Article Per Year (5 Year)
p-Index From 2021 - 2026
7.053
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) International Journal of Advances in Data and Information Systems Jurnal Teknik Informatika (JUTIF) eProceedings of Engineering Jurnal Pengabdian Masyarakat Bangsa The Indonesian Journal of Computer Science International Journal of Computer Technology and Science
Oktariani Nurul Pratiwi
Telkom University
Agriculture, Biological Sciences & Forestry Arts Humanities 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 Energy Engineering Health Professions Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Mathematics Mechanical Engineering Medicine & Pharmacology Nursing Physics Public Health Social Sciences

Published : 53 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 34 Documents
Search
Journal : eProceedings of Engineering

 1   2   3   4 
Klasifikasi Review Customer E-Commerce Menggunakan Metode K-Nearest Neighbor (Studi Kasus: Bukalapak) Pramuwidya, Shinta; Fa'rifah, Riska Yanu; 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- Melihat persaingan e-commerce yang semakin ketat saat ini membuat Bukalapak melakukan berbagai upaya agar dapat bertahan serta meningkatkan kualitas layanan terhadap konsumen. Salah satu cara yang dapat dilakukan adalah melakukan evaluasi dari hasil review. Untuk dapat mengambil sebuah keputusan dari hasil review langkah yang perlu diambil salah satunya dengan mengklasifikasikan review dengan bertujuan untuk mengkategorikan data terhadap komentar atau review sehingga dapat membantu pelaku usaha dalam menarik kesimpulan terkait kecenderungan komentar. Dataset yang telah dikumpulkan dilakukan preprocessing sehingga berjumlah sebanyak 87.241 data. Di karenakan data memiliki missing value maka diatasi dengan metode imputasi menggunakan mode(). Setelah mengatasi missing value, dataset dihitung pembobotannya dengan tfidfVectorizer, selanjutnya di resampling dengan SMOTE agar data seimbang. Review dianalisis dengan algoritma K-Nearest Neighbors dengan tiga skenario yaitu 60:40, 70:30, dan 80:20, serta memiliki tiga jenis k_neighbors yaitu k=3, k=5 dan k=7. Jarak yang digunakan pada penelitian ini adalah Euclidean. Hasil analisis menunjukan bahwa KNN terbaik ada pada rasio training dan testing 80:20 dengan k=3. Hasil analisis menunjukan hasil evaluasi sebesar 76,42%. Hasil klasifikasi dengan KNN menunjukan komentar negatif lebih banyak daripada yang positif. Dari hasil penelitian ini diharapkan dapat dijadikan bahan evaluasi bagi Bukalapak untuk meningkatkan kualitas layanan.Kata kunci- klasifikasi, K-Nearest neighbors, euclidean
Implementasi GenAI dalam Sistem Pembuatan Butir Soal Otomatis dengan Pendekatan Microservices Herdian, Hafiizh; Pratiwi, Oktariani Nurul; Hamami, Faqih
eProceedings of Engineering Vol. 10 No. 1 (2023): Februari 2023
Publisher : eProceedings of Engineering

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

Abstract

Pembuatan soal yang relevan, bervariasi, dan sesuai dengan kurikulum merupakan tantangan besar bagi tenaga pengajar, terutama dengan keterbatasan waktu dan beban kerja administratif. Penelitian ini bertujuan mengembangkan sistem pembuatan butir soal otomatis berbasis Generative Artificial Intelligence (GenAI) dengan model Gemini 1.5 Flash dan pendekatan arsitektur microservices. Sistem menghasilkan soal pilihan ganda dan isian singkat dari input materi berupa teks, PDF, atau dokumen. Pengembangan dilakukan menggunakan metodologi Extreme Programming (XP) dengan implementasi teknologi Next.js, TypeScript, PostgreSQL, Docker, dan RabbitMQ. Hasil menunjukkan sistem mampu menghasilkan 10 soal dengan waktu rata-rata 8,5 detik dan menyediakan layanan modular, skalabel, serta responsif terhadap perubahan kebutuhan pengguna. Validasi dilakukan uji fungsional dan observasi pengguna (user acceptence test), serta menunjukkan efektivitas dan efisiensi sistem dalam konteks pendidikan digital. Kata kunci— generative AI, Gemini 1.5 Flash, pembuatan soal otomatis, microsevices, XP
Analisis Prediksi Penentuan Waktu Dan Jumlah Stok Produk Dalam Penjualan Menggunakan Algoritma Xgboost Regression Muhamad Insan Taufik; Irfan Darmawan; Oktariani Nurul Pratiwi
eProceedings of Engineering Vol. 13 No. 1 (2026): Februari 2026
Publisher : eProceedings of Engineering

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

Abstract

Penelitian ini mengembangkan sistem predictive analytics untuk peramalan penjualan guna mendukung UMKM di Shopee dalam memperkirakan permintaan produk di masa mendatang. Sistem ini memungkinkan pelaku usaha untuk menentukan waktu dan jumlah pengisian ulang stok yang optimal, sehingga dapat mengatasi tantangan terkait kelebihan dan kekurangan stok yang berdampak pada biaya serta kepuasan pelanggan. Dengan memanfaatkan algoritma XGBoost Regression dalam metodologi CRISP-DM dan data penjualan historis, model dievaluasi menggunakan metrik MAE, RMSE, R², dan MAPE, dan menunjukkan performa yang kuat (R² = 0,901, RMSE = 3,316, MAE = 0,873, dan MAPE < 10%). Hasilnya disajikan melalui grafik regresi yang membandingkan nilai aktual dan prediksi, garis model-fit, serta tabel prediksi yang menampilkan prakiraan penjualan bulanan untuk setiap produk selama periode 12 bulan. Pendekatan analisis prediktif ini terbukti dapat meningkatkan efisiensi manajemen persediaan dan mendukung pengambilan keputusan berbasis data bagi UMKM. Kata Kunci— Analitik Prediktif, CRISP-DM, Pengisian Ulang Stok, Peramalan Penjualan, Regresi XGBoost, UMKM
Sentimen analisis Berbasis Aspek pada Ulasan Pengguna aplikasi Sekolah.mu di Google Play store Menggunakan Algoritma Convolutional Neural Network (CNN) Jesika Damayanti Doloksaribu; Oktariani Nurul Pratiwi; Nur Ichsan Utama
eProceedings of Engineering Vol. 13 No. 1 (2026): Februari 2026
Publisher : eProceedings of Engineering

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

Abstract

Perkembangan teknologi digital dan platform pembelajaran daring di Indonesia, seperti Sekolah.mu, telah mengubah proses belajar mengajar. Dengan semakin banyaknya pengguna, muncul ulasan tidak terstruktur di Google Play Store yang dapat menjadi wawasan berharga bagi pengembang aplikasi. Untuk menguraikan data ulasan, diperlukan analisis sentimen berbasis aspek (ABSA) untuk memberikan informasi yang lebih terperinci. Penelitian ini menerapkan ABSA menggunakan algoritma Convolutional Neural Network (CNN) untuk mengklasifikasikan sentimen dan aspek dari ulasan aplikasi Sekolah.mu. Data dari ulasan diproses melalui tahapan Knowledge Discovery in Databases (KDD) dan direpresentasikan dalam vektor oleh Word2Vec. Hasil penelitian menunjukkan bahwa model CNN berhasil mengklasifikasikan sentimen dengan akurasi antara 82% dan 89% di tiga dimensi fokus: konten pendidikan, kinerja aplikasi, dan pengalaman pengguna termasuk metrik keterlibatan pelajar. Pekerjaan ini juga menyediakan aplikasi bertenaga Streamlit yang dikembangkan untuk membantu pengguna dalam memvisualisasikan hasil analisis sentimen yang dilakukan pada ulasan pelajar. Temuan ini menunjukkan bahwa CNN berguna untuk menganalisis konten yang dibuat pengguna secara sengaja dan dapat secara efektif meningkatkan pengalaman pengguna dalam aplikasi pendidikan. Kata Kunci—Convolutional Neural Network, Aspect-Based Sentiment Analysis, Word2Vec, Streamlit, Aplikasi Sekolah.mu.
Analisis Sentimen menggunakan Algoritma Long Short-Term Memory (LSTM) dan Pemodelan Topik menggunakan Algoritma Non-Negatif Matrix Factorization (NMF) pada aplikasi Sekolah.mu Berdasarkan Ulasan di Google Play Store Cynthia Ayu Prayuning; Oktariani Nurul Pratiwi; Nur Ichsan Utama
eProceedings of Engineering Vol. 13 No. 1 (2026): Februari 2026
Publisher : eProceedings of Engineering

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

Abstract

Penelitian ini bertujuan untuk menganalisis ulasan pengguna aplikasi Sekolah.mu di Google Play Store dengan menggunakan dua pendekatan utama yaitu analisis sentimen menggunakan algoritma Long Short-Term Memory (LSTM) dan pemodelan topik menggunakan algoritma Non-Negative Matrix Factorization (NMF). Aplikasi Sekolah.mu merupakan platform pembelajaran berbasis digital yang terus berkembang dan menerima umpan balik dari penggunanya. Dengan jumlah ulasan yang sangat banyak, analisis manual menjadi tidak efisien. Oleh karena itu, analisis sentimen diperlukan untuk mengklasifikasikan ulasan pengguna menjadi sentimen positif atau negatif, serta pemodelan topik untuk mengidentifikasi topik-topik utama yang dibahas. Metodologi penelitian mencakup pengumpulan data melalui scraping, preprocessing data, klasifikasi sentimen menggunakan LSTM, evaluasi model menggunakan confusion matrix dan pemodelan topik menggunakan NMF, evaluasi pemodelan topik menggunakan coherence topik. Hasil penelitian menunjukkan bahwa model LSTM memiliki akurasi sebesar 90,18% dalam mengklasifikasikan sentimen, sedangkan model NMF berhasil mengidentifikasi 6 topik utama yang relevan dengan pengalaman pengguna. Hasil penelitian diharapkan menjadi dasar strategis dalam pengembangan kualitas aplikasi dan peningkatan kepuasan serta loyalitas pengguna terhadap aplikasi Sekolah.mu. Kata kunci— analisis sentimen, deep learning, LSTM, NMF, Sekolah.mu, pemodelan topik
MANAJEMEN DATA DALAM PENGEMBANGAN DASHBOARD BAGI DOSEN DI TELKOM UNIVERSITY Josia Fortino Pakpahan; Oktariani Nurul Pratiwi; Nur Ichsan Utama
eProceedings of Engineering Vol. 13 No. 1 (2026): Februari 2026
Publisher : eProceedings of Engineering

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

Abstract

Institusi pendidikan menghadapi tantangan dalammengelola data akademik untuk mendukung pengambilankeputusan berbasis data. Penelitian ini bertujuanmengembangkan sistem berbasis website dan dashboardlearning analytics untuk membantu dosen mengelola data nilai,kehadiran mahasiswa, dan menganalisis performa akademik.Sistem dikembangkan menggunakan metode waterfall dengantahapan analisis kebutuhan, desain sistem, implementasi,pengujian, dan pemeliharaan. Data diolah melalui RDBMSberbasis Supabase, dengan dashboard visualisasi menggunakanLooker Studio.Hasil pengujian menunjukkan sistem mampu memberikanrespons rata-rata 537 ms dan meningkatkan efisiensi kerjadosen melalui fitur input manual dan import data historis.Dashboard membantu mengidentifikasi mahasiswa dengantingkat kehadiran rendah atau performa akademik di bawahstandar. Sistem ini berpotensi meningkatkan keberhasilanakademik melalui intervensi yang tepat sasaran dan dapatdiadaptasi untuk institusi lain.Kata Kunci: waterfall, website, learning analytics dashboard,Supabase, Looker Studio, manajemen data.
Optimasi Waktu dan Besaran Diskon Produk Slow-moving Berdasarkan Prediksi Penjualan dengan Model Prophet: Studi Kasus Toko Rumahbayitaz Azka Chanda Milanesta; Irfan Darmawan; Oktariani Nurul Pratiwi
eProceedings of Engineering Vol. 13 No. 1 (2026): Februari 2026
Publisher : eProceedings of Engineering

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

Abstract

Pertumbuhan e-commerce di Indonesia menuntut pelaku usaha untuk menyusun strategi promosi yang lebih terukur, khususnya dalam mengatasi produk slow-moving yang dapat menurunkan performa penjualan. Penelitian ini bertujuan untuk menganalisis tren historis penjualan di Toko Rumahbayitaz, menerapkan model time series Prophet untuk memprediksi performa produk slow-moving, serta merancang strategi diskon berbasis hasil prediksi. Permasalahan yang diangkat meliputi belum adanya sistem prediksi penjualan yang akurat, kurangnya analisis historis waktu pemberian diskon, dan ketiadaan mekanisme perencanaan promosi berbasis data. Penelitian ini menggunakan pendekatan Knowledge Discovery in Databases (KDD) dengan algoritma Prophet dan data penjualan harian periode Januari 2023 hingga April 2024 dari Shopee Seller Centre. Hasil menunjukkan bahwa Prophet mampu mengidentifikasi pola musiman mingguan dan bulanan serta memberikan prediksi akurat untuk mendeteksi periode dengan permintaan rendah. Strategi diskon seperti “Midweek Deal” dan “Flash sale Minggu Ceria” disusun berdasarkan output model dan menunjukkan potensi dalam meningkatkan efektivitas promosi. Kesimpulannya, integrasi model Prophet dalam perencanaan strategi diskon memungkinkan toko merancang promosi yang lebih relevan, tepat waktu, dan berbasis pola permintaan konsumen. Kata kunci— diskon, e-commerce, forecasting, penjualan, Prophet, Shopee, slow-moving, time series
Pembentukan Kelompok Belajar Berdasarkan Student Model Dengan Algoritma K-Means Untuk Mendukung Jigsaw Cooperative Learning Taufiq Hamdani Yunan; Oktariani Nurul Pratiwi; Irfan Darmawan
eProceedings of Engineering Vol. 13 No. 1 (2026): Februari 2026
Publisher : eProceedings of Engineering

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

Abstract

Penelitian ini mengembangkan pendekatan baru untuk pembentukan kelompok belajar dalam model Jigsaw Cooperative Learning di lingkungan perguruan tinggi, yang bertujuan mengatasi tantangan homogenitas kelompok dan kurangnya personalisasi. Menggunakan metodologi CRISP-DM, penelitian dimulai dengan pemahaman bisnis dan data, di mana data mahasiswa mencakup identitas, kinerja akademis (nilai kuis dan IPK), kepribadian (MBTI), dan gaya belajar dikumpulkan melalui kuesioner Microsoft Form. Pada tahap persiapan data, pembersihan data dilakukan untuk mengatasi nilai kosong, dan fitur-fitur dikodekan serta distandardisasi menggunakan normalisasi Z-score. Reduksi dimensi dengan Principal Component Analysis (PCA) digunakan untuk menyederhanakan struktur data, dengan dua komponen utama dipilih karena mampu merepresentasikan sebagian besar variansi. Untuk pemodelan, algoritma clustering K-means diimplementasikan. Jumlah klaster optimal ditentukan sebagai 4 menggunakan metode Elbow. Hasil clustering divisualisasikan dalam dua dimensi menggunakan PCA, menunjukkan pemisahan klaster yang cukup jelas. Evaluasi kualitas clustering menggunakan Silhouette Score menunjukkan nilai 0.36, mengindikasikan bahwa struktur klaster cukup representatif meskipun ada beberapa data yang mendekati batas antar klaster. Berdasarkan hasil clustering, kelompok-kelompok heterogen dibentuk dengan mengambil satu anggota dari setiap klaster secara bergiliran, menghasilkan 7 kelompok dengan 4-5 anggota. Proses ini bertujuan untuk meningkatkan kolaborasi dan pemahaman materi, serta memberikan pengalaman belajar yang lebih adil dan personal. Kata kunci— Jigsaw, K-means, clustering, Cooperative Learning, CRISP-DM
Penerapan Algoritma C4.5 Untuk Menentukan Prioritas Fitur Dalam Memprediksi Potensi Penjualan Di Toko Rumahbayitaz Muhammad Naufal Fikri; Irfan Darmawan; Oktariani Nurul Pratiwi
eProceedings of Engineering Vol. 13 No. 1 (2026): Februari 2026
Publisher : eProceedings of Engineering

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

Abstract

UMKM di Indonesia menghadapi tantangan dalam menentukan strategi produk baru, terutama risiko overstock dan understock akibat keputusan pengadaan yang bersifat spekulatif. Penelitian ini bertujuan membangun model prediksi kelarisan produk baru menggunakan algoritma C4.5 berbasis decision tree. Data diambil dari laporan Shopee Seller Center milik Toko RumahBayiTAZ untuk periode 2023–2024, dengan atribut seperti Produk Dilihat, Total Pengunjung, Total Pembeli Baru, dan Total Potensi Pembeli. Untuk mengatasi ketidakseimbangan kelas, diterapkan teknik SMOTE (Synthetic Minority Oversampling Technique). Model dibangun dengan pustaka ChefBoost dalam bahasa pemrograman Python dan dievaluasi menggunakan Confusion Matrix serta teknik K-Fold Cross Validation. Hasil penelitian menunjukkan akurasi rata-rata 88,9%, dengan fitur Produk Dilihat sebagai simpul akar pohon keputusan. Model ini tidak hanya mampu mengklasifikasikan produk ke dalam kategori Laris, Sedang, dan Tidak Laris, tetapi juga membantu pelaku usaha mengidentifikasi fitur-fitur penting untuk perencanaan stok dan strategi promosi produk baru. Keywords— Algoritma C4.5, Klasifikasi, UMKM, SMOTE, Pohon Keputusan
Penerapan Algoritma Prophet Dalam Peramalan Ketersediaan Stok Obat Penyakit Asma (Studi Kasus:Yayasan Kesehatan X) Revanda Octavian; Oktariani Nurul Pratiwi; Alfian Akbar Gozali
eProceedings of Engineering Vol. 13 No. 1 (2026): Februari 2026
Publisher : eProceedings of Engineering

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

Abstract

Pengelolaan ketersediaan obat yang memadai sangat penting dalam penjaminan mutu kesehatan. Namun, banyak fasilitas kesehatan, termasuk Yayasan Kesehatan Swasta X, menghadapi masalah ketidakseimbangan stok obat (kelebihan atau kekurangan) yang berdampak negatif pada pasien dan efisiensi operasional. Permasalahan ini diperparah oleh kebijakan distribusi farmasi yang memprioritaskan fasilitas pemerintah serta variasi kebutuhan obat berdasarkan jenis penyakit kronis seperti Asma. Penelitian ini bertujuan untuk menerapkan metode peramalan time series menggunakan Prophet dari periode Januari 2021 hingga Desember 2024. Prophet dipilih karena kemampuannya dalam menangani trend, seasonality, dan holiday yang kompleks pada data. Evaluasi kinerja model menggunakan metrik Mean Absolute Percentage Error (MAPE) dan Root Mean Squared Error (RMSE) yang menunjukkan hasil akurasi tinggi. Nilai MAPE berkisar antara 10.54% hingga 30.47% dan nilai RMSE antara 0.24 hingga 0.71. Hasil ini mengindikasikan bahwa model Prophet mampu memprediksi kebutuhan stok obat dengan tingkat kesalahan yang rendah, meskipun terdapat batasan dalam menangkap fluktuasi ekstrem atau perubahan mendadak. Peramalan ini dapat menjadi landasan strategis untuk pengambilan keputusan pengadaan, memastikan ketersediaan stok obat, serta meningkatkan efisiensi operasional dan kualitas pelayanan kesehatan secara optimal di Yayasan Kesehatan Swasta X. Kata kunci— Peralaman, Stok Obat, Time Series, Prophet, Asma
Co-Authors Adnyana, I Gusti Ngurah Bagus Putra Agustiana, Nathifa Al Faruq, Muhammad Za'im Albari, Fatih Alfian Akbar Gozali Alyasyifa, Salma Anindya Prameswari Putri Djakaria Anshari, Faishal Mufied Al Ariandi, Rama Asriana Asriana, Asriana Azka Chanda Milanesta Bagaskara, Kumara Ris Panji Cahyani, Pradita Chika Enggar Puspita Chrisdiyanti, Ivania Nonita Cynthia Ayu Prayuning 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 Herdian, Hafiizh Hilman Dwi Anggana Hwang, Jun-seok I B K Widiartha Ilham Perdana Iqbal Yulizar Mukti Irfan Darmawan Jesika Damayanti Doloksaribu Jessica Inas Rasendriya Josia Fortino Pakpahan Kamil, Andhika Ihsan Kardila, Yuni Kasparov, Michael Christensen Bonar Kurniawan, Muhammad Rayhan Mardika, Jody Muhaimin, Luthfi Ahmad Muhamad Insan Taufik Muhammad Naufal Fikri Muharman Lubis Mustada, Fitrina Annisa Nabila Ramadhania Nisa, Amarila Zahratun Novanza, Alvin Renaldy Nur Ichsan Utama Nuraliza, Hilda Orvalamarva Orvalamarva, Orvalamarva Pramudia, Rudi Guna Pramuwidya, Shinta R. Rama Ahmad Waliyya Rachmadita Andreswari Rahmadania, Fitri Reihaini Fikria Bunga Oktaviani Revanda Octavian Rizqi, Nabilla Noor Rukmana, Putri Utami Saleh Hasan Badjrie Salma, Farah Sherina Sutoyo, Edi Talisman, Bryan Ronald Taufiq Hamdani Yunan Yoon, Hyoen-yeong Yulio Ferdinand Zuhairnawan, Raffi Ihza