Article Per Year (5 Year)
p-Index From 2021 - 2026
0.888
P-Index
This Author published in this journals
All Journal Jurnal Edukasi dan Penelitian Informatika (JEPIN) Jurnal Teknologi Sistem Informasi dan Aplikasi Community Empowerment LOGIC : Jurnal Ilmu Komputer dan Pendidikan Global Science: Journal of Information Technology and Computer Science
Rachmatika, Rinna
Unknown Affiliation
Arts Humanities Computer Science & IT Control & Systems Engineering Education Public Health Social Sciences Other

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

Found 6 Documents
Search

 1 
Perbandingan Model Klasifikasi untuk Evaluasi Kinerja Akademik Mahasiswa Rachmatika, Rinna; Bisri, Achmad
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 6, No 3 (2020): Volume 6 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v6i3.43097

Abstract

Dunia pendidikan saat ini mengalami kompetisi yang begitu ketat, terutama pada era digital seperti saat ini, dimana salah satunya yaitu pendidikan tinggi yang saling berkompetisi dalam meraih peringkat terbaik. Instrumen dalam dunia pendidikan seperti penerimaan mahasiswa baru hingga kelulusan dapat dievaluasi berdasarkan kinerja mahasiswa agar terwujudnya pendidikan yang berkualitas. Pengambilan keputusan dalam evaluasi kinerja akademik mahasiswa pada kelulusan tepat waktu dan tidak tepat waktu dapat dilakukan dengan penambangan data pendidikan (educational data mining). Berbagai model klasifikasi data mining pada pendidikan telah banyak dilakukan para peneliti. Namun, secara umum sulit untuk menentukan model klasifikasi terbaik dari berbagai metode pada evaluasi kinerja akademik mahasiswa dengan kasus yang sama. Tujuan dari penelitian ini untuk menentukan model klasifikasi yang memiliki kinerja terbaik pada prediksi kelulusan mahasiswa tepat waktu yang dievaluasi berdasarkan empat dataset yaitu TI-Reg.A, TI-Reg.B, AK-Reg.A, dan AK-Reg.B. Indikator dalam evaluasi kinerja model berdasarkan peringkat rata-rata akurasi. Hasil eksperimen menunjukkan bahwa model klasifikasi random forest memiliki kinerja terbaik pada sebagian dataset dan memiliki nilai akurasi rata-rata peringkat tertinggi dibandingkan model GBT. Sedangkan, model DT, NB, k-NN, LR, NN, MLP, dan SVM memiliki kinerja yang sama baik.
Sosialisasi Pemanfaatan Teknologi yang Dapat Digunakan Selama Masa Pandemi Covid-19 Rosyani, Perani; Rachmatika, Rinna; Harefa, Kecitaan; Herry, Ny. Ayni Suwarni; Priambodo, Joko
Community Empowerment Vol 6 No 3 (2021)
Publisher : Universitas Muhammadiyah Magelang

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (269.066 KB) | DOI: 10.31603/ce.4525

Abstract

Pelaksanaan PKM dalam masa pandemi ini diperlukan teknologi – teknologi yang mendukung untuk tetap berjalannya kegiatan masyarakat. Maka dari itu, tujuan pengabdian ini adalah untuk mengenalkan tool–tool yang ada dalam Google seperti google form, google drive kepada karang taruna di Perumahan Pondok Karya, Pondok Aren. Kegiatan pengabdian dilaksanakan secara daring untuk menghindari kerumunan. Dengan adanya sosialisasi teknologi yang dapat digunakan selama masa pandemi ini, diharapkan para peserta dapat mensosialisasikan lagi kepada masyarakat agar dapat menghindari penyebaran wabah virus Covid-19 dan kegiatan perkumpulan warga dapat dialihkan dengan bantuan teknologi.
Pembuatan konten video pembelajaran menggunakan Filmora dan Youtube Herry, Ny. Ayni Suwarni; Rosyani, Perani; Rachmatika, Rinna; Harefa, Kecitaan; Priambodo, Joko
Community Empowerment Forthcoming issue
Publisher : Universitas Muhammadiyah Magelang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31603/ce.5043

Abstract

Kegiatan belajar mengajar secara daring menjadi kegiatan rutin selama masa pandemi Covid-19. Tidak terkecuali bagi guru-guru di SDN Pamulang Barat. Namun demikian, proses belajar hanya sebatas pemberian materi menggunakan Whatsapp. Hal ini sangat monoton dan membuat para murid menjadi jenuh. Oleh karena itu, pada kegiatan pengabdian masyarakat ini kami memberikan materi cara pembuatan konten video pembelajaran menggunakan aplikasi filmora dan Youtube. Tujuannya adalah agar para guru lebih kreatif dan inovatif dalam memberikan materi kepada para murid. Materi dapat disampaikan menggunakan suara atau dengan animasi-animasi menarik. Sehingga para guru dapat membuat video yang menarik untuk para murid dan meningkatkan minat belajar murid selama proses belajar daring.
Perancangan Sistem Informasi Pendataan Alumni Berbasis Web (Studi Kasus : SDI Assalam) Setiadi, Dedy; Rachmatika, Rinna
LOGIC : Jurnal Ilmu Komputer dan Pendidikan Vol. 2 No. 2 (2024): Logic : Jurnal Ilmu Komputer dan Pendidikan
Publisher : Shofanah Media Berkah

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

Abstract

Pendataan alumni di sebagian sekolah manapun masih menggunakan penginputan dengan microsoft word atau excel di komputer yang berada di ruang tata usaha, salah satunya yang penulis temukan yaitu di Sekolah dasar islam Assalam. Sekolah Dasar Islam Assalam Dalam penginputan data masih melalui menggunakan microsoft excel di komputer, menggunakan cara tersebut terdapat kekurangan di mana bisa menyebabkan kehilangan data alumni apabila komputer mengalami sebuah masalah kerusakan, dan adanya kesulitan dalam mencari sebuah data alumni, karena data yang disimpan di komputer tersebut sudah terlalu banyak data setiap tahun kelulusannya. Dengan memanfaatkan sistem informasi pendataan alumni berbasis web ini untuk memudahkan dalam penginputan, penyimpanan dan pencarian datanya. maka dapat disimpulkan bahwa sistem informasi pendataan alumni yang sudah di buat dengan menggunakan database mampu membantu proses pendataan alumni di sdi assalam. Dan Sistem informasi pendataan alumni yang sudah dibuat dapat juga membantu memudahkan admin dan staff dalam mencari data alumni.
Machine Learning-Based Spatiotemporal Modeling for Detecting Disease Hotspots in Primary Care Data Rachmatika, Rinna; Desyani, Teti; Khoirudin
Global Science: Journal of Information Technology and Computer Science Vol. 1 No. 4 (2025): December: Global Science: Journal of Information Technology and Computer Scienc
Publisher : International Forum of Researchers and Lecturers

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70062/globalscience.v1i4.188

Abstract

Diseases in primary health services exhibit complex spatial-temporal dynamics due to urbanization and population mobility. Conventional surveillance approaches are difficult to capture these patterns adaptively. Machine learning (ML) based on spatio-temporal modeling offers a solution with the ability to detect disease clusters automatically and with high precision. Research Objectives: This research aims to develop a machine learning model to detect disease hotspots from primary service data in Indonesia, with a focus on improving prediction accuracy, interpretability, and relevance of health policies. Methodology: The primary service dataset for 2024 (5,343 entries) was analyzed using three ML models Gradient Boosting Machine (GBM), Temporal Random Forest (TRF), and Multi-EigenSpot with spatial (village) and temporal (week, month) features. Performance evaluation includes predictive (AUC, F1-score) and spatial (Moran's I, Spatio-Temporal Correlation Index) metrics. Results: The results showed that Multi-EigenSpot achieved the best performance (AUC=0.91; F1=0.86), with the detection of dominant hotspots in Sungai Asam and Beringin Villages. Moran's I value of 0.63 indicates a strong spatial autocorrelation, while STCI=0.57 indicates moderate temporal stability. Conclusions: ML-based spatio-temporal models are effective in identifying hidden disease patterns and have the potential to be integrated into national digital surveillance systems. This approach supports precision public health by providing a scientific basis for real-time location- and time-based intervention policies.
Perbandingan Kinerja Antara Algoritma Naive Bayes dan Long Short-Term Memory dalam Menganalisis Sentimen Ulasan Aplikasi PLN Mobile Kusumo, Ario; Rachmatika, Rinna
Jurnal Teknologi Sistem Informasi dan Aplikasi Vol. 9 No. 1 (2026): Jurnal Teknologi Sistem Informasi dan Aplikasi
Publisher : Program Studi Teknik Informatika Universitas Pamulang

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

Abstract

The rapid advancement of digital technology has increased the use of public service applications such as PLN Mobile. However, numerous user reviews highlight technical issues that may reduce customer satisfaction. This study aims to compare the performance of Naïve Bayes and Long Short-Term Memory (LSTM) algorithms in classifying user review sentiments on the PLN Mobile application. The dataset was collected from Google Play Store using Google Play Scraper. The research involved text preprocessing (case folding, tokenizing, stopword removal, stemming, TF-IDF), oversampling with SMOTE, and evaluation using accuracy, precision, recall, and F1-score metrics. The results show that Naïve Bayes achieved 96% accuracy, while LSTM reached 98%. LSTM also outperformed Naïve Bayes in all evaluation metrics, indicating superior capability in capturing contextual and sequential patterns in textual data. Therefore, LSTM is more recommended for sentiment analysis of complex text data.
Co-Authors Achmad Bisri Harefa, Kecitaan Herry, Ny. Ayni Suwarni Khoirudin Kusumo, Ario Perani Rosyani Priambodo, Joko Setiadi, Dedy Teti Desyani