Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal JSI: Jurnal Sistem Informasi (E-Journal) JT-IBSI (Jurnal Teknik Ibnu Sina)
Anjas Aprihartha
universitas dian nuswantoro
Computer Science & IT Decision Sciences, Operations Research & Management Engineering Library & Information Science Other

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

Found 2 Documents
Search

 1 
Komparasi Metrik Eulidean, Metrik Manhattan, dan Metrik Chebyshev pada K-Nearest Neighbor dalam Klasifikasi Jenis Kurma Anjas Aprihartha; Ratono; Dian Puput Utami
Jurnal Teknik Ibnu Sina (JT-IBSI) Vol. 10 No. 2 (2025): JT-IBSI (Jurnal Teknik Ibnu Sina)
Publisher : Fakultas Teknik Universitas Ibnu Sina

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36352/jt-ibsi.v10i2.1250

Abstract

Pemilahan dan pemeriksaan buah kurma merupakan proses yang menantang dan krusial dalam sektor pertanian maupun industri pangan karena membutuhkan tenaga kerja yang terampil dan berpengalaman. Namun, tantangan ini dapat diatasi dengan mengadaptasi algoritma machine learning yang mampu memilah secara otomatis buah kurma berdasarkan karakteristiknya. Sebagai salah satu algoritma machine learning nonparametrik, k-nearest neighbors (KNN) telah banyak digunakan dalam penelitian di berbagai bidang. Pada prinsipnya klasifikasi KNN beroperasi berdasarkan premis bahwa sampel yang berdekatan dalam ruang fitur cenderung termasuk dalam kategori yang sama. Kunci penting untuk klasifikasi KNN yang efektif terletak pada pemilihan nilai dan menentukan metrik yang tepat. Penelitian ini akan menggunakan metode KNN dengan metrik jarak berbeda seperti metrik Eulidean, metrik Manhattan, dan metrik Chebyshev untuk setiap = 3, 5, dan 7. Tujuan penelitian ini dapat menjadi bahan kajian dalam perancangan dan pembuatan alat dengan melibatkan sistem cerdas untuk membedakan jenis buah kurma. Penelitian ini menghasilkan temuan metrik jarak Euclidean dengan menghasilkan akurasi tertinggi diantara model KNN lainnya, yaitu akurasi 87%. Model ini cukup baik dalam membedakan jenis kurma berdasarkan karakteristik morfologi, warna, dan bentuk buahnya. Penelitian ini diharapkan dapat memberikan kontribusi untuk mengembangkan sistem cerdas untuk menilai dan memeriksa jenis buah kurma.
Perbandingan Metode Bagging dan Boosting untuk Regresi Logistik pada Proses Perekrutan Pegawai Anjas Aprihartha; Lalu Khaerul Umam; Rama Ardhana
JSI: Jurnal Sistem Informasi (E-Journal) Vol 18 No 1 (2026): JSI: Jurnal Sistem Informasi (E-Journal)
Publisher : Jurusan Sistem Informasi Fakultas Ilmu Komputer Universitas Sriwijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.18495/jsi.v18i1.393

Abstract

Proses perekrutan adalah serangkaian langkah yang dilalui perusahaan atau organisasi untuk merekrut, mengevaluasi, dan memilih karyawan baru. Pada era teknologi informasi yang mengalami kemajuan pesat, proses rekrutmen menjadi penuh tantangan. Perusahaan harus menanggani tahapan penyaringan calon pegawai yang berjumlah ribuan dengan cepat, objektif dan efisien. Selain itu, persaingan dalam dunia bisnis yang tinggi mengharuskan perusahaan untuk mendapatkan talenta unggul dengan cara yang lebih modern. Dalam perekrutan pegawai, pengklasifikasi pembelajaran mesin telah menjadi alat yang sangat berharga untuk perusahaan dalam mengidentifikasi individu yang memenuhi kualifikasi untuk diterima sebagai pegawai. Penggunaan pembelajaran mesin dalam rekrutmen memberikan keuntungan dalam hal efisiensi biaya dan waktu. Oleh karena itu, penting untuk memahami berbagai metode dan algoritma yang dapat dimanfaatkan dalam konteks rekrutmen pegawai. Penelitian ini bertujuan untuk mengeksplorasi penggunaan pembelajaran mesin dengan algoritma regresi logistik yang digabungan dengan ensemble learning seperti boosting dan bagging dalam proses pengambilan keputusan terhadap seleksi penerimaan pegawai. Hasil akhir penelitian diperoleh bahwa secara statistik yang mengacu pada uji Friendman, tidak ada perbedaan yang signifikan antara kinerja ketiga model klasifikasi. Tetapi, secara numerik, rata-rata metrik evaluasi model bagging regresi logistik lebih tinggi dibandingkan kedua model lainnya. Sehingga model bagging regresi logistik terpilih sebagai model yang dapat diaplikasikan dalam proses klasifikasi perekrutan pegawai. Hasil penelitian ini ditargetkan dapat memberikan wawasan bagi perusahaan, praktisi sumber daya manusia, dan pengembang teknologi agar dapat memaksimalkan penerapan pembelajaran mesin untuk membenahi kualitas proses rekrutmen serta menunjang keputusan seleksi yang lebih objektif dan tepat.
Co-Authors Dian Puput Utami Lalu Khaerul Umam Rama Ardhana Ratono