Article Per Year (5 Year)
p-Index From 2021 - 2026
1.235
P-Index
This Author published in this journals
All Journal IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Prosiding KOMMIT Proceedings of KNASTIK Publikasi Eksternal VISIKES Jurnal technoscientia Jurnal Teknologi Jurnal Linguistik Komputasional Contemporary Mathematics and Applications (ConMathA) JURNAL TEKNOLOGI TECHNOSCIENTIA The Indonesian Journal of Computer Science
Edi Winarko
Jurusan Ilmu Komputer dan Elektronika, FMIPA UGM
Chemical Engineering, Chemistry & Bioengineering Computer Science & IT Control & Systems Engineering Earth & Planetary Sciences Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Materials Science & Nanotechnology Mathematics Mechanical Engineering

Published : 14 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Proceedings of KNASTIK

 1 
PENERAPAN DATA MINING DALAM E-LEARNING Sutrisno, Ashari; Winarko, Edi
Proceedings of KNASTIK 2009
Publisher : Duta Wacana Christian University

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

Abstract

Banyak organisasi memandang bahwa informasi merupakan aset yang sangat berharga. Data miningmemungkinkan organisasi untuk memanfaatkan sebesar mungkin penggunaan informasi dan menemukan informasiinformasibaru dari melimpahnya data yang dimiliki, dalam rangka membantu tugas-tugas seperti: prediksi (untukmemperlihatkan bagaimana karakteristik data dan memperkirakan informasi di masa mendatang), identifikasi (untukmengidentifikasi suatu kejadian atau aktifitas), klasifikasi (untuk memilah-milah data, sehingga dapat menggolongkaninformasi berdasar kategori atau parameter tertentu), dan optimalisasi (untuk mengoptimalkan penggunaan keterbatasansumber, sekaligus memaksimalkan output yang didapatkan). Data mining telah digunakan di banyak bidang, di antaranya:manajemen bisnis, telekomunikasi, farmasi, super market, industri, transportasi, kesehatan, penerbangan angkasa luar, danElectronic Learning (E-Learning). Meningkatnya penyebaran materi atau bahan pembelajaran dalam E-Learning telahmeningkatkan jumlah data menjadi sangat besar dan kompleks. Data yang terlalu besar dan kompleks menjadi sulit untukdimanfaatkan. Cara yang populer dan efektif untuk mengatasi hal ini adalah dengan menggunakan data mining. Makalah iniakan menghadirkan pembahasan tentang data mining dalam penerapan dan teknik-tekniknya untuk E-Learning.
Usulan Penggunaan Metode-Metode dalam Data Mining untuk Manajemen Risiko Bank Komersil di Indonesia Widhiarso, Wijang; Winarko, Edi
Proceedings of KNASTIK 2010
Publisher : Duta Wacana Christian University

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

Abstract

Ada delapan (8) risiko yang di kelola dalam peraturan Bank Indonesia tentang pengelolaan resiko, yakni: risiko kredit, risiko pasar, risiko operasional, risiko likuiditas, risiko kepatuhan, risiko hukum, risiko strategi dan risiko reputasi. Dari hasil telaah terhadap literatur yang ada serta model yang diusulkan terlihat bahwa metode SVM dan Naive Bayes untuk analisis risiko kredit dianggap tepat karena metode ini memiliki kinerja yang lebih baik ketika bekerja dengan fitur-fitur multi dimensional dan berkelanjutan. Metode K-Means diiusulkan untuk menganalisis risiko pasar karena metode  ini dianggap mampu menangani data multi dimensial yang besar dan sangat tergantung kepada parameter input. Metode Bayesian Markov Chain Monte Carlo (MCMC) direkomendasi  khusus untuk menajemen risiko operasional terutama masalah kehilangan data baik data  yang juga dikombinasi dengan opini dari pakar. Penggunaan metode Multi Classes Suport Vector Machines untuk risiko likuiditas karena metode ini mampu mengurangi jumlah indeks, menurunkan kompleksitas analisis saat mengelola risiko keuangan yang sumber datanya biasanya bersifat statistik, mampu meningkatkan efisiensi dan ketepatan prediksi. Untuk risiko hukum, risiko kepatuhan, risiko reputasi dan risiko stratejik penulis mengusulkan metode decision tree untuk mengelola ketiga risiko tersebut dengan data mining. Alasannya adalah bahwa decision tree memiliki profil operasional yang sederhana dan cocok dengan mekanisme struktur analisis risiko hukum.
Co-Authors Aaqilah Salsabila, Zaneta Adi Nugroho Adi Nugroho Ahmad Subhan Yazid Armadyah Amborowati Ashari Sutrisno Auli Damayanti Edhy Sutanta (Jurusan Teknik Informatika IST AKPRIND Yogyakarta) Herny Februariyanti Katarina Keishanti Joanne Kartakusuma Khabib Mustofa Kusumawati, Mifaidah Lilis Sulistyorini Muhammad Davi Naura, Nuha Nikmah, Asrivatun Prasastio, Fahmi Reza R Azizah Retantyo Wardoyo Santi Martini Suryanti, Angel Berta Desi Suwanto Raharjo Wijang Widhiarso