Article Per Year (5 Year)
p-Index From 2021 - 2026
9.845
P-Index
This Author published in this journals
All Journal JIKSI (Jurnal Ilmu Komputer dan Sistem Informasi) Jurnal Informatika dan Teknik Elektro Terapan E-Dimas: Jurnal Pengabdian kepada Masyarakat Sistemasi: Jurnal Sistem Informasi Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Computatio : Journal of Computer Science and Information Systems Jurnal CoreIT Jurnal Eksplora Informatika SELAPARANG: Jurnal Pengabdian Masyarakat Berkemajuan METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Sebatik KOMPUTA : Jurnal Ilmiah Komputer dan Informatika Simtek : Jurnal Sistem Informasi dan Teknik Komputer Abdimas Umtas : Jurnal Pengabdian kepada Masyarakat ComTech: Computer, Mathematics and Engineering Applications Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Jurnal Muara Sains, Teknologi, Kedokteran dan Ilmu Kesehatan JISKa (Jurnal Informatika Sunan Kalijaga) INTI Nusa Mandiri Jurnal Mnemonic Jurnal Bakti Masyarakat Indonesia Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) Journal of Dinda : Data Science, Information Technology, and Data Analytics Internet of Things and Artificial Intelligence Journal Jurnal Pengabdian Pada Masyarakat Edu Komputika Journal Jurnal Serina Abdimas Jurnal Esensi Infokom : Jurnal Esensi Sistem Komputer dan Informasi
Teny Handhayani
Universitas Tarumanagara
Religion Aerospace Engineering Agriculture, Biological Sciences & Forestry Arts Humanities Astronomy Automotive Engineering Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Immunology & microbiology Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Medicine & Pharmacology Neuroscience Nursing Physics Public Health Social Sciences Transportation Veterinary Other

Published : 78 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 78 Documents
Search

 3   4   5   6   7 
PERANCANGAN SISTEM PENJUALAN DAN MANAJEMEN PEMESANAN PADA TOKO TIO BAGS Kelvin Wijaya; Wasino; Teny Handhayani
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 13 No. 2 (2025): Jurnal Ilmu Komputer dan Sistem Informasi
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/jiksi.v13i2.34308

Abstract

Perkembangan teknologi informasi yang pesat di era digital saat ini memberikan dampak signifikan terhadap berbagai sektor bisnis, termasuk industri penjualan tas. Usaha kecil dan menengah (UKM) dituntut untuk berinovasi dan memanfaatkan teknologi guna meningkatkan efisiensi operasional serta memperluas jangkauan pasar. Toko Tio Bags merupakan usaha yang bergerak di bidang penjualan berbagai jenis tas, yang masih menghadapi berbagai kendala akibat penggunaan sistem pencatatan manual, seperti kesalahan dalam transaksi, keterlambatan pemrosesan pesanan, serta kesulitan dalam manajemen stok dan pembuatan laporan penjualan. Oleh karena itu, penelitian ini bertujuan untuk merancang dan mengembangkan sistem penjualan dan manajemen pemesanan berbasis web. Sistem ini dirancang untuk meningkatkan efisiensi pencatatan penjualan, membantu mengurangi risiko kesalahan pencatatan transaksi dan mempermudah pengolahan data pemesanan serta stok barang. Metode yang digunakan dalam pengembangan sistem ini adalah metode Scrum, yang mengutamakan fleksibilitas dan evaluasi yang berkelanjutan dalam proses pengembangan. Sistem ini dibangun menggunakan bahasa pemograman HTML, CSS, JavaScript, dan PHP, dengan bantuan framework Bootstrap untuk antarmuka pengguna yang responsif dan menarik. Selain itu, sistem ini menggunakan database MySQL untuk menyimpan dan mengelola data secara efisien. Sistem penjualan dan manajemen pemesanan dirancang dengan dua peran, yaitu Owner dan Admin.
Perbandingan Kinerja Naïve Bayes dan Random Forest dalam Mendeteksi Berita Palsu William, William; Handhayani, Teny
JISKA (Jurnal Informatika Sunan Kalijaga) Vol. 10 No. 2 (2025): May 2025
Publisher : UIN Sunan Kalijaga Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.14421/jiska.2025.10.2.137-144

Abstract

Fake news has become a serious problem in today's digital era. The existence of fake news can have various negative impacts, including the spread of misinformation, social unrest, and economic losses. This study compares the performance of Naïve Bayes and Random Forest classification methods in detecting fake news. Both methods were evaluated on a news dataset comprising 44,898 samples. It uses public data from the Kaggle repository. The news samples are represented by four features: title, news content, subject, and news date. This data is then subjected to cleaning, stemming, tokenization, and feature extraction. The results indicate that the Random Forest method outperforms the Naïve Bayes method. The Random Forest method has an accuracy of 99%, while the Naïve Bayes method has an accuracy of 96%. In general, this research demonstrates that the Random Forest method can be a viable alternative for detecting fake news.
Leaf-Type Image Classification Using Deep Learning Method Convolution Neural Network Sopany, Mikael Reichi; Handhayani, Teny
METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol. 9 No. 1 (2025): METHOMIKA: Jurnal Manajemen Informatika & Komputersisasi Akuntansi
Publisher : Universitas Methodist Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46880/jmika.Vol9No1.pp86-91

Abstract

One of the most important parts of an ecosystem is a plant, Plants life has given us many benefits from food, oxygen, and medicine. There are many species of plant each with its unique benefits and utilities. In this paper, we try to identify plants by their leaf using deep learning. For this research, we use the convolution neural network architecture Xception to classify 5 different types of leaves. We used 1075 images of leaves that can be classified into 5 different types of leaves. the classification model achieved an overall accuracy score of 74%. We hoped that the result of our research can help people's life by helping them to identify plants that they have so that they can use them for their benefit.
IMPLEMENTASI METODE CLUSTERING UNTUK PEMETAAN WILAYAH PRODUKSI DAN EKSPOR KOPI DI INDONESIA Dwi Saputra, Arya; Jaya, Jefri; Handhayani, Teny; Sitorus Dolok Lauro , Manatap
INTI Nusa Mandiri Vol. 20 No. 1 (2025): INTI Periode Agustus 2025
Publisher : Lembaga Penelitian dan Pengabdian Pada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33480/inti.v20i1.6903

Abstract

Coffee is one of the main agricultural commodities in Indonesia, but the distribution of production and export contribution is still uneven. This study aims to map the patterns of coffee production and export in Indonesia using clustering methods, namely K-Means and Hierarchical Agglomerative Clustering (AHC). The data used includes coffee production by province and regency (2015–2022), as well as coffee export data by destination country (2016–2023), obtained from BDSP and BPS. The system is developed in the form of an interactive website that allows users to upload datasets, select clustering methods, and view analysis results in the form of tables, graphs, and interactive maps. Clustering quality is evaluated using the Silhouette Score and Davies-Bouldin Index (DBI). The testing results show that the optimal number of clusters is two for all datasets, with the highest Silhouette score reaching 0.85 and the lowest DBI of 0.21, indicating good clustering quality. AHC is more effective in analyzing export and provincial-level production data, while K-Means performs better for regency-level data. This system is expected to provide insights into the distribution patterns of coffee production and exports and support decision-making in the agricultural sector, particularly for coffee commodities.
PREDIKSI HARGA PANGAN JAYAPURA MENGGUNAKAN ELM, LSTM, LIGHTGBM, DAN GB Jeremia Pinnywan Immanuel; Teny Handhayani
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 13 No. 2 (2025): Jurnal Ilmu Komputer dan Sistem Informasi
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/jiksi.v13i2.35122

Abstract

Ketahanan pangan di wilayah Indonesia Timur menghadapi tantangan dari aspek geografis, fluktuasi harga, dan keterbatasan pasokan. Penelitian ini bertujuan untuk membandingkan empat algoritma pembelajaran mesin, yaitu Extreme Learning Machine (ELM), Long Short-Term Memory (LSTM), LightGBM, dan Gradient Boosting dalam memprediksi harga komoditas pangan strategis di Jayapura. Dataset yang digunakan berupa data deret waktu harga harian enam komoditas pangan yang dikumpulkan dari Januari 2018 hingga April 2025. Tahapan penelitian meliputi pra-pemrosesan data, analisis eksploratif (EDA), pelatihan model, dan evaluasi performa menggunakan metrik MAE, MAPE, RMSE, R², dan waktu pelatihan. Hasil percobaan menunjukkan bahwa ELM merupakan model dengan performa terbaik secara keseluruhan dengan nilai MAE 0.21, MAPE 0.76%, RMSE 0.36, R² 0.87, serta waktu pelatihan rata-rata 4.65 detik. Model LSTM menunjukkan akurasi yang baik namun memiliki waktu pelatihan yang jauh lebih tinggi. LightGBM dan Gradient Boosting memiliki performa keseluruhan yang kurang optimal. Dengan demikian, ELM direkomendasikan sebagai model utama untuk sistem prediksi harga komoditas pangan di Jayapura yang membutuhkan kombinasi antara akurasi dan efisiensi.
PERBANDINGAN EFEKTIVITAS ALGORITMA K-MEANS DAN FUZZY C-MEANS UNTUK CLUSTERING DATA PRODUKSI ALPUKAT DI INDONESIA Duncan Ariel; Teny Handhayani
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 13 No. 2 (2025): Jurnal Ilmu Komputer dan Sistem Informasi
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/jiksi.v13i2.35133

Abstract

Penelitian ini bertujuan untuk membandingkan performa algoritma K-Means dan Fuzzy C-Means (FCM) dalam proses klasterisasi data produksi alpukat di Indonesia. Metode yang digunakan adalah pendekatan machine learning berbasis unsupervised clustering, di mana data produksi nasional—mencakup volume produksi, luas panen, dan produktivitas—dianalisis untuk mengidentifikasi pola kewilayahan. Kinerja kedua algoritma diuji dan divalidasi menggunakan metrik evaluasi Silhouette Score, Davies-Bouldin Index, dan waktu komputasi. Hasil eksperimen menunjukkan bahwa kedua algoritma secara konvergen menemukan 2 sebagai jumlah klaster yang paling optimal dengan skor evaluasi yang superior. Namun, perbandingan lebih lanjut menunjukkan bahwa algoritma K-Means memiliki keunggulan signifikan dalam hal efisiensi waktu komputasi dan robustisitas model yang lebih baik , sedangkan Fuzzy C-Means membutuhkan waktu proses yang lebih lama. Analisis spasial juga berhasil memetakan wilayah produksi dan mengonfirmasi konsentrasi klaster produksi tinggi di Pulau Jawa. Temuan ini merekomendasikan K-Means sebagai metode yang lebih pragmatis untuk klasterisasi data produksi alpukat skala besar.
PERBANDINGAN BISECTING K-MEANS DAN HIERARCHICAL CLUSTERING PADA DATA CABAI RAWIT Julius Juan; Teny Handhayani
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 13 No. 2 (2025): Jurnal Ilmu Komputer dan Sistem Informasi
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/jiksi.v13i2.35137

Abstract

Pengelompokan data merupakan salah satu pendekatan penting dalam analisis data baik di bidang pertanian maupun lainnya, untuk menemukan sebuah pola tertentu yang bermanfaat dalam menentukan keputusan. Penelitian ini bertujuan untuk membandingkan kinerja dari dua model klasterisasi yaitu Bisecting K-Means dan Hierarchical Clustering menggunakan data cabai rawit. Selain itu, data yang digunakan dibedakan menjadi 3 kelompok yaitu data luas panen, produksi, dan produktivitas dari komoditas cabe rawit Indonesia berdasarkan data yang didapatkan dari situs Basis Data Statistik Pertanian (BDSP) tahun 2010–2024 dengan total 515 sampel data dari berbagai provinsi di Indonesia. Metode yang digunakan untuk menganalisis data pada penelitian ini adalah Klasterisasi atau Clustering yang merupakan salah satu bagian dari Unsupervised Learning. Untuk evaluasinya, dilakukan dengan menguji jumlah klaster mulai dari 2 hingga 10 menggunakan tiga nilai metrik yaitu Silhouette Score, Davies-Bouldin Index, dan waktu komputasi. Hasil dari penelitian ini, menunjukkan model Bisecting K-Means menghasilkan Silhouette Score tertinggi sebesar 0,9258 dan Davies-Bouldin Index sebesar 0,9698 pada klaster ke-2, namun membutuhkan waktu komputasi 1,6022 detik. Sedangkan model Hierarchical Clustering, menghasilkan Silhouette score terbaik sebesar 0,9100 dan Davies-Bouldin Index sebesar 0,8714 pada klaster ke-3 dengan waktu komputasi yang lebih cepat (0,0265 detik) dibandingkan model Bisecting K-Means. Dengan demikian, model Hierarchical Clustering memiliki keunggulan dari sisi waktu komputasi yang sangat cepat, sementara model Bisecting K-Means cenderung menghasilkan klaster yang lebih terpisah secara struktur dengan nilai evaluasi yang tinggi. Berdasarkan hasil tersebut, walaupun model Bisecting K-Means memiliki nilai evaluasi yang tinggi, namun model Hierarchical Clustering menunjukkan lebih sesuai digunakan dalam konteks analisis spasial dan pertanian berbasis data yang memerlukan hasil cepat dan akurat.
PERBANDINGAN FCM DAN HIERARCHICAL CLUSTERING PADA DATA UBI JALAR INDONESIA Matthew Russel Paul; Teny Handhayani
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 13 No. 2 (2025): Jurnal Ilmu Komputer dan Sistem Informasi
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/jiksi.v13i2.35140

Abstract

Penelitian ini membandingkan performa dua algoritma klasterisasi, yaitu Fuzzy C-Means (FCM) dan Hierarchical Clustering, dalam mengelompokkan data produksi ubi jalar di Indonesia berdasarkan luas panen, produksi, dan produktivitas. Data diperoleh dari situs resmi Kementerian Pertanian Indonesia dan mencakup rentang tahun 2010–2024. Setelah melalui tahap pra-pemrosesan, kedua algoritma diterapkan dan dievaluasi menggunakan metrik Silhouette Score, Davies-Bouldin Index, serta waktu komputasi. Hasil menunjukkan bahwa Hierarchical Clustering dengan metode linkage Ward, Complete, dan Average menghasilkan performa terbaik pada konfigurasi dua klaster dengan nilai Silhouette sebesar 0.9385 dan DBI sebesar 0.3878. Sementara itu, FCM memberikan hasil optimal pada dua klaster dengan Silhouette sebesar 0.9074, DBI 0.6446, dan waktu komputasi tercepat sebesar 0.032 detik. Namun, performa FCM menurun signifikan saat jumlah klaster bertambah. Penelitian ini menunjukkan bahwa Hierarchical Clustering lebih unggul dalam kestabilan dan struktur klaster, sedangkan FCM lebih efisien dalam waktu proses pada jumlah klaster kecil.
PERBANDINGAN FUZZY C-MEANS DAN K-MEANS PADA KLASTERISASI BAWANG MERAH Fawaz; Teny Handhayani
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 13 No. 2 (2025): Jurnal Ilmu Komputer dan Sistem Informasi
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/jiksi.v13i2.35141

Abstract

Penelitian ini bertujuan untuk membandingkan performa algoritma Fuzzy C-Means (FCM) dan K-Means dalam klasterisasi data produksi bawang merah di Indonesia. Pendekatan yang digunakan adalah machine learning berbasis unsupervised clustering, dengan evaluasi kinerja berdasarkan tiga metrik utama: Silhouette Score, Davies-Bouldin Index, dan waktu komputasi. Data produksi dianalisis secara spasial menggunakan koordinat geografis kabupaten/kota dan divisualisasikan dalam bentuk peta klaster dan grafik performa. Hasil eksperimen menunjukkan bahwa FCM memberikan hasil klasterisasi yang lebih akurat dan stabil, terutama pada wilayah dengan karakteristik produksi yang tumpang tindih, sedangkan K-Means lebih unggul dari segi efisiensi waktu komputasi. Visualisasi spasial mengungkapkan pola distribusi produksi yang timpang, dengan Pulau Jawa mendominasi klaster produksi tinggi. Temuan ini menunjukkan bahwa metode klasterisasi cerdas dapat menjadi solusi potensial dalam pengembangan sistem informasi geografis pertanian yang adaptif dan berbasis data.
PERBANDINGAN FUZZY C-MEANS DAN K-MEANS PADA KLASTERISASI KETELA POHON Sandy Permadi Sormin; Teny Handhayani
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 13 No. 2 (2025): Jurnal Ilmu Komputer dan Sistem Informasi
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/jiksi.v13i2.35146

Abstract

Ketela pohon merupakan salah satu komoditas strategis dalam sektor pertanian Indonesia yang tersebar di berbagai wilayah dengan tingkat produktivitas yang bervariasi. Penelitian ini bertujuan untuk membandingkan performa dua algoritma klasterisasi, yaitu K-Means dan Fuzzy C-Means (FCM), dalam mengelompokkan wilayah produksi ketela pohon berdasarkan tiga variabel utama: luas panen, total produksi, dan produktivitas per hektar. Data yang digunakan merupakan data sekunder dari Badan Pusat Statistik (BPS) dan Kementerian Pertanian RI untuk periode 2010 hingga 2022. Sebelum dilakukan proses klasterisasi, data melalui tahap pra-pemrosesan seperti pembersihan data, normalisasi menggunakan metode min-max scaling, serta reduksi dimensi dengan Principal Component Analysis (PCA). Proses klasterisasi dilakukan dengan menetapkan jumlah klaster sebanyak tiga, menggunakan kedua algoritma tersebut. Evaluasi performa klaster dilakukan menggunakan metrik Silhouette Score, Davies-Bouldin Index, dan waktu komputasi. Hasil penelitian menunjukkan bahwa algoritma K-Means memiliki nilai Silhouette tertinggi sebesar 0,9341 dan Davies-Bouldin Index terendah sebesar 0,3224, serta waktu komputasi tercepat 0,0066 detik. Di sisi lain, FCM menunjukkan nilai Silhouette terbaik 0,9315 dan Davies-Bouldin Index 0,4896 dengan waktu komputasi minimum 0,0413 detik. Meskipun FCM menawarkan fleksibilitas dalam penanganan data yang bersifat ambigu, K-Means terbukti lebih unggul dalam hal efisiensi dan kualitas pemisahan klaster. Visualisasi hasil klasterisasi dalam bentuk diagram batang dan peta sebar wilayah memperkuat temuan tersebut. Dengan demikian, penelitian ini merekomendasikan penggunaan algoritma K-Means untuk pengelompokan wilayah produksi ketela pohon secara optimal dan efisien.
Co-Authors Adela Calista Adela Tania Agus Budi Dharmawan Akmal Farouqi Andre Andre Andre Andre, Andre Andrew Castello Purba Andrian, Gion Andry Winata Angelica Christina Arya Bintang Saputra Arya Dwi Saputra Arya Dwi Saputra Brando Dharma Saputra Cecillia Chung Chairisni Lubis Cherissa Aeryn Djaya Christina, Angelica Daffa Hilmi Aji Dara Kharisma Limparan Darius Andana Haris David Jansen Dayanti, Afina Putri Desi Arisandi Desi Arisandi Desi Arisandi Duncan Ariel Dwi Saputra, Arya Dyah Erny Herwindiati Ericko, Teddy Faradila Herfiyana Farhan Afrial Fawaz Gabriella Adeline Halim Georgia Sugisandhea Gion Andrian Hendryli, Janson Herfiyana, Faradila Huang, Jervis Irvan Lewenusa Irvan Lewenusa Irvan Lewenusa, Irvan Janson Hendryli Janson Hendryli Jason Jason Sunaryo Jaya, Jefri Jayadi, Bryan Valentino Jeanny Pragantha Jeanny Pragantha Jeanny Pragantha Jefri Jaya Jeremia Pinnywan Immanuel Jochsen, Erico Jordi Pradipta Kusuma Jourdan Stanley Julius Juan Karnadi, Benny Kelvin Wijaya Kelvin Wijaya Kusuma, Jordi Pradipta Lely Hiryanto Lim, Maggie Lubis, M.Kom., Chairisni Mahendra, Izam Susilo Mahendra, Izam Susilo Manatap Dolok Lauro Manatap Dolok Lauro, Manatap Dolok Manatap Sitorus Manatap Sitorus Dolok Lauro Marcel Yusuf Rumlawang Arpipi Marchel Yusuf Rumlawang Arpipi Mathew Judianto Matthew Oni Matthew Russel Paul Mikael Reichi Sopany Mohammad Faraditya Eka Putra Monica Ong Muhammad Isnaini Syaifudin Naufal Firdausyan Nicholas Eugene Supardi Nicko Kurniawan Novario Jaya Perdana Oni, Matthew Owen Djoenaedi Owen Maytrio Phratama Paulus Samotana Zalukhu Peter James Tedja Phratama, Owen Maytrio Purba, Andrew Castello Raffy Sonata Sandy Permadi Sormin Sitorus Dolok Lauro , Manatap Sopany, Mikael Reichi Sumarlie , Devid Sumarlie, Aurellia Clearesta Tanudy, Clara Tasya Syamsudin Tommy Wijaya Putra Tony Tony Veri Wasino Wasino Wasino . Wasino Wasino William William Winata, Andry Yudistira Permana Zyad Rusdi