Article Per Year (5 Year)
p-Index From 2020 - 2025
1.318
P-Index
This Author published in this journals
All Journal Jurnal Tekinkom (Teknik Informasi dan Komputer) Jurasik (Jurnal Riset Sistem Informasi dan Teknik Informatika) Jurnal Media Informatika International Journal of Public Health Excellence (IJPHE) Jurnal Komtekinfo Digital Transformation Technology (Digitech) International Journal of Community Service (IJCS)
Adawiyah, Quratih
Unknown Affiliation
Religion Aerospace Engineering Agriculture, Biological Sciences & Forestry Arts Humanities Astronomy Automotive Engineering Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Immunology & microbiology Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Medicine & Pharmacology Neuroscience Nursing Physics Public Health Social Sciences Transportation Veterinary Other

Published : 7 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 7 Documents
Search

 1 
Penerapan Algoritma K-Means Clustering untuk Mengelompokkan Rekomendasi Metode Kontrasepsi Berbasis Machine Learning di Puskesmas Adawiyah, Quratih; Defit, Sarjon; Sumijan
Jurnal KomtekInfo Vol. 11 No. 4 (2024): Komtekinfo
Publisher : Universitas Putra Indonesia YPTK Padang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35134/komtekinfo.v11i4.563

Abstract

Pertumbuhan penduduk Indonesia yang relatif tinggi memerlukan solusi dalam pemilihan metode kontrasepsi yang tepat bagi pasangan usia subur. Banyaknya pilihan kontrasepsi yang tersedia, pasangan usia subur tidak tahu mana yang paling tepat dengan kebutuhan mereka. Artificial Intelligence merupakan cabang ilmu komputer yang fokus pada pengembangan sistem yang dapat meniru kecerdasan manusia dalam memecahkan masalah dan mengambil keputusan. Machine Learning dapat memungkinkan sistem untuk belajar menggantikan atau meningkatkan kecerdasan manusia dalam pemecahan masalah dan otomatisasi. Data mining juga menjadi proses untuk mengekstrak pola dan informasi dari kumpulan data yang besar. Salah satu teknik yang digunakan pada penelitian ini adalah K-Means Clustering yang merupakan metode pengelompokan yang membagi data dalam kelompok berdasarkan kesamaan karakteristik. Clustering bekerja dengan mengidentifikasi centroid dari setiap cluster dan mengelompokkan data berdasarkan jarak terdekat ke centroid tersebut. Penelitian ini bertujuan untuk memberikan rekomendasi metode kontrasepsi yang tepat kepada pasangan usia subur dengan mengelompokkan data pasien KB berdasarkan karakteristik seperti nama, umur, dan jumlah anak. Algoritma K-Means Clustering digunakan untuk mengelompokkan rekomendasi metode kontrasepsi berdasarkan data pasien yang dikumpulkan sehingga mendapatkan rekomendasi yang lebih akurat. Data yang digunakan adalah data nama, data umur dan jumlah anak pasien KB pada tahun 2023 di Puskesmas. Dataset yang digunakan sebanyak 20 data. Metode yang digunakan meliputi studi literatur, pengumpulan data melalui observasi dan wawancara. Hasil dari penelitian ini dapat mengelompokkan data menjadi 2 cluster, yaitu cluster C0 menyatakan metode jangka pendek sedangkan C1 menyatakan metode jangka panjang. Dari hasil proses cluster, posisi cluster terakhir pada iterasi 4 dan tidak berubah lagi maka dinyatakan proses telah selesai, didapatkan cluster Jangka pendek C0 sebanyak 11 anggota dan C1 berjumlah 9 anggota. Penelitian ini juga memanfaatkan aplikasi RapidMiner untuk membantu proses clustering. Hasil menunjukkan bahwa algoritma ini efektif dalam mengidentifikasi pola dan kelompok dalam data pasien KB, yang diharapkan dapat membantu tenaga kesehatan dalam memberikan rekomendasi yang lebih akurat, dan memberikan kontribusi dalam peningkatan pelayanan kesehatan, khususnya dalam pelayanan KB di Puskesmas.
Rancang Bangun Sistem Pakar Backward Chaining Untuk Antisipasi Hama Tumbuhan Kedelai Resnawita, R; Siregar, Diffri Solihin; Adawiyah, Quratih; Defit, Sarjon
Jurasik (Jurnal Riset Sistem Informasi dan Teknik Informatika) Vol 9, No 1 (2024): Edisi Februari
Publisher : STIKOM Tunas Bangsa Pematangsiantar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30645/jurasik.v9i1.759

Abstract

Soybeans are an important source of protein in Indonesia. Soybean cultivation in Indonesia faces difficulties posed by climate-related elements that create an ideal environment for the proliferation of various pest species, including those that attack leaves and pods. An expert system is a computing system designed to replicate all aspects of expert capacity in decision making. The Backward Chaining method is an approach where the reasoning process begins with the goal or conclusion to be achieved. This research aims to build a system to provide anticipation in dealing with soybean plant diseases and pests. The results of this expert system research support consultations by uploading photos as a consultation medium. Administrators have the ability to manage soybean crop data in the knowledge base, including adding, editing, and deleting data. The expert system is able to display diagnoses accompanied by complete prevention and management solutions for identified symptoms
Analisis Pengaruh Media Sosial Terhadap Keberhasilan Usaha Menggunakan Metode Systematic Literature Review Adawiyah, Quratih; Veri, Jhon
Digital Transformation Technology Vol. 4 No. 1 (2024): Periode Maret 2024
Publisher : Information Technology and Science(ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/digitech.v4i1.4095

Abstract

Penelitian ini bertujuan untuk menganalisis pengaruh media sosial terhadap keberhasilan usaha menggunakan metode Systematic Literature Review (SLR). Dalam era digital saat ini, media sosial telah menjadi alat yang sangat berpengaruh dalam berbagai aspek kewirausahaan, termasuk pemasaran, branding, dan pengembangan bisnis. Penelitian ini mengidentifikasi, mengevaluasi, dan menginterpretasi hasil penelitian yang relevan dengan pertanyaan penelitian mengenai dampak media sosial pada pertumbuhan penjualan, brand awareness, brand image, dan frekuensi posting terhadap peningkatan pengunjung atau pelanggan baru pada UKM. Metode SLR diterapkan dengan melakukan penelusuran literatur dari Google Scholar dan menyaring artikel berdasarkan kriteria inklusi dan eksklusi. Dari 161.000 data awal, terpilih 45 jurnal yang relevan, kemudian disaring menjadi 20 artikel, dan akhirnya 8 artikel dinilai berkualitas untuk dianalisis lebih lanjut. Hasil penelitian menunjukkan bahwa penggunaan berbagai platform media sosial seperti Instagram, Facebook, dan WhatsApp secara signifikan meningkatkan jangkauan pasar dan penjualan produk UKM. Strategi pemasaran yang konsisten dan berfokus pada konten berkualitas tinggi efektif dalam membangun kesadaran merek dan citra positif. Selain itu, terdapat korelasi signifikan antara frekuensi posting di media sosial dan peningkatan pengunjung serta pelanggan baru. Oleh karena itu, kombinasi strategi pemasaran yang terencana dan terukur, kualitas dan frekuensi konten, serta interaksi dengan pelanggan dapat membantu UKM mencapai tujuan pemasaran mereka dan mendorong pertumbuhan yang berkelanjutan. Penelitian ini memberikan kontribusi penting bagi pemahaman tentang strategi penggunaan media sosial yang efektif bagi UKM dan membuka jalan bagi penelitian lebih lanjut di bidang ini
Perbandingan Algoritma Naïve Bayes, C4.5, dan K-Nearest Neighbor untuk Klasifikasi Kelayakan Program Keluarga Harapan Ramadani, Putri; Fadillah, Riszki; Adawiyah, Quratih; Suerni, Suerni; Al Ghazali, Baginda Restu
Jurnal Media Informatika Vol. 6 No. 1 (2024): Jurnal Media Informatika Edisi September - Desember
Publisher : Lembaga Dongan Dosen

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55338/jumin.v6i1.6083

Abstract

Penelitian ini bertujuan membandingkan kinerja tiga algoritma klasifikasi—Naïve Bayes, C4.5, dan K-Nearest Neighbor (K-NN)—dalam menentukan kelayakan penerima Program Keluarga Harapan (PKH) di Rantau Prapat. Dataset terdiri dari 109 data keluarga dengan variabel seperti pendapatan, jumlah tanggungan, status pekerjaan, dan kepemilikan aset. Pengolahan dan analisis data dilakukan menggunakan RapidMiner Studio, dengan evaluasi kinerja berdasarkan akurasi, presisi, recall, dan Area Under Curve (AUC). Hasil penelitian menunjukkan bahwa algoritma C4.5 memberikan kinerja terbaik dengan akurasi 91,8%, presisi 90,7%, recall 92,3%, dan AUC 0,944. Naïve Bayes mencatat akurasi 87,2% dan recall 88,9%, sedangkan K-NN menghasilkan akurasi 89,9% dan recall 91,1%, namun memerlukan komputasi lebih tinggi. Temuan ini menunjukkan bahwa C4.5 lebih efektif dalam mengklasifikasikan kelayakan penerima PKH secara akurat dan efisien. Penelitian ini menegaskan potensi algoritma machine learning dalam mendukung pengambilan keputusan pada program bantuan sosial. Studi lanjutan disarankan untuk memperluas cakupan data dan mengeksplorasi metode klasifikasi lainnya guna optimalisasi distribusi bantuan.
Socialization and Implementation of a Midwifery Education Chatbot at the Rantauprapat City Community Health Center Fadillah, Riszki; Ramadani, Putri; Adawiyah, Quratih; Fitriyani, Intan Nur
International Journal of Community Service (IJCS) Vol. 4 No. 1 (2025): January-June
Publisher : PT Inovasi Pratama Internasional

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55299/ijcs.v4i1.1080

Abstract

Improving the quality of maternal healthcare requires an innovative, technology-based approach, particularly in providing midwifery education. This community service project aimed to introduce and train pregnant women at the Rantauprapat City Community Health Center (Puskesmas) in the use of an educational chatbot based on the Recurrent Neural Network (RNN) algorithm. This chatbot was designed to provide fast, relevant, and accessible pregnancy health information. The activity involved coordination with partner health centers, outreach, hands-on training on the use of the chatbot, and evaluation of its effectiveness. The evaluation results showed that more than 90% of participants felt the chatbot helped them understand their pregnancy status, with the majority of questions related to early symptoms, diet, and safe activities during pregnancy. Furthermore, health workers stated that the chatbot could ease the burden of answering repetitive questions from patients. The implementation of this technology has significantly contributed to improving digital-based midwifery literacy and strengthening the role of community health centers as primary health care centers that are adaptive to technological developments. Going forward, the development of additional features and the expansion of local content are expected to strengthen the use of the chatbot on a broader scale.
Predicting the Risk of Premature Birth Using Naive Bayes Based on Maternal Health Data at Rantauprapat Regional Hospital Adawiyah, Quratih; Handayani, Rika; Nadrah, Nailatun; Nasution, Fitriyani; Ramadani, Putri
International Journal of Public Health Excellence (IJPHE) Vol. 4 No. 2 (2025): January-May
Publisher : PT Inovasi Pratama Internasional

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55299/ijphe.v4i2.1112

Abstract

Premature birth is one of the leading causes of infant mortality and complications. Early identification of pregnant women at risk of premature delivery is crucial for appropriate management. This study aims to develop a predictive model for premature birth risk using the Naïve Bayes method based on maternal health data from RSUD Rantauprapat. The data used includes variables such as mother's age, nutritional status, blood pressure, and history of premature birth. The study applies Naïve Bayes to predict the classes of premature birth risk, namely "Premature" and "Not Premature", with data divided into 70% for training and 30% for testing. The results show that the Naïve Bayes model achieved an accuracy of 78.33% in predicting premature birth risk. Additionally, the model shows precision of 89.29%, recall of 83.33%, and F1-score of 86.1%, indicating good performance in detecting pregnant women at risk of premature birth. Comparison with other models, such as Logistic Regression and Decision Tree, demonstrates that Naïve Bayes provides the best results in terms of accuracy and balance between precision and recall. This study shows that Naïve Bayes can be an effective tool for early detection of premature birth and can be implemented in medical decision-making systems at hospitals to improve the management of high-risk pregnant women. The results of this study can serve as a foundation for further research that develops predictive models by adding features or other algorithms.
PREDIKSI METODE PERSALINAN DENGAN BIG DATA DAN ALGORITMA GRADIENT BOOSTING CLASSIFIER Fitriyani, Intan Nur; Fadillah, Riszki; Adawiyah, Quratih; D, Novica Jolyarni
Jurnal Teknik Informasi dan Komputer (Tekinkom) Vol 8 No 1 (2025)
Publisher : Politeknik Bisnis Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37600/tekinkom.v8i1.1557

Abstract

This study aims to develop a prediction model to determine the method of delivery (normal or cesarean) using the Gradient Boosting algorithm based on maternal examination data. This model was evaluated using precision, recall, F1-score, and accuracy metrics. The results showed that the Gradient Boosting model had an accuracy of 48%, with better performance in predicting Normal delivery compared to Caesarean. Although this model is effective, there is an imbalance in precision and recall for the Caesarean class, indicating the need for improvement in identifying cases of cesarean delivery. Comparison with other algorithms such as Random Forest, Logistic Regression, and SVM showed that Random Forest gave the best performance with an accuracy of 55%. To improve performance, this study recommends hyperparameter optimization, application of class balancing techniques, and enrichment of medical features. The developed model has the potential to be used as a tool in medical decision-making related to delivery methods, which is expected to improve the safety of mothers and babies, and reduce dependence on subjective factors in medical decisions.
Co-Authors Al Ghazali, Baginda Restu D, Novica Jolyarni Fadillah, Riszki Handayani, Rika INTAN NUR FITRIYANI Nailatun Nadrah Nasution, Fitriyani Ramadani, Putri Resnawita, R Sarjon Defit Siregar, Diffri Solihin Suerni, Suerni Sumijan Veri, Jhon