Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal JEEMECS (Journal of Electrical Engineering, Mechatronic and Computer Science) Riau Jurnal Teknik Informatika
Widiana Salsabilah
Universitas Bina Sarana Informatika
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Penerapan Algoritma K-Means Untuk Pengelompokan Risiko Penyakit Diabetes: Pendekatan Berbasis Data untuk Deteksi Dini Nabila Yuniarti; Najah Nur Aliyah; Widiana Salsabilah; Ziyad Dante Al Najji; Bibit Sudarsono; Wisti Dwi Septiani
Riau Jurnal Teknik Informatika Vol. 4 No. 3 (2025): November 2025
Publisher : Prodi Teknik Informatika Universitas Pasir Pengaraian

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30606/rjti.v4i3.3518

Abstract

Diabetes merupakan kondisi ketika pankreas tidak mampu memproduksi insulin secara optimal, atau ketika tubuh tidak dapat menggunakan insulin dengan efektif, sehingga distribusi insulin menjadi terganggu. Dalam pelaksanaan penelitian ini, peneliti mengadopsi dua pendekatan utama yang menjadi landasan dalam proses pengumpulan dan analisis data, yaitu studi literatur yang dilakukan dengan mencari, mengevaluasi, dan mengkaji berbagai artikel jurnal ilmiah, sumber terpercaya lainnya yang berkaitan dengan topik penelitian, dan penerapan algoritma K-Means yang memberikan gambaran lebih terstruktur mengenai distribusi kelompok pasien. Dalam proses analisis, digunakan aplikasi RapidMiner untuk mempermudah pengelompokan data dan memungkinkan peneliti mengevaluasi kinerja algoritma K-Means yang diterapkan. Dataset yang digunakan berisi 5.000 data pasien dan 9 atribut kesehatan, yang dikelompokkan menggunakan metode Elbow dan validasi dengan Davies-Bouldin Index, dengan nilai 0,827. Secara keseluruhan, terdapat tiga cluster  utama yang masing-masing menunjukkan karakteristik kesehatan berbeda. Cluster  pertama terdiri dari pasien dengan risiko rendah (45%), yang memiliki kadar gula darah normal dan tidak ada yang terdiagnosis diabetes. Cluster  kedua menunjukkan kelompok dengan risiko menengah (35%) yang mulai menunjukkan gejala pra-diabetes serta peningkatan kadar gula darah dan beberapa faktor risiko lain. Sedangkan cluster  ketiga berisi pasien dengan risiko tinggi (20%) yang memiliki kadar gula darah sangat tinggi, di mana sebagian besar sudah berada dalam fase diabetes dan menghadapi kondisi yang lebih serius. Temuan ini menunjukkan bahwa hasil klasterisasi tidak hanya menggambarkan variasi kondisi kesehatan pasien, tetapi juga memiliki nilai praktis dalam konteks medis, seperti membantu tenaga kesehatan melakukan deteksi dini, memprioritaskan pasien berisiko tinggi, serta mendukung strategi intervensi yang lebih personal dan tepat sasaran.
Classification of Adolescent Depression Risk Using Naïve Bayes Algorithm and SMOTE Method to Handle Social Media Activity Data Imbalance Widiana Salsabilah; Jordy Lasmana Putra
JEEMECS (Journal of Electrical Engineering, Mechatronic and Computer Science) Vol. 9 No. 2 (2026): August 2026
Publisher : University of Merdeka Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26905/jeemecs.v9i2.17345

Abstract

Advances in information technology have transformed the way adolescents communicate through social media, yet excessive use negatively impacts psychological well-being. This study aims to develop a Naïve Bayes classification model to identify adolescent depression risks and evaluate the effectiveness of the SMOTE method in addressing data imbalance challenges. This research utilizes the "Social Media Impact on Teen Mental Health" dataset from Kaggle, consisting of 1,200 rows of data, with the entire modeling process validated using 10-fold Cross Validation. The results indicate that the application of the SMOTE method was successful in optimizing detection for the minority class or at risk groups. Through the integration of SMOTE, this classification system achieved a Recall value of 96.77% and an F1-Score of 74.07%, with false negative errors reduced to just 1 case. The combination of the Naïve Bayes algorithm and SMOTE has proven to produce a classification system that is fairer, more sensitive, and relevant for early mental health detection, enabling faster and more accurate identification of depression risks in the digital era.
Co-Authors Bibit Sudarsono Jordy Lasmana Putra Nabila Yuniarti Najah Nur Aliyah Wisti Dwi Septiani Ziyad Dante Al Najji