Article Per Year (5 Year)
p-Index From 2020 - 2025
0.61
P-Index
This Author published in this journals
All Journal IJCIT (Indonesian Journal on Computer and Information Technology) Jurnal Teknik Komputer AMIK BSI Techno Nusa Mandiri : Journal of Computing and Information Technology
Sri Rahayu
STMIK Nusa Mandiri
Computer Science & IT

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Analisis Algoritma Klasifikasi Neural Network Untuk Diagnosis Penyakit Diabetes Jajang Jaya Purnama; Sri Rahayu; Siti Nurdiani; Tuti Haryanti; Nissa Almira Mayangky
IJCIT (Indonesian Journal on Computer and Information Technology) Vol 5, No 1 (2020): Mei 2020
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1030.887 KB) | DOI: 10.31294/ijcit.v5i1.6391

Abstract

Abstrak –  Diabetes merupakan penyakit yang sangat mematikan terbukti dari tahun ke tahun selalu ada yang meninggal dikarnakan pasien tersebut mengidap penyakit diabetes, banyak cara penangguhan sejak dini penyakit diabetes. Salah satunya dengan data mining klasifikasi algoritma neural network yang dapat digunakan untuk prediksi pasien mana yang terkena penyakit diabetes dan pasien mana yang tidak terkena diabetes dengan menggunakan parameter dan indikator yang ada, dan tools yang digunakan adalah tools rapid miner 9.0 yang mengahasilkan accuracy sebesar = 80.00% precision sebesar = 100.00 % dan recall sebesar = 2.50 % dengan AUC sebesar = 0.605 % yang artinya klasifikasi dinyatakan cukup, dari hasil tersebut bisa dimbil kesimpulan bahwa penelitian ini bisa mencegah dan bisa diketahui sejak dini mana yang termasuk penyakit diabetes mana yang tidak mengidap penyakit diabetes, dan dari penelitian ini sangat diharapkan angka kematian bisa berkurang.</>Katakunci: diabetes, klasifikasi, data mining, neural network.Abstract – Diabetes is a very proven disease from year to year there are always people who die, many ways to postpone early diabetes. One of them is data mining neural network algorithm classification which can be used to predict which patients are affected by diabetes and which patients are not affected by diabetes by using existing parameters and indicators, and the tools used are rapid miner 9.0 tools that produce accuracy = 80.00% precision = 100.00% and recall of = 2.50% with AUC of = 0.605% which means the classification is declared sufficient, From these results it can be concluded that this study can prevent and can be known from the outset which of the diabetics do not have diabetes, and from this study it is expected that the mortality rate can be reduced. Keywords: classification, data mining, diabetes, neural network
Sentimen Analisis Penerapan Social Distancing Menggunakan Feature Selection Pada Algoritma Support Vector Machine Siti Nurhasanah Nugraha; Tri Rivanie; Sri Rahayu; Windu Gata; Rangga Pebrianto
JURNAL TEKNIK KOMPUTER Vol 6, No 2 (2020): JTK-Periode Juli 2020
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (534.225 KB) | DOI: 10.31294/jtk.v6i2.8126

Abstract

“Social Distancing” atau dalam kata lain mengurangi interaksi sosial dengan orang lain sangat berpotensi dalam menyelamatkan kehidupan jutaan orang di masa pandemic COVID-19. Anjuran pemerintah kepada masyarakat untuk penerapan social distancing tak lepas dari pendapat atau opini pengguna sosial media yang salah satunya disuarakan melalui twitter. Salah satu metode atau teknik untuk mengelompokkan kategori opini atau pendapat dari pengguna sosial media adalah sentiment analyst. Penelitian ini menggunakan dataset yang di crawling dari twitter dengan kata kunci “Social Distancing”. Data hasil crawling tersebut diolah menggunakan model algoritma SVM dengan penambahan feature selection Weight by Correlation. Penelitian ini membandingkan hasil cross validation algoritma SVM tanpa feature selection dan algoritma SVM dengan feature selection. Hasil cross validation SVM tanpa feature selection menunjukkan nilai accuracy sebesar 67,00% dan nilai AUC sebesar 0,709. Sedangkan hasil cross validation algoritma SVM dengan feature selection menunjukkan nilai accuracy sebesar 70,33% dan nilai AUC sebesar 0,838. Dari kedua model tersebut diketahui bahwa penggunaan feature selection Weight by Correlation dapat meningkatkan nilai Accuracy dan nilai AUC. Sehingga dapat disimpulkan bahwa penambahan feature selection Weight by Corellation sangat baik apabila digunakan pada algoritma Support Vector Machine (SVM) karena dapat menghasilkan nilai akurasi dan nilai AUC yang lebih tinggi.
K-MEANS SEGMENTATION AND CLASSIFICATION OF SWIETENIA MAHAGONI WOOD DEFECTS Sri Rahayu; Dwiza Riana; Anton Anton
Jurnal Techno Nusa Mandiri Vol 18 No 2 (2021): Techno Nusa Mandiri : Journal of Computing and Information Technology Period of
Publisher : Lembaga Penelitian dan Pengabdian Pada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33480/techno.v18i2.2222

Abstract

The potential and usefulness of wood to meet the needs of human life are not in doubt. Demands us to continue to maintain the quality. Wood quality is closely related to wood defects. Manual defect checks in the wood industry are unreliable because they are prone to human error, For example, due to acute symptoms of headaches and tired eyes, technology in the form of image processing can help identify wood defects Swietenia Mahagoni. In this case, the method used is Euclidean distance with a ratio of k-means segmentation and thresholding on 42 images of wood defects consisting of 3 types of defects, namely growing skin defects, rotting knots, and healthy knots, every 14 images with data sharing. training for 30 images and testing for 12 images. The results of the k-means segmentation are then extracted on 6 features including metric, eccentricity, contrast, correlation, energy, and homogeneity using the Gray Level Co-occurrence Matrix (GLCM) extractor and classified by calculating the closest distance using the euclidean distance between the results of data feature extraction. testing of the value of feature extraction in the training data which is used as a previous database. It is the smallest value that indicates the type of defect. The success calculation is presented in the confusion matrix calculation and gets a success or accuracy value of 91.67%.
Co-Authors Anton Dwiza Riana Jajang Jaya Purnama Mayangky, Nissa Almira Rangga Pebrianto Siti Nurdiani Siti Nurhasanah Nugraha Tri Rivanie Tuti Haryanti Windu Gata