Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal Swabumi (Suara Wawasan Sukabumi) : Ilmu Komputer, Manajemen, dan Sosial Jurnal Ilmiah Sistem Informasi Akuntansi (JIMASIA)
Maylanda, Putri Oktaria
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Engineering Social Sciences

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

Found 3 Documents
Search

 1 
Komparasi Algoritma Random Forest dan Support Vector Machine dalam Memprediksi Risiko PMS Simarmata, Yohanes; Maylanda, Putri Oktaria; Susanto, Erliyan Redy
SWABUMI (Suara Wawasan Sukabumi): Ilmu Komputer, Manajemen, dan Sosial Vol 13, No 2 (2025): Volume 13 Nomor 2 Tahun 2025
Publisher : Universitas Bina Sarana Informatika Kota Sukabumi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/swabumi.v13i2.25580

Abstract

Penyakit Menular Seksual (PMS) merupakan permasalahan kesehatan global yang memerlukan deteksi dini untuk pencegahan dan pengobatan yang lebih efektif. Studi ini membandingkan performa algoritma pembelajaran mesin, yaitu Random Forest dan Support Vector Machine (SVM), dalam memprediksi risiko PMS. Dataset yang digunakan mencakup variabel epidemiologis utama dan diklasifikasikan ke dalam dua kategori risiko. Hasil penelitian menunjukkan bahwa Random Forest memiliki akurasi tertinggi sebesar 99.87%, dengan keunggulan dalam menangani dataset tidak seimbang serta mengenali pola kompleks. Namun, model ini berisiko mengalami overfitting sehingga memerlukan tuning parameter dan validasi silang untuk meningkatkan generalisasi. Sementara itu, SVM memperoleh akurasi 97.96% dan lebih stabil dalam menangani data berdimensi tinggi, tetapi memiliki recall 0.91 untuk kelas risiko tinggi, yang menunjukkan adanya kasus yang tidak terdeteksi secara optimal. Penelitian ini menunjukkan bahwa pemilihan algoritma bergantung pada kebutuhan spesifik analisis: Random Forest unggul dalam akurasi tinggi, sedangkan SVM lebih seimbang dalam generalisasi data. Studi lebih lanjut disarankan untuk mengoptimalkan kinerja model melalui tuning hyperparameter dan teknik ensemble learning guna meningkatkan akurasi deteksi dini PMS.Keywords: Penyakit Menular Seksual, Machine Learning, Random Forest, Support Vector Machine, Prediksi Risiko.
Komparasi Algoritma Random Forest dan Support Vector Machine dalam Memprediksi Risiko PMS Simarmata, Yohanes; Maylanda, Putri Oktaria; Susanto, Erliyan Redy
Swabumi Vol 13, No 2 (2025): Volume 13 Nomor 2 Tahun 2025
Publisher : Universitas Bina Sarana Informatika Kota Sukabumi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/swabumi.v13i2.25580

Abstract

Penyakit Menular Seksual (PMS) merupakan permasalahan kesehatan global yang memerlukan deteksi dini untuk pencegahan dan pengobatan yang lebih efektif. Studi ini membandingkan performa algoritma pembelajaran mesin, yaitu Random Forest dan Support Vector Machine (SVM), dalam memprediksi risiko PMS. Dataset yang digunakan mencakup variabel epidemiologis utama dan diklasifikasikan ke dalam dua kategori risiko. Hasil penelitian menunjukkan bahwa Random Forest memiliki akurasi tertinggi sebesar 99.87%, dengan keunggulan dalam menangani dataset tidak seimbang serta mengenali pola kompleks. Namun, model ini berisiko mengalami overfitting sehingga memerlukan tuning parameter dan validasi silang untuk meningkatkan generalisasi. Sementara itu, SVM memperoleh akurasi 97.96% dan lebih stabil dalam menangani data berdimensi tinggi, tetapi memiliki recall 0.91 untuk kelas risiko tinggi, yang menunjukkan adanya kasus yang tidak terdeteksi secara optimal. Penelitian ini menunjukkan bahwa pemilihan algoritma bergantung pada kebutuhan spesifik analisis: Random Forest unggul dalam akurasi tinggi, sedangkan SVM lebih seimbang dalam generalisasi data. Studi lebih lanjut disarankan untuk mengoptimalkan kinerja model melalui tuning hyperparameter dan teknik ensemble learning guna meningkatkan akurasi deteksi dini PMS.Keywords: Penyakit Menular Seksual, Machine Learning, Random Forest, Support Vector Machine, Prediksi Risiko.
Tinjauan Sistematis : Pendekatan dan Inovasi untuk Perlindungan Data di Era Teknologi Canggih Septiana Rahayu; Maylanda, Putri Oktaria; Ryan Randy Suryono
Jurnal Ilmiah Sistem Informasi Akuntansi Vol. 6 No. 1 (2026): Volume 6, Nomor 1, June 2026
Publisher : Universitas Teknokrat Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33365/jimasia.v6i1.1461

Abstract

Penelitian ini bertujuan untuk mengidentifikasi pendekatan-pendekatan yang diterapkan dalam perlindungan data di era teknologi canggih, serta menilai inovasi terbaru yang dapat meningkatkan keamanan data terhadap ancaman yang berkembang. Seiring dengan semakin pesatnya perkembangan teknologi digital, perlindungan data menjadi hal yang sangat penting, terutama untuk menjaga privasi dan integritas data pribadi. Penelitian ini menggunakan metode tinjauan literatur sistematis, dengan menganalisis berbagai jurnal terkait yang membahas teknologi seperti kecerdasan buatan (AI), blockchain, dan enkripsi, serta strategi-strategi perlindungan data lainnya. Selain itu, penelitian ini juga mengevaluasi efektivitas dari metode-metode perlindungan data yang ada, melihat sejauh mana teknologi tersebut mampu menghadapi ancaman-ancaman keamanan yang semakin kompleks. Hasil penelitian menunjukkan bahwa teknologi-teknologi canggih seperti AI dan blockchain dapat meningkatkan perlindungan data, namun tantangan terkait privasi, regulasi, dan implementasi teknologi masih menjadi hambatan besar. Kesimpulannya, penggabungan teknologi yang tepat dan kebijakan yang mendukung sangat diperlukan untuk menghadapi tantangan perlindungan data di masa depan.
Co-Authors Ryan Randy Suryono septiana Rahayu Simarmata, Yohanes Susanto, Erliyan Redy