Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Jurnal sistem informasi, Teknologi informasi dan komputer Sistemasi: Jurnal Sistem Informasi
Firda, Hiliah
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Library & Information Science Mathematics

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

Found 2 Documents
Search

 1 
PERBANDINGAN ALGORITMA KLASIFIKASI DATA MINING MODEL C4.5 DAN NAIVE BAYES UNTUK PREDIKSI KEGANASAN KANKER PAYUDARA Firda, Hiliah; Athiyah, Rima; Candra, Salsabila; Jambak, Muhammad Ihsan
Jurnal Sistem Informasi, Teknologi Informatika dan Komputer Volume 14 No 3, Mei Tahun 2024
Publisher : Universitas Muhammadiyah Jakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24853/justit.14.3.194-200

Abstract

Kanker payudara menjadi salah satu masalah kesehatan global yang signifikan, dengan tingkat kejadian dan kematian yang tinggi di seluruh dunia. Penelitian ini menyoroti pentingnya prediksi keganasan kanker payudara dalam penanganan pasien dan menggambarkan tantangan dalam deteksi dini serta penanganan kanker payudara, terutama di negara berkembang. Selain itu, penelitian ini menyoroti peran teknologi informasi dan komunikasi, khususnya algoritma data mining seperti C4.5 dan Naive Bayes, dalam meningkatkan prediksi keganasan kanker payudara. Penelitian ini bertujuan untuk membandingkan kinerja kedua algoritma tersebut dalam konteks medis ini, dengan referensi tambahan dari penelitian terdahulu. Hasil penelitian ini menunjukkan bahwa algoritma C4.5 mencapai akurasi sebesar 94,15%, sementara Naïve Bayes mencapai 92,40%. Hal ini menegaskan bahwa algoritma C4.5 memiliki kinerja yang lebih unggul dibandingkan dengan Naïve Bayes. Diharapkan hasil penelitian ini dapat memberikan wawasan yang lebih mendalam tentang pilihan algoritma terbaik untuk prediksi keganasan kanker payudara, yang pada gilirannya dapat meningkatkan diagnosis dini, perawatan yang lebih efektif, dan hasil klinis yang lebih baik bagi pasien.Kata Kunci: Data Mining, C4.5, Naive Bayes, Kanker Payudara, Klasifikasi
Comparison of Rating-based and Inset Lexicon-based Labeling in Sentiment Analysis using SVM (Case Study: GoBiz Application Reviews on Google Play Store) Firda, Hiliah; Putra, Pacu; Oktadini, Nabila Rizky; Sevtiyuni, Putri Eka; Meiriza, Allsela
Sistemasi: Jurnal Sistem Informasi Vol 14, No 2 (2025): Sistemasi: Jurnal Sistem Informasi
Publisher : Program Studi Sistem Informasi Fakultas Teknik dan Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32520/stmsi.v14i2.4795

Abstract

Digital transformation has impacted various sectors, including Micro, Small, and Medium Enterprises (MSMEs). GoBiz, a partner platform for Gojek's GoFood service, plays a crucial role in supporting MSME digitalization, making it essential to understand user perceptions of the application. This study conducts sentiment analysis on 5,000 GoBiz user reviews from the Google Play Store. It compares two labeling methods—Rating-Based and Inset Lexicon—and evaluates them using the Support Vector Machine (SVM) algorithm. The analysis process includes data selection, text preprocessing, data transformation using TF-IDF, SVM implementation with 10-fold cross-validation, and result visualization through word clouds. The findings indicate that the Rating-Based labeling method achieved an accuracy of 87%, with a precision of 86.7%, recall of 87.1%, and an F1-score of 86.8%. Meanwhile, the Inset Lexicon labeling method outperformed it, achieving an accuracy of 89.7%, precision of 89%, recall of 89.8%, and an F1-score of 89.3%. These results suggest that the combination of the Inset Lexicon labeling method and the SVM algorithm is more effective in classifying user sentiment and providing a more accurate understanding of user perceptions regarding the GoBiz application. Sentiment analysis results indicate that users appreciate GoBiz’s ease of operation but face challenges with driver services and advertisement features, highlighting areas for improvement to enhance user satisfaction.
Co-Authors Allsela Meiriza, Allsela Athiyah, Rima Candra, Salsabila Jambak, Muhammad Ihsan Oktadini, Nabila Rizky Pacu Putra Sevtiyuni, Putri Eka