Article Per Year (5 Year)
p-Index From 2020 - 2025
0.983
P-Index
This Author published in this journals
All Journal Jurnal ICT : Information Communication & Technology Tematik : Jurnal Teknologi Informasi Komunikasi Jurnal Mahasiswa Sistem Informasi (JMSI) Prosiding Seminar Nasional Sisfotek (Sistem Informasi dan Teknologi Informasi) International Journal of Informatics and Computing
Dian Ade Kurnia
Unknown Affiliation
Computer Science & IT Electrical & Electronics Engineering

Published : 6 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 6 Documents
Search

 1 
AnalisaTingkat Kepuasan Mahasiswa Terhadap Layanan Pembelajaran Menggunakan K-Means dan Algoritma Genetika Ade Rizki Rinaldi; Lana Surlanto; Dadang Sudrajat; Dian Ade Kurnia
Jurnal ICT : Information Communication & Technology Vol 18, No 1 (2019): JICT-IKMI, Juli 2019
Publisher : STMIK IKMI Cirebon

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36054/jict-ikmi.v18i1.55

Abstract

The level of student satisfaction with learning services in higher education is one factor in the quality of college learning. To determine the level of student satisfaction with learning services in higher education, it is necessary to analyze the level of student satisfaction with learning services. K-Means method is a technique of grouping data based on the level of similarity of each member. K-Means can be used to classify the student satisfaction index on learning services. The K-Means method can also be optimized with genetic algorithms to determine the best centroid value. K-means optimization with Genetic Algorithms can be used as a technique to determine the level of student satisfaction with learning services. Obtained by Davies Bouldien Index from the K-Means and Genetics method is 1.593 with cluster number 5
Analisis Segmentasi Pelanggan Menggunakan Metode K-Means Clustering Khaerul Anam; Dadang Sudrajat; Dian Ade Kurnia
Jurnal ICT: Information Communication & Technology Vol. 22 No. 2 (2022): JICT-IKMI, December 2022
Publisher : LPPM STMIK IKMI Cirebon

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Teknologi berbasis computerized dewasa ini dapat diaplikasikan sebagai instrumen pendukung kegiatan pada berbagai bidang usaha dalam rangka mencapai tujuan pekerjaan dengan efektif dan efisien. Teknologi computerized data mining dibutuhkan untuk membantu kegiatan promosi dengan membuat segmentasi pelanggan berdasarkan data transaksi sebelumnya. Segmentasi pelanggan dapat dimanfaatkan sebagai indikator nilai pelanggan (customer value), dalam hal ini perusahaan akan dapat menilai kelompok pelanggan mana yang memberikan keuntungan besar bagi perusahaan. Penelitian ini bertujuan untuk membuat segmentasi pelanggan dari sebuah supermarket dengan K-Means clustering. Hasil eksperimen clustering didapatkan nilai k = 2 sebagai cluster terbaik dengan nilai DBI 0,527 dan nilai centroid distance 1,4821. Kelompok data pada Cluster 0 berjumlah 109 data sedangkan pada cluster 1 berjumlah 231 data dan total semua data adalah 340. Segmen data dari hasil clustering dideskripsikan menjadi segmen konsumen prioritas dan dan konsumen biasa yang dapat menjadi informasi pendukung untuk divisi marketing dalam menentukan strategi pemasaran yang relevan dengan konsumen untuk meningkatkan Customer Lifetime Value.
Implementasi Model Algoritma Generative Adversarial Network (Gan) Pada Sistem Presensi Berbasis Deteksi Wajah (SIDEWA) Suprapti, Tati; Dian Ade Kurnia; Doni Anggara; Rananda Deva Rian; Aldi Setiawan
TEMATIK Vol 9 No 2 (2022): Tematik : Jurnal Teknologi Informasi Komunikasi (e-Journal) - Desember 2022
Publisher : LPPM POLITEKNIK LP3I BANDUNG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.38204/tematik.v9i2.1048

Abstract

Penelitian ini bertujuan untuk mengukur tingkat keberhasilan model algoritma Generative Adversarial Network (GAN) terhadap objek gambar wajah yang diimplemntasikan pada sistem presensi berbasis deteksi wajah di Kantor BPS Kota Cirebon. GAN terdiri dari dua jaringan terpisah, di antaranya ditargetkan satu sama lain. Kumpulan jaringan pertama adalah pengklasifikasi yang perlu dilatih untuk mengetahui apakah itu nyata atau salah, dan kumpulan jaringan kedua adalah generator yang menghasilkan sampel acak yang mirip dengan sampel nyata dan menggunakannya sebagai sampel palsu. GAN merupakan teknik deep learning yang digunakan untuk memproses data yang tidak terstruktur salah satunya gambar wajah. Beberapa tahapan dalam melakukan penelitian ini diantaranya adalah penyiapan dataset, pemrosesan data set, membuat model generator, membuat model diskriminator, menggabungkan model generator dan diskriminator , membuat proses training GAN dan menganalisis kemampuan generator dan diskriminator. Berdasarkan hasil eksperimen yang telah dilakukan pada sampel gambar wajah melalui 1000 epoch dengan 10 iterations setiap 1 epoch diperlukan waktu training selama 5 menit, dengan menghasilkan rata rata akurasi 66,06 %. Dari hasil dari proses training yang dilakukan, gambar yang diperoleh dapat dikatakan berhasil karena terlihat walaupun belum nampak dengan sangat jelas. Kata Kunci : Generative Adversarial Networks, Deep Learning, Epoch, Wajah
Analisis Internet Network Performance Menggunakan Parameter Quality of Service Pada Jaringan STMIK IKMI Cirebon Martanto; Dian Ade Kurnia; Fathurrohman; Irfan Ali; Yudhistira Arie Wijaya
Prosiding SISFOTEK Vol 8 No 1 (2024): SISFOTEK VIII 2024
Publisher : Ikatan Ahli Informatika Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

The use of the internet for employees is a crucial need to support the completion of their work. STMIK IKMI Cirebon also provides internet facilities for its employees. However, the internet facilities provided are not yet optimal, as evidenced by frequent connection disruptions. This study aims to measure the performance of the internet connection at STMIK IKMI Cirebon. The method used is Quality of Service (QoS), which is a method to assess how well the installed network functions and its ability to define the attributes of the network services provided. QoS is necessary to calculate the parameters that determine the quality of an internet network. The steps in this study include recording network traffic using Wireshark, followed by calculating parameters such as bandwidth, packet loss, delay, throughput, and jitter. The study results indicate that during data upload from 08:00 to 12:05 at STMIK IKMI Cirebon, the throughput percentage achieved was 31% with an index of 1 "POOR," delay was 9.444 ms with an index of 4 "VERY GOOD," jitter was 8.444 ms with an index of 3 "GOOD," and packet loss was 0% with an index of 4 "VERY GOOD." During data download from 15:00 to 19:05, the throughput percentage achieved was 132% with an index of 4 "VERY GOOD," delay was 14.052 ms with an index of 4 "VERY GOOD," jitter was 13.052 ms with an index of 3 "GOOD," and packet loss received an index of 4 "VERY GOOD." Based on these results, it can be concluded that these values have met the TIPHON standard for both upload and download, indicating that the internet connection at STMIK IKMI Cirebon is still suitable for use
SMOTE Technique Utilization in Cirrhosis Classification: A Comparison of Gradient Boosting and XGBoost Abdul Latip; Huzain Azis; Hidayatulloh Himawan; Dian Ade Kurnia
JICO: International Journal of Informatics and Computing Vol. 1 No. 1 (2025): May 2025
Publisher : IAICO

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Cirrhosis is a chronic liver disease with significant health implications, responsible for 56,585 deaths annually, and ranking as the 9th leading cause of mortality worldwide. Early detection is crucial for effective treatment and better patient outcomes, as cirrhosis can progress to irreversible damage if not addressed in its initial stages. This research focuses on developing an advanced, integrated method for detecting cirrhosis by employing a combination of Synthetic Minority Over-sampling Technique (SMOTE) and machine learning models, specifically Gradient Boosting and XGBoost. The use of SMOTE is critical in this study as it addresses class imbalance in the dataset, which is a common challenge in medical diagnosis problems, especially when dealing with rare or minority conditions like cirrhosis. Class imbalance can lead to biased models that perform poorly on the minority class, which, in this case, could mean missing crucial cirrhosis diagnoses. SMOTE oversamples the minority class to ensure a more balanced dataset, which improves the model's ability to detect cirrhosis accurately. The research further includes a performance comparison between two powerful machine learning algorithms: Gradient Boosting and XGBoost. Gradient Boosting is known for its ability to optimize the model by focusing on misclassified instances in a sequential manner, while XGBoost, an advanced version of Gradient Boosting, is renowned for its speed and efficiency due to parallel processing and advanced regularization techniques.
PERBANDINGAN KINERJA SVM DAN NAÏVE BAYES PADA ANALISIS SENTIMEN KOMENTAR DEMONSTRASI DPR 25 AGUSTUS 2025 Nashir, Mukhtar; Dian Ade Kurnia; Yudhistira Arie Wijaya; Ade Irma Purnama Sari; Nisa Dienwati Nuris
Jurnal Mahasiswa Sistem Informasi (JMSI) Vol. 7 No. 1 (2025): Jurnal Mahasiswa Sistem Informasi (JMSI)
Publisher : Program Studi DIII Sistem Informasi - Universitas Muhammadiyah Metro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24127/jmsi.v7i1.10650

Abstract

Penelitian ini membandingkan kinerja Support Vector Machine dan Naive Bayes untuk analisis sentimen komentar demonstrasi DPR pada 25 agustus 2025, mengidentifikasi faktor yang memengaruhi prediksi, serta memahami peran preprocessing dan fitur TF-IDF dalam menghasilkan klasifikasi yang stabil. Penelitian ini menggunakan komentar dari youtube berjumlah 17.335 komentar yang diproses melalui tahapan eksplorasi data, pembersihan teks, pelabelan berbasis lexicon berbasis bootstrapping, dan ekstraksi fitur utama (TF-IDF unigram/biagram). Hasil penelitian menunjukkan bahwa Support Vector Machine memberikan akurasi lebih tinggi yaitu 98% dibandingkan Naive Bayes memberikan 88% karena cenderung bias pada kelas mayoritas . Perbedaan performa dipengaruhi oleh struktur data, distribusi kata, serta sensitivitas model terhadap fitur yang tidak merata. SVM mampu memaksimalkan pemisahan antar kelas sehingga lebih stabil pada ruang fitur berdimensi tinggi, sedangkan Naive Bayes menghadapi kesulitan dalam mengenali pola sentimen ketika kelasTidakSeimbang mendominasi. Penelitian ini menegaskan bahwa preprocessing dan representasi fitur TF-IDF berperan besar dalam mengurangi noise serta meningkatkan kualitas pembelajaran model. Penelitian ini menyimpulkan bahwa SVM lebih sesuai digunakan untuk analisis sentimen komentar politik di Indonesia. Temuan ini memberi dasar empiris bagi pengembangan metode analisis sentimen pada isu sosial yang memiliki dinamika bahasa dan variasi konteks yang tinggi.
Co-Authors Abdul Latip Ade Irma Purnama Sari Ade Rizki Rinaldi Aldi Setiawan Dadang Sudrajat Doni Anggara Hidayatulloh Himawan Irfan Ali Jayawarsa, A.A. Ketut Khaerul Anam Lana Surlanto Martanto Nashir, Mukhtar Nisa Dienwati Nuris Rananda Deva Rian Tati Suprapti Yudhistira Arie Wijaya