Article Per Year (5 Year)
p-Index From 2021 - 2026
1.819
P-Index
This Author published in this journals
All Journal INFOMATEK: Jurnal Informatika, Manajemen dan Teknologi Jurnal Review Pendidikan dan Pengajaran (JRPP) Jurnal Pembelajaran Pemberdayaan Masyarakat (JP2M) ASEAN Journal of Empowering Community Journal of Community Empowerment and Innovation IT-Explore: Jurnal Penerapan Teknologi Informasi dan Komunikasi Vertex Journal Of Artificial Intelligence And Software Engineering Power Elektronik : Jurnal Orang Elektro Journal of Information System & Business Management (ISBM) Jurnal Pengabdian Masyarakat Terapan
Ujianto, Nur Tulus
Unknown Affiliation
Aerospace Engineering Humanities Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Mechanical Engineering Public Health Social Sciences Other

Published : 12 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 12 Documents
Search

 1   2 
Analisis Kinerja Algoritma Greedy dalam Penyelesaian Masalah Knapsack Isralestina, Fathiah; Ujianto, Nur Tulus; Khoirunnisa, Khoirunnisa; Fitriyah, Aidah; Fanti, Azizah Permata
Journal of Information System & Business Management (ISBM) Vol. 3 No. 1 (2025)
Publisher : Universitas Pancasakti Tegal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24905/isbm.v3i1.55

Abstract

Penelitian ini bertujuan untuk menganalisis kinerja algoritma Greedy dalam penyelesaian Knapsack Problem (KP), khususnya dalam menghasilkan solusi mendekati optimal dan mengevaluasi efisiensi waktu eksekusi pada berbagai skenario ukuran data dan kapasitas. Data penelitian berupa himpunan item dengan bobot dan nilai yang dihasilkan secara acak, mencakup jumlah item sebanyak 10, 50, 100, 500, dan 1000, serta kapasitas knapsack berkisar antara 30% hingga 70% dari total bobot item. Hasil eksperimen menunjukkan bahwa algoritma Greedy memberikan solusi dengan akurasi 80% hingga 98%, di mana akurasi tertinggi dicapai pada dataset kecil dan menurun signifikan seiring bertambahnya ukuran item. Dari segi efisiensi waktu, algoritma Greedy terbukti unggul dengan peningkatan waktu eksekusi yang bersifat linier, sementara metode pembanding, Dynamic Programming (DP), membutuhkan waktu eksponensial yang jauh lebih besar, terutama pada dataset besar. Kesimpulan penelitian ini menunjukkan bahwa algoritma Greedy efektif untuk permasalahan berskala besar yang membutuhkan efisiensi waktu, namun memiliki keterbatasan dalam mencapai solusi optimal. Penelitian lanjutan disarankan untuk mengombinasikan algoritma Greedy dengan metode metaheuristik atau pendekatan machine learning guna meningkatkan akurasi tanpa mengorbankan efisiensi waktu komputasi.
Prediksi Harga Cabai Musiman Menggunakan Model LSTM di Jawa Tengah Gunawan, Gunawan; Andriani, Wresti; Ujianto, Nur Tulus
INFOMATEK Vol 27 No 2 (2025): Desember 2025
Publisher : Fakultas Teknik, Universitas Pasundan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23969/infomatek.v27i2.26460

Abstract

Penelitian ini mengembangkan model prediksi harga cabai musiman di Jawa Tengah menggunakan algoritma Long Short-Term Memory (LSTM) yang mengintegrasikan data harga harian dan data cuaca, termasuk curah hujan, suhu udara, dan kelembapan relatif. Model ini dirancang untuk memprediksi fluktuasi harga cabai yang dipengaruhi oleh faktor musiman dan kondisi cuaca, yang sering menyebabkan ketidakstabilan harga. Hasil eksperimen menunjukkan bahwa model LSTM berhasil menghasilkan prediksi dengan nilai RMSE 512,83, MAE 387,49, dan R² 0,861, yang mengindikasikan kemampuan model dalam menangkap pola harga yang dipengaruhi oleh faktor eksternal. Keunggulan utama LSTM dibandingkan dengan model lain seperti Support Vector Regression (SVR) dan Random Forest terletak pada kemampuannya untuk menangkap korelasi temporal dan pola musiman dalam data deret waktu. Implikasi praktis dari penelitian ini meliputi penggunaan model untuk membantu petani dalam menentukan waktu tanam dan panen yang optimal serta bagi pemerintah daerah dalam mengatur distribusi dan pengendalian harga cabai untuk mengurangi dampak inflasi pangan dan meningkatkan ketahanan pangan. Penelitian ini membuka peluang untuk penelitian lanjutan yang dapat mengembangkan model yang lebih kompleks dan mengakomodasi faktor eksternal lainnya.
Co-Authors Al Hamzah, Fitriah Ningsih Andriani, Wresti Apriliani, Rosema Dina Dari, Mayang Melan Fanti, Azizah Permata Faqih, Abdulah Firmansyah, Hasbi fitria, Ria indah Fitriyah, Aidah Gunawan Gunawan Gunawan Harefa, Reyvan Sinatria Haris Fadillah Isralestina, Fathiah Khoirunnisa Khoirunnisa Limaknun, Lulu MUHAMMAD SYAIFULLOH Nasichatun, Nasichatun Netanya S, Marsella Lusio Putri, Nadia Zahrani Ramadhan, Ilham Gema Ramadhani, Ivan Rizky Ramdhan, Nur Ariesanto Rizki Prasetyo Tulodo RR. Ella Evrita Hestiandari Saputra, Aryan Dandi Sofyan, Ali Sumarno . Susilawati, Agnes Dwita Yustia Hapsari, Yustia