Article Per Year (5 Year)
p-Index From 2020 - 2025
1.532
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi dan Ilmu Komputer Jurnal Teknologi dan Sistem Komputer INFOMATEK: Jurnal Informatika, Manajemen dan Teknologi Jurnal Informatika Kaputama (JIK) Jurnal Minfo Polgan (JMP) Journal of Artificial Intelligence and Engineering Applications (JAIEA) Prosiding Seminar Nasional Rekayasa dan Teknologi (TAU SNAR- TEK)
Aliyah Kurniasih
Universitas Ary Ginanjar
Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Library & Information Science Mathematics Mechanical Engineering Social Sciences

Published : 9 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 9 Documents
Search

 1 
KLASIFIKASI PERSEPSI PENGGUNA TWITTER TERHADAP KASUS COVID-19 MENGGUNAKAN METODE LOGISTIC REGRESSION Aloysius Kurniawan Santoso; Astrid Noviriandini; Aliyah Kurniasih; Bagus Dwi Wicaksono; Ahmad Nuryanto
Jurnal Informatika Kaputama (JIK) Vol 5, No 2 (2021): Volume 5, Nomor 2 Juli 2021
Publisher : STMIK KAPUTAMA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.1234/jik.v5i2.517

Abstract

Dunia dilanda penyakit coronavirus (COVID-19) yang menyerang sistem pernafasan pada manusia. Virus tersebut berasal dari Wuhan, China. Dan saat ini sudah ditetapkan sebagai pandemi karena sudah menyebar hampir di seluruh Negara. Hal tersebut memicu gagasan dan opini masyarakat Amerika Serikat di media sosial twitter. Cuitan tersebut dimanfaatkan untuk mengetahui emosi seseorang dengan mengelompokan dalam 5 label diantaranya, extreme positive, positive, neutral, negative dan extreme negative. Pada hal ini penulis mengelompokan label menjadi 3 label kelas, diantaranya positive, neutral dan negative. Penulis menguji menggunakan metode Logistic Regression dengan memberi variasi hyperparameter L2 dan None. Pada hyperparameter L2 diperoleh nilai akurasi 77% dan F1 score sebesar 74%. Dan pada variasi hyperparameter None diperoleh nilai akurasi 74% dan F1 Score 70%. Dalam demikian, pada nilai hyperparameter L2 merupakan variasi terbaik pada metode Logistic Regression.
KLASIFIKASI PERSEPSI PENGGUNA TWITTER TERHADAP KASUS COVID-19 MENGGUNAKAN METODE LOGISTIC REGRESSION Aloysius Kurniawan Santoso Santoso; Astrid Noviriandini; Aliyah Kurniasih; Bagus Dwi Wicaksono; Ahmad Nuryanto
Jurnal Informatika Kaputama (JIK) Vol 5 No 2 (2021): Volume 5, Nomor 2, Juli 2021
Publisher : STMIK KAPUTAMA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59697/jik.v5i2.247

Abstract

Dunia dilanda penyakit coronavirus (COVID-19) yang menyerang sistem pernafasan pada manusia. Virus tersebut berasal dari Wuhan, China. Dan saat ini sudah ditetapkan sebagai pandemi karena sudah menyebar hampir di seluruh Negara. Hal tersebut memicu gagasan dan opini masyarakat Amerika Serikat di media sosial twitter. Cuitan tersebut dimanfaatkan untuk mengetahui emosi seseorang dengan mengelompokan dalam 5 label diantaranya, extreme positive, positive, neutral, negative dan extreme negative. Pada hal ini penulis mengelompokan label menjadi 3 label kelas, diantaranya positive, neutral dan negative. Penulis menguji menggunakan metode Logistic Regression dengan memberi variasi hyperparameter L2 dan None. Pada hyperparameter L2 diperoleh nilai akurasi 77% dan F1 score sebesar 74%. Dan pada variasi hyperparameter None diperoleh nilai akurasi 74% dan F1 Score 70%. Dalam demikian, pada nilai hyperparameter L2 merupakan variasi terbaik pada metode Logistic Regression.
Evaluations of Emotion Analysis of Tweets using Bidirectional Long Short Term Memory and Conventional Machine Learning Kurniasih, Aliyah; Santoso, Aloysius Kurniawan; Wicaksono, Bagus Dwi; Pardede, Hilman F
Jurnal Teknologi dan Sistem Komputer Volume 10, Issue 2, Year 2022 (April 2022)
Publisher : Department of Computer Engineering, Engineering Faculty, Universitas Diponegoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.14710/jtsiskom.2022.14141

Abstract

Many ideas are contained in the social media twitter as a form of expression for an event. This review can be used to determine a person's emotions based on text data so that we can determine the next action in addressing and responding to that opinion. Emotion classification on twitter can be done by recognizing the tweet text pattern of the user. In this study, representing emotions using the BiLSTM model and the Conventional Machine Learning model. The amount of learning rate and the number of layers and the optimizer used and the number of epochs in the BiLSTM model can affect the accuracy results. In the conventional machine learning model, the K value of the KNN, the selection of the naive bayes model on probalistic, and the Decision Tree variation in the values of Max-depth, min-leaves, min-split will affect the results of the accuracy value. So that we get a good model for the classification of emotional sentiments based on text data from an opinion on the tweets page. 
Perbandingan Metode Multilayer Perceptron dan Naive Bayes Classsifier untuk Mendeteksi Turnamen Netral pada Women's International Football TAU, Snartek; Aldy Fadilla, Muhammad; Kurniasih, Aliyah
Prosiding TAU SNARS-TEK Seminar Nasional Rekayasa dan Teknologi Vol. 3 No. 1 (2024): Prosiding TAU SNARS-TEK Seminar Nasional Rekayasa dan Teknologi 2024
Publisher : Fakultas Teknik dan Teknologi - TANRI ABENG UNIVERSITY

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47970/snarstek.v2i1.575

Abstract

Sepakbola merupakan salah satu olahraga yang paling popular di seluruh dunia, salah satunya pada pertandingan sepakbola internasional wanita yang tidak jarang diadakan pada berbagai olimpiade maupun piala dunia. Karena banyaknya minat dari berbagai negara yang menyukai olahraga ini, pastinya pertandingan yang dimainkan di tempat netral sangat penting dan diharapkan bagi para pemain dan penonton. Teknik machine learning menjadi hal yang penting dilakukan, karena proses klasifikasi dalam memprediksi dapat dilakukan secara otomatis melalui data. Oleh karena itu pada penelitian ini dengan membandingkan algoritma machine learning yaitu multilayer perceptron dan naive bayes classifier digunakan untuk dapat mengklasifikasikan pada pertandingan women’s football. Model yang dibangun dievaluasi dengan melihat tingkat accuracy, precision, recall dan f1-score. Hasil menunjukkan bahwa multilayer perception dengan accuracy sebesar 98.2% dapat berkinerja lebih baik di bandingkan dengan naïve bayes classifier yang hanya menghasilkan nilai accuracy sebesar 69.8%.
Penerapan Pre-Trained Networks untuk Deteksi Jenis Tanaman Herbal Berdasarkan Citra Daun Akmal, Refido Arjunal; Hartati, Sri; Kurniasih, Aliyah
INFOMATEK Vol 26 No 2 (2024): Desember 2024
Publisher : Fakultas Teknik, Universitas Pasundan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23969/infomatek.v26i2.19474

Abstract

Indonesia memiliki jenis tanaman herbal yang cukup banyak. Tanamanan herbal memiliki kebermanfaatan untuk kesehatan yang digunakan masyarakat secara luas sebagai pengobatan tradional. Akan tetapi keberadaan jenis tanaman herbal tidak cukup banyak dikenali oleh masyarakat. Melihat pentingnya tanaman ini sebagai pengobatan dan masih belum banyaknya jenis tanaman herbal yang belum diketahui masyarakat, maka diperlukan suatu teknologi yang dapat mengenali jenis tanaman herbal dari citra daun. Teknologi deep learning pre-trained model seperti ResNet50, VGG16 dan DenseNet201 yang dikombinasikan dengan arsitektur CNN digunakan untuk membuat model machine lenaring, dan dibangun juga base model CNN. Accuracy performance metrix digunakan untuk melihat kinerja model, dan dihasilkan model terbaik pada pre-trained networks DenseNet201 model dengan accuracy sebesar 100% yang akan mampu mengenali data baru secara akurat.
Implementation of GridSearchCV to Find the Best Hyperparameter Combination for Classification Model Algorithm in Predicting Water Potability Kurniasih, Aliyah; Previana, Cantika Nur
Journal of Artificial Intelligence and Engineering Applications (JAIEA) Vol. 4 No. 2 (2025): February 2025
Publisher : Yayasan Kita Menulis

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59934/jaiea.v4i2.844

Abstract

Drinking water quality is an important factor in public health, so an accurate approach is needed to determine water potability. This research aims to create a water potability prediction model using machine learning methods, with a focus on model accuracy and testing. The dataset used includes various chemical parameters, as well as one radiological and acceptability parameter. In this study, various machine learning algorithms, such as Support Vector Machine (SVM), Random Forest (RF), and Logistic Regression, were applied using GridSearchCV and their performance compared. Models were evaluated using accuracy, precision, recall, F1-score, and confusion matrix metrics, with cross-validation to ensure generalizability. The results showed that the Support Vector Machine algorithm provided the best performance with an accuracy of 70.43%, followed by Random Forest and Logistic Regression with accuracies of 70.12% and 62.20%, respectively. The Support Vector Machine-based model is able to provide reliable predictions and can be used as a tool to support decision-making in water quality management.
Penerapan Blok SE-NET Pada Deep Learning Inceptionv3 untuk Meningkatkan Deteksi Penyakit Mpox pada Manusia Rachman, M. Bakhara Alief; Kurniasih, Aliyah; Sundawijaya, Andika; Nuraminah, Ahlijati
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 5: Oktober 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024117978

Abstract

Mpox atau cacar monyet adalah penyakit yang disebabkan oleh virus monkeypox. Penelitian terdahulu membuktikan sudah tersedia beberapa pre-trained model yang terbukti mampu mendeteksi penyakit mpox dengan menggunakan dataset MSLD (Monkeypox Skin Lesion Dataset) seperti VGG16, ResNet50, InceptionV3, dan penggabungan ketiga model tersebut. Dari penelitian tersebut didapatkan hasil model InceptionV3 memiliki tingkat akurasi paling rendah dengan nilai 74.07% berbanding jauh dengan ResNet50 yang mampu hingga 82.96% dan menjadikannya akurasi tertinggi. Namun, terdapat peluang akurasi model InceptionV3 mampu ditingkatkan. Oleh sebab itu, pada penelitian diimplementasikan arsitektur baru dan penambahan blok SE-Net (Squeeze and Excitation Networks) pada pre-trained model InceptionV3. Untuk training dan evaluasi model akan menggunakan dataset MSLD. Penelitian ini dilaksanakan dengan harapan mampu meningkatkan akurasi pre-trained model InceptionV3 dalam mendeteksi penyakit mpox. Dari hasil penelitian berdasarkan nilai confusion matrix penerapan arsitektur baru berhasil dilakukan terbukti dengan peningkatan akurasi dari 74.07% menjadi 82.22%. Selain itu, penambahan blok SE-Net terhadap arsitektur baru terbukti mampu meningkatkan akurasi menjadi 91.11% dan menjadikan performa InceptionV3 menjadi lebih baik dari akurasi ResNet50. Dari hasil penelitian tersebut memberikan rekomendasi untuk melakukan percobaan dengan mengganti pre-trained model, blok SE-Net, dan jumlah perbandingan dataset antara train, validation, dan test.   Abstract   Mpox or monkeypox is a disease caused by the monkeypox virus. Previous research has proven that there are several pre-trained models that are proven to be able to detect mpox disease using MSLD (Monkeypox Skin Lesion Dataset) datasets such as VGG16, ResNet50, InceptionV3, and a combination of these three models. From this research, it was found that the InceptionV3 model has the lowest level of accuracy with a value of 74.07% compared to ResNet50 which is capable of up to 82.96% and makes it the highest accuracy. However, there is a chance that accuracy can be improved. Therefore, this research will apply a new architecture and SE-Net blocks to the InceptionV3 pre-trained model using the MSLD dataset. From the results of research based on the value of the confusion matrix the application of the new architecture was successfully carried out as evidenced by an increase in accuracy from 74.07% to 82.22%. In addition, the addition of the SE-Net block to the new architecture is proven to be able to increase accuracy to 91.11% and make InceptionV3's performance better than ResNet50's accuracy. The results of this study provide recommendations for conducting experiments by changing the pre-trained model, the SE-Net block, and the number of dataset comparisons between train, validation, and test.
Penerapan SMOTE untuk Mengatasi Imbalance Class dalam Klasifikasi Kepribadian MBTI Menggunakan Naive Bayes Classifier Pulungan, Mutiara Persada; Purnomo, Andi; Kurniasih, Aliyah
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 5: Oktober 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024117989

Abstract

Kepribadian Myers-Briggs Type Indicator ( MBTI ) telah menjadi topik populer dalam memahami karakteristik individu dan dampaknya pada interaksi sosial, karir, dan pengambilan keputusan. Model Machine Learning dengan algoritma Naive Bayes Classifier sering digunakan untuk memprediksi kepribadian MBTI berdasarkan data Twitter. Namun, seringkali terjadi ketidakseimbangan kelas, dengan beberapa jenis kepribadian yang memiliki sampel lebih sedikit. Untuk mengatasi hal ini, penelitian ini menggunakan teknik Synthetic Minority Over-sampling Technique (SMOTE) untuk meningkatkan jumlah sampel pada kelas minoritas. Selain itu, metode Term Frequency-Inverse Document Frequency (TF-IDF) digunakan untuk mengekstraksi fitur penting dari teks. Penelitian ini bertujuan menerapkan teknik SMOTE untuk mengatasi ketidakseimbangan kelas dalam klasifikasi kepribadian MBTI menggunakan beberapa algoritma Naive Bayes Classifier, termasuk Gaussian, Multinomial, Bernoulli, Complement, dan Logistic Regression berdasarkan model Keirsey: Artisan, Guardian, Rational, dan Idealist. Evaluasi menggunakan metode Hold-Out-Validation dengan membagi data menjadi 90% data latih dan 10% data uji. Hasil evaluasi menunjukkan performa rendah algoritma Naive Bayes Classifier untuk kelas Artisan dan Guardian, tetapi baik untuk kelas Rational dan Idealist. Algoritma Logistic Regression memiliki akurasi tertinggi 80% dan performa yang lebih baik secara keseluruhan, meskipun masih rendah untuk kelas Artisan dan Guardian. Dengan demikian, penelitian ini memberikan pemahaman tentang penggunaan algoritma Naive Bayes Classifier dan teknik SMOTE dalam prediksi kepribadian MBTI, dengan potensi peningkatan kinerja melalui penggunaan algoritma Logistic Regression.   Abstract   Myers-Briggs Type Indicator (MBTI) personality is becoming a popular topic in understanding individual characteristics and their impact on social interaction, career, and decision-making. Machine Learning models with Naive Bayes Classifier algorithms are often used to predict MBTI personalities from Twitter data. However, there is often a class imbalance, with some personality types having a smaller sample. To overcome this, this study used the Synthetic Minority Over-sampling Technique (SMOTE) technique to increase the number of samples in minority classes. Additionally, the Term Frequency-Inverse Document Frequency (TF-IDF) method is used to extract important features from text. This study aims to apply SMOTE techniques to address class imbalances in MBTI personality classification using several Naïve Bayes Classifier algorithms, including Gaussian, Multinomial, Bernoulli, Complement, and Logistic Regression based on Keirsey's model: Artisan, Guardian, Rational, and Idealist. Evaluation using the Hold-Out-Validation method by dividing the data into 90% training data and 10% test data. The evaluation results showed low performance of the Naive Bayes Classifier algorithm for the Artisan and Guardian classes, but both for the Rational and Idealist classes. The Logistic Regression algorithm has the highest accuracy of 79% and better performance overall, although it is still low for the Artisan and Guardian classes. Thus, this study provides insight into the use of Naive Bayes Classifier algorithm and SMOTE technique in MBTI personality prediction, with potential performance improvement through the use of Logistic Regression algorithm.
Peran Artificial Intelligence dalam Deteksi Dini Ancaman Keamanan Jaringan Purnomo, Andi; Kurniasih, Aliyah; Nuarminah, Ahlijati; Hartati, Sri
Jurnal Minfo Polgan Vol. 13 No. 2 (2024): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v13i2.14356

Abstract

Keamanan jaringan komputer menghadapi tantangan yang semakin kompleks seiring dengan meningkatnya volume dan variasi ancaman, seperti serangan Distributed Denial of Service (DDoS), malware, dan eksploitasi kerentanan. Pendekatan tradisional dalam deteksi dan mitigasi ancaman sering kali tidak cukup responsif terhadap pola serangan yang dinamis dan canggih. Teknologi kecerdasan buatan (Artificial Intelligence/AI), khususnya Machine Learning (ML), menawarkan pendekatan baru yang lebih adaptif dan proaktif.Penelitian ini bertujuan untuk menganalisis peran AI dalam meningkatkan keamanan jaringan melalui penerapan berbagai algoritma ML, seperti Naïve Bayes Classifier, Support Vector Machine (SVM), Decision Tree, dan Random Forest. Pendekatan ini memungkinkan analisis data dalam jumlah besar secara real-time, identifikasi pola anomali, dan deteksi dini terhadap serangan yang belum teridentifikasi sebelumnya. Hasil tinjauan literatur menunjukkan bahwa algoritma Machne Learning mampu meningkatkan akurasi deteksi ancaman hingga 95% dalam berbagai studi kasus. Meskipun demikian, beberapa tantangan masih dihadapi, seperti tingkat false positives yang tinggi, keterbatasan data pelatihan, dan kebutuhan infrastruktur yang signifikan. Untuk mengatasi tantangan ini, diperlukan pengembangan algoritma yang lebih efisien serta integrasi AI dengan teknologi lain, seperti blockchain dan Software-Defined Networking (SDN).Penelitian ini menyimpulkan bahwa AI memiliki potensi besar untuk menjadi komponen kunci dalam strategi keamanan jaringan modern, dengan memberikan solusi yang lebih cepat, akurat, dan skalabel dalam mendeteksi dan merespons ancaman keamanan siber.
Co-Authors Ahlijati Nuraminah, Ahlijati Ahmad Nuryanto Akmal, Refido Arjunal Aldy Fadilla, Muhammad Aloysius Kurniawan Santoso Aloysius Kurniawan Santoso Santoso Andi Purnomo, Andi Astrid Noviriandini Bagus Dwi Wicaksono Bagus Dwi Wicaksono Nuarminah, Ahlijati Pardede, Hilman F Previana, Cantika Nur Pulungan, Mutiara Persada Rachman, M. Bakhara Alief Santoso, Aloysius Kurniawan Sri Hartati Sundawijaya, Andika TAU, Snartek Wicaksono, Bagus Dwi