Article Per Year (5 Year)
p-Index From 2021 - 2026
5.576
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 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) Journal of Applied Data Sciences 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 Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Mathematics Mechanical Engineering Medicine & Pharmacology Neuroscience Nursing Physics Social Sciences Veterinary Other

Published : 51 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 51 Documents
Search

 2   3   4   5   6 
Optimasi Algoritma Machine Learning Menggunakan Seleksi Fitur Xgboost Untuk Klasifikasi Kanker Payudara Ramadhan, Naufal Cahya; H, Hanny Hikmayanti; Rohana, Tatang; Siregar, Amril Mutoi
TIN: Terapan Informatika Nusantara Vol 5 No 2 (2024): July 2024
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/tin.v5i2.5408

Abstract

This research analyzes the performance of the K-Nearest Neighbors (KNN), Naïve Bayes, and Random Forest algorithms in the classification of breast cancer diagnosis using the Wisconsin Breast Cancer dataset. The problem discussed is how to improve the accuracy of breast cancer diagnosis classification through appropriate preprocessing techniques. The research objective is to evaluate and compare the performance of the three algorithms after the application of preprocessing which includes data cleaning, handling missing values, data duplication, and outliers, as well as feature selection using XGBoost and SMOTE oversampling. application of feature selection to identify the most relevant features and SMOTE to balance the class distribution in the dataset. Performance evaluation results using a confusion matrix show that Random Forest has the best performance with high accuracy, precision, recall, and F1-score, reaching an AUC of 98% after the application of SMOTE. The combination of feature selection and SMOTE was shown to significantly improve model performance, although KNN showed a decrease in performance with SMOTE, while Naïve Bayes experienced a considerable improvement. This study demonstrates the importance of preprocessing techniques in the development of machine learning models for medical applications, emphasizing that appropriate techniques can significantly improve classification performance and result in more accurate diagnoses.
IMPROVING HEART DISEASE PREDICTION ACCURACY USING PRINCIPAL COMPONENT ANALYSIS (PCA) IN MACHINE LEARNING ALGORITHMS Jayidan, Zirji; Siregar, Amril Mutoi; Faisal, Sutan; Hikmayanti, Hanny
Jurnal Teknik Informatika (Jutif) Vol. 5 No. 3 (2024): JUTIF Volume 5, Number 3, June 2024
Publisher : Informatika, Universitas Jenderal Soedirman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jutif.2024.5.3.2047

Abstract

This study aims to improve the accuracy of heart disease prediction using Principal Component Analysis (PCA) for feature extraction and various machine learning algorithms. The dataset consists of 334 rows with 49 attributes, 5 classes and 31 target diagnoses. The five algorithms used were K-nearest neighbors (KNN), Logistic Regression (LR), Random Forest (RF), Support Vector Machine (SVM), and Decision Tree (DT). Results show that algorithms using PCA achieve high accuracy, especially RF, LR, and DT with accuracy up to 1.00. This research highlights the potential of PCA-based machine learning models in early diagnosis of heart disease.
OBJECT DETECTION OF INDONESIAN SIGN LANGUAGE SYSTEM USING YOLOV7 METHOD Genta Kusuma Atmaja; Hikmayanti, Hanny; Rahmat, Rahmat; Sutan Faisal
Jurnal Teknik Informatika (Jutif) Vol. 5 No. 4 (2024): JUTIF Volume 5, Number 4, August 2024
Publisher : Informatika, Universitas Jenderal Soedirman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jutif.2024.5.4.2468

Abstract

SIBI or Indonesian Sign Language System, a communication language for the deaf community in Indonesia. SIBI has the advantage of conveying information between individuals. SIBI integrates various hand signals to replace words in Indonesian, enabling effective and inclusive communication. SIBI still lacks educational programs in the community and identifying SIBI has become a major problem in facilitating communication for normal people with hearing impairments. The proposed solution in the development of SIBI detection is to utilize artificial intelligence (AI) technology and digital image processing. This program focuses on understanding the typical hand movements used in SIBI. So a program was created to detect hand language using the YOLOv7 architecture. This study aims to educate those who are not yet familiar with the SIBI hand object that will be detected., especially in the context of sign language recognition for singular pronouns. The research method used is data acquisition by collecting a dataset of 320 images, data annotation by labeling objects on the hand, image pre-processing with augmentation, resizing, and cropping, model training with 100 epochs on both pre-trained models (yolov7 and yolov7-x), and testing is done by detecting 20 images from each class category totaling 5. The dataset used for training 300 images and validation 20 images. The results of the yolov7 model accuracy value are mAP @ .5 of 99.5% and mAP @ .5: .95: of 90.5%. The accuracy of the yolov7-x model is mAP @ .5 99.6% and mAP @ .5: .95: of 75.8%. And the results of the test carried out with 20 images, out of 20 correct images only 18 and the accuracy value obtained is 90%.
Evaluasi Kinerja Algoritma Random Forest Dan Gradient Boosting Untuk Klasifikasi Penyakit Jantung Ridwan, Ridwan; Handayani, Hanny Hikmayanti; Lestari, Santi Arum Puspita; Cahyana, Yana
Jurnal Komtika (Komputasi dan Informatika) Vol 9 No 1 (2025)
Publisher : Universitas Muhammadiyah Magelang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31603/komtika.v9i1.13450

Abstract

Penyakit jantung masih menjadi salah satu penyebab kematian utama di dunia, sehingga diperlukan diagnosis dini yang akurat untuk mengurangi risiko yang ditimbulkan. Kemajuan teknologi machine learning memberikan peluang baru untuk membantu tenaga medis dalam memprediksi penyakit jantung secara lebih efisien dan tepat. Penelitian ini bertujuan untuk mengevaluasi dan membandingkan kinerja dua algoritma pembelajaran terawasi yang populer, yaitu Random Forest dan Gradient Boosting, dalam klasifikasi penyakit jantung. Dataset yang digunakan terdiri dari 1.000 baris data dengan sejumlah fitur yang merepresentasikan berbagai faktor risiko penyakit jantung. Evaluasi dilakukan dengan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa Random Forest unggul dibandingkan Gradient Boosting dalam seluruh metrik evaluasi. Random Forest memperoleh akurasi sebesar 99,5%, sementara Gradient Boosting memperoleh 98,5%. Selain itu, Random Forest mencapai nilai sempurna (100%) pada presisi kelas 0, recall kelas 1, dan F1-score kelas 1, menunjukkan kemampuannya yang tinggi dalam klasifikasi penyakit jantung. Model yang dikembangkan ini memiliki potensi besar untuk diterapkan sebagai alat bantu pengambilan keputusan dalam sistem layanan kesehatan, terutama pada tahap skrining awal dan penilaian risiko pasien. Dengan mengidentifikasi pola dan fitur kunci yang berhubungan dengan penyakit jantung, model ini dapat mendukung tenaga medis dalam memberikan keputusan klinis yang lebih cepat dan tepat sasaran.
Understanding User Needs for a Mobile Health Application: Insights into Fasting, Training, and Muscle Development Setiyani, Lila; Eldawati, Eldawati; Azhar, Wafiqah Yasmin; Wati, Devi Fajar; Dedih, Dedih; Hikmayanti, Hanny
Journal of Applied Data Sciences Vol 7, No 1: January 2026
Publisher : Bright Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47738/jads.v7i1.1074

Abstract

Mobile Health (mHealth) applications are increasingly used to support intermittent fasting, fitness training, and nutrition tracking. However, existing solutions remain fragmented, focusing on isolated domains without addressing users’ holistic health needs. This study aimed to explore user needs and preferences for an integrated mobile health application that combines fasting, training, and muscle development, emphasizing feature importance, usability expectations, and privacy concerns. A mixed-methods approach was used: a survey (n = 50) captured demographic profiles, feature prioritization, and usability expectations, while interviews (n = 10) explored user experiences and challenges. Quantitative data were analyzed using descriptive statistics, while qualitative interview responses were grouped into key themes through manual coding and interpretation. Results from both approaches were triangulated to strengthen the validity and reliability of findings. Users prioritized workout progression tracking (M = 4.94, SD = 0.18, 95% CI [4.89, 4.99]) and protein/macro monitoring (M = 4.20, SD = 0.42) over fasting timers (M = 2.92/5) or motivational features (M = 2.88). Usability expectations were high (Ease of Use = 6.06/7; System Capability Fit = 6.36/7), and privacy was a non-negotiable factor (M = 5.00/5). Themes revealed frustrations with incomplete exercise libraries, fragmented features, and lack of personalization. The study highlights the need for integrated, user-centered mHealth applications that unify fasting, training, and nutrition while embedding privacy-by-design principles. Future work will advance this study through prototype development and usability testing using SUS and UMUX-Lite metrics.
Pengenalan Objek Alfabet American Sign Language (ASL) Menggunakan Algoritma YOLOv5 Rishma Maudyna; Hanny Hikmayanti Handayani; Santi Arum Puspita Lestari
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 1 (2026): 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

Kurangnya penggunaan bahasa isyarat dalam berkomunikasi mengakibatkan minimnya pengetahuan masyarakat terkait metode komunikasi menggunakan bahasa isyarat. Model algoritma YOLOv5 banyak digunakan untuk deteksi objek dan mampu menghasilkan tingkat akurasi yang tinggi. Oleh karena itu, penelitian ini dilakukan untuk mendeteksi dan mengenali objek alfabet dari American Sign Language (ASL) menggunakan YOLOv5. Tujuan penelitian ini adalah untuk mengetahui hasil deteksi dan menganalisis performa model YOLOv5, serta mengevaluasi hasilnya menggunakan Confusion Matrix. Tahapan penelitian yang dilakukan meliputi pengumpulan dataset dan anotasi objek menggunakan Roboflow. Untuk mengetahui performa model YOLOv5, dilakukan perbandingan antara pelatihan dengan 200 epoch dan 300 epoch. Hasil pengujian model YOLOv5 pada kedua epoch tersebut menunjukkan bahwa dari 26 kelas huruf alfabet, nilai Mean Average Precision (mAP) dengan confidence threshold rata-rata mencapai 0,950 pada mAP@0.5. Nilai precision pada 200 dan 300 epoch masing-masing sebesar 1 dan 0,7428. Nilai recall pada 200 dan 300 epoch masing-masing sebesar 0,7878 dan 0,7027. Pada epoch 200 dan 300 diperoleh nilai akurasi tertinggi sebesar 0,96, sedangkan nilai akurasi terendah terdapat pada epoch 200 dengan nilai 0,85.
Klasterisasi Penggunaan Obat di Puskesmas Karawang Kulon Menggunakan Algoritma K-Means Hilman Abdurrohim Azis; Adi Rizky Pratama; Elsa Elvira Awal; Hanny Hikmayanti Handayani
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 1 (2026): 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

Pengelolaan stok obat di Puskesmas Karawang Kulon merupakan hal yang memegang peranan penting dalam mendukung kelancaran pemberian layanan kesehatan kepada masyarakat. Permasalahan yang sering muncul adalah ketidaksesuaian antara ketersediaan obat dan tingkat penggunaannya, yang berpotensi menimbulkan kekurangan atau penumpukan stok. Penelitian ini bertujuan untuk menerapkan algoritma K-Means Clustering guna mengkategorikan data pemakaian obat berdasarkan tingkat pemakaian tahunan, sehingga dapat digunakan sebagai dasar dalam perencanaan kebutuhan obat. Data yang digunakan bersumber dari laporan LPLPO tahun 2024 dan melalui tahapan integrasi, pembersihan, serta pengelompokan menggunakan algoritma K-Means. Hasil analisis menunjukkan bahwa data dapat dikategorikan ke dalam tiga kelompok, yaitu pemakaian tinggi, sedang, dan rendah. Pengelompokan ini memberikan gambaran yang lebih terstruktur terhadap pola pemakaian obat dan dapat dimanfaatkan untuk mendukung pengambilan keputusan dalam proses perencanaan pengadaan obat di masa mendatang.
Penerapan Algoritma Support Vector Machine untuk Klasifikasi Penyakit Daun Tanaman Padi melalui Citra Irfan; Hanny Hikmayanti Handayani; Cici Emilia Sukmawati; Ahmad Fauzi
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 1 (2026): 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

Pertanian padi memiliki peran penting dalam perekonomian Indonesia, namun kerap terganggu oleh penyakit daun, seperti blast, blight, dan tungro. Penelitian ini mengembangkan metode klasifikasi citra daun padi menggunakan algoritma Support Vector Machine (SVM) untuk mendeteksi ketiga jenis penyakit tersebut. Penelitian ini menggunakan 240 data citra daun padi. Tahapan yang dilakukan meliputi prapemrosesan citra, seperti resizing, grayscale, peningkatan kontras, dan tahapan lainnya, dilanjutkan dengan ekstraksi fitur Local Binary Pattern (LBP), normalisasi data, serta validasi menggunakan metode 5-Fold Cross-Validation dengan kernel RBF. Model SVM yang dihasilkan mencapai akurasi sebesar 83,33%. Nilai precision dan recall masing-masing untuk penyakit blast adalah 81% dan 85%, blight sebesar 86,6% dan 97,5%, serta tungro sebesar 82,29% dan 67,5%. Nilai F1-score tertinggi diperoleh pada kelas blight sebesar 91,72%, sedangkan nilai terendah terdapat pada kelas tungro sebesar 74,34%. Meskipun akurasi yang diperoleh tergolong cukup tinggi, model masih mengalami kesulitan dalam mengenali penyakit tungro. Hal ini menunjukkan perlunya peningkatan metode pemrosesan data dan pengembangan pendekatan lanjutan agar kinerja klasifikasi dapat ditingkatkan.
Peningkatan Kecepatan Inferensi Mask R-CNN Menggunakan MobileNetV3 Small pada Sistem Deteksi Kardus Vikha Tri Vicika; Jamaludin Indra; Sutan Faisal; Hanny Hikmayanti Handayani
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 1 (2026): 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 bertujuan untuk meningkatkan kecepatan inferensi pada sistem deteksi objek dengan mengoptimalkan arsitektur Mask R-CNN melalui penggantian backbone menjadi MobileNetV3 Small. Studi ini difokuskan pada deteksi kardus di lingkungan gudang menggunakan dataset yang dikumpulkan dari berbagai kondisi pencahayaan dan sudut pengambilan gambar. Proses pelatihan dan validasi dilakukan terhadap data yang telah dianotasi secara manual, dengan evaluasi menggunakan metrik presisi, recall, dan kecepatan pemrosesan dalam satuan frame per second (FPS). Hasil pengujian menunjukkan bahwa model dengan backbone MobileNetV3 Small menghasilkan FPS rata-rata sebesar 8,66, lebih tinggi dibandingkan dengan model default yang hanya mencapai 6,94. Dari sisi akurasi, model kustom menunjukkan nilai presisi sebesar 85%, sedangkan model default mencapai nilai recall sebesar 85,7%. Meskipun segmentasi yang dihasilkan oleh model default lebih menyeluruh, model kustom memiliki arsitektur yang lebih ringan dan efisien. Oleh karena itu, model kustom lebih sesuai untuk aplikasi waktu nyata pada perangkat dengan sumber daya terbatas. Temuan ini menunjukkan bahwa penggunaan MobileNetV3 Small sebagai backbone pada arsitektur Mask R-CNN mampu meningkatkan efisiensi inferensi tanpa menurunkan tingkat akurasi secara signifikan.
Development of Health Mask Identification Using YOLOv5 Architecture Ahmad Fauzi; Prasetyo Ajie; Anis Fitri Nur Masruriyah; Deden Wahiddin; Hanny Hikmayanti; April Lia Hananto
International Journal of Artificial Intelligence Research Vol 6, No 1.1 (2022)
Publisher : Universitas Dharma Wacana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29099/ijair.v6i1.1.573

Abstract

Coronavirus Disease 2019 (COVID-19) causes the state to suffer losses, especially in the health sector. WHO calls for controlling COVID-19 with health protocols that must be obeyed, one of which is wearing a mask. The use of masks can reduce the transmission of COVID-19. But there are still many people who ignore the protocol to use masks properly. So a system was created to detect the use of masks properly using the YOLOv5 architecture. Aiming to help regulate the use of masks in public areas or open places. The process of this research begins with data collection in the form of images. The collected image data will later be used as a dataset and model training will be carried out using the YOLOv5s model. The accuracy results obtained from this study reached 90.37%
Co-Authors Adi Rizky Pratama Ahmad Fauzi Ahmad Fauzi 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 Azhar, Wafiqah Yasmin Bagus Setiawan Baihaqi, Kiki Ahmad Bilawa, Firdho Akbar Carudin . Chorirotun Cholifah Cici Sukmawati Cucu Sri Cahyanti Deden Wahiddin Deden Wahiddin Dedih, Dedih Devi Fitrianah Dina Wulan Nurjanah Dinar Sugiri Dinda Resna Amalia Dwi Sulistya Kusumaningrum Dwi Vina Wijaya Dwiki Jatikusumo Eldawati, Eldawati Elsa Elvira Awal 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 Hilda Yulia Novita Hilman Abdurrohim Azis Indra, Jamaludin Irfan Jannah, Malika Dakhola Jasmin Putri Jayidan, Zirji Juwita, Ayu Ratna Lestari, Santi Arum Puspita Lila Setiyani 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 Prasetyo Ajie Pratama, Adi Rizky Rafikoh, Zahra Anggun Rahmat Rahmat Rahmat, R Ramadhan, Naufal Cahya Ricky Steven Chandra Ridwan, Ridwan Rishma Maudyna Rohana, Tatang Sandi Susanto Saputra, Arbi Niandi Saruni Dwiasnati Septiany, Eva Senia Setyawan Widyarto Siregar, Amril Mutoi suhliyyah Sukmawati, Cici Emilia Sutan Faisal Sutan Faisal Tri Vicika, Vikha Vikha Tri Vicika Wati, Devi Fajar Yana Cahyana Yogi Firman Alfiansyah Youbel Jansen