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
222 Documents
<![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.]]>
<![CDATA[IMPLEMENTASI ALGORITMA APRIORI UNTUK MEMBANTU PROSES PERSEDIAAN BARANG ]]>
<![CDATA[Matovani, Dio]]>;
<![CDATA[Hadiono, Kristophorus]]>
<![CDATA[ Dinamika Informatika : Jurnal Ilmiah Teknologi Informasi Vol 10 No 2 (2018) ]]>
Publisher : <![CDATA[Fakultas Teknologi Informasi Universitas Stikubank (Unisbank) Semarang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (468.587 KB)
|
DOI: 10.35315/informatika.v10i2.8133
<![CDATA[Penelitian ini akan membahas bagaimana mengimplementasi algoritma apriori dan asiosiasi untuk menghasilkan informasi yang dapat dimanfaatkan dalam kegiatan pembelian persediaan barang agar proses tersebut dapat berjalan dengan tepat. Metode penelitian yang digunakan pada penelitian ini yaitu CRISP-DM yang terdiri dari , bussines understanding, data understanding, data preparation, modelling, evaluation, dan deployment. Hal yang dilakukan pertama kali adalah pembersihan data dan normalisasi data guna menyingkirkan data yang tidak valid dan beberapa variabel yang tidak berguna untuk penggalian informasi. Berikut merupakan contoh sebelum dan setelah dilakukan kegiatan pembersihan data. Selanjutnya memasukan data yang telah dinormalisasi kedalam bentuk data frame supaya data transaksi dapat diproses untuk mendapatkan informasi yang berguna dengan mendapatkan pola asosiasi dari data tersebut, setelah itu mengubah format data dari format data frame menjadi format transaksi seperti pada gambar 3 supaya fungsi apriori dalam bahasa R dapat dijalankan.Setelah merubah format data menjadi bentuk transaksi selanjutnya menjalankan fungsi apriori. Penentuan support dan confidence pada penelitian ini dilakukan dengan cara mencoba penentuan acuan dengan nominal rendah terlebih dahulu. Ditunjukan bahwa dengan support=0,001 dan confidence=0,001 belum mendapatkan hasil yang maksimal karena dengan penentuan nominal support dan confidence tersebut aturan yang dihasilkan terlalu banyak sehingga belum dapat menunjukan keterkaitan suatu itemset yang maksimal karena acuan nominal support dan confidence terlalu rendah. Dengan melakukan banyak uji coba akhirnya didapatkan support=0,02 dan confidence=0,3 adalah acuan maksimal yang didapatkan dari penelitian ini. Fungsi apriori diatas dengan penentuan support=0,02 dan confidence=0,3 menghasilkan rule yang diperoleh berjumlah enam.]]>
<![CDATA[PENERAPAN DATA MINING NILAI PENJAJAKAN UJIAN NASIONAL MENGGUNAKAN METODE CLUSTERING STUDI KASUS DI SMP “X” DI KOTA SEMARANG ]]>
<![CDATA[Sulastri, Sulastri]]>;
<![CDATA[Jananto, Arief]]>;
<![CDATA[Eniyati, Sri]]>
<![CDATA[ Dinamika Informatika : Jurnal Ilmiah Teknologi Informasi Vol 10 No 2 (2018) ]]>
Publisher : <![CDATA[Fakultas Teknologi Informasi Universitas Stikubank (Unisbank) Semarang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (301.266 KB)
|
DOI: 10.35315/informatika.v10i2.8134
<![CDATA[Untuk menghadapi Ujian Nasional memerlukan persiapan yang baik agar siswa mendapat nilai yang maksimal. Salah satu cara untuk menyiapkan siswanya, sekolah dan dinas terkait melakukan Penjajakan Ujian Nasional (PUN). SMP “X” di kota Semarang juga melakukan PUN, nilai PUN yang diperoleh kemudian diranking untuk pengelompokan kelas tambahan. Tiap kelas tambahan mempunyai 30 siswa. Siswa yang ranking 1-30 menempati kelas A, siswa yang ranking 31-60 di kelas B dan seterusnya. Tujuan peneltian ini menganalisa nilai PUN dari 288 siswa dengan menggunakan metoda K-mean untuk mendapatkan cluster-cluster kelas tambahan sesuai dengan kebutuhan. Nilai PUN yang dianalisa adalah nilai Bahasa Indonesia, Matematika, Bahasa Inggris dan IPA. Dari analisa yang sudah dikerjakan didapat bahwa jumlah cluster dapat ditentukan sesuai kebutuhan bidang akademik dan tiap cluster mempunyai cacah anggota yang berbeda.]]>
<![CDATA[ANALISIS SENTIMEN TWITTER MENGGUNAKAN TEXT MINING DENGAN ALGORITMA NAÏVE BAYES CLASSIFIER ]]>
<![CDATA[Sudiantoro, Adhi Viky]]>;
<![CDATA[Zuliarso, Eri]]>
<![CDATA[ Dinamika Informatika : Jurnal Ilmiah Teknologi Informasi Vol 10 No 2 (2018) ]]>
Publisher : <![CDATA[Fakultas Teknologi Informasi Universitas Stikubank (Unisbank) Semarang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (152.045 KB)
|
DOI: 10.35315/informatika.v10i2.8135
<![CDATA[Analisis sentimen atau bisa di sebebut juga opinion mining merupakan proses memahami, mengekstrak dan mengolah data tekstual secara otomatis untuk mendapatkan informasi sentimen yang terkandung dalam suatu kalimat opini terhadap sebuah masalah atau objek oleh seseorang, apakah cenderung beropini negatif atau positif. Penelitian ini bertujuan untuk mengklasifikasi data tweet menjadi 2 sentimen yaitu positif dan negatif. Dalam penelitian ini menggunakan teks Bahasa Indonesia yang terdapat di sosial media twitter berupa tweet. Opini masyarakat yang terdapat di tweet tersebut dapat dimanfaatkan sebagai bahan analisis sentimen untuk mengetahui masyarkat terhadap pilkada jawa barat apakah positif atau negatif. Data yang digunakan terdiri 300 data tweet yang didibagi menjadi 2 yaitu untuk data latih sebanyak 200 data dan 100 data untuk data uji. Pengklasifikasian data tweet menggunakan text mining dengan Naïve Bayes Classifier. Sebelum klasifikasi, dilakukan beberapa tahap pemrosesan teks seperti case folding, normalisasi, tokenisasi dan stopwords removal. Hasil dari 100 data uji yang klasifikasi menghasilkan 32 data bersentimen positif dan sebanyak 68 data sentimen negative. Dapat diartikan bahwa 100 data uji yang diklasifikasi masuk dalam kategori bersentimen negatif dikarenakan data positif lebih kecil daripada data yang bersentimen negatif. Adapun nilai akurasi algoritma Naïve Bayes Classifier memberikan nilai akurasi sebesar 84%.]]>
