Article Per Year (5 Year)
p-Index From 2020 - 2025
2.459
P-Index
This Author published in this journals
All Journal J-Dinamika: Jurnal Pengabdian Kepada Masyarakat JATI (Jurnal Mahasiswa Teknik Informatika) Jifosi
Vita Via, Yisti
Unknown Affiliation
Computer Science & IT Education

Published : 14 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 14 Documents
Search

 1   2 
SISTEM REKOMENDASI PROGRAM STUDI JENJANG SARJANA UNTUK SISWA SMK BERBASIS SELF-ASSESSMENT RIASEC DENGAN METODE HYBRID NEURAL NETWORK DAN COLLABORATIVE FILTERING Zahrah Hidayat, Shafira; Vita Via, Yisti; Maualana, Hendra
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 3 (2025): JATI Vol. 9 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i3.13642

Abstract

Dalam era digital, pemilihan program studi yang sesuai dengan minat dan bakat siswa menjadi tantangan tersendiri, terutama bagi siswa Sekolah Menengah Kejuruan (SMK). Guru Bimbingan dan Konseling (BK) memiliki peran penting dalam memberikan arahan karir, namun keterbatasan jumlah guru BK dibandingkan dengan jumlah siswa menyebabkan bimbingan yang diberikan kurang optimal. Untuk mengatasi permasalahan ini, penelitian ini mengembangkan aplikasi SKANOVA, sebuah sistem berbasis mobile yang mengintegrasikan metode Neural Network dan Collaborative Filtering untuk memberikan rekomendasi program studi yang lebih akurat dan personal bagi siswa SMK. Neural Network digunakan untuk menganalisis data asesmen dan nilai akademik guna memprediksi program studi yang sesuai, sedangkan Collaborative Filtering menggunakan pendekatan Cosine Similarity untuk memberikan rekomendasi tambahan berdasarkan kesamaan profil siswa lainnya. Pengujian menggunakan System Usability Scale (SUS) menunjukkan bahwa aplikasi memperoleh skor usability sebesar 85,7%, yang masuk dalam kategori Sangat Baik. Selain itu, evaluasi model menunjukkan bahwa kombinasi Learning Rate 0.01, Epochs 150, dan Latent Factors 30 menghasilkan performa terbaik dengan nilai RMSE 0.81 dan MAE 0.62, serta precision 87% dan recall 82%. Hasil penelitian ini menunjukkan bahwa SKANOVA dapat menjadi solusi efektif dalam membantu siswa SMK memilih program studi yang sesuai dengan minat, bakat, dan latar belakang akademik siswa.
IMPLEMENTASI BILSTM DAN CUCKOO SEARCH OPTIMIZATION PADA APLIKASI PREDIKSI HARGA EMAS ANTAM Nurul Taukid, Mochamad; Vita Via, Yisti; Yulia Puspaningrum, Eva
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 3 (2025): JATI Vol. 9 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i3.14310

Abstract

Emas merupakan komoditas utama yang diminati investor karena dianggap sebagai safe haven yang dapat melindungi dan meningkatkan kekayaan. Namun, investasi emas memiliki risiko akibat fluktuasi harga yang tajam. Oleh karena itu, prediksi harga emas sangat penting untuk membantu investor menentukan waktu yang tepat dalam membeli dan menjual emas guna meningkatkan potensi keuntungan. Penelitian ini menggunakan metode prediksi hybrid BiLSTM-CSO, yang menggabungkan kemampuan BiLSTM dalam mengelola data deret waktu dua arah dengan algoritma CSO untuk mengoptimasi hyperparameter seperti jumlah neuron pada setiap hidden layer, batch size, dan dropout rate, sehingga dapat meningkatkan akurasi prediksi. Hasil evaluasi menunjukkan bahwa model ini mampu memberikan performa prediksi yang baik dengan nilai RMSE sebesar 0.01315 dan MAPE sebesar 0.81%. Model ini kemudian diimplementasikan ke dalam aplikasi web yang menjadi potensi sebagai alat bantu yang informatif untuk memantau dan memprediksi harga emas
ANALISIS PERBANDINGAN PERFORMASI ANTARA MENTODE PCC (PER CONNECTION CLASSIFIER) DENGAN ECMP (EQUAL COST MULTI-PATH) PADA JARINGAN AKSES INTERNET MENGGUNAKAN MIKROTIK ROUTER OS Al Hamda, Veqqy; Vita Via, Yisti; Endah Wahanani, Henni
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 4 (2025): JATI Vol. 9 No. 4
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i4.14353

Abstract

Stabilitas koneksi internet dan mengidentifikasi peningkatan performa jaringan melalui penerapan dua metode load balancing, yaitu Equal Cost Multi-Path (ECMP) dan Per Connection Classifier (PCC). Penelitian ini bertujuan untuk membandingkan performa kestabilan intermet dan bagaimana meningkatkan kinerja jaringan menggunakan dua metode keseimbangan berbeda, metode Equal Cost Multi-Path (ECMP) dan Per Connection Classifier (PCC), untuk mengevaluasi efisiensi dan kinerja masing-masing. Metodologi penelitian meliputi empat tahap utama yakni, analisis kebutuhan, perancangan topologi, konfigurasi metode load balancing, serta analisis hasil berdasarkan data pengujian. Load balancing berfungsi untuk mendistribusikan lalu lintas jaringan secara merata melalui dua atau lebih jalur koneksi guna mengoptimalkan pemanfaatan bandwidth dan meminimalkan gangguan akses internet. Hasil pengujian menunjukkan adanya perbedaan performa yang signifikan antara kedua metode tersebut. Pada parameter throughput, ECMP menghasilkan nilai total 0,131, sedangkan PCC menunjukkan performa lebih tinggi dengan nilai 0,382. Untuk parameter jitter dalam skenario unduh dan unggah, PCC mencatatkan persentase sebesar 175%, jauh di atas ECMP yang hanya sebesar 6%. Berdasarkan temuan ini, dapat disimpulkan bahwa metode ECMP lebih efektif dalam mendistribusikan lalu lintas secara merata, sementara PCC unggul dalam menjaga kestabilan transmisi data.
EVALUASI KINERJA LIGHTGBM DAN CATBOOST UNTUK PREDIKSI CHURN BERDASARKAN DATASET PELANGGAN LAYANAN STREAMING MUSIK Ninov Royana, Akge; Vita Via, Yisti; Aji Putra, Chrystia
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 4 (2025): JATI Vol. 9 No. 4
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i4.14358

Abstract

Industri layanan streaming musik mengalami pertumbuhan yang pesat, namun dengan meningkatnya jumlah pengguna, risiko churn atau pelanggan yang berhenti berlangganan juga semakin tinggi. Churn dapat berdampak signifikan terhadap pendapatan dan efisiensi biaya akuisisi pelanggan baru, sehingga penting bagi perusahaan untuk mengidentifikasi pelanggan yang berisiko churn dengan tepat. Penelitian ini mengusulkan penggunaan dua algoritma pembelajaran mesin berbasis gradient boosting, yaitu LightGBM dan CatBoost, untuk memprediksi churn pelanggan layanan streaming musik. Model ini dilatih menggunakan dataset Streaming Subscription Churn, dengan menerapkan teknik SMOTE untuk menangani ketidakseimbangan kelas. Evaluasi model dilakukan menggunakan metrik seperti akurasi, presisi, recall, F1-Score, dan AUC-ROC. Hasil penelitian menunjukkan bahwa kedua model memiliki akurasi yang hampir identik, yaitu 84%. Namun, CatBoost unggul dalam recall (0.86) dibandingkan LightGBM (0.84), yang menunjukkan kemampuannya yang lebih baik dalam mendeteksi pelanggan berisiko churn. Model CatBoost juga memiliki F1-Score 0.85 dan AUC-ROC 0.94, sementara LightGBM memiliki F1-Score 0.84 dan AUC-ROC 0.94. Berdasarkan hasil ini, CatBoost lebih direkomendasikan untuk strategi retensi pelanggan karena lebih efektif dalam mengidentifikasi pelanggan yang berpotensi churn.
Co-Authors Al Hamda, Veqqy Ardilla, Aufa BAGUS ADHI WICAKSONO Budi Nugroho Eka Prakarsa Mandyartha, Eka Eva Yulia Puspaningrum Fajar Setyawan, Handi Faruq Asshegaff, M. Alvin Fetty Tri Anggraeny Fian Pahothon Sukawidayanta, Octavianus Firza Prima Aditiawan Fitri Rahmawati Henni Endah Wahanani Maualana, Hendra Maulana, Hendra Mohammad Idham Fachrurrozi Ninov Royana, Akge Nurul Taukid, Mochamad Putra, Chrystia Aji Rahel Widya Arianti Rama Andika Jorgie Retno Mumpuni Satria Yudha Kartika , Dhian Syaifullah JS, Wahyu Wiji Utami, Hapsari Yuniar Purbasari, Intan Zahrah Hidayat, Shafira