Article Per Year (5 Year)
p-Index From 2021 - 2026
4.027
P-Index
This Author published in this journals
All Journal Jurnal CoreIT JITK (Jurnal Ilmu Pengetahuan dan Komputer) JURNAL PENDIDIKAN TAMBUSAI IJISTECH (International Journal Of Information System & Technology) EQIEN - JURNAL EKONOMI DAN BISNIS Jurnal Infortech IJISTECH Jurnal Media Informatika Tridharmadimas: Jurnal Pengabdian Kepada Masyarakat Jayakarta SPEED - Sentra Penelitian Engineering dan Edukasi Jurnal Abdimas Dosma Jurnal Ilmiah Teknik Informatika dan Komunikasi Socius: Social Sciences Research Journal Jurnal Pengabdian Masyarakat Jurnal Pengabdian Masyarakat dan Riset Pendidikan Jurnal Ilmiah Sistem Informasi Seminar Nasional Riset dan Teknologi (SEMNAS RISTEK) Jurnal Abdimas Dosma
Imam Budiawan
Universitas Nusa Mandiri
Religion Agriculture, Biological Sciences & Forestry Arts Humanities Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Health Professions Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Mathematics Nursing Public Health Social Sciences Other

Published : 37 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 37 Documents
Search

 1   2   3   4 
Komparasi Algoritma Machine Learning (SVM, Random Forest, dan Regresi Logistik) untuk Prediksi Tingkat Obesitas Achmad Rivai Syahputra; Rian Hidayat; Fathur Rismansyah; Sumanto Sumanto; Imam Budiawan; Roida Pakpahan
Jurnal Ilmiah Teknik Informatika dan Komunikasi Vol. 5 No. 3 (2025): November: Jurnal Ilmiah Teknik Informatika dan Komunikasi 
Publisher : Lembaga Pengembangan Kinerja Dosen

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55606/juitik.v5i3.1716

Abstract

Obesity is a global health issue with a continuously increasing prevalence. Early prediction of obesity levels is crucial for designing more effective intervention strategies. This study aims to apply and analyze the performance of three machine learning classification methods: Support Vector Machine (SVM), Random Forest (RF), and Logistic Regression (LR), for predicting obesity levels. The research methodology utilizes a public dataset, ObesityLevels, downloaded from the Kaggle platform, which consists of 2111 medical and lifestyle records. The process includes data preprocessing to convert categorical features into numerical ones, splitting the data into training and testing sets with a 70:30 ratio, model training, and evaluation using accuracy, precision, recall, and F1-score metrics. The results indicate that the Random Forest (RF) algorithm achieved the highest performance, with an accuracy of 90.3%, precision of 90.3%, recall of 90.3%, and an F1-score of 90.3%. Based on these findings, it is concluded that the Random Forest model is the most effective choice for an obesity level prediction system based on the dataset used.
Klasifikasi Penyakit Daun Tanaman Berbasis Citra Menggunakan Convolutional Neural Network Data Augmentation Suci, Bintang Dyas; Musfiroh, Musfiroh; Sefriani, Shintia Putriayu; Sumanto, Sumanto; Pakpahan, Roida; Budiawan, Imam
Semnas Ristek (Seminar Nasional Riset dan Inovasi Teknologi) Vol 10, No 1 (2026): SEMNAS RISTEK 2026
Publisher : Universitas Indraprasta PGRI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30998/semnasristek.v10i1.8894

Abstract

Penelitian ini membahas penerapan Convolutional Neural Network (CNN) yang dikombinasikan dengan teknik augmentasi data untuk klasifikasi penyakit daun tanaman berbasis citra. Permasalahan utama penelitian ini adalah keterbatasan jumlah data latih yang dapat memengaruhi kinerja model klasifikasi. Tujuan penelitian adalah mengevaluasi efektivitas augmentasi data dalam meningkatkan performa model CNN pada dataset berskala terbatas. Dataset yang digunakan adalah Plant Disease Recognition Dataset yang terdiri dari 1.523 citra dengan tiga kelas, yaitu Healthy, Powdery Mildew, dan Rust. Penelitian ini menggunakan metode eksperimen dengan tahapan praproses data, augmentasi data, pelatihan model, serta evaluasi performa yang seluruhnya dilakukan menggunakan Google Colab. Teknik augmentasi yang diterapkan meliputi rotasi, zoom, dan horizontal flip. Hasil penelitian menunjukkan bahwa model CNN mampu mencapai akurasi validasi yang baik, meskipun performa klasifikasi antar kelas masih bervariasi, khususnya pada kelas Rust yang memiliki karakteristik visual kompleks, sebagaimana ditunjukkan melalui confusion matrix dan classification report. Selain itu, penelitian ini mengimplementasikan skema prediksi real-time sebagai proof-of-concept. Secara keseluruhan, hasil penelitian menunjukkan bahwa kombinasi CNN dan augmentasi data efektif untuk klasifikasi penyakit tanaman pada kondisi keterbatasan data dan sumber daya komputasi.
Analisis Klaster Tingkat Stres Generasi Z Berdasarkan Pola Tidur dan Aktivitas Media Sosial Menggunakan Metode K-Means Clustering Putra, Imam Hanif; Nurrahman, Alvin; Saputra, Sabita Abigail; Sumanto, Sumanto; Budiawan, Imam; Pakpahan, Roida
Semnas Ristek (Seminar Nasional Riset dan Inovasi Teknologi) Vol 10, No 1 (2026): SEMNAS RISTEK 2026
Publisher : Universitas Indraprasta PGRI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30998/semnasristek.v10i1.8898

Abstract

Penelitian ini bertujuan untuk mengidentifikasi pola kecenderungan stres pada Generasi Z melalui analisis klaster berbasis perilaku tidur dan penggunaan media sosial. Data yang digunakan berasal dari dataset kesehatan mental publik tahun 2025 yang terdiri dari 5.000 data responden, dengan dua variabel utama yaitu durasi tidur harian dan lama penggunaan media sosial. Pendekatan kuantitatif eksploratori diterapkan menggunakan metode unsupervised learning, tanpa melibatkan label kelas. Proses analisis dilakukan melalui tahap pembersihan data, normalisasi, dan klasterisasi menggunakan algoritma K-Means yang diimplementasikan pada aplikasi Orange Data Mining. Penentuan jumlah klaster optimal dilakukan dengan evaluasi Silhouette Score, yang menunjukkan bahwa konfigurasi enam klaster memberikan kualitas pemisahan terbaik dibandingkan variasi klaster lainnya. Hasil klasterisasi memperlihatkan perbedaan karakteristik yang jelas antar kelompok, mulai dari individu dengan durasi tidur rendah dan penggunaan media sosial tinggi hingga kelompok dengan pola tidur lebih seimbang dan aktivitas digital lebih terkendali. Temuan ini menunjukkan bahwa kombinasi pola tidur dan intensitas penggunaan media sosial dapat digunakan sebagai indikator awal dalam memetakan potensi stres pada Generasi Z, serta menjadi dasar bagi penelitian lanjutan terkait kesehatan mental berbasis perilaku digital.
Penerapan Algoritma Random Forest Untuk Prediksi Tingkat Stres Dari Aktivitas Media Sosial Umar, Muhammad Hussein; Antony Pangaribuan, Rizky Daud; Primadana, Raihan; Sumanto, Sumanto; Budiawan, Imam; Pakpahan, Roida
Jurnal Media Informatika Vol. 6 No. 6 (2025): Edisi Desember 2025
Publisher : Lembaga Dongan Dosen

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55338/jumin.v6i6.7765

Abstract

Penelitian ini bertujuan untuk memprediksi tingkat stres pengguna berdasarkan data numerik yang merepresentasikan perilaku dan kebiasaan sehari-hari, seperti kualitas tidur, durasi penggunaan media sosial, frekuensi olahraga, durasi layar harian, dan indeks kebahagiaan. Pemodelan dilakukan menggunakan algoritma Random Forest melalui workflow pada Orange Data Mining yang mencakup pemuatan dataset, pemilihan atribut, penyesuaian tipe data, pelatihan model, serta evaluasi performa. Pengujian menggunakan Test and Score menunjukkan bahwa Random Forest mampu memberikan performa klasifikasi yang stabil. Visualisasi Bar Plot memperlihatkan distribusi metrik evaluasi yang konsisten, sementara Confusion Matrix menunjukkan bahwa sebagian besar prediksi berada pada kelas medium. Analisis hasil prediksi juga memperkuat kecenderungan model dalam memetakan data ke kategori stres dominan. Secara keseluruhan, penelitian ini menunjukkan bahwa metode Random Forest efektif digunakan untuk deteksi tingkat stres berbasis data numerik perilaku pengguna, serta berpotensi menjadi dasar pengembangan sistem pemantauan kesehatan mental berbasis data.
Prediksi Penyakit Jantung Menggunakan Algoritma Machine Learning Berdasarkan Indikator Kesehatan Karo-Karo, Julkarnaen; Syakir, Adryan Raihan; Raihan, Raihan; Sumanto, Sumanto; Budiawan, Imam; Pakpahan, Roida; Christian, Ade
Jurnal Ilmiah Sistem Informasi Vol. 5 No. 1 (2026): January: Jurnal Ilmiah Sistem Informasi
Publisher : LPPM Universitas Sains dan Teknologi Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51903/1tgz3234

Abstract

Penyakit jantung tetap menjadi penyebab utama kematian di seluruh dunia, sehingga menekankan perlunya deteksi dini dan langkah pencegahan aktif melalui pendekatan yang didasarkan pada analisis data. Penelitian ini bertujuan untuk memprediksi kemungkinan terjadinya penyakit jantung dengan memanfaatkan berbagai metode pembelajaran mesin, yang bergantung pada indikator kesehatan seperti nilai tekanan darah, tingkat kolesterol, indeks massa tubuh, serta pengukuran denyut nadi. Penelitian ini menerapkan teknik pembelajaran terawasi, meliputi Regresi Logistik, Pohon Keputusan, Hutan Acak, dan Mesin Vektor Pendukung, untuk mengevaluasi efektivitas masing-masing model dalam menentukan kondisi kesehatan pasien. Data yang digunakan berasal dari repositori kesehatan yang dapat diakses secara gratis, mencakup 303 catatan medis pasien, di mana setiap catatan ditandai oleh 14 atribut kesehatan yang berbeda. Untuk memastikan keandalan data, beberapa langkah pra-pemrosesan diterapkan, seperti normalisasi, seleksi fitur, dan penanganan data yang hilang. Temuan eksperimen mengungkapkan bahwa algoritma Hutan Acak menunjukkan akurasi tertinggi sebesar 92,3%, mengungguli model lainnya dalam aspek presisi, recall, dan skor F1. Hal ini menandakan bahwa metode Hutan Acak unggul dalam mendeteksi pola dan faktor yang memperbesar risiko penyakit jantung. Penelitian ini berkontribusi pada pengembangan sistem diagnostik cerdas, yang dapat mendukung tenaga medis dalam pengambilan keputusan awal yang didasarkan pada bukti kuat. Kesimpulan dari studi ini menyoroti pentingnya memasukkan teknologi pembelajaran mesin ke dalam ekosistem layanan kesehatan digital guna meningkatkan ketepatan diagnosis dan memperbaiki hasil kesehatan pasien.
Implementasi Data Mining Pada Gangguan Tidur Berdasarkan Gaya HidupMenggunakan Metode K-Means Clustering Zalmi, Indah Oktavia; Faatin, Safinah; Yunardus, Yunardus; Sumanto, Sumanto; Budiawan, Imam; Pakpahan, Roida
Jurnal Ilmiah Sistem Informasi Vol. 5 No. 1 (2026): January: Jurnal Ilmiah Sistem Informasi
Publisher : LPPM Universitas Sains dan Teknologi Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51903/fvjn4865

Abstract

Gaya hidup sehat (GHS) memiliki peran penting dalam menjaga kesejahteraan fisik dan mental, khususnya pada kalangan mahasiswa dan pekerja. Namun, tren gaya hidup modern yang semakin bersifat sedentari telah secara signifikan meningkatkan risiko munculnya berbagai masalah kesehatan seperti stres, penurunan konsentrasi, obesitas, dan penyakit kronis. Penelitian ini bertujuan untuk mengidentifikasi dan mengelompokkan individu berdasarkan profil gaya hidup dan kualitas tidur mereka menggunakan metode K-Means Clustering. Variabel yang dianalisis mencakup durasi tidur, tingkat stres, aktivitas fisik, indeks massa tubuh (BMI), serta pola gangguan tidur. Analisis dilakukan dengan memanfaatkan dataset Sleep Health and Lifestyle untuk mengungkap pola tersembunyi dalam kebiasaan perilaku dan kesehatan responden. Proses pengelompokan menghasilkan tiga kelompok utama, yaitu: (1) individu dengan gaya hidup sehat optimal yang ditandai dengan tidur yang cukup, pola makan seimbang, dan aktivitas fisik teratur; (2) individu dengan risiko sedang yang memiliki kebiasaan hidup tidak teratur dan tingkat stres menengah; serta (3) individu berisiko tinggi yang dicirikan oleh kualitas tidur yang buruk, stres tinggi, dan kebiasaan hidup yang kurang sehat. Temuan ini menunjukkan bahwa algoritma K-Means efektif dalam mengklasifikasikan individu ke dalam kelompok gaya hidup yang bermakna, sehingga mampu memberikan representasi yang akurat terhadap profil kesehatan populasi. Hasil penelitian ini diharapkan dapat membantu lembaga pendidikan, organisasi kesehatan, dan tempat kerja dalam merancang program promosi kesehatan yang lebih terarah dengan menekankan pengelolaan tidur yang baik, nutrisi seimbang, serta aktivitas fisik rutin untuk meningkatkan kesejahteraan dan produktivitas secara keseluruhan.
Implementasi DeepFace dan OpenCV untuk Prediksi Umur dan Jenis Kelamin Berdasarkan Citra Wajah: Penelitian GF, M. Iqbal; Khadafi, Amar; Satrio W, Aryo; Fani, Dzattho Key; Budiawan, Imam; Desmulyati, Desmulyati
Jurnal Pengabdian Masyarakat dan Riset Pendidikan Vol. 4 No. 3 (2026): Jurnal Pengabdian Masyarakat dan Riset Pendidikan Volume 4 Nomor 3 (Januari 202
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/jerkin.v4i3.4956

Abstract

The development of Artificial Intelligence technology in the field of facial image processing has encouraged the emergence of various methods for automatically analyzing human attributes. This study implements the DeepFace and OpenCV libraries to detect faces and predict age and gender based on human facial images. DeepFace provides integration with various pre-trained models such as VGG-Face, OpenFace, and DeepID so that the analysis process can be carried out without retraining. This study uses several stages starting from image upload, face detection, facial attribute analysis, and visualization of the prediction results. From the tests conducted, the system successfully identified faces stably and provided relatively accurate age and gender estimates, especially in images with sufficient lighting and frontal facial poses. The results of this study indicate that DeepFace can be used as a practical solution in the development of facial image-based biometric systems.
Analisa Prediksi Kelulusan Mahasiswa Menggunakan Metode Machine Learning: Penelitian Walya, Abdul Khalik; Sulistyo, Hasbi Rizki; Pratama, Ibnu Agustian; Akmal, Sifatul; Budiawan, Imam; Desmulyati, Desmulyati
Jurnal Pengabdian Masyarakat dan Riset Pendidikan Vol. 4 No. 3 (2026): Jurnal Pengabdian Masyarakat dan Riset Pendidikan Volume 4 Nomor 3 (Januari 202
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/jerkin.v4i3.4959

Abstract

Student graduation prediction is an important issue in higher education as it is closely related to the evaluation of academic success. Various machine learning algorithms have been applied to predict student graduation based on academic data. This study conducts a comparative analysis of three classification algorithms, namely Logistic Regression, Random Forest, and K-Nearest Neighbor, using a simulated dataset consisting of 200 student records with attributes including age, department, GPA, and graduation year. The research stages include data preprocessing, data splitting, model training, and performance evaluation using classification metrics. Experimental results indicate that Logistic Regression and Random Forest achieve the best performance with an accuracy of 100%, while the K-Nearest Neighbor algorithm attains an accuracy of 80%. These findings highlight that data characteristics and algorithm selection significantly affect the accuracy of student graduation prediction.
CLAHE-Enhanced YOLOv8: Deteksi Pelanggaran Helm Real-Time pada Citra CCTV Low-Light: Penelitian Wijaya, Devin Nurman; Ariyanto, Dedy; Bintang S.N, Prasetyo; Cecilia P, Levina; Budiawan, Imam; Desmulyati, Desmulyati
Jurnal Pengabdian Masyarakat dan Riset Pendidikan Vol. 4 No. 3 (2026): Jurnal Pengabdian Masyarakat dan Riset Pendidikan Volume 4 Nomor 3 (Januari 202
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/jerkin.v4i3.4964

Abstract

Low lighting conditions in CCTV images cause a decrease in the accuracy of the Electronic Traffic Law Enforcement (E-TLE) system, especially in detecting helmet use among motorcyclists. Dark images with low contrast and high noise hinder the feature extraction process, so that deep learning-based detection models often produce False Negatives. This study proposes the integration of the Contrast Limited Adaptive Histogram Equalization (CLAHE) preprocessing method with the YOLOv8 architecture to improve the performance of helmet violation detection in low-light environments. The Helmet Detection dataset is used with the addition of synthetic low-light augmentation to simulate variations in nighttime lighting intensity. Tests show that the use of CLAHE can significantly improve the quality of visual features, as evidenced by the increase in Mean Average Precision (mAP@0.5) from 72.4% in raw images to 89.1% after preprocessing. In addition, the system is still able to operate in real-time with an average speed of 35–37 FPS on a Tesla T4 GPU. These results indicate that the integration of CLAHE and YOLOv8 is effective in improving the reliability of helmet violation detection in low-light conditions and is feasible to be implemented in computer vision-based traffic surveillance systems.
Analisa Komparasi Kinerja Algoritma K-Nearest Neighbor (K-NN) dan Decision Tree dalam Klasifikasi Situs Web Phising: Penelitian Prasetyo, Fajar Dwi; Maulana, Muhammad; Ramadhan, Faris; Setiabudi, Ananda Lutfi; Budiawan, Imam; Desmulyati, Desmulyati
Jurnal Pengabdian Masyarakat dan Riset Pendidikan Vol. 4 No. 3 (2026): Jurnal Pengabdian Masyarakat dan Riset Pendidikan Volume 4 Nomor 3 (Januari 202
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/jerkin.v4i3.4965

Abstract

Phishing attacks represent a significant cybersecurity threat aimed at stealing sensitive user information through psychological manipulation using fake websites. Conventional detection methods relying on blacklists are considered ineffective in recognizing zero-day attacks or newly published phishing sites. This study aims to develop an automated detection model using a Machine Learning approach by comparing the performance of two Supervised Learning algorithms: K-Nearest Neighbor (K-NN) and Decision Tree. The dataset used is sourced from the UCI Machine Learning Repository, consisting of 11,055 records with 30 URL characteristic features. Performance evaluation was conducted using Accuracy metrics and Confusion Matrix analysis. Experimental results indicate that the Decision Tree algorithm significantly outperforms K-NN with an accuracy of 95.21%, while K-NN achieved an accuracy of only 60.11%. Furthermore, Decision Tree demonstrated a very low False Negative rate, making it a more recommended model for real-time cybersecurity system implementation.
Co-Authors Achmad Rivai Syahputra Ade Christian, Ade Ade Setiawan Ahmad Yusuf Akmal, Sifatul Alam, Java Diovanka Amas Sari Marthanti Antony Pangaribuan, Rizky Daud Arfhan Prasetyo - STMIK Nusa Mandiri Arfhan Prasetyo - UBSI ARIYANTO, DEDY Astriana Mulyani Astriana Mulyani, Mulyani Bakara, Michael Gilbert Balqis, Aisyah Shinta Bella - STMIK Nusa Mandiri Bella - UBSI Belsana Butar Butar Bintang S.N, Prasetyo Canavaro, Reafael Andrian Cecilia P, Levina Desi Mulyati Desmulyanti, Desmulyanti Desmulyati, Desmulyati Dwi Arum Ningtyas Faatin, Safinah Fadlil, Galih Min Fahrani, Deny Wahyu FAHRIZAL Fani, Dzattho Key Fathur Rismansyah Ferdiansyah, Fendi Feri Andrianto Firstianty Wahyuhening Fibriany Gata, Windu GF, M. Iqbal Hafid, Shabrina Auliya Zahra Hamka, Muhammad Faiz Hani Harafani Hani Harafani, Hani Hari, Raga Suhada Henny Leidiyana Hoiriah Hoiriah I Ispandi Ika Kurniawati Imam Sujarwo ispandi ispandi Ispandi Ispandi Ispandi Ispandi, Ispandi Karo-Karo, Julkarnaen Khadafi, Amar Kiswanto, Andi Diah Martua HamiSiregar Maulidia, Nahya Faulya Muhammad Maulana Muhammad Nasrulloh Mulyadi Mulyadi Mulyani, Astriana Musfiroh Musfiroh, Musfiroh Mushliha Nabil, Avrillistianto Ananda Nugraha, Naufal Aqiil Nugroho, Muhammad Haikal Nugroho, Sandra Bagus Nurrahman, Alvin Pakpahan, Roida Prakoso, Adhimas Prasetya, Arfhan Prasetyo, Fajar Dwi Pratama, Ibnu Agustian Primadana, Raihan Putra, Imam Hanif Rafael, Muhammad Yuzakki Raja Raihan Raihan, Raihan Ramadhan, Faris Ramdhan, Musyaffa Rian Hidayat Rizky, Fernando Jovanca Roida Pakpahan Romdonni, Achmad Roddi Rusli, Ahmad Rais Salsabila, Khalisa Saputra, Sabita Abigail Saputra, Sofiyan Aris Satrianto, Dimas Satrio W, Aryo Sefriani, Shintia Putriayu Setiabudi, Ananda Lutfi Sidik Sidik Sidik Sidik Sidik Sidik Suci, Bintang Dyas Sulistyo, Hasbi Rizki Sulistyowati, Daning Nur Sumanto, Sumanto Sungkar, Adam Andrea Susan Rachmawati Syakir, Adryan Raihan Umar, Muhammad Hussein Ummu Radiyah Ummu Radiyah Ummu Radiyah, Ummu Walya, Abdul Khalik Wardhana, Ade Ikhsanudin Setiawan Wati Erawati Wijaya, Devin Nurman Wildantama, Farih Ramdan Wirahman, Raihan Putra Yasin, Saeful Yunardus, Yunardus Yuris Alkhalifi Zalmi, Indah Oktavia