Article Per Year (5 Year)
p-Index From 2021 - 2026
4.494
P-Index
This Author published in this journals
All Journal bit-Tech JOURNAL OF INFORMATION SYSTEM RESEARCH (JOSH) JUTECH : Journal Education and Technology JURNAL REKAYASA INFORMASI SWADHARMA (JRIS) Jurnal Sistem Informasi Triguna Dharma (JURSI TGD) JAMAIKA: Jurnal Abdi Masyarakat Abdi Jurnal Publikasi Jurnal Ilmu Komputer (JIK) LOGIC : Jurnal Ilmu Komputer dan Pendidikan Biner : Jurnal Ilmu Komputer, Teknik dan Multimedia OKTAL : Jurnal Ilmu Komputer dan Sains JRIIN :Jurnal Riset Informatika dan Inovasi APPA : Jurnal Pengabdian Kepada Masyarakat Jurnal Intelek Insan Cendikia Riau Jurnal Teknik Informatika
Herwis Gultom
Universitas Pamulang
Religion Humanities Astronomy Chemistry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Medicine & Pharmacology Social Sciences Transportation Other

Published : 29 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : bit-Tech

 1 
Implentasi Sistem Pendukung Keputusan Menentukan Karyawan Tetap Menggunakan Metode Additive Ratio Assessment (Aras) Herwis Gultom; Rahmat Hidayat
bit-Tech Vol. 7 No. 3 (2025): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v7i3.2261

Abstract

Dalam dunia kerja yang semakin kompetitif, meningkatkan kualitas karyawan menjadi salah satu pusat perhatian utama dalam bidang pengembangan sumber daya manusia. Proses penentuan dan pengangkatan seorang karyawan tetap sering kali menghadapi tantangan, terutama terkait dengan kurangnya transparansi dalam penilaian. Saat ini, penilaian karyawan tetap cenderung bersifat subjektif, bergantung pada pendapat pribadi supervisor atau pinpinan, yang dapat mengakibatkan ketidakadilan dan bias dalam pengambilan keputusan. Selain itu, proses perhitungan yang masih dilakukan secara manual membutuhkan waktu yang lama dan dapat menyebabkan kesalahan. Oleh karena itu, diperlukan suatu sistem yang dapat mendukung keputusan dalam menentukan karyawan tetap dengan lebih efisien dan objektif. Salah satu solusi yang disarankan adalah pembuatan Sistem Pendukung Keputusan (SPK) berbasis web yang menggunakan pendekatan Evaluasi Rasio Tambahan. Metode ARAS memungkinkan evaluasi karyawan berdasarkan kriteria yang telah ditentukan secara objektif, sehingga mengurangi pengaruh subjektivitas. Dengan menggunakan pendekatan pengembangan perangkat lunak metode waterfall, sistem ini dirancang untuk memberikan hasil perhitungan yang akurat dan rekomendasi karyawan yang layak untuk diangkat sebagai karyawan tetap. Hasil penelitian menunjukkan bahwa implementasi sistem ini tidak hanya meningkatkan akurasi dalam penilaian, tetapi juga mempercepat proses pengambilan keputusan oleh supervisor. Dengan demikian, sistem ini berpotensi untuk meningkatkan kualitas mengelola sumber daya manusia di perusahaan, menciptakan lingkungan kerja yang lebih adil dan transfaran.
Comparative Evaluation of Random Forest and Support Vector Machine for Interpretable Breast Cancer Prediction Gultom, Herwis; Kristianto, Indra
bit-Tech Vol. 8 No. 3 (2026): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v8i3.3821

Abstract

Breast cancer prediction requires classification models that are not only accurate but also clinically meaningful in minimizing missed malignant cases. This study addresses the research question of whether Random Forest (RF) and Support Vector Machine (SVM) differ meaningfully in sensitivity-oriented breast cancer classification when evaluated under a consistent empirical benchmarking framework. Using the Breast Cancer Wisconsin Diagnostic Dataset from Kaggle, comprising 569 instances and 30 numerical diagnostic features, the study implemented a supervised machine learning workflow involving data cleaning, label encoding, StandardScaler-based feature standardization, stratified 80:20 train–test partitioning, model training, and hyperparameter optimization. Performance was assessed using accuracy, precision, recall, F1-score, confusion matrix analysis, and Area Under the Curve (AUC). The SVM model achieved 97.36% accuracy, 100% precision, 92.85% recall, 96.29% F1-score, and 99.54% AUC, whereas RF achieved 96.49% accuracy, 100% precision, 90.47% recall, 95.00% F1-score, and 99.60% AUC. The primary contribution is therefore positioned as empirical benchmarking rather than a new explainable AI framework. SVM produced fewer false negatives, indicating stronger sensitivity for malignant-case detection at the selected decision threshold, while RF provided complementary feature-importance evidence for identifying influential diagnostic variables. These findings clarify the trade-off between sensitivity-driven predictive reliability and model-specific interpretability, suggesting that SVM is preferable for reducing missed malignant cases, whereas RF remains useful when transparent feature-level insight is required.
Co-Authors Ade Tri Fauzan Adi Febrianto, Adi Agam Multazam Ahmad Afgani Ahmad Fahmi Abdillah Ahmad Fauzi Ahmad Fauzi Aidil Amal Akhiles Salvadore Seina Huler Alim, Chanra Alma Ashofi Alvino Octaviano Andika Fadhilah Anis Mirza Anisa Choirunisya Arkan Abdila Barts Arsil Mujayanah Baehaqi, Muhammad Ilham Bilqis, Salsa Sayida Chandra Alim Chandra Alim Daffa Prananda Putra Dava Irba Nusantara Debi Kurnia Deby Ardiansyah Deivivi, Filius Devi Pratiwi Dimas Indra Jaya Dwiky Darmawan Eko Saputro, Dede Eldrick Rifaldo Eryana, Daffa Arifta Esa Andyarizky Fajri Pramana Putra Faruq Syaifullah Fauzi Ahmad Muda Fiki Maipron Haikal Wisnu Fazrian Hedwin Winata Halawa Hendrawan Wibowo Herdiyanto, Oki Ilham Nastiar Indah Lasmini Indra Dwi Aryadi Isnanto, Muhamad Hari Jaka Oktavian Khoirul Umam Kresna Surya Herlambang Kristianto, Indra Lingga Safitri Maya Komariah Mogot, Putri Intan Muhamad Alifan Farrizqy Muhamad Donny Alimbara Muhamad Fatir Fahreji Muhamad Hafiz Putra Pratama Muhammad Agil Syahdan Muhammad Arifin Ilham Muhammad Bayu Prasetyo Wibowo Muhammad Fadhil Fathoni Muhammad Fatih Iqbal Muharik, Ricky Narendra Umaro Raisya Naufal Nur Dzaky Ningsih, Purnamawati Pradipa Al-Wafi Putra Prastyo Prayoga Pratama Purnama Djati, Widya Puspita, Zalfa Alykha Putra Aslam Rasyid Rachmat Triyadi Rahel Azzahra Rahmat Hidayat Rahmat Hidayat Ramadhan, Irgi Fahreza Ramadhani, Rido Rendy Ferdiansyah Revina Akbar Rico Ronaldo Rifqi Khumaidi Riki Firmansyah Rio Adriana Rivai Syukur Ramadhan Rona Nurheni Nadapdap Ruslan Wanandi Ryu Kurnianto Putra Sakha, Ghirrid Rakha Ghaly Salsabila, Shifany Setyawan Dwi Prakoso Stephen Alfredo Gultom Sultan Akbar Al Mawar Tamalia Herman, Sandi Tira Tsalatsatus Sa’adah Vanessa aprillia Diaz Vebronia Bikolo Vivi Veronica Wahyu Ramadhan Wicaksono, Arya Yuda Samudra