Article Per Year (5 Year)
p-Index From 2021 - 2026
1.555
P-Index
This Author published in this journals
All Journal JATI (Jurnal Mahasiswa Teknik Informatika)
Fathoni Fathoni
Sistem Informasi, Universitas Sriwijaya
Computer Science & IT

Published : 11 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 11 Documents
Search

 1   2 
ANALISIS PENGELOMPOKKAN INTENT PERCAKAPAN CHATBOT MENGGUNAKAN METODE TF-IDF DAN ALGORITMA K-MEANS Muhamad Ramadhan Heru Pradipta; Apriansyah Wahyudi Putra; Ramanuddin Jaya; Windah Kurnia Sari; Ken Ditha Tania; Fathoni Fathoni
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 3 (2026): JATI Vol. 10 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i3.18138

Abstract

Penggunaan chatbot yang kian masif saat ini menghasilkan lonjakan volume data log percakapan pengguna secara signifikan. Namun, hal ini memunculkan permasalahan berupa kesulitan dalam memetakan maksud (intent) pengguna yang sangat beragam dan tidak terstruktur jika proses evaluasi dilakukan secara manual. Oleh karena itu, penelitian ini bertujuan untuk menganalisis pengelompokan intent secara otomatis pada dataset percakapan chatbot multi-turn untuk menemukan pola topik yang dominan. Metode penyelesaian yang digunakan berlandaskan kerangka Knowledge Discovery in Database (KDD), meliputi transformasi teks dengan Term Frequency-Inverse Document Frequency (TF-IDF), pengelompokan data menggunakan algoritma K-Means Clustering, serta validasi cluster dengan Elbow Method dan Silhouette Score. Hasil penelitian menunjukkan pembentukan cluster optimal pada K=54 dengan Silhouette Score tertinggi sebesar 0,5353. Kombinasi metode ini terbukti efektif dan granular dalam memisahkan spektrum kebutuhan pengguna mulai dari edukasi teknis hingga hiburan sehingga dapat menjadi landasan evaluasi bagi pengembang chatbot ke depannya
MODEL PREDIKSI TINGGI MUKA AIR SUNGAI MUSI MENGGUNAKAN REGRESI LINEAR BERBASIS CURAH HUJAN DALAM MANAJEMEN BANJIR PALEMBANG Azera Pramesty; Cindy Dinata; Nyimas Princessa Syapeni; Fathoni Fathoni; Ali Ibrahim
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 3 (2026): JATI Vol. 10 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i3.18149

Abstract

Kota Palembang kerap mengalami banjir yang disebabkan oleh meluapnya Sungai Musi ketika curah hujan meningkat dengan intensitas tinggi. Kondisi tersebut menunjukkan perlunya suatu model prediksi yang mampu menggambarkan hubungan antara curah hujan dan kenaikan tinggi muka air sungai secara akurat, namun tetap sederhana untuk digunakan dalam proses pemantauan. Penelitian ini bertujuan untuk mengembangkan model prediksi tinggi muka air Sungai Musi dengan menggunakan metode regi linier sederhana. Penelitian dilakukan melalui pendekatan kuantitatif dengan memanfaatkan data sekunder berupa 72 data bulanan yang mencakup curah hujan dan tinggi muka air pada periode 2019–2024. Proses analisis dilakukan melalui uji korelasi Pearson untuk mengetahui kekuatan hubungan antarvariabel, dilanjutkan dengan pemodelan regresi serta pengujian akurasi menggunakan indikator RMSE, MAE, dan MAPE. Hasil analisis menunjukkan adanya hubungan positif yang cukup kuat antara curah hujan dan tinggi muka air sungai dengan nilai koefisien korelasi (r) sebesar 0,686 dan koefisien determinasi (R²) sebesar 0,47. Persamaan regresi yang dihasilkan adalah Y = 1,7708 + 0,002991X dengan tingkat kesalahan prediksi yang relatif rendah (MAPE 16,21%). Temuan ini menunjukkan bahwa regresi linier sederhana dapat dimanfaatkan sebagai indikator awal dalam pemantauan serta mitigasi potensi banjir di Kota Palembang
PREDIKSI TINGKAT KETERLIBATAN PEMAIN GAME ONLINE BERDASARKAN INTENSITAS DAN POLA AKTIVITAS BERMAIN MENGGUNAKAN PENDEKATAN HYBRID MACHINE LEARNING R.A Callista Salsabila; Aisy Intan Herita; Neisya Az Zahra; Winda Kurnia Sari; Ken Ditha Tania; Fathoni Fathoni
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 3 (2026): JATI Vol. 10 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i3.18152

Abstract

Pertumbuhan industri online games menghasilkan volume data aktivitas pemain yang sangat besar, sehingga analisis tingkat keterlibatan pemain (player engagement) secara manual menjadi kurang efektif. Permasalahan ini mendorong perlunya pendekatan analitik berbasis data untuk mengidentifikasi pola perilaku pemain secara lebih akurat. Penelitian ini bertujuan untuk memprediksi tingkat player engagement berdasarkan intensitas dan pola aktivitas bermain menggunakan pendekatan hybrid machine learning yang mengkombinasikan algoritma Logistic Regression dan Artificial Neural Network (ANN). Data yang digunakan berasal dari dataset publik Kaggle yang terdiri dari 40.034 data pemain dengan variabel target EngagementLevel yang diklasifikasikan ke dalam tiga kategori, yaitu Low, Medium, dan High. Dataset melalui tahapan data preprocessing dan dibagi menjadi data latih dan data uji dengan rasio 80:20. Kinerja model dievaluasi menggunakan metrik accuracy, precision, recall, F1-score, serta confusion matrix. Hasil penelitian menunjukkan bahwa model ANN mencapai akurasi sebesar 90,76% dengan rata-rata F1-score 0,91, lebih tinggi dibandingkan model Logistic Regression yang memperoleh akurasi 82% dengan F1-score 0,81. Analisis feature importance menunjukkan bahwa variabel PlayTimeHours dan SessionsPerWeek merupakan prediktor paling signifikan dalam menentukan tingkat keterlibatan pemain
ANALISIS SENTIMEN PUBLIK TERHADAP MASA KEPELATIHAN MICHAEL CARRICK DI MANCHESTER UNITED PADA MEDIA SOSIAL X: KOMPARASI ALGORITMA NAÏVE BAYES DAN SUPPORT VECTOR MACHINE Dymas Ahmad Fadhil; Muhamad Anandithyo Aftarudzaki; Rifqi Febrian; Windah Kurnia Sari; Ken Ditha Tania; Fathoni Fathoni
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 3 (2026): JATI Vol. 10 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i3.18166

Abstract

Analisis sentimen pada media sosial X merupakan pendekatan yang relevan untuk memahami opini publik terhadap isu olahraga, termasuk penilaian terhadap pelatih sepak bola. Perbedaan performa antar algoritma klasifikasi teks menjadi tantangan dalam memilih metode yang paling optimal untuk data berbahasa Indonesia. Penelitian ini bertujuan membandingkan efektivitas algoritma Naïve Bayes dan Support Vector Machine (SVM) dalam mengklasifikasikan sentimen publik terhadap masa kepelatihan Michael Carrick di Manchester United. Dataset terdiri dari 8.198 tweet berbahasa Indonesia dengan distribusi kelas positif dan negatif yang seimbang (masing-masing 50%). Preprocessing teks meliputi case folding, penghapusan noise, tokenisasi, stopword removal, dan normalisasi slang. Ekstraksi fitur menggunakan TF-IDF Vectorizer (max_features=5.000) dengan rasio pembagian data 80:20 (random_state=42). Hasil evaluasi menunjukkan Naïve Bayes mencapai akurasi 91,40%, sedangkan SVM mencapai 92,50%. SVM terbukti lebih unggul dengan selisih 1,10%, mengindikasikan bahwa SVM lebih efektif dalam menangani data teks media sosial olahraga berbahasa Indonesia yang berdistribusi seimbang.
ANALISIS PERBANDINGAN RANDOM FOREST DAN SUPPORT VECTOR MACHINE DALAM KLASIFIKASI TINGKAT RISIKO KECANDUAN JUDI ONLINE BERBASIS K-MEANS CLUSTERING PADA POLA TRANSAKSI PENGGUNA Annisa Olivia Rafidah; Kaisyah Azzahra; Trya Andini Banowati; Winda Kurnia Sari; Ken Ditha Tania; Fathoni Fathoni
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 3 (2026): JATI Vol. 10 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i3.18168

Abstract

Perkembangan teknologi digital telah meningkatkan akses publik ke berbagai platform hiburan daring, termasuk judi online, yang berpotensi menimbulkan risiko kecanduan dengan dampak negatif pada kondisi finansial, psikologis, dan sosial pengguna. Penelitian yang secara spesifik menganalisis tingkat risiko kecanduan judi online berdasarkan pola transaksi masih sangat terbatas, khususnya yang menggabungkan teknik clustering dan klasifikasi secara bersamaan. Penelitian ini bertujuan menganalisis dan membandingkan performa algoritma Random Forest dan Support Vector Machine (SVM) dalam mengklasifikasikan tingkat risiko kecanduan judi online berdasarkan pola transaksi pengguna. Data dari 2.286 pengguna terlebih dahulu dikelompokkan menggunakan K-Means Clustering (k=2) untuk menghasilkan label kelas, kemudian diklasifikasikan menggunakan kedua algoritma dengan penanganan ketidakseimbangan kelas melalui parameter class_weight='balanced'. Hasil evaluasi menunjukkan bahwa Random Forest mencapai akurasi 98,47%, mengungguli Support Vector Machine (SVM) dengan kernel RBF yang mencapai 98,03%. Random Forest juga unggul pada 7 dari 9 metrik evaluasi dan menghasilkan lebih sedikit kesalahan prediksi (7 dari 458 data uji) dibandingkan Support Vector Machine (SVM) (9 dari 458). Random Forest direkomendasikan sebagai model yang lebih efektif untuk klasifikasi risiko kecanduan judi online berbasis pola transaksi pengguna.
ANALISIS PENGARUH FAKTOR METEOROLOGI TERHADAP KONSENTRASI PM2.5 GLOBAL DAN IMPLIKASINYA TERHADAP KESEHATAN MASYARAKAT MENGGUNAKAN RANDOM FOREST DAN XGBOOST Fathoni Fathoni; Jovandra Anata Malayadza; Fitri Amanda; Audya Anggraini Hasim; Winda Kurnia Sari; Ken Ditha Tania
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 3 (2026): JATI Vol. 10 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i3.18169

Abstract

PM2.5 merupakan partikel udara berdiameter ≤2,5 µm yang bersumber dari emisi kendaraan, industri, dan pembakaran biomassa, dan telah menjadi ancaman kesehatan global yang berkontribusi terhadap jutaan kematian akibat penyakit kardiovaskular dan pernapasan. Hubungan antara faktor meteorologi dan konsentrasi PM2.5 bersifat non-linear dan kompleks sehingga tidak dapat dimodelkan secara memadai menggunakan pendekatan statistik konvensional, sementara kajian integratif skala global yang menghubungkan meteorologi, PM2.5, dan implikasi kesehatan masih terbatas. Penelitian ini bertujuan menganalisis pengaruh faktor meteorologi terhadap konsentrasi PM2.5 secara global serta mengevaluasi implikasinya terhadap kesehatan masyarakat berdasarkan standar WHO AQG 2021. Analisis dilakukan menggunakan Random Forest dan XGBoost terhadap Global Air Quality Data yang mencakup 10.000 observasi dari 20 kota di 19 negara dengan variabel input suhu, kelembapan, dan kecepatan angin. Meskipun kemampuan prediksi kuantitatif terbatas akibat kompleksitas data global, Random Forest menunjukkan performa lebih baik dibanding XGBoost dengan MAE 36,31 dan RMSE 42,45. Kecepatan angin, kelembapan, dan suhu teridentifikasi sebagai faktor paling berpengaruh, dengan 79% data berada pada kategori tidak sehat hingga berbahaya berdasarkan WHO AQG 2021
ANALISIS KOMPARASI ALGORITMA K-MEANS DAN HIERARCHICAL CLUSTERING UNTUK SEGMENTASI PELANGGAN DALAM MENGGUNAKAN METODE PEMBAYARAN Rifqi Muhammad Rifat; M Andre Yunizar; Hori Fahmi; Winda Kurnia Sari; Ken Ditha Tania; Fathoni Fathoni
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 3 (2026): JATI Vol. 10 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i3.18173

Abstract

Transformasi digital dalam industri ritel menuntut pemanfaatan data transaksi melalui machine learning untuk memahami perilaku belanja pelanggan secara tepat. Namun, keterbatasan dalam mengenali profil pelanggan berdasarkan pola pembayaran digital sering kali menyebabkan strategi pemasaran tidak tepat sasaran dan kurang personal. Penelitian ini bertujuan melakukan analisis komparatif antara algoritma K-Means dan Hierarchical Clustering untuk menentukan metode segmentasi pelanggan yang paling akurat berdasarkan metode pembayaran. Penelitian ini menggunakan pendekatan kuantitatif pada 3900 data sekunder, kualitas klaster dievaluasi melalui metrik Silhouette Score, Calinski-Harabasz, dan Davies-Bouldin Index. Hasil penelitian menunjukkan bahwa kedua algoritma mampu membentuk lima klaster pelanggan dengan kualitas pemisahan yang sangat baik. Secara spesifik, K-Means menunjukkan kinerja sedikit lebih unggul dengan nilai Silhouette Score 0,8606 dibandingkan Hierarchical Clustering sebesar 0,8595. Temuan ini berhasil memetakan profil pelanggan berdasarkan metode pembayaran dominan seperti Debit Card, PayPal, dan Cash, yang dapat menjadi landasan strategis bagi perusahaan dalam merancang strategi pemasaran yang lebih personal serta tepat sasaran
ANALISIS KOMPARATIF ALGORITMA MACHINE LEARNING UNTUK KLASIFIKASI BINER STATUS KESEHATAN MENTAL PADA TEKS MEDIA SOSIAL Ahmad Rijal Khairullah; Fuad Kanifudin; Habil Al-Farisy; Winda Kurnia Sari; Ken Ditha Tania; Fathoni Fathoni
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 3 (2026): JATI Vol. 10 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kesehatan mental merupakan isu global yang krusial, di mana media sosial menjadi wadah utama bagi pengguna untuk mengekspresikan kondisi psikologisnya. Namun, tingginya volume data teks dan ketidakseimbangan kelas gangguan mental membuat deteksi secara manual menjadi tidak efisien dan rentan terhadap subjektivitas. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja algoritma Machine Learning, yakni Logistic Regression dan Random Forest, dalam mengklasifikasikan status kesehatan mental secara biner. Metodologi yang digunakan meliputi pemrosesan 53.043 data teks berbahasa Inggris yang disederhanakan menjadi dua kelas, yaitu normal dan not_normal. Teks tersebut diekstraksi menggunakan Term Frequency-Inverse Document Frequency (TF-IDF) dengan batasan 8.000 fitur unigram dan bigram, kemudian dibagi menjadi 80% data latih dan 20% data uji secara stratifikasi. Hasil pengujian menunjukkan bahwa kedua model berkinerja stabil dan sangat baik. Random Forest sedikit lebih unggul dengan tingkat akurasi 93,68%, dibandingkan Logistic Regression yang mencapai 93,65%. Kedua model sama-sama mencatatkan F1-Score sebesar 94%. Pendekatan ini terbukti efisien dan sangat akurat sebagai landasan sistem deteksi dini kesehatan mental secara otomatis
ANALISIS SENTIMEN KONSUMEN WANITA GENERASI Z TERHADAP INDUSTRI FAST FASHION MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) M. Riswandifa Putra Alenky; Azzahra Dezza Syahputri; An'nur Aisyah Ghaidah Senjaya Mangkunegara; Winda Kurnia Sari; Ken Ditha Tania; Fathoni Fathoni
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 3 (2026): JATI Vol. 10 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i3.18189

Abstract

Industri fast fashion berkembang pesat namun berdampak destruktif bagi lingkungan melalui emisi karbon dan akumulasi limbah tekstil. Meskipun Generasi Z memiliki kesadaran ekologis tinggi, mereka sering terjebak dalam perilaku konsumsi impulsif akibat pengaruh media sosial dan praktik greenwashing perusahaan yang memicu skeptisisme. Fenomena ini menciptakan kesenjangan antara nilai dan tindakan nyata (value-action gap) di kalangan konsumen muda. Penelitian ini bertujuan untuk menganalisis sentimen Generasi Z terhadap industri fast fashion serta mengevaluasi kinerja algoritma Support Vector Machine (SVM) dalam mengklasifikasikan opini publik. Metode penelitian menggunakan dataset “Womens Clothing E-Commerce Reviews” dari Kaggle yang diolah melalui pipeline machine learning meliputi praproses teks, ekstraksi fitur TF-IDF, dan klasifikasi SVM dengan kernel linear. Hasil eksperimen pada platform Google Colab menunjukkan bahwa algoritma SVM mampu mencapai tingkat akurasi kompetitif pada rentang 84% hingga 90%. Model terbukti stabil dalam menangani karakteristik bahasa informal konsumen muda dan efektif memetakan pola sentimen sebagai landasan strategis bagi peningkatan transparansi industri fashion di masa depan
ANALISIS KOMPARATIF RANDOM SURVIVAL FOREST DAN COX PROPORTIONAL HAZARDS MODEL DALAM PREDIKSI KELANGSUNGAN HIDUP DAN FAKTOR PROGNOSTIK PADA PASIEN AMYOTROPHIC LATERAL SCLEROSIS Marizka Riffiy Alfiyah; Fadiah Tussholiha; Halona Daffakhansa Nabila; Fathoni Fathoni; Ali Ibrahim
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 3 (2026): JATI Vol. 10 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i3.18198

Abstract

Amyotrophic Lateral Sclerosis (ALS) merupakan penyakit neurodegeneratif progresif dengan heterogenitas klinis tinggi yang menyulitkan prediksi kelangsungan hidup pasien secara akurat. Kondisi ini menjadi tantangan besar dalam manajemen klinis dan perencanaan paliatif. Permasalahan utama muncul karena model statistik konvensional sering kali terbentur pada pelanggaran asumsi fungsional saat menangani data klinis kompleks, dinamis, dan memiliki tingkat censoring tinggi. Ketidakmampuan model menangkap interaksi non-linier antar variabel menyebabkan penurunan akurasi prognosis. Oleh karena itu, penelitian ini melakukan analisis komparatif antara Cox Proportional Hazards (CPH) dan Random Survival Forest (RSF) untuk mengevaluasi performa prediksi survival serta mengidentifikasi faktor prognostik paling berpengaruh. Metodologi penelitian menggunakan data longitudinal dari PRO-ACT database, meliputi tahapan pra-pemrosesan data, penanganan missing values, serta rekayasa fitur slope ALSFRS-R. Hasil pengujian menunjukkan model CPH melanggar asumsi proporsionalitas pada variabel klinis utama (p < 0,05). Namun secara empiris, CPH menunjukkan daya diskriminasi superior dengan Concordance Index (C-index) sebesar 0,91, mengungguli RSF yang mencapai 0,85. Analisis permutation importance pada RSF mengidentifikasi durasi diagnosis (Length_Diag_LNA) sebagai prediktor paling dominan. Penelitian menyimpulkan bahwa meskipun CPH memberikan akurasi prediksi lebih tinggi, Hasil analisis menunjukkan bahwa RSF merupakan metode yang lebih efektif untuk prediksi kelangsungan hidup dan faktor prognosis pada kasus ALS.
Co-Authors Ahmad Rijal Khairullah Aisy Intan Herita Ali Ibrahim An'nur Aisyah Ghaidah Senjaya Mangkunegara Annisa Olivia Rafidah Apriansyah Wahyudi Putra Audya Anggraini Hasim Azera Pramesty Azzahra Dezza Syahputri Cindy Dinata Dymas Ahmad Fadhil Fadiah Tussholiha Fitri Amanda Fuad Kanifudin Habil Al-Farisy Halona Daffakhansa Nabila Hori Fahmi Jovandra Anata Malayadza Kaisyah Azzahra Ken Ditha Tania Ken Ditha Tania M Andre Yunizar M Luthfi Aldi Pratama M Rafly Ramdhani M. Riswandifa Putra Alenky Marizka Riffiy Alfiyah Muhamad Anandithyo Aftarudzaki Muhamad Ramadhan Heru Pradipta Muhammad Emirshah Yusuf Neisya Az Zahra Nyimas Princessa Syapeni R.A Callista Salsabila Ramanuddin Jaya Rifqi Febrian Rifqi Muhammad Rifat Trya Andini Banowati Winda Kurnia Sari Winda Kurnia Sari Windah Kurnia Sari