Article Per Year (5 Year)
p-Index From 2019 - 2024
2.17
P-Index
This Author published in this journals
All Journal JUSIFO : Jurnal Sistem Informasi Jurnal Ilmiah KOMPUTASI JUTIM (Jurnal Teknik Informatika Musirawas) Journal of Information Systems and Informatics Jurnal Ilmiah Betrik : Besemah Teknologi Informasi dan Komputer Jurnal Sistem Komputer dan Informatika (JSON) Journal of Information Technology Ampera Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) J-SAKTI (Jurnal Sains Komputer dan Informatika)
Ferdiansyah Ferdiansyah
Universitas Bina Darma
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Energy Engineering Other

Published : 15 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 15 Documents
Search

 1   2 
Implementasi Algoritma Frequent Growth (FP-Growth) Menentukan Asosiasi Antar Produk Rangga Yogasuwara; Ferdiansyah Ferdiansyah
Jurnal Sistem Komputer dan Informatika (JSON) Vol 4, No 1 (2022): September 2022
Publisher : STMIK Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v4i1.4894

Abstract

Data accumulation is caused by the amount of transaction data stored. By utilizing the sales transaction data in the database, the data can be further processed into useful information for managers to make decisions. With the existence of data mining, it is hoped that it can help the Leaning Shop to find the information contained in the transaction data into new knowledge. Association Rule, which is a procedure in Market Basket Analysis to find relationships between items in a data set or it can be said that this association rule aims to find a collection of items that often appear at the same time and display them in the form of consumer habits in shopping. The FP-Growth algorithm is an algorithm that can be used to determine the data set that appears most often (frequent itemset) in a data, in the search for frequent itemset in a data set by generating a prefix-tree structure or often called the FP-Tree. From the test results it can be concluded that the application of data mining using the FP-Growth Algorithm can be used to analyze consumer spending patterns.
IMPLEMENTASI ALGORITMA NAÏVE BAYES PADA SISTEM PAKAR DIAGNOSA PENYAKIT TIFOID BERBASIS WEB Ilham budiman; Ferdiansyah
JURNAL ILMIAH BETRIK : Besemah Teknologi Informasi dan Komputer Vol 13 No 3 (2022): JURNAL ILMIAH BETRIK : Besemah Teknologi Informasi dan Komputer
Publisher : LPPM Sekolah Tinggi Teknologi Pagar Alam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36050/betrik.v13i3.549

Abstract

Typhoid is an infectious disease that is still a health problem in developing countries, especially in Indonesia. Salmonella typhi is a bacterium that causes typhoid fever which can be transmitted through food or drink contaminated with feces or urine from an infected person. The first step in the management of typhoid is the establishment of an appropriate diagnosis. The expert system application for diagnosing diarrheal disease is made with a web-based application, so that it can be accessed by the wider community, besides this application can also help medical personnel to make decisions in the diagnosis of typhoid. The advantage of the nave Bayes algorithm in this expert system is that it can increase calculations ranging from nausea and vomiting, diarrhea, sore throat, headache, fever and loss of appetite, so obtained 14 rules resulting from interviews with experts, so it can be concluded that the research conducted implemented into a web application can assist users in diagnosing typhoid disease in each patient.
Prediksi Mata Uang Bitcoin Menggunakan LSTM Dan Sentiment Analisis Pada Sosial Media Andreean Dharma Arisandi; Ferdiansyah; Linda Atika; Edi Surya Negara; Kiki Rizky Nova Wardani
Jurnal Ilmiah Komputasi Vol. 19 No. 4 (2020): Jurnal Ilmiah Komputasi Volume: 19 No. 4, Desember 2020
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32409/jikstik.19.4.370

Abstract

Cryptocurrency adalah mata uang digital dimana transaksi dapat dilakukan dengan transaksi online. Salah satu jenisnya yaitu bitcoin. Bitcoin adalah salah satu mata uang elektronik yang bersifat desentralisasi (tidak terpusat) dan tidak diatur atau dijamin oleh otoritas pusat. Harga Bitcoin sangat ekuktuatif dan sering kali membuat resah pengguna dan investor Bitcoin. Oleh karena itu, diusulkan sebuah metode atau sistem prediksi harga Bitcoin dengan mempelajari pola dan tingkah laku data time series harga historisnya. Dalam Penelitian ini, kontribusi utamanya yaitu analisis sentimen yang dapat membedakan tweet positif dan negatif dari bitcoin di twitter dengan akurasi 80.00%. Dengan model LSTM yang dapat memprediksi harga Bitcoin pada hari berikutnya dengan mempertimbangkan harga historis dan skor sentimen positif dan negatif. Namun teknik ini memerlukan parameter yang tepat untuk mendapatkan hasil prediksi yang akurat. Hasil yang didapatkan dari penelitian ini, menunjukkan jika sistem yang akan dibangun nantinya dapat melihat nilai bitcoin dengan lebih baik lagi. Setelah di evaluasi dengan RMSE didapatkan nilai 335.201882 dengan epoch 10. Semakin kecil RMSE maka semakin baik performansi modelnya terhadap data testing
Application of the LSTM Algorithm in Predicting Urea Fertilizer Production at IIB Plant PT. Pupuk Sriwidjaja Palembang Aziz Awaludin; F Ferdiansyah; A Andri; Tri Oktarina
J-SAKTI (Jurnal Sains Komputer dan Informatika) Vol 7, No 2 (2023): EDISI SEPTEMBER
Publisher : STIKOM Tunas Bangsa Pematangsiantar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30645/j-sakti.v7i2.704

Abstract

PT. Pupuk Sriwidjaja Palembang is a pioneer of fertilizer manufacturers in Indonesia. One of the plants at PT. Pupuk Sriwidjaja Palembang, namely the IIB urea plant, has been operating normally since 2017, thereby the data of production results has been collected for more than five years (time series data). The collected data can be used to make predictions of future production using the LSTM (Long Short Term Memory) model. LSTM is an artificial neural network architecture that is suitable for processing sequential data. The research objective to be achieved is to produce a production prediction model using LSTM modeling. Data collected over five years was divided into training data and testing data through data composition trials. The LSTM model training was carried out with a training data composition of 70% of the total data, batch size 64, and epoch 200. Then testing was carried out with data testing as much as 30% of the total data using RMSE and MAPE as model quality assessment parameters. Based on test results, the LSTM model is able to predict production with an RMSE of 11.08 and a MAPE of 6.39%.
Analisis Tingkat Akurasi Prediksi Gejala COVID - 19 Dengan Menggunakan Metode Logistic Regression dan Support Vector Machine Briandy Tri Putra Briandy; Evi Yulianingsih; Fatmasari; Ferdiansyah
JURNAL FASILKOM Vol 13 No 02 (2023): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Publisher : Unversitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/jf.v13i02.5629

Abstract

Salah satu teknologi ilmu komputer yang deprogram untuk mempelajari dan melakukan aktivitas seperti manusia adalah kecerdasan buatan. Teknologi kecerdasan buatan telah dipakai pada beberapa bidang, salah satunya di bidang kesehatan. Dibidang kesehatan, kecerdasan buatan digunakan sebagai alat untuk mendeteksi penyakit pada manusia, salah satu contohnya adalah memprediksi gejala awal COVID-19 merupakan salah satu penyakit menular SARS-CoV2 yang menyebabkan pandemi di seluruh dunia, dan virus tersebut terdeteksi pertama kali dari hewan-hewan liar di pasar Kota Wuhan, China pada akhir 2019. Pada penelitian sebelumnya yang berjudul Metode Klasifikasi Gejala Penyakit Coronavirus Disease 19 (COVID-19) Menggunakan Algoritma Neural Network” oleh Rahmi, dkk, menggunakan data gejala-gejala COVID-19 untuk mendapatkan tingkat akurasi dalam prediksi COVID-19 menggunakan metode Neural Network dan Logistic Regression. Hasil penelitian tersebut mendapatkan tingkat akurasi sebesar 95% dengan metode Neural Network, dan 94% dengan metode Logistic Regression. Pada penelitian ini, penulis ingin membandingkan metode Logistic Regression dengan Support Vector Machine dalam memprediksi gejala awal COVID-19. Hasil dari penelitian ini adalah mendapatkan akurasi dengan tingkat yang tertinggi dari kedua metode tersebut.
Co-Authors A Andri Aan Restu Mukti, Aan Restu Adam Prasetya Andreean Dharma Arisandi Aziz Awaludin Briandy Tri Putra Briandy Deris Stiawan Edi Surya Negara Evi Yulianingsih Fani Prasetya Fatmasari Fatmasari Gege Ardiyansyah Ilham budiman Kiki Rizky Nova Wardani kiky rizky nova wardani Linda Atika Linda Atika M. Daffa Alkhussayid Muhammad Ashardiansyah Putra Raja Zahilah Md Radzi Rangga Yogasuwara Siti Hajar Othman Sutra Ovi Yansa Tri oktarina Usman Ependi Winoto Chandra Yeni Widyanti Yesi Novaria Kunang