Article Per Year (5 Year)
p-Index From 2021 - 2026
3.316
P-Index
This Author published in this journals
All Journal International Journal of Advances in Intelligent Informatics MATRIK : Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer Abdimas Umtas : Jurnal Pengabdian kepada Masyarakat PengabdianMu: Jurnal Ilmiah Pengabdian kepada Masyarakat Jurnal Computer Science and Information Technology (CoSciTech) 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 Journal Of Artificial Intelligence And Software Engineering Jurnal INFOTEL Jurnal Pengabdian kepada Masyarakat IPTEKS Jurnal Pengabdian Pada Masyarakat IPTEKS Prosiding Seminar Nasional CORISINDO
Galih Hendro Martono
Universitas Bumigora, Mataram, Indonesia
Religion Agriculture, Biological Sciences & Forestry Arts Humanities 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 : 25 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 25 Documents
Search

 1   2   3 
Enhancing Stroke Diagnosis with Machine Learning and SHAP-Based Explainable AI Models Galih Hendro Martono; Neny Sulistianingsih
Knowbase : International Journal of Knowledge in Database Vol. 4 No. 2 (2024): December 2024
Publisher : Universitas Islam Negeri Sjech M. Djamil Djambek Bukittinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30983/knowbase.v4i2.8720

Abstract

Stroke is a serious illness that needs to be treated quickly to enhance patient outcome. Machine Learning (ML) offers promising potential for automated stroke detection through precise neuroimaging analysis. Although existing research has explored ML applications in stroke medicine, challenges remain, such as validation concerns and limitations within available datasets. The study aims to compare ML models and SHapley Additive exPlanations (SHAP) algorithm insights for stroke detection optimization. The research evaluates classifiers' performance, including Deep Neural Networks (DNN), AdaBoost, Support Vector Machines (SVM), and XGBoost, using data from www.kaggle.com. Results demonstrate XGBoost's superior performance across various data splits, emphasizing its effectiveness for stroke prediction. Utilizing SHAP provides deeper insights into stroke risk factors, facilitating comprehensive risk assessment. Overall, the study contributes to advancing stroke detection methodologies and highlights ML's role in enhancing clinical practice in stroke medicine. Further research could explore additional datasets and advanced ML algorithms to enhance prediction accuracy and preventive measures.
Pendidikan Membaca Al-Quran Dengan Mata Hati Bagi Komunitas Penyandang Disabilitas Sensorik Runggu Wicara Martono, Galih Hendro; Sulistianingsih, Neny; Fathoni, Muhammad
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
Analisis Seleksi Fitur  Menggunakan Metode ANOVA F-test dan Algoritma Random Forest Untuk Deteksi Diabetes Martono, Galih Hendro; Rismayati, Ria; Karor, Iptijanul
CORISINDO 2025 Vol. 1 (2025): Prosiding Seminar Nasional CORISINDO 2025
Publisher : CORISINDO 2025

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/corisindo.v1.5282

Abstract

Peningkatan level kadar glukosa darah yang melampaui batas normal merupakan ciri-ciri utama dari gangguan metabolisme yang dikenal sebagai diabetes mellitus, atau yang secara umum disebut penyakit kencing manis. Hal ini biasanya terjadi karena gangguan produksi atau fungsi insulin, baik secara absolut maupun relatif.  Diperkirakan  pada tahun 2030 diabetes akan menjadi penyebab kematian  terbesar ke-7 di dunia hal ini didasari laporan dari World Health Organization (WHO).  Ironisnya, sekitar 70% penderita diabetes tidak menyadari bahwa mereka mengidap penyakit ini, dan sekitar 25% telah mengalami komplikasi serius sebelum diagnosis ditegakkan. Oleh karena itu, deteksi dini serta manajemen risiko yang efektif sangat krusial untuk mencegah dampak kesehatan yang lebih berat. Pentingnya pemilihan fitur dalam meningkatkan akurasi prediksi diabetes adalah fokus penelitian ini. Metode seleksi fitur berbasis ANOVA F-test yang digabungkan dengan algoritma Random Forest dalam penyusunan model prediksi diabetes digunakan pada penelitian ini . Dataset yang digunakan terdiri dari 70.000 data dengan 33 atribut, yang kemudian diseleksi hingga diperoleh 13 fitur paling relevan berdasarkan nilai P-value < 0,05. Hasil evaluasi menunjukkan bahwa penerapan seleksi fitur secara signifikan meningkatkan performa model. Akurasi prediksi mencapai 73% saat menggunakan 5 fitur, meningkat menjadi 86% dengan 10 fitur, dan mencapai 90% ketika menggunakan 13 fitur. Temuan ini menggaris bawahi pentingnya proses seleksi fitur dalam pengembangan model prediktif penyakit diabetes, serta memberikan kontribusi penting dalam mendukung upaya deteksi dini dan pengelolaan risiko secara lebih optimal.
Penerapan Ensemble Learning dengan Hard Voting untuk Klasifikasi Customer Churn Astawa, Andhika rama putra; Martono, Galih Hendro; Mayadi
CORISINDO 2025 Vol. 1 (2025): Prosiding Seminar Nasional CORISINDO 2025
Publisher : CORISINDO 2025

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/corisindo.v1.5340

Abstract

Customer churn menjadi salah satu tantangan terbesar bagi perusahaan telekomunikasi karena berdampak langsung pada pendapatan dan keberlanjutan bisnis. Penelitian ini bertujuan untuk meningkatkan akurasi prediksi churn dengan mengembangkan model ensemble learning berbasis Hard Voting Classifier yang menggabungkan tiga algoritma berbeda, yaitu Naïve Bayes, Random Forest, dan Nearest Centroid. Dataset pelanggan yang digunakan mencakup informasi demografis, perilaku penggunaan layanan, dan status churn, yang kemudian diproses melalui tahapan pembersihan data, seleksi fitur, normalisasi, serta teknik resampling SMOTE-Tomek untuk menyeimbangkan distribusi kelas. Pemilihan fitur dilakukan dengan metode Information Gain dan analisis korelasi, sehingga hanya atribut yang relevan digunakan dalam pemodelan. Hasil pengujian menunjukkan bahwa Hard Voting Classifier mampu mencapai akurasi sebesar 90% dengan nilai recall untuk kelas churn sebesar 81%, lebih tinggi dibandingkan Random Forest (78%), meskipun akurasi Random Forest lebih tinggi (95%). Nilai precision untuk kelas non-churn juga meningkat hingga 97%, menandakan model ini efektif mengurangi kesalahan dalam memprediksi pelanggan tetap. Temuan ini membuktikan bahwa pendekatan ensemble learning dengan base learner heterogen dapat memadukan keunggulan masing-masing algoritma untuk meningkatkan deteksi churn. Meski demikian, performa Hard Voting masih bergantung pada kualitas masing-masing classifier, sehingga optimasi hyperparameter dan eksplorasi kombinasi model lain direkomendasikan untuk penelitian selanjutnya. Hasil penelitian ini diharapkan dapat membantu perusahaan merumuskan strategi retensi pelanggan yang lebih tepat sasaran dan berkelanjutan. 
Analisis Sentimen Dampak Putusan MK Batas Usia Minimum Capres-Cawapres dengan SVM, Naïve Bayes, dan KNN Lukmana, Aldi; Martono, Galih Hendro; Sulistianingsih, Neny
CORISINDO 2025 Vol. 1 (2025): Prosiding Seminar Nasional CORISINDO 2025
Publisher : CORISINDO 2025

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/corisindo.v1.5523

Abstract

Mahkamah Konstitusi (MK) berperan penting dalam menegakkan konstitusi, termasuk menetapkan batas usia minimum pencalonan Presiden dan Wakil Presiden. Putusan ini memicu beragam reaksi di media sosial, mulai dari dukungan hingga penolakan yang dinilai politis. Penelitian ini bertujuan menganalisis sentimen publik terhadap putusan tersebut menggunakan Support Vector Machine (SVM), Naïve Bayes (NB), dan K-Nearest Neighbors (KNN), serta membandingkan kinerjanya berdasarkan akurasi, presisi, recall, dan F1-score. Penelitian dilakukan melalui enam tahap: (1) Business Understanding – menentukan kebutuhan, tujuan, dan pengumpulan data; (2) Data Understanding – mengumpulkan, mendeskripsikan, dan mengevaluasi kualitas data; (3) Data Preparation – membersihkan, memilih, dan mentransformasi data; (4) Modelling – menerapkan algoritma SVM, NB, dan KNN; (5) Evaluation – mengukur kinerja model menggunakan confusion matrix; serta (6) Deployment – menyusun laporan dan dokumentasi hasil analisis. Data diambil dari media sosial X dan YouTube, diolah menggunakan teknik text mining dan machine learning. Hasil menunjukkan SVM dan KNN memiliki akurasi tertinggi, masing-masing 89,5%, sedangkan NB mencapai 88,5%, sehingga SVM dan KNN dinilai lebih efektif dalam menganalisis sentimen publik terhadap putusan MK.
Co-Authors Aguswandi, Lalu Heri Astawa, Andhika rama putra Azhari Azhari Azhari SN Hasbullah Hasbullah Hasbullah Hasbullah Helna Wardhana Husain Husain Karor, Iptijanul Khabib Mustofa Lukmana, Aldi Mayadi Muhammad Fathoni, Muhammad Mundika, Eko Neny Sulistianingsih Ni Putu Sinta Dewi Ramadhan, Rahmat Adi Mulya Ria Rismayati Rismayati, Ria Rizki, M Syahrir, Moch. Tenia Wahyuningrum Triwijoyo, Bambang Krismono