Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Prosiding Seminar Nasional Teknologi Informasi dan Bisnis
Wildan Ariel Heradi
Universitas Duta Bangsa Surakarta
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mechanical Engineering Physics

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

Found 2 Documents
Search

 1 
Prediksi Pola Penggunaan Waktu Mahasiswa Menggunakan Machine Learning Wildan Ariel Heradi; Aris Wahyu Prasetyo; Ericko Budhi Wirayudha; Muhammad Amir Yahya; Adzriel Bima Putra; Maulana Bintang Hayuka
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2026
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

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

Abstract

Pengelolaan waktu merupakan salah satu faktor yang berpengaruh terhadap produktivitas dan keberhasilan akademik mahasiswa. Pola penggunaan waktu yang kurang seimbang dapat berdampak pada menurunnya efektivitas belajar maupun aktivitas pendukung lainnya. Penelitian ini bertujuan membangun model prediksi pola penggunaan waktu mahasiswa serta membandingkan kinerja algoritma Decision Tree, K-Nearest Neighbor (KNN), dan Naive Bayes dalam proses klasifikasi. Data penelitian diperoleh melalui survei terhadap mahasiswa dan menghasilkan 518 data, yang setelah melalui tahap preprocessing berupa data cleaning, seleksi atribut, dan transformasi data menjadi 516 data valid. Variabel yang digunakan meliputi jam kuliah, jam belajar mandiri, jam santai atau hiburan, jam olahraga, dan jam organisasi, dengan target berupa kategori pola penggunaan waktu mahasiswa. Dataset dibagi menggunakan rasio 80:20 menjadi data latih dan data uji. Evaluasi dilakukan menggunakan Confusion Matrix dengan metrik akurasi sebagai dasar perbandingan kinerja model. Hasil penelitian menunjukkan bahwa algoritma Decision Tree memberikan performa terbaik dengan akurasi sebesar 95,19%, diikuti oleh K-Nearest Neighbor sebesar 88,46% dan Naive Bayes sebesar 77,88%. Temuan tersebut menunjukkan bahwa Decision Tree lebih efektif dalam mengenali pola penggunaan waktu mahasiswa pada dataset yang digunakan sehingga berpotensi dimanfaatkan sebagai pendekatan pendukung dalam analisis perilaku belajar mahasiswa.
Analisis Pengaruh Strong Consistency dan Eventual Consistency terhadap Write Latency dan Replication Delay pada MongoDB Replica Set Wildan Ariel Heradi; Rizqi Nur Hidayatullah; Muthia Lutfi Qurata’ain; Ivan Noviandra; Agustina Srirahayu
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2026
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

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

Abstract

Sistem basis data terdistribusi menjadi solusi untuk meningkatkan skalabilitas, ketersediaan layanan, dan toleransi kegagalan pada pengelolaan data berskala besar. Salah satu implementasinya adalah MongoDB Replica Set yang memanfaatkan replikasi antara node Primary dan Secondary. Namun, mekanisme replikasi menimbulkan tantangan dalam menjaga konsistensi data tanpa mengurangi performa sistem. Penelitian ini bertujuan menganalisis pengaruh Strong Consistency dan Eventual Consistency terhadap write latency dan replication delay pada MongoDB Replica Set. Penelitian menggunakan metode kuantitatif eksperimental pada lingkungan Docker yang terdiri atas satu node Primary dan dua node Secondary. Data uji dibuat secara otomatis menggunakan Python dengan jumlah 10.000, 50.000, dan 100.000 dokumen. Pengujian dilakukan menggunakan konfigurasi WriteConcern("majority") untuk Strong Consistency dan WriteConcern(w=1) untuk Eventual Consistency. Hasil menunjukkan bahwa Eventual Consistency menghasilkan write latency yang sedikit lebih rendah pada volume 10.000 dokumen, sedangkan Strong Consistency memberikan nilai lebih rendah pada volume 50.000 dan 100.000 dokumen. Selain itu, rata-rata replication delay sebesar 0,023796 detik menunjukkan proses sinkronisasi data berlangsung stabil. Secara keseluruhan, kedua konfigurasi konsistensi menghasilkan performa yang relatif setara pada lingkungan pengujian. Oleh karena itu, pemilihan tingkat konsistensi lebih dipengaruhi oleh kebutuhan jaminan konsistensi data dibandingkan pertimbangan performa sistem.
Co-Authors Adzriel Bima Putra Agustina Srirahayu Aris Wahyu Prasetyo Ericko Budhi Wirayudha Ivan Noviandra Maulana Bintang Hayuka Muhammad Amir Yahya Muthia Lutfi Qurata’ain Rizqi Nur Hidayatullah