Article Per Year (5 Year)
p-Index From 2021 - 2026
3.057
P-Index
This Author published in this journals
All Journal Jurnal Abdimas BSI: Jurnal Pengabdian Kepada Masyarakat Bianglala Informatika : Jurnal Komputer dan Informatika Akademi Bina Sarana Informatika Yogyakarta Indonesian Journal on Software Engineering (IJSE) Jurnal Khatulistiwa Informatika Paradigma EVOLUSI : Jurnal Sains dan Manajemen Jurnal Teknologi Informasi dan Terapan (J-TIT) Indonesian Journal of Business Intelligence (IJUBI) Wasana Nyata JUSTIAN - Jurnal Sistem Informasi Akuntansi Indonesian Journal of Networking and Security - IJNS SPEED - Sentra Penelitian Engineering dan Edukasi Informatics and Computer Engineering Journal Jurnal Pengabdian Masyarakat Bangsa WASANA NYATA Kesejahteraan Bersama : Jurnal Pengabdian dan Keberlanjutan Masyarakat Jurnal Komtika (Komputasi dan Informatika)
Candra Agustina
Universitas Bina Sarana Informatika
Agriculture, Biological Sciences & Forestry Arts Humanities 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 Environmental Science Health Professions Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Library & Information Science Mathematics Medicine & Pharmacology Nursing Physics Public Health Social Sciences Veterinary Other

Published : 34 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 34 Documents
Search

 1   2   3   4 
IMPLEMENTASI ALGORITMA J48 DENGAN TEKNIK BAGGING UNTUK PREDIKSI KIPI PESERTA VAKSINASI COVID-19 Rahmawati, Eka; Agustina, Candra
Indonesian Journal of Business Intelligence (IJUBI) Vol 5 No 1 (2022): Indonesian Journal of Business Intelligence (IJUBI)
Publisher : Universitas Alma Ata

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21927/ijubi.v5i1.2072

Abstract

The Covid 19 vaccination is considered to be the most effective way to prevent the spread of the Corona Virus, in addition to a clean lifestyle such as washing hands, wearing masks, and keeping a distance from other people. Several large vaccine manufacturing companies in the world have issued a product in the form of a Covid-19 vaccine with various levels of effectiveness. The vaccine is still being distributed throughout the world, including Indonesia. The vaccine obtained an emergency distribution permit from the authorized institution and was administered to community groups that meet the requirements. However, during the implementation of the vaccine, many AEFIs (Post Immunization Adverse Events) were found, such as dizziness, fever, headaches, and some even fainted. Although not dangerous but quite disturbing for people with solid activities. Therefore, it is necessary to predict whether participants will get AEFI or not. The data consists of 8 Attributes, after being processed using the J48 Algorithm, the results show that the attributes that have a strong influence are 7 Attributes, while the rest have no major effect. The accuracy level of the prediction model obtained is 91,22% with this level of accuracy, it means that the model can be utilized by the parties concerned to then be able to anticipate.
IMPLEMENTASI SMOTE DAN ALGORITMA MACHINE LEARNING UNTUK MENINGKATKAN AKURASI REKOMENDASI HOTEL Agustina, Candra; Rahmawati, Eka; Irawan, Denny; Tristanti, Vriska wahyu
Indonesian Journal of Business Intelligence (IJUBI) Vol 7 No 2 (2024): Indonesian Journal of Business Intelligence (IJUBI)
Publisher : Universitas Alma Ata

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21927/ijubi.v7i2.5141

Abstract

Pariwisata memiliki peran penting dalam perekonomian global, dengan destinasi seperti Candi Borobudur menarik berbagai jenis pengunjung. Untuk meningkatkan pengalaman wisatawan, rekomendasi hotel yang akurat menjadi sangat penting. Namun, data yang tidak seimbang, seperti ulasan positif yang terlalu dominan, sering kali mengurangi kinerja model machine learning yang digunakan untuk rekomendasi. Penelitian ini bertujuan untuk mengatasi masalah tersebut dengan menerapkan Synthetic Minority Over-sampling Technique (SMOTE) guna menyeimbangkan dataset dan meningkatkan akurasi rekomendasi hotel. Beragam algoritma machine learning, termasuk Random Forest, Support Vector Machines, dan Neural Networks, diterapkan dan dievaluasi. Hasil penelitian menunjukkan bahwa penerapan SMOTE secara signifikan meningkatkan kinerja semua model, dengan Random Forest memberikan hasil terbaik. Studi ini menunjukkan bahwa SMOTE, dalam kombinasi dengan teknik machine learning, memberikan solusi yang kuat terhadap ketidakseimbangan kelas pada sistem rekomendasi hotel, sehingga menghasilkan rekomendasi yang lebih andal dan relevan bagi wisatawan. Temuan ini memiliki implikasi penting bagi manajemen hotel dan sektor pariwisata secara keseluruhan.
Perbandingan Teknik Resample pada Algoritma K-NN dan SVM untuk Prediksi Pembatalan Pemesanan Kamar Hotel Candra Agustina; Eka Rahmawati
Jurnal Teknologi Informasi dan Terapan Vol 10 No 2 (2023)
Publisher : Jurusan Teknologi Informasi Politeknik Negeri Jember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25047/jtit.v10i2.333

Abstract

Peningkatan kemudahan dalam pemesanan reservasi hotel secara langsung berdampak pada peningkatan kemudahan pembatalan, memberikan dampak yang potensial merugikan bagi pengelola hotel. Oleh karena itu, diperlukan sistem pendukung keputusan yang dapat membantu para manajer dalam membuat keputusan yang cerdas di tengah dinamika industri perhotelan. Salah satu pendekatan yang diterapkan adalah memanfaatkan teknologi data mining, dengan fokus pada algoritma K-Nearest Neighbors (kNN) dan Support Vector Machine (SVM) untuk melakukan prediksi pembatalan pemesanan kamar hotel. Penelitian ini melibatkan penerapan teknik resampling guna meningkatkan akurasi prediksi. Hasil penelitian mengindikasikan bahwa SVM mencapai tingkat akurasi sebesar 85,05%, sementara SVM yang didukung oleh teknik resample meningkat menjadi 93,85%. Di sisi lain, KNN mencapai akurasi 80,1%, dan dengan penerapan resampling, akurasinya meningkat menjadi 92,15%. Temuan ini menunjukkan potensi besar teknologi data mining, khususnya dalam konteks prediksi pembatalan pemesanan kamar hotel, dengan peningkatan signifikan akurasi melalui penerapan teknik resample pada kedua algoritma kNN dan SVM.
Optimasi Ulasan Pengguna Aplikasi ChatGPT di Google Play Store Menggunakan SMOTE Eka Rahmawati; Candra Agustina
Jurnal Teknologi Informasi dan Terapan Vol 11 No 1 (2024)
Publisher : Jurusan Teknologi Informasi Politeknik Negeri Jember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25047/jtit.v11i1.360

Abstract

Artificial Intelligence (AI) menjadi bidang ilmu yang terus dikembangkan dalam berbagai aspek kehidupan. Salah satu aplikasi yang dikembangkan adalah ChatGPT. Aplikasi tersebut memungkinkan adanya interaksi dengan percakapan teks dengan menerapkan model berbasis AI. Terdapat berbagai fitur dan fungsi yang dapat dimanfaatkan oleh pengguna sesuai dengan kebutuhan. Namun, dalam interaksinya terdapat kemampuan yang terbatas dalam pemahaman terhadap konteks yang kompleks dan tingkat akurasi dari teks jawaban yang diberikan. Untuk mengetahui perspektif pengguna aplikasi ChatGPT, maka dapat dilakukan text mining melalui ulasan Google Playstore. Sebelum diolah data yang telah melalui beberapa tahapan pre-processing. Selanjutnya dilakukan klasifikasi dengan implementasi algoritma K-Nearest Neighbors (KNN) dan Deep Learning. Optimasi kinerja algoritma dilakukan dengan Teknik SMOTE. Hasil pengolahan data menunjukan adanya peningkatan akurasi dengan penggunaan SMOTE sebesar 4% pada Deep Learning dan 1,08% pada KNN. Nilai akurasi tertinggi diperoleh dari implementasi SMOTE pada KNN dengan nilai 91,48%.
Co-Authors - Amik BSI Yogyakarta, Gunawan Budi S Akhmad Syukron Akrom, Akrom Angga Ardiansyah Budi Al Amin Budi Al Amin Denny Irawan eka rahmawati F Febiyanti Galih Setiawan Nurohim Gunawan Budi Sulistyo Haryanto, Wawan Hendri Hermawan Adinugraha Heribertus Ary Setyadi Irawan, Denny Laily, Isnaini Mufidatul Maryani, Ina Nani Purwati Permata, Afifta Ilham Pribadi, Denny Rahmawati-Universitas Bina Sarana Informatika, Eka Rousyati, Rousyati Sardiarinto Sardiarinto Sardiarinto Sardiarinto Sri Mulyani Tri Wahyudi - AMIK BSI Yogyakarta Tri Wahyudi - AMIK BSI Yogyakarta Tristanti, Vriska wahyu Tristanti, Vriska wahyu Wahyu Setyo Prabowo Wawan Haryanto