Article Per Year (5 Year)
p-Index From 2021 - 2026
4.284
P-Index
This Author published in this journals
All Journal Techno.Com: Jurnal Teknologi Informasi Jurnal Teknologi Informasi dan Ilmu Komputer Riau Journal of Computer Science Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Seminar Nasional Teknologi Informasi Komunikasi dan Industri INOVTEK Polbeng - Seri Informatika Digital Zone: Jurnal Teknologi Informasi dan Komunikasi JPM PAMBUDI Building of Informatics, Technology and Science Zonasi: Jurnal Sistem Informasi JURSIMA (Jurnal Sistem Informasi dan Manajemen) JISA (Jurnal Informatika dan Sains) REMIK : Riset dan E-Jurnal Manajemen Informatika Komputer Bulletin of Computer Science Research Journal of Information System and Technology (JOINT) Emerging Information Science and Technology CONSEN: Indonesian Journal of Community Services and Engagement Journal of Artificial Intelligence and Digital Business JURSIMA RJOCS (Riau Journal of Computer Science) Jurnal Sistem Informasi dan Manajemen Jurnal Teknologi Informasi Indonesia JPM Pambudi Riau Jurnal Teknik Informatika
Erni Rouza, Erni
Unknown Affiliation
Religion Agriculture, Biological Sciences & Forestry Arts Humanities Automotive Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Library & Information Science Mathematics Physics Social Sciences Other

Published : 38 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 38 Documents
Search

 1   2   3   4 
Penerapan Fuzzy Multidimensional Association Rule untuk Analisis Pola Perilaku Konsumen Rouza, Erni; Refni, Nurmia; Antoni, Rivi; Supriyanto, Asep
Journal of Information System and Technology (JOINT) Vol. 5 No. 3 (2024): Journal of Information System and Technology (JOINT)
Publisher : Program Sarjana Sistem Informasi, Universitas Internasional Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37253/joint.v5i3.10031

Abstract

Rumah Oleh-oleh Qiran, the largest souvenir center in Rokan Hulu, Riau Province, is experiencing issues with manual inventory and sales tracking, a lack of sales data analysis, and inadequate product arrangement. This study used the Fuzzy Multidimensional Association Rule Algorithm to analyze sales data and generate product association patterns. The main goal is to increase the inventory and sales management efficiency while also optimizing product arrangement based on purchase patterns detected through transaction analysis results. The data used consisted of 140 sales transactions from during June, 2023, with a minimum support 30% and a minimum confidence 25%. The analysis of data results the best-selling products are "Kue Bangkit" (33.58%) and "Gula Aren Rambah Kotak" (27.01%). "kue bangkit" and "gula aren rambah kotak" are the popular product combinations, with a support of 19.71% and a confidence of 72.97%. The application passed the User Acceptance Test (UAT) with a 75% score, indicating that it is applicable to use.
NORMALISASI KATA BAHASA BATAK MANDAILING MENGGUNAKAN METODE LEVENSHTEIN DISTANCE Maulia, Sindi; Rouza, Erni; Fimawahib, Luth; Bakti, Imam Rangga; Mustafa, Satria Riki
JURSIMA Vol 10 No 3 (2022): Jursima Vol.10 No.3
Publisher : INSTITUT TEKNOLOGI DAN BISNIS INDOBARU NASIONAL

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47024/js.v10i3.514

Abstract

Batak Mandailing merupakan suatu masyararkat Indonesia yang menggunakan bahasa Batak Mandailing daerah yang mereka tempati terletak pada kabupaten tapanuli setalatan (Sayur Matinggi) serta Kabupaten Mandailing Natal yang meliputi daerah Panyabungan, Siabu, Hutan Pungkut, Panyabungan dan lainnya, di Provinsi Sumatera Utara. Pada penelitian ini dalam normalisasi kata bahasa batak mandailing digunakan metode Levenshtein Distance, metode ini adalah matriks perbandingan dalam mengukur perbedaan diantara dua urutan. Levenshtein Distance sering dugunakan pada perbandingan diantara dua urutan String yang membantu masalah dalam memperbaiki setiap kesalahan pada ejaan didalam kata, pada pembuatan aplikasi untuk normalisasi kata Bahasa batak mandainling ini dgunkan Bahasa pemograman PHP dan MySQL sebagai basis datanya. Hasil dari penggunaan metode Levenshtein Distance ini semakin banyak kata dasar yang dimiliki maka hasilnya akan semakin bagus dan juga jika melebihi batasan String nya maka kata tidak akan di temukan dikarenakan batasan masalah pada penelitian ini yaitu jarak Levenshtein Distance yang digunakan dalam pengubahan yang memiliki nilai 0 sampai kurang dari 3 string saja. Dari hasil pengujian diperoleh akurasi sebesar 84% sehingga dapat disimpulkan bahwa aplikasi ini dapat diterima dengan baik
Implementation Of Transfer Learning In Cat Breed Detection Using Web-Based Convolutional Neural Network (CNN) Fitrianto, Furqon; Rouza, Erni; Basorudin
Emerging Information Science and Technology Vol. 6 No. 1 (2025)
Publisher : Universitas Muhammadiyah Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.18196/eist.v6i1.27104

Abstract

Cats are one of the most popular pets because of their friendly and adorable nature. Along with the increasing cat population in Indonesia and the variety of breeds, cat breed identification is a challenge in itself, especially for cat lovers to the animal conservation community. This research aims to develop an image-based cat breed classification system using transfer learning method with MobileNetV2 Convolutional Neural Network (CNN) model. This model was chosen because of its ability to produce high accuracy with good computational efficiency, making it suitable for use on devices with limited resources. The dataset used consists of 13,000 training images and 3,250 testing images of 13 cat breeds. The model training process was carried out up to 50 epochs with the addition of fine-tuning for 10 epochs, after previously terminating the process at the 60th epoch, resulting in a validation accuracy of 98.67%. Model performance testing also showed high average results of evaluation metrics, namely precision of 91.38%, recall of 91.39%, and F1-score of 91.33%. Based on these results, it can be concluded that the application of MobileNetV2 transfer learning is able to classify cat breeds accurately and efficiently. The website made makes it easy for users to recognize cat breeds by simply uploading images, making it very useful for the general public, professionals, and cat enthusiasts.
Penerapan Algoritma Deep Learning Convolutional Neural Network Dalam Menentukan Kematangan Buah Jeruk Manis Berdasarkan Citra Red Green Blue (RGB) Yanto, Budi; Rouza, Erni; Fimawahib, Luth; Hayadi, B.Herawan; Pratama, Rinanda Rizki
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.2023105695

Abstract

Secara umum proses menentukan jeruk manis layak (bagus) dan tidak layak (busuk) masih banyak menggunakan cara manual. Cara manual dilakukan berdasarkan pengamatan visual secara langsung pada buah yang akan diamati. Pengamatan dengan cara ini memiliki beberapa kelemahan yaitu adanya keterbatasan visual manusia, di pengaruhi oleh kondisi psikis pengamatannya serta memakan waktu yang lama terutama bagi perkebunan besar. Untuk itu, diperlukan suatu algoritma untuk menentukan buah jeruk manis dengan sistem terkomputerisasi yang dibuat menggunakan algoritma Convolutional Neural Network (CNN) merupakan salah satu algoritma dari deep learning yang merupakan pengembangan dari Multilayer Percepton (MLP) yang mampu mengolah data dalam bentuk dua dimensi, misalnya gambar serta mampu melakukan klasifikasi pada citra dengan kelas–kelas yang lebih banyak atau besar. Sistem ini dirancang dan dibangun menggunakan bahasa pemrograman matlab versi R2018a, dengan 100 dataset gambar jeruk manis menunjukan tingkat akurasi sebesar 96% untuk training 92% untuk testing yang dinilai telah mampu melakukan klasifikasi kelayakan buah jeruk manis dengan sangat baik. Pada pengujian menggunakan data baru dari 10 citra jeruk manis dihasilkan 9 citra jeruk manis dengan nilai benar dan 1 citra jeruk manis dengan nilai salah. AbstractIn general, the process of determining appropriate (good) and unfit (rotten) sweet oranges still uses manual methods. The manual method is carried out based on direct visual observation of the fruit to be observed. Observations in this way have several weaknesses, namely the presence of human visual limitations, being influenced by the psychological condition of the observations and taking a long time, especially for large plantations. For this reason, an algorithm is needed to determine sweet oranges with a computerized system created using the Convolutional Neural Network (CNN) algorithm, which is one of the deep learning algorithms, which is the development of Multilayer Perceptron (MLP), which is able to process data in two-dimensional form, for example. Images as well as being able to classify images with more or larger classes. This system is designed and built using the Matlab programming language version R2018a, with 100 sweet orange image datasets showing an accuracy rate of 96% for training 92% for testing which is considered to have been able to classify the feasibility of sweet oranges very well. In testing using new data from 10 images of sweet oranges, 9 images of sweet oranges were generated with the correct value and 1 image of sweet oranges with a false value.
PREDIKSI HASIL PANEN PADI MENGGUNAKAN ARTIFICIAL NEURAL NETWORK (ANN) Kaputra, Hendrik; Rouza, Erni; Badawi, Rahmad; Sihombing, Ervin Roy F.; Ronaldi, Ronaldi
Journal of Information System and Technology (JOINT) Vol. 6 No. 3 (2025): Journal of Information System and Technology (JOINT)
Publisher : Program Sarjana Sistem Informasi, Universitas Internasional Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37253/joint.v6i3.11508

Abstract

Pertanian merupakan sektor penting dalam pembangunan ekonomi Indonesia terutama di wilayah provinsi riau kabupaten rokan hulu, terutama dalam penyediaan bahan pangan utama seperti padi. Namun, produktivitas hasil panen padi sering mengalami fluktuasi akibat faktor-faktor lingkungan seperti curah hujan, suhu, kelembapan udara, pH tanah, dan penggunaan pupuk. Penelitian ini bertujuan untuk melakukan prediksi hasil panen padi menggunakan metode Artificial Neural Network (ANN) berbasis data simulasi yang mewakili kondisi pertanian di Indonesia. Dataset yang digunakan terdiri dari tujuh variabel input yaitu curah hujan, suhu, kelembapan, luas lahan, pH tanah, intensitas cahaya, dan penggunaan pupuk, serta satu variabel output yaitu hasil panen padi dalam ton per hektar. Model ANN dibangun menggunakan arsitektur 7-16-8-1 dengan fungsi aktivasi ReLU dan linear, serta dioptimalkan menggunakan algoritma Adam. Proses pelatihan dilakukan sebanyak 100 epoch dengan rasio data latih 80% dan data uji 20%. Hasil pengujian menunjukkan bahwa model ANN mampu menurunkan nilai loss secara signifikan dan mencapai akurasi prediksi di atas 90%. Dengan demikian, metode ANN terbukti efektif dalam memprediksi hasil panen padi secara lebih akurat dan dapat dijadikan acuan untuk mendukung pengambilan keputusan di bidang pertanian berbasis data, khususnya dalam upaya mendukung ketahanan pangan nasional
Klasifikasi dan Identifikasi Buah Sawit dari Citra Visual dengan Deep Learning CNN Hasanah, Uswatun; Rouza, Erni; Almaida, Almaida; Nafisyah, Hana; Osama, Saddam; Yuwansyah, M. Aldi; Maulana, Rafli; Fimawahib, Luth
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 4 (2026): November - January
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i4.4271

Abstract

Penentuan tingkat kematangan buah kelapa sawit (TBS) secara akurat memegang peranan krusial dalam industri perkebunan, karena secara langsung memengaruhi kualitas dan kuantitas rendemen minyak yang dihasilkan. Namun, praktik di lapangan masih banyak mengandalkan penilaian manual yang bersifat subjektif, tidak konsisten, dan sangat bergantung pada pengalaman individu, yang dapat berujung pada kerugian ekonomi. Untuk mengatasi tantangan ini, penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis tingkat kematangan buah kelapa sawit berdasarkan citra digital menggunakan metode Convolutional Neural Network (CNN). CNN dipilih karena kemampuannya yang unggul dalam mengekstraksi fitur visual kompleks seperti warna, tekstur, dan bentuk tanpa perlu definisi fitur manual. Dataset yang digunakan terdiri dari 600 citra buah kelapa sawit yang dikategorikan menjadi tiga tingkat kematangan: muda, setengah matang, dan matang, dengan masing-masing kelas berjumlah 200 citra. Sebelum pelatihan, citra-citra tersebut melalui tahap pra-pemrosesan, termasuk resizing, normalisasi, dan augmentasi data untuk meningkatkan ketahanan model terhadap variasi. Model CNN kemudian dilatih selama 25 epoch. Hasil penelitian menunjukkan bahwa model mampu mencapai akurasi pelatihan di atas 90% dan akurasi validasi rata-rata di atas 75%. Analisis lebih lanjut menunjukkan bahwa kategori 'matang' memiliki performa klasifikasi terbaik, sementara kategori 'setengah matang' menjadi yang paling menantang karena karakteristik visualnya yang berada di fase transisi. Temuan ini membuktikan bahwa CNN efektif untuk klasifikasi kematangan TBS dan berpotensi besar untuk dikembangkan menjadi sistem pendukung keputusan (SPK) berbasis mobile bagi para pemanen, yang pada akhirnya dapat meningkatkan efisiensi dan profitabilitas perkebunan.
Penerapan Metode Inferensi Fuzzy Takagi Sugeno-Kang Untuk Prediksi Hasil Panen Kelapa Sawit Yanto, Budi; Rouza, erni; saputra, edi
JISA(Jurnal Informatika dan Sains) Vol 2, No 2 (2019): JISA(Jurnal Informatika dan Sains)
Publisher : Universitas Trilogi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31326/jisa.v2i2.496

Abstract

Palm oil is one of the main crops and seeds in Indonesia. In oil palm plantations, oil palm crops are the most important things. Oil palm crops in the right time and quantity are what the farmers want. Therefore, harvest prediction using as reference of palm oil harvest target. Determination of harvest targets required a method that is able to predict the yield of oil palm. In this research, built a system of fuzzy inference with TSK method (Takagi Sugeno Kang), which aims to predict the yield of oil palm farmers. The fuzzy rules in the form of IF antecedent THEN are consequent, using consequent linear equations of the input variables. The coefficients of each variable of linear equation are consequently derived based on the expected yield of the harvest. The results of prediction testing of Palm Oil harvest production in 3 seasons, namely Dry Season, Rainy Season, Fertilization, input the number by values of variable with to the given range prove that the fuzzy inference of the TSK method can calculate palm il crop predictions well.
Implementasi Convolutional Neural Network untuk Klasifikasi Opini Publik Pada Media Sosial Twitter/X Tentang Bunga Bugenvil Utami, Nabila; Rouza, Erni; Kurnia, Rendy Eka; Halimah, Nur; Pradana, Denny; Ramadhani, Rizky; Prasetyo, Eddy Nur; Mustafa, Satria Riki
Riau Jurnal Teknik Informatika Vol. 4 No. 3 (2025): November 2025
Publisher : Prodi Teknik Informatika Universitas Pasir Pengaraian

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30606/rjti.v4i3.4047

Abstract

Media sosial kini telah menjadi sarana utama bagi masyarakat untuk berbagi informasi dan pendapat tanpa batasan usia. Salah satu platform yang aktif digunakan di Indonesia adalah Twitter (kini dikenal sebagai X). Fenomena meningkatnya ketertarikan masyarakat terhadap tanaman hias, khususnya bunga bugenvil (Bougainvillea), menarik perhatian peneliti untuk menganalisis opini publik yang terbentuk di platform tersebut. Penelitian ini bertujuan untuk mengklasifikasikan sentimen publik terhadap bunga bugenvil dengan menggunakan metode Convolutional Neural Network (CNN). Data dikumpulkan melalui teknik web scraping berdasarkan kata kunci terkait bunga bugenvil, kemudian dilakukan tahap preprocessing teks, pelabelan sentimen menggunakan model IndoBERT, serta pelatihan model CNN dengan embedding FastText. Hasil penelitian menunjukkan bahwa opini publik terhadap bunga bugenvil di Twitter/X secara umum bersifat positif, dengan akurasi model mencapai 86% pada data uji dan 88% pada validasi. Namun, distribusi data yang tidak seimbang, di mana kelas netral mendominasi hingga 79% dari dataset, memengaruhi kemampuan model dalam mengenali opini positif secara optimal. Penelitian ini diharapkan dapat menjadi referensi dalam pengembangan analisis opini publik berbasis media sosial dengan pendekatan pembelajaran mendalam (deep learning).
Co-Authors ., Basorudin Aditya Hermawan Alfares, M. Riski Almaida Almaida, Almaida Anjeli, Riri Asep Supriyanto Asep Supriyanto B. Herawan Hayadi Badawi, Rahmad Bakar Siddiq, Abu Bakti, Imam Rangga Basorudin Basorudin Basorudin Basorudin Basorudin, Basorudin Budi Yanto Budi Yanto, Budi Bunda, Yola Permata Dimas Dwi Saputra Edi Saputra efni humairah Efrida Fitrianto, Furqon Gunarso Gusti, Siska Kurnia Harnanda, Veldy Haryadi, Octadino Iis Afrianty Imam Rangga Bakti Imam Jufri Jufri - Kaputra, Hendrik Kiki Nurjanah Kurnia, Rendy Eka Luth Fimawahib Luth Fimawahib Maulana, Rafli Maulia, Sindi Mona Muhammad Thoriq Nafisyah, Hana Nasution, Muhammad Romi Nur Halimah Nurhayati Osama, Saddam Pradana, Denny Prasetyo, Eddy Nur Pratama, Rinanda Rizki Purwantoro - Putri, Nadira Aulia Ramadhan Azhari, Bayu Ramadhani, Rizky Refni, Nurmia Rina Ari Rohmah Rivi Antoni Rivi Antoni, Rivi Ronaldi, Ronaldi Saputra, Rika Satria Riki Mustafa Satria Riki Mustafa, Satria Riki Sihombing, Ervin Roy F. Sindi Maulia Sugeng Santoso Supriyanto, Asep Suwanto Sanjaya Uswatun Hasanah Utami, Nabila Yulia Wulandari, Yulia Yuwansyah, M. Aldi