Wiyli Yustanti
Unknown Affiliation

Published : 5 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search

Pengembangan Sistem Informasi Evaluasi Diri Universitas Negeri Surabaya Wiyli Yustanti,
Teknika Vol 8, No 1 (2007)
Publisher : Teknika

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

Abstract

Didalam perkembangan ilmu teknologi informasi terutama yang berkaitan dengan pengolahan database yang berukuran cukup besar, ada teknik pengolahan data yang disebut sebagai data mining. Adapun data mining ini merupakan proses ekplorasi informasi dari database yang ukuran sangat besar untuk mencari adanya trend atau pola-pola yang menarik yang bermanfaat bagi pemilik database tersebut. Adapun konsep dasar dari kegiatan ini adalah memanfaatkan data yang tersimpan dalam database akademik untuk dapat menghasilkan informasi yang bermanfaat bagi manajemen Unesa. Salah satu informasi penting yang dibutuhkan oleh jurusan, fakultas maupun universitas adalah data-data yang dibutuhkan dalam laporan Evaluasi Diri. Information Technology development especially related to database processing that its size very large, there is new field in database processing is called data mining. Data mining is exploration process to find interesting trend and pattern from large database that useful for owner. The basic concept in this process is using data that store in the repository about academic data to find useful information for management of Unesa. One of important informations is needed by department; faculty or university is self evaluation data.
Analisis Profil Alumni Prodi D3 Manajemen Informatika Universitas Negeri Surabaya Menggunakan Metode Clustering K-Means Wiyli Yustanti, ; Ria Susanti,
Teknika Vol 12, No 2 (2011)
Publisher : Teknika

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

Abstract

Abstrak Pengelolaan data alumni sehingga dapat menghasilkan informasi yang penting merupakan hal yang mendesak terutama berkaitan dengan pencapaian akreditasi sebuah program studi. Salah satu metode yang dapat digunakan untuk mengelola data profil alumni adalah melalui teknik data mining khususnya algoritma K-Means. Dengan demikian perancangan perangkat lunak untuk analisa data alumni dengan metode data mining sangat diperlukan demi efektifitas dan efisiensi dalam proses visualisasi profil alumni. Dari hasil analisis klaster diharapkan dapat memberikan gambaran mengenai proses dan hasil rekayasa perangkat lunak dan mengetahui profil alumni berdasarkan model klasternya sehingga dapat membantu pihak jurusan untuk mendapatkan informasi pemetaan profil alumni berdasarkan tingkat kemiripan data antar individu alumni.Studi kasus data alumni adalah alumni program studi D3 Manajemen Informatika di Universtas Negeri Surabaya (Unesa).
Algoritma K-Nearest Neighbour untuk Memprediksi Harga Jual Tanah Wiyli Yustanti
Jurnal Matematika, Statistika dan Komputasi Vol. 9 No. 1: July 2012
Publisher : Department of Mathematics, Hasanuddin University

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (545.454 KB) | DOI: 10.20956/jmsk.v9i1.3399

Abstract

Sampai saat ini masih banyak masyarakat yang kesulitan untuk menentukan pilihan dalam memilih tanah yang strategis dengan harga sesuai kemampuan karena kurangnya pengetahuan tentang harga tanah berdasarkan harga pasar. Berdasarkan permasalahan tersebut maka dilakukan perancangan dan pembuatan aplikasi yang dapat digunakan untuk memprediksi harga jual tanah dengan pendekatan algoritma K-Nearest Neighbour (KNN). Dengan aplikasi ini diharapkan dapat memberikan Informasi yang lebih akurat dan efisien tentang harga jual tanah serta membantu para calon pembeli atau penjual tanah untuk memprediksi nilai tanah sesuai dengan kriteria yang ditentukan. Data yang dikumpulkan berupa data sekunder. Metode yang digunakan adalah gabungan antara  tahapan data mining yang dikenal dengan istilah Cross-Industry Standard Process for Data Mining (CRISP-DM) dan metode pengembangan perangkat lunak Waterfall Model. Secara keseluruhan aplikasi ini mampu untuk memprediksi nilai tanah dengan pemrosesan yang cukup lama karena algoritma KNN prinsipnya adalah membandingkan data testing (data baru) dengan data training (data lama) secara satu persatu. Hasil akurasi dari prediksi data testing adalah sebesar 80%. 
Uncovering Hidden Issues in Audit Findings Through LDA-Based Topic Modeling Prastyo, Yoyok; Wiyli Yustanti; Yuni Yamasari
JIEET (Journal of Information Engineering and Educational Technology) Vol. 9 No. 1 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jieet.v9n1.p28-35

Abstract

Academic audit reports play an important role in assessing and monitoring the quality of higher education. However, most of these reports are arranged in an unstructured narrative descriptive form, making it difficult to analyze systematically and consistently, especially if done manually. This poses a challenge for auditors and decision makers in identifying patterns of findings and quality issues efficiently. This study aims to apply and evaluate the Latent Dirichlet Allocation (LDA) method in extracting keywords and abstracting main topics from academic audit report texts. The dataset was obtained from the Quality Management System (SIMUTU) of Surabaya State University, which includes hundreds of audit finding descriptions from various faculties over the past three years. The methodology used includes text preprocessing stages using tokenization, stopword removal, and stemming techniques, followed by topic modeling using LDA. Evaluation was carried out quantitatively using a coherence score to assess topic quality, and qualitatively through visualization of results in the form of word clouds and pyLDAvis. The results showed that the LDA model was able to produce meaningful, representative, and relevant topics in the context of academic quality, such as document management, lecturer involvement, and implementation of learning evaluations. Manual validation by internal quality experts showed that the generated topics can help in understanding audit findings trends more quickly and objectively. Thus, LDA has proven to be effective as an approach to extracting important information from unstructured audit reports and has great potential to be integrated into data-driven quality dashboard systems to support more informed and evidence-based decision making.
DETEKSI DINI MELANOMA MENGGUNAKAN ALGORITMA HYBRID FCM-CNN BERBASIS ANDROID Alda Ellsa Faradilla; Wiyli Yustanti
JIEET (Journal of Information Engineering and Educational Technology) Vol. 9 No. 2 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jieet.v9n2.p129-140

Abstract

Menurut Global Cancer Observatory, kasus melanoma terendah terjadi pada populasi Asia sekitar 25% dari 100.000 penduduk di tahun 2018. Melanoma adalah keganasan melanosit, sel penghasil melanin (pigmen) di lapisan basal epidermis. Keberadaan melanoma sering tidak diketahui oleh banyak orang menjadi salah satu penyebab tingginya angka kematian yang disebabkan oleh kanker kulit ini. Penelitian ini bertujuan untuk meningkatkan peluang kesembuhan dan menurunkan angka kematian akibat melanoma. Dengan mengimplementasikan algoritma hybrid Fuzzy C-Means (FCM) dan Convolutional Neural Network (CNN) berbasis Android menggunakan dataset ISIC 2017. Algoritma ini memanfaatkan keunggulan segmentasi yang dimiliki oleh FCM, seperti menghasilkan area yang lebih homogen, mengurangi penyebaran blobs, mengurangi noise, dan meminimalisir sensitivitas terhadap noise. Serta memanfaatkan CNN dalam proses klasifikasi dimana secara otomatis mengekstraksi fitur-fitur dari data latih, yang menghilangkan ketergantungan pada berbagai fitur dasar dan berpotensi meningkatkan kualitas pelatihan. Aplikasi dikembangkan menggunakan Kotlin dengan metodologi CRISP-DM dalam proses analisis data, meliputi pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi, dan penerapan menggunakan Rapid Application Development (RAD). Evaluasi model dilakukan dengan menggunakan K-Fold Cross-Validation dan pengujian aplikasi menggunakan Black Box Testing. Hasil penelitian menunjukkan bahwa model hybrid FCM-CNN memberikan performa terbaik pada skala pembagian dataset 80:20 menggunakan epoch 50, batch size 16, optimizer Adam, dan K-Fold 10 dengan akurasi 99.42%. Hasil uji analisis pada aplikasi deteksi melalui kamera detector jarak jauh menggunakan smartphone Samsung A23 dengan akurasi rata-rata hasil uji analisis aplikasi mencapai 78.33%. Dengan penelitian ini diharapkan memberikan kontribusi pada perkembangan teknologi di bidang medis untuk mengidentifikasi melanoma secara dini.