Article Per Year (5 Year)
p-Index From 2020 - 2025
1.363
P-Index
This Author published in this journals
All Journal JURIKOM (Jurnal Riset Komputer) MIND (Multimedia Artificial Intelligent Networking Database) Journal Jurnal Teknologi Terpadu Technologia: Jurnal Ilmiah Jurnal Sistem Komputer dan Informatika (JSON) Abdi Kami : Jurnal Pengabdian Kepada Masyarakat Jurnal Informatika Teknologi dan Sains (Jinteks)
Novita, Hilda Yulia
Unknown Affiliation
Religion Agriculture, Biological Sciences & Forestry Humanities Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Languange, Linguistic, Communication & Media Library & Information Science Other

Published : 8 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 8 Documents
Search

 1 
Evaluasi Algoritma Pembelajaran Terbimbing terhadap Dataset Penyakit Jantung yang telah Dilakukan Oversampling MASRURIYAH, ANIS FITRI NUR; NOVITA, HILDA YULIA; SUKMAWATI, CICI EMILIA; ARIF, SITI NOVIANTI NURAINI; RAMADHAN, ANGGA RAMDA
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 8, No 2 (2023): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v8i2.242-253

Abstract

AbstrakPenyakit jantung mengalami peningkatan setiap tahunnya dan menjadi penyebab kematian tertinggi di Indonesia, terutama pada usia produktif. Pola makan yang tidak seimbang dan gaya hidup tidak sehat menjadi faktor penyebab prevalensi penyakit jantung yang tinggi. Bidang ilmu kedokteran mulai beradaptasi dan mengandalkan model prediksi otomatis berbasis komputer untuk diagnosis secara tepat dan akurat. Data tentang penyakit jantung seringkali memiliki ketidakseimbangan, yaitu jumlah data pada kelas minoritas lebih kecil daripada kelas mayoritas. Oleh karena itu, teknik oversampling seperti SMOTE dan ADASYN digunakan untuk menangani masalah ini. Hasil dari penelitian ini Algoritma Random Forest Classifier menjadi model perbandingan terbaik dengan akurasi sekitar 90,71%. Penerapan teknik oversampling SMOTE + Random Forest, akurasi dapat meningkat hingga sekitar 94,54% dengan kurva ROC sebesar 98,4%. Model diagnosa yang akurat dapat menjadi media bagi tenaga medis untuk mengambil langkah pencegahan yang tepat dan meningkatkan kualitas perawatan pasien.Kata kunci: ADASYN, Klasifikasi, Pohon Keputusan, Regresi, SMOTEAbstractHeart disease is rapidly increasing in Indonesia and has become the primary cause of death, particularly among those in their productive years. The prevalence of heart disease is due to unhealthy lifestyle choices and an imbalanced diet. The medical field is relying more heavily on computer-based automatic prediction models to ensure precise and accurate diagnoses. However, data on heart disease is frequently imbalanced, with fewer cases in the minority class. To resolve this issue, oversampling techniques such as SMOTE and ADASYN have been implemented. The study demonstrates that the Random Forest Classifier Algorithm is the most effective comparison model, with an accuracy rate of approximately 90.71%. By implementing the SMOTE + Random Forest oversampling technique, the accuracy rate increased to around 94.54%, with a ROC curve of 98.4%. A highly accurate diagnostic model is essential for enabling medical personnel to take appropriate preventive measures and enhance the quality of patient care.Keywords: ADASYN, Classification, Decision Tree, Regresi, SMOTE
SOSIALISASI APLIKASI UNTUK MELAKUKAN DETEKSI DINI KECANDUAN PERMAINAN ONLINE PADA SISWA SMK N 1 KLARI KARAWANG Masruriyah, Anis Fitri Nur; Wahiddin, Deden; Novita, Hilda Yulia; Awal, Elsa Elvira
ABDI KAMI: Jurnal Pengabdian Kepada Masyarakat Vol 5 No 2 (2022): (Oktober 2022)
Publisher : LPPM Institut Agama Islam (IAI) Ibrahimy Genteng Banyuwangi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69552/abdi_kami.v5i2.1470

Abstract

The global COVID-19 pandemic has an impact on people's activities in the world, including in Indonesia. The policies of each country to overcome this condition also vary, one of which is the Indonesian government which imposes limited face-to-face activities offline. Many activities must be carried out online to minimize the transmission of COVID-19. Finally, this has an impact on many people who spend time with their gadgets to play permainans with cellphones, laptops or other electronic media. Playing permainans has benefits for relaxation from the fatigue of online activities, but if this continues it will result in permainan addiction. So that community service activities for the socialization of permainan addiction detection applications are carried out, so that users are able to control the use of devices when playing permainans. So, if an addiction is detected, you can ask experts for help, for school children you can have an initial consultation with a Counseling Guidance teacher.
Kajian Model Jaringan Syaraf Tiruan Untuk Memprediksi Secara Dini Tingkat Kelulusan Mahasiswa Rohana, Tatang; Nurlaelasari, Euis; Awal, Elsa Elvira; Novita, Hilda Yulia
Technologia : Jurnal Ilmiah Vol 15, No 4 (2024): Technologia (Oktober)
Publisher : Universitas Islam Kalimantan Muhammad Arsyad Al Banjari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31602/tji.v15i4.15583

Abstract

ABSTRAKMasalah: Penelitian ini terkait dengan kajian algoritma jaringan syaraf tiruan untuk memprediksi secara dini tingkat kelulusan mahasiswa. Tujuan: Tujuan penelitian untuk mendeteksi atau memprediksi tingkat kelulusan mahasiswa yang lulus  tepat waktu, sehingga hasilnya diharapkan bisa memberikan kontribusi bagi progam studi dalam menganalisa tingkat kelulusan mahasiswa.Metode: Algoritma yang dipakai meliputi Multilayer Perceptron, Support Vector Machine, dan Decision Tree. Kemudian akan dibandingkan algoritma mana yang memiliki tingkat akurasi yang terbaik dalam memprediksi tingkat kelulusan mahasiswa.Hasil: Berdasarkan hasil penelitian, model Decision Tree memiliki tingkat error rate yang paling baik yaitu 0, model Support Vector Machine sebesar 0.011, dan Multilayer Perceptron 0.029. Berdasarkan  hasil uji performansi dengan Confusion Matrix, model Multilayer Perceptron  memiliki akurasi sebesar 97,1%, Support Vector  Machine 98,9%, dan Decision Tree memiliki akurasi 100%.Kesimpulan: Model Decision Tree memiliki tingkat akurasi terbaik, sehingga algoritma tersebut bisa digunakan dalam membuat sistem  prediksi kelulusan mahasiswa tepat waktu. Untuk penelitian selanjutnya, disarankan untuk menambahkan lebih banyak data mahasiswa agar hasil penelitian bisa lebih baik. Variabel data set juga bisa diperluas tidak hanya dari aspek akademik mahasiswa, tetapi juga dari aspek non-akademik dan latar belakang ekonomi keluarga, seperti pendapatan orang tua, status pekerjaan mahasiswa, dan variabel lainnya.Kata kunci: Jaringan Syaraf, Prediksi, Multilayer Perceptron, Support Vector Machine, Decision Tree  
KLASIFIKASI JENIS BUAH TOMAT MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR DAN SUPPORT VECTOR MACHINE Niendha Biell Binna; Rohana, Tatang; Novita, Hilda Yulia; Faisal, Sutan
Jurnal Informatika Teknologi dan Sains (Jinteks) Vol 7 No 2 (2025): EDISI 24
Publisher : Program Studi Informatika Universitas Teknologi Sumbawa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51401/jinteks.v7i2.5743

Abstract

Tomat adalah salah satu jenis komoditas hortikultura yang cukup banyak di Indonesia dengan variasi bentuk, ukuran, dan warna. Pemilahan jenis tomat secara manual oleh petani maupun pedagang masih memiliki kelemahan, seperti keterbatasan fisik dan ketidakkonsistenan dalam klasifikasi. Tujuan dari penelitian ini adalah untuk mengembangkan sistem klasifikasi untuk jenis tomat. berbasis citra digital menggunakan metode Support Vector Machine (SVM) dan K-Nearest Neighbor (KNN). Proses klasifikasi dilakukan dengan mengekstraksi fitur warna dari kanal Hue (HSV), tekstur dari Gray-Level Co-occurrence Matrix (GLCM), dan bentuk dari kontur objek tomat. Dataset terdiri dari tiga jenis tomat, yaitu tomat ceri, tomat hijau, dan tomat sayur. Data melalui tahapan pra-pemrosesan sebelum dilakukan pelatihan dan pengujian model. Hasil evaluasi menunjukkan bahwa algoritma KNN menghasilkan akurasi 94,44%, sedangkan SVM mencapai akurasi sempurna sebesar 97,22%. Evaluasi dilakukan menggunakan metrik confusion matrix, akurasi, precision, recall, dan F1-score. Temuan ini mengindikasikan bahwa SVM memiliki keunggulan dalam mengklasifikasikan jenis tomat secara akurat, serta menunjukkan potensi besar penerapan teknologi klasifikasi citra dalam mendukung efisiensi proses pertanian modern
KLASTERING SPESIFIKASI DAN HARGA SMARTPHONE MENGGUNAKAN METODE FUZZY C-MEANS DAN PCA Butar Butar, Naomi Nova Meylica; Mudzakir, Tohirin Al; Novita, Hilda Yulia; Rohana, Tatang
Jurnal Informatika Teknologi dan Sains (Jinteks) Vol 7 No 2 (2025): EDISI 24
Publisher : Program Studi Informatika Universitas Teknologi Sumbawa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51401/jinteks.v7i2.5748

Abstract

Perkembangan pengguna smartphone yang pesat di Indonesia menuntut pendekatan segmentasi pasar yang lebih akurat, terutama terkait harga dan spesifikasi. Penelitian ini mengusulkan model klasterisasi menggunakan kombinasi Principal Component Analysis (PCA) dan Fuzzy C-Means (FCM) untuk memahami pola dalam data produk smartphone. Dataset diambil dari platform Kaggle dan mencakup berbagai atribut teknis seperti RAM, ROM, harga, baterai, serta fitur tambahan seperti dukungan 5G dan tipe perangkat (PRO/PLUS atau LITE). Melalui PCA, sembilan atribut direduksi menjadi empat komponen utama yang mampu mempertahankan 94% variasi data. FCM kemudian diterapkan untuk membentuk kelompok berdasarkan keanggotaan fuzzy, menghasilkan klasifikasi yang lebih fleksibel dan adaptif terhadap data yang tumpang tindih. Nilai Silhouette Score meningkat dari 0,57 menjadi 0,73 setelah reduksi dimensi, mengindikasikan kualitas pemisahan klaster yang lebih baik. Sebanyak sembilan klaster terbentuk, masing-masing mencerminkan segmen pasar mulai dari kelas entry-level hingga flagship. Hasil ini dapat menjadi acuan dalam perencanaan strategi pemasaran, pengembangan produk, dan pengambilan keputusan bisnis berbasis data.
Pengembangan Model Klasifikasi Jenis Pisang Menggunakan Convolutional Neural Network Dengan Arsitektur VGG16 Habibah, Nur Habibah; Mudzakir, Tohirin Al; Novita, Hilda Yulia; Fauzi, Ahmad
Jurnal Sistem Komputer dan Informatika (JSON) Vol 6, No 4 (2025): Juni 2025
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v6i4.8616

Abstract

Indonesia memiliki kekayaan varietas pisang yang melimpah, namun permasalahan utama yang dihadapi adalah kesulitan dalam mengidentifikasi dan mengklasifikasikan jenis-jenis pisang secara akurat, terutama karena kemiripan visual antar varietas. Proses identifikasi secara manual dinilai kurang efisien dan rawan kesalahan, terutama dalam skala besar. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi untuk lima jenis pisang, yaitu pisang ambon, pisang kapas, pisang nangka, pisang siam, dan pisang tanduk, menggunakan metode CNN berbasis arsitektur VGG16. Dataset yang digunakan terdiri dari 634 gambar pisang yang diperoleh melalui kamera smartphone dan telah melalui proses augmentasi serta normalisasi untuk meningkatkan keragaman data. Model dilatih dengan parameter learning rate 0,0001 batch size 32, dan epoch sebanyak 50. Hasil pelatihan akurasi mencapai 99,60% dan akurasi validasi sebesar 98,48%. Hasil evaluasi performa menggunakan confusion matrix dan matrix klasifikasi presisi, recall, dan F1-score menunjukan model memiliki kemampuan yang baik dalam menglasifikasikan jenis pisang dengan tingkat akurasi yang tinggi.
Komparasi Algoritma Machine Learning dalam Memprediksi Kapasitas Produksi Potensial Air Bersih di Indonesia Rohana, Tatang; Novita, Hilda Yulia; Nurlaelasari, Euis
Jurnal Teknologi Terpadu Vol 11 No 1 (2025): Juli, 2025
Publisher : LPPM STT Terpadu Nurul Fikri

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

Abstract

Clean water availability is a key indicator of sustainable development, particularly in developing countries like Indonesia. Factors such as population growth, climate change, and urbanization contribute to fluctuations in clean water supply. This study aims to estimate the potential for clean water production in Indonesia using various machine learning algorithms, such as Linear Regression, Decision Tree, Random Forest, Multilayer Perceptron, XGBoost (Extreme Gradient Boosting), and Neural Network. Each algorithm was evaluated based on Mean Squared Error (MSE), Mean Absolute Error (MAE), R-squared (R²), and prediction accuracy. The results show that Linear Regression achieved the lowest MSE (9.31E-18), nearly zero, indicating extremely accurate predictions. Neural Network and Multilayer Perceptron also performed well, with MSE values of 0.00010898 and 0.00018004, respectively. Moreover, Linear Regression and Neural Network achieved R² scores of 1 and 0.9905, suggesting they can explain nearly all variability in the target data. These findings highlight the effectiveness of Linear Regression, Neural Network, and Multilayer Perceptron in modeling clean water production capacity. Therefore, these algorithms are recommended as the most reliable approaches for supporting data-driven decisions in clean water resource planning and management in Indonesia.
Implementasi Algoritma Support Vector Machine (SVM) dan Random Forest Untuk Klasifikasi Penyakit Hipertensi Berdasarkan Data Kesehatan Azhaar, Siti Alia; Mudzakir, Tohirin Al; Novita, Hilda Yulia; Faisal, Sutan
JURIKOM (Jurnal Riset Komputer) Vol. 12 No. 4 (2025): Agustus 2025
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/jurikom.v12i4.8744

Abstract

One of the most common non-communicable diseases causing death in Indonesia is hypertension. At one community health center, the prevalence of hypertension is quite high. Based on examination results, more than 1,000 patients are diagnosed with hypertension each year. The issue faced at this health center is the lack of structured data classification for hypertensive and normal patients. The objective of this study is to compare the performance of the Support Vector Machine (SVM) and Random Forest (RF) algorithms in creating a hypertension classification model based on health examination data from the Anggadita Health Center. Data from 2,500 patients was collected and preprocessed, including handling missing values, removing duplicate data, transforming data using label encoding, and dividing the data into training and testing sets. The SVM method applied a Radial Basis Function (RBF) kernel, while the RF consisted of 100 decision trees. Evaluation was conducted using a confusion matrix to calculate accuracy, precision, recall, and F1-score. The results showed that the SVM method achieved an accuracy of 93%, precision of 0.96 (Normal) and 0.90 (Hypertension), and F1-scores of 0.94 and 0.92. Meanwhile, the RF model showed superior performance with an accuracy of 96%, precision of 0.97 (Normal) and 0.95 (Hypertension), and F1-scores of 0.97 and 0.95, respectively. Thus, the Random Forest algorithm performs better in classifying hypertension data and can be implemented as a tool to assist healthcare institutions in managing patient data.
Co-Authors ARIF, SITI NOVIANTI NURAINI Awal, Elsa Elvira Azhaar, Siti Alia Butar Butar, Naomi Nova Meylica Faisal, Sutan Fauzi Ahmad Muda Fitri Nur Masruriyah, Anis Habibah, Nur Habibah Mudzakir, Tohirin Al Niendha Biell Binna Nurlaelasari, Euis RAMADHAN, ANGGA RAMDA Rohana, Tatang Sukmawati, Cici Emilia Wahiddin, Deden