Articles
<![CDATA[Implementasi Algoritme K-Nearest Neighboar (KNN) untuk Prediksi Hasil Produksi ]]>
<![CDATA[Farkhina Dwi Utari]]>;
<![CDATA[Amril Mutoi Siregar]]>;
<![CDATA[Deden Wahiddin]]>
<![CDATA[ Scientific Student Journal for Information, Technology and Science Vol. 1 No. 1 (2020): Scientific Student Journal for Information, Technology and Science ]]>
Publisher : <![CDATA[Scientific Student Journal for Information, Technology and Science ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (627.594 KB)
<![CDATA[Penjadwalan sebuah produksi merupakan proses penting dalam produksi. Penjadwalan produksi bertujuan untukmenghasilkan produk yang akan dijual dan memperoleh keuntungan bagi perusahaan. Agar produksi berjalanlancar diperlukan sebuah departemen perencanaan produksi dan kontrol persediaan. Permasalahan yang adasaat ini yaitu metode yang digunakan dalam penjadwalan produksi tidak tentu, karena metode tersebut tidak cocokdigunakan, sehingga menyebabkan kendala yang mempengaruhi perencanaan produksi. Salah satu faktor yangmempengaruhi adalah besarnya permintaan pelanggan per harinya (cycle time urgent). Maka solusi untukmengolah data hasil produksi perusahaan adalah dengan teknik klasifikasi-prediksi menggunakan algoritme KNearest Neighbor (KNN). Sehingga mampu membantu memberikan prediksi bagi departemen perencanaan dankontrol persediaan dalam penjadwalan produksi. Berdasarkan hasil perhitungan klasifikasi prediksi data hasilproduksi pada PT. SKI dengan algoritme K-Nearest Neighbor (KNN) dengan data latih sebanyak 130 dan satudata uji diperoleh nilai akurasi sebanyak 100% dengan menentukan K=5.]]>
<![CDATA[K-Means Clustering untuk Mengelompokan Tingkat Putus Sekolah Jenjang SMP di Indonesia ]]>
<![CDATA[Sekar Wuni]]>;
<![CDATA[Amril Mutoi Siregar]]>;
<![CDATA[Dwi Sulistya Kusumaningrum]]>
<![CDATA[ Scientific Student Journal for Information, Technology and Science Vol. 1 No. 1 (2020): Scientific Student Journal for Information, Technology and Science ]]>
Publisher : <![CDATA[Scientific Student Journal for Information, Technology and Science ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (487.75 KB)
<![CDATA[Mendapatkan pendidikan adalah hak setiap warga Negara Indonesia, dari tingkat Sekolah Dasar (SD), SekolahMenengah Pertama (SMP), hingga Sekolah Menengah Atas (SMA) maupun yang sederajat. Namun, ternyatamasih ada siswa yang tidak dapat menyelesaikan pendidikannya pada tingkat tertentu maupun melanjutkan kejenjang selanjutnya. Siswa yang tidak dapat menyelesaikan pendidikannya diberikan sebutan putus sekolah. Padasitus Kementrian Pendidikan dan Kebudayaan (Kemendikbud) terdapat banyak data yang disajikan, salah satunyaadalah data angka putus sekolah dari berbagai jenjang pendidikan dan tahun ajar. Data-data tersebut belum jelasdikarenakan belum dapat dikategorikan maupun dikelompokan berdasarkan besar kecilnya angka putus sekolah.Berdasarkan permasalahan tersebut, maka penelitian ini mengolah data angka putus sekolah jenjang SMP diIndonesia dengan menggunakan terknik pada data mining yaitu clustering (pengelompokan) dengan menggunakanalgoritma K-Means. Pengelompokan pada data tersebut dibagi menjadi tiga kelompok yaitu kelompok tingkatputus sekolah jenjang SMP rendah, sedang, dan tinggi. Penelitian ini dilakukan menggunakan dua cara yaitu:perhitungan manual dengan menggunakan Microsoft Excel 2013 dan pengujian menggunakan tools Rapid Minerversi 5.3.000. Hasil dari penelitian ini yaitu provinsi yang masuk pada kelompok tingkat putus sekolah jenjangSMP rendah sebanyak 21 provinsi, kelompok sedang sebanyak 12 provinsi dan yang masuk pada kelompok tinggisebanyak 1 provinsi.]]>
<![CDATA[Penerapan Algoritma K-Means Dalam Mengurangi Tingkat Buta Aksara Di Indonesia Sebagai Penunjang Keputusan ]]>
<![CDATA[Murniasih]]>;
<![CDATA[Amril Mutoi Siregar]]>;
<![CDATA[Deden Wahiddin]]>
<![CDATA[ Scientific Student Journal for Information, Technology and Science Vol. 1 No. 1 (2020): Scientific Student Journal for Information, Technology and Science ]]>
Publisher : <![CDATA[Scientific Student Journal for Information, Technology and Science ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (745.409 KB)
<![CDATA[Buta aksara adalah saat seseorang tidak mampu untuk membaca dan menulis sebuah kalimat sederhana dalamberbagai bahasa. Data terakhir Badan Pusat Statistika (BPS) pada tahun 2017 jumlah penderita sebanyak 3,387,038pada usia 15-59 tahun. Dari banyaknya jumlah penderita buta aksara tersebut, maka perlu adanya penelitianmengenai penyebaran buta aksara di Indonesia. Penelitian ini bertujuan untuk melakukan pengelompokan provinsibuta aksara dengan metode algoritma k-means dengan teknik clustering pada data mining. Metode algoritma kmeans merupakan pengelompokan data yang sama pada suatu kelompok tertentu dan pengelompokan data yangberbeda pada kelompok lain. Pada penelitian ini mengelompokan provinsi ke dalam beberapa cluster berdasarkankemiripan data, maka data provinsi dengan karakteristik yang sama dikelompokan menjadi satu cluster dan dataprovinsi dengan karakteristik yang berbeda akan dikelompokan kedalam cluster yang lain. Jumlah data yangdigunakan sebanyak 34 data, menggunakan atribut provinsi, umur 15+, umur 15-45 dan umur 45+. Perhitunganpada penelitian ini dilakukan dengan cara manual menggunakan Microsoft Excel kemudian dievaluasi denganmenggunakan tools Rapidminer 9.2.0. Penelitian ini menghasilkan pengelompokan provinsi penderita butaaksaran tertinggi dengan jumlah dua provinsi, sepuluh provinsi penderita buta aksara kategori sedang dan 22provinsi penderita buta aksara kategori rendah]]>
<![CDATA[Penerapan Algoritme K-Means untuk Pengelompokan Buku Berdasarkan Tingkat Minat Pembaca ]]>
<![CDATA[Andri Juliyanto]]>;
<![CDATA[Amril Mutoi Siregar]]>;
<![CDATA[Dwi Sulistya Kusumaningrum]]>
<![CDATA[ Scientific Student Journal for Information, Technology and Science Vol. 1 No. 2 (2020): Scientific Student Journal for Information, Technology and Science ]]>
Publisher : <![CDATA[Scientific Student Journal for Information, Technology and Science ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (507.628 KB)
<![CDATA[Perpustakaan menyediakan layanan baca dan peminjaman buku untuk menunjang sarana proses belajar mengajar.Dinas Perpustakaan Kabupaten Karawang mencatat setiap transaksi peminjaman buku yang dipinjam oleh anggotaperpustakaan. Selama ini anggota perpustakaan kesulitan menemukan rak-rak buku yang sesuai dengan tingkatminat pembaca. Maka dalam mengatasi permasalahan penelitian ini dilakukan dengan menerapkan algoritme KMeans. Penerapan algoritme K-Means dalam penelitian ini dilakukan untuk menentukan pengelompokan buku,sehingga hasil yang didapat mampu membantu petugas perpustakaan menyusun rak-rak buku. Berdasarkan hasilperhitungan dalam penelitian ini yang menggunakan data latih jenis buku sebanyak 38 jenis buku dan 13 atributdata menghasilkan tiga klaster. Klaster 1 adalah klaster paling diminati yang menghasilkan 31 buku, klaster 2 yaituklaster cukup diminati menghasilkan tiga buku dan klaster 3 merupakan klaster kurang diminati menghasilkanempat buku.]]>
<![CDATA[PENERAPAN ALGORITMA K – NEAREST NEIGHBOR (KNN) UNTUK KLASIFIKASI PENCEMARAN UDARA DI KOTA JAKARTA ]]>
<![CDATA[Siti Nurjanah]]>;
<![CDATA[Amril Mutoi Siregar]]>;
<![CDATA[Dwi Sulistya Kusumaningrum]]>
<![CDATA[ Scientific Student Journal for Information, Technology and Science Vol. 1 No. 2 (2020): Scientific Student Journal for Information, Technology and Science ]]>
Publisher : <![CDATA[Scientific Student Journal for Information, Technology and Science ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (548.947 KB)
<![CDATA[Pencemaran Udara adalah masuknya atau dimasuknanya zat,energy atau komponen lain ke dalam udara ambienoleh kegiatan manusia. Sehingga mutu udara ambien turun sampai ketingkat tertentu yang menyebabkan udaraambien tidak dapat memenuhi fungsinya. Kondisi udara yang buruk juga dapat mengganggu aktifitas manusia.Dampak pencemaran udara dapat menyebabkan gangguan pernapasan dan bahkan kematian. Sumber pencemaranudara dapat disebabkan dari semakin banyaknya kendaraan bermotor dan pembangunan gedung yang tidakmemperhatikan keseimbangan alam. Di Kota Jakarta Indeks Standar Pencemaran Udara (ISPU) yang dilakukanoleh Dinas Lingkungan Hidup melalui stasiun pemantau setiap hari selalu mengalami perubahan kategoripencemaran udara. Data yang ada belum mampu memberikan informasi yang memadai kepada masyarakat Jakarta.Sehingga kesadaran masyarakatterhadap bahaya polusiudara belum maksimal.Salah satu cara untukmengolah dataISPU harian dikota Jakarta adalah dengan teknik klasifikasi data mining menggunakan algoritma K-NearestNeighbor (KNN). Sehingga diharapkan dapat membantu memberikan informasi yang bermanfaat bagi masyarakatdan bagi Dinas Lingkungan Hidup. Berdasarkan hasil perhitungan klasifikasi kategori pencemaran udara denganalgoritma K-Nearest Neighbor (KNN) di Kota Jakarta dengan data training sebanyak 304 dan satu data uji(testing)diperoleh nilai akurasi sebanyak 95.78% dengan menentukan K=7.]]>
<![CDATA[Pengelompokan Jumlah Sumber Daya Manusia Kesehatan Puskesmas untuk Menunjang Pemerataan pada Provinsi Jawa Tengah Menggunakan Algoritma K-Means ]]>
<![CDATA[Sinta Candra Dewi]]>;
<![CDATA[Amril Mutoi Siregar]]>;
<![CDATA[Dwi Sulistya Kusumaningrum]]>
<![CDATA[ Scientific Student Journal for Information, Technology and Science Vol. 1 No. 2 (2020): Scientific Student Journal for Information, Technology and Science ]]>
Publisher : <![CDATA[Scientific Student Journal for Information, Technology and Science ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (740.237 KB)
<![CDATA[Puskesmas merupakan salah satu dari fasilitas pelayanan kesehatan masyarakat secara terpadu, menyeluruh danberkesinambungan dalam suatu wilayah yang berada dalam pengawasan langsung dari Dinas Kabupaten. Saranadan prasarana serta Sumber Daya Manusia Kesehatan (SDMK) yang memadai sangat dibutuhkan agar fasilitaspelayanan kesehatan dapat berfungsi dengan baik. Agar mencapai tingkat kesehatan yang setinggi-tingginyapemerintah bertanggungjawab atas ketersediaan Sumber Daya Manusia Kesehatan (SDMK) yang adil dan meratabagi seluruh masyarakat. Data kementrian kesehatan menunjukan terdapat 938 puskesmas atau 9.8% dari 9,599puskesmas masih kekurangan tenaga kesehatan hal itu disebabkan oleh distribusi tenaga kesehatan yang belummerata, terdapat beberapa daerah yang kelebihan tenaga kesehatan sedangkan beberapa daerah lainnya kekurangantenaga kesehatan. Penelitian ini membahas tentang pengelompokan jumlah SDMK Puskesmas untuk menunjangpemerataan jumlah SDMK Puskesmas di Provinsi Jawa Tengah dengan menggunakan Algoritma K-Means.Pengelompokan dalam Algoritma K-Means dibagi menjadi tiga cluster yaitu cluster satu, cluster dua dan clustertiga dengan nilai Tinggi (Kelebihan SDMK), Sedang (Kecukupan SDMK) dan Rendah (Kekurangan SDMK).Hasil dari pengelompokan data dengan menggunakan Algoritma K-Means yaitu cluster satu dengan nilai Tinggi(Kelebihan SDMK) terdapat empat Kabupaten/Kota, cluster dua dengan nilai sedang (Kecukupan SDMK) terdapat25 Kabupaten/Kota dan cluster tiga dengan nilai rendah (Kekurangan SDMK) terdapat enam Kabupaten/Kota.]]>
<![CDATA[Seleksi Karyawan Menggunakan Algoritme C4.5 Pada Perusahaan Tekstil ]]>
<![CDATA[Wilda Amalia]]>;
<![CDATA[Amril Mutoi Siregar]]>;
<![CDATA[Santi Arum Puspita Lestari]]>
<![CDATA[ Scientific Student Journal for Information, Technology and Science Vol. 1 No. 2 (2020): Scientific Student Journal for Information, Technology and Science ]]>
Publisher : <![CDATA[Scientific Student Journal for Information, Technology and Science ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (671.505 KB)
<![CDATA[Seleksi karyawan baru pada perusahaan adalah hal yang sangat penting, karena karyawan yang terpilih harusmempunyai kemampuan-kemampuan yang sesuai dengan pekerjaannya. Banyaknya kriteria yang diperlukan olehperusahaan menyebabkan pihak rekrutmen kurang efektif dalam menyeleksi. Agar dapat memudahkan dalamproses penyeleksian karyawan baru perusahaan perlu mengetahui pola data seleksi karyawan yang lulus dan gagal,.Data seleksi karyawan diolah menggunakan teknik klasifikasi, algoritme C4.5 menghasilkan atribut yangberpengaruh dalam seleksi karyawan yaitu nilai tes, jahit dan sehat. Berdasarkan atribut tersebut membentukaturan-aturan yang digunakan untuk seleksi karyawan. Penelitian ini menghasilkan tingkat akurasi yang sangatbaik yaitu 100% dan nilai sensitivitas 100%. Pohon keputusan dan aturan yang dihasilkan ini mampu membantupihak perusahaan dalam menentukan calon karyawan baru yang lulus atau gagal.]]>
<![CDATA[Pengelompokan Kabupaten dan Kota di Indonesia Berdasarkan Hasil Produksi Daging Sapi Menggunakan Algoritma K-Means dan K-Medoids ]]>
<![CDATA[Lutfiah Adeliana]]>;
<![CDATA[Amril Mutoi Siregar]]>;
<![CDATA[Dwi Sulistya Kusumaningrum]]>
<![CDATA[ Scientific Student Journal for Information, Technology and Science Vol. 2 No. 1 (2021): Scientific Student Journal for Information, Technology and Science ]]>
Publisher : <![CDATA[Scientific Student Journal for Information, Technology and Science ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (252.259 KB)
<![CDATA[Kebutuhan daging sapi yang tinggi di suatu daerah terkadang tidak dibarengi dengan pasokan daging yang sesuai sehingga konsumsi daging sapi masyarakat Indonesia masih belum merata [1]. Padahal, kebutuhan akan daging sapi begitu penting dalam memenuhi gizi harian tubuh manusia. Penyebab konsumsi daging sapi masyarakat Indonesia yang belum merata salah satunya yaitu tingkat produksi daging sapi yang rendah di daerah tertentu namun tinggi akan kebutuhan daging tersebut [2]. Adanya distribusi yang merata sangat dibutuhkan agar seluruh masyarakat dapat terpenuhi kebutuhan gizinya. Penerapan data mining dalam hal ini diharapkan dapat memberikan solusi yaitu berupa informasi daerah mana saja yang tingkat produksi daging sapi rendah, sedang, dan tinggi sehingga dapat memetakan dengan tepat dan dapat membantu dalam pemenuhan gizi masyarakat Indonesia. Algoritma yang digunakan untuk mengelompokan dalam penelitian ini yaitu K-Means dan K-Medoids.]]>
<![CDATA[Perbandingan Tingkat Kepuasan Siswa Terhadap Pelayanan Sekolah Menggunakan Algoritma K-Means Dan K-Medoids ]]>
<![CDATA[Maulana Abdur Rofik]]>;
<![CDATA[Amril Mutoi Siregar]]>;
<![CDATA[Dwi Sulistya Kusumaningrum]]>
<![CDATA[ Scientific Student Journal for Information, Technology and Science Vol. 2 No. 1 (2021): Scientific Student Journal for Information, Technology and Science ]]>
Publisher : <![CDATA[Scientific Student Journal for Information, Technology and Science ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (438.43 KB)
<![CDATA[Kepuasan siswa menjadi tolak ukur utama pada tiap sekolah swasta. Selain menjadi aspek berarti untuk perkembangan suatu sekolah, membagikan rasa kebahagiaan serta keinginan penataran anak didik yang terkabul bisa tingkatkan nama baik dalam kompetisi. Anak didik yang menyangka puas jasa sekolah tentu hendak mengantarkan data pada pihak lain bagus sahabat, kerabat, ataupun warga disekitarnya. Dengan memandang hasil evaluasi anak didik yang beralasan pada angket yang sudah diisi bisa dicoba cara klasterisasi data mining menggunakan metode k-meansserta k-medoids. Hasil pengelompokan memakai algoritma k-means menghasilkan klaster puas sebanyak 276 siswa, klaster cukup puas sebanyak 216 siswa dan klaster kurang puas sebanyak 17 siswa. Lalu pada algoritma k-medoids klaster puas sebanyak 324 siswa, klaster cukup puas sebanyak 11 siswa dan klaster kurang puas sebanyak 174 siswa. Perbedaan jumlah cluster pada kinerja tiap algoritma memiliki pola perhitungan yang berbeda pada masing-masing iterasi tergantung pada dataset yang digunakan serta titik centroid yang dijadikan perhitungan pada algoritma. Hasil pengelompokan dari kepuasan anak didik ini bisa dikenal ialah berapa banyak anak didik yang merasa puas, lumayan puas dan tidak puas dengan mutu jasa yang sudah diserahkan sekolah, alhasil pada waktu yang hendak tiba mutu jasa sekolah bisa ditingkatkan jadi lebih bagus lagi.]]>
<![CDATA[Perbandingan Algoritma C4.5 dan KNN Untuk Menentukan Pemberian Kredit Bagi Nasabah Koperasi ]]>
<![CDATA[Yholanda Maldini]]>;
<![CDATA[Amril Mutoi Siregar]]>;
<![CDATA[Tohirin Al Mudzakir]]>
<![CDATA[ Scientific Student Journal for Information, Technology and Science Vol. 2 No. 1 (2021): Scientific Student Journal for Information, Technology and Science ]]>
Publisher : <![CDATA[Scientific Student Journal for Information, Technology and Science ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (333.228 KB)
<![CDATA[Koperasi memberikan simpan pinjam kepada nasabah yang ingin mengajukan pinjaman, yang bertujuan untuk memenuhi kebutuhan rumah tangga. Pada proses simpan pinjam sering terjadi kredit macet, yang disebabkan nasabah koperasi memiliki masalah ekonomi yang buruk sehingga pembayaran kredit sedikit terhambat. Maka dilakukan penelitian untuk menenetukan pemberian kredit bagi nasabah dengan cara memperhatikan data yang dimasukan nasabah untuk proses peminjaan. Metode yang digunakan dalam penelitian ini menggunakan algoritma C4.5 dan KNN. Hasil akurasi yang diperoleh dengan algoritma KNN sebesar 62%. Sedangkan hasil akurasi algoritma C4.5 sebesar 57.50%. Sehingga hasil akurasi terbaik dari algoritma KNN bisa dijadikan acuan untuk menentukan pemberian kredit kepada nasabah.]]>
