Article Per Year (5 Year)
p-Index From 2021 - 2026
1.953
P-Index
This Author published in this journals
All Journal Jurnal Nasional Komputasi dan Teknologi Informasi Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Indonesian Journal of Business Intelligence (IJUBI) SKANIKA: Sistem Komputer dan Teknik Informatika Jurnal Abdi Masyarakat Indonesia Jurnal Profesi Insinyur Universitas Lampung Jurnal Komputasi
Dita Danianti
Universitas Alma Ata
Aerospace Engineering Humanities Automotive Engineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Neuroscience Public Health Transportation

Published : 12 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 12 Documents
Search

 1   2 
Perbandingan Kinerja Algoritma Ensemble dan Boosting untuk Prediksi Diabetes pada Data Tidak Seimbang Menggunakan SMOTE Cicin Hardiyanti P; Dita Danianti
Jurnal Komputasi Vol. 14 No. 1 (2026)
Publisher : Jurusan Ilmu Komputer Fakultas MIPA Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/komputasi.v14i1.348

Abstract

Sebagai salah satu penyakit kronis yang terus meningkat secara global, diagnosis dini diabetes sangat penting untuk mencegah komplikasi yang lebih serius. Untuk memprediksi risiko diabetes, metode pembelajaran mesin telah banyak digunakan. Namun, masalah utama yang sering muncul adalah ketidakseimbangan distribusi kelas pada dataset medis, yang dapat menghambat model klasifikasi. Penelitian ini bertujuan untuk melakukan analisis komparatif terhadap beberapa algoritma machine learning dalam memprediksi risiko diabetes pada dataset yang tidak seimbang serta mengevaluasi dampak penerapan teknik oversampling Synthetic Minority Oversampling Technique (SMOTE). Dataset yang digunakan berasal dari Diabetes Prediction Dataset yang tersedia di Kaggle dengan jumlah sekitar 100.000 data dan distribusi kelas positif sekitar 8,5%. Penelitian ini membandingkan lima algoritma klasifikasi, yaitu Logistic Regression, Random Forest, XGBoost, LightGBM, dan CatBoost. Evaluasi model dilakukan menggunakan metode Stratified 5-fold Cross Validation dengan metrik evaluasi Precision, Recall, F1-score, ROC-AUC, dan PR-AUC. Hasil penelitian menunjukkan bahwa model berbasis boosting memiliki performa yang lebih unggul dibandingkan model lainnya. LightGBM memperoleh nilai PR-AUC tertinggi sebesar sekitar 0,89 dengan ROC-AUC sebesar 0,9785, diikuti oleh CatBoost dan XGBoost dengan performa yang sangat mendekati. Menurut analisis confusion matrix, model terbaik mampu mendeteksi kasus diabetes dengan akurasi sekitar 97%, ketepatan sekitar 93,6%, dan recall sekitar 70%. Hasil penelitian ini menunjukkan bahwa algoritma boosting, khususnya LightGBM, dapat memprediksi diabetes dengan baik pada dataset medis yang tidak seimbang
Prediksi Kunjungan Wisatawan Di Kabupaten Bantul Menggunakan Metode Seasonal Autoregressive Integrated Moving Average (SARIMA) Anisa Tri Banowati; Dhina Puspasari Wijaya; Dita Danianti; Deden Hardan Gutama
SKANIKA: Sistem Komputer dan Teknik Informatika Vol 8 No 2 (2025): Jurnal SKANIKA Juli 2025
Publisher : Universitas Budi Luhur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36080/skanika.v8i2.3583

Abstract

The Bantul Regency Tourism Office faces challenges in collecting tourist attraction data because it is still done manually. This study aims to develop a web-based prediction system using the Seasonal Autoregressive Integrated Moving Average (SARIMA) method. This system is designed to facilitate data collection on tourist attractions while generating predictions of visitor numbers. Based on the results of accuracy testing using MAE (Mean Absolute Error) and MAPE (Mean Absolute Percentage Error), the Parangtritis and Depok Beach tourist areas have MAE values of 35,157.41 and MAPE 22.75%, indicating a fairly large absolute prediction error but still reasonable considering the high volume of visits. Meanwhile, Samas Beach recorded the highest MAPE value of 165.22%, due to data fluctuations that make predictions inaccurate. Conversely, predictions for Goa Cemara Beach, Kwaru Beach, Goa Selarong Area, and Goa Cerme Area have MAPE values below 15%, indicating the model is able to provide fairly good prediction results with a small average error. However, at Pandansimo Beach, the MAPE value reached 46.47%, indicating the model was not yet adequate for this location due to unstable data trends. The results showed that the SARIMA model can be applied to a system to predict tourist visits, but with varying levels of accuracy at each tourist destination, depending on the stability of each tourist destination's data. Keywords: Tourist visit prediction, SARIMA, time series forecasting, web-based system, Bantul Regency Tourism Office
Co-Authors Ahmad Subhan Yazid Alfina Rosida Andri Pramuntadi Anisa Tri Banowati Anna Kharnicova Ayu Kusmawati Bela Safitri Cicin Hardiyanti P Devi Sri Nurdayati Dhina Puspasari Wijaya, Dhina Puspasari Wijaya, Dhina Puspasari Gutama, Deden Hardan Kharisma Rahmawati Muhammad Makhid Masrufi Nala Akhsanal Muna Nurul Rahmawati Pramuntadi, Andri Ratih Rusmiyati Rio Saputra Salis Nizar Qomaruzaman Septiana, Yolanda Sona Sofia Susanto, Susanto Vany Andriyanto Wahit Desta Prastowo Wijaya, Dhina Puspasari Yogi Dwiki Darmawan Yola Mutiara Rahmadhani Yolanda Septiana Zian Walidah