Garuda - Garba Rujukan Digital

RANCANG BANGUN SISTEM INFORMASI TRACER STUDI FORMULIR 2021 BERBASIS WEB Fuad Nur Hasan; Elah Nurlelah
Jurnal Khatulistiwa Informatika Vol 10, No 1 (2022): Periode Juni 2022
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/jki.v10i1.12584

STKIP PGRI Jombang merupakan salah satu perguruan tinggi terbesar di Jombang, Saat ini STKIP PGRI Jombang telah melakukan tracer study dengan menggunakan sistem online yaitu dengan cara pengisian formulir kuesioner melalui Google Form. Salah satu kekurangan menggunakan google form adalah ketika alumni salah pengisian dan otomatis harus melakukan pengisian ulang yang mengakibatkan informasi menjadi menumpuk, kendala lain yang di alami oleh STKIP PGRI Jombang yaitu respon yang kurang dari responden dalam hal ini yaitu alumni dan stakeholder serta tidak validnya email yang disertakan sehingga menghasilkan informasi umpan balik yang kurang efektif. Hal ini tentunya menyulitkan tim tracer studi dan membutuhkan waktu yang lama dalam proses pelacakan alumni. Dengan melihat kebutuhan tersebut, penulis merancang sebuah sistem informasi tracer studi yang akan membantu dalam proses pengumpulan informasi terkait alumni. Metode penelitian yang digunakan oleh penulis yaitu waterfall, bahasa pemrograman yang digunakan PHP dengan framework Codeiginiter 4. Rancangan basis data yang digunakan penulis yaitu Entity Relationship Diagram (ERD). Pada bagian materi konseptual design program penulis menggunakan Unifield Modelling Language (UML) diantaranya yaitu Use Case Diagram dan Class Diagram. Tujuan dibuatnya sistem informasi tracer studi ini yaitu untuk memudahkan tim tracer dalam pendataan dan proses pencarian lulusan atau alumni. Hasil dari penelitian ini yaitu memudahkan alumni maupun stakeholder dalam pengisian kuesioner sehingga tim tracer mendapatkan hasil umpan balik yang valid dan pembuatan laporan menjadi lebih mudah.

Seleksi Fitur Klasifikasi Penyakit Diabetes Menggunakan Particle Swarm Optimization (PSO) Pada Algoritma Naive Bayes Nurlaelatul Maulidah; Ari Abdilah; Elah Nurlelah; Windu Gata; Fuad Nur Hasan
Elkom : Jurnal Elektronika dan Komputer Vol 13 No 2 (2020): Desember: Jurnal Elektronika dan Komputer
Publisher : STEKOM PRESS

Show Abstract | Download Original | Original Source | Check in Google Scholar

Diabetes is a serious chronic disease that occurs because the pancreas does not produce enough insulin (a hormone that regulates blood sugar or glucose), or when the body cannot effectively use the insulin it produces. WHO data shows that the incidence of non-communicable diseases in 2004 reached 48 , 30% is slightly higher than the incidence rate of infectious diseases, namely 47.50% [1]. According to the Ministry of Health in 2012 diabetes caused 1.5 million deaths. Some Indonesian people, this disease is better known as diabetes or blood sugar. This research was developed through secondary data processing from the Pima Indians Diabetes Dataset health database which was taken from the Kaggle dataset and can be accessed through https://www.kaggle.com/uciml/pima-indians-diabetes-database. Where the data itself consists of 768 records with several medical predictor variables (Pregnancies, Glucose, Blood Pressure, Skin Thickness, Insulin, BMI, Diabetes Pedigree Function, Age and Outcome). Then the data will be processed using the Particle Swarm Optimization (PSO) feature selection to increase the accuracy value and the Naive Bayes algorithm to determine the accuracy results of the diagnosis of diabetes. From the results of research that has been done for the accuracy of the classification algorithm Naive Bayes is 74.61%, while the accuracy of the classification algorithm with Particle Swarm Optimization is 77.34% with an accuracy difference of 2.73%. So it can be concluded that the application of the Particle Swarm Optimization technique is able to select attributes in the Naive Bayes Algorithm, and can produce a better level of diabetes diagnosis accuracy than using only the individual method, namely the Naive Bayes algorithm. Keywords: Diabetes, Particle Swarm Optimization, Naive Bayes Algorithm

Perancangan Sistem Informasi Pelayanan Administrasi Terpadu Satu Pintu Berbasis Web Elah Nurlelah; Fuad Nur Hasan; Yohana Rosalinda Situmorang
Jurnal Teknik Komputer AMIK BSI Vol 9, No 1 (2023): JTK Periode Januari 2023
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/jtk.v9i1.13970

Penggunaan sistem informasi di suatu intansi pemerintahan saat ini sudah banyak berkembang. Pelayanan Administrasi di pemerintahan, terutama di kecamatan merupakan suatu kepentingan yang harus di tingkatkan dalam hal pelayanan ke masyarakat, sehingga masyarakat dengan mudah dan cepat dalam mengajukan pengurusan adminsistrasi. Fenomena pelayanan publik oleh birokrasi pemerintah sarat dengan permasalahan, misalnya prosedur pelayanan yang bertele-tele, ketidakpastian waktu dan harga yang menyebabkan pelayanan menjadi sulit dijangkau secara wajar oleh masyarakat. Metode yang digunakan pada pengembangan perangkat lunak menggunakan model waterfall. Metode Waterfall adalah suatu proses pengembangan perangkat lunak berurutan, di mana kemajuan dipandang sebagai terus mengalir ke bawah (seperti air terjun) melewati fase-fase perencanaan, pemodelan, implementasi (konstruksi), dan pengujian. Ada banyak cara dalam menganalisis dan memodelkan suatu data, beberapa diantaranya adalah dengan menggunakan ERD (Entity Relationship Diagram), LRS (Logical Relationship Structure), dan UML (Unified Modelling Language). Untuk itulah penulis mencoba menulis mengenai perancangan sistem pelayanan administrasi terpadu satu pintu di Kantor Kecamatan Batang Asam Jambi yang sampai saat ini masih manual. Perancangan sistem informasi ini merupakan solusi yang terbaik untuk memecahkan permasalahan- permasalahan yang ada pada kantor ini, serta dengan sistem yang terkomputerisasi dapat tercapai suatu kegiatan yang efektif dan efisien dalam menunjang aktifitas pada Kantor Kecamatan ini.

Implementasi Metode Waterfall Pada Sistem Informasi Penerimaan Mahasiswa Baru di STKIP PGRI Jombang Fuad Nur Hasan; Elah Nurlelah
Jurnal Infortech Vol 5, No 1 (2023): JUNI 2023
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/infortech.v5i1.15533

Saat ini hampir sebagian besar Perguruan Tinggi menggunakan sistem untuk proses penerimaan mahasiswa baru dengan tujuan untuk memudahkan dalam proses pendaftaran dan juga proses pengelolaan data. Namun, penyelenggaraan penerimaan mahasiswa baru yang saat ini berjalan di STKIP PGRI Jombang masih dilakukan secara manual yaitu dilakukan dengan cara calon mahasiswa baru datang ke kampus kemudian melakukan pendaftaran dengan cara mengisi formulir berupa lembaran kertas, setelah itu calon mahasiswa diminta untuk melengkapi berkas persyaratan yang dimana berkas-berkas tersebut nantinya disimpan didalam lemari. Hal ini yang dapat menyulitkan pihak kampus dikarenakan akan mengakibatkan berkas tersebut hilang atau rentan adanya kerusakan. Selain itu, proses pencarian dan pengelolaan data pun menjadi tidak efektif dan efisien serta membutuhkan waktu yang lama. Oleh karena itu dengan melihat kendala tersebut, penulis merancang sebuah sistem untuk mempermudah dalam proses pendaftaran mahasiswa baru berbasis web. Metode penelitian yang digunakan oleh penulis yaitu metode waterfall. Metode waterfall menyediakan pendekatan alur hidup perangkat lunak secara terurut, dimulai dari analisis kebutuhan perangkat lunak, desain, pembuatan kode program hingga pengujian. Sehingga dapat membantu dalam proses pembuatan sistem informasi penerimaan mahasiswa baru. Bahasa Pemrograman yang digunakan yaitu PHP dengan menggunakan framework codeigniter. Hasil dari penelitian ini adalah sistem informasi penerimaan mahasiswa baru berbasis web dapat memudahkan calon mahasiswa baru dalam melakukan pendaftaran yang dapat dilakukan kapan saja dan dimana saja serta memudahkan tim PMB dalam proses pencarian data dan pengelolaan data sehingga menjadi lebih efektif dan efisien. Dengan berbasiskan web proses pendaftaran mahasiswa baru akan menjadi lebih mudah, informasi yang dibutuhkan menjadi lebih cepat didapatkan.

Seleksi Fitur Klasifikasi Penyakit Diabetes Menggunakan Particle Swarm Optimization (PSO) Pada Algoritma Naive Bayes Nurlaelatul Maulidah; Ari Abdilah; Elah Nurlelah; Windu Gata; Fuad Nur Hasan
Elkom : Jurnal Elektronika dan Komputer Vol 13 No 2 (2020): Desember: Jurnal Elektronika dan Komputer
Publisher : STEKOM PRESS

Show Abstract | Download Original | Original Source | Check in Google Scholar

Diabetes is a serious chronic disease that occurs because the pancreas does not produce enough insulin (a hormone that regulates blood sugar or glucose), or when the body cannot effectively use the insulin it produces. WHO data shows that the incidence of non-communicable diseases in 2004 reached 48 , 30% is slightly higher than the incidence rate of infectious diseases, namely 47.50% [1]. According to the Ministry of Health in 2012 diabetes caused 1.5 million deaths. Some Indonesian people, this disease is better known as diabetes or blood sugar. This research was developed through secondary data processing from the Pima Indians Diabetes Dataset health database which was taken from the Kaggle dataset and can be accessed through https://www.kaggle.com/uciml/pima-indians-diabetes-database. Where the data itself consists of 768 records with several medical predictor variables (Pregnancies, Glucose, Blood Pressure, Skin Thickness, Insulin, BMI, Diabetes Pedigree Function, Age and Outcome). Then the data will be processed using the Particle Swarm Optimization (PSO) feature selection to increase the accuracy value and the Naive Bayes algorithm to determine the accuracy results of the diagnosis of diabetes. From the results of research that has been done for the accuracy of the classification algorithm Naive Bayes is 74.61%, while the accuracy of the classification algorithm with Particle Swarm Optimization is 77.34% with an accuracy difference of 2.73%. So it can be concluded that the application of the Particle Swarm Optimization technique is able to select attributes in the Naive Bayes Algorithm, and can produce a better level of diabetes diagnosis accuracy than using only the individual method, namely the Naive Bayes algorithm. Keywords: Diabetes, Particle Swarm Optimization, Naive Bayes Algorithm

ANALISIS SENTIMEN ULASAN APLIKASI ALFAGIFT PADA PLAYSTORE MENGGUNAKAN METODE SUPPORT VECTOR MACHINE Raden Raihan Nur Barkah Ramadhan; Elah Nurlelah
Jurnal Riset Multidisiplin Edukasi Vol. 3 No. 2 (2026): Jurnal Riset Multidisiplin Edukasi (Februari 2026)
Publisher : PT. Hasba Edukasi Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.71282/jurmie.v3i2.1733

As smartphone usage continues to increase in Indonesia, understanding user perceptions through application reviews becomes essential to capture real user experiences. This study aims to analyze user sentiment toward the Alfagift application available on the Google Play Store and classify the sentiment using the Support Vector Machine (SVM) method. A total of 1,887 user reviews were collected between November 2025 and January 2026 through web scraping techniques. The research stages included data collection, followed by preprocessing steps such as data cleaning, case folding, word normalization, tokenization, stopword removal, and stemming. Term weighting was performed using the TF-IDF (Term Frequency–Inverse Document Frequency) method, and sentiment was classified into two categories: positive (ratings above 3) and negative (ratings equal to or below 3). The results showed that 64.10% of reviews were positive and 35.90% were negative. A linear kernel SVM model was applied using an 80:20 training-testing split, achieving an accuracy of 84.92%, precision of 83.84%, recall of 82.02%, and F1-score of 82.79%. The findings indicate that SVM is effective for sentiment classification and provides valuable insights for application improvement.

Title

Found 16 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 16 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 16 Documents
Search