Article Per Year (5 Year)
p-Index From 2020 - 2025
0.778
P-Index
This Author published in this journals
All Journal Jurnal Buana Informatika CogITo Smart Journal Jurnal Teknik Industri : Jurnal Hasil Penelitian dan Karya Ilmiah dalam Bidang Teknik Industri JurTI (JURNAL TEKNOLOGI INFORMASI) Journal of Information Systems for Public Health
Kusrini Kusrini
Universitas AMIKOM
Computer Science & IT Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Environmental Science Health Professions Industrial & Manufacturing Engineering Medicine & Pharmacology Public Health

Published : 7 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 7 Documents
Search

 1 
Penentuan Jenis Tanaman Berdasarkan Kemiringan Lahan Pertanian Menggunakan Adopsi Linier Programming Berbasis Pengolahan Citra Christin Nandari Dengen; Azriel Christian Nurcahyo; Kusrini Kusrini
Jurnal Buana Informatika Vol. 10 No. 2 (2019): Jurnal Buana Informatika Volume 10 Nomor 2 Oktober 2019
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v10i2.2253

Abstract

Abstract. The slope is a measure of the slope of the land relative to the flat plane which is generally expressed in percent or degree. Agricultural land that has a slope of more than 15 ° can be more easily damaged. In this study, a value of 2.5 ° was used in determining the normal slope. The process of implementing a decision support system used linear programming adoption in determining the slope and rotation of the slope of the land and determining whether the normalization of the image input was necessary or not. The purpose of this research is to determine the time needed to determine the plant types based on angle rotation setting determined by the user. The results of the study shows that the greater height and width of an object, the longer time needed to determine the plant types, land price and the land slope. The results of the study were obtained in conducting five tests. Tests 1 and 2 images with height and image width ranged from 150-480 obtained time for normalization of 15-30, testing 3.4.5 images with height and image widths ranging from 322 and 788 requiring 54- 108.Keywords: Slope, Adopting Linear Programming, Decision Support SystemsAbstrak. Kemiringan lereng merupakan ukuran kemiringan lahan relatif terhadap bidang datar yang secara umum dinyatakan dalam persen atau derajat. Lahan pertanian yang mempunyai kemiringan lebih dari 15° dapat lebih mudah rusak. Pada penelitian ini digunakan nilai 2,5 ° pada penentuan kemiringan normalisasi.Proses implementasi system pendukung keputusan menggunakan adopsi linier programing dalam menentukan sudut kemiringan lahan, rotasi kemiringan lahan dan menentukan perlu atau tidaknya normalisasi pada input citra tersebut. Tujuan dari penelitian ini menentukan waktu yang dibutuhkan dalam menentukan jenis tanaman berdasarkan rotasi atau sudut pengedukan yang ditentukan oleh user. Hasil penelitian menunjukkan semakin besar tinggi dan lebar suatu objek semakin lama waktu yang dibutuhkan untuk menentukan jenis tanaman, harga lahan atau kemiringan lahan. Lima pengujian dilakukan dalam penelitian ini. Pada pengujian 1 dan 2, citra dengan tinggi dan lebar berkisar 150-480 didapatkan waktu untuk normalisasi 15-30. Pada pengujian 3,4,5 citra dengan tinggi dan lebar citra berkisar 322 dan 788 dibutuhkan waktu 54-108.Kata Kunci: Kemiringan lereng, Adopsi Linear Programming, Sistem Pendukung Keputusan
ANALISIS PEMBOBOTAN KATA PADA KLASIFIKASI TEXT MINING Agatha Deolika; Kusrini Kusrini; Emha Taufiq Luthfi
(JurTI) Jurnal Teknologi Informasi Vol 3, No 2 (2019): DESEMBER 2019
Publisher : Universitas Asahan

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (505.038 KB) | DOI: 10.36294/jurti.v3i2.1077

Abstract

Abstract - In this era, we need to extract the text needed to visualize or need knowledge from a large collection of document texts. Text mining is the process of obtaining high-quality information from text. High-quality information obtained because of attention to patterns and trends by reading statistical patterns. In the process of extracting the text, we need to pay for the words offered to give value/weight to the terms provided in a document. The weight given to the term depends on the method used. In weighting many words such as algorithms for example such as TF, IDF, RF, TF-IDF, TF.RF, TF.CHI, WIDF. This research will be analyzed and compared with the TF-IDF, TF.RF, and WIDF algorithms. For the test method, the naïve Bayes classification method will be used and the valuation analysis using the confusion matrix. With a dataset used as many as 130 documents in which 100 data transfer and 30 test data. Based on the analysis of the results of the classification that has been done, it can determine the weighting of TF.RF with naif classification is better than weighting TF.IDF and WIDF with Accuracy values of 98.67%, Precision 93.81%, and Recall 96.67%.Keywords - Text Mining, TF-IDF, TF-RF, WIDF, Classification, Naïve Bayes. Abstract - Pada era sekarang ini pemanfaatan text mining sangatlah diperlukan untuk mevisualkan atau mengevaluasi pengetahuan dari kumpulan besar dari teks dokumen. Text mining adalah proses untuk memperoleh informasi berkualitas tinggi dari teks. Informasi berkualitas tinggi biasanya didapatkan karena memperhatikan pola dan tren dengan cara mempelajari pola statistik. Pada proses teks mining terdapat pembobobtan kata yang bertujuan untuk memberikan nilai/bobot pada term yang terdapat pada suatu dokumen. Bobot yang diberikan pada term tergantung kepada metode yang digunakan. Dalam pembobotan kata banyak sekali terdapat algoritma-algoritma contohnya seperti TF, Idf, RF, TF-IDF, TF.RF, TF.CHI, WIDF. Pada penelitian ini akan dianalisis dan dibandingkan algoritma  TF-IDF, TF.RF, dan WIDF. Untuk metode pengujiannya akan digunakan metode klasifikasi naïve bayes  dan analisis perbandingannya menggunakan confussion matrix. Dengan dataset yang digunakan sebanyak 130 dokumen yang mana 100 data traning dan 30 data uji. Berdasarkan analisa pada hasil klasifikasi yang telah dilakukan, dapat disimpulkan bahwa pembobotan TF.RF dengan klasifikasi Naïve bayes lebih baik dari pembobotan TF.IDF dan WIDF dengan nilai Accuracy 98,67%, Precision 93,81%, dan Recall 96,67%.   Kata Kunci - Text Mining, TF-IDF, TF-RF, WIDF, Klasifikasi, Naïve Bayes.
Persepsi Petugas Kesehatan Terhadap Peran Rekam Medis Elektronik Sebagai Pendukung Manajemen Pelayanan Pasien Di Rumah Sakit Panti Rapih Amrina Rosyada; Lutfan Lazuardi; Kusrini Kusrini
Jurnal Sistem Informasi Kesehatan Masyarakat Vol 2, No 1 (2017)
Publisher : Minat Sistem Informasi Manajemen Kesehatan Fakultas Kedokteran UGM

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22146/jisph.6659

Abstract

Latar Belakang:. Institute of Medicine merekomendasikan rekam medis elektronik (RME) sebagai pendukung manajemen pelayanan kesehatan pasien. Namun adopsi rekam medis elektronik saat ini hanya mencapai rata-rata pada 50% yang artinya rekam medis elektronik tidak dimanfaatkan secara maksimal fungsi dan fiturnya hanya untuk kebutuhan administrasi dan finansial rumah sakit. Memahami pandangan petugas kesehatan mengenai RME berpengaruh penting pada kesuksesan implementasi.Metode: Penelitian ini menggunakan desain studi kasus deskriptif dengan lokasi rumah sakit Panti Rapih Yogyakarta. Penelitian dilakukan dengan metode wawancara mendalam, observasi serta penyebaran kuesioner. Hasil: Masih terdapat masalah pada tingkat input dan proses dimana input data rekam medis yang lengkap masih sulit dan pada proses masih terdapat error yang mengganggu pelayanan. Berdasarkan kerangka UTAUT, masalah ini termasuk kategori kondisi fasilitas. Aspek ini memiliki korelasi yang kuat terhadap persepsi penggunaan (r= 0.78; p-value= 0.001). Persepsi penggunaan ini memiliki korelasi dengan persepsi kebermanfaatan (r=0.459 ;p-value= 0.047). Setelah itu, persepsi kebermanfaatan yang mempengaruhi perilaku penggunaan atau penerimaan (r= 0.569; p-value= 0.000) sehingga hubungan ini membentuk suatu alur.Kesimpulan: Untuk meningkatkan adopsi RME secara penuh aspek perilaku penggunaan atau penerimaan harus ditingkatkan. Aspek ini ditingkatkan dengan memperbaiki alur faktor yang mempengaruhinya 
Clustering Titik Panas Menggunakan Algoritma Agglomerative Hierarchical Clustering (AHC) Rajnaparamitha Kusumastuti; Elfandry Bayunanda; Anggi Muhammad Rifa’i; Muhamad Ryandy Ghonim Asgar; Fahma Inti Ilmawati; Kusrini Kusrini
CogITo Smart Journal Vol. 8 No. 2 (2022): Cogito Smart Journal
Publisher : Fakultas Ilmu Komputer, Universitas Klabat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31154/cogito.v8i2.438.501-513

Abstract

Kebakaran hutan di Indonesia setiap tahunnya masih sering terjadi. Dalam menanggulangi kebakaran hutan sendiri, para peneliti belakangan ini semakin fokus untuk melakukan pengembangan sistem yang mampu melakukan prediksi kebakaran hutan. Selain melakukan prediksi mengenai kebakaran hutan, antisipasi yang dapat dilakukan untuk membantu menangani pencegahan kebakaran hutan salah satunya adalah melakukan pengelompokkan terhadap wilayah yang memiliki potensi kebakaran. Pada penelitian ini melakukan Clusterisasi titik panas (hotspot) untuk membagi wilayah yang berpotensi untuk terbakar. Pengelompokkan wilayah dilakukan berdasarkan cluster kebakaran rendah, sedang, dan tinggi. Clusterisasi wilayah dilakukan menggunakan algoritma Agglomerative Hierarchical Clustering (AHC). Data yang digunakan pada perhitungan ini menggunakan wilayah Kalimantan Barat dengan menggunakan variable longitude, latitude, frp, confidence, dan curah hujan untuk menentukan clustering wilayah kebakaran. Tujuan dalam penelitian ini adalah untuk mengcluster titik panas kebakaran hutan berdasarkan wilayah yang berpotensi terjadi kebakaran hutan sehingga memiliki peluang untuk segera ditindaklanjuti. Dari hasil pengujian diperoleh pembentukan 2 cluster yang dimana menunjukkan terbentuk 2 pengelompokkan titik panas (hotspot) pada kelas sedang dan tinggi dengan nilai evaluasi silhouette coefficient 0,771. Kata kunci— Clustering, titik panas, Agglomerative Hierarchical Clustering
Analisis Index Vegetation Wilayah Terdampak Kebakaran Hutan Riau Menggunakan Citra Landsat-8 dan Sentinel-2 Risna Sari; Liana Trihardianingsih; Rizki Firdaus Mulya; M. Ilham Arief; Kusrini Kusrini
CogITo Smart Journal Vol. 8 No. 2 (2022): Cogito Smart Journal
Publisher : Fakultas Ilmu Komputer, Universitas Klabat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31154/cogito.v8i2.439.282-294

Abstract

Kebakaran hutan telah diidentifikasi sebagai salah satu isu lingkungan utama yang memiliki dampak terhadap keanekaragaman hayati dan iklim global jangka panjang. Riau merupakan salah satu wilayah di Indonesia yang sering mengalami kebakaran hutan. Upaya untuk memulihkan hutan pasca kebakaran dapat dilakukan dengan pengawasan lahan seperti mengamati tingkat vegetasi pada kawasan kebakaran. Dalam penelitian ini, dilakukan analisis untuk mengklasifikasikan tingkat vegetasi kawasan pasca kebakaran dengan memanfaatkan indeks vegetasi dengan tujuan mengetahui tingkat vegetasi pasca kebakaran pada wilayah rawan kebakaran di kabupaten Riau. Model yang digunakan pada penelitian ini memakai algoritma Random Forest dan variabel penentu yang digunakan adalah NDVI, NBR, EVI, dan SAVI. Penelitian ini dilakukan dengan menggunakan 2 citra satelit, yaitu Citra Landsat 8 dan Sentinel-2. Dasaset yang didapatkan menggunakan landsat-8 adalah 1871 data, sedangkan dengan menggunakan sentinel-2 diperoleh 606 data. Akurasi data testing maksimal yang diperoleh dengan menggunakan landsat-8 adalah sebesar 99%, sedangkan dengan menggunakan sentinel-2, diperoleh akurasi maksimal sebesar 94%.
Penentuan Domain Tata Kelola IT Pada Instansi Kepegawaian XYZ Menggunakan Kerangka Kerja Cobit 2019 Rizal Sapta Dwi Harjo; Kusrini Kusrini; Asro Nasiri
JTI: Jurnal Teknik Industri Vol 9, No 1 (2023): JUNI 2023
Publisher : Universitas Islam Negeri Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24014/jti.v9i1.21797

Abstract

Badan kepegawaian XYZ adalah suatu badan milik pemerintah daerah yang bertugas untuk Melaksanakan urusan pemerintahan daerah di bidang kepegawaian dan pengembangan sumber daya manusia yang menjadi kewenangan daerah dan tugas pembantuan yang ditugaskan kepada daerah. Dalam kinerjanya Badan kepegawaian XYZ menangani dan mengembangkan sumber daya manusia secara efektif dan efisien dan juga berperan penting sebagai administrasi pegawai pemerintahan serta dengan selaras dari visi yaitu terwujudnya manajemen kepegawaian dan aparatur pemerintah yang berkualitas dan professional dengan memusatkan misi pada meningkatkan kualitas pelayanan administrasi dan manajemen kepegawaian yang efektif dan efisien Namun pada sektor penempatan ASN yang sesuai kompetensi masih kurang dan pada penilaian professionalisme pegawai masih di nyatakan kurang yang menyebabkan di sini  berdampak pada kurang efisien dan penurunan kualitas dari segi pengetahuan serta penggunaan perangkat sistem informasi yang sudah tersedia untuk kelangsungan kinerja organisasi. Guna mencapai tata kelola IT tersebut di lakukan audit terhadap tata kelola dan di analisis guna meningkatkan kualitas, efisiensi dan peningkatan layanan yang di berikan. Penelitian ini menggunakan kerangka kerja COBIT 2019 yang berfokusan pada penentuan domain yang akan di gunakan dalam audit. Hasil dari design faktor 1 – 4 mendapatkan domain APO11, BAI04, BAI05, BAI11 dan DSS02 yang merupakan domain teratas dan mendapatkan perhatian khusus terhadap kelangsungan tatakelola IT di badan kepegawaian XYZ.
Implementasi Algoritma Convolutional Neural Network Dan Linear Regresi Untuk Memprediksi Kebakaran Hutan Fajar Sodik; Ahmad Sanusi Mashuri; Syaiful Huda; Kusrini Kusrini; Khusnawi Khusnawi
CogITo Smart Journal Vol. 9 No. 1 (2023): Cogito Smart Journal
Publisher : Fakultas Ilmu Komputer, Universitas Klabat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31154/cogito.v9i1.401.28-37

Abstract

Kebakaran hutan dan lahan merupakan salah satu masalah lingkungan dalam hal ekonomis dan ekologis yang merugikan. Jumlah hotspot kebakaran hutan dia Provinsi Jawa Timur telah meningkat secara dramatis menyebabkan kabut asap yang berbahaya. Penelitian ini bertujuan untuk mengklasifikasi kebakaran hutan dan lahan di Kabupaten Kediri Jawa Timur. Model klasifikasi kebakaran hutan menggunakan algoritma Convolutional Neural Network dan Linier Regresi. Atribut yang digunakan untuk klasifikasi terdiri dari suhu dan api. Klasifikasi suhu menghasilkan nilai Mean Precentage Absolute Error pada algoritma regresi Linear sebesar 3% dan akurasi 90% pada algoritma Convolutional Neural Network. Dengan demikian, dapat disimpulkan bahwa model klasifikasi menggunakan Convolutional Neural Network dan Linier Regresi memiliki potensi untuk digunakan secara efektif sehingga dapat membantu pihak berwenang dalam mencegaha kebakaran hutan dan lahan.
Co-Authors Agatha Deolika Ahmad Sanusi Mashuri Amrina Rosyada Anggi Muhammad Rifa'i Asro Nasiri Christin Nandari Dengen Elfandry Bayunanda Emha Taufiq Luthfi Fahma Inti Ilmawati Fajar Sodik Ferry Wahyu Wibowo Khusnawi Khusnawi Liana Trihardianingsih Lutfan Lazuardi M. Ilham Arief Muhamad Ryandy Ghonim Asgar Nurcahyo, Azriel Christian Rajnaparamitha Kusumastuti Risna Sari Rizal Sapta Dwi Harjo Rizki Firdaus Mulya Sari, Yayak Kartika Syaiful Huda