Article Per Year (5 Year)
p-Index From 2021 - 2026
0.659
P-Index
This Author published in this journals
All Journal Jurnal Responsif : Riset Sains dan Informatika Djtechno: Jurnal Teknologi Informasi Jurnal Informatika Dan Tekonologi Komputer (JITEK)
Gregian Bayu Anugrah
Universitas Adhirajasa Reswara Sanjaya
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Other

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
COMPARISONAL ANALYSIS OF MYSQL AND MONGODB RESPONSE TIME QUERY PERFORMANCE Nandy Naufal; Siti Nurkhodijah; Gregian Bayu Anugrah; Arief Pratama; Muhammad Ihsan Rabbani; Firgi Ahmad Dilla; Tiara Nurhaliza Anggraeni; Ricky Firmansyah
Jurnal Informatika Dan Tekonologi Komputer (JITEK) Vol. 2 No. 2 (2022): Juli : Jurnal Informatika dan Teknologi Komputer
Publisher : Pusat Riset dan Inovasi Nasional

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55606/jitek.v2i2.245

Abstract

Query is the ability to display and or request data that is used to access data in the database system by using certain commands. Where a data obtained from one or more tables in the database according to what the user needs. The data can also interact with other data or tables with the aim of making it easier for the user to use it. The query response time is one of the considerations for testing databases. This journal will discuss two types of databases, namely MySQL (SQL) and MongoDB (NoSQL). Due to the increasing demand for data, data processors are competing to provide the right database with the best performance for applications or data processing. Then this journal provides a comparison analysis of MySQL and MongoDB databases in response time performance. This study uses the Query Runtime comparison execution test method between these databases. By using basic commands or DML queries, namely CRUD (Create, Read, Update, Delete). Several stages will be carried out, namely the determination of the dataset, implementation and testing, and analysis of the test results. In this study, trials were conducted on the insert, select, update, and delete processes with the data being tested were 100, 1000, 10000. After experimenting with MongoDB (NoSQL) and MySQL(SQL) databases. The MongoDB database has a faster query response time in the insert and delete process, for the query response time update and delete the MySQL database has a faster response time. Then it can be obtained that in query response time, the MongoDB database is superior in the update and delete processes with a runtime difference of 0.005 seconds and 0.017 seconds. MySQL database is superior in insert and select process with a difference of 4.137 seconds and 0.006 seconds.
PERBANDINGAN ALGORITMA MACHINE LEARNING UNTUK KLASIFIKASI DRY BEAN DATASET Gregian Bayu Anugrah; Raisya Nadzira Zahirahtush Shafa; Adang Kurniawan
Jurnal Responsif : Riset Sains dan Informatika Vol 5 No 2 (2023): Jurnal Responsif : Riset Sains dan Informatika
Publisher : LPPM Universitas Adhirajasa Reswara Sanjaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51977/jti.v5i2.1292

Abstract

Indonesia merupakan negara agraris dengan mayoritas penduduknya bekerja pada sektor pertanian yang memiliki peran penting dalam meningkatkan perekonomian negara dan memenuhi kebutuhan pangan masyarakat. Dry Bean memegang peranan penting pada sektor pertanian, pengolahan makanan, dan juga ekspor-impor. Memungkinkan para pemangku kepentingan untuk mengoptimalkan produksi, memastikan kontrol kualitas, meningkatkan daya saing pasar, mendorong inovasi, dan memenuhi permintaan konsumen dengan memanfaatkan dry bean yang tersedia. Dataset Dry Bean merupakan salah satu data publik yang ada pada web UCI Machine Learning Repository. Tujuan penelitian ini adalah untuk mengetahui performa yang paling baik diantara enam algoritma yang diuji dengan menggunakan model rapid miner dan confussion matrix. Enam algoritma klasifikasi yang diuji tersebut yaitu Naive Bayes, Neural Network, Decision Tree, Random Forest, K-Nearest Neighbors (K-NN), Linear Discriminant Analysis. Perbedaan dalam penelitian ini adalah terletak pada objek dan waktu penelitian, literatur dan teori yang digunakan serta hasil penelitian. Berdasarkan hasil penelitian dapat diketahui bahwa algoritma Neural Network memiliki nilai akurasi performa paling tinggi sebesar 92,68% dan nilai akurasi performa terendah adalah algoritma K-Nearest Neighbors (K-NN) dengan nilai 78,32%.
OPTIMASI SUPPORT VECTOR MACHINE MENGGUNAKAN SELEKSI FITUR RANDOM FOREST DAN HYPERPARAMETER GRIDSEARCHCV UNTUK KLASIFIKASI RAISIN DATASET Gregian Bayu Anugrah; Toni Arifin
Djtechno: Jurnal Teknologi Informasi Vol 6, No 2 (2025): Agustus
Publisher : Universitas Dharmawangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46576/djtechno.v6i2.7008

Abstract

Raisin (kismis) merupakan buah kering yang memiliki nilai kandungan gizi yang tinggi dan kaya akan serat. Seiring dengan meningkatnya produksi global, kebutuhan akan sistem klasifikasi otomatis yang akurat menjadi semakin krusial untuk efisiensi industri. Proses klasifikasi manual dinilai tidak efisien, memakan waktu, serta rawan kesalahan manusia, sehingga diperlukan pendekatan berbasis kecerdasan buatan. Penelitian ini bertujuan untuk mengoptimalkan model klasifikasi Support Vector Machine (SVM) dengan penerapan seleksi fitur menggunakan algoritma Random Forest dan optimasi hyperparameter menggunakan GridSearchCV. Dataset yang digunakan adalah Raisin Dataset dari UCI Machine Learning Repository yang terdiri dari 900 sampel dua jenis raisin, yaitu Kecimen dan Besni, masing-masing memiliki tujuh fitur numerik morfologis. Hasil evaluasi menunjukkan bahwa model SVM yang telah dioptimasi mampu mencapai akurasi sebesar 90.00% dan nilai AUC 0,9388. Temuan ini menunjukkan bahwa kombinasi seleksi fitur dan optimasi hyperparameter dapat meningkatkan kinerja model klasifikasi. Penelitian ini juga memiliki perbedaan dari studi sebelumnya dalam hal objek, waktu pelaksanaan, literatur, pendekatan teori, serta hasil akhir yang diperoleh. Pendekatan ini memperkuat pemanfaatan machine learning dalam sektor agroindustri dan membuka peluang pengembangan sistem klasifikasi pangan yang lebih efisien dan presisi.
Co-Authors Adang Kurniawan Arief Pratama Firgi Ahmad Dilla Muhammad Ihsan Rabbani Nandy Naufal Raisya Nadzira Zahirahtush Shafa Ricky Firmansyah Siti Nurkhodijah Tiara Nurhaliza Anggraeni Toni Arifin