Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
P-Index
This Author published in this journals
All Journal Jurnal Informasi dan Teknologi SAINTEK
Nanda Rosma Anwar
Universitas Pelita Bangsa
Automotive Engineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Engineering Industrial & Manufacturing Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Precision Medicine Through Support Vector Machines Analyzing Patient Data for Improved Drug Classification Nanda Rosma Anwar; Dendy K Pramudito; Muhammad Makmun Effendi
Jurnal Informasi dan Teknologi 2025, Vol. 7, No. 2
Publisher : SEULANGA SYSTEM PUBLISHER

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.60083/jidt.vi0.627

Abstract

Selecting the appropriate medication is crucial for ensuring optimal therapeutic outcomes and minimizing adverse effects for patients. Healthcare personnel are managing an increasing volume of medical data in the digital era. Identifying swift, precise, and dependable methods for recommending appropriate medications is becoming essential. This study aims to meet this criterion by classifying drugs into appropriate categories for patient care using the Support Vector Machine (SVM) technology. The research utilized a dataset from GitHub comprising 200 patient records. These records furnish critical information regarding the patient, including age, sex, blood pressure, cholesterol levels, sodium-to-potassium ratios, and prescriptions. To maximize the use of this data, the method entails several critical steps: selecting appropriate data, meticulously cleaning and organizing it, transforming it for analytical readiness, employing SVM for data mining, and conducting a comprehensive review. The dataset is divided into two segments which are 20% is allocated for testing the efficacy of the SVM model, while the remaining 80% is designated for training the model.The primary tool for constructing the SVM model is the Google Colaboratory platform, which utilizes Python. A confusion matrix is employed to meticulously evaluate the performance of a model. It provides valuable metrics such as accuracy, precision, recall, and the F1 score. The evaluation method indicates that the SVM model holds significant potential for systematically assessing patient data due to its capability to appropriately categorize various drug types. This discovery represents a significant advancement for AI in healthcare, as it facilitates the prompt and straightforward recommendation of individualized medicines by physicians.
Implementasi Metode TF-IDF dan Cosine Similarity pada Bot Telegram untuk Mendukung Rekomendasi Laptop Berdasarkan Preferensi Pengguna Stevani Dean Safira; Nanda Rosma Anwar; Medistra Aldrin
Prosiding Sains dan Teknologi Vol. 4 No. 1 (2025): Seminar Nasional Sains dan Teknologi (SAINTEK) ke 4 - Februari 2025
Publisher : DPPM Universitas Pelita Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Laptop merupakan salah satu perangkat elektronik yang sangat popular di kalangan masyarakat modern. Perangkat ini memiliki fungsi multitasking yang memungkinkan pengguna melakukan berbagai aktivitas seperti bekerja, belajar, berkomunikasi, dan hiburan dengan mudah dan efisien. Seiring berjalannya waktu, telah mendorong permintaan pengguna terhadap spesifikasi laptop yang sesuai dengan kebutuhan pribadi meningkat. Hal ini bisa menjadi tantangan tersendiri karena banyaknya pilihan produk yang tersedia di pasaran. Maka dari itu penelitian ini mengusulkan pengembangan Chatbot berbasis bot pada Telegram untuk memberikan informasi spesifikasi laptop secara komprehensif dan real-time. Menggunakan implementasi teknik TF-IDF (Term Frequency-Inverse Document Frequency) dan Cosine Similiarity untuk menganalisis kesamaan semantic pertanyaan pengguna serta implementasi dari Natural Language Processing (NLP) untuk memahami dan merespon pertanyaan pengguna. Sistem chatbot nantinya akan diuji menggunakan metode validasi silang dengan mengukur akurasi informasi, kecepatan respons, dan kemampuan interpretasi pertanyaan kompleks. Instrument penelitian menggunakan seperangkat dataset spesifikasi laptop yang bersumber dari public dataset Kaggle.
Implementasi Metode Term Frequency-Inverse Document Frequency dan Cosine Similarity pada Bot Telegram untuk Mendukung Rekomendasi Laptop Berdasarkan Preferensi Pengguna Stevani Dean Safira; Nanda Rosma Anwar; Medistra Aldrin
Prosiding Sains dan Teknologi Vol. 4 No. 1 (2025): Seminar Nasional Sains dan Teknologi (SAINTEK) ke 4 - Februari 2025
Publisher : DPPM Universitas Pelita Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Laptop merupakan salah satu perangkat elektronik yang sangat popular di kalangan masyarakat modern. Perangkat ini memiliki fungsi multitasking yang memungkinkan pengguna melakukan berbagai aktivitas seperti bekerja, belajar, berkomunikasi, dan hiburan dengan mudah dan efisien. Seiring berjalannya waktu, telah mendorong permintaan pengguna terhadap spesifikasi laptop yang sesuai dengan kebutuhan pribadi meningkat. Hal ini bisa menjadi tantangan tersendiri karena banyaknya pilihan produk yang tersedia di pasaran. Maka dari itu penelitian ini mengusulkan pengembangan Chatbot berbasis bot pada Telegram untuk memberikan informasi spesifikasi laptop secara komprehensif dan real-time. Menggunakan implementasi teknik TF-IDF (Term Frequency-Inverse Document Frequency) dan Cosine Similiarity untuk menganalisis kesamaan semantic pertanyaan pengguna dalam merespon pertanyaan pengguna. Sistem chatbot nantinya akan diuji menggunakan metode validasi silang dengan mengukur akurasi informasi, kecepatan respons, dan kemampuan interpretasi
Co-Authors Dendy K. Pramudito Medistra Aldrin Muhammad Makmun Effendi Stevani Dean Safira