Articles
<![CDATA[KOMPARASI METODE NAÏVE BAYES DAN K-NEAREST NEIGHBOR TERHADAP ANALISIS SENTIMEN PENGGUNA APLIKASI PEDULILINDUNGI ]]>
<![CDATA[Ari Putra Wibowo]]>;
<![CDATA[Wachid Darmawan]]>;
<![CDATA[Nurul Amalia]]>
<![CDATA[ IC-Tech Vol 17 No 1 (2022): IC-Tech Volume XVII No. 1 April 2022 ]]>
Publisher : <![CDATA[STMIK WIDYA PRATAMA ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (431.711 KB)
|
DOI: 10.47775/ictech.v17i1.234
<![CDATA[Penggunaan aplikasi PeduliLindungi sebagai sarana tracing mendapat berbagai respon dari masyarakat yang disampaikan melalui komentar (ulasan) di playstore. Ada berbagai jenis komentar yang menyataan aplikasi PeduliLindungi mudah digunakan dan ada juga komentar yang menyatakan aplikasi PeduliLindungi belum siap untuk digunakan. Dengan adanya komentar tersebut dapat dilakukan analisis sentimen untuk mengetahui sentimen atau opini dari pengguna aplikasi PeduliLindungi. Berdasarkan uraian diatas peneliti melakukan analisis sentimen terhadap penggunaan aplikasi PeduliLindungi dengan menggunakan data yang diperoleh dari komentar pengguna di playstore. Data yang digunakan sebanyak 321 data yang dikelompokkan kedalam kelas positif dan negatif. Penelitian ini membuat model klasifikasi dengan algoritma Naïve Bayes dan K-Nearest Neighbor, selain itu pada penelitian ini juga dilakukan komparasi kinerja pada algoritma klasikasi Naïve Bayes dan K-Nearest Neighbor dengan menggunak tools Rapid Miner versi 9.9. Berdasarkan eksperimen yang dilakukan diperoleh hasil akurasi sebesar 70,46%, untuk algoritma Naïve Bayes dan akurasi sebesar 73,33% untuk algoritma K-Nearest Neighbor. Dari kedua metode yang digunakan untuk mengetahui tingkat akurasi yang digunakan, maka bisa diambil kesimpulan bahwa metode K-Nearest Neighbor memiliki tingkat akurasi yang lebih baik dibandingkan dengan metode Naive Bayes. Untuk penelitian selanjutnya diharapkan menambah jumlah dataset (data ulasan) yang ada, serta bisa menambahkan metode klasifikasi lainya ataupun bisa menggunakan metod seleksi fitur yang ada di data mining. Kata kunci: PeduliLindungi, Sentimen Analisis, Naïve Bayes, K-NN]]>
<![CDATA[Komparasi Algoritma Klasifikasi untuk Penentuan Jenis Spesies Tanaman Hutan ]]>
<![CDATA[Ari Putra Wibowo]]>
<![CDATA[ Jurnal Cakrawala Informasi Vol 1 No 1 (2021): Juni 2021 ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Masyarakat (LPPM) - Institut Teknologi dan Bisnis Semarang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.54066/jci.v1i1.209
<![CDATA[Menentukan jenis spesies tanaman hutan dalam jumlah yang besar (banyak) akan membutuhkan waktu yang lama apabila dikerjakan secara manual. Untuk itu, perlu adanya model komputasi untuk melakukan pengklarifikasian jenis spesies tanaman hutan. Beberapa model klasifikasi telah diterapkan untuk melakukan prediksi terhadap jenis spesies tanaman hutan. Pada penelitian ini dilakukan perbandian model klasifikasi untuk mengetahui model yang terbaik dalam penentuan jenis spesies tanaman hutan. Ada 5 model klasifikasi yang digunakan dalam penelitian ini yaitu K-Nearest Neighbor (KNN), Naive Bayes, Random Forest, Neural Network, dan Support Vector Machine (SVM). Untuk evaluasi hasil digunakan uji akurasi dan uji beda parametrik dengan T-test. Dari hasil penelitian ini menunjukkan bahwa model K-Nearest Neighbor (KNN) memiliki nilai dominan paling banyak daripada model lainnya. Dan untuk nilai akurasi tertinggi adalah model Neural Network yang mencapai 96.95%.]]>
<![CDATA[SISTEM PENGENDALIAN SWICH LAMPU PENERANGAN BERBASIS INTERNET of THINGS (IoT): Internet of Thing, Sistem Pengendalian, GPIO Raspberry PI ]]>
<![CDATA[Widiyono Widiyono]]>;
<![CDATA[Ari Putra Wibowo]]>;
<![CDATA[Hermanus Wim Hapsoro]]>
<![CDATA[ IC-Tech Vol 18 No 1 (2023): Vol 18 No 1 (2023): IC-Tech Volume XVIII No. 1 April 2023 ]]>
Publisher : <![CDATA[STMIK WIDYA PRATAMA ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.47775/ictech.v18i1.263
<![CDATA[Perkembangan teknologi bidang Teknik informatika saat ini banyak pada bidang automatic dan kontroler jarak jauh. Internet of Things (IoT) merupakan sebuah konsep yang bertujuan untuk memperluas manfaat dari konektivitas internet yang tersambung secara terus-menerus sebagai pengendali sistem. Pengendalian system jarak jauh diimplementasikan melalui koneksi internet berupa halaman web berupa tombol buton sepagai pengkodean Off dan On pada General Purpose Input Output (GPIO) pada Raspberry PI. Pin GPIO akan memberikan signyal tegangan untuk memberikan triger pada relay sebagai switching lampu penerangan. Beberapa peralatan yang digunakan biasanya tergantung kebutuhan dan buget yang direncanakan. Namun peralatan kontroler Internet of Things yang murah harganya tetapi sudah mewakili konsep Internet of Things salah satunya adalah memanfaatkan Raspberry PI. Internet of Things ini digunakan sebagai pengendali Switching untuk menyalakan dan mematikan lampu penerangan dari jarak jauh. Pengendalian dapat dilakukan dengan komputer atau smartphone yang telah terkoneksi internet. Implementasi penelitian ini pada kontrol pengendali berbasis web lampu penerangan pada laboratorium komputer STMIK Widya Pratama. Dan dibuatlah prototipe untuk memudahkan simulasi sistem IoT pada penelitian ini. Luaran dari penelitian ini berupa Prototipe Jurnal terpublikai dan Bahan Ajar]]>
<![CDATA[Perlindungan Data Informasi Digital Dengan Teknik Steganografi Metode Least Significant Bit ]]>
<![CDATA[Widiyono Widiyono]]>;
<![CDATA[Ari Putra Wibowo]]>;
<![CDATA[Risqiati Risqiati]]>;
<![CDATA[Anas Syaifudin]]>
<![CDATA[ Smart Comp :Jurnalnya Orang Pintar Komputer Vol 11, No 3 (2022): Smart Comp: Jurnalnya Orang Pintar Komputer ]]>
Publisher : <![CDATA[Politeknik Harapan Bersama ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30591/smartcomp.v11i3.3453
<![CDATA[Perkembangan teknologi pada era digital dibidang informasi dan komunikasi telah mengubah prilaku masyarakat secara global, serta menyebabkan dunia tanpa batas berkembang secara cepat. Transformasi data pada jejaring secara global menjadi kebutuhan untuk memberikan informasi yang akurat. Transformasi data pribadi pada jejaring secara global akan memungkinkan menjadikan ancaman bagi pemilik data informasi atas perbuatan pihak lain yang tidak bertanggungjawab untuk tujuan tertentu. Perlindungan data informasi digital menjadi penting untuk menjaga ancaman kejahatan data pribadi, yang akan ditranformasikan melalui jajaring secara global. Teknik Steganografi merupakan cara menyisipkan informasi pada data digital misalnya citra/gambar digital, yang kelihatanya tidak terlihat ada perbedaan serta tidak mengubah informasi yang terkandung pada data digital. Metode Least Significant Bit salah satu metode yang mempunyai kelebihan dalam hal imperceptibility yaitu data hasil embedding dengan data hasil extracting tidak ada perbedaan secara kasat mata. Perlindungan informasi data digital ini dapat diterapkan pada data file citra, dimana disisipkan data/file pesan rahasia.]]>
<![CDATA[Aplikasi Fuzzy Logic Untuk Menampilkan Informasi Analisa Kepuasan Mahasiswa Terhadap Pelayanan Prodi DIII Teknik Komputer ]]>
<![CDATA[Eko Budihartono]]>;
<![CDATA[M. Teguh Prihandoyo]]>;
<![CDATA[Ari Putra Wibowo]]>
<![CDATA[ Smart Comp :Jurnalnya Orang Pintar Komputer Vol 12, No 2 (2023): Smart Comp: Jurnalnya Orang Pintar Komputer ]]>
Publisher : <![CDATA[Politeknik Harapan Bersama ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30591/smartcomp.v12i2.4774
<![CDATA[Hasil evaluasi diharapkan dapat mengetahui proses belajar di Prodi DIII Teknik Komputer sehingga dapat memberikan analisa kepuasan mahasiswa di dalam proses pembelajaran sehingga dapat tercapai dalam hasil akhir kepuasan mahasiswa. Analisa data hasil kepuasan mahasiswa kerap kali menjadi aktifitas setiap akhir semester yang paling sulit dilakukan bagi Prodi DIII Teknik Komputer. Hambatan terbesar dimana aktifitas ini dilakukan secara manual sehingga harus benar-benar sesuai dalam melakukan analisa kepuasan mahasiswa baik berupa harapan maupun dalam pelayanan Prodi DIII Teknik Komputer. Permasalahan lain yang menjadi kendala proses analisis data seperti ketidaktahuan akan metode fuzzy logic dalam olah data sehingga kesulitan untuk melakukan analisa kepuasan mahasiswa berdasarkan harapan dan pelayanan prodi. Tujuan artikel ini membuat Aplikasi Fuzzy Logic untuk memberikan suatu metode analisa data yang digunakan dalam menganalisa kepuasan mahasiswa sesuai dengan kepuasan harapan dan pelayanan Prodi DIII Teknik Komputer. Metode penelitian yang digunakan yaitu fuzzy logic, termasuk dalam salah satu metode Artificial Intelligence/AI menggunakan penalaran manusia sehingga dalam penentuan suatu keputusan diharapkan lebih realitis dengan menggunakan sistem Aplikasi Fuzzy Logic Untuk Menampilkan Informasi Analisa Kepuasaan Mahasiswa Terhadap Pelayanan Prodi DIII Teknik Komputer. Hasil penelitian yang dilakukan bahwa aplikasi sudah berjalan sesuai yang diharapkan. Data Home Page, Profil Prodikom, Berita Terbaru, Analisa Kepuasan, Hasil Analisa, Hasil Akhir, Kontak dan Login sehingga data yang diinputkan sesuai dengan data yang dihasilkan 100%.Kata kunci: Aplikasi, Fuzzy Logic, Algoritma]]>
<![CDATA[Naïve Bayes, Neural Network dan K-Nearest Neighbor untuk Klasifikasi Topik Tugas Akhir ]]>
<![CDATA[Ari Putra Wibowo]]>;
<![CDATA[Widiyono Widiyono]]>;
<![CDATA[Anas Saifudin]]>;
<![CDATA[Arief Soma Darmawan]]>;
<![CDATA[Eko Budihartono]]>
<![CDATA[ Smart Comp :Jurnalnya Orang Pintar Komputer Vol 11, No 4 (2022): Smart Comp: Jurnalnya Orang Pintar Komputer ]]>
Publisher : <![CDATA[Politeknik Harapan Bersama ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30591/smartcomp.v11i4.4251
<![CDATA[Pemilihan topik atau judul skripsi menentukan mahasiswa dalam menyelesaikan pengerjaan skripsi tepat waktu, hal ini juga berpengaruh dalam kebutuhan akreditasi program studi. Namun penentuan topik atau judul skripsi menjadi hal yang cukup sulit untuk mahasiswa, beberapa penelitian mengenai klasifikasi topik skripsi telah banyak dilakukan untuk mengelolompokkan topik atau judul skripsi sesuai dengan konsentrasi keahliannya sehingga memberikan informasi yang dapat membantu mahasiswa. Pada penelitian ini dilakukan perbandingan model klasifikasi untuk mengetahui model klasifikasi terbaik dalam klasifikasi topik atau judul skripsi. Ada tiga model klasifikasi yang dibangun dalam penelitian ini dengan menggunakan algoritma Naïve Bayes, Neural Network dan K-Nearest Neighbor. Evaluasi hasil dilakukan dengan metode cofusion matrix untuk mengetahui nilai akurasi, presisi, recall dan f-score. Dari hasil eksperimen menunjukkan bahwa model klasifikasi dengan algoritma Neural Network memiliki nilai akurasi paling tinggi dengan nilai 94,1% sedangkan nilai akurasi paling rendah adalah model klasifikasi Naïve Bayes dengan nilai 79% .]]>
<![CDATA[KLASIFIKASI TEKS MENGGUNAKAN METODE NAÃVE BAYES CLASSIFIER DENGAN SELEKSI FITUR FORWARD SELECTION ]]>
<![CDATA[Darmawan, Wachid]]>;
<![CDATA[Wibowo, Ari Putra]]>;
<![CDATA[Ismanto, Bambang]]>
<![CDATA[ IC Tech: Majalah Ilmiah Vol 16 No 1 (2021): IC Tech: Majalah Ilmiah Volume XVI No. 1 April 2021 ]]>
Publisher : <![CDATA[P3M Institut Widya Pratama ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.47775/ictech.v16i1.151
<![CDATA[Penelitian tentang klasifikasi telah banyak dipelajari secara luas yang digunakan dalam berbagai hal, seperti: data mining, machine learning dan database. Selain itu pencarian information retrieval yang dapat digunakan untuk menentukan klasifikasi dokumen, konten berita, target pemasaran serta diagnosis medis. Klasifikasi dokumen menjadi daya tarik tersendiri oleh banyak peneliti selama dua dekade terakhir. Meskipun dalam melakukan klasifikasi dokument selalu ada pembaharuan antara metode dan teknik yang digunakan, namun kebutuhannya masih terus berkembang dan tidak pernah berakhir. Kemampuan untuk melakukan klasifikasi dokumen ke dalam kategori tertentu sangat membantu untuk menghadapi informasi yang berlebihan. Klasifikasi dokumen secara otomatis dikembangkan karena pekerjaan manual tidak lagi efektif. Pada penelitian ini akan dibahas bagaimana algoritma naïve bayes dan forward selection digunakan untuk mengklasifikasi judul skripsi dan tugas akhir yang ada di Prodi TI, SI, MI dan KA yang ada di STMIK Widya Pratama Pekalongan. Naïve bayes akan digunakan untuk menghitung probabilitas kemunculan kata yang mempresentasikan dokumen teks dari judul skripsi dan tugas akhir. Berdasarkan penelitian yang dilakukan diperoleh hasil rata-rata akurasi adalah 67.67% menggunakan algoritma naïve bayes, sedangkan nilai rata-rata akurasi sebesar 92.57% didapatkan pada saat menggabungkan algoritma naïve bayes dengan forward selection. Untuk mengetahui tingkat efektifitas lainya disarankan untuk melakukan pembobotan lain seperti Backward Selection pada dokument teks yang dapat digunakan untuk penelitian eksperimen lanjutanKata Kunci: text mining, klasifikasi, naïve bayes, forward selection]]>
<![CDATA[SISTEM PENGENDALIAN SWICH LAMPU PENERANGAN BERBASIS INTERNET of THINGS (IoT): Internet of Thing, Sistem Pengendalian, GPIO Raspberry PI ]]>
<![CDATA[Widiyono, Widiyono]]>;
<![CDATA[Wibowo, Ari Putra]]>;
<![CDATA[Wim Hapsoro, Hermanus]]>
<![CDATA[ IC Tech: Majalah Ilmiah Vol 18 No 1 (2023): IC Tech: Majalah Ilmiah Volume XVIII No. 1 April 2023 ]]>
Publisher : <![CDATA[P3M Institut Widya Pratama ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.47775/ictech.v18i1.263
<![CDATA[Perkembangan teknologi bidang Teknik informatika saat ini banyak pada bidang automatic dan kontroler jarak jauh. Internet of Things (IoT) merupakan sebuah konsep yang bertujuan untuk memperluas manfaat dari konektivitas internet yang tersambung secara terus-menerus sebagai pengendali sistem. Pengendalian system jarak jauh diimplementasikan melalui koneksi internet berupa halaman web berupa tombol buton sepagai pengkodean Off dan On pada General Purpose Input Output (GPIO) pada Raspberry PI. Pin GPIO akan memberikan signyal tegangan untuk memberikan triger pada relay sebagai switching lampu penerangan. Beberapa peralatan yang digunakan biasanya tergantung kebutuhan dan buget yang direncanakan. Namun peralatan kontroler Internet of Things yang murah harganya tetapi sudah mewakili konsep Internet of Things salah satunya adalah memanfaatkan Raspberry PI. Internet of Things ini digunakan sebagai pengendali Switching untuk menyalakan dan mematikan lampu penerangan dari jarak jauh. Pengendalian dapat dilakukan dengan komputer atau smartphone yang telah terkoneksi internet. Implementasi penelitian ini pada kontrol pengendali berbasis web lampu penerangan pada laboratorium komputer STMIK Widya Pratama. Dan dibuatlah prototipe untuk memudahkan simulasi sistem IoT pada penelitian ini. Luaran dari penelitian ini berupa Prototipe Jurnal terpublikai dan Bahan Ajar]]>
<![CDATA[PERANCANGAN SISTEM INFORMASI KEUANGAN KAS RT PADA KELUARAHAN YOSOREJO PEKALONGAN ]]>
<![CDATA[Kurniawan, Muhammad Faizal]]>;
<![CDATA[Wibowo, Ari Putra]]>;
<![CDATA[Widiyono, Widiyono]]>
<![CDATA[ IC Tech: Majalah Ilmiah Vol 18 No 2 (2023): IC Tech: Majalah Ilmiah Volume XVIII No. 2 Oktober 2023 ]]>
Publisher : <![CDATA[P3M Institut Widya Pratama ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.47775/ictech.v18i2.281
<![CDATA[Keberadaan sistem informasi menjadi salah satu kebutuhan yang sangat penting pada sebuah organisasi. Organisasi yang paling umum dijumpai di masyarakat adalah Rukun Tetangga (RT), salah satunya adalah RT 005 di Keluarahan Yosorejo. Selain membantu pemerintah desa dalam pemberdayaan warga masyarakat, tugas dari RT adalah mengelola dana keuangan (iuran) warga, mulai dari pemasukan dan pengeluaran serta pelaporan keuangan dan pertanggung jawaban yang disampaikan kepada seluruh warga atau anggota. Adapun sumber keuangan diperoleh dari iuran warga seperti dana kas arisan(pengajian), dana kas jimpitan, dana kas pengelolaan sampah yang disetorkan kepada bendaraha RT. Untuk saat ini pengelolaan laporan keuangan dilakukan oleh pengurus RT yang melibatkan Ketua RT, Bendahara RT dan Sekretatis RT dengan melakukan pencatatan pada buku besar, rekapitulasi dan pelaporan dilakukan setiap satu bulan sekali. Permasalahan yang sering dijumpai yaitu dalam melakukan rekapitulasi jumlah pemasukan dan pengeluaran dana kas, salah satu solusi yang digunakan untuk mengatasi permasalan ini adalah dengan memanfaatkan teknologi informasi. Metode pengembangan sistem yang digunakan pada penelitian ini adalah SDLC (system development life cicrle) atau yang biasa dikenal dengan nama waterfall dirancang secara linier, dengan menyelesaikan satu fase sebelum memasuki fase berikutnya. Selanjutnya untuk perancangan digunakan UML sedangkan untuk pengujian sistem yang digunakan adalah blckbox testing. Untuk hasil akhir dari sistem informasi keuangan kas RT dapat diakses pada alama url kas.perajinweb.com.]]>
<![CDATA[IMPLEMENTASI CLUSTERISASI UNTUK PENGELOMPOKKAN GAYA BELAJAR MAHASISWA DENGAN METODE K MODES ]]>
<![CDATA[Kurniawan, Muhammad Faizal]]>;
<![CDATA[Sugianti, Devi]]>;
<![CDATA[Darmawan, Arief Soma]]>;
<![CDATA[Wibowo, Ari Putra]]>;
<![CDATA[Widiyono, Widiyono]]>
<![CDATA[ METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol. 8 No. 1 (2024): METHOMIKA: Jurnal Manajemen Informatika & Komputersisasi Akuntansi ]]>
Publisher : <![CDATA[Universitas Methodist Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.46880/jmika.Vol8No1.pp20-25
<![CDATA[One of the keys to success in learning is determining student learning styles. Learning styles are grouped into 3, grouping learning styles based on the characteristics of students. Sample data used for 3 classes in the artificial intelligence course with total data of 83 students who answered 36 questions. To be able to carry out student mapping using the k modes method for clustering. The K modes method is used because the data used is categorical. K modes can be used for multi-dimensional clustering and shorter computing times. With the clustering application for grouping student learning styles with a sample of 83 students by answering 36 questions to be divided into 3 groups, the results were 37 students for the visual group, 31 students for the auditory group and 15 students for kinesthetics. At the testing stage, black box testing is used. By knowing learning style groups, students can easily learn and absorb information]]>
