Article Per Year (5 Year)
p-Index From 2021 - 2026
2.461
P-Index
This Author published in this journals
All Journal Seminar Nasional Informatika (SEMNASIF) Jurnal Abdimas BSI: Jurnal Pengabdian Kepada Masyarakat IJCIT (Indonesian Journal on Computer and Information Technology) Cakrawala : Jurnal Humaniora Bina Sarana Informatika JITK (Jurnal Ilmu Pengetahuan dan Komputer) J I M P - Jurnal Informatika Merdeka Pasuruan Applied Information System and Management Energi & Kelistrikan Komputasi: Jurnal Ilmiah Ilmu Komputer dan Matematika Jurnal Tekno Kompak JATI (Jurnal Mahasiswa Teknik Informatika) Jurnal Teknologi Informatika dan Komputer Journal of Intelligent Computing and Health Informatics (JICHI) Journal of Students‘ Research in Computer Science (JSRCS) Simpatik: Jurnal sistem Informasi dan Informatika Jurnal Ticom: Technology of Information and Communication Jurnal Ilmiah Sistem Informasi Akuntansi (JIMASIA)
Lita Sari Marita
Universitas Bina Sarana Informatika
Arts Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Economics, Econometrics & Finance Electrical & Electronics Engineering Energy Engineering Environmental Science Languange, Linguistic, Communication & Media Medicine & Pharmacology Public Health Social Sciences

Published : 24 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 24 Documents
Search

 1   2   3 
ANALISIS EFEKTIFITAS IMPLEMENTASI ALGORITMA NAÏVE BAYES PADA ROLE HERO DALAM TURNAMEN MOBILE LEGENDS Faros Wibawa, Atthur; Sari Marita, Lita; Faisal, Muhammad; Widyastuty, Wiwiek; Sumandito, Aji
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 6 (2024): JATI Vol. 8 No. 6
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i6.11745

Abstract

Penelitian ini menganalisis pemilihan Role Hero dalam permainan Mobile Legends menggunakan algoritma Naïve Bayes sebagai teknik machine learning dengan pendekatan supervised learning. Tujuan utama dari penelitian ini adalah untuk membangun model klasifikasi yang efektif terhadap dataset pertandingan dan mengevaluasi efektivitas algoritma Naïve Bayes dalam konteks ketepatan pemilihan strategi pemilihan hero. Metodologi yang digunakan melibatkan tahapan Knowledge Discovery in Database (KDD) dan penerapan Laplace Smoothing untuk mengatasi masalah probabilitas nol. Pengolahan data dilakukan dengan enam operator di Rapidminer, yaitu Data Excel, Set Role, Split Data, Naïve Bayes, Apply Model, dan Performance. Hasil penelitian menunjukkan akurasi sebesar 72.92%, dengan nilai recall tertinggi pada Marksman (82.86%) dan nilai precision tertinggi juga pada Marksman (87.88%). Penelitian ini merekomendasikan perluasan dataset untuk meningkatkan representativitas, eksplorasi metode lain seperti Neural Network, dan pemanfaatan analisis ini dalam pengambilan keputusan strategis di pertandingan. Temuan ini diharapkan dapat membantu pemain dalam menyusun taktik dan memilih hero yang lebih efektif.
Rancang Bangun Sistem Penilaian Kinerja Sales Berdasarkan Pencapaian Target Penjualan Menggunakan Metode RAD Handono, Felix Wuryo; Marita, Lita Sari; Widiati, Wina; Hidayat, Aziz Setyawan; Komarudin, Rachman
Jurnal Ticom: Technology of Information and Communication Vol 13 No 3 (2025): Jurnal Ticom-Mei 2025
Publisher : Asosiasi Pendidikan Tinggi Informatika dan Komputer Provinsi DKI Jakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70309/ticom.v13i3.153

Abstract

Penelitian ini bertujuan untuk merancang sebuah aplikasi yang mampu melakukan penilaian kinerja sales secara lebih efisien. Aplikasi ini dirancang untuk menghitung persentase pencapaian target penjualan, melakukan klasifikasi kinerja sales secara otomatis, serta menyajikan laporan dalam bentuk visual maupun cetak. Pengembangan sistem dilakukan dengan pendekatan Rapid Application Development (RAD), yang dikenal efektif dalam mempercepat proses pembuatan aplikasi melalui tahapan iteratif dan partisipasi aktif pengguna. Ke depan, sistem ini dapat ditingkatkan melalui integrasi dengan sistem ERP atau manajemen penjualan perusahaan, sehingga data penjualan dapat diperbarui secara real-time tanpa bergantung pada input manual, yang pada akhirnya akan meningkatkan akurasi laporan. Penerapan fitur peringkat kinerja juga dapat memperjelas performa masing-masing individu. Lebih lanjut, sistem ini berpotensi dikembangkan untuk memberikan rekomendasi personal terkait pengembangan kinerja setiap sales, serta versi aplikasi mobile guna memudahkan akses informasi kapan saja dan di mana saja. Untuk mendorong keterlibatan pengguna, fitur umpan balik dan kolaborasi juga dapat ditambahkan, memungkinkan sales dan manajer saling bertukar ulasan atau saran mengenai penggunaan aplikasi. Selain itu, penggunaan grafik, diagram, dan heatmap interaktif dalam visualisasi laporan akan meningkatkan pemahaman terhadap hasil evaluasi. Dengan berbagai pengembangan ini, aplikasi diharapkan dapat menjadi alat bantu yang sistematis dan efektif dalam mendukung proses evaluasi kinerja sales.
Perbandingan Kinerja Algoritma Machine Learning dalam Klasifikasi Penyakit Fundus Menggunakan Citra Fundus Digital Kurniawan, Deny; Triyanto, Dedi; Sari Marita, Lita; Christian, Ade; Sumanto, Sumanto
Jurnal Ilmiah Sistem Informasi Akuntansi Vol. 5 No. 2 (2025): Volume 5, Nomor 2, December 2025
Publisher : Universitas Teknokrat Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33365/jimasia.v5i2.1476

Abstract

Penyakit fundus mata seperti diabetic retinopathy, cataract, dan glaucoma merupakan penyebab utama gangguan penglihatan hingga kebutaan apabila tidak terdeteksi sejak dini. Diagnosis penyakit fundus secara konvensional masih sangat bergantung pada penilaian visual tenaga medis, yang berpotensi menimbulkan subjektivitas dan keterlambatan penanganan. Oleh karena itu, penelitian ini bertujuan untuk menerapkan dan membandingkan metode machine learning dalam mendeteksi penyakit fundus berdasarkan citra fundus digital serta menentukan algoritma dengan kinerja terbaik. Penelitian ini menggunakan dataset publik yang terdiri dari 600 citra fundus yang terbagi secara seimbang ke dalam empat kelas, yaitu Normal, Background Diabetic Retinopathy, Cataract, dan Glaucoma, dengan masing-masing kelas berjumlah 150 citra. Dataset dibagi menjadi data training dan data testing dengan rasio 80:20. Tiga algoritma machine learning yang digunakan adalah Support Vector Machine (SVM), K-Nearest Neighbors (KNN), dan Random Forest. Evaluasi kinerja model dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa seluruh model mampu mencapai tingkat akurasi di atas 80%, dengan SVM menghasilkan akurasi tertinggi sebesar 88,0%, diikuti oleh KNN sebesar 87,7% dan Random Forest sebesar 82,5%. Hasil ini menunjukkan bahwa metode machine learning, khususnya SVM, efektif digunakan dalam mendeteksi penyakit fundus dan berpotensi dikembangkan sebagai sistem pendukung diagnosis dini. Meskipun demikian, penelitian lanjutan masih diperlukan dengan dataset yang lebih besar dan beragam untuk meningkatkan kemampuan generalisasi model.
Evaluasi Kinerja Algoritma Machine Learning SVM dan KNN pada Klasifikasi Penyakit Ginjal Triyanto, Dedi; Kurniawan, Deny; Sari Marita, Lita; Christian, Ade; Sumanto, Sumanto
Jurnal Ilmiah Sistem Informasi Akuntansi Vol. 5 No. 2 (2025): Volume 5, Nomor 2, December 2025
Publisher : Universitas Teknokrat Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33365/jimasia.v5i2.1477

Abstract

Penyakit ginjal, mulai dari penyakit ginjal kronis hingga kondisi yang lebih serius seperti kista, batu ginjal, dan tumor, merupakan masalah kesehatan global yang memerlukan deteksi dini untuk mencegah komplikasi lebih lanjut. Metode diagnosis konvensional masih bergantung pada interpretasi subjektif tenaga medis, sehingga berpotensi menimbulkan ketidakkonsistenan dan keterlambatan penanganan. Oleh karena itu, penelitian ini bertujuan untuk mengevaluasi dan membandingkan kinerja algoritma machine learning Support Vector Machine (SVM) dan K-Nearest Neighbors (KNN) dalam mendeteksi penyakit ginjal secara otomatis. Penelitian ini menggunakan dataset penyakit ginjal yang terdiri dari 4.000 data pasien yang terbagi secara seimbang ke dalam empat kelas, yaitu normal, kista, batu ginjal, dan tumor, dengan masing-masing kelas berjumlah 1.000 data. Dataset dibagi menjadi data training dan data testing dengan rasio 80:20. Proses pelatihan dan pengujian model dilakukan menggunakan algoritma SVM dan KNN, dengan evaluasi kinerja berdasarkan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa kedua algoritma menghasilkan performa yang sangat tinggi, dengan SVM mencapai akurasi sebesar 99,6% dan KNN mencapai akurasi sebesar 99,8%. Hasil ini menunjukkan bahwa metode machine learning efektif digunakan dalam mendukung deteksi penyakit ginjal. Namun demikian, penelitian lanjutan dengan dataset yang lebih beragam dan data klinis nyata masih diperlukan untuk meningkatkan robustnes dan kemampuan generalisasi model.
Co-Authors - STMIK Nusa Mandiri, Endang Pujiastuti Ade Christian Ade Christian, Ade Adi Supriyatna ahmad yani Ahmad Yani , Ahmad Yani Ali Haidir Aziz Setyawan Hidayat, Aziz Setyawan Baginda Oloan Lubis Bayu Saputra Budi Santoso Christian , Ade Dedi Triyanto DENY KURNIAWAN Faros Wibawa, Atthur Felix Wuryo Handono Frans Edward Schaduw Hariyanto Ida Darwati Indriani , Karlena Irmawati Carolina Karlena Indriani Kusmayanti Solecha Lia Mazia, Lia Muhammad Faisal Nisfu Hakim Nugroho Oky Irnawati Pujiastuti, Lise Rachman Komarudin Rini - Sondari Ruhul Amin Ruli , Ahmad Rais Singgih Hazairin Sumandito, Aji Sumanto, Sumanto Tri Widian Ratnasari Ummu Radiyah, Ummu Widyastuty, Wiwiek Wina Widiati Yan Riyanto Yoseph Tajul Arifin