Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : Jurnal Simetris

Implementasi Web Service Dan Analisis Kinerja Algoritma Klasifikasi Data Mining Untuk Memprediksi Diabetes Mellitus Setyawan, Doni; Suradi, Agustinus
Simetris: Jurnal Teknik Mesin, Elektro dan Ilmu Komputer Vol 8, No 2 (2017): JURNAL SIMETRIS VOLUME 8 NO 2 TAHUN 2017
Publisher : Universitas Muria Kudus

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (199.276 KB) | DOI: 10.24176/simet.v8i2.1584

Abstract

Salah satu penyakit yang ditimbulkan akibat kesalahan pola gaya hidup adalah Diabetes Mellitus (DM). Gejala penyakit diabetes sering dilalaikan oleh kebanyakan orang, sehingga mereka cenderung untuk mengabaikannya dan tidak mau melakukan medical check up. Di Indonesia jumlah penderita DM terus mengalami peningkatan dari tahun ke tahun. World Health Organization (WHO) memperkirakan jumlah penderita DM tipe 2 di Indonesia akan mengalami peningkatan secara signifikan hingga 21,3 juta jiwa pada tahun 2030 mendatang. Ternyata dengan bantuan ilmu data mining, data pasien diabetes dapat digunakan untuk memprediksi apakah sesorang positif diabetes atau tidak. Tahapan awal dilakukan preprocessing data untuk menangani missing dan non numeric values. Kemudian traning dan testing menggunakan k-fold cross validation dengan algoritma K-Nearest Neighbors (KNN), random forest dan naive bayesian. Pengujian dilakukan dengan menghitung accuracy, sensitivity dan specificity. Dari hasil uji 10-fold cross validation diperoleh rata-rata akurasi tertinggi ketika menggunakan naive bayesian yaitu 75,65%, sedangkan KNN 75,53% dan random forest 73,69%. Perhitungan sensitivity dan specificity dengan membagi 786 data menjadi 594 data training dan 192 data testing. Untuk KNN diperoleh sensitivity 56,72% dan specificity 78,68%, random forest diperoleh sensitivity 53,73% dan specificity 86,4%, sedangkan naive bayesian diperoleh sensitivity 62,69% dan specificity 84%. Implementasi restful web service diterapkan pada model dengan akurasi tertinggi yaitu naive bayesian dengan format json sebagai return value.
Implementasi Web Service Dan Analisis Kinerja Algoritma Klasifikasi Data Mining Untuk Memprediksi Diabetes Mellitus Setyawan, Doni; Suradi, Agustinus
Simetris: Jurnal Teknik Mesin, Elektro dan Ilmu Komputer Vol 8, No 2 (2017): JURNAL SIMETRIS VOLUME 8 NO 2 TAHUN 2017
Publisher : Universitas Muria Kudus

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (199.276 KB) | DOI: 10.24176/simet.v8i2.1584

Abstract

Salah satu penyakit yang ditimbulkan akibat kesalahan pola gaya hidup adalah Diabetes Mellitus (DM). Gejala penyakit diabetes sering dilalaikan oleh kebanyakan orang, sehingga mereka cenderung untuk mengabaikannya dan tidak mau melakukan medical check up. Di Indonesia jumlah penderita DM terus mengalami peningkatan dari tahun ke tahun. World Health Organization (WHO) memperkirakan jumlah penderita DM tipe 2 di Indonesia akan mengalami peningkatan secara signifikan hingga 21,3 juta jiwa pada tahun 2030 mendatang. Ternyata dengan bantuan ilmu data mining, data pasien diabetes dapat digunakan untuk memprediksi apakah sesorang positif diabetes atau tidak. Tahapan awal dilakukan preprocessing data untuk menangani missing dan non numeric values. Kemudian traning dan testing menggunakan k-fold cross validation dengan algoritma K-Nearest Neighbors (KNN), random forest dan naive bayesian. Pengujian dilakukan dengan menghitung accuracy, sensitivity dan specificity. Dari hasil uji 10-fold cross validation diperoleh rata-rata akurasi tertinggi ketika menggunakan naive bayesian yaitu 75,65%, sedangkan KNN 75,53% dan random forest 73,69%. Perhitungan sensitivity dan specificity dengan membagi 786 data menjadi 594 data training dan 192 data testing. Untuk KNN diperoleh sensitivity 56,72% dan specificity 78,68%, random forest diperoleh sensitivity 53,73% dan specificity 86,4%, sedangkan naive bayesian diperoleh sensitivity 62,69% dan specificity 84%. Implementasi restful web service diterapkan pada model dengan akurasi tertinggi yaitu naive bayesian dengan format json sebagai return value.
PENERAPAN MODEL DELONE DAN MCLEAN PADA SI-PMB ONLINE DARI PERSPEKTIF PENGGUNA UNTUK MENINGKATKAN KUALITAS LAYANAN Suradi, Agustinus; Windarti, Mariana Windarti
Simetris: Jurnal Teknik Mesin, Elektro dan Ilmu Komputer Vol 11, No 1 (2020): JURNAL SIMETRIS VOLUME 11 NO 1 TAHUN 2020
Publisher : Fakultas Teknik Universitas Muria Kudus

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (929.122 KB) | DOI: 10.24176/simet.v11i1.3736

Abstract

Inovasi strategi pengembangan sistem informasi perlu dikembangkan untuk mendukung kesuksesan dan kualitas layanan sistem penerimaan mahasiswa baru. Masyarakat pengguna sistem informasi penerimaan mahasiswa baru sering mengalami kesulitan ketika mencari informasi yang mereka butuhkan. Tujuan penelitian ini untuk mengidentifikasikan kesuksesan sistem informasi penerimaan mahasiswa baru (SI-PMB) online dan variabel-variabel yang mempengaruhinya. Model DeLone McLean IS Success model digunakan dalam penelitian ini, dengan komponen variabel seperti: information quality, system quality dan service quality. Analisis data yang digunakan adalah model struktural dengan alat analisis Partial Least Square (PLS)  menggunakan software Smart PLS. Hasil dari penelitian diperoleh hubungan variabel Information Quality à User Satisfaction, dengan nilai t statistik 0,324, hubungan variabel Service Quality àUser Satisfaction, nilai t statistic 2,530, dan hubungan variabel System Quality à User Satisfaction, nilai t statistik 3,107, sehingga dapat disimpulkan bahwa terdapat hubungan positif dan siginifikan antara variabel system quality dan user satisfaction, terdapat hubungan positif dan siginifikan antara variabel service quality dan user satisfaction.  Hubungan variabel User Satisfaction à Net Benefits, nilai t statistik 8,708 menyatakan bahwa ada hubungan positif dan siginifikan antara variabel kepuasan pengguna (user satisfaction) dengan manfaat-manfaat bersih (net benefit).