Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Infortech
Qudsiah Azizah
Universitas Bina Sarana Informatika
Computer Science & IT Engineering

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

Found 2 Documents
Search

 1 
Pendekatan Algoritma Naive Bayes Dalam Memprediksi Penyakit Diabetes Qudsiah Azizah; Diah Puspitasari; Sulaeman Hadi Sukmana; Erma Delima Sikumbang; Kresna Ramanda
Jurnal Infortech Vol. 7 No. 2 (2025): Desember 2025
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/infortech.v7i2.11397

Abstract

Diabetes melitus merupakan penyakit metabolik yang bersifat kronis dan multifaktorial. Penyakit ini menunjukkan gejala peningkatan kadar gula darah (hiperglikemia) akibat proses metabolisme karbohidrat yang tidak normal, lemak, dan protein yang tidak normal. Hingga saat ini, terdapat lebih dari 150 juta orang yang tercatat di seluruh dunia mengidap penyakit ini dan perkembangan penyakit yang terus meningkat dapat menyebabkan komplikasi yang fatal. Faktanya, sebagian besar masyarakat mengabaikan tanda-tanda awal ini: rasa lapar yang berlebihan, rasa lelah yang tidak wajar, dan luka yang lambat sembuh. Penelitian ini dilakukan untuk analisis algoritma Naïve Bayes pada klasifikasi penyakit diabetes untuk mendapatkan hasil optimal dengan akurasi yang ditawarkan dengan cara ini. Dataset diambil dari website Kaggle yang berjumlah 10.000 data dengan jumlah 2 kelas yaitu Diabetes dan Non Diabetes, kelas Diabetes mencakup sebanyak 8.500 data, sementara kelas Non-Diabetes mencakup 91.500 data. Metode yang digunakan yaitu Algoritma Naïve Bayes. Hasil pengujian menunjukkan bahwa Naïve Bayes mencapai tingkat akurasi sebesar 90,66% yang artinya Algoritma Naive Bayes adalah metode yang baik dan tepat untuk mengklasifikasikan penyakit diabetes.
Breast Cancer Prediction Optimization Using Support Vector Machine and Naive Bayes Algorithms Devi Wulandari; Qudsiah Azizah; Diah Puspitasari; Kresna Ramanda; Erma Delima Sikumbang; Sulaeman Hadi Sukmana
Jurnal Infortech Vol. 8 No. 1 (2026): June 2026
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/infortech.v8i1.12629

Abstract

Breast cancer is ranked as the second most common cause of death for women worldwide. Breast cancer is often found when it has entered the final stage. In general, this is due to slow handling and treatment, so it is very necessary to detect the disease early. The purpose of this study is to determine the performance of the two algorithms, namely Naïve Bayes and Support Vector Machine (SVM) in classifying breast cancer types which will then be analysed and compared the accuracy of the two algorithms. The dataset used in this study, Breast Cancer Wisconsin, is public data originating from UCI Machine Learning, has a total of 683 data with 10 attributes and has two classes, namely benign class with 458 data and malignant class with 241 data. The dataset was split 80:20, with 80% used as training data and 20% as testing data, and then evaluated using cross-validation. The results of the study show that Support Vector Machine (SVM) has the best performance with an accuracy of 96.89% while Naïve Bayes 96.15%. With this accuracy, These results indicate that the SVM model provides better classification performance than Naïve Bayes for the Breast Cancer Wisconsin dataset.
Co-Authors Devi Wulandari Diah Puspitasari Erma Delima Sikumbang Hadi Sukmana, Sulaeman Kresna Ramanda