Article Per Year (5 Year)
p-Index From 2021 - 2026
0.751
P-Index
This Author published in this journals
All Journal Jurnal Informatika Upgris Jurnal Ilmiah FIFO JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) JATI (Jurnal Mahasiswa Teknik Informatika)
Purnomo, Niko
Unknown Affiliation
Computer Science & IT Education

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
PENGUJIAN PELABELAN OTOMATIS DATASET KUALITAS PEMBELAJARAN DARING UNIVERSITAS TERBUKA DI FORUM DAN YOUTUBE Fatmasari, Rhini; Purnomo, Niko; Putra, Septian Ade; Gata, Windu; Wardhani, Nia Kusuma
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 9, No 3 (2024)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v9i3.5231

Abstract

Keberhasilan suatu organisasi pendidikan atau universitas dalam mencapai tujuannya erat kaitannya dengan kualitas  pembelajaran daringyang sedang dilaksanakan. Tujuan untukkeberhasilan  tersebut dapat   dicapai  dengan cara memuaskan para akademisi yang masih  aktif. Studi  kasus menggunakan Forum media social dan komentar YouTube sebagai pengolahan  data  untuk  memprediksi kepuasan  pembelajaran  online di  Universitas  Terbuka. Pendekatan text mining adalah alternatif yang baik untuk menafsirkan makna komentar yang dibuat. Tujuan dari penelitian ini adalah untuk menganalisis prediksi kepuasan layanan dari beberapa kategori. Salah satu tolok   ukurnya   yang dilakukan adalah moderasi komentar  Forum  dan  YouTube.  Metode   penelitian  yang  digunakan   adalah   empat algoritma klasifikasi machine learning dan dua algoritma Deep Learning yaitu Naive Bayes, Support Vector Machine, K-Nearest Neighbors, Decision Trees, dan Logistic Regresi, pembelajaran mendalam (Deep Learning) untuk akurasi prediksi. Total kumpulan data awal mencakup 801 data yang dikumpulkan dari 1 Oktober 2023 hingga 31 Oktober 2023. Pembersihan dan pra-pemrosesan selanjutnya menghasilkan total 249 data. Kemudian dievaluasi akurasinya dengan menerapkan algoritma klasifikasi pohon keputusan, akurasi tertinggi pada pengelolaan  data komentar Forum dan Youtube dengan nilai  akurasi tertinggi 92,0 % dengan menerapkan algoritma Decision Tree.
IMPLEMENTASI YOU ONLY LOOK ONCE v8 DALAM DETEKSI MAKANAN WARUNG TEGAL UNTUK SISTEM PERHITUNGAN HARGA OTOMATIS Purnomo, Niko; Gata, Windu; Romadhona Kusuma, Muhammad; Marta Dinata, Riadi; Binti Husna, Modesta
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 2 (2025): JATI Vol. 9 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i2.13465

Abstract

Warung Tegal (Warteg) merupakan usaha kuliner yang populer di Indonesia, tetapi sistem perhitungan harga makanannya masih manual, yang dapat menyebabkan kesalahan transaksi. Penelitian ini bertujuan mengembangkan sistem deteksi makanan otomatis menggunakan YOLO v8 untuk mengotomatisasi perhitungan harga.Dataset terdiri dari berbagai lauk warteg yang diproses dengan teknik augmentasi seperti pemotongan, rotasi, dan pencahayaan guna meningkatkan kinerja model. Hasil penelitian menunjukkan bahwa dalam pengujian terbaik dengan dataset 70:30 (20 epochs, batch size 16, learning rate 0.001), model YOLO v8 mencapai precision 0.602, recall 0.176, F1-score 0.32, box_loss 1.756, dan mAP@0.5 0.229. Tantangan utama meliputi keterbatasan dataset, kompleksitas latar belakang, dan kurangnya perbandingan dengan dataset publik. Meskipun dalam beberapa kondisi akurasi mencapai 75%- 100%, diperlukan dataset lebih besar dan perbandingan model lain untuk meningkatkan akurasi. Sistem ini berpotensi mendukung digitalisasi industri kuliner dan meningkatkan efisiensi transaksi di warteg.
Perbandingan Performa Algoritma Machine Learning untuk Prediksi Risiko Kesehatan dari Polusi Udara Purnomo, Niko; Putra, Zico Pratama
Jurnal Ilmiah FIFO Vol 17, No 2 (2025)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2025.v17i2.002

Abstract

Penelitian ini menggunakan berbagai algoritma pembelajaran mesin untuk menganalisis dan memprediksi hubungan antara polusi udara dan dampak kesehatan masyarakat. Dataset yang digunakan terdiri dari 968 instances dengan 15 fitur yang mencakup indikator kualitas udara (PM2.5, PM10, NO2, SO2, O3) dan data kesehatan (kunjungan rumah sakit, mortalitas, jenis penyakit) yang dikumpulkan dari lima kota besar di Indonesia selama periode Januari-Desember 2023. Lima algoritma pembelajaran mesin dievaluasi secara komprehensif: k-Nearest Neighbors (k-NN), Naive Bayes, Logistic Regression, Support Vector Machines (SVM), dan Neural Network. Kontribusi utama penelitian ini adalah menyediakan analisis komparatif komprehensif dari kelima algoritma tersebut menggunakan evaluasi multi-metrik dan optimasi hyperparameter khusus untuk domain prediksi kesehatan berbasis polusi udara. Hasil evaluasi menunjukkan bahwa algoritma SVM memiliki performa terbaik dengan akurasi 92%, presisi 98%, recall 96%, dan F1-Score 97%. Analisis korelasi mengungkapkan bahwa PM2.5 merupakan prediktor terkuat untuk penyakit respirasi dengan koefisien korelasi 0.78 terhadap kunjungan rumah sakit. Penelitian juga menemukan efek sinergis antara PM2.5 dan NO2 yang meningkatkan risiko kardiovaskular hingga 45%. Di sisi lain, algoritma Neural Network menunjukkan performa terendah dengan akurasi 50% meskipun telah dilakukan hyperparameter tuning ekstensif, mengindikasikan ketidakcocokan arsitektur untuk karakteristik dataset ini. Algoritma Naive Bayes dan Logistic Regression menunjukkan performa moderat dengan akurasi masing-masing 83% dan 88%. Temuan penelitian ini dapat dijadikan acuan untuk pengembangan sistem monitoring kesehatan real-time dan mendukung pengambilan kebijakan kesehatan masyarakat terkait pengendalian polusi udara di wilayah urban.
Evaluasi Komparatif Analisis Sentimen Komentar Media Sosial Menggunakan Multinomial Naïve Bayes, Bidirectional-LSTM dan Transfer Learning Purnomo, Niko; Trihardo, Rendra; Rizky, Joy Lawa; Fatmasari, Rhini; Gata, Windu
Jurnal Informatika UPGRIS Vol 11, No 2 (2025): DESEMBER 2025
Publisher : Universitas PGRI Semarang

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

Abstract

Komentar pada media sosial dapat digunakan sebagai umpan balik cepat untuk mengevaluasi kualitas layanan suatu institusi. Penelitian ini membandingkan empat pendekatan klasifikasi sentimen pada komentar Facebook dan Instagram institusi pendidikan (studi kasus: akun resmi Universitas Terbuka), yaitu Multinomial Naïve Bayes (TF-IDF), Text Vectorization Embedding (TensorFlow), Bidirectional-LSTM, dan Universal Sentence Encoder (USE)–Transfer Learning. Tujuan penelitian ini adalah mengidentifikasi model dengan kinerja terbaik untuk klasifikasi sentimen positif dan negatif pada komentar media sosial berbahasa Indonesia. Dataset yang digunakan terdiri dari 333 komentar Facebook dan 663 komentar Instagram, kemudian dilakukan penyeimbangan kelas melalui proses filtering sehingga diperoleh 154 komentar Facebook dan 178 komentar Instagram untuk pemodelan. Hasil evaluasi menunjukkan Bidirectional-LSTM memberikan performa terbaik, dengan akurasi 0,88 dan F1-score 0,89 pada Facebook, serta akurasi 0,74 dan F1-score 0,84 pada Instagram. Model dengan performa terendah pada kedua platform adalah USE–Transfer Learning. Temuan ini mengindikasikan bahwa Bidirectional-LSTM lebih efektif untuk menangkap konteks sekuensial pada komentar media sosial, sehingga dapat dimanfaatkan sebagai dasar pemantauan kualitas layanan secara berkala. Namun, akurasi seluruh model masih berada di bawah 90%, sehingga penelitian lanjutan diperlukan, misalnya melalui perluasan data, penanganan ketidakseimbangan kelas yang lebih robust, dan optimasi arsitektur/model pralatih
Co-Authors Binti Husna, Modesta Gata, Windu Marta Dinata, Riadi Nia Kusuma Wardhani, Nia Kusuma Putra, Septian Ade Putra, Zico Pratama Rhini Fatmasari, Rhini Rizky, Joy Lawa Romadhona Kusuma, Muhammad Trihardo, Rendra