Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Jurnal Informatika dan Teknik Elektro Terapan Energy : Jurnal Ilmiah Ilmu-Ilmu Teknik
Azzahra, Nur Devita
Unknown Affiliation
Aerospace Engineering Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Mechanical Engineering

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

Found 2 Documents
Search

 1 
SISTEM PAKAR DIAGNOSIS PENYAKIT GINEKOLOGI MENGGUNAKAN METODE CERTAINTY FACTOR Azzahra, Nur Devita; Desiani, Anita
Jurnal Informatika dan Teknik Elektro Terapan Vol. 11 No. 3 (2023)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v11i3.3063

Abstract

Ginekologi adalah cabang ilmu kedokteran yang berfokus pada tubuh wanita dan kesehatan reproduksinya mulai dari masa pubertas hingga dewasa. Ginekologi merupakan masalah kewanitaan yang asing ditelinga orang awam. Keterbatasan pengetahuan dan informasi yang dimiliki oleh maryarakat tentang kesehatan ginekologi disebabkan karena barbagai kondisi yang ada, dengan faktor utama yang menjadi permasalahan tersebut adalah rasa enggan ataupun malas untuk berkonsultasi secara langsung dengan seorang pakar atau ahli  dikarenakan merasa malu untuk membahas mengenai kesehatan pribadi apalagi yang berhubungan dengan organ vital. Oleh karena itu, dibuatlah sebuah sistem pakar yang digunakan sebagai alternatif solusi layakya seorang pakar atau ahli dalam mendiagnosis pasien. Penggunaan metode certainty factor dalam membangun sistem pakar diagnosa kanker ginekologi ini diharapkan dapat memberikan informasi yang jelas dengan memunculkan presentase kemungkinan user mengalami masalah kanker ginekologi berdasarkan gejala yang dialami. Sistem pakar ini dibuat dengan tujuan untuk memberikan informasi yang jelas kepada user dengan menampilkan presentase keyakinan bedasarkan seorang pakar. Sistem pakar diagnosa kanker ginekologi dibuat berdasarkan 27 gejala dengan 5 jenis kanker ginekologi yang meliputi kanker serviks, kanker endometrium, kanker vulva, kanker tuba fallopi, dan kanker ovarium, dengan masing-masing tingkat akurasi diagnosa, yaitu 47,8291%, 35,9512%, 58,4773%,45,6657% dan 45,4034%. 
Perbandingan Algoritma K-Nearest Neighbor Dan Logistic Regression Dalam Klasifikasi Penyakit Kanker Serviks Azzahra, Nur Devita; Ambarwati, Ambarwati; Desiani, Anita; Maiyanti, Sri Indra; Ramayanti, Indri
Energy - Jurnal Ilmiah Ilmu-Ilmu Teknik Vol 14 No 1 (2024): Jurnal Energy Vol. 14 No. 1 Mei 2024
Publisher : Fakultas Teknik

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51747/energy.v14i1.1843

Abstract

Kanker serviks adalah masalah serius dalam kesehatan wanita secara global, dengan tingkat insiden dan kematian yang tinggi. Deteksi dini sangat penting karena perkembangannya yang lambat dan seringkali tanpa gejala pada tahap awal. Salah satu metode yang digunakan untuk mendeteksi kanker serviks adalah klasifikasi melalui pendekatan data mining. Penelitian ini bertujuan untuk menerapkan algoritma K-Nearest Neighbor (K-NN) dan Regresi Logistik dalam klasifikasi deteksi dini kanker serviks, dengan menggunakan teknik pengujian percentage spilt dan k-fold cross validation. Tujuannya adalah untuk membandingkan dan menentukan metode klasifikasi kanker serviks yang paling tepat. Evaluasi dilakukan dengan menggunakan parameter presisi, recall, dan akurasi. Hasil penelitian menunjukkan bahwa hasil pengujian menggunakan validasi silang k-fold mampu bekerja lebih baik daripada persentase spilt. Berdasarkan kinerja algoritma, Regresi Logistik dalam penggunaannya dapat bekerja dengan baik dibandingkan dengan K-NN, dengan nilai presisi, recall dan akurasi masing-masing sebesar 83%, 82,5% dan 96%. Dengan demikian, dapat disimpulkan bahwa Regresi Logistik dengan teknik k-fold cross validation testing lebih efektif dalam mengklasifikasikan kanker serviks.
Co-Authors Ambarwati Anita Desiani Ramayanti, Indri Sri Indra Maiyanti