Claim Missing Document
Check
Articles

Found 39 Documents
Search

RANCANG BANGUN CLOUD DATA CENTER DALAM UPAYA MENINGKATKAN KUALITAS SEKOLAH DI SMKN 2 SEWON Rusli Abdul Hamid; Rudy Hartanto; Adhistya Erna Permanasari
Prosiding SNST Fakultas Teknik Vol 1, No 1 (2016): PROSIDING SEMINAR NASIONAL SAINS DAN TEKNOLOGI 7 2016
Publisher : Prosiding SNST Fakultas Teknik

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (267.746 KB)

Abstract

Pemanfaatan media penyimpan di kalangan pendidikan, khususnya pendidikan menengah kebawah masih mengandalkan satu perangkat yang digunakan saja.  Perangkat yang digunakan tersebut masih juga berfungsi untuk bekerja sehari-hari. Pengembangan media simpan dengan memanfaatkan jaringan masih sebatas beberapa perangkat saja, itupun hanya bisa diakses dalam satu lokasi saja. Rancang bangun cloud data center di sekolah ini bertujuan untuk membuat bank data sekolah yang bisa diakses melalui jaringan internet. Bank data sekolah tersebut akan tersimpan di server yang ada disekolah. Dengan pengaturan jadwal akan tersalin otomatis ke server cloud yang ada di jaringan global internet. Seluruh perangkat dan infrastruktur di sekolah akan terhubung dan terintegrasi dalam satu jaringan lokal sekolah dan jaringan internet. Peningkatan produkstifitas dalam bekerja dibutuhkan sistem yang akan melayani penyimpanan data dan pelayanan salinan data otomatis akan memberikan manfaat besar untuk sekolah. Guru dan siswa akan lebih intensif dalam melakukan proses pembelajaran baik secara online maupun offline. Semua data sekolah maupun data materi pembelajaran tersedia secara online dan bisa dihadirkan secara fisik. Lebih lanjut rancang bangun cloud data center disekolah ini bisa dikembangkan untuk berbagai layanan pendidikan yang lain. Kata Kunci: Cloud data server , Integrasi, Media simpan
RANCANG BANGUN INTERNET OF THINGS PADA LAYANAN SISTEM AKADEMIK DALAM UPAYA MENINGKATKAN KUALITAS SEKOLAH DI SMKN 2 SEWON Rusli Abdul Hamid; Rudy Hartanto; Adhistya Erna Permanasari
Prosiding SNST Fakultas Teknik Vol 1, No 1 (2016): PROSIDING SEMINAR NASIONAL SAINS DAN TEKNOLOGI 7 2016
Publisher : Prosiding SNST Fakultas Teknik

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (289.774 KB)

Abstract

Pemanfaatan pembelajaran dengan Teknologi dan Komunikasi (TIK), sudah sering digunakan di berbagai jenjang pendidikan. Namun pemanfaatan masih sebatas untuk pembelajaran saja. Rancang bangun Internet of Things pada layanan sistem akademik ini bertujuan untuk meningkatkan kualitas sekolah. Dengan adanya layanan sistem akademik ini diharapkan bisa meringankan tugas guru dalam rangka menyiapkan strategi dalam pembelajarannya. Guru dan siswa akan lebih intensif dalam melakukan proses pembelajaran. Seluruh media yang digunakan selama pembelajaran di kelas maupun diluar kelas terhubung dengan jaringan internet yang bisa di akses bebas oleh siswa maupun guru. Seluruh perangkat dan infrastruktur terintegrasi menggunakan jaringan internet. Data maupun materi yang diperlukan tersedia di server data. Sistem akademik ini akan membantu guru dalam pengorganisasian sumber data maupun materi ajar. Materi ajar maupun administrasi guru bisa diakses secara online dan bisa dicetak jika diperlukan untuk bukti fisik materi maupun administrasinya. Lebih lanjut rancang bangun Internet of Things ini bisa dikembangkan untuk layanan pendidikan yang lain. Kata Kunci: Integrasi, Internet of Things, Sistem akademik
Sentiment Analysis in the Sales Review of Indonesian Marketplace by Utilizing Support Vector Machine Anang Anggono Lutfi; Adhistya Erna Permanasari; Silmi Fauziati
Journal of Information Systems Engineering and Business Intelligence Vol. 4 No. 1 (2018): April
Publisher : Universitas Airlangga

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20473/jisebi.4.1.57-64

Abstract

The online store is changing people’s shopping behavior. Despite the fact, the potential customer’s distrust in the quality of products and service is one of the online store’s weaknesses. A review is provided by the online stores to overcome this weakness. Customers often write a review using languages that are not well structured. Sentiment analysis is used to extract the polarity of the unstructured texts. This research attempted to do a sentiment analysis in the sales review. Sentiment analysis in sales reviews can be used as a tool to evaluate the sales. This research intends to conduct a sentiment analysis in the sales review of Indonesian marketplace by utilizing Support Vector Machine and Naive Bayes. The reviews of the data are gathered from one of Indonesian marketplace, Bukalapak. The data are classified into positive or negative class. TF-IDF is used to feature extraction. The experiment shows that Support Vector Machine with linear kernel provides higher accuracy than Naive Bayes. Support Vector Machine shows the highest accuracy average. The generated accuracy is 93.65%. This approach of sentiment analysis in sales review can be used as the base of intelligent sales evaluation for online stores in the future.
Corrigendum: Sentiment Analysis in the Sales Review of Indonesian Marketplace by Utilizing Support Vector Machine Anang Anggono Lutfi; Adhistya Erna Permanasari; Silmi Fauziati
Journal of Information Systems Engineering and Business Intelligence Vol. 4 No. 2 (2018): October
Publisher : Universitas Airlangga

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (111.387 KB) | DOI: 10.20473/jisebi.4.2.169

Abstract

In the version of this article initially published, there were some errors in Section III, Methods and Section VI, Conclusions. In Preprocessing of Methods, there is a sentence “The informal words may be in the form of slang words or abbreviations that are often used in daily life like cp at (from “cepat” or fast), blum (from “belum” or not yet), and gak (from “tidak” or no).”. The correct sentence is “The informal words may be in the form of slang words or abbreviations that are often used in daily life like cpat (from “cepat” or fast), blum (from “belum” or not yet), and gak (from “tidak” or no).”. In Text Classification of Methods, there is a sentence “Where P(B|A) is the probability of B appearance when A is known? The value P(A|B) is the probability of an appearance if B is known. P(A) is the probability of an appearance, while P(B) is the probability of B appearance.”. The correct sentence is “Where P(B│A) is the probability of the appearance of B when A is known. The value of P(A|B) is the probability of the appearance of A if B is known. P(A) is the probability of the appearance of A, while P(B) is the probability of the appearance of B.”. In Conclusions, a sentence “The accuracy reaches 93.42%; using 25% features with highest TF-IDF” should be changed to “The accuracy reaches 93.65%; using 25% features with highest TF-IDF” based on the results in Fig.3. These errors have been corrected in the PDF versions of the article.
Tweets Responding to the Indonesian Government’s Handling of COVID-19: Sentiment Analysis Using SVM with Normalized Poly Kernel Pulung Hendro Prastyo; Amin Siddiq Sumi; Ade Widyatama Dian; Adhistya Erna Permanasari
Journal of Information Systems Engineering and Business Intelligence Vol. 6 No. 2 (2020): October
Publisher : Universitas Airlangga

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20473/jisebi.6.2.112-122

Abstract

Background: Handling COVID-19 (Corona Virus Disease-2019) in Indonesia was once trending on Twitter. The Indonesian government's handling evoked pros and cons in the community. Public opinions on Twitter can be used as a decision support system in making appropriate policies to evaluate government performance. A sentiment analysis method can be used to analyse public opinion on Twitter.Objective: This study aims to understand public opinion trends on COVID-19 in Indonesia both from a general perspective and an economic perspective.Methods: We used tweets from Twitterscraper library. Because they did not have a label, we provided labels using sentistrength_id and experts to be classified into positive, negative, and neutral sentiments. Then, we carried out a pre-processing to eliminate duplicate and irrelevant data. Next, we employed machine learning to predict the sentiments for new data. After that, the machine learning algorithms were evaluated using confusion matrix and K-fold cross-validation.Results: The SVM analysis on the sentiments on general aspects using two-classes dataset achieved the highest performance in average accuracy, precision, recall, and f-measure with the value of 82.00%, 82.24%, 82.01%, and 81.84%, respectively.Conclusion: From the economic perspective, people seemed to agree with the government’s policies in dealing with COVID-19; but people were not satisfied with the government performance in general. The SVM algorithm with the Normalized Poly Kernel can be used as an intelligent algorithm to predict sentiment on Twitter for new data quickly and accurately. 
Classification of Metacognitive into Two Catagories to Support the Learning Process Husnul Rahmawati Sakinnah; Adhistya Erna Permanasari; Indah Soesanti
Jurnal Pendidikan Sains Vol 5, No 1: March 2017
Publisher : Pascasarjana Universitas Negeri Malang (UM)

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (439.506 KB) | DOI: 10.17977/jps.v5i1.9069

Abstract

Abstract: Learning outcomes are the patterns of actions, values, understanding, attitudes, appreciation and skills. Learning outcomes are related to the metacognitive of student where the elements contained in metacognitive is cognitive. The relationship between cognitive and metacognitive which is the foundation of cognitive is metacognitive. There are two components such as knowledge of metacognitive and regulation of metacognitive. In the learning process, cognitive factors are not the only one that can support, but also a metacognitive factor is a very influential factor for the success of the learning process. Thus, it is very important to do with a deeper analysis about metacognitive by identifying me-tacognitive level to support the learning process. Identification of metacognitive is performed by using Naïve Bayes Classifier algorithm (NBC) which NBC is one of an algorithm that is used for classification algorithm for data mining. In these studies, it is obtained that the accuracy scored 88,0597% when tested using NBC.Key Words: metacognitive, knowledge of metacognitive, regulation of metacognitive, cognitive, Naïve Bayes Classifier (NBC) Abstrak: Hasil pembelajaran merupakan pola tindakan, nilai-nilai, pemahaman, sikap, apresiasi dan keterampilan. hasil belajar terkait dengan metakognitif siswa di mana unsur-unsur yang terkandung dalam metakognitif adalah kognitif. Hubungan antara kognitif dan metakognitif merupakan dasar dari kognitif adalah metakognitif. Terdapat dua komponen dalam pengetahuan metakognitif dan regulasi metakognitif. Dalam proses pembelajaran, faktor kognitif bukan satu-satunya yang dapat mendukung, tetapi juga faktor metakognitif adalah faktor yang sangat berpengaruh bagi keberhasilan proses pembelajaran. Jadi, sangat penting untuk melakukan analisis yang lebih mendalam tentang metakognitif dengan mengidentifikasi tingkat metakognitif untuk mendukung proses pembelajaran. Identifikasi metakognitif dilakukan dengan menggunakan algoritma Naïve Bayes Classifier (NBC) dimana NBC merupakan salah satu algoritma yang digunakan untuk algoritma klasifikasi untuk data mining. Dalam penelitian tersebut diperoleh bahwa nilai akurasi adalah 88,0597% saat diuji menggunakan NBC.Kata kunci: Metakognitif, Pengetahuan Metakognitif, Peraturan Metakognitif, Kognitif, Naïve Bayes Classifier (NBC)
PENENTUAN KARAKTERISTIK PENGGUNA SEBAGAI PENDUKUNG KEPUTUSAN DALAM MEMILIH SMARTPHONE MENGGUNAKAN FORWARD CHAINING Ian Gatra Sandika; Adhistya Erna Permanasari; Sujoko Sumaryono
Prosiding SNATIF 2014: Prosiding Seminar Nasional Teknologi dan Informatika
Publisher : Prosiding SNATIF

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

Abstract

Abstrak Saat ini smartphone sudah menjadi kebutuhan primer bagi semua kalangan masyarakat kelas atas maupun kalangan bawah. Seiring kebutuhan tersebut banyak vendor-vendor smartphone yang menawarkan harga, fitur, operating sistem dan teknologi yang berbeda-beda. Akan tetapi, keinginan dan kebutuhan masyarakat yang semakin meningkat sering tidak sesuai dengan smartphone yang diinginkan dan yang dibutuhkan. Hal tersebut menyebabkan pengguna smartphone tidak dapat menentukan pilihan yang tepat sesuai dengan kebutuhannya karena seringnya pemilihan smartphone didasarkan pada gengsi dan perilaku konsumtif masyarakat. Penelitian ini dilakukan untuk memberikan saran kepada masyarakat agar dapat memilih smartphone yang sesuai dengan karakteristik masing-masing pengguna (kebutuhan pengguna). Karakteristik pengguna didapatkan dari pengolahan 16 pertanyaan yang diajukan oleh sistem. Metode yang digunakan dalam mengolah 16 pertanyaan tersebut adalah forward chaining. Forward chaining digunakan karena dalam sistem ini memberikan beberapa pertanyaan yang akan diolah menjadi suatu kesimpulan. Pertanyaan-pertanyaan tersebut diolah menggunakan software Swi prolog berdasarkan production rules untuk mendapatkan keluaran berupa saran kepada pengguna. Pengolahan tersebut didasarkan pada jawaban Y(Yes) dan N(No) serta tambahan range harga yang dimasukkan oleh pengguna. Hasil saran yang dikeluarkan sistem berupa karakteristik pengguna, harga dan jenis smartphone. Smartphone yang disarankan untuk pengguna didasarkan pada karakteristik yang telah ditentukan sistem, yaitu Adventures, Entertainer, Elegan dan Sosial media addict. Kata kunci :smartphone, karakteristik pengguna, forward chaining
Research Methodology for Analysis of E-Commerce User Activity Based on User Interest using Web Usage Mining Saucha Diwandari; Adhistya Erna Permanasari; Indriana Hidayah
Journal of ICT Research and Applications Vol. 12 No. 1 (2018)
Publisher : LPPM ITB

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.5614/itbj.ict.res.appl.2018.12.1.4

Abstract

Visitor interaction with e-commerce websites generates large amounts of clickstream data stored in web access logs. From a business standpoint, clickstream data can be used as a means of finding information on user interest. In this paper, the authors propose a method to find user interest in products offered on e-commerce websites based on web usage mining of clickstream data. In this study, user interest was investigated using the PIE approach coupled with clustering and classification techniques. The experimental results showed that the method is able to assist in analyzing visitor behavior and user interest in e-commerce products by identifying those products that prompt visitor interest.
ANALISIS SEGMENTASI PELANGGAN MENGGUNAKAN KOMBINASI RFM MODEL DAN TEKNIK CLUSTERING Beta Estri Adiana; Indah Soesanti; Adhistya Erna Permanasari
Jurnal Terapan Teknologi Informasi Vol 2 No 1 (2018): Jurnal Terapan Teknologi Informasi
Publisher : Fakultas Teknologi Informasi

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (873.652 KB) | DOI: 10.21460/jutei.2018.21.76

Abstract

Intisari – Persaingan yang ketat di bidang bisnis memotivasi sebuah usaha kecil dan menengah (UKM) untuk mengelola pelayanan terhadap konsumen tetap (pelanggan) secara maksimal. Meningkatkan kesetiaan pelanggan dengan mengelompokkan pelanggan menjadi beberapa kelompok dan menentukan strategi pemasaran yang tepat dan efektif untuk setiap kelompok. Segmentasi pelanggan dapat dilakukan melalui pendekatan data mining dengan metode clustering. Tujuan utamanya segmentasi pelanggan dan mengukur kesetiaan mereka terhadap sebuah produk UKM. Dengan menggunakan metode CRISP-DM yang terdiri dari enam fase, yakni pemahaman bisnis (business understanding), pemahaman data (data understanding), persiapan data (data preparation), pemodelan (modelling), evaluasi (evaluation), dan penerapan (deployment). Algoritma K-means digunakan untuk pembentukan klaster dan RapidMiner sebagai tool yang digunakan untuk mengevaluasi klaster-klaster yang terbentuk. Pembentukan klaster didasarkan pada analisa RFM ( Recency, Frequency, dan Monetary). Davies Bouldin Index (DBI) digunakan untuk menemukan jumlah cluster (k) yang optimal. Hasilnya kelompok pelanggan yang terbentuk ada tiga kelompok dengan kelompok pertama berjumlah 30 pelanggan masuk dalam kategori typical customer, kelompok kedua terdapat 8 pelanggan yang masuk dalam kategori superstar dan kelompok ketiga berjumlah 89 pelanggan pada kategori dormant customer.
PERBANDINGAN AKURASI ALGORITME PELATIHAN DALAM JARINGAN SYARAF TIRUAN UNTUK PERAMALAN JUMLAH PENGGUNA KERETA API DI PULAU JAWA Budho Setyonugroho; Adhistya Erna Permanasari; Sri Suning Kusumawardani
METIK JURNAL Vol 1 No 1 (2017): METIK Jurnal
Publisher : LP3M Universitas Mulia

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

Abstract

Peramalan jumlah pengguna kereta api merupakan salah satu komponen penting dalam perencanaan untuk menentukan langkah-langkah strategis dalam suatu perusahaan. Jaringan syaraf tiruan merupakan salah satu metode yang telah banyak digunakan untuk menyelesaikan kasus peramalan. Kesulitan utama dalam implementasi metode jaringan syaraf tiruan dalam peramalan adalah menemukan kombinasi arsitektur yang tepat, menentukan nilai parameter laju pembelajaran yang sesuai dan pemilihan algoritme pelatihan yang optimal. Dalam makalah ini akan melakukan simulasi dengan menerapkan algoritme bayesian regularization (trainbr), algoritme Scaled Conjugate Gradient (trainscg), algoritme levenber-marquart (trainlm) dengan variasi jumlah neuron pada lapisan tersembunyi dan laju pembelajaran yang berbeda untuk menemukan kombinasi arsitektur yang tepat untuk menyelesaikan kasus peramalan pengguna kereta api. Dari simulasi yang dilakukan pada proses pelatihan yang menggunakan data runtun waktu dalam periode sepuluh tahun, arsitektur 12-30-1 dengan laju pembelajaran 0,5 dengan menggunakan algoritme pelatihan levenberg marquardt menunjukan hasil yang paling optimal dengan nilai MSE 0,000192 dan pada proses pengujian menunjukan nilai MAPE 23% yang termasuk dalam kategori cukup untuk digunakan dalam peramalan.