Article Per Year (5 Year)
p-Index From 2021 - 2026
2.663
P-Index
This Author published in this journals
All Journal TEKNIK INFORMATIKA Indonesian Journal on Computing (Indo-JC) JURNAL MEDIA INFORMATIKA BUDIDARMA Building of Informatics, Technology and Science Jurnal Teknik Informatika (JUTIF) eProceedings of Engineering Nuansa Informatika Proceeding of Community Service and Engagement
Hani Nurrahmi
Universitas Telkom
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering

Published : 16 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 16 Documents
Search

 1   2 
Diversity Balancing in Two-Stage Collaborative Filtering for Book Recommendation Systems Muttaqien, Rifqi Fauzia; Nurjanah, Dade; Nurrahmi, Hani
JURNAL TEKNIK INFORMATIKA Vol. 16 No. 2 (2023): JURNAL TEKNIK INFORMATIKA
Publisher : Department of Informatics, Universitas Islam Negeri Syarif Hidayatullah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15408/jti.v16i2.36580

Abstract

A book recommender system is a system used to provide relevant book recommendations for readers. One approach that is often used in recommender systems is Collaborative Filtering (CF). CF provides book recommendations based on books liked by other similar users. However, CF only provides recommendations for items that are popular, so items that are less popular will be difficult to recommend. Therefore, we propose a book recommendation system based on Two-stages CF using the Diversity Balancing method. Diversity Balancing method in CF is used to balance diversity in the recommendation results by replacing popular items with less popular relevant items. System accuracy is measured using precision and recall, while diversity is measured using personal diversity and aggregate diversity. The test results show that the accuracy of the proposed system increases with the increasing number of recommended items. meanwhile, the diversity of recommended items continues to decrease as more items are included in the recommendation list. In consideration of the trade-off between accuracy and diversity, our system achieves a recall score of 0.301, a precision score of 0.282, a PD score of 0.048, and an AD score of 0.095 with a recommendation list size of 8 items.
Analisis Sentimen Review Film Menggunakan Naive Bayes Classifier Dengan Fitur TF-IDF Razaq, Muhammad Thaariq; Nurjanah, Dade; Nurrahmi, Hani
eProceedings of Engineering Vol. 10 No. 2 (2023): April 2023
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak-Penilaian mengenai isi dari review film dapat disebut dengan sentiment analysis. Sentiment analysis pada review film terbagi menjadi 2 yaitu berupa review positif dan review negatif. Salah satu algoritma data mining yang paling sering digunakan dalam penelitian adalah Naïve Bayes karena bekerja dengan cepat dan efisien sebagai metode pengklasifikasian teks tetapi memiliki kekurangan yang sangat sensitif dalam pemilihan fitur. Pada umumnya, data review film memuat isi yang sangat panjang sehingga diperlukan feature selection atau pemangkasan fitur yang berguna untuk mengurangi dimensi pada saat proses klasifikasi. Pada penelitian ini menggunakan fitur Tf-Idf sebagai salah satu solusi untuk mempermudah dan mempercepat pencarian informasi yang sesuai adalah dengan meringkas konten tersebut. Tf-Idf (Term Frequency Inverse Document Frequency) merupakan metode pembobotan dalam bentuk integrasi antar term frequency dengan inverse document frequency. Metode Tf-Idf digunakan pada penelitian ini untuk memilih fitur sebagai hasil ringkasan, dengan penerapannya pada seleksi fitur bobot kata. Sebelum proses klasifikasi, dilakukan tahapan preprocessing yang meliputi data cleaning dan case folding, stop words removal, stemming, dan tokenization. Pada penelitian ini menghasilkan nilai akurasi mencapai 86.48%. Sehingga Naïve Bayes dengan fitur Tf-Idf pada masalah analisis klasifikasi sentimen review film terbukti memberikan akurasi yang akuratKata kunci- sentiment analysis, film, Naïve Bayes, TF-IDF
Design and Implementation of a Performance Dashboard for Public Relations at Telkom University: Perancangan dan Implementasi Dashboard Kinerja Bidang Humas Universitas Telkom Feddy Dea Reskyadita; Hani Nurrahmi; Daris Maulana
NUANSA INFORMATIKA Vol. 19 No. 2 (2025): Nuansa Informatika 19.2 Juli 2025
Publisher : FKOM UNIKU

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25134/ilkom.v19i2.377

Abstract

The Public Relations and Analytics (PRA) division at Telkom University faces challenges in managing manual processes and integrating data from diverse sources, hindering efficient reputation management. This study developed PANDA (Public Relations and Analytics Dashboard Application), a web-based system with an interactive performance dashboard to optimize PRA operations. Using the Waterfall methodology, the research encompassed requirements analysis, system design, implementation, and initial evaluation. PANDA integrates real-time key performance indicators (KPIs) such as media coverage, social media engagement, website analytics, and enabling data-driven decision-making. The System Usability Scale (SUS) evaluation resulted in a high score of 82 (categorized as 'Good to Excellent'), demonstrating PANDA's effectiveness in enhancing usability and streamlining operational workflows. The system enhances PR performance monitoring and offers a scalable model for educational institutions.
Pendampingan Pemahaman Dasar Pemrograman kepada Siswa SMP Al Azhar Syifa Budi Parahyangan Hani Nurrahmi; I Gede Manggala Putra; Izzatul Ummah; Selly Meliana
The Proceeding of Community Service and Engagement (COSECANT) Seminar Vol. 4 No. 2 (2024): The Proceeding of Community Service and Engagement (COSECANT) Seminar
Publisher : Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/cosecant.v4i2.8582

Abstract

Penguasaan keterampilan digital, khususnya pemrograman, merupakan kebutuhan mendasar di era digital saat ini. Kurikulum Merdeka yang diterapkan oleh Kementerian Pendidikan, Kebudayaan, Riset, dan Teknologi telah mengintegrasikan pemrograman sebagai bagian dari mata pelajaran Informatika, bahkan sejak jenjang Sekolah Menengah Pertama (SMP). Namun, implementasi di lapangan menunjukkan adanya tantangan dalam penyampaian materi ini, terutama di sekolah-sekolah yang memiliki keterbatasan sumber daya dan kapasitas guru. Dalam pengabdian masyarakat ini, siswa SMP Al Azhar Syifa Budi Parahyangan diberikan pendampingan dalam pengajaran dasar-dasar pemrograman menggunakan platform TLX dari TOKI. TLX merupakan platform pembelajaran dan kompetisi pemrograman yang dirancang untuk mengasah kemampuan berpikir logis dan pemecahan masalah siswa melalui latihan soal dan tantangan pemrograman yang disesuaikan dengan kurikulum. Selain itu, kompetisi akan digunakan sebagai alat evaluasi untuk mengukur perkembangan dan pemahaman siswa dalam pemrograman. Dalam program ini, siswa dilatih menggunakan platform TLX, yang memungkinkan mereka belajar pemrograman secara mandiri dengan berbagai materi dan tantangan yang disesuaikan dengan tingkat kemampuan mereka. Metode ini tidak hanya memperkuat pemahaman konsep pemrograman, tetapi juga meningkatkan keterampilan siswa dalam menghadapi tantangan pemrograman nyata. Pelatihan ini dilaksanakan dalam 7 pertemuan, yaitu tanggal 21 Oktober - 9 Desember 2024 di Laboratorium Komputer SMP Al Azhar Syifa Budi Parahyangan. Setelah dilaksanakannya pelatihan ini, berdasarkan survey yang kami buat, 77,7% peserta merasa sangat puas dengan materi yang disampaikan dan 100% peserta ingin kegiatan ini diadakan kembali. Mereka sangat setuju bahwa materi yang disampaikan sudah memenuhi kebutuhan mereka.
Analisis Sentimen Mobil Listrik Pada X (Twitter) Menggunakan Metode Long Short-Term Memory (LSTM) Muhammad Jilan Hilmi; Hani Nurrahmi; Hasmawati Hasmawati
eProceedings of Engineering Vol. 13 No. 1 (2026): Februari 2026
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pertumbuhan kendaraan listrik di Indonesia menghadapi tantangan, salah satunya adalah rendahnya adopsi oleh masyarakat. Untuk memahami persepsi publik, dilakukan analisis sentimen berdasarkan opini masyarakat di media sosial X (Twitter) dengan kata kunci mobil listrik. Metode yang digunakan pada penelitian ini adalah Long Short-Term Memory (LSTM), salah satu algoritma deep learning yang efektif untuk mengklasifikasikan data berbasis teks. Data diambil dari Twitter menggunakan kata kunci “Mobil Listrik” dalam rentang Januari 2023 hingga April 2024, dengan total 10,283 tweet. Setiap tweet divalidasi oleh lima responden dan dikategorikan ke dalam sentimen negatif, netral, atau positif berdasarkan mayoritas suara. Proses pengujian dilakukan menggunakan tiga skenario split dataset (70:30, 80:20, dan 90:10) dan dievaluasi menggunakan metrik akurasi, precision, recall, dan f1- score. Hasil pengujian menunjukkan bahwa model LSTM memiliki akurasi pengujian sebesar 55,30% dan akurasi validasi sebesar 57,13%. Model hanya mampu mengenali sentimen netral dengan baik (f1-score: 71%), namun gagal mengklasifikasikan sentimen positif dan negatif. Hal ini menunjukkan adanya ketidakseimbangan kelas, sehingga dibutuhkan upaya perbaikan seperti penyeimbangan data dan optimasi model agar hasil klasifikasi lebih merata. Kata kunci: analisis sentimen, mobil listrik, LSTM, Twitter, klasifikasi.
An Evaluation of Self-Attentive Sequential Recommendation (SASRec) Algorithm Using Hyperparameter Tuning Wibowo, Agung Toto; Hasmawati, Hasmawati; Nurrahmi, Hani; Salsabila, Imtitsal Ulya
Jurnal Teknik Informatika (Jutif) Vol. 7 No. 2 (2026): JUTIF Volume 7, Number 2, April 2026
Publisher : Informatika, Universitas Jenderal Soedirman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jutif.2026.7.2.5158

Abstract

Sequential recommendation is a branch of Recommender Systems that aims to predict the next item a user will interact with based on their historical sequence of interactions. The main challenge in SR is to capture both short-term and long-term dependencies among items within a sequence. Self-Attentive Sequential Recommendation (SASRec) is a self-attention-based deep learning model designed to recognize sequential interaction patterns. Despite its effectiveness, the performance of SASRec is highly dependent on hyperparameter configurations, yet comprehensive evaluations remain limited. This research aims to evaluate the influence of SASRec's configuration through hyperparameter tuning on sequential recommendation performance. The hyperparameters used are hidden_size, inner_size, number of attention heads (num_heads), and number of layers (num_layers). The evaluation was conducted on two public datasets with different sparsity characteristics: MovieLens-1M (Sparsity ≈ 95.80%) and Amazon Musical Instruments (Sparsity ≈ 99.99%). In this study, Recall@k and MRR@k were used as performance metrics. The test results showed that hidden_size and inner_size had a significant positive impact on performance, especially on the dense dataset. The optimal hidden_size was obtained at hidden_size = 64 on the Amazon Musical Instrument dataset, and at hidden_size = 256 on the Movielens 1M dataset. The optimal inner_size was obtained at inner_size = 256 on both datasets. Meanwhile, the num_heads and num_layers hyperparameters did not provide a significant performance improvement. Furthermore, in the comparison between SASRec, GRU4Rec, and BERT4Rec, SASRec outperforms GRU4Rec and BERT4Rec in handling highly sparse datasets such as Amazon Musical Instruments obtained average recall@20 = 0.0678, and average MRR@20 = 0.0223.
Co-Authors Agung Toto Wibowo Arbaatun, Cepthari Ningtyas Dade Nurjanah Dade Nurjannah Daris Maulana Diffo Elza Pratama Feddy Dea Reskyadita H Hasmawati Hasmawati Hasmawati Hasmawati Hasmawati Hasmawati I Gede Manggala Putra Irfansyah, Muhammad Rafi Izzatul Ummah Muhammad Jilan Hilmi Muhammad Rafi Irfansyah Muttaqien, Rifqi Fauzia Perwira Hanif Zakaria Primanda Sayarizki Primanda Sayarizki Putri Waisnawa, Ni Luh Putu Mawar Silveria Razaq, Muhammad Thaariq Rifqi Fauzia Muttaqien Salsabila, Imtitsal Ulya Selly Meliana