Garuda - Garba Rujukan Digital

Perancangan Aplikasi Perhitungan Harga Pokok Produksi Berbasis Web pada Percetakan Daduh Ciledug Sri Wulandari; Agus Bahtiar
Journal of Student Research Vol. 1 No. 3 (2023): Mei: Journal of Student Research
Publisher : Pusat Riset dan Inovasi Nasional

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55606/jsr.v1i3.1154

Percetakan Daduh adalah sebuah usaha percetakan yang memproduksi stempel, undangan, kartu nama, buku yasin, dan lainnya. Penggunaan teknologi yang dapat diterapkan pada salah satu faktor penentu pendapatan usaha yaitu harga jual, mengharuskan perusahaan percetakan untuk beradaptasi dengan kemajuan teknologi. Akan tetapi, saat ini mekanisme perhitungan harga pada Percetakan Daduh masih dilakukan secara manual dan tanpa memperhitungkan ketiga komponen biaya produksi. Hal ini dapat menyebabkan proses penentuan harga menghasilkan jumlah yang tidak tepat. Dengan adanya permasalahan tersebut, pemilik usaha membutuhkan sebuah program yang mempermudah perhitungan harga pokok produksi. User Interface sistem ini dikembangkan dengan menggunakan React JS sebagai framework JavaScript dan Firebase sebagai platform penyimpanan database. Pada sistem berbasis web ini, harga pokok produksi dihitung menggunakan metode harga pokok pesanan. Dengan menggunakan metode harga pokok pesanan, biaya produksi dihitung atas dasar jumlah pesanan. Sistem ini terdiri dari data biaya sebagai masukan dan harga pokok produksi sebagai keluaran. Data biaya yang diinputkan meliputi informasi yang berkaitan dengan komponen harga pokok produksi, yaitu biaya bahan baku, tenaga kerja, dan biaya overhead pabrik. Aplikasi ini mampu membantu percetakan Daduh dalam menetapkan harga pokok produksi dengan cepat dan efisien.

Analisis Data Hasil Laporan Skripsi Berbasis Aspect Based Sentiment Analysis Menggunakan Algoritma K-Means Clustering Nana Suarna; Dadang Sudrajat; Umi Hayati; Ade Rizki Rinaldi; Agus Bahtiar
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

This study discusses the application of Aspect-Based Sentiment Analysis (ABSA) combined with the K-Means Clustering algorithm to analyze student thesis report data. The research scope includes text data processing from VAK (Visual, Auditory, Kinesthetic) learning style questionnaires to identify research aspects and automatically group thesis themes. The objective is to obtain a structured and representative mapping of students’ research themes based on their fields of study. The methodology involves several stages, including text preprocessing, TF-IDF weighting, aspect extraction using ABSA, and clustering with K-Means, validated through the Davies-Bouldin Index (DBI). The dataset consists of 976 textual entries derived from student questionnaire responses. The results indicate that the optimal cluster is achieved at k = 3 with a DBI value of 3.276, forming three main groups: (1) data mining, (2) statistical analysis, and (3) learning technology. The study concludes that the combination of ABSA and K-Means is effective in accurately classifying research themes and provides an analytical foundation for academic decision-making regarding student research trends.

Analisis Kinerja Algoritma Machine Learning untuk Klasifikasi Prestasi Mahasiswa pada Mata Kuliah Bahasa Inggris Riri Narasati; Dadang Sudrajat; Ahmad Faqih; Indra Wiguna Marthanu; Agus Bahtiar
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

This study analyzes the performance of several machine learning algorithms in classifying student achievement in English language courses. The research focuses on comparing the performance of K-Nearest Neighbors (KNN), Naïve Bayes, Random Forest, and Support Vector Machine (SVM) using the K-Fold Cross Validation approach to evaluate accuracy, F1-score, and fairness. The dataset, consisting of students’ final grades, was processed through data pre-processing and feature scaling. Results show that the KNN model with K=5 achieved the highest accuracy of 100%, followed by Naïve Bayes with 95.59%. Statistical tests indicated a significant performance difference between Random Forest and SVM, while fairness evaluation revealed that Random Forest provided the most balanced error distribution. These findings confirm that KNN and Random Forest algorithms are highly effective for academic performance classification based on numerical data. The study highlights the potential of machine learning to enhance adaptive, objective, and equitable educational evaluation systems.

Klasifikasi Telur Fertil dan Infertil Berbasis Hybrid MobileNetV3 dengan Mekanisme Attention dan Texture Fusion Bani Nurhakim; Dadang Sudrajat; Tati Suprapti; Ade Rizki Rinaldi; Agus Bahtiar
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

Accurate fertile-infertile egg classification is crucial to improve hatching productivity and sorting efficiency. This study proposes MobileFusionV3, a MobileNetV3 architecture enriched with CBAM (Convolutional Block Attention Module) and Hybrid Texture Fusion (LBP and GLCM) to combine deep and texture features to be more robust to candling illumination variations. A dataset of 1,275 candling images (675 fertile, 600 infertile) was subjected to preprocessing (resizing, normalization, background enhancement) and realistic data augmentation (rotation, brightness/contrast changes, Gaussian noise, illumination variations). The model was trained using transfer learning, early stopping, and an evaluation scheme based on accuracy, precision, recall, F1-score, and AUC. The test results showed an accuracy of 97.2%, precision of 96.8%, recall of 97.5%, F1 of 97.1%, and AUC of 0.99, surpassing previous designs that did not use attention mechanisms and texture fusion. Grad-CAM++ analysis confirms the model's focus on physiologically relevant regions (embryonic shadow and air-cell), thus improving the reliability of interpretation. These findings indicate that lightweight, efficient designs based on attention and texture fusion have the potential to be implemented in smart hatchery systems and edge/mobile devices while maintaining high accuracy.

Model Machine Learning Untuk Prediksi Risiko Penyakit Liver Dengan Random Forest Teroptimasi Rizky Andrea Arifa; Nana Suarna; Agus Bahtiar; Nining Rahaningsih; Willy Prihartono
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.v6i1.204

Penyakit liver merupakan salah satu kondisi kronis dengan tingkat mortalitas tinggi, sehingga diperlukan pendekatan prediksi yang akurat untuk mendukung deteksi dini. Penelitian ini bertujuan mengembangkan model machine learning untuk memprediksi risiko penyakit liver menggunakan algoritma Random Forest yang dioptimalkan dengan RandomizedSearchCV. Dataset yang digunakan terdiri dari 1.700 entri yang mencakup variabel klinis dan gaya hidup, termasuk usia, jenis kelamin, BMI, konsumsi alkohol, kebiasaan merokok, riwayat genetik, aktivitas fisik, diabetes, hipertensi, serta hasil Liver Function Test. Proses penelitian meliputi preprocessing, normalisasi skala, pembagian data menggunakan train-test split 80:20, pembangunan model baseline, dan optimasi hiperparameter. Hasil eksperimen menunjukkan bahwa optimasi menghasilkan peningkatan performa model, dengan akurasi 0.91, peningkatan recall sebesar 3.20%, dan AUC-ROC mencapai 0.96. Analisis feature importance menunjukkan bahwa LiverFunctionTest, BMI, dan AlcoholConsumption merupakan fitur paling berpengaruh terhadap prediksi risiko penyakit liver. Dengan demikian, Random Forest teroptimasi terbukti efektif dalam menghasilkan model prediksi yang akurat dan dapat digunakan sebagai alat pendukung keputusan dalam deteksi dini penyakit liver.

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

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

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.

Model Machine Learning Untuk Prediksi Risiko Penyakit Liver Dengan Random Forest Teroptimasi Rizky Andrea Arifa; Nana Suarna; Agus Bahtiar; Nining Rahaningsih; Willy Prihartono
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.v6i1.204

Penyakit liver merupakan salah satu kondisi kronis dengan tingkat mortalitas tinggi, sehingga diperlukan pendekatan prediksi yang akurat untuk mendukung deteksi dini. Penelitian ini bertujuan mengembangkan model machine learning untuk memprediksi risiko penyakit liver menggunakan algoritma Random Forest yang dioptimalkan dengan RandomizedSearchCV. Dataset yang digunakan terdiri dari 1.700 entri yang mencakup variabel klinis dan gaya hidup, termasuk usia, jenis kelamin, BMI, konsumsi alkohol, kebiasaan merokok, riwayat genetik, aktivitas fisik, diabetes, hipertensi, serta hasil Liver Function Test. Proses penelitian meliputi preprocessing, normalisasi skala, pembagian data menggunakan train-test split 80:20, pembangunan model baseline, dan optimasi hiperparameter. Hasil eksperimen menunjukkan bahwa optimasi menghasilkan peningkatan performa model, dengan akurasi 0.91, peningkatan recall sebesar 3.20%, dan AUC-ROC mencapai 0.96. Analisis feature importance menunjukkan bahwa LiverFunctionTest, BMI, dan AlcoholConsumption merupakan fitur paling berpengaruh terhadap prediksi risiko penyakit liver. Dengan demikian, Random Forest teroptimasi terbukti efektif dalam menghasilkan model prediksi yang akurat dan dapat digunakan sebagai alat pendukung keputusan dalam deteksi dini penyakit liver.

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

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

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.

Title

Found 30 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 30 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 30 Documents
Search