Article Per Year (5 Year)
p-Index From 2020 - 2025
0.751
P-Index
This Author published in this journals
All Journal Jurnal Informatika Infotech: Journal of Technology Information Jurnal Ilmiah Edutic : Pendidikan dan Informatika
Toyibah, Zulfah Binti
Unknown Affiliation
Computer Science & IT Education

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
Implementasi Algoritma Random Forest untuk Klasifikasi Bidang MSIB di Prodi Pendidikan Informatika Aini, Nuru; Arif, Muchamad; Agustin, Irka Tri; Toyibah, Zulfah Binti
Jurnal Informatika Vol 11, No 1 (2024): April 2024
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/inf.v11i1.20637

Abstract

Magang dan studi independen bersertifikat (MSIB) merupakan salah satu program dari kurikulum MBKM yang mana pada program ini membuka kesempatan bagi mahasiswa untuk belajar langsung di tempat kerja/industri yang dapat menjadi bekal bagi mahasiswa untuk persiapan karier kedepannya. Dengan banyaknya pilihan bidang keahlian pada program MSIB, seringkali menjadi suatu tantangan bagi mahasiswa untuk dapat memilih bidang MSIB yang sesuai dengan keahlian mereka. Tujuan dari penelitian ini adalah mengimplementasikan salah satu algoritma klasifikasi machine learning, yakni algoritma Random Forest untuk membantu proses pemetaan bidang MSIB di Prodi Pendidikan Informatika. Dataset yang digunakan pada penelitian ini berjumlah 100 data, dimana label klasifikasi berjumlah 4 diantaranya MM (multimedia), RPL (rekayasa perangkat lunak), AI (kecerdasan buatan), dan TKJ (teknik komputer dan jaringan), atribut yang digunakan adalah nilai mata kuliah mahasiswa. Hasil yang didapatkan antara lain tingkat akurasi sebesar 80%, precision 80%, dan recall 82%. Maka dapat disimpulkan model klasifikasi bidang MSIB menggunakan algoritma Random Forest termasuk kategori baik. Certified internships and independent studies (MSIB) are one of the programs in the MBKM curriculum, where this program opens up opportunities for students to learn directly in the workplace/industry which can provide students with preparation for future careers. With so many areas of expertise to choose from in the MSIB program, it is often a challenge for students to be able to choose an MSIB area that suits their skills. The aim of this research is to implement one of the machine learning classification algorithms, namely the Random Forest algorithm, to assist the process of mapping the MSIB field in the Informatics Education Study Program. The dataset used in this research consists of 100 data, of which there are 4 classification labels, including MM (multimedia), RPL (software engineering), AI (artificial intelligence), and TKJ (computer and network engineering), the attribute used is the course grade. student. The results obtained include an accuracy rate of 80%, precision of 80%, and recall of 82%. So it can be concluded that the MSIB field classification model using the Random Forest algorithm is in the good category. 
Implementasi Metode Hybrid Recommendation untuk Sistem Rekomendasi Mitra MSIB di Prodi Pendidikan Informatika Aini, Nuru; Arif, Muchamad; Toyibah, Zulfah Binti; Agustin, Irka Tri
EDUTIC Vol 10, No 2: Mei 2024
Publisher : Universitas Trunojoyo Madura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21107/edutic.v10i2.23920

Abstract

Magang dan Studi Independen Bersertifikat Kampus Merdeka (MSIB) merupakan bagian dari program Merdeka Belajar-Kampus Merdeka yang bertujuan menciptakan perubahan signifikan dalam sistem pendidikan tinggi di Indonesia dalam menghadapi era industri 4.0. Kebijakan ini mendorong mahasiswa agar mengembangkan kemampuan hard skill maupun soft skill. Banyaknya pilihan mitra program MSIB yang ditawarkan, seringkali membuat mahasiswa merasa kesulitan dalam memilih program sesuai dengan kemampuan dan minat. Tujuan dari penelitian ini adalah membangun sebuah model sistem rekomendasi mitra MSIB di prodi Pendidikan Informatika berdasarkan bidang yang relevan. Metode yang digunakan dalam memberikan rekomendasi adalah Hybrid Recommendation. Metode ini menggabungkan pendekatan Naïve Bayes untuk mengklasifikasikan mitra MSIB sesuai dengan bidang berdasarkan data nilai mata kuliah. Selain itu, minat mahasiswa juga dipertimbangkan menggunakan algoritma Item-based collaborative filtering untuk menghitung kesamaan pilihan mitra yang diberikan oleh mahasiswa. Evaluasi hasil penelitian menunjukkan bahwa uji coba algoritma Naïve Bayes dengan penghitungan confusion matrix dalam mengolah data nilai memperoleh hasil accuracy 85%, precision 88% dan recall 88%. Sedangkan untuk pengolahan kesamaan pilihan mahasiswa berupa data rating menggunakan algoritma Item-based Collaborative Filtering menggunakan pengujian MAE, diperoleh hasil evaluasi pada masing-masing bidang diantaranya pada bidang TKJ menghasilkan MAE sebesar 0,359, bidang RPL menghasilkan MAE sebesar 0,356, bidang MM menghasilkan MAE sebesar 0,396, dan bidang AI menghasilkan MAE sebesar 0,409.
Perbandingan Kinerja Algoritma Multinomial Naïve Bayes dan Logistic Regression pada Analisis Sentimen Movie Ratings IMDB Toyibah, Zulfah Binti; Putri, Yiyin Noriyah; Puandini, Puandini; Widodo, Zalsa Maulina; Ni'mah, Ana Tsalitsatun
EDUTIC Vol 10, No 2: Mei 2024
Publisher : Universitas Trunojoyo Madura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21107/edutic.v10i2.28150

Abstract

Salah satu hal yang dapat mempengaruhi seseorang memutuskan untuk menonton sebuah film adalah rating dari film itu sendiri. IMDB merupakan sebuah basis data daring yang berisikan informasi yang berkaitan dengan film, acara televisi, video rumahan, dan permainan video, dan acara internet, termasuk daftar pemeran, biografi kru produksi dan personil, ringkasan alur cerita, trivia, dan ulasan serta penilaian oleh penggemar. Ulasan yang diberikan oleh penggemar dapat berupa ulasan yang bersifat positif maupun negatif dari film yang telah ditonton. Penelitian ini bertujuan untuk mengetahui perbandingan akurasi dari algoritma Multinomial Naïve Bayes dan Logistic Regression dengan melakukan analisis sentiment pada data ulasan film oleh penggemar. Hasil dari pengujian komparasi ditemukan bahwa algoritma Logistic Regression memiliki kinerja yang terbaik dengan nilai akurasi 89.32%, sedangkan algoritma Multinomial Naïve Bayes memiliki nilai akurasi 85.28%. Sehingga dapat disimpulkan bahwa algoritma Logistic Regression memiliki nilai yang lebih baik dibandingkan dengan algoritma Multinomial Naïve Bayes.AbstractOne of the things that can influence a person's decision to watch a film is the rating of the film itself. IMDB is an online database containing information relating to movies, television shows, home videos, video games, and internet shows, including cast lists, biographies of the production crew and personnel, storyline summaries, trivia, and fan reviews and ratings. Reviews given by fans can be in the form of positive or negative reviews of the films that have been watched. This study aims to compare the accuracy of the Multinomial Naïve Bayes and Logistic Regression algorithms by conducting sentiment analysis on film review data by fans. The results of the comparative test found that the Logistic Regression algorithm has the best performance with an accuracy value of 89.32%, while the Multinomial Naïve Bayes algorithm has an accuracy value of 85.28%. So it can be concluded that the Logistic Regression algorithm has a better value than the Multinomial Naïve Bayes algorithm.
SISTEM REKOMENDASI SKRIPSI MENGGUNAKAN METODE CONTENT BASED FILTERING Toyibah, Zulfah Binti; Aini, Nuru
Infotech: Journal of Technology Information Vol 11, No 1 (2025): JUNI
Publisher : ISTEK WIDURI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37365/jti.v11i1.377

Abstract

The management of the thesis repository in the Reading Room of the Faculty of Education, Trunojoyo University still uses Google Spreadsheets for the data collection process, so it is very limited in supporting the search and management of theses. As a result, students have to search for theses manually by looking one by one on the reading rack. In addition, laboratory assistants are often overwhelmed in the data collection process, which causes delays in updating thesis data on the reading rack. Therefore, a thesis recommendation system is developed using the content-based filtering method to facilitate automatic thesis search and thesis management by integrating the thesis collection feature independently. The method used is content based filtering using TF-IDF, SVD, and Cosine Similarity algorithms. This research uses the Research and Development (R&D) method with a waterfall model that has several stages, namely analysis, design, coding, and testing. Based on the results of the algorithm performance expert test, a value of 100% (very feasible) was obtained. System expert validation results show a value of 1, meaning that all features on the recommendation system can function properly. The results of web expert validation obtained a percentage of 96.92% (very feasible). In the user trial results, a percentage result of 91.3% (very feasible) was obtained. In testing the performance of the algorithm, a trial was conducted with 40 keyword samples using confusion matrix at threshold 3, threshold 5, threshold 10, and threshold 15. The recommendation system is said to be effective if the acquisition of a high precision value even though the acquisition value of recall is low. In this study, threshold 3 has the highest precision value compared to testing on other thresholds, namely accuracy 97%, precision 95%, recall 17%, and f1-score of 28%.
Co-Authors Agustin, Irka Tri Ana Tsalitsatun Ni'mah Muchamad Arif, Muchamad Nuru Aini Puandini, Puandini Putri, Yiyin Noriyah Widodo, Zalsa Maulina