Jurnal Eksplora Informatika
Jurnal Eksplora Informatika adalah jurnal nasional berbahasa Indonesia yang dikelola oleh Bagian Penelitian dan Pengabdian kepada Masyarakat (P2M) STIKOM Bali. Jurnal ini memuat hasil-hasil penelitian dengan topik-topik penelitian yang berasal dalam cakupan rumpun ilmu Teknik Informatika dan Komputer. Jurnal ini diterbitkan 2 kali dalam 1 tahun yakni pada bulan Maret dan September dengan periode penerimaan artikel sepanjang tahun.
Articles
203 Documents
<![CDATA[Pemetaan Profil Mahasiswa Untuk Peningkatan Strategi Promosi Perguruan Tinggi Menggunakan Predictive Apriori ]]>
<![CDATA[Irfan Pratama]]>;
<![CDATA[Putri Taqwa Prasetyaningrum]]>
<![CDATA[ Jurnal Eksplora Informatika Vol 10 No 2 (2021): Jurnal Eksplora Informatika ]]>
Publisher : <![CDATA[Bagian Perpustakaan dan Publikasi Ilmiah - Institut Teknologi dan Bisnis STIKOM Bali ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30864/eksplora.v10i2.505
<![CDATA[Program promosi melalui berbagai media untuk meningkatkan dan menguatkan rekrutmen mahasiswa yang terdistribusi pada setiap program studi secara ideal dan setara diperlukan untuk membuat perguruan tinggi selalu bertumbuh. Demografis mahasiswa dapat menjadi karakteristik khusus dalam memilih program studi. Begitupun lata belakang pendidikan mahasiswa dan keluarga. Berdasarkan masalah yang telah dikemukakan sebelumnya, maka peneliti tertarik untuk melakukan penelitian terkait data pendaftaran mahasiswa. Secara spesifik pengolahan terhadap data secara konseptual dapat dilakukan menggunakan proses Data Mining. Salah satu proses dari Data Mining yang dapat memberikan pengetahuan tentang keterkaitan antar variabel data adalah Association-Rule Mining. Metode yang digunakan yaitu Predictive Apriori sebagai metode asosiasi untuk mengekstrak profil mahasiswa dari universitas untuk mendapatkan wawasan yang lebih baik tentang apa yang harus dilakukan tim pemasaran untuk memperkuat kampanye pemasaran. Data tersebut akan diolah sehingga dapat dikenali karakteristik atau pola dari data-data yang ada dengan harapan dapat memberikan pengetahuan untuk dapat meningkatkan efektifitas promosi dan rekrutmen mahasiswa. Metode tersebut menghasilkan total 44456 rules, yang selanjutnya dilakukan filter berdasarkan rules yang mengandung atribut Prodi dan nilai akurasi minimum 90% (0.9). Rules yang dihasilkan akan dijadikan saran ajuan terhadap bagian pemasaran untuk melakukan pola roadshow atau promosi sesuai pola yang telah terbentuk.]]>
<![CDATA[Implementasi Algoritma Rough Set dengan Software Rosetta untuk Prediksi Hasil Belajar ]]>
<![CDATA[Silvana Samaray]]>
<![CDATA[ Jurnal Eksplora Informatika Vol 11 No 1 (2021): Jurnal Eksplora Informatika ]]>
Publisher : <![CDATA[Bagian Perpustakaan dan Publikasi Ilmiah - Institut Teknologi dan Bisnis STIKOM Bali ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30864/eksplora.v11i1.498
<![CDATA[Hasil belajar mahasiswa merupakan capaian belajar yang diperoleh mahasiswa selama perkuliahan dalam bentuk angka, huruf atau simbol. Perolehan hasil belajar mahasiswa ditentukan oleh beberapa unsur, di antaranya jumlah kehadiran, nilai tugas, nilai ujian tengah semester (UTS) dan nilai ujian akhir semester (UAS). Tiap unsur memiliki persentase yang berbeda-beda dalam penentuan hasil belajar. Hasil belajar terkadang tidak sesuai dengan target yang diinginkan. Mahasiswa cenderung mengabaikan unsur dengan persentase kecil (contoh: nilai tugas) dan hanya fokus pada unsur dengan persentase yang besar (contoh: nilai UAS). Penelitian ini bertujuan untuk memprediksi hasil belajar mahasiswa berdasarkan kehadiran, nilai tugas, nilai UTS dan nilai UAS. Penelitian ini dapat dijadikan informasi awal bagi mahasiswa agar memiliki komitmen yang tinggi terhadap semua unsur penentu hasil belajar. Metode pengambilan data menggunakan metode dokumentasi. Metode pengolahan data menggunakan algoritma Rough Set, dimulai dari pemilihan atribut kondisi dan atribut keputusan, dilanjutkan dengan proses menghilangkan data ganda, hingga memperoleh reduct dan menghasilkan rules. Pengolahan data menggunakan software Rosetta. Penelitian menghasilkan 14 buah rules berupa pola aturan sebagai acuan untuk memprediksi hasil belajar lulus, cukup dan tidak lulus. Berdasarkan rules yang dihasilkan, disimpulkan bahwa atribut kondisi yang paling berpengaruh dalam penentuan hasil belajar adalah nilai UAS dilanjutkan dengan nilai tugas dan jumlah kehadiran.]]>
<![CDATA[Part of Speech Tagging Pada Teks Bahasa Indonesia dengan BiLSTM + CNN + CRF dan ELMo ]]>
<![CDATA[Muhamad Kurniawan]]>;
<![CDATA[Kusrini Kusrini]]>;
<![CDATA[Muhammad Rudyanto Arief]]>
<![CDATA[ Jurnal Eksplora Informatika Vol 11 No 1 (2021): Jurnal Eksplora Informatika ]]>
Publisher : <![CDATA[Bagian Perpustakaan dan Publikasi Ilmiah - Institut Teknologi dan Bisnis STIKOM Bali ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30864/eksplora.v11i1.506
<![CDATA[Part of Speech Tagging atau POS Tag merupakan salah satu proses untuk mengelompokkan kata berdasarkan kelas kata seperti: kata benda, kata kerja, atau kata sambung. Kegunaan POS Tag antara lain dapat bermanfaat pada analisis sentimen, pengenalan entitas bernama, dan konversi teks ke suara. Dalam melakukan POS Tag, jika dilakukan secara manual dapat menghabiskan banyak waktu, oleh karena itu dibuatlah sistem berbasis machine learning untuk mengotomatisasi proses ini. Pada penelitian ini, dilakukan POS Tag dengan menerapkan transfer learning dengan model Embedding from Language Model (ELMo). Model ELMo cukup populer digunakan pada dataset bahasa Inggris karena dapat memberi hasil akurasi yang memuaskan namun pada dataset bahasa Indonesia belum ada paper yang membahas tentang model ini. Melalui penelitian ini ingin dilihat bagaimana performa ELMo pada dataset bahasa Indonesia. Model yang digunakan untuk menyelesaikan masalah POS Tag adalah model berbasis BiLSTM. Pada penelitian ini, juga ingin dilihat bagaimana performa model jika ditambahkan CNN setelah BiLSTM. Selain itu, juga diteliti bagaimana performa dari tiap lapisan ELMo. Dari penelitian ini diperoleh bahwa metode BiLSTM + CNN + CRF dengan embedding ELMo lapisan pertama memiliki akurasi terbaik, dengan nilai 95.62%. Selain itu, diperoleh bahwa penambahan CNN setelah BiLSTM dapat meningkatkan akurasi serta mengurangi overfitting pada masalah POS Tag bahasa Indonesia.]]>
<![CDATA[Analisis Pengukuran Usability Testing Mode Kendali Aplikasi Robot USMAN untuk Sterilisasi Lantai Masjid ]]>
<![CDATA[Qolbun Salim As Shidiqi]]>;
<![CDATA[Ema Utami]]>;
<![CDATA[Amir Fatah Sofyan]]>
<![CDATA[ Jurnal Eksplora Informatika Vol 11 No 1 (2021): Jurnal Eksplora Informatika ]]>
Publisher : <![CDATA[Bagian Perpustakaan dan Publikasi Ilmiah - Institut Teknologi dan Bisnis STIKOM Bali ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30864/eksplora.v11i1.527
<![CDATA[Lantai masjid merupakan media potensial untuk penyebaran COVID-19. Virus dapat menempel pada lantai dan terhirup oleh jamaah saat melakukan salat, sehingga dibutuhkan alat untuk membantu sterilisasi lantai masjid secara berkala. Dengan robot sterilisasi USMAN yang dilengkapi dengan sinar UVC diharapkan dapat membantu proses sterilisasi secara efektif. Robot USMAN dikendalikan dengan dua metode yaitu control panel dan aplikasi mobile. Tujuan penelitian ini adalah menganalisis dan mengukur kegunaan (usability) metode kendali pada robot USMAN dengan kendali aplikasi mobile yang mana adalah pengembangan dari metode control panel. Sehingga dapat diketahui bagian-bagian yang perlu dibenahi ataupun ditingkatkan dalam hal kegunaannya. Kebaruan pada penelitian ini adalah mengetahui performance metric dan usability issues dari mode kendali aplikasi sehingga user lebih dapat bermanuver dengan mode kendali aplikasi dan menjadi acuan untuk pengembangan aplikasi robot USMAN di kemudian hari. Metode penelitian dilakukan dengan dimulai dari analisis dan perancangan, implementasi usability testing, dan analisis hasil. Aplikasi Robot USMAN memilik tingkat kesuksesan 100% di mana tidak ada satu pun user yang menyerah/gagal dalam mengoperasikan aplikasi. Waktu yang dicapai user pada saat pengoperasian aplikasi secara umum didapatkan waktu tercepat 10.46 detik dan waktu terlambat adalah 142.86 detik. Tingkat kesalahan yang didasarkan kepada heatmap yang terekam didapatkan masih banyak terjadi salah klik pada tugas 3 karena alur yang lebih panjang dari pada tugas yang lainnya. Tingkat kepuasan pengguna menggunakan UEQ didapatkan nilai rata-rata dari masing-masing skala yang diuji di mana attractiveness, dependability, stimulation, dan novelty mendapat nilai excellent, perspicuity mendapatkan nilai above average, dan efficiency mendapatkan nilai good.]]>
<![CDATA[Implementasi Fuzzy Tsukamoto dalam Prediksi Produksi Madu Trigona ]]>
<![CDATA[I Made Arya Budhi Saputra]]>;
<![CDATA[Ni Wayan Risa Rahayu Saraswati]]>;
<![CDATA[Ida Bagus Nyoman Pascima]]>;
<![CDATA[Ni Nyoman Utami Januhari]]>
<![CDATA[ Jurnal Eksplora Informatika Vol 11 No 1 (2021): Jurnal Eksplora Informatika ]]>
Publisher : <![CDATA[Bagian Perpustakaan dan Publikasi Ilmiah - Institut Teknologi dan Bisnis STIKOM Bali ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30864/eksplora.v11i1.545
<![CDATA[Madu trigona merupakan madu yang penuh khasiat. Selain penuh khasiat, madu trigona pada saat panen tidak memerlukan kemampuan atau skill khusus serta mudah dalam proses pemeliharaan. Di daerah Kerandangan (Lombok Barat) terdapat sebuah kelompok tani yang membudidayakan madu ini. Kelompok tani ini memiliki beberapa titik lokasi untuk peternakan lebah madu. Jumlah permintaan menyebabkan produksi madu mengalami fluktuatif yang berimbas pada penghasilan dari kelompok tani ini. Selain itu fluktuatifnya jumlah permintaan menyebabkan tidak efisiennya penggunaan tenaga kerja dalam proses produksi. Kelompok tani ini sering kali salah dalam melakukan prediksi dalam jumlah produksi dari madu yang dihasilkan. Fuzzy Tsukamoto merupakan metode yang digunakan pada penelitian ini. Salah satu kelebihan dari metode ini memiliki kemampuan berupa intuisi dengan informasi yang bersifat kualitatif. Nilai produksi minimal madu trigona pada kelompok tani ini sebanyak 3 botol dan nilai maksimal produksi sebanyak 10 botol. Terdapat 4 inferensi rule yang digunakan pada penelitian ini. Hasil dari penggunaan metode menghasilkan nilai akurasi prediksi sebesar 92.40 %.]]>
<![CDATA[Algoritma K-Means pada Pengelompokan Pembelajaran Tatap Muka Terbatas Sesudah Vaksinasi COVID-19 ]]>
<![CDATA[Lili Kartikawati]]>;
<![CDATA[Kusrini Kusrini]]>;
<![CDATA[Emha Taufiq Luthfi]]>
<![CDATA[ Jurnal Eksplora Informatika Vol 11 No 1 (2021): Jurnal Eksplora Informatika ]]>
Publisher : <![CDATA[Bagian Perpustakaan dan Publikasi Ilmiah - Institut Teknologi dan Bisnis STIKOM Bali ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30864/eksplora.v11i1.560
<![CDATA[Pandemi COVID-19 menimbulkan potensi dampak sosial yang kurang baik, peranan sekolah dalam proses belajar mengajar tidak terlihat. Akses dan kualitas pembelajaran jarak jauh berbanding lurus dengan capaian belajar peserta didik. Capaian hasil belajar peserta didik menunjukkan tingkat kualitas pembelajaran yang telah dilakukan. Peserta didik yang terkendala dalam mencapai hasil belajar maka dibutuhkan langkah perbaikan proses belajar di antaranya melalui pembelajaran tatap muka terbatas. Pembelajaran tatap muka terbatas wajib menaati prosedur kesehatan, di antaranya pembatasan jumlah maksimal peserta didik dalam satu Rombel. Pengelompokan peserta didik dipilih sebagai solusi pembatasan jumlah peserta didik dalam Rombel. Metode eksperimen penelitian ini diterapkan pada hasil capaian belajar selama tengah semester genap 2020/2021 peserta didik X Usaha Perjalanan Wisata 1 di SMK Negeri 4 Yogyakarta. Pengelompokan dan pembuktian kualitas pengelompokan algoritma K-Means menggunakan metode silhouette coefficient serta rumus euclidean distance untuk mengukur jarak di antara dokumennya. Hal yang membedakan dengan penelitian clustering sebelumnya di antaranya dilakukan pengukuran kualitas peng-cluster-an dan melakukan penggalian lebih dalam pada pola-pola baru hasil peng-cluster-an yang terbentuk sehingga didapatkan pengetahuan baru. Kualitas clustering menghasilkan nilai Si=0,8313 yang berarti memiliki karakteristik struktur kuat dan menampilkan pengetahuan baru berupa kelompok rumpun mata pelajaran yang menginformasikan tingkatan daya serap peserta didik terhadap mata pelajaran.]]>
<![CDATA[Seleksi Fitur dan Penanganan Imbalanced Data menggunakan RFECV dan ADASYN ]]>
<![CDATA[Irfan Pratama]]>;
<![CDATA[Albert Yakobus Chandra]]>;
<![CDATA[Putri Taqwa Presetyaningrum]]>
<![CDATA[ Jurnal Eksplora Informatika Vol 11 No 1 (2021): Jurnal Eksplora Informatika ]]>
Publisher : <![CDATA[Bagian Perpustakaan dan Publikasi Ilmiah - Institut Teknologi dan Bisnis STIKOM Bali ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30864/eksplora.v11i1.578
<![CDATA[Proses data mining bekerja terhadap data yang tersedia. Jika dataset tidak tersedia sepenuhnya, hasil pengolahan data mining menjadi tidak optimal. Terdapat beberapa kondisi data yang perlu penanganan terlebih dahulu sebelum memasuki tahap data mining. Salah satunya ialah imbalanced class yang merupakan kondisi di mana distribusi data pada setiap kelas tidak proporsional. Sebagai salah satu cara untuk efisiensi proses klasifikasi, seleksi fitur dapat memenuhi kebutuhan tersebut karena hasil dari seleksi fitur adalah sebuah dataset dengan jumlah atribut yang lebih sedikit dari sebelumnya. Untuk menyelesaikan permasalahan imbalanced class, ADASYN digunakan dalam penelitian ini sebagai metode untuk menyeimbangkan proporsi kelas pada dataset. Sedangkan RFECV digunakan sebagai metode fitur seleksi yang dapat meningkatkan efisiensi pada proses klasifikasi. Setelah dilakukan evaluasi dari hasil klasifikasi pada dataset yang menggunakan seleksi fitur, didapatkan hasil klasifikasi yang lebih baik dibandingkan dengan hasil klasifikasi pada dataset tanpa seleksi fitur. Hal tersebut dibuktikan dengan perbandingan antara hasil terbaik dari akurasi klasifikasi dataset tanpa seleksi fitur. Hasil dari metode CART sebesar 85.1% yang merupakan hasil dari pengolahan data tanpa menggunakan metode fitur seleksi. sedangkan metode Bagging k-NN yang menghasilkan akurasi sebesar 88% yang di aplikasikan pada dataset dengan seleksi fitur. Sehingga dapat disimpulkan bahwa seleksi fitur dapat meningkatkan akurasi pada klasifikasi.]]>
<![CDATA[Klasifikasi Lama Studi dan Predikat Kelulusan Mahasiswa menggunakan Metode Naïve Bayes ]]>
<![CDATA[I Nyoman Rudy Hendrawan]]>;
<![CDATA[I Made Arya Budhi Saputra]]>;
<![CDATA[Gusti Ayu Putu Cahya Dewi]]>;
<![CDATA[I Gede Surya Adi Pranata]]>;
<![CDATA[Ni Luh Nyoman Wedasari]]>
<![CDATA[ Jurnal Eksplora Informatika Vol 11 No 1 (2021): Jurnal Eksplora Informatika ]]>
Publisher : <![CDATA[Bagian Perpustakaan dan Publikasi Ilmiah - Institut Teknologi dan Bisnis STIKOM Bali ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30864/eksplora.v11i1.606
<![CDATA[Ketepatan waktu studi mahasiswa adalah hal yang penting dalam perguruan tinggi. Ketepatan waktu mahasiswa dalam menyelesaikan studi menjadi salah satu penunjang penilaian kualitas perguruan tinggi. Hal ini tentu saja berpengaruh terhadap mutu kelulusan mahasiswa dan predikat kelulusan pada mahasiswa itu sendiri terutama pada saat proses akreditasi. Oleh karena itu, pada penelitian ini diklasifikasikan lama studi dan predikat kelulusan mahasiswa dengan tujuan untuk membantu pihak program studi dan fakultas dalam menganalisis luaran pembelajaran. Metode klasifikasi yang diterapkan pada penelitian ini adalah Naïve Bayes. Data yang digunakan adalah data mahasiswa Institut Teknologi dan Bisnis STIKOM Bali tahun 2008 sampai dengan tahun 2016 dengan total jumlah data sebanyak 5.081. Atribut dataset yang digunakan untuk mengklasifikasikan Lama Studi dan Predikat Kelulusan adalah Jenis Kelamin, Prodi, Konsentrasi, Tahun Masuk, dan Tahun Lulus. Hasil eksperimen menunjukkan bahwa akurasi tes classifier untuk klasifikasi lama studi sebesar 0,74 dan untuk akurasi tes klasifikasi predikat kelulusan sebesar 0,61 pada kelompok data Program Studi Sistem Komputer. Kemudian untuk kelompok data Program Studi Sistem Informasi akurasi tes klasifikasi lama studi sebesar 0,73 dan untuk akurasi klasifikasi predikat kelulusan sebesar 0,67.]]>
<![CDATA[Rancang Bangun Sistem Pakar Diagnosa Penyakit Kucing Menggunakan Metode Backward Chaining ]]>
<![CDATA[Rahmat Haryadi Kiswanto]]>;
<![CDATA[Satya Bakti]]>;
<![CDATA[Rosiyati M.H. Thamrin]]>
<![CDATA[ Jurnal Eksplora Informatika Vol 11 No 1 (2021): Jurnal Eksplora Informatika ]]>
Publisher : <![CDATA[Bagian Perpustakaan dan Publikasi Ilmiah - Institut Teknologi dan Bisnis STIKOM Bali ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30864/eksplora.v11i1.610
<![CDATA[Kucing merupakan hewan yang cukup banyak dipelihara oleh manusia. Sebagai hewan peliharaan kucing perlu mendapat perhatian perawatan yang cukup baik dari pemiliknya terlebih dalam hal kesehatannya. Banyak dari pemilik kucing tidak tahu gejala penyakit pada hewan ini, sehingga sering terjadi keterlambatan penanganan, pencegahan ataupun pengobatan pada kucing karena ketidaktahuan akan gejala sakit pada kucing. Sistem Pakar adalah sistem yang mengadopsi kemampuan pakar yang dituangkan ke dalam komputer agar komputer dapat berpikir dan memutuskan hasil layaknya seorang pakar. Penelitian ini bertujuan untuk membuat sistem pakar diagnosis penyakit kucing berdasarkan gejala yang muncul dengan menggunakan Metode Backward Chaining sebagai inference Engine. Data penyakit, gejala penyakit dan penanganannya diperoleh dari laboratorium Veteriner dan Puskeswan kota Jayapura, kemudian kepakaran penyakit hewan diperoleh dari dokter hewan di Laboratorium tersebut. Sistem pakar yang dibangun berhasil mengimplementasikan metode Backward Chaining untuk mengadopsi kepakaran dokter hewan untuk 9 jenis penyakit yaitu Scabies, Ektoparasit, Endoparasite, Babesiosis, Suspect Calicivirus, Suspect Panleukopenia, Suspect Chlamydia,Stomatitis, dan Helminthiasis. Metode Black Box digunakan untuk menguji fungsionalitas sistem dan dilakukan dengan melihat kesesuaian hasil yang diharapkan dengan hasil uji dan diperoleh tingkat kesesuaiannya 100% .]]>
<![CDATA[Pemanfaatan Metode AHP-WP Dalam Penentuan Jenis Pakan Lebah Madu Trigona ]]>
<![CDATA[I Made Arya Budhi Saputra]]>;
<![CDATA[Ricky Teddy Septian]]>;
<![CDATA[Nyoman Utami Januhari]]>;
<![CDATA[I Made Bhaskara Gautama]]>;
<![CDATA[I Gusti Ngurah Wikranta Arsa]]>
<![CDATA[ Jurnal Eksplora Informatika Vol 11 No 2 (2022): Jurnal Eksplora Informatika ]]>
Publisher : <![CDATA[Bagian Perpustakaan dan Publikasi Ilmiah - Institut Teknologi dan Bisnis STIKOM Bali ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30864/eksplora.v11i2.652
<![CDATA[Pada desa Pempatan kecamatan Rendang kabupaten Karangasem terdapat sebuah Kelompok Tani Hutan (KTH) yang memiliki usaha dalam budidaya madu trigona Madu yang dihasilkan hanya berkisar 2 botol ukuran 600ml tiap panen atau 3 bulan sekali. Hal tersebut tentu masih sangat jauh dari permintaan yang mencapai 5 botol tiap bulan. Setelah dianalisis ternyata pakan yang kurang variatif dan sedikit menjadi penyebab dari kurangnya produksi dari madu trigona di daerah tersebut. Penerapan Multiple Attribute Decision Making (MADM) dalam penentuan jenis pakan dirasa dapat mengatasi permasalahan yang ditemui oleh Kelompok Tani Hutan tersebut. Model MADM yang akan digunakan pada penelitian ini adalah kombinasi dari metode Analytical Hierarchy Process (AHP) dan Weighted Product (WP). Penggunaan AHP ditujukan dalam menentukan bobot dalam setiap kriterianya, dan metode WP akan digunakan dalam proses penentuan jenis pakan yang menjadi permasalahan pada penelitian ini penggunaan model MADM dengan kombinasi metode AHP dan WP menghasilkan peningkatan produksi pada bulan ke 6 sebesar 7% dan pada bulan ke 9 telah meningkat sebesar 17%.]]>
