Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal SAINTEK
Alifia Ananda Putri
Universitas Pelita Bangsa
Automotive Engineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Engineering Industrial & Manufacturing Engineering

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

Found 2 Documents
Search

 1 
Convolution Neural Networks Untuk Deteksi Covid-19 Melalui CT Scan Alifia Ananda Putri
Prosiding Sains dan Teknologi Vol. 2 No. 1 (2023): Seminar Nasional Sains dan Teknologi (SAINTEK) ke 2 - Februari 2023
Publisher : DPPM Universitas Pelita Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Di awal tahun 2020, negara-negara di dunia dikejutkan dengan munculnya virus baru yaitu SARS-CoV 2 dan penyakit tersebut diberi nama Coronavirus 2019 (Covid-19). Diketahui bahwa virus tersebut berasal dari Wuhan, China dan ditemukan pada akhir Desember 2019. Berdasarkan data tanggal 18 Juli 2020, ada lebih dari 180 negara yang terjangkit Covid-19 dengan total 13.824.739 terkonfirmasi kasus sejak 31 Desember 2019. Berdasarkan data kasus positif Covid-19 di atas, rata-rata pasien memiliki beberapa gejala klinis, salah satunya adalah mengalami kesulitan bernapas akibat besar pneumonia menyusup ke dalam paru-paru. Oleh karena itu, perlu diterapkan paru otomatis diagnosis system sebagai alternatif pencegahan penyebaran Covid-19 yang semakin meluas. Covid 19 dapat dideteksi di paru-paru melalui pengolahan citra digital rontgen dada menggunakan Algoritma Convolutional Neural Network (CNN). CNN adalah metode Deep Learning yang berfungsi untuk mengidentifikasi citra digital. Dalam penelitian ini, tiga skenario yang berbeda digunakan. Skenario ini bertujuan untuk menemukan model terbaik menggunakan tunnning hyperparameter. Hasil analisis ROC dan matriks konfusi menunjukkan bahwa pada skenario I, II dan III mendapatkan akurasi 94%, 95% dan 93%.
Pengembangan Aplikasi Prediksi Stroke Berbasis Web dengan Algoritma K-Nearest Neighbors dan Naive Bayes Alifia Ananda Putri; Febriyani Nurhida; Rafli Untara; Sutriyono; Fajar Lukman Hakim
Prosiding Sains dan Teknologi Vol. 4 No. 1 (2025): Seminar Nasional Sains dan Teknologi (SAINTEK) ke 4 - Februari 2025
Publisher : DPPM Universitas Pelita Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Stroke adalah salah satu kondisi medis yang memiliki tingkat kematian dan kecacatan yang tinggi di seluruh dunia. Mendeteksi risiko stroke secara dini sungguhlah penting guna meminimalkan dampak yang tidak diinginkan dari penyakit tersebut. Maka, tujuan dari penelitian ini adalah untuk menciptakan aplikasi berbasis web yang mampu meramalkan potensi risiko stroke dengan memanfaatkan metode mechine learning. Dalam penelitian ini, dua model mechine learning yang digunakan adalah K-Nearest Neighbors (KNN) dan Naive Bayes. Aplikasi ini dibuat untuk memberikan prediksi yang tepat berdasarkan informasi pasien seperti usia, jenis kelamin, tekanan darah, dan faktor risiko lainnya. Metode KNN digunakan untuk mengelompokkan data berdasarkan kedekatan titik data, sedangkan Naive Bayes digunakan untuk menentukan probabilitas terjadinya stroke dengan mempertimbangkan asumsi independensi antar fitur. Hasil prediksi Model K-Nearest Neighbors (KNN) menerangkan akurasi keseluruhan sebesar 0.95, yang menerangkan performa tinggi dalam memberikan prediksi yang akurat dan Model Naive Bayes mempunyai akurasi keseluruhan sebesar 0.87, yang juga baik, namun lebih rendah dibandingkan menggunakan K-Nearest Neighbors (KNN).
Co-Authors Fajar Lukman Hakim Febriyani Nurhida Rafli Untara Sutriyono