Widyatama University :: Browsing by Author "Ulil Surtia Zulpratita (Pembimbing)"

Browsing by Author "Ulil Surtia Zulpratita (Pembimbing)"

Now showing 1 - 13 of 13

ANALISI KLASIFIKASI KENDARAAN MILITER MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN)
(Program Studi S1 Informatika, 2025) Ariq, Muhammad Naufal; Ulil Surtia Zulpratita (Pembimbing)
Perkembangan pesat teknologi militer menuntut adanya sistem identifikasi dan klasifikasi kendaraan militer yang semakin canggih. Kemampuan untuk membedakan berbagai jenis kendaraan militer, seperti tank, truk, dan kendaraan tempur lainnya, secara akurat dan cepat menjadi faktor krusial dalam perencanaan dan pelaksanaan operasi militer. Penelitian ini mengevaluasi kinerja tiga arsitektur Convolutional Neural Network (CNN) yang populer, yaitu ResNet50, AlexNet, dan GoogleNet, dalam tugas klasifikasi kendaraan militer. Dataset yang digunakan terdiri dari citra kendaraan militer yang dikumpulkan dari sumber terbuka. Dataset terdiri dari citra Kendaraan Militer dengan jumlah 9900, yang dimana data dibagi menjadi 3, yaitu 5505 data training, 2332 data valid, dan 2063 data test. Hasil eksperimen menunjukkan bahwa GoogleNet mencapai kinerja terbaik dengan akurasi sebesar 94,76%, diikuti oleh ResNet50 93,65% dan AlexNet 84,10%. Temuan ini mengindikasikan bahwa GoogleNet memiliki keunggulan dalam klasifikasi citra kendaraan militer.
ANALISIS POLA KECELAKAAN LALU LINTAS MENGGUNAKAN METODE CLUSTERING DENGAN ALGORITMA DBSCAN
(Program Studi S1 Informatika, 2024) Prianggara, Mohammad; Ulil Surtia Zulpratita (Pembimbing)
ANALISIS POPULARITAS ARTIKEL MASHABLE MELALUI FITUR HETEROGEN DENGAN MENGGUNAKAN METODE KLASIFIKASI DALAM DATA MINING
(Program Studi S1 Informatika, 2024) Muhammad Aqil Hafizh; Ulil Surtia Zulpratita (Pembimbing)
Penelitian ini bertujuan untuk menganalisis dan memprediksi popularitas artikel berita di Mashable menggunakan metode klasifikasi Vector Machine (SVM) dalam data mining. Kumpulan data "Online News Popularity" dari Repositori Pembelajaran Mesin UCI digunakan sebagai dasar penelitian, mencakup 39.644 sampel dengan 61 karakteristik termasuk berbagai faktor seperti keterbacaan kata, keterbacaan gambar, kategori artikel, dan metrik sosial lainnya. Proses preprocessing data meliputi pembersihan, transformasi dan pemilihan fitur menggunakan metode Recursive Feature Elimination (RFE). Model SVM dilatih menggunakan data pelatihan dan dioptimalkan oleh Grid Search dengan validasi silang 5-fold. Pengujian model menunjukkan performa luar biasa dengan akurasi 89,3% Ini menunjukkan bahwa model memiliki kinerja yang cukup baik dalam memprediksi, presisi 89,3% prediksi menunjukkan kinerja yang kuat dan positif benar, recall 100% recall yang sempurna ini menunjukkan bahwa model berhasil menemukan semua artikel yang benar-benar populer, dan F1-Score 94,4% menunjukkan bahwa model memiliki keseimbangan yang sangat baik antara presisi dan recall. Hasil penelitian menunjukkan bahwa faktor-faktor seperti jumlah kata pada judul, jumlah gambar, dan kategori artikel berpengaruh terhadap popularitas artikel. Penerapan model ini secara efektif dapat membantu perusahaan media mengembangkan strategi konten yang lebih efektif dan relevan bagi pembaca. Meskipun penelitian ini memiliki keterbatasan, namun hasilnya memberikan landasan yang kuat untuk penelitian lebih lanjut dan penerapan praktis dalam industri media.
IMPLEMENTASI ALGORITMA LEVENSHTEIN DALAM SIMILARITY NAMA PRODUK DAN CLUSTERING K-MEDOIDS UNTUK SEGMENTASI PASAR PRODUK TERHADAP PRODUK TERHADAP PLATFORM E-COMMERCE
(Program Studi S1 Informatika, 2024) Luthfi, Naufal Syuja; Ulil Surtia Zulpratita (Pembimbing)
E-commerce atau perdagangan elektronik merupakan salah satu bisnis yang memanfaatkan teknologi informasi dan komunikasi untuk melakukan transaksi jual beli produk atau jasa secara online. Dalam persaingan e-commerce, salah satu faktor yang mempengaruhi pembelian pelanggan adalah nama produk yang memiliki nama sama dan banyak produk terjual yang ditampilkan oleh platform untuk tujuan melakukan segmentasi pasar. Metode algortima levenshtein berhasil melakukan implementasi data yang didapatkan dari platform e-commerce Shopee dan Lazada berdasarkan induk kategori elektronik dan sub kategori untuk mencari kesamaan produk menggunakan algoritma levenshtein berdasarkan nama produk dengan data tipe string. Hasil implementasi yang didapatkan menggunakan algoritma levenshtein. Berhasil mendapatkan diatas 70% dengan total data 168 yang dimana hasil yang melebihi 70% kemungkinan barang dari platform Shopee dan Lazada tersebut sama. Metode Clustering yang digunakan yaitu k-medoids saat dilakukan implementasi, melakukan pencarian k optimal menggunakan Silhouette Score dengan skor tertinggi 0,47 pada K=3. Hasil dari cluster 0 mendeskripsikan harga rendah dan penjualan dengan total data 82. Untuk cluster 1 mendeskripsikan harga sedang hingga harga tinggi dan penjualan rendah dengan total data 39. Hasil cluster 2 mendeskripsikan harga rendah namun penjualan tinggi dengan total data 41.
IMPLEMENTASI EXPLORATORY DATA ANALYSIS DAN LOGISTIC REGRESSION UNTUK PREDIKSI DAN KLASIFIKASI TINGKAT STUNTING PADA BALITA DI JAWA BARAT
(Program Studi S1 Informatika, 2025) Anggraeni, Mega Maudi; Ulil Surtia Zulpratita (Pembimbing)
Tingginya angka stunting balita di Provinsi Jawa Barat menjadi permasalahan serius yang memerlukan pendekatan berbasis data dalam upaya pencegahan dan penanganannya. Penelitian ini bertujuan untuk membangun sistem prediksi dan klasifikasi tingkat stunting balita menggunakan algoritma Logistic regression, serta menyajikan hasil analisis secara visual melalui sistem informasi berbasis web. Data yang digunakan berupa jumlah bayi lahir dan jumlah balita stunting di 27 kabupaten/kota selama periode 2020–2024, yang diperoleh dari portal Open Data Jabar. Penelitian ini mencakup tahapan Exploratory Data Analysis (EDA), agregasi data dari tingkat kecamatan ke kabupaten/kota, perhitungan persentase stunting, serta pembangunan model klasifikasi biner berdasarkan ambang batas 10% untuk membedakan kategori stunting rendah dan tinggi. Hasil evaluasi model menunjukkan akurasi sebesar 96,3%, dengan nilai f1- score sebesar 0,97 untuk kategori rendah dan 0,96 untuk kategori tinggi. Model juga memiliki kemampuan identifikasi wilayah prioritas dengan recall 1,00 pada kategori tinggi. Sistem yang dibangun dilengkapi fitur visualisasi interaktif yang menampilkan tren stunting per kabupaten/kota dari tahun ke tahun, dan juga menyediakan prediksi kondisi tahun 2025 berdasarkan rata-rata persentase stunting lima tahun sebelumnya. Temuan ini menunjukkan bahwa penerapan machine learning dapat menjadi alat bantu yang efektif dalam mendukung pengambilan Keputusan untuk pencegahan stunting yang lebih terarah dan berbasis data.
INTEGRASI ALGORITMA DIJKSTRA DAN FUZZY LOGIC PADA APLIKASI PENCARIAN RUTE WISATA DENGAN TRANSPORTASI UMUM MENGGUNAKAN GOOGLE MAPS API
(Program Studi S1 Informatika, 2025) Mulyana, Zidan; Ulil Surtia Zulpratita (Pembimbing)
Penelitian ini mengusulkan integrasi Algoritma Dijkstra dan Fuzzy Logic dalam aplikasi pencarian rute wisata yang menggunakan Google Maps API, dengan tujuan mengoptimalkan pemilihan rute transportasi umum. Fokus penelitian ini adalah pada dua destinasi wisata di Bandung: Alun-Alun Bandung dan Masjid Raya Al-Jabar. Untuk Alun-Alun Bandung, perhitungan menunjukkan bahwa rute 1 memiliki bobot 39,025 dengan nilai Fuzzy 0,95, sementara rute 2 memiliki bobot 43,85 dan nilai Fuzzy 0,79. Sedangkan untuk Masjid Raya Al-Jabar, rute 1 memiliki bobot 73,65 dengan nilai Fuzzy 0,88, sementara rute 2 memiliki bobot 82,75 dan nilai Fuzzy 0,60. Integrasi Algoritma Dijkstra dan Fuzzy Logic memungkinkan aplikasi ini untuk menyediakan rute yang optimal berdasarkan pertimbangan jarak terpendek, kepadatan lalu lintas dan waktu tempuh yang dinilai melalui Fuzzy Logic. Implementasi Google Maps API dalam aplikasi ini memastikan Jarak dan tampilan Maps yang memudahkan pengguna dalam merencanakan perjalanan wisata dengan transportasi umum. Hasil dari penelitian ini memberikan rekomendasi rute yang lebih baik untuk perjalanan wisata.
NETWORK INTRUSION DETECTION SYSTEM MENGGUNAKAN MODEL PSO-XGBOOST
(Program Studi S1 Informatika, 2024) Wirana, Hamdan Chandra; Ulil Surtia Zulpratita (Pembimbing)
Kemajuan teknologi internet, kecerdasan buatan, dan big data telah memunculkan ancaman keamanan jaringan yang semakin kompleks. Permintaan akan Network Intrusion Detection System (NIDS) yang kuat dan efektif meningkat pesat. Penerapan teknologi AI dalam NIDS telah menghasilkan kinerja luar biasa. NIDS berbasis AI mengubah proses deteksi intrusi menjadi pengenalan pola dan klasifikasi berbagai perilaku dalam jaringan. Meskipun lebih unggul daripada sistem tradisional seperti firewall, NIDS awalnya memiliki batasan, seperti tingkat positif palsu yang tinggi dan penggunaan sumber daya berlebihan. Dalam mengatasi tantangan ini, Studi sebelumnya telah mengintegrasikan pembelajaran mesin dan metode ensemble, seppenerti penggunaan Model Particle Swarm Optimization (PSO) yang digabungkan dengan eXtreme Gradient Boosting (Xgboost), dikenal sebagai PSO-Xgboost. Model ini mencapai akurasi klasifikasi yang lebih tinggi dibandingkan dengan Model-Model alternatif. Penerapan PSOXgboost terbukti efektif dalam mendeteksi serangan minoritas. Pengaturan parameter yang kompleks dalam Model Xgboost diatasi dengan menggunakan algoritma swarm intelligence, PSO. Model hibrid PSO-Xgboost mengoptimalkan parameter-parameter Model Xgboost dengan sukses. Penelitian ini bertujuan mengusulkan dan mengimplementasikan NIDS menggunakan Model PSO-Xgboost untuk memantau keamanan jaringan dan membatasi akses serangan secara otomatis. Hasil penelitian ini terbukti bahwa PSO-Xgboost lebih unggul dibandingkan dengan algoritma lainya adapun algoritma yang dimaksud adalah logistic regression yang di mana hasil dari pengetesan Test AUC stabil pada 0.95076 berbanding dengan AUC yang lebih rendah sebesar 0.41017.
PENERAPAN LEAN MANAGEMENT DENGAN VALUE STREAM MAPPING PADA SISTEM E-PROCUREMENT (STUDI KASUS: PERUMAHAN ALBIZI)
(Program Studi S1 Informatika, 2025) Hamzah, Syafira Iedha Maharani; Ulil Surtia Zulpratita (Pembimbing)
Proses pengadaan barang di Perumahan Albizi mengalami kendala akibat belum adanya sistem digital, yang menyebabkan keterlambatan dan potensi kesalahan dalam alur pengadaan. Masalah ini penting untuk diselesaikan karena digitalisasi berperan dalam meningkatkan efisiensi operasional dan menurunkan biaya pengadaan. Penelitian ini bertujuan untuk meningkatkan efisiensi proses pengadaan barang di Perumahan Albizi melalui pengembangan sistem eprocurement berbasis web dengan pendekatan Lean Management. Permasalahan yang dihadapi sebelumnya adalah lamanya waktu proses pengadaan dan tingginya aktivitas yang tidak bernilai tambah. Metode yang digunakan dalam penelitian ini adalah Value Stream Mapping (VSM) untuk memetakan alur proses serta mengidentifikasi waste. Hasil evaluasi menunjukkan bahwa pada kondisi awal (current state), nilai Process Cycle Efficiency (PCE) hanya sebesar 47,32%, dengan total lead time 560 menit. Setelah dilakukan perancangan sistem (future state), nilai PCE meningkat menjadi 72,60% dengan lead time menurun menjadi 292 menit. Peningkatan efisiensi sebesar 25,28% ini menunjukkan bahwa sistem yang diusulkan berhasil meminimalkan aktivitas yang tidak bernilai dan mempercepat proses pengadaan. Dengan demikian, penerapan Lean Management dan pengembangan sistem e-procurement terbukti efektif dalam meningkatkan kualitas layanan pengadaan di lingkungan perumahan.
PENERAPAN LOAD BALANCING ALGORITHM UNTUK OPTIMASI CLOUD COMPUTING PADA GOOGLE CLOUD PLATFORM
(Program Studi S1 Informatika, 2024) Rosadi, Sonny; Ulil Surtia Zulpratita (Pembimbing)
Penelitian ini merupakan sebuah proyek penelitian yang berfokus pada implementasi load balancing dalam sebuah server Minecraft yang dihosting di Google Compute Engine dengan load balancing, dengan tujuan untuk meningkatkan kinerja server, mencegah kelebihan beban pada server tunggal Minecraft, dan memastikan ketersediaan server yang berkelanjutan. Penelitian ini menggunakan mesin virtual yang disediakan oleh Google Cloud Platform, khususnya untuk keperluan pendidikan dengan server Minecraft, dengan menggunakan metode load balancing Round Robin dan menggabungkan aplikasi pihak ketiga serta plugin pemutar balik kecepatan (Velocity). Signifikansi dari penelitian ini terletak pada optimalisasi server Minecraft komputasi awan dan peningkatan pengalaman pengguna melalui load balancing, dengan menggunakan metodologi eksperimental dan implementasi yang melibatkan analisis kebutuhan infrastruktur, desain, implementasi, dan pengujian. Load balancing membagi beban kerja server Minecraft secara seimbang untuk mencegah waktu tidak aktif, dan spesifikasi rinci untuk konfigurasi server dijelaskan, termasuk persyaratan pengguna dan penulis seperti spesifikasi perangkat keras dan perangkat lunak. Desain infrastruktur melibatkan menghubungkan tiga server Minecraft ke sebuah server Master untuk memastikan sinkronisasi data. Selain itu, penelitian ini menyediakan diagram topologi jaringan dan detail aplikasi untuk setiap server. Penelitian ini menunjukkan bahwa load balancing menghasilkan beban server yang lebih stabil, kinerja server yang lancar dengan pemutar balik kecepatan (Velocity), peningkatan waktu aktif server, dan peningkatan keseluruhan pengalaman pengguna saat berinteraksi dengan server Minecraft yang dihosting di Google Compute Engine.
PERAMALAN DEBIT AIR DENGAN MENGGUNAKAN ALGORITMA EXPONENTIAL SMOOTHING DI SUNGAI BENGAWAN SOLO
(Program Studi S1 Informatika, 2025) Febrianur, Ian Andre; Ulil Surtia Zulpratita (Pembimbing)
Peramalan debit air sungai sangat penting untuk pengelolaan sumber daya air yang efektif, terutama dalam menghadapi perubahan iklim yang menyebabkan ketidakstabilan pola curah hujan. Sungai Bengawan Solo, yang memiliki peran vital dalam menyediakan air untuk berbagai kebutuhan, sering kali mengalami fluktuasi debit yang besar, baik pada musim hujan maupun kemarau. Penelitian ini bertujuan untuk mengembangkan model peramalan debit air menggunakan algoritma Exponential Smoothing, yang mencakup Single Exponential Smoothing (SES), Double Exponential Smoothing (DES), dan Triple Exponential Smoothing (TES), untuk mengidentifikasi metode yang paling akurat dalam meramalkan debit air sungai tersebut. Dalam penelitian ini, data debit air Sungai Bengawan Solo dari tahun 2020 hingga 2025 digunakan untuk menganalisis akurasi ketiga metode peramalan. Evaluasi dilakukan dengan menggunakan metrik Mean Absolute Percentage Error (MAPE), yang mengukur tingkat kesalahan peramalan. Hasil analisis menunjukkan bahwa Single Exponential Smoothing (SES) menghasilkan tingkat kesalahan yang lebih rendah dibandingkan dengan Double Exponential Smoothing (DES) dan Triple Exponential Smoothing (TES), terutama pada data yang tidak memiliki pola musiman atau tren yang kuat. Kesimpulan dari penelitian ini adalah bahwa metode SES lebih efektif dibandingkan dengan DES dan TES dalam meramalkan debit air Sungai Bengawan Solo, terutama untuk data yang tidak menunjukkan pola musiman yang jelas. Meskipun TES dapat memberikan hasil yang lebih baik pada data yang memiliki pola musiman, untuk kondisi tertentu, SES memberikan peramalan yang lebih akurat dan dapat diterapkan lebih luas. Penelitian ini memberikan wawasan baru bagi pengelolaan sumber daya air, yang dapat digunakan untuk perencanaan dan distribusi air yang lebih efisien dan responsif terhadap perubahan iklim.
PREDIKSI HARGA SHIBA-INU USD (SHIB-USD) MENGGUNAKAN METODE RANDOM FOREST REGRESION
(Program Studi S1 Informatika, 2024) Aziz, M. Qawiyyun; Ulil Surtia Zulpratita (Pembimbing)
Penelitian ini mengeksplorasi prediksi harga mata uang kripto Shiba Inu (SHIB-USD) menggunakan metode Random Forest Regression. Dataset yang digunakan mencakup data historis dari 1 Juni 2021 hingga 30 April 2024, yang diambil dari laman investing.com, dengan variabel utama seperti Date, Open, High, Low, Volume, dan Change. Penelitian ini membagi data menjadi beberapa rasio untuk training dan testing, termasuk rasio 100%, 50:50, 60:40, dan 70:30, guna mengevaluasi performa model dalam berbagai skenario. Hasil penelitian menunjukkan bahwa metode Random Forest Regression sangat efektif dalam memprediksi harga SHIB-USD, dengan performa yang konsisten di seluruh rasio pembagian data. Model mencapai akurasi prediksi yang sangat tinggi, terbukti dari nilai Root Mean Squared Error (RMSE) yang sangat rendah dan nilai R-squared yang mendekati 1 pada semua rasio. Performa terbaik dicapai pada rasio 100%, dengan RMSE sebesar 1.808 dan R-squared sebesar 0.9997 atau sebesar 99.97%, dan MAPE dengan nilai 0.291 yang berarti rata-rata kesalahan sebesar 0.291%. Analisis lebih lanjut menunjukkan bahwa model dapat menangkap pola dan tren dalam data harga SHIB-USD dengan sangat baik. Penelitian ini juga memprediksi harga secara actual pada bulan mei dengan hasil prediksi bahwa model mampu memberikan gambaran umum tentang pergerakan harga saham Shiba Inu. Meskipun model belum sempurna, hasil tersebut dapat menjadi alat bantu yang berguna bagi investor dalam membuat keputusan investasi. Untuk meningkatkan kehandalan model dalam memprediksi harga saham kripto yang tidak terduga, perlu dilakukan penelitian lebih lanjut dengan mempertimbangkan faktor-faktor eksternal yang lebih luas.
VISUALISASI DAN ANALISIS STATISTIK NILAI RAPOR SISWA SMK STUDI LONGITUDINAL 5 TAHUN
(Program Studi S1 Informatika, 2025) Adi, Harry Christianto; Ulil Surtia Zulpratita (Pembimbing)
Penelitian ini bertujuan untuk menganalisis dan memvisualisasikan data nilai rapor siswa SMK secara longitudinal selama lima tahun, guna mengidentifikasi distribusi nilai, pola hubungan antar mata pelajaran, perbedaan performa berdasarkan gender, serta tren nilai dari waktu ke waktu. Data yang digunakan berjumlah 600 siswa SMK Plus Pratama Adi angkatan 2015–2021, mencakup lima kelompok mata pelajaran sesuai Kurikulum 2013. Metode analisis yang digunakan meliputi statistik deskriptif untuk mengidentifikasi karakteristik distribusi nilai, uji normalitas Shapiro-Wilk dan normalitas residual, analisis clustering untuk pengelompokan siswa, uji korelasi Spearman’s Rank untuk hubungan antar semester, uji Mann-Whitney U untuk analisis ketimpangan gender, serta visualisasi tren nilai berbasis dashboard interaktif. Hasil penelitian menunjukkan bahwa rata-rata nilai seluruh kelompok mata pelajaran berada di atas 80, dengan median yang konsisten di angka 82. Clustering menghasilkan tiga kelompok utama: siswa berperforma tinggi, siswa dengan nilai rata-rata stabil, dan siswa dengan nilai rendah. Korelasi antar mata pelajaran menunjukkan variasi pola, dengan beberapa mata pelajaran cenderung konsisten dan lainnya fluktuatif. Analisis gender mengungkapkan adanya perbedaan signifikan, di mana siswa perempuan memiliki peringkat nilai lebih tinggi dibandingkan siswa laki-laki. Visualisasi dashboard yang dikembangkan mampu menyajikan data secara ringkas dan informatif untuk mendukung pengambilan keputusan berbasis data.
ZONASI DAERAH RAWAN PENCURIAN KENDARAAN BERMOTOR DI KOTA BANDUNG DENGAN MENGGUNAKAN METODE CLUSTER ANALYSIS
(Program Studi S1 Informatika, 2024) Heryanto, Ferdiansyah Adiprasetio; Ulil Surtia Zulpratita (Pembimbing)
Penelitian ini bertujuan memetakan daerah rawan pencurian kendaraan bermotor di Kota Bandung menggunakan metode cluster analysis. Data yang dianalisis mencakup kejadian pencurian kendaraan bermotor selama periode tertentu. Algoritma K-Medoids dengan jarak Manhattan digunakan untuk mengelompokkan daerah berdasarkan tingkat kerawanan. Hasil analisis mengidentifikasi tiga cluster utama, kategori daerah ‘Aman’ mempunyai 92 kejadian, kategori daerah ‘Cukup Rawan’ mempunyai 121 kejadian, dan kategori daerah ‘Rawan’ mempunyai 199 kejadian. Zonasi ini divisualisasikan menggunakan peta interaktif Folium dan Heatmap dengan warna yang berbeda untuk setiap tingkat kerawanan nya, hijau untuk daerah ‘Aman’, oranye untuk daerah ‘Cukup Rawan’, dan merah untuk daerah ‘Rawan’. Visualisasi ini memudahkan identifikasi daerah yang memerlukan perhatian lebih dari pihak berwenang untuk mengurangi tingkat pencurian kendaraan bermotor. Metode ini efektif dalam menentukan zonasi rawan pencurian, memberikan dasar bagi kebijakan pencegahan yang lebih tepat sasaran.

Browsing by Author "Ulil Surtia Zulpratita (Pembimbing)"

Results Per Page

Sort Options