Claim Missing Document
Check
Articles

Found 3 Documents
Search

PENERAPAN METODE ANALITYCAL HIERARCHY PROCESS (AHP) PADA SISTEM PENDUKUNG KEPUTUSAN UNTUK MENETAPKAN KRITERIA KELAYAKAN PESERTA MTQ PROVINSI RIAU Agusviyanda; Anam, M Khairul; Jamaris, Muhammad; Asnal, Hadi; Hamdani
Jurnal Manajemen Informatika dan Sistem Informasi Vol. 7 No. 1 (2024): MISI Januari 2024
Publisher : LPPM STMIK Lombok

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36595/misi.v7i1.1058

Abstract

The Riau Province Quranic Recitation Development Institute (LPTQ) has the main task of assisting in nurturing prospective Quranic reciters, conducting selections, and deciding participants eligible to compete i Lembaga Pengembangan Tilawatil Quran (LPTQ) Provinsi Riau mempunyai tugas pokok membantu melaksanakan pembibitan calon tilawah hingga seleksi untuk memutuskan peserta untuk mengikuti Musabaqah Tilawatil Qur’an dilevel nasional. LPTQ secara berkala melakukan seleksi dari tingkat kabupaten dengan mempertimbangkan beberapa kriteria wajib dan kriteria pertimbangan. Selama ini keberadaan LPTQ sangat efektif namun masalah yang kemudian muncul adalah belum adanya peran teknologi dalam proses seleksi. Oleh karena itu penelitian ini memberikan solusi terkait perhitungan seleksi dengan menggunakan metode AHP. Perhitungan menggunakan metode Analytical Hierarchy Process (AHP), AHP adalah metode yang digunakan untuk mengevaluasi dan membuat keputusan dengan mempertimbangkan berbagai kriteria. Metode ini mengevaluasi alternatif berdasarkan kriteria yang berbeda, memberikan skor relatif untuk setiap alternatif. Penelitian ini melakukan pembobotan berdasarkan kriteria yaitu Waktu, Suara, Lagu, Fasahah, dan Tajwid. Setelah itu dirumuskan perankingan yang mana dapat menetukan alternatif terbaik sebagai penunjang keputusan peserta MTQ yang layak. Percobaan yang dilakukan menggunakan perwakilan dari masing-masing kabupaten dan kota yang ada di provinsi riau. Perhitungan bobot menggunakan Microsoft excel dan software Expert Choice 2000. Hasil dari penelitian ini dengan menggunakan tools yang berbeda namun hasil yang dihasilkan tetap sama. n the national-level Quranic Recitation Competition (Musabaqah Tilawatil Qur’an). Periodically, the LPTQ carries out selections at the district level, considering both mandatory criteria and additional considerations. Although the existence of LPTQ has been effective, a challenge arises due to the absence of technological involvement in the selection process. Hence, this study, titled "Implementation of the Analytical Hierarchy Process in the Decision Support System to determine eligibility criteria for participants in the Riau Province Quranic Recitation Competition," aims to assign weight values to each attribute based on the mentioned criteria. Subsequently, a ranking process will be conducted to determine the optimal alternatives in supporting the decision-making for eligible participants in the provincial-level Quranic Recitation Competition. The system is expected to assist LPTQ in making decisions on whether an individual qualifies to represent Riau at the national level.
PENINGKATAN ALGORITMA C4.5 MENGGUNAKAN ENSEMBLE LEARNING UNTUK MENDETEKSI PENYAKIT GINJAL Agusviyanda, Agusviyanda; Novita, Rita; saleh, Alfa; Jamaris, Muhammad
Jurnal Informatika Vol 12, No 3 (2024): INFORMATIKA
Publisher : Fakultas Sains & Teknologi, Universitas Labuhanbatu

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36987/informatika.v12i3.7542

Abstract

Deteksi dini penyakit ginjal sangat penting untuk menurunkan risiko komplikasi dan meningkatkan prognosis pasien. Permasalahan utama dalam diagnosis penyakit ginjal adalah adanya gejala yang tidak spesifik dan ketidakseimbangan distribusi data pasien. Penelitian ini mengusulkan peningkatan performa algoritma C4.5 untuk deteksi penyakit ginjal dengan mengintegrasikan beberapa tahapan modern, yaitu pra-pemrosesan menggunakan Label Encoder dan Ordinal Encoder untuk mengolah fitur kategorikal, penyeimbangan data menggunakan metode SMOTE-ENN, serta seleksi fitur dengan LASSO. Selanjutnya, model dasar C4.5 ditingkatkan dengan metode ensemble learning menggunakan AdaBoost. Hasil pengujian menunjukkan bahwa integrasi Adaboost pada algoritma C4.5 secara signifikan meningkatkan akurasi deteksi penyakit ginjal dibandingkan model dasar maupun model-model pada penelitian terdahulu. Model terbaik pada penelitian ini mencapai akurasi 99%, melebihi performa XGBoost maupun stacking ensemble pada kasus serupa. Kontribusi penelitian ini menegaskan efektivitas kombinasi boosting, balancing, dan seleksi fitur dalam membangun sistem pendukung keputusan berbasis machine learning untuk diagnosis penyakit ginjal.
Comparison of Support Vector Machine and XGBSVM in Analyzing Public Opinion on Covid-19 Vaccination Rahmaddeni, Rahmaddeni; Anam, M. Khairul; Irawan, Yuda; Susanti, Susanti; Jamaris, Muhammad
ILKOM Jurnal Ilmiah Vol 14, No 1 (2022)
Publisher : Prodi Teknik Informatika FIK Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/ilkom.v14i1.1090.32-38

Abstract

The corona virus has become a global pandemic and has spread almost all over the world, including Indonesia. There are many negative impacts caused by the spread of COVID-19 in Indonesia, so the government takes vaccination measures in order to suppress the spread of COVID-19. The public's response to vaccination was quite diverse on Twitter, some were supportive and some were not. The data used in this study came from Twitter which was taken using the drone emprit portal, using the keyword, namely "vaccination". The classification will be carried out using the SVM and hybrid methods between SVM and XGBoost or what is commonly called XGBSVM. The purpose of this study is to provide an overview to the public whether the Covid-19 vaccination actions carried out tend to be positive, neutral or negative opinions. The results of the sentiment evaluation that have been carried out can be seen that SVM has the highest accuracy of 83% with 90:10 data splitting, then XGBSVM produces 79% accuracy with 90:10 data splitting.