Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
P-Index
This Author published in this journals
All Journal bit-Tech Jurnal Informatika Teknologi dan Sains (Jinteks)
Eka Prakarsa Mandyartha
Universitas Pembangunan Nasional “Veteran” Jawa Timur
Computer Science & IT Control & Systems Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
IMPLEMENTASI METODE K-MEANS DAN HARMONY SEARCH UNTUK MENYEDERHANAKAN DATA PADA CREDIT SCORE Anita Puspitasari; Eka Prakarsa Mandyartha; Muhammad Muharrom Al Haromainy
Jurnal Informatika Teknologi dan Sains (Jinteks) Vol 8 No 1 (2026): EDISI 27
Publisher : Program Studi Informatika Universitas Teknologi Sumbawa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51401/jinteks.v8i1.6952

Abstract

Credit Score merupakan sebuah penilaian yang digunakan untuk memperkirakan risiko kredit. Penelitian ini dilakukan dengan tujuan untuk menyederhanakan data serta meningkatkan akurasi prediksi pada Credit dengan menggunakan metode K-Means dan Harmony Search. K-Means digunakan untuk mengelompokkan fitur berdasarkan korelasi jarak (Distance -based) guna untuk mengurangi redundansi dan menemukan fitur paling representatif. Selanjutnya, Harmony Search digunakan untuk mencari kombinasi fitur terbaik terhadap target prediksi dengan menyesuaikan kombinasi parameter HMS, HMCR, dan PAR. Untuk evaluasi kinerja model dilakukan menggunakan Linear Regression dengan nilai metrik MAPE, . Hasil penelitian menunjukkan bahwa kombinasi parameter terbaik yaitu HMS = 30, HMCR = 0.7, PAR = 0.1. Hal ini dilihat dari evaluasi kinerja model yang menghasilkan 10 fitur dengan metrik MAPE sebesar 3.4%, dan sebesar 0.84. Metode ini terbukti mampu meningkatkan akurasi dan efisiensi komputasi dibandingkan model tanpa seleksi fitur. Dengan demikian, kombinasi metode K-Means dan Harmony Search terbukti efektif dalam menyederhanakan data serta meningkatkan kinerja model pada Credit Score.
PENGGUNAAN FIREFLY ALGORITHM PADA SUPPORT VECTOR REGRESSION SEBAGAI OPTIMASI PREDIKSI HARGA CLOSE LITECOIN Alief Indy Millani; Dwi Arman Prasetya; Eka Prakarsa Mandyartha
Jurnal Informatika Teknologi dan Sains (Jinteks) Vol 8 No 1 (2026): EDISI 27
Publisher : Program Studi Informatika Universitas Teknologi Sumbawa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51401/jinteks.v8i1.6955

Abstract

Altcoin merupakan salah satu investasi dari Cryptocurrency yang sering diminati banyak orang dikarenakan dapat memberikan keuntungan yang besar. Namun, sering kali banyak kesalahan dalam memprediksinya dikarenakan data yang dinamis. Oleh karena penelitian ini bertujuan untuk meningkatkan akurasi prediksi harga altcoin dengan mengoptimalkan parameter Support Vector Regression (SVR) menggunakan Firefly Optimization. Metode ini diterapkan untuk menentukan nilai parameter terbaik, dan  berdasarkan nilai error terkecil. Data yang digunakan merupakan altcoin jenis Litecoin. Evaluasi performa dilakukan menggunakan metrik R², dan MAPE. Hasil penelitian menunjukkan bahwa optimasi dengan Firefly Algorithm mampu meningkatkan performa prediksi secara signifikan dibandingkan SVR tanpa optimasi. Pada Litecoin, MAPE menurun dari 9.20% menjadi 3% dengan R2 dari dari 0.83 menjadi 0.94. Meskipun waktu komputasi meningkat, kombinasi Firefly-SVR terbukti efektif dalam menghasilkan parameter optimal dan meningkatkan akurasi prediksi harga altcoin
Effect of CBAM Integration on InceptionV3 for Improved Foot and Mouth Disease Detection Accuracy Mochammad Rifky Andrianto; Eka Prakarsa Mandyartha; Eva Yulia Puspaningrum
bit-Tech Vol. 8 No. 3 (2026): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v8i3.3756

Abstract

Foot and Mouth Disease (FMD) is a highly contagious livestock disease that causes significant economic losses. Timely detection is essential to prevent rapid transmission. While deep learning has shown promise in image-based disease identification, the impact of integrating lightweight attention mechanisms, such as the Convolutional Block Attention Module (CBAM), into robust multi-scale backbones, such as InceptionV3, for FMD detection on small, imbalanced primary field datasets remains underexplored. This study contributes by providing a systematic evaluation of CBAM integration under varying data-splitting scenarios, highlighting the interaction between attention mechanisms and data distribution. This study evaluates the integration of CBAM into InceptionV3 for the classification of cattle lesion images. It compares its performance with the baseline InceptionV3 model across three train-validation-test splits (70:20:10, 80:10:10, and 70:15:15). The dataset comprises 798 primary images (514 FMD-positive and 284 healthy), indicating a limited size with moderate class imbalance. Images were resized to 299 × 299 pixels and normalized to [-1, 1], with augmentation applied only to the training set. The InceptionV3-CBAM model achieved the best performance under the 70:15:15 split, with 96.69% accuracy, 96.25% precision, 98.72% recall, and 97.48% F1-score. These findings suggest that CBAM can enhance lesion-focused feature representation and detection sensitivity. However, performance gains were inconsistent across splits and appear influenced by both architectural changes and dataset characteristics. The model demonstrates potential for early FMD screening in resource-limited settings, but further validation on larger, more diverse datasets is essential to confirm robustness and generalizability
Co-Authors Alief Indy Millani Anita Puspitasari Dwi Arman Prasetya Eva Yulia Puspaningrum Mochammad Rifky Andrianto Muhammad Muharrom Al Haromainy