Article Per Year (5 Year)
p-Index From 2021 - 2026
3.37
P-Index
This Author published in this journals
All Journal Jurnal technoscientia Infotech Journal Jurnal Informasi dan Komputer Jurnal Informatika dan Rekayasa Perangkat Lunak INTERNAL (Information System Journal) JURNAL TEKNOLOGI TECHNOSCIENTIA Prosiding Seminar Nasional Sisfotek (Sistem Informasi dan Teknologi Informasi) Journal of Artificial Intelligence and Engineering Applications (JAIEA) Journal of Scientech Research and Development Jurnal Sistem Informasi dan Teknologi (SINTEK) Jurnal Teknik Mesin, Industri, Elektro dan Informatika Journal of Student Research AMMA : Jurnal Pengabdian Masyarakat INTERNAL (Information System Journal) Sintek Kuwera
Nana Suarna
Unknown Affiliation
Humanities Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Chemistry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Mathematics Mechanical Engineering Nursing Public Health Social Sciences Other

Published : 23 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 23 Documents
Search

 1   2   3 
Model Machine Learning Untuk Prediksi Risiko Penyakit Liver Dengan Random Forest Teroptimasi Rizky Andrea Arifa; Nana Suarna; Agus Bahtiar; Nining Rahaningsih; Willy Prihartono
Jurnal Sistem Informasi dan Teknologi Vol 6 No 1 (2026): Jurnal Sistem Informasi dan Teknologi (SINTEK)
Publisher : LPPM STMIK KUWERA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56995/sintek.v6i1.204

Abstract

Penyakit liver merupakan salah satu kondisi kronis dengan tingkat mortalitas tinggi, sehingga diperlukan pendekatan prediksi yang akurat untuk mendukung deteksi dini. Penelitian ini bertujuan mengembangkan model machine learning untuk memprediksi risiko penyakit liver menggunakan algoritma Random Forest yang dioptimalkan dengan RandomizedSearchCV. Dataset yang digunakan terdiri dari 1.700 entri yang mencakup variabel klinis dan gaya hidup, termasuk usia, jenis kelamin, BMI, konsumsi alkohol, kebiasaan merokok, riwayat genetik, aktivitas fisik, diabetes, hipertensi, serta hasil Liver Function Test. Proses penelitian meliputi preprocessing, normalisasi skala, pembagian data menggunakan train-test split 80:20, pembangunan model baseline, dan optimasi hiperparameter. Hasil eksperimen menunjukkan bahwa optimasi menghasilkan peningkatan performa model, dengan akurasi 0.91, peningkatan recall sebesar 3.20%, dan AUC-ROC mencapai 0.96. Analisis feature importance menunjukkan bahwa LiverFunctionTest, BMI, dan AlcoholConsumption merupakan fitur paling berpengaruh terhadap prediksi risiko penyakit liver. Dengan demikian, Random Forest teroptimasi terbukti efektif dalam menghasilkan model prediksi yang akurat dan dapat digunakan sebagai alat pendukung keputusan dalam deteksi dini penyakit liver.
Analisis Dan Prediksi Risiko Kelahiran Bayi Menggunakan K-Means Dan Deep Neural Network (DNN) Mukhlisin Ilahudin; Nana Suarna; Agus Bahtiar; Mulyawan; Irfan Ali
Jurnal Sistem Informasi dan Teknologi Vol 6 No 1 (2026): Jurnal Sistem Informasi dan Teknologi (SINTEK)
Publisher : LPPM STMIK KUWERA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56995/sintek.v6i1.206

Abstract

Risiko kelahiran bayi merupakan indikator penting dalam evaluasi kesehatan ibu dan anak sehingga diperlukan pendekatan analitis yang mampu mengidentifikasi pola risiko secara akurat. Penelitian ini bertujuan menganalisis dan memprediksi risiko kelahiran bayi dengan mengintegrasikan metode K-Means dan Deep Neural Network (DNN). Dataset yang digunakan terdiri dari 983 data rekam medis ibu hamil yang telah melalui tahap pengumpulan data, pembersihan, dan preprocessing meliputi normalisasi, encoding variabel kategorikal, penanganan outlier, serta seleksi fitur. Metode K-Means digunakan untuk mengelompokkan data berdasarkan kemiripan karakteristik klinis guna membentuk representasi pola risiko awal, yang selanjutnya digunakan sebagai fitur tambahan pada model DNN. Model DNN dirancang menggunakan beberapa hidden layer dengan fungsi aktivasi ReLU dan regularisasi dropout. Hasil pengujian menunjukkan bahwa model menghasilkan akurasi sebesar 61,93% dan nilai ROC AUC sebesar 0,6402, yang mengindikasikan performa moderat dalam memprediksi risiko kelahiran bayi. Stabilitas kurva loss dan akurasi menunjukkan proses pelatihan yang berjalan dengan baik tanpa overfitting signifikan. Secara praktis, model ini berpotensi digunakan sebagai alat bantu awal bagi tenaga kesehatan dalam mengidentifikasi ibu hamil dengan risiko kelahiran lebih tinggi sehingga dapat dilakukan pemantauan dan intervensi lebih dini.
Penerapan Algoritma K-Means Clustering Untuk Mengelompokan Siswa SMK Al-Ma’rifah Berdasarkan Kehadiran Dila Nurhafidilah; Nana Suarna; Agus Bahtiar; Umi Hayati; Fatihanursari Dikananda
Jurnal Sistem Informasi dan Teknologi Vol 6 No 1 (2026): Jurnal Sistem Informasi dan Teknologi (SINTEK)
Publisher : LPPM STMIK KUWERA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56995/sintek.v6i1.212

Abstract

Penelitian ini bertujuan untuk mengelompokkan siswa SMK Al-Ma’rifah berdasarkan pola kehadiran menggunakan algoritma K-Means Clustering. Data yang dianalisis merupakan catatan kehadiran siswa tahun ajaran 2023/2024 yang meliputi jumlah hadir, izin, sakit, alfa, dan persentase kehadiran. Tahapan pra-pemrosesan data dilakukan melalui pembersihan dan normalisasi sebelum proses clustering. Penentuan jumlah klaster optimal menggunakan Elbow Method dan Silhouette Coefficient menunjukkan bahwa tiga klaster merupakan struktur terbaik. Hasil pengelompokan menghasilkan tiga kategori siswa, yaitu sangat disiplin, cukup disiplin, dan kurang disiplin. Evaluasi kualitas klaster menggunakan Silhouette Score dan Davies–Bouldin Index menunjukkan pemisahan klaster yang baik. Penelitian ini membuktikan bahwa K-Means Clustering efektif dalam mengidentifikasi pola kehadiran siswa dan  dapat mendukung pengambilan keputusan sekolah berbasis data dalam meningkatkan kedisiplinan siswa.
Co-Authors Aby Febrian Ade Rizki Rinaldi agus bahtiar Ahmad Rifai Anita Anita Arif Rinaldi Dikananda Ayu Zulhijah Dadang Sudrajat Dendy Indriya Efendi Dila Nurhafidilah Dini Maryani Dodi Solihudin Euis Fadilah Fahmi Sulaiman Farah Nur Farida Fatihanursari Dikananda Gifthera Dwilestari Iin Irfan Ali Mukhlisin Ilahudin Mulyawan Musofi Musofi Nining Rahaningsih Puji Hartini Rizal Rayyan Firdaus Rizky Andrea Arifa Robi Rotika Siti Nur Illah Sumita Sumita Teguh Adrian Umi Hayati Willy Prihartono