Article Per Year (5 Year)
p-Index From 2020 - 2025
0.61
P-Index
This Author published in this journals
All Journal Bulletin of Computer Science Research Adopsi Teknologi dan Sistem Informasi The Indonesian Journal of Computer Science
Galet Guntoro Setiaji
Unknown Affiliation
Computer Science & IT Electrical & Electronics Engineering Engineering

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

Found 3 Documents
Search

 1 
Analisis Komparasi Kinerja LSTM dan CNN dalam Deteksi Spam Email Berbasis Deep learning Maugy Al Kautsar; Galet Guntoro Setiaji; Ahmad Rifa'i
Bulletin of Computer Science Research Vol. 5 No. 4 (2025): June 2025
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bulletincsr.v5i4.572

Abstract

Spam email remains a critical issue in digital communication due to its potential misuse in spreading false information and online fraud. This study aims to evaluate and compare the performance of two deep learning models Convolutional Neural Network (CNN) and Long Short-Term Memory (LSTM) for text-based spam email classification. The dataset used in this study was obtained from Kaggle and contains 5,572 labeled email entries categorized as spam and non-spam. The preprocessing stage included labeling, cleaning, lowercasing (casefolding), tokenization, stopword removal, and stemming. The data was split into training and testing sets with a 70:30 ratio. Both models were trained using the same configuration and evaluated using accuracy, loss, confusion matrix, and F1-score metrics. The results indicate that the LSTM model achieved the highest accuracy of 98.72% with a loss value of 0.0377, outperforming the CNN model, which achieved 87.78% accuracy and a loss of 0.3659. Based on these findings, LSTM demonstrated superior performance in detecting spam emails using text-based input. This research is expected to serve as a reference for developing more accurate and effective spam detection systems in the future.
Pengembangan Sistem Antrian Sesuai Jadwal Praktik Dokter Berbasis Website Menggunakan Laravel Hafiq Ibnu Wardana; Galet Guntoro Setiaji; Ahmad Rifa'i
Adopsi Teknologi dan Sistem Informasi (ATASI) Vol. 4 No. 1 (2025): Adopsi Teknologi dan Sistem Informasi (ATASI)
Publisher : Mulawarman University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30872/atasi.v4i1.2908

Abstract

Pelayanan kesehatan yang efisien sangat penting, namun sistem antrian manual di rumah sakit seringkali menyebabkan waktu tunggu lama, ketidaknyamanan pasien, dan kesulitan bagi petugas dalam mengelola waktu praktik dokter. Sistem manual ini juga dapat menimbulkan ketidakadilan, terutama bagi pasien BPJS. Penelitian ini mengembangkan sistem antrian berbasis website yang terintegrasi dengan jadwal praktik dokter menggunakan framework Laravel. Sistem ini bertujuan untuk meningkatkan efisiensi waktu tunggu pasien, memberikan transparansi, dan mempermudah pengelolaan antrian oleh petugas. Pasien dapat mendaftar, memilih dokter, dan memantau status antrian secara real-time, sementara petugas dapat mengelola jadwal dokter dan antrian dengan lebih efisien. Pengujian menggunakan metode Black Box menunjukkan hasil yang berhasil pada skenario pengujian seperti pendaftaran pasien, pemilihan dokter, dan pencetakan tiket antrian. Diharapkan, sistem ini dapat mendorong transformasi digital di bidang kesehatan dan memberikan solusi bagi masalah antrian manual di fasilitas kesehatan.
Meningkatkan Kinerja Decision Tree C4.5 dengan Seleksi Fitur Korelasi Pearson pada Deteksi Penyakit Diabetes Mohammad Burhan Hanif; Galet Guntoro Setiaji
The Indonesian Journal of Computer Science Vol. 11 No. 2 (2022): The Indonesian Journal of Computer Science
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v11i2.3087

Abstract

Diabetes sebuah penyakit yang menjadi momok seluruh dunia. Kerugianya tidak hanya pada penderita sendiri tetapi juga merambah ke banyak sektor. Baik di sektor pelayanan kesehatan dan sektor financial yang sangat menjadi beban tinggi yang perlu ditangani dengan baik dengan jalan pendeteksian penyakit diabetes sejak dini. Salah satu pendeteksian dini penyakit diabetes dapat memanfaatkan algoritma machine learning pada bidang data mining. Algoritma C4.5 merupakan algoritma machine learning yang memiliki tingkat akurasi dan kecepatan perhitungan tinggi dalam klasifikasi. Namun demikian algoritma C4.5 terganggu dengan data tak seimbang dan fitur data berdimensi tinggi. Pemanfaatan seleksi fitur menjadi salah satu penyelesain masalah data berdimensi tinggi. Algoritma Korelasi Pearson memiliki kemampuan dalam mengukur informasi antar fitur dan diterapkan dalam penelitian ini. Penggunaan Korelasi Pearson dianggap berhasil dalam meningkatkan kinerja algoritma C4.5 dalam deteksi awal penyakit diabetes. Keberhasilan ini terlihat pada hasil akurasi sebesar 95.31% tanpa korelasi pearson menjadi 96.16% dengan pemanfaatan korelasi pearson.
Co-Authors Ahmad Rifa’i Hafiq Ibnu Wardana Maugy Al Kautsar Mohammad Burhan Hanif