Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Prosiding Seminar Nasional Teknologi Informasi dan Bisnis TAMIKA: Jurnal Tugas Akhir Manajemen Informatika & Komputerisasi Akuntansi
Ega Muhammad Atsir
Universitas Duta Bangsa Surakarta
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mechanical Engineering Physics

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Perancangan Sistem Pendukung Keputusan Pemilihan Investasi dengan Metode SAW Chandra Ramadhan; Baassith Khoiruddin Akmal; Ega Muhammad Atsir
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2023
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

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

Abstract

Investasi merupakan suatu keputusan penting yang harus diambil dengan hati-hati oleh para investor. Dalam menghadapi berbagai pilihan jenis investasi yang tersedia, investor sering kali menghadapi tantangan dalam menentukan jenis investasi yang paling menguntungkan dan sesuai dengan tujuan keuangan mereka. Dikarekan hal tersebut, dilakukannya penelitian ini mempunyai tujuan untuk memberi solusi dengan menyediakan perangkingan pemilihan jenis investasi berdasarkan perhitungan menggunakan metode SAW yang mengumpulkan data objektif. Dalam penelitian ini, kami mengidentifikasi beberapa alternatif jenis investasi yang umum, termasuk saham, obligasi, reksa dana, properti komersial, dan lain-lain. Selanjutnya, kami mengumpulkan data objektif terkait dengan masing-masing jenis investasi, seperti tingkat pengembalian, risiko, likuiditas, dan faktor-faktor lain yang relevan. Data ini kemudian diolah menggunakan metode SAW untuk menghasilkan skor preferensi bagi semua alternatif investasi. Hasil perhitungan menggunakan metode SAW menunjukkan bahwa Alternatif 4 (V4), yaitu properti komersial, mendapatkan skor preferensi tertinggi. Hal ini menunjukkan bahwa properti komersial memiliki tingkat pengembalian yang tinggi, risiko yang dapat dikelola, likuiditas yang memadai, dan faktor-faktor lain yang mendukung sebagai pilihan investasi yang menarik. Dengan menggunakan sistem perangkingan ini, diharapkan investor dan orang awam dapat memperoleh hasil perangkingan jenis investasi yang akurat dan efektif dalam pengambilan keputusan. Dengan mempertimbangkan data objektif dan skor preferensi, investor dapat membuat keputusan investasi yang lebih informasional dan mengurangi risiko yang terkait dengan pemilihan jenis investasi. Penelitian ini memberikan kontribusi penting dalam bidang pengambilan keputusan investasi dengan menyediakan metode yang objektif dan dapat diandalkan untuk memilih jenis investasi yang paling menguntungkan. Hasil penelitian ini diharapkan dapat membantu investor dan orang awam dalam merencanakan strategi investasi mereka dan mencapai tujuan keuangan mereka dengan lebih efektif dan efisien.
Perbandingan Tingkat Akurasi Penyakit Diabetes Menggunakan Metode Regresi Logistik dan Random Forest Khoirul Adi Saputro; Ega Muhammad Atsir; Herliyani Hasanah
TAMIKA: Jurnal Tugas Akhir Manajemen Informatika & Komputerisasi Akuntansi Vol 4 No 2 (2024): TAMIKA: Jurnal Tugas Akhir Manajemen Informatika & Komputerisasi Akuntansi
Publisher : Universitas Methodist Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46880/tamika.Vol4No2.pp159-166

Abstract

This study analyzes and compares the performance of Logistic Regression and Random Forest methods in diabetes prediction. Diabetes is an increasingly common chronic condition. If left untreated, diabetes can cause major problems. Predicting and detecting diabetes early is very important. This study uses a dataset from Kaggle consisting of 9 demographic and clinical variables. The research method includes data collection and pre-processing, model selection, model training, and model evaluation. The results showed that the Random Forest model had 97.0% accuracy and 95.6% precision, which was higher than the Logistic Regression which had 95.9% accuracy and 86.4% precision. Although both models faced challenges in predicting positive classes, Random Forest performed better with a recall of 68.4% and F1-Score of 79.7%, compared to Logistic Regression which had a recall of 61.3% and F1-Score of 71.8%. This study advances our knowledge of how machine learning techniques can be applied to diabetes prediction and helps in the creation of more accurate and productive diagnostic tools for use in clinical settings.
Co-Authors Baassith Khoiruddin Akmal Chandra Ramadhan Hasanah, Herliyani Khoirul Adi Saputro