Articles
<![CDATA[OPTIMALISASI TATA KELOLA TEKNOLOGI INFORMASI MENGGUNAKAN COBIT 5 (STUDI KASUS STT PAGAR ALAM) ]]>
<![CDATA[Fitria Rahmadayanti]]>;
<![CDATA[Widya Cholil]]>;
<![CDATA[Linda Atika]]>
<![CDATA[ Jurnal Bina Komputer Vol 1 No 2 (2019): Jurnal Bina Komputer ]]>
Publisher : <![CDATA[Jurnal Ilmiah Terpadu Universitas Bina Darma ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (415.86 KB)
|
DOI: 10.33557/binakomputer.v1i2.451
<![CDATA[Penelitian ini membahas tentang optimalisasi tata kelola teknologi informasi di Sekolah Tinggi Teknologi Pagar Alam yang bertujuan untuk mendapatkan penilaian awal dari penerapan tata kelola teknologi informasi bedasarkan COBIT 5 dengan kondisi pelaksanaan yang sedang bejalan untuk meningkatkan nilai dari tata kelola teknologi informasi pada STT Pagar Alam. Pengumpulan data dengan melakukan observasi,wawancara dan kuesioner. Hasil pengelolaan data yang disesuaikan dengan domain COBIT 5 akan dijadikan nilai antar domain. Hasil perhitungan maturity level dari 8 responden pada proses hasil nilai maturity level taat kelola teknologi informasi yang ada di Sekolah Tinggi Teknologi Pagar Alam saat ini menunjukan bahwa 9 domain mengarah pada level 2 (Repeatable) yaitu EDM04, APO01, APO04, APO07, BAI04, BAI10, DSS01, DSS03 dan MEA01. Hasil nilai maturity level saat ini menunjukan bahwa 2 domain mengarah pada level 3 (Defined) yaitu APO03 dan BAI09. Secara umum strategi strategi perbaikan tata kelola teknologi informasi di Sekolah Tinggi Teknologi Pagar Alam maka proses dan kegiatan harus ditetapkan dan didokumentasikan, distandarisasikan dan diintegrasikan bersama.]]>
<![CDATA[SOSIALISASI PENERAPAN MESIN PENETAS TELUR PETERNAK ITIK DAN PROMOSI PEMASARAN SECARA ONLINE PADA KELOMPOK TERNAK DESA SUKA RAJA ]]>
<![CDATA[siti muntari]]>;
<![CDATA[Fitria Rahmadayanti]]>;
<![CDATA[Elpita Aisah]]>
<![CDATA[ NGABDIMAS Vol 5 No 02 (2022): NGABDIMAS (Pengabdian Pada Masyarakat) ]]>
Publisher : <![CDATA[LPPM Sekolah Tinggi Teknologi Pagar Alam ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36050/ngabdimas.v5i02.602
<![CDATA[Masyarakat desa Suka Raja Kecamatan Sukamerindu Kabupaten Lahat hampir Sebagian adalah peternak itik. dimana peternak itik desa suka raja selama ini untuk penetasan itik belum memakai mesin masih lakukan secara konvensional sehingga memakan waktu yang cukup lama dan seringkai mengalami kegagalan penetasan .Tujuan dari PKM ini sosialisasi penerapam mesin penetas telur itik serta pemasaran secara onlane, .,motede yang di gunakan melalui dua tahapan yaitu : tahap pertama, observasi langsung ke desa suka raja dan wawancara secara langsung dengan peternak itik desa suka raja sebagai stakeholder, bertujuan untuk memperoleh informasi kondisi secara real mengenai peternak itik. Tahap kedua ialah tahap pemecahan solusi untuk menyelesaikan masalahan yang ada di kelompok ternak itik. Hasil PKM ini penerapan mesin penetas telur itik guna mempercepat produktivitas serta berupa masyarakat mampu menjalankan mesin penetas itik dengan baik dan pemasaran penjualan secara onlane melalui wabsate , facebook, intrgram dan youtobe. Peternak Itik; Produktivitas; Mesin Penetas Telur; Penjualan Online .]]>
<![CDATA[PENERAPAN NEURAL NETWORK MENGGUNAKAN METODE LEARNING QUANTIZATION UNTUK KLASIFIKASI UBI JALAR ]]>
<![CDATA[Alfis Arif]]>;
<![CDATA[Ferry Putrawansyah]]>;
<![CDATA[Fitria Rahmadayanti]]>;
<![CDATA[Risnaini Masdalipa]]>
<![CDATA[ Jusikom : Jurnal Sistem Komputer Musirawas Vol 7 No 2 (2022): Jusikom : Jurnal Sistem Komputer Musirawas DESEMBER ]]>
Publisher : <![CDATA[LPPM UNIVERSITAS BINA INSAN ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.32767/jusikom.v7i2.1846
<![CDATA[Tujuan dari penelitian ini adalah bertujuan untuk menghasilkan sistem Klasifikasi Jenis Ubi Jalar denganaMetode LearningaVectoraQuantization dengan Image Processing di Dinas Pertanian Kota Pagar Alam. Penelitian ini dilatar belakangi dengan proses pengklasifikasian jenis ubi jalar masih dilakukan secara konvensional dan belum terkomputerisasi, yakni pengklasifikasian ubi jalar masih berdasarkan pengalaman, warna dan bentuk dari ubi jalar. Halainiatentuasaja membutuhkanawaktu yangalama dan masih sering terjadi kesalahan, sehingga penelitian ini dapat membantu pengklasifikasian ubi jalaramenggunakan metodeaLearningaVectoraQuantization (LVQ) dengan cepat. aSistem yang dibangunamenggunakan Software MATLAB, dalam metode pengembangan sistem dalam penelitianaini adalah metodeaSDLC (Software Development Life Cycle), dimanaatahapan meliputiaanalisis, desain, pengkodean dan pengujian, untuk metode pengujian menggunakan Holdout Validation yang dibagi menjadi 2ayaitu dataatraining dan dataatesting. Hasiladariapenelitian ini yakni sistem Klasifikasi Jenis Ubi Jalar dengan metode Learning Vector Quantization dengan Image Processing dimana pada data training menghasilkan 69 data berhasil dan 11 data tidak berhasil sehingga mendapat persentase sebesar 86,25%. Kemudian setelah dilakukan holdout validation dengan 20 data testing menghasilkan 18 data berhasil dan 2 data tidak berhasil dengan persentase sebesar 90%. Akhirnya sistem yang menerapkan learning vector quantization terhadap klasifikasi jenis ubi jalar dengan image processing mendapat akurasi yang tinggi.]]>
<![CDATA[Pengklasterisasian Data Penyakit Hipertensi dengan Menggunakan Metode K-Means ]]>
<![CDATA[Fitria Rahmadayanti]]>;
<![CDATA[Inda Anggraini]]>;
<![CDATA[Tri Susanti]]>
<![CDATA[ Journal of Information System Research (JOSH) Vol 4 No 2 (2023): January 2023 ]]>
Publisher : <![CDATA[Forum Kerjasama Pendidikan Tinggi (FKPT) ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.47065/josh.v4i2.2905
<![CDATA[The increasing number and variety of diseases suffered by the community due to lifestyle changes that are influenced by the progress of the times. Periodic disease data collection will increase the accumulation of data. This is often an error in the data search process so that it takes a long time to search the data. This study focuses on data collection on hypertension and aims to cluster the data. The method used in this study is CRISP-DM with a business understanding process, data understanding, data preparation, modeling, evaluation and deployment. The algorithm used in this clustering is the K-Means algorithm. The results of this study resulted in 2 clusters, namely cluster 0 Normal and cluster 1 Hypertension. The results of this study can provide information about the results of 2 clusters, namely cluster 0 Normal and cluster 1 Hypertension]]>
<![CDATA[Pelatihan Pembutan Brosur Dengan Adobe Photoshop Pada SMA PGRI Pagar Alam ]]>
<![CDATA[Siti Muntari]]>;
<![CDATA[Elpita Aisah]]>;
<![CDATA[Fitria Rahmadaynti]]>
<![CDATA[ KREATIF: Jurnal Pengabdian Masyarakat Nusantara Vol. 3 No. 2 (2023): Juni : Jurnal Pengabdian Masyarakat Nusantara ]]>
Publisher : <![CDATA[Pusat Riset dan Inovasi Nasional ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.55606/kreatif.v3i2.1752
<![CDATA[An indicator of a good village is having a clean environment and local residents free from all diseases. In addition, local residents have commodities to be more independent in terms of economic development. This is of course not only the responsibility of village officials, but requires the support and cooperation of local residents as well. Therefore it is necessary to make use of the village environment which can realize the indicators previously mentioned. The first step that can be taken is to start with your own yard. Because based on observations, the service team found that in the partner village, namely Balombong village, it had not been used properly and there were empty lands in the residents' yards. So that the purpose of implementing this service is to provide education for residents to be able to take advantage of the yard by planting fruit in pots. This can make the environment more beautiful, healthy and the results can help the local economy]]>
<![CDATA[PENERAPAN METODE DATA MINING PADA KASUS KRIMINALITAS INDONESIA ]]>
<![CDATA[Fitria Rahmadayanti]]>;
<![CDATA[Rika Rahayu]]>
<![CDATA[ Jurnal Teknologi Informasi Mura Vol 15 No 1 (2023): Vol 15 No 1 (2023): Jurnal Teknologi Informasi Mura Juni ]]>
Publisher : <![CDATA[LPPM UNIVERSITAS BINA INSAN ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Kriminalitas merupakan masalah yang sering terjadi di lingkungan masyarakat yang dapat mengancam keselamatan dimana saja termasuk di negara Indonesia. Berdasarkan data dari Badan Statistic tindak Kriminaitas di Indonesia sebesar 90 per 100.000 penduduk pada tahun 2021. hal itu berarti ada 90 dari 100.000 penduduk yang menjadi korban kriminalitas sepanjang tahun lalu. Ini menjadi PR pemerintah dan kepolisian republic indonesia khususnya untuk dapat menangani dan mengupayakan penanggulangan kriminalitas di Indonesia. Tujuan dari penelitian ini adalah dapat membantu pihak kepolisian di Indonesia menganalisis data-data kriminalitas yang terjadi berdasarkan jenis kejahatan sehingga mempermudah pemerintah Indonesia dalam mengambil suatu keputusan. Metode yang digunakan pada penelitian adalah metode CRIS-DM yang terdiri dari 6 tahap yaitu Business Understanding (Pemahaman Bisnis), Data Understanding (Pemahaman Data), Data Preparation (Persiapan Data), Modelling (Pemodelan), Evaluation (Pengujian) dan Deployment (Penyebaran). Pada penelitian dilakukan pengelompokan data kriminalitas di Indonesia menggunakan Algoritma K-Means, Data yang diloah di bagi menjadi 3 Cluster yaitu Cluster tindak kriminalitas tingkat tinggi (C0), Cluster tindak kriminalitas tingkat sedang (C1) dan Cluster tindak kriminalitas tingkat renda (C2). Hasil algoritma K-Means diperoleh dengan hasil Cluster 1 dengan kategori tindak kriminalitas sangat tinggi memiliki 22 items, Cluster 2 dengan kategori tinggi memiliki 1 items dan Cluster 3 dengan kategori sedang memiliki 11 items.]]>
<![CDATA[PENERAPAN METODE DATA MINING PADA KASUS KRIMINALITAS INDONESIA ]]>
<![CDATA[Fitria Rahmadayanti]]>;
<![CDATA[Rika Rahayu]]>
<![CDATA[ Jurnal Teknologi Informasi Mura Vol 15 No 1 (2023): Jurnal Teknologi Informasi Mura Juni ]]>
Publisher : <![CDATA[LPPM UNIVERSITAS BINA INSAN ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Kriminalitas merupakan masalah yang sering terjadi di lingkungan masyarakat yang dapat mengancam keselamatan dimana saja termasuk di negara Indonesia. Berdasarkan data dari Badan Statistic tindak Kriminaitas di Indonesia sebesar 90 per 100.000 penduduk pada tahun 2021. hal itu berarti ada 90 dari 100.000 penduduk yang menjadi korban kriminalitas sepanjang tahun lalu. Ini menjadi PR pemerintah dan kepolisian republic indonesia khususnya untuk dapat menangani dan mengupayakan penanggulangan kriminalitas di Indonesia. Tujuan dari penelitian ini adalah dapat membantu pihak kepolisian di Indonesia menganalisis data-data kriminalitas yang terjadi berdasarkan jenis kejahatan sehingga mempermudah pemerintah Indonesia dalam mengambil suatu keputusan. Metode yang digunakan pada penelitian adalah metode CRIS-DM yang terdiri dari 6 tahap yaitu Business Understanding (Pemahaman Bisnis), Data Understanding (Pemahaman Data), Data Preparation (Persiapan Data), Modelling (Pemodelan), Evaluation (Pengujian) dan Deployment (Penyebaran). Pada penelitian dilakukan pengelompokan data kriminalitas di Indonesia menggunakan Algoritma K-Means, Data yang diloah di bagi menjadi 3 Cluster yaitu Cluster tindak kriminalitas tingkat tinggi (C0), Cluster tindak kriminalitas tingkat sedang (C1) dan Cluster tindak kriminalitas tingkat renda (C2). Hasil algoritma K-Means diperoleh dengan hasil Cluster 1 dengan kategori tindak kriminalitas sangat tinggi memiliki 22 items, Cluster 2 dengan kategori tinggi memiliki 1 items dan Cluster 3 dengan kategori sedang memiliki 11 items.]]>
<![CDATA[Penerapan Metode Decision Tree Dalam Menentukan Kelulusan Mahasiswa ]]>
<![CDATA[Rahmadayanti, Fitria]]>;
<![CDATA[Anggraini, Inda]]>
<![CDATA[ Building of Informatics, Technology and Science (BITS) Vol 3 No 3 (2021): December 2021 ]]>
Publisher : <![CDATA[Forum Kerjasama Pendidikan Tinggi ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (357.045 KB)
|
DOI: 10.47065/bits.v3i3.1154
<![CDATA[The purpose of this study is to produce a prediction system for determining the determination of student graduation on time with the Decision Tree method at Pagaralam High School of Technology. If many students graduate not on time or exceed the specified limit will result in the accumulation of students in large numbers due to the imbalance of the number of students entering and exiting each graduation period so that it can cause the academic process does not run optimally. Decision Tree is a classification algorithm that can predict large amounts of data. The development method used is the Rapid Application Develoment (RAD) method consisting of Requirement Planning (Requirements Planning), Workshop Design, Implementation (Implementation). This research can help the Pagaralam High School of Technology in seeing whether students will graduate on time or not]]>
<![CDATA[PENERAPAN METODE DATA MINING PADA KASUS KRIMINALITAS INDONESIA ]]>
<![CDATA[Rahmadayanti, Fitria]]>;
<![CDATA[Rahayu, Rika]]>
<![CDATA[ Jurnal Teknologi Informasi Mura Vol 15 No 1 (2023): Jurnal Teknologi Informasi Mura Juni ]]>
Publisher : <![CDATA[LPPM UNIVERSITAS BINA INSAN ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.32767/jti.v15i1.2054
<![CDATA[Kriminalitas merupakan masalah yang sering terjadi di lingkungan masyarakat yang dapat mengancam keselamatan dimana saja termasuk di negara Indonesia. Berdasarkan data dari Badan Statistic tindak Kriminaitas di Indonesia sebesar 90 per 100.000 penduduk pada tahun 2021. hal itu berarti ada 90 dari 100.000 penduduk yang menjadi korban kriminalitas sepanjang tahun lalu. Ini menjadi PR pemerintah dan kepolisian republic indonesia khususnya untuk dapat menangani dan mengupayakan penanggulangan kriminalitas di Indonesia. Tujuan dari penelitian ini adalah dapat membantu pihak kepolisian di Indonesia menganalisis data-data kriminalitas yang terjadi berdasarkan jenis kejahatan sehingga mempermudah pemerintah Indonesia dalam mengambil suatu keputusan. Metode yang digunakan pada penelitian adalah metode CRIS-DM yang terdiri dari 6 tahap yaitu Business Understanding (Pemahaman Bisnis), Data Understanding (Pemahaman Data), Data Preparation (Persiapan Data), Modelling (Pemodelan), Evaluation (Pengujian) dan Deployment (Penyebaran). Pada penelitian dilakukan pengelompokan data kriminalitas di Indonesia menggunakan Algoritma K-Means, Data yang diloah di bagi menjadi 3 Cluster yaitu Cluster tindak kriminalitas tingkat tinggi (C0), Cluster tindak kriminalitas tingkat sedang (C1) dan Cluster tindak kriminalitas tingkat renda (C2). Hasil algoritma K-Means diperoleh dengan hasil Cluster 1 dengan kategori tindak kriminalitas sangat tinggi memiliki 22 items, Cluster 2 dengan kategori tinggi memiliki 1 items dan Cluster 3 dengan kategori sedang memiliki 11 items.]]>
<![CDATA[PENERAPAN ALGORITMA C4.5 PADA PRODUK PENJUALAN MAKANAN RINGAN ]]>
<![CDATA[Rahmadayanti, Fitria]]>;
<![CDATA[Asminah, Asminah]]>;
<![CDATA[Cahaya, Della Tri]]>
<![CDATA[ Jurnal Teknologi Informasi Mura Vol 16 No 1 (2024): Jurnal Teknologi Informasi Mura JUNI ]]>
Publisher : <![CDATA[LPPM UNIVERSITAS BINA INSAN ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.32767/jti.v16i1.2294
<![CDATA[Advances in technology and information today create smart innovations in business, which we can call business intelligence. Competition in the business sphere forces business people to always think about strategies and breakthroughs that can ensure the sustainability of the business being run.The purpose of this study is to accurately analyze the C4.5 algorithm in classifying the best-selling food sales products. The results of research that have been obtained that product sales that are less than 207 include food that is less in demand while sales of products that are more than 207 are among the best-selling foods. Product sales of more than 207 are the best-selling foods where there are 5 best-selling food products. While the sales of products that are less than 207 are less in demand food where there are 5 food products that are less in demand.]]>
