Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal JAAKFE UNTAN ( (Jurnal Audit Dan Akuntansi Fakultas Ekonomi Universitas Tanjungpura) Jurnal Ilmu Komputer dan Teknik Informatika JITCoS : Journal of Information Technology and Computer System
Amsyah, Dwiky Oldi
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Engineering Social Sciences

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

Found 3 Documents
Search

 1 
Analisis Prediktif terhadap Perilaku Nasabah Bank Menggunakan Metode K-Nearest Neighbor (KNN) sebagai Pendukung Pengambilan Keputusan Keuangan Fuady, Ahmad Fariz; Aryanda, Hafiz; Amsyah, Dwiky Oldi; Syahputra, Alwi; Anhar, Muhammad Ali
JAAKFE UNTAN (Jurnal Audit dan Akuntansi Fakultas Ekonomi Universitas Tanjungpura) Vol 14, No 2 (2025): Jurnal Audit dan Akuntansi Fakultas Ekonomi Universitas Tanjungpura
Publisher : Jurusan Akuntansi, Fakultas Ekonomi dan Bisnis, Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jaakfe.v14i2.101097

Abstract

Perkembangan teknologi informasi telah mendorong lembaga keuangan untuk mengoptimalkan strategi pemasaran berbasis data. Penelitian ini bertujuan untuk menganalisis efektivitas kampanye pemasaran bank dalam meningkatkan potensi dana deposito nasabah dengan menerapkan algoritma K-Nearest Neighbor (KNN) pada proses data mining. Dataset yang digunakan merupakan data kampanye pemasaran langsung dari sebuah institusi perbankan di Portugal, yang mencakup informasi nasabah, hasil kontak pemasaran, serta keputusan berlangganan deposito berjangka (term deposit). Melalui proses klasifikasi, algoritma KNN digunakan untuk mengelompokkan nasabah berdasarkan kecenderungan berpartisipasi pada produk deposito. Penelitian ini difokuskan pada tahap pemodelan dan evaluasi performa model menggunakan pengukuran akurasi. Hasil pengujian menunjukkan bahwa metode KNN memiliki tingkat akurasi yang baik dalam mengklasifikasikan nasabah potensial, sehingga berpotensi digunakan sebagai alat bantu dalam analisis perilaku konsumen dan perencanaan strategi pemasaran. Temuan ini diharapkan dapat menjadi dasar pengembangan model prediksi yang lebih lanjut untuk mendukung pengambilan keputusan keuangan yang lebih efektif di sektor perbankan.
Implementasi Cnn Resnet50 Untuk Klasifikasi Dan Prediksi Tumor Otak Pada Citra Mri Menggunakan MATLAB Farhan, Muhammad; Fuady, Ahmad Fariz; Amsyah, Dwiky Oldi; Aptanta, Dimas Aqila
Jurnal Ilmu Komputer dan Teknik Informatika Vol. 2 No. 1 (2026): Januari 2026
Publisher : CV. Raskha Media Group

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.64803/juikti.v2i1.113

Abstract

Tumor otak merupakan salah satu penyakit serius yang dapat mengancam nyawa serta menurunkan kualitas hidup penderitanya, sehingga deteksi dini menjadi aspek yang sangat penting dalam mendukung keberhasilan penanganan medis. Magnetic Resonance Imaging (MRI) merupakan metode pencitraan non-invasif yang banyak digunakan karena mampu menghasilkan citra otak dengan detail tinggi dan kontras jaringan yang baik. Namun, proses interpretasi citra MRI masih sangat bergantung pada keahlian dokter radiologi dan berpotensi menimbulkan kesalahan akibat kelelahan serta kompleksitas visual citra. Oleh karena itu, diperlukan sistem pendukung diagnosis berbasis kecerdasan buatan yang mampu membantu proses klasifikasi tumor otak secara otomatis, cepat, dan akurat. Penelitian ini bertujuan untuk mengimplementasikan metode Convolutional Neural Network (CNN) dengan arsitektur ResNet50 dalam mengklasifikasikan tumor otak pada citra MRI menggunakan MATLAB. Dataset yang digunakan terdiri dari empat kelas, yaitu glioma, meningioma, pituitary tumor, dan non-tumor. Tahapan penelitian meliputi preprocessing citra, augmentasi data untuk meningkatkan variasi dataset, pembagian data menjadi data latih dan data uji, serta penerapan transfer learning pada model ResNet50. Proses pelatihan dilakukan menggunakan optimizer Adam dengan berbagai skema parameter untuk memperoleh performa terbaik. Hasil penelitian menunjukkan bahwa model CNN ResNet50 mampu mencapai akurasi hingga 98% dan memberikan hasil klasifikasi yang sangat baik pada data uji. Selain itu, model yang telah dilatih diimplementasikan ke dalam aplikasi berbasis Graphical User Interface (GUI) menggunakan MATLAB App Designer sehingga mudah digunakan. Penelitian ini diharapkan dapat menjadi alat bantu diagnosis awal tumor otak serta berkontribusi pada pengembangan penerapan deep learning di bidang medis.
Implementation of a Favorite Course Search System Based on Students’ Average Grades Using the A* Algorithm Amsyah, Dwiky Oldi; Riansyah, Rusma; Aptanta, Dimas Aqila; Fachrezi, Muhammad Randy; Firdaus, Nasywa Roudhotul
JITCoS : Journal of Information Technology and Computer System Vol. 1 No. 2 (2025): Volume 1 Number 2, December 2025
Publisher : CV. Multimedia Teknologi Kreatif

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.65230/jitcos.v1i2.50

Abstract

Optimal selection of elective courses plays an important role in supporting students’ academic success and ensuring alignment between learning interests and final project preparation. This study aims to develop a favorite course search system based on the A-Star (A*) algorithm by utilizing students’ average grades as the main evaluation variable. The system was implemented using the Java NetBeans platform, supported by datasets consisting of course names, credit weights (SKS), and grade distributions. The A* algorithm was adapted through the integration of heuristic components, including Standard Deviation and Relative Credit Load, to improve accuracy in identifying optimal course recommendations. Experimental results demonstrate that the system is capable of generating recommendations with an accuracy rate of 95%, verified through comparison between system outputs and manual calculations. The results also show that the Mitigation course ranked highest with a score of 6.1, indicating strong student performance in that subject. Overall, the system provides a practical and efficient solution for academic decision-making, enabling students to select elective courses more strategically based on data-driven insights. This study contributes to the development of computational methods in educational recommendation systems and opens opportunities for further enhancement through integration with real academic databases.
Co-Authors Anhar, Muhammad Ali Aptanta, Dimas Aqila Aryanda, Hafiz Fachrezi, Muhammad Randy Firdaus, Nasywa Roudhotul Fuady, Ahmad Fariz Muhammad Farhan Riansyah, Rusma Syahputra, Alwi