Article Per Year (5 Year)
p-Index From 2021 - 2026
6.538
P-Index
This Author published in this journals
All Journal Journal of Information Systems and Informatics IJORER : International Journal of Recent Educational Research Abimanyu: Journal of Community Engagement Journal of Informatics and Computer Science (JINACS) Data Sciences Indonesia (DSI) Journal of Artificial Intelligence and Digital Business Media Konstruksi : Jurnal Ilmiah Teknik Sipil Journal of Emerging Information Systems and Business Intelligence (JEISBI) Inovate : Jurnal Ilmiah Inovasi Teknologi Informasi MURAKOM
I Kadek Dwi Nuryana
Universitas Negeri Surabaya
Arts Civil Engineering, Building, Construction & Architecture Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Languange, Linguistic, Communication & Media Library & Information Science Mathematics Physics Social Sciences Other

Published : 47 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 47 Documents
Search

 1   2   3   4   5 
Prediksi Kelulusan Tepat Waktu Mahasiswa Menggunakan Artificial Neural Network Berdasarkan Nilai Akademik Dan Kepuasan Penggunaan E-Learning (Studi Kasus: Universitas Negeri Surabaya) Rizky Pratama Syahrul Ramadhan; I Kadek Dwi Nuryana
Journal of Informatics and Computer Science (JINACS) Vol. 7 No. 03 (2026)
Publisher : Universitas Negeri Surabaya

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

Abstract

Abstrak— Salah satu elemen utama yang mempengaruhi mutu pendidikan tinggi adalah tingkat kelulusan mahasiswa tepat waktu. Melalui algoritma Jaringan Syaraf Tiruan (ANN), studi ini berfokus untuk menciptakan model yang mampu memprediksi kelulusan mahasiswa dalam waktu yang sesuai pada program Sistem Informasi dan Ilmu Komputer di Universitas Negeri Surabaya. Prediksi didasarkan pada kombinasi data nilai akademik (IPK semester 1-4) dan kepuasan penggunaan e-learning yang diukur menggunakan metode End User Computing Satisfaction (EUCS). EUCS atas lima aspek: content, accuracy, format, ease of use, dan timeliness. Informasi yang dipakai dalam penelitian ini berasal dari 68 siswa angkatan 2018–2022. Untuk menangani keterbatasan jumlah data, pengembangan model melibatkan pengoptimalan hyperparameter menggunakan Optuna dan evaluasi menggunakan Stratified 5-Fold Cross-Validation. Hasil pengujian menunjukkan bahwa model ANN yang dikembangkan sangat akurat, dengan akurasi rata-rata 95,38%, ketepatan 93,33%, recall 96,00%, dan skor F1 94,55%. Hasil ini menunjukkan bahwa integrasi data akademik dan kepuasan pengguna terhadap teknologi pembelajaran dapat menjadi dasar strategi intervensi yang efektif bagi institusi pendidikan.   Kata Kunci— Artificial Neural Network, EUCS, Kelulusan Tepat Waktu, E-learning, Data Mining.
Penyisipan Teks ke dalam Citra Digital menggunakan Kombinasi Beaufort Cipher dan Steganografi Least Significant Bit Muhammad Aswiandi; I Kadek Dwi Nuryana
Journal of Informatics and Computer Science (JINACS) Vol. 7 No. 03 (2026)
Publisher : Universitas Negeri Surabaya

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

Abstract

Abstrak— Penelitian ini menerapkan teknik pengamanan pesan teks berlapis dengan mengkombinasikan algoritma kriptografi Beaufort Cipher dan steganografi Least Significant Bit (LSB) pada citra digital. Pesan teks terlebih dahulu dienkripsi menggunakan Beaufort Cipher menghasilkan ciphertext, kemudian ciphertext disisipkan ke dalam citra cover berformat JPG (RGB Color Model) menggunakan metode LSB. Implementasi dilakukan pada aplikasi desktop berbasis Java yang mendukung proses enkripsi, steganografi, ekstraksi, serta fitur chat rahasia real-time. Pengujian dilakukan terhadap variasi panjang pesan 1000, 3000, dan 5000 karakter serta lima citra uji berbeda. Hasil pengujian menunjukkan nilai MSE sangat rendah dengan nilai antara 0.0012 - 0.2047 dan nilai rata-rata PSNR berkisar 55–77 dB (kategori Excellent), serta analisis histogram citra stego tetap seragam. Hal ini membuktikan bahwa citra hasil stego tidak mengalami perubahan visual signifikan dan sulit terdeteksi keberadaan pesan tersembunyi. Metode kombinasi Beaufort Cipher dan LSB efektif memberikan perlindungan berlapis terhadap pesan rahasia pada komunikasi digital.   Kata Kunci— Steganografi, Least Significant Bit, Beaufort Cipher, Citra Digital, Keamanan Informasi, PSNR, MSE
Penerapan Business Intelligence untuk Analisis Penjualan dan Segmentasi Pelanggan Toko Bangunan XYZ Irsyad Adi Rochman; I Kadek Dwi Nuryana
Journal of Informatics and Computer Science (JINACS) Vol. 7 No. 03 (2026)
Publisher : Universitas Negeri Surabaya

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

Abstract

Abstrak— Penelitian ini bertujuan untuk mengimplementasikan sistem Business Intelligence (BI) guna meningkatkan kapabilitas analitik pada Toko Bangunan XYZ, dengan fokus pada analisis kinerja penjualan dan segmentasi perilaku pelanggan berbasis data. Metodologi yang diterapkan mencakup tahapan perancangan data warehouse menggunakan metode Nine-Step Kimball dengan MySQL sebagai sistem manajemen basis data, dilanjutkan dengan proses Extract, Transform, Load (ETL) untuk menjamin integritas dan kesiapan data. Analisis dilakukan dengan pendekatan Online Analytical Processing (OLAP) untuk eksplorasi data multidimensi, serta penerapan teknik Data Mining berupa model Recency, Frequency, Monetary (RFM) untuk melakukan segmentasi pelanggan secara kuantitatif. Hasil implementasi menunjukkan bahwa analisis OLAP berhasil mengidentifikasi determinan kinerja penjualan, seperti produk dengan kontribusi volume tertinggi, kategori dengan margin profitabilitas optimal, dan pola temporal dalam tren pembelian. Sementara itu, segmentasi RFM menghasilkan pengelompokan pelanggan yang berbeda secara statistik ke dalam klaster High Value, Potential, Loyal dan Dormant. Seluruh temuan kemudian diwujudkan dalam bentuk dashboard analitik interaktif menggunakan Looker Studio, yang berfungsi sebagai alat bantu keputusan bagi manajemen. Simpulan penelitian mengindikasikan bahwa implementasi sistem BI ini secara efektif mentransformasi data operasional menjadi insight strategis, sehingga mendukung pengambilan keputusan yang lebih terinformasi dan berbasis bukti.   Kata Kunci— Business Intelligence, RFM, OLAP, Data Mining, Looker Studio.
Implementasi Algoritma K-Means untuk Analisis Segmentasi Pelanggan dengan Menggunakan Model RFM dan CRISP-DM Yuninda Intan; I Kadek Dwi Nuryana
Journal of Informatics and Computer Science (JINACS) Article In Press(1)
Publisher : Universitas Negeri Surabaya

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

Abstract

Abstrak— Segmentasi pelanggan merupakan salah satu strategi yang dapat digunakan perusahaan untuk memahami karakteristik pelanggan sehingga penyusunan strategi pemasaran menjadi lebih efektif dan tepat sasaran. Penelitian ini bertujuan untuk menerapkan model Recency, Frequency, Monetary (RFM) dan algoritma K-Means dalam melakukan segmentasi pelanggan menggunakan pendekatan Cross Industry Standard Process for Data Mining (CRISP-DM) pada Online Retail Refined Dataset. Tahapan penelitian meliputi Business Understanding, Data Understanding, Data Preparation, Modeling, dan Evaluation. Data yang digunakan dibatasi pada atribut CustomerID (ID Pelanggan), InvoiceDate (Tanggal Transaksi), InvoiceNo (Nomor Transaksi), dan TotalPrice (Harga Total) untuk membentuk nilai RFM. Penentuan jumlah cluster dilakukan menggunakan Elbow Method, sedangkan kualitas hasil clustering dievaluasi menggunakan Silhouette Score. Hasil penelitian menunjukkan bahwa jumlah cluster terbaik adalah tiga cluster dengan nilai Silhouette Score sebesar 0,4172 dan Davies-Bouldin Index  sebesar  0,8169, yang menunjukkan kualitas cluster cukup baik. Ketiga cluster yang dihasilkan terdiri atas Pelanggan Loyal, Pelanggan Potensial, dan Pelanggan Tidak Aktif, yang masing-masing memiliki karakteristik berbeda berdasarkan nilai Recency, Frequency, dan Monetary. Hasil segmentasi ini menunjukkan bahwa kombinasi model RFM dan algoritma K-Means mampu mengelompokkan pelanggan sesuai karakteristik perilaku pembelian sehingga dapat menjadi dasar dalam mendukung pengambilan keputusan pemasaran yang lebih tepat sasaran.   Kata Kunci— Data Mining, Segmentasi Pelanggan, CRISP-DM, RFM, K-Means.
Implementasi XGBoost Pada Prediksi Penjualan Produk Untuk Pengoptimalan Manajemen Persediaan Khiena Salsabiila Susanty; I Kadek Dwi Nuryana
Journal of Informatics and Computer Science (JINACS) Article In Press(1)
Publisher : Universitas Negeri Surabaya

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

Abstract

Abstrak— Pengelolaan persediaan yang kurang optimal dapat menyebabkan terjadinya kelebihan maupun kekurangan stok sehingga berdampak pada efisiensi operasional bisnis ritel. Salah satu pendekatan yang dapat digunakan untuk mendukung pengelolaan persediaan adalah memanfaatkan prediksi penjualan berbasis machine learning. Penelitian ini bertujuan mengimplementasikan algoritma eXtreme Gradient Boosting (XGBoost) untuk memprediksi penjualan produk sebagai dasar dalam penyusunan ilustrasi rekomendasi stok. Penelitian menggunakan metodologi Cross-Industry Standard Process for Data Mining (CRISP-DM) yang meliputi tahap Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, dan Deployment. Model dibangun menggunakan atribut Price, Rating, Product_Category, Product_Brand, Month, dan Day sebagai variabel prediktor, sedangkan Quantity digunakan sebagai variabel target. Hasil evaluasi menunjukkan nilai Mean Absolute Error (MAE) sebesar 1,2414, Root Mean Squared Error (RMSE) sebesar 1,4363, dan Coefficient of Determination (R²) sebesar 0,0023. Nilai R² yang rendah menunjukkan bahwa atribut yang digunakan belum memiliki daya prediktif yang memadai untuk menjelaskan variasi jumlah penjualan. Pada tahap deployment, hasil prediksi dimanfaatkan untuk menghasilkan ilustrasi rekomendasi stok berdasarkan kategori dan merek produk sebagai bentuk implementasi metodologi CRISP-DM. Namun, ilustrasi tersebut belum dapat dijadikan dasar pengambilan keputusan operasional karena kemampuan prediksi model masih terbatas. Hasil penelitian menunjukkan bahwa penambahan fitur yang lebih relevan, seperti data deret waktu (time-series) dan faktor eksternal lainnya, diperlukan untuk meningkatkan performa model prediksi penjualan.   Kata Kunci— eXtreme Gradient Boosting (XGBoost), Prediksi Penjualan, Manajemen Persediaan, CRISP-DM, Machine Learning.
Penerapan Algoritma Regresi Linear Untuk Memprediksi Stok Inventaris Barang Berdasarkan Tren Musiman Dan Promosi Platform Gagah Ibnu Mutho’illah; I Kadek Dwi Nuryana
MUARA KOMPUTER : Jurnal Ilmiah Ilmu Komputer & Elektronika Vol. 2 No. 3 (2026): MUARA KOMPUTER : Jurnal Ilmiah Ilmu Komputer & Elektronika
Publisher : CV MUARA EDUKASI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.64365/murakom.v2i3.511

Abstract

Toko ritel sering kesulitan menentukan jumlah stok yang tepat karena permintaan dipengaruhi oleh tren musiman dan aktivitas promosi platform yang jarang diperhitungkan secara sistematis. Penelitian ini menerapkan regresi linear berganda untuk memprediksi tingkat stok satu produk elektronik (P0009) pada satu toko, menggunakan 731 data harian dari dataset ritel publik di Kaggle. Tiga variabel bebas digunakan, yaitu tren musiman, aktivitas promosi/hari libur, dan penjualan historis, dengan pembagian 80% data latih (584 data) dan 20% data uji (147 data). Model yang dihasilkan adalah Y = 174,16 − 0,81X₁ + 1,10X₂ + 0,72X₃, dievaluasi menggunakan MAPE, MAD, dan MSE. Model menghasilkan MAPE 34,67%, MAD 74,77 unit, MSE 8.608,83, dan R² 0,38 yang menunjukkan akurasi prediksi tergolong layak. Penjualan historis dan promosi terbukti berpengaruh positif terhadap tingkat stok, sedangkan tren musiman berpengaruh negatif namun kecil. Temuan ini mengindikasikan bahwa stok perlu ditambah menjelang dan selama periode promosi serta saat tren penjualan meningkat, dan dapat dikurangi saat tidak ada promosi dan penjualan menurun. Penelitian ini menawarkan pendekatan kuantitatif yang sederhana dan mudah diinterpretasikan sebagai dasar awal perencanaan stok bagi pengelola toko.
Implementation of Knowledge Graph as a Representation of Public Sentiment Analysis Toward AI-Generated Art Finna Nur Nandia; I Kadek Dwi Nuryana
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 5 No. 2 (2026): Mei-Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v5i2.11349

Abstract

The rapid advancement of generative AI technology has elicited diverse public responses on social media, particularly toward AI-generated art, which has significantly impacted Indonesia's creative industry. This study aims to analysed the sentiment of Indonesian society on platform X toward AI-generated art and to represent the interconnections among sentiment entities through a Knowledge Graph (KG). The approach integrates three primary methods within the Knowledge Discovery in Databases (KDD) framework: sentiment classification using the IndoBERT model, topic modelling using Latent Dirichlet Allocation (LDA), and KG construction based on Social Network Analysis (SNA). The dataset consists of 4,765 Indonesian-language tweets that underwent pre-processing. Sentiment analysis results indicate a dominance of negative sentiment (45.4%) over positive sentiment (42.5%), with the IndoBERT model achieving 69% accuracy on a three-class classification task. Topic modelling produced 18 distinctive topics (9 negative, 9 positive), validated through Two-Stage Similarity validation. Negative topics are dominated by issues of economic impact on illustrators, copyright infringement, and artistic style theft, while positive topics reflect appreciation for AI as a creative tool. The constructed KG comprises 144 nodes and 329 edges with a modularity score of 0.4556, reflecting 7 meaningful thematic communities. SNA evaluation reveals that 'ilustrasi' (illustration) is the most central entity (degree centrality = 12.621), while negative issues dominate the central positions among topic nodes. This study demonstrates that the integration of IndoBERT, LDA, and KG is capable of uncovering hidden relational patterns in public opinion that cannot be obtained through conventional sentiment analysis alone.
Co-Authors 'Ulhaq, Arafat A'izzatul Khiyana Achmad Asrori Adi Duta Saputra P., I Gede Aininnisa, Firda Akhmad Hilmy Zakaria Andini Pramesti Andrik Santoso, Muhammad Anggung Mestuti Kaprawiran, Immas Ardhini Aarih Utami Aries Dwi Indriyanti Augusta Jannatul Firdaus, Reza Avikatria Cahyaningrum Bagas Setya Wicaksono Billah, Hilmi Almuhtade Bonda Sisephaputra Cendra Devayana Putra Devanda Yudha Bharagus Faizatul Mukaromah Fauzan Ali Ghofur Finna Nur Nandia Firmanda Himawan, Ahmad Fitrah Amaliah Gagah Ibnu Mutho’illah Gerin Azharani Ghea Sekar Palupi Ghea Sekar Palupi Hadi Sucipto, Hadi Hilal Hindi Saputra Iftitaahul Mufarrihah Innayah, Tifanny Maulida Intan Novita Sari Noer Qholby Maulidiyah Irsyad Adi Rochman Khiena Salsabiila Susanty Khoirotun Nisa Lintang Iqhtiar Dwi Mawarni Maharani, Herlina Syafhita Mahrus Ali Margaretha Ekaristi Yobella Mochammad Ilham Study Wartana Ilham Mohammad Aris Saputra Monica Cinthya Muhammad Aswiandi Muhammad Hafizh Ferdiansyah Muhammad Naufal Ammar Rizqi Muhammad Naufal Baharudin Mujianto, Ahmad Heru Nadya Kumalasari Nugroho, Meriana Wahyu Oktaviana Tri Wulanndari Rizky Pratama Syahrul Ramadhan Seriusman Waruwu Shuffy, Muhandis Suhartanto, Martin Sultan Triabidin, Muchammad Titin Sundari Totok Yulianto Vania Nadhiya Tsary Yulius Candra Akmala Yuninda Intan Zahra, Salsabila Nur Zahra