✦ PERSONAL PORTFOLIO · DIGITAL CREATOR

学习是为了创造。
创造是为了造福他人。

我是 Hendra Setyawan，一名崇尚行动胜于言语的 IT 从业者。我喜欢学习新知识、探索实践，并构建有价值的数字解决方案。

查看项目 ↗关于我 →

2007开始从事 IT

16+已记录项目

∞持续学习

BUILD · LEARN · SHARE ✳

</>

Ide sederhana.
Dampak bermakna.

Web Development / AI / Machine Learning / Sistem Informasi

SimpleCodeAppEST. 2007 — NOW ↗

TERUS BELAJAR✳BERANI MENCOBA✳MEMBANGUN SOLUSI✳BERBAGI MANFAAT

01 / TENTANG SAYA

Lebih banyak berkarya daripada berbicara.

Skill & Expertise

MySQL SQL Server Pemrograman PHP Web Development Python XAI Machine Learning Mobile Development Ubuntu Server VPS TOGAF Big Data Cyber Security

Saya percaya bahwa teknologi terbaik lahir dari rasa ingin tahu, ketekunan, dan keinginan membantu orang lain. Saya suka mempelajari hal baru, merancang sistem, lalu mengubah ide menjadi aplikasi yang dapat digunakan.

Ruang eksplorasi saya mencakup aplikasi web, sistem informasi, digitalisasi layanan, kecerdasan buatan, dan analisis data.

永不亏损的交易。 诵读《古兰经》、谨守礼拜，并为真主之道施舍（无论秘密还是公开）。

02 / 工作经历

Portfolio

在零售和医疗领域的专业工作经历。

PT Sumber Alfaria Trijaya Tbk (Alfamart)

三宝垄配送中心 IT 门店支持

Rumah Sakit Islam Kendal

医院 IT 主管

Rumah Sakit Islam Jakarta Pondok Kopi

医院 IT 主管

CLIENT

客户名单

曾合作开发商业应用程序的客户名单。

Klinik Larassyifa

PT Farmasi Kendal

Rumah Sakit Umum Muhammadiyah Darul Istiqomah Kendal

Lembaga Akreditasi Rumah Sakit Indonesia (LARSI)

Lembaga Akreditasi Puskesmas Klinik dan Laboratorium Indonesia (LAPKLIN)

Lembaga Akreditasi Klinik Utama, Laboratorium Medis, dan Unit Pengelola Darah (LABTAMA)

PRODUCT & PROJECT

产品

Explore Project · Aplikasi dan karya pengembangan.

Unisbank

Diabetes Readmission Prediction

Machine Learning Classification Dashboard Diabetes Readmission Prediction merupakan aplikasi berbasis web yang dikembangkan menggunakan Python dan Flask untuk menganalisis serta memprediksi kategori kunjungan ulang pasien diabetes ke rumah sakit berdasarkan data historis pelayanan kesehatan. Aplikasi ini menerapkan metode supervised machine learning dengan membandingkan tiga algoritma klasifikasi, yaitu Logistic Regression, Decision Tree, dan Random Forest. Dataset yang digunakan adalah Diabetes 130-US Hospitals for Years 1999–2008, yang berisi 101.766 catatan kunjungan pasien diabetes dari 130 rumah sakit di Amerika Serikat selama periode 1999–2008. Variabel target yang digunakan adalah readmitted, dengan tiga kategori: • NO: Tidak tercatat kembali dirawat. • <30>30: Kembali dirawat setelah lebih dari 30 hari. Tahapan pengolahan data mencakup penanganan data kosong, transformasi variabel kategorikal, pembagian data latih dan data uji dengan proporsi 80:20, pelatihan model, serta evaluasi menggunakan Accuracy, Macro F1, dan Confusion Matrix. Hasil pengujian disajikan melalui dashboard interaktif berupa ringkasan dataset, grafik perbandingan performa algoritma, identifikasi model terbaik, visualisasi Confusion Matrix, serta interpretasi dan kesimpulan otomatis berdasarkan hasil perhitungan. Aplikasi ini bertujuan mendukung pembelajaran Big Data dan Machine Learning, khususnya dalam memahami penerapan algoritma klasifikasi terhadap data pelayanan kesehatan. Hasil prediksi digunakan untuk keperluan analisis akademik, bukan sebagai dasar diagnosis atau keputusan klinis.

Explore Project ↗