Article Per Year (5 Year)
p-Index From 2020 - 2025
1.945
P-Index
This Author published in this journals
All Journal Ekonomi Bisnis Jurnal Ilmiah Teknologi dan Rekayasa Jurnal Ilmu Komputer dan Agri-Informatika Jurnal Aplikasi Bisnis dan Manajemen (JABM) E-Journal Jurnal Ilmiah KOMPUTASI Angkasa: Jurnal Ilmiah Bidang Teknologi Interdisciplinary Social Studies Prosiding SeNTIK STI&K
Supriyanto, Raden
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Automotive Engineering Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Materials Science & Nanotechnology Public Health Social Sciences

Published : 10 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 10 Documents
Search

 1 
RANKING AND GROUPING FOR SCHOLARSHIP RECIPIENTS OF THE NAVY INFORMATION TECHNOLOGY PROFESSION Harmawan, Galih Aris; Supriyanto, Raden
Angkasa: Jurnal Ilmiah Bidang Teknologi Vol 12, No 1 (2020): Mei
Publisher : Sekolah Tinggi Teknologi Adisutjipto

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (5712.125 KB) | DOI: 10.28989/angkasa.v12i1.615

Abstract

The process of selecting scholarship recipients is a process that must be carried out in the context of providing educational scholarships. For the Navy, education is a very important thing in an effort to increase capability and professionalism in running an organization. The provision of educational scholarships for Navy personnel, especially in the environment of professional informatics, is carried out through selection of candidates' criteria that have been registered. Scholarship recipient data is processed to find the order of the candidates who will be determined as scholarship recipients. Prospective recipient data is considered by looking at certain criteria. Each criterion has a different weight. Based on the weights of each criterion, we can get weights that can be sorted according to certain priorities. For decision makers, many factors influence in determining a decision, so by using the Analytical Hierarchy Process (AHP) method and the Fuzzy C-Means (FCM) method a sequence and grouping of prospective scholarship recipients can be generated from each method. Based on the calculation results, in the AHP data that was entered as many as 747 candidate data, in the initial selection process obtained as many as 107 candidate data whose profession is informatics. All candidate data can be sorted based on the calculation of the assessment of eight criteria and ranking, from rank 1 to ranking 107. For processing time, the AHP method requires a longer time, which is ± 3 minutes, weighting process ± 1 minute, and ranking process ± 1 minute. Whereas in the FCM method, with the same amount of data it takes around ± 5 minutes until the iteration is complete or until the difference in objective function is smaller than epsilon. For the grouping results, this FCM method found that 43 candidates (40.19%) were strongly recommended, 31 candidates (28.97%) were recommended, and 33 candidates (30.84%) were not advised to receive scholarships with cluster validation in this study was 0.604. Hope in the future can simplify the calculation process for ranking and grouping selection, because it is already a computer application that is easy to use, and is expected to accelerate the selection process.
SISTEM PENDUKUNG KEPUTUSAN PROMOSI PEJABAT STRUKTURAL MELALUI DIKLAT KEPEMIMPINAN IV MENGGUNAKAN METODE PROFILE MATCHING STUDI KASUS DI PPPPTK BAHASA JAKARTA: DECISION SUPPORT SYSTEM OF STRUCTURAL POST PROMOTION THROUGH LEADERSHIP TRAINING AND EDUCATION IV BY USING MATCHING PROFILE METHOD A CASE STUDY IN PPPPTK BAHASA JAKARTA Yulia Purwaningsih; Raden Supriyanto
Jurnal Aplikasi Bisnis dan Manajemen (JABM) Vol. 6 No. 1 (2020): JABM Vol. 6 No. 1, Januari 2020
Publisher : School of Business, Bogor Agricultural University (SB-IPB)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.17358/jabm.6.1.74

Abstract

This research attempted to develop an executive decision support system for structural promotion that precise, fast, and systematic; as well as to establish employee databases for performance assessment. The research employed 1) descriptive analyses to identify the promotion problem in PPPPTK Bahasa; 2) data analyses to explore the collected data from observation, questionnaire, and interview; and 3) waterfall model which is known as classical life cycle model and systematic approach in sequence to develop a software. The development design started with analyses, design, coding, testing, and maintenance. Results indicate that the executive decision support system for structural promotion was successfully developed to meet the objective, and the output can be used for decision and employee performance database. The study concluded that the decision support system for structural promotion increased effective and efficient decision making. This system was created on the data that followed human resources norms in PPPPTK Bahasa. The system provided a recommendation based on evaluation for employee promotion based on their performance ranks. Keywords: gap analysis, leadership training, profile matching, post promotion,decision support system Abstrak: Penelitian ini bertujuan mengembangkan sebuah sistem penunjang keputusan dalam proses promosi jabatan struktural untuk membantu pimpinan dalam mengambil keputusan secara tepat, cepat, dan sistematis; dan membuat basis data (database) pegawai untuk sistem penilaian kinerja pegawai. Metode yang digunakan dalam penelitian ini adalah 1) identifikasi masalah promosi jabatan pegawai PPPPTK Bahasa dengan menggunakan analisis deskriptif; 2) analisis data masukan dari proses observasi, data kuesioner dan hasil wawancara; dan 3) pengembangan perangkat lunak menggunakan model air terjun atau sering disebut dengan siklus kehidupan klasik, pendekatan yang sistematis dalam sekuensial. Pengembangan dimulai dari analisis, desain, kode, pengujian, dan pemeliharaan. Hasil penelitian menunjukkan bahwa sistem pendukung keputusan promosi jabatan struktural berhasil dikembangkan sesuai dengan tujuan dan hasil keluaran sistem yang dapat digunakan sebagai masukan bagi pimpinan dalam pengambilan keputusan serta dapat disimpan sebagai basis data penilaian kinerja pegawai. Simpulan yang dapat ditarik dari hasil penelitian ini adalah Sistem Pendukung Keputusan Promosi Jabatan Struktural mampu meningkatkan keefektifan dan efisiensi manajemen dalam pengambilan keputusan. Sistem ini dibuat berdasarkan data dan norma-norma sumber daya manusia (SDM) di Pusat Pengembangan dan Pemberdayaan Pendidik dan Tenaga Kependidikan (PPPPTK) Bahasa. Sistem penunjang keputusan yang mampu memberikan evaluasi kinerja pegawai yang akan dipromosikan berupa pemeringkatan pegawai sebagai rekomendasi bagi pimpinan untuk mengambil keputusan. Kata kunci: analisis gap, diklat kepemimpinan, profile matching, promosi jabatan, sistem penunjang keputusan
PENGARUH KINERJA KEUANGAN, PERTUMBUHAN PENJUALAN DAN INTENSITAS ASET TETAP TERHADAP TAX AVOIDANCE DENGAN PROPORSI KOMISARIS INDEPENDEN SEBAGAI VARIABEL MODERASI Raden Supriyanto
Jurnal Ilmiah Ekonomi Bisnis Vol 26, No 3 (2021)
Publisher : Universitas Gunadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (505.816 KB) | DOI: 10.35760/eb.2021.v26i3.5172

Abstract

Tujuan penelitian ini adalah untuk menganalisis pengaruh kinerja keuangan yang terdiri dari profitabilitas dengan proksi Return on Asset (ROA), solvabilitas dengan proksi Long Term Debt to Equity Ratio (LTD), aktivitas dengan proksi Total Assets Turnover (TAT), pertumbuhan penjualan (Sales Growth-GRW) dan intensitas aset tetap (IAT) terhadap Tax Avoidanve (Effective Tax Rate) dengan proporsi komisaris independen (KIN) sebagai variabel moderasi. Metode pengambilan sampel yang digunakan yaitu purposive sampling, dengan 29 perusahaan terpilih sebagai objek penelitian. Metode analisis yang digunakan adalah analisis regresi data panel. Berdasarkan hasil uji pemilihan model, model Fixed Effect yang terpilih. Hasil penelitian ini yaitu secara parsial variabel TAT, GRW) dan IAT berpengaruh terhadap ETR, sedangkan variabel   LTD, ROA, dan KIN tidak berpengaruh terhadap ETR. Secara simultan variabel ROA, LTD, TAT, GRW, IAT, dan KIN berpengaruh terhadap ETR. Secara simultan penambahan variable dummy COV (Covid-19) tidak berpengaruh signifikan terhadap ETR, dengan kata lain tidak ada perbedaan yang signifikan antara praktik penghindaran pajak (ETR) sebelum pandemi dengan selama pandemi Covid-19. Secara simultan variabel KIN memperlemah pengaruh ROA, LTD, TAT, GRW dan, IAT terhadap ETR.
RANKING AND GROUPING FOR SCHOLARSHIP RECIPIENTS OF THE NAVY INFORMATION TECHNOLOGY PROFESSION Galih Aris Harmawan; Raden Supriyanto
Angkasa: Jurnal Ilmiah Bidang Teknologi Vol 12, No 1 (2020): Mei
Publisher : Institut Teknologi Dirgantara Adisutjipto

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (5712.125 KB) | DOI: 10.28989/angkasa.v12i1.615

Abstract

The process of selecting scholarship recipients is a process that must be carried out in the context of providing educational scholarships. For the Navy, education is a very important thing in an effort to increase capability and professionalism in running an organization. The provision of educational scholarships for Navy personnel, especially in the environment of professional informatics, is carried out through selection of candidates' criteria that have been registered. Scholarship recipient data is processed to find the order of the candidates who will be determined as scholarship recipients. Prospective recipient data is considered by looking at certain criteria. Each criterion has a different weight. Based on the weights of each criterion, we can get weights that can be sorted according to certain priorities. For decision makers, many factors influence in determining a decision, so by using the Analytical Hierarchy Process (AHP) method and the Fuzzy C-Means (FCM) method a sequence and grouping of prospective scholarship recipients can be generated from each method. Based on the calculation results, in the AHP data that was entered as many as 747 candidate data, in the initial selection process obtained as many as 107 candidate data whose profession is informatics. All candidate data can be sorted based on the calculation of the assessment of eight criteria and ranking, from rank 1 to ranking 107. For processing time, the AHP method requires a longer time, which is ± 3 minutes, weighting process ± 1 minute, and ranking process ± 1 minute. Whereas in the FCM method, with the same amount of data it takes around ± 5 minutes until the iteration is complete or until the difference in objective function is smaller than epsilon. For the grouping results, this FCM method found that 43 candidates (40.19%) were strongly recommended, 31 candidates (28.97%) were recommended, and 33 candidates (30.84%) were not advised to receive scholarships with cluster validation in this study was 0.604. Hope in the future can simplify the calculation process for ranking and grouping selection, because it is already a computer application that is easy to use, and is expected to accelerate the selection process.
Analisis Kinerja Algoritma Naïve Bayes dan k-NN untuk Memprediksi Penyakit Kanker Paru Moh. Naezer; Raden Supriyanto
Jurnal Ilmiah Komputasi Vol. 22 No. 2 (2023): Jurnal Ilmiah Komputasi : Vol. 22 No 2, Juni 2023
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32409/jikstik.22.2.3352

Abstract

Penyakit kanker merupakan penyakit pembunuh nomor satu di dunia. Kanker paru merupakan salah satu diantara jenis kanker diseluruh dunia. Dalam bidang kesehatan, diagnosa kanker merupakan masalah yang menantang dan banyak penelitian yang difokuskan untuk meningkatkan kinerja guna mendapatkan hasil terbaik. Berdasarkan permasalahan tersebut salah satu teknik yang dapat digunakan dalam pendeteksian adalah data mining dengan teknik classification. Pada penelitian ini, melakukan analisis kinerja data mining menggunakan algoritma Naïve Bayes dan k-NN untuk memprediksi penyakit kanker paru. Pengujian dilakukan dengan menggunakan perbandingan 75% data training : 25% data testing. Berdasarkan hasil penelitian dan pengujian bahwa algoritma Naïve Bayes memiliki akurasi lebih baik dibandingkan dengan k-NN. Algoritma Naïve Bayes berdasarkan perhitungan dengan tools memiliki akurasi akurasi tertinggi sebesar 98.8%, sedangkan algoritma k-NN memiliki akurasi 83.7%. Konversi ROC bahwa algoritma Naïve Bayes memiliki nilai AUC lebih besar dari k-NN dengan 0.897 berbanding 0.997.
Analisis Algoritma Decesion Tree, KNN dan Naïve Bayes Pada Dataset Penyakit Jantung Ermandy Astama Putra; Raden Supriyanto
Jurnal Ilmiah Komputasi Vol. 22 No. 2 (2023): Jurnal Ilmiah Komputasi : Vol. 22 No 2, Juni 2023
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32409/jikstik.22.2.3353

Abstract

Dalam menyelesaikan penulisan thesis, saya mengambil penelitian tentang penyakit jantung. Jantung merupakan organ vital manusia, namun terkadang memiliki beberapa masalah. Betapa pentingnya peran jantung sehingga jika mengalami masalah berpengaruh dalam kelangsungan hidup. Maka perlu adanya suatu pemanfaatan yang lebih baik dalam mendeteksi gejala penyakit jantung, salah satu teknik yang dapat digunakan yaitu data mining dengan teknik classification. Penelitian ini melakukan analisis komparasi algoritma Decesion Tree, KNN dan Naïve Bayes pada dataset penyakit jantung. Penggunaan tools membantu menghitung nilai akurasi maupun AUC dari tiga algoritma tersebut. Algoritma Decesion Tree memiliki nilai akurasi 84.77%, KNN memiliki nilai akurasi 94.92% dan Naïve Bayes memiliki nilai akurasi 81.64%. Perhitungan tersebut diuji berdasarkan nilai recall maupun presisi. Nilai AUC ditarik dari konversi ROC bahwa algoritma Decesion Tree memiliki nilai AUC 0.936, KNN memiliki nilai AUC 0.990 dan Naïve Bayes memiliki nilai AUC 0.901. Berdasarkan hasil tersebut disimpulkan bahwa penelitian dataset penyakit jantung lebih baik menggunakan algoritma KNN dibandingkan dengan Decesion Tree dan Naïve Bayes.
PERBANDINGAN MODEL MULTIPLE LINEAR REGRESSION DAN DECISION TREE REGRESSION (STUDI KASUS: PREDIKSI HARGA SAHAM TELKOM, INDOSAT, DAN XL) Althof Thabibi; Raden Supriyanto
Jurnal Ilmiah Teknologi dan Rekayasa Vol 28, No 1 (2023)
Publisher : Universitas Gunadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35760/tr.2023.v28i1.6081

Abstract

Penggunaan machine learning menjadi salah satu bidang yang banyak digunakan seiring berkembangnya zaman. Melakukan prediksi dengan baik pada suatu data dapat dibantu dengan teknik dan model pada machine learning. Regresi menjadi salah satu teknik terbaik yang dapat digunakan dalam memprediksi suatu data. Tujuan penelitian ini yaitu untuk memanfaatkan machine learning menggunakan regresi dalam memprediksi sebuah data dengan baik. Tahapan penelitian dalam melakukan prediksi ini meliputi pengumpulan materi, analisis dan perancangan, uji coba, dan implementasi. Uji coba dilakukan dalam 3 skema pengujian, yaitu 80:20, 70:30, dan 60:40. Implementasi dilakukan dengan evaluasi error setiap model regresi untuk menentukan model terbaik dalam mengolah dataset. Hasil penelitian menggunakan model Multiple Linear Regression (MLR) dan Decision Tree Regression (DTR) memiliki perbedaan yang cukup besar. Model MLR memiliki nilai terbaik untuk MAE menggunakan skema 70:30 dengan nilai sebesar 0.008, sedangkan untuk RMSE dan MAPE menggunakan skema 60:40 dengan nilai sebesar 2.591 dan 0.852. Model DTR memiliki nilai terbaik menggunakan skema 80:20 dengan nilai MAE sebesar 0.013, nilai RMSE sebesar 4.014, dan nilai MAPE sebesar 1.287. Kesimpulan menunjukkan bahwa model MLR lebih bagus digunakan untuk dataset telekomunikasi selama 5 tahun terakhir karena memiliki nilai lebih kecil daripada model DTR walaupun dengan skema yang berbeda.
Perbandingan Kinerja Algoritma Random Forest, AdaBoost, dan XGBoost Dalam Memprediksi Resiko Penyakit Osteoporosis Supriyanto, Raden; Alfianti, May Linda Tri
Jurnal Ilmu Komputer dan Agri-Informatika Vol. 11 No. 2 (2024)
Publisher : Sekolah Sains Data, Matematika, dan Informatika. Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.11.2.172-184

Abstract

Penyakit tulang yang disebut osteoporosis ditandai oleh berkurangnya massa tulang dan meningkatnya kerapuhan, yang meningkatkan kemungkinan patah tulang terutama pada pinggul, tulang belakang dan pergelangan tangan. Penyakit ini dapat dialami oleh perempuan dan laki-laki, khususnya usia tua. Penyakit ini umumnya tidak menimbulkan gejala pada tahap awal, sehingga prediksi dini sangat penting untuk pencegahan dan penanganan. Tujuan dari penelitian ini adalah untuk membandingkan kinerja tiga algoritma pembelajaran mesin, yaitu Random Forest, AdaBoost dan XGBoost, dalam memprediksi resiko osteoporosis. Dataset yang digunakan berjumlah 1781 data dengan tiga skema pembagian data 80:20, 70:30 dan 60:40. Pada algoritma Random Forest, skema 80:20 memberikan hasil terbaik dengan akurasi 87,11%, dan presisi 89,09%. Sementara itu, algoritma AdaBoost menunjukkan performa terbaik pada skema 60:40 dengan akurasi 92,01% dan presisi 93,13%. Algoritma XGBoost menunjukkan hasil terbaik pada skema 80:20 dengan akurasi 90,20% dan presisi 90,77%. Hasil penelitian menunjukkan bahwa algoritma AdaBoost memiliki kinerja terbaik di antara ketiga algoritma yang diuji. Setelah itu mengimplementasikan model prediksi resiko osteoporosis ke dalam website, yang memungkinkan pengguna melakukan prediksi berdasarkan 14 variabel: umur, jenis kelamin, riwayat keluarga, etnis, penggunaan obat, riwayat patah tulang, perubahan hormonal, asupan vitamin D, asupan kalsium, berat badan, aktivitas fisik, konsumsi alcohol, merokok dan kondisi medis.
TREN RISET E-LEARNING: STUDI BIBLIOMETRIK METADATA ARTIKEL ILMIAH DARI GOOGLE SCHOLAR MENGGUNAKAN ALAT BANTU VOSVIEWER. Karmilasari; Raden Supriyanto; Lussiana ETP; Dharma Tintri Ediraras
Prosiding Seminar SeNTIK Vol. 6 No. 1 (2022): Prosiding SeNTIK 2022
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat

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

Abstract

E-learning dalam konteks pandemi COVID-19, telah menjadi tantangan tidak hanya bagi sistem pendidikan tetapi untuk masyarakat dan motivasi para peneliti. Studi ini bertujuan untuk menganalisis bibliometrik umum mengenai tren fokus risetl bidang e-learning. Sampel yang digunakan adalah metadata bibliometrik bersumber dari artikel jurnal dari database Google Scholar (tidak berbayar karena merupakan hak warga negara untuk mengakses informasi), yang diterbitkan pada tahun 2000 sd 2022, alat bantu yang digunakan adalah aplikasi penemu metadata Publish and Perish, dan aplikasi kesamaan visual VOSViewer. Tinjauan tersebut menghasilkan 781 artikel ilmiah dengan 11772 citasi, dimana tahun 2015, memiliki distribusi tertinggi dan terendah tahun 2000; negara paling produkstif adalah USA dan UK, dan urutan terbawah adalah Iran dan Ghana, sedangkan Indonesia pada urutan ke-12 dari 27 negara. Peta kesamaan visual jejaring riset e-learning menghasilkan 45 terminologi (Item) dalam 4 cluster, 683 koneksi dengan 2633 jejaring, yang menjelaskan bahwa fokus riset terkait e-learning yang sudah banyak dilakukan adalah study, student, technology, dan cource; sedangkan peluang riset e-learning yang masih relatif sedikit adalah plafform, implementasi dan kualitas. Riset lanjutan memuat sampel metadata artikel lengkap dari database lainnya (Berbayar) sehingga dapat diindetifikasi distribusi publikasi dan citasi berdasarkan jenis dokumen, judul artikel , penulis, kata kunci, transdisiplin terkait e-learning, institusi, dan penerbit
Comparative Analysis of Machine Learning Models For Predicting Default in Home Credit Companies Alexander, Daniel; Supriyanto, Raden
Interdisciplinary Social Studies Vol. 4 No. 4 (2025): Regular Issue: July-September 2025
Publisher : International Journal Labs

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55324/iss.v4i4.930

Abstract

Credit scoring is an important process in the financial world to accurately identify the risk of prospective debtors. This study aims to build a credit scoring model by comparing the performance of several machine learning algorithms, namely XGBoost, random forest, and logistic regression. The dataset used is part of the training data and test data with several ratios, namely 70:30, 75:25, and 80:20. The preparation process is carried out through variable selection using the 5C principle, missing value imputation, categorical transformation of variables, and creation of derived features. Furthermore, modeling and optimization are carried out for each model to improve classification performance, especially in recognizing debtors who have the potential to default. The evaluation results show that the XGBoost model has the best performance with an accuracy of 84.8%, a precision of 84.9% and a recall of 84.7%, and an AUC of 92.3%. The main assessment of the character principle is the external credit score variable, the main assessment of the capacity principle is income, the main assessment of the capital principle is car ownership, the main assessment of the collateral principle is the credit financing ratio, and the main assessment of the condition principle is the regional rating.
Co-Authors Alexander, Daniel Alfianti, May Linda Tri Althof Thabibi Ermandy Astama Putra Galih Aris Harmawan Harmawan, Galih Aris Karmilasari Lussiana ETP Moh. Naezer Yulia Purwaningsih