Article Per Year (5 Year)
p-Index From 2021 - 2026
3.218
P-Index
This Author published in this journals
All Journal UG Journal Jurnal Teknik Komputer AMIK BSI Jurnal Pilar Nusa Mandiri Techno Nusa Mandiri : Journal of Computing and Information Technology J-SAKTI (Jurnal Sains Komputer dan Informatika) IJISTECH (International Journal Of Information System & Technology) JISICOM (Journal of Information System, Infomatics and Computing) REMIK : Riset dan E-Jurnal Manajemen Informatika Komputer Jurnal Sistem Informasi dan Sistem Komputer IJISTECH J-SAKTI (Jurnal Sains Komputer dan Informatika) Digital Transformation Technology (Digitech) Journal of Artificial Intelligence and Digital Business J-Icon : Jurnal Komputer dan Informatika
Susliansyah, Susliansyah
Universitas Bina Sarana Informatika
Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Health Professions Library & Information Science Social Sciences Other

Published : 33 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 33 Documents
Search

 1   2   3   4 
Penerapan Klastering pada Data Mining dalam Menentukan Status Gizi Anak Balita dengan Menggunakan Algoritma K-Medoids Susliansyah Susliansyah; Heny Sumarno; Hendro Priyono; Linda Maulida; Fintri Indriyani
REMIK: Riset dan E-Jurnal Manajemen Informatika Komputer Vol. 10 No. 1 (2026): Volume 10 Nomor 1 Januari 2026
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/remik.v10i1.15710

Abstract

Status gizi balita merupakan indikator penting yang mencerminkan kesehatan dan perkembangan anak. Penilaian gizi biasanya dilakukan melalui pengukuran berat badan, tinggi badan, serta perhitungan Indeks Massa Tubuh (IMT). Namun, proses klasifikasi secara manual seringkali membutuhkan waktu dan berisiko menimbulkan ketidaktepatan, sehingga diperlukan metode yang lebih efisien. Penelitian ini menggunakan pendekatan data mining dengan algoritma k-medoids untuk mengelompokkan status gizi balita. Algoritma ini bekerja dengan menentukan medoid sebagai pusat kelompok yang mewakili karakteristik balita berdasarkan tinggi, berat, dan IMT. Balita lain kemudian diklasifikasikan sesuai jarak terdekat dengan medoid tersebut. Hasil penelitian menunjukkan bahwa penerapan k-medoids mampu mengelompokkan balita ke dalam kategori normal, kurang gizi, dan obesitas secara lebih sistematis. Temuan ini diharapkan dapat membantu tenaga kesehatan dalam mengidentifikasi balita yang membutuhkan tindakan secara khusus, sehingga mendukung tumbuh kembang anak secara optimal.
Analisa Ulasan Pengguna Aplikasi Mobile Legends Bang-Bang dengan Menggunakan Metode Algoritma K-Means Pura, Arya; Suardika, Deni; Keane, Teuku Nizam; Hutauruk, Stanley Ravelino; Marpaung, Hendrick Jonathan; Rizal, Khairul; Susliansyah, Susliansyah
Digital Transformation Technology Vol. 6 No. 1 (2026): Periode Maret 2026
Publisher : Information Technology and Science(ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/digitech.v6i1.7469

Abstract

Industri game yang berkembang pesat tidak hanya terjadi di Indonesia saja, namun di berbagai negara sudah mulai menunjukkan antusias terhadap industri game. Salah satunya seperti game Mobile Legends: Bang Bang yang dimana memiliki jutaan pengguna aktif. Popularitas Mobile Legends menyebabkan banyaknya pengguna Mobile Legends ini memberikan ulasan dan review. Penelitian ini kami tujukan untuk menganalisis ulasan para pengguna Mobile Legend dengan memanfaatkan metode algoritma K-Means Clustering. Data ulasan pengguna dikumpulkan dari Google Play Store dan memanfaatkan website Kaggle, Kemudian kami akan melakukan tahap preprocessing teks. Setelah itu data akan diubah menjadi representasi numerik menggunakan metode TF-IDF (Term Frequency-Inverse Document Frequency) sebelum diproses dengan algorima K-Means. Hasil ulasan pengguna menunjukkan bahwa ulasan dapat dikelompokkan ke dalam bebeerapa cluster, seperti ulasan positif (terkait kualitas, grafis, fitur, dan pengalaman bermain), ulasan negative (seperti bug, lag, dan server yang tidak stabil), serta ulasan netral yang berisi saran dan masukan. Evaluasi kualitas cluster dilakukan menggunakan metode DBI (Davies-Bouldin Index) yaitu untuk menentukan jumlah cluster secara optimal agar mendapat gambaran yang jelas mengenai berbagai persepsi dari pengguna, sehingga dapat menjadi dasar bagi pengembang dalam meningkatkan kualitas, memperbaki bug, dan juga mengoptimalkan pengalaman bermain. Dengan demikian, penggunaan algorima K-Means terbukti efektif dalam mengelompokkan ulasan pengguna. Serta dapat dijadikan alat bantu dan masukkan bagi pengembang dalam pengembangan aplikasi dan menyesuaikan ulasan para pengguna.
Klasifikasi Jamur Beracun dan Tidak Beracun Menggunakan Transfer Learning Model Mobilenetv2 Pada Tensorflow di Indonesia Syafiq Hidayatullah; Adinda Gadis Insan Cemerlang; Rifaldi Bagas Permana; Khairul Rizal; Rahmat Hidayat; Susliansyah Susliansyah
Jurnal Sistem Informasi dan Sistem Komputer Vol 11 No 1 (2026): Vol 11 No 1 - 2026
Publisher : STIMIK Bina Bangsa Kendari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51717/simkom.v11i1.1211

Abstract

Jamur memiliki peran penting dalam pangan dan kesehatan, tetapi kesamaan morfologis antara jamur beracun dan tidak beracun menyulitkan identifikasi akurat. Penelitian ini mengklasifikasikan jamur beracun dan tidak beracun di Indonesia menggunakan Transfer Learning dengan arsitektur MobileNetV2 pada TensorFlow. Metode penelitian mengikuti tahapan CRISP-DM yang mencakup pengumpulan data, pra-pemrosesan citra, pelatihan model, serta evaluasi kinerja. Model MobileNetV2 mencapai akurasi 99,13%, precision 99,49%, recall 98,97%, dan F1-score 99%. Grafik akurasi dan loss menunjukkan peningkatan kinerja yang stabil tanpa overfitting. Hasil ini menegaskan efektivitas Transfer Learning menggunakan MobileNetV2 dalam identifikasi fitur visual jamur. Model ini berpotensi diaplikasikan pada platform web atau aplikasi mobile sebagai alat bantu identifikasi jamur otomatis, mengurangi risiko keracunan.
Co-Authors Adinda Gadis Insan Cemerlang Aditia Dwinanto Annisa Dwi Wijayanti Asep Saepudin Deleaniara. M, Chyntia Marianna Eni Irfiani Fintri Indriyani Frisma Handayanna Hendro Priyon Hendro Priyono Heny Sumarno, Heny Hikmah, Noer Hutauruk, Stanley Ravelino Indra Riyana Rahadjeng Keane, Teuku Nizam khairul rizal Linda Maulida Marbun, Stephanie Rotua Uli Marpaung, Hendrick Jonathan Maulida , Linda Maulida, Linda Muhammad Nur Nisan Nisan Pangestu, Rizqyana Pradhana, Bintang Arfiandi Priyono, Hendro Pura, Arya Rahmat Hidayat Rahmat Hidayat Rayhan, Cahya Muhammad Richardo, Yusuf Jordi Rifaldi Bagas Permana Ririn Restu Aria Rizal, Khairul Sarita, Nur Sigit Yugi Wargiyo Suardika, Deni Susi Susilowati Syafiq Hidayatullah Syawal, Muhamad Akmal Wijayanti, Annisa Dwi Yahdi Kusnadi Yahdi Kusnadi, Yahdi