Article Per Year (5 Year)
p-Index From 2021 - 2026
3.681
P-Index
This Author published in this journals
All Journal Jurnal Sains dan Seni ITS Teknika: Jurnal Sains dan Teknologi Jurnas Nasional Teknologi dan Sistem Informasi JOIV : International Journal on Informatics Visualization JOURNAL OF INFORMATICS AND TELECOMMUNICATION ENGINEERING Syntax Literate: Jurnal Ilmiah Indonesia IJISTECH (International Journal Of Information System & Technology) JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Jurnal Teknologi Informasi dan Pendidikan Building of Informatics, Technology and Science Jurnal Varian IJISTECH Jurnal Indonesia : Manajemen Informatika dan Komunikasi D'computare: Jurnal Ilmiah Teknologi Informasi dan Ilmu Komputer Indonesian Journal of Fundamental Sciences eProceedings of Engineering Jurnal Indonesia : Manajemen Informatika dan Komunikasi Kesatria : Jurnal Penerapan Sistem Informasi (Komputer dan Manajemen)
Fa'rifah, Riska Yanu
Universitas Telkom
Arts Humanities Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Immunology & microbiology Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Medicine & Pharmacology Physics Social Sciences Other

Published : 30 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 30 Documents
Search

 1   2   3 
Analisis Sentimen Pada Komentar Youtube Untuk Mengetahui Pandangan Masyarakat Kepada Calon Presiden Indonesia 2024 Menggunakan Algoritma Support Vector Machine Mufriz, Muhammad Fadwa; Witarsyah, Deden; Fa'rifah , Riska Yanu
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

— Analisis sentimen merupakan metode penting dalam memahami pandangan dan opini masyarakat terhadap suatu peristiwa atau entitas. Dalam konteks pemilihan presiden 2024 di Indonesia, analisis sentimen menjadi krusial untuk memahami dukungan dan pendapat masyarakat. Dalam penelitian ini, peneliti menggunakan metode Support Vector Machine (SVM) untuk melakukan analisis sentimen terhadap komentar masyarakat pada platform YouTube terkait pemilihan presiden 2024. Tahapan analisis dimulai dengan preprocessing, termasuk langkah-langkah seperti tokenisasi, normalisasi, penghapusan stop words, dan lemmatisasi. Selanjutnya, data dibagi menjadi 70% untuk training dan 30% untuk testing. Peneliti melakukan grid search untuk menentukan parameter terbaik untuk model SVM, seperti kernel dan parameter C. Label yang dianalisis terdiri dari positif, negatif, dan netral, yang merepresentasikan sentimen komentar masyarakat terhadap calon presiden. Hasil penelitian menunjukkan bahwa model SVM mampu mengklasifikasikan sentimen komentar dengan akurasi yang memuaskan setelah dilakukan grid search untuk penentuan parameter terbaik. Model Anies dan Prabowo menunjukkan performa yang sangat baik dengan nilai precision, recall, dan F1-score yang tinggi untuk semua label sentimen, yaitu sekitar 94%, 92%, dan 93% untuk Anies, serta sekitar 96%, 97%, dan 96% untuk Prabowo. Sedangkan model Ganjar memiliki performa yang lebih rendah dengan precision sekitar 83%, recall sekitar 80%, dan F1-score sekitar 81%. Kata kunci— Pemilihan Presiden; Analisis Sentimen; Support Vector Machine; YouTube; Vader Lexicon, grid search
Optimasi Topologi Jaringan Untuk Meningkatkan Ketahanan Jaringan Dan Mitigasi Kemacetan Pada Jaringan Pt Xyz Arrahmani, Farras Hilmy; Hamami, Faqih; Fa’rifa, Riska Yanu
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

Peningkatan penggunaan internet dan aplikasi data secara global dalam dunia digital telah menyebabkan kemacetan jaringan data informasi yang signifikan, menyoroti kebutuhan mendesak akan layanan internet berkecepatan tinggi. Dalam mengatasi masalah ini, teknologi 5G diidentifikasi sebagai solusi yang mampu mengurangi kemacetan proses transmisi dan meningkatkan Kualitas Layanan (QoS) dalam pengadopsian layanan digital, termasuk mobile banking dan aplikasi lainnya. Untuk menghindari kemacetan transmisi data dengan mengelak titik-titik kegagalan kritis, diperlukan desain yang efektif, di mana Algoritma Bellman-Ford terbukti berhasil dalam menganalisa komunikasi data dengan menghindari lalu lintas dan node, sehingga meningkatkan aspek QoS seperti output, tingkat pengiriman paket, dan meminimalkan kehilangan data dari ujung ke ujung. PT. XYZ, perusahaan yang beroperasi dalam bidang digital dengan jaringan komunikasinya, juga menghadapi masalah serupa dan menemukan bahwa pemanfaatan Algoritma Bellman-Ford menyediakan solusi yang cukup akurat untuk mengatasi masalah yang dihadapi. Penambahan link baru sebagai strategi optimasi topologi secara signifikan meningkatkan efisiensi dan QoS jaringan PT XYZ. Evaluasi hasil simulasi menunjukkan bahwa penggunaan Algoritma Bellman-Ford dan Graph Metric Average Betweenness Centrality, yang menyarankan penambahan link baru di titik kemacetan, dapat meningkatkan kinerja jaringan dengan indikasi penurunan kehilangan paket sebesar 54,5% hingga 61%, tergantung pada skenario jumlah link baru yang ditambahkan, dan juga meningkatkan ketahanan jaringan. Kata kunci — Algoritma Bellman-Ford , Kualitas Layanan (QoS) , Kemacetan Jaringan, Optimalisasi Topolog
Implementasi Model Deep Learning Pada Sistem Deteksi dan Klasifikasi Kualitas Batang Tebu untuk Optimasi Penentuan Kualitas Siregar , Anggiat Pandu Daniel; Utama, Nur Ichsan; Fa'rifah, Riska Yanu
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

Industri gula nasional mengalami penurunan produksi sebesar 7,01% pada tahun 2023, salah satunya disebabkan oleh rendahnya efisiensi pascapanen akibat proses klasifikasi mutu batang tebu yang masih dilakukan secara manual. Proses ini menimbulkan inkonsistensi, potensi konflik antara petani dan petugas lapangan, serta peningkatan biaya operasional. Penelitian ini mengembangkan sistem klasifikasi mutu batang tebu berbasis deep learning menggunakan pendekatan dua tahap. Tahap pertama menggunakan YOLOv11 untuk mendeteksi batang tebu, sedangkan tahap kedua menggunakan arsitektur EfficientNet (B0–B3) untuk mengklasifikasikan mutu ke dalam lima kategori (A–E). Dataset citra diperoleh dari jalur produksi PT Sinergi Gula Nusantara dan diproses melalui tahapan Knowledge Discovery in Database (KDD), meliputi data preprocessing, augmentasi, resizing, dan splitting. Hasil evaluasi menunjukkan bahwa YOLOv11 mencapai akurasi 93,5%, precision 95,7%, recall 94,4%, mAP@0.5 sebesar 97,8%, dan mAP@0.5:0.95 sebesar 89,4%. Sementara itu, EfficientNet-B2 menghasilkan akurasi klasifikasi tertinggi sebesar 88,57% setelah proses fine-tuning. Sistem yang dikembangkan mampu beroperasi pada kondisi visual yang kompleks dan dinamis, serta memberikan hasil klasifikasi yang konsisten. Studi ini menunjukkan potensi teknologi deep learning dalam mendukung otomasi dan peningkatan objektivitas proses penilaian mutu di industri agroindustri. Kata kunci— Deep Learning, EfficientNet, KDD, Klasifikasi Kualitas Batang Tebu, YOLOv11
Optimizing Traffic Congestion in Route Planning Using a Simple Path Algorithm Kuswandi, Brillian Adhiyaksa; Hamami, Faqih; Fa’rifah, Riska Yanu
Syntax Literate Jurnal Ilmiah Indonesia
Publisher : Syntax Corporation

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36418/syntax-literate.v9i4.15352

Abstract

This essay examines the various learning styles that students can choose from, depending on their preferences. In the COVID-19 era, lectures have been discontinued in classrooms all across the world, but the teaching and learning process is still possible through online platforms. There are learning types with unique characteristics that like to work alone or in groups, as well as visual, auditory, tactile, and kinesthetic learning styles. While some students will adjust to the lecturers' teaching approach, it can be challenging for lecturers to accommodate each student's unique learning preferences. In order to accommodate various student learning styles, lecturers must create their instructional materials in this manner. This article's goals are to: 1) describe and classify the idea of learning styles; 2) emphasize the significance of determining the research participants' preferred learning styles; and 3) emphasize that if a lecturer's teaching style reflects the preferences of the student's preferred learning style, the student's learning outcomes will be enhanced. In this study, a survey, a mix of quantitative and qualitative approaches, as well as questionnaires, are used to gather data on the four preferred learning styles. As a consequence, the majority of participants favored the kinesthetic learning strategy in both solo and group work. In this study, a survey, a mix of quantitative and qualitative approaches, as well as questionnaires, are used to gather data on the four preferred learning styles. As a consequence, the majority of participants favored the kinesthetic learning strategy in both solo and group work.
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
Klasifikasi Soal Sejarah Tingkat SMA Berdasarkan Level Kognitif Revised Bloom’s Taxonomy Menggunakan Metode Stochastic Gradient Descent Nisa, Amarila Zahratun; 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 di tingkat formal membutuhkan aspek pengujian untuk memastikan ilmu pengetahuan diserap oleh siswa. Uji kompetensi terdiri dari berbagai macam tipe soal, salah satunya yaitu pilihan ganda. Soal yang dihimpun oleh guru dalam platform e-learning membutuhkan pemilahan sehingga dapat mengukur tingkat intelektual siswa dan mencakup keterampilan berpikir. Evaluasi dalam pemilahan soal didapati banyaknya soal yang belum tersaring sesuai dengan capaian kompetensinya. Pada penelitian ini, proses penyaringan yang melibatkan algoritma Revised Bloom’s Taxonomy diimplementasikan secara otomatis dengan menggunakan metode machine learning yaitu Stochastic Gradient Descent (SGD) pada soal sejarah tingkat SMA. Dikarenakan terdapat imbalance pada dataset, penelitian ini akan membandingkan antara dataset yang menerapkan dan yang tidak menerapkan metode oversampling SMOTE. Hasil klasifikasi dari penelitian ini diperoleh melalui implementasi algoritma SGD dengan tools python. Pada dataset tanpa SMOTE, algoritma SGD memiliki skor rata-rata K-Fold yaitu 62%. Pada dataset dengan SMOTE, algoritma SGD memiliki skor rata-rata 93%. Adapun hasil akurasi dari confusion matrix menunjukkan algoritma SGD pada dataset tanpa SMOTE memiliki performa 62%, sedangkan algoritma SGD pada dataset dengan SMOTE mendapatkan performa 94%. Hasil yang diperoleh melalui proses K-Fold Cross Validation dan confusion matrix tersebut menunjukkan bahwa dataset dengan menggunakan oversampling memiliki hasil yang lebih baik dibanding dengan dataset tanpa menggunakan oversampling.Kata kunci— klasifikasi pertanyaan, RBT, sejarah SMA, SGD, oversampling, SMOTE
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
The Design of Convolutional Neural Networks Model for Classification of Ear Diseases on Android Mobile Devices Suta Wijaya, I Gede Pasek; Mulyana, Heru; Kadriyan, Hamsu; Fa'rifah, Riska Yanu
JOIV : International Journal on Informatics Visualization Vol 7, No 1 (2023)
Publisher : Society of Visual Informatics

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30630/joiv.7.1.1591

Abstract

An otorhinolaryngologist (ORL) or general practitioner diagnoses ear disease based on ear image information. However, general practitioners refer patients to ORL for chronic ear disease because the image of ear disease has high complexity, variety, and little difference between diseases. An artificial intelligence-based approach is needed to make it easier for doctors to diagnose ear diseases based on ear image information, such as the Convolutional Neural Network (CNN). This paper describes how CNN was designed to generate CNN models used to classify ear diseases. The model was developed using an ear image dataset from the practice of an ORL at the University of Mataram Teaching Hospital. This work aims to find the best CNN model for classifying ear diseases applicable to android mobile devices. Furthermore, the best CNN model is deployed for an Android-based application integrated with the Endoscope Ear Cleaning Tool Kit for registering patient ear images. The experimental results show 83% accuracy, 86% precision, 86% recall, and 4ms inference time. The application produces a System Usability Scale of 76.88% for testing, which shows it is easy to use. This achievement shows that the model can be developed and integrated into an ENT expert system. In the future, the ENT expert system can be operated by workers in community health centres/clinics to assist leading health them in diagnosing ENT diseases early.
Co-Authors Afdillah, Dwivi Ahmad Fauzi Alfi Zahra Hafizhah Ariandi, Rama Arrahmani, Farras Hilmy Azzahra, Zalina Fatima B. Poerwanto Deden Witarsyah Deden Witarsyah Dita Pramesti Edi Triono Nuryatno Ekky Novriza Alam Faqih Hamami Febrianti, Ferda Ayu Dwi Putri Ferda Ayu Dwi Putri Febrianti Helmayanti, Sheva Aditya Hutasoit, Michael Nico I Gede Pasek Suta Wijaya Jauhari, M.Habib Kadriyan, Hamsu Kuswandi, Brillian Adhiyaksa Mufriz, Muhammad Fadwa Muhaimin, Luthfi Ahmad Mulyana, Heru Nirsal Nisa, Amarila Zahratun Nur Ichsan Utama Nurul Hidayati Nurul Samania Oktariani Nurul Pratiwi Pariswara, Endar Poedjimartojo, Naufal Avilandi Pramudia, Rudi Guna Pramuwidya, Shinta Purhadi Purhadi Putri Kurniawati Rachmadita Andreswari Rahmah, Najma Syarifa Sheva Aditya Helmayanti Sinung Suakanto Siregar , Anggiat Pandu Daniel Syfa Nur Lathifah Witarsyah , Deden