Article Per Year (5 Year)
p-Index From 2021 - 2026
3.018
P-Index
This Author published in this journals
All Journal Jurnal technoscientia Infotech Journal METHODIKA: Jurnal Teknik Informatika dan Sistem Informasi Jurnal Informasi dan Komputer Jurnal Informatika dan Rekayasa Perangkat Lunak INTERNAL (Information System Journal) JURNAL TEKNOLOGI TECHNOSCIENTIA Prosiding Seminar Nasional Sisfotek (Sistem Informasi dan Teknologi Informasi) Journal of Artificial Intelligence and Engineering Applications (JAIEA) Journal of Scientech Research and Development Jurnal Teknik Mesin, Industri, Elektro dan Informatika Journal of Student Research INTERNAL (Information System Journal) Sintek Kuwera
Nana Suarna
Unknown Affiliation
Humanities Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Materials Science & Nanotechnology Mathematics Mechanical Engineering Public Health Social Sciences Other

Published : 19 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 19 Documents
Search

 1   2 
Identify Rattan Sales Patterns Using the FP-Growth Algorithm on CV. Busaeri Rattan Robi; Nana Suarna; Irfan Ali; Dendy Indriya Efendi
Journal of Artificial Intelligence and Engineering Applications (JAIEA) Vol. 4 No. 2 (2025): February 2025
Publisher : Yayasan Kita Menulis

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59934/jaiea.v4i2.877

Abstract

This research was conducted to recognize the pattern of purchasing rattan products at CV. Busaeri Rattan by utilizing the FP-Growth algorithm. The rattan industry is faced with the challenge of understanding consumer habits in order to improve marketing strategies. The FP-Growth algorithm was chosen for its ability to efficiently identify frequent itemset patterns without requiring a lot of memory. This research includes collecting rattan sales transaction data for one year, data preprocessing, FP-Tree structure formation, and frequent itemset analysis. The analysis was conducted using RapidMiner software with a minimum support setting of 0.005 and confidence of 0.1. The processed data was then used to find combinations of products that are often purchased together. The results revealed some significant patterns, such as the products “Mandola 3/4” and “Jawit 8/11,” which are often purchased together with a confidence level of 100%. These findings provide important insights for CV. Busaeri Rattan in increasing sales through promotional strategies such as bundling or discount offers. In addition, the FP-Growth algorithm proved to be faster and more resource-efficient than traditional methods such as Apriori. The discussion shows that the discovered purchasing patterns can help CV. Busaeri Rattan better manage stock, minimize the risk of running out of goods, and design data-driven marketing strategies. The combination of products that are often purchased together can be utilized to improve customer satisfaction as well as operational efficiency. The conclusion of this research is that the FP-Growth algorithm is an effective tool for analyzing large-scale transaction data. Further research is recommended to explore the application of this algorithm to other types of products or compare it with other data mining algorithms.
Sistem Informasi Pengelolaan Barang Inventaris Berbasis Web di Perumda BPR Bank Cirebon Dini Maryani; Nana Suarna
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.v1i3.1159

Abstract

The limitations of recording inventory of goods at Perumda BPR Bank Cirebon are still manual. This causes a relatively long inventory reporting time and the possibility of data errors. For this reason, an inventory web application can help manage inventory inventory at Perumda Bank Cirebon. Designing a web-based inventory information system is the purpose of this research at Perumda BPR Bank Cirebon. The method used includes going through the stages of analysis, design, execution, interviews, and observation. By using the PHP programming language and MySql database, this information system was created. The finding of this study is an inventory management information system that can facilitate agencies and companies in recording company inventories and minimizing the possibility of data errors
RANCANG BANGUN SISTEM PENCATATAN TRANSAKSI KEUANGAN BERBASIS WEBSITE PADA TOKO LATIFAH BUSANA PANGURAGAN KABUPATEN CIREBON Sumita Sumita; Nana Suarna
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.v1i3.1186

Abstract

Toko Latifah Busana terletak di Desa Panguragan kulon, kecamatan panguragan, kabupaten Cirebon. Berdasarkan pada Observasi di Toko Latifah Busana masih menggunakan pencatatan dan transaksi secara manual yang menjadikan proses transaksi tidak efisien dalam pelayanan. rmasalahan pada sistem pencatatan transksi keuangan merupakan permasalahan yang ditemukan dan bisa terjadi pada suatu perusahaan dan usaha kecil menengah, Kesalahan pada saat menghitung maupun melakukan transaksi dapat memberikan kerugian bagi perusahaan. permasalahan yang muncul juga terjadi karena pembukuan yang tertumpuk seiring berjalannya waktu catatan pasti akan hilang dan mengakibatkan proses penyimpanan data tidak tertata dengan baik. Untuk membangun aplikasi pencatatan transaksi keuangan tersebut, Peneliti memperoleh data dengan menggunakan wawancara dan observasi. mekanisme yang digunakan adalah tahap perancangan sistem. Dengan bahan pemograman menggunakan software sublime text sebagai aplikasi editor. dengan adanya metode Waterfall membantu pembuatan aplikasi pencatatan transaksi keuangan menjadi lebih akurat dan sistemtis. Tujuan dari penelitian ini adalah untuk membangun sistem pencatatan transaksi keuangan berbasis website pada toko latifah busana Panguragan, dan dapat membantu proses pencatatan, stok barang, dan laporan keuangan pada Toko Latifah Busana lebih efisien dan terkomputerisasi untuk kedepannya.
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

Abstract

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.
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

Abstract

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

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.
KLASIFIKASI PENYAKIT DAUN PADI MENGGUNAKAN TRANSFER LEARNING DENGAN ANALISIS PENGARUH VARIASI DIMENSI CITRA PADA KINERJA MODEL Akhmad Taukhid; Martanto; Yudhistira Arie Wijaya; Heliyanti Susana; Nana Suarna
METHODIKA: Jurnal Teknik Informatika dan Sistem Informasi Vol. 12 No. 1 (2026): Volume 12 Nomor 1 Tahun 2026
Publisher : Universitas Methodist Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46880/mtk.v12i1.4940

Abstract

Penelitian ini berfokus pada deteksi dini penyakit daun padi untuk meningkatkan produktivitas pertanian dan mengurangi kesalahan diagnosis yang sering terjadi pada identifikasi manual. Meskipun berbagai penelitian telah menerapkan deep learning untuk klasifikasi penyakit tanaman, pengaruh resolusi citra terhadap kinerja model klasifikasi penyakit daun padi, khususnya pada skenario data terbatas, masih jarang dikaji secara sistematis. Penelitian ini bertujuan menganalisis kinerja model klasifikasi penyakit daun padi berbasis transfer learning dengan arsitektur VGG16 pada citra beresolusi 224×224 piksel, sekaligus menilai efisiensi proses komputasi pelatihan dan pengujian yang dilakukan. Data yang digunakan berupa 320 citra daun padi dari dataset publik “Daun Padi Sultra (Sulawesi Tenggara)” di Kaggle yang komprehensif menjadi data latih, validasi, dan uji dengan perbandingan 60:20:20. Tahapan penelitian utama meliputi eksplorasi karakteristik dan distribusi data, pra-pemrosesan citra (pengubahan ukuran ke 224×224, normalisasi, dan augmentasi terbatas), serta pembangunan model transfer learning dengan VGG16 sebagai ekstraktor fitur yang membekukan dan kepala klasifikasi kustom. Model dibor menggunakan optimizer Adam dengan mekanisme EarlyStopping dan ModelCheckpoint, kemudian dievaluasi menggunakan akurasi, presisi, recall, F1-score, dan konfusi matriks. Hasil pengujian menunjukkan bahwa model mencapai akurasi uji sebesar 98,44% dengan loss 0,1815, serta nilai rata-rata makro dan rata-rata tertimbang untuk presisi, recall, dan F1-score yang mendekati 0,98 dengan hanya satu kesalahan klasifikasi pada data uji. Proses pelatihan dan penyelesaian dapat diselesaikan dengan beban komputasi yang masih moderat pada lingkungan GPU Google Colab, sehingga konfigurasi VGG16 dengan resolusi 224×224 piksel berpotensi menjadi baseline yang efektif dan efisien untuk klasifikasi penyakit daun padi pada skenario data terbatas.
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.
Co-Authors Aby Febrian Ade Rizki Rinaldi agus bahtiar Akhmad Taukhid Anita Anita Arif Rinaldi Dikananda Arya Gunawan Ayu Zulhijah Dadang Sudrajat Dendy Indriya Efendi Dila Nurhafidilah Dini Maryani Dodi Solihudin Fahmi Sulaiman Fatihanursari Dikananda Gifthera Dwilestari Heliyanti Susana Iin Indra Wiguna Marthanu Irfan Ali Irfan Ali Kaslani Martanto Mukhlisin Ilahudin Mulyawan Musofi Musofi Nining Rahaningsih Puji Hartini Rizky Andrea Arifa Robi Rotika Siti Nur Illah Sumita Sumita Teguh Adrian Umi Hayati Willy Prihartono Yudhistira Arie Wijaya