Articles
<![CDATA[SPK Penentuan Lokasi ATM Menggunakan Metode AHP dan SAW ]]>
<![CDATA[Gede Surya Mahendra]]>;
<![CDATA[Kadek Yota Ernanda Aryanto]]>
<![CDATA[ Jurnal Nasional Teknologi dan Sistem Informasi Vol 5, No 1 (2019): April 2019 ]]>
Publisher : <![CDATA[Jurusan Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.25077/TEKNOSI.v5i1.2019.49-56
<![CDATA[Persaingan industri perbankan saat ini semakin meningkat, baik dalam hal penyediaan inovasi produk serta peningkatan kualitas transaksi dan pelayanan. Untuk mengatasi masalah tersebut diciptakan sebuah terminal yang dikenal dengan ATM. Namun fungsionalitas dan efektifitas ATM tersebut belum memenuhi kebutuhan nasabah dikarenakan pengambilan keputusan penentuan lokasi ATM belum menggunakan SPK sehingga banyak kriteria yang terlupakan dalam penentuan lokasi ATM terbaik. Metode AHP yang merupakan sebuah hierarki fungsional dengan input utamanya adalah persepsi manusia sedangkan metode SAW dengan konsep dasar mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut. AHP digunakan untuk memberikan pembobotan pada masing-masing kriteria dan SAW untuk melakukan perangkingan dari masing-masing alternatif. Terdapat 7 kriteria dengan 11 sub kriteria pada pembobotan dan 76 data alternatif. Pengujian dilakukan dengan membandingkan hasil delpoyment ATM dengan hasil perhitungan sistem. Dari 76 data alternatif yang diujikan, terdapat 38 lokasi deployment ATM. Dari hasil pengujian yang ditampilkan dalam confusion matrix, pada kriteria yang tidak teruji signifikansi didapatkan 33 data True Positive, 38 True Negative, 5 False Negative dan 5 False Positive dengan akurasi sebesar 86,84%, dan pada kriteria yang teruji signifikansi didapatkan 35 data True Positive, 35 True Negative, 3 False Negative dan 3 False Positive memiliki akurasi 92,11%.]]>
<![CDATA[ANALISIS PEMBENTUKAN KELOMPOK DISKUSI PANEL SISWA MENGGUNAKAN ALGORITMA FUZZY C-MEANS DAN K-MEANS ]]>
<![CDATA[Siti Saibah Pua Luka]]>;
<![CDATA[I Made Candiasa]]>;
<![CDATA[Kadek Yota Ernanda Aryanto]]>
<![CDATA[ Jurnal Pendidikan Teknologi dan Kejuruan Vol. 16 No. 2 (2019): Edisi Juli 2019 ]]>
Publisher : <![CDATA[Universitas Pendidikan Ganesha ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (331.656 KB)
<![CDATA[Belajar kelompok di sekolah merupakan pembelajaran cooperative yang mempunyai tujuan utama agar siswa dapat bersosialisasi dan bekerjasama, terutama untuk kegiatan yang memerlukan pemecahan masalah bersama. Berdasarkan pembentukan kelompok heterogenitas, peneliti kemudian mengembangkan sebuah aplikasi pembentukan kelompok diskusi panel siswa SMK Negeri 1 Negara menggunakan algoritma terbaik dari hasil perbandingan algoritma fuzzy c-means dan k-means, yang diperoleh dengan membandingkan rasio simpangan baku di dalam cluster (sw) terhadap rasio simpangan baku antar cluster (sb). Validitas cluster optimum untuk algoritma fuzzy c-means diperoleh berdasarkan indeks Xie Beni dan algoritma k-means diperoleh berdasarkan elbow criterion, yaitu dengan menghitung Root Means Square Standar Deviation (RMSSTD) dan R-Square (RS). Komposisi anggota kelompok yang terbentuk dari algoritma dengan maksimal anggota sebanyak 5, antara lain: Pertama, kelas XII RPL 1 jumlah siswa 43 orang terbentuk 9 kelompok diskusi dimana 7 kelompok berjumlah 5 anggota dan 2 kelompok berjumlah 4 anggota. Kedua, kelas XII RPL 2 jumlah siswa 45 orang terbentuk 9 kelompok diskusi dengan komposisi masing-masing kelompok berjumlah 5 anggota. Ketiga, kelas XII RPL 3 jumlah siswa 46 orang terbentuk 10 kelompok diskusi dimana 6 kelompok berjumlah 5 anggota dan 4 kelompok berjumlah 4 anggota. Dan keempat, kelas XII RPL 4 jumlah siswa 43 orang terbentuk 9 kelompok dimana 7 kelompok berjumlah 5 anggota dan 2 kelompok berjumlah 4 anggota. Aplikasi pembentukan kelompok diskusi panel ini sangat efektif, dimana komposisi anggota kelompok yang langsung di eksport ke dalam file excel dan ditampilkan dalam bentuk grafik akan memudahkan guru menggunakan aplikasi ini dalam melaksanakan pembelajaran cooperative.]]>
<![CDATA[KOTAK-KONTAK PINTAR PADA RUMAH CERDAS BERBASIS TEKNOLOGI INTERNET OF THINGS ]]>
<![CDATA[Taufik Akbar]]>;
<![CDATA[Gede Suweken]]>;
<![CDATA[Gede Indrawan]]>;
<![CDATA[Kadek Yota Ernanda Aryanto]]>
<![CDATA[ Jurnal Pendidikan Teknologi dan Kejuruan Vol. 16 No. 2 (2019): Edisi Juli 2019 ]]>
Publisher : <![CDATA[Universitas Pendidikan Ganesha ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (410.898 KB)
|
DOI: 10.23887/jptk-undiksha.v16i2.18937
<![CDATA[Penelitian ini bertujuan untuk merancang kotak kontak pintar pada rumah cerdas berbasis teknologi internet of things (IoT) guna untuk memonitor jumlah konsumsi daya perangkat elektronik pada rumah tangga. Sensor yang digunakan adalah 3 buah sensor arus AC N25 dan 1 buah sensor tegangan ZMPT101B, arduino nano dan Raspberry Pi yang digunakan dalam pemrosesan data, display 2x16 serta web server sebagai tampilan hasil dari konsumsi daya. Adapun pengujian dilakukan menggunakan 3 perangkat elektronik rumah tangga yaitu setrika, kipas Angin dan Satu buah televisi. Terdapat penurunan kemampuan pada sensor arus AC N25 dengan perubahan nilai berkisar 0.7-1 A sehingga harus dilakukan kalibrasi ulang. Perbedaan hasil pengukuran tegangan AC (220 VAC) yang dihasilkan sensor tegangan ZMPT101B, alat ukur Multimeter UT dan alat ukur digital multimeter kyoritsu. Namun perbedaan yang terjadi hanya pada rentang 5 vac, sehingga dapat disimpulkan bahwa alat yang dirancang sudah sesuai dengan tegangan yang ada. Jumlah konsumsi daya kotak-kontak pintar pada rumah cerdas ini sendiri adalah pada sensor arus 0.125 Watt, sensor tegangan 0.001 Watt dan arduino nano 0.2 Watt.]]>
<![CDATA[IMPLEMENTASI AHP-TOPSIS DAN NAÏVE BAYES DALAM SISTEM PENDUKUNG KEPUTUSAN PEMBERIAN BIMBINGAN KONSELING SISWA ]]>
<![CDATA[Anak Agung Sandatya Widhiyanti]]>;
<![CDATA[I Made Candiasa]]>;
<![CDATA[Kadek Yota Ernanda Aryanto]]>
<![CDATA[ SINTECH (Science and Information Technology) Journal Vol. 4 No. 2 (2021): SINTECH Journal Edition Oktober 2021 ]]>
Publisher : <![CDATA[LPPM STMIK STIKOM Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31598/sintechjournal.v4i2.731
<![CDATA[Student development cannot be separated from the influence of the surrounding environment, be it physical, psychological, and social. The inherent nature of the environment is change, if change is difficult to predict, it will create behavioral gaps from students. For example, problems that are often experienced by students are difficulties in increasing grades so that the scores are relatively low, the level of class attendance is minimal, the learning environment in the classroom whether it supports students to be able to participate in learning activities or not, violations of school rules, and so on. The purpose of this study is to help provide decision recommendations for students who will be given priority in counseling guidance and counseling services. The method used for calculations on the SPK is a combination of AHP-TOPSIS and Naïve Bayes Classifier. AHP is used to find the weight value of each criterion, TOPSIS is used in the ranking process while Naïve Bayes is used to determine counseling services. The results of this study are in the form of a decision support system, which can facilitate the decision-making process, and can provide recommendations for students who are prioritized for counseling and counseling services]]>
<![CDATA[Pendekatan Zachman Framework untuk Perancangan Arsitektur Integrasi Data Sistem Remunerasi ]]>
<![CDATA[Luh Nitra Aryani]]>;
<![CDATA[Gede Rasben Dantes]]>;
<![CDATA[Kadek Yota Ernanda Aryanto]]>
<![CDATA[ Jurnal Nasional Pendidikan Teknik Informatika : JANAPATI Vol. 11 No. 1 (2022) ]]>
Publisher : <![CDATA[Prodi Pendidikan Teknik Informatika Universitas Pendidikan Ganesha ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.23887/janapati.v11i1.40181
<![CDATA[Sistem remunerasi yang dikembangkan Universitas Pendidikan Ganesha (Undiksha) ditunjang oleh beberapa sistem pendukung untuk merekap data kinerja pegawai BLU, diantaranya Sistem Pangkalan Data Dosen (PDD), Sistem Informasi Akademik (SIAk), Sistem Aplikasi Hukum dan Tata Laksana (Shakuntala), E-Kinerja, Sistem Penelitian dan Pengabdian (SILIDIA) dan Sistem Absensi Wajah Pegawai BLU (SIWALU). Kondisi saat ini data pendukung untuk sistem remunerasi diambil melalui pusat data namun ada juga yang diambil langsung dari masing-masing sistem pendukung. Hal ini menyebabkan jika terjadi perubahan data pada satu sistem, akan timbul ketidakkonsistenan dan duplikasi data, sehingga diperlukan suatu integrasi data dari sistem pendukung remunerasi. Selain itu sistem di UPT TIK belum terdokumentasi dengan baik. Agar dapat tercipta data yang akurat, tidak tumpang tindih, dan konsisten, diperlukan sistem yang terintegrasi. Dalam membangun sebuah sistem informasi yang terintegrasi, perencanaan arsitektur adalah langkah awal yang harus dilakukan. Perencanaan pengembangan sebuah sistem informasi sangat diperlukan agar sistem yang dikembangkan dapat berjalan sesuai dengan kebutuhan. Penulis menggunakan pendekatan Zachman Framework, yang merupakan salah satu metode EAP dalam perancangan sistem. Perencanaan dilakukan dengan menganalisis data dan informasi dari enam perspektif berbeda yang berhubungan dengan Sistem Remunerasi di Undiksha. Hasil dari penelitian ini adalah gambar arsitektur aplikasi, arsitektur teknologi dan rancangan integrasi data sistem penunjang remunerasi yang diterjemahkan dari hasil pemetaan matrik Zachman yang berjumlah 36 sel yang terdiri dari 6 kolom dan 6 baris.]]>
<![CDATA[Pengembangan Sistem Informasi Pariwisata Terintegrasi E-Ticket Mobile dengan Metode Extreme Programming (Studi Kasus Dinas Pariwisata Karangasem) ]]>
<![CDATA[Ida Bagus Prayoga Bhiantara]]>;
<![CDATA[Gede Indrawan]]>;
<![CDATA[Kadek Yota Ernanda Aryanto]]>
<![CDATA[ Jurnal SISKOM-KB (Sistem Komputer dan Kecerdasan Buatan) Vol. 5 No. 1 (2021): Volume V - Nomor 1 - September 2021 ]]>
Publisher : <![CDATA[Teknik Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.47970/siskom-kb.v5i1.227
<![CDATA[Pariwisata merupakan suatu kegiatan dilakukan oleh manusia secara kelompok maupun perorangan untuk mengunjungi tempat yang menarik didalam wilayah suatu negara sendiri atau negara lain. Kabupaten Karangasem merupakan salah satu kabupaten di Bali yang memiliki banyak tempat wisata menjadi daerah yang cukup sering dikunjungi wisatawan. Namun pendataan tempat wisata oleh Dinas Pariwisata masih dilakukan secara konvensional sehingga diperlukan pegawai serta waktu untuk melakukan pendataan tehadap tiket tempat wisata. Untuk itu dilakukan pengembangan “Sistem Informasi Pariwisata Terintegrasi E-Ticket Mobile dengan Metode Extreme Programmingâ€. Metode Extreme Programming merupakan metode yang mengutamakan kecepatan sehingga sangat cocok untuk digunakan mengingat kebutuhan saat ini diperlukan pengembangan sistem yang mengharuskan cepat dan akurat. Metode ini memiliki 4 tahapan yaitu perencanaan, desain, penulisan code dan pengujian. Pada pengujian black box, output yang dihasilkan sistem sudah berfungsi sesuai dengan harapan. Dari pengujian running time menunjukan rata-rata waktu menyelesaikan setiap proses adalah 479 ms. Pada pengujian respon pengguna menunjukan sistem dapat digunakan dengan baik.]]>
<![CDATA[The Customer Profiling berdasarkan Model RFM dengan Metode K-Means pada Institusi Pendidikan untuk menunjang Strategi Bisnis di Masa Pandemi Covid-19 ]]>
<![CDATA[Luh Putu Wiwien Widhyastuti]]>;
<![CDATA[I. N. Sukajaya]]>;
<![CDATA[Kadek Yota Ernanda Aryanto]]>
<![CDATA[ JTIM : Jurnal Teknologi Informasi dan Multimedia Vol 4 No 2 (2022): Agustus ]]>
Publisher : <![CDATA[Puslitbang Sekawan Institute Nusa Tenggara ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35746/jtim.v4i2.232
<![CDATA[Idealnya sebuah perguruan tinggi harus bisa beradaptasi untuk tetap membuat bisnisnya bertahan dan berkelanjutan dalam situasi apapun, seperti pandemi saat ini yang berdampak pada berbagai sektor termasuk sektor pendidikan seperti perguruan tinggi X di Denpasar, Bali. Berdasarkan data pada bagian pemasaran di perguruan tinggi X, terdapat penurunan jumlah penerimaan mahasiswa baru jika dibandingkan saat kondisi normal dengan saat pandemi berlangsung serta belum teridentifikasinya profil kelompok pelanggan potensial di perguruan tinggi tersebut. Solusi yang dapat dilakukan adalah melakukan identifikasi karakteristik pelanggan potensial / customer profiling pada perguruan tinggi X sehingga dapat diketahui kelompok pelanggan potensial pada perguruan tinggi X. Customer profiling dilakukan dengan Model RFM (Recency, Frequency, Monetary) dan metode data mining, yaitu K-Means terhadap data transaksi mahasiswa selama tahun 2019 - 2020. Penelitian ini bertujuan untuk mengidentifikasi profil karakteristik pelanggan yang ada pada perguruan tinggi X dan mendapatkan rekomendasi strategi pemasaran di masa mendatang berdasarkan hasil profiling tersebut. Berdasarkan hasil analisis didapatkan karakteristik dari empat (4) kelompok profil pelanggan pada Perguruan Tinggi X, yaitu “Sangat Potensial”, “Potensial”, “Netral” dan “Tidak Potensial”. Kemudian didapatkan juga rekomendasi strategi pemasaran yaitu strategi retensi untuk kelompok “Sangat Potensial” dan “Potensial”, strategi Up Sell untuk kelompok “Sangat Potensial”, “Potensial” dan “Netral”, strategi Cross Sell untuk kelompok “Sangat Potensial”, “Potensial” dan “Netral” serta strategi promosi untuk seluruh kelompok pelanggan di Perguruan Tinggi X.]]>
<![CDATA[SEGMENTASI MATA KATARAK PADA CITRA MEDIS MENGGUNAKAN METODE OPERASI MORFOLOGI ]]>
<![CDATA[I Putu Eka Sutariawan]]>;
<![CDATA[Gede Rasben Dantes]]>;
<![CDATA[Kadek Yota Ernanda Aryanto]]>
<![CDATA[ JURNAL ILMU KOMPUTER INDONESIA Vol 3, No 1 (2018) ]]>
Publisher : <![CDATA[Universitas Pendidikan Ganesha ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (221.846 KB)
|
DOI: 10.23887/jik.v3i1.2750
<![CDATA[Segmentasi mata katarak pada citra medis bertujuan untuk menerapkan metode operasi morfologi dalam melakukan proses segmentasi pada mata katarak dan mengetahui tingkat perbandingan hasil terhadap penerapan operasi morfologi dalam segmentasi mata katarak. Secara teoritis, hasil dari penelitian ini diharapkan dapat menjadi referensi atau masukan bagi perkembangan ilmu komputer dan menambah kajian ilmu komputer khususnya dalam bidang pengolahan citra digital dengan pemanfaatan sebuah metode operasi morfologi. Pengujian operasi morfologi yang diimplementasikan pada kasus segmentasi citra ini memerlukan suatu data uji untuk mengetahui hasil dan kinerja dari metode operasi morfologi. Data uji yang digunakan pada penelitian ini sebanyak 50 data uji terdiri dari 25 data uji citra mata katarak dan 25 data uji citra mata normal. Data uji tersebut selanjutnya akan diproses ke dalam sistem menggunakan metode operasi morfologi. Rancangan metode yang dilakukan dalam penelitian ini melalui beberapa tahapan yang dimulai dari akuisisi citra yang dibantu oleh dokter yang bertugas di rumah sakit mata bali mandara menggunakan alat lensometer. Setelah diperoleh citra, tahap selanjutnya adalah pra pengolahan citra dengan melakukan beberapa proses yaitu cropping, thresholding. Dari hasil pra pengolahan selanjutnya dilakukan proses segmentasi menggunakan metode operasi morfologi dengan menerapkan operasi closing dan operasi opening. Berdasarkan hasil yang diperoleh, penerapan segmentasi dengan menggunakan operasi morfologi pata mata katarak sangat efektif dalam membantu pada proses segmentasi. Dari hasil uji coba keseluruhan citra dan di nilai berdasarkan persepsi oleh 4 orang pakar terhadap tingkat ketepatan hasil segmentasi mengunakan operasi morfologi pada mata katarak yang dibandingkan dengan citra asli, diperoleh hasil segmentasi mencapai 88,3%.]]>
<![CDATA[Development of Service-Oriented Architecture-Based Microservices Management as a Data Integration Service (Case Study: Udayana University) ]]>
<![CDATA[I Gede Nyoman Agung Jayarana]]>;
<![CDATA[Kadek Yota Ernanda Aryanto]]>;
<![CDATA[I Made Gede Sunarya]]>
<![CDATA[ Jurnal Ilmiah Merpati (Menara Penelitian Akademika Teknologi Informasi) Vol 11 No 1 (2023): Vol. 11, No. 1, April 2023 ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian kepada Masyarakat Universitas Udayana ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24843/JIM.2023.v11.i01.p03
<![CDATA[Udayana University has developed numerous information systems to accommodate all types of academic and non-academic activities. Because the process of retrieving data from other systems still employs the traditional method with a joint scheme between databases, the resulting data quality becomes increasingly inaccurate over time. Some systems have also established simple web services that do not adhere to the Restful API authoring rules. Based on these issues, modifications were made to the data integration process using Microservices Management, Service Oriented Architecture, and OAuth 2.0 as the security protocol. The results indicate that the microservices management system is highly effective and efficient for improving process performance, has a low risk level, a good control test validation of 93,33 %, and a usability grade of B, indicating that the system is deemed good and usable.]]>
<![CDATA[Helpdesk Ticket Classification for Technician Assignment Routes Using BiLSTM ]]>
<![CDATA[Putu Alan Arismandika]]>;
<![CDATA[Kadek Yota Ernanda Aryanto]]>;
<![CDATA[I Made Gede Sunarya]]>
<![CDATA[ Jurnal Ilmiah Merpati (Menara Penelitian Akademika Teknologi Informasi) Vol 11 No 1 (2023): Vol. 11, No. 1, April 2023 ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian kepada Masyarakat Universitas Udayana ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24843/JIM.2023.v11.i01.p05
<![CDATA[Fast problem-solving is one of the main keys to a company's reputation. Currently, most of the company's business processes are accommodated by applications. Often, applications in companies experience problems due to internal and external factors. Users send a request to solve problems by submitting the problem to the helpdesk tool or application. The requests at the helpdesk tool or application do not go directly to the technician who has the authority to solve them but instead go to the operator first and then escalate to the technician to be resolved. This process affects the efficiency of problem-solving time. This study proposes the use of text classification with deep learning to complete operator work. The method proposed in this study is the BiLSTM method. The total data used in this research is 160,000 helpdesk request data by dividing the data by 128,000 resolved data as training data and 32,000 on-progress data as testing data or 80% training data and 20% testing data. The research was conducted using 13 labels for the technician assignment route process Performance measurement of this study using a confusion matrix which obtained an accuracy 91.18%, precision 95.05%, and recall 93.28%]]>
