Article Per Year (5 Year)
p-Index From 2020 - 2025
0.778
P-Index
This Author published in this journals
All Journal Jurnal Informatika Jurnal Teknologi Informasi, Komputer, dan Aplikasinya (JTIKA )
Erika Nia Devina Br Purba
Universitas Negeri Medan
Computer Science & IT Decision Sciences, Operations Research & Management Engineering

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
Perbandingan Algoritma Support Vector Machine dan K-Nearest Neighbor untuk Memprediksi Struktur Sekunder Protein Anggi Tasari; Dewan Dinata Tarigan; Erika Nia Devina Br Purba; Kana Saputra S
Jurnal Informatika Vol 9, No 2 (2022): Oktober 2022
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/inf.v9i2.13100

Abstract

Pendekatan biologi komputasi telah maju secara eksponensial dalam prediksi struktur sekunder protein yang sangat penting untuk industri farmasi. Ekstraksi fitur protein di dalam laboratorium memiliki informasi yang cukup untuk prediksi struktur sekunder protein yang digunakan dalam studi bioinformatika. Memprediksi struktur sekunder protein merupakan suatu permasalahan yang terdapat dalam bidang Bioinformatika. Terdapat beberapa metode yang telah diterapkan dengan tingkat akurasi yang dihasilkan berbeda-beda. Penelitian ini bertujuan untuk membandingkan model prediksi Support Vector Machine dengan K-Nearest Neighbor dalam memprediksi struktur sekunder protein. Dalam penelitian ini, model Support Vector Machine dan K-Nearest Neighbor disajikan dalam dataset RS126 yang terdiri dari 126 data protein dan memiliki panjang urutan protein rata-rata 185 sekuens Data RS126 juga terdiri atas 32% alpha helix, 21% beta, dan 47% coil. Masing-masing model prediksi pada penelitian ini diberikan nilai lebar sliding window sebesar 15. Nilai K = 5, K=10, dan K= 15 untuk model prediksi KNN serta Nilai C = 1, Gamma = 0,1 dan Kernel Radial Basis Function untuk model prediksi SVM. Penggunaan model Support Vector Machine dan K-Nearest Neighbor digunakan untuk memperoleh hasil yang relavan serta akurat dalam prediksi struktur sekunder. Beberapa prinsip yang diusulkan memiliki klarifikasi biologis yang menarik dan relevan. Hasil yang diperoleh menegaskan bahwa keberadaan asam amino tertentu dalam urutan protein meningkatkan stabilitas untuk prakiraan stuktur sekunder protein. Dalam penelitian ini algoritma KNN memiliki performa yang lebih baik dalam memprediksi struktur sekunder protein dibandingkan dengan algoritm SVM. Computational biology approaches have advanced exponentially in the prediction of the secondary structure of proteins of great importance to the pharmaceutical industry. The extraction of protein features in the laboratory has sufficient information for the prediction of the secondary structure of proteins used in bioinformatics studies. Predicting the secondary structure of proteins is a problem in the field of bioinformatics. There are several methods that have been applied with different levels of accuracy produced. This study aims to compare the Support Vector Machine prediction model with K-Nearest Neighbor in predicting the secondary structure of proteins. In this study, the Support Vector Machine and K-Nearest Neighbor models are presented in the RS126 dataset which consists of 126 protein data with an average protein sequence length of 185 sequences. RS126 data also consists of 32% alpha helix (H) , 21% beta (E), and 47% coil (C). Each prediction model in this study is given a sliding window width value of 15. The value of K = 5, K = 10, and K = 15 for the KNN prediction model and the value of C = 1, Gamma = 0.1 and Kernel Radial Basis Function for SVM prediction model. The use of Support Vector Machine and K-Nearest Neighbor models are used to obtain relevant and accurate results in secondary structure prediction. Some of the proposed principles have interesting and relevant biological clarifications. The obtained results confirm that the presence of certain amino acids in the protein sequence increases the stability for the predicted secondary structure of the protein. In this study, the KNN algorithm has a better performance in predicting the secondary structure of proteins than the SVM algorithm.
Penentuan Kriteria Penerima Beasiswa Berprestasi Menggunakan Metode Analytical Hierarchy Process Anti Nada Nafisa; Erika Nia Devina Br Purba; Nurul Adawiyah Putri; Debi Yandra Niska
Jurnal Informatika Vol 9, No 2 (2022): Oktober 2022
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/inf.v9i2.12893

Abstract

Masalah ekonomi Indonesia menjadi penghambat keberlangsungan pendidikan Indonesia, oleh karena itu dibuatlah program beasiswa. Beasiswa   dirancang bagi mahasiswa berprestasi yang kurang mampu. Ketika memutuskan penerima beasiswa   yang baik, pilihan dibuat bahwa siswa yang dipilih memenuhi kriteria. Penentuan kriteria terbaik untuk menentukan penerima beasiswa dapat dilakukan dengan menggunakan salah satu metode dalam sistem pendukung keputusan yaitu metode Analytical Hierarchy Process, dimana persepsi manusia menjadi input utamanya. Adapun kriteria yang dipakai dalam penelitian ini adalah nilai, prestasi akademik, dan pendapatan orang tua. Berdasarkan penelitian yang telah dilakukan, didapatkan bahwa kriteria yang sangat mempengaruhi keputusan penerima beasiswa adalah kriteria nilai yang dicapai mahasiswa dengan persentase 64,8%. Economic problems in Indonesia are an obstacle to the continuity of education in Indonesia, thus creating a scholarship program. Scholarships are intended for underprivileged students and outstanding students. To determine scholarship recipients, a selection is carried out where there are several predetermined criteria, taking into account the most influencing aspects in the selection of scholarship recipients. To get the best criteria in determining scholarship recipients, it can be done using a Decision Support System with the Analytical Hierarchy Process method where the main input is human perception. The criteria used in this study are Grades, Student Achievements, and Social Studies which are considered the most influential in the selection of outstanding scholarships. Each criterion will be given a weight, which is done by comparing the criteria with each other. The results of this study indicate that the criteria that greatly influence the determination of scholarship recipients are in terms of the value obtained by students, with a percentage of 64.8%, Student Achievement with a percentage of 22.9% and Social Studies with a percentage of 12.2%
Sistem Pakar Diagnosa Penyakit Kulit Kucing Dengan Metode Dempster Shafer Khusnul Arifin; Anti Nada Nafisa; Erika Nia Devina Br Purba; Nurul Adawiyah Putri; Kana Saputra S; Debi Yandra Niska
Jurnal Informatika Vol 10, No 1 (2023): April 2023
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/inf.v10i1.14488

Abstract

Kucing merupakan salah satu hewan yang banyak dipelihara oleh masyarakat. Penyakit kulit pada kucing seringkali membuat pemiliknya merasa bingung dan terkendala dalam diagnosa penyakit kulit pada kucing yang dipelihara. Butuh perawatan lebih untuk menjaga kesehatan kulit kucing dan perlunya pemahaman bagi pemilik kucing untuk mengetahui cara menangani apabila kucing terserang penyakit kulit. Dengan adanya sistem pakar dapat diketahui penyakit kulit apa yang sedang dialami oleh kucing tersebut dan dapat memberikan solusi. Metode dempster shafer memiliki kemampuan dalam memberikan tingkat keakuratan yang tinggi, dimana metode ini mampu berpikir layaknya seorang pakar, namun dengan menggunakan perhitungan melalui gejala yang memiliki nilai densitas. Sistem pakar diagnosa penyakit kulit kucing dengan metode dempster shafer berbasis web dapat mempermudah bagi pemilik kucing dalam mencari informasi jenis penyakit kulit pada kucing, juga dapat mendiagnosa penyakit dan memberikan solusi dari penyakit kulit tersebut. Hasil akurasi yang diperoleh dari perhitungan manual sebesar 90% dan hasil akurasi yang diperoleh dari sistem sebesar 83%. Kata Kunci: Sistem Pakar, Kulit Kucing, Dempster Shafer
IMPLEMENTASI ALGORITMA CONVOLUTIONAL NEURAL NETWORK ARSITEKTUR MODEL MOBILENETV2 DALAM KLASIFIKASI PENYAKIT TUMOR OTAK GLIOMA, PITUITARY DAN MENINGIOMA Fahri Aulia Alfarisi Harahap; Anti Nada Nafisa; Erika Nia Devina Br Purba; Nurul Adawiyah Putri
JTIKA (Jurnal Teknik Informatika, Komputer dan Aplikasinya) Vol 5 No 1 (2023): March 2023
Publisher : Program Studi Teknik Informatika, Fakultas Teknik, Universitas Mataram

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29303/jtika.v5i1.234

Abstract

Tumor otak merupakan penyakit yang ditandai dengan pertumbuhan sel yang tidak normal pada jaringan otak. Salah satu cara yang dapat dilakukan dokter dalam pendeteksian tumor otak yaitu pengamatan langsung dengan diagnosis secara manual yang memiliki resiko terjadinya kesalahan. Beberapa jenis tumor otak antara lain Glioma, Pituitary dan Meningioma. 3 jenis tumor otak ini jika dilihat dari citranya ketiganya hampir mirip. Tetapi para ahli radiologi dan juga dokter spesialis bedah berhasil menemukan bahwa ada perbedaan antara citra Glioma, Pituitary dan Meningioma. Penelitian ini menggunakan algoritma deep learning yaitu Convolutional Neural Network (CNN) yang ditambahkan dengan model arsitektur model MobileNetV2 untuk melakukan klasifikasi penyakit tumor otak. Data citra yang digunakan adalah data citra penyakit otak yang diperoleh dari Kaggle dengan total 186 data citra yang terbagi atas 3 kategori, yaitu penyakit otak Glioma, Meningioma, dan Pituitary. Dari hasil pengujian dengan data testing didapat nilai evaluasi akurasi sebesar 0.7833 atau 78% dan hasil pengujian dengan data validasi didapat nilai evaluasi akurasi sebesar 0.83 atau 83% dalam melakukan klasifikasi penyakit tumor otak Glioma, Pituitary dan Meningioma.
Co-Authors Anggi Tasari Anti Nada Nafisa Dewan Dinata Tarigan Fahri Aulia Alfarisi Harahap Kana Saputra S Khusnul Arifin Niska, Debi Yandra Nurul Adawiyah Putri