Article Per Year (5 Year)
p-Index From 2020 - 2025
0.61
P-Index
This Author published in this journals
All Journal JURTEKSI JUSTIN (Jurnal Sistem dan Teknologi Informasi)
Apriliani, Nur Hidayah
Unknown Affiliation
Computer Science & IT

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

Found 3 Documents
Search

 1 
Penggunaan Sentimen Berita, Indeks Google Trends, dan Faktor yang Berpengaruh Lainnya untuk Memprediksi Harga Gabah Kering Panen (GKP) dengan Deep Learning Apriliani, Nur Hidayah; Nurmawati, Erna
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 12, No 4 (2024)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v12i4.78913

Abstract

Indonesia merupakan negara agraris yang mayoritas pekerjaan utama penduduknya adalah bertani, khususnya bertani padi. Keputusan mengenai harga gabah dapat mempengaruhi pendapatan petani serta kelangsungan usaha mereka. Hasil penjualan gabah yang sering tidak stabil ditambah dengan biaya produksi yang semakin meningkat menyebabkan petani mengalami kerugian karena harga jual gabah tidak dapat menghasilkan cukup pendapatan untuk mencakup biaya produksi mereka. Pemerintah menetapkan Harga Pembelian Pemerintah (HPP) untuk menstabilkan harga dan mendorong produksi. Prediksi harga Gabah Kering Panen (GKP) dapat membantu pemerintah dalam pengambilan keputusan terkait stabilisasi harga, subsidi, dan insentif bagi petani untuk kesejahteraan masyarakat. Metode yang digunakan untuk memprediksi harga gabah pada penelitian ini adalah metode LSTM, CNN, dan LSTM-CNN. Model yang telah dibangun dievaluasi berdasarkan nilai MAE, MAPE, MSE, dan RMSE untuk menguji efektivitas kerangka kerja yang diusulkan. Hasil dari penelitian ini menunjukkan bahwa model terbaik yang dipilih untuk memprediksi harga Gabah Kering Panen (GKP) pada penelitian ini adalah model LSTM dengan 7 (tujuh) variabel independen paling berpengaruh dengan nilai MAE, MAPE, RMSE, dan MSE sebesar 438,68, 7,71%, 600,37, dan 360439,91. Variabel tersebut diantaranya adalah Harga Pembelian Pemerintah (HPP), total impor beras, harga eceran beras, rata-rata curah hujan bulanan, Indeks Google Trends "harga gabah", dan jumlah berita dengan sentimen negatif pada bulan tersebut.
Pemodelan Topik Opini Publik Terhadap Pelayanan Haji 2024 Menggunakan Latent Dirichlet Allocation (LDA) pada Data Twitter Maharani, Regita Pramiswari Hadi; Nurmawati, Erna; Apriliani, Nur Hidayah
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 13, No 3 (2025)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v13i3.90696

Abstract

Salah satu kewajiban umat muslim adalah melaksanakan ibadah haji. Indonesia, salah satu negara dengan jemaah haji terbanyak di dunia, terus berupaya meningkatkan mutu penyelenggaraan haji sebagaimana diamanatkan dalam Undang-Undang Nomor 8 Tahun 2019. Hasil Survei Kepuasan Jemaah Haji 2024 yang dilakukan BPS menunjukkan tingkat kepuasan sebesar 88.20 poin. Meskipun demikian, analisis kepuasan melalui media sosial menjadi penting karena memungkinkan masyarakat menyampaikan opini secara spontan dan terbuka, berbeda dengan survei tradisional yang memiliki batasan struktur dan respon. Media sosial terbukti menjadi sarana yang efektif untuk komunikasi dan koordinasi antara jemaah dan penyelenggara karena informasi disebarkan secara cepat dan langsung. Penelitian ini bertujuan untuk mengeksplorasi topik-topik utama yang dibicarakan terkait pelayanan haji Indonesia Tahun 2024 pada dataset sentimen positif, negatif, dan netral mengenai pelayanan haji 2024 menggunakan Latent Dirichlet Allocation (LDA) terhadap data Twitter. Hasil menunjukkan bahwa jumlah topik terbaik yang diklasifikasikan dalam analisis adalah 4 topik untuk sentimen negatif (coherence score 0.416) dan 5 topik untuk sentimen positif (0.475). Temuan ini memberikan gambaran rinci mengenai aspek pelayanan yang mendapat apresiasi maupun keluhan dari jemaah. Dengan demikian, hasil penelitian ini dapat digunakan sebagai masukan praktis oleh pemangku kebijakan, khususnya Kementerian Agama dan instansi terkait, untuk merumuskan perbaikan layanan haji yang lebih responsif terhadap kebutuhan dan pengalaman jemaah secara langsung.
ESTIMATION OF JAVA GRDP IN REGENCY/CITY LEVEL: SATELLITE IMAGERY AND MACHINE LEARNING APPROACHES Pemayun, Anak Agung Gede Rai Bhaskara Darmawan; Azizi, M Ziko; Daulay, Nur Ainun; Apriliani, Nur Hidayah; Kartiasih, Fitri
JURTEKSI (jurnal Teknologi dan Sistem Informasi) Vol. 10 No. 2 (2024): Maret 2024
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM) STMIK Royal Kisaran

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v10i2.2993

Abstract

Abstract: Gross Regional Domestic Product (GRDP) is one of the most important socio-economic indicators. In order to gain a more comprehensive understanding of the current economic situation and regional differences, estimating GRDP using integration of satellite imagery and official statistics data can provide valuable information. This research estimates the GRDP value in 2022 by using data in 2019 to 2021 related to two aspects, agriculture and non-agriculture. Soil adjusted vegetation index (SAVI), enhanced vegetation index (EVI), and land cover (LC) used as agriculture aspect, while nighttime light (NTL), human settlement index (HSI), land area, and population per regency/city used as non-agriculture aspect. GRDP estimation are produced with machine learning approach using support vector machine (SVM) and random forest (RF) method. Correlation test on each variable shows only land area that does not have a significant correlation with GRDP. RF model then chosen as the best model with RMSE, MSE, MAE, and R2 value of 0.2549; 0.5049; 0.7727; and 0.2543, respectively. The estimated values acquired in several regencies/cities have rather near, some even very close to the official statistics values. Keywords: GRDP; satellite imagery; machine learning; random forest; support vector machine   Abstrak: Produk Domestik Regional Bruto (PDRB) merupakan salah satu indikator sosio-ekonomi yang penting. Penghitungan nilai PDRB dengan pendekatan yang melibatkan kombinasi data citra satelit dan statistik resmi dapat memberikan informasi serta pemahaman yang lebih komprehensif. Penelitian ini melakukan estimasi nilai PDRB pada tahun 2022 menggunakan data tahun 2019 hingga 2021 dengan melibatkan dua aspek, agrikultur dan non-agrikultur. Data soil adjusted vegetation index (SAVI), enhanced vegetation index (EVI), dan tutupan lahan (land cover/LC) digunakan sebagai aspek agrikultur, sementara data citra cahaya malam (NTL), human settlement indeks (HSI), luas wilayah kabupaten/kota, dan jumlah populasi per kabupaten/kota digunakan sebagai aspek non-agrikultur. Estimasi PDRB dihasilkan dengan menggunakan pendekatan machine learning berupa support vector machine (SVM) dan random forest (RF). Pengecekan korelasi antarvariabel menunjukkan bahwa hanya variabel luas wilayah tidak berpengaruh signifikan terhadap nilai PDRB. Model random forest kemudian dipilih sebagai model terbaik dengan nilai evaluasi RMSE, MSE, MAE, dan  berturut-turut sebesar 0.2549, 0.5049, 0.7727, dan 0.2543. Nilai estimasi yang diperoleh di beberapa kabupaten/kota cukup mendekati, bahkan ada yang sangat dekat dengan nilai statistik resmi. Kata kunci: PDRB; citra satelit; machine learning; random forest; support vector machine
Co-Authors Azizi, M Ziko Daulay, Nur Ainun Fitri Kartiasih Maharani, Regita Pramiswari Hadi Nurmawati, Erna Pemayun, Anak Agung Gede Rai Bhaskara Darmawan