Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal REMIK : Riset dan E-Jurnal Manajemen Informatika Komputer Inspiration: Jurnal Teknologi Informasi dan Komunikasi
Ilham Fannani
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management Education

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

Found 2 Documents
Search

 1 
User Analysis of Info BMKG Application in The Perspective of Human Computer Interaction Using Support Vector Machine Algorithm Ilham Fannani; Enggar Novianto; Alfin Syarifuddin Syahab
Inspiration: Jurnal Teknologi Informasi dan Komunikasi Vol. 13 No. 1 (2023): Inspiration: Jurnal Teknologi Informasi dan Komunikasi
Publisher : Pusat Penelitian dan Pengabdian Pada Masyarakat Sekolah Tinggi Manajemen Informatika dan Komputer AKBA Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35585/inspir.v13i1.42

Abstract

On the Google Play Store, users often read other users' app reviews and reputations, before downloading an app. This makes the analysis of user reviews very interesting for app owners to make future decisions. This study aims to analyze user reviews of the Info BMKG application on the Google Play Store, using sentiment analysis. This user review analysis uses the Support Vector Machine (SVM) method. The evaluation proposal was made from more than 3,000 user reviews collected from the INFOBMKG application on the Google Play Store. The results of the analysis using the Support Vector Machine produce an accuracy of 85.54 % and the most frequently reviewed positive review results are "Good", while the most frequently reviewed negative reviews are "Error". Which indicates a complaint against INFOBMKG users, and from the negative words that appear most often, there are two combinations of the two words that appear most often together, namely the word "very helpful" and the word "less accurate", which indicates that user often complain about problems related to application performance. The results of the sentiment analysis process of testing 3000 review data using the fold = 5 test value in the Support Vector Machine (SVM) method obtained an accuracy of 85.54 % which produces predictions on data testing, namely 1500 positive reviews and 1500 negative reviews 1500 reviews.
Explainable Machine Learning untuk Prediksi Risiko Penyakit Jantung Menggunakan Random Forest dan Analisis SHAP Luthfia Nurma Hapsari; Ilham Fannani; Yenny Rahmawati; Ahmad Muhariya
REMIK: Riset dan E-Jurnal Manajemen Informatika Komputer Vol. 10 No. 1 (2026): Volume 10 Nomor 1 Januari 2026
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/remik.v10i1.15766

Abstract

Penyakit jantung merupakan salah satu penyebab utama kematian di dunia, sehingga diperlukan metode yang efektif untuk memprediksi risiko penyakit tersebut secara dini. Penelitian ini bertujuan untuk menerapkan pendekatan machine learning berbasis Random Forest dalam memprediksi risiko penyakit jantung menggunakan data klinis pasien, serta meningkatkan transparansi model melalui pendekatan explainable machine learning menggunakan SHAP. Dataset yang digunakan merupakan data penyakit jantung publik yang berisi fitur-fitur klinis seperti usia, jenis kelamin, tekanan darah, kadar kolesterol, dan denyut jantung maksimum. Model Random Forest dilatih dan dievaluasi menggunakan data uji dengan metrik akurasi, precision, recall, dan F1-score. Hasil evaluasi menunjukkan bahwa model Random Forest memperoleh nilai akurasi sebesar 0,80 dan F1-score tertimbang sebesar 0,80. Selain itu, nilai recall sebesar 0,80 dan precision 0,82 pada kelas penyakit jantung menunjukkan bahwa model cukup efektif dalam mendeteksi pasien yang berisiko. Analisis interpretabilitas menggunakan SHAP menunjukkan bahwa fitur chest pain type, thalassemia, dan jumlah pembuluh darah utama merupakan fitur yang memiliki kontribusi paling besar terhadap prediksi risiko penyakit jantung. Hasil penelitian ini menunjukkan bahwa Random Forest dengan pendekatan explainable machine learning berbasis SHAP mampu memberikan prediksi yang cukup baik serta interpretasi model yang lebih transparan, sehingga berpotensi digunakan sebagai alat bantu analisis berbasis data pada prediksi risiko penyakit jantung. Kata kunci: penyakit jantung, machine learning, Random Forest, SHAP, explainable machine learning.
Co-Authors Ahmad Muhariya Alfin Syarifuddin Syahab Enggar Novianto Luthfia Nurma Hapsari Yenny Rahmawati