Article Per Year (5 Year)
p-Index From 2020 - 2025
0.61
P-Index
This Author published in this journals
All Journal JATI (Jurnal Mahasiswa Teknik Informatika) Jurnal Sistem Informasi dan Aplikasi
Ayu Syaharani, Maesha
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management

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

Found 3 Documents
Search

 1 
ANALISIS SENTIMEN PENGUMUMAN HASIL PEMILU 2024 DI SOSIAL MEDIA X MENGGUNAKAN KNN DAN NAÏVE BAYES CLASSIFIER Aurelly Claudia Budianto, Theresia; Fatoni, Hilman; Ayu Syaharani, Maesha; Rozikin, Chaerur
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 5 (2024): JATI Vol. 8 No. 5
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i5.11077

Abstract

Pemilu merupakan salah satu peristiwa politik yang paling menarik perhatian publik dalam suatu negara demokratis. Hasil pemilu mencerminkan preferensi dan keinginan masyarakat terhadap calon dan partai politik yang bersaing. Di era digital saat ini, platform media sosial X telah menjadi salah satu wadah utama dimana opini dan sentimen masyarakat tercermin dengan luas. Oleh karena itu, analisis sentimen terhadap hasil pemilu 2024 di media sosial X menjadi semakin penting dalam memahami dinamika politik dan respons masyarakat. Penelitian ini membandingkan akurasi metode KNN dan Naïve Bayes classifier dalam membagi sentimen menjadi positif, negatif, dan netral. Proses pelabelan dilakukan secara otomatis menggunakan textblob dengan jumlah sentimen positif sebanyak 465 tweet atau 87.41%, netral sebanyak 42 tweet atau 7.89%, dan negatif sebanyak 25 tweet atau 4.70%. Dari total 532 data dengan kata kunci "Hasil Pemilu 2024", 80% digunakan sebagai data latih dan 20% sebagai data uji. Naive Bayes mencapai akurasi 85%, sedangkan KNN mencapai 68%, menandakan keunggulan KNN dalam mengklasifikasikan sentimen terhadap hasil pemilu 2024.
KLASIFIKASI BUAH SEGAR DAN BUSUK MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN) Ayu Syaharani, Maesha; Aurelly Claudia Budianto, Theresia; Ibnu Adam, Riza
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 5 (2024): JATI Vol. 8 No. 5
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i5.11132

Abstract

Dalam sektor pertanian, mempertahankan kualitas produk merupakan kunci untuk kepuasan pelanggan dan keunggulan di pasar. Namun, klasifikasi buah segar dan busuk sering menjadi tantangan karena metode konvensional yang bergantung pada inspeksi visual pekerja cenderung tidak efisien, memakan waktu, dan rentan terhadap kesalahan. Penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis menggunakan Convolutional Neural Network (CNN) dengan memanfaatkan dataset gambar buah yang mencakup berbagai kondisi kesegaran, berjumlah total 13.619 gambar. Teknik computer vision dan pengolahan citra diterapkan agar CNN dapat mengekstraksi dan menganalisis fitur visual kompleks dari buah-buahan. Hasil penelitian menunjukkan bahwa model CNN yang dikembangkan berhasil mencapai tingkat akurasi klasifikasi sebesar 96,67% pada data uji, yang mencerminkan kemampuan model dalam mengidentifikasi buah segar dan busuk secara efektif. Hal ini menegaskan bahwa pendekatan berbasis CNN merupakan solusi yang sangat efektif untuk mengotomatisasi proses penilaian kesegaran buah, yang diharapkan dapat meningkatkan efisiensi dan efektivitas dalam menjaga kualitas produk pertanian.
Prediksi Curah Hujan Kota Bogor Menggunakan Algoritma Random Forest Ayu Syaharani, Maesha; Arif Dermawan, Budi; Ibnu Adam, Riza
Jurnal Sistem Informasi dan Aplikasi (JSIA) Vol 3 No 1 (2025): Vol 3 No 1 (Jurnal Sistem Informasi dan Aplikasi)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52958/jsia.v3i1.12459

Abstract

Kota Bogor merupakan salah satu wilayah di Indonesia dengan intensitas curah hujan yang tinggi sepanjang tahun. Tingginya curah hujan tersebut menjadi salah satu faktor penyebab terjadinya bencana seperti banjir dan tanah longsor. Pengembangan model prediksi curah hujan menjadi kebutuhan penting untuk mendukung perencanaan dan mitigasi risiko bencana oleh pemerintah daerah Kota Bogor. Penelitian ini bertujuan untuk membangun model prediksi curah hujan harian. Rancangan penelitian menggunakan metodologi Knowledge Discovery in Database (KDD) dengan algoritma Random Forest sebagai metode utama dalam analisis. Model Random Forest diterapkan dengan penyesuaian Quantile Transform dan Grid Search untuk memperoleh nilai parameter terbaik. Hasil penyesuaian menunjukkan bahwa kinerja model optimal dengan bootstrap:True, n_estimators: 500, max_depth: 5, dan max_features: sqrt. Model diuji menggunakan K-Fold Cross Validation pada beberapa nilai K = 3, 5, 7, 10, dan 15 yang diukur berdasarkan selisih antara nilai prediksi dan aktual. Nilai K = 15 menunjukkan tingkat kesalahan terendah dengan RMSE sebesar 21,92 mm dan MAE sebesar 15,21 mm.
Co-Authors Aurelly Claudia Budianto, Theresia Budi Arif Dermawan Fatoni, Hilman Ibnu Adam, Riza Rozikin, Chaerur