Article Per Year (5 Year)
p-Index From 2019 - 2024
0.408
P-Index
This Author published in this journals
All Journal Paradigma Jurnal Teknologi Informatika dan Komputer
Deny Novianti
STMIK Nusa Mandiri Jakarta
Computer Science & IT Electrical & Electronics Engineering

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

Found 2 Documents
Search

 1 
Implementasi Algoritma Naïve Bayes Pada Data Set Hepatitis Menggunakan Rapid Miner Deny Novianti
Paradigma Vol 21, No 1 (2019): Periode Maret 2019
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (246.005 KB) | DOI: 10.31294/p.v21i1.4979

Abstract

One of the diseases anticipated by doctors is hepatitis. This is because if the patient is not detected from the beginning having hepatitis, then the disease will develop into liver cancer. It can be seen that cancer is one of the deadliest diseases in the world that there are no drugs used for healing. By utilizing this increasingly developing science, researchers try to predict or classify whether a patient has suffered from hepatitis sickness based on the results of tests that have been undertaken before. One data mining technique can be used to predict Hepatitis and the method used is Naive Bayes. The data used is sourced from the UCI Repository with the web address https://archive.ics.uci.edu/ml/datasets/Hepatitis . The amount of data available is 155 data with 123 patients with Life hepatitis and 32 patients with Die hepatitis. The attributes contained in this hepatitis dataset are: Age, Sex, Steroids, Antivirals, Fatigue, Malaise, Anorexia, Big Liver, Liver Firm, Spleen Palpable, Spiders, Ascites, Varices, Bilirubin, Alk Phosphate, Sgot, Albumin, Protime, Histology , and Class (predictive result attribute). From the results of the research that has been done, it can be concluded that the Naive Bayes method includes an accurate algorithm to predict because the results of accuracy using Rapid Miner show more than 50% which is equal to 76.77%. With the highest Precision Class results of 98.88% for "Life" predictions, and Class Recall of 96.88% for "Die" Predictions.
Sistem Penunjang Keputusan Pemilihan Laptop Menggunakan Metode Simple Additive Weighting Deny Novianti; Andika Bayu Hasta Yanto
Jurnal Teknologi Informatika dan Komputer Vol 5, No 2 (2019): Jurnal Teknologi Informatika dan Komputer
Publisher : Universitas Mohammad Husni Thamrin

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37012/jtik.v5i2.177

Abstract

Saat ini laptop bukanlah lagi dianggap sebagai barang yang mewah, tetapi sudah seperti menjadi sebuah kebutuhan. Karena hampir disetiap aktifitas perkantoran, perkuliahan, bahkan di sekolah pun kini sudah menggunakan laptop sebagai alat untuk mengerjakan pekerjaan ataupun tugas. Sebagai pengguna pastinya akan sangat bingung dan kesulitan dalam memilih laptop mana yang harus dibeli sesuai dengan kebutuhan untuk jurusan multimedia. Untuk itu dapat digunakan sebuah metode pengambilan keputusan yang dapat membantu dalam pengambilan keputusan tersebut. Dan metode yang dipilih untuk menyelesaikan permasalahan dengan pilihan beberapa kriteria adalah Simple Additive Weighting (SAW), salah satu metode yang dapat digunakan untuk memecahkan masalah Fuzzy MADM. Dari hasil pengolahan data yang telah dilakukan yang melibatkan beberapa alternatif, dapat dihasilkan manakah laptop terbaik yang sesuai dengan kebutuhan berdasarkan peringkat yang dihasilkan menunjukkan bahwa alternatif yang paling unggul. Dengan demikian Metode Simple Additive Weighting (SAW) merupakan salah satu metode yang dapat digunakan untuk membantu dalam menentukan sebuah keputusan dengan melibatkan beberapa pilihan alternatif yang juga sesuai dengan kriteria yang diinginkan oleh pembuat. Dan pemberian nilai preferensi (bobot) pada data tiap kriteria sangat berpengaruh pada tingkat perangkingan untuk setiap alternatif.
Co-Authors Andika Bayu Hasta Yanto