Article Per Year (5 Year)
p-Index From 2021 - 2026
1.152
P-Index
This Author published in this journals
All Journal Indonesian Journal of Artificial Intelligence and Data Mining JURNAL INSTEK (Informatika Sains dan Teknologi) Jurnal Mnemonic JATI (Jurnal Mahasiswa Teknik Informatika) Journal of Empowerment and Community Service JSE Journal of Science and Engineering
Hasudungan, Rofilde
Unknown Affiliation
Religion Agriculture, Biological Sciences & Forestry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Law, Crime, Criminology & Criminal Justice Mechanical Engineering Public Health Social Sciences Transportation

Published : 6 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 6 Documents
Search

 1 
PENERAPAN METODE NAIVE BAYES KLASIFIKSI KELAYAKAN PENERIMA BANTUAN PANGAN NON TUNAI (BPNT) Sofie Azizah, Jahra; Pranoto, Wawan Joko; Hasudungan, Rofilde
Jurnal Mnemonic Vol 8 No 1 (2025): Mnemonic Vol. 8 No. 1
Publisher : Teknik Informatika, Institut Teknologi Nasional malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/mnemonic.v8i1.12778

Abstract

Program Bantuan Pangan Non Tunai (BPNT) masih menghadapi kendala dalam menentukan penerima yang benar-benar layak sehingga diperlukan metode klasifikasi yang dapat meningkatkan ketepatan dalam seleksi penerima bantuan. Penelitian ini bertujuan untuk mengklasifikasikan kelayakan penerima BPNT di Kelurahan Bukit Biru menggunakan metode Naïve Bayes. Data yang digunakan mencakup 1041 data kelayakan penerima BPNT yang diperoleh dari Kelurahan Bukit Biru pada tahun 2023 dengan data yang mencakup jumlah penghasilan, jumlah tanggungan, jumlah kendaraan, status perkawinan, jenis pekerjaan, dan kondisi rumah. Model Naïve Bayes diterapkan dengan pembagian data latih dan data uji dengan rasio 9:1. Naïve Bayes bekerja dengan menghitung probabilitas setiap kelas berdasarkan atribut yang diberikan dan menentukan hasil akhir berdasarkan probabilitas tertinggi, menjadikannya metode yang efektif untuk klasifikasi data BPNT. Hasil penelitian menunjukan bahwa metode Naïve Bayes berhasil menentukan kelas kedalam dua kategori yaitu layak atau tidak layak dengan akurasi sebesar 90%. Oleh karena itu diharapkan penelitiaan ini dapat membantu meningkatkan ketepatan sasaran dalam penyaluran bantuan sosial. Dengan demikian, penelitian ini dapat berkontribusi dalam meningkatkan efisiensi program bantuan sosial dan mendukung pengentasan kemiskinan.
IMPLEMENTASI METODE K-NEAREST NEIGHBOR (KNN) UNTUK MENENTUKAN PENERIMA BANTUAN PANGAN NON TUNAI (BPNT) Hafizh Mas'Ud, Muhammad; Joko Pranoto, Wawan; Hasudungan, Rofilde
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 2 (2025): JATI Vol. 9 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i2.12752

Abstract

Bantuan Pangan Non Tunai (BPNT) merupakan program pemerintah Indonesia yang bertujuan untuk mendukung kebutuhan pangan masyarakat kurang mampu melalui bantuan berbasis non-tunai. Namun, dalam implementasinya seringkali ditemukan permasalahan penerima bantuan yang tidak tepat sasaran, seperti keluarga dengan kondisi ekonomi stabil yang terdaftar sebagai penerima, sementara keluarga yang lebih membutuhkan justru terabaikan, sehingga dilakukan klasifikasi penerima Bantuan Pangan Non Tunai (BPNT) menggunakan metode K-Nearest Neighbor (KNN). K-Nearest Neighbor (KNN) merupakan algoritma pembelajaran mesin yang bekerja dengan mengklasifikasikan data berdasarkan kedekatan atau jarak data baru terhadap data yang telah dilabeli sebelumnya. Data penerima BPNT diklasifikasikan menggunakan beberapa variabel, seperti jenis pekerjaan, jumlah penghasilan, dan jumlah tanggungan.Proses klasifikasi melibatkan beberapa tahapan penting, yaitu inisialisasi parameter awal, perhitungan jarak antar data menggunakan metrik Euclidean, dan penentuan klasifikasi akhir melalui proses voting mayoritas dari tetangga terdekat dengan nilai K yang telah ditentukan, sehingga penelitian ini menemukan bahwa metode K-Nearest Neighbor (KNN) mampu menghasilkan akurasi klasifikasi sebesar 87,56%. Dengan demikian, metode ini dapat diandalkan sebagai solusi untuk mendukung penentuan penerima bantuan yang lebih tepat sasaran.
Digital Business Implementation for the Development of Basreng and Sus Kering Snack Sales through Instagram and Shopee in Samarinda City: Penerapan Bisnis Digital untuk Pengembangan Penjualan Snack Basreng dan Sus Kering melalui Instagram dan Shopee di Kota Samarinda Reza, Andi; Hasudungan, Rofilde; Ilham, Muhammad Fauzan Nur; Andromeda, Radhitya; Yahya, Alan; Rudiman
Journal of Empowerment and Community Service (JECSR) Vol. 3 No. 1 (2023): November
Publisher : Wadah Inovasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53622/jecsr.v3i1.372

Abstract

The implementation of digital business has become a key strategy to enhance the competitiveness and sales of MSME products, particularly in the snack sector such as Basreng and Sus Kering in Samarinda City. This community service activity aims to develop product marketing through the utilization of digital platforms Instagram and Shopee. The methods applied include designing product visual identity, creating promotional content, and collaborating with MSME actors in packaging and product distribution processes. The results show that Instagram is effective in building brand awareness and consumer engagement, while Shopee facilitates transactions and expands market reach. The digital business implementation is also supported by the use of supporting applications such as Canva for promotional design. In conclusion, digital marketing strategies can increase exposure and sales of MSME products, providing innovative solutions to conventional marketing challenges.
Indonesian Automated Essay Scoring with Bag of Word and Support Vector Regression Verdikha, Naufal Azmi; Dwiagam, Junianda Haris; Hasudungan, Rofilde
JSE Journal of Science and Engineering Vol. 2 No. 2 (2024): Journal of Science and Engineering
Publisher : LPPI Universitas Muhammadiyah Kalimantan Timur (UMKT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30650/jse.v1i2.3841

Abstract

Essay is one of the test questions to measure students' understanding of learning. Respondents can organize the answers to each question in their own language style, so it takes time to make corrections. It takes a system that can assess essay answers automatically quickly and accurately. Auto Essay Scoring (AES) is a tool that can assign grades or scores to answers in the form of essays automatically. In giving grades automatically, AES requires machine learning with training data that contains answer data that has been given a value by the assessor. In this study, AES was used to assess the Indonesian language midterm exams using the Bag of Word extraction feature and using Support Vector Regression. The Root Mean Square Error value obtained when evaluating AES is 1.99.
PENERAPAN ALGORITMA NAIVE BAYES, RECURSIVE FEATURE ELIMINATION, DAN ADAPTIVE SYNTHETIC SAMPLING PADA KLASIFIKASI PENYAKIT DERMATITIS Hidayat, Wahyu; Yoga Siswa, Taghfirul Azhima; Hasudungan, Rofilde
Jurnal INSTEK (Informatika Sains dan Teknologi) Vol 10 No 2 (2025): OCTOBER
Publisher : Department of Informatics Engineering, Faculty of Science and Technology, Universitas Islam Negeri Alauddin, Makassar, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/instek.v10i2.59737

Abstract

Dermatitis merupakan salah satu penyakit kulit yang umum terjadi dan menyerang sekitar 5,7 juta orang setiap tahunnya. Di Indonesia, penyakit ini tergolong sebagai salah satu dari tiga besar faktor risiko yang berkontribusi terhadap peningkatan kasus kanker kulit. Penelitian ini bertujuan untuk mengklasifikasikan penyakit dermatitis menggunakan algoritma Naive Bayes dengan penerapan teknik seleksi fitur Recursive Feature Elimination (RFE) serta penyeimbangan data Adaptive Synthetic Sampling (ADASYN). Data penelitian terdiri atas 392 kasus dermatitis dari UPT Puskesmas Bontang Barat tahun 2024, berdasarkan surat persetujuan izin penelitian Nomor B/000.9.2.4/393/PUS-BB/2025, dengan izin etik dan persetujuan dari pihak terkait untuk penggunaan data dalam kegiatan penelitian dan publikasi ilmiah. Validasi model dilakukan menggunakan metode 5-fold cross-validation, sedangkan evaluasi kinerja model menggunakan confusion matrix untuk mengukur akurasi. Hasil penelitian menunjukkan bahwa fitur sistolik, diastolik, umur, berat badan, dan tinggi badan berkontribusi signifikan terhadap proses klasifikasi. Model awal menghasilkan akurasi sebesar 60,15%, meningkat menjadi 66,52% setelah penerapan ADASYN, dan mencapai 90,89% ketika RFE dan ADASYN diterapkan secara bersamaan. Peningkatan akurasi sebesar 24,37% dibandingkan model awal ini membuktikan bahwa penerapan teknik seleksi fitur dan penyeimbangan data dapat meningkatkan kinerja model klasifikasi penyakit dermatitis.
Hybrid Support Vector Regression-Genetic Algorithm Model for Forecasting Stock Prices Albab, Muhammad Ulil; Yoga Siswa, Taghfirul Azhima; Hasudungan, Rofilde
Indonesian Journal of Artificial Intelligence and Data Mining Vol 9, No 1 (2026): March 2026
Publisher : Universitas Islam Negeri Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24014/ijaidm.v9i1.39057

Abstract

The stock market exhibits a high level of volatility, which often leads to significant price fluctuations and increases the risk of financial losses for investors. Therefore, stock price prediction is an important tool to support investment decision-making, particularly for PT Aneka Tambang Tbk (ANTM.JK). This study aims to predict ANTM stock prices by applying the Support Vector Regression (SVR) method optimized using a Genetic Algorithm (GA). The data used in this study consist of 1202 historical stock price data of ANTM from September 11, 2020 to September 11, 2025, obtained from Investing.com, and the data are normalized using the Min-Max normalization method. The dataset is divided into training data and testing data using an 80:20 ratio, where 80% of the data are used for training and 20% for testing. The SVR model is constructed using the Radial Basis Function (RBF) kernel, while the GA is employed to optimize the SVR parameters in order to obtain the optimal parameter combination, with main GA parameters including population size of 50, 30 generations, crossover rate of 0.8, and mutation rate of 0.1. Model performance is evaluated by comparing the prediction results of SVR without optimization and GA-optimized SVR using Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), and Mean Absolute Percentage Error (MAPE). The experimental results indicate that the application of the GA improves the predictive performance of the model. The SVR model without optimization produces RMSE, MAE, and MAPE values of 85.48, 59.02, and 2.62%, respectively. After parameter optimization using GA, the model performance improves as indicated by reduced error values, with RMSE of 75.97, MAE of 52.42, and MAPE of 2.42%
Co-Authors Albab, Muhammad Ulil Andromeda, Radhitya Dwiagam, Junianda Haris Hafizh Mas'Ud, Muhammad Ilham, Muhammad Fauzan Nur Joko Pranoto, Wawan Naufal Azmi Verdikha Reza, Andi Rudiman Sofie Azizah, Jahra Taghfirul Azhima Yoga Siswa Wahyu Hidayat Wawan Joko Pranoto Yahya, Alan