Article Per Year (5 Year)
p-Index From 2019 - 2024
1.633
P-Index
This Author published in this journals
All Journal Techno.Com: Jurnal Teknologi Informasi JTT (Jurnal Teknologi Terpadu) Seminar Nasional Teknologi Informasi Komunikasi dan Administrasi [SEMINASTIKA] Jurnal Sains Indonesia Jurnal Informatika Teknologi dan Sains (Jinteks) Proceeding International Pelita Bangsa SAINTEK
Aswan Supriyadi Sunge
Universitas Pelita Bangsa
Automotive Engineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Materials Science & Nanotechnology Mathematics Mechanical Engineering Social Sciences Other

Published : 10 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 10 Documents
Search

 1 
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%.
Implementasi Cost Control System Berbasis Website pada Departemen PPIC PT XYZ Menggunakan Analisis SWOT Khalis Sofi; Aswan Supriyadi Sunge; RR Wening Ken Widodasih; Sasmitoh Rahmad Riady
Jurnal Sains Indonesia Vol 1 No 2 (2020): Volume 1, Nomor 2, 2020 (Juli)
Publisher : PUSAT SAINS INDONESIA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59897/jsi.v1i2.12

Abstract

Cost Control merupakan komponen penting penunjang berjalannya operasional perusahaan. Pada PT XYZ pekerjaan Cost Control dikendalikan oleh departemen PPIC (Production Planning and Inventory Control). Permasalahan yang dihadapi dalam menjalankan pekerjaan ini adalah kurang terkontrolnya dokumen-dokumen Purchase Requirement yang berupa lembaran kertas NCR (No Carbon Required) sehingga berakibat terhadap kurang teraturnya pembuatan Purchase Order yang dilakukan oleh departemen Purchasing. Hal-hal tersebut berimbas kepada budget yang tersedia, akibatnya PPIC sering menemukan kasus over budget. Maka dari itu, dibutuhkan sistem Cost Control untuk memonitoring aktivitas-aktivitas tersebut dan membantu untuk pengambilan keputusan bagi manajamen terkait budgeting. Sebelum dijalankannya sistem, maka diperlukan sebuah analisis mengenai kelemahan, kelebihan, peluang, dan ancaman yang terdapat dalam analisis SWOT. Sehingga sistem Cost Control mampu mengendalikan biaya untuk pemakaian budget berikutnya.
PERBANDINGAN ALGORITMA LINEAR REGRESSION, LSTM, DAN GRU DALAM MEMPREDIKSI HARGA SAHAM DENGAN MODEL TIME SERIES Khalis Sofi; Aswan Supriyadi Sunge; Sasmitoh Rahmad Riady; Antika Zahrotul Kamalia
PROSIDING SEMINASTIKA Vol 3 No 1 (2021): 3rd SEMINASTIKA 2021
Publisher : Universitas Mulia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47002/seminastika.v3i1.275

Abstract

Penelitian ini bertujuan untuk memprediksi harga saham dengan membandingkan algoritma Linear Regression, Long Short-Term Memory (LSTM), dan Gated Recurrent Unit (GRU) dengan dataset publik kemudian menentukan performa terbaik dari ketiga algoritma tersebut. Dataset yang diuji bersumber dari Indonesia Stock Exchange (IDX), yaitu dataset harga saham KEJU berbentuk time series dari tanggal 15 November 2019 sampai dengan 08 Juni 2021. Parameter yang digunakan untuk pengukuran perbandingan adalah RMSE (Root Mean Square Error), MSE (Mean Square Error), dan MAE (Mean Absolute Error). Setelah dilakukan proses training dan testing, dihasilkan sebuah analisis bahwa dari hasil perbandingan algoritma yang digunakan, algoritma Gated Recurrent Unit (GRU) memiliki performance paling baik dibandingkan Linear Regression dan Long-Short Term Memory (LSTM) dalam hal memprediksi harga saham, dibuktikan dengan nilai RMSE, MSE, dan MAE dari uji coba GRU paling rendah, yaitu nilai RMSE 0.034, MSE 0.001, dan nilai MAE 0.024.
ANALISIS PREDIKSI PENJUALAN DENGAN METODE REGRESI LINEAR DI PT. EAGLE INDUSTRY INDONESIA Miftahuljannah; Aswan Supriyadi Sunge; Ahmad Turmudi Zy
Jurnal Informatika Teknologi dan Sains (Jinteks) Vol 5 No 3 (2023): EDISI 17
Publisher : Program Studi Informatika Universitas Teknologi Sumbawa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51401/jinteks.v5i3.3325

Abstract

When making the crucial decision to determine the outcome of a case. The goal of this study is to evaluate the potential for product sales. With the help of data mining, this study evaluates the potential for litigation by using data from several sources, including product, plan, and current data. The current study makes use of the linear regressive algorithm and the rapidminer data processing tool. The dataset that was used for this study was divided into two parts: one half of the data for teaching and one half of the data for research. Using a linear regression algorithm, the results show that the variables or attributes used in the current analysis (produk, actual and plan) did not significantly affect the results. Squared Error is 1313427569.481 +/- 5882150128.134, and Root Mean Squared Error is 36241.241 +/- 0.000. This indicates that the squared Error generates a higher number than the Root Mean Squared Error.
PREDIKSI PERTUMBUHAN PENDUDUK DENGAN MODELL CLUSTERING METODE REGRESI LINEAR Aprilia Nur Sa'adah; Aswan Supriyadi Sunge; Ahmad Turmudi Zy
Jurnal Teknologi Terpadu Vol 11, No 2 (2023): JTT (Jurnal Teknologi Terpadu)
Publisher : Pusat Penelitian dan Pengabdian Kepada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32487/jtt.v11i2.1831

Abstract

Berdasarkan data kependudukan dari Badan Pusat Statistik Kota Cirebon dari tahun 2019 hingga 2022 tercatat jumlah angka kelahiran meningkat dari 2.867 jiwa menjadi 3.713 jiwa. Penelitian ini bertujuan untuk memprediksi pertumbuhan penduduk untuk mengetahui laju pertumbuhan penduduk di masa yang akan datang.  Penelitian ini menggunakan teknik prediksi dan tahapan-tahapan pada data mining untuk memprediksi pertumbuhan penduduk dengan data yang diambil kelahiran dan kematian dengan menggunakan algoritma regresi linear menggunakan tools rapidminer, pengolahan data yang di jadikan dataset dalam penelitian ini, dataset dibagi menjadi dua yaitu 90% data training dan 10% data testing. hasil pengujian yang telah dilakukan bahwa variabel atau atribut yang digunakan dalam penelitian ini (kelahiran dan kematian) berpengaruh signifikan terhadap penelitian ini terbukti dengan menggunakan algoritma regresi linear mampu memberikan hasil yang baik dengan nilai Root Mean Squared Error: 0.998 +/- 0.000 dan Squared Error: 0.996 +/- 0.707. Kesimpulan dari penelitian yang dilakukan dengan menerapkan algoritma regresi linear dapat dilakukan suatu prediksi berdasarkan hubungan fungsional pada variabel atau atribut didalam data tersebut.
PERANCANGAN KLASIFIKASI ALGORITMA NAIVE BAYES PADA DATA PEMILIHAN JURUSAN SISWA Juan Fakhri; Aswan Supriyadi Sunge; Ahmad Turmudi zy
Jurnal Teknologi Terpadu Vol 11, No 2 (2023): JTT (Jurnal Teknologi Terpadu)
Publisher : Pusat Penelitian dan Pengabdian Kepada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32487/jtt.v11i2.1823

Abstract

Penelitian yang berjudul "Perancangan Algoritma Naive Bayes Dalam Klasifikasi Pemilihan Jurusan Siswa". Penelitian ini bertujuan untuk pembuatan suatu prediski dan impelemtasi metode dalam kalsifikasi Naive Bayes, serta untuk mengevaluasi dampak ketidak seimbangan kelas terhadap kinerja model klasifikasi. Penelitian ini juga menemukan adanya kelebihan sampel data secara tidak sengaja, dan eksperimen dengan menggunakan teknik SMOTE dilakukan untuk mengatasi ketidak seimbangan kelas tersebut. Data pemilihan jurusan siswa dari SMA Negeri 2 Cikarang Selatan digunakan untuk mengidentifikasi ketidak seimbangan kelas. Eksperimen ini membandingkan hasil klasifikasi sebelum dan setelah penerapan teknik SMOTE. Hasil analisis menunjukkan bahwa sebelum menggunakan teknik SMOTE, terdapat ketidak seimbangan kelas yang signifikan dalam data pemilihan jurusan siswa. Ketidak seimbangan ini memiliki dampak negatif terhadap kinerja model klasifikasi, terutama dalam mengenali kelas minoritas. Namun, setelah penerapan teknik SMOTE, ketidak seimbangan kelas berhasil dikurangi dan kinerja model klasifikasi mengalami peningkatan yang signifikan. Recall untuk kelas IPS meningkat menjadi 0,76, sementara recall untuk kelas MIPA tetap tinggi dengan nilai 0,92. Precision untuk kelas IPS meningkat menjadi 0,87, sedangkan precision untuk kelas MIPA tetap stabil di 0,85. Dengan menggunakan precision dan recall, skor F1 mencapai 0,8846. Berdasarkan temuan penelitian ini, dapat disimpulkan bahwa kinerja model klasifikasi dalam memilih jurusan siswa dapat dipengaruhi oleh kelebihan sampel data. Metode SMOTE efektif dalam mengurangi ketidak seimbangan kelas dan meningkatkan kinerja model klasifikasi. Metode Naive Bayes dapat digunakan sebagai alternatif yang efektif dalam memprediksi penjurusan siswa di SMA Negeri 2 Cikarang Selatan setelah menerapkan teknik SMOTE.
Comparison of K-Means and K-Medoid Algorithms in Classifying Village Status (Case Study: Gorontalo Province) Aswan Supriyadi Sunge; Nanang Tedi Kurniadi; Edy Widodo
Proceeding International Pelita Bangsa Vol. 1 No. 01 (2023): September 2023
Publisher : DPPM Universitas Pelita Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37366/pipb.v1i01.2675

Abstract

In the national development process, the village occupies a very important position. This is because it is the smallest government structure and has direct contact with the community. Seeing the importance of its role in national development, one of which is Gorontalo Province, based on directions from the central government, is trying to implement the Village Fund Allocation (ADD) policy for all villages in Gorontalo Province. In distributing the allocation of funds, it is necessary to map the status of the Village to find out the amount that must be given. This test uses the average execution time and the Davies Bouldin Index (DBI). After testing it is known that the K-Medoid Algorithm has a better DBI value than the K-Means Algorithm with the DBI value of the K-Medoid Algorithm being 0.050. On the other hand, the K-Means Algorithm has a better average execution time than the K-Medoid Algorithm, where the average execution time is 1 second.
Komparasi Machine Learning Memprediksi Phising Dalam Keamanan Website Aswan Supriyadi Sunge
Prosiding Sains dan Teknologi Vol. 1 No. 1 (2022): Seminar Nasional Sains dan Teknologi (SAINTEK) ke 1 - Juli 2022
Publisher : DPPM Universitas Pelita Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37366/SAINTEK0101.135140

Abstract

The growth rate of online mobility is fast and increases sharply from desktop to mobile phone. Growth is recognized by users because of the ease of searching for information and dealing mainly in banking matters. Behind them, there is the most important issue of security on the Internet, one of them Phishing which means to resemble official or original websites when false with the intention of obtaining user information. There fore it takes a malicious web-based Phishing alias by using data set, then tested with some Machine Learning algorithms and then to compare the best and highest predictions. Computer simulation results have resulted an accuracy of up to 95.24% for the techniques used and the comparison with other models. Keywords: Predictions, Website, Phishing, Machine Learning
Metode Machine Learning Dalam Pendidikan Aswan Supriyadi Sunge
Prosiding Sains dan Teknologi Vol. 2 No. 1 (2023): Seminar Nasional Sains dan Teknologi (SAINTEK) ke 2 - Februari 2023
Publisher : DPPM Universitas Pelita Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pendidikan merupakan hak semua warga negara dan negara menjamin untuk mendapatkannya dan kualitas pendidikan didukung sarana dan prasarana. Namun itu semua tergantung dari pendidik dan peserta didik bagaimana melihat proses dan bisa menerima ilmu tersebut agar bisa menghasilkan suatu produk dari ilmu yang didapat. Memang diakui ada masalah yang didapat ketika proses belajar dan penyerapan ilmu maka dari itu dibutuhkan machine learning yang bertujuan melihat dan memecahkan masalah dari dari data yang ada. Metode dalam penelitian melihat paper yang terdahulu melihat metode yang dipakai dan hasil yang dicari kemudian dijadikan pedoman model mana yang banyak dipakai dalam mencari solusi dalam dunia Pendidikan.
Komparasi Akurasi Kernel Support Vector Machine Dalam Prediksi Diabetes Febyan Sulastri; Aswan Supriyadi Sunge; Listian Indriyani Achmad
Prosiding Sains dan Teknologi Vol. 2 No. 1 (2023): Seminar Nasional Sains dan Teknologi (SAINTEK) ke 2 - Februari 2023
Publisher : DPPM Universitas Pelita Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Diabetes mellitus sampai saat ini masih menjadi persoalan kesehatan serius dunia, termasuk di Indonesia yang berada di urutan ke-4 dengan prevalensi diabetes tertinggi di dunia setelah India, China, dan Amerika Serikat. WHO memperkirakan jumlah penderita diabetes mellitus tipe 2 di Indonesia akan mengalami peningkatan secara signifikan hingga 21,3 juta jiwa hingga tahun 2030. Penelitian ini bertujuan untuk menerapkan algoritma Support Vector Machine (SVM) dan melakukan komparasi tiap kernel dan tertinggi yaitu kernel rbfdot dan basseldot dengan nilai akurasi yang sama tertinggi dari kernel yang lain 72.73%.
Co-Authors Agung Nugroho Ahmad Turmudi Zy Antika Zahrotul Kamalia Aprilia Nur Sa'adah Edy Widodo Febyan Sulastri Juan Fakhri Khalis Sofi Listian Indriyani Achmad Miftahuljannah Nanang Tedi Kurniadi R. R. Wening Ken Widodasih Riady, Sasmitoh Rahmad Septiawan Dwi Pramukti