Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Simtek : Jurnal Sistem Informasi dan Teknik Komputer Prosiding Seminar Nasional Teknologi Informasi dan Bisnis
Ardi Lestari, Sofiana
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mechanical Engineering Physics

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

Found 2 Documents
Search

 1 
ANALISIS PENGGUNAAN MACHINE LEARNING DALAM KLASIFIKASI PENENTUAN PENYAKIT JANTUNG Carolina Wibowo, Anita; Ardi Lestari, Sofiana; Nurchim, Nurchim
Simtek : jurnal sistem informasi dan teknik komputer Vol. 9 No. 2 (2024): Oktober 2024
Publisher : STMIK Catur Sakti Kendari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51876/simtek.v9i2.395

Abstract

Penyakit kardiovaskular menyebabkan sekitar 17,9 juta kematian setiap tahun, menjadikan penyakit tersebut sebagai penyebab utama kematian di seluruh dunia.. Penelitian ini bertujuan untuk menganalisis model klasifikasi penyakit jantung yang akurat menggunakan teknik machine learning. Algoritma machine learning yang dianalisis meliputi K-Nearest Neighbor (K-NN), Logistic Regression, dan Decision Tree. Penelitian ini menggunakan Heart Disease Dataset dari Kaggle terdiri dari 1025 record dengan 14 atribut. Tahapan penelitian dimulai dari pre-processing data hingga evaluasi performa dilakukan menggunakan bahasa pemrograman Python. Hasil penelitian menunjukkan bahwa algoritma K-NN mencapai akurasi tertinggi sebesar 94% diikuti algoritma Decision Tree memiliki akurasi sebesar 93% dan terakhir Logistic Regression dengan akurasi sebesar 86%. Dari evaluasi ini, dapat disimpulkan bahwa algoritma K-NN memiliki kinerja terbaik dalam klasifikasi data klinis pasien penyakit jantung. Penelitian ini diharapkan memberikan kontribusi signifikan dalam pemilihan algoritma machine learning untuk mendukung diagnosis medis yang lebih baik.
Perbandingan Model Gated Recurrent Unit dan Long Short-Term Memory Dalam Prediksi Harga Saham Ardi Lestari, Sofiana; Atina, Vihi; Hasanah, Herliyani
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2025
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47701/9q31rx63

Abstract

Mengikuti perkembangan ilmu perekonomian yang semakin meluas, pentingnya investasi di pasar modal kini semakin disadari oleh masyarakat. Ketidakstabilan dan risiko yang dialami bagi para investor menjadikan pertimbangan menyeluruh akan strategi dalam menghadapi pergerakan harga saham yang sulit ditebak. Penelitian ini menganalisa harga saham dengan membandingan model terbaik pada PT. Telkom Indonesia Tbk. menggunakan algoritma Gated Recurrent Unit (GRU) dan Long Short-Term Memory (LSTM). Penelitian ini menggunakan JupyterLab sebagai tools mengeksekusi proses pengembangan model. Kedua model dievaluasi berdasarkan nilai metric Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), dan R2. Hasil pengujian menunjukkan bahwa model LSTM memiliki tingkat kesalahan minimal, dengan RMSE sebesar 57,41, MAE sebesar 42.76, R2 sebesar 0.95, dan MAPE sebesar 0.02, yang menandakan model LSTM memberikan ketepatan prediksi yang lebih baik dibandingkan dengan model GRU.
Co-Authors Atina, Vihi Carolina Wibowo, Anita Hasanah, Herliyani Nurchim Nurchim