Article Per Year (5 Year)
p-Index From 2021 - 2026
4.879
P-Index
This Author published in this journals
All Journal Prosiding Seminar Matematika dan Pendidikan Matematik Jurnal Pendidikan (Teori dan Praktik) JTAM (Jurnal Teori dan Aplikasi Matematika) Jurnal Masyarakat Merdeka (JMM) JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) TELKA - Telekomunikasi, Elektronika, Komputasi dan Kontrol Gammath : Jurnal Ilmiah Program Studi Pendidikan Matematika Jurnal Pengabdian Masyarakat IPTEKS JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia) Kontribusia : Research Dissemination for Community Development Suluah Bendang: Jurnal Ilmiah Pengabdian Kepada Masyarakat Journal of Mathematics Education and Science BIOS : Jurnal Teknologi Informasi dan Rekayasa Komputer Archive: Jurnal Pengabdian Kepada Masyarakat JP (Jurnal Pendidikan) : Teori dan Praktik JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer Indonesian Journal of Multidisciplinary on Social and Technology International Journal of Trends in Mathematics Education Research (IJTMER) Jurnal Aplikasi Sistem Informasi dan Elektronika UPGRADE: Jurnal Pendidikan Teknologi Informasi Scientific Journal of Informatics ABDIMASTEK Journal of Digital Literacy and Volunteering JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia)
Saifudin, Ilham
Universitas Muhammadiyah Jember
Religion Agriculture, Biological Sciences & Forestry Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Mathematics Mechanical Engineering Public Health Social Sciences Other

Published : 52 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 52 Documents
Search

 2   3   4   5   6 
Automatic Aircraft Navigation Using Star Metric Dimension Theory in Fire Protected Forest Areas Saifudin, Ilham; Umilasari, Reni
JTAM (Jurnal Teori dan Aplikasi Matematika) Vol 5, No 2 (2021): October
Publisher : Universitas Muhammadiyah Mataram

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31764/jtam.v5i2.4331

Abstract

The purpose of this research is to determine the navigation of an unmanned aircraft automatically using theory of the metric dimension of stars in a forest fire area. The research will also be expanded by determining the star metric dimensions on other unique graphs and graphs resulting from amalgamation operations. The methods used in this research are pattern recognition and axiomatic deductive methods. The pattern detection method is to look for patterns to construct differentiated sets on the metric dimension (dim) so that the coordinate values are minimum and different. Meanwhile, axiomatic deductive is a research method that uses deductive proof principles that apply in mathematical logic by using existing axioms or theorems to solve a problem. Then the method is used to determine the stars' metric dimensions.
Enhancing Hotel Recommendation Using Multi-Criteria Neural CollaborativeFiltering Abu Tholib; Fathorazi Nur Fajri; Ilham Saifudin; Hairani; Juvinal Ximenes Guterres
Upgrade : Jurnal Pendidikan Teknologi Informasi Vol 4 No 1 (2026): Agustus 2026 In-Press
Publisher : Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/upgrade.v4i1.6253

Abstract

The increasing volume of hotel information on online travel platforms made hotel selection more difficult for users because decision making had to consider multiple aspects simultaneously, including value, accessibility, service, room quality, cleanliness, and sleep quality. Conventional recommendation methods often depended on overall ratings and therefore were not sufficiently capable of representing the multidimensional nature of hotel preferences. This study proposed an improved multi-criteria neural collaborative filtering (MCNCF) model for hotel recommendation using the Bali Hotel Review dataset. The proposed model integrated user identity, hotel identity, and six structured hotel evaluation criteria to learn user preferences in a more detailed and preference-sensitive manner. The experimental design was also strengthened through a more reliable preprocessing and evaluation pipeline, including data splitting before scaling, training-based imputation for missing values, and user ranking evaluation. The model was implemented using embedding-based neural interaction learning to capture nonlinear relationships between users, hotels, and multi-criteria features. The results showed that the proposed approach achieved stable and competitive performance across testing splits of 10%, 20%, 30%, and 40%. On the original rating scale, the model produced the best Root Mean Square Error of 0.416400 and the lowest Mean Absolute Error of 0.351719. In addition, the ranking performance remained consistently high, with Normalized Discounted Cumulative Gain values ranging from 0.976540 to 0.996243. These findings demonstrated that the proposed approach provided an effective and robust solution for hotel recommendation by leveraging structured multi-criteria preference information within a neural recommendation framework.
Website-Based STEM Learning Using Encyclopedias for Students with Special Needs Ilham Saifudin; Wiwik Suharso; Syahrul Mubaroq
JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia) Vol. 11 No. 1 (2026): JUSTINDO
Publisher : Universitas Muhammadiyah Jember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32528/justindo.v11i1.5029

Abstract

In the world of education, we continue to create and innovate to improve the learning process and achieve desired learning outcomes. One of them is using digital-based learning (Digital Learning) which can be accessed with information technology. This research aims to determine the response to implementing a video blog-based learning system with a STEM (Science, Technology, Engineering, and Mathematics) approach. Apart from that, students will be given assignments using the Encyclopedia Website tool which contains formulas and logical flows related to Algorithms and Complexity courses. This will produce meaningful, quality learning that can be used by the wider community, especially to make it easier for students with special needs to learn to compile a simple algorithm. The method applied in implementing a website for students with special needs is a usability test with Nielsen' Attributes of Usability (NAU). Researchers carry out website evaluations with the aim of measuring and knowing the level of success of the website, how easy it is for users to understand. The research results showed that (1) the usability test with Nielsen' Attributes of Usability (NAU) can be used to measure the quality of website usability; (2) testing success rate of 100% because there were no failures in testing the search feature. Testing found a test pattern, namely that the more search keywords there are, the greater the number of document links produced, and the time required, however, it can significantly increase the highest similarity value of 0.21; (3) the respondents' conclusions show that the learnability, memorability, efficiency, errors attributes have an average helpful conclusion of 11, while the Satisfaction attribute has a very helpful average conclusion of 7.
Optimasi Artificial Intelligence Sebagai Sistem Tutor Cerdas Pada Pembelajaran di SMA Muhammadiyah 1 Rambipuji Ilham Saifudin; Rohmad Wahid Rhomdani; Dudi Irawan; Hairani; Salahudin Robo; Yuri Ariyanto
ABDIMASTEK Vol. 4 No. 2 (2025): Desember
Publisher : Universitas Muhammadiyah Jember

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

Abstract

Latar Belakang program pengabdian masyarakat ini adalah belum meratanya pengetahuan dan praktik penggunaan AI (Artificial Intelligence) di sekolah SMA Muhammadiyah 1 Rambipuji Jember. Tujuan program ini mendapatkan pengetahuan dalam membuat media pembelajaran menarik dengan menggunakan AI dan menggunakan AI dalam membuat media pembelajaran, seperti: video pembelajaran, slide presentasi, hiburan, dan lain-lain. Metode yang digunakan adalah program penyediaan buku panduan praktik dalam mempraktekkan AI sebagai tutor cerdas. Target luaran yang akan dihasilkan adalah mengenal atau memiliki pengetahuan lebih dan media pembelajaran berbasis AI. Hasil dari program ini diantaranya: Guru-guru SMA Muhammadiyah 1 Rambipuji dapat memiliki pengetahuan dan keterampilan dalam membuat media pembelajaran berbasis AI. Kesimpulan, program ini berhasil mencapai tujuan dengan memberikan dampak positif bagi guru-guru dalam penggunaan AI dalam pembuatan media pembelajaran di sekolah.
Pelatihan Karya Tulis Ilmiah Jurnal Bereputasi Internasional pada Mahasiswa Doktoral dan Pra-Doktoral Ilham Saifudin; Abu Tholib; Samsurizal Samsurizal; Muhammad A’an Auliq
ABDIMASTEK Vol. 5 No. 1 (2026): Juli
Publisher : Universitas Muhammadiyah Jember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32528/abdimastek.v5i1.6140

Abstract

Publikasi pada jurnal bereputasi internasional merupakan salah satu indikator penting dalam pengembangan kapasitas akademik mahasiswa doktoral dan pra-doktoral. Namun, masih banyak mahasiswa yang mengalami kesulitan dalam menentukan baseline paper, merumuskan novelty penelitian, serta menyusun artikel ilmiah sesuai standar jurnal internasional. Kegiatan Pengabdian kepada Masyarakat ini bertujuan untuk meningkatkan kompetensi peserta dalam penulisan karya tulis ilmiah dan strategi publikasi pada jurnal bereputasi internasional. Kegiatan dilaksanakan secara daring melalui Zoom Meeting dalam dua kali pertemuan. Metode yang digunakan meliputi penyampaian materi, diskusi interaktif, praktik identifikasi research gap dan novelty, serta pendampingan penyusunan artikel ilmiah. Pertemuan pertama diikuti oleh 6 peserta, sedangkan pertemuan kedua dihadiri oleh 8 peserta. Hasil kegiatan menunjukkan bahwa peserta memperoleh pemahaman yang lebih baik mengenai teknik menentukan baseline paper, menemukan novelty, menyusun struktur artikel ilmiah, memilih jurnal yang sesuai, serta memahami proses submission dan peer review pada penerbit internasional, seperti Elsevier, Wiley, IEEE, Taylor & Francis, ACM, dan Springer Nature. Program ini diharapkan menjadi langkah awal dalam meningkatkan kualitas publikasi ilmiah mahasiswa doktoral dan pra-doktoral serta mendukung peningkatan produktivitas riset dan reputasi akademik perguruan tinggi.
Sistem Rekomendasi Produk Elektronik Berbasis Semantic Content-Based Filtering dan Collaborative Filtering Menggunakan Pendekatan Hybrid Weighted Ramadhani Rizqi Faisal; Ilham Saifudin; Ginanjar Abdurahman
Indonesian Journal of Multidisciplinary on Social and Technology Vol. 4 No. 3 (2026): Juli - Oktober
Publisher : PT Ilmu Data Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/ijmst.v4i3.12784

Abstract

Perkembangan platform e-commerce menyebabkan jumlah dan variasi produk elektronik semakin meningkat, sehingga pengguna sering mengalami kesulitan dalam menemukan produk yang sesuai dengan kebutuhan mereka (information overload). Sistem rekomendasi menjadi salah satu solusi untuk membantu pengguna memperoleh produk yang sesuai. Namun, metode tunggal seperti content-Based filtering maupun collaborative filtering masih memiliki keterbatasan, seperti ketidakmampuan memahami hubungan semantik antarproduk, cold start, dan data sparsity. Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi produk elektronik dengan menggabungkan Semantic content-based filtering dan collaborative filtering menggunakan algoritma Singular Value Decomposition (SVD) melalui pendekatan hybrid weighted. Dataset yang digunakan berasal dari Amazon Reviews 2023 dengan total 90.640 data ulasan produk elektronik. Tahapan penelitian meliputi preprocessing data, pembentukan representasi semantik menggunakan Word2Vec, perhitungan kemiripan produk menggunakan cosine similarity, pemodelan preferensi pengguna menggunakan SVD, serta penggabungan kedua metode menggunakan hybrid weighted. Evaluasi dilakukan menggunakan metrik Precision, Recall, dan Normalized Discounted Cumulative Gain (NDCG). Hasil penelitian menunjukkan bahwa pada konfigurasi utama dengan Alpha = 0,5, Data Split 80:20, dan Top-10, sistem memperoleh Precision@10 sebesar 0,8692, Recall@10 sebesar 0,0371, dan NDCG@10 sebesar 0,8828. Sementara itu, performa terbaik diperoleh pada alpha = 0,8 dengan Precision@10 sebesar 0,9230, Recall@10 sebesar 0,0441, dan NDCG@10 sebesar 0,9313. Hasil tersebut menunjukkan bahwa pendekatan hybrid weighted mampu menghasilkan rekomendasi produk elektronik yang lebih relevan dan memiliki kualitas pemeringkatan yang lebih baik dibandingkan dengan penggunaan metode tunggal.
Implementasi Metode Clustering dengan Algoritma K-Means pada Sistem Rekomendasi Lagu berbasis Similaritas Fitur Audio Naufal Ammanullah Arrasyid Yusuf; Ilham Saifudin; Ari Eko Wardoyo
Indonesian Journal of Multidisciplinary on Social and Technology Vol. 4 No. 3 (2026): Juli - Oktober
Publisher : PT Ilmu Data Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/ijmst.v4i3.12785

Abstract

Sistem rekomendasi lagu berbasis Collaborative Filtering menghadapi keterbatasan fundamental berupa cold-start problem ketika berhadapan dengan lagu atau pengguna baru yang belum memiliki riwayat interaksi. Penelitian ini mengimplementasikan pendekatan Content-Based Filtering (CBF) menggunakan algoritma K-Means Clustering berbasis ekstraksi fitur audio untuk mengatasi permasalahan tersebut. Dataset yang digunakan terdiri dari 3.200 file lagu dalam format mp3, wav, aac, dan m4a yang dikumpulkan dari penyimpanan lokal, mencakup enam genre populer, yaitu Pop, Rock, Jazz, Electronic/EDM, Hip-Hop/Rap, dan Classical. Fitur audio diekstraksi menggunakan library Librosa, menghasilkan representasi numerik berupa Mel-Frequency Cepstral Coefficients (MFCC), Spectral Centroid, Zero Crossing Rate (ZCR), RMS Energy, Spectral Rolloff, Chroma STFT, Tempo, dan Beat Count. Setelah normalisasi Z-Score untuk menyeragamkan skala fitur, algoritma K-Means Clustering diterapkan dan dievaluasi menggunakan Within-Cluster Sum of Squares (WCSS) dan Calinski-Harabasz (CH) Index, menghasilkan partisi optimal pada k=6 yang selaras dengan representasi enam genre dalam dataset, dengan nilai WCSS 95,616,62 dan CH Index 85,92. Sistem rekomendasi menghasilkan output Top-N menggunakan dua metrik jarak, yaitu Euclidean Distance dan Cosine Similarity, yang dievaluasi menggunakan Overlap Coefficient, Jaccard Similarity, dan Intra-List Similarity (ILS). Hasil evaluasi menunjukkan konvergensi mutlak antara kedua metode pada Top-3 dengan nilai Jaccard Similarity 1,0, sementara rata-rata skor ILS stabil pada rentang 0,5 yang mengindikasikan keseimbangan optimal antara relevansi dan diversitas rekomendasi. Sistem diimplementasikan dalam aplikasi web berbasis Flask dengan visualisasi Diagram Venn dan heatmap sebagai pendukung evaluasi interaktif.
Sistem Rekomendasi Novel Menggunakan Pendekatan Hybrid Berbasis Best Matching 25 (BM25) dan Matrix Factorization Sattyo Ardicta Pradana; Ilham Saifudin; Lutfi Ali Muharom
Indonesian Journal of Multidisciplinary on Social and Technology Vol. 4 No. 3 (2026): Juli - Oktober
Publisher : PT Ilmu Data Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/ijmst.v4i3.12786

Abstract

Pada era digital, jumlah novel yang tersedia di berbagai platform digital berkembang sangat pesat sehingga menyulitkan pembaca dalam memilih judul yang sesuai dengan minat dan preferensinya. Penelitian terdahulu mengenai sistem rekomendasi bacaan umumnya masih berfokus pada buku secara umum dan menggunakan pendekatan tunggal, baik content-based filtering maupun collaborative filtering, yang masing-masing memiliki keterbatasan dalam menangani teks naratif panjang atau permasalahan cold-start. Penelitian ini mengusulkan sistem rekomendasi novel berbasis hybrid yang mengombinasikan metode Best Matching 25 (BM25) untuk mengukur relevansi konten berdasarkan judul, genre, dan sinopsis, serta Matrix Factorization untuk memodelkan preferensi pengguna berdasarkan data rating. Kedua skor digabungkan menggunakan skema hybrid berbobot dengan nilai alpha = 0,6, setelah skor BM25 dinormalisasi menggunakan normalisasi min-max agar sebanding dengan skala rating 1-5 yang dihasilkan oleh Matrix Factorization. Dataset yang digunakan terdiri dari Goodreads-books untuk konten novel dan Goodbooks-10k untuk data rating pengguna, yang disaring sehingga hanya memuat item novel, menghasilkan 8.480 novel, 16.220 pengguna, dan 640.396 rating setelah pre-processing. Kinerja sistem dievaluasi menggunakan NDCG@10 dan Precision@10 pada daftar rekomendasi Top-10. Hasil evaluasi menunjukkan bahwa pendekatan hybrid memperoleh nilai NDCG@10 sebesar 0,943 dan Precision@10 sebesar 0,488, dengan rata-rata runtime 136,46 detik untuk 15.813 pengguna. Pengujian lanjutan terhadap variasi alpha, data split, dan Top-N menunjukkan bahwa Matrix Factorization memberikan kontribusi yang lebih dominan terhadap kualitas pemeringkatan, sedangkan BM25 tetap penting untuk menjaga relevansi berbasis konten. Temuan ini menunjukkan bahwa pendekatan hybrid BM25 dan Matrix Factorization dapat menghasilkan rekomendasi novel yang relevan dan efisien secara komputasi.
Metode Hybrid (SVD++–KNN) pada Sistem Rekomendasi Film dan Preferensi Artis Musik Maswadi Ra’uf; Ilham Saifudin; Luluk Handayani
JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer Vol. 5 No. 1 (2026): Desember 2026
Publisher : Cipta Media Harmoni

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53624/jsitik.v5i1.956

Abstract

Latar Belakang: Sistem rekomendasi berbasis collaborative filtering telah banyak digunakan untuk membantu pengguna menemukan konten yang sesuai preferensi, namun masih menghadapi tantangan terkait keragaman data. Tujuan: Penelitian ini mengevaluasi efektivitas metode weighted hybrid SVD++–KNN dalam meningkatkan akurasi sistem rekomendasi film dan preferensi artis musik. Metode: Penelitian ini menggunakan pendekatan eksperimen kuantitatif pada dataset MovieLens 1M dan Last.FM. Data dibagi menjadi 80% data latih dan 20% data uji dengan validasi hold-out. Model menggabungkan algoritma SVD++ dan KNN, kemudian dievaluasi menggunakan metrik RMSE dan MAE.  Hasil: Pada dataset MovieLens diperoleh nilai RMSE 0,8594 dan MAE 0,6747 pada α = 0,8, sedangkan pada dataset Last.FM diperoleh RMSE 0,2632 dan MAE 0,1955 pada α = 0,9. Kesimpulan: Metode weighted hybrid SVD++–KNN meningkatkan akurasi sistem rekomendasi pada kedua dataset. Penyesuaian nilai alpha sesuai dengan karakteristik dataset dapat meningkatkan kinerja model, sehingga metode ini menjadi alternatif yang efektif untuk sistem rekomendasi berbasis kolaborasi.
Sistem Rekomendasi Anime Menggunakan Pendekatan Hybrid Dengan Algoritma Random Forest Dan K-Nearest Neighbor (KNN) Fauzan Nafazi Zul Hilmi; Ilham Saifudin; Dudi Irawan
Indonesian Journal of Multidisciplinary on Social and Technology Vol. 4 No. 3 (2026): Juli - Oktober
Publisher : PT Ilmu Data Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/ijmst.v4i3.12782

Abstract

Sistem rekomendasi anime diperlukan untuk membantu pengguna menemukan tayangan yang sesuai dengan preferensi di tengah banyaknya pilihan anime yang tersedia. Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi anime menggunakan pendekatan weighted hybrid yang menggabungkan algoritma random forest dan K-Nearest Neighbor (KNN) berbasis cosine similarity. Random Forest digunakan untuk mengklasifikasikan kelayakan anime berdasarkan atribut genres, type, studios, dan rating, sedangkan KNN digunakan untuk menghitung tingkat kemiripan antar-anime berdasarkan fitur genres. Kedua hasil tersebut digabungkan menggunakan metode weighted hybrid untuk menghasilkan skor rekomendasi dan menentukan urutan anime yang ditampilkan kepada pengguna. Dataset yang digunakan merupakan dataset anime dari situs Kaggle yang terdiri atas 24.905 data. Tahap penelitian meliputi pre-processing data, transformasi fitur menggunakan Multi-Label Binarizer dan Label Encoder, pelatihan model, proses rekomendasi, serta evaluasi menggunakan metrik Normalized Discounted Cumulative Gain (NDCG), precision, dan waktu komputasi. Hasil pengujian menunjukkan bahwa sistem memperoleh nilai precision Top-K sebesar 80%-85% dan nilai NDCG Top-K sebesar 89,5%-94,9%, sedangkan pada evaluasi keseluruhan diperoleh nilai precision sebesar 75,2%-75,6% dan nilai NDCG sebesar 97,3%-97,7%. Selain itu, sistem dapat menghasilkan rekomendasi dalam waktu komputasi kurang dari 2,5 detik untuk evaluasi Top-K. Berdasarkan hasil tersebut, pendekatan weighted hybrid yang menggabungkan random forest dan KNN dapat diterapkan untuk menghasilkan rekomendasi anime serta menyusun urutan rekomendasi berdasarkan hasil klasifikasi dan tingkat kemiripan antar-anime.
Co-Authors Abu Tholib Afkar Ayyasy Airlangga Zabaniyah Putro Irdianto Akbar Ainurrofik Amaliah, Ulfi Rizqi Ari Eko Wardoyo Arifianto, Deni Azhar, Reza Fachruddin Cinthia, Ella D. Dafik Dasuki, Moh. Fadhilah, Alvi Nur Fathorazi Nur Fajri Fauzan Nafazi Zul Hilmi Ginanjar Abdurahman Ginanjar Abdurrahman Hairani Hairani Hartono, Ahmad Dedi Hidayat, Muhammad Hafid Hossain, Moch Minhas Husaini, Moh Irawan, Dudi Isnawati Lujeng Lestari Juvinal Ximenes Guterres Luluk Handayani Lusiana, Dewi Makkulau, Andi Maswadi Ra’uf Maulana, Oka Wahyu Mubaroq, Syahrul Muhammad A’an Auliq Muharom, Lutfi Ali Nanang Saiful Rizal Naufal Ammanullah Arrasyid Yusuf Nurhalimah Nurhalimah Oktavianto, Hardian Rahman, Miftahur Ramadhani Rizqi Faisal Ramadhani, Calvin Bahtiar Reza Fachruddin Azhar Rhomdani, Rohmad Wahid Rizky, Mohammad Robo, Salahudin Rohman, Mucklis Aula Rojabi, Ilzam Samsurizal Samsurizal Sattyo Ardicta Pradana Suharso, Wiwik Syahrul Mubaroq Taufiq Timur W. Taufiq Timur Warisaji Triawan Adi Cahyanto Triyanna Widiyaningtyas Umilasari, Reni Widjayanti, Fefi Nurdiana Wijaya, Guruh Yanuarti, Rosita Yuri Ariyanto Zakiyah, Amalina Maryam