Article Per Year (5 Year)
p-Index From 2021 - 2026
1.44
P-Index
This Author published in this journals
All Journal JURNAL PENDIDIKAN TAMBUSAI Progresif: Jurnal Ilmiah Komputer Jurnal Tekinkom (Teknik Informasi dan Komputer) Afeksi: Jurnal Penelitian dan Evaluasi Pendidikan INTERNATIONAL JOURNAL OF EDUCATION, INFORMATION TECHNOLOGY, AND OTHERS STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer Jurnal Ilmiah Informatika dan Ilmu Komputer
Fadli, Muhammad
Politeknik Negeri Lampung
Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Mathematics Social Sciences Other

Published : 10 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 10 Documents
Search

 1 
Implementation of Demonstration Method to Improve Students’ Learning Outcomes in English Fadli, Muhammad; Windriani, Dian; Anggraini, Retno; Suryanti, Dewi; Sari, Dian Puspita
International Journal of Education, Information Technology, and Others Vol 8 No 2 (2025): International Journal of Education, information technology   and others
Publisher : Peneliti.net

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

The issue tended to in this investigate is: "Is there an enhancement in understudy learning results through the utilize of the exhibit learning strategy?" The objective of this ponder is to decide the change in understudy learning results through the application of the show strategy among understudies of the Sarjana Terapan Pengelolaan Perhotelan at Politeknik Negeri Lampung. The populace of this ponder comprises of all 42 understudies selected within the program. The center of this inquire about is on students' learning results and learning exercises utilizing the exhibit strategy. This inquire about was conducted in two cycles. To gather the specified information, tests were managed. The inquire about strategies included a few stages: the arranging arrange (creating lesson plans, perception sheets, and assessment instruments), the activity usage arrange (executing the lesson arrange utilizing the show strategy), the perception organize (utilizing perception sheets to record discoveries), and the reflection arrange, which included the investigation, union, translation, and clarification of the information gotten amid the execution. The conclusion of this consider appears that the learning climate moved forward through the utilize of the show strategy. Particularly, understudy exercises, learning conditions, and understudy reactions amid the learning prepare appeared advance from the to begin with to the moment cycle. As for learning results, the normal score within the to begin with cycle was 68.09, which falls into the "reasonable" category, while the normal score within the moment cycle was 78.21, classified as "great." In terms of authority learning, 59.52% of understudies within the first cycle had not however accomplished authority, while 88.09% of understudies within the moment cycle did accomplish dominance. Based on these comes about, it can be concluded that the usage of the show strategy can improve students' English learning outcomes.
Tren dan Tantangan Deteksi Plagiarisme dalam Penulisan Akademik: Sebuah Kajian Sistematis Literatur Fadli, Muhammad; Fajri, Ratu Chaterine; Suffah, Faila; Meidasari, Reski; Marbudi, Marbudi
Afeksi: Jurnal Penelitian dan Evaluasi Pendidikan Vol 6, No 2 (2025)
Publisher : Pusat Studi Penelitian dan Evaluasi Pembelajaran

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59698/afeksi.v6i2.449

Abstract

Penelitian ini bertujuan untuk mengidentifikasi tren dan tantangan dalam deteksi plagiarisme pada penulisan akademik melalui pendekatan Systematic Literature Review (SLR) terhadap publikasi ilmiah selama dekade terakhir (2015–2025). Dalam era digital yang ditandai oleh kemudahan akses informasi dan tekanan publikasi akademik, plagiarisme menjadi isu krusial yang mengancam integritas ilmiah. Penelitian ini menganalisis 10 artikel yang dipilih secara ketat dari 100 publikasi awal berdasarkan relevansi dan kriteria inklusi. Hasil kajian menunjukkan bahwa plagiarisme tidak hanya disebabkan oleh niat menyalin, tetapi juga oleh rendahnya literasi akademik, lemahnya kemampuan parafrase, serta kurangnya pemahaman etika ilmiah. Bentuk plagiarisme yang kompleks seperti parafrase tidak tepat, self-plagiarism, dan plagiarisme terjemahan masih sulit terdeteksi oleh sistem yang ada saat ini. Keterbatasan algoritma, basis data, serta ketidaktepatan dalam membedakan kutipan sah dan plagiarisme turut menjadi kendala utama. Penelitian ini menekankan pentingnya pendekatan multidisipliner yaitu menggabungkan teknologi seperti machine learning, natural language processing, serta kebijakan etis dan edukatif dalam membangun sistem deteksi plagiarisme yang adil dan efektif. Temuan ini diharapkan menjadi kontribusi signifikan dalam pengembangan teknologi pendeteksi plagiarisme serta penyusunan kebijakan akademik yang mendukung integritas ilmiah.
TINJAUAN LITERATUR DENGAN PENDEKATAN SYSTEMATIC LITERATURE REVIEW UNTUK OPTIMASI KUERI DALAM BASIS DATA Budiman, Ega; Fadli, Muhammad; David Kurniawan; Susanto, Erliyan Redy
STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer Vol. 4 No. 2 (2025): Mei
Publisher : Yayasan Literasi Sains Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55123/storage.v4i2.5182

Abstract

Efisiensi basis data MySQL sangat bergantung pada teknik optimasi kueri yang diterapkan, terutama dalam skenario dengan dataset besar dan kompleksitas kueri tinggi. Studi ini menggunakan pendekatan Systematic Literature Review (SLR) untuk mengidentifikasi teknik optimasi kueri yang terbukti efektif berdasarkan analisis dari literatur terkait. Hasil SLR menunjukkan bahwa pengindeksan, restrukturisasi kueri, tabel partisi, optimasi join, dan caching secara signifikan meningkatkan kinerja sistem dengan mengurangi waktu eksekusi kueri dan mengoptimalkan penggunaan sumber daya. Teknik-teknik ini memberikan hasil optimal jika diterapkan sesuai dengan karakteristik data dan kebutuhan sistem. Selain itu, pemantauan kinerja berkala dan kombinasi teknik optimasi disarankan untuk mempertahankan efisiensi basis data. Penelitian ini memberikan panduan berbasis bukti bagi pengembang dan administrator dalam mengelola basis data MySQL yang lebih cepat dan efisien.
PERANCANGAN PENERAPAN ALGORITMA KRIPTOGRAFI AES 256 UNTUK KEAMANAN DATABASE APLIKASI MANAJEMEN SISWA Purwanti, Dian Sri; Fadli, Muhammad; Surono, Muhammad; Susanto, Erliyan Redy
STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer Vol. 4 No. 2 (2025): Mei
Publisher : Yayasan Literasi Sains Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55123/storage.v4i2.5237

Abstract

Mengelola sistem informasi berbasis web memerlukan keamanan data, terutama di institusi pendidikan di mana informasi pribadi siswa disimpan. Basis data aplikasi manajemen siswa di SMKN 4 Bandar Lampung dibuat lebih aman dalam penelitian ini dengan memanfaatkan teknik kriptografi AES 256. Urgensi penelitian ini ditekankan oleh meningkatnya risiko terhadap sistem informasi akademik yang dapat mengakibatkan pelanggaran data dan penyalahgunaan. Implementasi dan analisis kinerja AES 256 untuk menjaga integritas dan keamanan data siswa adalah topik utama dari penelitian ini. Mengelola sistem informasi berbasis web memerlukan keamanan data, terutama di lembaga pendidikan di mana informasi pribadi siswa disimpan. Basis data aplikasi manajemen siswa di SMKN 4 Bandar Lampung dibuat lebih aman dalam penelitian ini dengan memanfaatkan teknik kriptografi AES 256. Urgensi penelitian ini ditekankan oleh meningkatnya risiko terhadap sistem informasi akademik yang dapat mengakibatkan pelanggaran data dan penyalahgunaan. Implementasi dan analisis kinerja AES 256 untuk menjaga keamanan dan integritas data siswa adalah topik utama dari penelitian ini.
Integrating Canva into Project Based Learning for English Practicum Maruly, Riyan; Fadli, Muhammad
Jurnal Pendidikan Tambusai Vol. 9 No. 2 (2025): Agustus
Publisher : LPPM Universitas Pahlawan Tuanku Tambusai, Riau, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/jptam.v9i2.30016

Abstract

Tujuan dari penelitian ini adalah untuk mengeksplorasi penggunaan Canva dalam mendukung implementasi model pembelajaran berbasis proyek pada praktikum bahasa Inggris. Metode penelitian yang digunakan adalah pendekatan penelitian kualitatif dengan data-data yang ditampilkan secara deskriptif. Data diperoleh melalui teknik observasi dengan cara peneliti melakukan praktik langsung di kelas untuk memperoleh data primer sedangkan teknik wawancara dan dokumentasi digunakan untuk memperoleh data sekunder. Hasil penelitian menunjukkan bahwa penggunaan Canva dalam model project based learning pada praktikum bahasa Inggris memberikan dampak positif terhadap kemampuan berbahasa dan kreativitas mahasiswa. Hasil penelitian mengungkapkan bahwa penggunaan Canva sebagai alat bantu dalam project based learning mampu meningkatkan keterlibatan mahasiswa dalam proses pembelajaran, terutama dalam mengembangkan proyek berbasis visual seperti presentasi dan flyer interaktif. Hal ini disebabkan oleh fitur-fitur Canva yang intuitif dan mudah digunakan, sehingga mahasiswa dapat mengekspresikan ide dengan cara yang lebih menarik dan sistematis.
DIAGNOSIS CEREBROVASCULAR ACCIDENTS MENGGUNAKAN TEKNIK SMOTEEN DENGAN MEMBANDINGKAN METODE KLASIFIKASI DECISION TREE DAN XGBOOST Fadli, Muhammad; Purwanti, Dian Sri; Surono, Muhammad; Dewantoro, Mahendra; Suryono, Ryan Randy
Jurnal Teknik Informasi dan Komputer (Tekinkom) Vol 8 No 1 (2025)
Publisher : Politeknik Bisnis Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37600/tekinkom.v8i1.2025

Abstract

Cerebrovascular Accident (stroke) is a critical health issue in Indonesia, often leading to high mortality and long-term disability. Early detection through machine learning has emerged as a promising approach to improve diagnosis and treatment outcomes. This study aims to compare the performance of two classification algorithms, Decision Tree and Extreme Gradient Boosting (XGBoost), in diagnosing stroke using the SMOTEENN (Synthetic Minority Over-sampling Technique and Edited Nearest Neighbor) technique to address data imbalance. The dataset used contains 5110 samples with 11 independent variables and one dependent variable (stroke status), obtained from a public repository. After preprocessing and data balancing, both models were trained and evaluated based on accuracy, precision, recall, and F1-score. The results show that XGBoost outperforms Decision Tree in all evaluation metrics, achieving an accuracy of 96.48%, precision of 94.75%, recall of 99.03%, and F1-score of 96.85%, compared to Decision Tree’s accuracy of 91.55%, precision of 89.82%, recall of 95.32%, and F1-score of 92.49%. These findings confirm that the combination of XGBoost and SMOTEENN provides a more effective and reliable classification model for early stroke diagnosis. Future research is encouraged to explore deep learning techniques to further enhance diagnostic accuracy.
Peran Big Data dalam Inovasi Bisnis Digital: Pendekatan Tinjauan Literatur Sistematis Muhammad Fadli; Mugi Prasetio; Ival Sanjaya; Muhammad Surono; Mahendra Dewantoro; Ryan Randy Suryono
Jurnal Ilmiah Informatika dan Ilmu Komputer (JIMA-ILKOM) Vol. 4 No. 1 (2025): Volume 4 Nomor 1 March 2025
Publisher : PT. SNN MEDIA TECH PRESS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/jima-ilkom.v4i1.48

Abstract

Penelitian ini meninjau bagaimana Big Data berperan dalam inovasi bisnis digital, terutama dalam membantu pengambilan keputusan strategis, memperbaiki efisiensi operasional, serta menciptakan Produk dan layanan digital yang benar-benar pas dengan kebutuhan pengguna. Dengan menggunakan pendekatan tinjauan literatur sistematis, penelitian ini mengidentifikasi manfaat signifikan Big Data, termasuk kemampuannya untuk menyediakan analisis mendalam, memprediksi tren pasar, dan personalisasi layanan pelanggan. Namun, penelitian ini juga mengungkap berbagai tantangan dan kendala dalam implementasi Big Data, seperti keterbatasan infrastruktur teknologi, kualitas data yang rendah, serta isu privasi dan keamanan data. Hasil penelitian menunjukkan bahwa pemanfaatan Big Data yang optimal dapat meningkatkan daya saing bisnis digital, tetapi membutuhkan dukungan infrastruktur yang memadai dan kepatuhan terhadap regulasi yang berlaku. Studi ini berkontribusi pada pengembangan pemahaman tentang bagaimana Big Data dapat diintegrasikan ke dalam strategi inovasi bisnis digital untuk mendorong pertumbuhan dan keberlanjutan bisnis di era digital.
Prediksi Risiko Kredit Nasabah Menggunakan Algoritma Data Mining: Studi Kasus pada PT Toyota Astra Finance Icha Winadya Permadani; Raka Sulistyo; Muhammad Fadli; Erliyan Redy Susanto
Progresif: Jurnal Ilmiah Komputer Vol 21, No 2 (2025): Agustus
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v21i2.2909

Abstract

This study aims to develop a credit risk prediction model for customers at PT Toyota Astra Financial Services using data mining algorithms, specifically Random Forest and XGBoost. In response to the challenge of non-performing loans (NPL), machine learning-based predictive models offer an effective solution to identify potential risks early. The research utilizes historical customer data encompassing demographic information, employment status, and loan history. After data preprocessing, the models were evaluated using accuracy, precision, recall, F1-score, and ROC-AUC metrics. The results indicate that XGBoost outperformed other models with an accuracy of 91.67% and an F1-score of 0.89 for the positive class. These findings demonstrate that applying machine learning algorithms can significantly enhance credit selection efficiency and reduce potential losses from defaulted loans.Keywords: Credit Risk; Machine learning; Random Forest; XGBoost, Data mining. AbstrakPenelitian ini bertujuan untuk membangun model prediksi risiko kredit nasabah pada PT Toyota Astra Financial Services dengan memanfaatkan algoritma data mining, khususnya Random Forest dan XGBoost. Dalam menghadapi tantangan kredit macet, model prediktif berbasis machine learning dapat memberikan solusi yang efektif untuk mengidentifikasi potensi risiko sejak dini. Penelitian ini menggunakan data historis nasabah yang mencakup informasi demografi, status pekerjaan, dan riwayat pinjaman. Setelah melalui tahap pra-pemrosesan data, model dievaluasi menggunakan metrik akurasi, presisi, recall, F1-score, dan ROC-AUC. Hasil menunjukkan bahwa XGBoost memiliki performa terbaik dengan akurasi sebesar 91,67% dan F1-score 0,89 pada kelas positif. Temuan ini menunjukkan bahwa penerapan algoritma machine learning dapat meningkatkan efisiensi seleksi kredit dan mengurangi potensi kerugian akibat kredit bermasalah.Kata kunci: Risiko Kredit; Machine learning; Random Forest; XGBoost; Data mining
Perbandingan Algoritma K-Means dan DBSCAN dalam Pengelompokkan Data Penjualan Elektronik Tria Setyani; Yulia Indriani; Muhammad Fadli; Erliyan Redy Susanto
Progresif: Jurnal Ilmiah Komputer Vol 21, No 2 (2025): Agustus
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v21i2.2775

Abstract

This study aims to compare the performance of the K-Means and DBSCAN algorithms in clustering electronic sales data at CV Rey Gasendra. Clustering methods are used to identify sales patterns based on the transaction intensity of each product. The K-Means algorithm was implemented by determining the optimal number of clusters using the Elbow Method and Silhouette Score evaluation. Meanwhile, DBSCAN was applied using a density-based approach, which does not require specifying the number of clusters in advance and relies on eps and minPts parameters. The results showed that K-Means produced more stable and interpretable clusters with a Silhouette  Score of 0.961, whereas DBSCAN excelled in detecting outliers and handling irregular data distributions, despite generating a large amount of noise. Performance evaluation using metrics such as Silhouette  Score, Davies-Bouldin Index (DBI), and Sum of Squared Errors (SSE) indicated that K-Means is more suitable for structured product segmentation, while DBSCAN is more effective for exploring unusual sales patterns. These findings can support data-driven business decisions, such as marketing strategies, inventory management, and product recommendations.Keywords: K-Means; DBSCAN; Clustering; Sales data; Product segmentation AbstrakPenelitian ini bertujuan untuk membandingkan kinerja algoritma K-Means dan DBSCAN dalam pengelompokan data penjualan elektronik pada CV Rey Gasendra. Metode clustering digunakan untuk mengidentifikasi pola penjualan berdasarkan intensitas transaksi setiap produk. Algoritma K-Means diimplementasikan dengan penentuan jumlah klaster optimal menggunakan metode Elbow dan evaluasi Silhouette Score. Sementara itu, DBSCAN diimplementasikan dengan pendekatan berbasis kepadatan, tanpa memerlukan jumlah klaster awal, dan menggunakan parameter eps serta minPts.  Hasil penelitian menunjukkan bahwa K-Means memberikan hasil clustering yang lebih stabil dan mudah diinterpretasikan dengan Silhouette Score mencapai 0,961, sedangkan DBSCAN unggul dalam mendeteksi outlier dan menangani data dengan distribusi tidak beraturan, meskipun menghasilkan banyak noise. Evaluasi performa berdasarkan metrik seperti Silhouette Score, Davies-Bouldin Index (DBI), dan Sum of Squared Errors (SSE) menunjukkan bahwa K-Means lebih cocok digunakan untuk segmentasi produk penjualan yang terstruktur, sedangkan DBSCAN lebih efektif untuk eksplorasi pola penjualan yang tidak lazim. Temuan ini dapat membantu pengambilan keputusan bisnis berbasis data, seperti strategi pemasaran, manajemen stok, dan rekomendasi produk.Kata kunci: K-Means; DBSCAN; Clustering; Data penjualan; Segmentasi produk
Prediksi Keberhasilan Menindaklanjuti Pelanggan pada Dealer Mobil dengan Komparasi Algoritma Random Forest dan XGBoost Helma Nopijani Heidy; Dimas Eko Putro; Muhammad Fadli; Erliyan Redy Susanto
Progresif: Jurnal Ilmiah Komputer Vol 21, No 2 (2025): Agustus
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v21i2.2776

Abstract

The automotive industry is facing intense competition in boosting vehicle sales, where the follow-up process with prospective customers plays a crucial role in sales conversion. This study develops a predictive model for the success of follow-ups at car dealerships by comparing two machine learning algorithms: Random forest and XGBoost. A dataset of Honda car dealership customers from 2023 was processed through a preprocessing stage, including handling data imbalance and encoding categorical data. The models were evaluated using accuracy, precision, recall, and F1-score metrics. The results show that XGBoost outperforms with an accuracy of 91.67%, compared to Random forest's 88.89%. Both models demonstrate balanced performance across positive and negative classes, indicating a significant improvement over previous approaches. This study recommends expanding the dataset and developing a prediction-based decision support system to enhance the marketing effectiveness of car dealerships.Keywords: Machine learning; Random forest; XGBoost AbstrakIndustri otomotif menghadapi persaingan ketat dalam meningkatkan penjualan kendaraan, di mana proses tindak lanjut (Follow-up) kepada calon pelanggan menjadi faktor krusial dalam konversi penjualan. Penelitian ini mengembangkan model prediksi keberhasilan Follow-up pada dealer mobil dengan membandingkan dua algoritma machine learning, yaitu Random forest dan XGBoost. Dataset pelanggan dealer mobil Honda tahun 2023 diproses melalui tahap preprocessing, termasuk penanganan ketidakseimbangan data menggunakan encoding data kategorikal. Model dievaluasi menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil menunjukkan XGBoost unggul dengan akurasi 91,67%, lebih baik dibanding Random forest dengan akurasi 88,89%. Kedua model menunjukkan performa yang seimbang pada kelas positif dan negatif, menandai peningkatan signifikan dari pendekatan sebelumnya. Penelitian merekomendasikan perluasan dataset dan pengembangan sistem pendukung keputusan berbasis prediksi untuk meningkatkan efektivitas pemasaran dealer mobil.Kata kunci: Machine learning; Random forest; XGBoost
Co-Authors Budiman, Ega David Kurniawan Dewantoro, Mahendra Dian Puspita Sari Dimas Eko Putro Erliyan Redy Susanto Fajri, Ratu Chaterine Helma Nopijani Heidy Icha Winadya Permadani Ival Sanjaya Mahendra Dewantoro Marbudi, Marbudi Maruly, Riyan Meidasari, Reski Mugi Prasetio Muhammad Surono Purwanti, Dian Sri Raka Sulistyo Retno Anggraini Ryan Randy Suryono Suffah, Faila Surono, Muhammad Suryanti, Dewi Susanto, Erliyan Redy Tria Setyani Windriani, Dian Yulia Indriani