Article Per Year (5 Year)
p-Index From 2021 - 2026
1.203
P-Index
This Author published in this journals
All Journal InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) JURNAL MEDIA INFORMATIKA BUDIDARMA Jurnal Mantik Penusa Information System Journal (INFOS) The Indonesian Journal of Computer Science Research
Ike Verawati
Universitas Amikom Yogyakarta
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Engineering

Published : 9 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 9 Documents
Search

 1 
Sistem Penunjang Keputusan Produksi Kopi Wine Gayo Menggunakan Algoritma Fuzzy Tsukamoto Ike Verawati; Junaidi Sarifullah
InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan Vol 5, No 1 (2020): InfoTekJar September
Publisher : Universitas Islam Sumatera Utara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30743/infotekjar.v5i1.2293

Abstract

Jumlah stok barang adalah hal yang harus diperhatikan oleh perusahaan, hal ini berarti banyaknya jumlah produksi haruslah optimal, Jdin Roastery adalah Salah satu pabrik yang melakukan produksi terhadap kopi Wine Gayo. Ketidak - optimalan dalam menentukan jumlah produksi akan berpengaruh terhadap pelanggan dan internal perusahaan tersebut, Logika fuzzy merupakan salah satu metode untuk melakukan analisis yang mengandung ketidakpastian. Metode tsukamoto adalah salah satu metode Fuzzy yang dapat digunakan dalam menentukan jumlah persediaan stok barang yang optimal berdasarkan data permintaan, persediaan, dan data produksi.Hasil dari penelitian ini diharapkan, metode fuzzy tsukamoto dapat memberikan penunjang untuk menentukan jumlah produksi dengan nilai yang optimal.
Penerapan Data Mining Untuk Rencana Penambahan Stok Produk Menggunakan Algoritma Apriori Ike Verawati; Mahendra Wishnu P
InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan Vol 6, No 1 (2021): InfoTekJar September
Publisher : Universitas Islam Sumatera Utara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30743/infotekjar.v6i1.3884

Abstract

Data mining adalah suatu metode yang memungkinkan para pengguna untuk mengakses data secara cepat atau menggali data yang tersembunyi dari sebuah data yang besar. Sebagai contoh, data mining dapat digunakan untuk mencari informasi kombinasi item dalam suatu penjualan, menentukan penerimaan kelayakan bantuan, memprediksi prestasi pada siswa, dll. Penerapan data mining sangat bermanfaat bagi suatu perusahaan atau lembaga yang ingin melakukan analisa data yang sangat besar, Karena penggunaan data mining bagi suatu perusahaan mampu menganalisa secara cepat, tepat dan akurat.Toko Rianni merupakan salah satu perusahaan yang bergerak dibidang ritel yang mana perusahaan ini harus memenuhi kebutuhan konsumen setiap harinya. Maka dari itu pihak toko dituntut untuk mengambil keputusan yang tepat dalam menentukan rencana penambahan stok produk sehingga dapat meninggkatkan strategi penjualan. Dengan memanfaatkan data transaksi penjualan, pihak toko dapat mengetahui kebiasaan pelanggan atau perilaku pelanggan mengenai apa saja produk yang sering banyak terjual pada toko rianni. Untuk mengetahui produk yang banyak terjual, dapat digunakan aturan assosisasi, yaitu teknik data mining untuk menemukan aturan asosiasi suatu kombinasi item dengan menggunakan algoritma apriori akan menghasilkan pola kombinasi item dan rule. Hasil dari analisa ini akan memudahkan pihak toko dalam rencana penambahan stok produk pada toko rianni, sehingga dapat meninggkatkan strategi pemasaran.
SISTEM PENUNJANG KEPUTUSAN DALAM MENENTUKAN PRIORITAS PENERIMA BANTUAN RUMAH TIDAK LAYAK HUNI ike verawati; Sefri Ferian Erlangga
Information System Journal Vol. 4 No. 1 (2021): Information System Journal (INFOS)
Publisher : Universitas Amikom Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24076/infosjournal.2021v4i1.553

Abstract

Bantuan Perumahan Tidak Layak Huni (RTLH) adalah salah satunya program pemerintah untuk mengurangi kemiskinan di syarat kebutuhan perumahan. Program telah dijalankan di berbagai daerah, termasuk di desa buara, Karanganyar kecamatan, kabupaten Purbalingga. Bantuan ini dapat diperoleh jika memenuhi persyaratan kriteria yang telah ditentukan antara lain luas tanah, lantai tidak keramik, dinding tidak layak, struktur atap yang membahayakan penghuninya, pendapatan keluarga, dan jumlah tanggungan. Masalahnya adalah proses yang telah dilakukan oleh Desa Desa Buara tetap dilaksanakan keluar secara subjektif dengan hanya mempertimbangkan hasil dari survey agar bantuan tidak tepat sasaran. Di dalam penelitian, sistem pendukung keputusan (SPK) dibuat menggunakan metode Simple Additive Weighting (SAW) berdasarkan di situs web. Penelitian ini bertujuan untuk memberikan kemudahan dalam menentukan calon penerima Unlivable Rumah Tangga (RTLH) agar tepat sasaran. Hasil studi ini berupa sistem pendukung keputusan untuk menentukan prioritas penerima Rumah Tidak Layak Huni (RTLH) berdasarkan kriteria yang telah ditentukan.
Penerapan Algoritma Dempster Shaferberbasis Android Pada Sistem Pakar Untuk Mendiagnosa Kerusakan Motor Matic Sumarni Adi; Ike Verawati
Jurnal Mantik Penusa Vol. 22 No. 1 (2018): Special Issue
Publisher : Lembaga Penelitian dan Pengabdian (LPPM) STMIK Pelita Nusantara Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (783.637 KB)

Abstract

Expert System is a computer-based system that combines knowledge, facts, and reasoning techniques in solving problems in a particular field like an expert. Expert systems can function as consultants who advise users as well as assistants to experts. One way to overcome and help detect a person's motor motor damage is to create an expert system based on Android as a media for consultation and monitoring so that the user understands what is happening with his motorbike. The Dempster Shafer method is a non monotonous reasoning method used to find inconsistencies due to the addition or subtraction of new facts that will change the existing rules, so the Dempster Shafer method allows one to be safe in doing the work of an expert in this matter is a mechanic. The purpose of this study was to apply the Dempster Shafer uncertainty method to the expert system to diagnose damage to the motorbike and also measure the accuracy of the Dempster Shafer inference engine. The diagnostic results of damage to the matic motor generated by the expert system are the same as the results of manual calculations using the Dempster Shafer inference engine theory which is processed from the results of interviews with the mechanic motor mechanic. So it can be concluded that an android-based expert system that has been built can be used to diagnose damage to the Matic motor. Keywords:Dempster Shafer, Motor Matic, Expert System, Android 
DIAGNOSA KECANDUAN GADGET PADA ANAK MENGGUNAKAN CERTAINTY FACTOR Ike Verawati; Maria Yonessa Purwalasari
Jurnal Mantik Penusa Vol. 3 No. 3 (19): COmputer Science
Publisher : Lembaga Penelitian dan Pengabdian (LPPM) STMIK Pelita Nusantara Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (324.194 KB)

Abstract

Expert system is a system that uses human knowledge, where the knowledge is put into a computer and then used to solve problems that usually require expertise or human expertise. The expert system can function as a consultant who gives advice to users as well as advice for experts. One way to make it easier for parents of children aged 17-17 years to find out the level of addiction experienced by children is to build a web-based expert system to diagnose the level of gatget addiction in children aged 3-17 years web-based. The certainty factor method is a method for determining certainty. The purpose of this study is to build a web-based expert system to diagnose the level of gadget addiction in children aged 3-17 years, to simplify diagnosing the level of addiction experienced by children. The results of the gadget addiction diagnosis level produced by the expert system are the same as the results of the manual calculation using the certainty factor method. So it can be concluded that the web-based expert system that has been built can be used to diagnose the level of gadget addiction in children aged 3-17 years.
Algoritma Naïve Bayes Classifier Untuk Analisis Sentiment Pengguna Twitter Terhadap Provider By.u Ike Verawati; Bagas Sonas Audit
JURNAL MEDIA INFORMATIKA BUDIDARMA Vol 6, No 3 (2022): Juli 2022
Publisher : STMIK Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/mib.v6i3.4132

Abstract

The development of the internet which has increased in recent years has made it easy for people to give their opinion on a product. By.u, as a new internet service provider, has made many new users share their opinions with each other. Many by.u users give their opinions through social media, especially twitter. From these problems, research was conducted using sentiment analysis. The research stages consisted of collecting data from social media Twitter, preprocessing data, weighting TF-IDF data and classifying using the Naïve Bayes Classifier algorithm. To get the best evaluation results, a comparison of training data and test data was carried out. Data classification is done automatically after cleaning the data in the preprocessing process. There are 2 labels for the data resulting from the automatic classification, namely positive and negative. The dataset after classification will be used as training data and test data. The datasets to be tested are divided into 3 numbers, namely the number of 1000 datasets, 2000 datasets, and 3000 datasets. The test was carried out 3 times for each dataset. The accuracy test is carried out using a confusion matrix. The test results with the highest accuracy were obtained by the nave Bayes classifier with a multinomial model of 85%.
Analisis Performa Logistic Regression dan Random Forest dalam Klasifikasi Kelayakan Penerimaan Kredit Andreas Adrian; Ike Verawati
The Indonesian Journal of Computer Science Research Vol. 4 No. 2 (2025): Juli
Publisher : Hemispheres Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59095/ijcsr.v4i2.205

Abstract

Penentuan kelayakan penerimaan kredit merupakan proses yang sangat penting dalam industri perbankan dan keuangan. Hal ini sangat berpengaruh bagi badan keuangan tersebut, bahkan dapat menyebabkan kondisi finansial badan keuangan tersebut tidak sehat karena kesalahan dalam keputusan kelayakan kredit. Machine learning hadir untuk meminimalisir kesalahan tersebut. Untuk meningkatkan akurasi dan efisiensi dalam klasifikasi kelayakan kredit, penelitian ini berfokus pada penerapan dua model machine learning, yaitu Logistic Regression dan Random Forest Classifier. Logistic Regression dipilih karena kemampuannya dalam mengidentifikasi hubungan linear antara variabel input dan output, sedangkan Random Forest Classifier memiliki keunggulan dalam menangani dataset yang kompleks dan non-linear. Tujuan utama dari penelitian ini adalah untuk membandingkan performa kedua model tersebut dalam tugas klasifikasi kelayakan kredit. Perbandingan dilakukan dengan tahapan Studi Literatur, Akuisisi Data (Pengumpulan data) yang mengambil dataset perbankan public di kaggle, EDA, Pre-Processing, Modelling, Evaluasi, dan Analisis Evaluasi Model. Dataset yang akan digunakan mencakup informasi data finansial dari nasabah. Perbandingan performa pada penelitian ini menggunakan matrix akurasi, precision, recall, F1-Score dan AUC-ROC untuk mengevaluasi kinerja masing-masing model. Penelitian ini menghasilkan bahwa model random forest lebih unggul dengan skor Akurasi 0.95, Presisi 0.93, Recall 0.98 dan F1 Score 0.96. Skor AUC yang digunakan untuk melihat seberapa baik model dalam membedakan class 1 dan 0 mencapai 0.98. Hasil penelitian ini diharapkan mampu memberikan rekomendasi yang bermanfaat bagi industri perbankan dalam memilih model yang paling tepat untuk penilaian kelayakan kredit
Perbandingan Kinerja Model Transformer Monolingual Dalam Analisis Sentimen Terhadap Website Coretax Pada Platform X Angga Airul Rohman; Ike Verawati
The Indonesian Journal of Computer Science Research Vol. 5 No. 1 (2026): Januari
Publisher : Hemispheres Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59095/ijcsr.v5i1.239

Abstract

Implementasi sistem Coretax sebagai pembaruan administrasi perpajakan di Indonesia memicu beragam respons publik yang signifikan di media sosial, khususnya platform X. Pemantauan sentimen publik terhadap sistem ini memiliki urgensi tinggi sebagai bahan evaluasi penerimaan dan efektivitas sistem bagi pemerintah. Penelitian ini bertujuan untuk membandingkan kinerja tiga model Transformer monolingual, yaitu IndoBERT, IndoBERTweet, dan IndoRoBERTa, dalam melakukan analisis sentimen terhadap isu tersebut. Data dikumpulkan melalui mekanisme crawling pada platform X menggunakan library Tweet Harvest dengan kata kunci terkait Coretax sebanyak 8154 data, yang kemudian melalui tahapan praproses teks dan augmentasi data untuk menangani ketidakseimbangan kelas. Model kemudian di-fine-tune dan dievaluasi menggunakan metrik precision, recall, f1-score, dan akurasi. Hasil eksperimen menunjukkan bahwa IndoBERT memberikan kinerja terbaik dibandingkan model lainnya, dengan pencapaian akurasi 0.8889. Sementara itu, IndoBERTweet dan IndoRoBERTa masing-masing mencatatkan akurasi sebesar 0,8850 dan 0,8732. Temuan ini mengindikasikan bahwa model berbasis IndoBERT lebih efektif dalam menangkap konteks linguistik terkait perpajakan, sehingga direkomendasikan sebagai alat pemantauan persepsi masyarakat otomatis bagi instansi terkait
Cross-Dataset Evaluation of Boosting Models for Hypertension Prediction Bety Wulan Sari; Dewi Ayu Murtiningsih; Donni Prabowo; Yoga Pristyanto; Ika Nur Fajri; Ike Verawati
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 10 No 4 (2026): August 2026 (in progress)
Publisher : Ikatan Ahli Informatika Indonesia (IAII)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29207/resti.v10i4.7620

Abstract

Hypertension remains a significant global risk factor for cardiovascular disease and related mortality, necessitating reliable early risk prediction models. Although boosting algorithms have demonstrated strong performance in structured medical data, limited studies have examined their consistency across heterogeneous datasets. This study aims to evaluate the cross-dataset performance and stability of three boosting models, such as XGBoost, LightGBM, and CatBoost, for hypertension prediction under multiple train–test split ratios. Two independent structured datasets were analyzed using 60:40, 70:30, 80:20, and 90:10 splits. To identify the optimal hyperparameters, grid search was performed using repeated stratified 5-fold cross-validation with three repetitions. Model effectiveness was measured using the evaluation metrics of accuracy, precision, recall, F1-score, and AUC. Results show that Dataset 1 gained consistently high predictive performance (accuracy > 0.98; AUC ≈ 1.00), indicating strong and well-separated predictive signals, whereas Dataset 2 demonstrated substantially lower discriminative ability (accuracy ≈ 0.71–0.72; AUC ≈ 0.50), suggesting limited predictive structure. Across both datasets, CatBoost consistently obtained the highest accuracy, particularly at the 90:10 split ratio. These findings demonstrate that dataset characteristics critically determine model effectiveness and that among the evaluated boosting algorithms, CatBoost delivered the strongest overall predictive performance.
Co-Authors Andreas Adrian Angga Airul Rohman Bagas Sonas Audit Bety Wulan Sari Dewi Ayu Murtiningsih Donni Prabowo Fajri, Ika Nur Junaidi Sarifullah Mahendra Wishnu P Maria Yonessa Purwalasari Sefri Ferian Erlangga Sumarni Adi Yoga Pristyanto