Article Per Year (5 Year)
p-Index From 2021 - 2026
2.096
P-Index
This Author published in this journals
All Journal Indonesian Journal on Software Engineering (IJSE) Jurnal Nasional Komputasi dan Teknologi Informasi Journal of Information System, Applied, Management, Accounting and Research Jurnal Informatika Kaputama (JIK) INTERACTION: Jurnal Pendidikan Bahasa JATI (Jurnal Mahasiswa Teknik Informatika) JUSTIAN - Jurnal Sistem Informasi Akuntansi Conten : Computer and Network Technology Hexatech: Jurnal Ilmiah Teknik Jurnal Pendidikan Indonesia (Japendi) Journal Medical Informatics Technology
Eka Herdit Juningsih
Universitas Bina Sarana Informatika
Aerospace Engineering Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Mechanical Engineering Medicine & Pharmacology Neuroscience Public Health Transportation

Published : 13 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 13 Documents
Search

 1   2 
Optimalisasi prediksi penyakit stroke pada data tidak seimbang menggunakan teknik SMOTE-Tomek Juningsih, Eka Herdit; Handayani, Kartika; Erni, Erni; Ismunandar, Dinar
Hexatech: Jurnal Ilmiah Teknik Vol. 4 No. 2 (2025): Hexatech: Jurnal Ilmiah Teknik
Publisher : ARKA INSTITUTE

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55904/hexatech.v4i2.1571

Abstract

Stroke merupakan salah satu penyakit yang berdampak besar terhadap kesehatan masyarakat, karena dapat menyebabkan kematian maupun kecacatan permanen. Oleh karena itu, identifikasi dini terhadap risiko stroke menjadi sangat penting dalam upaya pencegahan. Penelitian ini dilakukan untuk membandingkan kinerja tiga algoritma klasifikasi, yaitu Naive Bayes, K-Nearest Neighbors (KNN), dan Decision Tree, dalam memprediksi kejadian stroke berdasarkan data rekam medis pasien. Dataset yang digunakan terdiri dari 5.110 entri dengan sejumlah fitur seperti usia, jenis kelamin, tekanan darah, kadar glukosa, dan status merokok. Teknik SMOTE-Tomek diterapkan untuk menyeimbangkan jumlah antara data pasien stroke dan non-stroke. Selanjutnya, model dievaluasi menggunakan pengujian validasi silang lima lipatan dan diukur menggunakan akurasi, precision, recall, serta f1-score. Hasil pengujian menunjukkan bahwa model Decision Tree memberikan performa terbaik dengan nilai f1-score yang paling tinggi yakni 91%, setelah penyeimbangan data dilakukan. Berdasarkan hasil pengujian, algoritma Decision Tree menunjukkan performa terbaik dengan nilai f1-score sebesar 91% setelah penyeimbangan data menggunakan SMOTE-Tomek. Hal ini membuktikan bahwa kombinasi teknik balancing SMOTE-Tomek dan pemilihan algoritma klasifikasi yang sesuai sangat efektif dalam meningkatkan akurasi prediksi resiko stroke pada data tidak seimbang.
Perancangan Sisten Informasi Pengiriman Barang Pada CV. Trans Kalimantan Erni, Erni; Juningsih, Eka Herdit; Handayani, Kartika
Jurnal Sistem Informasi Akuntansi Vol. 5 No. 2 (2024): Periode September 2024
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/justian.v5i2.8091

Abstract

Jasa pengiriman barang memainkan peran penting dalam mendukung kegiatan bisnis dan transaksi, baik komersial maupun non-komersial. Dalam era digital, meningkatnya kebutuhan akan sistem pengiriman yang efisien, cepat, dan aman menjadi tantangan bagi perusahaan jasa pengiriman, termasuk CV. Trans Kalimantan di Pontianak. Meskipun perusahaan ini telah menggunakan teknologi komputer, beberapa tahapan operasional masih dilakukan secara manual, yang menyebabkan sejumlah kendala seperti efisiensi rendah, keamanan data yang kurang terjaga, dan proses pelaporan yang memakan waktu. Penelitian ini bertujuan untuk merancang sistem informasi berbasis desktop menggunakan metode prototipe untuk mengatasi permasalahan tersebut. Sistem ini dirancang untuk meningkatkan efisiensi pengelolaan informasi, meminimalkan kesalahan, mempercepat proses pengiriman, serta meningkatkan kualitas layanan dan kepuasan pelanggan. Hasil dari penelitian menunjukkan bahwa rancangan sistem informasi ini dapat membantu mengatasi kendala pada proses operasional sebelumnya, memberikan akses informasi yang lebih mudah, dan mempercepat pembuatan laporan dengan akurasi yang lebih tinggi. Dengan demikian, penerapan sistem informasi baru diharapkan mampu mendukung efisiensi operasional dan pengambilan keputusan manajerial perusahaan.
Klasifikasi Status Gizi Anak Berdasarkan Indikator BB/TB Menggunakan Gradient Boosting Classifier Achmad Rifai; Irmawati Irmawati; Syarah Seimahuira; Eka Herdit Juningsih
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 8, No 4 (2025): Agustus 2025
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v8i4.9393

Abstract

Abstrak - Status gizi anak merupakan indikator penting dalam menentukan kondisi kesehatan dan tumbuh kembang balita. Penelitian ini bertujuan untuk mengklasifikasikan status gizi anak berdasarkan data antropometri dan demografis menggunakan algoritma Gradient Boosting Classifier (GBM). Data yang digunakan berasal dari sumber primer dengan total 521 sampel valid setelah proses pembersihan. Tahapan penelitian meliputi prapemrosesan data, eksplorasi data, pelatihan model, serta evaluasi performa. Proses prapemrosesan mencakup transformasi usia menjadi numerik, standardisasi fitur numerik, one-hot encoding pada fitur kategorikal, dan label encoding pada target. Model dievaluasi menggunakan metrik akurasi, F1-score, dan ROC AUC. Hasil evaluasi menunjukkan bahwa model GBM mampu mencapai akurasi sebesar ±90%, F1-score tertimbang 0.89, dan ROC AUC macro sebesar 0.88. Namun, model menunjukkan performa yang jauh lebih baik dalam mengklasifikasikan kelas mayoritas (“Normal”) dibandingkan kelas minoritas seperti “Gizi Kurang” dan “Gizi Lebih”, yang mengindikasikan adanya masalah ketidakseimbangan kelas. Oleh karena itu, penelitian ini merekomendasikan penerapan teknik penyeimbangan data seperti oversampling (SMOTE), undersampling, serta eksplorasi model lain yang lebih adaptif terhadap distribusi kelas tidak seimbang untuk meningkatkan kinerja klasifikasi secara keseluruhan.Kata Kunci: Status Gizi; Gradient Boosting; Machine Learning; Class Imbalance; BB/TB; Abstract - Nutritional status of children is a crucial indicator in determining the health and developmental conditions of toddlers. This study aims to classify children's nutritional status based on anthropometric and demographic data using the Gradient Boosting Classifier (GBM) algorithm. The data were obtained from a primary source, comprising a total of 521 valid samples after the data cleaning process. The research stages include data preprocessing, exploratory data analysis, model training, and performance evaluation. The preprocessing involved transforming age into numerical format, standardizing numerical features, applying one-hot encoding for categorical features, and label encoding for the target variable. The model was evaluated using accuracy, F1-score, and ROC AUC metrics. The results showed that the GBM model achieved an accuracy of approximately 90%, a weighted F1-score of 0.89, and a macro-average ROC AUC score of 0.88. However, the model performed significantly better in classifying the majority class ("Normal") compared to minority classes such as "Undernutrition" and "Overnutrition," indicating a class imbalance issue. Therefore, this study recommends the application of data balancing techniques such as oversampling (SMOTE), undersampling, and exploring alternative models that are more robust to imbalanced class distributions to improve overall classification performance. Keywords: Nutritional Status; Gradient Boosting; Machine Learning; Class Imbalance; Weight-for-Height (WHZ);
Co-Authors Achmad Rifai Arina Selawati Astuti, Rachmawati Darma Aziz, Faruq Dinar Ismunandar Erni Erni Fajar Sarasati Faruq Aziz Faruq Aziz Hermanto Hermanto Hermanto Hermanto Irmawati Irmawati Irmawati Irmawati Irmawati Irmawati irmawati irmawati irmawati Irmawati, I Kartika Handayani Robi Aziz Zuama Susan Rachmawati Syaifur Rahmatullah Syarah Seimahuira Yanto YANTO YANTO Yanto Yanto Yanto Yanto Yanto, Y