Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Teknik Informatika (JUTIF) Telematika MKOM
Safitri Juanita
Sistem Informasi, Fakultas Teknologi Informasi, Universitas Budi Luhur, DKI Jakarta, Indonesia
Computer Science & IT

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

Found 2 Documents
Search

 1 
GROUPING THE PREVALENCE OF DISEASE CASES BY AGE IN BANDUNG CITY HOSPITALS USING K-MEANS Irfan Soliani; Safitri Juanita
Jurnal Teknik Informatika (Jutif) Vol. 3 No. 6 (2022): JUTIF Volume 3, Number 6, December 2022
Publisher : Informatika, Universitas Jenderal Soedirman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20884/1.jutif.2022.3.6.430

Abstract

In 2019, the World Health Organization (WHO) stated that the top 10 types of diseases accounted for 55% of the 55.4 million deaths in the world. Meanwhile, in Indonesia, the province of West Java has the largest population, with the capital city of Bandung. Based on the health profile of the Bandung City Hospital, there were the ten highest diseases based on 18,147 cases. However, the data has not been processed into helpful information for the health department, especially the city of Bandung, to help determine disease cases by age group. So that the contribution of this study is to classify the prevalence of disease cases by age in Bandung City Hospital; this study aims to help the Bandung City Health Office take preventive, treatment and counselling actions against diseases that have a prevalence of disease cases based on age. This study uses the CRISP-DM methodology, with the K-Means clustering method and the testing method using the elbow method and the Davies-Bouldin Index (DBI). Data processing using rapid miner software and python programming. This study concludes that the optimal cluster value is K=2. The value of cluster 0 consists of the type of disease with the lowest case, and cluster 1 consists of the kind of disease with the highest case. Cluster 1 is the elderly and adult age group, while the age group in cluster 0 is the infant age group, the toddler age group, and the child age group.
DETEKSI DINI PENYAKIT KANKER MENGGUNAKAN DECISION TREE Rania Putri; Najwa Maulida Bilqist; Muhammad Audry Fahrezi; Safitri Juanita
Telematika MKOM Vol 18, No 1 (2026): Jurnal Telematika MKOM Vol. 18 No.1 Maret 2026
Publisher : Universitas Budi Luhur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36080/telematikamkom.4312

Abstract

Kanker merupakan salah satu penyakit tidak menular dengan tingkat mortalitas yang tinggi, yang sebagian besar disebabkan oleh keterlambatan dalam proses diagnosis. Oleh karena itu, diperlukan pendekatan deteksi dini yang efektif, akurat, dan mudah diterapkan untuk membantu mengidentifikasi risiko kanker sejak tahap awal. Penelitian ini bertujuan untuk mengembangkan model deteksi dini penyakit kanker menggunakan algoritma Decision Tree berbasis faktor risiko dan gaya hidup. Dataset yang digunakan berasal dari platform Kaggle, yang memuat atribut umum meliputi usia (age), jenis kelamin (gender), indeks massa tubuh (BMI), kebiasaan merokok (smoking), risiko genetik (geneticrisk), aktivitas fisik (physicalactivity), konsumsi alkohol (alcoholintake), serta riwayat kanker (cancerhistory). Label kelas pada dataset bersifat biner, yaitu status diagnosis kanker (ya/tidak), tanpa membedakan jenis kanker secara spesifik. Metodologi penelitian mengacu pada kerangka kerja CRISP-DM. Proses pemodelan dan pengujian dilakukan menggunakan perangkat lunak RapidMiner dengan beberapa skema pembagian data latih dan data uji, yaitu 90:10, 80:20, 70:30, dan 60:40. Evaluasi kinerja model dilakukan menggunakan confusion matrix dengan metrik akurasi, precision, recall, dan F1-score. Hasil eksperimen menunjukkan bahwa performa terbaik diperoleh pada skema pembagian data 90:10, dengan nilai akurasi sebesar 92%, precision 93.76%, recall 83.33%, dan F1-score 88.24%. Hasil ini menunjukkan bahwa algoritma Decision Tree mampu mengklasifikasikan risiko kanker secara efektif berdasarkan faktor risiko umum, serta menghasilkan model yang akurat dan mudah diinterpretasikan. Dengan demikian, penelitian ini memberikan kontribusi dalam pengembangan sistem deteksi dini kanker yang bersifat generik, aplikatif, dan berpotensi diterapkan sebagai sistem pendukung keputusan di bidang kesehatan.
Co-Authors Irfan Soliani Muhammad Audry Fahrezi Najwa Maulida Bilqist Rania Putri