Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal Jurnal Riset dan Aplikasi Mahasiswa Informatika (JRAMI) Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Jurnal Ilmu Komputer
Jihansyah, Muhamad
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Sistem Informasi Seminar Berbasis Android Menggunakan Metode Prototype Hardiansyah Hardiansyah; Djaksana, Yan Mitha; Jihansyah, Muhamad; Hardiansyah, Hardiansyah
Jurnal Riset dan Aplikasi Mahasiswa Informatika (JRAMI) Vol 6, No 04 (2025): Jurnal Riset dan Aplikasi Mahasiswa Informatika (JRAMI)
Publisher : Universitas Indraprasta PGRI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30998/jrami.v6i04.16056

Abstract

Pandemi global yang melanda dunia membawa perubahan besar terhadap sistem konvensional, termasuk dalam bidang pendidikan. Salah satu dampaknya terlihat pada pelaksanaan seminar di Universitas Pamulang yang sebelumnya dilakukan secara manual dan kini beralih ke media digital. Meskipun telah menggunakan beberapa teknologi seperti Google Form dan sertifikat PDF, sistem yang ada masih memiliki kelemahan, terutama pada aspek efisiensi, integrasi, serta keaslian sertifikat yang mudah dimanipulasi. Permasalahan tersebut menjadi dasar penelitian ini untuk merancang dan mengembangkan aplikasi berbasis Android yang terintegrasi dengan sistem web admin. Aplikasi ini bertujuan untuk mempermudah proses pendaftaran peserta seminar, penyebaran informasi kegiatan, pengelolaan absensi, serta penerbitan sertifikat digital dengan identifikasi unik yang dapat diverifikasi melalui website resmi. Metode penelitian yang digunakan mencakup analisis kebutuhan, perancangan sistem, pengembangan perangkat lunak, serta uji coba aplikasi untuk mengukur efektivitas dan keamanannya. Hasil penelitian menunjukkan bahwa aplikasi yang dikembangkan mampu meningkatkan efisiensi administrasi seminar, mengurangi potensi kecurangan sertifikat, dan memberikan kemudahan baik bagi peserta maupun pihak penyelenggara. Dengan demikian, implementasi aplikasi ini diharapkan menjadi solusi inovatif dalam mendukung digitalisasi sistem seminar di Universitas Pamulang secara berkelanjutan
Analisis Sentimen Terhadap Istana Garuda Di Ibukota Nusantara (IKN) Menggunakan Algoritma Random Forest Dan Support Vektor Machine Jihansyah, Muhamad; Agung Budi Susanto; Arya Adhyaksa Waskita
Jurnal Ilmu Komputer Vol 3 No 1 (2025): Jurnal Ilmu Komputer (Edisi Juli 2025)
Publisher : Universitas Pamulang

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

Abstract

ABSTRACT The relocation of Indonesia's capital city (IKN) to East Kalimantan is a national strategic project that has sparked diverse public opinions, particularly regarding the construction of Garuda Palace. This study aims to analyze public sentiment toward the Garuda Palace project using Random Forest and Support Vector Machine (SVM) algorithms and to compare their performance based on accuracy, precision, recall, and F1-score. This research offers three key novelties. First, it focuses on public opinion regarding the Garuda Palace project at IKN, which is underexplored in both local and international literature. Second, the use of Inset and Senti labeling techniques introduces a novel approach to sentiment categorization. Third, the comprehensive evaluation of Random Forest and SVM performance provides new insights into their effectiveness in large-scale infrastructure sentiment analysis in Indonesia. The methodology consists of five stages: (1) Data collection through web scraping from Twitter (July-August 2024) using keywords related to "Garuda Palace" and "IKN"; (2) Data preprocessing, including tokenization, stopword removal, stemming, and TF-IDF transformation; (3) Data labeling using Inset and Senti approaches; (4) Model training with Random Forest and SVM algorithms; (5) Model evaluation using confusion matrices and performance metrics such as accuracy, precision, recall, and F1-score. Results indicate that Random Forest achieved 77% (Inset) and 89% (Senti) accuracy, excelling in detecting negative sentiment with an F1-score of 0.93 on the Senti dataset. SVM achieved 89% (Inset) and 91% (Senti) accuracy, performing better in detecting positive sentiment with a precision of 0.96 on the Senti dataset. This study provides valuable insights into public perceptions of national infrastructure projects, supports data-driven decision-making, and serves as a reference for future sentiment analysis systems
Klasifikasi Penyakit Diabetes Melitus Berbasis Jaringan Syaraf Tiruan Menggunakan Algoritma Multi-Layer Perceptron Hidayat, Jose Julian; Sujianto, Daffa Eka; Saputra, Muhammad Randika; Ramdhani, Erik Ahmad; Jihansyah, Muhamad; Nandya, Yogi
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 1 (2026): Juni 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i1.1042

Abstract

Diabetes Melitus merupakan salah satu penyakit kronis yang membutuhkan proses deteksi dini secara cepat dan akurat agar risiko komplikasi dapat diminimalkan. Penelitian ini bertujuan untuk mengklasifikasikan penyakit Diabetes Melitus menggunakan Jaringan Syaraf Tiruan dengan algoritma Multi-Layer Perceptron. Dataset yang digunakan terdiri dari 100.000 data dengan 9 atribut, yaitu gender, age, hypertension, heart disease, smoking history, body mass index, HbA1c level, blood glucose level, dan diabetes sebagai target klasifikasi. Setelah dilakukan pengecekan data, tidak ditemukan missing value, namun terdapat 3.854 data duplikat sehingga jumlah data setelah pembersihan menjadi 96.146 data. Proses penelitian meliputi preprocessing data, encoding fitur kategorikal, standardisasi fitur numerik, pembagian data training dan testing, pemodelan Multi-Layer Perceptron, serta evaluasi performa model. Model yang digunakan memiliki beberapa hidden layer dengan aktivasi ReLU, batch normalization, dropout, dan output sigmoid untuk klasifikasi biner. Hasil pengujian menunjukkan bahwa model memperoleh accuracy sebesar 0,9715548622, precision sebesar 0,9939810834, recall sebesar 0,6816037736, F1-score sebesar 0,8086743617, dan ROC-AUC sebesar 0,9749626265. Berdasarkan hasil tersebut, algoritma Multi-Layer Perceptron mampu memberikan performa klasifikasi yang baik, khususnya dalam membedakan pasien non-diabetes dan diabetes berdasarkan atribut kesehatan yang tersedia.
Co-Authors AGUNG BUDI SUSANTO Arya Adhyaksa Waskita Hardiansyah Hardiansyah Hidayat, Jose Julian Nandya, Yogi Ramdhani, Erik Ahmad Saputra, Muhammad Randika Sujianto, Daffa Eka Yan Mitha Djaksana