Article Per Year (5 Year)
p-Index From 2021 - 2026
3.098
P-Index
This Author published in this journals
All Journal Edulib JSR : Jaringan Sistem Informasi Robotik JATI (Jurnal Mahasiswa Teknik Informatika) CIVITAS (JURNAL PEMBELAJARAN DAN ILMU CIVIC) Instal : Jurnal Komputer Journal of Artificial Intelligence and Engineering Applications (JAIEA) Jurnal Informatika Polinema (JIP) Jurnal Kecerdasan Buatan dan Teknologi Informasi
Pratama, Denni
Unknown Affiliation
Humanities Automotive Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Law, Crime, Criminology & Criminal Justice Library & Information Science Social Sciences

Published : 22 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 22 Documents
Search

 1   2   3 
Library Book Loan Data Clustering Using K-Means Algorithm to Improve Book Loans Pratama, Denni; Hermawan, Sari; Juliane, Christina
Edulib Vol 13, No 2 (2023)
Publisher : Universitas Pendidikan Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.17509/edulib.v13i1.50003

Abstract

Entering the post-pandemic new standard era in 2022 as of June, the number of borrowed books at the Indonesian University of Education Library could be more optimal compared to the year before the pandemic (2018 - 2019). Lending in 2022 can still be increased by arranging the most borrowed books in one group. This research aims to classify books more optimally, which will be applied to book arrangement. Optimal book arrangement allows library visitors to find books more efficiently based on the books that are most often borrowed so that they are interested in borrowing other books in a group. Data mining is a term used to describe knowledge in a database from a repository by finding patterns and trends in data through examination with statistical and mathematical techniques. Clustering is a data mining method that can be used to determine the data clusters. One of the algorithms that can be used is K-Means. The clustering pattern obtained shows 2 (two) grouping clusters. Book titles in cluster 0 contain book titles related to research methodology, statistics, measurement scales, assessment, and learning evaluation. While cluster 1 tends to contain psychology, counseling, religion, philosophy, management, economics, and history. This data can be used by librarians in prioritizing purchasing a collection of books in the subsequent procurement.
PENERAPAN METODE RANDOM FOREST DALAM MENGANALISIS SENTIMEN PENGGUNA APLIKASI CAPCUT DI GOOGLE PLAY STORE Sagita, Ayu; Faqih, Ahmad; Dwilestari, Gifthera; Siswoyo, Bambang; Pratama, Denni
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 6 (2023): JATI Vol. 7 No. 6
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i6.8205

Abstract

Pengguna aplikasi CapCut semakin meluas di kalangan pengguna smartphone. Namun, tanggapan pengguna terhadap aplikasi ini sangat bervariasi. Selain itu, perkembangan terus-menerus dalam menambah fitur dan kemampuan pengeditan telah membawa kompleksitas penggunaan aplikasi ini semakin meningkat. Penelitian ini bertujuan untuk menganalisis sentimen pengguna CapCut melalui ulasan yang terdapat di Google Play Store menggunakan metode Random Forest. Metode ini dipilih untuk mengidentifikasi dan mengelompokkan tanggapan pengguna ke dalam kategori positif dan negatif secara efisien. Dataset yang digunakan dalam penelitian ini mencakup 5000 ulasan, mencerminkan keragaman pendapat dari pengguna yang berpartisipasi aktif. Tahapan preprocessing data melibatkan proses cleaning, case folding, tokenisasi, stopword removal, dan lemmatisasi untuk memastikan kualitas data yang baik sebelum dilakukan analisis sentimen. Selanjutnya, pembobotan kata dilakukan dengan metode TF-IDF untuk memberikan nilai bobot pada kata-kata yang mempengaruhi sentimen pengguna. Hasil penelitian menunjukkan bahwa metode Random Forest memberikan tingkat akurasi yang tinggi dalam menganalisis sentimen pengguna CapCut, dengan akurasi sebesar 86%, presisi 89%, recall 81%, dan f1-score 85%. Penelitian ini memberikan pemahaman lebih lanjut terkait tanggapan pengguna terhadap aplikasi CapCut, serta menegaskan keberhasilan metode Random Forest dalam menangani analisis sentimen pada dataset ulasan pengguna di Google Play Store.
PENERAPAN DATA MINING UNTUK MENGESTIMASI PERSENTASE PENDUDUK MISKIN DI JAWA BARAT MENGGUNAKAN REGRESI LINIER BERGANDA Sazwati, Anggi; Pratama, Denni; Anam, Khaerul; Wahyudin, Edi; Rifa'i, Ahmad
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8214

Abstract

Kemiskinan menjadi salah satu permasalahan serius bagi pemerintah Indonesia, termasuk di wilayah Jawa Barat. Tingkat kemiskinan yang tinggi dapat menghambat pembangunan ekonomi, meningkatkan kesenjangan sosial, dan mengurangi kualitas hidup masyarakat. Oleh karena itu, penelitian ini bertujuan untuk menganalisis estimasi persentase penduduk miskin di Jawa Barat dan mengidentifikasi variabel yang berpengaruh terhadap tingkat kemiskinan. Data yang digunakan dalam penelitian ini merupakan data sekunder yang diambil dari sumber resmi Badan Pusat Statistik (BPS). Metode analisis yang digunakan adalah regresi linier sesuai dengan tujuan analisis untuk mengetahui pemahaman tentang sejauh mana variabel independen mempengaruhi variabel dependen dan mampu melakukan prediksi terhadap nilai variabel dependen ketika nilai variabel independen telah diketahui. Dalam penelitian ini diperoleh hasil estimasi pada lima kabupaten di Jawa Barat, yaitu Bogor, Bandung, Kuningan, Cirebon, dan Pangandaran. Evaluasi hasil estimasi dengan menggunakan nilai RMSE sebesar 2.012 dan Relative Error sebesar 18.90%. Analisis lebih lanjut terhadap model menunjukkan bahwa faktor yang berpengaruh terhadap tingkat kemiskinan adalah indeks pembangunan manusia (IPM) dengan korelasi sebesar -0.752, korelasi yang kuat ini mengindikasikan bahwa peningkatan IPM dapat efektif mengurangi tingkat kemiskinan di Jawa Barat.
PENERAPAN MODEL REGRESI LINIER UNTUK PREDIKSI HARGA SAHAM BANK BCA PADA BURSA EFEK INDONESIA Zapar, Rizky; Pratama, Denni; Kaslani, Kaslani; Rohmat, Cep Lukman; Faturrohman, Faturrohman
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8215

Abstract

Dalam era globalisasi dan kompleksitas pasar modal, analisis prediksi harga saham menjadi elemen krusial bagi keberhasilan investor dan perusahaan. Fluktuasi harga saham yang tidak menentu menciptakan tantangan dalam meramalkan pergerakan pasar. Metodologi KDD (Knowledge Discovery in Databases) digunakan untuk mengekstraksi pengetahuan berharga dari data historis harga saham Bank BCA. Dengan fokus pada metode regresi linier, penelitian ini bertujuan untuk meningkatkan akurasi prediksi harga saham dan memvalidasi model menggunakan K-Fold Cross-Validation. Hasil evaluasi menunjukkan nilai RMSE sebesar 0.032, menandakan tingkat kesalahan yang rendah dan konsistensi kinerja model. Absolute Error sebesar 0.024 dengan rentang 0.007 mengindikasikan kemampuan model memberikan perkiraan yang akurat terhadap pergerakan harga saham. Root Relative Squared Error sebesar 0.138 dengan rentang 0.036 mencerminkan tingkat kesalahan relatif terhadap variasi data yang dapat dipertahankan oleh model. Dengan Squared Error sebesar 0.001 dan rentang 0.001, sebaran kesalahan prediksi model menunjukkan bahwa sebagian besar prediksi model berada dalam kisaran nilai sebenarnya. Model regresi linier dengan pendekatan KDD mampu memberikan prediksi harga saham Bank BCA dengan tingkat akurasi yang tinggi dan konsistensi yang baik, memberikan landasan yang kuat untuk pengambilan keputusan investasi di masa depan.
PENERAPAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK DIAGNOSA TUMOR OTAK Azhar, Azhar; Siswoyo, Bambang; Pratama, Denni; Anam, Khaerul; Susana, Heliyanti
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 2 (2024): JATI Vol. 8 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i2.8242

Abstract

Penelitian ini bertujuan untuk mengimplementasikan Convolutional Neural Network (CNN) dalam klasifikasi tumor otak dari citra medis, membedakan empat kelas utama: Glioma, Meningioma, Pituitary, dan NonTumor. Masalah utama yang diatasi adalah kebutuhan akan diagnosis yang cepat dan akurat dalam penanganan kanker otak, yang seringkali terhambat oleh keterbatasan metode tradisional. Dengan mengumpulkan dataset yang komprehensif, dilakukan pemrosesan dan augmentasi data sebelum melatih model CNN, penelitian ini berhasil mencapai akurasi yang tinggi dalam mengklasifikasikan tumor otak. Hasilnya menunjukkan bahwa pendekatan ini memiliki potensi untuk meningkatkan diagnosis dan penanganan kanker otak dengan lebih efisien dan akurat, berkontribusi pada kemajuan dalam bidang medis dan teknologi.
KOMPARASI ALGORITMA K-MEANS DAN K-MEDOIDS DALAM ANALISIS PENGELOMPOKAN DAERAH RAWAN KRIMINALITAS DI INDONESIA Hoerunnisa, Anis; Dwilestari, Gifthera; Dikananda, Fatihanursari; Sunana, Heliyanti; Pratama, Denni
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8249

Abstract

Kriminalitas sebagai fenomena yang kompleks, memiliki dampak serius pada stabilitas dan ketertiban sosial, sertamemengaruhi aspek sosial dan ekonomi suatu wilayah. Pemahaman mendalam terhadap area-area rentan terhadap tindak kriminal menjadi esensial dalam upaya mencegah dan menangani kejahatan. Penelitian ini bertujuan eksploratif untuk membandingkan efektivitas dua metode clustering, yaitu K-Means dan K-Medoids, dalam menganalisis daerah-daerah rentan kriminal di Indonesia.Metode penelitian melibatkan langkah-langkah seperti pengumpulan data kriminalitas dari sumber terpercaya, penyortiran, dan pengolahan data untuk membentuk dataset yang akurat. Dengan menggunakan pendekatan Knowledge Discovery in Databases (KDD), penelitian ini menerapkan algoritma K-Means, pengelompokan dalam analisis data yang bertujuan mengelompokkan data menjadi beberapa klaster, dan K-Medoids, variasi K-Means yang menggunakan medoid sebagai representasi klaster. Hasil analisis menunjukkan bahwa kedua algoritma dapat digunakan untuk mengelompokkan daerah rawan kriminalitas di Indonesia, dengan K-Means membentuk 5 cluster dan K-Medoids membentuk 2 cluster. Evaluasi menggunakan Davies-Bouldin Index (DBI) menunjukkan bahwa K-Means lebih optimal (DBI=0,463) dibandingkan K-Medoids (DBI=1,089). Sebagai saran untuk pengembangan selanjutnya, disarankan untuk mempertimbangkan penggunaan algoritma clustering yang berbeda, melakukan perbandingan dengan metode lain, dan menambahkan kriteria atau variabel yang relevan untuk meningkatkan kualitas analisis clustering. Diharapkan hasil ini dapat memberikan kontribusi signifikan dalam upaya pencegahan dan penanggulangan kriminalitas di Indonesia.
PENERAPAN ALGORTIMA NAÏVE BAYES DALAM KLASIFIKASI HARGA PONSEL Saputra, Bayu; Anwar, Saeful; Tohidi, Edi; Susana, Heliyanti; Pratama, Denni
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 6 (2023): JATI Vol. 7 No. 6
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i6.8281

Abstract

Di jaman sekarang digital saat ini bidang teknologi berkembang pesat terutama terkait dengan beragamnya fitur yang ada pada ponsel dan tingkat spesifikasi ponsel yang semakin dinamis. Fitur ponsel semakin terus maju berkembang seperti penyimpanan memori, resolusi layar amoled, kapasitas baterai yang tahan lama menjadi aspek penentu harga ponsel. Spesifikasi ponsel semakin meningkat banyak fitur canggih yang dimiliki ponsel, maka dalam harga pun meningkat. Harga yang merupakan proses nilai tukar sangat penting digunakan dalam peluang ekonomi dan bisnis. Harga menjadi acuan pertama dalam jual beli. Penelitian ini bertujuan untuk menentukan keakuratan hasil nilai dan kinerja model klasifikasi harga ponsel yang menggunakan algoritma naïve bayes. Klasifikasi merupakan proses cara menemukan sebuah atribut serupa dalam sekumpulan objek dalam data yang dapat mengklasifikasikannya ke setiap kelas berbeda pada model klasifikasi yang telah ditentukan. Salah satu algoritma teknologi klasifikasi yang mudah diimplementasikan dan memiliki kecepatan mekanisme yang cepat disebut metode algoritma Naive Bayes. Pemodelan statistik dapat menggunakan metode Naïve Bayes dalam proses klasifikasi data. Menghitung suatu nilai probabilitas, metode ini dapat melatih data uji berdasarkan peristiwa data yang telah terjadi. Penelitian ini akan memanfaatkan klasifikasi yaitu Naïve Bayes. Pada artikel kali ini telah melakukan penelitian dengan penerapan algoritma Naïve Bayes dalam mengklasifikasikan harga ponsel dapat memperoleh nilai akurasi 85.50%.
ANALISIS SENTIMEN TERHADAP LAYANAN APLIKASI GRAB INDONESIA MENGGUNAKAN METODE NAÏVE BAYES Rifa’I, Ahmad; Ardhani, Risma; Pratama, Denni; Fatihanursari, Fatihanursari
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8425

Abstract

Pengguna internet di Indonesia setiap tahun terus mengalami peningkatan, Pesatnya pertumbuhan pengguna internet di Indonesia memicu pertumbuhan E-Businness yang secara perlahan mengubah pola konsumsi masyarakat, khususnya masyarakat kota. Misalnya dalam pengguna jasa transportasi, pengguna umumnya cenderung menggunakan transportasi online dari pada transportasi konvensional. Hal ini merupakan bukti meningkatnya pola transportasi praktis di kalangan masyarakat. Grab Indonesia adalah salah satu Perusahaan ojek online terkemuka di Indonesia dan memiliki jumlah pelanggan cukup besar di Indonesia. Tingkat kepuasan yang bervariasi terhadap layanan yang diberikan, sehingga pasti ada saran dan keluhan dari para pelanggan. Analisi sentiment dapat dijadikan salah satu solusi untuk mengetahui tingkat kepuasan aplikasi guna meningkatkan sistem dan pelayanan. Peneliti mengambil permasalahan dari aplikasi Grab untuk mengetahui klasifikasi dari ulasan yang bersentimen positif ataupun negatif kemudian menerapkan klasifikasi dapat diupayakan melalui pendekatan perbandingan antara metode Naïve Bayes guna mengetahui hasil akurasi dari ulasan pengguna Aplikasi Grab yang ada di Google Playstore. Dari hasil penelitian terhadap analisis sentimen pengguna aplikasi Grab didapatkan hasil klasifikasi positif sebanyak 1677 dan sentimen negatif sebanyak 69 data teks artinya pengguna banyak memberikan komentar positif terhadap aplikasi Grab. Dan hasil klasifikasi menggunakan metode Naïve Bayes didapatkan hasil acuracy sebesar 84,36% precision 99,64% dan recall 87,12%.
PENARAPAN ALGORITMA K-MEANS CLUSTERING DALAM MENGANALISIS RESIKO PENYAKIT STROKE Nurhakim, Bani; Septiani, Intan; Anam, Khaerul; Pratama, Denni
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8452

Abstract

Di kawasan Asia Tenggara, stroke menempati peringkat ketiga sebagai penyebab kecacatan dan menjadi penyakit dengan risiko kematian tertinggi kedua. penyakit Stroke terjadi ketika pembuluh darah mengalir ke otak terhambat atau terjadi pecah, mengakibatkan beberapa sel jaringan otak tidak dapat menerima oksigen yang dibutuhkan dari aliran darah. Permasalahan mencakup mengidentifikasi faktor risiko penyakit stroke dengan akurat sehigga menjadi suatu tantangan dan Menentukan jumlah cluster (K) yang paling sesuai untuk mencerminkan kelompok resiko penyakit stroke dengan optimal. Dengan menerapkan pendekatan data mining K-means clustering, pasien dapat dikelompokkan ke dalam kategori resiko yang beragam. Beberapa kelompok pasien menunjukkan dominasi faktor risiko tertentu, sehingga memberikan pemahaman lebih rinci mengenai variasi resiko stroke dalam populasi. Temuan dari analisis K-means clustering telah diperkuat melalui validasi menggunakan data klinis tambahan, menegaskan kehandalan dan relevansi hasil. Proses validasi melibatkan uji model pada dataset yang berbeda untuk memastikan keberlakuan temuan secara umum. Penelitian ini melibatkan langkah-langkah teliti dalam penentuan jumlah cluster (K) untuk menjamin hasil clustering yang optimal. Pendekatan ini membantu mengurangi risiko overfitting atau underfitting, sehingga meningkatkan akurasi analisis. Visualisasi hasil clustering memberikan gambaran yang jelas tentang sebaran faktor risiko di antara kelompok pasien, dengan grafik dan diagram yang memudahkan interpretasi serta komunikasi temuan kepada pihak-pihak yang berkepentingan.
ANALISIS KLASTER K-MEDOID UNTUK PENGELOMPOKAN DAN PEMETAAN PROVINSI DI INDONESIA BERDASARKAN NILAI UJIAN NASIONAL Puri, Anita; Solihudin, Dodi; Anwar, Saeful; Pratama, Denni; Wahyudin, Edi
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8653

Abstract

Ujian Nasional (UN) adalah suatu metode standar mengevaluasi tahap pendidikan awal yang membantu menentukan apakah siswa lulus atau tidak. Sejalan dengan Penilaian hasil belajar ini bertujuan unntuk menilai kinerja siswa pada tingkat nasional. Ujian nasional juga mempunyai dampak penting dalam melanjutkan pendidikan pada jenjang selanjutnya dan dapat meningkatkan mutu pendidikan di sekolah. Penelitian ini bertujuan mengidentifikasi pola atau struktur dalam Algoritma K-Medoid Clustering yang digunakan untuk mengelompokkan nilai rata-rata siswa berdasarkan hasil ujian nasional tingkat provinsi di Indonesia. Dalam mengelompokkan pencapaian nilai ujian siswa berdasarkan Nama Provinsi, Ujian Nasional (UN) tingkat (SMP), UN (SMA) (IPA), UN SMA Program Ilmu Pengetahuan Sosial (IPS), UN SMA Program Bahasa, UN Sekolah Menengah Kejuruan (SMK), Ujian Institusi (IIUN) tingkat SMP, IIUN tingkat SMA (IPA), IIUN SMA (IPS), IIUN SMA Program Bahasa, dan IIUN SMK. Algoritma K-Medoid ini juga dikenal sebagai Algoritma Partitioning Around Medoid atau PAM, dari data yang sudah diolah menggunakan teknik clustering hasil yang di dapat dalam mengelompokan nilai rata-rata di provinsi Indonesia berdasarkan Davies Bouldin Index, dapat diharapkan memudahkan dan memahami algoritma K-Medoid dalam pengelompokan nilai ujian siswa di Indonesia menggunakan teknik clustering untuk mendapatkan jumlah kelompok terbaik pada data hasil ujian nasional di Indonesia menggunakan algoritma k-medoid. Dari hasil penerapan tersebut nilai K terbaik diperoleh pada nilai iterasi K9 dengan jumlah 1.016 berdasarkan Davies Bouldin Index, Berdasarkan hasil pengukuran nilai max runs dari 1 sampai 10, menunjukkan nilai DBI yang konsisten, yakni 1.016 pada K9 menjadi nilai terbaik, pada cluster ini, terdapat 25 items dalam cluster 0, dan 5 items dalam cluster 1. Stabilitas nilai DBI pada K9 menunjukkan kualitas pengelompokan yang baik.
Co-Authors Abubakar Sidik Ade Rizki Rinaldi Ahmad Faqih Aldiani, Dea Amida, Anggi Fitria Ardhani, Risma Azhar Azhar Azzahra, Fitriyani Baihaqi, M. Iqbal Bambang Irawan Bambang Siswoyo Bayu Saputra Christina Juliane, Christina Dikananda, Arif Rinaldi Dikananda, Fatihanursari Fatihanursari, Fatihanursari Faturrohman, Faturrohman Gifthera Dwilestari Hamonangan, Ryan Hermawan, Sari Hery Widijanto Hoerunnisa, Anis Kaslani Kurnia, Dian Ade Kurniawan, Aldiyansyah Marta, Puji Pramudya Nurhakim, Bani Odi Nurdiawan Permana, Sandy Eka Puri, Anita Purnamasari, Ade Irma Rifa’I, Ahmad Rohmat, Cep Lukman Saeful Anwar, Saeful Sagita, Ayu Sazwati, Anggi Septiani, Intan Seputra, Nenda Alfadil Siti Nurhasanah Solihudin, Dodi Suarna, Nana Sugianto, Nanda Putri Sunana, Heliyanti Susana, Heliyanti Talia, Agita Hany Tohidi, Edi Triantoro, Miranu Veithzal Rivai Zainal Vibrianti, Vera Wahyudin, Edi Yudhistira Arie Wijaya Zapar, Rizky