Article Per Year (5 Year)
p-Index From 2021 - 2026
2.461
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi dan Ilmu Komputer Techno Nusa Mandiri : Journal of Computing and Information Technology Jurnal Pengabdian Masyarakat AbdiMas EDUMATIC: Jurnal Pendidikan Informatika Technologia: Jurnal Ilmiah Indonesian Journal Computer Science (ijcs) Jurnal Pengabdian Teknik dan Ilmu Komputer (PETIK) Nuansa Informatika Journal of Information System and Computer Jurnal Komputer, Informasi dan Teknologi
Firasari, Elly
Universitas Nusa Mandiri
Computer Science & IT Education Engineering Languange, Linguistic, Communication & Media

Published : 14 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 14 Documents
Search

 1   2 
Analisa Kelayakan Aplikasi Web di SDIT Tunas Mandiri Karawang menggunakan Metode PIECES Dede Rianto; Elly Firasari
Jurnal Komputer, Informasi dan Teknologi Vol. 5 No. 2 (2025): Desember
Publisher : Penerbit Jurnal Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53697/jkomitek.v5i2.3118

Abstract

Penelitian ini bertujuan menilai kelayakan pengimplementasian teknologi sistem informasi pada website SDIT Tunas Mandiri Karawang serta memetakan keberhasilan, tantangan, dan dampaknya bagi layanan informasi pendidikan. Pendekatan evaluatif menggunakan kerangka PIECES (Performance, Information, Economic, Control, Efficiency, Services) dengan pengumpulan data melalui kuesioner kepuasan pengguna dan pengelola serta penilaian pemangku kepentingan (wakil kepala sekolah, pengelola website, orang tua siswa), kemudian dianalisis secara deskriptif-komparatif antar dimensi. Hasil menunjukkan kinerja akses stabil dan ringan, namun responsivitas seluler dan keteraturan pembaruan konten masih lemah; informasi cukup akurat tetapi belum konsisten karena ketiadaan CMS dan jadwal kurasi; dari sisi ekonomi, website menekan biaya cetak/distribusi, namun efisiensi belum optimal akibat ketiadaan notifikasi otomatis dan proses unggah yang masih manual; aspek kontrol/keamanan menjadi titik lemah (belum ada autentikasi, enkripsi, dan monitoring); layanan pengguna memerlukan penguatan panduan, sosialisasi fitur, dan konten visual. Secara umum muncul tiga penilaian: kurang layak (wakil kepala sekolah), layak (pengelola website), dan layak dari perspektif orang tua. Disimpulkan bahwa website memberi manfaat biaya dan akses informasi, tetapi belum memenuhi standar kelayakan ideal pada dimensi kontrol, efisiensi, dan layanan; perbaikan prioritas meliputi penerapan keamanan dasar, otomatisasi notifikasi dan manajemen konten, penjadwalan kurasi informasi, serta peningkatan panduan dan sosialisasi fitur agar tata kelola operasional lebih optimal pada seluruh dimensi PIECES.
SENTISTRENGTH-BASED SENTIMENT ANALYSIS TO UNDERSTAND THE LOYALTY AND SHOPPING INTERESTS OF DIGITAL BUSINESS MARKETPLACE Widi Astuti; Elly Firasari; F. Lia Dwi Cahyani; Fajar Sarasati; Rendi Septian
Jurnal Techno Nusa Mandiri Vol. 23 No. 1 (2026): Techno Nusa Mandiri : Journal of Computing and Information Technology Period o
Publisher : Lembaga Penelitian dan Pengabdian Pada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33480/z9qneg62

Abstract

In Indonesia's dynamic digital economy, customer reviews on marketplace platforms like TikTok Shop, Shopee, and Tokopedia are strategic assets for understanding consumer loyalty and online shopping interest. However, extracting information from thousands of informal reviews presents a significant challenge for rapid business decision-making. This study aims to implement an automated sentiment analysis system by comparing three major machine learning algorithms: Logistic Regression (LR), Naive Bayes (NB), and K-Nearest Neighbors (KNN), utilizing the sentiment strength feature of the Indonesian SentiStrength method. The research dataset consists of 881 reviews collected through crawling techniques and subjected to text preprocessing stages including case folding, cleaning, tokenization, stemming, and stop word removal. Automatic labeling using SentiStrength resulted in a sentiment distribution consisting of Neutral (41.9%), Positive (40.2%), and Negative (17.9%). The data was then divided into training and test data to evaluate the performance of the three algorithms.  Experimental results show that all three models performed very reliably in classifying customer opinions. Based on an evaluation using the Classification Report, K-Nearest Neighbors (KNN) provided the most optimal results with an accuracy rate of 99%, followed by Naive Bayes with 96% accuracy, and Logistic Regression with 94%. The high performance of these three models demonstrates that using SentiStrength sentiment scores as input features is highly effective in minimizing language ambiguity. Managerially, this research contributes to digital business practitioners' ability to monitor public perception in real-time to formulate more responsive marketing strategies and maintain customer retention in the marketplace ecosystem
KLASIFIKASI DATA MINING DENGAN ALGORITMA MACHINE LARNING UNTUK PREDIKSI PENYAKIT LIVER F. Lia Dwi Cahyanti; Fajar Sarasati; Widi Astuti; Elly Firasari
Technologia : Jurnal Ilmiah Vol 14 No 2 (2023): Technologia (April)
Publisher : Fakultas Teknologi Informasi, Universitas Islam Kalimantan Muhammad Arsyad Al Banjari, di bawah koordinasi UPT Publikasi dan Pengelolaan Jurnal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31602/tji.v14i2.10093

Abstract

Liver merupakan organ tubuh manusia yang memiliki peranan sangat penting seperti mencerna, menyerap, membantu proses pencernaan makanan serta menghancurkan racun di dalam darah. Penyakit hati atau liver yang sudah akut sangat mempengaruhi fungsi-fungsi hati, penyakit hati dapat diketahui dari munculnya gejala klinis maupun fisik yang timbul pada pasien. Penelitian ini membahas tentang klasifikasi penyakit liver pada dataset ILPD yang diambil dari UCI Machine learning Repository menggunakan algoritma machine learning. Dataset terdiri dari 583 record data, 10 kriteria, dan 1 variable kelas berjenis multivariate. Penelitian ini menggunakan beberapa tahapan preprocessing yang dilakukan, diantaranya : Preprocessing Data Dan Eksplorasi Data, Penanganan missing value, feature selection, menerapkan feature correlation dan feature scaling, Analisis menggunakan Algoritma Machine learning. Berdasarkan hasil pengujian yang dilakukan dalam memperoleh nilai akurasi perhitungan klasifikasi menggunakan Algoritma Random Forest memiliki performa  keakuratan yang diukur dengan akurasi sebesar 78,63% sehingga disimpulkan akurasi tersebut lebih unggul dari algoritma lainnya dalam klasifikasi penyakit liver.
Comparison of Machine Learning Algorithms for Heart Disease Prediction: Perbandingan Algoritma Machine Learning pada Prediksi Penyakit Jantung Elly Firasari; F. Lia Dwi Cahyanti
Journal of Information System and Computer Vol. 6 No. 1 (2026): Juli 2026
Publisher : Universitas Islam Nahdlatul Ulama Jepara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34001/jister.v6i1.2018

Abstract

Penyakit jantung merupakan salah satu penyebab kematian tertinggi di dunia, sehingga diperlukan metode yang mampu membantu proses deteksi dini secara cepat dan akurat. Penelitian ini bertujuan untuk memprediksi penyakit jantung menggunakan metode machine learning berdasarkan data kesehatan pasien. Dataset yang digunakan terdiri dari 18 fitur yang berkaitan dengan kondisi kesehatan, gaya hidup, dan riwayat penyakit pasien. Tahapan penelitian meliputi preprocessing data, analisis Exploratory Data Analysis (EDA), analisis distribusi kelas, penanganan class imbalance menggunakan Synthetic Minority Over-sampling Technique (SMOTE), pembagian data dengan rasio 90% data training dan 10% data testing, pelatihan model, hyperparameter tuning menggunakan GridSearchCV, serta evaluasi model menggunakan metrik accuracy, recall, F1-score, dan confusion matrix. Penelitian ini membandingkan tiga algoritma machine learning, yaitu Decision Tree, Random Forest, dan Logistic Regression. Hasil penelitian menunjukkan bahwa penerapan SMOTE mampu meningkatkan kemampuan model dalam mendeteksi kelas minoritas yang ditunjukkan oleh peningkatan nilai recall dan F1-score pada seluruh algoritma. Berdasarkan hasil evaluasi, Random Forest memberikan performa terbaik dengan nilai accuracy sebesar 0,761, recall sebesar 0,671, dan F1-score sebesar 0,324. Selain itu, hasil analisis menunjukkan bahwa faktor usia, diabetes, aktivitas fisik, BMI, dan kondisi kesehatan umum memiliki pengaruh terhadap risiko penyakit jantung. Dengan demikian, penerapan metode SMOTE pada algoritma Random Forest mampu meningkatkan performa klasifikasi pada dataset yang tidak seimbang sehingga berpotensi menjadi pendukung dalam proses prediksi penyakit jantung.
Co-Authors Cahyanti, F. Lia Dwi Daniati Uki Eka Saputri Dede Rianto F Lia Dwi Cahyanti F. Lia Dwi Cahyani F. Lia Dwi Cahyanti F. Lia Dwi Cahyanti Fajar Sarasati Fajar Sarasati Fajar Sarasati Khultsum, Umi Rendi Septian Risnandar, Risnandar Siswahyudianto Umi Khultsum Umi Khultsum Veithzal Rivai Zainal Widi Astuti Widiastuti Widiastuti Widiastuti Widiastuti Winnarto, Monikka Nur