Wiyli Yustanti
Universitas Negeri Surabaya

Published : 9 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 9 Documents
Search

Perancangan Model Enterprise Architecture untuk Bidang Non Akademik pada Perguruan Tinggi Negeri X dengan Menggunakan Pendekatan Framework TOGAF ADM Andhika Edo Prasetyo; Wiyli Yustanti
JIEET (Journal of Information Engineering and Educational Technology) Vol. 3 No. 1 (2019)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jieet.v3n1.p31-38

Abstract

PTN-X merupakan sebuah instansi Perguruan Tinggi Negeri yang terletak di kota Surabaya. Dalam perkembangannya di PTN-X saat ini sudah menerapkan teknologi informasi yang ada. Terlihat pada aktivitas keuangan dan perencanaan yang sebelumnya sudah menggunakan bantuan sistem aplikasi. Namun masih terdapat suatu kekurangan khususnya pada keselarasan antara strategi bisnis dan teknologi informasi selama ini. Aplikasi pada bagian perencanaan dan keuangan ini sebagian masih terdapat fitur-fitur yang belum tehubung antara kedua aplikasi tersebut. Hal ini dikarenakan ketika dalam membangun suatu teknologi informasi hanya berdasarkan kebutuhan sesaat tanpa melihat kebutuhan jangka panjang kedepannya.  Perancangan Enterprise Architecture dengan menggunakan framework TOGAF ADM  ini bertujuan untuk menyelaraskan antara strategi bisnis dengan teknologi informasi yang ada khususnya pada bidang non-akademik pada PTN-X. Perancangan ini juga hanya memakai tahapan preliminary phase, architecture vision, business architecture, information system architecture, technology architecture, opportunities and solutions. Dengan dilakukannya sebuah rancangan arsitektur ini diharapkan mampu menyelaraskan strategi bisnis dan teknologi informasi saat ini serta mampu membantu pencapaian tujuan strategi bisnis ditiap bagian pada bidang non-akademik di PTN-X
Strategi Identifikasi Resiko Keamanan Informasi Dengan Kerangka Kerja ISO 27005:2018 Wiyli Yustanti; Anita Qoiriah; Rahadian Bisma; Agus Prihanto
JIEET (Journal of Information Engineering and Educational Technology) Vol. 3 No. 2 (2019)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jieet.v3n2.p51-56

Abstract

Penelitian ini membahas hasil kajian penerapan ISO 27001:2013 dengan melihat aspek manajemen resiko yang diatur dalam standar ISO 27005:2018. Namun demikian , karena pada dokumen standar tidak dijelaskan secara rinci bagaimana metodologi penilaian resiko sebagai proses yang harus dilakukan untuk mencapai tujuan dari apa yang telah dinyatakan dalam kontrol sistem manajemen keamanan informasi (SMKI), maka digunakan pendekatan operasional dalam penilaian resiko yang disebut sebagai Factor Analysis Information Risk (FAIR). Kesimpulan yang didapatkan adalah bahwa dengan menggunakan metode FAIR, maka proses penilaian resiko yang ditetapkan dalam ISO 27005:2018 sebagai bentuk kelengkapan untuk SMKI klausul 6 pada ISO 27001:2013 dapat dilakukan dengan lebih mudah.
Klastering Wilayah Kota/Kabupaten Berdasarkan Data Persebaran Covid-19 Di Propinsi Jawa Timur dengan Metode K-Means Wiyli Yustanti; Naim Rahmawati; Yuni Yamasari
JIEET (Journal of Information Engineering and Educational Technology) Vol. 4 No. 1 (2020)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jieet.v4n1.p1-9

Abstract

Klastering persebaran pandemi COVID-19 di Jawa Timur dapat dilakukan dengan melihat dinamika data harian yang disajikan dalam situs resmi pemerintah Jawa Timur terkait informasi COVID-19. Sumber data untuk proses klastering adalah data jumlah orang dalam resiko (ODR), orang tanpa gejala (OTG), orang dalam pemantauan (ODP), pasien dalam pengawasan (PDP) dan jumlah pasien positif  terpapar virus COVID-19 (Confirm) untuk seluruh kabupaten/kota di Propinsi Jawa Timur. Melalui algoritma klastering Non-Hirarki K-Means didaptkan bahwa jumlah klaster optimum adalah 5 klaster. Untuk membuktikan bahwa kelima klaster yang dibentuk ini berbeda secara signifikan maka dilakukan uji mean vektor dengan statistic Wilks Lambda dan dihasilkan perbedaan yang signifikan dengan tingkat kepercayaan 95%. Karakteristik klaster untuk setiap kelompok dapat disimpulkan secara umum adalah klaster dengan kasus PDP dan Confirm yang sangat tinggi (red zone) , klaster dengan kasus jumlah Confirm Tinggi ( Orange Zone), klaster dengan jumlah PDP Tinggi (Yellow Zone), klaster dengan jumlah kasus PDP dan Confirmed Sedang ( Green Zone) dan klaster dengan PDP dan Confirm rendah (Light Green Zone).
Analisa Learning Rate dan Batch Size pada Klasifikasi Covid Menggunakan Deep Learning dengan Optimizer Adam Naim Rochmawati; Hanik Badriyah Hidayati; Yuni Yamasari; Hapsari Peni Agustin Tjahyaningtijas; Wiyli Yustanti; Agus Prihanto
JIEET (Journal of Information Engineering and Educational Technology) Vol. 5 No. 2 (2021)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jieet.v5n2.p44-48

Abstract

Deep learning semakin berkembang pesat dan banyak dimanfaatkan dalam berbagai bidang kehidupan. Salah satunya bisa dimanfaatkan untuk klasifikasi image medis penderita covid. Keras adalah salah satu framework deep learning yang paling banyak digunakan. Dalam Keras, terdapat beberapa macam algoritma optimizer. Salah satunya adalah optimizer Adam. Untuk menggunakan optimizer Adam ini, perlu menentukan angka learning rate. Penentuan angka learning rate sangat penting karena salah dalam menentukan angka learning rate akan berdampak pada hasil deep learning yang dilakukan. Batch size juga salah satu hyperparameter penting dalam deep learning. Penelitian ini bertujuan untuk mengetahui dan membandingkan beberapa learning rate dan batch size agar diketahui efek dan dampaknya pada hasil loss dan akurasi training dan validasi pada proses deep learning yang dilakukan. Ada 6 learning rate dan 3 batch size yang akan dibandingkan. Hasil yang optimal diantara 6 learning rate dalam penelitian ini adalah 0.0001 dan 0.00001. Sedangkan batch size yang paling bagus hasilnya dari tiga angka yang dibandingkan adalah batch size 5
Analisis Pemilihan Aplikasi Opensource ERP terhadap UKM Menggunakan Metode Kombinasi ANP dan PROMETHEE Miftakhul Alief Faturrahman; Wiyli Yustanti
Journal of Informatics and Computer Science (JINACS) Vol 1 No 03 (2020)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (284.296 KB) | DOI: 10.26740/jinacs.v1n03.p122-127

Abstract

Abstrak— Untuk melakukan pertimbangan dalam pengembangan proses bisnis dari UKM, maka perlu dilakukan penerapan aplikasi ERP. Pada saat ini semakin banyak vendor aplikasi ERP, baik yang opensource maupun berlisensi. Agar meminimalisir resiko implementasi ERP, penulis menggunakan aplikasi ERP yang bersifat opensource. Tujuan dari penelitian ini diantaranya untuk (1) membantu UKM dalam memilih software opensource ERP yang tepat, (2) sebagai pertimbangan bagi UKM dalam pengembangan proses bisnis dan teknologi informasinya.Penelitian ini menggunakan metode Analytical Network Process dan Preference Ranking Organization Method for Enrichment Evaluation. Metode ANP digunakan untuk mendapatkan bobot dari subkriteria dan Metode PROMETHEE digunakan untuk mendapatkan ranking prioritas dari alternatif aplikasi opensource ERP yang didasarkan oleh informasi yang didapatkan dari sejumlah UKM yang berpartisipasi dalam penelititan ini.Metode yang digunakan dalam penelitian ini berhasil mendapatkan 3 top kriteria atau kriteria yang mempunyai bobot tertinggi antara lain (1) Brand Image 15.20% (2) Market Position 13.70% (3) References 12.52% serta hasil akhir dari penelitian ini adalah mendapatkan peringkat alternatif aplikasi opensource ERP yang terbaik yaitu (1) Openbravo (2) Odoo (3) WebERP Kata Kunci— UKM, Opensource ERP, ANP, PROMETHEE, MCDA
Analisis Permintaan Barang Habis Pakai Menggunakan Algoritma Apriori dan Artificial Neural Network (Studi Kasus: Instalasi Bedah Rumah Sakit X) Tama Priyadi; Wiyli Yustanti
Journal of Informatics and Computer Science (JINACS) Vol 3 No 01 (2021)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (592.896 KB) | DOI: 10.26740/jinacs.v3n01.p1-11

Abstract

Setiap unit maupun instalasi pada rumah sakit memiliki kebutuhan barang habis pakai yang berbeda-beda. Sehingga untuk memenuhi kebutuhan barang habis pakai tersebut, setiap unit maupun instalasi mengajukan permintaan barang kepada logistik rumah sakit. Seperti yang dilakukan oleh instalasi bedah pada rumah sakit x yang kesulitan untuk mengetahui barang habis pakai apa saja yang saling berkaitan dan yang paling sering dibutuhkan. Selain itu, pihak instalasi bedah rumah sakit x juga kesulitan dalam memprediksi jumlah permintaan barang habis pakai. Teknik dan metode yang digunakan untuk menangani permasalahan pada sulitnya mengetahui keterkaitan antar barang habis pakai yang sering dibutuhkan adalah association rule dengan menggunakan algoritma apriori, sedangkan teknik dan metode untuk menangani permasalahan pada sulitnya memprediksi jumlah permintaan barang habis pakai adalah Artificial Neural Network (ANN) menggunakan algoritma backpropagation. Proses association rule dengan algoritma apriori menggunakan parameter minimal support sebesar 8% atau 0,08 dan minimal confidence 60% atau 0,6 yang didapatkan melalui proses trial and error, menghasilkan 9 rule. Selanjutnya dari 9 rule tersebut diambil 5 rule dengan nilai confidence tertinggi untuk dilakukan prediksi menggunakan ANN dengan algoritma backpropagation. Variabel yang diperlukaan pada proses ANN adalah jumlah barang habis pakai tiap bulannya. Pembentukan model arsitektur ANN dilakukan dengan melakukan trial and error menggunakan perubahan hidden layer mulai dari 1-10 dan 6 jenis learning rate yaitu 0,001-0,003 dan 0,1-0,3. Hasil uji coba ANN mendapatkan nilai akurasi tertinggi sebesar 95,625% pada rule keempat dengan model 1-1-1 learning rate 0,01. Dan nilai akurasi terkecil sebesar 81,367% pada rule kedua dengan model 2-9-1 learning rate 0,03. Kata Kunci—Data Mining, Association Rule, Apriori, ANN, Backpropagation.
Klasifikasi Buku Menggunakan Metode Support Vector Machine pada Digital Library Dhiany Hana Amalia; Wiyli Yustanti
Journal of Informatics and Computer Science (JINACS) Vol 3 No 01 (2021)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (365.568 KB) | DOI: 10.26740/jinacs.v3n01.p55-61

Abstract

Perpustakaan merupakan suatu tempat dimana memiliki berbagai koleksi buku hingga jurnal dan majalah. Namun dengan seiringnya perkembangan teknologi, kini perpustakaan dapat mengembangkan pelayanannya kedalam digital atau disebut dengan e-library. Hal ini sangat memudahkan pemustaka dalam pencarian data buku. Dalam penelitian ini bertujuan untuk menganalisis pada klasifikasi teks, dimana untuk mengetahui kualitas pada metode Support Vector Machine (SVM) dengan menggunakan kernel Linear. Dataset yang digunakan diambil dari https://opac.unesa.ac.id/, dimana terdiri dari sepuluh kategori buku yang disesuaikan dengan Dewey Decimal Classification (DDC). Setelah data terkumpul kemudian memasuki tahapan pre-processing, dimana data terlebih dahulu dilakukan penghapusan terhadap data ganda dan melalui case folding, tokenizing, stopwords. Pada penelitian ini menggunakan data 1.000 records sebagai uji data serta melakukan pengambilan data secara acak, hal ini dilakukan guna menyeimbangkan pada antar data. Selanjutnya dilakukan tahapan ekstraksi fitur dimana pada tahapan ini dilakukannya pengolahan teks menjadi numerik dengan menggunakan pembobotan pada Term Frequency-Inverse Document Frequency (TF-IDF). Kemudian data memasuki tahap pemodelan klasifikasi dengan menggunakan metode SVM. Dalam penggunaan metode ini terdapat empat jenis fungsi kernel, yaitu kernel Linear, RBF, Polynomial, dan Sigmoid dimana memiliki karakteristik masing-masing pada setiap fungsinya. Tujuan dari penilitian ini, yaitu untuk mengetahui pengaruh pada jumlah data latih terhadap kualitas dan efektivitas metode SVM, dimana dilakukan tiga kali pengujian pada model kombinasi data latih dan data uji, yaitu 60:40, 70:30, dan 80:20. Setelah ketiga pengujian telah memasuki tahap proses klasifikasi, maka dapat diambil kesimpulan bahwa metode SVM dalam klasifikasi teks pada digital library dapat digunakan dan menghasilkan akurasi tertinggi yang didapat dengan nilai 69,24% pada penggunaan kernel Linear dibandingkan dengan kernel lainnya, dimana memiliki nilai precision 71%, recall 61%, dan f1-score 64%.
Categorical encoder based performance comparison in pre-processing imbalanced multiclass classification Wiyli Yustanti; Nur Iriawan; Irhamah Irhamah
Indonesian Journal of Electrical Engineering and Computer Science Vol 31, No 3: September 2023
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/ijeecs.v31.i3.pp1705-1715

Abstract

The contribution of this study is to offer suggestions for coding techniques for categorical predictor variables and comprehensive test scenarios to obtain significant performance results for imbalanced multiclass classification problems. We modify scenarios in the data mining process with the sample, explore, modify, model, and assess (SEMMA) framework coupled with statistical hypothesis testing to generalize the model performance evaluation conclusions as enhanced-SEMMA. We selected four open-source data sets with unequal class distributions and categorical predictors. Ordinal, nominal, dirichlet, frequency, target, leave one, one hot, dummy, binary, and hashing encoder methods are used. We use the grid-search technique to find the best hyperparameters. The F1-Score and area under the curve (AUC) are evaluated to select the optimal model. In all datasets with 10-fold stratified cross-validation and 95% to 99% accuracy for each dataset, the results show that support vector machine (SVM) outperforms the decision tree (DT) K-nearest neighbor (KNN), Naïve Bayes (NB), logistic regression (LR), and random forest (RF) algorithms. Probability-based or binary encodings, such as target, Dirichlet, dummy, one-hot, or binary, are best for situations with less than 3% of minor class proportions. Nominal or ordinal encoders are preferred for data with a minor class proportion of more than 3%.
Analisis Algoritma Klasifikasi untuk Memprediksi Karakteristik Mahasiswa pada Pembelajaran Daring Wiyli Yustanti; Naim Rochmawati
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 8, No 1 (2022): Volume 8 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v8i1.50452

Abstract

Keberhasilan pelaksanaan pembelajaran secara daring di masa pandemi dari sisi mahasiswa dipengaruhi oleh faktor eksternal dan internal. Faktor eksternal antara lain ketersediaan sinyal atau jaringan yang baik, kuota internet, serta perangkat penunjang seperti smartphone dan laptop. Selain itu, aspek internal seperti motivasi belajar, budaya belajar, dan  kondisi fisik serta psikologi yang baik juga berperan penting dalam keberhasilan proses belajar mahasiswa. Faktor-faktor ini menjadi input untuk membangun model prediksi karakteristik mahasiswa peserta daring. Pada proses pemodelan diawali dengan tahap pre-processing melalui seleksi fitur menggunakan uji independen Chi-Square untuk menentukan variabel yang berpengaruh pada proses prediksi variabel respon. Hasil seleksi variabel independen menghasilkan 16 variabel yang berpengaruh dari total 22 variabel awal.  Adapun jenis label pada variabel respon terdiri dari 4 kelompok yaitu mahasiswa aktif dengan fasilitas terbatas, aktif dengan fasilitas baik, pasif dengan fasilitas baik dan pasif dengan fasilitas terbatas. Pada data penelitian ini, distribusi variabel respon termasuk dalam kategori tidak seimbang (imbalanced class) dengan proporsi kelas terkecil adalah 2,20%. Untuk melakukan balancing data digunakan teknik oversampling sebelum tahap pemodelan. Sementara algoritma klasifikasi yang diujicobakan terdiri dari 6 algoritma yaitu Naïve Bayes (NB), Support Vector Machine (SVM), Random Forest (RF), Regresi Logistik (LR), K-Nearest Neighbor (KNN), dan Decision Tree (DT). Hasil komparasi kinerja menunjukkan bahwa algoritma Support Vector Machine (SVM) lebih unggul dengan nilai F-1 Score 92,8% dan AUC sebesar 99,01%.