Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal Sistem Komputer dan Informatika (JSON) Malcom: Indonesian Journal of Machine Learning and Computer Science
Ahmad Rifai
Sriwijaya University
Computer Science & IT Control & Systems Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
SECI and K-Means Integration for Public Sector Logistics Budget Efficiency Leiden Fauzi Yoka Surya; R. Nyi Pipih Kurniasari; Muthia Ramadhani; Khansa Putri Amanda; Ken Ditha Tania; Dedy Kurniawan; Ahmad Rifai
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 3 (2026): MALCOM July 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i3.2695

Abstract

Suboptimal management of office supplies causes significant budget waste in the public sector. This study addresses this issue by integrating the K-Means algorithm and the Socialization, Externalization, Combination, dan Internalization (SECI) knowledge management model to optimize logistics budget efficiency at the Palembang DPRD Secretariat. K-Means was utilized to partition the 2025 supply expenditure data into three priority clusters based on budget absorption and demand frequency. To ensure analytical outputs influence managerial decisions, K-Means was positioned as the primary explicit-to-explicit transformation engine within the SECI combination phase. The integration successfully transformed raw transaction data into a data-driven Standard Operating Procedure (SOP). Quantitative analysis reveals that a small subset of items in Cluster C3 accounts for a disproportionately high share of total budget absorption. Consequently, supervision can now strictly target these high-budget anomalies such as the Rp52.2 million spent on specific folio paper significantly reducing potential leakage and improving allocation efficiency. The main scientific contribution of this study is a novel framework that bridges mathematical data extraction and managerial policy formulation. This integrated approach is proven to measurably enhance regional budget efficiency.
Perbandingan Performa Model Prediksi Volatilitas BTC/IDR Menggunakan LSTM dan ARIMA Fahren Affandi; Imam Akbar; Sella Juniastia Marsya Saputri; Zwesty Quatra; Allsela Meiriza; Ken Ditha Tania; Ahmad Rifai
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 4 (2026): Juni 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i4.9719

Abstract

Karakteristik fluktuatif pasar aset kripto yang ekstrem menuntut ketersediaan model peramalan yang andal sebagai penunjang strategi manajemen risiko investasi. Penelitian ini bertujuan untuk membandingkan pendekatan Long Short-Term Memory (LSTM) sebagai model deep learning sekuensial dan Autoregressive Integrated Moving Average (ARIMA) sebagai model statistik deret waktu dalam memprediksi log-volatility Bitcoin pada pasangan BTC/IDR periode 2018–2025. Dataset historis harian BTC/IDR diperoleh dari platform Binance dengan periode observasi Januari 2018 hingga Desember 2025, kemudian diproses melalui perhitungan log-return, estimasi realized volatility berbasis jendela 7 hari, transformasi logaritmik, serta normalisasi data. Evaluasi model menggunakan metode walk-forward validation dengan metrik Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan koefisien determinasi (R²). Hasil penelitian menunjukkan bahwa model LSTM memperoleh MAE sebesar 0,5126, RMSE sebesar 1,0408, dan R² sebesar 0,6803, sedangkan model ARIMA menghasilkan MAE sebesar 0,5430, RMSE sebesar 1,0217, dan R² sebesar 0,7052 pada konfigurasi terbaiknya. Meskipun LSTM memiliki MAE yang lebih rendah, model ARIMA menunjukkan performa yang lebih unggul berdasarkan nilai RMSE yang lebih kecil dan R² yang lebih tinggi, sehingga lebih efektif dalam menjelaskan variasi data serta menangkap fluktuasi ekstrem pada volatilitas Bitcoin. Secara keseluruhan, hasil penelitian menunjukkan bahwa model ARIMA lebih representatif dalam memodelkan dinamika log-volatility Bitcoin dibandingkan model LSTM. Temuan ini menegaskan bahwa pemilihan model prediksi volatilitas perlu mempertimbangkan karakteristik data yang dinamis dan fluktuatif. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan model prediksi volatilitas yang adaptif, khususnya pada pasar cryptocurrency di Indonesia.
Co-Authors Allsela Meiriza, Allsela Dedy Kurniawan Fahren Affandi Imam Akbar Ken Ditha Tania Khansa Putri Amanda Leiden Fauzi Yoka Surya Muthia Ramadhani R. Nyi Pipih Kurniasari Sella Juniastia Marsya Saputri Zwesty Quatra