Article Per Year (5 Year)
p-Index From 2020 - 2025
2.036
P-Index
This Author published in this journals
All Journal IAES International Journal of Artificial Intelligence (IJ-AI) Jurnal Pendidikan Teknologi dan Kejuruan Yustisia Sistemasi: Jurnal Sistem Informasi Jurnal Teknoinfo JUTIS : Jurnal Teknik Informatika EKONOMI BISNIS Jurnal Teknik Informatika (JUTIF) Jurnal Teknologi dan Sistem Informasi Jurnal Pendidikan dan Teknologi Indonesia KLIK: Kajian Ilmiah Informatika dan Komputer Jurnal Telematics and Information Technology (TELEFORTECH) Jurnal Informatika Polinema (JIP) Mitra Jurnal Pengabdian Masyarakat Multidisiplin (MJPMM)
Agus Wantoro
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Social Sciences Other

Published : 18 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 18 Documents
Search

 1   2 
Optimization of Alternative Assessment with Modified MOORA Method: Case Study of Contract Employee Selection Waqas Arshad, Muhammad; Sintaro, Sanriomi; Rahmanto, Yuri; Wantoro, Agus; Setiawansyah
KLIK: Kajian Ilmiah Informatika dan Komputer Vol. 4 No. 6 (2024): Juni 2024
Publisher : STMIK Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/klik.v4i6.1891

Abstract

Multi-Objective Optimization by Ratio Analysis (MOORA) is a multi-criteria decision-making method used to evaluate and select the best alternative based on multiple objectives or criteria. One of the main disadvantages of the MOORA method is subjectivity in the determination of the weight of criteria. In this method, the decision maker must determine the relative weight of each criterion used to evaluate alternatives. Subjectivity in the weighting of criteria can also lead to inconsistencies between different decision makers or experts, resulting decisions can be less transparent and less acceptable to all parties involved, reducing confidence in the validity and accuracy of the results. Optimization of alternative assessment with modified MOORA method is to develop alternative assessment methods that are more accurate and objective by integrating standard deviation into the MOORA method. This study aims to overcome the weaknesses of conventional MOORA methods in dealing with data variation and assessment subjectivity by introducing a more data-driven mechanism of calculating the weight of criteria. Through testing and comparing performance between modified MOORA methods and conventional methods, this study aims to demonstrate improved accuracy, consistency, and reliability in alternative assessment results. In addition, this research is expected to provide practical implementation guidance for the application of the modified MOORA method in the Decision Support System (DSS), so as to improve the efficiency and quality of decision making in various sectors. The ranking results showed that the results of rank 1 were obtained by Employee 6 with a final score of 0.3375, rank 2 was obtained by Employee 3 with a final score of 0.2904, and rank 3 was obtained by Employee 7 with a final score of 0.2756. The results of the comparison test of the original rank with SD-MOORA showed a correlation value of 1, so it can be concluded that there is a very strong and positive relationship between the original rating and the SD-MOORA rating. This shows that the rating produced by SD-MOORA is very consistent with the original ranking, thus giving validity to the effectiveness of SD-MOORA in replicating the original rating results more objectively and efficiently. The results of the SD-MOORA modification showed significant improvements in the accuracy and objectivity of decision making.
Implementation of fuzzy logic approach for thalassemia screening in children Redy Susanto, Erliyan; Syarif, Admi; Warsito, Warsito; Nisa Berawi, Khairun; Ayu Sangging, Putu Ristyaning; Wantoro, Agus
IAES International Journal of Artificial Intelligence (IJ-AI) Vol 13, No 4: December 2024
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/ijai.v13.i4.pp4062-4070

Abstract

Thalassemia is one of the most dangerous blood disorders that can lead to severe complications. It is an inherited disease, usually detected after a child is two to four years old. Identification of thalassemia is a complex task, involving many variables. Doctors generally diagnose thalassemia by using a complete blood count (CBC) and high-performance liquid chromatography (HPLC) test results. However, HPLC tests are expensive and time consuming, hence the need for other methods to identify thalassemia. There are many studies on the application of artificial intelligence for medical applications. In this study, we developed a new fuzzy-based approach to identify thalassemia based on a patient’s blood laboratory results. First, we analyzed the CBC data for blood disorder prediction. Secondly, we adopt the test results of peripheral blood smear (PBS) to identify whether the person has thalassemia. We conducted several experiments using 30 (thirty) hospital patient data and the results were compared with the results provided by experts. The experimental results show that the system can determine blood disorders with 93% accuracy and 100% precision in thalassemia prediction. This system is very effective to help doctors in diagnosing thalassemia patients.
Kombinasi Metode Analytical Hierarchy Process (AHP) dengan Metode Weighted Product (WP) pada Sistem Pendukung Keputusan Pemilihan Rumah Ideal Wantoro, Agus; Lutfy, Azza’zunda Choibar; Permata, Permata; Priandika, Adhie Thyo; Aryani, Venty
Jurnal Pendidikan dan Teknologi Indonesia Vol 4 No 9 (2024): JPTI - September 2024
Publisher : CV Infinite Corporation

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jpti.485

Abstract

Pemilihan rumah ideal merupakan keputusan penting yang memerlukan pertimbangan berbagai aspek untuk memastikan pilihan yang optimal. Rumah ideal biasanya dinilai dari beberapa kriteria utama, seperti harga, luas tanah, luas bangunan, jumlah kamar tidur, dan jarak lokasi dari pusat aktivitas. Namun, proses pemilihan rumah ideal sering menghadapi tantangan, seperti kesulitan dalam membandingkan berbagai alternatif yang memiliki berbagai kriteria dengan bobot yang berbeda. Penelitian ini bertujuan mengatasi permasalahan tersebut dengan menggunakan pendekatan metode sistem pendukung keputusan yaitu Pembobotan Matriks Berpasangan dari metode AHP dan Weighted Product (WP). Metode AHP digunakan untuk menentukan bobot relatif dari setiap kriteria berdasarkan penilaian dan perbandingan berpasangan. Metode WP digunakan untuk menghitung dan membandingkan alternatif berdasarkan bobot yang telah ditentukan. Data yang digunakan diambil dari situs web properti www.rumah123.com, yang mencakup informasi tentang (a) harga, (b) luas tanah, (b) luas bangunan, (c) jumlah kamar tidur, dan (d) jarak lokasi rumah di Bandar Lampung. Berdasarkan hasil analisis perhitungan menggunakan kombinasi metode Analytic Hierarchy Process (AHP), dan Weighted Product (WP) didapatkan nilai total untuk masing-masing alternatif yaitu (a) Mahkota Cluster 2 sebesar 0,2077, (b) Budaya Residence sebesar 0,2074, (c) Griya Anzana 3 sebesar 0,1968, (d) Raih Persada Residence sebesar 0,1960, (e) Ar-Rahman Residence sebesar 0,1921, (f) New Cordy Residences sebesar 0,1806, dan (g) The Rose Mansion sebesar 0,1737. Hasil perangkingan didapatkan Mahkota Cluster 2 merupakan alternatif rumah ideal terbaik di Bandar Lampung. Alternatif ini unggul dalam beberapa kriteria penting seperti jumlah kamar tidur, luas bangunan, serta harga yang kompetitif, meskipun jaraknya tidak yang terdekat dari pusat aktivitas. Penelitian ini memberikan informasi berupa rekomendasi bagi masyarakat yang ingin memilih rumah ideal agar tidak salah mengambil keputusan.
Perbandingan Metode Naive Bayes Dan Support Vector Machine (SVM) Pada Analisis Kendaraan Listrik Pada Media Sosial “X” Wantoro, Agus; Saputra, Dani; Damayanti; Permatan; Rusliyawati
Jurnal Informatika Polinema Vol. 11 No. 2 (2025): Vol. 11 No. 2 (2025)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v11i2.6458

Abstract

Kendaraan listrik merupakan kendaraan yang menggunakan satu atau lebih motor listrik atau motor traksi sebagai tenaga penggeraknya. Kendaraan listrik saat ini menjadi tren global sebagai alternatif kendaraan berbahan bakar fosil atau bahan bakar minyak (BBM). Peralihan dari kendaraan berbahan bakar minyak ke kendaraan listrik menjadi salah satu solusi efektif karena kendaraan listrik memiliki beberapa keunggulan dibanding kendaraan BBM. Penelitian ini bertujuan untuk menganalisis sentimen publik terhadap kemunculan kendaraan listrik pada media “X” dan melakukan perbandingan kinerja algoritma klasifikasi. Data sentimen selanjutnya akan dilakukan klasifikasi menggunakan metode Naïve Bayes dan Support Vector Machine (SVM). Pengelolaan data menggunakan bahasa pemrograman python dan google Collaboratory. Tahapan penelitian ini meliputi crawling, labelling, pre-processing, klasifikasi metode, dan visualisasi. Berdasarkan 2615 data yang telah dikumpulkan, selanjutnya dilakukan preprocessing, dan cleaning data sehingga. Hasil cleaning didapatkan 1245 data yang akan dilakukan klasifikasi. Dataset dibagi menjadi dua, yaitu data latih dan data uji. Berdasarkan data latih, selanjutnya dilakukan pelabelan data menghasilkan 57,16% data positif sebanyak 30,02 data netral, dan 17,83 data negatif. Hasil perbandingan klasifikasi menunjukkan bahwa metode Naïve Bayes memiliki akurasi sebesar 66%, sedangkan metode Support Vector Machine (SVM) sebesar 93%. Metode Support Vector Machine (SVM) terbukti lebih unggul untuk analisis data dibandingkan dengan metode Naïve Bayes. Selain itu berdasarkan data pengguna “X” lebih banyak yang memberikan respon positif terhadap kendaraan listrik
Evaluasi Kinerja Algoritma Machine Learning (ML) Menggunakan Seleksi Fitur pada Klasifikasi Diabetes Wantoro, Agus; Zulkifli; Fitria Yulia, Aviv; Yana Ayu, Dwi; Mustofa, Syazili
Jurnal Informatika Polinema Vol. 11 No. 3 (2025): Vol. 11 No. 3 (2025)
Publisher : UPT P2M State Polytechnic of Malang

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

Abstract

Diabetes Mellitus (DM) merupakan salah satu penyakit kronis yang prevalensinya terus meningkat secara global, termasuk di Indonesia. Deteksi dini dan diagnosis yang akurat sangat penting untuk mencegah komplikasi serius. Dalam beberapa tahun terakhir, pendekatan berbasis Machine Learning (ML) telah banyak digunakan untuk meningkatkan akurasi prediksi diabetes. Salah satu dataset yang sering digunakan dalam penelitian ini adalah Pima Indians Diabetes Dataset (PIDD). Dataset ini memiliki delapan fitur dan satu kelas. Tantangan utama dalam pemodelan ML untuk prediksi adalah adanya fitur yang tidak relevan dalam dataset, yang dapat menurunkan kinerja model. Kami menggunakan pendekatan seleksi fitur teknik Informasion Gain (IG) dan Gain Ratio (GR). Hasil eksperimen seleksi fitur menggunakan IG didapatkan empat fitur yang memiliki bobot >0.05 yaitu Glucose Plassma (0.190), BMI (0.074), Age (0.072), dan Insulin (0.059). Namun hasil yang berbeda ketika menggunakan teknik GR yaitu Glucose Plassma (0.986), BMI (0.086), Age (0.078), Pregnancies (0.051). Hasil seleksi fitur dan semua fitur digunakan untuk menguji algoritma ML seperti Naive Bayes, J48, AdaBoost, Random Tree, Random Forest, dan Super Vector Machine (SVM). Hasil evaluasi kinerja algoritma ML menunjukkan algoritma SVM memiliki kinerja terbaik menggunakan semua fitur PIDD. Temuan ini berbeda dengan penelitian lain yang menggunakan seleksi fitur justru meningkatkan kinerja algoritma ML. Selain itu, kami melakukan evaluasi terhadap waktu eksekusi model. Kami menemukan bahwa algoritma Naïve Bayes dan Random Tree memiliki waktu komputasi terbaik. Temuan ini memberikan gambaran umum tentang kemampuan ML untuk memprediksi diabetes menggunakan seleksi fitur yang dihasilkan oleh teknik IG dan GR maupun tanpa seleksi fitur.
Optimizing Type 2 Diabetes Classification with Feature Selection and Class Balancing in Machine Learning Wantoro, Agus; Yuliana, Aviv Fitria; Andini, Dwi Yana Ayu; Awaliyani, Ikna; Caesarendra, Wahyu
Jurnal Teknik Informatika (Jutif) Vol. 6 No. 4 (2025): JUTIF Volume 6, Number 4, Agustus 2025
Publisher : Informatika, Universitas Jenderal Soedirman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jutif.2025.6.4.5166

Abstract

Type 2 Diabetes (T2DM) is a crucial factor in patient survival and treatment effectiveness. Errors in diabetes detection lead to disease severity, high costs, prolonged healing time, and a decline in service quality. Additionally, a major challenge in developing Machine Learning (ML)-based detection decision support systems is the class imbalance in medical data as well as the high feature dimensionality that can affect the accuracy and efficiency of the model. This research proposes an approach based on feature selection (FS) and handling class imbalance to improve performance in type 2 diabetes. Several feature selection techniques such as Information Gain (IG), Gain Ratio (GR), Gini Decrease (GD), Chi-Square (CS), Relief-F, and FCBF can perform feature selection based on weighting ranking. Furthermore, to address the imbalanced class distribution, we utilize the Synthetic Minority Over-Sampling Technique (SMOTE). ML classification models such as Support Vector Machine (SVM), Gradient Boosting (GB), Tree, Neural Network (NN), Random Forest (RF), and AdaBoost were tested and evaluated based on the confusion matrix including accuracy, precision, recall, and time. The experimental results show that the combination of strategies for handling imbalanced classes significantly improves the predictive performance of ML algorithms. In addition, we found that the combination of feature selection techniques IG+AdaBoost consistently demonstrates optimal performance. This study emphasizes the importance of data preprocessing and the selection of the right algorithms in the development of machine learning-based T2DM detection systems. Accurate detection can reduce the severity of disease, lower treatment costs, speed up the healing process, and improve healthcare services.
Pengembangan Aplikasi Basis Data untuk PAUD, SD, SMP, dan Anak Putus Sekolah pada Dinas Pendidikan Kabupaten Pringsewu Wantoro, Agus; Ega Budiman; Adam Japal; Panji Bintoro; Ferly Ardhy; Tahta Herdian Andika
Mitra Jurnal Pengabdian Masyarakat Multidisiplin (MJPMM) Vol. 1 No. 1 (2025): Maret
Publisher : Marasofi International Media and Publishing (MIMP)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.64123/mjpmm.v1.i1.1

Abstract

Pengelolaan data pendidikan yang akurat dan terintegrasi merupakan salah satu kunci keberhasilan dalam mendukung perumusan kebijakan dan pelaksanaan program pendidikan yang tepat sasaran, khususnya di tingkat daerah. Kabupaten Pringsewu sebagai salah satu kabupaten yang terus mengembangkan kualitas layanan pendidikan menghadapi tantangan dalam integrasi data antar jenjang pendidikan, kasus anak putus sekolah. Kegiatan pengabdian kepada masyarakat ini bertujuan untuk merancang dan mengimplementasikan sebuah aplikasi database sederhana namun efektif untuk mendata dan memantau informasi pendidikan pada jenjang PAUD, SD, SMP, serta anak-anak usia sekolah yang tidak lagi mengenyam pendidikan formal. Metode pelaksanaan kegiatan meliputi analisis kebutuhan pengguna, pengembangan aplikasi berbasis web, pelatihan teknis kepada operator sekolah dan pegawai dinas, serta evaluasi penggunaan sistem. Aplikasi yang dikembangkan memiliki fitur input data siswa, data sekolah, pelaporan otomatis, dan pemantauan anak putus sekolah. Hasil dari kegiatan ini menunjukkan bahwa sistem yang dibangun dapat meningkatkan efisiensi kerja operator sekolah dan memperkuat akurasi data pendidikan di tingkat daerah. Selain itu, aplikasi ini memberikan dukungan nyata bagi pemerintah daerah dalam menyusun kebijakan berbasis data (data-driven policy) terutama untuk intervensi pendidikan yang bersifat inklusif dan responsif. Kegiatan ini diharapkan menjadi model replikasi bagi daerah lain dan berkontribusi dalam pengembangan sistem informasi pendidikan lokal yang mandiri, berkelanjutan, dan berbasis kebutuhan nyata lapangan.
Kombinasi Matriks Perbandingan Berpasangan dan Metode Simple Additive Weighting (SAW) untuk Pemilihan Mie Instan Wantoro, Agus; Verdian, Arry
Jurnal Informatika Polinema Vol. 10 No. 2 (2024): Vol 10 No 2 (2024)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v10i2.4881

Abstract

Mie instan merupakan makanan cepat saji yang banyak diminati masyarakat karena kemudahan dan kekepraktisan dalam pemenuhan kebutuhan pangan. Di Indonesia mie instan memiliki berbagai merk, kemasan dan varian rasa yang berbeda-beda. Salah satu varian rasa yang dimiliki semua merk yaitu rasa ayam bawang kemasan 75 gram. Meskipun mie instan banyak disukai berbagai kalangan karena rasanya yang nikmat, namun kandungan yang ada tidak direkomendasikan untuk dikonsumsi setiap hari karena dapat bedampak buruk bagi kesehatan. Kandungan yang ada pada mie instan seperti Energi (kkal), Lemak (g), Protein (g), Karbo (g), Serat (g), Gula (g), dan Natrium (mg). Berdasarkan informasi gizi pada kandungan mie instan dapat dijadikan sebagai acuan dalam memilih mie instan yang paling sehat untuk dikonsumsi. Tujuan penelitian ini melakukan perbandingan mie instan menggunakan kombinasi metode perbandingan skala prioritas berpasangan dengan metode Simple Additive Weighting (SAW). Perbandingan skala prioritas digunakan untuk memperoleh nilai pembobotan dari masing-masing kriteria. Hasil pembobotan didapatkan kriteria (C1) Energi (kkal) 34%, (C2) Lemak 2,96%, (C3) Protein 22,15%, (C4) Karbo 7,75%, (C5) Serat 9,86%, (C6) Gula 7,99%, dan (C7) Natrium 15,29%. Metode SAW digunakan untuk perhitungan perangkingan. Berdasarkan hasil perangkingan, didapatkan alternatif (A1) Supermi mendapatkan nilai sebesar 76.70, (A2) Gaga 100 sebesar 84.64, (A3) Sarimi sebesar 73,84 (A4) Mie sedap 77.67 (A5) Indomie 73,22 (A6) Lemonilo 73,94 (A7) Mie ABC 76,27, dan (A8) Nissin Ramen 75,68. Hasil perangkingan didapatkan dengan mie instan rangking tertinggi berdasarkan nilai gizi yaitu Mie Gaga 100 dan rangking terendah yaitu Indomie. Hasil penelitian ini memberikan informasi yang bermanfaat bagi masyarakat untuk mempertimbangkan dalam memilih mie instan untuk di konsumsi agar lebih aman bagi kesehatan
Co-Authors Adam Japal Admi Syarif Andini, Dwi Yana Ayu Aria Dadi Wibisono Aryani, Venty Aviv Fitria Yulia Ayu Sangging, Putu Ristyaning Damayanti Daniel Prasetyo Tarigan Ega Budiman Erliyan Susanto Fadly, Muhtad Ferly Ardhy Ikna Awaliyani Jayawarsa, A.A. Ketut Kurnia Muludi Lutfy, Azza’zunda Choibar Muhammad Zihad Prasetyo Nisa Berawi, Khairun Panji Bintoro Permata, Permata Permatan Priandika, Adhie Thyo Redy Susanto, Erliyan Rusliyawati Sampurna Dadi Rizkiono Sanriomi Sintaro Saputra, Dani Setiawansyah Setiawansyah Syazili Mustofa Tahta Herdian Andika Verdian, Arry Wahyu Caesarendra Waqas Arshad, Muhammad Warsito Warsito Yana Ayu, Dwi Yuliana, Aviv Fitria Yuri Rahmanto Zulkifli