Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal Jurnal Mahasiswa Sistem Informasi (JMSI) Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi)
Atma Agilia Triwardani
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Mathematics Mechanical Engineering Transportation

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Evaluasi Pengalaman Pengguna Menggunakan Metode System Usability Scale (SUS) Pada Aplikasi Access By KAI Atma Agilia Triwardani; Muhlishoh Husna Ulfiah; Dzatama , Krisna Fahrizal
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 8 No. 2 (2024): PROSIDING SEMINAR NASIONAL INOVASI TEKNOLOGI TAHUN 2024
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/inotek.v8i2.5024

Abstract

Penelitian ini menggunakan metode System Usability Scale (SUS). Metode SUS digunakan untuk mengukur tingkat kegunaan aplikasi, dengan fokus pada kemudahan penggunaan, kejelasan informasi, dan kepuasan pengguna. Data dikumpulkan melalui kuesioner SUS dan dianalisis untuk mengevaluasi skor kegunaan aplikasi. Hasil penelitian menunjukkan skor SUS sebesar 67,25 dan berada di kategori Good. Hal ini memberikan pemahaman yang mendalam tentang kebutuhan pengguna serta area mana yang perlu diperbaiki untuk meningkatkan pengalaman pengguna. Penemuan ini dapat digunakan sebagai dasar untuk pengembangan lebih lanjut dan peningkatan kualitas aplikasi. Kesimpulan penting dari penelitian ini adalah pentingnya memprioritaskan pengalaman pengguna dalam pengembangan aplikasi untuk memastikan kepuasan pengguna yang optimal.
Prediksi Kematian Akibat Gagal Jantung Menggunakan Algoritma K-Nearest Neighbors Atma Agilia Triwardani; Muhlishoh Husna Ulfiah; Aidina Ristyawan; Erna Daniati
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 8 No. 2 (2024): PROSIDING SEMINAR NASIONAL INOVASI TEKNOLOGI TAHUN 2024
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/inotek.v8i2.5058

Abstract

Artikel ini mengeksplorasi penggunaan algoritma K-Nearest Neighbors (K-NN) untuk klasifikasi pasien gagal jantung berdasarkan data klinis dari Kaggle. Proses penelitian mencakup pra-pemrosesan data, normalisasi fitur, pemilihan parameter k optimal melalui cross-validation, dan evaluasi model dengan metrik akurasi, precision, recall, dan F1-score. Hasil menunjukkan bahwa algoritma K-NN dengan parameter k=7 optimal mampu mengklasifikasikan kematian pasien dengan akurasi yang memadai sebesar 84%. Penemuan ini menunjukkan potensi besar dari penggunaan K-NN dalam mendukung pengambilan keputusan klinis dan meningkatkan diagnosis kematian akibag gagal jantung. Implementasi data mining dengan K-NN menawarkan pendekatan yang efektif untuk analisis medis, berkontribusi pada peningkatan kualitas perawatan pasien.
STUDI KOMPARATIF ALGORITMA MACHINE LEARNING DALAM KLASIFIKASI DAN PREDIKSI KANKER PARU-PARU Atma Agilia Triwardani; Erna Daniati; Anita Sari Wardani
Jurnal Mahasiswa Sistem Informasi (JMSI) Vol. 6 No. 2 (2025): Jurnal Mahasiswa Sistem Informasi (JMSI)
Publisher : Program Studi DIII Sistem Informasi - Universitas Muhammadiyah Metro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24127/jmsi.v6i2.8992

Abstract

Penelitian ini bertujuan untuk membandingkan performa lima algoritma klasifikasi machine learning, yaitu Naive Bayes dan Random Forest, dalam mendeteksi kanker paru-paru berdasarkan data gejala klinis pasien. Data penelitian diperoleh dari dataset terbuka Kaggle yang telah melalui tahapan preprocessing, transformasi, dan pembagian data uji dan latih. Evaluasi performa dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score, baik secara otomatis maupun manual. Hasil penelitian menunjukkan bahwa semua algoritma memiliki performa klasifikasi yang baik, namun Naive Bayes unggul dengan akurasi sebesar 93,53% dan F1-score 0,9272. Temuan ini menunjukkan bahwa pendekatan probabilistik sederhana masih sangat relevan dan efektif dalam mengklasifikasikan penyakit berbasis data klinis. Penelitian ini juga memberikan dasar untuk eksplorasi lebih lanjut terkait pengembangan sistem deteksi dini penyakit berbasis machine learning yang lebih akurat dan efisien
Co-Authors Aidina Ristyawan Anita Sari Wardani Dzatama , Krisna Fahrizal Erna Daniati Muhlishoh Husna Ulfiah