Article Per Year (5 Year)
p-Index From 2021 - 2026
0.961
P-Index
This Author published in this journals
All Journal JATI (Jurnal Mahasiswa Teknik Informatika)
Winda Kurnia Sari
Sistem Informasi, Universitas Sriwijaya
Computer Science & IT

Published : 6 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 6 Documents
Search

 1 
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 FILM AGAK LAEN MENYALA PANTIKU MENGGUNAKAN METODE SUPPORT VECTOR MACHINE Nadhilah Al Adawiyah; Nadia Ramadhani; Salsa Yurinka; 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.v10i3.18161

Abstract

Media sosial merupakan salah satu sarana bagi publik untuk menyampaikan opini dan ulasan terhadap berbagai topik, termasuk film, yang dapat memengaruhi persepsi publik secara luas. Film “Agak Laen: Menyala Pantiku!” merupakan salah satu film yang ramai diperbincangkan di platform X sehingga menghasilkan beragam tanggapan dari pengguna. Banyaknya data opini yang tersedia dalam bentuk teks tidak terstruktur menyebabkan proses analisis secara manual menjadi kurang efektif. Oleh karena itu, penelitian ini bertujuan untuk mengklasifikaskan sentimen opini pengguna platform X terhadap film “Agak Laen: Menyala Pantiku!” ke dalam tiga kategori positif, negatif, dan netral. Data penelitian dikumpulkan melalui proses crawling dari platform X, kemudian diproses melalui tahap preprocessing teks serta pembobotan fitur menggunakan metode TF-IDF. Proses klasifikasi kemudian diterapkan menggunakan algoritma Support Vector Machine (SVM). Berdasarkan hasil pengujian, model SVM mampu mengklasifikasikan sentimen dengan tingkat akurasi sebesar 80%. Distribusi sentimen menunjukkan bahwa sentimen positif memiliki jumlah paling tinggi, diikuti oleh sentimen netral, sedangkan sentimen negatif relatif lebih sedikit. Temuan ini mengindikasikan bahwa sebagian besar tanggapan publik terhadap film tersebut bersifat positif, terutama terkait unsur komedi yang menjadi daya tarik utama film.
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 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
Co-Authors Aisy Intan Herita An'nur Aisyah Ghaidah Senjaya Mangkunegara Annisa Olivia Rafidah Audya Anggraini Hasim Azzahra Dezza Syahputri Fathoni Fathoni Fitri Amanda Hori Fahmi Jovandra Anata Malayadza Kaisyah Azzahra Ken Ditha Tania Ken Ditha Tania M Andre Yunizar M. Riswandifa Putra Alenky Nadhilah Al Adawiyah Nadia Ramadhani Neisya Az Zahra R.A Callista Salsabila Rifqi Muhammad Rifat Salsa Yurinka Trya Andini Banowati