Garuda - Garba Rujukan Digital

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

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

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%.

Optimalisasi Strategi Pemasaran melalui Segmentasi Pelanggan dengan Analisis RFM dan Algoritma K-Means untuk Bisnis Ritel Rahma, Aliya Anisa; Faqih, Ahmad; Rinaldi, Ade Rizki
JURNAL INFORMATIKA DAN KOMPUTER Vol 9, No 2 (2025): Juni 2025
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26798/jiko.v9i2.1737

Industri ritel yang kompetitif memerlukan pemahaman mendalam tentang kebutuhan pelanggan untuk menyusun strategi pemasaran yang relevan dan efektif. Penelitian ini bertujuan untuk melakukan segmentasi pelanggan di Toko Mitra 10 Cirebon menggunakan analisis Recency, Frequency, dan Monetary (RFM) yang dikombinasikan dengan algoritma K-Means. Segmentasi ini bertujuan mendukung strategi pemasaran yang lebih terarah dan meningkatkan loyalitas pelanggan. Data yang digunakan berasal dari catatan transaksi pelanggan dalam periode tertentu. Nilai RFM dihitung untuk setiap pelanggan berdasarkan Recency (waktu sejak transaksi terakhir), Frequency (jumlah transaksi), dan Monetary (total nilai transaksi). Metode K-Means digunakan untuk mengelompokkan pelanggan menjadi beberapa segmen, dengan jumlah kluster optimal ditentukan melalui metode elbow. Analisis menghasilkan tiga segmen utama: Lost Customers, dengan Recency tinggi, Frequency rendah, dan Monetary rendah; Potential Loyalists, dengan Frequency sedang dan Monetary bervariasi; serta Loyal Customers, dengan Frequency tinggi dan kontribusi Monetary signifikan. Hasil segmentasi ini mendukung penyusunan strategi pemasaran yang berbeda untuk setiap kluster: kampanye reaktivasi untuk Lost Customers, program loyalitas untuk Potential Loyalists, dan layanan eksklusif untuk Loyal Customers. Pendekatan berbasis data ini meningkatkan efektivitas pemasaran, loyalitas pelanggan, serta kontribusi pendapatan, sekaligus menegaskan pentingnya analisis data dalam pengambilan keputusan pemasaran yang relevan dan personal.

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

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.

Clustering Data Penjualan Produk Makanan pada Toko Toserba Yogya Siliwangi dengan Menggunakan Metode K-Means Noviati; Mulyawan; Kurnia, Dian Ade; Rinaldi, Ade Rizki
MEANS (Media Informasi Analisa dan Sistem) Volume 7 Nomor 1
Publisher : LPPM UNIKA Santo Thomas Medan

Product availability is one of the important factors to increase sales and maintain customer satisfaction in meeting their needs. With this, the company needs to analyze sales data, both for the best-selling products or those that are not selling well from sales reports every month, especially for food products. Of course, this is not easy, especially for a large enough retailer such as the Yogya Siliwangi Toserba which has thousands of product items and thousands of sales data every month. The above problems can be solved by grouping the data using the k-means clustering algorithm on rapidminer with variables taken by the name of goods, incoming goods, outgoing goods and stock. The goal is to maximize sales and maintain product stock availability to meet the diverse needs of consumers. From the calculation of the k-means algorithm using the rapidminer application, the results obtained are in the form of three clusters, cluster_1 3 items, cluster_2 13 items and cluster_0 454 items with Devies Bouldin results being 0.478.

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

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.

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

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.

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

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.

Analisis Data Hasil Laporan Skripsi Berbasis Aspect Based Sentiment Analysis Menggunakan Algoritma K-Means Clustering Nana Suarna; Dadang Sudrajat; Umi Hayati; Ade Rizki Rinaldi; Agus Bahtiar
Prosiding SISFOTEK Vol 9 No 1 (2025): SISFOTEK IX 2025
Publisher : Ikatan Ahli Informatika Indonesia

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

This study discusses the application of Aspect-Based Sentiment Analysis (ABSA) combined with the K-Means Clustering algorithm to analyze student thesis report data. The research scope includes text data processing from VAK (Visual, Auditory, Kinesthetic) learning style questionnaires to identify research aspects and automatically group thesis themes. The objective is to obtain a structured and representative mapping of students’ research themes based on their fields of study. The methodology involves several stages, including text preprocessing, TF-IDF weighting, aspect extraction using ABSA, and clustering with K-Means, validated through the Davies-Bouldin Index (DBI). The dataset consists of 976 textual entries derived from student questionnaire responses. The results indicate that the optimal cluster is achieved at k = 3 with a DBI value of 3.276, forming three main groups: (1) data mining, (2) statistical analysis, and (3) learning technology. The study concludes that the combination of ABSA and K-Means is effective in accurately classifying research themes and provides an analytical foundation for academic decision-making regarding student research trends.

Klasifikasi Telur Fertil dan Infertil Berbasis Hybrid MobileNetV3 dengan Mekanisme Attention dan Texture Fusion Bani Nurhakim; Dadang Sudrajat; Tati Suprapti; Ade Rizki Rinaldi; Agus Bahtiar
Prosiding SISFOTEK Vol 9 No 1 (2025): SISFOTEK IX 2025
Publisher : Ikatan Ahli Informatika Indonesia

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

Accurate fertile-infertile egg classification is crucial to improve hatching productivity and sorting efficiency. This study proposes MobileFusionV3, a MobileNetV3 architecture enriched with CBAM (Convolutional Block Attention Module) and Hybrid Texture Fusion (LBP and GLCM) to combine deep and texture features to be more robust to candling illumination variations. A dataset of 1,275 candling images (675 fertile, 600 infertile) was subjected to preprocessing (resizing, normalization, background enhancement) and realistic data augmentation (rotation, brightness/contrast changes, Gaussian noise, illumination variations). The model was trained using transfer learning, early stopping, and an evaluation scheme based on accuracy, precision, recall, F1-score, and AUC. The test results showed an accuracy of 97.2%, precision of 96.8%, recall of 97.5%, F1 of 97.1%, and AUC of 0.99, surpassing previous designs that did not use attention mechanisms and texture fusion. Grad-CAM++ analysis confirms the model's focus on physiologically relevant regions (embryonic shadow and air-cell), thus improving the reliability of interpretation. These findings indicate that lightweight, efficient designs based on attention and texture fusion have the potential to be implemented in smart hatchery systems and edge/mobile devices while maintaining high accuracy.

Title

Found 38 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 38 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 38 Documents
Search