Article Per Year (5 Year)
p-Index From 2021 - 2026
2.949
P-Index
This Author published in this journals
All Journal Jurnal sistem informasi, Teknologi informasi dan komputer Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Faktor Exacta Jurnal Teknologi Terpadu Journal of Innovation and Future Technology (IFTECH) Jurnal E-Komtek Djtechno: Jurnal Teknologi Informasi Indexia MATH LOCUS: Jurnal Riset dan Inovasi Pendidikan Matematika Jurnal Ilmiah Mahasiswa Manajemen, Bisnis dan Akuntansi Technologica Technology and Informatics Insight Journal Journal of Data Science Theory and Application Kesatria : Jurnal Penerapan Sistem Informasi (Komputer dan Manajemen) (JISCO) Journal of Information System and Computing
Rahmat Hidayat
Politeknik Manufaktur Negeri Bangka Belitung
Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Library & Information Science Mathematics Social Sciences

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

Found 17 Documents
Search

 1   2 
PENGARUH LIVE, REVIEW PEMBELI, DAN VIDEO CONTENT TERHADAP KEPUTUSAN PEMBELIAN DI SHOPEE MENGGUNAKAN REGRESI LINEAR Andi Riawan; Eka Prasetianingsih; Rahmat Hidayat
Journal of Data Science Theory and Application Vol. 4 No. 1 (2025): JASTA
Publisher : LP3M Universitas Putra Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32639/yvwa7q10

Abstract

Perkembangan teknologi informasi dan komunikasi telah mengubah perilaku konsumen, khususnya dalam pengambilan keputusan pembelian di e-commerce. Shopee, sebagai salah satu platform terbesar di Indonesia, memanfaatkan fitur digital seperti live streaming, ulasan pelanggan, dan konten video sebagai strategi pemasaran utama. Penelitian ini bertujuan menganalisis pengaruh ketiga variabel tersebut terhadap keputusan pembelian konsumen di Shopee. Dengan metode survei kuantitatif, data diperoleh dari pengguna aktif yang memanfaatkan fitur live streaming dan ulasan produk. Hasil penelitian menunjukkan bahwa secara simultan dan parsial, live streaming, ulasan produk, dan konten video berpengaruh signifikan terhadap keputusan pembelian. Koefisien determinasi sebesar 88,21% menunjukkan bahwa variabel tersebut menjadi faktor dominan, dengan tingkat error prediksi (MAPE) 1,4013%, menunjukkan akurasi model yang sangat baik. Penelitian ini memberikan wawasan bagi pelaku usaha untuk mengoptimalkan pemasaran digital dan menjadi referensi bagi studi lebih lanjut di bidang e-commerce.
PENERAPAN ALGORITMA C4.5 UNTUK MEMPREDIKSI HARGA RUMAH Subekti, Iklas Anang; Andriano, Chrisfian Beni; Nurdiansyah, Dimas; Hidayat, Rahmat
Jurnal Sistem Informasi, Teknologi Informatika dan Komputer Volume 15 No 2, Januari Tahun 2025
Publisher : Universitas Muhammadiyah Jakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24853/justit.15.2.350 – 355

Abstract

Pasar properti yang dinamis sering kali menghadirkan tantangan dalam menentukan harga rumah secara akurat akibat berbagai faktor yang kompleks. Ketidakakuratan harga dapat merugikan pihak penjual maupun pembeli. Penelitian ini mengimplementasikan algoritma C4.5, sebuah algoritma berbasis pohon keputusan yang menggunakan information gain untuk memilih atribut utama dalam membangun model prediksi. Algoritma ini unggul dalam menangani data numerik maupun kategorikal, menjadikannya cocok untuk menganalisis atribut rumah seperti luas tanah, luas bangunan, jumlah kamar tidur, jumlah kamar mandi, dan luas garasi. Dengan membagi dataset berdasarkan atribut yang memberikan gain ratio tertinggi, algoritma C4.5 menghasilkan model yang dapat memprediksi harga rumah dengan akurasi mencapai 85,70%. Kemampuan algoritma ini dalam memberikan struktur pohon keputusan yang mudah dipahami oleh manusia juga menjadi keunggulan dalam mendukung interpretasi hasil. Hasil penelitian ini menunjukkan bahwa algoritma C4.5 dapat diimplementasikan secara efektif untuk membantu meningkatkan efisiensi dan transparansi di pasar properti, khususnya di wilayah Jakarta Selatan
Peramalan Kadar Konsentrasi CO2 Global dengan Triple Exponential Smoothing Multiplicative Putri Pradani, Augistri; Hidayat, Rahmat
MATH LOCUS: Jurnal Riset dan Inovasi Pendidikan Matematika Vol. 6 No. 1 (2025): MATH LOCUS: Jurnal Riset dan Inovasi Pendidikan Matematika
Publisher : Universitas Tidar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31002/mathlocus.v6i1.4500

Abstract

Perubahan iklim merupakan salah satu fenomena yang memerlukan perhatian serius. Perubahan suhu yang ekstrem, pola cuaca yang tidak teratur, dan kekeringan merupakan fenomena yang erat kaitannya dengan pemanasan global. Kenaikan suhu rata-rata global disebabkan oleh meningkatnya kadar konsentrasi gas rumah kaca, salah satunya adalah . Kandungan  global mengalami peningkatan dari tahun ke tahun. Ketidaktahuan masyarakat terkait perkembangan kadar  ke depannya dapat mengakibatkan terjadinya fenomena atau bencana besar yang lebih sering dan banyak seperti perubahan iklim, dampak gas rumah kaca, dan pemanasan global. Oleh karena itu, perlu diketahui data peramalan konsentrasi  yang ke depannya masyarakat dapat bersama-sama melakukan aktivitas yang dapat mengurangi kadar konsentrasi . Penelitian ini bertujuan untuk memprediksi kadar konsentrasi CO2 menggunakan metode triple exponential smoothing multiplicative dan dievaluasi dengan MAPE. Prediksi untuk satu tahun ke depan menunjukkan kadar konsentrasi CO2 akan naik mulai April hingga Juni 2025, pada periode Juli hingga September 2025 kadar konsentrasi CO2 cenderung turun, dan akan kembali naik pada Oktober 2025 hingga Maret 2026. Hal ini dapat menjadi pertimbangan bagi pemerintah dan masyarakat untuk mengambil kebijakan dan mengurangi aktivitas-aktivitas yang dapat memicu kenaikan karbon dioksida di atmosfer.
Model Regresi Linear untuk Efisiensi Stok dan Prediksi Kebutuhan Bawang Putih Kupas UMKM Weri Sirait; Nur Azizah; Rahmat Hidayat
Jurnal Teknologi Terpadu Vol 11 No 2 (2025): Desember, 2025
Publisher : LPPM STT Terpadu Nurul Fikri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54914/jtt.v11i2.2560

Abstract

The demand for peeled garlic at the Gilingan Bakso Barokah business tends to fluctuate and be difficult to predict. Inaccurate daily stock determination often leads to problems, especially when peeled garlic stock is excessive while demand is low. Peeled garlic will yellow, rot, and degrade in quality, while customers expect it to be fresh. To overcome this problem, this study aims to predict daily peeled garlic requirements using a simple linear regression model. The data used are daily sales records for peeled garlic from January to December 2024 at Gilingan Bakso Barokah. The linear regression model was built using time as the predictor variable to estimate daily sales trends. The results show that the model is capable of providing reasonably accurate estimates, with a Mean Squared Error (MSE) of 8.93 and a validation score of 9.03. The prediction model projects the peeled garlic requirement over the next 30 days at around 16 kg per day. These findings can help business owners manage peeled garlic stock more efficiently, minimize waste, and maintain customer satisfaction. This research provides an initial, stable, and reliable predictive model for the Gilingan Bakso Barokah business, while simultaneously demonstrating the effectiveness of simple linear regression for the daily management of fresh raw material stocks, with an accuracy level of MSE ≈ 9.
Klasifikasi Curah Hujan Iklim Mikro Dengan Naive Bayes Pada Wilayah Kebumen Anandita Ayu Rochani; Evan Alif Widhyatma; Rahmat Hidayat
JISCO : Journal of Information System and Computing Vol 3 No 1 (2025): Jurnal of Information System and Computing
Publisher : UIN Sulthan Thaha Saifuddin Jambi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30631/jisco.v3i1.122

Abstract

Perubahan pola curah hujan yang tidak menentu sangat berpengaruh terhadap berbagai aspek kehidupan dimana segala aktivitas penting berada di dalamnya, sehingga perlu dilakukan prediksi curah hujan agar tidak mengganggu aktivitas penting dan harus segera dilaksanakan. Segala sesuatu yang berlebihan tentunya berdampak buruk, sama halnya dengan kondisi cuaca. Hujan yang berkepanjangan dapat menyebabkan banjir dan tanah longsor sedangkan kekeringan yang ekstrem dapat menyebabkan gagal panen dan krisis pangan. Karena hal tersebut maka diperlukan suatu sistem terpadu yang dapat menunjang kegiatan manusia seperti misalnya dalam pertanian, sebagai sumber kebutuhan pokok kehidupan manusia, pertanian memegang peran penting sehingga kelangsungan dalam pertanian harus terjaga untuk mencegah krisis pangan di masa mendatang.
KLASIFIKASI BINER TINDAK PIDANA MENGGUNAKAN DECISION TREE DAN RANDOM FOREST DENGAN SMOTE PADA DATA SISTEM INFORMASI PENELUSURAN PERKARA PENGADILAN NEGERI KEBUMEN Rahmat Hidayat; Weri Sirait; M. Syafrizal Zain; Firdaus Firdaus; David Nugroho
Djtechno: Jurnal Teknologi Informasi Vol 7, No 2 (2026): Agustus
Publisher : Universitas Dharmawangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46576/djtechno.v7i2.9299

Abstract

Kriminalitas merupakan salah satu permasalahan yang memengaruhi keamanan dan ketertiban masyarakat. Pemanfaatan data historis perkara melalui pendekatan machine learning dapat mendukung penyusunan strategi pencegahan kejahatan yang lebih terarah. Penelitian ini bertujuan mengembangkan model klasifikasi tindak pidana menggunakan data Sistem Informasi Penelusuran Perkara (SIPP) Pengadilan Negeri Kebumen periode 2021–2025. Permasalahan utama yang dihadapi adalah ketidakseimbangan distribusi kelas dan rendahnya performa klasifikasi pada data dengan banyak kategori tindak pidana. Untuk mengatasinya, sembilan rumpun tindak pidana direkonstruksi menjadi dua kategori, yaitu Kejahatan Kekerasan dan Kejahatan Non-Kekerasan. Penyeimbangan data dilakukan menggunakan Synthetic Minority Over-sampling Technique (SMOTE), sedangkan proses klasifikasi menggunakan algoritma Decision Tree dan Random Forest dengan skema stratified split 80:20. Hasil pengujian menunjukkan bahwa Decision Tree memberikan performa terbaik dengan akurasi 73,81%, presisi 79,08%, recall 73,81%, dan F1-score 75,45%, sedangkan Random Forest memperoleh akurasi 65,48%. Analisis feature importance menunjukkan bahwa tingkat pendidikan, pekerjaan, dan lokasi kejadian merupakan faktor yang paling berkontribusi dalam membedakan kategori tindak pidana. Hasil penelitian menunjukkan bahwa pendekatan yang diusulkan berpotensi mendukung pengambilan keputusan dalam penyusunan strategi pencegahan kejahatan berbasis data.
Deteksi Emosi pada Teks Media Sosial Menggunakan Bidirectional LSTM dan Glove Word Embedding Weri Sirait; Rahmat Hidayat; Laras Niti Mulyani; Arika Juwita Z; Nurhidayat
Technologica Vol. 5 No. 2 (2026): Technologica
Publisher : Green Engineering Society

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55043/technologica.v5i2.630

Abstract

Setiap harinya, platform media sosial memproduksi jutaan teks yang memuat beragam ekspresi emosional penggunanya. Kemampuan untuk mengenali emosi secara otomatis memiliki manfaat strategis dalam berbagai bidang, seperti analisis sentimen, pemantauan citra merek, dan pengawasan kesehatan mental. Studi ini mengajukan model deteksi emosi yang dibangun berbasis Bidirectional Long Short-Term Memory (BiLSTM) dan dipadukan dengan Glove Word Embedding berdimensi 100 (dilatih pada 6 miliar token dengan kosakata 400.000 kata dari Common Crawl) guna mengklasifikasikan teks media sosial ke dalam enam kategori emosi: joy, sadness, anger, fear, love, dan surprise. Data yang digunakan berasal dari Emotions Dataset for NLP yang tersedia di Kaggle, mencakup 20.000 sampel teks berbahasa Inggris dengan sebaran kelas yang tidak merata (joy: 5.362, sadness: 4.666, anger: 2.159, fear: 1.937, love: 1.304, surprise: 572 pada data latih). Keunggulan penelitian ini terletak pada kajian komparatif yang terstruktur, yang menunjukkan bahwa kualitas representasi vektor melalui pretrained Glove memberikan dampak lebih besar dibandingkan sekadar peningkatan arsitektur (BiLSTM tanpa pretrained), serta bahwa penggabungan keduanya secara sinergis mampu melampaui model baseline. Model BiLSTM + Glove yang diusulkan mencapai akurasi 89,35%, presisi macro 88,12%, recall macro 87,64%, dan F1-score macro 87,88% pada data uji, melampaui LSTM + Glove (86,10%) dan BiLSTM tanpa pretrained embedding (84,75%). Selisih performa ini diperkuat oleh analisis kurva konvergensi dan confusion matrix yang memperlihatkan keunggulan yang konsisten di seluruh kelas emosi
Co-Authors Anandita Ayu Rochani Andi Riawan Andriano, Chrisfian Beni Arika Juwita Z Augistri Putri Pradani David Nugroho Eka Prasetianingsih Evan Alif Widhyatma Fathonah, Rina Febri Laksana Firdaus Firdaus Irawan Wibisonya Laras Niti Mulyani Miftahul Huda Nanang Pradita Nanang Pradita Nur Azizah NURDIANSYAH, DIMAS Nurhidayat Subekti, Iklas Anang Weri Sirait Yulia Dewi Zain, M Syafrizal Zamzami, Faiz