Article Per Year (5 Year)
p-Index From 2020 - 2025
1.623
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi dan Ilmu Komputer RABIT: Jurnal Teknologi dan Sistem Informasi Univrab METIK JURNAL Building of Informatics, Technology and Science JATI (Jurnal Mahasiswa Teknik Informatika) Jurnal Locus Penelitian dan Pengabdian Jurnal Algoritma INOVTEK Polbeng - Seri Informatika
Edvin Ramadhan
Institut Teknologi Bandung
Aerospace Engineering Automotive Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Electrical & Electronics Engineering Engineering Mathematics

Published : 9 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 9 Documents
Search

 1 
PENGGUNAAN ALGORITMA GEOSHASHING DALAM PENCARIAN LETAK INFORMASI GEOGRAFIS PENGGANTI KOOORDINAT LATITUDE DAN LONGITUDE Firdaus, Fajar; Hadiana, Asep Id; Ramadhan, Edvin
Rabit : Jurnal Teknologi dan Sistem Informasi Univrab Vol 9 No 2 (2024): Juli
Publisher : LPPM Universitas Abdurrab

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36341/rabit.v9i2.4848

Abstract

Dalam era digital saat pencarian data geografis menjadi semakin penting dalam aplikasi lokasi, termasuk pemetaan, navigasi, dan analisis lingkungan tempat dalam suatu lokasi. algoritma geohashing menawarkan pendekatan yang efisien untuk pengkodekan dan menyimpan data geografis dalam format string,String ini menggunakan alfanumerik yang dihasilkan oleh geohashing dari angka dan huruf dalam pencarian titik lokasi dengan koordinat, hal ini juga dapat menawarkan lapisan akses dari data lokasi yang sensitif. Penelitian ini bertujuan untuk mengeksplorasi penerapan algoritma geohashing dalam manajemen data geografis. algoritma geohashing dalam pencarian letak informasi geografis sebagai alternatif pengganti koordinat latitude dan longitude. Secara khusus, penelitian ini menganalisis efisiensi geohashing dalam kompresi data, akurasi lokalisasi penggunaan geohashing memungkinkan pengelompokan data geografis yang lebih baik, dan mendukung pencarian data spasial seperti pencarian letak lokasi dan pencarian titik koordinat dalam wilayah tertentu. algoritma geohashing diimplementasikan dalam data geografis dan diuji untuk berbagai skenario pencarian. Dari hasil penelitian menunjukkan bahwa geohashing dapat meningkatkan kecepatan pencarian informasi geografis secara signifikan algoritma geohashing membuktikan tindakan sebagai alat yang efektif dalam manajemen dan pencarian data geografis,pada pencarian data koordinat lokasi ini juga dapat memberikan alternatif untuk mendapatkan latitude dan longitude dari suatu lokasi. Hasil penelitian menunjukkan bahwa geohashing dapat meningkatkan kecepatan pencarian informasi geografis secara signifikan, terutama dalam menjangkau suatu lokasi dengan level grid kotak data yang kecil dan besar sesuai karakter string yang dimasukan. Penggunaan geohashing tidak hanya meningkatkan efisiensi dan kecepatan pencarian tetapi juga memberikan manfaat tambahan dalam hal pengelolaan dan perlindungan data geografis.algoritma geohashing adalah metode yang digunakan untuk mengkodekan koordinat geografis yang menghasilkan lokasi acak.Pengujian pada sistem ini dilakukan dengan cara melakukan akses geografis kepada API aplikasi lokasi yang sudah dibuat sesuai permintaan yang diminta untuk mendapatkan informasi data geografis dan titik lokasi.
PREDIKSI PENYAKIT STROKE MENGGUNAKAN METODE K-NEAREST NEIGBORS DAN INFORMATION GAIN Nabiel Syahreza, Fabian; Nurul Sabrina, Puspita; Ramadhan, Edvin
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 6 (2024): JATI Vol. 8 No. 6
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i6.11427

Abstract

Stroke adalah penyebab utama kecacatan global, dengan lebih dari 12 juta kasus baru setiap tahunnya menurut WHO. Kondisi ini ditandai oleh defisit neurologis yang berkembang cepat dan dapat berlangsung lama atau menyebabkan kematian. Untuk memprediksi risiko stroke secara akurat, penelitian ini mengembangkan model prediksi menggunakan metode K-Nearest Neighbors (KNN) yang digabungkan dengan Information Gain (IG). KNN, yang mengklasifikasikan data berdasarkan kesamaan fitur, dioptimalkan melalui seleksi fitur menggunakan IG untuk memilih fitur yang paling relevan. Hasil evaluasi menunjukkan bahwa model KNN yang mengintegrasikan IG mencapai akurasi tertinggi 99,85% dengan 5 fitur terpilih (hypertension, avg_glucose_level_category, heart_disease, ever_married, work_type) dan nilai k=25, dibandingkan dengan akurasi 88,46% dari model KNN tanpa IG. Akurasi tinggi ini didukung oleh precision 99,71%, recall 100%, dan F1-Score 99,86%, yang menegaskan efektivitas IG dalam meningkatkan performa model KNN. Penelitian ini menunjukkan bahwa integrasi IG secara signifikan meningkatkan akurasi prediksi risiko stroke dengan memilih fitur-fitur yang paling relevan.
Klasterisasi Akademik Prestasi Siswa Menggunakan Algoritma K-Prototype Firdaus, Muhammad Fauzi; Abdillah, Gunawan; Ramadhan, Edvin
Jurnal Locus Penelitian dan Pengabdian Vol. 4 No. 8 (2025): JURNAL LOCUS: Penelitian dan Pengabdian
Publisher : Riviera Publishing

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58344/locus.v4i8.4233

Abstract

Dalam dunia pendidikan, seringkali muncul permasalahan dalam menentukan tingkat prestasi siswa berdasarkan kategori rendah, sedang, dan tinggi, serta dalam mengidentifikasi siswa-siswa unggulan di dalam kelas. Untuk mengatasi permasalahan tersebut, pendekatan data mining dengan algoritma K-Prototypes dapat digunakan untuk mengelompokkan data siswa yang terdiri dari kombinasi atribut numerik dan kategorikal. Dalam penelitian ini, dilakukan klasterisasi terhadap data nilai siswa kelas VII–IX MTs Nurul Hidayah tahun ajaran 2021–2024 yang mencakup semester ganjil hingga genap. Atribut yang digunakan meliputi nilai akademik, aspek keaktifan, afektif, psikomotorik, serta data kategorikal seperti kehadiran dan partisipasi ekstrakurikuler. Proses clustering diterapkan untuk mengelompokkan siswa berdasarkan pola nilai dan karakteristik mereka, guna mengidentifikasi kecenderungan keberhasilan dalam pembelajaran. Validasi dilakukan melalui wawancara dengan guru mata pelajaran dan wali kelas, serta verifikasi nilai dari sistem Dapodik. Hasil penelitian menunjukkan bahwa algoritma K-Prototypes mampu mengelompokkan siswa ke dalam kategori prestasi rendah, sedang, dan tinggi secara lebih akurat karena mampu menangani data campuran. Dengan adanya sistem klasterisasi ini, pihak sekolah dapat lebih mudah mengenali siswa yang membutuhkan perhatian khusus dan dapat merancang strategi pembelajaran yang lebih efektif dan terarah.
Analisis Tren dan Prediksi Penjualan Restoran Menggunakan Model Time Series Prophet Hidayat, Kiki; Witanti, Wina; Ramadhan, Edvin
METIK JURNAL (AKREDITASI SINTA 3) Vol. 9 No. 2 (2025): METIK Jurnal
Publisher : LPPM Universitas Mulia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47002/gd8y7q29

Abstract

Daily sales forecasting is a critical component of business planning that must adapt to the dynamics of market demand. While traditional approaches such as Single Moving Average and Trend Moment have been used in previous studies, their predictive accuracy on daily sales often remains suboptimal, with reported MAPE values up to 39.2%. Prophet, a time series model developed by Meta, offers enhanced flexibility in capturing non-linear trends, seasonality, and incorporating external regressors. This study proposes a hybrid forecasting model by combining Prophet with engineered features and external regressors, including calendar effects and recent sales statistics. The dataset consists of daily sales records that have undergone data cleaning, logarithmic transformation, and smoothing. Prophet is configured with additional monthly seasonality, national holiday indicators, and optimized parameters through grid search. Evaluation results demonstrate a substantial improvement, with the final model achieving an R² score of 0.9787 and a MAPE of 3.79%, outperforming conventional methods and aligning with the best results from recent Prophet-based studies. These findings confirm that the integration of external variables within Prophet significantly improves prediction accuracy, making it suitable for time series forecasting in various business domains with similar data patterns.
Pengelompokkan Pola Perubahan Cuaca Menggunakan Metode K-Medoids dan Gap Statistic Julianthy, Denissya; Hadiana, Asep Id; Ramadhan, Edvin
Building of Informatics, Technology and Science (BITS) Vol 7 No 2 (2025): September 2025
Publisher : Forum Kerjasama Pendidikan Tinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bits.v7i2.7824

Abstract

Clustering daily weather patterns is an important process for understanding complex weather variations. However, commonly used methods such as K-Means have weaknesses due to their sensitivity to outliers and the need for manual clustering. This study proposes a combination of the K-Medoids and Gap Statistics methods to produce more stable and accurate clusters. Semarang's daily weather data from 2017 to 2023 was processed through cleaning, standardization with Standard Scaler, and dimensionality reduction using PCA. The Gap Statistics results indicate the optimal number of clusters is three: rainy, sunny, and cloudy. The clustering evaluation yielded a Silhouette Score of 0.3793, a Calinski-Harabasz Index of 1490.5604, and a Davies-Bouldin Index of 0.9031. These results indicate a fairly good cluster structure, although there is still room for improvement, especially in the separation between clusters.
Klasifikasi Churn Dengan Algoritma Xgboost Menggunakan Feature Selection Boruta-Shap Hadi Sakaro, Dwi Wahyu Kuncoro; Shabrina, Puspita Nurul; Ramadhan, Edvin
Building of Informatics, Technology and Science (BITS) Vol 7 No 2 (2025): September 2025
Publisher : Forum Kerjasama Pendidikan Tinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bits.v7i2.7965

Abstract

Customer churn is a critical issue for telecommunications companies, as it directly impacts revenue and business sustainability. This study proposes the development of a churn prediction model using the Extreme Gradient Boosting (XGBoost) algorithm combined with the Boruta feature selection method and SHAP (SHapley Additive exPlanations)-based feature interpretation. The dataset used is the Telco Customer Churn dataset from Kaggle, consisting of 7,043 customer records and 21 features. The research stages include data preprocessing, data transformation, an 80:20 train-test split, data balancing using SMOTE, feature selection with Boruta, feature interpretation with SHAP, and classification using XGBoost. The model’s performance was evaluated using accuracy, precision, recall, and F1-score metrics. Results show that the XGBoost model with Boruta-SHAP (Model B) achieved an accuracy of 0.7576, slightly higher than the model without feature selection (Model A), which achieved 0.7512. Model B also demonstrated improved performance for the majority class (non-churn), with recall increasing from 0.76 to 0.79 and F1-score from 0.82 to 0.83. However, for the minority class (churn), recall decreased from 0.72 to 0.66, although precision increased from 0.52 to 0.54. These findings indicate that integrating Boruta-SHAP can enhance model efficiency and interpretability, but additional strategies are required to maintain performance for the minority class.
Pengontrolan Lampu Lalu Lintas Menggunakan Teknologi Deteksi Kendaraan YOLOV4 Wahidin, Farhan Raihan; Witanti, Wina; Ramadhan, Edvin
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 5: Oktober 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025125

Abstract

Deteksi kendaraan adalah aspek kunci dalam pengontrolan lalu lintas yang efisien. Kemacetan lalu lintas bisa terjadi salah satunya akibat pengaturan durasi lampu lalu lintas yang tidak disesuaikan dengan volume kendaraan pada saat itu. Penelitian ini bertujuan mengembangkan sistem pengontorlan lampu lalu lintas adaptif yang menyesuaikan durasi lampu berdasarkan volume kendaraan yang terdeteksi menggunakan YOLOv4, yang dapat mengatasi kekurangan pada sistem pengontrolan lalu lintas konvensional dan mengurangi kemacetan serta meningkatkan efisiensi lalu lintas. Tahapan penelitian dimulai dengan mengumpulkan data video lalu lintas dari CCTV (Closed Circuit Television) yang dipasang di berbagai lokasi strategis untuk mendapatkan gambaran lengkap tentang kondisi lalu lintas. Data tersebut kemudian dianalisis menggunakan algoritma YOLOv4 (You Only Look Once v4) untuk mendeteksi kendaraan secara real-time. YOLOv4 dipilih karena keunggulannya dalam efisiensi dan akurasi deteksi kendaraan secara real-time. Setelah data deteksi kendaraan terkumpul, data tersebut diintegrasikan dengan sistem lampu lalu lintas. Algoritma ini dirancang untuk mengintegrasikan data deteksi kendaraan secara real-time dan menyesuaikan durasi lampu lalu lintas berdasarkan jumlah kendaraan. Selanjutnya simulasi sistem menggunakan library pygame dilakukan untuk mengevaluasi kinerja algoritma di berbagai kondisi lalu lintas. Hasil penelitian menunjukkan bahwa penggunaan YOLOv4 dalam sistem pengontrolan lampu lalu lintas adaptif secara signifikan mengurangi kemacetan. Model YOLOv4 menunjukkan akurasi rata-rata tertinggi sebesar 78% dalam deteksi kendaraan di jalan kedua dengan kualitas video yang cukup baik. Penggunaan YOLOv4 dalam pengontrolan lampu lalu lintas menunjukkan peningkatan efisiensi dan responsivitas terhadap tingkat kepadatan lalu lintas sedang, dengan pengurangan durasi lampu hijau berkisar antara 53% hingga 86%.   Abstract Vehicle detection is a key aspect of efficient traffic control. Traffic congestion can occur, in part, due to traffic light duration settings that are not adjusted according to the volume of vehicles at a given time. This study develops an adaptive traffic light control system that adjusts the duration of the lights based on the detected vehicle volume, aiming to address the shortcomings of conventional traffic control systems and reduce congestion while improving traffic efficiency.The research began with collecting traffic video data from CCTV (Closed Circuit Television) installed at various strategic locations to get a comprehensive overview of traffic conditions. The data was then analyzed using the YOLOv4 (You Only Look Once v4) algorithm for real-time vehicle detection. YOLOv4 was chosen for its advantages in efficiency and accuracy in real-time vehicle detection. Once the vehicle detection data was collected, it was integrated with the traffic light system. The algorithm was designed to integrate real-time vehicle detection data and adjust the traffic light duration based on the number of vehicles. A simulation of the system was then conducted using the Pygame library to evaluate the algorithm's performance under various traffic conditions. The study results showed that the use of YOLOv4 in adaptive traffic light control systems significantly reduced congestion. The YOLOv4 model demonstrated the highest average accuracy of 78.93% in vehicle detection on the second road with fairly good video quality. The use of YOLOv4 in traffic light control showed increased efficiency and responsiveness to moderate traffic density, with a reduction in green light duration ranging from 53% to 86%.
Model Prediksi Produksi Padi Berdasarkan Curah Hujan dan Suhu Menggunakan Regresi Linier Berganda Kharisma S, Moh Iqbal; Hadiana, Asep ID; Ramadhan, Edvin
Jurnal Algoritma Vol 22 No 2 (2025): Jurnal Algoritma
Publisher : Institut Teknologi Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33364/algoritma/v.22-2.2793

Abstract

Padi merupakan komoditas pangan utama yang memiliki peran strategis dalam menjaga ketahanan pangan nasional. Produktivitas padi sangat rentan terhadap fluktuasi iklim, terutama curah hujan dan suhu udara yang kerap berubah akibat dinamika iklim global. Kondisi tersebut menimbulkan ketidakpastian hasil panen yang berdampak pada kesejahteraan petani, ketersediaan pangan, serta stabilitas sosial ekonomi. Oleh karena itu, diperlukan pendekatan berbasis data yang mampu memberikan estimasi produksi padi secara lebih akurat sebagai dasar perencanaan pertanian dan mitigasi risiko. Penelitian ini bertujuan untuk mengembangkan model prediksi produksi padi menggunakan regresi linier berganda dengan variabel curah hujan dan suhu udara sebagai prediktor utama. Data penelitian berupa data sekunder curah hujan, suhu, dan produksi padi diperoleh dari instansi resmi selama periode 2015–2024. Tahapan penelitian meliputi preprocessing data melalui normalisasi dan analisis korelasi, pembangunan model regresi linier berganda, serta evaluasi menggunakan koefisien determinasi (R²), Mean Absolute Error (MAE), dan Root Mean Square Error (RMSE) disertai uji asumsi klasik regresi. Hasil penelitian menunjukkan bahwa model regresi linier berganda mampu memprediksi produksi padi dengan tingkat kesalahan yang relatif rendah, sehingga dapat dijadikan alat bantu analitis untuk memperkirakan potensi hasil panen. Model prediktif ini diharapkan dapat dimanfaatkan oleh pemerintah daerah, penyuluh pertanian, dan petani dalam menyusun strategi tanam, pengelolaan irigasi, serta distribusi pangan secara lebih efektif dan efisien. Dengan demikian, penelitian ini berkontribusi dalam mendukung ketahanan pangan nasional melalui penerapan teknologi prediktif berbasis data.
Computational Analysis of Student Stress on Social Media using Support Vector Machine and Latent Dirichlet Allocation Fauzan, Mochammad; Ashaury, Herdi; Ramadhan, Edvin
INOVTEK Polbeng - Seri Informatika Vol. 10 No. 3 (2025): November
Publisher : P3M Politeknik Negeri Bengkalis

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35314/8jcvxk45

Abstract

This study develops a two-stage machine-learning framework to identify academic stressors among Indonesian university students using Twitter data. A Support Vector Machine (SVM) classifier was trained on manually annotated tweets and benchmarked against Naïve Bayes, logistic regression, and random forest, achieving an accuracy of 0.91 and a macro F1-score of 0.914, outperforming all baselines. Tweets classified as stress-related with ≥75% confidence were subsequently analyzed using Latent Dirichlet Allocation (LDA), which generated six coherent stressor categories. The framework reveals both structural academic pressures and culturally specific patterns, including references to “dosen killer” and emerging mental-health vocabulary. Contributions include the first Indonesia-focused stressor map derived from large-scale social media discourse and the integration of confidence filtering to enhance topic quality. While results demonstrate the feasibility of social-media–based stress detection, limitations remain regarding temporal drift, annotation bias, and demographic representativeness. Future research should incorporate real-time streaming pipelines, multimodal annotation, and longitudinal evaluation to enhance robustness and early-warning potential.
Co-Authors Ashaury, Herdi Bambang Riyanto Trilaksono Fahrezi Ahmad, Rafly Fikri Fajar Firdaus, Fajar Fauzan, Mochammad Firdaus, Muhammad Fauzi Gunawan Abdillah, Gunawan Hadi Sakaro, Dwi Wahyu Kuncoro Hadiana, Asep Id Iping Supriana Suwardi Julianthy, Denissya Kharisma S, Moh Iqbal Kiki Hidayat, Kiki Nabiel Syahreza, Fabian Nurul Sabrina, Puspita Puspita Nurul Sabrina, Puspita Nurul Rahmah, Revina Nur Shabrina, Puspita Nurul Wahidin, Farhan Raihan Wina Witanti