Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal Jurnal Insan Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI)
Rabiatus Sa'adah
Universitas Bina Sarana Informatika
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Rancang Bangun Program Pengelolaan Aplikasi Website Akademik pada Perguruan Tinggi dan Ilmu Pendidikan Panca Bhakti Pontianak Rabiatus Sa'adah; Badariatul Lailiah; Ari Abdillah; Muhammad Rezki
Jurnal INSAN: Journal of Information System Management Innovation Vol. 2 No. 1 (2022): Juni 2022
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (618.704 KB) | DOI: 10.31294/jinsan.v2i1.1278

Abstract

Teknologi informasi berkembang begitu pesat dari hari ke hari. Dengan berkembangnya teknologi informasi, banyak fasilitas yang disediakan untuk menyampaikan informasi yang tepat dan akurat. Komputer dan internet merupakan salah satu sarana teknologi informasi yang terus berkembang pesat dan tidak akan pernah ada habisnya. Sekolah Tinggi Ilmu Pendidikan dan Ilmu Pengetahuan Panca Bhakti terletak di Jl. Komodor Yos Sudarso, Pontianak, Kalimantan Barat merupakan salah satu perguruan tinggi bidang pendidikan di Pontianak, berusaha meningkatkan kualitas pelayanan yang dibutuhkan oleh mahasiswa akademik agar dapat diterima dengan cepat dan tepat sehingga kualitas pelayanan memuaskan. Dalam hal ini, bukan hanya kualitas sumber daya manusia yang diperhatikan, namun pemanfaatan teknologi harus diberdayakan agar dapat mempermudah pelayanan yang dibutuhkan. Perancangan sistem kerja ini adalah menginput data mahasiswa, data dosen, dan data nilai mahasiswa. Panca Bhakti Pontianak masih menggunakan notebook sehingga relatif lama dan kurang efektif. Dengan adanya sistem informasi akademik berbasis web ini diharapkan dapat memberikan solusi sebagai solusi dari permasalahan diatas. Sehingga dapat mempermudah kegiatan akademik dalam mendapatkan informasi yang lebih akurat tanpa perlu banyak waktu dan tenaga.
Komparasi Algoritma Machine Learning untuk Prediksi Risiko Burnout Akademis Akibat Penggunaan Generative AI Ophelius Savero Rinyuakng Rolin; Wahyu Nugraha; Rabiatus Sa'adah
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 2 (2026): September 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i2.1366

Abstract

Perkembangan Generative AI (GenAI) dalam pendidikan tinggi memunculkan fenomena baru berupa peningkatan risiko burnout akademis mahasiswa yang tidak lagi semata dipicu oleh beban belajar konvensional, melainkan oleh pola interaksi dengan kecerdasan buatan. Penelitian ini bertujuan membandingkan kinerja tiga algoritma Machine Learning, yaitu Logistic Regression, Random Forest Classifier, dan XGBoost, dalam mengklasifikasikan tingkat risiko burnout akademis (High, Medium, Low) berdasarkan data profil 50.000 mahasiswa dengan 16 atribut, termasuk durasi penggunaan GenAI mingguan (Weekly_GenAI_Hours) dan tingkat ketergantungan psikologis terhadap AI (Perceived_AI_Dependency). Metode penelitian meliputi eksplorasi data, pra-pemrosesan (encoding, normalisasi, pembagian data latih-uji 80:20), pelatihan model baseline, optimasi hyperparameter menggunakan GridSearchCV, serta evaluasi menggunakan metrik akurasi, presisi, recall, F1-score, confusion matrix, dan feature importance. Hasil penelitian menunjukkan akurasi model berkisar antara 51,96% hingga 53,83%, dengan Logistic Regression baseline mencatatkan akurasi tertinggi (53,83%), diikuti XGBoost setelah tuning (53,62%) dan Random Forest setelah tuning (53,27%). Hyperparameter tuning terbukti meningkatkan akurasi model berbasis pohon secara signifikan, namun tidak pada model linear. Ekstraksi feature importance dari Random Forest dan XGBoost secara konsisten menempatkan Weekly_GenAI_Hours dan Perceived_AI_Dependency sebagai dua prediktor terkuat, jauh melampaui variabel akademik tradisional seperti IPK dan jam belajar. Analisis confusion matrix mengungkap tumpang tindih klasifikasi terutama pada kelas Medium. Temuan ini memberikan bukti empiris bahwa intensitas dan ketergantungan penggunaan GenAI merupakan determinan utama burnout akademis, sehingga dapat menjadi dasar objektif bagi kebijakan pembatasan penggunaan AI yang sehat di lingkungan pendidikan.
Identifikasi Penyakit Tanaman Cabai Berdasarkan Ekstrasi Fitur Warna Tekstur Menggunakan SVM dan Random Forest Rafael Agrerio Firera; Wahyu Nugraha; Rabiatus Sa'adah
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 2 (2026): September 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i2.1415

Abstract

Tanaman cabai (Capsicum annuum L.) merupakan komoditas hortikultura bernilai ekonomi tinggi di Indonesia, namun produktivitasnya kerap terganggu oleh penyakit daun yang selama ini masih diidentifikasi secara manual oleh petani, sehingga rentan terhadap keterlambatan dan kesalahan subjektif. Penelitian ini bertujuan membangun sistem identifikasi otomatis penyakit daun cabai menggunakan ekstraksi fitur warna dan tekstur yang dibandingkan performanya melalui algoritma Support Vector Machine (SVM) dan Random Forest (RF). Dataset yang digunakan berjumlah 400 citra daun cabai dari Kaggle yang terbagi merata ke dalam lima kelas: healthy, leaf curl, leaf spot, whitefly, dan yellowish. Setiap citra melalui pra-pemrosesan resize 128×128 piksel, kemudian diekstraksi menjadi 236 dimensi fitur yang terdiri atas 205 dimensi fitur warna (Histogram RGB, HSV, dan color moments) dan 31 dimensi fitur tekstur (GLCM, statistik grayscale, dan gradien Sobel). Data dibagi dengan skema 80:20 dan dievaluasi menggunakan akurasi, presisi, recall, F1-Score, confusion matrix, 5-Fold Cross Validation, serta analisis feature importance. Hasil pengujian menunjukkan SVM kernel RBF unggul dengan akurasi 70,00% dibandingkan Random Forest 60,00%, serta waktu pelatihan jauh lebih cepat (0,02 detik berbanding 0,58 detik). Analisis feature importance mengungkap bahwa kelompok fitur warna berkontribusi dominan sebesar 71,00% dibandingkan fitur tekstur 29,00%, membuktikan bahwa perubahan warna daun menjadi indikator utama penyakit cabai. Hasil 5-Fold Cross Validation menunjukkan penurunan akurasi menjadi 32,50% (SVM) dan 37,50% (RF), mengindikasikan perlunya penambahan volume dataset pada penelitian berikutnya.
Co-Authors Ari Abdillah Badariatul Lailiah Muhammad Rezki Ophelius Savero Rinyuakng Rolin Rafael Agrerio Firera Wahyu Nugraha