Article Per Year (5 Year)
p-Index From 2021 - 2026
4.5
P-Index
This Author published in this journals
All Journal Techno.Com: Jurnal Teknologi Informasi JOIV : International Journal on Informatics Visualization Knowledge Engineering and Data Science JURNAL MEDIA INFORMATIKA BUDIDARMA ILKOM Jurnal Ilmiah EDUMATIC: Jurnal Pendidikan Informatika Indonesian Journal of Data and Science Buletin Sistem Informasi dan Teknologi Islam The Indonesian Journal of Computer Science Linier: Literatur Informatika dan Komputer
Herdianti Darwis
Informatics Engineering, Faculty Of Computer Science, Universitas Muslim Indonesia
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Mathematics

Published : 29 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 29 Documents
Search

 1   2   3 
Analisis Sentimen Komentar Konten Kreator Gaming Menggunakan Metode Naive Bayes dan KNN M. Dimas Taufiqurahman; Siska Anraeni; Herdianti Darwis
LINIER: Literatur Informatika dan Komputer Vol 1, No 4 (2024)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/linier.v1i4.2531

Abstract

Perkembangan teknologi telah membawa banyak pergeseran termasuk dalam transformasi media konvensional seperti radio dan televisi menjadi media online. Salah satu platform yang mengalami peningkatan signifikan adalah YouTube yang kini menjadi pilihan utama hiburan, terutama bagi anak-anak dan orang dewasa. YouTube, didirikan pada Februari 2005, memiliki 2.56 miliar pengguna per Januari 2022 dan memuat berbagai konten, termasuk video klip film, acara TV, dan video buatan pengguna. Di Indonesia, konten tutorial game menjadi salah satu yang paling sering ditonton, mencapai 7.1% dari total 19 jenis konten populer berdasarkan survei dari Asosiasi Penyelenggara Jasa Internet Indonesia (APJII). Penelitian ini bertujuan untuk mengekstrak data opini dan menganalisis sentimen netizen terhadap konten gaming di YouTube menggunakan pendekatan Naive Bayes dan KNN. Berdasarkan hasil klasifikasi kedua metode Naïve Bayes KNN didapatkan hasil akurasi 96% untuk metode Naïve Bayes dan akurasi 87% untuk metode KNN sehingga dapat disimpulkan bahwa metode Naïve Bayes memiliki akurasi yang lebih tinggi
Analisis Sentimen Review Aplikasi di Google Play Store Menggunakan Random Forest Muhammad Faiq Rahmatullah; Poetri Lestari Lokapitasari Belluano; Herdianti Darwis
LINIER: Literatur Informatika dan Komputer Vol 2, No 3 (2025)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/linier.v2i3.3149

Abstract

Google Play Store adalah salah satu platform distribusi aplikasi terbesar yang memungkinkan pengguna memberikan ulasan terhadap aplikasi yang mereka pakai. Di era digital saat ini, ulasan pengguna menjadi sumber data penting untuk menilai performa dan kualitas aplikasi. Namun, banyaknya jumlah ulasan membuat analisis secara manual menjadi kurang efisien. Oleh karena itu, peracangan ini ini mengadopsi pendekatan machine learning untuk mengklasifikasikan ulasan ke dalam kategori sentimen positif, negatif, atau netral. Proses analisis meliputi beberapa tahap, seperti pengumpulan data, praproses teks, ekstraksi fitur dengan TF-IDF, pelatihan model menggunakan Random Forest, serta evaluasi kinerja model. Hasil evaluasi menunjukkan bahwa model yang dikembangkan berhasil mengklasifikasikan sentimen dengan akurasi sebesar 68.5%, dengan performa terbaik pada sentimen negatif. Selain itu, penerapan metode Random Forest juga membuka peluang untuk pengembangan sistem analitik otomatis yang dapat digunakan oleh pengembang aplikasi dalam meningkatkan kualitas layanan mereka. Dengan memahami kecenderungan opini pengguna secara cepat dan akurat, pengambilan keputusan dalam pengembangan fitur baru atau perbaikan bug dapat dilakukan secara lebih terarah. Implementasi metode ini juga berpotensi untuk diterapkan pada sektor lain seperti e-commerce, layanan publik, atau media sosial, di mana opini pengguna menjadi salah satu aspek penting dalam evaluasi layanan
Perancangan Website Pada Toko Firman Tani Menggunakan Pendekatan Waterfall Muh Firman Abd Rahman; Irawati Irawati; Herdianti Darwis
LINIER: Literatur Informatika dan Komputer Vol 2, No 3 (2025)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/linier.v2i3.3150

Abstract

Di era digital saat ini, sistem informasi yang terintegrasi dan efisien menjadi kebutuhan penting, khususnyabagi UMKM seperti toko pertanian. Penelitian ini bertujuan mengembangkan sistem informasi penjualan berbasis website untuk Toko Firman Tani di Kabupaten Pinrang dengan pendekatan pengembangan perangkat lunak Waterfall. Sistem ini dirancang untuk menggantikan metode penjualan manual yang masih digunakan, yang dinilai kurang efisien dan tidak mampu menjangkau pasar secara luas. Proses pengembangan mengikuti tahapan sistematis, yaitu analisis kebutuhan, perancangan, implementasi, pengujian, dan pemeliharaan, dengan data yang dikumpulkan melalui observasi langsung, wawancara dengan pemilik dan pelanggan, serta studi pustaka yang relevan. Fitur utama sistem meliputi katalog produk digital, manajemen stok otomatis, proses pemesanan menggunakan keranjang belanja, integrasi metode pembayaran digital, serta notifikasi pesanan melalui WhatsApp. Untuk mengevaluasi kualitas dan kenyamanan sistem, dilakukan pengujian melalui unit testing dan usability testing menggunakan metode System Usability Scale (SUS). Pengujian dilakukan terhadap 15 responden, terdiri dari admin, petani, dan pelanggan. Hasil pengujian menunjukkan nilai rata-rata sebesar 71%, yang menurut interpretasi standar SUS termasuk dalam kategori “baik”, menunjukkan bahwa sistem mudah digunakan dan diterima oleh pengguna. Implementasi sistem ini terbukti mampu meningkatkan efisiensi transaksi, akurasi pengelolaan data, dan memperluas jangkauan promosi toko secara daring. Selain itu, sistem ini juga memberikan kemudahan komunikasi antara pelanggan dan pemilik usaha melalui media digital. Penelitian ini diharapkan menjadi kontribusi nyata dalam pemanfaatan teknologi informasi pada sektor pertanian dan memberikan inspirasi bagi UMKM lainnya untuk bertransformasi secara digital guna meningkatkan daya saing di era modern
Indonesian Cross-Platform Sentiment Analysis: DANN Transfer from General Applications to TradingView Muh. Rifqi Zulkifli; Purnawansyah; Herdianti Darwis
Indonesian Journal of Data and Science Vol. 6 No. 3 (2025): Indonesian Journal of Data and Science
Publisher : yocto brain

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56705/ijodas.v6i3.318

Abstract

Introduction: Cross-platform sentiment analysis for Indonesian language presents significant challenges when adapting models from general applications to specialized domains. Domain Adversarial Neural Networks (DANN) offer promising solutions for transfer learning, yet their effectiveness for Indonesian language remains largely unexplored, particularly under extreme class imbalance conditions common in trading platforms. Methods: This study investigates DANN effectiveness for transferring sentiment analysis knowledge from four strategically selected source domains to TradingView trading platform. The research utilizes 5,990 Indonesian reviews after preprocessing from an initial 6,000 samples, with source domains showing 66.5% positive sentiment while target domain exhibits 85.1% positive sentiment, creating an 18.7% distribution gap. Four experimental approaches were compared with statistical validation across multiple random initializations: Source-Only training, Multi-Domain training, Limited Target training, and DANN implementation. Results: DANN demonstrates stable cross-platform adaptation, achieving 87.77% ± 0.97% accuracy with consistent performance across initializations, outperforming Source-Only baseline (87.10% ± 0.84%) and Multi-Domain approach (86.98% ± 0.64%). While Limited Target baseline achieves higher accuracy (88.10% ± 2.23%), its high variance poses deployment risks. A-distance analysis reveals substantial domain gaps (193.00 ± 1.06), with DANN's adversarial training achieving modest domain separation reduction (72.90% ± 8.81% domain discrimination accuracy). Conclusions: This research contributes the first systematic evaluation of DANN for Indonesian cross-platform sentiment analysis, demonstrating that deployment consistency outweighs peak accuracy for production environments. The findings provide practical value for Indonesian fintech startups requiring robust sentiment analysis with limited labeled data. Future work should explore multi-target adaptation and optimization strategies for diverse Indonesian business domains
Smart Waste Bin Prototype for University Waste Management Fauzy Fathrurahman; Dolly Indra; Tasrif Hasanuddin; Herdianti Darwis; Tanaka Kazuaki
Indonesian Journal of Data and Science Vol. 6 No. 3 (2025): Indonesian Journal of Data and Science
Publisher : yocto brain

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56705/ijodas.v6i3.324

Abstract

Background: Waste mismanagement remains a critical issue in Indonesian campuses, where ineffective segregation and collection practices contribute to environmental pollution. Smart technologies offer opportunities to improve waste handling efficiency and monitoring in university environments. Methods: This study developed a smart waste bin prototype that integrates Internet of Things (IoT) sensors, machine learning–based image classification (MobileNetV2 with TensorFlow Lite), GPS tracking, and LoRa communication. The system was designed to classify three types of waste—plastic bottles, snack packaging, and cans—while enabling fill-level monitoring, automated sorting, and real-time location reporting. Results: Experimental results showed strong classification accuracy for plastic bottles (100%), but lower performance for snack packaging (53–80%) and cans (40–67%), especially in low-light conditions or with darker materials. The overall real-time testing accuracy reached 45.1%. LoRa communication provided long-range connectivity but was affected by electromagnetic interference, while GPS tracking was reliable in open areas but inconsistent indoors. Conclusions: The prototype demonstrates the feasibility of integrating AI and IoT for scalable campus waste management. Despite environmental and hardware limitations, it offers a modular framework that can be refined with improved lighting, EMI shielding, and enhanced datasets. This research contributes a practical model for smart campus initiatives and supports the adoption of sustainable waste management practices in higher education environments.
Drug Recommendation Using Multilabel Classification with Decision Tree Based on Patient Complaints and Diagnoses Muh Aristsyah Malik; Harlinda; Herdianti Darwis
Indonesian Journal of Data and Science Vol. 7 No. 1 (2026): Indonesian Journal of Data and Science
Publisher : yocto brain

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56705/ijodas.v7i1.397

Abstract

This study develops a drug recommendation system using multilabel classification with the Decision Tree algorithm based on patient complaint and diagnosis data from electronic medical records. The dataset consists of patient visit records from a community health center in Pangkajene and Kepulauan Regency and is transformed using multi-hot encoding. Model performance is evaluated under three dataset scenarios (N=500, N=800, and N=1000) using multilabel metrics, including Micro-F1, Samples-F1, Hamming Loss, Jaccard Similarity, Hit@5, Precision@K, and Recall@K. The best Decision Tree model achieved a Micro-F1 score of 0.292, Samples-F1 of 0.281, and Hit@5 of 0.690 on the N=1000 dataset scenario. Bootstrap validation with 1000 iterations indicates relatively stable performance, with narrow confidence intervals across evaluation metrics. These results show that the multilabel Decision Tree model is capable of capturing relationships between patient complaints, diagnoses, and drug therapies while maintaining an interpretable decision structure
Klasifikasi Penyakit Bawang Merah Menggunakan Naïve Bayes dan Convolutional Neural Network Dian; Purnawansyah; Herdianti Darwis; Lilis Nurhayati
The Indonesian Journal of Computer Science Vol. 12 No. 4 (2023): The Indonesian Journal of Computer Science
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v12i4.3265

Abstract

Bawang merah rentan terhadap serangan penyakit yang dapat mengganggu pertumbuhan dan mengakibatkan hasil panen yang tidak maksimal bahkan gagal panen, seperti bercak ungu dan moler. Penelitian ini bertujuan untuk mengklasifikasikan penyakit bawang merah dengan mengimplementasikan meetode naïve bayes (gaussian , bernoulli, dan multinomial) dan CNN pada citra bawang merah yang diekstraksi menggunakan fourier descriptor. Metode FD – CNN memperoleh tingkat accuracy 98% dalam mengklasifikasikan penyakut bawang merah, moler dan bercak ungu, sedangkan metode CNN tanpa menggunakan ekstraksi menghasilkan nilai accuracy sebesar 97%. Adapun pada metode naïve bayes, pengklasifikasian yang memiliki accuracy paling tinggi adalah metode gaussian naïve bayes sebesar 95% sedangkan yang paling rendah yaitu metode bernoulli naïve bayes dengan tingkat accuracy sebesar 42%. Dengan demikian, dapat disimpulkan bahwa CNN, FD-CNN, dan FD-GNB efektif untuk meningkatkan performa klasifikasi pada citra daun bawang merah.
Metode SVM dan Naive Bayes untuk Analisis Sentimen ChatGPT di Twitter Dedy Atmajaya; Annisa Febrianti; Herdianti Darwis
The Indonesian Journal of Computer Science Vol. 12 No. 4 (2023): The Indonesian Journal of Computer Science
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v12i4.3341

Abstract

Pertumbuhan pesat platform media sosial telah memberikan jalur baru bagi individu untuk mengungkapkan pendapat dan sentimen mereka. Analisis sentimen dari konten yang dibuat oleh pengguna di platform seperti Twitter menjadi semakin penting dalam memahami opini publik dan tren sosial. Penelitian ini bertujuan untuk membandingkan kinerja dua algoritma machine learning, Support Vector Machine (SVM) dan Naive Bayes, dalam menganalisis sentimen pengguna Twitter mengenai ChatGPT, sebuah model bahasa canggih. Sentimen akan diberi label menggunakan dua alat analisis sentimen yang terkenal, Vader dan Roberta. Penelitian ini menggunakan data Twitter sebanyak 1000 dataset yang terkait dengan ChatGPT dan mengevaluasi akurasi, presisi, dan recall dari model SVM dan Naive Bayes. Hasil penelitian ini menunjukkan perbedaan yang jelas dalam kinerja model: SVM yang digabungkan dengan Vader mencapai tingkat akurasi, presisi, dan recall sebesar 59%, dengan F1-score sebesar 55%. Secara signifikan lebih unggul dibandingkan dengan model sebaliknya, dimana SVM dengan label RoBERTa menghasilkan akurasi sebesar 55%, presisi sebesar 58%, recall sebesar 55%, dan F1-score sebesar 52%. Naive Bayes menunjukkan kinerja yang relatif lebih rendah. Dengan menggunakan Vader, Naïve Bayes mencapai tingkat akurasi dan recall sebesar 47%, presisi sebesar 46%, dan F1-score yang lebih rendah sebesar 32%. Sedangkan, menggunakan RoBERTa dengan Naive Bayes menunjukkan penurunan akurasi menjadi 43%, recall sebesar 43%, presisi sebesar 18%, dan F1-score sebesar 26%. Pengendalian SVM dinilai memiliki kinerja yang lebih unggul dalam mengolah analisis sentimen pengguna Twitter mengenai opini tentang ChatGPT.
Klasifikasi Daun Herbal Menggunakan Metode CNN dan Naïve Bayes dengan Fitur GLCM Adela Regita Azzahra; Purnawansyah; Herdianti Darwis; Dewi Widyawati
The Indonesian Journal of Computer Science Vol. 12 No. 4 (2023): The Indonesian Journal of Computer Science
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v12i4.3362

Abstract

Tanaman herbal menunjukkan variasi berbagai ukuran dan bentuk yang berbeda untuk setiap jenis. Penelitian ini bertujuan untuk mengklasifikasikan citra daun dari daun katuk (Sauropus Androgynus) dan daun kelor (Moringa). Dalam penelitian ini digunakan Gray Level Co-Occurrence Matrix (GLCM) untuk mengektraksi fitur contrast, correlation, homogeneity, dissimilarity, dan Angular Second Moment (ASM). Adapun pada klasifikasi diterapkan metode Convolutional Neural Network (CNN) dan Naïve Bayes dengan kernel Gaussian, multinomial, dan Bernoulli. Jumlah citra yang digunakan dalam riset ini adalah 480 citra, dengan perincian 80% untuk data training dan 20% sebagai data testing. Berdasarkan hasil pengujian dan perbandingan yang telah dilakukan didapatkan kesimpulan bahwa penerapan metode CNN tanpa ekstraksi fitur terbukti lebih efisien dalam proses klasifikasi citra daun herbal, dengan nilai precision, recall, f1-score dan accuracy mencapai 98% pada situasi cahaya terang.
Co-Authors - Nurhikma A. Muh. Syafei Emil Ma’arif A. Nurjulianty Adela Regita Azzahra Aji Prasetya Wibawa Alfitriana Riska Andi Ranreng Sombeng Annisa Febrianti Arif Kurnia Cholisah Erman Hasihi Dedy Atmajaya Dewi Widyawati Dian Dolly Indra Erick Irawadi Alwi Farniwati Fattah Fauzy Fathrurahman Fina Febriana Fitrah Wahyu Ningsih Fitriani Umar Fitriyani Umar Harlinda Harlinda L Harlinda Lahuddin Haviluddin Haviluddin Hilma Aszahrah Huzain Azis Ihwana As’ad Ikmar Mawardi Irawati Irawati Jumrayanti Arfah lilis nurhayati Lokapitasari Belluano, Poetri Lestari M. Dimas Taufiqurahman Masita Balla Ming Foey Teng Muh Aristsyah Malik Muh Firman Abd Rahman Muh. Arsyil Karimi Muh. Rifqi Zulkifli Muhammad Faiq Rahmatullah Nur Afra Dimitri Pratiwi Nur Almar' Atussaliha Nur Chaerunnisa Purnawansyah Purnawansyah Putri Regina Prayoga Rahma Puspitasari Ramdan Sastra Siska Anraeni Sunarti Passura Backar Tanaka Kazuaki Tasrif Hasanuddin Tasrif Hasanuddin Triyanna Widyaningtyas Wistiani Astuti Wistiani Astuti Yulita Salim Zahrizhal Ali