Claim Missing Document
Check
Articles

Found 16 Documents
Search

Perbandingan Genetic Algorithm dan Ant Colony Optimization dalam Optimasi Penjadwalan Perawat di Rumah Sakit Sri Dewi; Afrizal Hasan
Jurnal Nasional Teknologi Komputer Vol 6 No 1 (2026): Januari 2026
Publisher : CV. Hawari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61306/jnastek.v6i1.351

Abstract

Nurse scheduling is a complex problem that must satisfy various constraints, such as shift requirements, work hour constraints, and nurse preferences. This study compares the performance of two metaheuristic algorithms, Genetic Algorithm (GA) and Ant Colony Optimization (ACO), with each algorithm producing the best schedule. The evaluation is based on solution quality, convergence, multi-run consistency, and computation time. The results show that ACO produces higher solution quality and consistency, with an average fitness of 8268.06 and a desired shift fulfillment rate of 86%. Conversely, GA excels in time efficiency, with an average execution time of 15.07 seconds, significantly faster than ACO's 72.05 seconds. This difference creates a trade-off between optimal quality and execution speed. These findings suggest that algorithm selection is highly dependent on the hospital's operational needs. ACO, for example, is better suited for nurse satisfaction, while GA is better suited for rapid response.
Sistem Pakar Penyakit pada Anjing Menggunakan Metode Forward Chaining Sanri Yuliana Siallagan; Silvia Wulandari Situngkir; Angel Agasari Siagian; Sri Dewi; Fanny Ramadhani
Journal of Citizen Research and Development Vol. 2 No. 1 (2025): Mei 2025
Publisher : CV. Rayyan Dwi Bharata

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57235/jcrd.v2i1.4163

Abstract

Kesehatan anjing  memerlukan perhatian khusus karena setiap jenis anjing dapat memiliki kecenderungan terhadap berbagai penyakit spesifik. Diagnosis yang cepat dan akurat sangat penting untuk mengurangi risiko komplikasi dan meningkatkan kualitas hidup hewan. Namun, diagnosa penyakit pada anjing  sering kali menghadapi tantangan karena beragam gejala yang dapat terjadi dan kompleksitas informasi medis yang diperlukan. Penelitian ini bertujuan untuk mengembangkan sebuah sistem pakar yang mampu mendiagnosis penyakit pada anjing secara efektif menggunakan metode forward chaining. Sistem ini diharapkan dapat membantu veterinaria dan pemilik hewan dalam memberikan diagnosis awal yang akurat berdasarkan gejala yang dilaporkan, serta mempermudah proses penanganan penyakit pada anjing. Metode forward chaining merupakan metode pencarian atau penarikan kesimpulan yang berdasarkan pada data atau fakta yang ada menuju ke kesimpulan. Metode forward chaining diterapkan untuk inferensi, di mana sistem mulai dari data gejala yang dimasukkan dan menggunakan aturan untuk menyimpulkan kemungkinan diagnosis. Sistem dikembangkan menggunakan platform perangkat lunak yang mendukung pembuatan sistem pakar dan diuji dengan kasus simulasi untuk menilai akurasi dan efektivitasnya. Hasil penelitian ini menunjukkan bahwa sistem ini terbukti efektif dalam mendiagnosis penyakit pada hewan peliharaan anjing melalui gejala awalnya. Sistem ini tidak hanya menunjukkan efisiensi proses diagnosis tetapi juga meningkatkan kesadaran pemilik hewan tentang kesehatan anjing peliharaannya.
Evaluasi Kinerja Algoritma Support Vector Machine (SVM) Dalam Analisis Sentimen Publik Terhadap Naturalisasi Timnas Indonesia di Twitter Muhammad Ghafur Rahman Lubis; Dicky Sambora Sitompul; Teuku Muhammad Giovanni; Fanny Ramadhani; Sri Dewi
Journal of Accounting Law Communication and Technology Vol. 2 No. 1 (2025): Januari 2025
Publisher : CV. Rayyan Dwi Bharata

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57235/jalakotek.v2i1.4180

Abstract

Studi ini bertujuan untuk menganalisis efektivitas algoritma Support Vector Machine (SVM) dalam menilai sentimen masyarakat terkait kebijakan naturalisasi pemain tim nasional sepak bola Indonesia yang dibicarakan di Twitter. Mengingat meningkatnya perhatian terhadap isu naturalisasi, pemahaman tentang reaksi publik menjadi sangat penting. Data diperoleh melalui teknik crawling dari Twitter, menghasilkan kumpulan data yang mencakup beragam opini dan tanggapan publik. Setelah melakukan praproses data, termasuk penghilangan kata yang tidak penting dan stemming, model SVM diterapkan untuk mengkategorikan sentimen menjadi positif, negatif, atau netral. Kinerja model dievaluasi dengan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil dari penelitian ini menunjukkan bahwa algoritma SVM mampu mencapai tingkat akurasi yang memuaskan dalam analisis sentimen publik, serta memberikan wawasan yang berguna mengenai pandangan masyarakat terhadap naturalisasi timnas Indonesia. Temuan ini diharapkan dapat memberikan bantuan kepada pembuat kebijakan dan pemangku kepentingan lainnya dalam memahami dinamika opini publik seputar isu-isu penting dalam dunia olahraga nasional.
Perbandingan Kinerja Algoritma Naive Bayes dan Random Forest dalam Analisis Sentimen Publik Terhadap Batas Usia Calon Presiden dan Wakil Presiden di Twitter Mei Lammi Malau; Steviana Viviola Wicesti Nasution; Putri Tasya Agustina; Sri Dewi; Fanny Ramadhani
Journal of Education Transportation and Business Vol. 1 No. 2 (2024): Desember 2024
Publisher : CV. Rayyan Dwi Bharata

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57235/jetbus.v1i2.4187

Abstract

Pada pemilu di tahun 2024 ini, terdapat pro dan kontra terkait perubahan batas usia calon presiden dan wakil presiden yang memicu perdebatan di kalangan masyarakat khususnya perdebatan yang terjadi pada media sosial seperti X(twitter). Penelitian ini akan membandingkan dua algoritma machine learning yaitu Naive Bayes dan Random Forest untuk melihat kinerja yang lebih baik dalam mengklasifikasikan sentimen. Penelitian ini bertujuan untuk mengukur sentimen publik terhadap perubahan kebijakan perubahan batas usia calon presiden dan wakil presiden pada  media sosial X(twitter) dengan menggunakan teknik analisis sentimen. Penelitian ini membandingkan kinerja algoritma Naive Bayes dan Random Forest dalam analisis sentimen publik terkait batas usia calon presiden dan wakil presiden di Indonesia, menggunakan data X (Twitter). Data sentimen yang dianalisis berasal dari 500 tweet pengguna X (Twitter) menggunakan kata kunci "Putusan MK Usia Capres". Proses praproses meliputi cleaning, case folding, normalisasi, tokenisasi, penghapusan stopword, stemming kemudian fitur teks diekstraksi menggunakan metode TF-IDF. Hasil dari penelitian ini menunjukan bahwa algoritma Random Forest memiliki kinerja yang lebih baik dan tingkat akurasi yang lebih tinggi dari algoritma Naive Bayes dengan nilai akurasi 50.00%.
Implementation of AI in Student Health Risk Analysis: Case Study Using Random Forest and SVM Algorithms Parhan Daulay; Muhammad Ridho; Muhammad Ferdiansyah Hidayat; Sri Dewi; Fanny Ramadhani
QISTINA: Jurnal Multidisiplin Indonesia Vol. 3 No. 2 (2024): December 2024
Publisher : CV. Rayyan Dwi Bharata

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57235/qistina.v3i2.4160

Abstract

The health of students on campus is often threatened by stress and unhealthy living habits, such as poor sleep patterns or lack of physical activity. Students' health is important to their achievement and well-being. By using AI and machine learning algorithms such as Random Forest and Support Vector Machine (SVM), we can analyze health data more quickly and accurately. This helps detect problems early and provide timely assistance. Early identification of students who have the potential to experience health problems, so that timely intervention can be carried out. This research uses quantitative methods by collecting from various sources related to the use of AI and machine learning algorithms in analyzing student health at Medan State University. Data was collected through a survey at Medan State University, covering daily habits such as sleep patterns, physical activity and stress levels. With the results of this analysis, campuses can design health policies that are more effective and appropriate to student needs. It is hoped that this research can contribute to improving the health and well-being of students in the campus environment, as well as preventing more serious health problems in the future.
Analysis of Public Sentiment Regarding the Issue of Cancelling the Revision of the 2024 Regional Election Law with NLP Sabina Wardaniah; Hijka Listia; Siti Wulandari; Fanny Ramadhani; Sri Dewi; Afrizal Hasan
QISTINA: Jurnal Multidisiplin Indonesia Vol. 3 No. 2 (2024): December 2024
Publisher : CV. Rayyan Dwi Bharata

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57235/qistina.v3i2.4166

Abstract

The latest changes regarding the age requirements for regional head candidates in the 2024 Election by the Supreme Court have given rise to various responses from the public. This decision has become an important issue that is widely discussed on social media and mass media, where this decision has caused various reactions, both positive, negative and neutral. Sentiment analysis is important to determine public opinion on this decision. This study aims to analyze public sentiment on the Issue of Cancellation of the Revision of the 2024 Pilkada Law. This study uses the Natural Language Processing (NLP) method with the Naive Bayes algorithm. The data used is text data in the form of public opinion on the Issue of Cancellation of the Revision of the 2024 Pilkada Law collected via Twitter. This data is then processed using NLP techniques such as cleaning, tokenization, normalization, filtering and stemming. After that, public opinion on the Issue of Cancellation of the Revision of the 2024 Pilkada Law is classified into positive, negative and neutral sentiment categories. The results of the study showed that the results of the model performance evaluation using data testing produced an accuracy of 92%, so it can be concluded that this model is good enough for sentiment analysis. Accuracy shows that the model makes correct predictions on 92% of the total data, which is dominated by the neutral class.