Article Per Year (5 Year)
p-Index From 2021 - 2026
1.363
P-Index
This Author published in this journals
All Journal Jurnal Edukasi dan Penelitian Informatika (JEPIN) Sinkron : Jurnal dan Penelitian Teknik Informatika Creative Information Technology Journal JOURNAL OF APPLIED INFORMATICS AND COMPUTING JUTEI (Jurnal Terapan Teknologi Informasi) JUTIM (Jurnal Teknik Informatika Musirawas) Jurnal Telematika JIEMS (Journal of Industrial Engineering and Management Systems) JOISIE (Journal Of Information Systems And Informatics Engineering) Zonasi: Jurnal Sistem Informasi JISA (Jurnal Informatika dan Sains) Jurnal Algoritma, Logika dan Komputasi
Thenata, Angelina P.
Universitas Bunda Mulia
Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Mechanical Engineering Other

Published : 14 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 14 Documents
Search

 1   2 
KLASIFIKASI ENGINE FAILURE BERDASARKAN BUNYI MOBIL MENGGUNAKAN MFCC DAN STFT DENGAN MACHINE LEARNING Hakim, Bhustomy; Kaunang, Fergie Joanda; Thenata, Angelina Pramana; Ranny, Ranny
JOISIE (Journal Of Information Systems And Informatics Engineering) Vol 9 No 1 (2025)
Publisher : Institut Bisnis dan Teknologi Pelita Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35145/joisie.v9i1.4936

Abstract

Deteksi kerusakan mobil sangat penting untuk meningkatkan keselamatan berkendara dan mengurangi biaya perbaikan. Salah satu metode yang umum digunakan oleh mekanik adalah mendiagnosis kerusakan melalui suara yang dihasilkan oleh komponen kendaraan. Namun, proses ini masih bergantung pada keahlian manual dan dapat menyebabkan kesalahan atau keterlambatan diagnosa. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan model klasifikasi kerusakan mobil berbasis suara menggunakan teknik data science, terutama machine learning. Data suara dikumpulkan dari berbagai sumber dari kerjasama bengkel-bengkel di Indonesia berupa file suara mesin dengan format wav dengan label berbeda, kemudian diolah menggunakan metode Mel Frequency Cepstral Coefficients (MFCC) dan Short-Time Fourier Transformation (STFT) untuk mengekstrak fitur penting dari sinyal suara. Selanjutnya, dengan algoritma Multilayer Perceptron diimplementasikan untuk membangun model prediksi kerusakan. Penelitian ini mengevaluasi model berdasarkan nilai akurasi dari confusion matrix untuk menemukan model terbaik dalam mendeteksi jenis kerusakan berdasarkan suara. Model dengan MFCC sebagai metode ekstraksi fitur terbukti menghasilkan akurasi tertinggi sebesar 83,35% ketimbang STFT yang hanya memiliki akurasi sebesar 78,82% dengan konfigurasi fungsi aktivasi ReLU dan layer dengan 512 neuron.
PERANCANGAN DAN ANALISIS DATA WAREHOUSE MENGGUNAKAN NINE STEP DESIGN PADA PERUSAHAAN SKY Thenata, Angelina Pramana; Agus, Agus; Sinata, Frans
Jurnal Algoritma, Logika dan Komputasi Vol 8, No 1 (2025): Jurnal ALU, Maret 2025
Publisher : Universitas Bunda Mulia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30813/j-alu.v8i1.8250

Abstract

Perkembangan dunia teknologi informasi yang sudah semakin pesat memberikan dampak yang besar pada perusahaan, terutama dalam dunia bisnis yang semakin sulit untuk bersaing. Perusahaan Sky merupakan perusahaan yang bergerak di bidang penjualan aksesoris variasi kendaraan roda dua. Perusahaan ini masih menggunakan cara yang konvensional dalam proses mencatat transaksi penjualan, sehingga membutuhkan waktu yang lama dalam mengolah data tersebut. Sebuah data warehouse berfungsi untuk mengkonsolidasikan dan meringkas data perusahaan yang berbeda sehingga dapat membantu para pemimpin/manajer menganalisis data yang ada untuk membuat keputusan strategis dengan cepat dan akurat. Berdasarkan permasalahan tersebut penelitian ini bertujuan untuk merancang dan mengimplementasikan data warehouse menggunakan metode Nine Step Design serta menyajikan hasil analisisnya melalui visualisasi guna mendukung pengambilan keputusan strategis di perusahaan Sky. Adapun perancangan data warehouse ini menggunakan pemodelan data skema bintang dan proses migrasi database ke dalam data warehouse (ETL) dengan menggunakan aplikasi Pentaho Data Integration. Kemudian dalam pengolahan dan analisis data menggunakan OLAP (On-Line Analytical Processing) dengan menggunakan aplikasi Tableau. Hasil penelitian ini berupa 3 tabel dimensi dan 1 tabel fakta, yaitu dimensi waktu, dimensi produk, dimensi admin, dan fakta transaksi. Perancangan data warehouse pada perusahaan Sky ini membantu perusahaan dalam menunjukkan perkembangan transaksi bulanan, dan tahunan. Hasil tersebut dapat meningkatkan mutu pelayanan perusahaan, serta dapat menjadi landasan dalam pengambilan keputusan untuk menentukan strategi penjualan dan perencanaan stok bulanan atau tahunan.
Analysis of Public Sentiment Towards President Prabowo's Work Program Using The CNN Thenata, Angelina Pramana; Saputra, Dimas Sakti Reka
Journal of Applied Informatics and Computing Vol. 9 No. 4 (2025): August 2025
Publisher : Politeknik Negeri Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30871/jaic.v9i4.9394

Abstract

Digital media has now become the primary means for Indonesians to receive and respond to information, including the work programs presented by Prabowo Subianto. One of the programs that is widely discussed by the public is related to efforts to improve the national economy. Public responses to this issue are widespread on social media, reflecting diverse sentiments. Therefore, this study aims to analyze the sentiment of comments from social media users X regarding President Prabowo's work programs in the economic sector, using a deep learning approach based on the Convolutional Neural Network (CNN) architecture. The methods employed include data collection, text preprocessing, and training a CNN model. The dataset used consisted of 2,467 data points, with 1,086 labeled as positive and 1,381 labeled as negative. The test results showed that the model achieved an accuracy of 87.45% and an Area Under the Curve (AUC) score of 0.9373, indicating excellent classification performance in distinguishing between positive and negative sentiments. This study proves that the combination of CNN and FastText is a practical approach to understanding text-based public opinion from social media.
Klasifikasi Terawasi Anomali Suara Kipas Industri Menggunakan Jaringan Saraf Tiruan dan Fitur Akustik Rekayasa Thenata, Angelina Pramana; ., Ranny; Hakim, Bhustomy; Kaunang, Fergie Joanda
Jurnal Telematika Vol. 20 No. 1 (2025)
Publisher : Yayasan Petra Harapan Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61769/telematika.v20i1.772

Abstract

Penelitian ini menggunakan pendekatan supervised learning berbasis jaringan saraf untuk deteksi anomali pada sistem kipas industry. Dengan subset data FAN dari MIMII (malfunctioning industrial machine investigation and inspection) dataset dengan 530 rekaman berlabel (383 normal dan 147 abnormal), penelitian ini mengekstraksi fitur akustik yang meliputi mel-frequency cepstral coefficients (MFCC), spectral descriptor (centroid, roll off), serta temporal measures (zero-crossing rate, autocorrelation). Uji statistik univariat menunjukkan sejumlah koefisien MFCC dan fitur domain waktu berbeda signifikan antar kelas (p < 0,05). Model jaringan saraf feed-forward dengan dua lapisan tersembunyi berukuran 64 unit (aktivasi ReLU) dan regularisasi dropout dilatih menggunakan stratified cross validation dengan 5-fold sehingga menghasilkan nilai F1 rata-rata sebesar 89,9%. Penggunaan beberapa nilai ambang (τ ∈ {0,3–0,7}) menegaskan kekokohan model yang terlihat pada hasil data uji dengan nilai ambang terpilih adalah τ = 0,5 yang mencapai precision sebesar 100%, recall = 93,10%, F1 = 96,43%, dan akurasi = 98,11% (hasil identik diperoleh pada τ = 0,6–0,7; sementara τ = 0,3 memberikan recall lebih tinggi). Model juga menghasilkan nilai AUC-ROC sebesar 0,9978 yang mendekati ideal dan menunjukkan daya diskriminasi lintas-ambang yang sangat baik. Temuan ini memperlihatkan bahwa penggabungan fitur akustik yang dapat diinterpretasikan dengan pengklasifikasi saraf yang ringkas memungkinkan deteksi anomali non-invasif yang akurat untuk penerapan Industri 4.0 dengan kebutuhan perangkat keras minimal.
Co-Authors ., Ranny Agus, Agus Andhika Galuh Prabawati Arron, Rivaltino Asvian Sulaeman Bhustomy Hakim Kaunang, Fergie Joanda Lim Yong Teck Matheus Alvian Wikanargo Muh Rizky Ramadhan Muhammad Syukri Mustafa Novian Adi Prasetyo Ranny, Ranny Saputra, Dimas Sakti Reka Sinata, Frans Wikanargo, Matheus Alvian