Article Per Year (5 Year)
p-Index From 2021 - 2026
4.497
P-Index
This Author published in this journals
All Journal Jurnal Informatika dan Rekayasa Elektronik Jurnal Informatika dan Rekayasa Perangkat Lunak JURSIMA (Jurnal Sistem Informasi dan Manajemen) ICIT (Innovative Creative and Information Technology) Journal E-Link: Jurnal Teknik Elektro dan Informatika Jurnal Dinamika Informatika (JDI) Prosiding Seminar Nasional Sisfotek (Sistem Informasi dan Teknologi Informasi) Journal of Artificial Intelligence and Engineering Applications (JAIEA) Journal of Student Research Jurnal Kendali Akuntansi JURSIMA Jurnal Manajemen Dan Bisnis Ekonomi Akuntansi: Jurnal Riset Ilmu Akuntansi Sintek Kuwera
agus bahtiar
Unknown Affiliation
Humanities Automotive Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Library & Information Science Public Health Social Sciences

Published : 26 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 26 Documents
Search

 1   2   3 
Analisis Dan Prediksi Risiko Kelahiran Bayi Menggunakan K-Means Dan Deep Neural Network (DNN) Mukhlisin Ilahudin; Nana Suarna; Agus Bahtiar; Mulyawan; Irfan Ali
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.v6i1.206

Abstract

Risiko kelahiran bayi merupakan indikator penting dalam evaluasi kesehatan ibu dan anak sehingga diperlukan pendekatan analitis yang mampu mengidentifikasi pola risiko secara akurat. Penelitian ini bertujuan menganalisis dan memprediksi risiko kelahiran bayi dengan mengintegrasikan metode K-Means dan Deep Neural Network (DNN). Dataset yang digunakan terdiri dari 983 data rekam medis ibu hamil yang telah melalui tahap pengumpulan data, pembersihan, dan preprocessing meliputi normalisasi, encoding variabel kategorikal, penanganan outlier, serta seleksi fitur. Metode K-Means digunakan untuk mengelompokkan data berdasarkan kemiripan karakteristik klinis guna membentuk representasi pola risiko awal, yang selanjutnya digunakan sebagai fitur tambahan pada model DNN. Model DNN dirancang menggunakan beberapa hidden layer dengan fungsi aktivasi ReLU dan regularisasi dropout. Hasil pengujian menunjukkan bahwa model menghasilkan akurasi sebesar 61,93% dan nilai ROC AUC sebesar 0,6402, yang mengindikasikan performa moderat dalam memprediksi risiko kelahiran bayi. Stabilitas kurva loss dan akurasi menunjukkan proses pelatihan yang berjalan dengan baik tanpa overfitting signifikan. Secara praktis, model ini berpotensi digunakan sebagai alat bantu awal bagi tenaga kesehatan dalam mengidentifikasi ibu hamil dengan risiko kelahiran lebih tinggi sehingga dapat dilakukan pemantauan dan intervensi lebih dini.
Penerapan Algoritma K-Means Clustering Untuk Mengelompokan Siswa SMK Al-Ma’rifah Berdasarkan Kehadiran Dila Nurhafidilah; Nana Suarna; Agus Bahtiar; Umi Hayati; Fatihanursari Dikananda
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.v6i1.212

Abstract

Penelitian ini bertujuan untuk mengelompokkan siswa SMK Al-Ma’rifah berdasarkan pola kehadiran menggunakan algoritma K-Means Clustering. Data yang dianalisis merupakan catatan kehadiran siswa tahun ajaran 2023/2024 yang meliputi jumlah hadir, izin, sakit, alfa, dan persentase kehadiran. Tahapan pra-pemrosesan data dilakukan melalui pembersihan dan normalisasi sebelum proses clustering. Penentuan jumlah klaster optimal menggunakan Elbow Method dan Silhouette Coefficient menunjukkan bahwa tiga klaster merupakan struktur terbaik. Hasil pengelompokan menghasilkan tiga kategori siswa, yaitu sangat disiplin, cukup disiplin, dan kurang disiplin. Evaluasi kualitas klaster menggunakan Silhouette Score dan Davies–Bouldin Index menunjukkan pemisahan klaster yang baik. Penelitian ini membuktikan bahwa K-Means Clustering efektif dalam mengidentifikasi pola kehadiran siswa dan  dapat mendukung pengambilan keputusan sekolah berbasis data dalam meningkatkan kedisiplinan siswa.
PENGELOMPOKAN PRESTASI AKADEMIK SISWA SD MENGGUNAKAN ALGORITMA K-MEANS Eneng Okta Srirahmawati; Ade Irma Purnamasari; Agus Bahtiar; Edi Tohidi
Jurnal Informatika dan Rekayasa Elektronik Vol. 8 No. 1 (2025): JIRE APRIL 2025
Publisher : LPPM STMIK Lombok

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36595/jire.v8i1.1358

Abstract

Penelitian ini bertujuan untuk mengelompokkan prestasi akademik siswa di SDN Lebakwangi menggunakan algoritma K-Means. Algoritma K-Means adalah metode pengelompokan dalam data mining untuk mengelompokkan data berdasarkan kesamaan karakteristik antara data satu dengan data lainnya. Dalam penelitian ini, data yang digunakan berupa nilai rapor akademik siswa kelas 1, 2, 3, 4, dan 5 semester genap tahun 2024 sebanyak 171 data siswa, yang mencakup berbagai mata pelajaran yang digunakan sebagai atributnya, dengan menggunakan metode Knowledge Discovery in Database (KDD). Penelitian ini dapat mengidentifikasi pola pengelompokan siswa berdasarkan nilai akademik mereka yang lebih akurat dan efisien. Hasil evaluasi menggunakan algoritma k-means dan indeks evaluasi DBI menunjukkan bahwa nilai DBI terendah terdapat pada percobaan k=2, dengan nilai DBI 0.738. Pada percobaan tersebut, terbentuk 2 cluster, yaitu cluster_0  terdiri dari 141 siswa dengan kategori “baik” dan nilai rata rata 76.242, sedangkan pada cluster_1  terdiri dari 27 siswa dengan kategori  “sangat baik”  dan nilai rata-rata 85.181. Hasil penelitian ini dapat memberikan wawasan bagi guru untuk merancang cara pembelajaran yang lebih tepat sesuai dengan kebutuhan akademik masing-masing kelompok siswa.
Prediksi Stunting Menggunakan Algoritma Decision Tree Berbasis Synthetic Minority Over-sampling Technique (SMOTE) Asep Saepul Anwar; Ade Irma Purnama Sari; Agus Bahtiar; Edi Tohidi
Jurnal Dinamika Informatika Vol. 13 No. 2 (2024): Jurnal Dinamika Informatika Volume: 13 Nomer: 2
Publisher : Program Studi Informatika Universitas PGRI Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31316/jdi.v13i2.323

Abstract

Stunting is a sign of a serious malnutrition problem and can cause toddlers to have a short height and affect the growth and development of toddlers. The data in the study used anthropometric data of toddlers from the Majasem Health Center in September 2024, a total of 1368 toddler data that had been recorded in that time span. The Decision Tree model used aims to predict the status of toddlers, based on the stunting category. However, the Decision Tree algorithm often faces the problem of non-optimal accuracy due to the imbalance of class data in the dataset. The SMOTE method is used as an effort to overcome the problem of class imbalance, so that the classes in the dataset will be balanced. This research successfully proves that the SMOTE method is able to improve the accuracy of the Decision Tree model, the accuracy of the model with the best SMOTE is 98.56% on training data and 96.91% on testing data with a data proportion of 80:20. This research is useful for helping health workers to provide better insight into the nutritional status of toddlers, besides that the developed model can increase the effectiveness of public health interventions.
Mitigating Imbalanced Citrus Disease Image Datasets with Oversampling Arya Gunawan; Nana Suarna; Agus Bahtiar; Indra Wiguna Marthanu; Kaslani
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.v5i2.1862

Abstract

Dataset imbalance is a critical challenge in plant disease image classification because it causes bias towards the majority class. This study evaluates the effectiveness of augmentation-based oversampling techniques on the classification performance of citrus leaf images using the MobileNetV2 architecture. The four leaf disease classes classified include Greening, Fresh, Canker, and Blackspot. The dataset was obtained from a public repository and processed through preprocessing (resize, normalization) and augmentation (rotation, flipping, zoom) stages. The model was trained and tested in two scenarios: baseline (unbalanced data) and mitigation (data balanced through augmentation). The experimental results show that the mitigation approach was able to increase accuracy from 91.92% to 93.94%. The F1-score, precision, and recall values also increased significantly, especially in the minority class. Evaluation using a confusion matrix reinforced the finding that augmentation-based oversampling is effective in reducing classification errors. This study shows that the integration of augmentation techniques and MobileNetV2-based transfer learning can significantly improve classification performance and contribute to the development of early detection systems for plant diseases in precision agriculture.
Comparative Analysis of Durian Leaf Disease Classification Using Transfer Learning VGG16, InceptionV3, and U-Net Nafisa Maysa Salma; Rudi Kurniawan; Bani Nurhakim; Agus Bahtiar; Riri Narasati
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.v5i2.1864

Abstract

Image-based durian leaf disease detection presents challenges due to high visual similarity among symptoms and the limited, imbalanced dataset. This study compares three deep learning architectures VGG16, InceptionV3, and U-Net encoder-based—using transfer learning for classifying five durian leaf conditions. The dataset of 4,437 images underwent preprocessing, augmentation, and preliminary segmentation using U-Net to enhance focus on leaf regions. Fine-tuning was applied to the upper layers of each model to adapt feature representations to tropical leaf characteristics. The results indicate that InceptionV3 achieved the most stable and accurate performance with an accuracy of approximately 0.66, while VGG16 showed balanced results but was more prone to overfitting. U-Net proved effective for segmentation but less optimal as a classifier due to loss of small-scale lesion details. Overall, the findings demonstrate that combining U-Net segmentation with CNN-based transfer learning improves disease identification performance, particularly under limited data conditions.
Co-Authors Ade Irma Purnama Sari Ade Irma Purnamasari Ade Rizki Rinaldi Ahmad Faqih Arya Gunawan Asep Saepul Anwar Bagas Al Haddad Bani Nurhakim Dadang Sudrajat Diding Herudin Diding Herudin Dila Nurhafidilah Edi Tohidi Eneng Okta Srirahmawati Fadlan Ilyas Lesmana Fahmi Ahmad Tohir Fatihanursari Dikananda Feri Irawan Irawan Fitri Adha Hariyati Airi Gifthera Dwilestari Iman Nurrohmat Indra Wiguna Marthanu Indriyani Indriyani Irfan Ali Kaslani Mukhlisin Ilahudin Mulyawan Nafisa Maysa Salma Nana Suarna Nining Rahaningsih Nur Amelia Odi Nurdiawan Rini Rahmawati Riri Narasati Rizky Andrea Arifa Rudi Kurniawan Sigit Rusmayana SRI WULANDARI Tati Suprapti Tengku Riza Zarzani N Umi Hayati Wafiq Azizah Willy Prihartono