Article Per Year (5 Year)
p-Index From 2020 - 2025
0.817
P-Index
This Author published in this journals
All Journal Jurnal: International Journal of Engineering and Computer Science Applications (IJECSA) Nanggroe: Journal Of Scholarly Service Prosiding Seminar Nasional CORISINDO
Rismayati, Ria
Unknown Affiliation
Religion Agriculture, Biological Sciences & Forestry Civil Engineering, Building, Construction & Architecture Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Engineering Environmental Science Health Professions Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Medicine & Pharmacology Neuroscience Nursing Public Health

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

Found 4 Documents
Search

 1 
Pelatihan Pembuatan Laporan Harian Program Pendidikan Kecakapan Kerja 2022 LCC Praya Berbasis Online Pribadi, Agus; Adil, Ahmat; Santi, Indyah Hartami; Rismayati, Ria
Nanggroe: Jurnal Pengabdian Cendikia Vol 2, No 9 (2023): Desember
Publisher : Yayasan Daarul Huda Kruengmane

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.5281/zenodo.10474094

Abstract

LP3I Course Center Praya menjadi salah satu lembaga pelaksana Program Pendidikan Kecakapan Kerja tahun 2022, sesuai surat keputusan Pejabat Pembuat Komitmen Bidang Pengembangan Pendidikan Kecakapan Kerja Direktorat Kursus dan Pelatihan nomor 2180/D3/KU.07.00/ 2022. Bidang keahlian yang diselenggarakan oleh LP3I Course Center Praya adalah Teknik Pendingin atau Perbaikan alat Pendingin Udara. LP3I Course Center Praya memiliki masalah dengan keterbatasan sumber daya personalia, berkenaan dengan kapasitas dan kesiapan. Personalia administrator pelatihan LP3I Course Center Praya belum siap dan belum familiar dengan program aplikasi berkonten realtime yang harus digunakan secepatnya serta belum terbiasa dalam pennyiapan konten data doumentasi pelaksanaan secaa digital. Permasalahan lainnya adalah berlebihnya jumla bahasan materi pelatihan, tempat pelatihan yang ada di dua lokasi, yaitu di kantor LP3I Course Center Praya dan di workshop milik pihak Iduka, CV Raja Teknik yang bereada di kota Mataram. Solusi yang diberikan pada mitra kegiatan Pengabdian pada Masyarakat, LP3I Course Center Praya, adalah memberikan bantuan teknis opersional, pembekalan kepada personal administrator pelatihan terhadap pembuatan konten data dan pengoperasian program aplikasi, dan memberikan pendampingan. Metode pelaksanaan yang disusun Tim Pengabdian pada Masyarakat adalah tahap identifikasi, perencanaan, pembekalan, pendampingan dan evaluasi. Bantuan teknis membuat pengoperasian program aplikasi secara multi-task dan bantuan penyusunan perencanaan alokasi waktu dan distribusi bahasan materi pelatihan merupakan salah satu target hasil yand dapat dicapai. Hasil capaian tersebut dapat membantu pihak LP3I Course Center Praya dalam mengelola pelaksanaan Program Pendidikan Kecakapan Kerja beserta tanggung jawab pelaporan pelaksanaan secara online. Pembekalan penyiapan dokumentasi data digital dan pendampingan pengoperasian program aplikasi Bantuan Pemerintah Pendidikan Kecakapan Kerja mampu menyelesaikan permasalahan pihak LP3I Course Center Praya. Personal administrator pelatihan LP3I Course Center Praya telah mampu mengoperasikan dan menggunakan program aplikasi tersebut secara baik.
Ensemble Implementation for Predicting Student Graduation with Classification Algorithm Rismayati, Ria; Ismarmiaty, Ismarmiaty; Hidayat, Syahroni
International Journal of Engineering and Computer Science Applications (IJECSA) Vol. 1 No. 1 (2022): March 2022
Publisher : Universitas Bumigora Mataram-Lombok

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/ijecsa.v1i1.1805

Abstract

Graduating on time at the higher education level is one of the main targets of every student and university institution. Many factors can affect a student's length of study, the different character of each student is also an internal factor that affects their study period. These characters are used in this study to classify data groups of students who graduated on time or not. Classification was chosen because it is able to find a model or pattern that can describe and distinguish classes in a dataset. This research method uses the esemble learning method which aims to see student graduation predictions using a dataset from Kaggle, the data used is a IPK dataset collected from a university in Indonesia which consists of 1687 records and 5 attributes where this dataset is not balanced. The intended target is whether the student is predicted to graduate on time or not. The method proposed in this study is Ensemble Learning Different Contribution Sampling (DCS) and the algorithms used include Logistic Regression, Decision Tree Classifier, Gaussian, Random Forest Classifier, Ada Bost Classifier, Support Vector Coefficient, KNeighbors Classifier and MLP Classifier. From each classification algorithm used, the test value and accuracy are calculated which are then compared between the algorithms. Based on the results of research that has been carried out, it is concluded that the best accuracy results are owned by the MLPClassifier algorithm with the ability to predict student graduation on time of 91.87%. The classification model provided by the DCS-LCA used does not give better results than the basic classifier of its constituent, namely the MLPClassifier algorithm of 91.87%, SVC of 91.64%, Logistic Regression of 91.46%, AdaBost Classifier of 90.87%, Random Forest Classifier of 90.45% , and KNN of 89.80%.
Analisis Seleksi Fitur  Menggunakan Metode ANOVA F-test dan Algoritma Random Forest Untuk Deteksi Diabetes Martono, Galih Hendro; Rismayati, Ria; Karor, Iptijanul
CORISINDO 2025 Vol. 1 (2025): Prosiding Seminar Nasional CORISINDO 2025
Publisher : CORISINDO 2025

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/corisindo.v1.5282

Abstract

Peningkatan level kadar glukosa darah yang melampaui batas normal merupakan ciri-ciri utama dari gangguan metabolisme yang dikenal sebagai diabetes mellitus, atau yang secara umum disebut penyakit kencing manis. Hal ini biasanya terjadi karena gangguan produksi atau fungsi insulin, baik secara absolut maupun relatif.  Diperkirakan  pada tahun 2030 diabetes akan menjadi penyebab kematian  terbesar ke-7 di dunia hal ini didasari laporan dari World Health Organization (WHO).  Ironisnya, sekitar 70% penderita diabetes tidak menyadari bahwa mereka mengidap penyakit ini, dan sekitar 25% telah mengalami komplikasi serius sebelum diagnosis ditegakkan. Oleh karena itu, deteksi dini serta manajemen risiko yang efektif sangat krusial untuk mencegah dampak kesehatan yang lebih berat. Pentingnya pemilihan fitur dalam meningkatkan akurasi prediksi diabetes adalah fokus penelitian ini. Metode seleksi fitur berbasis ANOVA F-test yang digabungkan dengan algoritma Random Forest dalam penyusunan model prediksi diabetes digunakan pada penelitian ini . Dataset yang digunakan terdiri dari 70.000 data dengan 33 atribut, yang kemudian diseleksi hingga diperoleh 13 fitur paling relevan berdasarkan nilai P-value < 0,05. Hasil evaluasi menunjukkan bahwa penerapan seleksi fitur secara signifikan meningkatkan performa model. Akurasi prediksi mencapai 73% saat menggunakan 5 fitur, meningkat menjadi 86% dengan 10 fitur, dan mencapai 90% ketika menggunakan 13 fitur. Temuan ini menggaris bawahi pentingnya proses seleksi fitur dalam pengembangan model prediktif penyakit diabetes, serta memberikan kontribusi penting dalam mendukung upaya deteksi dini dan pengelolaan risiko secara lebih optimal.
Perbandingan Algoritma Machine Learning Untuk Mendeteksi Gagal Jantung Berbasis Seleksi Fitur Rfecv Dan Penyeimbangan Data Smote Setyawan, Ari; Sulistianingsih, Neny; Rismayati, Ria
CORISINDO 2025 Vol. 1 (2025): Prosiding Seminar Nasional CORISINDO 2025
Publisher : CORISINDO 2025

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/corisindo.v1.5605

Abstract

Deteksi dini gagal jantung merupakan tantangan signifikan dalam dunia medis karena kompleksitas faktor risikonya. Penelitian ini bertujuan membandingkan kinerja enam algoritma machine learning dalam memprediksi risiko gagal jantung dengan pendekatan CRISP-DM. Data klinis sebanyak 299 pasien diproses melalui seleksi fitur menggunakan Recursive Feature Elimination with Cross-validation (RFECV) serta penyeimbangan kelas dengan Synthetic Minority Over-sampling Technique (SMOTE). Algoritma yang dievaluasi meliputi Logistic Regression, K-Nearest Neighbors, Support Vector Machine, Decision Tree, Random Forest, dan Gradient Boosting. Evaluasi dilakukan menggunakan validasi silang berstrata dengan metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan Random Forest mencapai performa terbaik dengan akurasi dan F1-score sebesar 91,20%, diikuti Gradient Boosting dengan 90,20%. Implementasi SMOTE terbukti meningkatkan kemampuan model, terutama dalam mendeteksi kelas minoritas. Temuan ini menegaskan bahwa metode ensemble seperti Random Forest, dikombinasikan dengan RFECV dan SMOTE, efektif untuk klasifikasi risiko gagal jantung secara akurat dan andal.
Co-Authors Agus Pribadi, Agus Ahmat Adil Galih Hendro Martono Ismarmiaty, Ismarmiaty Karor, Iptijanul Neny Sulistianingsih Santi, Indyah Hartami Setyawan, Ari Syahroni Hidayat