Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi dan Multimedia Jurnal Sains Natural
Anggreni Anggreni
Program Studi Sistem dan Teknologi Informasi, Universitas Muhammadiyah Mataram
Chemical Engineering, Chemistry & Bioengineering Computer Science & IT Mathematics Nursing Physics Public Health

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

Found 2 Documents
Search

 1 
Analisis Pengaruh Recursive Feature Elimination Terhadap Kinerja Model Prediksi Dini Diabetes Mellitus di RS PKU Muhammadiyah Bima Nani Sulistianingsih; Siti Agrippina Alodia Yusuf; Anggreni Anggreni; Firda Niken Sari; M. Pandawan Juniarta; Juryanti Permatasari
Jurnal Teknologi Informasi dan Multimedia Vol. 7 No. 3 (2025): August
Publisher : Sekawan Institut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35746/jtim.v7i3.774

Abstract

Early detection of diabetes mellitus is a crucial step in preventing chronic complications and enabling more effective disease management. This study aims to analyze the impact of the Recursive Feature Elimination (RFE) method on the performance of machine learning-based diabetes prediction models at RS PKU Muhammadiyah Bima. A quantitative approach was employed by implementing the CRISP-DM framework, encompassing data selection, preprocessing, transformation, data mining, and model evaluation. Missing values in height and weight variables were imputed using linear regression based on age and gender features. The transformation process included calculating the Body Mass Index (BMI) as a new feature relevant to diabetes risk. Evaluation was carried out on three classification algorithms—Support Vector Machine (SVM), Logistic Regression (LR), and Random Forest (RF)—both before and after the application of RFE. The results showed that all models experienced significant performance improvements following feature selection with RFE, achieving 100% in all evaluation metrics. Insulin and BMI were consistently selected features, underscoring their contribution to diabetes detection. It can be concluded that RFE effectively reduces model complexity without sacrificing accuracy, thereby supporting the efficient implementation of predictive models in clinical settings.
Klasifikasi Partisipasi Pemilih pada Pemilihan Walikota Bima Tahun 2024 Menggunakan Metode Naive Bayes Classifier Anggreni Anggreni; Akrimul Hakim; Arif Rahman; Muhammad Imam Dinata
Jurnal Sains Natural Vol. 4 No. 1 (2026): Februari
Publisher : Puslitbang Sekawan Institute Nusa Tenggara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35746/jsn.v4i1.898

Abstract

Faktor-faktor demografis yang mempengaruhi tingkat partisipasi pemilih, seperti umur, jenis kelamin, dan tingkat Pendidikan adalah hal yang penting, agar hasilnya dapat menjadi dasar bagi strategi meningkatkan partisipasi pemilih dalam pemilihan umum. Data yang digunakan dalam penelitian ini berasal dari survei terhadap 800 responden di Kota Bima, yang mencakup variabel umur, jenis kelamin, pendidikan, dan tingkat partisipasi dalam pemilu. Penelitian ini bertujuan untuk menganalisis dan mengklasifikasikan partisipasi pemilih dalam Pemilihan Wali Kota Bima tahun 2024 dengan memanfaatkan metode Naïve Bayes Classifier. Metode Naïve Bayes Classifier dipilih karena kemampuannya dalam klasifikasi data kategorikal secara efektif dengan prinsip probabilitas kondisional. Proses dimulai dengan tahapan preprocessing data untuk membersihkan dan mengubah data mentah menjadi data numerik yang siap diproses algoritma, diikuti dengan pembagian data menjadi data pelatihan dan pengujian. Klasifikasi dilakukan dengan membangun model untuk memprediksi status partisipasi pemilih sebagai "Ya" atau "Tidak". Model yang dikembangkan berhasil melakukan proses klasifikasi yang efektif dengan mengelompokkan data pemilih ke dalam kategori partisipasi ”Ya” dan ”Tidak” berdasarkan variabel usia, jenis kelamin, dan pendidikan, dengan akurasi keseluruhan mencapai 91%..
Co-Authors Akrimul Hakim Arif Rahman Firda Niken Sari Juryanti Permatasari M. Pandawan Juniarta Muhammad Imam Dinata Nani Sulistianingsih Siti Agrippina Alodia Yusuf