Articles
<![CDATA[IMPLEMENTASI DEMPSTER SHAFER UNTUK MENDIAGNOSA GANGGUAN KEHAMILAN PADA IBU ]]>
<![CDATA[Sita Muharni]]>;
<![CDATA[Sigit Andriyanto]]>;
<![CDATA[David Naista]]>
<![CDATA[ Jurnal Informatika Vol 21, No 2 (2021): Jurnal Informatika ]]>
Publisher : <![CDATA[IIB Darmajaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30873/ji.v21i2.3004
<![CDATA[Kehamilan merupakan suatu moment dimana seorang ibu mengandung buah hati selama sembilan bulan pada normal kehamilan ibu. Tingkat kematian pada ibu hamil sangat tinggi di Kota Metro antara lain, adanya penyakit yang diderita oleh ibu hamil yakni Ektopik, Hidatidosa, Postterm, Plasenta Previa,dan Solutio Plasenta. Kurangnya pengetahuan dan mahalnya biaya konsultasi kepada dokter spesialis kandungan, maka penelitian ini berusaha mengaplikasikan metode dempster shafer kedalam data gejala yang diberikan oleh dokter spesialis kandungan. Pengembangan sistem yang digunakan pada penelitian ini menggunakan RAD (Rapid Aplication Development). Selanjutnya menerapkan dua user kedalam sistem berbasis website, serta sistem pakar diagnosa gangguan ibu hamil dengan tingkat presentase sistem pakar sebesar 100% yang telah diberikan sebuah contoh kasus oleh Bapak Madya Desma Aliana Sp.Kep.An. selaku asisten dokter RSIA AMC dan dibuktikan oleh dr. Ellyzawati Shinta,SPoG selaku dokter praktik RSIA AMC.]]>
<![CDATA[DITARIK: PENERAPAN METODE K-MEANS CLUSTERING PADA DATA TINGKAT PENGANGGURAN TERBUKA TAHUN 2016-2018 DAN 2019-2021 ]]>
<![CDATA[Sita Muharni]]>;
<![CDATA[Sigit Andriyanto]]>
<![CDATA[ Jurnal Informatika Vol 22, No 1 (2022): Jurnal Informatika ]]>
Publisher : <![CDATA[IIB Darmajaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30873/ji.v22i1.3172
<![CDATA[Berdasarkan Tinjauan yang telah dilakukan dengan cermat, dan mempertimbangkan artikel yang telah diterbitkan dalam Jurnal Informatika Volume 22 No.1 Juni 2022 untuk artikel yang berjudul “Penerapan Metode K-Means Clustering Pada Data Tingkat Pengangguran Terbuka Tahun 2016-2018 dan 2019-2021” halaman 89-99, DOI: https://doi.org/10.30873/ji.v22i1.3172Makalah ini telah ditemukan melanggar prinsip-prinsip Publikasi Penelitian Jurnal Informatika dan telah ditarik kembali.Artikel berisi materi yang berlebihan, editor menyelidiki dan menemukan bahwa makalah sama dengan yang diterbitkan dalam Computer Science (CO-SCIENCE) Vol. 2 No. 2 (2022): Juli 2022, hlm. 109-116, 2016, http://jurnal.bsi.ac.id/index.php/co-science/article/view/1151Dokumen dan isinya telah dihapus dari Jurnal Informatika, dan upaya yang wajar harus dilakukan untuk menghapus semua referensi ke artikel ini.]]>
<![CDATA[Application of Nave Bayes Algorithm for SMS Spam Classification Using Orange ]]>
<![CDATA[Nosiel Nosiel]]>;
<![CDATA[Sigit Andriyanto]]>;
<![CDATA[Muhammad Said Hasibuan]]>
<![CDATA[ International Journal of Advanced Science and Computer Applications Vol. 1 No. 1: March 2022 ]]>
Publisher : <![CDATA[Utan Kayu Publishins ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (854.267 KB)
|
DOI: 10.47679/ijasca.v1i1.5
<![CDATA[Mobile phones have become a necessity for everyone. SMS is a communication service that is used to send and receive short messages in the form of text on mobile phones. Among all the advantages of SMS, there is a very annoying activity called spam (unsolicited commercial advertisements). Spam is the continuous use of electronic devices to send messages. called spammers. Spam messages are sent by advertisers with the lowest operating costs. Therefore, there are a lot of spammers and the number of messages requested is huge. Therefore, many aspects are harmed and disturbed. When SMS enters the user's mobile device, this study aims to classify spam and ham SMS. SMS classification adopts naive Bayes method. By looking at the contents of the SMS, the application of the naive Bayes method in data mining can distinguish unwanted SMS from non-spam. Results The classification accuracy rate is 0.999%. Based on the research that I have done, the Naive Bayes method can classify 1000 SMS spam data contained in the SMS spam data set file correctly.]]>
<![CDATA[Penentuan Pola Penjualan Menggunakan Algoritma Apriori ]]>
<![CDATA[Muharni, Sita]]>;
<![CDATA[Andriyanto, Sigit]]>
<![CDATA[ Digital Transformation Technology Vol. 4 No. 1 (2024): Periode Maret 2024 ]]>
Publisher : <![CDATA[Information Technology and Science(ITScience) ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.47709/digitech.v4i1.3679
<![CDATA[Dalam menghadapi era teknologi yang semakin berkembang dan berpengaruh sangat besar terhadap persaingan ekonomi, khususnya persaingan dalam dunia bisnis perdagangan barang, seperti minimarket atau toko, maka penggunaan teknik data mining dapat dijadikan acuan dalam mengelola data-data transaksi untuk dijadikan sebuah informasi. Multi Mart merupakan perusahaan yang bergerak di bidang makanan. Multi Mart menjual segala macam barang kebutuhan pokok, makanan, rokok dan lain-lain. Multi Mart memiliki beberapa permasalahan diantaranya adalah jumlah data yang semakin banyak sehingga data menumpuk. Akibat dari permasalahan tersebut, maka diterapkan teknik data mining dengan menggunakan algoritma apriori yang bertujuan untuk mengetahui hasil analisis pola penjualan toko dan menentukan pola asosiatif dari data transaksi yang sering dibeli secara bersamaan. Penelitian ini difokuskan pada penentuan pola penjualan dengan menggunakan metode apriori. Tahap penelitian yang dilakukan memiliki 5 tahapan: Pemilihan Data, Preprocessing Data, Transformasi, Data Mining, dan Evaluasi. Hasil dari penelitian ini menunjukkan bahwa terdapat beberapa barang yang dapat ditempatkan pada rak yang sama seperti telur, rokok (garam) dan coca-cola dengan nilai confidence sebesar 70.2% serta barang lainnya.]]>
<![CDATA[Meningkatkan Daya Tarik Konsumen Melalui Re-Branding UMKM Kain Perca Banjarsari Metro Utara ]]>
<![CDATA[Muharni, Sita]]>;
<![CDATA[Andriyanto, Sigit]]>
<![CDATA[ Jurnal Pengabdian Masyarakat Bangsa Vol. 2 No. 1 (2024): Maret ]]>
Publisher : <![CDATA[Amirul Bangun Bangsa ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.59837/jpmba.v2i1.797
<![CDATA[Sentra UMKM menjadi salah satu bidang perekonomian yang terkena imbasnya secara signifikan. Usaha Mikro Kecil Menengah atau disingkat UMKM merupakan kegiatan ekonomi rakyat produktif yang keberadaannya mendominasi lebih dari 99% dalam struktur perekonomian nasional. UMKM sebagai bagian dari perekonomian juga harus berupaya untuk meningkatkan daya saing dengan melakukan inovasi. Permasalahan yang telah dihadapi oleh UMKM Kain Perca yang ada di Metro Utara adalah media promosi yang kurang menarik dan kurangnya pemahaman pelaku usaha mengenai branding. Hal ini menyebabkan produk UMKM tersebut kurang dikenal oleh masyarakat luas dan produk kurang laku dipasaran. Manfaat branding bagi UMKM adalah agar produk yang dihasilkan oleh pelaku UMKM akan senantiasa diingat oleh masyarakat atau konsumennya dalam jangka waktu yang cukup lama. Kegiatan PKM dilaksanakan melalui empat tahap yaitu sosialisasi dan koordinasi kegiatan PKM, Focus Group Discussion (FGD) tentang rebranding produk melalui pembuatan nama dan elemen visual produk, workshop desain poster digital dan evaluasi tingkat keberhasilan kegiatan pengabdian yang dilaksanakan. Empat tahapan tersebut merupakan langkah dalam membangun rebranding suatu produk hasil produksi UMKM yang dalam kegiatan ini adalah UMKM Kain Perca Banjarsari Metro Utara, melalui konsep creativepreneur pada kegiatan berwirausaha untuk meningkatkan perekonomian masyarakat pada umumnya dan keluarga pada khususnya. Salah satu langkah meningkatkan kesejahteraan masyarakat adalah dengan mengembangkan usaha kecil menegah. Evaluasi kegiatan pengabdian masyarakat di Banjarsari Metro Utara adalah pengukuran tingkat keberhasilan kegiatannya dilihat pada peningkatan kapasitas produksi produk kain perca dan omset penjualan. Hasil kegiatan menunjukkan peningkatan pengetahuan dan keterampilan peserta dalam memahami dan mengkonsepkan desian logo serta strategi promosi di media sosial. Tolok ukur dari hasil rebranding adalah peningkatan kapasitas produksi yang meningkat.]]>
<![CDATA[Visualisasi Data Interaktif untuk Analisis Tren Stunting Pendek dan Sangat Pendek pada Balita di Kabupaten Pringsewu ]]>
<![CDATA[Aminudin, Nur]]>;
<![CDATA[Andriyanto, Sigit]]>;
<![CDATA[Muharni, Sita]]>;
<![CDATA[Feriyanto, Dwi]]>
<![CDATA[ Metta : Jurnal Ilmu Multidisiplin Vol. 5 No. 2 (2025) ]]>
Publisher : <![CDATA[Jayapangus Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.37329/metta.v5i2.4046
<![CDATA[Stunting in toddlers is a significant public health challenge in Indonesia, including in Pringsewu Regency. Conventional stunting data reporting still relies on static tables and simple graphs, which limits data exploration for policymakers. This study aims to develop interactive data visualization to analyze trends of short and very short stunting at the sub-district level during the period 2021–2023. The research methods include secondary data collection, data cleaning, and the development of an interactive dashboard using Tableau and Power BI. The results show variations in trends across sub-districts, with some sub-districts such as Pardasuka sub-district experiencing a significant decline, while others like Ambarawa sub-district saw an increase in stunting rates. Compared to conventional methods, the developed interactive visualization enables deeper data exploration through dynamic charts, thematic maps, and more intuitive comparative analysis. This facilitates policymakers in identifying priority areas and designing more effective data-driven interventions. The main contribution of this study is the provision of a more comprehensive and flexible visual-based analysis tool compared to the static methods previously used in stunting reporting.]]>
<![CDATA[Optimization of the Naïve Bayes Algorithm Using Particle Swarm Optimization (PSO) for Predicting Heart Disease Symptoms ]]>
<![CDATA[Muharni, Sita]]>;
<![CDATA[Andriyanto, Sigit]]>;
<![CDATA[Supardi, Supardi]]>
<![CDATA[ Prisma Sains : Jurnal Pengkajian Ilmu dan Pembelajaran Matematika dan IPA IKIP Mataram Vol 13, No 3: July 2025 ]]>
Publisher : <![CDATA[Universitas Pendidikan Mandalika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.33394/j-ps.v13i3.15573
<![CDATA[Heart disease is one of the leading causes of mortality in Indonesia, yet early detection remains a challenge due to limitations in data and suboptimal classification methods. This study aims to improve the accuracy of heart disease prediction by integrating the Naïve Bayes algorithm with Particle Swarm Optimization (PSO) for feature selection. A dataset of 303 patient records was processed using RapidMiner across three configurations: Naïve Bayes with split validation (80:20), Naïve Bayes with 10-fold cross-validation, and Naïve Bayes with PSO-based feature selection. The results showed that incorporating PSO increased accuracy from 87.60% to 89.26%, along with improvements in precision and recall, while maintaining a high AUC value (0.933). These findings demonstrate that PSO effectively identifies the most relevant features and enhances the performance of heart disease prediction models. The study also underscores the importance of validation methods and model interpretability in the application of artificial intelligence in healthcare.]]>
<![CDATA[Inovasi Pelayanan Kesehatan Berbasis Digital melalui Pelatihan SIRS Versi 6.3 untuk Peningkatan Akurasi Data Medis ]]>
<![CDATA[Andriyanto, Sigit]]>;
<![CDATA[Muharni, Sita]]>;
<![CDATA[Nugroho, Tri Adi]]>;
<![CDATA[Al Farisi, Muhammad Farhan]]>;
<![CDATA[Dzaki, Muhammad Daffa]]>;
<![CDATA[Irnanda, Intania]]>
<![CDATA[ Journal of Digital Community Services Vol. 2 No. 2 (2025): July ]]>
Publisher : <![CDATA[Institute Of Advanced Knowledge and Science ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.69693/dcs.v2i2.34
<![CDATA[Perkembangan teknologi informasi yang pesat telah membawa dampak signifikan dalam berbagai aspek kehidupan, termasuk dalam sektor pelayanan kesehatan. Di tengah tantangan peningkatan mutu layanan dan kebutuhan efisiensi kerja di rumah sakit, adopsi teknologi digital menjadi salah satu solusi strategis yang tak terhindarkan. RSUD Jenderal Ahmad Yani Kota Metro, sebagai rumah sakit umum daerah yang menjadi rujukan utama di wilayahnya, juga tengah menghadapi tantangan serupa. Rumah sakit, ini memiliki peran vital dalam menyediakan layanan kesehatan bagi masyarakat Kota Metro dan sekitarnya. Kegiatan pengabdian masyarakat ini dirancang sebagai bentuk kolaborasi antara dunia akademik dan institusi pelayanan kesehatan dalam upaya mendukung transformasi digital di bidang kesehatan. Metode yang digunakan dalam kegiatan ini adalah pendekatan partisipatif, yang menempatkan tenaga kesehatan sebagai subjek utama dalam proses pelatihan dan penguatan kapasitas. Fokus kegiatan adalah pada pelatihan penggunaan Sistem Informasi Rumah Sakit (SIRS Versi 6.3) sebagai sarana untuk meningkatkan akurasi pencatatan dan pengelolaan data medis pasien di RSUD Jenderal Ahmad Yani Kota Metro. Pihak manajemen RSUD Jenderal Ahmad Yani menyambut baik kegiatan ini dan berkomitmen untuk mengintegrasikan pelatihan serupa dalam program peningkatan kapasitas internal. Dampak nyata dari pelatihan ini terlihat dari peningkatan akurasi pencatatan, efisiensi waktu kerja, serta penurunan tingkat kesalahan input data. Hal ini menunjukkan bahwa dengan pendekatan yang tepat, rumah sakit daerah pun dapat bertransformasi menuju layanan berbasis digital yang lebih andal dan profesional.]]>
<![CDATA[Analisis Data Sintetis Polycystic Ovary Syndrome Menggunakan Algoritma Naive Bayes dan K-NN ]]>
<![CDATA[Andriyanto, Sigit]]>;
<![CDATA[Muharni, Sita]]>;
<![CDATA[Sulistiyanto, Sulistiyanto]]>
<![CDATA[ RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 1 (2025): Februari - April ]]>
Publisher : <![CDATA[Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31004/riggs.v4i1.387
<![CDATA[Kesehatan reproduksi wanita adalah aspek penting yang memiliki dampak besar pada kualitas hidup, baik secara fisik, emosional dan sosial. Kondisi yang sering mengganggu keseimbangan kesehatan reproduksi wanita adalah sindrom ovarium polikistik atau disebut PCOS (Polycystic Ovary Syndrome). PCOS adalah gangguan hormonal yang cukup kompleks dan sering ditemukan pada wanita. Diperkirakan sekitar 5 hingga 10% wanita dari usia remaja menghasilkan kondisi ini, menjadikannya salah satu gangguan endokrin yang paling umum pada wanita. Dalam konteks kesehatan, ini dapat berarti mengklasifikasikan apakah seseorang mungkin memiliki penyakit atau tidak sesuai dengan data gejala atau hasil tes laboratorium, Data sintetis yang mewakili kasus PCOS. Studi ini menggunakan dua algoritma klasifikasi yang akan digunakan untuk menganalisis data sintetis PCOS. Total data dari 3000 reocrd dapat ditentukan bahwa keakuratan menunjukkan bahwa keakuratan kisaran data dari data sindrom ovarium polifoni (PCOS) 93.83% untuk algoritma naive bayes, sedangkan untuk data yang diprediksi diagnosa PCOS (Polycystic Ovary Syndrome) menghasilkan 99.33% untuk algoritma K-NN. Oleh karena itu, dapat disimpulkan bahwa algoritma K-NN dapat menghitung dengan baik dengan menggunakan data sintetis wanita dengan PCOS (Polycystic Ovary Syndrome).]]>
<![CDATA[Optimization of the Naïve Bayes Algorithm Using Particle Swarm Optimization (PSO) for Predicting Heart Disease Symptoms ]]>
<![CDATA[Muharni, Sita]]>;
<![CDATA[Andriyanto, Sigit]]>;
<![CDATA[Supardi, Supardi]]>
<![CDATA[ Prisma Sains : Jurnal Pengkajian Ilmu dan Pembelajaran Matematika dan IPA IKIP Mataram Vol. 13 No. 3: July 2025 ]]>
Publisher : <![CDATA[Universitas Pendidikan Mandalika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.33394/j-ps.v13i3.15573
<![CDATA[Heart disease is one of the leading causes of mortality in Indonesia, yet early detection remains a challenge due to limitations in data and suboptimal classification methods. This study aims to improve the accuracy of heart disease prediction by integrating the Naïve Bayes algorithm with Particle Swarm Optimization (PSO) for feature selection. A dataset of 303 patient records was processed using RapidMiner across three configurations: Naïve Bayes with split validation (80:20), Naïve Bayes with 10-fold cross-validation, and Naïve Bayes with PSO-based feature selection. The results showed that incorporating PSO increased accuracy from 87.60% to 89.26%, along with improvements in precision and recall, while maintaining a high AUC value (0.933). These findings demonstrate that PSO effectively identifies the most relevant features and enhances the performance of heart disease prediction models. The study also underscores the importance of validation methods and model interpretability in the application of artificial intelligence in healthcare.]]>
