Garuda - Garba Rujukan Digital

Integrasi Deep Learning Multimodal Untuk Peramalan Penjualan Toko Menggunakan Keras Functional API Khaerul Anam; Dadang Sudrajat; Saeful Anwar; Rudi Kurniawan
Prosiding SISFOTEK Vol 9 No 1 (2025): SISFOTEK IX 2025
Publisher : Ikatan Ahli Informatika Indonesia

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

Store sales forecasting based on historical data has been widely studied; however, most conventional approaches remain limited to single time series data and are less capable of capturing the complex influence of external factors. Existing knowledge suggests that deep learning can improve forecasting accuracy compared to traditional statistical methods, but what remains unclear is the extent to which multimodal integration—combining time series, economic, and categorical data—can enhance predictive performance in a dynamic retail context. This study aims to develop and evaluate a multimodal deep learning model using the Keras Functional API for store sales forecasting. The methodology involves collecting and processing daily transaction data, oil prices, holidays, and store information, followed by preprocessing, feature engineering, normalization, and time-window construction stages. Four architectures were tested—LSTM, 1D CNN, CNN+RNN, and Multiscale CNN—with performance evaluation conducted using Mean Absolute Error (MAE). The results indicate that multimodal integration yields a significant improvement compared to single-source data, with the 1D CNN model achieving the best performance at an MAE of 57,4318. The discussion highlights that integrating external variables such as oil prices and holidays enhances the robustness of predictions, while the main challenges remain in high computational requirements and limited model interpretability. This study concludes that the multimodal deep learning approach provides a scientific contribution by enriching the literature on sales forecasting while offering practical implications for the retail sector in inventory management, promotional planning, and data-driven decision-making.

Klasifikasi Tingkat Kesejahteraan Masyarakat Desa Cikuya Berdasarkan Data Sosial Ekonomi Menggunakan Algoritma Nive Bayes Ramdan Irawan; Rudi Kurniawan; Bani Nurhakim; Arif Rinaldi; Fathurrahman
Jurnal Sistem Informasi dan Teknologi Vol 6 No 1 (2026): Jurnal Sistem Informasi dan Teknologi (SINTEK)
Publisher : LPPM STMIK KUWERA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56995/sintek.v6i1.203

Penentuan tingkat kesejahteraan masyarakat memiliki peran penting dalam proses penyaluran bantuan sosial di tingkat desa. Namun, pendataan berbasis observasi manual masih menghadirkan potensi bias subjektif dan ketidakkonsistenan dalam pengambilan keputusan. Penelitian ini bertujuan mengembangkan model klasifikasi tingkat kesejahteraan masyarakat Desa Cikuya menggunakan algoritma Naïve Bayes sebagai pendekatan berbasis data yang lebih objektif. Tahapan penelitian meliputi pengumpulan data sosial ekonomi, pra-pemrosesan, encoding variabel kategorik, normalisasi variabel numerik, pelatihan model Gaussian Naïve Bayes, serta evaluasi menggunakan metrik akurasi, precision, recall, dan f1-score. Hasil penelitian menunjukkan bahwa model menghasilkan akurasi sebesar 98,33%, yang menunjukkan performa klasifikasi yang sangat baik. Analisis lebih lanjut mengindikasikan bahwa variabel pendapatan dan kondisi fisik rumah memiliki peranan paling dominan dalam membedakan kategori kesejahteraan. Model yang dikembangkan tidak hanya berfungsi sebagai alat klasifikasi, tetapi juga dapat dimanfaatkan sebagai sistem pendukung keputusan bagi pemerintah desa untuk menilai status kesejahteraan masyarakat secara lebih cepat, konsisten, dan bebas bias subjektif. Penelitian ini memberikan kontribusi pada pemanfaatan teknologi pembelajaran mesin dalam pemetaan kesejahteraan masyarakat, meskipun masih memiliki keterbatasan pada jumlah variabel dan cakupan data lokal. Temuan ini diharapkan dapat menjadi dasar pengembangan sistem penyaluran bantuan yang lebih tepat sasaran dan transparan.

Evaluasi Pengaruh Kualitas Data Terhadap Performa Model Machine Learning Menggunakan Pendekatan Data-Centric AI Bisma Mahendra; Martanto; Denni Pratama; Ahmad Faqih; Rudi Kurniawan
Jurnal Sistem Informasi dan Teknologi Vol 6 No 1 (2026): Jurnal Sistem Informasi dan Teknologi (SINTEK)
Publisher : LPPM STMIK KUWERA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56995/sintek.v6i1.211

Penelitian ini mengevaluasi pengaruh kualitas data terhadap performa model machine learning menggunakan pendekatan Data-Centric Artificial Intelligence (DCAI). Eksperimen dilakukan pada Titanic Dataset dengan membandingkan Random Forest dan Support Vector Machine (SVM) dalam tiga skenario penanganan missing values, yaitu Drop Missing, Mean Imputation, dan No Imputation. Kinerja model dievaluasi menggunakan metrik Accuracy, F1 Score, dan Area Under Curve (AUC). Hasil menunjukkan bahwa intervensi kualitas data memberikan dampak signifikan terhadap performa model. Random Forest mencapai performa terbaik pada skenario Drop Missing dengan Accuracy 0.813, F1-Score 0.758, dan AUC 0.859, sedangkan SVM memperoleh Accuracy tertinggi sebesar 0.822 pada skenario Mean Imputation. Uji statistik Paired t-Test menunjukkan tidak terdapat perbedaan performa yang signifikan secara statistik antara kedua model (p-value > 0.05). Temuan ini menegaskan bahwa peningkatan kualitas data lebih berpengaruh terhadap kinerja model dibandingkan pemilihan algoritma, sehingga mendukung paradigma Data-Centric AI.

Klasifikasi Tingkat Kesejahteraan Masyarakat Desa Cikuya Berdasarkan Data Sosial Ekonomi Menggunakan Algoritma Nive Bayes Ramdan Irawan; Rudi Kurniawan; Bani Nurhakim; Arif Rinaldi; Fathurrahman
Jurnal Sistem Informasi dan Teknologi Vol 6 No 1 (2026): Jurnal Sistem Informasi dan Teknologi (SINTEK)
Publisher : LPPM STMIK KUWERA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56995/sintek.v6i1.203

Penentuan tingkat kesejahteraan masyarakat memiliki peran penting dalam proses penyaluran bantuan sosial di tingkat desa. Namun, pendataan berbasis observasi manual masih menghadirkan potensi bias subjektif dan ketidakkonsistenan dalam pengambilan keputusan. Penelitian ini bertujuan mengembangkan model klasifikasi tingkat kesejahteraan masyarakat Desa Cikuya menggunakan algoritma Naïve Bayes sebagai pendekatan berbasis data yang lebih objektif. Tahapan penelitian meliputi pengumpulan data sosial ekonomi, pra-pemrosesan, encoding variabel kategorik, normalisasi variabel numerik, pelatihan model Gaussian Naïve Bayes, serta evaluasi menggunakan metrik akurasi, precision, recall, dan f1-score. Hasil penelitian menunjukkan bahwa model menghasilkan akurasi sebesar 98,33%, yang menunjukkan performa klasifikasi yang sangat baik. Analisis lebih lanjut mengindikasikan bahwa variabel pendapatan dan kondisi fisik rumah memiliki peranan paling dominan dalam membedakan kategori kesejahteraan. Model yang dikembangkan tidak hanya berfungsi sebagai alat klasifikasi, tetapi juga dapat dimanfaatkan sebagai sistem pendukung keputusan bagi pemerintah desa untuk menilai status kesejahteraan masyarakat secara lebih cepat, konsisten, dan bebas bias subjektif. Penelitian ini memberikan kontribusi pada pemanfaatan teknologi pembelajaran mesin dalam pemetaan kesejahteraan masyarakat, meskipun masih memiliki keterbatasan pada jumlah variabel dan cakupan data lokal. Temuan ini diharapkan dapat menjadi dasar pengembangan sistem penyaluran bantuan yang lebih tepat sasaran dan transparan.

Evaluasi Pengaruh Kualitas Data Terhadap Performa Model Machine Learning Menggunakan Pendekatan Data-Centric AI Bisma Mahendra; Martanto; Denni Pratama; Ahmad Faqih; Rudi Kurniawan
Jurnal Sistem Informasi dan Teknologi Vol 6 No 1 (2026): Jurnal Sistem Informasi dan Teknologi (SINTEK)
Publisher : LPPM STMIK KUWERA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56995/sintek.v6i1.211

Penelitian ini mengevaluasi pengaruh kualitas data terhadap performa model machine learning menggunakan pendekatan Data-Centric Artificial Intelligence (DCAI). Eksperimen dilakukan pada Titanic Dataset dengan membandingkan Random Forest dan Support Vector Machine (SVM) dalam tiga skenario penanganan missing values, yaitu Drop Missing, Mean Imputation, dan No Imputation. Kinerja model dievaluasi menggunakan metrik Accuracy, F1 Score, dan Area Under Curve (AUC). Hasil menunjukkan bahwa intervensi kualitas data memberikan dampak signifikan terhadap performa model. Random Forest mencapai performa terbaik pada skenario Drop Missing dengan Accuracy 0.813, F1-Score 0.758, dan AUC 0.859, sedangkan SVM memperoleh Accuracy tertinggi sebesar 0.822 pada skenario Mean Imputation. Uji statistik Paired t-Test menunjukkan tidak terdapat perbedaan performa yang signifikan secara statistik antara kedua model (p-value > 0.05). Temuan ini menegaskan bahwa peningkatan kualitas data lebih berpengaruh terhadap kinerja model dibandingkan pemilihan algoritma, sehingga mendukung paradigma Data-Centric AI.

MANAJEMEN SARANA DAN PRASARANA UNTUK MENINGKATAN MUTU PEMBELAJARAN DI SMPN 3 SUBANG Ramdani, Pajar; Asep Sutisna; Tatang Suryana; Maman Nuryaman; Rudi Kurniawan; Nurdiatul Jahroh; Faiz Karim Fatkhullah
Pendas : Jurnal Ilmiah Pendidikan Dasar Vol. 11 No. 01 (2026): Volume 11 No. 01, Maret 2026 Release
Publisher : Program Studi Pendidikan Guru Sekolah Dasar FKIP Universitas Pasundan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23969/jp.v11i01.42104

Infrastructure and facility management is a crucial factor in supporting the success of the learning process in schools. Effective and efficient management can create a conducive learning environment and improve the quality of learning. A common problem in schools is the suboptimal management of facilities and infrastructure, both in terms of planning, utilization, and maintenance, which impacts student learning processes and outcomes. This study aims to determine the management of facilities and infrastructure at SMP Negeri 3 Subang and its role in improving the quality of learning. This study used a qualitative approach with a mini-research method. Data collection techniques included observation, interviews with the principal and teachers, and documentation studies related to school facilities and infrastructure. The results indicate that the management of facilities and infrastructure at SMP Negeri 3 Subang has been implemented effectively through the planning, procurement, utilization, and maintenance stages and has made a positive contribution to improving the quality of learning. However, several obstacles remain, such as budget limitations and the lack of adequate maintenance of certain facilities. Therefore, it can be concluded that effective and sustainable management of facilities and infrastructure can improve the quality of learning at SMP Negeri 3 Subang.

Application of Support Vector Machine for Classification of Toddlers Nutritional Status Based on Anthropometric Data Mohamad Alif Subhi; Rudi Kurniawan; Bani Nurhakim
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.v5i2.1844

Stunting remains a major health issue in Indonesia, especially among toddlers. This study aims to classify the nutritional status of toddlers (stunted and non-stunted) using anthropometric data from the Kaggle public dataset with the Support Vector Machine (SVM) algorithm. This dataset includes data on the height, weight, age, and gender of toddlers. It should be emphasized that the data does not originate from the Ciherang Bandung Posyandu, but rather the Posyandu is used only as a context for the potential application of the developed model. The process includes data acquisition, preprocessing (including normalization and data balancing using SMOTE), SVM model training, and evaluation with accuracy, precision, recall, F1-score, and ROC-AUC. The model was trained with an 70:30 data split and optimal parameters (C=1.0, gamma=0.01, kernel=RBF). The results showed high performance, indicating that this model can support early detection of stunting and the implementation of decision support systems in public health services.

Title

Found 37 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 37 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 37 Documents
Search