Article Per Year (5 Year)
p-Index From 2020 - 2025
1.554
P-Index
This Author published in this journals
All Journal JurTI (JURNAL TEKNOLOGI INFORMASI) Journal of Information Systems and Informatics Infotek : Jurnal Informatika dan Teknologi Jurnal Ekonomi dan Teknik Informatika Jurnal Pustaka Data : Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer Abdi Wina : Jurnal Pengabdian Kepada Masyarakat Universitas Kristen Wira Wacana Sumba
Winarnie
Universitas Satu
Agriculture, Biological Sciences & Forestry Computer Science & IT Control & Systems Engineering Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Mechanical Engineering Medicine & Pharmacology Public Health Social Sciences Veterinary

Published : 9 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 9 Documents
Search

 1 
Pengurangan Dimensi dengan Metode Linear Discriminant Analist (LDA) Winarnie Winarnie; Kusrini Kusrini; Anggit Dwi Hartanto
Infotek: Jurnal Informatika dan Teknologi Vol. 6 No. 2 (2023): Infotek : Jurnal Informatika dan Teknologi
Publisher : Fakultas Teknik Universitas Hamzanwadi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29408/jit.v6i2.10069

Abstract

The purpose of this study is to reduce the dimensions of the dataset that affect the prediction of breast cancer. The data used in research is very much data or is called high-dimensional data. The use of classification algorithms has weaknesses when used on high-dimensional data, so an appropriate method is needed to reduce the dimensions or variables used. There are several methods that can be used to reduce dimensions. In this study using the method of linear discriminant analysis (LDA). LDA is a supervised machine learning algorithm that is used to classify data into several classes, using a linear technique to determine the best set of linear variables to unify class data. LDA is used to reduce the dataset variables used by retaining information that is important for the classification process. The method used in this research is using LDA in data processing and then using a logistic regression model for the classification process. The conclusion obtained in this study is that LDA can overcome the problem of multiclass classification. The results obtained were 16 wrong cases out of a total of 455 cases so that the results obtained were 0.035% misclassification.
Perbandingan Algoritma untuk Analisis Sentimen Terhadap Google Play Store Menggunakan Machine Learning Hery Oktafiandi; Winarnie Winarnie; Sayid M. Raziq Olajuwon
Jurnal Ekonomi dan Teknik Informatika Vol 11 No 2 (2023): JURNAL EKONOMI DAN TEKNIK INFORMATIKA
Publisher : Politeknik Sawunggalih Aji

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37601/jneti.v11i2.234

Abstract

Banyaknya aplikasi yang tersedia pada google playstore memudahkan para pengguna untuk memiilih aplikasi yang sesuai dengan kebutuhannya. Pengguna aplikasi pada google playstore memiliki sedikit kesulitan dalam memilih aplikasi mana saja yang baik performancenya karena terlalu banyaknya pilihan aplikasi yang tersedia. Para pengembang aplikasi menyediakan kolom komentar untuk review para pengguna aplikasi. Dengan review ini para calon pengguna aplikasi dapat memutuskan apakah menggunakan atau tidak, sedangkan untuk pengembang, review sangat dibutuhkan karena dapat melihat pencapaian kinerja dari aplikasi yang telah dibuat. Pada penelitian ini dilakukan untuk membandingkan tiga algorima machine learning yaitu : naives bayes, k-nearest neighbors dan radom forest untuk membandingkan nilai akurasi pada setiap algoritma berdasarkan sentimen pengguna. Pada penelitian ini dataset didapat dari scraping langsung dari aplikasi yang tersedia pada google play. Data kemudian diseleksi dan diberi label/klas. Pada penelitian ini dilakuakan percobaan dengan menggunakan jumlah dataset yang berbeda yaitu 40 dataset, 100 dataset dan 1000 dataset. Hasil akurasi yang didapar pada penggunaan dataset 1000 data diperoleh hasil akurasi untuk algoritma naïve bayes sebesar 79%, algoritma k nearest neighbors sebesar 77% dan algoritma random forest sebesar 75%.
PENGENALAN DASAR ANALISIS DATA DENGAN PEMROGRAMAN PYTHON DALAM PROGRAM GURU AHLI PADA JURUSAN AKL SMKN 2 PURWOREJO Oktafiandi, Hery; Winarnie, Winarnie; Ayuningtyas, Pratika
ABDI WINA JURNAL PENGABDIAN KEPADA MASYARAKAT Vol. 3 No. 1 (2023): Abdi Wina Edisi Juni 2023
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat Universitas Kristen Wira Wacana Sumba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58300/abdiwina.v3i1.440

Abstract

Analisis data merupakan pengolahan data yang diproses sedemikian rupa berdasar tipe dan karakteristiknya dan memiliki tujuan mendapatkan informasi yang berguna serta dapat dijadikan dasar dalam pengambilan keputusan suatu masalah yang dihadapi oleh institusi atau bagian yang terkait. SMKN 2 Purworejo dalam hal ini jurusan Akuntansi mencoba mengenalkan proses analisis data dengan pemrograman python kepada siswa-siswa jurusan Akuntansi kelas X dalam program Guru Ahli. Kegiatan ini diikuti oleh 4 kelas dari Kelas X jurusan Akuntansi yang dibagi menjadi 2 hari kegiatan, dimana masing-masing 2 kelas dalam satu hari. Pelaksanaan kegiatan pengenalan dasar analisis data dengan pemrograman python dengan durasi 3 jam untuk masing-masing kelas, langsung mengerjakan program dasar python dan dilanjutkan untuk menyelesaikan 2 contoh kasus analisa data yang berbeda. Hasil program Guru Ahli ini, siswa dapat mengerjakan kasus proses analisa data dengan pemrograman python dan menyimpulkan hasil dari analisa tersebut. Hasil akhir data disajikan dalam bentuk grafik atau plot yang memudahkan orang lain untuk memahaminya. Kata kunci: Analisis Data, Pemrograman Python, SMK, Akuntansi, Program Guru Ahli
Pemanfaatan Sequential Convolutional Neural Networks pada Deteksi Malware Android Winarnie, Winarnie
Jurnal Ekonomi dan Teknik Informatika (JNETI) Vol 12 No 1 (2024): Jurnal Ekonomi dan Teknik Informatika
Publisher : Politeknik Sawunggalih Aji

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37601/jneti.v12i1.257

Abstract

Sistem operasi mobile yang paling banyak digunakan sekarang ini adalah Android . Kesuksesan android ini juga berdampak pada system keamanan data yang terancan dengan timbulnya penyebaran malware pada platform Android. Ada beberapa aplikasi yang menggunakan android pada google play store yang terkena malware. Malware ini dapat secara sembunyi-sembunyi membuat ponsel korbannya berlangganan dan membayar konten premium tanpa sepengetahuan korban. Penelitian deteksi malware Android ini sangat penting untuk menjaga keamanan dan privasi pengguna. karena proses identifikasi malware yang semakin rumit, maka diperlukan pendekatan deep learning untuk klasifikasi malware. Penelitian ini menggunakan metode sequential models untuk mendeteksi malware android. Hasil pengujian didapat hasil akurasi : 99.07%, presisi : 99.06%, recall : 98.32%, dan f1 score : 98.69%.
Perbandingan Algoritma Machine Learning Untuk Sentimen Analisis Game Bus Simulator Indonesia Oktafiandi, Hery; Winarnie, Winarnie
JurTI (Jurnal Teknologi Informasi) Vol 8, No 2 (2024): DESEMBER 2024
Publisher : Universitas Asahan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36294/jurti.v8i2.4666

Abstract

This study aims to perform sentiment analysis on user reviews of the Bus Simulator Indonesia (BUSSID) application, developed by Maleo from Surabaya and released in 2017. A total of 10,000 reviews were collected from the Google Play Store using web scraping techniques and labeled based on ratings; reviews with ratings above 3 were considered positive, while those with ratings of 3 or below were considered negative. The reviews were then processed through case folding, cleaning, tokenizing, stopword removal, and stemming, and their features were extracted using the TF-IDF method. The data was split into 70% for training and 30% for testing. Three machine learning algorithms were applied: Naive Bayes Classifier (NBC), Stochastic Gradient Descent (SGD), and Support Vector Machine (SVM). The results showed that SVM had the highest accuracy at 79%, followed by SGD at 77%, and NBC at 76%. Evaluation using metrics such as accuracy, precision, recall, and f1-score indicated that this analysis provides valuable insights for BUSSID developers to improve the application’s quality. sentiment analysis, 
RANCANG BANGUN APLIKASI MOBILE KAMUS BAHASA JAWA - INDONESIA BERBASIS ANDROID Juwahir, Amat; Winarnie, Winarnie
Jurnal Ekonomi dan Teknik Informatika (JNETI) Vol 13 No 1 (2025): Jurnal Ekonomi dan Teknik Informatika
Publisher : Politeknik Sawunggalih Aji

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37601/jneti.v13i1.317

Abstract

Penelitian ini bertujuan untuk mengembangkan aplikasi kamus bahasa jawa Indonesia berbasis android, untuk mempermudah pengenalan bahasa jawa dengan menggunakan aplikasi android. Dengan menggunakan gadget berbasis android, akses untuk mengenal bahasa jawa dapat lebih mudah. Sistem ini dibangun menggunakan bahasa pemrograman Java dengan android studio 2021.1.2 serta database Sqlite. Hasil penelitian menunjukkan bahwa sistem aplikasi kamus bahasa Jawa Indonesia berbasis android dapat berjalan baik dan mempermudah dalam mengenal kata-kata atau kalimat dalam bahasa Jawa. Kesimpulan dari penelitian ini menunjukkan bahwa penggunaan teknologi informasi dalam proses belajar bahasa jawa dengan kamus berbasis android dapat meningkatkan efisiensi, akurasi, dan kemudahan dalam pengenalan kata dan kalimat dengan bahasa Jawa, sesuai dengan data kata dan kalimat yang tersimpan pada database yang digunakan.
PENGEMBANGAN SISTEM INFORMASI CATERING BERBASIS WEB UNTUK MENINGKATKAN EFISIENSI DAN KEMUDAHAN LAYANAN CATERING Winarnie, Winarnie; Mulyowati, Gandes; Khairu Nisa, Nisrina; Melani, Lestari Eka; Putri, Farah Tisya Anindya; Rahayu, Kurnia Puji
Jurnal Ekonomi dan Teknik Informatika (JNETI) Vol 13 No 1 (2025): Jurnal Ekonomi dan Teknik Informatika
Publisher : Politeknik Sawunggalih Aji

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37601/jneti.v13i1.318

Abstract

The advancement of information technology has encouraged various sectors to adopt web-based systems to improve efficiency and service quality. This study discusses the development of a web-based catering information system aimed at providing convenience for customers in ordering catering services and supporting the operational efficiency of service providers. The system includes features such as online ordering, inventory management, online payment integration, and performance reporting. With a budget of IDR 90,500,000 and a project duration of five months, the system is expected to enhance customer satisfaction and provide reliable management tools for catering providers.
Analisis Klaster Pasien Menggunakan K-Means untuk Mendukung Perawatan Medis Terpersonalisasi Oktafiandi, Hery; Winarnie, Winarnie; Nur, Wahid
Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer) Vol 5 No 1 (2025): Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitekt
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakadata.v5i1.1001

Abstract

Penelitian ini bertujuan untuk melakukan analisis klasterisasi pada dataset pasien menggunakan algoritma K-Means. Dataset yang digunakan berisi 6.000 baris data pasien dengan 16 fitur, meliputi usia, jenis kelamin, tekanan darah, kolesterol, dan status merokok. Untuk mencari jumlah klaster yang optimal, digunakan metode Elbow yang menunjukkan jumlah klaster yang paling tepat adalah 3. Setelah itu, algoritma K-Means diaplikasikan untuk mengklasifikasi data pasien berdasarkan kesamaan karakteristik kesehatan mereka. Hasil klasterisasi menunjukkan bahwa pasien dapat dibagi menjadi tiga kelompok utama: kelompok dengan tekanan darah dan kolesterol rendah, kelompok dengan kadar gula darah tinggi, dan kelompok dengan hipertensi dan obesitas. Hasil ini dapat digunakan untuk memberikan wawasan lebih lanjut dalam mengelompokkan pasien untuk perawatan yang lebih personal. Penelitian ini menunjukkan bagaimana teknik klasterisasi dapat digunakan untuk menganalisis data kesehatan dan membantu dalam pengambilan keputusan medis.
Sentiment Analysis on Coretax Data Using SVM and Random Forest with SMOTE and Tomek-Link Oktafiandi, Hery; Winarnie, Winarnie; Ramadhan, M. Fajar; Panjaitan, Febriyanti
Journal of Information System and Informatics Vol 7 No 3 (2025): September
Publisher : Universitas Bina Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51519/journalisi.v7i3.1279

Abstract

This study is motivated by the increasing adoption of digital tax platforms in Indonesia, particularly Coretax, which enables online tax reporting and payment. Understanding user sentiment is crucial for evaluating system effectiveness and identifying areas for improvement. However, sentiment data is often imbalanced, making it challenging to detect the sentiments of the minority class. This research evaluates the performance of Support Vector Machine (SVM) and Random Forest (RF) in classifying sentiment from Coretax related reviews collected between March and September 2025 from Twitter, YouTube, and the DJP application. Lexicon-based labeling and preprocessing were applied, followed by class balancing using Tomek-Link, SMOTE, and SMOTE-Tomek techniques. On the original data, SVM achieved an accuracy of 98.56%, while Random Forest reached 98.43%, both performing strongly on the majority class. However, minority class detection was improved through SMOTE and SMOTE-Tomek, albeit with a slight decrease in overall accuracy due to the risk of overfitting. The novelty of this study lies in its focus on Coretax 2025 data and a comparative analysis of multiple resampling techniques, providing practical insights into improving sentiment analysis performance on imbalanced digital tax data.
Co-Authors Anggit Dwi Hartanto Ayuningtyas, Pratika Febriyanti Panjaitan Hery Oktafiandi Juwahir, Amat Khairu Nisa, Nisrina Kusrini Kusrini Melani, Lestari Eka Mulyowati, Gandes Nur, Wahid Putri, Farah Tisya Anindya Rahayu, Kurnia Puji Ramadhan, M. Fajar Sayid M. Raziq Olajuwon