Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Journal of Innovative and Creativity
Tyas, Sischa Wahyuning
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Engineering Languange, Linguistic, Communication & Media Mathematics Social Sciences Other

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

Found 2 Documents
Search

 1 
Analisis Konvergensi Newton–Raphson dalam Estimasi Titik Impas Penjualan Telur Ayam Kampung UMKM Surabaya Sari, Anggraini Puspita; Nisa, Deswita Choirun; Arsanti, Yogi Dwi; Suryoningsih, Olivia Dewi Ramadhani; Tyas, Sischa Wahyuning
Journal of Innovative and Creativity Vol. 6 No. 1 (2026)
Publisher : Fakultas Ilmu Pendidikan Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/joecy.v6i1.6691

Abstract

Free-range chicken eggs are an important commodity traded by Micro, Small, and Medium Enterprises, with prices that fluctuate across local markets and affect production planning. This study applies a nonlinear cost–revenue model and the Newton–Raphson method to determine the break-even point (BEP) using monthly price data from six traditional markets in Surabaya from January to October 2025. The analysis shows that most markets converge to a stable price of Rp48,000/kg, while markets with higher volatility require multiple iterations. The average selling price is Rp46,201.90/kg, forming the revenue function TR = 46,201.90Q and the cost function TC(Q) = 1,500,000 + 35,000Q. The BEP is achieved at Q* = 117.10 kg with total revenue equal to total cost of Rp5,410,040. These results confirm that the Newton–Raphson method provides stable and reliable BEP estimates for small-scale egg businesses
Analisis Prediksi Risiko Stroke Menggunakan Metode SGD Handayani, Esthi Nurani Sri; Tessalonika, Febriani Yolanda; Sianturi, Laudya Meitaneia; Tyas, Sischa Wahyuning; Sari, Anggriani Puspita
Jurnal Komputer Teknologi Informasi Sistem Informasi (JUKTISI) Vol. 4 No. 3 (2026): Februari 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v4i3.786

Abstract

Stroke merupakan penyebab kematian dan kecacatan tertinggi di dunia dengan lebih dari 15 juta kasus setiap tahun. Deteksi dini risiko stroke sangat penting untuk menurunkan angka mortalitas melalui intervensi preventif yang tepat waktu. Penelitian ini bertujuan untuk menganalisis performa Stochastic Gradient Descent (SGD) Regresi Logistik dalam prediksi risiko stroke menggunakan dataset Prediksi Stroke v2 2024 yang terdiri dari 35.000 records dengan 17 fitur klinis. Dataset dibagi menjadi 80% data training (28.000 samples) dan 20% data testing (7.000 samples) dengan distribusi kelas seimbang. Optimasi hyperparameter SGD dilakukan menggunakan Grid Search dengan 216 kombinasi parameter dan 4-fold cross validation untuk mendapatkan konfigurasi optimal. Hasil penelitian menunjukkan bahwa SGD Regresi Logistik dengan hyperparameter tuning mencapai performa excellent dengan accuracy 97,59% dan ROC-AUC 0,9984, menunjukkan sensitivitas sangat tinggi dalam mendeteksi pasien berisiko dengan recall 98,53% pada kelas positif. Performa ini sebanding dengan Baseline Regresi Logistik yang mencapai accuracy 97,74% dengan ROC-AUC identik 0,9984, mengkonfirmasi efektivitas metode SGD untuk klasifikasi risiko stroke. Analisis feature importance mengidentifikasi Age (koefisien 4,868), High Blood Pressure (2,360), dan Chest Pain (1,977) sebagai prediktor terkuat. Model SGD menunjukkan false negative rate rendah hanya 1,47%, temuan ini mengkonfirmasi bahwa SGD regresi logistik dengan optimasi hyperparameter sistematis memberikan performa yang superior dalam sensitivitas deteksi pasien beresiko, menjadikannya sangat potensial untuk diimplementasikan sebagai screening tool awal risiko stroke dengan keunggulan scalability untuk dataset yang lebih besar dan kemampuan online learning untuk data streaming yang tidak dimiliki baseline model.
Co-Authors Anggraini Puspita Sari Arsanti, Yogi Dwi Handayani, Esthi Nurani Sri Nisa, Deswita Choirun Sari, Anggriani Puspita Sianturi, Laudya Meitaneia Suryoningsih, Olivia Dewi Ramadhani Tessalonika, Febriani Yolanda