Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Pendas : Jurnah Ilmiah Pendidikan Dasar Jifosi
Intan Yuniar Purbasari
Unknown Affiliation
Computer Science & IT Other

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

Found 2 Documents
Search

 1 
IMPLEMENTASI NAÏVE BAYES CLASSIFIER UNTUK MENDIAGNOSIS PENYAKIT INTELLECTUAL DISABILITY Serlynda Dwi Rosalina; Intan Yuniar Purbasari; Eka Prakarsa Mandyartha
Jurnal Informatika dan Sistem Informasi Vol. 3 No. 2 (2022): Jurnal Informatika dan Sistem Informasi (JIFOSI)
Publisher : Fakultas Ilmu Komputer Universitas Pembangunan Nasional Veteran Jawa Timur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33005/jifosi.v3i2.489

Abstract

Intellectual Disability merupakan keadaan dimana seorang anak mempunyai kemampuan intelektual di bawah rata-rata yang mengakibatkan mereka sulit untuk bersosialisasi, beradaptasi dengan lingkungan, dan mengikuti program pendidikan di sekolah biasa seperti anak normal pada umumnya. Sangat penting dilakukan oleh para orang tua maupun guru untuk memahami gejala-gejala yang dimiliki oleh anak dalam melakukan deteksi awal penyakit Intellectual Disability. Oleh sebab itu dibutuhkanlah suatu sistem yang dapat digunakan untuk melakukan diagnosis penyakit Intellectual Disability. Sistem ini dapat digunakan oleh para orang tua ataupun para guru, sehingga dengan adanya sistem tersebut diharapkan mereka tidak perlu mengeluarkan biaya lebih untuk berkunjung ke dokter atau psikolog dalam melakukan diagnosis penyakit ini. Metode yang diterapkan pada sistem ini yaitu menggunakan metode klasifikasi dengan Algoritma Naïve Bayes Classifier dimana sistem ini menghasilkan 4 output klasifikasi yaitu klasifikasi kelas rendah, sedang, berat, dan normal. Penerapan Algoritma Naïve Bayes Classifier dalam sistem ini diperoleh nilai akurasi tertinggi pada pengujian kedua yaitu sebesar 100%, nilai presisi 100%, dan nilai recall sebanyak 100%.
Penerapan Explainable Boosting Machine Pada Hasil Pencarian Best Matching 25 Sebagai Rekomendasi Kualitas Buku Dengan Penjelasan Fitur Bagus Satrio Wicaksono; Intan Yuniar Purbasari; Henni Endah Wahanani
Pendas : Jurnal Ilmiah Pendidikan Dasar Vol. 11 No. 03 (2026): Volume 11 No. 03, September 2026 Produce
Publisher : Program Studi Pendidikan Guru Sekolah Dasar FKIP Universitas Pasundan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23969/jp.v11i03.61788

Abstract

The rapid growth of digital book collections creates information overload, complicating book discovery for readers. Traditional BM25 search systems retrieve keyword-relevant documents but completely ignore book quality signals. Furthermore, conventional machine learning re-ranking models act as black-boxes, obscuring their decision-making processes, while post-hoc explanation methods only provide approximations that do not represent the model's exact logic. This study proposes a two-stage ranking architecture integrating an Explainable Boosting Machine (EBM) as a glass-box re-ranker over BM25 initial retrievals. Trained on 13.4 million Goodreads interaction records, the EBM predicts general book quality based on metadata. Evaluation using 50 queries demonstrates that EBM with feature interactions achieves an NDCG@10 of 0.9373, outperforming the BM25 baseline (0.9284) specifically on exploratory genre queries by prioritizing popular, high-quality books. Global interpretability analysis reveals that popularity contributes most significantly to prediction scores, whereas local explanations precisely map individual feature attributions. Ablation testing confirms the faithfulness of these explanations; removing dominant features consistently reduces prediction scores matching their exact shape function values. In conclusion, integrating EBM successfully enhances BM25 ranking quality through community-based signals while providing fully transparent and auditable feature explanations.
Co-Authors Bagus Satrio Wicaksono Eka Prakarsa Mandyartha Henni Endah Wahanani Serlynda Dwi Rosalina