Article Per Year (5 Year)
p-Index From 2021 - 2026
8.024
P-Index
This Author published in this journals
All Journal TEKNIK INFORMATIKA JOIV : International Journal on Informatics Visualization Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Jurnal Mantik Penusa MATRIK : Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer Jurnal Varian Jurnal SASAK : Desain Visual dan Komunikasi Jurnal Bumigora Information Technology (BITe) Jurnal Kependidikan: Jurnal Hasil Penelitian dan Kajian Kepustakaan di Bidang Pendidikan, Pengajaran dan Pembelajaran ADMA: Jurnal Pengabdian dan Pemberdayaan Masyarakat Jurnal Abdi Masyarakat Indonesia Indo-MathEdu Intellectuals Journal Abdi Widya: Jurnal Pengabdian Masyarakat Jurnal: International Journal of Engineering and Computer Science Applications (IJECSA) Journal of Artificial Intelligence and Digital Business Jurnal Ilmiah Pengabdian dan Inovasi INTAN CENDEKIA: JURNAL PENGABDIAN MASYARAKAT
Anthony Anggrawan
Ilmu Komputer, Fakultas Teknik, Universitas Bumigora
Religion Agriculture, Biological Sciences & Forestry Arts Humanities 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 Mathematics Nursing Public Health Social Sciences Other

Published : 61 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 61 Documents
Search

 3   4   5   6   7 
Aplikasi K-Means berbasis Web untuk Klasifikasi Kelas Unggulan Christofer Satria; Anthony Anggrawan
MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Vol. 21 No. 1 (2021)
Publisher : Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/matrik.v21i1.1473

Abstract

MAN-1 Mataram merupakan sekolah yang berada di kota Mataram, Sekolahan ini memiliki 2 kelas yaitu kelas unggulan dan kelas biasa. Setiap tahunnya MAN-1 Mataram mengalami peningkatan penerimaan pendaftaran siswa baru diperkiran tahun kedepan siswa barunya akan mengalami peningkatan yang banyak. Banyaknya siswa yang mendaftar membuat bagian kesiswaan MAN-1 Mataram mengalami kesulitan dalam penentuan kelas, apalagi ditemuakan siswa yang dikelas unggulan didapatkan prestasi dan nilai kurang standar. Berdasarkan permasalahan tersebut tujuan dari penelitan ini adalah mewujudkan pengelompokan kelas belajar berdasarkan nilai dan prestasi siswa baru sehingga diperoleh klasifikasi kelas unggulan. Metode penelitian yang digunakan adalah algoritma K-Means yang dilengkapi dengan program aplikasi berbasis web. Hasil dari penelitian ini menunjukan bahwa algoritma k-means mampu menghasilakan pemilihan dan pembagian kelas unggulan bagi calon siswa baru sesuai dengan nilai kemampuan siswa. Penerapan kelas unggulan berdampak positif bagi peningkatan pendidikan.
Convolutional Neural Network With Batch Normalization for Classification of Emotional Expressions Based on Facial Images Bambang Krismono Triwijoyo; Ahmat Adil; Anthony Anggrawan
MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Vol. 21 No. 1 (2021)
Publisher : Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/matrik.v21i1.1526

Abstract

Emotion recognition through facial images is one of the most challenging topics in human psychological interactions with machines. Along with advances in robotics, computer graphics, and computer vision, research on facial expression recognition is an important part of intelligent systems technology for interactive human interfaces where each person may have different emotional expressions, making it difficult to classify facial expressions and requires training data. large, so the deep learning approach is an alternative solution., The purpose of this study is to propose a different Convolutional Neural Network (CNN) model architecture with batch normalization consisting of three layers of multiple convolution layers with a simpler architectural model for the recognition of emotional expressions based on human facial images in the FER2013 dataset from Kaggle. The experimental results show that the training accuracy level reaches 98%, but there is still overfitting where the validation accuracy level is still 62%. The proposed model has better performance than the model without using batch normalization.
Pengembangan Sistem Informasi Pemantauan Harga Beras dan Gabah dengan Short Message Gateway Mayadi Mayadi; Anthony Anggrawan
MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Vol. 21 No. 2 (2022)
Publisher : Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/matrik.v21i2.1546

Abstract

Dinas Perindustrian dan Perdagangan Kabupaten Lombok Timur merupakan instansi yang menjalankan fungsinya dalam memantau harga komoditas khususnya beras dan harga gabah. Laporan harga beras dan gabah yang berlansung selama ini masih dijalankan secara manual dengan periode pelaporan dua kali tiap bulan. Sementara itu, harga beras dan gabah di pasaran tidak stabil sehingga menimbulkan masalah dalam menentukan dan menginformasikan harga beras dan beras dengan tepat. Oleh karena itu, tujuan dari penelitian ini adalah membangun sistem informasi memantau harga beras dan gabah dengan short message (SMS) gateway. Implikasi dengan dibangunnya sistem informasi SMS gateway ini adalah meningkatkan pelayanan yang lebih memudahkan pengguna dan administrator dalam proses pemantauan harga beras dan gabah. Metode yang digunakan adalah Rapid Application Development (RAD) dengan tahapan perencanaan, analisis dan desain, hasil desain prototipe, dan pengujian akhir. Hasil yang diperoleh dari penelitian ini menyimpulkan bahwa sistem informasi aplikasi SMS gateway yang dibangun memberikan solusi mengatasi permasalahan (kendala) yang selama ini dihadapi oleh Dinas Perindustrian dan Perdagangan dalam memantau harga komoditas beras dan gabah, dan juga meningkatkan pelayanan yang lebih baik kepada masyarakat dalam menyediakan informasi harga beras dan gabah.
Pengelompokan Penerima Bantuan Sosial Masyarakat dengan Metode K-Means Lalu Ganda Rady Putra; Anthony Anggrawan
MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Vol. 21 No. 1 (2021)
Publisher : Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/matrik.v21i1.1554

Abstract

Pada umumnya bantuan yang di berikan oleh pemerintah kepada masyarakat terkadang tidak tepat sasaran, karena sebagian masyarakat yang mampu secara ekonomi mendapatkan bantuan sedangkan masih banyak masyarakat yang tidak mampu justru tidak menerima bantuan dari pemerintah. Tujuan dari penelitian ini adalah mengelompokan penerima bantuan sosial yang layak menerima bantuan dan kurang layak menerima bantuan. Solusi yang di berikan dengan menggunakan tahapan penelitian yaitu pengumpulan data, data preprossesing, implementasi metode klasifikasi dan analisa hasil untuk mengetahui hasil akhir. Analisis yang di gunakan adalah data penerima bantuan sosial yang belum di kelompokan dan berdasarkan hasil dalam pengelompokan penerima bantuan sosial menggunakan metode K–means, dari 257 data terdapat 196 data yang termasuk cluster 1 dengan status penerima bantuan sosial tepat sasaran dan 61 data yang termasuk cluster 2 dengan status penerima bantuan sosial tidak tepat sasaran. Dari hasil analisis data dapat ditarik sebuah kesimpulan yaitu masyarakat yang menerima bantuan sudah tepat sasaran karena mayoritas penerima bantuan diterima oleh masyarakat yang benar-benar membutuhkan bantuan dari pemerintah, dimana penerima bantuan bekerja sebagai buruh, tidak memiliki aset dan memiliki penghasilan di bawah Rp 500.000.
Sistem Aplikasi Cerdas Klasterisasi Penerima Bantuan Covid-19 Anthony Anggrawan; Dwi Kurnianingsih; Christofer Satria
MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Vol. 21 No. 2 (2022)
Publisher : Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/matrik.v21i2.1716

Abstract

Wabah Covid-19 berakibat pada krisis ekonomi masyarakat dan menciptakan kemiskinan dan pengangguran. Hal ini menyebabkan pemerintah Indonesia turun tangan memberikan bantuan Covid-19 bagi masyarakat yang paling terdampak buruk. Namun yang menjadi kesulitan adalah dalam menentukan dengan tepat serta benar kandidat yang layak dan yang tidak layak sebagai penerima bantuan yang masih dilakukan secara manual. Karenanya dibutuhkan solusi untuk mengatasinya. Itulah sebabnya penelitian ini bertujuan membangun sistem dan aplikasi cerdas yang bisa melakukan pengklasterkan kandidat penerima bantuan Covid-19 yang layak, kurang layak dan tidak layak sebagai penerima bantuan Covid-19. Metode yang digunakan dalam penelitian ini untuk klasterisasi adalah metode data mining k-means. Hasil penelitian ini adalah pengklasteran kelayakan penerima bantuan Covid-19 terbagi dalam klaster C0 (penerima bantuan yang layak) sebanyak 53, klaster C1 (cukup layak menerima bantuan) sebanyak 71, dan klaster yang tidak layak sebagai penerima bantuan (C2) sebanyak 76 dari 200 data pengujian. Aplikasi cerdas ang dibangun juga menunjukkan hasil yang sama dengan pengklasteran yang di lakukan dengan menerapakan metode k-means, sehingga aplikasi cerdas yang dibangun berguna untuk komputerisasi klasterisasi yang layak, kurang layak dan tidak layak sebagai penerima bantuan Covid-19.
Klasterisasi Lokasi Promosi PMB Dengan Fuzzy C-means Masa Pandemi Covid 19 Ni Gusti Ayu Dasriani; Mayadi Mayadi; Anthony Anggrawan
MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Vol. 21 No. 2 (2022)
Publisher : Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/matrik.v21i2.1832

Abstract

Pandemi Covid-19 saat ini merupakan bencana besar bagi global, covid 19 merupakan penyakit yang sangat merugikan dan memiliki dampak negative bagi global, resiko yang diakibatkan oleh Pandemi Covid-19 tidak hanya berpengaruh pada aspek kesehatan, tetapi juga berpengaruh pada berbagai lini kehidupan seperti dampak PHK dan merumahkan pekerja. Bukan hanya berdampak sektor ekonomi, transportasi dan pertanian, Pandemi Covid-19 ini sangat merugikan bagi dunia pendidikan. Selama pandemi covid 19 penurunan pendaftaran sangat berdampak terhadap dunia Pendidikan sehingga diperlukan strategi untuk bisa memancing minat calon mahasiswa untuk mendaftar. Berdasarkan permasalahan tersebut peneliti mencoba melakukan penelitian terkait strategi promosi di tengah pandemi covid 19 untuk menarik minat calon mahasiswa untuk mendaftar ke universitas. Metode yang digunakan menggunakan metode Fuzzy C-means dengan proses pembobotan menggunakan RFM (Recency, Frequency, Monetary). Dari hasil evaluasi dengan data pemetaan didapatkan peningkatan pendaftar dimana untuk tahun 2020 pendaftar sebanyak 365 dan untuk tahun 2021 mengalami peningkatan sebanyak 1169 pendaftar.
Komparasi Ekstraksi Fitur dalam Klasifikasi Teks Multilabel Menggunakan Algoritma Machine Learning Lusiana Efrizoni; Sarjon Defit; Muhammad Tajuddin; Anthony Anggrawan
MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Vol. 21 No. 3 (2022)
Publisher : Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/matrik.v21i3.1851

Abstract

Ektraksi fitur dan algoritma klasifikasi teks merupakan bagian penting dari pekerjaan klasifikasi teks, yang memiliki dampak langsung pada efek klasifikasi teks. Algoritma machine learning tradisional seperti Na¨ıve Bayes, Support Vector Machines, Decision Tree, K-Nearest Neighbors, Random Forest, Logistic Regression telah berhasil dalam melakukan klasifikasi teks dengan ektraksi fitur i.e. Bag ofWord (BoW), Term Frequency-Inverse Document Frequency (TF-IDF), Documents to Vector (Doc2Vec), Word to Vector (word2Vec). Namun, bagaimana menggunakan vektor kata untuk merepresentasikan teks pada klasifikasi teks menggunakan algoritma machine learning dengan lebih baik selalumenjadi poin yang sulit dalam pekerjaan Natural Language Processing saat ini. Makalah ini bertujuan untuk membandingkan kinerja dari ekstraksi fitur seperti BoW, TF-IDF, Doc2Vec dan Word2Vec dalam melakukan klasifikasi teks dengan menggunakan algoritma machine learning. Dataset yang digunakan sebanyak 1000 sample yang berasal dari tribunnews.com dengan split data 50:50, 70:30, 80:20 dan 90:10. Hasil dari percobaan menunjukkan bahwa algoritma Na¨ıve Bayes memiliki akurasi tertinggi dengan menggunakan ekstraksi fitur TF-IDF sebesar 87% dan BoW sebesar 83%. Untuk ekstraksi fitur Doc2Vec, akurasi tertinggi pada algoritma SVM sebesar 81%. Sedangkan ekstraksi fitur Word2Vec dengan algoritma machine learning (i.e. i.e. Na¨ıve Bayes, Support Vector Machines, Decision Tree, K-Nearest Neighbors, Random Forest, Logistic Regression) memiliki akurasi model dibawah 50%. Hal ini menyatakan, bahwa Word2Vec kurang optimal digunakan bersama algoritma machine learning, khususnya pada dataset tribunnews.com.
Application of KNN Machine Learning and Fuzzy C-Means to Diagnose Diabetes Anthony Anggrawan; Mayadi Mayadi
MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Vol. 22 No. 2 (2023)
Publisher : Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/matrik.v22i2.2777

Abstract

The disease is a common thing in humans. Diseases that attack humans do not know anyone and do not know age. The disease experienced by a person starts from an ordinary level until it can be declared severe to the point of being at risk of death. In this study, the early diagnosis was carried out related to diabetes, where diabetes is a condition in which the sufferer’s body has low sugar levels above normal. Symptoms experienced by sufferers include frequent thirst, frequent urination, frequent hunger, and weight loss. Based on these problems, a system is needed that can quickly find out the diagnosis experienced by a patient. This research aimed to diagnose diabetes early on based on early symptoms. The methods used are KNN and web-based fuzzy C-means. Creating a web-based system can represent medical personnel experts in a fast-diagnosing approach to diabetes. This system was a computer program embedded with the knowledge of the characteristics of diabetes. The results of testing the KNN and Fuzzy C-means applications and methods get an accuracy of 96% for the KNearest Neighbor method, while for the Fuzzy C-Means method with Confusion Matrix calculations, an accuracy of 96% is obtained, so it can be concluded that the Fuzzy C-means method Means better than the K-Nearest Neighbor method.
Comparison of Machine Learning Methods for Classifying User Satisfaction Opinions of the PeduliLindungi Application Putu Tisna Putra; Anthony Anggrawan; Hairani Hairani
MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Vol. 22 No. 3 (2023)
Publisher : Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/matrik.v22i3.2860

Abstract

Since the emergence of the Covid-19 virus, the Indonesian government urged people to study, work, and worship or work from home. The social restriction policy has changed people's behavior which requires physical distance in social interaction. The government developed an application to minimize the spread of Covid-19, namely the PeduliLindungi application. The PeduliLindungi application is a tracking application to prevent the spread of Covid-19. The government's policy of implementing the PeduliLindungi application during Covid-19 aroused pros and cons from the public. The volume of PeduliLindungi application review data on Google Play was increasing, so manual analysis could not be done. New analytical approaches needed to be carried out, such as sentiment analysis. This research aimed to analyze user reviews of the PeduilLindungi application using classification methods, namely Support Vector Machine (SVM), Random Forest, and Naïve Bayes. The methods used were Synthetic Minority Oversampling Technique (SMOTE), Random Forest, SVM, and Naïve Bayes. SMOTE was used to balance user review data on the PeduliLindungi application. After the data had been balanced, classification was carried out. The results of this study showed that the Random Forest method with SMOTE got better accuracy than the SVM and Naive Bayes methods, which was 96.3% based on the division of training and testing data using 10-fold cross-validation. Thus, using the SMOTE method could improve the accuracy of classification methods in classifying opinions of user satisfaction with the PeduliLindungi application.
Multi-Algorithm Approach to Enhancing Social Assistance Efficiency Through Accurate Poverty Classification Christofer Satria; Peter Wijaya Sugijanto; Anthony Anggrawan; I Nyoman Yoga Sumadewa; Aprilia Dwi Dayani; Rini Anggriani
MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Vol. 24 No. 1 (2024)
Publisher : Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/matrik.v24i1.4275

Abstract

The determination of poverty status in Lombok Utara district depends on criteria such as income, access to health and education services, and housing conditions. These factors are crucial for assessing the level of community welfare and guiding the allocation of social assistance by the district government. The purpose of this study is to address the gap by utilizing advanced data mining techniques to improve the accuracy of poverty status classification in North Lombok, thereby informing more effective social assistance policies. The method used in this research is the Random Forest (RF), K-Nearest Neighbor (KNN) and Naïve Bayes with split data 80% data training and 20% data testing. The finding indicated that the machine learning model the RF algorithm, which achieved an accuracy rate of 82.56%, proved to play an important role in this process by effectively distinguishing between different categories of poverty based on these criteria. In comparison, the KNN algorithm achieved an accuracy of 70.94% and the Naïve Bayes model achieved an accuracy of 53.47%. It means that the machine learning model using the RF algorithm has more accurate accuracy than the KNN and Naïve Bayes algorithm in predicting or recommending Recipients of Social Assistance from the District Government. The implication is that RF machine learning can help the role of social service officers in predicting the economic status of the community. The high accuracy of the RF algorithm enhances its role in informing targeted policy decisions and optimizing the effectiveness of social assistance programs. Nonetheless, continuous improvement is essential to refine the model's predictive capabilities and ensure the accuracy and reliability of poverty assessments. These continuous improvements are essential to effectively alleviate poverty and break the cycle of socio-economic disparities in the region.
Co-Authors Abdillah, Mokhammad Nurkholis Abdul Rahim Ahmat Adil Alfilail, Nur Anggriani, Rini Aprilia Dwi Dayani Ariq, Tomy Ayu Dasriani, Ni Gusti Azhar, Raisul Azhari Azhari Bidari Andaru Widhi Candra, M. Ade Canggih Wahyu Rinaldi Cecep Kusmana christofer satria Christofer Satria Dadang Priyanto Dadang Pyanto Dafa Awanta Dayani, Aprilia Dwi Dedi Aprianto Dewa Ayu Oki Astarini Diah Supatmiwati Dian Syafitri Chani Saputri Didiharyono, D. Donny Kurniawan Dwi Kurnianingsih Dyah Susilowati Efrizoni, Lusiana Elyakim Nova Supriyedi Patty, Elyakim Nova Supriyedi Erwin Suhendra Fadiel Rahmad Hidayat Hairani Hairani Haryono Haryono Hasbullah Hasbullah Hasbullah Hasbullah Hasbullah Helna Wardhana Hengki Tamando Sihotang Herawati, Baiq Candra Hilda Hastuti Huda, Dias Nabila Husain Husain I Nyoman Yoga Sumadewa I Nyoman Yoga Sumadewa Ikang Murapi Irwan Cahyadi Jean Suciasti Gunawan Kamil, Wahyu Katarina Katarina Khairan marzuki Khasnur Hidjah Kurniadin Abd Latif Lalau Ganda Rady Putra Lalu Ganda Rady Putra Lanang Sakti Lutfie, Muhammad Hilal Mumtaz M Najmul Fadli M. Ade Candra M. Thontowi Jauhari Mardedi, Lalu Zazuli Azhar Maulana, Rahmat Mayadi Mayadi Mayadi Mayadi Miswaty, Titik Ceriyani Muhammad Innuddin Muhammad Ridho Akbar Muhammad Rosikhu MUHAMMAD TAJUDDIN Muhammad Zaki Pahrul Hadi Muhammad Zulfikri Muhsin, Lalu Busyairi Nurhidayati, Maulida Nurul Azmi Nurul Hidayah Peter Wijaya Sugijanto Primajati, Gilang Purnama, Baiq Kartika Putu Tisna Putra Qudsi, Jihadil R. Ayu Ida Aryani Raden Bagus Faizal Irani Sidharta Rahmat Maulana Rahmawati, Lela Rahmiati, Baiq Fitria Rini Anggriani Rini Anggriani Riosatria, Riosatria Santoso, Heroe Sarjon Defit Satuang Satuang Sirojul Hadi Siti Soraya Sri Astuti Iriyani SUBUDIARTHA, I NYOMAN Sugijanto, Peter Wijaya Sunardy Kasim Supriantono, Herman Sutarman Syahrir, Moch. Syamsurrijal Syamsurrijal Taufik Rahman Tomi Tri Sujaka Triwijoyo, Bambang Krismono v, Sovian Veithzal Rivai Zainal Wayan Canny Naktiany Wenny Wijaya Wiya Suktiningsih Zulkipli Zulkipli