Article Per Year (5 Year)
p-Index From 2021 - 2026
0.947
P-Index
This Author published in this journals
All Journal ILKOM Jurnal Ilmiah Indonesian Journal of Data and Science Buletin Sistem Informasi dan Teknologi Islam Ilmu Komputer untuk Masyarakat
Manga, Abdul Rachman
Univeristas Muslim Indonesia
Computer Science & IT Decision Sciences, Operations Research & Management Mathematics Other

Published : 13 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 13 Documents
Search

 1   2 
Rekomendasi Pembelian Personal Komputer dengan Metode Ranked Clustering Fadly Shabir; Abdul Rachman Manga
ILKOM Jurnal Ilmiah Vol 8, No 2 (2016)
Publisher : Teknik Informatika Fakultas Ilmu Komputer Univeristas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/ilkom.v8i2.55.119-125

Abstract

Perkembangan teknologi berdampak pada persaingan perusahaan yang cukup ketat, produksi yang beragam dan variatif membuat produk komputer memiliki banyak spesifikasi yang berbeda, tentu hal itu akan semakin menyulitkan bagian pemasaran dalam mempromosikan produk komputer. Penelitian ini bertujuan untuk merekomendasikan komputer dengan spesifikasi yang diinginkan oleh calon pembeli, dengan cara menganalisa basis data produk komputer untuk kemudian di klasifikasi berdasarkan karakteristik tertentu. Implementasi Recommendation system ini menggunakan algoritma AHP dan algoritma K-means, dimana metode untuk proses ranking menggunakan AHP dengan menganalisa basis data produk komputer dan analisis kluster untuk mengelompokkan individu atau objek menjadi beberapa kelompok yang sama mempunyai kemiripan satu dengan yang lain di bandingkan dengan anggota cluster lain. Hasil dari kombinasi algoritma AHP dan K-Means yaitu rekomendasi produk komputer lebih variatif. Pengolahan data menggunakan kombinasi algoritma AHP dan K-Means menghasilkan rekomendasi produk kepada pengguna yang lebih heterogen dibandingkan dengan rekomendasi produk dari data yang diolah hanya menggunakan algoritma AHP tanpa di-cluster K-Means. Sehingga dapat ditarik kesimpulan bahwa proses clustering akan menghasilkan kaidah-kaidah asosiasi dengan kualitas yang lebih baik.
ANALISIS BUKTI DIGITAL FORENSIK PADA DISCORD MENGGUNAKAN METODE NATIONAL INSTITUTE OF STANDARDS TECHNOLOGY Andi Muh Afdal; Yulita Salim; Abdul Rachman Manga
Buletin Sistem Informasi dan Teknologi Islam (BUSITI) Vol 3, No 4 (2022)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/busiti.v3i4.1425

Abstract

Perkembangan teknologi informasi dan komunikasi telah membawa manfaat besar bagi kita dalam bidang pendidikan, bisnis dan komunikasi serta hiburan lainnya. Dalam perkembangan teknologi tersebut banyak berkembang aplikasi seperti voice chat salah satunya adalah Discord. Namun Discord kerap disalah gunakan. Aplikasi Discord ini lebih tepatnya populer di kalangan gamers. Salah satu dampak negatifnya adalah Discord menyebutkan telah mencekal lebih dari 2.000 grup yang terindikasi memiliki konten kekerasan dan ekstrim. Pelanggaran yang paling umum adalah kejahatan dunia maya, bullying dan konten eksploitasi, termasuk terorisme, balas dendam dan konten seksual. Salah satu kasus penyalahgunaan aplikasi Discord di Indonesia digunakan sebagai alat komunikasi kasus tindak pidana terorisme daulah islamiyah ISIS. Tujuan penelitian ini untuk melakukan proses investigasi dan menganalisis aplikasi Discord berbasis windows dengan menggunakan metode NIST. Hasil penelitian ini menunjukan bahwa telah didapatkan hanya berupa gambar dengan nilai persentase 38,46%, untuk video dengan nilai persentase 15,38% pada saat menggunakan tool FTK Imager. Selain dari itu teks percakapan, waktu, identitas tidak didapatkan.
Artificial Intelligence (AI) using Long Short-Term Memory (LSTM) for Sales Prediction in Campus Minimarkets Harlinda L; Abdul Rachman Manga; Ramdan Satra
Indonesian Journal of Data and Science Vol. 7 No. 1 (2026): Indonesian Journal of Data and Science
Publisher : yocto brain

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56705/ijodas.v7i1.373

Abstract

This study applies Artificial Intelligence (AI) using the Long Short-Term Memory (LSTM) algorithm to predict daily sales at the FIKOM-UMI Minimarket. Sales data from 2023 to 2024 involving 82 items were used and processed into a time series format. Five LSTM architectural scenarios were tested, including baseline, bigger model, lightweight, bidirectional LSTM, and single-layer medium, to identify the most effective model in capturing sales patterns. The data underwent preprocessing stages, including daily aggregation, reindexing to fill missing dates, and normalization using MinMaxScaler before being transformed into sequences with a 30-day time step. Model performance was evaluated using MSE, RMSE, MAPE, and accuracy metrics. The results show that the Bidirectional LSTM (Scenario 4) achieved the best performance, with the lowest MAPE of 19.43% and the highest accuracy of 80.57%. The model successfully generated stable predictions for 7-day and 30-day forecasting with a range of 153–155 units per day, indicating consistent sales patterns. Testing on the top 10 best-selling items showed significant performance variation, with GARUDA ROSTA BWNG 100 Gram achieving the highest accuracy (46.97%), while aoka rasa pandan showed the lowest performance (-76.05%). These findings demonstrate that the LSTM model can be effectively applied for sales prediction in campus minimarkets; however, a hybrid approach with product segmentation is recommended to optimize inventory management across product categories with varying levels of predictability
Co-Authors Adriawan Amrullah Andi Muh Afdal Asman Haris Dedy Atmajaya Dolly Indra Fadly Shabir Farniwati Fattah Harlinda Lahuddin Listyan Nur Saida Muhammad Arfah Asis Nurhalima Nurhalima Purnawansyah Purnawansyah Ramdan Satra Shabir, Fadly Subhan Ardhiman Syam, Aminurlah Syamsumarlin Syamsumarlin Tasrif Hasanuddin Yulita Salim