Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Syntax: Journal of Software Engineering, Computer Science and Information Technology Jurnal Sistem Informasi Triguna Dharma (JURSI TGD)
Annisa Ashari
Universitas Potensi Utama
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering

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

Found 2 Documents
Search

 1 
Analisis Perbandingan Optimasi Seleksi Fitur Logistic Regression dan SVM untuk Prediksi PCOS Annisa Ashari; Lumi Krismona; Nurhayati
Jurnal Sistem Informasi Triguna Dharma (JURSI TGD) Vol. 5 No. 2 (2026): EDISI MARET 2026
Publisher : STMIK Triguna Dharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53513/jursi.v5i2.12476

Abstract

Polycystic Ovary Syndrome (PCOS) merupakan gangguan endokrin pada wanita usia reproduktif yang ditandai ketidakteraturan menstruasi, hiperandrogenisme dan perubahan morfologi ovarium, serta berpotensi menimbulkan infertilitas dan komplikasi metabolik (WHO, 2025). Penelitian ini bertujuan menganalisis secara komparatif kinerja algoritma Logistic Regression dan Support Vector Machine (SVM) yang dioptimasi dengan feature selection untuk prediksi PCOS berbasis data klinis. Dataset berisi 1.000 data pasien dengan lima atribut klinis, yaitu umur, indeks massa tubuh (BMI), ketidakteraturan menstruasi, kadar testosteron dan jumlah folikel antral, serta label biner diagnosis PCOS. Data dibagi menggunakan stratified train-test split 80:20 dan seluruh fitur numerik dinormalisasi. Optimasi dilakukan dengan mengintegrasikan Recursive Feature Elimination (RFE) dan Grid Search pada Logistic Regression untuk menentukan kombinasi jumlah fitur dan parameter regulasi terbaik, sementara pada SVM dilakukan penalaan parameter C, jenis kernel dan gamma menggunakan GridSearchCV dengan 5-fold stratified cross-validation dan F1-score sebagai metrik acuan, mengikuti praktik optimasi model yang banyak digunakan pada penelitian PCOS berbasis machine learning. Hasil eksperimen menunjukkan bahwa Logistic Regression terbaik mencapai akurasi 0,915, F1-score kelas PCOS 0,80 dan AUC 0,978, sedangkan SVM memberikan kinerja lebih tinggi dengan akurasi 0,97, F1-score kelas PCOS 0,92 dan AUC 0,998. Secara keseluruhan, hasil ini mengindikasikan bahwa SVM dengan fitur terpilih lebih efektif dibanding Logistic Regression, selaras dengan beberapa studi yang melaporkan keunggulan model SVM dalam deteksi PCOS.
ANALISIS SENTIMEN PADA ULASAN PENGGUNA TIKTOK DAN TOKOPEDIA MENGUNAKAN MESIN LEARNING BERBASIS NAIVE BAYES CLASSIFIER Mubarak -; Annisa Ashari; Gilang Harahap; Rika Rosnelly
Syntax : Journal of Software Engineering, Computer Science and Information Technology Vol 6, No 1 (2025): Juni 2025
Publisher : Universitas Dharmawangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46576/syntax.v6i1.6960

Abstract

Abstrak−Analisis sentimen merupakan teknik penting dalam memahami opini dan pengalaman pengguna terhadap layanan atau produk, terutama di platform e-commerce yang berkembang pesat seperti TikTok Shop. Tujuan dari penelitian ini adalah mengetahui dan analisis terhadap sentimen keluhan penjual di TikTok Shop dengan menggunakan algoritma Naive Bayes Classifier. Dataset yang digunakan terdiri dari ulasan penguna TikTok. yang diambil dari dataset kaggle. Penelitian ini bertujuan untuk menganalisis sentimen ulasan pengguna TikTok menggunakan algoritma Naïve Bayes untuk menganalisis data sentimen tersebut. Algoritma Naive Bayes diterapkan untuk mengklasifikasikan sentimen ulasan menjadi dua kategori: positif, dan negatif. Penelitian ini mengunakan Model Algiritma Naive Bayes berhasil mencapai nilai akurasi 97%, nilai CA 82%, nilai F1 82%, nilai Prec 86%, nilai Recall 82% dan nilai MCC 68% tergantung pada pengaturan dataset. Pada penelitian ini jumlah dataset yang digunakan berjumlah 3145 data yang diambil dari dataset kaggle, dengan pengaturan dataset traning sebesar 90% dan dataset test sebesar 10%. Temuan ini memberikan wawasan berharga bagi pengelola TikTok Shop untuk meningkatkan fitur dan layanan mereka berdasarkan umpan balik pengguna. Rekomendasi untuk penelitian selanjutnya mencakup penggunaan dataset yang lebih besar dan penerapan algoritma lain untuk perbandingan efektivitas serta eksplorasi lebih lanjut terhadap faktor-faktor yang mempengaruhi sentimen pengguna. Kata kunci : TikTok, Analisis Sentimen, Algoritma Naive Bayes, Ulasan Pengguna Abstract− Sentiment analysis is an important technique in understanding user opinions and experiences towards services or products, especially on rapidly growing e-commerce platforms such as TikTok Shop. The purpose of this study is to determine and analyze the sentiment of seller complaints on TikTok Shop using the Naive Bayes Classifier algorithm. The dataset used consists of TikTok user reviews. taken from the kaggle dataset. This study aims to analyze the sentiment of TikTok user reviews using the Naive Bayes algorithm to analyze the sentiment data. The Naive Bayes algorithm is applied to classify review sentiment into two categories: positive and negative. This study uses the Naive Bayes Algorithm Model successfully achieving an accuracy value of 97%, a CA value of 82%, an F1 value of 82%, a Prec value of 86%, a Recall value of 82% and an MCC value of 68% depending on the dataset settings. In this study, the number of datasets used was 3145 data taken from the kaggle dataset, with a training dataset setting of 90% and a test dataset of 10%. These findings provide valuable insights for TikTok Shop managers to improve their features and services based on user feedback. Recommendations for further research include the use of larger datasets and the application of other algorithms for comparison of effectiveness as well as further exploration of factors influencing user sentiment. Keywords: TikTok, Sentiment Analysis, Naive Bayes Algorithm, User Reviews
Co-Authors Gilang Harahap Lumi Krismona Mubarak - Nurhayati Rika Rosnelly