Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Buana Informatika Jurnal Sistem Komputer dan Informatika (JSON)
Asep Setiyono
STIKes Panti Rapih Yogyakarta
Computer Science & IT Control & Systems Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Optimizing Book Delivery Routes Using Genetic Algorithms: Case Study of Erlangga Publisher Yogyakarta Branch Rosa, Damba Saputra; Setiyono, Asep; Santana, Yohanes Renaldi Rio; Mudjihartono, Paulus
Jurnal Buana Informatika Vol. 15 No. 2 (2024): Jurnal Buana Informatika, Volume 15, Nomor 02, Oktober 2024
Publisher : Universitas Atma Jaya Yogyakarta

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

Abstract

Optimizing Book Delivery Routes Using Genetic Algorithms: Case Study of Erlangga Publisher Yogyakarta Branch. This research aims to find the shortest route for book delivery using the Traveling Salesperson Problem (TSP) approach that is solved by a Genetic Algorithm (GA). The distance between the pair of locations will be known by using the longitude and latitude as the coordinates of the location (the place where books must be dropped and the trip continues). This network of the coordinates of locations is then viewed as TSP, which needs GA to solve the shortest path. Running the program for up to 100 iterations, this study resulted in the shortest route, 356 km in a whole route. Among the previous research, this research has its uniqueness, especially when the problem is viewed as a TSP, and when it comes to the crossover mechanism, it is quite rare. Moreover, the case of the Erlangga publisher is the first case that has used the GA.
Analisis Komparatif Algoritma Machine Learning untuk Prediksi Depresi Mahasiswa Berbasis PHQ-9 Asep Setiyono; Yulia Wardani; Margaretha Kurniastuti
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 4 (2026): Juni 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i4.9768

Abstract

Depresi adalah suatu kondisi gangguan mental yang perlu mendapatkan perhatian serius, terutama di kalangan mahasiswa yang menghadapi tekanan akademik dan sosial. Prevalensi depresi pada mahasiswa mencapai angka yang mengkhawatirkan, dengan deteksi dini dan intervensi yang akurat menjadi krusial. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja empat algoritma machine learning (Random Forest, Logistic Regression, Support Vector Machine, dan Extreme Gradient Boosting) dalam memprediksi depresi mahasiswa di Sekolah Tinggi Ilmu Kesehatan Panti Rapih Yogyakarta. Menggunakan dataset kuesioner PHQ-9 dari 679 mahasiswa, data dipra-proses termasuk penanganan ketidakseimbangan kelas menggunakan SMOTE pada data pelatihan. Evaluasi model dilakukan dengan Stratified K-Fold Cross Validation dan metrik seperti akurasi, presisi, recall, F1-Score serta ROC AUC. Hasil menunjukkan bahwa semua model memiliki kinerja prediktif yang sangat tinggi (akurasi > 92%). Support Vector Machine menunjukkan kinerja terbaik secara keseluruhan dengan akurasi 94,30%, F1-Score 94,40% dan ROC AUC 98,57%. Random Forest unggul dalam recall sebesar 96,12% sementara Extreme Gradient Boosting mencapai presisi tertinggi (93,51%). Penelitian ini mengidentifikasi Support Vector Machine sebagai algoritma paling seimbang untuk prediksi depresi mahasiswa, menawarkan potensi sebagai alat skrining awal yang objektif dan efisien.  
Co-Authors Margaretha Kurniastuti Paulus Mudjihartono Rosa, Damba Saputra Santana, Yohanes Renaldi Rio Yulia Wardani