Claim Missing Document
Check
Articles

Found 6 Documents
Search

Penerapan Metode SMARTER untuk Penentuan Hasil Open Recruitment Anggota Puzzle Research Data Technology (Predatech) Siti Syahidatul Helma; Insanul Kamila; Mustakim Mustakim; Putri Anglenia; Ulya Ramadhani Z
Seminar Nasional Teknologi Informasi Komunikasi dan Industri 2019: SNTIKI 11
Publisher : UIN Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (946.805 KB)

Abstract

Dalam setiap aktivitas organisasi, manusia berperan aktif dan memiliki dampak yang dominan, karena manusia menjadi perencana, pelaku, sekaligus penentu terwujudnya tujuan organisasi. Salah satu hal terpenting dalam pengelolaan dan perkembangan SDM dalam suatu organisasi adalah sistem dalam proses penyeleksian penerimaan  atau open recruitment (rekrutmen) calon anggota organisasi. Organisasi Puzzle Research Data Technology (Predatech) setiap tahunnya melakukan penerimaan anggota baru untuk regenerasi. Proses perekrutan dalam agenda open recruitment anggota Predatech melakukan pengolahan yang dianggap monoton karena hanya menggunakan nilai rata-rata sehingga hasil nilai seleksi memiliki perbedaan secara signifikan. Salah satu metode yang dapat membantu dalam proses rekrutmen calon anggota baru yaitu metode Simple Multi-Attribute Rating Technique Exploiting Ranks (SMARTER), yang dapat merankingkan calon anggota berdasarkan pembobotan ROC antara range 0-1 tiap kriterianya. Penelitian menggunakan metode SMARTER ini dapat menghasilkan nilai akhir seleksi calon anggota menjadi lebih optimal dan efektif dengan perankingan alternatif tertinggi bernilai 0,363 sedangkan nilai terendah bernilai 0,169.
Analisis Cluster Menggunakan Algoritma K-Means pada Data Fasilitas Pelayanan Kesehatan Kota Pekanbaru Siti Syahidatul Helma; Mustakim Mustakim; Risma Rustiyan R; Eva Normala
Seminar Nasional Teknologi Informasi Komunikasi dan Industri 2019: SNTIKI 11
Publisher : UIN Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (180.947 KB)

Abstract

Pelayanan kesehatan merupakan faktor yang dapat dipengaruhi oleh ketersediaan fasilitas pelayanan kesehatan. Sarana dan prasarana kesehatan yang mencakup fasilitas pelayanan kesehatan juga dapat membantu dalam mengoptimalkan derajat kesehatan di kota Pekanbaru dan memberikan kontribusi positif untuk kesehatan khususnya bagi perilaku masyarakat dan lingkungan disekitarnya. Berdasarkan data yang dikeluarkan oleh Dinas Kesehatan Kota Pekanbaru jumlah kunjungan masyarakat pada salah satu fasilitas pelayanan kesehatan menurun selama 5 tahun terakhir 2013-2015 berturut-turut sebanyak 523.140, 572.017 dan 457.232. Untuk melihat pola pemanfaatan dari fasilitas kesehatan yang sudah ada, maka diperlukan suatu metode data mining, algoritma K-means clustering digunakan untuk mengelompokkan data responden yang menggunakan fasilitas kesehatan di Kota Pekanbaru Setelah melakukan beberapa percobaan cluster dengan menggunakan algoritma K-means clustering, maka didapatkan cluster optimal berdasarkan uji validasi Davies Bouldin Indeks (DBI) yaitu 9 cluster kemudian setelah dilakukan percobaan dengan menggunakan k=2 sampai dengan k=10, didapatkan nilai cluster optimal terdapat pada K=9 dengan nilai DBI 0.188.
Implementasi Algoritma Multi-Attribute Decision Making untuk Scoring Open Recruitment Organisasi Siti Syahidatul Helma; Insanul Kamila; Mustakim Mustakim
Seminar Nasional Teknologi Informasi Komunikasi dan Industri 2020: SNTIKI 12
Publisher : UIN Sultan Syarif Kasim Riau

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

Abstract

Keberhasilan serta kelangsungan hidup pada organisasi sangat dipengaruhi oleh kualitas Sumber Daya Manusia (SDM) yang berada dalam ruang lingkup organisasi. Terdapat suatu bidang ilmu yang dapat diterapkan untuk membantu proses manajemen SDM pada organisasi khususnya dalam proses perekrutan penerimaan SDM yaitu Teknik Pendukung Keputusan Multi-Attribute Decision Making (MADM) yang dapat digunakan untuk membantu proses perekrutan dengan mencari alternatif terbaik dari sejumlah kriteria. Pada penelitian ini menggunakan beberapa metode MADM yaitu SMART, SMARTER, MOORA, TOPSIS, dan PROMETHEE. Adapun hasil percobaan pada metode SMARTER dan PROMETHEE memiliki kesamaan peringkat data alternatif yang sama oleh A4 dengan nilai berturut-turut 0.363 dan 0.406. Sedangkan pada metode SMART, MOORA dan TOPSIS memiliki kesamaan peringkat nilai tertinggi oleh A14 dengan nilai 0.878, 0.314 dan 0.715. Selanjutnya, pada peringkat terendah oleh A15 dengan nilai berdasarkan tertinggi hingga terendah yaitu SMART 0.240, SMARTER 0.169, MOORA 0.163, TOPSIS 0.039 dan -0.552 untuk PROMETHEE. Dari hasil uji sensitivitas, metode PROMETHEE merupakan metode terbaik karena menghasilkan dua nilai terendah pada uji sensitivitas dengan nilai terendah sebesar -0,012.
Perbandingan Algoritma K-Means dan K-Medoids Untuk Pengelompokan Suhu di Provinsi Riau : Comparison of K-Means and K-Medoids Algorithms for Temperature Grouping in Riau Province Faisal, Fahikra; Giopani , Luna Aliska Giopani; Fitriah, Ma’idatul Fitriah; Dwynne, Zaira Cindya Dwynne; Helma, Siti Syahidatul Helma; Mustakim, Mustakim
Indonesian Journal of Informatic Research and Software Engineering (IJIRSE) Vol. 2 No. 2 (2022): Indonesian Journal of Informatic Research and Software Engineering
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (782.874 KB) | DOI: 10.57152/ijirse.v2i2.434

Abstract

Indonesia merupakan negara yang beriklim tropis dimana setiap daerahnya memiliki suhu yang berbeda-beda. Suhu di Indonesia memiliki tingkatan mulai dari panas, sedang, dingin dengan suhu yang selalu berubah-ubah setiap bulan bahkan setiap harinya, peneliti melakukan penelitian dalam pengelompokkan data suhu di Provinsi Riau yang bersumber dari Badan Pusat Statistik (BPS) Riau mulai dari tahun 2019, 2020, 2021. Penelitian ini dilakukan untuk membandingan algoritma yang digunakan serta mengetahui algoritma yang tepat untuk pengelompokkan suhu berdasarkan hasil uji validitas DBI dimana semakin kecil nilai DBI maka semakin baik cluster yang dihasilkan. Berdasarkan hasil percobaan, algoritma K-Means memperoleh nilai DBI terbaik sebesar 0,2 pada K=6 dengan 10 iterasi sedangkan Algoritma K-Medoids memperoleh nilai terbaik sebesar 0,279 pada K=8 dengan 100 iterasi. Hal ini mengartikan bahwa algoritma K-Means lebih baik jika dibandingkan dengan K-Medoids dalam pengelompokkan suhu di Provinsi Riau. Penelitian ini diharapkan dapat memberikan informasi mengenai segmentasi suhu di Provinsi Riau kepada stakeholder sebagai bahan pertimbangan atau analisis suhu di waktu yang akan datang.
Information Gain Feature Selection for Temporal Sentiment Analysis of Pedulilindungi Application Review using Naïve Bayes Classifier Algorithm: Information Gain Feature Selection for Temporal Sentiment Analysis of Pedulilindungi Application Review using Naïve Bayes Classifier Algorithm Helma, Siti Syahidatul; Qudsi, Dini Hidayatul; Chatisa, Ivan
Indonesian Journal of Informatic Research and Software Engineering (IJIRSE) Vol. 5 No. 2 (2025): Indonesian Journal of Informatic Research and Software Engineering (IJIRSE)
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/ijirse.v5i2.2217

Abstract

Through the Instruction of the Minister of Home Affairs of the Republic of Indonesia Number 38 of 2021 concerning the Implementation of Restrictions on Community Activities (PPKM), all communities are required to use the Pedulilindungi application from August 31, 2021, to September 6, 2021, and updated regularly. Users can download and access the Pedulilindungi application through the Google Play Store application market. There, users can directly assess an application by providing reviews that can describe user responses and satisfaction with the application. The Naïve Bayes Classifier (NBC) algorithm is applied to perform modeling in classifying temporal sentiment analysis data. Prior to classification, a feature selection process with information gain is performed. Based on the experimental results, the best evaluation was produced on temporal data dated September 03, 2021, with an accuracy of 91.9% and precision and recall values of 99.9% and 91.9%, respectively.
Prediction of side effects of drug resistant tuberculosis drugs using multi-label random forest Helma, Siti Syahidatul; Kusuma, Wisnu Ananta; Mushthofa, Mushthofa; Handayani, Diah
IAES International Journal of Artificial Intelligence (IJ-AI) Vol 14, No 4: August 2025
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/ijai.v14.i4.pp2899-2908

Abstract

Drug-resistant tuberculosis (DR-TB) has become a concern because anti-tuberculosis drugs (ATD) used to treat it can cause side effects in patients. This study aimed to predict the potential side effects of ATD using a multi-label classification approach with a random forest (RF) algorithm. This study used 660 medical record data, including the 14 ATD treatments prescribed to the patients and the six side effects experienced by patients. The model was trained using the best parameters based on the hyperparameter tuning process. The results show that the RF multi-label algorithm can be an alternative for building ATD side effect prediction models because it produces the most optimal performance value compared to the decision tree (DT) and extreme gradient boosting (XGBoost). The area under the curve (AUC) score of all RF multi-label models is above 0.8, which means that all RF multi-label models are considered acceptable and applicable for ATD side effect prediction. In addition, eight features influenced the models based on the average feature importance score of the RF models. This study is expected to help predict the side effects of ATD used to treat DR-TB based on ATD treatment and determine the most promising tree-based machine learning algorithm for predicting ATD side effects.