Article Per Year (5 Year)
p-Index From 2021 - 2026
2.426
P-Index
This Author published in this journals
All Journal JOURNAL OF INFORMATION SYSTEM RESEARCH (JOSH) Infotek : Jurnal Informatika dan Teknologi Indonesian Journal of Informatic Research and Software Engineering BATOBO: Jurnal Pengabdian Kepada Masyarakat Journal of Islamic Finance and Accounting Research Journal of System and Technology Journal of Software Engineering and Multimedia (JASMED)
Dian Ramadhani
Universitas Riau
Religion Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Other

Published : 15 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 15 Documents
Search

 1   2 
Design and Development of a Web-Based Project Monitoring System Using the Prototype Method Sherly Musva; Dian Ramadhani
Journal of Software Engineering and Multimedia (JASMED) Vol. 3 No. 2 (2025): Journal of Software Engineering and Multimedia (JASMED)
Publisher : Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20895/jasmed.v3i2.10135

Abstract

EMP Bentu Ltd – EMP Korinci Baru Ltd is a company operating in the natural gas sector and currently managing multiple on-site projects that require continuous monitoring. The project supervision process still relies on WhatsApp and email, resulting in fragmented communication, limited traceability of progress, and unstructured documentation management. These limitations hinder timely validation of vendor reports and complicate decision-making, highlighting the need for a centralized and systematic monitoring solution. This research aims to design and develop a web-based project monitoring system that provides real-time, structured, and integrated oversight of project activities. The Prototype development model was applied through iterative cycles consisting of requirement identification, rapid design, prototype construction, user evaluation, and refinement based on feedback. The resulting system integrates essential features such as project phase and activity management, vendor reporting modules, progress visualization through charts, a Gantt-based scheduling interface, and daily report approval workflows. System evaluation based on the ISO 25010 quality model demonstrates that the application improves the accuracy, accessibility, and timeliness of project monitoring across functional suitability, usability, performance efficiency, and security attributes. The implementation of this system is expected to enhance operational transparency and support faster, data-driven decision-making within the company. The study contributes a practical software solution tailored for energy-sector project environments, emphasizing the value of prototype-based development for user-centered system design.
PERBANDINGAN KINERJA MODEL CNN EFFICIENTNETB0 DAN VISION TRANSFORMER UNTUK KLASIFIKASI CITRA REAL-FAKE Akhlaqul Muhammad Fadwa; M. Sohibbal; Rachel Ditya Syaharani; Dian Ramadhani; Al Aminuddin
Journal of System & Technology (SYSTEC) Vol. 2 No. 1 (2026): Journal of System & Technology (June Edition)
Publisher : Jurusan Teknik Elektro, Fakultas Teknik, Universitas Riau

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

Abstract

Model generatif berbasis Generative Adversarial Network (GAN) seperti StyleGAN, Stable Diffusion, DALL·E, dan DeepFaceLab kini mampu menghasilkan citra sintetis yang sulit dibedakan dari citra asli, memicu penyalahgunaan berupa deepfake, manipulasi identitas digital, dan misinformasi visual yang mengancam kepercayaan terhadap konten digital. Penelitian ini mengusulkan pendekatan komparatif antara Convolutional Neural Network (CNN) berbasis EfficientNetB0 dan Vision Transformer (ViT) untuk mengklasifikasikan citra real dan fake guna mengidentifikasi arsitektur paling efektif dalam deteksi konten sintetis. Kedua model dikonfigurasi dengan backbone frozen menggunakan bobot pre-trained dan classifier head identik: Dense(512, ReLU), Dropout(0,4), Dense(256, ReLU), Dropout(0,4), Dense(1, Sigmoid), untuk memastikan perbandingan yang objektif. Dataset CIFAKE terdiri dari 120.000 citra — 60.000 real (CIFAR-10) dan 60.000 fake (Stable Diffusion v1.4) — diproses dengan resizing ke 224×224 piksel, normalisasi, dan augmentasi data, dengan pembagian 80:20 untuk pelatihan-validasi dan 20.000 citra untuk pengujian. Evaluasi dilakukan menggunakan akurasi, precision, recall, F1-score, dan confusion matrix. EfficientNetB0 mencapai akurasi 84,79% dengan waktu pelatihan ±1 jam 12 menit, namun lemah pada deteksi kelas fake dengan recall 72,17% dan false positive 2.783 citra. Sebaliknya, Vision Transformer mencapai akurasi 97,15% dengan precision, recall, dan F1-score seimbang di atas 97% pada kedua kelas, dengan waktu pelatihan ±14 jam 18 menit. Vision Transformer terbukti mengungguli EfficientNetB0 pada seluruh metrik, sementara EfficientNetB0 tetap relevan pada skenario dengan keterbatasan komputasi. Secara khusus, untuk menekan angka false positive pada EfficientNetB0, penelitian selanjutnya dapat menerapkan class-weighted loss atau focal loss guna meningkatkan sensitivitas model terhadap kelas fake, serta threshold tuning pada output sigmoid untuk menyeimbangkan precision dan recall.
KOMPARASI K-MEANS DAN AGGLOMERATIVE CLUSTERING PADA SEGMENTASI PELANGGAN RITEL Muhammad Abidillah; Rehandra Rehandra; Dian Ramadhani
Journal of System & Technology (SYSTEC) Vol. 2 No. 1 (2026): Journal of System & Technology (June Edition)
Publisher : Jurusan Teknik Elektro, Fakultas Teknik, Universitas Riau

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

Abstract

Segmentasi pelanggan merupakan strategi krusial dalam industri ritel modern untuk mengoptimalkan pemasaran berbasis data. Namun, mayoritas studi komparatif terdahulu hanya mengevaluasi Agglomerative Clustering pada satu konfigurasi linkage default, sehingga sensitivitas performa algoritma terhadap pemilihan kriteria jarak belum banyak dikuantifikasi secara eksplisit. Penelitian ini bertujuan mengisi kesenjangan tersebut dengan membandingkan kinerja K-Means terhadap empat varian Agglomerative Clustering (Single, Complete, Average, dan Ward Linkage) dalam mengelompokkan perilaku transaksi pelanggan, dievaluasi secara kuantitatif menggunakan Silhouette Score dan Davies-Bouldin Index. Lingkungan penelitian dibangun menggunakan platform RapidMiner untuk memproses Synthetic Customer Dataset yang terdiri dari 500 observasi, dengan validasi metrik dihitung secara konsisten melalui scikit-learn. Tahap pra-pemrosesan meliputi seleksi fitur dan normalisasi Z-transformation terhadap lima atribut numerik: Age, TotalSpend, AverageOrderValue, TotalOrders, dan LoyaltyPoints. Hasil eksperimen menunjukkan bahwa K-Means (Silhouette=0,165; DBI=1,592) secara konsisten mengungguli seluruh varian Agglomerative Clustering yang diuji. Single Linkage mengalami chaining effect yang tercermin dari Silhouette Score negatif (-0,123), meskipun nilai DBI-nya tampak rendah (0,777) akibat artefak klaster singleton yang hampir tidak memiliki dispersi internal. Complete (Silhouette=0,082; DBI=1,931), Average (Silhouette=0,108; DBI=1,792), dan Ward Linkage (Silhouette=0,111; DBI=1,927) berhasil menghindari chaining effect namun tetap menghasilkan kualitas partisi yang lebih rendah dibandingkan K-Means. Temuan ini menegaskan bahwa keberhasilan Agglomerative Clustering pada data ritel padat sangat bergantung pada pemilihan kriteria linkage, dan kontribusi utama penelitian ini adalah kuantifikasi eksplisit atas sensitivitas tersebut, termasuk pengungkapan bahwa Davies-Bouldin Index dapat menyesatkan ketika diterapkan pada distribusi klaster yang sangat tidak seimbang.
ANALISIS PERBANDINGAN ALGORITMA K-NEAREST NEIGHBORS DAN SUPPORT VECTOR MACHINE UNTUK KLASIFIKASI TINGKAT PENGALAMAN ANGGOTA GYM Hilmi Aminuddien; Syachrul Ramadhan; Mohammad Ferry Irwansyah; Dian Ramadhani
Journal of System & Technology (SYSTEC) Vol. 2 No. 1 (2026): Journal of System & Technology (June Edition)
Publisher : Jurusan Teknik Elektro, Fakultas Teknik, Universitas Riau

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

Abstract

Penentuan tingkat pengalaman anggota gym secara akurat merupakan tantangan penting dalam perancangan program latihan yang personal dan efektif. Penelitian terdahulu yang membandingkan K-Nearest Neighbors (K-NN) dan Support Vector Machine (SVM) umumnya berfokus pada domain medis seperti prediksi diabetes, sehingga efektivitas kedua algoritma pada data kebugaran fisik belum banyak dikaji. Penelitian ini mengisi kesenjangan tersebut dengan menerapkan dan membandingkan K-NN dan SVM pada dataset Gym Members Exercise Tracking (973 data, 15 atribut) untuk mengklasifikasikan tingkat pengalaman anggota menjadi tiga kelas: Beginner, Intermediate, dan Expert. Pemrosesan data mencakup label encoding, normalisasi StandardScaler, serta pembagian data latih dan uji dengan rasio 80:20. K-NN diimplementasikan dengan K=5 menggunakan metrik jarak Euclidean, sedangkan SVM menggunakan kernel RBF dengan parameter C=1,0 dan gamma='scale'. Hasil pengujian menunjukkan SVM mengungguli K-NN dengan akurasi 85,64% (macro F1-score: 0,86) dibandingkan K-NN dengan akurasi 81,54% (macro F1-score: 0,81). Kontribusi utama penelitian ini adalah bukti empiris bahwa SVM dengan kernel RBF lebih efektif untuk klasifikasi multikelas pada data kebugaran fisik dibandingkan K-NN, serta identifikasi fitur-fitur fisiologis yang paling berpengaruh terhadap penentuan tingkat pengalaman anggota gym.
Perbandingan Algoritma Random Forest, SVM, KNN, dan Decision Tree untuk Prediksi Penyakit STROK (DENGAN SMOTE) Christian Gideon Valent; Jeff Clarence; Raissa Nabila Putri Riski; Dian Ramadhani
Journal of System & Technology (SYSTEC) Vol. 2 No. 1 (2026): Journal of System & Technology (June Edition)
Publisher : Jurusan Teknik Elektro, Fakultas Teknik, Universitas Riau

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

Abstract

Strok merupakan salah satu penyebab kematian tertinggi di dunia, sehingga deteksi dini sangat penting untuk mengurangi risiko fatalitas. Namun, data klinis terkait penyakit ini umumnya mengalami ketidakseimbangan kelas (class imbalance) yang ekstrem, yang dapat memengaruhi keandalan model prediktif. Penelitian ini membandingkan performa empat algoritma machine learning, yaitu Random Forest, Support Vector Machine (SVM), K-Nearest Neighbor (KNN), dan Decision Tree untuk memprediksi risiko strok menggunakan Healthcare Strok Dataset dari Kaggle yang terdiri atas 5.110 data pasien berdasarkan 11 fitur prediktor (proporsi kelas tidak strok 95,13% dan strok 4,87%). Untuk mengatasi ketidakseimbangan data, metode Synthetic Minority Over-sampling Technique (SMOTE) diterapkan pada data pelatihan, diikuti dengan normalisasi StandardScaler dan pengujian validitas melalui 5-fold stratified cross-validation. Hasil penelitian menunjukkan bahwa Random Forest memperoleh akurasi keseluruhan tertinggi sebesar 93,05%, disusul oleh Decision Tree (90,02%), KNN (79,94%), dan SVM (75,44%). Sebaliknya, SVM menunjukkan kemampuan terbaik dalam mengidentifikasi kasus positif dengan nilai Recall kelas strok tertinggi sebesar 60,00%, dibandingkan KNN (36,00%), Decision Tree (22,00%), dan Random Forest (16,00%). Hasil ini menunjukkan adanya trade-off yang jelas antara akurasi global dan sensitivitas deteksi kelas minoritas. Dalam konteks diagnosis medis, meminimalkan kegagalan deteksi pasien sakit (False Negative) dinilai lebih krusial dibandingkan mengejar akurasi keseluruhan, sehingga model SVM dengan integrasi SMOTE direkomendasikan sebagai pendekatan yang paling sesuai untuk kebutuhan prediksi klinis strok.
Co-Authors Akhlaqul Muhammad Fadwa Al Aminuddin Al Aminuddin Ambarani, Isnani Andhi, Rahmat Rizal Anisa, Rahmi A’yuniyah, Qurotul Christian Gideon Valent Dian Saputra Edi Susilo Elvira, Winda Feri Candra Hadiwandra, T Yudi Hatta Irsyad, Hidayat Hilmi Aminuddien Ikran Syafwan, Muhammad Intan, Sofia Fulvi IRSAN TAUFIK ALI Jeff Clarence M. Sohibbal Mahdiyah, Evfi Mohammad Ferry Irwansyah Muhammad Abidillah Muhammad Muttakin Najwa Rokhan Rusmana Nazira, Nanda Putri Ramadhani Muliaqalbi Qoniah, Nurul Nyi Rachel Ditya Syaharani Raissa Nabila Putri Riski Rehandra Rehandra Sherly Musva Syachrul Ramadhan Yanti Andriyani