Article Per Year (5 Year)
p-Index From 2021 - 2026
1.325
P-Index
This Author published in this journals
All Journal CogITo Smart Journal JURNAL PENDIDIKAN TAMBUSAI Journal of Applied Engineering and Technological Science (JAETS) Journal of Computer Scine and Information Technology Jurnal Sains Informatika Terapan (JSIT) Jurnal Komtekinfo Jurnal Pustaka Robot Sister
Nadya Alinda Rahmi
Information System Department, Computer Science Faculty, Putra Indonesia University YPTK Padang, Indonesia
Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Materials Science & Nanotechnology Mathematics Mechanical Engineering Social Sciences

Published : 7 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 7 Documents
Search

 1 
Efektifitas Penggunaan Media Pembelajaran Berbasis Android Elvira Sawitri; Nadya Alinda Rahmi; Ilmawati Ilmawati
Jurnal Pendidikan Tambusai Vol. 6 No. 2 (2022): Agustus 2022
Publisher : LPPM Universitas Pahlawan Tuanku Tambusai, Riau, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (277.527 KB) | DOI: 10.31004/jptam.v6i2.4321

Abstract

Berdasarkan pengamatan di SMK Negeri 5 Sijunjung pada mata pelajaran komputer dan jaringan dasar di kelas X Jurusan Multimedia (MM) SMK Negeri 5 Sijunjung didapatkan masih adanya penggunaan smartphone yang kurang tepat oleh pelajar pada saat jam pelajaran seperti mengakses media sosial facebook, BBM, Instagram, Line, WhatsApp, dan game. Smartphone tidak hanya untuk mengakses media sosial tetapi juga dapat digunakan sebagi media pendukung dalam proses belajar mengajar dan bagi siswa dapat digunakan sebagai media belajar mandiri. Oleh sebab itu dengan adanya pengembangan media pembelajaran berbasis android sebagai media pembelajaran untuk dapat meningkatkan pemahaman siswa dan meningkatkan hasil belajar siswa. Metode penelitian yang digunakan yaitu Research and Development (R&D) dengan model pengembangan 4D (Four-D). Tahap penelitian ini meliputi define (pendefinisian), design (perancangan), develop (pengembangan), dan disseminate (penyebaran). Dalam pengujian efektifiktas menggunakan instrument berupa tes hasil belajar (post-test) pada kelas kontrol dan kelas eksperimen. Hasil yang diperoleh dari penelitian ini adalah media pembelajaran yang efektif dalam proses pembelajaran.
Metode Multi Attribute Utility Theory (MAUT) untuk Sistem Pendukung Keputusan Pemilihan Mobil Bekas Rahmatia Wulan Dari; Sopi Sapriadi; Nadya Alinda Rahmi; Pradani Ayu Widya Purnama; Ilmawati
Jurnal KomtekInfo Vol. 10 No. 2 (2023): Komtekinfo
Publisher : Universitas Putra Indonesia YPTK Padang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35134/komtekinfo.v10i2.378

Abstract

Transportasi merupakan kebutuhan primer dalam memindahkan barang dan orang. Kendaraan pribadi, seperti mobil dan sepeda motor, menjadi preferensi bagi sebagian orang karena kenyamanan dan kemewahan yang ditawarkan. Namun, proses penjualan mobil bekas seringkali menghadapi kendala dalam pencatatan manual. Penelitian ini bertujuan untuk mengembangkan sistem pendukung keputusan menggunakan metode Multi Attribute Utility Theory (MAUT) dalam transaksi penjualan mobil bekas. Sistem ini diharapkan dapat mempermudah dan meningkatkan efektivitas serta efisiensi proses penjualan mobil bekas. Metode MAUT ini memungkinkan penilaian relatif terhadap setiap atribut mobil bekas yang relevan, sehingga memudahkan penjual dalam memilih mobil bekas yang sesuai dengan preferensi dan kebutuhan konsumen. Dataset yang digunakan dalam penelitian ini mencakup informasi tentang mobil bekas, termasuk harga, kondisi mesin, usia, warna, dan atribut lainnya. Data ini digunakan sebagai dasar dalam pengambilan keputusan pemilihan mobil bekas terbaik. Hasil penelitian menunjukkan bahwa sistem pendukung keputusan dengan metode MAUT dapat membantu penjual dalam memilih mobil bekas yang paling sesuai dengan kebutuhan konsumen. Penggunaan sistem ini mempercepat proses pencatatan penjualan mobil bekas, meningkatkan akurasi data, dan memudahkan analisis serta pelaporan. Sistem pendukung keputusan yang dikembangkan dapat menjadi alat yang efektif dan efisien dalam membantu penjual dalam mengambil keputusan yang tepat dalam pemilihan mobil bekas yang akan dijual kepada konsumen.
Standardscaler's Potential in Enhancing Breast Cancer Accuracy Using Machine Learning Febri Aldi; Febri Hadi; Nadya Alinda Rahmi; Sarjon Defit
Journal of Applied Engineering and Technological Science (JAETS) Vol. 5 No. 1 (2023): Journal of Applied Engineering and Technological Science (JAETS)
Publisher : Yayasan Riset dan Pengembangan Intelektual (YRPI)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37385/jaets.v5i1.3080

Abstract

The major consequence of breast cancer is death. It has been proven in many studies that machine learning techniques are more efficient in diagnosing breast cancer. These algorithms have also been used to estimate a person's likelihood of surviving breast cancer. In this study, we employed machine learning algorithms to predict breast cancer. A total of 569 breast cancer datasets were obtained from kaggle sites. Some of the machine learning algorithms that we use are K-Nearest Neighbor (KNN), besides Random Forest (RF), there is also Gradient Boosting (GB), then Gaussian Naive Bayes (GNB), Vector Support Machine (SVM), and then Logistic Regression (LR). Before algorithms were used to train and test breast cancer datasets, StandardScaler was leveraged to transform training datasets and test datasets for improved algorithm performance. As a result of this utilization, the performance measurement carried out succeeded in producing high accuracy. The highest results were obtained from the Logistic Regression algorithm with an accuracy value of 99%. The value of precison is 99% benign, and 100% malignant. The recall results are 100% benign, and 98% malignant. The F1-Score results show 99% benign, and 99% malignant. It is hoped that this research can help the medical party to determine the next step in dealing with breast cancer.
Enhancing Machine Learning Model Performance in Addressing Class Imbalance Lucky Lhaura Van FC; M. Khairul Anam; Muhammad Bambang Firdaus; Yogi Yunefri; Nadya Alinda Rahmi
CogITo Smart Journal Vol. 10 No. 1 (2024): Cogito Smart Journal
Publisher : Fakultas Ilmu Komputer, Universitas Klabat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31154/cogito.v10i1.626.478-490

Abstract

This research aims to investigate methods for handling class imbalance in machine learning models, with a focus on the Support Vector Machine (SVM) algorithm. We apply oversampling (SMOTE) and undersampling techniques to a dataset with class imbalance and evaluate the performance of SVM using these methods. Experiments are conducted using data from Twitter social media regarding the 2024 general electionsThe findings indicate that incorporating SMOTE effectively enhances the performance of SVM models, particularly within the SVM Polynomial variant. However, the use of undersampling shows limited impact on improving SVM model performance. This study provides valuable insights for researchers and practitioners in choosing the appropriate strategy for handling class imbalance in machine learning models.
Product Pricing Decision Support System with the Simple Additive Weighting Method Nadya Alinda; Ilmawati
Journal of Computer Scine and Information Technology Volume 9 Issue 1 (2023): JCSITech
Publisher : Universitas Putra Indonesia YPTK Padang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35134/jcsitech.v9i1.38

Abstract

The development of information systems today has caused quite significant changes in the pattern of decision making within a company. The development of this information system has also made changes from various groups who act as information seekers to always obtain the most appropriate and accurate information that can be used in the process of updating information. Furniture data management at the Kabun Raya Furniture store is still done manually and product pricing is done based on furniture data records. Doing product pricing based on manual management can cause manipulation of product data which makes product pricing irrelevant. To overcome these problems, we need a system that provides convenience in storing and processing product data in the store. The method used in this research is field research, library research, and laboratory research. The tool used for design is UML (Unified Modeling Language). By implementing a decision support system using the PHP Programming Language and MySQL Database, it makes it easy for leaders to determine product prices.
Pengembangan Model Stacking Machine Learning Dengan Optimasi Hyperparameter Untuk Deteksi Serangan Malware Pada Server Elvira Sawitri; Nadya Alinda Rahmi; Ilmawati Rahmi; Pradani Ayu Widya Purnama
Jurnal Sains Informatika Terapan Vol. 5 No. 1 (2026): Jurnal Sains Informatika Terapan (Februari, 2026)
Publisher : Riset Sinergi Indonesia (RISINDO)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62357/jsit.v5i1.973

Abstract

Penelitian ini dilatarbelakangi oleh meningkatnya ancaman serangan malware yang mengganggu sistem server di lingkungan institusi pendidikan, termasuk Universitas Muhammadiyah Muara Bungo (UMMUBA). Server kampus menjadi pusat layanan akademik, administrasi, serta penyimpanan data penting, sehingga rentan terhadap gangguan keamanan yang disebabkan oleh aktivitas malware. Penanganan serangan ini tidak bisa lagi dilakukan secara manual karena keterbatasan waktu, sumber daya manusia, dan kompleksitas serangan yang terus berkembang. Oleh karena itu, dibutuhkan suatu sistem deteksi malware yang dapat bekerja secara otomatis, akurat, real-time, dan mudah dioperasikan oleh pengguna non-teknis. Penelitian ini bertujuan untuk mengembangkan model stacking machine learning dengan algoritma Naive Bayes (Gaussian, Multinomial, Bernoulli, Complement) sebagai base learners dan Logistic Regression sebagai meta learner. Untuk mengatasi masalah ketidakseimbangan data antara kelas malware dan non-malware, digunakan teknik SMOTE (Synthetic Minority Over-sampling Technique). Selain itu, performa model ditingkatkan dengan optimasi hyperparameter menggunakan GridSearchCV, sehingga diperoleh konfigurasi terbaik. Penelitian dilakukan melalui beberapa tahap, mulai dari pengumpulan dan pelabelan data dari log server UMMUBA, preprocessing data, pelatihan model dasar, pengembangan arsitektur stacking, evaluasi menggunakan metrik akurasi, precision, recall, dan F1-score, hingga implementasi ke dalam antarmuka aplikasi web berbasis Streamlit. Aplikasi ini memungkinkan pengguna untuk mengunggah file log dan mendapatkan hasil klasifikasi serta visualisasi performa model secara langsung. Hasil penelitian diharapkan mampu memberikan solusi nyata untuk deteksi malware pada server institusi pendidikan.
Prediksi Status Kelulusan Mahasiswa pada Mata Kuliah Big Data Berdasarkan Kehadiran dan Nilai Akademik Menggunakan Algoritma Naïve Bayes Adiddo Restiady; Pradani Ayu Widya Purnama; Nadya Alinda Rahmi
Jurnal Pustaka Robot Sister (Jurnal Pusat Akses Kajian Robotika, Sistem Tertanam, dan Sistem Terdistribusi) Vol 4 No 2 (2026): Jurnal Pustaka Robot Sister (Pusat Akses Kajian Robotika, Sistem Tertanam, dan Si
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakarobotsister.v4i2.1936

Abstract

Prediksi status kelulusan mahasiswa merupakan salah satu upaya yang dapat dilakukan untuk membantu proses evaluasi akademik dan pengambilan keputusan dalam lingkungan pendidikan. Penelitian ini bertujuan untuk menerapkan algoritma Naive Bayes dalam mengklasifikasikan status kelulusan mahasiswa berdasarkan data akademik yang meliputi Kehadiran, Nilai Tugas, Nilai Kuis, Nilai Ujian Tengah Semester (UTS), dan Nilai Ujian Akhir Semester (UAS). Dataset yang digunakan terdiri dari 15 data mahasiswa dengan dua kategori kelas, yaitu Lulus dan Tidak Lulus. Proses penelitian dilakukan melalui tahapan pengumpulan data, perhitungan probabilitas prior, perhitungan probabilitas kondisional setiap atribut, serta penentuan probabilitas posterior menggunakan metode Naive Bayes yang diimplementasikan pada Google Colab menggunakan bahasa pemrograman Python. Hasil perhitungan terhadap data mahasiswa yang diuji dengan atribut Kehadiran Tinggi, Nilai Tugas Sedang, Nilai Kuis Tinggi, Nilai UTS Tinggi, dan Nilai UAS Tinggi menunjukkan nilai probabilitas P(Lulus|X) sebesar 0,0428 dan P(Tidak Lulus|X) sebesar 0,0000. Berdasarkan hasil tersebut, mahasiswa diklasifikasikan ke dalam kategori Lulus karena memiliki probabilitas yang lebih tinggi dibandingkan kategori Tidak Lulus. Selain itu, hasil pengujian model menunjukkan tingkat akurasi sebesar 100%, yang mengindikasikan bahwa model mampu mengklasifikasikan data dengan sangat baik pada dataset yang digunakan. Dengan demikian, algoritma Naive Bayes dapat digunakan sebagai metode klasifikasi yang efektif untuk membantu memprediksi status kelulusan mahasiswa berdasarkan data akademik yang tersedia.
Co-Authors Adiddo Restiady Anam, M Khairul Dari, Rahmatia Wulan Elvira Sawitri Elvira Sawitri Febri Aldi Febri Hadi Ilmawati Ilmawati Ilmawati Ilmawati Rahmi Lucky Lhaura Van FC Muhammad Bambang Firdaus Pradani Ayu Widya Purnama Sarjon Defit Sopi Sapriadi Yogi Yunefri, Yogi