Article Per Year (5 Year)
p-Index From 2021 - 2026
0.659
P-Index
This Author published in this journals
All Journal CESS (Journal of Computer Engineering, System and Science) Jurnal ULTIMATICS Portal Riset dan Inovasi Sistem Perangkat Lunak
Andi Zulherry
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering

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

Found 3 Documents
Search

 1 
Implementasi Metode Naive Bayes dan TOPSIS dalam Aplikasi Corporate E-Funding untuk Klasifikasi dan Prioritisasi Program Kegiatan Sosial Basri, Mhd.; Mahardika Abdi Prawira; Andi Zulherry
CESS (Journal of Computer Engineering, System and Science) Vol. 10 No. 2 (2025): Juli 2025
Publisher : Universitas Negeri Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24114/cess.v10i2.66623

Abstract

Proses seleksi proposal Corporate Social Responsibility (CSR) saat ini masih dilakukan secara manual dan membutuhkan waktu yang cukup lama, sehingga kurang efisien bagi perusahaan maupun penyelenggara kegiatan sosial. Penelitian ini mengusulkan pendekatan baru dengan mengintegrasikan algoritma Naïve Bayes Classifier dan metode TOPSIS untuk mengotomatisasi sistem penilaian kelayakan proposal CSR. Kontribusi utama penelitian ini adalah pengembangan framework hibrid yang mampu melakukan klasifikasi awal menggunakan Naïve Bayes kemudian memberikan ranking prioritas melalui TOPSIS berdasarkan empat kriteria: Bobot Eksternal (BE), Penyajian Proposal (PP), Kelengkapan Proposal (KP), dan Manfaat Proposal (MP). Sistem diuji menggunakan 150 proposal dari berbagai kategori kegiatan sosial dengan pembagian 120 data training dan 30 data testing. Hasil evaluasi menunjukkan akurasi klasifikasi sebesar 87.5% dan nilai consistency ratio TOPSIS 0.08, mengindikasikan konsistensi penilaian yang baik. Pengujian terhadap dua kasus nyata menunjukkan bahwa proposal "Lomba Kreativitas Sampah" berhasil dikategorikan layak dengan skor TOPSIS 0.742, sedangkan "Indonesia Fashion Week 2016" dinyatakan tidak layak dengan skor 0.328. Sistem telah mencapai Technology Readiness Level (TRL) 6 dengan prototype yang terintegrasi dan divalidasi dalam lingkungan operasional. Implementasi sistem ini terbukti dapat mengurangi waktu proses seleksi dari rata-rata 14 hari menjadi 2 hari, memberikan kontribusi signifikan dalam efisiensi dan transparansi proses pengambilan keputusan CSR perusahaan.
Klasifikasi Data Tracer Study Dengan Pemanfaatan Data Mining Menggunakan Algoritma Support Vector Machine dan Neural Network Andi Zulherry; Fanny Ramadhani; Andy Satria
Portal Riset dan Inovasi Sistem Perangkat Lunak Vol. 2 No. 1 (2024): Artikel Penelitian
Publisher : SoraTekno Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59696/prinsip.v2i1.73

Abstract

Perguruan tinggi secara rutin melakukan Tracer Study setiap tahun bertujuan untuk mengimplementasikan kebutuhan data akreditasi di Universitas Muhammadiyah Sumatera Utara menggunakan teknik data mining. Penelitian ini fokus pada pemanfaatan kombinasi algoritma Support Vector Machine (SVM) dan Neural Network untuk mengoptimalkan klasifikasi data Tracer Study. SVM digunakan untuk mengatasi masalah klasifikasi non-linear dengan menemukan hyperplane optimal, sementara Neural Network digunakan untuk memodelkan dan mengenali pola kompleks dalam data. Metodologi penelitian meliputi pengumpulan data Tracer Study, preprocessing data, pelatihan model SVM dan Neural Network, serta evaluasi hasil klasifikasi. Hasil penelitian menunjukkan bahwa kombinasi SVM dan Neural Network secara signifikan meningkatkan akurasi dan kehandalan klasifikasi data Tracer Study, memberikan wawasan yang berharga bagi pengambil kebijakan akademis dan penyusun kurikulum di Universitas Muhammadiyah Sumatera Utara.
Deep Learning-Based Energy Consumption Optimization in Smart Home Systems An LSTM Approach with SHAP Interpretability Mhd. Basri; Krisna Aditya; Andi Zulherry
ULTIMATICS Vol 18 No 1 (2026): Ultimatics : Jurnal Teknik Informatika
Publisher : Faculty of Engineering and Informatics, Universitas Multimedia Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31937/ti.v18i1.4691

Abstract

Accurate and easy-to-understand energy consumption forecasting is a prerequisite for effective demand-side management in smart home systems. This study proposes an integrated framework that combines a stacked Long Short-Term Memory (LSTM) network with SHapley Additive exPlanations (SHAP) for hourly residential energy forecasting and the extraction of optimization insights. The model was evaluated on the UCI Individual Household Electric Power Consumption (IHEPC) dataset—34,589 hourly observations resampled from over two million sensor records per minute—and tested against Stacked GRU, Vanilla RNN, and ARIMA(2,1,2). All deep learning models significantly outperformed ARIMA (R² = −0.1258, MAPE = 126.92%). The proposed LSTM model achieved MAE = 0.3208 kW, RMSE = 0.4568 kW, and R² = 0.5749, while Stacked GRU recorded the best aggregate metrics (MAE = 0.3090 kW, R² = 0.5801). SHAP analysis identified Global Intensity as the dominant predictor (mean |SHAP| = 0.00350), based on the electrophysical relationship P = V × I, followed by the 3-hour Rolling Mean and seasonal encoding. Further temporal attribution analysis revealed that predictive value is concentrated in the most recent input time steps, confirming that real-time current measurements are the most valuable input for HEMS implementation.
Co-Authors Andy Satria Fanny Ramadhani Krisna Aditya Mahardika Abdi Prawira Mhd. Basri