Article Per Year (5 Year)
p-Index From 2021 - 2026
0.888
P-Index
This Author published in this journals
All Journal Jurnal Transformatika JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Walisongo Journal of Information Technology Information Technology Education Journal
Wenty Dwi Yuniarti
Universitas Islam Negeri Walisongo Semarang
Computer Science & IT Education Engineering

Published : 5 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search

 1 
Identifikasi Potensi Keberhasilan Studi Menggunakan Naïve Bayes Classifier Wenty Dwi Yuniarti; Achmad Nur Faiz; Bagus Setiawan
Walisongo Journal of Information Technology Vol 2, No 1 (2020): Walisongo Journal of Information Technology
Publisher : Universitas Islam Negeri Walisongo Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21580/wjit.2020.2.1.5204

Abstract

Penelitian ini bertujuan melakukan prediksi keberhasilan studi dengan metode klasifikasi naïve bayes classifier. Varibel input yang diperkirakan mempengaruhi keberhasilan studi adalah Jalur Masuk (1), Asal Kota (2), Asal Provinsi (3), Penghasilan Orang Tua (4), Pekerjaan Orang Tua (5), Indeks Prestasi Kumulatif (6) serta Riwayat Status Mahasiswa (7). Pengetahuan potensi keberhasilan studi diperoleh dari variasi empat variabel target (class) yaitu IPK Tahun Pertama dan Kedua, Status Mahasiswa Terkini, IPK Mata Kuliah (Makul) Non-Keprodian serta IPK Makul Keprodian. Proses diawali data preprocessing dan diperoleh 5.934 data bersih. Data dibagi 80% training, 20% testing, dengan Correctly Classified Instances 97,53%. Penggalian pengetahuan dengan naïve bayes classifier memperoleh akurasi 99,41% untuk prediksi variabel input 1,2,3,4,5,6,7 dengan target keberhasilan IPK Tahun pertama dan kedua, 96.96 %, untuk target Status Mahasiswa Terkini, 95.87% untuk target IPK Makul Keprodian, dan 97.89 % untuk target IPK Makul Non-Keprodian. Penggunaan metode naïve bayes classifier dalam klasifikasi potensi keberhasilan studi ini memberikan akurasi 95.8% sampai dengan 99.41% untuk 4 target berbeda.  Bagi perguruan tinggi, perlu penguatan pada proses perekrutan mahasiswa, serta perlu diperhatikan bahwa faktor ekonomi orang tua memberikan andil bagi kelangsungan proses studi.
PENGEMBANGAN STRATEGI TATA LETAK BARANG PADA TOKO “INA 2” MENGGUNAKAN ALGORITMA APRIORI Sarah Wijayanti; Wenty Dwi Yuniarti; Siti Nur'aini
Walisongo Journal of Information Technology Vol 4, No 1 (2022): Walisongo Journal of Information Technology
Publisher : Universitas Islam Negeri Walisongo Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21580/wjit.2022.4.1.12376

Abstract

Toko “Ina 2” merupakan toko yang bergerak di bidang ritel atau eceran. Banyaknya barang pada Toko “Ina 2” harus ditata rapi dengan melakukan analisis proses belanja konsumen berdasarkan transaksi penjualan. Transaksi yang ada pada Toko “Ina 2” masih tersimpan secara manual sehingga dibutuhkan suatu sistem untuk memudahkan pencatatan transaksi pada Toko “Ina 2” sekaligus mengolah data transaksi tersebut untuk mengatur tata letak barang menggunakan algoritma apriori. Sistem akan dibuat menggunakan data mining asosiasi dengan metode algoritma apriori. Berdasarkan hasil penelitian, telah dilakukan perhitungan apriori pada sistem berdasarkan data transaksi terdahulu selama 15 bulan. Perhitungan apriori yang dilakukan menggunakan support 30% dan confidence 60% yang menghasilkan 5 aturan asosiasi dan terdapat 4 item yang digunakan untuk mengatur tata letak barang pada Toko “Ina 2” yang mempunyai luas 52,8m2. Sistem ini telah diuji dengan metode pengujian UAT dan mendapatkan rata-rata presentase yaitu 87.45% yang berada dalam kategori sangat layak.
PENERAPAN METODE SUPPORT VECTOR MACHINE DALAM MENGKLASIFIKASIKAN BERITA POLITIK : FAKTA VS HOAKS Nikmal Maulana; Maya Rini Handayani; Wenty Dwi Yuniarti; Khothibul Umam
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 10, No 3 (2025)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v10i3.8077

Abstract

Berita hoaks di ranah politik menjadi tantangan serius dalam era digi-tal saat ini, karena dapat memengaruhi opini publik dan kestabilan so-sial. Penelitian ini bertujuan untuk membangun sistem klasifikasi otomatis yang mampu membedakan antara berita politik fakta dan hoaks. Metode yang digunakan adalah Support Vector Machine (SVM) dengan pendekatan Linear Support Vector Classification (LinearSVC), yang dikenal memiliki performa tinggi dalam menangani data teks berdimensi besar. Dataset yang digunakan terdiri dari 1.267 berita poli-tik berbahasa Inggris yang telah dilabeli sebagai “REAL” dan “FAKE”. Proses awal melibatkan pembersihan teks, tokenisasi, penghapusan stopword, dan transformasi data teks menjadi vektor numerik menggunakan TF-IDF. Model SVM kemudian dilatih dan diuji menggunakan pembagian data latih dan uji secara terstruktur. Hasil evaluasi menunjukkan bahwa model mencapai akurasi sebesar 94,24%. Selain itu, nilai precision, recall, dan f1-score masing-masing sebesar 0,94 untuk kedua kelas, yaitu berita fakta dan hoaks. Temuan ini menunjukkan bahwa metode SVM sangat efektif dalam mengklasifi-kasikan berita politik, serta berpotensi diterapkan dalam sistem deteksi hoaks berbasis teks secara otomatis. Model dan vectorizer disimpan untuk mendukung penggunaan ulang dalam aplikasi nyata. Penelitian ini memberikan kontribusi praktis dalam memitigasi penyebaran in-formasi palsu melalui teknologi kecerdasan buatan.
Sistem Pendukung Keputusan Penerima Bantuan Kartu Indonesia Pintar dengan Metode Weighted Product Wenty Dwi Yuniarti; Laili Zanura Damayanti; Siti Nur'aini
Jurnal Transformatika Vol. 20 No. 2 (2023): January 2023
Publisher : Jurusan Teknologi Informasi Universitas Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26623/transformatika.v20i2.5877

Abstract

Education is a bridge to educate the nation s life. The government has launched various programs for equitable distribution and expansion of access to education, one of which is Program Indonesia Pintar (PIP). Smart Indonesia Card (KIP) is a marker for PIP recipients. The implementation of PIP is considered effective if KIP is given on target. SMK An Najah has implemented PIP. Each period, SMK An Najah faces many applicants with complex requirements documents. Unfortunately, the determination of KIP aid recipients is still done manually, so it takes a long time and has the potential for inaccurate targets. This study proposes the use of a computer-based decision support system using the Weighted Product (WP) method to determine KIP recipients. WP uses a multiplication technique to connect attributes ratings that have been raised to the power of weight. Based on the evaluation using User Acceptance Testing (UAT), it is known that the decision support program can be used with an acceptance rate of 79.15% or in the worthy category.
Fine-Tuning IndoBERT for Detecting AI-Generated Indonesian Text to Support Academic Integrity Fajar Irham Hakim; Khothibul Umam; Wenty Dwi Yuniarti
Information Technology Education Journal Vol. 5, No. 4, November (2026)
Publisher : Jurusan Teknik Informatika dan Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59562/intec.v5i4.14451

Abstract

Purpose: This study develops and evaluates a fine-tuned IndoBERT model for detecting ChatGPT-generated Indonesian text, addressing the gap left by AI-generated text detection systems built primarily for English. Design/methodology/approach – The M4 Indonesian dataset (5,774 samples after preprocessing, group-split by article source identifier into 4,619 training, 577 validation, and 578 test samples to keep matched human-written and ChatGPT-generated pairs from leaking across partitions) was used as the basis of this study. A fixed 1,000-sample subset of the training partition was used to fine-tune IndoBERT for binary text classification using PyTorch and Hugging Face Transformers (learning rate 2e-5, three epochs, AdamW) and to train the support vector machine and Naïve Bayes benchmarks under identical conditions. Performance was evaluated on the full 578-sample test set using accuracy, precision, recall and F1-score. Findings: On 578 held-out test samples, IndoBERT reached 95.85% accuracy, 92.57% precision, 100% recall, and an F1-score of 0.9614 (macro F1 = 0.9582), against 97.06% for SVM and 93.08% for Naive Bayes. An exact McNemar's test found no statistically significant difference between IndoBERT and SVM (p = .324), indicating that IndoBERT's advantage under an earlier, non-grouped split largely reflected data leakage rather than a genuine architectural advantage. Research implications/limitations – The dataset is limited to the news domain and to text generated by a single model (ChatGPT); generalisation to academic text, such as student essays, and to outputs from other LLMs, such as Gemini or LLaMA, requires further validation. Originality/value – This study demonstrates that language-specific fine-tuning of IndoBERT can support academic integrity efforts in Indonesia, offering a practical and reproducible detection pipeline that can be adapted and further validated to identify ChatGPT-generated text in educational settings.
Co-Authors Achmad Nur Faiz Bagus Setiawan Fajar Irham Hakim Khothibul Umam Laili Zanura Damayanti Maya Rini Handayani Nikmal Maulana Sarah Wijayanti Siti Nuraini