Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
P-Index
This Author published in this journals
All Journal Journal of Innovative and Creativity Jurnal Teknik Informatika dan Teknologi Informasi
Zurnan Alfian
Universitas Pamulang
Computer Science & IT Education Languange, Linguistic, Communication & Media Mathematics Social Sciences Other

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

Found 3 Documents
Search

 1 
Analisis Efisiensi Produksi, Risiko Kecelakaan Kendaraan, dan Dinamika Pasar Kendaraan Listrik: Studi Data Industri Otomotif Global 1980–2023 Hildan Wijianto; Maulana Hafizh Fadly; Yusup Septiana; Zurnan Alfian; Sopyan Apandi
Jurnal Teknik Informatika dan Teknologi Informasi Vol. 5 No. 2 (2025): Agustus: Jurnal Teknik Informatika dan Teknologi Informasi
Publisher : Lembaga Pengembangan Kinerja Dosen

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55606/jutiti.v5i2.5482

Abstract

This study aims to examine the dynamics of the automotive industry in terms of production efficiency, driving safety, and the market shift towards electric vehicles. The data used include North American automotive production efficiency (1998), the risk of fatalities due to accidents in various countries (1980–1982), and the sales trend of Tesla vs BYD electric vehicles (2021–2023). The analysis methods include descriptive statistics, WPV/HPV comparisons between manufacturers, and market trend analysis. The results show that factory efficiency plays an important role in price stability, countries with good transportation infrastructure have a low risk of accidents, and BYD shows more aggressive market growth than Tesla. This study provides insights for the industry and policymakers regarding the challenges of efficiency, safety, and the transition to electric vehicles.
Kecocokan Keputusan Pohon Algoritma pada Kimia Organik: Perbandingan ROC AUC Keputusan Pohon dan Ketetanggaan Muhammad Zirlda Prairi; Zurnan Alfian; Kecitaan Harefa
Journal of Innovative and Creativity Vol. 5 No. 2 (2025)
Publisher : Fakultas Ilmu Pendidikan Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/joecy.v5i2.1649

Abstract

Kehadiran Machine Learning (ML) di ruang lingkup komputasi modern telah menyebabkan banyak permasalahan dan solusi, terutama pembahasan algoritma. Penelitian ini menganalisa dan eksplorasi efektifitas lima algoritma ML dalam mengklasifikasi asam amino lazim esensial pada protein berdasarkan strukur molekul dan jumlah atom. Dataset diambil secara manual dari buku kimia organik klasik, yang dikonversi dari rumus dan gambar struktur senyawa asam amino lazim menjadi fitur numerik seperti jumlah atom karbon, hidrogen, nitrogen, oksigen, dan sulfur. Kelima algoritma ML yang dianalisis yakni Decision Tree, Gaussian Naive Bayes, K-Nearest Neighbour (KNN), K-Means, dan Random Forest. Setiap algoritma dilakukan evaluasi menggunakan nilai akurasi, precision, recall, F1-score, serta Area Under the Curve (AUC) dari kurva Receiver Operating Characteristic (ROC). Hasil menunjukkan bahwa algoritma Decision Tree, Random Forest, dan KNN memiliki tingkat akurasi terbaik dengan skor AUC sebesar 0,83. Studi kasus penelitian ini menawarkan pendekatan pengubahan data mentah menjadi fitur yang bisa dimengerti oleh algoritma ML dan klasifikasi biner dengan label nol dan satu pada dataset berskala kecil. Penelitian berikutnya disarankan menggunakan dataset yang lebih besar dan menerapkan validasi silang untuk meningkatkan generalisasi model.
Analisis Konsistensi Metode Elbow dan Silhouette Score dalam Klasterisasi pada Dataset Multisektor Nita Sutantri; Vinna Yunitasari; Ghany Rahmat Sa’adi; Syerikha Ananda; Zurnan Alfian
Journal of Innovative and Creativity Vol. 5 No. 2 (2025)
Publisher : Fakultas Ilmu Pendidikan Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/joecy.v5i2.1690

Abstract

Penelitian ini menganalisis konsistensi metode Elbow dan Silhouette Score dalam menentukan jumlah klaster optimal pada dataset multisektor menggunakan algoritma K-Means. Empat dataset dari sektor publik digunakan dalam penelitian ini, yaitu data mediasi peradilan (2006-2009), data koperasi simpan pinjam 2013, data penanganan kasus korupsi KPK (2004-2016), dan laporan keuangan PT Bank Artha Makmur 2017. Penelitian kuantitatif eksploratif ini menerapkan teknik preprocessing menggunakan StandardScaler, visualisasi data dengan PCA, dan evaluasi klasterisasi menggunakan kedua metode validasi. Hasil penelitian menunjukkan bahwa pada tiga dataset (mediasi peradilan, koperasi SP 2013, dan kasus korupsi KPK), kedua metode memberikan rekomendasi jumlah klaster yang konsisten. Namun, pada dataset laporan keuangan bank terjadi diskrepansi dimana Elbow Method merekomendasikan K=3 sedangkan Silhouette Score mengindikasikan K=2 sebagai optimal. Analisis lebih lanjut dengan pertimbangan domain knowledge mendukung pemilihan K=3 untuk dataset keuangan berdasarkan visualisasi PCA dan relevansi bisnis. Penelitian ini menyimpulkan bahwa kombinasi kedua metode validasi dengan pertimbangan konteks domain dapat meningkatkan akurasi penentuan klaster optimal, terutama pada data dengan kompleksitas tinggi. Temuan ini memberikan kontribusi pada pengembangan metodologi klasterisasi yang lebih robust untuk aplikasi di sektor publik.
Co-Authors Ghany Rahmat Sa’adi Hildan Wijianto Kecitaan Harefa Maulana Hafizh Fadly Muhammad Zirlda Prairi Nita Sutantri Sopyan Apandi Syerikha Ananda Vinna Yunitasari Yusup Septiana