Article Per Year (5 Year)
p-Index From 2021 - 2026
2.547
P-Index
This Author published in this journals
All Journal KLIK (Kumpulan jurnaL Ilmu Komputer) (e-Journal) SELAPARANG: Jurnal Pengabdian Masyarakat Berkemajuan Techno Xplore : Jurnal Ilmu Komputer dan Teknologi Informasi Buana Ilmu Jurnal Accounting Information System (AIMS) Scientific Student Journal for Information, Technology and Science Jurnal Informatika Teknologi dan Sains (Jinteks) Jurnal Accounting Information System (AIMS)
Sutan Faisal
Universitas Buana Perjuangan Karawang
Agriculture, Biological Sciences & Forestry Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Education Engineering Environmental Science Health Professions Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Medicine & Pharmacology Nursing Public Health Social Sciences Other

Published : 21 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 21 Documents
Search

 1   2   3 
Penerapan Support Vector Machine pada Klasifikasi Kondisi Kematangan Cabai Rawit Anggie Wiyani Putri; Ahmad Fauzi; Dwi Sulistya Kusumaningrum; Sutan Faisal
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 1 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Cabai rawit (Capsicum frutescens) merupakan komoditas penting di Indonesia, namun ketergantungan impor masih tinggi akibat kendala sortasi dan distribusi yang tidak merata. Proses sortasi manual sering kali tidak akurat, sehingga cabai mentah, matang, atau rusak tercampur. Kondisi tersebut menurunkan kualitas dan nilai jual cabai rawit. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi otomatis kondisi kematangan cabai rawit menggunakan algoritma Support Vector Machine (SVM) dengan ekstraksi fitur kombinasi HSV, GLCM, dan Local Binary Pattern (LBP). Metode yang digunakan meliputi augmentasi data, segmentasi berbasis HSV thresholding, serta ekstraksi fitur warna dan tekstur. Hasil evaluasi menunjukkan bahwa model SVM dengan kernel RBF mencapai nilai rata-rata F1-Score sebesar 84%, dengan performa terbaik pada kelas matang yang memperoleh F1-Score sebesar 92%. Namun, kelas rusak memiliki nilai F1-Score yang lebih rendah, yaitu sebesar 71%, akibat ketidakseimbangan data. Simpulan dari penelitian ini menunjukkan bahwa kombinasi fitur HSV, GLCM, dan LBP efektif untuk klasifikasi kondisi kematangan cabai rawit. Meskipun demikian, diperlukan pengembangan dataset serta penerapan pendekatan deep learning, seperti CNN-SVM, untuk meningkatkan akurasi berdasarkan nilai F1-Score pada kelas minoritas.
Analisis Kinerja Algoritma Naïve Bayes dan Random Forest dalam Memprediksi Hasil Klasemen English Premier League Muhamad Ibnu Rizky; Sutan Faisal; Iman Sanjaya; Deden Wahiddin
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 1 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

English Premier League dikenal sebagai liga sepak bola yang paling kompetitif dan menarik untuk dianalisis secara statistik. Penelitian ini dilakukan untuk membandingkan kinerja dua algoritma machine learning, yaitu Naïve Bayes dan Random Forest, dalam memprediksi posisi akhir klasemen berdasarkan data statistik pertandingan. Data dikumpulkan melalui teknik web scraping dari situs FBref.com, yang mencakup data tiga musim kompetisi serta sejumlah fitur relevan lainnya. Setelah melalui tahap prapemrosesan (preprocessing), data dibagi menjadi data pelatihan dan data pengujian dengan rasio 80:20. Evaluasi terhadap model dilakukan menggunakan berbagai metrik, seperti akurasi, presisi, recall, F1-score, serta confusion matrix. Hasil pengujian menunjukkan bahwa algoritma Naïve Bayes memperoleh akurasi sebesar 69,83% dan menunjukkan kinerja yang cukup baik dalam memprediksi hasil seri. Di sisi lain, algoritma Random Forest menunjukkan performa yang lebih unggul dengan akurasi mencapai 99,57%, serta nilai presisi, recall, dan F1-score yang tinggi dan konsisten. Prediksi klasemen akhir yang dihasilkan oleh Random Forest juga lebih mendekati hasil sebenarnya. Berdasarkan temuan tersebut, dapat disimpulkan bahwa Random Forest lebih mampu menangani kompleksitas data pertandingan sepak bola dan lebih direkomendasikan untuk digunakan dalam sistem prediksi di bidang analitik olahraga.
Implementasi Algoritma Support Vector Machine dalam Klasifikasi Biji Jagung Berondong dan Biji Jagung Pakan Ayam Rini Beatrix Laurentzia; Sutan Faisal; Cici Emilia Sukmawati; Ahmad Fauzi
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 1 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Jagung merupakan komoditas penting dalam sektor pangan dan pakan ternak, dengan varietas yang memiliki karakteristik fisik yang berbeda. Salah satu tantangan di lapangan adalah membedakan biji jagung berondong dan biji jagung pakan ayam secara akurat, terutama ketika perbedaan visual di antara keduanya sangat tipis. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi berbasis citra menggunakan algoritma Support Vector Machine (SVM) guna membedakan kedua jenis jagung tersebut. Dataset yang digunakan terdiri atas 400 citra biji jagung dengan dua kelas, yaitu jagung berondong dan jagung pakan ayam. Tahapan penelitian meliputi prapemrosesan citra, segmentasi, serta ekstraksi fitur menggunakan metode Gray Level Co-occurrence Matrix (GLCM) dengan enam fitur utama, yaitu kontras, energi, homogenitas, korelasi, varians, dan dissimilarity. Model SVM diuji menggunakan beberapa jenis kernel, dan evaluasi dilakukan dengan confusion matrix. Hasil pengujian menunjukkan bahwa akurasi klasifikasi biji jagung berondong dan biji jagung pakan ayam menggunakan algoritma SVM mencapai 68,18% dengan pembagian data latih dan uji sebesar 80:20 serta menggunakan kernel polynomial. Nilai akurasi tersebut menunjukkan bahwa algoritma SVM belum cukup andal dalam melakukan klasifikasi, sehingga masih terdapat ruang untuk perbaikan, khususnya melalui proses tuning parameter SVM.
Peningkatan Kecepatan Inferensi Mask R-CNN Menggunakan MobileNetV3 Small pada Sistem Deteksi Kardus Vikha Tri Vicika; Jamaludin Indra; Sutan Faisal; Hanny Hikmayanti Handayani
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 1 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini bertujuan untuk meningkatkan kecepatan inferensi pada sistem deteksi objek dengan mengoptimalkan arsitektur Mask R-CNN melalui penggantian backbone menjadi MobileNetV3 Small. Studi ini difokuskan pada deteksi kardus di lingkungan gudang menggunakan dataset yang dikumpulkan dari berbagai kondisi pencahayaan dan sudut pengambilan gambar. Proses pelatihan dan validasi dilakukan terhadap data yang telah dianotasi secara manual, dengan evaluasi menggunakan metrik presisi, recall, dan kecepatan pemrosesan dalam satuan frame per second (FPS). Hasil pengujian menunjukkan bahwa model dengan backbone MobileNetV3 Small menghasilkan FPS rata-rata sebesar 8,66, lebih tinggi dibandingkan dengan model default yang hanya mencapai 6,94. Dari sisi akurasi, model kustom menunjukkan nilai presisi sebesar 85%, sedangkan model default mencapai nilai recall sebesar 85,7%. Meskipun segmentasi yang dihasilkan oleh model default lebih menyeluruh, model kustom memiliki arsitektur yang lebih ringan dan efisien. Oleh karena itu, model kustom lebih sesuai untuk aplikasi waktu nyata pada perangkat dengan sumber daya terbatas. Temuan ini menunjukkan bahwa penggunaan MobileNetV3 Small sebagai backbone pada arsitektur Mask R-CNN mampu meningkatkan efisiensi inferensi tanpa menurunkan tingkat akurasi secara signifikan.
Perbandingan Dampak Penggunaan LASSO dan Hyperparameter Tuning terhadap Performa Prediksi Kegagalan Mesin pada Model Machine Learning Wahyu Setio Aji; Sutan Faisal; Santi Arum Puspita Lestari; Yana Cahyana
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 1 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Revolusi Industri 4.0 telah mendorong integrasi teknologi seperti Big Data, Internet of Things (IoT), dan machine learning dalam industri untuk meningkatkan efisiensi serta mengurangi downtime. Salah satu tantangan utama di sektor manufaktur adalah terjadinya kerusakan mesin secara mendadak yang dapat mengganggu proses produksi dan meningkatkan biaya perawatan. Predictive Maintenance menjadi solusi penting dengan memanfaatkan data sensor dan model prediksi untuk mencegah kerusakan sejak dini. Penelitian ini membandingkan performa tiga algoritma machine learning, yaitu K-Nearest Neighbor (KNN), Logistic Regression (LR), dan Support Vector Machine (SVM), dalam memprediksi kegagalan mesin berdasarkan empat skenario. Skenario pertama menguji ketiga algoritma klasifikasi, yaitu KNN, SVM, dan Logistic Regression, tanpa optimasi (baseline). Skenario kedua menerapkan seleksi fitur menggunakan Least Absolute Shrinkage and Selection Operator (LASSO), kemudian menguji kembali ketiga algoritma tersebut. Pada skenario ketiga, dilakukan hyperparameter tuning tanpa seleksi fitur. Sementara itu, skenario keempat menggabungkan seleksi fitur LASSO dengan hyperparameter tuning untuk memperoleh model yang lebih optimal. Hasil penelitian menunjukkan bahwa algoritma KNN merupakan model dengan kinerja paling unggul. Pada skenario keempat, KNN mencapai akurasi maksimum sebesar 97,4% dengan parameter terbaik n_neighbors = 4 dan weights = ‘distance’. Selanjutnya, algoritma SVM mencatat akurasi sebesar 97,2% dengan parameter C = 13,716, gamma = ‘scale’, dan kernel = ‘rbf’. Sementara itu, algoritma Logistic Regression menunjukkan performa paling rendah. Meskipun telah dioptimalkan, akurasi tertingginya hanya mencapai 88,2% dengan konfigurasi C = 2,053, penalty = ‘l2’, dan solver = ‘sag’.
Prediksi Pendaftaran Calon Jamaah Haji di Kabupaten Karawang menggunakan algoritma Random Forest dan XGBoost Dimas Satrio; Sutan Faisal; Cici Emilia Sukmawati; Jamaludin Indra
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 2 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Indonesia sebagai negara dengan jumlah penduduk Muslim terbesar di dunia menghadapi tantangan dalam pengelolaan pendaftaran haji yang terus meningkat setiap tahunnya. Penelitian ini bertujuan untuk memprediksi jumlah pendaftaran haji menggunakan algoritma Random Forest dan XGBoost, yang dikenal memiliki tingkat akurasi yang tinggi dalam analisis data berskala besar dan bersifat nonlinier. Dengan menggunakan data historis pendaftaran haji, model ini dirancang untuk mengidentifikasi pola dan faktor-faktor utama yang memengaruhi jumlah pendaftaran. Hasil evaluasi model menunjukkan bahwa Random Forest memberikan performa yang jauh lebih unggul dibandingkan XGBoost, dengan nilai R-squared sebesar 0,93 yang menunjukkan kemampuan model dalam menjelaskan variasi data, serta nilai Mean Absolute Error (MAE) dan Mean Squared Error (MSE) yang lebih rendah. Sebaliknya, XGBoost menunjukkan performa yang kurang optimal dengan nilai R-squared sebesar 0,40. Temuan ini memberikan informasi penting bagi pemerintah untuk mengoptimalkan perencanaan dan pengelolaan kuota haji sehingga pelayanan kepada calon jamaah dapat menjadi lebih efisien dan tepat sasaran.
Prototype Sistem Parkir Otomatis Berbasis Kamera Android dan ESP32 Menggunakan Algoritma Convolutional Neural Network Haikal Fasiha Fayyadh; Sutan Faisal; Santi Arum Puspita Lestari; Tatang Rohana
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 2 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Peningkatan jumlah kendaraan di Indonesia menimbulkan tantangan dalam pengelolaan area parkir, khususnya dalam aspek efisiensi dan otomatisasi. Penelitian ini bertujuan mengembangkan prototipe sistem parkir otomatis berbasis kamera Android dan mikrokontroler ESP32 yang mampu mendeteksi golongan kendaraan serta membaca pelat nomor secara real-time. Sistem ini menggunakan algoritma Convolutional Neural Network (CNN) dengan arsitektur YOLOv8n untuk deteksi objek serta PaddleOCR untuk pembacaan karakter pada pelat nomor kendaraan. Model dikonversi ke dalam format TensorFlow Lite agar dapat berjalan secara efisien pada perangkat Android. Hasil pengujian menunjukkan bahwa model deteksi kendaraan memiliki precision sebesar 87%, recall sebesar 100%, dan mAP@0.5 sebesar 99%, sedangkan model deteksi pelat nomor mencapai precision sebesar 98,56%, recall sebesar 94,19%, dan mAP@0.5 sebesar 98,45%. Meskipun tingkat akurasi yang tinggi berhasil dicapai, sistem masih menghadapi tantangan pada kondisi tertentu, seperti sudut kemiringan pelat nomor dan jarak objek terhadap kamera. Hasil evaluasi menunjukkan bahwa prototipe ini berhasil membuktikan konsep sistem parkir otomatis yang fungsional dan efisien. Namun, pengembangan lebih lanjut masih diperlukan untuk penerapan pada lingkungan nyata.
Penerapan Algoritma Long Short-Term Memory dalam Prediksi Harga Bahan Pangan Nasional Ilham Dwi Ischan; Ahmad Fauzi; Dwi Sulistya Kusumaningrum; Sutan Faisal
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 2 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Perubahan harga bahan pangan yang tidak stabil menjadi kendala dalam menjaga keseimbangan ekonomi serta ketahanan pangan di Indonesia. Penelitian ini bertujuan untuk menerapkan algoritma Long Short-Term Memory (LSTM) dalam memprediksi harga bahan pangan nasional secara akurat. Data yang digunakan berasal dari Bank Indonesia, yang terdiri atas data harian harga komoditas pangan dari 32 provinsi selama lima tahun terakhir. Tahapan penelitian meliputi preprocessing, normalisasi, pelatihan model, serta evaluasi menggunakan metrik Root Mean Squared Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Hasil evaluasi menunjukkan bahwa algoritma Long Short-Term Memory mampu mencapai tingkat akurasi sebesar 98,01%, nilai MAPE sebesar 0,75%, dan nilai RMSE sebesar 0,0065, yang termasuk dalam kategori sangat baik. Hasil tersebut menunjukkan bahwa algoritma Long Short-Term Memory mampu memodelkan pola harga pangan yang dinamis dan kompleks dengan baik. Penelitian ini diharapkan dapat menjadi referensi dalam pengembangan sistem prediksi harga pangan berbasis kecerdasan buatan yang mendukung pengambilan keputusan strategis oleh pemerintah maupun pelaku industri.
Penerapan Algoritma FP-Growth untuk Analisis Pola Pembelian Suku Cadang di Bengkel Sepeda Motor Maulidinah Nurrahma; Sutan Faisal; Rahmat; Deden Wahiddin
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 2 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pengelolaan suku cadang merupakan faktor penting dalam menjaga kelancaran operasional bengkel sepeda motor. Permasalahan yang umum dihadapi oleh pemilik bengkel adalah ketidaktepatan manajemen stok akibat belum adanya analisis terhadap pola pembelian pelanggan. Penelitian ini bertujuan menerapkan metode data mining menggunakan algoritma FP-Growth (Frequent Pattern Growth) untuk menganalisis pola pembelian suku cadang berdasarkan data transaksi pelanggan. Algoritma FP-Growth dipilih karena mampu menemukan kombinasi item yang sering muncul secara bersamaan dengan cepat dan efisien. Hasil analisis menunjukkan adanya pola keterkaitan antarproduk, seperti kombinasi pembelian antara oli dan busi, yang dapat dijadikan dasar dalam perencanaan dan pengendalian stok. Dengan penerapan metode ini, pengelolaan persediaan dapat dilakukan secara lebih efektif, risiko kelebihan maupun kekurangan stok dapat diminimalkan, serta kepuasan pelanggan dapat meningkat.
Analisis Kinerja Algoritma Long Short-Term Memory dan Random Forest untuk Prediksi Penjualan Buah Mochamad Rayhan Bachtiar; Deden Wahiddin; Iman Sanjaya; Sutan Faisal
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 2 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Fluktuasi volume penjualan buah akibat kondisi ekonomi dan perilaku konsumen menjadi tantangan dalam perencanaan stok. Penelitian ini membandingkan kinerja algoritma Long Short-Term Memory (LSTM) dan Random Forest dalam memprediksi penjualan buah mingguan. Data penjualan harian delapan jenis buah pada periode Januari 2024 hingga Maret 2025 diolah menjadi data mingguan melalui tahapan eksplorasi data, data preprocessing, transformasi deret waktu (time series), one-hot encoding, pembuatan fitur lag dan moving average, serta pembagian data menggunakan metode time series split. Model dilatih menggunakan 80% data, dengan Random Forest memanfaatkan fitur numerik hasil transformasi, sedangkan LSTM memanfaatkan urutan tiga langkah waktu. Evaluasi menggunakan metrik R² dan Root Mean Squared Error (RMSE) menunjukkan bahwa Random Forest memiliki kinerja yang lebih baik (R² = 0,9191; RMSE = 2,18) dibandingkan LSTM (R² = 0,8793; RMSE = 2,66), sehingga lebih efektif dalam memodelkan pola penjualan buah mingguan.
Co-Authors Adi Pratama Ahmad Fauzi Andre Permana Anggie Wiyani Putri Ayu Juwita Ayu Ratna Juwita Dandi Mulyawan Deden Wahiddin Deni Yusup Dimas Satrio Dwi Sulistya Kusumaningrum Fariz Umam Florida Ivonia Manek Haikal Fasiha Fayyadh Hanny Hikmayanti Handayani Hilda Yulia Novita Ilham Dwi Ischan Iman Sanjaya Indi Nurul Hassanah Indra, Jamaludin Lestari, Santi Arum Puspita Maulidinah Nurrahma Mochamad Rayhan Bachtiar Muhamad Ibnu Rizky Muhamad Ikbal Ramdani Muhammad Ihsan Oktavia Nursyahbani Priyatna, Bayu Rahmat Rini Beatrix Laurentzia Romlah Siregar, Amril Mutoi Sukmawati, Cici Emilia Tatang Rohana Vikha Tri Vicika Wahyu Setio Aji