Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal Malcom: Indonesian Journal of Machine Learning and Computer Science
Sholekhah, Fitriana
Unknown Affiliation
Computer Science & IT

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

Found 2 Documents
Search

 1 
Penerapan Algoritma Decesion Tree C4.5 untuk Memprediksi Tingkat Kelangsungan Hidup Pasien Kanker Tiroid: The Application of C4.5 Decision Tree Algorithm for Predicting the Survival Rate of Thyroid Cancer Patients Putri, Adinda Dwi; Sholekhah, Fitriana; Dadynata, Eric; Efrizoni, Lusiana; Rahmaddeni, Rahmaddeni; Sapina, Nur
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 4 No. 4 (2024): MALCOM October 2024
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v4i4.1532

Abstract

Salah satu penyakit yang memiliki tingkat kelangsungan hidup yang bervariasi di antara pasien adalah kanker tiroid. Untuk memprediksi tingkat kelangsungan hidup pasien berdasarkan karakteristik klinis, penelitian ini menggunakan algoritma Decision Tree C4.5. Metode ini memanfaatkan pengolahan bahasa alami (NLP) dengan Count Vectorizer untuk mengubah teks menjadi data numerik. Dalam penilaian keakuratan prediksi, evaluasi dilakukan dengan matriks kebingungan (confusion matrix) untuk mengukur kinerja model dalam klasifikasi. Selain itu, Area Under Curve (AUC) juga dihitung untuk mengevaluasi performa model. Hasil eksperimen menunjukkan bahwa metode ini memberikan prediksi yang akurat tentang tingkat kelangsungan hidup pasien dengan kanker tiroid, mencapai akurasi sebesar 97% dan AUC sebesar 0.95, menunjukkan kinerja yang sangat baik. Penelitian ini penting untuk memperdalam pemahaman tentang penerapan Decision Tree dalam konteks medis dan potensi algoritma ini dalam mendukung pengambilan keputusan klinis di masa depan.
Perbandingan Algoritma Naïve Bayes dan K-Nearest Neighbors untuk Klasifikasi Metabolik Sindrom: Comparison of Naive Bayes and K-Nearest Neighbors Algorithms for Metabolic Syndrome Classification Sholekhah, Fitriana; Putri, Adinda Dwi; Rahmaddeni, Rahmaddeni; Efrizoni, Luasiana
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 4 No. 2 (2024): MALCOM April 2024
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v4i2.1249

Abstract

Kondisi medis yang dikenal sebagai sindrom metabolik berpotensi meningkatkan kemungkinan penyakit jantung koroner, stroke, serangan jantung dan diabetes tipe 2. Sindrom metabolik juga dapat menyebabkan gula darah tinggi, kadar kolesterol rendah, obesitas secara bersamaan dan kelebihan lemak di daerah pinggang. Jika kombinasi dari ketiga kondisi ini terjadi maka dapat dikatakan penyakit ini  sebagai sindrom metabolik. Selain itu, sindrom metabolik juga dikaitkan dengan resistensi insulin, artinya dimana sel-sel tubuh tidak merespon baik terhadap efek insulin yang menyebabkan kadar gula darah tinggi karena gula tidak terserap ke dalam sel dengan baik. Sindrom metabolik tumbuh seiring meningkatnya obesitas di Asia, dengan perkiraan prevalensi yang terus naik. Ini berpotensi meningkatkan kasus penyakit kardiovaskular dan risiko kematian. Oleh karena itu, perlu dikembangkan model untuk mendiagnosis sindrom metabolik. Penelitian ini bertujuan untuk membandingkan kinerja algoritma klasifikasi utama, yaitu Naïve Bayes (NB) dan K-Nearest Neighbors (KNN) dalam mendeteksi sindrom metabolik. Hasil dari penelitian ini menunjukkan bahwa penggunaan algoritma Naïve Bayes menghasilkan akurasi sebesar 79%, sedangkan akurasi tertinggi dari algoritma K-Nearest Neighbors (KNN) adalah 82%. Kesimpulannya, dari hasil penelitian ini menunjukkan bahwa algoritma K-NN dengan pembagian data 50:50 lebih efektif dalam memprediksi dan mengklasifikasikan sindrom metabolik.
Co-Authors Dadynata, Eric Efrizoni, Luasiana Efrizoni, Lusiana Putri, Adinda Dwi Rahmaddeni Rahmaddeni Sapina, Nur