p-Index From 2021 - 2026
7.496
P-Index
Claim Missing Document
Check
Articles

Aplikasi Berbasis Web Berdasarkan Model Klasifikasi Algoritma SVM dan Logistic Regression Terhadap Data Diabetes Nita Fitriyani; Dinda Resna Amalia; Hanny Hikmayanti Handayani; Anis Fitri Nur Masruriyah
REMIK: Riset dan E-Jurnal Manajemen Informatika Komputer Vol. 7 No. 4 (2023): Volume 7 Nomor 4 Oktober 2023
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/remik.v7i4.13001

Abstract

Berdasarkan International Diabetes Federation Atlas Tenth edisi 2021, jumlah penderita diabetes mencapai 537 juta orang dalam rentang usia 20-79 tahun. Jumlah penderita diabetes akan terus meningkat mencapai 643 juta pada tahun 2030, bahkan diperkirakan mencapai 783 juta pada tahun 2045. Diabetes tidak hanya menjadi penyebab 6,7 juta kematian, tetapi juga menguras dana kesehatan hingga 966 miliar USD. Tingkat kadar gula darah yang tinggi secara kronis menjadi tanda penyakit diabetes, keadaan ini terjadi ketika tubuh tidak mampu menghasilkan insulin secara efektif. Penelitian ini bertujuan untuk mengembangkan model klasifikasi penderita penyakit diabetes dengan membandingkan dua Algoritma, Support Vector Machine (SVM) dan Regresi Logistik. Dalam penelitian ini, model dievaluasi menggunakan metode K-Fold cross validation dengan membagi dataset menjadi 10 subset. Salah satu subset dipilih sebagai data uji, sementara subset lainnya digunakan sebagai data latih. Hasil penelitian menunjukkan bahwa klasifikasi terbaik diperoleh pada Algoritma SVM dengan teknik SMOTE. Model ini mencapai rata-rata accuracy sebesar 88,77%, precision 88,50%, dan recall 89,21%. Dengan demikian, model yang dikembangkan menggunakan Algoritma SVM dengan SMOTE dapat diimplementasikan ke dalam sebuah sistem klasifikasi penyakit diabetes. Pembuatan aplikasi ini ditujukan kepada pihak medis untuk membantu dalam menguatkan diagnosa pemeriksaan, apakah seseorang menderita penyakit diabetes atau tidak dengan tingkat akurasi yang baik.
SOSIALISASI HASIL PENELITIAN APLIKASI SISTEM PAKAR DIAGNOSA KECANDUAN GAME ONLINE MENGGUNAKAN METODE CERTAINTY FACTOR Elsa Elvira Awal; Deden Wahiddin; Anis Fitri Nur Masruriyah; Hilda Yulia Novita
Jurnal Pengabdian Masyarakat Nasional Vol 3, No 1 (2023)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/pemanas.v3i1.19974

Abstract

Semenjak pandemi Covid-19 masuk di Indonesia, hampir semua kegiatan dilakukan secara daring, termasuk pembelajaran dari tingkat sekolah dasar sampai universitas. Dampak dari pembelajaran daring adalah kebosanan pada peserta didik, oleh sebab itu peserta didik banyak yang melakukan kegiatan lain untuk menghilangkan kebosanan dengan bermain game online. Kondisi mental pada peserta didik rata-rata masih labil sehingga mudah lepas kontrol ketika sedang bermain game online, sehingga banyak peserta didik yang kecanduan game online. Adapun bentuk kegiatan sosialisasi ini dilakukan melalui pengarahan tentang pengetahuan dasar mengenai game, di antaranya dampak positif dan negatif game online. Maka pada kegiatan pengabdian kepada masyarajat ini akan dilakukan sosialisasi aplikasi deteksi kecanduan game online dengan menggunakan metode certainty factor. Hasil dari sosialisasi yang dilakukan pada SMK N 1 Klari adalah memberikan pemahaman terhadap siswa/siswi tentang game online serta memahami dampak berbahaya jika tidak disikapi dengan bijak. Dengan aplikasi yang kamu berikan diharapkan para siswa/siswi mampu menggunakan game dengan sewajarnya.
The Performance Comparison of Classification Algorithm in Order to Detecting Heart Disease Chepy Sonjaya; Anis Fitri Nur Masruriyah; Dwi Sulistya Kusumaningrum; Adi Rizky Pratama
INTERNAL (Information System Journal) Vol. 5 No. 2 (2022)
Publisher : Masoem University

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

Abstract

Heart disease in Indonesia, especially in the productive age, there is always an increase in the number of cases. The main cause of the increase in the number of heart patients is an unhealthy lifestyle and diet. The increase in patients with heart disease also has an impact on decreasing the standard of living. With this in mind, there is a need for research related to comparing classification methods on heart disease datasets. The dataset obtained is not balanced so that an oversampling technique is needed. The oversampling technique used is SMOTE. This research method uses Support Vector Machine (SVM) and Logistic Regression (LR). In order for this research method to be applied successfully, the data acquisition, data pre-processing and data transformation techniques are used to ensure accurate results. The model evaluation technique used is K-Fold Cross Validation. Based on the results of the analysis, it showed that the data partition using k-fold cross validation without oversampling gets the same accuracy value but the precision value is quite low. Conversely, if using the SMOTE technique, the accuracy value is as good as the precision value. The results of the SVM accuracy value get a value of 91.69%. LR is 91.76%. While the results of the SVM precision value of 57.81% and LR 54.82%. If using the SVM oversampling technique, the score is 75.79% and the LR is 75.84%. Meanwhile, the precision value obtained in SVM is 75.74%. At LR by 74.77%.
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
Prediksi Penyakit Blas Pada Tanaman Padi dengan Model Spatial Multi-Criteria Evaluation (SMCE) Berbasis Mobile Emilia Sukmawati, Cici Emilia Sukmawati; Risky Pratama, Adi; Fitri Nur Masruriyah, Anis
SYNTAX Jurnal Informatika Vol 12 No 02 (2023): Oktober 2023
Publisher : Universitas Singaperbangsa Karawang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35706/syji.v12i02.9945

Abstract

Penyakit blas pada tanaman padi merupakan permasalahan serius yang mengancam hasil panen petani. Untuk mengatasi masalah ini, penelitian ini mengembangkan model SMCE berbasis mobile. Model ini memungkinkan petani untuk melakukan prediksi potensi serangan penyakit blas pada tanaman padi dengan menggunakan smartphone atau tablet. Dengan model ini, petani dapat memasukkan data lingkungan dan informasi varietas padi, dan menerima hasil prediksi serta rekomendasi pengendalian penyakit. Hasil implementasi model ini adalah peningkatan produksi padi dan pengurangan kerugian akibat serangan penyakit blas. Konsekuensinya adalah peningkatan kesejahteraan petani dan ketahanan pangan yang lebih baik.
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.
Improving Diabetes Prediction Accuracy in Indonesia: A Comparative Analysis of SVM, Logistic Regression, and Naive Bayes with SMOTE and ADASYN Rahmawati, Selly; Wibowo, Arief; Masruriyah, Anis Fitri Nur
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 8 No 5 (2024): October 2024
Publisher : Ikatan Ahli Informatika Indonesia (IAII)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29207/resti.v8i5.5980

Abstract

This study aims to enhance the accuracy of diabetes prediction models in Indonesia by comparing the performance of Support Vector Machines (SVM), Logistic Regression, and Naïve Bayes algorithms, both with and without synthetic oversampling techniques such as SMOTE and ADASYN. The research addresses the issue of imbalanced datasets in medical diagnostics, specifically in predicting diabetes among Indonesian patients, where such imbalance often leads to biased predictions. A comprehensive dataset comprising 657 patient records from a Regional General Hospital in Indonesia was used, with 70% of the data allocated for training and 30% for testing. The results indicate that the SVM model combined with SMOTE achieved the highest accuracy of 95.8% and an AUC of 99.1, underscoring the effectiveness of these techniques in improving prediction performance. The findings of this study highlight the importance of selecting appropriate oversampling methods and algorithms to optimize diabetes prediction accuracy in the Indonesian context, providing valuable insights for future healthcare strategies.
KLASTERISASI KABUPATEN DAN KOTA DI JAWA BARAT DALAM KASUS GIZI BURUK MENGGUNAKAN ALGORITMA K-MEANS DAN K-MEDOIDS Fadzly Maulana Hidayat; Tatang Rohana; Euis Nurlaelasari; Anis Fitri Nur Masruriyah
Jurnal Tekinkom (Teknik Informasi dan Komputer) Vol 7 No 1 (2024)
Publisher : Politeknik Bisnis Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37600/tekinkom.v7i1.1387

Abstract

Malnutrition is a disease whose incidence in Indonesia is increasing. Based on data from West Java Province, in 2019-2022 there were 1,986,890 toddlers who experienced nutritional problems. This high figure shows that the problem of malnutrition has not received adequate attention. This research will group districts and cities in West Java into three clusters. Cluster 1 (high), cluster 2 (medium), and cluster 3 (low) are based on the number of toddlers affected by malnutrition. It is hoped that this research can help the government in making decisions to overcome nutritional problems in West Java. The results of research on clustering cases of malnutrition in West Java using the K-Means algorithm include 3 clusters, Cluster 1 (high) which consists of 16 city districts. Cluster 2 (medium) consists of 10 city districts, Cluster 3 (low), while in the K-Medoids algorithm Cluster 1 (high) consists of 10 city districts. Cluster 2 (medium) consists of 4 city districts. Cluster 3 (low) consists of 13 districts and cities. The comparison results show that the K-Means algorithm is better using 3 clusters based on evaluation using the Silhouette Coefficient with a value of 0.617
Analisis Sentimen Pada Komentar Instagram Provider By.U Menggunakan Metode K-Nearest Neighbors (KNN) Alvionika, Nindy; Faisal, Sutan; Rahmat, Rahmat; Masruriyah, Anis Fitri Nur
Jurnal Algoritma Vol 21 No 2 (2024): Jurnal Algoritma
Publisher : Institut Teknologi Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33364/algoritma/v.21-2.1672

Abstract

Kehadiran internet dari berbagai penyedia layanan menjadi semakin beragam, menuntut kualitas unggul untuk memenuhi kebutuhan pengguna. Salah satu penyedia layanan internet terkemuka dan terbesar di Indonesia yaitu Telkomsel, yang kini memiliki sub-brand bernama By.U. By.U resmi diperkenalkan pada 10 Oktober 2019 dan merupakan salah satu ISP (Internet Service Provider) pertama di Indonesia yang menawarkan pengalaman digital secara (E2E) End-To-End pada seluruh aspek kebutuhan telekomunikasi. Pengalaman digital (E2E) pada By.U memudahkan pengguna untuk memilih metode pengiriman kartu perdana hingga menentukan nomor telepon By.U, membeli paket data, dan menyelesaikan proses pembayaran. Menganalisis sentimen dapat mengidentifikasi representasi opini pengguna berdasarkan pengalaman pengguna By.U. Metode K-Nearest Neighbors yang akan digunakan dalam penelitian ini. Berdasarkan penelitian yang telah dilakukan, hasil akurasi menggunakan algoritma K-Nearest Neighbors sebesar 73 persen. Hasil pada topic modelling yang dilakukan menggunakan Latent Dirichlet Allocation diketahui tema yang dibahas pada topik 1 yaitu menggambarkan mengenai information data telekomunikasi, pada topik 2 mengenai pendaftaran sim card, topik 3 mencakup berbagai masalah yang berkaitan dengan paket internet, aplikasi, dan transaksi. Hasil analisis sentimen menunjukkan bahwa penelitian ini mengalami kesulitan dalam memprediksi sentimen, tidak ada prediksi yang akurat untuk kelas positif, netral dan negatif. Hal ini menunjukkan bahwa penelitian harus ditingkatkan dan dilatih dengan menggunakan sampel yang lebih besar untuk prediksi sentimen.
Refining Diabetes Diagnosis Models: The Impact of SMOTE on SVM, Logistic Regression, and Naïve Bayes Wibowo, Arief; Masruriyah, Anis Fitri Nur; Rahmawati, Selly
Journal of Electronics, Electromedical Engineering, and Medical Informatics Vol 7 No 1 (2025): January
Publisher : Department of Electromedical Engineering, POLTEKKES KEMENKES SURABAYA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35882/jeeemi.v7i1.596

Abstract

Accurate diabetes classification is a significant challenge in medical diagnostics, especially in imbalanced datasets. This study addresses this issue by introducing A New Modified Weighted SMOTE (ANMWS), integrated with Priority of Attribute by Expert Judgement (PAEJ) framework, to enhance the performance of machine learning models for imbalanced data. PAEJ categorizes attributes into three levels—high, medium and low priority—based on expert knowledge, while ANMWS applies weighted oversampling using these priority levels to generate synthetic data more representative of real-world cases. The proposed method was evaluated using three algorithms: Support Vector Machine (SVM), Logistic Regression, and Naïve Bayes. Results indicate that applying ANMWS algorithm with PAEJ framework significantly improved predictive performance, with AUC values increasing to 0.995 for SVM, 0.993 for Logistic Regression, and 0.990 for Naïve Bayes, compared to 0.980, 0.978, and 0.975, respectively, using standard SMOTE. Additionally, precision and recall for SVM improved by 5% and 7%, respectively. These findings demonstrate the critical role of ANMWS algorithm and PAEJ framework in addressing class imbalance, providing a reliable method for early diabetes diagnosis and informed clinical decision-making.
Co-Authors Ade Hikma Tiana Ade Hikma Tiana Adhi Rizal Adi Rizky Pratama Ahmad Fauzi Ahmad Fauzi Alvionika, Nindy Amril Siregar ANANDA, MUHAMMAD DWI Anton Junior Anton Romadoni Junior April Lia Hananto Arief Wibowo ARIF, SITI NOVIANTI NURAINI Arphilia Nur Rani Asep Maulana Asep Maulana, Asep Awal, Elsa Elvira Ayu Mika Sherila Bambang Saras Yulistiawan Bobby Suryo Prakoso Budi Arif Dermawan Chepy Sonjaya dasmadi, dasmadi Deden Wahiddin Deden Wahiddin Deny Maulana Dexi Triadinda Dinda Resna Amalia Dwi Sulistya Kusumaningrum Dwi Vina Wijaya Elsa Elvira Awal Elsa Elvira Awal Emilia Sukmawati, Cici Emilia Sukmawati Euis Nurlaelasari Fadzly Maulana Hidayat Faisal, Sutan Gugy Guztaman Munzi Gugy Guztaman Munzy Hanny Handayani Hanny Hikmayanti Handayani Hastari, Nazwa Putri Hilda Yulia Novita Hilda Yulia Novita Hilda Yulia Novita Indra, Jamaludin Juwita, Ayu Ratna KARENINA NURMELITA MALIK MALIK, KARENINA NURMELITA Maman Suherman Maman Suherman Mardiah MARDIAH MARDIAH Mardiah MARDIAH Mardiah Mardiah Mia Mia Mudzakir, Tohirin Al Muhammad Baharudin Muhammad Cesar Afriansyah Arief MUHAMMAD DWI ANANDA Ni Putu Devira Ayu Martini Nita Fitriyani Nita, yustina Novalia, Elfina Novita, Hilda Yulia Nunung Nurjanah Nurmayanti, Trisya Permana, Tedi Prakoso, Bobby Suryo Prasetyo Ajie Prasetyo Ajie Prasetyo, Rizky Tito Rahmat Hidayat Rahmat Rahmat RAMADHAN, ANGGA RAMDA Risky Pratama, Adi Riyandi Aditya Fitrah Rizky Tito Prasetyo Rizky Tito Prasetyo Rohana, Tatang Ryan Gusti Nugraha Sanggi Bayu Ardika Selly Rahmawati Septiany, Eva Senia Silvia Anggraeni Siregar, Amril Mutoi Siti Robiah Sukmawati, Cici Emilia Syahrul Azis Tania Puspa Rahayu Sanjaya Tatang Rohana Tejayanda, Rigger Damaiarta Tiana, Ade Hikma Tri Denda Ulfa Amelia Vina Sari Yosephine Wahiddin, Deden Widiharto, Banani Yana Cahyana Yogi Alfiansah Yogi Firman Alfiansyah