Article Per Year (5 Year)
p-Index From 2021 - 2026
4.844
P-Index
This Author published in this journals
All Journal Coding: Jurnal Komputer dan Aplikasi International Journal of Advances in Intelligent Informatics MATRIK : Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer Jurnal Sistem Cerdas Abdimas Umtas : Jurnal Pengabdian kepada Masyarakat PengabdianMu: Jurnal Ilmiah Pengabdian kepada Masyarakat Jurnal Teknologi Informasi dan Multimedia Jurnal Varian Jurnal Computer Science and Information Technology (CoSciTech) Reputasi: Jurnal Rekayasa Perangkat Lunak J-Intech (Journal of Information and Technology) Jurnal Minfo Polgan (JMP) MATRIX : JURNAL MANAJEMEN TEKNOLOGI DAN INFORMATIKA Knowbase : International Journal of Knowledge in Database Journal of Artificial Intelligence and Digital Business Bakti Sekawan : Jurnal Pengabdian Masyarakat Jurnal Masyarakat Madani Indonesia Jurnal Elektronika dan Teknik Informatika Terapan Journal Of Artificial Intelligence And Software Engineering Jurnal INFOTEL SmartComp Edu Elektrika Journal Jurnal Pengabdian Pada Masyarakat IPTEKS Prosiding Seminar Nasional CORISINDO Journal of Information Technology
Galih Hendro Martono
Universitas Bumigora, Mataram, Indonesia
Religion Agriculture, Biological Sciences & Forestry Arts Humanities Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Health Professions Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Mathematics Medicine & Pharmacology Public Health Social Sciences Other

Published : 34 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 34 Documents
Search

 1   2   3   4 
Pendidikan Membaca Al-Quran Dengan Mata Hati Bagi Komunitas Penyandang Disabilitas Sensorik Runggu Wicara Galih Hendro Martono; Neny Sulistianingsih; Muhammad Fathoni
Jurnal Masyarakat Madani Indonesia Vol. 4 No. 4 (2025): November
Publisher : Alesha Media Digital

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59025/9p4xsx62

Abstract

Anak-anak dengan disabilitas rungu-wicara sering kali menghadapi hambatan dalam proses pembelajaran Al-Qur’an secara tradisional, terutama karena keterbatasan akses terhadap media yang ramah disabilitas serta kurangnya tenaga pengajar yang menguasai bahasa isyarat. Menanggapi tantangan ini, kegiatan pengabdian kepada masyarakat ini difokuskan pada pengembangan dan penerapan aplikasi pembelajaran berbasis Bahasa Isyarat Indonesia untuk mendukung proses belajar anak-anak PDSRW secara lebih inklusif. Program ini dilaksanakan di Lembaga Pendidikan Quran Isyarat dengan melibatkan tim dosen, dan mahasiswa. Peserta program melibatkan 35 anak, 12 guru pendamping, dan 35 orang tua dalam proses pelatihan, pendampingan, dan evaluasi. Aplikasi yang dikembangkan, bernama QuranIsyarat, mencakup fitur seperti video huruf hijaiyah dalam BISINDO, kuis interaktif, latihan visual, dan sistem pemantauan perkembangan belajar anak oleh orang tua. Rangkaian kegiatan mencakup sosialisasi, pelatihan penggunaan aplikasi, pendampingan intensif, serta evaluasi untuk penyempurnaan. Hasil evaluasi menunjukkan peningkatan signifikan terhadap motivasi dan efektivitas belajar. Sebanyak 98,1% responden menyatakan aplikasi membantu memahami materi Al-Qur’an, 92,5% menilai aplikasi mudah digunakan, dan 94,3% merasa nyaman serta termotivasi belajar. Frekuensi penggunaan juga tinggi, 56,6% pengguna aktif memakai aplikasi 2–3 kali per minggu dan 26,4% setiap hari dengan durasi rata-rata 15–30 menit per sesi. Evaluasi berbasis model TAM menegaskan bahwa aplikasi diterima secara positif oleh lebih dari 90% pengguna pada seluruh indikator (kemanfaatan, kemudahan, sikap, dan niat berkelanjutan). Dampak yang dirasakan meliputi peningkatan aksesibilitas belajar, interaksi sosial anak–guru–orang tua, serta kepercayaan diri peserta didik. Dengan demikian, program ini berhasil menghadirkan solusi teknologi inklusif yang efektif untuk pembelajaran Al-Qur’an bagi anak-anak penyandang disabilitas rungu-wicara
Enhancing Predictive Models: An In-depth Analysis of Feature Selection Techniques Coupled with Boosting Algorithms Neny Sulistianingsih; Galih Hendro Martono
MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Vol. 23 No. 2 (2024)
Publisher : Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/matrik.v23i2.3788

Abstract

This research addresses the critical need to enhance predictive models for fetal health classification using Cardiotocography (CTG) data. The literature review underscores challenges in imbalanced labels, feature selection, and efficient data handling. This paper aims to enhance predictive models for fetal health classification using Cardiotocography (CTG) data by addressing challenges related to imbalanced labels, feature selection, and efficient data handling. The study uses Recursive Feature Elimination (RFE) and boosting algorithms (XGBoost, AdaBoost, LightGBM, CATBoost, and Histogram-Based Boosting) to refine model performance. The results reveal notable variations in precision, Recall, F1-Score, accuracy, and AUC across different algorithms and RFE applications. Notably, Random Forest with XGBoost exhibits superior performance in precision (0.940), Recall (0.890), F1-Score (0.920), accuracy (0.950), and AUC (0.960). Conversely, Logistic Regression with AdaBoost demonstrates lower performance. The absence of RFE also impacts model effectiveness. In conclusion, the study successfully employs RFE and boosting algorithms to enhance fetal health classification models, contributing valuable insights for improved prenatal diagnosis.
Optimizing Autism Spectrum Disorder Identification with Dimensionality Reduction Technique and K-Medoid Galih Hendro Martono; Neny Sulistianingsih
JURNAL INFOTEL Vol 16 No 4 (2024): November 2024
Publisher : LPPM INSTITUT TEKNOLOGI TELKOM PURWOKERTO

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20895/infotel.v16i4.1142

Abstract

This research addresses the challenges of diagnosing and treating Autism Spectrum Disorder (ASD) using dimensionality reduction techniques and machine learning approaches. Challenges in social interaction, communication, and repetitive behaviours characterize ASD. The dimension reduction used in this research aims to identify what features influence autism cases. Several dimension data reduction techniques used in this research include PCA, Isomap, t-SNE, LLE, and factor analysis, using metrics such as Purity, silhouette score, and the Fowlkes-Mallows index. The machine learning approach applied in this study is k-medoid. By employing this method, our goal is to pinpoint the unique characteristics of autism that may facilitate the detection and diagnosis process. The data used in this research is a dataset collected for autism screening in adults. This dataset contains 20 features: ten behavioural features (AQ-10-Adult) and ten individual characteristics. The results indicate that Factor Analysis outperforms other methods based on purity metrics. However, due to data structure issues, the t-SNE method cannot be evaluated using purity metrics. PCA and LLE consistently provide stable silhouette scores across different values. The Fowlkes-Mallows index results closely align, but t-SNE tends to yield lower values. The choice of algorithm requires careful consideration of preferred metrics and data characteristics. Factor analysis is adequate for Purity, while PCA and LLE consistently perform well. This research aims to improve the accuracy of ASD identification, thereby enhancing diagnostic and treatment precision.
A Comparative Study of AutoSARIMAX and Long Short-Term Memory Models for Tourist Arrival Forecasting Saptarini, Dian; Saputri, Dian Syafitri Chani; Wardhana, Helna; Martono, Galih Hendro
Jurnal Varian Vol. 9 No. 1 (2026)
Publisher : Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/varian.v9i1.5771

Abstract

This study aims to predict the number of tourist arrivals in West Nusa Tenggara (NTB) Province using two forecasting approaches: AutoRegressive Integrated Moving Average with Exogenous Variables (AutoSARIMAX) and Long Short-Term Memory (LSTM). The dataset was obtained from the Central Bureau of Statistics (BPS) of NTB and consists of international and domestic tourist arrivals and monthly inflation rates for the period 2014–2023. The research process includes data collection, preprocessing, model construction, and result evaluation. The AutoSARIMAX model is applied to capture linear relationships with exogenous variables, while LSTM is employed to model long-term nonlinear patterns. The findings reveal that the LSTM model achieved better forecasting performance, with a Mean Absolute Percentage Error (MAPE) of 2.65%, which is lower than AutoSARIMAX with 3.25%. Nevertheless, AutoSARIMAX provides valuable interpretability regarding the influence of inflation on tourist arrivals. Overall, the comparison between the two models indicates that LSTM is more effective for time-series forecasting of tourist arrivals, while AutoSARIMAX remains useful for analyzing causal relationships. These insights can support decision-making in tourism planning, particularly in anticipating fluctuations driven by economic and external factors.
Evaluasi Kinerja Pegawai Menggunakan Metode Smart dan Weighted Product dengan TAM 4 Galih Hendro Martono Martono; Helna Wardhana Wardhana; Nyoman Gita Tri Aditya
Reputasi: Jurnal Rekayasa Perangkat Lunak Vol. 6 No. 2 (2025): Edisi November 2025
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/reputasi.v6i2.9437

Abstract

Abstrak - Penilaian kinerja karyawan yang akurat dan objektif merupakan kebutuhan penting dalam meningkatkan produktivitas dan efektivitas di lingkungan PT PLN PERSERO UPK Lombok, khususnya pada unit ULPLTD Ampenan, Paok Motong, dan Tanjung. Permasalahan yang dihadapi adalah penggunaan sistem manual yang kurang objektif dan berpotensi menimbulkan ketidakadilan dalam proses evaluasi. Penelitian ini mengusulkan penerapan metode Simple Multi-Attribute Rating Technique (SMART) dan Weighted Product (WP) dalam sistem penilaian kinerja karyawan untuk menghasilkan peringkat yang akurat dan transparan. Selain itu, dilakukan analisis penerimaan sistem menggunakan Technology Acceptance Model (TAM) 4 untuk mengetahui tingkat penerimaan pengguna terhadap sistem yang dibangun. Hasil penelitian menunjukkan bahwa penerapan metode SMART dan WP mampu menghasilkan peringkat karyawan yang konsisten, sementara hasil analisis TAM 4 menunjukkan bahwa faktor kemudahan penggunaan dan manfaat yang dirasakan menjadi faktor utama yang mempengaruhi penerimaan sistem. Sistem ini dinilai mampu meningkatkan objektivitas, transparansi, dan efisiensi dalam proses penilaian kinerja karyawan di PT PLN PERSERO UPK Lombok.
Deep Learning-Based Classification of Fetal Head Abnormalities from Ultrasound Images Using EfficientNet-B3 Galih Hendro Martono; Neny Sulistianingsih
Jurnal Sistem Cerdas Vol. 9 No. 1 (2026)
Publisher : APIC

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37396/jsc.v9i1.580

Abstract

Fetal brain abnormalities represent a critical concern in prenatal diagnostics due to their significant impact on neonatal survival and neurological development. Conventional ultrasound (USG) screening relies heavily on expert interpretation, which can be time-consuming and prone to subjectivity. To overcome this constraint, this research develops an automated classification approach employing deep learning techniques to recognize fetal head abnormalities captured through ultrasound scans. The dataset, obtained from a publicly available Kaggle repository, comprises fourteen diagnostic categories, including Arnold Chiari Malformation, Arachnoid Cyst, Cerebellar Hypoplasia, Holoprosencephaly, and Ventriculomegaly variations, among others. Each ultrasound image was subjected to a series of preprocessing operations, such as resizing to 224×224 pixels, applying normalization, and performing data augmentation, to enrich feature variability and strengthen the model’s generalization capability. A pretrained EfficientNet-B3 architecture was fine-tuned for multi-class classification, with the fully connected layer adapted to predict fourteen distinct abnormality classes. Model training was conducted for ten epochs using the Adam optimizer and cross-entropy loss function, with performance evaluated via training loss and validation accuracy metrics. The results demonstrate rapid convergence, with training loss decreasing from 1.7055 in the first epoch to 0.0387 in the final epoch. Concurrently, validation accuracy improved from 79.60% to a peak of 91.37%, indicating strong generalization capability. The consistent upward trend in accuracy and the downward trend in loss confirm the model’s stability and effective learning behavior. Overall, the proposed EfficientNet-B3–based approach achieves high accuracy and robustness, highlighting its potential as an assistive tool for automated prenatal diagnosis of fetal brain abnormalities
Perbandingan Algoritma Sarima dan Prophet Untuk Peramalan Trend Penjualan Voucher Game Online M Rizki; Dadang Priyanto; Galih Hendro Martono; Neny Sulistianingsih; Moch Syahrir
Jurnal Minfo Polgan Vol. 14 No. 2 (2025): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v14i2.15083

Abstract

Industri game online terus mengalami perkembangan pesat, mendorong kebutuhan akan sistem peramalan yang akurat untuk mendukung pengambilan keputusan strategis dalam manajemen penjualan dan promosi. Studi ini bertujuan untuk membandingkan kinerja dua algoritma peramalan deret waktu, yaitu Seasonal Autoregressive Integrated Moving Average (SARIMA) dan Prophet, dalam memprediksi tren penjualan voucher game online di platform Kiyystore. Data yang digunakan dalam penelitian ini mencakup transaksi historis dari tahun 2022 hingga 2024, dengan total 5,530 data penjualan. Studi ini menerapkan metodologi Cross Industry Standard Process for Data Mining (CRISP DM) yang terdiri dari tahap pemahaman bisnis, pemrosesan data, pemodelan, dan evaluasi. Model SARIMA dipilih karena kemampuannya untuk menangkap pola musiman dan tren dalam data stasioner. Sementara itu, Prophet digunakan karena dirancang untuk menangani tren non-linear, pola musiman, dan anomali secara otomatis. Evaluasi kinerja dari kedua algoritma dilakukan menggunakan dua metrik utama, yaitu Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE). Hasil penelitian menunjukkan bahwa Prophet unggul dalam metrik MAE dengan nilai 0,7054, yang menunjukkan kinerja yang lebih baik dalam meminimalkan kesalahan rata-rata. Di sisi lain, SARIMA menunjukkan keunggulan dalam metrik RMSE dengan nilai 0,9514, yang berarti model ini lebih efektif dalam menangani kesalahan besar atau pencilan dalam prediksi. Studi ini memberikan kontribusi penting dalam pemilihan metode peramalan yang sesuai dengan karakteristik data. Dengan memahami keunggulan masing-masing algoritma, pelaku industri game online dapat lebih optimal dalam merencanakan strategi stok dan promosi, sehingga meningkatkan efisiensi dan daya saing bisnis secara keseluruhan
Analisis Pola Pembelian Konsumen Menggunakan Algoritma FP-Growth pada Data Transaksi Restaurant Burger Nindya Alifia Khumaira; Dadang Priyanto; Hairani Hairani; Galih Hendro Martono; Moch. Syahrir; Husain Husain
Jurnal Teknologi Informasi dan Multimedia Vol. 8 No. 3 (2026): August
Publisher : Sekawan Institut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35746/jtim.v8i3.983

Abstract

Fast-food restaurants generate large volumes of transaction data that can be utilized to understand customer purchasing behavior and support business decision-making. However, transaction data are often used only for operational reporting, limiting their potential for identifying product association patterns. This study aims to apply the Frequent Pattern Growth (FP-Growth) algorithm to discover frequent itemsets and association rules from burger restaurant transaction data and implement the results in a web-based application. The dataset used consists of 2,001 burger restaurant transactions collected from Kaggle, covering the period 2021–2023. The research process included data preprocessing, transaction transformation, FP-Tree construction, frequent itemset extraction, and association rule generation using a minimum support threshold of 2 transactions and a minimum confidence threshold of 60%. The results revealed that the most frequent items were Save Point Sundae (191 transactions), Health Potion Smoothie (181 transactions), and Cheat Code Cookies (164 transactions). Several association rules achieved a confidence value of 100%, indicating a strong co-occurrence relationship between products. Furthermore, the rules Avatar Avocado -> Cosmic Rings and Cosmic Rings -> Avatar Avocado obtained a lift ratio of 1.50, demonstrating a positive association between the two items. These findings indicate that FP-Growth is effective in identifying customer purchasing patterns and can support promotional strategies, product bundling, and inventory management through data-driven decision-making.
Perbandingan Model Pohon Keputusan dan Random Forest dalam Mendeteksi Sentimen Isu Pajak Pertambahan Nilai Janji Armanda Fabian; Galih Hendro Martono; Ismarmiaty Ismarmiaty
Smart Comp :Jurnalnya Orang Pintar Komputer Vol 15, No 3 (2026): Smart Comp: Jurnalnya Orang Pintar Komputer
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/smartcomp.v15i3.9776

Abstract

Kenaikan PPN menjadi 12% memunculkan berbagai tanggapan dari masyarakat yang diekspresikan secara luas melalui media sosial, termasuk platform media sosial paling terkenal yaitu Youtube. Fenomena ini menunjukkan bahwa opini publik di dunia maya dapat menjadi bahan kajian penting dalam memahami respon masyarakat terhadap kebijakan fiskal pemerintah. Penelitian ini bertujuan untuk mengklasifikasikan emosi masyarakat terhadap isu kenaikan PPN 12% dengan memanfaatkan komentar YouTube sebagai sumber data. Tahapan penelitian ini dimulai dari pengumpulan data dengan metode web scraping, diikuti tahap pra-pemrosesan data, penerjemahan teks ke dalam bahasa Inggris, serta pelabelan emosi menggunakan NRC Lexicon. Selanjutnya, fitur teks diekstraksi menggunakann TF-IDF untuk kemudian dianalisis dengan Random Forest dan Decision Tree. Didapatkan hasil yang menunjukkan bahwa emosi dominan yang muncul pada komentar masyarakat adalah netral, positif, dan negatif. Model Decision Tree menghasilkan akurasi 57,35% dan macro F1-Score 0,53, sementara Random Forest memperoleh akurasi lebih tinggi sebesar 65,43% dengan macro F1-Score 0,57. Berdasarkan hasil, dapat dilihat Random Forest menunjukkan performa yang lebih tinggi daripada Decision Tree untuk klasifikasi teks.
Komparasi Algoritma Random Forest dan XGBoost dalam Klasifikasi Risiko Perizinan Usaha pada UMKM Rinda Fitriana Azmi; Galih Hendro Martono; Neny Suliastianingsih
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 5 No. 2 (2026): Mei-Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v5i2.12016

Abstract

Tingkat risiko perizinan usaha merupakan aspek penting dalam menentukan legalitas dan kewajiban perizinan yang harus dipenuhi oleh pelaku UMKM. Penelitian ini bertujuan membandingkan kinerja algoritma Random Forest dan XGBoost dalam mengklasifikasikan tingkat risiko perizinan usaha UMKM. Dataset yang digunakan berjumlah 4.081 data dengan variabel investasi, omset, jumlah tenaga kerja, skala usaha, luas tanah, dan risiko usaha sebagai label klasifikasi. Tahapan penelitian meliputi pengumpulan data, eksplorasi data, preprocessing, pembagian data, pemodelan menggunakan Random Forest dan XGBoost , evaluasi model, serta pengujian teknik resampling untuk menangani ketidakseimbangan kelas. Pengujian dilakukan pada model dengan parameter default dan model yang telah dioptimasi melalui hyperparameter tuning. Hasil evaluasi menunjukkan bahwa Random Forest dengan hyperparameter tuning memperoleh performa terbaik dengan accuracy sebesar 94%, precision macro sebesar 87%, recall macro sebesar 78%, dan F1-score macro sebesar 82%. Sementara itu, XGBoost dengan hyperparameter tuning memperoleh accuracy sebesar 91%, precision macro sebesar 81%, recall macro sebesar 79%, dan F1-score macro sebesar 79%. Hasil tersebut menunjukkan bahwa Random Forest dengan hyperparameter tuning tanpa resampling menjadi model paling stabil dalam mengklasifikasikan tingkat risiko perizinan usaha UMKM. Penelitian ini diharapkan dapat mendukung proses identifikasi risiko usaha secara lebih sistematis, objektif, dan berbasis data.
Co-Authors Aditya Saputra Agum Gynastiar, Ahmad Aguswandi, Lalu Heri Astawa, Andhika rama putra Azhari Azhari Azhari SN Baiq Anna Naura Nazifa Dadang Priyanto Dian Saptarini Dian Syafitri Chani Saputri Eldy Waliyamursida Hairani Hairani Hasbullah Hasbullah Hasbullah Hasbullah Helna Wardhana Helna Wardhana Wardhana Husain Husain Husain Husain Husaini, Rahayun Amrullah Ismarmiaty Janji Armanda Fabian Karor, Iptijanul Khabib Mustofa Lukmana, Aldi M Rizki Mayadi Muhammad Fathoni Mundika, Eko Neny Suliastianingsih Neny Sulistianingsih Neny Sulistianingsih Neny Sulistianingsih Neny Sulistianingsih Ni Putu Sinta Dewi Nindya Alifia Khumaira Nyoman Gita Tri Aditya Ramadhan, Rahmat Adi Mulya Ria Rismayati Rinda Fitriana Azmi Rismayati, Ria Syahrir, Moch. Tenia Wahyuningrum Triwijoyo, Bambang Krismono