Garuda - Garba Rujukan Digital

ANALISA POLA PEMBELIAN DI “KEDAI BANG YHOGA’S” MENGGUNAKAN METODE APRIORI Widodo, Arief Setyo; Rozi, Anief Fauzan
Jurnal Sistem Informasi dan Bisnis Cerdas Vol 14, No 1 (2021): JURNAL SISTEM INFORMASI DAN BISNIS CERDAS (SIBC) FEBRUARI 2021
Publisher : Program Studi Sistem Informasi, Fakultas Ilmu Komputer, UPN "Veteran" Jawa Timur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33005/sibc.v14i1.1876

Kedai Bang Yhoga’s termasuk kedai baru yang masih berusia 6 bulan. Namun, setiap harinya kedai tersebut cukup ramai dikunjungi oleh konsumen terutama kalangan mahasiswa. Banyaknya persaingan bisnis serta penjualan yang kurang stabil, mengharuskan pemilik kedai untuk mengatur strategi pemasaran dan promosi dengan baik agar kedai dapat mempertahankan eksistensinya di mata konsumen. Untuk mencapai hal tersebut, ada beberapa langkah yang dapat dilakukan yaitu dengan meningkatkan kualitas produk serta pemanfaatan data transaksi. Data transaksi dapat dimaksimalkan dengan melakukan analisa data transaksi penjualan. Penelitian ini mengaplikasikan metode algoritma apriori untuk membantu pemilik usaha Kedai Bang Yhoga’s dalam mengatasi permasalahan dan untuk memperoleh rekomendasi daftar menu (item) melalui aplikasi Weka. Hasil analisis data transaksi penjualan pada aplikasi Weka, menunjukan bahwa dari 58 item menu yang disajikan, ada beberapa item menu yang memiliki frekuensi tinggi. Item tersebut dapat digunakan sebagai acuan pemilik usaha sebagai pertimbangan dalam menyusun menu pada kedai serta dapat digunakan sebagai acuan dalam mengkombinakasikan dengan item yang memiliki frekuensi rendah. Berdasarkan hasil penelitian, didapatkan 50 hasil kombinasi item yang memiliki nilai confidence minimal 90%. Berdasarkan analisis yang telah dilakukan, hasil analisis melalui aplikasi Weka sesuai dengan hasil perhitungan manual, dari sejumlah 58 display item dalam penentuan pola pembelian dan frekuensi item terbaik, diperoleh 30 rekomendasi display item pada menu Kedai Bang Yhoga’s. DOI : https://doi.org/10.33005/sibc.v14i1.1876

SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA PEGAWAI PEMERINTAHAN DESA MENGGUNAKAN METODE MULTI FACTOR EVALUATION PROCESS (MFEP) Saputra, Irfan Juliardi; Rozi, Anief Fauzan
Jurnal Sistem Informasi dan Bisnis Cerdas Vol 15, No 1 (2022): JURNAL SISTEM INFORMASI DAN BISNIS CERDAS (SIBC) FEBRUARI 2022
Publisher : Program Studi Sistem Informasi, Fakultas Ilmu Komputer, UPN "Veteran" Jawa Timur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33005/sibc.v15i1.2653

Pemerintahan desa di Kecamatan Sebangau Kuala penilian kinerja masih dilakukan secara subyektif atau berdasarkan pendapat pribadi untuk mengetahui capaian/progress kinerja dari setiap masing-masing pegawai. Saat ini belum ada sistem yang di gunakan untuk penilain Kinerja Pegawai di Kecamatan Sebangau Kuala. Adapun indikator sebagai acuan dalam penilaian kinerja yang terdiri dari 6 (Enam) kriteria/faktor penting dalam penilaian yaitu Orientasi pelayanan, Integritas, Komitmen, Disiplin, Kerja sama, dan Kepemimpinan. Sistem ini dibangun dengan basis Sistem Pendukung Keputusan yang memiliki kemampuan untuk menilai kinerja Pegawai dengan menggunakan metode Multifactor Evaluation Process (MFEP). Dengan pendekatan kuantitatif yang menggunakan Sistem Pembobotan (Weighting System) sebagai pengambilan keputusan. Hasil pengujian sistem menggunakan Black Box dan User Acceptance Test yang dilakukan dengan menggunakan data menunjukkan bahwa sistem dapat berfungsi sesuai dengan kebutuhan pengguna. Sebanyak 68% pengguna menyatakan setuju bahwa user interface yang dibuat sesuai dengan keingingan, dan sebanyak 12% menyatakan sangat setuju. Selanjutnya, 49% penggunan menyatakan bahwa proses pada sistem perpustakaan sesuai dengan kebutuhan, 10% menyatakan sangat setuju, dan 1% menyatakan kurang setuju. Untuk fungsi sistem, sebanyak 52% pengguna menyatakan bahwa sesuai dengan yang diharapkan, 28% menyatakan sangat setuju. DOI : https://doi.org/10.33005/sibc.v15i1.2653

Analisis Perbandingan Arsitektur Convolutional Neural Network pada Klasifikasi Jenis Penyakit Daun Padi Turnip, Erdina; Rozi, Anief Fauzan
ProTekInfo(Pengembangan Riset dan Observasi Teknik Informatika) Vol. 11 No. 2 (2024)
Publisher : Universitas Serang Raya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30656/protekinfo.v11i2.9052

Rice diseases are a serious threat to rice production in Indonesia, with annual losses reaching 200,000-300,000 tons. Early detection and accurate diagnosis for rice leaf diseases are essential for effective control, but manual methods require a lot of time and effort. This study aims to compare the performance of Convolutional Neural Network (CNN) architectures, namely Xception and NASNetMobile, in classifying rice leaf disease types. The methods used include collecting a dataset of 670 rice leaf images, data preprocessing, CNN model design and training, and performance evaluation using accuracy, precision, recall, and F1-score metrics. The results show that the Xception architecture outperforms NASNetMobile with 93% accuracy versus 83%. Xception also showed more stable and consistent performance in classifying different types of rice leaf diseases, especially for Bacterial leaf blight and Brown spots. This study provides new insights into the effectiveness of CNN architecture in plant disease classification, which can be beneficial for the development of more accurate and efficient disease detection systems in the future.

Sistem Rekomendasi Produk Somethinc Menggunakan Metode Content-based Filtering Azizah, Nailatul; Rozi, Anief Fauzan
Jurnal Teknologi Dan Sistem Informasi Bisnis Vol 6 No 3 (2024): Juli 2024
Publisher : Prodi Sistem Informasi Universitas Dharma Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47233/jteksis.v6i3.1411

In choosing skin care products, many consumers often make mistakes due to a lack of understanding of skin type and a lack of knowledge about skin care products available on the market. This often makes it difficult for them to find suitable products. This research aims to design an application that is able to provide skincare recommendations based on previous product preferences. The method used is Content-based filtering. The recommendation process is carried out by comparing product content to produce the highest to lowest ranking, as well as calculating the minimum support and confidence values to determine association rules for itemset combinations. To calculate the similarity between words using the cosine similarity algorithm, product descriptions will be given a value using TF-IDF (Term Frequency-Inverse Document Frequency) calculations. After that, the similarity weight will be calculated using the cosine similarity algorithm, the similarity weights from highest to lowest. In this research, the product with the highest similarity value was obtained with a value of 0.722.

Analisis Arsitektur Convolutional Neural Network Untuk Klasifikasi Citra Bunga Munandar, Annisa Nurfitri Rida; Rozi, Anief Fauzan
Jurnal Teknologi Dan Sistem Informasi Bisnis Vol 6 No 3 (2024): Juli 2024
Publisher : Prodi Sistem Informasi Universitas Dharma Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47233/jteksis.v6i3.1413

Characteristic recognition of biological sciences is increasingly popular in scientific research, especially by utilizing computation.Indonesia is one of the countries with the largest biodiversity in the world, currently, Indonesia has identified and named 19,232 species of flowering plants.Flower image classification has attracted the interest of many researchers to investigate new methods.One of the widely used methods is deep learning and neural network methods.Convolutional Neural Network (CNN) is one of the most commonly used deep learning methods in image processing. This study aims to analyze the performance of flower image classification using VGG16 and NasNetMobile architecture with fine tune and without fine tune.The NasNetMobile architecture model with fine tune achieved the best accuracy of 99.15%, while the NasNetMobile architecture model without fine tune achieved the lowest accuracy of 97.45%.

Analisis Model Klasifikasi Ras Anjing dengan Metode Convolutional Neural Network (CNN) Manik, Tessa Monika; Rozi, Anief Fauzan
KOMPUTEK Vol 8, No 2 (2024): Oktober
Publisher : Universitas Muhammadiyah Ponorogo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24269/jkt.v8i2.2784

Setiap ras anjing memiliki sifat dan masalah kesehatan yang berbeda. Penting untuk mengidentifikasi ras anjing untuk memberikan perawatan dan pelatihan yang tepat. Ras anjing di seluruh dunia ada sekitar 399 jenis. Pemilik anjing seringkali kurang memiliki pengetahuan tentang cara merawat anjingnya karena tidak mengetahui secara pasti jenis anjingnya. Penelitian ini mengklasifikasikan 133 jenis ras anjing menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur VGG-16. Dengan total dataset 21.584 citra, yang terdiri dari citra anjing dan citra manusia. Citra diseragamkan menjadi citra RGB dan berukuran 224x244 piksel. Penelitian ini menghasilkan akurasi sebesar 95.5%. Hasil penelitian ini menunjukkan bahwa model CNN dengan arsitektur VGG-16 mampu mengklasifikasikan ras anjing dengan tingkat akurasi yang tinggi dengan tujuan dapat mengklasifikasikan jenis anjing yang berbeda menggunakan CNN. Jika gambar anjing diberikan maka algoritma akan bekerja untuk menemukan jenis anjing dan fitur kesamaan dalam jenis anjing, dan jika gambar manusia diberikan maka algoritma akan menentukan fitur wajah yang ada pada anjing untuk ditampilkan pada citra manusia. Penelitian lebih lanjut diperlukan untuk mengeksplorasi potensi peningkatan akurasi dan efisiensi model serta penerapannya dalam skenario dunia nyata.

Analisis Model Klasifikasi Ras Anjing dengan Metode Convolutional Neural Network (CNN) Manik, Tessa Monika; Rozi, Anief Fauzan
KOMPUTEK Vol. 8 No. 2 (2024): Oktober
Publisher : Universitas Muhammadiyah Ponorogo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24269/jkt.v8i2.2784

Setiap ras anjing memiliki sifat dan masalah kesehatan yang berbeda. Penting untuk mengidentifikasi ras anjing untuk memberikan perawatan dan pelatihan yang tepat. Ras anjing di seluruh dunia ada sekitar 399 jenis. Pemilik anjing seringkali kurang memiliki pengetahuan tentang cara merawat anjingnya karena tidak mengetahui secara pasti jenis anjingnya. Penelitian ini mengklasifikasikan 133 jenis ras anjing menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur VGG-16. Dengan total dataset 21.584 citra, yang terdiri dari citra anjing dan citra manusia. Citra diseragamkan menjadi citra RGB dan berukuran 224x244 piksel. Penelitian ini menghasilkan akurasi sebesar 95.5%. Hasil penelitian ini menunjukkan bahwa model CNN dengan arsitektur VGG-16 mampu mengklasifikasikan ras anjing dengan tingkat akurasi yang tinggi dengan tujuan dapat mengklasifikasikan jenis anjing yang berbeda menggunakan CNN. Jika gambar anjing diberikan maka algoritma akan bekerja untuk menemukan jenis anjing dan fitur kesamaan dalam jenis anjing, dan jika gambar manusia diberikan maka algoritma akan menentukan fitur wajah yang ada pada anjing untuk ditampilkan pada citra manusia. Penelitian lebih lanjut diperlukan untuk mengeksplorasi potensi peningkatan akurasi dan efisiensi model serta penerapannya dalam skenario dunia nyata.

Sentiment Analysis and Classification of User Reviews on the Redbus Application Using Logistic Regression And SVM Burrhanuddin, Nafi' Ikhsan; Rozi, Anief Fauzan
INOVTEK Polbeng - Seri Informatika Vol. 10 No. 2 (2025): July
Publisher : P3M Politeknik Negeri Bengkalis

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35314/k6k6m469

The increasing number of RedBus users in Indonesia has led to a growing volume of user reviews on digital platforms, especially the Google Play Store. These reviews reflect user perceptions and are valuable for sentiment analysis. This study aims to classify sentiments in RedBus user reviews using Logistic Regression and Support Vector Machine (SVM) algorithms. A total of 2,000 reviews were collected through automated web scraping and labelled using a lexicon-based approach. The data underwent preprocessing steps including normalisation, tokenisation, filtering, stemming, and labelling. Features were transformed using the TF-IDF method and split into 90% training and 10% testing sets. Evaluation results showed that SVM with a linear kernel outperformed Logistic Regression, achieving 91.10% accuracy and more balanced F1-scores across sentiment classes. Logistic Regression reached 86.39% accuracy but performed lower on positive sentiment. A paired t-test confirmed the statistical significance of the performance difference (p = 0.0005). These findings suggest that SVM is more effective in handling high-dimensional text data and can be recommended for real-world sentiment classification tasks, such as filtering negative reviews and improving customer service.

Analisis Perbandingan Algoritma K-Nearest Neighbor dan Decision Tree Pada Klasifikasi Tingkat Stress Individu Manurung, Vanni; Rozi, Anief Fauzan
TIN: Terapan Informatika Nusantara Vol 5 No 1 (2024): June 2024
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/tin.v5i1.5286

Stress is an individual’s response to changing circumstances, and high levels of stress can have a negative impact on physical and mental health. Correctly identifying stress levels is essential for appropriate medical and psychological interventions. This research aims to determine the more effective and accurate algorithm between K-Nearest Neighbor (KNN) and Decision Tree in classifying individual stress levels. The data used in this study was obtained from the “Human Stress Detection” dataset on the Kaggle website, which includes variables of humidity, temperature, step count, and stress level. The results showed that the K-Nearest Neighbor algorithm managed to achieve a perfect accuracy rate of 100%, while the Decision Tree achieved an accuracy of 99,50%. In addition, in terms of precision, recall, and F1-score, K-Nearest Neighbor also excelled with 100% each, while Decision Tree had 99,45% precision, 99,54% recall, and 99,50% F1-score. The analysis also found that high body temperature (>30°C) and high humidity (>22,5) were associated with higher stress levels. A step count below 90 can also indicate normal or high stress. Thus, this study concludes that the K-Nearest Neighbor algorithm is more effective in classifying an individual’s stress level and factors such as body temperature, humidity, and footsteps play an important role in determining an individual’s stress level.

Implementasi Data Mining Untuk Prediksi Peramalan Penjualan Produk Hj Karpet Menggunakan Metode Linear Regression Athallah, Muhamad Reza; Rozi, Anief Fauzan
Jurnal Sains dan Teknologi (JSIT) Vol. 2 No. 3 (2022): September - Desember
Publisher : CV. Information Technology Training Center - Indonesia (ITTC)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47233/jsit.v2i3.550

HJ Karpet is a business engaged in commerce that sells a variety of carpet types and where inventory is crucial. The problem that HJ Karpet has always faced is an abundance of carpet inventory or overstock. Forecasting with the linear regression method is the solution for assisting with stock planning. Forecasting is the process of calculating future values using historical information. This study used linear regression to calculate and design the system, which was then implemented as a system. This study's objective is to forecast sales of HJ Karpet products using historical sales data provided by HJ Karpet for the purpose of generating a sales forecast. This study resulted in the development of a sales forecasting system that will be used to provide stock planning recommendations for the subsequent months. The results of the manual calculation using the linear regression equation predict a value of 52,093 for January 2023 with an error MAPE (mean absolute percentage error) calculation value of 5,667205%, indicating that the results of the regression-based forecasting model have a high degree of accuracy.

Title

Found 15 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 15 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 15 Documents
Search