Articles
11 Documents
Search results for
, issue
"Vol 9, No 2 (2022): Oktober 2022"
:
11 Documents
clear
<![CDATA[Deteksi Tingkat Keparahan Cedera Panggul Menggunakan ANFIS ]]>
<![CDATA[Adam Fahmi Khariri]]>;
<![CDATA[Monika Refiana Nurfadila]]>;
<![CDATA[Dian Candra Rini Novitasari]]>
<![CDATA[ Jurnal Informatika Vol 9, No 2 (2022): Oktober 2022 ]]>
Publisher : <![CDATA[LPPM Universitas Bina Sarana Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31294/inf.v9i2.12511
<![CDATA[Cedera panggul dan acetabular merupakan cedera yang jarang terjadi, terhitung sekitar 3% hingga 8% dari semua cedera. Meskipun angka kematian cedera panggul hanya terbatas pada 1-2%, apabila disertai dengan perdarahan intra-abdominal atau pada intracranial menimbulkan kematian tertinggi yaitu 50%. Kematian akibat cedera panggul terbilang tinggi ketika penanganan awal dan akurat tidak diperhatikan. Pada penelitian ini dilakukan bertujuan mendeteksi tingkat keparahan penderita cedera panggul menggunakan adaptive neuro-fuzzy inference system (ANFIS). Bertujuan membantu medis dalam memberikan penanganan sesuai dengan tingkat keparahan cedera panggul. Penelitian dengan metode ANFIS untuk mendeteksi keparahan cedera panggul mendapatkan nilai akurasi, presisi, sensitifitas dan F-skor sebesar 100%.]]>
<![CDATA[Studi Komparasi Maintainability Antara Aplikasi yang Dikembangkan dengan Framework Flutter dan React Native ]]>
<![CDATA[Muhammad Deta Aditya]]>;
<![CDATA[Meredita Susanty]]>
<![CDATA[ Jurnal Informatika Vol 9, No 2 (2022): Oktober 2022 ]]>
Publisher : <![CDATA[LPPM Universitas Bina Sarana Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31294/inf.v9i2.12885
<![CDATA[Setiap tahunnya, jumlah pengguna aplikasi seluler terus bertambah. Hal ini menyebabkan pengembang aplikasi seluler dituntut untuk mengembangkan produknya dengan cepat. Framework antarmuka pengguna lintas platform Flutter dan React Native menjadi sangat populer karena kemampuannya untuk dikompilasi ke berbagai jenis sistem operasi perangkat seluler. Namun, di antara kedua framework tersebut, belum diketahui manakah yang memiliki maintainability yang lebih baik. Tahap perawatan perangkat lunak merupakan tahap yang memakan paling banyak waktu, tenaga, dan usaha. Sehingga, penting untuk mengetahui framework mana yang basis kodenya lebih mudah dirawat. Pada penelitian ini, aplikasi media komunikasi untuk taman kanak-kanak dengan kompleksitas use-case yang beragam digunakan sebagai bahan untuk membandingkan maintainability Flutter dan React Native. Basis kode yang dikembangkan masing-masing diukur menggunakan A Code Quality Metrics Model for React-Based Web Applications. Hasil penelitian menunjukkan bahwa basis kode yang ditulis menggunakan Flutter memiliki maintainability lebih tinggi dibandingkan React Native. Faktor yang mempengaruhinya adalah bahasa pemrograman yang digunakannya, yaitu Dart untuk Flutter dan JavaScript untuk React Native, serta cara penulisan komponen yang berbeda antara Flutter dan React Native Mobile phone users are increasing every year. This demands mobile application developers to speed up their development time. Flutter and React Native, which are cross-platform user interface framework, become more popular due to their ability to compile to any mobile operating system. But, it is not yet known which of the two frameworks have the better maintainability. Maintenance is a step in software development process that consumes most of the development effort. So, it is important to know which framework produces the more maintainable code base. In this research, a communication media application for kindergarten with diverse use case complexity is used for comparing maintainability between Flutter and React Native. Each code base are measured using A Code Quality Metrics Model for React-Based Web Applications. The result is code base that are developed using Flutter has more maintainability than React Native. The influencing factors are programming languages used, which are Dart for Flutter and JavaScript for React, as well as how components in each frameworks are written.]]>
<![CDATA[Analisis Kinerja ResNet-50 dalam Klasifikasi Penyakit pada Daun Kopi Robusta ]]>
<![CDATA[Suprihanto Suprihanto]]>;
<![CDATA[Iwan Awaludin]]>;
<![CDATA[Muhammad Fadhil]]>;
<![CDATA[M. Andhika Zaini Zulfikor]]>
<![CDATA[ Jurnal Informatika Vol 9, No 2 (2022): Oktober 2022 ]]>
Publisher : <![CDATA[LPPM Universitas Bina Sarana Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31294/inf.v9i1.13049
<![CDATA[Indonesia merupakan negara agraris yang banyak ditanami tumbuhan salah satunya yaitu tanaman kopi. Dalam budidaya tanaman kopi terdapat halangan seperti hama dan cuaca ekstrim yang bisa membuat tanaman layu atau terkena penyakit. Dengan kemajuan teknologi yang pesat di masa kini, banyak sistem yang membantu para petani untuk membantu mengidentifikasi penyakit pada daun kopi. Sistem ini menggunakan teknologi salah satu arsitektur Convolutional Neural Network, yaitu ResNet-50 untuk mengidentifikasi dan mengklasifikasi penyakit pada daun kopi robusta. Dalam melatih model ResNet-50 diperlukan proses pelatihan dan validasi model yang kemudian model yang telah dilatih akan dilakukan pengujian. Pengujian model akan digunakan untuk mengukur kinerja model yang akan dihitung dengan menggunakan Confusion Matrix yang variabel output nya akan digunakan untuk menghitung Akurasi, presisi, recall, Spesifisitas, dan F1 Score. Penelitian ini akan berfokus pada perhitungan nilai kinerja akurasi dan F1 Score dari model tersebut. Penelitian dilakukan dengan dua kasus yaitu binary class dan multiclass dimana binary class untuk mengklasifikasi gambar daun kopi robusta sehat dan sakit dan multiclass untuk mengklasifikasikan gambar daun kopi robusta pada setiap jenis kategori dari daun yang berpenyakit dan sehat. Hasil dari penelitian menunjukan pada kasus binary class mencapai akurasi 92,68% dan f1-score mencapai 92,88%, sedangkan pada kasus multiclass akurasi hanya mencapai 88,98% dan f1-score mencapai 88,44%. Kedua kasus tersebut diukur menggunakan data testing dengan model yang telah dilatih.]]>
<![CDATA[Perbandingan Algoritma Support Vector Machine dan K-Nearest Neighbor untuk Memprediksi Struktur Sekunder Protein ]]>
<![CDATA[Anggi Tasari]]>;
<![CDATA[Dewan Dinata Tarigan]]>;
<![CDATA[Erika Nia Devina Br Purba]]>;
<![CDATA[Kana Saputra S]]>
<![CDATA[ Jurnal Informatika Vol 9, No 2 (2022): Oktober 2022 ]]>
Publisher : <![CDATA[LPPM Universitas Bina Sarana Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31294/inf.v9i2.13100
<![CDATA[Pendekatan biologi komputasi telah maju secara eksponensial dalam prediksi struktur sekunder protein yang sangat penting untuk industri farmasi. Ekstraksi fitur protein di dalam laboratorium memiliki informasi yang cukup untuk prediksi struktur sekunder protein yang digunakan dalam studi bioinformatika. Memprediksi struktur sekunder protein merupakan suatu permasalahan yang terdapat dalam bidang Bioinformatika. Terdapat beberapa metode yang telah diterapkan dengan tingkat akurasi yang dihasilkan berbeda-beda. Penelitian ini bertujuan untuk membandingkan model prediksi Support Vector Machine dengan K-Nearest Neighbor dalam memprediksi struktur sekunder protein. Dalam penelitian ini, model Support Vector Machine dan K-Nearest Neighbor disajikan dalam dataset RS126 yang terdiri dari 126 data protein dan memiliki panjang urutan protein rata-rata 185 sekuens Data RS126 juga terdiri atas 32% alpha helix, 21% beta, dan 47% coil. Masing-masing model prediksi pada penelitian ini diberikan nilai lebar sliding window sebesar 15. Nilai K = 5, K=10, dan K= 15 untuk model prediksi KNN serta Nilai C = 1, Gamma = 0,1 dan Kernel Radial Basis Function untuk model prediksi SVM. Penggunaan model Support Vector Machine dan K-Nearest Neighbor digunakan untuk memperoleh hasil yang relavan serta akurat dalam prediksi struktur sekunder. Beberapa prinsip yang diusulkan memiliki klarifikasi biologis yang menarik dan relevan. Hasil yang diperoleh menegaskan bahwa keberadaan asam amino tertentu dalam urutan protein meningkatkan stabilitas untuk prakiraan stuktur sekunder protein. Dalam penelitian ini algoritma KNN memiliki performa yang lebih baik dalam memprediksi struktur sekunder protein dibandingkan dengan algoritm SVM. Computational biology approaches have advanced exponentially in the prediction of the secondary structure of proteins of great importance to the pharmaceutical industry. The extraction of protein features in the laboratory has sufficient information for the prediction of the secondary structure of proteins used in bioinformatics studies. Predicting the secondary structure of proteins is a problem in the field of bioinformatics. There are several methods that have been applied with different levels of accuracy produced. This study aims to compare the Support Vector Machine prediction model with K-Nearest Neighbor in predicting the secondary structure of proteins. In this study, the Support Vector Machine and K-Nearest Neighbor models are presented in the RS126 dataset which consists of 126 protein data with an average protein sequence length of 185 sequences. RS126 data also consists of 32% alpha helix (H) , 21% beta (E), and 47% coil (C). Each prediction model in this study is given a sliding window width value of 15. The value of K = 5, K = 10, and K = 15 for the KNN prediction model and the value of C = 1, Gamma = 0.1 and Kernel Radial Basis Function for SVM prediction model. The use of Support Vector Machine and K-Nearest Neighbor models are used to obtain relevant and accurate results in secondary structure prediction. Some of the proposed principles have interesting and relevant biological clarifications. The obtained results confirm that the presence of certain amino acids in the protein sequence increases the stability for the predicted secondary structure of the protein. In this study, the KNN algorithm has a better performance in predicting the secondary structure of proteins than the SVM algorithm.]]>
<![CDATA[Klasifikasi Pemilihan Jurusan Sekolah Menengah Kejuruan Menggunakan Gradient Boosting Classifier ]]>
<![CDATA[ Jurnal Informatika Vol 9, No 2 (2022): Oktober 2022 ]]>
Publisher : <![CDATA[LPPM Universitas Bina Sarana Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31294/inf.v9i2.12654
<![CDATA[Pemilihan jurusan merupakan faktor penting bagi calon siswa yang akan melanjutkan pendidikan di SMK. Siswa cenderung mengikuti pilihan orang tua atau temannya tanpa mempertimbangkan kurikulum sesuai minat dan kemampuannya. Akibatnya banyak siswa yang mengalami kesulitan mengikuti pelajaran, dan prestasi belajarnya menurun. Model RIASEC merupakan salah satu metode pendeteksian minat yang digunakan untuk mengetahui tipe kepribadian siswa. Penelitian ini bertujuan untuk membangun model untuk memprediksi pilihan jurusan di SMK Yadika 12 Depok. Penelitian ini membandingkan lima pengklasifikasi pada kumpulan data pemilihan jurusan di sekolah kejuruan. Proses selanjutnya melakukan tuning hyperparameter menggunakan GridsearchCV untuk mendapatkan parameter yang paling berpengaruh dari algoritma klasifikasi yang dipilih. Algoritma yang diimplementasikan adalah Multinomial Nave Bayes, Gaussian Nave Bayes, Bernoulli Naive Bayes, Gradient Boosting Classifier, Decision Tree Classifier, K Neighbors Classifier, dan Logistic Regression. Hasil pengujian menunjukkan bahwa Gradient Boosting Classifier dengan Hyperparameter Tuning menggunakan GridSearchCV memperoleh akurasi 72% dan class recall mencapai 76%. The selection of the majors remains a crucial factor for prospective students who will pursue their education at SMK. However, students tend to follow the choices of their parents or friends. They are not considering the curriculum according to their interests and abilities. As a result, many students have difficulties following the lesson, and their academic achievement decreases. The RIASEC model is one of the interest detection methods used to determine the student's personality type. This study aims to develop a model to predict the choice of majors at SMK Yadika 12 Depok. We compared five classifiers on the major's selection data sets at vocational schools. In addition, we performed hyperparameter tuning using GridsearchCV to obtain the most influential parameters from the selected classification algorithm. The algorithms implemented are Multinomial Naive Bayes, Gaussian Naive Bayes, Bernoulli Naive Bayes, Gradient Boosting Classifier, Decision Tree Classifier, K Neighbors Classifier, and Logistic Regression. The test results show that the Gradient Boosting Classifier with Hyperparameter Tuning using GridSearchCV maintains an accuracy of 72% and class recall reaches 76%.]]>
<![CDATA[Classification of Gimbal Stabilizer Products Using Naive Bayes Classification ]]>
<![CDATA[Artika Surniandari]]>;
<![CDATA[Hilda Rachmi]]>;
<![CDATA[Suparni Suparni]]>;
<![CDATA[Lisda Widiastuti]]>;
<![CDATA[Haryani Haryani]]>
<![CDATA[ Jurnal Informatika Vol 9, No 2 (2022): Oktober 2022 ]]>
Publisher : <![CDATA[LPPM Universitas Bina Sarana Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31294/inf.v9i2.14064
<![CDATA[Menjadi videografer adalah hobi yang populer di masa pandemi ini karena berkreasi dalam bentuk video dan konten di YouTube menjadi alternatif selain sekedar mengisi waktu luang atau menghasilkan uang. Untuk mendukung kamera diperlukan perangkat pendukung, dalam hal ini seiring berjalannya waktu kamera yang mumpuni juga bisa didapatkan dari perangkat smartphone, teknologi perangkat tersebut harus diimbangi dengan kemampuan pengguna dalam mengoperasikannya. Gimbal Stabilizer salah satu jawabannya, menggunakan gimbal stabilizer menjadi salah satu alternatif karena dapat meredam getaran sehingga gambar yang dihasilkan lebih maksimal. Banyak website memberikan informasi tentang produk gimbal stabilizer dengan memberikan banyak informasi dalam gambar dan ulasan pengguna. Oleh karena itu, analisis sentimen merupakan solusi untuk masalah pengelompokan opini atau review menjadi opini positif atau negatif secara otomatis berdasarkan hal ini untuk mendapatkan penilaian penggunaan gimbal berdasarkan analisis sentimen yang diberikan melalui review produk, kami akan mencoba menguji parameter untuk menghasilkan n gram pada tahap pre-processing, k-fold pada cross validation dan penerapan particle swarm optimization untuk meningkatkan akurasi menggunakan metode Naive Bayes. Hasil dari tester ini menghasilkan akurasi sebesar 84,42. Becoming a videographer is a popular hobby during this pandemic because creating works in the form of videos and content on YouTube is an alternative to just filling your spare time or making money. To support the camera, the supporting device is needed, in this case, as time goes by, a capable camera can also be obtained from smartphone devices, the technology of the device must be balanced with the user’s ability to operate it. Gimbal Stabilizer is one of the answers, using a gimbal stabilizer is an alternative because it can reduce vibrations so that the resulting image is maximized. Many websites provide information about gimbal stabilizer products by providing a lot of information in images and user reviews. Therefore, sentiment analysis is a solution to the problem of grouping opinions or reviews into positive or negative opinions automatically based on this to get an assessment of the use of gimbals based on the sentiment analysis provided through product reviews, we will try to test the parameters to produce n grams at the pre-processing stage, k-fold on cross validation and the application of particle swarm optimization to increase accuracy using the Naive Bayes method. The results of this tester produce an accuracy of 84.42]]>
<![CDATA[Penentuan Kekerabatan Hewan Berdasarkan Struktur Protein IGF2 Menggunakan Metode K-Means dan N-Gram ]]>
<![CDATA[Ruth Ema Febrita]]>;
<![CDATA[Maghfirotul Amaniyah]]>
<![CDATA[ Jurnal Informatika Vol 9, No 2 (2022): Oktober 2022 ]]>
Publisher : <![CDATA[LPPM Universitas Bina Sarana Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31294/inf.v9i2.13808
<![CDATA[Dalam ilmu Biologi, terdapat berbagai cara untuk menentukan kedekatan antar dua individu, antara lain dengan mengamati kesamaan morfologi fisik kemudian membuat dendogram dan pembuatan pohon filogeni untuk menelusur kekerabatan berdasarkan sejarah evolusi suatu makhluk hidup. Akan tetapi pendekatan ini sangat sulit untuk dilakukan apabila hewan yang akan ditentukan kekerabatannya tidak berada dalam kondisi yang hidup, sehingga sangat sulit untuk mengamati ciri-ciri fisik yang ada. Penelitian ini bertujuan untuk memberikan pendekatan yang berbeda dalam menentukan kekerabatan hewan dengan menggunakan struktur protein IGF2. Kekerabatan dilakukan dengan menggunakan metode clustering K-Means. Untuk memudahkan dalam melakukan pengelompokkan struktur protein yang memiliki panjang sekuens yang beragam, maka teknik n-gram digunakan untuk memecah string menjadi beberapa subsekuens dengan panjang yang sama. Pengelompokkan dengan metode K-Means telah dilakukan dan mendapatkan hasil terbaik pada jumlah cluster sebanyak tujuh cluster, dengan silhouette coeficient rata-rata sebesar 0.331, indeks puritysebesar 0.735, dan precisionsebesar 0.823 yang mengindikasikan proses clustering cukup efektif.In Biology, there were various ways to determine the closeness between two individuals, such as by observing the similarity of physical morphologies then making a dendogram and also by making a phylogenetic tree to trace the kinship based on the evolutionary history. However, this approach is very difficult to do if the animal whose relatives are to be determined is not in a living condition, so it is very difficult to observe the existing physical characteristics. This study aims to provide a different approach in determining animal kinship using clustering algorithm to cluster the IGF2 protein structures. Kinship is determined using the K-Means clustering method. N-gram technique is used to break the sequence into several subsequences with the same length, because each sequence can have various length. Grouping with the K-Means method had been done and got the best results on the number of clusters as many as seven clusters, with an average silhouette coefficient of 0.331, a purityindex of 0.735, and a precisionof 0.823 which indicates the clustering process is quite effective. ]]>
<![CDATA[Citra Digital Untuk Klasifikasi Kualitas Udang Windu Menggunakan Algoritma GLCM dan K-Nearest Neighbor ]]>
<![CDATA[Najirah Umar]]>;
<![CDATA[Fiqri Haikal]]>;
<![CDATA[Mashur Razak]]>
<![CDATA[ Jurnal Informatika Vol 9, No 2 (2022): Oktober 2022 ]]>
Publisher : <![CDATA[LPPM Universitas Bina Sarana Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31294/inf.v9i2.13686
<![CDATA[Udang merupakan bahan pangan yang bersifat mudah rusak berdasarkan observasi secara langsung proses penyortiran udang yang dilakukan oleh distributor ataupun nelayan untuk menyeleksi udang berdasarkan kualitasnya masih menggunakan metode manual dan terkadang hasil penyortiran masih tidak sesuai dengan kualitas udang tersebut serta indikator dari kualitasnya hanya diliat dari fisik seperti berat ataupun ukuran pada udang tersebut, sehingga udang yang kualitas bagus dapat tercampur dengan kualitas kurang bagus maka dari itu akan terjadi kontaminasi yang menyebabkan udang yang kualitas bagus menjadi cepat busuk. Pada tugas akhir ini bertujuan untuk membangun sistem pengolahan citra yang menerapkan algoritma Gray-level Co-occurrence Matrix (GLCM) dan K-nearest Neighbor (K-NN) untuk mendeteksi tingkat kualitas udang windu. Proses pertama adalah melakukan akuisisi citra yaitu, mengumpulkan beberapa gambar digital dari setiap kualitas udang untuk dijadikan objek. Selanjutnya dilakukan proses pre-processing yaitu perubahan citra menjadi grayscale. Kemudian proses ekstraksi ciri menggunakan metode Gray Level Co-occurrence Matrix (GLCM) untuk mendapatkan data ciri fitur dari seluruh citra digital dan mengklasifikasikannya dengan metode K-Nearest Neighbor (K-NN). Pada hasil pengujian tingkat akurasi yang berasal dari 10 sampel telah teruji bahwa sebanyak 80% mendapatkan hasil informasi klasifikasi kualitas yang sesuai dengan sistem. Dan sistem ini mampu memberikan solusi keputusan dalam menentukan klasifikasi kualitas pada Udang Windu, sedangkan berdasarkan hasil pengujian blackbox, sistem ini menghasilkan persentase kemudahan penggunaan aplikasi sebanyak 92%. Shrimp is a food that is easily damaged based on direct observation of the shrimp sorting process carried out by distributors or fishermen to select shrimp based on quality still using the manual method and sometimes the sorting results are still not in accordance with the quality of the shrimp and the quality indicators are only seen from the physical such as the weight or size of the shrimp, so that good quality shrimp can be mixed with less good quality, therefore contamination will occur which causes good quality shrimp to rot quickly. This final project aims to build an image processing system that applies the Gray-level Co-occurrence Matrix (GLCM) and K-nearest Neighbor (K-NN) algorithms to detect the quality level of Windu shrimp. The first process in this research is to perform image acquisition. That is, collecting several digital images of each quality of shrimp to use as an object. In addition, a pre-processing process is also carried out, namely changing the image to grayscale. Then the feature extraction process uses the Gray Level Co-occurrence Matrix (GLCM) method to obtain feature data from all digital images and classify them using the K-Nearest Neighbor (K-NN) method. The test results give an accuracy of 10 samples, it was found that as much as 80% got the results of quality classification information in accordance with the system. And this system is able to provide decision solutions in determining the quality classification of Windu Shrimp, while based on the results of blackbox testing, this system produces a percentage of application ease of use as much as 92%.]]>
<![CDATA[Perbandingan Model NBC, SVM, dan C4.5 dalam Mengukur Kinerja Karyawan Berprestasi Pasca Pandemi Covid-19 ]]>
<![CDATA[Galih Galih]]>;
<![CDATA[Mindit Eriyadi]]>
<![CDATA[ Jurnal Informatika Vol 9, No 2 (2022): Oktober 2022 ]]>
Publisher : <![CDATA[LPPM Universitas Bina Sarana Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31294/inf.v9i2.13772
<![CDATA[Pengklasifikasian penilaian kinerja karyawan merupakan salah satu cara meningkatkan mutu pekerja. Penilaian kinerja karyawan sangat penting dalam menentukan karyawan yang baik dalam suatu perusahaan. Proses penilaian kinerja karyawan hanya dinilai secara manual tanpa adanya suatu aplikasi atau sistem. Algoritma yang diterapkan untuk kinerja karyawan memanfaatkan algoritma Naïve Bayes Classifier karena mengacu pada penelitian yang telah dilakukan sebelumnya, terdapat beberapa temuan penelitian. Dengan menggunakan 310 data karyawan yang dibagi menjadi 5 kelompok yaitu Kinerja Sangat Tinggi, Kinerja Tinggi, Kinerja Sesuai Standar, Kinerja rendah dan Kinerja Tidak Efektif, pengujian ini menggunakan tools RapidMiner versi 7.2.0 model algoritma Naïve Bayes Classifier menghasilkan tingkat akurasi 84.52%, algoritma C4.5 menghasilkan tingkat akurasi 74.19% dan sedangkan menggunakan algoritma Support Vector Machine menghasilkan tingkat akurasi 56.13%. Jika menggunakan tools WEKA versi 3.8.0 Model algoritma Naïve Bayes Classifier menghasilkan tingkat akurasi 81.93%, algoritma C4.5 menghasilkan tingkat akurasi 75.80% dan sedangkan menggunakan algoritma Support Vector Machine menghasilkan tingkat akurasi 60.32%. Classifying employee performance appraisals is one way to improve the quality of workers. Employee performance appraisal is very important in determining good employees in a company. The process of appraisal of employee performance is only assessed manually in the absence of an application or system. The algorithm applied to employee performance utilizes the Naïve Bayes Classifier algorithm because it refers to previous research, there are several research findings. Using 310 employee data divided into 5 groups, namely Very High Performance, High Performance, Standard Performance, Low Performance and Ineffective Performance, this test uses the RapidMiner tool version 7.2.0 naïve Bayes Classifier algorithm model resulting in an accuracy rate of 84.52%, the C4.5 algorithm produces an accuracy rate of 74.19% and while using the Support Vector Machine algorithm produces an accuracy rate of 56.13%. If using the WEKA tools version 3.8.0 The Naïve Bayes Classifier algorithm model produces an accuracy rate of 81.93%, the C4.5 algorithm produces an accuracy rate of 75.80% and while using the Support Vector Machine algorithm produces an accuracy rate of 60.32%.]]>
<![CDATA[Penentuan Kriteria Penerima Beasiswa Berprestasi Menggunakan Metode Analytical Hierarchy Process ]]>
<![CDATA[Anti Nada Nafisa]]>;
<![CDATA[Erika Nia Devina Br Purba]]>;
<![CDATA[Nurul Adawiyah Putri]]>;
<![CDATA[Debi Yandra Niska]]>
<![CDATA[ Jurnal Informatika Vol 9, No 2 (2022): Oktober 2022 ]]>
Publisher : <![CDATA[LPPM Universitas Bina Sarana Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31294/inf.v9i2.12893
<![CDATA[Masalah ekonomi Indonesia menjadi penghambat keberlangsungan pendidikan Indonesia, oleh karena itu dibuatlah program beasiswa. Beasiswa dirancang bagi mahasiswa berprestasi yang kurang mampu. Ketika memutuskan penerima beasiswa yang baik, pilihan dibuat bahwa siswa yang dipilih memenuhi kriteria. Penentuan kriteria terbaik untuk menentukan penerima beasiswa dapat dilakukan dengan menggunakan salah satu metode dalam sistem pendukung keputusan yaitu metode Analytical Hierarchy Process, dimana persepsi manusia menjadi input utamanya. Adapun kriteria yang dipakai dalam penelitian ini adalah nilai, prestasi akademik, dan pendapatan orang tua. Berdasarkan penelitian yang telah dilakukan, didapatkan bahwa kriteria yang sangat mempengaruhi keputusan penerima beasiswa adalah kriteria nilai yang dicapai mahasiswa dengan persentase 64,8%. Economic problems in Indonesia are an obstacle to the continuity of education in Indonesia, thus creating a scholarship program. Scholarships are intended for underprivileged students and outstanding students. To determine scholarship recipients, a selection is carried out where there are several predetermined criteria, taking into account the most influencing aspects in the selection of scholarship recipients. To get the best criteria in determining scholarship recipients, it can be done using a Decision Support System with the Analytical Hierarchy Process method where the main input is human perception. The criteria used in this study are Grades, Student Achievements, and Social Studies which are considered the most influential in the selection of outstanding scholarships. Each criterion will be given a weight, which is done by comparing the criteria with each other. The results of this study indicate that the criteria that greatly influence the determination of scholarship recipients are in terms of the value obtained by students, with a percentage of 64.8%, Student Achievement with a percentage of 22.9% and Social Studies with a percentage of 12.2%]]>
