Article Per Year (5 Year)
p-Index From 2021 - 2026
4.646
P-Index
This Author published in this journals
All Journal Syntax Jurnal Informatika Seminar Nasional Informatika (SEMNASIF) International Journal of Artificial Intelligence Research Bianglala Informatika : Jurnal Komputer dan Informatika Akademi Bina Sarana Informatika Yogyakarta Faktor Exacta JOURNAL OF APPLIED INFORMATICS AND COMPUTING Conference on Innovation and Application of Science and Technology (CIASTECH) Petir Digital Zone: Jurnal Teknologi Informasi dan Komunikasi MIND (Multimedia Artificial Intelligent Networking Database) Journal Building of Informatics, Technology and Science Techno Xplore : Jurnal Ilmu Komputer dan Teknologi Informasi Jurnal Tekinkom (Teknik Informasi dan Komputer) REMIK : Riset dan E-Jurnal Manajemen Informatika Komputer JOURNAL OF INFORMATION SYSTEM RESEARCH (JOSH) TIN: TERAPAN INFORMATIKA NUSANTARA Jurasik (Jurnal Riset Sistem Informasi dan Teknik Informatika) Jurnal Teknik Informatika (JUTIF) DECODE: Jurnal Pendidikan Teknologi Informasi Scientific Student Journal for Information, Technology and Science Jurnal Informatika Teknologi dan Sains (Jinteks) Jurnal Algoritma Jurnal Informatika: Jurnal Pengembangan IT Jurnal Komtika (Komputasi dan Informatika)
Hanny Hikmayanti Handayani
Teknik Informatika, Universitas Buana Perjuangan, Karawang
Aerospace Engineering Agriculture, Biological Sciences & Forestry Arts Automotive Engineering Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Immunology & microbiology Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Mathematics Mechanical Engineering Medicine & Pharmacology Neuroscience Nursing Physics Social Sciences Veterinary Other

Published : 47 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 47 Documents
Search

 1   2   3   4   5 
Rancang Bangun Pendeteksi dan Penetralisir Asap Rokok dalam Ruangan Menggunakan Sensor MQ-2 dan Metode Fuzzy Logic Dina Wulan Nurjanah; Hanny Hikmayanti Handayani; Ayu Ratna Juwita
Scientific Student Journal for Information, Technology and Science Vol. 6 No. 1 (2025): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

Saat ini sangat banyak perokok aktif di Indonesia. Hal ini juga menimbulkan masalah bagi orang yang tidak merokok karena dapat terpapar oleh asap rokok. Hal ini mengkhawatirkan bagi kesehatan karena rokok mengandung berbagai macam zat yang mengganggu kesehatan. Dalam penelitian ini dibangun suatu alat dengan menggunakan mikrokontroler Arduino Uno dan Sensor MQ-2 yang dapat mendeteksi dan mengukur kadar konsentrasi asap rokok dalam suatu ruangan yang juga dilengkapi dengan buzzer dan kipas untuk bisa menetralisir kondisi udara dalam ruangan. Perangkat ini juga menggunakan algoritma fuzzy untuk pengambilan keputusannya. Berdasarkan hasil pengujian yang dilakukan, sensor MQ-2 dapat membaca kadar konsentrasi asap dengan nilai jumlah selisih yaitu 6,33 ppm, selisih terkecil yaitu -0,1 ppm dan nilai selisih terbesar yaitu 0,98 ppm. Nilai yang didapat diproses oleh fuzzy logic untuk menentukan adanya asap rokok, serta mengaktifkan komponen buzzer, kipas, relay saat asap terdeteksi dan database mendapatkan informasi.
PENGARUH SMOTE TERHADAP PERFORMA ALGORITMA RANDOM FOREST DAN ALGORITMA GRADIENT BOOSTING DALAM MEMPREDIKSI PENYAKIT STROKE Fadmadika, Fadilla; Handayani, Hanny Hikmayanti; Mudzakir, Tohirin Al; Indra, Jamaludin
Jurnal Tekinkom (Teknik Informasi dan Komputer) Vol 7 No 2 (2024)
Publisher : Politeknik Bisnis Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37600/tekinkom.v7i2.1575

Abstract

Stroke is a disease that can occur suddenly, causing progressive brain damage due to non-traumatic blood flow disruption in the brain. Common symptoms of stroke include numbness in the limbs and impaired communication. Stroke is the second leading cause of death in the world and the third leading cause of mental retardation globally. Predictive machine learning-based technology can help identify early symptoms of stroke for prevention and early intervention. This study aims to compare the performance of the Random Forest and Gradient Boosting algorithms in predicting stroke. By applying the SMOTE method to address class accuracy in the dataset, this study shows that the Random Forest model is superior, with an accuracy of 95.5%, a precision of 78.8%, a recall of 93.1%, and an f1-score of 84.2%. In conclusion, the Random Forest algorithm performs better than Gradient Boosting in predicting stroke, showing significant potential in assisting early detection and medical decision making.
Prediksi Kanker Paru dengan Normalisasi menggunakan Perbandingan Algoritma Random Forest, Decision Tree dan Naïve Bayes Banafshah Shafa; Hanny Hikmayanti Handayani; Santi Arum Puspita Lestari; Yana Cahyana
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 4 No. 3: NOVEMBER 2024
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v4i3.779

Abstract

Berdasarkan data Global Cancer Observatory Organisasi Kesehatan Dunia angka kematian kanker paru sebanyak 1.796.144 orang di seluruh dunia. Kematian akibat kanker paru di Indonesia sebanyak 30.843 pada tahun 2020. Penyakit yang dapat membunuh orang akibat keganasannya yang paling umum disebabkan oleh kanker paru mencapai 13% dari keseluruhan diagnosis kanker. Penyakit ini dapat disebabkan dari internal ataupun eksternal paru- paru. Membuat model prediksi dirasa perlu, guna mendeteksi penyakit ini lebih awal untuk menekan angka kematian yang diakibatkan oleh kanker paru. Menggunakan proses pemodelan menggunakan algoritma Random Forest, Naïve Bayes dan Decision Tree untuk memproses data tersebut. Tujuan penelitian melakukan perbandingan algoritma Random Forest, Decision Tree serta Naïve Bayes untuk memprediksi penyakit kanker paru dengan menggunakan data yang terdiri dari 26. 000 data. Data ini meliputi informasi tentang pasien, gaya hidup, dan kondisi medis, seperti umur, jenis kelamin, polusi udara, konsumsi alkohol, alergi debu, risiko genetik, penyakit paru kronis, diet seimbang, obesitas, kebiasaan merokok, dan riwayat penyakit lain. Tahapan pengolahan data terdiri dari, pembersihan Data, yaitu menghilangkan fitur yang tidak relevan, seperti Index dan Patient ID, dan mengubah fitur kategorikal "Level" menjadi bentuk numerik, lalu analisis Korelasi,yaitu Mengidentifikasi atribut yang memiliki korelasi tinggi, seperti "Alcohol Use", "Occupational Hazards", "Genetic Risk", dan "Chronic Lung Disease", selanjutya normalisasi data mengubah sebaran data dari empat atribut yang memiliki korelasi tinggi agar lebih mudah diproses, kemudian seleksi fitur yaitu memilih fitur penting dengan menggunakan metode chi-square, yang menunjukkan bahwa "Coughing of Blood", "Passive Smoker", dan "Obesity" memiliki score tertinggi dan dianggap sebagai fitur penting, dilanjutkan dengan pemisahan Data, yaitu membagi data menjadi 80% untuk data pelatihan dan 20% untuk data pengujian, selanjutnya pembuatan model dengan menggunakan tiga algoritma, yaitu Random Forest, Decision Tree, dan Naïve Bayes, untuk memprediksi kanker paru. Random Forest dan Decision Tree mencapai akurasi 100%, sementara Naïve Bayes mencapai akurasi 86%. Berdasarkan evaluasi penelitian yang telah dilakukan pada data penyakit kanker paru, algoritma Random Forest dan Decision Tree sangat cocok untuk prediksi data penyakit kanker paru karena mampu menghasilkan model prediksi yang baik dengan pengujian Confusion Matrix serta Learning Curve.
Implementasi YOLOv5 pada Deteksi Defect Hasil Pengelasan Robot Welding Arc Pajar Arifin; Hanny Hikmayanti Handayani; Dwi Sulistya Kusumaningrum
Scientific Student Journal for Information, Technology and Science Vol. 6 No. 1 (2025): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

Penelitian ini dilatarbelakangi oleh masih sering terjadinya defect pada welding robot yang lolos quality inspection dalam proses produksi. Untuk mengatasi permasalahan tersebut, penelitian ini dilakukan dengan tujuan: (1) membangun sebuah prototipe sistem deteksi defect pada robot welding arc, dan (2) mencapai nilai akurasi atau mean average precision (mAP) lebih dari 0,9 pada deteksi defect pengelasan. Dalam penelitian ini, model atau prototipe yang dibangun menggunakan algoritma Convolutional Neural Network (CNN) dengan arsitektur YOLOv5. Objek yang digunakan dalam penelitian ini adalah citra defect hasil pengelasan robot welding arc, yaitu hole dan porosity, yang kemudian dijadikan dataset. Untuk meningkatkan jumlah data dan mendukung pencapaian akurasi yang diinginkan, dilakukan teknik augmentasi data. Citra hasil augmentasi kemudian dilabeli menggunakan situs web Makesense.ai untuk membangun bounding box dan class dari defect tersebut. Setelah itu, dataset diinput ke dalam Google Colab untuk proses training data. Training dilakukan dengan menjalankan kode train.py,di mana peneliti mengubah parameter custom_data, serta menggunakan variasi epoch dan batch size yang berbeda. Pada konfigurasi batch size 16 dan epoch 100, diperoleh model dengan akurasi sebesar 0,95 mAP.
Penerapan Algoritma Convolutional Neural Network (CNN) untuk Deteksi Telur Bebek Fertil dan Infertil Ricky Steven Chandra; Hanny Hikmayanti Handayani; Yana Cahyana
Scientific Student Journal for Information, Technology and Science Vol. 6 No. 1 (2025): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

Dalam penetasan telur bebek, telur yang infertil perlu disortir dari mesin tetas agar tidak membusuk di dalamnya. Proses penyortiran umumnya dilakukan dengan meneropong telur menggunakan senter atau lampu yang diletakkan di balik telur. Tujuan dari penelitian ini adalah untuk mengembangkan sistem deteksi telur bebek fertil dan infertil menggunakan algoritma Convolutional Neural Network (CNN) guna menggantikan peneropongan secara manual, karena tingkat kelelahan manusia dapat menyebabkan kesalahan dalam penyortiran telur bebek fertil dan infertil. Model yang digunakan dalam penelitian ini adalah You Only Look Once (YOLO), yang merupakan salah satu model deep learning yang efektif untuk pengenalan objek. Penelitian ini terdiri dari beberapa tahap, yaitu pengumpulan data, pra-proses data, konfigurasi jaringan YOLO, pelatihan model YOLO, dan pengujian. Jumlah data citra yang digunakan dalam penelitian ini sebanyak 800, yang terdiri dari dua jenis telur bebek, yaitu fertil dan infertil. Hasil pengujian yang dilakukan sebanyak 40 kali menunjukkan bahwa dengan menggunakan algoritma Convolutional Neural Network (CNN), akurasi yang dicapai dalam membedakan telur bebek fertil dan infertil mencapai sekitar 95%. Hasil ini menunjukkan bahwa CNN memiliki potensi yang signifikan dalam membedakan telur bebek fertil dari infertil, serta memberikan solusi yang cepat dan efisien bagi peternak bebek.
Model Klasifikasi Nominal Mata Uang Kertas Republik Indonesia Menggunakan Convolutional Neural Network Saputra, Arbi Niandi; Handayani, Hanny Hikmayanti; Sukmawati, Cici Emilia; Siregar, Amril Mutoi
Journal of Information System Research (JOSH) Vol 6 No 1 (2024): Oktober 2024
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/josh.v6i1.5927

Abstract

Uang kertas adalah alat pembayaran umum di seluruh dunia saat ini karena digunakan dalam transaksi jual beli barang dan jasa. Nilai uang kertas Rupiah di Indonesia memiliki variasi yang mencakup ukuran, warna, dan pola yang berbeda. Identifikasi manual dapat menyebabkan kesalahan, sehingga diperlukan sistem pengenalan uang kertas yang efisien dan akurat. Permasalahan dalam mata uang terbaru menekankan pentingnya sistem pendeteksi yang selalu memperbarui data referensinya agar tetap akurat. Mata uang baru dengan desain atau fitur keamanan yang berbeda dapat menantang kemampuan sistem dalam mengenali keasliannya. Sistem harus mampu dengan cepat mengidentifikasi elemen baru dan memperbarui database referensi untuk menghindari risiko kesalahan atau penipuan. Oleh karena itu, penelitian perlu difokuskan pada pengembangan mekanisme pembaruan data secara real-time untuk menjaga responsivitas sistem terhadap perubahan mata uang. Maka dari itu, dilakukan klasifikasi nominal mata uang kertas Republik Indonesia Tahun Emisi 2022 menggunakan Convolutional Neural Network. Tahapan yang dilakukan yaitu proses akuisisi citra, preprocessing, pelatihan model, dan evaluasi. Dengan teknik pengenalan berdasarkan pola bunga yang terdapat pada uang kertas Republik Indonesia. Hasil yang peroleh yaitu akurasi sebesar 99% dengan 694 data berhasil diklasifikasi dari 700 data pengujian.
Pengujian Model Klasifikasi Kesegaran Daging Sapi Berbasis GLCM (Gray Level Co-occurrence Matrix) dan Algoritma Machine Learning RAMDANI, MUHAMAD IKBAL; HANDAYANI, HANNY HIKMAYANTI; WICAKSANA, YUSUF EKA; AL-MUDZAKIR, TOHIRIN
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 10, No 1 (2025): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v10i1.73-88

Abstract

AbstrakDaging sapi merupakan sumber hewani yang penting, namun konsumsi masyarakat Indonesia masih rendah dan harga yang terus meningkat mendorong adanya praktik curang, seperti mencampur daging segar dan tidak segar. Hal ini berdampak pada kesehatan karena daging sapi tidak segar mengandung bakteri berbahaya. Penelitian ini dilakukan untuk mengklasifikasikan kesegaran daging sapi dengan memanfaatkan metode ekstraksi fitur Gray Level Co-occurrence Matrix (GLCM) dan algoritma Random Forest serta Decision Tree. Penelitian ini menggunakan 400 data citra augmentasi dan dibagi menjadi 238 data latih dan 160 data uji atau dengan rasio 60:40. Hasil penelitian ini menunjukkan Accuracy sebesar 93% untuk Random Forest dan 88% untuk Decision Tree.Kata kunci: Daging Sapi, Klasifikasi Citra, Gray Level Co-ccurrence Matrix (GLCM), Random Forest, Decision TreeAbstractBeef is a vital source of animal protein. However, its consumption in Indonesia remains relatively low. The continuous increase in beef prices has led to fraudulent practices, such as mixing fresh and non-fresh meat, which poses serious health risks due to the presence of harmful bacteria in spoiled meat. This research aims to classify the freshness level of beef using feature extraction techniques through the Gray Level Co-occurrence Matrix (GLCM) and the Random Forest Algorithm. The study uses 400 augmented image data, divided into 238 training data and 160 testing data with a 60:40 ratio. The results show that the Random Forest algorithm achieved an Accuracy of 93%, while the Decision Tree reached 88%.Keywords: Beef, Image Classification, Gray Level Co-occurrence Matrix (GLCM), Random Forest, Decision Tree
Klasifikasi Penyakit Hipertensi Menggunakan Support Vector Machine dan Naive Bayes Jannah, Malika Dakhola; Fauzi, Ahmad; Emilia, Cici; Hikmayanti, Hanny
Jurnal Algoritma Vol 22 No 1 (2025): Jurnal Algoritma
Publisher : Institut Teknologi Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33364/algoritma/v.22-1.2316

Abstract

Hipertensi merupakan penyakit tidak menular yang dapat menimbulkan komplikasi serius seperti stroke dan penyakit jantung. Penelitian ini bertujuan untuk mengklasifikasikan status hipertensi menggunakan algoritma Support Vector Machine dan Naive Bayes. Dataset berjumlah 1.898 data pasien dari Puskesmas, yang telah melalui tahap pembersihan, normalisasi, serta pembagian menjadi data latih dan data uji. Akurasi, presisi, recall, dan skor f1 digunakan untuk mengevaluasi kinerja model. Hasil menunjukkan bahwa SVM memperoleh akurasi sebesar 95,71%, sedangkan Naive Bayes mencapai 93,37%. Temuan ini menunjukkan bahwa SVM lebih unggul dalam mengklasifikasikan status hipertensi. Meski demikian, Naive Bayes tetap layak digunakan karena kesederhanaan implementasinya. Algoritma ini menjadi pilihan alternatif yang efisien untuk klasifikasi medis yang cepat dan ringan. Temuan ini dapat digunakan sebagai basis pengembangan sistem deteksi dini untuk mendukung layanan kesehatan masyarakat.
ANALISIS PERBANDINGAN ALGORITMA MACHINE LEARNING PADA PREDIKSI PRODUKSI BUAH DI ACEH Rafikoh, Zahra Anggun; Faisal, Sutan; Baihaqi, Kiki Ahmad; H, Hanny Hikmayanti
Jurnal Informatika Teknologi dan Sains (Jinteks) Vol 7 No 2 (2025): EDISI 24
Publisher : Program Studi Informatika Universitas Teknologi Sumbawa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51401/jinteks.v7i2.5765

Abstract

Prediksi produksi buah merupakan aspek penting dalam mendukung perencanaan dan pengelolaan sektor pertanian. Penelitian ini membandingkan performa dua algoritma machine learning, yaitu Random Forest dan Support Vector Machine (SVM), dalam memprediksi produksi buah di Provinsi Aceh menggunakan data produksi dari Badan Pusat Statistik (BPS) periode 2018–2023. Data telah melalui proses preprocessing termasuk penanganan missing values, outliers, serta transformasi variabel kategori. Evaluasi model menggunakan metrik Mean Squared Error (MSE), Mean Absolute Error (MAE), dan R² Score menunjukkan bahwa Random Forest memberikan hasil prediksi yang lebih akurat dibandingkan SVM. Penambahan fitur eksternal seperti curah hujan, jenis pupuk, dan metode budidaya yang disimulasikan tidak memberikan peningkatan signifikan pada performa model. Penelitian ini merekomendasikan penggunaan Random Forest untuk prediksi produksi buah di Aceh dan menyarankan pengumpulan data eksternal yang lebih lengkap untuk meningkatkan akurasi prediksi di masa depan.
Sentiment Analysis on the Relocation of the National Capital (IKN) on Social Media X Using Naive Bayes and K-Nearest Neighbor (KNN) Methods Wulandari, Nova; Cahyana, Yana; Rahmat, Rahmat; Hikmayanti, Hanny
Journal of Applied Informatics and Computing Vol. 9 No. 3 (2025): June 2025
Publisher : Politeknik Negeri Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30871/jaic.v9i3.9552

Abstract

This study investigates public sentiment toward the relocation of Indonesia’s capital from Jakarta to East Kalimantan, focusing on reactions from social media platforms such as X (formerly Twitter). Understanding these sentiments is crucial for the government to gauge support for this significant policy shift. The study compares the performance of two classification algorithms, Naïve Bayes and K-Nearest Neighbor (K-NN), in sentiment analysis. A total of 1.277 comments were collected using the tweet-harvest library through a crawling process. The data underwent preprocessing, including cleaning, case folding, normalization, stopword removal, tokenization, and stemming. Sentiment labels were assigned through both manual and automated methods, while feature extraction was performed using the TF-IDF technique. The algorithms' performance was assessed using accuracy, precision, recall, and F1-score metrics. The results revealed that Naïve Bayes outperformed K-NN, with an accuracy of 70%, precision of 72%, recall of 70%, and an F1-score of 69%. In contrast, K-NN achieved an accuracy of 60%, precision of 62%, recall of 60%, and an F1-score of 59%. These results suggest that Naïve Bayes is more effective in classifying sentiment related to the capital relocation. The findings offer valuable insights for policymakers and highlight the potential of automated sentiment analysis as a tool for monitoring public opinion on major governmental policies.
Co-Authors AA Sudharmawan, AA Ahmad Fauzi Ahmad Fauzi Ajie, Prasetyo AL-MUDZAKIR, TOHIRIN Alif Kirana Amril Mutoi Siregar Andri Safari Anis Fitri Nur Masruriyah Anis Fitri Nurmasruriyah Anton Romadoni Junior April Lia Hananto Arfian Pua Meno Aries Suharso Arif Nurman Arphilia Nur Rani Ayu Ratna Juwita Bagus Setiawan Baihaqi, Kiki Ahmad Banafshah Shafa Bilawa, Firdho Akbar Carudin . Chorirotun Cholifah Cucu Sri Cahyanti Deden Wahiddin Devi Fitrianah Dina Wulan Nurjanah Dinar Sugiri Dinda Resna Amalia Dwi Sulistya Kusumaningrum Dwi Vina Wijaya Dwiki Jatikusumo Emilia, Cici Enoh Suhada Fadmadika, Fadilla Faisal, Sutan Fauzi Ahmad Muda Firdaus, Thoriq Janati Fitri Nur Masruriyah, Anis Garno . Genta Kusuma Atmaja Heri Hermawan Hilda Fitriana Dewi Indra, Jamaludin Jannah, Malika Dakhola Jayidan, Zirji Juwita, Ayu Ratna Lestari, Santi Arum Puspita Mudzakir, Tohirin Al Muhamad Enoh Suhada Nai Siti Jenab Nazori AZ Nita Fitriyani Nofita Sari Nova Wulandari Nugraha, Najmi Cahaya Nunung Nurjanah Nurlaelasari, Euis Pajar Arifin Pratama, Adi Rizky Rafikoh, Zahra Anggun Rahmat Rahmat Rahmat, R Ramadhan, Naufal Cahya RAMDANI, MUHAMAD IKBAL Ricky Steven Chandra Ridwan, Ridwan Rohana, Tatang Sandi Susanto Saputra, Arbi Niandi Saruni Dwiasnati Septiany, Eva Senia Setyawan Widyarto Siregar, Amril Mutoi suhliyyah Sukmawati, Cici Emilia Sutan Faisal Tri Vicika, Vikha Wahiddin, Deden Wicaksana, Yusuf Eka Yana Cahyana Yogi Firman Alfiansyah