Article Per Year (5 Year)
p-Index From 2021 - 2026
3.63
P-Index
This Author published in this journals
All Journal IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Elkom: Jurnal Elektronika dan Komputer Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI) Jurnal Teknologi Informasi dan Ilmu Komputer Jurnal Ilmiah KOMPUTASI JOURNAL OF APPLIED INFORMATICS AND COMPUTING Jiko (Jurnal Informatika dan komputer) Prosiding SNITP (Seminar Nasional Inovasi Teknologi Penerbangan) JATI (Jurnal Mahasiswa Teknik Informatika) Jifosi Jurnal Lebesgue : Jurnal Ilmiah Pendidikan Matematika, Matematika dan Statistika Jurnal Teknik Informatika (JUTIF) Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) International Journal Of Computer, Network Security and Information System (IJCONSIST) Jurnal Sosial dan Abdimas Malcom: Indonesian Journal of Machine Learning and Computer Science Jurnal Teknik Terapan (J-TETA) Indonesian Journal of Electronics, Electromedical Engineering, and Medical Informatics
idhom, Mohammad
Unknown Affiliation
Aerospace Engineering Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Health Professions Industrial & Manufacturing Engineering Materials Science & Nanotechnology Mathematics Mechanical Engineering Social Sciences Transportation

Published : 29 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 29 Documents
Search

 1   2   3 
Exploratory Data Analysis and Machine Learning Algorithms to Classifying Stroke Disease Riyantoko, Prismahardi Aji; Fahrudin, Tresna Maulana; Hindrayani, Kartika Maulida; Idhom, Mohammad
IJCONSIST JOURNALS Vol 2 No 02 (2021): March
Publisher : International Journal of Computer, Network Security and Information System

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (517.79 KB) | DOI: 10.33005/ijconsist.v2i02.49

Abstract

This paper presents data stroke disease that combine exploratory data analysis and machine learning algorithms. Using exploratory data analysis we can found the patterns, anomaly, give assumptions using statistical and graphical method. Otherwise, machine learning algorithm can classify the dataset using model, and we can compare many model. EDA have showed the result if the age of patient was attacked stroke disease between 25 into 62 years old. Machine learning algorithm have showed the highest are Logistic Regression and Stochastic Gradient Descent around 94,61%. Overall, the model of machine learning can provide the best performed and accuracy.
PENERAPAN MODEL HIBRIDA ARIMA-LSTM PADA PREDIKSI INFLASI DI INDONESIA Shaffa Ameera, Divanda; Terza Damaliana, Aviolla; Idhom, Mohammad
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 3 (2025): JATI Vol. 9 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i3.13371

Abstract

Pengendalian inflasi penting untuk menjaga stabilitas ekonomi dan kesejahteraan masyarakat. Oleh karena itu, diperlukan perencanaan dan pengelolaan inflasi yang baik sebagai kunci untuk menjaga stabilitas ekonomi dan memastikan pertumbuhan yang berkelanjutan. Prediksi inflasi yang tepat memungkinkan pemerintah dan pelaku ekonomi untuk merancang kebijakan dan strategi yang efektif dalam menjaga stabilitas ekonomi. Penelitian ini bertujuan untuk menerapkan model hibrida ARIMA-LSTM untuk memprediksi inflasi di Indonesia. Konsep model hibrida yang sudah lama digunakan dalam literatur time series memungkinkan peneliti untuk memanfaatkan kelebihan dari setiap model dan memprediksi data dengan lebih efektif. Model ARIMA-LSTM adalah model hibrida yang menggabungkan dua metode peramalan, yaitu ARIMA (AutoRegressive Integrated Moving Average) dan LSTM (Long Short-Term Memory). Model ARIMA diterapkan pada komponen tren, sedangkan model LSTM diterapkan pada komponen musiman dan residual. Penelitian ini menggunakan data inflasi Indonesia sejak 1979 hingga 2024. Nilai terbaik yang didapatkan adalah kombinasi ARIMA (1, 1, 1) dengan LSTM yang menggunakan arsitektur sederhana, dengan satu lapisan LSTM yang terdiri dari 50 unit dan fungsi aktivasi ReLU. Dari hasil penggabungan ARIMA dan LSTM, didapatkan hasil evaluasi MAE = 0.27, MSE = 0.14, dan RMSE = 0.37. Hasil ini menunjukkan bahwa model memiliki performa yang baik.
RANCANG BANGUN ON OFF SEPEDA MOTOR MENGGUNAKAN WIFI DENGAN ESP32 Widi Saputro, Tegar; Rahmat, Basuki; Idhom, Mohammad
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 3 (2025): JATI Vol. 9 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i3.13626

Abstract

Perkembangan teknologi Internet of Things (IoT) telah membawa perubahan signifikan dalam berbagai aspek kehidupan, termasuk dalam bidang transportasi, di mana pengendalian kendaraan secara nirkabel menjadi semakin populer. Namun, sistem pengendalian sepeda motor saat ini masih mengandalkan kunci kontak manual, yang memiliki keterbatasan seperti risiko kehilangan kunci atau kerusakan mekanis, serta kurangnya fleksibilitas dalam pengendalian jarak jauh. Penelitian ini bertujuan untuk merancang dan membangun sistem pengendalian on-off sepeda motor menggunakan teknologi WiFi berbasis ESP32, yang dapat menggantikan fungsi kunci kontak manual dengan sistem nirkabel yang diakses melalui smartphone. Metode penelitian meliputi perancangan sistem, implementasi perangkat keras, dan pengujian fungsionalitas. Sistem ini terdiri dari sepeda motor Supra X 110cc tahun 2004, aki motor, step down, ESP32 WROOM 32D, push button untuk mematikan relay saat pengisian bensin, dan relay 3V sebagai saklar pengganti kontak motor. Tegangan dari aki motor 12V diturunkan menjadi 5V menggunakan step down, kemudian dialirkan ke ESP32, push button, dan relay 3V. Hasil pengujian menunjukkan bahwa sistem dapat berfungsi dengan baik, memungkinkan pengendalian on-off sepeda motor melalui smartphone dengan jarak jangkauan hingga 10 meter di lingkungan terbuka. Sistem ini juga dilengkapi dengan push button sebagai fitur keselamatan untuk mematikan relay secara manual saat pengisian bensin, sehingga menghindari risiko kebakaran. Meskipun demikian, terdapat beberapa keterbatasan, seperti jarak jangkauan yang berkurang di lingkungan tertutup dan waktu respons relay yang mencapai 1-2 detik. Secara keseluruhan, sistem ini diharapkan dapat meningkatkan kenyamanan dan keamanan pengguna sepeda motor.
PENERAPAN METODE MEAN SHIFT CLUSTERING UNTUK MENGELOMPOKKAN WILAYAH BERDASARKAN PENGELOLAAN SAMPAH Lidya Musaffak, Awal; Maulida Hindrayani, Kartika; Idhom, Mohammad
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 3 (2025): JATI Vol. 9 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i3.13777

Abstract

Pengelolaan sampah di Indonesia menjadi tantangan besar dengan meningkatnya timbulan sampah setiap tahun. Data SIPSN 2023 mencatat timbulan sampah harian sebesar 106.145,71 ton dan tahunan mencapai 38.743.185,18 ton. Setiap wilayah memiliki pola pengelolaan sampah yang berbeda, sehingga diperlukan segmentasi untuk memahami variasinya. Penelitian ini menerapkan algoritma Mean Shift Clustering untuk mengelompokkan wilayah berdasarkan data pengurangan dan penanganan sampah di setiap kabupaten dan kota. Dengan bandwidth 1.5, hasil analisis menunjukkan terbentuknya dua klaster dengan nilai Silhouette Score sebesar 0.649. Terdapat dua klaster yang dihasilkan dengan klaster 1 merupakan klaster dengan sampah yang terkelola rendah sedangkan klaster 2 adalah klaster dengan sampah terkelola tinggi. Hasil penelitian ini diharapkan dapat membantu dalam perumusan kebijakan yang lebih tepat sasaran untuk meningkatkan pengelolaan sampah secara efisien dan berkelanjutan di berbagai daerah.
Clustering of the Air Pollution Standard Index (ISPU) in the Province of DKI Jakarta Using the CLARANS Algorithm Azzahra, Adelia Ramadhina; Nabila, Nasywa Azzah; Idhom, Mohammad; Trimono, Trimono
Journal of Applied Informatics and Computing Vol. 9 No. 4 (2025): August 2025
Publisher : Politeknik Negeri Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30871/jaic.v9i4.9783

Abstract

Air pollution has become a serious global issue. According to IQAir's 2024 report, DKI Jakarta ranked 10th among cities with the worst air quality worldwide, indicating that air pollution in DKI Jakarta has reached a concerning level. This research uses the CLARANS algorithm to cluster daily air quality in DKI Jakarta based on pollution parameters. CLARANS is chosen due to its advantages in terms of big data processing efficiency, outlier resistance, and medoid search capability. The novelty of this research lies in the application of CLARANS to overcome the limitations of clustering algorithms in previous research. This research comprises several stages, including data understanding, data preprocessing, building the CLARANS model, and evaluation using the silhouette score. The CLARANS clustering result using the most optimal parameter combination and k = 3 demonstrates well-separated cluster boundaries, with an overall average silhouette score across all regions and years of 0.6398. The analysis results indicate that air pollution in DKI Jakarta tends to worsen in 2024. Jakarta Barat and Jakarta Pusat are predominantly affected by PM10, CO, and O₃ pollution, whereas Jakarta Selatan and Jakarta Utara are more influenced by SO₂ and NO₂ pollution. On the other hand, air pollution in East Jakarta shows a balanced dominance from both pollutant categories.
Application of CNN-BiLSTM Algorithm for Ethereum Price Prediction Diash, Hakam Dzakwan; Nathania, Vannesa; Idhom, Mohammad; Trimono, Trimono
Journal of Applied Informatics and Computing Vol. 9 No. 4 (2025): August 2025
Publisher : Politeknik Negeri Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30871/jaic.v9i4.9757

Abstract

The volatile and dynamic Ethereum (ETH) market demands an accurate predictive model to support investment decision making. The complexity of ETH time series data and the influence of various external factors make price prediction a challenge in itself. This study aims to develop an ETH price prediction model using a combined architecture of Convolutional Neural Network (CNN) and also Bidirectional Long Short-Term Memory (BiLSTM). CNN is used to extract local features from historical ETH closing price data, while BiLSTM models bidirectional temporal patterns. The dataset used includes ETH daily price from January 2020 to January 2025, which are obtained from Yahoo Finance and have gone through a normalization process and transformation into sequential form. The model is trained for 100 epochs with an early stopping mechanism to prevent overfitting and evaluated using the MAPE and coefficient of determination (R²) metrics. The evaluation results show that the CNN-BiLSTM model is able to predict ETH prices with a MAPE value of 2.8546% and an R² of 0.9415, indicating high performance in capturing actual data trends. This study shows that the hybrid CNN-BiLSTM approach is effective for Ethereum price prediction.
Perbandingan Kinerja LSTM dan GA-LSTM dalam Prediksi Curah Hujan Harian sebagai Strategi Mitigasi Bencana Banjir di Jawa Timur Linggasari, Dienna Eries; Idhom, Mohammad; Trimono, Trimono
Jurnal Ilmiah Komputasi Vol. 24 No. 3 (2025): Jurnal Ilmiah Komputasi : Vol. 24 No 3, September 2025
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32409/jikstik.24.3.3833

Abstract

Curah hujan merupakan salah satu parameter iklim penting yang sangat memengaruhi keseimbangan lingkungan dan kehidupan manusia, khususnya di daerah tropis seperti Surabaya. Variabilitas curah hujan yang tinggi dapat memicu bencana banjir, sehingga prediksi curah hujan yang akurat menjadi langkah penting dalam upaya mitigasi. Namun, karakteristik curah hujan yang bersifat non-linear, musiman, dan mengandung banyak fluktuasi acak menjadikan prediksi ini sebagai tantangan tersendiri. Penelitian ini bertujuan untuk membandingkan performa model Long Short-Term Memory (LSTM) dan LSTM yang dioptimasi dengan algoritma genetika (GA-LSTM) dalam memprediksi curah hujan harian di Surabaya. Data yang digunakan merupakan data curah hujan harian dari BMKG Surabaya selama periode 2020–2024. Metode penelitian mencakup preprocessing data, pembentukan sekuens, pelatihan model LSTM, optimasi hyperparameter menggunakan GA, serta evaluasi model dengan metrik MSE, RMSE, dan MAE. Hasil penelitian menunjukkan bahwa model GA-LSTM memberikan hasil prediksi yang lebih akurat dengan nilai MSE sebesar 0.0060, dibandingkan dengan LSTM standar sebesar 133.33. Performa GA-LSTM yang lebih stabil dalam menangani fluktuasi ekstrem menunjukkan bahwa pendekatan optimasi berbasis evolusi efektif dalam meningkatkan akurasi prediksi deret waktu curah hujan. Hasil ini diharapkan dapat menjadi referensi ilmiah bagi perumusan kebijakan mitigasi banjir berbasis data.
Integrating IndoBERTweet and GRU for Opinion Classification on X Towards Public Transportation in Jakarta Nafiah, Fajria Ulumin; Panglima, Talitha Fujisai; Idhom, Mohammad; Trimono, Trimono
Journal of Applied Informatics and Computing Vol. 9 No. 5 (2025): October 2025
Publisher : Politeknik Negeri Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30871/jaic.v9i5.10723

Abstract

Jakarta, the capital of Indonesia, faces persistent challenges with its public transportation system due to rapid urbanization, increased use of private vehicles, and poor service quality. While social media platforms such as X (formerly Twitter) offer valuable insights into public opinion, their unstructured nature complicates analysis. This study uses deep learning models to categorize user sentiments into six labels that cover positive and negative aspects of comfort, safety, and punctuality. The results show that IndoBERTweet achieved the highest performance, with 95.43% accuracy and a macro F1-score of 0.9545. It also required the shortest training time, at six minutes and 30 seconds. IndoBERTweet+GRU followed closely behind with an accuracy of 94.62% and a macro F1-score of 0.9460 in six minutes and 50 seconds. This shows that adding a GRU layer provides competitive results, but does not surpass the baseline model. Error analysis revealed that, while the models performed well with explicit sentiments, the models struggled with implicit expressions, such as sarcasm and mixed opinions. These results demonstrate the potential of sentiment analysis in real-time monitoring systems, which could help policymakers identify urgent issues and support data-driven improvements in Jakarta’s urban transportation services.
Optimization of Palm Fruit Ripeness Detection With Yolov11 on CPU Anniswa, Iqbal Ramadhan; JAUHARIS SAPUTRA, Wahyu Syaifullah; Idhom, Mohammad; Rizaldy Pratama, Alfan; Susrama Mas Diyasa, I Gede
IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Vol 19, No 4 (2025): October
Publisher : IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22146/ijccs.111253

Abstract

The palm oil industry is one of the strategic sectors that contributes significantly to the Indonesian economy. However, this industry still faces various challenges, particularly in terms of operational efficiency and the implementation of digitalization, especially at the level of independent farmers who often still use manual methods to determine the ripeness of the fruit. This manual process is prone to subjectivity, which can impact harvest quality and supply chain efficiency. To address this issue, this study proposes a palm oil fruit ripeness detection system based on the YOLOv11 algorithm, chosen for its advantages in inference speed and detection accuracy, especially when run on devices with limited resources. The developed model was then implemented using the ONNX Runtime Framework. This enables accelerated inference processes and supports portability on hardware with limited resources. Test results show that the model achieves an mAP@50 accuracy of 90.2% with an average latency of around 255 ms to 300 ms. With these achievements, this system is not only reliable in detecting fruit ripeness, but also efficient in processing time and relevant to support digital transformation in the palm oil plantation sector.
Pengaruh Faktor Lingkungan Terhadap Distribusi Kasus DBD di Jakarta Selatan Menggunakan Pendekatan Geographically and Temporally Weighted Regression (GTWR): The Effect of Environmental Factors on the Distribution of Dangue Fever Cases in South Jakarta Using Geographically and Temporally Weighted Regression (GTWR) Approach Carissa, Savvy Prissy Amellia; Sugiarti, Nova Putri Dwi; Trimono, Trimono; Idhom, Mohammad
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 5 No. 4 (2025): MALCOM October 2025
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v5i4.2116

Abstract

Demam Berdarah Dengue (DBD) adalah penyakit endemis yang dipengaruhi oleh banyak faktor lingkungan dan memiliki pola penyebaran yang kompleks secara spasial dan temporal.  Dengan menggunakan pendekatan Geographically and Temporally Weighted Regression (GTWR), penelitian ini bertujuan untuk menganalisis distribusi kasus DBD di wilayah Jakarta Selatan. Suhu maksimum dan suhu minimum memiliki dampak positif yang konsisten terhadap peningkatan kasus DBD, menurut hasil penelitian.  Kinerja model GTWR ditunjukkan dengan nilai R-squared 0,5697 dan AIC 556,766. Visualisasi peta risiko mengidentifikasi wilayah seperti Jagakarsa, Cilandak, dan Mampang Prapatan sebagai daerah dengan risiko tinggi, dan pola musiman memperlihatkan peningkatan kasus pada awal hingga pertengahan tahun serta penurunan pada musim kemarau.
Co-Authors Adam, Cindi Adelia Adelia, Adelia Alfan Rizaldy Pratama Alif, Rahmat Istighfaroni Aminullah, Ahmad Adiib Angga, Angga Rahmad Purnama Anggraini Puspita Sari Anniswa, Iqbal Ramadhan Azzahra, Adelia Ramadhina Bajramaya, Dewa Widya Basuki Rahmat Masdi Siduppa Cahaya Purtri Agustika Carissa, Savvy Prissy Amellia Diash, Hakam Dzakwan Diyasa, I Gede Susrama Mas Dwi Arman Prasetya Fahrudin, Tresna Maulana Gede Susrama Mas Diyasa, I Harahap, Jasmine Avrile Kaniasari Henni Endah Wahanani JS, Wahyu Syaifullah Kartika Maulida Hindrayani Khasanah, Ema Isfa'atin Kurniawati, Dyah Ayu Listyo Lidya Musaffak, Awal Linggasari, Dienna Eries Lisanthoni, Angela Maulana, Hendra Muhammad Rizki Alamsyah Nabila, Nasywa Azzah Nafiah, Fajria Ulumin Nariyana, Calvien Danny Nathania, Vannesa naufal firdaus, ahmad Panglima, Talitha Fujisai Prismahardi Aji Riyantoko Putri, Deva Amalia Rahma Ramadani, Nurmalita Ramadhan Anniswa, Iqbal Ryan Dana, Alvin Shaffa Ameera, Divanda Sugiarti, Nova Putri Dwi Susrama Mas Diyasa, I Gede Syaifullah J. S, Wahyu Syaifullah JS, Wahyu Terza Damaliana, Aviolla Thohir, A. Zaki Thoriqulhaq, Muhammad Trimono Trimono, Trimono Ulayya, Yasmin Wahyu Syaifullah Jauharis Saputra Widi Saputro, Tegar