Article Per Year (5 Year)
p-Index From 2021 - 2026
0.983
P-Index
This Author published in this journals
All Journal Infotech Journal Jurnal Inspiration CogITo Smart Journal Jurnal Mantik Penusa Jurnal Mantik Journal of Innovative and Creativity
Dina Maulina
Universitas AMIKOM Yogyakarta
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Languange, Linguistic, Communication & Media Mathematics Social Sciences Other

Published : 9 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 9 Documents
Search

 1 
Pencegahan Timbulnya Dork Pada Search Engine Google Dengan Plugin Ibrahim Risyad; Dina Maulina
Jurnal Mantik Penusa Vol. 13 No. 1 (2013): Jurnal Mantik Penusa
Publisher : Lembaga Penelitian dan Pengabdian (LPPM) STMIK Pelita Nusantara Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (333.915 KB)

Abstract

In a google search engine there is a feature called google dork query or often called a dork. This feature is used for advanced searches using search operators provided by google to find information that should not be visible on the website but indexed and can be seen on google search engine.This feature is often used to find security holes by hackers so the hackers can easily read on a website file structure for later exploitation. Therefore needs to be made a plugin or tool to prevent dork in a google search engine.How this plugin works is to add a html attribute such as meta tag which will tell the Google's robot crawlers to not crawling unwanted web pages appear on search engines. Keywords: Plugin, Search Engine, Dork, Security, Hacking
Klasifikasi Artikel Hoax Menggunakan Support Vector Machine Linear Dengan Pembobotan Term Frequency – Inverse Document Frequency Dina Maulina; Rofie Sagara
Jurnal Mantik Penusa Vol. 2 No. 1 (2018): Manajemen dan Informatika Komputer
Publisher : Lembaga Penelitian dan Pengabdian (LPPM) STMIK Pelita Nusantara Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (483.018 KB)

Abstract

In the world of text mining is familiar with the term classification, which can perform grouping of text that has been given weight. one of the most commonly used algorithms for classification of text weights is the Support Vector Machine (SVM) and for weighting text using Term Frequency-Inverse Document Frequency (TF-IDF).This research will use the algorithm to classify and weighting which will be implemented into android-based applications that will be used by users to classify articles on the internet. From the results of the test using 108 hoax articles and 132 articles not hoax, the accuracy level obtained by using the calculation of Cross Validation with 10Fold is 95.8333% with support vector that is owned by the model is 14 support vectors. Keyword: SVM, TF-IDF, Classification, Text Mining.
PENERAPAN METODE PROFILE MATCHING PADA PEMILIHAN DOSEN PENERIMA BEASISWA STUDI DOKTORAL Dina Maulina
Jurnal Mantik Penusa Vol. 2 No. 2 (2018): Computer Science
Publisher : Lembaga Penelitian dan Pengabdian (LPPM) STMIK Pelita Nusantara Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (305.714 KB)

Abstract

Doctoral study programs or S3 courses are demands and requirements for lecturers. Due to the demands of the profession to be more qualified to carry out the tasks of tridharma education, namely teaching, research and community service. In addition, the need for campus accreditation is also to keep it good and getting better. With this motivation, the lecturers try to continue the S3 study program with a scholarship program both government and internal campus. AMIKOM University collaborates with S3 scholarships with UTeM (Universiti Teknikal Malaysia Melaka) and UMP (Universiti Malaysia Pahang). Lecturers who get the scholarship are also selected according to the criteria determined by the YIKYAKARTA AMIKOM University. The party that chooses the lecturer is in the PSDM section. In the election it was still done manually by matching or selecting criteria determined by the campus by fulfilling the criteria possessed by the lecturers who proposed the scholarship program. The method that will be used to select this is the Profile Matching or GAP method, which is one method of solving problems that provide ranking to the alternatives chosen based on predetermined criteria. 
KOMBINASI METODE HUNGARIAN DAN PERMUTASI UNTUK PENDUKUNG KEPUTUSAN PENUGASANDEPARTEMEN DAN KOORDINATOR DIVISI: KOMBINASI METODE HUNGARIAN DAN PERMUTASI UNTUK PENDUKUNG KEPUTUSAN PENUGASANDEPARTEMEN DAN KOORDINATOR DIVISI Dina Maulina; Muhamad Rahmat Jatnika
Jurnal Mantik Vol. 3 No. 1 (2019): May: Manajemen dan Informatika
Publisher : Institute of Computer Science (IOCS)

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1047.848 KB)

Abstract

In overcoming the problem of division of labor, commercial applications so far can only provide one solution and cannot handle the assessment process which has several criteria in it, for example Microsoft Excel and WinQSB. The limitations of commercial applications have been overcome in previous studies, but still have two disadvantages, namely the number of assignments and duty bearers must be the same and have not involved sub-criteria of assessment. By overcoming these two shortcomings, assignment cases that can be handled are more in line with the reality that often occurs. The method used to overcome the assignment problem in the application is the Hungarian method and permutation. The study was carried out using the waterfall method of the System Development Life Cycle (SDLC) model. With the creation of this new assignment application, the solution given to decision makers can amount to more than one choice if possible, with the number of tasks that can differ from the number of duty bearers. In addition, the assignment application can also produce a comprehensive task sharing solution because it is able to handle task assessments that have criteria and subcriteria within them.
Studi Komprehensif Algoritma Naive Bayes Classifier Dengan Support Vector Machine Pada Sentiment Analysis Opini Pembangunan Infrastruktur di Media Sosial Twitter Dina Maulina
Inspiration: Jurnal Teknologi Informasi dan Komunikasi Vol 12, No 1 (2022): Jurnal Inspiration Volume 12 Issue 1
Publisher : STMIK AKBA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35585/inspir.v12i1.2640

Abstract

Pada saat ini media sosial sebagai tempat untuk beropini bisa di pandang juga sebagai tempat penyimpanan data yang memiliki pola tertentu. Sentimen analisis akan menggunakan model teertentu untuk menghasilkan informasi yang lebih terproses agar data yang di sajikan bisa mensimpulkan pola yang berkembang di masyarakat. Penelitian ini akan menyimpulkan perbandingan hasil akurasi dari NBC dan SVM serta melihat pola opini yang berkembang di masyarakat terhadap pembangunan infrastruktur yang di jalankan oleh pemerintah indonesia. Tujuan dari penelitian ini adalah menganalisa perbandingan model pembelajaran dari dua algoritma yaitu Support Vector Machine (SVM) dan Naïve Bayes Classifier (NBC) yang di implementasikan kepada objek sentimen masyarakat Indonesia di media sosial Twitter. Selama ini telah di ketahui bahwa kebanyakan sentimen analisis yang telah di lakukan hanya menggunakan model pembelajaran tertentu. Diperlukan pembanding terhadap model lain guna menemukan nilai akurasi terbaik dari setiap model yang di pilih. Berdasarkan hasil pengujian didapatkan akurasi dari Naïve Bayes Classifier dan Support Vector Machine untuk klasifikasi sentiment analysis di dapat melalui proses pembelajaran terhadap model yang di buat dan menghasilkan nilai akurasi sebesar 85.6 % untuk NBC dan 86,21 % untuk SVM.
Penerapan Algoritma K-Means Untuk Pemetaan Biodiversity Kayu Bulat Di Indonesia Sugi Harsono; Tutut Dwi Prihatin; Anwar Sadad; Kusrini Kusrini; Dina Maulina
CogITo Smart Journal Vol. 9 No. 1 (2023): Cogito Smart Journal
Publisher : Fakultas Ilmu Komputer, Universitas Klabat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31154/cogito.v9i1.402.1-14

Abstract

Indonesia merupakan salah satu negara didunia yang memiliki kawasan hutan luas yang tersebar di pulau sumatera, jawa, kalimantan, sulawesi, bali, nusa tenggara, maluku dan papua. Hutan memiliki fungsi sebagai penghasil oksigen dan habitat terbesar keanekaragaman hayati di Dunia. Kebakaran hutan terjadi hampir di seluruh wilayah Indonesia dan merupakan permasalahan yang terus berulang, dan intensitas akan mulai meningkat pada musim kemarau. kebakaran hutan akan menimbulkan banyak sekali kerugian baik dari segi kesehatan yang akan mengancam keselamatan jiwa maupun material, mempengaruhi kualitas udara, lahan, air, kerusakan fasilitas dan tempat hidup flora dan fauna yang ada, berkurangnya produksi oksigen hingga musnahnya keanekaragaman hayati. Untuk dapat memperkecil kemungkinan terjadinya kebakaran hutan yang terus meningkat diperlukan analisis pemetaan titik penyebaran api, penyebab kebakaran,  dan keanekaragaman hayati hutan. Penelitian ini menggunakan etode pengumpulan data primer dataset persebaran titik kebakaran hutan, data statistik kehutanan, kemudian dilanjutkan dengan pengolahan data Algoritma K-Mean dan visualisasi pengolahan data menggunakan bahasa pemrograman Python dan mapping menggunakan GeoPandas. Hasil yang didapatkan adalah jenis produksi hutan tertinggi terdapat di Pulau Sumatera dengan jenis Kayu Akasia sebesar 28,573,433.84 m3, kemudian Pulau Jawa jenis Kayu Sengon sebesar 5,431,029.46 m3 dan Pulau Kalimantan jenis Kayu Rimba Campuran. Sedangkan luas area kebakaran terluas pada kawasan hutan terdapat di Pulau Kalimantan sebesar 243,013.5 hektar dari jumlah area hutan Kalimantan 53,054,900 hektar atau sebesar 0.458 %. Kmeans 5 klaster antara Pulau Sumatera dan Pulau Jawa adalah Klaster 1 terdapat 82 jenis Kayu, Klaster kedua Kayu Akasia, Klaster ketiga Kayu Ekaliptus, Klaster keempat Kayu Sengon dan Klaster kelima adalah Kayu Rimba Campuran, Mahoni dan Jati.
PREDIKSI JUMLAH KEJADIAN TITIK PANAS PADA LAHAN GAMBUT DI INDONESIA MENGGUNAKAN PROPHET Hafidz Sanjaya; Angga Kurniawan; Ibnu Ickwantoro; Abdul Ra'uf Alfansani; Kusrini; Dina Maulina
INFOTECH journal Vol. 9 No. 2 (2023)
Publisher : Universitas Majalengka

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31949/infotech.v9i2.6073

Abstract

Indonesia merupakan salah satu negara dengan kawasan gambut terluas di dunia yang menyumbang setidaknya 47% dari luas gambut tropis dunia dan menjadi pemilik lahan gambut terbesar di Asia Tenggara. Lahan gambut di Indonesia diperkirakan memiliki luas 20,6 juta atau 10,8% dari luas daratan Indonesia dan banyak memberikan manfaat. Kebakaran lahan gambut menyebabkan deforestasi dan degradasi. Upaya pencegahan yang bisa dilakukan adalah memprediksi jumlah kejadian titik panas yang muncul pada lahan gambut di Indonesia. Data yang digunakan untuk prediksi adalah berupa data deret waktu kemunculan titik panas mulai dari tahun 2019 sampai dengan 2022 pada satelit Terra dan Aqua yang dimiliki NASA pada instrumen MODIS. Data yang diperoleh diproses menjadi jumlah kejadian titik panas per tanggal kejadian yang tercatat untuk selanjutnya dianalisa menggunakan model Prophet. Hasil pengujian menunjukkan bahwa model Prophet mampu melakukan prediksi jumlah kejadian titik panas dengan membaca tren, pola tahunan dan mingguan memberikan nilai RMSE sebesar 28.327.
A Klasterisasi Kualitas Pendidikan Dasar Berdasarkan Elemen Ekosistem Pendidikan Menggunakan K-Means DBI di Kabupaten Magelang ninik tri hartanti; Dina Maulina; Erni Seniwati
Journal of Innovative and Creativity Vol. 5 No. 2 (2025)
Publisher : Fakultas Ilmu Pendidikan Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/joecy.v5i2.1306

Abstract

Salah satu pilar dasar sistem pendidikan di Indonesia adalah pendidikan dasar yang dirancang untuk membentuk kualitas sumber daya manusia di masa depan. Kategori pendidikan dasar di Indonesia meliputi jenjang Sekolah Dasar (SD) dan yang setara, serta Sekolah Menengah Pertama (SMP) dan jenjang yang setara. Kabupaten Magelang merupakan wilayah di Jawa Tengah yang memiliki perbedaan dalam ekosistem pendidikan dapat menunjukkan adanya kesenjangan dalam penyelenggaraan pendidikan dasar. Penelitian ini bertujuan untuk memetakan kondisi atau kualitas pendidikan dasar di Kabupaten Magelang berdasarkan elemen ekosistem pendidikan yaitu sekolah, guru, dan murid. Metodologi yang digunakan terdiri dari algoritma K-Means, pendekatan Elbow, dan pengukuran menggunakan Davies-Bouldin Index (DBI). Klasterisasi dilakukan dengan algoritma K-Means, jumlah klaster terbaik ditentukan melalui metode Elbow, dan keakuratan klaster divalidasi menggunakan Davies-Bouldin Index (DBI). Data yang digunakan merupakan data publik yang dapat diakses melalui https://jateng.bps.go.id/id. Hasil penelitian memperlihatkan bahwa beberapa sekolah tingkat pendidikan dasar di Kabupaten Magelang dapat digolongkan ke dalam 3 klaster untuk setiap sekolah, yang terbagi ke dalam klaster tingkat tinggi, menengah, dan rendah. Pada klaster tinggi, sedang dan rendah untuk SD terdapat 3 kacamatan, 12 kecamatan dan 6 kecamatan. Sedangkan untuk MI terdapat 4 kecamatan, 9 kecamatan, dan 8 kecamatan. Kategori tinggi, sedang dan rendah untuk SMP adalah 3 kacamatan, 11 kecamatan dan 7 kecamatan, dan klaster tinggi, sedang dan rendah untuk MTs adalah 3 kacamatan, 8 kecamatan dan 10 kecamatan.
Penerapan Teknik Clustering untuk Identifikasi Pola Perilaku Belajar Siswa Menggunakan Dataset Publik Learning Analytics Ninik Tri Hartanti; Dina Maulina; Erni Seniwati; Irma Rofni Wulandari
Journal of Innovative and Creativity Vol. 5 No. 3 (2025)
Publisher : Fakultas Ilmu Pendidikan Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/joecy.v5i3.5104

Abstract

Perkembangan teknologi informasi telah mendorong munculnya bidang Educational Data Mining (EDM) yang memanfaatkan data pendidikan untuk memahami perilaku belajar siswa. Memanfaatkan dataset publik Learning Analytic dalam penerapan Educational Data Mining, dikombinasikan dengan metode clustering akan dapat membantu dalam proses penentuan kelompok belajar siswa. Penelitian ini bertujuan untuk mengidentifikasi pola perilaku belajar siswa menggunakan teknik clustering berdasarkan dataset publik learning analytics. Metode yang digunakan adalah K-Means clustering dengan evaluasi Davies-Bouldin Index (DBI) untuk menentukan jumlah cluster optimal. Data yang digunakan berasal dari dataset publik Student Performance yang mencakup kegiatan atau waktu belajar, kehadiran, kegagalan belajar dan nilai siswa. Hasil clustering mengidentifikasi empat pola cluster yaitu kelompok risiko akademik tinggi, kelompok performa menengah, kelompok siswa berprestasi tinggi, dan kelompok absensi tinggi. Hasil evaluasi DBI menunjukkan nilai 0.0072 yang mengindikasikan kualitas cluster yang baik. Hasil penelitian diharapkan dapat menjadi dasar bagi pengembangan strategi pembelajaran yang lebih personalisasi dan efektif
Co-Authors Abdul Ra'uf Alfansani Angga Kurniawan Anwar Sadad Erni Seniwati Hafidz Sanjaya, Hafidz Ibnu Ickwantoro Ibrahim Risyad Irma Rofni Wulandari Kusrini Kusrini Kusrini Muhamad Rahmat Jatnika NINIK TRI HARTANTI Rofie Sagara Sugi Harsono Tutut Dwi Prihatin