Article Per Year (5 Year)
p-Index From 2021 - 2026
1.203
P-Index
This Author published in this journals
All Journal Explore: Jurnal Sistem Informasi dan Telematika (Telekomunikasi, Multimedia dan Informatika) Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Dirgamaya: Jurnal Manajemen dan Sistem Informasi Jurnal Komtekinfo Innovative: Journal Of Social Science Research Jurnal Ilmiah Multidisiplin Indonesia
Shofa Shofiah Hilabi
Universitas Buana Perjuangan Karawang
Agriculture, Biological Sciences & Forestry Humanities Computer Science & IT Earth & Planetary Sciences Economics, Econometrics & Finance Education Engineering Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Physics Public Health Social Sciences Other

Published : 6 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 6 Documents
Search

 1 
Strategi Promosi Penerapan Data Mining Mahasiswa Baru Dengan Metode K-Means Clustering Agneresa Agneresa; April Lia Hananto; Shofa Shofiah Hilabi; Agustia Hananto; Tukino Tukino
Dirgamaya: Jurnal Manajemen dan Sistem Informasi Vol. 2 No. 2 (2022): Dirgamaya : Jurnal Manajemen dan Sistem Informasi
Publisher : LPPM STMIK Rosma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35969/dirgamaya.v2i2.275

Abstract

Kegiatan penerimaan mahasiswa sudah menjadi kebiasaan tahunan bagi perguruan tinggi seperti Universitas Buana Perjuangan yang diadakan setiap tahun ajaran baru. Banyaknya data yang dihasilkan melalui proses ini dapat menjadi sumber informasi baru bagi perguruan tinggi yang dapat dimanfaatkan untuk menentukan strategi promosi yang efisien dan spesifik. Pada penelitian ini, teknik Clustering dan algoritma K-Means digunakan dalam proses Data Mining. Data dalam penelitian ini menggunakan data penerimaan mahasiswa baru tahun ajaran 2020/2021 yang berjumlah 2479 pendaftar dengan atribut seperti jenis kelamin, asal sekolah, asal jurusan, dan program studi yang dipilih. Penelitian ini menggunakan perangkat lunak RapidMiner untuk implementasi. Davies Bouldin Index digunakan untuk mencari jumlah Cluster yang optimal kemudian menghasilkan 2 Cluster. Cluster 1 sebagai cluster minat tinggi berjumlah 1945 data dengan persentase sebesar 78,82%. karakteristik cluster 1 didominasi oleh mahasiswa yang berasal dari SMA Negeri 52% dan SMK Swasta 21% Prodi yang paling banyak dipilih yaitu Manajemen sebanyak 22%. Cluster 2 sebagai cluster minat rendah berjumlah 525 data dengan persentase sebesar 21,18% mempunyai karakteristik yang didominasi oleh mahasiswa berasal dari SMK Negeri 48% dan SMK Swasta 45% program studi yang paling mendominasi pada cluster yaitu Prodi Manajemen 25% dan Teknik Industri 24%. Penelitian ini menghasilkan pola yang menarik sebagai sumber informasi baru untuk menentukan strategi promosi yang lebih efektif dan tepat sasaran dalam mempromosikan setiap program studi sehingga dapat meningkatkan jumlah calon pendaftar mahasiswa baru di tahun berikutnya.
Analisis Sentimen Relokasi Ibukota Nusantara Menggunakan Algoritma Naïve Bayes dan KNN Syahril Dwi Prasetyo; Shofa Shofiah Hilabi; Fitri Nurapriani
Jurnal KomtekInfo Vol. 10 No. 1 (2023): Komtekinfo
Publisher : Universitas Putra Indonesia YPTK Padang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35134/komtekinfo.v10i1.330

Abstract

Pemindahan serta pembangunan Ibu Kota Negara Nusantara pada masa Presiden Bapak Ir. H. Joko Widodo akan direlokasi secara bertahap dari tahun 2024 hingga 2045. Dengan hal ini tersebut maka menjadi  sebuah perbincangan dan mengundang banyak reaksi, terutama bagi masyarakat Indonesia. Persoalan dalam Pemindahann Ibu Kota Negara merupakan hal yang sensitif sehingga ramai diperbincangkan di media sosial termasuk Twitter. Pada dasarnya media sosial digunakan untuk menyampaikan pendapat atau sebuah ekspresi. Pemanfaatan media sosial ini tentunya menjadi layanan dan fasilitas yang dapat dimanfaatkan untuk sebuah isu politik atau hal-hal yang sedang dibahas. Maka dari itu penelitian ini bertujuan untuk melakukan analisis sentimen masyarakat Indonesia terhadap pemindahan Ibu Kota Nusantara. Dalam penelitian ini metode yang digunakan adalah Naïve Bayes (NB) dan K-Nearest Neighbor (KNN). Hasil penelitian menyajikan hasil komparasi kinerja metode tersebut bahwa metode Naïve Bayes memberikan tingkat akurasi analisis sentimen sebesar 82.27%, nilai Precision sebesar 86.36% dan nilai Recall sebesar 76.93%. Kinerja metode KNN juga menyajikan hasil analisis dengan tingkat akurasi sebesar 88,12%, Precision sebesar 93.%98 dan nilai recall sebesar 81.53%. Berdasarkan hasil analisis tersebut maka proses analisis menggunakan metode KKN mengungguli metode NB dalam mengukur sentimen terhadap pemindahan Ibu Kota Nusantara.
Komparasi Metode Klasifikasi Data Mining Algoritma C4.5 Dan Naïve Bayes Untuk Pemilihan Penggunaan Jenis KB Di Bidan Swasta H.Enok Hayati Novia Cahya Utami; April lia Hananto; Tukino Tukino; Shofa Shofiah Hilabi
Innovative: Journal Of Social Science Research Vol. 3 No. 1 (2023): Innovative: Journal Of Social Science Research
Publisher : Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/innovative.v3i1.3516

Abstract

Jumlah penduduk yang semakin banyak mengharuskan pemerintah untuk mengurangi ledakan penduduk, salah satunya dengan program Keluarga Berencana(KB). Dalam program keluarga Berencana sering terjadi kesalahan dalam memilih alat kontrasepsi. Penggunaan kontrasepsi merupakan hal yang penting, mengingat dapat menurunkan laju pertumbuhan. Penggunaan jenis KB yang tepat untuk para wanita merupakan permasalahan klasifikasi. Dalam penelitian ini diambil data mengenai klasifikasi penggunaan kontrasepsi di bidan swasta H Enok Hayati yang melayani beberapa jenis KB yaitu seperti KB suntik , KB pil , IUD (Intrauterine Device) dan Implan. Penelitian ini menggunakan metode klasifikasi data mining Algoritma C4.5 dan Naïve Bayes kemudian dilakukan perbandingan kedua metode. Pengolahan dua metode tersebut menggunakan confusion matrix dan kappa. Hasil penelitian ini menghasilkan akurasi algoritma C4.5 sebesar 89.55% dan kappa 0.851 sedangkan tingkat akurasi Naïve Bayes sebesar 34.85% dan kappa 0.016. Sehingga algoritma C4.5 merupakan metode yang lebih baik dalam pengklasifikasian data akseptor KB pada Bidan Swasta HJ Enok Hatiyah dibandingkan dengan metode algoritma Naïve Bayes"
Optimasi Tata Kelola Kota Cerdas melalui IOT: Studi Kasus Penggunaan Aplikasi Disdukcapil dalam Pengelolaan Data Warga Kependudukan Shofa Shofiah Hilabi; Andrianto Tri Saputra; Wahid Maulana Fathurrohman; Moethiara Chinta Andjanie; Assyifa Salsabila; Choirul Anwar
Explore: Jurnal Sistem Informasi dan Telematika (Telekomunikasi, Multimedia dan Informatika) Vol 15, No 1 (2024): Juni
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/jsit.v15i1.3515

Abstract

Internet of Things (IoT) merupakan sebuah konsep yang mengacu pada jaringan objek fisik yang terhubung ke internet dan dapat saling bertukar data tanpa perlu campur tangan manusia. Internet of Think (IoT) bertujuan untuk untuk kasus penggunaan industri untuk meningkatkan proses, menciptakan aliran pendapatan yang baru mengurangi biaya dan meningkatkan keamanan dengan menganalisis data dari perlengkapan, Seiring perkembangan zaman yang dimana sudah menggunakan teknologi untuk berbagai aktivitas agar mempermudah kita semua, Penerapan aplikasi pembutan catatan kependudukan sipil secara online adalah menguranginya antrean dalam pembuatan catatan sipil warga yang dilakukan secara langsung ke kantor capil, e-dukcapil adalah aplikasi kependudukan berbasis website untuk mempermudah masyarakat dalam pembuatan dan penerbitan dokumen administrasi kependudukan. Metode yang digunakan dalam konteks riset “Optomasi Tata Kelola Kota Cerdas Melalui IoT” adalah studi literatur Metode ini melibatkan pencarian dan analisis dari berbagai sumber dan situs-situs di internet sipil  agar mudah di pahami dan mudah dimengerti oleh pengguna e-dukcapil, aplikasi ini dapat di akses melalui https://edukcapil.karawangkab.go.id.
Classification of Traffic Accident Levels in West Java Using the K-Means Algorithm Gusti Musyaffa Razan; Baenil Huda; Shofa Shofiah Hilabi
Jurnal Ilmiah Multidisiplin Indonesia (JIM-ID) Vol. 5 No. 04 (2026): Jurnal Ilmiah Multidisplin Indonesia (JIM-ID), April 2026
Publisher : Sean Institute

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

Abstract

Traffic accidents are an important factor in improving public safety in West Java Province, because the population movement rate there is very high. The high number of accidents is directly related to increased deaths and material losses, but the use of historical data is still limited to administrative archiving tasks without any process of identifying regional vulnerability patterns. This study aims to classify accident-prone areas using Data Mining techniques and the K-Means Clustering algorithm, as well as applying the CRISP-DM framework approach. The analyzed dataset comes from the Indonesian National Police Traffic Accident Database (Pusiknas Polri) for the period 2020 to 2025, consisting of 552 observations with indicator variables covering the number of fatalities, serious injuries, and minor injuries. The determination of the most appropriate number of clusters was tested using the Silhouette method to ensure more accurate and objective modeling results. The analysis shows that the number of clusters (k=3) is the most appropriate, with a Silhouette metric value of 0.398. The application of the model produces three levels of risk: the red zone, which indicates high risk with 51 cases and the highest mortality rate; the yellow zone, which indicates moderate risk with 189 cases; and the green zone, which indicates low risk with 312 cases. The visualization of these mapping results is expected to be an important tool for the police and local governments in formulating mitigation policies, improving patrol efficiency, and accelerating infrastructure improvements in high-risk areas, thereby reducing the number of accidents in the future.
Implementasi Algoritma K-Means Clustering untuk Mengelompokkan Wilayah Produksi Kopi di Jawa Barat Jingga Pratama; Baenil Huda; Shofa Shofiah Hilabi; Elvina Novalia
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 15, No 2 (2026): April 2026
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v15i2.3622

Abstract

Regional disparities in Arabica coffee output across West Java Province underscore the necessity of evidence-based analytical approaches to systematically map production distribution. This study applies K-means clustering to segment Arabica coffee-producing districts and cities based on their production volumes. The analytical pipeline encompasses data preprocessing, cluster modeling, performance evaluation, and result visualization. Three distinct production tiers emerged from the analysis: low, moderate, and high. A silhouette score of 0.883 confirmed excellent cluster cohesion and separation quality. The novelty of this research lies in its territory-level, data-driven segmentation approach paired with interpretable visualization to inform regional policy. The findings reveal pronounced inter-regional production disparities and offer an empirical foundation for crafting targeted, data-informed, and sustainable development strategies to improve the equity and competitiveness of Arabica coffee production at the regional level.Keywords: K-Means clustering; Arabica coffee; Coffee production; Regional clustering; Data analysisAbstrakKesenjangan tingkat produksi kopi Arabika antar daerah di Provinsi Jawa Barat mengindikasikan perlunya pendekatan analitis berbasis data untuk memetakan pola sebaran produksi secara sistematis. Penelitian ini menerapkan metode K-means clustering guna mengelompokkan daerah penghasil kopi Arabika berdasarkan volume produksinya. Rangkaian analisis mencakup pra-pemrosesan data, pemodelan cluster, evaluasi performa, dan visualisasi hasil. Tiga kelompok wilayah berhasil terbentuk, yakni kategori produksi rendah, menengah, dan tinggi. Nilai silhouette score sebesar 0,883 mengonfirmasi kualitas pengelompokan yang sangat baik dengan separasi antar cluster yang tegas. Kebaruan penelitian terletak pada penerapan segmentasi berbasis wilayah yang bersifat data-driven serta penyajian visual yang informatif sebagai fondasi pengambilan kebijakan. Temuan ini mengungkap adanya ketimpangan produksi yang nyata antar wilayah sekaligus menyediakan landasan empiris untuk merancang strategi pengembangan kopi Arabika yang lebih tepat sasaran, berbasis data, dan berkelanjutan ditingkat daerah. 
Co-Authors Agneresa Agneresa Andrianto Tri Saputra April Lia Hananto Assyifa Salsabila Baenil Huda Choirul Anwar Elvina Novalia Fitri Nurapriani Gusti Musyaffa Razan Hananto, Agustia Jingga Pratama Moethiara Chinta Andjanie Novia Cahya Utami Syahril Dwi Prasetyo Tukino Wahid Maulana Fathurrohman