Articles
<![CDATA[Implementasi Fuzzy Logic Pada Tambak Ikan Bandeng Berbasis Internet of Things (IoT) ]]>
<![CDATA[Sandi Susanto]]>;
<![CDATA[Hanny Hikmayanti]]>;
<![CDATA[Jamaludin Indra]]>
<![CDATA[ Scientific Student Journal for Information, Technology and Science Vol. 1 No. 1 (2020): Scientific Student Journal for Information, Technology and Science ]]>
Publisher : <![CDATA[Scientific Student Journal for Information, Technology and Science ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1024.142 KB)
<![CDATA[Mengelola sebuah tambak banyak faktor yang harus dipertimbangkan, salah satu faktor yang harus dikeloladengan baik yaitu Salinitas Air. Salinitas merupakan tingkat keasinan atau kadar garam terlarut dalam air,Salinitas juga dapat mengacu pada kandungan garam dalam tanah. Kondisi lingkungan dan cuaca yang berubahubah menyebabkan salinitas pada air tambak mengalami kenaikan maupun penurunan, pada musim kemarausalinitas air tambak ikan bandeng umumnya mengalami peningkatan yang cukup drastis, sedangkan pada musimhujan umumnya salinitas air tambak berada pada batas normal atau bahkan kurang normal. Kebanyakan petanitambak melakukan penambahan air tawar di musim kemarau dan penambahan air laut dimusim hujan. Pada anini metode Fuzzy Logic berbasis IoT mampu mengontrol salinitas air tambak Ikan Bandeng, dengan tingkatakurasi sebesar 88% untuk menentukan kondisi air tambak dalam baik, tidak baik, atau terlalu asin. Dan InternetOf Things(IoT) sebagai monitoring tambak ikan bandeng juga dapat bekerja dengan baik, dalam jarak kontrolyang cukup jauh.]]>
<![CDATA[Penggunaan Arduino untuk Monitoring dan Otomatisasi Instrumen Penunjang Ruang Kelas ]]>
<![CDATA[Arif Nurman]]>;
<![CDATA[Hanny Hikmayanti]]>;
<![CDATA[Jamaludin Indra]]>
<![CDATA[ Scientific Student Journal for Information, Technology and Science Vol. 1 No. 2 (2020): Scientific Student Journal for Information, Technology and Science ]]>
Publisher : <![CDATA[Scientific Student Journal for Information, Technology and Science ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (848.932 KB)
<![CDATA[Kenyamanan dalam ruang kelas menjadi faktor kelancaran kegiatan belajar mengajar dan dapat mempengaruhihasil belajar, penggunaan alat penyejuk ruangan dan proyektor merupakan pilihan yang dapat digunakan untukmenciptakan agar ruangan terjaga dalam kondisi nyaman saat proses belajar mengajar. Namun ketersediaanpengendali jarak jauh yang terbatas mengakibatkan pengendalian alat penyejuk ruangan dan proyektor menjaditerkendala, akibatnya alat penyejuk ruangan dan proyektor dikendalikan secara manual dan tidak teratur.Mikrokontroler Arduino telah dibuktikan dapat melakukan otomatisasi menyalakan dan mematikan alat penyejukruangan dan proyektor, Arduino ethernet shield pada mikrokontroler berfungsi sebagai pengirim data ke webserver. Sehingga, Arduino dapat menjadi alat monitoring yang memberikan informasi penggunaan ruang kelasyang dapat dilihat setiap saat pada komputer yang terhubung dengan server lokal. Berdasarkan hasil pengujianyang dilakukan, alat otomatisasi menggunakan Arduino dapat megendalikan proyektor dengan tingkatkeberhasilan 70,00%, mengendalikan alat penyejuk ruangan dengan tingkat keberhasilan 66,67% dan dapatmemberikan informasi penggunaan ruang kelas dengan tingkat keberhasilan 86,67%.]]>
<![CDATA[Pengenalan Pola Aksara Sunda dengan Metode Convolutional Neural Network ]]>
<![CDATA[Alif Kirana]]>;
<![CDATA[Hanny Hikmayanti]]>;
<![CDATA[Jamaludin Indra]]>
<![CDATA[ Scientific Student Journal for Information, Technology and Science Vol. 1 No. 2 (2020): Scientific Student Journal for Information, Technology and Science ]]>
Publisher : <![CDATA[Scientific Student Journal for Information, Technology and Science ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (641.492 KB)
<![CDATA[Aksara Sunda merupakan huruf yang digunakan oleh suku Sunda untuk menuliskan kata-kata yang digunakandalam bahasa Sunda. Aksara Sunda mempunyai beberapa jenis aksara yaitu aksara khusus, rarangkѐn, pasangan,aksara ngalagena dan aksara swara. Pada zaman sekarang banyak remaja menganggap Aksara Sunda sulit untukdipelajari karena bentuknya unik dan cukup rumit. Sehingga, dibutuhkan suatu pendekatan dalam penyelesaianpermasalahan ini. Salah satu pendekatan untuk menyelesaikan masalah ini adalah pengenalan suatu citra denganmenggunakan metode Convolutional Neural Network(CNN). CNN mampu melakukan proses pembelajaranmandiri untuk pengenalan objek, ekstraksi objek dan klasifikasi. Berdasarkan penelitian yang telah dilakukandengan menggunakan empat jenis pengujian, pengujian citra dari citra yang diambil dari buku elektronikdidapatkan akurasi 72.4%, citra dari citra font komputer didapatkan akurasi 100.0%, citra dari tulisan tanganresponden yang diambil menggunakan kamera ponsel cerdas didapatkan akurasi 84.4%, dan pengujian citra daritulisan tangan responden yang diambil menggunakan pemindai didapatkan akurasi 85.5%. Maka berdasarkanhasil uji citra, metode CNN mampu mengklasifikasi dalam mengenali citra Aksara Sunda.]]>
<![CDATA[Identifikasi Kematangan Buah Tomat Berdasarkan Warna Menggunakan Metode Hue Saturation Value ]]>
<![CDATA[Cucu Sri Cahyanti]]>;
<![CDATA[Hanny Hikmayanti H]]>;
<![CDATA[Dwi Sulistya Kusumaningrum]]>
<![CDATA[ Scientific Student Journal for Information, Technology and Science Vol. 2 No. 2 (2021): Scientific Student Journal for Information, Technology and Science ]]>
Publisher : <![CDATA[Scientific Student Journal for Information, Technology and Science ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (487.216 KB)
<![CDATA[Buah Tomat adalah salah satu komoditas hasil pertanian, dimana untuk distribusi dari petani ke penjual membutuhkan rangkaian proses dan waktu yang panjang. Masalahnya tomat memiliki sifat yang mudah rusak dan membusuk sehingga mudah terpapar oleh infeksi jamur, berair dan berbau busuk mengakibatkan dapat merugikan petani ataupun pedagang. Untuk mencegah terjadinya pembusukan tomat pada saat pendistribusian diperlukan suatu sistem yang dapat membantu proses pengecekan kematangan tomat. Solusinya menggunakan metode pengolahan citra digital untuk klasifikasi citra buah tomat berdasarkan warna dengan menggunakan metode HSV (hue, saturation, value). Data set yang digunakan dalam penelitian ini adalah 165 citra tomat yang dibagi menjadi 55 citra tomat mentah, 55 citra tomat setengah matang dan 55 citra tomat matang. Data Test mengunakan 20 citra dan hasil identifikasi mencapai akurasi 80%.]]>
<![CDATA[Penerapan Metode Machine Learning untuk Prediksi Nasabah Potensial menggunakan Algoritma Klasifikasi Naïve Bayes ]]>
<![CDATA[Devi Fitrianah]]>;
<![CDATA[Saruni Dwiasnati]]>;
<![CDATA[Hanny Hikmayanti H]]>;
<![CDATA[Kiki Ahmad Baihaqi]]>
<![CDATA[ Faktor Exacta Vol 14, No 2 (2021) ]]>
Publisher : <![CDATA[LPPM ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30998/faktorexacta.v14i2.9297
<![CDATA[Customers are people who trust the management of their money in a bank or other financial service party to be used in banking business operations, thereby expecting a return in the form of money for their savings. To reach information to increase company profits, a method is needed to be able to provide knowledge in supporting the data that the company has. The model can be obtained by using predictive data processing of customer data that is categorized as potential or not potential. Data processing can be done using Machine Learning, namely classification techniques. This technique will produce a churn prediction model for determining the category of customers who fall into the Potential or Not Potential category and find out what accuracy value will be generated by applying the classification technique using the Naïve Bayes Algorithm. The parameters used in this study are Gender, Age, Marital Status, Dependent, Occupation, Region, Information. The data used are 150 data from customers who have participated in the savings program to find out whether the customer is in the Potential or Non-Potential category. The accuracy results generated using this data are 86.17% of the tools used by Rapidminner.]]>
<![CDATA[PERFORMA OPTIMAL PENERAPAN ALGORITMA GENETIKA PADA PENJADWALAN MATA KULIAH ]]>
<![CDATA[Heri Hermawan]]>;
<![CDATA[Ahmad Fauzi]]>;
<![CDATA[Yana Cahyana]]>;
<![CDATA[Hanny Hikmayanti Handayani]]>
<![CDATA[ Conference on Innovation and Application of Science and Technology (CIASTECH) CIASTECH 2020 "Peranan Strategis Teknologi Dalam Kehidupan di Era New Normal" ]]>
Publisher : <![CDATA[Universitas Widyagama Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Penjadwalan mata kuliah sangat diperlukan dalam perkuliahan, terdapat beberapa kendala dalam proses penjadwalan mata kuliah di universitas. Ketersediaan ruangan dan slot waktu perlu diperhitungkan karena hal tersebut merupakan faktor yang dapat mempersulit proses penjadwalan dan dapat terjadi bentrok dalam jadwal. Pada penelitian ini, algoritma genetika digunakan untuk menyelesaikan permasalahan optimasi penjdawalan mata kuliah. Data yang digunakan adalah data perkuliahan seperti data mata kuliah, data dosen, data ruangan dan waktu. Berdasarkan hasil pengujian yang dilakukan terhadap nilai parameter, jumlah generasi dan nilai fitness algoritma genetika yaitu 157 individu, jumlah generasi 11, probabilitas crossover 0,1, dan probabilitas mutasi 0,3 menghasilkan penjadwalan mata kuliah yang optimal dengan nilai fitness terbaik 1 tanpa terjadi bentrok. Hasil penjadawalan mata kuliah yang optimal tersebut tidak terlepas dari optimalnya parameter yang digunakan.]]>
<![CDATA[ANALISIS SENTIMEN PADA BULETIN MENGGUNAKAN ALGORITME DBSCAN ]]>
<![CDATA[Dwi Vina Wijaya]]>;
<![CDATA[Yogi Firman Alfiansyah]]>;
<![CDATA[Anton Romadoni Junior]]>;
<![CDATA[Anis Fitri Nur Masruriyah]]>;
<![CDATA[Jamaludin Indra]]>;
<![CDATA[Hanny Hikmayanti]]>;
<![CDATA[Amril Mutoi Siregar]]>
<![CDATA[ Conference on Innovation and Application of Science and Technology (CIASTECH) CIASTECH 2021 "Kesiapan Indonesia Dalam Menghadapi Krisis Energi Global" ]]>
Publisher : <![CDATA[Universitas Widyagama Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Asosiasi Perguruan Tinggi Informatika dan Ilmu Komputer (APTIKOM) mengembangkan media yang memuat informasi dan teknologi bentuk media online yaitu Buletin. Informasi yang disampaikan pada Buletin membahas mengenai big data, kemajuan teknologi dan lain – lain. Kalimat yang terkandung dalam Buletin dapat berupa kalimat positif, negatif maupun netral. Penggunaan kata dalam menyusun kalimat dapat memengaruhi informasi yang disampaikan. Oleh karena itu, penyusunan kalimat perlu diperhatikan agar dapat meminimalkan kesalahan maksud dan tujuan. Penyusunan kalimat dapat diawali dengan pemilihan kata, pengelompokkan kata, dan melakukan klasifikasi sentimen. Proses pemeriksaan dokumen dapat dilakukan dengan algoritme DBSCAN. Algoritme DBSCAN dapat melakukan clustering dalam menentukan noise yang terdapat di dalam dokumen. Penelitian magazine bertujuan melakukan pemeriksaan kata negatif, positif dan netral. Selain itu, bertujuan untuk melakukan pencarian intisari yang terdapat dalam dokumen. Tahapan diawali dengan proses TF IDF untuk klasifikasi dan DBSCAN untuk clustering. Selanjutnya, hasil yang diperoleh akan dievaluasi dengan Sum of Square Error (SSE) dan pemeriksaan ketepatan cluster meggunakan Silhouette. Hasil evaluasi algoritma menunjukkan perbandingan nilai masing – masing cluster. Lalu, hasil evaluasi akan diperiksa dengan silhouette yang menunjukkan ketepatan cluster.]]>
<![CDATA[Implementasi Algoritma Neural Network untuk Mendukung Keputusan di Desa Tamanmekar ]]>
<![CDATA[Amril Mutoi Siregar]]>;
<![CDATA[Hanny Hikmayanti H]]>
<![CDATA[ PETIR Vol 13 No 1 (2020): PETIR (Jurnal Pengkajian Dan Penerapan Teknik Informatika) ]]>
Publisher : <![CDATA[Sekolah Tinggi Teknik - PLN ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (579.527 KB)
|
DOI: 10.33322/petir.v13i1.768
<![CDATA[Tingkat kesejahteraan masyarakat pedesaan yang terutama jauh dari perkotaan, masih banyak ditemukan dibawah garis kemiskinan. Mengingat akar permasalahannya adalah hampir semua desa tidak mempunyai data yang benar, akurat dan tepat tentang kondisi permasalahan dan potensi desa yang dimiliki. Padahal pemerintah pusat menyalurkan anggaran tiap tahun untuk setiap desa, hampir mencapai 1 milyar pertahun. Dengan tidak memiliki data yang akurat dan benar, sehingga pembangunan tidak tepat sasaran termasuk penyaluran beras rakyat miskin (Raskin), Bantuan langsung tunai (BLT). Masih ditemukan penyaluran yang tidak tepat sasaran, sesuai dengan yang rencanakan oleh pemerintah. Dengan penelitian ini diharapkan salah cara untuk menganalisa data penduduk, baik permasalahan dan potensi yang dimiliki. Sehingga penyaluran bantuan lainya tepat sasaran. Metode pengolahan data, untuk diimplementasikan agar desa memiliki data yang benar dan akurat. Untuk seleksi fitur dalam penelitian ini menggunakan algoritma Neural Network (Jaringan syaraf tiruan), hasil accuracy algoritma penelitian ini adalah 94.96 %. Sehingga dapat digunakan sebagai referensi untuk mengolah data untuk Bantuan dari pemerintah.]]>
<![CDATA[IMPLEMENTASI ALGORITMA APRIORI TERHADAP MARKET BASKET ANALYSIS PADA DATA PENJUALAN RETAIL ]]>
<![CDATA[Hilda Fitriana Dewi]]>;
<![CDATA[Hanny Hikmayanti Handayani]]>;
<![CDATA[Jamaludin Indra]]>
<![CDATA[ Jurnal Informatika Teknologi dan Sains (Jinteks) Vol 4 No 4 (2022): EDISI 14 ]]>
Publisher : <![CDATA[Program Studi Informatika Universitas Teknologi Sumbawa ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (297.796 KB)
|
DOI: 10.51401/jinteks.v4i4.2182
<![CDATA[Perusahaan retail berkembang dengan sangat cepat dan memungkinkan ada permasalahan yang sering dihadapi perusahaan, termasuk kurangnya sistem yang mengatasi tata letak produk. Selain itu, terdapat beberapa perusahaan yang belum mengetahui pola pembelian barang konsumen. Masalah lainnya adalah belum adanya sistem penyimpanan yang efisien. Permasalahan tersebut maka dibutuhkan penerapan data mining. Metode yang digunakan menggunakan algoritma apriori. Hasil penelitian ini apabila konsumen membeli item Round Snack Boxes Set Of 4 Fruits, maka konsumen juga membeli Round Snack Boxes Set Of4 Woodland dengan nilai support 13% dan nilai confidence 78%. Apabila konsumen membeli Spaceboy Lunch Box, maka konsumen membeli Round Snack Boxes Set Of4 Woodland dengan nilai support 7% dan nilai confidence 63%. Apabila konsumen membeli Round Snack Boxes Set Of4 Woodland, maka membeli Round Snack Boxes Set Of 4 Fruits dengan nilai support 13% dan nilai confidece 53%. Penjualan yang paling diminati oleh konsumen dari data penjualan retail ini ialah Round Snack Boxes Set Of 4 Fruits, Round Snack Boxes Set Of4 Woodland, dan Spaceboy Lunch Box.]]>
<![CDATA[ANALISIS SENTIMEN TWITTER TERHADAP UU OMNIBUS LAW MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) DAN NAÏVE BAYES CLASSIFIER (NBC) ]]>
<![CDATA[Chorirotun Cholifah]]>;
<![CDATA[Hanny Hikmayanti Handayani]]>;
<![CDATA[Ayu Ratna Juwita]]>
<![CDATA[ Jurnal Informatika Teknologi dan Sains (Jinteks) Vol 4 No 4 (2022): EDISI 14 ]]>
Publisher : <![CDATA[Program Studi Informatika Universitas Teknologi Sumbawa ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (396.135 KB)
|
DOI: 10.51401/jinteks.v4i4.2191
<![CDATA[Dalam media sosial orang dapat mengutarakan opininya secara bebas sesuai dengan UU ITE. Salah satu media sosial yang dipakai oleh banyak orang adalah Twitter. Jumlah pengguna Twitter sebanyak 21.05% dari total seluruh pengguna internet di Indonesia. Analisis sentimen twitter bertujuan untuk menentukan isi dari dataset yang berbentuk teks berupa (kalimat dan paragraf) yang bersifat positif atau negatif. Alur kerja yang digunakan merupakan framework yang pada umumnya digunakan pada teknik analisis. Penelitian ini menggunakan teknik crawling, teknik ini memanfaatkan API pada Twitter, sehingga di dapatkan data tweet berdasarkan kata kunci tertentu. Hasil datanya sebanyak 3018 data. Untuk mengetahui akurasinya, Analisis sentimen twitter terhadap UU OmnibusLaw diklasifikasikan menggunakan metode Naïve Bayes Classifier (NBC) dan metode Support Vector Machine (SVM) dengan menggunakan tipe dokumen Comma Separated Values (CSV) sebagai inputan data untuk melakukan klasifikasi data. Hasil klasifikasi dataset tweets terhadap UU OmnibusLaw bahwa kedua metode tersebut dapat melakukan performa yang baik, pada metode Naïve Bayes nilai accuracy sebesar 75%, untuk nilai precision sebesar 77% dan untuk nilai recall sebesar 79%. Sedangkan pada metode SVM nilai accuracy sebesar 77%, untuk nilai precision sebesar 88% dan untuk nilai recall sebesar 67%.]]>
