Article Per Year (5 Year)
p-Index From 2021 - 2026
4.948
P-Index
This Author published in this journals
All Journal Jiko (Jurnal Informatika dan komputer) ComTech: Computer, Mathematics and Engineering Applications bit-Tech JATI (Jurnal Mahasiswa Teknik Informatika) G-Tech : Jurnal Teknologi Terapan Journal of Advanced in Information and Industrial Technology (JAIIT) Jurnal Lebesgue : Jurnal Ilmiah Pendidikan Matematika, Matematika dan Statistika Nusantara Science and Technology Proceedings International Journal of Data Science, Engineering, and Analytics (IJDASEA) MATHunesa: Jurnal Ilmiah Matematika Indonesian Community Journal Jurnal Ilmiah IT CIDA : Diseminasi Teknologi Informasi Journal of Information Systems and Technology Research Jurnal Informatika Teknologi dan Sains (Jinteks) STATISTIKA Jurnal Ilmiah Manajemen dan Akuntansi Teknologi : Jurnal Ilmiah Sistem Informasi
Amri Muhaimin
Universitas Pembangunan Nasional Veteran Jawa Timur
Agriculture, Biological Sciences & Forestry Chemical Engineering, Chemistry & Bioengineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Mathematics Medicine & Pharmacology Public Health Social Sciences Other

Published : 33 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 33 Documents
Search

 1   2   3   4 
Sistem Rekomendasi Menu Kantin Menggunakan Lifespan-Aware Association Rule Mining Dengan Hybrid Apriori Dan FP-Growth Muhammad Ghinan Navsih; Amri Muhaimin; Shindi Shella May Wara
TEKNOLOGI: Jurnal Ilmiah Sistem Informasi Vol 16 No 1 (2026): January
Publisher : Universitas Pesantren Tinggi Darul 'Ulum (Unipdu) Jombang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26594/teknologi.v16i1.6143

Abstract

This study addresses the problem of how to systematically increase cross-selling in a small canteen, where additional items such as drinks and snacks are usually offered only based on the cashier’s memory and intuition. The proposed solution is a point-of-sale (POS) recommendation system that suggests complementary menu items in real time, based on patterns learned from historical transaction data. The system uses a lifespan-aware association rule mining approach with a hybrid of Apriori and FP-Growth, where both algorithms are applied to one-hot encoded POS data and their outputs are combined and validated before being deployed as recommendation rules. The research objectives are to extract stable co-purchase patterns from canteen transactions, compare the computational performance of Apriori and FP-Growth in this real-world setting, and evaluate the practical effectiveness of the resulting recommendation system. The method benchmarks Apriori and FP-Growth across several minimum support values in terms of frequent itemsets count, computation time, and peak memory usage, and then integrates the validated rules into a POS application for real-time inference. The system’s effectiveness is measured using a session-level recommendation acceptance rate, defined as the proportion of transactions that display the recommendation modal and result in at least one recommended item being accepted and paid. The results show that Apriori and FP-Growth consistently produce identical sets of frequent itemsets, but with markedly different computational characteristics: Apriori is significantly faster, while FP-Growth exhibits more stable memory usage. In the deployed setting, the recommendation system achieves a session-level acceptance rate of 15.52% in 3,588 transactions, indicating that roughly one in seven sessions with recommendations leads to an additional item being purchased. Compared to many existing works that focus only on algorithmic performance on benchmark datasets, this research contributes a lifespan-aware, empirically benchmarked hybrid ARM approach that is fully integrated into a working POS system and evaluated using real-world acceptance behavior.
Robust Large-Scale Poverty Prioritization Using a-Cut Fuzzy AHP and Fuzzy WASPAS Hauzan Hanifah Zahra; Amri Muhaimin; Sugiarto
Journal of Information Systems and Technology Research Vol. 5 No. 2 (2026): May 2026
Publisher : Ali Institute or Research and Publication

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55537/jistr.v5i2.1560

Abstract

Prioritizing poverty alleviation programs remains challenging due to multidimensional indicators and uncertainty in expert judgment. This study purposes a robust decision support framework by integrating -cut Fuzzy Analytic Hierarchy Process (Fuzzy AHP) and Fuzzy Weighted Aggregated Sum Product Assessment (Fuzzy WASPAS) for large-scale poverty prioritization. The -cut mechanism was incorporated into the Fuzzy AHP weighting process to improve flexibility and robustness under uncertainty, while Fuzzy WASPAS was employed to rank 20,000 household alternatives based on 14 poverty indicators derived from DTKS and BPS Data. Sensitivity analysis was conducted using several  values to evaluate ranking stability under varying confidence levels. The results demonstrate that the proposed framework produces highly stable rankings, with an average maximum rank shift of 143 positions (0.7%) and a median shift of 81 positions (0.4%) across all alternatives. Futhermore, the model achieved an average Spearman rank correlation of 0.9996, indicating strong consistency in poverty prioritization outcomes despite variations in fuzzy defuzzification parameters. The findings confirm that the integration of α-cut Fuzzy AHP and Fuzzy WASPAS provides a reliable and robust approach for evidence-based poverty targeting and social assistance allocation. The proposed framework can support policymakers in improving the accuracy, transparency, and consistency of poverty intervention strategies.
KLASTERISASI KRIMINALITAS DI INDONESIA MENGGUNAKAN METODE KOHONEN-SELF ORGANIZING MAP DAN PARTICLE OPTIMIZATION SWARM Wenny Maria Tampubolon; Amri Muhaimin; Trimono Trimono
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 1 (2026): JATI Vol. 10 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i1.16575

Abstract

Kriminalitas merupakan perilaku yang melanggar hukum serta menyimpang dari norma sosial yang berlaku, dan dapat menimbulkan kerugian baik secara fisik, ekonomi maupun psikologis. Data BPS tahun 2024 mencatat peningkatan jumlah kasus kriminal dari 327.965 pada 2022 menjadi 584.991 pada 2023, sementara itu  kasus yang berhasil diselesaikan  hanya 299.517 kasus. Selisih yang cukup besar tersebut menunjukkan masih adanya kelemahan dalam penanganan kejahatan, sehingga diperlukan analisis pola kriminalitas untuk memperoleh gambaran kondisi antar provinsi di Indonesia. Penelitian ini bertujuan mengelompokkan provinsi di Indonesia berdasarkan data kriminalitas menggunakan metode Kohonen Self-Organizing Map (SOM). Metode SOM mampu mengelompokkan data tanpa pengawasan (unsupervised learning) ke dalam representasi dua dimensi sehingga pola antarprovinsi dapat terlihat dengan lebih jelas. Untuk meningkatkan kinerja SOM, digunakan Particle Swarm Optimization (PSO) sebagai metode optimasi yang meniru perilaku sosial sekumpulan partikel untuk menemukan kombinasi parameter terbaik. Hasil optimasi dengan PSO menunjukkan parameter optimal SOM adalah grid 2×1, sigma 0,3, dan learning rate 0,9. Dengan parameter tersebut, terbentuk dua klaster dengan nilai Silhouette Coefficient sebesar 0,59 yang menandakan kualitas klasterisasi cukup baik. Temuan ini diharapkan dapat memperlihatkan perbedaan karakteristik kriminalitas antarprovinsi dan menjadi dasar penyusunan strategi penanganan yang lebih tepat sasaran.
PREDIKSI MENGUNAKAN SUPPORT VECTOR REGRESSION DENGAN OPTIMASI GENETIC ALGORITHM: Naomi Dwi Anggraini; Wahyu Syaifullah Jauharis Saputra; Amri Muhaimin
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 1 (2026): JATI Vol. 10 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i1.16884

Abstract

Cabai merupakan komoditas yang memiliki pengaruh signifikan terhadap stabilitas harga pangan di Indonesia, terutama di Provinsi Jawa Timur sebagai sentra produksi dan wilayah dengan tingkat konsumsi cabai yang tinggi. Harga cabai yang berfluktuatif akibat faktor musim, distribusi pasokan, dan permintaan pasar menimbulkan ketidakpastian yang berdampak pada inflasi, daya beli masyarakat, serta strategi pemerintah dalam pengendalian harga pangan. Oleh karena itu, diperlukan model prediksi yang akurat dan mampu menangkap karakteristik data harga cabai yang bersifat non-linear. Penelitian ini bertujuan membangun model prediksi harga komoditas cabai di Jawa Timur menggunakan metode Support Vector Regression (SVR) yang dioptimasi dengan Genetic Algorithm (GA). Proses optimasi dilakukan untuk memperoleh parameter terbaik, dengan pemilihan lag berdasarkan analisis Partial Autocorrelation Function (PACF) dan penggunaan kernel Radial Basis Function (RBF). Hasil pengujian menunjukkan bahwa SVR-GA memberikan peningkatan akurasi yang signifikan dibanding dengan SVR tanpa optimasi, dengan nilai MAPE sebesar 1,96% untuk cabai rawit, 2,34% untuk cabai merah besar, dan 2,38% untuk cabai merah keriting. Temuan ini menegaskan bahwa integrasi SVR dan GA mampu menghasilkan model prediksi yang lebih akurat dan stabil, sehingga dapat dimanfaatkan sebagai alat bantu dalam memantau tren harga dan mendukung pengambilan keputusan terkait pengelolaan komoditas cabai
PEMETAAN KLASTER PEMBANGUNAN KABUPATEN/KOTA DI PROVINSI BALI BERBASIS DEEP CLUSTERING MENGGUNAKAN VARIATIONAL AUTOENCODER DAN IMPROVED K-MEANS Kanessa Jasmine Prisheila Az Zahra Setiyanto; Amri Muhaimin; Kartika Maulida Hindrayani
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 2 (2026): JATI Vol. 10 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i2.17588

Abstract

Ketimpangan pembangunan antar kabupaten/kota menimbulkan perbedaan capaian sosial ekonomi sehingga diperlukan pemetaan pembangunan wilayah secara objektif. Penelitian ini bertujuan mengelompokkan pembangunan kabupaten/kota di Provinsi Bali periode 2020-2024 berdasarkan indikator Indeks Pembangunan Manusia (IPM), Produk Domestik Regional Bruto (PDRB), Gini Ratio (GR), Tingkat Pengangguran Terbuka (TPT), dan persentase penduduk miskin (P0). Metode yang digunakan merupakan metode deep clustering dengan Variational Autoencoder (VAE) untuk membentuk representasi fitur laten, yang selanjutnya dikeompokkan menggunakan Improved K-Means Clustering. Penentuan jumlah klaster dilakukan dengan menguji yang dievaluasi menggunakan Silhouette Score, Davies-Bouldin Index (DBI), dan Calinski–Harabasz Index (CHI). Hasil penelitian menunjukkan bahwa K = 3 merupakan jumlah klaster yang paling optimal, dengan kualitas klaster terbaik terjadi pada tahun 2020 dan 2023, ditunjukkan dengan nilai Silhouette masing-masing sebesar 0,467 dan 0,390. Profil indikator indikator menunjukkan bahwa klaster dengan tingkat pembangunan lebih tinggi memiliki nilai  IPM dan PDRB per kapita yang lebih tinggi serta tingkat kemiskinan lebih rendah, yang dominasi oleh Kabupaten Badung dan Kota Denpasar. Hasil ini diharapkan dapat mendukung analisis dan perumusan kebijakan pembangunan daerah di Provinsi Bali.
IMPLEMENTASI METODE WARD DALAM ANALISIS TEKS ADUAN PELAYANAN MASYARAKAT: Mareta Putri Wardhana; Kartika Maulida Hindrayani; Amri Muhaimin
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 2 (2026): JATI Vol. 10 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i2.17866

Abstract

Aduan masyarakat terhadap pelayanan publik merupakan sumber informasi penting dalam evaluasi kualitas layanan, namun umumnya disampaikan dalam bentuk teks tidak terstruktur yang sulit dianalisis secara manual. Ketiadaan pengelompokan otomatis menyulitkan identifikasi pola permasalahan utama secara cepat di tengah volume data yang besar. Penelitian ini bertujuan mengelompokkan aduan masyarakat di Dispendukcapil Kota Surabaya berdasarkan kemiripan teks menggunakan metode Agglomerative Hierarchical Clustering dengan pendekatan Ward. Metode Ward dipilih karena kemampuannya meminimalkan variansi dalam klaster untuk menghasilkan kelompok yang homogen. Tahapan penelitian meliputi text preprocessing, pembobotan kata menggunakan Term Frequency–Inverse Document Frequency (TF-IDF), serta klasterisasi menggunakan jarak Euclidean. Berdasarkan analisis dendrogram, penelitian ini menghasilkan dua klaster optimal dengan nilai Silhouette Coefficient sebesar 0,7603 dan Davies Bouldin Index 1,0283. Nilai tersebut mengindikasikan struktur klaster yang baik dengan tingkat kohesi dan separasi yang tinggi. Visualisasi wordcloud menunjukkan perbedaan karakteristik aduan pada setiap klaster, sedangkan analisis emosi mengungkap bahwa aduan masyarakat secara keseluruhan didominasi oleh emosi sedih. Hasil penelitian ini diharapkan dapat membantu instansi terkait dalam mengidentifikasi pola permasalahan pelayanan dan mendukung perumusan strategi peningkatan kualitas layanan publik secara lebih efektif.
ANALISIS EMOSI AUDIENS PADA KOMENTAR INSTAGRAM @JTV_REK BERBASIS LATENT SEMANTIC ANALYSIS DENGAN PENDEKATAN ENSEMBLE STACKING UNTUK KLASIFIKASI EMOSI Jasmine Aulia; Amri Muhaimin; Andri Fauzan Adziima
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 3 (2026): JATI Vol. 10 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i3.18305

Abstract

Perkembangan media sosial telah mengubah pola interaksi masyarakat dalam menyampaikan opini dan ekspresi emosional terhadap berbagai konten digital, khususnya melalui komentar pada platform Instagram. Namun, analisis emosi pada komentar media sosial menghadapi tantangan seperti ketidakseimbangan data, teks yang pendek, dan penggunaan bahasa informal. Penelitian ini bertujuan untuk mengklasifikasikan emosi audiens pada komentar Instagram akun @JTV_rek menggunakan metode Stacking Ensemble dengan dukungan Latent Semantic Analysis (LSA) untuk analisis topik. Dataset yang digunakan terdiri dari 3.701 komentar yang dikumpulkan pada periode Januari 2024 hingga Agustus 2025 dan dilabeli secara manual ke dalam tiga kelas emosi, yaitu joy, netral, dan negative. Representasi fitur menggunakan TF-IDF, sedangkan LSA digunakan untuk mengekstraksi pola semantik. Proses klasifikasi dilakukan dengan menggabungkan Random Forest, Support Vector Machine, dan XGBoost dalam skema Stacking Ensemble dengan Logistic Regression sebagai meta-learner. Hasil penelitian menunjukkan bahwa model terbaik diperoleh pada skenario Stacking tanpa SMOTE dengan nilai accuracy sebesar 74% dan F1-score sebesar 73%. Hasil ini menunjukkan bahwa pendekatan ensemble mampu meningkatkan performa klasifikasi emosi pada data komentar media sosial.
ANALISIS PERBEDAAN PENGARUH VARIABEL PADA PEMAKAIAN OBAT BERBASIS KUANTIL MENGGUNAKAN LASSO QUANTILE REGRESSION UNTUK MENDUKUNG PERENCANAAN STOK OBAT Hikmata Tartila; Amri Muhaimin; Shindi Shella May Wara
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 3 (2026): JATI Vol. 10 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i3.18451

Abstract

Pengelolaan persediaan obat di fasilitas kesehatan primer, khususnya puskesmas, sering menghadapi ketidakseimbangan antara permintaan dan ketersediaan yang dapat menyebabkan kekosongan maupun kelebihan stok. Sebagian besar puskesmas masih menggunakan metode Average Monthly Consumption (AMC) berbasis rata-rata historis, yang memiliki keterbatasan dalam menangkap fluktuasi permintaan. Pendekatan berbasis rata-rata seperti Ordinary Least Squares (OLS) juga kurang mampu merepresentasikan distribusi data yang asimetris serta keberadaan nilai ekstrem. Penelitian ini menerapkan LASSO Quantile Regression untuk menganalisis pengaruh variabel operasional terhadap pemakaian obat pada kuantil 0,5 dan 0,9, yang masing-masing merepresentasikan kondisi permintaan normal dan tinggi. Data yang digunakan berasal dari Laporan Pemakaian dan Lembar Permintaan Obat (LPLPO) Puskesmas Ibuh Kota Payakumbuh periode Januari 2015 hingga September 2025. Kinerja model dievaluasi menggunakan pinball loss, prediction coverage, Pseudo R², dan stability selection. Hasil menunjukkan bahwa pengaruh variabel operasional berbeda pada setiap tingkat kuantil. Model menghasilkan pinball loss sebesar 0,033–0,331, prediction coverage 0,504–0,519 pada kuantil 0,5 dan 0,899–0,930 pada kuantil 0,9, serta Pseudo R² hingga 0,391. Temuan ini menunjukkan bahwa pendekatan berbasis kuantil lebih efektif dalam menangkap variasi permintaan obat dan dapat mendukung perencanaan persediaan yang lebih adaptif serta berbasis risiko di fasilitas kesehatan primer.
PEMODELAN RISIKO PASAR DAN NILAI TUKAR TERHADAP RETURN SAHAM SEKTORAL DI BURSA EFEK INDONESIA Rijal Apuila Khufi; Reagen Westerdam Sean Jatindra; Aviolla Terza Damaliana; Amri Muhaimin
Jurnal Ilmiah Manajemen dan Akuntansi Vol. 3 No. 4 (2026): Juli : Jurnal Ilmiah Manajemen dan Akuntansi
Publisher : CV. Denasya Smart Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69714/s1e70143

Abstract

This study analyzes sectoral stock return risk in the Indonesia Stock Exchange using multiple linear regression and historical Value at Risk. Market risk is represented by the return of the Indonesia Composite Index, while exchange rate risk is represented by the return of USD/IDR. This study uses daily time series data obtained from Yahoo Finance using Python. Sectoral stock returns are constructed using a proxy approach by calculating the average return of selected representative stocks in each sector. The methods include return calculation, sectoral return construction, multicollinearity testing using Variance Inflation Factor, multiple linear regression estimated by Ordinary Least Squares with HC3 robust standard error, and risk measurement using volatility, Value at Risk, Conditional Value at Risk, maximum drawdown, and risk scoring. The results show that IHSG return significantly affects all sectoral stock returns, while USD/IDR return significantly affects the Properties and Technology sectors. The risk classification shows that Technology, Basic Materials, Transportation, and Properties are high-risk sectors, while Consumer Non-Cyclicals and Healthcare are low-risk sectors. These findings indicate that combining multiple linear regression and historical risk measurement can support sectoral risk mapping for investors and decision-makers.
Prediksi Viralitas Tweet Berbahasa Indonesia Menggunakan IndoBERTweet, RoBERTa, dan Multi-Layer Perceptron untuk Optimalisasi Strategi Pemasaran Digital Deannisa Syafira Putri; Amri Muhaimin; Mohammad Idhom
Jurnal Ilmiah IT CIDA Vol 11 No 2: Desember 2025
Publisher : STMIK AMIKOM Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55635/jic.v11i2.297

Abstract

Penelitian ini bertujuan memprediksi tingkat viralitas tweet berbahasa Indonesia dengan menggabungkan fitur teks, sentimen, dan numerik melalui model IndoBERTweet, RoBERTa, dan Multi-Layer Perceptron (MLP). IndoBERTweet digunakan untuk menghasilkan representasi semantik, RoBERTa untuk menganalisis polaritas sentimen, dan MLP sebagai klasifikator yang menggabungkan seluruh fitur. Dataset terdiri dari 1.716 tweet promosi pada platform X (27 November 2024–27 Mei 2025), yang setelah pra-pemrosesan dan pelabelan menggunakan Gaussian Mixture Model (GMM) menghasilkan 1.481 data bersih siap latih. Model mencapai performa tinggi dengan akurasi 96,99%, precision 96,97%, recall 96,99%, dan F1-score 96,97%, mencatat peningkatan sebesar 0,32% dibandingkan Linear SVM dan 1,66% dibandingkan Decision Tree. Temuan ini menunjukkan bahwa integrasi representasi semantik dan sentimen secara efektif meningkatkan akurasi prediksi dibandingkan pendekatan tunggal, serta berpotensi membantu praktisi pemasaran digital merancang strategi kampanye yang lebih tepat sasaran dan berpeluang viral.
Co-Authors Abdul Hamid Ade Kusuma Allan Ruhui Fatma Sari Allan Ruhui Fatmah Sari Andreas Nugroho Sihananto Andri Fauzan Adziima Angela Lisanthoni Aulia Rahmawati Aviolla Terza Aviolla Terza Damaliana Aviolla Terza Damaliana Aviolla Terza Damaliana Burhan Syarif Acarya Deannisa Syafira Putri Dwi Arman Prasetya Dwi Arman Prasetya Endah Setyowati Fanny Widya Cahyani Hauzan Hanifah Zahra Heidy Arviani Hendri Prabowo Hikmata Tartila Ilmatus Sa’diyah Jasmine Aulia Kanessa Jasmine Prisheila Az Zahra Setiyanto Kartika Maulida H Kartika Maulida Hindrayani Kartika Maulida Hindrayani Kartika Maulida Hindrayani Mareta Putri Wardhana Mohammad Idhom Muhammad Ghinan Navsih Muhammad Nasrudin Muhammad Nasrudin Nabilah Selayanti Nabilah Selayanti Nabilah Selayanti Naomi Dwi Anggraini Nine Alvariqati Varqa Ansori Prismahardi Aji Riyantoko Prismahardi Aji Riyantoko Reagen Westerdam Sean Jatindra Regita Putri Permata Rifdatun Ni’mah Rijal Apuila Khufi Sahat Renaldi. S Shafira Amanda Putri Shafira Amanda Putri Shafira Amanda Putri Shindi Shella May Wara Shindi Shella May Wara Siti Naia Hesti Rachmawati Sonya Audina Akbar Sugiarto, Sugiarto suhartono - Syifa Syarifah Alamiyah Tresna Maulana Fahrudin Tresna Maulana Fahrudin Trimono Trimono Trimono Trimono Trimono, Trimono Vera Febrianti Pakpahan Wahyu Syaifullah Wahyu Syaifullah Jauharis Saputra Wenny Maria Tampubolon Widiwurjani