Article Per Year (5 Year)
p-Index From 2021 - 2026
2.495
P-Index
This Author published in this journals
All Journal Elkom: Jurnal Elektronika dan Komputer Format : Jurnal Imiah Teknik Informatika Jurnal Informatika Bianglala Informatika : Jurnal Komputer dan Informatika Akademi Bina Sarana Informatika Yogyakarta Indonesian Journal on Software Engineering (IJSE) Jurnal Pilar Nusa Mandiri JITK (Jurnal Ilmu Pengetahuan dan Komputer) EVOLUSI : Jurnal Sains dan Manajemen JIKA (Jurnal Informatika) Jurnal Sistem Komputer dan Informatika (JSON) Reputasi: Jurnal Rekayasa Perangkat Lunak SPEED - Sentra Penelitian Engineering dan Edukasi Justika : Jurnal Sistem Informasi Akuntansi Kesatria : Jurnal Penerapan Sistem Informasi (Komputer dan Manajemen) Prawara Jurnal Pengabdian Masyarakat
Amin Nur Rais
Universitas Bina Sarana Informatika
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Library & Information Science Public Health Social Sciences Other

Published : 22 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 22 Documents
Search

 1   2   3 
Sistem Informasi Prediksi Risiko Kredit Keuangan Berbasis Web Machine Learning Rais, Amin Nur; Warjiyono, Warjiyono
JUSTIKA : Jurnal Sistem Informasi Akuntansi Vol 4 No 2 (2024): Desember 2024
Publisher : Program Studi Sistem Informasi Akuntansi Kampus Kota Sukabumi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/justika.v4i2.7509

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem informasi prediksi risiko kredit berbasis website menggunakan teknologi machine learning untuk meningkatkan efisiensi dan kecepatan dalam evaluasi risiko kredit. Evaluasi risiko kredit tradisional sering kali lambat, tidak akurat, dan rentan terhadap kesalahan dalam mengidentifikasi nasabah dengan risiko tinggi. Penelitian ini menggunakan algoritma pembelajaran mesin yang mampu menganalisis pola data kredit secara mendalam untuk menghasilkan prediksi yang lebih akurat. Sistem yang dikembangkan terdiri dari tiga tahapa, yaitu model pembelajaran mesin, Application Programming Interface (API), dan antarmuka website. Model pembelajaran mesin dilatih menggunakan dataset publik yang telah diproses melalui pembersihan, seleksi fitur, dan transformasi. API dikembangkan menggunakan framework Flask untuk memungkinkan komunikasi real-time antara model dan website. Website dirancang dengan tiga halaman utama, yaitu halaman cover, halaman formulir untuk input data nasabah, dan halaman hasil yang menyajikan informasi prediksi secara jelas dan mudah dipahami. Hasil pengujian menunjukkan bahwa sistem ini mampu memproses data dengan cepat, menghasilkan prediksi yang akurat, dan memudahkan pengambilan keputusan berbasis data. Dengan integrasi teknologi ini, sistem informasi prediksi risiko kredit memiliki potensi untuk membantu lembaga keuangan mengurangi kerugian akibat kredit bermasalah sekaligus mendukung transformasi digital dalam evaluasi risiko kredit.
Optimasi Akurasi Klasifikasi Pada Prediksi Smokte Detection dengan Menggunakan Algoritma Adaboost Amin Nur Rais; Warjiyono Warjiyono
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 4 No. 2 (2022): Desember 2022
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v4i2.5154

Abstract

The problem of fire is a threat to nature and the environment. To deal with fire incidents, a smoke detector was created and developed in combination with an IoT device so that incident data can be recorded properly where the recorded data will be used as a reference for increasing the accuracy of early detection. Increasing the accuracy of smoke detectors so that they can be combined with artificial intelligence technology. This research proposes prediction optimization using the adaboost algorithm combined with the naïve Bayes classification algorithm with a measurement matrix based on accuracy, recall, and precision. The results showed that using the adaboost algorithm could increase the resulting accuracy value with a value of 0.987. If you look at the evaluation from the precision side, it also shows that the use of the adaboost algorithm can increase the precision value with a value of 0.971. But the recall evaluation showed that without boost it got a better score with a value of 0.995
Co-Authors Agus Subekti Ahmad Ishaq Ardianto-Universitas Bina Sarana Informatika, Rian Biktra Rudiarto Chalimatusadiah Chalimatusadiah Chandra Kesuma Desiana Nur Kholifah Desy Ayu Fatmawati Fajar Akbar Fandhilah Fandhilah Ibnu Alfarobi Jordy Lasmana Putra Mochamad Firmansyah Muhammad Rifqi Firdaus Nani Purwati Noor Hasan Nur Azizah Nurul Ichsan Rahmawati-Universitas Bina Sarana Informatika, Eka Richky Faizal Amir Robi Aziz Zuama Rousyati Rousyati Saifudin Saifudin Siti Munawaroh Sobari, Irwan Agus Sofian Wira Hadi Thira, Indra Jiwana Tiara Aninditha Vinsensius Puri Dwi Setyawan W Warjiyono Walim Walim warjiyono Warjiyono Warjiyono Warjiyono Warjiyono Warjiyono Warjiyono, Warjiyono Wawan Kurniawan Yahya Mara Ardi Yustina Meisella Kristania - STMIK Nusa Mandiri Jakarta, Yustina Meisella Kristania