Computatio : Journal of Computer Science and Information Systems

Perbandingan Metode Fuzzy Mamdani Dengan Fuzzy Sugeno Untuk Evaluasi Kinerja Karyawan (Studi Kasus: Firma Hukum XYZ)

Hamonangan Munte, Apip Pramudyansyah, Umryah — Wed, 24 Apr 2024 00:00:00 +0000

Dalam sebuah perusahaan, evaluasi atau penilaian kinerja terhadap karyawan sangat penting dilakukan untuk mengidentifikasi dan menilai karyawan dalam melaksanakan pekerjaan dan tanggungjawabnya. Penilaian karyawan menjadi acuan bagi manajemen untuk pengambilan keputusan khususnya untuk penentuan pemberian penghargaan bagi karyawan tersebut. Penilaian ini bisa menjadi dasar manajemen untuk mengetahui kemampuan perusahaan menjalankan bisnisnya. Penilaian ini juga berlaku pada firma hukum XYZ sebagai salah satu firma hukum terbesar di Indonesia yang melakukan evaluasi terhadap karyawannya tiap tahun. Metode penilaian yang dilakukan saat ini masih sederhana yaitu dengan aplikasi excel. Selain itu parameter yang digunakan dalam penilaian kinerja karyawan masih kurang untuk penilaian sesuai dengan kebutuhan firma hukum XYZ. Penelitian ini membandingkan penggunaan dua metode yaitu metode logika fuzzy Mamdani dan fuzzy Sugeno. Untuk perhitungan dimulai dengan menentukan himpunan setiap variabel fuzzy, pembentukan aturan kabur (implikasi), aturan komposisi menggunakan fungsi Max, penegasan (defuzzifikasi). Hasil penelitian ini menunjukkan bahwa metode fuzzy Sugeno menghasilkan nilai lebih tinggi dari metode Mamdani yaitu “Tidak Baik” sebanyak 5%, “Baik” sebanyak 70% dan “Sangat Baik” sebanyak 25%, sedangkan fuzzy Mamdani menghasilkan nilai “Tidak Baik” sebanyak 20%, “Baik” sebanyak 75% dan “Sangat Baik” sebanyak 5%. Perhitungan metode fuzzy Sugeno terbukti menghasilkan nilai lebih unggul dari metode Mamdani.

Sistem Diagnosa Penyakit Pada Tanaman Jeruk Nipis Menggunakan Metode K-Means Berbasis Website

Muhammad Noer Aggommy — Wed, 24 Apr 2024 00:00:00 +0000

Tanaman jeruk nipis sangat mudah ditanaman dikarenakan perawatannya yang tidak rumit dan bibit tanaman yang mudah di temukan, Keadaan tanaman jeruk nipis yang baik bisa dideteksi dengan mengidentifikasi penyakit pada tanaman jeruk nipis. Salah satu metode untuk mendeteksi penyakit tanaman jeruk nipis bisa dilakukan dengan K-Means. Aplikasi pengelompokan penyakit tanaman jeruk nipis menggunakan metode K-Means berbasis Website ini dapat mempermudah mendeteksi penyakti tanaman jeruk nipis , Aplikasi ini berbasis Website sehingga pengguna dapat dengan mudah menjalankan aplikasi ini. Pembuatan aplikasi sistem berbasis Website pendeteksi penyakit tanaman jeruk nipis menggunakan data 24 gejala dan 11 penyakit tanaman jeruk nipis yang dapat digunakan pengguna untuk mendeteksi terdapatnya penyakit pada tanaman jeruk nipis berdasarkan gejala-gejala yang dimasukan oleh User. Data gejala penyakit tanaman jeruk nipis yang dimasukan kedalam sistem adalah suatu data gejala penyakit tanaman jeruk nipis, Gejala- gejala tanaman jeruk nipis tersebut harus dimasukan secara lengkap, karena kesimpulan hasil diagnosa menggunakan persentase yang ditampilkan dihitung secara otomatis oleh sistem dengan menggunakan K-Means. Lalu pada pengujian data ini menggunakan metode K-Means mendapatkan persentase akurasi 80,9% dan presentase eror 19,1%.

Kata kunci: K-Means, Data Mining, Clustering, Diagnosis Tanaman Jeruk Nipis.

Sistem Pendeteksi Kantuk pada Mata Pengendara Roda Empat dengan Algoritma Convolutional Neural Network

Michael Yan Petra, Lina Lina — Wed, 24 Apr 2024 00:00:00 +0000

Mengantuk merupakan sifat alamiah manusia dikarenakan mengantuk menandakan manusia membutuhkan waktu istirahat yang cukup, namun mengantuk pada waktu dan tempat yang tidak tepat sangat dapat menjadi sumber kecelakaan, salah satunya mengantuk pada saat berkendara. Karena itu dirancang sebuah sistem untuk mendeteksi kantuk dengan cara mendeteksi mata manusia dengan model YOLO yang akan diklasifikasi dengan model CNN apakah kedua mata pengguna sedang tertutup atau terbuka, jika kedua mata tertutup maka akan mengeluarkan output berupa alaram yang diharapkan membangunkan pengguna yang terdeteksi mengantuk. Hasil kalkulasi AP terhadap model pendeteksian dengan akurasi sebesar 100% dan hasil pengujian confusion matrix terhadap model klasifikasi memiliki akurasi sebesar 96% pada nilai presisi, 97% pada nilai recall, dan 97% pada F1-Score

E-Commerce Blessed Party dengan Sistem Rekomendasi Apriori dan Collaborative Filtering

Delya Delya, Bagus Mulyawan, Manatap Dolok Lauro — Wed, 24 Apr 2024 00:00:00 +0000

Evolusi internet yang beriringan dengan pesatnya perkembangan teknologi informasi membawa banyak pengaruh ke dalam kehidupan, salah satunya adalah dengan kemunculan perdagangan secara elektronik atau e-commerce. Kemudahan perdagangan digital ini membuat banyak pebisnis mulai beralih dari bisnis konvensional ke bisnis digital dengan pemanfaatan e-commerce sehingga persaingan ketat di internet juga mulai muncul. Maka dari itu, pada kesempatan ini akan dibangun sistem aplikasi penjualan online bagi Blessed Party dengan kelebihan fitur rekomendasi yang dibuat menggunakan metode Apriori dan Collaborative Filtering. Perancangan aplikasi dilakukan untuk memudahkan transaksi antar pembeli dan penjual pada toko Blessed Party. Data yang digunakan dalam perancangan ini merupakan data transaksi dan rating produk yang diambil dari riwayat penjualan Blessed Party selama tahun 2020 melalui platform sebelumnya, Shopee dan Tokopedia. Uji coba pada metode Apriori dilakukan sebanyak 3 kali untuk menemukan aturan asosiasi terkuat serta meneliti parameter minimum support yang dimasukkan. Uji coba metode Collaborative Filtering dilakukan sebanyak 3 kali juga untuk menilai kestabilan akurasi dari metode tersebut dengan menggunakan mean absolute error (MAE) yang didapatkan hasilnya stabil mendekati angka 0 sebanyak 3 kali dan menghitung nilai precision dan hasil yang didapatkan sebesar 0.7 di mana hal ini berarti metode tersebut efektif untuk memberikan rekomendasi.

Evaluasi Penggunaan Aplikasi TIX ID Dengan Menggunakan Metode Usability Testing

Murni Damayanti — Wed, 24 Apr 2024 00:00:00 +0000

TIX ID adalah aplikasi populer di Indonesia yang memudahkan pembelian tiket bioskop dengan harga terjangkau. Aplikasi ini bekerja sama dengan DANA untuk pembayaran yang lebih cepat.[1] Penelitian ini mengevaluasi fitur, pengalaman, dan kepuasan pengguna TIX ID. Metode penelitian meliputi survei online, observasi, wawancara, dan Usability Testing. Hasil penelitian menunjukkan TIX ID memudahkan pembelian tiket online, tetapi perlu perbaikan navigasi dan stabilitas aplikasi. Penelitian ini memberikan kontribusi penting dalam memahami usability TIX ID untuk perbaikan dan pengembangan selanjutnya. Skor rata-rata pengujian menunjukkan TIX ID memiliki Learnability 4,30, Efisiensi 4,28, Memorabilitas 4,15, Errors 3,36, dan Statisfaction 4,21. Namun, terdapat masalah pada Errors saat pemesanan dan pembayaran yang perlu dicari solusinya.

Implementasi Machine Learning Untuk Prediksi Harga Rumah Menggunakan Algoritma Random Forest

Nicholas Hadi, Jason Benedict — Wed, 24 Apr 2024 00:00:00 +0000

Dengan pentingnya peran rumah dalam kehidupan masyarakat, banyak orang yang pasti bertujuan untuk melakukan pembelian atau penjualan rumah. Dengan banyaknya kriteria – kriteria yang dapat mempengaruhi harga rumah, membuat harga rumah sangat susah untuk di prediksi. Harga rumah tersebut tentu saja dapat diprediksi dengan menggunakan 3 algoritma Machine Learning yaitu Random Forest, Decision Tree, dan Polynomial Regression. Manfaat dalam penelitian ini adalah untuk mengetahui kriteria yang paling mempengaruhi harga rumah, dan memperlihatkan hasil akurasi dari setiap algoritma yang digunakan serta menemukan algoritma prediksi terbaik dari 3 algoritma tersebut. Penelitian ini dilakukan pada dataset harga rumah di King County, USA yang bersumber dari situs Kaggle. Dalam hasil pengujian korelasi dari 13 variabel data yang digunakan, ditemukan bahwa variabel luas rumah, grade, dan luas atas rumah mempunyai nilai pengaruh besar terhadap harga rumah. Hasil pengujian 3 algoritma tersebut dievaluasi dengan nilai R² dan RMSE. Algoritma Random Forest dinyatakan menghasilkan prediksi terbaik dibandingkan 2 algoritma tersebut, dengan tingkat akurasi sebesar 86,54% dan nilai RMSE sebesar 144913.73.

Peramalan Pertumbuhan Jumlah Outlet Menggunakan Metode Gated Recurrent Unit (Studi Kasus: PT XYZ)

David Suluh, Dyah E. Herwindiati, Janson Hendryli — Wed, 24 Apr 2024 00:00:00 +0000

Sebagai perusahaan telekomunikasi, PT XYZ mengguanakan outlet seluler sebagai mitra untuk melakukan pendistribusian komoditas mereka. Dalam memperluas jaringan outlet seluler merka, PT XYZ tentu perlu memikirkan strategi bisnis yang tepat agar pertumbuhan jumlah outlet dapat menjadi lebih maksimal.Peramalan dapat digunakan sebagai acuan dalam strategi bisnis dan meningkatkan efektivitas rencana penyebaran outlet. Penilitian ini membahas peramalan pertumbuhan jumlah outlet menggunakan metode Gated Recurrent Unit yang berfungsi untuk melakukan peramalan atau prediksi jumlah outlet yang dapat diraih oleh PT XYZ. Data yang digunakan merupakan data outlet yang ada di PT XYZ dimana data ini akan dikelempokkan berdasarkan minggu ketika outlet bergabung. Proses pelatihan data menggunakan 80% dari total dataset dan pengujian menggunakan 20% dari total dataset. Pada proses pengujian, model mendapatkan hasil evaluasi MAE sebesar 0.1230 ,RMSE sebersar 0.2103 dan MSE sebesar 0.0442.

Aplikasi Prediksi Hutang Dengan Menggunakan Algoritma Regresi Polinomial

Catur Ariya, Arya Prawira — Wed, 24 Apr 2024 00:00:00 +0000

Laporan ini mendeskripsikan sebuah algoritma untuk prediksi pinjaman hutang menggunakan Polynomial Regressionluntuk menghitung jumlah hutang yang dapat dipinjam oleh debitur. keuntungan penggunaan algoritma ini adalahpemilihan degree yang dapat disesuaikan dengan bentuk penyebaran data sehingga mendapatkan akurasi yang maksimal. Kami menggunakan bahasa pemrogramanpython bersama dengan library scikit-learn,numpy, dan pandas untuk prediksi dan transformasi data serta seaborn dan matplotlip untuk visualisasi.

Klasifikasi Pasien Terkena Breast Cancer Menggunakan Metode Machine Learning

Adryan Tjengharwidjaja, Brando Dharma Saputra, Yagyu Munenori Michael Emmanuel — Wed, 24 Apr 2024 00:00:00 +0000

Kanker payudara adalah salah satu keganasan terbanyak dan memiliki angka kematian cukup tinggi pada wanita. Menurut data World Health Organization (WHO) pada tahun 2020, terdapat 2,3 juta wanita yang terdiagnosis kanker payudara dan 685,000 kematian secara global. Hingga akhir tahun 2020, ada 7,8 juta wanita hidup yang didiagnosis menderita kanker payudara dalam 5 tahun terakhir, menjadikannya kanker paling umum di dunia. Ada lebih banyak tahun hidup yang disesuaikan dengan disabilitas yang hilang (DALYs) oleh wanita karena kanker payudara secara global daripada jenis kanker lainnya. Kanker payudara terjadi di setiap negara di dunia pada wanita pada usia berapa pun setelah pubertas tetapi dengan tingkat yang meningkat di kemudian hari. Kematian akibat kanker payudara tidak banyak berubah dari tahun 1930-an hingga 1970-an. Perbaikan dalam kelangsungan hidup dimulai pada 1980-an di negara-negara dengan program deteksi dini yang dikombinasikan dengan berbagai cara pengobatan untuk memberantas penyakit infasif. Untuk mencari solusi supaya bisa mengurangi korban jiwa yang diakibatkan oleh kanker payudara, maka kami ingin membuat sebuah sistem yang bisa mengklasifikasi apakah seseorang terkena kanker payudara yang termasuk Benign (tumbuh perlahan, tidak menyebar) atau Malignant (ganas, dan bisa menyebar) dengan beberapa metode machine learning. Data yang digunakan untuk penelitian ini berasal dari Wisconsin yang didapat dari UCI Machine Leaning Repository. Metode yang akan digunakan adalah Logistic Regression, Random Forest dan Decision Tree. Dari ketiga metode tersebut akan dibandingkan manakah model yang memberikan nilai akurasi paling bagus. Setelah melakukan uji coba terhadap dataset test, hasil penelitian ini menunjukkan bahwa dari ketiga metode tersebut, Decision Tree memberikan nilai akurasi paling tinggi, posisi kedua adalah Random Forest, dan hasil paling kecil adalah Logistic Regression. Kesimpulan yang didapat adalah ketiga metode machine learning ini dapat digunakan dan diterapkan ke dalam kasus prediksi klasifikasi kanker payudara benign atau malignant, dan decision tree memberikan hasil paling tinggi. Dengan pengetahuan ini, orang yang terkena kanker payudara bisa mengambil keputusan mengenai cara mengatasi kanker tersebutKanker payudara adalah salah satu keganasan terbanyak dan memiliki angka kematian cukup tinggi pada wanita. Menurut data World Health Organization (WHO) pada tahun 2020, terdapat 2,3 juta wanita yang terdiagnosis kanker payudara dan 685,000 kematian secara global. Hingga akhir tahun 2020, ada 7,8 juta wanita hidup yang didiagnosis menderita kanker payudara dalam 5 tahun terakhir, menjadikannya kanker paling umum di dunia. Ada lebih banyak tahun hidup yang disesuaikan dengan disabilitas yang hilang (DALYs) oleh wanita karena kanker payudara secara global daripada jenis kanker lainnya. Kanker payudara terjadi di setiap negara di dunia pada wanita pada usia berapa pun setelah pubertas tetapi dengan tingkat yang meningkat di kemudian hari. Kematian akibat kanker payudara tidak banyak berubah dari tahun 1930-an hingga 1970-an. Perbaikan dalam kelangsungan hidup dimulai pada 1980-an di negara-negara dengan program deteksi dini yang dikombinasikan dengan berbagai cara pengobatan untuk memberantas penyakit infasif. Untuk mencari solusi supaya bisa mengurangi korban jiwa yang diakibatkan oleh kanker payudara, maka kami ingin membuat sebuah sistem yang bisa mengklasifikasi apakah seseorang terkena kanker payudara yang termasuk Benign (tumbuh perlahan, tidak menyebar) atau Malignant (ganas, dan bisa menyebar) dengan beberapa metode machine learning. Data yang digunakan untuk penelitian ini berasal dari Wisconsin yang didapat dari UCI Machine Leaning Repository. Metode yang akan digunakan adalah Logistic Regression, Random Forest dan Decision Tree. Dari ketiga metode tersebut akan dibandingkan manakah model yang memberikan nilai akurasi paling bagus. Setelah melakukan uji coba terhadap dataset test, hasil penelitian ini menunjukkan bahwa dari ketiga metode tersebut, Decision Tree memberikan nilai akurasi paling tinggi, posisi kedua adalah Random Forest, dan hasil paling kecil adalah Logistic Regression. Kesimpulan yang didapat adalah ketiga metode machine learning ini dapat digunakan dan diterapkan ke dalam kasus prediksi klasifikasi kanker payudara benign atau malignant, dan decision tree memberikan hasil paling tinggi. Dengan pengetahuan ini, orang yang terkena kanker payudara bisa mengambil keputusan mengenai cara mengatasi kanker tersebut

Prediksi Serangan Jantung dengan Menggunakan Metode Logistic Regression Classifier dan Adaboost

Steven Dharmawan, Vincent Fernandes, Hizkia Halim — Wed, 24 Apr 2024 00:00:00 +0000

Serangan jantung merupakan penyebab kematian nomor 1 di dunia pada tahun 2019. Hal ini mendorong kami untuk membuat sebuah aplikasi yang dapat memprediksi resiko terkena serangan jantung. Penelitian yang kami lakukan menggunakan berbagai metode dan mendapatkan akurasi sebesar 86.8421% menggunakan metode Logistic_Regression, 76.3158% menggunakan metode Decision Tree, 86.8421% menggunakan metode RandomForest Classification, 88.1579% menggunakan metode Bagging Classification, 90.7895% menggunakan metode AdaBoost Classification, 88,1579% menggunakan metode Voting_Classifier. Kami meningkatkan akurasi dari penelitian-penelitian yang dilakukan sebelumnya yaitu dari 88.6% menjadi 90.7895%.

Penerapan Klasifikasi Suara Sebagai Autentikasi Keamanan Sistem Login Menggunakan Gaussian Mixture Models

Audie Milson, Dyah Erny Herwindiati, Novario Jaya Perdana — Wed, 24 Apr 2024 00:00:00 +0000

Program penerapan klasifikasi suara sebagai auntetikasi keamanan sistem login merupakan sebuah program berbasis website yang dibuat untuk menguji efektivitas metode autentikasi suara sebagai alternatif metode autentikasi biometrik dalam meningkatkan keamanan sistem login suatu aplikasi. Program website yang dibuat terdiri dari bagian Frontend dan bagian Backend yang dibangun dengan modul Python Flask dalam pembentukan API yang berfungsi sebagai fungsionalitas website dan modul Vue Js dalam pembuatan tampilan aplikasi. Aplikasi yang dibuat kemudian diuji dari segi fungsionalitas, tingkat akurasi model dalam mengklasifikasikan suara dan keamanannya dengan metode blackbox testing dan serangkaian security test seperti penetration testing, SQL Injection, dan XSS Attack dengan hasil pengujian aplikasi berfungsi sesuai ekspektasi dan tidak rentan terhadap serangan SQL Injection ataupun XSS Attack, sedangkan hasil dari pengujian tingkat akurasi model dalam mengklasifikasikan suara menghasilkan tingkat akurasi sebesar 67% dengan menggunakan 5 suara sebagai input awal. Hasil dari serangkaian pengujian yang telah dilakukan menunjukan bahwa perpaduan metode Linear Predictive Coding dan Gaussian Mixture Model kurang efektif dalam mengklasifikasikan suara, akan tetapi metode Autentikasi Suara berhasil meningkatkan tingkat keamanan sistem login pada aplikasi.

Evaluasi Penilaian Kinerja Karyawan dengan Metode Naïve Bayes

Kenny Kenny, Desi Arisandi, Tri Sutrisno — Wed, 24 Apr 2024 00:00:00 +0000

Sistem penilaian kinerja karyawan adalah sebuah sistem yang digunakan untuk menilai kinerja terbaik para karyawannya. Perusahaan melakukan penilaian kinerja terbaik terhadap karyawan untuk mengevaluasi, memovitasi, memverifikasi dan meningkatkan kinerjanya. Hasil kinerja ini menjadi alat untuk membantu pengambilan keputusan seperti promosi, pemberhentian, pemberian bonus atau memberikan umpan balik bagi karyawan. Penilaian dalam penelitian yang telah dilakukan menggunakan 5 kriteria : kehadiran, ketepatan waktu, sikap, kualitas, dan kuantitas menggunakan metode naïve bayes. data yang dipakai dalam penelitian berupa 126 data training. Hasil prediksi diklasifikasikan sebagai Kompeten atau Tidak Kompeten. Testing confusion matrix menghasilkan akurasi sebesar 86.8% dengan menggunakan 70% data training dan 30% data testing.

Analisis Penentuan Rekomendasi Mata Kuliah yang Berpengaruh Dalam Dunia Kerja dengan Menggunakan Algoritma C4.5

Rayvaldi Harvian, Bagus Mulyawan, Tri Sutrisno — Wed, 24 Apr 2024 00:00:00 +0000

Pendidikan tidak terlepas kaitannya dengan dunia kerja sehingga diperlukan sebuah sistem yang membantu memberikan gambaran mata kuliah yang dibutuhkan oleh perusahaan. Aplikasi ini diharapkan membantu mahasiswa dapat bekerja sesuai dengan pekerjaan yang diinginkan dan siap dalam menghadapi persaingan dalam dunia kerja. Aplikasi ini dirancang bertujuan untuk memberikan rekomendasi mata kuliah yang berpengaruh dalam dunia kerja sehingga dapat mempermudah mahasiswa dalam mendapatkan informasi tentang mata kuliah yang dibutuhkan oleh pekerjaan yang diinginkan sehingga mahasiswa tidak kesulitan dalam memilih mata kuliah yang berpengaruh dalam dunia kerja. Metode yang digunakan untuk rekomendasi dengan menggunakan Algoritma C4.5 dan aplikasi ini dibuat menggunakan bahasa pemrograman Javascript dan memakai sistem basis data MongoDB. Dalam melakukan pengujian metode maka diperlukan akurasi menggunakan confusion matrix dengan beberapa skema pengujian dan tingkat akurasi yang paling tinggi dengan menggunakan data latih 50% dan data uji 50% dengan akurasi sebesar 80%. Berdasarkan pengujian yang dilakukan, aplikasi ini dapat bekerja dengan baik sehingga membantu mahasiswa dalam memilih mata kuliah yang dibutuhkan sesuai dengan pekerjaan yang diinginkan

Pengembangan Web-Based Dashboard untuk Deteksi Umur dan Status Tanam Pohon pada Perkebunan Kelapa Sawit

Michellia Cempaka Salsabila, Arie Wahyu Wijayanto — Wed, 24 Apr 2024 00:00:00 +0000

Adanya kebutuhan terhadap tools untuk pendeteksian kelapa sawit agar dapat digunakan untuk melakukan monitoring, menjadi dasar permasalahan dilakukannya penelitian ini. Tujuan utama dari penelitian ini adalah pembangunan dashboard sederhana sebagai alat implementasi dari model estimasi umur dan status tanam kelapa sawit. Dashboard dibangundengan menggunakan framework Streamlit yang berbasis bahasa pemrograman Python. Dashboard ini memiliki dua halaman, yaitu halaman Home dan halaman pendeteksian. Pada halaman Home, pengguna dapat membaca tutorial penggunaan dashboard dan mengunduh sampel gambar untuk melakukan pendeteksian. Halaman pendeteksian menampilkan informasi evaluasi testing model pendeteksian sekaligus sebagai tempat bagi user untuk mengunggah gambar yang ingin dideteksi. Dashboard ini berpotensi untuk dikembangkan guna memantau pertumbuhan kelapa sawit.

Pengembangan Aplikasi Pengukuran Capaian Pembelajaran Mahasiswa untuk Rekomendasi Mata Kuliah Peminatan Menggunakan Algoritma Decision Tree

Syahrul Ramadhan, Bagus Mulyawan, Tri Sutrisno — Wed, 24 Apr 2024 00:00:00 +0000

Pengukuran capaian pembelajaran mahasiswa sangat diperlukan untuk proses penilaian yang sesuai dan juga untuk keperluan lain seperti akreditasi. Sistem pemberian rekomendasi matakuliah peminatan juga sangat diperlukan untuk mahasiswa agar tidak terhambat dan lulus tepat pada waktunya. Untuk itu diperlukan sebuah sistem yang secara khusus dapat memberikan informasi-informasi tersebut. Perancangan aplikasi ini dilakukan dengan tujuan memberikan informasi-informasi yang dibutuhkan untuk melihat capaian mahasiswa dan merekomendasikan matakuliah peminatan yang sesuai berdasarkan data mahasiswa tersebut. Proses rekomendasi yang dilakukan menggunakan algoritma decision tree. Rancangan aplikasi ini dibuat berbasis website dengan menggunakan JavaScript sebagai backend dan MongoDB sebagai pengaturan sistem basis data yang digunakan. Untuk mengukur akurasi metode digunakan confusion matrix dengan mengambil dua puluh persen sampel data untuk dibandingkan dengan hasil dari algoritma yang digunakan dan nilai akurasi yang didapatkan cukup baik yaitu sekitar 75% dan 87,5% untuk 40 persen data. Hasil akhir untuk aplikasi ini adalah bahwa aplikasi pengukuran capaian pembelajaran dan rekomendasi matakuliah sudah cukup baik dalam memberikan informasi capaian mahasiswa dan rekomendasi matakuliah peminatan secara otomatis.

Sistem Rekomendasi Produk untuk Pelanggan Perusahaan Distribusi Menggunakan Metode Collaborative Filtering dan K-Means Clustering

Dennis Sebastian, Bagus Mulyawan, Novario Jaya Perdana — Wed, 24 Apr 2024 00:00:00 +0000

PT Enseval merupakan perusahaan distribusi yang memiliki banyak jenis produk yang
ditawarkan. Banyaknya produk yang ditawarkan dapat membuat salesman Enseval kesulitan
untuk menawarkan produk yang cocok dan sesuai untuk pelanggan. Keterampilan salesman
untuk menawarkan produk ke pelanggan sangat mempengaruhi penjualan barang distribusi.
Maka dari itu, pada kesempatan ini akan dibangun sistem rekomendasi produk untuk pelanggan
PT Enseval menggunakan metode k-means dan collaborative filtering. Perancangan aplikasi
dibuat untuk memudahkan salesman dalam merekomendasikan produk ke pelanggan dan
membantu pelanggan dalam memilih produk . Data yang akan digunakan merupakan data
transaksi sales periode 2021 - 2022. Uji coba dengan metode collaborative filtering untuk
menentukan akurasi menggunakan mean absolute error (MAE) mendapatkan nilai 0,114678277
dan rekoemendasi dengan menggunakan gabungan metode k-means dan collaborative filtering
mendapatkan rata-rata MAE sebesar 0.158411487. Kedua hasil MAE memiliki akurasi yang
cukup baik karena semua hasil scenario memiliki keselahan (error) yang mendekati angka 0.
Berdasarkan hasil tersebut, dapat ditarik kesimpulan bahwa metode k-means kurang efektif
digabungkan dengan metode collaborative filtering dalam memberikan rekomendasi produk
dalam sistem aplikasi ini.

Analisis Kecepatan Internet Wifi Menggunakan Metode Fuzzy Tsukamoto

Muhammad Yana Haris Farsya, Bagus Mulyawan, Tri Sutrisno — Wed, 24 Apr 2024 00:00:00 +0000

Internet sudah menjadi kebutuhan yang sangat dibutuhkan oleh seluruh kalangan dari pelajar hingga pekerja. Selain untuk hiburan, internet kini juga digunakan dalam mengerjakan tugas maupun kerjaan secara efisien. Dikarenakan semakin tinggi minat pada internet, semakin banyak juga perusahaan yang menyediakan jasa penyedia Wifi. Dari berbagai penyedia layanan Wifi tersebut, tentunya memiliki kualitas yang berbeda-beda seperti ada yang internetnya suka terputus, ada yang cukup baik, dan berbagai hal lainnya. Banyak orang yang bingung ingin menggunakawn penyedia layanan apa dikarenakan kurangnya informasi untuk dicari. Website yang dibuat ditujukan bagi para user yang ingin menentukan provider mana yang lebih unggul agar dapat menentukan ingin berlangganan pada provider yang mana di daerah mereka dengan fitur Speedtest. Metode yang digunakan pada website ini adalah Fuzzy Tsukamoto yang digunakan untuk mengkalkulasikan Ping dan Jitter milik user lalu memberikan label dari Sangat Baik, Baik, Cukup, Buruk, dan Sangat Buruk. Hasil yang akan ditampilkan ke sisi user adalah score yang berupa angka dari 0.1 sampai dengan 5 dimana semakin kecil maka semakin bagus kualitas provider serta persentase jumlah komentar.

Analisis Capaian Program Merdeka Belajar Kampus Merdeka Menggunakan Metode K-Means

Jastien Phang, Bagus Mulyawan, Novario Jaya Perdana — Wed, 24 Apr 2024 00:00:00 +0000

Kampus Merdeka merupakan bagian dari kebijakan Merdeka Belajar oleh Kementerian Pendidikan Kebudayaan, Riset, dan Teknologi Republik Indonesia yang memberikan kesempatan bagi mahasiswa/i untuk mengasah kemampuan sesuai bakat dan minat dengan terjun langsung ke dunia kerja sebagai persiapan karier masa depan. Terdapat banyak mahasiswa/i yang terdaftar dalam kurikulum Merdeka Belajar Kampus Merdeka yang sedang mengikuti program-program seperti pertukaran pelajar, magang atau kerja praktik, asisten mengajar, penelitian atau riset, proyek di Desa, wirausaha, studi independen, dan proyek kemanusiaan. Dalam kebijakan ini, Universitas Tarumanagara juga berpartisipasi untuk ikut serta menyukseskan program MBKM. Hal ini mendorong penulis untuk mengembangkan sistem Analisis Capaian Program merdeka belajar kampus merdeka dengan membuat dashboard pengelompokan mahasiswa yang melaksanakan program dari MBKM untuk mempermudah dalam mengetahui siapa saja yang terdapat dalam program tersebut. Selain itu, akan dibuat juga clustering menggunakan metode K-Means untuk mengelompokkan data menurut tipe dan kriteria mahasiswa kedalam program serta melakukan evaluasi k-means dengan menggunakan metode Davies Bouldin Index yang menghasilkan rasio 0,538 dan dapat dikatakan bahwa metode K-Means menghasilkan Cluster yang cukup akurat dalam pengelompokan jumlah peserta yang mengikuti program MBKM.

Pengembangan Aplikasi Monitoring Kinerja Perguruan Tinggi Menggunakan Metode Profile Matching

Yongky Saputra, Bagus Mulyawan S.Kom., M.M., Novario Jaya Perdana — Wed, 24 Apr 2024 00:00:00 +0000

Perguruan Tinggi merupakan tempat pendidikan dan pengajaran tinggi dan dapat berbentuk akademi, politeknik, sekolah tinggi, institut, atau universitas. Berbicara tentang perguruan tinggi pasti tidak lepas dari kewajiban perguruan tinggi yaitu, menyelenggarakan penelitian dan pengembangan, pengabdian kepada masyarakat, HKI, dan Buku. Dalam rangka meningkatkan mutu, perguruan tinggi dapat melakukan monitoring dan evaluasi kinerja perguruan tinggi. Agar proses monitoring dan evaluasi lebih mudah, dibuatlah website untuk melakukan proses monitoring dan evaluasi kinerja perguruan tinggi. Website yang dibuat berisikan dashboard yang akan menampilkan data penelitian, PKM, HKI, dan buku yang dipublikasikan oleh perguruan tinggi. Digunakan juga metode profile matching yang merupakan metode sistem pendukung keputusan untuk menentukan peringkat dan score dari masing-masing dosen agar proses monitoring dan evaluasi kinerja perguruan tinggi menjadi lebih mudah