Article Per Year (5 Year)
p-Index From 2021 - 2026
1.006
P-Index
This Author published in this journals
All Journal PINTER : Jurnal Pendidikan Teknik Informatika dan Komputer Jurnal Infomedia Jurnal E-Komtek Lontar Komputer: Jurnal Ilmiah Teknologi Informasi
Neng Ayu Herawati
School Of Electrical Engineering And Informatics, Bandung Institute Of Technology, Indonesia
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Library & Information Science

Published : 6 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 6 Documents
Search

 1 
PERANCANGAN USER INTERFACE WEBSITE SISTEM PENGELOLAAN KURIKULUM UNIVERSITAS NEGERI JAKARTA DENGAN PENDEKATAN USER EXPERIENCE Neng Ayu Herawati; Widodo; Hamidillah Ajie
PINTER : Jurnal Pendidikan Teknik Informatika dan Komputer Vol. 8 No. 1 (2024): Jurnal PINTER
Publisher : PTIK Fakultas Teknik UNJ

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21009/pinter.8.1.2

Abstract

Kualitas kurikulum akan mempengaruhi proses berjalannya pendidikan dan luaran proses pendidikan, oleh karena itu dalam penyusunannya diperlukan proses pengelolaan kurikulum yang matang untuk menghasilkan kurikulum yang baik, namun saat ini belum adanya sistem pengelolaan kurikulum di UNJ, maka sistem pengelolaan kurikulum UNJ diperlukan, namun belum ada rancangan User interface (UI) pada sistem pengelolaan kurikulum di UNJ yang mempertimbangkan karakteristik penggunanya, oleh karena itu penelitian ini terfokus pada perancangan UI dengan pendekatan User experience (UX). Hasil dari perancangan UI yaitu prototype dalam bentuk high-fidelity prototype yang dibangun menggunakan framework ReactJs dengan metode The Wheel. Setelah menghasilkan UI, selanjutnya dilakukan pengujian Usability Testing menggunakan metode pengujian Think Aloud dengan jenis Concurrent Think Aloud. Hasil dari pengujian tersebut didapat respon pengguna secara keseluruhan dominan positif dengan tingkat persentase keberhasilan task secara keseluruhan adalah 99,160% Maka berdasarkan aspek usability seluruh task sudah mendapatkan hasil yang baik.
Analisis Komparatif Algoritma LSTM, GRU, BiGRU, dan BiLSTM Untuk Prediksi Degradasi Bearing Turbin PLTU Raymond, Rifky; Saputra, Neva; Tupamahu, Meldrin; Herawati, Neng Ayu; Purwarianti, Ayu; Utama, Nugraha Priya
Jurnal Infomedia: Teknik Informatika, Multimedia, dan Jaringan Vol 10, No 1 (2025): Jurnal Infomedia
Publisher : Politeknik Negeri Lhokseumawe

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30811/jim.v10i1.7127

Abstract

Pembangkit Listrik Tenaga Uap (PLTU) merupakan salah satu sumber utama pasokan listrik nasional, di mana keandalan komponen kritis seperti bearing turbin sangat menentukan kontinuitas operasional. Kegagalan pada bearing dapat menyebabkan downtime tidak terduga dan kerugian biaya yang signifikan. Oleh karena itu, pendekatan predictive maintenance menjadi strategi penting dalam memitigasi potensi kegagalan tersebut. Penelitian ini bertujuan untuk membandingkan performa empat algoritma deep learning yaitu LSTM, GRU, BiGRU, dan BiLSTM dalam memprediksi Remaining Useful Life (RUL) dari bearing turbin. Data yang digunakan merupakan data sensor aktual dari pembangkit, yang telah direduksi dimensinya menggunakan Principal Component Analysis (PCA) untuk membentuk Health Index sebagai representasi degradasi peralatan. Evaluasi dilakukan menggunakan metrik MAE (Mean Absolute Error) dan RMSE (Root Mean Squared Error). Hasil eksperimen menunjukkan bahwa model BiLSTM memiliki performa terbaik dengan nilai MAE sebesar 0.27 dan RMSE sebesar 0.37. Penelitian ini berkontribusi dalam menyediakan panduan pemilihan model prediksi RUL berbasis data sensor riil pada peralatan PLTU, yang mendukung penerapan pemeliharaan prediktif secara lebih akurat dan efisien
A Machine Learning-Based Early Warning System for Electricity Outage Due to Extreme Weather Putra, Helmy Satria Martha; Alit Kesatria Mendala; Intan Jelita Saragih; Neng Ayu Herawati; Ayu Purwarianti; Nugraha Priya Utama
Jurnal E-Komtek (Elektro-Komputer-Teknik) Vol 9 No 2 (2025): (In Press)
Publisher : Politeknik Piksi Ganesha Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37339/e-komtek.v9i1.2484

Abstract

Electricity is a critical resource that supports various sectors in Indonesia, especially during extreme weather. Outages have become serious for operational risks during extreme weather. This study proposes a machine learning-based early warning system to predict electricity outages caused by extreme weather. Historical weather and outage data were combined using spatial alignment. Key innovation of this study involved geospatial feature enrichment via HDBSCAN, Yeo-Johnson transformation, robust scaling, and class resampling using SMOTE, ADASYN, and SMOTE-ENN. Four ensemble classification models (Random Forest, XGBoost, AdaBoost, and LightGBM) were evaluated. LightGBM with SMOTE yielded the highest recall (0.99) and the fewest false negatives. These findings suggest a solution for a proactive early warning system risk mitigation in electricity under extreme weather conditions.
Data Governance Design for Optimization of Hospital Management Information System (SIM-RS) at ABC Regional Hospital Muhammad Furqan Nazuli; Irfan Walhidayah; Neng Ayu Herawati; Lenny Putri Yulianti; Kridanto Surendro
Lontar Komputer : Jurnal Ilmiah Teknologi Informasi Vol. 16 No. 01 (2025): Vol.16, No. 01 April 2025
Publisher : Institute for Research and Community Services, Udayana University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24843/LKJITI.2025.v16.i01.p03

Abstract

The increasing complexity of hospital data management requires a robust Data Governance (DG) framework to ensure data quality, security, and compliance. This study focuses on developing a DG framework tailored to the Hospital Management Information System (SIM-RS) at RSUD ABC to enhance data integration, accessibility, and regulatory adherence. A qualitative approach with a case study method was employed, involving interviews and document analysis to identify key challenges in data management. The proposed DG framework aligns with ICD-10 and regulatory requirements, ensuring interoperability and efficient data processing. Implementing the Master Patient Index (MPI) reduces duplicate records, while Two-Factor Authentication (2FA) and AES-256 encryption strengthen data security. FHIR standards facilitate seamless data exchange across healthcare systems, optimizingoperational efficiency. AI-driven data analytics further enhances clinical decision-making and administrative workflows. Evaluation of the framework demonstrates significant improvements in data quality, regulatory compliance, and risk management, leading to improved patient care and reduced medical errors. The High-Level Roadmap outlines a phased implementation strategy for sustainable DG adoption. Future research may explore performance metrics, Blockchain integration, and organizational change management to refine DG practices in healthcare institutions further.
Retrieval-Augmented Generation (RAG) Chatbot for Handling Customer Complaints in the Energy Sector Haryono Putro, Ibnu Prastowo; Antoni, Jefry; Adhitya, Maulana Krisna; Herawati, Neng Ayu; Purwarianti, Ayu; Utama, Nugraha Priya
Jurnal Infomedia: Teknik Informatika, Multimedia, dan Jaringan Vol 10, No 2 (2025): Jurnal Infomedia
Publisher : Politeknik Negeri Lhokseumawe

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30811/jim.v10i2.7169

Abstract

Fast and accurate customer service is critical in the energy sector, especially for large-scale utilities like PLN. This study introduces a novel Retrieval-Augmented Generation (RAG)-based chatbot tailored for PLN’s internal operational context to automate customer complaint resolution in Bahasa Indonesia. In contrast to previous approaches that utilize only fine-tuned LLMs or retrieval-based question answering, our system uniquely integrates internal complaint records stored in internal database with a local Indonesian-optimized LLM through LangChain orchestration. The proposed architecture features temporal and linguistic preprocessing, vector embedding using FAISS, and a dynamic clarification-fallback mechanism, ensuring context-aware and grounded responses. This work contributes a scalable framework for deploying generative AI in high-stakes public utility settings, emphasizing data privacy, language fidelity, and real-time applicability. Evaluation results both simulated and human-reviewed demonstrate the chatbot’s effectiveness, achieving BLEU-4 of 46.5 and ROUGE-L of 0.63, with 92% of answers rated helpful. These findings underscore the model's potential to enhance customer experience and operational efficiency in Indonesia’s energy sector.
Sistem Rekomendasi Lokasi Optimal dan Potensi Penghematan Energi Pemasangan PLTS Atap Berbasis AI di Pulau Jawa Aminuddin, Amir; Supanto, Supanto; Saputra, Hadi; Herawati, Neng Ayu; Purwarianti, Ayu; Utama, Nugraha Priya
Jurnal Infomedia: Teknik Informatika, Multimedia, dan Jaringan Vol 10, No 2 (2025): Jurnal Infomedia
Publisher : Politeknik Negeri Lhokseumawe

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30811/jim.v10i2.7219

Abstract

Transisi menuju energi terbarukan di Indonesia menuntut pendekatan berbasis data dalam menentukan lokasi optimal pemasangan Pembangkit Listrik Tenaga Surya (PLTS) atap dan dalam memperkirakan dampak ekonomisnya. Penelitian ini mengembangkan sistem rekomendasi berbasis Artificial Intelligence (AI) yang mengintegrasikan data penyinaran matahari dari BMKG dan data konsumsi listrik dari PLN untuk mendukung perencanaan PLTS atap di Pulau Jawa. Pendekatan dilakukan melalui tiga metode pembelajaran mesin utama: klasifikasi untuk mengevaluasi kelayakan pelanggan, klasterisasi wilayah menggunakan algoritma clustering, dan regresi untuk memprediksi potensi penghematan energi. Lima algoritma klasifikasi dibandingkan, dengan LightGBM menunjukkan performa tertinggi (akurasi 87%). Segmentasi wilayah optimal diperoleh melalui KMeans (silhouette score 0,5566). Estimasi penghematan energi paling akurat dihasilkan oleh XGBoost Regressor dengan koefisien determinasi (R²) sebesar 0,9999. Hasil ini menunjukkan bahwa pendekatan integratif berbasis AI dapat menyediakan informasi prediktif yang akurat dan aplikatif bagi penyusunan strategi promosi dan investasi PLTS atap, sekaligus memberikan estimasi manfaat kuantitatif bagi pelanggan. Penelitian ini memberikan kontribusi signifikan dalam pengembangan sistem pendukung keputusan untuk energi terbarukan berbasis analitik spasial dan perilaku konsumsi.
Co-Authors Adhitya, Maulana Krisna Alit Kesatria Mendala Aminuddin, Amir Antoni, Jefry Ayu Purwarianti Hadi Saputra Hamidillah Ajie Haryono Putro, Ibnu Prastowo Intan Jelita Saragih Irfan Walhidayah Kridanto Surendro Lenny Putri Yulianti Muhammad Furqan Nazuli Nugraha Priya Utama Putra, Helmy Satria Martha Rifky Raymond, Rifky Saputra, Neva Supanto Supanto Tupamahu, Meldrin Utama, Nugraha Priya Widodo