Article Per Year (5 Year)
p-Index From 2021 - 2026
0.92
P-Index
This Author published in this journals
All Journal CESS (Journal of Computer Engineering, System and Science) Building of Informatics, Technology and Science Jurnal SAINTIKOM (Jurnal Sains Manajemen Informatika dan Komputer) Jurnal Pengabdian Masyarakat IPTEK Jurnal Sistem Informasi Triguna Dharma (JURSI TGD)
Nugroho Syahputra
Unknown Affiliation
Computer Science & IT

Published : 5 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search

 1 
Feature Selection Using Eigen Vector to Improve K-Means Clustering Nugroho Syahputra; Muhammad Zarlis; Syahril Efendi
CESS (Journal of Computer Engineering, System and Science) Vol 7, No 2 (2022): July 2022 - In Process
Publisher : Universitas Negeri Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24114/cess.v7i2.35449

Abstract

Banyaknya jumlah atribut data set dari proses pengelompokan data dengan K-Means Clustering dapat mempengaruhi besaran jumlah iterasi yang dihasilkan. Pada riset ini, Eigen Vector digunakan untuk melakukan seleksi fitur pada data set. Data set yang telah diseleksi selanjutnya dilakukan proses clustering dengan K-Means Clustering. Data set yang digunakan pada riset ini adalah Wine Quality Dataset yang diperoleh dari UCI Machine Learning Repository, dengan 11 atribut ,4898 records data dan 7 kelas atribut. Hasil dari riset ini menunjukkan bahwa rata-rata jumlah iterasi yang diperoleh dari perbandingan pengujian dengan menggunakan K-Means tanpa seleksi fitur yaitu diperoleh rata-rata sebesar 21 iterasi, sedangkan K-Means dengan seleksi fitur Eigen Vector diperoleh rata-rata sebesar 15 iterasi. Evaluasi clustering dihitung menggunakan Davies-Bouldin Index (DBI). Nilai DBI pada K-Means Clustering tanpa seleksi fitur yaitu sebesar 0.746667, sedangkan pada K-Means Clustering dengan Eigen Vector yang telah diseleksi sebanyak 5 atribut diperoleh nilai rata-rata DBI masing-masing sebesar 0.664316.
Seleksi Fitur Menggunakan Eigen Vector Untuk Peningkatan Kinerja K-Means Clustering Dalam Pengelompokan Data Nugroho Syahputra; Muhammad Zarlis; Syahril Efendi
Building of Informatics, Technology and Science (BITS) Vol 4 No 2 (2022): September 2022
Publisher : Forum Kerjasama Pendidikan Tinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bits.v4i2.2022

Abstract

The large number of data set attributes from the data grouping process with K-Means Clustering can affect the number of iterations produced. In this research, Eigen Vector is used to perform feature selection on the data set. The selected data set is then clustered using K-Means Clustering. The data set used in this research is the Wine Quality Dataset obtained from the UCI Machine Learning Repository, with 11 attributes, 4898 data records and 7 attribute classes. Then the South German Credit Dataset was obtained from kaggle.com with 20 attributes, 1000 data records and 2 attribute classes. The results of this research indicate that the number of iterations obtained from the comparison of tests using K-Means without feature selection is that in the Wine Quality Dataset, 11 iterations are obtained, and in the South German Credit Dataset, there are 10 iterations. Meanwhile, K-Means with Eigen Vector feature selection obtained the number of iterations in the Wine Quality Dataset with a total of 5 iterations, and in the South German Credit Dataset with a total of 4 iterations. Clustering evaluation was calculated using Sum of Square Error (SSE). The SSE value in K-Means Clustering without feature selection from the Wine Quality Dataset is 678.5735, while in the South German Credit Dataset it is 1534.3167. While the K-Means Clustering with Eigen Vector from the Wine Quality Dataset is 383.0517, and the South German Credit Dataset is 469.0698. From the results of the proposed method is able to reduce the percentage of errors and minimize the number of iterations on K-Means Clustering with feature selection using Eigen Vector
Perankingan Subkontraktor Menggunakan Metode Weighted Aggregated Sum Product Assesment Dalimunthe, Aulia Rahman; Utari, Cut Try; Afifa, Rizky Maulidya; Syahputra, Nugroho; Atsauri, Muhammad Riki
Jurnal Sistem Informasi Triguna Dharma (JURSI TGD) Vol. 4 No. 4 (2025): EDISI JULI 2025
Publisher : STMIK Triguna Dharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53513/jursi.v4i4.11134

Abstract

Istilah subkontraktor pastinya berkaitan dengan kontraktor, yang umumnya masyarakat paham hal tersebut selalu berkaitan dengan proses konstruksi. Subkontraktor biasanya muncul ketika proses konstruksi merupakan proyek yang memiliki kualitas ataupun kuantitas yang cukup tinggi dan atau besar, sehingga beberapa pekerjaan konstruksi akan ditangani oleh sub kontraktor. Sub kontraktor biasanya dipilih langsung oleh kontraktor yang memegang proyek utama berdasarkan kriteria-kriteria dan kebutuhan sesuai dengan yang diinginkan oleh kontraktor utama. Kondisi inilah yang memunculkan beberapa masalah terkait pemilihan yang efektif dan efisian guna mendukung proyek agar berjalan dengan baik. Dan dengan memanfaatkan teknologi informasi maka permasalahan dalam proses pemilihan ini dapat dilakukan yakni dengan menggunakan konsep dari sistem pendukung keputusan. Dimana sistem pendukung keputusan merupakan konsep yang membantu seseorang dalam proses penentuan pilihan berdasarkan kriteria-kriteria tertentu secara sistematis dan structural. Dikarenakan sistem pendukung keputusan memiliki berbagai metode dan algoritma pemecahan masalah secara matematis. Algoritma dari metode Weight Aggregated Sum Product Assesment (WASPAS) merupakan salah satu jenis metode yang mampu menghasilkan perangkingan dari alternatif-alternaitf pilihin yang disajikan berdasarkan masing-masing kriteria yang dimiliki. Sehingga dengan mengimplementasikan metode WASPAS pada sistem pendukung keputusan dalam menentukan sub kontraktor yang sesuai secara efektif dan efisin dapat dilakukan dengan baik.
Optimalisasi Penggunaan Smartphone untuk Produksi Konten pada Era Digital di SMK Swasta Delisha Kecamatan Hamparan Perak Mughnyanti, Mayang; Syahputra, Nugroho; Putra, Purwa Hasan; Ningtyas, Alyiza Dwi; Pranata, Ardianto
Jurnal Pengabdian Masyarakat IPTEK Vol. 5 No. 2 (2025): Edisi Juli 2025
Publisher : STMIK Triguna Dharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53513/abdi.v5i2.11636

Abstract

Istilah konten menjadi sangat popular di era perkembangan media sosial, dimana setiap masyarakat bisa menikmati hiburan, berita dan informasi dari berbagai penjuru dunia hanya melalui smartphone. Kapan pun dimana pun informasi dan hiburan dari video-video konten yang disiarkan bisa dinikmati. Hal ini tidak terlepas dari berbagai pihak yang saling berkontribusi, baik dari provider, artis konten hingga masyarakat yang menikmatinya. Seluruh unsur mempengaruhi kecepatan perkembangan konten di kalangan masyarakat. Hal ini menjadi satu hal yang juga harus diperhatikan sebagai masyarakat, apakah kita hanya sebagai penikmat konten atau melihatnya sebagai peluang dalam meningkatkan penghasilan secara digital. Terkait dengan istilah konten, maka konten kreator merupakan kalangan masyarakat yang mampu memanfaatkan perkembangan konten di era digital menjadi peluang yang menguntungkan. Pengenalan konten juga dapat dilakukan di ruang pendidikan agar siswa mampu mengoptimalkan teknologi khususnya smartphone dalam memproduksi konten yang menguntungkan serta berdampak positif. Oleh karena itu kegiatan sosialisasi dilakukan di SMK Swasta Delisha guna meningkatkan pemahaman siswa dalam menghasilkan konten yang positif dan produktif. Dalam kegiatan ini dapat dilihat bahwa setiap siswa mampu berkreasi dalam membuat sebuah video konten serta meningkatkan nilai percaya diri dari siswa yang mengikuti kegiatan.
Analisis Penggunaan Algoritma pada Metode Dempster Shafer dalam Mendiagnosa Penyakit Tanaman Kelengkeng Syahputra, Nugroho; Utari, Cut Try; Pranata, Ardianto; Dalimunthe, Aulia Rahman; Mughnyanti, Mayang
Jurnal SAINTIKOM (Jurnal Sains Manajemen Informatika dan Komputer) Vol 24 No 1 (2025): Februari 2025
Publisher : PRPM STMIK TRIGUNA DHARMA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53513/jis.v24i1.11847

Abstract

Dempster Shafer merupakan salah satu metode yang sering digunakan dalam pemecahan permasalahan pada penerapan algoritma sistematis di dalam sistem pakar. Penerapannya pada umumnya dilakukan untuk segala penyakit pada manusia yang biasanya memiliki seorang ahli atau pakar yang cukup jelas seperti para ahli atau spesialis pada penyakit organ dalam tubuh. Namun bagaimana jika penyakit pada makhluk lain seperti hewan atau tumbuhan yang pada dasarnya juga memiliki tenaga ahli dibidangnya? Salah satu komoditas yang dapat diuji adalah tanaman kelengkeng. Kelengkeng sendiri merupakan buah yang memiliki nilai ekonomis yang cukup tinggi dengan tekstur dan aroma khas yang dimiliki. Dalam penerapannya, metode Dempster Shafer cukup mudah digunakan dengan algoritma dan konsep yang terstruktur secara sistematis. Dapat dilihat hasil diagnosa berdasarkan gejala yang muncul pada tanaman kelengkeng dan dapat diklasifikasikan ke dalam beberapa jenis penyakit yang telah diidentifikasikan. Selain itu penerapan metode ini juga memberikan kebaharuan penerapan metode sistem pakar pada bidang perkebunan dan pertanian. Dan hasil akhirnya dapat dipahami seluruh tahapan penerapan metode Dempster Shafer dalam suatu bidang ilmu kepakaran.
Co-Authors Afifa, Rizky Maulidya Cut Try Utari, Cut Try Dalimunthe, Aulia Rahman Efendi, Syahril Mughnyanti, Mayang Muhammad Riki Atsauri Muhammad Zarlis Muhammad Zarlis Ningtyas, Alyiza Dwi Pranata, Ardianto Putra, Purwa Hasan