Article Per Year (5 Year)
p-Index From 2019 - 2024
0.408
P-Index
This Author published in this journals
All Journal JUSIFOR : Jurnal Sistem Informasi dan Informatika Inspiration: Jurnal Teknologi Informasi dan Komunikasi
Enggar Novianto
Universitas Teknologi Yogyakarta
Computer Science & IT Decision Sciences, Operations Research & Management Engineering Library & Information Science

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Auditing Artificial Intelegence Menggunakan COBIT 2019 Muhammad Rizki; Enggar Novianto
Jurnal Sistem Informasi dan Informatika (JUSIFOR) Vol 2 No 1 (2023): JUSIFOR - JUNI 2023
Publisher : Fakultas Sains Dan Teknologi, Universitas Raden Rahmat Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33379/jusifor.v2i1.1847

Abstract

Artificial Inteligence (AI) adalah salah satu cabang ilmu komputer. AI melibatkan matematika dan juga pemrograman komputer untuk menyelesaikan tugas – tugas yang biasanya membutuhkan manusia. AI telah menarik banyak perhatian dan telah menjadi bidang terkemuka di bidang informatika, AI memiliki dampak yang luar biasa di berbagai bidang industri, AI memiliki 2  turunan dari konsep dasar  yaitu Machine Learning dan Deep Learning, konsep – konsep tersebut menerapkan perhitungan algoritma berbasiskan Pendekatan Integral ataupun Probabilitas, sehingga hasil akhir yang diberikan jarang sekali mencapai akurasi 100%, kemungkinan ketidak pastian karena hal tersebut memberikan tantangan tersendiri yang akan dihadapi oleh Auditor dalam melakukan Audit pada suatu sitem yang mengadopsi AI didalamnya. COBIT 2019 memiliki 40 inti yang ada dialamnya, salah satu inti yang dimilki yaitu DSS06. DSS06 memberikan 5 tahapan untuk auditor agar dapat melakukan audit, diantaranya adalah aktif dalam  mencari informasi tentang design dan Arsitektur AI untuk menetapkan cakupan yang tepat, melibatkan semua pemangku kepentingan, menjelaskan serta berkomunikasi secara proaktif dengan pemangku kepentingan dengan cara melakukan penjabaran menggunakan bahasa yang dapat dimengerti oleh pemangku kepentingan, mengadopsi serta mempelajari framework yang digunakan dalam mengembangkan AI dan yang terakhir adalah fokus pada transparasi proses yang dilakukan secara berulang ulang.
User Analysis of Info BMKG Application in The Perspective of Human Computer Interaction Using Support Vector Machine Algorithm Ilham Fannani; Enggar Novianto; Alfin Syarifuddin Syahab
Inspiration: Jurnal Teknologi Informasi dan Komunikasi Vol. 13 No. 1 (2023): Inspiration: Jurnal Teknologi Informasi dan Komunikasi
Publisher : Pusat Penelitian dan Pengabdian Pada Masyarakat Sekolah Tinggi Manajemen Informatika dan Komputer AKBA Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35585/inspir.v13i1.42

Abstract

On the Google Play Store, users often read other users' app reviews and reputations, before downloading an app. This makes the analysis of user reviews very interesting for app owners to make future decisions. This study aims to analyze user reviews of the Info BMKG application on the Google Play Store, using sentiment analysis. This user review analysis uses the Support Vector Machine (SVM) method. The evaluation proposal was made from more than 3,000 user reviews collected from the INFOBMKG application on the Google Play Store. The results of the analysis using the Support Vector Machine produce an accuracy of 85.54% and the most frequently reviewed positive review results are "Good", while the most frequently reviewed negative reviews are "Error". Which indicates a complaint against INFOBMKG users, and from the negative words that appear most often, there are two combinations of the two words that appear most often together, namely the word "very helpful" and the word "less accurate", which indicates that user often complain about problems related to application performance. The results of the sentiment analysis process of testing 3000 review data using the fold = 5 test value in the Support Vector Machine (SVM) method obtained an accuracy of 85.54% which produces predictions on data testing, namely 1500 positive reviews and 1500 negative reviews 1500 reviews.
Co-Authors Alfin Syarifuddin Syahab Ilham Fannani Muhammad Rizki