Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal JIKO (Jurnal Informatika dan Komputer) Jurnal Sistem Komputer dan Informatika (JSON) Journal of Computers and Digital Business
Lucia Nugraheni Harnaningrum
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management

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

Found 3 Documents
Search

 1 
Analisis Perbandingan Performa NMF dengan LDA pada Topik Modeling Berita Online Indonesia Latifah Nurrohmah Handayani; Lucia Nugraheni Harnaningrum
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 3 (2026): Maret 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i3.9469

Abstract

Pertumbuhan konten berita digital di Indonesia menciptakan kebutuhan akan metode otomatis untuk mengekstraksi topik-topik utama dari dataset teks berita berskala besar. Penelitian ini melakukan analisis komparatif performa Non-negative Matrix Factorization (NMF) dan Latent Dirichlet Allocation (LDA) dalam tugas topic modeling berita online Indonesia dari tiga media: CNBC Indonesia, Kompas.com, dan Detik.com. Dataset terdiri dari 4.500 artikel berita dengan preprocessing meliputi tokenisasi, penghapusan stopwords, serta ekstraksi fitur menggunakan TF-IDF untuk NMF dan Count Vectorizer untuk LDA. Evaluasi performa dilakukan menggunakan coherence score (Cᵥ), topic diversity, silhouette score, dan uji chi-square untuk distribusi topik antar media. Hasil menunjukkan bahwa NMF memiliki nilai coherence lebih tinggi (0.7544) dibandingkan LDA (0.5600), topic diversity yang lebih baik (0.9400 vs 0.8400), serta efisiensi waktu training yang lebih tinggi (1.60 detik vs 108.30 detik). Uji chi-square mengonfirmasi perbedaan signifikan (p < 0.001) dalam distribusi topik antar media. Berdasarkan hasil evaluasi pada dataset yang digunakan, NMF menunjukkan performa yang lebih baik dibandingkan LDA dalam konteks topic modeling berita online Indonesia.
Improving Memory Efficiency on Android: Leveraging Data Structures for Optimal Performance Muchamad Mafmudin; Lucia Nugraheni Harnaningrum
JURNAL INFORMATIKA DAN KOMPUTER Vol 9, No 3 (2025): Oktober 2025
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26798/jiko.v9i3.2131

Abstract

This study discusses strategies for increasing memory efficiency in Android application development using optimal data structures. In the era of growing mobile device usage, especially in Indonesia, where the number of users exceeds the total population, memory management has become a major challenge for Android developers. This study analyzes various data structures such as List, ArrayList, MutableList, and LinkedList, as well as comparisons between object and primitive data types in Kotlin. The results show that primitive data structures offer better memory efficiency and execution time than object-based data structures due to their simpler structure and lower complexity. Meanwhile, object data types like MutableList and ArrayList are more efficient for applications that require a balance between flexibility and performance, as they provide both primitive-like characteristics and useful built-in functions. This study also emphasizes the importance of understanding memory management and time complexity in optimizing Android application performance. Testing was conducted using both automated and manual methods. The findings show that Kotlin reduces memory usage by up to 2× and execution time by 28.6\% compared to Java. Among the evaluated structures, primitive arrays and LinkedLists showed the most stable memory performance, while MutableLists offered the best balance for object types.
Evaluasi Usabilitas dan Kinerja Pelaporan Aplikasi BOS V2 Bhabinkamtibmas: Kerangka Analitik SUS–Regresi dengan Rancangan Ekstensi Machine Learning Leo Nisya Sagita; Lucia Nugraheni Harnaningrum
Journal of Computers and Digital Business Vol. 5 No. 3 (2026): Articles in Press
Publisher : PT. Delitekno Media Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56427/jcbd.v5i3.1034

Abstract

Aplikasi mobile pelaporan internal Bhabinkamtibmas, seperti Binmas Online System versi 2 (BOS V2), menempati posisi strategis dalam infrastruktur pelaporan Polri, namun evaluasi usabilitasnya yang mengaitkan instrumen baku dengan kinerja pelaporan masih jarang didokumentasikan. Penelitian ini mengevaluasi usabilitas BOS V2 dan hubungannya dengan kinerja pelaporan melalui kerangka analitik kuantitatif yang menggabungkan System Usability Scale (SUS) versi Indonesia, korelasi Spearman, dan regresi linear berganda, dengan modul machine learning (K-Means, Random Forest, IndoBERT, dan BERTopic) diformalisasi sebagai ekstensi untuk studi lanjutan. Data diperoleh dari pilot survei terhadap 50 personel Bhabinkamtibmas pada lima Polres di wilayah Polda DIY. Skor SUS rata-rata 55,95 (SD = 14,92) menempatkan BOS V2 pada kategori marginal, dengan reliabilitas Cronbach's α = 0,761. Korelasi Spearman antara SUS dan kinerja pelaporan agregat kuat dan signifikan (ρ = 0,732; p < 0,001), sementara regresi berganda (n = 45) menghasilkan R² = 0,679 dengan SUS sebagai prediktor signifikan (β = 0,0371; p < 0,001). Diagnostik model menunjukkan asumsi klasik terpenuhi (VIF < 1,5; Breusch–Pagan p = 0,849; Shapiro–Wilk p = 0,191). Temuan menunjukkan penyederhanaan alur pengisian sebagai prioritas perbaikan, dan pipeline analitik siap diaktifkan pada studi validasi berskala penuh setelah izin institusional dan persetujuan etik diperoleh.
Co-Authors Latifah Nurrohmah Handayani Leo Nisya Sagita Muchamad Mafmudin