Article Per Year (5 Year)
p-Index From 2021 - 2026
3.06
P-Index
This Author published in this journals
All Journal JIEET (Journal of Information Engineering and Educational Technology) Indonesian Journal of Engineering and Technology (INAJET) Jurnal Nasional Teknik Elektro dan Teknologi Informasi Journal of Informatics and Computer Science (JINACS)
Anita Qoiriah
Universitas Negeri Surabaya
Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Energy Engineering Mechanical Engineering

Published : 28 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 28 Documents
Search

 1   2   3 
Perbandingan Algoritma Cosine Similarity dan Euclidean Distance pada Sistem Rekomendasi Film dengan Metode Item-Based Collaborative Filtering Muhammad Alfian Ma'ruf; Anita Qoiriah
Journal of Informatics and Computer Science (JINACS) Vol 4 No 02 (2022)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jinacs.v4n02.p160-168

Abstract

Sistem rekomendasi saat ini semakin dibutuhkan seiring dengan semakin banyaknya film yang ada, terutama di media digital. Item-Based Collaborative Filtering adalah salah satu dari sekian banyak metode dalam sistem rekomendasi. Metode Item-Based Collaborative Filtering menentukan film yang direkomendasikan berdasarkan kemiripan dengan film lainnya berdasarkan film-film lain yang telah diberi rating. Pada serangkaian proses yang ada dalam Item-Based Collaborative Filtering, terdapat satu tahapan dengan algoritma untuk menentukan similaritas atau kemiripan antar item. Penelitian ini membandingkan dua algoritma untuk menentukan kemiripan antar item. Algoritma yang dibandingkan yaitu Cosine Similarity dan Euclidean Distance. Kedua algoritma tersebut diterapkan dan dilakukan pengujian pada sistem rekomendasi film dengan metode Item-Based Collaborative Filtering pada data rating film MovieLens. Perbandingan dilakukan dengan menghitung nilai Mean Absolute Error dan Root Mean Square Error untuk mengevaluasi hasil akurasi pada tiap algoritma yang digunakan. Pada percobaan dengan menggunakan algoritma Cosine Similarity menghasilkan nilai akurasi dengan Mean Absolute Error sebesar 2,21 serta nilai Root Mean Square Error sebesar 2,51. Sedangkan pada percobaan dengan menggunakan algoritma Euclidean Distance menghasilkan nilai akurasi dengan Mean Absolute Error sebesar 2,24 serta nilai Root Mean Square Error sebesar 2,55. Dari hasil penelitian yang telah dilakukan, algoritma Cosine Similarity memiliki tingkat akurasi lebih baik dibandingkan dengan algoritma Euclidean Distance. Hal tersebut dapat dilihat dari nilai Mean Absolute Error dan juga Root Mean Square Error pada algoritma Cosine Similarity yang lebih memiliki nilai lebih kecil dari algoritma Euclidean Distance.
Penerapan Metode TF-IDF dan Deep Neural Network untuk Analisa Sentimen pada Data Ulasan Hotel Fachriza Dian Adhiatma; Anita Qoiriah
Journal of Informatics and Computer Science (JINACS) Vol 4 No 02 (2022)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jinacs.v4n02.p183-193

Abstract

Data ulasan pelanggan memainkan peran yang penting dalam dunia bisnis karena dapat digunakan oleh para pelaku usaha untuk lebih memahami pelanggan serta mengetahui kelebihan dan kekurangan dari produk yang ditawarkannya. Namun, data ulasan tersebut hadir dalam jumlah yang besar di internet dan terus bertambah setiap harinya sehingga proses analisis menjadi lebih susah jika dilakukan secara manual. Analisa sentimen merupakan teknik untuk mengklasifikasikan data-data teks kedalam berbagai kelas sentimen. Penelitian ini bertujuan untuk membuat sistem analisa sentimen untuk data perhotelan menggunakan metode TF-IDF dan deep neural network. Metode TF-IDF digunakan untuk mengubah data teks menjadi vektor numerik, sedangkan deep neural network digunakan untuk mengklasifikasikan data vektor tersebut kedalam tiga kelas sentimen, yaitu positif, negatif dan netral. Penelitian ini juga bertujuan untuk mengeksplorasi kombinasi parameter yang memberikan hasil terbaik atau biasa juga disebut dengan hyperparameter tuning. Beberapa parameter yang diuji adalah kombinasi n-gram, nilai learning rate, dan jumlah hidden layers. Dari hasil penelitian yang dilakukan, metode TF-IDF dan deep neural network terbukti mampu untuk menyelesaikan permasalahan analisa sentimen untuk data perhotelan. Selain itu, kombinasi parameter yang memberikan hasil terbaik yaitu n-gram dengan jumlah 3, nilai learning rate 0,001, dan hidden layers dengan jumlah 3.
Analisis Sentimen Pengguna Platform Belajar Online Coursera menggunakan Random Forest dengan Metode Ekstraksi Fitur Word2vec Muhammad Jazaal Aufa; Anita Qoiriah
Journal of Informatics and Computer Science (JINACS) Vol 4 No 02 (2022)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jinacs.v4n02.p244-255

Abstract

Pembelajaran daring mengharuskan para pelajar dan mahasiswa menggunakan platform belajar online sebagai penunjang belajar di luar kelas, menyebabkan penggunanya meningkat, salah satunya Coursera. Berdasarkan grafik data review selama 2015-2020, pengguna Coursera meningkat drastis sebesar 256% saat awal pembelajaran daring. Namun menurun setelahnya sebesar 24%, sehingga diperlukan sistem analisis sentimen untuk mengetahui polaritas pengguna kursus saat itu secara otomatis. Algoritma klasifikasi yang efisien untuk analisis sentimen adalah Random Forest. Pada kasus text classification jumlah fitur adalah jumlah kata, kumpulan teks review yang mengandung banyak kata menghasilkan jumlah fitur yang banyak pula, maka waktu yang dibutuhkan untuk membangun model menggunakan Random Forest akan sangat lama, sehingga kurang efektif. Dibutuhkan ekstraksi yang mampu mereduksi jumlah fitur, seperti Word2vec. Menggunakan Word2vec sebagai ekstraksi fitur bertujuan agar sistem tidak hanya efisien tapi juga efektif untuk analisis sentimen, karena mampu mendeteksi semantik antar kata. Dari hasil pengujian menggunakan proporsi data berbeda dan parameter Word2vec acak, menunjukkan akurasi terbaik pada proporsi data 80:20 dengan ukuran fitur 100 dimensi dan window 5, dengan akurasi train score dan test score sebesar 92,71% dan 91,42%. Selain menghasilkan peforma paling baik, kombinasi Random Forest dengan Word2vec membutuhkan waktu training model 20 kali lebih cepat dibanding Random Forest dengan TF dan Random Forest dengan pembobotan TF-IDF.
Aplikasi Android Untuk Terapi Arachnophobia Berbasis Markerless Augmented Reality Bramianto Gading Gumilang; Anita Qoiriah
Journal of Informatics and Computer Science (JINACS) Vol 4 No 03 (2023)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jinacs.v4n03.p322-333

Abstract

Fobia adalah rasa ketakutan yang berlebihan pada sesuatu objek, kondisi atau fenomena. Fobia dapat menghambat kehidupan orang yang mengidapnya dari stres ringan hingga bunuh diri. Pada dasarnya fobia bisa dikatakan abnormalitas mental.Fobia dikolompakan dalam berbagai jenis Berdasarkan objek ketakutan, salah satunya adalah fobia spesifik/kusus yang memiliki objek ketakutan terhadap suatu benda, salah satunya hewan. Fobia bukanlah gangguan yang tidak bisa disembuhkan, Fobia dapat disembuhkan salah satunya dengan terapi. Namun di zaman modern ini pengobatan terapi fobia dengan menggunakan objek secara lanngsung dianggap kejam tidak etis terlebih untuk menggunakan hewan hidup asli yang berkemungkinan terbunuh saat praktik terapi dilakukan, dan disisi lain juga para terapis kesulitan untuk mendapatkan objek fobia untuk penterapian terutama objek hewan, terutama adalah objek hewan. Oleh karena itu untuk mempermudah para terapis serta menarik minat masyarakat pengidap fobia, perlu dikembangkanya penterapian melalui objek virtual dengan menggunakan Augmented Reality (AR). Augmented Reality sendiri sering digunakan sebagai media pembelajaran maupun hiburan yang ada pada smartphones. Dengan begitu praktik terapi akan lebih mudah dan menarik dengan adanya aplikasi yang dibangun. Tujuan dari dibentuknya penelitian ini adalah untuk mengembangkan aplikasi yang mampu menunjang pengobatan terapi dengan bantuan objek dari Augmented Reality. Hasil penelitian ini adalah aplikasi sebagai media terapi fobia Laba-laba berbasis Augmented Reality dengan menggunakan Markerless AR agar mempermudah terapis dalam melakukan terapi.
Klasifikasi Deteksi Tautan Menggunakan Random Forest dan Metode Seleksi Fitur Berbasis Website Lidya Marcelena; Anita Qoiriah
Journal of Informatics and Computer Science (JINACS) Vol. 7 No. 04 (2026)
Publisher : Universitas Negeri Surabaya

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

Abstract

Abstrak — Phishing merupakan salah satu bentuk kejahatan siber yang bertujuan mencuri informasi pribadi pengguna melalui tautan palsu atau tiruan. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi deteksi tautan phishing dan legitimate menggunakan algoritma machine learning dan metode seleksi fitur berbasis website. Algoritma yang digunakan dalam penelitian ini adalah algoritma Random Forest dengan metode seleksi fitur Chi-Square. Proses penelitian meliputi pra pemrosesan data, ekstraksi fitur berdasarkan struktur dan konten website dalam sebuah tautan, seleksi fitur, hyperparameter tuning, serta evaluasi model klasifikasi. Kinerja model dievaluasi menggunakan beberapa metrik pengujian untuk menentukan model terbaik dalam mendeteksi tautan phishing. Hasil penelitian menunjukkan bahwa algoritma machine learning dan metode seleksi fitur mampu digunakan untuk mendeteksi tautan phishing secara efektif. Model terbaik kemudian diimplementasikan ke dalam sistem berbasis website sehingga dapat membantu pengguna mengidentifikasi tautan berbahaya secara realtime. Sistem yang dikembangkan diharapkan dapat meningkatkan keamanan pengguna saat mengakses internet serta menjadi solusi pendukung dalam upaya pencegahan serangan phishing yang semakin berkembang.     Kata Kunci — Phishing. Machine Learning, Random Forest, Logistic Regression, Chi-Square.
Eksplorasi Teknik Balancing pada Klasifikasi Sentimen SVM dengan K-Fold Cross Validation Septi Kirana Damai Lestari; Anita Qoiriah
Journal of Informatics and Computer Science (JINACS) Vol. 7 No. 04 (2026)
Publisher : Universitas Negeri Surabaya

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

Abstract

Abstrak—Media social merupakan ruang public digital yang memungkinkan Masyarakat bebas dalam menyampaikan opini tentang berbagai hal, salah satunya kinerja pemerintah daerah. Komentar media social menjadi sumber informasi penting dalam memahami opini public dan kecenderungan sentiment publik. Namun, terdapat beberapa tantangan dalam analisis komentar media social, seperti karakteristik teks yang pendek dan informal serta distribusi kelas yang cenderung tidak seimbang sehingga model cenderung bias ke kelas mayoritas. Penelitian ini malakukan eksplorasi Teknik balancing pada model SVM dengan representasi fitur TF-IDF. Penelitian mengeksplorasi lima strategi penanganan ketidakseimbangan kelas, yaitu tanpa balancing (baseline), class weighting, random undersampling, random oversampling, dan SMOTE Seluruh eksperimen dievaluasi menggunakan Stratified K-Fold Cross-Validation (K=5) untuk memperoleh estimasi performa yang lebih stabil dan representatif. Dataset terdiri atas 3.957 komentar dari platform TikTok dan X/Twitter terkait kinerja Pemerintah Kota Malang periode Maret–Desember 2025 dengan distribusi 86,92% komentar negatif dan 13,08% komentar positif. Teknik resampling diterapkan hanya pada data training di setiap fold dengan tujuan menghindari data leakage. Hasil eksplorasi menunjukkan bahwa penerapan class weighting menghasilkan Mean Macro F1 tertinggi sebesar 0,6399 ± 0,0232, melampaui baseline (0,6350), random undersampling (0,5690), oversampling (0,6327), dan SMOTE (0,5956). Analisis confusion matrix agregat menunjukkan bahwa random undersampling menghasilkan False Positive Rate sebesar 30,9%, hal ini mengindikasikan bahwa hampir sepertiga kritik masyarakat salah diklasifikasikan sebagai apresiasi. Berdasarkan eksplorasi dapat disimpulkan bahwa class weighting merupakan strategi yang paling sesuai untuk dataset komentar media sosial berbahasa Indonesia karena kemampuan sensitivitas model terhadap kelas minoritas tanpa mengubah distribusi data dan risiko overfitting akibat duplikasi atau sampel sintetik. Kata Kunci— analisis sentimen, class imbalance, K-Fold cross-validation, media sosial, SVM, strategi balancing.
Deteksi Plagiarisme Jawaban Antar Siswa Berbasis Google Form Menggunakan BERT dan Cosine Similarity Talitha irwan; Anita Qoiriah
Journal of Informatics and Computer Science (JINACS) Article In Press
Publisher : Universitas Negeri Surabaya

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

Abstract

Abstrak— Plagiarisme antar siswa pada jawaban esai masih menjadi tantangan dalam pembelajaran daring, terutama pada pengumpulan jawaban melalui Google Form. Proses pemeriksaan kemiripan jawaban secara manual memerlukan waktu yang lama dan sulit untuk mengidentifikasi kemiripan semantik antar jawaban siswa. Penelitian ini bertujuan untuk mengembangkan sistem deteksi plagiarisme jawaban antar siswa menggunakan Sentence-BERT (all-MiniLM-L12-v2) dan cosine similarity. Tahapan penelitian meliputi text preprocessing, pembentukan sentence embedding, perhitungan skor kemiripan, penentuan batas ambang (threshold), serta klasifikasi jawaban ke dalam kategori plagiarisme, parafrase, dan tidak plagiarisme. Pelabelan manual dilakukan oleh dua penilai, yaitu peneliti dan guru mata pelajaran, untuk menetapkan ground truth. Tingkat kesepakatan antara kedua penilai kemudian dievaluasi menggunakan Cohen's Kappa yang menghasilkan nilai 0,8954 menunjukkan tingkat kesepakatan hampir sempurna. Berdasarkan evaluasi menggunakan confusion matrix terhadap empat skenario threshold, skenario 2 memberikan performa terbaik dengan akurasi sebesar 94,42%. Skenario tersebut menggunakan batas ambang similarity ≥80% untuk kategori plagiarisme, 60%–79% untuk kategori parafrase, dan <60% untuk kategori tidak plagiarisme. Nilai F1-score yang diperoleh masing-masing sebesar 0,99 pada kategori plagiarisme, 0,93 pada kategori parafrase, dan 0,88 pada kategori tidak plagiarisme.      Kata Kunci— Plagiarisme, Sentence-BERT, cosine similarity, Google Form, NLP.
Analisis Sentimen Ulasan Game Genshin Impact Menggunakan PCA dan SVM Gemma Dwi Prasetya; Anita Qoiriah
Journal of Informatics and Computer Science (JINACS) Article In Press
Publisher : Universitas Negeri Surabaya

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

Abstract

Abstrak— Genshin Impact adalah RPG yang sukses yang menarik banyak ulasan di Google Play Store, yang sentimennya menjadi indikator informatif bagi pengembang aplikasi. Penelitian ini mengeksplorasi klasifikasi sentimen pengguna dengan penerapan model Support Vector Machine (SVM) yang terintegrasi dengan ekonomisasi sumber daya dari Principal Component Analysis (PCA) untuk meningkatkan kecepatan reduksi dimensi algoritma. Ulasan untuk proyek ini bersumber dari Analisis Sentimen Ulasan Genshin Impact yang dihosting di Kaggle. Dataset berisi 944 ulasan, yang terdiri dari 510 ulasan yang diidentifikasi sebagai POSITIF dan 434 ulasan yang diidentifikasi sebagai NEGATIF, dengan sentimen yang ditetapkan selama pengunggahan dataset. Penelitian ini memanfaatkan model Knowledge Discovery in Databases (KDD) dan mencakup Preprocessing, TF-IDF, pemilihan fitur Chi-Square, PCA, penyeimbangan kelas (SMOTE), dan SVM dengan empat jenis kernel dan permutasi parameter untuk 1.440 eksperimen yang diharapkan dan dievaluasi pada tiga split dataset yang berbeda. Hasil eksperimen menunjukkan bahwa kernel RBF, setelah penerapan pemilihan fitur Chi-Square, PCA, dan SMOTE, mencapai hasil terbaik dengan akurasi 93,68% dan F1-Score 94,12% untuk split 90:10, dengan hasil yang lebih baik dibandingkan rasio split 80:20 dan 70:30. Dari hasil tersebut, SVM dengan PCA secara bersamaan mencapai klasifikasi sentimen permainan yang efektif dengan akurasi tinggi, dan hasil eksperimen menunjukkan bahwa pemilihan fitur Chi-Square meningkatkan hasil model. Penelitian selanjutnya dengan metodologi ini harus mencakup penggunaan embedding kata kontekstual dan meningkatkan ukuran dataset untuk memungkinkan peningkatan ketahanan dan generalisasi model. Kata Kunci— Analisis Sentimen, Genshin Impact, Support Vector Machine, Principal Component Analysis, Chi-Square, SMOTE
Co-Authors Abastian Dwi Saputra Agus Prihanto Ahmad Haqi Annazili Alfin Falah Sugiarto Andi Iwan Nurhidayat Asmunin Asmunin Atik Wintarti Bramianto Gading Gumilang Dewi Ayu Pratiwi Diah Wulandari Fachriza Dian Adhiatma Gemma Dwi Prasetya Lidya Marcelena Mazidhatul Ilmiyah Muhammad Ainur Rofiq Muhammad Alfian Ma'ruf Muhammad Iqbalul Hidayat Muhammad Jazaal Aufa Naim Rochmawati Natalia Mamahit Nur Lujeng Kinanti Nuzhul Citrasari Dewi Puput Wanarti Rusimamto Rahadian Bisma Respita Yuliana Ramadhani Rina Harimurti Salsabila Maharani Alvananda Herlambang Septi Kirana Damai Lestari Sindy Caesar Rusnanda Himatul Haliza Talitha irwan Wahyu Muhammad Citra Perdana Wiyli Yustanti Yessy Septiani Yuono YUNI YAMASARI