Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah Teknologi Informasi dan Robotika Journal of Informatics and Electronics Engineering
Daniswara, Sena
Unknown Affiliation
Automotive Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Engineering

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

Found 2 Documents
Search

 1 
Klasifikasi Harga Ponsel Menggunakan Algoritma Logistic Regression Ardelia, Danika Najwa; Arifin, Hilda Desfianty; Daniswara, Sena; Sari, Anggraini Puspita
Journal of Informatics and Electronics Engineering Vol 4 No 1 (2024): Juni 2024
Publisher : Unit Penelitian dan Pengabdian kepada Masyarakat Politeknik TEDC Bandung Jl. Pesantren Km 2 Cibabat Cimahi Utara – Cimahi 40513 Jawa Barat – Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70428/jiee.v4i1.854

Abstract

Dalam era digital yang berkembang pesat, penggunaan produk teknologi dan pertumbuhan internet membuka peluang besar dalam penjualan ponsel pintar. Fitur-fitur yang semakin beragam membuat konsumen merasa bingung memilih ponsel dengan harga yang sesuai. Oleh karena itu, penggunaan model logistic regression menjadi pilihan yang tepat untuk mengkategorikan harga ponsel menjadi empat tingkatan: rendah, sedang, tinggi, dan sangat tinggi, yang nantinya diharapkan dapat membantu para konsumen memilih ponsel yang sesuai dengan kebutuhan mereka berdasarkan kategori harga. Penelitian ini juga mengkombinasikan logistic regression dengan penyetelan hyperparameter dimana penyetelan hyperparameter dilakukan untuk meningkatkan akurasi model. Penyetelan hyperparameter dilakukan menggunakan metode grid search. Dalam penelitian ini, dilakukan proses pengumpulan dataset yang kemudian akan dilakukan pengecekan terhadap nilai-nilai yang tidak valid melalui proses preprocessing. Data kemudian dibagi menjadi data uji dan data latih dengan menggunakan dua perbandingan, 80:20 dan 90:10. Setelah data dibagi, dilakukan pemodelan dan penyetelan hyperparameter untuk mengoptimalkan model logistic regression. Hasil tingkat akurasi yang didapatkan dalam proses ini yaitu 98% yang didapatkan dengan menggunakan perbandingan data split 90:10. Dengan demikian, penggunaan logistic regression dapat memprediksi kategori harga ponsel dengan tingkat akurasi yang tinggi. Hal ini dapat diharapkan membantu konsumen dalam memilih ponsel yang sesuai dengan kebutuhan dan anggaran mereka.
Klasifikasi Penyakit Diabetes Menggunakan Particle Swarm Optimaze Pada Algoritma Support Vector Machine Zalfa Ibtisamah Arishandy; Daniswara, Sena; Yulia Puspaningrum, Eva
Jurnal Ilmiah Teknologi Informasi dan Robotika Vol. 7 No. 2 (2025): Jurnal Ilmiah Teknologi Informasi dan Robotika
Publisher : Universitas Pembangunan Nasional Veteran Jawa Timur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33005/jifti.v7i2.163

Abstract

Penyakit diabetes mellitus menjadi salah satu tantangan kesehatan global dengan prevalensi yang semakin meningkat setiap tahunnya. Penelitian ini bertujuan untuk mengklasifikasikan penyakit diabetes menggunakan algoritma Support Vector Machine (SVM) yang dioptimalkan oleh metode Particle Swarm Optimization (PSO) dan teknik Synthetic Minority Over-sampling Technique (SMOTE). Dataset yang digunakan berasal dari National Institute of Diabetes and Digestive and Kidney Diseases dengan total 768 data. Proses penelitian mencakup tahapan pra-pemrosesan data, penanganan ketidakseimbangan data menggunakan SMOTE, optimasi parameter SVM menggunakan PSO, dan evaluasi model menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model SVM-SMOTE-PSO mencapai akurasi sebesar 83,95%, meningkat dibandingkan model SVM-SMOTE tanpa PSO yang hanya mencapai 82,72%. Peningkatan ini terutama terlihat pada prediksi kelas minoritas, di mana PSO membantu mengoptimalkan parameter model SVM. Dengan demikian, metode ini terbukti efektif dalam meningkatkan akurasi dan keseimbangan prediksi klasifikasi penyakit diabetes.
Co-Authors Anggraini Puspita Sari Ardelia, Danika Najwa Arifin, Hilda Desfianty Eva Yulia Puspaningrum Zalfa Ibtisamah Arishandy