Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : JOINCS (Journal of Informatics, Network, and Computer Science)

Design And Construction Of Shuff Photo Studio E-Booking Application Based On Responsive Web: Rancang Bangun Aplikasi E-Booking Shuff Photo Studio Berbasis Web Responsif Wahyudin, Widya Cholid; Putri Avisia, Silviana
JOINCS (Journal of Informatics, Network, and Computer Science) Vol. 7 No. 2 (2024): November
Publisher : Universitas Muhammadiyah Sidoarjo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21070/joincs.v7i2.1660

Abstract

Penelitian ini membahas sistem e-booking yang diimplementasikan oleh Shuff Photo Studio sebagai solusi modern dalam manajemen reservasi, memungkinkan pelanggan untuk melakukan pemesanan kapan saja tanpa batasan waktu. Sistem e-booking ini memungkinkan pelanggan untuk memilih waktu dan jenis layanan yang diinginkan, serta memproses pembookingan menggunakan database MySQL yang menyimpan informasi reservasi secara aman. Metode yang digunakan menggunakan metode Waterfall. Setiap pemesanan ditindaklanjuti dengan konfirmasi melalui email atau pesan. Penelitian ini bertujuan untuk memudahkan pelanggan dalam melakukan reservasi, sistem ini juga mempermudah Shuff Photo Studio dalam mengenalkan produk dan layanan mereka, serta menyediakan proses transaksi yang efisien. Kata kunci: Database, E-booking, Web Responsive
Comparison of Data Mining Model Performance in Heart Disease Detection with Feature Selection Application: Perbandingan Kinerja Model Data Mining Dalam Deteksi Penyakit Jantung Dengan Penerapan Feature Selection Wahyudin, Widya Cholid; Sutikno, Tole; Umar, Rusydi; Ridwan, Ahmad
JOINCS (Journal of Informatics, Network, and Computer Science) Vol. 8 No. 1 (2025): April
Publisher : Universitas Muhammadiyah Sidoarjo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21070/joincs.v8i1.1669

Abstract

Penyakit jantung merupakan penyebab utama kematian di seluruh dunia, sehingga deteksi dini sangat penting untuk meningkatkan harapan hidup pasien. Dengan kemajuan teknologi data mining dan machine learning, prediksi penyakit jantung dapat dilakukan lebih akurat. Penelitian ini membandingkan kinerja prediksi model Logistic Regression, Decision Tree, Random Forest, K-Nearest Neighbors (KNN), dan Support Vector Machine (SVM) dalam mendeteksi penyakit jantung menggunakan UCI Heart Disease Dataset. Teknik feature selection—Filter Method, Wrapper Method (RFE), dan Embedded Method—diterapkan untuk meningkatkan akurasi prediksi dan mengurangi kompleksitas model. Hasil eksperimen menunjukkan bahwa SVM mencapai akurasi tertinggi sebesar 91,2%, diikuti Random Forest dengan 90,7%. Penggunaan feature selection terbukti meningkatkan kinerja model secara signifikan dengan mengurangi dimensi data dan menghindari overfitting. Temuan ini menunjukkan efektivitas SVM dan Random Forest dalam pengembangan sistem prediksi penyakit jantung yang efisien di lingkungan klinis. Kata kunci: Data Mining, Prediksi Penyakit Jantung, Feature Selection, Support Vector Machine