Article Per Year (5 Year)
p-Index From 2021 - 2026
2.461
P-Index
This Author published in this journals
All Journal Jurnal Informatika Jurnal Buana Informatika Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI) Jurnal Edukasi dan Penelitian Informatika (JEPIN) Jurnal ELTIKOM : Jurnal Teknik Elektro, Teknologi Informasi dan Komputer QARDHUL HASAN: MEDIA PENGABDIAN KEPADA MASYARAKAT Jurnal Pendidikan Akuntansi dan Keuangan JUSTIN (Jurnal Sistem dan Teknologi Informasi) Jurnal Dinamika Informatika (JDI) Nuansa Informatika Land Journal Competitive Jurnal Sains, Nalar, dan Aplikasi Teknologi Informasi Jurnal Informatika Polinema (JIP)
Fauzan, Mohamad Nurkamal
Unknown Affiliation
Aerospace Engineering Agriculture, Biological Sciences & Forestry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Library & Information Science Social Sciences Transportation Other

Published : 15 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 15 Documents
Search

 1   2 
A Hybrid Genetic Algorithm-Random Forest Regression Method for Optimum Driver Selection in Online Food Delivery Putrada, Aji Gautama; Alamsyah, Nur; Oktaviani, Ikke Dian; Fauzan, Mohamad Nurkamal
Jurnal Ilmiah Teknik Elektro Komputer dan Informatika Vol. 9 No. 4 (2023): December
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26555/jiteki.v9i4.27014

Abstract

The online food delivery trend has become rapid due to the COVID-19 incident, which limited mobility, while the broader challenge in the online food delivery system is maximizing quality of service (QoS). However, studies show that driver selection and delivery time are important in customer satisfaction. The solution is our research aim, which is the selection of optimal drivers for online food delivery using random forest regression and the genetic algorithm (GA) method. Our research contribution is a novel approach to minimizing delivery time in online food delivery by combining a random forest regression model and genetic algorithms. We compare random forest regression with three other state-of-the-art regression models: linear regression, k-nearest neighbor (KNN), and adaptive boosting (AdaBoost) regression. We compare the four models with metrics including , mean squared error (MSE), root mean squared error (RMSE), mean total error (MAE), and mean absolute percentage error (MAPE). We use the optimum model as the fitness function in GA. The test results show that random forest performs better than linear, KNN, and AdaBoost regression, with an , RMSE, and MAE value of 0.98, 54.3, and 11, respectively. We leverage the optimum random forest regression model as the GA fitness function. The best efficiency is reducing the delivery time from 54 to 15 minutes, achieved through rigorous testing on various cases. In addition, by completing this research, we also achieve some practical implications, such as an increase in customer satisfaction, a reduction in cost, and a paramount finding in the field of data-driven decision-making. The first key finding is an optimum driver selection model in random forest regression, while the second is an optimum driver selection model in GA.
Analisis Pengaruh Fitur Terhadap Tinggi Badan Anak menggunakan SHAP Shauqie, Shahieza Alfadia; Fauzan, Mohamad Nurkamal
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 2 (2025): Volume 11 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i2.96734

Abstract

Tinggi badan anak merupakan indikator penting dalam menilai status pertumbuhan dan gizi. Meskipun hubungan antara faktor antropometri dan tinggi badan telah banyak diteliti, pemahaman kuantitatif mengenai kontribusi relatif fitur dalam model prediktif masih perlu dieksplorasi. Penelitian ini bertujuan menganalisis pengaruh fitur terhadap tinggi badan anak menggunakan machine learning berbasis regresi dan interpretasi model SHAP. Analisis dilakukan dengan kerangka CRISP-DM yang mencakup siklus analitik data. Dataset penelitian terdiri dari 100.000 entri anak dengan lima fitur utama: umur, berat badan, stunting, wasting, dan jenis kelamin. Pemodelan dilakukan secara otomatis menggunakan PyCaret dan dievaluasi dalam tiga skenario jumlah fitur: lima, tiga, dan satu, untuk menilai dampaknya terhadap akurasi dan kontribusi fitur. Hasil menunjukkan bahwa fitur umur secara konsisten memiliki pengaruh terbesar dalam semua skenario. Model lima fitur menghasilkan akurasi tertinggi (R ² = 0,9276), sementara model tiga fitur tetap kompetitif (R ² = 0,9233). Temuan ini menunjukkan bahwa fitur antropometri dasar cukup informatif untuk prediksi tinggi badan secara efisien dan interpretatif.
Literatur Review Dalam Memprediksi Harga Jagung Untuk Pakan Ternak Menggunakan Metode Fuzzy Time Series Fauzan, Mohamad Nurkamal; Indriyani, Ririn
Jurnal Dinamika Informatika Vol. 14 No. 2 (2025): Vol. 14 No. 2 (2025)
Publisher : Program Studi Informatika Universitas PGRI Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31316/jdi.v14i2.243

Abstract

Penelitian ini merupakan tinjauan literatur yang mengkaji penerapan metode Fuzzy Time Series dalam memprediksi harga jagung sebagai pakan ternak. Fluktuasi harga jagung yang tinggi dan sulit diprediksi menjadi tantangan yang perlu diatasi. Melalui analisis literatur dan di tinjau dengan menggunakan tools publish or perish, penelitian ini menyimpulkan bahwa metode Fuzzy Time Series telah banyak digunakan dan terbukti efektif dalam memprediksi harga jagung dengan berbagai pendekatan seperti mechine learning. Metode ini mampu mengatasi fluktuasi harga jagung dan memberikan prediksi yang lebih akurat dibandingkan metode lainnya. Hasil tinjauan literatur ini memberikan pemahaman yang lebih baik tentang penggunaan metode Fuzzy Time Series dalam prediksi harga jagung untuk pakan ternak, dan dapat menjadi dasar untuk penelitian lebih lanjut dalam bidang ini.
Implementation Layered Mitigation Techniques for Unrestricted File Upload and Server-Side JavaScript Injection Hasbullah, Salman Akbar; Fauzan, Mohamad Nurkamal; Andarsyah, Roni
Jurnal Sains, Nalar, dan Aplikasi Teknologi Informasi Vol. 5 No. 1 (2026)
Publisher : Department of Informatics Universitas Islam Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20885/snati.v5.i1.42248

Abstract

The popularity of Node.js as a server-side application development platform has introduced new security challenges stemming from the dynamic features of JavaScript. Vulnerabilities such as Unrestricted File Upload (UFU) and Server-Side JavaScript Injection (SSJI) often arise from insecure input handling and over-reliance on third-party libraries. This research aims to design, implement, and evaluate a multi-layered security mitigation model for Node.js-based web applications built using the Express.js framework. A constructive research approach was employed, wherein hybrid security middleware was developed to enforce comprehensive validation. This middleware integrates content-based file type validation (magic numbers), file name sanitization to prevent path traversal, and malicious input pattern blocking to mitigate SSJI and prototype pollution. The effectiveness of the model was empirically evaluated within a controlled local testing environment using the Jest testing framework by comparing a vulnerable application against its secured counterpart. Test results demonstrate that the proposed mitigation model successfully blocked 100% of the tested attack scenarios, achieving 100% test code coverage on the core security logic. This research yields a practical solution capable of enhancing the resilience of Node.js applications against common attacks exploiting language-specific features
Analisis Model Machine learning dan Imputasi Data untuk Prediksi Tinggi Badan Anak: Systematic Literature Review Shauqie, Shahieza Alfadia; Fauzan, Mohamad Nurkamal
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 14, No 2 (2026)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v14i2.94175

Abstract

Stunting dan wasting merupakan dua masalah kesehatan utama yang berdampak pada pertumbuhan fisik dan perkembangan kognitif anak secara global. Tinggi badan anak adalah salah satu indikator penting dalam mendeteksi kondisi tersebut, namun pengukuran dan pemantauan tinggi badan secara manual sering kali menemui hambatan, seperti ketersediaan data yang memadai. Seiring berkembangnya teknologi, penerapan model machine learning menjadi alternatif yang mulai banyak digunakan untuk memprediksi tinggi badan anak secara lebih efektif dan efisien. Penelitian ini bertujuan untuk mengidentifikasi tren penggunaan machine learning, pendekatan prediktif yang digunakan, teknik imputasi data yang relevan, serta variabel-variabel yang sering digunakan. Metode Systematic Literature Review (SLR) digunakan untuk mengumpulkan dan menganalisis literatur terkait, dengan strategi pencarian yang disusun berdasarkan kata kunci spesifik dan penyaringan menggunakan pendekatan PRISMA. Hasil kajian terhadap puluhan artikel ilmiah mengungkapkan bahwa model-model ensemble seperti Random Forest, Gradient Boosting, dan Neural Network menunjukkan performa prediktif yang sangat baik dan konsisten di berbagai konteks studi. Selain itu, teknik imputasi data terbukti efektif dalam memperbaiki kualitas data input yang hilang, sehingga meningkatkan akurasi prediksi. Namun, studi ini juga menemukan bahwa integrasi antara metode prediksi dan teknik imputasi dalam satu penelitian masih sangat terbatas, sehingga menjadi celah yang potensial untuk dikembangkan dalam penelitian selanjutnya. Selain itu, penelitian ini mengidentifikasi adanya variasi signifikan dalam pelaporan metrik evaluasi dan penggunaan pendekatan yang berbeda sesuai karakteristik data dan tujuan analisis. Temuan ini memberikan landasan penting untuk pengembangan model prediktif yang lebih holistik, mampu mengakomodasi kompleksitas data biologis dan antropometrik, serta berpotensi mendukung intervensi gizi anak secara lebih tepat dan efektif di masa depan.
Co-Authors Aji Gautama Putrada Andarsyah, Roni Fadillah, Algies Rifkha Fansha, Difa Al Hamidin, Dini Hasbullah, Salman Akbar Ikke Dian Oktaviani Indriyani, Ririn Muhammad Kautsar, Muhammad Mulyanti, Khairaningrum Nur Alamsyah, Nur Setyawan, Muhammad Yusril Helmi shauqie, Shahieza Shauqie, Shahieza Alfadia Tanjung, Riani Widia Resdiana