Article Per Year (5 Year)
p-Index From 2020 - 2025
10.809
P-Index
This Author published in this journals
All Journal TEKNIK INFORMATIKA Syntax Jurnal Informatika Jurnal Ilmu Komputer dan Agri-Informatika SITEKIN: Jurnal Sains, Teknologi dan Industri CESS (Journal of Computer Engineering, System and Science) Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) RABIT: Jurnal Teknologi dan Sistem Informasi Univrab Jurnal Informatika Jurnal CoreIT JURNAL MEDIA INFORMATIKA BUDIDARMA Indonesian Journal of Artificial Intelligence and Data Mining Seminar Nasional Teknologi Informasi Komunikasi dan Industri INOVTEK Polbeng - Seri Informatika JURNAL INSTEK (Informatika Sains dan Teknologi) Jurnal Informatika Universitas Pamulang Jurnal Nasional Komputasi dan Teknologi Informasi JURIKOM (Jurnal Riset Komputer) JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) JOISIE (Journal Of Information Systems And Informatics Engineering) Building of Informatics, Technology and Science Progresif: Jurnal Ilmiah Komputer Zonasi: Jurnal Sistem Informasi Journal of Applied Engineering and Technological Science (JAETS) Jurnal Tekinkom (Teknik Informasi dan Komputer) JOURNAL OF INFORMATION SYSTEM MANAGEMENT (JOISM) Indonesian Journal of Electrical Engineering and Computer Science JOURNAL OF INFORMATION SYSTEM RESEARCH (JOSH) Journal of Computer System and Informatics (JoSYC) Jurnal Sistem Komputer dan Informatika (JSON) JUKI : Jurnal Komputer dan Informatika TIN: TERAPAN INFORMATIKA NUSANTARA Jurnal Teknik Informatika (JUTIF) Jurnal Restikom : Riset Teknik Informatika dan Komputer Information System Journal (INFOS) Jurnal Computer Science and Information Technology (CoSciTech) Jurnal UNITEK Bulletin of Computer Science Research KLIK: Kajian Ilmiah Informatika dan Komputer Jurnal Informatika Teknologi dan Sains (Jinteks) Jurnal Informatika: Jurnal Pengembangan IT Jurnal Komtika (Komputasi dan Informatika)
Fadhilah Syafria
Universitas Islam Negeri Sultan Syarif Kasim Riau
Aerospace Engineering Agriculture, Biological Sciences & Forestry Arts Humanities Automotive Engineering Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Immunology & microbiology Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Mathematics Mechanical Engineering Medicine & Pharmacology Neuroscience Nursing Physics Social Sciences Transportation Veterinary Other

Published : 99 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 7 Documents
Search
Journal : Jurnal Informatika Universitas Pamulang

 1 
Analisis Sentimen Tanggapan Masyarakat terhadap Calon Presiden Ridwan Kamil 2024 Menggunakan Metode K-Nearest Neighbor Fatma Hayati; Ellin Haerani; Fadhilah Syafria; Elvia Budianita
Jurnal Informatika Universitas Pamulang Vol 8, No 2 (2023): JURNAL INFORMATIKA UNIVERSITAS PAMULANG
Publisher : Teknik Informatika Universitas Pamulang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32493/informatika.v8i2.30054

Abstract

Banyaknya berita yang beredar dalam sosial media mengenai Tanggapan Masyarakat Terhadap Calon Presiden Ridwan Kamil 2024  menggugah rasa penasaran penulis untuk memastikan seperti apakah tanggapan masyarakat mengenai calon presiden ridwan kamil, apakah menuai kesan positif atau negatif. Dengan demikian, penulis melakukan analisis sentimen pengguna twitter terhadap Tanggapan Masyarakat Terhadap Calon Presiden Ridwan Kamil 2024 yang dapat digunakan sebagai bahan evaluasi dalam menentukan kebijakan. Penulis menggunakan algoritma K-Nearest Neighbor untuk menentukan sentimen pengguna twitter dengan bantuan phyton yang populer di kalangan Data Scientist. Metode tersebut diterapkan ke 2261 data tweet dengan kata kunci “calon presiden ridwan kamil” yang dikumpulkan pada 20 Desember 2022– 30 Desember 2022, yang mana hasil data bersih dari data tersebut berjumlah 1504 data tweet.  Hasil training model membuktikan bahwa skor akurasi 88,70%, recall 96,92% , dan presisi 90,65% dengan nilai k=3.
Penerapan Fuzzy Backpropagation Neural Network dalam Klasifikasi Penyakit Stroke Karina Julita; Iis Afrianty; Suwanto Sanjaya; Fadhilah Syafria
Jurnal Informatika Universitas Pamulang Vol 8, No 2 (2023): JURNAL INFORMATIKA UNIVERSITAS PAMULANG
Publisher : Teknik Informatika Universitas Pamulang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32493/informatika.v8i2.31351

Abstract

Stroke adalah penyakit cerebrovaskuler yang ditandai dengan gejala neurologis tiba-tiba akibat cedera vaskular akut pada otak. Menurut WHO pada tahun 2019, stroke penyebab utama kematian dan kecacatan kedua di dunia, dengan prevalensi global 101,5 juta orang. Diagnosis medis penting dalam penanganan stroke, namun biaya yang tinggi sering menjadi kendala bagi masyarakat. Penelitian ini bertujuan untuk mengembangkan metode Fuzzy Backpropagation Neural Network dalam klasifikasi stroke dengan menggunakan data sekunder dari platform Kaggle yang berjumlah 4981 data. Analisis data melibatkan sepuluh variabel relevan dalam klasifikasi stroke diantaranya variabel seperti jenis kelamin, umur, hipertensi, riwayat penyakit jantung, indeks massa tubuh, nilai kadar gula dalam darah, status pernikahan, status merokok, tipe pekerjaan dan lingkungan tempat tinggal. Pada penelitian ini, pengujian yang dilakukan dibagi menjadi tiga skenario diantaranya, skenario 1 dengan α = 0,1, skenario 2 dengan α = 0,01 dan skenario 3 dengan α = 0,001 pada epoch 10, 1000 dan 100000. Hasil pengujian menunjukkan akurasi tertinggi dengan menggunakan pola jaringan 10-4-1 pada pembagian data latih dan data uji 70%:30% dengan α = 0.01 dan  epoch 100000 menghasilkan tingkat akurasi sebesar 86,52%, presisi 0,87, recall 0,87 dan f-1 score 0,87. Berdasarkan hasil pengujian tersebut, FBPNN dinilai mampu dalam mengklasifikasi stroke dengan kinerja yang baik.
Klasifikasi Citra Daging Sapi dan Babi Menggunakan Convolutional Neural Network (CNN) dengan Arsitektur EfficientNet-B2 dan Augmentasi Data Deny Ardianto; Jasril Jasril; Suwanto Sanjaya; Lestari Handayani; Fadhilah Syafria
Jurnal Informatika Universitas Pamulang Vol 8, No 2 (2023): JURNAL INFORMATIKA UNIVERSITAS PAMULANG
Publisher : Teknik Informatika Universitas Pamulang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32493/informatika.v8i2.30587

Abstract

Permintaan daging sapi Indonesia meningkat secara signifikan setiap tahun. Meningkatnya kebutuhan daging sapi ini sering dimanfaatkan oleh pedagang untuk mendapatkan untung lebih dengan cara mencampurkan daging sapi dan babi (oplosan). Membedakan daging sapi, babi, dan oplosan secara manual menggunakan penciuman dan penglihatan manusia sangatlah sulit. Untuk membantu membedakan daging tersebut dapat menggunakan teknologi yaitu pengolahan citra. Penelitian ini menggunakan Convolutional Neural Network (CNN) berarsitektur EfficientNet-B2 untuk pengolahan citra dan klasifikasi. Pada penelitian ini juga dilakukan proses augmentasi data citra untuk memperbanyak citra dengan tujuan meningkatkan akurasi. Jumlah citra asli daging sebanyak 900 telah mengalami peningkatan setelah dilakukan proses augmentasi, menjadi 9000 citra yang mencakup daging sapi, babi, dan oplosan. Dataset dibagi menjadi dua bagian, yaitu dataset pelatihan dan testing, dengan rasio perbandingan 80:20 dan 90:10. Dengan menggunakan dataset citra augmentasi dengan kombinasi optimizer Adamax, activation Swish, dan learning rate 0.1, penelitian ini menghasilkan akurasi klasifikasi tertinggi, yaitu 98,22% accuracy, 98,25% precision, 98,22% recall, 98,22% f1-score, dengan rasio perbandingan data 90:10.
Klasifikasi Penyakit Stroke Jaringan Syaraf Tiruan Menerapkan Metode Learning Vector Quantization Puspa Melani Almahmuda; Iis Afrianty; Suwanto Sanjaya; Fadhilah Syafria
Jurnal Informatika Universitas Pamulang Vol 8, No 2 (2023): JURNAL INFORMATIKA UNIVERSITAS PAMULANG
Publisher : Teknik Informatika Universitas Pamulang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32493/informatika.v8i2.31359

Abstract

Penyakit Stroke ialah salah satu penyebab kematian paling umum dan sering terjadi didunia termasuk Asia setelah penyakit jantung koroner dan kanker. Pemecahan masalah dengan melakukan klasifikasi penyakit stroke menggunakan metode Learning Vector Quantization (LVQ) dengan mengklasifikasikan data stroke dan tidak stroke (normal) berdasarkan gejala penyakit. Adapun dataset diperoleh dari situs Kaggle berjumlah 4981 data yang memiliki 10 variabel diantaranya jenis kelamin, usia, status pernikahan, hipertensi, penyakit jantung, tipe kerja, tipe tempat tinggal, tingkat avg glukosa, BMI (indeks massa tubuh), dan smoking status. Data tersebut dilakukan klasifikasi LVQ dengan membagi data yaitu 90:10, 80:20, 70:30 dan 60:40 dan parameter learning rate = 0,01 dan 0,001 serta epoch 1000. Dari proses klasifikasi tersebut maka didapatkan hasil akurasi tertinggi 70% dengan presisi 0,72 recall 0,70 dan f1 score 0,69, diperoleh dengan membagi data 90% : 10%. Berdasarkan hasil tersebut, metode LVQ pada penelitian ini mampu melakukan klasifikasi penyakit stroke dengan cukup  baik.
Klasifikasi Daging Sapi dan Daging Babi Menggunakan CNN dengan Arsitektur EfficientNet-B4 dan Augmentasi Data Ahmad Paisal; Jasril Jasril; Suwanto Sanjaya; Lestari Handayani; Fadhilah Syafria
Jurnal Informatika Universitas Pamulang Vol 8, No 2 (2023): JURNAL INFORMATIKA UNIVERSITAS PAMULANG
Publisher : Teknik Informatika Universitas Pamulang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32493/informatika.v8i2.30586

Abstract

Meningkatnya kebutuhan daging sapi, membuat harga daging sapi melonjak. Banyak pedagang melakukan kecurangan dengan melakukan oplos daging sapi dengan daging babi agar mendapatkan keuntungan yang lebih. Salah satu teknologi dalam bidang informatika dapat dimanfaatkan untuk membantu membedakan daging sapi, daging babi, dan daging oplosan. Dengan cara klasifikasi hal ini dapat dilakukan, penelitian ini menggunakan Convolutional Neural Network dengan arsitektur EfficietnNet-B4. Proses augmentasi data juga dilakukan pada penelitian ini untuk memperbanyak data citra, setelah di-augmentasi total citra menjadi 9000 dari 3 kelas. Pembagian dataset pada penelitian ini dibagi menjadi 2 yaitu 80% data latih dan 20% data uji serta 90% dan 10%. Proses pengujian dilakukan dengan memfokuskan model yang mendapatkan validation accuracy diatas 75% pada proses pelatihan. Hasil percobaan pada dataset 80:20 citra dengan augmentasi lebih unggul pada setiap model dibanding dengan citra asli. Sedangkan pada dataset 90:10 hasil percobaan dengan citra asli rata – rata lebih unggul dibanding citra dengan augmentasi.
Implementasi Algoritma C4.5 dalam Melakukan Klasifikasi Penyakit Stroke Otak Felian Nabila; Iis Afrianty; Suwanto Sanjaya; Fadhilah Syafria
Jurnal Informatika Universitas Pamulang Vol 8, No 2 (2023): JURNAL INFORMATIKA UNIVERSITAS PAMULANG
Publisher : Teknik Informatika Universitas Pamulang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32493/informatika.v8i2.31361

Abstract

Stroke merupakan gangguan kesehatan dalam jangka panjang dan menjadi salah satu penyakit dengan resiko kematian paling tinggi. Penanganan stroke dengan cepat menyebabkan tingkat kemunculan komplikasi dan kerusakan yang terjadi pada otak berkurang. Oleh karena itu perlunya melakukan analisa diri pada orang yang bersangkutan  apakah orang tersebut mengalami penyakit stroke atau tidak. Penelitian ini melakukan klasifikasi algoritma C4.5 penyakit brain stroke guna menganalisa data terkait penyebab stroke dengan model decision tree dan membagi dataset menjadi 3 yakni train set, validation set, test set dengan perbandingan 70:20:10, kemudian didapatkanlah hasil dengan akurasi yang tinggi sebesar 95% disetiap data train set, validation set, test set. Serta presisi sebesar 0,91, recall sebesar 0,54, f1-score sebesar 0,56 untuk data train set, kemudian presisi sebesar 0,48, recall sebesar 0,50, f1-score sebesar 0,49 untuk validation set, dan presisi sebesar 0,48, recall sebesar 0,50, f1-score sebesar 0,49 untuk test set. Dapat Disimpulkan bahwa algoritma C4.5 decision tree ini dapat melakukan klasifikasi penyakit stroke dengan sangat baik.
Klasifikasi Status Stunting Balita Menggunakan Metode Naïve Bayes Gaussian Berbasis Web Mulyono, Makmur; Budianita, Elvia; Nazir, Alwis; Syafria, Fadhilah
Jurnal Informatika Universitas Pamulang Vol 8 No 3 (2023): JURNAL INFORMATIKA UNIVERSITAS PAMULANG
Publisher : Teknik Informatika Universitas Pamulang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32493/informatika.v8i3.33399

Abstract

The growth and development of toddlers must get attention from parents because toddlerhood is a golden period in shaping the growth and development and intelligence of children. Stunting is  a state of malnutrition in which stunted growth and development of children and this is included in chronic nutritional problems, the incidence of stunting  can be seen from height that is not in accordance with age. In preventing toddlers from stunting, it is necessary to anticipate early prevention by conducting examinations at the nearest posyandu which is measured using anthropometric methods. The calculation  of stunting or normal status based on anthropometric data is generally processed manually so that there is a high possibility of errors in calculating and entering data. Data mining can make classifications or predictions on the stunting status  of toddlers by studying previous data patterns. Naïve bayes is one classification method that has the advantage of high accuracy with little training data as for the attributes used in this study, namely age, gender, Early Initiation of Breastfeeding (IMD), weight, height. Based on the test results, the best average accuracy was obtained on numerical data types for age, weight, height and nominal gender attributes, Early Breastfeeding Initiation (IMD) with the highest accuracy in the 80:20 data comparison, which is 80.34% with a total of 1172 data.
Co-Authors Abdul Aziz Abdullah, Said Noor Abdussalam Al Masykur Adrian Maulana Adzhima, Fauzan Afriyanti, Liza Agung Syaiful Rahman Agus Buono Agustina, Auliyah Ahmad Paisal Aji Pangestu Adek Akbar, Lionita Asa Alfin Hernandes Alwaliyanto Alwis Nazir Alwis Nazir Alwis Nazir Alwis Nazir Alwis Nazir Alwis Nazir Amalia Hanifah Artya Aminuyati Andre Suarisman Aprima, Muhammad Dzaky Ariq At-Thariq Putra Benny Sukma Negara Bib Paruhum Silalahi Boni Iqbal Che Hussin, Ab Razak Darmila Dede Fadillah Deny Ardianto Devi Julisca Sari Dina Septiawati Dodi Efendi Eka Pandu Cynthia Elin Haerani Elin Haerani Elin Haerani Elin Haerani Elin Haerani Elin Haerani Elin Haerani Elin Hearani Ellin Haerani Elvia Budianita Faska, Ridho Mahardika Fatma Hayati Fauzan Adzim Febi Nur Salisah Febi Yanto Felian Nabila Fitra Lestari Fitri Insani Fitri Insani Fitri Wulandari Fratiwi Rahayu Gusrifaris Yuda Alhafis Gusti, Siska Kurnia Guswanti, Widya Habibi Al Rasyid Harpizon Hafez Almirza Hafsyah Hara Novina Putri Harni, Yulia Hertati Ibnu Afdhal Ihda Syurfi Iis Afrianty Iis Afrianty Iis Afrianty Iis Afrianty Iis Afrianty Iis Afrianty Iis Afrianty Ikhsan, Tomi Ikhsanul Hamdi Inggih Permana Irma Sanela Ismail Marzuki Ismar Puadi Isnan Mellian Ramadhan Israldi, Tino Iwan Iskandar Iwan Iskandar Iwan Iskandar Iwan Iskandar Iwan Iskandar Iwan Iskandar Jasril Jasril Jasril Jasril Karina Julita Khair, Nada Tsawaabul Lestari Handayani Lestari Handayani Lili Rahmawati Liza Afriyanti Lola Oktavia Lola Oktavia M Fikry M. Afif Rizky A. Ma'rifah, Laila Alfi Masaugi, Fathan Fanrita Maulana Junihardi Mawadda Warohma Mazdavilaya, T Kaisyarendika Mhd. Kadarman Mori Hovipah Mori Hovipah Morina Lisa Pura Muhammad Affandes Muhammad Alvin Muhammad Fahri Muhammad Fikry Muhammad Hanif Abdurrohman Muhammad Ichsanul Bukhari Muhammad Syafriandi, Muhammad Muhammad Yusril Haffandi Muhammad Yusuf Fadhillah Mulyono, Makmur Muslimin, Al’hadiid Nabyl Alfahrez Ramadhan Amril Nailatul Fadhilah Nazir, Alwis Nazruddin Safaat H Neni Sari Putri Juana Nesdi Evrilyan Rozanda Nining Nur Habibah Novriyanto Novriyanto Nurainun Nurainun Okfalisa Okfalisa Permata, Rizkiya Indah Pizaini Pizaini Puspa Melani Almahmuda Putra, Fiqhri Mulianda Putri Mardatillah Putri, Widya Maulida Rahmad Abdillah Rahmad Abdillah Rahmad Kurniawan Rahmadhani, R. Raja Sultan Firsky Ramadhan, Aweldri Ramadhani, Siti Reski Mai Candra Reski Mai Candra Reski Mai Candra Reski Mei Candra Riska Yuliana Roni Salambue Said Nanda Saputra Satria Bumartaduri Silfia Silfia Siska Kurnia Gusti Siska Kurnia Gusti Siti Ramadhani Siti Sri Rahayu Suswantia Andriani Suwanto Sanjaya Syaputra, Muhammad Dwiky Teddie Darmizal Wulandari, Fitri Yusra, Yusra Yusril Hidayat Zabihullah, Fayat Zulastri, Zulastri