Setiawan, Dita
Unknown Affiliation

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

Found 4 Documents
Search

PENGEMBANGAN KARTU “HISTORICAL OF THE BUDDHA” SEBAGAI MEDIA PEMBELAJARAN MATERI RIWAYAT BUDDHA GAUTAMA Setiawan, Dita; Waluyo, Waluyo; Parsiyono, Parsiyono
Jurnal Pencerahan Vol. 14 No. 1 (2021): Jurnal Pencerahan: Mencerdaskan dan Mencerahkan
Publisher : Syailendra Buddhist College / Sekolah Tinggi Agama Buddha (STAB) Syailendra

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58762/jupen.v14i1.56

Abstract

This research was done for media education purposing alike card which Buddha Gautama life story material. This media was made for easily teaching and learning activity students more easily to understanding the material. This research kind is a research and development method using the ADDIE. With process details: 1) analysis, start from face studying, need analysis, and material analysis; 2) design: i.e decision the kind of card, making card design, and choose the materials; 3) development, i.e: making card component using Corel Draw application, testing the product to the members of material and members of media; 4) implementation, i.e: testing the product with limited access to the students of primary school; and evaluation, i.e: grading the product after testing. The development product had to validate by members of the material and members of the media. The percentage of media experts is 70,83 % which shows that the developing media is feasible to be applied as a learning media. Then the percentage of material experts is 86,11% means that the material on the product is proper for students. Based on this research, the writer gets the conclusion that Historical of the Buddha card from material and media is proper to use as media education
Penerapan Algoritma Klasifikasi untuk Deteksi Dini Penyakit Jantung Koroner Berdasarkan Gejala Klinis Setiawan, Dita; Ali Muhammad; Siti Herawati Fransiska Dewi
Teknik: Jurnal Ilmu Teknik dan Informatika Vol. 5 No. 1 (2025): Mei: Teknik: Jurnal Ilmu Teknik dan Informatika
Publisher : LPPM Sekolah Tinggi Ilmu Ekonomi - Studi Ekonomi Modern

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51903/teknik.v5i1.706

Abstract

Coronary heart disease (CHD) remains a leading cause of mortality worldwide. Early detection is essential to reduce complications and improve patient outcomes. This study aims to develop a classification model using machine learning algorithms to predict CHD risk based on clinical symptoms. The dataset used is the Cleveland Heart Disease dataset from the UCI Machine Learning Repository, consisting of 303 patient records with 14 clinical features. The preprocessing stage involved handling missing values, normalizing features, and transforming categorical variables. Four classification algorithms were applied: K-Nearest Neighbors (K-NN), Decision Tree, Random Forest, and Support Vector Machine (SVM). Each model was trained using stratified 10-fold cross-validation to ensure generalizability. Evaluation using accuracy, precision, recall, F1-score, and ROC-AUC metrics showed that the Random Forest algorithm achieved the highest performance with 87.2% accuracy. Feature importance analysis indicated that chest pain type, resting blood pressure, cholesterol, and ST depression were the most influential indicators. These results demonstrate that machine learning, particularly Random Forest, can effectively support early diagnosis of CHD in clinical settings and has the potential to be integrated into clinical decision support systems (CDSS).
Implementasi Algoritma k-Nearest Neighbor (k-NN) pada Data Ulasan Pelaksanaan Pembelajaran Daring Firizkiansah, Angge; Muhammad, Ali; Setiawan, Dita
JIKOMTI : Jurnal Ilmiah Ilmu Komputer dan Teknologi Informasi Vol. 1 No. 1 (2024): JIKOMTI: Desember 2024
Publisher : Universitas Sains Indonesia Publishing

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Perkembangan teknologi informasi memberikan dampak dalam proses pembelajaran di perguruan tinggi, dimana pelaksanaannya dapat dilakukan secara daring. Pembelajaran daring yang dilakukan harus dievaluasi untuk menjaga mutu pembelajarannya. Di salah satu perguruan tinggi swasta di Indonesia, telah melakukan proses evaluasi terhadap pelaksanaan pembelajaran daring, yaitu melalui ulasan pelaksanaan pembelajaran daring oleh mahasiswa. Berdasarkan data ulasan dari mahasiswa, dilakukan analisis untuk menggambarkan setiap ulasan merupakan saran atau masukan terhadap pelaksanaan pembelajaran daring yang diklasifikasikan dari sisi akademik maupun nonakademik. Pengklasifikasian ulasan tersebut dapat dilakukan menggunakan pendekatan machine learning. Pada penelitian ini, dilakukan pengukuran tingkat akurasi terhadap pengklasifikasian ulasan pelaksanaan pembelajaran daring menggunakan algoritma k-Nearest Neighbor (k-NN). data yang digunakan berupa data teks ulasan pelaksanaan pembelajaran daring dari suatu perguruan tinggi dengan jumlah data sebanyak 4320 ulasan. Hasil uji menggunakan algoritma k-NN untuk pengkategorian data teks ulasan pelaksanaan pembelajaran daring diperoleh nilai tertinggi pada k=2 dengan accuracy 87,39%, precision 84,17%, recall 94,07%, dan AUC 0,843. Hal tersebut dapat disimpulkan bahwa algoritma k-NN cukup baik dalam mengkategorikan data teks ulasan pelaksanaan pembelajaran daring.
Pengklasifikasian Dokumen Teks Bahasa Indonesia berbasis Vektor Space Model dengan menggunakan Metode k-Nearest Neighbor (k-NN) dan Euclidean Distance Setiawan, Dita; Muhammad, Ali; Firizkiansah, Angge
JIKOMTI : Jurnal Ilmiah Ilmu Komputer dan Teknologi Informasi Vol. 1 No. 1 (2024): JIKOMTI: Desember 2024
Publisher : Universitas Sains Indonesia Publishing

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Proses klasifikasi dokumen yang manual dalam memahami isi materi dan menentukan kategori membutuhkan waktu yang lama. Terlebih jika dokumen dalam jumlah yang banyak dan jumlah kategori yang cukup beragam serta topik yang diulas memiliki kemiripan makna satu sama lain. Hal ini sangat menyulitkan penggunanya karena dibutuhkan ketelitian dan waktu yang tidak sebentar dalam pengklasifikasian. Untuk menangani hal tersebut diperlukan sebuah model sistem yang dapat mengklasifikasikan dokumen teks sesuai dengan kategorinya. Diawali dengan tahap preprocessing dimana sebuah dokumen dilakukan penyeragaman dan kemudahaan pembacaan yang selanjutnya dilakukan pembobotan teks dan penentuan algoritma yang digunakan dalam proses pengklasifikasian. Metode yang digunakan dalam penelitian ini adalah algoritma k-Nearest Neighbor (k-NN). Metode k-NN bekerja dengan prinsip dasar mencari tingkat kemiripan suatu objek dengan beberapa objek lainnya. Penggunaan metode k-NN akan lebih mudah jika telah menggunakan sebuah fungsi, kebanyakan fungsi yang digunakan adalah fungsi kesamaan cosinus karena k-NN bekerja dengan prinsip dasar mencari tingkat kemiripan antar objek. Namun untuk dapat mengetahui tingkat kemiripan suatu objek dibutuhkan parameter jarak terdekat antara dua data dengan menggunakan Euclidean. Pada penelitian ini menggunakan fungsi koefisien jarak yang menunjukan hubungan terbalik dengan derajat kesamaan dan sering disebut sebagai ukuran ketidaksamaan (distance) akan mempermudah dalam mengukur kesetaraan antar dua data. Sehingga model yang diusulkan pada penelitian ini adalah mengklasifikasikan dokumen teks bahasa Indonesia berbasis Vector Space Model dengan menggunakan metode k-Nearest Neighbor dan Euclidean Distance. Hasil dari penelitian ini menunjukan bahwa klasifikasi menggunakan k-NN dengan menghitung jarak antar vector menggunakan Euclidean Distance menghasilkan ketepatan klasifikasi yang paling baik, dengan nilai Accuracy sebesar 93.2%, Precision sebesar 96.2%, Recall sebesar 95.2% dan F1-Score sebesar 92.6% dari pembandingan 30 dokumen (k=5) dengan masing-masing dokumen uji.