Article Per Year (5 Year)
p-Index From 2020 - 2025
1.503
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering Jurnal Simetris TELKOMNIKA (Telecommunication Computing Electronics and Control) Proceeding Information Technology Format : Jurnal Imiah Teknik Informatika Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI) Jurnal Ilmu Teknik dan Komputer Indonesian Journal of Electrical Engineering and Computer Science Teknika
Mujiono Sadikin
Universitas Mercu Buana
Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering

Published : 21 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 21 Documents
Search

 1   2   3 
Load balancing clustering on moodle LMS to overcome performance issue of e-learning system Mujiono Sadikin; Raka Yusuf; Arif Rifai D.
TELKOMNIKA (Telecommunication Computing Electronics and Control) Vol 17, No 1: February 2019
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/telkomnika.v17i1.10284

Abstract

In dealing with the rapid growth of digitalization, the e-learning system has become a mandatory component of any Higher Education (HE) to serve academic processes requests. Along with the increasing number of users, the need for service availability and capabilities of eLearning are increasing day by day. The organization should always look for strategies to keep the eLearning always able to meet these demands. This report presents the implementation of Load Balancing Clustering (LBC) mechanism applied to Moodle LMS in an HE Institution to deal with the poor performance issues. By utilizing existing tools such as HAProxy and keepalived, the implemented LBC configuration delivers a qualified e-learning system performance. Both qualitative and quantitative parameters convince better performance than before. In four months of the operation there is no user complaint received. Meanwhile, in the current semester has been running for two months, the up-time is 99.8 % of 52.685 minutes operational time.
The Implementation of E-Learning System Governance to Deal with User Need, Institution Objective, and Regulation Compliance Mujiono Sadikin; Purwanto SK
TELKOMNIKA (Telecommunication Computing Electronics and Control) Vol 16, No 3: June 2018
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/telkomnika.v16i3.8699

Abstract

In this digital era, it has been proven that the proper of e-learning system implementation provides various advantages and huge benefits. But to achieve the proper implementation is not an easy way since there are many obstacles have to be addressed. Beside the benefits and advantages, such as the other IT based system, e-learning also bring many risks that come from its environment or embedded in. Although many methods or approaches proposed to tackle those obstacles and risks, but the study that tackle those problems from IT Governance view is still limited. The study presents the report of the IT Governance approach to address some of the risks of eLearning system implementation such as: miss alignment with the enterprise goal and strategies, uncomplianceness with the government regulation, and unmatched with the stakeholder needs. The governance of eLearning system proposed has been implemented in the private university situated in Jakarta, Indonesia for two semesters. Based on the general observation, the University can get some benefits such as their succeed in maintaining its institution as the university that comply with government regulatory.
Prediksi Penjualan Produk Untuk Mengestimasi Kebutuhan Bahan Baku Menggunakan Perbandingan Algoritma LSTM dan ARIMA Efrike Sofyani Putri; Mujiono Sadikin
FORMAT Vol 10, No 2 (2021)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/format.2021.v10.i2.007

Abstract

Perkembangan industri pangan di dunia termasuk Indonesia yang meningkat menyebabkan masyarakat terbiasa dengan segala sesuatu yang serba cepat dan praktis. Begitu pula dengan pola masyarakat dalam mengkonsumsi makanan yang sebisa mungkin dapat diselesaikan dalam waktu singkat. Hal tersebut berdampak pada timbulnya kebutuhan masyarakat terhadap makanan yang cepat dan instant. Kehadiran fast food langsung disukai masyarakat salah satunya produk yang dibuat dengan cara handmade, perusahaan ini menjual makanan frozen food dengan berbagai varian rasa dan memiliki pelanggan dari berbagai macam daerah. Makalah ini menyajikan hasil penelitian prediksi penjualan kebutuhan bahan baku dengan menggunakan perbandingan algoritma LSTM dan Arima untuk mengestimasi rasa yang paling laku di tahun yang akan datang. Hasil penelitian menunjukkan bahwa metode LSTM dengan komposisi data latih 63% dan data uji 37% , range interval [-1,1] dan epoch sebanyak 100 menghasilkan kinerja paling baik. Metode tersebut menghasilkan nilai rata – rata RMSE proses testing model LSTM sebesar 0,22 sementara model ARIMA sebesar 60,21. Hasil persentase rata-rata kesalahan model antara nilai perhari yang terkecil menggunakan MAPE,metode LSTM sebesar 29,57% dan model ARIMA sebesar 73%. Dari kinerja yang diperoleh masing-masing model, dapat disimpulkan bahwa penggunaan model LSTM untuk kasus ini lebih baik dari pada ARIMA.
Analisis Sentimen Transportasi Online pada Twitter Menggunakan Metode Klasifikasi Naïve Bayes dan Support Vector Machine Enos Dwianto; Mujiono Sadikin
FORMAT Vol 10, No 1 (2021)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/format.2021.v10.i1.009

Abstract

Transportasi online  merupakan salah satu pilihan bagi masyarakat untuk berkegiatan sehari-hari baik saat bekerja, bepergian dan melakukan aktivitas lain. Salah satu cara untuk mengetahui persepsi masyarakat terhadap layanan transportasi online adalah dengan analisis sentimen seperti yang dilakukan pada penelitian ini. Data yang digunakan merupakan data valid dari sosial media Twitter untuk Transportasi online GrabId dan GojekIndonesia. Teknik analisis sentimen yang digunakan adalah  Naïve Bayes Classifier dan metode Support Vector Machine (SVM). Keduanya digunakan untuk membandingkan tanggapan masyarakat dari analisis sentimen data tweet yang telah diklasifikasikan menjadi positif dan negatif. Berdasarkan penelitian ini didapatkan bahwa GrabId menggunakan metode SVM memberikan hasil class precision positif dan negatif yaitu 86.47% dan 46.67%, class recall positif dan negatif yaitu 96.21% dan 18.06%, accuracy 84.08%. Sedangkan untuk GojekIndonesia, metode SVM memberikan hasil yaitu class precision positif dan negatif yaitu 73.90% dan 35.65%, class recall positif dan negatif yaitu 89.84% dan 15.07%, accuracy 69.50%. Dari akurasi yang dihasilkan, metode SVM  menghasilkan kinerja terbaik.
PENERAPAN LONG SHORT TERM MEMORY PADA DATA TIME SERIES UNTUK MEMPREDIKSI PENJUALAN PRODUK PT. METISKA FARMA Laras Wiranda; Mujiono Sadikin
Jurnal Nasional Pendidikan Teknik Informatika : JANAPATI Vol. 8 No. 3 (2019)
Publisher : Prodi Pendidikan Teknik Informatika Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23887/janapati.v8i3.19139

Abstract

Persaingan penjualan produk antar industri farmasi di Indonesia semakin ketat. Keadaan dan permintaan pasar juga menjadi semakin kompleks dan sulit diprediksi. Oleh karena itu, industri farmasi harus memiliki perencanaan strategis di bidang pemasaran, diantaranya melalui prediksi permintaan atau penjualan. Sejauh ini PT. Metiska Farma sudah menerapkan metode prediksi untuk kebutuhan rencana produksi. Namun, hasil dari metode peramalan yang telah dilakukan tidak akurat, selain kurang efektif karena dilakukan secara manual. Pada studi yang disajikan pada makalah, dilakukan uji coba prediksi berbasis teknik Machine Learning yaitu metode Long Short Term Memory (LSTM). Untuk menguji coba teknik yang diusulkan digunakan dataset produk “X” dengan parameter kinerja Mean Absolute Percentage Error (MAPE) dan Root Mean Squared Error (RMSE). Hasil penelitian melalui evaluasi kinerja model data training terhadap data testing, menunjukkan bahwa nilai LSTM dalam memprediksi penjualan sebesar 13,762,154.00 untuk RMSE dalam nilai rupiah dan MAPE sebesar 12%.
PREDIKSI DATA TRANSAKSI PENJUALAN TIME SERIES MENGGUNAKAN REGRESI LSTM Marie Luthfi Ashari; Mujiono Sadikin
Jurnal Nasional Pendidikan Teknik Informatika : JANAPATI Vol. 9 No. 1 (2020)
Publisher : Prodi Pendidikan Teknik Informatika Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23887/janapati.v9i1.19140

Abstract

Sebagai upaya untuk memenangkan persaingan di pasar, perusahaan farmasi harus menghasilkan produk obat – obatan yang berkualitas. Untuk menghasilkan produk yang berkualitas, diperlukan perencanaan produksi yang baik dan efisien. Salah satu dasar perencanaan produksi adalah prediksi penjualan. PT. Metiska Farma telah menerapkan metode prediksi dalam proses produksi, akan tetapi prediksi yang dihasilkan tidak akurat sehingga menyebabkan tidak optimal dalam memenuhi permintaan pasar. Untuk meminimalisir masalah kurang akuratnya proses prediksi tersebut, dalam penelitian yang disajikan pada makalah ini dilakukan uji coba prediksi menggunakan teknik Machine Learning dengan metode Regresi Long Short Term Memory (LSTM). Teknik yang diusulkan diuji coba menggunakan dataset penjualan produk “X” dari PT. Metiska Farma dengan parameter kinerja Root Mean Squared Error (RMSE) dan MAPE (Mean Absolute Percentage Error). Hasil penelitian ini berupa nilai rata – rata evaluasi error dari pemodelan data training dan data testing. Di mana hasil menunjukan bahwa Regresi LSTM memiliki nilai prediksi penjualan dengan evaluasi model melalui RMSE sebesar 286.465.424 untuk data training dan 187.013.430 untuk data testing. Untuk nilai MAPE sebesar 787% dan 309% untuk data training dan data testing secara berurut.
Analisis Permasalahan Perangkat Pencetak Menggunakan Metode Algoritma K-Means dan K-Medoids Fadli Aziz Setiawan; Mujiono Sadikin; Emil Robert Kaburuan
Teknika Vol 11 No 2 (2022): Juli 2022
Publisher : Center for Research and Community Service, Institut Informatika Indonesia (IKADO) Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34148/teknika.v11i2.471

Abstract

Amido Makmor Tulus Sejati merupakan perusahaan distributor multifunction printer merek Kyocera di Indonesia. Evaluasi kinerja teknisi diperlukan untuk mempertahankan kepuasan customer terhadap penggunaan multifunction printer Kyocera. Proses penilaian kinerja teknisi masih dilakukan secara manual yang mengakibatkan hasil evaluasi kinerja teknisi yang diberikan kurang akurat atau kurang maksimal, sehingga perlu dilakukan suatu teknik pengolahan data secara cepat dan lebih akurat. Salah satunya dengan mempergunakan teknik data mining dengan menggunakan metode algoritma clustering. Metode algoritma clustering dipergunakan untuk mengelompokkan problem yang sering terjadi berdasarkan tipe mesin multifunction printer Kyocera. Pada penelitian ini diterapkan algoritma clustering K-Means dan K-Medoids, yang kemudian dilakukan uji clustering yang optimal dengan mempergunakan Metode Elbow dan Silhouette Score. Data yang dipergunakan dalam penelitian ini sebanyak 1.620 instan yang merupakan Data Kuantitatif. Proses untuk mencari nilai clustering yang optimal dilakukan dengan mencari rata-rata Silhouette Score dan Nilai Kemurnian dengan sisi luar dari algoritma K-Means dan K-Medoids. Hasil penelitian ini menunjukkan bahwa jumlah cluster optimal adalah 2 (dua) untuk algoritma K-Means dengan nilai Silhouette Score 0,606 dan jumlah cluster optimal 4 (empat) untuk algoritma K-Medoids dengan nilai Silhouette Score 0,240.
Mining Relation Extraction Based on Pattern Learning Approach Mujiono Sadikin
Indonesian Journal of Electrical Engineering and Computer Science Vol 6, No 1: April 2017
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/ijeecs.v6.i1.pp50-57

Abstract

Semantically, objects in unstructured document are related each other to perform a certain entity relation. This certain entity relation such: drug-drug interaction through their compounds, buyer-seller relationship through the goods or services, etc. Motivated by those kind of interaction, this study proposes a method to extract those objects and their interactions. It is presented a general framework of object-interaction mining of large corpora. The framework is started with the initial step in extracting a single object in the unstructured document. In this study, the initial step is a pattern learning method that is applied to drug-label documents to extract drug-names. We utilize an existing external knowledge to identify a certain regular expressions surrounding the targeted object and the probabilities of those regular expression, to perform the pattern learning process. The performance of this pattern learning approach is promising to apply in this relation extraction area. As presented in the results of this study, the best f-score performance of this method is 0.78 f-score. With adjusting of some parameters and or improving the method, the performance can be potentially improved.
SISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN PRIORITAS PERBAIKAN MOLD PT. BIGGY CEMERLANG DENGAN MENGGUNAKAN METODE SAW (SIMPLE ADDITIVE WEIGHTING) Wati, Yatria Atna; Sadikin, Mujiono
Jurnal Ilmu Teknik dan Komputer Vol 3, No 1 (2019)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/jitkom.2019.v3.i1.001

Abstract

PT. Biggy Cemerlang adalah salah satu supplier produk plastik terbaik di Indonesia yang memproduksi peralatan rumah tangga dengan menggunakan berbagai macam mold (cetakan). Mold merupakan komponen yang sangat penting dalam mencapai target produksi yang telah ditentukan oleh perusahaan. Salah satu aktivitas yang dilakukan untuk menjaga tingkat kesiapan mold supaya hasil tetap terjamin adalah perbaikan mold. Proses penentuan perbaikan sampai dengan saat ini masih dilakukan secara manual. Sistem manual mengandung kelemahan antara lain: kesulitan akses data dan kesalahan penentuan waktu perbaikan akibat kesalahan penentuan prioritas. Pada penelitian ini dibuat sistem pendukung pengambilan keputusan penentuan prioritas perbaikan mold menggunakan metode Simple Additive Weighting (SAW) yang dilakukan dengan mencari nilai bobot untuk setiap kriteria, dan kemudian membuat proses peringkat yang akan menentukan alternatif yang optimal. Hasil dari penelitian ini adalah sistem pendukung pengambilan keputusan penentuan prioritas perbaikan mold yang dapat membantu teknisi melakukan perbaikan mold berdasarkan prioritas.
Improving the MSMEs data quality assurance comprehensive framework with deep learning technique Sadikin, Mujiono; Katidjan, Purwanto S.; Dwiyanto, Arif Rifai; Nurfiyah, Nurfiyah; Pratama Yusuf, Ajif Yunizar; Trisnojuwono, Adi
Indonesian Journal of Electrical Engineering and Computer Science Vol 37, No 1: January 2025
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/ijeecs.v37.i1.pp613-626

Abstract

In the year of 2022 the ministry of cooperatives and small and medium enterprises (SMEs) executed a complete data collection program for the cooperatives and micro small and medium enterprises (MSMEs) profile. As the complexity of the process and the uniqueness of the data characteristics, plenty of risks must be mitigated. The most challenging risk is the possibility of reduced data quality. This study is performed to validate the proposed comprehensive framework to ensure the quality data of cooperatives and MSME. The proposed framework aims to prevent, detect, repair, and recover dirty data to achieve the required data quality minimum standard. We investigated many techniques namely rule-based, selection-based, and deep learning-based. By applying the framework, 6,850,000 missing values are found and corrected, whereas the number of instant data containing attribute values that do not follow the domain constraints or integrity rule is 4,082,630. The first deep learning task applied in the framework is MSME activity image description (image captioning) generated by the convolutional neural network-recurrent neural network (CNN-RNN) model. By using 1000 MSME images as data training, the model’s performance is quite good, achieving the average BLEU score of Culinary 0,3149, Fashion 0,4868, and creative products 0,5086. So far, the proposed framework can contribute to supporting MSME one data as the Indonesian government program.
Co-Authors Arif Rifai D. Arif Rifai Dwiyanto Ashari, Marie Luthfi Efrike Sofyani Putri Enos Dwianto Fadli Aziz Setiawan Fahri Alfiandi Ionia Veritawati Ito Wasito Kaburuan, Emil Robert Laras Wiranda Marie Luthfi Ashari Nurfiyah Pratama Yusuf, Ajif Yunizar Purwanto S. Katidjan, Purwanto S. Purwanto SK Raka Yusuf Trisnojuwono, Adi Wati, Yatria Atna Widowati, Tanthy Tawaqalia Wiranda, Laras