Article Per Year (5 Year)
p-Index From 2020 - 2025
3.696
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi dan Ilmu Komputer Fountain of Informatics Journal Sistemasi: Jurnal Sistem Informasi Swabumi (Suara Wawasan Sukabumi) : Ilmu Komputer, Manajemen, dan Sosial JITK (Jurnal Ilmu Pengetahuan dan Komputer) J-SAKTI (Jurnal Sains Komputer dan Informatika) JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Building of Informatics, Technology and Science Jurnal Mantik Journal of Computer System and Informatics (JoSYC) Jurasik (Jurnal Riset Sistem Informasi dan Teknik Informatika) Jurnal Teknik Informatika (JUTIF) Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) Jurnal Pendidikan dan Teknologi Indonesia J-SAKTI (Jurnal Sains Komputer dan Informatika) Jurnal Sains dan Teknologi STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer
Susanto, Erliyan Redy
Unknown Affiliation
Aerospace Engineering Agriculture, Biological Sciences & Forestry Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Health Professions Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Mathematics Mechanical Engineering Medicine & Pharmacology Nursing Public Health Social Sciences Veterinary

Published : 28 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 28 Documents
Search

 1   2   3 
Pemilihan Platform E-Commerce Menggunakan Ahp Pada Apotek Djapuri Farma2 Irawan, Made; Susanto, Erliyan Redy; Puspaningrum, Ajeng Savitri; Neneng, N; Ulum, Faruk
Jurasik (Jurnal Riset Sistem Informasi dan Teknik Informatika) Vol 10, No 1 (2025): Edisi Februari
Publisher : STIKOM Tunas Bangsa Pematangsiantar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30645/jurasik.v10i1.847

Abstract

This study explores the selection of the optimal e-commerce platform for Djapuri Farma2 Pharmacy using the Analytic Hierarchy Process (AHP) method. In this context, the five main criteria considered are Cost, Security, Completeness of Features, Ease of Use, and Community Support. The AHP method is used to carry out pairwise comparisons between available alternative e-commerce platforms. After going through an evaluation process, WooCommerce was chosen as the platform that best suited the pharmacy's needs. The novelty of this research lies in the application of the AHP method in the specific context of the pharmaceutical industry, which has not been widely discussed in previous literature. By focusing on criteria relevant to pharmacies, this study provides a new contribution to the e-commerce platform selection literature with an approach that can be directly applied in the healthcare industry. Opportunities for future research development include expanding evaluation criteria, such as including sustainability factors, as well as combining AHP with other methods such as TOPSIS or ANP to obtain more comprehensive and robust results. This study is expected to become an important reference for other pharmacies who want to carry out digital transformation through choosing the right e-commerce platform.
Optimasi Performa Prediksi Penyakit Jantung Menggunakan Teknik Stacking Classifier Amelya, Eka; Susanto, Erliyan Redy
Building of Informatics, Technology and Science (BITS) Vol 6 No 4 (2025): March 2025
Publisher : Forum Kerjasama Pendidikan Tinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bits.v6i4.6843

Abstract

Cardiovascular diseases, including heart disease, are among the leading causes of death in Indonesia. Heart disease is a condition that disrupts the function of the heart and blood vessels, often caused by blockages or narrowing of the arteries. Arteries play a crucial role in delivering oxygen-rich blood from the heart to the entire body, including the heart muscles through the coronary arteries. This condition can result from various factors such as vascular blockages, inflammation, infections, or congenital abnormalities. Such issues can impair the heart's ability to pump blood efficiently, posing a serious threat to an individual's health. This study aims to improve the accuracy of heart disease prediction by implementing the stacking classifier technique—an ensemble learning method that combines multiple machine learning algorithms, namely Support Vector Machine (SVM), Logistic Regression, and Decision Tree. The dataset used has undergone a standardization process and has been validated using the stratified k-fold cross-validation method to ensure stable predictive results. The primary contribution of this research lies in enhancing the accuracy and efficiency of heart disease diagnosis through the application of the stacking classifier, which effectively handles complex and imbalanced datasets. Previous studies have utilized the SMOTEEN technique for heart disease prediction. However, the findings of this study demonstrate that the stacking classifier approach performs better. Evaluation results show that this method achieves an accuracy of 88.52%, precision of 87.88%, recall of 90.62%, and an ROC-AUC of 94.18%, proving its effectiveness in improving medical diagnosis reliability and reducing prediction errors that could pose risks in the healthcare field.
SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN BONUS HARI RAYA KARYAWAN MENGGUNKAN METODE SIMPLE ADDITIVE WEIGHTING (SAW) Estri Pratiwi, Kyky Fidya; Susanto, Erliyan Redy
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 9, No 4 (2024)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v9i4.5521

Abstract

Penentuan bonus hari raya (THR) untuk karyawan seringkali menjadi masalah yang sulit bagi perusahaan. Permasalahan ini dapat diselesaikan dengan solusi yang tepat, salah satu cara adalah dengan melakukan penilaian kinerja terhadap setiap karyawannya untuk mengevaluasi, memotivasi, dan memverifikasi, guna meningkatkan kinerja mereka. PT.Hasil Sinar Baru Sentosa masih menggunakan penilaian yang sangat subjektif untuk menentukan bonus hari raya karyawan. Permasalahan ini menjadi kendala karena kurangnya ob-jektivitas dan transparansi dalam proses penilaian. Penggunaan Sistem Pendukung Keputusan (SPK) pada konteks manajemen sumber daya manusia, menjadi semakin penting terutama saat menilai karyawan dalam memberikan bonus. Oleh karena itu penelitian ini melakukan penilaian untuk menentukan bonus hari raya karyawan dengan menggunakan metode Simple Additive Weighting (SAW) yang terdiri dari 7 kriteria penilaian yaitu  kehadiran, tanggung jawab, kemampuan teknis, kerjasama, ketelitian, sikap, dan masa kerja. Penggunaan pen-dekatan ini dapat memberikan kontribusi yang signifikan dalam proses pengambilan keputusan pada perusahaan, dengan melakukan pengumpulan data  dilakukan pengujian pada 10 karyawan dibagian kendaraan yang menjadi alternatif. Hasil akhir dari penelitian ini didapatkan dari perhitungan yang dilakukan dengan menggunakan metode SAW mulai dari menentukan kriteria, menentukan bobot, melakukan matriks normalisasi, dan tahap akhir yaitu perankingan. Kebaharuan dalam penelitian ini memberikan usulan yaitu model baru dalam menentukan bonus hari raya karyawan di PT.Hasil Sinar Baru Sentosa yang dimana selama ini dilakukan secara subjektif menjadi objektif
Penerapan Algoritma XGBoost untuk Prediksi Diabetes: Analisis Confusion Matrix dan ROC Curve Susanto, Erliyan Redy; Cahyana, Agum
Fountain of Informatics Journal Vol. 10 No. 1 (2025): Mei
Publisher : Universitas Darussalam Gontor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21111/fij.v10i1.14311

Abstract

Abstrak Diabetes melitus merupakan gangguan metabolisme kronis yang menjadi perhatian kesehatan global yang terus meningkat, ditandai dengan tingkat prevalensi yang terus meningkat. Prediksi dini dan diagnosis yang akurat sangat penting untuk manajemen penyakit yang efektif dan pencegahan komplikasi. Studi ini menyajikan kerangka metodologis untuk mengoptimalkan algoritma XGBoost guna meningkatkan akurasi prediksi diabetes sekaligus meminimalkan kesalahan klasifikasi, dengan penekanan khusus pada pengurangan negatif palsu karena implikasi klinisnya yang signifikan. Metodologi pembelajaran mesin kami menggabungkan praproses data yang komprehensif, pengoptimalan hiperparameter sistematis melalui pencarian grid, dan evaluasi model yang ketat menggunakan analisis matriks kebingungan dan metrik ROC-AUC. Basis Data Diabetes Pima Indians dipartisi menggunakan pemisahan uji-latihan 70:30 untuk memastikan generalisasi model yang kuat. Model XGBoost yang dioptimalkan menunjukkan metrik kinerja yang luar biasa: akurasi (96,33%), presisi (93,4%), perolehan kembali (97,16%), skor F1 (95,7%), dan skor ROC-AUC (0,99). Analisis terperinci dari matriks kebingungan mengungkapkan 205 positif benar dan 373 negatif benar, dengan hanya 16 positif salah dan 6 negatif salah, yang menunjukkan kemampuan diagnostik unggul.Temuan ini menunjukkan bahwa algoritme XGBoost kami yang dioptimalkan merupakan alat pendukung keputusan yang berharga bagi praktisi perawatan kesehatan dalam deteksi dini diabetes. Meskipun model tersebut menunjukkan kinerja keseluruhan yang luar biasa, pengurangan lebih lanjut dari hasil negatif palsu tetap menjadi target penting untuk meningkatkan keselamatan klinis. Studi ini memberikan kontribusi signifikan terhadap ilmu data medis dengan membangun kerangka kerja yang kuat dan dioptimalkan untuk prediksi diabetes menggunakan teknik pembelajaran mesin tingkat lanjut, dengan aplikasi potensial dalam sistem pendukung keputusan klinis dan strategi perawatan kesehatan preventif. Kata kunci: Diabetes mellitus,  XGBoost,  confusion matrix,  ROC-AUC,  optimasi hyperparameter.   Abstract Diabetes mellitus is a chronic metabolic disorder that is a growing global health concern, characterized by an increasing prevalence rate. Early prediction and accurate diagnosis are essential for effective disease management and prevention of complications. The study presents a methodological framework for optimizing the XGBoost algorithm to improve the accuracy of diabetes predictions while minimizing misclassification, with a special emphasis on the reduction of false negatives due to its significant clinical implications. Our machine learning methodology combines comprehensive data preprocessing, systematic hyperparameter optimization through grid search, and rigorous model evaluation using confusion matrix analysis and ROC-AUC metrics. The Pima Indians Diabetes Database is partitioned using an 70:30 test-exercise split to ensure robust model generalization. The optimized XGBoost model shows outstanding performance metrics: accuracy (96.33%), precision (93.4%), regain (97.16%), F1 score (95.7%), and ROC-AUC score (0.99). A detailed analysis of the confusion matrix revealed 205 true positives and 373 true negatives, with only 16 false positives and 6 false negatives, indicating superior diagnostic capabilities. These findings suggest that our optimized XGBoost algorithm is a valuable decision support tool for healthcare practitioners in the early detection of diabetes. Although the model shows excellent overall performance, further reduction of false-negative results remains an important target for improving clinical safety. The study makes a significant contribution to medical data science by building a robust and optimized framework for diabetes prediction using advanced machine learning techniques, with potential applications in clinical decision support systems and preventive health care strategies. Keywords: Diabetes mellitus, XGBoost, confusion matrix, ROC-AUC, hyperparameter optimization.
Optimasi Akurasi Prediksi Penyakit Kanker Payudara Menggunakan Metode Random Forest Susanto, Erliyan Redy; Misdiantoro, Diky
Jurnal Pendidikan dan Teknologi Indonesia Vol 5 No 5 (2025): JPTI - Mei 2025
Publisher : CV Infinite Corporation

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jpti.802

Abstract

Kanker payudara merupakan ancaman serius bagi kesehatan wanita, dengan deteksi dini dan diagnosis akurat yang sangat penting untuk meningkatkan hasil pasien dan mengurangi kematian; namun, akurasi dan keandalan metode diagnosis saat ini masih perlu ditingkatkan. Penelitian ini bertujuan untuk mengoptimalkan metode Random Forest dalam prediksi kanker payudara, meningkatkan akurasi dan efisiensi model diagnosa. Menggunakan dataset Kaggle yang mencakup 569 pasien dengan 30 fitur karakteristik sel payudara, penelitian ini melalui proses pemuatan data, pra-pemrosesan (pembersihan dan normalisasi), pembagian data latih dan uji, pelatihan model Random Forest, prediksi, evaluasi model dengan metrik akurasi, presisi, recall, F1-score, dan AUC-ROC, serta visualisasi hasil. Hasilnya, penelitian mencapai akurasi 96%, peningkatan dari 95% yang dicapai sebelumnya, dengan model Random Forest yang dioptimalkan menunjukkan performa sangat baik dalam mengklasifikasikan kanker payudara, memiliki presisi 98%, recall 93%, dan F1-Score 95%, serta kemampuan klasifikasi sempurna dengan AUC 1.00. Model ini dapat menjadi alat yang efektif dalam diagnosis medis kanker payudara, meningkatkan hasil pasien, dan mengurangi kematian, sehingga penelitian ini merekomendasikan penggunaan metode Random Forest yang dioptimalkan sebagai alat prediksi kanker payudara yang efektif dan efisien.
Comparative Analysis of Oversampling and SMOTEENN Techniques in Machine Learning Algorithms for Breast Cancer Prediction Yulian, Tri; Susanto, Erliyan Redy
Sistemasi: Jurnal Sistem Informasi Vol 14, No 3 (2025): Sistemasi: Jurnal Sistem Informasi
Publisher : Program Studi Sistem Informasi Fakultas Teknik dan Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32520/stmsi.v14i3.5146

Abstract

Breast cancer is the leading cause of cancer-related death among women, with one of the major challenges in developing predictive models being the class imbalance in medical datasets. This imbalance hinders the detection of minority classes (patients with cancer), which is critical for early diagnosis. This study aims to analyze the performance of Support Vector Machine (SVM) and Random Forest algorithms in predicting breast cancer using oversampling and SMOTEENN preprocessing techniques. The dataset used is the SEER Breast Cancer Dataset, which was balanced using both techniques. Model performance was evaluated using metrics such as accuracy, precision, recall, and F1-score. The results showed that SVM with oversampling achieved the highest accuracy of 98.97%, followed by SVM with SMOTEENN at 97.20%. Random Forest with oversampling reached an accuracy of 96.63%, while with SMOTEENN it achieved 95.90%. SVM proved more effective in identifying both classes with minimal error, particularly when combined with oversampling. These findings highlight that selecting the appropriate model and data preprocessing technique—such as oversampling or SMOTEENN—can significantly enhance predictive accuracy. This research contributes to the development of more accurate and reliable breast cancer prediction systems, supporting early diagnosis and clinical decision-making in medical applications.
A Improving lung cancer classification with feature selection: a comparative study of random forest and xgboost Kurniawan, David; Budiman, Ega; Fadli, Muhammad; Susanto, Erliyan Redy
Jurnal Mantik Vol. 9 No. 1 (2025): May: Manajemen, Teknologi Informatika dan Komunikasi (Mantik)
Publisher : Institute of Computer Science (IOCS)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35335/mantik.v8i5.6319

Abstract

The leading cause of cancer mortality worldwide remains lung cancer which can be better managed when early and precise diagnosis is achieved to enhance patient outcomes. High-dimensional datasets in medical diagnostics create obstacles for classification because redundant and irrelevant features diminish model accuracy and boost computational complexity. This research investigates how feature selection enhances the performance of lung cancer classification models. The study evaluates Random Forest (RF) and XGBoost as classification models and uses Genetic Algorithm (GA) for feature selection to enhance model efficiency. The GA process ran for 50 generations and reached convergence at the 40th generation which showed that the optimal feature subset had reached stability. Random Forest outperformed XGBoost using GA-based feature selection in a number of parameters, such as accuracy, precision, recall, F1-score, and AUC-ROC. Random Forest displays superior effectiveness in utilizing optimized feature subsets to achieve enhanced generalization and classification performance over XGBoost. The research stands out because it compares how feature selection affects RF and XGBoost algorithms for lung cancer classification using fixed model settings. The research findings demonstrate the value of integrating RF with GA for feature selection as it offers potential for building both efficient and interpretable lung cancer diagnostic models within medical AI
TINJAUAN LITERATUR DENGAN PENDEKATAN SYSTEMATIC LITERATURE REVIEW UNTUK OPTIMASI KUERI DALAM BASIS DATA Budiman, Ega; Fadli, Muhammad; David Kurniawan; Susanto, Erliyan Redy
STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer Vol. 4 No. 2 (2025): Mei
Publisher : Yayasan Literasi Sains Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55123/storage.v4i2.5182

Abstract

Efisiensi basis data MySQL sangat bergantung pada teknik optimasi kueri yang diterapkan, terutama dalam skenario dengan dataset besar dan kompleksitas kueri tinggi. Studi ini menggunakan pendekatan Systematic Literature Review (SLR) untuk mengidentifikasi teknik optimasi kueri yang terbukti efektif berdasarkan analisis dari literatur terkait. Hasil SLR menunjukkan bahwa pengindeksan, restrukturisasi kueri, tabel partisi, optimasi join, dan caching secara signifikan meningkatkan kinerja sistem dengan mengurangi waktu eksekusi kueri dan mengoptimalkan penggunaan sumber daya. Teknik-teknik ini memberikan hasil optimal jika diterapkan sesuai dengan karakteristik data dan kebutuhan sistem. Selain itu, pemantauan kinerja berkala dan kombinasi teknik optimasi disarankan untuk mempertahankan efisiensi basis data. Penelitian ini memberikan panduan berbasis bukti bagi pengembang dan administrator dalam mengelola basis data MySQL yang lebih cepat dan efisien.
PERANCANGAN PENERAPAN ALGORITMA KRIPTOGRAFI AES 256 UNTUK KEAMANAN DATABASE APLIKASI MANAJEMEN SISWA Purwanti, Dian Sri; Fadli, Muhammad; Surono, Muhammad; Susanto, Erliyan Redy
STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer Vol. 4 No. 2 (2025): Mei
Publisher : Yayasan Literasi Sains Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55123/storage.v4i2.5237

Abstract

Mengelola sistem informasi berbasis web memerlukan keamanan data, terutama di institusi pendidikan di mana informasi pribadi siswa disimpan. Basis data aplikasi manajemen siswa di SMKN 4 Bandar Lampung dibuat lebih aman dalam penelitian ini dengan memanfaatkan teknik kriptografi AES 256. Urgensi penelitian ini ditekankan oleh meningkatnya risiko terhadap sistem informasi akademik yang dapat mengakibatkan pelanggaran data dan penyalahgunaan. Implementasi dan analisis kinerja AES 256 untuk menjaga integritas dan keamanan data siswa adalah topik utama dari penelitian ini. Mengelola sistem informasi berbasis web memerlukan keamanan data, terutama di lembaga pendidikan di mana informasi pribadi siswa disimpan. Basis data aplikasi manajemen siswa di SMKN 4 Bandar Lampung dibuat lebih aman dalam penelitian ini dengan memanfaatkan teknik kriptografi AES 256. Urgensi penelitian ini ditekankan oleh meningkatnya risiko terhadap sistem informasi akademik yang dapat mengakibatkan pelanggaran data dan penyalahgunaan. Implementasi dan analisis kinerja AES 256 untuk menjaga keamanan dan integritas data siswa adalah topik utama dari penelitian ini.
Optimasi Random Forest untuk Prediksi Penyakit Jantung Menggunakan SMOTEENN dan Grid Search Susanto, Erliyan Redy; Eka Pranajaya, Akbar
Jurnal Pendidikan dan Teknologi Indonesia Vol 5 No 7 (2025): JPTI - Juli 2025
Publisher : CV Infinite Corporation

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jpti.855

Abstract

Penyakit jantung merupakan salah satu penyebab utama kematian di dunia, dengan sekitar 17,9 juta kematian setiap tahun. Diagnosis dini dan akurat sangat penting untuk pengobatan yang efektif, namun ketidakseimbangan kelas dalam dataset medis sering menyebabkan bias pada model prediktif, khususnya dalam mengidentifikasi pasien dengan penyakit jantung (kelas minoritas). Studi ini bertujuan untuk mengoptimalkan kinerja algoritma Random Forest dalam memprediksi penyakit jantung dengan mengatasi ketidakseimbangan data menggunakan teknik SMOTEENN (Synthetic Minority Over-sampling Technique combined with Edited Nearest Neighbors) serta penyetelan hiperparameter melalui GridSearchCV. Dataset dibagi menjadi data pelatihan (80%) dan pengujian (20%), dengan evaluasi kinerja menggunakan metrik akurasi, presisi, recall, spesifisitas, F1-score, dan AUC ROC. Hasil penelitian menunjukkan bahwa model yang dioptimalkan mencapai akurasi sebesar 94%, presisi 87%, recall 100%, spesifisitas 91%, F1-score 93%, dan AUC sebesar 0,99. Teknik SMOTEENN terbukti efektif dalam meningkatkan representasi kelas minoritas tanpa menimbulkan noise yang signifikan, sementara GridSearchCV berhasil menemukan kombinasi hiperparameter terbaik untuk meningkatkan performa model. Model Random Forest yang dihasilkan menunjukkan potensi tinggi sebagai alat bantu diagnosis dini penyakit jantung, yang dapat berkontribusi dalam menurunkan angka kematian dan meningkatkan efisiensi biaya perawatan.
Co-Authors ., Rusliyawati Adela, Marsya Agus Wantoro Amarudin, Amarudin Amelya, Eka Andi Nurkholis Az Zahra, Renny Fatimah Budiman, Ega Cahyana, Agum David Kurniawan DAVID KURNIAWAN Doris Juarsa Eka Pranajaya, Akbar Estri Pratiwi, Kyky Fidya Fadli, Muhammad Fudholi, Muhammad Fahmi Hendratno, Hary Inzaghi, M. Rana Irawan, Made Kevinda Sari Lestari, Ninik Maylanda, Putri Oktaria Misdiantoro, Diky Muhammad Fadli Neneng Neneng Neneng, N Nirwana Hendrastuty Purwanti, Dian Sri Putri, Made Yuninda Rahmada, Alfin Ramadhani, Resvi Restu Anggoro S, Muhammad Ikhsan Setiawansyah Setiawansyah Simarmata, Yohanes Surono, Muhammad Tyas, Khoirunisa Cahyaning Ulum, Faruk Wijaya, Suhenda Yulian, Tri