Article Per Year (5 Year)
p-Index From 2021 - 2026
1.203
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI) Jurnal Ilmu Komputer dan Agri-Informatika Jurnal Teknologi Informasi dan Ilmu Komputer Journal of Information Systems Engineering and Business Intelligence
Hardhienata, Medria Kusuma Dewi
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Computer Science & IT Electrical & Electronics Engineering Engineering

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

Found 3 Documents
Search
Journal : Jurnal Ilmu Komputer dan Agri-Informatika

 1 
Pengelompokan Publikasi Ilmiah Berdasarkan Bidang Kepakaran Menggunakan Latent Dirichlet Allocation dan Normalized PSO-K-means Hayatina, Fina Charisma; Wijaya, Sony Hartono; Hardhienata, Medria Kusuma Dewi
Jurnal Ilmu Komputer dan Agri-Informatika Vol. 10 No. 2 (2023)
Publisher : Departemen Ilmu Komputer, Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.10.2.121-132

Abstract

Salah satu cara untuk memvalidasi klaim kepakaran dosen adalah dengan meninjau dokumen publikasi ilmiah yang tersedia. Namun, menentukan kelompok kepakaran dari sejumlah dokumen memerlukan pengetahuan yang memadai dan waktu yang relatif lama, sehingga menjadi sulit dilakukan. Penelitian ini bertujuan untuk membangun suatu model yang dapat mengelompokkan dokumen berdasarkan bidang kepakaran. Penelitian ini menggunakan algoritma klasterisasi K-means untuk mengelompokkan dokumen berdasarkan bidang kepakaran dosen. Latent dirichlet allocation digunakan untuk mereduksi dimensi data, dan particle swarm optimization digunakan untuk menentukan centroid awal pada algoritma K-means. Hasil penelitian ini berhasil mengelompokkan dokumen publikasi ilmiah dengan nilai koefisien silhouette sebesar 0.42. Selain itu, penggunaan PSO sebagai penentu centroid optimal pada algoritma K-means dapat meningkatkan nilai koefisien silhouette sebesar 5.56%. Model yang dibangun dievaluasi dengan mencocokkan klaster yang dihasilkan dengan klaim yang diberikan. Hasilnya menunjukkan bahwa sebanyak 75% hasil pencocokan sesuai dan 25% tidak sesuai.
Prediksi Performa Akademik Mahasiswa untuk Kelulusan Predikat Cum Laude dengan Pendekatan Machine Learning Indra Kusuma Budiyanto , Firgiawan; Hermadi, Irman; Hardhienata, Medria Kusuma Dewi
Jurnal Ilmu Komputer dan Agri-Informatika Vol. 11 No. 1 (2024)
Publisher : Sekolah Sains Data, Matematika, dan Informatika. Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.11.1.39-49

Abstract

Penelitian ini bertujuan untuk mengembangkan model yang dapat memprediksi jumlah mahasiswa yang lulus dengan predikat cum laude pada perguruan tinggi. Penelitian ini menggunakan algoritma machine learning untuk klasifikasi sehingga dapat dilakukan prediksi. Hasil dari penelitian ini menunjukkan efektivitas model dalam memprediksi kelulusan cum laude agar dapat memberikan kesempatan bagi universitas untuk meningkatkan kualitas lulusan secara keseluruhan dan mengatasi penurunan standar kelulusan yang mungkin terjadi. Prediksi jumlah mahasiswa cum laude dilakukan pada penelitian ini, untuk membantu proses pengambilan keputusan oleh pemangku kebijakan pada perguruan tinggi. Dengan memanfaatkan teknik machine learning, institusi dapat mengantisipasi dan mendukung mahasiswa dalam mencapai predikat cum laude, sehingga diharapkan dapat meningkatkan kualitas lulusan secara keseluruhan. Dalam penelitian ini, dibandingkan tiga algoritma machine learning yakni algoritma Naïve Bayes, Random Forest, dan C4.5 untuk melakukan prediksi kelulusan mahasiswa dengan predikat cum laude. Hasil penelitian menunjukkan bahwa dalam kasus ini kinerja terbaik dicapai oleh algoritma Naïve Bayes dengan nilai akurasi 87.60%, precision 86.70%, recall 92.10% dan F1-score 89.30%. Selain itu, algoritma Naïve Bayes juga menghasilkan nilai waktu komputasi terendah pada kasus yang diujikan dibandingkan dengan algoritma lainnya.
Analisis Spasial-temporal Titik Panas dan PM2.5 di Riau, Jambi, dan Sumatera Selatan Lukman, Yasmin; Sitanggang, Imas Sukaesih; Hardhienata, Medria Kusuma Dewi
Jurnal Ilmu Komputer dan Agri-Informatika Vol. 12 No. 2 (2025)
Publisher : Sekolah Sains Data, Matematika, dan Informatika. Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.12.2.212-227

Abstract

Kebakaran hutan dan lahan (karhutla) di Indonesia berkontribusi signifikan terhadap penurunan kualitas udara melalui peningkatan konsentrasi PM2.5. Penelitian ini menganalisis pola spasial-temporal sebaran titik panas dan estimasi konsentrasi PM2.5 di Provinsi Riau, Jambi, dan Sumatera Selatan selama Agustus–Oktober 2023. Data titik panas MODIS dianalisis menggunakan algoritma ST-DBSCAN dengan pengaturan parameter jarak spasial, jarak temporal, dan jumlah minimum titik untuk mengidentifikasi klaster kebakaran. Estimasi PM2.5 diperoleh dari konversi Aerosol Optical Depth (AOD) MODIS menggunakan model empiris. Hasil menunjukkan bahwa ST-DBSCAN efektif dalam mengidentifikasi klaster titik panas, dengan kepadatan klaster tertinggi teramati di Provinsi Sumatera Selatan. Rata-rata estimasi PM2.5 tercatat sebesar 50,51 µg/m³ di Provinsi Riau, 48,16 µg/m³ di Provinsi Jambi, dan 41,59 µg/m³ di Provinsi Sumatera Selatan. Konsentrasi PM2.5 tertinggi terjadi di Provinsi Riau pada bulan Oktober dan melampaui ambang batas pedoman kualitas udara WHO. Temuan ini menegaskan adanya keterkaitan kuat antara dinamika spasial-temporal karhutla dan peningkatan polusi udara, serta menunjukkan potensi pendekatan ini dalam mendukung analisis risiko lingkungan dan kesehatan.
Co-Authors Agus Buono Al-Fajri, Rizha Hayatina, Fina Charisma Imas Sukaesih Sitanggang Indra Kusuma Budiyanto , Firgiawan Irman Hermadi Katili, Moh. Zulkifli Lukman, Yasmin Raehan, Siti Sony Hartono Wijaya