Article Per Year (5 Year)
p-Index From 2020 - 2025
0.61
P-Index
This Author published in this journals
All Journal Jurnal Teknik Informatika (JUTIF) Teknikom: Teknologi Informasi, Ilmu Komputer dan Manajemen Gudang Jurnal Multidisiplin Ilmu
IKA INDAH LESTARI
Unknown Affiliation
Religion Aerospace Engineering Arts Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Mathematics Public Health Social Sciences Other

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
DIKLAT BAHASA JEPANG LURING DAN DARING RIANTI YUNITA KISWORINI; IKA INDAH LESTARI
Jurnal Teknologi Informasi, Ilmu Komputer dan Manajemen Vol 8 No 1 (2023): Teknikom Volume 8 Nomor 1 Tahun 2023
Publisher : LPPM STMIK Widya Utama

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (2377.759 KB)

Abstract

Pelatihan ini adalah pelatihan bahasa Jepang untuk siswa dalam rangka peningkatan kapasitas SDM. Pelatihan ini dilaksanakan secara tatap muka/luring dan juga daring melalui Zoom. Pelatihan bahasa Jepang daring/online menggunakan Zoom Meeting dilaksanakan pada tanggal 14 Agustus 2021 dilanjutkan pendampingan menggunakan WhatsApp Group sampai tanggal 21 Agustus 2021. Peserta pelatihan adalah siswa dari STMIK Ikmi Cirebon dan STMIK Widya Utama. Gambar 1. Peserta mengikuti pelatihan via Zoom Meeting Peserta diberi pelatihan dengan materi bahasa Jepang praktis karena sebagian besar belum pernah belajar bahasa Jepang sehingga materi bahasa Jepang praktis dijadikan pilihan materinya.
Komparasi Algoritma Naive Bayes Dan Random Forest Pada Klasifikasi Kanker Payudara Ika Indah Lestari; Ahmad Homaidi
Gudang Jurnal Multidisiplin Ilmu Vol. 2 No. 12 (2024): GJMI - DESEMBER
Publisher : PT. Gudang Pustaka Cendekia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59435/gjmi.v2i12.1206

Abstract

Kanker payudara merupakan salah satu jenis kanker yang paling umum ditemukan pada wanita dan menjadi penyebab utama kematian akibat kanker di seluruh dunia. Ketepatan dalam diagnosis kanker payudara menjadi sangat krusial untuk penanganan yang tepat. Penelitian ini bertujuan untuk membandingkan performa algoritma Naive Bayes dan Random Forest dalam mengklasifikasikan kanker payudara menggunakan dataset Breast Cancer Wisconsin. Metodologi penelitian dimulai dengan pengumpulan data dari dataset Breast Cancer Wisconsin yang terdiri dari 569 sampel dengan 32 atribut. Proses preprocessing data meliputi konversi data dari format nominal ke binominal untuk atribut diagnosis. Implementasi algoritma menggunakan tools RapidMiner dengan pendekatan cross validation (k=10) untuk evaluasi model yang lebih robust. Performa kedua algoritma dibandingkan menggunakan berbagai metrik evaluasi termasuk accuracy, precision, recall, dan analisis confusion matrix. Hasil penelitian menunjukkan bahwa algoritma Random Forest memberikan performa yang lebih unggul dengan tingkat akurasi 94,91% (±5,06%), precision 95,33%, dan recall 93,90%. Sementara itu, Naive Bayes mencapai akurasi 93,51% (±5,30%), precision 93,68%, dan recall 92,67%. Random Forest juga menunjukkan keunggulan dalam mengurangi false positive, dengan hanya 8 kasus dibandingkan 15 kasus pada Naive Bayes. Analisis confusion matrix menunjukkan bahwa kedua algoritma memiliki kemampuan yang baik dalam mengklasifikasikan kasus kanker payudara, meskipun Random Forest menunjukkan performa yang lebih stabil dan akurat. Kesimpulan dari penelitian ini menunjukkan bahwa kedua algoritma efektif untuk klasifikasi kanker payudara, dengan Random Forest menunjukkan keunggulan dalam hal akurasi dan presisi. Hasil ini dapat menjadi pertimbangan dalam pengembangan sistem pendukung keputusan untuk diagnosis kanker payudara, dimana Random Forest dapat menjadi pilihan utama ketika akurasi menjadi prioritas, sementara Naive Bayes tetap menjadi alternatif yang valid ketika kesederhanaan implementasi dan efisiensi komputasi diperlukan.
DESCRIPTIVE ANALYSIS AND COMPARISON OF REASONER USING ONTI MEASURES Ika Indah Lestari; Nur Alfi Ekowati; Sulistiyasni, Sulistiyasni
Jurnal Teknik Informatika (Jutif) Vol. 5 No. 1 (2024): JUTIF Volume 5, Number 1, February 2024
Publisher : Informatika, Universitas Jenderal Soedirman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jutif.2024.5.1.1839

Abstract

Data analysis in research is an important thing to do after the research data is obtained. In designing a web application called Onti Measures, the files that have been executed have not been analyzed in more depth. Therefore, it is necessary to analyze the OWL (Web Ontology Language) files as test data for the Onti Measures application. This research aims to present a descriptive analysis of test data using three reasoners and compare their performance. The comparison of the three reasoners is seen based on running time, the performance of each reasoner, and the resulting inconsistency values. Those three reasoners are Hermit, JFact, and Pellet. In the Onti Measures application there are 10 inconsistency measures, namely drastic inconsistency measure, MI-inconsistency measure, MIc-inconsistency measure, Df-inconsistency measure, problematic inconsistency measure, incompatibility ratio inconsistency measure, MC-inconsistency measure, the nc-inconsistency measure, the mv-inconsistency measure, dan IDmcsinconsistency measure. The method used in this research is quantitative with a descriptive approach to analysis. The OWL fie input as test data is virus and disease ontology. The results of the descriptive analysis from this research include that 57.33% of the test data have an inconsistency value of 0 (consistent). Based on the performance of each reasoner in terms of processing ontologies, the three reasoners have almost the same capabilities. If it is seen from the resulting inconsistency values, the reasoner Pellet is better than the others. Meanwhile, based on the running time comparison, JFact is better than the other reasoners. The size of the ontology files does not affect the length of the running time.
Co-Authors Ahmad Homaidi Nur Alfi Ekowati RIANTI YUNITA KISWORINI Sulistiyasni .