Article Per Year (5 Year)
p-Index From 2021 - 2026
3.296
P-Index
This Author published in this journals
All Journal International Journal of Informatics and Communication Technology (IJ-ICT) Jurnal Informatika dan Teknik Elektro Terapan Jurnal Eksplora Informatika JURNAL PENDIDIKAN TAMBUSAI JASIEK (Jurnal Aplikasi Sains, Informasi, Elektronika dan Komputer) Jusikom: Jurnal Sistem Informasi Ilmu Komputer CICES (Cyberpreneurship Innovative and Creative Exact and Social Science) Jifosi Jurnal Teknik Informatika (JUTIF) Jurnal Ilmiah Teknologi Informasi dan Robotika Digital Transformation Technology (Digitech) MASALIQ: Jurnal Pendidikan dan Sains Saber: Jurnal Teknik Informatika, Sains dan Ilmu Komunikasi International Journal of Information Engineering and Science
Ani Dijah Rahajoe
Bhayangkara University, Indonesia
Religion Automotive Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Law, Crime, Criminology & Criminal Justice Library & Information Science Mathematics Social Sciences

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

Found 21 Documents
Search

 1   2   3 
Hybrid Neural Network-Based Road Damage Detection Using CNN-RNN and CNN-MLP Models Rahajoe, Ani Dijah; Suriansyah, Muhammad; Jr, Angelo A. Beltran
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.2025.6.3.4435

Abstract

Currently, there are many applications of image processing in various fields. One of them is the recognition of paved road images. Detection through images helps in handling infrastructure development roads. With the advancement of technology, especially in the field of deep learning, the process of detecting road damage can be done automatically and more efficiently. The road damage detection system can be integrated into the smart city system to monitor infrastructure conditions in real time. This study will use a combined deep learning algorithm between Convolutional Neural Network- Recurrent Neural Network (CNN-RNN) and as a comparison using Convolutional Neural Network- MultiLayer Perceptrons (CNN-MLP). The study aims to analyze the accuracy of using the CNN-RNN and CNN-MLP algorithms for detecting paved roads that have categories of undamaged roads, damaged roads, and damaged roads with holes. The detection of paved roads has complex details so an algorithm that has good performance with high accuracy is needed. The results of the study showed that the CNN-RNN hybrid had a better accuracy of 96.59 percent than the CNN-MLP hybrid model of 95.9 percent.  
KOMBINASI RANK ORDER CENTROID (ROC) DAN MULTI ATTRIBUTE UTILITY THEORY (MAUT) UNTUK SELEKSI CALON PENERIMA KIP-KULIAH Chaurina, Agfanadita Rezkia; Rahajoe, Ani Dijah; Nurlaili, Afina Lina
Jurnal Informatika dan Teknik Elektro Terapan Vol. 13 No. 3 (2025)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v13i3.6641

Abstract

The low participation rate in higher education in Indonesia remains a major challenge, particularly among students from underprivileged socioeconomic backgrounds. Programs such as KIP-Kuliah are part of the government's efforts to expand educational access, although various implementation challenges persist. At Universitas Pembangunan Nasional “Veteran” Jawa Timur, the number of KIP-Kuliah applicants consistently exceeds the available quota each year, necessitating a selection system that supports fair and accurate decision-making. This study aims to develop a web-based decision support system to assist in the selection process of KIP-Kuliah recipients more systematically. The method combines Rank Order Centroid (ROC) to assign weights to each criterion based on priority ranking and Multi-Attribute Utility Theory (MAUT) to calculate the final score for each alternative. The ranking results are then adjusted according to the recipient quota set for each study program accreditation. Evaluation results show that the system achieved a 96.67% accuracy rate compared to the institution’s manual selection results, indicating its effectiveness in supporting decision-making that is objective, efficient, and transparent.
Optimasi Model Prediksi Kelulusan Mahasiswa Berbasis Principal Component Analysis dan Modified K-Nearest Neighbor Pramnesti, Adisty Regina; Rahajoe, Ani Dijah; Mumpuni, Retno
CICES (Cyberpreneurship Innovative and Creative Exact and Social Science) Vol 11 No 2 (2025): CICES
Publisher : UNIVERSITAS RAHARJA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33050/cices.v11i2.3914

Abstract

Angka drop-out mahasiswa di perguruan tinggi masih menjadi permasalahan serius karena berdampak pada pemborosan sumber daya dan perkembangan institusi. Identifikasi dini terhadap mahasiswa berisiko drop-out sangat penting, namun metode manual dan algoritma K-Nearest Neighbor (KNN) konvensional masih memiliki keterbatasan, seperti sensitivitas terhadap outlier dan data berdimensi tinggi. Penelitian ini mengusulkan integrasi Principal Component Analysis (PCA) dan Modified K-Nearest Neighbor (MKNN) untuk meningkatkan akurasi klasifikasi kelulusan mahasiswa. PCA digunakan untuk mereduksi 14 variabel menjadi 2 variabel utama, sedangkan MKNN memodifikasi KNN dengan teknik weight voting berbasis jarak serta validasi data latih guna mengurangi perngaruh outlier. Model diujikan dengan skema pembagian data 60:40 (latih:uji) dan parameter optimal k=9. Hasil penelitian menunjukkan bahwa kombinasi PCA dan MKNN mampu mencapai akurasi 99,31%, meningkat 0,93% dibanding KNN standar, serta menghasilkan presisi, recall, dan F1-Score sebesar 99,3%. Temuan ini menegaskan bahwa integrasi reduksi dimensi dan weight voting efektif dalam meningkatkan kinerja klasifikasi, sehingga model ini berpotensi menjadi alat prediksi drop-out yang andal di lingkungan pendidikan tinggi.
REAL-TIME DROWSY FACE DETECTION FOR ONLINE LEARNING BASED ON RANDOM FOREST AND DECISION TREE ALGORITHMS Ani Dijah Rahajoe; Subekti, Mohamad Rafli Agung; Suriansyah, Muhammad
Jurnal Teknik Informatika (Jutif) Vol. 4 No. 6 (2023): JUTIF Volume 4, Number 6, Desember 2023
Publisher : Informatika, Universitas Jenderal Soedirman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jutif.2023.4.6.1554

Abstract

In the current era, technology regarding artificial intelligence has developed rapidly and has been used in various areas of life. Face detection is one of the applications of Artificial Intelligence. This research aims to detect students' faces during the online learning process and succeeded in getting positive feedback when tested on students. Student detection includes drowsy and alertness. The method is via webcam in real-time so that the screen will show whether the student is drowsy or alert. In the trial, the teacher can find out who is in a drowsy and alert condition. On the other hand, students can find out that they fall into the drowsy or alert category. So that both parties immediately respond to what should be done based on the classification results. The algorithms used are Decision Tree and Random Forest. The accuracy results of the Random Forest algorithm are better than the Decision Tree algorithm, namely 65 percent, while the Decision Tree algorithm is 58 percent. The division of training data and test data uses a Kfold of 5. When Kfold is equal to 2, both algorithms have the highest accuracy, where Random Forest has an accuracy of 85 percent, and Decision Tre has an accuracy of 65 percent.
IMPLEMENTASI METODE COLLABORATIVE FILTERING MENGGUNAKAN ALGORITMA COSINE SIMILARITY DAN JACCARD SIMILARITY PADA SISTEM E-COMMERCE Waskito, Muhammad Rizal; Rahajoe, Ani Dijah; Nurlaili, Afina Lina
Jurnal Informatika dan Teknik Elektro Terapan Vol. 12 No. 3S1 (2024)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v12i3S1.5315

Abstract

Peningkatan pesat e-commerce telah mengubah pola belanja konsumen, menciptakan kebutuhan akan sistem rekomendasi produk yang lebih personal dan relevan. Tantangan yang sering muncul adalah ketidakmampuan sistem rekomendasi dalam menangani data sparsity dan memberikan rekomendasi yang akurat, terutama ketika data pengguna terbatas. Untuk mengatasi tantangan ini, penelitian ini mengimplementasikan metode Collaborative Filtering dengan algoritma Cosine Similarity dan Jaccard Similarity. Cosine Similarity digunakan untuk mengukur kemiripan antar pengguna berdasarkan nilai yang diberikan terhadap produk, sementara Jaccard Similarity fokus pada kesamaan interaksi pengguna tanpa memperhatikan nilai rating. Hasil penelitian menunjukkan bahwa Cosine Similarity cenderung memberikan skor kemiripan yang lebih tinggi dibandingkan Jaccard Similarity, terutama dalam situasi data yang tidak lengkap, dengan rata rata selisih skor sebesar 26.14%. Selain itu, sistem yang dikembangkan mampu memanfaatkan efek Fear of Missing Out (FoMO) untuk meningkatkan relevansi dan urgensi pembelian produk. Integrasi algoritma ini meningkatkan akurasi rekomendasi dan membuka peluang untuk pengembangan lebih lanjut, seperti penerapan hybrid filtering, guna mengoptimalkan kinerja sistem rekomendasi dalam e-commerce.
Customer Data Management Analysis for Customer Segmentation Using K-Means Clustering Method Andre Leto; Reza Aminullah; Ani Dijah Rahajoe
International Journal of Information Engineering and Science Vol. 2 No. 4 (2025): November : International Journal of Information Engineering and Science
Publisher : Asosiasi Riset Teknik Elektro dan Infomatika Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62951/ijies.v2i4.345

Abstract

This study aims to examine customer segmentation through K-Means clustering from a customer data management perspective, emphasizing the interpretive value of analytical results rather than solely their computational outcomes. The research addresses a critical issue in contemporary data-driven organizations, where customer analytics is often reduced to technical modeling without sufficient translation into managerial insights. To respond to this gap, the study adopts a qualitative interpretive approach embedded within a quantitative clustering process, positioning clustering as part of a broader information management cycle. The empirical analysis is based on the Mall Customers Dataset obtained from Kaggle, consisting of 200 customer records with numerical attributes representing age, annual income, and spending score. Quantitative processing using K-Means clustering was employed to identify customer segments, while qualitative interpretation was applied to analyze the managerial meaning of each cluster. Data interpretation was supported by analytical documentation, visualization outputs, and reflective analysis of cluster characteristics. The findings reveal four distinct customer segments with different behavioral and economic profiles, each carrying specific strategic implications for customer relationship management and marketing decision-making. The study demonstrates that the primary value of clustering lies not merely in segment formation, but in its ability to transform raw customer data into actionable managerial knowledge. In conclusion, this research contributes to customer analytics literature by integrating data mining techniques with qualitative interpretation, offering a more human-centered and decision-oriented framework for customer data management. Future research is encouraged to extend this approach using organizational case studies or participatory decision-making contexts.
PERAN BIG DATA DALAM MANAJEMEN DATA DAN INFORMASI SEBAGAI SISTEM PENDUKUNG KEPUTUSAN (SYSTEMATIC LITERATURE REVIEW) Suryantari, Putu Anggi; Muttaqin, Faisal; Rahajoe, Ani Dijah
Jurnal Informatika dan Teknik Elektro Terapan Vol. 14 No. 1 (2026)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v14i1.8899

Abstract

Big Data telah menjadi komponen penting dalam manajemen data dan informasi seiring dengan meningkatnya volume dan kompleksitas data yang dihasilkan oleh organisasi. Pemanfaatan Big Data yang tepat memungkinkan organisasi untuk mengelola data secara lebih terstruktur dan menghasilkan informasi yang bernilai bagi pengambilan keputusan manajemen. Penelitian ini bertujuan untuk menganalisis peran Big Data dalam manajemen data dan informasi sebagai sistem pendukung keputusan melalui pendekatan Systematic Literature Review. Metode penelitian dilakukan dengan mengkaji 15 artikel ilmiah yang relevan berdasarkan proses pencarian dan penilaian kualitas literatur. Hasil penelitian menunjukkan bahwa pengelolaan Big Data yang baik mempertimbangkan karakteristik utama Big Data yang meliputi volume, kecepatan, variasi, keandalan, dan nilai data. Selain itu, pemanfaatan Big Data berperan dalam meningkatkan kualitas informasi, mempercepat proses pengambilan keputusan, serta mendukung keputusan manajemen yang lebih akurat dan berbasis data. Dengan demikian, Big Data memberikan kontribusi positif dalam mendukung sistem pendukung keputusan pada organisasi.
Penerapan Algoritma ECLAT untuk Market Basket Analysis pada Data Transaksi Ritel Rahajoe, Ani Dijah; Megantara, Sofia Ramadhani; Fransiska, Amelia; Feriza, Reyana Dinda Maulan; Indartono, Taqiyya; Perkasa, Laurensius Gading Surya
Jurnal Pendidikan Tambusai Vol. 10 No. 1 (2026)
Publisher : LPPM Universitas Pahlawan Tuanku Tambusai, Riau, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/jptam.v10i1.36325

Abstract

Dalam perkembangan teknologi di sektor ritel modern telah menghasilkan data transaksi dalam jumlah besar yang menyimpan informasi penting dari hasil transaksi konsumen yang merujuk pada pola perilaku belanja konsumen. Dalam hal ini produsen bisa menganalisis hubungan antar produk menggunakan Market Basket Analysis (MBA) yang merupakan teknik data mining yang digunakan untuk mengidentifikasi hubungan antar produk yang dibeli secara bersamaan. Penelitian bertujuan untuk mengungkap pola hubungan antar produk pada data transaksi ritel menggunakan algoritma ECLAT. Dataset yang digunakan berasal dari platform kaggle dengan total data 7.501 transaksi dari 120 jenis produk. Algoritma ECLAT diterapkan dengan batas minimum support sebesar 3% setelah melalui tahap proses data. Hasil penelitian ini menunjukkan terdapat sejumlah kombinasi produk yang sering dibeli konsumen dengan nilai support yang tinggi. Temuan ini dapat digunakan oleh pemilik ritel untuk menata letak produk, promosi bundling, dan persediaan yang dapat dioptimalkan.
Optimasi Hyperparameter CatBoost dengan Particle Swarm Optimization untuk Klasifikasi Hipertensi Al Afgany, Muhammad Iqbal; Ani Dijah Rahajoe; Wahanani, Henni Endah
JASIEK (Jurnal Aplikasi Sains, Informasi, Elektronika dan Komputer) Vol. 7 No. 2 (2025): Desember 2025
Publisher : Universitas Merdeka Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26905/jasiek.v7i2.16292

Abstract

Hypertension is a cardiovascular disease affecting 11,952,694 residents aged ≥15 years in East Java in 2019, yet only 40.1% received healthcare services. This study aims to analyze the effect of Particle Swarm Optimization (PSO) on CatBoost algorithm performance in hypertension level classification. The research dataset combined data from Puskesmas Kepatihan Gresik (191 data) and Kaggle (12,500 data) divided with an 80:10:10 ratio. PSO was used for CatBoost hyperparameter optimization including iterations, depth, learning_rate, and l2_leaf_reg. Model evaluation utilized accuracy, precision, recall, and F1-score metrics. Results show that CatBoost with PSO optimization achieved 96% accuracy with optimal configuration of iterations=100, depth=3, learning_rate=0.055, and l2_leaf_reg=3, 2% higher than without optimization (94%). This study proves the effectiveness of PSO in optimizing CatBoost hyperparameters for more accurate early hypertension detection
Analisis Penyakit Jantung Menggunakan Metode Random Forest Ani Dijah Rahajoe; Azaidane, Dandi; Putra, Brian Akhdan; Pahlevy, Mohammad Reza; Bimantoro, Bisma Satrio; Akash, Fransisco Rivaldi
Digital Transformation Technology Vol. 6 No. 1 (2026): Periode Maret 2026
Publisher : Information Technology and Science(ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/digitech.v6i1.7612

Abstract

Diagnosis dini penyakit jantung sebagai salah satu penyebab kematian tertinggi di dunia membutuhkan metode analisis yang akurat dan andal. Perkembangan teknik data mining dan machine learning memberikan peluang besar dalam pengolahan data medis secara efisien. Penelitian ini bertujuan untuk menganalisis dan memprediksi penyakit jantung menggunakan metode Random Forest serta mengevaluasi kinerja model berdasarkan beberapa metrik evaluasi. Tahapan penelitian meliputi pengumpulan dataset penyakit jantung, pra-pemrosesan data seperti pembersihan dan normalisasi, pembagian data menjadi data latih dan data uji, serta penerapan algoritma Random Forest sebagai model klasifikasi. Evaluasi model dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa metode Random Forest mampu mengklasifikasikan penyakit jantung dengan sangat baik, dengan tingkat akurasi sebesar 99,07%, presisi 98,77%, recall 99,38%, dan F1-score 99,08%. Hasil ini menunjukkan bahwa Random Forest lebih unggul dibandingkan metode klasifikasi tunggal karena kemampuannya mengurangi overfitting dan menggabungkan beberapa pohon keputusan. Dengan demikian, metode Random Forest dapat digunakan secara efektif sebagai sistem pendukung keputusan dalam prediksi penyakit jantung. Namun, penelitian lanjutan masih diperlukan dengan jumlah data yang lebih besar, fitur klinis yang lebih beragam, serta perbandingan dengan algoritma lain untuk meningkatkan keandalan sistem prediksi.
Co-Authors Agung Subekti, Mohamad Rafli Ainur Rahim Akash, Fransisco Rivaldi Al Afgany, Muhammad Iqbal Andre Leto arif arizal Azaidane, Dandi Bawazir Fadhil Muhammad Bimantoro, Bisma Satrio Chaurina, Agfanadita Rezkia Dian Agus Prawinata Eka Prakarsa Mandyartha Fajar Indra Nur Alam Feriza, Reyana Dinda Maulan Fransiska, Amelia Henni Endah Wahanani I Gede Susrama Mas Diyasa Indartono, Taqiyya Jr, Angelo A. Beltran M Mahaputra M. Mahaputra Made Hanindia Prami Swari Megantara, Sofia Ramadhani Muhammad Farhan Maulana Muttaqin, Faisal Nurlaili, Afina Lina P. Eko Prasetyo Pahlevy, Mohammad Reza Perkasa, Laurensius Gading Surya Pramnesti, Adisty Regina Putra, Brian Akhdan Retno Mumpuni Reza Aminullah Satrio Budi Wahyuono Soffiana Agustin, Soffiana Subekti, Mohamad Rafli Agung Suriansyah, Muhammad Suryantari, Putu Anggi Syariful Alim Waskito, Muhammad Rizal Winarko, Edi