Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal Jurnal Teknologi dan Informasi Jurnal Amplifier: Jurnal Ilmiah Bidang Teknik Elektro dan Komputer
Mortara, Alda Amalia
Unknown Affiliation
Computer Science & IT Electrical & Electronics Engineering Engineering

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

Found 2 Documents
Search

 1 
Sistem Pakar Diagnosa Penyakit Katarak dengan Metode Certainty Factor Mortara, Alda Amalia; Anita Desiani
JURNAL AMPLIFIER : JURNAL ILMIAH BIDANG TEKNIK ELEKTRO DAN KOMPUTER Vol. 13 No. 1 (2023): Amplifier Mei Vol. 13, No. 1 2023
Publisher : UNIB Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33369/jamplifier.v13i1.27265

Abstract

The eye is one of the most vital parts of the human body, which of course must be maintained. Unhealthy eyes will have a bad impact on the sufferer because it can interfere with the sufferer's activity process. One of the simplest and most common eye diseases suffered by humans is cataracts. Symptoms of cataracts occur painlessly so that many sufferers do not realize that they have cataracts. In Indonesia, the main cause of visual impairment and blindness is cataracts. Cases of blindness caused by cataracts occur due to a condition where the lens of the eye becomes cloudy and cataracts do not only occur at an early age but at all ages even though cataracts are a type of blindness that can be avoided and can be cured through treatment. Therefore an expert system is needed to help diagnose cataracts so that prevention can be done as much as possible. One method that can be used by expert systems is the assurance factor method. The advantage of the assurance factor method is that it can provide settlement solutions with the value of disease symptoms given by experts. With the superiority of the assurance factor method, this study will discuss the application of the assurance factor in the diagnosis of cataracts. To diagnose cataracts, there are 18 symptoms with 3 types of disease, namely congenital, juvenile, and traumatic cataracts. This study used 5 data tests based on the symptoms felt by people with cataracts to produce accurate predictions for each type of cataract where 86.0762% congenital cataracts in the first test data, 94.0595% juvenile cataracts in the second test data, 92.5128% traumatic cataracts in the third test data, 92.2440 % juvenile cataracts in the fourth test data, and 90.2080% juvenile cataracts in the fifth test data.
Perbandingan Algoritma C4.5 dan Adaptive Boosting dalam Klasifikasi Penyakit Alzheimer Mortara, Alda Amalia; Permatasari, Mitta; Desiani, Anita; Andriani, Yuli; Arhami, Muhammad
Jurnal Teknologi dan Informasi (JATI) Vol 13 No 2 (2023): Jurnal Teknologi dan Informasi (JATI)
Publisher : Program Studi Sistem Informasi, Fakultas Teknik dan Ilmu Komputer, Universitas Komputer Indonesia.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34010/jati.v13i2.10525

Abstract

Penyakit alzheimer adalah penyakit yang menyerang sistem saraf di dalam otak. Penyakit ini dapat menyebabkan terganggunya aktivitas sehari-hari, ingatan yang tidak terorganisir, dan berkurangnya daya ingat. Deteksi dini penyakit alzheimer dapat memanfaatkan pendekatan matematis menggunakan data mining. Data mining memiliki model-model klasifikasi yang dapat digunakan untuk mendeteksi dini penyakit alzheimer. Beberapa algoritma yang dapat digunakan untuk klasifikasi diantaranya adalah C4.5 dan Adaptive Boosting (AdaBoost) yang diterapkan pada penelitian ini untuk mengklasifikasikan penyakit alzheimer. Perbandingan kedua algoritma ini bertujuan untuk memperoleh algoritma mana yang paling tepat dalam klasifikasi penyakit alzheimer. Untuk menguji kedua algoritma ini digunakan dua teknik pengujian yaitu percentage split dan k-fold cross validation. Pada percentage split dipilih ukuran split sebesar 80% untuk data latih dan 20% sebagai data uji dan k-fold cross validation dipilih nilai k sebesar 10. Hasil penerapan dari kedua algoritma diperoleh bahwa untuk k-fold cross validation bekerja lebih baik dibandingkan dengan percentage split. Hal ini dikarenakan k-fold cross validation meningkatkan persentase nilai presisi, recall, dan akurasi dari masing-masing algoritma. Untuk kinerja masing-masing algortima, AdaBoost dalam penggunaanya bekerja lebih baik dibandingkan dengan C4.5 dengan nilai presisi, recall dan akurasi secara berturut-turut, yaitu 91.5%, 91% dan 91.15%. Dari hasil yang diperoleh dapat disimpulkan bahwa algoritma AdaBoost dengan teknik k-fold cross validation memiliki performa yang paling baik dalam melakukan klasifikasi penyakit alzheimer dibandingkan algoritma dan teknik pengujian lainnya.
Co-Authors Anita Desiani Arhami, Muhammad Permatasari, Mitta Yuli Andriani