Article Per Year (5 Year)
p-Index From 2021 - 2026
5.47
P-Index
This Author published in this journals
All Journal Jurnal Buana Informatika JSI: Jurnal Sistem Informasi (E-Journal) Prosiding Semnastek Panrita Abdi - Jurnal Pengabdian pada Masyarakat Jurnal Akuntansi Jurnal Komputasi Jurnal Teknoinfo JURIKOM (Jurnal Riset Komputer) JURTEKSI JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Jurnal Tekno Kompak Building of Informatics, Technology and Science Jurnal Pengabdian Kepada Masyarakat (JPKM) Tabikpun JTIKOM: Jurnal Teknik dan Sistem Komputer Jurnal Informatika dan Rekayasa Perangkat Lunak Jurnal Data Mining dan Sistem Informasi Jurnal Ilmiah Infrastruktur Teknologi Informasi Jurnal Teknologi dan Sistem Informasi Journal Social Science And Technology For Community Service Jurnal Telematics and Information Technology (TELEFORTECH) Journal of Engineering and Information Technology for Community Service Takuana: Jurnal Pendidikan, Sains, dan Humaniora Jurnal Ilmiah Edutic : Pendidikan dan Informatika Journal of Artificial Intelligence and Technology Information Jurnal Medika: Medika Jurnal Komputasi
Damayanti, Damayanti
Universitas Teknokrat Indonesia
Arts Humanities Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Health Professions Languange, Linguistic, Communication & Media Library & Information Science Mathematics Medicine & Pharmacology Nursing Public Health Social Sciences Other

Published : 50 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 50 Documents
Search

 1   2   3   4   5 
SENTIMENT ANALYSIS OF PUBLIC OPINION ON SOCIAL MEDIA X TOWARDS ETHNIC ROHINGYA IN INDONESIA Ayu Amalia; Damayanti Damayanti
JURTEKSI (Jurnal Teknologi dan Sistem Informasi) Vol 10, No 3 (2024): Juni 2024
Publisher : STMIK Royal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v10i3.3079

Abstract

Abstract: Rohingya refugees continue to arrive in Aceh by sea by boat. Based on data from the United Nations High Commissioner for Refugees (UNCHR), as of December 10 2023, 1,543 Rohingya refugees had landed in Aceh since mid-November 2023. The increasing number of refugees arriving has caused resistance from local residents. This rejection was the result of the bad experiences of Acehnese people with Rohingya refugees. The main problem of this research is that analyzing public opinion on Rohingya ethnicity in Indonesia is still done manually by looking at tweets one by one. The solution to overcome this is to analyze opinions using data crawling with the Naïve Bayes algorithm. The purpose of this research is to determine public opinion on Twitter media regarding refugee refugees. The method used in this research is the Naïve Bayes algorithm method. The results of the research show that the Naïve Bayes algorithm can classify public opinion sentiment on Twitter social media towards the Rohingya Ethnic in Indonesia into positive sentiment. and negative with a total accuracy of 70%. So, the words "Rohingya Ethnicity in Indonesia" tend to be accepted by the X community with the arrival of Rohingya refugees in Indonesia.            Keywords: rohingya; twitter; naïve bayes; opinion  Abstrak: Pengungsi Rohingya terus berdatangan ke Aceh melalui jalur laut dengan menggunakan perahu. Berdasarkan hasil data United Nations High Commissioner for Refugees (UNCHR), per 10 Desember 2023 sebanyak 1.543 pengungsi Rohingya datang ke dalam wilayah Aceh. Meningkatnya jumlah pengungsi yang datang menimbulkan perlawanan dari warga setempat. Penolakan ini imbas dari pengalaman buruk warga Aceh terhadap pengungsi Rohingya. Permasalahan utama penelitian ini yaitu menganalisis opini publik terhadap Etnis Rohingya di Indonesia masih secara manual dengan melihat tweet satu persatu. Solusi mengatasi hal tersebut maka analisis opini menggunakan crawling data dengan algoritma Naïve Bayes. Tujuan penelitian ini untuk mengetahui opini publik pada media twitter terkait pengungsi Rohingya. Metode yang digunakan dalam penelitian ini yaitu metode algoritma Naïve Bayes. Hasil penelitian menunjukan bahwa pada algoritma Naïve Bayes dapat mengklasifikasikan sentimen dengan total akurasi 70%. Maka “Etnis Rohingya di Indonesia” cenderung dapat diterima oleh masyarakat X dengan datangnya pengungsi Rohingya di Indonesia. Kata kunci: rohingnya; twitter; naïve bayes; opini 
APLIKASI PERMAINAN SEBAGAI MEDIA PEMBELAJARAN PETA DAN BUDAYA SUMATERA UNTUK SISWA SEKOLAH DASAR Dyah Ayu Megawaty; Damayanti Damayanti; Zakaria Sani Assubhi; Maulana Aziz Assuja
Jurnal Komputasi Vol. 9 No. 1 (2021)
Publisher : Jurusan Ilmu Komputer Fakultas MIPA Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/komputasi.v9i1.2779

Abstract

Indonesia secara umum mempunyai banyak keanekaragaman budaya dari berbagai pulau. Pulau Sumatera termasuk dalam pulau-pulau terbesar di Indonesia. Seiring dengan perkembangan zaman, kebudayaan yang ada di Indonesia pada saat ini secara perlahan mulai terlupakan. Oleh karena itu tujuan dari penelitian ini adalah memberikan alternatif lain untuk mengenalkan pulau Sumatera pada pelajar sekolah dasar melalui aplikasi permainan sehingga siswa tidak mudah bosan dan tertarik untuk mengetahui sejarah masing-masing provinsi, rumah adat dan pakaian adatnya. Penelitian ini dikembangkan dengan menggunakan construct 2 dan metode pengembangan Multimedia Development Life Cycle. Hasil penelitian ini berupa aplikasi permainan pengenalan peta dan budaya Sumatera yang dapat dijalankan melalui smartphone berbasis android dengan disertakan latihan soal, untuk mengetahui sejauh mana kemampuan siswa mendalami materi yang didapat dari game ini. Aplikasi ini telah diuji kepada siswa sekolah dasar dengan rata-rata hasil 94% atau sangat baik.
Klasifikasi Risiko Bencana di Indonesia Menggunakan SVM dan Random Forest Erland Adhe Sharendra; Tri Widodo; Damayanti Damayanti; Okma Arnilia
Building of Informatics, Technology and Science (BITS) Vol 8 No 1 (2026): June 2026
Publisher : Forum Kerjasama Pendidikan Tinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bits.v8i1.9818

Abstract

Indonesia is a country with a high level of disaster vulnerability, requiring effective methods to accurately classify disaster risk levels. This study aims to analyze and compare the performance of Support Vector Machine (SVM) and Random Forest algorithms in disaster risk classification. The dataset used consists of disaster event data from 2019–2024, including disaster type, region, number of victims, and population density. Disaster risk levels were classified into three categories, namely low, medium, and high, based on the total impact calculated from the number of victims. The proposed method includes data preprocessing, normalization, and train-test data splitting. The results show that both models achieved high performance, where Random Forest obtained an accuracy of 95.66% and SVM achieved 95.28%, with ROC-AUC values of 0.9823 and 0.9769, respectively. Random Forest demonstrated slightly better performance with an accuracy difference of 0.38% and more consistent prediction results. The high performance indicates that the models were able to recognize the main patterns within the dataset, although the results were also influenced by the characteristics of the data used. Overall, Random Forest is more suitable for disaster risk classification on data with complex characteristics.
Program Korega Berbasis Digital Sebagai Strategi Peningkatan Kesehatan Reproduksi di Posyandu Remaja Tegalsari Gadingrejo Nila Qurniasih; Desti Ambar Wati; Damayanti Damayanti; Habibah Ainun Mardiyah; Arina Salsabila
Jurnal Medika: Medika Vol. 4 No. 4 (2025)
Publisher : LPPM Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/a7v5q024

Abstract

Remaja merupakan kelompok populasi besar yang memiliki peran penting dalam pembangunan nasional namun tetap rentan terhadap masalah kesehatan reproduksi seperti anemia, infeksi menular seksual, dan kehamilan yang tidak direncanakan. Posyandu Remaja Tegalsari menghadapi rendahnya partisipasi yang disebabkan oleh kegiatan yang monoton dan jadwal yang kurang sesuai. Program digital KOREGA (Komunitas Remaja Gesit Antusias) diperkenalkan sebagai strategi inovatif untuk meningkatkan pengetahuan dan keterlibatan remaja melalui pemberdayaan kader sebaya, perbaikan manajemen kegiatan, serta pemanfaatan aplikasi, modul, video, dan media sosial. Program dilaksanakan pada Agustus–September 2025 dengan melibatkan 10 kader remaja melalui tahapan persiapan, sosialisasi, implementasi digital, pelatihan, monitoring, dan evaluasi menggunakan pre–post test. Analisis Wilcoxon menunjukkan peningkatan pengetahuan yang signifikan (p=0.008), dengan rata-rata nilai meningkat dari 47,33 menjadi 75,78. Temuan ini menunjukkan bahwa intervensi digital yang dikombinasikan dengan pendampingan sebaya efektif dalam meningkatkan pemahaman remaja tentang kesehatan reproduksi. Program KOREGA dapat menjadi model modern, inklusif, dan berkelanjutan untuk pemberdayaan Posyandu Remaja sekaligus mendukung Sustainable Development Goals (SDGs) poin 3 (Kehidupan Sehat dan Sejahtera) dan poin 4 (Pendidikan Berkualitas).
Perancangan Sistem Inventarisasi Aset Terpadu Berbasis Web di Lingkungan Perguruan Tinggi Fakihah Farhah Faridaashri; Mahendra Dewantoro; Damayanti Damayanti
Takuana: Jurnal Pendidikan, Sains, dan Humaniora Vol. 4 No. 4 (2026): Takuana (January-March)
Publisher : MAN 4 Kota Pekanbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56113/takuana.v4i4.379

Abstract

Asset management in higher education institutions is essential to ensure efficiency, transparency, and accountability in the use of resources. However, many institutions still rely on manual or semi-digital systems, leading to data duplication, information inconsistency, and difficulties in reporting. This study aims to develop an Integrated Web-Based Asset Inventory System to address these issues. The research methodology follows a Research and Development (R&D) approach, combining Prototype and Waterfall methods. The system is designed through stages including needs analysis, UML design, implementation using technologies such as PHP/CodeIgniter, MySQL, and Bootstrap, followed by functional and usability testing. Key features of the system include asset data input and updating, categorization by type and location, periodic notifications, automated reporting, role-based access control, and activity logs. The results show that the system provides an accurate, real-time, and integrated solution for asset management. With the appropriate use of information technology, this system is expected to improve operational efficiency and serve as a reference for other educational institutions in implementing digital-based asset management.
PERANCANGAN SISTEM INFORMASI GEOGRAFIS KEBUDAYAAN LAMPUNG BERBASIS MOBILE Yuri Rahmanto; Siti Hotijah; . Damayanti
Jurnal Data Mining dan Sistem Informasi Vol 1, No 1 (2020): Agustus 2020
Publisher : Universitas Teknokrat Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33365/jdmsi.v1i1.805

Abstract

Provinsi Lampung adalah sebuah Provinsi paling selatan di Pulau Sumatra, dengan ibu kota Bandarlampung. Pada Kantor Kebudayaan belum ada aplikasi untuk mencari informasi lokasi wisata, dan tidak adanya informasi tentang budaya, serta wisata di Kabupaten Lampung Selatan dan Kabupaten Tulang Bawang. Informasi disebarkan melalui blog dan website yang tidak resmi dari pemerintah,Tujuan penelitian ini adalah untuk membuat aplikasi mobile Sistem Informasi Geografis sebagai media pencarian lokasi dan untuk mendapatkan informasi mengenai rumah adat, tari adat, pakaian adat, makanan khas, wisata, dan transportasi di Kabupaten Lampung Selatan dan Kabupaten Tulang Bawang. Metode pengembangan sistem menggunakan metode extreme programming dan perancangan sistem menggunakan UML.Hasil yang dicapai adalah sebuah aplikasi berbasis mobile sistem informasi geografis yang dapat dijadikan sebagai media informasi pariwisata di Kabupaten Lampung Selatan dan Kabupaten Tulang Bawang. Hasil pengujian ISO 9126 yang telah dilakukan dengan melibatkan 50 Responden dapat disimpulkan bahwa kualitas kelayakan perangkat lunak yang dihasilkan secara keseluruhan mempunyai nilai 87,63% maka dinyatakan sistem “Baik” dan layak digunakan.
Perbandingan Algoritma Random Forest, XGBoost dan SVM Pada Klasifikasi Penyakit Demam Berdarah Dengue (DBD) Vionando Wira Mada; Damayanti Damayanti
Building of Informatics, Technology and Science (BITS) Vol 7 No 3 (2025): December 2025
Publisher : Forum Kerjasama Pendidikan Tinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bits.v7i3.8591

Abstract

Dengue Hemorrhagic Fever (DHF) is an infectious disease caused by the dengue virus and transmitted through the bite of the Aedes aegypti mosquito. This disease remains a serious health problem in Indonesia because it can cause severe complications and even death if not treated immediately. This study aims to classify the severity of DHF based on patient clinical data using three machine learning algorithms, namely Random Forest, XGBoost, and Support Vector Machine (SVM). The dataset used consists of 5,000 patient data that includes various vital parameters and laboratory test results such as age, gender, hemoglobin level, white blood cell count (WBC), leukocyte count (Differential Count), red blood cell parameters (RBC Panel), platelet count, and Platelet Distribution Width (PDW). The research stages include data cleaning, handling missing values, coding categorical variables, data normalization, and dividing the dataset into 80% training data and 20% test data. Evaluation is carried out using accuracy, precision, sensitivity (recall), and F1 score metrics. The results showed that the XGBoost algorithm performed best with an accuracy of 87.72%, followed by Random Forest (86.21%) and SVM (84.78%). Based on these findings, XGBoost was deemed most effective in classifying dengue fever. Further research is recommended to use a larger dataset and perform hyperparameter optimization to improve the accuracy and reliability of the resulting model.
KOMPARASI ALGORITMA RANDOM FOREST CLASSIFIER DAN SUPPORT VECTOR MACHINE UNTUK SENTIMEN MASYARAKAT TERHADAP PINJAMAN ONLINE DI MEDIA SOSIAL Dhea Annisa Fitri; Damayanti Damayanti
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 9, No 4 (2024)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v9i4.5608

Abstract

Perkembangan di sektor keuangan, terutama dengan kemunculan teknologi keuangan (fintech), telah membawa beragam layanan keuangan yang menggunakan teknologi, termasuk layanan pinjaman online. Fenomena pinjaman online menjadi sorotan utama di Indonesia, baik dari segi hukum maupun dampaknya terhadap masyarakat. Dalam konteks ini, penting untuk mengkaji analisis sentimen masyarakat terhadap pinjaman online yang tersebar di berbagai platform media sosial. Penelitian ini memiliki tujuan untuk membandingkan performa dua algoritma klasifikasi, yakni Random Forest dan Support Vector Machine (SVM), dalam menganalisis sentimen terhadap opini masyarakat terkait pinjaman online di media sosial, khususnya di platform Twitter. Metode penelitian mencakup proses pengumpulan data melalui pengambilan data pada platform Twitter, pemrosesan data untuk membersihkan dan memformat dataset, serta memberi label pada data untuk mengkategorikan opini sebagai positif atau negatif. Langkah selanjutnya melibatkan klasifikasi data, yang diikuti dengan evaluasi menggunakan Confusion Matrix untuk menilai performa kedua algoritma. Temuan penelitian menunjukkan bahwa kedua algoritma mampu melakukan klasifikasi dengan baik setelah data disesuaikan, namun Random Forest mencapai akurasi 100% sedangkan SVM mencapai 99%. Walaupun begitu, secara keseluruhan, Random Forest menunjukkan hasil yang lebih baik dengan akurasi yang lebih tinggi
Analisis Clustering Pemerataan Fasilitas Pendidikan Desa di Indonesia Menggunakan Metode K-Means Berbasis Data BPS Tahun 2025 Gamaliel Jones Gerardo Hutapea; Damayanti Damayanti
Journal of Artificial Intelligence and Technology Information (JAITI) Vol. 4 No. 3 (2026): Volume 4 Number 3 September 2026
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/jaiti.v4i3.284

Abstract

Pemerataan fasilitas pendidikan desa merupakan salah satu faktor penting dalam mendukung pembangunan pendidikan yang berkelanjutan di Indonesia. Perbedaan ketersediaan fasilitas pendidikan antar wilayah dapat menyebabkan terjadinya ketimpangan akses pendidikan pada setiap provinsi. Penelitian ini bertujuan untuk melakukan clustering pemerataan fasilitas pendidikan desa di Indonesia menggunakan metode K-Means Clustering berdasarkan data Badan Pusat Statistik (BPS) Tahun 2025. Variabel yang digunakan dalam penelitian meliputi Sekolah Dasar (SD), Sekolah Menengah Pertama (SMP), Sekolah Menengah Atas (SMA), Sekolah Menengah Kejuruan (SMK), dan Perguruan Tinggi (PT). Penelitian ini menggunakan pendekatan kuantitatif berbasis data mining dengan tahapan analisis meliputi pengumpulan data, normalisasi data menggunakan metode Min-Max Normalization, penentuan jumlah cluster optimal menggunakan Elbow Method, dan proses clustering menggunakan aplikasi IBM SPSS Statistics. Hasil penelitian menunjukkan bahwa jumlah cluster optimal yang diperoleh adalah empat cluster. Mayoritas provinsi berada pada cluster dengan tingkat pemerataan fasilitas pendidikan rendah, sedangkan hanya beberapa provinsi yang berada pada cluster dengan tingkat pemerataan tinggi. Hasil penelitian ini menunjukkan bahwa pemerataan fasilitas pendidikan desa di Indonesia masih belum merata antar wilayah. Penelitian ini diharapkan dapat menjadi bahan pertimbangan dalam mendukung pengambilan kebijakan pembangunan pendidikan yang lebih tepat sasaran.
Komparasi Algoritma Extreme Gradient Boosting, Support Vector Machine, dan Random Forest Klasifikasi Penyakit Jantung Fadil Arrosyid Fayyadh; Damayanti Damayanti
Building of Informatics, Technology and Science (BITS) Vol 8 No 1 (2026): June 2026
Publisher : Forum Kerjasama Pendidikan Tinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bits.v8i1.9833

Abstract

Heart disease is one of the leading causes of death worldwide and requires early detection to reduce the risk of fatality. This study aims to analyze and compare the performance of three machine learning algorithms, namely Support Vector Machine (SVM), Random Forest, and XGBoost, in heart disease classification. The dataset was obtained from the Kaggle platform and consists of variables such as BMI, smoking habits, physical activity, general health conditions, and other health-related attributes, with HeartDisease as the target variable. The research stages include data preprocessing, categorical data encoding, data normalization, and data splitting using the 80:20 train-test split method. The results show that SVM and XGBoost achieved an accuracy of 0.90, while Random Forest achieved 0.89. Based on other evaluation metrics, XGBoost demonstrated the best performance with a precision of 0.88, recall of 0.90, and F1-score of 0.88. Feature importance analysis also revealed that several health factors significantly influence the risk of heart disease. The contribution of this study lies in comparing the performance of machine learning algorithms for heart disease classification and identifying influential health factors related to heart disease risk. The findings are expected to serve as a reference for developing decision support systems to assist early heart disease detection more accurately and efficiently.
Co-Authors ., Rusliyawati aan setiawan Ade Dwi Putra Ade Dwi Putra Ade Putra Adi Sucipto, Adi Ady Candra Nugroho Agung Tri Prastowo Ahmad Ari Aldino Aldi Bagus Prasetyo Alfiah Alfiah Algho Niyu Behainksa Amdi Rizal Ana Loria Andi Nurkholis Andre Wijaya Anton Mahendra Anton Mahendra Arfinia Rahma Ari Sulistyawati Arief Budiman Arina Salsabila Arnilia, Okma Ayesha Ziky Iftikhor Ayu Amalia Ayu Febriani Bahtiar Ayu Febriyani Bachtiar Ayu Ningtiara Berlintina Permatasari Chris Mario Clarisa Armanda Fernandis Creani Handayani Dani Saputra Dedi Darwis Desi Oktarina Desti Ambar Wati Devita Tri Yulianti Dhea Annisa Fitri Dian Novita Dian Widiarti Dimas Elang Setyoko Dyah Ayu Megawaty Erland Adhe Sharendra Erliyan Redi Susanto Erliyan Redi Susanto Erliyan Redy Susanto Fadil Arrosyid Fayyadh Fakihah Farhah Faridaashri Fitrah Amalia Fitrah Amalia Rahmadianti Gamaliel Jones Gerardo Hutapea Habib Rizky A.Siregar Habibah Ainun Mardiyah Heni Sulistiani Ida Nurwanti Imam Ahmad Joni Alfian Jupriyadi, Jupriyadi Leny Meilisa M Ghufroni An'ars M Ghufroni An’ars M. Ghufroni An'ars M. Ghufroni An'ars M. Ghufroni An’ars M. Tova M.Ghufroni An'ars Mahendra Dewantoro Maulana Aziz Assuja Miswanto Miswanto Mohamad Ghazi Rio Muhammad Al Kahfi Masputra Muhammad Alfarizi Muhammad Bakri Muhammad Fitratullah Muhammad Yusuf Hernandez Nadia Aftirah Nirwana Hendrastuty Novia Agus Mila Pahlewi, Anita Diah Pangestu Agung Pasha, Donaya Prabowo Prabowo Priliyani Hana Primawan Adrian Sitinja Putri Lestari Rifki Yudiantara Rifli Yanto Rohmat Indra Borman Rubiyah Rubiyah S. Samsugi Samuel Hutagalung Sefrizal Nata Prawira Setiawansyah Setiawansyah Siti Hotijah suaidah suaidah Tiara Azizul Andika Tri Widodo Tri Widodo Vionando Wira Mada Wahyudi, Agung Deni Warnars, Harco Leslie Hendric Spits Wisnu Mukti Dwiyudho Putro Wiwid Ayu Nisa Wulandia Wulandia Lestari Yeni Anggraini Yohanes Aji Pratama Yuri Rahmanto Zakaria Sani Assubhi Zurfah Muzrifah