Garuda - Garba Rujukan Digital

HOW TECHNOLOGY AFFECTING RESEARCHERS IN THE ERA OF GENERATIVE AI Yato, Dhimas Buing Rindi Widra; Zogara, Lukas Umbu; Suharmat, Asep
Scientific Journal of Information System Vol. 3 No. 1 (2025): Scientific Journal of Information System
Publisher : Universitas Utpadaka Swastika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70429/sjis.v3i1.175

In the rapidly evolving research landscape, generative AI is emerging as a transformative force. This study explores the multifaceted impacts of generative AI on researchers across various disciplines. By automating routine tasks, enhancing data analysis, and generating novel hypotheses, AI tools are significantly boosting productivity and opening new avenues for innovation. However, these advancements also present challenges, including ethical considerations, the need for transparency, and the potential for bias in AI-generated results. Moreover, the integration of AI into research demands the development of new skill sets, presenting both opportunities and risks for researchers. Drawing on recent studies, this article provides a comprehensive overview of how generative AI is reshaping the research landscape and highlights the critical dynamics researchers must navigate in this new era.

APPLICATION OF DATA MINING TECHNIQUES TO ANALYZE ATTENDANCE AND IMPROVE THE QUALITY OF CHINESE LEARNING Grace Limiko; Pupista, Orinda; Surahmat, Asep; Umbu Zogara, Lukas
Scientific Journal of Information System Vol. 3 No. 1 (2025): Scientific Journal of Information System
Publisher : Universitas Utpadaka Swastika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70429/sjis.v3i1.176

In the era of globalization, learning Chinese is increasingly important, but challenges such as low student attendance and learning quality are still significant problems. This article discusses the application of data mining techniques as a solution to analyze student attendance and improve the quality of Chinese learning. By collecting and analyzing attendance data from 200 students for one semester, through classification and visualization methods, this article identifies patterns that affect student attendance. The analysis results show that 65% of students who followed the interactive teaching method attended more than 80% of the total meetings, compared to only 40% of students who followed the traditional teaching method. In addition, it was found that 75% of students who received additional material for difficult topics experienced a 20% increase in average test scores compared to pre-intervention scores. Recommendations for improvement were made based on these findings, including adaptation of teaching methods and provision of supplementary materials. Through a case study of an educational institution that has successfully implemented this technique, this article shows that data mining can not only improve student attendance, but also significantly improve the quality of learning. This research is expected to encourage educational institutions to adopt data mining technology in an effort to improve students' learning experience.

A COMPARATIVE REVIEW OF CLUSTERING AND CLASSIFICATION ALGORITHMS FOR BIG DATA ANALYTICS Zogara, Lukas Umbu; Ningrum, Leny
Scientific Journal of Information System Vol. 3 No. 1 (2025): Scientific Journal of Information System
Publisher : Universitas Utpadaka Swastika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70429/sjis.v3i1.179

These days, there's so much data being created all the time. It’s honestly getting hard to keep up.That’s where data mining comes in. Basically, people use it to make sense of all this huge amount ofinformation, and there are two main ways to do it: clustering and classification. I found that there area bunch of algorithms for both, like K-Means, DBSCAN, and Hierarchical Clustering for clustering,and then there’s Decision Tree, Naïve Bayes, SVM, and Random Forest for classification. Each ofthese has its own strengths and weaknesses depending on the data you’re working with. The point ofthis paper was really to see how these algorithms perform and to give people an idea of which onemight work best depending on the situation. What we found is that no algorithm is perfect foreverything. So, choosing the right one really comes down to understanding the data and figuring outwhat you're trying to get out of it.

Eksplorasi Social Media Mining Dalam Analitik Big Data: Metode Dan Implementasi Umbu Zogara, Lukas
Jurnal Sistem Informasi dan Teknologi Vol 5 No 2 (2025): Jurnal Sistem Informasi dan Teknologi (SINTEK)
Publisher : LPPM STMIK KUWERA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56995/sintek.v5i2.168

Perkembangan big data terus menunjukkan peningkatan yang signifikan seiring dengan kemajuan teknologi Internet of Things (IoT). Salah satu perangkat yang paling umum digunakan dalam kehidupan sehari-hari adalah ponsel, terutama jenis smartphone. Melalui aplikasi media sosial yang tersedia di dalamnya, smartphone menjadi sumber utama penghasil data dalam jumlah besar setiap detik. Data yang dihasilkan ini banyak dimanfaatkan dalam berbagai penelitian yang berkaitan dengan analitik big data. Teknik analisis yang digunakan pun bervariasi tergantung pada jenis data dan tujuan studi. Penelitian ini bertujuan untuk mengulas konsep analitik big data, khususnya pada ranah social media mining, beserta teknik-teknik analisis yang digunakan. Pendekatan yang digunakan adalah studi literatur terhadap jurnal ilmiah dan buku yang relevan dengan topik ini. Berdasarkan hasil kajian, ditemukan bahwa media sosial berperan penting dalam menyuplai data yang dapat dimanfaatkan dalam pengambilan keputusan melalui analitik big data. Setiap teknik analitik memiliki keunggulan dan keterbatasan tersendiri, sehingga integrasi beberapa metode dianjurkan guna meningkatkan akurasi hasil analisis. Penelitian ini diharapkan dapat memperluas pemahaman pembaca yang tertarik pada bidang social media mining.

Model Prediksi Pembelian Properti: Menggunakan Analisis Data untuk Memahami Perilaku Konsumen Umbu Zogara, Lukas; Hasyanta, Gopas; Moh. Alfaujianto; Asep Surahmat
Journal Information & Computer Vol. 3 No. 2 (2025): Journal Information & Computer
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM) Universitas Pamulang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32493/jicomisc.v3i2.48799

Penelitian ini bertujuan membangun model prediksi pembelian properti dengan pendekatan analisis data dan metode klasifikasi. Data dikumpulkan dari 125 responden yang mencakup informasi demografis, preferensi pembelian, serta faktor-faktor yang memengaruhi keputusan. Tiga algoritma klasifikasi digunakan: Decision Tree, Random Forest, dan Support Vector Machine (SVM). Hasil menunjukkan bahwa model Random Forest memberikan akurasi tertinggi sebesar 87%, diikuti oleh SVM (83%) dan Decision Tree (80%). Temuan ini mengidentifikasi lokasi, harga, dan reputasi pengembang sebagai tiga faktor utama dalam pengambilan keputusan pembelian. Hasil penelitian ini memberikan wawasan penting bagi pengembang dan agen properti untuk menyusun strategi pemasaran yang lebih tepat sasaran dan sesuai kebutuhan pasar. Penelitian ini juga menekankan potensi besar penerapan machine learning dalam memahami perilaku konsumen di industri properti..

Model Prediksi Pembelian Properti: Menggunakan Analisis Data untuk Memahami Perilaku Konsumen Umbu Zogara, Lukas; Hasyanta, Gopas; Moh. Alfaujianto; Asep Surahmat
Journal Information & Computer Vol. 3 No. 2 (2025): Journal Information & Computer
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM) Universitas Pamulang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32493/jicomisc.v3i2.48799

Penelitian ini bertujuan membangun model prediksi pembelian properti dengan pendekatan analisis data dan metode klasifikasi. Data dikumpulkan dari 125 responden yang mencakup informasi demografis, preferensi pembelian, serta faktor-faktor yang memengaruhi keputusan. Tiga algoritma klasifikasi digunakan: Decision Tree, Random Forest, dan Support Vector Machine (SVM). Hasil menunjukkan bahwa model Random Forest memberikan akurasi tertinggi sebesar 87%, diikuti oleh SVM (83%) dan Decision Tree (80%). Temuan ini mengidentifikasi lokasi, harga, dan reputasi pengembang sebagai tiga faktor utama dalam pengambilan keputusan pembelian. Hasil penelitian ini memberikan wawasan penting bagi pengembang dan agen properti untuk menyusun strategi pemasaran yang lebih tepat sasaran dan sesuai kebutuhan pasar. Penelitian ini juga menekankan potensi besar penerapan machine learning dalam memahami perilaku konsumen di industri properti..

Eksplorasi Social Media Mining Dalam Analitik Big Data: Metode Dan Implementasi Umbu Zogara, Lukas
Jurnal Sistem Informasi dan Teknologi Vol 5 No 2 (2025): Jurnal Sistem Informasi dan Teknologi (SINTEK)
Publisher : LPPM STMIK KUWERA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56995/sintek.v5i2.168

Perkembangan big data terus menunjukkan peningkatan yang signifikan seiring dengan kemajuan teknologi Internet of Things (IoT). Salah satu perangkat yang paling umum digunakan dalam kehidupan sehari-hari adalah ponsel, terutama jenis smartphone. Melalui aplikasi media sosial yang tersedia di dalamnya, smartphone menjadi sumber utama penghasil data dalam jumlah besar setiap detik. Data yang dihasilkan ini banyak dimanfaatkan dalam berbagai penelitian yang berkaitan dengan analitik big data. Teknik analisis yang digunakan pun bervariasi tergantung pada jenis data dan tujuan studi. Penelitian ini bertujuan untuk mengulas konsep analitik big data, khususnya pada ranah social media mining, beserta teknik-teknik analisis yang digunakan. Pendekatan yang digunakan adalah studi literatur terhadap jurnal ilmiah dan buku yang relevan dengan topik ini. Berdasarkan hasil kajian, ditemukan bahwa media sosial berperan penting dalam menyuplai data yang dapat dimanfaatkan dalam pengambilan keputusan melalui analitik big data. Setiap teknik analitik memiliki keunggulan dan keterbatasan tersendiri, sehingga integrasi beberapa metode dianjurkan guna meningkatkan akurasi hasil analisis. Penelitian ini diharapkan dapat memperluas pemahaman pembaca yang tertarik pada bidang social media mining.

The Impact of Knowledge Management Systems in Enhancing the Competitiveness of Retail Companies Muttaqi, Fajar; Zogara, Lukas Umbu; Alfaujianto, Moh.; Surahmat, Asep
Scientific Journal of Information System Vol. 3 No. 2 (2025): Scientific Journal of Information System
Publisher : Universitas Utpadaka Swastika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70429/sjis.v3i2.227

This study investigates the role of Knowledge Management System (KMS) implementation inenhancing the competitiveness of retail companies, with a specific focus on Lotte Mart Indonesia.Using a qualitative exploratory case study approach, the research collected data through in-depthinterviews, field observations, and company document analysis. The findings demonstrate that KMSaccelerates the flow of information, reduces duplication, and improves operational efficiency, therebyenabling better coordination among departments. Furthermore, KMS facilitates knowledge sharingand collaboration, which supports the development of service innovations and responsive marketingstrategies. Employees reported that the system allows faster access to documents, real-time inventorychecking, and more structured workflows. Beyond operational benefits, KMS contributes tostrengthening customer satisfaction through improved responsiveness and accurate informationdelivery. Additionally, KMS supports the company’s digital transformation by integrating internalsystems such as ERP, CRM, and e-commerce platforms. Overall, KMS functions not only as aknowledge repository but as a strategic enabler of sustainable competitive advantage in the retailsector.

Implementation and Analysis of Multiple Interface Policies through System Feature Visibility on Fortigate FG-60F Alfaujianto, Moh; Muttaqi, Fajar; Surahmat, Asep; Zogara, Lukas Umbu
Scientific Journal of Information System Vol. 3 No. 2 (2025): Scientific Journal of Information System
Publisher : Universitas Utpadaka Swastika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70429/sjis.v3i2.229

Fortigate FG-60F is one of the popular firewall appliances utilized by small and medium-scalenetworks in managing security. However, some of the needed features such as multiple interfacepolicies are not displayed by default on the user interface. This study explores the functionality andeffectiveness of enabling system-feature visibility for easier management of inter-interface policies.Employing an experimental approach, the Fortigate FG-60F device was configured to activate thehidden feature, and subsequently, a set of policy rule scenarios with multiple interfaces wereestablished and tested. The results indicate that supporting system-feature visibility enhancessignificantly the administrator's ability to implement more specific traffic policies that arecommensurate with network topology requirements. Moreover, performance analysis showed nonegative impact on device performance after the implementation of multi-interface policy. Thefindings are expected to serve as a valuable reference for network administrators in optimizingFortigate FG-60F security capabilities by leveraging advanced, previously hidden features

Deteksi Penyakit Hawar Daun Bakteri pada Tanaman Padi Menggunakan Algoritma Data Mining Umbu Zogara, Lukas; Rindi Widya Yato, Dhimas Buing
Jurnal Algoritma Vol 22 No 2 (2025): Jurnal Algoritma
Publisher : Institut Teknologi Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33364/algoritma/v.22-2.2917

Penyakit tanaman merupakan tantangan serius dalam sektor pertanian, khususnya Hawar Daun Bakteri (HDB) pada padi yang dapat menurunkan produktivitas dan menimbulkan kerugian ekonomi. Penelitian ini bertujuan mengembangkan model klasifikasi HDB berbasis algoritma Gaussian Naive Bayes yang ringan dan dapat diterapkan di wilayah dengan keterbatasan teknologi. Data citra daun padi dikumpulkan dari lapangan, diproses melalui tahap preprocessing dan ekstraksi fitur visual, lalu diklasifikasikan menggunakan Gaussian Naive Bayes dengan evaluasi berbasis akurasi, precision, recall, F1-score, dan AUC. Hasil menunjukkan akurasi 63,07%, precision 56,16%, recall 90,64%, F1-score 69,35%, dan AUC 0,7728. Nilai recall yang tinggi menegaskan kemampuan model dalam mendeteksi sebagian besar daun terinfeksi, sementara AUC menunjukkan performa klasifikasi yang cukup baik. Model ini juga telah diintegrasikan ke dalam prototipe aplikasi web dengan antarmuka pengguna yang sederhana, di mana pengguna dapat mengunggah citra daun untuk dianalisis secara otomatis. Hasil penelitian ini diharapkan dapat digunakan untuk mendukung sistem peringatan dini penyakit tanaman dan membantu petani dalam pengambilan keputusan pengendalian penyakit secara cepat dan efisien. Penelitian ini berkontribusi pada pengembangan sistem deteksi dini berbasis machine learning untuk meningkatkan produktivitas pertanian berkelanjutan.

Title

Found 31 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 31 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 31 Documents
Search