Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal INTEGER: Journal of Information Technology Jurnal Mandiri IT
Dewi, Ni Wayan Emmy Rosiana
Unknown Affiliation
Computer Science & IT Library & Information Science Mathematics

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

Found 2 Documents
Search

 1 
Comparison of decision tree and naive bayes methods in glioma classification based on clinical and molecular factors Dewi, Ni Wayan Emmy Rosiana; Putra, I Made Suwija; Simanungkalit, Erwinsyah; Manoppo, Franky Gerald Cliford
Jurnal Mandiri IT Vol. 13 No. 4 (2025): April: Computer Science and Field.
Publisher : Institute of Computer Science (IOCS)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35335/mandiri.v13i4.389

Abstract

This study compares the performance of Decision Tree and Naive Bayes classifiers in classifying gliomas based on clinical and molecular factors. The dataset consists of 839 patient records with features including Grade, Gender, Age, Race, and gene mutation status. The evaluation showed that the Decision Tree classifier achieved 98% accuracy on the training data and 76% on the test data, while the Naive Bayes classifier obtained 74% and 71% accuracy, respectively. Both models demonstrated strong predictive ability, with feature importance analysis highlighting the IDH1 gene mutation as a significant factor in glioma classification. This study aims to identify the most effective method for supporting clinical decision-making in glioma diagnosis. It contributes to the development of medical decision support systems and provides insight into the application of machine learning models, particularly in utilizing molecular markers such as IDH1.
Klasifikasi Genre Buku Berbasis Judul dan Sinopsis Menggunakan Metode Support Vector Machine Dewi, Ni Wayan Emmy Rosiana; Putra, I Made Suwija; Githa, Dwi Putra
INTEGER: Journal of Information Technology Vol 10, No 1: April 2025
Publisher : Fakultas Teknologi Informasi Institut Teknologi Adhi Tama Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31284/j.integer.2024.v10i1.7562

Abstract

Tantangan besar dalam manajemen perpustakaan tradisional adalah menciptakan metode untuk mengkategorikan buku sesuai dengan genrenya. Penelitian ini mengusulkan penggunaan metode Support Vector Machine (SVM) untuk mengklasifikasikan buku berdasarkan judul dan sinopsisnya. Dataset penelitian ini diambil dari CMU Book Summary Dataset, yang mencakup berbagai genre buku. Hasil penelitian menunjukkan bahwa metode SVM dengan kernel linier melakukan tugas klasifikasi genre buku dengan lebih baik dibandingkan metode K-Nearest Neighbors (K-NN), serta preprocessing teks dan ekstraksi fitur menggunakan Term Frequency-Inverse Document Frequency (TF-IDF). Akurasi tertinggi SVM adalah 47,7% dalam skenario 90 persen data pelatihan dan 10 persen data pengujian, sedangkan K-NN hanya memiliki 31,53% dalam skenario 80 persen dan 20 persen data pelatihan dan pengujian. Hasil menunjukkan bahwa SVM lebih baik daripada K-NN dalam menangani klasifikasi teks berdasarkan judul dan sinopsis. Namun, untuk validasi lebih lanjut, penelitian lebih lanjut diperlukan dengan dataset yang lebih besar dan dalam berbagai bahasa.
Co-Authors Dwi Putra Githa Manoppo, Franky Gerald Cliford Putra, I Made Suwija Simanungkalit, Erwinsyah