Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi
Hilabi, Shofa Shofiah
Universitas Buana Perjuangan Karawang
Computer Science & IT

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

Found 3 Documents
Search

 1 
Perbandingan Algoritma K-Means dan Hierarchical Untuk Klasterisasi Data Kehadiran Karyawan Azizah, Fathin Putri; Hilabi, Shofa Shofiah; Tukino, Tukino; Hananto, Agustia
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 14, No 1: April 2025
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v14i1.2644

Abstract

Employee attendance data analysis has an important role in human resource management to improve efficiency and productivity. This study compares the K-Means and Hierarchical methods for grouping employee attendance data to discover performance factors. The goal of this study is to compare the performance of the two algorithms utilizing the assessment metrics Silhouette Score, Calinski-Harabasz Index, and Dunn Index. The methods used include collecting employee attendance data, preprocessing data, applying clustering algorithms, and evaluating performance based on specified metrics. The evaluation results showed that K-Means produced a Silhouette Score of 0.46, a Calinski-Harabasz Index of 522.90, and a Dunn Index of 0.98, while Hierarchical obtained a score of 0.40, 452.85, and 0.86, respectively. These results indicate that K-Means is superior in forming clearer and separate clusters. Based on these findings, the K-Means technique is more recommended for employee attendance data analysis because it provides more optimal cluster separation.Keywords: Clustering; K-Means; Hierarchical; Attendance Data; Evaluation AbstrakAnalisis data kehadiran karyawan memiliki peran penting dalam manajemen sumber daya manusia untuk meningkatkan efisiensi dan produktivitas. Penelitian ini membahas perbandingan algoritma K-Means dan Hierarchical dalam klasterisasi data kehadiran karyawan guna mengidentifikasi karakteristik kinerja. Tujuan dari penelitian ini adalah mengevaluasi performa kedua algoritma menggunakan metrik evaluasi Silhouette Score, Calinski-Harabasz Index, dan Dunn Index. Metode yang digunakan meliputi pengumpulan data kehadiran karyawan, preprocessing data, penerapan algoritma klasterisasi, serta evaluasi performa berdasarkan metrik yang ditentukan. Hasil evaluasi menunjukkan bahwa K-Means menghasilkan Silhouette Score sebesar 0.46, Calinski-Harabasz Index sebesar 522.90, dan Dunn Index sebesar 0.98, sedangkan Hierarchical memperoleh nilai masing-masing sebesar 0.40, 452.85, dan 0.86. Hasil ini mengindikasikan bahwa K-Means lebih unggul dalam membentuk klaster yang lebih jelas dan terpisah. Berdasarkan temuan ini, algoritma K-Means lebih direkomendasikan untuk analisis data kehadiran karyawan karena memberikan pemisahan klaster yang lebih optimal. 
Implementasi Enkripsi Hybrid AES-RSA pada Layanan Cloud Storage AWS S3 Firdaus, Mohamad Ricky; Hilabi, Shofa Shofiah; Novalia, Elfina; Hananto, April Lia
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 14, No 2: Agustus 2025
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v14i2.2724

Abstract

Data security has become a critical aspect in the digital era, especially with the increasing use of cloud storage services for data storage and management. This study examines the implementation of hybrid encryption combining the Advanced Encryption Standard (AES) and Rivest-Shamir-Adleman (RSA) algorithms on the Amazon Web Services Simple Storage Service (AWS S3) cloud platform. The hybrid method leverages the speed of AES for encrypting large data volumes and the security of RSA for key management. The encryption and decryption processes are performed entirely on the client side before uploading data to AWS S3, ensuring that the stored data remains securely encrypted. The developed application provides features for encryption, decryption, and uploading encrypted data with a user-friendly interface. Testing results demonstrate that this method achieves an optimal balance between performance and data security. This research contributes to the development of efficient and reliable cloud-based data security solutions.Keywords: Advanced Encryption Standard; Rivest–Shamir–Adleman; Amazon Web Services Simple Storage Service; Data Security; Cloud Storage AbstrakKeamanan data menjadi aspek penting dalam era digital, terutama dengan meningkatnya penggunaan layanan cloud storage untuk penyimpanan dan pengelolaan data. Penelitian ini mengkaji implementasi enkripsi hybrid yang menggabungkan algoritma Advanced Encryption Standard (AES) dan Rivest-Shamir-Adleman (RSA) pada layanan cloud storage Amazon Web Services Simple Storage Service (AWS S3). Metode hybrid ini memanfaatkan kecepatan AES dalam mengenkripsi data berukuran besar dan keamanan RSA dalam pengelolaan kunci enkripsi. Proses enkripsi dan dekripsi dilakukan sepenuhnya di sisi klien sebelum data diunggah ke AWS S3, sehingga memastikan data tersimpan dalam bentuk terenkripsi yang aman. Aplikasi yang dikembangkan menyediakan fitur enkripsi, dekripsi, dan upload data terenkripsi dengan antarmuka yang mudah digunakan. Hasil pengujian menunjukkan bahwa metode ini memberikan keseimbangan optimal antara performa dan keamanan data. Penelitian ini memberikan kontribusi dalam pengembangan solusi keamanan data berbasis cloud yang efisien dan dapat diandalkan. 
Implementasi Algoritma K-Means Clustering untuk Mengelompokkan Wilayah Produksi Kopi di Jawa Barat Pratama, Jingga; Huda, Baenil; Hilabi, Shofa Shofiah; Novalia, Elvina
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 15, No 2 (2026): April 2026
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v15i2.3622

Abstract

Regional disparities in Arabica coffee output across West Java Province underscore the necessity of evidence-based analytical approaches to systematically map production distribution. This study applies K-means clustering to segment Arabica coffee-producing districts and cities based on their production volumes. The analytical pipeline encompasses data preprocessing, cluster modeling, performance evaluation, and result visualization. Three distinct production tiers emerged from the analysis: low, moderate, and high. A silhouette score of 0.883 confirmed excellent cluster cohesion and separation quality. The novelty of this research lies in its territory-level, data-driven segmentation approach paired with interpretable visualization to inform regional policy. The findings reveal pronounced inter-regional production disparities and offer an empirical foundation for crafting targeted, data-informed, and sustainable development strategies to improve the equity and competitiveness of Arabica coffee production at the regional level.Keywords: K-Means clustering; Arabica coffee; Coffee production; Regional clustering; Data analysisAbstrakKesenjangan tingkat produksi kopi Arabika antar daerah di Provinsi Jawa Barat mengindikasikan perlunya pendekatan analitis berbasis data untuk memetakan pola sebaran produksi secara sistematis. Penelitian ini menerapkan metode K-means clustering guna mengelompokkan daerah penghasil kopi Arabika berdasarkan volume produksinya. Rangkaian analisis mencakup pra-pemrosesan data, pemodelan cluster, evaluasi performa, dan visualisasi hasil. Tiga kelompok wilayah berhasil terbentuk, yakni kategori produksi rendah, menengah, dan tinggi. Nilai silhouette score sebesar 0,883 mengonfirmasi kualitas pengelompokan yang sangat baik dengan separasi antar cluster yang tegas. Kebaruan penelitian terletak pada penerapan segmentasi berbasis wilayah yang bersifat data-driven serta penyajian visual yang informatif sebagai fondasi pengambilan kebijakan. Temuan ini mengungkap adanya ketimpangan produksi yang nyata antar wilayah sekaligus menyediakan landasan empiris untuk merancang strategi pengembangan kopi Arabika yang lebih tepat sasaran, berbasis data, dan berkelanjutan ditingkat daerah. 
Co-Authors April Lia Hananto Azizah, Fathin Putri Firdaus, Mohamad Ricky Hananto, Agustia Huda, Baenil Novalia, Elfina Novalia, Elvina Pratama, Jingga Tukino, Tukino