Article Per Year (5 Year)
p-Index From 2020 - 2025
1.756
P-Index
This Author published in this journals
All Journal ComEngApp : Computer Engineering and Applications Journal Fountain of Informatics Journal JOIV : International Journal on Informatics Visualization BAREKENG: Jurnal Ilmu Matematika dan Terapan JOURNAL OF APPLIED INFORMATICS AND COMPUTING METHODIKA: Jurnal Teknik Informatika dan Sistem Informasi INTEK: Informatika dan Teknologi Informasi ILKOMNIKA: Journal of Computer Science and Applied Informatics Algoritme Jurnal Mahasiswa Teknik Informatika
Novitasari, Dian C Rini
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Energy Engineering Mathematics Mechanical Engineering Physics Transportation Other

Published : 10 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : ILKOMNIKA: Journal of Computer Science and Applied Informatics

 1 
Peningkatan Identifikasi PCOS dengan KELM melalui Seleksi Fitur LDA dan Deteksi Outlier LOF Ambadar, Panreshma Rizkha; Novitasari, Dian C Rini; Hamid, Abdulloh
ILKOMNIKA Vol 7 No 1 (2025): Volume 7, Number 1, April 2025
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28926/ilkomnika.v7i1.727

Abstract

Polycystic Ovary Syndrome (PCOS) merupakan kelainan yang terjadi pada organ reproduksi perempuan. Kelainan ini mempunyai dampak implikasi klinis yang beragam dan serius, diantaranya pada bagian reproduksi, metabolisme, hingga gangguan psikologis. Identifikasi yang tepat sangat penting untuk meningkatkan penanganan. Penelitian ini bertujuan untuk menguji efektivitas metode Kernel Extreme Learning Machine (KELM) dalam mengidentifikasi PCOS setelah penghapusan outlier dengan Local Outlier Factor (LOF) dan seleksi fitur menggunakan Linear Discriminant Analysis (LDA). Dalam penelitian ini, metode KELM mengidentifikasi kelainan PCOS dengan klasifikasi berdasarkan data rekam medis pasien. Penelitian ini juga melibatkan pengolahan data dengan LOF untuk menangani data outlier dan seleksi fitur terbaik menggunakan LDA guna meningkatkan akurasi identifikasi kelainan PCOS. Berbagai uji coba dilakukan, untuk mengoptimalkan hasil identifikasi kelainan PCOS. Hasil penelitian menunjukkan bahwa ketiga kombinasi dari metode LOF, LDA, dan KELM memperoleh nilai akurasi sebesar 100% dengan eliminasi 10% data outlier dan 10 fitur utama. Hal ini yang menunjukkan kombinasi ketiga metode ini mampu meningkatkan kualitas deteksi dan identifikasi kelainan PCOS.
Co-Authors Abdulloh Hamid Adzan, M. Sailul Ahmad Hanif Asyhar Ambadar, Panreshma Rizkha FAJAR SETIAWAN Fatmawati Fatmawati Hani Khaulasari Haq, Dina Zatusiva Hartanto, Salsabila Jannah, Rachma Raudhatul Lutfi Hakim Moh. Hafiyusholeh Pramesti, Diah Devi Puspitasari, Wahyu Tri Putri, Risma Madurahma Ramadanti , Alvin Nuralif Rimuljo Hendradi Rinda Nariswari Rizal Amegia Saputra Sholahuddin, Muhammad Zulfikar Sri Wahyuni Wulandari, A’isyah Yuniar Farida, Yuniar