Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Indonesian Journal of Artificial Intelligence and Data Mining JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika)
De Kweldju, Alex
Unknown Affiliation
Computer Science & IT Education

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
ANALISIS PENILAIAN KUALITAS WEBSITE SHOPEE TERHADAP KEPUASAN PENGGUNA MENGGUNAKAN METODE WEBQUAL 4.0 Ubaydillah, Ubaydillah; Sanglise, Marlinda; De Kweldju, Alex
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 9, No 3 (2024)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v9i3.5735

Abstract

Dengan berkembangnya teknologi seperti saat ini menghadirkan inovasi baru dalam melakukan transaksi pembelian yaitu hadirnya e-commerce. Shopee adalah salah satu e-commerce saat ini yang memiliki banyak pengguna. Tercatat 2,3 Miliar pengunjung pada tahun 2023. Faktor apa sehingga menjadikan shopee menjadi e-commerce dengan pengunjung terbanyak pada tahun 2023. Penelitian ini bertujuan untuk menganalisis situs web Shopee dari sudut pandang pengguna dan melihat  nilai kepuasan pengguna. Metode yang digunakan pada penelitian ini adalah metode webqual 4.0. dengan teknik pengumpulan data menggunakan Kuesioner. Penelitian ini menggunakan metode pengumpulan data, penyampaian data, dan penarikan kesimpulan untuk melakukan analisis data. Kesimpulan dari penelitian ini adalah pada website shopee dalam penelitian ini variabel Usability yang mempunyai nilai tertinggi yaitu mencapai 43%,  Service Quality 27%, dan Information Quality 8%. Dari data ini dapat ditarik kesimpulan bahwa Usability atau Kegunaan lah yang menjadi faktor yang paling menonjol dari website shopee ini, sedangkan untuk Information Quality atau kualitas informasi yang diberikan masih kurang dan  harus dilakukan peningkatan pelayanan, karena pada penelitian ini hanya memperoleh nilai sebesar 8% jauh dari Usability dan Service Quality. Untuk keseluruhan dari kualitas website shopee memperoleh nilai 78%.
Classification of Wild Edible Plants Using InceptionV3 with Transfer Learning and Metadata Integration as a Decision Support System Fauzi, Ridho Nur; Naibaho, Julius Panda Putra; De Kweldju, Alex
Indonesian Journal of Artificial Intelligence and Data Mining Vol 9, No 1 (2026): March 2026
Publisher : Universitas Islam Negeri Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24014/ijaidm.v9i1.39091

Abstract

Deep learning has advanced intelligent systems for plant identification; however, distinguishing edible wild plants remains challenging due to limited datasets and the need for contextual information beyond visual classification. This study develops a Convolutional Neural Network (CNN) framework that integrates metadata as a decision support system to enhance food safety and strengthen community-based food security. A dataset of 16,076 images across 34 classes of edible wild plants was collected and enriched with metadata containing plant descriptions, consumption status, and nutritional values. The dataset was split into 75% training, 20% validation, and 5% testing to ensure reliable evaluation. The proposed solution employs InceptionV3 with transfer learning as the primary model, chosen for its ability to capture complex visual features in limited datasets, while MobileNetV3-Large serves as a lightweight comparative architecture. Results show that InceptionV3 achieved superior performance with a test accuracy of 0.87 and F1-score of 0.88, whereas MobileNetV3-Large obtained only 0.03 accuracy, indicating poor generalization. This highlights the importance of selecting architectures with sufficient depth for domains characterized by high visual variability. Metadata integration enhanced the system’s role as a decision support tool, providing contextual information such as edibility status and nutritional content. The novelty of this research lies in combining CNN-based classification with metadata integration, transforming the system into a practical framework for safe consumption decisions. Limitations include the dataset containing only edible plants. Future work should incorporate non-edible classes, evaluate performance under real-world conditions, and explore advanced architectures and explainable AI techniques to improve robustness, transparency, and accessibility.
Co-Authors Fauzi, Ridho Nur Naibaho, Julius Panda Putra Paiki, Fridolin Febrianto Ratna Juita Sanglise, Marlinda Ubaydillah, Ubaydillah