Article Per Year (5 Year)
p-Index From 2020 - 2025
4.694
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) Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi eProceedings of Engineering The Indonesian Journal of Computer 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 : 35 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 35 Documents
Search

 1   2   3   4 
KLASIFIKASI SOAL MENGGUNAKAN MULTI-LABEL PROBLEM TRANSFORMATION DENGAN METODE RANDOM FOREST DAN K-NEAREST NEIGHBOR Kurniawan, Muhammad Rayhan; Pratiwi, Oktariani Nurul; Hamami, Faqih
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 10, No 1 (2025)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v10i1.5910

Abstract

Pendidikan merupakan komponen utama dalam membangun sumber daya manusia yang berkualitas. Ujian merupakan bagian dari proses evaluasi pendidikan untuk mengukur kemampuan siswa dalam memahami materi yang dipelajari. Proses ujian secara online memerlukan fasilitas mengenai pengelolaan soal, sehingga diperlukan klasifikasi untuk mengelompokkan soal sesuai dengan topiknya. Klasifikasi multi-label adalah proses pengelompokan data ke dalam beberapa kelas berdasarkan kesamaan ciri atau karakteristik data, di mana setiap soal dapat memiliki lebih dari satu topik. Penelitian ini berfokus pada pengklasifikasian soal mata pelajaran Bahasa Indonesia tingkat SMP dengan menggunakan metode Problem Transformation dan algoritma Random Forest serta K-Nearest Neighbor (K-NN). Metode Problem Transformation yang digunakan yaitu Binary Relevance, Classifier Chain, dan Label Powerset. Metrik evaluasi untuk menentukan kinerja terbaik yaitu berdasarkan F1-Score dengan K-Fold Cross Validation. Hasil penelitian menunjukkan bahwa algoritma Random Forest memberikan kinerja terbaik dibandingkan K-NN dengan nilai F1-Score terbaik di semua metode Problem Transformation. Nilai F1-Score terbaik dengan metode Label Powerset pada algoritma Random Forest sebesar 69%, dan K-NN sebesar 44%. Berdasarkan hasil tersebut, algoritma Random Forest dengan Label Powerset lebih efektif dalam mengklasifikasikan soal multi-label. Diharapkan penelitian ini dapat memberikan kontribusi dalam meningkatkan efisiensi pengelolaan soal ujian pada sistem pembelajaran online seperti Learning Management System (LMS).
Analisis Sentimen dan Pemodelan Topik terhadap Aplikasi Pembelajaran Online pada Platform Google Play Kamil, Andhika Ihsan; Pratiwi, Oktariani Nurul; Witarsyah, Deden
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 10, No 2 (2025)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v10i2.6023

Abstract

Kita hidup di era teknologi di mana setiap aspek kehidupan terhubung dengan teknologi. Maraknya aplikasi belajar daring di Indonesia, seperti Ruangguru, menandai perkembangan di bidang pendidikan. Aplikasi Ruangguru fokus pada jasa pendidikan dan telah melayani lebih dari 22 juta pengguna. Untuk mempertahankan kepuasan pelanggan, diperlukan analisis sentimen dan pemodelan topik terhadap ulasan pengguna. Penelitian ini menggunakan 31.070 dataset ulasan pengguna di Google Play, dilanjutkan dengan pelabelan dan preprocessing sebelum data akan digunakan. Analisis sentimen memakai algoritma Support Vector Machine menunjukkan hasil yang baik dengan akurasi 88,89%, presisi 87,11%, recall 91,22%, dan F1-score 89,11%. Teknik k-10 fold cross validation menghasilkan akurasi rata-rata 89,06%. Kemudian model digunakan pada 10.000 ulasan baru, dengan hasil mayoritas ulasan memiliki sentimen positif. Pemodelan topik dengan Latent Dirichlet Allocation mengidentifikasi 5 topik utama pada sentimen positif dengan nilai koherensi 0,4779, berfokus pada pengalaman positif dan kegunaan aplikasi dalam membantu belajar. Pada sentimen negatif, ditemukan 4 topik utama dengan nilai koherensi 0,4899, yang banyak mengungkapkan keluhan tentang materi pembelajaran yang kurang lengkap.
Comparison Of Sentiment Analysis Of Traveloka And Tiket.Com Applications On Twitter Using The Naive Bayes Method Agustiana, Nathifa; Pratiwi, Oktariani Nurul; Fakhrurroja, Hanif
ITEJ (Information Technology Engineering Journals) Vol 8 No 2 (2023): December
Publisher : Pusat Teknologi Informasi dan Pangkalan Data IAIN Syekh Nurjati Cirebon

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24235/itej.v8i2.119

Abstract

The country of Indonesia has a strategic geographical position and is also said to be a country that is very rich in natural resources and cultural diversity. One of the supporters of economic growth in Indonesia is tourism. To support the potential of the tourism sector in Indonesia, many online travel agent applications have started to appear. Of the many OTAs, the top two applications were selected, namely the Traveloka and Tiket.com applications. This sentiment analysis requires data from Twitter. This research compares sentiment analysis on the Traveloka and Tiket.com applications in terms of price and service. The method used is naïve Bayes. The goal is to get sentiment information contained in a text with a positive or negative view. With this research, it is hoped that we can see a comparison of sentiment analysis between the Traveloka and Tiket.com applications and be able to find out the level of accuracy of naïve bayes on the Traveloka and Tiket.com applications. The price dataset that gets more positive sentiment is the Traveloka price of 97.2%. In the service dataset that has positive sentiment, Tiket.com is 46.9%. Then, the greatest accuracy was obtained after oversampling the Tiket.com price dataset by 73%, Traveloka prices by 94%, Ticket services by 87% and Traveloka services by 86%.
Implementasi Frontend Untuk Sistem Deteksi Defect Produksi Kain Tekstil Pt. Gracia Mega Karya Menggunakan Metode User Centered Design (Ucd) Mustada, Fitrina Annisa; Utama , Nur Ichsan; Pratiwi, Oktariani Nurul
eProceedings of Engineering Vol. 12 No. 1 (2025): Februari 2025
Publisher : eProceedings of Engineering

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

Abstract

Abstrak— Dalam industri tekstil, peningkatan produksiyang signifikan akibat tingginya permintaan dan investasimodal asing menghadirkan tantangan baru dalam memastikankualitas kain yang dihasilkan. Penelitian ini bertujuan untukmengembangkan antarmuka frontend untuk sistem deteksicacat produksi kain tekstil di PT. Gracia Mega Karyamenggunakan metode User Centered Design (UCD) untukmenyajikan hasil deteksi cacat secara visual dan interaktif.Sistem ini, yang dinamakan "Defector” menyajikan informasivisual terkait deteksi defect dalam produksi kain tekstil. Prosespengembangan diawali dengan pengumpulan data dan analisiskebutuhan pengguna, yang diterapkan dalam perancanganprototipe. Prototipe ini kemudian diuji melalui pengujiankegunaan (usability testing) untuk memastikan bahwaantarmuka memenuhi kebutuhan pengguna dan mudahdigunakan. Hasil penelitian menunjukkan bahwa sistem"Defector" efektif dalam meningkatkan efisiensi dan kualitasproduksi kain tekstil. Antarmuka yang dikembangkan bersifatintuitif dan responsif, memungkinkan pengambilan keputusanyang lebih cepat dan akurat terkait perbaikan danpengembangan proses produksi. Kata kunci— Defect, Frontend, Laravel, Textile, User Centered Design (UCD)
Klasifikasi Multi-Label Pada Soal Berdasarkan Kategori Topik Menggunakan Metode Support Vector Machine Novanza, Alvin Renaldy; Pratiwi , Oktariani Nurul; Hamami , Faqih
eProceedings of Engineering Vol. 12 No. 1 (2025): Februari 2025
Publisher : eProceedings of Engineering

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

Abstract

Abstrak — Pendidikan, sebagai bagian penting dalamkehidupan manusia, senantiasa mengalami perkembanganseiring dengan adanya kemajuan ilmu pengetahuan danteknologi (IPTEK). Salah satu inovasi penting dalam pendidikanadalah e-learning, yang memungkinkan siswa belajar tanpaterikat ruang kelas. Namun, dengan semakin banyaknya soalkuis yang beragam topiknya, terutama dalam mata pelajaranIPA yang mencakup berbagai konsep ilmiah, pengelolaan soalsecara manual menjadi tidak efisien. Oleh karena itu,diperlukan sistem klasifikasi yang dapat mengorganisasi danmengelompokkan soal secara otomatis dan efisien, sehingga bisameningkatkan pemahaman siswa, khususnya pada matapelajaran IPA. Penelitian ini memiliki tujuan untukmengimplementasikan algoritma Support Vector Machinedalam proses klasifikasi soal multi-label pada mata pelajaranIPA tingkat SMP. Proses klasifikasi mencakup pembersihandata, case folding, tokenisasi, stopword removal, stemming, danpembobotan atau ekstraksi fitur teks menggunakan TF-IDF.Pemodelan menggunakan pendekatan problem transformationdengan metode label powerset untuk mengubah soal denganmulti-label menjadi bentuk multi-class sehingga bisa dilakukanklasifikasi biner oleh SVM. Evaluasi model dilakukanmenggunakan confusion matrix untuk menganalisis performaklasifikasi dan K-Fold Cross Validation untuk memastikankeakuratan dan generalisasi model. Hasil penelitianmenunjukkan bahwa SVM dapat diterapkan untuk klasifikasisoal multi-label dengan akurasi 67%, serta presisi, recall, danF1-score masing-masing sebesar 75%. Analisis confusion matrixmengungkapkan bahwa model memiliki beberapa kesalahanklasifikasi, mengindikasikan ruang untuk perbaikan lebihlanjut. Meskipun demikian, model SVM menunjukkan potensiyang baik. Penelitian ini juga mengidentifikasi beberapa areauntuk perbaikan, termasuk peningkatan kualitas data danpemilihan parameter model yang lebih optimal. Oleh karena itu,metode SVM layak dipertimbangkan dalam sistem pendidikanuntuk pengembangan bank soal dan sistem evaluasi berbasisteknologi, meskipun diperlukan perbaikan lebih lanjut pada model dan data. Kata kunci— bank soal, confusion matrix e-learning, klasifikasi multi-label, K-Fold Cross Validation, Support VectorMachine.
Prediksi Mahasiswa Mengundurkan Diri Menggunakan Metode Support Vector Machine Adnyana, I Gusti Ngurah Bagus Putra; Pratiwi, Oktariani Nurul; Darmawan, Irfan
eProceedings of Engineering Vol. 12 No. 1 (2025): Februari 2025
Publisher : eProceedings of Engineering

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

Abstract

Abstrak — Tingkat keberhasilan mahasiswa adalah salahsatu cara untuk mengukur kualitas dari sebuah perguruantinggi, dan salah satu masalah yang sering menyebabkanmahasiswa gagal adalah berhenti kuliah. Dari data yangdiperoleh 8.483.213 mahasiswa terdaftar pada tahun 2020,602.208 mahasiswa berhenti kuliah yang berasal dariperguruan tinggi swasta. Telkom University sebagai salah satuperguruan tinggi swasta akan dilakukan penelitian untukmemprediksi mahasiswa yang berhenti kuliah, terutama padaprogram studi S1 Sistem Informasi. Karena pada TelkomUniversity berhenti kuliah dikategorikan sebagaimengundurkan diri, maka penelitian ini dilakukan untukmemprediksi mahasiswa mengundurkan diri atau tidak.Mengundurkan diri pada program studi S1 Sistem Informasimerupakan salah satu key peformance indicator yang nilainyaharus dapat ditekan, oleh karena itu menggunakan machinelearning dengan metode SVM dapat menyelesaikanpermasalahan pada penelitian ini. Pada penelitian inimenunjukkan bahwa model SVM mendapatkan akurasi tinggisebesar 98,30% sebelum dilakukan metode oversamplingdengan SMOTE, namun menurun menjadi 92,34% setelahpenerapan metode oversampling dengan SMOTE untukmengatasi ketidakseimbangan data. Meskipun akurasinyamenurun, tetapi dari nilai recall, precision, serta F1-Scoremeningkat yang mengindikasikan SVM setelah dilakukanoversampling lebih baik dalam mengklasifikasikan mahasiswayang mengundurkan diri. Dengan akurasi yang tinggi, makametode SVM terbukti efektif dalam memprediksi mahasiswayang terindikasi mengundurkan diri atau tidak. Kata Kunci - SVM, Machine Learning, MahasiswaMengundurkan Diri, Prediksi, CRISP-DM
Analisis Prediksi Performa Akademik Menggunakan Algoritma Decision Tree (Studi Kasus: Prodi S1 Sistem Informasi Universitas Telkom) Hanid, Wihda Sifwi; Pratiwi, Oktariani Nurul; Darmawan, Irfan
eProceedings of Engineering Vol. 12 No. 3 (2025): Juni 2025
Publisher : eProceedings of Engineering

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

Abstract

Peningkatan kualitas pendidikan dan hasil belajarmenjadi tujuan utama sistem pendidikan, termasuk mengetahuiperforma akademik mahasiswa sejak dini. Jalur seleksi masukperguruan tinggi terbukti berpengaruh terhadap perbedaanprestasi belajar dan dapat dijadikan faktor dalam memantauperforma akademik mahasiswa. Penelitian ini menggunakanalgoritma Decision Tree untuk memprediksi performamahasiswa Prodi S1 Sistem Informasi Universitas Telkomberdasarkan data histori akademik angkatan 2017-2019 yangdikumpulkan melalui sistem informasi akademik resmi, yaituiGRACIAS. Proses pengolahan data mencakup tahap datapreparation, training, dan testing dengan penangananketidakseimbangan data menggunakan Synthetic MinorityOversampling Technique (SMOTE). Evaluasi performansimodel dilakukan menggunakan confusion matrix untukmengukur akurasi, presisi, recall, dan f1-score. Dariperhitungan confusion matrix, hasil penelitian menunjukkanbahwa baik model dengan maupun tanpa penanganan SMOTEmenghasilkan akurasi 66%, namun terdapat perbedaan padahasil metrik di kelas "Memuaskan", yaitu recall yangmeningkat dari 50% menjadi 67%. Selain itu, evaluasimenggunakan k-fold cross validation menunjukkan perbedaanyang signifikan, dengan akurasi sebelum menggunakanSMOTE sebesar 66%, sementara setelah menggunakanSMOTE, akurasi meningkat menjadi 84%. Penelitian ini jugamelakukan deployment dengan membangun sistem inputsederhana menggunakan Streamlit untuk memudahkanpengguna dalam memprediksi performa akademik mahasiswa.Penelitian ini memberikan kontribusi dalam mendukungpengambilan keputusan akademik untuk meningkatkanpemahaman terhadap performa mahasiswa. Kata kunci— Performa Akademik, Decision Tree, DataMining
Analisis Sentimen Berbasis Aspek Terhadap Richeese Factory pada Platform Twitter Menggunakan Algoritme Naïve Bayes dan Menggunakan Marketing Mix 4P Firzania, Heidea Yulia; Pratiwi, Oktariani Nurul; Hamami , Faqih
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

Abstrak— Pembatasan pengunjung di gerai makanan membuat masyarakat memesan makanan dan minuman darirumah sehingga popularitas brand tersebut meningkat. Makabanyak brand bersaing terutama brand makanan cepat saji.Richeese Factory adalah brand makanan cepat saji Indonesiayang menyajikan makanan pedas, saus keju dan satu-satunyabrand makanan yang bersaing dengan brand luar negeri, tetapibrand tersebut masih kalah dengan brand luar negeri. Denganmenggunakan analisis sentimen dan aspek teori Marketing Mix4p yang didapat dari ulasan pelanggan pada Twitter, dapatmeningkatkan minat masyarakat kepada brand RicheeseFactory. Sistematika penyelesaian menggunakan KnowledgeDiscovery in Database, tahapan pertama adalah data selection,pada tahap tersebut, peneliti menentukan keywordpengambilan data dari Twitter, yang kemudian data diambildengan cara crawling data. Hasil dari implementasi AlgoritmeNaïve Bayes perbedaan max features dan test size memilikiperan penting pada hasil akurasi. Algoritme Gaussian danMultinomial Naïve Bayes memiliki hasil akurasi yang lebihtinggi daripada Algoritme Bernoulli Naïve Bayes, akan tetapisebagian besar akurasi tertinggi pada Algoritme MultinomialNaïve Bayes dengan nilai 84%. Berdasarkan tingkat akurasidari implementasi Algoritme Naïve Bayes jika nilai max featuressemakin tinggi nilai akurasi juga semakin tinggi. Kata kunci— Richeese Factory, Analisis Sentiment, Marketing Mix, Naïve Bayes
Analisis Sentimen Pada Media Sosial Twitter Menggunakan Support Vector Machine (SVM) Terhadap Kata Kunci #TheLinkinJKT Asriana, Asriana; Pratiwi, Oktariani Nurul; Fakhrurroja, Hanif
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

Abstrak — Pada penelitian ini dilakukan sentimen analisis terhadap tweetss terkait #TheLinkinJKT mengenai segi <SistemTicketing= dan <Kepuasan Event= dengan kategori sentimen label positif dan negatif. Sentimen analisis dilakukan menggunakanpendekatan Machine Learning dengan algoritma Support VectorMachine (SVM). Terdapat 1.331 jumlah data keseluruhan pada <Sistem Ticketing= dengan 650 tweetss dengan label positif dan705 tweetss dengan label negatif. Sedangkan pada <Kepuasan Event= terdapat 4.400 jumlah data keseluruhan dengan 1.995dengan label positif dan 2.402 dengan label negatif, pelabelan datadilakukan secara manual. Berdasarkan hasil analisismenggunakan SVM, akurasi tertinggi pada <Sistem Ticketing=dengan rasio split 70:30 sebesar 0,737 atau 73% dan akurasitertinggi pada <Kepuasan Event= dengan rasio split 80:20 sebesar0,743 atau 74%. Adapun hasil evaluasi kinerja modelmenggunakan K-Fold Cross Validation pada <Sistem Ticketing=dengan hasil accuracy sebesar 0,74, precision sebesar 0,71, recallsebesar 0,71 dan f1- score sebesar 0,71, sedangkan pada<Kepuasan Event= hasil accuracy sebesar 0,74, precision sebesar0,82, recall sebesar 0,57, dan f1-score sebesar 0,68. Hasil darianalisis ini diharapkan dapat memberikan digunakan sebagaifeedback bagi pihak terkait untuk meningkatkan kualitas layananyang diberikan dari sisi sistem ticketing dan kepuasan konsumenterhadap event yang diselenggarakan oleh pihak promotorDyandra Global Edutainment untuk acara-acara berikutnya. Kata kunci— Analisis Sentimen, Support Vector Machine, Natural Language Processing
Extractive Text Summarization Terhadap Artikel Berita Indonesia Berbasis Machine Learning Hadwirianto, Muhammad Raihan; Hamami, Faqih; 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

Abstrak — Terciptanya internet, jejaring sosial, forum, danteknologi informasi yang tersebar secara cepat, menyebabkaninteraksi terhadap informasi semakin sulit untuk dipahami,dibuat, dikembangkan, dan disimpan. Dengan luasnyainformasi sehingga hampir tidak mungkin untuk seorang pununtuk memproses dan meringkas semua data informasi yangtersedia. Indonesia memiliki literasi yang sangat rendah darinegara lain dengan beberapa faktor seperti tidak membiasakandiri untuk membaca buku dari rumah, perkembanganteknologi yang semakin pesat, minimnya sarana untukmembaca, kurangnya motivasi untuk membaca, dan sifat malasuntuk mengembangkan ide. Automatic text summarizationadalah salah satu alternatif teknologi yang bisa digunakanuntuk menyelesaikan masalah tersebut. Automatic textsummarization merupakan bagian dari bidang NaturalLanguage Processing (NLP) yang bertujuan untukmerepresentasikan dokumen teks yang panjang menjadi lebihringkas, sehingga pengguna dapat dengan mudah memahamiinformasi dengan cepat. Berbagai metode telah dilakukanuntuk mengatasi masalah peringkasan teks otomatis untukobjek berbahasa Indonesia, yaitu berbasis extractive danabstractive. Untuk mengatasi masalah ini, pada penelitiandigunakan extractive text summarization berbasis machinelearning. Pada penelitian ini menggunakan dataset publik yangbisa digunakan untuk penelitian-penelitian selanjutnya. Metodeyang digunakan untuk mendapatkan hasil summarizationdengan menggunakan metode Word2Vec dengan penerapanmodel Continous Bag-of-Word (CBOW) dan Skip-Gram. Metodeyang digunakan untuk evaluasi akurasi hasil ringkasan adalahRecall-Oriented Understudy for Gisting Evaluation (ROUGE). Kata kunci— Automatic Text Summarization, Word2Vec,Continous Bag-of-Words, Skip-Gram, Recall-OrientedUnderstudy for Gisting Evaluation
Co-Authors Adnyana, I Gusti Ngurah Bagus Putra Agustiana, Nathifa Amarila Zahratun Nisa Anindya Prameswari Putri Djakaria Anshari, Faishal Mufied Al Asriana Asriana, Asriana Bagaskara, Kumara Ris Panji Cahyani, Pradita Chika Enggar Puspita Deden Witarsyah Deden Witarsyah Eflin Trinova Limbong Fa'rifah, Riska Yanu Fadhilah Fazrin Fakhrurroja, Hanif Faqih Hamami Firzania, Heidea Yulia Galih Rashif Husaini Gosal, Yose Thimothy Hadwirianto, Muhammad Raihan Hanid, Wihda Sifwi Hilman Dwi Anggana Hyoen-yeong Yoon Ida Bagus Ketut Widiartha Iqbal Yulizar Mukti Irfan Darmawan Ivania Nonita Chrisdiyanti Jody Mardika Jun-seok Hwang Kamil, Andhika Ihsan Kasparov, Michael Christensen Bonar Kurniawan, Muhammad Rayhan Luthfi Ahmad Muhaimin Muharman Lubis Mustada, Fitrina Annisa Novanza, Alvin Renaldy Nur Ichsan Utama Nuraliza, Hilda Orvalamarva Rachmadita Andreswari Rama Ariandi Riska Yanua Fa&#039;rifah Rudi Guna Pramudia Rukmana, Putri Utami Saleh Hasan Badjrie Shinta Pramuwidya Sutoyo, Edi Talisman, Bryan Ronald Yulio Ferdinand Yuni Kardila