Fauzia Anis, S. Ningrum, Yudha Riwanto, Inggrid Yanuar, R. Pratiwi, M. Fikri
Keamanan informasi merupakan hal yang penting dalam lingkungan Perguruan Tinggi, baik swasta maupun negeri untuk melindungi data sensitif dan menjaga integritas serta kerahasiaan informasi. Dalam paper ini, dilakukan perbandingan manajemen keamanan informasi antara dua Perguruan Tinggi Swasta yang berada di daerah Kabupaten Banyuwangi, yaitu Perguruan Tinggi A dan Perguruan Tinggi B untuk mengukur menggunakan Indeks Keamanan Informasi (Indeks KAMI) versi 5.0. Metode penelitian yang digunakan melibatkan pengumpulan data dari kedua Perguruan Tinggi melalui survey dengan Indeks KAMI. Setelah itu, data tersebut dianalisis dan perbandingan dilakukan berdasarkan elemen-elemen KAMI yang berstandar SNI ISO 27001, meliputi Tata Kelola Keamanan Informasi, Pengelolaan Risiko Keamanan Informasi, Kerangka Kerja Keamanan Informasi, Pengelolaan Aset informasi, Teknologi dan Keamanan Informasi dan Peran TIK. Hasil penelitian menunjukkan perbedaan signifikan antara dua Perguruan Tinggi Swasta yang telah dilakukan survey. Pada Perguruan Tinggi A menunjukkan tingkat keamanan informasi dengan nilai 713 yang menunjukan indikator standar Cukup Baik yang meliputi Tata Kelola yang baik, Perlindungan Data Pribadi yang kuat, dan mengedepankan Aspek Teknologi. Sedangkan pada Perguruan Tinggi B menunjukan tingkat keamanan informasi dengan nilai 321 yang menunjukan indikator Tidak Layak standar ISO, dengan elemen yang paling kuat dalam Perguruan Tinggi B adalah kontrol keamanan Perlindungan Data Pribadi.
在高等教育环境中，信息安全对于保护敏感数据、维护信息的完整性和保密性非常重要，无论是私立还是公立大学都是如此。本文使用信息安全指数（OUR Index）5.0 版对位于班佑万吉地区的两所私立大学（即 A 学院和 B 学院）的信息安全管理进行了比较。采用的研究方法包括通过 OUR 指数调查从两所大学收集数据。然后，根据 OUR 标准 SNI ISO 27001 的要素（包括信息安全治理、信息安全风险管理、信息安全框架、信息资产管理、技术和信息安全以及信息和通信技术角色）对数据进行分析和比较。结果显示，接受调查的两所私立大学之间存在明显差异。A 学院的信息安全水平值为 713，显示出相当好的标准指标，其中包括良好的治理、对个人数据的有力保护以及技术方面的优先考虑。与此同时，B 学院的信息安全水平值为 321，达到了 ISO 标准的 "不可行 "指标，其中 B 学院最强的要素是个人数据保护的安全控制。
{"title":"Analisis Keamanan Sistem Informasi Perguruan Tinggi Berbasis Indeks KAMI","authors":"Fauzia Anis, S. Ningrum, Yudha Riwanto, Inggrid Yanuar, R. Pratiwi, M. Fikri","doi":"10.33795/jip.v10i3.5154","DOIUrl":"https://doi.org/10.33795/jip.v10i3.5154","url":null,"abstract":"Keamanan informasi merupakan hal yang penting dalam lingkungan Perguruan Tinggi, baik swasta maupun negeri untuk melindungi data sensitif dan menjaga integritas serta kerahasiaan informasi. Dalam paper ini, dilakukan perbandingan manajemen keamanan informasi antara dua Perguruan Tinggi Swasta yang berada di daerah Kabupaten Banyuwangi, yaitu Perguruan Tinggi A dan Perguruan Tinggi B untuk mengukur menggunakan Indeks Keamanan Informasi (Indeks KAMI) versi 5.0. Metode penelitian yang digunakan melibatkan pengumpulan data dari kedua Perguruan Tinggi melalui survey dengan Indeks KAMI. Setelah itu, data tersebut dianalisis dan perbandingan dilakukan berdasarkan elemen-elemen KAMI yang berstandar SNI ISO 27001, meliputi Tata Kelola Keamanan Informasi, Pengelolaan Risiko Keamanan Informasi, Kerangka Kerja Keamanan Informasi, Pengelolaan Aset informasi, Teknologi dan Keamanan Informasi dan Peran TIK. Hasil penelitian menunjukkan perbedaan signifikan antara dua Perguruan Tinggi Swasta yang telah dilakukan survey. Pada Perguruan Tinggi A menunjukkan tingkat keamanan informasi dengan nilai 713 yang menunjukan indikator standar Cukup Baik yang meliputi Tata Kelola yang baik, Perlindungan Data Pribadi yang kuat, dan mengedepankan Aspek Teknologi. Sedangkan pada Perguruan Tinggi B menunjukan tingkat keamanan informasi dengan nilai 321 yang menunjukan indikator Tidak Layak standar ISO, dengan elemen yang paling kuat dalam Perguruan Tinggi B adalah kontrol keamanan Perlindungan Data Pribadi.","PeriodicalId":232501,"journal":{"name":"Jurnal Informatika Polinema","volume":"84 7","pages":""},"PeriodicalIF":0.0,"publicationDate":"2024-06-15","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"141338229","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Fandi Yulian Pamuji, Ahmad Rofiqul Muslikh, Rizza Muhammad Arief, Delviana Muti
Missing value pada dataset yang kecil akan mengakibatkan berkurangnya data yang dapat digunakan untuk pembelajaran sehingga prediksi hasil klasifikasi dari data tersebut akan berkurang. Metode Imputasi sebagai solusi metode yang paling umum digunakan untuk menangani masalah dataset yang tidak lengkap. Metode Imputasi proses di mana beberapa teknik statistik digunakan untuk mengganti data yang hilang dengan nilai pengganti. Tujuan penelitian ini dengan kinerja klasifikasi yang dapat dipertahankan dengan metode imputasi missing value, karena metode ini dapat menghindari berkurangnya jumlah dataset yang digunakan dalam proses klasifikasi pada dataset dan meningkatkan kinerja klasifikasi pada dataset yang tidak ideal terutama untuk jumlah dataset yang kecil. Berdasarkan hasil eksperimen yang telah dilakukan dari penelitian ini yaitu bahwa pengujian metode imputasi Mean dan KNN Imputation dengan metode klasifikasi mampu menangani data kosong dengan jumlah missing value sedikit maupun banyak dengan menghasilkan nilai accuracy mencapai kinerja prediksi yang lebih besar dibandingkan dengan menggunakan missing value nilai 0. Kemudian untuk dataset Hepatitis nilai Accuracy tinggi menggunakan metode imputasi KNN Imputasi dengan nilai 0,79 menggunakan metode Logistic Regression dan dataset Ginjal Kronis nilai Accuracy tinggi menggunakan metode imputasi Mean dengan nilai 0,97 dengan menggunakan metode Naïve Bayes. Hal tersebut menunjukkan bahwa proses metode imputasi terhadap nilai kosong disetiap column dataset kecil pada tahap data preprocessing memberikan pengaruh terhadap nilai Accuracy metode Mean dan KNN Imputation pada metode klasifikasi.
{"title":"Komparasi Metode Mean dan KNN Imputation dalam Mengatasi Missing Value pada Dataset Kecil","authors":"Fandi Yulian Pamuji, Ahmad Rofiqul Muslikh, Rizza Muhammad Arief, Delviana Muti","doi":"10.33795/jip.v10i2.5031","DOIUrl":"https://doi.org/10.33795/jip.v10i2.5031","url":null,"abstract":"Missing value pada dataset yang kecil akan mengakibatkan berkurangnya data yang dapat digunakan untuk pembelajaran sehingga prediksi hasil klasifikasi dari data tersebut akan berkurang. Metode Imputasi sebagai solusi metode yang paling umum digunakan untuk menangani masalah dataset yang tidak lengkap. Metode Imputasi proses di mana beberapa teknik statistik digunakan untuk mengganti data yang hilang dengan nilai pengganti. Tujuan penelitian ini dengan kinerja klasifikasi yang dapat dipertahankan dengan metode imputasi missing value, karena metode ini dapat menghindari berkurangnya jumlah dataset yang digunakan dalam proses klasifikasi pada dataset dan meningkatkan kinerja klasifikasi pada dataset yang tidak ideal terutama untuk jumlah dataset yang kecil. Berdasarkan hasil eksperimen yang telah dilakukan dari penelitian ini yaitu bahwa pengujian metode imputasi Mean dan KNN Imputation dengan metode klasifikasi mampu menangani data kosong dengan jumlah missing value sedikit maupun banyak dengan menghasilkan nilai accuracy mencapai kinerja prediksi yang lebih besar dibandingkan dengan menggunakan missing value nilai 0. Kemudian untuk dataset Hepatitis nilai Accuracy tinggi menggunakan metode imputasi KNN Imputasi dengan nilai 0,79 menggunakan metode Logistic Regression dan dataset Ginjal Kronis nilai Accuracy tinggi menggunakan metode imputasi Mean dengan nilai 0,97 dengan menggunakan metode Naïve Bayes. Hal tersebut menunjukkan bahwa proses metode imputasi terhadap nilai kosong disetiap column dataset kecil pada tahap data preprocessing memberikan pengaruh terhadap nilai Accuracy metode Mean dan KNN Imputation pada metode klasifikasi.","PeriodicalId":232501,"journal":{"name":"Jurnal Informatika Polinema","volume":"2 7","pages":""},"PeriodicalIF":0.0,"publicationDate":"2024-02-29","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"140408311","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Dewi Purnamasari, Siti Umi Damayanti, Jumrianto, Nisrina Qurratu Aini
Pengelolaan Rencana Anggaran Biaya (RAB) di suatu perusahaan sangat perlu dilakukan agar perusahaan dapat memberikan dampak efisien dalam serapan anggaran dan pelaksanaan program berjalan sesuai dengan yang direncanakan, selain itu juga digunakan untuk memperkirakan biaya komponen-komponen dengan mempertimbangkan waktu pekerjaan dilaksanakan. Rencana Anggaran Biaya sebagai perancangan yang digunakan untuk memperkirakan biaya dan waktu yang dibutuhkan untuk melaksanakan suatu kegiatan. Permasalahan utama pada PT. PLN Unit Pelaksana Transmisi (UPT) Salatiga memiliki bidang kerja pembuatan RAB. Pada proses pembuatan sampai pekerjaan dalam RAB selesai masih dilakukan secara manual dengan menggunakan Google SpreadSheet. Sistem informasi monitoring Rencana Anggaran Biaya berbasis website dirancang untuk membantu PT. PLN UPT Salatiga. Sistem ini bertujuan untuk memonitoring berkas RAB karena sering terjadinya berkas RAB yang terhenti, tidak ditindaklanjuti, proses yang lama, serta berkas yang hilang atau tidak ditemukan. Karena permasalahan tersebut sering dirasakan PT. PLN UPT Salatiga yang menghambat pekerjaan di berbagai bidang yang ada di perusahaan tersebut, dibutuhkan sistem informasi berbasis website untuk monitoring RAB. Penelitian ini berhasil membangun dan mengembangkan sistem informasi berbasis website untuk monitoring RAB dengan menggunakan metode waterfall dan menggunakan pengujian black box testing. Pengujian menunjukkan masing-masing tombol di sistem RAB berjalan tanpa error dengan pengujian masing masing form dilakukan sebanyak lima iterasi. Sistem ini diharapkan dapat menyelesaikan permasalahan yang ada di perusahaan PT. PLN UPT Salatiga terutama dalam monitoring RAB sehingga mempercepat dalam hal komputasi dan hasil penelitian ini menggunakan lima pengujian dengan black box testing yang terdiri dari pengujian form login, form dashboard, form data users, form monitoring RAB, form laporan monitoring RAB yang menunjukkan keberhasilan pengujian aplikasi website RAB sesuai yang diharapkan
{"title":"Rancang Bangun Sistem Informasi Berbasis Website untuk Monitoring RAB di Unit Pelaksana Transmisi PT. PLN Salatiga dengan Blackbox Testing","authors":"Dewi Purnamasari, Siti Umi Damayanti, Jumrianto, Nisrina Qurratu Aini","doi":"10.33795/jip.v10i2.4910","DOIUrl":"https://doi.org/10.33795/jip.v10i2.4910","url":null,"abstract":"Pengelolaan Rencana Anggaran Biaya (RAB) di suatu perusahaan sangat perlu dilakukan agar perusahaan dapat memberikan dampak efisien dalam serapan anggaran dan pelaksanaan program berjalan sesuai dengan yang direncanakan, selain itu juga digunakan untuk memperkirakan biaya komponen-komponen dengan mempertimbangkan waktu pekerjaan dilaksanakan. Rencana Anggaran Biaya sebagai perancangan yang digunakan untuk memperkirakan biaya dan waktu yang dibutuhkan untuk melaksanakan suatu kegiatan. Permasalahan utama pada PT. PLN Unit Pelaksana Transmisi (UPT) Salatiga memiliki bidang kerja pembuatan RAB. Pada proses pembuatan sampai pekerjaan dalam RAB selesai masih dilakukan secara manual dengan menggunakan Google SpreadSheet. Sistem informasi monitoring Rencana Anggaran Biaya berbasis website dirancang untuk membantu PT. PLN UPT Salatiga. Sistem ini bertujuan untuk memonitoring berkas RAB karena sering terjadinya berkas RAB yang terhenti, tidak ditindaklanjuti, proses yang lama, serta berkas yang hilang atau tidak ditemukan. Karena permasalahan tersebut sering dirasakan PT. PLN UPT Salatiga yang menghambat pekerjaan di berbagai bidang yang ada di perusahaan tersebut, dibutuhkan sistem informasi berbasis website untuk monitoring RAB. Penelitian ini berhasil membangun dan mengembangkan sistem informasi berbasis website untuk monitoring RAB dengan menggunakan metode waterfall dan menggunakan pengujian black box testing. Pengujian menunjukkan masing-masing tombol di sistem RAB berjalan tanpa error dengan pengujian masing masing form dilakukan sebanyak lima iterasi. Sistem ini diharapkan dapat menyelesaikan permasalahan yang ada di perusahaan PT. PLN UPT Salatiga terutama dalam monitoring RAB sehingga mempercepat dalam hal komputasi dan hasil penelitian ini menggunakan lima pengujian dengan black box testing yang terdiri dari pengujian form login, form dashboard, form data users, form monitoring RAB, form laporan monitoring RAB yang menunjukkan keberhasilan pengujian aplikasi website RAB sesuai yang diharapkan","PeriodicalId":232501,"journal":{"name":"Jurnal Informatika Polinema","volume":"16 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2024-02-29","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"140411863","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Recruiting employees by means of good selection can show the company's expertise to get competent candidates to support the company's performance well. Employee recruitment at PT BERDIKARI MEUBEL NUSANTARA was done manually and produced subjective decisions when the ability of prospective employees was not too different.To overcome these problems,this research was made to assist recruiters (HRD) in selecting and choosing prospective employees according to company needs, therefore researchers created a Decision Support System (DSS).Decision Support System (DSS) uses the Profile Matching and Linear Interpolation method, so that the method can work well it requires several criteria for prospective employees and is able to provide alternative recommendations and in accordance with the company's needs.The results of the research on the application of the Profile Matching method with Linear Interpolation can assist users in providing recommendations for prospective employees according to what the company expects, the value of the core factors and secondary factors greatly affect the results of accuracy because both are used in the assessment, it will be recommended the results of the total score and sorted b who gets the highest total score.This application is considered effective by obtaining User Acceptance Testing of 99.33% and this decision support system can help companies in selecting employees according to company needs.
{"title":"Implementation of Profile Matching and Linear Interpolation Methods for Web-Based Employee Selection System of PT Berdikari Meubel Nusantara","authors":"Ariono Septian Jaya, Dimas Wahyu Wibowo, Ariadi Retno Tri Hariati Ririd","doi":"10.33795/jip.v10i2.5001","DOIUrl":"https://doi.org/10.33795/jip.v10i2.5001","url":null,"abstract":"Recruiting employees by means of good selection can show the company's expertise to get competent candidates to support the company's performance well. Employee recruitment at PT BERDIKARI MEUBEL NUSANTARA was done manually and produced subjective decisions when the ability of prospective employees was not too different.To overcome these problems,this research was made to assist recruiters (HRD) in selecting and choosing prospective employees according to company needs, therefore researchers created a Decision Support System (DSS).Decision Support System (DSS) uses the Profile Matching and Linear Interpolation method, so that the method can work well it requires several criteria for prospective employees and is able to provide alternative recommendations and in accordance with the company's needs.The results of the research on the application of the Profile Matching method with Linear Interpolation can assist users in providing recommendations for prospective employees according to what the company expects, the value of the core factors and secondary factors greatly affect the results of accuracy because both are used in the assessment, it will be recommended the results of the total score and sorted b who gets the highest total score.This application is considered effective by obtaining User Acceptance Testing of 99.33% and this decision support system can help companies in selecting employees according to company needs.","PeriodicalId":232501,"journal":{"name":"Jurnal Informatika Polinema","volume":"28 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2024-02-29","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"140414750","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Dea Aldiani, Gifthera Dwilestari, Heliyanti Susana, Ryan Hamonangan, D. Pratama
Pengembangan teknologi pengenalan wajah telah menjadi peluang untuk meningkatkan efisiensi sistem absensi. Penelitian ini bertujuan untuk mengimplementasikan algoritma Convolutional Neural Network (CNN) dalam sistem absensi berbasis pengenalan wajah. Keunggulan CNN dalam mengekstraksi fitur kompleks dari gambar menjadikannya pilihan yang potensial untuk meningkatkan akurasi pengenalan wajah dalam pengelolaan absensi. Penelitian ini menggunakan kumpulan dataset wajah yang beragam, mencakup variasi sudut pandang, ekspresi, dan kondisi pencahayaan. Data yang digunakan terdiri dari 20 kelas yang masing-masing memiliki 500 data wajah. Penerapan model CNN dimulai dengan perancangan arsitektur CNN sederhana dengan menambahkan lapisan konvolusi, pooling dan fully connected. Model CNN kemudian dilatih menggunakan data latih sebesar 85% dari keseluruhan data. Setelah model dilatih, selanjutnya dilakukan evaluasi model CNN melalui beberapa metrik evaluasi. Dari hasil evaluasi diperoleh tingkat akurasi yang baik sebesar 91%. Setelah memperoleh model CNN untuk pengenalan wajah, model CNN diimplementasikan dalam sistem absensi. Berdasarkan hasil implementasi algoritma CNN terhadap sistem absensi diperoleh proses absensi yang akurat dan efisien sehingga dapat mengatasi kecurangan dan manipulasi data serta meningkatkan efisiensi dalam manajemen kehadiran di berbagai lingkungan.
{"title":"Implementasi Algoritma CNN dalam Sistem Absensi Berbasis Pengenalan Wajah","authors":"Dea Aldiani, Gifthera Dwilestari, Heliyanti Susana, Ryan Hamonangan, D. Pratama","doi":"10.33795/jip.v10i2.4852","DOIUrl":"https://doi.org/10.33795/jip.v10i2.4852","url":null,"abstract":"Pengembangan teknologi pengenalan wajah telah menjadi peluang untuk meningkatkan efisiensi sistem absensi. Penelitian ini bertujuan untuk mengimplementasikan algoritma Convolutional Neural Network (CNN) dalam sistem absensi berbasis pengenalan wajah. Keunggulan CNN dalam mengekstraksi fitur kompleks dari gambar menjadikannya pilihan yang potensial untuk meningkatkan akurasi pengenalan wajah dalam pengelolaan absensi. Penelitian ini menggunakan kumpulan dataset wajah yang beragam, mencakup variasi sudut pandang, ekspresi, dan kondisi pencahayaan. Data yang digunakan terdiri dari 20 kelas yang masing-masing memiliki 500 data wajah. Penerapan model CNN dimulai dengan perancangan arsitektur CNN sederhana dengan menambahkan lapisan konvolusi, pooling dan fully connected. Model CNN kemudian dilatih menggunakan data latih sebesar 85% dari keseluruhan data. Setelah model dilatih, selanjutnya dilakukan evaluasi model CNN melalui beberapa metrik evaluasi. Dari hasil evaluasi diperoleh tingkat akurasi yang baik sebesar 91%. Setelah memperoleh model CNN untuk pengenalan wajah, model CNN diimplementasikan dalam sistem absensi. Berdasarkan hasil implementasi algoritma CNN terhadap sistem absensi diperoleh proses absensi yang akurat dan efisien sehingga dapat mengatasi kecurangan dan manipulasi data serta meningkatkan efisiensi dalam manajemen kehadiran di berbagai lingkungan.","PeriodicalId":232501,"journal":{"name":"Jurnal Informatika Polinema","volume":"2 34","pages":""},"PeriodicalIF":0.0,"publicationDate":"2024-02-29","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"140410547","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Severe Acute Respiratory Syndrome Coronavirus-2 (SARS-CoV-2), atau Covid-19, merupakan penyakit virus yang sangat menular melalui kontak fisik atau sentuhan dengan benda yang telah tersentuh oleh individu terjangkit. Pandemi ini memberikan dampak besar, termasuk perubahan signifikan dalam gaya hidup sehari-hari dan pembatasan kontak sosial dengan banyak orang. Kesulitan dalam mendeteksi keberadaan penyakit ini disebabkan oleh kurangnya pemahaman masyarakat, memungkinkan penyebarannya menjadi sangat cepat. Terdapat kendala dengan adanya keterbatasan konsultasi dan fasilitas Rapid Test dan Swab Test yang belum merata dan harganya relatif mahal sehingga tidak semua orang mau melakukan pemeriksaan. Tujuan penelitian ini adalah membangun Sistem Pakar untuk melakukan diagnosis awal terhadap penyakit virus corona menggunakan Metode Certainty Factor yang mempermudah dalam memberikan hasil diagnosis, pengetahuan, serta solusi. Certainty Factor dapat bekerja dengan ketidakpastian melalui pemrosesan data untuk mengambil kesimpulan hasil diagnosis penyakit dengan persentase perhitungan nilai kepastian. Penelitian ini berfokus pada gejala klinis Covid-19, sistem ini diharapkan dapat membantu dalam mengantisipasi penyebaran virus dengan memberikan solusi yang tepat waktu. Metode Certainty Factor dipilih karena kemampuannya mengolah data yang memiliki ketidakpastian, menjaga keakuratan hasil, dan dianggap cocok untuk implementasi sistem pakar dengan input data yang tidak pasti. Penelitian ini mengusulkan solusi yang relevan dengan data kondisi beberapa gejala komorbid, agnosmia, dan ageusia untuk melakukan identifikasi penyakit menjadi dua rule kelas yaitu Suspect dan Probable Covid-19. Berdasarkan pengujian fungsionalitas secara black box, didapatkan tingkat akurasi sebesar 100%, sementara berdasarkan pengujian validitas pakar, tingkat akurasi sebesar 100%, dan pengujian validitas perhitungan memiliki tingkat akurasi uji validitas sebesar 87.5%.
{"title":"Analisis Kinerja Sistem Pakar Diagnosis Coronavirus Disease Menggunakan Metode Certainty Factor","authors":"Moch Deny Pratama, Luqman Affandi, Bagas Satya Dian Nugraha","doi":"10.33795/jip.v10i2.4702","DOIUrl":"https://doi.org/10.33795/jip.v10i2.4702","url":null,"abstract":"Severe Acute Respiratory Syndrome Coronavirus-2 (SARS-CoV-2), atau Covid-19, merupakan penyakit virus yang sangat menular melalui kontak fisik atau sentuhan dengan benda yang telah tersentuh oleh individu terjangkit. Pandemi ini memberikan dampak besar, termasuk perubahan signifikan dalam gaya hidup sehari-hari dan pembatasan kontak sosial dengan banyak orang. Kesulitan dalam mendeteksi keberadaan penyakit ini disebabkan oleh kurangnya pemahaman masyarakat, memungkinkan penyebarannya menjadi sangat cepat. Terdapat kendala dengan adanya keterbatasan konsultasi dan fasilitas Rapid Test dan Swab Test yang belum merata dan harganya relatif mahal sehingga tidak semua orang mau melakukan pemeriksaan. Tujuan penelitian ini adalah membangun Sistem Pakar untuk melakukan diagnosis awal terhadap penyakit virus corona menggunakan Metode Certainty Factor yang mempermudah dalam memberikan hasil diagnosis, pengetahuan, serta solusi. Certainty Factor dapat bekerja dengan ketidakpastian melalui pemrosesan data untuk mengambil kesimpulan hasil diagnosis penyakit dengan persentase perhitungan nilai kepastian. Penelitian ini berfokus pada gejala klinis Covid-19, sistem ini diharapkan dapat membantu dalam mengantisipasi penyebaran virus dengan memberikan solusi yang tepat waktu. Metode Certainty Factor dipilih karena kemampuannya mengolah data yang memiliki ketidakpastian, menjaga keakuratan hasil, dan dianggap cocok untuk implementasi sistem pakar dengan input data yang tidak pasti. Penelitian ini mengusulkan solusi yang relevan dengan data kondisi beberapa gejala komorbid, agnosmia, dan ageusia untuk melakukan identifikasi penyakit menjadi dua rule kelas yaitu Suspect dan Probable Covid-19. Berdasarkan pengujian fungsionalitas secara black box, didapatkan tingkat akurasi sebesar 100%, sementara berdasarkan pengujian validitas pakar, tingkat akurasi sebesar 100%, dan pengujian validitas perhitungan memiliki tingkat akurasi uji validitas sebesar 87.5%.","PeriodicalId":232501,"journal":{"name":"Jurnal Informatika Polinema","volume":"2005 15","pages":""},"PeriodicalIF":0.0,"publicationDate":"2024-02-29","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"140416474","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Perusahaan teknologi di Indonesia saat ini sedang bersaing ketat untuk beralih dari sistem bisnis konvensional ke sistem bisnis digital. Karena dengan software, perusahaan dapat menjalankan proses bisnis lebih cepat, efisien, dan dapat mengolah data bisnis dengan lebih akurat. Saat ingin beralih ke perangkat lunak, perusahaan perlu memutuskan perangkat lunak mana yang tepat. Untuk itu diperlukan sistem rekomendasi untuk membantu perusahaan mengambil keputusan pemilihan software. Pada penelitian ini, penulis membuat sebuah software sistem rekomendasi. Sistem yang penulis buat adalah sistem yang menggunakan content-based filtering dengan metode pembobotan TF-IDF dan algoritma cosine similarity. Sebagai referensi, penulis juga menggunakan data dari PT XYZ. Sistem dibuat menggunakan bahasa pemrograman Python dengan framework flask sehingga sistem yang dihasilkan berbasis halaman web. Hasil dari sistem rekomendasi dengan menggunakan metode content-based filtering memberikan urutan saran terbaik menurut data PT. XYZ dengan membandingkan tiga kriteria yang meliputi deskripsi modul, kategori usaha dan jenis industri dengan keluaran berupa empat kriteria yaitu nama perusahaan, kategori usaha, jenis usaha dan modul software yang digunakan. Berdasarkan hasil dari pengujian tersebut, sistem dapat memberikan rekomendasi berdasarkan kemiripan dari setiap deskripsi software dan menghasilkan nilai precision dengan rata-rata sebesar 77%. Kemudian sistem diuji dengan metode black box dengan dua tindakan, satu sebagai user dan satu sebagai administrator dan didapatkan hasil yang dapat menunjukkan bahwa sistem bekerja dengan normal dan sesuai fungsinya. Adanya sistem rekomendasi dengan menggunakan content-based filtering yang diimplementasikan pada website dapat menjadi rekomendasi bagi klien PT.XYZ untuk mengidentifikasi software yang tepat dan tentunya hal tersebut menjadi keuntungan tersendiri bagi PT.XYZ untuk meningkatkan penjualan produk software-nya.
{"title":"Sistem Rekomendasi Pemilihan Software Berbasis Content-Based Filterting (Studi Kasus: PT. XYZ)","authors":"Afzal Ziqri, Nur Ghaniaviyanto Ramadhan","doi":"10.33795/jip.v10i2.5008","DOIUrl":"https://doi.org/10.33795/jip.v10i2.5008","url":null,"abstract":"Perusahaan teknologi di Indonesia saat ini sedang bersaing ketat untuk beralih dari sistem bisnis konvensional ke sistem bisnis digital. Karena dengan software, perusahaan dapat menjalankan proses bisnis lebih cepat, efisien, dan dapat mengolah data bisnis dengan lebih akurat. Saat ingin beralih ke perangkat lunak, perusahaan perlu memutuskan perangkat lunak mana yang tepat. Untuk itu diperlukan sistem rekomendasi untuk membantu perusahaan mengambil keputusan pemilihan software. Pada penelitian ini, penulis membuat sebuah software sistem rekomendasi. Sistem yang penulis buat adalah sistem yang menggunakan content-based filtering dengan metode pembobotan TF-IDF dan algoritma cosine similarity. Sebagai referensi, penulis juga menggunakan data dari PT XYZ. Sistem dibuat menggunakan bahasa pemrograman Python dengan framework flask sehingga sistem yang dihasilkan berbasis halaman web. Hasil dari sistem rekomendasi dengan menggunakan metode content-based filtering memberikan urutan saran terbaik menurut data PT. XYZ dengan membandingkan tiga kriteria yang meliputi deskripsi modul, kategori usaha dan jenis industri dengan keluaran berupa empat kriteria yaitu nama perusahaan, kategori usaha, jenis usaha dan modul software yang digunakan. Berdasarkan hasil dari pengujian tersebut, sistem dapat memberikan rekomendasi berdasarkan kemiripan dari setiap deskripsi software dan menghasilkan nilai precision dengan rata-rata sebesar 77%. Kemudian sistem diuji dengan metode black box dengan dua tindakan, satu sebagai user dan satu sebagai administrator dan didapatkan hasil yang dapat menunjukkan bahwa sistem bekerja dengan normal dan sesuai fungsinya. Adanya sistem rekomendasi dengan menggunakan content-based filtering yang diimplementasikan pada website dapat menjadi rekomendasi bagi klien PT.XYZ untuk mengidentifikasi software yang tepat dan tentunya hal tersebut menjadi keuntungan tersendiri bagi PT.XYZ untuk meningkatkan penjualan produk software-nya.","PeriodicalId":232501,"journal":{"name":"Jurnal Informatika Polinema","volume":"590 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2024-02-29","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"140417394","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Wilda Imama Sabilla, Muhammad Adisa Putra Perkasa, D. Wibowo
Daging sapi merupakan salah satu sumber protein yang banyak dikonsumsi masyarakat Indonesia. Daging banyak dijual baik di pasar tradisional maupun pasar modern. Beberapa penjual yang tidak jujur mencampur daging segar dan tidak segar pada produknya untuk mendapatkan keuntungan lebih. Sebagian konsumen akhirnya mendapatkan daging yang kurang segar karena tidak semua konsumen memiliki pengetahuan mengenai kesegaran daging. Penelitian ini mengembangkan sistem pendeteksi kualitas daging untuk membantu pengguna yang tidak memahami tingkat kesegaran daging. Di samping itu keterbatasan mata manusia memungkinkan kesalahan dalam menentukan daging merupakan daging segar atau tidak segar. Aplikasi yang dibuat akan mendeteksi kesegaran daging melalui warna dan tekstur daging, Data yang digunakan pada penelitian ini adalah citra daging sapi segar dan tidak segar yang diperoleh dari berbagai sumber. Metode pengolahan data meliputi praproses citra dilanjutkan dengan ekstraksi fitur. Fitur yang digunakan adalah fitur warna melalui perhitungan HIS serta fitur tekstur menggunakan metode Gray-Level Co-occurrence Matrix (GLCM). Fitur warna dan tekstur tersebut selanjutnya diklasifikasikan ke dalam daging segar atau tidak segar menggunakan metode Naïve Bayes. Berdasarkan hasil pengujian, diperoleh nilai akurasi sebesar 92%. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan sistem untuk mendeteksi kualitas daging segar dan dapat membantu menginformasikan tentang kualitas daging bagi pengguna yang tidak memiliki pengetahuan tentang kesegaran daging.
牛肉是印尼人广泛食用的蛋白质来源。肉类在传统市场和现代市场都有广泛销售。一些不诚实的销售商为了获得更多利润，会在产品中混入新鲜和不新鲜的肉类。由于并非所有消费者都了解肉类的新鲜度，一些消费者最终买到的肉不新鲜。这项研究开发了一种肉类质量检测系统，以帮助不了解肉类新鲜度的用户。此外，由于人眼的局限性，在判断肉类是否新鲜时会出现误差。所创建的应用程序将通过肉的颜色和纹理来检测肉的新鲜程度。 本研究使用的数据是从不同来源获取的新鲜和不新鲜牛肉图像。数据处理方法包括图像预处理和特征提取。使用的特征是通过 HIS 计算得出的颜色特征和使用灰度共现矩阵 (GLCM) 方法得出的纹理特征。然后使用 Naïve Bayes 方法将颜色和纹理特征分为新鲜肉和不新鲜肉。根据测试结果，准确率达到 92%。这项研究有望为开发检测鲜肉质量的系统做出贡献，并有助于向不了解肉类新鲜度的用户提供有关肉类质量的信息。
{"title":"Sistem Pendeteksi Kualitas Daging Segar dengan Metode Naive Bayes","authors":"Wilda Imama Sabilla, Muhammad Adisa Putra Perkasa, D. Wibowo","doi":"10.33795/jip.v10i2.5006","DOIUrl":"https://doi.org/10.33795/jip.v10i2.5006","url":null,"abstract":"Daging sapi merupakan salah satu sumber protein yang banyak dikonsumsi masyarakat Indonesia. Daging banyak dijual baik di pasar tradisional maupun pasar modern. Beberapa penjual yang tidak jujur mencampur daging segar dan tidak segar pada produknya untuk mendapatkan keuntungan lebih. Sebagian konsumen akhirnya mendapatkan daging yang kurang segar karena tidak semua konsumen memiliki pengetahuan mengenai kesegaran daging. Penelitian ini mengembangkan sistem pendeteksi kualitas daging untuk membantu pengguna yang tidak memahami tingkat kesegaran daging. Di samping itu keterbatasan mata manusia memungkinkan kesalahan dalam menentukan daging merupakan daging segar atau tidak segar. Aplikasi yang dibuat akan mendeteksi kesegaran daging melalui warna dan tekstur daging, Data yang digunakan pada penelitian ini adalah citra daging sapi segar dan tidak segar yang diperoleh dari berbagai sumber. Metode pengolahan data meliputi praproses citra dilanjutkan dengan ekstraksi fitur. Fitur yang digunakan adalah fitur warna melalui perhitungan HIS serta fitur tekstur menggunakan metode Gray-Level Co-occurrence Matrix (GLCM). Fitur warna dan tekstur tersebut selanjutnya diklasifikasikan ke dalam daging segar atau tidak segar menggunakan metode Naïve Bayes. Berdasarkan hasil pengujian, diperoleh nilai akurasi sebesar 92%. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan sistem untuk mendeteksi kualitas daging segar dan dapat membantu menginformasikan tentang kualitas daging bagi pengguna yang tidak memiliki pengetahuan tentang kesegaran daging.","PeriodicalId":232501,"journal":{"name":"Jurnal Informatika Polinema","volume":"35 10","pages":""},"PeriodicalIF":0.0,"publicationDate":"2024-02-29","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"140410959","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Penelitian ini menyajikan pengujian mendalam terhadap Lightweight Encryption Algorithm (LEA) pada mikrokontroler NodeMCU ESP8266. Pertama, penelitian ini mengontekstualisasikan pentingnya IoT di berbagai sektor, menggarisbawahi kebutuhan kritis akan kerahasiaan data yang kuat di tengah meningkatnya tantangan keamanan. Penelitian ini mempelajari ranah lightweight cryptography, yang menekankan perlunya solusi kriptografi yang efisien serta aman pada perangkat dengan sumber daya komputasi yang terbatas. Berfokus pada cipher LEA, penelitian ini mengevaluasi kinerjanya di berbagai ukuran kunci (128, 196, dan 256 bit) dan membandingkan kecepatan enkripsi dan dekripsinya dengan literatur yang ada. Temuan menunjukkan bahwa LEA tidak hanya memberikan pendekatan yang seimbang terhadap keamanan dan efisiensi tetapi juga beradaptasi dengan baik terhadap batasan lingkungan IoT, terutama jika dibandingkan dengan algoritme lain seperti AES-128. Penelitian ini memberikan kontribusi pada bidang keamanan IoT, menawarkan gambaran yang penting dalam implementasi solusi kriptografi di lingkungan yang memiliki keterbatasan sumber daya.
{"title":"Evaluasi Kinerja Enkripsi Algoritma LEA Mode CTR pada NodeMCU8266","authors":"Vian Navalino, A. F. Wadjdi, Yudistira Asnar","doi":"10.33795/jip.v10i2.4831","DOIUrl":"https://doi.org/10.33795/jip.v10i2.4831","url":null,"abstract":"Penelitian ini menyajikan pengujian mendalam terhadap Lightweight Encryption Algorithm (LEA) pada mikrokontroler NodeMCU ESP8266. Pertama, penelitian ini mengontekstualisasikan pentingnya IoT di berbagai sektor, menggarisbawahi kebutuhan kritis akan kerahasiaan data yang kuat di tengah meningkatnya tantangan keamanan. Penelitian ini mempelajari ranah lightweight cryptography, yang menekankan perlunya solusi kriptografi yang efisien serta aman pada perangkat dengan sumber daya komputasi yang terbatas. Berfokus pada cipher LEA, penelitian ini mengevaluasi kinerjanya di berbagai ukuran kunci (128, 196, dan 256 bit) dan membandingkan kecepatan enkripsi dan dekripsinya dengan literatur yang ada. Temuan menunjukkan bahwa LEA tidak hanya memberikan pendekatan yang seimbang terhadap keamanan dan efisiensi tetapi juga beradaptasi dengan baik terhadap batasan lingkungan IoT, terutama jika dibandingkan dengan algoritme lain seperti AES-128. Penelitian ini memberikan kontribusi pada bidang keamanan IoT, menawarkan gambaran yang penting dalam implementasi solusi kriptografi di lingkungan yang memiliki keterbatasan sumber daya.","PeriodicalId":232501,"journal":{"name":"Jurnal Informatika Polinema","volume":"7 13","pages":""},"PeriodicalIF":0.0,"publicationDate":"2024-02-29","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"140408273","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Ratna Septia Devi, Triando Hamonangan Saragih, M. Faisal, Dwi Kartini, I. Budiman, Ilmu Komputer
Kanker payudara adalah penyebab utama kematian akibat kanker tertinggi kedua di dunia. Pasien Kanker payudara terus mengalami peningkatan dan menjadi masalah kesehatan yang cukup serius di seluruh dunia, termasuk juga di Indonesia. Diagnosis dini adalah salah satu pendekatan terbaik untuk mencegah penyakit ini semakin meningkat dan berkembang. Machine learning dapat melakukan penambangan data menggunakan serangkaian fitur pada sebuah data. Penelitian ini menggunakan dataset public dari UCI machine learning repository yaitu Breast Cancer Wisconsin (Diagnostic). Pada dataset ini memiliki atribut sebanyak 32 fitur, namun banyaknya fitur pada sebuah data juga akan memperlambat waktu komputasi dari metode klasifikasi yang digunakan. Pada penelian ini, akan dilakukan seleksi fitur menggunakan metode Hybrid Grey Wolf Optimization dan Particle Swarm Optimization (HGWOPSO) untuk memilih fitur yang paling informatif dan signifikan untuk digunakan pada klasifikasi. Metode klasifikasi yang digunakan adalah Distance Biased Naive Bayes (DBNB) yang terdiri dari dua modul yaitu Weighted Naïve Bayes Module (WNBM) dan Distance Reinforcement Module (DRM). Dari penelitian ini, didapatkan performa akurasi tertinggi pada model DBNB tanpa seleksi fitur sebesar 94,90%, DBNB dengan GWO sebesar 95,08%, DBNB dengan PSO sebesar 95,25%, dan DBNB dengan HGWOPSO sebesar 96,13%. Dapat disimpulkan bahwa model DBNB dengan seleksi fitur HGWOPSO mengalami peningkatan dibandingkan dengan DBNB tanpa seleksi fitur maupun dengan seleksi fitur individualnya.
{"title":"Seleksi Fitur Hybrid Grey Wolf Optimization dan Particle Swarm Optimization pada Distance Biased Naive Bayes untuk Klasifikasi Kanker Payudara","authors":"Ratna Septia Devi, Triando Hamonangan Saragih, M. Faisal, Dwi Kartini, I. Budiman, Ilmu Komputer","doi":"10.33795/jip.v10i2.4737","DOIUrl":"https://doi.org/10.33795/jip.v10i2.4737","url":null,"abstract":"Kanker payudara adalah penyebab utama kematian akibat kanker tertinggi kedua di dunia. Pasien Kanker payudara terus mengalami peningkatan dan menjadi masalah kesehatan yang cukup serius di seluruh dunia, termasuk juga di Indonesia. Diagnosis dini adalah salah satu pendekatan terbaik untuk mencegah penyakit ini semakin meningkat dan berkembang. Machine learning dapat melakukan penambangan data menggunakan serangkaian fitur pada sebuah data. Penelitian ini menggunakan dataset public dari UCI machine learning repository yaitu Breast Cancer Wisconsin (Diagnostic). Pada dataset ini memiliki atribut sebanyak 32 fitur, namun banyaknya fitur pada sebuah data juga akan memperlambat waktu komputasi dari metode klasifikasi yang digunakan. Pada penelian ini, akan dilakukan seleksi fitur menggunakan metode Hybrid Grey Wolf Optimization dan Particle Swarm Optimization (HGWOPSO) untuk memilih fitur yang paling informatif dan signifikan untuk digunakan pada klasifikasi. Metode klasifikasi yang digunakan adalah Distance Biased Naive Bayes (DBNB) yang terdiri dari dua modul yaitu Weighted Naïve Bayes Module (WNBM) dan Distance Reinforcement Module (DRM). Dari penelitian ini, didapatkan performa akurasi tertinggi pada model DBNB tanpa seleksi fitur sebesar 94,90%, DBNB dengan GWO sebesar 95,08%, DBNB dengan PSO sebesar 95,25%, dan DBNB dengan HGWOPSO sebesar 96,13%. Dapat disimpulkan bahwa model DBNB dengan seleksi fitur HGWOPSO mengalami peningkatan dibandingkan dengan DBNB tanpa seleksi fitur maupun dengan seleksi fitur individualnya.","PeriodicalId":232501,"journal":{"name":"Jurnal Informatika Polinema","volume":"16 12","pages":""},"PeriodicalIF":0.0,"publicationDate":"2024-02-29","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"140413648","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
京公网安备 11010802042870号
京ICP备2023020795号-1
扫码关注我们
求助内容：
应助结果提醒方式：