Article Per Year (5 Year)
p-Index From 2021 - 2026
2.99
P-Index
This Author published in this journals
All Journal KLIK (Kumpulan jurnaL Ilmu Komputer) (e-Journal) Jiko (Jurnal Informatika dan komputer) Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Buana Ilmu JISA (Jurnal Informatika dan Sains) Jurnal Sisfotek Global Scientific Student Journal for Information, Technology and Science INTERNAL (Information System Journal) JADI (Jurnal Teknik Industri)
Adi Rizky Pratama
Universitas Buana Perjuangan Karawang
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Law, Crime, Criminology & Criminal Justice Other

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

Found 21 Documents
Search

 1   2   3 
Identifikasi Citra Penggunaan Masker Secara Real-Time dengan Arsitektur CNN pada Metode YOLO Aldo Zamaludin Fernando; Adi Rizky Pratama; Ayu Ratna Juwita
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 1 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

Pada masa pandemi, masih banyak masyarakat yang kurang tertib dalam mematuhi protokol kesehatan, terutama dalam penggunaan masker, baik pada aktivitas di dalam ruangan maupun di luar ruangan. Oleh karena itu, diperlukan sebuah sistem yang dapat mendeteksi atau mengidentifikasi objek berupa penggunaan masker. Pada penelitian ini digunakan metode YOLO yang memiliki arsitektur dari algoritma Convolutional Neural Network (CNN), dengan memanfaatkan Darknet-53 untuk melatih (training) model pada metode YOLO agar dapat mendeteksi objek secara real-time. Dalam proses identifikasi objek penggunaan masker menggunakan metode YOLO, sistem dapat berjalan dengan baik dan mampu mendeteksi objek dengan tingkat akurasi yang cukup baik. Hasil pengujian menunjukkan nilai precision sebesar 74%, nilai recall sebesar 50%, dan tingkat akurasi sebesar 74%. Dengan demikian, sistem dapat dikatakan berhasil dalam mengidentifikasi penggunaan masker menggunakan metode YOLO dengan tingkat keakuratan yang cukup baik.
Analisis Dampak SelectKBest dan SMOTEENN terhadap Akurasi Model Klasifikasi Penyakit Cacar Monyet Menggunakan Algoritma Machine Learning Agung Triatna; Yana Cahyana; Tohirin Al Mudzakir; Adi Rizky Pratama
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 1 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

Penyebaran cacar monyet yang cepat dan sulit dikendalikan membutuhkan metode prediksi penyakit yang akurat. Kesalahan prediksi false negative dapat menyebabkan infeksi tidak terdeteksi. Sebaliknya, diagnosis false positive menimbulkan kecemasan yang tidak perlu dan membebani fasilitas kesehatan dengan kasus yang sebenarnya tidak terinfeksi. Penelitian ini dilakukan untuk mengetahui pengaruh SelectKBest dan SMOTEENN terhadap akurasi model klasifikasi penyakit cacar monyet. Dataset yang digunakan berisi rekam medis gejala klinis pasien cacar monyet dengan dimensi (25.000, 11). Tahapan pengolahan data meliputi pengumpulan data, analisis data eksploratif (Exploratory Data Analysis / EDA), prapemrosesan, pemodelan, dan evaluasi. Penelitian ini menggunakan empat variasi dataset, yaitu dataset asli tanpa modifikasi, dataset hasil seleksi fitur menggunakan SelectKBest, dataset hasil resampling menggunakan SMOTEENN, serta dataset hasil kombinasi SelectKBest dan SMOTEENN. Hasil penelitian menunjukkan bahwa kombinasi SelectKBest dan SMOTEENN terbukti paling efektif dalam meningkatkan akurasi model klasifikasi. Algoritma XGBoost mencapai akurasi sebesar 100%, diikuti oleh Gradient Boosting dengan akurasi 98,57%, serta AdaBoost sebesar 89,97%. Temuan ini menunjukkan bahwa pemilihan fitur yang tepat, yang dikombinasikan dengan metode resampling data, mampu meningkatkan performa model dalam klasifikasi penyakit cacar monyet.
Implementasi Metode Support Vector Machine untuk Mendeteksi Penggunaan Pemutih pada Berasvb Diah Nurlaila; Adi Rizky Pratama; Elsa Elvira Awal; Ayu Ratna Juwita
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 1 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

Penggunaan bahan pemutih pada beras merupakan praktik berbahaya yang masih sering dilakukan untuk meningkatkan daya tarik visual produk. Deteksi dini sangat penting untuk melindungi konsumen dari bahaya kesehatan yang ditimbulkan. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi menggunakan Support Vector Machine (SVM) guna mendeteksi penggunaan pemutih pada beras secara otomatis melalui analisis citra. Dataset yang digunakan terdiri atas 400 citra beras dengan dua kelas, yaitu beras normal dan beras pemutih. Tahapan penelitian meliputi praproses citra, ekstraksi fitur menggunakan Histogram of Oriented Gradients (HOG), histogram warna, dan Gray Level Co-occurrence Matrix (GLCM). Model SVM dengan berbagai pilihan kernel dilatih dan dievaluasi menggunakan confusion matrix. Hasil pengujian menunjukkan bahwa performa terbaik dicapai oleh kernel RBF dengan akurasi sebesar 93,75%, precision 93,33%, recall 91,66%, dan F1-score 92,95%. Penelitian ini membuktikan bahwa kombinasi ekstraksi fitur HOG, histogram warna, dan GLCM dengan klasifikasi SVM efektif dalam mendeteksi penggunaan pemutih pada beras, sehingga dapat menjadi alat yang berguna untuk pengendalian kualitas pangan.
Klasterisasi Penggunaan Obat di Puskesmas Karawang Kulon Menggunakan Algoritma K-Means Hilman Abdurrohim Azis; Adi Rizky Pratama; Elsa Elvira Awal; Hanny Hikmayanti Handayani
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 1 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

Pengelolaan stok obat di Puskesmas Karawang Kulon merupakan hal yang memegang peranan penting dalam mendukung kelancaran pemberian layanan kesehatan kepada masyarakat. Permasalahan yang sering muncul adalah ketidaksesuaian antara ketersediaan obat dan tingkat penggunaannya, yang berpotensi menimbulkan kekurangan atau penumpukan stok. Penelitian ini bertujuan untuk menerapkan algoritma K-Means Clustering guna mengkategorikan data pemakaian obat berdasarkan tingkat pemakaian tahunan, sehingga dapat digunakan sebagai dasar dalam perencanaan kebutuhan obat. Data yang digunakan bersumber dari laporan LPLPO tahun 2024 dan melalui tahapan integrasi, pembersihan, serta pengelompokan menggunakan algoritma K-Means. Hasil analisis menunjukkan bahwa data dapat dikategorikan ke dalam tiga kelompok, yaitu pemakaian tinggi, sedang, dan rendah. Pengelompokan ini memberikan gambaran yang lebih terstruktur terhadap pola pemakaian obat dan dapat dimanfaatkan untuk mendukung pengambilan keputusan dalam proses perencanaan pengadaan obat di masa mendatang.
Klasifikasi Kesegaran Buah Jeruk Medan Berdasarkan Warna dan Tekstur Menggunakan Algoritma K-Nearest Neighbor Daffa Rifqi Abyansyah; Ayu Ratna Juwita; Euis Nurlaelasari; Adi Rizky Pratama
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 2 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

Jeruk merupakan tanaman hortikultura yang sangat dikenal di berbagai belahan dunia. Buah jeruk sangat populer di Indonesia dan banyak dikonsumsi. Konsumen sehari-hari yang awam tentang pertanian sering mengalami kesulitan dalam mengklasifikasikan kesegaran buah jeruk. Banyak orang awam kesulitan membedakan jeruk segar dari yang sudah tidak layak konsumsi hanya berdasarkan tampilannya. Penelitian ini mengimplementasikan algoritma K-Nearest Neighbor (KNN) untuk klasifikasi kesegaran buah jeruk berdasarkan fitur warna dan tekstur. Data yang digunakan sebanyak 435 citra buah jeruk yang diklasifikasikan ke dalam tiga kelas, yaitu Segar, Kurang Segar, dan Busuk. Proses penelitian meliputi tahapan preprocessing, ekstraksi fitur, pengujian model menggunakan algoritma K-Nearest Neighbor (KNN), serta evaluasi menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model K-Nearest Neighbor (KNN) dengan nilai K = 5 menghasilkan akurasi tertinggi sebesar 85%. Penelitian ini menunjukkan efektivitas algoritma tersebut sebagai alat bantu deteksi kesegaran buah jeruk.
Analisis Pola Pembelian Produk pada Toko Sembako Mamah Dedeh Menggunakan Algoritma FP-Growth Dina Aliya Sari; Adi Rizky Pratama; Nurhayati; Deden Wahiddin
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 2 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

Penelitian ini bertujuan menganalisis pola pembelian produk pada Toko Sembako Mamah Dedeh menggunakan algoritma Frequent Pattern Growth (FP-Growth). Data yang digunakan berupa transaksi penjualan selama tujuh bulan yang melalui tahap praproses, meliputi pembersihan data, penghapusan duplikasi, dan pengelompokan transaksi. Selanjutnya, analisis dilakukan melalui pembentukan FP-Tree, conditional pattern base, conditional FP-Tree, serta pembangkitan aturan asosiasi berdasarkan nilai minimum support dan confidence. Hasil penelitian menunjukkan adanya beberapa kombinasi produk yang memiliki nilai support dan confidence tinggi sehingga berpotensi dijadikan dasar dalam penyusunan strategi penempatan produk, paket penjualan, dan program promosi. Dengan demikian, algoritma FP-Growth terbukti efektif dalam mengidentifikasi pola pembelian konsumen serta mendukung pengambilan keputusan yang lebih tepat berdasarkan data transaksi.
Sistem Kotak Penggalangan Dana Otomatis Berbasis ESP32 dengan Klasifikasi Nominal Uang Kertas Menggunakan Metode Euclidean Distance Gilang Cantona; Deden Wahiddin; Nurhayati; Adi Rizky Pratama
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 2 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

Pengelolaan kotak penggalangan dana secara manual sering kali menimbulkan berbagai kendala, seperti keterlambatan pencatatan, risiko kesalahan, serta rendahnya transparansi dalam pelaporan. Penelitian ini bertujuan merancang sistem otomatis berbasis Internet of Things (IoT) menggunakan mikrokontroler ESP32 dan sensor warna TCS3200 untuk mengenali nominal uang kertas Rupiah. Metode Euclidean Distance digunakan untuk mengklasifikasikan nominal berdasarkan nilai ambang RGB dari masing-masing uang kertas yang telah dikalibrasi. Hasil klasifikasi kemudian dikirimkan secara real-time melalui bot Telegram beserta total saldo yang diperbarui secara otomatis. Sistem diuji pada tujuh nominal uang kertas, mulai dari Rp1.000 hingga Rp100.000, dan menunjukkan tingkat keberhasilan deteksi yang tinggi, terutama pada nominal besar. Hasil penelitian menunjukkan bahwa kombinasi sensor warna dan metode Euclidean Distance dapat menjadi solusi yang efektif untuk mengotomatisasi pencatatan donasi secara efisien dan transparan.
Deteksi Pelat Nomor Kendaraan dengan Convolutional Neural Network dan Pembacaan Karakter dengan Optical Character Recognition Indri Rahmawati; Deden Wahiddin; Euis Nurlaelasari; Adi Rizky Pratama; Ahmad Fauzi; Jamaludin Indra
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 2 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

Pengenalan pelat nomor kendaraan secara otomatis menjadi salah satu solusi untuk meningkatkan efisiensi dan keamanan sistem parkir, khususnya di Universitas Buana Perjuangan Karawang yang masih menggunakan metode manual. Penelitian ini mengembangkan sistem deteksi pelat nomor kendaraan menggunakan algoritma Convolutional Neural Network (CNN) dan PaddleOCR. Dataset yang digunakan sebanyak 10.795 citra, kemudian diperluas menjadi 21.590 citra melalui proses augmentasi data. Tahap preprocessing meliputi konversi citra menjadi grayscale, resize, normalisasi, dan parsing anotasi. Algoritma Convolutional Neural Network digunakan untuk mendeteksi lokasi pelat nomor, sedangkan PaddleOCR digunakan untuk mengenali karakter pada pelat nomor. Evaluasi dilakukan menggunakan metrik Mean Absolute Error (MAE), Intersection over Union (IoU), dan akurasi OCR. Hasil evaluasi menunjukkan nilai IoU validasi sebesar 0,8639 dan akurasi OCR sebesar 80%, yang menunjukkan bahwa sistem memiliki performa yang baik pada tahap awal pengembangan.
Penerapan Algoritma Decision Tree dan Random Forest untuk Analisis Sentimen Politik Indonesia Pascapemilu Iqbal Tawakkal; Tohirin Al Mudzakir; Hilda Yulia Novita; Adi Rizky Pratama
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 2 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

Penelitian ini bertujuan mengklasifikasikan sentimen politik Indonesia pascapemilu dengan menerapkan teknik text mining untuk mengidentifikasi berbagai isu politik. Data diperoleh dari komentar masyarakat pada media sosial Instagram, YouTube, dan TikTok yang membahas Presiden dan Prabowo, dengan jumlah dataset sebanyak 8.532 data. Pengolahan data dilakukan menggunakan bahasa pemrograman Python pada platform Google Colaboratory. Tahap preprocessing meliputi text cleaning untuk menghapus angka, simbol, dan tautan URL, kemudian dilanjutkan dengan stemming, tokenization, stopword removal, pelabelan, dan pembobotan kata menggunakan Term Frequency–Inverse Document Frequency (TF-IDF). Pendekatan supervised learning diterapkan menggunakan algoritma Decision Tree dan Random Forest. Dataset dibagi menjadi 70% data latih dan 30% data uji sebelum dilakukan pembangunan model klasifikasi. Evaluasi menggunakan Confusion Matrix menunjukkan bahwa algoritma Decision Tree memperoleh akurasi sebesar 71,02%, sedangkan algoritma Random Forest memperoleh akurasi sebesar 75,30%. Hasil tersebut menunjukkan bahwa kedua algoritma mampu mengklasifikasikan data berdasarkan pola fitur teks yang diekstraksi, dengan Random Forest menghasilkan kinerja yang lebih baik dibandingkan Decision Tree.
Prediksi Ketersediaan Buah Menggunakan Algoritma Decision Tree Maulana Arif Hidayat; Adi Rizky Pratama; Elsa Elvira Awal; Tatang Rohana
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 2 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

Penelitian ini bertujuan menerapkan algoritma Decision Tree untuk memprediksi ketersediaan stok buah guna mendukung pengelolaan persediaan yang lebih efisien. Permasalahan dalam pengelolaan stok bukan terletak pada tidak tersedianya data penjualan, melainkan pada belum optimalnya pemanfaatan data yang telah dicatat. Data penjualan harian telah tersedia, tetapi belum dianalisis lebih lanjut untuk mengidentifikasi jenis buah yang paling banyak terjual. Kondisi tersebut menyulitkan penentuan prioritas stok secara akurat sehingga keputusan pengadaan masih cenderung bersifat subjektif dan berisiko menimbulkan penumpukan barang yang tidak terjual. Untuk mengatasi permasalahan tersebut, penelitian ini menggunakan data transaksi penjualan harian buah dari sebuah pasar di Kabupaten Karawang yang terdiri atas 1.207 entri selama periode Juni hingga Oktober 2024. Tahapan penelitian meliputi pengumpulan data, data preprocessing, pembangunan model Decision Tree, dan evaluasi kinerja model menggunakan Confusion Matrix. Hasil evaluasi menunjukkan bahwa model mampu mengklasifikasikan status stok buah (laku atau tidak laku) dengan akurasi sebesar 96%, precision sebesar 93%, recall sebesar 96%, dan F1-score sebesar 94%. Hasil tersebut menunjukkan bahwa algoritma Decision Tree efektif digunakan untuk mendukung pengambilan keputusan dalam memprediksi kebutuhan stok buah serta meminimalkan potensi kerugian akibat pengelolaan stok yang kurang tepat.
Co-Authors Agung Susilo Yuda Irawan Agung Triatna Ahmad Fauzi Aldo Zamaludin Fernando Anis Fitri Nur Masruriyah Antika Zahrotul Kamalia Ardhana Putri Farahdiansari Ayu Ratna Juwita Baihaqi, Kiki Ahmad Bayu Padilah Chepy Sonjaya Daffa Rifqi Abyansyah Deden Wahiddin Diah Nurlaila Dina Aliya Sari Dony Dwi Karyanto Dwi Sulistya Kusumaningrum Elsa Elvira Awal Euis Nurlaelasari Fathan Mubina Dewadi Gilang Cantona Habib Alamsyah Hanny Hikmayanti Handayani Hilda Yulia Novita Hilman Abdurrohim Azis Indra, Jamaludin Indri Rahmawati Iqbal Tawakkal Krisna Perdana Jaya Sitompul Maulana Arif Hidayat Mia Mia Mohammad Fadli Perdana Mudzakir, Tohirin Al Nurhayati Rai Tilosava De Araujo Ruwirohi, Jan Everhard Ryan Antono Sasmi, Weni Tri Tatang Rohana