Article Per Year (5 Year)
p-Index From 2021 - 2026
4.702
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah Kursor Scan : Jurnal Teknologi Informasi dan Komunikasi Jurnal Informatika dan Teknik Elektro Terapan JIEET (Journal of Information Engineering and Educational Technology) JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Journal of Information System, Applied, Management, Accounting and Research Jurnal Mantik bit-Tech JATI (Jurnal Mahasiswa Teknik Informatika) Journal Cerita: Creative Education of Research in Information Technology and Artificial Informatics ILTEK : Jurnal Teknologi Jurnal Informatika Polinema (JIP) Repeater: Publikasi Teknik Informatika dan Jaringan Neptunus: Jurnal Ilmu Komputer dan Teknologi Informasi Uranus: Jurnal Ilmiah Teknik Elektro, Sains dan Informatika
Achmad Junaidi
Universitas Pembangunan Nasional Veteran Jawa Timur
Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Library & Information Science Mechanical Engineering

Published : 39 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 39 Documents
Search

 1   2   3   4 
IMPLEMENTASI K-MEANS CLUSTERING DALAM SEGMENTASI PELANGGAN BERDASARKAN USIA, PENDAPATAN, DAN MODEL RFM (STUDI KASUS: LANTIKYA STORE JOMBANG) kristanti, beni tiyas; Junaidi, Achmad; Mandyartha, Eka Prakarsa
Jurnal Informatika dan Teknik Elektro Terapan Vol. 12 No. 3 (2024)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v12i3.4677

Abstract

Lantikya Store Jombang merupakan salah satu toko retail di Kabupaten Jombang yang belum menerapkan strategi pemasaran yang memberikan pelayanan yang berbeda berdasarkan karakteristik dan tipe pelanggan. Segmentasi pelanggan adalah proses membagi pelanggan kedalam kelompok berdasarkan karakteristik atau perilaku yang berbeda untuk menunjukkan tingkat keragaman di antara pelanggan. Karakteristik dan perilaku pelanggan dilihat berdasarkan usia, pendapatan, rencency (terakhir melakukan transaksi), frequency (jumlah kedatangan), dan monetery (jumlah uang yang dikeluarkan) atau disebut dengan RFM (Rencency, Frequency, dan Monetery). Pengelompokkan dilakukan dengan salah satu algoritma yaitu K-Means dengan jumlah data yaitu 1140 data. Pada penelitian ini menghasilkan 4 kelompok berdasarkan perbandingan hasil dari metode pencarian kelompok yaitu elbow method, silhouette method, dan gap statistic. Analisis yang dilakukan untuk menyususun startegi pemasaran dihitung berdasarkan nilai variabel dengan metode Analytic Hierarchy Process (AHP) dan Customer Lifetime Value (CLV). Karakteristik dan tipe pelanggan yang dihasilkan dari 4 kelompok pelanggan yaitu usia generasi milenial yang memiliki pendapatan tinggi dengan tipe pelanggan untuk retensi umum dan pelanggan bernilai penting, serta usia generasi Z yang memiliki pendapatan rendah dengan tipe pelanggan untuk pengembangn umum dan pelanggan yang hilang.
KLASIFIKASI INDEKS STANDAR PENCEMARAN UDARAN (ISPU) MENGGUNAKAN ALGORITMA XGBOOST DENGAN TEKNIK IMBALANCED DATA (SMOTE) Sajiwo, Achmad Fauzihan Bagus; Rahmat, Basuki; Junaidi, Achmad
Jurnal Informatika dan Teknik Elektro Terapan Vol. 12 No. 3 (2024)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v12i3.4699

Abstract

Polusi udara adalah masuknya zat-zat berbahaya ke atmosfer, yang dapat disebabkan oleh tindakan manusia, serta oleh peristiwa alam. Menurut Air Quality Live Index (AQLI) pada bulan April 2021, DKI Jakarta sebagai ibu kota negara, menempati posisi keenam di dunia dengan kota tingkat kualitas udara yang paling buruk. Untuk menghadapi masalah polusi udara yang terus memburuk, perlu diambil tindakan yang tepat, satu diantaranya adalah melakukan penelitian klasifikasi indeks standar pencemaran udara (ISPU). Penerapan klasifikasi ISPU membutuhkan metode yang dapat mengolah dan menganalisis pola data dari sensor-sensor yang mengukur tingkat polutan udara. Metode yang digunakan pada penelitian ini adalah eXtreme Gradient Boosting (XGBoost). Untuk membantu menyeimbangkan data, pada penelitian ini menggunakan Synthetic Minority Over-sampling Technique (SMOTE). Data yang digunakan adalah ISPU DKI Jakarta tahun 2022-2023. Hasil klasifikasi indeks standar pencemaran udara menggunakan algoritma XGBoost dengan teknik SMOTE, didapatkan akurasi sebesar 99.63%.
KLASIFIKASI CITRA PENYAKIT KANKER MULUT MENGGUNAKAN ARSITEKTUR RESNET50 OPTIMASI ADAM DAN SGD Fauzan Novriandy, Muhammad; Rahmat, Basuki; Junaidi, Achmad
Jurnal Informatika dan Teknik Elektro Terapan Vol. 12 No. 3 (2024)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v12i3.4732

Abstract

Kanker mulut merupakan salah satu kanker terbanyak yang terjadi di dunia dan tercatat menempati urutan keenam pada kategori kanker yang sering terjadi serta kanker yang paling banyak menyebabkan kematian. Klasifikasi penyakit kanker mulut menggunakan 5.000 data gambar untuk 2 kelas yaitu Normal dan Oral Squamous Cell Carcinoma (OSCC). Peneliti menggunakan arsitektur Resnet50 dengan optimizer Adam dan SGD untuk melakukan klasifikasi pada dataset yang terbatas. Hasil Penelitian menggunakan model Resnet50 memiliki hasil akurasi lebih baik apabila menggunakan Optimasi SGD, Akuisisi Data 80 % dan 20 %, menggunakan Batch Size 32 dengan akurasi sebesar 0.95 daripada Optimasi Adam dengan akurasi tertinggi pada penerapan model Resnet50 menggunakan Optimasi Adam pada akuisisi data 70 % dan 30 % menggunakan Batch Size 32 dengan memperoleh akurasi sebesar 0.84. Pada pelatihan dan pengujian dengan data uji/validasi, model Resnet50 menggunakan Optimasi SGD, pada Akuisisi Data 70 % dan 30 %, dan menggunakan Batch Size 32. mencapai hasil klasifikasi gambar terbaik. Kelas normal berhasil diklasifikasikan dengan benar sebanyak 470 gambar, sedangkan terdapat 26 gambar yang salah diklasifikasikan. Untuk kelas OSCC, terdapat 473 gambar yang diklasifikasikan dengan benar dan hanya 37 gambar yang salah diklasifikasikan.
PENENTUAN PUSAT KLASTER SECARA OTOMATIS PADA ALGORITMA DENSITY PEAKS CLUSTERING BERBASIS METODE INTER QUARTILE RANGE Efendi, Ridwan; Junaidi, Achmad; Rizki, Agung Mustika
Jurnal Informatika dan Teknik Elektro Terapan Vol. 12 No. 3 (2024)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v12i3.4997

Abstract

Clustering adalah sebuah metode untuk mengelompokkan data yang sejenis ke dalam satu bagian yang sama. Proses ini mampu membantu manusia untuk mendapatkan informasi secara lebih cepat. Dalam konteks media sosial misalnya, metode clustering dapat memberikan informasi terkait konten yang cenderung disukai dan kurang disukai. Algoritma Density Peaks Clustering (DPC) adalah salah satu algoritma yang cukup populer digunakan untuk mengelompokkan sebuah data. Sudah banyak penelitian yang menggunakan algoritma ini. Namun, algoritma DPC memiliki kekurangan dalam hal penentuan pusat klaster. Pusat Klaster dalam algoritma DPC masih dipilih secara manual melalui grafik keputusan. Pemilihan pusat klaster secara otomatis menambah subjektivitas dan ketidakstabilan dalam algoritma. Untuk mengatasi masalah tersebut, diusulkan sebuah algoritma ‘Penentuan Pusat Otomatis’ yang berbasis pada metode Inter Quartile Range (IQR). Algoritma ini diuji menggunakan dataset iris, aggregation, flame, dan spiral. Hasil pengujian menunjukkan bahwa algoritma yang diusulkan dapat memperoleh hasil clustering yang lebih baik dan lebih akurat.
PENERAPAN HYBRID CRYPTOGRAPHY MENGGUNAKAN CAMELLIA DAN DUAL MODULUS RSA PADA PERTUKARAN FILE Ar Romandhon, Mitzaqon Gholizhan; Junaidi, Achmad; Sihananto, Andreas Nugroho
Jurnal Informatika dan Teknik Elektro Terapan Vol. 12 No. 3S1 (2024)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v12i3S1.5218

Abstract

Kebutuhan akan keamanan atas data merupakan hal yang sangat penting dalam era digital saat ini, terutama pada proses pertukaran data yang bersifat sensitif terhadap serangan siber. Selain keamanan data, ukuran data yang semakin besar juga menjadi permasalahan dalam proses pertukaran file karena waktu yang dibutuhkan dalam pemrosesan juga semakin lama. Penelitian ini melakukan implementasi skema hybrid cryptography menggunakan algoritma Camellia dan Dual Modulus RSA yang bertujuan untuk mengatasi permasalahan-permasalah tersebut. Pemilihan skema hybrid cryptography adalah untuk mendapatkan kekuatan dari masing-masing algoritma, sehingga keamanan dan kecepatan dari tiap algoritma dapat didapatkan. Tahapan yang dilakukan dalam penelitian ini adalah studi literatur, perancangan, implementasi dan pengujian. Hasil dari pengujian yang telah dilakukan, diperoleh bahwa untuk proses pembangkitan kunci skema hybrid memiliki waktu tempuh yang mirip dengan algoritma DM-RSA dengan perbedaan 9.3% lebih cepat dan pada proses enkripsi dan dekripsi memiliki waktu tempuh yang mirip dengan algoritma Camellia dengan perbedaan 2.3% lebih cepat. Untuk keseluruhan proses algoritma hybrid memiliki waktu tempuh yang mirip dengan algoritma Camellia untuk skenario ukuran data 600MB dan 1200MB dengan perbedaan 25.2% lebih lambat.
KLASIFIKASI CITRA PLANKTON DENGAN ALGORITMA HIBRIDA CONVOLUTIONAL NEURAL NETWORK DAN EXTREME LEARNING MACHINE Shahab, Muhammad Syaugi; Junaidi, Achmad; Sihananto, Andreas Nugroho
Jurnal Informatika dan Teknik Elektro Terapan Vol. 12 No. 3S1 (2024)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v12i3S1.5219

Abstract

Penelitian ini bertujuan untuk meningkatkan akurasi dalam klasifikasi plankton secara otomatis dengan pendekatan hibrida CNN-ELM. Menggunakan Convolutional Neural Network (CNN) untuk ekstraksi fitur dan Extreme Learning Machine (ELM) sebagai pengklasifikasi, model ini dirancang untuk mengatasi tantangan citra plankton yang buram, dataset kecil, dan ketidakseimbangan kelas. SMOTE digunakan untuk menangani ketidakseimbangan data. Dari implementasi SMOTE dengan metode interpolasi, permasalahan ketidakseimbangan kelas berhasil diatasi dengan menjadikan jumlah data latih sama rata untuk setiap kelas. Dari hasil pengujian, konfigurasi dengan 32 filter dan 2000 hidden node serta 64 filter dan 2000 hidden node memberikan performa terbaik dengan akurasi 97,78%. Sebaliknya, model dengan 64 filter dan 4000 hidden node menunjukkan performa terendah dengan akurasi 82,78% yang diakibatkan overfitting. Analisis confusion matrix mengungkapkan kinerja tinggi pada beberapa kelas plankton, namun masih kesalahan klasifikasi sering terjadi pada kelas seperti Alexandrium, Noctiluca, dan Nitzschia. Temuan ini menunjukkan bahwa konfigurasi dengan filter dan node yang lebih kompleks tidak selalu menghasilkan kinerja lebih baik. Penelitian ini diharapkan dapat mendukung pengambilan keputusan di bidang kelautan.
IMPLEMENTASI ALGORITMA CONVOLUTIONAL NEURAL NETWORK PADA TRANSLITERASI AKSARA JAWA KE AKSARA LATIN DENGAN PENERAPAN FUNGSI HINGE LOSS Akbar, Refansya Rachmad; Rahmat, Basuki; Junaidi, Achmad
Jurnal Informatika dan Teknik Elektro Terapan Vol. 12 No. 3S1 (2024)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v12i3S1.5350

Abstract

Masyarakat jawa, terutama di wilayah kraton seperti Yogyakarta dan Surakarta, menggunakan aksara jawa untuk melestarikan tradisi penulisan dalam Bahasa jawa. Aksara jawa atau yang sering disebut Hanacaraka sering digunakan untuk menulis berbagai jenis naskah, termasuk cerita, catatan sejarah, tembang kuno, dan ramalan primbon. Selain itu, aksara jawa memiliki keterkaitan dengan aksara bali, keduanya merupakan perkembangan Bahasa kawi. Seiring berkembangnya zaman generasi milenial sudah mulai asing dengan aksara jawa. Padahal pulau jawa merupakan pulau terbesar dan memiliki beragam budaya, jika generasi ke generasi aksara jawa mulai dilupakan akan berdampak buruk terhadap kelesestarian budaya.Pada era digitalisasi ini pembuatan transliterasi aksara jawa ke aksara latin digital dapat membantu mengatasi masalah tersebut. Penelitian ini bertujuan untuk melakukan klasifikasi citra terhadap aksara jawa untuk mendukung proses transliterasi tersebut, adapun algoritma yang digunakan dalam klasifikasi citra yaitu convolutional neural network.Penerapan fungsi Hinge loss pada convolutional neural network merupakan tipe lain dari loss function yang biasa digunakan sebagai alternatif dari cross entropy untuk permasalahan klasifikasi citra. Namun, performa hinge loss terkadang lebih baik dari cross entropy dan terkadang lebih buruk dari cross entropy. Hasil terbaik pada implementasi convolutional neural network pada transliterasi aksara jawa ke aksara latin dengan penerapan fungsi hinge loss didapatkan pada rasio dataset 80:10:10 menggunakan arsitektur VGG19 dan loss function categorical hinge loss dengan menerapkan layer dropout 0,5 dan L2 Regulatization 0,0001 mendapatkan hasil akurasi 100%, precision, recall 100%, dan f1-score 100%.
GWO-SVM: AN APPROACH TO IMPROVING SVM PERFORMANCE USING GREY WOLF OPTIMIZER IN INTELLECTUAL DISABILITY CLASSIFICATION Afifudin, Muhammad; Junaidi, Achmad; Sihananto, Andreas Nugroho; Fithriyah, Izzatul
Jurnal Informatika dan Teknik Elektro Terapan Vol. 12 No. 3S1 (2024)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v12i3S1.5359

Abstract

 Intellectual disability (ID) is a neurodevelopmental disorder that requires early and accurate diagnosis. This study aims to improve the efficiency of ID diagnosis using a machine learning approach. A Support Vector Machine (SVM) model optimized with Grey Wolf Optimizer (GWO) was developed and trained using data from questionnaires completed by 101 families/guardians of ID patients at RSUD Dr. Soetomo Surabaya. The features used include family history, cognitive abilities, and adaptive behaviors. The results showed that the GWO-SVM model achieved an accuracy of 95% in classifying ID patients, an improvement of 5% compared to the conventional SVM. The GWO algorithm successfully optimized the parameters in SVM, resulting in a model with the best performance. These findings indicate the potential of GWO-SVM as an effective and efficient tool for assisting in the diagnosis of ID.
IMPLEMENTASI ARSITEKTUR EFFICIENTNETB2 UNTUK KLASIFIKASI CITRA DAUN HERBAL Oktaviana, Dinda Friska; Junaidi, Achmad; Al Haromainy, Muhammad Muharrom
ILTEK : Jurnal Teknologi Vol. 20 No. 02 (2025): ILTEK : Jurnal Teknologi
Publisher : Fakultas Teknik Universitas Islam Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47398/iltek.v20i02.257

Abstract

Daun herbal telah lama dimanfaatkan sebagai bahan pengobatan tradisional di Indonesia, namun proses identifikasi jenisnya sering menjadi tantangan akibat keterbatasan pengetahuan masyarakat dan kemiripan visual antar daun herbal. Penelitian ini bertujuan menguji performa model klasifikasi daun herbal untuk memperoleh akurasi optimal. Metode yang digunakan adalah CNN dengan arsitektur EfficientNetB2 untuk mengklasifikasikan citra sepuluh jenis daun herbal Indonesia. Dataset merupakan gabungan data primer dan sekunder, yang kemudian dibagi menjadi 80:20 untuk pelatihan dan pengujian. Tiga skenario jumlah epoch diterapkan, yaitu 10, 20, dan 30, dengan konfigurasi tiga hidden layer yang masing-masing berisi 128 neuron. Hasil pengujian menunjukkan bahwa konfigurasi terbaik diperoleh pada skenario 30 epoch dengan akurasi rata-rata mencapai 99,09%. Nilai presisi, recall, dan f1-score pada skenario ini masing-masing sebesar 99%, menunjukkan kinerja yang sangat tinggi dan konsisten. Selisih performa antar skenario pengujian tergolong tipis, sehingga setiap konfigurasi mampu memberikan hasil yang kompetitif. Selain itu, model berhasil membedakan jenis daun dengan kemiripan visual tinggi secara akurat. Dengan demikian, EfficientNetB2 berhasil mencapai akurasi optimal untuk klasifikasi citra daun herbal.
Co-Authors Afifudin, Muhammad Agung Mustika Rizki Agung Mustika Rizki, Agung Mustika Akbar, Refansya Rachmad Akmal, Mohammad Faizal Al Fathoni, Hanif Andreas Nugroho Sihananto Anggraini Puspita Sari Ar Romandhon, Mitzaqon Gholizhan Arif Saifudin, Muhamad Ariq Musyaffah Ghufron, Althaf Bachtiar Riza Pratama Basuki Rahmat Basuki Rahmat Masdi Siduppa beni tiyas kristanti Darmawan, Marcellinus Aditya Vitro Dwi Arman Prasetya Efendi, Ridwan Eka Prakarsa Mandyartha Eka Prakarsa Mandyartha Eva Yulia Puspaningrum Fauzan Novriandy, Muhammad Fetty Tri Anggraeny Firnanda, Mochammad Yoga Firza Prima Aditiawan Henni Endah Wahanani Izzatul Fithriyah Kartini Kartini kristanti, beni tiyas Lesmana, Benedictus Rafael Mas Diyasa, I Gede Susrama Mohammad Haydir Awaludin Waskito Muhammad Muharrom Al Haromainy Mustika Rizki, Agung Muttaqin, Faisal Nugroho Sihananto, Andreas Nurlaili, Afina Lina Oktaviana, Dinda Friska Pratama, Novandi Kevin Prinafsika PW, Benar Setya Rachmadhany Iman Rahmanda Putri, Endin Ratantja Kusumajati, Fatwa Ridwan Efendi Royan Fajar Sultoni Sajiwo, Achmad Fauzihan Bagus Sebrina, Aida Fitriya Shahab, Muhammad Syaugi Tanjung, Mutiq Anisa Tinambunan, Fernanda Wardah Gracillaria Suharyono, Farra William Lijaya Therry, Renaldy Zaim, Mohammad Syarifuz