Article Per Year (5 Year)
p-Index From 2020 - 2025
4.173
P-Index
This Author published in this journals
All Journal Sinkron : Jurnal dan Penelitian Teknik Informatika Jurnal Teknik Informatika UNIKA Santo Thomas JIPN (Journal of Informatics Pelita Nusantara) Jurnal Mantik KAKIFIKOM : Kumpulan Artikel Karya Ilmiah Fakultas Ilmu Komputer Jatilima : Jurnal Multimedia Dan Teknologi Informasi INFOKUM JUKI : Jurnal Komputer dan Informatika MEANS (Media Informasi Analisa dan Sistem) Jurnal Info Sains : Informatika dan Sains Jurnal Teknik Informatika Unika Santo Thomas (JTIUST) Jurnal Pengabdian Masyarakat As-salam Ulead : Jurnal E-pengabdian
Alex Rikki
Fakultas Lmu Komputer , Universitas Katolik Santo Thomas
Religion Arts Humanities Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Languange, Linguistic, Communication & Media Social Sciences Other

Published : 25 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 25 Documents
Search

 1   2   3 
IMPLEMENTATION OF FORWARD INFERENCE REASONING IMPLEMENTING THE DEMPSTER-SHAFER METHOD FOR DIAGNOSIS OF LUNG DISEASE SYMPTOMS Tonni Limbong; Alex Rikki
INFOKUM Vol. 9 No. 2, June (2021): Data Mining, Image Processing and artificial intelligence
Publisher : Sean Institute

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (394.391 KB)

Abstract

Artificial intelligence is an effort to transfer intelligence that is added to a system that can be regulated in a scientific context or can be called artificial intelligence so that machines (computers) can do work as humans can do. Lung disease is a condition in which the lungs cannot function normally. Some of the most common include asthma, chronic obstructive pulmonary disease (COPD), pneumonia, tuberculosis, and lung cancer. The Dempster-Shafer method was first introduced by Dempster, who experimented with uncertainty models with a range of probabilities rather than a single probability. Application of the Dempster-Shafer method to diagnose lung disease, it can be concluded that inference techniques are easy to use in designing expert systems to get a conclusion but, it has weaknesses in finding these conclusions if the system has a large enough knowledge base and this will be very much use time and hinder the consultation process.
Penerapan Metode Analitycal Hierarchy Process (AHP) dalam Menentukan Judul Skripsi Joko Syahputra; Alex Rikki
JUKI : Jurnal Komputer dan Informatika Vol. 2 No. 2 (2020): JUKI : Jurnal Komputer dan Informatika, Edisi November 2020
Publisher : Yayasan Kita Menulis

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53842/juki.v2i2.34

Abstract

Thesis is a requirement to obtain undergraduate status (S1) in every university in Indonesia. The term thesis as an undergraduate final project is only used in Indonesia. To complete the thesis, students are required to apply what they learn into an application or application in certain fields, both learning and in the form of computer applications. Analytical hierarchy process (AHP) is a general theory of measurement used for scale ratios, both from discrete and continuous pairwise comparisons. Analytical hierarchy process (AHP) can simplify complex and unstructured, strategic and dynamic problems into its parts, and make variables in a hierarchy (level) the Analytical hierarchical process (AHP) method has the ability to solve multi-objective problems based on comparisons preferences of each element and hierarchy.
SISTEM PENDUKUNG KEPUTUSAN PENERIMAAN KARYAWAN DENGAN METODE SAW PADA PT. KARYA SAHATA MEDAN Alex Rikki Sinaga; Murni Marbun; Jonson S. Siregar
Journal Of Informatic Pelita Nusantara Vol 1 No 1 (2016): Journal Of Informatic Pelita Nusantara (JIPN)
Publisher : STMIK Pelita NUsantara

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (526.171 KB)

Abstract

Abstrak PT. Karya Sahata ini adalah sebuah perusahaan yang bergerak dibidang kontraktor, dan perusahaan ini memiliki banyak karyawan yang dipekerjakan diberbagai bidang didalam perusahaan tersebut. Dalam setiap adanya lowongan pekerjaan pada perusahaan ini, maka banyak calon-calon karyawan yang mendaftar untuk diterima didalam perusahaan tersebut, tetapi dalam penerimaan karyawan pada PT. Karya Sahata ini calon karyawan harus memiliki dan memenuhi kriteria yangn telah ditentukan oleh perusahaan. Penentuan karyawan selama ini masih dilakukan secara manual, sehingga memakan waktu yang sangat banyak dan tingkat akurasi yang rendah, oleh karena itu maka diperlukan sebuah sistem yang terkomputerisasi, yang dapat mempermudah penentuan karyawan berdasarkan kriteria yang telah ditentukan oleh perusahaan.                                                    Metode SAW adalah sebuah teknik yang dibenarkan untuk menentukan nilai terbaik dari beberapa kriteria yang telah ditentukan, oleh karena itu metode ini sangat cocok digunakan untuk menentukan karyawan yang akan diterima oleh PT. Karya Sahata,sehingga karyawan yang akan diterima diambil dari nilai yang tertinggi. Aplikasi ini dirancang dengan layanan pendaftaran dengan memasukkan data pendaftaran penerimaan karyawan baru melalui aplikasi serta pengolahan hasil wawancara, test kepribadian, IPK, test bidang, pengalaman bekerja.  Untuk mendapatkan informasi mengenai kriteria karyawan. Hasil dari perancangan sistem ini adalah menghasilkan sistem pendukung keputusan dan informasi hasil seleksi pada proses pengelolaan hasil wawancara, test kepribadian, IPK, test bidang, pengalaman bekerja Kata Kunci          :    Sistem Pendukung Keputusan (SPK) Metode SAW.
APPLICATION DESIGN FOR EVALUATION OF THE EFFECT OF RESEARCH VARIABLES AND THEIR IMPACT USING PEARSON PRODUCT MOMENT AND SIMPLE LINEAR REGRESSION Romanus Damanik; Alex Rikki; Parasian D.P Silitonga
INFOKUM Vol. 10 No. 02 (2022): Juni, Data Mining, Image Processing, and artificial intelligence
Publisher : Sean Institute

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (312.962 KB)

Abstract

Research is a process to solve problems. To solve existing problems, researchers must process data related to the problem to be solved. Data processing can be done using the SPSS application program, but the results obtained are still in the form of numerical values ​​that must be concluded with sentences. To speed up data processing and determine conclusions, it is necessary to build an application for evaluating the influence of research variables and their impacts to help researchers, especially in the social field, to speed up in determining conclusions on evaluating the influence of research variables and their effects using the Pearson product moment method and simple linear regression. With the application that was built, the correlation coefficient of monthly money on student GPA is 0.0603 and the regression equation Y= 3.1319 + 0.0084 X , where there is an effect of student monthly money on student GPA of one hundred thousand rupiah, then the student's IP will increase by 0.0084
Artificial Neural Networks in Predicting the Number of New Students using the Backprobapication Method : (Case Study: Santo Thomas Catholic University Medan) Alex Rikki; Doni El Rezen Purba; Marulak Lasron Siahaan; Petrus Leonardi Marpaung; Reni Maria Manalu
Jurnal Mantik Vol. 6 No. 2 (2022): August: 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.v6i2.2762

Abstract

An artificial neural network is an information processing designed by imitating how the human brain works in solving problems, namely by carrying out the learning process. Backpropagation is one of the algorithms of artificial neural networks that is often used in predicting because it has a good level of accuracy. Uncertainty in the number of registrants at the Catholic University of Santo Thomas, forecasts or predictions are made. The problem formulation of this research is "How to predict new student admissions using an Artificial Neural Network with the Backpropagation method?". The purpose of this study is to find out how many new students there will be in 2022 in order to plan a strategy to find out the ups and downs of the number of new students.
Multi-Language Sentiment Analysis Using Machine Learning Parasian D.P Silitonga; Limrot Imran Purba; Irene Sri Morina; Alex Rikki
Jurnal Info Sains : Informatika dan Sains Vol. 13 No. 02 (2023): Jurnal Info Sains : Informatika dan Sains , Edition September  2023
Publisher : SEAN Institute

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

Abstract

Sentiment analysis is the interpretation and classification of user emotions (positive, negative, neutral) about a subject in text data using text analysis. Multilingual sentiment analysis is the process of assessing sentiment in more than one language. The tricky thing about being multilingual is that the emotions and behavior of our consumers are heavily influenced by culture and language. Therefore, for organizations with an international customer or user base, sentiment analysis is highly recommended to perform analysis not only in one language but in many languages. This is because the accuracy of the assessment will be better if it is done in more than one language. There are several methods that can be used to perform sentiment analysis, one of which is machine learning. Machine Learning is used as a tool to produce robots that are able to classify types of sentiment in textual data. This research was conducted to produce a machine learning model that can be used to measure the level of popularity of research objects based on comments written in two languages, namely Indonesian and English. The research was conducted based on comments on Twitter about the Lake Toba tourist attraction. Based on the results of testing the Naïve Bayes model on data testing, it shows that sentiment with positive predictions is 1,474 records or 54.03% and sentiment with negative predictions is 1,254 or 45.96%, with an accuracy rate of the method used at 97.1%.
PENGUATAN KECERDASAN LINGUISTIK FORENSIK BHABINKAMTIBMAS DALAM MENCEGAH DEFAMASI BAHASA DENGAN MUATAN DUGAAN INTOLERANSI KEBHINEKAAN Panggabean, Sarma; Lestari , Febrika Dwi; Rikki, Alex
JPMA - Jurnal Pengabdian Masyarakat As-Salam Vol. 4 No. 2 (2024): Jurnal Pengabdian Masyarakat As-Salam (JPMA)
Publisher : Asosiasi Dosen Perguruan Tinggi Islam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37249/jpma.v4i2.835

Abstract

Perkembangan Internet of Things (IoT) mendorong masyarakat untuk memiliki literasi teknologi dan informasi yang kuat serta memanfaatkannya guna memberikan nilai tambah. Teknologi juga berdampak pada institusi seperti Polri, khususnya dalam menangani berbagai persoalan sosial, kemasyarakatan, dan kriminalitas. Di banyak negara, kepolisian telah mengadopsi kecerdasan buatan (AI) dan sistem digital guna meningkatkan pelayanan mereka. Bhabinkamtibmas, yang menjalankan fungsi pre-Emtif, turut bermitra dengan masyarakat, termasuk melalui Lembaga Pemberdayaan Masyarakat (LPM) desa Bandar Dolok yang menjadi perwakilan aspirasi masyarakat dalam pembangunan. Kejahatan berbahasa, seperti ujaran kebencian, hoaks, hasutan, fitnah, dan pencemaran nama baik, kerap muncul dan berpotensi merusak reputasi serta menciptakan ketegangan. Dalam konteks ini, linguistik forensik dapat memainkan peran penting untuk mengidentifikasi, menganalisis, dan memberikan bukti linguistik yang mendukung penanganan kejahatan berbahasa, termasuk defamasi, yang dapat merusak reputasi seseorang di mata publik. Studi awal menunjukkan bahwa LPM kerap mengalami kesulitan dalam menemukan saksi untuk suatu tindak kejahatan karena keterbatasan informasi. Hanya 23% dari total kasus yang berhasil ditangani, sementara pelayanan basis deteksi dan basis solusi belum optimal, dengan hanya 58% dari 379 keluarga yang mendapatkan layanan memadai. Seiring dengan berkembangnya teknologi, peningkatan literasi digital anggota LPM menjadi penting agar informasi dapat disampaikan secara efektif melalui aplikasi berbasis teknologi informasi. Kemampuan ini, bersama dengan penerapan prinsip-prinsip linguistik forensik, krusial dalam menghadapi disrupsi informasi serta mengelola laporan dari masyarakat secara lebih akurat dan efisien.
Analysis of Student Achievement with K-Means on Socioeconomic, Behavioral, and Psychological Factors Muhammad Iqbal; Sardo Pardingotan Sipayung; Alex Rikki Sinaga; Paska Marto Hasugian
Jurnal Info Sains : Informatika dan Sains Vol. 14 No. 04 (2024): Informatika dan Sains , 2024
Publisher : SEAN Institute

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

Abstract

This study aims to analyze students' academic achievement based on socio-economic, behavioral, and psychological factors using the K-Means clustering method. The data used include various variables such as family income, internet access, learning motivation, stress levels, and student attendance. The results of the analysis show that students can be grouped into three different clusters: Cluster 1 consists of students with good socio-economic backgrounds, high motivation, and better academic achievement; Cluster 2 shows students with higher levels of stress that affect their achievement even though they have adequate access to education; and Cluster 3 reflects students from less supportive socio-economic backgrounds, with limited internet access and low study time, so their achievement is lower than other clusters. The Davies-Bouldin Index (DBI) calculation result of 0.63 shows a fairly good cluster separation. This analysis reveals that socio-economic factors have a significant impact on students' academic achievement, while psychological aspects such as motivation and stress levels also play an important role in determining learning success. Intervention programs focused on stress management and increasing access to education are recommended for students from Cluster 2 and Cluster 3 to improve their academic outcomes. This study provides insight into the importance of socio-economic and psychological factors in shaping students' academic achievement.
Perbandingan Peramalan Penerimaan Calon Mahasiswa Baru menggunakan Naïve Bayes dan Support Vector Machine Silitonga, Parasian D.P; Purba, Doni El Rezen; Rikki, Alex
KAKIFIKOM : Kumpulan Artikel Karya Ilmiah Fakultas Ilmu Komputer Volume 6, Nomor 2, Edisi Oktober 2024
Publisher : UNIKA Santo Thomas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54367/kakifikom.v6i2.4335

Abstract

Penelitian ini dilakukan untuk melihat perbandingan peramalan penerimaan calon mahasiswa baru menggunakan Naïve Bayes dan Support Vector Machine. Analisis menunjukkan bahwa model Naïve Bayes menghasilkan akurasi moderat sebesar 50% pada data uji dan memprediksikan jumlah pendaftar tetap berada pada kategori Tinggi dengan estimasi rata-rata sekitar 1542,5. Akurasi yang dihasilkan tergolong cukup rendah, tetapi Naïve Bayes dapat bekerja dengan baik pada prediksi berbasis kategori. Sebaliknya, model SVM yang diterapkan dalam bentuk Support Vector Regression (SVR) juga menunjukkan akurasi 50%, namun memberikan prediksi numerik yang lebih rinci, dengan estimasi jumlah pendaftar tetap sebesar 1883. SVM menunjukkan potensi yang lebih besar dalam menangani data dengan pola tren yang meningkat. Perbandingan antara kedua metode ini menunjukkan bahwa Naïve Bayes lebih cocok untuk prediksi kategori, sedangkan SVM lebih tepat untuk prediksi numerik yang lebih akurat.
Clustering Menggunakan Metode K-Medoids dengan pendekatan Manhattan Distance Siagian, Novriadi Antonius; Rikki, Alex; Simangunsong, Pandi Barita Nauli
KAKIFIKOM : Kumpulan Artikel Karya Ilmiah Fakultas Ilmu Komputer Volume 6, Nomor 2, Edisi Oktober 2024
Publisher : UNIKA Santo Thomas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54367/kakifikom.v6i2.4608

Abstract

Metode K-Medoids dengan pendekatan Manhattan Distance digunakan dalam proses clustering untuk menentukan jumlah kelompok yang optimal. Berdasarkan eval_uasi menggunakan Silhouette Score, hasil menunjukkan bahwa pemilihan jumlah cluster K=2 dan K=3 memberikan performa yang lebih baik dibandingkan dengan jumlah cluster yang lebih besar. Nilai Silhouette Score tertinggi ditemukan pada K=2, yaitu 0.761148, yang mengindikasikan bahwa data dalam cluster memiliki tingkat kemiripan yang tinggi dan terpisah dengan jelas dari cluster lainnya. Sementara itu, pada K=3, nilai Silhouette Score mengalami sedikit penurunan menjadi 0.742137, tetapi masih menunjukkan kualitas pengelompokan yang cukup baik. Ketika jumlah cluster bertambah dari K=4 hingga K=10, nilai Silhouette Score cenderung menurun dan stabil dalam kisaran 0.673 hingga 0.682. Hal ini menunjukkan bahwa menambahkan lebih banyak cluster tidak selalu meningkatkan kualitas pengelompokan. Dari hasil analisis ini, dapat disimpulkan bahwa metode K-Medoids dengan Manhattan Distance bekerja optimal ketika jumlah cluster ditetapkan pada K=2 atau K=3. Dengan jumlah ini, cluster yang terbentuk lebih jelas dan terdefinisi dengan baik.
Co-Authors Batubara, Muhammad Iqbal Br Ginting, Anirma Kandida Doni El Rezen Purba Ginting, Wasit Gultom, Juan Prima Harianja, Andy Paul Hasugian , Paska Marto Irene Sri Morina Joko Syahputra Jonson S. Siregar Lestari , Febrika Dwi Limrot Imran Purba Marulak Lasron Siahaan Matondang, Zekson Arizona Mhd. Shafwan Koto, Mhd. Shafwan Muhammad Iqbal Nasib Marbun Parasian D.P Silitonga Parasian D.P Silitonga Parasian D.P. Silitonga Petrus Leonardi Marpaung Purba, Doni El Rezen Reni Maria Manalu Romanus Damanik Sagala, Masdiana Sakaria Efrata Ginting Sarma Panggabean Sembiring, Hermansyah Siagian, Novriadi Antonius Siagian, Parulian Siahaan, Azarya N J Silitonga, Parasian D.P Simangunsong, Pandi Barita Nauli sinaga, lotar mateus Sinaga, Nicholas Sinaga, Sylvia Bernadette Sipayung, Sardo P Sipayung, Sardo Pardingotan Sitanggang, Hilsa Kristian Sitohang, Dody W Sitorus, Lamhot Sorang Pakpahan Tanjung, Mansur Tarigan, Randy Amos TONNI LIMBONG