Article Per Year (5 Year)
p-Index From 2021 - 2026
0.92
P-Index
This Author published in this journals
All Journal JURNAL INFORMATIKA Jurnal Teknologi dan Manajemen Industri Terapan JUSTIFY : Jurnal Sistem Informasi Ibrahimy Journal Of Global Computer Science
Irma Yunita
Universitas Ibrahimy
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Other

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

Found 5 Documents
Search

 1 
Perbandingan Algoritma Naïve Bayes Dan Decision Tree Untuk Analisis Sentimen Komentar Youtube Terhadap Tragedi Robohnya Musala Al-Khoziny Nauradhia Shofarianti Putri; Zaehol Fatah; Irma Yunita
JURNAL INFORMATIKA Vol 15, No 1 (2026): Jurnal Informatika
Publisher : Informatics Engineering Department, Dayanu Ikhsanuddin University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55340/jiu.v15i1.2692

Abstract

Keterbatasan dalam penanganan ketidakseimbangan data serta minimnya perbandingan algoritma pada analisis sentimen berbasis kasus lokal menjadi tantangan dalam menghasilkan model yang akurat. Pada peristiwa robohnya musala Pondok Pesantren Al-Khoziny Sidoarjo, beragam opini publik di YouTube belum banyak dianalisis dengan pendekatan yang mempertimbangkan kondisi tersebut. Penelitian ini bertujuan untuk mengidentifikasi sentimen publik serta membandingkan kinerja algoritma Naïve Bayes dan Decision Tree pada data yang tidak seimbang. Data yang digunakan berupa kurang lebih 2.200 komentar yang dikumpulkan pada Januari–Maret 2026 melalui web scraping. Tahapan analisis meliputi preprocessing teks, pelabelan sentimen ke dalam kategori positif, negatif, dan netral, ekstraksi fitur menggunakan TF-IDF, serta penerapan SMOTE pada data latih untuk mengatasi ketidakseimbangan kelas. Model kemudian dilatih dan diuji menggunakan kedua algoritma tersebut. Hasil menunjukkan bahwa Decision Tree unggul dengan accuracy sebesar 0,99 dan F-1 Scoresebesar 0,99, sedangkan Naïve Bayes memperoleh accuracy sebesar 0,68 dan F-1 Scoresebesar 0,74. Temuan ini menunjukkan bahwa penanganan data tidak seimbang dan pemilihan algoritma berpengaruh signifikan terhadap hasil analisis sentimen. Temuan ini dapat menjadi acuan bagi pengembang sistem analisis sentimen yang bekerja dengan dataset berbahasa Indonesia, khususnya dalam konteks peristiwa sosial-keagamaan dengan distribusi kelas yang tidak seimbang.
Klasifikasi Produk Berdasarkan Performa Penjualan di My Baby Store Menggunakan Decission Tree Uny Khafifah; Zaehol Fatah; Irma Yunita
JURNAL INFORMATIKA Vol 15, No 1 (2026): Jurnal Informatika
Publisher : Informatics Engineering Department, Dayanu Ikhsanuddin University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55340/jiu.v15i1.2708

Abstract

Pengelolaan stok produk secara efektif merupakan tantangan kritis bagi Usaha Mikro, Kecil, dan Menengah (UMKM) yang masih mengandalkan pencatatan penjualan secara manual. Tanpa sistem analisis data yang memadai, pemilik usaha tidak dapat mengidentifikasi performa tiap produk secara objektif, sehingga keputusan penambahan atau pengurangan stok sepenuhnya bergantung pada intuisi yang berpotensi menimbulkan penumpukan barang tidak laku atau kehabisan stok produk laris. My Baby Store, sebuah UMKM perlengkapan bayi di Pulau Raas, Kabupaten Sumenep, menghadapi masalah serupa selama periode operasionalnya. Penelitian ini bertujuan mengklasifikasikan produk berdasarkan performa penjualan ke dalam tiga kategori: Laris, Kurang Laris, dan Tidak Laris, menggunakan algoritma Decision Tree C4.5 dengan kerangka kerja CRISP-DM. Dataset yang digunakan terdiri dari 116 produk unik yang diperoleh melalui agregasi dari 433 transaksi penjualan selama periode Januari 2024–Juli 2025, dibagi dengan rasio 70:30 untuk proses pelatihan dan pengujian model. Hasil menunjukkan frekuensi transaksi sebagai atribut paling dominan (IG = 0,8113), dengan distribusi 17 produk Laris (14,7%), 11 produk Kurang Laris (9,5%), dan 88 produk Tidak Laris (75,9%). Evaluasi pada 35 data testing menghasilkan akurasi 97,14%, precision 98,81%, recall 88,89%, dan F1-Score 92,73%. Hasil klasifikasi ini memberikan landasan objektif bagi pemilik My Baby Store untuk memprioritaskan pengadaan produk Laris, merancang strategi promosi produk Kurang Laris, dan mengoptimalkan alokasi modal kerja dengan mengevaluasi ulang stok produk Tidak Laris, sehingga pengelolaan persediaan menjadi lebih terstruktur dan keputusan bisnis dapat diambil berbasis data, bukan intuisi semata.
Sistem Informasi Pengelolaan Obat Dengan Metode Inventory Control: (Studi Kasus: Klinik Bidan Hasmi) Aviatus Sholiha; Fajriyanto; Irma Yunita
Jurnal Teknologi dan Manajemen Industri Terapan Vol. 4 No. 4 (2025): Jurnal Teknologi dan Manajemen Industri Terapan
Publisher : Yayasan Inovasi Kemajuan Intelektual

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55826/y8ry7069

Abstract

Manajemen obat yang tepat merupakan elemen krusial dalam menjamin mutu layanan kesehatan, khususnya di fasilitas tingkat pertama seperti Klinik Bidan Hasmi yang terletak di Desa Tenggir. Proses pencatatan stok obat yang masih dilakukan secara manual menggunakan Excel menimbulkan berbagai kendala, seperti potensi kesalahan pencatatan, keterlambatan pembaruan data, serta kurang efisien dalam pemantauan ketersediaan obat. Penelitian ini bertujuan untuk merancang dan mengembangkan sistem informasi pengelolaan obat berbasis web dengan pendekatan Inventory Control yang dapat diakses secara real-time. Sistem ini diharapkan mampu mengoptimalkan proses distribusi obat dan meminimalkan pemborosan. Penelitian menggunakan metode pengembangan System Development Life Cycle (SDLC) yang terdiri dari beberapa tahap mulai dari inisiasi hingga implementasi. Penerapan metode First Expired, First Out (FEFO) dimaksudkan untuk memastikan bahwa obat yang mendekati masa kedaluwarsa digunakan terlebih dahulu. Hasil dari penelitian ini ditujukan untuk membantu tenaga kesehatan dalam mengelola stok obat secara lebih akurat, efisien, dan aman, serta menunjang kelancaran pelayanan kepada pasien.
Penggunaan Metode Naive Bayes untuk Prediksi Penyakit Diabetes Leni Fadhilah; Fadhilah; Irma Yunita
Journal Of Global Computer Science Vol. 1 No. 2 (2025): JGCS - AUGUST
Publisher : PT. Padang Tekno Corp

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59435/jgcs.v1i2.2025.39

Abstract

Prediksi penyakit diabetes menjadi salah satu tantangan penting dalam dunia kesehatan mengingat meningkatnya prevalensi penyakit ini secara global. Penelitian ini bertujuan untuk mengimplementasikan metode Naive Bayes dalam memprediksi risiko diabetes berdasarkan dataset medis yang berisi berbagai fitur seperti usia, berat badan, kadar gula darah, tekanan darah, dan riwayat keluarga. Metode ini dipilih karena kemampuannya dalam mengolah data dengan asumsi independensi antar variabel. Pada penelitian menggunakan metode Naive Bayes menunjukkan bahwa memiliki capaian tingkat akurasi sebesar 83.75% dengan precision untuk kelas "Yes" sebesar 86.47% dan recall sebesar 93.50%, yang menandakan performa yang cukup baik dalam mendeteksi pasien diabetes. Namun, performa model dalam mendeteksi pasien non-diabetes perlu ditingkatkan mengingat recall untuk kelas "No" hanya mencapai 51.35%. Hasil ini menunjukkan bahwa Naive Bayes adalah metode yang sederhana namun efektif untuk memprediksi diabetes, dan dapat dikembangkan lebih lanjut untuk membantu pengambilan keputusan medis secara lebih akurat.
Model Klasifikasi Hybrid Berbasis PSO-KNN untuk Akurasi Diagnosis Penyakit Hepatitis Sunardi Sunardi; Jarot Dwi Prasetyo; Hermanto Hermanto; Ach. Zubairi; Ahmad Homaidi; Irma Yunita; Lukman Fakih Lidimilah
JUSTIFY : Jurnal Sistem Informasi Ibrahimy Vol. 5 No. 1 (2026): JUSTIFY : Jurnal Sistem Informasi Ibrahimy
Publisher : Fakultas Sains dan Teknologi, Universitas Ibrahimy

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35316/justify.v5i1.10322

Abstract

Diagnosis dini penyakit hepatitis masih menghadapi tantangan akibat kompleksitas data medis, tingginya variasi hasil laboratorium, serta keberadaan atribut yang tidak relevan sehingga menurunkan kinerja algoritma K-Nearest Neighbor (K-NN). Penelitian ini bertujuan mengembangkan model hibrida Particle Swarm Optimization–K-Nearest Neighbor (PSO-KNN) untuk mengoptimalkan bobot fitur dan parameter K-NN secara simultan guna meningkatkan akurasi klasifikasi penyakit hepatitis. Metode yang digunakan meliputi preprocessing dataset HCV, normalisasi Min-Max, pembagian data latih dan uji sebesar 80:20, serta optimasi menggunakan PSO dengan 20 partikel dan 30 iterasi. Evaluasi dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa PSO-KNN meningkatkan akurasi dari 95,1% menjadi 96,7%, presisi dari 88,9% menjadi 100%, recall dari 61,5% menjadi 69,2%, dan F1-score dari 72,7% menjadi 81,8%. Model juga berhasil menghilangkan false positive dan menurunkan false negative. Bobot fitur menunjukkan bahwa ALT, AST, GGT, dan Bilirubin merupakan biomarker yang paling berpengaruh dalam klasifikasi. Dengan demikian, model PSO-KNN terbukti mampu meningkatkan performa klasifikasi, efisiensi komputasi, serta interpretabilitas diagnosis hepatitis, sehingga berpotensi mendukung pengambilan keputusan klinis secara lebih akurat.
Co-Authors Ach. Zubairi Ahmad Homaidi Aviatus Sholiha Fadhilah Fajriyanto Fatah, Zaehol Hermanto Hermanto Jarot Dwi Prasetyo Leni Fadhilah Lukman Fakih Lidimilah Nauradhia Shofarianti Putri Sunardi Sunardi Uny Khafifah