Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Jurnal Responsif : Riset Sains dan Informatika Jurnal Interkom : Jurnal Publikasi Ilmiah Bidang Teknologi Informasi dan Komunikasi
Djajasukma Tjahjadi
STMIK Likmi
Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Social Sciences Other

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Audit Sistem Informasi Akademik Berbasis Web Menggunakan Framework Cobit 5.0 Pada Domain Apo13 Dan Dss05 (Studi Kasus: SIAT STMIK ROSMA KARAWANG) Rahmat Gunawan; Djajasukma Tjahjadi
Jurnal Interkom: Jurnal Publikasi Ilmiah Bidang Teknologi Informasi dan Komunikasi Vol. 13 No. 3 (2018): Jurnal Interkom: Jurnal Publikasi Ilmiah Bidang Teknologi Informasi dan Komuni
Publisher : LPPM STMIK Rosma

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1125.427 KB) | DOI: 10.35969/interkom.v13i3.35

Abstract

STMIK Rosma adalah perguruan tinggi swasta yang berdiri didalam naungan Yayasan Pendidikan Rosma yang berdomisili di Kabupaten Karawang. Saat ini perguruan telah menerapkan sistem dan teknologi informasi dalam mendukung operasional akademik yang dilaksanakan oleh Divisi IT. Tetapi, terdapat beberapa kekurangan dalam penerapan tersebut khususnya dalam hal keamanan seperti security incident. Untuk mencegah hal-hal tersebut terjadi lagi, maka perlu diketahui sejauh mana tata kelola sistem keamanan teknologi informasi perguruan tinggi dengan cara melakukan perbaikan, karena dengan adanya perbaikan dapat dihasilkan rekomendasi berupa tindakan-tindakan apa yang harus dilakukan agar hal-hal tersebut tidak terjadi lagi. Sehingga penelitian dilakukan untuk mengetahui Capability Level pada tata kelola sistem keamanan teknologi informasi STMIK Rosma dengan menggunakan framework COBIT 5.0 domain proses APO13 dan DSS05. Hasil penelitian menunjukan Capability Level pada domain proses APO13.01,02,03 dan DSS05.01,02,03,04,05,06,07, berada pada level 1, sedangkan Capability Level yang diinginkan pada kedua domain proses adalah level 2, sehingga terdapat gap sebesar 1. Setelah mengetahui Capability Level saat ini dan yang diinginkan dapat diberikan rekomendasi untuk perbaikan suatu system.
OPTIMASI SUPPORT VECTOR MACHINE MENGGUNAKAN PARTICLE SWARM OPTIMIZATION UNTUK KLASIFIKASI MULTICLASS DATASET Rissa Nurfitriana Handayani; Djajasukma Tjahjadi
Jurnal Responsif : Riset Sains dan Informatika Vol 5 No 1 (2023): Jurnal Responsif : Riset Sains dan Informatika
Publisher : LPPM Universitas Adhirajasa Reswara Sanjaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51977/jti.v5i1.1069

Abstract

Data mining merupakan proses pengembangan model yang bertujuan untuk memahami pola dari hasil analisis data dan prediksi. Kumpulan data atau yang biasa disebut dataset terdiri dari atribut, data dan kelas. Salah satu permasalahan yang terdapat pada dataset yaitu multiclass dataset. Multiclass merupakan dataset yang memiliki kelas klasifikasi polynominal. Algoritma Support Vector Machine (SVM) banyak digunakan oleh peneliti untuk metode klasifikasi. SVM dipilih karena mampu menentukan hyperplane terpisah untuk memaksimalkan margin antara 2 kelas yang berbeda. Namum, SVM terdapat kekurangan pada saat dilakukan pemilihan parameter, untuk itu diterapkan Particle Swarm Optimization (PSO) untuk meningkatkan hasil akurasi. PSO digunakan untuk optimasi bobot sedangkan SVM digunakan untuk klasifikasi. Dataset yang digunakan merupakan dataset dari UCI Machine Learning Repository. Penerapan SVM menghasilkan nilai akurasi sebesar 78.30% pada breast tissue dataset, 85.81% pada vertebral column dataset, 50.50% pada obesity levels dataset, 92.58% pada hepatitis C virus (HCV) dataset, dan sebesar 52.63% pada exasens dataset. Kemudian setelah dilakukan penerapan optimasi PSO terhadap algoritma SVM diperoleh hasil 83.96% pada breast tissue dataset, 87.42% pada vertebral column dataset, 59.64% pada obesity levels dataset, 96.59% pada hepatitis C virus (HCV) dataset, dan sebesar 56.40% pada exasens dataset. Setelah diterapkan PSO terhadap SVM diperoleh peningkatan akurasi sebesar 1% - 9%. Hasil percobaan menghasilkan bahwa metode yang digunakan mampu menghasilkan kinerja yang baik, dibandingkan dengan hasil klasifikasi lain dengan peningkatan yang signifikan dengan nilai p uji-t 0.019.
Co-Authors Rahmat Gunawan Rissa Nurfitriana Handayani