Article Per Year (5 Year)
p-Index From 2021 - 2026
2.041
P-Index
This Author published in this journals
All Journal IAES International Journal of Artificial Intelligence (IJ-AI) Buana Ilmu JISA (Jurnal Informatika dan Sains) Jumat Informatika: Jurnal Pengabdian Masyarakat Jurnal Sisfotek Global Scientific Student Journal for Information, Technology and Science Jurnal Informatika Teknologi dan Sains (Jinteks)
Ayu Ratna Juwita
Universitas Buana Perjuangan Karawang
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Law, Crime, Criminology & Criminal Justice Other

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

Found 14 Documents
Search

 1   2 
ANALISIS SENTIMEN TWITTER TERHADAP UU OMNIBUS LAW MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) DAN NAÏVE BAYES CLASSIFIER (NBC) Chorirotun Cholifah; Hanny Hikmayanti Handayani; Ayu Ratna Juwita
Jurnal Informatika Teknologi dan Sains (Jinteks) Vol 4 No 4 (2022): EDISI 14
Publisher : Program Studi Informatika Universitas Teknologi Sumbawa

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (396.135 KB) | DOI: 10.51401/jinteks.v4i4.2191

Abstract

Dalam media sosial orang dapat mengutarakan opininya secara bebas sesuai dengan UU ITE. Salah satu media sosial yang dipakai oleh banyak orang adalah Twitter. Jumlah pengguna Twitter sebanyak 21.05% dari total seluruh pengguna internet di Indonesia. Analisis sentimen twitter bertujuan untuk menentukan isi dari dataset yang berbentuk teks berupa (kalimat dan paragraf) yang bersifat positif atau negatif. Alur kerja yang digunakan merupakan framework yang pada umumnya digunakan pada teknik analisis. Penelitian ini menggunakan teknik crawling, teknik ini memanfaatkan API pada Twitter, sehingga di dapatkan data tweet berdasarkan kata kunci tertentu. Hasil datanya sebanyak 3018 data. Untuk mengetahui akurasinya, Analisis sentimen twitter terhadap UU OmnibusLaw diklasifikasikan menggunakan metode Naïve Bayes Classifier (NBC) dan metode Support Vector Machine (SVM) dengan menggunakan tipe dokumen Comma Separated Values (CSV) sebagai inputan data untuk melakukan klasifikasi data. Hasil klasifikasi dataset tweets terhadap UU OmnibusLaw bahwa kedua metode tersebut dapat melakukan performa yang baik, pada metode Naïve Bayes nilai accuracy sebesar 75%, untuk nilai precision sebesar 77% dan untuk nilai recall sebesar 79%. Sedangkan pada metode SVM nilai accuracy sebesar 77%, untuk nilai precision sebesar 88% dan untuk nilai recall sebesar 67%.
Analysis of Sentiment Adiraku App Reviews on Google Play Store Using Vector Machine Support Algorithm and Naïve Bayes Bayu Padilah; Adi Rizky Pratama; Ayu Ratna Juwita
JURNAL SISFOTEK GLOBAL Vol 13, No 1 (2023): JURNAL SISFOTEK GLOBAL
Publisher : Institut Teknologi dan Bisnis Bina Sarana Global

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.38101/sisfotek.v13i1.2943

Abstract

The Adiraku application is considered to be able to facilitate and facilitate customers so that there is no need to come to the branch office to get information related to the number of installments that must be paid, due dates, credit simulations, and Adira Finance information offers to customers. A large number of reviews from users received makes it difficult for developers to read them, it will take too much time and effort if they have to read and analyze them manually. To find out which reviews are classified as positive or negative reviews. need a sentiment analysis of the review. This study aims to find out how the opinions or opinions of its users on the services of the application, by analyzing these sentiments through a classification process using two algorithms, namely Support Vector Machine and Naïve Bayes. The data used amounted to 2000 data obtained from Google Playstore. Data is labeled into 2 classes namely positive class and negative. Furthermore, the data is divided into 70% training data and 30% testing data and methods used for testing using Bernoulli Naïve Bayes and Linear Kernel. It was concluded that the number of user reviews of the Adiraku application on the Google Play Store showed more positive comments, amounting to 1412 positive and negative reviews, which was 588 reviews. The Support Vector Machine algorithm performs better by getting the best accuracy value of 96%, while the Naïve Bayes algorithm gets an accuracy value of 85%.
IMPLEMENTASI TEKNIK FAILOVER RECURSIVE GATEWAY Tohirin Al Mudzakir; Adi Rizky Pratama; Ayu Ratna Juwita
BUANA ILMU Vol 7 No 2 (2023): Buana Ilmu
Publisher : Universitas Buana Perjuangan Karawang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36805/bi.v7i2.5365

Abstract

The development of information technology and the internet in Indonesia every year shows very rapid progress in terms of reliable infrastructure, users, hardware, software and information systems. At Buana Perjuangan University, Karawang has two internet lanes designated for users of all academics, both LAN and wifi, and one more lane for servers. These conditions sometimes create problems when one of the internet lines is down which results in hampering service activities. Based on the background above, the authors propose the implementation of a Failover Recursive Gateway, with the aim that there will be no more cessation of administrative services when one of the internet lines is down.
PERBANDINGAN KINERJA RANDOM FOREST DAN XGBOOST UNTUK PREDIKSI KETERLAMBATAN PINJAMAN ONLINE Oktavia Nursyahbani; Sutan Faisal; Dwi Sulistya Kusumaningrum; Ayu Ratna Juwita
Jurnal Informatika Teknologi dan Sains (Jinteks) Vol 8 No 2 (2026): EDISI 28
Publisher : Program Studi Informatika Universitas Teknologi Sumbawa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51401/jinteks.v8i2.7393

Abstract

Pertumbuhan industri teknologi finansial (fintech) di Indonesia membawa risiko peningkatan kredit bermasalah atau non-performing loan. Penelitian ini bertujuan membandingkan performa dua algoritma machine learning, yaitu Random Forest dan XGBoost, dalam memprediksi keterlambatan pembayaran pinjaman online menggunakan dataset Lending Club dari Kaggle yang terdiri dengan 1.048.575 baris data. Kontribusi ilmiah penelitian ini terletak pada analisis komparatif penggunaan Class Weight dan SMOTE pada dataset skala besar serta penerapan threshold tuning untuk optimasi model. Hasil penelitian ini menunjukkan bahwa XGBoost yang dioptimalkan melalui GridSearchCV dan Threshold Tuning menghasilkan akurasi 78,87%% dan ROC-AUC 0,7211. Namun secara analitis, rendahnya nilai Recall (7,21%) pada XGBoost menunjukkan sifat model yang sangat konservatif. Sebaliknya, Random Forest dengan Class Weight menghasilkan F1-Score tertinggi (0,3673) dan lebih sensitif mendeteksi kasus gagal bayar. Penelitian ini menyimpulkan bahwa meskipun XGBoost unggul dalam presisi, Class Weight lebih efektif daripada SMOTE dalam mempertahankan integritas distribusi data asli untuk identifikasi Risiko.
Classification of High-Risk Provinces for Fintech Lending Based on TWP90 from LPBBTI OJK Using Interpretable Model for Artificial Intelligence Ethical Transparency Adi Rizky Pratama; Ayu Ratna Juwita; Antika Zahrotul Kamalia; Jan Everhard Riwurohi
JISA(Jurnal Informatika dan Sains) Vol 9, No 1 (2026): JISA(Jurnal Informatika dan Sains)
Publisher : Universitas Trilogi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31326/jisa.v9i1.2714

Abstract

The growth of the fintech lending industry (LPBBTI) in Indonesia has expanded access to financing but has also increased credit risk, as reflected in the 90-day Default Rate (TWP90). This condition demands proactive regional risk monitoring, while existing approaches are still dominated by historical descriptive analysis. This study aims to develop a high-risk provincial classification as a transparent and accountable early warning system. The research methodology uses multi-sheet data integration from the Financial Services Authority (OJK) LPBBTI Statistics to create a provincial-monthly panel dataset covering supply, demand, and transaction activity. The Logistic Regression model was used as the baseline model due to its interpretability and support for decision auditability. Model evaluation using a time-based split approach during the May–July 2025 test period demonstrated good performance, with an ROC-AUC of 0.8598, an accuracy of 0.8462, and a precision of 0.8000. The results of feature analysis indicate that scale and activity indicators, particularly the outstanding amount, the number of active borrowers, and the value of disbursed funds, contribute significantly to risk probability. Although detection sensitivity (recall: 0.5333) still needs improvement, this study provides a measurable, relevant regional risk-ranking framework for regulatory decision-making.
Air quality prediction using boosting-based machine learning models for sustainable environment Ahmad Fauzi; Maharina Maharina; Jamaludin Indra; Ayu Ratna Juwita; Agustia Hananto; Euis Nurlaelasari
IAES International Journal of Artificial Intelligence (IJ-AI) Vol 15, No 1: February 2026
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/ijai.v15.i1.pp515-523

Abstract

High levels of air pollution are extremely harmful to humans and the environment. They increase the risk of respiratory infections and lung cancer, especially among vulnerable populations. Therefore, developing effective pollution control measures is crucial for mitigating these negative impacts. We need to implement effective methods to predict and manage air quality for the sake of public health and a healthier environment. In recent years, machine learning (ML) methods have been increasingly utilized in air quality prediction due to their ability to analyze datasets and identify complex patterns. However, the reliability and accuracy of air quality prediction models remain a challenge. This study proposes a boosting-based ML model for predicting air quality. We implemented three stages in the proposed method. In the first stage, we conducted data preprocessing and analysis to eliminate noise, remove redundant data, and encode categorical features. In the second stage, we predicted air quality categories by leveraging 25 ML models, dividing them into three distinct categories. The results show that the extreme gradient boosting (XGBoost), light gradient boosting machine (LGBM), and adaptive boosting (AdaBoost) models outperform the others in air quality prediction, achieving an accuracy of 99%. Finally, we compared these three models using 10-fold cross validation to ensure they generalize well in last stage.
Klasifikasi Penerima Bantuan Rumah Tidak Layak Huni Desa Labansari Menggunakan Algoritma C4.5 Ahmad Zaelani; Ayu Ratna Juwita; Tohirin Al Mudzakir
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

Program bantuan rumah tidak layak huni merupakan program bantuan sosial untuk meringankan keluarga berpenghasilan rendah dalam membangun rumah yang layak huni. Data calon penerima bantuan rumah tidak layak huni yang digunakan pada penelitian ini berjumlah 111 data. Ketidakakuratan penyaluran bantuan rumah tidak layak huni terjadi karena tidak adanya metode dalam menentukan penerima bantuan tersebut. Penyaluran bantuan yang tidak tepat sasaran akan berdampak pada pembangunan rumah yang tidak selesai. Oleh karena itu, untuk memperkecil kesalahan dalam pengambilan keputusan, data diklasifikasikan menggunakan algoritma C4.5. Perhitungan algoritma C4.5 menghasilkan nilai akurasi, presisi, recall, serta pohon keputusan dari data yang diolah. Pengujian yang dilakukan menggunakan Microsoft Excel menghasilkan akurasi 100%, presisi 100%, dan recall 100%. Sementara itu, pengujian menggunakan bahasa pemrograman Python juga memperoleh hasil akurasi 100%, presisi 100%, dan recall 100%.
Identifikasi Citra Penggunaan Masker Secara Real-Time dengan Arsitektur CNN pada Metode YOLO Aldo Zamaludin Fernando; Adi Rizky Pratama; Ayu Ratna Juwita
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

Pada masa pandemi, masih banyak masyarakat yang kurang tertib dalam mematuhi protokol kesehatan, terutama dalam penggunaan masker, baik pada aktivitas di dalam ruangan maupun di luar ruangan. Oleh karena itu, diperlukan sebuah sistem yang dapat mendeteksi atau mengidentifikasi objek berupa penggunaan masker. Pada penelitian ini digunakan metode YOLO yang memiliki arsitektur dari algoritma Convolutional Neural Network (CNN), dengan memanfaatkan Darknet-53 untuk melatih (training) model pada metode YOLO agar dapat mendeteksi objek secara real-time. Dalam proses identifikasi objek penggunaan masker menggunakan metode YOLO, sistem dapat berjalan dengan baik dan mampu mendeteksi objek dengan tingkat akurasi yang cukup baik. Hasil pengujian menunjukkan nilai precision sebesar 74%, nilai recall sebesar 50%, dan tingkat akurasi sebesar 74%. Dengan demikian, sistem dapat dikatakan berhasil dalam mengidentifikasi penggunaan masker menggunakan metode YOLO dengan tingkat keakuratan yang cukup baik.
Perbandingan Algoritma K-Means dan DBSCAN Menggunakan Data Kunjungan Wisatawan Asing ke Indonesia di Masa Pandemi COVID-19 Muhamad Irfan Fadillah; Ayu Ratna Juwita; Cici Emilia Sukmawati
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

Pandemi Covid-19 berskala global yang telah terjadi selama beberapa tahun terakhir berpengaruh secara signifikan terhadap berbagai sektor. Pariwisata menjadi sektor yang paling terdampak oleh pandemi Covid-19 karena upaya menahan peningkatan jumlah orang yang terinfeksi dilakukan dengan membatasi pergerakan manusia, sehingga wisatawan asing tidak dapat leluasa bepergian ke luar negeri. Data yang tersedia di Badan Pusat Statistik (BPS) mengenai kunjungan wisatawan mancanegara ke Indonesia pada masa pandemi masih berupa data mentah dan belum diolah menggunakan bahasa pemrograman maupun melalui berbagai kajian ilmiah. Subjek penelitian ini berfokus pada permasalahan data pariwisata mancanegara tersebut. Berdasarkan rangkuman yang dilakukan dalam penelitian ini, penerapan algoritma K-Means dan DBSCAN memerlukan beberapa tahapan dalam pengolahan data pariwisata mancanegara, yaitu pengumpulan data, seleksi data, serta implementasi algoritma K-Means dan algoritma DBSCAN. Setelah hasil pengelompokan diperoleh, dilakukan evaluasi menggunakan metode Silhouette Coefficient. Hasil perhitungan evaluasi menunjukkan bahwa algoritma DBSCAN menghasilkan nilai Silhouette Coefficient sebesar 0,91962, yang lebih rendah dibandingkan dengan algoritma K-Means yang memiliki nilai sebesar 0,96234. Dengan demikian, dapat disimpulkan bahwa pada penelitian ini algoritma K-Means memiliki kinerja yang lebih baik dibandingkan algoritma DBSCAN dalam pengelompokan dataset kunjungan wisatawan mancanegara yang digunakan.
Implementasi Metode Support Vector Machine untuk Mendeteksi Penggunaan Pemutih pada Berasvb Diah Nurlaila; Adi Rizky Pratama; Elsa Elvira Awal; Ayu Ratna Juwita
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

Penggunaan bahan pemutih pada beras merupakan praktik berbahaya yang masih sering dilakukan untuk meningkatkan daya tarik visual produk. Deteksi dini sangat penting untuk melindungi konsumen dari bahaya kesehatan yang ditimbulkan. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi menggunakan Support Vector Machine (SVM) guna mendeteksi penggunaan pemutih pada beras secara otomatis melalui analisis citra. Dataset yang digunakan terdiri atas 400 citra beras dengan dua kelas, yaitu beras normal dan beras pemutih. Tahapan penelitian meliputi praproses citra, ekstraksi fitur menggunakan Histogram of Oriented Gradients (HOG), histogram warna, dan Gray Level Co-occurrence Matrix (GLCM). Model SVM dengan berbagai pilihan kernel dilatih dan dievaluasi menggunakan confusion matrix. Hasil pengujian menunjukkan bahwa performa terbaik dicapai oleh kernel RBF dengan akurasi sebesar 93,75%, precision 93,33%, recall 91,66%, dan F1-score 92,95%. Penelitian ini membuktikan bahwa kombinasi ekstraksi fitur HOG, histogram warna, dan GLCM dengan klasifikasi SVM efektif dalam mendeteksi penggunaan pemutih pada beras, sehingga dapat menjadi alat yang berguna untuk pengendalian kualitas pangan.
Co-Authors Adi Rizky Pratama Ahmad Fauzi Ahmad Zaelani Aldo Zamaludin Fernando Antika Zahrotul Kamalia Bayu Padilah Chorirotun Cholifah Daffa Rifqi Abyansyah Diah Nurlaila Dwi Sulistya Kusumaningrum Elsa Elvira Awal Euis Nurlaelasari Hananto, Agustia Hanny Hikmayanti Handayani Indra, Jamaludin Maharina Maharina Mudzakir, Tohirin Al Muhamad Irfan Fadillah Muhammad Arya Suhendi Nova Pustita Khairani Nurul Latifah Oktavia Nursyahbani Ruwirohi, Jan Everhard Sukmawati, Cici Emilia Sutan Faisal Tatang Rohana Wildan Gusty Sakhril Amin