Article Per Year (5 Year)
p-Index From 2021 - 2026
4.041
P-Index
This Author published in this journals
All Journal Jurnal Nasional Komputasi dan Teknologi Informasi Technologia: Jurnal Ilmiah Media Informatika Journal of Computer Networks, Architecture and High Performance Computing Jurnal Responsif : Riset Sains dan Informatika Jurnal Sains Manajemen INTERNATIONAL JOURNAL OF MECHANICAL COMPUTATIONAL AND MANUFACTURING RESEARCH Malcom: Indonesian Journal of Machine Learning and Computer Science SisInfo : Jurnal Sistem Informasi dan Informatika Innovative: Journal Of Social Science Research Journal of Social Science Utilizing Technology TGO Journal of Community Development Journal of International Multidisciplinary Research Jurnal Intelek Dan Cendikiawan Nusantara Technologia Journal Jurnal Sains, Teknologi dan Kesehatan Journal of Social Science Utilizing Technology Jurnal Informatika dan Kesehatan Journal of Public Health Indonesian Journal of Public Health Indonesian Technologia Journal
Agung Rachmat Raharja
Universitas Bandung
Religion Aerospace Engineering Arts Humanities Automotive Engineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Health Professions Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Mathematics Mechanical Engineering Medicine & Pharmacology Neuroscience Public Health Social Sciences Transportation Other

Published : 31 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 31 Documents
Search

 1   2   3   4 
Analisis Alur Pendaftaran Pasien Rawat Jalan pada Masa Pandemi Covid-19 di Puskesmas Sarijadi Maulinnisaa Tiur R.N; Encep Yayat; Agung Rachmat Raharja
Jurnal Informatika dan Kesehatan Vol. 1 No. 2 (2024): IKN : Jurnal Informatika dan Kesehatan
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35473/ikn.v1i2.3111

Abstract

Health center services have made many changes to anticipate the potential increase in Covid-19 cases. In addition to services in virtual form, direct services to the community are also carried out by complying with established health protocols. Outpatient Registration is a functional unit that handles the admission of patients receiving outpatient treatment at the puskesmas. Problems that arise related to the outpatient registration process are the lack of public knowledge with the renewal of the registration flow during the Covid- 19 period using a hotline or online examination and taking drugs directly to the puskesmas at a time determined by the doctor. The purpose of this study was to identify the outpatient registration flow before, during and differences in the flow during the covid-19 pandemic. This study uses qualitative methods in the form of words with descriptive research. The subjects in this study were taken using a purposive sampling method with the main informants being the Head of the Public Health Center and the Head of Subsection TU. Based on this research, there are differences in the outpatient registration flow before and during the pandemic, where before the pandemic the patient did an examination directly at the puskesmas, during a pandemic the flow used is a hotline or consultation to conduct online consultations.   ABSTRAK Pelayanan puskesmas telah banyak melakukan perubahan untuk mengantisipasi potensi peningkatan kasus Covid-19. Selain pelayanan dalam bentuk virtual, pelayanan langsung kepada masyarakat juga dilaksanakan dengan memenuhi protokol kesehatan yang telah ditetapkan. Pendaftaran Rawat Jalan merupakan unit fungsional yang menangani penerimaan pasien yang berobat rawat jalan di puskesmas. Permasalahan yang timbul berkaitan dengan proses alur pendaftaran pasien rawat jalan ialah kurangnya pengetahuan masyarakat dengan adanya pembaharuan alur pendaftaran pada masa covid-19 menggunakan hotline atau pemeriksaan secara online dan pengambilan obat langsung ke puskesmas dengan waktu yang telah ditentukan dokter. Tujuan penelitian ini untuk mengidentifikasi alur pendaftaran rawat jalan sebelum, saat dan perbedaan alur saat pandemi covid-19. Penelitian ini menggunakan metode kualitatif dalam bentuk kata dengan penelitian deskriptif. Subjek dalam penelitian ini diambil dengan menggunakan metode purposive sampling dengan informan utama ialah Kepala Puskesmas dan Ka Subbag TU. Berdasarkan penelitian ini terdapat perbedaan pada alur pendaftaran rawat jalan sebelum dan saat pandemi dimana sebelum pandemi pasien melakukan pemeriksaan langsung di puskesmas, saat pandemi alur yang digunakan ialah hotline atau konsultasi melakukan konsultasi secara online.
Enhanced Plant Disease Detection Using Computer Vision YOLOv11: Pre-Trained Neural Network Model Application Al Husaini, Muhammad; Rachmat Raharja , Agung; Cahaya Putra , Vito Hafizh; Lukmana, Hen Hen
Journal of Computer Networks, Architecture and High Performance Computing Vol. 7 No. 1 (2025): Article Research January 2025
Publisher : Information Technology and Science (ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/cnahpc.v7i1.5146

Abstract

This study investigates the application of YOLOv11, a cutting-edge deep learning model, to enhance the detection of plant diseases. Leveraging a comprehensive dataset of 737 images depicting tomato leaves affected by various diseases, YOLOv11 was trained and evaluated on key performance metrics such as precision, recall, and mAP. Experimental results the model was trained and evaluated on key metrics including accuracy (75.6%), precision (0.80), recall (0.77), and mAP@0.5 (75.6%). Experimental through base architectural such as enhanced feature extraction with C2 modules, improved multi-scale detection using SPPF layers, and optimized non-maximum suppression techniques. These improvements enable the model to achieve stable precision and recall for each class, even in challenging scenarios with overlapping objects and diverse environmental conditions. By addressing practical usability challenges, this system offers a scalable, accessible, and impactful solution for precision agriculture, paving the way for sustainable with this pretrained model. This study underscores the potential of deep learning-based models, particularly YOLOv11, in transforming the way monitoring and disease management are approached, demonstrating its ability to stable accuracy and operational efficiency in real-world applications. Furthermore, the practical usability of the YOLOv11-based system addresses challenges in the domain of precision plant detection desease. By providing a scalable, accessible, and highly efficient solution, the model offering a significant advancement toward sustainable agricultural practices.
Penggunaan Computer Vision untuk Menghitung Jumlah Kendaraan dengan Menggunakan Metode SSD (Single Shoot Detector) Sutisna, Tori; Raharja, Agung Rachmat; Solihin, Solihin; Hariyadi, Eko; Cahaya Putra, Vito Hafizh
Innovative: Journal Of Social Science Research Vol. 4 No. 2 (2024): Innovative: Journal Of Social Science Research
Publisher : Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/innovative.v4i2.10071

Abstract

Pengguna kendaraan di Indonesia semakin meningkat setiap tahunnya, hal ini menjadikan setiap ruas jalan raya macet karena tidak adanya sistem cerdas yang menghitung jumah kendaraan, baik yang masuk ataupun keluar jalan. Dengan adanya sistem cerdas ini memudahkan untuk menghitung kendaraan yang lewat dan dengan adanya sistem ini memudahkan para petugas di jalan raya untuk memantau kendaraan dan dapat di hitung sampai dengan ambang batas kendaraan sesuai dengan yang sudah melewati salah satu jalan. Hal ini memudahkan petugas di jalan raya untuk mengatur lalu lintas atau bisa mengurai kendaraan, sehingga pada satu titik jalan tersebut tidak akan macet dan bisa memakan waktu hingga lama.
PERANCANGAN DAN IMPLEMENTASI CALIFORNIA BEARING RATIO (CBR) DENGAN MENGGUNAKAN C# DAN ARDUINO Raharja, Agung Rachmat; Setiyono, Riyanto; Hariyanti, Ifani
Jurnal RESPONSIF: Riset Sains & Informatika Vol 6 No 1 (2024): Jurnal Responsif : Riset Sains dan Informatika
Publisher : LPPM Universitas Adhirajasa Reswara Sanjaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51977/jti.v6i1.1425

Abstract

California Bearing Ratio (CBR) adalah suatu cara (metode) untuk menentukan nilai daya dukung suatu tanah dalam menahan atau memikul beban-beban yang bekerja pada tanah, yaitu beban-beban yang bekerja pada permukaan jalan. Untuk mengetahui beban tanah biasanya di lakukan pada sebuah alat uji CBR pada lab, selain itu hasil perolehan yang di dapatkan dari uji tersebut masih manual dan tidak dapat disimpan ke dalam komputer, dengan adanya aplikasi CBR ini hasil yang di dapatkan dapat disimpan ke dalam sebuah komputer dan dapat dilihat berulang sesuai dengan kebutuhan. Metode penelitian yang digunakan adalah R&D dan menghasilkan sebuah produk yaitu software dan hardware. Perangkat lunak menggunakan C# dan perangkat kerasnya menggunakan Arduino. Dengan menggunakan aplikasi ini operator hanya memasukkan data yang sudah di siapkan pada aplikasi dan secara otomatis akan menghasilkan nilai yang dapat dilihat oleh operator, selain itu terdapat grafik yang dapat dilihat dan hasilnya disimpan ke dalam komputer dan hasil ini berupa file excel dan PDF. Hardware menggunakan arduino untuk menyambungkan ke dalam mekanik. Dengan adanya aplkasi ini pencarian perhitungan CBR menjadi terkomputerisasi.
PREDIKSI HARGA SAHAM BBCA MENGGUNAKAN METODE LONG SHORT-TERM MEMORY DAN GATED RECURRENT UNIT Hariyanti, Ifani; Putra, Vito Hafizh Cahaya; Raharja, Agung Rachmat
Jurnal RESPONSIF: Riset Sains & Informatika Vol 7 No 1 (2025): Jurnal Responsif : Riset Sains dan Informatika
Publisher : LPPM Universitas Adhirajasa Reswara Sanjaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51977/jti.v7i1.1901

Abstract

Penelitian ini bertujuan untuk memprediksi harga saham PT Bank Central Asia Tbk (BBCA) menggunakan model Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU). Data harga saham diambil dari Yahoo Finance (2010–2023) sebanyak 3.464 data, mencakup atribut Tanggal, Open, High, Low, Close, Adj Close, dan Volume. Data diproses menggunakan MinMax Scaler sebelum pelatihan model. Model dievaluasi menggunakan MAE, RMSE, dan MAPE untuk mengukur performa prediksi. Hasil penelitian menunjukkan bahwa GRU lebih unggul dibandingkan LSTM dalam memprediksi harga saham BBCA, dengan akurasi prediksi yang lebih mendekati nilai aktual. Dari hasil eksperimen pelatihan model menggunakan dataset harga saham BBCA harian dengan berbagai kombinasi hyperparameter yang ditetapkan, ditemukan bahwa model dengan metrik evaluasi terendah adalah model LSTM dengan batch size 64 dan epoch 20. Model ini memberikan nilai MAE sebesar 158.508342, RMSE sebesar 208.687816, dan MAPE sebesar 2.248164%. Temuan ini diharapkan berkontribusi pada pengembangan analisis keuangan di Indonesia.
SISTEM PENUNJANG KEPUTUSAN SELEKSI PENERIMA BANTUAN RENOVASI RUMAH MENGGUNAKAN METODE TOPSIS Dola Ramalinda; Agung Rachmat Raharja
Jurnal Intelek Dan Cendikiawan Nusantara Vol. 1 No. 3 (2024): JUNI - JULI 2024
Publisher : PT. Intelek Cendikiawan Nusantara

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

Abstract

Perkembangan ilmu pengetahuan dan teknologi pada saat ini banyak terjadi perubahan disegala bidang, misalnya pada dunia pemerintahan dalam mengambil suatu keputusan. Sebagai lembaga pemerintahan yang berfungsi meningkatkan pelayanan untuk mencapai kesejahteraan masyarakat. Terutama dalam proses pengambilan keputusan agar tepat sasaran dan mampu memecahkan masalah agar kinerjanya dapat lebih efisien dan terkomputerisasi. Kota Bandung merupakan daerah yang memiliki penduduk cukup besar permasalahan penentuan penerima bantuan renovasi rumah pada Dinas Sosial dan Penanggulangan Kemiskinan Kota Bandung masih terkendala dengan banyaknya data pengusulan yang masuk dan masih dilakukan secara manual dengan menggunakan lembar kertas dan memberikan penilaian secara tertulis. Untuk menyelesaikan permasalahan pada tersebut diusulkan sebuah sistem untuk menyelesaikan permasalahan pada Dinas Sosial dan Penanggulangan Kemiskinan Kota Bandung suatu sistem penunjang keputusan untuk membantu di dalam proses pengambilan keputusan dalam situasi yang semiterstruktur dan situasi yang tidak terstruktur
Pengembangan Model Klasifikasi Pneumonia dari Awal dengan Resnet50 (Development of A Pneumonia Classification Model With Resnet50 From Scratch) Ali Akbar Rismayadi; Ifani Hariyanti; Agung Rachmat Raharja
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 8, No 1 (2025): Februari 2025
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v8i1.8815

Abstract

Abstrak - Pneumonia merupakan penyakit pernapasan yang dapat mengancam jiwa, khususnya bagi kelompok rentan seperti anak-anak dan lansia. Diagnosa pneumonia melalui citra X-ray dada memerlukan keahlian medis yang tinggi dan dapat memakan waktu. Oleh karena itu, dalam penelitian ini dikembangkan model klasifikasi pneumonia berbasis ResNet50 yang dibangun dari awal (scratch) untuk mendeteksi pneumonia secara otomatis dan akurat. Dataset yang digunakan dalam penelitian ini adalah Chest X-ray Images (Pneumonia) yang tersedia secara publik di Kaggle, yang terdiri dari dua kategori utama: Normal dan Pneumonia. Model dilatih dengan menggunakan optimizer Adam dan binary cross-entropy loss serta dievaluasi dengan berbagai metrik, seperti accuracy, precision, recall, dan F1-score. Untuk mengatasi tantangan yang dihadapi dalam pelatihan dari awal, langkah preprocessing seperti resize, normalisasi, dan data augmentation diterapkan untuk meningkatkan generalisasi model. Hasil evaluasi menunjukkan bahwa model mencapai akurasi sebesar 95%, dengan nilai F1-score sebesar 0.95 untuk kedua kelas. Kurva ROC dengan nilai AUC sebesar 0.99 menunjukkan bahwa model memiliki kinerja klasifikasi yang sangat baik. Meskipun demikian, model masih mengalami beberapa kesalahan klasifikasi pada kasus false negatives, yang dapat diatasi dengan teknik fine-tuning lebih lanjut atau penggunaan transfer learning. Kesimpulan dari penelitian ini adalah bahwa model ResNet50 dari awal mampu memberikan performa yang baik dalam klasifikasi pneumonia, meskipun terdapat tantangan dalam keterbatasan data dan waktu komputasi yang diperlukan.Kata Kunci: Pneumonia, ResNet50, X-ray, Deep Learning, Klasifikasi Citra, Augmentasi Data. Abstract- Pneumonia is a life-threatening respiratory disease, particularly for vulnerable groups such as children and the elderly. Diagnosing pneumonia through chest X-ray images requires a high level of medical expertise and can be time-consuming. Therefore, this study aims to develop an automated and accurate pneumonia classification model based on ResNet50 built from scratch to detect pneumonia effectively. The dataset used in this research is the publicly available Chest X-ray Images (Pneumonia) from Kaggle, consisting of two primary categories: Normal and Pneumonia. The model was trained using the Adam optimizer and binary cross-entropy loss, and evaluated using various performance metrics, including accuracy, precision, recall, and F1-score. To address the challenges associated with training from scratch, preprocessing steps such as image resizing, normalization, and data augmentation were applied to enhance the model's generalization. The evaluation results indicate that the model achieved an accuracy of 95%, with an F1-score of 0.95 for both classes. The ROC curve with an AUC value of 0.99 demonstrates the model's excellent classification performance. However, the model still encounters some misclassification in false negatives, which could be improved through further fine-tuning or by utilizing transfer learning techniques. This study concludes that the ResNet50 model built from scratch can provide good performance in pneumonia classification, despite the challenges related to data limitations and computational resources.Keywords: Pneumonia, ResNet50, X-ray, Deep Learning, Image Classification, Data Augmentation.
DETEKSI DINI KESEHATAN MENTAL MAHASISWA DENGAN MACHINE LEARNING: PERBANDINGAN ALGORITMA DECISION TREE DAN RANDOM FOREST Jayadi, Jayadi; Cahaya Putra, Vito Hafizh; Raharja, Agung Rachmat; Al-husaini, Muhammad
Technologia : Jurnal Ilmiah Vol 17, No 1 (2026): Technologia (Januari)
Publisher : Universitas Islam Kalimantan Muhammad Arsyad Al Banjari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31602/tji.v17i1.21251

Abstract

Kesehatan mental di kalangan mahasiswa merupakan isu yang semakin penting untuk diperhatikan, mengingat tingginya tekanan akademik dan sosial yang dapat memicu stres, kecemasan, hingga depresi. Penelitian ini bertujuan untuk menerapkan dan membandingkan dua algoritma machine learning, yaitu Decision Tree dan Random Forest, dalam mendeteksi potensi depresi pada mahasiswa berdasarkan data yang tersedia. Dataset yang digunakan diperoleh dari Kaggle dan mencakup berbagai variabel psikososial seperti tekanan akademik, stres finansial, dan riwayat pemikiran bunuh diri. Tahapan penelitian meliputi praproses data, pelatihan model, evaluasi performa menggunakan 5-fold cross validation, serta analisis feature importance. Hasil evaluasi menunjukkan bahwa model Decision Tree memiliki rata-rata F1 Score sebesar 0.8217, sementara Random Forest menunjukkan nilai 0.8098. Meskipun Decision Tree unggul secara metrik evaluasi dan efisiensi komputasi, Random Forest lebih stabil dan tahan terhadap overfitting. Kesimpulan dari penelitian ini merekomendasikan penggunaan algoritma Random Forest untuk sistem deteksi dini depresi mahasiswa, dengan tetap mempertimbangkan kelebihan Decision Tree dalam hal interpretasi hasil.Keywords: Kesehatan Mental, Mahasiswa, Machine Learning, Decision Tree, Random Forest, Deteksi Depresi.
PERBANDINGAN DECISION TREE DAN LOGISTIC REGRESSION UNTUK DETEKSI PENYAKIT DAUN MULTISPESIES MENGGUNAKAN PENDEKATAN FITUR HIBRIDA BERBASIS CITRA Solihin, Solihin; Raharja, Agung Rachmat; Cahaya Putra, Vito Hafizh; Al-Husaini, Muhammad
Technologia : Jurnal Ilmiah Vol 17, No 1 (2026): Technologia (Januari)
Publisher : Universitas Islam Kalimantan Muhammad Arsyad Al Banjari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31602/tji.v17i1.21252

Abstract

Klasifikasi penyakit daun tanaman secara dini dan akurat berperan penting dalam meningkatkan hasil panen, mencegah kerugian pertanian, serta mendorong penerapan praktik pertanian berkelanjutan. Penelitian ini bertujuan untuk membandingkan kinerja dua algoritma machine learning yang banyak digunakan, yaitu Decision Tree dan Logistic Regression, dalam mengidentifikasi penyakit daun tanaman berdasarkan fitur gabungan yang mencakup karakteristik warna dan tekstur. Data penelitian bersumber dari PlantVillage dataset yang berisi citra daun sehat dan daun terinfeksi dari berbagai jenis tanaman. Setiap citra melalui proses pra-pemrosesan meliputi penyeragaman ukuran, konversi ke skala keabuan, dan normalisasi nilai piksel untuk meningkatkan kestabilan pembelajaran model. Fitur kemudian diekstraksi melalui penggabungan histogram warna dari kanal RGB dan HSV dengan fitur tekstur yang dihasilkan menggunakan metode Local Binary Pattern (LBP) dan Gray-Level Co-occurrence Matrix (GLCM). Kedua model dievaluasi dengan pembagian data 70% untuk pelatihan dan 30% untuk pengujian. Hasil penelitian menunjukkan bahwa Logistic Regression menghasilkan akurasi tertinggi sebesar 79,89%, sedangkan Decision Tree mencapai 76,81%. Logistic Regression juga menunjukkan presisi dan recall yang lebih konsisten. Temuan ini menegaskan bahwa integrasi fitur warna dan tekstur meningkatkan performa klasifikasi dan mendukung pengembangan sistem pertanian cerdas berbasis deteksi penyakit otomatis.Keywords: Penyakit daun tanaman, Klasifikasi citra, Fitur hibrida, Local Binary Pattern, Gray-Level Co-occurrence Matrix, Logistic Regression
Analysis of Storage Spaces to Support the Health Service System at Santosa Hospital Bandung Central in 2021 Tiny Rahayu; Encep Yayat; Agung Rachmat Raharja
Journal of Public Health Indonesian Vol. 1 No. 1 (2024): MEI-JHH
Publisher : PT. Anagata Sembagi Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62872/wexm1x97

Abstract

One of the health services provided by the hospital is the medical record service. The implementation of good medical file storage through systematic procedures is one of the keys to the success of health service, it is also one of this study was to determine the medical record storage space, the obstacles that occurred, and the effort made in the storage room at the Santosa Hospital Bandung Central. The research method used is descriptive qualitative research, by describing the relevant data. Data collection techniques in the form of interviews and document studies. From the results of the study it can be said that the layout and environment for storing medical records at Santosa Hospital Bandung Central is appropriate, the number of visits that continues to increase is not comparable to the medical record storage space contained in the storage room, the use of medical records is an effort made by Santosa Hospital Bandung Central. The use of electronic medical records overcomes problems in the storage space so as to minimize disruption of health services provided by the Santosa Hospital Bandung Central to patients.
Co-Authors Al Husaini, Muhammad Al-Husaini, Muhammad Ali Akbar Rismayadi Ali Akbar Rismayadi, Ali Akbar Angga Pramudianto Angga Pramudianto Ari Purno Wahyu Wibowo Cahaya Putra, Vito Hafizh Dodi Syaripudin Dola Ramalinda Drajat, Devi Yuniati Eko Hariyadi Encep Yayat Encep Yayat Erwis, Fauzi Febrianto, Rudhi Wahyudi Hafizh Cahaya Putra, Vito Hariyanti, Ifani Husaini, Al - Imanita Septian Rusdianti Jayadi Jayadi Jayadi Jayadi Jayadi Jayadi Jixiong, Cai Lukmana, Hen Hen Maulinnisaa Tiur R.N Muchsam, Yoki Rahayu, Novi Rismawati Rismawati Riyanto Setiyono, Riyanto Sandini, Dwi Sindrawati Sindrawati Solihin Solihin Sucipto, Bambang Sutisna, Tori Tiny Rahayu Tiur R.N, Maulinnisaa Yuniati Drajat, Devi Zebua, Rony Sandra Yofa