Article Per Year (5 Year)
p-Index From 2019 - 2024
0.444
P-Index
This Author published in this journals
All Journal JOURNAL OF INFORMATION SYSTEM MANAGEMENT (JOISM) Journal of System and Computer Engineering
Tito Prabowo
Universitas Nahdlatul Ulama Blitar
Computer Science & IT Decision Sciences, Operations Research & Management

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

Found 2 Documents
Search

 1 
Penentuan Penerima Beasiswa Sekolah Berbasis Visualisasi Graph Database Menggunakan Metode Analytical Hierarchy Process (AHP) Walidatul Isna Khasanah; Abd. Charis Fauzan; Tito Prabowo
Journal of System and Computer Engineering (JSCE) Vol 4 No 2 (2023): JSCE: Juli 2023
Publisher : Universitas Pancasakti

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61628/jsce.v4i2.892

Abstract

Banyak masyarakat kalangan menengah yang tidak mampu memberikan biaya pendidikan anaknya mencapai 9 tahun. Di sekolah terdapat program pemberian beasiswa PIP, namun sistemnya masih dijalankan secara manual yang menyebakan penyaluran beasiswa kurang tepat. Hal tersebut dikarenakan pihak yang diberi kepercayaan untuk menentukan beasiswa melihat kriteria-kriteria masih terpisah dan juga dipengaruhi calon penerima beasiswaa yang jumlahnya cukup banyak. maka dibutuhkan sistem yag bisa membantu sekolah dalam mengambil keputusan berdasarkan kriteria. Graph database sendiri bisa diartikan sebagai suatu model basis data yang didalamnya berisi node, relasi dan property. IMetode iAHP imerupakan isalah isatu imodel ipendukung ikeputusan, instrumen iutamanya iadalah hirarki ifungsional, dan iinput iutamanya iadalah ipersepsi imanusia. Dalam hal ini, mereka adalah ahli dalam menangani bab Beasiswa. Dalam AHP, prioritas terdiri dari berbagai pilihan yang berbeda dan berupa kriteria yang telah terstruktur sebelumnya, sehingga metode AHP dapat diandalkan. Jadi penentuan priioritas didasarkan pada proses yang hierarkis dan masuk akal. Pada penelitian ini penentuan bobot pada setiap kriteria seleksi beasiswa diambil dari yang paling tinggi nilainya yang akan diprioritaskan menjadi penerima beasiswa. Dengan perhitungan ini dihasilkan perankingan yag menunjukkan kualitas siswa yang layak atau belum layak sesuai dengan kriteria yang telah ditentukan. Dari perhitungan tersebut kemudian divisualisasikan kedalam graph database dengan Neo4j. Hasil dari visualisasi menunjukkan urutan ranking siswa yang layak menerima beasiswa dari yang tertinggi ke terendah.
ANALISIS AKURASI NAÏVE BAYES DAN KNN DALAM PENENTUAN PENERIMA PKH DI LOMBOK UTARA Septiya Nuraeni; Harliana Harliana; Tito Prabowo
Journal of Information System Management (JOISM) Vol. 5 No. 2 (2024): Januari
Publisher : Universitas Amikom Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24076/joism.2024v5i2.1205

Abstract

Saat ini Kemiskinan merupakan permasalahan utama di negara berkembang karena berhubungan dengan taraf hidup masyarakat yang rendah. Sebagai salah satu upaya penanggulangan kemiskinan pemerintah mengeluarkan bantuan yang diberi nama PKH, dimana bantuan ini hanya diperuntukkan bagi Rumah Tangga Sangat Miskin (RTSM) melalui beberapa ketentuan yang diberlakukan. Beberapa penelitian mengenai PKH sudah banyak dilakukan sebelumnya baik menggunakan algoritma naïve bayes, KNN, C4.5, decision tree, optimasi naïve bayes dengan smote, Gradient Boosted Trees, simple additive weight (SAW), ID3, AHP dan sebagainya. Namun penelitian ini hanya akan membandingkan dan menganalisis akurasi yang dihasilkan oleh Naïve Bayes Classification dan KNN guna menentukan penerima PKH di Lombok Utara. Atribut yang digunakan dalam analisis ini meliputi keluarga prasejahtera, ibu hamil, pendidikan, umur dan disabilitas. Berdasarkan hasil penelitian diperoleh kesimpulan bahwa tingkat akurasi yang dihasilkan oleh Naïve Bayes Classification memiliki nilai yang lebih tinggi jika dibandingkan dengan KNN dengan nilai rata – rata 77% melalui 3 skenario pengujian. Sedangkan pada pengujian recall, performa KNN lebih baik jika dibandingkan dengan Naïve Bayes yaitu 100% pada pengujian pertama dan 75% pada pengujian kedua.
Co-Authors Harliana Harliana Septiya Nuraeni Walidatul Isna Khasanah