Class Imbalance Learning (CIL) merupakan proses pembelajaran untuk representasi data dan ekstraksi informasi dengan distribusi data yang buruk untuk mendukung pembuatan keputusan yang efektif dalam proses pengambilan keputusan. SMOTE-N adalah salah satu pendekatan data-level dalam CIL mengunakan metode over-sampling. SMOTE-N menghasilkan instance sintesis untuk menyeimbangkan jumlah instance pada kelas minoritasnya. Penelitian ini mengaplikasikan SMOTE-N pada dataset Tuberculosis Anak (TB Anak) yang memiliki ketidakseimbangan kelas. Metode over-sampling dipilih untuk menghindari kehilangan informasi yang penting dikarenakan dataset TB Anak memiliki jumlah instance yang sedikit. Naïve Bayes Classifier digunakan untuk mengevaluasi model dari dataset yang sudah seimbang. Hasilnya menunjukkan bahwa SMOTE-N dapat meningkatkan kinerja pada CIL.
{"title":"Class Imbalanced Learning Menggunakan Algoritma Synthetic Minority Over-sampling Technique – Nominal (SMOTE-N) pada Dataset Tuberculosis Anak","authors":"Y. Kurniawati","doi":"10.24002/jbi.v10i2.2441","DOIUrl":"https://doi.org/10.24002/jbi.v10i2.2441","url":null,"abstract":"Class Imbalance Learning (CIL) merupakan proses pembelajaran untuk representasi data dan ekstraksi informasi dengan distribusi data yang buruk untuk mendukung pembuatan keputusan yang efektif dalam proses pengambilan keputusan. SMOTE-N adalah salah satu pendekatan data-level dalam CIL mengunakan metode over-sampling. SMOTE-N menghasilkan instance sintesis untuk menyeimbangkan jumlah instance pada kelas minoritasnya. Penelitian ini mengaplikasikan SMOTE-N pada dataset Tuberculosis Anak (TB Anak) yang memiliki ketidakseimbangan kelas. Metode over-sampling dipilih untuk menghindari kehilangan informasi yang penting dikarenakan dataset TB Anak memiliki jumlah instance yang sedikit. Naïve Bayes Classifier digunakan untuk mengevaluasi model dari dataset yang sudah seimbang. Hasilnya menunjukkan bahwa SMOTE-N dapat meningkatkan kinerja pada CIL.","PeriodicalId":381749,"journal":{"name":"Jurnal Buana Informatika","volume":"50 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2019-10-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"123871183","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}
Christin Nandari Dengen, Azriel Christian Nurcahyo, K. Kusrini
The slope is a measure of the slope of the land relative to the flat plane which is generally expressed in percent or degree. Agricultural land that has a slope of more than 15 ° can be more easily damaged. In this study, a value of 2.5 ° was used in determining the normal slope. The process of implementing a decision support system used linear programming adoption in determining the slope angle of the land, rotation of the slope of the land and determining whether or not the normalization of the input image was necessary or not. The purpose of this research is to determine the time needed to determine the type of plant based on rotation or the angle of setting determined by the user. The results of the study are the greater the height and width of an object the longer the time needed to determine the type of plant, land price or slope of the land. The results of the study were obtained in five tests. Tests 1 and 2 images with height and image width ranged from 150-480 obtained time for normalization of 15-30, testing 3.4.5 images with height and image widths ranging from 322 and 788 requiring 54- 108. Keywords: Slope, Adopting Linear Programming, Decision Support Systems
{"title":"Penentuan Jenis Tanaman Berdasarkan Kemiringan Lahan Pertanian Menggunakan Adopsi Linier Programming Berbasis Pengolahan Citra","authors":"Christin Nandari Dengen, Azriel Christian Nurcahyo, K. Kusrini","doi":"10.24002/jbi.v10i2.2253","DOIUrl":"https://doi.org/10.24002/jbi.v10i2.2253","url":null,"abstract":"The slope is a measure of the slope of the land relative to the flat plane which is generally expressed in percent or degree. Agricultural land that has a slope of more than 15 ° can be more easily damaged. In this study, a value of 2.5 ° was used in determining the normal slope. The process of implementing a decision support system used linear programming adoption in determining the slope angle of the land, rotation of the slope of the land and determining whether or not the normalization of the input image was necessary or not. The purpose of this research is to determine the time needed to determine the type of plant based on rotation or the angle of setting determined by the user. The results of the study are the greater the height and width of an object the longer the time needed to determine the type of plant, land price or slope of the land. The results of the study were obtained in five tests. Tests 1 and 2 images with height and image width ranged from 150-480 obtained time for normalization of 15-30, testing 3.4.5 images with height and image widths ranging from 322 and 788 requiring 54- 108. Keywords: Slope, Adopting Linear Programming, Decision Support Systems","PeriodicalId":381749,"journal":{"name":"Jurnal Buana Informatika","volume":"2 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2019-10-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"129264816","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}
Dataset sangatlah penting dalam proses pembuatan model untuk pembelajaran mesin ataupun pemrosesan bahasa alami. Untuk memperoleh dataset dilakukan proses anotasi atau pemberian informasi pada sebuah kalimat. Proses pembuatan dataset jika dilakukan secara manual dapat memakan waktu dan menyebabkan pemrosesan bahasa alami terhambat. Sehingga dibutuhkan kemudahan dalam pembuatan dataset. Dengan masalah yang dihadapi maka dibuatlah aplikasi yang dapat melakukan anotasi dengan menggunakan pendekatan NER (Named Entity Recognition) untuk dapat memilah kalimat yang akan dilakukan anotasi. Aplikasi anotasi dibangun mendukung platform web dan dibuat dengan bahasa pemrograman javascript menggunakan framework ExpressJS, ReactJS, dan mengimplementasikan PWA (Progressive Web Apps). Dari aplikasi yang dihasilkan, aplikasi anotasi yang dibangun secara signifikan mampu membantu proses anotasi dan mempercepat pembuatan dataset, selain itu pendekatan NER pada aplikasi anotasi dapat bekerja dengan baik dalam memilah kalimat untuk dilakukan proses anotasi, penggunaan framework mampu mempercepat pembangunan aplikasi dan meningkatkan kinerja aplikasi lebih maksimal.
{"title":"Pembangungan Aplikasi Alat Bantu Proses Anotasi Menggunakan Progressive Web Apps","authors":"I. G. Suryawan, Y. S. P. Wp, E. Ernawati","doi":"10.24002/jbi.v10i2.2380","DOIUrl":"https://doi.org/10.24002/jbi.v10i2.2380","url":null,"abstract":"Dataset sangatlah penting dalam proses pembuatan model untuk pembelajaran mesin ataupun pemrosesan bahasa alami. Untuk memperoleh dataset dilakukan proses anotasi atau pemberian informasi pada sebuah kalimat. Proses pembuatan dataset jika dilakukan secara manual dapat memakan waktu dan menyebabkan pemrosesan bahasa alami terhambat. Sehingga dibutuhkan kemudahan dalam pembuatan dataset. Dengan masalah yang dihadapi maka dibuatlah aplikasi yang dapat melakukan anotasi dengan menggunakan pendekatan NER (Named Entity Recognition) untuk dapat memilah kalimat yang akan dilakukan anotasi. Aplikasi anotasi dibangun mendukung platform web dan dibuat dengan bahasa pemrograman javascript menggunakan framework ExpressJS, ReactJS, dan mengimplementasikan PWA (Progressive Web Apps). Dari aplikasi yang dihasilkan, aplikasi anotasi yang dibangun secara signifikan mampu membantu proses anotasi dan mempercepat pembuatan dataset, selain itu pendekatan NER pada aplikasi anotasi dapat bekerja dengan baik dalam memilah kalimat untuk dilakukan proses anotasi, penggunaan framework mampu mempercepat pembangunan aplikasi dan meningkatkan kinerja aplikasi lebih maksimal.","PeriodicalId":381749,"journal":{"name":"Jurnal Buana Informatika","volume":"16 2 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2019-10-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"132435284","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}
Abstrak. UIN Sunan Kalijaga Yogyakarta memiliki sistem penilaian kinerja dosen yang biasa disebut dengan IKD (Indeks Kinerja Dosen) di Sistem Informasi Akademik. Penilaian diisi oleh mahasiswa pada akhir semester dengan mengisi kuesioner berupa kritik dan saran terhadap kegiatan perkuliahan. Dari data kritik dan saran ini bisa dilihat apakah memiliki sentimen negatif, netral, ataupun positif dengan cara melakukan analisis sentimen. Analisis sentimen yang dipergunakan adalah Naive Bayes Classifier. Pada penelitian ini, sebanyak 8249 data yang dipergunakan, dengan komposisi 3000 data latih dengan label dan 5249 data uji tanpa label. Analisis sentimen data kritik dan saran IKD ini menghasilkan akurasi yang lebih besar menggunakan pembobotan TF-IDF yaitu 73,9% dibandingkan dengan pembobotan TF yaitu 72,8%. Nilai akurasi ini didapatkan dari 3000 data latih yang sudah diberi label menggunakan metode evaluasi model klasifikasi K-Fold Cross Validation
{"title":"Analisis Sentimen pada Indeks Kinerja Dosen Fakultas SAINTEK UIN Sunan Kalijaga Menggunakan Naive Bayes Classifier","authors":"Bama Abpama Sevsa, M. D. R. Wahyudi","doi":"10.24002/jbi.v10i2.2250","DOIUrl":"https://doi.org/10.24002/jbi.v10i2.2250","url":null,"abstract":"Abstrak. UIN Sunan Kalijaga Yogyakarta memiliki sistem penilaian kinerja dosen yang biasa disebut dengan IKD (Indeks Kinerja Dosen) di Sistem Informasi Akademik. Penilaian diisi oleh mahasiswa pada akhir semester dengan mengisi kuesioner berupa kritik dan saran terhadap kegiatan perkuliahan. Dari data kritik dan saran ini bisa dilihat apakah memiliki sentimen negatif, netral, ataupun positif dengan cara melakukan analisis sentimen. Analisis sentimen yang dipergunakan adalah Naive Bayes Classifier. Pada penelitian ini, sebanyak 8249 data yang dipergunakan, dengan komposisi 3000 data latih dengan label dan 5249 data uji tanpa label. Analisis sentimen data kritik dan saran IKD ini menghasilkan akurasi yang lebih besar menggunakan pembobotan TF-IDF yaitu 73,9% dibandingkan dengan pembobotan TF yaitu 72,8%. Nilai akurasi ini didapatkan dari 3000 data latih yang sudah diberi label menggunakan metode evaluasi model klasifikasi K-Fold Cross Validation","PeriodicalId":381749,"journal":{"name":"Jurnal Buana Informatika","volume":"1 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2019-10-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"128863949","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}
Banyaknya ujaran kebencian yang ada di media sosial sudah membuat jengah. Ujaran kebencian tersebut makin marak dijumpai namun masih belum ada upaya preventif dari media sosial untuk menangkal ujaran kebencian. Deteksi ujaran kebencian yang sudah dibuat juga belum tersedia dalam Bahasa Indonesia. Pada tugas akhir ini, akan dibuat model pembelajaran mesin yang dapat mengenali ujaran kebencian dengan Bahasa Indonesia. Dalam model tersebut akan membandingkan beberapa metode-metode pembelajaran mesin yang ada. Metode yang digunakan dalam pengujian adalah Naïve Bayes, SVM, dan Logistic Regression. Dalam pengujian, beberapa parameter akan diubah-ubah sehingga didapatkan nilai paling maksimal dalam deteksi ujaran kebencian. Hasil yang diharapkan adalah sebuah model pembelajaran mesin. Model tersebut diharapkan dapat mengenali ujaran kebencian berbahasa Indonesia secara akurat. Akurasi yang diharapkan adalah sebesar >85%.Kata Kunci: Deteksi ujaran kebencian, model pembelajaran mesin, media sosial, Bahasa Indonesia, cuitan
{"title":"Klasifikasi Ujaran Kebencian pada Cuitan dalam Bahasa Indonesia","authors":"Kevin Antariksa, Y. S. P. Wp, E. Ernawati","doi":"10.24002/jbi.v10i2.2451","DOIUrl":"https://doi.org/10.24002/jbi.v10i2.2451","url":null,"abstract":"Banyaknya ujaran kebencian yang ada di media sosial sudah membuat jengah. Ujaran kebencian tersebut makin marak dijumpai namun masih belum ada upaya preventif dari media sosial untuk menangkal ujaran kebencian. Deteksi ujaran kebencian yang sudah dibuat juga belum tersedia dalam Bahasa Indonesia. Pada tugas akhir ini, akan dibuat model pembelajaran mesin yang dapat mengenali ujaran kebencian dengan Bahasa Indonesia. Dalam model tersebut akan membandingkan beberapa metode-metode pembelajaran mesin yang ada. Metode yang digunakan dalam pengujian adalah Naïve Bayes, SVM, dan Logistic Regression. Dalam pengujian, beberapa parameter akan diubah-ubah sehingga didapatkan nilai paling maksimal dalam deteksi ujaran kebencian. Hasil yang diharapkan adalah sebuah model pembelajaran mesin. Model tersebut diharapkan dapat mengenali ujaran kebencian berbahasa Indonesia secara akurat. Akurasi yang diharapkan adalah sebesar >85%.Kata Kunci: Deteksi ujaran kebencian, model pembelajaran mesin, media sosial, Bahasa Indonesia, cuitan","PeriodicalId":381749,"journal":{"name":"Jurnal Buana Informatika","volume":"118 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2019-10-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"116366234","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}
Y. Prabowo, Tedi Lesmana Marselino, Meylisa Suryawiguna
Extracting information from a large amount of structured data requires expensive computing. The Vector Space Model method works by mapping words in continuous vector space where semantically similar words are mapped in adjacent vector spaces. The Vector Space Model model assumes words that appear in the same context, having the same semantic meaning. In the implementation, there are two different approaches: counting methods (eg: Latent Semantic Analysis) and predictive methods (eg Neural Probabilistic Language Model). This study aims to apply Word2Vec method using the Continuous Bag of Words approach in Indonesian language. Research data was obtained by crawling on several online news portals. The expected result of the research is the Indonesian words vector mapping based on the data used.Keywords: vector space model, word to vector, Indonesian vector space model.Ekstraksi informasi dari sekumpulan data terstruktur dalam jumlah yang besar membutuhkan komputasi yang mahal. Metode Vector Space Model bekerja dengan cara memetakan kata-kata dalam ruang vektor kontinu dimana kata-kata yang serupa secara semantis dipetakan dalam ruang vektor yang berdekatan. Metode Vector Space Model mengasumsikan kata-kata yang muncul pada konteks yang sama, memiliki makna semantik yang sama. Dalam penerapannya ada dua pendekatan yang berbeda yaitu: metode yang berbasis hitungan (misal: Latent Semantic Analysis) dan metode prediktif (misalnya Neural Probabilistic Language Model). Penelitian ini bertujuan untuk menerapkan metode Word2Vec menggunakan pendekatan Continuous Bag Of Words model dalam Bahasa Indonesia. Data penelitian yang digunakan didapatkan dengan cara crawling pada berberapa portal berita online. Hasil penelitian yang diharapkan adalah pemetaan vektor kata Bahasa Indonesia berdasarkan data yang digunakan.Kata Kunci: vector space model, word to vector, vektor kata bahasa Indonesia.
从大量结构化数据中提取信息需要昂贵的计算。向量空间模型的工作原理是在连续向量空间中映射词，而语义相似的词被映射到相邻的向量空间中。向量空间模型模型假设出现在相同上下文中的单词具有相同的语义含义。在实现中，有两种不同的方法:计数方法(例如:潜在语义分析)和预测方法(例如:神经概率语言模型)。本研究的目的是利用连续词袋法在印尼语中应用Word2Vec方法。研究数据是通过在几个在线新闻门户网站上爬行获得的。研究的预期结果是基于所用数据的印尼语词向量映射。关键词:向量空间模型，词到向量，印尼向量空间模型。数据分析，数据分析，数据分析，数据分析，数据分析，数据分析，数据分析，数据分析，数据分析。方法向量空间模型bekerja dengan cara memetakan kata-kata dalam - runang Vector kontinu dimana kata-kata yang serupa secara semantis dipetakan dalam - runang Vector yang berdekatan。方法向量空间模型mengasumsikan kata-kata yang muncul pada konteks yang sama, memiliki makna semantik yang sama。Dalam penerapannya ada dua pendekatan yang berbeda yitu: metode yang berbasis hitungan (misalnya:潜在语义分析)和metode prediktif (misalnya神经概率语言模型)。连续词袋模型，印尼语。数据penelitian yang digunakan didapatkan dengan cara爬行柏柏树门户网站berita在线。Hasil penelitian yang diharapkan adalah pemetaan vector kata Bahasa Indonesia berdasarkan数据yang digunakan。向量空间模型，字到向量，向量印尼语。
{"title":"Pembentukan Vector Space Model Bahasa Indonesia Menggunakan Metode Word to Vector","authors":"Y. Prabowo, Tedi Lesmana Marselino, Meylisa Suryawiguna","doi":"10.24002/JBI.V10I1.2053","DOIUrl":"https://doi.org/10.24002/JBI.V10I1.2053","url":null,"abstract":"Extracting information from a large amount of structured data requires expensive computing. The Vector Space Model method works by mapping words in continuous vector space where semantically similar words are mapped in adjacent vector spaces. The Vector Space Model model assumes words that appear in the same context, having the same semantic meaning. In the implementation, there are two different approaches: counting methods (eg: Latent Semantic Analysis) and predictive methods (eg Neural Probabilistic Language Model). This study aims to apply Word2Vec method using the Continuous Bag of Words approach in Indonesian language. Research data was obtained by crawling on several online news portals. The expected result of the research is the Indonesian words vector mapping based on the data used.Keywords: vector space model, word to vector, Indonesian vector space model.Ekstraksi informasi dari sekumpulan data terstruktur dalam jumlah yang besar membutuhkan komputasi yang mahal. Metode Vector Space Model bekerja dengan cara memetakan kata-kata dalam ruang vektor kontinu dimana kata-kata yang serupa secara semantis dipetakan dalam ruang vektor yang berdekatan. Metode Vector Space Model mengasumsikan kata-kata yang muncul pada konteks yang sama, memiliki makna semantik yang sama. Dalam penerapannya ada dua pendekatan yang berbeda yaitu: metode yang berbasis hitungan (misal: Latent Semantic Analysis) dan metode prediktif (misalnya Neural Probabilistic Language Model). Penelitian ini bertujuan untuk menerapkan metode Word2Vec menggunakan pendekatan Continuous Bag Of Words model dalam Bahasa Indonesia. Data penelitian yang digunakan didapatkan dengan cara crawling pada berberapa portal berita online. Hasil penelitian yang diharapkan adalah pemetaan vektor kata Bahasa Indonesia berdasarkan data yang digunakan.Kata Kunci: vector space model, word to vector, vektor kata bahasa Indonesia.","PeriodicalId":381749,"journal":{"name":"Jurnal Buana Informatika","volume":"35 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2019-04-26","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"125596272","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}
There are various types of laptops that make consumers or prospective buyers have difficulty in making choices accurately and precisely. The K-Nearest Neighbor (K-NN) algorithm was chosen because the K-NN algorithm is a form of model that can help classify data based on the closest distance. This system is designed to help prospective buyers in choosing a laptop based on purchase objectives such as gaming, design, and office, price, also specifications regarding the desired laptop. This system helps provide a shadow or reference to users or prospective buyers in determining the selection of laptops as needed. Based on user satisfaction test, from testing carried out to 10 users. As a result, 8 out of 10 people answered with the answers agreeing with the results of the recommendations given, with the results of the percentage of satisfaction with the recommendations of 80%, therefore the recommendations of laptops made were declared successful
{"title":"IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOR PADA WEBSITE REKOMENDASI LAPTOP","authors":"Chandra Arief Rahardja, Try Juardi, Halim Agung","doi":"10.24002/JBI.V10I1.1847","DOIUrl":"https://doi.org/10.24002/JBI.V10I1.1847","url":null,"abstract":"There are various types of laptops that make consumers or prospective buyers have difficulty in making choices accurately and precisely. The K-Nearest Neighbor (K-NN) algorithm was chosen because the K-NN algorithm is a form of model that can help classify data based on the closest distance. This system is designed to help prospective buyers in choosing a laptop based on purchase objectives such as gaming, design, and office, price, also specifications regarding the desired laptop. This system helps provide a shadow or reference to users or prospective buyers in determining the selection of laptops as needed. Based on user satisfaction test, from testing carried out to 10 users. As a result, 8 out of 10 people answered with the answers agreeing with the results of the recommendations given, with the results of the percentage of satisfaction with the recommendations of 80%, therefore the recommendations of laptops made were declared successful","PeriodicalId":381749,"journal":{"name":"Jurnal Buana Informatika","volume":"29 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2019-04-26","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"114499478","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 bertujuan untuk melakukan audit dan evaluasi terhadap layanan e-Government Dispendukcapil Kabupaten Pamekasan. Metode yang digunakan adalah Framework COBIT.5, sebuah framework dalam mengukur kematangan tatakelola sistem informasi yang dikeluarkan oleh ISACA tahun 2012. Audit dilakukan di Kantor Dispendukcapil Kabupaten Pamekasan dan mengambil sampel Layanan e-Government di 4 Kecamatan dan 12 Kelurahan/Desa yang dianggap cukup representatif untuk dilakukan audit. Hasil penelitian menunjukkan bahwa Secara keseluruhan hasil audit capability level layanan TIK Dispendukcapil kabupaten Pamekasan berada pada level 3 (Establish) yang artinya proses layanan TIK sudah terimplementasi sesuai standard layanan TIK yang ada. Dengan rincian nilai indeks capability level masing-masing domain adalah domain BAI 2,85 (Established), domain DSS 2,50 (Established) dan domain MEA 2,83 (Established). Temuan dilapangan menunjukkan bahwa proses bisnis dalam tatakelola TIK layanan e-government ditingkat kecamatan, kelurahan dan desa menunjukkan berada pada level 0 (incomplete) yang berarti bahwa hampir tidak ada sama sekali proses tata kelola layanan TIK ditingkatan tersebut.Saran dan Rekomendasi yang bisa dilakukan adalah perlu kewenangan yang lebih banyak pada tatakelola ditingkat kecamatan, dan desa/kelurahan dengan menambahkan SDM yang kompeten dalam bidang TIK untuk memberikan layanan e-government yang lebih baikKata Kunci: E-Government, Capability Level, COBIT 5.0.
本研究旨在对帕美恰奇县的电子政府服务进行审计和评估。5 .这是一种测量tatakelola信息系统2012年发布的框架。该审计是在帕美桑郡调度办公室进行的，并从4个地区和12个村庄收集了e-Government服务样本，这些服务被认为是足够的代表进行审计。研究结果表明，审查制度的全面审计结果，即审查制度的贫困率降低到3级，这意味着TIK service进程已按照其现有的标准进行排练。每个域的值级细分是BAI 2,85(建立)域，DSS域2.50(建立)域和MEA域2.83(建立)。现场调查发现，tatakelola TIK e-government服务的业务流程显示为零级(不完整)，这意味着该分配服务的管理过程几乎不存在。所能提供的建议和建议将需要更多的权力在tatakelola地区和村庄/社区/社区提供更好的电子政府服务关键字:e-government, Capability级别，COBIT 5.0。
{"title":"ANALISIS DOMAIN BAI, DSS, DAN MEA PADA PENGUKURAN KUALITAS LAYANAN E-GOVERNMENT KABUPATEN PAMEKASAN MENGGUNAKAN FRAMEWORK COBIT 5.0","authors":"Aan Darmawan, A. Harto","doi":"10.24002/JBI.V10I1.1769","DOIUrl":"https://doi.org/10.24002/JBI.V10I1.1769","url":null,"abstract":"Penelitian ini bertujuan untuk melakukan audit dan evaluasi terhadap layanan e-Government Dispendukcapil Kabupaten Pamekasan. Metode yang digunakan adalah Framework COBIT.5, sebuah framework dalam mengukur kematangan tatakelola sistem informasi yang dikeluarkan oleh ISACA tahun 2012. Audit dilakukan di Kantor Dispendukcapil Kabupaten Pamekasan dan mengambil sampel Layanan e-Government di 4 Kecamatan dan 12 Kelurahan/Desa yang dianggap cukup representatif untuk dilakukan audit. Hasil penelitian menunjukkan bahwa Secara keseluruhan hasil audit capability level layanan TIK Dispendukcapil kabupaten Pamekasan berada pada level 3 (Establish) yang artinya proses layanan TIK sudah terimplementasi sesuai standard layanan TIK yang ada. Dengan rincian nilai indeks capability level masing-masing domain adalah domain BAI 2,85 (Established), domain DSS 2,50 (Established) dan domain MEA 2,83 (Established). Temuan dilapangan menunjukkan bahwa proses bisnis dalam tatakelola TIK layanan e-government ditingkat kecamatan, kelurahan dan desa menunjukkan berada pada level 0 (incomplete) yang berarti bahwa hampir tidak ada sama sekali proses tata kelola layanan TIK ditingkatan tersebut.Saran dan Rekomendasi yang bisa dilakukan adalah perlu kewenangan yang lebih banyak pada tatakelola ditingkat kecamatan, dan desa/kelurahan dengan menambahkan SDM yang kompeten dalam bidang TIK untuk memberikan layanan e-government yang lebih baikKata Kunci: E-Government, Capability Level, COBIT 5.0.","PeriodicalId":381749,"journal":{"name":"Jurnal Buana Informatika","volume":"46 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2019-04-26","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"127121828","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}
Bisnis di bidang tanaman sayuran mengalami peningkatan yang cukup signifikan beberapa tahun belakangan ini. Salah satu cara untuk menghasilkan produk sayuran yang berkualitas tinggi secara kontinyu adalah budidaya dengan sistem hidroponik [1]. Bisnis hidroponik mempunyai peluang yang baik akan tetapi mempunyai kelemahan yaitu karena tanaman segar tanpa obat dan pengawet maka sayur dan buah hidroponik tidak dapat bertahan lama. Maka jika sayur dan buah ini tidak segera terjual akan mengakibatkan kerugian. Data mining merupakan proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu. Apriori merupakan salah satu dari sepuluh algoritma yang paling berpengaruh dalam research community. Sejak algoritma Apriori pertama kali diperkenalkan, ada banyak upaya untuk merancang algoritma frequent itemset mining yang lebih efisien. Perbaikan yang paling menonjol pada Apriori menjadi sebuah metode yang disebut FP-Growth (frequent pattern growth) yang berhasil menghilangkan candidate generation [2]. Penelitian ini mengusulkan implementasi Algoritma FP-Growth dengan Software Open Source Weka untuk membantu menganalisa dan merancang katalog produk ritel hidroponik untuk mendorong buah atau sayur terjual secara bersama-sama. Dalam menentukan association rule, terdapat suatu interestingness measure (ukuran kepercayaan), yaitu support dan confidence. Penelitian ini, dengan menggunakan minimum suport 0,05 dan minimum confidence 0,9 menghasilkan 21 rule yang dapat digunakan sebagai strategi pemasaran PT. HAB.Kata Kunci: Algoritma FP-Growth, Strategi Pemasaran, Ritel Hidroponik.
{"title":"Implementasi Algoritma FP-Growth Untuk Strategi Pemasaran Ritel Hidroponik (Studi Kasus : PT. HAB)","authors":"Adityo Putro, Richardus Indra Gunawan","doi":"10.24002/JBI.V10I1.1746","DOIUrl":"https://doi.org/10.24002/JBI.V10I1.1746","url":null,"abstract":"Bisnis di bidang tanaman sayuran mengalami peningkatan yang cukup signifikan beberapa tahun belakangan ini. Salah satu cara untuk menghasilkan produk sayuran yang berkualitas tinggi secara kontinyu adalah budidaya dengan sistem hidroponik [1]. Bisnis hidroponik mempunyai peluang yang baik akan tetapi mempunyai kelemahan yaitu karena tanaman segar tanpa obat dan pengawet maka sayur dan buah hidroponik tidak dapat bertahan lama. Maka jika sayur dan buah ini tidak segera terjual akan mengakibatkan kerugian. Data mining merupakan proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu. Apriori merupakan salah satu dari sepuluh algoritma yang paling berpengaruh dalam research community. Sejak algoritma Apriori pertama kali diperkenalkan, ada banyak upaya untuk merancang algoritma frequent itemset mining yang lebih efisien. Perbaikan yang paling menonjol pada Apriori menjadi sebuah metode yang disebut FP-Growth (frequent pattern growth) yang berhasil menghilangkan candidate generation [2]. Penelitian ini mengusulkan implementasi Algoritma FP-Growth dengan Software Open Source Weka untuk membantu menganalisa dan merancang katalog produk ritel hidroponik untuk mendorong buah atau sayur terjual secara bersama-sama. Dalam menentukan association rule, terdapat suatu interestingness measure (ukuran kepercayaan), yaitu support dan confidence. Penelitian ini, dengan menggunakan minimum suport 0,05 dan minimum confidence 0,9 menghasilkan 21 rule yang dapat digunakan sebagai strategi pemasaran PT. HAB.Kata Kunci: Algoritma FP-Growth, Strategi Pemasaran, Ritel Hidroponik.","PeriodicalId":381749,"journal":{"name":"Jurnal Buana Informatika","volume":"3 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2019-04-26","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"129863490","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}
Pada proses investigasi keamanan agar dapat mengakuisisi data secara komperehensif maka responden perlu mengambil informasi umum yang mencakup log, layanan terkonfigurasi, tugas cron, status patch, dan akun pengguna. Informasi-informasi ini dikenal sebagai artefak forensics. Lokasi dan formatnya bervariasi disetiap sistem. Salah satu manifestasi dari artefak forensik yang sering diinvestigasi oleh para praktisi adalah file. Framework Grr Rapid Response telah membangun kerangka kerja untuk mendeskripsikan artefak forensik yang memungkinkan data yang diperlukan dapat dikumpulkan dan dikondisikan dengan cepat menggunakan live forensics pada log aplikasi mobile native menggunakan laravel. Pengambilan barang bukti forensik menggunakan metode NIST yang memiliki langkah-langkah seperti akuisisi, eksaminasi, analisis, dan pelaporan. Penelitian ini didapatkan hasil berupa log file dari framework laravel dan informasi aktifitas detail dari user saat mengakses server. Hasil yang log yang diperoleh akan menjadi barang bukti untuk untuk menjadi bahan laporan.
{"title":"Monitoring Log Aplikasi Mobile Native Menggunakan Framework Grr Rapid Response","authors":"I. Riadi, S. Sunardi, Ahmad Azhar Kadim","doi":"10.24002/JBI.V10I1.1909","DOIUrl":"https://doi.org/10.24002/JBI.V10I1.1909","url":null,"abstract":"Pada proses investigasi keamanan agar dapat mengakuisisi data secara komperehensif maka responden perlu mengambil informasi umum yang mencakup log, layanan terkonfigurasi, tugas cron, status patch, dan akun pengguna. Informasi-informasi ini dikenal sebagai artefak forensics. Lokasi dan formatnya bervariasi disetiap sistem. Salah satu manifestasi dari artefak forensik yang sering diinvestigasi oleh para praktisi adalah file. Framework Grr Rapid Response telah membangun kerangka kerja untuk mendeskripsikan artefak forensik yang memungkinkan data yang diperlukan dapat dikumpulkan dan dikondisikan dengan cepat menggunakan live forensics pada log aplikasi mobile native menggunakan laravel. Pengambilan barang bukti forensik menggunakan metode NIST yang memiliki langkah-langkah seperti akuisisi, eksaminasi, analisis, dan pelaporan. Penelitian ini didapatkan hasil berupa log file dari framework laravel dan informasi aktifitas detail dari user saat mengakses server. Hasil yang log yang diperoleh akan menjadi barang bukti untuk untuk menjadi bahan laporan.","PeriodicalId":381749,"journal":{"name":"Jurnal Buana Informatika","volume":"68 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2019-04-26","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"114811836","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：