Article Per Year (5 Year)
p-Index From 2020 - 2025
0.61
P-Index
This Author published in this journals
All Journal INTECOMS: Journal of Information Technology and Computer Science JSR : Jaringan Sistem Informasi Robotik Malcom: Indonesian Journal of Machine Learning and Computer Science
Herisnan, Diva Nabila
Unknown Affiliation
Computer Science & IT

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

Found 3 Documents
Search

 1 
Analisis Sentimen Terhadap Resesi Ekonomi Global Di Indonesia Menggunakan Hybrid Linear Regression – Naive Bayes Herisnan, Diva Nabila; Elwinda, Masyitah; Rashid, Rashid; Rahmaddeni, Rahmaddeni
INTECOMS: Journal of Information Technology and Computer Science Vol 7 No 5 (2024): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/intecoms.v7i5.11889

Abstract

Penelitian ini bertujuan untuk menganalisis sentimen masyarakat Indonesia terhadap resesi ekonomi global menggunakan pendekatan hybrid yang menggabungkan algoritma Linear Regression dan Naive Bayes. Data yang digunakan diambil dari dataset Kaggle yang berisi 2.138 tweet terkait resesi ekonomi. Tahapan penelitian meliputi identifikasi masalah, pengumpulan dataset, preprocessing, pembobotan kata menggunakan TF-IDF, klasifikasi data, distribusi sentimen, dan evaluasi model. Hasil analisis menunjukkan bahwa sentimen publik terhadap resesi ekonomi global di Indonesia didominasi oleh reaksi netral. Metode hybrid Linear Regression dan Naïve Bayes dengan pembobotan kata TF-IDF pada splitting data 60:40 memberikan hasil akurasi tertinggi sebesar 97,66%.Secara keseluruhan, akurasi tertinggi dengan menggunakan Linear Regression yaitu sebesar 98,01%. Penelitian ini memberikan wawasan yang lebih mendalam tentang persepsi masyarakat terhadap resesi ekonomi, yang dapat membantu pembuat kebijakan dan industri dalam merancang strategi yang lebih efektif untuk menghadapi dampak dari krisis ekonomi global.
Klasifikasi Komposisi Menu Makanan Olahan Terhadap Standar Gizi Balita Menggunakan Random Forest: Classification of Processed Food Menu Compositions Against Toddler Nutrition Standards Using Random Forest Rahmi, Rahmi; Herisnan, Diva Nabila; Daulay, Suandi; Rahmaddeni, Rahmaddeni
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 5 No. 4 (2025): MALCOM October 2025
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v5i4.2280

Abstract

Peningkatan kesadaran masyarakat akan pentingnya asupan gizi seimbang, khususnya pada anak usia dini, menjadi aspek krusial dalam upaya pencegahan malnutrisi dan masalah kesehatan terkait. Penelitian ini bertujuan untuk mengklasifikasikan komposisi menu makanan olahan terhadap standar gizi balita menggunakan pendekatan data mining dengan algoritma Random Forest. Dataset yang digunakan memuat kandungan nutrisi menu yang divalidasi terhadap standar Angka Kecukupan Gizi (AKG) untuk anak usia 1–5 tahun. Klasifikasi dilakukan ke dalam tiga kategori: seimbang, tidak seimbang, dan berlebihan. Penelitian melibatkan tahapan preprocessing data, feature selection, normalisasi, serta pelatihan model menggunakan Random Forest. Evaluasi menggunakan akurasi, presisi, recall, serta f1-score. Hasil pengujian diperoleh algoritma bahwa Random Forest menghasilkan kinerja terbaik dengan akurasi 90%. Dari 136 menu, 9 diklasifikasikan sebagai seimbang, 59 tidak seimbang, dan 68 berlebihan. Penelitian ini membuktikan jika algoritma Random Forest bisa dijadikan alat yang efektif dalam pemantauan gizi balita
KOMPARASI ALGORITMA DECISION TREE, SVM, NAIVE BAYES DALAM PREDIKSI PENYAKIT LIVER Herisnan, Diva Nabila
JSR : Jaringan Sistem Informasi Robotik Vol 8, No 1 (2024): JSR: Jaringan Sistem Informasi Robotik
Publisher : AMIK Mitra Gama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58486/jsr.v8i1.387

Abstract

Penelitian ini membandingkan kinerja tiga algoritma klasifikasi dalam memprediksi penyakit hati: Decision Tree, Support Vector Machine (SVM), dan Naive Bayes. Prediksi akurat mengenai masalah kesehatan hati dapat membantu diagnosis dan pengobatan tepat waktu. Sebab, permasalahan ini mempunyai dampak yang cukup besar. Metode ini melatih dan mengevaluasi algoritma dengan kumpulan data klinis dan parameter biokimia. Meskipun Decision Tree memberikan interpretasi model yang lebih baik, SVM mengungguli algoritma lain dalam hal akurasi prediksi. Selain itu, Naive Bayes memiliki kinerja yang baik, terutama dalam menangani asumsi independensi fitur. Singkatnya, ketika seseorang memilih algoritma klasifikasi, mereka harus mempertimbangkan manfaat yang dihasilkan dari akurasi, interpretabilitas, dan asumsi model. Hasil penelitian ini semoga bermanfaat bagi para praktisi kesehatan dalam memilih metode untuk memprediksi penyakit liver dan tingkat akurasi terbaik terdapat pada algoritma Decision Tree menggunakan pembagian data Forward Selection 70:30 dengan tingkat akurasi 67,82%
Co-Authors Daulay, Suandi Elwinda, Masyitah Rahmaddeni Rahmaddeni Rahmi Rahmi Rashid, Rashid