Article Per Year (5 Year)
p-Index From 2020 - 2025
3.859
P-Index
This Author published in this journals
All Journal IAES International Journal of Artificial Intelligence (IJ-AI) International Journal of Advances in Applied Sciences ComEngApp : Computer Engineering and Applications Journal Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI) JSI: Jurnal Sistem Informasi (E-Journal) Scientific Journal of Informatics IJoICT (International Journal on Information and Communication Technology) Sistemasi: Jurnal Sistem Informasi Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) JOURNAL OF APPLIED INFORMATICS AND COMPUTING JOISIE (Journal Of Information Systems And Informatics Engineering) INFOMATEK: Jurnal Informatika, Manajemen dan Teknologi Jurnal Teknologi Dan Sistem Informasi Bisnis Jurnal Sistem Komputer dan Informatika (JSON) Sriwijaya Journal of Informatics and Applications Jurnal Generic REKA ELKOMIKA: Jurnal Pengabdian kepada Masyarakat Sriwijaya Accounting Community Services
Winda Kurnia Sari
Universitas Sriwijaya
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Physics Other

Published : 26 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : JSI: Jurnal Sistem Informasi (E-Journal)

 1 
Penerapan Data Mining Dan Tekonologi Machine Learning Pada Klasifikasi Penyakit Jantung Iman Saladin B. Azhar; Winda Kurnia Sari
Jurnal Sistem Informasi Vol 14, No 1 (2022)
Publisher : Universitas Sriwijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (398.495 KB) | DOI: 10.36706/jsi.v14i1.16140

Abstract

Saat ini, dalam dunia kesehatan, data analisis dapat diproses untuk mendeteksi dan mendiagnosa penyakit. Dengan perkembangan teknologi, peranan data mining, dan kebutuhan studi digunakan untuk memecahkan masalah tersebut. Maka dari itu, kami memutuskan untuk mengklasifikasikan penyakit jantung menggunakan 3 teknik machine learning: Logistic Regression, K-Nearest Neighbors, Random Forest, dan Tuned K-Nearest Neighbors dengan bahasa pemrograman python. Dataset yang digunakan dalam penelitian ini mempunyai 13 fitur, 1 variabel label, dan 303 contoh di mana 138 menderita karena penyakit cardiovascular dan 165 sehat. Pengukuran yang digunakan untuk membandingkan kinerja teknik data mining yaitu akurasi, presisi, recall, dan f-measure. Hasilnya menunjukkan bahwa Logistic Regression merupakan teknik dengan kinerja terbaik dan mendapatkan akurasi tertinggi 88,52%.
Penerapan Knowledge Management System (KMS) Berbasis Web Studi Kasus Bagian Teknisi dan Jaringan Fakultas Ilmu Komputer Universitas Sriwijaya Winda Kurnia Sari; Ken Dhita Tania
Jurnal Sistem Informasi Vol 6, No 2 (2014)
Publisher : Universitas Sriwijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (363.722 KB) | DOI: 10.36706/jsi.v6i2.1713

Abstract

Abstrak Fakultas Ilmu Komputer Universitas Sriwijaya adalah salah satu perguruan tinggi yang menyadari pentingnya sebuah pendokumentasian dari data dan informasi bagi keberlangsungan kegiatan perguruan tinggi. Saat ini pendokumentasian pengetahuan tentang teknis komputer dan jaringan yang ada di FASILKOM belum terstruktur sehingga berdampak pada kegiatan fakultas yang terasa tidak efektif. Berdasarkan hasil analisa, terdapat banyak knowledge penting dibagian teknisi komputer dan jaringan yang fungsinya untuk menunjang kegiatan perguruan tinggi. Metodologi yang digunakan pada penelitian ini merujuk ke metodologi knowledge management yang dikembangkan oleh Amrit Tiwana. Pada metodologi ini terdapat 4 tahap utama, yaitu: persiapan dan evaluasi infrastruktur, analisis dan desain knowledge management, pengembangan knowledge management dan evaluasi. Knowledge management terasa sangat dibutuhkan pada saat ini untuk memfasilitasi masalah pendokumentasian dan penggunaannya serta meningkatkan kualitas kerja bagi pegawai Fakultas Ilmu Komputer Universitas Sriwijaya.Kata kunci: Knowledge Management System Abstract Faculty of Computer Science Sriwijaya University is one college that is aware of the importance of a documentation of the data and information for the sustainability activities of the college. Currently documenting existing knowledge about computer engineering and network in FASILKOM is unstructured so that the company has not impacted on the activities of the faculty that was not effective. Based on the analysis, there is a lot of important knowledge whose function is to support the college. The methodology used in this study refers to knowledge management methodology developed by Amrit Tiwana. In this methodology, there are 4 main stages, namely: preparation and evaluation of infrastructure, analysis and design of knowledge management, knowledge management development and evaluation. Knowledge management was urgently needed at this time to facilitate the documentation and usage issues and improve the quality of the employee at Faculty of Computer Science Sriwijaya University.Keyword: Knowledge Management System
Perbandingan Kinerja Neural Network dengan Metode Klasifikasi Tradisional dalam Mendiagnosis Penyakit Jantung: Sebuah Studi Komparatif Winda Kurnia Sari; Iman Saladin B Azhar
Jurnal Sistem Informasi Vol 15, No 1 (2023)
Publisher : Universitas Sriwijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36706/jsi.v15i1.20875

Abstract

Dalam dunia medis, penyakit jantung menjadi salah satu penyebab kematian terbanyak. Oleh karena itu, perlu dikembangkan sistem yang dapat membantu dalam deteksi dan diagnosis penyakit jantung. Dalam penelitian ini, kami menggunakan proses neural network untuk membantu dalam deteksi penyakit jantung dengan menggunakan data training dan testing yang telah dikumpulkan. Data yang digunakan terdiri dari berbagai fitur klinis dan faktor risiko yang dikumpulkan dari pasien yang terkena penyakit jantung. Hasil dari penelitian lain untuk mendiagnosa penyakit jantung dengan metode klasifikasi tradisional menunjukkan akurasi: Logistic Regression 88.52%, K-Nearest Neighbors 78.69%, Random Forest Classifier 86.89%, dan Tuned K-Nearest Neighbors 85.25%. Sedangkan, model neural network yang dikembangkan dapat mengklasifikasikan pasien berdasarkan kondisi jantung mereka dengan akurasi mencapai 91%. Proses pelatihan model melibatkan penggunaan algoritma optimasi RMSprop, dengan cross-validation dan parameter tuning yang dilakukan untuk mencapai hasil terbaik. Model ini mampu memproses input dengan kecepatan tinggi dan menghasilkan hasil klasifikasi yang akurat. Neural network dapat membantu diagnosis awal penyakit jantung bagi tenaga medis. Namun, peningkatan akurasi dan keandalan membutuhkan penelitian lebih lanjut dengan data yang lebih besar dan fitur klinis yang beragam. Dengan optimalisasi model ini, diharapkan penanganan penyakit jantung menjadi lebih efektif dan efisien.
Co-Authors Aditya Putra Perdana Prasetyo Ahmad Rifai Aspirani Utari Aulia, Cantika Ayuningtiyas, Pratiwi B Azhar, Iman Saladin Bambang Tutuko Darmawahyuni, Annisa Deris Stiawan Dian Palupi Rini Dian Palupi Rini Dian Palupi Rini Dian Palupi Rini Dinna Yunika Hardiyanti Ery Erman Firmansyah, M. Daffa Florensia, Yesinta Gumay, Naretha Kawadha Gumay, Naretha Kawadha Pasemah Hardini Novianti Iman Saladin B. Azhar Isdwanta, Rendy Jambak, Muhammad Ihsan Jordan Marcelino Kemahyanto Exaudi Ken Dhita Tania Ken Ditha Tania Khairunnisa, Cholidah Zuhroh Lakeisyah, Eka Therina Marcelino, Jordan Marshella, Siti Hariza Mas Ud, Khalid Al Maulana, Rahmat Mira Afrina Muhammad Afif Muhammad Hidayat Nadrota Acta, Muhammad Fakhri Novi Yusliani Pacu Putra Pangestu, Ridho Putri, Aulia Najibah Putri, Naila Raihana Rachmamtullah, Muhammad Naufal Rahman, M. Fadhil Ramadhani, Indira Nailah Rendy Isdwanta Reza Firsandaya Malik Reza Firsandaya Malik Risyahputri, Aliyananda Robani, M Tsabita Rosemari, Pita Sahira, Mutia Salsabila, Adella Salsabila, Shofi Saputra, Marco Saputra, Tommy Sari, Tri Kurnia Siti Nurmaini Utari, Aspirani Yamani, Zaqqi