Claim Missing Document
Check
Articles

Found 4 Documents
Search
Journal : Dinamik

Implementasi Penentuan Tingkat Kemiskinan dengan Metode Topsis pada Daerah Kabupaten dan Kota Provinsi Jawa Tengah Rachma, Hetta; Irfan, Muhammad Nur; Hidayati, Nurtriana; Cholil, Saifur Rohman
Dinamik Vol 30 No 2 (2025)
Publisher : Universitas Stikubank

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35315/dinamik.v30i2.10094

Abstract

Kemiskinan merupakan salah satu tantangan terbesar yang dihadapi oleh berbagai negara, termasuk Indonesia. Tingginya jumlah penduduk miskin di beberapa wilayah, seperti di Provinsi Jawa Tengah, mencerminkan kompleksitas permasalahan yang dipengaruhi oleh kualitas sumber daya manusia, tingkat kemiskinan, dan pembangunan ekonomi. Provinsi Jawa Tengah, dengan populasi besar, memiliki tingkat kemiskinan yang signifikan, sehingga memerlukan intervensi strategi untuk mengoptimalkan penyaluran program pembangunan. Untuk mendukung pemerintah dalam menentukan prioritas penanganan kemiskinan secara efektif dan efisien, diperlukan sistem pendukung keputusan. Penelitian ini memiliki tujuan untuk merancang sistem pendukung keputusan berbasis TOPSIS yang efisien dan mampu memberikan rekomendasi terbaik berdasarkan beberapa kriteria utama: jumlah penduduk, Tingkat pengangguran, upah minimum, PDRB, dan jumlah penduduk miskin. Hasil analisis menunjukkan bahwa Kota Semarang memiliki tingkat kemiskinan terendah dengan nilai preferensi tertinggi (0,686725), sedangkan Kabupaten Brebes memiliki tingkat kemiskinan tertinggi dengan nilai preferensi terendah (0,154773). Validasi metode TOPSIS yang diterapkan dalam sistem ini mencapai tingkat akurasi sebesar 77,17% yang menunjukkan bahwa hasil pemeringkatan konsisten dengan keselarasan signifikan antara hasil sistem dan kondisi riil. Dengan demikian, sistem pendukung keputusan ini memberikan kontribusi nyata dalam mengklasifikasi wilayah berdasarkan tingkat kemiskinan, sehingga dapat menjadi alat bantu strategi dalam perencanaan program Pembangunan yang lebih tepat sasaran.
Analisis Data dan Visualisasi Pola Ancaman Siber Global (2015 - 2024) menggunakan Exploratory Data Analysis (EDA) Karunia, Reiza Dwi; Hidayati, Nurtriana
Dinamik Vol 30 No 2 (2025)
Publisher : Universitas Stikubank

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35315/dinamik.v30i2.10136

Abstract

Penelitian ini menganalisis pola ancaman siber global dengan menggunakan metode Exploratory Data Analysis (EDA) berdasarkan dataset “Global Cybersecurity Threats (2015–2024)” yang disusun oleh Atharva Soundankar dan dipublikasikan di Kaggle. Dataset tersebut mencakup 3.000 insiden keamanan siber dari berbagai negara, dengan atribut seperti negara, tahun, jenis serangan, industri sasaran, kerugian finansial, jumlah pengguna terdampak, sumber serangan, jenis kerentanan, mekanisme pertahanan, dan waktu penyelesaian insiden. Melalui pendekatan EDA dan visualisasi interaktif dengan Tableau, penelitian ini bertujuan mengidentifikasi pola, tren, dan anomali dari serangan siber global serta menguji dua hipotesis utama: (1) jenis serangan DDoS dan phishing merupakan yang paling dominan secara global; dan (2) sektor teknologi informasi dan perbankan merupakan industri paling rentan terhadap serangan. Hasil analisis menunjukkan bahwa kedua hipotesis tersebut terbukti, di mana DDoS dan phishing menempati urutan teratas sebagai jenis serangan terbanyak, dan sektor IT serta perbankan paling sering menjadi sasaran. Temuan ini memberikan kontribusi penting dalam penyusunan strategi mitigasi serangan siber, khususnya pada sektor-sektor vital. Visualisasi data juga memberikan dukungan kuat dalam pemahaman pola ancaman dan pengambilan keputusan berbasis data. Kata Kunci: Ancaman Siber, DDoS, Phishing, Industri IT, EDA, Visualisasi Data
Klasifikasi Kompetensi Mahasiswa menggunakan Algoritma Naive Bayes Suwari, Dewi Ratna; Hidayati, Nurtriana
Dinamik Vol 30 No 2 (2025)
Publisher : Universitas Stikubank

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35315/dinamik.v30i2.10156

Abstract

Perkembangan teknologi informasi telah meningkatkan kebutuhan akan sumber daya manusia yang kompeten di bidang analitik data dan pemrograman, khususnya bagi mahasiswa Program Studi Sistem Informasi. Penelitian ini bertujuan untuk membangun model klasifikasi guna mengidentifikasi kecenderungan mahasiswa sebagai Data Analyst atau Programmer menggunakan algoritma Naive Bayes. Sebanyak 220 data dikumpulkan melalui kuesioner daring, dengan indikator penilaian yang dikelompokkan dalam dua dimensi: kemampuan analis data dan kemampuan pemrograman. Data kemudian dilabeli berdasarkan skor per dimensi dan diolah menggunakan model Complement Naive Bayes pada platform Google Colab. Hasil evaluasi menunjukkan bahwa model mampu mengklasifikasikan dua kelas mayoritas (Data Analyst dan Programmer) dengan baik, ditandai dengan akurasi keseluruhan sebesar 80,30% dan nilai precision, recall, serta f1-score yang tinggi. Namun, performa model terhadap kelas minoritas (Netral) masih rendah akibat ketidakseimbangan distribusi data. Penelitian ini menyarankan penggunaan teknik lanjutan seperti resampling, class weight, atau model ensemble untuk mengatasi bias terhadap kelas mayoritas. Temuan ini dapat digunakan sebagai dasar dalam pembimbingan akademik dan pengembangan kurikulum berbasis potensi mahasiswa.
Evaluasi Kinerja Model Long Short-Term Memory dan Gated Recurrent Unit untuk Prediksi Magnitude Gempa Bumi Di Indonesia Nugraha, Giananda Saktika; Priyambodo, Pamungkas Haryo; Rahmayuna, Novita; Hidayati, Nurtriana
Dinamik Vol 31 No 1 (2026)
Publisher : Universitas Stikubank

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35315/dinamik.v31i1.10375

Abstract

This study aims to evaluate and compare the performance of two neural network architectures under the Recurrent Neural Network (RNN) category, namely Gated Recurrent Unit (GRU) and Long Short-Term Memory (LSTM), in predicting earthquake magnitude in Indonesia. The dataset used consists of daily earthquake magnitude records from 2008 to 2023, preprocessed into time series format and normalized using the MinMax method. The training process was conducted using various combinations of batch size and epoch, and evaluated using Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), and relative prediction accuracy. The evaluation results show that LSTM with a batch size of 32 and 50 epochs provides the best prediction performance, achieving a MAE of 0.2227 and 93.65% accuracy. Meanwhile, GRU performed optimally at a batch size of 64 and 50 epochs, with a MAE of 0.2229 and 93.66% accuracy. The prediction visualization shows that LSTM offers greater stability and precision in tracking actual data patterns. These findings indicate that LSTM holds stronger potential for supporting earthquake prediction systems based on time series data.