cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Erlangga Hadi
Contact Email
shofanahmediaberkah@gmail.com
Phone
+6285776447971
Journal Mail Official
admin@jurnalmahasiswa.com
Editorial Address
-
Location
Unknown,
Unknown
INDONESIA
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan
Published by CV. SHOFANAH MEDIA BERKAH
ISSN : -     EISSN : 30250927     DOI : -
Core Subject : Science, Engineering,
Aerospace Engineering Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management
- MAchine learning - Sistem Penunjang Keputusan - Sistem Pakar - Deep Learning - Kecerdasan Buatan - Computer Vision - Image Processing - Robot Cerdas - serta ilmu komputer yang relevan
Arjuna Subject : Ilmu Komputer (semua kategori) - Aplikasi Ilmu Komputer
Articles 143 Documents
 11   12   13   14   15 
Prediksi Nilai Ujian Tengah Semester Berdasarkan Intensitas Belajar Anwar, Ilham Haikal; Putra F. K, Raihan; Raafi, Muhammad; Zaenal, Muhamad; Rosyani, Perani
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan Vol. 3 No. 2 (2025): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan
Publisher : CV. Shofanah Media Berkah

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

Abstract

Intensitas belajar merupakan salah satu faktor penting yang memengaruhi pencapaian akademik mahasiswa. Nilai Ujian Tengah Semester (UTS) sering dijadikan indikator awal untuk menilai tingkat pemahaman mahasiswa terhadap materi perkuliahan. Perbedaan capaian nilai UTS antar mahasiswa menunjukkan adanya variasi dalam pola dan kebiasaan belajar yang dilakukan. Penelitian ini bertujuan untuk menganalisis hubungan antara intensitas belajar dengan nilai UTS mahasiswa serta membangun model prediksi nilai UTS berdasarkan intensitas belajar menggunakan metode regresi linier sederhana. Penelitian ini menggunakan pendekatan kuantitatif dengan desain korelasional prediktif. Data diperoleh melalui kuesioner daring yang mengukur intensitas belajar mahasiswa semester III Program Studi Teknik Informatika Universitas Pamulang, serta nilai UTS yang diperoleh. Sampel penelitian berjumlah 20 responden yang dipilih menggunakan teknik purposive sampling. Analisis data dilakukan melalui tahapan pra-pemrosesan, perhitungan regresi linier sederhana, serta evaluasi model menggunakan koefisien determinasi. Hasil penelitian menunjukkan bahwa intensitas belajar memiliki hubungan positif dengan nilai UTS. Model regresi yang diperoleh menunjukkan bahwa setiap peningkatan durasi belajar berkontribusi terhadap peningkatan nilai UTS mahasiswa. Nilai koefisien determinasi sebesar 24,8% mengindikasikan bahwa intensitas belajar memberikan pengaruh terhadap nilai UTS, meskipun masih terdapat faktor lain di luar model yang memengaruhi hasil belajar. Penelitian ini menegaskan pentingnya intensitas belajar sebagai salah satu indikator dalam memprediksi capaian akademik mahasiswa dan dapat menjadi dasar bagi pengembangan strategi pembelajaran berbasis data.
Implementasi Model T5 untuk Ringkasan Otomatis pada Artikel Teks Berbahasa Indonesia Andreawan, Aan; Nael, Natan; Innayah, Nabila; Nuzula Rachman, Putri Aida; Rosyani, Perani
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan Vol. 3 No. 2 (2025): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan
Publisher : CV. Shofanah Media Berkah

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

Abstract

Peningkatan volume informasi digital menuntut teknologi ringkasan otomatis yang efektif. Penelitian ini mengimplementasikan model Text-to-Text Transfer Transformer (T5) untuk ringkasan otomatis artikel berbahasa Indonesia. Metode meliputi preprocessing, tokenisasi, fine-tuning T5-base pada dataset INDOSUM, dan evaluasi menggunakan metrik ROUGE serta analisis kualitatif. Hasil menunjukkan T5-base mencapai skor tertinggi (ROUGE-1: 0,428; ROUGE-2: 0,245; ROUGE-L: 0,392) dibandingkan baseline BART-base dan TextRank. Ringkasan yang dihasilkan koheren, informatif, dan natural, meski terdapat keterbatasan pada kebutuhan komputasi dan potensi hallucination. Disimpulkan bahwa T5 merupakan pendekatan efektif untuk ringkasan otomatis teks bahasa Indonesia.
Penerapan K-Means Clustering dan Vektorisasi TF-IDF untuk Identifikasi dan Pemetaan Topik Publik Tweet Pendidikan UKT, COVID-19, dan Kereta Cepat Ardiansyah, Ferdy; Mupashal, Rafi; Mauludin, Dion; Fachriri, M. Rangga; Rosyani, Perani
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan Vol. 3 No. 2 (2025): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan
Publisher : CV. Shofanah Media Berkah

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

Abstract

Media sosial Twitter menjadi salah satu sumber utama dalam penyampaian opini dan diskusi publik terhadap berbagai isu aktual. Tingginya volume data teks yang dihasilkan membuat analisis secara manual menjadi tidak efisien, sehingga diperlukan pendekatan otomatis berbasis text mining. Penelitian ini bertujuan untuk mengidentifikasi dan memetakan topik isu publik berdasarkan data tweet menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF) dan algoritma K-Means Clustering. Data yang digunakan berupa tweet berbahasa Indonesia yang berkaitan dengan tiga isu, yaitu Tweet Pendidikan UKT, COVID-19, dan Kereta Cepat. Tahapan penelitian meliputi pengumpulan data, prapemrosesan teks, vektorisasi menggunakan TF-IDF, serta pengelompokan data menggunakan K-Means. Hasil penelitian menunjukkan bahwa metode yang diterapkan mampu mengelompokkan tweet ke dalam beberapa klaster yang merepresentasikan topik pembahasan utama pada masing-masing isu. Pemetaan topik yang dihasilkan memberikan gambaran terstruktur mengenai fokus dan kecenderungan diskusi publik di Twitter. Dengan demikian, penelitian ini dapat menjadi dasar dalam analisis isu publik berbasis media sosial serta mendukung pengambilan keputusan berbasis data.
Analisis Statitiska Perbedaan Jam Tidur Laki – Laki vs Perempuan dengan Bantuan Software JASP dan Menggunakan Uji T Sampel Putra, Rahman Suprapto; Salsabila, Laura; Rahayu, Sri; Rosyani, Perani
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan Vol. 3 No. 3 (2026): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan
Publisher : CV. Shofanah Media Berkah

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

Abstract

Banyaknya durasi jam tidur merupakan salah satu faktor yang sangat penting bagi manusia, karena dapat memberikan efek agar tetap produktivitas, tetap fokus, dan agar terhindar dari bebagai macam penyakit. Penelitian ini ingin menganalisis bagaimana perbedaan durasi jam tidur pada dua kelompok yaitu antara Laki-laki dan Perempuan, dengan cara membandingkan rata-rata (mean) dari masing-masing kelompok. Dengan pengumpulan data dilakukan menggunakan kuisioner melalui google forms, yang berhasil mendapatkan 36 reponden. Pada penelitian ini menggunakan metode penelitian kuantitatif, dengan bantuan software JASP dan menggunakan Uji T Sampel Independen (Independent Sample T-Test), Uji Asumsi (Assumption Checks), dan statistik desktiptive. JASP (Jeffrey’s Amazing Statistic Program) hadir sebagai perangkat lunak statistik open-source yang menawarkan fitur serupa dengan SPSS, namun dengan akses gratis dan lebih fleksibel. Program ini dikembangkan oleh University of Amsterdam dan mendukung berbagai metode analisis statistik, baik dalam pendekatan klasik maupun Bayesian. Dengan antarmuka yang ramah pengguna, JASP menjadi solusi tepat bagi mahasiswa dan akademisi dalam melakukan analisis data tanpa kendala biaya.
Clustering Tweet Publik Menggunakan Metode TF-IDF dan K-Means dengan Modifikasi Preprocessing Fadillah, Rama Achmad; Hikam Azzuhrie, Muhammad Sabiilul; Shaquille Then, Rayhan Numa; Hibabullah, Rafif Octaviano; Rosyani, Perani
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan Vol. 3 No. 2 (2025): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan
Publisher : CV. Shofanah Media Berkah

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

Abstract

Pertumbuhan platform media sosial, khususnya Twitter, telah menghasilkan data teks tidak terstruktur dalam jumlah besar yang berisi berbagai opini dan topik publik. Analisis manual terhadap data tersebut tidak efisien dan tidak praktis. Penelitian ini mengusulkan pendekatan clustering teks otomatis untuk mengelompokkan tweet ke dalam topik yang bermakna menggunakan TF-IDF (Term Frequency-Inverse Document Frequency) untuk representasi fitur dan algoritma K-Means untuk clustering tidak terawasi. Penelitian menggunakan dataset TweetTopic yang berisi tweet berbahasa Inggris berlabel berbagai topik. Teknik preprocessing yang ditingkatkan termasuk pembersihan data, case folding, tokenisasi, penghapusan stopword, dan stemming diterapkan untuk meningkatkan kualitas teks. Jumlah cluster optimal (K=3) ditentukan menggunakan Metode Elbow dan analisis Silhouette Score, sesuai dengan tiga topik utama: politik, olahraga, dan hiburan. Hasil eksperimen menunjukkan Silhouette Score sebesar 0,64, mengindikasikan pemisahan dan kualitas cluster yang baik. Dibandingkan dengan penelitian baseline menggunakan CountVectorizer dengan preprocessing minimal, pendekatan TF-IDF dengan preprocessing komprehensif menunjukkan peningkatan signifikan dalam koherensi cluster dan interpretabilitas topik. Temuan penelitian memberikan wawasan praktis untuk pemantauan media sosial, analisis isu publik, dan aplikasi text mining.
Klasifikasi Wine Quality Menggunakan Support Vector Machine (Svm) Zakaria, Firza; Andra, Jibran Dwi; Rafli, Muhammad; Rosyani, Perani
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan Vol. 3 No. 2 (2025): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan
Publisher : CV. Shofanah Media Berkah

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

Abstract

Kualitas wine merupakan faktor penting dalam industri minuman karena berpengaruh langsung terhadap nilai jual dan kepuasan konsumen. Penilaian kualitas wine secara konvensional masih mengandalkan uji sensorik oleh pakar yang bersifat subjektif serta memerlukan waktu dan biaya yang besar. Oleh karena itu, diperlukan pendekatan berbasis kecerdasan buatan untuk membantu proses evaluasi kualitas wine secara objektif dan efisien. Penelitian ini bertujuan untuk mengklasifikasikan kualitas wine menggunakan algoritma Support Vector Machine (SVM) berdasarkan parameter fisikokimia. Dataset yang digunakan adalah Wine Quality Red Dataset dari UCI Machine Learning Repository. Tahapan penelitian meliputi preprocessing data, normalisasi menggunakan StandardScaler, pembagian data latih dan data uji, pembangunan model SVM dengan kernel Radial Basis Function (RBF), serta evaluasi model menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma SVM mampu memberikan performa klasifikasi yang baik dalam memprediksi kualitas wine. Model yang dibangun menghasilkan akurasi yang optimal sesuai standar evaluasi jurnal AIDANSPK. Penelitian ini diharapkan dapat menjadi referensi dalam pengembangan sistem pendukung keputusan di bidang industri pangan.
Clustering Pelanggan Supermarket Menggunakan K-Means dan PCA untuk Segmentasi Pelanggan Maulana, M. Dwi Reza; Wiguna, M. Revaldi Sapta; Afrizal, Bagas; Octavian, Reiksa Azra; Rosyani, Perani
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan Vol. 3 No. 2 (2025): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan
Publisher : CV. Shofanah Media Berkah

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

Abstract

Segmentasi pelanggan merupakan langkah penting dalam strategi pemasaran ritel berbasis data. Supermarket memiliki karakteristik pelanggan yang beragam sehingga diperlukan metode analisis yang mampu mengelompokkan pelanggan secara objektif dan akurat. Penelitian ini bertujuan untuk melakukan segmentasi pelanggan supermarket menggunakan algoritma K-Means yang dikombinasikan dengan Principal Component Analysis (PCA). Dataset yang digunakan berisi atribut perilaku belanja pelanggan seperti usia, frekuensi transaksi, dan total pengeluaran. Tahapan penelitian meliputi preprocessing data, normalisasi fitur, reduksi dimensi menggunakan PCA, penentuan jumlah cluster optimal dengan Elbow Method dan Silhouette Score, serta visualisasi hasil clustering. Hasil penelitian menunjukkan bahwa jumlah cluster optimal adalah empat cluster 0,284 yang menunjukkan kualitas pengelompokan pada kategori cukup. PCA berhasil mereduksi dimensi data menjadi dua komponen utama tanpa menghilangkan informasi penting serta mempermudah visualisasi cluster. Segmentasi yang dihasilkan mampu memberikan insight mengenai karakteristik pelanggan yang dapat dimanfaatkan sebagai dasar pengambilan keputusan strategis dalam pemasaran supermarket.
Analisis Korelasi Jam Belajar Terhadap Indeks Prestasi Kumulatif Mahasiswa Kategori Non-Normal dengan Metode Pearson Correlation dan Metode Spearman sebagai Alternatif Pembanding Mengunakan Aplikasi JASP Fitri, Nur Anisa; Laksono, Tri; Alfarel, Zian; Setyawan, Roni; Rosyani, Perani
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan Vol. 3 No. 2 (2025): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan
Publisher : CV. Shofanah Media Berkah

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

Abstract

Indeks Prestasi Kumulatif (IPK) merupakan salah satu indikator utama keberhasilan akademik mahasiswa. Salah satu faktor yang sering diasumsikan memengaruhi IPK adalah jam belajar. Penelitian ini bertujuan untuk menganalisis hubungan antara jam belajar terhadap IPK mahasiswa serta menguji signifikansi hubungan tersebut menggunakan metode korelasi Pearson dan Spearman sebagai pembanding. Data diperoleh melalui kuesioner daring yang disebarkan kepada 28 mahasiswa dari berbagai perguruan tinggi. Variabel yang dianalisis meliputi rata-rata jam belajar per hari sebagai variabel independen dan IPK sebagai variabel dependen. Pengolahan data dilakukan menggunakan aplikasi JASP. Hasil uji normalitas Shapiro–Wilk menunjukkan bahwa data jam belajar dan IPK tidak berdistribusi normal. Oleh karena itu, selain korelasi Pearson, digunakan pula korelasi Spearman sebagai analisis alternatif. Hasil analisis menunjukkan nilai korelasi Pearson sebesar r = −0,338 dengan p-value 0,079 dan korelasi Spearman sebesar ρ = −0,352 dengan p-value 0,066. Kedua hasil tersebut menunjukkan bahwa tidak terdapat hubungan yang signifikan secara statistik antara jam belajar dan IPK mahasiswa. Temuan ini mengindikasikan bahwa durasi belajar saja tidak cukup untuk menjelaskan variasi IPK mahasiswa, sehingga faktor lain seperti kualitas belajar, metode pembelajaran, dan kondisi psikologis kemungkinan memiliki peran yang lebih dominan. Penelitian ini diharapkan dapat menjadi referensi awal bagi penelitian selanjutnya dalam mengkaji faktor-faktor yang memengaruhi prestasi akademik mahasiswa.
Penerapan Algoritma Decision Tree untuk Memprediksi Kelulusan Mahasiswa Berdasarkan Aktivitas Akademik Lamapaha, Maria Fransiska; Aryani, Alfina Dwi; Fatimach, Izmi; Robby, Muhammad; Rosyani, Perani
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan Vol. 3 No. 2 (2025): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan
Publisher : CV. Shofanah Media Berkah

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

Abstract

Pemanfaatan teknologi informasi dalam pengolahan data akademik telah menjadi kebutuhan strategis bagi perguruan tinggi, khususnya dalam mendukung proses pengambilan keputusan berbasis data. Salah satu penerapannya adalah prediksi kelulusan mahasiswa guna mengidentifikasi potensi ketidaktepatan waktu penyelesaian studi sehingga dapat dilakukan intervensi akademik secara lebih dini. Berbagai penelitian sebelumnya menunjukkan bahwa algoritma Decision Tree, terutama C4.5, mampu menghasilkan performa prediksi yang baik. Namun, sebagian besar studi masih bergantung pada parameter default seperti Gini index dan menggunakan dataset terbatas sehingga hasilnya kurang generalizable. Penelitian ini memodifikasi algoritma Decision Tree dengan menerapkan kriteria pemisahan Entropy serta memanfaatkan Students Performance Dataset dari Kaggle yang memiliki keragaman atribut lebih luas. Temuan penelitian menunjukkan bahwa penggunaan Entropy dapat meningkatkan akurasi model dan menghasilkan struktur pohon keputusan yang lebih informatif dalam mengidentifikasi faktor-faktor yang mempengaruhi kelulusan mahasiswa. Hasil ini diharapkan dapat menjadi dasar pengembangan sistem prediksi akademik yang lebih akurat, adaptif, dan berbasis machine learning.
Klasifikasi Batu Permata Berdasarkan Gambar dengan CNN Ramadhan, Nabil Gilang; Reza, Ahmad; Taufik, Wildan Az Zikri; Rosyani, Perani
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan Vol. 3 No. 2 (2025): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan
Publisher : CV. Shofanah Media Berkah

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

Abstract

Identifikasi batu permata masih banyak dilakukan secara manual oleh ahli gemologi dengan kelemahan subjektivitas dan potensi kesalahan. Penelitian ini mengimplementasikan Convolutional Neural Network (CNN) untuk membangun sistem klasifikasi otomatis berbasis citra digital batu permata. Dataset yang digunakan terdiri dari tiga kelas, yaitu Alexandrite, Almandine, dan Amazonite, dengan jumlah data yang relatif terbatas. Tahapan penelitian meliputi preprocessing citra (resize menjadi 100×100 piksel, normalisasi), augmentasi data (rotasi, flipping, zooming, shifting), serta pembangunan model CNN sequential dengan tiga lapisan konvolusi, batch normalization, max pooling, dropout, dan lapisan fully connected. Model dilatih menggunakan optimizer Adam dengan fungsi loss categorical crossentropy. Hasil penelitian menunjukkan bahwa model mencapai akurasi training akhir sebesar 100,00% dengan loss training 0,0217, namun akurasi validasi hanya 33,33% dengan loss validasi 4,3854, mengindikasikan terjadinya overfitting. Analisis confusion matrix menunjukkan bahwa model memiliki performa terbaik pada kelas Alexandrite, sedangkan kelas Almandine dan Amazonite sering mengalami misklasifikasi. Faktor utama overfitting adalah jumlah dataset yang terbatas dan kompleksitas arsitektur CNN yang tinggi. Disimpulkan bahwa CNN berhasil mempelajari pola visual data training dengan sangat baik, namun memerlukan peningkatan kuantitas dan variasi data untuk kemampuan generalisasi yang optimal. Saran untuk penelitian selanjutnya adalah penambahan dataset, penerapan transfer learning, dan penyesuaian kompleksitas model.

Page 13 of 15 | Total Record : 143

 11   12   13   14   15 

Filter by Year

2023 2026


Reset
Filter By Issues
All Issue Vol. 3 No. 3 (2026): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan Vol. 3 No. 2 (2025): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan Vol. 3 No. 1 (2025): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan Vol. 2 No. 4 (2025): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan Vol. 2 No. 2 (2024): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan Vol. 2 No. 1 (2024): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan Vol. 1 No. 4 (2024): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan Vol. 1 No. 3 (2023): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan Vol. 1 No. 2 (2023): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan Vol. 1 No. 1 (2023): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan