Article Per Year (5 Year)
p-Index From 2021 - 2026
2.177
P-Index
This Author published in this journals
All Journal Panrita Abdi - Jurnal Pengabdian pada Masyarakat Jurnal Mantik Penusa IJISTECH (International Journal Of Information System & Technology) IJISTECH Information System Journal (INFOS) Jurnal Abdi Masyarakat Indonesia Batara Wisnu : Indonesian Journal of Community Services The Indonesian Journal of Computer Science Research Journal of Innovative and Creativity
Erni Seniwati
Universitas AMIKOM Yogyakarta
Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Languange, Linguistic, Communication & Media Mathematics Public Health Social Sciences Other

Published : 14 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 14 Documents
Search

 1   2 
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
Sistem Pendukung Keputusan Berbasis Website Pemilihan Supplier Bahan Kain Batik Dengan Metode Perbandingan Eksponential (Studi Kasus: Toko Batik Azriel) Evita Sekar Wulandari; Erni Seniwati; Yuli Astuti; Acihmah Sidauruk
The Indonesian Journal of Computer Science Research Vol. 3 No. 1 (2024): Januari
Publisher : Hemispheres Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59095/ijcsr.v3i1.78

Abstract

Pada perusahaan yang berada pada bidang bisnis, ada salah satu aspek yang penting yaitu supplier. Peran dari supplier dalam kegiatan bisnis sangat berpengaruh dalam operasional. Peran dari supplier ini dikatakan penting dalam kegiatan proses operasional karena berpengaruh kepada bisnis yang dapat berjalan dengan lancar. Terdapat satu lembaga usaha yang bernama Toko Batik Azriel yang bergerak pada bisnis penjualan batik. Pada Toko Batik Azriel memiliki permasalahan dalam pemilihan Supplier yang tepat untuk mendukung berjalan nya proses bisnis. Pada bidang teknologi yang menerapkan kemampuan komputer terdapat konsep penyelesaian masalah yaitu Sistem Pendukung Keputusan (SPK)/Decision Support System (DSS). Salah satu media bahasa pemrograman yang dapat digunakan untuk menerapkan konsep DSS adalah bahasa pemrograman PHP. Bahasa pemrograman PHP akan mengakomodir konsep DSS dengan berbasis website. Tujuan mengimplementasikan konsep DSS dan bahasa pemrograman PHP agar dapat digunakan oleh pihak Toko Batik Azriel untuk melakukan pengambilan keputusan terhadap supplier yang paling tepat. Sistem pendukung keputusan berbasis website yang dibuat pada penelitian ini menggunakan Metode Perbandingan Eksponential (MPE), metode ini akan diimplementasikan ke dalam sistem berbasis website dengan bahasa pemrograman PHP dan Relational Database Management System MySQL. Konsep dasar metode perbandingan eksponential (MPE) yang merupakan bagian dari Sistem Pendukung Keputusan (SPK) yang akan menentukan urutan prioritas alternatif keputusan dengan menggunakan beberapa kriteria. Hal yang sangat penting dalam penerapan Metode Perbandingan Eksponential (MPE) adalah penentuan derajat kepentingan atau bobot dari setiap kriteria yang ditetapkan, karena akan menentukkan nilai akhir dari setiap pilihan keputusan. Dengan dibuatnya sistem pendukung keputusan berbasis website dengan Metode Perbandingan Eksponential (MPE) ini diharapkan dapat mempermudah dalam melakukan proses pemilihan supplier sesuai dengan yang diinginkan.
Studi Kinerja Algoritma K-Nearest Neighbors (KNN) untuk Klasifikasi Pasien Diabetes Erni Seniwati; Edelweiss Rinjani Bawana; Peni Febrian Kristami; Arsellina Milka Martin; Ninik Tri Hartanti
The Indonesian Journal of Computer Science Research Vol. 4 No. 2 (2025): Juli
Publisher : Hemispheres Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59095/ijcsr.v4i2.219

Abstract

Penyakit diabetes merupakan salah satu penyakit kronis yang jumlah penderitanya terus meningkat setiap tahun termasuk di Indonesia. Deteksi dini dan klasifikasi yang akurat sangat penting untuk membantu proses diagnosis dan penanganan yang tepat sehingga meminimalkan resiko komplikasi. Penelitian ini bertujuan untuk membangun model klasifikasi pasien diabetes serta mengkaji kinerja algoritma K-Nearest Neighbor (KNN) dalam melakukan klasifikasi pasien diabetes berdasarkan data medis. Dataset yang digunakan dalam penelitian ini adalah Pima Indians Diabetes Dataset, yang berisi informasi kesehatan pasien seperti kehamilan (Pregnancies), tingkat glukosa (Glucose), tekanan darah (Blood Pressure), kadar insulin (Insulin), nilai BMI (BMI), usia (Age) dan status diagnosa pasien (Outcome). Proses penelitian mencakup 6 tahapan kegiatan yang dilakukan. Pada penelitian ini menghasilkan parameter nilai k=8 adalah nilai k optimal. Evaluasi performa model menggunakan confusion matrix yang menghasilkan akurasi yang menghasilkan 0.83 atau 83%, presisi (0.78), recall (0.61) dan F1-score (0.69). Model juga diimplementasikan secara interaktif menggunakan Jupyter Notebook serta penggunaan Streamlit sebagai userinterface sehingga memungkinkan pengguna dapat melakukan konsultasi dengan memasukkan data medis dan sekaligus mendapatkan hasil prediksi. Hasil pengujian menunjukkan bahwa algoritma KNN mampu memberikan performa yang cukup baik dalam mengklasifikasikan pasien yang terkena diabetes dan tidak terkena diabetes.
Co-Authors Achmad, Lukman Acihmah Sidauruk Adhisti Eka Putri Andi Sutra Kusumaningrum Arsellina Milka Martin Banu Santoso Barka Satya Bayu Setiaji Diana Koesuma Dina Maulina Dina Maulina Edelweiss Rinjani Bawana Elsafira Budi Dewantari Evita Sekar Wulandari Hery Iswanto Irma Rofni Wulandari Irma Rofni Wulandari La Ode Syafaat Hidayat M.Iqbal Abdullah Sukri Muhammad Iqbal Kusrachmansyah Muhammad Noor Arridho Nila Feby Puspitasari NINIK TRI HARTANTI Peni Febrian Kristami Rabiatul Adawiyah Shofi Putri Ekadewi Trisa Ayunanda Saputri Utama, Hastari Yuli Astuti Yuli Astuti Yuli Astuti