Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi)
Tiara, Sherly Dian
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Mathematics Mechanical Engineering Transportation

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

Found 2 Documents
Search

 1 
Analisis Cedera Atlet Lari Menggunakan Metode Decision Tree Berdasarkan Data Aktivitas Latihan Pratama, Ady Yoga; Tiara, Sherly Dian; Daniati, Erna
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 9 No. 3 (2025): Prosiding Seminar Nasional Inovasi Teknologi Tahun 2025
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/54sdfe49

Abstract

Olahraga Lari merupakan salah satu jenis olahraga yang sangat populer dan digemari, tetapi memiliki risiko cedera, terutama pada bagian kaki. Cedera ini dapat mengganggu kinerja atlet dan kelangsungan latihan yang telah direncanakan. Studi ini bertujuan untuk menciptakan model prediksi cedera bagi atlet lari dengan memanfaatkan algoritma metode Decision Tree, yang diaplikasikan pada data aktivitas latihan para pelari. Data yang dipakai meliputi intensitas, durasi, dan frekuensi latihan, serta metrik fisiologis seperti detak jantung dan pemulihan. Studi kami menerapkan metode Penemuan Pengetahuan dalam Basis Data (KDD) yang mencakup tahap pemilihan data, praproses, reduksi data, teknik Random Forest, dan penilaian hasil. Temuan dari penelitian ini menunjukkan bahwa algoritma Decision Tree dapat memprediksi risiko cedera dengan tingkat akurasi 96%, presisi 96%, recall 97%, dan F1-score 96%. Analisis feature importance mengidentifikasi bahwa total jarak lari mingguan, intensitas latihan, dan tingkat pemulihan merupakan faktor-faktor paling berpengaruh terhadap risiko cedera. Perbandingan dengan algoritma klasifikasi lain seperti Random Forest membuktikan metode Decision Tree lebih baik dalam prediksi cedera atlet lari. Model ini dapat berfungsi sebagai alat yang efisien untuk pelatih dan staf medis dalam merancang program latihan yang lebih aman, memantau beban latihan, serta mengurangi kemungkinan cedera pada pelari
Prediksi Risiko Depresi pada Mahasiswa Menggunakan Algoritma Random Forest Berdasarkan Data Akademik dan Gaya Hidup Pratama, Ady Yoga; Maulana, Imam Syafi'i; Sari, Fifin Kumala; Tiara, Sherly Dian; Darmawan, Irwan
JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer Vol. 4 No. 1 (2025): Desember 2025
Publisher : Cipta Media Harmoni

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53624/jsitik.v4i1.696

Abstract

Latar Belakang: Depresi menjadi isu krusial yang semakin sering dialami oleh mahasiswa akibat tekanan akademik, gaya hidup, dan tuntutan sosial. Deteksi dini sangat mendesak karena depresi yang tidak ditangani dapat berdampak buruk pada performa akademik, hubungan sosial, dan kualitas hidup mahasiswa. Tujuan: Penelitian ini bertujuan untuk membangun model prediksi risiko depresi yang akurat dan objektif pada mahasiswa dengan menggunakan algoritma Random Forest berbasis data akademik dan gaya hidup. Metode: Penelitian ini merupakan studi kuantitatif yang menerapkan metodologi Knowledge Discovery in Databases (KDD). Data yang digunakan adalah Student Depression Dataset dari Kaggle. Prosesnya meliputi preprocessing data, penyeimbangan data dengan SMOTEENN dan label encoding untuk mengubah data kategorikal menjadi numerik. Hasil: Model yang dikembangkan menunjukkan performa yang sangat tinggi pada saat diuji. Hasil evaluasi pada data uji menghasilkan nilai akurasi, precision, recall, dan f1-score yang seragam, yaitu sebesar 97%. Kesimpulan: Model Random Forest terbukti efektif untuk mendeteksi risiko depresi secara akurat dan seimbang. Model ini berpotensi menjadi alat bantu yang berharga bagi institusi pendidikan untuk melakukan intervensi preventif yang tepat sasaran. Penelitian selanjutnya dapat berfokus pada validasi model menggunakan data institusional di dunia nyata.
Co-Authors Erna Daniati Irwan Darmawan Maulana, Imam Syafi'i Pratama, Ady Yoga Sari, Fifin Kumala