Journal Information System Development
Jurnal Information System Development (ISD) hadir sebagai wadah bagi para Akademisi, Developer, Peneliti, dan Ilmuwan yang hendak menyumbangkan karya ilmiahnya bagi dunia ilmu pengetahuan di bidang Sistem Informasi. Jurnal yang diterbitkan oleh Prodi Sistem Informasi Universitas Pelita Harapan ini menerima publikasi hasil pengembangan atau penelitian terbaru di bidang Sistem Informasi. Topik-topik meliputi pengembangan software desktop, web, mobile, database system, artificial intelligence, data warehouse, data mining, UI/UX programming, IT infrastructure, Internet of Things, Game Development, Cyber Security, dan topik-topik lainnya. Setiap tahunnya, Jurnal ISD terbit dalam dua (2) periode yaitu pada Bulan Januari dan Juli
Articles
11 Documents
Search results for
, issue
"Vol 5, No 1 (2020): Journal Information System Development (ISD)"
:
11 Documents
clear
<![CDATA[PEMODELAN TOPIK BERITA MENGGUNAKAN LATENT DIRICHLET ALLOCATION DAN K-MEANS CLUSTERING ]]>
<![CDATA[Siringoringo, Rimbun]]>;
<![CDATA[Jamaluddin, Jamaluddin]]>;
<![CDATA[Gea, Asaziduhu]]>
<![CDATA[ Journal Information System Development (ISD) Vol 5, No 1 (2020): Journal Information System Development (ISD) ]]>
Publisher : <![CDATA[UNIVERSITAS PELITA HARAPAN ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Mayoritas pengguna internet saat ini melakukan penelusuran internet untuk mengetahui berita atau informasi yang sedang berkembang. Pertumbuhan internet dan media sosial telah mendorong munculnya ratusan portal atau berita online dengan topik berita yang sangat beragam. Menelusuri topik berita secara manual merupakan metode yang tidak efektif serta menghabiskan waktu yang banyak. Pada penelitian ini dilakukan pemodelan topik berita menggunakan Latent Dirichlet Allocation (LDA). Sebelum penerapan model LDA, juga diterapkan proses-proses pendukung yaitu tokenisasi, lemmatisasi, faktorisasi tf-idf, dan non-negative matrix factorization. Hasil penelitian menunjukkan bahwa LDA dapat diterapkan untuk memodelkan topik berita dengan baik dengan nilai skor loglikelihood -13615.912 dan skor perplexity 378.958. Selain menggunakan LDA, pemodelan topik juga dilakukan dalam bentuk klaster dengan menerapkan k-means clustering. Dengan metode elbow diperoleh jumlah klaster yang ideal untuk k-means clustering adalah 5 klaster serta performa nilai silhouette 0.62]]>
<![CDATA[APLIKASI PENJADWALAN PERAWAT RS PORSEA MENGGUNAKAN ALGORITMA GENETIKA ]]>
<![CDATA[Damanik, Rudolf R]]>
<![CDATA[ Journal Information System Development (ISD) Vol 5, No 1 (2020): Journal Information System Development (ISD) ]]>
Publisher : <![CDATA[UNIVERSITAS PELITA HARAPAN ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Penjadwalan perawat merupakan hal yang penting yang harus dimiliki Rumah Sakit. Pada saat ini proses penjadwalan di Rumah Sakit Porsea masih menggunakan cara manual. Tentu hal ini memiliki kekurangan yaitu tentang shift kerja perawat yang tidak sesuai. Untuk itu, diperlukan proses penjadwalan yang baik. Algoritma genetika ini merupakan salah satu metode yang dapat membantu proses penjadwalan perawat. Algoritma genetika melakukan proses optimasi untuk mencari hasil yang terbaik dengan perkawinan silang (CrossOver) yang didasari secara acak. Penerapan algoritma genetika dalam penjadwalan perawat ini dengan pengkodean shift kerja, hari, minggu, bulan, jumlah perawat, ketidaksediaan. Hasil yang diperoleh dari algoritma genetika ini merupakan jadwal perawat di Rumah Sakit Umum Porsea. Dengan algoritma genetika ini, maka proses penjadwalan perawat pada Rumah Sakit Umum Porsea dapat dilakukan dengan baik]]>
<![CDATA[PERBANDINGAN METODE MOVING AVERAGE (MA) DAN NEURAL NETWORK YANG BERBASIS ALGORITMA BACKPROPAGATION DALAM PREDIKSI HARGA SAHAM ]]>
<![CDATA[Pangaribuan, Jefri Junifer]]>;
<![CDATA[Lestari, Megawaty]]>
<![CDATA[ Journal Information System Development (ISD) Vol 5, No 1 (2020): Journal Information System Development (ISD) ]]>
Publisher : <![CDATA[UNIVERSITAS PELITA HARAPAN ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Harga saham mengalami perubahan yang cepat dari waktu ke waktu. Pergerakan harga saham menjadi tolak ukur bagi para investor untuk mengambil keputusan kapan sebaiknya saham dibeli, dijual atau dipertahankan. Untuk itu diperlukan suatu model analisis dengan tingkat akurasi yang tinggi dalam membantu para investor mengambil keputusan untuk mengurangi resiko kerugian. Penelitian ini menggunakan perbandingan metode Moving Average dan Neural Network algoritma Backpropagation dalam memprediksi harga saham. Data yang digunakan merupakan data historis Jakarta Stock Exchange (^JKSE) dari tahun 2010 - April 2018 yang diperoleh melalui Yahoo Finance. Dari hasil penelitian dapat disimpulkan adalah semakin kecil hasil error, maka nilai akurasinya semakin baik. Semakin kecil target error, maka jumlah epoch akan semakin besar dalam perhitungan menggunakan metode Neural Network algoritma Backpropagation. Prediksi harga saham menggunakan metode Moving Average lebih akurat dibandingan metode Neural Network algoritma Backpropagation, dimana tingkat akurasi untuk Moving Average (MA) adalah 80,11% dan untuk Neural Network algoritma Backpropagation adalah 78,91%.]]>
<![CDATA[Prediksi Klasifikasi Perawatan pada Dataset Kanker Payudara Coimbra Memakai Metode Naive Bayes ]]>
<![CDATA[Ferawaty, Ferawaty]]>;
<![CDATA[Chandra, Wenripin]]>;
<![CDATA[Ivanka, Kelvin]]>
<![CDATA[ Journal Information System Development (ISD) Vol 5, No 1 (2020): Journal Information System Development (ISD) ]]>
Publisher : <![CDATA[UNIVERSITAS PELITA HARAPAN ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Breast cancer is a dreaded disease and a major cause of death. In this study, the Naïve Bayes method is used to predict the category of breast cancer treatment for the Breast Cancer Coimbra Dataset. Test results involving nine variables in the dataset resulted in 44.8% of the "Healthy Controls" category and 55.2% of the "Patient" category.Keywords : Breast Cancer, Naive Bayes, Coimbra, Classification.]]>
<![CDATA[Prediksi Tingkat Keberhasilan Pengobatan Kanker Menggunakan Imunoterapi Dengan Metode Naive Bayes ]]>
<![CDATA[Barus, Okky P]]>;
<![CDATA[Sanjaya, Toni]]>
<![CDATA[ Journal Information System Development (ISD) Vol 5, No 1 (2020): Journal Information System Development (ISD) ]]>
Publisher : <![CDATA[UNIVERSITAS PELITA HARAPAN ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Pengobatan kanker saat ini yang paling sering digunakan adalah kemoterapi, namun metode ini banyak memiliki efek samping. Imunoterapi telah diteliti dan disetujui oleh pihak Amerika Serikat untuk mengobati kanker, setelah pengujian bertahun-tahun metode ini telah membuktikan hasil yang lebih efektif. Para peneliti mengambil data dari penelitian "An expert system for selecting wart treatment methods," Computers in Biology and Medicine pada tahun 2017. Peneliti menggunakan metode Naive Bayes untuk memprediksi tingkat keberhasilan penerapan imunoterapi. Penelitian tersebut menunjukkan persentase keberhasilan pengobatan imunoterapi dengan jumlah data sebanyak 90 orang adalah tingkat keberhasilan sebesar 78.9%.]]>
<![CDATA[Analisa dan Perancangan Aplikasi Mobile Sistem Informasi Pemesanan Makanan ]]>
<![CDATA[Jusin, Jusin]]>;
<![CDATA[Tanaka, Ivan]]>;
<![CDATA[Armando, Wilvin]]>
<![CDATA[ Journal Information System Development (ISD) Vol 5, No 1 (2020): Journal Information System Development (ISD) ]]>
Publisher : <![CDATA[UNIVERSITAS PELITA HARAPAN ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Perkembangan teknologi telah mendorong masyarakat untuk memanfaatkannya dalam mempermudah bisnis mereka. Bisnis yang terdampak perkembangan teknologi ini adalah industri makanan. Penelitian ini dilakukan pada bidang industri makanan yaitu pada proses pemesanan makanan dan juga reservasi tempat. Dimana pada saat ini, proses pemesanan makanan umumnya masih manual yang mewajibkan pelanggan untuk datang ke tempat makan untuk melakukan pemesanan. Adapun pemesanan melalui aplikasi (Grab dan Gojek) mengharuskan pesanan untuk diantar dan tidak dapat melakukan reservasi tempat. Perancangan sistem pemesanan makanan berbasis aplikasi mobile ini memudahkan proses pemesanan dan pencatatan pesanan. Metode pengembangan sistem ini menggunakan metode Waterfall. Untuk permodelan sistem menggunakan Unified Modelling Language (UML). Bahasa pemrograman yang digunakan untuk bagian aplikasi adalah Dart dan framework Flutter, sedangkan untuk bagian website adalah HTML, PHP dan framework Laravel. Database yang digunakan adalah MariaDB. Sistem yang dikembangkan ini dapat membantu pelanggan dalam melakukan pemesanan dengan mudah dan proses pemesanan menjadi lebih efisien]]>
<![CDATA[Prediksi Tingkat Keberhasilan Pengobatan Kanker Menggunakan Imunoterapi Dengan Metode Naive Bayes ]]>
<![CDATA[Okky P Barus]]>;
<![CDATA[Toni Sanjaya]]>
<![CDATA[ Journal Information System Development Vol 5, No 1 (2020): Journal Information System Development (ISD) ]]>
Publisher : <![CDATA[UNIVERSITAS PELITA HARAPAN ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Pengobatan kanker saat ini yang paling sering digunakan adalah kemoterapi, namun metode ini banyak memiliki efek samping. Imunoterapi telah diteliti dan disetujui oleh pihak Amerika Serikat untuk mengobati kanker, setelah pengujian bertahun-tahun metode ini telah membuktikan hasil yang lebih efektif. Para peneliti mengambil data dari penelitian "An expert system for selecting wart treatment methods," Computers in Biology and Medicine pada tahun 2017. Peneliti menggunakan metode Naive Bayes untuk memprediksi tingkat keberhasilan penerapan imunoterapi. Penelitian tersebut menunjukkan persentase keberhasilan pengobatan imunoterapi dengan jumlah data sebanyak 90 orang adalah tingkat keberhasilan sebesar 78.9%.]]>
<![CDATA[Analisa dan Perancangan Aplikasi Mobile Sistem Informasi Pemesanan Makanan ]]>
<![CDATA[Jusin Jusin]]>;
<![CDATA[Ivan Tanaka]]>;
<![CDATA[Wilvin Armando]]>
<![CDATA[ Journal Information System Development Vol 5, No 1 (2020): Journal Information System Development (ISD) ]]>
Publisher : <![CDATA[UNIVERSITAS PELITA HARAPAN ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Perkembangan teknologi telah mendorong masyarakat untuk memanfaatkannya dalam mempermudah bisnis mereka. Bisnis yang terdampak perkembangan teknologi ini adalah industri makanan. Penelitian ini dilakukan pada bidang industri makanan yaitu pada proses pemesanan makanan dan juga reservasi tempat. Dimana pada saat ini, proses pemesanan makanan umumnya masih manual yang mewajibkan pelanggan untuk datang ke tempat makan untuk melakukan pemesanan. Adapun pemesanan melalui aplikasi (Grab dan Gojek) mengharuskan pesanan untuk diantar dan tidak dapat melakukan reservasi tempat. Perancangan sistem pemesanan makanan berbasis aplikasi mobile ini memudahkan proses pemesanan dan pencatatan pesanan. Metode pengembangan sistem ini menggunakan metode Waterfall. Untuk permodelan sistem menggunakan Unified Modelling Language (UML). Bahasa pemrograman yang digunakan untuk bagian aplikasi adalah Dart dan framework Flutter, sedangkan untuk bagian website adalah HTML, PHP dan framework Laravel. Database yang digunakan adalah MariaDB. Sistem yang dikembangkan ini dapat membantu pelanggan dalam melakukan pemesanan dengan mudah dan proses pemesanan menjadi lebih efisien]]>
<![CDATA[APLIKASI PENJADWALAN PERAWAT RS PORSEA MENGGUNAKAN ALGORITMA GENETIKA ]]>
<![CDATA[Rudolf R Damanik]]>
<![CDATA[ Journal Information System Development Vol 5, No 1 (2020): Journal Information System Development (ISD) ]]>
Publisher : <![CDATA[UNIVERSITAS PELITA HARAPAN ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Penjadwalan perawat merupakan hal yang penting yang harus dimiliki Rumah Sakit. Pada saat ini proses penjadwalan di Rumah Sakit Porsea masih menggunakan cara manual. Tentu hal ini memiliki kekurangan yaitu tentang shift kerja perawat yang tidak sesuai. Untuk itu, diperlukan proses penjadwalan yang baik. Algoritma genetika ini merupakan salah satu metode yang dapat membantu proses penjadwalan perawat. Algoritma genetika melakukan proses optimasi untuk mencari hasil yang terbaik dengan perkawinan silang (CrossOver) yang didasari secara acak. Penerapan algoritma genetika dalam penjadwalan perawat ini dengan pengkodean shift kerja, hari, minggu, bulan, jumlah perawat, ketidaksediaan. Hasil yang diperoleh dari algoritma genetika ini merupakan jadwal perawat di Rumah Sakit Umum Porsea. Dengan algoritma genetika ini, maka proses penjadwalan perawat pada Rumah Sakit Umum Porsea dapat dilakukan dengan baik]]>
<![CDATA[PERBANDINGAN METODE MOVING AVERAGE (MA) DAN NEURAL NETWORK YANG BERBASIS ALGORITMA BACKPROPAGATION DALAM PREDIKSI HARGA SAHAM ]]>
<![CDATA[Jefri Junifer Pangaribuan]]>;
<![CDATA[Megawaty Lestari]]>
<![CDATA[ Journal Information System Development Vol 5, No 1 (2020): Journal Information System Development (ISD) ]]>
Publisher : <![CDATA[UNIVERSITAS PELITA HARAPAN ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Harga saham mengalami perubahan yang cepat dari waktu ke waktu. Pergerakan harga saham menjadi tolak ukur bagi para investor untuk mengambil keputusan kapan sebaiknya saham dibeli, dijual atau dipertahankan. Untuk itu diperlukan suatu model analisis dengan tingkat akurasi yang tinggi dalam membantu para investor mengambil keputusan untuk mengurangi resiko kerugian. Penelitian ini menggunakan perbandingan metode Moving Average dan Neural Network algoritma Backpropagation dalam memprediksi harga saham. Data yang digunakan merupakan data historis Jakarta Stock Exchange (^JKSE) dari tahun 2010 - April 2018 yang diperoleh melalui Yahoo Finance. Dari hasil penelitian dapat disimpulkan adalah semakin kecil hasil error, maka nilai akurasinya semakin baik. Semakin kecil target error, maka jumlah epoch akan semakin besar dalam perhitungan menggunakan metode Neural Network algoritma Backpropagation. Prediksi harga saham menggunakan metode Moving Average lebih akurat dibandingan metode Neural Network algoritma Backpropagation, dimana tingkat akurasi untuk Moving Average (MA) adalah 80,11% dan untuk Neural Network algoritma Backpropagation adalah 78,91%.]]>
