Article Per Year (5 Year)
p-Index From 2021 - 2026
9.02
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 Jurnal Esensi Infokom: Jurnal Esensi Sistem Informasi dan Sistem Komputer Jurnal Informatika Progres Internet of Things and Artificial Intelligence Journal Jurnal Pengabdian Pada Masyarakat KOMPUTASI Jurnal Serina Abdimas
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 : 77 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 77 Documents
Search

 4   5   6   7   8 
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.
Implementasi Algoritma LSTM untuk Memprediksi Temperatur di Wilayah Ternate, Maluku Utara Andre, Andre; Handhayani, Teny
Jurnal Esensi Infokom : Jurnal Esensi Sistem Informasi dan Sistem Komputer Vol 8 No 1 (2024): Jurnal Esensi Infokom : Jurnal esensi sistem informasi dan sistem komputer
Publisher : Lembaga Riset dan Pengabdian Masyarakat Institut Bisnis Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55886/infokom.v8i1.836

Abstract

Temperatur merupakan faktor penting yang dapat mempengaruhi aktivitas masyarakat, berbagai hal dipengaruhi oleh temperature salah satunya adalah cuaca. Keperluan informasi tentang temperature dapat terpenuhi dengan melakukan prediksi memanfaatkan algoritma Long Short-Term Memory (LSTM). Penelitian ini bertujuan untuk mengetahui tren dari temperature di daerah Ternate, Maluku Utara serta prediksi dari data temperatur. Hasil analisis data tahun 2010 – 2023, menunjukkan tren temperatur minimum di Ternate mengalami kenaikan secara konsisten. Prediksi temperatur minimum, temperatur maksimum, dan temperatur rata-rata menghasilkan nilai MAPE masing – masing sebesar 2.12, 2.51, dan 1.93.
KLASIFIKASI TELAPAK TANGAN MENGGUNAKAN DEEP LEARNING DAN MACHINE LEARNING Huang, Jervis; Handhayani, Teny
Jurnal Mnemonic Vol 8 No 2 (2025): Mnemonic Vol. 8 No. 2
Publisher : Teknik Informatika, Institut Teknologi Nasional malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/mnemonic.v8i2.15716

Abstract

Tujuan penelitian ini adalah untuk membandingkan kinerja model deep learning MobileNetV2 dan beberapa algoritma machine learning yaitu K-Nearest Neighbor (KNN), Artificial Neural Network (ANN), Decision Tree (DT) dan Support Vector Machine (SVM) dalam mengklasifikasi telapak tangan. Karena algoritma machine learning tidak dapat membaca data citra secara langsung, fitur dari gambar akan diekstraksi dengan gray level co-occurrence matrix (GLCM). Penelitian ini menggunakan data citra telapak tangan dari 26 responden yang berasal dari Universitas Tarumanagara yang berumur sekitar 17 tahun, dan dibagi menjadi 52 kelas (telapak tangan kanan dan kiri dianggap kelas beda). Selain itu, responden diusahakan untuk memenuhi beberapa syarat untuk data citra mereka seperti latar belakang polos dan garis-garis telapak tangan yang jelas. Data uji dan data latih diambil secara acak dengan rasio data latih:data uji 70%:30% dan 80%:20%. Setelah eksperimen, KNN menghasilkan rata-rata akurasi 87% dengan waktu latihan 0.01 detik, ANN menghasilkan rata-rata akurasi 87% dengan waktu latihan 14 detik, DT menghasilkan rata-rata akurasi 83% dengan waktu latihan 0.18 detik, SVM menghasilkan rata-rata akurasi 94% dengan waktu latihan 0.17 detik dan MobileNetV2 menghasilkan akurasi 59% dengan waktu latihan 3336.28 detik. Selain itu, ANN mengasih tanda ketidakkonsistenan karena menghasil akurasi lebih rendah jika menggunakan data uji lebih tinggi dan MobileNetV2 mengasih tanda kekurangan data karena menghasilkan akurasi lebih rendah jika data latih lebih dikit. Dengan pengetahuan ini, para pengembang dapat memilih model atau algoritma paling cocok untuk proyek mereka, seperti sebuah sistem keamanan biometrik menggunakan telapak tangan pengguna
PERBANDINGAN KINERJA K-NEAREST NEIGHBORS DAN CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI CITRA KONDISI PERMUKAAN JALAN Jong, Fenny; Handhayani, Teny
PROGRESS Vol 17 No 1 (2025): April
Publisher : P3M STMIK Profesional Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56708/progres.v17i1.426

Abstract

Improving road infrastructure quality is an important aspect of transportation development and road user safety. Automatically assessing road surface conditions can accelerate maintenance and repair efforts. This study compares two classification methods, K-Nearest Neighbors (KNN) and Convolutional Neural Network (CNN), to evaluate road surface conditions based on digital images. Texture features are extracted using the Gray Level Co-occurrence Matrix (GLCM), including Contrast, Homogeneity, Energy, and others, to enhance the classification accuracy in KNN, while feature extraction and classification in CNN are performed automatically. The dataset used in this research consists of 1500 images of road surfaces with three different conditions: smooth, cracked, and potholes. Each condition contains 500 images with a resolution of 300x300 pixels. The results show that the KNN algorithm achieves an accuracy of 57.2%, while CNN demonstrates the best performance with an accuracy of 93.8%. for 80% training data and 20% testing data
Co-Authors Adela Calista Adela Tania Adithya Putra, Farhan Afrial, Farhan Andre Andre, Andre Andrian, Gion Andry Winata Angelica Christina Arya Bintang Saputra Arya Dwi Saputra Brando Dharma Saputra Cecillia Chung Chairisni Lubis Cherissa Aeryn Djaya Christina, Angelica Daffa Hilmi Aji Dara Kharisma Limparan David Jansen Dayanti, Afina Putri Desi Arisandi Desi Arisandi Djoenaedi, Owen Duncan Ariel Dwi Saputra, Arya Dyah Erny Herwindiati Dyah Erny Herwindiati Ericko, Teddy Faradila Herfiyana Fawaz Georgia Sugisandhea Hendryli, Janson Herfiyana, Faradila Huang, Jervis Irvan Lewenusa Irvan Lewenusa, Irvan Janson Hendryli Janson Hendryli Jason Jaya, Jefri Jayadi, Bryan Valentino Jeanny Pragantha Jeanny Pragantha Jeremia Pinnywan Immanuel Jochsen, Erico Jong, Fenny Jordi Pradipta Kusuma Jourdan Stanley Julius Juan Karnadi, Benny Kelvin Wijaya Kusuma, Jordi Pradipta Lely Hiryanto Lim, Maggie Lubis, M.Kom., Chairisni Mahendra, Izam Susilo Mahendra, Izam Susilo Manatap Dolok Lauro, Manatap Dolok Manatap Sitorus Marchel Yusuf Rumlawang Arpipi Mathew Judianto Matthew Oni Matthew Russel Paul Mohammad Faraditya Eka Putra Monica Ong Muhammad Isnaini Syaifudin Nicko Kurniawan Novario Jaya Perdana Owen Maytrio Phratama Paulus Samotana Zalukhu Phratama, Owen Maytrio Purba, Andrew Castello Putra, Tommy Wijaya Sandy Permadi Sormin Sitorus Dolok Lauro , Manatap Sopany, Mikael Reichi Sumarlie , Devid Sumarlie, Aurellia Clearesta Tanudy, Clara Tasya Syamsudin Tedja, Peter James Tony Tony Veri Wasino Wasino Wasino Wasino, Wasino William William Winata, Andry Zyad Rusdi