Article Per Year (5 Year)
p-Index From 2021 - 2026
0.702
P-Index
This Author published in this journals
All Journal Go Infotech: Jurnal Ilmiah STMIK AUB Go Infotech: Jurnal Ilmiah STMIK AUB
Dhika Malita Puspita Arum
Program Studi Ilmu Komputer, Universitas An Nuur, Grobogan
Computer Science & IT

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
Penerapan Algoritma K-Means Dalam Proses Klasterisasi Balita Stunting Di Kecamatan Geyer Arindhya Ratna Hayuningtyas; Dhika Malita Puspita Arum; Eko Supriyadi
Go Infotech: Jurnal Ilmiah STMIK AUB Vol 31, No 2 (2025): December
Publisher : Sekolah Tinggi Manajemen Informatika dan Komputer AUB - Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36309/goi.v31i2.420

Abstract

Stunting merupakan permasalahan gizi kronis akibat      kekurangan nutrisi jangka panjang dan infeksi berulang, yang menghambat pertumbuhan anak. Di Indonesia, angka prevalensi stunting masih berada pada tingkat yang cukup tinggi dan belum memenuhi target nasional, yaitu 14% pada tahun 2024. Jawa Tengah mencatat angka 20,7% pada tahun 2023. Kabupaten Grobogan melaporkan 9,15% balita telah terindikasi stunting. Penanganan stunting membutuhkan pendekatan berbasis data, salah satunya melalui algoritma K-Means Clustering yang mampu mengelompokkan data secara efektif. Penelitian dengan metode tersebut untuk mengelompokkan balita stunting di Kecamatan Geyer. Tiga proses dilakukan secara berurutan: klasterisasi berdasarkan usia, klasterisasi berdasarkan kombinasi usia, berat badan, dan tinggi badan, serta analisis distribusi wilayah berdasarkan hasil klaster. Hasil klaster menunjukkan bahwa balita dapat dikelompokkan ke dalam beberapa klaster dengan kemiripan karakteristik pertumbuhan. Evaluasi menggunakan Silhouette Coefficient menghasilkan nilai yang cukup optimal di setiap prosesnya. Dengan nilai evaluasi yang dihasilkan menggunakan Sillhouette Coefficient, Algoritma K-Means mampu memberikan gambaran awal mengenai karakteristik balita stunting dan dapat dimanfaatkan untuk mendukung perencanaan intervensi gizi secara lebih terstruktur.
Komparasi Naive Bayes, C4.5 Dan SVM Untuk Klasifikasi Pendonor Darah Di PMI Kabupaten Grobogan Puput Rismawati; Eko Supriyadi; Dhika Malita Puspita Arum
Go Infotech: Jurnal Ilmiah STMIK AUB Vol 31, No 2 (2025): December
Publisher : Sekolah Tinggi Manajemen Informatika dan Komputer AUB - Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36309/goi.v31i2.421

Abstract

Kebutuhan darah di Indonesia masih tinggi dan sering tidak sebanding dengan jumlah pendonor yang tersedia. Untuk memastikan kualitas donor, PMI menerapkan kriteria kesehatan tertentu. Namun, proses seleksi masih dilakukan secara manual sehingga memerlukan metode analisis yang lebih efektif. Perkembangan teknik data mining memungkinkan penerapan algoritma klasifikasi untuk menentukan kelayakan pendonor darah secara akurat. Penelitian ini menggunakan dataset pendonor darah dari PMI Kabupaten Grobogan. Menggunakan tiga algoritma klasifikasi, yaitu Naïve Bayes, Decision Tree C4.5, dan Support Vector Machine (SVM), diimplementasikan menggunakan perangkat lunak RapidMiner. Hasil pengujian menunjukkan bahwa algoritma C4.5 memiliki performa terbaik dengan akurasi sebesar 96,77%. Naïve Bayes menghasilkan akurasi 75,47% dengan AUC, sedangkan SVM memperoleh akurasi 72,38%. Algoritma C4.5 paling efektif untuk klasifikasi kelayakan pendonor darah, karena akurat sekaligus mudah diinterpretasi. Ini bisa menjadi dasar pengembangan sistem pendukung keputusan berbasis data mining guna membantu proses seleksi pendonor secara lebih cepat dan objektif.
Penerapan Algoritma K-Means Dalam Proses Klasterisasi Balita Stunting Di Kecamatan Geyer Arindhya Ratna Hayuningtyas; Dhika Malita Puspita Arum; Eko Supriyadi
Go Infotech: Jurnal Ilmiah STMIK AUB Vol 31, No 2 (2025): December
Publisher : Sekolah Tinggi Manajemen Informatika dan Komputer AUB - Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36309/goi.v31i2.420

Abstract

Stunting merupakan permasalahan gizi kronis akibat      kekurangan nutrisi jangka panjang dan infeksi berulang, yang menghambat pertumbuhan anak. Di Indonesia, angka prevalensi stunting masih berada pada tingkat yang cukup tinggi dan belum memenuhi target nasional, yaitu 14% pada tahun 2024. Jawa Tengah mencatat angka 20,7% pada tahun 2023. Kabupaten Grobogan melaporkan 9,15% balita telah terindikasi stunting. Penanganan stunting membutuhkan pendekatan berbasis data, salah satunya melalui algoritma K-Means Clustering yang mampu mengelompokkan data secara efektif. Penelitian dengan metode tersebut untuk mengelompokkan balita stunting di Kecamatan Geyer. Tiga proses dilakukan secara berurutan: klasterisasi berdasarkan usia, klasterisasi berdasarkan kombinasi usia, berat badan, dan tinggi badan, serta analisis distribusi wilayah berdasarkan hasil klaster. Hasil klaster menunjukkan bahwa balita dapat dikelompokkan ke dalam beberapa klaster dengan kemiripan karakteristik pertumbuhan. Evaluasi menggunakan Silhouette Coefficient menghasilkan nilai yang cukup optimal di setiap prosesnya. Dengan nilai evaluasi yang dihasilkan menggunakan Sillhouette Coefficient, Algoritma K-Means mampu memberikan gambaran awal mengenai karakteristik balita stunting dan dapat dimanfaatkan untuk mendukung perencanaan intervensi gizi secara lebih terstruktur.
Komparasi Naive Bayes, C4.5 Dan SVM Untuk Klasifikasi Pendonor Darah Di PMI Kabupaten Grobogan Puput Rismawati; Eko Supriyadi; Dhika Malita Puspita Arum
Go Infotech: Jurnal Ilmiah STMIK AUB Vol 31, No 2 (2025): December
Publisher : Sekolah Tinggi Manajemen Informatika dan Komputer AUB - Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36309/goi.v31i2.421

Abstract

Kebutuhan darah di Indonesia masih tinggi dan sering tidak sebanding dengan jumlah pendonor yang tersedia. Untuk memastikan kualitas donor, PMI menerapkan kriteria kesehatan tertentu. Namun, proses seleksi masih dilakukan secara manual sehingga memerlukan metode analisis yang lebih efektif. Perkembangan teknik data mining memungkinkan penerapan algoritma klasifikasi untuk menentukan kelayakan pendonor darah secara akurat. Penelitian ini menggunakan dataset pendonor darah dari PMI Kabupaten Grobogan. Menggunakan tiga algoritma klasifikasi, yaitu Naïve Bayes, Decision Tree C4.5, dan Support Vector Machine (SVM), diimplementasikan menggunakan perangkat lunak RapidMiner. Hasil pengujian menunjukkan bahwa algoritma C4.5 memiliki performa terbaik dengan akurasi sebesar 96,77%. Naïve Bayes menghasilkan akurasi 75,47% dengan AUC, sedangkan SVM memperoleh akurasi 72,38%. Algoritma C4.5 paling efektif untuk klasifikasi kelayakan pendonor darah, karena akurat sekaligus mudah diinterpretasi. Ini bisa menjadi dasar pengembangan sistem pendukung keputusan berbasis data mining guna membantu proses seleksi pendonor secara lebih cepat dan objektif.
Co-Authors Arindhya Ratna Hayuningtyas Eko Supriyadi Puput Rismawati