Article Per Year (5 Year)
p-Index From 2021 - 2026
1.288
P-Index
This Author published in this journals
All Journal JTERA (Jurnal Teknologi Rekayasa) ILKOM Jurnal Ilmiah Mobile and Forensics Jurnal Pengabdian Masyarakat Ilmu Keguruan dan Pendidikan (JPM-IKP) Indonesian Journal of Data and Science Jurnal Algoritma, Logika dan Komputasi Jurnal Teknologi Sistem Informasi Jurnal Pustaka AI : Pusat Akses Kajian Teknologi Artificial Intelligence Internet of Things and Artificial Intelligence Journal
Anggreani, Desi
Unknown Affiliation
Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Library & Information Science Mathematics Mechanical Engineering Neuroscience

Published : 10 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 10 Documents
Search

 1 
Prediksi Lama Studi Mahasiswa Menggunakan Naïve Bayes Berdasarkan Aspek Sosial Ekonomi Mahasiwa Putri, Desy Pratiwi Ika; Anggreani, Desi; Wibawa, Aji Prasetya
Mobile and Forensics Vol 2, No 1 (2020)
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/mf.v2i1.2137

Abstract

Perguruan tinggi merupakan satuan penyelenggara pendidikan tinggi sebagai tingkat lanjut jenjang pendidikan menengah di jalur pendidikan formal. Kualitas perguruan tinggi, khususnya perguruan tinggi di Indonesia diukur berdasarkan 9 standar utama. Salah satu aspek yang berpengaruh ialah mahasiswa dan lulusan. Ketepatan waktu studi mahasiswa adalah hal yang penting dalam perguruan tinggi. Ketepatan waktu mahasiswa dalam menyelesaikan studi menjadi salah satu penunjang penilaian kualitas perguruan tinggi. Metode Naïve Bayes dapat digunakan untuk memprediksi ketepatan lama studi. Klasifikasi Naïve Bayes dalam penelitian ini menggunakan beberapa variabel yang sangat erat kaitannya dalam menyelesaikan studi khususnya pada aspek sosial ekonomi mahasiswa. Adapun variable dari sisi sosial dan ekonomi tersebut diantaranya jenis kelamin, nilai IPK, tempat lahir, tipe sekolah, jumlah keikutsertaan organisasi, tingkat ekonomi, dan dukungan orang tua. Pada penelitian ini, metode Naïve Bayes diimplementasikan pada kasus prediksi lama studi mahasiswa menggunakan 200 data set. Hasil penelitian menunjukkan tingkat rata-rata akurasi sebesar 80,5% dengan menggunakan K-Fold Cross Validation diperoleh standar deviasi 3,02%.   Higher education is a higher education provider unit as an advanced level of secondary education in the formal education pathway. The quality of tertiary institutions, especially tertiary institutions in Indonesia, is measured according to 9 main standards. One influential aspect is students and graduates. Timeliness of student studies is important in higher education. Timeliness of students in completing their studies is one of the supports for assessing the quality of higher education. The Naïve Bayes method can be used to predict the accuracy of the study duration. Naïve Bayes classification in this study uses several variables that are very closely related in completing studies, especially on the social economic aspects of students. The social and economic variables include gender, GPA, birthplace, type of school, number of organizational participations, economic level, and parent support. In this study, the Naïve Bayes method is implemented in the case of prediction of student study duration using 200 data sets. The results showed an average level of accuracy of 80.5% using K-Fold Cross Validation obtained a standard deviation of 3.02%.
Perbandingan Efisiensi Algoritma Sorting dalam Penggunaan Bandwidth Anggreani, Desi; Wibawa, Aji Prasetya; Purnawansyah, Purnawansyah; Herman, Herman
ILKOM Jurnal Ilmiah Vol 12, No 2 (2020)
Publisher : Teknik Informatika Fakultas Ilmu Komputer Univeristas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/ilkom.v12i2.538.96-103

Abstract

The most used algorithm is the sorting algorithm. There have been many popping sorting algorithms that can be used, in this study researchers took three sorting algorithms namely Insertion Sort, Selection Sort, and Merge Sort. As for this study will analyze the comparison of execution time and memory usage by considering the number of enter data of each algorithm used. The data used in this study is ukhuwah NET network bandwidth usage data connected in the Faculty of Computer Science in the form of double data types. After implementing and analyzing in terms of execution time merge sort algorithm has a faster execution time in sorting data with an average execution time value of 108.593777 ms on the 3000 data count. While in the same amount of data for the most execution time is the Selection Sort algorithm with a large execution time of 144.498144 ms, in terms of memory usage with the amount of data3000 Merge Sort Algorithm has the highest memory usage compared to the other two algorithms which is 21,444 MB while the other two algorithms have a succession of memory usage of 20,837 MB and 20,325MB.
Prediksi Lama Studi Mahasiswa Menggunakan Naïve Bayes Berdasarkan Aspek Sosial Ekonomi Mahasiwa Putri, Desy Pratiwi Ika; Anggreani, Desi; Wibawa, Aji Prasetya
Mobile and Forensics Vol. 2 No. 1 (2020)
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/mf.v2i1.2137

Abstract

Perguruan tinggi merupakan satuan penyelenggara pendidikan tinggi sebagai tingkat lanjut jenjang pendidikan menengah di jalur pendidikan formal. Kualitas perguruan tinggi, khususnya perguruan tinggi di Indonesia diukur berdasarkan 9 standar utama. Salah satu aspek yang berpengaruh ialah mahasiswa dan lulusan. Ketepatan waktu studi mahasiswa adalah hal yang penting dalam perguruan tinggi. Ketepatan waktu mahasiswa dalam menyelesaikan studi menjadi salah satu penunjang penilaian kualitas perguruan tinggi. Metode Naïve Bayes dapat digunakan untuk memprediksi ketepatan lama studi. Klasifikasi Naïve Bayes dalam penelitian ini menggunakan beberapa variabel yang sangat erat kaitannya dalam menyelesaikan studi khususnya pada aspek sosial ekonomi mahasiswa. Adapun variable dari sisi sosial dan ekonomi tersebut diantaranya jenis kelamin, nilai IPK, tempat lahir, tipe sekolah, jumlah keikutsertaan organisasi, tingkat ekonomi, dan dukungan orang tua. Pada penelitian ini, metode Naïve Bayes diimplementasikan pada kasus prediksi lama studi mahasiswa menggunakan 200 data set. Hasil penelitian menunjukkan tingkat rata-rata akurasi sebesar 80,5% dengan menggunakan K-Fold Cross Validation diperoleh standar deviasi 3,02%.  Higher education is a higher education provider unit as an advanced level of secondary education in the formal education pathway. The quality of tertiary institutions, especially tertiary institutions in Indonesia, is measured according to 9 main standards. One influential aspect is students and graduates. Timeliness of student studies is important in higher education. Timeliness of students in completing their studies is one of the supports for assessing the quality of higher education. The Naïve Bayes method can be used to predict the accuracy of the study duration. Naïve Bayes classification in this study uses several variables that are very closely related in completing studies, especially on the social economic aspects of students. The social and economic variables include gender, GPA, birthplace, type of school, number of organizational participations, economic level, and parent support. In this study, the Naïve Bayes method is implemented in the case of prediction of student study duration using 200 data sets. The results showed an average level of accuracy of 80.5% using K-Fold Cross Validation obtained a standard deviation of 3.02%.
TRANSFORMASI PROSES PEMBELAJARAN MELALUI INTEGRASI TEKNOLOGI INFORMASI Desi Anggreani; Lukman Lukman
Jurnal Pengabdian Masyarakat Ilmu Keguruan dan Pendidikan (JPM-IKP) Vol 6, No 2 (2023): Jurnal Pengabdian Masyarakat (JPM-IKP)
Publisher : FKIP Universitas Trilogi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31326/jmp-ikp.v6i2.1738

Abstract

Kualitas pendidikan adalah permasalahan yang sangat diperhatikan oleh pemerintah. Pendidikan merupakan sistem dinamis  yang terus berkembang, sehingga pendekatan proses pembelajaran juga ikut berubah-ubah. Dengan perubahan yang cukup cepat sehingga dibutuhkan upaya untuk meningkatkan tenaga pendidik sehingga bisa sejalan dengan perkembangan pendidikan. Kabupaten Nunukan merupakan wilayah perbatasan antara negara Indonesia dan negara malaysia. Kondisi pendidikan pada daerah perbatasan dalam keadaan masih jauh dari ideal. Upaya mempercepat pemerataan dan peningkatan sumber daya manusia dalam sektor pendidikan perlu dilakukan. Salah satu implementasi meningkatan sumber daya manusia adalah dengan mengadakan pelatihan pengenalan teknologi informasi yang dapat digunakan sebagai media pembelajaran. Kegiatan pengabdian masyarakat ini dilakukan di SDN 003 Nunukan Selatan Kabupaten Nunukan Perbatasan Indonesia-Malaysia. Kegiatan berlangsung pada tanggal 9-10 Juni 2023. Kegiatan ini berjudul “Transformasi Proses Pembelajaran Melalui Integrasi  Teknolosi Informasi” dengan maksud memberikan pemahaman daerah perbatasan mengenai pentingnya melakukan proses pembelajaran interaktif dengan menggunakan media pembelajaran berbasis Teknologi Informasi. Dengan terselenggaranya kegiatan ini dapat menghasilkan peningkatan yang cukup tinggi pengetahuan peserta yang awalnya hasil Pre Test sebesar 38% setelah dilakukan pelatihan dan menghasilkan nilai Post test 80%. Peningkatan sebesar 42% pengetahuan tenaga pendidik mengenai media pembelajaran berbasis teknologi. Diharapkan kegiatan ini dapat ikut serta dalam proses transformasi pembelajaran menjadi lebih baik.
Peningkatan Metode YOLOv7 Dengan Proses Augmentasi Image Pada Klasifikasi Jenis Kupu-Kupu Anggreani, Desi; Lukman, Lukman
Jurnal Teknologi Sistem Informasi Vol 4 No 2 (2023): Jurnal Teknologi Sistem Informasi
Publisher : Program Studi Sistem Informasi, Universitas Multi Data Palembang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35957/jtsi.v4i2.5862

Abstract

Taman Nasional Bantimurung Bulusaraung(TN-Babul) adalah Taman nasional yang cukup terkenal dengan berbagai keindahan alamnya. TN-Babul terletak disalah satu kabupaten di provinsi sulawesi selatan. Penangkaran kupu-kupu adalah hal yang paling mendominasi pada taman nasional tersebut hingga julukan The kingdom of butterfly disebut sebagai TN-Babul. Spesies kupu-kupu cukup banyak yang dimana mencapai 20.000, sekitar 2000 spesies ada di Indonesia dan 557 spesies ada di Pulau Sulawesi. Berbagai pengunjung baik masyarakat lokal, nasional dan panca negara datang ke TN-Babul, namun banyak pengunjung yang tidak mengetahui spesies kupu-kupu secara spesifik dan beranggapan bahwa spesies kupu-kupu semua sama. Dampak lain dari kurangnya pengetahuan mengenai spesies kupu-kupu adalah proses penagkaran yang tidak sesuai dengan habitatnya sehigga kepunahan dari spesies kupu-kupu bisa terjadi. Dalam penelitian ini, proses identifikasi dan klasifikasi spesies kupu-kupu dilakukan dengan menggunakan metode YOLOv7. Penggunakan metode YOLOv7 dikombinasikan dengan proses Augmentasi Image untuk dapat menghasilkan proses klasifikasi yang lebih baik. Dari proses implementasi yang telah dilakukan dengan menggunakan data set 1000 dan jumlah iterasi 1000 maka diperoleh hasil mAP sebesar 90%. Berdasarkan berbandingan dengan penelitian sebelumnya penelitian ini membuktikan bahwa proses Augmentasi Image dapat meningkatkan nilai mAP sebesar 2,97%.
Optimization of K-Means Clustering Method by Using Elbow Method in Predicting Blood Requirement of Pelamonia Hospital Makassar Anggreani, Desi; Nurmisba, Nurmisba; Setiawan, Dedi; Lukman, Lukman
Internet of Things and Artificial Intelligence Journal Vol. 4 No. 3 (2024): Volume 4 Issue 3, 2024 [August]
Publisher : Association for Scientific Computing, Electronics, and Engineering (ASCEE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31763/iota.v4i3.755

Abstract

Hospitals require an adequate supply of blood to meet patient needs. Accurate prediction of blood demand is essential to optimize inventory management and avoid shortages or overstocks. This study aims to predict blood demand at Pelamonia Hospital using K-Means Clustering and Elbow methods. Historical data on blood demand at Pelamonia Hospital was collected and processed. The Elbow method is used to determine the optimal number of clusters in the K-Means Clustering algorithm. Sum of Squared Errors (SSE) or Within-Cluster Sum of Squares (WCSS) values were calculated for various clusters, and the elbow point on the graph of SSE/WCSS vs. number of clusters was identified as the optimal number of clusters. Once the optimal number of clusters is determined, the K-Means Clustering algorithm is applied to the blood demand data, resulting in grouping the data into specific clusters. Each cluster is analyzed to find interesting patterns or characteristics, such as clusters with high or low blood demand. From the results of the SSE calculation process on 1057 blood demand data, the result that has the biggest decrease is at k = 4 with a difference value of 2754.90. The clustering results and patterns found are used to predict future blood demand by identifying which cluster best fits the current or expected conditions. The characteristics of the clusters are used to estimate the likely blood demand. This approach provides valuable insights into blood demand patterns and enables hospitals to better anticipate blood demand, thereby optimizing inventory management and improving the quality of healthcare services.
Grid Search Hyperparameter Analysis in Optimizing The Decision Tree Method for Diabetes Prediction Anggreani, Desi; Hamdani; Nurmisba; Lukman
Indonesian Journal of Data and Science Vol. 5 No. 3 (2024): Indonesian Journal of Data and Science
Publisher : yocto brain

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56705/ijodas.v5i3.190

Abstract

Diabetes is a global health issue that continues to rise, especially in Indonesia, caused by unhealthy lifestyles, poor diets, and genetic factors. Early detection of diabetes risk is crucial to prevent serious complications, and machine learning offers innovative predictive solutions. This research focuses on the development of a diabetes risk prediction model using the Decision Tree algorithm with hyperparameter optimization through the Grid Search technique. The research methodology includes the collection of patient medical data with key attributes such as glucose levels, blood pressure, skin health, insulin, body mass index (BMI), diabetes pedigree, age, and health history. The hyperparameter tuning process is carried out by varying key parameters such as the maximum tree depth (max_depth), the minimum number of samples required to split a node (min_samples_split), and the minimum number of samples required at a leaf node (min_samples_leaf). Grid Search is used to systematically explore hyperparameter combinations in order to find the optimal configuration that can improve the model's performance. The research process includes data preprocessing, splitting the dataset into training and testing sets, model training, and evaluation using accuracy metrics, confusion matrix, and ROC AUC curve. The initial results show a model accuracy of 76%, which was then improved to 81% after hyperparameter optimization using Grid Search. The visualization of the decision tree reveals that glucose levels and BMI have the most significant contributions in predicting diabetes risk. This research demonstrates the potential of machine learning in supporting the early detection of diabetes, with the Decision Tree algorithm showing promising predictive capabilities. Nevertheless, further research with larger datasets and the integration of other algorithms is highly recommended to improve the accuracy and generalization of the model. The main contribution of this research is the development of a machine learning-based approach that can assist medical personnel in screening for diabetes risk more efficiently and accurately.
OPTIMALISASI DIAGNOSIS DINI DIABETES DENGAN MACHINE LEARNING: MODEL PREDIKTIF BERBASIS K-NEAREST NEIGHBOR Anggreani, Desi; Bakti, Rizki Yusliana; Lukman, Lukman; Dewi MJ, Wanda Tyrana; A M Hayat, Muhyddin
JTERA (Jurnal Teknologi Rekayasa) Vol 10, No 1: Juni 2025
Publisher : Politeknik Sukabumi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31544/jtera.v10.i1.2025.89-98

Abstract

Diabetes merupakan penyakit tidak menular utama yang memberikan beban kesehatan global yang signifikan, dengan prevalensinya terus meningkat. Sebagai respons, penelitian ini mengembangkan aplikasi berbasis web untuk deteksi dini risiko diabetes menggunakan algoritma K-Nearest Neighbor (KNN), yang memanfaatkan Dataset lokal dari RSUD Kolonodale, Indonesia. Aplikasi ini memberikan alat yang efisien dan mudah diakses bagi masyarakat umum dan tenaga medis untuk memprediksi risiko diabetes berdasarkan indikator klinis utama seperti kadar gula darah, tekanan darah, Indeks Massa Tubuh (IMT), kadar insulin, dan riwayat keluarga. Model ini mencapai akurasi 93%, dengan precision 89%, recall 96%, dan F1-score 93%, yang menunjukkan efektivitasnya dalam membedakan antara kasus diabetes dan non-diabetes. Meskipun sistem ini menawarkan antarmuka pengguna yang ramah dan sumber daya edukasi tentang pencegahan diabetes, masih terdapat beberapa area yang perlu perbaikan, terutama dalam hal perluasan Dataset, penanganan kesalahan, dan performa pada beban pengguna yang tinggi. Aplikasi ini juga memiliki potensi untuk diintegrasikan dengan perangkat wearable dan chatbot berbasis AI untuk meningkatkan pemantauan secara real-time dan rekomendasi pencegahan yang dipersonalisasi. Pengembangan di masa depan dapat memperluas aplikasinya di fasilitas kesehatan baik di perkotaan maupun pedesaan.
Classification Of Student Mental Health Based On Academic And Social Variables Using The Decision Tree Method Anggreani, Desi; Danuputri, Chyquitha; Hayat, Muhyiddin A M; Setiawan, Dedi
Jurnal Algoritma, Logika dan Komputasi Vol 8, No 1 (2025): Jurnal ALU, Maret 2025
Publisher : Universitas Bunda Mulia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30813/j-alu.v8i1.8652

Abstract

Mental health problems are suffered by many people, including students who often have poor lifestyles. Depression and anxiety are widespread among students, with all universities reporting students with depression and 75.5% reporting students with severe anxiety. This research aims to determine the classification of student mental health based on academic and social by using the Decision Tree method so that early treatment can be carried out. The dataset used consists of 11 aspects concerning academic and social. The data that has been collected is processed through the preprocessing stage and analyzed using the Decision Tree classification method. The classification results showed that out of 973 students who did not suffer from depression, the method classified them correctly. In addition, of the 104 college students who were classified as suffering from major depression, all of them were actually suffering from major depression. The agreement between the classification results and the actual condition shows the reliability of this method, with an accuracy rate of 76.71%. This research underscores the importance of academic and social variables in influencing students' mental health. The findings confirm the reliability of the Decision Tree method in detecting students' mental state and point to the need for effective counseling services and mental health interventions in campus and social environments. 
Model Deep Learning Berbasis Convolutional Neural Network Untuk Identifikasi Stroke Iskemik Pada Citra CT Scan Faturohman, Agung; Anggreani, Desi; Yusliana Bakt, Rizki
Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 5 No 2 (2025): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence)
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakaai.v5i2.1150

Abstract

Stroke iskemik merupakan salah satu penyakit tidak menular yang berbahaya dan dapat menyebabkan kecacatan hingga kematian apabila tidak ditangani dengan cepat dan tepat. Identifikasi stroke melalui citra CT scan otak menjadi metode penting dalam dunia medis, namun masih memerlukan waktu dan keahlian tinggi. Penelitian ini bertujuan untuk mengembangkan sistem deteksi stroke iskemik secara otomatis menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2. Data yang digunakan berupa citra CT scan otak pasien dari Rumah Sakit Labuang Baji Makassar, yang diproses melalui tahapan preprocessing seperti grayscale, resizing, augmentasi, dan normalisasi. Model CNN dilatih menggunakan binary crossentropy loss dan Adam optimizer untuk klasifikasi dua kelas, yaitu normal dan stroke iskemik. Hasil pengujian menunjukkan bahwa model mencapai akurasi sebesar 91,6%, precision 88%, recall 95,1%, dan F1-score 0,914, yang menandakan bahwa model ini mampu mengenali stroke iskemik secara efektif. Dengan demikian, sistem ini berpotensi menjadi alat bantu diagnosis awal yang efisien dan akurat dalam bidang kesehatan.
Co-Authors A M Hayat, Muhyddin Abd. Rasyid Syamsuri Aji Prasetya Wibawa Bakti, Rizki Yusliana Danuputri, Chyquitha Dedi Setiawan Dedi Setiawan Dewi MJ, Wanda Tyrana Faturohman, Agung Hamdani Lukman Lukman Lukman LUKMAN, LUKMAN Muhyiddin A M Hayat Nurmisba Nurmisba, Nurmisba Purnawansyah Purnawansyah Putri, Desy Pratiwi Ika Wiwik Handayani