Article Per Year (5 Year)
p-Index From 2020 - 2025
2.679
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah Informatika Komputer Jurnal Simetris Jurnal Buana Informatika Journal of Telematics and Informatics Telematika : Jurnal Informatika dan Teknologi Informasi Jurnal Edukasi dan Penelitian Informatika (JEPIN) JUITA : Jurnal Informatika Scientific Journal of Informatics KLIK (Kumpulan jurnaL Ilmu Komputer) (e-Journal) Format : Jurnal Imiah Teknik Informatika Sinkron : Jurnal dan Penelitian Teknik Informatika JRSI (Jurnal Rekayasa Sistem dan Industri) Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control Jurnal Informatika Universitas Pamulang Jurnal SITECH : Sistem Informasi dan Teknologi JATI (Jurnal Mahasiswa Teknik Informatika) Joined Journal (Journal of Informatics Education) Aiti: Jurnal Teknologi Informasi E-JOINT (Electronica and Electrical Journal Of Innovation Technology) Jurnal Pengabdian Masyarakat untuk Negeri (UN-PENMAS) Scientific Journal of Informatics Jurnal Pengabdian Siliwangi
Rianto, Rianto
Departement Of Informatics, Universitas Siliwangi
Agriculture, Biological Sciences & Forestry Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Social Sciences Other

Published : 32 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 32 Documents
Search

 1   2   3   4 
ANALISA USABILITY DESAIN USER INTERFACE MENGGUNAKAN METODE HEURISTICS EVALUATION DAN IMPORTANT PERFORMANCE ANALYSIS (IPA): STUDI KASUS : WEBSITE SUPER INFORMATIKA UNIVERSITAS SILIWANGI Fauzi Athallah, Zico; Rianto, Rianto; Muhammad Adi Khairul A
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 1 (2023): JATI Vol. 7 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i1.5790

Abstract

Website di era globalisasi ada hal yang sudah sangat lumrah ditemukan dimana-mana. Namun pada kenyataannya penggunaan website pada kehidupan sehari-hari dinilai masih belum maksimal penggunaannya. Salah satu penyebab kurangnya pemanfaatan user interface pada website. Interface atau antarmuka yang berfungsi untuk menjembatani antara pengguna dengan teknologi itu sendiri. Terdapat banyak cara atau metode yang dapat digunakan untuk mengevaluasi usability desain user interface sebuah website salah satunya adalah metode Heuristic. Important Performance Analysis atau biasa disebut dengan IPA memiliki fungsi untuk mengukur aspek-aspek yang di anggap paling berguna bagi pengguna. Dengan menggabungkan metode heuristics dan metode IPA pada data yang telah dilakukan pengujian validitas dan reliabilitas, di dapatkan hasil analisis untuk menilai pemanfaatan usability desain user interface pada website berdasarkan nilai heuristic pada kepentingan dan performa menurut pengguna yang menghasilkan informasi berupa letak ke 20 indikator pada 4 kuadran kartesius dan 4 diantaranya masuk kedalam prioritas utama dalam perbaikan atau pengembangan, dimana tingkat kepuasan pengguna tidak mencerminkan prioritas utama dalam perbaikan seperti yang terlihat pada kuadran b terdapat indikator yang memiliki tingkat kepuasan yang lebih rendah dari pada indikator di kuadran a.
Perbandingan Algoritma Machine Learning Untuk Prediksi Gagal Bayar Pinjaman Koperasi yang Optimal Hilmi Aziz; Rianto Rianto
FORMAT Vol 13, No 2 (2024)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/format.2024.v13.i2.001

Abstract

Abstract - Predicting loan repayment defaults is quite an important thing to do in a financial institution such as a Savings and Loans Cooperative. The aim is to minimize the occurrence of loan defaults by borrowers to cooperatives so that bankruptcy does not occur. In this study, the development of a predictive model was carried out using several popular machine learning algorithms, namely logistic regression, decision tree, random forest and k-nearest neighbors (KNN), then the four models were compared and evaluated in order to find out which model with the most effective algorithm. in predicting loan defaults in cooperatives. Program evaluation is carried out by metrics such as accuracy, precision, recall, and f1-score. The dataset itself is obtained from a loan list which includes attributes such as borrower profile, loan amount, number of installments, etc. This dataset is divided into training data and test data to train and evaluate the model. The results showed that the Random Forest algorithm model provided the best accuracy, reaching 89%, followed by the Decision Tree with the highest accuracy value, which reached 84%, and finally Logistic Regression and K-Nearest Neighbors with the same accuracy value, namely 81%. These four algorithms were chosen because they are well-known algorithms among other algorithms for financial predictions because of their ability to understand complex relationships, provide interpretable results, overcome overfitting problems, and consider the interrelationships between similar entities. Abstrak – Melakukan prediksi kegagalan pembayaran pinjaman merupakan hal yang cukup penting untuk dilakukan di sebuah badan keuangan seperti Koperasi Simpan Pinjam. Tujuannya yaitu untuk meminimalisir terjadinya gagal bayar pinjaman oleh peminjam kepada Koperasi agar tidak terjadi bangkrut. Pada penelitian ini dilakukan pengembangan model prediksi dengan menggunakan beberapa algoritma machine learning yang cukup popular yaitu  logistic regression, decision tree, random forest dan k-nearest neighbors (KNN), kemudian keempat model tersebut dibandingkan dan dievaluasi agar diketahui model dengan algoritma mana yang paling efektif dalam memprediksi gagal bayar pinjaman di Koperasi. Evaluasi program dilakukan metrik-metrik seperti akurasi, presisi, recall, dan f1-score. Untuk datasetnya sendiri didapat dari daftar pinjaman yang mencakup atribut seperti profil peminjam, jumlah pinjaman, banyak angsuran, dll. Dataset ini dibagi menjadi data pelatihan dan data uji untuk melatih dan mengevaluasi model. Hasil penelitian menunjukkan bahwa model algoritma Random Forest memberikan akurasi terbaik yaitu mencapai 89%, diikuti oleh Decision Tree dengan nilai akurasi tertingginya yang mencapai 84%, dan yang terakhir Logistic Regression dan K-Nearest Neighbors dengan nilai akurasi yang sama yaitu 81%. Keempat algoritma ini dipilih karena merupakan algoritma yang cukup terkenal di antara algoritma lainnya untuk prediksi dalam hal keuangan karena kemampuan mereka untuk memahami hubungan yang kompleks, memberikan hasil yang dapat diinterpretasikan, mengatasi masalah overfitting, dan mempertimbangkan keterkaitan antara entitas yang serupa.
Co-Authors Acep Irham Gufroni Alam Rahmatulloh Algi Muhkamaat Abdillah Aradea Aradea Ari Sandriana Baetulloh, Uci Desi Purnamasari Dwi Ramti Asih Fauzi Athallah, Zico Firmansah, Teguh Anugrah Firmansyah Maulana Fransiska, Susanti Galih Permana Givany Salsabila Siti Rukoyah Gunawan, Rohmat Gunawan, Rohmat Hadi Purwadi Heni Sulastri Hilmi Aziz Husni Mubarok Husni Mubarok Husni Mubarok Hutari Maulida Kurnia Iqbal Muhammad Fajar Nuralam Kurnia, Hutari Maulida Lusi Robiatul Fadilah Meidiyan, Mohamad Gibran Mohammad Rizal Ramli Muhammad Adi Khairul A Muhammad Adi Khairul Anshary Neng Ika Kurniati Nur Widiyasono Oktalia, Silvia Dwi R. Moch. Dysa Satria Anggara Rahmi Nur Shofa Rizal, Randi Ruswati, Ruswati Shihab, Muhammad Quraish Shofa, Rahmi Nur Shofa, Rahmi Nur Silvia Dwi Oktalia Siti Rukoyah, Givany Salsabila Yustikasari, Yusi