Article Per Year (5 Year)
p-Index From 2021 - 2026
0.751
P-Index
This Author published in this journals
All Journal JAAKFE UNTAN ( (Jurnal Audit Dan Akuntansi Fakultas Ekonomi Universitas Tanjungpura) Journal of Educational Science and E-Learning Jurnal Ilmu Komputer dan Teknik Informatika JITCoS : Journal of Information Technology and Computer System
Aptanta, Dimas Aqila
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Education Engineering Languange, Linguistic, Communication & Media Social Sciences Other

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

Found 4 Documents
Search

 1 
Penerapan Algoritma Decision Tree untuk Memprediksi Risiko Gagal Bayar Nasabah Kartu Kredit Fachrezi, Muhammad Randy; Farhan, Muhammad; Aptanta, Dimas Aqila; Wallidein, Arief Denis
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.v14i2.101100

Abstract

Penelitian ini membahas prediksi risiko gagal bayar kartu kredit dengan tujuan menghasilkan model yang akurat dan transparan. Metode yang digunakan adalah Decision Tree (CART) dengan stratified split (70:30), validasi silang, serta optimasi hyperparameter berbasis AUC‑ROC; interpretasi disediakan oleh SHAP (global dan individual) dan ekstraksi aturan “jika–maka” dari pohon. Hasil menunjukkan peningkatan kinerja dari baseline (AUC CV 0,6105; AUC test 0,6177; akurasi test 0,7387) menjadi model teroptimasi (AUC CV 0,7561; AUC test 0,7559; akurasi test 0,7812; precision 0,5052; recall 0,5404; F1 0,5222), dengan fitur perilaku pembayaran dan beban tagihan sebagai pendorong risiko utama. Kesimpulannya, model memenuhi tujuan akurasi dan keterjelasan sekaligus menghasilkan aturan operasional yang dapat diaudit untuk mendukung keputusan kredit.
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.
Analisis Performa CNN Berbasis MobileNetV2 pada Dataset Citra Dokumen Laporan Praktikum Aryanda, Hafiz; Harahap, Lailan Sofinah; Aptanta, Dimas Aqila
Journal of Educational Science and E-Learning Vol. 2 No. 2 (2025): Desember
Publisher : CV Rena Cipta Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62354/jese.v2i2.44

Abstract

Penelitian ini bertujuan untuk menganalisis performa CNN berbasis MobileNetV2 dalam klasifikasi citra dokumen laporan praktikum. Pendekatan yang digunakan adalah transfer learning dengan bobot pra-latih dari ImageNet, serta fine-tuning pada lapisan atas untuk menyesuaikan model terhadap karakteristik dokumen akademik. Dataset terdiri dari ribuan citra dokumen yang telah melalui tahap pra-pemrosesan berupa resizing, normalisasi, dan augmentasi. Hasil eksperimen menunjukkan bahwa pada baseline, akurasi validasi mencapai 64,88% namun akurasi evaluasi manual hanya 10,54%, menandakan adanya masalah domain gap dan kesulitan separasi antar kelas. Fine-tuning meningkatkan akurasi validasi training menjadi 70,43%, tetapi akurasi evaluasi biner justru menurun menjadi 47,50%, sehingga performa model tetap rendah. Temuan ini menegaskan bahwa CNN kurang tepat untuk tugas validasi kepatuhan dokumen yang membutuhkan analisis semantik dan aturan tata letak yang kompleks serta dinamis. Sebagai solusi, integrasi OCR dengan rule-based validation direkomendasikan karena mampu memberikan akurasi lebih tinggi, interpretasi jelas, serta umpan balik detail sesuai pedoman penulisan akademik modern.
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 Amsyah, Dwiky Oldi Aryanda, Hafiz Fachrezi, Muhammad Randy Firdaus, Nasywa Roudhotul Fuady, Ahmad Fariz Harahap, Lailan Sofinah Muhammad Farhan Riansyah, Rusma Wallidein, Arief Denis