Article Per Year (5 Year)
p-Index From 2021 - 2026
7.128
P-Index
This Author published in this journals
All Journal 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 The Indonesian Journal of Computer Science International Journal of Computer Technology and Science Journal of Production, Enterprise, and Industrial Applications ITEJ (Information Technology Engineering Journals)
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 Mechanical Engineering

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

Found 53 Documents
Search

 2   3   4   5   6 
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
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
A Systematic Literature Review on AI and NLP Applications for Customer Support Automation and Digital Service Yulio Ferdinand; Muharman Lubis; Oktariani Nurul Pratiwi
International Journal of Computer Technology and Science Vol. 2 No. 4 (2025): International Journal of Computer Technology and Science
Publisher : Asosiasi Riset Teknik Elektro dan Infomatika Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62951/ijcts.v2i4.317

Abstract

This study presents a Systematic Literature Review on Artificial Intelligence (AI) and Natural Language Processing (NLP) applications for customer support automation and digital service optimization. The review follows the PRISMA framework to ensure methodological rigor and transparency, focusing on literature published between 2020 and 2025 from the Scopus database. The findings reveal that AI-driven technologies, including Machine Learning, Deep Learning, and Large Language Models, have significantly improved efficiency, response time, and customer satisfaction in customer support and digital service. Common NLP applications include sentiment analysis, ticket classification, and automated response generation. Among these, hybrid and transformer-based models demonstrate superior accuracy and contextual understanding compared to traditional algorithms. However, several challenges persist, including data quality limitations, privacy and security concerns, algorithmic bias, and linguistic ambiguities such as sarcasm and negation. Moreover, issues related to trust and ethical adoption continue to influence user acceptance of AI systems. This review provides a comprehensive synthesis of current methodologies, trends, and research gaps, offering insights for future studies to develop explainable, secure, and human-centered AI systems that enhance the sustainability and transparency of digital customer support services.
Analysis of Resilience of Education System in Higher Education Due to Covid-19 Pandemic in Indonesia: A Systematic Literature Review Widiartha, Ida Bagus Ketut; Hwang, Jun-seok; Yoon, Hyoen-yeong; Pratiwi, Oktariani Nurul
JOIV : International Journal on Informatics Visualization Vol 7, No 2 (2023)
Publisher : Society of Visual Informatics

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30630/joiv.7.2.1814

Abstract

This study discusses learning strategies resilience that can be used to improve learning outcomes during the current pandemic circumstances, which have limitations in face-to-face learning. Online learning has many limitations compared to offline one. However, it must keep running because one of the strategies against the SAR-Cov2 virus is to inhibit its spread by limiting direct contact with other people. The literature review is carried out with a protocol involving text mining tools to find the most widely used keywords and their relationships, which is then carried out by a snowball literature review to deepen these keywords. There are several findings from this study, namely (1) Three critical components that play a significant role in improving learning outcomes in the distance learning method, namely the role of students, lectures, and technology. (2) A framework must ensure that the other three components perform their functions properly and provide an effective learning environment. (3) Reward and punishment play a vital role in ensuring the framework is implemented as it should be. Integrating an effective learning environment with remuneration programs and teaching grants will encourage improvements in the learning process and increase the number of positive contents on the Internet. This learning environment can also be a model that supports independent learning activities - an independent campus, the Ministry of Education and Culture of the Republic of Indonesia's flagship program, and digital commercialization in the educational sphere.
Classification of High School History Questions Based on Cognitive Level Revised Bloom's Taxonomy Using K-Nearest Neighbor Method Salma, Farah Sherina; Pratiwi, Oktariani Nurul; Fa’rifah, Riska Yanu
Jurnal Sistem Cerdas Vol. 8 No. 2 (2025)
Publisher : APIC

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37396/jsc.v8i2.254

Abstract

Education plays an important role in transmitting knowledge to its students and to measure how well the student understands, testing is needed based on the cognitive level of knowledge. In measuring the cognitive level, it can be applied with reference to the Revised Bloom's Taxonomy which explains the regulation of learning processes and targets. Then by testing knowledge through the questions that have been made, it is necessary to classify the questions into several cognitive levels according to Revised Bloom's Taxonomy to determine the learning process and understanding of each individual. Many types of questions that are formed make classification difficult because the method is still done manually, therefore machine learning is needed. This study will focus on the classification of questions from the History subject in high school. The dataset used is downloaded from internet searches of USBN, PAS, PTS, and other exams. This study focuses on RBT C4 to C6 only. This study uses the K-Nearest Neighbor algorithm to obtain accuracy and with the imbalance of data in the dataset, an oversampling method using SMOTE will also be used. The accuracy results obtained are precision is 76%, recall is 76%, f1-score is 74%, accuracy is 76%. Keywords—question classification, KNN, high school history, SMOTE, RBT, oversampling
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
Multi-Output Classification of Cognitive Levels and Topics in Indonesian Questions using Deep Learning and Transformers Orvalamarva, Orvalamarva; Pratiwi, Oktariani Nurul; Fakhrurroja, Hanif
International Journal of Advances in Data and Information Systems Vol. 7 No. 1 (2026): April 2026 - International Journal of Advances in Data and Information Systems
Publisher : Indonesian Scientific Journal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59395/ijadis.v7i1.1492

Abstract

Managing large-scale digital question banks struggles with manual metadata labeling, especially when identifying material topics and cognitive levels based on the Revised Bloom's Taxonomy. Current automated approaches usually treat these two attributes as separate tasks, which adds to the system's complexity and computational load. This study introduces a multi-output classification method using a shared encoder architecture with two task-specific heads to predict topics and cognitive levels simultaneously. We performed experiments on 685 Indonesian junior high science questions, covering 15 topic labels and four cognitive levels (C1–C4), with an imbalanced distribution in which lower cognitive levels accounted for more than 75% of the dataset. To handle this imbalance, we applied Focal Loss to taxonomy classification, and class weighting was used in the comparison model. A comparative study involved CNN, BiLSTM, DistilBERT, and IndoBERT. Our results demonstrate that IndoBERT delivered the best performance, with F1-macro scores of 0.78 for topics and 0.71 for cognitive levels and showed better performance in minority classes compared to standard cross-entropy-based models. These findings suggest that an integrated multi-output approach can boost the efficiency and accuracy of question labeling and offers potential for integration into Computer-Based Test systems and e-assessment platforms in real time.
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 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.
Co-Authors Adnyana, I Gusti Ngurah Bagus Putra Agustiana, Nathifa Alfian Akbar Gozali Alyasyifa, Salma Andhika Ihsan Kamil 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 Faishal Mufied Al Anshar Fakhrurroja, Hanif Faqih Hamami Fazrin, Fadhilah Firzania, Heidea Yulia Gosal, Yose Thimothy Hadwirianto, Muhammad Raihan Hanid, Wihda Sifwi Hanif Fakhrurroja 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 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 Nathifa Agustiana Nisa, Amarila Zahratun Novanza, Alvin Renaldy Nur Ichsan Utama Nuraliza, Hilda Orvalamarva Orvalamarva, Orvalamarva Pradita Cahyani Pramudia, Rudi Guna Pramuwidya, Shinta R. Rama Ahmad Waliyya Rachmadita Andreswari Reihaini Fikria Bunga Oktaviani Revanda Octavian Rukmana, Putri Utami Saleh Hasan Badjrie Salma, Farah Sherina Sutoyo, Edi Talisman, Bryan Ronald Taufiq Hamdani Yunan Yoon, Hyoen-yeong Yulio Ferdinand