Article Per Year (5 Year)
p-Index From 2021 - 2026
3.254
P-Index
This Author published in this journals
All Journal Jurnal Komunikasi Explore: Jurnal Sistem Informasi dan Telematika (Telekomunikasi, Multimedia dan Informatika) Indonesian Journal of Information System INTECOMS: Journal of Information Technology and Computer Science IJISCS (International Journal Of Information System and Computer Science) JSAI (Journal Scientific and Applied Informatics) Jurnal Maternitas Kebidanan JASIEK (Jurnal Aplikasi Sains, Informasi, Elektronika dan Komputer) Tematik : Jurnal Teknologi Informasi Komunikasi Indian Journal of Forensic Medicine & Toxicology Excellent Midwifery Journal Jurnal Manajemen dan Ekonomi Kreatif Maeswara: Jurnal Riset Ilmu Manajemen dan Kewirausahaan Jurnal INFOTEL Jurnal Penelitian Ilmu Ekonomi dan Keuangan Syariah Jurnal Inovasi Manajemen, Kewirausahaan, Bisnis dan Digital Tarbiatuna: Journal of Islamic Education Studies Fatih: Journal of Contemporary Research IJISCS (International Journal of Information System and Computer Science) Jurnal Abdi Rakyat
Irma Handayani
Universitas Teknologi Yogyakarta
Religion Arts Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Economics, Econometrics & Finance Education Electrical & Electronics Engineering Health Professions Languange, Linguistic, Communication & Media Library & Information Science Mathematics Medicine & Pharmacology Nursing Public Health Social Sciences Other

Published : 26 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search
Journal : intecoms journal of information technology and computer science

 1 
ANALISIS PERBANDINGAN RANDOM FOREST DAN SUPPORT VECTOR MACHINE (SVM) DALAM SISTEM REKOMENDASI JENIS TANAMAN Anis'syah Mahdarani; Irma Handayani
INTECOMS: Journal of Information Technology and Computer Science Vol. 8 No. 6 (2025): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/rt2wcx24

Abstract

Pemilihan jenis tanaman yang sesuai dengan kondisi lingkungan dan nutrisi tanah merupakan faktor penting dalam meningkatkan produktivitas pertanian. Penelitian ini bertujuan untuk menganalisis dan membandingkan performa dua algoritma Machine Learning, yaitu Random Forest dan Support Vector Machine (SVM), dalam sistem rekomendasi jenis tanaman berdasarkan faktor lingkungan dan nutrisi tanah. Dataset yang digunakan mencakup parameter seperti suhu, kelembapan, kecepatan angin, pH tanah, serta kandungan nitrogen, fosfor, dan kalium. Hasil evaluasi menunjukkan bahwa algoritma Random Forest memiliki akurasi tertinggi sebesar 89,03%, sedikit lebih baik dibandingkan SVM dengan akurasi 88,51%. Analisis feature importance menunjukkan bahwa Nitrogen (N), Kalium (K), dan Fosfor (P) merupakan faktor paling berpengaruh. Dengan demikian, algoritma Random Forest dinilai lebih optimal untuk diterapkan dalam sistem rekomendasi tanaman berdasarkan data lingkungan dan nutrisi tanah. Kata Kunci: Random Forest, SVM, Rekomendasi Tanaman, Machine Learning, Pertanian.
DETEKSI RISIKO DIABETES BERDASARKAN FAKTOR KESEHATAN MENGGUNAKAN LONG SHORT-TERM MEMORY (LSTM) DAN XGBOOST Siti Inayatul Mufidah; Irma Handayani
INTECOMS: Journal of Information Technology and Computer Science Vol. 8 No. 6 (2025): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/62qf2c40

Abstract

Diabetes melitus merupakan penyakit kronis yang menjadi masalah kesehatan global karena dapat menyebabkan komplikasi serius seperti gagal ginjal, penyakit jantung, dan kematian. Penelitian ini bertujuan untuk mengembangkan sistem deteksi risiko diabetes berbasis kombinasi Long Short-Term Memory (LSTM) dan Extreme Gradient Boosting (XGBoost). Dataset yang digunakan berasal dari Kaggle dengan sembilan fitur kesehatan utama. Proses penelitian meliputi preprocessing data menggunakan SMOTE, pelatihan model LSTM untuk ekstraksi fitur, serta klasifikasi menggunakan XGBoost. Hasil pengujian menunjukkan model hybrid LSTM-XGBoost memiliki akurasi sebesar 96,24% dan ROC-AUC 97,46%. Model ini juga berhasil diimplementasikan dalam sistem berbasis web menggunakan Flask yang memudahkan pengguna melakukan deteksi risiko diabetes secara cepat, efisien, dan interaktif. Kata Kunci: Diabetes, LSTM, XGBoost, Deep Learning, Deteksi
PERBANDINGAN SUPPORT VECTOR MACHINE DAN CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI PENYAKIT DAUN SINGKONG Amelia Gusviani; Irma Handayani
INTECOMS: Journal of Information Technology and Computer Science Vol. 8 No. 6 (2025): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/v7atvm18

Abstract

Tanaman singkong merupakan salah satu komoditas pertanian penting di Indonesia, namun produksinya sering menurun akibat serangan penyakit seperti CBB, CBSD, CGM, dan CMD. Penelitian ini bertujuan untuk membandingkan dua metode, yaitu Support Vector Machine (SVM) dan Convolutional Neural Network (CNN), dalam klasifikasi penyakit daun singkong berbasis citra digital. Citra daun diubah menjadi ukuran 128×128 piksel untuk menjaga keseimbangan antara detail visual dan efisiensi komputasi. SVM menggunakan ekstraksi fitur HOG, sedangkan CNN melakukan ekstraksi fitur secara otomatis melalui lapisan konvolusi. Hasil pengujian menunjukkan bahwa SVM memperoleh akurasi sebesar 88%, sedangkan CNN mencapai 84%. SVM menunjukkan kinerja yang lebih tinggi dan stabil pada seluruh metrik, sedangkan CNN mampu mempelajari pola visual secara otomatis meskipun hasilnya sedikit lebih rendah pada dataset ini. Dengan demikian, metode SVM dinilai lebih efektif untuk klasifikasi penyakit daun singkong. Kata Kunci: Penyakit Daun Singkong, CNN, EfficientNet-B0, Klasifikasi Citra, SVM
SISTEM RESERVASI LAPANGAN FUTSAL BERBASIS WEB DAN MOBILE DENGAN INTEGRASI FIREBASE Pramana Adyatma Fajriyanto; Irma Handayani
INTECOMS: Journal of Information Technology and Computer Science Vol. 8 No. 6 (2025): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/vczcp960

Abstract

Futsal menjadi cabang olahraga beregu yang populer di kalangan masyarakat, terutama generasi muda, yang kemudian meningkatkan permintaan terhadap fasilitas penyewaan lapangan. Smapta Futsal sebagai penyedia layanan tersebut masih menerapkan mekanisme pemesanan konvensional yang belum optimal dalam pengelolaan data dan distribusi informasi. Kajian ini memiliki tujuan untuk mengembangkan aplikasi reservasi lapangan futsal yang dapat diakses melalui platform web dan mobile dengan memanfaatkan integrasi Firebase serta menyediakan sistem pembayaran elektronik melalui payment gateway. Sistem ini mengelola berbagai data seperti profil pelanggan, ketersediaan lapangan, pemesanan, dan riwayat transaksi dalam satu database terpusat. Pengembangan aplikasi dilakukan dengan menggunakan bahasa pemrograman Dart yang memungkinkan implementasi multi-platform. Hasil penerapan sistem menunjukkan bahwa aplikasi ini berhasil mengoptimalkan proses pemesanan, meningkatkan efektivitas manajemen data, serta menyediakan akses informasi secara langsung dan real-time untuk pelanggan dan admin. Kata Kunci: Sistem Reservasi, Futsal, Web, Mobile, Database, Payment Gateway.
IMPLEMENTASI RANDOM FOREST UNTUK KLASIFIKASI KELAYAKAN KREDIT NASABAH DALAM PENGELOLAAN RISIKO KEUANGAN DI PT BPR BKK WONOGIRI Tariska Indah Rahmawati; Irma Handayani
INTECOMS: Journal of Information Technology and Computer Science Vol. 8 No. 6 (2025): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/fpfbxw26

Abstract

Tingginya tingkat Non-Performing Loan (NPL) menjadi tantangan besar bagi lembaga keuangan, termasuk PT. BPR BKK Wonogiri, karena dapat mengganggu stabilitas keuangan dan kepercayaan nasabah. Penelitian ini bertujuan untuk mengklasifikasikan kelayakan kredit nasabah menggunakan algoritma Random Forest sebagai metode utama. Data penelitian mencakup variabel-variabel penting seperti umur, pekerjaan, pendapatan, jumlah pinjaman, dan lama pinjaman. Proses penelitian meliputi tahap pra-pemrosesan data, pelatihan model, serta evaluasi performa menggunakan confusion matrix dan classification report. Hasil menunjukkan bahwa model Random Forest mampu mencapai tingkat akurasi sebesar 82%, dengan kemampuan yang baik dalam membedakan nasabah layak dan tidak layak kredit. Kesimpulannya, penerapan algoritma Random Forest dapat membantu pihak bank dalam pengambilan keputusan kredit yang lebih tepat dan mengurangi potensi risiko kredit bermasalah. Kata Kunci:Random Forest, Klasifikasi, Kelayakan Kredit, Risiko Keuangan, Non-Performing Loan
Co-Authors Ade Irma Sukmawati Amelia Gusviani Anis'syah Mahdarani Anna Dina Kalifia Deni Susyanti Deri Apriadi Dirhamsyah Dirhamsyah Dwi Helynarti Syurandhari Dzaki Padhlurrahman Fadiyah Hani Sabila Fanza Arga Pradana Farida Ardiani Fitriani Pramita Gurning Haidar Daulay Ikrima Alfi Ikrimach - Ikrimach Ikrimach Ilham Putra Pratama Ilham Syahputra Siregar Imanuel Rivaldo Leny Suarni Muchti Yuda Pratama Nasution, Muhammad Irwan Padli Pramana Adyatma Fajriyanto Rizky Imam Muda Rustam, Muh Zul Azhri Selfi Artika Siti Inayatul Mufidah Soraya Zairina Asmadi Sri Wahni suparman suparman Tariska Indah Rahmawati Ulya Nidaul Viona Miftahuljannah Wahyu Sri Utami Wahyudin Nur Nasution Waluyo, Anita Fira Wan Tasya Luthfiah Anwar Yursal Yursal Zaini Dahlan Zulfiana Herni