Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal Mahasiswa Sistem Informasi (JMSI) Journal of Artificial Intelligence and Digital Business
Frans Christiopan Hutapea
Universitas Singaperbangsa Karawang
Computer Science & IT Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering

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

Found 2 Documents
Search

 1 
IMPLEMENTASI SISTEM PENDUKUNG KEPUTUSAN PADA APLIKASI PERSONAL FINANCE TRACKER MENGGUNAKAN METODE RULE-BASED DAN SAW Irzi Rahmatullah; Frans Christiopan Hutapea; Yayan Mulyana; Jajam Haerul Jaman; Purwantoro
Jurnal Mahasiswa Sistem Informasi (JMSI) Vol. 7 No. 2 (2026): Jurnal Mahasiswa Sistem Informasi (JMSI)
Publisher : Program Studi DIII Sistem Informasi - Universitas Muhammadiyah Metro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24127/jmsi.v7i2.12079

Abstract

Pengelolaan finansial pribadi adalah elemen krusial untuk mempertahankan kestabilan keuangan, khususnya bagi mahasiswa dan orang-orang dengan penghasilan yang terbatas. Namun, banyak aplikasi manajemen keuangan yang ada saat ini hanya fokus pada pencatatan transaksi tanpa membantu pengguna dalam membuat keputusan. Studi ini bertujuan untuk menerapkan Sistem Pendukung Keputusan (SPK) dalam aplikasi Pelacak Keuangan Pribadi dengan memadukan metode Rule-Based dan Simple Additive Weighting (SAW). Metode Rule-Based berfungsi memberikan peringatan dan saran berdasarkan situasi keuangan tertentu, seperti pengeluaran yang melebihi rencana anggaran, kategori pengeluaran yang paling signifikan, dan saldo yang rendah. Di sisi lain, metode SAW digunakan untuk menilai kondisi keuangan penggunan dengan kriteria, meliputi persentase pengeluaran terhadap anggaran, proporsi kategori pengeluaran yang terbesar, dan persentase saldo yang tersisa. Sistem dikembangkan menggunakan Flutter serta memanfaatkan Firebase Authentication dan Firebase Firestore sebagai layanan pendukung. Hasil dari implementasi ini menunjukkan bahwa penggabungan metode Rule-Based dan SAW bisa mengubah data transaksi menjadi informasi yang lebih berarti, seperti wawasan, peringatan, dan saran keuangan. Dengan cara ini, aplikasi tidak hanya berfungsi sebagai alat pencatatan transaksi, tetapi juga sebagai pembantu dalam pengambilan keputusan yang dapat memfasilitasi pengguna untuk mengendalikan pengeluaran dan mengatur keuangan dengan lebih efisien.
Komparasi ANN dan KNN untuk Klasifikasi Kualitas Tomat Berdasarkan HSV dan GLCM Ilham Syihabudin; Pangundian Siagian; Reizidan Kharisma; Frans Christiopan Hutapea; Chaerur Rozikin
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 5 No. 2 (2026): Mei-Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v5i2.9983

Abstract

Penelitian ini bertujuan membandingkan kinerja algoritma Artificial Neural Network (ANN) dan K-Nearest Neighbors (KNN) dalam mengklasifikasikan kualitas tomat menjadi empat kategori, yaitu mentah, matang, tua, dan rusak. Tahap prapemrosesan menggunakan metode GrabCut dengan algoritma Largest Contour sebagai fallback guna mengisolasi objek dari latar belakang secara akurat. Proses ekstraksi fitur menggabungkan parameter ruang warna Hue, Saturation, Value (HSV) dan analisis tekstur Gray-Level Co-occurrence Matrix (GLCM) invarian rotasi dari empat sudut orientasi. Kombinasi kedua domain tersebut menghasilkan sepuluh fitur utama yang selanjutnya dinormalisasi menggunakan Z-Score dan diseimbangkan melalui metode Synthetic Minority Over-sampling Technique (SMOTE) guna mencegah bias terhadap kelas mayoritas. Dataset yang digunakan bersumber dari IEEE MBL-CLS (Kaggle) dan terdiri dari 7.226 citra tomat yang terbagi ke dalam empat kelas kualitas dengan distribusi yang tidak merata. Berdasarkan pengujian yang dilakukan, model ANN menunjukkan keunggulan dengan tingkat akurasi mencapai 89,63% pada konfigurasi 128 neuron, pembagian data latih dan uji 80:20, serta dropout 20%. Di sisi lain, model KNN dengan nilai ketetanggaan K=1 mencapai akurasi 88,10% menggunakan metrik jarak Euclidean. Analisis confusion matrix mengungkapkan bahwa kedua model mengalami kesulitan dalam memisahkan kelas tomat rusak dari kelas tomat tua akibat kemiripan profil fitur visual dan tekstur. Kinerja ini menegaskan bahwa optimalisasi hyperparameter pada pendekatan jaringan saraf tiruan mampu memberikan kapabilitas pemetaan fitur nonlinier yang lebih tinggi dibandingkan algoritma berbasis jarak untuk klasifikasi citra multikelas pada industri pertanian.
Co-Authors Chaerur Rozikin Ilham Syihabudin Irzi Rahmatullah Jaman, Jajam Haerul Pangundian Siagian Purwantoro Purwantoro Reizidan Kharisma Yayan Mulyana