Article Per Year (5 Year)
p-Index From 2021 - 2026
3.457
P-Index
This Author published in this journals
All Journal Jurnal Simetris Jurnal Teknologi dan Sistem Komputer JURNAL ENGGANO Jurnal DISPROTEK JURTEKSI Abdimas Universal Jurnal Teknologi Dan Sistem Informasi Bisnis Jurnal JTIK (Jurnal Teknologi Informasi dan Komunikasi) SKANIKA: Sistem Komputer dan Teknik Informatika Journal of Dinda : Data Science, Information Technology, and Data Analytics As-Sidanah : Jurnal Pengabdian Masyarakat International Journal Software Engineering and Computer Science (IJSECS) Jurnal Minfo Polgan (JMP) Jurnal Rekognisi Akuntansi (JRA) J-ABDIPAMAS (Jurnal Pengabdian Kepada Masyarakat) Science and Technology (SciTech)
Mulyo, Harminto
Universitas Islam Nahdlatul Ulama Jepara
Religion Arts Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Mathematics Social Sciences Other

Published : 24 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 24 Documents
Search

 1   2   3 
Implementasi Algoritma K-Means untuk Klasterisasi Data Hasil Tangkapan Ikan di Karimunjawa Muchammad Dwi Rivaldo; Gentur Wahyu Nyipto Wibowo; Harminto Mulyo
Jurnal Minfo Polgan Vol. 13 No. 1 (2024): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v13i1.13928

Abstract

Penelitian ini berfokus pada implementasi algoritma K-Means untuk klasterisasi data hasil tangkapan ikan di Karimunjawa. Tujuan utama adalah untuk mengidentifikasi jenis ikan yang paling banyak ditangkap dan area penangkapan yang paling produktif. Data yang digunakan mencakup tanggal, nama nelayan, jumlah ikan (kg), jenis ikan, area penangkapan ikan, dan metode penangkapan ikan, yang dikumpulkan selama tahun 2020. Analisis klasterisasi menghasilkan tiga klaster utama: Klaster 0 dengan total 315,9 kg terdiri dari Cumi, Kakak Tua, Jinahak, Baronang, Panti, dan Tambak Jeron; Klaster 1 dengan total 856,9 kg terdiri dari Teri, Tengiri, Tambak Jeron, Udul, Panti, dan Pari; Klaster 2 dengan total 1383,2 kg terdiri dari Todak. Selain itu, area penangkapan yang produktif juga diklasterisasi menjadi tiga: Klaster 0 mencakup Karimunjawa Timur, Klaster 1 mencakup Karimunjawa Barat, dan Klaster 2 mencakup Karimunjawa Utara. Hasil evaluasi menggunakan metrik pengukuran menunjukkan bahwa Silhouette Score positif sebesar 0,48 mengindikasikan bahwa klaster yang dihasilkan cenderung terpisah dengan baik, meskipun masih ada ruang untuk perbaikan. Davies-Bouldin Index yang rendah sebesar 0,83 menunjukkan bahwa klaster yang dihasilkan cukup terpisah satu sama lain, meskipun tidak sempurna. Metode Elbow memberikan indikasi jumlah klaster optimal, membantu dalam pemilihan konfigurasi yang tepat untuk analisis klaster. Penelitian ini memberikan wawasan berharga tentang distribusi tangkapan ikan di Karimunjawa, yang dapat digunakan untuk meningkatkan strategi penangkapan dan manajemen perikanan. Implementasi dan analisis dilakukan menggunakan Google Colab dengan bahasa pemrograman Python.
Optimalisasi Algoritma Naive Bayes Dengan Teknik Ensemble Dalam Analisis Sentimen Twitter Pantai Kartini Jepara Muhammad Arqom Anwar; Harminto Mulyo; Teguh Tamrin
Jurnal Minfo Polgan Vol. 13 No. 2 (2024): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v13i2.14014

Abstract

Penelitian ini memanfaatkan Twitter untuk menganalisis opini publik tentang Pantai Kartini Jepara, dengan fokus pada optimisasi algoritma Naive Bayes dalam analisis sentimen. Penelitian ini mengidentifikasi bahwa akurasi Naive Bayes terbatas dalam menangani data besar dan kompleks. Tujuan utamanya adalah meningkatkan akurasi dan efisiensi analisis sentimen melalui optimisasi parameter dan teknik ensemble. Metode penelitian melibatkan pengumpulan data Twitter dari 2010–2023, preprocessing data, pelatihan model Naive Bayes, SVM, dan ensemble, serta evaluasi performa menggunakan akurasi, presisi, recall, dan F1-score. Model ensemble yang menggabungkan Naive Bayes dan SVM mencapai akurasi tertinggi sebesar 88,81%, meningkat dari 83,91% pada Naive Bayes dasar dan 86,01% pada SVM, menunjukkan perbaikan signifikan dalam analisis sentimen. Kombinasi algoritma Naive Bayes dengan teknik optimasi dan ensemble meningkatkan akurasi analisis sentimen. Penelitian selanjutnya disarankan untuk mengeksplorasi penerapan model ini pada data yang lebih besar atau platform media sosial lain.
Prediksi Ketuntasan Siswa Berbasis Data Multidimensi Menggunakan Metode K-Nearest Neighbor (KNN) di SMK NU Hasyim Asy'ari 2 Kudus Muhammad Syafi’ul Huda; Harminto Mulyo; Gentur Wahyu Nyipto Wibowo
Jurnal JTIK (Jurnal Teknologi Informasi dan Komunikasi) Vol 10 No 4 (2026): OCTOBER 2026
Publisher : Lembaga Komunitas Informasi Teknologi Aceh (KITA), Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35870/jtik.v10i4.7015

Abstract

This research implements the K-Nearest Neighbors (KNN) algorithm to predict student learning mastery at SMK NU Hasyim Asy’ari 2 Kudus for the 2025/2026 academic year using multidimensional data. Following data preprocessing and labeling via median thresholding, the results indicate that the best performance is achieved at $K$ values of 7, 9, and 10, with an accuracy of 58.62%. While the precision of 0.69 demonstrates reasonable accuracy in predicting students who achieve mastery, the recall of 0.50 highlights the model's limitations in identifying all students who actually pass. These results are primarily influenced by the limited sample size and imbalanced class distribution. Overall, KNN serves as an effective initial approach for objective academic prediction, though further optimization through parameter tuning or feature engineering is required to enhance future accuracy.
Implementation of the Hybrid ARIMA-LSTM Model for Gold Price Prediction Based on Yahoo Finance Data Talitha Hananta Nurendasari; Gentur Wahyu Nyipto Wibowo; Harminto Mulyo
International Journal Software Engineering and Computer Science (IJSECS) Vol. 5 No. 3 (2025): DECEMBER 2025
Publisher : Lembaga Komunitas Informasi Teknologi Aceh (KITA), Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35870/ijsecs.v5i3.5560

Abstract

This paper presents a hybrid ARIMA–LSTM model to forecast daily gold price using historical data from Yahoo Finance. Gold price is highly volatile due to macroeconomic, geopolitical, and monetary factors, making accurate forecasting difficult and increasing uncertainty in investment decisions. In this study, ARIMA is used for modeling linear patterns in the time series data, while an LSTM network captures the nonlinear relationships and temporal dynamics that are not captured by statistical models. The dataset consists of daily observations of gold prices between June 2022 and June 2025. The analysis involves cleaning and normalizing the data, splitting it into training and testing subsets, estimating ARIMA parameters, extracting residuals, and forecasting these residuals with LSTM. Performance evaluation is carried out through MAE, RMSE, and MAPE metrics. The hybrid framework compares favorably against standalone ARIMA and LSTM models in terms of all three metrics used for assessment. Empirical results show that the hybrid ARIMA–LSTM model produces lower forecasting errors than the individual models on all evaluation metrics. These findings validate that combining statistical time series modeling with neural sequence learning increases predictive reliability in volatile commodity markets. The proposed framework can be considered methodologically sound for gold price forecasting and subsequently may enhance informed decision-making within financial analysis as well as investment practice.
Co-Authors Abdilllah, Muh Sajid Achmad Hakim Qoirul Haq Adi Sucipto, Adi Ali Sofwan An-Naas Shahifatun Na’iema Andriansyach, Dimas Jordy Anita Ameliya Arif Mustofa Aufa Maulana Hidayat Azhar, Maulana Buang Budi Wahono, Buang Budi Doni Agung Prasetyo Dwi Noviyani Fira Nadliratul Afrida Gunawan Mohammad Hasan Ibrohim Hayu Dian Yulistianti Irma Nur Af’idah Kartika Widiastuti Khalimatus Sa'diyah Manzis, Akhmad Hossam Maori, Nadia Annisa Mochamad Handre Fidiyanto Muchammad Dwi Rivaldo Muhammad Arqom Anwar Muhammad Misbahul Munir Muhammad Syafi’ul Huda Muhammad Verdy Fahrudin Nadia Annisa Maori Nur Aeni Widiastuti Nur Aeni Widiastuti Nur Taqwimi, Muhammad Ahsani Nusrotus Sa’idah Octavianti Paramitha R Hadapiningradja Kusumodestoni Rahmawan Arniyanto Rohmatun Nikmah Santi Andriyani Sarwido Sarwido, Sarwido Talitha Hananta Nurendasari Teguh Tamrin Wibowo, Gentur Wahyu Nyipto Zubaedah Zubaedah