Article Per Year (5 Year)
p-Index From 2021 - 2026
2.644
P-Index
This Author published in this journals
All Journal Jurnal Informatika JURNAL NASIONAL TEKNIK ELEKTRO IJCIT (Indonesian Journal on Computer and Information Technology) INTEGER: Journal of Information Technology Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI) J-Dinamika: Jurnal Pengabdian Kepada Masyarakat Jurnal Tekno Kompak Jurnal JTIK (Jurnal Teknologi Informasi dan Komunikasi) International Journal of Recent Technology and Applied Science (IJORTAS) Humanism : Jurnal Pengabdian Masyarakat Jurnal Pengabdian Masyarakat Indonesia eProceedings of Engineering Jurnal Informatika: Jurnal Pengembangan IT
Bernadus Anggo Seno AjiAji
Institut Teknologi Telkom Surabaya
Religion Humanities Biochemistry, Genetics & Molecular Biology Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Materials Science & Nanotechnology Public Health Social Sciences

Published : 21 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search
Journal : eProceedings of Engineering

 1 
Optimasi Stok Ayam Potong di Rumah Makan Dower Menggunakan Fuzzy Time Series Markov Chain Wahyu Listyanto, Ferdhyan; Anggo Seno Aji, Bernadus; Setiawan, Yohanes
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Manajemen stok bahan baku dalam usaha kuliner menghadapi tantangan besar akibat fluktuasi permintaan harian yang tidak menentu. Akibatnya, Warung Makan Dower kesulitan untuk mengelola stok ayam potong mengakibatkan seringnya terjadi kelebihan atau kekurangan stok ayam potong. Warung Makan Dower, yang mengandalkan ayam potong sebagai bahan utama dalam menu utamanya, membutuhkan sistem prediksi yang mampu merespons dinamika tersebut secara presisi. Penelitian ini mengembangkan model prediksi permintaan ayam potong berbasis Fuzzy Time Series Markov Chain (FTS-MC), menggunakan 1101 baris data penjualan harian aktual dari Mei 2022 hingga Mei 2025, termasuk hari-hari tanpa penjualan untuk menjaga kesinambungan waktu. Model dibangun melalui tahapan pengumpulan dan pembersihan data, proses fuzzifikasi menjadi 15 interval, pembentukan matriks probabilitas transisi, serta estimasi permintaan untuk tujuh hari ke depan. Hasil prediksi diintegrasikan ke dalam sistem web, yang dapat diakses langsung oleh pengelola warung untuk mendukung pengambilan keputusan stok secara real time. Evaluasi akurasi dilakukan dengan metode Mean Absolute Percentage Error (MAPE), menghasilkan nilai MAPE rata-rata sebesar 4,75%, menunjukkan performa prediksi yang sangat baik. Perbandingan dengan konfigurasi lainnya memperlihatkan nilai MAPE jauh lebih tinggi, yaitu 66,06% (3 interval), 45,58% (6 interval), 17,09% (9 interval), dan 25,69% (12 interval). Dengan hasil ini, metode FTS-MC terbukti efektif dalam mengoptimalkan peramalan penjualan harian berbasis data historis. Kata kunci— Kata kunci — fuzzy time series, markov chain, prediksi penjualan, manajemen stok, MAPE
Analisis Klaster Berdasarkan Deret Waktu Menggunakan Dynamic Time Warping Pada Pelanggaran Penggunaan Alat Pelindung Diri Muhammad Radif Aftamaulana; Yohanes Setiawan; Bernadus Anggo Seno Aji
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak —Peningkatan kasus kecelakaan kerja di Indonesia dari 182.835 kasus pada 2019 menjadi 360.635 kasus hingga November 2023 berdasarkan data dari BPJS Ketenagakerjaan. Penelitian ini bertujuan untuk memahami pola pelanggaran APD menggunakan analisis klaster berbasis deret waktu dengan pendekatan Dynamic Time Warping (DTW). Data pelanggaran dikumpulkan dari CCTV di enam area operasional PT Pelindo Marine Service, dengan fokus pada pelanggaran seperti tidak menggunakan helm dan rompi keselamatan. Berdasarkan temuan lapangan di PT Pelindo Marine Service, pelanggaran terjadi secara berulang di hampir seluruh lokasi dimana berjumlah 23.258 kejadian, menunjukkan adanya pola ketidakpatuhan yang konsisten antara area operasional. Hasil evaluasi menunjukkan bahwa konfigurasi dua klaster memberikan hasil terbaik dengan Koefisien Silhouette sebesar 0,4464. Klaster 1 terdiri dari lokasi-lokasi dengan jumlah pelanggaran rendah dan pola yang relatif stabil, sedangkan Klaster 2 mencakup lokasi dengan jumlah pelanggaran tinggi dan pola fluktuatif yang signifikan. Rata-rata pelanggaran harian pada Klaster 2 mencapai 107,10, dengan maksimum 294 pelanggaran/hari. Selain itu, hasil analisis juga menghasilkan matriks jarak antar lokasi berdasarkan kesamaan pola pelanggaran, serta perhitungan total pelanggaran kumulatif per lokasi selama periode observasi. Visualisasi hasil analisis disajikan dalam website visualisasi analitik untuk membantu manajemen dalam memantau, mengidentifikasi pola risiko, dan meningkatkan kepatuhan penggunaan APD. Solusi ini diharapkan dapat memperkuat strategi keselamatan kerja dan menurunkan risiko kecelakaan di lingkungan operasional perusahaan. Kata kunci—Time Series Clustering, Dynamic Time Warping, Alat Pelindung Diri, Keselamatan Kerja, Website Analitik
Analisis Klaster Pada Karakteristik Barang Di Gudang Toko Bangunan Menggunakan K-Means++ Clustering Silvana Ari Arsono; sE, Yohanes Setiawan; Bernadus Anggo Seno Aji
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak — Manajemen gudang yang baik sangat penting untuk kelancaran operasional Toko Bangunan Gardatama Mandiri, yang memiliki peran penting dalam menunjang pembangunan infrastruktur. Penempatan barang yang dilakukan secara manual dan belum didukung transformasi digital sering kali menyebabkan pengelolaan ruang gudang menjadi tidak optimal, barang yang tidak diletakkan secara teratur dan ruang gudang tidak dimanfaatkan dengan baik sehingga pengelompokan barang menjadi tidak efisien. Penelitian ini bertujuan untuk mengelompokkan barang berdasarkan karakteristiknya menggunakan algoritma K-Means++ Clustering, yang dipilih karena keunggulannya dalam menghasilkan pengelompokan yang lebih stabil dan optimal. Metode ini diterapkan pada 160 jenis barang dengan parameter meliputi stok, panjang, lebar, berat, dan tebal. Hasil penelitian menunjukkan bahwa algoritma K-Means++ berhasil mengelompokkan 160 barang menjadi 4 klaster, dimana klaster 0 terdiri dari 41 barang, klaster 1 terdiri dari 41 barang, klaster 2 terdiri dari 20 barang dan klaster 3 terdiri dari 58. Kualitas pengelompokan divalidasi menggunakan Silhouette Score memperoleh nilai 0,538 yang menunjukkan kualitas klaster yang baik. Sistem berbasis website dikembangkan untuk mengimplementasikan hasil analisis ini, yang menampilkan tata letak barang di gudang secara terstruktur untuk meningkatkan efisiensi operasional gudang, meminimalkan kesalahan penempatan, dan mendukung pengambilan keputusan berbasis data yang lebih cepat dan akurat. Kata kunci — K-Means++, Clustering, Silhouette Score, Gudang, Toko Bangunan.
Klasifikasi Gangguan Kecemasan Pengguna Twitter Menggunakan Support Vector Machine Leinia Suryadi; Bernadus Anggo Seno Aji; Mustafa Kamal
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak — Gangguan mental yang umum adalah kecemasan, yang seringkali sulit terdeteksi karena tidak menunjukkan gejala fisik secara langsung serta dipengaruhi oleh rendahnya kesadaran masyarakat dan stigma negatif terhadap kesehatan jiwa. Akibatnya, banyak individu lebih memilih mengekspresikan perasaannya melalui media sosial seperti Twitter daripada mencari bantuan profesional. Namun, mendeteksi potensi gejala kecemasan melalui data teks bukanlah hal yang mudah karena pengguna jarang menyebutkan kondisi mentalnya secara eksplisit. Penelitian ini bertujuan merancang model klasifikasi gejala kecemasan pada pengguna Twitter menggunakan algoritma Support Vector Machine (SVM) dengan pendekatan paraphrasing berbasis IndoT5. Proses penelitian mencakup praproses teks dan pelatihan model SVM menggunakan kernel RBF dengan parameter optimal C=10 dan gamma=0,1. Hasil evaluasi menunjukkan bahwa penggunaan IndoT5 mampu meningkatkan performa model dengan capaian akurasi 97,52%, precision 97,57%, recall 97,50%, dan F1-score 97,52%. Dibandingkan algoritma Multilayer Perceptron (MLP) dan Decision Tree, SVM menunjukkan akurasi paling unggul. Model ini kemudian diimplementasikan ke sistem web berbasis Streamlit untuk mengklasifikasikan teks menjadi “Normal” atau “Kecemasan” sebagai alat bantu deteksi awal, bukan pengganti profesional. Kata kunci — kecemasan, twitter, klasifikasi teks, SVM, IndoT5.
RUN-IO: Aplikasi Untuk Rekomendasi Latihan Pelari Menggunakan Random Forest Josey Alexander Takesan; Yohanes Setiawan; Bernadus Anggo Seno Aji
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak — Meningkatnya popularitas olahraga lari diiringi dengan tingginya risiko cedera atau running related injuries (RRIs) dimana seringkali kebingungan dalam menentukan program latihan yang aman dan sesuai dengan kemampuan individu. Penelitian ini bertujuan merancang, membangun, dan mengevaluasi RUN-IO, sebuah aplikasi mobile yang memberikan rekomendasi latihan lari yang dipersonalisasi untuk meminimalkan risiko tersebut. Menggunakan algoritma Random Forest Regressor, aplikasi memproses data pengguna (usia, tinggi, berat, jenis kelamin) untuk memprediksi tiga parameter kunci: Kecepatan, Waktu, dan Jarak Lari. Model dilatih menggunakan dataset "Running Calorie Burn" dari Kaggle dan dievaluasi kinerjanya dengan metrik Mean Absolute Error (MAE) dan R-Squared (R²). Hasil evaluasi menunjukkan bahwa model prediksi memenuhi kriteria kelayakan implementasi. Model Running Speed menunjukkan performa paling unggul dengan nilai R² mencapai 0.8990 dan MAE 0.56 km/jam. Pengujian fungsional aplikasi dan evaluasi antarmuka oleh pengguna menunjukkan aplikasi dinilai sangat baik. Penelitian ini berhasil mengimplementasikan model machine learning yang valid ke dalam aplikasi RUN-IO yang fungsional, menyediakan alat bantu praktis bagi pelari untuk berlatih secara lebih aman dan terukur agar dapat menghindari cedera. Kata kunci— Aplikasi mobile, Running Related Injuries, Running, Random Forest Regressor, Personalisasi latihan
Co-Authors Anggraini, Sukma Dewi Anugrayani Bustamin Arliyanti Nurdin Avriono Aritonang Ayu Ainun A'ziziyyah Ayu Ainun A'ziziyyah Berliana Amelia Daniel Happy Putra Farah Zakiyah Rahmanti Faroby, Mohammad Hamim Zajuli Al Helmy Widyantara Ignatia Indreswari Ignatia Indreswari Nugroho Josey Alexander Takesan Juniyanto, Muhammad Ma'sum Khodijah Amiroh Leinia Suryadi Mohammad Hamim Zajuli Al Faroby Muhammad Adib Kamali Muhammad Iqbal Maulana Muhammad Radif Aftamaulana Muhammad Rafi Irzam Muhammad Rizal Dwi Pramana Mustafa Kamal Oktavia Ayu Permata Pangestu Widodo, Pangestu Philip Tobianto Daely Rasyid Sabillillah Rifdatun Ni’mah Rose, Clarenza Dixie sE, Yohanes Setiawan Silvana Ari Arsono Siti Amiroch, Siti Wahyu Listyanto, Ferdhyan Yohanes Setiawan Yohanes Setiawan Zaenal Abidin