Article Per Year (5 Year)
p-Index From 2020 - 2025
0.702
P-Index
This Author published in this journals
All Journal Industrial and Systems Engineering Assessment Journal (INASEA) JOURNAL OF INFORMATION SYSTEM RESEARCH (JOSH) Journal Of Artificial Intelligence And Software Engineering Prosiding Seminar Nasional CORISINDO
Hartono Wijaya
Binus University
Computer Science & IT Decision Sciences, Operations Research & Management Industrial & Manufacturing Engineering

Published : 5 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search

 1 
ANALISIS FREKUENSI KEDATANGAN BUS TRANSJAKARTA DI WAKTU SIBUK DAN TIDAK SIBUK Taniasi, Wizi Dewi; Wijaya, Hartono; Rackman, Susanto; Gunawan, Fergyanto E.
Industrial and Systems Engineering Assessment Journal (INASEA) Vol 13, No 2 (2012): INASEA Vol. 13 No. 2
Publisher : Industrial and Systems Engineering Assessment Journal (INASEA)

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

Abstract

The high road traffic in Jakarta often leads to a massive traffic jam. The problem arises because the volume of vehicles increasing at a higher rate than the road development. To overcome the traffic jam problem, the government introduced bus rapid transit, known as TransJakarta, in 2004. They expects the users of the private vehicle will switch to using TransJakarta, which can further lessen the traffic congestion. However, until now, TransJakarta is still having a low ridership, and is not able to meet the expectation. Passengers often critize the system because of long inter-arrival time between buses, which forced passengers to wait for a long time. TransJakarta operator has to address this issue as quickly as possible before inhabitantsof Jakarta losing their trust on the system. In this study, we analyzed the arrival frequency of TransJakarta buses at the peak-period time and off-peak period time, and also analyzed the factors that affect the frequency.
Komparasi Metode Random Forest Dan Support Vector Machine (SVM) Untuk Pemodelan Klasifikasi Serangan DDos Lauwl, Christoper Michael; Husain, Husain; Nuzululnisa, Baiq Nadila; Wijaya, Hartono
Journal of Information System Research (JOSH) Vol 6 No 2 (2025): Januari 2025
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/josh.v6i2.6684

Abstract

The Distributed Denial of Service (DDoS) attack is a type of cyberattack that aims to render a service, network, or website inaccessible to legitimate users. This attack not only disrupts services but also causes server crashes by repeatedly sending data packets, commonly referred to as spam. DDoS attacks can be identified as traffic anomalies. The National Cyber and Crypto Agency (BSSN) recorded 403,990,813 traffic anomalies with 347 cases specifically attributed to DDoS attacks. Based on this issue, a model capable of classifying DDoS attacks is necessary. This study employs the Random Forest and Support Vector Machine (SVM) methods through the steps of data collection, dataset loading, data preprocessing, classification modeling, and performance evaluation. In the final stage, the best method between Random Forest and Support Vector Machine is determined. The results indicate that Random Forest achieved an accuracy of 99.9%, whereas Support Vector Machine obtained an accuracy of 97.0%. Therefore, it can be concluded that Random Forest demonstrates better accuracy in classifying DDoS attacks.
Systematic Literature Review on String Matching Algorithms to Analyze Research Trends Using Vosviewer Wijaya, Hartono
Journal of Artificial Intelligence and Software Engineering Vol 5, No 1 (2025): Maret
Publisher : Politeknik Negeri Lhokseumawe

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30811/jaise.v5i1.6465

Abstract

String matching memiliki peran penting dalam berbagai kegunaan seperti pemrosesan teks dan analisis terutama di tengah kompleksitas data yang terus meningkat. Meskipun berbagai algoritma telah dikembangkan tantangan dalam memilih algoritma yang sesuai untuk aplikasi tertentu tetap menjadi isu yang relevan. Penelitian ini bertujuan untuk mengkaji tren penelitian dan perkembangan terbaru dalam algoritma string matching. Data penelitian dikumpulkan menggunakan Publish or Perish untuk memperoleh literatur terkait, diikuti dengan analisis bibliometrik, PRISMA, dan menggunakan VOSviewer yang meliputi tahapan identifikasi masalah, pengumpulan data, pengolahan data, dan analisis data. Hasil penelitian menunjukkan bahwa algoritma klasik seperti Knuth-Morris-Pratt dan Aho-Corasick tetap relevan terutama dalam aplikasi seperti deteksi plagiarisme dan pemrosesan teks. Tren terkini mencakup integrasi algoritma dengan teknologi machine learning dan bioinformatika, serta pengembangan algoritma hibrid yang menggabungkan metode klasik dengan teknik modern. Penelitian ini menyarankan agar dilakukan pengembangan algoritma yang lebih responsif terhadap data berubah-ubah, penelusuran aplikasi algoritma di area baru, serta analisis perbandingan antar algoritma untuk memperdalam pemahaman dan pemilihan algoritma yang paling efektif, yang dapat mendorong inovasi dan penerapan praktis dalam pengembangan algoritma string matching
Optimalisasi Hybrid Sampling pada SVM dan Ensemble Learning untuk Prediksi Churn Wijaya, Hartono; Hairani, Hairani; Vidiasari, Viviana Herlita; Amin, Farda Milanda
CORISINDO 2025 Vol. 1 (2025): Prosiding Seminar Nasional CORISINDO 2025
Publisher : CORISINDO 2025

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/corisindo.v1.5246

Abstract

Churn merupakan kondisi ketika pelanggan menghentikan penggunaan produk atau layanan suatu perusahaan, yang secara langsung berdampak terhadap penurunan pendapatan dan peningkatan biaya akuisisi pelanggan baru. Ketidakmampuan model pembelajaran mesin dalam mengenali pelanggan yang berisiko churn akibat ketidakseimbangan data menjadi tantangan utama dalam sistem prediksi churn. Penelitian ini bertujuan untuk mengembangkan model prediksi churn yang lebih akurat dan sensitif dengan mengombinasikan algoritma Support Vector Machine (SVM) dan metode ensemble (Bagging dan Stacking), disertai penerapan teknik hybrid sampling seperti SMOTE. Metode penelitian meliputi pengumpulan data, preprocessing data, pembagian data, pelatihan model dan evaluasi . Hasil penelitian menunjukkan bahwa model Stacking memberikan performa terbaik dengan akurasi dan F1-score mencapai 86%, serta nilai AUC sebesar 0,93. Fitur products number, age, dan active member teridentifikasi sebagai variabel paling berpengaruh terhadap churn. Batasan utama penelitian ini terletak pada keterbatasan sumber data dan belum dilakukannya tuning parameter secara mendalam. Penelitian ini juga memberikan kontribusi praktis bagi strategi retensi pelanggan dan dapat dikembangkan lebih lanjut dengan validasi pada dataset lintas industri dan tuning parameter yang lebih luas.
Penerapan SMOTE dan Random Forest dalam Klasifikasi Tren Harga Saham Harian: Studi Kasus Saham PT Telkom Indonesia Tbk (TLKM) Hadi, M Fawazi; Hairani, Hairani; Wijaya, Hartono; Vidiasari, Herlita
CORISINDO 2025 Vol. 1 (2025): Prosiding Seminar Nasional CORISINDO 2025
Publisher : CORISINDO 2025

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/corisindo.v1.5267

Abstract

Salah satu masalah utama dalam sistem klasifikasi tren harga saham adalah ketidakseimbangan kelas dalam data historis saham.  Studi ini melihat bagaimana menggunakan teknik over-sampling synthetic minority (SMOTE) dan algoritma Random Forest untuk mengklasifikasikan tren harga saham harian PT Telkom Indonesia Tbk (TLKM).  Data diukur dengan lima metrik utama: volume, open, high, low, dan close. Semua ini diperoleh dari Kaggle.  Hasil uji menunjukkan bahwa kombinasi SMOTE dan Random Forest mampu meningkatkan distribusi data dan memberikan kinerja klasifikasi yang cukup baik, dengan akurasi sebesar 51% dan skor macro F1-sebesar 0.51.  Temuan ini menunjukkan bahwa, meskipun data berubah, model mengenali kedua arah tren dengan cukup andal.  Penelitian ini membangun fondasi untuk sistem yang mendukung keputusan investasi berbasis data.
Co-Authors Amin, Farda Milanda Fergyanto E. Gunawan Hadi, M Fawazi Hairani Hairani Husain Husain Lauwl, Christoper Michael Nuzululnisa, Baiq Nadila Susanto Rackman Vidiasari, Herlita Vidiasari, Viviana Herlita Wizi Dewi Taniasi