Garuda - Garba Rujukan Digital

Penerapan metode k-means clustering data COVID-19 di Provinsi Jakarta Untoro, Meida Cahyo; Anggraini, Leslie; Andini, Maria; Retnosari, Hesti; Nasrulloh, M. Anas
TEKNOLOGI: Jurnal Ilmiah Sistem Informasi Vol 11, No 2 (2021): July
Publisher : Universitas Pesantren Tinggi Darul 'Ulum (Unipdu) Jombang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26594/teknologi.v11i2.2323

The disease epidemic that attacked the respiratory area and was detected in Indonesia starting in early 2020 is the Corona Virus (COVID-19). This virus's spread is relatively easy, namely through droplets from infected patients, so that the spread is very rapid. This research was conducted to cluster the data on Covid-19 cases in Jakarta Province considering that Jakarta is the starting point for the first case of Corona in Indonesia and until now has become one of the most significant contributors to COVID-19 issues in Indonesia, namely as of December 2020 positive cases of Covid-19 reached 154,000. Souls with the healing of 139.0000 souls. The grouping was carried out based on positive and dead patients from each urban village in Jakarta Province. This study uses the k-means Method to cluster in the handling of COVID-19 cases with 2 clusters. Data distribution in cluster 1 consists of 173 data and 18 data in cluster 2. The use of k-means in this study provides information on areas with the highest and lowest number of positive cases and the highest and lowest cure rates that can be used as an evaluation in handling the Covid-virus 19.

Penerapan metode k-means clustering data COVID-19 di Provinsi Jakarta Untoro, Meida Cahyo; Anggraini, Leslie; Andini, Maria; Retnosari, Hesti; Nasrulloh, M. Anas
TEKNOLOGI: Jurnal Ilmiah Sistem Informasi Vol 11, No 2 (2021): July
Publisher : Universitas Pesantren Tinggi Darul 'Ulum (Unipdu) Jombang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26594/teknologi.v11i2.2323

The disease epidemic that attacked the respiratory area and was detected in Indonesia starting in early 2020 is the Corona Virus (COVID-19). This virus's spread is relatively easy, namely through droplets from infected patients, so that the spread is very rapid. This research was conducted to cluster the data on Covid-19 cases in Jakarta Province considering that Jakarta is the starting point for the first case of Corona in Indonesia and until now has become one of the most significant contributors to COVID-19 issues in Indonesia, namely as of December 2020 positive cases of Covid-19 reached 154,000. Souls with the healing of 139.0000 souls. The grouping was carried out based on positive and dead patients from each urban village in Jakarta Province. This study uses the k-means Method to cluster in the handling of COVID-19 cases with 2 clusters. Data distribution in cluster 1 consists of 173 data and 18 data in cluster 2. The use of k-means in this study provides information on areas with the highest and lowest number of positive cases and the highest and lowest cure rates that can be used as an evaluation in handling the Covid-virus 19.

Evaluasi Logistic Regression dan Neural Network pada Klasifikasi Gagal Jantung Berbasis Threshold Anggraini, Leslie; Akram Abdillah, Attar; Kartadilaga, Muhammad Qaessar; Verdiana, Miranti; Nugroho, Eko; Afriansyah, Aidil; Febrianto, Andre; Bagaskara, Radhinka
Jurnal Teknik Informatika UNIKA Santo Thomas Vol 10 No. 1 : Tahun 2025
Publisher : LPPM UNIKA Santo Thomas

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

Kardiovaskular adalah sistem jantung dan pembuluh darah dalam tubuh manusia yang bertanggung jawab atas sirkulasi darah dalam jantung, pembuluh darah, dan darah sendiri. Gangguan pada fungsi sistem ini dapat menyebabkan penyakit kardiovaskular, seperti gagal jantung, yang menjadi salah satu penyebab utama kematian di seluruh dunia. Kematian yang disebabkan oleh gagal jantung mempengaruhi 1.5 juta pasien di seluruh dunia. Dikarenakan oleh data statistik tersebut, maka ada kebutuhan untuk dapat memprediksi dampak gagal jantung untuk membantu tingkat kelangsungan hidup pasien. Sebagai bentuk kontribusi terhadap kebutuhan tersebut, penelitian ini akan menganalisis sebuah dataset pelayanan kesehatan, yaitu dataset rekam gagal jantung dari UCI. Dataset tersebut akan digunakan untuk mengklasifikasi dan memprediksi peluang kematian dari pasien gagal jantung. Kami akan membandingkan antara dua metode klasifikasi dari machine learning, yaitu Logistic Regression (LR), dan deep learning, yaitu Shallow Neural Network (SNN). Mutual Information (MI) dipilih sebagai metode pemilihan fitur. Hasil menunjukkan bahwa SNN menghasilkan akurasi lebih tinggi dengan skor 0.75, dibandingkan LR dengan akurasi sebesar 0.63.

Prediksi Penyakit Daun Pisang Menggunakan Metode LSTM (Long Short-Term Memory) Ba’its, Alfian Kafilah; Bagaskara, Radhinka; Setiawan, Andika; Yulita, Winda; Harmiansyah, Harmiansyah; Listiani, Amalia; Untoro, Meida Cahyo; Drantantiyas, Nike Dwi Grevika; Faisal, Amir; Anggraini, Leslie; Febrianto, Andre; Aprilianda, Mohamad Meazza; Fitrawan, Mhd. Kadar
Jurnal Teknik Informatika UNIKA Santo Thomas Vol 10 No. 1 : Tahun 2025
Publisher : LPPM UNIKA Santo Thomas

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

Dalam sektor pertanian, tanaman yang memiliki peran signifikan dalam skala global adalah pisang, yaitu buah yang mudah didapatkan, dapat tumbuh dimana saja, memiliki gizi yang tinggi, serta memiliki nilai ekonomi & budaya yang tinggi. Pisang mempunyai kontribusi yang signifikan terhadap pendapatan nasional Indonesia, terutama di Provinsi Lampung sebagai penghasil pisang nasional terbesar. Tetapi, proses produksi pisang seringkali mengalami kendala, salah satunya karena faktor serangan penyakit Black Sigatoka. Penyakit tersebut memberikan kerugian pada tanaman pisang, seperti daun yang meranggas, panen tertunda, bakal buah rontok, dan kualitas buah yang rendah, dan dapat menyebar melalui aliran udara atau percikan air hujan. Tingkat keparahan penyakit Black Sigatoka perlu diprediksi agar penyakit tersebut dapat dikontrol dan dapat dicegah sedini mungkin. Model yang digunakan untuk memprediksi permasalahan ini dalam jangka panjang adalah model Long Short-Term Memory (LSTM), salah satu jenis dari arsitektur Recurrent Neural Network (RNN), yang mempunyai kinerja yang baik dan mempunyai model yang prediktif. Aplikasi LSTM diterapkan terhadap dataset pohon pisang yang terdampak penyakit Black Sigatoka. Hasil dari model LSTM dalam melakukan prediksi penyakit Black Sigatoka menghasilkan model dengan nilai error yang kecil, dengan nilai MAE dan MAPE masing-masing sebesar 0.084 dan 5.7%

Analisis Hubungan dan Prediksi Depresi Mahasiswa Berdasarkan Faktor Akademik dan Gender Verdiana, Miranti; Dwi Nugroho, Eko; Anggraini, Leslie; Bagaskara, Radhinka; Yulita, Winda; Afriansyah, Aidil; Habib Algifari, Muhammad
Jurnal Teknik Informatika UNIKA Santo Thomas Vol 10 No. 1 : Tahun 2025
Publisher : LPPM UNIKA Santo Thomas

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

This study aims to analyze the level of depression among university students by examining gender and several academic indicators. The dataset includes responses from 27,901 students across various regions, with variables covering age, gender, academic pressure, study satisfaction, work/study hours, CGPA, and depression status. The analytical methods applied in this study include the chi-square test to eval_uate the association between gender and depression status, point-biserial correlation to examine relationships between numeric variables and depression, and logistic regression to develop a prediction model. The chi-square test results revealed no significant relationship between gender and depression (p = 0.774), indicating that depression affects both genders. In contrast, academic pressure exhibited the strongest correlation with depression status (r = 0.47), followed by work/study hours (r = 0.209) and study satisfaction (r = -0.168). The Logistic Regression model constructed using the four most relevant variables demonstrated satisfactory performance, achieving 75.5% accuracy and 82.1% recall in identifying students experiencing depression. These findings highlight the critical role of academic-related factors—particularly academic pressure—in influencing students’ mental health. Therefore, targeted academic support strategies are essential to mitigate depression risks in higher education environments. Keywords— Student Depression, Academic Pressure, Gender, Logistic Regression, Mental Health Prediction

Evaluasi Logistic Regression dan Neural Network pada Klasifikasi Gagal Jantung Berbasis Threshold Anggraini, Leslie; Akram Abdillah, Attar; Kartadilaga, Muhammad Qaessar; Verdiana, Miranti; Nugroho, Eko; Afriansyah, Aidil; Febrianto, Andre; Bagaskara, Radhinka
Jurnal Teknik Informatika UNIKA Santo Thomas Vol 10 No. 1 : Tahun 2025
Publisher : LPPM UNIKA Santo Thomas

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

Kardiovaskular adalah sistem jantung dan pembuluh darah dalam tubuh manusia yang bertanggung jawab atas sirkulasi darah dalam jantung, pembuluh darah, dan darah sendiri. Gangguan pada fungsi sistem ini dapat menyebabkan penyakit kardiovaskular, seperti gagal jantung, yang menjadi salah satu penyebab utama kematian di seluruh dunia. Kematian yang disebabkan oleh gagal jantung mempengaruhi 1.5 juta pasien di seluruh dunia. Dikarenakan oleh data statistik tersebut, maka ada kebutuhan untuk dapat memprediksi dampak gagal jantung untuk membantu tingkat kelangsungan hidup pasien. Sebagai bentuk kontribusi terhadap kebutuhan tersebut, penelitian ini akan menganalisis sebuah dataset pelayanan kesehatan, yaitu dataset rekam gagal jantung dari UCI. Dataset tersebut akan digunakan untuk mengklasifikasi dan memprediksi peluang kematian dari pasien gagal jantung. Kami akan membandingkan antara dua metode klasifikasi dari machine learning, yaitu Logistic Regression (LR), dan deep learning, yaitu Shallow Neural Network (SNN). Mutual Information (MI) dipilih sebagai metode pemilihan fitur. Hasil menunjukkan bahwa SNN menghasilkan akurasi lebih tinggi dengan skor 0.75, dibandingkan LR dengan akurasi sebesar 0.63.

Prediksi Penyakit Daun Pisang Menggunakan Metode LSTM (Long Short-Term Memory) Ba’its, Alfian Kafilah; Bagaskara, Radhinka; Setiawan, Andika; Yulita, Winda; Harmiansyah, Harmiansyah; Listiani, Amalia; Untoro, Meida Cahyo; Drantantiyas, Nike Dwi Grevika; Faisal, Amir; Anggraini, Leslie; Febrianto, Andre; Aprilianda, Mohamad Meazza; Fitrawan, Mhd. Kadar
Jurnal Teknik Informatika UNIKA Santo Thomas Vol 10 No. 1 : Tahun 2025
Publisher : LPPM UNIKA Santo Thomas

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

Dalam sektor pertanian, tanaman yang memiliki peran signifikan dalam skala global adalah pisang, yaitu buah yang mudah didapatkan, dapat tumbuh dimana saja, memiliki gizi yang tinggi, serta memiliki nilai ekonomi & budaya yang tinggi. Pisang mempunyai kontribusi yang signifikan terhadap pendapatan nasional Indonesia, terutama di Provinsi Lampung sebagai penghasil pisang nasional terbesar. Tetapi, proses produksi pisang seringkali mengalami kendala, salah satunya karena faktor serangan penyakit Black Sigatoka. Penyakit tersebut memberikan kerugian pada tanaman pisang, seperti daun yang meranggas, panen tertunda, bakal buah rontok, dan kualitas buah yang rendah, dan dapat menyebar melalui aliran udara atau percikan air hujan. Tingkat keparahan penyakit Black Sigatoka perlu diprediksi agar penyakit tersebut dapat dikontrol dan dapat dicegah sedini mungkin. Model yang digunakan untuk memprediksi permasalahan ini dalam jangka panjang adalah model Long Short-Term Memory (LSTM), salah satu jenis dari arsitektur Recurrent Neural Network (RNN), yang mempunyai kinerja yang baik dan mempunyai model yang prediktif. Aplikasi LSTM diterapkan terhadap dataset pohon pisang yang terdampak penyakit Black Sigatoka. Hasil dari model LSTM dalam melakukan prediksi penyakit Black Sigatoka menghasilkan model dengan nilai error yang kecil, dengan nilai MAE dan MAPE masing-masing sebesar 0.084 dan 5.7%

Analisis Hubungan dan Prediksi Depresi Mahasiswa Berdasarkan Faktor Akademik dan Gender Verdiana, Miranti; Dwi Nugroho, Eko; Anggraini, Leslie; Bagaskara, Radhinka; Yulita, Winda; Afriansyah, Aidil; Habib Algifari, Muhammad
Jurnal Teknik Informatika UNIKA Santo Thomas Vol 10 No. 1 : Tahun 2025
Publisher : LPPM UNIKA Santo Thomas

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

This study aims to analyze the level of depression among university students by examining gender and several academic indicators. The dataset includes responses from 27,901 students across various regions, with variables covering age, gender, academic pressure, study satisfaction, work/study hours, CGPA, and depression status. The analytical methods applied in this study include the chi-square test to eval_uate the association between gender and depression status, point-biserial correlation to examine relationships between numeric variables and depression, and logistic regression to develop a prediction model. The chi-square test results revealed no significant relationship between gender and depression (p = 0.774), indicating that depression affects both genders. In contrast, academic pressure exhibited the strongest correlation with depression status (r = 0.47), followed by work/study hours (r = 0.209) and study satisfaction (r = -0.168). The Logistic Regression model constructed using the four most relevant variables demonstrated satisfactory performance, achieving 75.5% accuracy and 82.1% recall in identifying students experiencing depression. These findings highlight the critical role of academic-related factors—particularly academic pressure—in influencing students’ mental health. Therefore, targeted academic support strategies are essential to mitigate depression risks in higher education environments. Keywords— Student Depression, Academic Pressure, Gender, Logistic Regression, Mental Health Prediction

Title

Found 8 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 8 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 8 Documents
Search