Article Per Year (5 Year)
p-Index From 2021 - 2026
2.754
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi dan Ilmu Komputer Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Mathematics Education Journal Lontar Komputer: Jurnal Ilmiah Teknologi Informasi
Indriati
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Mathematics Other

Published : 21 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 21 Documents
Search

 1   2   3 
Klasifikasi Tingkat Obesitas Berdasarkan Pola Hidup dan Kebiasaan Konsumsi Makanan menggunakan meotde K-Nearest Neighbor Firman Yasin, Satferisnan Qoris; Agus Wahyu Widodo; Indriati
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 3 (2025): Maret 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Obesitas merupakan salah satu tantangan kesehatan global yang paling mendesak saat ini. Menurut data dari Organisasi Kesehatan Dunia (WHO), prevalensi obesitas telah meningkat secara signifikan dalam beberapa dekade terakhir. Dibutuhkan sebuah fasilitas yang penting untuk mengetahui tingkatan obesitas pada seseorang berdasarkan pola hidup dan kebiasaannya. Penelitian ini menggunakan metode klasifikasi  K-Nearest Neighbor untuk mengklasifikasikan tingkat obesitas berdasarkan dari data pola hidup dan kebiasaan konsumsi makanan dan juga akan memanfaatkan pendekatan perhitungan jarak Euclidean yang menentukan kedekatan antara data sampel baru dengan data yang sudah ada. Proses klasifikasi melibatkan beberapa tahapan yaitu, pengumpulan data , preprocessing, penentuan nilai k , dan klasifikasi tingkat obesitas. Total data yang digunakan pada penelitian ini sejumlah 1610 data, dengan pembagian 80% untuk data latih dan 20% untuk data uji. Hasil dari penelitian yang dilakukan, menunjukkan bahwa metode KNN dapat mengklasifikasikan tingkat obesitas secara akurat berdasarkan dari pola hidup dan kebiasaan konsumsi makanan. Penilitian ini membuktikan bahwa tingkat akurasi yang ditemukan memiliki nilai sebesar 79% dengan menggunakan nilai K=5. Hasil penelitian ini diharapkan dapat menjadi referensi bagi pengembangan klasifikasi tingkat obesitas serta mendukung upaya pencegahan penyakit kronis yang terkait
Penerapan Cosine Similarity untuk Deteksi Persamaan Sumber Kode Java Ramadhan, Aditya Rizky; Ridok, Achmad; Indriati
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 13 (2025): Publikasi Khusus Tahun 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Naskah ini akan diterbitkan di JTIIK
PENERAPAN MODEL PEMBELAJARAN COOPERATIVE TIPE STAD DENGAN SOAL-SOAL PEMECAHAN MASALAH PADA MATA PELAJARAN MATEMATIKA DI SMA NEGERI 6 PALEMBANG Indriati; Hartono, Yusuf
Mathematics Education Journal Vol. 5 No. 2 (2011): Jurnal Pendidikan Matematika
Publisher : Universitas Sriwijaya in collaboration with Indonesian Mathematical Society (IndoMS)

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

The clues of the research is to known description of students problem solving ability by applying of Cooperative STAD type by problem solving . Model of study of cooperative STAD type by problem solving is a model to solve mathematics problem that have done by groups giving clues. The clues consist of some solving keys that given a part, each of member groups get a key. Subject of reseach are 48 students of grade XI natural science in senior high school 6 Palembang. Data collecting have done by giving test that content 3 discription question. The results of analysis shown mean of discriptor indicator are 74.34%, average abilty are 79.04 or 85.42% have shown good ability for problem solving. Conclusions of this reseach are learning use study model of Cooperative Problem Solving could be done to practise the ability of student’s problem.DOI: 10.22342/jpm.5.2.598.
Klasifikasi Kepribadian Model Big Five (OCEAN) Pada Esai Berbahasa Inggris Menggunakan Metode Naïve Bayes Dengan Seleksi Fitur Information Gain Putra, Octo Perdana; Indriati; Budi Darma Setiawan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 7 (2025): Juli 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kepribadian adalah aspek yang penting diketahui setiap orang agar dapat mengenal diri sendiri maupun orang lain dengan lebih baik. Salah satu model yang telah diakui secara internasional dan digunakan secara luas untuk mengetahui aspek kepribadian adalah tes kepribadian dengan model Big Five Personality atau model OCEAN. Model ini mengklasifikasikan kepribadian menjadi lima kategori yaitu Openness, Conscientiousness, Extraversion, Agreeableness, dan Neurocitism. Untuk meningkatkan efisiensi waktu bagi responden dan pihak perusahaan yang menerapkan tes kepribadian model OCEAN maka dibuat suatu sistem klasifikasi teks dengan menggunakan metode Multinomial Naïve Bayes dan seleksi fitur Information Gain. Pada skenario pengujian yang diterapkan, penggunaan seleksi fitur menghasilkan akurasi yang lebih baik dibanding tanpa menggunakan seleksi fitur. Akurasi tertinggi yang dihasilkan tanpa seleksi fitur yaitu sebesar 55,09%, sedangkan akurasi tertinggi yang dihasilkan menggunakan menggunakan seleksi fitur Information Gain yaitu sebesar 80,71% pada proporsi fitur 25%. Sehingga penggunaan seleksi fitur Information Gain berdampak positif pada hasil akurasi.
Analisis Prediksi Kualitas Urin Menggunakan Metode K-Nearest Neighbors (KNN) Dhiya'uddin, Muhammad Faishal; Wahyu Widodo, Agus; Indriati
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 8 (2025): Agustus 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kualitas urin merupakan indikator penting dalam memantau kondisi kesehatan seseorang. Faktor-faktor seperti pola makan, gaya hidup, dan kondisi kesehatan secara umum dapat tercermin melalui hasil analisis urin. Oleh karena itu, penelitian yang mendalam mengenai prediksi kualitas urin memiliki nilai penting dalam mendukung upaya pencegahan penyakit dan pemeliharaan kesehatan. Metode klasifikasi machine learning, termasuk K-Nearest Neighbors (KNN)Penelitian ini bertujuan untuk menganalisis kemampuan algoritma K-Nearest Neighbors (KNN) dalam memprediksi kualitas urin berdasarkan data hasil pemeriksaan urinalisis. Dataset yang digunakan terdiri dari berbagai parameter fisik, kimia, dan mikroskopik urin, seperti warna, transparansi, glukosa, protein, pH, berat jenis, dan keberadaan sel. Data telah melalui tahapan pra-pemrosesan meliputi pengisian nilai kosong, pengkodean label kategorikal, dan normalisasi numerik. Model KNN diimplementasikan dengan nilai k = 5 dan evaluasi dilakukan menggunakan metode 5-Fold Cross Validation. Hasil evaluasi menunjukkan bahwa model KNN memiliki rata-rata akurasi sebesar 94,22%, precision 92,49%, recall 94,22%, dan F1 score 92,64%. Berdasarkan hasil tersebut, dapat disimpulkan bahwa metode KNN cukup efektif untuk memprediksi kualitas urin sebagai bagian dari sistem pendukung keputusan dalam bidang kesehatan.
Implementasi Question Answering System Bahasa Inggris Dengan Metode Rule-Based Decision Tree Untuk Pertanyaan Factoid Mahendra, Andika Raka; Indriati; Widodo, Agus Wahyu
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 8 (2025): Agustus 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Question answering (QA) adalah bidang information retrieval yang berfokus pada penyediaan jawaban yang tepat untuk pertanyaan yang diajukan dalam bahasa alami. QAS berupaya menemukan jawaban eksplisit berupa frasa singkat atau potongan teks dari satu atau kumpulan dokumen. Tantangan utama dalam QAS adalah mengelompokkan pertanyaan ke dalam kategori tertentu untuk menemukan jawaban yang relevan dari dokumen yang luas. Penelitian ini mengimplementasikan metode Rule-Based Decision Tree untuk membangun QAS berbahasa Inggris yang menangani pertanyaan factoid, yaitu pertanyaan yang jawabannya berupa frasa singkat seperti nama orang, lokasi, tanggal, dan angka. Sistem ini dirancang khusus untuk memproses masukan teks tertulis berbahasa Inggris. Metodologi penelitian ini adalah non-implementatif dengan strategi studi literatur. Sumber data diperoleh dari Stanford Question Answering Dataset (SQuAD) melalui Kaggle. Proses yang dilakukan meliputi pengumpulan data, prapemrosesan teks (casefolding, tokenization, stopwording, dan porter stemming), ekstraksi fitur menggunakan TF-IDF, pelatihan model, prediksi model, dan evaluasi model. Evaluasi kinerja sistem QAS berbasis Rule-Based Decision Tree (konvensional, tanpa Transformer) diukur menggunakan metrik Exact Match (EM), F1-Score, dan BLEU Score. Dengan menggunakan 100 indeks pertanyaan, diperoleh skor akurasi untuk Exact Match (EM) sebesar 0,0000, F1-Score sebesar 0,0295 dan BLEU Score sebesar 0,0047. Jika dibandingkan dengan hasil QAS yang menggunakan model Transformer, terdapat perbedaan kinerja yang signifikan. Implementasi QAS dengan Transformer menghasilkan skor Exact Match (EM) sebesar 0,7900, F1-Score sebesar 0,8903, dan BLEU Score sebesar 0,4046 dengan 100 indeks pertanyaan. Hal ini menunjukkan bahwa model pre-trained Transformer (seperti distilBERT-base-uncased-distilled-squad) lebih unggul dalam memahami konteks pertanyaan dan mengekstrak jawaban yang akurat, sekaligus menyederhanakan proses persiapan data.
Deteksi Emosi Berdasarkan Ekspresi Wajah Menggunakan Metode Mini-Xception dengan Image Augmentation Ramadani, Rifki; Indriati; Priyambadha, Bayu
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 9 (2025): September 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Deteksi emosi merupakan salah satu aspek penting dalam komputasi afektif, yang mana tekonologi terkini menunjukkan deteksi emosi pada manusia dapat diperoleh dari enam jenis sumber deteksi emosi berupa percakapan, teks, gestur dan pergerakan tubuh, keadaan fisiologis, dan ekspresi wajah seorang manusia. Salah satu teknik dalam melakukan deteksi emosi atau klasifikasi emosi dapat dilakukan melalui klasifikasi ekspresi wajah, deteksi emosi berdasarkan ekspresi wajah sudah banyak dilakukan yang pada umumnya menggunakan metode Convolutional Neural Networks (CNN). Pada penelitian ini penerapan model CNN yang dikembangkan menjadi model Mini-Xception yang memanfaatkan separable CNN untuk meningkatkan efisiensi dalam melakukan klasifikasi. Model Mini-Xception secara umum digunakan pada data FER-2013, namun pada penelitian ini akan digunakan pada dataset berbeda yaitu KDEF. Augmentasi dilakukan terhadap dataset KDEF, dengan menggunakan teknik augmentasi penyesuaian dan augmentasi lanjut sebagai tahap praproses terhadap dataset KDEF. Hyperparameter merupakan kombinasi parameter yang akan dicari sebelum dilakukan pelatihan kembali dan pengujian terhadap model. Pengujian model yang memanfaatkan augmentasi dapat menghasilkan akurasi sekitar 90% pada pelatihan dan 90% pada pengujian. Penelitian ini menunjukkan prediksi model tidak mengalami overfitting dan dapat bekerja dengan baik meskipun menggunakan dataset yang berbeda dibanding dataset umum yang digunakan untuk model Mini-Xception.
Analisis Sentimen Tanggapan Pengguna X Terhadap Pembangunan Ibu Kota Negara (IKN) Menggunakan Metode Long Short-Term Memory (LSTM) Dengan Perbandingan Word Embedding GloVe dan FastText Andrea, Amalia Reani; Indriati; Ridok, Achmad
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 13 (2024): Publikasi Khusus Tahun 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Naskah ini akan diterbitkan di SENTRIN 2025
Pengenalan Entitas Bernama Menggunakan Bi-LSTM pada Chatbot Bahasa Indonesia Zulhilmi, Anshar; Perdana, Rizal; Indriati
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 5: Oktober 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024117968

Abstract

Institusi publik perlu mengitegrasikan e-government ke dalam struktur pengelolaan mereka. Sistem pelayanan terpadu harus dapat menyelesaikan masalah yang dihadapi oleh pengguna layanan. Apabila sistem pelayanan terpadu hanya mengandalkan manusia, maka sistem pelayanan terpadu dapat terhambat. Chatbot adalah salah satu solusi untuk menggantikan peran manusia dalam sistem pelayanan terpadu. Salah satu komponen pada chatbot adalah pengenalan entitas bernama. Pada penelitian ini, pengenalan entitas bernama dilakukan dalam beberapa tahap. Tahapan-tahapan tersebut antara lain penghilangan noise, pelabelan data, pembuatan kamus kata dan label, encoding urutan dan pemisahan data, inisiasi model, dan pelatihan model. Model yang digunakan yakni bidirectional long-short term memory. Skor F1 terbaik yang didapat dari pengujian adalah 87,44% dengan hyperparameter jumlah layer sebanyak 2, hidden size sebanyak 100, dan learning rate sebesar 0,01. Kemudian, penambahan jumlah layer maupun hidden size kurang berpengaruh terhadap skor F1 yang dihasilkan oleh model. Learning rate memengaruhi seberapa cepat model mencapai solusi optimal.   Abstract   Public institutions must integrate e-government into their management structures. An integrated service system must be able to solve the problems faced by service users. If the integrated service system only relies on humans, then the integrated service system can be hampered. Chatbot is one of the solutions to replace the human role in an integrated service system. One component of the chatbot is named entity recognition. In this study, the named entity recognition was carried out in several stages. These stages include noise removal, data labeling, word and label dictionary creation, sequence encoding and data separation, model initiation, and model training. The model used is bidirectional long-short term memory. The best F1 score obtained from the test is 87.44% with hyperparameters of the number of layers of 2, hidden size of 100, and learning rate of 0.01. The addition of the number of layers and hidden size has little effect on the F1 score produced by the model. The learning rate affects how fast the model reaches the optimal solution.
Implementasi Improved Sqrt-Cosine Similarity Untuk Pemeringkatan Resume Berdasarkan Kualifikasi Lowongan Kerja Salsabila Sangdiva Laksono, Khansa; Setya Perdana, Rizal; Indriati
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 9 (2025): September 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Ketidaksesuaian antara kualifikasi pelamar dengan kebutuhan penyedia lowongan kerja dapat menjadi salah satu penyebab fenomena pengangguran. Penelitian ini menggunakan pendekatan representasi teks TF-IDF dan Word2Vec untuk implementasi perhitungan similaritas Improved Sqrt-Cosine (ISC) antara resume dengan kualifikasi lowongan kerja, memeringkat lima resume per kualifikasi lowongan kerja, dan dievaluasi hasilnya oleh seorang ahli dengan dua skenario yang melibatkan pemberian bobot pada setiap section dalam resume. Hasil penelitian ini menunjukkan keunggulan pada Word2Vec dengan ISC pada skenario tanpa bobot section dan Word2Vec dengan Cosine Similarity pada skenario dengan bobot section. TF-IDF dengan ISC menunjukkan performa terbaik dalam menghasilkan lima resume yang isiannya relevan dengan deskripsi lowongan kerja. Meskipun implementasi ISC dengan representasi teks Word2Vec unggul karena masih cukup mampu menangkap hubungan semantik kata kunci, tetap kurang disarankan karena mengaburkan hubungan semantik asli akibat nilai absolut. Jika preferensi bobot section dapat menimbulkan bias karena kurang mencerminkan variasi preferensi rekruter pada umumnya, maka implementasi ISC dengan TF-IDF lebih disarankan untuk digunakan.
Co-Authors Abilo, Nelson Alfons Achmad Ridok Agus Wahyu Widodo Agus Wahyu Widodo, Agus Wahyu Andrea, Amalia Reani Bayu Priyambadha Budi Darma Setiawan Dhamara, Helmi Dhiya'uddin, Muhammad Faishal Dyah Ayu Wulandari Edy Santoso Fauzan, M. Sabran Firdausi, Fathina Atsila Firman Yasin, Satferisnan Qoris Fitra Abdurrachman Bachtiar Hartawan, Alan Hibatullah, Farras Husain Kirana, Naufal Laksana Kurnianingtyas, Diva Mahendra, Andika Raka Mahendra, Zianka Muslimah Az-Zahra, Hanifah Naufal, Muhammad Jilan Perdana, Rizal Putra Pandu Adikara Putra Pratama, Ferdiansyah Putra, Octo Perdana Ramadani, Rifki RAMADHAN, ADITYA RIZKY Rizal Setya Perdana Salsabila Sangdiva Laksono, Khansa Setya Perdana, Rizal Yusuf Hartono Zulhilmi, Anshar