Article Per Year (5 Year)
p-Index From 2021 - 2026
1.745
P-Index
This Author published in this journals
All Journal ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika JITTER (Jurnal Ilmiah Teknologi Informasi Terapan) Jurnal Rekayasa Hijau MIND (Multimedia Artificial Intelligent Networking Database) Journal REKA ELKOMIKA: Jurnal Pengabdian kepada Masyarakat Journal Social Science And Technology For Community Service Journal of Data Science and Information System
FAHRUDIN, NUR FITRIANTI
Program Studi Sistem Informasi - Institut Teknologi Nasional Bandung
Agriculture, Biological Sciences & Forestry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Earth & Planetary Sciences Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Mechanical Engineering

Published : 12 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 6 Documents
Search
Journal : MIND (Multimedia Artificial Intelligent Networking Database) Journal

 1 
Penerapan Algoritma Apriori untuk Market Basket Analysis FAHRUDIN, NUR FITRIANTI
MIND Journal Vol 4, No 1 (2019): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (443.725 KB) | DOI: 10.26760/mindjournal.v4i1.13-23

Abstract

Pemanfaatan teknik data mining saat ini dapat membantu para pemilik bisnis untukmeningkatkan penjualan produk mereka. Salah satu teknik yang sangat dikenaladalah analisis asosiasi. Analisis asosiasi bertujuan untuk menemukan hubunganantara barang-barang yang dibeli oleh pelanggan. Analisis asosiasi semacam ini biasadikenal sebagai market basket analysis. Market basket analysis menggunakan datapelanggan yang selama ini disimpan didalam basis untuk menemukan informasi barudidalamnya. Algoritma Apriori merupakan algoritma untuk melakukan market basketanalisis, yang bertujuan untuk menemukan barang yang paling sering dibeli.Algoritma Apriori ini menghasilkan sebuah aturan asosiasi yang bermanfaat bagipelaku bisnis. Untuk memilih aturan asosasi yang paling kuat diperlukan perhitunganlift ratio. Dengan menghitung lift ratio dari setiap aturan asosiasi, dapat diketahuiaturan asosiasi yang valid dan paling kuat. Dengan melakukan analisis asosiasi,dapat diketahui bahwa data pelanggan dapat dimanfaatkan sebagai masukan kepadapemilik bisnis untuk menentukan strategi penjualan bagi bisnis mereka.
Penerapan Algoritma Apriori untuk Market Basket Analysis NUR FITRIANTI FAHRUDIN
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 4, No 1 (2019): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v4i1.13-23

Abstract

ABSTRAKPemanfaatan teknik data mining saat ini dapat membantu para pemilik bisnis untuk meningkatkan penjualan produk mereka. Salah satu teknik yang sangat dikenal adalah analisis asosiasi. Analisis asosiasi bertujuan untuk menemukan hubungan antara barang-barang yang dibeli oleh pelanggan. Analisis asosiasi semacam ini biasa dikenal sebagai market basket analysis. Market basket analysis menggunakan data pelanggan yang selama ini disimpan didalam basis untuk menemukan informasi baru didalamnya. Algoritma Apriori merupakan algoritma untuk melakukan market basket analisis, yang bertujuan untuk menemukan barang yang paling sering dibeli. Algoritma Apriori ini menghasilkan sebuah aturan asosiasi yang bermanfaat bagi pelaku bisnis. Untuk memilih aturan asosasi yang paling kuat diperlukan perhitungan lift ratio. Dengan menghitung lift ratio dari setiap aturan asosiasi, dapat diketahui aturan asosiasi yang valid dan paling kuat. Dengan melakukan analisis asosiasi, dapat diketahui bahwa data pelanggan dapat dimanfaatkan sebagai masukan kepada pemilik bisnis untuk menentukan strategi penjualan bagi bisnis mereka.Kata kunci: Algoritma Apriori, Market Basket Analysis, AsosisasiABSTRACTData mining techniques today can help business owners to increase sales of theirproducts. One well-known technique is association analysis. Association analysis aims to find relationships between items purchased by customers. This kind of association analysis is commonly known as market basket analysis. Market basket analysis uses customer data that has been stored on the base to find new information in it. A priori algorithm is an algorithm for doing market basketball analysis, which aims to find the items that are most often purchased. This a priori algorithm produces an association rule that is beneficial for business people. To choose the strongest association rule, it is necessary to calculate the elevator ratio. By calculating the elevator ratio of each association rule, you can find the valid and strongest association rules. By conducting association analysis, it can be seen that customer data can be used as input for business owners to determine sales strategies for their business.Keywords: Apriori Algorithm, Market Basket Analysis, Association
Sequence Clustering in Process Mining for Business Process Analysis Using K-Means NUR FITRIANTI FAHRUDIN
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 6, No 1 (2021): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v6i1.16-30

Abstract

ABSTRAKProses Discovery merupakan teknik utama dalam proses mining yang bertujuan untuk menghasilkan sebuah model dari event log. Namun dalam implementasinya ditemukan masalah, karena banyak varian proses yang terdapat pada event log. Hal ini membuat hasil proses discovery sulit untuk dipahami. Penelitian ini di awali dengan mengelompokan event log menggunakan metode K-Means sebagai tahap pre-processing. Hasil dari tahap pre-processing ini kemudian di modelkan menggunakan teknik proses mining. Namun, pada saat metode K-Means ini di terapkan penentuan jumlah cluster yang optimal sangatlah penting. Kesalahan dalam menentukan nilai K dapat menurunkan nilai fitness dan precision dari model yang dihasilkan. Berdasarkan hasil pengujian pada data set issue tracking dengan jumlah case 1091 dan jumlah event 7924  yang terbagi ke dalam empat cluster nilai precision meningkat dari 0,49 menjadi 1 dan nilai fitness meningkat dari 0,34 menjadi kisaran 0,61-1 pada cluster 2, 3 dan 4. Kata kunci: K-Means, proses mining, event log, clustering, sequence clusteringABSTRACTProcess Discovery as the main technique in the mining process aims to produce a model of an event log. However, in the implementation, there is a problem found, for a lot of process variants contained in the event log. This makes the results of the discovery process difficult to understand. This research begins by grouping event logs using the K-Means method as a pre-processing stage. The results of this pre-processing stage are then modeled using the process mining technique. However, determining the optimal number of clusters is crucial. Mistakes in determining the K value can reduce the fitness value and precision of the resulting model. Based on the test results on the issue tracking data set with the number of cases 1091 and the number of events 7924 which is divided into four clusters the precision value increased from 0.49 to 1 and the fitness value increased from 0.34 to 0.61-1 in clusters 2, 3 and 4.Keywords: K-Means, process mining, event log, clustering, sequence clustering  
Algoritma Scale Invariant Feature Transform (SIFT) pada Deteksi Kendaraan Bermotor di Jalan Raya YUSUP MIFTAHUDDIN; NUR FITRIANTI FAHRUDIN; MOCHAMAD FACHRY PRAYOGA
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 5, No 1 (2020): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v5i1.54-65

Abstract

AbstrakProses perhitungan jumlah kendaraan yang masih dilakukan secara manual dan membutuhkan banyak operator dalam pendataan. Berdasarkan hal itu, diperlukan sistem yang mampu mendeteksi dan mengklasifikasi kendaraan yang melintas di jalan raya secara otomatis. Dalam mengidentifikasi citra kendaraan, sistem menggunakan algoritma SIFT. Hasil fitur akan dibandingkan dengan metode K-Nearest Neighbor (KNN). Sistem dibangun untuk mendeteksi jenis kendaraan berat dengan mengukur tingkat akurasi keberhasilan berdasarkan nilai pencahayaan, jumlah objek, perubahan rotasi, serta pada kondisi siang dan malam hari. Dataset yang digunakan berjumlah 100 citra kendaraan berat. Kinerja sistem pada kondisi siang hari mendapat nilai presisi rata-rata 100%, nilai recall 54%, dan nilai akurasi 78%. Hasil pengukuran presisi dan recall, diperoleh nilai f-measure sebesar 67 %.Kata kunci: SIFT, kendaraan berat, K-Nearest NeighbourAbstractThe process of collecting vehicles still done manually and requires a lot of human resources. Therefore, we need a system that can detect and classify vehicles passing on the highway automatically. SIFT is an algorithm for identification of an image. The features will be compared using the K-Nearest Neighbor (KNN) method. In this study,  system will be designed to detect the type of heavy vehicle using the SIFT method to measure the accuracy of success based on the value of lighting, number of objects, changes in rotation, and day night conditions. Dataset used was 100 heavy vehicle images. The system performance during daytime conditions gets an average precision value of 100%, a recall value of 54%, and an accuracy value of 78%. From the results of precision and recall, the f-measure value is 67 %.Keywords: SIFT, heavy vehicles, K-Nearest Neighbour 
Influence of Data Scaling and Train/Test Split Ratios on LightGBM Efficacy for Obesity Rate Prediction FAHRUDIN, NUR FITRIANTI; PUTRA, KURNIA RAMADHAN; UMAROH, SOFIA; LAUTAN, GAMAS BLOORY
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 9, No 2 (2024): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v9i2.220-234

Abstract

AbstrakNormalisasi adalah proses yang tidak dapat dilewatkan dalam data mining yang membantu menyesuaikan nilai atribut data ke skala yang sama. Dalam konteks data mining, perbedaan skala antar atribut dapat menyebabkan kesalahan dalam pemodelan atau interpretasi hasil. Penggunaan normalisasi dalam pra-pemrosesan masih diperdebatkan, terutama ketika menggunakan algoritma dari kelompok pohon keputusan.  Penelitian ini membandingkan model dengan data yang dinormalisasi dan tidak dinormalisasi dengan menggunakan metode normalisasi, MinMaxScaler, MaxAbsScaler, dan RobustScaler. Hasil penelitian menunjukkan bahwa model LightGBM tanpa normalisasi memiliki tingkat akurasi sebesar 96,6 dalam mengklasifikasikan tingkat obesitas pada data saat ini. Tidak hanya normalisasi yang mempengaruhi hasil klasifikasi, tetapi juga jumlah rasio antara data pelatihan dan pengujian. Penelitian menunjukkan bahwa semakin besar persentase data yang digunakan untuk pelatihan, semakin tinggi tingkat akurasinya. Pada dataset obesitas, rasio 80:20 memiliki akurasi hingga 97%.Kata kunci: Decision Tree, LightGBM, Obesitas, Data Mining, KlasifikasiAbstractNormalization is an essential process in data mining that helps adjust the values of data attributes to the same scale. In data mining, differences in attribute scales can lead to errors in modeling or interpreting results. Normalization in preprocessing is still debated, particularly when using algorithms from the decision tree family. This study compares models with normalized and non-normalized data using normalization methods such as MinMaxScaler, MaxAbsScaler, and RobustScaler. The results show that the LightGBM model without normalization achieved an accuracy rate of 96.6% in classifying obesity levels in the current dataset. Not only does normalization affect classification results, but the ratio between training and testing data also plays a role. The study indicates that the larger the percentage of data used for training, the higher the accuracy rate. In the obesity dataset, an 80:20 ratio resulted in an accuracy rate of up to 97%.Keywords: Decision Tree, LightGBM, Obesity, Data Mining, Classification
Renovator: Resilience System in Microservices Architecture Using Fault Tolerance Factor PUTRA, KURNIA RAMADHAN; UMAROH, SOFIA; FAHRUDIN, NUR FITRIANTI; PANDJI, PRAMBUDHI WIBOWO
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 10, No 2 (2025): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v10i2.235-249

Abstract

ABSTRAKArsitektur microservices menghadapi tantangan dalam menjaga ketahanan layanan akibat cascading failure, ketergantungan antarlayanan yang dinamis, serta keterbatasan mekanisme fault tolerance berbasis ambang statis. Pendekatan seperti circuit breaker dan bulkhead hanya memberi perlindungan terbatas ketika beban dan latensi berubah cepat. Untuk menjawab gap tersebut, penelitian ini memperkenalkan Renovator, kerangka kerja ketahanan yang memperluas circuit breaker melalui pemantauan adaptif dan pemulihan otomatis. Evaluasi pada simulasi Sistem Presensi dengan empat skenario yaitu cascading failure, latency spike, normal load, dan single-service failure menunjukkan peningkatan signifikan dibandingkan baseline: ketersediaan naik (86,31% menjadi 93,95%), MTTR berkurang 49–67%, tingkat kesalahan turun 55–63%, serta latensi membaik 20–27% tanpa memengaruhi throughput. Kontribusi utama penelitian ini adalah pengembangan Renovator sebagai mekanisme circuit breaker yang lebih adaptif dan otomatis untuk meningkatkan ketahanan microservices.Kata kunci: microservices, fault tolerance, circuit breaker, MSA resilienceABSTRACTMicroservices architectures face resilience challenges due to cascading failures, dynamic dependencies, and the limitations of fault tolerance mechanisms that rely on static thresholds. Techniques such as Circuit Breaker and Bulkhead provide only partial protection under rapidly changing workloads. To address this gap, this study introduces Renovator, a resilience framework that enhances circuit breaker functionality through adaptive monitoring and automated recovery. Evaluated on a simulated Attendance System under four scenarios—cascading failure, latency spike, normal load, and single-service failure, Renovator shows notable improvements over the baseline: availability increases (from 86.31% to 93.95%), MTTR decreases by 49–67%, error rates drop 55–63%, and latency improves 20–27% with no throughput degradation. The main contribution is an adaptive and automated circuit-breaker–based framework to strengthen microservices resilience.Keywords: microservices, fault tolerance, circuit breaker, MSA resilience
Co-Authors Arni Sukmiarni BARMAWI, MIRA MUSRINI Corry Caromawati DEWI, IRMA AMELIA LAUTAN, GAMAS BLOORY Levita Dwinaya Maulana, Rifki Miftahuddin, Yusup MOCHAMAD FACHRY PRAYOGA Pandji, Prambudhi Wibowo Putra, Kurnia Ramadhan RAINA, JODI Sofia Umaroh Umaroh, Sofia Wahyudi, Agung Deni