p-Index From 2020 - 2025
8.389
P-Index
This Author published in this journals
All Journal Jurnal Pendidikan Teknologi dan Kejuruan Voteteknika (Vocational Teknik Elektronika dan Informatika) Proceedings of KNASTIK Prosiding Seminar Nasional Sains Dan Teknologi Fakultas Teknik Jurnal Pekommas Jurnal Edukasi dan Penelitian Informatika (JEPIN) Infotech Journal Sistemasi: Jurnal Sistem Informasi Jurnal Ilmiah Matrik BAREKENG: Jurnal Ilmu Matematika dan Terapan Matrix : Jurnal Manajemen Teknologi dan Informatika JITTER (Jurnal Ilmiah Teknologi Informasi Terapan) INTECOMS: Journal of Information Technology and Computer Science KOMIK (Konferensi Nasional Teknologi Informasi dan Komputer) JURIKOM (Jurnal Riset Komputer) JUMANJI (Jurnal Masyarakat Informatika Unjani) Jurnal Teknologi Terpadu Jurnal Informatika dan Rekayasa Elektronik JATI (Jurnal Mahasiswa Teknik Informatika) Tematik : Jurnal Teknologi Informasi Komunikasi Informatics and Digital Expert (INDEX) Jurnal Informatika dan Teknologi Komputer ( J-ICOM) Jurnal Sosial dan Teknologi Jurnal Locus Penelitian dan Pengabdian Jurnal Informatika Teknologi dan Sains (Jinteks) Prosiding Seminar Nasional Teknik Elektro, Sistem Informasi, dan Teknik Informatika (SNESTIK) Prosiding Seminar Nasional Sisfotek (Sistem Informasi dan Teknologi Informasi) J-Icon : Jurnal Komputer dan Informatika IJESPG (International Journal of Engineering, Economic, Social Politic and Government) journal Enrichment: Journal of Multidisciplinary Research and Development Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) RESLAJ: Religion Education Social Laa Roiba Journal In Search (Informatic, Science, Entrepreneur, Applied Art, Research, Humanism) Seminar Nasional Riset dan Teknologi (SEMNAS RISTEK)
Claim Missing Document
Check
Articles

Klasifikasi Telemarketing Menggunakan Naïve Bayes Classification Dan Wrapper Sequential Feature Selection Eina, Muhammad Fikri; Chrisnanto, Yulison Herry; Melina, Melina
INTECOMS: Journal of Information Technology and Computer Science Vol 7 No 4 (2024): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/intecoms.v7i4.10846

Abstract

Telemarketing merupakan strategi pemasaran penting dalam industri perbankan. Namun, efektivitasnya memerlukan pemahaman mendalam tentang faktor-faktor yang mempengaruhi keputusan nasabah. Analisis data menjadi kunci dalam memahami perilaku nasabah terhadap produk bank yang ditawarkan, dengan tantangan utama adalah seleksi fitur yang relevan dari dataset besar. Penelitian ini mengembangkan model klasifikasi menggunakan Naïve Bayes Classification yang dikombinasikan dengan metode seleksi fitur Wrapper Sequential Feature Selection (WSFS) pada dataset Bank Marketing. Tujuannya untuk membandingkan akurasi klasifikasi Naïve Bayes dengan dan tanpa seleksi fitur WSFS. Identifikasi subset fitur paling berpengaruh dalam memprediksi keputusan nasabah diterapkan dengan WSFS, dilanjutkan dengan klasifikasi Naïve Bayes. Hasil penelitian menunjukkan bahwa penerapan WSFS signifikan meningkatkan akurasi model klasifikasi Naive Bayes dalam memprediksi keputusan nasabah memilih produk deposito, dengan akurasi sebesar 77.87%. Evaluasi tambahan menggunakan metrik precision, recall, dan F1-score juga menunjukkan peningkatan yang konsisten setelah menggunakan WSFS. Penelitian ini berkontribusi dalam mengoptimalkan strategi telemarketing di industri perbankan.
Penanganan Outlier Pada Metode Algoritma K- Nearest Neighbors (KNN) Dengan Metode Kernel Density Estimation Pada Kasus Penyakit Diabetes Razaki, Adam; Chrisnanto, Yulison Herry; Melina, Melina
INTECOMS: Journal of Information Technology and Computer Science Vol 7 No 4 (2024): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/intecoms.v7i4.10866

Abstract

Penyakit diabetes merupakan tantangan kesehatan global yang memerlukan penanganan serius. Deteksi dini dan prediksi diabetes sangat penting untuk mencegah komplikasi serius. Penelitian ini bertujuan untuk meningkatkan akurasi klasifikasi penyakit diabetes dengan menangani outlier yang dapat memengaruhi akurasi model klasifikasi dan meminimalkan kesalahan prediksi. Pada penelitian ini, algoritma K-Nearest Neighbors (KNN) yang efektif untuk klasifikasi data digabungkan dengan Kernel Density Estimation (KDE) untuk identifikasi outlier. Dataset yang digunakan pada penelitian ini terdiri dari 2.000 data sample diabetes yang telah melalui proses preprocessing, transformasi, normalisasi, deteksi outlier dengan KDE, imputasi outlier dengan median, klasifikasi dengan KNN, dan evaluasi dengan confusion matrix. Hasil penelitian ini menunjukkan bahwa penggunaan KDE dan imputasi outlier berhasil meningkatkan performa model pada semua metrik evaluasi. Hasil terbaik diperoleh pada model KNN dengan nilai , rasio dataset 90%:10%, yang menunjukkan peningkatan akurasi dari 90% menjadi 92%. Diharapkan hasil penelitian ini dapat memberikan kontribusi dalam deteksi dini penyakit diabetes.
Teknik Refactoring untuk Kualitas Usability Sistem Informasi SPP dan Tunggakan SDIT Nuralima Wildah Fatma Lestari; Yulison Herry Chrisnanto; Rezki Yuniarti
Reslaj: Religion Education Social Laa Roiba Journal Vol. 6 No. 8 (2024): RESLAJ: Religion Education Social Laa Roiba Journal 
Publisher : Intitut Agama Islam Nasional Laa Roiba Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47467/reslaj.v6i8.3388

Abstract

Software development in a system is important to support the efficiency and effectiveness of the system. However, codes and documentation related to software systems are always changing due to problems or the need for improvement. Therefore, software maintenance becomes an important part of software development and management. Refactoring techniques are considered a standard solution that involves improving the design structure of software while maintaining its functionality. The methodology used in this research includes system analysis, code smells, refactoring and system testing. The results of refactoring the internal code of the system make the internal code structure simpler and easier to read so that it will facilitate future development and updates to the system.
PENGARUH METODE PENGUKURAN JARAK DAN SMOTE PADA KLASIFIKASI PENILAIAN KREDIT Fadilah, Rifal; Chrisnanto, Yulison Herry; Abdillah, Gunawan
Jurnal Informatika dan Rekayasa Elektronik Vol. 7 No. 2 (2024): JIRE NOPEMBER 2024
Publisher : LPPM STMIK Lombok

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36595/jire.v7i2.1213

Abstract

Kredit berperan penting untuk menunjang pertumbuhan ekonomi masyarakat. Meski demikian, pengguna kartu kredit diingatkan untuk menggunakan kartu kredit secara bijak sesuai kebutuhan, dan selalu melakukan pembayaran tepat waktu sesuai tagihan yang telah ditetapkan, guna menghindari masalah kredit macet Untuk mengatasi masalah tersebut dibutuhkan sebuah pembelajaran mesin yang mampu mendeteksi sedini mungkin terhadap akun kartu kredit yang beresiko tinggi menjadi krusial untuk mengurangi kerugian yang disebabkan oleh pembayaran kredit macet.penelitian kali ini mengusulkan pengembangan Teknik dalam mechine learning untuk membantu mengklasifikasi kredit macet dengan menggunakan algoritma KNN dengan mengacu kepada penelitian sebelumnya mengenai  pengukuran matrix jarak. Dataset German credit data yang di dapatkan dari UCI Mechine Learning memiliki imbalance class Dimana jumlah class positif lebih besar dari class negative. Dari pengujian menggunakan berbagai metode pengukuran jarak serta dengan penerapan SMOTE. Pengujian menunjukkan penanganan ketidakseimbangan kelas menggunakan algoritma SMOTE meningkatkan akurasi, presisi, recall, f1-score, dan g-mean pada KNN secara signifikan. Implementasi 5 metode pengukuran jarak menunjukkan bahwa jarak Manhattan memberikan performa terbaik. Jarak Manhattan memberikan hasil akurasi tertinggi sebesar 84% setelah dilakukan penerapan Teknik SMOTE pada pengujian K = 5, sementara jarak Canberra juga menunjukkan performa yang kuat. Metode Manhattan lebih unggul dalam memberikan hasil klasifikasi yang akurat dibandingkan dengan metode lainnya.
KLASIFIKASI DIAGNOSA PENYAKIT TIROID MENGGUNAKAN METODE RANDOM FOREST Raja Darmawan; Yulison Herry Chrisnanto; Gunawan Abdillah
Jurnal Informatika dan Rekayasa Elektronik Vol. 7 No. 2 (2024): JIRE NOPEMBER 2024
Publisher : LPPM STMIK Lombok

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36595/jire.v7i2.1214

Abstract

Tiroid adalah kelenjar penting di leher manusia yang mengatur metabolisme melalui hormon-hormonnya. Gangguan hormon pada tiroid dapat berdampak signifikan pada kesehatan. Gejalanya sering kali sulit diidentifikasi karena menyerupai keluhan yang diakibatkan gaya hidup. Untuk mengatasi masalah ini, diperlukan pembelajaran mesin untuk mendeteksi diagnosis penyakit tiroid berdasarkan gejala. Penelitian ini bertujuan untuk mengembangkan teknik machine learning yang dapat membantu klasifikasi diagnosa penyakit tiroid menggunakan metode random forest. Pengujian dilakukan sebanyak 6 kali dengan mengubah nilai parameter untuk mengetahui pengaruhnya terhadap akurasi model. Hasil penelitian menunjukkan bahwa parameter seperti jumlah pohon keputusan, kedalaman maksimum, dan jumlah minimum sampel daun dapat mempengaruhi akurasi model. Hasil pengujian menunjukkan akurasi tertinggi diperoleh pada pengujian ketiga dengan pembagian data 80/20 didapatkan hasil akurasi 99%. Penelitian ini menyimpulkan bahwa metode random forest efektif dalam meningkatkan akurasi diagnosa penyakit tiroid serta menekankan pentingnya penyesuaian parameter untuk hasil yang optimal.
ANALISIS SENTIMEN TERKAIT PROGRAM KARTU PRAKERJA MENGGUNAKAN METODE K-NEAREST NEIGHBORS Cecep M Zakariya; Yulison Herry Chrisnanto; Gunawan Abdillah
Jurnal Informatika dan Rekayasa Elektronik Vol. 7 No. 2 (2024): JIRE NOPEMBER 2024
Publisher : LPPM STMIK Lombok

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36595/jire.v7i2.1215

Abstract

Salah satu masalah makroekonomi yang menghambat perkembangan suatu negara adalah tingkat pengangguran. Berdasarkan data dari Badan Pusat Statistik, pada Februari 2022 tingkat pengangguran terbuka mencapai 5,58%. Banyak pendapat tentang program kartu prakerja pemerintah untuk mengatasi pengangguran. Program ini mendapat tanggapan pro dan kontra yang menghasilkan beragam pendapat. Twitter sebagai platform media sosial memungkinkan penyampaian opini tentang berbagai isu, termasuk program kartu prakerja. Pendekatan analisis sentimen saat ini banyak digunakan untuk menilai opini tentang berbagai topik. Dalam penelitian ini, dilakukan analisis sentimen menggunakan metode K-Nearest Neighbors (KNN) dan seleksi fitur Information Gain untuk melihat tingkat akurasi yang dihasilkan oleh model dan menentukan apakah opini tentang program kartu prakerja bersifat positif, negatif, atau netral. hasil penelitian menunjukan bahwa metode ini berhasil mencapai tingkat akurasi sebesar 93% serta nilai precision, recall, F1-Score, dan G-Mean yang tinggi, dengan rasio dataset 70% data latih dan 30% data uji dengan parameter nilai K=1.
STEGANOGRAFI METODE INVERTED LSB MENGGUNAKAN POLA ADAPTIF DAN DCT Kukuh Yulion Setia Prakoso; Herry Chrisnanto, Yulison; Kasyidi, Fatan
Jurnal Informatika dan Rekayasa Elektronik Vol. 7 No. 2 (2024): JIRE NOPEMBER 2024
Publisher : LPPM STMIK Lombok

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36595/jire.v7i2.1222

Abstract

Keamanan informasi merupakan aspek krusial dalam perlindungan data dari ancaman yang berpotensi merusak, mencakup penggunaan teknik steganografi untuk menyembunyikan pesan rahasia dalam media seperti gambar. Penelitian terdahulu memfokuskan pada metode Inverted LSB dengan pola adaptif, yang telah terbukti meningkatkan imperceptibility dibandingkan metode konvensional. Evaluasi menggunakan nilai MSE, PSNR dan SSIM menunjukkan kualitas gambar yang relatif tinggi, meskipun terdapat penurunan seiring dengan peningkatan panjang pesan yang disisipkan. Hasil pengujian untuk pesan berisi 1000 karakter menghasilkan nilai MSE berkisar 0.001465 hingga 0.045898, untuk nilai PSNR berkisar 61.512825 hingga 76.472891 dan untuk nilai SSIM berkisar 0.998904 hingga 0.999989, sedangkan untuk pesan 5000 karakter, nilai MSE berkisar 0.040802 hingga 0.138763, untuk nilai PSNR berkisar 56.708053 hingga 62.023989 dan untuk nilai SSIM berkisar 0.998151 hingga 0.999535. Berdasarkan hasil pengujian dan membandingkannya dengan penelitian sebelumnya, pada penelitian ini didapatkan hasil yang lebih baik dalam mempertahankan kualitas gambar seiring meningkatnya panjang pesan, yaitu untuk pesan berisi 1000 karakter menghasilkan nilai MSE berkisar 0.026306 hingga 0.039501, untuk nilai PSNR berkisar 56.1355 hingga 63.1976 dan untuk nilai SSIM berkisar 0.99743 hingga 0.99839, sedangkan untuk pesan 5000 karakter, nilai MSE berkisar 0.026307 hingga 0.039506, untuk nilai PSNR berkisar 56.1333  hingga 63.1973 dan untuk nilai SSIM berkisar 0.99596 hingga 0.99783.
Optimalisasi Klasifikasi Support Vector Machine dengan SMOTE: Studi Kasus Ulasan Pengguna Aplikasi Alfagift Mulianti, Adhani; Chrisnanto, Yulison; Ashaury, Herdi
Jurnal Pekommas Vol 9 No 2 (2024): Desember 2024
Publisher : Sekolah Tinggi Multi Media “MMTC” Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56873/jpkm.v9i2.5583

Abstract

Support Vector Machine (SVM) is a supervised learning algorithm that works by classifying based on classes that refer to patterns resulting from the training process. SVM has several commonly and popularly used kernels, one of which is the linear kernel. The weakness of SVM is in the "parameter selection" and its performance tends to be poor in the case of unbalanced datasets. The purpose of this study is to overcome the weaknesses of the SVM algorithm with the proposed method. This research uses a linear kernel with feature extraction that is Word2Vec with Skip-gram model, and in handling the data imbalance problem using SMOTE (oversampling) technique. The results showed that the unbalanced dataset produced an accuracy of 90% and the balanced dataset (SMOTE) produced an accuracy of 92%, so the SMOTE oversampling technique was proven to increase the accuracy results by 2%.
Optimasi Klasifikasi Sentimen pada Komentar Online menggunakan Multinomial Naïve Bayes dan Ekstraksi Fitur TF-IDF serta N-grams Gerliandeva, Alfin; Chrisnanto, Yulison; Ashaury, Herdi
Jurnal Pekommas Vol 9 No 2 (2024): Desember 2024
Publisher : Sekolah Tinggi Multi Media “MMTC” Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56873/jpkm.v9i2.5585

Abstract

The Naïve Bayes (NB) algorithm is a classifier method that calculates simple probabilities and it is suitable for text classification in the context of sentiment analysis. The classic variant of NB is Multinomial Naïve Bayes (MNB). The weakness of the MNB algorithm is the assumption of feature independence. This research uses a dataset of comments and reviews from various online platforms. This study uses the proposed method to handle the weakness of the MNB algorithm, namely the use of TF-IDF feature extraction and N-grams (1-gram to 5-gram), and the use of Chi-Square feature selection, as well as handling dataset imbalance using SMOTE (oversampling and undersampling method). The results of this study show that the use of pentagram (5-gram) with data that has been oversampled by SMOTE produces the highest accuracy value of 94% and an Area Under Curve (AUC) value of 100%
Prediksi Pola Keuangan pada Pasar Saham Bursa Efek Indonesia Menggunakan Algoritma Support Vector Machine For Regression (SVR) Adam, Marcellino; Chrisnanto, Yulison Herry; Umbara, Fajri Rakhmat
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 10, No 3 (2024): Volume 10 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v10i3.86833

Abstract

Di era modern perdagangan saham yang dinamis, penggunaan algoritma Support Vector Machine Regression menjadi perhatian utama bagi para investor dan trader. Penelitian ini bertujuan untuk menganalisis cara kerja algoritma dalam memprediksi pola pasar saham menggunakan Support Vector Machine Regression. Metode penelitian yang digunakan adalah Support Vector Regression dengan kernel Radial Basis Function. Hasil penelitian menunjukkan tingkat akurasi yang baik, dengan Mean Absolute Percentage Error (MAPE) sebesar 6,04%. Hal ini menunjukkan bahwa model ini efektif dalam memprediksi pergerakan harga saham di Bursa Efek Indonesia. Sebaliknya, penggunaan kernel Linear dan Polynomial tidak memberikan hasil yang memuaskan, dengan tingkat kesalahan yang cukup signifikan, masing-masing sebesar 16,32% dan 22,47%. Bahkan, kernel Sigmoid menunjukkan tingkat kesalahan yang sangat tinggi, yaitu MAPE sebesar 808,46%, yang mengindikasikan bahwa model ini tidak cocok untuk prediksi harga saham. Penelitian ini berkontribusi dengan menunjukkan bahwa penggunaan Support Vector Regression dengan kernel Radial Basis Function dapat memberikan hasil prediksi yang akurat dalam konteks pergerakan harga saham. Kontribusi utama terletak pada pemahaman lebih lanjut mengenai efektivitas model Support Vector Regression dalam prediksi di pasar saham Indonesia, yang memberikan manfaat signifikan bagi investor, perusahaan keuangan, pemerintah, dan masyarakat.
Co-Authors Adam, Marcellino Ade Kania Ningsih Ade Kania Ningsih Ade Kania Ningsih Aditya Prakasa Adryansyah Adryansyah Agung Wahana Agus Komarudin Ahmed Haikal Amellia Fahezha Cahyaningrum Andhika Karulyana Febrian Asep Id Hadianna Asep Saepul Ridwan Ashaury, Herdi Asri Maspupah Azzahra, Cynthia Nur Bania Amburika Benedictus Benny Sihotang Cecep M Zakariya Darmawan, Raja Didik Garbian Nugroho Drl, Indra Raja Eina, Muhammad Fikri Eka Rahmawati Emia Rosta Br. Sebayang Enrico Budi Santoso Fadilah, Rifal Fahmy Akhmad Firdaus Faiza Renaldi, Faiza Fajar Tresnawiguna Fajri Rakhmat Umbara Fajri Rakhmat Umbara Farhan Naufal Febry Ramadhan Fitaloka, Intan Fuji Astari, Dhea Gerliandeva, Alfin Gita Mahesa Gunawan Abdillah Gunawan Abdillah Gunawan Abdillah Gunawan Abdillah Gunawan Abdillah, Gunawan Gunawan Abdullah Gunawan Gunawan Hadiana, Asep Id Herdi Ashaury Herlina Napitupulu Herlinda Padillah Ibadirachman, Rifqi Karunia Id Hadiana , Asep Irma Santikarama Joko Irawan Julian Evan Chrisnanto Kamal, Angga Mochamad Kania Ningsih, Ade Kasyidi, Fatan Kharisma Jevi Shafira Sepyanto Kholidah Syaidah Kukuh Yulion Setia Prakoso Kusumaningtyas, Valentina Adimurti Luthfia Oktasari Melina Melina Melina Melina Melina, Melina Muhammad Munzir Rizkya Mubarak Muhammad Rendy Raihan Mukti Kinani Mulianti, Adhani Musa Asyari Hidayat Jati Nabilla, Ulya Nida Ulhasanah Norizan Mohamed Permana, Hary Permatasari, Nissa Aulia Prawira, Angga Puspita Nurul Sabrina Puspita Nurul Sabrina Puspita Nurul Sabrina Puspita Nurul Sabrina Puspita Nurul Sabrina Puspita Nurul Sabrina Puspita Nurul Sabrina, Puspita Nurul Puspo Dewi Dirgantari Putri Alifianti Wiyono, Tiara Putri Eka Prakasawati Raflialdy Raksanagara Rahandanu Rachmat Raja Darmawan Razaki, Adam Rd Muhammad Alfajri Reza Noviandi Rezki Yuniarti Ridwan Ilyas RIDWAN INDRANSYAH Riyadi, Saiful Faris Rizal Dwiwahyu Pribadi Salsa Safira Nur Syamsi Santikarama, Irma Sepyanto, Kharisma Jevi Shafira Siska Vadilah Sukono . Sumantri, Fithra Aditya Tacbir Hendro Pudjiantoro Taufiq Akbar Herawan Teguh Munawar Ahmad Tiara Rahmawati Umbara, Fajri Rakhmat Valentina Adimurti Kusumaningtyas Wahyu Pratama, Raka Wawan Setiawan Widinastia, Audila Gumanty Widiyantoro, Widiyantoro Wildah Fatma Lestari Willy Hanafi Wina Witanti Wisnu Uriawan, Wisnu Yosia Oktavian Pailan Zikri Muhamad Afnan Zizilia, Regitha