Article Per Year (5 Year)
p-Index From 2020 - 2025
4.902
P-Index
This Author published in this journals
All Journal ITEj (Information Technology Engineering Journals) Jurnal Ilmiah KOMPUTASI Jurnal Mirai Management JOIV : International Journal on Informatics Visualization JITTER (Jurnal Ilmiah Teknologi Informasi Terapan) Jurnal Sisfokom (Sistem Informasi dan Komputer) JURTEKSI Jurnal Sistem Cerdas JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Jurnal Teknik Informatika (JUTIF) eProceedings of Engineering The Indonesian Journal of Computer Science International Journal of Computer Technology and Science
Oktariani Nurul Pratiwi
Telkom University
Automotive Engineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mathematics Mechanical Engineering

Published : 37 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 21 Documents
Search
Journal : eProceedings of Engineering

 1   2   3 
Perancangan Aplikasi Data Crawling Untuk Pencarian Buku Pada Toko Buku Online Talisman, Bryan Ronald; Darmawan, Irfan; Pratiwi, Oktariani Nurul
eProceedings of Engineering Vol. 11 No. 4 (2024): Agustus 2024
Publisher : eProceedings of Engineering

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

Abstract

Data crawling adalah sebuah engine yang memungkinkan pengumpulan data dari berbagai sumber di halaman website, seperti informasi penjualan buku pada toko buku online, termasuk harga dan ketersediaan stok. Tantangannya adalah variasi ketersediaan stok di setiap toko buku online, yang memerlukan upaya ekstra untuk mengecek satu per satu. Penelitian ini bertujuan untuk membuat sebuah website yang dapat melakukan pencarian buku online dengan informasi yang akurat dan lengkap tanpa biaya tambahan untuk penjual. Data dikumpulkan melalui teknik data crawling karena tidak ada akses langsung ke database toko buku online target. Metode pengembangan menggunakan Rapid Application Development (RAD), dengan perancangan menggunakan UML dan pemrograman Python, HTML, serta PHP, dan menggunakan database MySQL. Hasil penelitian ini adalah sebuah engine data crawling yang mengumpulkan data dari toko buku Grobmart dan Deepublishstore, serta aplikasi search engine untuk mencari harga buku termurah dan ketersediaan dari data yang telah dikumpulkan. Aplikasi ini memudahkan masyarakat dalam mencari buku, memperluas pasar bagi penjual, dan meningkatkan transaksi di Grobmart dan Deepublishstore. Kata kunci— data crawling, search engine, web crawling, rapid application development (RAD), unified modelling language (UML)
Perancangan User Interface dan User Experience Website Untuk Proses Ujian Di SMA Bina Negara 1 Baleendah Dengan Menggunakan Metode Design Thinking Cahyani, Pradita; Pratiwi, Oktariani Nurul; Anshari, Faishal Mufied Al
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

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

Abstract

Seiring kemajuan teknologi informasi, digitalisasi pendidikan menjadi strategi penting untuk meningkatkan efektivitas pembelajaran, termasuk dalam pelaksanaan ujian. SMA Bina Negara 1 Baleendah masih menghadapi kendala ujian paper-based yang dinilai tidak efisien. Meskipun telah menggunakan sistem seperti Google Forms, berbagai keterbatasan seperti pengelolaan data yang kurang optimal dan fitur yang tidak sesuai kebutuhan pengguna masih menjadi masalah. Berdasarkan temuan tersebut, dibutuhkan solusi digital yang mampu menghadirkan pengalaman pengguna yang lebih baik dan sesuai dengan konteks sekolah, yakni melalui pendekatan User Interface dan User Experience. Oleh karena itu, penelitian ini bertujuan untuk merancang User Interface dan User Experience website untuk ujian di SMA Bina Negara 1 Baleendah serta langkah-langkah dalam menguji usability-nya. Pendekatan Design Thinking digunakan sebagai metode perancangan website ujian. Langkah penelitian ini meliputi tiga tahapan utama: pendahuluan, tahap Design Thinking, dan tahap penutupan. Data dari guru dan siswa dianalisis menjadi artefak seperti Empathy Map, User Persona, hingga desain High Fidelity. Evaluasi dilakukan dengan Usability Testing dan System Usability Scale. Metode Design Thinking dipilih karena fleksibel, berfokus pada pengguna, dan mampu menghasilkan solusi kreatif serta relevan. Hasil penelitian menunjukkan bahwa website ujian berhasil dirancang sesuai dengan kebutuhan pengguna dan mampu menjadi solusi inovatif yang mendukung proses ujian secara lebih efektif dan efisien. Pengujian menggunakan System Usability Scale menghasilkan skor 74 untuk guru dan 77 untuk siswa, yang termasuk dalam grade C dengan Acceptable Rating Satisfactory. Hasil ini menunjukkan bahwa website cukup memuaskan dan memiliki tingkat usability yang baik, meskipun masih ada beberapa catatan perbaikan dari pengguna. Dengan demikian, tujuan perancangan website untuk mendukung proses ujian di SMA Bina Negara 1 Baleendah berhasil dicapai dengan cukup baik. Kata kunci— User Interface, User Experience, Design Thinking, Website Ujian, System Usability Scale, Pendidikan, SMA Bina Negara 1 Baleendah
Automatic Question Generator Menggunakan Metode Template-Based Mardika, Jody; Pratiwi, Oktariani Nurul; Hamami, Faqih
eProceedings of Engineering Vol. 10 No. 2 (2023): April 2023
Publisher : eProceedings of Engineering

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

Abstract

Abstrak— Pada penelitian ini akan membahas tentang pengembangan generator soal otomatis untuk materi biologi pada jenjang SMA. Dalam pengembangan generator soal, tentunya telah banyak sekali contoh situs generator soal yang dapat ditemui di internet, akan tetapi hampir keseluruhan generator soal yang dapat ditemui di internet, mengharuskan pengguna untuk menggunakan bahasa inggris dan situs hanya bisa menghasilkan pertanyaan berupa pertanyaan singkat atau factoid, sehingga penelitian ini bertujuan untuk melakukan pengembangan generator soal berbahasa Indonesia dengan tipe pertanyaan non-factoid menggunakan pendekatan template-based. Selain menggunakan pendekatan Template-Based, penelitian ini akan menggunakan algoritma Naïve Bayes untuk proses klasifikasi kalimat dengan bantuan GridsearchCV dan pipeline dari TF-IDF Transformers, String-Match untuk proses eliminasi kalimat, dan Chunking Labelling untuk proses tagging kata. Model generator soal yang dikembangkan pada penelitian ini memiliki rata-rata tingkat akurasi sebesar 90% dengan tingkat persentase jumlah pertanyaan yang layak digunakan sekitar 60%, sehingga model generator yang dikembangkan sudah cukup layak digunakan, akan tetapi memerlukan penelitian lebih lanjut agar model generator soal yang dihasilkan dapat memiliki performa yang lebih baik.Kata kunci— automatic question generator, naïve bayes classifier, chunking labelling, template-based, GridsearchCV, biologi, Soal SMA
Klasifikasi Soal Berdasarkan Kategori Topik Menggunakan Metode Algoritma Naïve Bayes Dan Algoritma C4.5 Muhaimin, Luthfi Ahmad; Pratiwi, Oktariani Nurul; Fa’rifah, Riska Yanu
eProceedings of Engineering Vol. 10 No. 2 (2023): April 2023
Publisher : eProceedings of Engineering

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

Abstract

Abstrak-Klasifikasi dilakukan untuk mengelompokkan sekumpulan data ke dalam kelas-kelas yang telah ditentukan terlebih dahulu berdasarkan kesamaan karakteristik yang dimiliki. Klasifikasi soal berdasarkan topik membantu para siswa dan pengajar dalam mengambil keputusan untuk menentukan soal berdasarkan kategori topiknya. Pada penelitian ini, peneliti bermaksud untuk membuat suatu model klasifikasi soal Biologi kelas 11 SMA yang dikelompokkan menjadi sembilan kategori topik yaitu Sel, Jaringan Tumbuhan dan Hewan, Sistem Gerak Manusia, Sistem Peredaran Darah, Sistem Pencernaan, Sistem Pernapasan, Sistem Ekskresi, Sistem Koordinasi, dan Sistem Reproduksi Manusia. Soal-soal dan topik didapatkan dari buku bank soal yang berjudul “Siap Pintar Belajar Mandiri”. Penelitian ini membandingkan nilai akurasi dan evaluasi performansi dari dua algoritma klasifikasi yaitu, Naive Bayes dan C4.5. Untuk evaluasi performansi peneliti menggunakan cross validation dan mencari nilai precision, recall, dan f1-score menggunakan confusion matrix. Dari hasil klasifikasi, diperoleh hasil akurasi algoritma Naive Bayes sebesar 72.72%, dan nilai akurasi evaluasi performansi menggunakan cross validation sebesar 73.09% dan nilai precision sebesar 73%, recall sebesar 73%, dan F1-Score sebesar 70%. Sedangkan algoritma C4.5 mendapat nilai akurasi sebesar 54.54%, dan nilai akurasi evaluasi performansi menggunakan cross validation sebesar 54.09% dan nilai precision sebesar 58%, recall sebesar 56%, dan F1-Score sebesar 55%.Kata kunci— klasifikasi soal, biologi, naive bayes, C4.5, cross validation
Klasifikasi Soal Sejarah Indonesia Tingkat Sma Berdasarkan Level Kognitif Revised Bloom’s Taxonomy Menggunakan Naïve Bayes Pramudia, Rudi Guna; Pratiwi, Oktariani Nurul; Fa’rifah, Riska Yanu
eProceedings of Engineering Vol. 10 No. 2 (2023): April 2023
Publisher : eProceedings of Engineering

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

Abstract

Abstrak— Pendidikan adalah proses pengubahan sikap dan tata laku seseorang. Evaluasi yang digunakan oleh guru dinegara kita berupa tes seperti ulangan atau ujian. Penelitian ini mengungkap bagaimana membuat machine learning untuk mengklasifikasikan soal sejarah Indonesia tingkat SMA level kognitif Revised bloom's taxonomy ditingkat kesulitan C1 sampai C3 dengan algoritma Naive bayes. Dalam melakukan pelabelan dilakukan dengan cara manual untuk menentukan soal berdasarkan level kognitif RBT. Untuk mendapatkan hasil akurasi sebuah machine learning pada penelitian ini ada beberapa tahapan yaitu tahapan preprocessing dimana dataset akan disaring menggunakan case folding, tokenizing, filtering, dan stemming selanjutnya dataset akan dilakukan pembobotan dengan TF-IDF. Peneliti menggunakan metode SMOTE over-sampling untuk mengatasi imbalance data kemudian dilakukan pengujian menggunakan K-fold dengan jumlah fold sebanyak 10 dan terakhir model dilakukan evaluasi performansi dengan menggunakan confusion matrix. Hasil klasifikasi diperoleh skor rata-rata K-fold dataset mengalami kenakikan 16% (60% - 76%) setelah dilakukan SMOTE kemudian hasil akurasi evaluasi performansi juga mengalami kenaikan sebanyak 21% (61% - 82%) ketika dilakukan SMOTE. Hasil penelitian yang diperoleh dari implementasi K-Fold Cross Validation dan confusion matrix menunjukan bahwa penggunaan algoritma Naïve bayes menunjukan skor akurasi yang baik, serta penggunaan metode oversampling sangat membantu dalam penelitian ini guna mengatasi imbalance data.Kata kunci— klasifikasi soal pertanyaan, naïve bayes, sejarah indonesia, SMOTE, RBT, oversampling, soal SMA
Klasifikasi Soal Sejarah Tingkat SMA Berdasarkan Level Kognitif Revised Bloom’s Taxonomy Menggunakan Algoritma K-Nearest Neighbour Manhattan Ariandi, Rama; Pratiwi, Oktariani Nurul; Fa’rifah, Riska Yanu
eProceedings of Engineering Vol. 10 No. 2 (2023): April 2023
Publisher : eProceedings of Engineering

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

Abstract

Abstrak—Pendidikan merupakan upaya terencana untuk mendorong siswa-siswi agar giat belajar guna mengembangkan bakat dan kecerdasannya melalui pembelajaran dengan melakukan berbagai latihan soal. Naskah soal biasanya berisi contoh soal dengan tingkat kesulitannya dan untuk dilakukan klasifikasi berdasarkan Revised Bloom’s Taxonomy merupakan kasus yang tidak mudah jika dilakukan dengan cara manual. Peneliti ini menggunakan bantuan machine learning untuk mengklasifikasikan pertanyaan secara otomatis berdasarkan tingkat kognitif Revised Bloom’s Taxonomy yang terfokus pada soal Sejarah Indonesia tingkat SMA dan level C1–C3 RBT. Dataset diperoleh dari berbagai latihan bank soal, ulangan harian, dan soal USBN yang terdapat di internet. Algoritma K-Nearest Neighbor (KNN) dengan pendekatan jarak Manhattan adalah metode yang digunakan pada penelitian ini. Selain itu, pembobotan kata sebagai bagian dari proses TF-IDF diterapkan terhadap dataset. Ketidakseimbangan data dari dataset yang diperoleh dalam penelitian ini diatasi dengan penggunaan metode oversampling SMOTE. Dataset tersebut kemudian diproses melalui K-Fold Cross Validation dengan nilai k = 10. Hasil akurasi penelitian yang telah dilakukan dengan algoritma KNN diperoleh nilai yang cukup baik dengan precision 90%, recall 87%, F1-Score 87% dan accuracy 87% dan teruji SMOTE dapat digunakan secara efektif dalam mengatasi imbalance data.Kata kunci—klasifikasi soal, KNN, manhattan, RBT, SMOTE, oversampling
Klasifikasi Soal Sejarah Tingkat SMA Berdasarkan Level Kognitif Revised Bloom’s Taxonomy Menggunakan Metode Stochastic Gradient Descent Nisa, Amarila Zahratun; Pratiwi, Oktariani Nurul; Fa’rifah, Riska Yanu
eProceedings of Engineering Vol. 10 No. 2 (2023): April 2023
Publisher : eProceedings of Engineering

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

Abstract

Abstrak— Pendidikan di tingkat formal membutuhkan aspek pengujian untuk memastikan ilmu pengetahuan diserap oleh siswa. Uji kompetensi terdiri dari berbagai macam tipe soal, salah satunya yaitu pilihan ganda. Soal yang dihimpun oleh guru dalam platform e-learning membutuhkan pemilahan sehingga dapat mengukur tingkat intelektual siswa dan mencakup keterampilan berpikir. Evaluasi dalam pemilahan soal didapati banyaknya soal yang belum tersaring sesuai dengan capaian kompetensinya. Pada penelitian ini, proses penyaringan yang melibatkan algoritma Revised Bloom’s Taxonomy diimplementasikan secara otomatis dengan menggunakan metode machine learning yaitu Stochastic Gradient Descent (SGD) pada soal sejarah tingkat SMA. Dikarenakan terdapat imbalance pada dataset, penelitian ini akan membandingkan antara dataset yang menerapkan dan yang tidak menerapkan metode oversampling SMOTE. Hasil klasifikasi dari penelitian ini diperoleh melalui implementasi algoritma SGD dengan tools python. Pada dataset tanpa SMOTE, algoritma SGD memiliki skor rata-rata K-Fold yaitu 62%. Pada dataset dengan SMOTE, algoritma SGD memiliki skor rata-rata 93%. Adapun hasil akurasi dari confusion matrix menunjukkan algoritma SGD pada dataset tanpa SMOTE memiliki performa 62%, sedangkan algoritma SGD pada dataset dengan SMOTE mendapatkan performa 94%. Hasil yang diperoleh melalui proses K-Fold Cross Validation dan confusion matrix tersebut menunjukkan bahwa dataset dengan menggunakan oversampling memiliki hasil yang lebih baik dibanding dengan dataset tanpa menggunakan oversampling.Kata kunci— klasifikasi pertanyaan, RBT, sejarah SMA, SGD, oversampling, SMOTE
Perbandingan Algoritma K-Nearest Neighbor dan Logistic Regression pada Analisis Sentimen terhadap Vaksinasi Covid-19 pada Media Sosial Twitter dengan Pelabelan Vader dan Textblob Fazrin, Fadhilah; Pratiwi, Oktariani Nurul; Andreswari, Rachmadita
eProceedings of Engineering Vol. 10 No. 2 (2023): April 2023
Publisher : eProceedings of Engineering

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

Abstract

Abstrak— Pada analisis ini metode yang digunakan yaitu metode klasifikasi K-Nearest Neighbor dan metode klasifikasi Logistic Regression dengan data yang diambil pada aplikasi twitter. Penelitian ini mengkaji tingkat akurasi pada sentimen masyarakat mengenai vaksinasi Covid-19 dengan label positif dan negatif. Nilai AUC pada algoritma KNN dengan pelabelan TextBlob yaitu sebesar 0,765 dengan dan 0,768 untuk pelabelan VaderSentiment keduanya termasuk kedalam kriteria fair classification. Sementara itu, pada algoritma Logistic Regression menghasilkan akurasi sebesar 84,97% dengan perbandingan rasio 90:10 untuk pelabelan TextBlob, sementara untuk pelabelan VaderSentiment dengan perbandingan rasio 90:10 menghasilkan akurasi sebesar 85,22%. Kedua algoritma divalidasi menggunakan K-Fold Cross Validation dengan jumlah fold 10. Hasil perbandingan yang diperoleh saat melakukan evaluasi dengan confusion matrix menunjukkan bahwa algoritma Logistic Regression dengan pelabelan VaderSentiment memiliki nilai akurasi yang paling tinggi dibandingakan dengan algoritma K-Nearest Neighbor dengan pelabelan TextBlob dan VaderSentiment. Kata kunci—vaksinasi covid-19, k-nearest neighbor, logistic regression, analisis sentimen
Analisis Sentimen Review Pengguna Website IMDB Menggunakan Klasifikasi Naïve Bayes Kardila, Yuni; Pratiwi, Oktariani Nurul; Hamami, Faqih
eProceedings of Engineering Vol. 10 No. 3 (2023): Juni 2023
Publisher : eProceedings of Engineering

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

Abstract

Abstrak-Website IMDB (Internet Movie Database) merupakan suatu web yang digunakan untuk menyediakan atau melihat berbagai informasi tentang jutaan film yang telah tayang, yang digunakan untuk melihat review, rating, pemeran dan kru dari film tersebut. Para pengguna baru biasanya suka melihat review pengguna lainnya sebelum menentukan film apa yang akan mereka tonton, namun semakin banyak dan semakin besar review yang diberikan akan semakin besar dampak penilaian tersebut terhadap keputusan para pengguna baru, sehingga apabila para pengguna baru tidak dapat mengartikan makna dari review yang diberikan, untuk mengatasi hal tersebut dilakukanlah analisis sentimen. Penelitian yang dilakukan kali ini bertujuan untuk menganalisa analisis sentimen terhadap movie review yang diberikan oleh pengguna website IMDB, dengan menggunakan algoritma Naïve Bayes Multinomial. Penelitian ini juga menggunakan text preprocessing, dan TF-IDF untuk meningkatkan nilai akurasi dari model tersebut. Hasil evaluasi menggunakan confusion matrix menunjukan nilai accuracy 88.93%, nilai precision 89.07%, nilai recall sebesar 89.14% dan nilai F1-Score 89.11%, dengan perbandingan data training dan testing 70:30. Hasil klasfikasi yang dilakukan menghasilkan data 7533 berlabel positif dan 7249 berlabel negatif, nilai tersebut menunjukan sebagian besar para pengguna IMDB berkomentar positif terhadap film yang mereka tonton.Kata kunci-Naïve Bayes, IMDb, sentiment analysis, text preprocessing
Klasifikasi Review Customer Di E-Commerce Bukalapak Menggunakan Metode Support Vector Machine (SVM) Chrisdiyanti, Ivania Nonita; Fa'rifah, Riska Yanua; Pratiwi, Oktariani Nurul
eProceedings of Engineering Vol. 10 No. 3 (2023): Juni 2023
Publisher : eProceedings of Engineering

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

Abstract

Abstrak-Bukalapak menempati urutan ketiga dalam top 10 e-commerce Indonesia, tujuan pemeringkatan tersebut yaitu agar pihak Bukalapak dapat meningkatkan kualitas dan kuantitas layanannya. Mengklasifikasi review dari customer Bukalapak yang terlalu banyak membutuhkan waktu yang lama jika dilakukan dengan cara manual. Dibutuhkan suatu metode yang dapat mengklasifikasikan customer review. Metode yang digunakan untuk mengkasifikasikan review adalah Support Vector Machine. Review akan diklasifikasi menjadi dua jenis yaitu positif dan negatif review. Tahapan untuk melakukan klasifikasi pada penelitian ini adalah preprocessing data, ekstraksi fitur dengan TF-IDF, analisis SVM, dan evaluasi.Terdapat 3 skenario yang digunakan dalam penelitian ini, yaitu perbandingan 60:40, 70:30, dan 80:20. Hasil klasifikasi dengan SVM dan fungsi kernel linier pada data training menunjukkan bahwa ketiga rasio mempunyai akurasi dari model terbaik yang dibentuk oleh SVM adalah rasio 60:40. Evaluasi dari model terbaik dari SVM didapatkan akurasi sebesar 85%, Recall sebesar 79%, Precision 89%, dan F1-Score sebesar 84%. Hasil dari K-Fold Cross Validation dengan 10 Fold menunjukkan hasil yang tidak jauh berbeda dari evaluasi yaitu rata-rata sebesar 84%. Hasil klasifikasi kategori positif dapat dijadikan acuan untuk mempertahankan kualitas layanan dan hasil klasifikasi negatif dapat digunakan sebagai bahan evaluasi dalam meningkatkan layanan di Bukalapak.Kata kunci- customer review klasifikasi, SVM, kernel linear
Co-Authors Adnyana, I Gusti Ngurah Bagus Putra Agustiana, Nathifa Alyasyifa, Salma Anindya Prameswari Putri Djakaria Anshari, Faishal Mufied Al Ariandi, Rama Asriana Asriana, Asriana Bagaskara, Kumara Ris Panji Cahyani, Pradita Chika Enggar Puspita Chrisdiyanti, Ivania Nonita Deden Witarsyah Deden Witarsyah Djakaria, Anindya Prameswari Putri Eflin Trinova Limbong Fa'rifah, Riska Yanu Fa'rifah, Riska Yanua Fakhrurroja, Hanif Faqih Hamami Fazrin, Fadhilah Firzania, Heidea Yulia Gosal, Yose Thimothy Hadwirianto, Muhammad Raihan Hanid, Wihda Sifwi Hilman Dwi Anggana Hwang, Jun-seok I B K Widiartha Iqbal Yulizar Mukti Irfan Darmawan Kamil, Andhika Ihsan Kardila, Yuni Kasparov, Michael Christensen Bonar Kurniawan, Muhammad Rayhan Mardika, Jody Muhaimin, Luthfi Ahmad Muharman Lubis Mustada, Fitrina Annisa Nisa, Amarila Zahratun Novanza, Alvin Renaldy Nur Ichsan Utama Nuraliza, Hilda Orvalamarva Pramudia, Rudi Guna Pramuwidya, Shinta Rachmadita Andreswari Rukmana, Putri Utami Saleh Hasan Badjrie Sutoyo, Edi Talisman, Bryan Ronald Yoon, Hyoen-yeong Yulio Ferdinand