Article Per Year (5 Year)
p-Index From 2021 - 2026
0.947
P-Index
This Author published in this journals
All Journal CogITo Smart Journal JURNAL PENDIDIKAN TAMBUSAI Journal of Applied Engineering and Technological Science (JAETS) Jurnal Komtekinfo
Nadya Alinda Rahmi
Information System Department, Computer Science Faculty, Putra Indonesia University YPTK Padang, Indonesia
Civil Engineering, Building, Construction & Architecture Computer Science & IT Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Industrial & Manufacturing Engineering Social Sciences

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
Efektifitas Penggunaan Media Pembelajaran Berbasis Android Elvira Sawitri; Nadya Alinda Rahmi; Ilmawati Ilmawati
Jurnal Pendidikan Tambusai Vol. 6 No. 2 (2022): Agustus 2022
Publisher : LPPM Universitas Pahlawan Tuanku Tambusai, Riau, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (277.527 KB) | DOI: 10.31004/jptam.v6i2.4321

Abstract

Berdasarkan pengamatan di SMK Negeri 5 Sijunjung pada mata pelajaran komputer dan jaringan dasar di kelas X Jurusan Multimedia (MM) SMK Negeri 5 Sijunjung didapatkan masih adanya penggunaan smartphone yang kurang tepat oleh pelajar pada saat jam pelajaran seperti mengakses media sosial facebook, BBM, Instagram, Line, WhatsApp, dan game. Smartphone tidak hanya untuk mengakses media sosial tetapi juga dapat digunakan sebagi media pendukung dalam proses belajar mengajar dan bagi siswa dapat digunakan sebagai media belajar mandiri. Oleh sebab itu dengan adanya pengembangan media pembelajaran berbasis android sebagai media pembelajaran untuk dapat meningkatkan pemahaman siswa dan meningkatkan hasil belajar siswa. Metode penelitian yang digunakan yaitu Research and Development (R&D) dengan model pengembangan 4D (Four-D). Tahap penelitian ini meliputi define (pendefinisian), design (perancangan), develop (pengembangan), dan disseminate (penyebaran). Dalam pengujian efektifiktas menggunakan instrument berupa tes hasil belajar (post-test) pada kelas kontrol dan kelas eksperimen. Hasil yang diperoleh dari penelitian ini adalah media pembelajaran yang efektif dalam proses pembelajaran.
Metode Multi Attribute Utility Theory (MAUT) untuk Sistem Pendukung Keputusan Pemilihan Mobil Bekas Rahmatia Wulan Dari; Sopi Sapriadi; Nadya Alinda Rahmi; Pradani Ayu Widya Purnama; Ilmawati
Jurnal KomtekInfo Vol. 10 No. 2 (2023): Komtekinfo
Publisher : Universitas Putra Indonesia YPTK Padang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35134/komtekinfo.v10i2.378

Abstract

Transportasi merupakan kebutuhan primer dalam memindahkan barang dan orang. Kendaraan pribadi, seperti mobil dan sepeda motor, menjadi preferensi bagi sebagian orang karena kenyamanan dan kemewahan yang ditawarkan. Namun, proses penjualan mobil bekas seringkali menghadapi kendala dalam pencatatan manual. Penelitian ini bertujuan untuk mengembangkan sistem pendukung keputusan menggunakan metode Multi Attribute Utility Theory (MAUT) dalam transaksi penjualan mobil bekas. Sistem ini diharapkan dapat mempermudah dan meningkatkan efektivitas serta efisiensi proses penjualan mobil bekas. Metode MAUT ini memungkinkan penilaian relatif terhadap setiap atribut mobil bekas yang relevan, sehingga memudahkan penjual dalam memilih mobil bekas yang sesuai dengan preferensi dan kebutuhan konsumen. Dataset yang digunakan dalam penelitian ini mencakup informasi tentang mobil bekas, termasuk harga, kondisi mesin, usia, warna, dan atribut lainnya. Data ini digunakan sebagai dasar dalam pengambilan keputusan pemilihan mobil bekas terbaik. Hasil penelitian menunjukkan bahwa sistem pendukung keputusan dengan metode MAUT dapat membantu penjual dalam memilih mobil bekas yang paling sesuai dengan kebutuhan konsumen. Penggunaan sistem ini mempercepat proses pencatatan penjualan mobil bekas, meningkatkan akurasi data, dan memudahkan analisis serta pelaporan. Sistem pendukung keputusan yang dikembangkan dapat menjadi alat yang efektif dan efisien dalam membantu penjual dalam mengambil keputusan yang tepat dalam pemilihan mobil bekas yang akan dijual kepada konsumen.
Standardscaler's Potential in Enhancing Breast Cancer Accuracy Using Machine Learning Febri Aldi; Febri Hadi; Nadya Alinda Rahmi; Sarjon Defit
Journal of Applied Engineering and Technological Science (JAETS) Vol. 5 No. 1 (2023): Journal of Applied Engineering and Technological Science (JAETS)
Publisher : Yayasan Riset dan Pengembangan Intelektual (YRPI)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37385/jaets.v5i1.3080

Abstract

The major consequence of breast cancer is death. It has been proven in many studies that machine learning techniques are more efficient in diagnosing breast cancer. These algorithms have also been used to estimate a person's likelihood of surviving breast cancer. In this study, we employed machine learning algorithms to predict breast cancer. A total of 569 breast cancer datasets were obtained from kaggle sites. Some of the machine learning algorithms that we use are K-Nearest Neighbor (KNN), besides Random Forest (RF), there is also Gradient Boosting (GB), then Gaussian Naive Bayes (GNB), Vector Support Machine (SVM), and then Logistic Regression (LR). Before algorithms were used to train and test breast cancer datasets, StandardScaler was leveraged to transform training datasets and test datasets for improved algorithm performance. As a result of this utilization, the performance measurement carried out succeeded in producing high accuracy. The highest results were obtained from the Logistic Regression algorithm with an accuracy value of 99%. The value of precison is 99% benign, and 100% malignant. The recall results are 100% benign, and 98% malignant. The F1-Score results show 99% benign, and 99% malignant. It is hoped that this research can help the medical party to determine the next step in dealing with breast cancer.
Enhancing Machine Learning Model Performance in Addressing Class Imbalance Lucky Lhaura Van FC; M. Khairul Anam; Muhammad Bambang Firdaus; Yogi Yunefri; Nadya Alinda Rahmi
CogITo Smart Journal Vol. 10 No. 1 (2024): Cogito Smart Journal
Publisher : Fakultas Ilmu Komputer, Universitas Klabat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31154/cogito.v10i1.626.478-490

Abstract

This research aims to investigate methods for handling class imbalance in machine learning models, with a focus on the Support Vector Machine (SVM) algorithm. We apply oversampling (SMOTE) and undersampling techniques to a dataset with class imbalance and evaluate the performance of SVM using these methods. Experiments are conducted using data from Twitter social media regarding the 2024 general electionsThe findings indicate that incorporating SMOTE effectively enhances the performance of SVM models, particularly within the SVM Polynomial variant. However, the use of undersampling shows limited impact on improving SVM model performance. This study provides valuable insights for researchers and practitioners in choosing the appropriate strategy for handling class imbalance in machine learning models.
Co-Authors Anam, M Khairul Dari, Rahmatia Wulan Elvira Sawitri Febri Aldi Febri Hadi Ilmawati Ilmawati Ilmawati Lucky Lhaura Van FC Muhammad Bambang Firdaus Pradani Ayu Widya Purnama Sarjon Defit Sopi Sapriadi Yogi Yunefri, Yogi