Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal INFOKUM Syntax: Journal of Software Engineering, Computer Science and Information Technology
Nur Hayati
Universitas Potensi Utama
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Applications Based on Expert Systems For Early Diagnosing Anemia in Pregnant Women Meizar Abdul; Nur Hayati; Utami Utami
INFOKUM Vol. 10 No. 02 (2022): Juni, Data Mining, Image Processing, and artificial intelligence
Publisher : Sean Institute

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (292.718 KB)

Abstract

Anemia in pregnant women is commonly called iron deficiency anemia with hemoglobin levels in red blood cells 10.0 grams/100 milliliters (10 grams/deciliter). This type of anemia is prone to be experienced by pregnant women because pregnant women must require very high oxygen levels. This type of anemia is not so dangerous but can be dangerous if there are congenital abnormalities of the body. Therefore, the authors feel it is important to identify this type of anemia early because there is a dangerous potential. The author makes an application based on an expert system that early diagnoses a pregnant woman with iron deficiency anemia or not. The method used is Bayes' theorem. The results obtained are efficiency and speed in early diagnosis of anemia in pregnant women used in hospitals. Coal Inalum. With a situation where the hospital only has one doctor serving many pregnant women patients. With the application of an expert system for early diagnosis of anemia in pregnant women, it can help users (doctors) in knowing the early symptoms of whether a pregnant woman has iron deficiency anemia or not.
ANALISIS SENTIMEN KOMENTAR YOUTUBE TERHADAP ISU KESEHATAN MENTAL MENGGUNAKAN ALGORITMA NAÏVE BAYES DAN K-NEAREST NEIGHBOR (KNN) Nur Hayati; Suryandika Tri Nowo; Bambang Suhardi; Rika Rosnelly
Syntax : Journal of Software Engineering, Computer Science and Information Technology Vol 6, No 1 (2025): Juni 2025
Publisher : Universitas Dharmawangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46576/syntax.v6i1.6060

Abstract

Kesehatan mental merupakan salah satu isu yang semakin mendapat perhatian di seluruh dunia. Masalah kesehatan mental sering kali diabaikan, namun dampaknya dapat merusak kualitas hidup individu dan masyarakat secara keseluruhan. Faktor lain yang mempengaruhi upaya penyuluhan kesehatan mental adalah pemahaman yang kurang baik dan kesadaran yang rendah tentang kesehatan mental. Dari penjelasan permasalahan tersebut maka perlu adanya analisis sentimen untuk mengetahui opini masyarakat terhadap kesehatan mental di media sosial youtube. Analisis sentimen merupakan suatu proses untuk memahami emosi atau sentimen dari suatu teks yang ditulis oleh pengguna baik berupa sentimen positif, netral ataupun negatif.  Proses pengambilan dataset dilakukan mengunakan platform Google Colab untuk crawling data dan terkumpul sekitar 2.703 komentar. Setelah dilakukan proses cleaning dan preprocessing jumlah data yang tersisa adalah sebanyak 1700. Metode yang digunakan pada penelitian ini menggunakan algoritma Naïve Bayes dan K-Nearest Neighbor (k-NN).  Dalam penelitian ini, dua metode yang digunakan yaitu pelabelan manual dan pelabelan otomatis menggunakan tools RapidMiner. Pada tahap pertama, pelabelan manual dilakukan pada 305 data menghasilkan nilai akurasi 95% untuk algoritma Naïve Bayes dan nilai akurasi 85.88% untuk algoritma k-NN. Pada tahap kedua, pelabelan otomatis digunakan dengan data latih sebanyak 305 data dan data uji 1.395 data menghasilkan nilai akurasi 68.01% untuk algoritma Naïve Bayes dan nilai akurasi 48.97% untuk algoritma k-NN. Hasil penelitian menunjukkan bahwa algoritma Naïve Bayes memiliki akurasi yang lebih tinggi dibandingkan dengan algoritma K-Nearest Neighbor dalam mengklasifikasikan sentimen dari komentar YouTube terkait isu kesehatan mental.
Co-Authors Bambang Suhardi Rika Rosnelly Suryandika Tri Nowo Utami Utami