Article Per Year (5 Year)
p-Index From 2021 - 2026
2.109
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 Jurnal Nasional Komputasi dan Teknologi Informasi IJISCS (International Journal Of Information System and Computer Science) 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 : 19 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 19 Documents
Search

 1   2 
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.
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
KOMPARASI UJI PERFORMA ALGORITMA C4.5 DAN K-NEAREST NEIGBOR DALAM MEMPREDIKSI PENYAKIT DIABETES Adhi Tristiyanto; Sriyanto Sriyanto
Seminar Nasional Teknologi dan Multidisiplin Ilmu (SEMNASTEKMU) Vol 2 No 2 (2022): SEMNASTEKMU
Publisher : Universitas Sains dan Teknologi Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51903/semnastekmu.v2i1.191

Abstract

Tingginya angka statistik penderita diabetes memerlukan antisipasi dari dinas kesehatan untuk menekan dan mencegah ledakan penderita diabetes. Oleh karena itu, diagnosis dini diabetes dapat membantu pengobatan diabetes lebih cepat dan dapat menghindari komplikasi penyakit berbahaya lainnya. Salah satu pencatatan yang dapat dilakukan adalah dengan memanfaatkan teknik klasifikasi dengan data mining. Algoritma C4.5 dan K-Nearest Neigbor merupakan metode yang dapat digunakan untuk memprediksi diabetes. Dari hasil pengujian 520 data yang terbagi menjadi 80% atau 416 data sebagai data latih dan 20% atau 104 sebagai data pengujian, algoritma C45 (Decision Tree) memiliki akurasi yang lebih tinggi dibandingkan k-NN dengan menggunakan seluruh atribut dengan akurasi sebesar 98% sedangkan k-NN memiliki akurasi sebesar 83%. Sedangkan untuk penggunaan menggunakan fitur berbasis heatmap, algoritma C45 memiliki akurasi 88% lebih tinggi dibandingkan algoritma k-NN dengan akurasi 84%. Pada algoritma k-NN, mencari jumlah k yang optimal adalah 4 dengan akurasi 88%.
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.
Implementasi Pemasaran Digital untuk Peningkatan Daya Saing pada Komunitas Gerakan Seribu Tangan Kreatif Lampung Zuriati Zuriati; Oktaf Rina; Nurul Qomariyah; Sriyanto Sriyanto
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 7, No 3 (2024): Juni 2024
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v7i3.7610

Abstract

Abstrak - Untuk memenuhi kebutuhan pasar yang selalu berubah, terutama di era teknologi ini, maka UMKM perlu melakukan inovasi di bidang pemasaran, misalnya dengan menggunakan pemasaran digital, yang dilakukan untuk meningkatkan daya saing dan memastikan bahwa perusahaan dapat bertahan dan berkembang.   Tujuan penelitian ini adalah mengimplementasikan aplikasi pemasaran digital berupa website e-commerce untuk Komunitas Gerakan Seribu Tangan Kreatif Lampung. Pengembangan aplikasi pemasaran digital membutuhkan proses yang cepat dan efektif. Teknik pengembangan perangkat lunak Rapid Application Development (RAD) dipilih untuk  digunakan pada pembuatan aplikasi ini, karena terbukti sangat efektif. Tahapan pengembangan dengan teknik RAD adalah:  requirements planning, user design, construction, dan cutover. Pada tahap requirements planning, dilakukan pengumpulan data  melalui pengamatan, wawancara, dan analisis dokument. Tahap user design  menghasilkan use case diagram, class diagram, dan activity diagram. Tahap construction  adalah tahap pembuatan aplikasi menggunakan PHP dengan framework CodeIgniter 4 dan basisdata MySQL. Pada tahap ini, pengembang melakukan pengkodean, pengujian unit, dan integrasi modul untuk memastikan aplikasi berfungsi sesuai dengan spesifikasi. Tahap cutover melibatkan pengujian sistem keseluruhan menggunakan metode blackbox testing. Hasil pengujian aplikasi menunjukkan bahwa penerapan metode RAD dapat mempercepat siklus pengembangan, meningkatkan fleksibilitas, dan meningkatkan kualitas aplikasi pemasaran digital.Kata kunci: Inovasi Pemasaran, Pemasaran Digital, Rapid Application Development, UMKM. Abstract - To meet the ever-changing market demands, especially in this digital era, MSMEs need to innovate in marketing by implementing digital marketing to sustain their businesses. The objective of this research is to implement a digital marketing application in the form of an e-commerce website for the Gerakan Seribu Tangan Kreatif Lampung Community. The development of a digital marketing application requires a fast and effective process. The Rapid Application Development (RAD) software development technique was chosen for the creation of this application because it has proven to be quick and effective. The stages of RAD are: requirements planning, user design, construction, and cutover. In the requirements planning stage, data collection is conducted through observation, interviews, and document analysis. The user design stage results in use case diagrams, class diagrams, and activity diagrams. The construction stage involves the development of the application using PHP with the CodeIgniter 4 framework and MySQL database. In this stage, developers perform coding, unit testing, and module integration to ensure the application functions according to specifications. The cutover stage involves testing using the black box testing method. The results of application testing show that the implementation of the RAD method can accelerate the development cycle, increase flexibility, and improve the quality of the digital marketing application.Keywords: Marketing Innovation, Digital Marketing, Rapid Application Development, UMKM.
NEURAL NETWORK OPTIMIZATION WITH GENETIC ALGORITHM FOR HEART DISEASE PREDICTION M Agus Badruzaman Al Khoir; Sriyanto Sriyanto
IJISCS (International Journal of Information System and Computer Science) Vol 6, No 2 (2022): IJISCS (International Journal of Information System and Computer Science)
Publisher : Bakti Nusantara Institute

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56327/ijiscs.v6i2.1235

Abstract

Coronary Heart Disease (CHD) is a contributor to the number 1 cause of death in the world besides cardiovascular disease. The tendency of Indonesian people who do not know and ignore coronary heart disease is a factor that causes Indonesia to be high a contributor to deaths caused by coronary heart disease. This research is expected to produce new predictions of heart disease using genetic optimization of neural networks with better prediction results and can obtain algorithms with new percentage values in predicting coronary heart disease. Genetic optimization of the neural network is used because the algorithm follows the human nervous system which has the characteristics of parallel processing, processing elements in large quantities, and fault tolerance. The results of the research carried out are the accuracy obtained by 82.18% and increased to 83.50% after using genetic algorithm optimization, from these results it can be concluded that the neural network algorithm can be better if it is supported by genetic algorithm optimization
Enhancing Chronic Kidney Disease Classification Using Decision Tree And Bootstrap Aggregating: Uci Dataset Study With Improved Accuracy And Auc-Roc Zuriati, Zuriati; Meilantika, Dian; Arpan, Atika; Permata, Rizka; Sriyanto, Sriyanto; Mas'ud, Mohd. Zaki
Jurnal Teknik Informatika (Jutif) Vol. 6 No. 5 (2025): JUTIF Volume 6, Number 5, Oktober 2025
Publisher : Informatika, Universitas Jenderal Soedirman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jutif.2025.6.5.5271

Abstract

Chronic Kidney Disease (CKD) is a progressive medical disorder that requires timely and precise identification to avoid permanent impairment of kidney function. However, Decision Tree models, although widely used in clinical applications due to their transparency, ease of implementation, and ability to handle both categorical and numerical data, are prone to overfitting and instability when applied to small or imbalanced datasets. The purpose of this study is to optimize CKD classification by integrating Bootstrap Aggregating (Bagging) with Decision Tree to enhance accuracy and robustness. The methodology involves testing two model variants a standalone Decision Tree and a Bagging-supported Decision Tree using 10-fold cross-validation and evaluating performance with accuracy, precision, recall, F1-score, and the area under the ROC curve (AUC-ROC). Findings reveal that Bagging enhances model accuracy from 0.980 to 0.987, raises precision from 0.976 to 1.000, and improves recall from 0.954 to 0.954, and increases F1-score from 0.965 to 0.976. These results demonstrate that Bagging significantly improves the reliability and generalizability of Decision Tree classifiers, making them more effective for CKD prediction.
Comparative Analysis Of Machine Learning Algorithms For Dengue Fever Prediction Based On Clinical And Laboratory Features Sriyanto, Sriyanto; Aziz, RZ Abdul; Rahayu, Dewi Agushinta; Zuriati, Zuriati; Abdollah, Mohd Faizal; Irianto, Irianto
Jurnal Teknik Informatika (Jutif) Vol. 6 No. 6 (2025): JUTIF Volume 6, Number 6, Desember 2025
Publisher : Informatika, Universitas Jenderal Soedirman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jutif.2025.6.6.5309

Abstract

Dengue fever (DF) remains a global health problem requiring accurate early detection to prevent severe complications. This study applies machine learning (ML) algorithms to clinical and laboratory data for improving diagnostic accuracy. Six classifiers were compared: Decision Tree (DT), K-Nearest Neighbor (KNN), Logistic Regression (LR), Naïve Bayes (NB), Neural Network (NN), and Support Vector Machine (SVM). The dataset consists of 1,003 patient records with nine feature columns, of which 989 were used after preprocessing. Class distribution was imbalanced, with 67.6% positive and 32.4% negative cases. Model performance was evaluated using 10-fold cross-validation based on accuracy, precision, recall, F1-score, confusion matrix, and ROC curve analysis. The results indicate that DT achieved the highest performance with 99.4% accuracy, 99.4% precision, 99.7% recall, and 99.6% F1-score, slightly outperforming NN. KNN, LR, and SVM produced comparable results, while NB showed substantially lower accuracy (44.3%) and limited discriminatory power. ROC analysis confirmed these findings, with DT, NN, SVM, and LR achieving AUC values between 0.992 and 0.999, whereas NB performed poorly. These findings highlight the strong potential of ML algorithms, particularly DT, to support medical decision systems, strengthen informatics-based decision support applications, and enhance the accuracy and speed of dengue diagnosis in clinical practice.
Hybrid Machine Learning Approach for Nutrient Deficiency Detection in Lettuce Zuriati, Zuriati; Widyawati, Dewi Kania; Arifin, Oki; Saputra, Kurniawan; Sriyanto, Sriyanto; Ahmad, Asmala
TIERS Information Technology Journal Vol. 6 No. 2 (2025)
Publisher : Universitas Pendidikan Nasional

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.38043/tiers.v6i2.7143

Abstract

Early detection of nutrient deficiencies in lettuce is essential for precision agriculture. However, this task remains challenging due to limited data availability and class imbalance, which reduce model sensitivity toward minority classes and hinder generalization. This study introduces a hybrid machine learning approach integrating SMOTE, Optuna, and SVM to enhance the accuracy of nutrient deficiency classification using digital leaf image analysis. The dataset, obtained from Kaggle, includes four categories: Nitrogen Deficiency (-N), Phosphorus Deficiency (-P), Potassium Deficiency (-K), and Fully Nutritional (FN). Image features were extracted using MobileNetV2 pretrained on ImageNet and classified with a Support Vector Machine. Three scenarios were tested: (1) SVM before SMOTE, (2) SVM after SMOTE, and (3) Optuna-SVM after SMOTE, evaluated using accuracy, precision, recall, and f1-score. The hybrid model achieved the best performance with accuracy 0.929, precision 0.946, recall 0.835, and f1-score 0.869, outperforming the other scenarios. This hybrid framework effectively addressed class imbalance and improved classification margin stability through adaptive hyperparameter tuning using the Tree Structured Parzen Estimator within Optuna. The novelty of this study lies in combining MobileNetV2 based feature extraction with SMOTE and Optuna-SVM for small agricultural datasets. The proposed approach offers an efficient, accurate, and practical solution for automated nutrient deficiency diagnosis and contributes to the development of AI-driven smart agriculture systems.
Co-Authors A. Toding Abdollah, Mohd Faizal Adhi Tristiyanto Ahmad, Asmala Ahmed Jamal Abdullah Al-Gburi Arifin, Oki Arpan, Atika Asep Eryana Ayu Brahdika Putri Aziz, RZ. Abdul Chairani Chairani Dewi Agushinta R. Firmansyah Yunialfi Fitria . Hartono Hartono Herwanto, Riko Irianto Irianto 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 Oktaf Rina Onno W. Purbo Onno W. Purbo Pakarti Riswanto Permata, Rizka R. Syahputri Sutedi Sutedi Widyawati, Dewi Kania Y. Suhendro Z. Zakaria Zuriati, Zuriati