Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Journal Automation Computer Information System (JACIS) Jurnal Pustaka Data : Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer
Muhammad Haikal Fikri
Universitas Islam Negeri Maulana Malik Ibrahim Malang
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Industrial & Manufacturing Engineering Mechanical Engineering

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

Found 2 Documents
Search

 1 
Studi Dampak Refactoring terhadap Kompleksitas Kode Moodle Muhammad Haikal Fikri; Ahmad Daffa Febrian; Muhammad Ainul Yaqin
Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer) Vol 6 No 3 (2026): 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.v6i3.1959

Abstract

Sistem manajemen pembelajaran berskala besar seperti Moodle memiliki struktur kode yang sangat kompleks. Refactoring merupakan teknik yang digunakan secara luas untuk memperbaiki struktur internal kode tanpa mengubah perilaku eksternalnya guna mengatasi masalah kompleksitas tersebut. Penelitian ini bertujuan untuk menganalisis dampak kuantitatif dari penerapan teknik Extract Method dan Pull Up Method terhadap kompleksitas kode di dalam modul assignment Moodle versi 5.1.2. Metodologi penelitian melibatkan analisis statis menggunakan alat PDepend untuk mengukur Weighted Methods per Class (WMC) dan Lines of Code (LOC) pada tingkat kelas, serta Cyclomatic Complexity Number (CCN) pada tingkat metode terhadap lima kelas event target. Hasil penelitian menunjukkan bahwa teknik Pull Up Method berhasil menurunkan nilai WMC dan LOC pada kelas feedback_viewed dan grading_form_viewed, sekaligus mengurangi nilai CCN pada metode validasinya sebesar 33% (dari 3 menjadi 2). Sebaliknya, teknik Extract Method yang diterapkan pada kelas assessable_submitted menurunkan nilai CCN metode utamanya sebesar 66% (dari 3 menjadi 1). Meskipun memperkenalkan overhead struktural yang meningkatkan LOC tingkat kelas hingga 14% dan menaikkan WMC akibat deklarasi metode pembantu baru, alur logika program menjadi jauh lebih linear. Sementara itu, kelas base menyentralisasikan kompleksitas validasi bersama, sehingga meningkatkan nilai WMC kelas tersebut dari 10 menjadi 12. Penelitian ini menyimpulkan bahwa walaupun refactoring memperkenalkan overhead struktural, teknik ini sukses memitigasi kompleksitas logis pada tingkat metode, sehingga meningkatkan modularitas kode dan keterpeliharaan jangka panjang.
Memprediksi Keberhasilan Proyek ERP Menggunakan Indikator Kinerja Multi-Domain dan Machine Learning Ahmad Ghozi Waridi; Muhammad Haikal Fikri; Muhammad Ainul Yaqin
Journal Automation Computer Information System Vol. 6 No. 2 (2026): November (In Progress Issue)
Publisher : Indonesian Journal Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47134/jacis.v6i2.195

Abstract

Penelitian ini bertujuan mengembangkan model prediksi keberhasilan implementasi Enterprise Resource Planning (ERP) menggunakan pendekatan Neural Network berbasis indikator kinerja multidomain. Tingginya tingkat kegagalan implementasi ERP dipengaruhi oleh kompleksitas proyek, ketidakseimbangan distribusi data, serta interaksi faktor teknis dan manajerial yang sulit dimodelkan menggunakan pendekatan konvensional. Penelitian ini memanfaatkan 4.000 data proyek ERP dengan 50 indikator kinerja yang dipetakan ke dalam delapan Performance Domains PMBOK Guide Edisi ke-7. Tahap preprocessing meliputi normalisasi data dan penerapan Synthetic Minority Over-sampling Technique (SMOTE) untuk mengatasi ketidakseimbangan kelas. Model kemudian dioptimalkan melalui delapan skenario hyperparameter dan dievaluasi menggunakan sepuluh skenario pengujian untuk mengukur kemampuan generalisasi pada berbagai kondisi implementasi ERP. Hasil penelitian menunjukkan bahwa Neural Network memberikan performa terbaik dibandingkan algoritma pembanding dan menghasilkan konfigurasi model yang mampu mempertahankan keseimbangan antara akurasi, kemampuan deteksi proyek berisiko tinggi, dan kompleksitas model. Pengujian lanjutan menunjukkan bahwa model memiliki performa yang stabil pada berbagai karakteristik proyek, meskipun sensitivitas terhadap kompleksitas proyek, metodologi pengembangan, dan karakteristik industri masih memengaruhi tingkat akurasi. Temuan ini menunjukkan bahwa integrasi indikator multidomain, optimasi hyperparameter, dan evaluasi berbasis berbagai skenario mampu menghasilkan model prediksi yang robust dan berpotensi diterapkan sebagai mekanisme early warning system untuk mendukung pengambilan keputusan pada implementasi ERP
Co-Authors Ahmad Daffa Febrian Ahmad Ghozi Waridi Ainul Yaqin