Pub Date : 2023-05-05DOI: 10.34010/komputika.v12i1.8030
Muhamad Alda
Perkembangan teknologi informasi yang semakin meningkat, sangat mempengaruhi pola pikir manusia dalam proses pemenuhan kebutuhan informasi dan membantu menyelesaikan pekerjaan. Teknologi informasi merupakan sebuah alat atau media yang dapat membantu kehidupan manusia. PT. Sop Sumsum Langsa merupakan perusahaaan yang bergerak di bidang kuliner. Dalam melakukan proses pengolahan data penggajian karyawannya, PT. Sop Sumsum Langsa masih menggunakan sebuah komputer dengan aplikasi microsoft excel. Dengan cara seperti ini, masih terdapat kendala dan masalah yang terjadi. Penulis melakukan penelitian untuk membantu memberikan solusi dalam menyelesaikan permasalahan tersebut dengan membangun aplikasi berbasis mobile android yang dapat digunakan dalam melakukan proses pengolahan gaji karyawan. Metode pengembangan aplikasi yang digunakan penulis adalah metode agile terdiri dari tahapan analisis sistem, perancangan, development aplikasi, testing, deploy aplikasi, revisi dan evaluasi, serta maintenance sistem. Dalam melakukan pengujian aplikasi, penulis menggunakan metode black box testing. Hasil dari penelitian yang dilakukan penulis adalah sebuah aplikasi berbasis mobile android yang dapat membantu PT. Sop Sumsum Langsa dalam melakukan pengolahan data gaji karyawan secara efektif dan efisien.
日益增长的信息技术发展对人类在满足信息需求和帮助完成工作的过程中的思维产生了巨大影响。信息技术是一种可以帮助人类生活的工具或媒介。PT。Sop Sumsum Langsa是一家在厨房里移动的公司。在处理员工工资数据的过程中，PT。Langsa Sum Sop仍然使用一台带有excel microsoft应用程序的计算机。通过这种方式，仍然存在控制和问题。作者们进行了研究，通过构建可用于员工工资扣除过程的基于android的移动应用程序，来帮助解决这个问题。作者使用的应用程序开发方法是一种敏捷方法，包括系统分析、设计、开发应用程序、测试、部署应用程序、修订和评估以及维护系统。在进行应用程序测试时，作者使用了黑盒测试方法。作者进行的研究结果是一个基于android的移动应用程序，可以帮助PT。Sop Sum Langsa高效地执行员工薪酬数据处理。
{"title":"Pengembangan Aplikasi Penggajian Karyawan Dengan Menggunakan Metode Agile Berbasis Mobile Android","authors":"Muhamad Alda","doi":"10.34010/komputika.v12i1.8030","DOIUrl":"https://doi.org/10.34010/komputika.v12i1.8030","url":null,"abstract":"Perkembangan teknologi informasi yang semakin meningkat, sangat mempengaruhi pola pikir manusia dalam proses pemenuhan kebutuhan informasi dan membantu menyelesaikan pekerjaan. Teknologi informasi merupakan sebuah alat atau media yang dapat membantu kehidupan manusia. PT. Sop Sumsum Langsa merupakan perusahaaan yang bergerak di bidang kuliner. Dalam melakukan proses pengolahan data penggajian karyawannya, PT. Sop Sumsum Langsa masih menggunakan sebuah komputer dengan aplikasi microsoft excel. Dengan cara seperti ini, masih terdapat kendala dan masalah yang terjadi. Penulis melakukan penelitian untuk membantu memberikan solusi dalam menyelesaikan permasalahan tersebut dengan membangun aplikasi berbasis mobile android yang dapat digunakan dalam melakukan proses pengolahan gaji karyawan. Metode pengembangan aplikasi yang digunakan penulis adalah metode agile terdiri dari tahapan analisis sistem, perancangan, development aplikasi, testing, deploy aplikasi, revisi dan evaluasi, serta maintenance sistem. Dalam melakukan pengujian aplikasi, penulis menggunakan metode black box testing. Hasil dari penelitian yang dilakukan penulis adalah sebuah aplikasi berbasis mobile android yang dapat membantu PT. Sop Sumsum Langsa dalam melakukan pengolahan data gaji karyawan secara efektif dan efisien.","PeriodicalId":52813,"journal":{"name":"Komputika","volume":null,"pages":null},"PeriodicalIF":0.0,"publicationDate":"2023-05-05","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"45698212","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}
Pub Date : 2023-05-03DOI: 10.34010/komputika.v12i1.5049
Sri Dewi Sartika Syarifuddin, Amri Khurniawan, Rendy Munadi, Sussi Sussi
Pengukuran kadar hemoglobin secara nasional dilakukan dengan cara invasif menggunakan metode sahli sebesar 27.9 %. Pengukuran kadar hemoglobin invasif membutuhkan waktu yang lama disebabkan proses analisis sampel darah pasien secara kimiawi di laboratorium darah. Secara umum, sampel darah diambil menggunakan jarum suntik, dimana hal tersebut dapat menyebabkan rasa sakit dan meningkatkan resiko penyebaran penyakit lainnya melalui luka akibat jarum suntik. Pengukuran kadar hemoglobin dapat dilakukan dengan menggunakan teknik multiwavelength oximetry. Oleh karena itu, pada penelitian ini dibuat sistem pengukuran kadar hemoglobin non-invasif secara real-time berbasis internet of things menggunakan teknik multiwavelength oximetry dengan algoritma Extreme Gradient Boosting yang terintegrasi dengan Real-time Database dan sistem informasi berbasis android mampu memetakan pengguna menggunakan QR Code. Hasil pengujian menggunakan parameter RMSE didapatkan nilai 0.801085 yang menunjukkan tingkat kategori tinggi dan akurasi sebesar 94.91%. Sistem informasi dapat menampilkan informasi pengukuran kadar hemoglobin secara real-time dengan delay sebesar 317 ms dan throughput sebesar 3138 bps. Hasil pengujian fungsionalitas saturasi oksigen sebesar 0.654 % dengan selisih nilai pengukuran kadar saturasi oksigen tertinggi sebesar 1.33 % dan terkecil sebesar 0.08 %.
{"title":"Sistem Informasi Pengukuran Kadar Hemoglobin Non-Invasif Berbasis Android Menggunakan Algoritma Extreme Gradient Boosting","authors":"Sri Dewi Sartika Syarifuddin, Amri Khurniawan, Rendy Munadi, Sussi Sussi","doi":"10.34010/komputika.v12i1.5049","DOIUrl":"https://doi.org/10.34010/komputika.v12i1.5049","url":null,"abstract":"Pengukuran kadar hemoglobin secara nasional dilakukan dengan cara invasif menggunakan metode sahli sebesar 27.9 %. Pengukuran kadar hemoglobin invasif membutuhkan waktu yang lama disebabkan proses analisis sampel darah pasien secara kimiawi di laboratorium darah. Secara umum, sampel darah diambil menggunakan jarum suntik, dimana hal tersebut dapat menyebabkan rasa sakit dan meningkatkan resiko penyebaran penyakit lainnya melalui luka akibat jarum suntik. Pengukuran kadar hemoglobin dapat dilakukan dengan menggunakan teknik multiwavelength oximetry. Oleh karena itu, pada penelitian ini dibuat sistem pengukuran kadar hemoglobin non-invasif secara real-time berbasis internet of things menggunakan teknik multiwavelength oximetry dengan algoritma Extreme Gradient Boosting yang terintegrasi dengan Real-time Database dan sistem informasi berbasis android mampu memetakan pengguna menggunakan QR Code. Hasil pengujian menggunakan parameter RMSE didapatkan nilai 0.801085 yang menunjukkan tingkat kategori tinggi dan akurasi sebesar 94.91%. Sistem informasi dapat menampilkan informasi pengukuran kadar hemoglobin secara real-time dengan delay sebesar 317 ms dan throughput sebesar 3138 bps. Hasil pengujian fungsionalitas saturasi oksigen sebesar 0.654 % dengan selisih nilai pengukuran kadar saturasi oksigen tertinggi sebesar 1.33 % dan terkecil sebesar 0.08 %. ","PeriodicalId":52813,"journal":{"name":"Komputika","volume":null,"pages":null},"PeriodicalIF":0.0,"publicationDate":"2023-05-03","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"43096188","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}
Pub Date : 2023-05-03DOI: 10.34010/komputika.v12i1.7089
Alvijar Akbar, Martin Clinton, Ilham Firman Ashari
Flood disasters can have a detrimental impact such as damage to infrastructure, materials, and loss of life. One of the efforts that can be made to carry out early detection of flood disasters is to use a flood prediction system, where this system can monitor water levels, water flow rates, and predict real-time water increases. Information is sent to every citizen using the telegram chatbot. This system is built using several sensors and integrated with Telegram. The sensors used are ultrasonic and water flow sensors. The ultrasonic sensor is used to read the water level in the range of 0-50 cm and the water flow sensor is used to calculate the flow of water entering the test container with an interval of 0-10 liters / minute. Data is sent to telegram in realtime using the firebase database through NodeMCU ESP8266 and the WiFi module. The results of reading water level and water discharge data are processed using Sugeno fuzzy logic. The results obtained in this study indicate that the average error reading from the ultrasonic sensor is 2.43% or 97.58%. The water flow sensor shows an average error of 0.206 liters/minute or the percentage of tool accuracy is 87.06 %.
{"title":"Analysis and Implementation Monitoring Flood System Based on IoT Using Sugeno Fuzzy Logic","authors":"Alvijar Akbar, Martin Clinton, Ilham Firman Ashari","doi":"10.34010/komputika.v12i1.7089","DOIUrl":"https://doi.org/10.34010/komputika.v12i1.7089","url":null,"abstract":"Flood disasters can have a detrimental impact such as damage to infrastructure, materials, and loss of life. One of the efforts that can be made to carry out early detection of flood disasters is to use a flood prediction system, where this system can monitor water levels, water flow rates, and predict real-time water increases. Information is sent to every citizen using the telegram chatbot. This system is built using several sensors and integrated with Telegram. The sensors used are ultrasonic and water flow sensors. The ultrasonic sensor is used to read the water level in the range of 0-50 cm and the water flow sensor is used to calculate the flow of water entering the test container with an interval of 0-10 liters / minute. Data is sent to telegram in realtime using the firebase database through NodeMCU ESP8266 and the WiFi module. The results of reading water level and water discharge data are processed using Sugeno fuzzy logic. The results obtained in this study indicate that the average error reading from the ultrasonic sensor is 2.43% or 97.58%. The water flow sensor shows an average error of 0.206 liters/minute or the percentage of tool accuracy is 87.06 %.","PeriodicalId":52813,"journal":{"name":"Komputika","volume":null,"pages":null},"PeriodicalIF":0.0,"publicationDate":"2023-05-03","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"48649967","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}
Pub Date : 2023-05-03DOI: 10.34010/komputika.v12i1.8626
Muhammad Daffa Arviano Putra, Tawang Sahro Winanto, Retno Hendrowati, A. Primajaya, F. Adhinata
Deep learning is a branch of machine learning with many highly successful applications. One application of deep learning is image classification using the Convolutional Neural Network (CNN) algorithm. Large image data is required to classify images with CNN to obtain satisfactory training results. However, this can be overcome with transfer learning architectural models, even with small image data. With transfer learning, the success rate of a model is likely to be higher. Since there are many transfer learning architecture models, it is necessary to compare each model's performance results to find the best-performing architecture. In this study, we conducted three experiments on different datasets to train models with various transfer learning architectures. We then performed a comprehensive comparative analysis for each experiment. The result is that the DenseNet-121 architecture is the best transfer learning architecture model for various datasets.
{"title":"A Comparative Analysis of Transfer Learning Architecture Performance on Convolutional Neural Network Models with Diverse Datasets","authors":"Muhammad Daffa Arviano Putra, Tawang Sahro Winanto, Retno Hendrowati, A. Primajaya, F. Adhinata","doi":"10.34010/komputika.v12i1.8626","DOIUrl":"https://doi.org/10.34010/komputika.v12i1.8626","url":null,"abstract":"Deep learning is a branch of machine learning with many highly successful applications. One application of deep learning is image classification using the Convolutional Neural Network (CNN) algorithm. Large image data is required to classify images with CNN to obtain satisfactory training results. However, this can be overcome with transfer learning architectural models, even with small image data. With transfer learning, the success rate of a model is likely to be higher. Since there are many transfer learning architecture models, it is necessary to compare each model's performance results to find the best-performing architecture. In this study, we conducted three experiments on different datasets to train models with various transfer learning architectures. We then performed a comprehensive comparative analysis for each experiment. The result is that the DenseNet-121 architecture is the best transfer learning architecture model for various datasets.","PeriodicalId":52813,"journal":{"name":"Komputika","volume":null,"pages":null},"PeriodicalIF":0.0,"publicationDate":"2023-05-03","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"43816446","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}
Pub Date : 2022-08-25DOI: 10.34010/komputika.v11i2.6655
Ababil Azies Sasilo, Rizal Adi Saputra, Ika Purwanti Ningrum
ABSTRAK – Teknologi biometrik sedang menjadi tren teknologi dalam berbagai bidang kehidupan. Teknologi biometrik memanfaatkan bagian tubuh manusia sebagai alat ukur sistem yang memiliki keunikan disetiap individu. Suara merupakan bagian tubuh manusia yang memiliki keunikan dan cocok dijadikan sebagai alat ukur dalam sistem yang mengadopsi teknologi biometrik. Sistem pengenalan suara adalah salah satu penerapan teknologi biometrik yang fokus kepada suara manusia. Sistem pengenalan suara memerlukan metode ekstraksi fitur dan metode klasifikasi, salah satu metode ekstraksi fitur adalah MFCC. MFCC dimulai dari tahap pre-emphasis, frame blocking, windowing, fast fourier transform, mel frequency wrapping dan cepstrum. Sedangkan metode klasifikasi menggunakan GMM dengan menghitung likehood kesamaan antar suara. Berdasarkan hasil pengujian, metode MFCC-GMM pada kondisi ideal memiliki tingkat akurasi sebesar 82.22% sedangkan pada kondisi tidak ideal mendapatkan akurasi sebesar 66.67%. Kata Kunci – Suara, Pengenalan, MFCC, GMM, Sistem
{"title":"Sistem Pengenalan Suara Dengan Metode Mel Frequency Cepstral Coefficients Dan Gaussian Mixture Model","authors":"Ababil Azies Sasilo, Rizal Adi Saputra, Ika Purwanti Ningrum","doi":"10.34010/komputika.v11i2.6655","DOIUrl":"https://doi.org/10.34010/komputika.v11i2.6655","url":null,"abstract":"ABSTRAK – Teknologi biometrik sedang menjadi tren teknologi dalam berbagai bidang kehidupan. Teknologi biometrik memanfaatkan bagian tubuh manusia sebagai alat ukur sistem yang memiliki keunikan disetiap individu. Suara merupakan bagian tubuh manusia yang memiliki keunikan dan cocok dijadikan sebagai alat ukur dalam sistem yang mengadopsi teknologi biometrik. Sistem pengenalan suara adalah salah satu penerapan teknologi biometrik yang fokus kepada suara manusia. Sistem pengenalan suara memerlukan metode ekstraksi fitur dan metode klasifikasi, salah satu metode ekstraksi fitur adalah MFCC. MFCC dimulai dari tahap pre-emphasis, frame blocking, windowing, fast fourier transform, mel frequency wrapping dan cepstrum. Sedangkan metode klasifikasi menggunakan GMM dengan menghitung likehood kesamaan antar suara. Berdasarkan hasil pengujian, metode MFCC-GMM pada kondisi ideal memiliki tingkat akurasi sebesar 82.22% sedangkan pada kondisi tidak ideal mendapatkan akurasi sebesar 66.67%. \u0000Kata Kunci – Suara, Pengenalan, MFCC, GMM, Sistem","PeriodicalId":52813,"journal":{"name":"Komputika","volume":null,"pages":null},"PeriodicalIF":0.0,"publicationDate":"2022-08-25","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"43108599","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}
Pub Date : 2022-08-25DOI: 10.34010/komputika.v11i2.6037
Syukri Adisakti Dainamang, Nur Hayatin, Didih Rizki Chandranegara
Media sosial merupakan platform yang paling digemari oleh masyarakat Indonesia mulai facebook, instagram dan twitter. Twitter merupakan salah satu media sosial yang paling banyak digunakan baik itu untuk berinteraksi dengan orang lain ataupun mencari informasi-informasi ataupun berita yang sedang trending topik, dengan cepatnya berbagai berita ataupun informasi tersebar di twitter seperti isu yang sedang trending saat ini yaitu mengenai Ruu Omnibus Law, berbagai tanggapan yang diberikan oleh pengguna twitter mengenai kebijakan yang sudah disahkan oleh pemerintah ini. Dalam penelitian ini mengklasifikasikan sentimen masyarakat Indonesia mengenai isu Omnibus Law ini menggunakan metode Naïve Bayes dan Particle Swarm Optimization (PSO) dan dibagi kedalam dua skenario pengujian, penggunaan Algoritma Particle Swarm Optimization pada Naïve bayes ini bertujuan mengoptimalkan hasil akurasi. Hasil yang didapatkan pada saat memakai Naïve Bayes berbasis Particle Swarm Optimization (PSO) lebih baik jika dibandingkan dengan Naïve Bayes. Hasil akurasi yang paling baik terdapat pada skenario tiga dengan split data 90% - 10% menggunakan Naïve Bayes mendapatkan hasil 85% dan memakai Naïve Bayes berbasis Particle Swarm Optimization hasil akurasinya berubah menjadi lebih tinggi 4% mendapatkan hasil 91%, besaran dalam melakukan split data sangat berpengaruh terhadap hasil klasifikasi yang dilakukan. Tanggapan dari masyarakat berupa sentimen negatif terhadap RUU Omnibus Law
{"title":"Analisis Sentimen Media Sosial Twiiter terhadap RUU Omnibus Law dengan Metode Naive Bayes dan Particle Swarm Optimization","authors":"Syukri Adisakti Dainamang, Nur Hayatin, Didih Rizki Chandranegara","doi":"10.34010/komputika.v11i2.6037","DOIUrl":"https://doi.org/10.34010/komputika.v11i2.6037","url":null,"abstract":"Media sosial merupakan platform yang paling digemari oleh masyarakat Indonesia mulai facebook, instagram dan twitter. Twitter merupakan salah satu media sosial yang paling banyak digunakan baik itu untuk berinteraksi dengan orang lain ataupun mencari informasi-informasi ataupun berita yang sedang trending topik, dengan cepatnya berbagai berita ataupun informasi tersebar di twitter seperti isu yang sedang trending saat ini yaitu mengenai Ruu Omnibus Law, berbagai tanggapan yang diberikan oleh pengguna twitter mengenai kebijakan yang sudah disahkan oleh pemerintah ini. Dalam penelitian ini mengklasifikasikan sentimen masyarakat Indonesia mengenai isu Omnibus Law ini menggunakan metode Naïve Bayes dan Particle Swarm Optimization (PSO) dan dibagi kedalam dua skenario pengujian, penggunaan Algoritma Particle Swarm Optimization pada Naïve bayes ini bertujuan mengoptimalkan hasil akurasi. Hasil yang didapatkan pada saat memakai Naïve Bayes berbasis Particle Swarm Optimization (PSO) lebih baik jika dibandingkan dengan Naïve Bayes. Hasil akurasi yang paling baik terdapat pada skenario tiga dengan split data 90% - 10% menggunakan Naïve Bayes mendapatkan hasil 85% dan memakai Naïve Bayes berbasis Particle Swarm Optimization hasil akurasinya berubah menjadi lebih tinggi 4% mendapatkan hasil 91%, besaran dalam melakukan split data sangat berpengaruh terhadap hasil klasifikasi yang dilakukan. Tanggapan dari masyarakat berupa sentimen negatif terhadap RUU Omnibus Law","PeriodicalId":52813,"journal":{"name":"Komputika","volume":null,"pages":null},"PeriodicalIF":0.0,"publicationDate":"2022-08-25","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"45018116","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}
Pub Date : 2022-08-08DOI: 10.34010/komputika.v11i2.5248
A. J. Sibarani, Fajar Wahyudi
Pembatasan Sosial Berskala Besar merupakan salah satu peraturan yang dibuat oleh kementerian kesehatan (kemenkes) dalam rangka percepatan penanganan dan pengendalian virus covid-19. Kota Tangerang Selatan merupakan salah satu kota yang terkena dampak penyebaran virus covid-19 dan perlu untuk menerapkan mekanisme pembatasan sosial terhadap warganya. Penelitian ini memanfaatkan nilai jumlah orang dalam pemantauan (ODP), pasien dalam pengawasan (PDP), Positif Covid-19, jumlah pasien yang dinyatakan sembuh dari Covid-19, dan jumlah kematian untuk menghasilkan nilai pada sebuah kelurahan. Kemudian nilai dari seluruh kelurahan dihasilkan dan diperbandingkan untuk mengetahui kelurahan mana yang berada pada posisi tertinggi yang harus melakukan pembatasan sosial pada warganya. Metode yang digunakan pada penelitian ini adalah Analytical Hierarchy Process (AHP) yang mampu memberi bobot kepentingan pada tiap kriteria untuk menghasilkan pemeringkatan. Hasil akhirnya adalah sebuah aplikasi yang mampu memberikan peringkat seluruh kelurahan pada satu kota untuk dapat membantu mengambil keputusan dalam menentukan kelurahan apa yang harus melakukan pembatan sosial.
{"title":"Sistem Pemeringkatan Daerah (Kelurahan) Dalam Pemberlakuan Pembatasan Sosial Berskala Besar (PSBB) Menggunakan Metode Analytical Hierarchy Process (AHP)","authors":"A. J. Sibarani, Fajar Wahyudi","doi":"10.34010/komputika.v11i2.5248","DOIUrl":"https://doi.org/10.34010/komputika.v11i2.5248","url":null,"abstract":"Pembatasan Sosial Berskala Besar merupakan salah satu peraturan yang dibuat oleh kementerian kesehatan (kemenkes) dalam rangka percepatan penanganan dan pengendalian virus covid-19. Kota Tangerang Selatan merupakan salah satu kota yang terkena dampak penyebaran virus covid-19 dan perlu untuk menerapkan mekanisme pembatasan sosial terhadap warganya. Penelitian ini memanfaatkan nilai jumlah orang dalam pemantauan (ODP), pasien dalam pengawasan (PDP), Positif Covid-19, jumlah pasien yang dinyatakan sembuh dari Covid-19, dan jumlah kematian untuk menghasilkan nilai pada sebuah kelurahan. Kemudian nilai dari seluruh kelurahan dihasilkan dan diperbandingkan untuk mengetahui kelurahan mana yang berada pada posisi tertinggi yang harus melakukan pembatasan sosial pada warganya. Metode yang digunakan pada penelitian ini adalah Analytical Hierarchy Process (AHP) yang mampu memberi bobot kepentingan pada tiap kriteria untuk menghasilkan pemeringkatan. Hasil akhirnya adalah sebuah aplikasi yang mampu memberikan peringkat seluruh kelurahan pada satu kota untuk dapat membantu mengambil keputusan dalam menentukan kelurahan apa yang harus melakukan pembatan sosial.","PeriodicalId":52813,"journal":{"name":"Komputika","volume":null,"pages":null},"PeriodicalIF":0.0,"publicationDate":"2022-08-08","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"44136176","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}
Pub Date : 2022-08-08DOI: 10.34010/komputika.v11i2.6501
Rismayani Rismayani, Hasyrif Sy, Tommy Darwansyah, Irsan Mansyur
Keberadaan DPRD di daerah sering disebut sebagai fungsi perwakilan karena bertugas menyuarakan aspirasi rakyat dan bertindak atas nama rakyat (pemerintah perwakilan) di bidang legislatif. Selama ini sebagian besar masyarakat masih sulit menyampaikan aspirasinya kepada Dewan Perwakilan Rakyat Daerah (DPRD) Kota Makassar dan mendapatkan masukan atas aspirasi yang disampaikan masyarakat kepada Dewan Perwakilan Rakyat Daerah (DPRD). Masalah penelitian adalah bagaimana mengolah data aspirasi masyarakat untuk mengkategorikan mereka berdasarkan komisi berbasis mobile dan data aspirasi masyarakat mendapatkan masukan dari Dewan Perwakilan Rakyat Daerah (DPRD) atas aspirasi yang mereka kirimkan. Tujuan dari penelitian ini adalah untuk membangun sebuah aplikasi yang dapat menampung aspirasi masyarakat dan kemudian dapat mengklasifikasikannya dan meneruskannya ke komisi berbasis mobile yang sesuai, untuk menyediakan sistem yang dapat digunakan DPRD untuk memberikan masukan. Metode penelitian adalah algoritma Text Mining dan Cosine Similarity. Hasil penelitian adalah Aplikasi menggunakan kombinasi metode text mining dan Cosine similarity mengukur kesamaan fungsional masing-masing komisi dengan aspirasi yang diinput oleh masyarakat sehingga aspirasi dapat tepat sasaran. Syarat penetapan multikomisi adalah harus ≥ 75% dari nilai maksimum.
{"title":"Implementasi Algoritma Text Mining dan Cosine Similarity untuk Desain Sistem Aspirasi Publik Berbasis Mobile","authors":"Rismayani Rismayani, Hasyrif Sy, Tommy Darwansyah, Irsan Mansyur","doi":"10.34010/komputika.v11i2.6501","DOIUrl":"https://doi.org/10.34010/komputika.v11i2.6501","url":null,"abstract":"Keberadaan DPRD di daerah sering disebut sebagai fungsi perwakilan karena bertugas menyuarakan aspirasi rakyat dan bertindak atas nama rakyat (pemerintah perwakilan) di bidang legislatif. Selama ini sebagian besar masyarakat masih sulit menyampaikan aspirasinya kepada Dewan Perwakilan Rakyat Daerah (DPRD) Kota Makassar dan mendapatkan masukan atas aspirasi yang disampaikan masyarakat kepada Dewan Perwakilan Rakyat Daerah (DPRD). Masalah penelitian adalah bagaimana mengolah data aspirasi masyarakat untuk mengkategorikan mereka berdasarkan komisi berbasis mobile dan data aspirasi masyarakat mendapatkan masukan dari Dewan Perwakilan Rakyat Daerah (DPRD) atas aspirasi yang mereka kirimkan. Tujuan dari penelitian ini adalah untuk membangun sebuah aplikasi yang dapat menampung aspirasi masyarakat dan kemudian dapat mengklasifikasikannya dan meneruskannya ke komisi berbasis mobile yang sesuai, untuk menyediakan sistem yang dapat digunakan DPRD untuk memberikan masukan. Metode penelitian adalah algoritma Text Mining dan Cosine Similarity. Hasil penelitian adalah Aplikasi menggunakan kombinasi metode text mining dan Cosine similarity mengukur kesamaan fungsional masing-masing komisi dengan aspirasi yang diinput oleh masyarakat sehingga aspirasi dapat tepat sasaran. Syarat penetapan multikomisi adalah harus ≥ 75% dari nilai maksimum.","PeriodicalId":52813,"journal":{"name":"Komputika","volume":null,"pages":null},"PeriodicalIF":0.0,"publicationDate":"2022-08-08","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"46549223","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}
Pub Date : 2022-08-01DOI: 10.34010/komputika.v11i2.5493
Erba Lutfina, Nur Inayati, Galuh Wilujeng Saraswati
Salah satu algoritma pencarian data yang paling populer adalah algoritma linear search. Dalam proses pencarian data sebuah list menggunakan algoritma linear search dapat diterapkan dengan cara iteratif dan rekursif. Pandangan umum mengenai algoritma linear search adalah bahwa performa metode iteratif memiliki hasil yang sama dengan rekursif. Namun di beberapa penelitian menentang pernyataan tersebut yang mungkin tidak berlaku pada semua kasus. Dari analisis tersebut, penelitian ini berfokus pada perbandingan metode rekursif dan iteratif pada algoritma linear search untuk mengetahui algoritma mana yang paling sesuai, efisien dan efektif. Penelitian dilakukan menggunakan 3 studi kasus dengan masing-masing data sebanyak 1 juta, 10 juta, dan 100 juta. Penelitian berfokus pada hasil penggunaan memori dan waktu akses pada proses pencarian data menggunakan notasi Big-O dan bahasa pemrograman Python. Hasil penelitian menunjukkan bahwa algoritma linear search secara iteratif lebih efektif dan efisien dari pada rekursif. Meskipun kedua metode tersebut memiliki kompleksitas Big-O yang sama, namun hasil dari eksekusi program menunjukkan hasil yang berbeda. Dengan hasil algoritma linear search secara iteratif memiliki hasil waktu eksekusi dan penggunaan memori yang lebih unggul yaitu waktu akses dan penggunaan memori yang lebih sedikit dibanding metode rekursif.
{"title":"Analisis Perbandingan Kinerja Metode Rekursif dan Metode Iteratif dalam Algoritma Linear Search","authors":"Erba Lutfina, Nur Inayati, Galuh Wilujeng Saraswati","doi":"10.34010/komputika.v11i2.5493","DOIUrl":"https://doi.org/10.34010/komputika.v11i2.5493","url":null,"abstract":"Salah satu algoritma pencarian data yang paling populer adalah algoritma linear search. Dalam proses pencarian data sebuah list menggunakan algoritma linear search dapat diterapkan dengan cara iteratif dan rekursif. Pandangan umum mengenai algoritma linear search adalah bahwa performa metode iteratif memiliki hasil yang sama dengan rekursif. Namun di beberapa penelitian menentang pernyataan tersebut yang mungkin tidak berlaku pada semua kasus. Dari analisis tersebut, penelitian ini berfokus pada perbandingan metode rekursif dan iteratif pada algoritma linear search untuk mengetahui algoritma mana yang paling sesuai, efisien dan efektif. Penelitian dilakukan menggunakan 3 studi kasus dengan masing-masing data sebanyak 1 juta, 10 juta, dan 100 juta. Penelitian berfokus pada hasil penggunaan memori dan waktu akses pada proses pencarian data menggunakan notasi Big-O dan bahasa pemrograman Python. Hasil penelitian menunjukkan bahwa algoritma linear search secara iteratif lebih efektif dan efisien dari pada rekursif. Meskipun kedua metode tersebut memiliki kompleksitas Big-O yang sama, namun hasil dari eksekusi program menunjukkan hasil yang berbeda. Dengan hasil algoritma linear search secara iteratif memiliki hasil waktu eksekusi dan penggunaan memori yang lebih unggul yaitu waktu akses dan penggunaan memori yang lebih sedikit dibanding metode rekursif.","PeriodicalId":52813,"journal":{"name":"Komputika","volume":null,"pages":null},"PeriodicalIF":0.0,"publicationDate":"2022-08-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"41624580","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 dilakukan untuk mengelompokkan kualitas kinerja pegawai yang hasilnya dapat dimanfaatkan pihak Badan Pusat Statistika Kota Samarinda untuk mengetahui kelompok (cluster) dari setiap pegawainya. Penilaian kualitas kinerja pegawai tersebut dilakukan setiap tahunnya. Hasil penilaian tersebut dikelompokkan menjadi beberapa cluster sebagai bahan pertimbangan bagi pemimpin untuk memberikan rekomendasi jabatan kepada pegawainya. Pengelompokan tersebut dilakukan dengan menggunakan metode clustering dengan algoritme k-means. Pengelompokan data dilakukan berdasarkan jarak terdekat ke pusat cluster. Pada penelitian ini diterapkan tiga algoritme untuk menentukan jarak ke pusat centeroid untuk melihat perbandingannya. Sampel data yang digunakan sebanyak 25 pegawai dengan lima atribut yang terdiri dari professional, integritas, amanh, capaian kinerja pegawai, dan absensi. Data dikelompokan menjadi 3 cluster yang merupakan jumlah cluster paling optimal berdasarkan hasil pengujian Sum of Square dengan nilai sebesar 3,55 yang merupakan nilai dengan selisih terbesar. Hasil penerapan metode clustering diperoleh sebanyak 12 karyawan berada pada cluster satu, 10 karyawan berada pada cluster kedua, dan 3 karyawan berada pada cluster ketiga. Berdasarkan nilai pusat centeroid pada iterasi terakhir disimpulkan bahwa pegawai pada cluster pertama merupakan pegawai yang memiliki nilai terbaik, cluster kedua merupakan pegawai dengan nilai sedang, dan cluster ketiga merupakan pegawai dengan nilai terendah.
{"title":"Pengelompokan Kualitas Kinerja Pegawai Menggunakan Metode K-Means Clustering","authors":"Anindita Septiarini, Ibnu Amri Thaher, Novianti Puspitasari","doi":"10.34010/komputika.v11i2.5518","DOIUrl":"https://doi.org/10.34010/komputika.v11i2.5518","url":null,"abstract":"Penelitian ini dilakukan untuk mengelompokkan kualitas kinerja pegawai yang hasilnya dapat dimanfaatkan pihak Badan Pusat Statistika Kota Samarinda untuk mengetahui kelompok (cluster) dari setiap pegawainya. Penilaian kualitas kinerja pegawai tersebut dilakukan setiap tahunnya. Hasil penilaian tersebut dikelompokkan menjadi beberapa cluster sebagai bahan pertimbangan bagi pemimpin untuk memberikan rekomendasi jabatan kepada pegawainya. Pengelompokan tersebut dilakukan dengan menggunakan metode clustering dengan algoritme k-means. Pengelompokan data dilakukan berdasarkan jarak terdekat ke pusat cluster. Pada penelitian ini diterapkan tiga algoritme untuk menentukan jarak ke pusat centeroid untuk melihat perbandingannya. Sampel data yang digunakan sebanyak 25 pegawai dengan lima atribut yang terdiri dari professional, integritas, amanh, capaian kinerja pegawai, dan absensi. Data dikelompokan menjadi 3 cluster yang merupakan jumlah cluster paling optimal berdasarkan hasil pengujian Sum of Square dengan nilai sebesar 3,55 yang merupakan nilai dengan selisih terbesar. Hasil penerapan metode clustering diperoleh sebanyak 12 karyawan berada pada cluster satu, 10 karyawan berada pada cluster kedua, dan 3 karyawan berada pada cluster ketiga. Berdasarkan nilai pusat centeroid pada iterasi terakhir disimpulkan bahwa pegawai pada cluster pertama merupakan pegawai yang memiliki nilai terbaik, cluster kedua merupakan pegawai dengan nilai sedang, dan cluster ketiga merupakan pegawai dengan nilai terendah.","PeriodicalId":52813,"journal":{"name":"Komputika","volume":null,"pages":null},"PeriodicalIF":0.0,"publicationDate":"2022-07-08","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"42900031","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：