Article Per Year (5 Year)
p-Index From 2021 - 2026
1.318
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi dan Ilmu Komputer Jurnal Tekinkom (Teknik Informasi dan Komputer) Jurnal Infortech Infotek : Jurnal Informatika dan Teknologi Indonesian Journal Computer Science (ijcs) Journal Medical Informatics Technology Indonesian Community Service Journal of Computer Science
Winnarto, Monikka Nur
Unknown Affiliation
Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Engineering Environmental Science Library & Information Science Medicine & Pharmacology Public Health

Published : 9 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 9 Documents
Search

 1 
Ekstraksi Fitur Dan Implementasi Machine Learning Untuk Klasifikasi Jenis Tumor Otak Winnarto, Monikka Nur
Jurnal Infortech Vol 6, No 1 (2024): Juni 2024
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/infortech.v6i1.21987

Abstract

Tumor Otak merupakan penyakit yang mematikan dan dapat menyerang siapa saja.  Tumor otak menempati urutan ke-10 sebagai penyebab kematian baik pada pria maupun wanita.  Tumor pada otak dapat dideteksi melalui pemeriksaan Magnetic Resonance Imaging (MRI). Dengan mengolah citra yang dihasilkan oleh alat MRI dapat dikembangkan metode pendeteksian tumor otak yang mampu mendeteksi dan mengklasifikasika tumor yaitu dengan menggunakan Ekstraksi Fitur dan Machine Learning untuk klasifikasi jenis tumor otak. Dalam penelitian ini, proses klasifikasi dilakukan dalam tiga langkah, Pre-processing yang mengubah ukuran citra, ekstraksi fitur yang mengambil informasi (fitur) dari warna, bentuk dan teksturnya, kemudian diikuti dengan melatih data dan dilakukan pengujian menggunakan metode Machine Learning. Hasil dari penelitian ini adalah untuk mengklasifikasikan jenis Tumor Otak. Dari hasil pengujian menggunakan empat metode ekstraksi fitur dan tujuh metode klasifikasi, performa terbaik untuk klasifikasi jenis tumor otak adalah menggunakan Global Feature Exctraction dan klasifikasi Random Forest dengan tingkat akurasi yang baik yaitu sebesar 88%.
Application of Deep Learning with ResNet50 for Early Detection of Melanoma Skin Cancer Khasanah, Nurul; Winnarto, Monikka Nur
Journal Medical Informatics Technology Volume 2 No. 1, March 2024
Publisher : SAFE-Network

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37034/medinftech.v2i1.31

Abstract

Cancer is a type of disease that can be fatal. Some of the cancers with the highest death rates in Indonesia include uterine cancer, breast cancer and skin cancer. The most malignant types of skin cancer are melanoma, which has a high mortality rate, especially if not detected in the early stages, and non-melanoma skin cancer (NMS Cs). Management of this disease depends on whether the type of skin cancer is malignant (malignant) or non-malignant (benign). Therefore, we need a system that can classify types of skin cancer with high accuracy. In this research, the author will use deep learning with the InceptionV3 and ResNet50 algorithms to carry out classification. The aim of this research is to classify types of skin cancer using the InceptionV3 and ResNet50 architecture. The skin cancer dataset used consists of two classes, namely Benign and Malignant, with a total of 3297 data, consisting of 660 data for testing and 2637 data for training. Research stages include data acquisition, preprocessing, classification, and analysis of results. Experimental results show that ResNet-50 produces the best performance with an accuracy level of 0.87. Innovations from this research include using a larger dataset, testing two deep learning architectures, modifying hyperparameters, and using a different layer architecture, which produces better accuracy than previous research. It is hoped that the results of this research can be applied to classify skin cancer more accurately.
Analisa Prediksi Penyakit Hiv Menggunakan Random Forest Fatorohman, Muhammad Nabilla; Indriani, Karlena; Winnarto, Monikka Nur
Jurnal Infortech Vol 6, No 2 (2024): Desember 2024
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/infortech.v6i2.24436

Abstract

Human immunodeficiency virus (HIV) adalah infeksi yang menyerang sistem kekebalan tubuh dengan menargetkan sel darah putih, sehingga melemahkan sistem kekebalan. Akibatnya, penderita lebih rentan terhadap penyakit seperti tuberkulosis, infeksi, dan beberapa jenis kanker. HIV ditularkan melalui cairan tubuh orang yang terinfeksi, termasuk darah, ASI, air mani, dan cairan vagina, tetapi tidak menyebar melalui ciuman, pelukan, atau berbagi makanan. Penularan juga dapat terjadi dari ibu ke bayi. Penelitian ini bertujuan untuk menganalisis prediksi perkembangan penyakit HIV pada individu menggunakan algoritma Random Forest melalui aplikasi RapidMiner. Hasil pengujian data dengan algoritma Random Forest menunjukkan akurasi sebesar 92,86%, yang menandakan model prediksi yang baik. Nilai recall sebesar 91,43% menunjukkan tingkat keberhasilan sistem dalam mengidentifikasi informasi secara benar, sedangkan presisi sebesar 94,12% menunjukkan ketepatan sistem dalam memberikan informasi yang akurat. F1-Score sebesar 86,50% menunjukkan keseimbangan antara presisi dan recall, menggambarkan model yang efektif dalam analisis prediksi HIV
ANALISIS KINERJA METODE K-NEAREST NEIGHBORS PADA DATA JOB FAIR Purnamawati, Annida; Winnarto, Monikka Nur; Mailasari, Mely
Jurnal Tekinkom (Teknik Informasi dan Komputer) Vol 7 No 2 (2024)
Publisher : Politeknik Bisnis Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37600/tekinkom.v7i2.1617

Abstract

This study examines the performance of the K-Nearest Neighbors (KNN) method for classifying applicant data in data-driven job fair activities. The challenges faced include managing large volumes of applicant data and identifying optimal parameters for classification. The study uses a dataset containing 20,000 entries from Kaggle, with attributes such as skills, work experience, and completed projects. After data preprocessing, experiments were conducted using the KNN method with the Euclidean Distance algorithm, within a range of k values from 3 to 9. The results show that k = 3 provides the best performance with an accuracy of 65.00%, precision of 63.78%, recall of 71.88%, and an F1-score of 67.64%. The conclusion indicates that smaller k values capture local patterns better, while larger k values tend to reduce performance. This research contributes to the development of data-driven recruitment systems by enhancing the efficiency and accuracy of applicant selection. Further studies are recommended to explore additional optimization methods and feature combinations to improve classification accuracy.
Klasifikasi Diagnosis Penyakit Diabetes Menggunakan Algoritma C4.5 Cahyani, Indah Sagita; Indriani, Karlena; Winnarto, Monikka Nur
Jurnal Infortech Vol 7, No 1 (2025): Juni 2025
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/infortech.v7i1.26030

Abstract

Kesehatan memiliki peranan yang  sangat penting untuk menunjang kehidupan manusia, dengan memiliki kesehatan yang baik, manusia dapat melakukan aktifitas dengan produktif dalam sosialisasi atau ekonomi untuk mecapai tujuan hidup. Salah satu penyakit yang dapat mengakibatkan komplikasi bahkan kematian adalah penyakit diabetes. Angka kematian yang tinggi yang diakibatkan oleh penyakit diabetes sangat mengkhawatirkan, diagnosis dini begitu penting dilakukan untuk menekan angka kematian. Selain itu diagnosis dini juga merupakan titik awal penderita untuk mencegah terjadinya diabetes lebih parah dengan melakukan pola hidup sehat agar tidak mengalami komplikasi. Diagnosa penyakit diabetes pada manusia salah satunya dapat dilakukan dengan menerapkan algoritma Machine Learning yaitu C4.5. Penelitian ini bertujuan melakukan diagnosa penyakit diabetes untuk menghindari keterlambatan diagnosis yang dapat mengakibatkan komplikasi pada pasien pengidap penyakit diabetes dengan menggunakan Algoritma C4.5 dalam mendiagnosa dan membuat model prediksi yang menghasilkan sebuah pohon keputusan serta pengujian terhadap hasil diagnosa penyakit diabetes. Dalam penelitian ini terdapat beberapa atribut klasifikasi yaitu gender, age, urea, creatinine, HbA1c, cholesterol, trigeliserida, HDL, LDL, VLDL, dan BMI. Hasil dari penelitian ini dijadikan sebagai acuan untuk dapat melihat apakah seseorang terkena diabetes atau tidak. Hasil akhir dari penelitian ini yaitu menghasilkan nilai akurasi sebesar 99.47%, dimana nilai ini menandakan bahwa algoritma C4.5 mampu melakukan diagnosis penyakit diabetes dengan baik.
Implementasi Sistem Absensi dan Pengolahan Data Kehadiran Berbasis Website Di PT Binayasa Putrabatara Nurwanto, Candra Hadi; Indriani, Karlena; Winnarto, Monikka Nur
Indonesian Journal Computer Science Vol. 4 No. 2 (2025): Oktober 2025
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/ijcs.v4i2.10097

Abstract

Pencatatan kehadiran karyawan secara manual dinilai tidak lagi efektif karena berisiko terhadap kesalahan input, keterlambatan rekap data dan minimnya transparansi. PT Binayasa Putrabatara merupakan perusahaan yang bergerak di bidang pengelolaan gedung masih menggunakan sistem absensi manual yang menyulitkan dalam pemantauan disiplin kerja dan pelaporan kehadiran secara real-time. Pengembangan sistem absensi digital berbasis website sangat diperlukan untuk meningkatkan efisiensi administrasi sumber daya manusia (SDM) melalui pencatatan kehadiran secara otomatis, real time, akurat dan kemudahan dalam pengaksesan. Efisiensi diukur dengan pengurangan waktu untuk pencatatan absensi dan pembuatan laporan, serta pengurangan kesalahan input data yang sering terjadi dalam sistem manual. Metode pengembangan yang digunakan adalah Waterfall, dengan tahapan analisis kebutuhan, desain sistem, implementasi, pengujian, dan pemeliharaan. Sistem dikembangkan menggunakan framework Laravel, database MySQL, serta teknologi front end seperti HTML, CSS, dan JavaScript. Hasil implementasi menunjukkan bahwa sistem mampu mendukung proses absensi masuk dan pulang secara real-time, memungkinkan admin mengelola data karyawan serta menyusun laporan kehadiran secara efisien. Uji coba menggunakan metode black-box testing menunjukkan bahwa seluruh fitur utama sistem berjalan dengan baik dan sesuai dengan kebutuhan pengguna. Sistem absensi berbasis website yang dikembangkan berhasil meningkatkan keakuratan, transparansi data kehadiran serta efisiensi dalam administrasi SDM di perusahaan. 
Kombinasi K-NN dan Gradient Boosted Trees untuk Klasifikasi Penerima Program Bantuan Sosial Firasari, Elly; Khultsum, Umi; Winnarto, Monikka Nur; Risnandar, Risnandar
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 6: Desember 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.0813087

Abstract

Kemiskinan bagi pemerintah Indonesia termasuk masalah yang sulit untuk diselesaikan. Upaya yang dilakukan pemerintah dalam mengatasi kemiskinan di Indonesia yaitudengan  program bantuan sosial meliputiBLT (Bantuan Langsung Tunai), PKH (Program Keluarga Harapan), Raskin (Beras Miskin), dan lain lain. Dalam Pelaksanaan program bantuan sosial saat masih sangat terbatas sehingga dalam penerimaan program bantuan tidak tepat sasaran. Data mining membantu untuk menentukan keputusan dalam memprediksi data di masa yang akan datang. Gradient Boosted Trees dan K-NN merupakan salah satu metode data mining untuk klasifikasi data. Masing-masing metode tersebut memiliki kelemahan. Gradient Boosted Trees menghasilkan nilai persentase akurasi lebih rendah dibanding metode K-NN. Dari permasalahan tersebut maka diusulkan metode kombinasi K-NN dan Gradient Boosted Trees untuk meningkatkan akurasi pada pelaksanaan program bantuan sosial agar tepat sasaran. Metode K-NN, Gradient Boosted Trees, K-NN-Gradient Boosted Treesdilakukan pengujian pada data yang sama untuk mendapatkan hasil perbandingan nilai akurasi. Hasil pengujian membuktikan bahwa kombinasi tersebut menghasilkan nilai persentase yang tinggi dibanding metode K-NN atau Gradient Boosted Trees yaitu 98.17%.AbstractPoverty for the Indonesian government is a problem that is difficult to solve. The efforts made by the government in overcoming poverty in Indonesia are through social assistance programs including BLT (Bantuan Langsung Tunai), PKH (Program Keluarga Harapan), Raskin (Beras Miskin), and others. In the implementation of the social assistance program when it was still very limited, the acceptance of the aid program was not on target. Data mining helps to determine decisions in predicting data in the future. Gradient Boosted Trees and K-NN are data mining methods for data classification. Each of these methods has weaknesses. Gradient Boosted Trees produce lower accuracy percentage values than the K-NN method. From these problems, a proposed method of combination of K-NN and Gradient Boosted Trees is used to improve the accuracy of the implementation of social assistance programs so that it is right on target. The K-NN, Gradient Boosted Trees, and K-NN-Gradient Boosted Trees methods are tested on the same data to get a comparison of the accuracy values. The test results prove that the combination produced a high percentage value compared to the K-NN or Gradient Boosted Trees method that is 98.17%.
Penerapan Metode Waterfall dalam Pengembangan Aplikasi Schedule Maintenance Alat Produksi Mailasari, Mely; Winnarto, Monikka Nur; Purnamawati, Annida
Infotek: Jurnal Informatika dan Teknologi Vol. 7 No. 1 (2024): Infotek : Jurnal Informatika dan Teknologi
Publisher : Fakultas Teknik Universitas Hamzanwadi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29408/jit.v7i1.24080

Abstract

PT. Shiroki Indonesia Cikarang is moving on the field of automotive spare parts manufacturing such as window regulator, seat recliner, sear track as well as floor lock. The activity uses a tool/machine as a support to produce spare parts that have good quality. With so many of these machines, then the company needs to do the maintenance and also the maintenance of the machine well. Scheduling of maintenance and maintenance of machinery production equipment still uses the record on board and requires information from the operator to be submitted to the technician. Therefore, it is necessary to create a web-based maintenance schedule application that can facilitate the performance of the staff in making the maintenance schedule of the production equipment more effective and efficient as well as the availability of reports from the maitenance. The research method used is the waterfall method which has five stages namely needs analysis, design, program code making, testing and support or maintenance. The schedule maintenance application was created using the PHP programming language using the CodeIgniter framework and the MySql database.
SOSIALISASI PEMANFAATAN ARTIFICIAL INTELLIGENCE UNTUK MEDIA PROMOSI PADA LEGEND AUTO PART PONTIANAK: SOSIALISASI PEMANFAATAN ARTIFICIAL INTELLIGENCE UNTUK MEDIA PROMOSI PADA LEGEND AUTO PART PONTIANAK Annisa, Riski; Anna, Anna; Winnarto, Monikka Nur; Rahayuningsih, Panny Agustia
Indonesian Community Service Journal of Computer Science Vol. 2 No. 1 (2025): Periode Januari 2025
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/indocoms.v2i1.7779

Abstract

Perkembangan teknologi Artificial Intelligence (AI) membuka peluang baru bagi strategi pemasaran digital, terutama bagi usaha kecil dan menengah. Pengabdian masyarakat ini bertujuan mensosialisasikan pemanfaatan AI untuk media promosi pada Legend Auto Part Pontianak. Metode pelaksanaan meliputi analisis kebutuhan, pelatihan penggunaan AI, implementasi teknologi, serta monitoring dan evaluasi. Kegiatan difokuskan pada penggunaan chatbot di platform media sosial, iklan digital berbasis AI, dan analisis sentimen pelanggan. Hasil menunjukkan peningkatan signifikan dalam strategi pemasaran, termasuk layanan pelanggan otomatis, target iklan yang lebih presisi, dan pemahaman mendalam tentang perilaku konsumen. Implementasi AI memungkinkan Legend Auto Part Pontianak mengoptimalkan anggaran pemasaran, meningkatkan visibilitas produk, dan memberikan pengalaman pelanggan yang lebih baik, sehingga meningkatkan daya saing bisnis di era digital.
Co-Authors Anna Anna, Anna Cahyani, Indah Sagita Fatorohman, Muhammad Nabilla Firasari, Elly Karlena Indriani Khultsum, Umi Mely Mailasari Nurwanto, Candra Hadi Panny Agustia Rahayuningsih Purnamawati, Annida Riski Annisa Risnandar, Risnandar Veithzal Rivai Zainal