Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal Jurnal Sarjana Teknik Informatika Desimal: Jurnal Matematika Jurnal Pengembangan Riset dan Observasi Teknik Informatika
Ade Lailani
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Mathematics Social Sciences

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

Found 3 Documents
Search

 1 
Implementasi Least Significant Bit pada Citra Digital dengan Enkripsi Vigenère Cipher Berbasis Application Programming Interface vidia, vidia; Ade Lailani; Rohmi Dyah Astuti; Yuliana; Moh Arif Yahya
Pengembangan Riset dan Observasi Teknik Informatika Vol 12 No 1 (2025)
Publisher : Universitas Serang Raya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30656/protekinfo.v12i1.10315

Abstract

Steganografi adalah teknik untuk menyembunyikan informasi dalam citra digital, dan salah satu metode yang digunakan adalah LSB (Least Significant Bit). Metode LSB menyisipkan bit terkecil ke dalam gambar digital, yang melibatkan dua algoritma utama, yaitu algoritma embedding dan ekstraksi. Untuk tahapan enkripsi, penelitian ini menggunakan sistem Vigenère cipher yang terdiri dari dua tahap yaitu enkripsi dan dekripsi. Penelitian ini mengintegrasikan metode steganografi dengan enkripsi menggunakan Vigenère cipher berbasis API. Tujuan dari integrasi ini adalah untuk menciptakan sistem yang tidak hanya menyembunyikan informasi dalam citra digital, tetapi juga melindungi informasi tersebut dari pihak yang tidak berhak mengaksesnya. Dengan menggunakan metode LSB, penelitian ini berhasil mempertahankan kualitas gambar yang digunakan, seperti yang terlihat pada metadata, di mana selisih ukuran file antara gambar asli dan gambar yang telah dienkripsi hanya sebesar 0,8 MB.
Multi-objective bees algorithm for portfolio diversification Farid, Fajri; Linda Rassiyanti; Rohmi Dyah Astuti; Ade Lailani
Desimal: Jurnal Matematika Vol. 8 No. 2 (2025): Desimal: Jurnal Matematika
Publisher : Universitas Islam Negeri Raden Intan Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24042/mttkw723

Abstract

Portfolio diversification is the practice of spreading investments across different types of stocks or sectors to reduce overall risk. The basic principle is that the poor performance of one stock asset can be offset by the satisfactory performance of another stock asset. This study uses the Bees Algorithm for portfolio optimization problems, aiming to discover the combination of stock proportions in a portfolio that maximizes stock returns and minimizes risk. Then, the Sharpe ratio value is calculated and compared with conventional methods. The expected return, risk, and Sharpe ratio values for the portfolio generated using the Bees algorithm are 0.178007%, 2.353956%, and 0.0663484322, respectively. According to the results, the Bees Algorithm had better results and performance than conventional methods. As a result, the Bees Algorithm outperforms conventional approaches.
Analisis Kinerja XGBoost dengan Penanganan Imbalanced Dataset Menggunakan SMOTE-Tomek pada Klasifikasi Penyakit Diabetes Rohmi Dyah Astuti; Christyan Tamaro Nadeak; Ade Lailani
Jurnal Sarjana Teknik Informatika Vol. 14 No. 2 (2026): Juni
Publisher : Program Studi Informatika, Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/jstie.v14i2.32255

Abstract

Penyakit diabetes merupakan salah satu penyakit kronis yang mengalami peningkatan jumlah penderita secara signifikan dalam beberapa tahun terakhir dan memerlukan deteksi dini yang akurat. Ketepatan dalam proses klasifikasi penyakit diabetes sangat penting untuk membantu penanganan medis dan mengurangi risiko komplikasi pada pasien. Namun, permasalahan ketersediaan data yang tak seimbang pada data kesehatan seringkali menyebabkan model klasifikasi menjadi bias terhadap kelas mayoritas dimana jumlah penderita diabetes lebih sedikit dibanding jumlah bukan penderita diabetes. Penelitian ini bertujuan untuk menganalisis performa algoritma XGBoost dengan penerapan metode SMOTE-Tomek dalam menangani ketidakseimbangan data pada klasifikasi penyakit diabetes. Dataset yang digunakan terdiri dari 5288 data dengan 14 fitur merupakan faktor-faktor pendukung resiko terkena penyakit diabetes. Proses penelitian meliputi prapemrosesan data, pembagian data latih dan data uji, penanganan imbalanced dataset menggunakan SMOTE-Tomek, pelatihan model XGBoost dengan hyperparameter tuning menggunakan GridSearchCV, serta evaluasi model menggunakan metrik akurasi, precision, recall, F1-score, dan ROC-AUC. Dengan pembagian data latih dan data uji sebesar 80:20, hasil penelitian menunjukkan bahwa tanpa penanganan data tidak seimbang, model menghasilkan nilai precision sebesar 0,61, recall sebesar 0,30, dan F1-score sebesar 0,40 pada kelas minoritas. Setelah penerapan SMOTE-Tomek, nilai recall dan F1-score meningkat menjadi 0,45, meskipun precision menurun menjadi 0,45. Selain itu, nilai ROC-AUC meningkat dari 0,64 menjadi 0,70, yang menunjukkan peningkatan kemampuan model dalam membedakan kelas. Dengan demikian, kombinasi SMOTE-Tomek dan XGBoost terbukti mampu meningkatkan performa model dalam menangani dataset tidak seimbang, khususnya dalam mendeteksi kelas minoritas pada kasus klasifikasi penyakit diabetes.
Co-Authors Christyan Tamaro Nadeak Farid, Fajri Linda Rassiyanti Moh Arif Yahya Rohmi Dyah Astuti Rohmi Dyah Astuti Vidia, Vidia Yuliana Yuliana