Article Per Year (5 Year)
p-Index From 2021 - 2026
4.409
P-Index
This Author published in this journals
All Journal InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan Jurnal Nasional Komputasi dan Teknologi Informasi J-SAKTI (Jurnal Sains Komputer dan Informatika) Journal of Information System, Applied, Management, Accounting and Research 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 
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.
ANALISIS SENTIMEN ULASAN GAME DELTA FORCE MOBILE MENGGUNAKAN NAIVE BAYES DAN SUPPORT VECTOR MACHINE Zaky, Faiz Najwan; Gibran, Muhamad Rendi; Sumanto, Sumanto; Kumalasari, Jefina Tri; Taufiq, Ghofar; Christian, Ade
JEIS: Jurnal Elektro dan Informatika Swadharma Vol 6, No 1 (2026): JEIS EDISI JANUARI 2026
Publisher : Institut Teknologi dan Bisnis Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jeis.vol6no1.1115

Abstract

This study aims to analyze sentiment in Delta Force Mobile reviews on the Google Play Store using Naive Bayes and Support Vector Machines. Sentiment classification in reviews helps game developers understand player sentiment and improve user satisfaction. The method used is the KDD framework, which focuses on web scraping, text cleaning, tokenization, stemming, and TF-IDF for data weighting. The experimental data consisted of 29,454 reviews, with a peak accuracy rate of 86.17%. The study found a significant improvement in SVM’s ability to classify negative sentiment accurately. SVM had a score of 0.69, while Naive Bayes had a score of 0.56. This indicates that SVM is more accurate at classifying reviews that contain technical complaints, such as lag and bugs.Penelitian ini bertujuan menganalisis sentimen pada ulasan Delta Force Mobile di Google Play Store menggunakan Naive Bayes dan Support Vector Machine. Klasifikasi sentimen dalam ulasan digunakan untuk membantu pengembang game memahami sentimen pemain dan membantu meningkatkan kepuasan pengguna. Metode yang digunakan yaitu kerangka kerja KDD yang berfokus pada web scraping, pembersihan teks, tokenisasi, stemming, dan TF-IDF untuk memberi bobot pada data. Data yang digunakan dalam eksperimen berjumlah 29.454 ulasan, dengan tingkat akurasi tertinggi sebesar 86.17%. Hasil penelitian mendapatkan temuan signifikan bahwa SVM memiliki kemampuan yang lebih baik dalam mengklasifikasikan sentimen negatif secara akurat. SVM memiliki nilai 0,69 dan Naive Bayes memiliki nilai 0,56. Hal ini menunjukan bahwa SVM lebih akurat dalam mengklasifikasikan ulasan yang mengandung keluhan teknis seperti lag dan bug.
Perbandingan Metode Klasifikasi dan SMOTE Terhadap Analisa Sentimen Mobil Listrik Indonesia Jefina Tri Kumalasari; Indah Puspitorini
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.v13i2.14428

Abstract

Pesatnya perkembangaan penyimpanan energi terutama teknologi baterai membuat inovasi pada kendaraan. Perkembangan transportasi beralih dari kendaraan berbahan bakar fosil ke energi listrik dimana memiliki keuntungan ramah lingkungan dan tidak bising. Namun pada daya terima masyarakat Indonesia berbeda-beda ada yang positif dan negatif. Dinamika di masyarakat dapat di gali melalui komentar yang terdapat di Youtube. Dimana Youtube sebagai situs layanan menonton dan berbagi video yang mengalami penetrasi signifikan. Saat ini Indonesia berada di posisi ke empat sebagai pengguna Youtube sehingga situs ini sesuai digunakan sebagai sumber data. Analisa mengenai berdasarkan sentimen mengenai mobil listrik yang berasal dari salah satu kanal Youtube dimana terdapat mendapatkan hasil 65% positif dan sisanya 35% berpendapat negatif. Data diolah dengan menggunakan metode Knowledge Discovery in Data Base dengan metode CRISP-DM. Komentar awal berjumlah 1265 yang diolah dengan menggunakan metode klasifikasi pada data mining. Dengan cara membandingkan algoritma KNN, algoritma Naïve Bayes dan Algoritma SVM. Kemudian guna menyeimbangkan data dan meningkatkan akurasi peneliti mengkombinasikan dengan algoritma SMOTE. Hasil yang diperoleh integrasi algoritma SVM dan SMOTE menghasilkan keakurasian 94.65%, gabungan Naïve Bayes dan SMOTE menghasilkan akurasi 84.82% dan KNN dengan SMOTE menghasilkan 62.80%. Berdasarkan hasil perbandingan algoritma klasifikasi yang telah dilakukan didapat kombinasi algoritma SVM dan SMOTE menghasilkan prediksi terbaik.
Analisis Penerimaan Karyawan Konveksi Posisi Tukang Jahit Menggunakan Algoritma Decision Tree Pada PT. Nilosa Rama Buana Indah Puspitorini; Jefina Tri Kumalasari; Ita Dewi Sintawati
Jurnal Minfo Polgan Vol. 14 No. 1 (2025): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v14i1.15060

Abstract

Untuk memaksimalkan penentuan kelayakan penerimaan tenaga kerja, serta terpenuhnya kebutuhaan tenaga kerja semakin cepat, maka diperlukannya sebuah prediksi cepat untuk mengetahui kelayakan penerimaan karyawan menggunakan algoritma decission tree pada perusahaan PT. Nilosa Rama Buana. Tukang jahit merupakan seseorang yang melakukan kegiatan menjahit dan menghasilkan pakaian atau produk yang terbuat dari kain. Untuk mendapatkan prediksi penilaian maka diambil data tarikan dari Sistem penerimaan pada PT. Nilosa Rama Buana ditahun sebelumnya yang lalu digunakan sebagai bahan penelitian menggunakan data mining untuk memprediksikan penilaian calon tenaga kerja berdasarkan usia minimal, pendidikan, melaksanakan instruksi jahit (Kemahiran menjahit), memiliki daya kreativitas dan imajinasi yang tinggi dalam mencipta pakaian, serta memiliki ketelitian dan kecakapan dalam menjahit pakaian yang mempengaruhi kelayakan penerimaan karyawan.
Perancangan UI/UX Sistem Informasi Penjualan Rumah Menggunakan Metode User Centered Design Ita Dewi Sintawati; Indah Puspitorini; Jefina Tri Kumalasari
Jurnal Minfo Polgan Vol. 14 No. 2 (2025): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v14i2.15489

Abstract

Rumah merupakan kebutuhan primer setiap manusia yang tergolong kelompok papan. Setiap orang atau anggota keluarga berusaha keras untuk mewujudkan mempunyai rumah, baik dengan cara membangun sendiri, maupun membeli dengan cara cash atau cicil. Untuk itu penulis membuatkan rancangan atau desain sebuah informasi untuk penjualan rumah supaya sistem penjualannya tidak lagi manual, tetapi secara sistem, supaya dapat diakses dimanapun dan kapanpun tanpa harus terganggu dari ruang dan waktu. Desain UI (User Interface) / UX (User Experience) untuk sistem informasi penjualan rumah ini diharapkan dapat memberikan solusi kepada penjual dan pembeli supaya sistem penjualannya dilakukan dengan sistem, untuk memudahkan pemesanan rumah, perhitungan simulasi cicilan, pemberkasan untuk pengajuan pembelian, sistem pembayaran serta laporan keuangan dari hasil penjualan yang transparan. Selain itu juga, ini merupakan solusi dari sistem penjualan rumah yang sebelumnya masih manual. Adapun metode yang digunakan dalam metode ini adalah UCD (User Centered Design). Metode ini menempatkan pengguna sebagai pusat dalam seluruh proses desain dan pengembangan produk. Dengan tujuan utamanya adalah menciptakan produk yang sangat berguna dan mudah digunakan atau dapat dimanfaatkan dengan melibatkan pengguna secara langsung melalui siklus berulang (iterasi) dari riset, desain, hingga evaluasinya.
Penerapan Algoritma Random Forest Dalam Memprediksi Harga Properti di Jakarta Selatan Berdasarkan Karakteristik Fisik dan Lokasi Safa Emilita; Putri Sri Rahayu; Sekar Rania Larasati; Ghofar Taufiq; Jefina Tri Kumalasari
Jurnal Minfo Polgan Vol. 14 No. 2 (2025): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v14i2.15735

Abstract

Penelitian ini bertujuan untuk melakukan prediksi harga properti di wilayah Jakarta Selatan dengan memanfaatkan algoritma Random Forest. Dataset yang digunakan mencakup 1.003 data dengan variabel seperti harga, luas tanah (LT), luas bangunan (LB), jumlah kamar tidur (JKT), jumlah kamar mandi (JKM), keberadaan garasi (GRS), serta lokasi (KOTA). Hasil analisis menunjukkan bahwa algoritma Random Forest mampu memberikan prediksi harga properti dengan tingkat akurasi yang tinggi, di mana luas tanah dan luas bangunan menjadi faktor yang paling berpengaruh terhadap hasil prediksi.Temuan ini dapat menjadi referensi bagi pengembang, agen properti, maupun calon pembeli dalam memperkirakan nilai pasar properti di Jakarta Selatan secara lebih objektif dan data-driven .
Co-Authors Abdurohim, Ahmad Ade Christian Agustiena Merdekawati, Agustiena Alghiffary, Muhammad Adya Ali, Muhamad Hafis Ali, Satrio Nur Andhika Prasetya Ardiyansyah, Rizqi Azis Sukma Dhiana Fadhli Firmansyah Ghofar Taufiq Gibran, Muhamad Rendi Hidayati, Apriliani Indah Puspitorini Irwin Sukrisno Sugeng Ita Dewi Sintawati Nadif Ramadha Putri Sri Rahayu Safa Emilita Saputra, Yusup Sekar Rania Larasati Sulaiman Sulaiman Sumanto Sumanto Susi Wahyu Lestari Tara Adrilia Salsabila Taufig, Ghofar Wau, Kebenaran Wida Prima Mustika Yuni Fitriani, Yuni Zaky, Faiz Najwan