Article Per Year (5 Year)
p-Index From 2019 - 2024
0.61
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah Teknologi dan Rekayasa UG Journal INFOKUM
Dwi Widiastuti, Dwi
Sistem Informasi, Fakultas Ilmu Komputer Dan Teknologi Informasi, Universitas Gunadarma
Automotive Engineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Economics, Econometrics & Finance Education Electrical & Electronics Engineering Health Professions Industrial & Manufacturing Engineering Materials Science & Nanotechnology

Published : 5 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search

 1 
ANALISIS PERBANDINGAN ALGORITMA APRIORI DAN FP-GROWTH PADA TRANSAKSI KOPERASI Widiastuti, Dwi; Sofi, Nelly
UG Journal Vol 8, No 1 (2014)
Publisher : Universitas Gunadarma

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

Abstract

Teknik data mining mampu memprediksi tren dan membantn prosespengambilankeputusan bisnis yang penting bagipemilik usaha. Penggunaan sistem yang telahada akan menimbulkan permasalahan baru, yaitu peningkatan data transaksi.Algoritma Apriori merupakan algoritma yang paling populer digunakan untukanalisis market basket karena mudah dipahami dan diimplementasikan. AlgoritmaFP-Growthjuga termasuk salah sat it teknik association rule untuk analisis marketbasket. Berdasarkan data transaksi (studi kasus koperasi Uber-Mart Bekasi),peneliti membandingkan Algoritma Apriori dan FP-Growth untuk mendapatkaninformasi tentang asosiasi antar produk dari suatu data transaksi dari item-setyang sering muncul seeara bersamaan (market basket analysis). Dari hasilpenelitian, Algoritma Apriori membutuhkan waktu komputasi yang lama danmembutuhkan alokasi memori yang besar untuk melakukan pencarian item-sets.Hal ini disebabkan pemindaian data yang dilakukan seeara berulang-ulang.Algoritma FP-Groiuth hanya melakukan dua kali pemindaian data dan mampumemampatkan data transaksi yang memiliki item yang sama, sehingga waktuyang dibutuhkan lebih singkat dan alokasi memori lebih kecil.
PERANCANGAN APLIKASI UNTUK PENGAJUAN AKUN EMAIL STAFF DAN STAFFSITE Sofi, Nelly; Widiastuti, Dwi
UG Journal Vol 8, No 2 (2014)
Publisher : Universitas Gunadarma

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

Abstract

Sebelum awal semester, tumpukan formulir pengajuan pendaftaran fasilitas akunemail staff dan stafsite yang masuk ke administrasi selalu meningkat karena diawal semester ada perekrutan staff dan bagian administrasi yang melakukanveriikasi serta validasi data. Saat iniperihal isiform pengajuan dan konirmasikembali setelah akun selesai dibuatkan dilakukan secara manual, sehingga ketikapetugas administrasi tidak berada di tempatformulir tersebut tidak dapat diproses.Akibatnya, proses pengajuan pendaftaran akun email staffdan staffsite menjadilebih lama. Untuk menghindari hal tersebut, dibuat sebuah rancangan aplikasipengajuan pendaftaran email staffdan staffsite secara online yang menggunakanpermodelan UML. Tujuan perancangan ini adalah memberikan sebuahframeworkaplikasi yang diharapkan dapat menghindari terhambatnya proses pengajuan.Rancangan ini dapat dilanjutkan ke tahapan berikutnya sampai denganpengimplementasiannya dengan menggunakanpemrograman C# dan SQLServer.
SISTEM PAKAR BERBASIS WEB UNTUK MENENTUKAN GAYA BELAJAR VISUAL, AUDITORY, KINESTETIK PADA REMAJA Arimbi, Yuti Dewita; Widiastuti, Dwi; Zulmi, Ilham
Jurnal Ilmiah Teknologi dan Rekayasa Vol 26, No 3 (2021)
Publisher : Universitas Gunadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35760/tr.2021.v26i3.2713

Abstract

Pandemi Covid-19 yang dialami hampir di seluruh dunia membuat pola pembelajaran menjadi berbeda. Dimulai pada bulan Maret 2020 semua proses belajar dilakukan secara daring atau yang dikenal dengan pembelajaran jarak jauh (PJJ). Tidak ada lagi kegiatan di sekolah yang dilakukan dengan bersama, dan berkumpul bersama. Hal ini membuat orang tua perlu mempelajari gaya belajar anak. Saat masa pandemic Covid-19, anak yang terpaksa harus belajar di rumah harus mendapat bantuan dan dukungan dari sosok orang tua. Jika orangtua tidak mengetahui gaya belajar anak, ada kemungkinan metode yang diajarkan tidak sesuai sehingga membuat anak kesulitan menyerap informasi pelajaran secara utuh, dan dapat menyebabkan anak kehilangan minat belajar. Gaya belajar dapat dibedakan menjadi tiga yaitu, Visual (melihat objek/gambar), Auditori (mendengar suara), dan Kinestetik (gerakan). Penelitian ini bertujuan untuk mengetahui gaya belajar anak usia 11-18 tahun selama pandemic Covid-19. Untuk itu diperlukan aplikasi yang dapat membantu orangtua untuk mengenali, dan menentukan gaya belajar anak. Aplikasi dibuat menggunakan Bahasa pemrograman PHP, dan MySQL. Uji coba aplikasi dilakukan menggunakan metode blackbox dengan hasil 100%, dan hasil pengujian pengguna yang dilakukan oleh 10 responden rata-rata adalah 89 %, maka dapat disimpulkan bahwa aplikasi layak pakai.
SENTIMENT ANALYSIS OF PRODUCT REVIEWS DATA ON TOKOPEDIA BY COMPARING THE PERFORMANCE OF CLASSIFICATION ALGORITHMS Dwi Widiastuti; Isram Rasal; Dessy Wulandari Asfary Putri
INFOKUM Vol. 10 No. 02 (2022): Juni, Data Mining, Image Processing, and artificial intelligence
Publisher : Sean Institute

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (606.559 KB)

Abstract

Social media is a medium where people can express their opinion on something. Opinion mining or sentiment analysis, which is studying people's sentiments towards certain entities. This can be used by companies to find out people's responses to a sales product. Sentiment analysis has received a lot of attention in recent years. Sentiment analysis is one of the main tasks of NLP (Natural Language Processing). In this paper, sentiment polarity categorization becomes the basis for sentiment analysis problems in product reviews. A general process for sentiment polarity categorization is proposed with a detailed description of the process. The data used in this study is an online product review collected from the Tokopedia application. Classification is carried out on sentence level categorization and star rating level categorization. There are three models used to compare the classification process, namely SVM, Random Forest, and Naïve Bayes models. The results of this research paper are in the form of a comparison of the performance of the three models against the polarity categorization of product review sentiment on Tokopedia
COMPARISON OF ACCURACY PERFORMANCE K-NEAREST NEIGHBOR ALGORITHM AND SUPPORT VECTOR MACHINE FOR PREDICTING DEATH IN CONGESTIVE HEART FAILURE Isram Rasal; Dwi Widiastuti; Desy Wulandari Asfary Putri
INFOKUM Vol. 10 No. 5 (2022): December, Computer and Communication
Publisher : Sean Institute

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

Abstract

Congestive heart failure or Congestive Heart Failure (CHF) is the number one cause of death in the world. There are approximately 5.7 million adults with heart failure in the United States and 550,000 new cases are diagnosed each year. This has encouraged a lot of research on heart failure, one of which is using the Machine Learning method to predict death from heart failure early. From these problems, the authors will conduct Machine Learning research using two different algorithm models, namely K-Nearest Neighbor (KNN) and Support Vector Machine (SVM). These two models will predict death due to heart failure. The dataset regarding the factors for diagnosing heart failure can be accessed widely and freely on the Kaggle website which is divided into two, namely data training and data testing then analysis and prediction are carried out, so that information is obtained in the form of an accuracy rate in predicting death in heart failure. Using this function also produces the accuracy of each model on the data that has been trained. Data taken were 299 patient data with 13 features or attributes, then divided into 239 training data and 60 test data. The value obtained is an accuracy of 85%. The accuracy obtained is more than 80% of the total data tested so that it can be used or implemented to classify heart failure.
Co-Authors Arimbi, Yuti Dewita Dessy Wulandari A.P Desy Wulandari Asfary Putri Isram Rasal Nelly Sofi Zulmi, Ilham