Article Per Year (5 Year)
p-Index From 2021 - 2026
0.92
P-Index
This Author published in this journals
All Journal Jurnal Informatika dan Teknik Elektro Terapan Jurnal Sistem Komputer dan Informatika (JSON) PROSISKO : Jurnal Pengembangan Riset dan observasi Rekayasa Sistem Komputer Portal Riset dan Inovasi Sistem Perangkat Lunak
Fanny Ramadhani
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Mechanical Engineering

Published : 5 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search

 1 
ANALISIS PERBANDINGAN K-MEANS DAN DBSCAN DALAM PENGELOMPOKAN DATA TRAVEL REVIEW RATINGS MENGGUNAKAN EVALUASI SILHOUETTE INDEX DAN DAVIES-BOULDIN INDEX Nezza Anggraini Yolandari; Lastri Elisabet Butarbutar; Gloria Citra Hasiana Rajagukguk; M. Fikri Zulfi; Arnita; Fanny Ramadhani
Jurnal Informatika dan Teknik Elektro Terapan Vol. 13 No. 3 (2025)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v13i3.6884

Abstract

Dalam era digital, data ulasan wisatawan menjadi sumber informasi penting untuk analisis preferensi dan pengambilan keputusan di sektor pariwisata. Teknik Clustering menjadi salah satu pendekatan yang efektif untuk mengidentifikasi pola tersembunyi dalam data ulasan tersebut. Penelitian ini bertujuan untuk membandingkan performa dua algoritma clustering, yaitu K-Means dan DBSCAN, dalam mengelompokkan data Travel Review Ratings. K-Means menggunakan Elbow Method untuk menentukan jumlah klaster optimal, sedangkan DBSCAN mengandalkan kepadatan data dengan parameter epsilon dan minPts. Evaluasi hasil klasterisasi dilakukan menggunakan metrik Silhouette Index (SI) dan Davies-Bouldin Index (DBI). Hasil penelitian menunjukkan bahwa DBSCAN menghasilkan performa yang lebih baik dibandingkan K-Means dengan nilai SI sebesar 0,27204 dan DBI sebesar 0,83869. DBSCAN dinilai lebih efektif dalam mengidentifikasi struktur klaster yang tidak beraturan serta menangani outlier, sehingga lebih cocok digunakan untuk dataset ulasan wisata yang kompleks.
Perancangan Sistem Informasi Pemesanan Coffeshop Berbasis Web Indah Purnama Sari; Fanny Ramadhani; Andy Satria; Dicky Apdilah
Portal Riset dan Inovasi Sistem Perangkat Lunak Vol. 2 No. 2 (2024): Artikel Penelitian
Publisher : SoraTekno Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59696/prinsip.v2i2.43

Abstract

Kopi merupakan minuman yang diseduh dari biji kopi yang telah disangrai dan digiling menjadi bubuk kopi. Selain rasa dan aroma kopi yang khas, kopi juga mengandung kafein yang dapat membantu mengurangi risiko terkena penyakit kanker, diabetes, jantung, dan berbagai penyakit lainnya. Oleh karena itu dibuatlah informasi terkait kopi, selain memberikan informasi tentang kopi juga melakukan proses jual beli. Kebutuhan yang disediakan adalah beberapa jenis kopi lokal yang ada di wilayah Indonesia. Pembuatan sistem ini menggunakan bahasa pemrograman PHP. Sistem yang dibuat memiliki beberapa fitur yaitu lokasi awal pengiriman barang di medan, proses pengiriman barang atau pesanan langsung dipilih oleh pelanggan. Jasa pengiriman yang digunakan adalah JNE, JTE dan Kantor Pos. Untuk transaksi pembelian barang, pelanggan dapat memilih metode pembayaran yang tersedia pada aplikasi yaitu melalui transfer atau menggunakan aplikasi OVO yang sudah terdaftar pada aplikasi.
Hybrid DAC-GA and K-Means for Spatial Clustering of Stunting Risk in North Sumatra Andy Satria; Ibnu Rusydi; Dian Septiana; Fanny Ramadhani
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 1 (2025): September 2025
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i1.9071

Abstract

Stunting continues to pose a severe global health concern, particularly in Indonesia, where prevalence rates persist above international standards despite recent advances in reduction initiatives. Accurately documenting the regional variation of stunting is critical to facilitate targeted interventions and successful policymaking. This paper offers a hybrid clustering framework that merges the classic K-Means approach with the Dynamic Artificial Chromosomes Genetic approach (DAC-GA) to increase the resilience and reliability of spatial analysis. The dataset used combines demographic and population statistics from the Central Bureau of Statistics (BPS), strategic policy documents from the Regional Medium-Term Development Plan (RPJMD) of North Sumatra, and health indicators including stunting prevalence data from the Ministry of Health of the Republic of Indonesia. The research approach consists of four primary phases: data preparation, clustering model construction, cluster evaluation, and geographical visualization. Three evaluation metrics Sum of Squared Errors (SSE), Davies–Bouldin Index (DBI), and Silhouette Coefficient were applied to validate clustering performance. Results demonstrate that DAC-GA dynamically determined the ideal number of clusters at k=2 in just 1.171677 seconds, classifying Kota Medan and Deli Serdang into the low-risk cluster, while all other districts were consistently put into the high-risk cluster. Both DAC-GA and standard K-Means yielded similar spatial maps, giving significant methodological validation and strengthening the dependability of the findings. The study reveals not just the technical advantages of DAC-GA in maximizing clustering but also its practical utility in guiding spatially targeted health interventions. Future research is recommended to add dimensionality reduction utilizing Principal Component Analysis (PCA) to improve computing efficiency and enhance the interpretability of clustering results.
Klasifikasi Data Tracer Study Dengan Pemanfaatan Data Mining Menggunakan Algoritma Support Vector Machine dan Neural Network Andi Zulherry; Fanny Ramadhani; Andy Satria
Portal Riset dan Inovasi Sistem Perangkat Lunak Vol. 2 No. 1 (2024): Artikel Penelitian
Publisher : SoraTekno Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59696/prinsip.v2i1.73

Abstract

Perguruan tinggi secara rutin melakukan Tracer Study setiap tahun bertujuan untuk mengimplementasikan kebutuhan data akreditasi di Universitas Muhammadiyah Sumatera Utara menggunakan teknik data mining. Penelitian ini fokus pada pemanfaatan kombinasi algoritma Support Vector Machine (SVM) dan Neural Network untuk mengoptimalkan klasifikasi data Tracer Study. SVM digunakan untuk mengatasi masalah klasifikasi non-linear dengan menemukan hyperplane optimal, sementara Neural Network digunakan untuk memodelkan dan mengenali pola kompleks dalam data. Metodologi penelitian meliputi pengumpulan data Tracer Study, preprocessing data, pelatihan model SVM dan Neural Network, serta evaluasi hasil klasifikasi. Hasil penelitian menunjukkan bahwa kombinasi SVM dan Neural Network secara signifikan meningkatkan akurasi dan kehandalan klasifikasi data Tracer Study, memberikan wawasan yang berharga bagi pengambil kebijakan akademis dan penyusun kurikulum di Universitas Muhammadiyah Sumatera Utara.
OPTIMALISASI DETEKSI KECURANGAN PADA TRANSAKSI E-WALLET MENGGUNAKAN ALGORITMA ISOLATION FOREST BERBASIS BIG DATA Anggi Silalahi; Azhara Amelia H; Sabrina Akva; Desni Paramitha Purba; Fanny Ramadhani; Arnita
PROSISKO: Jurnal Pengembangan Riset dan Observasi Sistem Komputer Vol. 12 No. 3 (2025): Prosisko Vol. 12 No. 3 November 2025
Publisher : Pogram Studi Sistem Komputer Universitas Serang Raya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30656/prosisko.v12i3.10738

Abstract

Kemajuan teknologi finansial telah mendorong adopsi layanan dompet digital (e-wallet) secara luas. Namun, peningkatan volume transaksi juga membawa risiko keamanan yang tinggi, khususnya terkait aktivitas kecurangan. Penelitian ini bertujuan membangun sistem deteksi kecurangan pada transaksi e-wallet menggunakan algoritma Isolation Forest, yang mampu mengidentifikasi anomali secara efisien tanpa memerlukan data berlabel. Dataset yang digunakan terdiri dari 6.362.620 transaksi e-wallet yang mencakup atribut numerik dan kategorikal. Proses penelitian meliputi tahapan preprocessing data, pelatihan model, dan evaluasi kinerja dengan metrik precision, recall, dan F1-score. Hasil evaluasi menunjukkan bahwa meskipun akurasi model mencapai 99%, recall terhadap transaksi fraud masih rendah, yaitu sebesar 4%, menandakan perlunya pendekatan lanjutan untuk meningkatkan sensitivitas model. Penelitian ini menunjukkan potensi Isolation Forest dalam mendeteksi pola transaksi anomali pada data berukuran besar serta memberikan dasar untuk pengembangan sistem keamanan finansial berbasis data.
Co-Authors Andi Zulherry Andy Satria Anggi Silalahi Arnita Azhara Amelia H Desni Paramitha Purba Dian Septiana Dicky Apdilah Gloria Citra Hasiana Rajagukguk Ibnu Rusydi Indah Purnama Sari Lastri Elisabet Butarbutar M. Fikri Zulfi Nezza Anggraini Yolandari Sabrina Akva