Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
P-Index
This Author published in this journals
All Journal Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Indonesian Community Service Journal of Computer Science (IndoComs)
Rabiatus Sa'adah
Universitas Bina Sarana Informatika
Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Engineering Environmental Science

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Peningkatan Literasi Digital melalui Workshop Penulisan Berita di Platform Sosial rumahpintarpunggurcerdas.org Rabiatus Sa'adah; Kartika Handayani; Erni Erni; Badariatul Lailiah
Indonesian Community Service Journal of Computer Science Vol. 3 No. 1 (2026): Periode Januari 2026
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/indocoms.v3i1.10855

Abstract

Kemajuan teknologi informasi dan komunikasi di era digital saat ini telah membawa perubahan besar terhadap cara masyarakat memperoleh dan menyebarkan informasi. Website menjadi salah satu media penting dalam mendukung penyebaran informasi yang cepat, akurat, dan mudah diakses oleh masyarakat luas. Rumah Pintar Punggur Cerdas sebagai pusat kegiatan belajar masyarakat memiliki peluang besar untuk memanfaatkan website sebagai sarana dokumentasi kegiatan, edukasi, serta promosi program sosial. Namun, pemanfaatan website rumahpintarpunggurcerdas.org belum optimal karena keterbatasan kemampuan pengelola dan relawan dalam menulis berita sesuai kaidah jurnalistik. Kegiatan pengabdian kepada masyarakat ini bertujuan untuk meningkatkan kemampuan penulisan berita bagi pengelola dan relawan Rumah Pintar Punggur Cerdas melalui Workshop Penulisan Berita untuk Website Sosial RumahPintarPunggurCerdas.org. Metode pelaksanaan dilakukan secara offline melalui pendekatan pelatihan yang meliputi penyampaian materi, diskusi, praktik penulisan, serta evaluasi hasil tulisan. Peserta memperoleh pemahaman tentang teknik penulisan berita, penerapan struktur 5W+1H, penyusunan paragraf efektif, serta praktik publikasi berita ke website dengan bantuan teknologi digital dan Artificial Intelligence (AI). Hasil kegiatan menunjukkan peningkatan kemampuan peserta dalam menulis berita yang lebih sistematis, komunikatif, dan menarik. Peserta mampu menyusun paragraf pembuka yang informatif, menggunakan struktur piramida terbalik, serta menonjolkan unsur human interest yang menggambarkan suasana dan nilai sosial kegiatan. Kegiatan ini berkontribusi nyata dalam meningkatkan literasi digital dan keterampilan jurnalistik peserta, serta mendukung optimalisasi website Rumah Pintar Punggur Cerdas sebagai media komunikasi, edukasi, dan promosi di era digital.
Komparasi Algoritma Machine Learning untuk Prediksi Risiko Burnout Akademis Akibat Penggunaan Generative AI Ophelius Savero Rinyuakng Rolin; Wahyu Nugraha; Rabiatus Sa'adah
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 2 (2026): September 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i2.1366

Abstract

Perkembangan Generative AI (GenAI) dalam pendidikan tinggi memunculkan fenomena baru berupa peningkatan risiko burnout akademis mahasiswa yang tidak lagi semata dipicu oleh beban belajar konvensional, melainkan oleh pola interaksi dengan kecerdasan buatan. Penelitian ini bertujuan membandingkan kinerja tiga algoritma Machine Learning, yaitu Logistic Regression, Random Forest Classifier, dan XGBoost, dalam mengklasifikasikan tingkat risiko burnout akademis (High, Medium, Low) berdasarkan data profil 50.000 mahasiswa dengan 16 atribut, termasuk durasi penggunaan GenAI mingguan (Weekly_GenAI_Hours) dan tingkat ketergantungan psikologis terhadap AI (Perceived_AI_Dependency). Metode penelitian meliputi eksplorasi data, pra-pemrosesan (encoding, normalisasi, pembagian data latih-uji 80:20), pelatihan model baseline, optimasi hyperparameter menggunakan GridSearchCV, serta evaluasi menggunakan metrik akurasi, presisi, recall, F1-score, confusion matrix, dan feature importance. Hasil penelitian menunjukkan akurasi model berkisar antara 51,96% hingga 53,83%, dengan Logistic Regression baseline mencatatkan akurasi tertinggi (53,83%), diikuti XGBoost setelah tuning (53,62%) dan Random Forest setelah tuning (53,27%). Hyperparameter tuning terbukti meningkatkan akurasi model berbasis pohon secara signifikan, namun tidak pada model linear. Ekstraksi feature importance dari Random Forest dan XGBoost secara konsisten menempatkan Weekly_GenAI_Hours dan Perceived_AI_Dependency sebagai dua prediktor terkuat, jauh melampaui variabel akademik tradisional seperti IPK dan jam belajar. Analisis confusion matrix mengungkap tumpang tindih klasifikasi terutama pada kelas Medium. Temuan ini memberikan bukti empiris bahwa intensitas dan ketergantungan penggunaan GenAI merupakan determinan utama burnout akademis, sehingga dapat menjadi dasar objektif bagi kebijakan pembatasan penggunaan AI yang sehat di lingkungan pendidikan.
Identifikasi Penyakit Tanaman Cabai Berdasarkan Ekstrasi Fitur Warna Tekstur Menggunakan SVM dan Random Forest Rafael Agrerio Firera; Wahyu Nugraha; Rabiatus Sa'adah
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 2 (2026): September 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i2.1415

Abstract

Tanaman cabai (Capsicum annuum L.) merupakan komoditas hortikultura bernilai ekonomi tinggi di Indonesia, namun produktivitasnya kerap terganggu oleh penyakit daun yang selama ini masih diidentifikasi secara manual oleh petani, sehingga rentan terhadap keterlambatan dan kesalahan subjektif. Penelitian ini bertujuan membangun sistem identifikasi otomatis penyakit daun cabai menggunakan ekstraksi fitur warna dan tekstur yang dibandingkan performanya melalui algoritma Support Vector Machine (SVM) dan Random Forest (RF). Dataset yang digunakan berjumlah 400 citra daun cabai dari Kaggle yang terbagi merata ke dalam lima kelas: healthy, leaf curl, leaf spot, whitefly, dan yellowish. Setiap citra melalui pra-pemrosesan resize 128×128 piksel, kemudian diekstraksi menjadi 236 dimensi fitur yang terdiri atas 205 dimensi fitur warna (Histogram RGB, HSV, dan color moments) dan 31 dimensi fitur tekstur (GLCM, statistik grayscale, dan gradien Sobel). Data dibagi dengan skema 80:20 dan dievaluasi menggunakan akurasi, presisi, recall, F1-Score, confusion matrix, 5-Fold Cross Validation, serta analisis feature importance. Hasil pengujian menunjukkan SVM kernel RBF unggul dengan akurasi 70,00% dibandingkan Random Forest 60,00%, serta waktu pelatihan jauh lebih cepat (0,02 detik berbanding 0,58 detik). Analisis feature importance mengungkap bahwa kelompok fitur warna berkontribusi dominan sebesar 71,00% dibandingkan fitur tekstur 29,00%, membuktikan bahwa perubahan warna daun menjadi indikator utama penyakit cabai. Hasil 5-Fold Cross Validation menunjukkan penurunan akurasi menjadi 32,50% (SVM) dan 37,50% (RF), mengindikasikan perlunya penambahan volume dataset pada penelitian berikutnya.
Co-Authors Badariatul Lailiah Erni Erni Kartika Handayani Ophelius Savero Rinyuakng Rolin Rafael Agrerio Firera Wahyu Nugraha