Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal JUTIK : Jurnal Teknologi Informasi dan Komputer Journal of Innovation Information Technology and Application (JINITA)
Putu Gita Pujayanti
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Engineering Social Sciences

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

Found 2 Documents
Search

 1 
PERANCANGAN DATABASE PENDAFTARAN IMUNISASI BAYI BERBASIS ONLINE Made Wira Putra Dananjaya; Yadhurani Dewi Amritha; Ni Luh Putu Ika Candrawengi; Putu Gita Pujayanti
Jurnal Teknologi Informasi dan Komputer Vol. 10 No. 2 (2024): Jurnal Teknologi Informasi dan Komputer
Publisher : LPPM Universitas Dhyana Pura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36002/jutik.v10i2.2997

Abstract

Imunisasi bayi merupakan upaya krusial dalam bidang kesehatan untuk mencegah berbagai penyakitmenular yang berpotensi berbahaya. Sistem pendaftaran dan pengelolaan data imunisasi yang akuratdan tepat waktu sangat penting untuk memastikan setiap bayi menerima imunisasi sesuai jadwal.Namun, sistem pendaftaran manual sering menghadapi kendala seperti kesalahan pencatatan,keterlambatan layanan, dan kesulitan dalam memantau jadwal imunisasi. Penelitian ini bertujuanuntuk merancang dan mengimplementasikan sistem database pendaftaran imunisasi bayi berbasisonline yang dapat diakses oleh orang tua, wali, dan petugas kesehatan. Sistem ini dirancangmenggunakan MySQL untuk manajemen basis data dan PHP untuk pengembangan aplikasi web.Dalam perancangannya, digunakan berbagai metode seperti diagram konteks, data flow diagram,fishbone diagram, struktur database, trigger, dan constraint untuk memastikan integritas dankonsistensi data. Hasil penelitian menunjukkan bahwa sistem ini mampu meningkatkan efisiensi danakurasi dalam proses pendaftaran imunisasi bayi dengan mengurangi kesalahan manual dan menyediakan pemantauan jadwal imunisasi secara real-time. Implementasi trigger dan constraintpada database membantu otomatisasi beberapa proses penting, seperti memperbarui status imunisasidan menghapus data yang tidak relevan, serta menjaga kualitas data. Sistem ini juga memberikankemudahan akses bagi orang tua dan wali untuk mendaftarkan bayi mereka serta bagi petugaskesehatan untuk memantau dan mengelola jadwal imunisasi. Dengan potensi pengembangan lebihlanjut, seperti penambahan fitur notifikasi otomatis dan integrasi dengan sistem kesehatan lainnya,sistem ini diharapkan dapat memberikan kontribusi signifikan dalam meningkatkan kualitaspelayanan imunisasi bayi serta kesehatan masyarakat secara keseluruhan
Application of Machine Learning for Academic Outcome Prediction: A Methodological Comparative Study Md. Wira Putra Dananjaya; Putu Gita Pujayanti
Journal of Innovation Information Technology and Application (JINITA) Vol 7 No 1 (2025): JINITA, June 2025
Publisher : Politeknik Negeri Cilacap

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35970/jinita.v7i1.2540

Abstract

Academic performance prediction is a crucial area in education; however, the complexity of influencing factors often cannot be adequately captured by simple linear models. This research conducts a methodological comparative analysis of five machine learning models Simple Linear Regression, Multiple Linear Regression (MLR), Decision Tree, Random Forest, and Artificial Neural Network (ANN) to determine the most accurate predictive approach using a comprehensive dataset encompassing academic, behavioral, and psychosocial factors. The models were evaluated using Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), and R-squared (R2) metrics. Evaluation results on the test data revealed that the Multiple Linear Regression (MLR) model unexpectedly delivered the most superior performance, achieving an R2 value of 0.7324 and the lowest RMSE of 2.0391. Further analysis from non-linear models identified Attendance and Hours_Studied as the two factors with the highest predictive influence. This study concludes that interpretable models like MLR can be highly effective when supported by relevant features, offering practical implications for institutions to develop effective early warning systems by focusing on key, actionable factors.
Co-Authors Dananjaya, Md Wira Putra Ni Luh Putu Ika Candrawengi Yadhurani Dewi Amritha