Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : Jurnal Teknik Informatika UNIKA Santo Thomas

Co-Fit: Menjaga Kesehatan melalui Aplikasi Health Profiling dalam Pencegahan dan Deteksi Gejala Covid-19 Afriansyah, Aidil; Annisa, Resty
Jurnal Teknik Informatika UNIKA Santo Thomas Vol 6 No. 2 : Tahun 2021
Publisher : LPPM UNIKA Santo Thomas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54367/jtiust.v6i2.1500

Abstract

Menjaga kesehatan kebutuhan utama manusia khususnya sekarang pada saat pendemi COVID-19. Setiap manusia memiliki kebutuhan yang berbeda dalam menjaga kesehatan. Dimasa pandemi mengharuskan kita membatasi kegiatan diluar rumah namun tetap menerapkan pola hidup sehat diantaranya adalah berolahraga dalam upaya untuk menjaga kondisi kesehatan, penulis terinspirasi membangun sebuah sistem yang dapat mendukung hal tersebut. Sistem yang dibangun harus dapat memahami profil kesehatan (Health Profiling) dari user. Setiap hari user mendapat notifikasi untuk melakukan pengecekan kesehatan dengan cara menjawab beberapa pertanyaan tentang kesehatan khususnya gejala COVID-19, Jika user terdeteksi gejala COVID-19, akan ditampilkan notifikasi segera melakukan pengecekan ke klinik kesehatan terdekat. Setelah terdeteksi gejala dini COVID-19 oleh pihak klinik, system akan memberikan informasi rekomendasi ke rumah sakit rujukan COVID-19. System ini juga dapat memberikan informasi cara menjaga kesehatan dengan pemberitahuan untuk berolahraga beserta program latihannya (exercises) dan informasi terbaru mengenai COVID-19. Hal ini sebagai tindakan deteksi dini pencegahan COVID-19. Metode yang digunakan pada perancangan system ini yaitu User-Centered Design yang mengacu pada user experience calon pengguna. Tujuan utama dari metode tersebut adalah untuk membuat suatu sistem informasi yang user-friendly dengan tingkat usability yang tinggi
Evaluasi Logistic Regression dan Neural Network pada Klasifikasi Gagal Jantung Berbasis Threshold Anggraini, Leslie; Akram Abdillah, Attar; Kartadilaga, Muhammad Qaessar; Verdiana, Miranti; Nugroho, Eko; Afriansyah, Aidil; Febrianto, Andre; Bagaskara, Radhinka
Jurnal Teknik Informatika UNIKA Santo Thomas Vol 10 No. 1 : Tahun 2025
Publisher : LPPM UNIKA Santo Thomas

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

Abstract

Kardiovaskular adalah sistem jantung dan pembuluh darah dalam tubuh manusia yang bertanggung jawab atas sirkulasi darah dalam jantung, pembuluh darah, dan darah sendiri. Gangguan pada fungsi sistem ini dapat menyebabkan penyakit kardiovaskular, seperti gagal jantung, yang menjadi salah satu penyebab utama kematian di seluruh dunia. Kematian yang disebabkan oleh gagal jantung mempengaruhi 1.5 juta pasien di seluruh dunia. Dikarenakan oleh data statistik tersebut, maka ada kebutuhan untuk dapat memprediksi dampak gagal jantung untuk membantu tingkat kelangsungan hidup pasien. Sebagai bentuk kontribusi terhadap kebutuhan tersebut, penelitian ini akan menganalisis sebuah dataset pelayanan kesehatan, yaitu dataset rekam gagal jantung dari UCI. Dataset tersebut akan digunakan untuk mengklasifikasi dan memprediksi peluang kematian dari pasien gagal jantung. Kami akan membandingkan antara dua metode klasifikasi dari machine learning, yaitu Logistic Regression (LR), dan deep learning, yaitu Shallow Neural Network (SNN). Mutual Information (MI) dipilih sebagai metode pemilihan fitur. Hasil menunjukkan bahwa SNN menghasilkan akurasi lebih tinggi dengan skor 0.75, dibandingkan LR dengan akurasi sebesar 0.63.
Analisis Hubungan dan Prediksi Depresi Mahasiswa Berdasarkan Faktor Akademik dan Gender Verdiana, Miranti; Dwi Nugroho, Eko; Anggraini, Leslie; Bagaskara, Radhinka; Yulita, Winda; Afriansyah, Aidil; Habib Algifari, Muhammad
Jurnal Teknik Informatika UNIKA Santo Thomas Vol 10 No. 1 : Tahun 2025
Publisher : LPPM UNIKA Santo Thomas

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

Abstract

This study aims to analyze the level of depression among university students by examining gender and several academic indicators. The dataset includes responses from 27,901 students across various regions, with variables covering age, gender, academic pressure, study satisfaction, work/study hours, CGPA, and depression status. The analytical methods applied in this study include the chi-square test to eval_uate the association between gender and depression status, point-biserial correlation to examine relationships between numeric variables and depression, and logistic regression to develop a prediction model. The chi-square test results revealed no significant relationship between gender and depression (p = 0.774), indicating that depression affects both genders. In contrast, academic pressure exhibited the strongest correlation with depression status (r = 0.47), followed by work/study hours (r = 0.209) and study satisfaction (r = -0.168). The Logistic Regression model constructed using the four most relevant variables demonstrated satisfactory performance, achieving 75.5% accuracy and 82.1% recall in identifying students experiencing depression. These findings highlight the critical role of academic-related factors—particularly academic pressure—in influencing students’ mental health. Therefore, targeted academic support strategies are essential to mitigate depression risks in higher education environments. Keywords— Student Depression, Academic Pressure, Gender, Logistic Regression, Mental Health Prediction