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 37 Documents
Search

 1   2   3   4 
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
Classification of University IT Helpdesk Tickets Using Support Vector Machine with Hyperparameter Optimization Yulio Ferdinand; Lubis, Muharman; Pratiwi, Oktariani Nurul
Jurnal Sisfokom (Sistem Informasi dan Komputer) Vol. 14 No. 4 (2025): NOVEMBER
Publisher : ISB Atma Luhur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32736/sisfokom.v14i4.2413

Abstract

The classification of IT helpdesk tickets is crucial for improving response efficiency in service management systems, particularly within academic institutions. However, the process is still mostly manual, increasing the risk of misclassification. This study explores the use of the Support Vector Machine (SVM) algorithm with four kernel functions — RBF, Linear, Polynomial, and Sigmoid — to automate the classification of user-submitted service tickets. The dataset was sourced from the Telkom University service desk application database, covering 2023 and 2024, and comprises 13,508 records across nine service categories. Preprocessing steps such as stemming, stopword removal, and TF-IDF feature extraction were applied before model training and evaluation. The RBF kernel achieved the highest accuracy at 85.04%, followed by Linear at 80.64%, Sigmoid at 75.94%, and Polynomial at 63.69%. The internet access category had the best classification performance across all kernels, with RBF and Linear achieving F1-scores of 90% and 89%, respectively. The request data category also showed consistently strong results with F1-scores above 80%. Misclassifications were mainly due to overlapping vocabulary, data imbalance, and limited semantic variation in ticket descriptions. The results indicate that the RBF kernel is most suitable for this multi-class classification task. This study highlights the effectiveness of machine learning in improving helpdesk automation and provides a basis for future enhancements, such as incorporating semantic-rich features and addressing class imbalance. Notably, this research contributes a comparative analysis of different SVM kernel performances, which has not been extensively explored in previous research.
Application of SMOTE Method on Topic Based Question Classification Using Naïve Bayes Algorithm Orvalamarva; Oktariani Nurul Pratiwi; Faqih Hamami
The Indonesian Journal of Computer Science Vol. 13 No. 4 (2024): The Indonesian Journal of Computer Science (IJCS)
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v13i4.4179

Abstract

In today's digital era, the utilization of technology in education is essential to support the learning process. This research discusses the classification of junior high school mathematics questions using the Naïve Bayes method. The use of an automated system in question classification helps reduce time and effort in grouping questions based on topics. The Naïve Bayes method was chosen because of its simplicity and ability to process data. The results showed that Naïve Bayes with SMOTE and Math symbols achieved 69% accuracy, while without SMOTE, the accuracy was lower. Cross-validation showed that the classification without symbols attained an accuracy of 89.35%, slightly superior to the classification using symbols, which was 88.79%. This result indicates that Naïve Bayes with SMOTE is more effective. Although the difference in accuracy with or without symbols is slight 0.56%, the performance is relatively equivalent, with an accuracy of 89%.
Data-Driven Student Group Formation for Group Investigation: A K-Medoids Clustering Approach in Cooperative Learning Alyasyifa, Salma; Pratiwi, Oktariani Nurul; Darmawan, Irfan
Jurnal Teknik Informatika (Jutif) Vol. 6 No. 5 (2025): JUTIF Volume 6, Number 5, Oktober 2025
Publisher : Informatika, Universitas Jenderal Soedirman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jutif.2025.6.5.4765

Abstract

Group Investigation (GI) is a widely used cooperative learning strategy in higher education, but challenges such as large class sizes and diverse student profiles complicate manual group formation. Previous studies have applied clustering algorithms like K-Means, yet K-Medoids, which is robust to noise, remain underexplored for group formation, especially GI. This study proposed a data-driven approach using the K-Medoids clustering algorithm to create student groups that are both interest-aligned and heterogeneous in profile, which enhancing the effectiveness of GI activities. Employing the Knowledge Discovery in Databases (KDD) framework, the process included data selection, preprocessing, transformation, three grouping processes, and evaluation were performed. In grouping process students were initially grouped by interest, clustered using K-Medoids with various distance measures tested, and finally, groups were adjusted to balance homogeneity and diversity. In grouping stage 2, clustering with Euclidean distance and PCA achieved the highest Silhouette Score, indicating superior grouping quality. The result of heterogeneity group of students evaluated with Gower dissimilarity shows that the method produces internally diverse yet cohesive interest groups, supporting GI goals.
SENTIMENT ANALYSIS OF PUBLIC OPINIONS TOWARDS TELKOM UNIVERSITY POST PANDEMIC Djakaria, Anindya Prameswari Putri; Pratiwi, Oktariani Nurul; Fakhrurroja, Hanif
JURTEKSI (jurnal Teknologi dan Sistem Informasi) Vol. 10 No. 1 (2023): Desember 2023
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM) STMIK Royal Kisaran

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v10i1.2645

Abstract

Abstract: Twitter, as a social media platform, has rapidly grown as a means for people to express their opinions and thoughts on various topics, including education. The number of Twitter users surged to 10.645.000 in 2020, with a significant increase during the pandemic. Telkom University, as a private institution of higher education in Indonesia, has become one of the topics of discussion on Twitter. Users’ opinions about Telkom University vary, ranging from positive to negative. To gain deeper insights into public view, sentiment analysis is essential. The analysis follows the Knowledge Discovery in Databases (KDD) process, utilizing the Naive Bayes classification algorithm. The evaluation results indicate the best accuracy achieved with an 80:20 data split, resulting in an accuracy rate of 82.05%, precision of 82.3%, recall of 82.05%, and F1-Score of 82.08%. The Naïve Bayes model demonstrates good performance for sentiment analysis of public views regarding Telkom University on Twitter.            Keywords: naïve bayes; sentiment analysis; twitter; telkom university.  Abstrak: Media sosial Twitter berkembang pesat sebagai sarana masyarakat berekspresi untuk menuangkan opini dan pikiran mereka mengenai topik apapun, termasuk pendidikan. Pengguna Twitter meningkat tajam hingga 10.645.00 pengguna pada tahun 2020 dan terus meningkat selama pandemi. Telkom University sebagai perguruan tinggi menjadi salah satu topik yang dibicarakan yang berkaitan dengan pendidikan. Pendapat mengenai Telkom University yang diungkapkan oleh pengguna Twitter beragam, baik positif maupun negatif. Analisis sentimen diperlukan untuk memahami pandangan publik lebih mendalam. Digunakan tahapan Knowledge Discovery in Databases dan algoritma klasifikasi Naïve Bayes dalam analisis ini. Hasil evaluasi menunjukkan akurasi paling baik dicapai dengan rasio data 80:20, dengan nilai akurasi sebesar 82.05%, nilai presisi sebesar 82.3%, nilai recall sebesar 82.05%, dan nilai F1-Score sebesar 82.08%. Model klasifikasi Naïve Bayes memiliki performa baik untuk analisis sentimen pandangan publik di Twitter mengenai Telkom University. Kata kunci: analisis sentimen; naïve bayes; twitter; telkom university.
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
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