Article Per Year (5 Year)
p-Index From 2021 - 2026
3.566
P-Index
This Author published in this journals
All Journal IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Panrita Abdi - Jurnal Pengabdian pada Masyarakat JIKO (Jurnal Informatika dan Komputer) JOURNAL OF APPLIED INFORMATICS AND COMPUTING Jurnal Sistem Cerdas Journal of Information Systems and Informatics IT (INFORMATIC TECHNIQUE) JOURNAL JOURNAL OF INFORMATION SYSTEM MANAGEMENT (JOISM) The Indonesian Journal of Computer Science Research Jurnal Sistem Informasi, Manajemen dan Teknologi Informasi JURNAL MULTIDISIPLIN BHATARA
Utama, Hastari
Universitas Amikom Yogyakarta
Religion Aerospace Engineering Agriculture, Biological Sciences & Forestry Arts Humanities Astronomy Automotive Engineering Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Nursing Other

Published : 27 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 27 Documents
Search

 1   2   3 
PENDEKATAN DEEP LEARNING MENGGUNAKAN METODE LSTM UNTUK PREDIKSI HARGA BITCOIN Hastari Utama
The Indonesian Journal of Computer Science Research Vol. 2 No. 2 (2023): Juli
Publisher : Hemispheres Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59095/ijcsr.v2i2.77

Abstract

Bitcoin price prediction involves analyzing a variety of factors, including market sentiment, trading volume, economic news, technological developments, and other factors that affect supply and demand. Both technical and fundamental analysis methods can be used to try to predict Bitcoin price movements. In this Bitcoin price prediction using a Deep Learning approach with the chosen method is LSTM. The LSTM (Long Short-Term Memory) method is a popular type of Recurrent Neural Network (RNN) model for predicting the price of Bitcoin and other financial assets. LSTM can solve the problem of price movements that have long-term dependencies, which traditional RNN models cannot handle well. LSTMs have the ability to "remember" information from longer periods of time, thereby recognizing complex patterns and trends in historical data. In this study the prediction period used a dataset from March 1 2016 to November 24 2018. This study used an epoch parameter of 10 with a learning rate of 0.001. In addition, the batch size parameter used is 25 with layers only. The evaluation results of this study resulted in an RMSE of 77.74 and an MAE of 278.33. This shows that the RMSE value is small because the Bitcoin price range is too far.
Weak Supervision Dengan Pendekatan Labeling Function Untuk Analisis Sentimen Pada Twitter Hastari Utama; Erna Daniati; Ahlihi Masruro
The Indonesian Journal of Computer Science Research Vol. 3 No. 1 (2024): Januari
Publisher : Hemispheres Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59095/ijcsr.v3i1.93

Abstract

Penggunaan sosial media saat ini telah meningkat dengan pesat. Salah satu jenis media sosial yang digunakan adalah Twitter. Media sosial ini memiliki miliaran pengguna dari seluruh dunia. Jadi, dalam waktu yang singkat data tweet yang mereka posting telah ada pada penyimpaannya. Setiap pengguna juga dibatasi jumlah karakter dalam melakukan pengiriman tweetnya. Namun, kumpulan tweet pada media sosial ini memiliki konteks tema yang bervariatif. Hal ini dapat memuat sentimen emosional seperti senang, sedih, gembira, duka, dan sebagainya. Berbagai jenis data tweet yang disediakan ini sangat berpotensial untuk dianalisis terutama bagi perusahaan berbasis profit. Hal ini dapat memuat kebiasaan pelanggan, tren produk, indeks saham, dan sebagainya. Salah satu jenis analisis yang dilakukan adalah sentiment analisis. Hal ini berguna untuk mengklasifikasikan opini tweet yang ada. Opini ini dapat berupa positif, negatif, atau netral. Hasil analisis ini sangat diperlukan perusahaan untuk mengetahui tren yang terjadi pada era ini. Salah satu solusi yang ditawarkan pada penelitian ini adalah dengan menggunakan Weak Supervision. Namun, ada tantangan yang terjadi pada metode ini. Hal ini adalah kuranganya tingkat akurasi jika dibandingkan dengan pelabelan secara manual.  Pada penelitian ini dilakukan pelabelan otomatis dengan weak supervision. Selain itu, dilakukan pendekatan labeling function dan Regex Pattern dalam melakukan pelabelan secara otomatis. Hal ini diharapakan dataset yang dilabeli akan menghasilkan model dengan tingkat akurasi mendekat pelabelan secara manual, lebih lagi jika dapat mengungguli metode manual. Selain itu, kontribusi yang diharapkan dalam penelitian ini adalah usaha untuk mempersingkat waktu pelabelan daripada dilakukan secara manual.Ringkasan penelitian tidak lebih dari 500 kata yang berisi latar belakang penelitian, tujuan dan metode penelitian yang diusulkan, luaran yang ditargetkan, serta uraian kontribusi penelitian. Gunakan style Abstract pada bagian ini dengan satu paragraf.
Integrasi Augmentasi Data dan Machine Learning dalam Prediksi Magnitudo Gempa Bumi: Analisis dengan Random Forest Regressor dan Visualisasi Geospasial Hastari Utama; Ahlihi Masruro; Toto Indriyatmoko; Sudarmanto Sudarmanto
BHATARA: Jurnal Multidisiplin Ilmu Vol 2 No 3 (2025): October
Publisher : Hemispheres Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59095/jmb.v2i3.233

Abstract

This research aims to enhance the accuracy of earthquake magnitude prediction through an integration of data augmentation techniques and machine learning based on the Random Forest Regressor, supported by geospatial visualization for in-depth analysis. The dataset used originates from the USGS (United States Geological Survey) in CSV format, encompassing over a thousand global earthquake events within one month, with seismic parameters such as location (latitude, longitude), depth, magnitude, and recording quality. In the context of imbalanced data—dominated by small earthquakes and rare large ones—a data augmentation technique based on noise injection into spatial features (latitude, longitude) and depth was applied, resulting in a dataset five times larger than the original. Evaluation results demonstrate significant improvement in model performance: MAE decreased from 0.2467 to 0.1046 (a 57.6% reduction), RMSE dropped from 0.3499 to 0.1868 (a 46.6% decrease), MSE reduced from 0.1225 to 0.0349 (a 71.5% reduction), and R² increased from 0.9493 to 0.9817. These improvements confirm that data augmentation not only reduces overfitting but also strengthens the model’s ability to predict large-magnitude earthquakes—classes most critical for disaster mitigation. Geospatial visualization displays the spatiotemporal distribution of earthquakes, identifying active seismic hotspots in regions such as the Pacific Ring of Fire, California, Alaska, and Indonesia. This research proves that data augmentation is not merely a supplementary technique but a crucial strategy to enhance model generalization and predictive performance, particularly for rare yet high-impact seismic events. The findings offer significant scientific and practical contributions to seismic hazard mitigation and risk mapping, with potential applications in early warning systems and real-time disaster response.
Pemodelan Prediktif Konsumsi Energi Listrik di Pabrik Baja Berbasis XGBoost untuk Pengelolaan Sumber Daya Berkelanjutan Hastari Utama; Joko Dwi Santoso
BHATARA: Jurnal Multidisiplin Ilmu Vol 2 No 3 (2025): October
Publisher : Hemispheres Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59095/jmb.v2i3.234

Abstract

This research aims to develop a predictive model for electrical energy consumption in steel plants based on XGBoost Regressor, with the goal of supporting sustainable resource management. The dataset used was obtained from the UCI Machine Learning Repository with DOI: 10.24432/C52G8C , covering real-time operational data from a steel plant during 2018, including variables such as energy consumption (Usage_kWh), reactive power, power factor, and production load status. The research process included data exploration, preprocessing, time and categorical feature extraction, and training the XGBoost Regressor model with hyperparameter optimization using Grid Search and time-series split validation. Evaluation results showed outstanding performance with an MAE of only 0.41 kWh, RMSE of 0.81 kWh, and an R² value of 0.9993, indicating that the model successfully explained nearly all variations in actual data. Feature importance analysis revealed that Lagging_Current_Reactive.Power_kVarh and CO2(tCO2) were the most influential features in predicting energy consumption. This model is not only technically accurate but also holds significant practical potential for use in industrial energy management systems, helping companies plan production schedules, avoid peak loads, and improve energy efficiency sustainably.
Analisis Bukti Digital Forensik Terkait Penggunaan Teknik Steganografi pada Kasus Cyber Sexual Harassment Zepin Nossa; Joko Dwi Santoso; Hastari Utama
BHATARA: Jurnal Multidisiplin Ilmu Vol 3 No 2 (2026): April
Publisher : Hemispheres Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59095/jmb.v3i2.260

Abstract

Perkembangan teknologi digital tidak hanya membawa dampak positif tetapi juga memicu peningkatan kejahatan siber, termasuk cyber sexual harassment. Modus kejahatan ini sering kali memanfaatkan teknik steganografi untuk menyembunyikan bukti digital dalam media seperti gambar. Penelitian ini bertujuan untuk menganalisis bukti digital forensik terkait penggunaan teknik steganografi pada media flashdisk dalam konteks kasus cyber sexual harassment. Metode yang digunakan adalah kerangka kerja National Institute of Standards and Technology (NIST) yang terdiri dari empat tahap: collection, examination, analysis, dan reporting. Alat yang digunakan meliputi FTK Imager untuk akuisisi, Autopsy untuk pemeriksaan dan pemulihan data, serta OpenStego dan Steganographystudio untuk steganalisis. Hasil penelitian menunjukkan bahwa proses akuisisi berhasil dengan integritas terjaga (hash MD5 & SHA-1 terverifikasi). Autopsy berhasil memulihkan 10 file gambar yang terhapus. Analisis histogram mengindikasikan adanya anomali pada semua file. Namun, ekstraksi pesan tersembunyi hanya berhasil sebagian: OpenStego berhasil pada 1 file (10%), sedangkan Steganographystudio pada 2 file (20%). Simpulan penelitian menyatakan bahwa pendekatan NIST efektif, namun efektivitas steganalisis sangat bergantung pada alat dan teknik penyembunyian yang digunakan, sehingga diperlukan strategi multi-alat dalam investigasi forensik digital untuk kasus serupa.
Rancang Bangun Sistem Pengadaan Produksi Berbasis Website Pada Mitra Anda Konveksi Lintang Astari Rahmananda; Andi Rahman Putera; Hastari Utama; Joko Dwi Santoso
BHATARA: Jurnal Multidisiplin Ilmu Vol 3 No 2 (2026): April
Publisher : Hemispheres Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59095/jmb.v3i2.264

Abstract

Mitra Anda Konveksi Madiun menghadapi kendala dalam menentukan pengadaan bahan baku yang optimal, mengakibatkan pemborosan biaya jika berlebihan atau hambatan produksi jika kekurangan. Pelaporan yang masih manual juga rentan terhadap kehilangan data. Penelitian ini bertujuan untuk mengembangkan Sistem Pengadaan Produksi Berbasis Website guna mengatasi permasalahan tersebut. Sistem ini dirancang dengan menganalisis kebutuhan menggunakan model Supply Chain Management (SCM) dan mengintegrasikan metode Economic Order Quantity (EOQ) serta Safety Stock untuk perencanaan pembelian dan pengendalian persediaan. Metode pengembangan sistem yang digunakan adalah Waterfall, dengan implementasi menggunakan bahasa pemrograman PHP, framework CodeIgniter, dan basis data MySQL. Hasil penelitian berupa sistem fungsional yang mencakup modul manajemen pesanan, monitoring stok bahan baku, perhitungan EOQ dan Safety Stock secara otomatis, pemantauan mesin, serta generasi laporan. Pengujian dengan blackbox testing mengonfirmasi bahwa seluruh fitur berjalan normal sesuai kebutuhan pengguna (admin, staff produksi, dan pemilik). Sistem ini diharapkan dapat meningkatkan efisiensi, akurasi perencanaan, dan pengendalian biaya dalam keseluruhan rantai proses produksi.
Metode Rijndael untuk Uji Coba SQL Injection pada Sistem Login Aplikasi Pemesanan Makanan Berbasis Web Mohammad Rifki Ainurrahim; Hastari Utama; Joko Dwi Santoso
BHATARA: Jurnal Multidisiplin Ilmu Vol 3 No 2 (2026): April
Publisher : Hemispheres Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59095/jmb.v3i2.266

Abstract

Aplikasi pemesanan makanan berbasis web menghadapi tantangan keamanan serius pada sistem login, terutama dari ancaman SQL Injection yang berisiko menyebabkan kebocoran data pengguna. Penelitian ini bertujuan untuk mengimplementasikan algoritma Rijndael (AES) guna mengamankan password pengguna dan menguji ketahanan sistem login terhadap serangan In-band SQL Injection. Metode penelitian meliputi perancangan prototipe aplikasi web dengan framework Flask, implementasi enkripsi AES-CBC menggunakan PyCryptodome, dan pengujian keamanan melalui simulasi serangan. Hasil penelitian menunjukkan bahwa enkripsi AES berhasil mengamankan password dalam bentuk ciphertext di basis data. Namun, pengujian penetrasi membuktikan bahwa enkripsi saja tidak cukup untuk mencegah SQL Injection; sistem yang menggunakan parameterized query berhasil menangkal seluruh percobaan serangan, sedangkan sistem dengan konkatenasi string rentan dieksploitasi. Dengan demikian, penelitian ini menyimpulkan bahwa pendekatan keamanan berlapis (defense in depth) yang menggabungkan enkripsi untuk perlindungan data at rest dan parameterized query sebagai pertahanan aktif merupakan strategi esensial untuk membangun sistem login yang tangguh. Temuan ini memberikan panduan praktis bagi pengembang dalam menerapkan keamanan aplikasi web yang komprehensif.
Pengembangan Sistem Keamanan Berbasis IoT Menggunakan GPS dengan Notifikasi Jarak Aman Melalui SMS Pada Kendaraan Rental Caesar Salsabil Ridho Hadmadi; Joko Dwi Santoso; Hastari Utama
BHATARA: Jurnal Multidisiplin Ilmu Vol 3 No 2 (2026): April
Publisher : Hemispheres Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59095/jmb.v3i2.268

Abstract

Keamanan kendaraan rental masih menjadi tantangan besar akibat maraknya kasus pencurian yang sering kali dimungkinkan oleh keterbatasan sistem pelacakan konvensional yang hanya mengandalkan satu perangkat GPS. Penelitian ini bertujuan untuk mengembangkan sistem keamanan berbasis Internet of Things (IoT) yang menggunakan dua perangkat GPS yang saling terhubung untuk mendeteksi anomali pergerakan kendaraan. Sistem terdiri dari dua unit utama yang masing-masing dibangun dengan mikrokontroler ESP32, modul GPS Neo-6M, dan modul GSM SIM800L, dengan komunikasi data antar-unit menggunakan protokol ESP-NOW. Jarak antara kedua unit dihitung secara real-time menggunakan rumus Haversine. Jika jarak melebihi ambang batas 100 meter, sistem akan masuk ke kondisi trigger dan mengirimkan notifikasi SMS secara intensif setiap 20 detik kepada pemilik kendaraan. Hasil pengujian menunjukkan sistem beroperasi dengan akurasi rata-rata 4,04 meter, berhasil mengirimkan notifikasi dalam dua mode (setiap 15 menit pada kondisi normal dan setiap 20 detik pada kondisi trigger), serta menerapkan strategi keamanan berlapis melalui unit tersembunyi dan unit umpan. Sistem ini memberikan solusi keamanan yang proaktif, andal, dan tidak bergantung pada koneksi internet, sehingga berpotensi mengurangi risiko pencurian pada kendaraan rental.
Explainable AI for Water Quality Classification Using Ensemble Stacking Windha MP Dhuhita; Hastari Utama; Hartatik; Bayu Setiaji; Haryoko
Journal of Information System and Informatics Vol 8 No 3 (2026): June
Publisher : Asosiasi Doktor Sistem Informasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.63158/journalisi.v8i3.1601

Abstract

This study proposes a robust and interpretable machine learning framework for water quality classification using a publicly available water quality dataset containing 7,996 samples and 20 physicochemical features with an imbalanced class distribution (88.59% majority and 11.41% minority). The study addresses the critical issue of biased classification toward the majority class, which can lead to risk-prone misclassification of unsafe water. An ensemble stacking model combining XGBoost, LightGBM, and CatBoost with a Random Forest meta-learner (passthrough) was developed using an anti-leakage pipeline integrating RobustScaler and SMOTE within stratified 80:20 train–test cross-validation, while hyperparameter tuning was optimized using F1-score to improve minority-class performance; SHAP was further applied for global and local explainability. The proposed model achieved an F1-score of 0.8563 for the minority class and a ROC-AUC of 0.9846, indicating strong discriminative performance, while SHAP analysis identified ammonia as the most influential feature and revealed that False Negative errors were mainly caused by complex feature interactions. The study contributes an integrated framework combining stacking ensemble learning, anti-leakage evaluation, and SHAP-based global–local interpretation to support more reliable and transparent water quality classification; however, the findings are currently limited to a single dataset and and require multi-dataset validation.
Predictive Modeling of Urban Air Quality Using Machine Learning Dahlan, Akhmad; Fatta, Hanif Al; Farida, Lilis Dwi; Utama, Hastari; Pristyanto, Yoga
IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Vol 20, No 3 (2026): July
Publisher : IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22146/ijccs.117546

Abstract

Air pollution is a critical environmental concern adversely affecting public health in urban areas worldwide. Accurate prediction of air quality enables timely intervention by environmental agencies and policymakers. This study presents a comprehensive comparative analysis of ensemble machine learning methods for predicting urban air quality using the publicly available UCI Air Quality Dataset, containing 9,358 hourly instances of chemical sensor measurements collected in a heavily polluted Italian city from March 2024 to February 2025. Five algorithms were evaluated: Random Forest (RF), Gradient Boosting Machine (GBM), XGBoost, LightGBM, and CatBoost, against Ridge Regression and SVR baselines. A systematic pipeline encompassing preprocessing, temporal feature engineering, Bayesian hyperparameter optimization via Optuna, and time-series cross-validation was implemented. Results demonstrate XGBoost achieved the best performance with RMSE = 2.14, MAE = 1.58, and R² = 0.9312. SHAP-based feature importance analysis revealed CO(GT) lag features, C6H6(GT), and NOx(GT) as the most influential predictors.
Co-Authors Abel Kusuma Achmad, Lukman Adrianus Ingka Anggara Ahlihi Masruro Ahmad Hassan Rasyid Aidina Ristyawan Akhmad Dahlan Ali Mustopa Bahrun Ghozali Banu Santoso Barka Satya Bayu Setiaji Caesar Salsabil Ridho Hadmadi Ema Utami Erna Daniati Erna Daniati Erni Seniwati Frobenius, Arvin Claudy Gavinda, Gigih Raka Hanif Al Fatta Hartatik Haryoko Indriyatmoko, Toto Iyondiansyah Eka Cahyo Joko Dwi Santoso Joko Dwi Santoso Khabib Al Fatta Krisnawati Krisnawati LILIS DWI FARIDA Lintang Astari Rahmananda Majid Rahardi Masruro, Ahlihi Mohammad Rifki Ainurrahim Nila Feby Puspitasari Nugroho, Arie Pramudita Ferdiansyah Putera, Andi Rahman Sri Mulyatun Sudarmanto Sudarmanto Sudarmanto Toto Indriyatmoko Triyadi, Agung Vany Eka Windha MP Dhuhita Yoga Pristyanto Zepin Nossa