Article Per Year (5 Year)
p-Index From 2020 - 2025
2.908
P-Index
This Author published in this journals
All Journal TEKNIK INFORMATIKA Jurnal Sains dan Teknologi Sinkron : Jurnal dan Penelitian Teknik Informatika Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) JURNAL INSTEK (Informatika Sains dan Teknologi) Jurnal FATEKSA : Jurnal Teknologi dan Rekayasa Jurnal Teknologi Terpadu Dielektrika : Jurnal Ilmiah Kajian Teori dan Aplikasi Teknik Elektro Tematik : Jurnal Teknologi Informasi Komunikasi JNANALOKA Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) KLIK: Kajian Ilmiah Informatika dan Komputer Journal of Artificial Intelligence and Engineering Applications (JAIEA) Journal of Scientific Research, Education, and Technology Jurnal Honai
KUSRINI
Unknown Affiliation
Automotive Engineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Mechanical Engineering Social Sciences Transportation Other

Published : 20 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 20 Documents
Search

 1   2 
ANALISIS SENTIMEN PEMINDAHAN IBU KOTA NEGARA (IKN) MENGGUNAKAN METODE OVERSAMPLING SYNTHETIC MINORITY (SMOTE) Ahmad Almas'ud ZD; Kusrini; Anggit Dwi Hartanto
Jurnal INSTEK (Informatika Sains dan Teknologi) Vol 9 No 2 (2024): OCTOBER
Publisher : Department of Informatics Engineering, Faculty of Science and Technology, Universitas Islam Negeri Alauddin, Makassar, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/instek.v9i2.50944

Abstract

Pemindahan Ibu Kota Negara (IKN) adalah keputusan strategis yang memicu berbagai tanggapan dan reaksi dari berbagai pihak. Analisis sentimen terhadap pemindahan IKN menjadi suatu aspek penting untuk memahami pola pikir dan sikap masyarakat terhadap keputusan tersebut. Studi ini bertujuan untuk melakukan perbandingan performa algoritma klasifikasi terhadap analisis sentimen pada data teks yang berisi opini dan pendapat masyarakat terkait pemindahan IKN menggunakan metode oversampling Synthetic Minority (SMOTE) untuk mengatasi masalah ketidakseimbangan dalam data sentimen. Dua algoritma klasifikasi, yaitu Support Vector Machine (SVM) dan Random Forest, dievaluasi dalam konteks ini. Hasil penelitian menunjukkan peningkatan signifikan dalam performa kedua algoritma setelah penerapan metode SMOTE. Performa algoritma SVM meningkat dari 85% menjadi 92%, sementara algoritma Random Forest meningkat dari 84% menjadi 91%. Hasil ini menunjukkan bahwa metode SMOTE efektif dalam meningkatkan kemampuan algoritma klasifikasi untuk mengatasi ketidakseimbangan data dan menghasilkan prediksi sentimen yang lebih akurat.
Enhancing SQL Injection Attack Detection Using Naïve Bayes and SMOTE Method on Imbalanced Datasets Arnap, Adam; Kusrini
Journal of Artificial Intelligence and Engineering Applications (JAIEA) Vol. 4 No. 1 (2024): October 2024
Publisher : Yayasan Kita Menulis

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59934/jaiea.v4i1.559

Abstract

SQL injection attack detection is a crucial aspect of cybersecurity, considering the potential damage that such attacks can cause. This study aims to evaluate the effectiveness of the Naive Bayes model in detecting SQL injection attacks on an imbalanced dataset. To address the data imbalance issue, the SMOTE (Synthetic Minority Over-sampling Technique) method was applied. The study consists of two phases: first, training and testing the Naive Bayes model on the original dataset without SMOTE, and second, training and testing on the dataset with SMOTE applied. The results indicate that the Naive Bayes model on the dataset without SMOTE achieved an accuracy of 0.9948, F1 Score of 0.9885, Precision of 0.9906, and Recall of 0.9946. After applying SMOTE, the model's performance improved significantly, with an accuracy of 0.9950, F1 Score of 0.9950, Precision of 0.9950, and Recall of 0.9950. This improvement suggests that SMOTE effectively enhanced class balance in the dataset, improving the model's ability to detect both malicious and safe queries. The study recommends exploring other resampling methods, feature engineering analysis, and testing on more diverse datasets as well as implementation in real-world environments for future research.
Deteksi Stres dan Depresi Unggahan Media Sosial dengan Machine Learning Tolla, Yefta; Kusrini
JURNAL FASILKOM Vol. 15 No. 1 (2025): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Publisher : Unversitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/jf.v15i1.9067

Abstract

Penelitian ini menyajikan sebuah model pembelajaran mesin yang mengintegrasikan Support Vector Machine (SVM), Natural Language Processing (NLP), dan SHapley Additive exPlanations (SHAP) untuk mendeteksi stres dan depresi dari unggahan di Twitter. Dataset ini terdiri dari postingan yang dikumpulkan selama satu tahun terakhir, yang dilabeli ke dalam kategori stres, depresi, dan netral. Teknik NLP-tokenization, penghilangan stopword, stemming, dan Term Frequency-Inverse Document Frequency (TF-IDF)-diterapkan untuk membersihkan teks dan mengekstrak fitur-fitur yang relevan. Langkah-langkah ini memastikan hanya kata-kata yang bermakna yang memengaruhi klasifikasi, sehingga meningkatkan kinerja prediktif. SVM berfungsi sebagai pengklasifikasi utama karena keefektifannya dalam data teks berdimensi tinggi. SHAP meningkatkan kemampuan interpretasi dengan menyoroti fitur-fitur berpengaruh yang mendorong prediksi, sehingga meningkatkan transparansi. Hasil penelitian menunjukkan bahwa kata-kata seperti “stres”, “lelah”, dan “cemas” sangat mengindikasikan stres, sedangkan “depresi”, “kecewa”, dan “menyerah” menandakan kecenderungan depresi. Frasa seperti “lelah secara mental” semakin mendukung proses identifikasi. Model ini mencapai akurasi 96,44%, dengan presisi, recall, dan skor F1 yang tinggi (rata-rata 96%). Matriks kebingungan mengkonfirmasi keefektifan model dalam mengklasifikasikan tiga kategori dengan kesalahan minimal. Integrasi NLP, SVM, dan SHAP tidak hanya meningkatkan akurasi klasifikasi, tetapi juga meningkatkan penjelasan, menjadikan model ini alat yang menjanjikan untuk deteksi dini dan pemahaman kondisi kesehatan mental melalui analisis media sosial.
Data Clustering for Sentiment Classification with Naïve Bayes and Support Vector Machine Yanuargi, Bayu; Ema Utami; Kusrini; Parikesit, Arli Aditya
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 8 No 6 (2024): December 2024
Publisher : Ikatan Ahli Informatika Indonesia (IAII)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29207/resti.v8i6.6139

Abstract

Visitor reviews play a crucial role in determining the success of a business, particularly those offering hospitality and services, such as hotels. The growth of internet technology has made it easier for guests to share their experiences, which can influence potential customers. Google Maps is one of the platforms used for giving and searching reviews This research uses data crawled from Google Maps Review using the playwright library. However, the large volume of reviews can make analysis and topic-based categorization—such as service quality, hotel location, and operational hours—challenging. To address this, DBSCAN is used to cluster reviews based on these topics. Clustering helps improve sentiment classification, making it more targeted and allowing a comparison of two machine learning algorithms: Naïve Bayes and Support Vector Machine (SVM). Naïve Bayes achieved higher accuracy (0.87) in the operational hours cluster, while SVM scored 0.78. However, SVM showed improved accuracy in the location (0.89) and service (0.88) clusters, with Naïve Bayes maintaining a stable 0.86 accuracy in both. Both models demonstrated an average training time of less than one second, excluding preprocessing.
Evaluating Transformer Models for Social Media Text-Based Personality Profiling Hartanto, Anggit; Ema Utami; Arief Setyanto; Kusrini
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 9 No 1 (2025): February 2025
Publisher : Ikatan Ahli Informatika Indonesia (IAII)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29207/resti.v9i1.6157

Abstract

This research aims to evaluate the performance of various Transformer models in social media-based classification tasks, specifically focusing on applications in personality profiling. With the growing interest in leveraging social media as a data source for understanding individual personality traits, selecting an appropriate model becomes crucial for enhancing accuracy and efficiency in large-scale data processing. Accurate personality profiling can provide valuable insights for applications in psychology, marketing, and personalized recommendations. In this context, models such as BERT, RoBERTa, DistilBERT, TinyBERT, MobileBERT, and ALBERT are utilized in this study to understand their performance differences under varying configurations and dataset conditions, assessing their suitability for nuanced personality profiling tasks. The research methodology involves four experimental scenarios with a structured process that includes data acquisition, preprocessing, tokenization, model fine-tuning, and evaluation. In Scenarios 1 and 2, a full dataset of 9,920 data points was used with standard fine-tuning parameters for all models. In contrast, ALBERT in Scenario 2 was optimized using customized batch size, learning rate, and weight decay. Scenarios 3 and 4 used 30% of the total dataset, with additional adjustments for ALBERT to examine its performance under specific conditions. Each scenario is designed to test model robustness against variations in parameters and dataset size. The experimental results underscore the importance of tailoring fine-tuning parameters to optimize model performance, particularly for parameter-efficient models like ALBERT. ALBERT and MobileBERT demonstrated strong performance across conditions, excelling in scenarios requiring accuracy and efficiency. BERT proved to be a robust and reliable choice, maintaining high performance even with reduced data, while RoBERTa and DistilBERT may require further adjustments to adapt to data-limited conditions. Although efficient, TinyBERT may fall short on tasks demanding high accuracy due to its limited representational capacity. Selecting the right model requires balancing computational efficiency, task-specific requirements, and data complexity.
DiG-MFV: Dual-integrated Graph for Multilingual Fact Verification Agustina, Nova; Kusrini; Utami, Ema; Hidayat, Tonny
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 9 No 4 (2025): August 2025 (in progress)
Publisher : Ikatan Ahli Informatika Indonesia (IAII)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29207/resti.v9i4.6695

Abstract

The proliferation of misinformation in political domains, especially across multilingual platforms, presents a major challenge to maintaining public information integrity. Existing models often fail to effectively verify claims when the evidence spans multiple languages and lacks a structured format. To address this issue, this study proposes a novel architecture called Dual-integrated Graph for Multilingual Fact Verification (DiG-MFV), which combines semantic representations from multilingual language models (i.e., mBERT, XLM-R, and LaBSE) with two graph-based components: an evidence graph and a semantic fusion graph. These components are processed through a dual-path architecture that integrates the outputs from a text encoder and a graph encoder, enabling deeper semantic alignment and cross-evidence reasoning. The PolitiFact dataset was used as the source of claims and evidence. The model was evaluated by using a data split of 70% for training, 20% for validation, and 10% for testing. The training process employed the AdamW optimizer, cross-entropy loss, and regularization techniques, including dropout and early stopping based on the F1-score. The evaluation results show that DiG-MFV with LaBSE achieved an accuracy of 85.80% and an F1-score of 85.70%, outperforming the mBERT and XLM-R variants, and proved to be more effective than the DGMFP baseline model (76.1% accuracy). The model also demonstrated stable convergence during training, indicating its robustness in cross-lingual political fact verification tasks. These findings encourage further exploration in graph-based multilingual fact verification systems.
ANALISIS RUNTUN WAKTU DALAM MEMPREDIKSI PENERIMAAN MAHASISWA BARU MENGGUNAKAN REGRESI LINEAR: Studi Kasus : UNIVERSITAS SATYA WIYATA MANDALA) Mawene, Brenstein; Kusrini; Hidayat, Tonny
Jurnal FATEKSA : Jurnal Teknologi dan Rekayasa Vol. 9 No. 1 (2024): Jurnal FATEKSA, Jurnal Teknologi dan Rekayasa
Publisher : Fakultas Teknologi dan Rekayasa

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

Abstract

Perlembangan teknologi menghasilkan modernitas dibidang pendidikan serta bidang lainnya dalan kehidupan sehari-hari. Tujuan dari penelitian ini yaitu untuk dapat memprediksi jumlah penerimaan mahasiswa baru ditahun mendatang, dengan menggunakan Metode Regresi Linear dan Gradient Boosting. Prediksi jumlah mahasiswa baru diperlukan untuk membantu Universitas Satya Wiyata Mandala untuk mengetahui jumlah mahasiswa baru di tahun yang akan datang sehingga pihak Universitas dapat melakukan evaluasi untuk mempersiapkan Sarana Dan Prasarana Perkuliahan. Dalam penelitian ini peneliti berfokus pada Jumlah Mahasiswa Baru. Berdasarkan evaluasi komparatif Model Regresi Linear menunjukan performa yang buruk dengan nilai MAE 32.83, RMSE 39.74, R² -0.11 sedangkan Model Gradient Boosting menunjukan performa yang lebih baik dengan nilai MAE 13.16, RMSE 17.13, R² 0.79. secara keseluruhan model Gradient Boosting memberikan hasil prediksi yang lebih baik dibandingkan Model Regresi Linear.
PENERAPAN E-GOVERNMENT SEBAGAI UPAYA PENINGKATAN LAYANAN PUBLIK DI DINAS TENAGA KERJA DAN TRANSMIGRASI YOGYAKARTA Rosadi, Ilham Aziz; Rahmawati, Agustina; Kusrini
Jurnal Honai Vol 3 No 2 (2024): Juni 2024
Publisher : LPPM UNAIM

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61578/honai.vol4.no1.art5

Abstract

Penelitian ini dilatarbelakangi mengenai pentingnya penerapan E-Government, semua elemen pemerintahan pusat maupun daerah untuk senantiasa menerapkan E-Government. Karena E-Government merupakan pemanfaatan Teknologi Informasi dan Komunikasi yang dilakukan pemerintah dalam mendukung serta meningkatkan kinerja layanan publik kepada masyarakat. Kemudian penelitian ini berfokus pada penerapan E-Government pada Dinas Tenaga Kerja dan Transmigrasi Daerah Istimewa Yogyakarta yang merupakan pusat arus informasi dan pengaduan berkaitan dengan ketenagakerjaan maupun transmigrasi pada lingkup Pemerintah Provinsi Daerah Istimewa Yogyakarta dengan menggunakan media elektronik website pemerintahan nakertrans.jogjaprov.go.id. Tujuan dari penelitian ini untuk mendeskripsikan penerapan E-Government serta faktor pendukung dan penghambat berdasarkan teori G.Valdes dalam penyelenggaraan pemerintahan berbasis elektronik pada Dinas Tenaga Kerja dan Transmigrasi Daerah Istimewa Yogyakarta. Penelitian ini menggunakan metode penelitian deskriptif kualitatif. Dengan berfokus pada 4 indikator penerapan E-Government diantaranya: E-Government Strategy (Strategi E-Government), IT Governance (Tata Kelola Teknologi Informasi), Process Management (Proses Manajemen), Organization and People (Organisasi dan Orang). Proses pengumpulan data menggunakan teknik wawancara, observasi, dan dokumentasi. Kemudian teknik analisis data dilakukan secara kualitatif dari hasil pengumpulan data yang diperoleh. Sehingga dapat diambil kesimpulan bahwa Disnakertrans DIY sudah menerapkan dan mengembangkan E-Government dimana terdapat 13 faktor pendukungnya yakni: Visi, Strategi, dan Kebijakan, Strategi Arsitektur Perusahaan, Manajemen TI, Arsitektur TI, Portofolio dan Manajemen Risiko, Layanan TI, Pemanfaatan Aset, Proses Bisnis Manajemen, Manajemen Kinerja, Kepatuhan, Jaminan Mutu dan Keamanan, Manajemen Perubahan, Manajemen Pengetahuan. Dan selanjutnya terdapat 4 faktor penghambat yakni: Layanan kepada Warga dan Bisnis, Interoperabilitas, Infrastruktur dan Alat, Sumber daya Manusia.
VARFIS: A Hybrid Neuro-Fuzzy Model for Intelligent Microclimate Control in Black Soldier Fly Farming Systems Yunita Sartika Sari; Kusrini; Ema Utami; Ferry Wahyu Wibowo
JURNAL TEKNIK INFORMATIKA Vol. 18 No. 2: JURNAL TEKNIK INFORMATIKA
Publisher : Department of Informatics, Universitas Islam Negeri Syarif Hidayatullah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15408/jti.v18i2.46610

Abstract

Maintaining optimal microclimate conditions is essential for Black Soldier Fly (BSF) cultivation, yet traditional systems often struggle with dynamic environmental changes. This study proposes the Vector Autoregressive-Fuzzy Inference System (VARFIS), a hybrid model combining Vector Autoregression (VAR) and Adaptive Neuro-Fuzzy Inference System (ANFIS), to enhance temperature and humidity control in BSF insectariums. VARFIS adapts to uncertainty using probabilistic learning, achieving a 48% reduction in prediction error (MAPE = 1.36%) and high accuracy (R² = 0.9695), outperforming standalone VAR and ANFIS models. The model effectively captures daily climate fluctuations, improving larval growth efficiency and waste conversion. However, it remains limited in handling extreme events such as sudden heatwaves or humidity spikes, indicating the need for enhancements like adaptive fuzzy rule tuning and integration of physical constraints. VARFIS presents a scalable solution for intelligent microclimate management, supporting sustainable insect farming and circular economy goals. This work contributes to precision agriculture by offering data-driven tools for resilient environmental control.
Klasifikasi Tingkat Kematangan Tandan Buah Segar Kelapa Sawit Menggunakan Pendekatan Deep Learning Zulkarnain, Jefri; Kusrini; Hidayat, Tonny
JST (Jurnal Sains dan Teknologi) Vol. 12 No. 3 (2023): Oktober
Publisher : Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23887/jstundiksha.v12i3.59140

Abstract

Menilai kematangan Tandan Buah Segar (TBS) kelapa sawit sangat kompleks, kematangan TBS dilihat berdasarkan jumlah atau persentase dari buah yang terlepas dari TBS serta berdasarkan perubahan warna kulit luar TBS, dalam melakukan klasifikasi tingkat kematangan rentan terjadi kesalahan penilaian oleh manusia, kesalahan klasifikasi dapat terjadi oleh berbagai faktor. Untuk membantu kesalahan dalam klasifikasi, Deep learning diusulkan dalam melakukan mengklasifikasi tingkat kematangan. Tujuan dalam penelitian ini adalah menganalisis klasifikasi menggunakan Deep learning untuk memprediksi tingkat kematangan TBS kelapa sawit. Dalam penelitian ini diusulkan Deep learning dengan model ResNet50 untuk melakukan klasifikasi pada empat tingkat kematangan TBS: mentah, kurang matang, matang, dan terlalu matang. Penelitian ini akan melakukan eksperimen berdasarkan empat alokasi data, dua optimizer, dan enam learning rate serta melakukan augmentasi data. Penelitian menunjukan experimen model yang diusulkan menghasilkan kondisi terbaik alokasi data 90/10, optimizer adam, dan learning rate 0.0001 dengan precision 96%, recall 98%, F1 score 97%, dan accuracy 97%. Kesimpulan dari hasil penelitian model yang diusulkan berhasil mencapai akurasi 97%, namun demikian dalam melakukan klasifikasi tingkat kematangan membutuh data latih dengan ukuran besar untuk mendapatkan hasil kalsifikasi yang baik serta memperhatikan dataset dan metode yang digunakan.
Co-Authors Agustina Rahmawati Agustina, Nova Ahmad Almas'ud ZD Ahsan, Muhammad Salimy Ali Asgar Zainal Abidin Anggit Dwi Hartanto Anggit Hartanto Arief Setyanto Arli Aditya Parikesit Arnap, Adam DHANI ARIATMANTO Dzalfa Tsalsabila Rhamadiyanti Ema Utami Ferry Wahyu Wibowo Hanafi Handoko Adji Pangestu Kurni, Samuel Everth Andrias Kusnawi Kusnawi M. Rudyanto Arief Maula Hidayat, Fajar Mawene, Brenstein Mohamad Firdaus, Mohamad Rosadi, Ilham Aziz Sari, Yunita Sartika Sri Wahyuningsih Tamaulina Br Sembiring Tolla, Yefta TONNY HIDAYAT Widyanto, Agung Yanuargi, Bayu Zakaria Zakaria Zulkarnain, Jefri Zulpan Hadi