Claim Missing Document
Check
Articles

Perancangan Model Sistem Pendukung Keputusan Untuk Menentukan Formasi CASN Menggunakan Naïve Bayes dan Simple Additive Weighting Cesar, Wahyu; Riki Ramdani Saputra; Gandung Triyono
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 4 No. 1: MARET 2024
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v4i1.260

Abstract

Di era reformasi birokrasi, pengelolaan manajemen Aparatur Sipil Negara (ASN) menjadi satu hal penting karena dapat mendorong efisiensi anggaran serta memaksimalkan kinerja dan layanan pemerintah. Salah satu penyebab belum optimalnya kinerja ASN hingga saat ini yaitu belum tepatnya penempatan formasi penerimaan pegawai CASN yang disebabkan belum adanya sistem pendukung keputusan yang digunakan oleh biro kepegawaian pada instansi pemerintah pada saat menentukan formasi CASN berdasarkan pada analisa kebutuhan pegawai dari setiap unit kerja. Oleh sebab itu kebijakan pemerintah melalui Surat kementrian PANRB Nomor: B-2156/M.PAN.RB/5/2014 terkait optimalisasi kebutuhan ASN, diperlukan analisa penyusunan kebutuhan formasi CASN dari setiap instansi pemerintah menggunakan e-Formasi. Dalam mendukung kebijakan pemerintah tersebut, tujuan penelitian ini adalah membuat model sistem pendukung keputusan untuk membantu instansi pemerintah dalam menganalisa kebutuhan formasi CASN dengan metode Naïve Bayes Classifier dan Simple Additive Weighting (SAW). Model algoritma Naïve Bayes Classifier yang menghasilkan nilai akurasi 94,44%. SAW digunakan untuk meranking unit kerja prioritas yang sangat membutuhkan formasi pegawai. Hasil penelitian ini dari sebuah model sistem pendukung keputusan dengan kombinasi algortima Naïve Bayes dan SAW didapatkan kelas dan alternatif A7, A8, A9, A4, dan A6 yang merupakan top 5 unit kerja prioritas yang paling membutuhkan pegawai CASN.
SENTIMENT ANALYSIS AND ENTITY DETECTION ON NEWS HEADLINES TO SUPPORT INVESTMENT DECISIONS Adhi, Ajar Parama; Umuri, Khairil; Triyono, Gandung
Jurnal Teknik Informatika (Jutif) Vol. 5 No. 6 (2024): JUTIF Volume 5, Number 6, Desember 2024
Publisher : Informatika, Universitas Jenderal Soedirman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jutif.2024.5.6.3434

Abstract

Accurate investment decisions are often influenced by information available in the media. News headlines, as part of information media, can provide an initial picture of market sentiment and ongoing trends. This research examines the importance of making appropriate investment decisions with a focus on sentiment analysis and entity detection in news headlines as supporting tools. Through machine learning-based sentiment analysis and Named Entity Recognition (NER) techniques, this study identifies opinions and entities such as company names, stock indices, and industry sectors in news headlines. This research compares three machine learning algorithms, namely SVM, Naive Bayes, and Random Forest using cross-validation. The result shows that the best algorithm is SVM with weighted average F1-score of 76,68%. Furthermore, hyperparameter optimization is performed using Optuna for the SVM algorithm, which is an innovation in the context of sentiment analysis on news headlines in Indonesia. The result shows an increase in weighted average F1-score to 78,14%. For NER, a rule-based method is used by utilizing the Jaro-Winkler string similarity function. The combination of sentiment analysis and NER is then presented in the form of a dashboard using Google Looker Studio tools, with data from sentiment analysis and NER results being processed periodically and automatically using Google Workflows. This research makes a significant contribution by expanding the scope of analysis from just one or a few issuers to all entities published on news portals thanks to NER support, making the results relevant to support investment decisions that are responsive to dynamic market changes.
Pemodelan Prediksi Alokasi Pagu Belanja Pegawai dengan Metode Neural Network dan Linear Regression Rudi Hartono; Hendra Adi Saputra; Gandung Triyono
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 4 No. 3: NOVEMBER 2024
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v4i3.708

Abstract

Belanja Pegawai meupakan belanja rutin yang diterima Aparatur Sipil Negara (ASN) yang merupakan hak pegawai sebagai wujud penghargaan atau kompensasi atas tugas yang telah dilaksanakan untuk mendukung fungsi dan tugas unit organisasi pemerintah. Penelitian ini bertujuan untuk memprediksi alokasi pagu belanja pegawai tersebut dengan mengimplementasikan dan membandingkan kinerja algoritma Neural Network dan Linear Regression. Penelitian ini menggunakan rasio data pelatihan dan pengujian 90:10, 80:20 dan 70:30 dengan hasil pengujian menggunakan algoritma neural network mendapatkan nilai RMSE sebesar 1.528.548.203,391, 1.574.970.259,712, dan 1.502.955.371,784, sedangkan Linear Regression mendapatkan nilai RMSE sebesar 1.525.213.978,925, 1.612.945.104,455, dan 1.540.826.342,006. Berdasarkan hasil perbandingan pada rasio ideal data uji dan latih 80:20, dapat disimpulkan bahwa algoritma Neural Network dengan nilai RMSE 1.574.970.259,712 menunjukkan nilai kinerja yang lebih baik dari pada Linear Regression dengan nilai RMSE 1.612.945.104,455, diharapkan hasil tersebut dapat digunakan untuk membantu prediksi penyedian alokasi pagu belanja pegawai dimasa yang akan datang.
Prediksi Jumlah Pasien Masuk Rumah Sakit Menggunakan Metode Random Forest Sufyan Asaury, Akhmad; Hamid, Abdul; Triyono, Gandung
Jurnal Pendidikan dan Teknologi Indonesia Vol 5 No 2 (2025): JPTI - Februari 2025
Publisher : CV Infinite Corporation

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jpti.660

Abstract

Kesehatan merupakan kebutuhan utama masyarakat pada masa kini, sehingga peningkatan sarana pelayanan kesehatan menjadi hal yang krusial untuk mencapai derajat kesehatan yang optimal sesuai dengan tujuan pembangunan kesehatan. Rumah sakit sering menghadapi lonjakan pasien setiap harinya, terutama pada instalasi rawat inap. Prediksi jumlah pasien masuk seringkali menggunakan metode sederhana seperti rata-rata historis yang kurang akurat, sehingga menyebabkan ketidakefisienan dalam pengelolaan sumber daya, pengendalian biaya, dan penyediaan layanan berkualitas. Data yang digunakan dalam penelitian ini adalah data bangsal dari Januari 2021 hingga Desember 2022, yang diperoleh dalam format Excel dengan total 730 data selama dua tahun. Penelitian ini bertujuan untuk mengembangkan model prediksi berbasis Random Forest yang dapat memperkirakan jumlah pasien masuk rumah sakit secara akurat dengan mempertimbangkan berbagai faktor, seperti demografi pasien dan variabel waktu. Proses penelitian melibatkan pengumpulan data, preprocessing untuk membersihkan dan mempersiapkan dataset, pelatihan model, serta evaluasi kinerja menggunakan metrik seperti Mean Squared Error (MSE), Mean Absolute Error (MAE), dan Root Mean Squared Error (RMSE). Hasil evaluasi menunjukkan bahwa model prediksi memiliki performa yang baik dengan nilai MSE sebesar 0,64, MAE sebesar 0,60, dan RMSE sebesar 0,80, yang mengindikasikan tingkat kesalahan prediksi yang rendah. Informasi prediksi jumlah pasien ini memberikan dampak signifikan bagi manajemen rumah sakit dalam mengelola kapasitas, seperti alokasi tempat tidur, tenaga medis, dan peralatan medis, sehingga efisiensi operasional dapat ditingkatkan. Dengan demikian, metode prediksi berbasis Random Forest tidak hanya memberikan hasil yang akurat, tetapi juga dapat diterapkan secara langsung untuk mendukung pengambilan keputusan strategis di lingkungan rumah sakit.
Pelatihan Komputer Untuk Santri Pondok Pesantren Tahfidzul Qur’an Wahidin Halim Hardjianto, Mardi; Suryadi, Lis; Virgian Shaka Yudha Sakti, Dolly; Triyono, Gandung
AMMA : Jurnal Pengabdian Masyarakat Vol. 4 No. 1 : Februari (2025): AMMA : Jurnal Pengabdian Masyarakat
Publisher : CV. Multi Kreasi Media

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

Abstract

This Community Service activity was carried out in collaboration with the Wahidin Halim Tahfidzul Qur'an Islamic Boarding School, an Islamic boarding school located on Jl. H. Gillan RT. 003/RW. 001, Pinang District. Pinang, Tangerang City, Banten 15145. Currently, our partners are struggling to overcome problems arising from the lack of computer training for students. To overcome this problem, we held face-to-face computer training sessions at the ICT Laboratory of Budi Luhur University. The survey evaluation showed that more than 85% of participants felt that the activity was useful, easy to understand, effective, and met their expectations. Therefore, it can be concluded that this activity provides the right solution to partner problems.
Application of the Simple Additive Weighting Method in the Selection Process for Recipients of the 1000 Anak Negeri Scholarship at Nusa Putra University Hidayat, Rahmat; Triyono, Gandung; Oktiara, Dara Putri
Teknika Vol. 14 No. 1 (2025): March 2025
Publisher : Center for Research and Community Service, Institut Informatika Indonesia (IKADO) Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34148/teknika.v14i1.1194

Abstract

The 1000 Anak Negeri Scholarship at Nusa Putra University supports outstanding students from underprivileged families, yet its manual selection process is inefficient, subjective, and lacks transparency, leading to delays and potential misjudgments. This study aims to develop a Decision Support System (DSS) using the Simple Additive Weighting (SAW) method to enhance the accuracy, efficiency, and fairness of scholarship selection. The system evaluates applicants based on eight criteria: poverty status, parental occupation, income, family dependents, parental status, academic achievement, non-academic achievement, and Quran recitation ability, with assigned weights ensuring objective ranking. The SAW method normalizes decision matrices and calculates final scores to determine recipients, significantly improving efficiency and transparency compared to manual selection. The top-ranked recipient achieved a final score of 0.7765, followed by scores of 0.743, 0.625, 0.6105, and 0.584, demonstrating a more structured and reliable selection process. The automated approach reduces processing time, minimizes human errors, and ensures systematic selection based on predefined criteria. This research confirms that the SAW method provides a more accurate and reliable decision-making process, making scholarship distribution fairer and more targeted. The implementation of this system at Nusa Putra University serves as a model for other educational institutions to optimize their scholarship selection processes, ensuring that financial aid reaches students who need it most while improving transparency, efficiency, and decision-making accuracy.
PREDICTION MODEL FOR STUDENTS' ON-TIME GRADUATION USING ALGORITHM SUPPORT VECTOR MACHINE (SVM) BASED  PARTICLE SWARM OPTIMIZATION (PSO) Hidayatulloh, Syarif; Gandung Triyono; Kiki Ari Suwandi kosasih
Jurnal Sistem Informasi Vol. 12 No. 1 (2025)
Publisher : Universitas Serang Raya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30656/jsii.v12i1.9964

Abstract

One of the indicators in assessing the tridharma of higher education outcomes and achievements is students' timely graduation and one indicator of the success of the higher education system is timely graduation. However, some students cannot complete their studies on time. In the process of completing the study, several problems emerged, one of which was in completing studies on time, there are problems that arise, such as students who are still repeating because there are grades that have not passed in the course, the Grade Point Average (GPA) is still lacking, the Semester Achievement Index (SAI) is still below the minimum, the total number of semester credit units (total credits) which still have not reached the minimum limit, then the number of active lecture statuses still exceeds 8 semesters, so this problem will have an impact on the accuracy of student study graduate data, where the target performance indicator for graduates is on time The student's target of graduating on time has not been achieved. The factors that cause the students not to graduate on time are not known. In identifying the problem, it was found that the Study Program does not have adequate information regarding the potential for students to graduate on time and the limitations of the study program in assisting students in completing on-time graduation The method used to solve this problem is by creating a prediction model for students' on-time graduation, so that students can receive adequate information regarding the potential for graduating on time. This research aims to create a prediction model for graduating on time using the Support Vector Machine (SVM) method based on Particle Swarm Optimization (PSO) with feature selection. information gain, so that the attributes selected and used are Semester Achievement Index 1, Semester Achievement Index 2, Semester Achievement Index 3, Semester Achievement Index 4, Grade Point Average (GPA) 1, Grade Point Average (GPA) 2, Grade Point Average (GPA) 3, Grade Point Average (GPA) 4, Semester Credit Units 1, and Semester Credit Units 4. The results in this study obtained accuracy values ​​of 0.799, precision 0.851, recall 0.605 and AUC 0.86
Klasterisasi Provinsi di Indonesia Berdasarkan Angka Harapan Hidup Menggunakan K-Means dengan Evaluasi Elbow Method Asep Lukman Arip Hidayat; Helmi Zulqan; Gandung Triyono
Jurnal Sistem Informasi Vol. 12 No. 1 (2025)
Publisher : Universitas Serang Raya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30656/jsii.v12i1.10116

Abstract

Angka Harapan Hidup (AHH) adalah indikator penting untuk mengukur kesejahteraan masyarakat dan tingkat kesehatan di suatu daerah. AHH Indonesia sangat berbeda antar provinsi, yang menunjukkan perbedaan dalam infrastruktur dan akses layanan kesehatan. Tujuan dari penelitian ini adalah untuk menggunakan algoritma K-Means untuk meklasterisasi provinsi-provinsi di Indonesia berdasarkan AHH, dan untuk mengevaluasi hasil klasterisasi dengan metode Elbow untuk menentukan jumlah klaster yang ideal. Data yang digunakan mencakup AHH dari seluruh provinsi Indonesia dalam beberapa tahun terakhir. Untuk mempermudah identifikasi daerah yang memerlukan perhatian khusus dalam perencanaan kebijakan kesehatan, provinsi diklasifikasikan ke dalam klaster berdasarkan karakteristik AHH yang sebanding. Studi ini fokus pada optimasi Algoritma K-Means dengan metode Elbow. Percobaan iterasi dilakukan sepuluh kali dan menemukan nilai K ideal, yaitu K=3. Hasil klasterisasi menunjukkan bahwa Cluster 0 memiliki 103 anggota, Cluster 1 memiliki 181 anggota, dan Cluster 2 memiliki 260 anggota. Hasil penelitian menunjukkan bahwa algoritma K-Means berhasil mengelompokkan provinsi-provinsi berdasarkan AHH dengan tingkat variasi yang rendah di setiap klaster. Metode Elbow membantu menentukan jumlah klaster yang ideal.
Analisis Sentimen Kebijakan Pembatasan Subsidi Bahan Bakar Minyak di Indonesia Tahun 2024 Menggunakan Algoritma Klasifikasi Chaerul, Muh; Septiadi, Septiadi; Triyono, Gandung
Jurnal Pendidikan dan Teknologi Indonesia Vol 5 No 5 (2025): JPTI - Mei 2025
Publisher : CV Infinite Corporation

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jpti.825

Abstract

Kebijakan pembatasan subsidi Bahan Bakar Minyak (BBM) yang diterapkan pemerintah Indonesia pada tahun 2024 memicu beragam tanggapan masyarakat di media sosial. Penelitian ini bertujuan untuk menganalisis sentimen pengguna X (Twitter) terhadap kebijakan pemerintah tersebut. Dataset yang digunakan terdiri dari 2.011 tweet yang dikumpulkan melalui teknik scraping pada tweet periode 1 September 2024 hingga 31 Desember 2024. Data tersebut kemudian melalui tahap cleansing, preprocessing dan pelabelan sentimen menggunakan lexicon-based approach untuk mengkategorikan tweet ke dalam tiga kelas sentimen yaitu positif, negatif, dan netral. Selanjutnya, dilakukan ekstraksi fitur menggunakan Term Frequency-Inverse Document Frequency (TF-IDF) Vectorizer dan penyeimbangan data dengan teknik Synthetic Minority Oversampling Technique (SMOTE). Pemodelan dilakukan menggunakan dua algoritma klasifikasi yaitu Support Vector Classifier (SVC) dan Random Forest Classifier (RFC). Penalaan parameter dilakukan dengan memanfaatkan Stratified K-Fold Cross-Validation untuk menjaga keseimbangan distribusi kelas selama proses validasi model. Berdasarkan hasil analisis dataset, mayoritas sentimen yang ditemukan adalah negatif sebesar 59%, diikuti oleh sentimen positif sebesar 31%, dan netral sebesar 10%. Selain itu, penelitian juga menghasilkan temuan bahwa model SVC mencapai akurasi lebih baik dibandingkan model RFC yaitu sebesar 77%, sedangkan RFC memiliki nilai akurasi sebesar 73%. Temuan ini mengindikasikan bahwa SVC lebih efektif dalam mengklasifikasikan sentimen terkait kebijakan pembatasan subsidi BBM. Penelitian ini memberikan juga insight mengenai persepsi masyarakat terhadap kebijakan tersebut, yang dapat menjadi pertimbangan bagi pemerintah dalam merumuskan strategi komunikasi dan implementasi kebijakan yang lebih baik di masa depan.
Penentuan Jumlah Project Implementation Staff dengan Metode Workload Analysis Full Time Equivalent (FTE) dan Analytical Hierarchy Process (AHP) : (Studi Kasus: PT Indodev Niaga Internet) Hakim, Sulaiman; Subekti, Yogi Agung; Triyono, Gandung
Jurnal Algoritma Vol 22 No 1 (2025): Jurnal Algoritma
Publisher : Institut Teknologi Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33364/algoritma/v.22-1.2235

Abstract

Dalam suatu proyek yang dikerjakan oleh Tim Implementasi pada PT. Indodev Niaga Internet terkadang Implementation Staff yang ada pada Tim Implementasi sering kali mengalami beban kerja yang berlebih ataupun sebaliknya beban kerja terlalu rendah dengan tidak adanya kesesuaian jumlah Implementation Staff yang terlibat dalam suatu proyek yang dapat mengakibatkan terjadinya ketidakefisienan dalam pengerjaan proyek. Oleh karena itu diperlukan suatu cara untuk mengoptimalkan jumlah Implementation Staff yang ada pada Tim Implementasi agar masalah beban kerja yang berlebih ataupun terlalu rendah dapat teratasi. Cara yang digunakan untuk menyelesaikan masalah tersebut ialah dengan menggunakan Analisis Beban Kerja (Workload Analysis). Analisis Beban Kerja akan mencari kesesuaian jumlah tugas dan beban kerja yang ada dalam suatu organisasi yang akan diekuivalenkan dengan satuan waktu dengan jumlah pegawai yang dimiliki oleh suatu perusahaan dan dikombinasikan dengan Analytical Hierarchy Process (AHP) yang akan menentukan siapa saja Implementation Staff yang tepat dan ideal guna untuk mengisi kekurangan Implementation Staff. 7 kriteria yang telah didapatkan dari hasil kuesioner dan sudah dilakukan pengujian menggunakan Chocran Q-Test ketujuh kriteria yang didapat ialah Tanggung Jawab, Kerjasama Tim, Kemampuan Analisis, Programming Skills, Orientasi terhadap Pencapaian Target, Product Knowledge, dan Kemampuan Berkomunikasi. Dengan menggunakan kedua model tersebut dapat membantu efisiensi Sumber Daya Manusia (Implementation Staff) pada proyek teknologi informasi berbasis layanan.
Co-Authors - Sumardianto Abdurrahman, Faris Nur Achmad Ardiansyah Achmad Solichin Achmad Syarif Adhi, Ajar Parama Aditya Ikhbal Maulana Agus Umar Hamdani Aji Guntoro Al Ghozali, Isnen Hadi Ananda Dian Nugraha Angga Prasetyo Anggita Pamukti Anggraini Ujianti Anwarsyah, Anwarsyah Aris Subagyo, Wismoyo Asep Lukman Arip Hidayat Assegaf , Noval Azizi, Hibatul Chaerul, Muh Coudry Bernadeth Dana Indra Sensuse Daniel Iskandar Dede Wahyu Saputra Dermawan Ginting Devy Fatmawati Dini Astuti Dini Handayani, Dini Djafar, Muhammad Agung A. Djati Kusdiarto Dolly Virgian Shaka Yudha Sakti Dwi Kristanto Dyah Puji Utami Effendi , Muhtar Eliyani, Eliyani Ery Rinaldi Fachrurozy, Achmad Fadel, Muhamad Fahlevi, Noval Fajriah, Riri Febri Maulana Febrianti, Rizkia Saski Feby Lukito Wibowo Firmansyah, Maulana Gilang Ramadhan Hadi rahadian Hafiz, Rahmad Hakim, Sulaiman Hanifa, Annisa Hardjianto, Mardi Helmi Zulqan Hendra Adi Saputra Henny Idam Risnaputra Iman Permana, Iman Indra Indra Jotri Firdani Maharaja Juhari Juhari, Juhari Jumaryadi, Yuwan Kanasfi, Kanasfi Kiki Ari Suwandi kosasih Lestari, Triardani Lis Suryadi Lis Suryadi, Lis Lutfan Lazuardi Luthfi Mawardi Mahendra, M. Azmi Malik Aziz Habibie Maruanaya, Greghar Juan Tjether Maruanaya, Rita Fransina Maskur A, Moch Riyadi Masnuryatie, Masnuryatie Maya Asmita Megananda Hervita P. Melyana, Melyana Mepa Kurniasih MHD. Reza M.I. Pulungan Moch. Rezaf Ivanka Haris Mohammad Aldinugroho Abdullah Muhamad Dikhi Rohman Muttaqin, Zaenul Ningrum, Sekar Ayu Nita, Yulia Nurhikmah, Suci Oktiara, Dara Putri Pebry, Fachry Ajiyanda Pirman, Arif Prasetia, Andika Rohman Prasetyo, Angger Totik Rahmat Hidayat Ramadani, Romi Reza Ariftiarno Ridho Firmansyah Ridho Putra Kusmanda Riki Ramdani Saputra Rima Tamara Aldisa Rinto Prasetyo Adi Rizka Pitriyani Rizky Adhi Saputra Rizky Fernanda Aprianto Rizky Tahara Shita Rojakul, Rojakul Rudi Hartono Rudi Hidayat Ryan Prasetya Safrina Amini Septiadi, Septiadi Setyadin, Rahmat Dipo Sister, Maya Gian Sittah Ifadah Sri Hartati Sri Melati Subekti, Yogi Agung Sudiyatno Yudi Nugroho Sufyan Asaury, Akhmad Suriah Setiana Widiastuti SURYANI Syamsiar, Syamsiar Syarif Hidayatulloh Tansya Ingmukti Taryono, Ono Tunggal Saputra, Tri Aji Umar Alfaruq Umuri, Khairil Utomo Budiyanto Vasthu Imaniar Ivanoti Wahyu Adi Setyo Wibowo Wahyu Cesar, Wahyu Wahyuningram, Nugroho Warih Dwi Cahyo Wawan Gunawan Widyanto, Tetrian Wilsen Grivin Mokodaser Winasis, Reza Handaru Wisanto, Aditya Agus Wisnu Cahyadi Wulan Trisnawati Yasmin , Nadia Yeros Fathullah Achmad Zainal Arifin