Article Per Year (5 Year)
p-Index From 2021 - 2026
5.826
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah Informatika Komputer Information System for Educators and Professionals : Journal of Information System KOPERTIP: Jurnal Ilmiah Manajemen Informatika dan Komputer Indonesian Journal of Applied Informatics Jurnal ICT : Information Communication & Technology Jurnal Informatika dan Rekayasa Perangkat Lunak Jurnal Accounting Information System (AIMS) INTERNAL (Information System Journal) Jurnal Riset Sistem Informasi dan Teknologi Informasi (JURSISTEKNI) Jurnal Informatika Terpadu International Journal of Social Science Journal of Artificial Intelligence and Engineering Applications (JAIEA) Jurnal Dimamu Jurnal Sistem Informasi dan Teknologi (SINTEK) AMMA : Jurnal Pengabdian Masyarakat Jurnal Accounting Information System (AIMS) INTERNAL (Information System Journal) Jurnal Kecerdasan Buatan dan Teknologi Informasi Sintek Kuwera
Nana Suarna
STMIK IKMI Cirebon
Agriculture, Biological Sciences & Forestry Humanities Automotive Engineering Chemistry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Health Professions Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Medicine & Pharmacology Nursing Public Health Social Sciences Other

Published : 51 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 51 Documents
Search

 2   3   4   5   6 
Analisa Penggunaan Metode Lexicon Based Dan Algoritma Naive Bayes Pada Sentimen Ulasan Aplikasi Duolingo Muhammad Abib Allesdio; Ade Irma Purnamasari; Irfan Ali; Nana Suarna; Agus Bahtiar
Jurnal Sistem Informasi dan Teknologi Vol 6 No 2 (2026): Jurnal Sistem Informasi dan Teknologi (SINTEK)
Publisher : LPPM STMIK KUWERA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56995/sintek.v6i2.261

Abstract

Peningkatan jumlah ulasan pengguna pada aplikasi mobile membuka peluang untuk memahami persepsi dan pengalaman pengguna melalui analisis sentimen. Penelitian ini bertujuan untuk menganalisis sentimen ulasan pengguna aplikasi Duolingo yang diambil dari Google Play Store menggunakan dua pendekatan, yaitu metode lexicon-based dan algoritma Naive Bayes berbasis Python. Metode lexicon-based digunakan untuk memberikan skor polaritas berdasarkan leksikon sentimen, sedangkan Naïve Bayes diterapkan sebagai model klasifikasi dengan dukungan fitur TF-IDF. Proses penelitian meliputi tahapan pengumpulan data, preprocessing teks (cleaning, case folding, tokenisasi, stopword removal, dan stemming), pembobotan sentimen, pelatihan model, serta evaluasi performa menggunakan accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa metode lexicon-based mampu memberikan gambaran umum polaritas ulasan, namun performanya sangat dipengaruhi oleh kelengkapan leksikon dan variasi bahasa informal pengguna. Sementara itu, algoritma Naive Bayes menunjukkan performa yang lebih stabil dan akurasi lebih tinggi dalam mengklasifikasikan sentimen dibandingkan pendekatan leksikon. Perbandingan kedua metode memperlihatkan bahwa Naive Bayes lebih efektif dalam menangani data teks pendek, tidak terstruktur, serta mengakomodasi variasi kata dan ejaan. Temuan penelitian ini memberikan pemahaman yang lebih dalam mengenai persepsi pengguna terhadap Duolingo serta menjadi referensi metodologis bagi penelitian sentiment analysis selanjutnya, khususnya yang melibatkan kombinasi metode leksikon dan klasifikasi probabilistik.
DATA-DRIVEN CONSUMER SEGMENTATION APPROACH FOR JEANS RETAIL SALES USING FUZZY C-MEANS CLUSTERING Nana Suarna; Nining Rahaningsih; Annisa Annastia Suarna
Jurnal Kecerdasan Buatan dan Teknologi Informasi Vol. 5 No. 2 (2026): May 2026
Publisher : Ninety Media Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69916/jkbti.v5i2.479

Abstract

The fashion retail industry generates large volumes of sales transaction data containing valuable information regarding consumer purchasing behavior and preferences. However, extracting meaningful insights from heterogeneous retail data remains challenging when using conventional analytical approaches. This study aims to analyze jeans sales transaction data and identify consumer purchasing patterns using the Fuzzy C-Means (FCM) clustering algorithm. The proposed approach adopts the Knowledge Discovery in Databases (KDD) framework, consisting of data selection, preprocessing, transformation, data mining, and evaluation stages to ensure systematic analysis. The dataset used in this study consists of 799 jeans sales transaction records collected in 2024 from Shakila Collection, involving four attributes: product name, payment method, price, and purchase quantity. To improve clustering effectiveness, only price and purchase quantity were selected as the primary variables due to their relevance in representing consumer purchasing behavior. Clustering performance was evaluated using the Davies-Bouldin Index (DBI) to determine the optimal number of clusters. Experimental results show that the best clustering configuration was achieved at , producing three consumer segments consisting of 175 items in Cluster 0, 590 items in Cluster 1, and 34 items in Cluster 2. The findings indicate that medium-priced products tend to have higher purchasing intensity and more flexible purchase quantities, whereas premium-priced products exhibit relatively lower demand. The novelty of this study lies in integrating Fuzzy C-Means clustering with consumer preference analysis to generate practical business insights for pricing strategies, inventory optimization, and targeted marketing, thereby supporting more effective data-driven decision-making in fashion retail businesses.
Analisa Penggunaan Metode Lexicon Based Dan Algoritma Naive Bayes Pada Sentimen Ulasan Aplikasi Duolingo Muhammad Abib Allesdio; Ade Irma Purnamasari; Irfan Ali; Nana Suarna; Agus Bahtiar
Jurnal Sistem Informasi dan Teknologi Vol 6 No 2 (2026): Jurnal Sistem Informasi dan Teknologi (SINTEK)
Publisher : LPPM STMIK KUWERA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56995/sintek.v6i2.261

Abstract

Peningkatan jumlah ulasan pengguna pada aplikasi mobile membuka peluang untuk memahami persepsi dan pengalaman pengguna melalui analisis sentimen. Penelitian ini bertujuan untuk menganalisis sentimen ulasan pengguna aplikasi Duolingo yang diambil dari Google Play Store menggunakan dua pendekatan, yaitu metode lexicon-based dan algoritma Naive Bayes berbasis Python. Metode lexicon-based digunakan untuk memberikan skor polaritas berdasarkan leksikon sentimen, sedangkan Naïve Bayes diterapkan sebagai model klasifikasi dengan dukungan fitur TF-IDF. Proses penelitian meliputi tahapan pengumpulan data, preprocessing teks (cleaning, case folding, tokenisasi, stopword removal, dan stemming), pembobotan sentimen, pelatihan model, serta evaluasi performa menggunakan accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa metode lexicon-based mampu memberikan gambaran umum polaritas ulasan, namun performanya sangat dipengaruhi oleh kelengkapan leksikon dan variasi bahasa informal pengguna. Sementara itu, algoritma Naive Bayes menunjukkan performa yang lebih stabil dan akurasi lebih tinggi dalam mengklasifikasikan sentimen dibandingkan pendekatan leksikon. Perbandingan kedua metode memperlihatkan bahwa Naive Bayes lebih efektif dalam menangani data teks pendek, tidak terstruktur, serta mengakomodasi variasi kata dan ejaan. Temuan penelitian ini memberikan pemahaman yang lebih dalam mengenai persepsi pengguna terhadap Duolingo serta menjadi referensi metodologis bagi penelitian sentiment analysis selanjutnya, khususnya yang melibatkan kombinasi metode leksikon dan klasifikasi probabilistik.
Clusterization of Family Planning Participants Based on Pregnancy Risk Using K-Means Algorithm in Ciherang Village Melva Regina Arpratika; Nana Suarna; Agus Bahtiar; Martanto; Odi Nurdiawan
Journal of Artificial Intelligence and Engineering Applications (JAIEA) Vol. 5 No. 3 (2026): June 2026
Publisher : Yayasan Kita Menulis

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59934/jaiea.v5i3.2248

Abstract

This study aims to group family planning (KB) participants in Ciherang Village based on pregnancy risk levels using the K-Means clustering algorithm. The identification of pregnancy risk is still performed manually, resulting in less effective analysis. Therefore, a data mining approach is applied to improve decision-making accuracy. The data used in this study were obtained from KB cadres, including variables such as age, number of children, education, occupation, and contraceptive methods. The research method follows the Knowledge Discovery in Database (KDD) stages: data selection, preprocessing, transformation, data mining, and evaluation. The K-Means algorithm is used for clustering, while the Davies–Bouldin Index (DBI) is applied to evaluate clustering quality. The results show that the optimal number of clusters is K = 2 with a DBI value of 0.721. The first cluster represents low pregnancy risk participants, while the second cluster represents high pregnancy risk participants. Age and number of children are identified as the most influential factors. This study provides useful insights for healthcare providers in developing targeted strategies for family planning programs. Keywords: Data Mining; Davies–Bouldin Index; K-Means Clustering; Pregnancy Risk; Family Planning
Model Machine Learning Untuk Prediksi Risiko Penyakit Liver Dengan Random Forest Teroptimasi Rizky Andrea Arifa; Nana Suarna; Agus Bahtiar; Nining Rahaningsih; Willy Prihartono
Jurnal Sistem Informasi dan Teknologi Vol 6 No 1 (2026): Jurnal Sistem Informasi dan Teknologi (SINTEK)
Publisher : LPPM STMIK KUWERA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56995/sintek.v6i1.204

Abstract

Penyakit liver merupakan salah satu kondisi kronis dengan tingkat mortalitas tinggi, sehingga diperlukan pendekatan prediksi yang akurat untuk mendukung deteksi dini. Penelitian ini bertujuan mengembangkan model machine learning untuk memprediksi risiko penyakit liver menggunakan algoritma Random Forest yang dioptimalkan dengan RandomizedSearchCV. Dataset yang digunakan terdiri dari 1.700 entri yang mencakup variabel klinis dan gaya hidup, termasuk usia, jenis kelamin, BMI, konsumsi alkohol, kebiasaan merokok, riwayat genetik, aktivitas fisik, diabetes, hipertensi, serta hasil Liver Function Test. Proses penelitian meliputi preprocessing, normalisasi skala, pembagian data menggunakan train-test split 80:20, pembangunan model baseline, dan optimasi hiperparameter. Hasil eksperimen menunjukkan bahwa optimasi menghasilkan peningkatan performa model, dengan akurasi 0.91, peningkatan recall sebesar 3.20%, dan AUC-ROC mencapai 0.96. Analisis feature importance menunjukkan bahwa LiverFunctionTest, BMI, dan AlcoholConsumption merupakan fitur paling berpengaruh terhadap prediksi risiko penyakit liver. Dengan demikian, Random Forest teroptimasi terbukti efektif dalam menghasilkan model prediksi yang akurat dan dapat digunakan sebagai alat pendukung keputusan dalam deteksi dini penyakit liver.
Analisis Dan Prediksi Risiko Kelahiran Bayi Menggunakan K-Means Dan Deep Neural Network (DNN) Mukhlisin Ilahudin; Nana Suarna; Agus Bahtiar; Mulyawan; Irfan Ali
Jurnal Sistem Informasi dan Teknologi Vol 6 No 1 (2026): Jurnal Sistem Informasi dan Teknologi (SINTEK)
Publisher : LPPM STMIK KUWERA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56995/sintek.v6i1.206

Abstract

Risiko kelahiran bayi merupakan indikator penting dalam evaluasi kesehatan ibu dan anak sehingga diperlukan pendekatan analitis yang mampu mengidentifikasi pola risiko secara akurat. Penelitian ini bertujuan menganalisis dan memprediksi risiko kelahiran bayi dengan mengintegrasikan metode K-Means dan Deep Neural Network (DNN). Dataset yang digunakan terdiri dari 983 data rekam medis ibu hamil yang telah melalui tahap pengumpulan data, pembersihan, dan preprocessing meliputi normalisasi, encoding variabel kategorikal, penanganan outlier, serta seleksi fitur. Metode K-Means digunakan untuk mengelompokkan data berdasarkan kemiripan karakteristik klinis guna membentuk representasi pola risiko awal, yang selanjutnya digunakan sebagai fitur tambahan pada model DNN. Model DNN dirancang menggunakan beberapa hidden layer dengan fungsi aktivasi ReLU dan regularisasi dropout. Hasil pengujian menunjukkan bahwa model menghasilkan akurasi sebesar 61,93% dan nilai ROC AUC sebesar 0,6402, yang mengindikasikan performa moderat dalam memprediksi risiko kelahiran bayi. Stabilitas kurva loss dan akurasi menunjukkan proses pelatihan yang berjalan dengan baik tanpa overfitting signifikan. Secara praktis, model ini berpotensi digunakan sebagai alat bantu awal bagi tenaga kesehatan dalam mengidentifikasi ibu hamil dengan risiko kelahiran lebih tinggi sehingga dapat dilakukan pemantauan dan intervensi lebih dini.
Penerapan Algoritma K-Means Clustering Untuk Mengelompokan Siswa SMK Al-Ma’rifah Berdasarkan Kehadiran Dila Nurhafidilah; Nana Suarna; Agus Bahtiar; Umi Hayati; Fatihanursari Dikananda
Jurnal Sistem Informasi dan Teknologi Vol 6 No 1 (2026): Jurnal Sistem Informasi dan Teknologi (SINTEK)
Publisher : LPPM STMIK KUWERA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56995/sintek.v6i1.212

Abstract

Penelitian ini bertujuan untuk mengelompokkan siswa SMK Al-Ma’rifah berdasarkan pola kehadiran menggunakan algoritma K-Means Clustering. Data yang dianalisis merupakan catatan kehadiran siswa tahun ajaran 2023/2024 yang meliputi jumlah hadir, izin, sakit, alfa, dan persentase kehadiran. Tahapan pra-pemrosesan data dilakukan melalui pembersihan dan normalisasi sebelum proses clustering. Penentuan jumlah klaster optimal menggunakan Elbow Method dan Silhouette Coefficient menunjukkan bahwa tiga klaster merupakan struktur terbaik. Hasil pengelompokan menghasilkan tiga kategori siswa, yaitu sangat disiplin, cukup disiplin, dan kurang disiplin. Evaluasi kualitas klaster menggunakan Silhouette Score dan Davies–Bouldin Index menunjukkan pemisahan klaster yang baik. Penelitian ini membuktikan bahwa K-Means Clustering efektif dalam mengidentifikasi pola kehadiran siswa dan  dapat mendukung pengambilan keputusan sekolah berbasis data dalam meningkatkan kedisiplinan siswa.
Application of the K-Means Algorithm in the Segmentation of 3kg Lpg Customers Ginaselvia Ananda; Nana Suarna; Agus Bahtiar; Arif Rinaldi Dikananda; Faturrohman
Journal of Artificial Intelligence and Engineering Applications (JAIEA) Vol. 5 No. 2 (2026): February 2026
Publisher : Yayasan Kita Menulis

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59934/jaiea.v5i2.1853

Abstract

This research was motivated by PT Sumber Perkasa Mandiri's need to understand the purchasing patterns of 3 kg LPG gas customers more accurately in order to improve the effectiveness of its marketing strategy. The purpose of this study was to apply the K-Means Clustering algorithm to form customer segmentation based on transaction behavior. The method used is a quantitative approach with sales data analysis of 850 records through the stages of data selection, preprocessing, attribute transformation, and modeling using RapidMiner Studio. Model evaluation was carried out using the Davies-Bouldin Index to determine the optimal number of clusters. The results of the study show the formation of two main clusters, namely the premium customer cluster with high purchase frequency and high loyalty, and the low-activity customer cluster that only makes purchases when necessary. The best DBI value at K=2 of 0.057 indicates excellent cluster separation quality. These findings conclude that K-Means Clustering is effective in identifying differences in consumption behavior, and its implications provide a strategic basis for companies to design loyalty programs for high-value customers and more intensive promotions for low-activity customers.
Comparison of Balancing Strategies for Classifying Guava Fruit Diseases Putri Nabilla; Nana Suarna; Agus Bahtiar; Nining Rahaningsih; Willy Prihartono
Journal of Artificial Intelligence and Engineering Applications (JAIEA) Vol. 5 No. 2 (2026): February 2026
Publisher : Yayasan Kita Menulis

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59934/jaiea.v5i2.1859

Abstract

The problem of class imbalance often poses an obstacle in deep learning-based image classification, especially in the domain of digital agriculture. The imbalance in data distribution makes it easier for models to recognize the majority class, while performance for the minority class declines. This study aims to analyze the effectiveness of three strategies for handling class imbalance: Weighted Loss Function, Oversampling, and a combination of Weighted Loss and Oversampling, in improving the performance of image classification of guava fruit diseases using a transfer learning-based MobileNetV2 architecture. The dataset consists of 3,784 images of three disease classes, namely Anthracnose, Fruit_Fly, and Healthy_guava, which show an imbalanced distribution. The research was conducted through the stages of Exploratory Data Analysis (EDA), pre-processing, augmentation, model training with four scenarios, and evaluation using Accuracy, Precision, Recall, F1-Score, and Macro Average F1-Score. The results showed that the Combination model (Oversampling and Weighted Loss) performed best on the minority class with an F1-score of 0.9630, the highest among all models. The Oversampling strategy produced the highest Macro F1-score of 0.9617, while Weighted Loss provided a significant improvement in classification sensitivity but was still below the combination model. Thus, it can be concluded that the combination strategy is the most effective approach in improving the sensitivity of the model to minority classes, while Oversampling excels in the overall performance stability of the model.
Pemanfaatan Microsoft Bing AI dalam Pembelajaran Perpajakan untuk Peningkatan Pemahaman Mahasiswa Nining Rahaningsih; Nana Suarna; Nisa Dienwati Nuris; Muhammad Abdullah Nahdi; Rano Rano
INFORMATION SYSTEM FOR EDUCATORS AND PROFESSIONALS : Journal of Information System Vol 9 No 2 (2024): INFORMATION SYSTEM FOR EDUCATORS AND PROFESSIONALS (Desember 2024)
Publisher : Lembaga Penelitian dan Pengabdian kepada Masyarakat Universitas Bina Insani

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51211/isbi.v9i2.3217

Abstract

Pembelajaran perpajakan merupakan salah satu komponen penting dalam pendidikan akuntansi. Namun, metode konvensional yang digunakan dalam pengajaran sering kali kurang efektif dalam memfasilitasi pemahaman mendalam bagi mahasiswa. Masalah ini diperburuk oleh kompleksitas materi perpajakan dan keterbatasan waktu yang tersedia untuk mengajarkan seluruh materi. Untuk mengatasi tantangan ini, penelitian ini mengusulkan implementasi Artificial Intelligence (AI) menggunakan Microsoft Bing AI dalam pengembangan pembelajaran perpajakan. Penelitian ini bertujuan untuk meningkatkan efektivitas dan efisiensi proses pembelajaran perpajakan dengan memanfaatkan teknologi AI. Tujuan khusus dari penelitian ini adalah untuk mengembangkan sistem pembelajaran yang adaptif dan interaktif, yang dapat membantu mahasiswa memahami konsep-konsep perpajakan dengan lebih baik dan lebih cepat. Metode penelitian yang digunakan adalah penelitian dan pengembangan (Research and Development). Tahapan penelitian meliputi analisis kebutuhan, perancangan sistem, pengembangan perangkat lunak, dan evaluasi sistem. Data dikumpulkan melalui survei dan wawancara dengan mahasiswa serta dosen perpajakan untuk mengidentifikasi kebutuhan dan tantangan dalam pembelajaran perpajakan. Sistem yang dikembangkan kemudian diuji coba pada mahasiswa untuk mengevaluasi efektivitasnya. Hasil penelitian menunjukkan bahwa implementasi Microsoft Bing AI dalam pembelajaran perpajakan dapat meningkatkan pemahaman mahasiswa terhadap materi perpajakan. Sistem pembelajaran yang dikembangkan mampu memberikan umpan balik secara real-time dan menyesuaikan tingkat kesulitan materi sesuai dengan kemampuan mahasiswa. Penggunaan teknologi AI, khususnya Microsoft Bing AI, memiliki potensi besar dalam meningkatkan kualitas pembelajaran perpajakan. Implementasi ini tidak hanya mempermudah proses pengajaran bagi dosen, tetapi juga meningkatkan motivasi dan pemahaman mahasiswa terhadap materi perpajakan.
Co-Authors Abdul Ajiz Abdul Rasyid Faiq Hadinata Achmad Baihaqi Achmad Fikri Ulumudin Achmad Luthfi Ade Awaludin Ade Irma Purnamasari Adinda Aulia Putri Ahmad Rifai Akhyanto Akhyanto Annisa Annastia Suarna Arif Rinaldi Dikananda Arye Fandia Kusuma Basysyar, Fadhil Muhammad Cep Lukman Rohmat Danya Rizki Chaerunisa Difa Aulia Farradila Dila Nurhafidilah Dion Nugraha Dita Amalia Rizki Dita Rizki Amalia Dodi Solahudin Dodi Solihudin Dwi Atmoko Elisa Sriyulia Ervina Mahara Euis Fadilah Fadhil Muhammad Basysyar Fadrin Helmi Farah Nur Farida Fathurrohman Fatihanursari Dikananda Faturrohman Febriyana Lorenza Ginaselvia Ananda Heliyanti Susana Herman Iin Irfan Ali Kuju Susilawati Lin Lin Martanto . Melisa Hikari Melva Regina Arpratika Moh Nurdayat Dayat Mohamad Ibnu Abas Muhammad Abdullah Nahdi Muhammad Abib Allesdio Muhammad Alfian Nur Rahmat Muhammad Zeya Sebastian Mukhlisin Ilahudin Mulyawan Mulyawan Mulyawan Nana Mulyanasari Nanda Septian Nining Rahaning Nining Rahaningsih Nining Rahaningsih Nisa Dieanwati Nuris Nisa Dienwati Nur Kholidin Nursyifa Puspa Ar-rahmi Slamet Nurul Ibnu Al Muharom Odi Nurdiawan Opiana . Putri Nabilla Raditya Danar Dana Ramadhan, Gildan Jaya Muhammad Rano Rano Rini Astuti Rini Astuti Rizky Andrea Arifa Ryan Hamonangan Saeful Anwar Sayudin Sayudin Shandy Alfian Sri Muflikah Kurniarti Sulaeman Syaeful Annas Umi Hayati Usup Supendi Willy Prihartono Yudhistira Arie Wijaya