Article Per Year (5 Year)
p-Index From 2021 - 2026
1.197
P-Index
This Author published in this journals
All Journal KLIK (Kumpulan jurnaL Ilmu Komputer) (e-Journal) Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control Jurnal Komunikasi Islam (J-KIs) JUSTIN (Jurnal Sistem dan Teknologi Informasi) Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) NU-JST
Kholifah, Binti
Unknown Affiliation
Religion Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Energy Engineering Languange, Linguistic, Communication & Media Materials Science & Nanotechnology

Published : 7 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 7 Documents
Search

 1 
Analisis Sentimen Warganet terhadap Isu Layanan Transportasi Online Berbasis InSet Lexicon menggunakan Logistic Regression Kholifah, Binti; Thoib, Imam; Sururi, Nafis; Kurnia, Nicky Dwi
KLIK- KUMPULAN JURNAL ILMU KOMPUTER Vol 11, No 1 (2024)
Publisher : Lambung Mangkurat University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20527/klik.v11i1.655

Abstract

Beberapa isu terkait layanan transportasi online kerap menjadi pusat perdebatan di media sosial. Hal tersebut memberikan pengaruh pada penilaian layanan tersebut di Google Play Store. Penelitian ini bertujuan untuk melakukan analisis sentimen terhadap isu layanan transportasi online berbasis data warganet di Google Play Store. Analisis sentimen dan pelabelan dilakukan berdasarkan Inset Lexicon, sedangkan klasifikasi dilakukan menggunakan Logistic Regression. Sebelum diolah, data ulasan warganet harus melalui tahap pra-pemrosesan dan eksplorasi data. Selanjutnya, dilakukan optimisasi dengan parameter C, solver, dan max_iter pada model Logistic Regression. Hasil menunjukkan bahwa kombinasi nilai dari beberapa parameter optimisasi membawa pengaruh pada kinerja Logistic Regression. Selama pengujian, dapat dilihat juga bahwa rating tidak selamanya mecerminkan ulasan dari pengguna. Hal ini bisa dipengaruhi beberapa faktor seperti perilaku pengguna itu sendiri.
Efektivitas Sistem Informasi Akademik dalam Meningkatkan Komunikasi dan Informasi Akademik di Institut Teknologi Mojosari Kholifah, Binti; Thoib, Imam; Sururi, Nafis; Satya Nugraha, Danang
Bahasa Indonesia Vol 5 No 1 (2024): J-Kis: Jurnal Komunikasi Islam Juni 2024
Publisher : Program Studi Komunikasi dan Penyiaran Islam IAI Pangeran Diponegoro Nganjuk

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53429/j-kis.v5i1.953

Abstract

Penelitian ini bertujuan untuk mengevaluasi efektivitas Sistem Informasi Akademik (SIAKAD) dalam meningkatkan komunikasi dan informasi akademik di Institut Teknologi Mojosari. Dengan pendekatan deskriptif kualitatif dan analisis tematik, data dikumpulkan melalui wawancara mendalam dan observasi partisipatif. Partisipan penelitian meliputi mahasiswa, dosen, dan staf administrasi. Hasil penelitian menunjukkan bahwa SIAKAD di Institut Teknologi Mojosari secara umum efektif dalam meningkatkan komunikasi dan informasi akademik. Sistem ini menunjukkan performa yang baik dalam berbagai aspek: keamanan data, kecepatan dan ketepatan informasi, ketelitian, kelengkapan laporan, dan relevansi informasi. Namun, terdapat beberapa tantangan yang perlu diperhatikan, seperti peningkatan kesiapan sistem dalam menghadapi bencana dan penanganan masalah teknis saat penggunaan tinggi. Dengan perbaikan dan pengembangan lebih lanjut, SIAKAD memiliki potensi besar untuk terus mendukung proses akademik di Institut Teknologi Mojosari.
Analisis Sentimen Multi-Kelas untuk Menilai Kepuasan Mahasiswa terhadap Aplikasi Manajemen Akademik Berbasis Web di Lingkungan Perguruan Tinggi Nicky Dwi Kurnia; Kholifah, Binti; Nur Ani, Febi Warta; Nafii’, Ayu Fernanda Nurun
Jurnal Komputer Teknologi Informasi Sistem Informasi (JUKTISI) Vol. 4 No. 1 (2025): Juni 2025
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v4i1.363

Abstract

Abstrak Penelitian ini bertujuan untuk menganalisis sentimen multi-kelas guna menilai tingkat kepuasan mahasiswa terhadap penggunaan aplikasi manajemen akademik berbasis web di lingkungan perguruan tinggi. Dengan menggunakan metode pemrosesan bahasa alami (Natural Language Processing, NLP) dan algoritma machine learning seperti Random Forest, Support Vector Machine (SVM), dan Neural Network, penelitian ini mengklasifikasikan komentar mahasiswa ke dalam beberapa kelas sentimen: positif, netral, dan negatif. Data dikumpulkan melalui survei online dan ulasan aplikasi yang tersedia selama semester genap tahun akademik 2023/2024. Hasil penelitian menunjukkan bahwa metode SVM memberikan akurasi terbaik sebesar 87,5% dalam klasifikasi sentimen multi-kelas. Temuan ini memberikan gambaran empiris mengenai persepsi mahasiswa dan dapat menjadi acuan bagi pengembang aplikasi akademik untuk meningkatkan kualitas layanan. Penelitian ini juga mengkaji faktor-faktor yang mempengaruhi kepuasan mahasiswa serta rekomendasi pengembangan aplikasi ke depan. Abstract This study aims to analyze multi-class sentiment to assess student satisfaction with web-based academic management applications in higher education institutions. Utilizing natural language processing (NLP) techniques and machine learning algorithms such as Random Forest, Support Vector Machine (SVM), and Neural Networks, this research classifies student comments into several sentiment categories: positive, neutral, and negative. Data were collected via online surveys and application reviews during the even semester of the 2023/2024 academic year. Results indicate that the SVM method achieved the highest accuracy of 87.5% in multi-class sentiment classification. These findings provide empirical insights into student perceptions and serve as a reference for academic application developers to improve service quality. The study also examines factors influencing student satisfaction and offers recommendations for future application development.
Analysis of Mental Health Disorders via Social Media Mining Using LSTM and Bi-LSTM Kholifah, Binti; Syarif, Iwan; Badriyah, Tessy
Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control Vol. 10, No. 3, August 2025
Publisher : Universitas Muhammadiyah Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22219/kinetik.v10i3.2205

Abstract

Mental health disorders are a growing global concern, with many individuals lacking early detection and appropriate treatment. Mental illness can impact a person’s quality of life and often goes undetected until symptoms worsen. One contributing factor to this problem is the limited ways to detect mental disorders in their early stages. Social media, especially platform X, offers the potential to analyze users’ emotional expressions that may indicate a mental disorder, such as depression or anxiety. Psychological symptoms can be explored more broadly using Natural Language Processing. This study optimizes several text preprocessing techniques to extract meaningful information from social media text. To convert words into numerical vectors, several word embedding methods are used, such as Word2Vec, FastText, and GloVe. Meanwhile, the classification process is carried out using LSTM and Bi-LSTM because they are considered capable of studying data sequence patterns, such as sentence structure, effectively. The results show that the addition of expanding contractions, emoticon handling, negation handling, repeated character handling, and spelling correction in the preprocessing text can improve the model performance. In addition, Bi-LSTM with pre-trained FastText shows better results than the other methods in all experiments, achieving 86% accuracy, 87.5% precision, 84% recall, and 85.71% F1-Score.
Efektivitas Sistem Informasi Akademik dalam Meningkatkan Komunikasi dan Informasi Akademik di Institut Teknologi Mojosari Kholifah, Binti; Thoib, Imam; Sururi, Nafis; Satya Nugraha, Danang
Bahasa Indonesia Vol 5 No 1 (2024): J-Kis: Jurnal Komunikasi Islam Juni 2024
Publisher : Program Studi Komunikasi dan Penyiaran Islam IAI Pangeran Diponegoro Nganjuk

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53429/j-kis.v5i1.953

Abstract

Penelitian ini bertujuan untuk mengevaluasi efektivitas Sistem Informasi Akademik (SIAKAD) dalam meningkatkan komunikasi dan informasi akademik di Institut Teknologi Mojosari. Dengan pendekatan deskriptif kualitatif dan analisis tematik, data dikumpulkan melalui wawancara mendalam dan observasi partisipatif. Partisipan penelitian meliputi mahasiswa, dosen, dan staf administrasi. Hasil penelitian menunjukkan bahwa SIAKAD di Institut Teknologi Mojosari secara umum efektif dalam meningkatkan komunikasi dan informasi akademik. Sistem ini menunjukkan performa yang baik dalam berbagai aspek: keamanan data, kecepatan dan ketepatan informasi, ketelitian, kelengkapan laporan, dan relevansi informasi. Namun, terdapat beberapa tantangan yang perlu diperhatikan, seperti peningkatan kesiapan sistem dalam menghadapi bencana dan penanganan masalah teknis saat penggunaan tinggi. Dengan perbaikan dan pengembangan lebih lanjut, SIAKAD memiliki potensi besar untuk terus mendukung proses akademik di Institut Teknologi Mojosari.
Evaluasi Metode Pelabelan Sentimen Berbasis Leksikon terhadap Ulasan Aplikasi Sekuritas di Google Play Store Thoib, Imam; Candra, Beda Puspita; Sururi, Nafis; Nugraha, Danang Satya; Kholifah, Binti
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 13, No 4 (2025)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v13i4.93039

Abstract

Penelitian ini bertujuan untuk mengevaluasi persepsi pengguna terhadap aplikasi sekuritas di Indonesia melalui pendekatan analisis sentimen berbasis leksikon dan mengevaluasi performa klasifikasi menggunakan algoritma Random Forest. Data penelitian berupa 130.905 ulasan pengguna dari sepuluh aplikasi sekuritas populer di Google Play Store. Dua pendekatan leksikal yang digunakan adalah InSet Lexicon dan SentiWords_ID untuk memberi label sentimen pada ulasan tersebut. Hasil analisis menunjukkan bahwa aplikasi Ajaib memperoleh proporsi sentimen positif tertinggi dan paling representatif dengan jumlah ulasan terbesar dibandingkan aplikasi lain, sedangkan aplikasi MOST menunjukkan proporsi sentimen negatif tertinggi menurut kedua pendekatan. Pemodelan klasifikasi sentimen dilakukan menggunakan ekstraksi fitur TF-IDF dan algoritma Random Forest, yang dievaluasi melalui metrik akurasi, precision, recall dan f1-score. Hasil evaluasi menunjukkan bahwa SentiWords_ID memberikan performa klasifikasi yang lebih unggul dan stabil dibandingkan InSet Lexicon, khususnya dalam mengidentifikasi sentimen positif dan netral.
Exploratory Data Analysis dan Machine Learning dalam Memprediksi Employee Attrition: Exploratory Data Analysis and Machine Learning in Predicting Employee Attrition Kholifah, Binti; Firmansyah, Fendy Bayu; Sururi, Nafis; Nugraha, Danang Satya
Nusantara Journal of Science and Technology Vol 1 No 2 (2024): Published in November of 2024
Publisher : Lembaga Penelitian dan Pengabdian pada Masyarakat (LPPM) Universitas Nahdlatul Ulama Kalimantan Selatan

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

Abstract

Employee attrition is one of the main challenges faced by organizations in retaining competent human resources. This study aims to explore data patterns and predict employee attrition using the Exploratory Data Analysis (EDA) approach and Machine Learning algorithms such as Logistic Regression, Support Vector Machine (SVM), and Naive Bayes. The analysis was conducted on a dataset that includes various factors such as demographics, job satisfaction, and employee performance. The research findings indicate that Logistic Regression achieved an accuracy of 87%, but the model has weaknesses in detecting the positive class (attrition), as reflected by its low recall score. SVM, with an accuracy of 85%, provided high precision for the positive class but performed poorly in detecting actual attrition cases. Conversely, Naive Bayes, with an accuracy of 85%, demonstrated more balanced performance with a higher weighted average F1-score compared to the other models, although there is still room for improvement, particularly in predicting the positive class. Based on the results, Naive Bayes stands out as a more reliable model for predicting employee attrition with more balanced performance compared to Logistic Regression and SVM. To enhance prediction performance, it is recommended to address the class imbalance in the dataset through techniques such as oversampling, undersampling, class weighting, or specialized algorithms.
Co-Authors Candra, Beda Puspita Firmansyah, Fendy Bayu Imam Thoib iwan Syarif Kurnia, Nicky Dwi Nafii’, Ayu Fernanda Nurun Nicky Dwi Kurnia Nugraha, Danang Satya Nur Ani, Febi Warta Satya Nugraha, Danang Sururi, Nafis Tessy Badriyah, Tessy Thoib, Imam