Article Per Year (5 Year)
p-Index From 2019 - 2024
0.61
P-Index
This Author published in this journals
All Journal Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Jurnal Sains dan Informatika Jurnal Aplikasi Teknologi Informasi dan Manajemen (JATIM)
Rian Oktafiani
Universitas Teknologi Yogyakarta
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Engineering Mathematics

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Penerapan Audit Sistem Informasi pada Instansi Pemerintah dengan Framework COBIT: Literatur Review Rian Oktafiani; Muhammad Arifai Nurrizki; Suhirman Suhirman; Sutarman Sutarman
Jurnal Aplikasi Teknologi Informasi dan Manajemen (JATIM) Vol 4 No 1 (2023): Jurnal Aplikasi Teknologi Informasi dan Manajemen (JATIM) April 2023
Publisher : Universitas Islam Madura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31102/jatim.v4i1.1887

Abstract

Dihampir semua instansi pemerintah, teknologi informasi (TI) diterapkan. Setiap instansi membutuhkan tata kelola TI. Instansi pemerintah memerlukan kerangka menyeluruh yang membahas semua aspek administrasi TI. Ada beberapa alasan mengapa hal ini sangat diperlukan, termasuk persyaratan untuk menyesuaikan strategi bisnis dan TI, menerapkan sumber daya TI yang efisien, menetapkan pengendalian internal yang sesuai, dan menghindari masalah terkait perangkat lunak. Permasalahan yang dihadapi oleh beberapa instansi pemerintahan yaitu penggunaan TI belum sesuai prosedur, pengukuran tata kelola teknologi informasi belum terstruktur, manajemen risiko yang masih rendah, dan adanya permasalah pada sistem keamanan. Berdasarkan permasalahan yang ada, diperlukan tata kelola terhadap teknologi informasi pada instansi. Audit merupakan salah satu cara yang dapat gunakan. Hal ini dilakukan untuk memastikan tingkat kesesuaian antara penilaian dan pengembangan kriteria serta mengkomunikasikan hasilnya kepada pengguna pada instansi pemerintah. Berdasarkan dari analisa literature review maka didapatkan hasil yaitu penelitian ini digunakan untuk mengetahui penerapan audit sistem informasi pada pemerintahan dengan menggunakan Framework COBIT. Pengujian dilakukan dengan menganalisa 10 paper dan 3 perumusan masalah yaitu (Q1, Q2, Q3) untuk menjawab pertanyaan dari penerapan audit sistem informasi. Hasil dari pengukuran tata kelola TI pada level kapabilitas, instansi pemerintahan di Indonesia ada pada level 3 atau level proses. Berdasarkan analisa hasil audit yang telah dilakukan, diperlukan strategi perbaikan untuk mencapai expected capability atau kapabilitas yang diharapkan pada instansi yaitu level 4 (predictable process) dengan melaksanakan hasil dari rekomendasi audit yang telah diberikan. Dilakukannya audit sistem informasi pada instansi pemerintahan, dapat memperbaiki aspek-aspek yang kurang, serta dapat meningkatkan mutu layanan dari instansi.
Pengaruh Komposisi Split data Terhadap Performa Klasifikasi Penyakit Kanker Payudara Menggunakan Algoritma Machine Learning Rian Oktafiani; Arief Hermawan; Donny Avianto
Jurnal Sains dan Informatika Vol. 9 No. 1 (2023): Jurnal Sains dan Informatika
Publisher : Teknik Informatika, Politeknik Negeri Tanah Laut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34128/jsi.v9i1.622

Abstract

Hasil klasifikasi kanker payudara yang tidak tepat dan memiliki akurasi rendah berpotensi membahayakan nyawa pasien. Rasio split data training dan testing mempengaruhi akurasi klasifikasi. Pemilihan rasio split data yang tidak tepat dapat menurunkan akurasi model. Penelitian ini bertujuan menemukan komposisi data terbaik untuk hasil klasifikasi kanker payudara yang baik. Metode yang digunakan adalah holdout dan k-fold cross validation. Algoritma klasifikasi yang dibandingkan adalah SVM, Random Forest, dan Naïve Bayes. Hasil penelitian menunjukkan performa akurasi yang berbeda pada ketiga algoritma tergantung pada metode validasi. Skema holdout validation dengan rasio 75%:25% menghasilkan akurasi terbaik untuk SVM, yaitu 98.89%. Algoritma Random Forest mencapai akurasi terbaik pada rasio split data 55%:45%, yaitu 95.85%. Namun, Naïve Bayes memiliki performa akurasi yang lebih baik saat menggunakan k-fold cross validation dengan akurasi 93.85%. Metode holdout dengan rasio 75:25 terbukti menghasilkan akurasi terbaik untuk klasifikasi data kanker payudara menggunakan SVM. Penelitian selanjutnya dapat menggunakan algoritma deep learning dan memperluas penelitian ke jenis kanker lainnya untuk meningkatkan hasil klasifikasi.
Max Depth Impact on Heart Disease Classification: Decision Tree and Random Forest Rian Oktafiani; Arief Hermawan; Donny Avianto
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 8 No 1 (2024): February 2024
Publisher : Ikatan Ahli Informatika Indonesia (IAII)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29207/resti.v8i1.5574

Abstract

Results in heart disease classification that are inaccurate and have low accuracy can endanger the patient's life. Some parameters in the algorithm model also influence classification. This study compares the Decision Tree and Random Forest algorithms for heart disease. The influence of maximum depth on heart disease classification also has significant implications. If the maximum depth is not set correctly, the classification results can be inaccurate and lead to incorrect diagnoses. This study uses five data split schemes, namely 60%: 40%, 70%: 30%, 75%: 25%, 80%: 20%, 90%: 10% and tested with different max depth parameters, namely max depth = 3, 4, 5, 6, and 7. This research produces the best accuracy using the 90%:10% scheme and max depth = 7 with the best accuracy result using the Random Forest algorithm of 99.29% while the Decision Tree algorithm is 98.05%. Then the precision and recall value of the Random Forest algorithm is 99% while the Decision Tree is 98%. The results of computation time using Decision Tree are faster than using Random Forest with a computation time for training data of 0.0075 s, while the testing data are 0.009 s. In future research, research can be conducted on the effect of other parameters by testing using several data sets.
Co-Authors Arief Hermawan Donny Avianto Muhammad Arifai Nurrizki Suhirman Sutarman