Article Per Year (5 Year)
p-Index From 2020 - 2025
4.152
P-Index
This Author published in this journals
All Journal IAES International Journal of Artificial Intelligence (IJ-AI) JIEET (Journal of Information Engineering and Educational Technology) PengabdianMu: Jurnal Ilmiah Pengabdian kepada Masyarakat Journal of Electronics, Electromedical Engineering, and Medical Informatics Jurnal Abdi: Media Pengabdian Kepada Masyarakat Indonesian Journal of Electrical Engineering and Computer Science Abdimas: Papua Journal Of Community Service Journal of Informatics and Computer Science (JINACS)
ANITA QOIRIAH
Jurusan Teknik Informatika, Fakultas Teknik, Universitas Negeri Surabaya
Agriculture, Biological Sciences & Forestry Humanities Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Public Health Social Sciences Other

Published : 34 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 26 Documents
Search
Journal : Journal of Informatics and Computer Science (JINACS)

 1   2   3 
Rekomendasi Prioritas Penyelesaian Masalah Berdasarkan Notulensi dari Bimbingan Skripsi dengan Machine Learning AB Sinaga, Christiano Zetro; Qoiriah, Anita
Journal of Informatics and Computer Science (JINACS) Vol. 6 No. 04 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jinacs.v6n04.p910-923

Abstract

Abstrak— Proses bimbingan skripsi sering kali menghasilkan notulensi yang memuat berbagai permasalahan yang harus diselesaikan dengan tingkat prioritas berbeda. Namun, penentuan tingkat prioritas tersebut sering kali subjektif dan memakan waktu. Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi tingkat prioritas berdasarkan notulensi bimbingan skripsi menggunakan Machine Learning dengan algoritma SVM. Proses pengembangan model meliputi pengumpulan dataset notulensi dari mahasiswa semester akhir, augmentasi data melalui back-translation, preprocessing data, pencarian parameter optimal, serta pelatihan model SVM. Data penelitian diambil dari notulensi mahasiswa dengan total 1720 data yang telah diproses menjadi tiga kelas prioritas. Evaluasi model dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score, menghasilkan akurasi tertinggi 97% dengan kernel RBF setelah penghapusan outlier. Sistem sederhana berbasis model SVM kemudian diuji 58 mahasiswa dari berbagai universitas untuk mengevaluasi tingkat kepuasan terhadap akurasi dan kemudahan sistem. Penilaian dilakukan melalui kuesioner berbasis skala likert. Hasil analisis menunjukkan bahwa pengguna memberikan penilaian positif terhadap akurasi hasil rekomendasi, kemudahan penggunaan, serta kejelasan informasi yang diberikan sistem Kata Kunci— Machine Learning, SVM, Notulensi, Rekomendasi, Prioritas, Bimbingan Skripsi
Implementasi Algoritma Machine Learning untuk Pengelolaan Laporan pada Website Dinas Penanaman Modal dan Pelayanan Terpadu Satu Pintu (DPMPTSP) Kota Surabaya Iqbal Zaki, Naufal; Qoiriah, Anita
Journal of Informatics and Computer Science (JINACS) Vol. 6 No. 04 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jinacs.v6n04.p1063-1075

Abstract

Dinas Penanaman Modal dan Pelayanan Terpadu Satu Pintu (DPMPTSP) Kota Surabaya menghadapi tantangan dalam pengelolaan laporan perizinan akibat tingginya volume data dan proses manual yang kurang efisien. Penelitian ini mengimplementasikan algoritma Machine Learning dalam sistem pengelolaan laporan berbasis web guna mengotomatisasi proses klasifikasi dan prediksi secara cerdas. Algoritma Naive Bayes digunakan untuk memprediksi jenis layanan, sedangkan Regresi Linear digunakan untuk memprediksi durasi layanan. Dataset yang digunakan terdiri dari 3.434 entri laporan perizinan bulan November 2024 yang telah melalui proses preprocessing. Hasil pelatihan model Naive Bayes menunjukkan akurasi sebesar 95–96%, dengan presisi tertinggi 97% pada skenario pembagian data 70:30 serta F1-Score yang stabil pada angka 96%. Model Regresi Linear menunjukkan performa terbaik pada skenario 85:15 dengan Mean Absolute Error (MAE) sebesar 0,38 hari dan Mean Absolute Percentage Error (MAPE) sebesar 8,42%. Sistem ini terbukti mampu mengurangi kesalahan manual, mempercepat pemrosesan laporan, dan meningkatkan keandalan hasil prediksi. Antarmuka sistem yang interaktif dan mudah digunakan telah diuji oleh 18 responden, dengan tingkat kepuasan mencapai 100%. Hasil ini menunjukkan bahwa implementasi algoritma Machine Learning secara signifikan dapat meningkatkan efisiensi dan akurasi pelayanan publik, serta berpotensi menjadi model rujukan bagi pengembangan sistem serupa di instansi pemerintahan lainnya. Kata Kunci— Machine Learning, Naive Bayes, Regresi Linear, Laporan Perizinan, DPMPTSP Surabaya.
Perancangan Dan Pembangunan Sistem Informasi Keuangan Yayasan Umar Faruq Al Arifin Berbasis Website Menggunakan Metode Agile Pendekatan Kanban Zulfikar, Mochammad; Qoiriah, Anita
Journal of Informatics and Computer Science (JINACS) Vol. 6 No. 04 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jinacs.v6n04.p1120-1130

Abstract

Abstrak— Yayasan Umar Faruq Al-Arifin merupakan lembaga pendidikan swasta yang menaungi dua institusi, yaitu SMP dan MA Al-Arifin. Yayasan ini menghadapi kendala dalam pengelolaan keuangan karena masih menggunakan sistem manual, seperti pencatatan melalui buku dan penyampaian laporan via WhatsApp. Hal ini menyebabkan kurangnya transparansi, keterlambatan informasi, dan risiko kehilangan data. Untuk menyelesaikan masalah pada yayasan tersebut, penelitian ini dilakukan untuk merancang dan membangun sistem informasi keuangan berbasis websitemenggunakan metode Agile dengan pendekatan Kanban. Sistem ini dikembangkan dengan teknologi PHP, Laravel, MySQL, dan dilakukan pengujian menggunakan metode Blackbox Testing serta System Usability Scale (SUS). Fitur utama yang dikembangkan meliputi pengelolaan pembayaran SPP, tagihan asrama, donasi, laporan keuangan, serta riwayat transaksi pengguna. Hasil penelitian menunjukkan bahwa seluruh fitur utama seperti pengelolaan pembayaran SPP, tagihan asrama, donasi, laporan keuangan, dan riwayat transaksi berhasil dikembangkan dan berfungsi sesuai rencana. Pengujian Menggunakan blackbox pada setiap task menunjukkan sistem berhasil dikembangkan tanpa adanya eror dan bug pada sistem begitu pun dengan pengujian System Usability Scale (SUS) menghasilkan skor 72,4 yang termasuk dalam kategori layak digunakan dan diterima oleh pengguna dengan grade C.   Kata Kunci— Agile, Kanban, Laravel, Sistem informasi keuangan, SUS, Website, Yayasan
Sistem Pengelolaan Dan Prediksi Pemeliharaan Kendaraan Satpol PP Kota Surabaya Berbasis Website Bintang, Elroy; Qoiriah, Anita
Journal of Informatics and Computer Science (JINACS) Vol. 6 No. 04 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jinacs.v6n04.p1163-1167

Abstract

Abstrak - Penelitian ini bertujuan untuk mengembangkan website yang dapat membantu pengelolaan dan prediksi pemeliharaan kendaraan operasional Satuan Polisi Pamong Praja Kota Surabaya. Sistem ini dirancang untuk meningkatkan efisiensi pencatatan, mengurangi kesalahan manual, serta mendukung pengambilan keputusan berbasis data. Dalam pengembangannya, sistem ini menggunakan metode Waterfall dan memanfaatkan algoritma Random Forest Regressor untuk memprediksi waktu pemeliharaan kendaraan berdasarkan data historis seperti usia kendaraan, kilometer tempuh, dan jenis kerusakan. Selain fitur Pengelolaan kendaraan dan servis, sistem juga dilengkapi dengan modul prediksi pemeliharaan dan laporan digital. Hasil pengujian menunjukkan bahwa model tanpa data sintetis memiliki akurasi prediksi yang cukup stabil dengan nilai Mean Absolute Percentage Error (MAPE) di kisaran 38%–40% dan Mean Absolute Error (MAE) di Kisaran 1,4245-1,5098% yang mengindikasikan kinerja model yang masih perlu ditingkatkan. Namun, penambahan data sintetis berhasil menurunkan nilai MAPE secara signifikan menjadi 2,4%–2,5% dan Mean Absolute Error (MAE) menjadi 0,891-0,937% . Sistem ini diharapkan dapat meningkatkan kinerja Satpol PP dalam pengelolaan kendaraan dinas secara lebih digital, akurat, dan proaktif.   Kata Kunci: Sistem Informasi, Prediksi Pemeliharaan, Random Forest Regressor, Kendaraan Dinas, Satpol PP, Website Laravel, Manajemen Kendaraan.
Prediksi Tingkat Stres Berdasarkan Pola Hidup Menggunakan Machine Learning Istiqomatul Anissa, Amanda; Qoiriah, Anita
Journal of Informatics and Computer Science (JINACS) Article In Press(1)
Publisher : Universitas Negeri Surabaya

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

Abstract

Abstrak— Stres merupakan kondisi psikologis yang dapat mengakibatkan dampak yang serius terhadap kesehatan mental dan fisik individu. Penelitian ini bertujuan untuk mengembangkan model prediksi tingkat stres berdasarkan pola hidup individu menggunakan pendekatan Machine Learning dengan algoritma Random Forest. Proses pengembangan model meliputi pengumpulan dataset pola hidup individu, preprocessing data, pembagian data, Penyeimbangan data dengan SMOTE serta pelatihan dan evaluasi model Random Forest. Data pada penelitian ini diperoleh melalui kuesioner mencakup variabel-variabel pola hidup seperti kualitas tidur, aktivitas fisik, konsumsi kafein, kebiasaan merokok, dan konsumsi alkohol serta menggunakan hasil dari pengukuruan Skala Perceived Stress Scale (PSS-10) dengan total 204 data. Evaluasi model dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score, menghasilkan akurasi tertinggi 83% dengan menggunakan Random Forest yang diuji menggunakan teknik Stratified K-Fold Cross Validation. Dengan demikian, penelitian ini diharapkan dapat menjadi dasar bagi sistem pendukung keputusan dalam upaya preventif menjaga kesehatan mental melalui perbaikan pola hidup. Namun, model ini belum dapat dijadikan acuan tunggal dalam penentuan diagnosis stres tanpa mempertimbangkan faktor lain serta validasi klinis lebih lanjut. Kata Kunci—Stres, pola hidup, Machine Learning, Random Forest, PSS-10, prediksi tingkat stres
Prediksi Kelayakan Pinjaman Berdasarkan Profil Risiko Nasabah Menggunakan Logistic Regression dan Random Forest Azam, Hafidh Ismu Azam; Qoiriah, Anita
Journal of Informatics and Computer Science (JINACS) Article In Press(1)
Publisher : Universitas Negeri Surabaya

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

Abstract

Abstrak— Penilaian kelayakan pinjaman menjadi faktor krusial dalam menjaga kualitas pembiayaan, terutama bagi lembaga seperti PNM Mekaar yang menyasar kelompok perempuan prasejahtera sebagai target utama. Penelitian ini mengembangkan sistem prediksi kelayakan pinjaman berdasarkan profil risiko nasabah dengan memanfaatkan dua pendekatan algoritmik, yaitu Logistic Regression dan Random Forest. Model Logistic Regression digunakan untuk menilai kelayakan awal berdasarkan variabel usia, jenis kelamin, pendapatan mingguan, jumlah pinjaman, serta persetujuan kelompok dan penanggung jawab. Sementara itu, Random Forest diterapkan untuk memprediksi kelayakan top-up pinjaman dengan mempertimbangkan histori keterlambatan pembayaran dan durasi peminjaman, serta dilengkapi teknik SMOTE untuk menangani ketidakseimbangan kelas pada data pelatihan. Hasil menunjukkan bahwa Logistic Regression mampu memisahkan nasabah layak tanpa perlu penerapan oversampling, sedangkan Random Forest efektif dalam mengklasifikasikan risiko nasabah ke dalam tiga kategori, yaitu rendah, sedang, dan tinggi. Evaluasi dengan k-fold cross-validation menunjukkan bahwa kedua model memiliki performa yang andal dan stabil dalam melakukan klasifikasi. Temuan ini diharapkan dapat mendukung pengambilan keputusan yang lebih akurat dan berbasis data dalam proses pembiayaan, serta meningkatkan ketepatan dalam penilaian risiko nasabah secara menyeluruh. Kata Kunci— kelayakan pinjaman, profil risiko, Logistic Regression, Random Forest, SMOTE, PNM Mekaar.
Co-Authors AB Sinaga, Christiano Zetro Aditya Prapanca Agus Prihanto Agustin Tjahyaningtijas, Hapsari Peni Amalia, Rahma Andi Iwan Nurhidayat Anggraini, Lusiana ARI KURNIAWAN Arjunantyo, Algonza Dewangga Asmunin Asmunin Aviana, Anisah Nurul Azam, Hafidh Ismu Azam Bintang, Elroy Chalatha Doa, Udkhul Rogodan Cynthia, Grace Eka Putra, Ricky Farhani, Farih Sartika Febriansyah, Tri Yoga Fresinsya, Vica Gunawan, Duta Alif Hasanah, Wahenda Uswatun Iqbal Zaki, Naufal Istiqomatul Anissa, Amanda Mahfudhoh, Meysa Mirnawati, Nila Naim Rochmawati Napitupulu, Ingwer Ludwig Benjamin Putri, Dian Oktavia Qurrotul Uyun, Qurrotul Rafif Raif, Andi Rhifqy Rahmada, Vita Rahulil, Muhammad Ramadhan, Ahmad Syaifudin Ricky Eka Putra Rina Harimurti Rochmawati, Naim Sadiyah, Siti Halimatus Siska Oktavia Sofi'ie, Farro Axza Febsinatra Suartana, I Made Suyatno, Dwi Fatrianto Tohari Ahmad Wiyli Yustanti YUNI YAMASARI Yusuf, Dhani Ahmad Zulfikar, Mochammad