Articles
<![CDATA[Meningkatkan Kecepatan Akses Data dengan Teknologi Optimasi Query Rushmore ]]>
<![CDATA[Arief Jananto]]>
<![CDATA[ Dinamik Vol 11 No 1 (2006) ]]>
Publisher : <![CDATA[Universitas Stikubank ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35315/dinamik.v11i1.34
<![CDATA[Informasi sebagai keluaran(output) sebuah system informasi akan sangat bernilai guna tinggi jika memenuhi tiga hal kualitas yaitu relevan, akurat dan tepat waktu. Untuk mencapai kualitas tersebut dan menyesuaikan dengan tuntutan jaman yang serba cepat maka akses informasi yang cepat menjadi faktor utama yang harus dipenuhi. Data adalah deskripsi dari sesuatu dan kejadian yang dihadapi, dicatat dalam suatu media penyimpanan. Sebagai bahan baku dari informasi, maka kecepatan akses informasi sama dengan kecepatan akses data tersebut. Semakin cepat dan mudah akses terhadap data maka penyajian informasi sebagai kebutuhan dari manajemen untuk mengambil keputusan juga dapat ditingkatkan.Kecepatan akses data dapat ditingkatkan dengan banyak cara, selain dari sisi perangkat kerasnya (hardware) dapat juga dilakukan dari sisi perangkat lunaknya (software) lebih khusus pada programaplikasinya. Teknologi Optimasi Query Rushmore sebagai salah satu teknologi untuk meningkatkan kecepatan akses data dapat dijadikan alternative pemecahan masalah kinerja sebuah aplikasi khususnya berhubungan dengan sebuah basis data.]]>
<![CDATA[Evaluasi Kinerja Sistem Informasi ]]>
<![CDATA[Arief Jananto]]>;
<![CDATA[Edy Supriyanto]]>
<![CDATA[ Dinamik Vol 11 No 2 (2006) ]]>
Publisher : <![CDATA[Universitas Stikubank ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35315/dinamik.v11i2.38
<![CDATA[Kinerja sebuah sistem informasi berbasis komputer dan web terletak pada banyak faktor. Salah satunya adalah ketidaksiapan provider TI sebagai bagian yang mendistribusikan informasi ke public dalam mempersiapkan segala sesuatu kebutuhannya menjadi hal yang sangat penting. PPD di lingkungan Dinas Kota Semarang sebagai sebuah instansi yang bertugas untuk mengelola penerimaan siswa baru, mencoba menerapkan sistem penerimaan siswa baru online berbasis web pada tahun ajaran 2005/2006. Problema ketepatan dan ketelitian dalam penghitungan nilai yang akan menjadi dasar rangking seseorang dalam pendaftaran peserta didik. Pembuatan rangking peserta didik secara langsung, cepat, tepat dan akurat sehingga tidak terjadi kesalahan dan dapat dipertanggungjawabkan. Analisis Kinerja Sistem Informasiyang dilakukan di lingkungan Kantor Dinas Pendidikan Kota Semarang dan sekolah yang telah disebutkan. Laporan yang dianalisis dari responden di lingkungan kantor Dinas Pendidikan Kota Semarang dan output yang ditampilkan di website]]>
<![CDATA[Penggunaan Algoritma SLIQ untuk Pengklasifikasian Kinerja Akademik Mahasiswa ]]>
<![CDATA[Arief Jananto]]>
<![CDATA[ Dinamik Vol 15 No 1 (2010) ]]>
Publisher : <![CDATA[Universitas Stikubank ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35315/dinamik.v15i1.113
<![CDATA[Academic data increases every year in line with the increase of students. Abundant data store is alsoan abundance of information. Data mining technology is a tool for extracting information on largedatabases and has been widely used in many domains. Predicting student performance (study evaluation) isan activity to determine a future state based on existing data. Data in the field of academic research hasbeen done with various methods and algorithms, but the use of algorithm SLIQ (Supervised Learning InQuest) has not been done.SLIQ is an algorithm developed by the IBM's Quest project team in 1996 for mining large datasets.SLIQ algorithm classify and predict the students performance, beginning with the data cleaning, conductedelection training and testing data. By calculating gini index of each attribute and then selecting thesmallest gini index data table is split according to the criteria until find the same class. From the results ofthe calculation process can produce a set of rules that can be used to predict student performance.From the experiment it can be concluded that the algorithm SLIQ with decision tree technique canbe used as an alternative in designing a system datamining applications. Tests conducted system showedthat the constructed model can be used to predict the performance of new students. The resulting accuracyof the model system in fact has a lower score than the accuracy of other applications that are used as acomparison of Tanagra. Advantages of the proposed system is in its design does not need complexcalculations in obtaining the gini index attributes.]]>
<![CDATA[Analisa Profil Data Mahasiswa Baru terhadap Program Studi yang dipilih di Perguruan Tinggi Swasta Jawa Tengah dengan Menggunakan Teknik Data Mining ]]>
<![CDATA[Eko Nur Wahyudi]]>;
<![CDATA[Arief Jananto]]>;
<![CDATA[. Narwati]]>
<![CDATA[ Dinamik Vol 16 No 1 (2011) ]]>
Publisher : <![CDATA[Universitas Stikubank ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35315/dinamik.v16i1.348
<![CDATA[Jumlah PTS di lingkungan Kopertis Wilayah VI Jawa Tengah mencapai jumlah 231 buah dengan jumlah bidang ilmu sebanyak 16 buah dan program studi yang dibuka mencapai 153 buah. Dari data mahasiswa baru yang diterima selama 5 tahun terakhir, yaitu 2005 – 2009 menunjukkan adanya kenaikan dan penurunan yang cukup signifikan pada beberapa program studi. Berdasarkan data tersebut di atas dan dengan menggunakan teknik data mining diharapkan trend mahasiswa baru dapat diketahui berdasarkan bidang ilmu dan program studi yang dipilihnya, dengan demikian orientasi penerimaan mahasiswa baru dapat diprediksi di masa yang akan datang, khususnya pada program studi yang banyak peminat dan program studi yang kurang peminat.]]>
<![CDATA[Pentingnya Etika dalam Penggunaan Komputer ]]>
<![CDATA[Arief Jananto]]>
<![CDATA[ Dinamik Vol 8 No 1 (2003) ]]>
Publisher : <![CDATA[Universitas Stikubank ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35315/dinamik.v8i1.509
<![CDATA[Perkembangan teknologi informasi yang saat ini sangat pesat ternyata menuntut adanya kesiapan dari penggunanya. Kemajuan yang terjadi tidak hanya berpengaruh pada bidang teknologi secara umum tetapi juga menyentuh hingga tatanan kehidupan sosial. Sebagai warga masyarakat yang berkesadaran sosial, setiap aktivitas manusia akan diarahkan oleh berbagai pengaruh yang pada akhirnya diharapkan dapat melakukan segala sesuatunya dengan benar secara moral, etika dan menurut hukum yang berlaku. Etika ternyata sangat dibutuhkan dalam penggunaan komputer.]]>
<![CDATA[Sistem Pendukung Keputusan Kontribusi Optimal pada Produk Pompa Air dan Mesin Mollen dengan Pendekatan Program Linier Metode Simplex ]]>
<![CDATA[Dewi Handayani Untari Ningsih]]>;
<![CDATA[Sunardi .]]>;
<![CDATA[Arief Jananto]]>
<![CDATA[ Dinamik Vol 8 No 2 (2003) ]]>
Publisher : <![CDATA[Universitas Stikubank ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35315/dinamik.v8i2.522
<![CDATA[Decision Support System couple the intellectual resource of individuals with the capabilities of the computer to improve the quality of decision. It's a computer based support system for management decision makers who deal with semi-structured problem. An integrated decision support system for use in an machine mollen product has been developed. It incorporates a linear Programming model that represents the contribution optimal and optimizes the production water pump and mollen machine. An optimization model is performed using a management scient model called linear programming approach in older to determine media selection. To use this model, the DSS needs ti interface with another software. Mathematical Programming is a technique used in mathematical models, particularly optimization models, to assist in decision making. The Simplex Method is "a systematic procedure for generating and testing candidate vertex solutions to a linear program." (Gill, Murray, and Wright, p. -137) It begins at an arbitrary corner of the solution set. At each iteration, the Simplex Method selects the variable that will produce the largest change towards the minimum (or maximum) solution. The development of computer programs to be used as Decision Support Systems involves several tasks such as mathematical modeling, technical and data collection and development of a user friendly interface.]]>
<![CDATA[Penggunaan Market Basket Analysis untuk Menentukan Pola Kompetensi Mahasiswa ]]>
<![CDATA[Arief Jananto]]>
<![CDATA[ Dinamik Vol 17 No 2 (2012) ]]>
Publisher : <![CDATA[Universitas Stikubank ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35315/dinamik.v17i2.1655
<![CDATA[Umumnya penelaahan kompetensi lulusan dilihat dari tempat kerja mereka saat ini atau dengan cara menelusuri dari angket-angket yang diisikan oleh alumni pada periode tertentu. Hal tersebut juga dapat dilakukan melalui temu alumni maupun melalui pusat informasi alumni pada tiap perguruan tinggi. Lalu bagaimana jika kompetensi tersebut dikaji pada saat sebelum mahasiswa lulus, dengan mengkaji dari nilai akademik yang telah diperoleh ? Dengan menggunakan teknik data mining khususnya metode asosiasi dengan algoritma apriori dapat digali suatu informasi dengan tingkat kepercayaan(min.confidence) suatu transaksi dengan tingkat dukungan(min. support) tertentu sehingga menghasilkan suatu aturan. Setiap matakuliah dalam sebuah kurikulum memiliki muatan kompetensi tertentu dan sebuah kompetensi dapat disumbang oleh beberapa matakuliah.Dengan mengelompokkan nilai akademik mahasiswa ke dalam suatu kompetensi dan mengambil nilai rata-ratanya maka akan dapat diperoleh suatu peta kompetensi dengan menentukan pada tingkat rata-rata tertentu. Pencapaian kompetensi pada level minimum support 70% dan minimum confidence 75% pada studi kasus yang dilakukan adalah pada 3 kompetensi. Yaitu Sistem Informasi (IS), System Integration (SI) dan Network and Communication (NC). Artinya bahwa sebanyak 70% calon lulusan program studi S1 Sistem Informasi tahun angkatan 2004 s/d 2007 mempunyai kompetensi yang lebih dibidang system informasi, integrasi system dan jaringan dan komunikasi dibandingkan dengan kompetensi lainnya. Selanjutnya tidak menutup kemungkinan penggunaan teknik, metode maupun algoritma yang lain dan memberikan suatu hasil yang berbeda. Penelitian ini masih dapat dikembangkan lebih jauh.Kata Kunci : Kompetensi, Data Mining, Asosiasi, Apriori]]>
<![CDATA[Algoritma Naive Bayes untuk Mencari Perkiraan Waktu Studi Mahasiswa ]]>
<![CDATA[Arief Jananto]]>
<![CDATA[ Dinamik Vol 18 No 1 (2013) ]]>
Publisher : <![CDATA[Universitas Stikubank ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35315/dinamik.v18i1.1669
<![CDATA[Lama studi dari mahasiswa ini sangatlah penting bagi mahasiswa, program studi serta perguruan tinggi. Permasalahan lama studi setiap mahasiswa bisa disebabkan atau dipengaruhi oleh banyak faktor. Hal tersebut telah dibuktikan dengan beberapa penelitian pada permasalahan tersebut yang mendapati sejumlah faktor yang berpengatuh terhadap lama studi mahasiswa. Dengan menggunakan teknik data mining khususnya klasifikasi untuk prediksi dengan algoritma naive bayes dapat dilakukan prediksi terhadap ketepatan waktu studi dari mahasiswa berdasarkan data training yang ada. Data training dan testing yang digunakan diambil secara random pada tabel data master yang digunakan. Algoritma naive bayes, menghitung perbandingan peluang antara jumlah dari masing-masng kriteria nilai fields terhadap nilai hasil prediksi sesunggunya. Fungsi untuk prediksi dibuat menggunakan Query pada MySql dalam bentuk function(fbayesian). Dari hasil uji coba diperoleh tingkat kesalahan prediksi berkisar 20% sampai dengan 50% dengan data training dan testing yang diambil secara random. Namun rata-rata tingkat kesalahan berkisar 20 % hingga 34%. Tinggi rendahnya tingkat kesalahan dapat disebabkan oleh jumlah record data dan tingkat konsistensi dari data training yang dgunakan. Sedangkan hasil prediksi dari ketepatan lama studi dari mahasiswa angkatan 2008 adalah sebesar 254 mahasiswa diprediksi ”Tepat Waktu” dan sisanya yaitu 4 orang diprediksi ”Tidak Tepat Waktu”. Kata Kunci : Prediksi, Lama Studi, Data Mining, Naive bayes, MySql]]>
<![CDATA[Final Report Penilaian Kinerja Dosen oleh Mahasiswa pada Satu Periode Tahun Akademik menggunakan Teknik Klustering (Studi Kasus : Universitas Stikubank Semarang) ]]>
<![CDATA[Eko Nur Wahyudi]]>;
<![CDATA[Arief Jananto]]>
<![CDATA[ Dinamik Vol 18 No 2 (2013) ]]>
Publisher : <![CDATA[Universitas Stikubank ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35315/dinamik.v18i2.1698
<![CDATA[Dosen/Instruktur mempunyai tugas dan tanggung jawab melaksanakan Tri DarmaPerguruan Tinggi, yaitu pembelajaran, penelitian dan pengabdian kepada masyarakat. Salah satukomponen dalam penilaian pembelajaran adalah adanya penilaian kinerja yang diberikan olehmahasiswa kepada setiap dosen/instruktur yang mengampu mata kuliah yang mereka ikuti.Harapannya, dengan penilaian tersebut maka diperoleh masukan mengenai kemampuan seorangdosen/instruktur dalam memberikan materi kuliah. Tentunya hasil penilaian ini masih perludigabung dengan komponen penilaian kinerja dosen/instruktur lainnya seperti melakukan penelitian, pengabdian kepada masyarakat, penulisan jurnal ilmiah dan lain-lain. Teknik Klustering dengan metode K-Means diterapkan untuk memperoleh hasil kluster terhadap nilai rerata yag diberikan mahasiswa kepada setiap dosen/instruktur, baik pada semester gasal maupun semester genap pada tahun akademik 2012/2013. Kata kunci : kinerja, klustering, k-means]]>
<![CDATA[Perbandingan Performansi Algoritma Nearest Neighbor dan SLIQ untuk Prediksi Kinerja Akademik Mahasiswa Baru ]]>
<![CDATA[Arief Jananto]]>
<![CDATA[ Dinamik Vol 15 No 2 (2010) ]]>
Publisher : <![CDATA[Universitas Stikubank ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35315/dinamik.v15i2.1713
<![CDATA[Data akademik perguruan tinggi bertambah setiap tahunnya sejalan dengan bertambahnya jumlah mahasiswa. Data yang berlimpah menyimpan informasi yang berlimpah juga.. Teknologi data mining merupakan alat bantu untuk penambangan informasi pada basis data berukuran besar dan telah banyak digunakan pada banyak domain. Memprediksi kinerja (evaluasi belajar) mahasiswa adalah suatu kegiatan untuk menentukan suatu kondisi dimasa depan berdasarkan data yang telah ada. SLIQ merupakan algoritma yang dikembangkan oleh tim proyek IBM’s Quest pada tahun 1996 dapat digunakan untuk dataset yang besar. Penggunaan algoritma SLIQ untuk mengklasifikasikan dan memprediksi kinerja mahasiswa sudah digunakan pada penelitian sebelumnya dengan hasil tingkat akurasi yang masih rendah dikarenakan banyaknya pembatasan. Selanjutnya dilakukan implementasi algoritma Nearest Neighbor yang menggunakan pendekatan untuk mencari kasus dengan menghitung kedekatan antara kasus baru dengan kasus lama, yaitu berdasarkan pada pencocokan bobot dari sejumlah fitur yang ada. Dari hasil penelitian ini kemudian dibandingkan tingkat akurasi dari hasil prediksi tersebut. Dari sistem yang dihasilkan dapat disimpulkan bahwa algoritma SLIQ dengan teknik pohon keputusan mempunyai tingkat akurasi prediksi yang lebih rendah dibandingkan dengan tingkat akurasi dari penggunaan algoritma nearest neighbor. Kata kunci : SLIQ, Nearest Neighbor, prediksi kinerja, akurasi]]>
