Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal E-Link: Jurnal Teknik Elektro dan Informatika Science Contribution to Society Journal
Dwi Utari Surya
Universitas Brawijaya
Religion Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Mathematics Mechanical Engineering Nursing Public Health Social Sciences

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

Found 3 Documents
Search

 1 
PEMODELAN PREDIKSI KELULUSAN TEPAT WAKTU MAHASISWA D3 TEKNOLOGI INFORMASI MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS (KNN) Salnan Ratih Asriningtias; Dwi Utari Surya; Eka Ratri Noor Wulandari; Mochamad Dimas Putra Hermawan; Rifqi Alfiansyah Kamil; David Kurniawan
E-Link: Jurnal Teknik Elektro dan Informatika Vol. 20 No. 2: Oktober 2025
Publisher : Universitas Muhammadiyah Gresik

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30587/e-link.v20i2.10963

Abstract

Peningkatan jumlah mahasiswa pada Program Studi D3 Teknologi Informasi menyebabkan pengelolaan kelulusan tepat waktu menjadi semakin menantang. Dalam konteks ini, metode machine learning digunakan untuk menganalisis pola secara komprehensif dan memprediksi tingkat kelulusan tepat waktu. Dataset yang digunakan berjumlah 608 mahasiswa yang terdiri dari angkatan 2018 hingga 2020, dengan atribut seperti IPK Semester 1–6, jenis kelamin, serta jalur masuk, yang keseluruhannya berkontribusi pada pemahaman faktor-faktor yang memengaruhi kelulusan tepat waktu. Penelitian ini menerapkan dan mengevaluasi algoritma machine learning, khususnya K-Nearest Neighbors (KNN). Proses pemodelan dilakukan melalui pembagian data menggunakan metode train-test split dengan rasio 70:30 dan divalidasi lebih lanjut menggunakan 10-fold cross-validation untuk memastikan kemampuan generalisasi model. Evaluasi kinerja model dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model KNN menghasilkan performa terbaik dengan nilai accuracy sebesar 84%, precision 79%, recall 98%, dan F1-score 87%, melampaui performa Decision Tree dan Random Forest. Tingginya nilai recall menunjukkan kemampuan KNN yang sangat baik dalam mendeteksi mahasiswa yang berpotensi lulus tepat waktu. Kebaruan penelitian ini terletak pada penerapan dan evaluasi komprehensif model KNN dengan validasi berlapis (train-test split dan cross-validation) pada konteks Program Studi D3 Teknologi Informasi di Indonesia, yang masih jarang dikaji dalam penelitian sebelumnya. Temuan ini diharapkan dapat menjadi dasar pengambilan keputusan akademik dalam perencanaan intervensi dini guna meningkatkan capaian kelulusan tepat waktu mahasiswa.
Implementasi dan Evaluasi Website Profil Desa untuk Optimalisasi Promosi Potensi Wisata dan UMKM: Studi Kasus Desa Ketindan Zikrie Pramudia Alfarhisi; Salnan Ratih Asriningtias; Novita Rosyida; Dwi Utari Surya
Kontibusi: Jurnal Kontribusi Kepada Masyarakat Vol 6 No 1 (2026): July, Science Contribution to Society Journal
Publisher : Universitas Islam Balitar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35457/scs.v6i1.5322

Abstract

The rapid development of information technology has encouraged the use of the internet as an effective source of information and promotional media. Ketindan Village in Lawang District, Malang Regency, has tourism potential and local Micro, Small, and Medium Enterprises (MSMEs) that have not been optimally promoted. This community service program aims to implement a village profile website as a platform for public information and local promotion. The methods include preliminary study, problem identification, data collection, needs analysis, website development, testing, installation, and training. The results show that the developed website enhances information accessibility, expands MSME and tourism promotion reach, and encourages community participation in digital publication. The effectiveness of publication increased monthly visitor, supported by an increase in published product information. The operator training improves the capacity to update website content. Therefore, implementing a village profile website supports digital village development strategies and expands the reach of village promotion.
GENERALISASI TEMPORAL MODEL KLASIK DAN MODEL BERBASIS TRANSFORMER UNTUK KLASIFIKASI SENTIMEN TINGKAT TARGET PADA JUDUL BERITA PERBANKAN INDONESIA Eka Ratri Noor W; Salnan Ratih Asriningtias; Dwi Utari Surya; Harnan Malik Abdullah; Rachmad Andri Atmoko; Muhammad Rifqi Ardhian; Mochamad Surya Rafliansyah; Mahendra Dwi Purwanto
E-Link: Jurnal Teknik Elektro dan Informatika Vol. 21 No. 2 (2026) : Oktober 2026
Publisher : Universitas Muhammadiyah Gresik

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30587/e-link.v21i2.12686

Abstract

Klasifikasi sentimen tingkat target (target-level sentiment classification) pada judul berita berbahasa Indonesia menghadapi tantangan berupa keterbatasan konteks, ketidakseimbangan kelas, dan perubahan narasi pemberitaan. Penelitian ini bertujuan mengevaluasi kinerja model klasik dan IndoBERT dalam mengklasifikasikan sentimen tingkat target pada judul berita mengenai BCA, BNI, BRI, Bank Mandiri, dan BSI. Dataset gold standard disusun dari 2.000 judul berita yang diterbitkan pada tahun 2023–2025 melalui anotasi manual dan adjudikasi (penyelesaian ketidaksepakatan antaranotator). Kesepakatan antaranotator (inter-annotator agreement) menghasilkan Cohen's kappa sebesar 0,884 untuk relevansi dan 0,772 untuk sentimen. Sebanyak 1.957 judul yang dinyatakan relevan diberi label negatif, netral, atau positif. Model klasik berupa logistic regression dan linear support vector machine (SVM) dengan representasi term frequency–inverse document frequency (TF-IDF) kata serta gabungan kata dan karakter. Evaluasi model klasik dilakukan melalui validasi silang 5-fold berbasis grup (group-aware cross-validation), sedangkan perbandingan dengan IndoBERT dilakukan melalui pengujian temporal menggunakan data 2023–2024 sebagai development set (pelatihan dan validasi) dan 538 judul 2025 sebagai data uji temporal terkunci (locked temporal test set). Hasil pengujian temporal menunjukkan bahwa SVM dengan fitur gabungan kata dan karakter mencapai Macro-F1 sebesar 0,8278 dan akurasi sebesar 0,9015. IndoBERT memperoleh Macro-F1 tertinggi sebesar 0,8592 dan balanced accuracy sebesar 0,8753. Sentimen negatif menjadi kelas yang paling sulit diklasifikasikan, sementara kinerja model bervariasi antarbank. Hasil tersebut menunjukkan bahwa IndoBERT lebih baik dalam mengenali ketiga kelas secara seimbang, sedangkan SVM menghasilkan akurasi keseluruhan yang lebih tinggi pada data uji. Kedua pendekatan berpotensi mendukung penyaringan judul berita dalam pemantauan media perbankan.
Co-Authors David Kurniawan Eka Ratri Noor W Eka Ratri Noor Wulandari Harnan Malik Abdullah Mahendra Dwi Purwanto Mochamad Dimas Putra Hermawan Mochamad Surya Rafliansyah Muhammad Rifqi Ardhian Novita Rosyida Rachmad Andri Atmoko Rifqi Alfiansyah Kamil Salnan Ratih Asriningtias, Salnan Ratih Zikrie Pramudia Alfarhisi