Article Per Year (5 Year)
p-Index From 2020 - 2025
0.751
P-Index
This Author published in this journals
All Journal Jusikom: Jurnal Sistem Informasi Ilmu Komputer Jurnal Sistem Komputer dan Informatika (JSON) Jurnal Pengabdian kepada Masyarakat Politeknik Negeri Batam
Manday, Dhanny Rukmana
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Mechanical Engineering

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
COMPARISON OF SUPPORT VECTOR REGRESSION AND RANDOM FOREST REGRESSION ALGORITHMS ON GOLD PRICE PREDICTIONS Hutagalung, Samuel Valentino; Yennimar, Yennimar; Rumapea, Erikson Roni; Hia, Michael Justin Gesitera; Sembiring, Terkelin; Manday, Dhanny Rukmana
Jurnal Sistem Informasi dan Ilmu Komputer Vol. 7 No. 1 (2023): JUSIKOM: JURNAL SISTEM INFROMASI ILMU KOMPUTER
Publisher : Fakultas Teknologi dan Ilmu Komputer Universitas Prima Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34012/jurnalsisteminformasidanilmukomputer.v7i1.4125

Abstract

This research was conducted to test how the Support Vector Regression and Random Forest Regression algorithms predict gold futures prices. The data used in this research was taken from the Investing.com website which will later be processed into a prediction model by comparing the SVR and RVR algorithms. The Support Vector Regression and Random Forest Regression algorithms will be tested to see the performance of each prediction model. The test results show that the Support Vector Regression model is superior in terms of accuracy with a value of 83%. However, the Random Forest Regression algorithm is superior with a smaller error rate, namely with an MSE value of 270.85 and an MAE value of 12.53. Keyword: Comparison, Prediction, Support Vector Regression, Random Forest Regression.
Deteksi Penyakit Epilepsi Secara Real-Time Menggunakan Algoritma K-Nearest Neighbors (KNN) Berbasis Sinyal Electroencephalography Tarigan, Maria Elida; Zebua, Aldo Sofyan; Manurung, Firhot; Bintang, Jasmine Mutiara; Manday, Dhanny Rukmana
Jurnal Sistem Komputer dan Informatika (JSON) Vol 6, No 4 (2025): Juni 2025
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v6i4.8677

Abstract

Epilepsi adalah gangguan saraf kronis yang ditandai dengan kejang yang terjadi berulang kali akibat aktivitas listrik yang tidak normal di dalam otak. Menurut informasi dari WHO, lebih dari 50 juta orang di seluruh dunia menderita epilepsi, dengan sekitar 80% dari mereka berada di negara-negara yang sedang berkembang, termasuk Indonesia. Di Indonesia sendiri, diperkirakan ada antara 2,7 sampai 5,4 juta orang yang mengalami epilepsi, sementara fasilitas untuk diagnosis yang cepat dan tepat masih terbatas. Proses untuk mendiagnosis epilepsi umumnya bergantung pada analisis manual dari sinyal EEG yang memerlukan waktu lama dan keahlian khusus. Penelitian ini bertujuan untuk mengembangkan sistem deteksi penyakit epilepsi secara real-time dengan menggunakan algoritma K-Nearest Neighbors (KNN), sebagai opsi yang efisien dan terjangkau. Berbagai metode sebelumnya, seperti SeizureTransformer, CNN-LSTM, serta teknik yang berbasis entropi dan ensemble, telah menunjukkan hasil yang menggembirakan tetapi terhambat oleh kompleksitas dan kebutuhan komputasi yang tinggi. KNN memiliki kelebihan dalam hal kecepatan dan kemudahan implementasi, meskipun pemanfaatannya dalam konteks EEG epilepsi masih cukup minim. Melalui penelitian ini, sistem berbasis KNN dirancang untuk mendeteksi penyakit secara langsung dari sinyal EEG, dengan harapan dapat meningkatkan akurasi diagnosis dan efisiensi waktu dalam layanan kesehatan. Diharapkan sistem ini dapat memberikan alternatif praktis dalam penanganan epilepsi, terutama di daerah-daerah yang memiliki keterbatasan dalam fasilitas medis seperti Kota Medan.
Pelatihan Internet Of Things (IoT) Untuk Meningkatkan Kompetensi Digital Siswa Di Smk Negeri Jorlang Hataran Perangin Angin, Despaleri; Gultom, Togar Timoteus; Sitanggang, Delima; Yennimar, Yennimar; Prabowo, Agung; Siregar, Saut Dohot; Ridwan, Achmad; Ginting, Riski Titian; HS, Christnatalis; Manday, Dhanny Rukmana
Jurnal Pengabdian kepada Masyarakat Politeknik Negeri Batam Vol. 7 No. 1 (2025): Jurnal Pengabdian kepada Masyarakat Politeknik Negeri Batam
Publisher : Politeknik Negeri Batam

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

Abstract

The purpose of this community service activity is to enhance digital competency skills at SMK Negeri I Jorlang Hataran. The method used in the implementation of this activity is training through the delivery of materials, practical training on the assembly and programming of IoT devices, and a question-and-answer session. The participants of this activity consist of 37 students from the 11th grade RPL (Software Engineering) major. The instruments used in this activity include participant feedback and activity documentation. The results of the implementation show that the participants' responses to the basic computer training were overall in the good category. The percentage of student responses reached 98.20%, which falls into the very good category.
Deteksi Penyakit Epilepsi Secara Real-Time Menggunakan Algoritma K-Nearest Neighbors (KNN) Berbasis Sinyal Electroencephalography Tarigan, Maria Elida; Zebua, Aldo Sofyan; Manurung, Firhot; Bintang, Jasmine Mutiara; Manday, Dhanny Rukmana
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 6 No. 4 (2025): Juni 2025
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v6i4.8677

Abstract

Epilepsi adalah gangguan saraf kronis yang ditandai dengan kejang yang terjadi berulang kali akibat aktivitas listrik yang tidak normal di dalam otak. Menurut informasi dari WHO, lebih dari 50 juta orang di seluruh dunia menderita epilepsi, dengan sekitar 80% dari mereka berada di negara-negara yang sedang berkembang, termasuk Indonesia. Di Indonesia sendiri, diperkirakan ada antara 2,7 sampai 5,4 juta orang yang mengalami epilepsi, sementara fasilitas untuk diagnosis yang cepat dan tepat masih terbatas. Proses untuk mendiagnosis epilepsi umumnya bergantung pada analisis manual dari sinyal EEG yang memerlukan waktu lama dan keahlian khusus. Penelitian ini bertujuan untuk mengembangkan sistem deteksi penyakit epilepsi secara real-time dengan menggunakan algoritma K-Nearest Neighbors (KNN), sebagai opsi yang efisien dan terjangkau. Berbagai metode sebelumnya, seperti SeizureTransformer, CNN-LSTM, serta teknik yang berbasis entropi dan ensemble, telah menunjukkan hasil yang menggembirakan tetapi terhambat oleh kompleksitas dan kebutuhan komputasi yang tinggi. KNN memiliki kelebihan dalam hal kecepatan dan kemudahan implementasi, meskipun pemanfaatannya dalam konteks EEG epilepsi masih cukup minim. Melalui penelitian ini, sistem berbasis KNN dirancang untuk mendeteksi penyakit secara langsung dari sinyal EEG, dengan harapan dapat meningkatkan akurasi diagnosis dan efisiensi waktu dalam layanan kesehatan. Diharapkan sistem ini dapat memberikan alternatif praktis dalam penanganan epilepsi, terutama di daerah-daerah yang memiliki keterbatasan dalam fasilitas medis seperti Kota Medan.
Co-Authors Achmad Ridwan, Achmad Agung Prabowo Bintang, Jasmine Mutiara Delima Sitanggang, Delima Ginting, Riski Titian Hia, Michael Justin Gesitera HS, Christnatalis Hutagalung, Samuel Valentino Manurung, Firhot Perangin Angin, Despaleri Rumapea, Erikson Roni Sembiring, Terkelin Siregar, Saut Dohot Tarigan, Maria Elida Togar Timoteus Gultom Yennimar, Yennimar Zebua, Aldo Sofyan