Article Per Year (5 Year)
p-Index From 2020 - 2025
1.434
P-Index
This Author published in this journals
All Journal Jurnal Tekinkom (Teknik Informasi dan Komputer) Journal of Computer System and Informatics (JoSYC) Jurnal Computer Science and Information Technology (CoSciTech) Jurnal Media Informatika International Journal of Public Health Excellence (IJPHE) Internet of Things and Artificial Intelligence Journal International Journal of Community Service (IJCS)
Fadillah, Riszki
Unknown Affiliation
Religion Aerospace Engineering Agriculture, Biological Sciences & Forestry Arts Humanities Astronomy Automotive Engineering Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Immunology & microbiology Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Medicine & Pharmacology Neuroscience Nursing Physics Public Health Social Sciences Transportation Veterinary Other

Published : 9 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : Jurnal Media Informatika

 1 
Penerapan Metode K-Means Clustering untuk Klasifikasi Efek Samping Penggunaan Obat ARV pada Pasien HIV di Puskesmas Fadillah, Riszki; Fitriyani, Intan Nur
Jurnal Media Informatika Vol. 6 No. 1 (2024): Jurnal Media Informatika Edisi September - Desember
Publisher : Lembaga Dongan Dosen

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

Abstract

Pola efek samping yang dialami pasien HIV yang menjalani terapi antiretroviral (ARV) menggunakan metode K-Means Clustering. Data yang digunakan berasal dari rekam medis pasien di puskesmas, yang mencakup informasi tentang usia pasien, jenis efek samping, durasi terapi ARV, dan pola penggunaan obat ARV. Metode Elbow dan Silhouette Score digunakan untuk menentukan jumlah cluster optimal, yang menghasilkan tiga cluster dengan tingkat pemisahan yang baik. Cluster pertama mencakup pasien dengan efek samping ringan dan durasi terapi pendek (kurang dari 6 bulan), cluster kedua berisi pasien dengan efek samping sedang dan durasi terapi menengah (6-12 bulan), sementara cluster ketiga meliputi pasien dengan efek samping berat dan durasi terapi lebih panjang (>12 bulan). Hasil clustering ini memberikan wawasan penting untuk perencanaan intervensi medis yang lebih tepat sasaran, seperti pemantauan rutin untuk cluster 1, pendekatan khusus untuk cluster 2, dan perhatian medis intensif untuk cluster 3. Visualisasi data dengan scatter plot mengilustrasikan hubungan antara keparahan efek samping dan durasi terapi, memudahkan pemahaman tentang pola distribusi pasien yang mengalami efek samping ARV. Temuan ini diharapkan dapat meningkatkan kualitas perawatan dan kepatuhan pasien terhadap terapi ARV.
Penerapan Naive Bayes untuk Identifikasi Keterlambatan Perkembangan Anak Berdasarkan Data Kesehatan pada Program Studi Kebidanan Sirait, Fahruzi; Sakti Tanjung, Rani Darma; Tusakdiyah Harahap, Halimah; Fadillah, Riszki
Jurnal Media Informatika Vol. 6 No. 1 (2024): Jurnal Media Informatika Edisi September - Desember
Publisher : Lembaga Dongan Dosen

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

Abstract

Penelitian ini berfokus pada pemantauan perkembangan anak, yang merupakan aspek penting dalam kesehatan anak, terutama pada masa emas (golden period) perkembangan. Keterlambatan perkembangan anak sering kali tidak terdeteksi secara dini, yang dapat berdampak negatif pada kualitas hidup mereka di masa depan. Penelitian ini bertujuan untuk mengeksplorasi penerapan metode Naive Bayes dalam mengidentifikasi keterlambatan perkembangan anak berdasarkan data kesehatan yang tersedia. Dengan menggunakan pendekatan kuantitatif dan eksperimen, penelitian ini menganalisis data dari rekam medis, hasil pemeriksaan kebidanan, serta informasi tambahan dari orang tua. Metode Naive Bayes dipilih karena kemampuannya dalam mengolah data besar dan memberikan klasifikasi yang akurat dengan cepat. Hasil penelitian menunjukkan bahwa algoritma Naive Bayes dapat digunakan untuk mengklasifikasikan status perkembangan anak ke dalam kategori normal atau terlambat dengan tingkat akurasi yang tinggi. Dengan memanfaatkan sistem informasi kesehatan, tenaga medis dapat lebih mudah mengakses dan menganalisis data kesehatan anak, sehingga memungkinkan deteksi dini terhadap keterlambatan perkembangan. Penelitian ini diharapkan dapat memberikan kontribusi signifikan dalam meningkatkan efektivitas pemantauan kesehatan anak dan mendukung intervensi yang tepat waktu. Selain itu, temuan ini juga membuka peluang untuk pengembangan lebih lanjut dalam penerapan teknologi informasi di bidang kebidanan dan kesehatan anak, dengan fokus pada peningkatan kualitas layanan kesehatan secara keseluruhan
Perbandingan Algoritma Naïve Bayes, C4.5, dan K-Nearest Neighbor untuk Klasifikasi Kelayakan Program Keluarga Harapan Ramadani, Putri; Fadillah, Riszki; Adawiyah, Quratih; Suerni, Suerni; Al Ghazali, Baginda Restu
Jurnal Media Informatika Vol. 6 No. 1 (2024): Jurnal Media Informatika Edisi September - Desember
Publisher : Lembaga Dongan Dosen

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55338/jumin.v6i1.6083

Abstract

Penelitian ini bertujuan membandingkan kinerja tiga algoritma klasifikasi—Naïve Bayes, C4.5, dan K-Nearest Neighbor (K-NN)—dalam menentukan kelayakan penerima Program Keluarga Harapan (PKH) di Rantau Prapat. Dataset terdiri dari 109 data keluarga dengan variabel seperti pendapatan, jumlah tanggungan, status pekerjaan, dan kepemilikan aset. Pengolahan dan analisis data dilakukan menggunakan RapidMiner Studio, dengan evaluasi kinerja berdasarkan akurasi, presisi, recall, dan Area Under Curve (AUC). Hasil penelitian menunjukkan bahwa algoritma C4.5 memberikan kinerja terbaik dengan akurasi 91,8%, presisi 90,7%, recall 92,3%, dan AUC 0,944. Naïve Bayes mencatat akurasi 87,2% dan recall 88,9%, sedangkan K-NN menghasilkan akurasi 89,9% dan recall 91,1%, namun memerlukan komputasi lebih tinggi. Temuan ini menunjukkan bahwa C4.5 lebih efektif dalam mengklasifikasikan kelayakan penerima PKH secara akurat dan efisien. Penelitian ini menegaskan potensi algoritma machine learning dalam mendukung pengambilan keputusan pada program bantuan sosial. Studi lanjutan disarankan untuk memperluas cakupan data dan mengeksplorasi metode klasifikasi lainnya guna optimalisasi distribusi bantuan.
Co-Authors Adawiyah, Quratih Al Ghazali, Baginda Restu D, Novica Jolyarni INTAN NUR FITRIYANI JOLYARNI D, NOVICA Mesran, Mesran Purwanto, Juni Ramadani, Putri Ramadani, Ramadani Sakti Tanjung, Rani Darma Sarjon Defit Sirait, Fahruzi Suerni, Suerni Sumijan Tanjung, Rani Darma Sakti Tusakdiyah Harahap, Halimah Tusakdiyah, Halimah Wahyu, Riski Ferita