Dinamika Informatika: Jurnal Ilmiah Teknologi Informasi
Jurnal Dinamika Informatika merupakan jurnal yang berisikan tentang ilmu pengetahuan di bidang Sistem Informasi yang mencakup hasil penelitian, kajian teori, ilmu terapan metode yang terkait dengan spesialisasi Sistem Informasi meliputi Rekayasa Perangkat Lunak, Sistem Pendukung Keputusan, Data Mining, Database, Information Retrieval, e-Government, e-Bussines, Manajemen Proyek dan bidang lain yang relevan dengan Sistem Informasi. Mendorong ilmuwan, praktisi, dan lainnya untuk melakukan penelitian dan aktivitas serupa lainnya.
Articles
7 Documents
Search results for
, issue
"Vol 10 No 1 (2018)"
:
7 Documents
clear
<![CDATA[MENCARI POLA PEMBELIAN KONSUMEN MENGGUNAKAN ALGORITMA FP-GROWTH ]]>
<![CDATA[Wijaya, Arnandia Raka]]>;
<![CDATA[Jananto, Arief]]>
<![CDATA[ Dinamika Informatika : Jurnal Ilmiah Teknologi Informasi Vol 10 No 1 (2018) ]]>
Publisher : <![CDATA[Fakultas Teknologi Informasi Universitas Stikubank (Unisbank) Semarang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (157.922 KB)
|
DOI: 10.35315/informatika.v10i1.8124
<![CDATA[Data Mining adalah proses pencarian informasi dengan melakukan penggalian dari pola pola data transaksi dengan tujuan dapat memperoleh sebuah informasi yang berharga untuk mengelola data yang sangat besar.Pada Toko Kita setiap harinya terjadi ratusan transaksi. Dalam mempermudah melakukan pengelolaan penyediaan barang maka perlu diketahui produk apa saja dan itemset antar kaitan barangnya untuk membantu menangani penyediaan barang.Dalam kaitannya dalam mengatasi permasalahan penyediaan yang ada pada Toko Kita, data mining memiliki beberapa teknik salah satunya adalah teknik assossiasi. Teknik assossiasi dilakukan untuk menemukan aturan assossiatif antara suatu kombinasi item. Sedangkan beberapa metode algoritma yang dapat digunakan salah satunya adalah algoritma FP-GROWTH yaitu dalam pembangunan frequent itemsetnya algoritma FP-GROWTH menggunakan struktur data tree atau disebut FP-Tree, dari struktur FP-tree ini nantinya frequent itemset dapat langsung diekstrak dan diketahui hasilnya Adapun dalam penelitian ini data yang digunakan adalah data transaksi pada Toko Kita dari rentang waktu bulan November 2016 sampai Oktober 2017. Dimana dalam penelitiannya dihasilkan beberapa aturan assossiasi salah satunya yaitu {item1=899898910012GG FILTER 12} => {frequent=899190610101DJARUM SUPER 12} yang berarti item GG FILTER 12 muncul bersamaan dengan item DJARUM SUPER 12 dengan tingkat dukungan 0.02 dan tingkat kepercayaan 1.00.]]>
<![CDATA[PENGGUNAAN COSINE SIMILARITY UNTUK MENCARI KESAMAAN KANDUNGAN OBAT ]]>
<![CDATA[Hadiono, Kristophorus]]>;
<![CDATA[Yulianton, Heribertus]]>;
<![CDATA[Diartono, Dwi Agus]]>
<![CDATA[ Dinamika Informatika : Jurnal Ilmiah Teknologi Informasi Vol 10 No 1 (2018) ]]>
Publisher : <![CDATA[Fakultas Teknologi Informasi Universitas Stikubank (Unisbank) Semarang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (156.283 KB)
|
DOI: 10.35315/informatika.v10i1.8125
<![CDATA[Mengingat banyaknya informasi berbasis teks yang dapat disimpan, memunculkan potensi kesulitan untuk mendapatkan informasi yang diperlukan. Dampaknya, membutuhkan waktu lama jika mencari dokumen satu demi satu. Untuk itu, diperlukan cara mengakses informasi secara cepat dan tepat. Pencarian kata adalah salah satu bagian dari Information Retrieval, salah satu modelnya adalah Vector space model. VSM memiliki efektifitas dalam pencarian kata karena hasil pencariannya berdasarkan kemiripan vectorquery dan vector dokumen. Penelitian ini mengimplementasikan Algoritma VSM dengan tahapan : preproccessing text menggunakan 4 tahapan, pembobotan term menggunakan metode TF-IDF, dan perangkingan menggunakan metode Cosine Similarity.]]>
<![CDATA[PEMERINGKATAN HASIL PENCARIAN DOKUMEN TEKS PADA MESIN PENCARI ]]>
<![CDATA[Amin, Fatkhul]]>;
<![CDATA[Purwatiningtyas, Purwatiningtyas]]>;
<![CDATA[Razaq, Jeffri Alfa]]>
<![CDATA[ Dinamika Informatika : Jurnal Ilmiah Teknologi Informasi Vol 10 No 1 (2018) ]]>
Publisher : <![CDATA[Fakultas Teknologi Informasi Universitas Stikubank (Unisbank) Semarang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (532.616 KB)
|
DOI: 10.35315/informatika.v10i1.8126
<![CDATA[Mesin pencari dokumen teks berbahasa Jawa krama sukar ditemukan baik dari dunia daring maupun luring. Pencarian dokumen teks bahasa jawa krama dengan menggunakan mesin pencari yang tersedia didapatkan suatu hasil pencarian dengan dokumen terambil yang banyak (recall tinggi) sehingga hasil menjadi kurang akurat (precision rendah). pemeringkatan mesin pencari dengan metode DICE Similarity agar user dibuat untuk mempermudah dalam melakukan pencarian dokumen teks berbahasa Jawa krama. Metode DICE Similarity akan bisa menghitung dan menampilkan dokumen yang ada pada database sehingga antar dokumen memiliki bobot yang berbeda untuk menentukan dokumen mana yang paling mirip (similar) dengan query. Dokumen teks yang terletak di posisi atas akan ditempati oleh dokumen dengan bobot tertinggi hasil pencarian metode DICE. Evaluasi hasil pencarian Mesin pencari dilakukan dengan uji recall dan precision dengan model persepsi. Mesin pencari mampu melakukan pencarian dokumen dan menampilkan hasil pencarian dokumen memiliki rata-rata recall 0,03 dan rata-rata precision 0,79.]]>
<![CDATA[VISUALISASI DATA PENDUDUK BERBASIS WEB DI KELURAHAN MRANGGEN KABUPATEN DEMAK MENGGUNAKAN HIGHCART 5.0.6 ]]>
<![CDATA[Lestariningsih, Endang]]>;
<![CDATA[Ardhianto, Eka]]>;
<![CDATA[Handoko, Widiyanto Tri]]>;
<![CDATA[Supriyanto, Edy]]>
<![CDATA[ Dinamika Informatika : Jurnal Ilmiah Teknologi Informasi Vol 10 No 1 (2018) ]]>
Publisher : <![CDATA[Fakultas Teknologi Informasi Universitas Stikubank (Unisbank) Semarang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (209.737 KB)
|
DOI: 10.35315/informatika.v10i1.8129
<![CDATA[Desa mranggen kecamatan mranggen merupakan wilayah administratif kabupaten demak yang berbatasan langsung dengan kota semarang. Menurut buku statistik daerah kecamatan mranggen tahun 2015, tahun 2014, tercatat jumlah penduduk kecamatan mranggen mencapai 175.604 jiwa. Sedangkan dari catatan statistik tahun 2016, penduduk kecamanatan mranggen sebanyak 180.152 jiwa. Kelurahan Mranggen merupakan ibukota Kecamatan Mranggen, salah satu desa yang paling cepat berkembang. Berdasarkan penelitian yang dilakukan oleh Endang, yang telah melakukan pemodelan informasi monitoring warga desa mranggen melalui pencatatan penduduk berbasis website, memberikan hasil yang cukup membantu bagi pemerintah desa untuk memantau perkembangan penduduk namun laporan kependudukan masih dalam bentuk deskriptif angka dan bilangan. Maka pada penelitian ini dikembangkan dengan menambahkan fitur visualisasi data penduduk. Dengan adanya model penggambaran dalam bentuk visual, memberikan hasil memudahkan bagi pemerintah desa dalam membaca perkembangan penduduk desa serta membantu memudahkan menentukan arah dalam mengatur, mengembangkan dan menggali potensi diri untuk mencapai kesejahteraan sosial di lingkungannya.]]>
<![CDATA[PENDEKATAN REPLIKASI DAN FRAGMENTASI DALAM BASIS DATA TERDISTRIBUSI UNTUK PENYIMPANAN TABEL BASIS DATA FUZZY ]]>
<![CDATA[Murti, Hari]]>;
<![CDATA[Lestariningsih, Endang]]>;
<![CDATA[Sugiyamta, Sugiyamta]]>
<![CDATA[ Dinamika Informatika : Jurnal Ilmiah Teknologi Informasi Vol 10 No 1 (2018) ]]>
Publisher : <![CDATA[Fakultas Teknologi Informasi Universitas Stikubank (Unisbank) Semarang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (186.274 KB)
|
DOI: 10.35315/informatika.v10i1.8130
<![CDATA[Pada basis data terdistribusi data disimpan tersebar di beberapa tempat, dimana setiap tempat penyimpanan dikelola oleh suatu DBMS mandiri. Tujuan utama sistem ini adalah untuk mengintegrasikan data dari data yang tersentralisasi, yaitu suatu relasi tabel difragmentasi dan direplikasi ke beberapa tempat. Replikasi diterapkan pada tabel master data untuk menjaga konsistensi dan mengintegrasikan master data antara pusat dan client. Fragmentasi diterapkan di tabel transaksi untuk meningkatkan kehandalandan ketersediaan data. Penelitian ini membuat model menggunakan pendekatan replikasi dan fragmentasi untuk penyimpanan basis data fuzzy. Data yang dicatat adalah hasil perhitungan menggunakan logika fuzzy yang digunakan untuk mengevaluasi kemajuan studi mahasiswa. Evaluasi meliputi tiga hal yaitu: kemajuan studi, keterangan kelulusan kegiatan kemahasiswaan, dan keterangan kelulusan akademik. Keterangan kemajuan studi adalah dipertahankan atau ditingkatkan. Keterangan kelulusan kegiatan kemahasiswaan adalah sangat baik, baik, atau cukup. Keterangan kelulusan akademik adalah memuaskan, sangat memuaskan, atau dengan pujian (Cumlaude).]]>
<![CDATA[PEMODELAN SISTEM PENDUKUNG KEPUTUSAN PADA SISTEM KONTROL MULTI I/O ]]>
<![CDATA[Sukur, Muji]]>;
<![CDATA[Nurraharjo, Eddy]]>
<![CDATA[ Dinamika Informatika : Jurnal Ilmiah Teknologi Informasi Vol 10 No 1 (2018) ]]>
Publisher : <![CDATA[Fakultas Teknologi Informasi Universitas Stikubank (Unisbank) Semarang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (157.998 KB)
|
DOI: 10.35315/informatika.v10i1.8131
<![CDATA[Sistem Pendukung Keputusan telah mengelami perkembangan yang signifikan dalam kurun waktu tiga dekade terakhir dari sistem berorientasi model yang sederhana menjadi entitas multi-fungsi tingkat lanjut. Keputusan yang dibentuk didasarkan pada komputasi masa kini yang kuat (dan mahal) yang memberikan laporan terstruktur dan berkala atas sebuah tugas tertentu. Sistem Pendukung Keputusan mengalami pula perubahan dan pergeseran paradigma dan sistem yang lebih kompleks, yang menggabungkan, teknologi database canggih dan kemampuan klien / server, muncul dari berbagai bidang dalam proses bisnis. Perluasan Internet yang cepat memberikan peluang tambahan untuk ruang lingkup Sistem Pendukung Keputusan dan akibatnya banyak sistem inovatif baru seperti sistem kendali yang menjadi topik pada artikel ini. Penelitian ini mencoba bentuk lain dari tinjauan sistem pendukung keputusan yang melekat pada sistem perangkat kendali atau lebih dikenal dengan mikrokontroler. Kemampuan sistem kendali dalam memberikan 'tingkat kecerdasan' yang beragam dan memiliki perubahan yang dinamis, untuk itu sebuah implementasi sistem pendukung keputusan akan diterapkan pada sistem kendali multi I/O. Keberhasilan implementasi SPK ini pada akhirnya mampu meningkatkan kecerdasan sistem untuk penangan permasalahan yang muncul dalam mendukugn sistem kendali selanjutnya.]]>
<![CDATA[ANALISA DATA MINING DEFAULT KARTU KREDIT MENGGUNAKAN ALGORITMA NEURAL NETWORK ]]>
<![CDATA[Aisyah, Siti]]>;
<![CDATA[Sulastri, Sulastri]]>
<![CDATA[ Dinamika Informatika : Jurnal Ilmiah Teknologi Informasi Vol 10 No 1 (2018) ]]>
Publisher : <![CDATA[Fakultas Teknologi Informasi Universitas Stikubank (Unisbank) Semarang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (496.995 KB)
|
DOI: 10.35315/informatika.v10i1.8132
<![CDATA[Pemakaian teknologi informasi saat ini sudah sangat banyak dikalangan bisnis, sama halnya dengan pemakaian kartu kredit. Dengan kartu kredit bisa mendapatkan kemudahan dalam bertransaksi. Tapi kita harus bijak dalam pengunaan kartu kredit jika tidak maka akan menjadikan default kartu kredit. Metode yang digunakan untuk menangani permasalahan yang ada bertujuan untuk memperlihatkan bagaimana sebuah model data mining dapat digunakan untuk membantu mengetahui pola nasabah dalam mengambil kredit di salah satu Negara yaitu Taiwan pada bulan April hingga September 2005 berdasarkan atribut-atribut dari data nasabah yang mempunyai kredit lancar ataupun macet.Data ini diambil dari UCI Machine Learning Repository.ANN dengan nilai keluaran kontinu biasanya menggunakan fungsi aktivasi sigmoid. Nilai sinyal keluaran y dihitung dengan fungsi kurva sigmoid dengan interval nilai keluaran mulai dari 0 sampai 1. Hasil penelitian yang dilakukan dengan mengunakan Algoritman Neural Network dari 30.000 data dari data default Kartu Kredit Bank Taiwan dengan mengunakan RStudio untuk mendeteksi kredit macet pada Bank Taiwan dapat dijelaskan bahwa visualisasi model Neural Network tersebut memiliki 3 hidden layer. Sehingga dari proses traning diatas variable yang paling berpengaruh ada 3 yaitu X14(jumlah pernyataan tagihan pada bulan Juli 2005), X23(jumlah yang dibayarkan pada bulan April 2005) dan X20(jumlah yang dibayarkan pada bulan Juli 2005). Hasil akurasi mengunakan confusion matrix nilai RMSE prediksi 2 sebesar 0.1938333333. Dari prediksi 2 memiliki nilai RMSE yang sangat kecil, sehingga keakurasian prediksi sangat bagus.]]>
