Claim Missing Document
Check
Articles

Found 35 Documents
Search

Komparasi Metode SVM dan Logistic Regression untuk Klasifikasi Hipotesa Penyakit Kanker Paru Paru Berdasarkan Gejala Awal Rahmaeda, Shafara; Prathivi, Rastri
Kesatria : Jurnal Penerapan Sistem Informasi (Komputer dan Manajemen) Vol 6, No 1 (2025): Edisi Januari
Publisher : LPPM STIKOM Tunas Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30645/kesatria.v6i1.562

Abstract

Lung cancer is the uncontrolled growth of cancer cells in lung tissue that occurs due to various carcinogenic substances. Throughout Indonesia, this disease is still the leading cause of death from cancer. The main risk factors include smoking habits, exposure to cigarette smoke, chest pain. Namely, classification is one way of early detection that can reduce the death rate of lung cancer. Various classification techniques have been proposed in various fields such as machine learning and expert systems. In machine learning, there are two methods used in classification, namely SVM and Logistic Regression. The advantage of SVM is to divide data into hyperplanes so that the data space is divided into two classes. SVM theory begins by collecting data that can be separated by a straight line using a hyperplane, then grouped by class. While Logistic Regression is used to describe the relationship between categorical response variables and covariates. Specifically, there is a direct relationship between the independent variable and the logarithm of the probability of an event occurring. This study aims to compare which is the best using the SVM algorithm and the Logistic Regression Algorithm in the classification of lung cancer. The lung cancer disease dataset has a total of 309 data where the data is separated into two parts, namely 70% training data consisting of 216 data, while 30% test data consists of 93 data. The performance used in predicting the model is Accuracy, Precision, Recall, and F1-Score. From the research conducted, the Accuracy value of the Logistic Regression Algorithm was 97.85%. In this case, the Logistic Regression algorithm has better performance in classifying lung cancer than the SVM algorithm.
OPTIMASI METODE RANDOM FOREST UNTUK KLASIFIKASI RISIKO OBESITAS BERDASARKAN POLA MAKAN Rosidah, Nafiati; Prathivi, Rastri; Susanto, Susanto
Jurnal Informatika Teknologi dan Sains (Jinteks) Vol 7 No 1 (2025): EDISI 23
Publisher : Program Studi Informatika Universitas Teknologi Sumbawa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51401/jinteks.v7i1.5065

Abstract

Pola makan tidak sehat, seperti mengonsumsi makanan cepat saji dan mengurangi asupan sayur serta buah, merupakan salah satu penyebab utama obesitas, yang menjadi masalah kesehatan global. Obesitas dapat meningkatkan risiko penyakit tidak menular seperti diabetes, hipertensi, dan penyakit jantung. Dengan menggunakan algoritma Random Forest, penelitian ini bertujuan untuk mengembangkan model prediksi risiko obesitas berbasis pola makan. Data yang digunakan terdiri dari 1.610 record dengan 15 atribut, yang diambil dari dataset publik. Tahapan penelitian meliputi pengumpulan data, preprocessing, pembagian data menjadi data latih dan uji, implementasi model, optimasi hyperparameter dengan Grid Search, dan evaluasi model. Hasil penelitian menunjukkan bahwa model Random Forest yang dioptimasi mampu mencapai akurasi sebesar 85,4%. Frekuensi mengonsumsi makanan cepat saji, jumlah makanan utama setiap hari, kebiasaan ngemil, dan konsumsi sayur adalah beberapa variabel penting yang memengaruhi prediksi. Model ini diharapkan dapat membantu pencegahan dan penanganan obesitas secara lebih efektif sekaligus memberikan wawasan tambahan untuk pengembangan sistem prediksi kesehatan berbasis data
IMPLEMENTASI METODE SVM UNTUK KLASIFIKASI PENYAKIT STUNTING BAYI Dewanti, Tita Risa; Prathivi, Rastri; Susanto, Susanto
Jurnal Informatika Teknologi dan Sains (Jinteks) Vol 7 No 1 (2025): EDISI 23
Publisher : Program Studi Informatika Universitas Teknologi Sumbawa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51401/jinteks.v7i1.5070

Abstract

Penelitian ini bertujuan untuk mengembangkan model klasifikasi berbasis Support Vector Machine (SVM) guna mendeteksi kasus stunting pada bayi dengan tingkat akurasi yang tinggi. Stunting adalah gangguan pertumbuhan kronis akibat kekurangan gizi yang berkepanjangan, ditandai dengan tinggi badan yang tidak memenuhi standar Organisasi Kesehatan Dunia (WHO). Penelitian ini menggunakan dataset besar berjumlah 120.999 data dengan atribut umur, jenis kelamin, tinggi badan, dan status gizi. Data melalui tahap preprocessing, termasuk encoding data kategori dan pembagian data menjadi set pelatihan (80%) dan pengujian (20%). Model dilatih menggunakan kernel Radial Basis Function (RBF) dan Linear, dengan evaluasi melalui metrik akurasi dan confusion matrix. Hasil penelitian menunjukkan bahwa kernel RBF menghasilkan akurasi yang lebih tinggi, yaitu 95,26%, dibandingkan kernel Linear yang hanya mencapai 78,67%. Penelitian ini memberikan kontribusi dalam upaya deteksi dini stunting untuk membantu pemerintah dan tenaga kesehatan di Indonesia, sekaligus menjadi landasan untuk pengembangan lebih lanjut dalam klasifikasi berbasis pembelajaran mesin di bidang kesehatan.
An Adaptive AI-Driven Copywriting Framework: Design, Implementation, and Evaluation of a Web-Based GPT-Integrated Content Generation System April Firman Daru; Febrian Wahyu Christanto; Rastri Prathivi; Dimas Prasetyo; Eryan Ahmad Firdaus
International Journal of Information Technology and Business Vol. 8 No. 2 (2026): April : International Journal of Information Techonology and Business
Publisher : Universitas Kristen Satya Wacana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24246/ijiteb.822026.8-17

Abstract

The increasing demand for scalable and high-quality digital marketing content has exposed limitations in traditional manual copywriting processes, which are time-intensive and difficult to scale. This research proposes an adaptive AI-driven copywriting framework that integrates a full-stack web architecture with optimized prompt engineering strategies for automated content generation. The system is implemented using React.js for the frontend, Node.js with Express for backend services, and a GPT-based API for language generation. Unlike prior implementations, this research introduces a structured prompt optimization mechanism to enhance content relevance and consistency. Experimental evaluation was conducted using multiple datasets of marketing prompts, with comparisons against baseline GPT usage and manual copywriting. Quantitative results show that the proposed system achieves improvements in BLEU (+18.7%) and ROUGE-L (+21.3%) scores over baseline methods. Human evaluation involving 30 participants indicates a significant increase in perceived content quality, coherence, and persuasiveness (p < 0.05). System performance analysis demonstrates an average response time of 1.8–3.0 seconds and a GTmetrix performance score of 82%. The findings confirm that the proposed framework significantly enhances efficiency, scalability, and content quality, contributing to both applied AI systems and intelligent web-based content production.
Sosialisasi dan Pelatihan Sistem Informasi Pemberdayaan Potensi Desa Wisata Kandri Gunung Pati Semarang Soiful Hadi; Hetty Catur Ellyawati; Qurinta Shinta; Rastri Prathivi
Jurnal DIMASTIK Vol. 3 No. 2 (2025): Juli
Publisher : Universitas Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26623/dimastik.v3i2.12439

Abstract

Desa Wisata Kandri menghadapi tantangan dalam pengelolaan dan promosi wisata akibat tidak adanya data digital dan kurangnya kemampuan dalam mengelola sistem informasi. Hal ini menghambat penyebaran informasi wisata dan menyebabkan rendahnya visibilitas desa di platform digital. Untuk mengatasi permasalahan ini, solusi yang ditawarkan adalah pembuatan sistem informasi resmi yang berisi informasi lengkap tentang potensi desa dengan alamat url https://kandri.id/ serta penerapan strategi SEO agar lebih mudah ditemukan di mesin pencari. Selain itu, pelatihan pengelolaan sistem informasi diberikan kepada pengelola desa agar mereka dapat memperbarui dan mengoptimalkan konten secara mandiri. Metode yang digunakan meliputi analisis kebutuhan, pengembangan sistem informasi, penerapan SEO, dan pelatihan berbasis praktik. Implementasi solusi ini  dapat meningkatkan jumlah kunjungan wisatawan, mempermudah pengelolaan potensi desa, serta meningkatkan daya saing Desa Wisata Kandri dalam industri pariwisata digital. Dengan demikian, inovasi digital ini dapat mendukung pengelolaan wisata yang lebih efektif dan berkelanjutan.
Evaluating the Popularity of Programming Languages in Indonesia using the MABAC Method Edi Widodo; Rastri Prathivi; Soiful Hadi
Jurnal Transformatika Vol. 21 No. 1 (2023): July 2023
Publisher : Jurusan Teknologi Informasi Universitas Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26623/transformatika.v21i2.7001

Abstract

In today's fast-paced digital era, the selection of a programming language plays a crucial role in the success of software development projects. This research aims to create an index of popularity for programming languages using the multi-attributive border approximation area comparison (MABAC) method. The study considers four data sources, including Jobstreet.Com, LinkedIn.Com, Google Trends, and Tiobe.com, to obtain the necessary information for evaluating the popularity of programming languages in Indonesia. The data range for this study is from May 1, 2020, until April 31, 2021. The results of the study indicate that the top ten programming languages in terms of popularity in Indonesia are Java, SQL, php, JavaScript, C, C++, python, C#, Visual Basic, and Assembly. The index can serve as a useful guide for strategic decision-making regarding the selection of programming languages for addressing the needs of the information technology market in Indonesia. The study's findings can be useful for software developers, IT professionals, and decision-makers in organizations who need to select a programming language for their software projects in Indonesia. The MABAC method used in this study can also be applied to other contexts for evaluating the popularity of programming languages.
Komparasi Algoritma Random Forest dan XGBoost dalam Prediksi Premi Asuransi Kesehatan Windy; Rastri Prathivi
Jurnal Transformatika Vol. 23 No. 1 (2025): July 2025
Publisher : Jurusan Teknologi Informasi Universitas Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26623/transformatika.v23i1.11914

Abstract

Asuransi kesehatan saat ini menjadi salah satu hal yang banyak orang persiapkan dikarenakan adanya ketidakpastian risiko kesehatan dan biaya layanan kesehatan yang semakin naik. Perhitungan premi tiap individu dapat berbeda dikarenakan terdapat perbedaan profil kesehatan seperti usia, BMI maupun gaya hidup seperti merokok yang membuat perusahaan asuransi harus memperhitungkan premi dengan akurat agar tidak menimbulkan kerugian finansial dan sesuai dengan tingkat risiko terjadinya klaim. Adapaun tujuan dari penelitian ini adalah melakukan komparasi antara algoritma Random Forest dan XGBoost dalam memprediksi premi asuransi kesehatan berdasarkan beberapa faktor yang sulit dihitung secara manual. Evaluasi dilihat berdasarkan metrik regresi yaitu MAE, MSE, RMSE, dan R2. Pada penelitian ini, algoritma Random Forest berhasil memprediksi premi asuransi kesehatan lebih baik dari XGBoost dengan nilai MAE 2.573, MSE 24199792,43 RMSE 4919, 33 dan R2 sebesar 84.04%.
ANALISA PERFORMA METODE LIGHTGBM UNTUK PREDIKSI KECANDUAN MEDIA SOSIAL Roudhotul Jannah; Rastri Prathivi
Jurnal Transformatika Vol. 23 No. 2 (2026): January 2026
Publisher : Jurusan Teknologi Informasi Universitas Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26623/transformatika.v23i2.13165

Abstract

Media sosial kini telah menjadi bagian yang tidak terpisahkan dari aktivitas sehari-hari, didorong oleh perkembangan teknologi digital yang semakin cepat. Penggunaan media sosial yang berlebihan dapat memicu dampak negatif seperti gangguan psikologis, kurang tidur, dan konflik sosial. Penelitian ini menilai efektivitas Light Gradient Boosting Machine (LightGBM) dalam memprediksi kecanduan media sosial menggunakan data 705 responden dari Kaggle. Tahapan analisis mencakup pembersihan data, transformasi variabel kategorikal, dan seleksi fitur berbasis korelasi Pearson. Model dilatih dengan rasio 70:30 dan dievaluasi menggunakan akurasi, presisi, recall, serta f1-score. Hasil menunjukkan akurasi 98%, sehingga LightGBM dinilai sangat efektif sebagai model prediksi kecanduan media sosial.  
SISTEM PENDUKUNG KEPUTUSAN SELEKSI BEASISWA PADA UNIVERSITAS SEMARANG MENGGUNAKAN METODE TOPSIS Rastri Prathivi
Jurnal Pengembangan Rekayasa dan Teknologi Vol. 2 No. 1 (2018): Mei (2018)
Publisher : Universitas Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26623/jprt.v14i1.1214

Abstract

Penelitian yang dilakukan pada Universitas Semarang dengan objek mahasiswa atau calon penerima beasiswa. Beasiswa diberikan untuk membantu mahasiswa dalam menempuh studinya. Ada beberapa beasiswa yang diberikan kepada mahasiswa Universitas Semarang diantaranya dari Yayasan maupun dari instansi yang bekerja sama dengan Universitas Semarang. Dalam penelitian ini dibahas mengenai pemberian beasiswa Peningkatan Prestasi Akademik (PPA). Untuk mempermudah dalam pengambilan keputusan dalam penentuan mahasiswa yang layak menerima beasiswa diperlukan sebuah sistem pendukung keputusan yang menguji kriteria-kriteria sebagai salah satu syarat dalam seleksi penerimaan beasiswa. Kriteria ini diuji dengan menggunakan metode Topsis (Technique for Order Preference by Similarity to Ideal Solution). Dengan metode Topsis digunakan untuk mencari alternatif   dengan kriteria-kriteria tertentu. Penelitian dilakukan dengan mencari nilai bobot untuk setiap atribut untuk menentukan alternatif yang diberikan. Proses penentuan beasiswa dengan metode Topsis dapat mempercepat proses seleksi penerima beasiswa dan mengurangi kesalahan dalam menentukan mahasiswa yang layak mendapat beasiswa.
ANALISA SISTEM QR CODE UNTUK IDENTIFIKASI BUKU PERPUSTAKAAN Rastri Prathivi
Jurnal Pengembangan Rekayasa dan Teknologi Vol. 2 No. 2 (2018): November (2018)
Publisher : Universitas Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26623/jprt.v14i2.1225

Abstract

Information books in the library will provide a special identity on any book title. Identity of the books stored in the library will allow the borrower book knows the book title, author, ISBN number, number of shelves where the books are stored and the number of books available in the library. Identity can be summarized in a QR Code.With the QR Code on the books, the user can obtain information about a book without having to connect to the database, simply scanning the QR Code Reader. To create a QR Code requires an application generator. In this study, the authors will develop case studies QR Code Generator library FTIK University of Semarang. QR Code Generator will convert alphanumeric data from a book into a two-dimensional image. Which will be attached to each book in the library.