Articles
<![CDATA[UTILITY VECTORS TO FUZZY PREFERENCE RELATION DENGAN METODE SIMPLE ADDITIVE WEIGHTING (SAW) DALAM PENENTUAN POSISI KERJA KARYAWAN ]]>
<![CDATA[Harianja, Eva Julia Gunawati]]>;
<![CDATA[Ketaren, Eliasta]]>
<![CDATA[ Jurnal TIMES Vol 5, No 1 (2016) ]]>
Publisher : <![CDATA[STMIK TIME ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (323.743 KB)
<![CDATA[Penempatan kerja bukanlah masalah sederhana, sebab kesalahan penempatan dapat mempengaruhi operasi perusahaan. Masalah utama yang dihadapi dalam menyeleksi karyawan adalah masih kurangnya ketepatan dan kecepatan proses penilaian kinerja masing-masing karyawan guna memenuhi posisi tertentu. Penilaian kinerja karyawan yang didasarkan pada kriteria-kriteria tersebut sering kali menjadi masalah dalam proses pengambilan keputusan. Untuk mengekspresikan preferensi pengambil keputusan pada alternatif yang paling diinginkan, dapat dilakukan dengan transformasi format preferensi Utility Vectors to Fuzzy Preference Relation. Selanjutnya memilih metode SAW untuk menentukan nilai bobot untuk setiap atribut, yang dilanjutkan dengan proses perangkingan untuk menyeleksi alternatif terbaik, dalam hal ini adalah alternatif yang cocok untuk menentukan posisi kerja karyawan yang sesuai dengan kriteria-kriteria yang telah ditentukan. Dengan metode ini diharapkan penilaian akan lebih tepat dan akurat karena didasarkan pada nilai kriteria dan bobot yang telah ditentukan.]]>
<![CDATA[PERANCANGAN SISTEM PAKAR TINGKAT PERSENTASE PENYAKIT ANOREKSIA NERVOSA MENGGUNAKAN METODE DEMPSTER SHAFER ]]>
<![CDATA[Harianja, Eva Julia Gunawati]]>;
<![CDATA[Napitupulu, Junika]]>
<![CDATA[ METHODIKA: Jurnal Teknik Informatika dan Sistem Informasi Vol. 6 No. 1 (2020): Maret 2020 ]]>
Publisher : <![CDATA[Universitas Methodist Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.46880/mtk.v6i1.424
<![CDATA[Anorexia Nervosa (AN) is an eating disorder by making yourself feel hungry (self-starvation). Usually occurs in young women who are stepping on the high school bench (General High School). Their goal is to make themselves hungry so that they have a slim physical appearance and attract the attention of the opposite sex. There are 2 types of Anorexia Nervosa, Restrictive Anorexia Nervosa, people with this type of anorexia greatly limit the amount of food they consume, in fact they often do not eat at all until their bodies become very thin. Anorexia Nervosa Binge-purge, this type of anorexia is almost the same as bulimia. People who suffer from this disorder will eat in large quantities. But after eating, they will tend to feel guilty and then force to vomit back the food they ate. Mahoni Mental Hospital is one of the agencies engaged in health services, as a health agency, it is a must for the agency to improve its services both in terms of speed and timeliness. Mahoni Mental Hospital does not yet have a computerized system or method used to diagnose Anorexia Nervosa. Therefore, there is often a delay in the treatment of anorexia nervosa disorders. This study aims to build an expert system that functions as a tool for the Mahogany Mental Hospital or medical (experts) and medical students in diagnosing Anorexia Nervosa disorders. This study uses the Dempster Shafer method, in diagnosing Anorexia Nervosa disorder, based on the symptoms felt by the patient, then the results of the consultation are how many percent of the patient is affected by Restrictive Anorexia Nervosa or what percentage of the patient is Anorexia Nervosa Bingepurge]]>
<![CDATA[Penerapan Metode Fuzzy Analytic Hierarchy Process Dengan Metode Perceptron Pada Penentuan Klasifikasi Evaluasi Penerimaan Mobil ]]>
<![CDATA[Eva Julia Gunawati Harianja]]>;
<![CDATA[Gortap Lumbantoruan]]>
<![CDATA[ CESS (Journal of Computer Engineering, System and Science) Vol 4, No 1 (2019): Januari 2019 ]]>
Publisher : <![CDATA[Universitas Negeri Medan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (607.232 KB)
|
DOI: 10.24114/cess.v4i1.11666
<![CDATA[Penelitian ini mengusulkan sebuah format pengambilan keputusan berbasis metode Analythical Hierarchy Process (AHP) yang adaptif. Metode AHP klasik ini memiliki keterbatasan yang tidak dapat mencerminkan pemikiran manusia sebagai pengambil keputusan dalam menangani informasi yang bersifat kualitatif atau tidak tepat. Untuk itu teori himpunan fuzzy sangat disarankan untuk mengatasi masalah jenis informasi kualitatif, tidak tepat atau bahkan masalah keputusan terstruktur yang buruk. Permasalahan yang sering terjadi saat membentuk matriks perbandingan berpasangan pada teknik AHP sering tidak dapat memberikan nilai perbandingan yang konsisten, khususnya untuk masalah dengan jumlah kriteria dan alternatif yang banyak. Pada penelitian ini untuk menghindari masalah ketidak konsistensian yang terjadi pada metode AHP akan di terapkan metode perceptron dengan model jaringan lapis banyak (multilayer) dalam menentukan pemilihan alternatif. Hal ini diharapkan dapat meminimalisir pembentukan matriks perbandingan berpasangan. Penerapan metode Fuzzy Analiythical Hierarchy Process (FAHP) dan metode perceptron pada kasus penentuan klasifikasi evaluasi penerimaan mobil ini diharapkan mampu memberikan nilai akurasi atau ketepatan klasifikasi.]]>
<![CDATA[PENERAPAN ALGORITMA SAFE-LEVEL-SMOTE UNTUK PENINGKATAN NILAI G-MEAN DALAM KLASIFIKASI DATA TIDAK SEIMBANG ]]>
<![CDATA[Resianta Perangin-angin]]>;
<![CDATA[Eva Julia Gunawati Harianja]]>;
<![CDATA[Indra Kelana Jaya]]>;
<![CDATA[Benget Rumahorbo]]>
<![CDATA[ METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol. 4 No. 1 (2020): METHOMIKA: Jurnal Manajemen Informatika & Komputersisasi Akuntansi ]]>
Publisher : <![CDATA[Universitas Methodist Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (358.784 KB)
|
DOI: 10.46880/jmika.Vol4No1.pp67-72
<![CDATA[Klasifikasi data yang tidak seimbang merupakan masalah yang krusial pada bidang machine learning dan data mining. Ketidakseimbangan data memberikan dampak yang buruk pada hasil klasifikasi dimana kelas minoritas sering disalah klasifikasikan sebagai kelas mayoritas. Dimana kelompok kelas minoritas (minority) adalah kelompok kelas yang memiliki data lebih sedikit, dan kelompok kelas mayoritas (mayority) adalah kelompok kelas yang memiliki jumlah data lebih banyak. Data tidak seimbang adalah suatu kondisi dimana jumlah contoh dari salah satu kelas jauh lebih banyak dari kelas yang lain. Alasan buruknya kinerja metode klasifikasi biasa yang digunakan pada data tidak seimbang adalah bahwa tujuan metode klasifikasi dalam meminimumkan galat secara keseluruhan tidak dapat tercapai karena kelas minoritas hanya sedikit memberikan kontribusi, selain itu keputusan akhir yang dihasilkan tidak tepat karena terjadinya bias. Hal ini disebabkan oleh salah satu kelas mendominasi dalam hal jumlah. Dalam penelitian ini akan berfokus pada peningkatan nilai G-Mean dari dataset yang digunakan, dengan menerapkan algoritma Safe-Level-Smote. Dari hasil ujicoba yang dilakukan terhadap dua dataset yakni Abalon dan Vowel, untuk skema Smote + k-NN nilai G-Mean yang didapat yakni 0,47 untuk dataset Abalon dan 0.94 untuk dataset Vowel. Seletah dilakukan ujicoba terhadap dataset yang sama menggunakan skema Safe-Level-Smote menggunakan algoritma klasifikasi k-NN didapat hasil G-Mean 0,59 untuk dataset Abalon dan 1.00 Untuk dataset Vowel, rerata dari kenaikan nilai G-Mean terhadap algoritma Smote sebesar 12,68%. Hal ini membuktikan bahwasanya algoritma Safe-Level-Smote dapat meningkatkan nilai G-Mean pada klasifikasi data tidak seimbang menggunakan algoritma klasifikasi k-Nearst Neighbors.]]>
<![CDATA[ANALISIS STRATEGI PEMASARAN PRODUK DENGAN METODE MOORA ]]>
<![CDATA[Gortap Lumbantoruan]]>;
<![CDATA[Eva Julia Gunawati Harianja]]>
<![CDATA[ METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol. 4 No. 2 (2020): METHOMIKA: Jurnal Manajemen Informatika & Komputersisasi Akuntansi ]]>
Publisher : <![CDATA[Universitas Methodist Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (406.186 KB)
|
DOI: 10.46880/jmika.Vol4No2.pp114-119
<![CDATA[Multi - Objective Optimization On The Basis Of Ratio Analysis or often referred to as the MOORA method is a method that is often used as a method of decision making that uses optimization techniques to solve complex problems that have many criteria or multi-criteria. The MOORA method has the ability to separate various factors by separating the subjective part of the factors into several decision-making attributes by forming a decision matrix. The decision matrix will be normalized and optimized for each criterion to produce a preference value that can be used as a decision making. This method separates the criteria values that have different characteristics, namely criteria with benefit characteristics (beneficial) from criteria with cost characteristics (not profitable). In this study, an analysis using the MOORA method was carried out on the right product marketing strategy based on various factors, both factors originating from internal and external factors with the aim of determining the strategy that the company will implement in marketing products so that the company has a competitive advantage for win the market from competitors. The results of the analysis show that the differentiation strategy has a higher preference value, namely 56.576497 and the cost leadership strategy with a value of 54.790304 and market segmentation strategies with a value of 53.206742.]]>
<![CDATA[PENENTUAN PENERIMA BEASISWA DENGAN FORMAT PREFERENSI MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING (SAW) ]]>
<![CDATA[Eva Julia Gunawati Harianja]]>
<![CDATA[ METHODIKA: Jurnal Teknik Informatika dan Sistem Informasi Vol. 3 No. 2 (2017): Nopember 2017 ]]>
Publisher : <![CDATA[Universitas Methodist Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.46880/mtk.v3i2.53
<![CDATA[Biaya pendidikan yang cukup besar terkadang menjadi kendala bagi masyarakat yang kurang mampu secara ekonomi sehingga banyak lulusan menengah yang tidak mampu melanjutkan pendidikannya ke jenjang perguruan tinggi meski memiliki potensi akdemik yang cukup baik. Oleh karena kendala tersebut, pemerintah melalui pihak-pihak terkait berusaha memberikan bantuan dana pendidikan terhadap masyarakat yang kurang mampu. Berbagai jenis beasiswa atau bantuan biaya pendidikan baik oleh pemerintah maupun dari dunia usaha ataupun industri telah diluncurkan. Akan tetapi bantuan yang diberikan relatif belum dapat memenuhi kebutuhan studi maupun jumlah sasaran karena begitu banyaknya masyarakat yang mengajukan permohonan untuk bantuan pendidikan tersebut. Sehingga dalam pemberian beasiswa tersebut, perlu ditetapkan berbagai kriteria atau syarat sebagai standart penyeleksian agar penyaluran bantuan pendidikan tersebut tepat pada sasarannya. Penentuan penerima beasiswa yang didasarkan pada kriteria-kriteria tersebut sering kali menjadi masalah dalam proses pengambilan keputusan. Untuk mengekspresikan preferensi pengambil keputusan pada alternatif yang paling diinginkan, dapat dilakukan dengan transformasi format preferensi Utility Vectors to Fuzzy Preference Relation. Selanjutnya menggunakan metode SAW untuk menentukan nilai bobot untuk setiap atribut, yang dilanjutkan dengan proses perangkingan untuk menyeleksi alternatif terbaik, dalam hal ini adalah alternatif yang valid sebagai penerima beasiswa yang sesuai dengan kriteria. Dengan metode ini diharapkan proses penilaian akan lebih tepat dan akurat karena didasarkan pada nilai kriteria dan bobot yang telah ditentukan.]]>
<![CDATA[PENERAPAN METODE TOPSIS SEBAGAI PENGUKURAN DALAM PENETAPAN KANDIDAT CALON PENERIMA KIP PADA PERGURUAN TINGGI SWASTA (PTS) ]]>
<![CDATA[Eva Julia Gunawati Harianja]]>
<![CDATA[ METHODIKA: Jurnal Teknik Informatika dan Sistem Informasi Vol. 7 No. 1 (2021): Maret 2021 ]]>
Publisher : <![CDATA[Universitas Methodist Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.46880/mtk.v7i1.259
<![CDATA[Education and teaching are the rights of every citizen as regulated in the 1945 Constitution which is written in article 31, paragraph (1). However, the high cost of education sometimes becomes an obstacle for economically disadvantaged people, so that many secondary graduates are unable to continue their education to higher education even though they have good academic potential. The government has tried to provide a solution to this problem by organizing the Smart Indonesia Program (PIP) in helping its citizens obtain the right to higher education, namely through the provision of KIP Lectures that can be submitted by students at PTN and PTS. Private universities which act as facilitators for students in submitting KIP Lecture applications are expected to be more selective in the candidate selection process so that the distribution of assistance is right on target. Determination of KIP Lecture recipients based on certain criteria is often a problem in the decision-making process. To express the preferences of decision makers on the most desirable alternative, it can be done by applying the Technique For Order Preference by Similarity to Ideal Solution (TOPSIS). The TOPSIS method will be combined with fuzzy logic to determine the weight value for each criterion attribute, followed by a ranking process to select the best alternative, in this case a valid alternative as a beneficiary that fits the criteria. With this method, it is hoped that the assessment process will be more precise and accurate because it is based on predetermined criteria and weights. Keywords:,]]>
<![CDATA[UTILITY VECTORS TO FUZZY PREFERENCE RELATION DENGAN METODE SIMPLE ADDITIVE WEIGHTING (SAW) DALAM PENENTUAN POSISI KERJA KARYAWAN ]]>
<![CDATA[Eva Julia Gunawati Harianja]]>;
<![CDATA[Eliasta Ketaren]]>
<![CDATA[ Jurnal TIMES Vol 5 No 1 (2016) ]]>
Publisher : <![CDATA[STMIK TIME ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (323.743 KB)
<![CDATA[Penempatan kerja bukanlah masalah sederhana, sebab kesalahan penempatan dapat mempengaruhi operasi perusahaan. Masalah utama yang dihadapi dalam menyeleksi karyawan adalah masih kurangnya ketepatan dan kecepatan proses penilaian kinerja masing-masing karyawan guna memenuhi posisi tertentu. Penilaian kinerja karyawan yang didasarkan pada kriteria-kriteria tersebut sering kali menjadi masalah dalam proses pengambilan keputusan. Untuk mengekspresikan preferensi pengambil keputusan pada alternatif yang paling diinginkan, dapat dilakukan dengan transformasi format preferensi Utility Vectors to Fuzzy Preference Relation. Selanjutnya memilih metode SAW untuk menentukan nilai bobot untuk setiap atribut, yang dilanjutkan dengan proses perangkingan untuk menyeleksi alternatif terbaik, dalam hal ini adalah alternatif yang cocok untuk menentukan posisi kerja karyawan yang sesuai dengan kriteria-kriteria yang telah ditentukan. Dengan metode ini diharapkan penilaian akan lebih tepat dan akurat karena didasarkan pada nilai kriteria dan bobot yang telah ditentukan.]]>
<![CDATA[Penerapan Metode TOPSIS dalam Menentukan Penerima Bantuan Bedah Rumah Pada Dinas Perumahan Dan Kawasan Permukiman Kabupaten Deli Serdang ]]>
<![CDATA[Eva Julia Gunawati Harianza]]>;
<![CDATA[Gortap Lumbantoruan]]>
<![CDATA[ Jurnal TIMES Vol 8 No 1 (2019) ]]>
Publisher : <![CDATA[STMIK TIME ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (611.45 KB)
<![CDATA[Rumah adalah bangunan yang dijadikan tempat tinggal selama jangka waktu tertentu. Namun ternyata belum banyak masyarakat mengetahui seperti apa kriteria rumah yang layak untuk dihuni. Saat ini masalah menyediakan rumah layak huni bagi masyarakat berpenghasilan rendah (MBR) masih menjadi permasalahan Pemerintah Indonesia dan Dinas terkait lainnya. Berbagai jenis bantuan perbaikan rumah layak huni atau bedah rumah telah banyak dilakukan berbagai pihak, baik oleh pemerintah maupun swasta. Akan tetapi bantuan yang diberikan relatif belum dapat memenuhi kebutuhan masyarakat dalam jumlah sasaran karena begitu banyaknya masyarakat yang mengajukan permohonan untuk bantuan bedah rumah tersebut. Sehingga dalam pemberian bantuan tersebut, perlu ditetapkan berbagai kriteria atau syarat sebagai standart penyeleksian agar penyaluran bantuan tepat pada sasarannya. Penentuan penerima bantuan bedah rumah yang didasarkan pada kriteria-kriteria tersebut sering kali menjadi masalah dalam proses pengambilan keputusan. Untuk mengekspresikan preferensi pengambil keputusan pada alternatif yang paling diinginkan, dapat dilakukan dengan menerapkan Technique For Order Preference by Similarity to Ideal Solution (TOPSIS). Metode TOPSIS akan di kombinasikan dengan logika fuzzy untuk menentukan nilai bobot pada setiap atribut kriteria, yang dilanjutkan dengan proses perangkingan untuk menyeleksi alternatif terbaik, dalam hal ini adalah alternatif yang valid sebagai penerima bantuan yang sesuai dengan kriteria. Dengan metode ini diharapkan proses penilaian akan lebih tepat dan akurat karena didasarkan pada nilai kriteria dan bobot yang telah ditentukan.]]>
<![CDATA[Pendekatan Level Data untuk Menangani Ketidakseimbangan Data Menggunakan Algoritma K-Nearest Neighbor ]]>
<![CDATA[Resianta Perangin-angin]]>;
<![CDATA[Eva Julia Gunawati Harianja]]>;
<![CDATA[Indra Kelana Jaya]]>
<![CDATA[ Jurnal TIMES Vol 9 No 1 (2020) ]]>
Publisher : <![CDATA[STMIK TIME ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (302.889 KB)
<![CDATA[Dalam penelitian ini digunakan dataset yang memiliki tingkat ketidakseimbangan yang berbeda beda mulai dari 16.40, 8.60, 2.06, 2.78, 1.87, tentu hal ini dapat menurunkan kinerja algoritma klasifikasi. Secara umum ketidakseimbangan kelas dapat ditangani dengan dua pendekatan, yaitu level data dan level algoritma. Pendekatan level data ditujukan untuk memperbaiki keseimbangan kelas, sedangkan pendekatan level algoritma ditujukan untuk memperbaiki algoritma atau menggabungkan (ensemble) pengklasifikasi agar lebih konduktif terhadap kelas minoritas. Pada penelitian ini diusulkan pendekatan level data dengan resampling, yaitu random oversampling (ROS), dan random undersampling (RUS), Pengklasifikasi yang digunakan adalah k-near neighbors. Hasil penelitian menunjukkan bahwa model ROS+KNN dan RUS+KNN didapat dengan selisih G-Means sebesar 13% dan F-Measure 2,08%, dari, hal ini menunjutkan bahwa RUS+KNN dan ROS+KNN bisa meningkatkan akurasi dari G-Mean dan F-Measure namun tidak memiliki perbedaan yang signifikan.]]>
