Ika Kurniawati
Universitas Bina Sarana Informatika

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

Found 5 Documents
Search

Klasifikasi Indikator Kesehatan Diabetes Menggunakan Algoritma Random Forest Haura Syahla; Haris Izzudin; Fariz Aditya Pratama; Beni Rahmatullah; Ahmad Jurnaidi Wahidin; Ika Kurniawati
Jurnal Teknik Informatika dan Teknologi Informasi Vol. 5 No. 3 (2025): Desember: Jurnal Teknik Informatika dan Teknologi Informasi
Publisher : Lembaga Pengembangan Kinerja Dosen

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55606/jutiti.v5i3.6338

Abstract

Diabetes continues to rise as a global health concern, highlighting the need for analytical methods that can assist in earlier and more accurate detection. This study aims to classify diabetes conditions using the Random Forest algorithm implemented through the Orange Data Mining platform. The dataset used contains various health-related attributes such as glucose levels, blood pressure, body mass index, age, and other clinical indicators associated with diabetes risk. Random Forest was selected due to its ability to produce stable models, handle large and complex datasets, and minimize overfitting by combining multiple decision trees. The research process includes data preprocessing, splitting the dataset into training and testing portions, building the Random Forest model, and evaluating its performance using metrics such as accuracy, precision, recall, F1-score, and confusion matrix. The results indicate that Random Forest delivers strong and consistent performance in classifying diabetes conditions based on the given health indicators. These findings suggest that employing data mining techniques especially Random Forest within Orange—can serve as a practical and reliable approach to support medical analysis and assist healthcare practitioners in achieving earlier and more accurate diabetes detection.                                                          
Analisis dan Evaluasi Usability Website Bank Woori Saudara Indonesia Menggunakan Metode Usability Testing Mutiara Putri Anjani; Ika Kurniawati; Fachri Amsury; Heriyanto Heriyanto
Jurnal Infortech Vol. 7 No. 1 (2025): Juni 2025
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/infortech.v7i1.12362

Abstract

Website Bank Woori Saudara (BWS) yang mulai aktif sejak 2014 hingga penelitian ini dilakukan masih dalam tahap pengembangan dan belum pernah dievaluasi dengan menyeluruh. Sebagai platform digital yang mendukung aktivitas perbankan, website BWS menyediakan berbagai informasi dan layanan. Salah satu aspek terpenting yang menentukan kualitas sebuah website adalah usability atau kegunaan. Evaluasi terhadap kegunaan dan efektivitas website menjadi penting untuk meningkatkan kemudahan serta loyalitas pengguna. Penelitian ini bertujuan untuk mengidentifikasi masalah pada website BWS dengan menerapkan metode Usability Testing berdasarkan lima aspek, yaitu aspek Learnability (kegunaan), Memorability (kemudahan dalam mengingat), Efficiency (efisiensi), Error (pencegahan kesalahan) dan Satisfaction (kepuasan pengguna). Metode pengumpulan data dilakukan melalui pengamatan langsung, wawancara, dan angket secara daring. Penentuan jumlah sampel menggunakan teknik Simple Random Sampling dengan jumlah responden sebanyak 100 user, sementara analisis data dilakukan dengan statistik deskriptif dan uji Independent Sample T-Test menggunakan SPSS. Hasil evaluasi usability pada website BWS mengindikasikan bahwa variabel Learnability, Efficiency, dan Errors memiliki pengaruh signifikan terhadap tingkat kepuasan pengguna. Sebaliknya, Memorability tidak menunjukkan pengaruh signifikan dan perlu ditingkatkan. Untuk meningkatkan usability secara keseluruhan, disarankan agar website BWS memperbarui informasi, memperbaiki fitur yang ada, menambahkan fitur “Daftar” dan “Search Engine”, serta meningkatkan aspek Efficiency dan mengurangi kesalahan (Errors), sambil tetap menjaga aspek Memorability. Evaluasi juga perlu dilakukan secara berkala dengan melibatkan pengguna secara langsung. Dapat disimpulkan penelitian ini menekankan bahwa peningkatan aspek usability seperti pembaruan informasi, efisiensi navigasi, dan minimisasi kesalahan dapat meningkatkan kepuasan pengguna, sehingga website BWS dapat memenuhi standar usability yang baik dan memberikan kontribusi positif terhadap kualitas layanan perbankan secara keseluruhan.
PERBANDINGAN ALGORITMA MACHINE LEARNING UNTUK SENTIMEN ULASAN APLIKASI JOBSTREET Fadhil Marzuqi; Yerico Purba; Thalut Syaputra; Waeisul Bismi; Ika Kurniawati; Riza Fahlapi
INFOTECH journal Vol. 11 No. 2 (2025)
Publisher : Universitas Majalengka

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31949/infotech.v11i2.16609

Abstract

ABSTRAK Analisis sentiment digunakan untuk mengidentifikasi opini pengguna terhadap aplikasi digital berdasarkan teks ulasan. JobStreet sebagai platform rekrutmen yang populer memiliki ribuan ulasan pada Google Play Store, sehingga sesuai untuk dianalisis menggunakan pendekatan machine learning. Penelitian ini membandingkan empat algoritma—Naïve Bayes, Support Vector Machine (SVM), Logistic Regression, dan Random Forest—untuk menentukan model terbaik dalam klasifikasi sentimen ulasan JobStreet. Sebanyak 5.000 ulasan dikumpulkan menggunakan google-play-scraper, kemudian diproses melalui preprocessing yang meliputi casefolding, tokenizing, stopword removal, normalisasi, dan stemming. Setelah pembersihan, 3.846 ulasan valid direpresentasikan menggunakan TF-IDF. Evaluasi dilakukan dengan skema train-test split 80:20 dan 5-Fold Cross Validation. Hasil menunjukan bahwa Naïve Bayes memperoleh akurasi tertinggi 85.19%, diikuti Logistic Regression 84.42%, Random Forest 82.60%, dan SVM 81.69%. hasil dalam memproses teks pendek. Penelitian ini memberikan Gambaran komprehensif mengenai model terbaik untuk menganalisis sentimen aplikasi rekrutmen digital berbasis ulasan pengguna.
PENDEKATAN MODEL REGRESI LINIER DALAM MEMPREDIKSI HARGA RUMAH DI WILAYAH TANGERANG Dava Al Riziq; Muhamad Abdul Salam; Dhiaulhaq Ramadhan; Waeisul Bismi; Ika Kurniawati; Rizal Fahlapi
INFOTECH journal Vol. 12 No. 1 (2026)
Publisher : Universitas Majalengka

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31949/infotech.v12i1.17335

Abstract

Harga rumah di wilayah perkotaan dipengaruhi oleh berbagai karakteristik fisik bangunan dan lahan yang bersifat kompleks. Penelitian tujuannya menilai kinerja algoritma regresi linier memperkirakan harga rumah di Kota Tangerang berdasarkan data fisik rumah. Variabel dipergunakan meliputi luas tanah, luas bangunan, jumlah kamar tidur, jumlah kamar mandi. Dataset didapat pada situs properti daring dengan 220 data awal, setelah preprocessing menghasilkan 196 data bersih. Pemodelan dilakukan menggunakan RapidMiner pembagian data 80% data latih dan 20% data uji. Evaluasi dilakukan menggunakan MAE, RMSE, R². Temuan penelitian melihatkan nilai MAE 702.585.838, RMSE sebesar 1.263.497.273, R² 0,839. Nilai error relatif besar melihatkan regresi linier belum mampu mencapai tingkat akurasi yang tinggi, namun nilai R² menunjukkan kemampuan model dalam menjelaskan sebagian besar variasi harga rumah. Oleh karena itu, regresi linier masih layak digunakan sebagai model dasar dalam prediksi harga rumah.
PENERAPAN MACHINE LEARNING UNTUK ANALISIS SENTIMEN PROGRAM MBG PADA PLATFORM X DAN YOUTUBE Putra Muamar Kadafi; Hildan Zafa Riyadi; Raka Satria Gumilang Raya; Ika Kurniawati; Waeisul Bismi; Riza Fahlapi
INFOTECH journal Vol. 12 No. 1 (2026)
Publisher : Universitas Majalengka

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31949/infotech.v12i1.17472

Abstract

Program Makan Bergizi Gratis (MBG) merupakan kebijakan nasional yang bertujuan meningkatkan kualitas gizi anak sekolah dan menekan angka stunting. Implementasi program ini menimbulkan beragam respons di media sosial yang mencerminkan persepsi publik terhadap efektivitas kebijakan. Penelitian ini bertujuan menganalisis sentimen masyarakat terhadap Program MBG berdasarkan data dari platform X dan YouTube serta membandingkan kinerja model Support Vector Machine (SVM), Random Forest, dan Long Short-Term Memory (LSTM).  Data dikumpulkan melalui teknik web scraping dan diproses melalui tahapan pra-pemrosesan dan ekstraksi fitur menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF), ulasan dikategorikan menjadi 3 kelas sentimen positif, negatif, dan netral. Evaluasi model diukur menggunakan metrik akurasi, presisi, recall, dan F1-score. Model Random Forest menunjukkan kinerja yang unggul, mencapai akurasi, sebesar 87,2%.  LSTM memperoleh performa yang cukup tinggi dengan akurasi, recall, dan recall sebesar 81,8% serta 81,7 untuk F1-score. Sementara SVM memiliki performa yang rendah dibanding kedua model lainnya, dengan akurasi, presisi, recall, dan F1-score sebesar 79,1%.  Hasil studi menunjukkan bahwa Random Forest terbukti lebih stabil terhadap variasi data seperti teks dan penanganan data tidak seimbang, serta lebih tahan terhadap overfitting.  Studi ini diharapkan dapat memberikan tinjauan komparatif dari tiga algoritma populer untuk analisis sentimen dan dapat digunakan sebagai referensi untuk memilih metode klasifikasi untuk ulasan bebahasa Indonesia.