Article Per Year (5 Year)
p-Index From 2020 - 2025
0.562
P-Index
This Author published in this journals
All Journal Techno.Com: Jurnal Teknologi Informasi Building of Informatics, Technology and Science
Soeleman, M Arief
Unknown Affiliation
Computer Science & IT Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Optimasi Support Vector Machine Dengan PSO Untuk Klasifikasi Kelayakan Export Kerang Batik Putro, Bagus Prindo Sugihartono; Soeleman, M Arief; Pujiono, Pujiono
Techno.Com Vol. 24 No. 1 (2025): Februari 2025
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v24i1.11793

Abstract

Kerang Batik (Paphia undulata) memiliki pola cangkang yang mirip batik, dengan warna dasar cangkang yang bervariasi dari kuning cerah hingga gelap. Sebagai komoditas ekspor Indonesia yang permintaannya terus meningkat, penting untuk menjaga standar kualitas tinggi agar kerang siap ekspor. Penelitian ini menyelidiki metode kontrol kualitas yang efektif untuk kerang batik yang layak ekspor dengan mengambil sampel dari perusahaan terkait. Setelah proses pra-pemrosesan citra, dilakukan ekstraksi fitur, termasuk fitur bentuk (eccentricity, metric) dan fitur tekstur (GLCM). Fitur-fitur ini digunakan dalam algoritma SVM (Support Vector Machine) dengan kernel RBF, yang dipilih karena kemampuannya menangani data non-linear, untuk mencapai akurasi optimal. Metode optimasi PSO (Particle Swarm Optimization) juga diterapkan untuk meningkatkan akurasi lebih lanjut. Penelitian menunjukkan bahwa SVM dengan kernel RBF mencapai akurasi tertinggi sebesar 96,43% pada sudut 45° dan 90°. Setelah dioptimalkan dengan PSO, akurasi meningkat menjadi 97,86% pada sudut 90°. Dengan demikian, penerapan PSO pada algoritma SVM secara signifikan meningkatkan akurasi klasifikasi.   Kata kunci: SVM, PSO, Kerang Batik, Kernel RBF, GLCM
Klasifikasi SVM Menggunakan Optimasi PSO Untuk Kelayakan Biji Kopi Dengan Level Medium Roast Saputro, Wicaksono Agung; Andono, Pulung Nurtantio; Soeleman, M Arief
Techno.Com Vol. 24 No. 2 (2025): Mei 2025
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v24i2.12657

Abstract

Biji kopi dengan medium roast memiliki ciri warna coklat muda kehitaman, permukaan sedikit berminyak, dan retakan biji yang tidak terlalu lebar. Karena kopi merupakan hasil bumi yang banyak dikonsumsi dengan tingkat kematangan medium, diperlukan quality control yang efektif untuk memastikan biji kopi layak konsumsi. Penelitian ini mengambil sampel dari perusahaan terkait dan menggunakan metode GLCM untuk ekstraksi fitur numerik dari biji kopi, serta SVM dengan kernel RBF untuk klasifikasi, mengingat pentingnya pemilihan kernel dan parameter dalam menentukan akurasi. Untuk meningkatkan akurasi, diterapkan optimasi menggunakan PSO. Hasil klasifikasi menggunakan SVM saja mencapai akurasi 85,37%, sedangkan dengan optimasi PSO, akurasi meningkat menjadi 93,57%, menunjukkan bahwa penerapan PSO pada algoritma SVM mampu meningkatkan performa klasifikasi biji kopi medium roast secara signifikan. Kata kunci: SVM, PSO, Biji Kopi Medium Roast
Decision Tree Classification for Reducing Alert Fatigue in Patient Monitoring Systems Herfiani, Kheisya Talitha; Nurhindarto, Aris; Alzami, Farrikh; Budi, Setyo; Megantara, Rama Aria; Soeleman, M Arief; Handoko, L Budi; Rofiani, Rofiani
Building of Informatics, Technology and Science (BITS) Vol 7 No 3 (2025): December 2025
Publisher : Forum Kerjasama Pendidikan Tinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bits.v7i3.8414

Abstract

The development of information technology in healthcare opens new opportunities to improve continuous patient monitoring. A major challenge is alert fatigue, where medical personnel are overwhelmed by excessive notifications, reducing concentration, work efficiency, and potentially compromising patient safety. This study presents a proof-of-concept application of the Decision Tree algorithm to analyze alert triggering factors in patient monitoring systems. The dataset is a synthetic health monitoring dataset from Kaggle, containing 10,000 entries with vital parameters including blood pressure, heart rate, oxygen saturation, and glucose levels, designed with deterministic logical relationships between threshold indicators and alert outcomes. The imbalanced dataset (73.67% alert triggered, 26.33% no alert) was intentionally not processed using imbalanced learning techniques to demonstrate Decision Tree's capability in processing structured health data and producing interpretable classifications. The research methodology included data preprocessing, exploratory data analysis, data splitting (90% training, 10% testing), GridSearchCV optimization, and performance evaluation. Results showed perfect metrics (100% accuracy, precision, recall, F1-score), reflecting the deterministic nature of the synthetic dataset rather than real-world clinical complexity. Feature importance analysis identified blood pressure as the most dominant variable, followed by heart rate and glucose levels. This study demonstrates Decision Tree's interpretability and feature importance analysis capabilities in health data contexts, establishing a methodological framework that requires validation on real clinical Electronic Health Record (EHR) data for practical application in reducing alert fatigue and supporting informed clinical decisions.
Co-Authors Alzami, Farrikh Budi, Setyo Herfiani, Kheisya Talitha L. Budi Handoko Megantara, Rama Aria Nurhindarto, Aris Pujiono Pujiono Pulung Nurtantio Andono Putro, Bagus Prindo Sugihartono Rofiani, Rofiani Saputro, Wicaksono Agung