Claim Missing Document
Check
Articles

Found 13 Documents
Search

Inovasi Pembelajaran di Era Digital: Pelatihan Media Interaktif untuk Meningkatkan Kualitas Pendidikan di SD Negeri Singopuran 03 Rosyidi, Afnan; Purwidiantoro, Moch. Hari; Lashwaty, Nina Dewi; Agustin, Tinuk; Rihastuti, Siti
JAMU : Jurnal Abdi Masyarakat UMUS Vol. 4 No. 02 (2024): Februari
Publisher : LPPM Universitas Muhadi Setiabudi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46772/jamu.v4i02.1450

Abstract

SDN Singopuran 03 yang memiliki lokasi dekat kampus STMIK Amikom Surakarta memiliki masalah bahwa semua ruang kelas telah dilengkapi dengan LCD dan setiap guru dibekali dengan sebuah laptop tetapi hanya sedikit guru yang telah mampu menggunakan power point sebagai media pembelajaran. Kegiatan PKM ini bertujuan untuk meningkatkan skill para guru SDN Singopuran 03 dalam menggunakan power point sebagai media pembelajaran interaktif. Digunakan perencanaan, observasi dan wawancara sebagai metode dalam melaksanakan kegiatan PKM. Hasil yang diperoleh para peserta menjadi lebih memahami pentingnya penggunaan media pembelajaran interaktif power point dalam kegiatan belajar mengajar. Pada saat pelatihan semua peserta langsung melaksansakan instruksi pemateri dalam tutorial pembuatan powerr point. Saat pelatihan berakhir para peserta dinilai telah mampu menerapkan pembelajaran interaktif menggunakan power point dalam pembuatan materi bagi siswa.
Implementasi K-Nearest Neighbours Dengan Google Collab Untuk Klasifikasi Penyakit Kanker Payudara Rihastuti, Siti; Rosyidi, Afnan; Handoko, Handoko
JURNAL TEKNOLOGI INFORMASI Vol 10, No 2 (2024): Jurnal Teknologi Informasi
Publisher : Universitas Respati Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52643/jti.v10i2.5223

Abstract

Penelitian ini bertujuan untuik mengklasifikasi penyakit kanker payudara berdasarkan dataset pasien penderita penyakit kanker payudara menggunakan model K-Nearest Neigbors dan pengujian menggunakan Google Colab. Kanker payudara adalah salah satu jenis kanker yang paling umum di kalangan wanita dan deteksi dini sangat penting untuk meningkatkan peluang kesembuhan bagi penderitanya. Sebanyak 569 record dataset penyakit kanker payudara digunakan yang diambil dari situs kaggle. Terdapat 32 variabel yang ada didalam kriteria dataset yang akan diuji. Model KNN diterapkan dengan menentukan nilai K = 1 hingga 20. Dari hasil pengujian menggunakan KNN dan Google Colab terhadap dataset diperoleh nilai akurasi tertinggi sebesar 96.49% dengan nilai K=9. Akurasi cenderung stabil dan memiliki selisih yang sedikit mulai dari K=3 hingga K =20. Nilai presisi tertinggi terdapat pada angka 97,18% dengan beberapa nilai K=4, 6, 8, 9, dan K=10. Nilai recall dan F1-score tertinggi sebesar 97.18% pada K=9. Perolehan nilai akurasi, presisi, recall dan F1-score yang tinggi dan cukup stabil mampu mendeteksi kasus kanker payudara dengan tingkat akurasi yang baik. Nilai F1-score yang tinggi menunjukkan bahwa model KNN memiliki keseimbangan yang baik antara precision (ketepatan dalam memprediksi secara akurat) dan recall (sensitivitas dalam mengukur kinerja model dalam memprediksi kasus kanker payudara ganas yang sebenarnya). Berdasarkan hasil pengujian menunjukkan bahwa model K-Nearest Neigbors memiliki kinerja yang cukup baik dalam memprediksi kanker payudara.
Perbandingan Kinerja Support Vector Machine Dan Random Forest Untuk Klasifikasi Sentimen Pengguna Aplikasi Gojek Dengan Optimasi Smote Rihastuti, Siti; Rosyidi, Afnan
Jurnal Algoritme Vol 5 No 3 (2025): Oktober 2025 || Algoritme Jurnal Mahasiswa Teknik Informatika
Publisher : Program Studi Teknik Informatika Universitas Multi Data Palembang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35957/algoritme.v5i3.13463

Abstract

This study compares the performance of Support Vector Machine (SVM) and Random Forest in classifying Gojek user sentiment using 2,000 Indonesian-language reviews (1,351 positive, 566 negative, 83 neutral). After data preprocessing and TF-IDF feature extraction, SMOTE was applied to balance the training data in each fold. Using Stratified K-Fold Cross-Validation, results showed that Random Forest achieved higher and more consistent accuracy (84.1%) than SVM (76.1%). The Paired t-test and McNemar’s Test (p-value < 0.05) confirmed that the Random Forest’s superiority was statistically significant. Overall, both models were effective, but Random Forest performed better for Gojek sentiment classification, supporting user satisfaction monitoring and complaint detection.