Article Per Year (5 Year)
p-Index From 2020 - 2025
3.99
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI) Dharmakarya : Jurnal Aplikasi Ipteks Untuk Masyarakat KLIK (Kumpulan jurnaL Ilmu Komputer) (e-Journal) Journal of Electronics, Electromedical Engineering, and Medical Informatics Jurnal Abdimas Madani dan Lestari (JAMALI) Prosiding Seminar Nasional Sisfotek (Sistem Informasi dan Teknologi Informasi) Journal of Data Science and Software Engineering Jurnal Informatika Polinema (JIP) JGuruku: Jurnal Penelitian Guru
Dwi Kartini
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Arts Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Languange, Linguistic, Communication & Media Library & Information Science Public Health Other

Published : 31 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 31 Documents
Search

 1   2   3   4 
IMPLEMENTATION OF LORA WITH TEMPERATURE SENSORS IN IRRIGATION AREA (CASE STUDY: MARTAPURA CITY) Muhammad Mirza Hafiz Yudianto; Dodon Turianto Nugrahadi; Dwi Kartini; M. Itqan Mazdadi; Friska Abadi
Journal of Data Science and Software Engineering Vol 3 No 03 (2022)
Publisher : Fakultas MIPA Universitas Lambung Mangkurat

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (343.073 KB)

Abstract

This study applies to the concept of a Wireless Sensor Network (WSN) consisting of a transmitting instrument and a receiving instrument using Long Range (LoRa) data transmission with a frequency of 915 MHz and LoRa 920 MHz. The test is divided into 2 tropical weather conditions, namely when the weather is sunny and rainy. The test results show that the maximum distance that the LoRa transmitter can reach is 1 kilometer. The QoS (Quality of Service) parameters used to consist of Delay, Throughput, RSSI, & SNR. Based on the test results of the QoS parameters, both frequencies affect tropical weather conditions and increase as the distance of data collection increases. LoRa Frequency 915 MHz and Frequency 920 MHz have their respective differences and advantages, which are uncertain on weather conditions and data transmission distances.
IMPLEMENTASI SMOTE DAN EXTREME LEARNING MACHINES PADA KLASIFIKASI DATASET MICROARRAY Ivan Sitohang; Triando Hamonangan Saragih; Dwi Kartini; Radityo Adi Nugroho; Mohammad Reza Faisal
Jurnal Informatika Polinema Vol. 8 No. 4 (2022): Vol 8 No 4 (2022)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v8i4.1029

Abstract

Tumor otak merupakan salah satu penyakit penyebab kematian terbesar secara global. Banyak cara untuk mendeteksi penyakit tumor otak dengan cara pengambilan struktur DNA microarray pada protein tumor otak lalu melakukan klasifikasi dengan menggunakan machine learning. Hasil penelitian ini adalah untuk mengetahui keakuratan dalam pengklasifikasian tumor otak dengan menggunakan metode Extreme Learning Machines dengan dan tanpa menggunakan oversampling SMOTE pada keseluruhan data. Performa kinerja klasifikasi tertinggi setiap model antara lain model Extreme Learning Machines mendapatkan akurasi sebesar 97.43% pada hidden neuron = 500. Lalu Extreme Learning Machines menggunakan oversampling SMOTE pada keseluruhan data menghasilkan akurasi sebesar 92.30% pada hidden neuron = 200. Pada penelitian ini didapatkan bahwa penggunaan hidden neuron serta penyeimbangan data pada klasifikasi data microarray sangat berpengaruh dalam akurasi yang akan didapatkan dalam penelitian ini.
PERBANDINGAN METODE EXTREME GRADIENT BOOSTING DAN METODE DECISION TREE UNTUK KLASIFIKASI GENRE MUSIK SALLY LUTFIANI; Triando Hamonangan Saragih; Friska Abadi; Mohammad Reza Faisal; Dwi Kartini
Jurnal Informatika Polinema Vol. 9 No. 4 (2023): Vol. 9 No. 4 (2023)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v9i4.1319

Abstract

Musik merupakan sebuah “bahasa” yang mampu dimengerti dan dipahami oleh semua orang. Dalam musik sendiri, terdapat banyak genre musik yang berkembang yang dipengaruhi oleh budaya dari daerah-daerah yang berbeda-beda, seperti musik jazz, reggae, pop, rock, punk, dan masih banyak lagi genre musik yang ada seperti musik tradisional. Bertambahnya jumlah musik dalam bentuk digital secara pesat menyebabkan pemberian label genre secara manual menjadi tidak efektif. Pemberian label genre secara otomatis dapat dilakukan dengan menerapkan algoritma kecerdasan buatan yaitu salah satunya klasifikasi yang dapat mengelompokkan jenis musik berdasarkan genre dengan menggunakan fitur-fitur musik. Salah satu metode klasifikasi yang cukup sering digunakan adalah metode Extreme Gradient Boosting. Metode ini seringkali digunakan karena kecepatan, efisiensi dan skalabilitasnya untuk memecahkan beragam masalah klasifikasi ataupun regresi. Selain itu ada juga metode yang sering digunakan dalam melakukan klasifikasi yaitu metode Decision Tree yang merupakan metode pohon keputusan mengubah fakta yang sangat besar menjadi pohon keputusan yang merepresentasikan aturan dan juga berguna untuk mengekplorasi data, menemukan hubungan tersembunyi antara sejumlah calon variabel input dengan sebuah variabel target. Karena kedua metode ini termasuk dalam rumpun keluarga pohon atau ensemble learning, maka dilakukan perbandingan antara kedua metode tersebut. Pada penelitian ini melakukan perbandingan tingkat akurasi metode klasifikasi Extreme Gradient Boosting dan metode klasifikasi Decision Tree dengan melakukan pengujian parameter menggunakan nilai parameter terbaik yang didapatkan. Berdasarkan hasil penelitian metode klasifikasi Extreme Gradient Boosting dengan pengujian parameter menggunakan nilai parameter terbaik yang didapatkan menghasilkan kinerja akurasi yang lebih baik dibandingkan dengan metode klasifikasi Decision Tree yaitu sebesar 72% karena pada metode Extreme Gradient Bossting ini mampu meminimalisir eror dengan menggunakan data residu atau kesalahan prediksi pada model sebelumnya sehingga bisa mendapatkan dan mengoptimalkan hasil akurasi terbaik, yang membuktikan bahwa metode klasifikasi Extreme Gradient Boosting lebih baik dibandingkan dengan metode klasifikasi Decision Tree dengan pengujian parameter.
ANALISIS SENTIMEN BRAND AMBASSADOR BTS TERHADAP TOKOPEDIA MENGGUNAKAN KLASIFIKASI BAYESIAN NETWORK DENGAN EKSTRAKSI FITUR TF-IDF Regina; Triando Hamonangan Saragih; Dwi Kartini
Jurnal Informatika Polinema Vol. 9 No. 4 (2023): Vol. 9 No. 4 (2023)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v9i4.1333

Abstract

BTS (Bangtan Boys) adalah salah satu boy grup asal korea selatan yang ditunjuk oleh Tokopedia untuk menjadi brand ambassador Tokopedia di Indonesia, BTS merupakan salah satu boy grup yang sangat mendunia dalam bidang musik dan Tokopedia merupakan salah satu E-commerce terkenal yang banyak digunakan oleh masyarakat indonesia untuk melakukan jual beli online. Kerjasama ini tentu saja memberikan pengaruh terhadap Tokopedia serta memperoleh banyak respon berupa opini masyarakat terutama pada media sosial twitter, karena hal tersebut maka dilakukan penelitian analisis sentiment. Data yang digunakan yaitu 900 data tweet dan terbagi menjadi 3 kelas yaitu positif, negatif, dan netral. Tahapan penilitian terdiri dari pengambilan dan pengumpulan data, preprocessing data, ekstraksi fitur dengan Term Frequency - Inverse Document Frequency (TF-IDF), klasifikasi dengan Bayesian network, evaluasi kinerja menggunakan K-fold cross validation (K-10) dan confution matrix. Perbandingan terjadi pada tahap preprocessing data, yaitu saat menggunakan normalisasi data dan tidak menggunakan normalisasi data, dari hasil perbandingan tersebut diperoleh nilai akurasi jika tidak menggunakan normalisasi data sebesar 66,6667%, presisi sebesar 68,1%, dan recall sebesar 66,7%. Sedangkan hasil akurasi dengan menggunakan normalisasi data sebesar 76,5556%, presisi sebesar 77,4%, dan recall sebesar 76,6%. Selisih nilai akurasi dari kedua percobaan sebesar 9,8889 %, hal ini membuktikan bahwa menggunakan normalisasi data lebih baik.
PENERAPAN MWMOTE UNTUK MENGATASI KETIDAKSEIMBANGAN KELAS PADA KLASIFIKASI RISIKO KREDIT Maria Ulfah; Triando Hamonangan Saragih; Dwi Kartini; Muhammad Itqan Mazdadi; Friska Abadi
Jurnal Informatika Polinema Vol. 9 No. 4 (2023): Vol. 9 No. 4 (2023)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v9i4.1331

Abstract

Salah satu bentuk usaha yang dijalankan oleh perbankan adalah pemberian kredit terhadap nasabaah. Bank akan selalu berusaha mengoptimalkan penyaluran kredit terhadap nasabah, akan tetapi tidak menutup kemungkinan bahwa kredit yang diberikan tersebut memiliki risiko. Guna menekan dan meminimalisir risiko kredit pihak bank perlu melakukan analisis terhadap data yang dimiliki nasabah agar dapat mengambil keputusan apakah nasabah atau calon debitur layak diberikan pinjaman dalam bentuk kredit. Salah satu cara untuk menyelesaikan masalah analisa risiko kredit adalah dengan melakukan klasifikasi dengan menggunakan machine learning. Pada penelitian ini dilakukan klasifikasi dengan menggunakan algoritma Support Vector Machine (SVM) serta oversampling data dengan menggunakan MWMOTE dan Improve MWMOTE. Data yang digunakan pada penelitian ini adalah data german credit risk yang memiliki Kelas bad credit yang terdiri atas 300 data dan kelas good credit terdiri atas 700 data. Penelitian dilakukan dengan membandingkan klasifikasi SVM dengan dan tanpa oversampling. Hasilnya didapatkan bahwa nilai akurasi dari klasifikasi Improve MWMOTE SVM memiliki nilai tertinggi jika dibandingan dengan SVM MWMOTE, dan SVM yaitu sebesar 77,95%.
Implementation of Monarch Butterfly Optimization for Feature Selection in Coronary Artery Disease Classification Using Gradient Boosting Decision Tree Siti Napi'ah; Triando Hamonangan Saragih; Dodon Turianto Nugrahadi; Dwi Kartini; Friska Abadi
Journal of Electronics, Electromedical Engineering, and Medical Informatics Vol 5 No 4 (2023): October
Publisher : Department of Electromedical Engineering, POLTEKKES KEMENKES SURABAYA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35882/jeeemi.v5i4.331

Abstract

Coronary artery disease, a prevalent type of cardiovascular disease, is a significant contributor to premature mortality globally. Employing the classification of coronary artery disease as an early detection measure can have a substantial impact on reducing death rates caused by this ailment. To investigate this, the Z-Alizadeh dataset, consisting of clinical data from patients afflicted with coronary artery disease, was utilized, encompassing a total of 303 data points that comprise 55 predictive attribute features and 1 target attribute feature. For the purpose of classification, the Gradient Boosting Decision Tree (GBDT) algorithm was chosen, and in addition, a metaheuristic algorithm called monarch butterfly optimization (MBO) was implemented to diminish the number of features. The objective of this study is to compare the performance of GBDT before and after the application of MBO for feature selection. The evaluation of the study's findings involved the utilization of a confusion matrix and the calculation of the area under the curve (AUC). The outcomes demonstrated that GBDT initially attained an accuracy rate of 87.46%, a precision of 83.85%, a recall of 70.37%, and an AUC of 82.09%. Subsequent to the implementation of MBO, the performance of GBDT improved to an accuracy of 90.26%, a precision of 86.82%, a recall of 80.79%, and an AUC of 87.33% with the selection of 31 features. This improvement in performance leads to the conclusion that MBO effectively addresses the feature selection issue within this particular context.
A Classification of Appendicitis Disease in Children Using SVM with KNN Imputation and SMOTE Approach Difa Fitria; Triando Hamonangan Saragih; Muliadi; Dwi Kartini; Fatma Indriani
Journal of Electronics, Electromedical Engineering, and Medical Informatics Vol 6 No 3 (2024): July
Publisher : Department of Electromedical Engineering, POLTEKKES KEMENKES SURABAYA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35882/jeeemi.v6i3.470

Abstract

This study evaluates the effect of SMOTE and KNN imputation techniques on the performance of SVM classification models on a nearly balanced dataset. The results show that using SMOTE increases model precision but decreases recall. This shows the importance of careful consideration when choosing data processing strategies to achieve optimal classification model performance. This study evaluates the effect of the Synthetic Minority Over-sampling Technique (SMOTE) and K-Nearest Neighbors (KNN) imputation on the performance of Support Vector Machine (SVM) classification models on nearly balanced datasets. The results of this study noted that the use of SMOTE techniques in balancing the dataset led to a decrease in classification model accuracy from 87.26% to 85.99%. However, there was a slight increase in AUC-ROC, from 85.96% to 88.04%. The results of this study noted that the use of the SMOTE technique in balancing the dataset caused a decrease in the accuracy of the classification model from 87.26% to 85.99%. However, there was an improvement in the AUC-ROC, from 85.96% to 88.04%.
Performance Comparison of Extreme Learning Machine (ELM) and Hierarchical Extreme Learning Machine (H-ELM) Methods for Heart Failure Classification on Clinical Health Datasets Ichwan Dwi Nugraha; Triando Hamonangan Saragih; Irwan Budiman; Dwi Kartini; Fatma Indriani; Caesarendra, Wahyu
Journal of Electronics, Electromedical Engineering, and Medical Informatics Vol 7 No 3 (2025): July
Publisher : Department of Electromedical Engineering, POLTEKKES KEMENKES SURABAYA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35882/jeeemi.v7i3.904

Abstract

Heart failure is one of the leading causes of death worldwide and requires accurate and timely diagnosis to improve patient outcomes. However, early detection remains a significant challenge due to the complexity of clinical data, high dimensionality of features, and variability in patient conditions. Traditional clinical methods often fall short in identifying subtle patterns that indicate early stages of heart failure, motivating the need for intelligent computational techniques to support diagnostic decisions. This study aims to enhance predictive modeling for heart failure classification by comparing two supervised machine learning approaches: Extreme Learning Machine (ELM) and Hierarchical Extreme Learning Machine (HELM). The main contribution of this research is the empirical evaluation of HELM's performance improvements over conventional ELM using 10-fold cross-validation on a publicly available clinical dataset. Unlike traditional neural networks, ELM offers fast training by randomly assigning weights and analytically computing output connections, while HELM extends this with a multi-layer structure that allows for more complex feature representation and improved generalization. Both models were assessed based on classification accuracy and Area Under the Curve (AUC), two critical metrics in medical classification tasks. The ELM model achieved an accuracy of 73.95% ± 8.07 and an AUC of 0.7614 ± 0.093, whereas the HELM model obtained a comparable accuracy of 73.55% ± 7.85 but with a higher AUC of 0.7776 ± 0.085. In several validation folds, HELM outperformed ELM, notably reaching 90% accuracy and 0.9250 AUC in specific cases. In conclusion, HELM demonstrates improved robustness and discriminatory capability in identifying heart failure cases. These findings suggest that HELM is a promising candidate for implementation in clinical decision support systems. Future research may incorporate feature selection, hyperparameter optimization, and evaluation across multi-center datasets to improve generalizability and real-world applicability.
Optimizing South Kalimantan Food Image Classification Through CNN Fine-Tuning Muhammad Ridha Maulidi; Fatma Indriani; Andi Farmadi; Irwan Budiman; Dwi Kartini
Jurnal Ilmiah Teknik Elektro Komputer dan Informatika Vol. 10 No. 4 (2024): December
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26555/jiteki.v10i4.30325

Abstract

South Kalimantan's rich culinary heritage encompasses numerous traditional dishes that remain unfamiliar to visitors and digital platforms. While Convolutional Neural Networks (CNNs) have demonstrated remarkable success in image classification tasks, their application to regional cuisine faces unique challenges, particularly when dealing with limited datasets and visually similar dishes. This study addresses these challenges by evaluating and optimizing two pre-trained CNN architectures—EfficientNetB0 and InceptionV3—for South Kalimantan food classification. Using a custom dataset of 1,000 images spanning 10 traditional dishes, we investigated various fine-tuning strategies to maximize classification accuracy. Our results show that EfficientNetB0, with 30 fine-tuned layers, achieves the highest accuracy at 94.50%, while InceptionV3 reaches 92.00% accuracy with 40 layers fine-tuned. These findings suggest that EfficientNetB0 is particularly effective for classifying regional foods with limited data, outperforming InceptionV3 in this context. This study provides a framework for efficiently applying CNN models to small, specialized datasets, contributing to both the digital preservation of South Kalimantan’s culinary heritage and advancements in regional food classification. This research also opens the way for further research that can be applied to other less documented regional cuisines. The framework presented can be used as a reference for developing automated classification systems in a broader cultural context, thus enriching the digital documentation of traditional cuisines and preserving the culinary diversity of the archipelago for future generations.
Penerapan Project Based Learning Untuk Meningkatkan Motivasi Belajar Matematika Siswa Kelas III Ernawati; Adiastuty, Nuranita; Dwi Kartini
JGuruku: Jurnal Penelitian Guru Vol 2 No 1 (2024)
Publisher : Fakultas Keguruan dan Ilmu Pendidikan Universitas Kuningan

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

ABSTRAK Tujuan dari penelitian ini adalah untuk meningkatkan keinginan siswa untuk belajar matematika dengan menerapkan paradigma pembelajaran berbasis proyek, yaitu pembelajaran berbasis proyek (PjBL), di kelas tiga. Model PjBL adalah paradigma pembelajaran kontekstual yang menggunakan proyek sebagai sarana untuk mengubah pembelajaran otonom siswa dengan meningkatkan keinginan mereka untuk belajar dan menghasilkan proyek berupa puzzle pecahan. Penelitian ini merupakan penelitian tindakan, khususnya penelitian tindakan kelas, yang melibatkan dua siklus. Model pembelajaran ini mengikuti pendekatan sistematis yang terdiri dari banyak langkah: merumuskan pertanyaan esensial, membuat rencana proyek, melaksanakan tugas-tugas proyek, memantau kemajuan proyek, melakukan evaluasi proyek, dan menilai hasilnya. Temuan penelitian menunjukkan bahwa model pembelajaran PjBL telah divalidasi secara empiris untuk meningkatkan keinginan siswa untuk belajar matematika sebesar 87%. Selain itu, hasil penelitian juga menunjukkan bahwa terdapat 2 siswa, atau 13% dari total siswa, yang belum memenuhi kriteria KKM. Kata kunci: Motivasi belajar, Project Based Learning, Matematika, Puzzle Pecahan. Application of Project Based Learning to Increase Mathematics Learning Motivation of Grade III Students ABSTRACT The purpose of this research was to enhance students' desire to learn mathematics by implementing a project-based learning paradigm, namely project-based learning (PjBL), in third-grade classrooms. The PjBL model is a contextual learning paradigm that use projects as a means to transform students' autonomous learning by enhancing their desire to study and produced a project in the form of a fraction puzzle. This study is an action research, specifically a class action research, which involves two cycles. This learning model follows a systematic approach consisting of many steps: formulating essential inquiries, creating a project plan, executing project tasks, monitoring project advancement, conducting a project evaluation, and assessing the outcomes. The study's findings demonstrate that the PjBL learning model has been empirically validated to enhance students' desire to learn mathematics by 87%. Additionally, it reveals that there are 2 pupils, accounting for 13% of the total, who have not met the KKM criteria. Keywords: Learning motivation, Project Based Learning, Mathematics, fraction puzzle.
Co-Authors AA Sudharmawan, AA Ade Saputra Akhmad Yusuf Andi Farmadi Andi Farmadi Ando Hamonangan Saragih Aris Pratama Bayu Hadi Sudrajat Difa Fitria Dodon Turianto Nugrahadi Ernawati Faisal Murtadho Fathul Hadi Fatma Indriani Fitria Agustina fitria Friska Abadi Halimah Hendy Setyoputro Ichsan Ridwan Ichwan Dwi Nugraha Irwan Budiman Ivan Sitohang Lisnawati Megi Adhiyani Muhammad Denny Ersyadi Rahman Muhammad Irfan Saputra Muhammad Itqan Mazdadi Muhammad Latief Saputra Muhammad Mirza Hafiz Yudianto Muhammad Reza Faisal, Muhammad Reza Muhammad Ridha Maulidi Muliadi Muliadi Aziz Nuranita Adiastuty, Nuranita Oni Soesanto Pirjatullah Radityo Adi Nugroho Rahmat Ramadhani, Rahmat Regina Risky Meliawati Rudy Herteno SALLY LUTFIANI Salsabila Anjani Saragih, Triando Hamonangan Siti Hatimah Rahmadaniah Siti Napi'ah Wahyu Caesarendra