Article Per Year (5 Year)
p-Index From 2021 - 2026
4.218
P-Index
This Author published in this journals
All Journal snimed Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Prosiding SNATIF Sistemasi: Jurnal Sistem Informasi Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) MATRIK : Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer Abdimas Umtas : Jurnal Pengabdian kepada Masyarakat Jurnal Teknologi Informasi dan Multimedia Jurnal Bumigora Information Technology (BITe) ABIDUMASY : Jurnal Pengabdian kepada Masyarakat Jurnal Computer Science and Information Technology (CoSciTech) J-Intech (Journal of Information and Technology) Jurnal Minfo Polgan (JMP) Jurnal Sains dan Teknologi MATRIX : JURNAL MANAJEMEN TEKNOLOGI DAN INFORMATIKA Journal Of Information System And Artificial Intelligence Knowbase : International Journal of Knowledge in Database Journal of Artificial Intelligence and Digital Business Bakti Sekawan : Jurnal Pengabdian Masyarakat Journal Of Artificial Intelligence And Software Engineering Jurnal Pengabdian Sosial Journal of Management, Entrepreneurship and Tourism JUAN: Jurnal Pengabdian Nusantara Jurnal Pengabdian kepada Masyarakat IPTEKS Jurnal Pengabdian Pada Masyarakat IPTEKS Prosiding Seminar Nasional CORISINDO
Neny Sulistianingsih
Bumigora University
Religion Aerospace Engineering Agriculture, Biological Sciences & Forestry Arts Humanities Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Medicine & Pharmacology Public Health Social Sciences Other

Published : 36 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 36 Documents
Search

 1   2   3   4 
Perbandingan Metode Prophet dan SARIMAX untuk Peramalan Harga Pangan di Lombok Barat Nurramadhan, Aliva; Priyanto, Dadang; Sulistianingsih, Neny
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 4 (2026): November - January
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i4.4964

Abstract

Fluktuasi harga pangan di Kabupaten Lombok Barat merupakan permasalahan strategis yang berpengaruh terhadap stabilitas ekonomi daerah, kesejahteraan masyarakat, dan ketahanan pangan. Perubahan harga pangan dipengaruhi oleh tren jangka panjang, pola musiman, ketersediaan pasokan, serta dinamika permintaan. Kondisi ini menuntut metode peramalan yang mampu menghasilkan prediksi harga yang akurat dan andal sebagai dasar pengambilan keputusan dan perumusan kebijakan pangan daerah. Penelitian ini bertujuan membandingkan kinerja dua metode peramalan deret waktu, yaitu Prophet dan Seasonal Autoregressive Integrated Moving Average with Exogenous Regressors (SARIMAX), dalam memprediksi harga komoditas pangan utama di Kabupaten Lombok Barat. Data yang digunakan berupa data harga mingguan 13 komoditas pangan selama periode Januari 2021 hingga 5 September 2025 yang diperoleh dari Dinas Ketahanan Pangan Kabupaten Lombok Barat. Data diproses melalui tahapan praproses meliputi integrasi data, penambahan variabel waktu, normalisasi, serta pembentukan variabel eksogen berupa lag ketersediaan, kebutuhan, neraca, dan moving average harga. Pemodelan mempertimbangkan komponen tren, musiman, dan variabel eksternal. Evaluasi kinerja model menggunakan Mean Absolute Error (MAE) dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa secara rata-rata seluruh komoditas, model Prophet memiliki kinerja lebih baik dengan MAPE sebesar 3,80% dan MAE sebesar 1.398,25 dibandingkan SARIMAX dengan MAPE sebesar 4,89% dan MAE sebesar 1.524,68. Namun, secara per komoditas, Prophet unggul pada 7 komoditas, sedangkan SARIMAX lebih baik pada 6 komoditas lainnya. Temuan ini menunjukkan bahwa metode Prophet dan metode SARIMAX tidak menunjukkan keunggulan yang konsisten untuk seluruh komoditas pangan, sehingga pemilihan metode peramalan perlu disesuaikan dengan karakteristik data dan dinamika harga masing-masing komoditas.
Perbandingan Algoritma XGBoost dan Random Forest dalam Klasifikasi Surat Masuk Pemerintahan Hidayat, Fadila Ananda Kartika; Sulistianingsih, Neny; Hammad, Rifqi
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 4 (2026): November - January
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i4.5044

Abstract

Pengelolaan surat masuk pada lingkungan pemerintahan daerah berperan penting dalam mendukung efektivitas administrasi dan pengambilan keputusan oleh pimpinan daerah. Surat masuk merupakan salah satu bentuk komunikasi resmi yang harus dikelola secara sistematis agar informasi yang terkandung di dalamnya dapat segera ditindaklanjuti sesuai dengan bidang administrasi terkait. Volume surat yang tinggi sering menimbulkan berbagai kendala, terutama dalam proses identifikasi isi surat dan pengelompokan berdasarkan bidang administrasi yang berwenang. Kondisi tersebut berpotensi menyebabkan keterlambatan disposisi, kesalahan pengelompokan surat, serta menurunnya kualitas pelayanan administrasi apabila masih dilakukan secara manual. Penelitian ini bertujuan untuk membandingkan kinerja dua algoritma machine learning, yaitu Extreme Gradient Boosting (XGBoost) dan Random Forest, dalam melakukan klasifikasi surat masuk kepala daerah secara otomatis dan terstruktur. Data yang digunakan dalam penelitian ini meliputi arsip surat masuk pemerintah daerah periode 2021–2022 serta hasil ekstraksi dokumen surat berbentuk PDF yang diperoleh dari aplikasi persuratan SRIKANDI menggunakan pustaka pdfplumber untuk menghasilkan data teks yang dapat diolah.. Tahapan penelitian mencakup proses pra-pemprosesan data, pembagian data menjadi data latih dan data uji, pelatihan model, serta evaluasi kinerja model menggunakan indikator accuracy, precision, recall, dan F1-score. Berdasarkan hasil pengujian, algoritma XGBoost menunjukkan performa yang lebih unggul dengan nilai akurasi sebesar 81,87% dan F1-score 82,00%, dibandingkan Random Forest yang hanya mencapai akurasi 76,00% dan F1-score 76,03%. Dengan demikian, XGBoost dinilai lebih efektif untuk mendukung proses klasifikasi surat dalam implementasi e-government di lingkungan pemerintahan daerah.
Penerapan Model Artificial Neural Networks (ANN) dalam Mengklasifikasi Risiko Kesehatan Ibu Hamil Afrian, M.Alawi; Priyanto, Dadang; Sulistianingsih, Neny
Jurnal Sains dan Teknologi (JSIT) Vol. 5 No. 3 (2025): September-Desember
Publisher : CV. Information Technology Training Center - Indonesia (ITTC)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47233/jsit.v5i3.3868

Abstract

This study employs an Artificial Neural Network (ANN) to classify maternal health risk levels using 29 medical variables. The objective is to develop a predictive model capable of identifying low-risk and high-risk pregnancy conditions as an early detection tool to support maternal health services. The dataset, obtained from Puskesmas Selong, underwent preprocessing steps including normalization, One-Hot Encoding, and class balancing using the SMOTE technique. The ANN architecture consists of three hidden layers equipped with ReLU activation, Batch Normalization, and Dropout, while model optimization is performed using the Adam optimizer and Focal Loss to address class imbalance. The model was trained using a 70%-30% train test split and evaluated through accuracy, precision, recall, and F1-score. The experimental results indicate strong model performance, achieving 97% accuracy, 98% precision, 99% recall, and 98% F1-score for the low risk class, as well as 90% precision, 81% recall, and 85% F1-score for the high risk class. The trained model was subsequently integrated into a web-based application, allowing users to input maternal health data and obtain automated risk predictions. These findings demonstrate that ANN can serve as an effective approach for supporting early maternal risk identification within AI-based clinical decision support systems.
Pengaruh Teknik Representasi Teks Bag-of-Words dan TF-IDF terhadap Akurasi Klasifikasi Sentimen Teks Multi-Domain Putri, Angelica Davina Meisya; Sulistianingsih, Neny; Rismayati, Ria
Jurnal Teknologi Informasi dan Multimedia Vol. 7 No. 4 (2025): November
Publisher : Sekawan Institut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35746/jtim.v7i4.756

Abstract

Representasi teks merupakan komponen esensial dalam sistem analisis sentimen, karena menentukan bagaimana data teks diubah menjadi fitur numerik yang dapat dimanfaatkan oleh algoritma klasifikasi. Penelitian ini bertujuan untuk menganalisis pengaruh dua teknik representasi teks populer, yaitu Bag-of-Words (BoW) dan Term Frequency–Inverse Document Frequency (TF-IDF), terhadap performa klasifikasi sentimen teks pendek dalam konteks multi-domain. Dataset yang digunakan merupakan hasil kombinasi antara data asli dan data augmentasi berbasis sinonim, dengan total 418 entri teks. Dua algoritma pembelajaran mesin yang digunakan dalam evaluasi adalah Ridge Classifier dan Complement Naïve Bayes. Penilaian dilakukan menggunakan teknik validasi silang Stratified K-Fold serta empat metrik evaluasi utama: akurasi, presisi, recall, dan F1-score. Hasil eksperimen menunjukkan bahwa representasi TF-IDF secara konsisten memberikan performa lebih baik dibandingkan BoW pada kedua model. Konfigurasi terbaik dicapai oleh Ridge Classifier dengan TF-IDF, yang memperoleh akurasi sebesar 0,911 dan F1-score sebesar 0,908. Temuan ini menggarisbawahi pentingnya pemilihan teknik representasi fitur yang tepat dalam meningkatkan efektivitas sistem klasifikasi sentimen berbasis teks.
PEMODELAN SISTEM PENJADWALAN PRAKTIKUM LABORATORIUM MENGGUNAKAN ALJABAR MAXPLUS (STUDI KASUS DI STMIK BUMIGORA MATARAM) Uswatun Hasanah; Neny Sulistianingsih
MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Vol. 15 No. 1 (2015)
Publisher : Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/matrik.v15i1.24

Abstract

Practical activities carried in the laboratory which aims to support the learning process of each semester. There were 500 participants of practicum utilize this activity at every level of education D3 and S1. Therefore, it was necessary that proper schedule of system so that the process runs smoothly in the laboratory practicum. But seeing the phenomena that occur in the feld, the schedule has been collated not corresponding with time of lecturers and students so that researchers trying to model the laboratory practicum of STMIK using Maxplus algebra. Based on the model and the simulation by results of Scilabwas scheduling in the Lab II that eigenvalues for 800 with an initial value x (0), its mean the period of transition participants of practicum and the other participants of practicum is 800 minutes. Therefore, there was only one lab are scheduled every day in Lab II because the process of practicum fnished at 12.00.
Enhancing Predictive Models: An In-depth Analysis of Feature Selection Techniques Coupled with Boosting Algorithms Neny Sulistianingsih; Galih Hendro Martono
MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Vol. 23 No. 2 (2024)
Publisher : Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/matrik.v23i2.3788

Abstract

This research addresses the critical need to enhance predictive models for fetal health classification using Cardiotocography (CTG) data. The literature review underscores challenges in imbalanced labels, feature selection, and efficient data handling. This paper aims to enhance predictive models for fetal health classification using Cardiotocography (CTG) data by addressing challenges related to imbalanced labels, feature selection, and efficient data handling. The study uses Recursive Feature Elimination (RFE) and boosting algorithms (XGBoost, AdaBoost, LightGBM, CATBoost, and Histogram-Based Boosting) to refine model performance. The results reveal notable variations in precision, Recall, F1-Score, accuracy, and AUC across different algorithms and RFE applications. Notably, Random Forest with XGBoost exhibits superior performance in precision (0.940), Recall (0.890), F1-Score (0.920), accuracy (0.950), and AUC (0.960). Conversely, Logistic Regression with AdaBoost demonstrates lower performance. The absence of RFE also impacts model effectiveness. In conclusion, the study successfully employs RFE and boosting algorithms to enhance fetal health classification models, contributing valuable insights for improved prenatal diagnosis.
Co-Authors Abdul Muhid Afrian, M.Alawi Agus Syahid Ahmad, Muhammad Maulana Alfian Nurlifa Christine Eirene christofer satria Dewi, Ni Putu Sinta Dian Syafitri Galih Hendro Martono Hairani Hairani Hammad, Rifqi Hasbullah Hasbullah Hasbullah Hasbullah Hidayat, Fadila Ananda Kartika I Nyoman Switrayana Irving Vitra Paputungan Kariyam - Khasnur Hidjah Lilik Widyawati Lukmana, Aldi Mayasari, Novyta Indah Nafiani Nur Khamidah Ni Ketut Putri Nila Sudewi Ni Putu Sinta Dewi Noviansyah Noviansyah, Noviansyah Nurramadhan, Aliva Putradi, Angga Putri, Angelica Davina Meisya Ria Rismayati Rismayanti, Ria Rismayati, Ria Rizki, M Setyawan, Ari Shofwan, Ari Sirojul Hadi Sri Kusumadewi Sutarman Sutarman Syahrir, Moch. Triwijoyo, Bambang Krismono Uswatun Hasanah Vira Megasari Haqni