Claim Missing Document
Check
Articles

Found 40 Documents
Search

PROFILING MAHASISWA DAN ALUMNI MENGGUNAKAN METODE DECISION TREE: SYSTEMATIC LITERATURE REVIEW Vebi Natasya, Salsabila; Maulana Awangga, Rolly
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 2 (2023): JATI Vol. 7 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i2.6824

Abstract

Profilling mahasiswa dan alumni merupakan sebuah studi yang bertujuan untuk mengidentifikasi karakteristik individu yang memasuki dan keluar dari sebuah institusi pendidikan. Melalui analisis data yang dikumpulkan, studi ini dapat memberikan informasi yang berharga bagi institusi untuk meningkatkan program-program yang ditawarkan dan membantu mahasiswa serta alumni untuk merencanakan karir mereka. Literature Riview ini akan membeirkan sebuah tinjauan sistematis mengenai profiling mahasiswa dan alumni. Pada penelitian ini digunakan artikel-artikel yang diterbitkan dari tahun 2016-2023 dalam melakukan literature riview. Yang mana artikel tersebut didapat diberbagai database perpustakaan digital seperti IEE Explore, Science Direct, Google Scholar dan masih banyak lagi. Tujuan utama pada penelitian ini yaitu untuk mengetahui atau mencari tren dalam topik yang nantinya akan dilakukan penelitian lebih dalam. Pada penelitian ini menggunakan metode Systematic Literature Review. Hasil dari penelitian Ssystematic Literature Review ini adalah metode yang paling banyak digunakan untuk profiling adalah K-Means, Decision Tree menjadi metode dengan akurasi yang cukup tinggi dalam melakukan profiling, algoritma Decision tree yang paling banyak digunakan untuk profiling adalah C4.5.
ANALISIS PERBANDINGAN DECISION TREE C4.5 DAN KNN DALAM PERIZINAN BONGKAR MUATAN KAPAL Nazifah, Naurah; Prianto, Cahyo; Awangga, Rolly Maulana
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 3 (2023): JATI Vol. 7 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i3.6889

Abstract

Classification Decision Tree merupakan salah satu metode populer dalam analisis data dan pembelajaran mesin. Algoritma C4.5 adalah salah satu algoritma decision tree yang banyak digunakan karena kemampuannya dalam menghasilkan aturan keputusan yang dapat dipahami dengan mudah. Perizinan bongkar muatan kapal adalah proses krusial dalam operasi pelabuhan yang memastikan kapal dapat secara efisien dan aman melakukan bongkar muatan dalam upaya untuk meningkatkan efisiensi dan mengoptimalkan pengambilan keputusan perizinan. Penelitian ini bertujuan untuk melakukan analisis perbandingan metode machine leraning antara algoritma decision tree C4.5 dengan algoritma K-Nearest Neighbors (KNN). Penulis sudah membandingkan kinerja algoritma-algoritma ini berdasarkan kriteria yang termasuk akurasi prediksi, dengan Classification Decision Tree menghasilkan peramalan unggul sebesar 98,33% dan 97,60% untuk algoritma KNN dalam investigasi ini. Hasil analisis bahwa pemilihan algoritma decision tree harus didasarkan pada tujuan spesifik analisis dan karakteristik data yang digunakan. Jika interpretabilitas aturan keputusan menjadi faktor utama, algoritma C4.5 tetap menjadi pilihan yang baik. Namun, jika akurasi prediksi dan penanganan data yang tidak seimbang menjadi prioritas, algoritma KNN dapat menjadi pilihan yang lebih baik.
DIAGNOSIS PENYAKIT DEMAM BERDARAH MENGGUNAKAN NAÏVE BAYES Gatto, Petrolina Anastasia; Maulana Awangga, Rolly; Andarsyah, Roni
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 3 (2023): JATI Vol. 7 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i3.6891

Abstract

Demam berdarah (DBD) adalah penyakit menular yang disebabkan oleh virus dengue dan ditularkan melalui gigitan nyamuk Aedes aegypti. Diagnosis dini dan benar adalah kunci untuk mengobati dan mengendalikan penyakit ini. Naive Bayes, metode klasifikasi berdasarkan teori probabilitas, dapat digunakan untuk mendiagnosis dengue dengan memprediksi kemungkinan seseorang terinfeksi berdasarkan gejala dan faktor risiko. Faktor penting yang harus diperhatikan dalam mendiagnosis DBD adalah gejala klinis dan faktor risiko seperti usia, riwayat perjalanan, dan paparan nyamuk Aedes aegypti. Metode Naive Bayes menggunakan data pelatihan untuk menghitung probabilitas posterior dan melatih model yang mengasumsikan independensi fitur yang digunakan. Meskipun asumsi mengenai independensi dan kualitas data pelatihan memiliki keterbatasan, metode naïve bayes menawarkan keuntungan dalam hal kecepatan komputer, penanganan data yang tidak lengkap, dan kemudahan penggunaan dalam praktik medis. Namun, metode ini harus digunakan dengan hati-hati dan harus dikombinasikan dengan evaluasi klinis oleh tenaga medis terlatih. Dengan data pelatihan yang representatif dan lengkap, model Naive Bayes dapat menjadi metode yang efektif untuk mendiagnosis demam berdarah dengan akurasi tinggi
Pemodelan Arsip Novel Berdasarkan Klaster Data dan Penyaringan Awangga, Rolly Maulana; Pane, Syafrial Fachri; Kurniawan, Cahya
Technomedia Journal Vol 4 No 2 Februari (2020): TMJ (Technomedia Journal)
Publisher : Pandawan Incorporation, Alphabet Incubator Universitas Raharja

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1222.078 KB) | DOI: 10.33050/tmj.v4i2.815

Abstract

File archiving now needs to be appropriately managed so that it is easy to find and manage. File archiving in question is how to help in the process of finding data with a considerable number, to facilitate the work following the aim to reduce the time the search data can be integrated with the system created. Archiving itself aims to facilitate the management of data that is very diverse and with a large amount, to facilitate the management and also the control carried out. The problem with filing archives, in this case, is the lack of management regarding the correct filing of archives. Controlled archive file management makes the amount of time that is passed only by searching files. By looking at large amounts of data, it is necessary to use methods to be able to manage and search, with Alphabet, Numeric and K-means Clustering methods designed and processed, it is easier to manage existing data searches so that the work doesn't take too much time. There needs to be further development of the analysis carried out at this time to further improve the effectiveness by creating a system following the analysis rules made at this time. Keywords: Filing, Archives, File Management Alphabetical Filling System, Numerical Filing System, K-means Clustering.
Efficiency in Cloud Computing through Serverless and Green Computing based on Microarchitecture Fahira, Fahira; Awangga, Rolly Maulana; Gopikrishnan, Sundaram
Journal of Information Technology and Cyber Security Vol. 2 No. 1 (2024): January
Publisher : Department of Information Systems and Technology, Faculty of Intelligent Electrical and Informatics Technology, Universitas 17 Agustus 1945 Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30996/jitcs.10479

Abstract

PT Pelindo Multi Terminal is a subholding of PT Pelabuhan Indonesia (Persero), a State-Owned Enter-prise (SOE). PT Pelindo Multi Terminal carries out Kesehatan dan Keselamatan Kerja (K3) or Occupa-tional Health and Safety (OHS) monitoring, which currently still uses manual methods with paper. This method causes problems, such as delays in decision making and the inability to monitor events in real-time. This research aims to overcome these problems by proposing an application called "Portsafe+". Portsafe+ is developed using microservices architecture and micro frontend, with Progressive Web Apps (PWA) as the interface and Google Cloud Function as the backend. Portsafe+ was tested by measuring the response speed of the backend that responds to each request. The test results show that this application improves the response speed with 99% execution time of 880.37 ms. Based on the test results, Portsafe+ successfully overcomes the existing problems. The application of PWA technol-ogy facilitates access and improves the efficiency of OHS management compared to the previously used paper-based manual system.
Sistem Rekomendasi Warna Kontekstual untuk Desain UI/UX Menggunakan Random Forest Agita Nurfadillah; Andarsyah, Roni; Awangga, Rolly Maulana
Jurnal Teknologi dan Manajemen Industri Terapan Vol. 4 No. 3 (2025): Jurnal Teknologi dan Manajemen Industri Terapan (in press)
Publisher : Yayasan Inovasi Kemajuan Intelektual

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55826/jtmit.v4i3.1023

Abstract

Pemilihan warna dalam desain antarmuka pengguna (UI/UX) memegang peranan penting dalam menciptakan pengalaman visual yang konsisten dan menarik. Namun, proses pemilihan warna masih sering didasarkan pada intuisi subjektif. Penelitian ini mengembangkan sistem rekomendasi warna kontekstual berdasarkan kategori aplikasi, menggunakan algoritma Random Forest. Dataset diperoleh dari Dribbble dan Kaggle, mencakup fitur warna RGB, HSL, serta fitur turunan lainnya. Proses pengembangan sistem mengikuti tahapan ADDIE, dimulai dari analisis hingga evaluasi performa. Eksperimen dilakukan dengan tahapan rekayasa fitur, pemilihan fitur, tuning parameter (GridSearchCV), serta penyeimbangan data menggunakan SMOTE. Model terbaik menghasilkan akurasi sebesar 39,2% dan menunjukkan peningkatan pada kategori aplikasi edukatif setelah balancing. Sistem ini diimplementasikan dalam bentuk dashboard interaktif berbasis Streamlit, memungkinkan pengguna memilih kategori aplikasi dan memperoleh rekomendasi warna secara visual. Penelitian ini merupakan kontribusi awal dalam integrasi klasifikasi warna berbasis konteks ke dalam proses desain UI digital, sebagai solusi berbasis data yang dapat mengurangi ketergantungan pada intuisi subjektif.
Machine Learning Models for Predicting Mental Health Indicators Using Digital Physical Activity Data: A Systematic Literature Review Dirga Febrian; Rolly Maulana Awangga
Journal Informatic, Education and Management (JIEM) Vol 7 No 2 (2025): AUGUST
Publisher : STMIK Indonesia Banda Aceh

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61992/jiem.v7i2.142

Abstract

This systematic literature analysis examines 40 studies (2020–2025) on the use of machine learning to predict mental health using digital activity data. Two research questions are presented: algorithm performance comparison and model effectiveness factor. Data surveys (43,9%) are a more widely used data collection method. Because of its interpretability, Logistic Regression is the most popular (29.3%), whereas Random Forest (26.8%) is best for performance-interpretability. With a rata-rata accuracy of 80.1% ± 4.2% and an AUC of 87.1% ± 1.8%, XGBoost provides superior performance. The best study achieves an AUC >0,98 through feature engineering that canggih using SHAP and recursive feature elimination. Critical success factors include cermat fitur selection, temporal dinamika, cross-validation, and clinical interpretability. Although machine learning has significant potential, there are still challenges with standardization, generalizability, and real-world implementation. Research in the long term requires longitudinal studies, external validation, and standard protocols to realize this technology's potential in improving mental health outcomes.
Digital Payment Adoption in Crowdfunding Platforms: Systematic Literature Review Gilar Wahibul Azhar; Rolly Maulana Awangga
Journal Informatic, Education and Management (JIEM) Vol 7 No 2 (2025): AUGUST
Publisher : STMIK Indonesia Banda Aceh

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61992/jiem.v7i2.143

Abstract

Digital payment adoption on crowdfunding platforms has emerged as a significant research area in the field of financial technology. This study presents a systematic literature review of 40 peer-reviewed articles published between 2020 and 2025, using the PRISMA 2020 framework to analyze digital payment adoption patterns in crowdfunding platforms. Three main research questions are addressed: (1) factors influencing user preferences between traditional digital payments and cryptocurrency, (2) mechanisms by which payment technologies enhance platform security and trust, and (3) the most effective research methodologies for analyzing digital payment adoption. From an initial pool of 847 articles across four major databases (Scopus, Web of Science, IEEE Xplore, and ScienceDirect), 40 studies met the inclusion criteria. The analysis reveals that trust is the dominant factor (80%), followed by ease of use (70%), and social influence (55%). The Technology Acceptance Model (TAM) is the most commonly used theoretical framework (47.5%), with Structural Equation Modeling as the primary analytical method (32.5%), and surveys employed in 65% of the studies. QR-based mobile payments show the highest adoption rates (78%) due to perceived ease of use and the influence of the COVID-19 pandemic. Cryptocurrency adoption varies by demographics, with Millennials and Generation Z demonstrating 40% higher acceptance compared to older generations. Blockchain-based payment systems significantly improve transaction security (up to 85%) through smart contracts and decentralized architecture, yet face barriers related to technical complexity and regulatory uncertainty. These findings offer practical implications for platform developers, policymakers, and fintech stakeholders, including trust-centered design, user-friendly blockchain integration, and digital financial literacy programs. Future research should adopt standardized methodologies and longitudinal approaches to better understand long-term adoption dynamics.
Prediksi dan Koreksi Error Servo Base Motor pada Robot Tangan Berbasis IoT Menggunakan Model Linear Regresi Maulana, Farhan Rizki; Setyawan, Muhammad Yusril Helmi; Awangga, Rolly Maulana
Techno.Com Vol. 24 No. 3 (2025): Agustus 2025
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v24i3.13818

Abstract

Kebutuhan akan presisi pergerakan pada lengan robot berbasis Internet of Things (IoT) memunculkan tantangan terkait deviasi sudut antara posisi target dan aktual pada motor servo. Penelitian ini mengusulkan pendekatan regresi linier untuk memprediksi dan mengoreksi kesalahan sudut pada motor servo bagian base. Model dibangun menggunakan data simulasi yang mencakup sudut target, sudut aktual (disimulasikan), dan jarak objek dari sensor ultrasonik. Nilai koreksi dihitung berdasarkan selisih sudut ditambah komponen acak dan non-linear berbasis jarak, yang ditambahkan sebagai label target. Model dilatih menggunakan metode Ordinary Least Squares dan dievaluasi menggunakan metrik MAE, MSE, dan R². Hasil menunjukkan MAE sebesar 3.49°, MSE sebesar 19.49, dan R² sebesar 0.9808. Simulasi koreksi menurunkan rata-rata error dari 9.97° menjadi 1.17°. Visualisasi melalui scatter plot, histogram, dan boxplot menunjukkan peningkatan presisi dan stabilitas sistem. Model ini mampu meningkatkan akurasi pergerakan servo secara signifikan tanpa penambahan sensor atau modifikasi perangkat keras, menjadikannya solusi prediktif yang efisien untuk sistem robotik tertanam dengan kontrol terbuka.   Kata kunci: robot tangan IoT, koreksi sudut servo, regresi linier, akurasi pergerakan, simulasi kendali terbuka
Sistem Rekomendasi Warna Kontekstual untuk Desain UI/UX Menggunakan Random Forest Agita Nurfadillah; Andarsyah, Roni; Awangga, Rolly Maulana
Jurnal Teknologi dan Manajemen Industri Terapan Vol. 4 No. 3 (2025): Jurnal Teknologi dan Manajemen Industri Terapan
Publisher : Yayasan Inovasi Kemajuan Intelektual

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55826/jtmit.v4i3.1023

Abstract

Pemilihan warna dalam desain antarmuka pengguna (UI/UX) memegang peranan penting dalam menciptakan pengalaman visual yang konsisten dan menarik. Namun, proses pemilihan warna masih sering didasarkan pada intuisi subjektif. Penelitian ini mengembangkan sistem rekomendasi warna kontekstual berdasarkan kategori aplikasi, menggunakan algoritma Random Forest. Dataset diperoleh dari Dribbble dan Kaggle, mencakup fitur warna RGB, HSL, serta fitur turunan lainnya. Proses pengembangan sistem mengikuti tahapan ADDIE, dimulai dari analisis hingga evaluasi performa. Eksperimen dilakukan dengan tahapan rekayasa fitur, pemilihan fitur, tuning parameter (GridSearchCV), serta penyeimbangan data menggunakan SMOTE. Model terbaik menghasilkan akurasi sebesar 39,2% dan menunjukkan peningkatan pada kategori aplikasi edukatif setelah balancing. Sistem ini diimplementasikan dalam bentuk dashboard interaktif berbasis Streamlit, memungkinkan pengguna memilih kategori aplikasi dan memperoleh rekomendasi warna secara visual. Penelitian ini merupakan kontribusi awal dalam integrasi klasifikasi warna berbasis konteks ke dalam proses desain UI digital, sebagai solusi berbasis data yang dapat mengurangi ketergantungan pada intuisi subjektif.