Article Per Year (5 Year)
p-Index From 2021 - 2026
7.045
P-Index
This Author published in this journals
All Journal International Journal of Informatics and Communication Technology (IJ-ICT) Jurnal Informatika dan Teknik Elektro Terapan Jurnal Eksplora Informatika JURNAL PENDIDIKAN TAMBUSAI JASIEK (Jurnal Aplikasi Sains, Informasi, Elektronika dan Komputer) Jusikom: Jurnal Sistem Informasi Ilmu Komputer bit-Tech JATI (Jurnal Mahasiswa Teknik Informatika) CICES (Cyberpreneurship Innovative and Creative Exact and Social Science) Jifosi PLAKAT : Jurnal Pelayanan Kepada Masyarakat Nusantara Science and Technology Proceedings Jurnal Teknik Informatika (JUTIF) Jurnal Ilmiah Teknologi Informasi dan Robotika JUSTIN (Jurnal Sistem dan Teknologi Informasi) International Journal Of Computer, Network Security and Information System (IJCONSIST) AJARCDE (Asian Journal of Applied Research for Community Development and Empowerment) Jurnal Ilmiah Teknik Informatika (TEKINFO) Sisfo: Jurnal Ilmiah Sistem Informasi Digital Transformation Technology (Digitech) MASALIQ: Jurnal Pendidikan dan Sains JEECS (Journal of Electrical Engineering and Computer Sciences) Saber: Jurnal Teknik Informatika, Sains dan Ilmu Komunikasi Journal of Innovative and Creativity Jurnal Ecotipe (Electronic, Control, Telecommunication, Information, and Power Engineering) International Journal of Information Engineering and Science Jurnal Inovasi Artificial Intelligence & Komputasional Nusantara
Ani Dijah Rahajoe
Department Of Computer Science, Faculty Of Informatics, Universitas Pembangunan Nasional “Veteran” Jawa Timur, Surabaya 60294, Indonesia
Religion Agriculture, Biological Sciences & Forestry Humanities Automotive Engineering Chemical Engineering, Chemistry & Bioengineering 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 Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Medicine & Pharmacology Social Sciences Transportation Other

Published : 47 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 47 Documents
Search

 1   2   3   4   5 
KOMBINASI RANK ORDER CENTROID (ROC) DAN MULTI ATTRIBUTE UTILITY THEORY (MAUT) UNTUK SELEKSI CALON PENERIMA KIP-KULIAH Chaurina, Agfanadita Rezkia; Rahajoe, Ani Dijah; Nurlaili, Afina Lina
Jurnal Informatika dan Teknik Elektro Terapan Vol. 13 No. 3 (2025)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v13i3.6641

Abstract

The low participation rate in higher education in Indonesia remains a major challenge, particularly among students from underprivileged socioeconomic backgrounds. Programs such as KIP-Kuliah are part of the government's efforts to expand educational access, although various implementation challenges persist. At Universitas Pembangunan Nasional “Veteran” Jawa Timur, the number of KIP-Kuliah applicants consistently exceeds the available quota each year, necessitating a selection system that supports fair and accurate decision-making. This study aims to develop a web-based decision support system to assist in the selection process of KIP-Kuliah recipients more systematically. The method combines Rank Order Centroid (ROC) to assign weights to each criterion based on priority ranking and Multi-Attribute Utility Theory (MAUT) to calculate the final score for each alternative. The ranking results are then adjusted according to the recipient quota set for each study program accreditation. Evaluation results show that the system achieved a 96.67% accuracy rate compared to the institution’s manual selection results, indicating its effectiveness in supporting decision-making that is objective, efficient, and transparent.
Optimasi Model Prediksi Kelulusan Mahasiswa Berbasis Principal Component Analysis dan Modified K-Nearest Neighbor Pramnesti, Adisty Regina; Rahajoe, Ani Dijah; Mumpuni, Retno
CICES (Cyberpreneurship Innovative and Creative Exact and Social Science) Vol 11 No 2 (2025): CICES
Publisher : UNIVERSITAS RAHARJA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33050/cices.v11i2.3914

Abstract

Angka drop-out mahasiswa di perguruan tinggi masih menjadi permasalahan serius karena berdampak pada pemborosan sumber daya dan perkembangan institusi. Identifikasi dini terhadap mahasiswa berisiko drop-out sangat penting, namun metode manual dan algoritma K-Nearest Neighbor (KNN) konvensional masih memiliki keterbatasan, seperti sensitivitas terhadap outlier dan data berdimensi tinggi. Penelitian ini mengusulkan integrasi Principal Component Analysis (PCA) dan Modified K-Nearest Neighbor (MKNN) untuk meningkatkan akurasi klasifikasi kelulusan mahasiswa. PCA digunakan untuk mereduksi 14 variabel menjadi 2 variabel utama, sedangkan MKNN memodifikasi KNN dengan teknik weight voting berbasis jarak serta validasi data latih guna mengurangi perngaruh outlier. Model diujikan dengan skema pembagian data 60:40 (latih:uji) dan parameter optimal k=9. Hasil penelitian menunjukkan bahwa kombinasi PCA dan MKNN mampu mencapai akurasi 99,31%, meningkat 0,93% dibanding KNN standar, serta menghasilkan presisi, recall, dan F1-Score sebesar 99,3%. Temuan ini menegaskan bahwa integrasi reduksi dimensi dan weight voting efektif dalam meningkatkan kinerja klasifikasi, sehingga model ini berpotensi menjadi alat prediksi drop-out yang andal di lingkungan pendidikan tinggi.
REAL-TIME DROWSY FACE DETECTION FOR ONLINE LEARNING BASED ON RANDOM FOREST AND DECISION TREE ALGORITHMS Ani Dijah Rahajoe; Subekti, Mohamad Rafli Agung; Suriansyah, Muhammad
Jurnal Teknik Informatika (Jutif) Vol. 4 No. 6 (2023): JUTIF Volume 4, Number 6, Desember 2023
Publisher : Informatika, Universitas Jenderal Soedirman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jutif.2023.4.6.1554

Abstract

In the current era, technology regarding artificial intelligence has developed rapidly and has been used in various areas of life. Face detection is one of the applications of Artificial Intelligence. This research aims to detect students' faces during the online learning process and succeeded in getting positive feedback when tested on students. Student detection includes drowsy and alertness. The method is via webcam in real-time so that the screen will show whether the student is drowsy or alert. In the trial, the teacher can find out who is in a drowsy and alert condition. On the other hand, students can find out that they fall into the drowsy or alert category. So that both parties immediately respond to what should be done based on the classification results. The algorithms used are Decision Tree and Random Forest. The accuracy results of the Random Forest algorithm are better than the Decision Tree algorithm, namely 65 percent, while the Decision Tree algorithm is 58 percent. The division of training data and test data uses a Kfold of 5. When Kfold is equal to 2, both algorithms have the highest accuracy, where Random Forest has an accuracy of 85 percent, and Decision Tre has an accuracy of 65 percent.
IMPLEMENTASI METODE COLLABORATIVE FILTERING MENGGUNAKAN ALGORITMA COSINE SIMILARITY DAN JACCARD SIMILARITY PADA SISTEM E-COMMERCE Waskito, Muhammad Rizal; Rahajoe, Ani Dijah; Nurlaili, Afina Lina
Jurnal Informatika dan Teknik Elektro Terapan Vol. 12 No. 3S1 (2024)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v12i3S1.5315

Abstract

Peningkatan pesat e-commerce telah mengubah pola belanja konsumen, menciptakan kebutuhan akan sistem rekomendasi produk yang lebih personal dan relevan. Tantangan yang sering muncul adalah ketidakmampuan sistem rekomendasi dalam menangani data sparsity dan memberikan rekomendasi yang akurat, terutama ketika data pengguna terbatas. Untuk mengatasi tantangan ini, penelitian ini mengimplementasikan metode Collaborative Filtering dengan algoritma Cosine Similarity dan Jaccard Similarity. Cosine Similarity digunakan untuk mengukur kemiripan antar pengguna berdasarkan nilai yang diberikan terhadap produk, sementara Jaccard Similarity fokus pada kesamaan interaksi pengguna tanpa memperhatikan nilai rating. Hasil penelitian menunjukkan bahwa Cosine Similarity cenderung memberikan skor kemiripan yang lebih tinggi dibandingkan Jaccard Similarity, terutama dalam situasi data yang tidak lengkap, dengan rata rata selisih skor sebesar 26.14%. Selain itu, sistem yang dikembangkan mampu memanfaatkan efek Fear of Missing Out (FoMO) untuk meningkatkan relevansi dan urgensi pembelian produk. Integrasi algoritma ini meningkatkan akurasi rekomendasi dan membuka peluang untuk pengembangan lebih lanjut, seperti penerapan hybrid filtering, guna mengoptimalkan kinerja sistem rekomendasi dalam e-commerce.
Customer Data Management Analysis for Customer Segmentation Using K-Means Clustering Method Andre Leto; Reza Aminullah; Ani Dijah Rahajoe
International Journal of Information Engineering and Science Vol. 2 No. 4 (2025): November : International Journal of Information Engineering and Science
Publisher : Asosiasi Riset Teknik Elektro dan Infomatika Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62951/ijies.v2i4.345

Abstract

This study aims to examine customer segmentation through K-Means clustering from a customer data management perspective, emphasizing the interpretive value of analytical results rather than solely their computational outcomes. The research addresses a critical issue in contemporary data-driven organizations, where customer analytics is often reduced to technical modeling without sufficient translation into managerial insights. To respond to this gap, the study adopts a qualitative interpretive approach embedded within a quantitative clustering process, positioning clustering as part of a broader information management cycle. The empirical analysis is based on the Mall Customers Dataset obtained from Kaggle, consisting of 200 customer records with numerical attributes representing age, annual income, and spending score. Quantitative processing using K-Means clustering was employed to identify customer segments, while qualitative interpretation was applied to analyze the managerial meaning of each cluster. Data interpretation was supported by analytical documentation, visualization outputs, and reflective analysis of cluster characteristics. The findings reveal four distinct customer segments with different behavioral and economic profiles, each carrying specific strategic implications for customer relationship management and marketing decision-making. The study demonstrates that the primary value of clustering lies not merely in segment formation, but in its ability to transform raw customer data into actionable managerial knowledge. In conclusion, this research contributes to customer analytics literature by integrating data mining techniques with qualitative interpretation, offering a more human-centered and decision-oriented framework for customer data management. Future research is encouraged to extend this approach using organizational case studies or participatory decision-making contexts.
PERAN BIG DATA DALAM MANAJEMEN DATA DAN INFORMASI SEBAGAI SISTEM PENDUKUNG KEPUTUSAN (SYSTEMATIC LITERATURE REVIEW) Suryantari, Putu Anggi; Muttaqin, Faisal; Rahajoe, Ani Dijah
Jurnal Informatika dan Teknik Elektro Terapan Vol. 14 No. 1 (2026)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v14i1.8899

Abstract

Big Data telah menjadi komponen penting dalam manajemen data dan informasi seiring dengan meningkatnya volume dan kompleksitas data yang dihasilkan oleh organisasi. Pemanfaatan Big Data yang tepat memungkinkan organisasi untuk mengelola data secara lebih terstruktur dan menghasilkan informasi yang bernilai bagi pengambilan keputusan manajemen. Penelitian ini bertujuan untuk menganalisis peran Big Data dalam manajemen data dan informasi sebagai sistem pendukung keputusan melalui pendekatan Systematic Literature Review. Metode penelitian dilakukan dengan mengkaji 15 artikel ilmiah yang relevan berdasarkan proses pencarian dan penilaian kualitas literatur. Hasil penelitian menunjukkan bahwa pengelolaan Big Data yang baik mempertimbangkan karakteristik utama Big Data yang meliputi volume, kecepatan, variasi, keandalan, dan nilai data. Selain itu, pemanfaatan Big Data berperan dalam meningkatkan kualitas informasi, mempercepat proses pengambilan keputusan, serta mendukung keputusan manajemen yang lebih akurat dan berbasis data. Dengan demikian, Big Data memberikan kontribusi positif dalam mendukung sistem pendukung keputusan pada organisasi.
Penerapan Algoritma ECLAT untuk Market Basket Analysis pada Data Transaksi Ritel Rahajoe, Ani Dijah; Megantara, Sofia Ramadhani; Fransiska, Amelia; Feriza, Reyana Dinda Maulan; Indartono, Taqiyya; Perkasa, Laurensius Gading Surya
Jurnal Pendidikan Tambusai Vol. 10 No. 1 (2026)
Publisher : LPPM Universitas Pahlawan Tuanku Tambusai, Riau, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/jptam.v10i1.36325

Abstract

Dalam perkembangan teknologi di sektor ritel modern telah menghasilkan data transaksi dalam jumlah besar yang menyimpan informasi penting dari hasil transaksi konsumen yang merujuk pada pola perilaku belanja konsumen. Dalam hal ini produsen bisa menganalisis hubungan antar produk menggunakan Market Basket Analysis (MBA) yang merupakan teknik data mining yang digunakan untuk mengidentifikasi hubungan antar produk yang dibeli secara bersamaan. Penelitian bertujuan untuk mengungkap pola hubungan antar produk pada data transaksi ritel menggunakan algoritma ECLAT. Dataset yang digunakan berasal dari platform kaggle dengan total data 7.501 transaksi dari 120 jenis produk. Algoritma ECLAT diterapkan dengan batas minimum support sebesar 3% setelah melalui tahap proses data. Hasil penelitian ini menunjukkan terdapat sejumlah kombinasi produk yang sering dibeli konsumen dengan nilai support yang tinggi. Temuan ini dapat digunakan oleh pemilik ritel untuk menata letak produk, promosi bundling, dan persediaan yang dapat dioptimalkan.
Klasifikasi Penyakit Stroke Menggunakan Algoritma XGBoost Classifier Muhammad Rizky Firdaus; Ani Dijah Rahajoe; Fairus Irhab Adinata Efendi; Azmi Maulana Mahardika; Achmad Ario Dwi Maulana; Piter Rudi Irson Rivaldo Lapon
Journal of Innovative and Creativity Vol. 6 No. 1 (2026)
Publisher : Fakultas Ilmu Pendidikan Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/joecy.v6i1.6546

Abstract

Stroke merupakan krisis kesehatan global yang menjadi penyebab utama kematian dan kecacatan. Deteksi lebih dini faktor stroke sangat penting untuk tindakan pencegahan yang efektif. Studi ini bertujuan untuk menganalisis karakteristik dataset stroke, mengkaji pengaruh teknik Hybrid Sampling (gabungan SMOTE dan Random UnderSampling) dalam mengatasi ketidakseimbangan data, serta mengevaluasi performa mode XGBoost. Penelitian ini menggunakan pendekatan kuantitatif eksperimen dengan dataset sekunder dari Kaggle. Penanganan ketidak seimbangan kelas dilakukan dengan Hybrid Sampling (gabungan SMOTE dan Random UnderSampling). Penerapan teknik Hybrid Sampling ini terbukti memberikan dampak signifikan pada kemampuan deteksi model, di mana nilai F1-Score pada kelas minoritas (stroke) yang semula bernilai 0,00 pada data asli (tanpa penanganan ketidakseimbangan) berhasil meningkat menjadi 0,25. Model dikembangkan menggunakan algoritma Extreme Gradient Boosting (XGBoost). Dataset memiliki ketidakseimbangan ekstrem dengan 4,8% pada kelas strok. Hasil evaluasi menunjukkan model XGBoost mencapai akurasi sebesar 89,4% pada data uji. Namun, performa pada kelas minoritas (stroke) masih rendah dengan recall 0,36 dan F1-Score 0,25. Meskipun XGBoost memberikan akurasi tinggi secara keseluruhan data yang signifikan. Diperlukan optimasi lebih lanjut melalui hyperparameter tuning atau algoritma boosting lainnya.
Analisis Penyakit Jantung Menggunakan Metode Random Forest Ani Dijah Rahajoe; Azaidane, Dandi; Putra, Brian Akhdan; Pahlevy, Mohammad Reza; Bimantoro, Bisma Satrio; Akash, Fransisco Rivaldi
Digital Transformation Technology Vol. 6 No. 1 (2026): Periode Maret 2026
Publisher : Information Technology and Science(ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/digitech.v6i1.7612

Abstract

Diagnosis dini penyakit jantung sebagai salah satu penyebab kematian tertinggi di dunia membutuhkan metode analisis yang akurat dan andal. Perkembangan teknik data mining dan machine learning memberikan peluang besar dalam pengolahan data medis secara efisien. Penelitian ini bertujuan untuk menganalisis dan memprediksi penyakit jantung menggunakan metode Random Forest serta mengevaluasi kinerja model berdasarkan beberapa metrik evaluasi. Tahapan penelitian meliputi pengumpulan dataset penyakit jantung, pra-pemrosesan data seperti pembersihan dan normalisasi, pembagian data menjadi data latih dan data uji, serta penerapan algoritma Random Forest sebagai model klasifikasi. Evaluasi model dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa metode Random Forest mampu mengklasifikasikan penyakit jantung dengan sangat baik, dengan tingkat akurasi sebesar 99,07%, presisi 98,77%, recall 99,38%, dan F1-score 99,08%. Hasil ini menunjukkan bahwa Random Forest lebih unggul dibandingkan metode klasifikasi tunggal karena kemampuannya mengurangi overfitting dan menggabungkan beberapa pohon keputusan. Dengan demikian, metode Random Forest dapat digunakan secara efektif sebagai sistem pendukung keputusan dalam prediksi penyakit jantung. Namun, penelitian lanjutan masih diperlukan dengan jumlah data yang lebih besar, fitur klinis yang lebih beragam, serta perbandingan dengan algoritma lain untuk meningkatkan keandalan sistem prediksi.
Comparison of Fine-Tuning InceptionV3 and Xception for Eye Disease Classification Based on Fundus Images Irsyad Rafi Naufaldi; Ani Dijah Rahajoe; Eva Yulia Puspaningrum
bit-Tech Vol. 8 No. 2 (2025): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v8i2.3195

Abstract

Eye diseases represent a major global health concern that can lead to visual impairment and even blindness if not detected early. The shortage of ophthalmologists and unequal distribution of medical services highlight the need for automatic eye disease detection system increasingly essential. Therefore, the role of Artificial Intelligence (AI), particularly Deep Learning, is highly needed. This study aims to compare the performance of two CNN architectures InceptionV3 and Xception. Unlike previous studies, this paper provides a comparative Fine-Tuning analysis of two CNN models on multiclass eye disease. The approach applied is transfer learning with a fine-tuning technique on several final layers to achieve higher accuracy by optimizing pretrained models using large-scale datasets such as ImageNet. The dataset consists of 4,184 fundus images covering multiple eye disease with balanced class distribution, ensuring diversity that supports model generalization. Divided into train, valid, and test sets with a ratio of 70:15:15. The training employed Adam optimizer, a batch size of 16, a learning rate of 0.0001, and implements early stopping to prevent overfitting. The performance of the model was assessed using evaluation metrics including accuracy, precision, recall, and F1-score. Experimental results indicate that the Xception model achieved superior performance with an accuracy of 87.78%, precision of 0.89, recall of 0.88, and an F1-score of 0.88, outperforming InceptionV3 with an accuracy of 85.56%, indicates the model is reliable for preliminary diagnosis. These findings suggest that the architecture in Xception is more efficient in extracting features from limited yet complex medical datasets.
Co-Authors Achmad Ario Dwi Maulana Agung Subekti, Mohamad Rafli Agussalim Agussalim Agussalim, Agussalim Ainur Rahim Akash, Fransisco Rivaldi Andre Leto Andreas Nugroho Sihananto Andriano Lukas Angelo A Beltran Angelo A Beltran Jr Angga Dwi Cahyono Aninditya Daniar Anna Fauziah Arif Arizal arif arizal Arif Dwi Putra Arif Setyo Wibowo Aryo Bagus Satrio Wicaksono Azaidane, Dandi Azmi Maulana Mahardika Bawazir Fadhil Mohammad Bawazir Fadhil Muhammad Bimantoro, Bisma Satrio Brahmantio Widyo Trenggono Budi Mukhamad Mulyo Chaurina, Agfanadita Rezkia Denisa Septalian Alhamda Dhian Satria Yudha Kartika Dian Agus Prawinata Eka Prakarsa Mandyartha Eva Yulia Puspaningrum Fairus Irhab Adinata Efendi Fajar Indra Nur Alam Feriza, Reyana Dinda Maulan Fransiska, Amelia Hamdan Yuwafi Mastu Wijaya Henni Endah Wahanani I Gede Susrama Mas Diyasa I Gede Susrama Mas Diyasa Ida Retno Moeljani Indartono, Taqiyya Irsyad Rafi Naufaldi Jr, Angelo A. Beltran Kartini Kartini Khansa Alyssa Fauziyah M Mahaputra M. Mahaputra Made Hanindia Prami Swari Mas Nurul Hamidah Maulana, Hendra Megantara, Sofia Ramadhani Muchamad Dicky Alifiansyah Muchlisiniyati Safeyah Muhammad Aldi Maulana Muhammad Fahreal Bernov Muhammad Farhan Maulana Muhammad Iqbal Al Afgany Muhammad Rizky Firdaus Muhammad Suriansyah Muttaqin, Faisal Nadia Dita Salsabila Nafiendra Praba Hendyka Nurlaili, Afina Lina Nurlaili, Afina Lina P. Eko Prasetyo Pahlevy, Mohammad Reza Pangesti N Perkasa, Laurensius Gading Surya Piter Rudi Irson Rivaldo Lapon Pradana, Ilham Akbar Pramnesti, Adisty Regina Putra Bramantyo, Adam Putra, Brian Akhdan Rangga Laksana Aryananda Retno Mumpuni Retno Mumpuni Reza Aminullah Rifki Fahrial Zainal Rino Zakaria Satrio Budi Wahyuono Shagi Hisyam Al Fathony Soffiana Agustin, Soffiana Subekti, Mohamad Rafli Agung Suriansyah, Muhammad Suryantari, Putu Anggi Syariful Alim Waskito, Muhammad Rizal Winarko, Edi Yushinta Aristina Sanjaya