Article Per Year (5 Year)
p-Index From 2021 - 2026
2.859
P-Index
This Author published in this journals
All Journal Jurnal Pilar Nusa Mandiri JOURNAL OF APPLIED INFORMATICS AND COMPUTING PROCESSOR Jurnal Ilmiah Sistem Informasi, Teknologi Informasi dan Sistem Komputer EXPLORE Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi INFOKUM Infotek : Jurnal Informatika dan Teknologi Lumbung Inovasi: Jurnal Pengabdian Kepada Masyarakat EXPLORE Jurnal Kecerdasan Buatan dan Teknologi Informasi Jurnal Computer and Technology
erniwati, surni
Universitas Teknologi Mataram
Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Environmental Science Social Sciences

Published : 25 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : jurnal computer and technology

 1 
PERBANDINGAN METODE AGGLOMERATIVE HIERARCHICAL CLUSTERING DAN METODE KMEDOIDS DALAM PENGELOMPOKAN DATA TITIK PANAS KEBAKARAN HUTAN DI INDONESIA Tuhpatussania, Siti; Erniwati, Surni; Mutaqin, Zaenul
Journal Computer and Technology Vol. 2 No. 1 (2024): Juli 2024
Publisher : Ninety Media Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69916/comtechno.v2i1.146

Abstract

Rusaknya keseimbangan alam, dikarenakan hutan termasuk pemasok oksigen serta penyedia kebutuhan bagi makhluk hidup lainnya. Asap yang dihasilkan dari kebakaran hutan pun juga dapat mengganggu aktivitas kehidupan manusia. Indonesia merupakan salah satu negara yang memiliki resiko terkait kebakaran hutan dan lahan. Diperlukan suatu upaya untuk mencegah terjadinya kebakaran hutan dan lahan yaitu melalui pemantauan titik hotspot atau titik panas bumi. Pengelompokkan atau Clustering titik panas (hotspot) dilakukan untuk memudahkan dalam memantau area-area kawasan Indonesia yang memiliki potensi rawan kebakaran tertinggi. Parameter atau feature data yang digunakan dalam proses Clustering yaitu Brightness, Brightness_t3, FRP (Fire Radiactive Power) dan Confidence. Metode atau algoritma yang digunakan dalam proses Clustering titik hotspot menggunakan algoritma Kmedoids dan Agglomerative Hierarchical. Output dari kedua algoritma menghasilkan suatu cluster atau pengelompok daerah yang memiliki potensi kebakaran hutan rendah, sedang dan tinggi. Evaluasi pengujian meggunakan metode Silhouette Coefficient dan Davies Boulding Index.  Hasil pengujian nilai Silhouette Coefficient meggunakan algoritma Kmedoids sebesar 37% sedangkan Agglomerative Hierarchical sebesar 37.3%. Hasil pengujian menggunakan Davies Boulding Index menghasilkan nilai akurasi metode Kmedoids sebesar 90.3% sedangkan Agglomerative Hierarchical sebesar 90.9%. Hal ini menunjukkan bahwa proses Clustering menggunakan metode Kmedoids dan Agglomerative Hierarchical memiliki tingkat accuracy yang tidak jauh berbeda.
SISTEM PENGENALAN WAJAH DENGAN METODE VIOLA JONES DAN ALGORITMA EIGENFACE PRINCIPAL COMPONENT ANALYSIS (PCA) UNTUK PROSES PRESENSI Wahyuni, Wenti Ayu; Erniwati, Surni; Zaeniah
Journal Computer and Technology Vol. 2 No. 1 (2024): Juli 2024
Publisher : Ninety Media Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69916/comtechno.v2i1.147

Abstract

Dalam era digital, teknologi pengenalan wajah telah berkembang pesat dan diterapkan dalam berbagai bidang, termasuk sistem absensi. Sistem absensi konvensional sering menghadapi masalah seperti pemalsuan data, kehilangan kartu, dan ketidakefisienan. Teknologi pengenalan wajah menawarkan solusi yang lebih aman dan efisien dengan kemampuan mengidentifikasi individu secara otomatis dan akurat. Penelitian ini mengembangkan sistem absensi berbasis pengenalan wajah menggunakan metode Viola-Jones untuk deteksi wajah dan algoritma PCA Eigenface untuk pengenalan wajah. Metode Viola-Jones dikenal andal dalam deteksi wajah real-time, sementara PCA Eigenface efektif dalam mengurangi dimensi data wajah dan mempercepat proses pengenalan. Penggunaan metode tersebut berhasil dalam mendeteksi dan mengenali wajah dengan baik, dimana ditunjukkan dari hasil percobaan yang memperoleh hasil sebesar 96,25%. Percobaan dilakukan sebanyak 80 kali yang berasal dari 20 data wajah karyawan yang masing-masing di coba sebanyak 4 kali. Kata Kunci: Presensi, deteksi wajah, viola jones, algoritma Eigenface;
A Leakage-Aware Ensemble Framework for Imbalanced Tabular Data: Mitigating SMOTE Contamination in Hotel Cancellation Prediction Gibran Maulana Syamroni; Bahtiar Imran; Surni Erniwati; Zaeniah; Wenti Ayu Wahyuni
Journal Computer and Technology Vol. 4 No. 1 (2026): July 2026
Publisher : Ninety Media Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69916/comtechno.v4i1.514

Abstract

Predictive modeling on large-scale, imbalanced tabular data is frequently compromised by target leakage and improper resampling, leading to inflated performance metrics. While tree-based ensemble methods like Random Forest (RF) and XGBoost are widely deployed, their architectural divergence in handling complex behavioral anomalies under strict class imbalance remains underexplored. This study proposes a leakage-aware ensemble framework to mitigate SMOTE contamination and target leakage in hotel cancellation prediction. Using a rigorous CRISP-DM pipeline on 119,390 records, we applied SMOTE exclusively to the training set and engineered six behavioral features to capture non-linear contradictions, such as the counter-intuitive 99.36% cancellation rate in non-refund deposits. We systematically benchmarked RF (bagging) against XGBoost (boosting) using stratified 5-fold cross-validation, hyperparameter optimization, and loss curve monitoring. Results demonstrate that XGBoost structurally outperforms RF in minority-class detection, achieving superior Recall (0.6659), F1-Score (0.6607), and AUC-ROC (0.8657), with significantly lower variance (0.0035). Conversely, RF exhibited higher Precision (0.6588) and better cross-validation stability during hyperparameter search. Crucially, feature importance analysis revealed a structural divergence: RF prioritized temporal variables (lead_time), while XGBoost emphasized behavioral commitment signals (parking, special requests). These findings confirm that gradient boosting’s sequential residual-correction mechanism is inherently more robust than variance-reduction bagging for imbalanced tabular data containing complex, non-linear anomalies. The proposed leakage-free framework not only resolves methodological flaws in prior studies but also provides a reliable, proactive risk-scoring foundation for integrating real-time decision support systems in production environments.
Co-Authors - Sarjan - Sriasih Apsih, Denda Arwidiyarti, Dwinita Erfan Wahyudi Gibran Maulana Syamroni Hambali Hambali Imran, Bahtiar indriana, pathul Karim, Muh Nasirudin Lalu Isnaeni Rahman Muahidin, Zumratul Muhammad Multazam Mutaqin, Zaenul Salman Salman Sarjan, - Satriawan, Andre Sriasih, Sriasih St Tuhpatussania Subki, Ahmad Tuhpatussania, Siti wahyuni, wenti ayu Wenti Ayu Wahyuni Zaeniah Zaeniah Zaeniah zaeniah zaeniah Zaeniah Zaeniah