Article Per Year (5 Year)
p-Index From 2021 - 2026
2.808
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI) Jurnal Ilmu Komputer dan Agri-Informatika Biogenesis: Jurnal Ilmiah Biologi Jurnal Teknologi Informasi dan Ilmu Komputer Journal of Information Systems Engineering and Business Intelligence Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Journal of Electronics, Electromedical Engineering, and Medical Informatics Jurnal Pemberdayaan Masyarakat Jurnal INFOTEL
Hardhienata, Medria Kusuma Dewi
Department Of Computer Science, Faculty Of Mathematics And Natural Sciences, IPB University, Indonesia
Agriculture, Biological Sciences & Forestry Biochemistry, Genetics & Molecular Biology Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Immunology & microbiology Social Sciences

Published : 19 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 19 Documents
Search

 1   2 
Perbandingan Algoritma Klasifikasi untuk Mendeteksi Kebutuhan Nitrogen Tanaman Padi Berdasarkan Data Citra Multi-spectral Drone Kahfi Gunardi; Karlisa Priandana; Medria Kusuma Dewi Hardhienata; Wulandari; Mohamad Solahudin
Jurnal Ilmu Komputer dan Agri-Informatika Vol. 10 No. 2 (2023)
Publisher : Departemen Ilmu Komputer, Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.10.2.238-249

Abstract

Optimalisasi penggunaan pupuk Nitrogen (N) sangat penting untuk meningkatkan produktivitas tanaman padi. Untuk mengetahui jumlah pupuk yang diperlukan oleh tanaman padi, petani umumnya menggunakan Bagan Warna Daun (BWD) dengan cara mencocokkan warna daun padi dengan warna pada BWD secara manual. Namun, hal ini sangat memakan waktu. Salah satu strategi untuk meningkatkan efisiensi penentuan kebutuhan pupuk N adalah dengan menggunakan Multi-spectral Drone. Drone digunakan untuk mengambil citra multispectral, kemudian citra ini digunakan untuk menentukan kebutuhan pupuk N. Penelitian ini membandingkan beberapa algoritma klasifikasi untuk memodelkan kebutuhan pupuk N dari data citra multispectral, dengan menggunakan ground truth dari penskalaan BWD. Algoritma klasifikasi yang dibandingkan yaitu Decision Tree (DT), Artificial Neural Network (ANN), Support Vector Machine (SVM), Random Forest (RF), dan K-Nearest Neighbour (KNN). Kinerja kelima algoritma klasifikasi diukur berdasarkan accuracy, recall, precision dan F1 score. Dalam penelitian ini, ditemukan bahwa model klasifikasi yang memiliki kinerja terbaik adalah algoritma Decision Tree (DT) baik dalam perlakuan tanpa normalisasi dan balancing dan dengan normalisasi dan balancing dengan nilai accuracy, recall, precision, dan­­­ F1-score di atas 90%.
Prediksi Performa Akademik Mahasiswa untuk Kelulusan Predikat Cum Laude dengan Pendekatan Machine Learning Indra Kusuma Budiyanto , Firgiawan; Hermadi, Irman; Hardhienata, Medria Kusuma Dewi
Jurnal Ilmu Komputer dan Agri-Informatika Vol. 11 No. 1 (2024)
Publisher : Sekolah Sains Data, Matematika, dan Informatika. Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.11.1.39-49

Abstract

Penelitian ini bertujuan untuk mengembangkan model yang dapat memprediksi jumlah mahasiswa yang lulus dengan predikat cum laude pada perguruan tinggi. Penelitian ini menggunakan algoritma machine learning untuk klasifikasi sehingga dapat dilakukan prediksi. Hasil dari penelitian ini menunjukkan efektivitas model dalam memprediksi kelulusan cum laude agar dapat memberikan kesempatan bagi universitas untuk meningkatkan kualitas lulusan secara keseluruhan dan mengatasi penurunan standar kelulusan yang mungkin terjadi. Prediksi jumlah mahasiswa cum laude dilakukan pada penelitian ini, untuk membantu proses pengambilan keputusan oleh pemangku kebijakan pada perguruan tinggi. Dengan memanfaatkan teknik machine learning, institusi dapat mengantisipasi dan mendukung mahasiswa dalam mencapai predikat cum laude, sehingga diharapkan dapat meningkatkan kualitas lulusan secara keseluruhan. Dalam penelitian ini, dibandingkan tiga algoritma machine learning yakni algoritma Naïve Bayes, Random Forest, dan C4.5 untuk melakukan prediksi kelulusan mahasiswa dengan predikat cum laude. Hasil penelitian menunjukkan bahwa dalam kasus ini kinerja terbaik dicapai oleh algoritma Naïve Bayes dengan nilai akurasi 87.60%, precision 86.70%, recall 92.10% dan F1-score 89.30%. Selain itu, algoritma Naïve Bayes juga menghasilkan nilai waktu komputasi terendah pada kasus yang diujikan dibandingkan dengan algoritma lainnya.
Klasifikasi Daerah Penangkapan Ikan Menggunakan Algoritma Random Forest dan Support Vector Machine Kurnianto, Andi; Imas Sukaesih Sitanggang; Medria Kusuma Dewi Hardhienata
Jurnal Ilmu Komputer dan Agri-Informatika Vol. 11 No. 2 (2024)
Publisher : Sekolah Sains Data, Matematika, dan Informatika. Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.11.2.100-110

Abstract

Kondisi ekonomi nelayan tradisional masih berada di lingkaran kemiskinan sehingga diperlukan solusi untuk meningkatkan kesejahteraan. Salah satu solusi adalah dengan menggunakan teknologi informasi mengenai daerah penangkapan ikan, sehingga nelayan dapat menghemat bahan bakar dan menambah jumlah tangkapan. Informasi daerah penangkapan ikan dapat di tentukan dengan cara mengolah data citra satelit dan menggunakan teknologi machine learning. Penelitian ini bertujuan membuat model yang dapat melakukan menklasifikasi daerah penangkapan ikan menggunakan algoritma Random Forest dan Support Vector Machine menggunakan data citra satelit laut jawa dan sekitarnya dari tahun 2019-2021 dengan menggunakan parameter klorofil, suhu permukaan laut, salinitas, ketinggian dan suhu air laut. Hasil penelitian ini menunjukan parameter klorofil mempunyai peran paling besar sebesar 77.14% dalam menentukan daerah penangkapan ikan. Hasil nilai precision yang dihasilkan algoritma Support Vector Machine (99.83%) lebih tinggi dibanding dengan yang dihasilkan algoritma Random Forest (99.80%). Meski demikian model klasifikasi yang dihasilkan algoritma Random Forest mempunyai nilai accuracy (99.90%), recall (100%) dan F1 score (99.90%) yang lebih tinggi dibanding dengan yang dihasilkan algoritma Support Vector Machine dengan nilai accuracy (99.89%), recall (99.96%) dan F1 score (99.89%).
Pengembangan Algoritme Niching Particle Swarm Optimization untuk Pencarian Target pada Sistem Multi-Robot Raehan, Siti; Buono, Agus; Hardhienata, Medria Kusuma Dewi
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 4: Agustus 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.0813173

Abstract

Robot seringkali digunakan untuk mencari target, dalam hal ini target bisa korban, barang berbahaya dan tidak bisa dijangkau oleh manusia sehingga diganti menggunakan robot.Robot melakukan pencarian untuk menemukan target yang kemudian mengalokasikan diri ketarget dengan asumsi bahwa targetnya dapat memancarkan sinyal. Permasalahan tersebut dipandang sebagai suatu masalah optimasi. Salah satu teknik yang dapat menyelesaikan masalah optimasi merupakan algoritme Particle Swarm Optimization (PSO). Masalah yang sering ditangani PSO sampai saat ini hanya sebatas masalah single-target. Beberapa masalah pada dunia nyata merupakan masalah multi-target, sehingga tidak dapat diselesaikan dengan algoritme PSO. Multi-target merupakan pencarian multi-robot untuk mengoptimasi pencarian target pada satu atau lebih titik optimum di dalam ruang pencarian. Masalah optimasi pada multi-target dapat diselesaikan menggunakan algoritme Niching Particle Swarm Optimization (NichePSO). Penelitian ini bertujuan untuk mengembangkan algoritme NichePSO untuk pencarian target pada sistem multi-robot. Pengembangan algoritme dilakukan dengan menggabungkan algoritme NichePSO dengan parameter robot e-puck yang merupakan kontribusi pertama pada penelitian ini. Kontribusi kedua adalah menerapkan algoritme penghindaran dan menggunakan teknik reflecting untuk robot yang keluar dari batas area pencarian.Pada studi ini membandingkan hasil performa antara algoritme NichePSO tanpa algoritme penghindaran dan dengan algoritme penghindaran, diuji dengan beberapa rintangan dalam lingkungan statis. Hasil penelitian menunjukkan bahwa pengembangan algoritme NichePSO pada tanpa algoritme penghindaran dan dengan algoritme penghindaran jauh berbeda dalam jumlah tabrakan tetapi tidak berbeda secara signifikan dalam waktu pencarian dan nilai fitnes. Abstract Robots are often used to find targets, in this case targets can be victims, dangerous goods and cannot be reached by humans so they are replaced using robots. The robot does a search to find a target which then allocates itself to the target assuming that the target can emit a signal. This problem is seen as an optimization problem. One technique that can solve optimization problems is the Particle Swarm Optimization (PSO) algorithm. The problem that is often handled by PSO to date is only limited to single-target problems. Some real-world problems are multi-target problems, so they cannot be solved by the PSO algorithm. Multi-target is a multi-robot search to optimize target search at one or more optimum points in the search space. The problem of optimization on multi-targets can be solved using the Niching Particle Swarm Optimization (NichePSO) algorithm. This study aims to develop a NichePSO algorithm for target search on multi-robot systems. The development of the algorithm is done by combining the NichePSO algorithm with the e-puck robot parameters which is the first contribution to this research. The second contribution is to apply avoidance algorithms and use reflecting techniques for robots that come out of the boundary of the search area. In this study comparing the performance results between the NichePSO algorithm without the avoidance algorithm and with the avoidance algorithm, tested with several obstacles in a static environment. The results showed that the development of the NichePSO algorithm without the avoidance algorithm and with the avoidance algorithm differed significantly in the number of collisions but did not differ significantly in search time and fitness values. Robot seringkali digunakan untuk mencari target, dalam hal ini target bisa korban, barang berbahaya dan tidak bisa dijangkau oleh manusia sehingga diganti menggunakan robot. Robot melakukan pencarian untuk menemukan target yang kemudian mengalokasikan diri ke target dengan asumsi bahwa targetnya dapat memancarkan sinyal. Permasalahan tersebut dipandang sebagai suatu masalah optimasi. Salah satu teknik yang dapat menyelesaikan masalah optimasi merupakan algoritme Particle Swarm Optimization (PSO). Masalah yang sering ditangani PSO sampai saat ini hanya sebatas masalah single-target. Beberapa masalah pada dunia nyata merupakan masalah multi-target, sehingga tidak dapat diselesaikan dengan algoritme PSO. Multi-target merupakan pencarian multi-robot untuk mengoptimasi pencarian target pada satu atau lebih titik optimum di dalam ruang pencarian. Masalah optimasi pada multi-target dapat diselesaikan menggunakan algoritme Niching Particle Swarm Optimization (NichePSO). Penelitian ini bertujuan untuk mengembangkan algoritme NichePSO untuk pencarian target pada sistem multi-robot. Pengembangan algoritme dilakukan dengan menggabungkan algoritme NichePSO dengan parameter robot e-puck yang merupakan kontribusi pertama pada penelitian ini. Kontribusi kedua adalah menerapkan algoritme penghindaran dan menggunakan teknik reflecting untuk robot yang keluar dari batas area pencarian.Pada studi ini membandingkan hasil performa antara algoritme NichePSO tanpa algoritme penghindaran dan dengan algoritme penghindaran, diuji dengan beberapa rintangan dalam lingkungan statis. Hasil penelitian menunjukkan bahwa pengembangan algoritme NichePSO pada tanpa algoritme penghindaran dan dengan algoritme penghindaran jauh berbeda dalam jumlah tabrakan tetapi tidak berbeda secara signifikan dalam waktu pencarian dan nilai fitnes.
Leveraging Biotic Interaction Knowledge Graph and Network Analysis to Uncover Insect Vectors of Plant Virus Katili, Moh. Zulkifli; Yeni Herdiyeni; Hardhienata, Medria Kusuma Dewi
Journal of Information Systems Engineering and Business Intelligence Vol. 10 No. 1 (2024): February
Publisher : Universitas Airlangga

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20473/jisebi.10.1.94-109

Abstract

Background: Insect vectors spread 80% of plant viruses, causing major agricultural production losses. Direct insect vector identification is difficult due to a wide range of hosts, limited detection methods, and high PCR costs and expertise. Currently, a biodiversity database named Global Biotic Interaction (GloBI) provides an opportunity to identify virus vectors using its data. Objective: This study aims to build an insect vector search engine that can construct an virus-insect-plant interaction knowledge graph, identify insect vectors using network analysis, and extend knowledge about identified insect vectors. Methods: We leverage GloBI data to construct a graph that shows the complex relationships between insects, viruses, and plants. We identify insect vectors using interaction analysis and taxonomy analysis, then combine them into a final score. In interaction analysis, we propose Targeted Node Centric-Degree Centrality (TNC-DC) which finds insects with many directly and indirectly connections to the virus. Finally, we integrate Wikidata, DBPedia, and NCBIOntology to provide comprehensive information about insect vectors in the knowledge extension stage. Results: The interaction graph for each test virus was created. At the test stage, interaction and taxonomic analysis achieved 0.80 precision. TNC-DC succeeded in overcoming the failure of the original degree centrality which always got bees in the prediction results. During knowledge extension stage, we succeeded in finding the natural enemy of the Bemisia Tabaci (an insect vector of Pepper Yellow Leaf Curl Virus). Furthermore, an insect vector search engine is developed. The search engine provides network analysis insights, insect vector common names, photos, descriptions, natural enemies, other species, and relevant publications about the predicted insect vector. Conclusion: An insect vector search engine correctly identified virus vectors using GloBI data, TNC-DC, and entity embedding. Average precision was 0.80 in precision tests. There is a note that some insects are best in the first-to-five order.   Keywords: Knowledge Graph, Network Analysis, Degree Centrality, Entity Embedding, Insect Vector
Analisis Spasial-temporal Titik Panas dan PM2.5 di Riau, Jambi, dan Sumatera Selatan Lukman, Yasmin; Sitanggang, Imas Sukaesih; Hardhienata, Medria Kusuma Dewi
Jurnal Ilmu Komputer dan Agri-Informatika Vol. 12 No. 2 (2025)
Publisher : Sekolah Sains Data, Matematika, dan Informatika. Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.12.2.212-227

Abstract

Kebakaran hutan dan lahan (karhutla) di Indonesia berkontribusi signifikan terhadap penurunan kualitas udara melalui peningkatan konsentrasi PM2.5. Penelitian ini menganalisis pola spasial-temporal sebaran titik panas dan estimasi konsentrasi PM2.5 di Provinsi Riau, Jambi, dan Sumatera Selatan selama Agustus–Oktober 2023. Data titik panas MODIS dianalisis menggunakan algoritma ST-DBSCAN dengan pengaturan parameter jarak spasial, jarak temporal, dan jumlah minimum titik untuk mengidentifikasi klaster kebakaran. Estimasi PM2.5 diperoleh dari konversi Aerosol Optical Depth (AOD) MODIS menggunakan model empiris. Hasil menunjukkan bahwa ST-DBSCAN efektif dalam mengidentifikasi klaster titik panas, dengan kepadatan klaster tertinggi teramati di Provinsi Sumatera Selatan. Rata-rata estimasi PM2.5 tercatat sebesar 50,51 µg/m³ di Provinsi Riau, 48,16 µg/m³ di Provinsi Jambi, dan 41,59 µg/m³ di Provinsi Sumatera Selatan. Konsentrasi PM2.5 tertinggi terjadi di Provinsi Riau pada bulan Oktober dan melampaui ambang batas pedoman kualitas udara WHO. Temuan ini menegaskan adanya keterkaitan kuat antara dinamika spasial-temporal karhutla dan peningkatan polusi udara, serta menunjukkan potensi pendekatan ini dalam mendukung analisis risiko lingkungan dan kesehatan.
Pembangunan Model Prediksi Potensi Kebakaran Hutan dan Lahan Menggunakan Algoritma Machine Learning Berdasarkan Data Patroli Angga Bayu Santoso; Imas Sukaesih Sitanggang; Medria Kusuma Dewi Hardhienata
JURNAL INFOTEL Vol 16 No 3 (2024): August 2024
Publisher : LPPM INSTITUT TEKNOLOGI TELKOM PURWOKERTO

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20895/infotel.v16i3.1180

Abstract

Indonesia allocates 120 million hectares or 64% of its land area as forest areas. Indonesia's forests continue to experience deforestation; one of the causes is forest and land fires (karhutla). The government conducts forest and land fire prevention through integrated patrols with the Forest and Land Fire Prevention Patrol Information System (SIPP Karhutla) facility for patrol data management. However, the patrol data are still primarily used for data observation and simple spatial analysis in the spatial module. Patrol data has not been used for further forest and land fire prevention studies. Based on these problems, this research aims to build a prediction model of potential forest and land fires using SVM, Random Forest, and XGBoost algorithms and compare model performance to get the best model. The preprocessing stage uses the SMOTE-ENN method to handle data class imbalance, and the k-fold cross-validation stage and hyperparameter tuning use the random search method. The confusion matrix evaluation method to see the model performance in terms of accuracy is XGBoost (94.81%), Random Forest (90.23%), SVM-linear (79.58%), SVM-polynomial model (73.99%), SVM-rbf (74.26%), and SVM-sigmoid (35.04%). Therefore, the best prediction model is XGBoost (94.81%) with boosting technique. The results of this study have implications for helping early prevention of forest and land fires on the islands of Sumatra and Kalimantan.
Empowering Digital Literacy through Computational Thinking, AI, and Renewable Energy in a Water-Scarce School Medria Kusuma Dewi Hardhienata; Wulandari Wulandari; Sheila Tobing; Andrew Schauf; Sita Rahmani; Gabriella Lumban Siantar; Hafidlotul Fatimah Ahmad; Auzi Asfarian; Takhta Pandu Padmanagara; Emir Raya Syuhada; Syaefudin Suminto; Iffa Mutmainah
Jurnal Pemberdayaan Masyarakat Vol 5, No 2 (2026)
Publisher : Yayasan Keluarga Guru Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46843/jpm.v5i2.703

Abstract

Ongoing advances in digital technology require teachers to adapt and develop their technological competence continuously. However, a gap in technological understanding remains between teachers in rural and urban areas, particularly in Indonesia. SMA Negeri 1 Sukanagara, as the only public high school in its region, faces challenges related to water scarcity and limited access to energy, which affect both learning activities and the school community's basic needs. This community service program aims to enhance teachers' digital literacy through training in Computational Thinking (CT), Artificial Intelligence (AI), and Renewable Energy prior to the implementation of a smart rainwater-harvesting system at the school. The methods used included a survey, training sessions, and evaluation using a problem-based approach combined with pre-test and post-test assessments. A problem-based learning approach confirmed that the CT training had helped teachers to develop more structured problem-solving skills. Results of the test also show that AI and Renewable Energy training improved participants' understanding by an average of 17.08% and 14.28%, respectively, compared to their initial scores. These improvements demonstrate the potential of training programs like these to enhance teachers' understanding and better prepare them for implementing emerging technologies in schools.
Modeling Human Mobility by Train on the Spread of COVID-19 in East Java Province Using Distance-Decay PageRank Algorithm Rizha Al-Fajri; Medria Kusuma Dewi Hardhienata; Yeni Herdiyeni
Jurnal Ilmiah Teknik Elektro Komputer dan Informatika Vol. 9 No. 4 (2023): December
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26555/jiteki.v9i4.27285

Abstract

Since early 2020, the world has been dealing with the COVID-19 outbreak. A person who has been infected with COVID-19 has the potential to transmit the virus to others. This study aims to model human mobility by train using the spatial network in East Java Province. This research examines the relationship between human mobility by train and the spread of COVID-19 in East Java Province. The spatial network is formed based on train stations and train trips, and the model was created using the Distance-decay PageRank algorithm. This research has modeled human mobility using the train in East Java Province. The result shows that human mobility by train is highly correlated with the spread of COVID-19 in East Java Province, with a correlation coefficient of 0.7 (r = 0.7).Since early 2020, the world has been dealing with the COVID-19 outbreak. A person who has been infected with COVID-19 has the potential to transmit the virus to others. This study aims to model human mobility by train using the spatial network in East Java Province. This research examines the relationship between human mobility by train and the spread of COVID-19 in East Java Province. The spatial network is formed based on train stations and train trips, and the model was created using the Distance-decay PageRank algorithm. This research has modeled human mobility using the train in East Java Province. The result shows that human mobility by train is highly correlated with the spread of COVID-19 in East Java Province, with a correlation coefficient of 0.7 ( = 0.7).
Co-Authors Agus Buono Ahmad, Hafidlotul Fatimah Amin Elhan Andrew Schauf Angga Bayu Santoso Auzi Asfarian Emir Raya Syuhada Gabriella Lumban Siantar Hayatina, Fina Charisma Husin Alatas Iffa Mutmainah Iis Rodiah Imas Sukaesih Sitanggang Imas Sukaesih Sitanggang Indra Kusuma Budiyanto , Firgiawan Irman Hermadi Julio Adisantoso Kahfi Gunardi Karlisa Priandana Katili, Moh. Zulkifli Kurnianto, Andi Laksono Trisnantoro Lukman, Yasmin Michael Julyus Christopher Manullang Mohamad Solahudin Mushthofa Peter John Morley Purnajaya, Akhmad Rezki Qarry Atul Chairunnisa Raehan, Siti Rizha Al-Fajri Sita Rahmani Siti Nur Hasanah Sony Hartono Wijaya Syaefudin Suminto Syarifah Aini Takhta Pandu Padmanagara Tobing, Sheila Wisnu Ananta Kusuma WULANDARI Wulandari Wulandari Yeni Herdiyeni