Article Per Year (5 Year)
p-Index From 2021 - 2026
0.751
P-Index
This Author published in this journals
All Journal bit-Tech Jurnal Pengabdian Masyarakat dan Riset Pendidikan
Devi Fajar Wati
Universitas Horizon Indonesia
Humanities Computer Science & IT Education Languange, Linguistic, Communication & Media Mathematics Other

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
Pengembangan Chatbot Berbasis Web untuk Layanan Informasi di Horizon University Deden Moh Alfiansyah; Wiilys; Lila Setiyani; Devi Fajar Wati; Dedih
bit-Tech Vol. 7 No. 3 (2025): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v7i3.2318

Abstract

Layanan customer service di perguruan tinggi sering kali menghadapi berbagai kendala, khususnya dalam hal kecepatan respon dan keterbatasan sumber daya manusia. Permintaan informasi dari mahasiswa yang tinggi, terutama pada masa-masa tertentu seperti awal semester atau saat pendaftaran ulang, tidak selalu dapat direspon secara cepat dan efisien oleh staf administrasi. Untuk menjawab tantangan ini, penelitian ini bertujuan mengembangkan HORIBOT, sebuah chatbot berbasis web yang dirancang untuk mendukung dan meningkatkan kualitas layanan informasi di Horizon University. Penelitian ini menggunakan metode Research and Development (R&D) dengan pendekatan model Waterfall dalam proses pengembangannya. HORIBOT dibangun menggunakan bahasa pemrograman PHP dan database MySQL, dengan logika chatbot berbasis rule-based, yang memungkinkan sistem menjawab berbagai pertanyaan umum secara otomatis berdasarkan pola dan kata kunci tertentu. Beberapa informasi yang dapat diberikan oleh HORIBOT antara lain: jadwal perkuliahan, biaya pendidikan, prosedur pendaftaran, serta informasi akademik lainnya yang sering ditanyakan mahasiswa. Hasil dari pengujian black-box menunjukkan bahwa seluruh fitur utama dari HORIBOT berjalan dengan baik tanpa ditemukan bug yang signifikan. Selanjutnya, dilakukan evaluasi kepada pengguna akhir, dan hasilnya menunjukkan bahwa lebih dari 85% responden merasa puas dengan performa chatbot ini, baik dari segi kecepatan, akurasi jawaban, maupun kemudahan penggunaan. Dari hasil penelitian ini, dapat disimpulkan bahwa HORIBOT mampu memberikan kontribusi nyata dalam meningkatkan efisiensi layanan informasi di lingkungan perguruan tinggi. Untuk pengembangan lebih lanjut, disarankan integrasi teknologi Natural Language Processing (NLP) guna meningkatkan kemampuan memahami bahasa alami pengguna, serta perluasan layanan ke platform populer seperti WhatsApp atau Telegram agar lebih mudah dijangkau oleh seluruh civitas akademika.
AI-Based Habit Reminder For Mewing Exercise: Pengembangan Aplikasi Mobile Berbasis Kecerdasan Buatan untuk Meningkatkan Konsistensi Praktik Mewing : Penelitian Deden Moch Alfiansyah; Lila Setiyani; Devi Fajar Wati; M. Jembar Jomantara; Dedih Dedih; Anwar Hilman
Jurnal Pengabdian Masyarakat dan Riset Pendidikan Vol. 4 No. 4 (2026): Jurnal Pengabdian Masyarakat dan Riset Pendidikan Volume 4 Nomor 4 April - Juni
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/jerkin.v4i4.6468

Abstract

Mewing merupakan teknik postur lingual yang dikembangkan oleh Dr. John Mew yang bertujuan untuk memperbaiki perkembangan kraniofasial melalui penempatan lidah yang benar pada langit-langit mulut. Meskipun manfaat mewing telah mendapat perhatian luas, tantangan utama yang dihadapi praktisi adalah rendahnya konsistensi dalam menjalankan latihan secara rutin. Penelitian ini menyajikan pengembangan aplikasi mobile bernama MewingAI yang memanfaatkan kecerdasan buatan untuk memberikan pengingat berbasis kebiasaan yang dipersonalisasi. Aplikasi dikembangkan menggunakan Flutter dengan backend Firebase dan model machine learning Random Forest Classifier untuk menganalisis pola perilaku pengguna. Evaluasi dilakukan melalui User Acceptance Testing (UAT) dan System Usability Scale (SUS) terhadap 30 partisipan selama empat minggu. Hasil menunjukkan peningkatan konsistensi mewing sebesar 40,6% (dari 42,5% menjadi 83,1%) pada kelompok eksperimen dibandingkan kelompok kontrol yang hanya meningkat 2,4%. Skor SUS rata-rata sebesar 80,3 (kategori "Good") mengindikasikan tingkat usabilitas yang memadai. Penelitian ini membuktikan bahwa sistem AI-based habit reminder dapat secara signifikan meningkatkan konsistensi praktik mewing (p < 0,001).
Prediksi Emosi Penonton Konser Berbasis AI: Sebelum dan Sesudah Pengalaman Musik: Penelitian Muhammad Jomantara; Lila Setiyani; Deden Moch Alfiansyah; Devi Fajar Wati; Dedih; Arif Budimansyah Purba
Jurnal Pengabdian Masyarakat dan Riset Pendidikan Vol. 4 No. 4 (2026): Jurnal Pengabdian Masyarakat dan Riset Pendidikan Volume 4 Nomor 4 April - Juni
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/jerkin.v4i4.6643

Abstract

Emosi penonton konser merupakan aspek psikologis penting yang memengaruhi kualitas pengalaman hiburan, keterlibatan audiens, dan kepuasan individu dalam menikmati pertunjukan musik secara langsung. Namun, dinamika emosi penonton cenderung berubah secara cepat dipengaruhi oleh suasana acara, performa musisi, interaksi sosial, dan pengalaman personal selama konser berlangsung. Penelitian ini bertujuan mengembangkan model deep learning multimodal untuk menganalisis emosi penonton konser menggunakan data visual dan perilaku audiens. Pendekatan yang diusulkan mengintegrasikan data ekspresi wajah, perilaku penonton, dan interaksi digital untuk meningkatkan akurasi analisis emosi. Arsitektur hybrid Convolutional Neural Network (CNN) dan Bidirectional Long Short-Term Memory (BiLSTM) digunakan untuk menangkap pola spasial dan temporal dari data multimodal. Model dirancang untuk melakukan analisis emosi secara real-time serta mengidentifikasi perubahan emosional pada lingkungan dinamis seperti konser musik langsung, festival, dan pertunjukan hiburan digital. Metode penelitian meliputi pengumpulan data menggunakan sensor kamera, pra-pemrosesan data, pengembangan model, dan evaluasi performa menggunakan metrik accuracy, precision, recall, F1-score, dan RMSE. Hasil akhir penelitian berupa model deep learning multimodal yang mampu menganalisis emosi penonton konser secara lebih adaptif dibandingkan pendekatan unimodal.
Model Deep Learning untuk Mendeteksi dan Memprediksi Konsentrasi Manusia dalam Lingkungan Dinamis: Penelitian Devi Fajar Wati; Lila Setiyani; Deden Moch Alfiansyah; M. Jembar Jomantara; Dedih Dedih; M. Ridho Darmawan
Jurnal Pengabdian Masyarakat dan Riset Pendidikan Vol. 4 No. 4 (2026): Jurnal Pengabdian Masyarakat dan Riset Pendidikan Volume 4 Nomor 4 April - Juni
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/jerkin.v4i4.6336

Abstract

Konsentrasi manusia merupakan aspek kognitif penting yang memengaruhi efektivitas belajar, produktivitas kerja, dan keselamatan dalam aktivitas sehari-hari. Namun, meningkatnya distraksi digital dan lingkungan yang dinamis membuat individu semakin sulit mempertahankan fokus secara konsisten. Penelitian sebelumnya umumnya hanya berfokus pada deteksi tingkat konsentrasi dalam lingkungan laboratorium yang terkontrol dan belum banyak membahas prediksi perubahan konsentrasi secara real-time pada situasi dinamis. Penelitian ini bertujuan mengembangkan model deep learning multimodal untuk mendeteksi dan memprediksi tingkat konsentrasi manusia menggunakan data fisiologis dan perilaku. Pendekatan yang diusulkan mengintegrasikan sinyal electroencephalography (EEG), eye-tracking, dan perilaku interaksi digital untuk meningkatkan akurasi analisis konsentrasi. Arsitektur hybrid Convolutional Neural Network (CNN) dan Bidirectional Long Short-Term Memory (BiLSTM) digunakan untuk menangkap pola spasial dan temporal dari data multimodal. Model dirancang untuk melakukan deteksi konsentrasi secara real-time serta memprediksi perubahan fokus jangka pendek pada lingkungan dinamis seperti pembelajaran daring, aktivitas multitasking, dan simulasi mengemudi. Metode penelitian meliputi pengumpulan data, pra-pemrosesan, pengembangan model, dan evaluasi performa menggunakan metrik accuracy, precision, recall, F1-score, dan RMSE. Hasil akhir penelitian berupa model deep learning multimodal yang mampu mendeteksi dan memprediksi tingkat konsentrasi manusia secara lebih adaptif dibandingkan pendekatan unimodal. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan teknologi kecerdasan buatan pada bidang pendidikan, kesehatan digital, dan keselamatan kerja..
Co-Authors Anwar Hilman Arif Budimansyah Purba Deden Moch Alfiansyah Deden Moh Alfiansyah Dedih Dedih Dedih Lila Setiyani M. Jembar Jomantara M. Ridho Darmawan Muhammad Jomantara Wiilys