Article Per Year (5 Year)
p-Index From 2021 - 2026
0.882
P-Index
This Author published in this journals
All Journal Jurnal Infomedia SKANIKA: Sistem Komputer dan Teknik Informatika JOSAR (Journal of Students Academic Research) Jurnal Komputer, Informasi dan Teknologi
Udkhiati Mawaddah
Universitas Islam Balitar
Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Languange, Linguistic, Communication & Media

Published : 5 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search

 1 
Prediksi Stok Barang Pada Toko Gudang Cangkring Menggunakan Metode Rapid Application Development (RAD) Anita Putri; Zunita Wulansari; Udkhiati Mawaddah
Jurnal Komputer, Informasi dan Teknologi Vol. 5 No. 2 (2025): Desember
Publisher : Penerbit Jurnal Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53697/jkomitek.v5i2.3065

Abstract

Manajemen persediaan barang merupakan aspek krusial dalam keberlangsungan bisnis untuk menjaga keseimbangan antara ketersediaan stok dan permintaan pelanggan. Penelitian ini bertujuan membuat aplikasi prediksi stok barang berbasis web pada Toko Gudang Cangkring menggunakan algoritma Decision Tree dan metode Rapid Application Development (RAD). Aplikasi ini dirancang untuk memprediksi jumlah stok pembelian bulan berikutnya, membantu pengelolaan stok agar lebih efisien dan akurat. Sistem dikembangkan dengan menggunakan Laravel, MySQL, dan XAMPP. Pengujian keakuratan sistem menggunakan Mean Absolute Percentage Error (MAPE) menghasilkan nilai 13.87%, yang termasuk dalam kategori akurat. Pengujian usability testing oleh pengguna menunjukkan persentase 88% dan pengujian ahli IT yang meliputi aspek fungsionalitas, aspek antarmuka, aspek keamanan, aspek kinerja sistem, dan aspek kesesuaian sistem mendapatkan persentase sebesar 87%. Hal tersebut menunjukkan bahwa aplikasi mudah digunakan, stabil, dan aman. Fitur utama aplikasi meliputi unggah dataset, prediksi stok, visualisasi hasil prediksi, pengelolaan katalog barang, dan pengaturan akun pengguna. Penerapan aplikasi ini diharapkan dapat mengurangi kesalahan pencatatan manual, mempercepat pengambilan keputusan pengadaan stok, dan meningkatkan efisiensi operasional yang dikelola. Penelitian dengan penggunaan metode RAD efektif dalam mempercepat pengembangan aplikasi yang fleksibel dan sesuai kebutuhan pengguna.
Sentiment Analysis On Evos Esports Team Instagram Social Media Using Convolutional Neural Network (CNN) Mohammad Amir Fatkhi Zen; Haris Yuana; Udkhiati Mawaddah
JOSAR (Journal of Students Academic Research) Vol 10 No 2 (2025): September
Publisher : Universitas Islam Balitar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35457/4xw3mn98

Abstract

The rapid growth of the esports industry in Indonesia presents unique challenges for professional teams such as EVOS Esports, particularly in strengthening fan engagement and loyalty in the digital era. This study aims to analyze fan sentiment toward the official Instagram posts of EVOS Esports using a deep learning approach with a Convolutional Neural Network (CNN). The research process involved data collection through web scraping, followed by preprocessing stages such as cleaning, case transformation, normalization, tokenization, stopword removal, and stemming. The dataset was then labeled, split into training and testing sets (90:10), and used for CNN model training and evaluation through a confusion matrix. The results demonstrate that the CNN model successfully classified comments into three sentiment categories—positive, negative, and neutral—with an accuracy of 92%. The model also achieved a precision of 0.92, recall of 0.92, and an F1-score of 0.92, indicating very good classification performance. Sentiment distribution analysis of 11,305 comments showed that neutral sentiment dominated (47.24%), followed by positive (30.12%) and negative (22.64%). These findings provide valuable insights into fan perceptions of esports team performance on social media. For future research, expanding the sentiment lexicon with terms commonly used in online communities is recommended to further enhance classification accuracy.
Comparative Study Of Monthly Electricity Consumption Clusterization Using K-Means and DBSCAN Putri Rochfiani; Mukh Taofik Chulkamdi; Udkhiati Mawaddah
JOSAR (Journal of Students Academic Research) Vol 10 No 2 (2025): September
Publisher : Universitas Islam Balitar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35457/rqvgbf18

Abstract

Menganalisis pola konsumsi listrik sangat penting untuk meningkatkan efisiensi distribusi energi dan mengidentifikasi anomali seperti lonjakan yang tidak biasa atau kemungkinan pencurian listrik. Penelitian ini menyajikan analisis komparatif dua algoritma klaster—K-Means dan DBSCAN—dalam mengklasifikasikan penggunaan listrik bulanan pelanggan PT PLN (Persero) Rayon Ngunut, yang mencakup Kecamatan Rejotangan, Ngunut, Kalidawir, dan Pucanglaban. Dataset tersebut mencakup catatan konsumsi dari bulan November dan Desember 2024. Algoritma K-Means, yang menggunakan pendekatan klaster berbasis centroid, bekerja efektif pada dataset yang seragam, sementara DBSCAN, sebuah metode berbasis kepadatan, lebih mampu mengenali outlier dan pembentukan klaster yang tidak sferis. Kinerja kedua algoritma dievaluasi menggunakan Akurasi, Mean Squared Error (MSE), Presisi, Recall, dan F1-Score. Hasil eksperimen menunjukkan bahwa K-Means mencapai akurasi 96%, MSE 0,0400, presisi 0,71, recall 1,00, dan skor F1 0,83. Sebaliknya, DBSCAN mencapai akurasi 76%, MSE 0,2400, presisi 0,29, recall 1,00, dan skor F1 0,45. Hasil ini menunjukkan bahwa K-Means menghasilkan klaster yang lebih kompak dan konsisten, sementara DBSCAN lebih unggul dalam mengidentifikasi anomali, dengan total mendeteksi 17 outlier. Akibatnya, K-Means dianggap lebih cocok untuk pengelompokan konsumsi yang stabil, sedangkan DBSCAN direkomendasikan untuk tujuan deteksi anomali. Temuan ini diharapkan dapat membantu PT PLN (Persero) dalam mengembangkan strategi berbasis data dan adaptif untuk manajemen energi yang lebih efisien.
Implementasi Deep Learning Menggunakan Convolutional Neural Network (CNN) Untuk Klasifikasi Jenis Ikan Mas Koki (Carassius Auratus) Berdasarkan Ciri Morfologi Isnan Ridho Alamsyah; Saiful Nur Budiman; Udkhiati Mawaddah
Jurnal Infomedia: Teknik Informatika, Multimedia, dan Jaringan Vol 10, No 2 (2025): Jurnal Infomedia
Publisher : Politeknik Negeri Lhokseumawe

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30811/jim.v10i2.7636

Abstract

Ikan mas koki (Carassius auratus) merupakan komoditas ikan hias unggulan Indonesia dengan nilai ekonomi tinggi, namun identifikasi varietasnya secara manual bersifat subjektif dan tidak efisien. Penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis berbasis Deep Learning untuk mengidentifikasi tiga varietas ikan koki utama: Oranda, Ranchu, dan Ryukin berdasarkan ciri morfologi. Metode yang digunakan adalah Convolutional Neural Network (CNN) dengan arsitektur transfer learning pada model MobileNetV2 yang telah dilatih sebelumnya pada dataset ImageNet. Dataset terdiri dari 240 gambar yang dibagi menjadi data latih (192 gambar) dan data uji (48 gambar). Teknik augmentasi data diterapkan untuk meningkatkan variasi dan mencegah overfitting. Hasil pelatihan model menunjukkan akurasi sebesar 95,35% pada data latih dan 93,75% pada data uji. Evaluasi per kelas menunjukkan akurasi tertinggi untuk Oranda (99,36%), diikuti Ranchu (91,00%), dan Ryukin (68,58%). Performa yang lebih rendah pada Ryukin disebabkan oleh kemiripan morfologinya dengan varietas lain. Hasil penelitian membuktikan bahwa CNN sangat potensial digunakan untuk automasi klasifikasi ikan koki, mendukung program breeding dan standardisasi kualitas dalam industri akuakultur.
IMPLEMENTASI MEL-FREQUENCY CEPSTRAL COEFFICIENTS DAN CONVOLUTIONAL NEURAL NETWORK UNTUK PENGENALAN HURUF HIRAGANA Muhammad Yusuf Ibrahim Ramadhani; Saiful Nur Budiman; Udkhiati Mawaddah
SKANIKA: Sistem Komputer dan Teknik Informatika Vol 9 No 1 (2026): Jurnal SKANIKA Januari 2026
Publisher : Universitas Budi Luhur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36080/skanika.v9i1.3600

Abstract

Japanese language learning has gained increasing interest in Indonesia; however, learners often experience difficulties in mastering Hiragana characters due to their large number and phonetic similarities. Speech recognition technology can be utilized as a supportive learning medium, particularly for improving pronunciation and enhancing learners’ understanding of Hiragana characters. This study aims to develop a Hiragana speech recognition system based on Mel-Frequency Cepstral Coefficients (MFCC) for feature extraction and Convolutional Neural Networks (CNN) for classification. The dataset consists of 46 Hiragana characters, with each character recorded 20 times by four speakers, resulting in a total of 3,680 audio samples. The research stages include audio signal preprocessing, MFCC feature extraction, data augmentation, CNN model training, and performance evaluation using classification metrics. Experimental results indicate that the proposed model achieves an accuracy of 95% on the test data, with most Hiragana characters being correctly recognized. Misclassifications mainly occur among characters with similar phonetic characteristics. These results demonstrate that the MFCC-based CNN approach is effective for Hiragana speech recognition and has potential to be applied as an interactive digital learning medium for Japanese language education.
Co-Authors Anita Putri Isnan Ridho Alamsyah Mohammad Amir Fatkhi Zen Muhammad Yusuf Ibrahim Ramadhani Mukh Taofik Chulkamdi Putri Rochfiani Saiful Nur Budiman Yuana, Haris Zunita Wulansari