Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal International Journal of Artificial Intelligence in Medical Issues Linier: Literatur Informatika dan Komputer
Rahma Puspitasari
Universitas Muslim Indonesia
Computer Science & IT Control & Systems Engineering Dentistry Electrical & Electronics Engineering Health Professions Mathematics Medicine & Pharmacology Public Health

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

Found 2 Documents
Search

 1 
K-Nearest Neighbor dengan Jarak Euclidean, Manhattan, dan Minkowski pada klasifikasi sampah Siti Rahmi Kelilauw; Purnawansyah Purnawansyah; Abdul Rachman Manga’; Rahma Puspitasari
LINIER: Literatur Informatika dan Komputer Vol 2, No 3 (2025)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/linier.v2i3.3141

Abstract

Sampah menjadi permasalahan besar di Indonesia seiring dengan meningkatnya populasi dan konsumsi masyarakat. Untuk mengatasi permasalahan ini, klasifikasi sampah yang akurat diperlukan guna mendukung pengelolaan dan daur ulang yang lebih efektif. Penelitian ini menerapkan algoritma K-Nearest Neighbors (KNN) untuk mengklasifikasikan sampah berdasarkan jenisnya, dengan menggunakan tiga metrik jarak: Euclidean, Manhattan, dan Minkowski. Dataset yang digunakan terdiri dari 997 gambar yang terbagi menjadi dua kelas, yaitu kertas dan kardus. Data dibagi menjadi 80% untuk pelatihan dan 20% untuk pengujian. Proses preprocessing meliputi resize gambar ke ukuran 128x128 piksel serta normalisasi data. Model dievaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa jarak Manhattan memberikan performa terbaik dengan akurasi 83%, diikuti oleh Euclidean dengan 75,50%, dan Minkowski dengan 66,50%. Temuan ini menegaskan bahwa pemilihan metrik jarak dalam algoritma KNN sangat memengaruhi kinerja model. Dengan pendekatan ini, diharapkan dapat meningkatkan efisiensi sistem pengelolaan sampah berbasis teknologi, sehingga mendukung upaya daur ulang yang lebih baik dan ramah lingkungan
Comparative Machine Learning Models for Dementia Prediction Using SMOTE Rahma Puspitasari; Tazkirah Amaliah; Herdianti Darwis
International Journal of Artificial Intelligence in Medical Issues Vol. 3 No. 2 (2025): International Journal of Artificial Intelligence in Medical Issues
Publisher : Yocto Brain

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56705/ijaimi.v3i2.351

Abstract

Dementia is a progressive neurodegenerative disorder that leads to cognitive decline and significantly affects patients' quality of life. Early detection is crucial for determining appropriate medical interventions and slowing disease progression. This study aims to develop a machine learning-based dementia prediction model and compare the performance of three algorithms: Support Vector Machine (SVM), Random Forest (RF), and XGBoost. The dataset, obtained from the Kaggle platform, consists of 373 MRI-based patient records categorized into three diagnosis groups: Converted, Demented, and Nondemented. To address class imbalance, the Synthetic Minority Oversampling Technique (SMOTE) was applied. Experimental results show that the XGBoost algorithm achieved the best performance, with an accuracy of 93.86%, precision of 94%, recall of 94%, and F1-score of 94%, outperforming SVM and Random Forest. The application of SMOTE improved the model’s sensitivity to minority classes. The combination of XGBoost and SMOTE demonstrates high accuracy in dementia prediction and holds potential for integration into clinical decision support systems (CDSS) to assist early diagnosis.
Co-Authors Manga, Abdul Rachman Purnawansyah Purnawansyah Siti Rahmi Kelilauw Tazkirah Amaliah