Article Per Year (5 Year)
p-Index From 2021 - 2026
4.822
P-Index
This Author published in this journals
All Journal InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan Jurnal Nasional Komputasi dan Teknologi Informasi Journal of Information System, Applied, Management, Accounting and Research Antivirus : Jurnal Ilmiah Teknik Informatika Akrab Juara : Jurnal Ilmu-ilmu Sosial STUDI PELAKSANAAN SELFMEDICATION PADA PENDERITA DIARE BERDASARKAN TINGKAT PENGETAHUAN MASYARAKAT PESISIR KECAMATAN SOROPIA KABUPATEN KONAWE J-SAKTI (Jurnal Sains Komputer dan Informatika) JURNAL ELEKTRO DAN INFORMATIKA SWADHARMA (JEIS) Jurnal Minfo Polgan (JMP) Jurnal Pengabdian Masyarakat Formosa (JPMF) SATIN - Sains dan Teknologi Informasi Jurnal Pengabdian Kepada Masyarakat Radisi Seminar Nasional Riset dan Teknologi (SEMNAS RISTEK)
Jefina Tri Kumalasari
Universitas Bina Sarana Informatika
Aerospace Engineering Agriculture, Biological Sciences & Forestry Humanities Automotive Engineering Biochemistry, Genetics & Molecular Biology Chemistry 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 Health Professions Library & Information Science Mathematics Medicine & Pharmacology Neuroscience Public Health Social Sciences Transportation Other

Published : 27 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 27 Documents
Search

 1   2   3 
Klasifikasi Multi Class Pada Metode Kerja Jarak Jauh Menggunakan Algoritma Decision Tree dan Imbalance Data Kumalasari, Jefina Tri; Merdekawati, Agustiena; Hidayati, Apriliani
Journal of Information System, Applied, Management, Accounting and Research Vol 8 No 1 (2024): JISAMAR (December-February 2024)
Publisher : Sekolah Tinggi Manajemen Informatika dan Komputer Jayakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52362/jisamar.v8i1.1350

Abstract

The COVID-19 pandemic that has hit the world has forced workers to work from home to prevent the spread of the virus. However, until the pandemic is over, based on survey conducted on 100 employee, found that working from home (Work from Home) is still a choice that many workers are interested in because it considered to provide flexibility and save more times. But some of them prefer to work from the office because it is considered easier than to focus and can increase productivity and more interested mixed mode of working. The analysis and comparison determined to find out about which work locations are more popular with workers. One solution to overcome this problem is that a classification method is needed to group the factors that influence the choice of work location. The classification method used for data processing is the Decision Tree method. The method for class imbalance problems uses the Synthetic Minority Over-sampling Technique (SMOTE) method. Tests were execute using Decision Tree and SMOTE split data which obtained an accuracy of up to 83.08% at a ratio of 0.5 (5:5). In this research, it was found that 13% of workers preferred to work from home, 25% chose to work from an office, and 27% chose mixed work models.
Sistem Informasi Administrasi Kependudukan (SIASIK) Pada Kelurahan Berbasis Web Mustika, Wida Prima; Kumalasari, Jefina Tri; Fitriani, Yuni; Abdurohim, Ahmad
J-SAKTI (Jurnal Sains Komputer dan Informatika) Vol 5, No 1 (2021): EDISI MARET
Publisher : STIKOM Tunas Bangsa Pematangsiantar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30645/j-sakti.v5i1.315

Abstract

Sub-district in general acts as a community service center in certain areas. One of the sub-district services is to administer population administration letters. The main problem in sub-district in general there is no system that helps in storing Population Administration data. The Demography Administration Information System aims to carry out administration such as (Transfer Letter, Death Certificate, etc.). This system is also for handling a lot of documents so that the making of application letters can be faster and more efficient. In gathering information, the authors made direct observations and direct interviews with parties related to the administration of the village. making using the Demography Administration Information System with SDLC Waterfall method. In its development, planning is made starting from collecting all data and making designs to build system requirements. The programming language used is web-based. The advantages obtained in this application are made to make it easier for officers in handling a lot of documents, such as difficulty finding and printing data. And for the sake of data security to avoid data loss, data duplication and data manipulation. The system using the Sublime application with the programming language PHP, jquery, and Enterprise Architect 7.0. The result of this research is a village administration program that can assist the administrative activities of the village.
Sistem Informasi Inventory Gudang Elektronik Berbasis Web Wau, Kebenaran; Mustika, Wida Prima; Kumalasari, Jefina Tri
J-SAKTI (Jurnal Sains Komputer dan Informatika) Vol 5, No 2 (2021): EDISI SEPTEMBER
Publisher : STIKOM Tunas Bangsa Pematangsiantar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30645/j-sakti.v5i2.395

Abstract

Inventory is a stock of an item or resource, material, material that is stored and fulfills requests from consumers or customers at any time for sale within a period. Many companies in carrying out their activities often experience problems as one example faced is the problem of purchasing, selling and reporting systems that take place within the company, due to the lack of accurate data. At the Sugi Teknik Electronic Store there is a warehouse where sales and purchase data are still manual or not computerized, to check the stock of goods, employees must record incoming and outgoing goods data so that it takes a lot of time in making reports. From the various problems that arise, the authors want to create an Electronic Warehouse Inventory Information System. This application contains recording of incoming and outgoing goods, sales reports, purchase reports, returns or operational reports and income reports making it easier to get information quickly, clearly and accurately.
Komparasi Dua Metode Algoritma Klasifikasi Untuk Prediksi Pemberian Kartu Jakarta Pintar Merdekawati, Agustiena; Kumalasari, Jefina Tri
InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan Vol 6, No 2 (2022): InfoTekJar Maret
Publisher : Universitas Islam Sumatera Utara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30743/infotekjar.v6i2.4891

Abstract

Mendapatkan program Kartu Jakarta Pintar (KJP) harus memenuhi berbagai persyaratan dan kriteria, sayangnya proses penerimaan ini masih dilakukan secara subjektif sehingga rentan untuk tepat sasaran. Knowledge Discovery in Database (KDD) diperlukan dalam penentuan penerima KJP dengan menemukan pola prediksi terbaik. Penelitian ini membandingkan algoritma klasifikasi yaitu ID3 dan Naïve Bayes guna mengekstrak data kemudian mencari model yang sesuai dalam penentuan proses penerimaan KJP dengan menggunakan sekelompok data sehingga didapatkan persentase precision, recall dan accuracy. Keduanya memiliki proses awal yang sama yaitu pre processing atau data cleaning guna membuang data yang tidak sesuai baik data kosong maupun tidak konsisten. Pada algoritma ID3 digunakan pohon keputusan dimana sebelumnya diperlukan pencarian entropi dan gain sedangkan pada Naïve Bayes dengan menghitung jumlah class. Hasil Analisa keduanya kemudian dilakukan proses pengujian dilakukan untuk membandingkan tingkat akurasi data dengan menerapkan confussion matrix dan visualisasi kurva ROC. Hasil pengujian didapat algoritma ID3 menunjukkan tingkat akurasi yang lebih tinggi 77,78% setelah dibandingkan dengan Naïve Bayes. Tools yang digunakan dalam pengolahan data ini yaitu Rapid Miner.
Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokan Wilayah pada Pelanggaran Lalu Lintas Agustiena Merdekawati; Jefina Tri Kumalasari
SATIN - Sains dan Teknologi Informasi Vol 10 No 1 (2024): SATIN - Sains dan Teknologi Informasi
Publisher : STMIK Amik Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33372/stn.v10i1.1111

Abstract

Dengan banyaknya jumlah kendaraan yang terus meningkat dapat bertambahnya angka tingkat kemacetan. Semakin meningkatnya kemacetan suatu wilayah maka dapat menyebabkan peningkatan pelanggaran, seperti pelanggaran rambu lalu lintas, tidak memakai helm, surat berkendara yang tidak lengkap, melawan arah, dan lainnya. Berbagai cara untuk menertibkan lalu lintas terus dilakukan kepolisian dan dinas perhubungan agar terciptanya kenyamanan dan keselamatan lalu lintas. Tujuan dari penelitian ini yaitu untuk menentukan pola pengelompokan data pelanggaran lalu lintas, memudahkan untuk analisa wilayah mana yang memiliki pelanggaran paling banyak sehingga dapat membuat kebijakan atau aturan untuk mengurangi pelanggaran dan tingkat kecelakaan pun menjadi menurun. Dengan menggunakan tahap Knowledge Discovery in Database (KDD) dalam konsep data mining sebagai metode penelitian. Penelitian ini membandingkan metode algoritma k-means dengan algoritma k-medoids, dengan pengukuran performance menggunakan Dalvies Bouldin Index (DBI). Hasil dari penelitian ini, memiliki kesamaan kelompok cluster yaitu dua, dengan cluster 0 wilayah pelanggaran lalu lintas Menteng, Sawah Besar, Senen, Tanah Abang, Cempaka Putih, Gambir, Johar Baru, dan Pal Merah, serta cluster 1 dengan wilayah Kemayoran. Hasil performance dari kedu metode tersebut, pada model kmedoids memiliki hasil lebih besar disbanding model k-means, sehingga model k-means memiliki hasil yang mendekati 0, yaitu sebesar -0,197
KLASTERISASI PELANGGAN BERDASARKAN PERILAKU KONSUMEN MENGUNAKAN K-MEANS Kumalasari, Jefina Tri; Merdekawati, Agustiena
Journal of Information System, Applied, Management, Accounting and Research Vol 9 No 4 (2025): JISAMAR (Journal of Information System, Applied, Management, Accounting and Resea
Publisher : Sekolah Tinggi Manajemen Informatika dan Komputer Jayakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52362/jisamar.v9i4.2124

Abstract

Mengelola loyalitas pelanggan dan menjangkau pembeli merupakan tantangan terbesar yang dihadapi industri retail. Segmentasi atau pengelompokan pelanggan merupakan strategi yang dilakukan dengan memisahkan pelanggan ke dalam beberapa kelompok berdasarkan perbedaan karakteristik, perilaku, maupun kebutuhan mereka. Pembagian ini bertujuan membantu pebisnis guna memenuhi kebutuhan mereka dengan mengoptimalkan layanan dan produk. Metode Clustering digunakan untuk mengidentifikasi beberapa segmen pelanggan. Berdasarkan hasil pengujian maka terlihat pada jumlah cluster optimal adalah K = 3 karena memiliki nilai tertinggi yaitu 0.33861316, hal ini didukung setalah dilakukan pengujian elbow methode. Penerapan Algoritma K-Means dalam mengkluster perilaku pelanggan memberikan wawasan mengenai variasi pola pembelian di antara pelanggan. Hasil ini dapat digunakan untuk mengembangkan strategi bisnis yang lebih terarah dan efektif. Namun, kondisi ekonomi dan faktor gaya hidup turut memberi pengaruh besar sehingga pola pengeluaran dalam populasi sangat bervariasi.
Analisis Sentimen Ulasan Gojek pada Google Play Store Menggunakan Metode Naïve Bayes Andhika Prasetya; Nadif Ramadha; Fadhli Firmansyah; Jefina Tri Kumalasari
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 8, No 4 (2025): Agustus 2025
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v8i4.9402

Abstract

Abstrak - Penelitian ini bertujuan untuk menganalisis sentimen pengguna Gojek diGoogle Play Store menggunakan algoritma Naive Bayes Classifier. Analisis sentimen dilakukan untuk memahami persepsi dan tingkat kepuasan pengguna terhadap layanan Gojek berdasarkan ulasan yang mereka bagikan. Data dikumpulkan melalui proses scrapping pada aplikasi Gojek diGoogle Play Store dalam periode tertentu. Tahapan penelitian meliputi preprocessing data (case folding, tokenizing, stopword, dan stemming), pelabelan sentimen (positif, negative, netral), pembobotan kata menggunakan TF-IDF, dan klasifikasi menggunakan algoritma Naive Bayes. Hasil penelitian menunjukkan bahwa dari total 16456 ulasan selanjutnya dilakukan tahapan preprocessing. Maka dihasilkan data sebanyak 11276. Dengan tingkat akurasi klasifikasi mencapai 99.97%. Faktor-faktor yang paling sering dikomentari positif meliputi keandalan driver, keramahan pelayanan, kecepatan proses, dan kualitas layanan yang baik. Sementara keluhan utama terkait dengan masalah teknis dan layanan pelanggan. Penelitian ini memberikan wawasan bagi pengembang Gojek untuk meningkatkan layanan sesuai dengan feedback pengguna.Kata kunci: Analisis Sentimen; Gojek; Naive Bayes Classifier; Abstract - This research aims to analyze Gojek users' sentiment on the Google Play Store using the Naive Bayes Classifier algorithm. Sentiment analysis is conducted to understand users' perceptions and satisfaction levels with Gojek's services based on the reviews they share. Data was collected through the scrapping process on the Gojek application in the Google Play Store over a certain period. The research stages include data preprocessing (case folding, tokenizing, stopword, and stemming), sentiment labeling (positive, negative, neutral), word weighting using TF-IDF, and classification using the Naive Bayes algorithm. The research results show that from a total of 16,456 reviews, the preprocessing stage was subsequently carried out. Thus, a total of 11276 data were produced. With a classification accuracy rate of 99.97%. The factors most frequently commented on positively include driver reliability, service friendliness, process speed, and good service quality. Meanwhile, the main complaints are related to technical issues and customer service. This research provides insights for Gojek developers to improve services based on user feedback.Keywords: Sentiment Analysis; Gojek; Naive Bayes Classifier;
Model Hybrid K-Means dan Decision Tree untuk Penentuan Status Kemiskinan Penduduk Indonesia Agustiena Merdekawati; Jefina Tri Kumalasari
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 8, No 3 (2025): Juni 2025
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v8i3.9214

Abstract

Abstrak - Kemiskinan merupakan permasalahan utama yang masih dihadapi oleh negara berkembang, termasuk Indonesia. Ketepatan dalam mengidentifikasi penduduk miskin sangat penting agar program bantuan sosial dapat disalurkan secara efektif dan tepat sasaran. Penelitian ini bertujuan untuk membangun model hibrida yang menggabungkan algoritma K-Means dan Decision Tree dalam menentukan status kemiskinan penduduk Indonesia berdasarkan data sosial-ekonomi. Data yang digunakan diambil dari platform Kaggle, terdiri dari 514 data penduduk dengan 13 atribut. Algoritma K-Means digunakan untuk mengelompokkan data ke dalam klaster berdasarkan kemiripan karakteristik, dengan evaluasi menggunakan Davies Bouldin Index (DBI). Selanjutnya, hasil klaster digunakan sebagai label dalam proses klasifikasi menggunakan algoritma Decision Tree, yang dievaluasi menggunakan Confusion Matrix. Hasil penelitian menunjukkan bahwa model Decision Tree mencapai akurasi 98,44%, dengan precision sebesar 95% dan recall sebesar 91,94%, sedangkan model K-Means menunjukkan klaster optimal pada k = 2 atau 3 berdasarkan grafik elbow. Model hibrida ini terbukti mampu meningkatkan akurasi klasifikasi dan memberikan aturan pengambilan keputusan yang lebih jelas dan mudah diinterpretasikan. Dengan demikian, model ini dapat digunakan sebagai alat bantu dalam mendukung kebijakan pemerintah untuk penanggulangan kemiskinan secara lebih efektif dan berbasis data.Kata kunci: Kemiskinan; Data Mining; K-Means; Decision Tree; Klasterisasi; Klasifikasi; Model Hibrida. Abstract - Poverty remains a major issue faced by developing countries, including Indonesia. Accurate identification of impoverished populations is crucial to ensure that social assistance programs are delivered effectively and to the right recipients. This study aims to develop a hybrid model that integrates the K-Means clustering algorithm and the Decision Tree classification algorithm to determine the poverty status of Indonesian citizens based on socio-economic data. The dataset used was sourced from Kaggle and consists of 514 records with 13 attributes. The K-Means algorithm is employed to group the data into clusters based on similarity in characteristics, with evaluation performed using the Davies Bouldin Index (DBI). The resulting clusters are then used as labels for classification using the Decision Tree algorithm, which is evaluated using a Confusion Matrix. The results show that the Decision Tree model achieved an accuracy of 98.44%, with a precision of 95% and recall of 91.94%, while the K-Means model indicated optimal clustering at k = 2 or 3 based on the elbow method. This hybrid model has proven effective in improving classification accuracy and generating decision rules that are clear and interpretable. Therefore, the model can serve as a valuable decision support tool for government policy-makers in the fight against poverty through data-driven approaches.Keywords: Poverty; Data Mining; K-Means; Decision Tree; Clustering; Classification; Hybrid Model.
Implementasi Lightweight Neural Network Berbasis YOLOv8n untuk Klasifikasi Sampah Real-Time Ali, Muhamad Hafis; Sulaiman, Sulaiman; Ardiyansyah, Rizqi; Sumanto, Sumanto; Taufiq, Ghofar; Kumalasari, Jefina Tri
Semnas Ristek (Seminar Nasional Riset dan Inovasi Teknologi) Vol 10, No 1 (2026): SEMNAS RISTEK 2026
Publisher : Universitas Indraprasta PGRI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30998/semnasristek.v10i1.8895

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi sampah real-time yang efisien pada perangkat edge dengan memanfaatkan arsitektur Deep Learning ringan berbasis YOLOv8. Klasifikasi sampah otomatis merupakan solusi krusial dalam Smart Waste Management, namun model jaringan saraf tiruan yang kompleks sering terkendala oleh keterbatasan sumber daya komputasi pada perangkat IoT. Penelitian ini menerapkan model YOLOv8n (nano) menggunakan teknik Transfer Learning untuk menyeimbangkan akurasi deteksi dan efisiensi komputasi. Dataset yang digunakan bersumber dari repositori publik Roboflow sebanyak 1.123 citra yang telah melalui proses augmentasi. Hasil pelatihan selama 50 epoch menunjukkan performa impresif dengan nilai mean Average Precision (mAP@50) mencapai 0.995, Presisi 0.998, dan Recall 1.0. Selain itu, model memiliki ukuran file yang sangat ringkas (±6 MB) dengan kecepatan inferensi yang memadai untuk operasi real-time. Hasil penelitian ini membuktikan bahwa algoritma lightweight neural network mampu diimplementasikan secara efektif untuk mendukung sistem pemilahan sampah cerdas berbasis Computer Vision.
Analisis Kinerja Model Yolov8 Berbasis Roboflow pada Deteksi Sampah Plastik Non-Plastik Otomatis Alghiffary, Muhammad Adya; Saputra, Yusup; Ali, Satrio Nur; Sumanto, Sumanto; Taufig, Ghofar; Kumalasari, Jefina Tri
Semnas Ristek (Seminar Nasional Riset dan Inovasi Teknologi) Vol 10, No 1 (2026): SEMNAS RISTEK 2026
Publisher : Universitas Indraprasta PGRI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30998/semnasristek.v10i1.8896

Abstract

Meningkatnya jumlah sampah plastik menuntut adanya sistem pemilahan yang lebih efisien dan akurat. Pemilahan sampah secara manual masih memiliki keterbatasan dari segi waktu dan ketelitian. Oleh karena itu, diperlukan sistem deteksi otomatis berbasis computer vision menggunakan model YOLOv8 dan Roboflow untuk membedakan sampah plastik dan non-plastik secara efektif. Penelitian ini berfokus pada evaluasi kinerjamodel YOLOv8 untuk mengotomasi deteksi sampah Plastik dan Non-Plastik, sebuah langkah krusial dalam pengelolaan limbah modern. Menggunakan dataset yang disediakan Roboflow, model dikembangkan dan diuji coba seluruhnya di lingkungan Google Colab. Model YOLOv8 menunjukkan hasil yang sangat memuaskan, dengan capaian mean Average Precision (mAP) mencapai 95,2% dan akurasi 94,5%. Kinerja tinggi ini didukung oleh nilai presisi dan recall yang kuat, menandakan kemampuan klasifikasi yang handal. Studi ini menyimpulkan bahwa YOLOv8 adalah pilihan yang efektif dan efisien untuk penerapan dalam teknologi pemilahan sampah otomatis, yang berpotensi meningkatkan produktivitas dan keberlanjutan pengelolaan sampah di berbagai skala.
Co-Authors Abdurohim, Ahmad Ade Christian Agustiena Merdekawati, Agustiena Ahmad Syukri Gozali Alghiffary, Muhammad Adya Ali, Muhamad Hafis Ali, Satrio Nur Andhika Prasetya Ardiyansyah, Rizqi Azis Sukma Dhiana Fadhli Firmansyah Faiz Najwan Zaky Fransiscus Andre Suwarno Ghofar Taufiq Hidayati, Apriliani Indah Puspitorini Irwin Sukrisno Sugeng Ita Dewi Sintawati Mochamad Fathur Milzam Muhamad Rendi Gibran Nadif Ramadha Putri Sri Rahayu Rasya Abel Putra Gumulija Safa Emilita Saputra, Yusup Sekar Rania Larasati Sopyan Sulaiman Sulaiman Sumanto Sumanto Sumanto Susi Wahyu Lestari Tara Adrilia Salsabila Taufig, Ghofar Wau, Kebenaran Wida Prima Mustika Yuni Fitriani, Yuni