Article Per Year (5 Year)
p-Index From 2021 - 2026
2.223
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi dan Ilmu Komputer JOIV : International Journal on Informatics Visualization Adi Widya : Jurnal Pengabdian Masyarakat JOURNAL OF APPLIED INFORMATICS AND COMPUTING Jurnal JTIK (Jurnal Teknologi Informasi dan Komunikasi) Wasana Nyata Indonesian Journal Computer Science (ijcs) WASANA NYATA
Yusuf Sutanto
STIE-AUB Surakarta
Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Engineering Social Sciences Veterinary Other

Published : 13 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 13 Documents
Search

 1   2 
Prediksi Harga Perumahan Menggunakan Metode Principal Component Analysis dan Random Forest Regresi Sutanto, Yusuf; Al Amin, Budi; Ary Setyadi, Heribertus; Eka Purnama, Bambang
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 6: Desember 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025126

Abstract

Penentuan harga merupakan salah satu aspek krusial dalam kegiatan pengembangan properti mengingat hal tersebut akan mempengaruhi margin keuntungan yang diperoleh pengembang dan pilihan pembelian properti.  Selama bertahun-tahun, prediksi harga rumah telah menjadi topik penelitian utama, karena permintaan rumah terus meroket. Sangat penting untuk mengembangkan kerangka kerja yang sesuai yang memungkinkan pembeli dan penjual untuk membuat keputusan cepat dalam hal membeli atau menjual properti. Dalam penelitian ini menggunakan metode Principal Component Analysis (PCA) dan Random Forest (RF), dengan tujuan untuk melakukan analisis akurasi penggunaan kedua metode dalam prediksi harga rumah dan untuk mengetahui pengaruh penggunaan PCA dalam mengoptimalkan metode random forest. Data yang digunakan adalah harga rumah di kota Surakarta berdasarkan hasil scraping data di situs propertygurugroup.com. Hasil analisis menunjukkan bahwa jumlah penjualan rumah tertinggi adalah daerah Plesungan, dan penjualan rumah yang memiliki sertifikat hak milik juga paling tinggi. Dari sepuluh variabel yang ada, luas tanah dan bangunan paling berpengaruh terhadap harga jual. Hasil pelatihan model menunjukkan bahwa peggabungan metode RF dan PCA memiliki nilai yang lebih optimal dibanding hanya menggunakan metode RF saja. Tingkat kesalahan dalam metode  PCA lebih kecil, dengan rerata 0,0257 maka nilainya lebih konsisten dibanding hanya menggunakan metode RF yang nilai kesalahannya lebih besar dengan rerata 0,0332. Waktu pelatihan model menggunakan PCA lebih cepat (5005,75) dibanding hanya menggunakan metode RF (6099,25).   Abstract Determining prices is one of the crucial aspects in property development activities considering that this will affect the profit margin obtained by developers and property purchase choices. Over the years, home price prediction has been a major research topic, as demand for homes continues to increase. It is important to develop a suitable framework that allows buyers and sellers to make quick decisions when it comes to buying or selling a property. This research uses the Principal Component Analysis (PCA) and Random Forest (RF) methods, with the aim of accuracy analyzing using both methods in predicting housing prices and to determine the effect of using PCA in optimizing the random forest method. The data used is house prices in Surakarta city based on data scraping results on propertygurugroup.com site. The analysis results show that the highest house sales is in Plesungan area, and houses sale with ownership certificates is also the highest. Of the ten variables, land area and building have the most influence on selling price. Model training results show that combination of RF and PCA methods has a more optimal value than using only RF method. Error rate in the PCA method is smaller, with an average of 0.0257, so the value is more consistent than just using the RF method, which has a larger error value with an average of 0.0332. The model training time using PCA is faster (5005.75) than just using the RF method (6099.25).
Algoritma Supervised Machine Learning Untuk Klasifikasi Diagnosa Penyakit Hipertensi Purnama, Bambang Eka; Sutanto, Yusuf
Indonesian Journal Computer Science Vol. 5 No. 1 (2026): April 2026
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/ijcs.v5i1.11141

Abstract

Setiap tahun, prevalensi penderita hipertensi mengalami peningkatan signifikan, dan diperkirakan tahun 2025, total pasien hipertensi akan menyentuh 1,5 miliar jiwa. Salah satu metode dalam data mining yang sering digunakan untuk klasifikasi adalah Support Vector Machine (SVM). Metode SVM berupaya menemukan hyperplane atau fungsi batas keputusan terbaik yang mampu memisahkan dua kelas atau lebih dari data dalam ruang masukan. Penelitian ini bertujuan untuk menentukan hasil klasifikasi dan akurasi diagnosis hipertensi menggunakan metode SVM. Sebelas atribut yang digunakan meliputi usia, kebiasaan merokok, aktivitas fisik, mengkonsumsi gula, mengkonsumsi garam, mengkonsumsi lemak, mengkonsumsi alkohol, kurangnya mengkonsumsi buah dan sayur, serta tekanan darah sistolik dan diastolik. Penelitian ini akan memanfaatkan perangkat lunak Jupyter Notebook dan bahasa pemrograman Python sebagai instrumen penelitian. Metode SVM dilatih dengan berbagai atribut kernel dan hyperparameter untuk menghasilkan model terbaik. Hasil penelitian menunjukkan bahwa kernel RBF dengan parameter C=100 dan ?=0,1menghasilkan akurasi sebesar 97,7%, menjadikannya model terbaik dalam mengklasifikasikan hipertensi. Dari hasil ini, dapat disimpulkan bahwa metode SVM mampu menghasilkan klasifikasi diagnosis hipertensi yang sangat baik dan dapat memberikan diagnosis untuk mendeteksi hipertensi secara dini. Lebih jauh lagi, luaran penelitian ini diharapkan berkontribusi dalam menekan angka mortalitas akibat hipertensi dan berpotensi untuk diaplikasikan lebih luas demi kemaslahatan masyarakat.
Reduksi Bias Seleksi Pengemudi Melalui Penerapan Sistem Pendukung Keputusan Multi Kriteria Berbasis Komputasi Sutanto, Yusuf; Hartini, Hartini; Putra, Izzan Julda D.E Purwadi
Indonesian Journal Computer Science Vol. 5 No. 2 (2026): Oktober 2026
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/ijcs.v5i2.14461

Abstract

Penelitian ini menyajikan pendekatan komputasi khusus untuk meminimalkan bias manusia dan subjektivitas dalam rekrutmen pengemudi pribadi. Metode pemilihan pengemudi tradisional sangat bergantung pada evaluasi manusia yang bersifat reaktif dan subjektif, yang sering kali meningkatkan bahaya keselamatan jalan, risiko aset, serta biaya operasional perusahaan. Untuk mengatasi kerentanan kritis dan keterbatasan kognitif manusia tersebut, perlu membangun kerangka kerja integrasi antara Analytical Hierarchy Process (AHP) untuk pembobotan kriteria dan Multi Objective Optimization by Ratio Analysis (MOORA) untuk pemeringkatan alternatif guna menyusun Sistem Pendukung Keputusan (SPK) multi kriteria yang kuat. Model evaluasi yang diusulkan menyintesis profil kandidat berdasarkan tujuh dimensi utama: pengalaman kerja, klasifikasi SIM, usia, kepribadian, latar belakang pendidikan, jarak rumah, dan nilai ujian. Dengan menerapkan data empiris pelamar dari CV ABC NO1 Surakarta, sistem ini berhasil menjembatani kesenjangan antara penilaian subjektif manusia dan optimasi matematis. Hasil eksperimen yang divalidasi secara ketat melalui confusion matrix menghasilkan tingkat Presisi sempurna sebesar 100%, disertai Akurasi 87,5%, Recall 83,3%, dan F1-Score 90,9%. Metrik empiris ini sepenuhnya membuktikan kemampuan optimal kerangka kerja dalam mengeliminasi risiko seleksi false positive pada skenario perekrutan berisiko tinggi. Pada akhirnya, model komputasi multi kriteria ini memberikan solusi perekrutan yang andal, objektif, dan sadar keselamatan untuk sektor manajemen transportasi premium guna memastikan standar kualitas operasional yang lebih tinggi.
Co-Authors Akhmad Syukron Al Amin, Budi Aris Tri Haryanto Bambang Eka Purnama Bambang Eka Purnama Dahlan Susilo Endang Saryanti Galih Setiawan Nurohim Hartini Haryanti Haryanti Heribertus Ary Setyadi Nani Irma Susanti Nugroho, Anggoro Panji Pudji Widodo Putra, Izzan Julda D.E Purwadi Rina Ani Sapariyah Siti Fatonah Sumaryanto Sumaryanto, Sumaryanto Supriyanta Supriyanta Susanti, Nani Susanti, Nani Irma Wahyuningsih, Hartati Dyah wardhana, galih wisnu Wawan Nugroho