Article Per Year (5 Year)
p-Index From 2021 - 2026
1.152
P-Index
This Author published in this journals
All Journal Al-Khwarizmi: Jurnal Pendidikan Matematika dan Ilmu Pengetahuan Alam Jurnal Pengabdian Masyarakat Ilmu Terapan (JPMIT) AnoaTIK: Jurnal Teknologi Informasi dan Komputer STATISTIKA
Irma Yahya
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Mathematics

Published : 6 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 6 Documents
Search

 1 
Pembuatan Google Form Sebagai Salah Satu Instrumen Pembelajaran Siswa Pada SMP Negeri 2 Dan SMP Negeri 3 Watopute Kabupaten Muna Agusrawati Agusrawati; Gusti Ngurah Adhi Wibawa; Irma Yahya; Iskandar Pattih; Ruslan Ruslan; Hamirul Hadin
Jurnal Pengabdian Masyarakat Ilmu Terapan Vol 4, No 1 (2022)
Publisher : Vokasi Universitas Halu Oleo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33772/jpmit.v4i1.26567

Abstract

Sesuai dengan amanat Undang-Undang Nomor 14 Tahun 2005 tentang Guru dan Dosen, maka guru merupakan salah satu pengajar professional yang dituntut mengembangkan diri secara berkelanjutan. Salah satu upaya berkelanjutan ini adalah melalui perbaikan metode pembelajaran kelas, perbaikan metode pembelajaran dengan menggunakan media digital yang akan membantu guru dalam melaksanakan tugas secara kuantitatif dan kualitatif melalui penggunaan media google form. Pengabdian ini akan membahas bagaimana membuat google form secara konkrit dalam melalukan proses pembelajaran, bukan hanya tindakan kelas dengan penekananpadakonsep.Pembahasan diawali dengan menjelaskan manfaat dan fungsi google form, kemudian dilanjutkan dengan bagaimana membuat google form. Kemudian selanjutnya adalah bagaimana penggunaannya, sampai pada bagaimana agar siswa juga mampu mengetahui kegunaan google form tersebut. Pada akhir pelatihan akan disebutkan bagian rekomendasi yang memuat hal- hal yang perlu diperhatikan dalam menggunakan google form dalam proses pembelajaran. Target luaran kegiatan PKMI ini adalah peningkatan kemampuan guru dalam menggunakan media digital berupa google form terutama bagi sekolah-sekolah yang masih jauh dari jangkauan pengetabuan digital secara emperis, artikel ilmiah yang dipublikasikan pada jurnal nasional.
PELATIHAN SISTEM BALANCING VOTE DATA UNTUK MENGATASI KONFLIK HORIZONTAL AKIBAT SURVEY PILKADA Ruslan Ruslan; Gusti Arvyana Rahman; Izal Izal; Ida Usman; Lilis Laome; Irma Yahya; Agusrawati Agusrawati
Jurnal Pengabdian Masyarakat Ilmu Terapan Vol 5, No 1 (2023)
Publisher : Vokasi Universitas Halu Oleo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33772/jpmit.v5i1.40169

Abstract

Pemilihan Kepala Daerah (Pilkada) merupakan kegiatan yang melibatkan aspirasi masyarakat secara umum yang dihelat secara periodik setiap lima tahun sekali. Pilkada kerap kali memicu timbulnya konflik horizontal di masyarakat karena dalam pelaksanaannya dilakukan secara langsung. Perbedaan mencolok hasil hitungan cepat (quick count) antar lembaga survey pada proses pilkada dapat membuat masyarakat menjadi bingung. Peran akademisi dan tokoh masyarakat dalam menangani masalah yang kerap tejadi selama proses pilkada berlangsung sangat dibutuhkan untuk mengurangi ketegangan di masyarakat yang terjadi selama proses pilkada berlangsung sangat dibutuhkan untuk mengurangi ketegangan di masyarakat yang terjadi akibat perbedaan hasil perhitungan cepat dari berbagai lembaga survey adalah melakukan kegiatan pelatihan yaitu pelatihan sistem balancing vote data untuk mengatasi konflik horizontal akibat survey pilkada. Hasil pelatihan menunjukan adanya peningkatan pemahaman materi pelatihan yang signifikan dari para peserta tentang konsep quick count pilkada dan konsep sampling.   
Modeling of Maternal Mortality Risk Factors Using Negative Binomial Regression Approach in Southeast Sulawesi Province in 2022 Alfia Mutmainah; Ruslan; Irma Yahya
Statistika Vol. 25 No. 1 (2025): Statistika
Publisher : Department of Statistics, Faculty of Mathematics and Natural Sciences, Universitas Islam Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/statistika.v25i1.6137

Abstract

Abstract. This study aims to model the risk factors for maternal mortality in Southeast Sulawesi Province in 2022 using a negative binomial regression approach. This analysis is used to overcome the overdispersion problem in count data. The data used is secondary data obtained from the Southeast Sulawesi Provincial Health Service. The variables studied included the number of health centers, the percentage of births in health service facilities, the percentage of pregnant women who implemented the K4 program, the percentage of pregnant women who implemented the K1 program, and the number of midwives. The research results showed that the variables percentage of births in health service facilities, percentage of pregnant women implementing the K4 program, and number of midwives significantly affected maternal mortality. The negative binomial regression model illustrates that increasing the percentage of births in health service facilities and implementing the K4 program can reduce maternal mortality. On the other hand, increasing the number of midwives did not have a significant effect on reducing maternal mortality.
Klasifikasi Judul Berita Online Menggunakan Multinomial Naïve Bayes Laome, Lilis; Dian Christien Arisona; Zelianti; Gusti Ngurah Adhi Wibawa; Irma Yahya; Mukhsar
Al-Khwarizmi : Jurnal Pendidikan Matematika dan Ilmu Pengetahuan Alam Vol. 13 No. 1 (2025): Al-Khwarizmi : Jurnal Pendidikan Matematika dan Ilmu Pengetahuan Alam
Publisher : Prodi Pendidikan Matematika FTIK IAIN Palopo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24256/jpmipa.v13i1.6486

Abstract

Abstract: News is defined as stories or information about current events. News can be classified into two categories, namely hard news and soft news. Generally, hard news refers to news topics that are timely, important and consequential. Meanwhile, soft news refers to information that is interesting, unique and entertaining. This research investigates online news headline classification using an enhanced Multinomial Naïve Bayes approach combined with SMOTE (Synthetic Minority Oversampling Technique) to address class imbalance issues. The results showed that out of 4,122 data collected, 3821 or 92.70% of news headlines were classified as hard news categories and 301 or 7.30% of other news headlines were classified as soft news categories. With an accuracy value of 91.5%, precision of 96.8%, recall of 93.8%, F1-Score of 95.2% and AUC value of 0.78 which shows Multinomial Naïve Bayes is good enough in distinguishing hard news and soft news categories, although it has not reached the optimal level. Abstract: Berita didefinisikan sebagai cerita atau informasi tentang peristiwa terkini. Berita dapat diklasifikasikan ke dalam dua kategori, yaitu berita keras (hard news) dan berita lunak (soft news). Umumnya, berita keras mengacu pada topik berita yang tepat waktu, penting, dan konsekuen. Sementara itu, berita lunak mengacu pada informasi yang menarik, unik, dan menghibur. Penelitian ini menyelidiki klasifikasi judul berita online menggunakan pendekatan Multinomial Naïve Bayes yang disempurnakan yang dikombinasikan dengan SMOTE (Synthetic Minority Oversampling Technique) untuk mengatasi masalah ketidakseimbangan kelas. Hasil penelitian menunjukkan bahwa dari 4.122 data yang dikumpulkan, 3821 atau 92,70% judul berita diklasifikasikan sebagai kategori hard news dan 301 atau 7,30% judul berita lainnya diklasifikasikan sebagai kategori soft news. Nilai akurasi sebesar 91.5%, precision sebesar 96.8%, recall sebesar 93.8%, F1-Score sebesar 95.2% dan nilai AUC sebesar 0.78 yang menunjukkan Multinomial Naïve Bayes sudah cukup baik dalam membedakan kategori hard news dan soft news, meskipun belum mencapai tingkat optimal.
Klasifikasi Judul Berita Online Menggunakan Multinomial Naïve Bayes Laome, Lilis; Dian Christien Arisona; Zelianti; Gusti Ngurah Adhi Wibawa; Irma Yahya; Mukhsar
Al-Khwarizmi : Jurnal Pendidikan Matematika dan Ilmu Pengetahuan Alam Vol. 13 No. 1 (2025): Al-Khwarizmi : Jurnal Pendidikan Matematika dan Ilmu Pengetahuan Alam
Publisher : Prodi Pendidikan Matematika FTIK IAIN Palopo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24256/jpmipa.v13i1.6486

Abstract

Abstract: News is defined as stories or information about current events. News can be classified into two categories, namely hard news and soft news. Generally, hard news refers to news topics that are timely, important and consequential. Meanwhile, soft news refers to information that is interesting, unique and entertaining. This research investigates online news headline classification using an enhanced Multinomial Naïve Bayes approach combined with SMOTE (Synthetic Minority Oversampling Technique) to address class imbalance issues. The results showed that out of 4,122 data collected, 3821 or 92.70% of news headlines were classified as hard news categories and 301 or 7.30% of other news headlines were classified as soft news categories. With an accuracy value of 91.5%, precision of 96.8%, recall of 93.8%, F1-Score of 95.2% and AUC value of 0.78 which shows Multinomial Naïve Bayes is good enough in distinguishing hard news and soft news categories, although it has not reached the optimal level. Abstrak: Berita didefinisikan sebagai cerita atau informasi tentang peristiwa terkini. Berita dapat diklasifikasikan ke dalam dua kategori, yaitu berita keras (hard news) dan berita lunak (soft news). Umumnya, berita keras mengacu pada topik berita yang tepat waktu, penting, dan konsekuen. Sementara itu, berita lunak mengacu pada informasi yang menarik, unik, dan menghibur. Penelitian ini menyelidiki klasifikasi judul berita online menggunakan pendekatan Multinomial Naïve Bayes yang disempurnakan yang dikombinasikan dengan SMOTE (Synthetic Minority Oversampling Technique) untuk mengatasi masalah ketidakseimbangan kelas. Hasil penelitian menunjukkan bahwa dari 4.122 data yang dikumpulkan, 3821 atau 92,70% judul berita diklasifikasikan sebagai kategori hard news dan 301 atau 7,30% judul berita lainnya diklasifikasikan sebagai kategori soft news. Nilai akurasi sebesar 91.5%, precision sebesar 96.8%, recall sebesar 93.8%, F1-Score sebesar 95.2% dan nilai AUC sebesar 0.78 yang menunjukkan Multinomial Naïve Bayes sudah cukup baik dalam membedakan kategori hard news dan soft news, meskipun belum mencapai tingkat optimal.
ANALISIS SENTIMEN ULASAN APLIKASI WATTPAD DI GOOGLE PLAY STORE DENGAN METODE RANDOM FOREST Safira Nur Adhan; Gusti Ngurah Adhi Wibawa; Dian Christien Arisona; Irma Yahya; Ruslan Ruslan
AnoaTIK: Jurnal Teknologi Informasi dan Komputer Vol 2 No 1 (2024): Juni 2024
Publisher : Program Studi Ilmu Komputer FMIPA-UHO

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33772/anoatik.v2i1.32

Abstract

Wattpad is an application and online community site that allows users to write or read informational content in the literary sphere with various genres or categories such as short stories, classics, action, adventure, romance, fantasy, humor, spiritual, mystery, horror, poetry, science fiction, historical fiction, teen fiction, general fiction, fan fiction, and non-fiction. By December 2023, 90 million users spent more than 23 billion minutes accessing the app each month. This study aims to provide an overview of user sentiment while classifying it as negative or positive sentiment text using Random Forest and Random Forest methods optimized with the SMOTE (Synthetic Minority Oversampling Technique) on Wattpad App user reviews that experience class imbalance. The results showed that out of 9.975 data collection results, only 8.743 data could be used with a percentage of positive sentiment of 64,2% (5.616) and 35,8% (3.127) negative sentiment. The Random Forest method without SMOTE optimization tends to be superior in predicting unbalanced sentiment classification, this can be seen from the accuracy value which reaches 84,05%, precision 84,71%, recall 91,60%, F1-Score 88,02%, FPR 8,40%, and AUC value 0,9166 are categorized as excellent classification. SMOTE Random Forest modeling is able to improve the ability to classify the minority class, negative sentiment, as can be seen from the increase in precision value from 84,71 % to 86,70% (1,99%). Unfortunately, this class balancing resulted in a decrease in the performance of accuracy, recall, f1-score and AUC values. In addition, based on the feature importance values, the most influential features in both models are the word attributes "kecewa", "bagus", and "baik".
Co-Authors Agusrawati Agusrawati Agusrawati Agusrawati Alfia Mutmainah Dian Christien Arisona Gusti Arvyana Rahman Gusti Ngurah Adhi Wibawa Hamirul Hadin Ida Usman Iskandar Pattih Izal Izal Lilis Laome Mukhsar Ruslan Ruslan Ruslan Ruslan Ruslan Safira Nur Adhan Zelianti