Article Per Year (5 Year)
p-Index From 2021 - 2026
2.096
P-Index
This Author published in this journals
All Journal IJCCS (Indonesian Journal of Computing and Cybernetics Systems) JUSIFO : Jurnal Sistem Informasi Jurnal Informatika Global Journal of Information Systems and Informatics Indonesian Journal of Data and Science Jurnal Digital Teknologi Informasi Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) Journal of Computer and Information Systems Ampera Journal of Software Engineering Ampera Prosiding Seminar Nasional Teknik Elektro, Sistem Informasi, dan Teknik Informatika (SNESTIK) Jurnal Software Engineering and Computational Intelligence Prosiding Seminar Nasional Unimus International Journal of Artificial Intelligence in Medical Issues
Dian Hafidh Zulfikar
Universitas Islam Negeri Raden Fatah Palembang
Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Electrical & Electronics Engineering Engineering Health Professions Mathematics Medicine & Pharmacology Nursing Public Health

Published : 18 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : Jurnal Software Engineering and Computational Intelligence

 1 
Pengelompokan Daerah Rawan Bencana di Sumatera Selatan Menggunakan Algoritma K-Means Zulfikar, Dian Hafidh; Setapati, Gerry
Jurnal Software Engineering and Computational Intelligence Vol 2 No 02 (2024)
Publisher : Informatics Engineering, Faculty of Computer Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36982/jseci.v2i02.4945

Abstract

Indonesia merupakan negara yang terletak di wilayah pertemuan berbagai lempeng tektonik, sehingga banyak daerahnya memiliki tingkat kerawanan tinggi terhadap bencana alam, termasuk di Provinsi Sumatera Selatan. Penelitian ini bertujuan untuk mengelompokkan wilayah-wilayah rawan bencana di Sumatera Selatan dengan menerapkan teknik data mining menggunakan metode clustering. Algoritma yang digunakan dalam pembentukan klaster adalah K-Means, sebuah metode clustering non-hierarkis yang mampu mengelompokkan data berdasarkan tingkat kesamaan. Data bencana yang memiliki karakteristik serupa akan dikelompokkan dalam satu klaster, sedangkan data dengan karakteristik berbeda akan dimasukkan ke klaster lainnya. Hasil penelitian ini menghasilkan pengelompokan daerah rawan bencana ke dalam tiga kategori, yaitu daerah dengan tingkat kerawanan rendah, sedang, dan tinggi. Temuan ini diharapkan dapat menjadi informasi tambahan yang berguna bagi pemerintah dalam upaya penanggulangan bencana di Sumatera Selatan.
Data Hiding menggunakan Play Fair Kriptografi dan Steganografi pada Domain DCT dengan Operasi Logika XOR Zulfikar, Dian Hafidh
Jurnal Software Engineering and Computational Intelligence Vol 3 No 01 (2025)
Publisher : Informatics Engineering, Faculty of Computer Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36982/jseci.v3i01.5410

Abstract

Artikel ini membahas strategi untuk menyembunyikan data dengan menggabungkan Teknik kriptografi dan steganografi. Kriptografi digunakan untuk mengubah teks biasa menjadi teks terenkripsi, sementara steganografi digunakan untuk menyembunyikan teks terenkripsi tersebut dalam sebuah gambar. Metode yang diusulkan menggabungkan Play Fair Cipher untuk enkripsi teks dan teknik Discrete Cosine Transform (DCT) serta operasi logika XOR untuk menyembunyikan pesan terenkripsi dalam gambar. Hasilnya menunjukkan tingkat keamanan yang tinggi dan analisis histogram yang mendukung efektivitas sistem ini.  
IMPLEMENTASI DEEP LEARNING UNTUK ANALISIS SENTIMEN PADA DATA X DALAM PREDIKSI TREN KOREAN STYLE Siska Lestari; Hermanto; Dian Hafidh Zulfikar
Jurnal Software Engineering and Computational Intelligence Vol 3 No 02 (2025)
Publisher : Informatics Engineering, Faculty of Computer Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36982/jseci.v3i02.6137

Abstract

This study implements a deep learning model based on Convolutional Neural Network (CNN) for sentiment analysis of Indonesian-language tweets related to the Korean Style trend. A dataset of 7,187 tweets was collected via web crawling using keywords such as “Korean Style”, “K-pop”, and “Korean fashion”. The preprocessing pipeline included case folding, removal of special characters and emojis, stopword elimination, tokenization, and lemmatization. Word2Vec and FastText embeddings were employed for text representation. The CNN model classified tweets into three sentiment categories: positive, negative, and neutral. Evaluation metrics included accuracy, precision, recall, F1-score, and confusion matrix. Results showed 71.26% validation accuracy with the highest F1-score of 0.81 for the neutral class, while negative sentiment classification remained weak due to class imbalance. Word2Vec outperformed FastText in stability. This research contributes to sentiment analysis in Indonesian social media using deep learning and provides insights into public opinion on Korean cultural trends
Co-Authors Agus Harjoko Aminullah Imal Alfresi Anggi Sefti Utami Aris Wahyu Murdiyanto Ayu Jayanti Bahriyanto Catur Eri Gunawan Dini Ken Rifarsih Effan Najwaini Fathiyah Nopriani Fenny Purwani Hamada Zein Hermanto Maria, ⁠⁠Eny Masdalia Julya Pranita Nicodemus Mardanus Setiohardjo Orik Dwi Pebriani Perni Bunga Lestari Poetro, Bagus Satrio Waluyo Putra, Anton Putri Ananda Destary Setapati, Gerry Siregar, Alda Cendekia Siska Lestari Sri Rahayu Sunia Raharja, I Made