Article Per Year (5 Year)
p-Index From 2020 - 2025
3.608
P-Index
This Author published in this journals
All Journal Techno.Com: Jurnal Teknologi Informasi Jurnal Kridatama Sains dan Teknologi RISTEK : Jurnal Riset, Inovasi, dan Teknologi Kabupaten Batang Jurnal Litbang Kota Pekalongan RISTEK: Jurnal Riset, Inovasi dan Teknologi Kabupaten Batang IC Tech: Majalah Ilmiah SERVIRISMA: Jurnal Pengabdian kepada Masyarakat JI-Tech IC Tech: Majalah Ilmiah
Darmawan, Wachid
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Engineering Health Professions Law, Crime, Criminology & Criminal Justice Public Health Social Sciences Other

Published : 25 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 8 Documents
Search
Journal : IC Tech: Majalah Ilmiah

 1 
ALGORITMA KLASIFIKASI DATA MINING UNTUK PREDIKSI STATUS MAHASISWA MENGGUNAKAN ALGORITMA DECISION TREE (C4.5) Darmawan, Wachid
IC Tech: Majalah Ilmiah Vol 12 No 1 (2017): IC Tech: Majalah Ilmiah Volume XII No. 1 April 2017
Publisher : P3M Institut Widya Pratama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47775/ictech.v12i1.14

Abstract

Mahasiswa yang mengalami gagal studi merupakan salah satu kerugian bagi sebuah Perguruan Tinggi (PT), salah satunya tentang akreditasi. Mahasiswa gagal studi disini maksudnya mahasiswa yang tidak melakukan pembayaran biaya kuliah untuk semester berjalan atau mahasiswa non-aktif. Jika masalah mahasiswa non-aktif bisa di prediksi lebih cepat, maka pihak manajemen dapat mencegah dan mengantisipasi lebih awal agar tidak ada mahasiswa non-aktif. Dari banyaknya jumlah mahasiswa non-aktif maka perlu dianalisis lebih awal guna menemukan informasi yang berbasis pengetahuan dan bermanfaat. Oleh sebab itu diperlukan suatu cara untuk menggambarkan sekumpulan data secara ringkas. Serangkaian proses untuk mendapatkan pola atau pengetahuan dari kumpulan data disebut Data mining. Salah satu algoritma data mining adalah klasifikasi serta banyak bidang ilmu yang menerapkan teknik klasifikasi dalam ilmu data mining untuk menyelesaikan masalah. Banyak dataset yang digunakan untuk penelitian klasifikasi, salah satu algoritma klasifikasi yang digunakan adalah algoritma Pohon Keputusan (Desicion Tree). Algoritma Dessicion Tree yang digunakan untuk klasifikasi status mahasiswa adalah algoritma C4.5. Algoritma C4.5 salah satu algoritma klasifikasi populer dan mudah di pahami. Berdasarkan penelitian yang sudah dilakukan didapatkan hasil sebagai berikut: algoritma Naive Bayes menghasilkan akurasi sebesar 92,72%, sedangkan algoritma Desicion Tree (C4.5) akurasinya sebesar 93,05%.
KOMPARASI METODE DATA MINING DALAM MEMPREDIKSI NASABAH BANK YANG AKAN MEMILIH TABUNGAN DEPOSITO MENGGUNAKAN ALGORITMA KLASIFIKASI Darmawan, Wachid
IC Tech: Majalah Ilmiah Vol 13 No 1 (2018): IC Tech: Majalah Ilmiah Volume XIII No. 1 April 2018
Publisher : P3M Institut Widya Pratama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47775/ictech.v13i1.24

Abstract

Perkembangan trasaksi elektronik yang semakin pesat membuat banyak bank membuka unit-unit di tempat-tempat stategis untuk mengakomodir banyaknya nasabah. Dengan banyaknya nasabah bank juga perlu untuk mendapatkan nasabah yang bersedia untuk membuka tabungan deposito. Dengan banyaknya bank yang ada persaingan dalam mencari nasabah juga sangat beragam. Untuk membantu upacaya pihak marketing bank  perlu mempelajari suatu ilmu yang bisa digunakan untuk memprediksinya nasabah yang bersedia membuka tabungan deposito, yaitu menggunakan algoritma klasifikasi yang ada di data mining. Komparasi dalam penelitian ini akan menggunakan algoritma klasifikasi, diantarnya: algoritma Decission Tree, algoritma K-Nearest Neighbour dan algoritma Naive Bayes untuk memprediksi nasabah yang akan membuka tabungan deposito. Dalam komparasi algoritma klasifikasi yang dilakukan pada penelitian ini dengan menggunakan software Rapid Miner 5.3, didapatkan hasil sebagai berikut: algoritma Decission Tree mendapatkan akurasi yang paling baik yaitu sebesar 88.48% , sedangkan algoritma Naive Bayes menghasilakan tingkat akurasi sebesar 86.84% dan algoritma K-Nearest Neighbour tingkat akurasinya sebesar 84.96%. Untuk penelitian kedepan diharapkan agar bisa dibuatkan software berbasis website supaya bisa digunakan oleh banyak orang.
PENERAPAN METODE BLENDED LEARNING UNTUK MENGETAHUI TINGKAT PEMAHAMAN MAHASISWA PADA MATA KULIAH E-LEARNING Taufikqurrohman, Taufikqurrohman; Darmawan, Wachid
IC Tech: Majalah Ilmiah Vol 14 No 1 (2019): IC Tech: Majalah Ilmiah Volume XIV No. 1 April 2019
Publisher : P3M Institut Widya Pratama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47775/ictech.v14i1.44

Abstract

Dengan berkembangnya ilmu pengetahuan dan tehnologi sangat berpengaruh terhadap berbagai hal, salah satunya mutu pendidikan yang semakin meningkat. Sehingga banyak lembaga pendidikan yang meningkatkan mutu pendidikannya dengan cara melakukan pembelajaran berbasis kompetensi. Untuk model pembelajaran yang dilakukan adalah model Teacher Centred Learning atau dosen dijadikan sebagi subjek pembelajaran sedangkan mahasiswa sebagai objeknya. Dengan berkembangnya ilmu pengetahuan dan teknologi, perlu ada perubahan ke arah Student Centred Learning atau menjadikan mahasiswa sebagai pusat pembelajaran. Diharapkan mahasiswa menjadi lebih bertanggung jawab dalam proses belajar mengajar serta lebih pro aktif di dalam kelas dan mempunyai jiwa kemandirian. Salah satu cara untuk menjadikan mahasiswa sebagai pusat pembejaran adalah penerapan pembelajaran menggunakan metode blended learning (hybrid learning). Metode blended learning adalah memadukan proses belajar mengajar secara langsung didalam kelas dan pembelajaran diluar kelas (online) dengan bantuan internet. Berdasarkan penelitian yang sudah dilakukan mendapatkan hasil bahwa mahasiswa yang masuk ke kelas kontrol nilai rata-rata yang dihasilkan adalah 88,75 (UTS) dan 75,83 (UAS) terdapat penurunan rata-rata nilai. Sedangkan kelas eksperimen nilai rata-ratanya sebesar 75,27 (UTS) dan 76,13 (UAS). Sedangkan untuk uji paired t-test 0,000 < 0,05 dapat dikatakan signifikan (menolak Ho), artinya secara parsial variabel pemahaman materi dan metode blended learning berpengaruh terhadap variabel hasil ujian.c
ANALISIS PENGGUNAAN GOOGLE CLASSROOM SEBAGAI ALAT PENDUKUNG PEMBELAJARAN BLENDED LEARNING Darmawan, Wachid; Wim Hapsoro, Hermanus
IC Tech: Majalah Ilmiah Vol 15 No 1 (2020): IC Tech: Majalah Ilmiah Volume XV No. 1 April 2020
Publisher : P3M Institut Widya Pratama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47775/ictech.v15i1.94

Abstract

Dosen-dosen yang mengajar di STMIK Widya Pratama dalam pembelajaran sehari-hari sekarang sudah banyak yang menggunakan metode blended learning. Karena banyakanya aplikasi pendukung dalam pembelajaran blended learning maka diperlukan suatu cara untuk mengetahui kualitas dari aplikasi yang beredar. Salah satu aplikasi yang banyak digunakan dalam pembelajaran blended learning adalah google classroom. Untuk mengetahui tingkat efektifitas dan efisiensi dalam penggunaan google classroom maka di perlukan cara atau teknik untuk mengevaluasi kualitas dari aplikasi tersebut. Pengujian kualitas yang digunakan adalah standar internasional dari ISO/IEC 9126:2001. Indikator yang digunakan dalam pengujian  ini adalah Task Effectiveness, Error Frequency, Task Completion, Resource Utilization dan Compliance. Sedangkan untuk mengetahui tingkat efektifnya menggunakan indikator task effectiveness, error frequency dan task completion. Dan untuk mengetahui tingkat efisiensinya menggunakan indikator resource utilization dan compliance. Dari indikator yang sudah ditentukan untuk menganalisis dari data kuesioner menggunakan analisis deskriptif. Hasil dari pengujian aplikasi google classroom dalam penunjang pembelajaran blended learning untuk tingkat efektif sebesar 3,078, sedangkan tingkat efisiensi sebesar 3,085. Jadi dari hasil tersebut dapat disimpulkan bahwa aplikasi google classroom cukup efektif dan cukup efisien untuk penunjang pembelajaran menggunakan blended learning. Untuk pengembangan selanjutnya bisa menggunakan standar ISO yang lain seperti ISO/IEC 25010:2011 atau bisa juga menambahkan jumlah sampel dalam penelitian lanjutan.  Kata Kunci: Status Mahasiswa, Algoritma Klasifikasi, Desicion Tree, Naive Bayes, Data Mining
KLASIFIKASI TEKS MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER DENGAN SELEKSI FITUR FORWARD SELECTION Darmawan, Wachid; Wibowo, Ari Putra; Ismanto, Bambang
IC Tech: Majalah Ilmiah Vol 16 No 1 (2021): IC Tech: Majalah Ilmiah Volume XVI No. 1 April 2021
Publisher : P3M Institut Widya Pratama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47775/ictech.v16i1.151

Abstract

Penelitian tentang klasifikasi telah banyak dipelajari secara luas yang digunakan dalam berbagai hal, seperti: data mining, machine learning dan database. Selain itu pencarian information retrieval yang dapat digunakan untuk menentukan klasifikasi dokumen, konten berita, target pemasaran serta diagnosis medis. Klasifikasi dokumen menjadi daya tarik tersendiri oleh banyak peneliti selama dua dekade terakhir. Meskipun dalam melakukan klasifikasi dokument selalu ada pembaharuan antara metode dan teknik yang digunakan, namun kebutuhannya masih terus berkembang dan tidak pernah berakhir. Kemampuan untuk melakukan klasifikasi dokumen ke dalam kategori tertentu sangat membantu untuk menghadapi informasi yang berlebihan. Klasifikasi dokumen secara otomatis dikembangkan karena pekerjaan manual tidak lagi efektif. Pada penelitian ini akan dibahas bagaimana algoritma naïve bayes dan forward selection digunakan untuk mengklasifikasi judul skripsi dan tugas akhir yang ada di Prodi TI, SI, MI dan KA yang ada di STMIK Widya Pratama Pekalongan. Naïve bayes akan digunakan untuk menghitung probabilitas kemunculan kata yang mempresentasikan dokumen teks dari judul skripsi dan tugas akhir. Berdasarkan penelitian yang dilakukan diperoleh hasil rata-rata akurasi adalah 67.67% menggunakan algoritma naïve bayes, sedangkan nilai rata-rata akurasi sebesar 92.57% didapatkan pada saat menggabungkan algoritma naïve bayes dengan forward selection. Untuk mengetahui tingkat efektifitas lainya disarankan untuk melakukan pembobotan lain seperti Backward Selection pada dokument teks yang dapat digunakan untuk penelitian eksperimen lanjutanKata Kunci: text mining, klasifikasi, naïve bayes, forward selection
MEMAKSIMALKAN METODE USABILITY TESTING DENGAN PENAMBAHAN ATRIBUT COMFORTABILITY SEBAGAI VARIABEL MODERASI Jumiati, Eny; Darmawan, Wachid; Wibowo, Ari Putra
IC Tech: Majalah Ilmiah Vol 16 No 2 (2021): IC Tech: Majalah Ilmiah Volume XVI No. 2 Oktober 2021
Publisher : P3M Institut Widya Pratama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47775/ictech.v16i2.191

Abstract

Sebuah Website memiliki peran yang cukup penting dalam membantu menyebarkan informasi bagi suatu kelompok atau masyarakat luas. Website yang bermanfaat adalah yang mampu memberikan sesuatu apa yang dibutuhkan oleh pengguna, selain itu mampu memberikan kemanfaatan bagi berlangsungnya proses bisnis yang terjadi dalam organisasi itu sendiri. Semakin banyak yang mengakses website suatu organisasi maka semakin dikenal. Demikian juga dengan STMIK Widya Pratama Pekalongan yang ingin memberikan pelayanan terbaiknya kepada masyarakat secara umum khususnya bagi mahasiswa dan seluruh karyawan dalam memenuhi permintaan informasi yang up to date melalui websitenya. Yang menjadikan pertanyaan adalah apakah website yang dimiliki oleh STMIK Widya pratama itu sebuah produk layanan yang dapat digunakan oleh pengguna serta memenuhi tanggung jawabnya dalam menyajikan antarmuka yang mudah untuk digunakan? Oleh sebab itulah pentingnya pengukuran kualitas website dengan metode usability testing dengan ditambah atribut baru berupa Comfortability bertujuan untuk lebih memaksimalkan ketergunaan(usability) dari interface yang ada dalam website tersebut. Setelah dilakukan pengujian usability dan uji selisih mutlak dapat disimpulkan 74,4% memiliki hubungan yang kuat antara usability dengan variabel bebas dan 55,4% usability dipengaruhi secara simultan oleh atribut Learnability, Efficiency, Memorability, Errors, Satifaction dan Comfortability, ini menunjukkan bahwa dengan penambahan atribut Comfortability dapat menguatkan/memaksimalkan usability dari website STMIK Widya Pratama. Untuk penelitian selanjutnya dapat diperbanyak indikator yang digunakan sehingga dapat meningkatkan nilai usabilitynya.Keyword: Usaibility Testing, Atribut Comfortble, Website
KOMPARASI METODE NAÏVE BAYES DAN K-NEAREST NEIGHBOR TERHADAP ANALISIS SENTIMEN PENGGUNA APLIKASI PEDULILINDUNGI Wibowo, Ari Putra; Darmawan, Wachid; Amalia, Nurul
IC Tech: Majalah Ilmiah Vol 17 No 1 (2022): IC Tech: Majalah Ilmiah Volume XVII No. 1 April 2022
Publisher : P3M Institut Widya Pratama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47775/ictech.v17i1.234

Abstract

Penggunaan aplikasi PeduliLindungi sebagai sarana tracing mendapat berbagai respon dari masyarakat yang disampaikan melalui komentar (ulasan) di playstore. Ada berbagai jenis komentar yang menyataan aplikasi PeduliLindungi mudah digunakan dan ada juga komentar yang menyatakan aplikasi PeduliLindungi belum siap untuk digunakan. Dengan adanya komentar tersebut dapat dilakukan analisis sentimen untuk mengetahui sentimen atau opini dari pengguna aplikasi PeduliLindungi. Berdasarkan uraian diatas peneliti melakukan analisis sentimen terhadap penggunaan aplikasi PeduliLindungi dengan menggunakan data yang diperoleh dari komentar pengguna di playstore. Data yang digunakan sebanyak 321 data yang dikelompokkan kedalam kelas positif dan negatif. Penelitian ini membuat model klasifikasi dengan algoritma Naïve Bayes dan K-Nearest Neighbor, selain itu pada penelitian ini juga dilakukan komparasi kinerja pada algoritma klasikasi Naïve Bayes dan K-Nearest Neighbor dengan menggunak tools Rapid Miner versi 9.9. Berdasarkan eksperimen yang dilakukan diperoleh hasil akurasi sebesar 70,46%, untuk algoritma Naïve Bayes dan akurasi sebesar 73,33% untuk algoritma K-Nearest Neighbor. Dari kedua metode yang digunakan untuk mengetahui tingkat akurasi yang digunakan, maka bisa diambil kesimpulan bahwa metode K-Nearest Neighbor memiliki tingkat akurasi yang lebih baik dibandingkan dengan metode Naive Bayes. Untuk penelitian selanjutnya diharapkan menambah jumlah dataset (data ulasan) yang ada, serta bisa menambahkan metode klasifikasi lainya ataupun bisa menggunakan metod seleksi fitur yang ada di data mining. Kata kunci: PeduliLindungi, Sentimen Analisis, Naïve Bayes, K-NN
Komparasi Metode Klasifikasi Untuk Analisis Sentimen Pengguna Twitter Terhadap Penerapan Kurikulum Merdeka Darmawan, Wachid; Jumiati, Eny; Sulistiyaningsih, Riski
IC Tech: Majalah Ilmiah Vol 18 No 1 (2023): IC Tech: Majalah Ilmiah Volume XVIII No. 1 April 2023
Publisher : P3M Institut Widya Pratama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47775/ictech.v18i1.262

Abstract

Di Indonesia, kegiatan belajar mengajar menggunakan kurikulum yang seringkali mengalami perubahan, tujuan perubahan tersebut adalah agar sistem pendidikan yang ada menjadi lebih baik. Kurikulum merdeka merupakan kurikulum yang diterapkan saat ini yang diluncurkan dan diperkenalkan pada tahun ajaran 2022/2023. Dengan adanya kurikulum merdeka banyak pendapat (opini) yang bernada positif ataupun bernada negatif yang muncul di Twitter. Untuk mengetahui akurasi dataset yang dihasilkan dari opini yang ada menggunakan metode klasifikasi. Selain itu metode klasifikasi digunakan untuk mengetahui model klasifikasi terbaik, serta dapat mengetahui analisis sentimen yang dihasilkan dari opini yang ada. Metode yang digunakan untuk klasifikasi adalah k-Nearest Neighbor (K-NN), Naive Bayes (NB) dan Support Vector Machine (SVM). Komparasi metode ini bertujuan untuk menemukan metode terbaik dari dataset yang ada, berdasarkan hasil akurasi yang dihasilkan dari ketiga metode tersebut. Dataset tweet yang dikumpulkan sebanyak 1000 tweet, setelah data dibersihkan diperoleh 220 tweet yang terdiri dari 110 tweet positif dan 110 tweet negatif. Berdasarkan perhitungan ketiga metode dengan menggunakan tools Rapidminer didapatkan  akurasi sebagai berikut: untuk metode K-NN adalah 76,36%, akurasi metode NB adalah 70,91%,  sedangkan akurasi metode SVM adalah 62,73%. Dari hasil tersebut dapat disimpulkan metode K-NN mendapatkan nilai akurasi terbaik dari metode klasifikasi yang digunakan. Selain itu pada perhitungan machine learning, metode SVM menghasilkan klasifikasi terbaik dalam memprediksi, dengan kategori excellent klasifikasi sumbu Y mendekati 1.00. Tidak hanya itu penerapan kurikulum merdeka oleh masyarakat banyak ditweetkan dengan opini yang bernada negatif.  Harapan untuk penelitian kedepan adalah  dapat menambahkan jumlah dataset tweet, serta menggunakan algoritma tambahan untuk meningkatkan akurasi dari metode klasifikasi.
Co-Authors Aidjili, Mosses Anjarini, Ary Dwi Aprilia, Tresi ARI PUTRA WIBOWO Aria Mulyapradana, Aria Bambang Ismanto Christianto, Paminto Agung efendi, Irfan Faizal Kurniawan Jumiati, Eny Kurniawan, Ichwan Mursalim Mursalim Nisa, Rohmatun Nurul Amalia Raden Mohamad Herdian Bhakti Rifqiyanto, Akhmad Fuady Rony, Zahara Tussoleha Siti Aisyah Sulistiyaningsih, Riski Susanto, Eko Budi Taufikqurrohman, Taufikqurrohman Wahyu Binabar, Sattriedi WIBOWO, ARI PUTRA Wim Hapsoro, Hermanus