Articles
<![CDATA[Pemanfaatan Text Mining Untuk Mengklasifikasi SMS Spam Porno Dengan Menggunakan Algoritma C4.5 ]]>
<![CDATA[Purwayoga, Vega]]>;
<![CDATA[Setiadi, Tedy]]>;
<![CDATA[Zahrotun, Lisna]]>
<![CDATA[ INTI TALAFA: Jurnal Teknik Informatika Vol 12 No 1 (2020): Edisi Januari-Juni 2020 ]]>
Publisher : <![CDATA[Program Studi Teknik Informatika Universitas Muhammadiyah Cirebon ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.32534/int.v12i01.1264
<![CDATA[SMS Spam adalah Sebuah pesan teks (SMS) yang tidak diminta atau tidak diinginkan oleh pengguna yang dikirim ke perangkat seluler. SMS porno dikirim untuk menipu penerima SMS dengan menggoda. Isi SMS kadang membuat penasaran penerima SMS, sehingga penerima akan menghubungi pengirim SMS dengan menelpon atau membalas SMS nya dan tanpa disadari pulsa terkuras habis. Membutuhkan alat atau metode untuk membantu pengguna dalam mengklasifikasian SMS spam porno. Proses-proses text mining tokenizing, filtering, stemming, pembobotan, klasifkasi untuk pembentukan pola,dan pengujian keakurasian. Pembobotan dilakukakan dengan TF IDF, sedangkan proses klasifikasi menggunakan Algoritma C4.5, untuk pengujian keakurasian dilakukan dengan menggunakan confusion matrix. Penelitian yang telah dilakukan membuktikan bahwa Algoritma C4.5 dapat diterapkan untuk mengklasifikasi SMS spam porno. Dengan data set sebanyak 102, pengujian pertama menggunakan 75 data training sedangkan pengujian kedua dengan menggunakan 95 data training hasilnya tingkat keakurasian mencapai 88 %.]]>
<![CDATA[Implementasi Algoritme K-Means untuk Evaluasi Kinerja Dosen pada Rancangan Sistem Informasi Manajemen (SIM) Kampus ]]>
<![CDATA[Triono, Wahyu]]>;
<![CDATA[Purwayoga, Vega]]>
<![CDATA[ INTI TALAFA: Jurnal Teknik Informatika Vol 12 No 1 (2020): Edisi Januari-Juni 2020 ]]>
Publisher : <![CDATA[Program Studi Teknik Informatika Universitas Muhammadiyah Cirebon ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.32534/int.v12i01.1265
<![CDATA[Sistem Informasi Manajemen(SIM) merupakan hal yang penting dalam suatu universitas dimana SIM berperan dalam manajemen keputusan dalam pengaksesan informasi akademik misalnya Sumber Daya Manusia (SDM). SDM dalam hal ini dosen, kinerja dosen dapat dimonitoring atau diealuasi dengan menggunakan SIM. Evaluasi kinerja dosen dapat dianalisis berdasarkan penilaian mahasiswa terhadap dosen. Mahasiswa menilai cara dosen menguasai materi, kedisplinan dosen dalam mengajar,penyajian materi, dampak dosen terhadap minat mahasiswa dalam proses pembalajaran dan kelihaian dosen dalam mengendalikan suasana kelas. Analisis evaluasi dosen dilakukan dengan teknik data mining yaitu clustering dengan menggunakan Algoritma K-Means.Penilaian mahasiswa dikelompkkan berdasarkan nilai akumulatif dari setiap mahasiswa. Dosen dikelompokkan ke dalam kategori kurang, cukup, baik dan sangat baik. Hasil menunjukkan bahwa dosen dalam penelitianini mendapatkan nilai terbanyak pada kategori kurang sehingga dapat menjadi evaluasi bahwa cara mengajar dosen tersebut harus diperbaiki. Hasil evaluasi pengelompokkan yang dihitung menggunakan SSE adalah 94.3 % yang menunjukkan hasil yang baik.]]>
<![CDATA[Rekomendasi Daerah Penyalur Tenaga Kesehatan Covid-19 Dengan Menggunakan Skyline Query ]]>
<![CDATA[Vega Purwayoga]]>;
<![CDATA[Budi Susanto]]>
<![CDATA[ Fountain of Informatics Journal Vol 7, No 1 (2022): Mei ]]>
Publisher : <![CDATA[Universitas Darussalam Gontor ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21111/fij.v7i1.5720
<![CDATA[AbstrakTingginya tenaga kesehatan yang terinfeksi dan meninggal memberikan dampak terhadap ketersedian jumlah tenaga kesehatan pada suatu daerah khusunya rumah sakit. Salah satu solusi untuk mengantisipasi ketersediaan tenaga kesehatan yaitu dengan meminta bantuan tenaga kesehatan pada daerah yang minim resiko. Pencarian daerah minim resiko pada penelitian ini dilakukan dengan menggunakan skyline query. Algoritme skyline query yang digunakan dalam penelitian ini adalah Sort Filter Skyline (SFS). SFS melakukan pengurutan terlebih dahulu sebelum melakukan pengujian dominasi. Pengurutan dilakukan berdasarkan nilai entropy. Daerah yang memiliki entropy terbesar adalah Kota Depok dengan nilai entropy 1.93836. Dikarenakan Kota Depok memiliki entropy terbesar maka Kota Depok adalah objek skyline pertama. Setelah objek skyline pertama didapat maka, objek selanjutnya akan dilakukan pengujian dominasi. Bulan dengan daerah pembantu tenaga kesehatan terbanyak adalah Bulan September sebanyak 17 daerah. Pada bulan Oktober dan November daerah yang direkomendasikan sebagai daerah pembantu tenaga kesehatan sebanyak 12. Jumlah objek skyline bergantung pada atribut yang mendekati preferensi. Semakin banyak daerah dengan kasus positif rendah, kasus meninggal rendah dan kasus meninggal tinggi maka semakin banyak daerah priroitas yang menjadi pembantu tenaga kesehatan. Penelitian selanjutnya diharapkan dapat mengidentifikasi daerah yang ada di Indonesia untuk proses pemerataan tenaga kesehatan pada seluruh daerah di Indonesia.Kata kunci: COVID-19, Distribusi Tenaga Kesehatan, Skyline Query, Sort Filter SkylineAbstract[The Recomendation of COVID-19 Health Worker Distribution Areas using Skyline Query] The high number of infected and dead health workers has an impact on the availability of the number of health workers in an area, especially hospitals. One solution to anticipate the availability of health workers is to ask for help from health workers in areas with minimal risk. The search for minimal risk areas in this study was carried out using a skyline query. The skyline query algorithm used in this research is Sort Filter Skyline (SFS). SFS performs sorting first before doing dominance testing. Sorting is done by entropy value. The area that has the largest entropy is Depok City with an entropy value of 1,93836. Because Depok City has the largest entropy, Depok City is the first skyline object. After the first skyline object is obtained, the next object will be tested for dominance. The month with the largest number of regions supporting health workers was September with 17 regions. In October and November the recommended area as a health worker assistant area is 12. The number of skyline objects depends on the attributes that are close to preference. The more areas with low positive cases, low death cases and high death cases, the more priority areas become assistants to health workers. Further research is expected to identify regions in Indonesia for the process of distributing health workers in all regions in Indonesia.Keywords: COVID-19, Distribution Health Worker, Skyline Query, Sort Filter Skyline]]>
<![CDATA[PENGELOMPOKKAN DAERAH BERDASARKAN KETERSEDIAAN MASJID MUHAMMADIYAH DENGAN ALGORITME K-MEANS ]]>
<![CDATA[Vega Purwayoga]]>;
<![CDATA[Budi Susanto]]>
<![CDATA[ Jurnal Teknologi Vol 13, No 1 (2021): Jurnal Teknologi ]]>
Publisher : <![CDATA[Fakultas Teknik Universitas Muhammadiyah Jakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24853/jurtek.13.1.75-80
<![CDATA[The importance of the mosque's role in daily life as it is known is for worship facilities. However, the availability of mosques in an area is not yet fully distributed, even there are still areas that do not yet have a mosque. The financial surplus in the Muhammadiyah organization has not been put to good use. One solution is to map and group an area based on the number of mosques in the area. The grouping of regions in this study uses the K-Means algorithm. Characteristics for the process of grouping regions are the name of the district, the name of the sub-district and the number of mosques in a sub-district or branch. The study area in this research is West Java Province. Determination of K or number of clusters in this study is 3. The number of clusters is determined based on 3 categories, namely small, medium and large. There are 4 regions that are categorized with a large number of mosques, 21 regions with moderate numbers and 78 for regions that are classified as few. Evaluation of the results of the grouping showed good results with an SSE value of 90.05%.]]>
<![CDATA[Modifikasi skyline query untuk mengukur daerah prioritas penerima bantuan alat pelindung diri bagi tenaga kesehatan COVID-19 ]]>
<![CDATA[Vega Purwayoga]]>
<![CDATA[ Jurnal Teknologi dan Sistem Komputer Volume 9, Issue 3, Year 2021 (July 2021) ]]>
Publisher : <![CDATA[Department of Computer Engineering, Engineering Faculty, Universitas Diponegoro ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.14710/jtsiskom.2021.14003
<![CDATA[Pendistribusian bantuan alat pelindung diri (APD) yang tepat sasaran memiliki peranan penting untuk memenuhi kebutuhan APD pada suatu daerah. Penelitian ini bertujuan untuk menghitung prioritas daerah penerima APD di provinsi Jawa Barat dengan menggunakan algoritme skyline query, yaitu Sort Filter Skyline (SFS) yang dimodifikasi. Modifikasi algoritme SFS dilakukan untuk optimasi pada bagian pengujian dominasi. Daerah yang tidak memiliki rumah sakit tidak akan dijadikan prioritas penerima APD. Preferensi yang digunakan dalam penelitian ini adalah maksimum dan minimum. Aturan preferensi maksimum digunakan untuk atribut jumlah kasus ODP, PDP, positif, dan meninggal, sedangkan untuk aturan preferensi minimum digunakan pada atribut sembuh dan jarak. Penerapan SFS untuk perhitungan daerah prioritas telah berhasil dilakukan dengan mengembangkan dua model, yaitu MS1 menggunakan SFS tanpa modifikasi dan MS2 menggunakan SFS termodifikasi yang melakukan proses seleksi daerah yang tidak memiliki rumah sakit. Objek skyline rata-rata yang dihasilkan oleh MS1 yaitu 21 (55,55 %), sedangkan MS2 menghasilkan objek skyline sebanyak 15 (66,66 %). Kecepatan proses MS2 lebih tinggi dibandingkan dengan MS1 karena objek yang diuji menjadi lebih sedikit. Waktu proses MS1 mencapai 0,0222 detik, sedangkan MS2 hanya membutuhkan waktu 0,0193 detik.]]>
<![CDATA[Optimasi Jumlah Cluster pada Algoritme K-Means untuk Evaluasi Kinerja Dosen ]]>
<![CDATA[Vega Purwayoga]]>
<![CDATA[ Jurnal Informatika Universitas Pamulang Vol 6, No 1 (2021): JURNAL INFORMATIKA UNIVERSITAS PAMULANG ]]>
Publisher : <![CDATA[Teknik Informatika Universitas Pamulang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.32493/informatika.v6i1.9522
<![CDATA[Lecturers are one of the main actors in universities. Lecturer performance can affect the quality of a college. Because the quality of higher education is strongly influenced by the lecturers, the performance of the lecturers needs to be assessed. Lecturer performance can be assessed by evaluating the lecturer's performance in teaching. Lecturer performance can be evaluated by classifying student assessments of lecturers. Lecturers are assessed based on how the lecturer mastered the material, the lecturer's discipline in teaching, and the presentation of the material. The process of grouping lecturer scores can be done using the K-Means algorithm. K-Means is a popular clustering algorithm that performs well. K-Means requires a parameter that is K or the number of clusters. The importance of the number of clusters so that there is a need for optimization in determining the number of K. In this study, optimization was carried out using the Elbow method so as to produce the ideal number of groups of 4 groups. The results of the clustering evaluation calculated using the SSE were 54.4% which showed that the results were not optimal. The results of the cluster evaluation are not optimal due to the lack of data for the K-Means application.]]>
<![CDATA[DATA MINING MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING UNTUK MENGETAHUI POTENSI PENYEBARAN VIRUS CORONA DI KOTA CIREBON ]]>
<![CDATA[Harry Gunawan]]>;
<![CDATA[Vega Purwayoga]]>
<![CDATA[ Jurnal Sisfokom (Sistem Informasi dan Komputer) Vol 11, No 1 (2022): MARET ]]>
Publisher : <![CDATA[ISB Atma Luhur ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.32736/sisfokom.v11i1.1316
<![CDATA[Virus corona merupakan wabah yang penyebarannya begitu cepat. Karena virus ini akan menyebar secara mudah melalui kontak dengan penderita. Salah satu daerah yang terdapak virus corona adalah Kota Cirebon. Untuk mengatasi penyebaran virus tersebut perlu mengelompokkan dareah yang berada di Kota Cirebon. Konsep data mining sangat cocok diterapkan untuk mengetahui penyebaran virus corona. K-means merupakan salah satu teknik data mining untuk melakukan pengelompokkan daerah yang terdampak virus corona. Parameter atau cluster yang digunakan adalah sebanyak 3 cluster yaitu tingkat penyebaran rendah (C1), tingkat penyebaran sedang (C2), dan tingkat penyebaran tinggi (C3), dengan 3 kriteria yaitu Kontak erat (KE), Suspek (S), dan Terkonfirmasi (T). Data yang diperoleh adalah 22 Kelurahan yang berada di Kota Cirebon dengan tingkat penyebaran virus corona. Hasil perhitungan menggunakan k-means didapatkan daerah yang terdampak virus corona dengan tingkat tinggi (C3) sebanyak 4 Kelurahan, tingkat sedang (C2) sebanyak 5 Kelurahan, dan tingkat rendah sebanyak (C1) 13 Kelurahan. Hasil dari penelitian ini menjadi salah satu bahan masukkan dan dapat menentukan skala prioritas bagi pemerintah Kota Cirebon dalam menangani virus corona.]]>
<![CDATA[VISUALISASI REKOMENDASI PEMILIHAN JURNAL BIDANG INFORMATIKA DENGAN MENGGUNAKAN R DAN SHINY ]]>
<![CDATA[Vega Purwayoga]]>;
<![CDATA[Andi Nurkholis]]>
<![CDATA[ Jurnal Teknoinfo Vol 17, No 1 (2023): Vol 17, No 1 (2023): JANUARI ]]>
Publisher : <![CDATA[Universitas Teknokrat Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.33365/jti.v17i1.2325
<![CDATA[Lecturers are required to carry out the Tri Dharma, one of which is research. In the research process a lecturer sometimes encounters several obstacles. Some of the factors that become obstacles include incentives related to publication costs and the unavailability of appropriate journal references. Several ways to overcome obstacles in the publication process have been carried out, but there are still problems with lecturers being confused about publishing their scientific work in a journal. This obstacle is due to the absence of a journal selection recommendation system. This study recommends journals based on the scope of the journal, the number of editions of the journal, and the cost of publication of the journal. The recommendation process is carried out using a skyline query algorithm, namely Block-nested loop (BNL). BNL works by comparing domination between objects on an attribute. The object, in this case the journal, is recommended if the journal dominates several attributes or at least one attribute. This study also developed a visualization of journal recommendations in the form of a web-based application. This visualization is expected to facilitate the journal recommendation process to users, so that it can help find journals that are in accordance with the papers to be published in a journal.]]>
<![CDATA[PENERAPAN DATA MINING UNTUK PEMETAAN DAERAH RAWAN BENCANA SEBAGAI UPAYA KESIAPSIAGAAN TERHADAP BENCANA ]]>
<![CDATA[Vega Purwayoga]]>;
<![CDATA[Ali Astra Mikail]]>;
<![CDATA[Salma Dewi Nur Faridah]]>;
<![CDATA[Virra Retnowati A’izzah]]>
<![CDATA[ Jurnal Teknoinfo Vol 17, No 1 (2023): Vol 17, No 1 (2023): JANUARI ]]>
Publisher : <![CDATA[Universitas Teknokrat Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.33365/jti.v17i1.2381
<![CDATA[Disasters have a major impact on several sectors, such as infrastructure, manufacturing, tourism and transportation. One way to prepare for or improve disaster preparedness is to implement preventive measures. Preventive actions can be taken by identifying disasters in each area from past data. This study aims to map areas affected by disasters to facilitate disaster preparedness programs. The data used in this research are areas of West Java that will be affected by the disaster in 2022 from January to October. The disaster data used in this study are floods, landslides, abrasion, tornadoes, droughts, fires, earthquakes and tsunamis. Research to use data mining techniques, namely grouping techniques. The clustering algorithm used in this study is the K-means cluster. The clustering process was carried out several times to find out the comparison of the quality of the grouping results which in this study used the Within Cluster Sum of Squares (WSS). The best WSS value is when the number of k or the number of clusters is 5, which is 89.8%. This research is expected to be a reference for disaster preparedness. This research also produced disaster grouping maps, where each cluster has different characteristics or types of disaster.]]>
<![CDATA[B-Shinance: Aplikasi R-Shiny Interaktif untuk Percepatan Visualisasi Daerah Potensi Banjir Berdasarkan Uji Dominasi ]]>
<![CDATA[Vega Purwayoga]]>;
<![CDATA[Euis Nur Fitriani Dewi]]>;
<![CDATA[Zakwan Gusnadi]]>
<![CDATA[ JASIEK (Jurnal Aplikasi Sains, Informasi, Elektronika dan Komputer) Vol 5, No 2 (2023): Desember ]]>
Publisher : <![CDATA[Universitas Merdeka Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26905/jasiek.v5i2.11546
<![CDATA[Bencana banjir merupakan salah satu bencana yang sering terjadi di Indonesia. Beberapa penyebab terjadinya banjir yaitu perubahan tutupan lahan, penggunaan lahan dan curah hujan yang tinggi. Banjir dapat diantisipasi atau dampak banjir dapat diminimalisir dengan cara mengidentifikasi daerah potensi banjir berdasarkan kondisi dari suatu daerah. Proses identifikasi daerah potensi banjir dapat dilakukan dengan menerapkan skyline query. Dimana skyline query dapat mengidentifikasi daerah yang paling unggul atau dominan berdasarkan karakteristik daerah yang berpotensi banjir. Penyajian hasil skyline query akan lebih mudah dipahami ketika dikembangkan atau diterapkan ke dalam suatu sistem atau aplikasi. Sehingga dalam penelitian ini mengembangkan suatu aplikasi interaktif untuk percepatan visualisasi daerah potensi banjir dengan menerapkan skyline query. Aplikasi dikembangkan dengan menggunakan R dan library shiny untuk mempercepat penerapan alogirtma dan pengembangan aplikasi. Aplikasi yang dikembangkan dalam penelitian ini yaitu B-Shinance.]]>
