Article Per Year (5 Year)
p-Index From 2021 - 2026
3.657
P-Index
This Author published in this journals
All Journal Jurnal Pekommas JUMANJI (Jurnal Masyarakat Informatika Unjani) Jurnal Tekno Kompak METIK JURNAL JUTIS : Jurnal Teknik Informatika JATI (Jurnal Mahasiswa Teknik Informatika) Journal Cerita: Creative Education of Research in Information Technology and Artificial Informatics JIKA (Jurnal Informatika) Informatics and Digital Expert (INDEX) Jurnal Ilmiah Wahana Pendidikan Journal of Informatics and Communication Technology (JICT) Jurnal Locus Penelitian dan Pengabdian Jurnal Ilmu Komputer dan Teknologi (IKOMTI) Jurnal Algoritma Jurnal Global Ilmiah INOVTEK Polbeng - Seri Informatika
Ashaury, Herdi
Unknown Affiliation
Religion Aerospace Engineering Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Languange, Linguistic, Communication & Media Mathematics Medicine & Pharmacology Social Sciences Other

Published : 25 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 25 Documents
Search

 1   2   3 
Optimalisasi Klasifikasi Support Vector Machine dengan SMOTE: Studi Kasus Ulasan Pengguna Aplikasi Alfagift Mulianti, Adhani; Chrisnanto, Yulison; Ashaury, Herdi
Jurnal Pekommas Vol 9 No 2 (2024): Desember 2024
Publisher : Sekolah Tinggi Multi Media “MMTC” Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56873/jpkm.v9i2.5583

Abstract

Support Vector Machine (SVM) is a supervised learning algorithm that works by classifying based on classes that refer to patterns resulting from the training process. SVM has several commonly and popularly used kernels, one of which is the linear kernel. The weakness of SVM is in the "parameter selection" and its performance tends to be poor in the case of unbalanced datasets. The purpose of this study is to overcome the weaknesses of the SVM algorithm with the proposed method. This research uses a linear kernel with feature extraction that is Word2Vec with Skip-gram model, and in handling the data imbalance problem using SMOTE (oversampling) technique. The results showed that the unbalanced dataset produced an accuracy of 90% and the balanced dataset (SMOTE) produced an accuracy of 92%, so the SMOTE oversampling technique was proven to increase the accuracy results by 2%.
Optimasi Klasifikasi Sentimen pada Komentar Online menggunakan Multinomial Naïve Bayes dan Ekstraksi Fitur TF-IDF serta N-grams Gerliandeva, Alfin; Chrisnanto, Yulison; Ashaury, Herdi
Jurnal Pekommas Vol 9 No 2 (2024): Desember 2024
Publisher : Sekolah Tinggi Multi Media “MMTC” Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56873/jpkm.v9i2.5585

Abstract

The Naïve Bayes (NB) algorithm is a classifier method that calculates simple probabilities and it is suitable for text classification in the context of sentiment analysis. The classic variant of NB is Multinomial Naïve Bayes (MNB). The weakness of the MNB algorithm is the assumption of feature independence. This research uses a dataset of comments and reviews from various online platforms. This study uses the proposed method to handle the weakness of the MNB algorithm, namely the use of TF-IDF feature extraction and N-grams (1-gram to 5-gram), and the use of Chi-Square feature selection, as well as handling dataset imbalance using SMOTE (oversampling and undersampling method). The results of this study show that the use of pentagram (5-gram) with data that has been oversampled by SMOTE produces the highest accuracy value of 94% and an Area Under Curve (AUC) value of 100%
Klasifikasi Citra Pada Wayang Kulit Menggunakan Convolutional Neural Network Nurhasanah, Wulandari; Witanti, Wina; Ashaury, Herdi
Journal Cerita: Creative Education of Research in Information Technology and Artificial Informatics Vol 11 No 1 (2025): Journal CERITA : Creative Education of Research in Information Technology and Ar
Publisher : UNIVERSITAS RAHARJA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33050/cerita.v11i1.3700

Abstract

This research aims to develop a Convolutional Neural Network (CNN)-based shadow puppet image classification system by utilizing the ResNet-18 architecture, which is known to be efficient in handling image data and has a high level of accuracy. The system is designed to classify the Punakawan characters in shadow puppets, namely Bagong, Gareng, Petruk, and Semar, which are part of Indonesia's cultural heritage. In addition, this study also compares the performance of ResNet-18 with two other architectures, namely MobileNetV2 and DenseNet121. The dataset used consists of 2,148 images, which were obtained through live shooting and online searches. The images were processed using augmentation techniques and divided in a ratio of 70:15:15 for training, validation, and testing. The model was trained using optimal hyperparameters, such as learning rate 0.001 and batch size 32, to evaluate the performance of the three architectures. The evaluation results showed that the ResNet-18 architecture, as the main focus of the research, achieved an overall accuracy of 93.90%, with precision, recall, and F1-score of 94% each. In comparison, MobileNetV2 produced the highest validation accuracy of 96%, with better performance in generalization, while DenseNet121 produced a validation accuracy of 95%. This result confirms that although MobileNetV2 has the best performance in shadow puppet image classification, ResNet-18 still shows excellent results with simpler complexity, so it can be an efficient solution for the implementation of Punakawan shadow puppet classification system.
Implementasi Algoritma Enkripsi Blowfish dan Rijndael dalam Pengamanan File Text Ramadhani, Desnantia Eka; Sabrina, Puspita Nurul; Ashaury, Herdi
Jurnal Locus Penelitian dan Pengabdian Vol. 4 No. 8 (2025): JURNAL LOCUS: Penelitian dan Pengabdian
Publisher : Riviera Publishing

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58344/locus.v4i8.4356

Abstract

Kemajuan teknologi informasi mempermudah proses penyimpanan dan pertukaran data digital, termasuk file teks. Namun, kemudahan ini juga membuka peluang terhadap ancaman keamanan data seperti pencurian atau manipulasi informasi. Untuk mengatasi hal tersebut, diperlukan metode pengamanan yang efektif, salah satunya melalui enkripsi. Penelitian ini membahas implementasi dan analisis dua algoritma kriptografi simetris, yaitu Blowfish dan Rijndael (AES), dalam menjaga keamanan file teks. Implementasi dilakukan menggunakan bahasa pemrograman Python, dengan pengujian terhadap efisiensi waktu proses enkripsi-dekripsi dan perubahan ukuran file. Hasil penelitian menunjukkan bahwa kedua algoritma mampu menjaga kerahasiaan data, namun memiliki perbedaan performa. Algoritma Blowfish lebih cepat dalam memproses file berukuran kecil, sedangkan Rijndael menunjukkan performa yang lebih konsisten untuk file yang lebih besar. Oleh karena itu, pemilihan algoritma enkripsi sebaiknya disesuaikan dengan kebutuhan sistem dan karakteristik data yang akan diamankan.
Desain Dashboard Command Center Kabupaten Bandung Barat Menggunakan Metode Design Thinking Khoirullah, Debri; Nurul Sabrina, Puspita; Ashaury, Herdi
METIK JURNAL (AKREDITASI SINTA 3) Vol. 9 No. 2 (2025): METIK Jurnal
Publisher : LPPM Universitas Mulia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47002/9bhp6x40

Abstract

The advancement of digitalization requires local governments to provide information services that are efficient, well-structured, and user-friendly. This study aims to design the dashboard interface for the West Bandung Regency Command Center using the Design Thinking method. The approach involves five stages—empathize, define, ideate, prototype, and test—to deeply understand user needs and deliver appropriate design solutions. Data collection was conducted through interviews and observations, followed by the creation of an interactive prototype using Figma. Usability evaluation was carried out using the System Usability Scale (SUS). The results show that the redesigned dashboard presents government data in a more informative, structured, and intuitive manner and achieved a high SUS score during testing, with an average score of 75.625, categorized as Good. This study contributes uniquely to the development of user-centered government information systems, particularly in the context of command center applications. A limitation of this study is the small number of respondents in the usability test, due to the fact that the primary users of the system are executive officials who typically do not interact directly with the UI/UX. Thus, representatives from Diskominfo—who understand the interface from a technical and operational perspective—were selected as respondents. Given the limited number of personnel operating the command center, the involvement of four respondents was considered sufficient and contextually appropriate.
Prediksi Pembatalan Reservasi Hotel Menggunakan Metode Xgboost Cepi, Gan; Umbara, Fajri Rakhmat; Ashaury, Herdi
Jurnal Global Ilmiah Vol. 2 No. 12 (2025): Jurnal Global Ilmiah
Publisher : International Journal Labs

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55324/jgi.v2i12.270

Abstract

Penelitian ini dilatarbelakangi oleh tingginya tingkat pembatalan reservasi hotel yang berdampak signifikan terhadap pendapatan dan operasional industri perhotelan. Tujuan penelitian adalah memprediksi pembatalan reservasi hotel menggunakan algoritma XGBoost untuk meningkatkan akurasi prediksi dan mendukung pengambilan keputusan manajerial. Metode yang digunakan adalah studi eksperimental dengan data historis reservasi hotel dari Kaggle, yang melalui tahap preprocessing (pembersihan, seleksi, dan transformasi data), pembagian data latih dan uji, serta klasifikasi menggunakan XGBoost. Hasil penelitian menunjukkan bahwa XGBoost mencapai akurasi hingga 94,15%, dengan precision 98%, recall 85%, dan F1-score 91%. Faktor utama yang memengaruhi pembatalan adalah riwayat pembatalan sebelumnya, perubahan reservasi, dan jumlah permintaan khusus. Implikasi penelitian ini adalah memberikan solusi berbasis data mining yang efektif untuk meminimalkan risiko pembatalan serta meningkatkan efisiensi manajemen reservasi hotel. colsample.
Prediksi Kelancaran Nasabah Terhadap Pembayaran Angsuran Pinjaman Dengan Menggunakan Metode Algoritma Klasifikasi C4.5 Gikaldi Arbiyan Septuri; Nurul Sabrina, Puspita; Ashaury, Herdi
JURNAL TEKNIK INFORMATIKA UNIS Vol. 12 No. 2 (2024): Jutis (Jurnal Teknik Informatika)
Publisher : Universitas Islam Syekh Yusuf

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33592/jutis.v12i2.5116

Abstract

Pinjaman adalah salah satu kegiatan terpenting lembaga keuangan. Masalah yang umum terjadi di lembaga keuangan adalah banyak nasabah yang kesulitan membayar cicilan, sehingga perusahaan berpotensi mengalami kerugian. Masalah ini diselesaikan dengan teknik data mining., yaitu menggunakan algoritma C4.5 untuk memprediksi kelancaran nasabah pembayaran terhadap angsuran. Tetapi, Data yang tidak seimbang merupakan tantangan bagi kinerja algoritma C4.5. Keadaan dimana model hanya mampu memprediksi kelas mayoritas. Akibatnya model C4.5 cenderung mengenali data minoritas sebagai data mayoritas. Masalah ini akan diselesaikan dengan metode penyeimbangan data Random Oversampling. Hasil dari penelitian ini mengungkapkan bahwa dengan hanya metode algoritma C4.5 menunjukkan akurasi sebesar 0.88 namun hanya memprediksi kelas mayoritas, Sedangkan penerapan Random Oversampling terbukti algoritma C4.5 berhasil mengenali distribusi kedua kelas dengan akurasi sebesar 0.79 dalam memprediksi kelancaran nasabah dalam membayar angsuran.
Klasifikasi Myers-Briggs Type Indicator Pengguna Twitter Menggunakan Support Vector Machine dan Augmentasi Data Athallah, Sulthan; Ashaury, Herdi; Sabrina, Puspita Nurul
JUMANJI (Jurnal Masyarakat Informatika Unjani) Vol 8 No 1 (2024): Jurnal Masyarakat Informatika Unjani
Publisher : Jurusan Informatika Universitas Jenderal Achmad Yani

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26874/jumanji.v8i1.339

Abstract

Kepribadian merupakan aspek yang melekat pada seseorang, salah satu cara menentukannya yaitu dengan Myers-Briggs Type Indicator (MBTI). Beberapa penelitian terdahulu sudah melakukan klasifikasi MBTI menggunakan beberapa metode data mining. Salah satunya merupakan Support Vector Machine (SVM). Karena akurasi penelitian ini saat eksperimen kecil, maka digunakannya metode tambahan untuk meningkatkan performa model SVM yaitu dengan menggunakan augmentasi data. Proses klasifikasi diawali dengan preprocessing data, yaitu data cleaning dan text preprocessing. Lalu data dibobotkan menggunakan Term-Frequency Inverse Document Frequency. Data yang sudah dibersihkan berjumlah 154.813 record. Kemudian membagi menjadi data latih dan uji dengan volume 70:30 untuk menghindari overfitting. Data latih dilatih dengan SVM dan dievaluasi, lalu data latih yang sudah melalui preprocessing diaugmentasi dengan synonym replacement sebanyak lima iterasi. Proses ini menghasilkan 1.083.658 record untuk data latih. Data hasil augmentasi diekstraksi dan klasifikasi SVM kembali. Kemudian model dengan data latih asli dan hasil augmentasi digunakan untuk klasifikasi data uji dan berhasil meningkatkan 6% performa model SVM untuk klasifikasi dimensi MBTI.
REENGINEERING ARSITEKTUR MONOLITHIC KE MICROSERVICES PADA WEBSITE MANAGEMENT CONTENT MQTV Putra Permana, Daffa; Ashaury, Herdi; Nurul Sabrina, Puspita
Jurnal Locus Penelitian dan Pengabdian Vol. 2 No. 9 (2023): Jurnal Locus Penelitian dan Pengabdian
Publisher : Riviera Publishing

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58344/locus.v2i9.1723

Abstract

Perkembangan teknologi memberikan banyak manfaat. Salah satu teknologi yang sudah banyak digunakan dan membantu pekerjaan masyarakat adalah internet. MQTV adalah perusahaan stasiun TV yang menyediakan konten mereka dalam bentuk digital. MQTV memiliki website CMS dalam pengelolaan konten. Namun, seiring berjalannya waktu, website MQTV dapat mengalami masalah seperti batasan skalabilitas terbatas. Penggunaan arsitektur microservices dalam pengembangan aplikasi dapat memecahkan masalah arsitektur monolithic. Tujuan penelitian melakukan reengineering arsitektur website menjadi microservice, melakukan tahapan atau fase reengineering dan membandingkan hasil load testing dari website monolith dan   microservice. Metode penelitian yang dilakukan yaitu project feasibility analisis, analisi and planning, reengineering implementation dan testing and transition. Analisis kelayakan dilakukan pada website MQTV dengan hasil yaitu akan dilakukan reengineering arsitektur menjadi microservice. Analisi dan perancangan dilakukan untuk memahami struktur microservice yang akan dibuat. Reengineering implementasi dilakukan dengan membuat service-service dengan menggunakan REST api dan mencantumkan dokumentasi-dokumentasi dari hasil implementasi. Hasil dari implementasi website microservice dilakukan pegujian dengan menggunakan metode load testing dengan hasil menunjukan laju kinerja website arsitektur microservice lebih unggul dari arsitektur monolithic. metode penelitian yang di gunakan adalah Project Feasibility Analysis Mengevaluasi kebutuhan dan tujuan organisasi yang dicapai oleh sistem yang ada, produk perangkat lunak yang digunakan saat ini harus dianalisis dalam hal spesifikasi masalah termasuk tujuan, motivasi, batasan, dan aturan bisnis. hasil dari penelitian ini agar mengetahuai hasil percobaan pengujian yang dapat disimpulkan pada website CMS MQTV dengan arsitektur microservice lebih unggul dibandingkan dengan monolithic.
KLASIFIKASI VIDEO PADA MEDIA SOSIAL YOUTUBE DENGAN MENGGUNAKAN METODE K-MEANS DAN SUPPORT VECTOR MACHINE Krisdianto Sitanggang, Sari; Rakhmat Umbara, Fajri; Ashaury, Herdi
Jurnal Locus Penelitian dan Pengabdian Vol. 2 No. 10 (2023): jurnal locus penelitian dan pengabdian
Publisher : Riviera Publishing

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58344/locus.v2i10.1732

Abstract

Dalam era digital dan sosial media, platform seperti YouTube telah menjadi salah satu sumber utama video konten. Meningkatnya jumlah video di YouTube memunculkan kebutuhan untuk mengklasifikasikan video-video ini, baik untuk tujuan manajemen konten, rekomendasi, atau penegakan hukum. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan metode klasifikasi video yang efektif berdasarkan kontennya. Tujuan dari penelitian ini Mengembangkan sistem klasifikasi video yang dapat mengidentifikasi dan mengkategorikan video di platform media sosial YouTube. Mengimplementasikan metode k-Means dan Support Vector Machine (SVM) sebagai alat utama dalam proses klasifikasi. Meningkatkan akurasi dalam mengklasifikasikan video berdasarkan fitur-fitur kontennya. Meningkatkan pemahaman tentang penggunaan teknik Machine Learning dalam mengelola konten video di platform media sosial. Penelitian ini menggunakan metode k-Means untuk mengelompokkan video berdasarkan kesamaan fitur-fitur kontennya. Selanjutnya, Support Vector Machine (SVM) digunakan untuk melakukan klasifikasi berdasarkan hasil kelompok dari k-Means. Data yang digunakan dalam penelitian ini terdiri dari dataset video dari YouTube, dan fitur-fitur ekstrak yang relevan seperti tag, deskripsi, dan pemrosesan gambar. Proses eksperimen dan pengujian dilakukan untuk mengukur akurasi klasifikasi. Hasil penelitian ini menunjukkan bahwa kombinasi metode k-Means dan SVM dapat digunakan untuk mengklasifikasikan video pada platform media sosial YouTube dengan tingkat akurasi yang baik. Dengan menggunakan fitur-fitur konten yang relevan, sistem ini mampu mengenali kategori video dengan baik, yang bermanfaat untuk manajemen konten, analisis, dan rekomendasi. Kesimpulan dari penelitian ini Dalam era digital yang dipenuhi dengan konten video, penelitian ini menawarkan pendekatan yang efektif dalam mengklasifikasikan video di platform media sosial YouTube. Metode k-Means dan SVM berhasil digunakan untuk mengelompokkan dan mengklasifikasikan video dengan akurasi yang baik.
Co-Authors Arianto, Ilham Gumeraruloh Athallah, Sulthan Cepi, Gan Edvin Ramadhan Fauzan, Mochammad Gerliandeva, Alfin Gikaldi Arbiyan Septuri Gunawan Abdillah, Gunawan Hadiana, Asep Id Humaira, Hana Nazla Kafi, Moch. Nurul Kahfi, Muhammad Dzatul Kharis Pratama, Adam Khoirullah, Debri Krisdianto Sitanggang, Sari Mulianti, Adhani Nurhaliza, Nabillah Nurhasanah, Wulandari Nurul Sabrina , Puspita Nurul Sabrina, Puspita Oliviana Zabka, Arthur Permana, Hary Puspita Nurul Sabrina, Puspita Nurul Putra Permana, Daffa Rahayu, Ania Rakhmat Umbara, Fajri Ramadhani, Desnantia Eka Ria Andriani Sutialisna, Susan Trianggara, Dhani Umbara, Fajri Rakhmat Wina Witanti Wirianto, Rahmadi Dimas Yulison Herry Chrisnanto