Article Per Year (5 Year)
p-Index From 2021 - 2026
4.79
P-Index
This Author published in this journals
All Journal Jurnal Ilmu Komunikasi Jurnal Teknologi Informasi dan Ilmu Komputer Proceeding of the Electrical Engineering Computer Science and Informatics Sistemasi: Jurnal Sistem Informasi Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) CogITo Smart Journal Technomedia Journal Jurnal Teknologi Informasi dan Pendidikan Jurnal Teknologi Informasi dan Multimedia SKANIKA: Sistem Komputer dan Teknik Informatika Jurnal Teknik Informatika (JUTIF) Jurnal Pendidikan dan Teknologi Indonesia Sinar Sang Surya: Jurnal Pusat Pengabdian kepada Masyarakat Jurnal PkM (Pengabdian kepada Masyarakat) Kresna: Jurnal Riset dan Pengabdian Masyarakat Prosiding Konferensi Nasional PKM-CSR Bit (Fakultas Teknologi Informasi Universitas Budi Luhur) Jurnal Ticom: Technology of Information and Communication Telematika MKOM Jurnal Ticom: Technology of Information and Communication Jurnal Pengabdian Masyarakat Tekno
Utomo Budiyanto
Fakultas Teknologi Informasi, Universitas Budi Luhur
Agriculture, Biological Sciences & Forestry Arts Humanities 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 Languange, Linguistic, Communication & Media Nursing Physics Public Health Social Sciences

Published : 37 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 37 Documents
Search

 1   2   3   4 
Analisis Sentimen Saran Pengguna Mandatory E-Learning Menggunakan Text Mining pada Learning Management System: Sentiment Analysis of User Suggestions for Mandatory E-Learning Using Text Mining on the Learning Management System Nur Syamsudin, Andi; Budiyanto, Utomo
Technomedia Journal Vol 9 No 3 (2025): February
Publisher : Pandawan Incorporation, Alphabet Incubator Universitas Raharja

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33050/tmj.v9i3.2368

Abstract

Mandatory E-learning is a required training for Ministry of Finance’s employees through Kemenkeu Learning Center (KLC) as LMS, where text-based recapitulation reports for participant’s feedback are not available due to large volume of participant’s evaluation data. Sentiment analysis using text mining is necessary to classify the feedback into positive, negative, and neutral labels, enabling the recapitulation process to be automated, faster, and more accurate. Using Knowledge Discovery in Databases (KDD) framework, the process involves data selection and manual labeling, text preprocessing (data cleansing, case folding, stop word removal, stemming, tokenizing, filtering tokens by length), data transformation (TF-IDF weighting, cosine similarity measurement, and resampling using random undersampling/RUS to reduce majority label). Modeling phase compares the best combination of algorithms covers Support Vector Machine (SVM), Multinomial Naïve Bayes, K-Nearest Neighbor (KNN), and Random Forest using a 90:10 training-to-testing data ratio. This research show that SVM with cosine similarity is the best algorithm scenario, achieving accuracy, precision, recall, and f1-score for negative label of 97.01\%, 96.22\%, 95.82\%, and 96.02\%, respectively, within 48.71 seconds, which \textbf{can be leveraged} to improve quality of e-learning’s report faster, more accurate, and to be automated.
Komposter Bertenaga Surya untuk Pembuatan Pupuk Organik dan Pemberdayaan Masyarakat Desa Wanagiri Titin Fatimah; Budiyanto, Utomo; Amalia, Anissa; Prabowo, Yani; ARIESTA, Atik; Ariyani, Pipin Farida
Jurnal Pengabdian kepada Masyarakat TEKNO (JAM-TEKNO) Vol 6 No 1 (2025): Juni 2025
Publisher : Ikatan Ahli Informatika Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29207/jamtekno.v6i1.6697

Abstract

This community service activity aims to increase the use of solar-powered composter technology in making organic fertilizer as part of community empowerment efforts in Wanagiri Village, Saketi District, Pandeglang Regency, Banten. This technology allows the organic waste processing process to take place more efficiently by utilizing solar energy as the main resource, thereby reducing dependence on conventional energy sources and increasing environmental sustainability. The methods used in this activity include outreach regarding the importance of recycling organic waste, application of solar-powered composter technology on a household scale, technical training for the community regarding the operation and maintenance of solar-powered composters, as well as an evaluation program to ensure its sustainability. Assistance is carried out intensively to increase people's understanding and skills in using this technology independently. The results of the activity show that the use of a solar-powered composter is not only able to speed up the process of making organic fertilizer but also provides economic benefits for the people of Wanagiri Village. In addition, this community service program contributes to reducing the volume of household waste, increasing environmental awareness, and strengthening the local resource-based economy. The conclusion of this program is that the use of solar-powered composter technology has proven to be effective and can be an innovative solution in helping the Wanagiri Village community manage organic waste sustainably and improve the welfare of the village community.
Penerapan Data Mining Menggunakan Algoritma Apriori Pada Toko Adelia Frozen Food Faishal Zoelfiandi; Utomo Budiyanto
Jurnal Ticom: Technology of Information and Communication Vol 11 No 1 (2022): Jurnal Ticom-September 2022
Publisher : Asosiasi Pendidikan Tinggi Informatika dan Komputer Provinsi DKI Jakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70309/ticom.v11i1.65

Abstract

Toko Adelia Frozen Food merupakan UMKM yang bergerak di bidang ritel makanan beku olahan dan bumbu pendukung dengan lokasi yang cukup strategis. Permasalahan UMKM yang sekarang saat ini terjadi ialah sudah memiliki sistem POS (Point of sales) yang cukup mumpuni dan terkomputerisasi dengan baik tetapi pada sistem POS ini memiliki kekurangan pada bagian bagaimana menganalisa pola belanja konsumen yang selama ini terjadi dengan menggunakan data detail transaksi. Dengan data transaksi yang semakin hari semakin menumpuk dan kurang dimanfaatkan dengan baik hanya akan menumpuk menjadi arsip di dalam basis data sistem POS. Dengan itu pemanfaatan data mining bertujuan untuk menyelesaikan masalah ini. Dengan mengelola data transaksi salah satu manfaatnya kita mendapatkan suatu informasi baru tentang pola belanja dari konsumen yang selama ini terjadi dan dengan menggunakan salah satu metode yaitu Aturan Asosiasi dengan Analisa Keranjang Pasar dan mencari menggunakan teknik dari Algoritma Apriori. Algoritma Apriori merupakan salah satu algoritma data mining yang dapat digunakan menemukan pola asosiasi berdasarkan pola belanja konsumen, sehingga didapatkan item yang dibeli secara bersamaan, hasil penelitian ini menggunakan data detail transaksi dan penerapan algoritma apriori yang terhitung mulai dari tanggal 1 Desember 2021 - 31 Desember 2021 dengan total 650 data transaksi yang menghasilkan 4 aturan asosiasi dengan nilai confidence tertinggi 83% dan menghasilkan nilai uji lift sebesar 1,14. pada aturan “Jika konsumen membeli JAVA SOSIS 11S 500G, maka konsumen juga akan membeli MIX ANEKA SEAFOOD”
Penerapan Sistem Informasi Administrasi Laundry Angga Prasetyo; Triyono, Gandung Triyono; Utomo Budiyanto
Jurnal Ticom: Technology of Information and Communication Vol 10 No 3 (2022): Jurnal Ticom-Mei 2022
Publisher : Asosiasi Pendidikan Tinggi Informatika dan Komputer Provinsi DKI Jakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70309/ticom.v10i3.34

Abstract

Pada saat ini bisnis laundry atau jasa pencucian pakaian terus berkembang. Meningkatnya bisnis ini menjadikan tantangan baru bagi pelaku bisnis laundry, karena semakin banyaknya persaingan dalam bisnis ini. Banyaknya persaingan ini menyebabkan pendapatan semakin menurun. Oleh sebab itu diperlukanya statrategi yang tepat untuk menangani masalah tersebut, salah satunya meningkatkan pelayanan secara maksimal. Penelitian ini bertujuan untuk mengembangkan model sistem administrasi laundry guna meningkatkan pelayanan terhadap pelanggan. Pengembangan model menggunakan pendekatan berbasis obyek. Hasil dari penelitian ini mendapatkan model sistem informasi administrasi laundry yang memiliki fungsi lengkap. Mulai dari proses penerimaan cucian sampai dengan pembuatan laporan. Dari hasil pengujian yang dilakukan, model yang dikembangkan merupakan model yang fleksibel, yaitu dapat diterapkan untuk semua jenis bisnis laundry. Model yang dikembangkan telah dilakukan pengujian di tingkat user, yaitu User Acceptance Test (UAT). Hasil pengujian didapatkan bahwa model yang dikembangkan mendapatkan respon yang cukup baik dari user, yaitu diperoleh presentase sebesar 80%.
Implementasi Algoritma Pembobotan TF-IDF dan Cosine Similarity untuk Penetapan Kategori Artikel pada Website Universitas Budi Luhur Nico Nico; Utomo Budiyanto; Titin Fatimah
Jurnal Ticom: Technology of Information and Communication Vol 10 No 3 (2022): Jurnal Ticom-Mei 2022
Publisher : Asosiasi Pendidikan Tinggi Informatika dan Komputer Provinsi DKI Jakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70309/ticom.v10i3.38

Abstract

Universitas Budi Luhur merupakan universitas komputer swasta pertama di Indonesia yang sejak awal berdiri memiliki tujuan menghasilkan tenaga – tenaga trampil atau profesional di bidang komputer yang cerdas dan berbudi luhur. Sebagai institusi pendidikan Universitas Budi Luhur memiliki website yang saat ini menggunakan platform Content Management System (CMS) Wordpress untuk mempublikasikan kegiatannya.  Salah satu masalah dalam penyebaran informasi di website adalah kategorisasi artikel yang dipublikasi oleh admin yang dapat mengakibatkan ambiguitas artikel, karena setiap admin memiliki persepsi yang berbeda pada tiap artikel, sehingga menimbulkan kebingungan dari sisi pembaca, juga ketika ingin menampilkan atau mencari artikel/berita yang sesuai dengan kategori. Pengkategorian artikel yang ambigu kerap kali terjadi disebabkan oleh kategori yang dipilih berdasarkan opini masing - masing admin. Penelitian ini bertujuan untuk membuat alat bantu yang dapat mengkategorikan artikel secara otomatis menggunakan teknik Information Retrieval. Metode yang digunakan untuk mengelola serta mengkategorikan informasi yaitu ruang vektor (Vector Space Model) menggunakan algoritma pembobotan TF-IDF dan Cosine Similarity. Hasil uji dari penelitian ini adalah akurasi ketepatan pada klasifikasi kategori terhadap dataset sebesar 61.11%.
Optimization of Cargo Loading System in Logistics Delivery Services using Machine Learning at a Logistics Companies Dioza, Arman; Budiyanto, Utomo
SISTEMASI Vol 15, No 1 (2026): Sistemasi: Jurnal Sistem Informasi
Publisher : Program Studi Sistem Informasi Fakultas Teknik dan Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32520/stmsi.v15i1.5531

Abstract

A more precise data-driven approach is required to optimize lead time estimation and improve service quality. This study aims to evaluate and enhance lead time accuracy by optimizing cargo loading into containers using shipment data, including item length, width, height, weight, and volume, as well as vehicle loading capacity. The data are processed to optimize the loading process using a Genetic Algorithm, combined with a Random Forest model for determining cargo stacking and rotation. The dataset is analyzed using the CRISP-DM methodology to identify patterns, trends, and inter-variable relationships that influence the optimization of cargo placement within containers. These algorithms were selected due to their ability to capture complex relational patterns and their relevance to logistics shipment data. Model performance is evaluated using accuracy metrics and a confusion matrix to comprehensively assess predictive performance. In addition, the results of the machine learning–based models are compared to identify significant improvements in estimation accuracy. The results indicate that the Genetic Algorithm achieved a fitness value of 0.836142 in Scenario 1 without Random Forest and 3.127948 in Scenario 2 when combined with Random Forest. Furthermore, the Random Forest model achieved an accuracy of 99.23% for stacking prediction and 99.33% for rotation prediction. The developed system effectively supports optimal cargo loading optimization through accurate predictive models, enabling data-driven decision-making. With the implementation of this model, logistics companies can improve operational efficiency, minimize the risk of delays, and deliver superior customer service.
Prediksi Tingkat Depresi (Kesehatan Mental) MenggunakanPHQ-9, Naïve Bayes, Random Forest dan Support Vector Machine Budiyanto, Utomo; Fatimah, Titin; Pratama, Bijan Austin
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 1: Februari 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026131

Abstract

Kesehatan mental dalam hal ini khususnya masalah depresi, merupakan isu global yang memengaruhi jutaan individu di seluruh dunia. Identifikasi dini dan perawatan yang efektif dapat berdampak positif pada kualitas hidup individu yang terkena dampak. Pada kalangan pelajar maupun mahasiswa, efek depresi bisa lebih signifikan terlihat. Pelajar maupun mahasiswa sering menghadapi tekanan dari sisi akademik, sosial dan ekonomi yang tinggi, yang dapat memicu atau memperburuk gejala depresi. Efeknya bisa menurunkan kualitas akademik, presensi kelas yang menurun, isolasi secara kehidupan sosial bahkan risiko tinggi terhadap permasalahan kesehatan mental yang lebih serius. Hal ini membutuhkan perhatian dan penanganan khusus. Penelitian ini bertujuan untuk mengembangkan model Machine Learning yang dapat memprediksi tingkat depresi berdasarkan data PHQ-9 (Patient Health Questionnaire-9). Algoritma yang digunakan yaitu Naïve Bayes, Random Forest dan Support Vector Machine (SVM). Sumber data utama didapat melalui survei 200 mahasiswa dari 2 Perguruan Tinggi dan analisis data mencakup fitur-fitur yang relevan untuk prediksi tingkat depresi. Model dilatih serta dievaluasi menggunakan metrik yang sesuai seperti akurasi, presisi, recall dan F1-score. Perbandingan kinerja antara ketiga algoritma dilakukan untuk menentukan algoritma yang paling efektif dalam memprediksi tingkat depresi. Hasil pengujian menunjukkan nilai akurasi menggunakan Naïve Bayes sebesar 77% sedangkan Random Forest adalah 97.5% serta SVM sebesar 98%. Pengujian secara keseluruhan menunjukan bahwa algoritma SVM paling akurat dan konsisten untuk semua tingkat depresi.   Abstract Mental health specifically depression, is a global issue that affects millions of individuals worldwide. Early identification and effective treatment can have a positive impact on the quality of life of affected individuals. Among students, the effects of depression can be more significant. Students often face high levels of academic, social, and economic pressure, which can trigger or exacerbate depressive symptoms. The effects can include decreased academic performance, decreased class attendance, social isolation, and even a higher risk of more serious mental health problems. This requires special attention and treatment. This research aims to develop a Machine Learning model that can predict depression levels based on PHQ-9 (Patient Health Questionnaire-9) data. The algorithms used are Naive Bayes, Random Forest, and Support Vector Machine (SVM). The primary data source was obtained through a survey of 200 students from two universities, and data analysis will include features relevant to depression prediction. The model was trained and evaluated using appropriate metrics such as accuracy, precision, recall, and F1-score. A performance comparison between the three algorithms was conducted to determine the most effective algorithm in predicting depression levels. The test results showed an accuracy value using Naive Bayes of 77%, while Random Forest was 97.5% and SVM was 98%. Overall, SVM was the most accurate and consistent for all levels of depression.
Co-Authors Abdul Nasir Abdul Rahman Achmad Solichin Agung Nugraha, Akmal Amalia, Anissa Amini, Safrina Andhika Putra Cahyono Angga Prasetyo Angga Prasetyo Anindya Putri Pradiptha Anissa Amalia Mulya Anissa Amalia Mulya Ari Sujiana ari Atik Ariesta Bijan Austin Pratama Diajeng Prastyanti Priyadi Dioza, Arman Fadillah, Arkan Faishal Zoelfiandi Faishal Zoelfiandi Farida Ariyani, Pipin Giri Sarah Mustika Hairil Fiqri Sulaiman Hardjianto, Mardi Hari Soetanto Helmy Yudhistira Putra Megananda Hervita Permata Sari Mirza Sutrisno Mulya, Anissa Amalia Nawiroh Vera Nico Nico Nico Nur Syamsudin, Andi Painem, Painem Pradiptha, Anindya Putri Pratama, Bijan Austin Retsya Andany Putri Rony, Zahara Tussoleha Rulli Sofansyah saputro, heru Sartana, Bruri Trya Subandi Subandi Sulaiman, Hairil Fiqri Sutrisno, Mirza Syihabudin Alawi Titin Fatimah Titin Fatimah Triyono, Gandung Triyono, Gandung Triyono Umaimah Wahid Wendi Usino Yani Prabowo Yunanto, Rinno Zulfikar, Muhammad Fahmi