Kurnia Sari, Winda
Unknown Affiliation

Published : 5 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search

PENILAIAN KOMPARATIF METODE KLASIFIKASI NEURAL NETWORK DAN RANDOM FOREST UNTUK KNOWLEDGE DISCOVERY PADA PENYAKIT DIABETES Aqil Zidane, Muhammad; Naufaldihanif, Rihan; Nuraini Kusuma, Aisha; Hanggara, Bryan; Clark Peter Wijaya, Adley; Ditha Tania, Ken; Kurnia Sari, Winda
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 3 (2025): JATI Vol. 9 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i3.13828

Abstract

Penelitian ini membahas penerapan data mining dalam prediksi diabetes, yang menjadi isu penting dalam bidang kesehatan dan teknologi informasi. Permasalahan utama yang diangkat adalah tingginya angka penderita diabetes yang sering terlambat terdiagnosis, yang berdampak pada meningkatnya risiko komplikasi serius dan biaya perawatan yang tinggi. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan model prediksi diabetes yang lebih akurat menggunakan teknik data mining. Metode yang digunakan dalam penelitian ini adalah pendekatan kuantitatif dengan teknik pengumpulan data melalui analisis dataset diabetes menggunakan algoritma klasifikasi seperti Random Forest, dan Neural Network. Hasil penelitian menunjukkan bahwa algoritma Random Forest memiliki tingkat akurasi tertinggi sebesar 96,88% dibandingkan metode Neural Network dengan akurasi sebesar 89,23%, yang mengindikasikan bahwa metode Random Forest ini efektif dalam mendeteksi potensi pre-diabetes lebih dini. Kesimpulan dari penelitian ini menegaskan bahwa pemanfaatan data mining dapat meningkatkan akurasi prediksi pre-diabetes serta memberikan rekomendasi bagi tenaga medis dalam pengambilan keputusan diagnostik.
PERBANDINGAN AKURASI ALGORITMA NAÏVE BAYES DAN DECISION TREE DALAM PREDIKSI PEMENANG PERTANDINGAN PES 2021 Aqilah Syahputra, M Fathan; Ikhwan Najatafani, Bintang; M Luthfi Khailani, Kgs; Albukhori, M Rafli; Akbar Adiprama, Faris; Ditha Tania, Ken; Kurnia Sari, Winda
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.v9i4.13941

Abstract

E-sports telah berkembang menjadi industri kompetitif yang memerlukan analisis data untuk meningkatkan strategi permainan dan prediksi hasil pertandingan. Salah satu tantangan utama dalam bidang ini adalah memprediksi hasil pertandingan dengan tingkat akurasi tinggi, terutama dalam game Pro Evolution Soccer (PES) 2021. Permasalahan dalam penelitian ini berfokus pada efektivitas algoritma kecerdasan buatan dalam menangani berbagai variabel pertandingan, seperti strategi tim, performa pemain, dan statistik pertandingan, untuk menghasilkan prediksi yang akurat. Penelitian ini bertujuan untuk membandingkan akurasi algoritma Naïve Bayes dan Decision Tree dalam memprediksi pemenang pertandingan PES 2021. Dengan membandingkan kedua metode ini, penelitian ini diharapkan dapat mengidentifikasi algoritma yang lebih efektif dalam melakukan prediksi berbasis data. Metode penelitian meliputi pengumpulan data pertandingan PES 2021, tahap pra-pemrosesan untuk membersihkan dan menyusun data, pelatihan model menggunakan algoritma Naïve Bayes dan Decision Tree, serta evaluasi akurasi menggunakan confusion matrix sebagai metrik penilaian. Hasil penelitian menunjukkan bahwa algoritma Naïve Bayes memiliki tingkat akurasi yang lebih tinggi dibandingkan Decision Tree dalam memprediksi pemenang pertandingan. Temuan ini memberikan wawasan bagi pengembangan model prediksi yang lebih akurat di bidang e-sports serta membantu pemain dan analis dalam menyusun strategi berdasarkan prediksi hasil pertandingan.
ANALISIS SENTIMEN PUBLIC TWITTER TERHADAP KEBIJAKAN PEMERINTAH MENGGUNAKAN METODE SVM (STUDI KASUS : PROGRAM EFISIENSI ANGGARAN) Rizka Mumtaz, Fadia; Jodi Pratama, Muhammad; Azmi Zaky, Muhammad; Akbar Kurniawan, Iqbal; Saputra, Eka; Ditha Tania, Ken; Kurnia Sari, Winda
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.v9i4.13958

Abstract

Kebijakan efisiensi anggaran pemerintah, sebagaimana diamanatkan dalam Instruksi Presiden Nomor 1 Tahun 2025, memicu beragam reaksi publik, terutama di media sosial. Pemotongan anggaran sebesar Rp306,69 triliun menimbulkan kekhawatiran terkait dampaknya terhadap layanan publik dan kesejahteraan masyarakat. Oleh karena itu, penelitian ini bertujuan untuk menganalisis sentimen publik terhadap kebijakan efisiensi anggaran melalui media sosial Twitter dengan menggunakan metode Support Vector Machine (SVM). Data dikumpulkan melalui teknik web scraping pada periode tertentu, kemudian diproses melalui tahapan preprocessing seperti cleansing, tokenisasi, dan stemming. Model SVM diterapkan untuk mengklasifikasikan opini publik menjadi kategori positif, netral, dan negatif. Hasil penelitian menunjukkan bahwa model yang digunakan memiliki akurasi sebesar 96,37%, dengan nilai recall tertinggi pada kelas netral sebesar 1,00, yang mengindikasikan bahwa mayoritas respons publik bersifat netral. Namun, model masih menunjukkan variasi dalam klasifikasi opini positif dan negatif dengan nilai recall masing-masing sebesar 0,99 dan 0,90. Studi ini memberikan wawasan mengenai pola sentimen publik terhadap kebijakan efisiensi anggaran serta dapat menjadi bahan pertimbangan bagi pemerintah dalam mengambil kebijakan yang lebih responsif terhadap opini masyarakat.
PREDIKSI SENTIMEN PENGGUNA SPOTIFY MENGGUNAKAN METODE NAÏVE BAYES STUDI KASUS ULASAN PENGGUNA DI PLAY STORE Fatihaturrahmah, Aisyah; Amanda Ardhani, Dhita; Putri Casanova, Musdalifa; Cahya Aulia, Syifa; Najwa Widasari, Yesya; Ditha Tania, Ken; Kurnia Sari, Winda
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.v9i4.14112

Abstract

Spotify merupakan salah satu platform layanan streaming music digital yang banyak digunakan, tetapi ulasan pengguna menunjukkan variasi tingkat kepuasan terhadap layanan yang tersedia. Penelitian ini berfokus pada analisis dan prediksi sentimen pengguna Spotify berdasarkan ulasan yang diperoleh dari Google Play Store dengan menggunakan metode Naïve Bayes. Penelitian ini mencakup beberapa proses, yaitu pengumpulan data, pra-pemrosesan teks (tokenisasi, normalisasi, penghapusan kata tidak bermakna, dan stemming) serta ekstraksi fitur menggunakan Term Frequency-Inverse Document Frequency (TF-IDF). Sentimen pengguna diklasifikasikan ke dalam dua kategori, yaitu positif dan negative. Evaluasi model dilakukan dengan menggunakan metrik akurasi, presisi recall dan F1-score. Hasil penelitian menunjukkan bahwa algoritma Naïve Bayes mampu mengklasifikasikan sentimen pengguna Spotify dengan akurasi sebesar 88,42%, precision 0,89, recall 0,74, dan F1-Score 0,79 (macro average). Selain itu, nilai Area Under Curve (AUC) sebesar 0,94 yang mengindikasikan bahwa model memiliki kemampuan klasifikasi yang sangat baik. Sehingga hasil ini menunjukkan bahwa pendekatan yang digunakan sudah sangat efektif dalam menganalisis sentimen pengguna dan dapat menjadi acuan bagi pengembang untuk meningkatkan kualitas terhadap layanan streaming music Spotify.
Sentiment-Based Knowledge Discovery of Wondr by BNI App Reviews Using SVM, KNN, and Naive Bayes for CRM Enhancement Tri Zafira, Zahra; Ditha Tania, Ken; Kurnia Sari, Winda
Journal of Applied Informatics and Computing Vol. 9 No. 5 (2025): October 2025
Publisher : Politeknik Negeri Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30871/jaic.v9i5.10323

Abstract

The rapid development of digital banking services has necessitated a deeper understanding of user perceptions and satisfaction levels. This study analyzes sentiment from user reviews of the Wondr by BNI app using a Knowledge Discovery approach and machine learning methods. Three classification algorithms were compared: Support Vector Machine (SVM), K-Nearest Neighbor (KNN), and Naive Bayes, evaluated with accuracy, precision, recall, and f1-score. The results show that SVM and Naive Bayes achieved the best performance with F1-scores of 0.88 and 0.87, while KNN lagged behind with 0.77. An ANOVA test further confirmed that the performance differences were statistically significant (p < 0.05), with SVM and Naive Bayes consistently outperforming KNN. Word Cloud analysis revealed dominant positive terms such as "easy," "fast," and "transaction," alongside negative terms like "login," "difficult," and "verification." These findings highlight user appreciation for simplicity and speed, while pointing out functional issues that require attention. This research not only enriches the literature on Indonesian-language sentiment analysis in the financial sector but also provides practical insights for Customer Relationship Management (CRM), particularly in strengthening customer retention strategies and guiding UX redesign for digital banking services.