Articles
<![CDATA[IMPLEMENTASI METODE SIMPLE ADDITIVE WEIGHTING (SAW) DAN WEIGHTED PRODUCT (WP) DALAM PEMILIHAN GURU TELADAN (STUDI K ) ]]>
<![CDATA[Aulia, Avina Ulfa]]>;
<![CDATA[Supriyadi, Didi]]>;
<![CDATA[Ramadhani, Rima Dias]]>
<![CDATA[ Proceeding SENDI_U 2018: SEMINAR NASIONAL MULTI DISIPLIN ILMU DAN CALL FOR PAPERS ]]>
Publisher : <![CDATA[Proceeding SENDI_U ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (588.311 KB)
<![CDATA[Guru menjadi salah satu komponen terpenting yang dimiliki oleh sekolah dalam usaha untuk meningkatkan layanan pendidikan. Oleh karena itu guru harus senantiasa di motivasi agar memberikan yang terbaik kepada siswa dan siswinya. Sehingga sekolah tersebut dapat meningkatkan kualitas sekolahnya hingga tumbuh menjadi sekolah yang besar. Salah satu upaya dalam meningkatkan kualitas sekolah yaitu dengan melakukan pengukuran 1 Ajibarang Wetan dilakukan dengan cara manual yang memilih salah satu guru yang direkomendasikan oleh guru-guru lain. Kendala yang lain yang timbul dalam pemilihan guru teladan yaitu belum adanya kriteria terukur yang digunakan untuk menentukan pemilihan guru teladan. Oleh sebab itu dibutuhkan suatu sistem pengambilan pendukung keputusan ini menggunakan metode Simple Additive Weighting (SAW), dimana dalam mencari penjumlahan terbobot dari suatu rating kinerja pada setiap alternatif yang terdapat pada semua atribut. Serta menggunakan metode Weighted Product (WP), dimana konsep dasar metode ini menggunakan perkalian untuk menghubungkan rating atribut, dimana pada setiap atribut terlebih dahulu dipangkatkan dengan bobot atribut yang bersangkutan. Hasil penelitian ini dengan menggunakan metode SAW dan WP menunjukan A1 memliki peringkat teratas yaitu Muliyah, S.Pd.I dengan nilai 99,5748 dan 0,1440.]]>
<![CDATA[IMPLEMENTASI METODE SIMPLE ADDITIVE WEIGHTING (SAW) DAN WEIGHTED PRODUCT (WP) DALAM PEMILIHAN GURU TELADAN (STUDI K ) ]]>
<![CDATA[Aulia, Avina Ulfa]]>;
<![CDATA[Supriyadi, Didi]]>;
<![CDATA[Ramadhani, Rima Dias]]>
<![CDATA[ Proceeding SENDI_U 2018: SEMINAR NASIONAL MULTI DISIPLIN ILMU DAN CALL FOR PAPERS ]]>
Publisher : <![CDATA[Proceeding SENDI_U ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (588.311 KB)
<![CDATA[Guru menjadi salah satu komponen terpenting yang dimiliki oleh sekolah dalam usaha untuk meningkatkan layanan pendidikan. Oleh karena itu guru harus senantiasa di motivasi agar memberikan yang terbaik kepada siswa dan siswinya. Sehingga sekolah tersebut dapat meningkatkan kualitas sekolahnya hingga tumbuh menjadi sekolah yang besar. Salah satu upaya dalam meningkatkan kualitas sekolah yaitu dengan melakukan pengukuran 1 Ajibarang Wetan dilakukan dengan cara manual yang memilih salah satu guru yang direkomendasikan oleh guru-guru lain. Kendala yang lain yang timbul dalam pemilihan guru teladan yaitu belum adanya kriteria terukur yang digunakan untuk menentukan pemilihan guru teladan. Oleh sebab itu dibutuhkan suatu sistem pengambilan pendukung keputusan ini menggunakan metode Simple Additive Weighting (SAW), dimana dalam mencari penjumlahan terbobot dari suatu rating kinerja pada setiap alternatif yang terdapat pada semua atribut. Serta menggunakan metode Weighted Product (WP), dimana konsep dasar metode ini menggunakan perkalian untuk menghubungkan rating atribut, dimana pada setiap atribut terlebih dahulu dipangkatkan dengan bobot atribut yang bersangkutan. Hasil penelitian ini dengan menggunakan metode SAW dan WP menunjukan A1 memliki peringkat teratas yaitu Muliyah, S.Pd.I dengan nilai 99,5748 dan 0,1440.]]>
<![CDATA[Perancangan Contingency Planning Disaster Recovery Unit Teknologi Informasi menggunakan NIST SP800-34 ]]>
<![CDATA[Wahyu Adi Prabowo]]>;
<![CDATA[Rima Dias Ramadhani]]>
<![CDATA[ Techno.Com Vol 20, No 1 (2021): Februari 2021 ]]>
Publisher : <![CDATA[LPPM Universitas Dian Nuswantoro ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.33633/tc.v20i1.4114
<![CDATA[Pembangunan institusi pendidikan selama ini telah bertumbuh pesat sesuai dengan kebutuhan masyarakat dan menjadikan sebuah insitusi yang semakin komplek dengan kebutuhan fungsi operasional sistem layanan informasinya. Untuk menjalankan fungsinya, institusi pendidikan didukung oleh infrastruktur sistem layanan teknologi informasi yang sangat kompleks. Dalam penyelenggaraan fungsi operasional layanan tersebut, perguruan tinggi membutuhkan peran sistem teknologi informasi yang handal dalam keberlangsungan kegiatan kerjanya. Semua komponen teknologi informasi merupakan komponen yang rentan terhadap gangguan baik itu dari internal maupun eksternal, untuk itu dalam penyelenggaraan institusi pendidikan, perguruan tinggi dalam hal ini wajib memiliki rencana untuk menanggulangi segala gangguan maupun bencana. Dalam hal ini penanganan penanggulangan ganguan dan bencana memuat beberapa prosedur dan mekanisme tersendiri dalam pengamanan datanya. Disaster Recovery Plan (DRP) merupakan langkah tepat dalam membangun penanganan gangguan dan bencana terhadap infrastruktur sistem layanan teknologi informasi yang ada di perguruan tinggi. Penerapan untuk membangun penanganan bencana ini mengacu pada NIST SP 800-34 Rev.1 yang didalamnya terdapat beberapa tahapan penilaian resiko, menganalisa dampak bisnis, mengidentifikasi pencegahannya dan pengembangan strategi mitigasi. Hasil akhir dari penelitian ini adalah rancangan dokumen DRP berdasarkan NIST SP 800-34 Rev.1 yang disesuaikan dengan kondisi di perguruan tinggi]]>
<![CDATA[Aplikasi Diagnosa Kerusakan Skuter Matik Menggunakan FUZZY Multi-criteria Decision Making ]]>
<![CDATA[Afandi Nur Aziz Thohari]]>;
<![CDATA[Rima Dias Ramadhani]]>
<![CDATA[ Jurnal Nasional Teknologi dan Sistem Informasi Vol 5, No 2 (2019): Agustus 2019 ]]>
Publisher : <![CDATA[Jurusan Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.25077/TEKNOSI.v5i2.2019.96-103
<![CDATA[Skuter matik (skutik) menjadi kendaraan roda dua dengan tingkat penjualan paling tinggi di Indonesia. Berdasarkan data Asosiasi Industri Sepeda motor Indonesia (AISI) tahun 2018, tercatat tingkat penjualan skutik adalah yang paling tinggi dari pada jenis sepeda motor lainnya. Namun jumlah skutik di Indonesia yang terus meningkat, ternyata tidak diimbangi dengan peningkatan jumlah bengkel skutik. Sehingga pengguna kesulitan mencari bengkel khusus untuk menangani kerusakan skutik. Penelitian ini menawarkan sebuah solusi untuk mendiagnosa dan menangani kerusakan skutik. Diagnosa kerusakan dapat dilakukan kapan saja dan dimana saja melalui smartphone. Tidak hanya sekedar menentukan kerusakan, apikasi yang dibangun juga dapat memberikan informasi mengenai penanganan solusi kerusakan. Metode yang digunakan untuk membangun aplikasi adalah Fuzzy Multi-Criteria Decision Making (FMCDM). Berdasarkan pengujian, hasil akurasi dari penerapan metode FMCDM sangat baik, yaitu 81,25 persen. Sedangkan tingkat kepuasan pengguna terhadap aplikasi FMCDM ini juga sangat puas. Hal ini dibuktikan dengan hasil survey kepuasan pengguna yang total nilai rata-ratanya diatas 75 persen.]]>
<![CDATA[Sistem Keamanan Ruangan Berbasis Internet of Things Menggunakan Single Board Computer ]]>
<![CDATA[Rima Dias Ramadhani]]>;
<![CDATA[Afandi Nur Aziz Thohari]]>;
<![CDATA[Novanda Alim Setya Nugraha]]>
<![CDATA[ InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan Vol 4, No 2 (2020): InfoTekJar Maret ]]>
Publisher : <![CDATA[Universitas Islam Sumatera Utara ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30743/infotekjar.v4i2.2338
<![CDATA[Closed Circuit Television (CCTV) is a security system to monitoring a room. In recent years, the use of CCTV is becoming less effective. CCTV usually have expensive rental fees and expensive device. Surveillance system using CCTV still need security officer to monitoring room condition through TV Screen. In this research purposed to build surveillance system using artificial intelligence method. The system features are detect object and send notification through Short Message Service (SMS). Single Board Computer (SBC) is used to processing video data. Technique for detecting objects is Structural Similarity (SSIM). Thought this technique, system have more accuration because it can't read shadow as object. Based on testing result obtained that system can detect object and send notification to user through SMS. System can't read object if low light intensity, but if high intensity of light the system can detect objects that have far position. Maximum frame rate that used to capture video is 60 fps, because limitation of SBC that used.]]>
<![CDATA[Optimasi Akurasi Metode Convolutional Neural Network untuk Identifikasi Jenis Sampah ]]>
<![CDATA[Rima Dias Ramadhani]]>;
<![CDATA[Afandi Nur Aziz Thohari]]>;
<![CDATA[Condro Kartiko]]>;
<![CDATA[Apri Junaidi]]>;
<![CDATA[Tri Ginanjar Laksana]]>;
<![CDATA[Novanda Alim Setya Nugraha]]>
<![CDATA[ Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 5 No 2 (2021): April 2021 ]]>
Publisher : <![CDATA[Ikatan Ahli Informatika Indonesia (IAII) ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (417.185 KB)
|
DOI: 10.29207/resti.v5i2.2754
<![CDATA[Waste is goods / materials that have no value in the scope of production, where in some cases the waste is disposed of carelessly and can damage the environment. The Indonesian government in 2019 recorded waste reaching 66-67 million tons, which is higher than the previous year, which was 64 million tons. Waste is differentiated based on its type, namely organic and anorganic waste. In the field of computer science, the process of sensing the type waste can be done using a camera and the Convolutional Neural Networks (CNN) method, which is a type of neural network that works by receiving input in the form of images. The input will be trained using CNN architecture so that it will produce output that can recognize the object being inputted. This study optimizes the use of the CNN method to obtain accurate results in identifying types of waste. Optimization is done by adding several hyperparameters to the CNN architecture. By adding hyperparameters, the accuracy value is 91.2%. Meanwhile, if the hyperparameter is not used, the accuracy value is only 67.6%. There are three hyperparameters used to increase the accuracy value of the model. They are dropout, padding, and stride. 20% increase in dropout to increase training overfit. Whereas padding and stride are used to speed up the model training process.]]>
<![CDATA[PENGELOMPOKAN DATA PERSEDIAAN OBAT MENGGUNAKAN PERBANDINGAN METODE K-MEANS DENGAN HIERARCHICAL CLUSTERING SINGLE LINKAGE ]]>
<![CDATA[Rahmatika Diana Firdaus]]>;
<![CDATA[Tri Ginanjar Laksana]]>;
<![CDATA[Rima Dias Ramadhani]]>
<![CDATA[ Journal of INISTA Vol 2 No 1 (2019): November 2019 ]]>
Publisher : <![CDATA[LPPM INSTITUT TEKNOLOGI TELKOM PURWOKERTO ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.20895/inista.v2i1.87
<![CDATA[Kesehatan merupakan hak asasi manusia sekaligus investasi bagi keberhasilan pembangunan bangsa Indonesia. Salah satu faktor penting di dunia kesehatan adalah tersedianya obat-obatan untuk nantinya disalurkan ke seluruh wilayah Indonesia melalui badan organisasi kesehatan milik pemerintah secara merata dan berkelanjutan. Fungsi obat yaitu sebagai upaya pencegahan, penyembuhan, maupun peningkatan kesehatan bagi manusia. Obat juga merupakan bahan yang diatur oleh pemerintah dalam hal ini adalah Badan Pengawasan Obat dan Makanan (BPOM). Di era modern seperti saat ini, kita mengenal dengan istilah Data Mining. Dalam perkembangannya, data mining berhubungan erat dengan analisa data, maka dari itu data mining mampu mengolah dan mengelompokan data dalam jumlah yang besar berdasarkan kesamaan dalam sekumpulan data. Algoritma K-Means merupakan metode pengelompokan yang mudah digunakan. Pada proses penentuan titik pusat klaster (centroid) awal merupakan kelemahan bagi K-Means karena sifatnya yang acak. Algoritma Hierarchical Clustering (HCC) Single Linkage pada penentuan titik pusat klaster (centroid) memiliki sifat yang konsisten dan kompleks. Dari 204 data dan variabel yang akan diolah, kedua algoritma tersebut akan mendapatkan klaster optimal data pada kelompok klaster C1 yaitu obat dengan pemakaian lambat dan klaster C2 yaitu obat dengan pemakaian cepat dan membandingkan nilai validitasnya. Hasil dari penelitian ini menunjukan bahwa algoritma HCC Single linkage mampu memberikan hasil yang terbaik dengan validitas Sillhoutte Index (SI) sebesar 0.8629 sedangkan algoritma K-Means mendapatkan nilai validitas SI sebesar 0.8414.]]>
<![CDATA[LOGIKA FUZZY SUGENO UNTUK PENGAMBILAN KEPUTUSAN DALAM PENJADWALAN DAN PENGINGAT SERVICE SEPEDA MOTOR ]]>
<![CDATA[Ariesta Dwi Saputri]]>;
<![CDATA[Rima Dias Ramadhani]]>;
<![CDATA[Rifki Adhitama]]>
<![CDATA[ Journal of INISTA Vol 2 No 1 (2019): November 2019 ]]>
Publisher : <![CDATA[LPPM INSTITUT TEKNOLOGI TELKOM PURWOKERTO ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.20895/inista.v2i1.95
<![CDATA[Data pengguna sepeda motor tahun 2016 berdasarkan Badan Pusat Statistik terdapat 105.150.082 pengguna di Indonesia . Angka ini adalah angka yang terbanyak dari semua total kendaraan. Menurut katadata.co.id, terdapat 98.000 kali kecelakan yang terjadi pada tahun 2017. Hal ini didominasi oleh kendaraan khususnya sepeda motor. Kecelakan yang ditimbulkan disebabkan oleh kelalaian pengguna sepeda motor dalam merawat motornya tersebut. Upaya dalam mengantisipasi terjadinya kecelakaan salah satunya adalah melakukan pengecekan kendaraan bermotor secara rutin. Menurut buku panduan sepeda motor, bahwa setiap kali motor yang digunakan wajib untuk melakukan pengecekan minimal 3 bulan sekali agar motor tetap pada performa utamanya. Metode yang digunakan untuk pengambilan keputusan dalam penjadwalan dan pengingat menggunakan metode fuzzy sugeno. Fuzzy merupakan suatu cara untuk memetakan suatu ruang input ke dalam suatu ruang output . Solusi yang ditawarkan pada penelitian ini akan aplikasi mobile yang dikhususkan untuk pengguna sepeda motor dalam melakukan perawatan rutin sebagai penjadwalan dan pengingat. Hasil yang didapatkan Berdasarkan pengujian manual dan pengujian melalui system yakni 16 siap service dan 14 tidak siap service. Presentase keakuratan system dengan perhitungan manual 100% sama dengan perhitngan system. Prensentasi pengaruh terhadap perawatan motor adalah 88.27% setuju terhadap pembuatan aplikasi ini untuk perawatan motor terhadap kecelakaan motor.]]>
<![CDATA[Sistem Pengawasan Berbasis Deteksi Gerak Menggunakan Single Board Computer ]]>
<![CDATA[Afandi Nur Aziz Thohari]]>;
<![CDATA[Rima Dias Ramadhani]]>
<![CDATA[ Jurnal Nasional Teknik Elektro dan Teknologi Informasi Vol 8 No 1: Februari 2019 ]]>
Publisher : <![CDATA[Departemen Teknik Elektro dan Teknologi Informasi, Fakultas Teknik, Universitas Gadjah Mada ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1112.391 KB)
<![CDATA[Monitoring is the important thing for the security of an area. Based on the monitoring, the condition of the area, events, and objects can be observed. Monitoring of an area generally uses Closed Circuit Television (CCTV). But CCTV cameras only function as passive supervisor which are unable to detect the appearance of objects. Therefore, the motion detection techniques need to be applied to detect the appearance of the objects. In this paper, a Gaussian blur and accumulative frame difference method was applied to detect the appearance of the objects. The method works by comparing the reference frame as a benchmark with the target frame which is filled by the objects. Based on the results of the test, the system is able to detect the objects that appear by raising a segmentation line on the objects. Then, the time of objects appearance will be recorded in a *.csv file and the system visualizes the appearance of the objects in time-series graphs. Objects appearance examination at a distance of 1 to 10 meters can work well during a bright conditions. However, in dark environments (less than 40 lux), the system has not been able to detect the appearance of an object because it depends on the specification of camera used by the users. Then, in testing the number of the objects, the system can detect multiple objects. However, if there are several objects that are too close, those objects will be merged as one object.]]>
<![CDATA[The Accuracy Comparison Between Word2Vec and FastText On Sentiment Analysis of Hotel Reviews ]]>
<![CDATA[Siti Khomsah]]>;
<![CDATA[Rima Dias Ramadhani]]>;
<![CDATA[Sena Wijaya]]>
<![CDATA[ Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 6 No 3 (2022): Juni 2022 ]]>
Publisher : <![CDATA[Ikatan Ahli Informatika Indonesia (IAII) ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (380.214 KB)
|
DOI: 10.29207/resti.v6i3.3711
<![CDATA[Word embedding vectorization is more efficient than Bag-of-Word in word vector size. Word embedding also overcomes the loss of information related to sentence context, word order, and semantic relationships between words in sentences. Several kinds of Word Embedding are often considered for sentiment analysis, such as Word2Vec and FastText. Fast Text works on N-Gram, while Word2Vec is based on the word. This research aims to compare the accuracy of the sentiment analysis model using Word2Vec and FastText. Both models are tested in the sentiment analysis of Indonesian hotel reviews using the dataset from TripAdvisor.Word2Vec and FastText use the Skip-gram model. Both methods use the same parameters: number of features, minimum word count, number of parallel threads, and the context window size. Those vectorizers are combined by ensemble learning: Random Forest, Extra Tree, and AdaBoost. The Decision Tree is used as a baseline for measuring the performance of both models. The results showed that both FastText and Word2Vec well-to-do increase accuracy on Random Forest and Extra Tree. FastText reached higher accuracy than Word2Vec when using Extra Tree and Random Forest as classifiers. FastText leverage accuracy 8% (baseline: Decision Tree 85%), it is proofed by the accuracy of 93%, with 100 estimators.]]>
