Impana Manik, Kristin
Unknown Affiliation

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

KLASIFIKASI PENYAKIT MIGRAIN MENGGUNAKAN METODE SUPPORT VECTOR MACHINE Wahyudi, Rizky; Impana Manik, Kristin; Alfin, Muhammad; Bush Henrydunan, John; Haikal Al Majid, Muhammad; Saputra, Kana
Jurnal Manajemen Informatika dan Sistem Informasi Vol. 8 No. 2 (2025): MISI Juni 2025
Publisher : LPPM STMIK Lombok

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36595/misi.v8i2.1587

Abstract

Migrain adalah gangguan neurologis yang dapat menurunkan kualitas hidup penderitanya. Diagnosis migrain umumnya dilakukan secara klinis berdasarkan riwayat medis pasien, namun metode ini sering bersifat subjektif dan berisiko mengalami kesalahan klasifikasi. Tujuan dari penelitian ini adalah untuk membuat model klasifikasi migrain berbasis Support Vector Machine (SVM) untuk diagnosis yang lebih tepat. Tahapan penelitian dimulai dengan pengumpulan dataset migrain dari Kaggle. Selanjutnya dilakukan analisis deskriptif untuk memahami karakteristik data. Pada tahap preprocessing, nilai yang hilang ditangani, outlier dideteksi dan dihapus menggunakan Interquartile Range (IQR) dan Winsorization, serta fitur numerik dinormalisasi dengan StandardScaler. Ketidakseimbangan kelas dalam dataset diatasi menggunakan Synthetic Minority Over-sampling Technique (SMOTE). Model SVM dioptimalkan menggunakan GridSearchCV dengan parameter C, Gamma, dan kernel RBF. Tiga skema pembagian data yaitu 70:30, 80:20, dan 90:10 digunakan untuk mengevaluasi model menggunakan Akurasi, F1-Score, dan ROC-AUC.  Dengan akurasi sebesar 75,00%, F1-Score 70,03%, dan ROC-AUC 84,28%, hasil optimal dicapai pada rasio 70:30.  Temuan ini menunjukkan seberapa baik model SVM dapat mengkategorikan migrain.  Penelitian ini memajukan penggunaan pembelajaran mesin untuk diagnosis migrain yang lebih tepat dan dapat dipercaya.
ANALISIS FAKTOR KEPUTUSAN NASABAH BERLANGGANAN TERM DEPOSIT: PERBANDINGAN RANDOM FOREST DAN XGBOOST Wahyudi, Rizky; Impana Manik, Kristin; Alfin, Muhammad; Bush Henrydunan, John; Arnita, Arnita; Ramadhani, Fanny
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 4 (2025): JATI Vol. 9 No. 4
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i4.13881

Abstract

Pemasaran produk perbankan seperti term deposit memerlukan strategi yang tepat untuk meningkatkan tingkat langganan nasabah. Berbagai faktor yang memengaruhi keputusan nasabah menjadi tantangan bagi bank dalam menargetkan calon pelanggan potensial. Penelitian ini membandingkan performa Random Forest dan XGBoost dalam memprediksi keputusan nasabah menggunakan dataset Bank Marketing dari UCI Machine Learning Repository. Tahapan preprocessing mencakup pemeriksaan nilai hilang, penanganan outlier dengan IQR, transformasi fitur kategorikal menggunakan label encoding, dan oversampling dengan SMOTE. Evaluasi model dilakukan dengan accuracy, F1-Score, dan ROC-AUC. Hasil penelitian menunjukkan bahwa XGBoost lebih unggul dibandingkan Random Forest, dengan accuracy 95,30%, F1-score 95,40%, dan ROC-AUC 95,29% pada rasio 80:20. Komunikasi dan durasi interaksi dalam pemasaran produk term deposit menjadi faktor paling signifikan dalam memengaruhi keputusan nasabah. Kesimpulan umum dari penelitian ini adalah XGBoost menjadi algoritma yang lebih efektif untuk prediksi keputusan nasabah berlangganan term deposit daripada Random Forest terutama dalam menangani data tidak seimbang dan hubungan non-linear.
IMPLEMENTASI FLUTTERFLOW DAN FIREBASE FIRESTORE DALAM PENGEMBANGAN APLIKASI MANAJEMEN KEUANGAN BERBASIS NO-CODE Impana Manik, Kristin; Wahyudi, Rizky; Amanah, Fadilla; Yazid Noor, Muhammad; Perdana, Adidtya
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 4 (2025): JATI Vol. 9 No. 4
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i4.13961

Abstract

Penelitian ini bertujuan untuk mengevaluasi penggunaan platform no-code dalam membantu individu, terutama generasi Z, untuk mengelola keuangan mereka. Permasalahan utama yang menjadi fokus adalah rendahnya literasi keuangan dan perilaku konsumtif di kalangan generasi Z, yang diperparah dengan keterbatasan akses terhadap aplikasi manajemen keuangan yang sesuai dengan kebutuhan mereka. Hal ini menyebabkan kesulitan dalam pengelolaan keuangan pribadi dan berdampak pada kesejahteraan finansial jangka panjang. Metode yang digunakan dalam penelitian ini adalah Rapid Application Development (RAD), yang memungkinkan pengembangan aplikasi secara cepat melalui iterasi desain dan pengujian. FlutterFlow digunakan sebagai alat utama untuk merancang antarmuka dan logika aplikasi tanpa perlu menulis kode, sementara Firebase Firestore digunakan untuk penyimpanan data secara real-time. Hasil pengujian melalui metode Blackbox Testing menunjukkan bahwa aplikasi yang dikembangkan memenuhi fungsi yang diharapkan dengan tingkat keberhasilan 100% dari 9 fitur yang diuji. Pengujian membuktikan bahwa implementasi no-code berhasil menghasilkan aplikasi yang fungsional, responsif, dan dapat diakses oleh pengguna tanpa latar belakang teknis, sehingga berpotensi meningkatkan literasi keuangan dan keterampilan pengelolaan keuangan pada generasi Z.
PERBANDINGAN KINERJA KNN DAN SVM DALAM KLASIFIKASI SAMPAH ORGANIK DAN ANORGANIK MENGGUNAKAN EKSTRAKSI FITUR HOG DAN LBP Hidayatul Arifin, Muhammad; Amelia Vega S. Meliala, Ruth; Impana Manik, Kristin; Defiyanti, Aqilah; Syahputra, Hermawan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 4 (2025): JATI Vol. 9 No. 4
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i4.13972

Abstract

Pertumbuhan limbah yang semakin meningkat menimbulkan tantangan yang signifikan bagi upaya pelestarian lingkungan. Proses pemisahan sampah masih dilakukan secara manual dan sering kali tidak konsisten, yang merupakan kendala utama. Penelitian ini bertujuan untuk mengembangkan sistem yang menggunakan pengolahan citra untuk mengklasifikasikan sampah organik dan anorganik secara otomatis. Penelitian ini menggunakan dataset yang digunakan terdiri dari 1.800 citra dimana 900 organik dan 900 anorganik yang diekstraksi melalui Histogram of Oriented Gradients (HOG) dan Local Binary Pattern (LBP). Tahap preprocessing, yang mencakup pengubahan ukuran dan konversi ke grayscale. Selanjutnya, Principal Component Analysis (PCA) digunakan untuk mengurangi dimensi fitur HOG, kemudian digabungkan dengan fitur LBP dan diklasifikasikan menggunakan algoritma Support Vector Machine (SVM) dan K-Nearest Neighbors (KNN). Hasil pengujian menunjukkan bahwa SVM dengan kernel RBF memiliki akurasi tertinggi sebesar 88,89%, sementara KNN dengan nilai k=5 memiliki akurasi sebesar 83,61%. Keunggulan SVM terletak pada kemampuan mereka untuk memaksimalkan margin pemisahan. Hasilnya menunjukkan bahwa metode penggabungan HOG dan LBP dengan klasifikasi berbasis SVM dapat meningkatkan akurasi pemisahan sampah secara otomatis. Hasil ini dapat mendorong upaya untuk mengurangi beban di TPA serta meningkatkan praktik daur ulang yang berkelanjutan.