Article Per Year (5 Year)
p-Index From 2021 - 2026
1.347
P-Index
This Author published in this journals
All Journal SISFOTENIKA JTERA (Jurnal Teknologi Rekayasa) JURNAL ILMIAH INFORMATIKA Indonesian Journal of Applied Informatics JISKa (Jurnal Informatika Sunan Kalijaga)
Nisa Hanum Harani
Universitas Logistik dan Bisnis Internasional
Civil Engineering, Building, Construction & Architecture Computer Science & IT Electrical & Electronics Engineering Industrial & Manufacturing Engineering Library & Information Science Mechanical Engineering

Published : 5 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search

 1 
Aplikasi Rekrutmen Karyawan Menggunakan Artificial Neural Network dan Flask Burhanudin Zuhri; Nisa Hanum Harani
SISFOTENIKA Vol 13, No 2 (2023): SISFOTENIKA
Publisher : STMIK PONTIANAK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30700/jst.v13i2.1367

Abstract

Kemajuan dan perkembangan terkini dalam pendekatan strategi berbasis kecerdasan buatan (Artificial Intelligence) telah banyak digunakan dalam berbagai bidang. Salah satu dampak positif dari pendekatan berbasis AI tersebut yaitu dapat meningkatkan keberlanjutan pada organisasi atau perusahaan. Dengan mengadopsi pendekatan strategi berbasis AI, perusahaan dapat meningkatkan pengambilan keputusan, produktivitas, dan kinerja sistem yang lebih baik. Saat ini, sebagian besar perusahaan belum mampu memprediksi kandidat karyawan akan bergabung atau tidak dalam perusahaan melalui proses rekrutmen karyawan. Oleh karena itu, dikembangkanlah sebuah sistem klasifikasi rekrutmen untuk mendukung keputusan pada proses perekrutan agar dapat meningkatkan kualitas sumber daya manusia pada perusahaan. Sistem klasifikasi rekrutmen karyawan ini merupakan sistem yang dapat mengklasifikasikan kandidat karyawan yang memiliki kemungkinan dapat akan bergabung dalam suatu perusahaan menggunakan salah satu pendekatan Data Science. Sistem ini dirancang menggunakan bahasa pemrograman Python serta menggunakan model hasil dari pendekatan prediksi dengan kemampuan interpretasi dari metode Deep Learning. Model pendekatan ini dilatih dengan menggunakan algoritma Artificial Neural Network (ANN) yang akan memberikan klasifikasi terbaik berdasarkan beberapa variabel yang dimiliki oleh kandidat karyawan. Dataset yang digunakan untuk membuat model sebanyak 11018 data yang telah diubah dari yang sebelumnya adalah 8995 data setelah dilakukan preprocessing data. Hasil yang didapat dengan evaluasi confusion matrix mendapatkan akurasi sebesar 78%. Dengan dibuatnya sistem klasifikasi ini, maka diharapkan perusahaan dapat meningkatkan kualitas sumber daya manusia dengan memprediksi kandidat karyawan terbaik yang berkemungkinan akan bergabung dalam perusahaan tersebut.
ANALISIS SENTIMEN UNTUK MEMPREDIKSI HASIL CALON PEMILU PRESIDEN MENGGUNAKAN LEXICON BASED DAN RANDOM FOREST Oktaviami Manullang; Cahyo Prianto; Nisa Hanum Harani
JURNAL ILMIAH INFORMATIKA Vol 11 No 02 (2023): Jurnal Ilmiah Informatika (JIF)
Publisher : LPPM Universitas Putera Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33884/jif.v11i02.7987

Abstract

The Presidential Election is one of the crucial moments in Indonesian politics. To predict the election results, sentiment analysis methods can be used to evaluate public opinions through social media. One of the popular social media platforms nowadays is Twitter. As the Republic of Indonesia's Presidential Election approaches, there is an increasing number of tweets discussing the event. This situation creates a favorable opportunity to conduct sentiment analysis on the election campaign topic. There are various opinions from Twitter users with positive, neutral, and negative sentiments. The collected tweet data undergoes preprocessing, involving two main processes: cleaning and stemming. Therefore, sentiment analysis is necessary to understand the public's tendencies towards the election. The objective of this research is to obtain sentiment analysis of the text documents to determine positive or negative sentiments. Two methods, namely Random Forest and Lexion Based, are used to predict the presidential candidates' sentiments. Random Forest is employed to analyze sentiments in text data collected from various sources, including social media, news websites, and online forums. This method involves an ensemble of decision trees working collectively to classify sentiments as positive, negative, or neutral towards the Presidential Election candidates. On the other hand, Lexion Based is used to associate words in the text with specific sentiments.
Model Prediktif Indeks Kebahagiaan Berbasis Gradient Boosting Regressor dengan Optimalisasi Seleksi Fitur dan Implementasi Web Dani Ferdinan; Nisa Hanum Harani; Syafrial Fachri Pane
JTERA (Jurnal Teknologi Rekayasa) Vol 10 No 2: December 2025
Publisher : Politeknik Sukabumi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31544/jtera.v10.i2.2025.59-68

Abstract

Penelitian ini menghadapi tantangan dalam memodelkan Indeks Kebahagiaan 2021 dari Badan Pusat Statistik (BPS) yang memiliki dimensi fitur sangat tinggi dan potensi redundansi, yang dapat menurunkan akurasi dan interpretabilitas model. Tujuan utama penelitian ini adalah untuk mengidentifikasi fitur-fitur paling berpengaruh dalam data tersebut untuk meningkatkan akurasi, efisiensi komputasi, dan transparansi model prediksi berbasis pohon keputusan. Metodologi mencakup pra-pemrosesan data dengan imputasi modus, transformasi Yeo-Johnson, dan Robust Scaler. Tiga algoritma regresi diuji: Decision Tree, Random Forest, dan Gradient Boosting Regressor, yang dioptimalkan menggunakan Particle Swarm Optimization (PSO). Model terbaik dievaluasi menggunakan metrik R², MSE, RMSE, dan MAE serta dianalisis lebih lanjut menggunakan SHAP untuk interpretasi. Hasil menunjukkan bahwa Gradient Boosting Regressor adalah model paling unggul dengan nilai R² sebesar 0,696 saat menggunakan 20 fitur terseleksi. Selain itu, sebagai bentuk implementasi praktis, model diimplementasikan ke dalam sebuah aplikasi web interaktif berbasis Flask yang memungkinkan pengguna memasukkan data melalui antarmuka kuisioner dan menerima prediksi indeks kebahagiaan secara real-time. Integrasi ini menjembatani hasil riset dengan pemanfaatan nyata oleh pengguna akhir.
Klasifikasi Tindakan Korektif Iregularitas dengan Penerapan Algoritma CART pada Perusahaan Logistik Juwita Stefany Hutapea; Nisa Hanum Harani
IJAI (Indonesian Journal of Applied Informatics) Vol 9, No 2 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v9i2.98539

Abstract

AbstrakPerusahaan logistik memiliki peran penting dalam menjaga kelancaran rantai pasok dan distribusi barang. Namun, sering kali terjadi iregularitas dalam proses pengiriman yang dapat menghambat operasional dan menurunkan kualitas layanan. Klasifikasi tindakan korektif iregularitas bertujuan untuk mengklasifikasikan dan memprediksi tindakan korektif yang dibutuhkan dalam melakukan evaluasi iregularitas menggunakan algortima Classification and Regression Tree (CART) dan metodologi CRISP-DM untuk tahapan penelitian. Data historis iregularitas dikumpulkan dari sebuah perusahaan logistik dan diolah. Model CART diterapkan dengan berbagai parameter tuning untuk mendapatkan performa terbaik. Hasil evaluasi menunjukkan bahwa model yang dibangun memiliki akurasi 90%, precision 0.97, recall 0.90, dan F1-score 0.92. Penelitian ini membuktikan bahwa algoritma CART cukup baik dalam mengklasifikasikan tindakan korektif dan memprediksi tindakan yang tepat. Sistem yang dihasilkan dapat membantu meningkatkan efisiensi operasional perusahaan logistik.===================================================Abstract :Logistics companies play a crucial role in ensuring the smooth flow of the supply chain and distribution of goods. However, irregularities in the delivery process often occur, which can disrupt operations and reduce service quality. The classification of corrective actions for irregularities aims to classify and predict the corrective actions needed in evaluating irregularities using the Classification and Regression Tree (CART) algorithm and the CRISP-DM methodology for the research phases. Historical irregularity data was collected from a logistics company and processed. The CART model was applied with various parameter tuning to achieve optimal performance. Evaluation results show that the developed model has an accuracy of 90%, with precision, recall, and F1-score values to be specified. This study demonstrates that the CART algorithm is effective in classifying corrective actions and predicting the appropriate actions. The resulting system can help improve the operational efficiency of the logistics company.
Model Prediksi Risiko Kanker Serviks dengan Pendekatan Support Vector Machine Juwita Stefany Hutapea; Nisa Hanum Harani; Cahyo Prianto
JISKA (Jurnal Informatika Sunan Kalijaga) Vol. 11 No. 1 (2026): January 2026
Publisher : UIN Sunan Kalijaga Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.14421/jiska.5445

Abstract

Cervical cancer is one of the leading causes of death in women, especially in developing countries due to delays in early diagnosis. Developing a risk prediction model based on the Support Vector Machine (SVM) algorithm is one way to support a more accurate and efficient early detection process. The research object is medical records of female patients obtained from hospitals in Medan City, with a total of 164 patient data. The development process was carried out through the CRISP-DM stages, which include data cleaning, feature transformation, class balancing with SMOTE, and dimensionality reduction using PCA. The evaluation results showed that the best model was obtained with a PCA configuration with 9 principal components (90% variance) and a test size of 80:20, resulting in an accuracy of 88%, a precision of 88%, a recall of 84%, and an F1-score of 86%. Cross-validation evaluation with 5 folds provided the best average performance and the smallest standard deviation, indicating model stability. The final model was implemented in a web-based system to facilitate digital early detection. This study shows that SVM with the SMOTE and PCA approaches is effective in predicting cervical cancer risk accurately and efficiently.
Co-Authors Alwizain Almas Trigreisian Burhanudin Zuhri Burhanudin Zuhri Dani Ferdinan Juwita Stefany Hutapea M Ilyas Tri Khaqiqi Oktaviami Manullang Prianto, Cahyo Roni Andarsyah Syafrial Fachri Pane