Dewi Widyawati

Authors

Widyawati, Dewi; Faradibah, Amaliah; Belluano, Poetri Lestari Lokapitaasari, Universitas Muslim Indonesia

Abstract

This research aims to analyze the performance of three classification models, namely Decision Tree Classifier, Support Vector Machine, and Naive Bayes Classifier, in predicting lung cancer using the "Lung Cancer Prediction" dataset. The performance evaluation metrics used include accuracy, precision weighted, recall weighted, and F1 weighted. As a preliminary step, exploratory data analysis (EDA) and dataset preprocessing, including feature selection, data cleaning, and data transformation, were conducted. The test data results showed that the Decision Tree Classifier and Naive Bayes Classifier had similar performances with high accuracy, precision, recall, and F1 values. Meanwhile, the Support Vector Machine also exhibited competitive performance, although its precision weighted value was slightly lower. Additionally, an outlier analysis was conducted using box plots, revealing that the Decision Tree Classifier had 2 outlier values, while the Support Vector Machine had 4 outlier values, and Naive Bayes had no outlier values. In conclusion, all three classification models demonstrated good potential in lung cancer prediction. However, selecting the best model requires consideration of relevant evaluation metrics for the application and accommodating the limitations of each model. Further evaluation and in-depth analysis are needed to ensure the reliability of the models in predicting lung cancer cases more accurately and consistently.

Related SDGs

Authors

Widyawati, Dewi; Faradibah, Amaliah; Belluano, Poetri Lestari Lokapitaasari, Universitas Muslim Indonesia

Abstract

This research aims to analyze the performance of three classification models, namely Decision Tree Classifier, Support Vector Machine, and Naive Bayes Classifier, in predicting lung cancer using the "Lung Cancer Prediction" dataset. The performance evaluation metrics used include accuracy, precision weighted, recall weighted, and F1 weighted. As a preliminary step, exploratory data analysis (EDA) and dataset preprocessing, including feature selection, data cleaning, and data transformation, were conducted. The test data results showed that the Decision Tree Classifier and Naive Bayes Classifier had similar performances with high accuracy, precision, recall, and F1 values. Meanwhile, the Support Vector Machine also exhibited competitive performance, although its precision weighted value was slightly lower. Additionally, an outlier analysis was conducted using box plots, revealing that the Decision Tree Classifier had 2 outlier values, while the Support Vector Machine had 4 outlier values, and Naive Bayes had no outlier values. In conclusion, all three classification models demonstrated good potential in lung cancer prediction. However, selecting the best model requires consideration of relevant evaluation metrics for the application and accommodating the limitations of each model. Further evaluation and in-depth analysis are needed to ensure the reliability of the models in predicting lung cancer cases more accurately and consistently

Related SDGs

Authors

Jabir, Sitti Rahmah; Azis, Huzain; Widyawati, Dewi; Tenripada Andi Ulfa, Universitas Muslim Indonesia

Abstract

GRDS menghadapi kelangkaan dana, ketika diperlukan untuk merawat para korban Gaja. Gaja adalah topan bernama kelima dari musim siklon Samudra Hindia Utara 2018 yang mempengaruhi sebagian besar tempat di Tamil Nadu, India selama bulan November 2018. Tujuan dari penelitian ini adalah untuk menggunakan riwayat donasi untuk menganalisis apakah donator akan menyumbang atau tidak menggunakan regresi logistik. Data Tamil Nadu diberikan untuk menerapkan model yang dibangun untuk memprediksi donator yang paling mungkin menjadi korban topan Gaja. Pada tahap pengumpulkan data seringkali terjadi hambatan, salah satu hambatannya yaitu fenomena missing data atau data hilang. Akibat dari adanya missing data adalah pendugaan parameter menjadi tidak efisien. Ukuran data yang berkurang dapat mengakibatkan kesulitan dalam menganalisis, sehingga hasil yang didapatkan menjadi tidak valid dan tujuan dari penelitian tidak tercapai. Data yang hilang akan diisi menggunakan metode single imputation. Data yang telah diimputasi menggunakan beberapa metode akan membantu dalam melakukan prediksi. Dimana algoritma yang digunakan untuk melakukan prediksi ialah logistic regression. Beberapa data dihilangkan setelah melihat multikolinearitas. Dalam tahap pemodelan, data dibagi menjadi 2 yaitu 70% untuk data pelatihan dan 30% untuk data tes. Dimana hasil perhitungan akurasi dari model ialah 0,6129 yang menunjukkan bahwa model tidak melakukan prediksi dengan baik menggunakan metode tersebut

Related SDGs

Authors

Jabir, Sitti Rahmah; Tenripada, A Ulfah; Asis, Muhammad Arfah; Widyawati, Dewi; Faradibah, Amaliah; Universitas Muslim Indonesia, Indonesia

Abstract

Autism Spectrum Disorder (ASD) adalah sekelompok kondisi perkembangan saraf. Orang dengan autisme memiliki masalah dengan interaksi sosial. Mereka tidak dapat mengembangkan hubungan dengan orang lain sesuai dengan tingkat perkembangan mereka. Jumlah anak-anak dengan autisme telah tumbuh terus menerus selama beberapa tahun. Mendiagnosis ASD diperlukan pendekatan yang komprehensif, sistematis, dan terstruktur. Untuk mendiagnosis ASD, peneliti memanfaatkan penambangan data untuk menganalisis data terapi perilaku. Data yang didapatkan tidak sepenuhnya data yang bersih, dimana terdapat beberapa data yang hilang. Untuk menangani data yang hilang, pendekatan data pre-processing yang akan digunakan untuk membantu menganalisis dan memperhitungkan nilai yang hilang. Data yang tidak sesuai format akan ditransformasikan terlebih dahulu sebelum divisualisasikan. Sebagian besar kuesioner telah diisi oleh orang tua. Berdasarkan dataset, anak-anak dengan ASD didominasi oleh laki-laki. Dirujuk dari etnis, orang kulit putih-Eropa adalah etnis terbanyak yang terdeteksi memiliki jumlah anak tertinggi dengan ASD. Di dalam etnis, ada berbagai negara. Inggris adalah jumlah terbesar orang yang menderita autisme. Berdasarkan hasil tersebut, bidang kesehatan harus lebih fokus memberikan pengobatan untuk orang kulit putih-Eropa terutama di Inggris. Para peneliti kesehatan harus menghasilkan wawasan yang dapat mengembangkan autisme untuk deteksi dan skrining. Berdasarkan hasil, hal tersebut dapat membantu lebih lanjut yang dapat mengurangi persentase autisme di seluruh dunia. peneliti kesehatan harus menghasilkan wawasan yang dapat mengembangkan autisme untuk deteksi dan skrining.

Related SDGs

Authors

Purnawansyah; Herdianti; Widyawati, Dewi, Universitas Muslim Indonesia

Abstract

Tanaman herbal menunjukkan variasi berbagai ukuran dan bentuk yang berbeda untuk setiap jenis. Penelitian ini bertujuan untuk mengklasifikasikan citra daun dari daun katuk (Sauropus Androgynus) dan daun kelor (Moringa). Dalam penelitian ini digunakan Gray Level Co-Occurrence Matrix (GLCM) untuk mengektraksi fitur contrast, correlation, homogeneity, dissimilarity, dan Angular Second Moment (ASM). Adapun pada klasifikasi diterapkan metode Convolutional Neural Network (CNN) dan Naïve Bayes dengan kernel Gaussian, multinomial, dan Bernoulli. Jumlah citra yang digunakan dalam riset ini adalah 480 citra, dengan perincian 80% untuk data training dan 20% sebagai data testing. Berdasarkan hasil pengujian dan perbandingan yang telah dilakukan didapatkan kesimpulan bahwa penerapan metode CNN tanpa ekstraksi fitur terbukti lebih efisien dalam proses klasifikasi citra daun herbal, dengan nilai precision, recall, f1-score dan accuracy mencapai 98% pada situasi cahaya terang

Related SDGs

Authors

Widyawati, Dewi; Sugiarti; Jabir, Sitti Rahmah, Universitas Muslim Indonesia

Abstract

AR menjadi sarana inovatif untuk memfasilitasi pengguna dalam mendesain dan menyesuaikan tata letak furnitur ruang secara virtual sebelum implementasi fisik. Penelitian ini fokus pada pengembangan sistem simulasi furnitur ruang berbasis Augmented Reality (AR) menggunakan metode Marker-Based Tracking dengan menerapkan metodologi penelitian Multimedia Development Life Cycle (MDLC) sebagai kerangka kerja untuk memandu proses pengembangan yang terstruktur, mulai dari perencanaan hingga implementasi. Langkah-langkah penelitian melibatkan identifikasi kebutuhan pengguna, perancangan konsep AR, pengembangan prototipe, implementasi, dan evaluasi. Metode marker-based tracking digunakan untuk meningkatkan akurasi penempatan objek virtual dalam lingkungan fisik. Kontribusi diharapkan dapat meningkatkan kualitas pengalaman pengguna dalam desain interior, memungkinkan mereka untuk berinteraksi dengan furnitur ruang secara lebih dinamis dan efektif

Related SDGs

Authors

Gaffar, Andi Widya Mufila; Sugiarti; Widyawati, Dewi, Universitas Muslim Indonesia

Abstract

Stunting in toddlers is a major nutritional problem faced by Indonesia, with a high incidence rate occurring in several provinces across the country. This nutritional issue can occur at any age, starting from the prenatal stage, infancy, childhood, adolescence, adulthood, and even in the elderly. To reduce the prevalence of stunting in affected provinces, prevention efforts are essential, including predicting the spread of stunting incidents in each region. Therefore, this research conducted spatial prediction of the prevalence rate of stunting incidents using Machine Learning, specifically Support Vector Machine based Regression. The results of this study produced a prediction model with an RMSE (Root Mean Square Error) value of 0.008689303 and a multiple correlation coefficient of 0.65912721. Based on these findings, the predictive model utilized demonstrated satisfactory performance in predicting the prevalence rate of stunting incidents in each area

Related SDGs

Authors

Gaffar, Andi Widya Mufila; Azmi, Nurul; Alwi, Erick Irawadi; Abdullah, Syahrul Mubarak; Adawiyah, Rabiatul; Widyawati, Dewi, Faculty of Computer Science, Universitas Muslim Indonesia, Makassar, Indonesia

Abstract

MRI is a very important diagnostic tool in finding brain tumors, but recently the development of manual interpretation of MRI images has developed some challenges, such as diagnosis is often delayed, and there is a high chance of making mistakes. Recently, to hurry up the process, brain tumor detection has started applying machine learning methods. The classification of MRI images for brain tumors is done in this research paper by extracting their features with the ResNet-50 model. The classical machine learning algorithms that have been applied in the paper for classifying the tumors using the extracted features include Naive Bayes, Decision Tree, Support Vector Machine (SVM), K-Nearest Neighbors (KNN), and Random Forest. In this respect, SVM and KNN have yielded the highest accuracy of 0.95 and 0.96 respectively, hence are the best methods in this task. The study's findings contribute to the development of quicker and more precise methods to help with brain tumor diagnosis in a medical context.

Related SDGs

Authors

Herman; Darwis, Herdianti; Nurfauziyah; Puspitasari, Rahma; Widyawati, Dewi; Faradibah, Amaliah, Faculty of Computer Science, Universitas Muslim Indonesia, Makassar, Indonesia

Abstract

This study aims to classify anxiety disorders in adolescents using three machine learning algorithms, namely naive bayes, C4.5, and K-Nearest Neighbor (K-NN). The data used was taken from the DASS-21 questionnaire, which contains 418 samples with 11 attributes, including age, gender, and seven anxiety-related questions. The algorithm was tested using the holdout technique with 80:20, 70:30, and 60:40 data splits, as well as the k-fold cross-validation technique. The results showed that the C4.5 algorithm performed best with 100% accuracy in the holdout technique, followed by naive bayes with 99% accuracy, and K-NN with 94% accuracy. In cross-validation testing, C4.5 also showed the highest accuracy of 98%, while naive bayes and K-NN achieved 89% and 92% respectively. This study concludes that the C4.5 algorithm is superior in classifying anxiety compared to naive bayes and K-NN, so it can be relied upon for machine learning-based diagnostic applications in supporting the detection of anxiety disorders efficiently.

Related SDGs

Authors

Widyawati, Dewi; Tenripada, A. Ulfah; Jabir, Sitti Rahmah; Faradibah, Amaliah, Universitas Muslim Indonesia

Abstract

Pengelolaan buku administrasi desa memegang peranan penting bagi jalannya suatu organisasi, yaitu sebagai sumber informasi dan sebagai pusat ingatan organisasi sebagai dasar pengambilan keputusan. Masalah yang muncul pada Lembang Marinding Kecamatan Mengkendek Kab. Tana Toraja yaitu masih mengelola data administasi desa secara manual, sehingga muncul masalah jika berkas administrasi dibutuhkan tidak ditemukan atau hilang. Selain itu belum tersedianya fasilitas atau media yang mengatur data administrasi secara digital, sehingga pelayanan kepada masyarakat belum maksimal. Staf lembang juga belum mahir dalam menerapkan teknologi informasi dalam manajemen administrasi. Hasil yang diperoleh dari kegiatan pengabdian yaitu dapat meningkatkan pemahaman dan kemampuan serta keterampilan perangkat desa Lembang Marinding dalam mengelola administrasi persuratan secara digital sehingga kegiatan administrasi menjadi lebih baik. Selain itu pelayanan kepada masyarakat lebih baik sehingga membuat kinerja staf Lembang Marinding juga meningkat. Sebagai penunjang dalam kegiatan tersebut, staf yang mengikuti kegiatan pelatihan diberikan modul sebagai panduan penggunaan sistem. Pada kegiatan ini menghasilkan sebuah sistem informasi berupa buku administrasi berbasis web yang akan dikelola langsung oleh staf lembang. Luaran akhir berupa publikasi di media massa dan artikel yang akan dipublikasikan pada Jurnal Ilkomas

Related SDGs

Authors

Faradibah, Amaliah; Widyawati, Dewi; Belluano, Poetri Lestari Lokapitasari; Tenripada, A. Ulfah; Utami, Aulia Putri; Fatahillah, Furqon; Tuasamu, Fatimah A.R.

Abstract

The use of Information Technology has penetrated various sectors, including education. In the digital era, video editing applications are among the most widely used tools, as students tend to be more engaged with video-based content than with text-based learning materials. This study aims to improve teaching methods by empowering teachers to create engaging learning videos using digital applications. The program was implemented at SDN 133 Inpres Paririsi Takalar, involving 27 elementary school teachers with diverse educational backgrounds, teaching subjects, and teaching experience. A Practical and Participatory training model was applied over a two-month period. Evaluations were conducted before and after the training to assess its effectiveness in enhancing teachers’ video editing skills. The results showed a significant improvement in teachers' abilities to use video editing applications and increased confidence in delivering digital-based learning content. The main challenges faced by teachers included limited initial digital literacy and time constraints during implementation. This study contributes to addressing the digital content creation skill gap among elementary school teachers. The expected outputs include: (1) a user guide module for video editing applications, (2) publication in an accredited national journal, and (3) enrichment materials for the Multimedia Systems course. Further research is recommended to explore the long-term impact of the training and its applicability to other educational levels.

Related SDGs

Authors

Gaffar, Andi Widya Mufila; Widyawati, Dewi; Fahmi; Ulfiani, Sri, Fakultas Ilmu Komputer Universitas Muslim Indonesia, Indonesia

Abstract

Kacang-kacangan merupakan sumber pangan padat energi yang kaya nutrisi bioaktif, berperan penting dalam menjaga kesehatan serta menurunkan risiko penyakit kronis yang dimana kacang-kacangan memiliki jenis dan varietas yang sangat beragam dengan ciri-ciri seperti warna, bantuk dan karateristik yang berbeda beda. Penelitian ini bertujuan untuk mengembangkan sistem deteksi otomatis jenis kacang-kacangan menggunakan metode Convolutional Neural Network (CNN) berbasis arsitektur Faster Objects, More Objects (FOMO) yang diintegrasikan dengan perangkat berbiaya rendah ESP32-Cam melalui platform Edge Impulse. Empat jenis kacang yang digunakan sebagai objek penelitian meliputi kacang hijau, kacang kedelai, kacang merah, dan kacang tanah, dengan total 530 citra hasil akuisisi data. Proses penelitian meliputi tahapan akuisisi data, pre-processing berupa pelabelan, normalisasi, dan resize, pembagian dataset, pelatihan model dengan 60 epoch dan learning rate 0,001, hingga evaluasi kinerja model. Hasil evaluasi menunjukkan bahwa model mencapai F1 Score rata-rata 90,4%, yang termasuk kategori sangat baik, dengan keseimbangan optimal antara precision dan recall. Pada tingkat per kelas, kacang merah berhasil dikenali sempurna dengan akurasi 100%, kacang hijau memperoleh akurasi 94,4%, sedangkan kacang kedelai dan kacang tanah masing-masing mencapai 88% dan 88,9%. Analisis feature explorer menunjukkan adanya tumpang tindih pada distribusi kacang kedelai dan kacang tanah akibat kemiripan tekstur dan morfologi, sehingga berpotensi menimbulkan kesalahan klasifikasi. Secara keseluruhan, hasil penelitian ini membuktikan bahwa CNN dengan menggunakan ESP32-Cam mampu mendeteksi jenis kacang-kacangan dengan akurasi yang sangat baik.

Related SDGs

Authors

Haris, Najwan Firdaus, Information System, Universitas Muslim Indonesia, Makassar, Indonesia; As’ad; Ihwana, Widyawati; Dewi, Faculty of Computer Science, Universitas Muslim Indonesia, Makassar, Indonesia

Abstract

The Faculty of Computer Science (FIKOM) at Universitas Muslim Indonesia (UMI) faces significant challenges in enhancing the quality of thesis supervision due to an increasing student population. This study utilizes the Management by Objectives (MBO) approach to evaluate and improve faculty supervision quality. MBO involves setting clear goals, monitoring progress, providing feedback, and evaluating performance based on Key Performance Indicators (KPIs), Customer Satisfaction Scores (CSAT), and Customer Effort Scores (CES). Data was gathered from questionnaires distributed to 211 FIKOM students currently writing or who have completed their theses. The findings reveal that MBO implementation significantly enhances communication between faculty and students, clarifies supervision goals, and boosts student satisfaction. The structured and directed approach of MBO makes the supervision process more efficient, leading to higher quality thesis completions. Additionally, the research underscores the importance of aligning supervision schedules and methods to better fit both faculty and student needs, thus mitigating issues related to faculty workload and student guidance. The study concludes that adopting MBO in thesis supervision processes can substantially improve both the effectiveness and satisfaction of academic guidance at FIKOM UMI.

Related SDGs

Authors

Manga, Abdul Rachman; Widyawati, Dewi; Fahmi; Samsul, Universitas Muslim Indonesia

Abstract

The conventional manual watering method employed by cultivators often results in uneven watering and inconsistent water levels during each irrigation session. To address this problem, automatic watering tools are commonly adopted that utilize soil moisture sensors for efficient watering. However, challenges arise in dealing with diverse soil conditions across multiple planting media. In response to these challenges, the author proposed the design and development of a soil moisture-based watering device utilizing NodeMCU ESP32 as a microcontroller connected to six soil moisture sensors. This tool aims to provide a solution for watering six different soil media with varying conditions. The system incorporates six solenoid valves to control water channels, with a relay regulating the valve performance. The testing and implementation involve watering each soil medium when the sensor detects humidity levels exceeding 2047 bits. The preliminary tests demonstrated successful operation, particularly with solenoid valve 1 exhibiting consistent performance across ten trials, leading to positive outcomes for all six solenoid valves. Overall, the proposed tool proved effective in watering different soil media, with successful results in eight out of ten trials.

Related SDGs

Authors

S, Muhammad Ikhsan.; Hayati, Lilis Nur; Widyawati, Dewi, Universitas Muslim Indonesia, Makassar, Indonesia

Abstract

Berbagai industri termasuk ritel telah berubah sebagai akibat dari kemajuan teknologi informasi. Alfagift sebuah aplikasi yang dikembangkan oleh Alfamart untuk membantu pelanggannya berbelanja secara digital dan salah satu platform yang tengah berkembang pesat. Tujuan penelitian ini adalah untuk melakukan analisis sentimen masyarakat terhadap sistem perbelanjaan Alfagift dengan menggunakan metode Naive Bayes. Metode Naïve Bayes ini dipilih karena kemampuannya untuk mengklasifikasikan teks berdasarkan probabilitas, yang memungkinkan untuk menghasilkan hasil yang akurat dengan data yang relatif kecil. Data yang digunakan untuk penelitian ini adalah komentar atau ulasan pengguna tentang aplikasi Alfagift yang diambil dari platform review aplikasi. Analisis sentimen mencakup pengumpulan data, Preprocessing, serta penerapan Naive Bayes untuk membagi sentimen menjadi dua kategori utama yaitu positif dan negatif. Penelitian ini mengumpulkan 6.650 data ulasan pengguna dan didapatkan 4.937 kelas sentimen positif dan 1.713 kelas sentimen negatif. Naïve Bayes Classifier dalam mengklasifikasi data mendapatkan akurasi tertinggi saat pembagian data latih dan data uji dengan perbandingan sebesar 90:10 memperoleh Accuracy 85.94%, recall 81.81%, Precision 91.83% dan F1-Score sebesar 86.52%. Hasil dari analisis ini menunjukkan bagaimana respon masyarakat terhadap fitur-fitur yang ada dalam aplikasi, serta memberikan wawasan tentang kekuatan dan kelemahan dari sistem perbelanjaan Alfagift. Penelitian ini juga membuktikan efektivitas metode Naive Bayes dalam menganalisis sentimen secara otomatis dan memberikan insight yang berbasis data

Related SDGs