Article Per Year (5 Year)
p-Index From 2019 - 2024
0.882
P-Index
This Author published in this journals
All Journal Jurnal Sains dan Teknologi Sinkron : Jurnal dan Penelitian Teknik Informatika
Budi Warsito
Universitas Diponegoro, Semarang, Indonesia
Computer Science & IT Education

Published : 5 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search

 1 
Analisis Perbandingan SAW dan TOPSIS pada Sistem Pendukung Keputusan Karyawan Terbaik Arizona Firdonsyah; Budi Warsito; Adi Wibowo
Sinkron : jurnal dan penelitian teknik informatika Vol. 7 No. 3 (2022): Article Research Volume 7 Number 3, July 2022
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/sinkron.v7i3.11475

Abstract

The decision-making process has many assessment criteria needed as the basis for its assessment. A large number of problems regarding the length of time required in the decision-making process require decision-makers to find solutions. Decision Support System is one option that can be developed by decision makers because it can help improve efficiency and accuracy in the decision-making process. The process of developing decision support requires certain calculation methods as part of the processing. The methods that are quite widely used to build a decision support system include the Simple Additive Weighting (SAW) method and the Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) method. This research aims to analyze the accuracy of the cases raised as solutions to decision-making problems. A dynamic decision support system has been successfully created to design dynamics in the calculation of the SAW method and the TOPSIS method. The system is evaluated and analyzed for its accuracy level based on manual calculations. The results obtained are the SAW system has an accuracy value of 65% and the TOPSIS system is 100%. Furthermore, the calculation of the accuracy value of the SAW and TOPSIS methods in order to find out the best method to use by taking parameters in the form of the same value results generated from the calculations of the two methods. The results obtained are the accuracy value of the SAW method of 40% and the TOPSIS method of 100% based on testing using 60 employee data and 8 criteria used.
Integrasi Framework Balanced Scorecard dan COBIT 2019 dalam Pengelolaan Help Desk pada Sistem Informasi Desk Layanan Adila Safitri; Dinar Mutiara Kusumo Nugraheni; Budi Warsito
JST (Jurnal Sains dan Teknologi) Vol. 12 No. 2 (2023): July
Publisher : Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23887/jstundiksha.v12i2.56181

Abstract

Sistem Informasi Desk Layanan (SIDELA) adalah aplikasi yang digunakan untuk pengelolaan pengaduan dan pengajuan mengenai layanan TI yang terdapat pada Diskominfo. Pengelolaan SIDELA masih mengalami permasalahan seperti pelaksanaan audit belum dilaksanakan, sehingga belum bisa melihat capaian dari SIDELA. Tujuan penelitian untuk mengevaluasi kapabilitas sistem tata kelola teknologi informasi menggunakan framework COBIT 2019. Metode yang digunakan adalah menggunakan framework COBIT 2019. Terdapat lima tahap dalam penelitian ini yaitu tahap perencanaan, tahap ruang lingkup, tahap pengumpulan data, tahap anlisis, dan tahap penyimpulan hasil. Pengumpulan data dilakukan dengan cara ,wawancara, dan kuesioner.  Berdasarkan hasil pemetaan, dipilih 6 domain yaitu DSS01, DSS02, DSS03, DSS04, DSS05, dan DSS06. nilai target level kapabilitas yang diharapkan pada seluruh domain yaitu mencapai Level 4 (Predictable Process). Domain DSS01 memiliki gap sebanyak 4 level, DSS02 memiliki gap sebanyak 1 level, DSS03 memiliki gap sebanyak 1 level, DSS04 memiliki gap sebanyak 1 level, DSS05 memiliki gap sebanyak 4 level, dan DSS06 memiliki gap sebanyak 0 level. Hasil yang didapatkan pada penelitian ini  dalam menggunakan kerangka kerja BSC sudah memenuhi target yang diharapkan, Namun secara COBIT 2019 masih kurang, dikarenakan masih terdapat nilai kesenjangan berdasarkan level kapabilitas. Pada penelitian selanjutnya dapat menggunakan metode pengukuran tingkat kapabilitas yang lain.
Model Prediksi Kinerja Siswa Berdasarkan Data Log LMS Menggunakan Ensemble Machine Learning Mifta Ardianti; Oky Dwi Nurhayati; Budi Warsito
JST (Jurnal Sains dan Teknologi) Vol. 12 No. 3 (2023): Oktober
Publisher : Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23887/jstundiksha.v12i3.59816

Abstract

Institusi pendidikan saat ini menerapkan Learning Management System (LMS) sebagai sarana pembelajaran online. LMS dapat merekam sejumlah besar data perilaku siswa pada log LMS. Data perilaku ini dapat dikumpulkan dan digunakan untuk memprediksi kinerj belajar siswa. Sehingga, diperlukan analisis yang dapat mengubah sejumlah data yang tersimpan tersebut menjadi sebuah pengetahuan yang dapat meningkatkan kualitas pengajaran pada institusi pendidikan. Pada penelitian ini, mengusulkan model prediksi kinerja belajar siswa menggunakan ensemble machine learning berdasarkan ekstraksi ciri yang berhubungan dengan interaksi siswa pada LMS. Pemodelan dilakukan dengan menerapkan tiga jenis ensemble machine learning yaitu ; bagging, boosting dan voting. Hasil penelitian menunjukkan bahwa model ensemble machine learning yaitu bagging, boosting dan voting berhasil digunakan untuk memprediksi kinerja siswa dengan accuracy sebesar 81.25% dengan percision 0.810, recall 0.812 dan f-measure 0.809 yang diperoleh model bagging. Temuan pada penelitian ini adalah ensemble machine learning dapat diterapkan sebagai model prediks kinerja siswa berdasarkan data Log LMS. Institusi pendidikan baik sekolah maupun perguruan tinggi diharapkan dapat merancang sebuah kurikulum LMS untuk meningkatkan kualitas akademik institusi tersebut. Selain itu institusi pendidikan dapat memprediksi bagaimana kinerja siswanya, sehingga dapat meningkatkan prestasi akademik.
Implementasi Metode SEMPLS, CSI, dan CLI untuk Pengukuran Loyalitas Pelanggan Shopee Menggunakan R Shiny Cintika Oktavia; Budi Warsito; Vincensius Gunawan Slamet Kadarrisman
JST (Jurnal Sains dan Teknologi) Vol. 12 No. 3 (2023): Oktober
Publisher : Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23887/jstundiksha.v12i3.68362

Abstract

Teknologi informasi digunakan di industri perdagangan online, Indonesia memiliki shopee sebagai industri perdagangan online. Shopee marketplace terbesar dan paling populer di Indonesia, menjadi pilihan utama bagi banyak konsumen, dan mendapatkan tingkat kepuasan pelanggan yang tinggi. Tingkat kepuasan yang tinggi belum menjamin Shopee memiliki loyalitas pelanggan hal ini dilihat dari banyaknya ulasan pelanggan yang masih membandingkan Shopee dengan marketplace lain. Pengujian yang dilakukan untuk membuktikan apakah tingkat kepuasan yang tinggi dapat membentuk loyalitas pelanggan pada shopee, dengan analisis yang melibatkan pengaruh kualitas layanan elektronik dan segel keamanan elektronik. Aplikasi dibagun menggunakan pakcet R shiny dari R Studio dengan metode structural equation model partial least square, customer satisfaction index dan customer loyalty index. Penelitian menggunakan pendekatan kuantitatif yaitu data yang digunakan berupa data primer yang diperoleh langsung dari kuesioner. Data penelitian diperoleh melalui penyebaran kuesioner yang diberikan kepada 200 orang pelanggan yang sudah pernah melakukan pembelian di Shopee yang disebarkan melalui Telegram. Hasil penelitian menunjukkan kualitas layanan elektronik dan segel keamanan elektronik berpengaruh positif dan signifikan terhadap kepuasan pelanggan. Hasil pengukuran tingkat kepuasan pelanggan menunjukkan tingkat pada kategori “Sangat Puas” dan  hasil pengukuran tingkat loyalitas pelanggan yang menunjukkan tingkat pada kategori “Sangat Loyal”. Hasil evaluasi yang telah dilakukan mengindikasikan bahwa Shopee telah berhasil memenuhi dengan baik kebutuhan pelanggan, yang dicerminkan hasil pengukuran tingkat loyalitas yang tinggi di antara pelanggan dengan Shopee.
Topic Modelling Latent Dirichlet Allocation untuk Klasifikasi Komentar pada Layanan Streaming Platform Noorhanida Royani; Catur Edi Widodo; Budi Warsito
JST (Jurnal Sains dan Teknologi) Vol. 12 No. 3 (2023): Oktober
Publisher : Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23887/jstundiksha.v12i3.68492

Abstract

Seiring dengan berkembangnya teknologi, memunculkan banyak platform online untuk streaming film. Streaming platform banyak digunakan masyarakat seperti netflix, disney+, hbo go, we tv, vidio. Banyaknya perbandingan antar streaming platform menjadi perbincangan dimedia sosial yaitu twitter. Opini yang disampaikan pengguna streaming platform berisi komentar positif dan komentar negatif yang mempengaruhi pengguna lainnya yang ingin menonton film. Penelitian ini dilakukan untuk mengkaji perbandingan antara komentar positif dan komentar negatif pengguna streaming platform pada media sosial Twitter. Metode Latent dirichlet allocation dapat digunakan sebagai topic modelling dan Support Vector Machine untuk klasifikasi. Pada tahapan pengambilan data dengan menggunakan tools framework scrapy dengan python, data diambil sebanyak 5.000 dan dilakukan preprocessing text. Metode LDA dapat mempresentasikan topik dan dokumen serta klasifikasi menggunakan Support Vector Machine (SVM) mendapatkan hasil komentar positif lebih banyak dari pada komentar negatif. Hasil evaluasi preforma didapatkan nilai akurasi 0,88, recall 0,88, F1score 0,87, precision 0,88. Topic Modelling Latent Dirichlet Allocation (LDA) untuk Klasifikasi Komentar pada Layanan Streaming Platform dengan menggunakan 5,000 data diambil dari sosial media yaitu twitter yang terbagi menjadi komentar positif dan komentar negatif. Hasil ini dipengaruhi dari jumlah komentar positif yang lebih dominan dari pada komentar negatif. Implikasi dari penelitian ini adalah pentingnya memperhatikan keseimbangan data dalam melakukan klasifikasi komentar pada platform streaming agar hasil prediksi klasifikasi dapat lebih akurat.
Co-Authors Adi Wibowo Adila Safitri Arizona Firdonsyah Catur Edi Widodo Cintika Oktavia Dinar Mutiara Kusumo Nugraheni Mifta Ardianti Noorhanida Royani Oky Dwi Nurhayati Vincensius Gunawan Slamet Kadarrisman