Claim Missing Document
Check
Articles

Found 4 Documents
Search
Journal : Nusantara of Engineering (NOE)

Pemanfaatan GIS Untuk Sistem Informasi Pariwisata Rina Firliana; Patmi Kasih; Ady Suprapto
Nusantara of Engineering Vol 3 No 1 (2016)
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (514.23 KB)

Abstract

Abstrak - Demi meningkatkan informasi tentang tempat - tempat wisata yang berada di Kabupaten  Tulungagung  kepada  masyarakat  indonesia  maupun  luar  indonesia,  perlu dilakukan pemetaan geografis tempat-tempat wisata sesuai dengan perkembangan teknologi, Peningkatan informasi tempat–tempat wisata Kabupaten Tulungagung, seperti pantai, candi bendungan, air terjun dan seluruh tempat wisata yang berada di kabupaten tulungagung dapat di informasikan melalui internet menggunakan Sistem Informasi Geografis atau Geografis Informasi System Berbasis web. Metode yang di gunakan dalam pembuatan Sistem Informasi Geografis Pariwisata Kabupaten  Tulungagung  menggunakan  Waterfall  Model  dengan  5  (lima)  tahapan  yaitu design, analysis, coding dan testing, implementation dan maintenance dengan kebutuhan data sesuai dengan model data spatial pada Sistem Informasi Geografis, Sedangkan informasi yang akan disajikan dalam Sistem Informasi Geografis Pariwisata Kabupaten Tulungagung meliputi informasi wilayah, peta, photo, dan informasi jalur terdekat menuju tempat wisata.Sistem Informasi Geografis Pariwisata Kabupaten Tulungagung diharapkan dapat bermanfaat bagi para masyarakat Indonesia maupun luar Indonesia agar dapat dengan mudah dalam mendapatkan informasi tempat wisata yang berada di Kabupaten Tulungagung.   Kata Kunci- Sistem Informasi Geografis, Pariwisata, Kabupaten Tulungagung
Integrasi Kategori Skripsi Dan Keahlian Dosen Dalam Naïve Bayes Untuk Pemilihan Dosen Pembimbing Patmi Kasih
Nusantara of Engineering Vol 3 No 2 (2016)
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (457.875 KB) | DOI: 10.29407/noe.v3i2.12339

Abstract

Tugas akhir bagi mahasiswa adalah hal terpenting yang harus dilakukan dengan sungguh-sungguh dan penuh pemikiran. Dalam melaksanakan tugas akhir, mahasiswa memerlukan dosen pendamping dan pembimbing yang dapat memberikan masukan, arahan dan informasi-informasi yang dapat mendukung pengerjaan tugas akhir mahasiswa. Dosen pendamping dan pembimbing yang mengerti dan memahami secara penuh apa yang menjadi tema dan studi kasus tugas akhirnya, mahasiswa diharapkan dapat mengerjakan tugas akhir dengan baik, lancer dan selesai tepat waktu. Untuk itu diperlukan ketepatan pemberian dosen pembimbing bagi mahasiswa yang mengambil sks proposal maupun tugas akhir. Seperti halnya pada mahasiswa Prodi Teknik Informatika Universitas Nusantara PGRI Kediri. Sistem bantu rekomendasi pemilihan dosen pembimbing tugas akhir pada Prodi Teknik Informatika UN PGRI Kediri adalah solusi dari permasalahan. Sistem rekomendasi dosen pembimbing yang di bangun memanfaatkan algoritma naïve bayes classifier sebagai penentu hasil probabilitas dosen yang dapat dipilih oleh mahasiswa. Naive Bayes merupakan teknik prediksi berbasis probabilistic sederhana yang berdasar pada penerapan torema bayes (aturan bayes) dengan asumsi independensi (ketidak tergantungan) yang kuat. Pemilihan ini didasarkan pada kriteria kategori tugas akhir mahasiswa, keahlian dosen, jam masuk dosen (jam bimbingan), dan domisili dosen. Dari aplikasi rekomendasi ini didapatkan rekomendasi dosen pembimbing yang sesuai dengan konsep tugas akhir dan keahlian dosen. Dengan acuan data training dan aturan bayes didapat hasil yang cukup memberikan kepuasan bagi mahasiswa dalam penentuan dosen pembimbing pilihan. Kata Kunci: Keahlian Dosen, Naive Bayes Clasifier, Sistem Pendukung Keputusan, Skripsi
Pemodelan Gaya Belajar Siswa dengan Menggunakan Support Vector Machine Bagas Dwi Pranata; Umi Mahdiyah; Patmi Kasih
Nusantara of Engineering (NOE) Vol 6 No 2 (2023): Volume 6 No 2 Tahun 2023
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/noe.v6i2.20884

Abstract

Gaya belajar siswa memiliki pengaruh signifikan dalam pemahaman dan penyerapan materi pelajaran. Penelitian ini bertujuan untuk menggunakan metode Support Vector Machine (SVM) dalam mengklasifikasikan gaya belajar siswa dan membentuk kelompok belajar yang sesuai. Dalam penelitian ini, data gaya belajar siswa dikumpulkan dan dianalisis menggunakan SVM sebagai algoritme klasifikasi. Evaluasi hasil menunjukkan tingkat akurasi sebesar 88% dengan confusion matrix. Hasil ini mengindikasikan bahwa SVM efektif dalam menentukan kelompok belajar yang serupa berdasarkan gaya belajar siswa. Penelitian ini memberikan kontribusi penting dalam memahami pentingnya penyesuaian gaya belajar siswa, yang memungkinkan guru untuk mengoptimalkan pengelompokan siswa berdasarkan gaya belajar individu mereka. Selain itu, hasil evaluasi juga memberikan informasi lengkap tentang kinerja model SVM termasuk confusion matrix. Dengan tingkat akurasi yang memadai, penelitian ini dapat mendukung pengembangan lingkungan pembelajaran yang inklusif, responsif, dan efektif bagi siswa.
Penerapan Metode Naïve Bayes dalam Sistem Restock Barang pada Toko Ffactory2nd Ricky Laschka Zidane Santoso; Risa Helilintar; Patmi Kasih
Nusantara of Engineering (NOE) Vol 7 No 1 (2024): Volume 7 No. 1 Tahun 2024
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/noe.v7i01.21964

Abstract

This research aims to implement the Naïve Bayes method in determining restocking decisions for Ffactory2nd, a fashion product retail business entity. Ffactory2nd has a crucial need to effectively manage its inventory and make informed decisions regarding restocking. Sales data were collected from August to December 2023, with testing conducted on 16 selected products as samples. The analysis results indicate that the system can provide accurate restocking recommendations based on inventory levels. The Naïve Bayes method is employed for classifying restocking into two categories: Restock (Yes) and No Restock. The analysis demonstrates that the system is capable of delivering accurate restocking recommendations, aiding inventory managers in more effective decision-making. Alpha and beta functional testing indicates that the restocking determination system has been successfully implemented and well-received by users. User satisfaction reached an average level of 93%, indicating a positive impact of the system on inventory management at Ffactory2nd.