Article Per Year (5 Year)
p-Index From 2021 - 2026
0.751
P-Index
This Author published in this journals
All Journal MATRIK : Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer IKRA-ITH EKONOMIKA Jurnal Nasional Teknik Elektro dan Teknologi Informasi
Laili Suryati
Universitas Persada Indonesia Y.A.I
Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Electrical & Electronics Engineering Energy Engineering

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

Found 3 Documents
Search

 1 
Deteksi Dini Penyakit Diabetes Menggunakan Machine Learning dengan Algoritma Logistic Regression Erlin; Yulvia Nora Marlim; Junadhi; Laili Suryati; Nova Agustina
Jurnal Nasional Teknik Elektro dan Teknologi Informasi Vol 11 No 2: Mei 2022
Publisher : Departemen Teknik Elektro dan Teknologi Informasi, Fakultas Teknik, Universitas Gadjah Mada

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1372.072 KB) | DOI: 10.22146/jnteti.v11i2.3586

Abstract

Diabetes is one of the deadliest diseases in the world, including in Indonesia. It can cause complications in numerous body parts and increase the overall risk of death. One way to detect diabetes is to use machine learning algorithms. Logistic regression is a classification model in machine learning widely used in clinical analysis. In this paper, a predictive model was created in Python IDE using logistic regression to conduct an early detection if a person has diabetes or not depending on the initial data provided. The experiment was carried out using a dataset from the Pima Indians Diabetes Database, which consisted of 768 patient data with eight independent variables and one dependent variable. Exploratory data analysis was applied to obtain maximum insight of the datasets owned by using statistical assistance and presenting them through visual techniques. Some dataset variables contained incomplete data. Missing data values were replaced with the median value of each variable. Unbalanced data was handled using the synthetic minority over-sampling technique (SMOTE) to increase the minority class through synthetic data sampling. The model was evaluated based on the confusion matrix, which showed a reasonably good performance with an accuracy value of 77%, precision of 75%, recall of 77%, and F1-score of 76%. In addition, this paper also used the grid search technique as a hyperparameter tuning that could improve the performance of the logistic regression model. The primary model performance with the model after applying the grid search technique was tested and evaluated. The experimental results showed that the hyperparameter tuning-based model could improve the performance of the logistic regression algorithm for prediction with an accuracy value of 82%, precision of 81%, recall of 79%, and F1-score of 80%.
Dampak SMOTE terhadap Kinerja Random Forest Classifier berdasarkan Data Tidak seimbang Erlin Erlin; Yenny Desnelita; Nurliana Nasution; Laili Suryati; Fransiskus Zoromi
MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Vol. 21 No. 3 (2022)
Publisher : Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/matrik.v21i3.1726

Abstract

Dalam aplikasi machine learning sangat umum ditemukan kumpulan data dalam berbagai tingkat ketidakseimbangan mulai dari ketidakseimbangan kecil, sedang sampai ekstrim. Sebagian besar model machine learning yang dilatih pada data tidak seimbang akan memiliki bias dengan memberikan tingkat akurasi yang tinggi pada kelas mayoritas dan sebaliknya rendah pada kelas minoritas. Tujuan penelitian ini adalah untuk mengevaluasi dampak dari SMOTE (Synthetic Minority Oversampling Technique) pada pengklasifikasi Random Forest untuk memprediksi penyakit jantung. Data berjumlah 299 berasal dari UCI Machine learning Repository digunakan untuk membangun model prediksi berdasarkan 12 variabel independen dan 1 variabel dependen. Kelas minoritas dalam dataset pelatihan di oversampling menggunakan teknik SMOTE (Synthetic Minority Oversampling Technique). Model dievaluasi tidak hanya menggunakan ukuran kinerja Accuracy dan Precision saja, namun juga menggunakan alternatif ukuran kinerja lainnya seperti Sensitivity, F1-score, Specificity, G-Mean dan Youdens Index yang lebih baik digunakan untuk data yang tidak seimbang. Hasil penelitian menunjukkan bahwa teknik SMOTE (Synthetic Minority Oversampling Technique) mampu mengurangi overfitting sekaligus meningkatkan kinerja model Random Forest pada semua indikator. Peningkatan skor Accuracy sebesar 3.45%, Precision 4.8%, Sensitivity 7.1%, F1-score 4.8%, Specificity 2.1%, G-Mean 4.4%, dan Youdens Index 6.3%. Penelitian ini membuktikan bahwa dalam menentukan pengklasifikasi dengan algoritma machine learning seperti Random Forest, kemiringan kelas dalam data perlu diperhitungkan dan diseimbangkan untuk hasil kinerja yang lebih baik.
Pengaruh Kompetensi, Penggunaan Teknologi Digital, Transformasi Ekternal Audit Terhadap Kualitas Audit Pada Kantor Akuntan Publik (KAP) Jakarta Pusat Maria Felisia Ahi1; Laili Suryati; Lely Indriaty; Mahzumi Mahzumi; Maryati Rahayu
IKRAITH-EKONOMIKA Vol. 8 No. 3 (2025): IKRAITH-EKONOMIKA Vol 8 No 3 November 2025
Publisher : Universitas Persada Indonesia YAI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37817/ikraith-ekonomika.v8i3.5439

Abstract

ABSTRAKPenelitian ini bertujuan untuk menguji pengaruh kompetensi, penggunaan teknologi digital, dan transformasi eksternal audit terhadap kualitas audit pada Kantor Akuntan Publik (KAP) Jakarta Pusat. Jenis penelitian yang digunakan Dengan metode kuantitatif melalui penyebaran kuesioner kepada para auditor yang bekerja dibeberapa Kantor Akuntan Publik do Wilayah Jakarta Pusat dengan menggunakan aplikasi Software Smart Partial Least Square (PLS) 3.0. Hasil penelitian ini menunjukkan bahwa kompetensi auditor tidak berpengaruh signifikan terhadap kualitas audit, dengan nilai p-value sebesar 0,521 > 0,05. Sebaliknya, penggunaan teknologi digital dan transformasi eksternal audit berpengaruh signifikan terhadap kualitas audit, dengan nilai nilai p- value sebesar, 0.000 <0,05. Hal ini menegaskan pentingnya pemanfaatan teknologi dan inovasi eksternal dalam mendukung peningkatan kualitas audit di era digital.ABSTRACTThis study aims to examine the influence of competency, digital technology use, and external audit transformation on audit quality at a Public Accounting Firm (KAP) in Central Jakarta. The study employed a quantitative method, distributing questionnaires to auditors working at several Public Accounting Firms in Central Jakarta using the Smart Partial Least Square (PLS) 3.0 software application.The results indicate that auditor competency does not significantly impact audit quality, with a p-value of 0.521 > 0.05. Conversely, the use of digital technology and external audit transformation significantly impact audit quality, with a p-value of 0.000 < 0.05. This underscores the importance of utilizing technology and external innovation in supporting audit quality improvement in the digital era.
Co-Authors Desnelita, Yenny Erlin Fransiskus Zoromi Junadhi Junadhi Lely Indriaty Mahzumi Mahzumi Maria Felisia Ahi1 Marlim, Yulvia Nora Maryati Rahayu Nova Agustina Nurliana Nasution, Nurliana