Article Per Year (5 Year)
p-Index From 2020 - 2025
0.562
P-Index
This Author published in this journals
All Journal JOISIE (Journal Of Information Systems And Informatics Engineering) Building of Informatics, Technology and Science JATI (Jurnal Mahasiswa Teknik Informatika)
Risyahputri, Aliyananda
Unknown Affiliation
Computer Science & IT

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

Found 3 Documents
Search

 1 
ANALISIS KLASTERISASI JUMLAH PENDERITA PENYAKIT MENGGUNAKAN K-MEANS SEBAGAI DASAR DISTRIBUSI LAYANAN RUMAH SAKIT UMUM DI SUMATERA SELATAN Lakeisyah, Eka Therina; Marshella, Siti Hariza; Putri, Naila Raihana; Rahman, M. Fadhil; Risyahputri, Aliyananda; Maulana, Rahmat; Tania, Ken Ditha; Sari, Winda Kurnia
JOISIE (Journal Of Information Systems And Informatics Engineering) Vol 9 No 1 (2025)
Publisher : Institut Bisnis dan Teknologi Pelita Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35145/joisie.v9i1.4959

Abstract

Peningkatan jumlah penderita penyakit dalam beberapa tahun terakhir pada Provinsi Sumatera Selatan berimbas kepada evaluasi pendistribusian layanan kesehatan yang merata di setiap daerah. Penelitian ini menyoroti ketidakmerataan fasilitas kesehatan berupa layanan rumah sakit umum yang tersebar di masing-masing wilayah yang ada di Provinsi Sumatera Selatan. Tujuan dari penelitian ini adalah untuk memberikan wawasan berbasis data sebagai acuan bagi pemerintah dalam pengambilkan kebijakan pendistribusian layanan kesehatan agar dapat lebih merata. Penelitian ini menggunakan dataset yang berasal dari BPS Provinsi Sumatera selatan dan diolah dengan algoritma K-Means melalui rapid miner dan python. Hasil dari analisis data tersebut adalah mengelompokkan wilayah Kabupaten/Kota kedalam 3 kluster yakni kluster 0 (rendah) terdiri dari 11 wilayah, kluster 1 (tinggi) terdiri dari 1 wilayah, dan kluster 2 (sedang) terdiri dari 5 wilayah. Interpretasi dari klasterisasi dan pengolahan data menunjukkan adanya ketimpangan dalam pendistribusian fasilitas kesehatan terutama antara layanan kesehatan di wilayah Kota Palembang dengan Kabupaten/Kota lainnya. Sehingga, dari temuan tersebut direkomendasikan bagi pemerintah untuk melakukan kebijakan ulang terkait pendistribusian layanan dan tenaga kesehatan di tiap daerah secara merata dan dapat menerapkan inovasi layanan kesehatan dengan pendekatan knowledge management yang dapat mengoptimalisasi pemerataan layanan kesehatan di Sumatera Selatan.
IMPLEMENTASI METODE ARIMA DALAM FORECASTING JUMLAH KASUS PENDERITA PENYAKIT HIV/AIDS: STUDI KASUS KABUPATEN/KOTA DI PROVINSI SUMATERA SELATAN Fathoni, Fathoni; Hariza Marshella, Siti; Risyahputri, Aliyananda; Raihana Putri, Naila; Therina Lakeisyah, Eka; Ibrahim, Ali
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.v9i4.14136

Abstract

HIV/AIDS senantiasa menjadi persoalan kesehatan masyarakat yang serius di Indonesia, utamanya di Provinsi Sumatera Selatan yang menunjukkan adanya tren peningkatan kasus dalam beberapa tahun terakhir. Pola penyebaran yang sulit diprediksi dengan metode konvensional menjadi tantangan bagi pemerintah dalam melakukan intervensi dini. Penelitian ini berfokus pada prediksi jumlah kasus HIV/AIDS di Provinsi Sumatera Selatan pada 3 tahun kedepan menggunakan metode time series ARIMA (Autoregressive Integrated Moving Average). Data yang digunakan merupakan data tahunan jumlah kasus HIV/AIDS di Provinsi Sumatera Selatan dari tahun 2018 hingga 2023. Setelah melalui proses identifikasi, estimasi, dan diagnostik model, diperoleh bahwa model ARIMA(1,1,1) merupakan model terbaik berdasarkan uji ACF dan PACF. Hasil ramalan menunjukkan adanya fluktuasi dengan lonjakan kasus, khususnya beberapa daerah seperti Lubuk Linggau, sementara Kota Palembang diprediksi tetap menjadi wilayah dengan jumlah kasus tertinggi, meskipun menunjukkan tren penurunan. Evaluasi model menggunakan MAPE dan RMSE menunjukkan bahwa ARIMA mampu memberikan hasil yang cukup baik pada wilayah dengan pola data stabil seperti Muara Enim, Ogan Ilir, dan Banyuasin. Penelitian ini diharapkan dapat menawarkan kontribusi untuk pengambilan kebijakan berbasis data serta meningkatkan kesadaran berbagai pihak terhadap pentingnya pemantauan kasus secara berkala guna menekan laju penyebaran HIV/AIDS di wilayah Sumatera Selatan
Comparison of XGBoost and LSTM in Knowledge Discovery for GrokAI Mobile Application Sentiment Analysis Risyahputri, Aliyananda; Kurniawan, Dedy; Tania, Ken Ditha
Building of Informatics, Technology and Science (BITS) Vol 7 No 3 (2025): December 2025
Publisher : Forum Kerjasama Pendidikan Tinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bits.v7i3.8651

Abstract

Generative AI has provided real benefits in key sectors of the public sector. However, the rapid expansion of AI assistant services also raises concerns about whether newly released products can consistently meet user expectations, especially as negative experiences are increasingly expressed through public reviews. Its positive impacts encourage competitive rivalry among AI assistant product developers, including xAI, which also participates by formulating the Grok AI application. As a relatively new product with over 50 million downloads, GrokAI needs to perform an evaluation to maintain its competitiveness. This condition leads to the research goal of analyzing user sentiment toward GrokAI application through reviews on Google Play Store and comparing the performance of Machine Learning and Deep Learning classification models within the framework of Knowledge Discovery in Databases (KDD). This study uses 11,108 review data classified using the VADER Lexicon method, resulting in 7,633 positive reviews and 3,475 negative reviews. The data is then tested on XGBoost (Extreme Gradient Boosting) and LSTM (Long-Short Term Memory) models. The results show that the XGBoost model performs slightly better with an accuracy of 87.22%, compared to LSTM, which reaches 86.58%. However, both models exhibit significant performance disparities in classifying negative classes due to the extreme difference in data quantity. The knowledge discovery process reveals that the majority of positive sentiment appreciates the free access and general functions of the application. Meanwhile, negative sentiment focuses on complaints related to response time, output quality, and specific features such as image and voice. The main recommendation is to maintain the advantage of free access also improve features and processing logic to sustain loyalty and service quality. Future research is suggested to test models with more balanced data and optimize dataset cleaning to improve accuracy in minority classes.
Co-Authors Ali Ibrahim Dedy Kurniawan Fathoni Fathoni Hariza Marshella, Siti Ken Ditha Tania Lakeisyah, Eka Therina Marshella, Siti Hariza Maulana, Rahmat Putri, Naila Raihana Rahman, M. Fadhil Raihana Putri, Naila Therina Lakeisyah, Eka Winda Kurnia Sari