Dari Data Produktivitas hingga Deep Learning: Karya Syaira Nazwa Febri Hidayat Diterima di ICIC 2026

Bagaimana kalau data dari aktivitas produksi sehari-hari ternyata bisa digunakan untuk memperkirakan produktivitas pekerja? Pertanyaan inilah yang membawa penelitian Syaira Nazwa Febri Hidayat dari ruang kelas hingga diterima dalam konferensi internasional.

Kabar membanggakan kembali datang dari mahasiswa Program Studi Sistem Informasi SATU University. Kali ini, Syaira Nazwa Febri Hidayat berhasil membawa hasil penelitiannya ke forum akademik internasional melalui artikel ilmiah berjudul “Performance Evaluation of Predictive Models for Garment Worker Productivity Prediction.”

Artikel tersebut telah diterima pada International Conference on Informatics and Computing (ICIC 2026) dan memberikan kesempatan bagi Syaira untuk membawa hasil penelitiannya ke hadapan komunitas akademik yang lebih luas.

Menariknya, penelitian ini mengangkat persoalan yang sangat dekat dengan aktivitas operasional sebuah industri: produktivitas pekerja.

Bukan hanya melihat berapa banyak produk yang berhasil dibuat, Syaira mencoba menjawab pertanyaan yang lebih menarik dari sudut pandang data: bisakah machine learning mempelajari pola aktivitas produksi dan membantu memperkirakan produktivitas pekerja?

Ketika Data Membantu Memahami Produktivitas Pekerja

Dalam sebuah industri, produktivitas menjadi salah satu indikator penting untuk melihat bagaimana proses operasional berjalan.

Namun produktivitas pekerja tidak selalu dipengaruhi oleh satu faktor sederhana. Ada banyak variabel operasional yang dapat saling berhubungan, berubah dari waktu ke waktu, dan membentuk pola yang tidak selalu mudah dikenali hanya dengan melihat tabel atau laporan biasa.

Di sinilah machine learning dapat mengambil peran.

Dalam penelitian “Performance Evaluation of Predictive Models for Garment Worker Productivity Prediction,” Syaira menggunakan dataset produktivitas pekerja pada industri garment yang berisi berbagai variabel operasional produksi.

Tujuannya adalah membangun dan mengevaluasi model yang mampu memperkirakan tingkat produktivitas pekerja berdasarkan pola yang terdapat di dalam data tersebut.

Empat pendekatan machine learning dibandingkan dalam penelitian ini, yaitu Linear Regression, Linear Support Vector Regression (SVR), Artificial Neural Network (ANN), dan Deep Learning.

Dengan membandingkan beberapa pendekatan sekaligus, penelitian tidak berhenti pada pertanyaan “apakah machine learning bisa digunakan?”, tetapi dilanjutkan menjadi pertanyaan yang lebih penting:

Model mana yang memberikan hasil prediksi paling baik dan paling konsisten?

Deep Learning Memberikan Performa Terbaik

Sebelum data digunakan untuk membangun model prediksi, Syaira terlebih dahulu melakukan beberapa tahapan data preprocessing.

Proses tersebut mencakup penanganan missing values, normalisasi data, coding atau transformasi variabel, hingga penerapan teknik windowing.

Windowing menjadi salah satu bagian menarik dalam penelitian ini karena digunakan untuk membantu model menangkap pola temporal atau pola yang terbentuk dari urutan data pada periode tertentu.

Sederhananya, model tidak hanya melihat satu kondisi sebagai data yang berdiri sendiri, tetapi juga mencoba memanfaatkan informasi dari rangkaian kondisi sebelumnya.

Setelah data dipersiapkan, model kemudian diuji menggunakan dua strategi validasi, yaitu split validation dan k-fold cross-validation.

Performa masing-masing model dibandingkan menggunakan sejumlah metrik error seperti Root Mean Squared Error (RMSE), Mean Squared Error (MSE), Mean Absolute Error (MAE), Squared Error (SE), dan Absolute Error.

Hasil eksperimen menunjukkan bahwa Deep Learning memberikan performa terbaik, dengan nilai error yang paling rendah sekaligus paling konsisten dibandingkan model lainnya.

Tidak hanya itu, penerapan teknik windowing juga terbukti meningkatkan akurasi prediksi dibandingkan pendekatan yang tidak menggunakan windowing.

Temuan tersebut menunjukkan bahwa pola produktivitas pekerja tidak selalu bersifat sederhana dan linear. Model Deep Learning mampu menangkap hubungan yang lebih kompleks dan non-linear di antara berbagai variabel operasional yang terdapat pada dataset.

Dengan kata lain, data operasional yang awalnya terlihat seperti sekumpulan angka ternyata dapat digunakan untuk membangun informasi yang jauh lebih bermakna.

Dan inilah salah satu alasan kenapa kemampuan mengolah data menjadi semakin penting di berbagai industri.

Berawal dari Mata Kuliah Current Technology Information System

Sama seperti berbagai penelitian mahasiswa lainnya, penelitian Syaira tidak muncul begitu saja dari sebuah laboratorium penelitian dengan belasan monitor dan kode berwarna hijau seperti adegan film hacker.

Perjalanannya justru dimulai dari ruang kelas.

Artikel ilmiah ini merupakan salah satu luaran dari mata kuliah Current Technology Information System di Program Studi Sistem Informasi SATU University, yang diampu oleh Pak Yudi.

Melalui mata kuliah ini, mahasiswa mempelajari bagaimana perkembangan teknologi terkini dapat digunakan untuk menyelesaikan persoalan dalam organisasi dan industri.

Salah satu topik yang dipelajari adalah data mining dan machine learning.

Data mining merupakan proses untuk menggali pola, hubungan, maupun pengetahuan dari sekumpulan data. Mahasiswa tidak hanya belajar bagaimana memperoleh data, tetapi juga bagaimana membersihkan data, memilih variabel, membangun model, melakukan validasi, mengevaluasi performa, hingga menerjemahkan hasil analisis menjadi informasi yang memiliki makna.

Dalam proses pembelajarannya, mahasiswa menggunakan RapidMiner sebagai salah satu tools untuk melakukan eksperimen data mining dan machine learning.

Dengan pendekatan visual workflow, mahasiswa dapat melihat bagaimana sebuah proses analitik dibangun dari awal hingga akhir. Mulai dari memasukkan dataset, melakukan preprocessing, menentukan algoritma, mengatur skenario validasi, menjalankan model, hingga membandingkan hasil evaluasi.

Namun tujuan pembelajarannya tentu bukan sekadar membuat workflow yang berhasil menampilkan tulisan process finished.

Mahasiswa didorong untuk mempertanyakan hasilnya.

Mengapa satu algoritma lebih baik dibandingkan algoritma lainnya?

Apa yang terjadi ketika data diproses dengan pendekatan berbeda?

Apakah performa model tetap konsisten ketika strategi validasinya diubah?

Dan apakah terdapat teknik tertentu yang dapat meningkatkan kualitas prediksi?

Pertanyaan-pertanyaan tersebut kemudian membawa eksperimen Syaira berkembang menjadi penelitian yang lebih terstruktur. Dari perbandingan beberapa algoritma, pengujian berbagai skenario validasi, hingga penerapan teknik windowing untuk melihat pengaruhnya terhadap performa prediksi.

Dari tugas mata kuliah, berkembang menjadi eksperimen. Dari eksperimen, berkembang menjadi penelitian. Dan dari penelitian tersebut, lahirlah artikel ilmiah yang diterima dalam konferensi internasional.

Membawa Hasil Penelitian ke ICIC 2026

Penelitian Syaira selanjutnya akan dibawa ke International Conference on Informatics and Computing (ICIC 2026).

ICIC merupakan konferensi internasional yang menjadi wadah pertukaran informasi, pengetahuan, pengalaman, dan hasil penelitian dalam bidang Computer Science, Information Science, dan Computer Engineering. Konferensi ini dirancang sebagai forum bagi peneliti dan akademisi untuk berbagi perkembangan dan pengalaman dalam bidang informatics, computing, dan engineering.

Untuk penyelenggaraan tahun 2026, ICIC dijadwalkan berlangsung pada 8–9 Oktober 2026 di Yogyakarta. Situs resmi ICIC juga mencantumkan Hotel Sahid Raya Yogyakarta sebagai lokasi kegiatan dan menyediakan skema partisipasi secara hybrid.

ICIC 2026 juga menjadi bagian dari rangkaian kegiatan akademik MUNAS VII APTIKOM 2026 di Yogyakarta. Situs resmi MUNAS APTIKOM mencantumkan ICIC sebagai konferensi internasional dalam rangkaian kegiatan tersebut, dengan Universitas Atma Jaya Yogyakarta sebagai host kegiatan MUNAS VII APTIKOM 2026.

Konferensi ini juga menghadirkan pembicara dari lingkungan akademik internasional. Salah satu keynote speaker yang tercantum pada situs resmi ICIC 2026 adalah Associate Professor Dr. Mohd Herwan Bin Sulaiman dari Universiti Malaysia Pahang, yang memiliki bidang keahlian pada computer science.

Bagi Syaira, diterimanya artikel ini berarti hasil pembelajaran yang awalnya dikembangkan melalui mata kuliah kini mendapatkan ruang untuk dipresentasikan dan didiskusikan dalam forum akademik internasional.

Pengalaman seperti ini memberikan kesempatan kepada mahasiswa untuk belajar lebih dari sekadar bagaimana melakukan penelitian.

Mahasiswa juga belajar bagaimana menyampaikan gagasan secara ilmiah, mempertanggungjawabkan metode yang digunakan, menjelaskan hasil eksperimen, serta berdiskusi dengan akademisi dan peneliti lain mengenai karya yang telah dibuat.

Belum Lulus, tapi Karyanya Sudah Mendapat Rekognisi Internasional

Ada satu hal yang membuat pencapaian ini menjadi semakin menarik.

Syaira masih berstatus sebagai mahasiswa.

Namun hasil pembelajaran yang dilakukannya sudah berkembang menjadi sebuah karya ilmiah yang diterima pada forum internasional.

Di SATU University, mahasiswa didorong untuk tidak menunggu lulus terlebih dahulu sebelum mulai menghasilkan karya.

Apa yang dipelajari melalui sebuah mata kuliah dapat menjadi titik awal untuk membuat sesuatu yang lebih besar.

Sebuah tugas dapat berkembang menjadi project.

Project dapat berkembang menjadi penelitian.

Penelitian dapat berkembang menjadi artikel ilmiah.

Dan artikel ilmiah tersebut dapat membuka kesempatan bagi mahasiswa untuk membawa gagasannya ke komunitas yang jauh lebih luas.

Pencapaian Syaira menjadi salah satu contoh bahwa pembelajaran di perguruan tinggi tidak harus berhenti ketika nilai sudah muncul di sistem akademik dan file tugas berhasil dikumpulkan sebelum pukul 23.59.

Yang jauh lebih menarik justru terjadi ketika mahasiswa melanjutkan rasa ingin tahunya setelah tugas tersebut selesai.

Dengan keberanian untuk mengeksplorasi data, mencoba berbagai pendekatan, mengevaluasi hasil, dan mengembangkan eksperimen secara lebih serius, sebuah aktivitas pembelajaran dapat berubah menjadi karya yang mendapatkan rekognisi pada level internasional.

Terima Kasih, Syaira!

Selamat dan terima kasih kepada Syaira Nazwa Febri Hidayat atas kerja keras dan konsistensinya dalam mengembangkan penelitian “Performance Evaluation of Predictive Models for Garment Worker Productivity Prediction.”

Terima kasih juga kepada Pak Yudi sebagai dosen pengampu mata kuliah Current Technology Information System yang telah membuka ruang bagi mahasiswa untuk tidak hanya mempelajari perkembangan teknologi, tetapi juga mengembangkan hasil pembelajaran tersebut menjadi karya yang memiliki nilai akademik lebih jauh.

Semoga diterimanya artikel ini di ICIC 2026 menjadi salah satu langkah awal dari lebih banyak pengalaman, penelitian, project, dan karya lainnya di masa depan.

Dan semoga perjalanan Syaira juga menjadi inspirasi bagi mahasiswa lain bahwa kemampuan mengolah data bukan hanya tentang memahami algoritma atau mendapatkan angka akurasi terbaik.

Di balik data selalu ada persoalan nyata yang dapat kita bantu pahami dan selesaikan.

From classroom data to an international stage.

Selamat, Syaira!

Sekarang, Giliran Kamu Membangun Ceritamu

Kalau kamu tertarik melihat bagaimana data, teknologi, Artificial Intelligence, machine learning, dan pengembangan sistem informasi dapat digunakan untuk menyelesaikan berbagai persoalan nyata di dunia bisnis dan industri, Program Studi Sistem Informasi SATU University bisa menjadi tempat untuk memulai perjalanan tersebut.

Di sini, kamu tidak hanya belajar tentang teknologi dari slide dan teori. Kamu punya kesempatan untuk mengerjakan project, mengolah data nyata, membangun aplikasi, melakukan penelitian, memperoleh pengalaman industri, dan mengembangkan hasil belajar menjadi karya yang dapat memperoleh rekognisi bahkan sejak masih menjadi mahasiswa.

Karena membangun portofolio tidak harus dimulai setelah wisuda.

Mulai perjalananmu bersama Sistem Informasi SATU University. Siapa tahu, project yang kamu mulai dari ruang kelas hari ini menjadi karya berikutnya yang kamu presentasikan di panggung internasional.