Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal PROCESSOR Jurnal Ilmiah Sistem Informasi, Teknologi Informasi dan Sistem Komputer Jurnal Informatika dan Rekayasa Perangkat Lunak
Luthfiyyah, Ibtihal Qomariyyah
Unknown Affiliation
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Pengelompokan Penyebaran Covid-19 Di Provinsi Jawa Barat Menggunakan Metode Clustering K-Medoids Luthfiyyah, Ibtihal Qomariyyah; Sari, Betha Nurina
Jurnal Informatika dan Rekayasa Perangkat Lunak Vol 6, No 2 (2024): September
Publisher : Universitas Wahid Hasyim

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36499/jinrpl.v6i2.10544

Abstract

Covid-19 merupakan suatu penyakit yang menjangkiti sistem pernapasan manusia dan memiliki kemampuan penularan yang sangat cepat. Provinsi Jawa Barat menjadi salah satu daerah yang terkena dampak pandemi Covid-19. Jumlah masyarakat terkonfirmasi virus Covid-19 di Jawa Barat yang masih bertambah hari demi hari. Oleh karena itu, diperlukan adanya pengelompokkan tingkat kerawanan penyebaran Covid-19 khususnya di Provinsi Jawa Barat menggunakan data dari website resmi pemerintah Provinsi Jawa Barat dengan menggunakan 5 atribut, yaitu nama_kab_kota, konfirmasi_total, konfirmasi_sembuh, konfirmasi_meninggal, dan konfirmasi_aktif. Penelitian ini bertujuan untuk mengidentifikasi pola penyebaran Covid-19 untuk mendukung pengambilan keputusan yang lebih efektif di tingkat regional. Metode penelitian melibatkan proses data mining yaitu pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi, dan penyebaran berdasarkan metodologi CRISP-DM. Proses modeling menggunakan algoritma K-Medoids dengan 3 cluster sesuai dengan zona warna pemerintah. Hasil penelitian ini menunjukkan 3 cluster, yaitu cluster hijau merupakan jumlah kasus yang minimal dengan 16 Kabupaten/Kota. Cluster kuning merupakan mulai waspada akan jumlah kasus dengan 6 Kabupaten/Kota. Cluster merah merupakan kasus sudah sangat parah dengan 5 Kabupaten/Kota. Hasil pengujian Silhouette Coefficient yang menguji n_cluster = 2,3,4, dan 5 menunjukkan bahwa n_cluster=3 merupakan cluster yang terbaik dengan nilai sebesar 0.77.  
Analisis Sentimen Mahasiswa Terhadap Kurikulum Literasi Digital di Universitas Singaperbangsa Karawang Menggunakan Naïve Bayes Luthfiyyah, Ibtihal Qomariyyah; Sari, Betha Nurina; Ridwan, Taufik
Jurnal PROCESSOR Vol 19 No 1 (2024): Jurnal Processor
Publisher : LPPM Universitas Dinamika Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33998/processor.2024.19.1.1669

Abstract

Implementation of the Digital Literacy Curriculum at University of Singaperbangsa Karawang (Unsika) as a concrete step considering the importance of digital literacy. Curriculum evaluation is an important step in ensuring the effectiveness of learning. Currently there is no mechanism from Unsika to encourage students to provide feedback on curriculum implementation. One way is by sentiment analysis, which requires sentiment analysis using the Naïve Bayes algorithm which contributes to providing feedback on curriculum evaluation. This sentiment analysis process uses the CRISP-DM (Cross Industry Standard Process for Data Mining) methodology. In an effort to obtain student perceptions, a survey was conducted using a questionnaire. The minimum number of respondents determined using the Slovin formula is 388. In this study the amount of data used was 591. There is an imbalance in the data, to overcome this an oversampling technique can be used using ADASYN (Adaptive Synthetic Sampling Approach). The data has been cleaned to produce 347 positive sentiments and 176 negative sentiments. The results of this research show the best model and word frequency in the form of visualization of words that play an important role in each sentiment category for use in curriculum evaluation. Of the eight model scenarios tested, the model trained with the Naïve Bayes algorithm using a division of 90% training data and 10% testing data with the application of ADASYN became the best model with an accuracy of 89%, precision 100%, recall 85%, and f1-score 92%.
Co-Authors Betha Nurina Sari Taufik Ridwan, Taufik