Article Per Year (5 Year)
p-Index From 2021 - 2026
2.875
P-Index
This Author published in this journals
All Journal Teknika TELKOMNIKA (Telecommunication Computing Electronics and Control) Bulletin of Electrical Engineering and Informatics Jurnal Informatika JUITA : Jurnal Informatika Jurnal Ilmiah KOMPUTASI Jurnal Nasional Komputasi dan Teknologi Informasi IJISCS (International Journal Of Information System and Computer Science) JSR : Jaringan Sistem Informasi Robotik Jurnal Teknik Informatika (JUTIF) IndraTech TIERS Information Technology Journal SIENNA Seminar Nasional Teknologi dan Multidisiplin Ilmu IJISCS (International Journal of Information System and Computer Science)
Sriyanto, Sriyanto
Department Of Informatics Engineering, Institute Of Informatics And Business Darmajaya Lampung
Religion Aerospace Engineering Agriculture, Biological Sciences & Forestry Arts Humanities Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Library & Information Science Neuroscience Social Sciences Transportation Other

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

Found 4 Documents
Search
Journal : Teknika

 1 
Perbandingan Kinerja Fungsi Kernel Algoritma Support Vector Machine Pada Klasifikasi Penyakit Padi Kurniawan Saputra; Zuriati Zuriati; Sriyanto Sriyanto
TEKNIKA Vol. 17 No. 1 (2023): Teknika Januari - Juni 2023
Publisher : Politeknik Negeri Sriwijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.5281/zenodo.7996483

Abstract

Penelitian ini bertujuan untuk mengukur dan membandingkan kinerja fungsi kernel algoritma Support Vector Machine (SVM) pada klasifikasi penyakit tanaman padi. Fungsi kernel yang dibandingkan adalah : linear, polinomial, RBF, dan sigmoid. Tahapan penelitian: 1) Pengumpulan data penyakit tanaman padi, 2) Melakukan data embedding, 3) Pembagian data testing dan training yang dikelompokkan dalam beberapa perbandingan yaitu: 60%:40%, 70%:30%, 80%:20%, dan 90%:10%, 4) Evaluasi menggunakan matrik konfusi, untuk mendapatkan nilai akurasi, presisi, dan recall. Hasil penelitian menunjukkan nilai akurasi tertinggi 89% pada fungsi kernel linear untuk komposisi data 70%:30% dan polinomial untuk komposisi data 80%:20%. Nilai akurasi terendah pada fungsi kernel RBF dengan komposisi data training dan testing 80%:20% dan 90%:10% senilai 38%. Presisi terbaik pada fungsi kernel linear 90% untuk komposisi data 70%:30%. Nilai presisi terendah pada fungsi kernel RBF dengan komposisi data training dan testing 80%:20% senilai 41%. Untuk recall terbaik 89% pada fungsi kernel linear untuk komposisi data 60%:40%, 70%:30%, dan 80%:20%. Nilai recall terendah pada fungsi kernel RBF dengan komposisi data training dan testing 80%:20% dan 90%:10% senilai 38%. Penelitian ini menyimpulkan bahwa SVM dengan fungsi kernel linier memberikan hasil yang baik untuk klasifikasi penyakit tanaman padi.
Prediksi Penyakit Diabetes Menggunakan Algoritma Random Forest Sriyanto Sriyanto; Agiska Ria Supriyatna
TEKNIKA Vol. 17 No. 1 (2023): Teknika Januari - Juni 2023
Publisher : Politeknik Negeri Sriwijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.5281/zenodo.8051410

Abstract

Diabetes adalah penyakit kronis degeneratif yang disebabkan oleh produksi insulin yang tidak mencukupi di dalam pankreas. Banyak faktor yang diduga menjadi penyebab diabetes, diantaranya adalah: keturunan, kadar gula darah yang tinggi, usia, hipertensi, sariawan terus menerus, gatal-gatal, penglihatan yang buram, berat badan berlebihan, penurunan pendengaran, kesemutan, dan faktor lainnya. Sangat penting untuk mengetahui faktor utama yang menjadi pemicu penyakit diabetes. Diperlukan diagnosa dokter melalui pemeriksaan darah untuk memastikan apakah seseorang mengidap diabetes atau tidak. Selain itu, melalui penerapan ilmu pengetahuan data mining dapat dikembangkan sebuah model untuk memprediksi penyakit diabetes. Model prediksi dapat digunakan sebagai alat bantu bagi tenaga medis dan masyarakat awam untuk memperkirakan apakah seseorang mengidap diabetes atau tidak. Penelitian ini bertujuan mengembangkan sebuah model prediksi penyakit diabetes dengan menerapkan algoritma random forest. Hasil penelitian bermanfaat untuk membantu dokter dan tenaga kesehatan serta masyarkat umum untuk mendeteksi penyakit diabetes sejak dini. Tahapan penelitian adalah mengumpulkan dataset diabetes, implementasi algoritma, dan evaluasi kinerja algoritma random forest. Hasil penelitian menunjukkan bahwa algoritma random forest dapat melakukan prediksi penyakit diabetes dengan kinerja yang baik. Nilai- nilai evaluasi kinerja algoritma random forest untuk prediksi penyakit diabetes adalah: akurasi sebesar 99.3 %, recall sebesar 99.5%, presisi sebesar 99.1%, F1-score sebesar 99.%, dan AUC sebesar 100%.
Perbandingan Kinerja Algoritma C4.5, Naive Bayes, dan Random Forest dalam Prediksi Penyakit Jantung Khodijah Khodijah; Sriyanto Sriyanto
TEKNIKA Vol. 17 No. 2 (2023): Teknika Juli - Desember 2023
Publisher : Politeknik Negeri Sriwijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.5281/zenodo.8409434

Abstract

Data mining adalah proses menemukan pola dan pengetahuan dari data yang berjumlah besar. Salah satu bagian penting pada data mining adalah pengklasifikasian data. Klasifikasi digunakan untuk menggolongkan data berdasarkan sifat data yang sudah dikenali masing-masing kelasnya. Ada berbagai macam teknik yang digunakan untuk mengklasifikasikan data, diantaranya yaitu C4.5,Naive bayes.dan Random Forest.. Berdasarkan beberapa peneliti, metode C4.5 dan Naive Bayes memiliki kinerja yang baik sehingga dibuat sistem dengan tujuan untuk membandingkan kinerja C4.5 dan Naive Bayes. Data yang akan digunakan pada sistem yang akan dibuat adalah penyakit jantung. Berdasarkan hasil penelitian diketahui bahwa kinerja dari algoritma Radom Forest lebih baik dibandingkan dengan kinerja dari algoritma C4.5 dan Naïve Bayes . Hal ini dapat dilihat dari nilai akurasi, recall, precision yang dihasilkan oleh Radom Forest lebih besar dibandingkan oleh C4.5 dan Naïve Bayes Kata Kunci : Radom Forest, Naive Bayes, C4.5, akurasi
Prediksi Loyalitas Karyawan Dengan Menggunakan Fitur Optimasi Pembobotan PSO dan Algoritma Decision Tree C4.5 Muhamad Fahrurrozi; Sriyanto Sriyanto
TEKNIKA Vol. 17 No. 1 (2023): Teknika Januari - Juni 2023
Publisher : Politeknik Negeri Sriwijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.5281/zenodo.8101628

Abstract

Salah satu elemen dalam perusahaan yang sangat penting adalah Sumber Daya Manusia (SDM). Pengelolaan SDM dari suatu perusahaan sangat mempengaruhi banyak aspek penentu keberhasilan kerja dari perusahaan tersebut. Jika SDM dapat diorganisir dengan baik, maka diharapkan perusahaan dapat menjalankan semua proses usahanya dengan baik. Aset terbesar yang dimiliki sebuah perusahaan bukanlah miliknya bisnis atau tempat atau hal lain, tapi itu karyawan. Karyawan yang baik adalah selalu menjadi aset berharga bagi perusahaan, dan kepergian mereka dapat mengakibatkan berbagai masalah, termasuk kerugian finansial, kinerja keseluruhan yang buruk, dan hilangnya akumulasi keahlian. Selanjutnya, dibandingkan dengan merekrut saat ini karyawan, mempekerjakan personel baru secara signifikan lebih banyak mahal, stres, dan memakan waktu. Pada dasarnya perusahaan menginginkan karyawanny dapat bekerja secara loyalitas. Banyak sekali factor-faktor yang mempengaruhi kinerja seseorang karyawan, seperti umur, jenis kelamin, tingkat kedisiplinan, dll. Kebutuhan dari perusahaan untuk mengetahui faktor utama yang mempengaruhi loyalitas karyawan dengan menggunakan data mining. Untuk bisa mendapatkan informasi dari data-data yang ada perlu dilakukan proses data mining seperti klasifikasi. Pada permasalahan diatas mengenai karyawan maka untuk dapat mengatasi memprediksi loyalitas suatu karyawan dalam suatu perusahaan dengan mempertimbangkan berbagai faktor dan menggunakan algoritma untuk mendapatkan prediksi dengan akurasi yang besar salah satunya adalah Decision Tree C4.5 untuk mengklasifikasikan faktor paling penting untuk loyalitas karyawan. Pengujian sebelumnya oleh Sai Chandan P Redgg pada tahun 2021 menghasilkan akurasi yang cukup tinggi yaitu sebesar 86.39%. Merujuk hasil akurasi dari penelitian tersebut dapat dilihat bahwa Decision Tree menghasilkan akurasi yang tinggi namun hasil akurasi tersebut masih dapat ditingkatkan lagi dengan melakukan penelitian lanjutan untuk menghasilkan akurasi lebih tinggi dengan menambahkan optimization feature weighting (PSO). Kata kunci— Loyalitas Karyawan, Klasifikasi, Algoritma Decision Tree C4.5, PSO.
Co-Authors A. Toding Abdollah, Mohd Faizal Adhi Tristiyanto Afifah, Dian Ayu Agiska Ria Supriyatna Ahmad, Asmala Ahmed Jamal Abdullah Al-Gburi Arifin, Oki Arpan, Atika Asep Eryana Asep Eryana Ayu Brahdika Putri Aziz, RZ. Abdul Chairani Chairani Dewi Agushinta R. Firmansyah Firmansyah Yunialfi Fitria . Hartono Hartono Herwanto, Riko Irianto Irianto Irma Agustina Juwariyem Juwariyem Khodijah Khodijah Kurniawan Saputra M Agus Badruzaman Al Khoir M. Abu Mas'ud, Mohd. Zaki meilantika, Dian Mohammed Yousif Zeain Muhamad Fahrurrozi Nursiyanto Nurul Qomariyah Nurul Qomariyah Oktaf Rina Onno W. Purbo Onno W. Purbo Pakarti Riswanto Permata, Rizka R. Syahputri Suhendro Suhendro Supriyatna, Agiska Ria Sutedi Sutedi Widyawati, Dewi Kania Y. Suhendro Z. Zakaria Zarnelly Zarnelly Zuriati, Zuriati