Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Building of Informatics, Technology and Science JATI (Jurnal Mahasiswa Teknik Informatika)
Albani, Muhammad Syarief
Unknown Affiliation
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
PERANCANGAN UI/UX APLIKASI “PAYO” PEMANDU WISATA PALEMBANG MENGGUNAKAN METODE DESIGN THINKING Fathoni, Fathoni; Ibrahim, Ali; Albani, Muhammad Syarief; Fachrozi, Muhammad Al; Pratama, Muhammad Ramadhan Putra; Syahputra, M Fathan Aqilah
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 4 (2025): JATI Vol. 9 No. 4
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i4.14176

Abstract

Sektor pariwisata memiliki peran strategis untuk mendukung pembangunan ekonomi daerah, seperti Palembang, dengan wisata alam, religi, budaya, dan kuliner yang beragam. Namun, wisatawan masih kesulitan untuk mendapatkan informasi yang benar, terintegrasi, dan mudah diakses mengenai destinasi wisata. Informasi yang terpisah-pisah di berbagai situs biasanya membingungkan, dan kurangnya integrasi dengan pemandu lokal dan navigasi lokasi menjadi penghalang utama. Penelitian ini bertujuan untuk merancang UI/UX aplikasi “PAYO” sebagai pemandu wisata digital mobile yang responsif terhadap kebutuhan pengguna untuk Kota Palembang. Metode perancangan yang digunakan adalah Design Thinking dalam lima tahap, yaitu Empathize, Define, Ideate, Prototype, dan Test. Data dikumpulkan dengan menggunakan survei pengguna dan diolah melalui diagram afinitas, sedangkan prototipe diuji dengan metode System Usability Scale (SUS). Aplikasi “PAYO” memiliki fitur panduan bagi wisatawan untuk melakukan perjalanan, pencarian peta, saran navigasi berbasis preferensi, dan koneksi pemandu lokal. Hasil pengujian secara konsisten baik dengan nilai SUS 86,5 (kategori Excellent), menyiratkan bahwa aplikasi ini sangat mudah digunakan. Kontribusi dari penelitian ini adalah untuk menawarkan solusi perjalanan digital yang berfokus pada manusia dengan desain berulang dan partisipatif yang mempertahankan pengguna sebagai pusat dari proses desain, dengan tujuan untuk meningkatkan pengalaman perjalanan yang efektif dan menyenangkan
Komparasi Model Ensemble dan Algoritma Machine Learning Untuk Memprediksi Penyakit Jantung Albani, Muhammad Syarief; Kurniawan, Dedy; Tania, Ken Ditha
Building of Informatics, Technology and Science (BITS) Vol 7 No 4 (2026): March 2026
Publisher : Forum Kerjasama Pendidikan Tinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bits.v7i4.8346

Abstract

This study compared the performance of nine machine learning algorithms in predicting heart disease using a dataset dating back to 1988 and consisting of four databases: Cleveland, Hungary, Switzerland, and Long Beach totaling 1025 data. The dataset used includes medical features that reflect physiological states, clinical examination results, and cardiovascular risk factors, namely age, gender, type of chest pain, resting blood pressure, serum cholesterol levels, fasting blood sugar levels, resting electrocardiography results, maximum heart rate, chest pain during physical activity, ST segment depression, ST segment slope, number of major blood vessels visible by fluoroscopy, and thalassemia status. The stages of this study include data cleaning, data transformation, and evaluation carried out using the data splitting method for training and testing as well as K-fold cross-validation with metrics of accuracy, precision, recall, F1 score, and AUC-ROC. The algorithms used in this study are Decision Tree, Random Forest, Support Vector Machine, MLP Classifier, Bagging Classifier, Gradient Boosting, CatBoost, XGBoost, and LightGBM with ensemble-based models, such as CatBoost, Random Forest, XGBoost, and LightGBM, showing consistent performance on various evaluation metrics when compared to non-ensemble models. Among all models tested, CatBoost showed the best performance, with an accuracy reaching 98%, an F1-Score of 0.980, and a Recall of 0.9875 then followed by other ensemble algorithms such as Random Forest, XGBoost and LightGBM. The results of this study indicate that ensemble models are proven to be more effective in predicting heart disease. This study aims to present an in-depth comparative study of the performance of ensemble algorithms and modern machine learning in predicting heart disease, as well as enriching the literature related to the application of Knowledge Discovery in the health sector and providing a basis for selecting more reliable prediction algorithms to support clinical decision making and the development of machine learning-based heart disease diagnosis support systems.
Co-Authors Ali Ibrahim Fachrozi, Muhammad Al Ken Ditha Tania Pratama, Muhammad Ramadhan Putra Syahputra, M Fathan Aqilah