Article Per Year (5 Year)
p-Index From 2019 - 2024
1.857
P-Index
This Author published in this journals
All Journal Jupiter Jurnal Teknologi Format : Jurnal Imiah Teknik Informatika JIKO (Jurnal Informatika dan Komputer) Informasi Interaktif Jurnal Teknologi Komputer dan Sistem Informasi bit-Tech Respati Jurnal E-Komtek Teknika Jurnal Pengabdian Masyarakat - Teknologi Digital Indonesia JUTI "JURNAL TEKNOLOGI INFORMASI" Teknomatika: Jurnal Informatika dan Komputer
Femi Dwi Astuti
Universitas Teknologi Digital Indonesia
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Library & Information Science Mechanical Engineering Social Sciences Other

Published : 15 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 15 Documents
Search

 1   2 
PENERAPAN FRAMEWORK DENGAN ARSITEKTUR MODEL-VIEW-CONTROLLER PADA PENGELOLAAN DATA PENELITIAN DAN PENGABDIAN KEPADA MASYARAKAT Sumiyatun, Sumiyatun; Astuti, Femi Dwi; Windarti, Syamsu
Jurnal Teknologi Informasi RESPATI Vol 10, No 30 (2015)
Publisher : Universitas Respati Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1105.306 KB) | DOI: 10.35842/jtir.v10i30.127

Abstract

ABSTRAKTeknologi web yang saat ini sedang berkembang dan mulai banyak digunakan adalah dengan menggunakan framework.Framework merupakan kumpulan script (terutama class dan function) yang dapat membantu developer/programmer dalam menangani berbagai masalah-masalah dalam pemrograman.Penelitian ini mengimplementasikan framework dengan arsitektur model view controller untuk mengelola data penelitian dan pengabdian pada masyarakat di STMIK AKAKOM. Framework yang digunakan dalam penelitian ini adalah Code Igniter. Code Igniter merupakan salah satu framework yang dibangun menggunakan konsep MVC (Model-View-Controller) development pattern.Aplikasi pengelolaan data penelitian dan pengabdian pada masyarakat menjadi lebih mudah dikelola, lebih terstruktur dan memiliki standar pemrograman yang jelas setelah dibangun dengan menggunakan konsep MVC.Kata kunci :Code Igniter, Framework, MVC, Penelitian, Pengabdian
VISUALISASI AREA ANTAR PEDUKUHAN HASIL CLUSTERING PENDUDUK MISKIN MENGGUNAKAN FUZZY C-MEANS Astuti, Femi Dwi; Nurwiyati, Fransisca Wiwiek
Jurnal Teknologi Vol 13 No 1 (2020): Jurnal Teknologi
Publisher : Jurnal Teknologi, Fakultas Teknologi Industri, Institut Sains & Teknologi AKPRIND Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Visualisasi dari suatu informasi menjadi salah satu hal yang lebih sering diminati daripada informasi berupa teks. Salah satu kelebihan dari proses visualisasi adalah lebih mudahnya informasi dibaca. Kemiskinan dari dahulu sampai sekarang selalu menjadi masalah yang diperhatikan oleh daerah-daerah. Berbagai bantuan sudah diadakan dengan harapan dapat terdistribusi dengan tepat sesuai sasaran. Penentuan keluarga yang dianggap miskin pada bidang tertentu masih susah dilakukan, sebagian besar hanya dilihat dari beberapa aspek penting saja misalnya penghasilan per bulan ataupun jenis pekerjaan. Jumlah penduduk miskin di DIY menurut Badan Pusat Statistik tahun 2019 mencapai 440,89 ribu jiwa. Angka ini mengalami penurunan dari tahun sebelumnya yaitu sebanyak 440,89 ribu jiwa. Sedangkan di Kabupaten Bantul, jumlah penduduk miskin tahun 2018 sebanyak 134,84 ribu jiwa dan tahun 2019 sebanyak 131,15 ribu jiwa. Penduduk di wilayah Kecamatan Bantul disebut sebagai keluarga miskin berdasarkan aspek pangan, sandang, papan, penghasilan, kesehatan, pendidikan, kekayaan, air bersih, listrik maupun jumlah jiwa. Penelitian ini dapat memvisualisasikan penduduk sesuai hasil clustering berdasarkan area pedukuhan. Clustering dilakukan dengan metode Fuzzy C-Means. Dari 23, 500, 1000 dan 1313 jumlah data uji yang digunakan, hasil pengujian menggunakan validity index xie beni menunjukkan jumlah cluster optimal untuk clustering penduduk miskin sebanyak 4 cluster dengan nilai Xie Beni sebesar 0,1704. Visualisasi dapat menunjukkan suatu pedukuhan paling banyak terdapat penduduk miskin berdasarkan kriteria tertentu.
Decision Support System Design for Determining Exemplary Lecturer using Simple Additive Weighting (SAW) Femi Dwi Astuti; Basuki Heri Winarno
Jurnal E-Komtek (Elektro-Komputer-Teknik) Vol 5 No 1 (2021)
Publisher : Politeknik Dharma Patria Kebumen

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37339/e-komtek.v5i1.523

Abstract

STMIK AKAKOM has 67 lecturers. In each semester, an evaluation is held to determine lecturers’ performance to maintain good institutional quality. The evaluation process is based on students’ and Department Quality-Assurance Team (DQAT) assessments. Up until now, the results of these evaluations were left unprocessed. This study aimed to determine well-performed and less-performed lecturers by combining evaluation results from students and DQAT using the simple additive weighting (SAW) method. There are 17 criteria used in this study with different weight values. The results showed that the technique determined the lecturers’ ranking significantly based on their respective performance. The most well-performed lecturer is L40 with Vi (order for lecturer) value of 0.95, the second is L41 with Vi value of 0.92, and the third one is L25 with Vi of 0.91, while the most under-performed lecturer is L67 with a Vi value of 0.72.
Penerapan Naïve bayes untuk Analisis Faktor-Faktor Pemilihan STMIK AKAKOM sebagai Tempat Studi Danny Kriestanto; Femi Dwi Astuti
JTKSI (Jurnal Teknologi Komputer dan Sistem Informasi) Vol 4, No 2 (2021): JTKSI
Publisher : JTKSI (Jurnal Teknologi Komputer dan Sistem Informasi)

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Students that are going to continue their study in University has a wide variety of choices. This study is going to find the what are the motives of the student to choose STMIK AKAKOM using Naive Bayes. Primary data were used based on certain judgments and were taken from active students with different backgrounds for the last 5 years. The questionnaire was filled out online.  Respondents will be validated to make sure it was truly active students of STMIK AKAKOM. This was a 5-point Likert scale closed questionnaire. The respondents were consists of 60% male and 40% female with from 18-22 years old students, with 64% of the whole respondents were from Information System Department. 62% of the respondents came from the Special Region of Yogyakarta and 40% of them were never taken out PTN entrance exam. The result of this study was based on the analysis of Naive Bayes: the first rank was because of the quality, the second rank was because of the promotion, and the last one because of the tuition fees
Seleksi Atribut Menggunakan Information Gain Untuk Clustering Penduduk Miskin Dengan Validity Index Xie Beni Femi Dwi Astuti
Teknika Vol 6 No 1 (2017): November 2017
Publisher : Center for Research and Community Service, Institut Informatika Indonesia (IKADO) Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34148/teknika.v6i1.58

Abstract

Di wilayah Kecamatan Bantul, seorang warga disebut sebagai keluarga miskin berdasarkan beberapa aspek seperti aspek pangan, sandang, papan, penghasilan, kesehatan, pendidikan, kekayaan, air bersih, listrik maupun jumlah jiwa. Aspek-aspek tersebut akan digunakan sebagai atribut dalam proses clustering. Masing-masing atribut memiliki nilai yang akan diolah. Penelitian ini dikerjakan menggunakan seleksi atribut information gain sebelum proses clustering untuk melihat atribut mana yang sebenarnya berpengaruh dan tidak, sehingga hanya atribut yang berpengaruh saja yang akan digunakan, metode Fuzzy C-Means untuk clustering penduduk miskin dan Xie Beni untuk menentukan jumlah klaster terbaik. Hasil penelitian menunjukkan penggunaan information gain dengan threshold 0.0001 untuk clustering dengan menghilangkan atribut penghasilan memiliki hasil cluster yang sama dengan menggunakan atribut penghasilan. Pengujian terhadap 23, 500, 1000 dan 1313 untuk jumlah cluster 2, 3, 4, 5, 6 dan 7 menunjukkan bahwa nilai dari Xie-Beni Index terkecil adalah 5 dengan nilai 0,1343, sehingga cluster yang paling optimal adalah 5.
Implementasi SMOTE untuk mengatasi Imbalance Class pada Klasifikasi Car Evolution menggunakan K-NN Femi Dwi Astuti; Febri Nova Lenti
JUPITER (Jurnal Penelitian Ilmu dan Teknologi Komputer) Vol 13 No 1 (2021): JUPITER Vol. 13 No. 1 April 2021
Publisher : Teknik Komputer Politeknik Negeri Sriwijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

AbstrakPermasalahan ketidakseimbangan kelas akan terus ada karena data tidak dapat dipaksa untuk selalu seimbang. Ketidakseimbangan kelas memberikan dampak yang tidak baik pada hasil klasifikasi dimana kelas minoritas sering disalah klasifikasikan sebagai kelas mayoritas. Hal ini dapat menurunkan nilai accuracy hasil klasifikasi. SMOTE merupakan salah satu turunan teknik over-sampling untuk menanggulangi ketidakseimbangan kelas dengan menyeimbangkan dataset dengan meningkatkan ukuran kelas minor. SMOTE diterapkan pada klasifikasi dataset car evolution menggunakan algoritma klasifikasi KNN. Hasil klasifikasi dievaluasi akurasinya menggunakan 10fold-cross validation dengan membandingkan hasil klasifikasi yang hanya menggunakan KNN dan menggunakan KNN dan SMOTE. Hasil penelitian menunjukkan bahwa penggunaan SMOTE mampu mengatasi imbalance class dengan menaikkan nilai akurasi rata-rata sebesar 9.97%. Semakin kecil nilai k pada klasifikasi K-NN maka semakin besar tingkat akurasinya Dari hasil uji dengan k=3, k=5 dan k=10, maka akurasi klasifikasi tertinggi K-NN dengan k=3 menggunakan SMOTE sebesar 93.11%. Kata kunci—klasifikasi,K-NN,SMOTE,Imbalance Class Abstract The problem of imbalance class will continue to exist because the data cannot be forced to always balance. Imbalance class has an unfavorable impact on the classification results where the minority class is often misclassified as the majority class. This can lower the accuracy value of the classification results. SMOTE is a derivative of the over-sampling technique to overcome class imbalances by balancing the dataset by increasing the size of the minor class. SMOTE is applied to the classification of the car evolution dataset using the KNN classification algorithm. The classification results are evaluated for their accuracy using 10fold-cross validation by comparing the classification results using only KNN and using KNN and SMOTE. The results showed that the use of SMOTE was able to overcome the imbalance class by increasing the average accuracy value by 9.97%. The smaller the k value in the K-NN classification, the greater the level of accuracy. From the test results with k = 3, k = 5 and k = 10, the highest K-NN classification accuracy with k = 3 uses SMOTE of 93.11% Keywords— classification,K-NN,SMOTE,Imbalance Class
Implementasi Gap Analysis untuk Evaluasi Kinerja Dosen Berdasarkan Sasaran Mutu Femi Dwi Astuti; Basuki Heri Winarno
FORMAT Vol 10, No 1 (2021)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/format.2021.v10.i1.010

Abstract

Dosen merupakan pendidik yang salah satu tugasnya mentransformasikan dan menyebarluaskan ilmu pengetahuan, sehingga kinerja dosen dalam proses belajar harus bagus. Evaluasi dosen di STMIK AKAKOM dilakukan setiap semester sekali untuk melihat nilai kemampuan pedagogik, kompetensi dosen, ketersediaan sarana proses belajar mengajar dan kelengkapan administrasi dalam proses belajar mengajar. Evaluasi dilakukan oleh mahasiswa dan Tim Penjaminan Mutu Program Studi (TPMP). Standar-standar penilaian yang seharusnya dicapai salah satunya tentang kinerja dosen dalam proses belajar mengajar tertuang dalam dokumen sasaran mutu institusi. Hasil evaluasi diharapkan sesuai dengan sasaran mutu di STMIK AKAKOM. Selama ini hasil evaluasi tidak pernah diolah. Penelitian ini mengolah data hasil evaluasi dengan mencocokkan nilai yang ada di sasaran mutu dengan metode gap analysis. Metode ini digunakan karena dapat melihat kesenjangan antara kinerja dosen dengan standar yang sudah ditetapkan. Hasil penelitian menunjukkan bahwa Gap analysis dapat membantu membuat perangkingan pada dosen di STMIK AKAKOM. Hasil ini dapat digunakan oleh pimpinan dalam mengambil keputusan dalam pemberian reward bagi dosen berprestasi dan memberi binaan terhadap dosen yang rankingnya rendah.
PENGARUH SMOTE DAN FORWARD SELECTION DALAM MENANGANI KETIDAKSEIMBANGAN KELAS PADA ALGORITMA KLASIFIKASI Ika Nur Fajri; Femi Dwi Astuti
Informasi Interaktif Vol 7, No 1 (2022): Jurnal Informasi Interaktif Vol. 7 No. 1 Januari 2022
Publisher : Universitas Janabadra

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

A high accuracy value in the classification process can ideally be obtained if the number of classes in the dataset is balanced. In fact, the data obtained do not all have a balanced number of classes, thus reducing the performance of the classification algorithm. In addition to the problem of an unbalanced number of classes, the attributes involved in the calculation also affect the accuracy value, so it is necessary to choose which attribute is the most influential. In this study, one method of feature selection is used, namely Forward Selection. This method is used to select which features are the most influential. SMOTE, which is one of the over-sampling algorithms, makes data with fewer classes equal to those with many classes. The results show that in the car evolution dataset the use of SMOTE can increase accuracy by 6.12% and the use of SMOTE with forward selection can increase accuracy by 6.09%. In the glass identification dataset the use of SMOTE can increase accuracy by 9.65% and the use of SMOTE with forward selection can increase accuracy by 12.6%. The use of forward selection with SMOTE is more effective for datasets that have a small number of classes.Keywords: Forward Selection, K-NN, Klasifikasi, SMOTE
SELEKSI FITUR FORWARD SELECTION PADA ALGORITMA NAIVE BAYES UNTUK KLASIFIKASI BENIH GANDUM Femi Dwi Astuti
Informasi Interaktif Vol 3, No 3 (2018): Jurnal Informasi Interaktif
Publisher : Universitas Janabadra

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (335.613 KB)

Abstract

Abstract - Wheat (Triticum aestivum L) is one of the staple food ingredients besides rice. The demand for the wheat in the world until 2020 is estimated to increase by 1.6% per year. The data processing for wheat seeds has been done a lot, one of them is by using data mining classification techniques. The feature selection is used before the classification process to optimize the accuracy values from the classification results. The feature selection used in this research is forwarding the selection which is applied to the Naive Bayes algorithm to classify the wheat seeds.The results of this study indicate that the value of the accuracy and the wheat classification  after using the feature selection has a higher value of 93.81% compared to the condition before using the feature selection of 90.48%. The precision results also increased from 91.49% to 94.81%. Keywords: Forward Selection, Naive Bayes, Classification, Gandum.
ANALISIS SENTIMEN PADA TWITTER TERHADAP PROGRAM KARTU PRA KERJA DENGAN RECURRENT NEURAL NETWORK Rosit Sanusi; Femi Dwi Astuti; Indra Yatini Buryadi
JURNAL INFORMATIKA DAN KOMPUTER Vol 5, No 2 (2021): Februari 2021
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (821.934 KB) | DOI: 10.26798/jiko.v5i2.645

Abstract

Twitter menjadi salah satu media sosial dengan jumlah pengguna aktif paling banyak di Indonesia. Dengan berlakunya program kartu prakerja sejak pendaftaran gelombang pertama hingga sekarang, banyak pengguna twitter di Indonesia yang menyampaikan pendapat dan gagasan mengenai program kartu prakerja melalui twitter. Oleh karena itu penelitian ini mencoba untuk menganalisa tweet berbahasa Indonesia yang membicarakan mengenai program kartu prakerja yang ditandai dengan kata kunci prakerja dalam tweet tersebut. Analisis sentimen dilakukan dengan menggunakan metode Reccurent Neural Network (RNN) dengan Long Short Term Memory (LSTM). Dalam penelitian ini data yang digunakan di crawling menggunakan bantuan Twitter API yang diambil pada periode bulan April 2020 sampai Januari 2021 sebanyak 4122 tweet. Penelitian menghasilkan sebuah sistem yang mampu melakukan klasifikasi sentimen (positif, netral dan negatif) terhadap sebuah tweet. Tingkat akurasi dari proses training yang didapat sebesar 95,66% serta tingkat akurasi dari proses testing sebesar 64,48%. Beberapa kendala dalam proses analisis sentimen adalah data untuk pembuatan model tidak seimbang sehingga menyebabkan overfitting,
Co-Authors Arrio Saputra Bagas Antuk Pramukti Basuki Heri Winarno Danny Kriestanto Danny Kriestanto, Danny Febri Nova Lenti Ika Nur Fajri Indra Yatini Buryadi Nugroho, Muhammad Agung Nurwiyati, Fransisca Wiwiek Pius Dian Widi Anggoro Rosit Sanusi Siska Lidya Revianti Siska Lidya Revianti sumiyatun sumiyatun, sumiyatun Syamsu Windarti