Article Per Year (5 Year)
p-Index From 2021 - 2026
4.145
P-Index
This Author published in this journals
All Journal TEKNIK INFORMATIKA Jurnal Sains dan Teknologi Jurnal Teknologi Informasi dan Ilmu Komputer ELINVO (Electronics, Informatics, and Vocational Education) 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 JSI (Jurnal sistem Informasi) Universitas Suryadarma 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) Jurnal Computer Science and Information Technology (CoSciTech) DEVICE KLIK: Kajian Ilmiah Informatika dan Komputer Journal of Artificial Intelligence and Engineering Applications (JAIEA) Journal of Scientific Research, Education, and Technology Buffer Informatika Khazanah Informatika : Jurnal Ilmu Komputer dan Informatika 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 : 30 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 30 Documents
Search

 1   2   3 
Pengembangan dan Validasi Instrumen Kuesioner pada Model Evaluasi Game Digital Meega+ dengan Exploratory Factor Analysis (EFA) dan Cronbach’s Alpha Kurniawan, Mei; M. Suyanto; Utami, Ema; Kusrini
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 5: Oktober 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025125

Abstract

Kemajuan pesat teknologi Game Edukasi Digital (DEG) berimbas pada meningkatnya kebutuhan evaluasi terhadap game edukasi yang lebih reliabel (dapat diandalkan). Model evaluasi MEEGA+ saat ini masih memiliki keterbatasan dalam hal aspek control dan feedback yang memiliki dampak pada nilai hasil evaluasi. Penelitian ini bertujuan untuk mengembangkan dan memvalidasi instrumen kuesioner MEEGA+ yang berbasis pada pendekatan statistik, termasuk Exploratory Factor Analysis (EFA) dan Cronbach’s Alpha, untuk meningkatkan keandalan dan validitas evaluasi DEG. Metode penelitian yang digunakan adalah pendekatan kuantitatif dengan desain survei eksplanatori. Instrumen dikembangkan berdasarkan model MEEGA+ yang dimodifikasi, kemudian diuji melalui penyebaran kuesioner daring kepada responden. Studi kasus dilakukan pada game edukasi Minecraft dan Duolingo melalui survei secara daring dengan melibatkan 1.200 siswa SMA yang tersebar di seluruh wilayah Indonesia. Data yang terkumpul dianalisis menggunakan teknik Exploratory Factor Analysis (EFA) untuk mengidentifikasi struktur faktor, dan dilanjutkan dengan pengujian reliabilitas menggunakan nilai Cronbach’s Alpha pada berbagai variasi jumlah butir pertanyaan. Analisis dilakukan melalui variasi kombinasi pertanyaan (sebanyak 1, 2, dan 3 butir). Hasil penelitian kemudian menunjukkan bahwa kuesioner dengan hanya 2 butir pertanyaan (a dan b) ternyata menghasilkan reliabilitas tertinggi dengan nilai Cronbach’s Alpha sebesar 0,903 untuk game edukasi Minecraft dan 0,913 untuk game edukasi bahasa Duolingo. Hasil ini tentu saja melampaui nilai Cronbach’s Alpha model MEEGA+ saat ini yaitu hanya sebesar 0,866. Temuan ini memberikan kontribusi dalam pengembangan instrument alat evaluasi MEEGA+, sekaligus juga mencerminkan kebaruan dalam pendekatan yang digunakan. Instrumen temuan ini diharapkan mampu menjadi alat evaluasi yang lebih relevan dan signifikan untuk mendukung peningkatan kualitas DEG dalam pendidikan modern saat ini dan kedepannya nanti.   Abstract The rapid advancement of Digital Educational Game (DEG) technology has resulted in the increasing need for more reliable evaluation of educational games. The current MEEGA+ evaluation model still has limitations regarding control and feedback aspects that impact the evaluation result value. This study aims to develop and validate the MEEGA+ questionnaire instrument based on a statistical approach, including Exploratory Factor Analysis (EFA) and Cronbach's Alpha, to improve the reliability and validity of the DEG evaluation. The research method used is a quantitative approach with an explanatory survey design. The instrument was developed based on the modified MEEGA+ model, then tested through the distribution of online questionnaires to respondents. The case study was conducted on Minecraft and Duolingo educational games through an online survey involving 1,200 high school students spread throughout Indonesia. The collected data was analyzed using the Exploratory Factor Analysis (EFA) technique to identify the factor structure and continued with reliability testing using Cronbach's Alpha values ​​on various variations in the number of questions. The analysis was done through various question combinations (as many as 1, 2, and 3 items). The study results then showed that the questionnaire with only two questions (a and b) produced the highest reliability with a Cronbach's Alpha value of 0.903 for the Minecraft educational game and 0.913 for the Duolingo language educational game. These results certainly exceed the Cronbach's Alpha value of the current MEEGA+ model, which is only 0.866. These findings contribute to developing the MEEGA+ evaluation tool instrument while also reflecting the novelty of the approach used. It is anticipated that the results of this instrument will be a more pertinent and important assessment tool to help raise the standard of DEG in contemporary education both now and in the future.  
Prediksi Angka Perceraian Menggunakan Machine Learning Kemal Pasha; Kusrini
Buffer Informatika Vol. 11 No. 1 (2025): Buffer Informatika
Publisher : Department of Informatics Engineering, Faculty of Computer Science, University of Kuningan, Indonesia

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

Abstract

Peningkatan jumlah perceraian telah menjadi masalah sosial yang signifikan di berbagai negara, termasuk Indonesia dan Malaysia. Berdasarkan laporan Badan Pusat Statistik Indonesia, terdapat 516.334 kasus perceraian pada tahun 2022, yang meningkat sebesar 15,3% dibandingkan 447.743 kasus pada tahun 2021. Penelitian ini bertujuan untuk mengembangkan model prediksi jumlah perceraian di Indonesia menggunakan metode Long Short-Term Memory (LSTM), yang dikenal dengan kemampuannya dalam menangkap pola temporal pada data berurutan. Dataset penelitian mencakup data selama 10 tahun (2015–2024) yang diperoleh dari Pengadilan Agama Tanjung Pati dan Badan Pusat Statistik, meliputi empat variabel utama: Upah Minimum Regional (UMR), harga beras, perkara cerai talak, dan perkara cerai gugat. Data diproses menggunakan MinMaxScaler dan dibagi menjadi data latih (80%) dan data uji (20%). Model LSTM dibangun dengan 64 unit pada layer LSTM dan 32 unit pada dense layer, serta dilatih selama 100 epoch. Hasil penelitian menunjukkan bahwa model LSTM mencapai Mean Squared Error (MSE) sebesar 0,00002033 ,yang merupakan performa terbaik dibandingkan metode lainnya. Support Vector Regression (SVR) menghasilkan MSE sebesar 0,01022, diikuti oleh Multilayer Perceptron (MLP) dengan MSE 0,01144, dan Extreme Learning Machine (ELM) dengan MSE 0,02969. Penelitian sebelumnya oleh Aimran et al. juga menunjukkan bahwa Decision Tree (C5.0) memiliki akurasi sebesar 77,96%,Penelitian ini menyimpulkan bahwa LSTM adalah pendekatan yang sangat menjanjikan untuk memprediksi angka perceraian di Indonesia, dengan potensi untuk diterapkan pada dataset yang lebih besar dan seimbang. Hasil ini memberikan kontribusi penting dalam analisis data sosial dan dapat menjadi dasar dalam perencanaan kebijakan untuk mengatasi peningkatan angka perceraian.
Optimalisasi Smart home IoT Melalui Edge Computing Dan Fuzzy Q-Learning Secara Real-Time Andri, Agung; Kusrini; Agatstya, I Made Artha
Buffer Informatika Vol. 11 No. 1 (2025): Buffer Informatika
Publisher : Department of Informatics Engineering, Faculty of Computer Science, University of Kuningan, Indonesia

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

Abstract

Penelitian ini mengoptimalkan sistem Smart home IoT dengan menggabungkan Fuzzy Q-Learning dan komputasi Edge untuk meningkatkan efisiensi energi, mengurangi latensi, dan mempercepat waktu respons. Implementasi sistem mencakup penggunaan sensor PIR, LDR, dan DHT untuk mendeteksi gerakan, intensitas cahaya, serta suhu dan kelembaban, yang kemudian diproses menggunakan Edge Computing sebelum dikirim ke cloud. Pengujian dilakukan dalam tiga skenario: sistem tanpa optimasi berbasis cloud, sistem berbasis Edge tanpa Fuzzy Q-Learning, dan sistem berbasis Edge dengan Fuzzy Q-Learning. Hasil menunjukkan bahwa rata-rata latensi ke cloud menggunakan Ngrok adalah 17,43 ms, sementara latensi melalui Edge Computing hanya 1,67 ms. Efisiensi energi meningkat signifikan, dari konsumsi awal 700 W menjadi 453,17 W setelah optimasi. Waktu respons sistem berbasis cloud mencapai 535,71 ms, sedangkan sistem berbasis Edge dengan Fuzzy Q-Learning berhasil menurunkan waktu respons menjadi 507,33 ms. Perbandingan dengan penelitian sebelumnya menunjukkan bahwa pendekatan ini lebih efisien dalam pengelolaan daya dan latensi dibandingkan dengan metode konvensional berbasis cloud atau Edge tanpa optimasi. Dengan demikian, kombinasi Fuzzy Q-Learning dan komputasi Edge terbukti meningkatkan performa sistem Smart home IoT secara signifikan, menjadikannya solusi optimal untuk pemrosesan data real-time dengan efisiensi energi yang lebih baik.
Perbandingan Kinerja Algoritma Machine Learning dalam Deteksi Potensi Risiko HIV Ilmi, M. Bahril; Kusrini
Buffer Informatika Vol. 11 No. 1 (2025): Buffer Informatika
Publisher : Department of Informatics Engineering, Faculty of Computer Science, University of Kuningan, Indonesia

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

Abstract

HIV/AIDS masih menjadi tantangan kesehatan masyarakat yang signifikan di seluruh dunia, yang memengaruhi jutaan orang dan menimbulkan beban substansial pada sistem perawatan kesehatan. Identifikasi dini individu yang berisiko tinggi terinfeksi HIV sangat penting untuk menerapkan intervensi pencegahan. Studi ini berfokus pada prediksi risiko infeksi HIV menggunakan model machine learning tingkat lanjut, yaitu LightGBM, CatBoost, dan XGBoost. Model-model ini dipilih karena kinerjanya yang tinggi dalam menangani kumpulan data yang kompleks dan tidak seimbang yang merupakan ciri khas studi epidemiologi. Penelitian ini memanfaatkan fitur klinis dan demografi untuk mengembangkan model prediktif, menggunakan teknik seperti cross-validation, regularization, dan oversampling (misalnya, SMOTE) untuk mengatasi masalah umum seperti overfitting dan ketidakseimbangan data. Hasilnya menunjukkan bahwa model-model ini dapat mencapai akurasi tinggi, menawarkan alat yang berharga untuk penilaian risiko dini dan membantu dalam penerapan intervensi yang ditargetkan untuk mengendalikan penyebaran HIV
Flood Prediction Using Machine Learning Model Integrated with Geographical Information System Perdana Putra, Muhammad Ricky; Rama Ashari; Muhirin; Azib Widad Zuhaily Imam; Kusrini
Khazanah Informatika : Jurnal Ilmu Komputer dan Informatika Vol. 10 No. 2 (2024): Oktober 2024
Publisher : Universitas Muhammadiyah Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23917/khif.v10i2.3723

Abstract

Flooding in Indonesia is still a frequent natural disaster compared to other types of disasters. In addition, the number of flood events also shows an increase every year. This research aims to develop a flood prediction model as a preventive measure as an early warning system and flood risk mitigation management that may occur based on Geographical Information System (GIS). It is expected that areas that have the potential to experience flooding can be more proactive in making preparations before flooding. This prediction model uses a classification type machine learning (ML) algorithm with training data involving rainfall within 12 months. The model evaluation results use two techniques: confusion matrix and K-Fold cross validation and each fold is calculated for accuracy. The K-Nearest Neighbors (KNN) model with a value of K = 31 gets the highest accuracy value of 88.89%, Decision Tree (DT) of 72.22%, and Naive Bayes of 78%. The average accuracy using K-Fold resulted in 89.09% for KNN, 77.12% for DT, and 86.59% for Naive Bayes. By considering these results, this research chose the KNN method to be applied in the prediction model. The code was rewritten in the Flask framework to be used as an API and integrated with Laravel as a Backend platform and Frontend using Bootstrap, JQuery, Axios, and LeafletJS as map visualisation. With this research, it is hoped that it can be one of the solutions in predicting as well as early warning of floods so that it can provide sufficient time for affected residents to make preparations for flooding.
Perbandingan Naive Bayes dan Random Forest untuk Prediksi Perilaku Peserta Program Rujuk Balik Djatmiko, Widdi; Kusrini; Hanafi
JURNAL FASILKOM Vol. 13 No. 3 (2023): 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.v13i3.6070

Abstract

Program Rujuk Balik (PRB) merupakan pelayanan yang diberikan kepada Peserta BPJS Kesehatan yang memiliki riwayat penyakit kronis antara lain penyakit diabetes melitus, hipertensi, jantung, asma, Penyakit Paru Obstruktif Kronis (PPOK), epilepsy, stroke, schizophrenia, systemic lupus erythematosus. Peserta yang mengikuti Program Rujuk Balik (PRB) telah memiliki kondisi kesehatan yang sudah stabil/terkontrol namun masih memerlukan pengobatan. Peserta yang terdaftar dalam Program Rujuk Balik (PRB) diwajibkan untuk melakukan kunjungan rutin (aktif) setiap bulan ke Fasilitas Kesehatan Tingkat Pertama (FKTP) sesuai dengan yang dipilih oleh Peserta. Namun masih didapati sebagian Peserta masih memiliki perilaku tidak bersedia melakukan kunjungan rutin (pasif) dikarenakan Peserta masih merasa dalam kondisi sehat dan tidak dalam keadaan sedang sakit. Tujuan dalam penelitian ini akan melakukan prediksi perilaku Peserta Program Rujuk Balik (PRB) dan akan membandingkan performa dari algoritma Naive Bayes dan Random Forest. Dataset yang digunakan bersifat private data yang diambil dari BPJS Kesehatan Kantor Cabang Balikpapan. Pada penelitian ini dilakukan variasi split data antara lain 70:30, 80:20, 90:10. Hasil akhir dari penelitian ini yaitu algoritma Random Forest memiliki yang lebih baik dibandingkan dengan Naïve Bayes dengan nilai tertinggi pada teknik split data 70:30 pada nilai accuracy sebesar 97,52%, precision sebesar 96,56%, recall sebesar 98,71%.
Korelasi Kasus Harian Covid-19 dan Pergerakan Saham Perusahaan Vaksin di Pasar Global Menggunakan Long Short-Term Memory (LSTM) Gigih Setyaji; Kusrini
Computer Science and Information Technology Vol 6 No 2 (2025): Jurnal Computer Science and Information Technology (CoSciTech)
Publisher : Universitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/coscitech.v6i2.9231

Abstract

The COVID-19 outbreak has had a significant impact on stock price fluctuations in the pharmaceutical industry, particularly among vaccine-producing companies. This study evaluates the relationship between the number of daily COVID-19 cases and the stock price movements of global vaccine companies, with a primary focus on AstraZeneca (AZN). The predictive model employed is Long Short-Term Memory (LSTM), a deep learning algorithm based on time series data. To achieve more accurate predictions, automatic hyperparameter tuning was performed using the Optuna method. Based on the evaluation results, the model demonstrated high predictive performance, with a Mean Squared Error (MSE) of 1.131777, Mean Absolute Error (MAE) of 0.773518, Root Mean Squared Error (RMSE) of 1.063850, and a coefficient of determination (R²) of 0.974614. Additionally, the model was able to realistically forecast the AZN stock price trend for the next 30 days. These results prove that the optimized LSTM model can serve as an effective prediction tool for analyzing the impact of the pandemic on the capital market.
PENINGKATAN KINERJA KLASIFIKASI DIABETES MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) DENGAN KERNEL RADIAL BASIS FUNCTION (RBF) Hasim, Hasim As'ari; Kusrini
Device Vol. 15 No. 2 (2025): Bulan November
Publisher : Fakultas Teknik dan Ilmu Komputer (FASTIKOM) UNSIQ

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32699/zpgtg048

Abstract

Diabetes Mellitus merupakan salah satu penyakit kronis dengan prevalensi yang terus meningkat secara global. Deteksi dini terhadap penyakit ini sangat penting guna mengurangi risiko komplikasi yang lebih parah. Penelitian ini bertujuan untuk mengevaluasi performa algoritma Support Vector Machine (SVM) dengan kernel Radial Basis Function (RBF) dalam mengklasifikasikan penderita diabetes berdasarkan data medis. Untuk meningkatkan performa model, diterapkan berbagai tahapan preprocessing seperti normalisasi dengan StandardScaler, pembangkitan fitur non-linear dengan PolynomialFeatures, seleksi fitur dengan SelectKBest, serta penyeimbangan kelas menggunakan ADASYN. Dataset yang digunakan adalah Pima Indians Diabetes dari Kaggle, yang memiliki permasalahan ketidakseimbangan kelas. Hasil evaluasi menunjukkan bahwa model mampu mencapai nilai akurasi sebesar 76,6% dan nilai ROC AUC sebesar 0,861. Temuan ini menunjukkan bahwa pendekatan berbasis machine learning dengan pipeline yang tepat dapat menjadi solusi yang andal untuk mendukung deteksi dini Diabetes Mellitus secara otomatis.
Analisis Laporan Beban Kerja Dosen Pada Bidang Penelitian dan PKM Dengan Menggunakan K-Means Clustering Pratama, Muhammad Egy; Kusrini; Artha Agastya , I Made
JSI (Jurnal Sistem Informasi) Universitas Suryadarma Vol. 13 No. 1 (2026): JSI (Jurnal sistem Informasi) Universitas Suryadarma
Publisher : Fakultas Ilmu Komputer dan Desain - Unsurya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35968/jsi.v13i1.1762

Abstract

Penelitian ini menganalisis Laporan Beban Kerja Dosen (BKD) pada bidang Penelitian dan Pengabdian kepada Masyarakat (PkM) di UIN Sultan Aji Muhammad Idris Samarinda menggunakan metode K-Means clustering untuk mendukung evaluasi kinerja dan akreditasi BAN-PT APT. Data yang digunakan mencakup 2.762 aktivitas dari 214 dosen selama 6 semester (2021–2024). Hasil analisis menunjukkan clustering optimal dengan K=2 dan Silhouette Score 0,595. Teridentifikasi dua klaster produktivitas: klaster sedang (190 dosen, 88,8%) dan klaster tinggi (24 dosen, 11,2%). Capaian KPI/IKU mencapai 105,8% dengan predikat A (Unggul), meskipun terjadi kesenjangan produktivitas dan 81,5% data tidak terklasifikasi secara eksplisit. K-Means clustering terbukti efektif sebagai dasar pengambilan keputusan strategis dalam peningkatan produktivitas dosen dan pemenuhan akreditasi perguruan tinggi.
A Conceptual Ontology Framework for Culturally-Adaptive Mobile Learning Interfaces: Integrating the Indonesian Wellbeing Scale Nugraha, Bhanu Sri; Suyanto, Muhammad; Kusrini; Utami, Ema
Elinvo (Electronics, Informatics, and Vocational Education) Vol. 10 No. 1 (2025): May 2025
Publisher : Department of Electronic and Informatic Engineering Education, Faculty of Engineering, UNY

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21831/elinvo.v10i1.83437

Abstract

This research addresses the lack of cultural sensitivity in existing Adaptive User Interface (AUI) frameworks, which predominantly rely on Western-centric paradigms and often overlook the collective and spiritual dimensions of student well-being. To bridge this gap, this study proposes a conceptual ontology framework that operationalizes the Indonesian Wellbeing Scale (IWS) into computational adaptation logic for mobile learning applications. Adopting a Design Science Research approach utilizing the NeOn methodology, we formally modeled multidimensional context factors—specifically spiritual observances, social relations, and self-acceptance—into a machine-readable semantic taxonomy. The proposed ontology was rigorously validated using a two-tiered verification strategy: logical consistency checking via the HermiT reasoner and functional validation through Competency Questions (CQs) mapped to SPARQL queries. The results demonstrate that the framework successfully infers complex user needs and triggers appropriate interface adaptations, such as prioritizing community interactions during social isolation or scheduling spiritual alerts, without logical conflicts. This study contributes a validated computational model for Culturally-Adaptive User Interfaces, providing a robust semantic foundation for future physical implementation and empirical user evaluation.
Co-Authors Agatstya, I Made Artha Agustina Rahmawati Agustina, Nova Ahmad Almas'ud ZD Ahsan, Muhammad Salimy Ali Asgar Zainal Abidin Andri, Agung Anggit Dwi Hartanto Anggit Hartanto Arief Setyanto Arli Aditya Parikesit Arnap, Adam Artha Agastya , I Made Azib Widad Zuhaily Imam BHANU SRI NUGRAHA DHANI ARIATMANTO Djatmiko, Widdi Dzalfa Tsalsabila Rhamadiyanti Ema Utami Ferry Wahyu Wibowo Gigih Setyaji Hanafi Hanafi Hanafi Handoko Adji Pangestu Hasim, Hasim As'ari Hidayat, Fajar Maula Ilmi, M. Bahril Kemal Pasha Kurni, Samuel Everth Andrias Kurniawan, Mei Kusnawi Kusnawi M. Rudyanto Arief M. Suyanto Mawene, Brenstein Mohamad Firdaus, Mohamad Muhammad Suyanto, Muhammad Muhirin Nurwijayanti Perdana Putra, Muhammad Ricky Pratama, Muhammad Egy Rama Ashari Rosadi, Ilham Aziz Sari, Yunita Sartika Sri Wahyuningsih Tamaulina Br Sembiring Tolla, Yefta TONNY HIDAYAT Widyanto, Agung Yanuargi, Bayu Zulkarnain, Jefri Zulpan Hadi