Article Per Year (5 Year)
p-Index From 2020 - 2025
0.947
P-Index
This Author published in this journals
All Journal Jurnal CoreIT INOVTEK Polbeng - Seri Informatika JOURNAL OF INFORMATION SYSTEM RESEARCH (JOSH) Malcom: Indonesian Journal of Machine Learning and Computer Science Indonesian Journal of Innovation Multidisipliner Research
Vitriani, Yelfi
Unknown Affiliation
Religion Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Decision Sciences, Operations Research & Management Education Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Social Sciences Other

Published : 5 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search

 1 
Sistem Pendukung Keputusan untuk Rekomendasi Pemilihan Guru Terbaik Menggunakan Metode Simple Additive Weighting Sapitri, Janaria; Vitriani, Yelfi; Haerani, Elin; Kurnia, Fitra
Indonesian Journal of Innovation Multidisipliner Research Vol. 2 No. 2 (2024): June
Publisher : Institute of Advanced Knowledge and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/ijim.v2i2.139

Abstract

Guru yang profesional dibutuhkan di sekolah-sekolah, seperti SMKN Kehutanan Pekanbaru, untuk memberikan pengalaman belajar mengajar yang unggul. Oleh karena itu, sekolah terus berupaya untuk meningkatkan kualitas guru dengan menilai bagaimana para pengajar menjalankan tugasnya untuk memastikan mereka memenuhi kriteria kompetensi. Sistem pendukung keputusan adalah sistem yang dapat memecahkan masalah dan menanganinya tujuannya bukan untuk menggantikan pengambil dilanjutkan dengan prosedur perangkingan untuk menemukan alternatif terbaik dari daftar pilihan keputusan, melainkan untuk membantu merekomendasikan pengambil keputusan. Simple Additive Weighting (SAW) adalah metode yang populer dalam sistem pendukung keputusan karena dapat menetapkan nilai pembobotan untuk setiap fitur dan kemudian yang tersedia. Pada contoh kasus ini, metode SAW (simple additive weighting) yang digunakan untuk memilih guru terbaik di SMKN Kehutanan Pekanbaru berhasil membantu pengguna, dan diperoleh rekomendasi guru terbaik yaitu A12 dengan nilai akhir 0,95. Berdasarkan pengujian UAT, diperoleh hasil 85% yang menandakan bahwa aplikasi ini dapat diterima dengan baik oleh pengguna.
Diagnosis Dini Penyakit Gagal Ginjal Dengan Metode Dempster Fakhira, Adzra; Insani, Fitri; Irsyad, Muhammad; Vitriani, Yelfi; Kurnia, Fitra
Jurnal Inovtek Polbeng Seri Informatika Vol 8, No 2 (2023)
Publisher : P3M Politeknik Negeri Bengkalis

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35314/isi.v8i2.3728

Abstract

Terlambatmendeteksipenyakitgagalginjalakanberakibatseriuskarenadiagnosisbiasanya terjadiketika masalah ginjal sudah mencapai tingkat parah. Seperti yang telah terjadi di Indonesia pada tahun 2022 lalu, terdapat 324 kasus terkonfirmasi dan 195 diantaranya meninggal dunia. Hal yang mempengaruhiketerlambatankesadaranpenderitaadalahpengetahuanyangkurangterhadapbahayapenyakit gagal ginjal. Penyakit gagal ginjal dapat disebabkan oleh dehidrasi, penyakit kronis seperti hypertensi dan diabetes, serta kekurangan banyak darah akibat  cedera atau operasi. Penggunaan teknologi dapat terwujud melalui pembuatan sistem pakardengan metode Dempster Shafer guna mendiagnosis penyakit gagal ginjal.Dalam sistem pakardiagnosis dini penyakit gagal ginjal ini penggunadiperintahkan agar mengisi data diri singkatdan gejala-gejala yang dialami. Selanjutnya sistem akan mengkombinasi gejala yang telahdipilih dengan metode Dempster Shafer menggunakan teori kepercayaan pakar sehingga mendapatkan hasil diagnosis berupa persentase pengguna mengidap penyakit gagal ginjal akut atau kronis, dan solusi untuk tindakan pengguna berikutnya. Penelitian ini telah menghasilkan sistem yang mampu mendiagnosis penyakit gagal ginjal dan dapat diterima dengan baik oleh pengguna
Audit Tata Kelola Teknologi Informasi Pada Universitas Hang Tuah Pada Domain Deliver and Support COBIT 4.1: Audit of Information Technology Governance at Hang Tuah University using the Deliver and Support Domain of COBIT 4.1 Siddik, Muhammad Khoirun; Novriyanto, Novriyanto; Vitriani, Yelfi; Darmizal, Teddie
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 4 No. 3 (2024): MALCOM July 2024
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v4i3.1299

Abstract

Universitas Hang Tuah Pekanbaru (UHTP) merupakan suatu lembaga pendidikan yang berada dibawah naungan yayasan Hang Tuah Pekanbaru. Univ Hang Tuah telah menerapkan teknologi informasi (TI) dalam mendukung kegiatan akademik dan administrasi. Penerapan TI tersebut tentu dapat menimbulkan berbagai permasalahan seperti yang terjadi pada UHTP di antaranya adalah telah terjadi peretasan pada website akademik yang mengakibatkan terhambatnya penyampaian informasi kepada seluruh pengguna sistem. Berdasarkan permasalahan yang terjadi di Univ Hang Tuah maka dilakukan audit untuk mengukur tingkat kematangan dan memberikan rekomendasi tata kelola perbaikan setelah mengetahui kesenjangan antara tatakelola saat ini dengan tatakelola yang diharapkan sesuai dengan framework COBIT 4.1 yang fokus pada domain Deliver and Support (DS). Teknik pengumpulan data dilakukan dengan wawancara dan kuesioner kepada narasumber yang telah dipilih berdasarkan RACI Chart. Metode analisis data dilakukan dengan penghitungan nilai skor tiap subdomain, penghitungan nilai rata rata subdomain, penghitungan nilai kematangan, pemetaan tingkat kematangan dan pemberian rekomendasi sesuai dengan tingkat kematangan dan mengacu pada maturity model COBIT 4.1. Hasil penelitian diperoleh nilai maturity level pada domain Deliver and Support (DS) adalah 3,121 Defined. Hal ini berarti bahwa Universitas Hang Tuah Pekanbaru telah memiliki standarisasi prosedur yang telah dipraktekan dan telah didokumentasikan serta dikomunikasikan melalui pelatihan.
Klasifikasi Kelayakan Air Minum dengan Backpropagation Neural Network Berbasis Penanganan Missing Value dan Normalisasi Kurniawan, Saifur Yusuf; Sanjaya, Suwanto; Vitriani, Yelfi; Afrianty, Iis
Journal of Information System Research (JOSH) Vol 6 No 1 (2024): Oktober 2024
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/josh.v6i1.5871

Abstract

The issue of drinking water quality and its suitability for human consumption represents a significant concern in contemporary society, particularly in the context of maintaining public health. The existing research on the classification of drinking water eligibility has yet to yield conclusive results. The objective of this research is to utilize the backpropagation neural network method to categorize drinking water feasibility data, thereby ensuring that the water consumed meets established safety standards. The data utilized in this study were obtained from an open repository and encompass a total of 3,276 data points. The data set comprises nine water quality parameter attributes, namely pH, hardness, solids, chloramines, sulfate, conductivity, organic carbon, trihalomethanes, and turbidity. The data underwent a series of pre-processing steps, including the removal of missing values, the replacement of missing values with the average value of the attribute, and normalization using the MinMax Scaler and Z-score methods. The artificial neural network architecture comprises three principal components: input, hidden, and output neurons. The optimal architecture scenario is [9; 17; 15; 10; 1], comprising nine input neurons, 17 neurons in the initial hidden layer, 15 neurons in the second hidden layer, 10 neurons in the third hidden layer, and a single output neuron. The evaluation results demonstrate that this model effectively classifies drinking water eligibility data with an accuracy rate of 0.6579. However, the results indicate that the accuracy achieved requires further improvement for more reliable applications. These findings illustrate the promising potential of the BPNN method in classifying drinking water quality data.
Optimizing Student Depression Prediction Using Particle Swarm Optimization and Random Forest Effendi, Mukhammad Khoirul; -, Sriyanto; Irianto, Suhendro Yusuf; Fauzi, Chairani; Vitriani, Yelfi
Jurnal CoreIT: Jurnal Hasil Penelitian Ilmu Komputer dan Teknologi Informasi Vol 11, No 1 (2025): June 2025
Publisher : Fakultas Sains dan Teknologi, Universitas Islam Negeri Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24014/coreit.v11i1.35954

Abstract

Student mental health is a growing concern due to increasing academic pressure, social demands, and economic factors affecting their well-being. Depression, a common issue among students, significantly impacts academic performance and overall quality of life. Therefore, early detection and accurate prediction of student mental health conditions are essential to provide timely interventions. This study aims to improve the accuracy of depression prediction among university students by integrating Particle Swarm Optimization (PSO) for feature selection with Random Forest (RF) as the classification model. The dataset used is the Student Depression Dataset from Kaggle, consisting of 27,900 respondents with 18 features related to demographic, academic, and psychological factors. Data preprocessing includes handling missing values, normalization, categorical encoding, and feature selection using PSO. The model is trained and evaluated using 10-Fold Cross-Validation. Experimental results show that PSO-optimized Random Forest outperforms the standard Random Forest model. The optimized model achieves an accuracy of 84.08%, precision of 82.79%, recall of 77.79%, and an AUC-ROC score of 0.912, improving classification performance. These findings demonstrate that PSO effectively enhances feature selection, leading to better classification accuracy. This study contributes to the development of a more accurate and efficient machine learning model for detecting student depression. By optimizing feature selection, this approach reduces computational complexity while maintaining high predictive performance. Future research can explore hybrid optimization techniques such as Genetic Algorithm (GA) or Differential Evolution (DE) to further enhance model generalization across different datasets.
Co-Authors Darmizal, Teddie Effendi, Mukhammad Khoirul Elin Haerani Fakhira, Adzra Fauzi, Chairani Fitri Insani Iis Afrianty kurnia, fitra Kurniawan, Saifur Yusuf Muhammad Irsyad Novriyanto Novriyanto Sapitri, Janaria Siddik, Muhammad Khoirun Sriyanto Sriyanto Suwanto Sanjaya Y. Suhendro