Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Arcitech: Journal of Computer Science and Artificial Intelligence Submit : Jurnal Ilmiah Teknologi Informasi dan Sains
Asyafiiyah, Gita Rohma Utami
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Engineering

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

Found 2 Documents
Search

 1 
Prediksi Pasien Terindikasi Penyakit Jantung Menggunakan Metode Logistic Regression Asyafiiyah, Gita Rohma Utami; Akbar , Ronny Makhfuddin
SUBMIT: Jurnal Ilmiah Teknologi Infomasi dan Sains Vol. 4 No. 1 (2024): Juni 2024
Publisher : Program Studi Teknik Informatika, Universitas Islam Majapahit Mojokerto, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36815/submit.v4i1.3342

Abstract

Penyakit serangan jantung (Heart Attack) telah terbukti sebagai salah satu penyakit berbahaya di dunia. Penyakit serangan jantung adalah kondisi dimana tersumbatnya arteri yang disebabkan oleh timbunan lemak. Deteksi penyakit jantung perlu dilakukan sejak dini karena gejala awalnya sering kali tidak jelas dan mudah terabaikan sehingga banyak orang tidak menyadari bahwa mereka sedang mengalami kondisi yang berakibat fatal nantinya. Untuk mengatasi masalah tersebut teknologi machine learning dapat digunakan untuk membantu mendeteksi penyakit jantung dengan menggunakan data historis pasien dengan berbagai metode yang ada. Pada penelitian ini metode yang digunakan adalah logistic regression dimana metode tersebut memodelkan probabilitas kejadian dari suatu peristiwa untuk menghasilkan nilai binary, yaitu nol dan satu sebagai penentuan klasifikasinya. Model yang diterapkan memberikan hasil akurasi pada data training sebesar 86% dan pada data testing sebesar 88%.  Berdasakan hasil confusion matrix, model mampu memprediksi sampel yang benar-benar negatif (TN) dengan baik, ditunjukkan dari persentase yang cukup bagus mencapai nilai 85,39%. Kemudian proporsi false negative (FN) juga cukup rendah 9,52%. Nilai true positif (TP) mencapai 90,48% dan ROC curve menunjukkan nilai AUC 0,95 (mendekati 1) yang berarti model memiliki 95% area dibawah curva. Hal ini menunjukkan bahwa model yang dibangun memberikan performa yang baik. Jika dibandingkan dengan beberapa metode machine learning lainnya, metode logistic regression lebih unggul dari tingkat akurasinya.
Analisis Wilayah Prioritas Pembangunan di Provinsi Jawa Timur Berdasarkan Indikator Sosial Menggunakan Metode K-Means Clustering Asyafiiyah, Gita Rohma Utami; Widyastuti, Artika; Andriani, Friska
Arcitech: Journal of Computer Science and Artificial Intelligence Vol. 5 No. 1 (2025): June 2025
Publisher : Institut Agama Islam Negeri (IAIN) Curup

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29240/arcitech.v5i1.13488

Abstract

Development is a key indicator of a region's progress; however, regional disparities remain a pressing issue due to uneven distribution of development. This study employs a data mining approach using the K-Means Clustering method. The objective is to classify priority development areas in East Java Province based on various social indicators, including total population, population growth rate, population density, Human Development Index (HDI), unemployment rate, and average years of schooling (AYS). Unlike previous studies, this research adopts a more comprehensive data-driven approach. The results show that K-Means successfully classifies regions into two clusters: priority and non-priority. A Silhouette Score of 0.45 indicates a fairly good level of cluster separation. Most of the regions in the priority cluster are regencies, while the non-priority cluster predominantly consists of urban areas. These findings confirm that K-Means Clustering is an effective decision-support tool for identifying priority development areas through data-based analysis.
Co-Authors Akbar , Ronny Makhfuddin Friska Andriani Widyastuti, Artika