Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
P-Index
This Author published in this journals
All Journal REMIK : Riset dan E-Jurnal Manajemen Informatika Komputer Jurnal Minfo Polgan (JMP)
Luthfia Nurma Hapsari
Universitas Tiga Serangkai
Computer Science & IT Decision Sciences, Operations Research & Management Education Library & Information Science Mathematics Social Sciences

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

Found 3 Documents
Search

 1 
Audit Sistem Informasi Menggunakan Framework COBIT 4.1 pada Website Mydigilearn Telkom Indonesia Ilham Fannani; Luthfia Nurma Hapsari; Yenny Rahmawati; Ahmad Muhariya
REMIK: Riset dan E-Jurnal Manajemen Informatika Komputer Vol. 10 No. 1 (2026): Volume 10 Nomor 1 Januari 2026
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/remik.v10i1.15669

Abstract

Perkembangan teknologi saat ini tak bisa dibendung lagi. Kemajuan disetiap bidang tak lepas dari teknologi sebagai penunjangnya, terutama teknologi informasi. Akan tetapi hal tersebut harus dimbangi dengan adanya sebuah evaluasi atau audit terhadap sistem informasi sehingga ancaman atau kerugian dapat dihindari ataupun dicegah. Penelitian ini bertujuan mengetahui sejauh mana kinerja sistem informasi pembelajaran yaitu mydigilearn sebagai layanan publik yang telah diterapkan untuk karyawan internal Telkom Indonesia dan memberikan rekomendasi tata kelola perbaikan setelah mengetahui kesenjangan antara tatakelola saat ini dengan tatakelola yang diharapkan sesuai dengan framework yang digunakan. Framework yang digunakan dalam penelitian ini adalah COBIT versi 4.1 khusus pada domain Deliver and Support (DS). Teknik pengumpulan datanya dilakukan dengan wawancara dan kuisioner dengan narasumber yang telah ditentukan sesuai dengan domain dan Control Objective yang digunakan. Metode analisis data dilakukan beberapa tahap, yaitu penentuan domain, penentuan proses kontrol, penentuan indikator dan pemetaan tingkatkematangan. Hasil dari penelitian ini adalah untuk mengetahui tingkat kematangan (maturity level) pada implementasi mydigilearn Telkom Indonesia khusus pada Domain DS, yaitu berada pada level 4 yang berarti sudah terukur dan terintegrasi antar proses yang berlangsung. Dan analisa GAP antara kondisi yang diharapkan dengan kondisi saat ini rata-rata sebesar 0,6.
Explainable Machine Learning untuk Prediksi Risiko Penyakit Jantung Menggunakan Random Forest dan Analisis SHAP Luthfia Nurma Hapsari; Ilham Fannani; Yenny Rahmawati; Ahmad Muhariya
REMIK: Riset dan E-Jurnal Manajemen Informatika Komputer Vol. 10 No. 1 (2026): Volume 10 Nomor 1 Januari 2026
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/remik.v10i1.15766

Abstract

Penyakit jantung merupakan salah satu penyebab utama kematian di dunia, sehingga diperlukan metode yang efektif untuk memprediksi risiko penyakit tersebut secara dini. Penelitian ini bertujuan untuk menerapkan pendekatan machine learning berbasis Random Forest dalam memprediksi risiko penyakit jantung menggunakan data klinis pasien, serta meningkatkan transparansi model melalui pendekatan explainable machine learning menggunakan SHAP. Dataset yang digunakan merupakan data penyakit jantung publik yang berisi fitur-fitur klinis seperti usia, jenis kelamin, tekanan darah, kadar kolesterol, dan denyut jantung maksimum. Model Random Forest dilatih dan dievaluasi menggunakan data uji dengan metrik akurasi, precision, recall, dan F1-score. Hasil evaluasi menunjukkan bahwa model Random Forest memperoleh nilai akurasi sebesar 0,80 dan F1-score tertimbang sebesar 0,80. Selain itu, nilai recall sebesar 0,80 dan precision 0,82 pada kelas penyakit jantung menunjukkan bahwa model cukup efektif dalam mendeteksi pasien yang berisiko. Analisis interpretabilitas menggunakan SHAP menunjukkan bahwa fitur chest pain type, thalassemia, dan jumlah pembuluh darah utama merupakan fitur yang memiliki kontribusi paling besar terhadap prediksi risiko penyakit jantung. Hasil penelitian ini menunjukkan bahwa Random Forest dengan pendekatan explainable machine learning berbasis SHAP mampu memberikan prediksi yang cukup baik serta interpretasi model yang lebih transparan, sehingga berpotensi digunakan sebagai alat bantu analisis berbasis data pada prediksi risiko penyakit jantung. Kata kunci: penyakit jantung, machine learning, Random Forest, SHAP, explainable machine learning.
Prediksi Kelulusan Siswa Sekolah Menengah Menggunakan XGBoost dan Analisis Feature Importance Luthfia Nurma Hapsari; Dziky Ridhwanullah; Miftakhurrokhmat Miftakhurrokhmat
Jurnal Minfo Polgan Vol. 15 No. 2 (2026): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v15i2.15782

Abstract

Prediksi performa akademik (student performance) siswa sekolah menengah merupakan bagian penting dalam kajian educational data mining untuk mendukung pengambilan keputusan pendidikan dan perancangan intervensi dini bagi siswa berisiko gagal. Pendekatan machine learning telah banyak digunakan untuk prediksi kelulusan siswa, namun sebagian besar penelitian masih berfokus pada akurasi model dan kurang menekankan aspek interpretabilitas hasil prediksi. Padahal, pemahaman faktor-faktor yang memengaruhi kelulusan sangat dibutuhkan oleh praktisi pendidikan. Penelitian ini bertujuan membangun model prediksi kelulusan siswa sekolah menengah menggunakan algoritma XGBoost serta mengidentifikasi fitur-fitur paling berpengaruh melalui analisis feature importance sebagai dasar rekomendasi intervensi pendidikan. Metode penelitian ini berada dalam konteks educational data mining dengan memanfaatkan dataset Student Performance dari UCI Machine Learning Repository yang terdiri dari 395 siswa dan mencakup variabel akademik, sosial, serta demografis. Data diproses melalui encoding fitur kategorikal dan pembagian data secara stratified dengan rasio 80:20. Model XGBoost dilatih dan dievaluasi menggunakan metrik accuracy, precision, recall, dan F1-score, dengan perhatian khusus pada kelas minoritas siswa berisiko gagal. Hasil evaluasi menunjukkan bahwa model mencapai accuracy sebesar 0,71 dan Macro F1-score sebesar 0,63. Analisis feature importance mengidentifikasi jumlah kegagalan sebelumnya, status wali, dukungan pendidikan tambahan, dan jumlah ketidakhadiran sebagai faktor paling berpengaruh terhadap prediksi kelulusan siswa. Kesimpulan yang diperoleh model XGBoost mampu memberikan prediksi kelulusan siswa yang memadai dalam analisis student performance, sekaligus menyediakan interpretasi fitur yang informatif. Integrasi pendekatan educational data mining dengan analisis feature importance menjadikan model ini aplikatif sebagai alat bantu pengambilan keputusan dan perancangan intervensi pendidikan berbasis data.
Co-Authors Ahmad Muhariya Ahmad Muhariya Dziky Ridhwanullah Ilham Fannani Ilham Fannani Miftakhurrokhmat Miftakhurrokhmat Yenny Rahmawati Yenny Rahmawati