Article Per Year (5 Year)
p-Index From 2021 - 2026
5.036
P-Index
This Author published in this journals
All Journal Jurnal Nasional Komputasi dan Teknologi Informasi Technologia: Jurnal Ilmiah JATI (Jurnal Mahasiswa Teknik Informatika) 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 TGO Journal of Community Development Journal of International Multidisciplinary Research Jurnal Intelek Dan Cendikiawan Nusantara Technologia Journal Jurnal Sains, Teknologi dan Kesehatan Jurnal Informatika dan Kesehatan Journal of Public Health Indonesian Journal of Public Health Indonesian Technologia Journal JuSTISe: Journal Data Science, Technology, Informatics and Security Journal of Social Science Utilizing Technology
Agung Rachmat Raharja
Universitas Bandung
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 Health Professions Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Mechanical Engineering Medicine & Pharmacology Neuroscience Public Health Social Sciences Transportation Other

Published : 37 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 37 Documents
Search

 1   2   3   4 
OPTIMALISASI MANAJAMEN SDM BERBASIS AI: DAMPAK PADA EFISIENSI DAN PENGAMBILAN KEPUTUSAN ORGANISASI Devi Yuniati Drajat; Dwi Sandini; Ifani Hariyanti; Agung Rachmat Raharja
Jurnal Sains Manajemen Vol. 7 No. 1 (2025): Jurnal Sains Manajemen
Publisher : LPPM Universitas Adhirajasa Reswara Sanjaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51977/jsm.v7i1.1790

Abstract

Penelitian ini bertujuan untuk mengeksplorasi dampak implementasi teknologi berbasis kecerdasan buatan (AI) pada manajemen sumber daya manusia (SDM), khususnya terhadap efisiensi operasional dan pengambilan keputusan organisasi. Data dikumpulkan melalui metode survei dan wawancara semi-terstruktur yang melibatkan 30 responden dari berbagai organisasi yang telah menerapkan teknologi AI. Hasil survei dianalisis menggunakan statistik deskriptif dan inferensial, sementara data wawancara dianalisis secara tematik untuk mendalami tantangan dan peluang implementasi AI. Hasil penelitian menunjukkan bahwa teknologi AI secara signifikan meningkatkan efisiensi operasional, dengan pengurangan beban kerja manual hingga 50% pada beberapa proses seperti rekrutmen dan evaluasi kinerja. Selain itu, AI juga berkontribusi pada pengambilan keputusan yang lebih akurat dan objektif, meskipun terdapat tantangan seperti kurangnya pelatihan teknis dan biaya implementasi yang tinggi. Uji validitas dan reliabilitas instrumen penelitian menghasilkan nilai yang tinggi, menunjukkan bahwa data yang diperoleh dapat diandalkan. Penelitian ini merekomendasikan peningkatan pelatihan teknis dan transparansi sistem AI untuk memaksimalkan potensi teknologi ini dalam manajemen SDM
DETEKSI DINI KESEHATAN MENTAL MAHASISWA DENGAN MACHINE LEARNING: PERBANDINGAN ALGORITMA DECISION TREE DAN RANDOM FOREST Jayadi Jayadi; Vito Hafizh Cahaya Putra; Agung Rachmat Raharja; Muhammad Al-husaini
Technologia : Jurnal Ilmiah Vol 17 No 1 (2026): Technologia (Januari)
Publisher : Fakultas Teknologi Informasi, Universitas Islam Kalimantan Muhammad Arsyad Al Banjari, di bawah koordinasi UPT Publikasi dan Pengelolaan Jurnal

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; Agung Rachmat Raharja; Vito Hafizh Cahaya Putra; Muhammad Al-Husaini
Technologia : Jurnal Ilmiah Vol 17 No 1 (2026): Technologia (Januari)
Publisher : Fakultas Teknologi Informasi, Universitas Islam Kalimantan Muhammad Arsyad Al Banjari, di bawah koordinasi UPT Publikasi dan Pengelolaan Jurnal

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
Use of Augmented Reality (AR) in Mobile Learning for Natural Science Lessons Fauzi Erwis; Cai Jixiong; Novi Rahayu; Agung Rachmat Raharja; Rony Sandra Yofa Zebua
Journal of Social Science Utilizing Technology Vol. 2 No. 1 (2024)
Publisher : Yayasan Adra Karima Hubbi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70177/jssut.v2i1.784

Abstract

Background. The development of information technology continues to change from time to time, especially Augmented Reality (AR), which has opened up new opportunities in education by introducing more interactive and interesting learning concepts. In the context of Natural Science (Science) lessons, the use of Augmented Reality in Mobile Learning offers the potential to increase students’ understanding of complex concepts through visual and practical-based learning experiences. Purpose. This research aims to determine the use of Augmented Reality in Mobile Learning for learning Natural Sciences. The focus is to assess the impact of using Augmented Reality on understanding Natural Science concepts, learning motivation, and student engagement. Method. The research method used in this research is a quantitative method using a random control experiment where two groups of students are divided randomly, one group uses conventional learning methods while the other group uses the Mobile Learning application with Augmented Reality features. Data was collected through a learning motivation questionnaire. Results. The research results showed that the group that used Augmented Reality in Mobile Learning showed an increase in understanding of Natural Science concepts compared to the control group that used conventional methods. In addition, they also show higher levels of learning motivation and more active involvement in the learning process.   Conclusion. The conclusion of this research is that the use of Augmented Reality in Mobile Learning for learning Natural Sciences has the potential to increase learning effectiveness by providing a more interactive, visual and practical learning experience. The results of this research show that Augmented Reality can be a valuable tool in increasing students’ understanding of Natural Science concepts, as well as motivating them to learn better. Therefore, the integration of Augmented Reality in Mobile Learning can be an effective strategy in improving the quality of Natural Sciences education in this digital era.
MODEL AI PREDIKSI BURNOUT BERBASIS WORKLOAD STAF KLINIS Dola Ramalinda; Yudi Darsono; Agung Rachmat Raharja
Jurnal Sains Manajemen Vol. 8 No. 2 (2026): Jurnal Sains Manajemen
Publisher : LPPM Universitas Adhirajasa Reswara Sanjaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51977/af7yfj23

Abstract

Burnout pada tenaga kesehatan merupakan tantangan sistemik yang berdampak pada kualitas layanan dan keselamatan pasien. Beban kerja klinis, pola shift yang intens, serta tuntutan administratif dari penggunaan Electronic Health Record (EHR) menjadi faktor yang berpotensi meningkatkan stres kerja. Meskipun data operasional tersedia dalam Sistem Informasi Rumah Sakit (SIRS), pemanfaatannya untuk deteksi dini risiko burnout staf masih terbatas. Penelitian ini bertujuan mengembangkan dan mengevaluasi model supervised machine learning untuk memprediksi risiko burnout staf klinis berdasarkan data perilaku dan beban kerja dari SIRS dan EHR. Penelitian kuantitatif dengan desain prediktif melibatkan 120 staf klinis yang terdiri atas dokter dan perawat. Data primer tingkat burnout diperoleh melalui instrumen terstandar, sedangkan data sekunder mencakup aktivitas EHR, jumlah pasien, jam kerja, dan pola shift. Tiga algoritma dibandingkan, yaitu Logistic Regression, Random Forest, dan Gradient Boosting, menggunakan metrik akurasi dan Area Under the Curve (AUC). Hasil menunjukkan bahwa perawat dan staf dengan pola kerja shift memiliki proporsi risiko burnout sedang hingga tinggi yang lebih besar. Beban kerja, terutama volume pasien dan jam kerja, serta intensitas aktivitas EHR menjadi faktor penting yang berkaitan dengan risiko burnout. Gradient Boosting menghasilkan kinerja terbaik dengan akurasi 0,87 dan AUC 0,91. Model tersebut berpotensi digunakan sebagai instrumen deteksi dini untuk mendukung redistribusi beban kerja, optimalisasi jadwal shift, dan intervensi preventif berbasis data dalam manajemen SDM rumah sakit.
Perbandingan Algoritma Decision Tree dan Naive Bayes dalam Klasifikasi Data Pengaruh Media Sosial dan Jam Tidur Terhadap Prestasi Akademik Siswa Al - Husaini; Ifani Hariyanti; Agung Rachmat Raharja
Technologia : Jurnal Ilmiah Vol 15 No 2 (2024): Technologia (April)
Publisher : Fakultas Teknologi Informasi, Universitas Islam Kalimantan Muhammad Arsyad Al Banjari, di bawah koordinasi UPT Publikasi dan Pengelolaan Jurnal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31602/tji.v15i2.14381

Abstract

Masalah : Penerapan dan perbandingan algoritma Decision Tree dan naïve bayes berkaitan dengan studi kasus mengenai dampak penggunaan media sosial dan pola tidur terhadap kinerja akademik mahasiswa.Tujuan: Kontribusi yang signifikan terhadap pemahaman tentang bagaimana media sosial dan kebiasaan tidur bersama-sama mempengaruhi kinerja akademik mahasiswa dengan penerapan algoritma Decision Tree dan Naïve BayesMetode: Pada penelitian ini perbandingan algoritma Decision Tree dan algoritma Naive Bayes digunakan untuk klasifikasi data pengaruh media sosial dan jam tidur terhadap prestasi akademik siswa.Hasil: Model interpretasi yang dibuat menghasilkan akurasi yang lebih tinggi untuk algoritma Decision Tree dibandingkan dengan Naive Bayes dengan akurasi sebesar 86,67% sedangkan Naive Bayes yaitu 70,00%, hal ini mengidikasikan kedua algoritma tersebut dapat mengklasifikasikan data terkait pengaruh media sosial dan jam tidur terhadap kinerja akademik siswa dengan menyesuaikan fitur dan penerapan algoritma yang digunakan.Kesimpulan: Algoritma Decision Tree mendapatkan hasil dengan interpretasi intuitif melalui representasi Decision Tree yang sesuai untuk data terstruktur, sedangkan  penggunaan algoritma Naive Bayes lebih efisien dalam menangani data dengan fitur yang indepedensi atau tidak adanya hubungan yang signifikan dari fitur fitur yang ada.Kata kunci: akademisi, media sosial, jam tidur, Decision Tree, Naive Bayes
PERANCANGAN DAN SIMULASI PEMANTAUAN KUALITAS AIR IRIGASI SAWAH BERBASIS INTERNET OF THINGS (IOT) MENGGUNAKAN ALGORITMA XGBOOST Vito Hafizh Cahaya Putra; Agung Rachmat Raharja; Muhammad Al-Husaini; Febriyanti Panjaitan; Ghanim Kanugrahan; Gravila Juliana
Technologia : Jurnal Ilmiah Vol 16 No 3 (2025): Technologia (Juli)
Publisher : Fakultas Teknologi Informasi, Universitas Islam Kalimantan Muhammad Arsyad Al Banjari, di bawah koordinasi UPT Publikasi dan Pengelolaan Jurnal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31602/tji.v16i3.19014

Abstract

Kualitas air dalam irigasi sawah sangat penting untuk mendukung pertumbuhan tanaman yang sehat dan hasil panen yang optimal. Meski banyak penelitian yang membahas kualitas air irigasi, sebagian besar belum menggabungkan pemantauan kualitas air dan prediksi kebutuhan irigasi secara menyeluruh. Penelitian ini merancang dan mengimplementasikan sistem pemantauan kualitas air irigasi sawah berbasis Internet of Things (IoT), yang dilengkapi dengan algoritma XGBoost untuk menganalisis data secara otomatis. Sistem ini memantau kualitas air secara real-time dengan mengukur suhu, pH, oksigen terlarut, dan kekeruhan air. Data dari sensor dikirim melalui ESP32 ke platform ThingSpeak untuk pemantauan lebih lanjut. Algoritma XGBoost digunakan untuk memprediksi kualitas air, apakah baik atau buruk. Model ini menunjukkan accuracy 78.82%, dengan precision 0.85 dan recall 0.82 untuk kualitas air "good", serta precision 0.69 dan recall 0.72 untuk kualitas air "bad". Sistem ini juga telah diuji dengan Black Box Testing untuk memastikan fungsionalitasnya. Meskipun saat ini menggunakan simulasi Wokwi, penelitian ini menunjukkan potensi penerapan pada perangkat fisik di lapangan. Diharapkan pengembangan selanjutnya, dapat menggunakan dataset lebih besar dan penambahan sensor untuk parameter lain bisa meningkatkan akurasi. Mengintegrasikan sistem kontrol irigasi otomatis, serta terintegrasi berbagai teknologi lain yang dapat meningkatkan efisiensi dan hasil pertanian, menjadikan sistem ini lebih bermanfaat dalam pertanian berkelanjutan.
Co-Authors Al - Husaini Al Husaini, Muhammad Al-Husaini, Muhammad Ali Akbar Rismayadi Ali Akbar Rismayadi, Ali Akbar Angga Pramudianto Angga Pramudianto Ari Purno Wahyu Wibowo Bambang Sucipto Cai Jixiong Devi Yuniati Drajat Dodi Syaripudin Dola Ramalinda Dola Ramalinda Drajat, Devi Yuniati Eko Hariyadi Encep Yayat Encep Yayat Erwis, Fauzi Fauzi Erwis Febrianto, Rudhi Wahyudi Febriyanti Panjaitan Ghanim Kanugrahan Ghanim Kanugrahan Gravila Juliana Hafizh Cahaya Putra, Vito Hariyanti, Ifani Husaini, Al - Ifani Hariyanti Imanita Septian Rusdianti Jayadi Jayadi Jayadi Jayadi Jayadi Jayadi Jayadi Jayadi Jixiong, Cai Karen Etania Saputra Lukmana, Hen Hen Maulinnisaa Tiur R.N Maulinnisaa Tiur R.N Muchsam, Yoki Muhammad Al-Husaini Muhammad Al-Husaini Novi Rahayu Pebrianti Panjaitan Rahayu, Novi Rismawati Rismawati Riyanto Setiyono, Riyanto Rony Sandra Yofa Zebua Sandini, Dwi Sindrawati Solihin Solihin Solihin Solihin Sutisna, Tori Tiny Rahayu Vito Hafizh Cahaya Putra Yudi Darsono Zebua, Rony Sandra Yofa