cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Bahar
Contact Email
bahararahman@gmail.com
Phone
-
Journal Mail Official
puslit.stmikbjb@gmail.com
Editorial Address
-
Location
Kota banjarmasin,
Kalimantan selatan
INDONESIA
Progresif: Jurnal Ilmiah Komputer
Published by Sekolah Tinggi Manajemen Informatika dan Komputer Banjarbaru
ISSN : 02163284     EISSN : 26850877     DOI : -
Core Subject : Science, Engineering,
Computer Science & IT Control & Systems Engineering
Progresif: Jurnal Ilmiah Komputer adalah Jurnal Ilmiah bidang Komputer yang diterbitkan secara periodik dua nomor dalam satu tahun, yaitu pada bulan Februari dan Agustus. Redaksi Progresif: Jurnal Ilmiah Komputer menerima Artikel hasil penelitian atau atau artikel konseptual bidang Komputer.
Arjuna Subject : -
Articles 562 Documents
 53   54   55   56   57 
PENGEMBANGAN SISTEM PREDIKSI KASUS DEMAM BERDARAH DENGUE BERDASARKAN CURAH HUJAN MENGGUNAKAN ALGORITMA LONG SHORT-TERM MEMORY (LSTM) BERBASIS WEB LARAVEL DI KOTA PADANG Billy Kelvin Tressa; Syafrijon Syafrijon; Khairi Budayawan; Delvi Asmara
Progresif: Jurnal Ilmiah Komputer Vol. 22 No. 3 (2026): Juli
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v22i3.4065

Abstract

Dengue Hemorrhagic Fever (DHF) is an infectious disease that poses a serious public health problem in tropical regions, with its spread strongly influenced by rainfall; however, current surveillance systems remain manual and reactive, often delaying intervention. This study aims to design and implement a rainfall-based DHF case prediction system using a Long Short-Term Memory (LSTM) algorithm tailored to each sub-district. The system was developed using the Prototyping method and integrated into a web application, with Laravel as the main interface and Flask as the prediction server. Testing was conducted through model accuracy evaluation using MAE, RMSE, and MAPE metrics compared against the ARIMA model, along with Black Box Testing of system functionality. Results show that LSTM outperformed ARIMA in 9 of 11 sub-districts (81.8%), and all Black Box test scenarios ran as designed, confirming that the system can proactively support local health decision-making. Keywords: dengue hemorrhagic fever; rainfall; LSTM; prediction; web application   Abstrak Demam Berdarah Dengue (DBD) merupakan penyakit menular yang menjadi permasalahan kesehatan masyarakat serius di wilayah tropis, dengan penyebaran yang sangat dipengaruhi oleh curah hujan; namun sistem surveilans yang berjalan saat ini masih bersifat manual dan reaktif sehingga intervensi sering terlambat. Penelitian ini bertujuan merancang dan mengimplementasikan sistem prediksi kasus DBD berbasis curah hujan menggunakan algoritma Long Short-Term Memory (LSTM) yang spesifik untuk masing-masing kecamatan. Sistem dikembangkan menggunakan metode Prototyping dan diintegrasikan ke dalam aplikasi web dengan arsitektur Laravel sebagai antarmuka utama dan Flask sebagai peladen prediksi. Pengujian dilakukan melalui evaluasi akurasi model menggunakan metrik MAE, RMSE, dan MAPE yang dibandingkan dengan model ARIMA, serta pengujian Black Box terhadap fungsionalitas sistem. Hasil pengujian menunjukkan LSTM unggul pada 9 dari 11 kecamatan (81,8%) dibanding ARIMA, dan seluruh skenario Black Box berjalan sesuai rancangan, mengonfirmasi bahwa sistem mampu mendukung pengambilan keputusan kesehatan secara proaktif di tingkat kecamatan.
Kesehatan mental telah menjadi isu penting yang banyak dibahas melalui media sosial sehingga diperlukan metode otomatis untuk mengidentifikasi kategori kondisi kesehatan mental berdasarkan teks. Penelitian ini bertujuan membangun model klasifikasi teks me Annisa Maulana Majid; Ismasari Nawangsih; Karina Imelda
Progresif: Jurnal Ilmiah Komputer Vol. 22 No. 3 (2026): Juli
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v22i3.4070

Abstract

Mental health had become an important issue widely discussed on social media, creating the need for an automated method to identify mental health conditions based on textual data. This study aimed to develop a text classification model using Bidirectional Encoder Representations from Transformers and improve the transparency of prediction results through Shapley Additive Explanations and Local Interpretable Model-agnostic Explanations. The dataset consisted of 51,073 text records categorized into seven mental health classes. The research stages included data and text cleaning, label encoding, data splitting, tokenization, model training, evaluation, and result interpretation. The testing results showed that the model achieved an accuracy of 82% and a weighted average F1-score of 0.82. The interpretation results indicated that specific words and phrases contributed to class predictions. The findings demonstrated that the model performed text classification effectively, while both interpretation methods improved the transparency of the model’s decision-making process. Keywords: Sentiment Analysis; BERT; XAI; SHAP; LIME   Abstrak Kesehatan mental telah menjadi isu penting yang banyak dibahas melalui media sosial sehingga diperlukan metode otomatis untuk mengidentifikasi kategori kondisi kesehatan mental berdasarkan teks. Penelitian ini bertujuan membangun model klasifikasi teks menggunakan Bidirectional Encoder Representations from Transformers (BERT) serta meningkatkan transparansi hasil prediksi melalui Shapley Additive Explanations (SHAP) dan Local Interpretable Model-agnostic Explanations (LIME). Dataset yang digunakan terdiri atas 51.073 teks dalam tujuh kategori kesehatan mental. Tahapan penelitian meliputi pembersihan data dan teks, pengodean label, pembagian data, tokenisasi, pelatihan model, evaluasi, serta interpretasi hasil. Hasil pengujian menunjukkan bahwa model memperoleh akurasi sebesar 82% dan nilai F1-score rata-rata tertimbang sebesar 0,82. Interpretasi menunjukkan bahwa frasa dan kata tertentu memberikan kontribusi terhadap prediksi kelas. Hasil penelitian membuktikan bahwa model mampu melakukan klasifikasi dengan kinerja yang baik, sedangkan kedua metode interpretasi meningkatkan transparansi keputusan model.

Page 57 of 57 | Total Record : 562

 53   54   55   56   57 

Filter by Year

2006 2026


Reset
Filter By Issues
All Issue Vol 22, No 3 (2026): Juli Vol. 22 No. 3 (2026): Juli Vol 22, No 2 (2026): April Vol 22, No 1 (2026): Januari Vol 21, No 2 (2025): Agustus Vol 21, No 1 (2025): Februari Vol 20, No 2: Agustus 2024 Vol 20, No 1: Februari 2024 Vol 19, No 2: Agustus 2023 Vol 19, No 1: Februari 2023 Vol 18, No 2: Agustus 2022 Vol 18, No 1: Februari 2022 Vol 17, No 2: Agustus 2021 Vol 17, No 1: Februari 2021 Vol 16, No 2: Agustus 2020 Vol 16, No 1: Februari 2020 Vol 15, No 2: Agustus 2019 Vol 15, No 1: Februari 2019 Vol 14, No 2: Agustus 2018 Vol 14, No 1: Februari 2018 Vol 13, No 2: Agustus 2017 Vol 13, No 1: Pebruari 2017 Vol 12, No 2: Agustus 2016 Vol 12, No 1: Pebruari 2016 Vol 11, No 2: Agustus 2015 Vol 11, No 1: Pebruari 2015 Vol 10, No 2: Agustus 2014 Vol 10, No 1: Pebruari 2014 Vol 9, No 2: Agustus 2013 Vol 9, No 1: Pebruari 2013 Vol 7, No 2: Agustus 2011 Vol 6, No 2: Agustus 2010 Vol 6, No 1: Pebruari 2010 Vol 4, No 1: Pebruari 2008 Vol 2, No 2: Agustus 2006 More Issue