Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal Jurnal Siger Matematika Sciencestatistics: Journal of Statistics, Probability, and Its Application
Naflah Faulina
Universitas Lampung
Computer Science & IT Decision Sciences, Operations Research & Management Mathematics

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

Found 3 Documents
Search

 1 
Analisis Propensity Score Matching Pada Kejadian Diabetes Melitus Yang Memuat Faktor Confounding Naflah Faulina; Khoirin Nisa; Dorrah Aziz; Eri Setiawan
Jurnal Siger Matematika Vol 2, No 2 (2021): Jurnal Siger Matematika
Publisher : FMIPA Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (495.284 KB) | DOI: 10.23960/jsm.v2i2.2810

Abstract

Faktor confounding dapat didefinisikan sebagai bias dalam estimasi efek faktor risiko terhadap kejadian penyakit yang ingin diteliti.  Salah satu metode yang dapat menangani faktor confounding adalah metode propensity score matching yang digunakan untuk menyeimbangan data kelompok perlakuan dan kontrol dengan melihat nilai pada hasil estimasi propensity score menggunakan regresi logistik, kemudian melakukan analisis matching, lalu melakukan post-matching.  Tujuan dari penelitian ini adalah untuk mendapatkan hasil analisis propensity score matching yang memuat faktor confounding dan mengetahui faktor-faktor risiko yang menyebabkan diabetes melitus di RSD. Mayjend HM Ryacudu Kotabumi dengan bantuan software R.  Data yang digunakan adalah status diabetes melitus (Y), jenis kelamin , usia , kadar glukosa darah , tekanan darah , kadar kolesterol , kadar asam urat serum , dan obesitas .  Hasil analisis mendapatkan variabel confounding glukosa darah menghasilkan 49 pasangan pasien yang sesuai dan variabel tekanan darah, kadar kolestrol, obesitas seimbang, sehingga estimasi average treatment of treated sebesar 0,513 dengan standar error sebesar 0,103 dan mampu mereduksi bias sebesar 57,1%.  Variabel yang berpengaruh langsung terhadap status diabtes melitus adalah kadar glukosa darah dan variabel yang tidak berpengaruh langsung terhadap status diabetes melitus yaitu tekanan darah, kadar kolestrol, dan obesitas.
Naive Bayes Classification of Bullying and Non-Bullying Comments in Instagram Social Media Posts Naflah Faulina
Sciencestatistics: Journal of Statistics, Probability, and Its Application Vol. 2 No. 1 (2024): JANUARY
Publisher : Universitas Muhammadiyah Metro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24127/sciencestatistics.v2i1.5527

Abstract

Machine learning is a type of artificial intelligence that provides computers with the ability to learn from data. There are three main branches of machine learning, namely supervised machine learning, unsupervised learning, and reinforcement learning. One of the categories in supervised machine learning is classification. Classification is the process of assessing a data object where the object is put into a certain class from the number of classes available. An example of a classification algorithm is Naive Bayes with classification using probability and statistical methods. This algorithm is used to classify Bullying and Non-bullying with a division of training data and testing data, namely 60:40, 70:30, and 80:20 resulting in the best accuracy value for training data and testing data 60:40 of 66%.
Implementation Of Artificial Neural Network (ANN) Classification In Type 2 Diabetes Mellitus Cases Naflah Faulina
Sciencestatistics: Journal of Statistics, Probability, and Its Application Vol. 2 No. 2 (2024): JULY
Publisher : Universitas Muhammadiyah Metro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24127/sciencestatistics.v2i2.5951

Abstract

Machine learning is a type of artificial intelligence that provides computers with the ability to learn from data. There are three main branches of machine learning, namely supervised machine learning, unsupervised learning, and reinforcement learning. One of the categories in supervised machine learning is classification. An example of a classification algorithm is Artificial neural networks are information processing systems that have characteristics and capabilities that are generally similar to human neural networks. A neural network consists of an arrangement of connections between neurons which is called architecture, a method for determining weights on connections which is called a training process or algorithm, and an activation function. This algorithm is used to classify type 2 diabetes mellitus patients as having complications and no complications by dividing training data and testing data, namely 70:30, to get the best results, namely multi layer (3 Hidden Layers with number of nodes/neurons= 5,4,3) . Machine Learning adalah jenis kecerdasan buatan yang memberi komputer kemampuan untuk belajar dari data. Ada tiga cabang utama pembelajaran mesin, yaitu pembelajaran mesin yang diawasi, pembelajaran tanpa pengawasan, dan pembelajaran penguatan. Salah satu kategori dalam pembelajaran mesin yang diawasi adalah klasifikasi. Contoh algoritma klasifikasi adalah Jaringan syaraf tiruan merupakan sistem pengolah informasi yang mempunyai karakteristik dan kemampuan yang umumnya mirip dengan jaringan syaraf manusia. Jaringan saraf terdiri dari susunan koneksi antar neuron yang disebut arsitektur, metode penentuan bobot koneksi yang disebut proses pelatihan atau algoritma, dan fungsi aktivasi. Algoritma ini digunakan untuk mengklasifikasikan pasien diabetes melitus tipe 2 memiliki komplikasi dan tanpa komplikasi dengan membagi data latih dan data uji yaitu 70:30, untuk mendapatkan hasil terbaik yaitu multi layer (3 Hidden Layer dengan jumlah node/neuron= 5,4,3).
Co-Authors Dorrah Azis Eri Setiawan Khoirin Nisa