Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Pustaka Data : Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer
Ayu Mahessya, Raja
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Industrial & Manufacturing Engineering Mechanical Engineering

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

Found 2 Documents
Search

 1 
Sistem Pakar Untuk Mendeteksi Kleptomania Dengan Metode Fuzzy Berbasis Web Nelfita Anggraini, Weli; Ayu Mahessya, Raja; Saputra, Dhio
Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer) Vol 1 No 1 (2021): Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitekt
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (585.113 KB) | DOI: 10.55382/jurnalpustakadata.v1i1.59

Abstract

Kleptomania dapat dimulai pada masa anak-anak, walaupun sebagian besar anak dan remaja yang mencuri tidak menjadi dewasa yang kleptomania. Biasanya dorongan seseorang melakukan pencurian tersebut tidak direncanakan sebelumnya itu yang membedakan antara kleptomania dan pencurian. Penyakit kleptomania adalah gangguan kontrol impuls yang membuat penderitanya tidak bisa menahan diri untuk mencuri. Penyakit ini umumnya muncul pada masa puber sampai dewasa. Kleptomania dianggap sebagai kategori gangguan kejiwaan, terutama terkait dengan seseorang yang menderita kleptomania tersebut tidak bisa menggontrol diri dan tindakannya dilakukan secara spontan dan tidak terencana. Oleh karena itu dirancang sebuah sistem pakar untuk mengetahui jenis-jenis kleptomania. Metode yang digunakan dalam sistem pakar adalah Tsukamoto. Metode Tsukamoto adalah perluasan dari penalaran monoton dimana metode tsukamoto setiap konsekuen yang terbentuk IF-THEN harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton. Sistem pakar ini dapat memberikan solusi serta pencegahan kleptomania dengan proses pendiagnosaan dilakukan secara efisien dan menghemat waktu dalam membantu masyarakat atau orang tua dalam pencegahan yang terjadi. Aplikasi sistem pakar berbasis web ini dibangun dengan bahasa pemograman PHP dan penyimpanan data MySQL
Prediksi Risiko Diabetes Tahap Awal Menggunakan Machine Learning dengan Algoritma K-Nearest Neighbor Trisna, Novi; Ayu Mahessya, Raja
Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer) Vol 5 No 2 (2025): Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitekt
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakadata.v5i2.1550

Abstract

Diabetes mellitus merupakan penyakit metabolik kronis yang prevalensinya terus meningkat dan berkontribusi signifikan terhadap beban kesehatan masyarakat global akibat komplikasinya yang bersifat progresif dan sering terdeteksi pada tahap lanjut. Oleh karena itu, deteksi dini risiko diabetes berdasarkan gejala awal dan riwayat kesehatan pasien menjadi penting untuk mendukung intervensi preventif yang tepat waktu. Perkembangan machine learning memungkinkan pemanfaatan data kesehatan untuk membangun model prediksi yang lebih cepat, konsisten, dan objektif dibandingkan pendekatan manual konvensional. Penelitian ini bertujuan untuk mengembangkan model klasifikasi risiko diabetes menggunakan algoritma K-Nearest Neighbor (KNN) berdasarkan dataset Early Stage Diabetes Risk Prediction. Dataset tersebut terdiri dari 520 data dengan 17 atribut, termasuk fitur numerik seperti usia dan fitur kategorikal yang merepresentasikan gejala awal diabetes, seperti polyuria, polydipsia, weakness, dan polyphagia, dengan label kelas positif dan negatif diabetes. Tahap pra-pemrosesan data dilakukan dengan mentransformasikan atribut kategorikal menjadi nilai numerik (Yes=1, No=0; male=1, female=0) agar mendukung perhitungan jarak pada algoritma KNN. Model klasifikasi diimplementasikan menggunakan bahasa pemrograman Python pada Google Colab dan dievaluasi melalui empat skenario percentage split, yaitu 60:40, 70:30, 80:20, dan 90:10. Nilai K diuji pada rentang K=2 hingga K=9 menggunakan metrik jarak Euclidean untuk menentukan parameter optimal. Hasil eksperimen menunjukkan bahwa K=3 secara konsisten memberikan performa terbaik dengan akurasi tertinggi sebesar 97% pada skenario pembagian data 60:40. Temuan ini menunjukkan bahwa model KNN yang diusulkan efektif untuk mendeteksi risiko diabetes pada tahap awal.
Co-Authors Nelfita Anggraini, Weli Saputra, Dhio Trisna, Novi