Claim Missing Document
Check
Articles

Found 9 Documents
Search

Sistem Pendukung Keputusan Menentukan Siswa Terbaik Menggunakan Metode Simple Additive Weighting (SAW) Supriadi, Asmadi; Nugroho, Agung; Romli, Ikhsan
Jurnal ELTIKOM : Jurnal Teknik Elektro, Teknologi Informasi dan Komputer Vol 2 No 1 (2018)
Publisher : P3M Politeknik Negeri Banjarmasin

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (618.034 KB) | DOI: 10.31961/eltikom.v2i1.39

Abstract

Sistem Pendukung Keputusan pada dasarnya dibuat untuk memudahkan dalam pengambilan keputusan agar tidak terjadi pengambilan keputusan secara subjektif. Pada RA Raudlatush Shibyan, proses pengambilan keputusan siswa terbaik dibuat menggunakan metode Simple Additive Weighting (SAW) yang terdiri dari beberapa kriteria yaitu : kriteria Afektif, kriteria Kognitif, dan kriteria Psikomotorik. Dalam membangun sistem ini penulis menggunakan metode pengembangan menggunakan metode System Depelopment Life Cycle waterfall atau metode air terjun, dan untuk desain sistem penulis menggunakan Unified Modelling Language (UML). Untuk pembuatan aplikasi penulis menggunakan Bahasa pemograman C# dan database MySQL dan untuk pengujiannya menggunakan metode Black Box Testing. Hasil dari penelitian ini adalah sebuah aplikasi pendukung keputusan menggunakan metode Simple Additive Weighting (SAW).
Penerapan Metode Simple Additive Weighting Pada Sistem Pendukung Keputusan Penerimaan Petugas Di Badan Pusat Statistik Kabupaten Bekasi Londong, Riko Reky; Nugroho, Agung; Rusdi, Adi
Jurnal ELTIKOM : Jurnal Teknik Elektro, Teknologi Informasi dan Komputer Vol 4 No 2 (2020)
Publisher : P3M Politeknik Negeri Banjarmasin

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31961/eltikom.v4i2.150

Abstract

Pentingnya perencanaan sumber daya manusia khususnya dalam hal perencanaan kriteria perekrutan harus dilakukan secara tepat guna mendukung tercapainya tujuan perusahaan. Saat ini, proses seleksi penerimaan petugas pada Badan Pusat Statistik Kabupaten Bekasi masih dilakukan berdasarkan perkiraan tertentu dan tanpa ada nilai variabel yang pasti, sehingga sering kali didapati petugas yang diterima kurang memiliki kriteria maupun kemampuan dengan pekerjaan yang dibutuhkan. Untuk mengatasi permasalahan tersebut pada penelitian ini bertujuan untuk membangun suatu Sistem Pendukung Keputusan yang dapat membantu dalam menentukan calon petugas yang sesuai di Badan Pusat Statistik Kabupaten Bekasi. Sistem Pendukung Keputusan yang dibangun menggunakan metode Simple Additive Weighting. Untuk pengembangan sistem yang digunakan adalah model Prototyping, desain sistem menggunakan Unified Modelling Language, pengujiannya menggunakan BlackBox Testing dan untuk implementasi sistem menggunakan bahasa pemograman web, PHP, Javascript dan database MySQL. Hasil dari penelitian ini adalah sebuah sistem pendukung keputusan penerimaan calon petugas menggunakan metode SAW. Kesimpulanya Sistem Pendukung Keputusan Peneriman Petugas dengan metode SAW telah berhasil diterapkan dan didapati hasil alternatif terbaik untuk penerimaan calon petugas yaitu alternatif A4 yang memiliki nilai tertinggi 0.98 dan alternatif A3, A10 dengan nilai 0.92.
Analisis Perbandingan Algoritma Optimasi pada Random Forest untuk Klasifikasi Data Bank Marketing Yoga Religia; Agung Nugroho; Wahyu Hadikristanto
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 5 No 1 (2021): Februari 2021
Publisher : Ikatan Ahli Informatika Indonesia (IAII)

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (271.874 KB) | DOI: 10.29207/resti.v5i1.2813

Abstract

The world of banking requires a marketer to be able to reduce the risk of borrowing by keeping his customers from occurring non-performing loans. One way to reduce this risk is by using data mining techniques. Data mining provides a powerful technique for finding meaningful and useful information from large amounts of data by way of classification. The classification algorithm that can be used to handle imbalance problems can use the Random Forest (RF) algorithm. However, several references state that an optimization algorithm is needed to improve the classification results of the RF algorithm. Optimization of the RF algorithm can be done using Bagging and Genetic Algorithm (GA). This study aims to classify Bank Marketing data in the form of loan application receipts, which data is taken from the www.data.world site. Classification is carried out using the RF algorithm to obtain a predictive model for loan application acceptance with optimal accuracy. This study will also compare the use of optimization in the RF algorithm with Bagging and Genetic Algorithms. Based on the tests that have been done, the results show that the most optimal performance of the classification of Bank Marketing data is by using the RF algorithm with an accuracy of 88.30%, AUC (+) of 0.500 and AUC (-) of 0.000. The optimization of Bagging and Genetic Algorithm has not been able to improve the performance of the RF algorithm for classification of Bank Marketing data.
Analisis Sentimen Masyarakat Dengan Metode Naïve Bayes dan Particle Swarm Optimization Septiawan Dwi Pramukti; Agung Nugroho; Aswan Supriyadi Sunge
Techno.Com Vol 21, No 1 (2022): Februari 2022
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33633/tc.v21i1.5332

Abstract

Pemberlakuan Pembatasan Kegiatan Masyarakat (PPKM) merupakan kebijakan yang di terapkan pada 15 Kota diluar pulau Jawa dan pulau Bali yang memiliki status zona merah atau daerah yang memiliki resiko tinggi terhadap paparan kasus COVID-19. Pada tanggal 3 Agustus 2021 kebijakan PPKM darurat di beberapa daearah di kepulauan Jawa dan kepualauan Bali di perpanjang sampai 9 Agustus 2021, perpanjangan kebijakan PPKM darurat menuai banyak komentar dari masyarakat sehingga menimbulkan pro dan kontra pada social media twitter. Penelitian ini bertujuan untuk mengetahui hasil klasifikasi sentimen masyarakat mengenai perpanjangan kebijakan PPKM darurat pada social media twitter dan untuk mengetahui hasil accuracy, precision, recall yang dihasilkan dari metode yang digunakan. Penelitian ini menggunakan metode Naïve Bayes dan Particle Swarm Optimization sebagai feature selection, selain itu terdapat tahap preprocessing yang didalamnya meliputi cleansing, remove duplicate, seleksi data, normalisasi, case folding, tokenizing, filtering, stopwords, stemming, dan labeling. Hasil klasifikasi yang didapat 53,31% pengguna twitter setuju dan 46,69% pengguna twitter tidak setuju dengan perpanjangan kebijakan PPKM darurat. Nilai accuracy yang didapatkan meningkat sebanyak 15,21% dari 77,16% menjadi 92,37%, nilai precision yang didapatkan meningkat sebanyak 3,07% dari 87,33% menjadi 90,40%, dan nilai recall yang didapatkan meningkat sebanyak 30,96% dari 64,42% menjadi 95,38%.
Analisis Optimasi Algoritma Klasifikasi Naive Bayes menggunakan Genetic Algorithm dan Bagging Agung Nugroho; Yoga Religia
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 5 No 3 (2021): Juni 2021
Publisher : Ikatan Ahli Informatika Indonesia (IAII)

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (270.536 KB) | DOI: 10.29207/resti.v5i3.3067

Abstract

The increasing demand for credit applications to banks has motivated the banking world to switch to more sophisticated techniques for analyzing the level of credit risk. One technique for analyzing the level of credit risk is the data mining approach. Data mining provides a technique for finding meaningful information from large amounts of data by way of classification. However, bank marketing data is a type of imbalance data so that if the classification is done the results are less than optimal. The classification algorithm that can be used for imbalance data types can use naïve Bayes. Naïve Bayes performs well in terms of classification. However, optimization is needed in order to obtain more optimal classification results. Optimization techniques in handling imbalance data have been developed with several approaches. Bagging and Genetic Algorithms can be used to overcome imbalance data. This study aims to compare the accuracy level of the naïve Bayes algorithm after optimization using the bagging and genetic algorithm. The results showed that the combination of bagging and a genetic algorithm could improve the performance of Naive Bayes by 4.57%.
Implementasi Fuzzy Mamdani pada Seleksi Penerimaan Mahasiswa Baru Agung Nugroho; Donny Maulana
Jurnal Pelita Teknologi Vol 15 No 1 (2020): Pelita Teknologi: Jurnal Ilmiah Informatika, Arsitektur dan Lingkungan
Publisher : DPPM Universitas Pelita Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (236.024 KB)

Abstract

The process of selecting new students at a tertiary institution is one of the stages of the admission process. In the process, not all applicants will be accepted, but only student candidates who fulfill the criteria will be selected. So that the selection process needs to be done based on the stages that have been determined. This research aims to make a new student admission selection system modeling using the fuzzy inference Mamdani method. Fuzzy Mamdani is used because it has characters such as the human core in processing data based on several determining criteria. Based on the results of the validation of the new student selection data, the Mamdani method can be used in the admission system
Optimalisasi Support Vector Machine Menggunakan Particle Swarm Optimization Untuk Mendiagnosa Penyakit Kanker Payudara Ari Maulana; Agung Nugroho; Ikhsan Romli
Journal of Practical Computer Science Vol 1 No 2 (2021): November 2021
Publisher : DPPM Universitas Pelita Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (902.564 KB) | DOI: 10.37366/jpcs.v1i2.940

Abstract

Kanker payudara adalah kanker yang paling umum pada wanita dan penyebab utama kematian kanker di seluruh dunia. Klasifikasi dalam data mining merupakan dua bentuk proses analisis data yang digunakan untuk mengekstraksi model yang menggambarkan kelas data atau untuk memprediksi tren data di masa depan. Support Vector Machine (SVM) dikenal juga dengan support vector network yang merupakan metode supervised terkait dengan learning algorithm untuk analisa pola data yang digunakan untuk klasifikasi dan regresi. Seleksi fitur banyak digunakan untuk mengatasi fitur yang tidak relevan dan berlebihan. Seleksi fitur menyederhanakan sekumpulan data dengan mengurangi dimensi dan mengidentifikasi fitur yang relevan tanpa mengurangi akurasi prediksi. Penelitian ini mengguanakan algoritma Support Vector Machine dengan Particle Sarm Optimization untuk mendiagnosa penyakit kanker payudara. Hasil dari penelitian ini adalah accuracy sebesar 97.61%, precision sebesar 99.21% dan recall 96.94%. Penggunaan Particle Swarm Optimization bekerja secara efektif dalam meningkatkan nilai akurasi. Kata kunci: Kanker payudara, klasifikasi, support vector machine, particle swarm optimizatiom.
Analisis Sentimen Tentang Mobil Listrik Dengan Metode Support Vector Machine Dan Feature Selection Particle Swarm Optimization Ahmad Santoso; Agung Nugroho; Aswan S Sunge
Journal of Practical Computer Science Vol 2 No 1 (2022): Mei 2022
Publisher : DPPM Universitas Pelita Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37366/jpcs.v2i1.1084

Abstract

Analisis sentimen twitter merupakan teknik untuk mengidentifikasi sentimen atau pendapat dalam tweet dan kemudian mengategorikannya ke dalam tweet positif atau tweet negatif salah satu topik yang dibahas pada social media twitter adalah mobil listrik, mobil listrik memiliki beberapa kelebihan dibandingkan dengan mobil bahan bakar fosil. Mobil listrik ini menuai banyak komentar dari masyarakat sehingga menimbulkan pro dan kontra di sosial media twitter. Penelitian ini dilakukan tujuannya untuk mengetahui pendapat masyarakat terhadap mobil listrik. Apakah pendapat tersebut lebih mengarah ke positif atau negatif dan untuk mengetahui nilai accuracy, AUC dari penggunaan metode Support Vector Machine dan feature selection Particle Swarm Optimization pada Software RapidMiner Studio. di dalam penelitian ini dapat diketahui bahwa 94,25% pengguna twitter setuju dan 5,75% pengguna twitter tidak setuju terhadap kehadiran mobil listrik. Penggunaan feature selection Particle Swarm Optimization pada metode support vector machine untuk menganalisis sentimen masyarakat mengenai mobil listrik dapat meningkatkan nilai accuracy dan AUC. Dimana nilai accuracy yang awalnya sebesar 82,51% menjadi 86,07%, terjadi kenaikan sebesar 3,56%. Sedangkan nilai AUC yang awalnya sebesar 0,844 menjadi 0,862 terjadi kenaikan sebesar 2,13%. Kata kunci: Analisis Sentimen, Text Mining, Support Vector Machine, Particle Swarm Optimization, Mobil Listrik.
Sistem Pendukung Keputusan Menentukan Siswa Yang Menerima Beasiswa Menggunakan Metode SAW Jamaludin Jamaludin; Agung Nugroho; Ikhsan Romli
Prosiding SISFOTEK Vol 4 No 1 (2020): Vol 4 No 1 (2020): SISFOTEK 2020
Publisher : Ikatan Ahli Informatika Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (437.588 KB)

Abstract

The number of schools that are growing steadily, making the school is required to implement a better strategy. For that reason, the school must observe all the activities that exist in the school environment to be able to attract the attention of parents so that their children attend school. Decision Support System is basically to facilitate the school in selecting candidates who will receive scholarships, to get more accurate results, and apply the Simple Additive Weighting method. At SD Negeri Singajaya 03 the process of determining students who receive scholarships uses several criteria, namely Parental Income, Semester, Parental Dependency, Number of Brothers, and Value. In building this system the author uses the System Development Life Cycle (SDLC) development method, and for system design using the Unified Modeling Language (UML). For making the application the author uses PHP programming language and MYSQL database testing using the Black Box Testing method. The results of this study are an application of decision support to determine prospective scholarship recipients using the method Simple Additive Weighting (SAW). In conclusion, this Decision Support System is more convincing than the old method. Because the calculation results are faster, more efficient, and more accurate.