Article Per Year (5 Year)
p-Index From 2021 - 2026
5.029
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah Informatika Komputer Jurnal Informatika dan Teknik Elektro Terapan InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan JIKO (Jurnal Informatika dan Komputer) Information System for Educators and Professionals : Journal of Information System JITK (Jurnal Ilmu Pengetahuan dan Komputer) KOPERTIP: Jurnal Ilmiah Manajemen Informatika dan Komputer Jurnal Teknik Informatika UNIKA Santo Thomas JOURNAL INFORMATICS, SCIENCE & TECHNOLOGY Jurnal ICT : Information Communication & Technology Jurnal Ilmiah ILKOMINFO - Ilmu Komputer & Informatika Jurnal Informatika dan Rekayasa Perangkat Lunak JATI (Jurnal Mahasiswa Teknik Informatika) MEANS (Media Informasi Analisa dan Sistem) Instal : Jurnal Komputer Jurnal Teknik Informatika Unika Santo Thomas (JTIUST) Prosiding Seminar Nasional Sisfotek (Sistem Informasi dan Teknologi Informasi) Journal of Artificial Intelligence and Engineering Applications (JAIEA) AMMA : Jurnal Pengabdian Masyarakat Jurnal Informatika: Jurnal Pengembangan IT Informasi interaktif : jurnal informatika dan teknologi informasi
Ade Rizki Rinaldi
STMIK IKMI Cirebon
Humanities Automotive Engineering Chemistry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Engineering Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Nursing Other

Published : 36 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 36 Documents
Search

 1   2   3   4 
ANALISIS MINAT BELI PRODUK FASHION MENGGUNAKAN ALGORITMA FP-GROWTH (FREQUENT PATTEN GROWTH) Tineka Handayani; Muhamad Aditya Sunaryo; Ade Rizki Rinaldi; Cep Lukman Rohmat
Jurnal Ilmiah Informatika Komputer Vol 29, No 1 (2024)
Publisher : Universitas Gunadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35760/ik.2024.v29i1.10808

Abstract

Toko Sahabat Collection adalah toko pakaian yang menjual berbagai produk fashion dan memiliki data penjualan yang sangat besar. Penjualan produk fashion di toko ini sangat diminati oleh pelanggan. Penelitian mencakup informasi penjualan produk dari tahun 2021 hingga tahun 2022, termasuk tanggal transaksi, code produk, barcode, dan item produk. Langkah awal dalam penelitian ini melibatkan pemilihan data dengan memilih atribut yang relevan dan menghapus data yang tidak lengkap. Selanjutnya, data yang sudah divalidasi diubah menjadi format tabular. Proses selanjutnya melibatkan penerapan teknik data mining, seperti algoritma asosiasi rule, untuk meningkatkan target penjualan. Penelitian ini bertujuan untuk mengetahui pola minat beli produk yang diminati oleh pelanggan di toko sahabat collection yang dapat dipengaruhi oleh beberapa faktor seperti harga kualitas produk dan kebutuhan customer. Minat beli konsumen dianggap sebagai faktor kunci yang sangat penting dalam ruang lingkup bisnis, penelitian ini menerapkan metode data mining asosiasi, dengan fokus khusus pada algoritma FP-Growth, untuk menganalisis pola pembelian produk secara bersamaan. Hasil dari penelitian ini menunjukkan 32 aturan dengan minimum support 0,1 dan confidence 0,8. Salah satu aturan terbaik yang dihasilkan adalah: jika pelanggan membeli Hijab Ar Rafi, Hijab Bergo Pita, dan Kaos Kaki Hitam Smp, maka kemungkinan besar mereka juga akan membeli Sepatu Nb K, support 0,105 (10%) dan Confidence 0,949 (94%).
Prediksi Harga Mobil Bekas Menggunakan Algoritma Regresi Linear Berganda Dea Miftahul Huda; Gifthera Dwilestari; Ade Rizki Rinaldi; Iin Solihin
Jurnal Informatika dan Rekayasa Perangkat Lunak Vol 6, No 1 (2024): Maret
Publisher : Universitas Wahid Hasyim

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36499/jinrpl.v6i1.10266

Abstract

The lack of information regarding used car prices creates obstacles for people in buying and selling vehicles because they don't understand the market prices that are used as a reference. This information is very important to know price predictions with the range of variables that can be considered. The aim is to process an algorithm model that is capable of carrying out statistics using appropriate techniques to make predictions. Prediction is a very important technique in decision making. The linear regression algorithm is a model building technique used to predict the value of a given dataset. In this study, a multiple linear regression algorithm was used to predict used car prices. The dataset used to create a prediction model with a linear regression algorithm was sourced from the Kaggle repository for used car prices and then the results were visualized in Rapminer. The prediction process uses a comparison of testing data and training data with a ratio of 90 training data and 10 testing data in the process of building the model and evaluating the model that has been produced. The result of the prediction process using the linear regression algorithm is a prediction model of Price 1637.49. The prediction model will be evaluated with 2 assessment indicators, namely RMSE and Relative Error. The results obtained from this model, in the Price category, the RMSE value is 1637.49 and the Relative Error value is 11.89%. And the application of the regression model to new data from the independent variables used is the attribute Age (Age) 24 X1, Kilometers (KM), 783764 X2, Horse power (HP) 100 X3, Transmission (Automaitc) 0 X4, Engine capacity (CC) 1500 regression equation Y = b1 + b2X1 + b3X2 + b4X3 + b5X4 +b6X5 +b7X6.
Analisis Keadaan Stunting pada Kelompok Balita di Kecamatan Tukdana dengan Pendekatan Decision Trees Asep Budiyanto; Dodi Solihudin; Ryan Hamonangan; Cep Lukman Rohmat; Ade Rizki Rinaldi
Jurnal Informatika dan Rekayasa Perangkat Lunak Vol 6, No 1 (2024): Maret
Publisher : Universitas Wahid Hasyim

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36499/jinrpl.v6i1.10230

Abstract

The impact of stunting on babies is an important parameter for assessing the health and welfare of children in an area. Stunting, often triggered by demographic and health factors, has serious implications for children's physical and cognitive growth. This research aims to understand the impact of demographic and health factors on stunting in children in Tukdana District, Indramayu Regency. Through data analysis, factors such as maternal age, access to clean water, sanitation facilities, and baby weight and length status were identified as significant contributors to stunting. The Decision Trees method was used to identify factors that play a role in stunting in babies, with an accuracy rate of 95.43%. The implications of this research include planning more effective interventions to deal with stunting, both in Tukdana District and in similar areas in Indonesia. Even though the majority of babies in Tukdana District have good nutritional status, further monitoring and prevention efforts are still needed to ensure optimal nutritional well-being for them. In conclusion, this research highlights the importance of identifying factors that cause stunting in infants in Tukdana District, as a basis for planning more effective interventions.
KOMPARASI ALGORITMA MACHINE LEARNING DALAM KLASIFIKASI LOYALITAS NASABAH BANK BERBASIS PARTICLE SWARM OPTIMIZATION Anam, Khaerul; Rinaldi, Ade Rizki; Fathurrohman, Fathurrohman
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 4 (2024): JATI Vol. 8 No. 4
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i4.10941

Abstract

Konsumen atau nasabah dalam bisnis adalah aset berharga untuk keberlanjutan bisnis di masa depan. Memperoleh kepercayaan dan meningkatkan loyalitas nasabah memerlukan perhatian dan kepedulian yang tulus. Kemajuan teknologi telah membuat persaingan bisnis lebih ketat, meningkatkan potensi churn atau penghentian penggunaan produk oleh nasabah. Salah satu upaya untuk mengatasi penurunan loyalitas adalah dengan melakukan klasifikasi loyalitas nasabah bank menggunakan teknik machine learning. Penelitian ini bertujuan untuk membandingkan algoritma Random Forest, Decision Tree, dan Artificial Neural Network yang dioptimasi dengan metode boosting Particle Swarm Optimization (PSO) pada dataset nasabah bank XYZ yang diperoleh dari situs www.kaggle.com. Hasil penelitian menunjukkan bahwa algoritma Random Forest memiliki nilai akurasi tertinggi sebesar 86,34%, nilai AUC sebesar 0,854, rata-rata precision sebesar 83,55%, dan rata-rata recall sebesar 70,42%. Atribut yang paling signifikan dalam Random Forest adalah Geography, Gender, Tenure, dan Estimated Salary. Pada Decision Tree, atribut signifikan adalah Tenure dan Estimated Salary, sementara pada Artificial Neural Network, atribut signifikan adalah Geography, Has Card, dan Estimated Salary.
Bibliometrik Analysis: Signal Preprocessing Techniques for Kualitas Sinyal Electrogram Odi Nurdiawan; Dadang Sudrajat; Fathurrohman; Ade Rizki Rinaldi
Prosiding SISFOTEK Vol 8 No 1 (2024): SISFOTEK VIII 2024
Publisher : Ikatan Ahli Informatika Indonesia

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

Abstract

This study explores electroencephalogram (EEG) signal preprocessing techniques used in the early detection and diagnosis of epilepsy, aiming to enhance the quality and reliability of data used in clinical applications. Effective signal preprocessing techniques are crucial for minimizing artifacts and noise, which can obscure critical information in EEG signals. More accurate EEG signal processing allows for the identification of abnormal patterns associated with various neurological conditions, such as epilepsy, which heavily relies on this signal analysis for precise diagnosis. This study conducted a bibliometric analysis using a descriptive approach to identify research trends, geographic distribution, institutional contributions, and key authors in this field. Data was collected from the Scopus database using the keywords "electroencephalogram AND signal AND processing AND epilepsy". The analysis results show a significant increase in the number of publications related to EEG signal preprocessing techniques over the past five years, with major contributions from countries like China, India, and the United States, reflecting the high global interest and focus on this topic. Additionally, deep learning and machine learning techniques emerged as the most dominant methods in this research, indicating future trends in the development of increasingly sophisticated EEG signal processing technologies. The findings also suggest that using techniques such as artificial neural networks, convolutional neural networks (CNN), and deep learning can enhance the accuracy of epilepsy diagnosis and prediction, making a significant contribution to modern clinical practice. Moreover, this study emphasizes the importance of developing and integrating more advanced preprocessing techniques to improve the effectiveness of EEG signal detection and classification, which is expected to enhance diagnostic outcomes and patient management with neurological disorders. This study provides valuable contributions to the development of medical diagnostic technologies, particularly for neurological disorders such as epilepsy, and highlights the need for further research to optimize these techniques for broader clinical application.
Implementasi Data Mining Pada Proses Seleksi Beasiswa Menggunakan Naive Bayes Dan Backward Elimination Agustina, Irma; Dwilestari, Gifthera; Rinaldi, Ade Rizki
Informasi Interaktif : Jurnal Informatika dan Teknologi Informasi Vol 10 No 1 (2025): JII Volume 10, Number 1, Januari 2025
Publisher : Program Studi Informatika Fakultas Teknik Universitas Janabadra

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

Abstract

Proses seleksi penerima beasiswa sering kali menghadapi tantangan dalam mengelola data yang kompleks dan memastikan keakuratan seleksi. Penelitian ini bertujuan mengoptimalkan algoritma Naive Bayes melalui teknik Backward Elimination untuk efisiensi proses seleksi. Dataset penelitian terdiri dari 1.042 data penerima beasiswa, mencakup variabel seperti Indeks Prestasi Kumulatif (IPK), penghasilan, jumlah tanggungan, dan status beasiswa. Penelitian dilakukan menggunakan platform RapidMiner versi 10.2 dengan tahapan meliputi preprocessing, transformasi data, pembagian data latih dan uji melalui Split Data. Teknik Backward Elimination diterapkan untuk menyederhanakan model dengan menghapus variabel yang kurang signifikan. Hasil penelitian menunjukkan bahwa penerapan Naive Bayes dengan teknik Backward Elimination menghasilkan tingkat akurasi sebesar 74,62%. Variabel utama yang paling berpengaruh adalah tanggungan orang tua dan penghasilan, yang secara signifikan memengaruhi keputusan seleksi. Selain itu, teknik ini juga berhasil mengurangi kompleksitas model, meningkatkan efisiensi proses analisis, dan meminimalkan waktu serta sumber daya yang dibutuhkan. Penelitian ini mendukung pengembangan sistem seleksi berbasis data yang lebih transparan dan efisien. Implementasi teknik Backward Elimination mempermudah interpretasi model. Dengan demikian, hasil ini diharapkan dapat menjadi landasan bagi pengembangan sistem seleksi beasiswa berbasis machine learning yang lebih efektif, serta membuka peluang untuk penelitian lanjutan yang berfokus pada optimalisasi algoritma dan seleksi fitur di berbagai sektor.
PENERAPAN METODE K-MEANS CLUSTERING DALAM PEMETAAN KEMISKINAN KABUPATEN/KOTA DI INDONESIA UNTUK PERENCANAAN KEBIJAKAN YANG TEPAT Amelia, Mita; Faqih, Ahmad; Rinaldi, Ade Rizki
Jurnal Informatika dan Teknik Elektro Terapan Vol 13, No 2 (2025)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v13i2.6231

Abstract

Kemiskinan merupakan tantangan serius yang memerlukan pendekatan strategis berbasis data untuk mendukung kebijakan yang tepat sasaran. Penelitian ini bertujuan untuk mengelompokkan Kabupaten/Kota di Indonesia berdasarkan tingkat kemiskinan menggunakan algoritma K-Means dan mengevaluasi hasil pengelompokan untuk memberikan rekomendasi kebijakan. Metode analisis yang digunakan adalah Knowledge Discovery in Database (KDD) Process, yang melibatkan seleksi data, pra-pemrosesan, transformasi, penambangan data, dan evaluasi. Hasil analisis menunjukkan bahwa nilai k terbaik adalah 2 dengan nilai Davies-Bouldin Index sebesar 0,101. Klaster pertama (Cluster 0) mencakup wilayah dengan persentase penduduk miskin lebih rendah, rata-rata lama sekolah lebih tinggi, serta kondisi sosial ekonomi yang lebih baik dibandingkan klaster kedua. Sebaliknya, klaster kedua (Cluster 1) menunjukkan wilayah dengan tingkat kemiskinan signifikan, pendidikan rendah, dan minim infrastruktur dasar. Hasil penelitian ini menunjukkan bahwa pengelompokan menggunakan algoritma K-Means mampu mengidentifikasi wilayah prioritas untuk penanganan kemiskinan. Visualisasi klaster dan analisis karakteristik wilayah dapat mendukung perumusan kebijakan yang lebih efektif, terutama dalam peningkatan pendidikan, kesehatan, dan pengembangan infrastruktur.
KLASTERISASI DATA PRODUKSI PERTANIAN DI KABUPATEN CIREBON DENGAN ALGORITMA K-MEANS Septianto, Muhamad Arif; Faqih, Ahmad; Rinaldi, Ade Rizki
Jurnal Informatika dan Teknik Elektro Terapan Vol 13, No 2 (2025)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v13i2.6174

Abstract

Kabupaten Cirebon merupakan salah satu daerah pertanian terpenting di Indonesia yang memiliki potensi besar di sektor pertanian. Namun pengelolaan data produksi pertanian di daerah ini sering kali tidak optimal sehingga mengakibatkan rendahnya efisiensi dan strategi pengelolaan sumber daya yang kurang tepat. Oleh karena itu, penelitian ini bertujuan untuk menerapkan algoritma K-Means dalam mengelompokkan data produksi pertanian berdasarkan hasil panen dari 40 kecamatan di Kabupaten Cirebon. Metode Knowledge Discovery in Database (KDD) digunakan dalam penelitian ini, meliputi tahap pemilihan data, preprocessing, transformasi, data mining, dan evaluasi hasil cluster. Data yang dianalisis meliputi hasil panen dari tiga komoditas utama, yaitu padi, jagung, dan melinjo. Hasil analisis menunjukkan bahwa data dapat dibagi menjadi empat klaster optimal dengan nilai Davies-Bouldin Index (DBI) sebesar 0,324, yang mengindikasikan bahwa klaster yang terbentuk memiliki kualitas yang baik. Setiap klaster mencerminkan karakteristik produksi yang berbeda-beda di setiap wilayah. Beberapa daerah menunjukkan keunggulan dalam hasil jagung, sementara daerah lain lebih unggul dalam memproduksi padi atau melinjo. Selain itu, terdapat daerah-daerah dengan tingkat produktivitas yang relatif rendah, yang membutuhkan lebih banyak perhatian dalam mengembangkan sektor pertanian. Temuan-temuan ini memberikan wawasan penting dalam merancang pengelolaan sektor pertanian yang lebih efisien dan berbasis data.
Prediction of Stunted Toddlers Using K-Nearest Neighbor Algorithm in Kamarang Lebak Village Amida, Anggi Fitria; Permana, Sandy Eka; Pratama, Denni; Anam, Khaerul; Rinaldi, Ade Rizki
Bahasa Indonesia Vol 15 No 02 (2023): Instal : Jurnal Komputer Periode (Juli-Desember)
Publisher : Cattleya Darmaya Fortuna

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54209/jurnalkomputer.v15i02.156

Abstract

Stunting refers to a condition where toddlers (under five years old) experience growth failure, resulting in height and weight below the average for their age. The focus of this research is on the situation in Kamarang Lebak Village, where the number of stunted toddlers is notably significant. However, there has yet to be a study accurately predicting the factors differentiating stunted toddlers from those growing normally, thus lacking clarity on how accurate such predictions are in identifying toddlers vulnerable to stunting. The data collection method employed in this study involves observational techniques, with researchers visiting the Kamarang health center in Greged Sub-District, Cirebon Regency, to gather necessary information and data. This research implements the K-Nearest Neighbor Algorithm method to predict stunted toddlers and is supported by the Knowledge Discovery in Database approach, involving steps such as data selection, collection, transformation, data mining processes, and evaluation. It is anticipated that this research will serve as a foundation for public health practitioners, especially community health workers and village midwives in the area, to plan more focused and efficient intervention programs addressing toddler stunting issues. The results of this study indicate that the K-nearest neighbor algorithm demonstrates good performance with an accuracy of 97.16%. Stunting precision reaches 95.60%, normal precision reaches 98.82%, stunting recall reaches 98.86%, and normal recall reaches 95.45%.
Pengembangan Layanan Informasi Akademik Menggunakan Metode Aglie Hartati, Tuti; Hayati, Umi; Basysyar, Fadhil M.; Rinaldi, Ade Rizki
Jurnal Teknik Informatika UNIKA Santo Thomas Vol 6 No. 2 : Tahun 2021
Publisher : LPPM UNIKA Santo Thomas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54367/jtiust.v6i2.1477

Abstract

Informasi perkembangan akademis biasanya hanya dapat diperoleh oleh wali murid pada saat pembagian raport, sehingga sulitnya orang tua dalam memantau kemajuan akademik anak-anak mereka setiap saat. Sedangkan saat ini orang tua sudah paham dengan perkembangkan alat komunikasi. Demikian pula, pihak sekolah sudah memiliki koneksi internet dan memanfaatkan dari kemajuan teknologi informasi untuk pengolahan data akademik. Oleh karena itu, muncullah gagasan untuk merancang suatu media informasi yang dapat dipergunakan pada smartphone dengan berbasis android. Aplikasi android ini dirancang dengan menggunakan metode aglie dengan pendekatan berorientasi objek di mana pengembangan perangkat dilakukan secara berurutan dari fase perencanaan, pemodelan, implementasi, dan pengujian. Kemudian aplikasi ini dibuat menggunakan PHP & HTML untuk sisi server sedangkan sisi client aplikasi dibuat menggunakan android studio untuk membangun aplikasi berbasis android. Dengan adanya aplikasi ini, sekolah memiliki media informasi perkembangan akademika siswa yang dapat membantu orang tua siswa dalam mengawasi perkembangan putra-putrinya.
Co-Authors Ade Irma Purnama Sari Ade Irma Purnamasari Agung Saeful agus bahtiar Ahmad Asyraful Hijrah Ahmad Faqih Ahmad Faqih Ahmad Najib Yahya Ahmad Syaeful Ma’arief Ainun Nisa Sari Alfi Rizqi Falih Aliya Anisa Rahma Amelia, Mita Amida, Anggi Fitria Arga Esa Putra Aria Pratama Arif Rinaldi Dikananda Arunika Wijaya Asep Budiyanto Aziz Chairul Imam Bani Nurhakim Basysyar, Fadhil Muhammad Bima Anurgraha Djajnegara Cep Lukman Rohmat Cep Lukman Rohmat Dadang Sudrajat Dea Miftahul Huda Dian Ade Kurnia Dikananda, Arif Rinaldi Dodi Solihudin Edi Tohidi Fathrurrahman Fathurrohman Fathurrohman Fidya Arie Pratama Gifthera Dwilestari Hayati, Umi Heliyanti Susana Hery Widijanto Iin Iin Solihin Iin, Iin Indah Diniarti Indah Ratna Ningsih Irfan Ali Irma Agustina Jayawarsa, A.A. Ketut Kevin Salsabil Arlandy Kurnia, Dian Ade Lana Surlanto Luthfi Adianto Muhamad Abdurohman Muhamad Aditya Sunaryo Mulyawan Mulyawan Mulyawan, Mulyawan Nana Suarna Narasati, Riri Narasati Nining Rahaningsih Noviati Odi Nurdiawan Odi Nurdiawan Permana, Sandy Eka Pratama, Denni Pratama, Fidya Arie Raditya Danar Dana Ryan Hamonangan Sandy Eka Permana Septianto, Muhamad Arif Syarif Maulana Yaasin Tati Suprapti Tineka Handayani Tohidi, Edi Tuti Hartati Umi Hayati Wahyu Saputra Willy Prihartono