Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal RABIT: Jurnal Teknologi dan Sistem Informasi Univrab Seminar Nasional Teknologi Informasi Komunikasi dan Industri Jurnal Sistem Komputer dan Informatika (JSON)
Zuliar Efendi
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mathematics

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
TEXT MINING CLASSIFICATION SEBAGAI REKOMENDASI DOSEN PEMBIMBING TUGAS AKHIR PROGRAM STUDI SISTEM INFORMASI Zuliar Efendi; Mustakim Mustakim
Seminar Nasional Teknologi Informasi Komunikasi dan Industri 2017: SNTIKI 9
Publisher : UIN Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (549.647 KB)

Abstract

Penelitian merupakan karya ilmiah dari kegiatan mahasiswa berupa penelitian yang membahas suatu masalah sesuai dengan ilmu pada program studi yang ditempuh mahasiswa dengan menggunakan aturan yang berlaku serta bimbingan oleh dosen pembimbing. Dengan memanfaatkan data proposal tugas akhir, bisa ditemukan suatu pola menarik dengan menggunakan text mining. Didalam text mining terdapat klasifikasi yang salah satu algoritmanya yaitu K-Nearest Neighbour (KNN). KNN digunakan karena terdapat nilai k yang bisa menjadi alternatif pilihan. Sebelum menggunakan KNN, dilakukan pembobotan dengan menggunakan Term Frequency dan Inverse Document Frequency (TF-IDF). Setelah pembobotam, dilakukan perhitungan similaritas antar dokumen menggunakan Cosine Similarity. Kemudian digunakan nilai k pada KNN dari data yang telah diurutkan pada Cosine Similarity. Nilai k yang digunakan yaitu 15, karena kelas yang dihasilkan terdapat hasil tunggal atau satu yang dominan. Akurasi yang didapat dalam klasifikasi dengan k = 15 yaitu sebesar 60%.
Peningkatan Akurasi Klasifikasi Ikan kepe-kepe (Famili Chaetodontidae) dengan EfficientNetV2 dan Bayesian Hyperparameter Tuning Putu Mahendra, I Gusti Agung; Muhammad Ikhsan Wibowo; Zuliar Efendi
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 2 (2025): Desember 2025
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i2.9028

Abstract

Identifikasi cepat dan akurat spesies Chaetodontidae penting untuk monitoring keanekaragaman hayati laut, namun pendekatan manual tidak skala dan rentan kesalahan pada dataset besar. GAP riset yang kami tangani adalah: (i) ketiadaan kajian yang secara khusus mengombinasikan EfficientNetV2 dengan Bayesian hyperparameter tuning untuk klasifikasi Chaetodontidae, dan (ii) belum adanya evaluasi yang menekankan efisiensi penalaan adaptif beserta dampaknya terhadap performa. Kebaruan (novelty) studi ini ialah perancangan pipeline ringkas-efisien berbasis EfficientNetV2 dengan Bayesian Optimization   (10 percobaan) pada learning rate, dropout, dan unfreeze backbone, dipadukan augmentasi kuat (MixUp, CutMix) serta regularisasi (label smoothing, L2). Dataset mencakup 1.427 citra/13 spesies dengan praproses center-crop 80% dan resize 224×224. Konfigurasi terbaik (unfreeze=True, dropout=0,2, LR 3,73×10⁻⁴) mencapai val-accuracy 92,75% dan akurasi uji 97%, dengan precision–recall rata-rata >95%, menunjukkan generalisasi yang baik bahkan pada kelas bermorfologi mirip. Dibanding penalaan manual/grid, pendekatan ini lebih hemat eksperimen sekaligus meningkatkan akurasi. Temuan tersebut menegaskan bahwa integrasi EfficientNetV2 + Bayesian tuning efektif dan siap diadopsi untuk sistem identifikasi–monitoring ikan berbasis citra pada konteks konservasi laut Indonesia.
SISTEM PREDIKSI HARGA PANGAN DI KABUPATEN BENGKALIS BERBASIS WEB MENGGUNAKAN METODE SARIMA Azmil Fikri; Nurmi Hidayasari; Zuliar Efendi
Rabit : Jurnal Teknologi dan Sistem Informasi Univrab Vol 11 No 1 (2026): Januari
Publisher : LPPM Universitas Abdurrab

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36341/rabit.v11i1.7384

Abstract

Fluctuations in food commodity prices such as chili, onions, and other staple commodities in Bengkalis Regency often occur unpredictably due to the influence of weather conditions, distribution, supply availability, and increased demand during certain periods, such as religious holidays. The historical daily food price data used in this study indicate the presence of weekly and annual seasonal patterns, making them suitable for modeling using the Seasonal Autoregressive Integrated Moving Average (SARIMA) method. This study aims to develop a web-based food price prediction system that is capable of presenting daily price information as well as price forecasts for the upcoming days. The data used consist of daily records from January 2022 to October 2025, obtained from the Bengkalis Regency Food Security Agency. The data were processed through data cleaning, stationarity testing, model training, and forecasting stages using the Python programming language with the statsmodels library. The system was developed using the Flask framework and a MySQL database. The results show that the SARIMA model is able to generate price forecasts that follow the trends and seasonal patterns of the historical data. Accuracy evaluation using the Root Mean Square Error (RMSE) indicates that the Minyakita commodity has an RMSE of 1,415.04, equivalent to approximately 8–9% of its average price, while commodities with high volatility, such as bird’s eye chili and imported soybeans, exhibit higher prediction errors.  
Co-Authors Azmil Fikri Muhammad Ikhsan Wibowo Mustakim Mustakim Nurmi Hidayasari Putu Mahendra, I Gusti Agung