Article Per Year (5 Year)
p-Index From 2021 - 2026
0.947
P-Index
This Author published in this journals
All Journal Techno.Com: Jurnal Teknologi Informasi Bulletin of Computer Science Research Journal of Artificial Intelligence and Digital Business JRIIN :Jurnal Riset Informatika dan Inovasi APPA : Jurnal Pengabdian Kepada Masyarakat
Apandi, Sopiyan
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Law, Crime, Criminology & Criminal Justice Medicine & Pharmacology

Published : 5 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search

 1 
Meningkatkan Kreativitas Desain Digital Dan Pengenalan Figma Sebagai Alat Prototyping UI/UX Lina, Angel; Aria, Alfinto; Erlangga, Adithya; Hasanudin, Didin; Hartansyah, Dika; Alam, Dzikrul; Hermawan, Galih; Ferry Nandiwardana, Muhammad; Purianto, Riki; Riarno, Riyan; Apandi, Sopiyan
APPA : Jurnal Pengabdian Kepada Masyarakat Vol 2 No 3 (2024): APPA : Jurnal Pengabdian kepada Masyarakat
Publisher : Shofanah Media Berkah

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

Abstract

Tujuan Program Pengabdian Kepada Masyarakat (PKM) ini bertujuan untuk meningkatkan kreativitas siswa SMK Plus Al Musyarrofah dalam desain digital serta mengenalkan Figma sebagai alat prototyping UI/UX. Kegiatan ini melibatkan siswa jurusan Teknik Komputer Jaringan (TKJ) dan dilaksanakan melalui pendekatan interaktif, seperti sosialisasi konsep UI/UX, praktik langsung menggunakan Figma, serta diskusi kelompok. Hasil evaluasi menunjukkan bahwa siswa mampu memahami konsep dasar desain digital dan mengimplementasikan pembuatan prototipe aplikasi. Diharapkan kegiatan ini dapat memberikan dampak positif bagi kesiapan siswa dalam menghadapi dunia kerja yang berbasis teknologi.
Analisis Klasterisasi Indikator Makroekonomi Indonesia Menggunakan K-Means Diwongso, Abu Thaariq Nur; Fauzan, Ubaid; Elfatih, Yusritsan Ghinan; Apandi, Sopiyan
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 2 (2025): Mei - Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i2.1335

Abstract

Penelitian ini bertujuan untuk mengelompokkan indikator makroekonomi Indonesia menggunakan algoritma klasterisasi K-Means. Indikator yang dianalisis meliputi tingkat pengangguran terbuka berdasarkan jenjang pendidikan, inflasi menurut kelompok pengeluaran, dan rasio utang pemerintah terhadap Produk Domestik Bruto (PDB). Data bersumber dari Badan Pusat Statistik (BPS) untuk periode 2005–2023 dan diolah menggunakan Python dengan pustaka Pandas, scikit-learn, dan Matplotlib. Proses klasterisasi dilakukan secara terpisah untuk setiap indikator guna memperoleh pola spesifik yang relevan dengan kebijakan ekonomi. Hasil penelitian menunjukkan bahwa setiap klaster mampu merepresentasikan kondisi ekonomi yang berbeda, seperti dominasi pengangguran di tingkat SMK serta fluktuasi inflasi pada kelompok bahan makanan. Temuan ini memberikan gambaran awal yang dapat digunakan untuk mendukung analisis kebijakan fiskal dan ketenagakerjaan di Indonesia. Penelitian ini juga menunjukkan bahwa metode K-Means efektif dalam menyederhanakan interpretasi data ekonomi multivariat.
Perbandingan Kinerja Naive Bayes, Support Vector Machine, Regresi Logistik, dan Decision Tree untuk Klasifikasi Sentimen Ulasan Produk Berbasis TF-IDF Bahrein, Muhammad; Apandi, Sopiyan
Techno.Com Vol. 24 No. 4 (2025): November 2025
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v24i4.13968

Abstract

Analisis sentimen merupakan salah satu pendekatan penting dalam pemrosesan bahasa alami yang digunakan untuk memahami opini konsumen melalui data ulasan produk di platform digital. Tantangan utama dalam analisis ini adalah memilih algoritma klasifikasi yang paling efektif untuk memproses data teks dalam jumlah besar dan kompleks. Penelitian ini bertujuan membandingkan kinerja empat algoritma klasifikasi populer, yaitu Naive Bayes, Support Vector Machine (SVM), Regresi Logistik, dan Decision Tree, dalam mengklasifikasikan sentimen ulasan produk berbasis fitur TF-IDF. Data yang digunakan berjumlah 830 ulasan produk yang dikumpulkan melalui teknik web scraping dari salah satu platform e-commerce. Seluruh data dipra-pemroses dengan tahapan pembersihan, tokenisasi, stopwords removal, dan stemming, kemudian diubah menjadi vektor numerik menggunakan metode TF-IDF. Selanjutnya, data dibagi menjadi data latih dan data uji dengan proporsi 80:20 dan diuji menggunakan keempat algoritma klasifikasi. Evaluasi dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma Support Vector Machine (SVM) memiliki performa terbaik dengan akurasi sebesar 94%, diikuti oleh Regresi Logistik (92%), Naive Bayes (91%), dan Decision Tree (76%). Nilai precision, recall, dan F1-score pada SVM juga unggul dibandingkan algoritma lain. Temuan ini merekomendasikan SVM sebagai algoritma yang paling efektif untuk klasifikasi sentimen pada ulasan produk berbasis teks. Penelitian ini dapat menjadi referensi bagi pengembangan sistem analisis sentimen yang lebih optimal di masa mendatang.   Kata Kunci - Analisis sentimen, Naive Bayes, Support Vector Machine (SVM), Regresi Logistik, Decision Tree.
Evaluasi Komparatif Algoritma Machine Learning untuk Prediksi Dini Diabetes Astofa, Aniq; Rosyani, Perani; Rahmawati, Rahmawati; Apandi, Sopiyan
Bulletin of Computer Science Research Vol. 6 No. 1 (2025): December 2025
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bulletincsr.v6i1.859

Abstract

Diabetes is one of the non-communicable diseases that is often detected at an advanced stage, thereby increasing the risk of serious complications. The application of machine learning has the potential to support early diabetes detection; however, most previous studies have focused on large-scale datasets and high predictive accuracy, while methodological evaluations on small-sized clinical data remain limited. This study aims to evaluate and compare the performance of several machine learning algorithms for early diabetes prediction using a limited clinical dataset, with particular emphasis on analyzing the impact of data characteristics on model performance. The dataset used in this study consists of 22 samples with eight clinical features and one target variable, which were divided into 17 training samples and 5 testing samples. The research stages include data preprocessing, training–testing data splitting, model training, and performance evaluation using accuracy, precision, recall, F1-score, and ROC-AUC metrics. The algorithms evaluated include Logistic Regression, Random Forest, Support Vector Machine (SVM), K-Nearest Neighbors (KNN), and XGBoost. The experimental results indicate that none of the evaluated models were able to effectively detect the diabetes class, as reflected by precision, recall, and F1-score values of zero across all models. Although Random Forest and XGBoost achieved an accuracy of 0.6, this value was largely influenced by the dominance of the non-diabetes class in the very limited test set. Correlation analysis further reveals that Glucose, BMI, and Diabetes Pedigree Function are the most influential features associated with diabetes status. The main contribution of this study lies in providing a realistic methodological evaluation of machine learning models applied to small-sized clinical datasets, highlighting that limited sample size and training–testing data partitioning have a substantial impact on model performance and the interpretation of evaluation metrics. These findings provide an important methodological reference for future studies aiming to develop more reliable early diabetes prediction models under constrained clinical data conditions.
Penerapan Sistem Pakar Mendiagnosa Penyakit Skizofrenia Berbasis Web dengan Menggunakan Metode Certainty Factor Rizky, Muhammad; Apandi, Sopiyan
Jurnal Riset Informatika dan Inovasi Vol 3 No 8 (2026): JRIIN : Jurnal Riset Informatika dan Inovasi (INPRESS)
Publisher : shofanah Media Berkah

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

Abstract

Skizofrenia merupakan gangguan mental kronis yang ditandai oleh gangguan dalam berpikir, persepsi, emosi, dan perilaku. Tingginya jumlah penderita serta minimnya deteksi dini sering menyebabkan pasien tidak mendapatkan penanganan yang optimal. Berdasarkan data World Health Organization (WHO) tahun 2022, skizofrenia memengaruhi sekitar 24 juta orang di seluruh dunia, atau sekitar 1 dari 300 individu (0,32%), dan meningkat menjadi 1 dari 222 orang dewasa (0,45%). Perkembangan teknologi informasi, khususnya dalam bidang Kecerdasan Buatan, membuka peluang penerapan sistem pakar sebagai alat bantu dalam proses diagnosis gangguan mental. Penelitian ini bertujuan untuk menerapkan sistem pakar berbasis web yang dapat membantu proses diagnosis awal skizofrenia, mengurangi ketidakpastian dalam pengambilan keputusan, serta menghasilkan sistem yang sesuai diterapkan di Klinik dr. Suzie B.A.S. Metode yang digunakan adalah Certainty Factor, yang berfungsi sebagai dasar perhitungan tingkat kepastian diagnosis berdasarkan gejala yang diberikan pengguna. Sistem dirancang dalam format berbasis web agar dapat diakses secara fleksibel kapan pun dan di mana pun. Proses pengembangan meliputi penyusunan basis pengetahuan dari pakar kejiwaan dan mengonversinya ke dalam aturan logis. Hasil penelitian menunjukkan bahwa sistem pakar mampu mendiagnosis jenis skizofrenia berdasarkan gejala pengguna, dengan perhitungan Certainty Factor yang menghasilkan nilai kepastian terukur. Evaluasi pengguna menunjukkan respons yang sangat positif, dengan total skor 235 dari 275 (85,45%) dan termasuk kategori “Sangat Setuju.” Dapat disimpulkan bahwa sistem pakar ini mampu mendukung diagnosis awal skizofrenia secara cepat, akurat, dan efisien, sekaligus menjadi media edukasi yang memperkuat layanan kesehatan mental yang lebih terstruktur.
Co-Authors Alam, Dzikrul Aria, Alfinto Astofa, Aniq Bahrein, Muhammad Diwongso, Abu Thaariq Nur Elfatih, Yusritsan Ghinan Erlangga, Adithya Fauzan, Ubaid Ferry Nandiwardana, Muhammad Hartansyah, Dika Hasanudin, Didin Hermawan, Galih Lina, Angel muhammad rizky, muhammad Perani Rosyani Purianto, Riki Rahmawati, Rahmawati Riarno, Riyan