Article Per Year (5 Year)
p-Index From 2021 - 2026
0.983
P-Index
This Author published in this journals
All Journal Decode: Jurnal Pendidikan Teknologi Informasi
Ety Sutanty
Sistem Informasi Universitas Gunadarma
Computer Science & IT Control & Systems Engineering Education Languange, Linguistic, Communication & Media Other

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

Found 5 Documents
Search

 1 
Optimasi Hyperparameter Pada Algoritma K-Nearest Neighbor untuk Analisis Sentimen terhadap Pembelajaran Jarak Jauh Ety Sutanty; Esti Setiyaningsih; Sari Noorlima Yanti
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 5 No. 2: JULI 2025
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v5i2.1170

Abstract

Pandemi COVID-19 mendorong diberlakukannya kebijakan Pembelajaran Jarak Jauh (PJJ) secara masif di Indonesia. Kebijakan ini memunculkan beragam tanggapan dari masyarakat, baik positif maupun negatif, yang tersebar luas melalui media sosial. Namun, belum banyak penelitian yang secara sistematis menganalisis opini publik terhadap PJJ menggunakan pendekatan berbasis data. Penelitian ini bertujuan untuk mengidentifikasi dan menganalisis sentimen masyarakat terhadap kebijakan PJJ dengan memanfaatkan data dari Twitter. Penelitian ini menggunakan pendekatan kuantitatif dengan metode text mining dan analisis sentimen berbasis algoritma K-Nearest Neighbor (KNN). Data dikumpulkan melalui Application Programming Interface (API) Twitter dengan kata kunci tertentu, kemudian dilakukan proses prapengolahan yang mencakup pembersihan teks, tokenisasi, dan ekstraksi fitur menggunakan TF-IDF. Proses pelatihan dan pengujian model dilakukan menggunakan KNN, dengan eksplorasi hyperparameter melalui teknik GridSearchCV. Parameter yang diuji meliputi jumlah tetangga (k), metode pembobotan (uniform dan distance), serta metrik jarak (Euclidean, Minkowski, dan Cosine). Hasil menunjukkan konfigurasi terbaik pada k = 22, pembobotan distance, dan metrik Cosine, dengan akurasi pelatihan tertinggi mencapai 98,80%. Temuan ini menunjukkan bahwa pemilihan hyperparameter yang optimal serta tahapan prapengolahan yang tepat sangat berpengaruh dalam meningkatkan performa klasifikasi sentimen terhadap kebijakan PJJ.
Implementasi Bidirectional Encoder Representations from Transformers (BERT) untuk Analisis Sentimen Ulasan Aplikasi Ibis Paint X Esti Setiyaningsih; Ety Sutanty; Maukar
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 5 No. 3: NOVEMBER 2025
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v5i3.1413

Abstract

Perkembangan aplikasi seni digital memunculkan banyak ulasan pengguna yang bermanfaat bagi pengembang, namun sulit dievaluasi secara manual. Penelitian ini menganalisis sentimen 8.500 ulasan berbahasa Indonesia pada aplikasi Ibis Paint X yang diperoleh melalui proses scraping Google Play Store menggunakan google-play-scraper. Dataset terdiri atas dua kolom utama, yaitu review_text dan category (rating), kemudian melalui tahap preprocessing mencakup pelabelan, pembersihan teks, penghapusan stopwords, tokenisasi, serta normalisasi. Setelah dibagi menjadi data latih (70%), validasi (15%), dan uji (15%), model IndoBERT di-fine-tuning selama lima epoch untuk melakukan klasifikasi sentimen positif, negatif, dan netral. Evaluasi performa model dilakukan menggunakan akurasi, precision, recall, F1-score, serta confusion matrix. Hasil pengujian menunjukkan akurasi sebesar 87%. Kinerja model paling tinggi pada kelas sentimen negatif dengan precision 0,94, recall 0,96, dan F1-score 0,95. Namun, performa pada kelas positif (F1-score 0,52) dan netral (F1-score 0,31) masih rendah, sebagaimana turut tercermin pada confusion matrix yang menunjukkan banyaknya kesalahan klasifikasi menuju kelas positif yang dominan. Temuan ini menegaskan efektivitas BERT dalam analisis sentimen berbahasa Indonesia, sekaligus menunjukkan perlunya penanganan ketidakseimbangan data untuk meningkatkan performa pada seluruh kategori sentimen.
Kombinasi Case-Based Reasoning dan Rule-Based Reasoning Pada Sistem Pakar Deteksi Awal Covid-19: Combination of Case-Based Reasoning and Rule-Based Reasoning in Expert Systems For Early Detection of Covid-19 Maukar; Ety Sutanty; Dina Kusuma Astuti
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 3 No. 1: MARET 2023
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v3i1.138

Abstract

Deteksi terhadap Covid-19 merupakan tahapan penting dalam mengenali secara dini pasien terduga Covid-19 sehingga dapat dilakukan langkah preventif. Gejala umum yang ditimbulkan penyakit Covid-19 memiliki gejala yang hampir sama dengan beberapa penyakit lainnya. Penelitian ini membentuk Sistem Pakar untuk deteksi awal Covid-19 dengan mengkombinasikan metode Case Based Reasoning dan Rule Based Reasoning dalam bentuk Website. Website Sistem Pakar pada penelitian ini akan menghitung kemungkinan user yang mengalami Covid-19 berdasarkan nilai atau bobot dari gejala yang dipilih user dengan mencari kesamaan dari gejala yang telah dialami pasien Covid-19 sebelumnya. Gejala Covid-19 yang digunakan dalam penelitian ini didapat dari dataset Kemunculan Gejala Covid-19 bersumber dari Kaggle Dataset. Masukan berupa gejala pasien yang telah terjadi sebelumnya digunakan dalam membentuk aturan yang telah diberikan bobot melalui proses wawancara seorang pakar. Penelitian ini menggunakan 14 variabel gejala  dengan metode hybrid case based dimana kesamaan gejala akan dihitung menggunakan cosine similarity. Hasil Penelitian diharapkan dapat membantu masyarakat dalam melakukan diagnosis mandiri dan tim medis untuk melakukan diagnosis awal kepada pasien sebagai langkah awal penanganan Covid-19.
Penerapan Model Arsitektur VGG16 Untuk Klasifikasi Jenis Sampah Ety Sutanty; Maukar; Dina Kusuma Astuti; Handayani
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 3 No. 2: SEPTEMBER 2023
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v3i2.331

Abstract

Data dari Kementerian Lingkungan Hidup dan Kehutanan melalui Sistem Informasi Pengelolaan Sampah Nasional menunjukkan peningkatan jumlah tumpukan sampah hampir 30 Ton pada 2021 dengan sumber sampah terbanyak berasal dari produksi sampah rumah tangga dan kegiatan industri. Cara menyelesaikan masalah pengolahan sampah adalah melalui kegiatan pengolahan sampah yang lebih efektif, salah satunya dengan melakukan klasifikasi jenis sampah menggunakan Convolutional Neural Network (CNN). Pada penelitian ini, dilakukan klasifikasi jenis sampah berdasarkan citra sampah dengan metode CNN menggunakan arsitektur VGG-16 menggunakan dataset Garbage Classification dari situs Kaggle. Arsitektur VGG-16 pada penelitian ini menggunakan 16 lapisan layer yang terdiri atas 13 lapisan layer konvolusi dan 3 lapisan fully-connected. Pelatihan model menggunakan library tensorflow dengan rasio split data 7:1.5:1.5 untuk data latih, data test dan data validasi. Model CNN arsitektur VGG-16 sebagai metode transfer learning dimodifikasi dengan penambahan beberapa lapisan diantaranya pooling layer dengan GlobalAveragePooling2D, dense layer dengan aktivasi ReLU, dan dense layer dengan aktivasi softmax sebagai lapisan full connected layer. Hasil dari pelatihan mendapatkan nilai accuracy sebesar 82.89% dan nilai val_accuracy sebesar 84.62%. Hasil penelitian ini diharapkan dapat membantu pemerintah dalam melakukan pengolahan sampah dalam bentuk yang lebih stabil dan tidak mencemari lingkungan serta mengurangi jumlah sampah yang harus ditimbun.
Implementasi Algoritma Ratcliff/Obershelp pada Pendeteksian Similaritas Dokumen Maukar; Ety Sutanty; Rini Arianty; Esti Setiyaningsih
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 4 No. 3: NOVEMBER 2024
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v4i3.643

Abstract

Plagiarism merupakan tindakan menjiplak karya orang lain dan mengakui sebagai hasil karya pribadinya. Pada penelitian ini melakukan pendeteksian similaritas dari dokumen dengan menghitung similaritas dokumen menggunakan algoritma Ratcliff/Obershelp. Tipe dokumen yang diuji adalah .pdf. Dokumen yang digunakan untuk perbandingan teks ini adalah dokumen yang berbahasa Indonesia. Tahapan preprocessing pada penelitian ini dilakukan dengan menghitung nilai similaritas yang terdiri dari case folding, tokenisasi, filtering, dan stemming. Setelah proses preprocessing maka tahap selanjutnya adalah dilakukan perhitungan menggunakan algoritma Ratcliff/Obershelp. Pada pengujian menggunakan 150 data dokumen yang akan dihitung nilai similaritasnya menggunakan algoritma Ratcliff/Obershelp menghasilkan nilai similaritas dokumen dengan tingkat kemiripan berdasarkan tiga kategori (tinggi, sedang dan rendah). Hasil deteksi similaritas pada penelitian ini diharapkan dapat membantu proses pengerjaan pendeteksian perbandingan dua buah dokumen dalam jumlah yang sangat banyak.
Co-Authors Dina Kusuma Astuti Esti Setiyaningsih Esti Setiyaningsih Handayani Maukar Maukar Maukar Rini Arianty Sari Noorlima Yanti