Article Per Year (5 Year)
p-Index From 2021 - 2026
3.389
P-Index
This Author published in this journals
All Journal IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Jurnal Simetris Jurnal technoscientia Sinkron : Jurnal dan Penelitian Teknik Informatika JIKO (Jurnal Informatika dan Komputer) JURNAL MEDIA INFORMATIKA BUDIDARMA Jurnal Review Pendidikan dan Pengajaran (JRPP) Jurnal Informatika dan Rekayasa Perangkat Lunak JURNAL TEKNOLOGI TECHNOSCIENTIA Jurnal Pendidikan dan Teknologi Indonesia COMSERVA: Jurnal Penelitian dan Pengabdian Masyarakat Journal of Intelligent Software Systems Eduvest - Journal of Universal Studies Journal Of Artificial Intelligence And Software Engineering
Andriyani, Widyastuti
Universitas Teknologi Digital Indonesia, Yogyakarta
Aerospace Engineering Humanities Chemical Engineering, Chemistry & Bioengineering Computer Science & IT Control & Systems Engineering Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Health Professions Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Materials Science & Nanotechnology Mechanical Engineering Neuroscience Social Sciences Other

Published : 27 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 27 Documents
Search

 1   2   3 
DIABETES PREDICTION USING MACHINE LEARNING Pereira, Elisabet da Conceicao; Andriyani, Widyastuti
JURNAL INFORMATIKA DAN KOMPUTER Vol 9, No 3 (2025): Oktober 2025
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26798/jiko.v9i3.2104

Abstract

Diabetes mellitus merupakan salah satu penyakit metabolik kronis yang prevalensinya terus meningkat secara global. Penyakit ini ditandai oleh tingginya kadar glukosa darah yang dapat menyebabkan. Penelitian ini bertujuan untuk membangun model prediksi diabetes dengan menggunakan algoritma Random Forest berdasarkan data klinis lokal. Metodologi yang digunakan mencakup tahapan pra-pemrosesan data, pelatihan model, dan evaluasi performa menggunakan metrik akurasi, presisi, recall, dan F1-score. Dataset yang digunakan terdiri dari berbagai fitur klinis seperti usia, kadar glukosa, tekanan darah, indeks massa tubuh (BMI), serta riwayat diabetes keluarga. Setelah melalui proses pembersihan data dan normalisasi, model dilatih menggunakan 80% data dan diuji dengan 20% sisanya. Hasil pengujian menunjukkan bahwa algoritma Random Forest memberikan performa yang sangat baik, dengan akurasi mencapai 87%, presisi 84%, recall 82%, dan F1-score sebesar 83%. Hasil ini menunjukkan bahwa algoritma ini mampu memprediksi risiko diabetes dengan ketepatan yang tinggi. Model prediktif ini diharapkan dapat diimplementasikan sebagai sistem pendukung keputusan medis yang membantu tenaga kesehatan dalam melakukan skrining awal terhadap pasien.
Rule Based System to Support Decisions on Determining Employee Status (Lecturers) for Scholarship Student Graduates Sipayung, Hotma Sadariahta; Andriyani, Widyastuti; Purnomosidi Dwi Putranto, Bambang; Kriestanto, Danny
Journal of Intelligent Software Systems Vol 3, No 1 (2024): July 2024
Publisher : LPPM UTDI (d.h STMIK AKAKOM) Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26798/jiss.v3i1.1337

Abstract

Salah satu permasalahan yang terjadi di Universitas Teknologi Digital Indonesia (UTDI) adalah proses seleksi yayasan Dosen Tetap yang disebut-sebut baru untuk diterapkan kepada mahasiswa penerima calon beasiswa S2 di Magister Teknologi Informasi (MTI). UTDI Yogyakarta. Kriteria yang digunakan dalam aturan tersebut adalah Indeks Prestasi (IP) Semester 1, IP Semester 2, IP Semester 3, Indeks Prestasi Kumulatif (IPK), Makalah (karya ilmiah), Kerjasama, Disiplin, Komunikasi, Pra Tesis, Tesis, Nilai C. , dan Durasi Studi yang diperoleh dari MTI UTDI, selanjutnya akan menggunakan Algoritma C4.5 untuk menghasilkan pohon keputusan yang akan dipelajari aturan dalam sistem. Penelitian ini menggunakan kaidah yang diperoleh dari MTI UTDI oleh Ketua Program Studi (Kaprodi) yaitu 41 data latih dan 8 data uji. Menggunakan forward chaining sebagai metode dalam sistem pakar yang mencari solusi melalui permasalahan, kemudian menggunakan Algoritma C4.5 yang merupakan algoritma yang digunakan untuk membentuk pohon keputusan. Aturan yang terbentuk kemudian digunakan untuk memprediksi kelayakan lulusan beasiswa Magister menjadi Dosen Tetap, Dosen Kontrak, atau tidak memenuhi persyaratan. Hasil prediksi tersebut kemudian dievaluasi menggunakan Confusion Matrix dan memperoleh nilai akurasi sebesar 75%, Precision sebesar 77,78%, dan Recall sebesar 77,78%. Sehingga Algoritma C4.5 dengan menggunakan aplikasi RapidMiner cukup layak digunakan untuk mendukung pengambilan keputusan dalam pemilihan mahasiswa penerima beasiswa Magister yang akan diangkat menjadi Dosen Tetap, Dosen Kontrak maupun yang tidak memenuhi syarat sebagai Dosen di UTDI. Fakultas Teknologi Informasi
Dynamic Bitrate Adjustment in Web-based Video Streaming Applications Using HTTP Live Streaming (HLS) Roh Bintang Jaya, Mabrur; Andriyani, Widyastuti; Kristomo, Domy; Agung Nugroho, Muhammad
Journal of Intelligent Software Systems Vol 3, No 1 (2024): July 2024
Publisher : LPPM UTDI (d.h STMIK AKAKOM) Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26798/jiss.v3i1.1344

Abstract

This research aims to implement Adaptive Bit Rate (ABR) in the web-based video streaming application JBTV using HTTP Live Streaming (HLS). ABR is a technique that enables automatic adjustment of video bitrate according to user network conditions, while HLS is a streaming protocol that supports adaptive streaming based on HTTP. The research methodology encompasses requirements analysis, system design, implementation, and evaluation. During the requirements analysis phase, the identification of JBTV application requirements and the features needed to implement ABR with HLS were conducted. System design involves the selection of suitable ABR algorithms and the architecture design of the JBTV application that supports HLS. Implementation is carried out by developing the JBTV application capable of generating variant streams with various bitrates and performing adaptive playback according to network conditions
Deep Learning Architecture for Stock Price Prediction andi, tri; Andriyani, Widyastuti; Purnomosidi D.P, Bambang
Journal of Intelligent Software Systems Vol 3, No 1 (2024): July 2024
Publisher : LPPM UTDI (d.h STMIK AKAKOM) Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26798/jiss.v3i1.1343

Abstract

Dalam dunia investasi saham, kemampuan memprediksi pergerakan harga saham secara akurat sangatlah penting. Dua permasalahan utama yang menjadi fokus penelitian ini adalah, bagaimana pemodelan N-BEATS dibandingkan LSTM dan ARIMA pada harga saham Bank BCA, dan bagaimana hasil peramalan model N-BEATS, LSTM, dan ARIMA pada harga saham Bank BCA. Data saham Bank BCA. Untuk menjawab hal tersebut, penelitian ini membahas tentang pengembangan dan evaluasi model peramalan time series N-BEATS. Namun hasil analisis menunjukkan bahwa model ARIMA menunjukkan kinerja yang unggul, dengan pencapaian MAPE sebesar 0,001% pada data menit, 0,006% pada data jam, dan 0,018% pada data hari. Keunggulan ini signifikan dibandingkan model N-BEATS dan LSTM. Oleh karena itu, model ARIMA menunjukkan potensi besar untuk digunakan dalam peramalan deret waktu keuangan, penilaian risiko, dan pemodelan oleh analis keuangan.
Pengujian Perangkat Lunak E-Commerce : Perbandingan Antara Pengujian Manual dan Otomatis dengan Katalon Studio dan Python Duen Rakly, Brian; Andriyani, Widyastuti
COMSERVA : Jurnal Penelitian dan Pengabdian Masyarakat Vol. 4 No. 8 (2024): COMSERVA : Jurnal Penelitian dan Pengabdian Masyarakat
Publisher : Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59141/comserva.v4i8.2737

Abstract

Pengujian perangkat lunak merupakan elemen krusial dalam siklus pengembangan perangkat lunak untuk memastikan kualitas, keandalan, dan keamanan sistem. Pengujian manual melibatkan keterlibatan manusia secara langsung untuk mengevaluasi perangkat lunak berdasarkan skenario tertentu, sedangkan pengujian otomatis memanfaatkan perangkat lunak untuk menjalankan pengujian secara otomatis sesuai skenario yang telah ditentukan. Penelitian ini bertujuan membandingkan dua metode pengujian perangkat lunak, yaitu pengujian manual dan pengujian otomatis dengan menggunakan alat seperti Katalon Studio dan Python. Pengujian manual lebih efektif dalam kasus pengujian yang memerlukan penilaian manusia dan fleksibilitas terhadap perubahan kondisi yang tidak terduga, seperti evaluasi pengalaman pengguna (UX). Di sisi lain, pengujian otomatis lebih efisien untuk pengujian rutin dan berulang, sehingga mengurangi potensi kesalahan manusia dan mempercepat siklus pengujian. Studi ini mengevaluasi efektivitas, efisiensi, serta biaya yang terkait dengan kedua metode tersebut dalam konteks pengujian perangkat lunak e-commerce. Dengan memanfaatkan alat-alat seperti Katalon Studio dan bahasa pemrograman Python, penelitian ini menganalisis keunggulan dan keterbatasan dari setiap pendekatan, serta memberikan wawasan mengenai situasi di mana pengujian manual atau otomatis lebih tepat digunakan. Hasil dari penelitian ini diharapkan dapat memberikan panduan bagi pengembang perangkat lunak dalam memilih metode pengujian yang sesuai berdasarkan kebutuhan spesifik proyek pengembangan perangkat lunak mereka
PENERAPAN PRINSIP HUKUM INTERNASIONAL DALAM PENEGAKAN HUKUM TERHADAP KEJAHATAN SIBER DAN SERANGAN SIBER Pangestika , Elza Qorina; Suningrat, Nining; Herwantono, Herwantono; Andriyani, Widyastuti; Rahardian, Rifky Lana
Jurnal Review Pendidikan dan Pengajaran Vol. 7 No. 2 (2024): Volume 7 No. 2 Tahun 2024
Publisher : LPPM Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/jrpp.v7i2.28359

Abstract

Penelitian ini bertujuan untuk menganalisis penerapan prinsip hukum internasional dalam penegakan hukum terhadap kejahatan siber dan serangan siber. Kejahatan siber dan serangan siber merupakan ancaman serius yang terus berkembang seiring dengan kemajuan teknologi informasi. Dengan menggunakan metode studi literatur, penelitian ini mengkaji berbagai sumber, termasuk jurnal akademik, buku, dokumen kebijakan, dan laporan organisasi internasional, untuk memahami bagaimana prinsip-prinsip hukum internasional seperti kedaulatan, non-intervensi, dan kerja sama internasional diterapkan dalam konteks ini. Hasil penelitian menunjukkan bahwa Konvensi Budapest tentang Kejahatan Siber memainkan peran penting dalam membentuk kerangka hukum internasional untuk penanganan kejahatan siber. Namun, terdapat berbagai tantangan dalam implementasinya, termasuk kesenjangan kapasitas antara negara maju dan berkembang, perbedaan regulasi, dan kepentingan nasional yang beragam. Penelitian ini juga menemukan bahwa kerja sama internasional yang lebih erat dan harmonisasi hukum dapat meningkatkan efektivitas penegakan hukum siber. Sebagai saran, penelitian ini merekomendasikan peningkatan kerja sama internasional melalui perjanjian bilateral dan multilateral, pengembangan kapasitas teknologi di negara berkembang, dan partisipasi aktif sektor swasta. Upaya-upaya ini diharapkan dapat memperkuat respons global terhadap ancaman siber dan memastikan keamanan siber yang lebih baik.
Perbandingan Apache Airflow dan Apache Spark dalam Proses ETL untuk Memprediksi DropOut dan Keberhasilan Akademik Mahasiswa Laksono, Triyan Agung; Andriyani, Widyastuti
Jurnal Informatika dan Rekayasa Perangkat Lunak Vol. 7 No. 2 (2025): September
Publisher : Universitas Wahid Hasyim

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

Abstract

Dropout prediction in higher education is important because it impacts the academic success of students and the overall effectiveness of educational institutions. This research aims to build an automated ETL pipeline using Apache Airflow and Apache Spark to process academic data and predict student graduation status. The dataset used consists of 4,424 samples with 36 features covering demographic, academic, and socio-economic attributes. The data is processed through the stages of extraction, transformation (including SMOTE normalization), with loading into the Random Forest model. The evaluation results showed an accuracy of 62.93% and the highest ROC-AUC value of 0.81 for the dropout class. The Airflow pipeline excels in task scheduling efficiency, while Spark is effective for large-scale data processing. This approach shows practical potential in supporting early warning systems for academic policy decision-making. This research contributes to the intergation of big data and machine learning technologies for efficient and automated higher education data processing.
Co-Authors Agung Nugroho, Muhammad Akhmad Dahlan Asyahri Hadi Nasyuha B.T. Sutrisno Bagas Triaji Bambang Purnomosidi Dwi Putranto Bradika Almandin Wisesa Cucut Hariz Pratomo Danny Kriestanto, Danny Domy Kristomo, Domy Duen Rakly, Brian Femi Dwi Astuti Femi Dwi Astuti Hamdani Hamdani Hendra Hengki Hengki Heri Muhrial Herwantono, Herwantono Kuindra Iriyanta Laksono, Triyan Agung Miftahul Huda Nugroho, Muhammad Agung P.D.P., Bambang Pangestika , Elza Qorina Pereira, Elisabet da Conceição Pujianto Pujianto Purnomosidi D.P, Bambang Purnomosidi Dwi Putranto, Bambang Putra, Fadhlih Girindra Rakly, Brian Duen Rifky Lana Rahardian Rikie Kartadie Roh Bintang Jaya, Mabrur Ruas da silva, Ivonia Fatima Said, Famidin Saputra, Andika Jodhi Saryanto Saryanto Sipayung, Hotma Sadariahta Suningrat, Nining Suryanto Suryanto Taufik Ismail Totok Suprawoto Tri Andi, Tri Wiwi Widayani, Wiwi Yohanni Syahra Yuli Astuti