Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) Surya Informatika
Ramadhan, Azhyka Rizki
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management

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

Found 2 Documents
Search

 1 
Implementasi Metode TOPSIS pada Sistem Pendukung Keputusan Penentuan Prioritas Penerima Bantuan Sosial Berbasis Aplikasi Desktop Ramadhan, Azhyka Rizki; Naya, Candra; AG, Abdillah
JURNAL FASILKOM Vol. 16 No. 1 (2026): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Publisher : Unversitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/jf.v16i1.11256

Abstract

The accurate distribution of social assistance remains a major challenge in improving community welfare. The process of determining eligible beneficiaries is often carried out manually, which can lead to subjectivity and inaccuracies in decision-making. Therefore, a decision support system is needed to assist the selection process by applying the Technique for Order Preference by Similarity to Ideal Solution (TOPSIS), enabling a more structured and objective evaluation. This study aims to implement the Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) method in determining the priority of social assistance recipients through a desktop-based application. The strength of TOPSIS lies in its ability to rank options based on their proximity to positive ideal solutions and to avoid negative optimal solutions. The criteria used in this study include monthly income, number of dependents, housing conditions, employment status, and productive assets. The system is developed as a desktop application equipped with features for data management, criteria weighting, and automated TOPSIS calculations to generate rankings of potential beneficiaries. The results of Black Box testing indicate that all system features function in accordance with the specified requirements, achieving a 100% success rate, thereby supporting a fast, accurate, and objective decision-making process. Therefore, this application is expected to enhance the effectiveness and transparency of social assistance distribution.
Evaluasi Kinerja Algoritma Ensemble Learning Pada Klasifikasi Penyakit Diabetes Berbasis Boosting Method Hidayat, Jose Julian; Saputra, Muhammad Randika; Sigand, Arifubila Ramdhani; Fadilah, Ai Linda Nurahmah; Amin, Muhammad Dikaisa Ibnu; Ramadhan, Azhyka Rizki
Jurnal Surya Informatika Vol. 16 No. 1 (2026): Jurnal Surya Informatika, Vol 16. No. 1, Mei 2026
Publisher : Universitas Muhammadiyah Pekajangan Pekalongan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.48144/suryainformatika.v16i1.2424

Abstract

Penyakit diabetes merupakan salah satu penyakit kronis yang memerlukan deteksi dini untuk mencegah komplikasi lebih lanjut. Dalam era data mining, penerapan algoritma machine learning khususnya metode ensemble learning berbasis boosting menjadi salah satu pendekatan yang efektif untuk klasifikasi penyakit. Penelitian ini bertujuan untuk mengevaluasi kinerja beberapa algoritma boosting, yaitu Gradient Boosting, Extreme Gradient Boosting (XGBoost), dan CatBoost dalam mengklasifikasikan penyakit diabetes. Dataset yang digunakan terdiri dari 19.230 data dengan dua kelas, yaitu non-diabetes dan diabetes. Evaluasi model dilakukan menggunakan metrik precision, recall, f1-score, dan accuracy. Hasil penelitian menunjukkan bahwa ketiga algoritma memiliki performa yang sangat baik dengan tingkat akurasi sebesar 97%. Gradient Boosting menghasilkan precision sebesar 0,99 dan recall sebesar 0,69 pada kelas diabetes dengan f1-score sebesar 0,81. XGBoost menunjukkan precision sebesar 0,97, recall 0,69, dan f1-score 0,81. Sementara itu, CatBoost menghasilkan precision sebesar 0,98, recall 0,69, dan f1-score 0,81 pada kelas diabetes. Secara keseluruhan, ketiga metode menunjukkan kinerja yang sebanding, dengan keunggulan kecil pada Gradient Boosting dalam hal precision. Namun demikian, nilai recall yang relatif rendah pada kelas diabetes menunjukkan bahwa masih terdapat tantangan dalam mendeteksi seluruh kasus positif. Oleh karena itu, diperlukan pengembangan lebih lanjut untuk meningkatkan sensitivitas model dalam klasifikasi penyakit diabetes
Co-Authors AG, Abdillah Amin, Muhammad Dikaisa Ibnu Fadilah, Ai Linda Nurahmah Hidayat, Jose Julian Naya, Candra Saputra, Muhammad Randika Sigand, Arifubila Ramdhani