Article Per Year (5 Year)
p-Index From 2021 - 2026
2.63
P-Index
This Author published in this journals
All Journal JUTI: Jurnal Ilmiah Teknologi Informasi Karya Ilmiah S.1 Ilmu Keperawatan Jurnal Teknologi Informasi dan Ilmu Komputer Briliant: Jurnal Riset dan Konseptual Business and Finance Journal Jurnal Tekinkom (Teknik Informasi dan Komputer) Jurnal Teknik Informatika (JUTIF) Journal Research of Social Science, Economics, and Management Sewagati
Agus Budi Raharjo
Unknown Affiliation
Arts Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Dentistry Economics, Econometrics & Finance Education Engineering Environmental Science Languange, Linguistic, Communication & Media Library & Information Science Nursing Public Health Social Sciences Other

Published : 17 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 17 Documents
Search

 1   2 
Identifikasi Pengaruh Pandemi Covid-19 terhadap Perilaku Pengguna Twitter dengan Pendekatan Social Network Analysis Purwitasari, Diana; Apriantoni, Apriantoni; Raharjo, Agus Budi
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 6: Desember 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021865213

Abstract

Pandemi COVID-19 yang berlangsung lama telah berdampak masif pada berbagai aktivitas publik, misalnya perilaku pengguna di media sosial. Twitter, media sosial yang fleksibel untuk berdiskusi dan bertukar pendapat, menjadi salah satu media populer dalam menyebarluaskan informasi COVID-19 secara dinamis dan up-to-date. Hal ini menjadikan twitter relevan sebagai media ekstraksi pengetahuan dalam mengidentifikasi perubahan perilaku pengguna. Kontribusi penelitian ini adalah menemukan perubahan perilaku pengguna twitter melalui analisis profil pengguna pada periode sebelum dan setelah COVID-19. Data yang digunakan adalah data tweet berbahasa Indonesia. Penelitian ini menggunakan pendekatan Social Network Analysis (SNA) sebagai ekstraksi informasi dalam menentukan aktor utama dan aktor populer. Kemudian, profil pengguna aktif dianalisis untuk mengidentifikasi perubahan perilaku melalui intensitas tweet, popularitas pengguna, dan representasi topik pembahasan. Popularitas pengguna dianalisis dengan pendekatan follower rank, sedangkan representasi topik pembahasan diekstraksi dengan metode Latent Dirichlet Allocation untuk mendapatkan dominan topik yang dibahas oleh setiap pengguna aktif. Tujuannya adalah untuk mempermudah  identifikasi pengaruh pandemi COVID-19 terhadap perubahan perilaku pengguna twitter. Berdasarkan hasil SNA, penelitian ini menemukan tiga aktor  kunci yang aktif pada periode sebelum dan setelah COVID-19. Selanjutnya, hasil analisis dari ketiga aktor tersebut menunjukkan adanya pengaruh pandemi COVID-19 terhadap perubahan perilaku pengguna twitter, yaitu kenaikan intensitas tweet sebesar 58% pada jam kerja, aktor utama yang didominasi oleh 60% pengguna dengan follower rendah, dan topik pembicaraan pengguna twitter yang dominan membahas COVID-19, hobi dan aktivitas di dalam rumah. AbstractThe long-lasting COVID-19 pandemic had a massive impact on public activities, such as user behavior on social media. Twitter, a flexible social media for discussing and exchanging opinions, has become popular in disseminating COVID-19  dynamic and up-to-date information. It makes twitter relevant as a medium of knowledge extraction in identifying user behavior changes. The contribution of this research is to find behavior changes of Twitter users through user profiles analysis in the before and after COVID-19 period. This data used is Indonesian-language tweets. This research used a Social Network Analysis (SNA) to determine the main actors and famous actors. Then, active user profiles were analyzed to identify behavior changes through tweet intensity, user popularity, and representation of the topic of discussion. User popularity was analyzed using a follower rank approach. At the same time, the representation of discussion topics was extracted using the Latent Dirichlet Allocation method to obtain dominant topics which each active user discusses. It aims to make it easier to identify the impact of the COVID-19 pandemic on Twitter user behavior changes. Based on the results of the SNA, this research found three key actors who were active in the before and after COVID-19 period. Then, the results of the analysis of these three user profiles shows that an influence of the COVID-19 pandemic on Twitter user behavior changes: an increase in tweet intensity by 58% during working hours, the leading actor was dominated by 60% of users with low followers, and the topic of Twitter users' conversation that it dominantly discuss COVID-19 issues, hobbies, and activities at home.
Jaringan Komunitas Berbasis Similaritas Topik Bahasan dan Emosi untuk Mengidentifikasi Perilaku Pengguna Twitter Apriantoni, Apriantoni; Purwitasari, Diana; Raharjo, Agus Budi
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 1: Februari 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023106317

Abstract

Pandemi COVID-19 menyebabkan situasi krisis yang berdampak pada perubahan perilaku pengguna Twitter terkait pengalaman distres publik. Perubahan perilaku positif bisa berdampak positif. Namun, perubahan perilaku negatif bisa menjadi masalah jika terjadi secara masif, seperti meningkatnya kecemasan pengguna. Oleh karena itu, mengeksplorasi hubungan antara perilaku dan jaringan komunitas pengguna sangat penting untuk menemukan implikasi pandemi COVID-19 terhadap perubahan perilaku pengguna Twitter. Penelitian ini berkontribusi dalam mengidentifikasi perubahan perilaku pengguna berdasarkan model ekstraksi perilaku kolektif pada aktivitas tweet temporal. Mekanisme ini menggunakan topik bahasan dan emosi sebagai variabel ekstraksi untuk menghasilkan jaringan perilaku pengguna. Kemudian, jaringan perilaku tersebut dimodelkan dengan algoritma DeepWalk Network Embeddings untuk memetakan hubungan kedekatan perilaku antar pengguna dan Density Peak Clustering Algorithm untuk mengelompokkan komunitas pengguna berdasarkan kesamaan perilaku yang kuat. Dari analisis 121 pengguna aktif, periode sebelum COVID-19 memiliki 98 pengguna representatif yang didominasi oleh 33% perilaku komunitas terkait aktivitas pribadi dengan emosi senang. Di sisi lain, periode setelah COVID-19 memiliki 54 pengguna representatif yang didominasi oleh 65% perilaku komunitas terkait kesehatan dengan emosi marah. Perubahan perilaku kedua periode tersebut dipengaruhi oleh transisi pola jaringan terdistribusi ke pola jaringan clique graph, sehingga sentralisasi penyebaran informasi mempengaruhi potensi peningkatan perubahan perilaku pengguna pada jaringan komunitas. Hasil ini dapat digunakan untuk mengurangi potensi penyebaran perilaku negatif dengan memanfaatkan komunitas yang memiliki pengaruh perilaku positif dikalangan pengguna Twitter. AbstractThe COVID-19 pandemic caused a crisis that impacted behavior changes of Twitter users related to public distress experiences. Positive behavior changes could have a positive impact. However, negative behavior changes could have problems if it occur massively, such as increased user anxiety. Therefore, exploring the relationship between behavior and user community in the social networks is very important to find the implication of the COVID-19 pandemic on behavior changes of Twitter users. This study contributes to identify user behavior changes based on the collective behavior extraction model on temporal tweet activities. This mechanism used discussion topics and emotions as extraction variables to generate user behavior network. Then, the behavioral network was modeled by the DeepWalk Network Embeddings algorithm to map the behavioral closeness relationship between users and the Density Peak Clustering Algorithm to group user communities with strong behavioral similarities. Based on the analysis of 121 active users, before the COVID-19 period had 98 representative users, who were dominated by 33% of community behavior related to personal activities with happy emotions. On the other hand, after the COVID-19 period, 54 representative users were dominated by 65% of community behavior related to health with anger. Behavior changes in both periods are influenced by the transition from a distributed network pattern to a clique graph network pattern, so the centralization of information dissemination could affect the potential for increasing user behavioral changes in the community network. These findings could be used to reduce the potential for spreading negative behavior by leveraging communities with positive behavior influence among Twitter users.
ANALYSIS OF RAW MATERIAL INVENTORY PREDICTION FOR PLASTIC ORE USING A COMBINATION OF CAUSALITY AND TIME SERIES METHODS: A CASE STUDY IN A TEXTILE INDUSTRY COMPANY Frangky Rawung; Agus Budi Raharjo; Diana Purwitasari
Jurnal Teknik Informatika (Jutif) Vol. 5 No. 1 (2024): JUTIF Volume 5, Number 1, February 2024
Publisher : Informatika, Universitas Jenderal Soedirman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jutif.2024.5.1.1809

Abstract

Raw material inventory is a valuable company asset in production activities. Inadequate or excessive availability can lead to production failures or cost wastage. This research aims to predict raw material inventory based on factors such as initial stock, receipts, usage, final stock, and differences in usage. A causality-based approach with Multiple Linear Regression (MLR) is used as the basis, complemented by a time series data approach that processes data trends using the Bidirectional Long Short-Term Memory (BiLSTM) algorithm. The prediction results from both models are then combined using the harmonic mean. This research utilizes a dataset of raw material inventory and applies the Root Mean Squared Error (RMSE) and R-squared (R²) performance parameters for model evaluation. The research is expected to provide useful information for companies in managing their raw material inventory and improving the efficiency of their production processes. Results show that, in the BiLSTM deep learning model, Polyethylene Terephthalate (PET) raw materials yielded an RMSE of 6.53 and an R² of 0.93. These results indicate that PET raw materials have a higher predictive value than other materials.
Random Forest Regression Untuk Prediksi Produksi Daya Pembangkit Listrik Tenaga Surya Raharjo, Agus Budi; Ardianto, Ardianto; Purwitasari, Diana
BRILIANT: Jurnal Riset dan Konseptual Vol 7 No 4 (2022): Volume 7 Nomor 4, November 2022
Publisher : Universitas Nahdlatul Ulama Blitar

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (935.32 KB) | DOI: 10.28926/briliant.v7i4.1036

Abstract

Pembangkit listrik tenaga surya (PLTS) menjadi solusi yang paling popular dan diterapkan dibanyak negara. Namun interkoneksi PLTS ke sistem jaringan transmisi listrik menghadirkan permasalahan kepada operator jaringan dikarenakan memiliki sifat fluktuasi dalam menghasilkan energi listrik. Faktor-faktor yang berpotensi mempengaruhi sifat fluktuasi energi listrik adalah meteorologi dan parameter cuaca. Salah satu langkah mitigasi untuk mengatasi kondisi tersebut yaitu dengan memprediksi produksi keluaran daya PLTS. Penelitian ini mengajukan metode prediksi produksi daya dengan pra-proses data, penerapan model regresi, serta penentuan skenario uji coba. Data histori PLTS berasal dari sistem SCADA selama setahun yang terdiri atas faktor nilai produksi keluaran daya, radiasi, suhu lingkungan, suhu peralatan, dan kecepatan angin. Data yang telah diolah selanjutnya dimodelkan menggunakan algoritma Random Forest Regression (RFR). Dalam proses pemodelan dilakukan skenario pengaturan beberapa parameter, seperti proses perbaikan hilang rekam, normalisasi data dan filter produksi. Evaluasi dilakukan dengan menganalisis perbandingan kinerja setiap algoritma beserta kombinasi skenarionya. Hasil eksperimen menunjukkan bahwa RFR mempunyai kinerja tinggi dengan nilai R2 sebesar 0.9679 dan RMSE sebesar 0.0438. Pemilihan skenario yang tepat terbukti memberi peningkatan kinerja akurasi sebesar RFR 2,90%.
Analisis Laporan Gangguan Pelanggan Menggunakan Kombinasi Regresi Linear Berganda dan Klasifikasi Decision Tree Untuk Penentuan Komposisi Tim Yantek (Studi Kasus PLN UP3 Makassar Selatan) Raharjo, Agus Budi; Budiyono, Yanuardhi Arief; Purwitasari, Diana
BRILIANT: Jurnal Riset dan Konseptual Vol 7 No 4 (2022): Volume 7 Nomor 4, November 2022
Publisher : Universitas Nahdlatul Ulama Blitar

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (464.949 KB) | DOI: 10.28926/briliant.v7i4.1037

Abstract

PT PLN (Persero) terus berupaya meningkatkan layanan kepada pelanggan dalam hal durasi penanganan laporan gangguan pelanggan melalui implementasi command center. Dengan total pelanggan 549.649, command center PLN UP3 Makassar Selatan bertujuan untuk memusatkan pemantauan laporan gangguan pelanggan dan pengaturan petugas pelayanan teknik di lapangan untuk mempercepat durasi penanganan laporan gangguan pelanggan. Dalam rentang waktu tiga tahun sejak Januari 2019 hingga Desember 2021, PLN UP3 Makassar Selatan memiliki laporan gangguan pelanggan sebanyak 225.309 laporan. Penelitian ini bertujuan untuk memprediksi pemenuhan durasi penanganan laporan gangguan sesuai penetapan target kinerja UP3 Makassar Selatan. Analisis prediksi menggunakan metode Regresi Linear pada variabel jumlah laporan dengan target durasi penanganan gangguan pada data laporan gangguan pelanggan yang bersumber dari Aplikasi Keluhan dan Pelayanan Terpadu (APKT). Selanjutnya klasifikasi menggunakan metode Decission Tree untuk mengetahui durasi penanganan gangguan memenuhi target kinerja atau tidak. Hasil penelitian menunjukkan bahwa metode yang diajukan memberikan kinerja yang baik berdasarkan evaluasi Coefficient of Determination (R2), Root Mean Square Error (RMSE), dan ROC Curve. Model yang dibangun diharapkan dapat diimplementasikan kedalam sistem pengaturan petugas teknik sehingga memberikan komposisi jumlah tim untuk menurunkan durasi penanganan laporan gangguan.
Development of a transformer asset management dashboard in upstream oil and gas companies through ABC and FSN analysis Susanti, Lestari Indah; Raharjo, Agus Budi
Journal Research of Social Science, Economics, and Management Vol. 4 No. 12 (2025): Journal Research of Social Science, Economics, and Management
Publisher : Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59141/jrssem.v4i12.925

Abstract

Upstream oil and gas companies face challenges in managing transformer asset data that is vital to operations. The complexity of manual data and transformer information makes it difficult to make optimal decisions. This study aims to develop an effective transformer asset management dashboard using FSN (Fast-Slow-Non Moving) and ABC (Analysis Based Costing) analysis. The research methodology includes identifying system needs, collecting data through observation and interviews, developing solutions using Microsoft Power BI, and testing the User Acceptance Test (UAT). The results showed that the dashboard successfully integrated transformer data with real-time visualization including availability status (2,124 units available, 4,305 ready line units, 2,181 units not ready), ABC-FSN classification (AF 30%, BS 20%, AS 10%, CN 40%), and monthly stock trends. The UAT evaluation of 17 respondents showed an average score of 4.5 with a very appropriate category in the aspects of functional suitability, usability, performance efficiency, reliability, accuracy, visual design, and user satisfaction. Dashboards integrated with the Microsoft 365 ecosystem enable real-time access and support data-driven decision-making for transformer asset management optimization.
Prediction of OPC Cement Compressive Strength Based on Cement Chemical and Physical Parameters Using Machine Learning Techniques Ramadhan, Syahrial; Raharjo, Agus Budi
Journal Research of Social Science, Economics, and Management Vol. 4 No. 12 (2025): Journal Research of Social Science, Economics, and Management
Publisher : Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59141/jrssem.v4i12.959

Abstract

This study aims to develop machine learning models to predict the 28-day compressive strength of Ordinary Portland Cement (OPC) based on chemical and physical parameters. The ultra-competitive cement industry requires companies to innovate continuously, but the conventional testing process takes at least 28 days, making product customization inefficient. This research proposes using machine learning techniques to accelerate this process. The predictive parameters include chemical components (C3S, C2S, C4AF, SiO2, etc.) and physical properties (Blaine, Residue, LOI, etc.) of OPC cement. The modeling was performed using random forest, gradient boosting, and artificial neural network algorithms. Model performance was evaluated using Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and R-squared values. The study used 1,570 valid data points from cement quality testing at PT Semen Gresik. Results show that the random forest method provides the highest coefficient of determination of 0.856 with RMSE of 13.086 kg/cm² and MAE of 10.784 kg/cm². The most significant attributes affecting prediction are CaO, Insol, SiO2, MgO, Al2O3, and SO3. Performance can be further enhanced through hyperparameter tuning using grid search method, achieving a coefficient of determination of 0.976 with RMSE of 6.118 kg/cm² and MAE of 5.198 kg/cm². This research contributes to accelerating cement quality control processes and supports faster product development in the cement industry.
Co-Authors Aji, Adam Sekti Apriantoni, Apriantoni Ardianto Ardianto Arifiani, Siska Budiyono, Yanuardhi Arief Diana Purwitasari Diana Purwitasari Dwi Heppy Rochmawati Dwi Sunaryono Fabroyir, Hadziq Fajar Baskoro Frangky Rawung Maheswari, Clarissa Luna Mohamed Quafafou Nugraha, Raditya Hari Purnomo - Ramadhan, Syahrial Ridho Rahman Hariadi Susanti, Lestari Indah Wakhid, Muhammad Abdul Yorinda, Ilham Achmadi