Claim Missing Document
Check
Articles

ANALISIS STATISTIK ANOVA UNTUK MENGEVALUASI KUALITAS FOTO BERDASARKAN VARIASI FOTOGRAFI Haikal, Harisman; Astuti, Rini; Prihartono, Willy
Jurnal Informatika dan Teknik Elektro Terapan Vol. 13 No. 1 (2025)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v13i1.5860

Abstract

Penelitian ini bertujuan untuk mengevaluasi kualitas foto yang dihasilkan dari berbagai teknik fotografi, yaitu pencahayaan alami, pencahayaan buatan, dan aturan sepertiga, menggunakan analisis statistik ANOVA. Melalui metode eksperimen, foto diambil dalam kondisi yang terstandarisasi untuk memastikan konsistensi hasil. Kualitas foto dinilai oleh panel ahli berdasarkan kriteria ketajaman, pencahayaan, dan komposisi.Hasil analisis ANOVA menunjukkan adanya perbedaan signifikan dalam kualitas foto yang dihasilkan oleh ketiga teknik fotografi tersebut. Teknik aturan sepertiga memberikan rata-rata nilai kualitas foto tertinggi dibandingkan dengan pencahayaan alami dan pencahayaan buatan. Uji lanjut Tukey HSD mengkonfirmasi bahwa teknik aturan sepertiga secara signifikan menghasilkan kualitas foto yang lebih baik.Penelitian ini memberikan kontribusi penting bagi dunia fotografi, baik secara praktis maupun akademis, dengan menawarkan wawasan tentang bagaimana teknik fotografi tertentu memengaruhi kualitas hasil. Temuan ini diharapkan dapat menjadi panduan bagi fotografer dalam memilih teknik yang sesuai untuk menghasilkan foto berkualitas tinggi.
OPTIMALISASI UPAYA PENCEGAHAN STUNTING PADA BALITA DI KOTA CIREBON MENGGUNAKAN METODE NAÏVE BAYES Lita, Arlita lita; Prihartono, Willy; Rohmat, Cep Lukman
Jurnal Informatika dan Teknik Elektro Terapan Vol. 13 No. 2 (2025)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v13i2.5868

Abstract

Abstrak. Stunting adalah kondisi kekurangan gizi kronis yang menyebabkan tinggi badan anak berada di bawah standar usianya. Di Puskesmas Nelayan Kota Cirebon, prevalensi stunting pada balita cukup tinggi akibat pola makan yang kurang baik, minimnya pengetahuan gizi orang tua, dan akses terbatas pada makanan bergizi. Penelitian ini bertujuan untuk mengoptimalkan peran Posyandu dalam pencegahan stunting pada balita melalui klasifikasi pembagian makanan berdasarkan usia, berat badan, tinggi badan, dan lingkar lengan atas (LILA) menggunakan metode Naïve Bayes. Penelitian dilakukan di Puskesmas Nelayan Kota Cirebon dengan menggunakan data antropometrik balita sebagai dasar analisis. Hasil penelitian menunjukkan bahwa algoritma Naïve Bayes mampu mengklasifikasikan status gizi balita dengan tingkat akurasi yang memadai, sehingga dapat digunakan sebagai referensi dalam merancang strategi distribusi makanan yang lebih terarah. Temuan ini memberikan kontribusi terhadap pengembangan strategi intervensi stunting yang lebih efektif di masa mendatang.
OPTIMASI STOK DENGAN CLUSTERING DATA TRANSAKSI PENJUALAN MENGGUNAKAN ALGORITMA K-MEANS DI KONTER AGUNG CELL RAHMAWATI, RULI; Prihartono, Willy; ., Fathurrohman
Jurnal Informatika dan Teknik Elektro Terapan Vol. 13 No. 2 (2025)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v13i2.6302

Abstract

Pengelolaan stok barang yang tidak optimal menjadi tantangan utama bagi usaha kecil seperti Konter Seluler Agung Cell. Penelitian ini bertujuan untuk mengidentifikasi pola pembelian pelanggan serta mengoptimalkan pengelolaan stok melalui penerapan algoritma K-Means yang diimplementasikan menggunakan perangkat lunak RapidMiner. Pemilihan algoritma K-Means didasarkan pada efektivitasnya dalam menganalisis data berukuran besar secara sistematis.  Data penelitian diperoleh melalui observasi langsung dan mencakup 500 transaksi penjualan selama periode 1 Juli hingga 1 Agustus 2024. Variabel yang digunakan meliputi kategori produk, quantity, harga jual, dan total harga. Pemilihan data ini dilakukan agar analisis dapat difokuskan pada variabel yang relevan untuk mengidentifikasi pola pembelian konsumen. Metode analisis data dilakukan berdasarkan pendekatan Knowledge Discovery in Databases (KDD) meliputi tahapan Data Selection, preprocessing, transformation, data mining, dan evaluation.  Analisis ini menggunakan 500 data transaksi penjualan. Penelitian ini menghasilkan beberapa Cluster, Analisis menunjukan konfigurasi Cluster 3 sebagai yang terbaik, dengan nilai Davies-Bouldin Index (DBI) terendah, yaitu 0,913 dari beberapa cluster yang diuji coba.  Temuan ini memungkinkan identifikasi pola pembelian pelanggan yang lebih jelas, sehingga dapat membantu dalam pengelolaan stok yang lebih efisien dan tepat sasaran.
ANALISIS SENTIMEN ULASAN GOOGLE MAPS RUMAH SAKIT KHALISHAH DI CIREBON DENGAN ALGORITMA NAIVE BAYES RIZKI, ALVA FAUZIR; Prihartono, Willy; rohman, Fathur
Jurnal Informatika dan Teknik Elektro Terapan Vol. 13 No. 2 (2025)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v13i2.6309

Abstract

Rumah Sakit Khalishah merupakan fasilitas kesehatan di Kabupaten Cirebon, dan dengan kemajuan teknologi informasi, analisis sentimen menjadi metode yang efektif untuk memahami pandangan masyarakat terhadap layanan dan fasilitas kesehatan. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat dengan algoritma Naïve Bayes, menggunakan data ulasan dari platform Google Maps. Data dikumpulkan dengan teknik web scraping dan diproses melalui tahapan pra-pemrosesan teks, termasuk pembersihan, normalisasi, tokenisasi, penghapusan stopwords, dan stemming. Teknik TF-IDF digunakan untuk memberi bobot pada kata-kata dalam teks sebelum dilakukan pemodelan sentimen. Hasil evaluasi menunjukkan bahwa algoritma Naïve Bayes mencapai accuracy 84%, precision 89%, recall 91%, dan F1-score 90%. Temuan analisis menunjukkan bahwa mayoritas ulasan masyarakat bernada positif, mencerminkan tingkat kepuasan tinggi terhadap layanan rumah sakit. Namun, ulasan negatif mengindikasikan perlunya peningkatan di beberapa aspek, seperti efisiensi administrasi dan kenyamanan fasilitas. Penelitian ini memberikan kontribusi bagi manajemen Rumah Sakit Khalishah untuk meningkatkan layanan dan fasilitas serta sebagai acuan bagi pengambilan keputusan strategis di sektor Kesehatan.
SEGMENTASI KONSUMEN DI PASARMU.ID MENGGUNAKAN K-MEANS CLUSTERING BERDASARKAN MODEL RFM Jihan, Aminatun; Prihartono, Willy; ., Fathurrohman
Jurnal Informatika dan Teknik Elektro Terapan Vol. 13 No. 2 (2025)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v13i2.6327

Abstract

Kemajuan teknologi mempermudah pengelolaan data pelanggan, meningkatkan efisiensi operasional bisnis. Penelitian ini menggunakan algoritma K-Means Clustering untuk mengelompokkan pelanggan Pasarmu.id berdasarkan model RFM (Recency, Frequency, Monetary) guna memahami pola belanja mereka. Penelitian ini mengikuti metode Knowledge Discovery in Databases (KDD) yang meliputi pemilihan data, prapemrosesan, transformasi, klasterisasi, dan evaluasi hasil menggunakan Davies-Bouldin Index (DBI) untuk menentukan jumlah klaster optimal. Hasil segmentasi membagi pelanggan menjadi tiga kelompok: Golden Customer (Frequency dan Monetary tinggi, Recency rendah), Platinum Customer (Recency tinggi, Frequency dan Monetary sedang), dan Silver Customer (Recency tinggi, Frequency dan Monetary rendah). Visualisasi hasil memperlihatkan karakteristik tiap kelompok, membantu strategi pemasaran yang lebih tepat sasaran: program loyalitas dan diskon untuk Golden Customer, promosi peningkatan transaksi bagi Platinum Customer, serta penawaran khusus untuk Silver Customer agar lebih aktif berbelanja. Pendekatan berbasis data ini diharapkan dapat meningkatkan efektivitas pemasaran, membangun loyalitas pelanggan, serta meningkatkan pendapatan Pasarmu.id, sekaligus menegaskan pentingnya analisis data dalam merancang strategi pemasaran yang lebih personal dan relevan.
IMPLEMENTASI ALGORITMA FP-GROWTH UNTUK MENINGKATKAN PEMASARAN PRODUK MINUMAN BOBA BERBASIS PYTHON (STUDI KASUS: KEDAI NGENYOD'S DESA BOGOR INDRAMAYU) Erpian, Soni; Astuti, Rini; Prihartono, Willy; Hamonangan, Ryan
Jurnal Informatika dan Teknik Elektro Terapan Vol. 13 No. 2 (2025)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v13i2.6341

Abstract

Penelitian ini menganalisis pola pembelian produk di Kedai "Ngenyod'S", dengan menggunakan algoritma FP-Growth untuk meningkatkan strategi pemasaranPola pembelian pelanggan sangat penting untuk membuat strategi promosi yang lebih baik dan mengelola stok.  Salah satu masalah yang dihadapi adalah tidak memanfaatkan data transaksi secara efektif saat menentukan strategi pemasaran.  Akibatnya, tujuan penelitian ini adalah menerapkan algoritma FP-Growth untuk menemukan itemsets sering dan pola asosiasi yang dapat digunakan dalam strategi bisnis berbasis data.  Proses penelitian ini terdiri dari beberapa langkah: pengumpulan data transaksi, preprocessing data, penerapan algoritma FP-Growth, dan analisis hasil dengan mempertimbangkan nilai dukungan dan kepercayaan tertentu. Dataset yang digunakan mencakup 508 penjualan dengan atribut seperti tanggal penjualan, nama produk, jumlah penjualan, harga satuan, dan pendapatan total.  Hasil penelitian menunjukkan bahwa beberapa produk, seperti Milo Milk dan Milo Ori, memiliki pola pembelian yang kuat dengan keyakinan sebesar 70%. Pola ini memberikan wawasan untuk strategi pemasaran, seperti menerapkan promosi bundling atau diskon untuk produk terkait.  Selain itu, penelitian ini menemukan bahwa algoritma FP-Growth lebih efisien dalam analisis data transaksi dibandingkan dengan metode konvensional. Kesimpulannya adalah bahwa penggunaan algoritma FP-Growth dapat membantu bisnis menemukan pola pembelian pelanggan, meningkatkan efisiensi pemasaran, dan mengoptimalkan manajemen stok. Studi ini membantu mengembangkan sistem rekomendasi berbasis pola pembelian yang dapat digunakan dalam bisnis ritel, terutama usaha kecil dan menengah.  Memperluas atribut dataset dan menggabungkan teknik lain seperti algoritma Apriori untuk mendapatkan hasil yang lebih lengkap adalah saran untuk penelitian lanjutan. Model serupa juga dapat diterapkan untuk meningkatkan efisiensi pemasaran berbasis data di berbagai industri bisnis lain.
PENERAPAN NAIVE BAYES UNTUK ANALISIS SENTIMEN PADA ULASAN PELANGGAN DI LAZADA: STUDI KASUS TOKO MAWAR COLLECTION Al Lutfani, Thariq Kemal; Astuti, Rini; Prihartono, Willy; Hamonangan, Ryan
Jurnal Informatika dan Teknik Elektro Terapan Vol. 13 No. 2 (2025)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v13i2.6391

Abstract

Penelitian ini memanfaatkan algoritma Naive Bayes untuk menganalisis sentimen ulasan pelanggan terhadap toko Baju Mawar Collection di platform Lazada.Hasil eksperimen menunjukkan bahwa model yang dikembangkan mencapai akurasi 94%, presisi 96%, recall 98%, dan F1-score 97%. Temuan ini menunjukkan bahwa pendekatan Naive Bayes mampu secara efektif mengenali pola sentimen dalam ulasan data, meskipun terdapat kombinasi antara ulasan positif dan negatif. 
OPTIMASI MODEL XGBOOST UNTUK PREDIKSI PENYAKIT JANTUNG MENGGUNAKAN OPTUNA Optarina, Yasni; Suarna, Nana; Bahtiar, Agus; Rahaningsih, Nining; Prihartono, Willy
Jurnal Rekayasa Perangkat Lunak dan Sistem Informasi Vol. 6 No. 1 (2026)
Publisher : Department of Information System Muhammadiyah University of Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/seis.v6i1.10527

Abstract

Heart disease is one of the leading causes of mortality worldwide, emphasizing the need for accurate early detection systems. Machine learning models such as XGBoost have demonstrated strong performance in medical classification tasks; however, their effectiveness is highly dependent on optimal hyperparameter configurations. This study aims to improve the performance of XGBoost for heart disease classification by applying hyperparameter optimization using the Optuna framework with the Tree-structured Parzen Estimator (TPE) algorithm. The UCI Heart Disease dataset, consisting of 918 records, is used in this study. To address class imbalance, the Synthetic Minority Oversampling Technique (SMOTE) is applied to the training data. Model performance is evaluated using accuracy, precision, recall, F1-score, and ROC-AUC metrics. The experimental results show that the optimized XGBoost model achieves an accuracy of 89.13%, outperforming the baseline model with 87.50%, and improves recall from 87.50% to 89.10%. In addition, the optimized model attains a higher ROC-AUC value of 0.9319, indicating improved classification stability. These findings demonstrate that Optuna-based hyperparameter optimization effectively enhances the performance and reliability of XGBoost, making it suitable for supporting early heart disease diagnosis in medical decision support systems.
Comparison of Balancing Strategies for Classifying Guava Fruit Diseases Putri Nabilla; Suarna, Nana; Bahtiar, Agus; Rahaningsih, Nining; Prihartono, Willy
Journal of Artificial Intelligence and Engineering Applications (JAIEA) Vol. 5 No. 2 (2026): February 2026
Publisher : Yayasan Kita Menulis

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59934/jaiea.v5i2.1859

Abstract

The problem of class imbalance often poses an obstacle in deep learning-based image classification, especially in the domain of digital agriculture. The imbalance in data distribution makes it easier for models to recognize the majority class, while performance for the minority class declines. This study aims to analyze the effectiveness of three strategies for handling class imbalance: Weighted Loss Function, Oversampling, and a combination of Weighted Loss and Oversampling, in improving the performance of image classification of guava fruit diseases using a transfer learning-based MobileNetV2 architecture. The dataset consists of 3,784 images of three disease classes, namely Anthracnose, Fruit_Fly, and Healthy_guava, which show an imbalanced distribution. The research was conducted through the stages of Exploratory Data Analysis (EDA), pre-processing, augmentation, model training with four scenarios, and evaluation using Accuracy, Precision, Recall, F1-Score, and Macro Average F1-Score. The results showed that the Combination model (Oversampling and Weighted Loss) performed best on the minority class with an F1-score of 0.9630, the highest among all models. The Oversampling strategy produced the highest Macro F1-score of 0.9617, while Weighted Loss provided a significant improvement in classification sensitivity but was still below the combination model. Thus, it can be concluded that the combination strategy is the most effective approach in improving the sensitivity of the model to minority classes, while Oversampling excels in the overall performance stability of the model.
Segmentation of Coffee Purchasing Behavior Based on Transaction Time Using the K-Means Algorithm Yuslia Devitri; Rahaningsih, Nining; Ali, Irfan; Prihartono, Willy
Journal of Artificial Intelligence and Engineering Applications (JAIEA) Vol. 5 No. 2 (2026): February 2026
Publisher : Yayasan Kita Menulis

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59934/jaiea.v5i2.1863

Abstract

This studyaims to identify customer behavior patterns based on the time of purchaseof beverages at a coffee shop using the K-Means method.Transaction data includes purchase time, payment type, product name,time category, day, and month. The research stages include data cleaning, time attribute transformation, and numerical feature normalization. The optimal number of clustersis determined through testing k = 2–10 with four evaluation metrics,namely Inertia, Silhouette Score, Davies–Bouldin Index, and Calinski–HarabaszIndex. Based on the validation results, k = 3 was selected because it provided the best balancebetween compactness and cluster separation. The clustering results showedthree main customer groups based on transaction time trends:nighttime buyers with a peak around 10:27 p.m., afternoon to early evening buyerswith a centroid of 7:01 p.m., and morning to noon buyers with a centroid11:13. The frequency distribution indicates that the morning–afternoon buyer groupis the largest, while the early evening–night group is thesmallest. Visualization of scatter plots, boxplots, and time category graphsemphasizes the differences in characteristics between clusters. Overall,this study proves that K-Means is effective in mapping the temporal patternsof customer behavior. These findings can be used to develop time-based marketing strategies, operational arrangements, and product stock management,as well as form the basis for further analysis in the industry.