Article Per Year (5 Year)
p-Index From 2021 - 2026
4.355
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi dan Ilmu Komputer Jurnal Informatika dan Teknik Elektro Terapan JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI Martabe : Jurnal Pengabdian Kepada Masyarakat Jurnal IMPACT: Implementation and Action JTIULM (Jurnal Teknologi Informasi Universitas Lambung Mangkurat) Journal of Computer Networks, Architecture and High Performance Computing Jumat Informatika: Jurnal Pengabdian Masyarakat Jurnal Media Informatika Digital Transformation Technology (Digitech) SmartComp Jurnal Kolaborasi Sains dan Ilmu Terapan Indonesian Journal of Electronics, Electromedical Engineering, and Medical Informatics Jurnal Ilmiah Teknik Mesin, Elektro dan Komputer Density Journal
Ayu Ahadi Ningrum
Universitas Muhammadiyah Banjarmasin
Aerospace Engineering Agriculture, Biological Sciences & Forestry Arts Humanities Automotive Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Energy Engineering Health Professions Library & Information Science Materials Science & Nanotechnology Mechanical Engineering Social Sciences Other

Published : 24 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 24 Documents
Search

 1   2   3 
IMPLEMENTASI REGRESI LINEAR BERGANDA UNTUK PREDIKSI PENJUALAN PADA PT TRIMANDIRI SARANA PROPETINDO BANJARMASIN Damayanti, Alfisah; Marleny, Finki Dona; Ningrum, Ayu Ahadi
Jurnal Informatika dan Teknik Elektro Terapan Vol. 13 No. 3 (2025)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v13i3.6679

Abstract

Optimalisasi manajemen persediaan merupakan faktor kunci dalam meningkatkan daya saing bisnis pada pasar yang semakin kompetitif. PT. Trimandiri Sarana Propetindo Banjarmasin yang masih mengandalkan pencatatan penjualan harian menggunakan Microsoft Excel, yang membatasi kemampuan dalam meramalkan penjualan secara akurat. Penelitian ini bertujuan mengembangkan model prediksi penjualan berbasis data stok barang tahun 2023, yang mencakup Stok Awal, Pembelian, Penjualan, Stok Akhir, Retur Penjualan, dan Barang Rusak. Data diolah dan dianalisis secara mingguan berdasarkan jenis bumbu untuk mengidentifikasi pola pergerakan stok. Hasil penelitian menunjukkan model prediktif yang dikembangkan mampu menjelaskan 76% variasi penjualan (R² = 0,76) dengan Root Mean Square Error (RMSE) sebesar 6.707,06, yang tergolong rendah dibandingkan rata-rata penjualan mingguan sebesar 2.920,07. Walaupun model menunjukkan performa baik, tantangan masih ada dalam menangani data dengan tingkat variabilitas yang tinggi. Implementasi model ini diharapkan membantu perusahaan beralih dari sistem manual ke pendekatan berbasis analisis prediktif dalam pengelolaan persediaan, meningkatkan efisiensi operasional, serta ketepatan pemenuhan permintaan pelanggan secara lebih optimal.
Algoritma Deep Learning-LSTM untuk Memprediksi Umur Transformator Ningrum, Ayu Ahadi; Syarif, Iwan; Gunawan, Agus Indra; Satriyanto, Edi; Muchtar, Rosmaliati
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 3: Juni 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021834587

Abstract

Kualitas dan ketersediaan pasokan listrik menjadi hal yang sangat penting. Kegagalan pada transformator menyebabkan pemadaman listrik yang dapat menurunkan kualitas layanan kepada pelanggan. Oleh karena itu, pengetahuan tentang umur transformator sangat penting untuk menghindari terjadinya kerusakan transformator secara mendadak yang dapat mengurangi kualitas layanan pada pelanggan. Penelitian ini bertujuan untuk mengembangkan aplikasi yang dapat memprediksi umur transformator secara akurat menggunakan metode Deep Learning-LSTM. LSTM adalah metode yang dapat digunakan untuk mempelajari suatu pola pada data deret waktu. Data yang digunakan dalam penelitian ini bersumber dari 25 unit transformator yang meliputi data dari sensor arus, tegangan, dan suhu. Analisis performa yang digunakan untuk mengukur kinerja LSTM adalah Root Mean Squared Error (RMSE) dan Squared Correlation (SC). Selain LSTM, penelitian ini juga menerapkan algoritma Multilayer Perceptron, Linear Regression, dan Gradient Boosting Regressor sebagai algoritma pembanding.  Hasil eksperimen menunjukkan bahwa LSTM mempunyai kinerja yang sangat bagus setelah dilakukan pencarian komposisi data, seleksi fitur menggunakan algoritma KBest dan melakukan percobaan beberapa variasi parameter. Hasil penelitian menunjukkan bahwa metode Deep Learning-LSTM mempunyai kinerja yang lebih baik daripada 3 algoritma lain yaitu nilai RMSE= 0,0004 dan nilai Squared Correlation= 0,9690. AbstractThe quality and availability of the electricity supply is very important. Failures in the transformer cause power outages which can reduce the quality of service to customers. Therefore, knowledge of transformer life is very important to avoid sudden transformer damage which can reduce the quality of service to customers. This study aims to develop applications that can predict transformer life accurately using the Deep Learning-LSTM method. LSTM is a method that can be used to study a pattern in time series data. The data used in this research comes from 25 transformer units which include data from current, voltage, and temperature sensors. The performance analysis used to measure LSTM performance is Root Mean Squared Error (RMSE) and Squared Correlation (SC). Apart from LSTM, this research also applies the Multilayer Perceptron algorithm, Linear Regression, and Gradient Boosting Regressor as a comparison algorithm. The experimental results show that LSTM has a very good performance after searching for the composition of the data, selecting features using the KBest algorithm and experimenting with several parameter variations. The results showed that the Deep Learning-LSTM method had better performance than the other 3 algorithms, namely the value of RMSE = 0.0004 and the value of Squared Correlation = 0.9690.
PEMANFAATAN APLIKASI SCRATCH UNTUK MENUMBUHKAN MINAT BELAJAR KODING PADA SDN SEMANGAT DALAM 1 KAB. BARITO KUALA Ayu Ahadi Ningrum; Finki Dona Marleny; Aulia Fitri
Martabe : Jurnal Pengabdian Kepada Masyarakat Vol 6, No 11 (2023): Martabe : Jurnal Pengabdian Kepada Masyarakat
Publisher : Universitas Muhammadiyah Tapanuli Selatan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31604/jpm.v6i11.4107-4112

Abstract

Dalam mengimbangi kemajuan teknologi maka kita dituntut untuk ikut berkembang dengan mempelajari berbagai keterampilan baru. Salah satu keterampilan baru yang dimaksud secara lebih spesifik adalah tentang seni mengolah berbagai bahasa pemrograman dengan menggukan serangkaian instruksi yang logis. Kegiatan pengabdian ini dilaksanakan pada bulan Maret 2023 bertempat di SD Negeri Semangat Dalam 1. Jumlah seluruh peserta kegiatan ini adalah 25 peserta yang terdiri atas para Guru SD. Metode yang digunakan adalah presentasi dan cooperative learning dengan aplikasi Scratch. Berdasarkan hasil evaluasi kegiatan yang telah dilakukan menunjukkan bahwa 88% peserta menunjukkan materi terkait aplikasi Scratch mudah. Serta 96% peserta merasa bermanfaat terhadap materi yang disajikan dalam kegiatan pengabdian masyarakat kali ini. Dengan kegiatan pengabdian yang sudah selesai dilaksanakan di SDN Semangat Dalam 1 Kab. Barito Kuala diharapakan dapat menambah pengetahuan baru serta mengasah logika berfikir peserta melalui pengenalan dan praktek membuat latihan game sederhana.
Implementasi Algoritma XGBoost Untuk Prediksi Kondisi Lingkungan Pada Budidaya Jamur Tiram Andika Syarif Hidayatullah; Windarsyah Windarsyah; Ayu Ahadi Ningrum
Smart Comp :Jurnalnya Orang Pintar Komputer Vol 15, No 3 (2026): Smart Comp: Jurnalnya Orang Pintar Komputer
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/smartcomp.v15i3.10458

Abstract

Budidaya jamur tiram (Pleurotus ostreatus) memerlukan pengendalian lingkungan yang presisi pada lima parameter kritis: suhu, kelembapan, intensitas cahaya, kadar CO₂, dan pH substrat. Penyimpangan dari rentang optimal pada salah satu parameter tersebut dapat menghambat pertumbuhan miselium hingga menyebabkan kegagalan panen. Sistem monitoring manual bersifat reaktif dan rentan terhadap keterlambatan respons, sehingga pendekatan prediktif menjadi kebutuhan yang mendesak. Penelitian ini mengimplementasikan klasifikasi langsung berbasis XGBoost untuk memprediksi kondisi lingkungan kumbung 6 jam ke depan menggunakan data sensor IoT yang direkam setiap 30 detik selama 17 hari dengan total 50.087 baris data. Pelabelan dilakukan pada nilai sensor aktual menggunakan aturan berjenjang yang membedakan sensor kritis (suhu, kelembapan, pH) dan sensor toleran (intensitas cahaya, CO₂), kemudian XGBClassifier dilatih secara langsung pada label tersebut. Ketidakseimbangan kelas ditangani menggunakan class weight seimbang dan threshold optimal dipilih berdasarkan MCC tertinggi. Hasil menunjukkan Balanced Accuracy 69,90% dan MCC 0,4296, dengan kelas cukup mencapai recall 0,92 dan kelas optimal mencapai precision 0,88. Sistem ini menjadi fondasi intervensi proaktif pada budidaya jamur cerdas berbasis IoT.
Enhancing Water Quality Early Warning System Accuracy in Pangasius Aquaculture Using Machine Learning M Rais Hadyan; Finki Donna Marleny; Ayu Ahadi Ningrum
Journal of Computer Networks, Architecture and High Performance Computing Vol. 8 No. 1 (2026): Articles Research Januari 2026
Publisher : Information Technology and Science (ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/cnahpc.v8i1.7479

Abstract

Intensive catfish (Pangasius sp.) aquaculture faces significant economic risks driven by mass mortality events linked to unstable water quality, particularly toxic ammonia spikes and pH fluctuations. Although Internet of Things (IoT) technology enables real-time monitoring, the resulting time-series data presents complex challenges, including high sensor noise, asynchronous transmission, and severe class imbalance, which compromise standard reactive monitoring methods. This study aims to enhance diagnostic accuracy by comparing Support Vector Machine (SVM), Random Forest (RF), and XGBoost algorithms to construct a robust Early Warning System (EWS). A quantitative experimental methodology was applied to real-world sensor data, with temporal aggregation preprocessing to reduce noise. To ensure rigorous validation simulating real-world deployment, the dataset utilized a strict chronological split (80% training, 20% testing) and was further tested using 5-Fold Time-Series Cross-Validation. The results demonstrated the definitive superiority of ensemble-based models; Random Forest and XGBoost achieved 100.00% accuracy on the test set, successfully eliminating the critical false negatives exhibited by the SVM model (99.80%). Stability analysis further confirmed the robustness of Random Forest (98.35%) and XGBoost (98.32%) compared to SVM (97.02%). Additionally, feature importance analysis unequivocally identified ammonia as the dominant predictor of critical conditions. Crucially, the study detected a “concept drift” phenomenon in which “Safe” conditions disappeared during the final cultivation phase. These findings conclude that ensemble models provide the optimal architecture for EWS. However, the presence of concept drift necessitates adaptive retraining strategies to ensure long-term reliability in dynamic pond environments.
Klasifikasi Tingkat Penjualan Produk Menggunakan Algoritma Decision Tree Pada Multi Cabang ARR Cell Husnul Hatimah; Windarsyah Windarsyah; Ayu Ahadi Ningrum
Jurnal Kolaborasi Sains dan Ilmu Terapan Vol. 5 No. 1 (2026): Edisi Juli - Agustus In Press
Publisher : Utiliti Project Solution

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69688/juksit.v5i1.185

Abstract

Toko ARR Cell merupakan usaha ritel telekomunikasi dengan volume transaksi tinggi yang menyulitkan identifikasi produk laris secara manual. Penelitian ini bertujuan membangun model klasifikasi tingkat penjualan produk menggunakan algoritma Decision Tree pada 187.877 data transaksi dari tujuh cabang periode Juli 2025 hingga Maret 2026. Karena dataset belum memiliki label, pelabelan dilakukan melalui metode scoring berbasis frekuensi transaksi dan total unit terjual, yang kemudian dikelompokkan menjadi empat kelas menggunakan metode kuartil. Model klasifikasi dibangun menggunakan algoritma Decision Tree dengan tujuh fitur prediktor transaksi. Hasil penelitian menunjukkan bahwa model mampu mengklasifikasikan tingkat penjualan produk dengan akurasi testing sebesar 74,32%, precision 74,44%, recall 74,32%, dan F1-score 73,92%. Selisih akurasi training dan testing yang kecil, yaitu 2,72%, menunjukkan bahwa model bersifat stabil, konsisten, dan tidak mengalami overfitting dalam memprediksi tingkat penjualan ritel pada multi cabang.
Penerapan Algoritma K-Means Berbasis Model RFM untuk Klasterisasi Anggota di Perpustakaan Daerah Kuala Kapuas Winda Astria Nuansa Saputri; Windarsyah Windarsyah; Ayu Ahadi Ningrum
Jurnal Kolaborasi Sains dan Ilmu Terapan Vol. 5 No. 1 (2026): Edisi Juli - Agustus In Press
Publisher : Utiliti Project Solution

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69688/juksit.v5i1.187

Abstract

Perpustakaan daerah belum memiliki mekanisme berbasis data untuk membedakan anggota berdasarkan pola kunjungan dan peminjaman, sehingga layanan masih diberikan secara seragam kepada seluruh anggota. Penelitian ini bertujuan menerapkan model Recency, Frequency, Monetary (RFM) dikombinasikan dengan Algoritma K-Means untuk menghasilkan segmentasi berbasis data terhadap 1.430 anggota Dinas Kearsipan dan Perpustakaan Daerah Kuala Kapuas. Metode yang digunakan meliputi konstruksi variabel RFM dari data kunjungan dan peminjaman, normalisasi MinMaxScaler, penentuan jumlah klaster optimal menggunakan Elbow Method, implementasi K-Means, serta validasi kualitas klaster menggunakan Silhouette Score, Davies-Bouldin Index, dan Calinski-Harabasz Index. Hasil penelitian menunjukkan K=3 sebagai jumlah klaster optimal dengan nilai Silhouette Score sebesar 0,3478. Tiga klaster yang terbentuk adalah Anggota Aktif (199 anggota, 13,9%), Anggota Sedang (570 anggota, 39,9%), dan Anggota Pasif (661 anggota, 46,2%), dengan dimensi Frequency sebagai pembeda utama antar klaster. Anggota Pasif tercatat memiliki tingkat kepuasan layanan yang tinggi meskipun jarang berkunjung, yang mengindikasikan hambatan akses sebagai penyebab kepasifan. Berdasarkan profil tiap klaster, dirumuskan tiga strategi layanan terdiferensiasi berupa retensi untuk Anggota Aktif, peningkatan keterlibatan untuk Anggota Sedang, dan reaktivasi untuk Anggota Pasif.
Sistem Klasifikasi Penjualan Produk Di Apotek Adli Menggunakan Algoritma K-Nearest Neighbor (KNN) Hamidi, Ahmad Faisal; Ningrum, Ayu Ahadi; Kamarudin Kamarudin
Jurnal Ilmiah Teknik Mesin, Elektro dan Komputer Vol. 5 No. 2 (2025): Juli: Jurnal Ilmiah Teknik Mesin, Elektro dan Komputer
Publisher : Lembaga Pengembangan Kinerja Dosen

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51903/juritek.v5i2.3917

Abstract

Apotek Adli mengalami tantangan dalam pengelolaan stok produk akibat sistem pencatatan penjualan yang masih dilakukan secara manual. Hal ini menyulitkan dalam analisis pola penjualan dan dapat menyebabkan kekurangan atau kelebihan stok. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi penjualan berbasis web menggunakan algoritma K-Nearest Neighbor (KNN) untuk membantu pengelolaan stok di Apotek Adli. Sistem ini mengelompokkan produk ke dalam tiga kategori sangat laris, sedang, dan rendah berdasarkan data penjualan selama enam bulan terakhir. Metodologi pengembangan yang digunakan adalah metode waterfall dengan tahapan mulai dari analisis kebutuhan hingga implementasi. Sistem dibangun menggunakan teknologi Laravel, PHP, dan MySQL, serta diuji melalui pendekatan white box dan black box. Hasil implementasi menunjukkan bahwa sistem mampu mengklasifikasikan produk dengan baik, memudahkan pengelola dalam merencanakan stok, serta meningkatkan efisiensi pengelolaan apotek secara keseluruhan. Sistem ini juga mendukung pemantauan penjualan dan klasifikasi produk secara real-time melalui antarmuka yang intuitif dan mudah digunakan
Penerapan Metode Naïve Bayes Untuk Prediksi Stok Barang Bangunan Di Toko Bangunan Bersaudara Novia Rahmah; Ayu Ahadi Ningrum; Kamarudin Kamarudin
Jurnal Media Informatika Vol. 6 No. 3 (2025): Jurnal Media Informatika
Publisher : Lembaga Dongan Dosen

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55338/jumin.v6i3.6239

Abstract

Manajemen stok barang merupakan aspek penting dalam menjaga kelancaran operasional toko bangunan. Toko Bangunan Bersaudara menghadapi kendala dalam memperkirakan kebutuhan stok secara akurat, sehingga sering terjadi kelebihan atau kekurangan persediaan. Penelitian ini menerapkan metode Naïve Bayes untuk memprediksi tingkat kelarisan barang berdasarkan data penjualan dari Juli 2023 hingga Juni 2024. Proses penelitian mengikuti tahapan CRISP-DM yang mencakup pengumpulan data, pembersihan, pemodelan, dan evaluasi. Dataset terdiri dari lebih dari 1.200 transaksi yang mencakup 100 jenis barang. Hasil pengujian menunjukkan bahwa model Naïve Bayes menghasilkan akurasi sebesar 63%. Sistem yang dikembangkan memberikan rekomendasi restok berdasarkan variabel frekuensi penjualan dan margin keuntungan. Barang seperti Seng Suji, Kasibut, dan Seng Pumera direkomendasikan sebagai prioritas pengadaan. Temuan ini menunjukkan bahwa pendekatan berbasis data dapat membantu UMKM dalam pengambilan keputusan yang lebih efektif dalam manajemen persediaan.
Optimasi Algoritma Random Forest dalam Mengukur Kepuasan Peserta Pelatihan Guru pada Lembaga HAFECS Radhitya Abdi Nurhafiz; Finki Dona Marleny; Ayu Ahadi Ningrum
Jurnal Media Informatika Vol. 7 No. 1 (2026): Edisi Januari - Februari
Publisher : Lembaga Dongan Dosen

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55338/jumin.v7i1.8314

Abstract

Peningkatan kualitas layanan pelatihan guru memerlukan evaluasi kepuasan peserta yang akurat dan berbasis data, mengingat hasil evaluasi menjadi dasar penting dalam perbaikan mutu program dan pengambilan keputusan lembaga. Kompleksitas data survei kepuasan serta ketidakseimbangan distribusi kelas merupakan tantangan utama yang membatasi kemampuan pendekatan evaluasi konvensional dalam mengidentifikasi pola kepuasan secara mendalam. Penelitian ini bertujuan mengoptimasi algoritma Random Forest untuk klasifikasi kepuasan peserta pelatihan guru di Lembaga HAFECS. Metode penelitian menggunakan pendekatan Cross-Industry Standard Process for Data Mining (CRISP-DM) hingga tahap evaluasi, dengan penerapan transformasi data, penanganan nilai ekstrem, feature engineering, serta optimasi hyperparameter menggunakan RandomizedSearchCV. Evaluasi kinerja model dilakukan menggunakan accuracy, F1-score, recall kelas minoritas, AUC-ROC, stabilitas cross-validation, dan overfitting gap. Hasil penelitian menunjukkan bahwa model Random Forest teroptimasi mencapai akurasi 70,00%, F1-score 70,10%, AUC-ROC 69,42%, serta overfitting gap terendah sebesar 4,20%. Feature engineering meningkatkan kemampuan generalisasi model, sementara feature selection agresif justru menurunkan performa. Model yang dihasilkan berpotensi mendukung evaluasi kepuasan peserta pelatihan secara objektif dan sistematis.
Co-Authors Adha, Muhammad Iqbal Ahmad Faisal Hamidi Andika Syarif Hidayatullah Aulia Fitri Damayanti, Alfisah Edi Satriyanto Finki Dona Marleny Finki Donna Marleny Gazali, Mukhaimy Gunawan, Agus Indra Hamidi, Ahmad Faisal Hasanah, Nor Laila Husnul Hatimah Ikawati, Yunia iwan Syarif Kamaruddin Kamarudin Kamarudin Kamarudin Kamarudin Kamarudin M Rais Hadyan Mambang Maulida, Ihdalhubbi Muhammad Alfiyani Muhammad Ziki Elfirman Mukhaimy Gazali Nahdi Saubari Novia Rahmah Radhitya Abdi Nurhafiz reniemeliya reniemeliya Rosmaliati, Rosmaliati Rudy Ansari Rudy Ansari, Rudy Winda Astria Nuansa Saputri Windarsyah Windarsyah