Article Per Year (5 Year)
p-Index From 2020 - 2025
3.212
P-Index
This Author published in this journals
All Journal Jurnal Informatika dan Teknik Elektro Terapan JAIS (Journal of Applied Intelligent System) Jurnal Informasi dan Komputer Jurnal Teknik Informatika (JUTIF) CITIZEN: Jurnal Ilmiah Mulitidisiplin Indonesia Tedc Jurnal Bangkit Indonesia Jurnal Ilmiah MEA (Manajemen, Ekonomi, dan Akuntansi) Journal of Informatics and Electronics Engineering Journal of Economics, Accounting, Tax and Management
Ari Sudrajat
Politeknik TEDC
Religion Humanities Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Chemistry 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 Materials Science & Nanotechnology Mathematics Mechanical Engineering Physics Public Health Social Sciences Transportation Veterinary Other

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

Found 21 Documents
Search

 1   2   3 
Indonesian Language Hoax News Classification Basedn on Naïve Bayes Ari Sudrajat; Ratna Rizky Wulandari; Elvathna Syafwan
Journal of Applied Intelligent System Vol 7, No 1 (2022): Journal of Applied Intelligent System
Publisher : Universitas Dian Nuswantoro and IndoCEISS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33633/jais.v7i1.5985

Abstract

Hoax news in Indonesia causes various problems, therefore it is necessary to classify whether a news is in the hoax category or is valid. Naive Bayes is an algorithm that can perform classification but has a weakness, namely the selection of attributes that can affect accuracy so that it needs to be optimized by giving weights to attributes using the TF-IDF method. Classification using Naive Bayes and using TF-IDF as attribute weighting on a dataset of 600 data resulted in 82% accuracy, 84% precision, and 89% recall. The suggestion put forward is that it is better to use a larger number of datasets in order to produce higher accuracy.
ANALISIS KINERJA ALGORITMA SUPPORT VECTOR MACHINE (SVM) PADA DATA SELEKSI PENERIMA BEASISWA MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO) (STUDI KASUS: POLITEKNIK TEDC BANDUNG) Ari Sudrajat; Indra Budi
Jurnal TEDC Vol 13 No 1 (2019): Jurnal TEDC
Publisher : UPPM Politeknik TEDC Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (349.909 KB)

Abstract

Undang-undang No. 20 Tahun 2003 tentang Sistem Pendidikan Nasional, menyebutkan bahwa setiap peserta didik pada setiap satuan pendidikan berhak mendapatkan Beasiswa bagi yang berprestasi yang orang tuanya kurang mampu membiayai pendidikannya. Politeknik TEDC Bandung berusaha memberikan beasiswa pendidikan kepada calon mahasiswa baru dan mahasiswa lama yang telah dialokasikan oleh Kementerian Ristekdikti melalui Lembaga Layanan Pendidikan Tinggi (LLDIKTI) atau sebelumnya disebut Kopertis ataupun beasiswa pendidikan yang diselenggarakan oleh Pemerintah Pemprov dan Pemerintah Daerah. Namun jumlah calon mahasiswa penerima beasiswa yang mendaftar lebih banyak dibandingkan dengan jumlah alokasi yang disediakan untuk penerima beasiswa. Kenyataan di lapangan yang terjadi di Politeknik TEDC Bandung, calon mahasiswa yang tidak diterima sebagai penerima beasiswa mengeluh dengan sistem seleksi penerimaan beasiswa yang bersifat tertutup sehingga menimbulkan pertanyaan dan komentar baik dari orangtua / wali mahasiswa. Ketidaktepatan penentuan penerima beasiswa menjadi masalah utama yang tidak dapat terhindarkan karena setelah dilakukan analisis terhadap data calon penerima beasiswa dan penerima beasiswa di Politeknik TEDC Bandung pada tahun 2017 terdapat sebagian data penerima beasiswa yang seharusnya tidak mendapatkan beasiswa begitu juga sebaliknya. Permasalahan ini timbul dikarenakan Politeknik TEDC Bandung belum memiliki sistem pengambilan keputusan yang tepat ataupun model prediksi untuk menentukan penerima beasiswa. Sementara untuk memudahkan dan mengetahui dalam menentukan calon mahasiswa penerima beasiswa, peneliti tertarik untuk meneliti atribut-atribut yang mempengaruhinya dengan cara teknik klasifikasi yang terdapat pada data mining. Sehingga informasi hasil dari klasifikasi dapat digunakan sebagai solusi / model dalam mendukung pengambilan keputusan dalam penentuan mahasiswa penerima beasiswa di Politeknik TEDC Bandung. Adapun beberapa faktor yang menjadi persyaratan bagi calon mahasiswa penerima beasiswa di Politeknik TEDC Bandung, yaitu sebagai penerima bantuan pemerintah, pendidikan orang tua, pekerjaan orang tua, pendapatan orang tua, pengeluaran orang tua, kepemilikan rumah tinggal, jumlah tanggungan, transportasi yang digunakan, nilai rata-rata ujian, dan prestasi non akademik. Support Vector Machine (SVM) merupakan salah satu metode dari data mining yang digunakan untuk proses klasifikasi dan regresi berdasarkan pada beberapa prediksi. Algoritma Support Vector Machine (SVM) termasuk ke dalam 10 besar algoritma klasifikasi terbaik. Penelitian ini bertujuan untuk mengetahui model terbaik, memprediksi tingkat akurasi seleksi penerima beasiswa dan atribut yang paling berpengaruh yang dihasilkan oleh algoritma Support Vector Machine (SVM) berbasis Particle Swarm Optimization (PSO). Hasil yang diperoleh menyatakan bahwa algoritma Support Vector Machine berbasis Particle Swarm Optimization memiliki tingkat akurasi lebih besar dibandingkan dengan algoritma Support Vector Machine tanpa dioptimasi sebesar 78,35 % atau memiliki selisih 2,41 % dengan waktu eksekusi lebih lama 59 detik. Namun algoritma Support Vector Machine berbasis Particle Swarm Optimization tidak dapat dipastikan secara nyata hasil akurasinya lebih baik dibandingkan algoritma yang tidak dioptimasi karena melebihi nilai ambang batas yang telah ditentukan sebesar 0,168. Atribut paling berpengaruh dalam menentukan seleksi penerima beasiswa adalah atribut pengeluaran per bulan, pendidikan terakhir ayah, pendidikan terakhir ibu dan jumlah tanggungan dari total 10 atribut yang digunakan dalam proses pengujian. Dengan adanya penelitian ini diharapkan dapat membantu Politeknik TEDC Bandung dalam menentukan seleksi penerima beasiswa.
GAME EDUKASI MENGENAL SEJARAH PANCASILA BERBASIS MOBILE Diky Fermana; Novita Lestari Anggreini; Ari Sudrajat; Ratna Rizky Wulandari
Jurnal TEDC Vol 16 No 1 (2022): JURNAL TEDC
Publisher : UPPM Politeknik TEDC Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (503.07 KB)

Abstract

Dimasa pandemi ini sekolah SMP Darul Hikmah di anjurkan untuk melakukan pembelajaran di rumah atau secara daring (online), tujuannya agar siswa tidak berkumpul sehingga menimbulkan kerumunan di lingkungan sekolah, tetapi pembelajaran di rumah ini masih kurang efektif di karenakan pembelajaran yang berlangsung dalam bentuk pemberian tugas, dan hilangnya motivasi belajar siswa dikarenakan sudah terlalu lama belajar secara daring (online), oleh karena itu dibuatlah media pembelajaran berbasis Game Edukasi agar para siswa tidak lagi merasa bosan dan termotivasi saat belajar di masa pandemi ini. Media pembelajaran berbasis Game Edukasi mengenal Sejarah Pancasila ini merupakan sebuah media alternatif untuk pembelajaran daring (online) di saat pandemi, media pembelajaran ini dibangun untuk membantu pembelajaran dan mengetahui pentingnya Sejarah Pancasila, Media pembelajaran ini dibuat menggunakan Adobe Illustrator dan Construct 2. Berdasarkan hasil pengujian User Acceptance Test (UAT) bahwa Game Edukasi mengenal Sejarah Pancasila mendapatkan hasil yang cukup baik dengan persentase 82,29%. Kata Kunci: game Edukasi, pandemi, Sejarah pancasila
Naive Bayes Performance in Analysis of Public Opinion Sentiment Against COVID-19 Ayu Hendrati Rahayu; Ari Sudrajat
Journal of Applied Intelligent System Vol 7, No 3 (2022): Journal of Applied Intelligent System
Publisher : Universitas Dian Nuswantoro and IndoCEISS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33633/jais.v7i3.7134

Abstract

The huge impact caused by the COVID-19 pandemic has made many people express their opinions on Twitter social media. There are various responses given by the community that are negative and positive. The dataset comes from kaggle with more than 750 tweets of data. Classification designed by the Naive Bayes method. Implementation through preprocessing, case folding, tokenizing, stopword removal, TF-IDF, and cross validation has been able to produce quite high accuracy. After classification, validation will be carried out with Cross Fold Validation. The best value is on cv5 where accuracy = 0.847, precision = 0.855, recall = 0.83, and f1 score = 0.842.
PENERAPAN ALGORITMA APRIORI UNTUK MENGETAHUI POLA PENJUALAN OLEH-OLEH KHAS GARUT (STUDI KASUS TOKO OLEH-OLEH IBU NIA) Setiawan, Agus; Sudrajat, Ari
Jurnal informasi dan komputer Vol 12 No 02 (2024): Jurnal Informasi dan Komputer yang terbit pada tahun 2024 pada bulan 10 (Oktobe
Publisher : LPPM Institut Teknologi Bisnis Dan Bahasa Dian Cipta Cendikia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35959/jik.v12i02.585

Abstract

Toko Oleh-oleh Ibu Nia menjadi permasalahan terkait manajemen stok produknya, dimana penumpukan/barang tidak terjual dan kekurangan barang kerap kali terjadi. Penelitian ini bertujuan untuk menerapkan algoritma Apriori untuk menganalisis pola penjualan produk toko serta preferensi pelanggan terhadap produk tersebut untuk memberikan asosiasi antar produk guna membantu optimalisasi manajemen stok dan strategi penjualan. Penelitian ini menggunakan dataset dari transaksi toko pada bulan Januari 2023 hingga bulan Februari 2024 dengan jumlah transaksi 4166. Metodologi penelitian yang digunakan meliputi delapan tahapan, yaitu identifikasi masalah, penentuan tujuan dan ruang lingkup, mencari literatur, pengumpulan data, observasi, wawancara, preparasi data, dan analisis menggunakan RapidMiner, algoritma Apriori dengan perhitungan nilai support dan confidence guna menemukan aturan asosiasi. Hasil analisis menunjukkan bahwa produk dengan nilai support tertinggi adalah Dodol Garut dan Keripik Kentang sebesar 41,6%, dengan 74,9 transaksi yang mencakup pembelian keduanya secara bersamaan.pola ini menunjukkan bahwa kedua produk ini sering dibeli bersamaan,mengindikasikan permintaan yang tinggi.Penelitian ini menyimpulkan bahwa penggunaan algoritma Apriori efektif dalam mengidentifikasi pola penjualan yang signifikan, yang dapat diimplementasikan untuk meningkatkan efisiensi stok dan strategi pemasaran. Rekomendasi praktis termasuk penambahan stok produk dengan permintaan tinggi dan penerapan strategi bundling untuk produk kurang populer guna meningkatkan daya tarik dan kepuasan pelanggan. Dengan demikian, hasil ini diharapkan dapat mendukung peningkatan penjualan dan pengelolaan stok di Toko Oleh-oleh Ibu Nia, serta berkontribusi pada pengembangan oleh-oleh khas Garut.
Watermarking using DCT and DWT on Pneumonia images Sudrajat, Ari; Rahayu, Ayu Hendrati
(JAIS) Journal of Applied Intelligent System Vol. 8 No. 3 (2023): Journal of Applied Intelligent System
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33633/jais.v8i3.8914

Abstract

Watermarking is a branch of the data hiding technique. Watermarking is a technique used to insert a copyright label on an image, so that the copyright of the image can be protected. Discrete Cosine Transform (DCT) and Discrete Wavelet Transform (DWT) are techniques that can be used to watermark. In this study, the Discrete Cosine Transform and Discrete Wavelet Transform methods will be used to watermark images to 5 different host images. In the tests carried out, watermarking techniques will be compared using DCT, DWT, DCT-DWT combination and DWT-DCT combination. The results obtained in this study were the highest PSNR value obtained at 41.931, the highest SSIM obtained 0.99515, the highest entropy was also obtained at 7.4186, The best UACI value is 0.0071158 and the best NCPR value is obtained at 93.9068% then, for the best CC value is obtained at 0.99953. As well as the NCC value, the value obtained is the same all in each test, namely with a value of 1.
Improving Heart Disease Severity Prediction Using SMOTE for Imbalanced Data Rahayu, Ayu Hendrati; Sudrajat, Ari
(JAIS) Journal of Applied Intelligent System Vol. 9 No. 2 (2024): Journal of Applied Intelligent System
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/jais.v9i2.11180

Abstract

The heart disease is a prevalent and potentially fatal condition affecting individuals worldwide. In this study, we address the challenge of predicting the severity of heart disease using supervised learning techniques. Leveraging a dataset comprising various demographic and clinical attributes, we propose a solution that employs machine learning models to accurately predict the severity level of heart disease. Among the evaluated models, Random Forest emerges as the top performer, showcasing exceptional precision, recall, accuracy, and F1-score across all severity levels, with an overall accuracy of 98.8%. This highlights the robustness of the Random Forest model in accurately classifying instances across different severity levels. Following closely behind, the KNN algorithm demonstrates commendable performance, achieving an accuracy of 92% and showcasing competitive precision, recall, and F1-score values, particularly for higher severity levels. Despite its notable aspects, XGBoost ranks third among the evaluated models, with an accuracy of 90.4%. While XGBoost excels in certain aspects, such as recall for Level 3 severity, it falls short in overall performance compared to Random Forest and KNN. For future research, exploring ensemble methods that combine the strengths of different algorithms could yield even better classification results, providing avenues for further improvement in predicting the severity of heart disease
IMPLEMENTASI CHATBOT PADA PENERIMAAN MAHASISWA BARU DI POLITEKNIK TEDC BANDUNG MENGGUNAKAN NATURAL LANGUAGE PROCESSING Rahmawati, Hani; Sudrajat, Ari
Jurnal Informatika dan Teknik Elektro Terapan Vol 13, No 1 (2025)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v13i1.5456

Abstract

Chatbot adalah program komputer yang mampu melakukan percakapan seperti halnya manusia.  Model percakapan menggunakan kecerdasan buatan untuk memahami pertanyaan pengguna dan memberikan respons yang sesuai dengan topik yang dibahas. Proses penerimaan mahasiswa baru memerlukan layanan informasi yang cepat dan efisien, website penerimaan mahasiswa baru di Politeknik TEDC Bandung masih sebatas berisi informasi umum. Penelitian ini bertujuan untuk membuat suatu aplikasi chatbot yang dapat menjawab pertanyaan dari calon mahasiswa seputar penerimaan mahasiswa baru di Politeknik TEDC Bandung. Aplikasi chatbot diimplementasikan menggunakan metode Natural Language Processing (NLP). Tahapan pada NLP terdiri dari pembuatan dataset, text preprocessing, bag of word (BoW), dan model neural network. pelatihan pada model dilakukan sebanyak 450 epoch dan mendapatkan hasil dengan final loss 36,85% dan accuracy sebesar 90,77%. Hasil pengujian User Acceptance Test (UAT) pada Aplikasi Chatbot Penerimaan Mahasiswa Baru di Politeknik TEDC Bandung terbukti dapat diterima dengan baik oleh pengguna, dengan nilai persentase mencapai 89,78%.
Perancangan Sistem Informasi Akuntansi pada CV. KA Sudrajat, Ari; Anwar, Sifaul
Jurnal Bangkit Indonesia Vol 13 No 2 (2024): Bulan Oktober 2024
Publisher : LPPM Sekolah Tinggi Teknologi Indonesia Tanjung Pinang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52771/bangkitindonesia.v13i2.322

Abstract

Processing accounting data on CV. KA still has problems, because recording the same data in several books can result in writing errors due to employee boredom and physical fatigue. The process of publishing reports still involves copying data and calculations which can also produce inaccurate information. This certainly has a negative impact on the company if the reports used as decision-making material still contain incorrect information. To overcome this obstacle, the researcher proposes creating an accounting application system according to the accounting flow that applies to CV. KA. In the initial stage, the researcher proposed a design for an accounting information system that would be implemented in the form of entity relationship diagrams, data flow diagrams, and use case diagrams, starting with posting the ledger, compiling a work sheet, compiling a balance sheet, compiling profit and loss calculations, and compiling a balance sheet. closing balance.
Multi-Class Mangrove Classification Using Transfer Learning with MobileNet-V3 on Multi-Organ Images Sudrajat, Ari; Apnena, Riri Damayanti; Rahayu, Ayu Hendrati; Iqtait, Musab
Jurnal Teknik Informatika (Jutif) Vol. 6 No. 3 (2025): JUTIF Volume 6, Number 3, Juni 2025
Publisher : Informatika, Universitas Jenderal Soedirman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jutif.2025.6.3.4683

Abstract

Mangrove ecosystems are important for coastal protection, biodiversity conservation, and climate change mitigation. However, the accurate identification of mangrove species is very challenging due to the morphological similarities between different species, especially when the species are analyzed based on limited plant organs like leaves or stems. Manual identification methods have traditionally been time-consuming, error-prone, and require expert knowledge. Addressing these issues, this research suggests an automatic classification system based on Deep Learning techniques by leveraging the MobileNet-V3 architecture. The system is based on images of three different plant organs—leaves, stems, and seeds—of five mangrove species: Avicennia marina, Avicennia officinalis, Avicennia rumphiana, Rhizophora mucronata, and Sonneratia alba. Data augmentation techniques such as rotation, shifting, and flipping, as well as sharpness enhancement, were applied in the preprocessing step to enhance data variability and ease model generalization. The model was trained with a carefully selected set of hyperparameters and extensively validated through training and testing steps. The experiment results demonstrated outstanding performance with a training accuracy of 99.88% and perfect precision, recall, and F1-score values of 100%. Furthermore, testing with unseen data confirmed the robustness of the model since all test samples were correctly identified. This research concludes that the MobileNet-V3 architecture offers an effective approach to mangrove species classification and suggests that future work should involve larger and more varied datasets, real-world field environments, and the investigation of ensemble models to further extend the adaptability and scalability of mangrove monitoring systems.
Co-Authors Adiwijaya, Fariz Hasabi Agus Setiawan Apnena, Riri Damayanti Ayu Hendrati Rahayu Burjulius, Renol Diky Fermana Elvathna Syafwan Gerinata Ginting Heri Hermawan Indra Budi Iqtait, Musab Islam, Hussain Md Mehedul Islam, Moch Ziad Al Lena, Sonty Novita Lestari Anggreini Nugraha, Bagus Rian Octanza, Tahta Rizaldi Putri, Maura Yuliana Rahayu, Ayu Hendrati Rahmawati, Hani Ratna Rizky Wulandari Ratna Rizky Wulandari Rismayana, Aris Haris Rohmah, Neng Ela Siti Rohmayani, Dini Sari Rahmawati, Sari Sifaul Anwar Siti Aminah Wardhani, Shaffira Kusuma