Article Per Year (5 Year)
p-Index From 2021 - 2026
2.461
P-Index
This Author published in this journals
All Journal Jurnal Teknik Komputer AMIK BSI Jurnal Pilar Nusa Mandiri JITK (Jurnal Ilmu Pengetahuan dan Komputer) Techno Nusa Mandiri : Journal of Computing and Information Technology JURNAL PENDIDIKAN TAMBUSAI INTI Nusa Mandiri Techno Xplore : Jurnal Ilmu Komputer dan Teknologi Informasi Akrab Juara : Jurnal Ilmu-ilmu Sosial Jurnal Minfo Polgan (JMP) Riau Jurnal Teknik Informatika
Wisti Dwi Septiani
Universitas Bina Sarana Informatika
Biochemistry, Genetics & Molecular Biology Chemistry Computer Science & IT Library & Information Science Mathematics Medicine & Pharmacology Social Sciences

Published : 19 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 19 Documents
Search

 1   2 
COMPARISON OF DECISION TREE, NAÏVE BAYES, AND NEURAL NETWORK ALGORITHM FOR EARLY DETECTION OF DIABETES Septiani, Wisti Dwi; Marlina, Marlina
Jurnal Pilar Nusa Mandiri Vol 17 No 1 (2021): Pilar Nusa Mandiri : Journal of Computing and Information System Publishing Peri
Publisher : LPPM Universitas Nusa Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33480/pilar.v17i1.2213

Abstract

Diabetes mellitus is included in the top 3 most deadly diseases in Indonesia. Based on WHO data in 2013, diabetes contributed 6.5% to the death of the Indonesian population. Diabetes is a chronic disease characterized by high blood sugar (glucose) levels that exceed normal limits. In the health sector, historical medical data can be processed to extract new information and can be used for decision-making processes such as disease prediction. This study aims to classify predictions for early detection of diabetes in order to obtain accurate results for decision making. The data used are historical data on hospital disease patients in Sylhet, Bangladesh in the form of a diabetes dataset from the UCI Repository. The algorithms used are Decision Tree, Naive Bayes, and Neural Network. Then the three methods are compared using the Rapidminer tools. The measurement results are 90% accuracy with Decision Tree, 80% with Naive Bayes, and 70% with Neural Network. So that the best algorithm is obtained, namely the Decision Tree for predicting early detection of diabetes. Rule in the form of a decision tree generated from the Decision Tree is used for input or ideas for decision making in the health sector for diabetes.
OPTIMASI ALGORITMA GENETIKA PADA ALGORITMA C4.5 UNTUK DETEKSI DINI PENYAKIT DIABETES Wisti Dwi Septiani; Untung Rohwadi
Akrab Juara : Jurnal Ilmu-ilmu Sosial Vol. 6 No. 5 (2021)
Publisher : Yayasan Azam Kemajuan Rantau Anak Bengkalis

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Diabetes melitus termasuk ke dalam 3 besar penyakit yang paling mematikan di Indonesia. Berdasarkan data WHO pada tahun 2013, diabetes menyumbang sebesar 6,5% pada kematian penduduk Indonesia. Diabetes merupakan penyakit kronis yang ditandai dengan tingginya kadar gula (glukosa) dalam darah yang melebihi batas normal. Penelitian sebelumnya menggunakan metode klasifikasi data mining Algoritma C4.5 dan menunjukkan tingkat akurasi 95,96%. Tujuan dari penelitian ini adalah untuk meningkatkan nilai akurasi Algortima C4.5 dengan melakukan optimasi penambahan fitur seleksi Algoritma Genetika.Hasl dari penelitian lanjutan ini adalah pohon keputusan dan terjadi peningkatan nilai akurasi dari 95,96% menjadi 96,54% untuk prediksi deteksi dini penyakit diabetes.
Prediksi Diabetes Menggunakan Algoritma Random Forest dan Support Vector Machine Kuncoro, Krisnanto Dwi; Yudha, Rendy Galih Prasetya; Ariansyah, Azriel Alpanizar; Saputra, Renaldy; Septiani, Wisti Dwi; R, Syaifur Rahmatullah Abdul
Jurnal Pendidikan Tambusai Vol. 10 No. 1 (2026)
Publisher : LPPM Universitas Pahlawan Tuanku Tambusai, Riau, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/jptam.v10i1.36506

Abstract

Penelitian ini bertujuan untuk mengembangkan model prediksi penyakit diabetes menggunakan algoritma Random Forest dan Support Vector Machine (SVM). Diabetes merupakan penyakit kronis yang prevalensinya terus meningkat dan berpotensi menimbulkan berbagai komplikasi serius, sehingga diperlukan metode prediksi yang akurat untuk mendukung deteksi dini dan pencegahan. Data yang digunakan dalam penelitian ini mencakup parameter klinis dan fisiologis seperti kadar glukosa darah, tekanan darah, indeks massa tubuh (BMI), usia, riwayat keluarga, serta variabel kesehatan lainnya yang relevan.
Prediksi Tingkat Resiko Kesehatan Maternal Menggunakan Algoritma Pohon Keputusan C4.5 Zaidan, Achmad; Mubarok, Balvas; Ramadhani, Muhamad Rafly; Septiani, Wisti Dwi; R, Syaifur Rahmatullah Abdul
Jurnal Pendidikan Tambusai Vol. 10 No. 1 (2026)
Publisher : LPPM Universitas Pahlawan Tuanku Tambusai, Riau, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/jptam.v10i1.36074

Abstract

Penelitian ini bertujuan untuk mengembangkan model prediksi tingkat risiko kesehatan maternal menggunakan algoritma pohon keputusan C4.5. Risiko komplikasi pada ibu hamil merupakan isu penting dalam pelayanan kesehatan, sehingga deteksi dini diperlukan untuk menurunkan morbiditas dan meningkatkan tindakan pencegahan. Data yang digunakan mencakup parameter fisiologis seperti tekanan darah sistolik, tekanan darah diastolik, kadar gula darah, suhu tubuh, detak jantung, dan usia ibu. Algoritma C4.5 diterapkan untuk membangun model klasifikasi yang membagi tingkat risiko menjadi kategori low risk, mid risk, dan high risk. Hasil pengujian menunjukkan bahwa model mencapai akurasi 73,67%, dengan kinerja yang baik pada kategori risiko rendah dan tinggi, meskipun prediksi pada kelas menengah masih memerlukan optimalisasi. Pohon keputusan yang dihasilkan menunjukkan bahwa tekanan darah sistolik dan kadar gula darah merupakan penentu utama dalam klasifikasi risiko maternal. Temuan ini menunjukkan bahwa algoritma C4.5 mampu memberikan model prediksi yang interpretatif dan cukup andal untuk membantu proses pengambilan keputusan klinis. Penelitian selanjutnya dapat meningkatkan performa dengan mengatasi ketidakseimbangan kelas serta menerapkan pendekatan hybrid machine learning.
Optimasi Metode Algoritma C.45 Menggunakan Algoritma Genetika Untuk Penentuan Jenis Benang Pada Konveksi Wisti Dwi Septiani; Indah Puspitorini; Murniyati Murniyati; Diana Novita
Jurnal Minfo Polgan Vol. 12 No. 2 (2023): Artikel Penelitian 2023
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v12i2.13363

Abstract

Nilosa Rama Buana adalah sebuah industri di bidang konveksi yang memproduksi produk konveksi baik dari instansi perkantoran, sekolah, perusahaan maupun pribadi. Produk yang dihasilkan seperti kaos sablon, kaos distro, sprei, selimut, pakaian bayi dan anak. Tujuan penelitian ini adalah memprediksi jenis rajutan, gramasi, dan jenis ukuran benang yang sesuai untuk membantu konveksi dalam pembuatan produk sehinggan persiapan produksi menjadi lebih efisien menggunakan algoritma klasifikasi data mining. Metode yang digunakan dalam penelitian ini adalah implementasi Algoritma Genetika optimasi terhadap metode Algoritma C4.5, dilakukan optimasi untuk meningkatkan akurasi metode. Hasil penelitian ini adalah kenaikan nilai akurasi 45,18% dengan pengujian optimasi menggunakan metode Algoritma Genetika, juga dihasilkan pohon keputusan dari metode Decision Tree. Kesimpulan dari penelitian ini adalah metode optimasi Algoritma Genetika dapat membantu meningkatkan kehandalan dan rule yang dihasilkan dari pohon keputusan Algoritma C4.5 dapat dijadikan acuan untuk membantu konveksi dalam penentuan jenis benang pada persiapan produksi.
Penerapan Sistem Informasi Akuntansi Pada Praktek Bidan Mandiri Wiwi Pujianti Menggunakan Software Akuntansi Accurate 5.0 Murniyati Murniyati; Wisti Dwi Septiani; Indah Puspitorini; Diana Novita
Jurnal Minfo Polgan Vol. 13 No. 1 (2024): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v13i1.13806

Abstract

Dalam dunia bisnis, pencatatan keuangan yang akurat dan teratur sangat penting. Hal ini dikarenakan data keuangan yang tepat dan terpercaya dapat memberikan informasi yang berguna untuk pengambilan keputusan bisnis yang tepat. Maka, untuk memudahkan proses pencatatan keuangan tersebut, banyak bisnis yang menggunakan software akuntansi berupa Accurate 5.0. Perusahaan membutuhkan sebuah sistem informasi akuntansi yang dapat menunjang aktivitas bisnisnya. Penerapan sistem informasi akuntansi sangat di perlukan dalam pengolahan transaksi keuangan perusahaan untuk mendapatkan informasi yang tepat dan cepat. Pengolahan data keuangan yang masih menggunakan pencatatan sederhana mulai dari mengumpulkan bukti transaksi, membuat jurnal sampai dengan laporan keuangan menyebabkan pengolahan transaksi keuangan mengalami banyak hambatan, yang menyebabkan proses pengambilan keputusan seringkali terlambat. Metode pengumpulan data yang digunakan antara lain metode wawancara, metode observasi, dan metode studi pustaka. Penerapan sistem informasi akuntansi menggunakan Software akuntansi Accurate 5.0 menjadi solusi untuk mengatasi masalah dalam menyusun laporan keuangan perusahaan. Dan menghasilkan informasi secara tepat, cepat, dan akurat.
Klasifikasi Gangguan Tidur Menggunakan Metode Decision Tree dan Algoritma Genetika Wisti Dwi Septiani
Jurnal Minfo Polgan Vol. 13 No. 2 (2024): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v13i2.14585

Abstract

Pola tidur yang baik berperan penting dalam menjaga kesehaatan tubuh serta keseimbangan fisik dan mental seseorang. Gaya hidup yang sehat seperti pola makan, aktivitas fisik dan kebiasaan pola hidup sehat berperan penting dalam mempengaruhi kualitas tidur. Gangguan tidur merupakan masalah kesehatan yang semakin banyak dialami oleh individu global saat ini dan berpotensi memberikan dampak negatif terhadap kualitas hidup mereka. Dalam era kecerdasan buatan, analisis data menjadi salah satu pendekatan yang efektif untuk memahami pola dan prediksi terkait kesehatan. Tujuan penelitian ini adalah memprediksi gangguan tidur berdasarkan kualitas tidur dan gaya hidup. menggunakan algoritma klasifikasi data mining. Metode yang digunakan dalam penelitian ini adalah implementasi metode Decision Tree, dengan seleksi fitur menggunakan Algoritma Genetika untuk meningkatkan akurasi metode. Hasil penelitian ini adalah kenaikan nilai akurasi sebesar 10,72% dengan pengujian optimasi menggunakan metode Algoritma Genetika, juga dihasilkan pohon keputusan dari metode Decision Tree. Kesimpulan dari penelitian ini adalah metode optimasi Algoritma Genetika dapat membantu meningkatkan kehandalan dan rule yang dihasilkan dari pohon keputusan Metode Decision Tree dipilih karena mampu memberikan prediksi yang akurat dan menghasilkan rule dari phon keputusan yang mudah dipahami dan dapat membantu kita untuk memprediksi gangguan tidur sehingga dapat meningkatkan kesadaran akan pentingnya hidup sehat dengan menjaga kualitas tidur dan gaya hidup yang sehat. Hasil penelitian ini juga menunjukkan bahwa durasi tidur, tingkat stres, aktivits fisik, umur, dan BMI memberikan pengaruh signifikan terhadap kualitas tidur sesesorang.
Penerapan Algoritma K-Means Untuk Pengelompokan Risiko Penyakit Diabetes: Pendekatan Berbasis Data untuk Deteksi Dini Nabila Yuniarti; Najah Nur Aliyah; Widiana Salsabilah; Ziyad Dante Al Najji; Bibit Sudarsono; Wisti Dwi Septiani
Riau Jurnal Teknik Informatika Vol. 4 No. 3 (2025): November 2025
Publisher : Universitas Pasir Pengaraian

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30606/rjti.v4i3.3518

Abstract

Diabetes merupakan kondisi ketika pankreas tidak mampu memproduksi insulin secara optimal, atau ketika tubuh tidak dapat menggunakan insulin dengan efektif, sehingga distribusi insulin menjadi terganggu. Dalam pelaksanaan penelitian ini, peneliti mengadopsi dua pendekatan utama yang menjadi landasan dalam proses pengumpulan dan analisis data, yaitu studi literatur yang dilakukan dengan mencari, mengevaluasi, dan mengkaji berbagai artikel jurnal ilmiah, sumber terpercaya lainnya yang berkaitan dengan topik penelitian, dan penerapan algoritma K-Means yang memberikan gambaran lebih terstruktur mengenai distribusi kelompok pasien. Dalam proses analisis, digunakan aplikasi RapidMiner untuk mempermudah pengelompokan data dan memungkinkan peneliti mengevaluasi kinerja algoritma K-Means yang diterapkan. Dataset yang digunakan berisi 5.000 data pasien dan 9 atribut kesehatan, yang dikelompokkan menggunakan metode Elbow dan validasi dengan Davies-Bouldin Index, dengan nilai 0,827. Secara keseluruhan, terdapat tiga cluster  utama yang masing-masing menunjukkan karakteristik kesehatan berbeda. Cluster  pertama terdiri dari pasien dengan risiko rendah (45%), yang memiliki kadar gula darah normal dan tidak ada yang terdiagnosis diabetes. Cluster  kedua menunjukkan kelompok dengan risiko menengah (35%) yang mulai menunjukkan gejala pra-diabetes serta peningkatan kadar gula darah dan beberapa faktor risiko lain. Sedangkan cluster  ketiga berisi pasien dengan risiko tinggi (20%) yang memiliki kadar gula darah sangat tinggi, di mana sebagian besar sudah berada dalam fase diabetes dan menghadapi kondisi yang lebih serius. Temuan ini menunjukkan bahwa hasil klasterisasi tidak hanya menggambarkan variasi kondisi kesehatan pasien, tetapi juga memiliki nilai praktis dalam konteks medis, seperti membantu tenaga kesehatan melakukan deteksi dini, memprioritaskan pasien berisiko tinggi, serta mendukung strategi intervensi yang lebih personal dan tepat sasaran.
OPTIMASI ALGORITMA C4.5 MENGGUNAKAN ALGORITMA GENETIKA UNTUK PREDIKSI PENYAKIT HEPATITIS Wisti Dwi Septiani
INTI Nusa Mandiri Vol. 15 No. 1 (2020): INTI Periode Agustus 2020
Publisher : Lembaga Penelitian dan Pengabdian Pada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33480/inti.v15i1.1421

Abstract

Hepatitis is an infectious disease which is a public health problem that affects morbidity, mortality, public health status, life expectancy, and other socio-economic impacts. Hepatitis is inflammation of the liver that can increase into liver cancer. The most common causes of hepatitis are those caused by hepatitis B and C viruses. Previous research used the data mining classification method C.45 algorithm and showed an accuracy rate of 77.29%. The purpose of this study is to improve the accuracy of the C.45 algorithm by optimization using genetic algorithm. The results of this further research are the decision tree and an increase in the accuracy rate of 12.42% from 77.29% to 89.71%.
Co-Authors Andreyestha Andreyestha Ariansyah, Azriel Alpanizar Bibit Sudarsono Diana Novita Eko Pramono, Eko Fajar Akbar, Fajar Indah Puspitorini Ivo Grizelda Kuncoro, Krisnanto Dwi Marlina Marlina Masruri Sentiko , Ahmad Mubarok, Balvas Muhamad Ikhsan Ibrahim Murniyati Murniyati Murniyati Nabila Yuniarti Najah Nur Aliyah Narti Narti Noer Hikmah Octa Pratama Putra Popon Handayani R, Syaifur Rahmatullah Abdul Ramadhani, Muhamad Rafly Richky Faizal Amir Saputra, Renaldy Sri Utami Untung Rohwadi Widiana Salsabilah Yudha, Rendy Galih Prasetya Zaidan, Achmad Ziyad Dante Al Najji