Articles
<![CDATA[ANALISIS ALGORITMA SEQUENTIAL SEARCH DAN BINARY SEARCH PADA BIG DATA: ANALYSIS OF SEQUENTIAL SEARCH AND BINARY SEARCH ALGORITHM IN BIG DATA ]]>
<![CDATA[Yoga Religia]]>
<![CDATA[ Jurnal Pelita Teknologi Vol 14 No 1 (2019): Maret 2019 ]]>
Publisher : <![CDATA[DPPM Universitas Pelita Bangsa ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (344.134 KB)
|
DOI: 10.37366/pelitatekno.v14i1.232
<![CDATA[Pemakaian data berkembang pesat pada jaman yang dipenuhi dengan berbagai teknologi yang ada. Dimulai dari banyaknya kemudahan yang bisa dinikmati sehari–hari hingga memanfaatkannya untuk berbagai bidang contohnya untuk analisis suatu bisnis. Adanya fasilitas teknologi yang mumpuni memudahkan orang dalam pencarian (Searching) informasi dalam berbagai bentuk data yang ada. Akan tetapi pada masalah pencarian data akan menimbulkan masalah dikemudian hari apabila data tersebut dalam jumlah yang besar atau lebih dikenal dengan Big Data. Big Data tidak hanya mengarah pada jumlah memori yang tersimpan akan tetapi atribut-atribut yang melekat pada suatu data. Perlu penanganan yang lebih dalam mengelola Big Data terutama pada saat pencarian suatu kata atau kalimat tertentu sehingga waktu untuk memproses tidak memakan waktu yang terlalu lama. Algoritma Searching merupakan sebuah proses untuk memeriksa sekumpulan elemen (daftar elemen) untuk menemukan sebuah elemen tertentu. Dari berbagai macam algoritma Searching yang ada, dalam penelitian ini kami bermaksud untuk memberikan gambaran perbandingan antara dua jenis algoritma Searching yaitu Sequential Search dan Binary Search dalam menangani Big Data. Penelitian ini akan menunjukkan analisis kenerja dari kedua algoritma tersebut dalam sebuah data yang besar (Big Data). Dari hasil analisis dan percobaan dapat disimpulkan bahwa algoritma Binary Search memiliki kompleksitas waktu yang lebih cepat dibanding dengan Sequential Search.]]>
<![CDATA[PENGELOMPOKAN MENGGUNAKAN ALGORITMA K-MEDOID UNTUK EVALUASI PERFORMA SISWA: PENGELOMPOKAN MENGGUNAKAN ALGORITMA K-MEDOID UNTUK EVALUASI PERFORMA SISWA ]]>
<![CDATA[Yoga Religia]]>;
<![CDATA[Arvita Emarilis Intani]]>;
<![CDATA[Andi Saputra]]>
<![CDATA[ Jurnal Pelita Teknologi Vol 15 No 1 (2020): Maret 2020 ]]>
Publisher : <![CDATA[DPPM Universitas Pelita Bangsa ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (212.247 KB)
|
DOI: 10.37366/pelitatekno.v15i1.281
<![CDATA[Pendidikan merupakan salah satu pondasi dalam kemajuan suatu bangsa, semakin baik kualitas pendidikan yang diselenggarakan oleh suatu bangsa, maka akan diikuti dengan semakin baiknya kualitas bangsa tersebut. Saat ini, siswa pada jenjang SMA banyak mendapat sorotan. Pasalnya tingkat kenakalan remaja banyak terjadi pada masa-masa SMA [1]. Hal tersebut memerlukan evaluasi performa siswa untuk meningkatkan prestasi siswa dan menghindarkan siswa dari tindakan negatif. Salah satu data yang dapat digunakan terkait performa siswa adalah menggunakan Student Academics Dataset. Student Academics terdiri dari 21 atribut, dimana atribut-atribut didalamnya adalah berupa gender hingga Home to College Travel Time dalam bentuk unsupervised learning [2]. Salah satu algoritma yang cukup baik digunakan untuk proses clustering adalah algoritma k-medoid. Algoritma k-medoid merupakan bagian dari partitioning clustering dimana k-medoids cukup efisien untuk diterapkan pada dataset yang kecil. Pada penelitian ini pengujian dilakukan menggunakan waktu rata-rata eksekusi dan davies bouldin indek. Hasil dari pengujian menunjukkan pengelompokan data Student Academics kedalam 3 status performa siswa menggunakan algoritma k-medoid memiliki akumulasi waktu rata-rata eksekusi selama 22,8 detik dan nilai Index Davies dari algoritma k-medoid untuk pengelompokan performa siswa sebesar 0,367.]]>
<![CDATA[FEATURE EXTRACTION UNTUK KLASIFIKASI PENGENALAN WAJAH MENGGUNAKAN SUPPORT VECTOR MACHINE DAN K-NEAREST NEIGHBOR ]]>
<![CDATA[Yoga Religia]]>;
<![CDATA[Adi Rusdi]]>;
<![CDATA[Ikhsan Romli]]>;
<![CDATA[Abdul Mazid]]>
<![CDATA[ Jurnal Pelita Teknologi Vol 14 No 2 (2019): September 2019 ]]>
Publisher : <![CDATA[DPPM Universitas Pelita Bangsa ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (351.266 KB)
|
DOI: 10.37366/pelitatekno.v14i2.233
<![CDATA[Feature Extraction adalah teknik pengambilan ciri / feature dari suatu bentuk yang nantinya nilai yang didapatkan akan dianalisis untuk proses selanjutnya. Klasifikasi adalah proses untuk menyatakan suatu objek ke dalam salah satu kategori yang sudah didefinisikan sebelumnya. Dalam penelitian ini membahas tentang pengambilan ciri dari suatu feature dengan dataset yang berisi kumpulan foto wajah yang akan digunakan untuk klasifikasi pengenalan wajah pria atau wanita. Dataset yang digunakan merupakan global dataset yang diambil dari “http://www.cs.umass.edu/lfw“. Dari Feature Extraction yang dilakukan diperoleh 6 atribut independent dan 1 atribut dependent. Tujuan dari penelitian ini adalah untuk membandingkan performance dari 2 algoritma yaitu Support Vector Machine dan k-Nearest Neighbor. Dari percobaan yang sudah dilakukan menunjukkan nilai rata-rata akurasi dari Support Vector Machine sebesar 88.13% sedangkan nilai rata-rata akurasi dari k-Nearest Neighbor sebesar 84.40%.]]>
<![CDATA[Optimization of Genetic Algorithm on Naïve Bayes for Classification of Bank Credit Applications: Optimasi Genetic Algorithm pada Naïve Bayes untuk Klasifikasi Pengajuan Kredit Bank ]]>
<![CDATA[Yoga Religia]]>;
<![CDATA[Donny Maulana]]>;
<![CDATA[Nanang Tedi]]>
<![CDATA[ Jurnal Pelita Teknologi Vol 16 No 2 (2021): September 2021 ]]>
Publisher : <![CDATA[DPPM Universitas Pelita Bangsa ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (157.463 KB)
|
DOI: 10.37366/pelitatekno.v16i2.719
<![CDATA[Seleksi calon nasabah yang mengajukan kredit dalam dunia perbankan merupakan hal yang sangat penting untuk diperhatikan oleh bagian marketing agar terhindar dari kredit bermasalah. Saat ini pada website www.kaggle.com telah menyediakan data South German Credit yang terdiri dari 22 atribut, 1 label dan 25976 instance yang termasuk dalam kategori data supervised learning. Berdasarkan beberapa penelitian terdahulu, algoritma Naïve Bayes dapat memberikan performa klasifikasi yang lebih baik dibandingkan algoritma klasifikasi yang lain. Beberapa penelitian juga menyebutkan bahwa penggunaan Naive Bayes dapat dioptimasi menggunakan Genetic Algorithm (GA) untuk memperoleh performa yang lebih baik. Penelitian ini bertujuan untuk membandingkan penggunaan algoritma Naive Bayes untuk klasifikasi South German Credit dengan dan tanpa optimasi GA. Proses validasi data yang digunakan pada penelitian ini adalah menggunakan split validasi membagi dataset adalah 95% data training dan 5% data testing. Hasil pengujian menunjukkan bahwa penggunaan GA pada Naive Bayes mampu meningkatkan performa klasifikasi data South German Credit dalam hal akurasi dan recall dengan nilai akurasi sebesar 85,99% Dan recall sebesar 87,91%.]]>
<![CDATA[Analisis Perbandingan Algoritma Optimasi pada Random Forest untuk Klasifikasi Data Bank Marketing ]]>
<![CDATA[Yoga Religia]]>;
<![CDATA[Agung Nugroho]]>;
<![CDATA[Wahyu Hadikristanto]]>
<![CDATA[ Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 5 No 1 (2021): Februari 2021 ]]>
Publisher : <![CDATA[Ikatan Ahli Informatika Indonesia (IAII) ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (271.874 KB)
|
DOI: 10.29207/resti.v5i1.2813
<![CDATA[The world of banking requires a marketer to be able to reduce the risk of borrowing by keeping his customers from occurring non-performing loans. One way to reduce this risk is by using data mining techniques. Data mining provides a powerful technique for finding meaningful and useful information from large amounts of data by way of classification. The classification algorithm that can be used to handle imbalance problems can use the Random Forest (RF) algorithm. However, several references state that an optimization algorithm is needed to improve the classification results of the RF algorithm. Optimization of the RF algorithm can be done using Bagging and Genetic Algorithm (GA). This study aims to classify Bank Marketing data in the form of loan application receipts, which data is taken from the www.data.world site. Classification is carried out using the RF algorithm to obtain a predictive model for loan application acceptance with optimal accuracy. This study will also compare the use of optimization in the RF algorithm with Bagging and Genetic Algorithms. Based on the tests that have been done, the results show that the most optimal performance of the classification of Bank Marketing data is by using the RF algorithm with an accuracy of 88.30%, AUC (+) of 0.500 and AUC (-) of 0.000. The optimization of Bagging and Genetic Algorithm has not been able to improve the performance of the RF algorithm for classification of Bank Marketing data.]]>
<![CDATA[Analisis Optimasi Algoritma Klasifikasi Naive Bayes menggunakan Genetic Algorithm dan Bagging ]]>
<![CDATA[Agung Nugroho]]>;
<![CDATA[Yoga Religia]]>
<![CDATA[ Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 5 No 3 (2021): Juni 2021 ]]>
Publisher : <![CDATA[Ikatan Ahli Informatika Indonesia (IAII) ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (270.536 KB)
|
DOI: 10.29207/resti.v5i3.3067
<![CDATA[The increasing demand for credit applications to banks has motivated the banking world to switch to more sophisticated techniques for analyzing the level of credit risk. One technique for analyzing the level of credit risk is the data mining approach. Data mining provides a technique for finding meaningful information from large amounts of data by way of classification. However, bank marketing data is a type of imbalance data so that if the classification is done the results are less than optimal. The classification algorithm that can be used for imbalance data types can use naïve Bayes. Naïve Bayes performs well in terms of classification. However, optimization is needed in order to obtain more optimal classification results. Optimization techniques in handling imbalance data have been developed with several approaches. Bagging and Genetic Algorithms can be used to overcome imbalance data. This study aims to compare the accuracy level of the naïve Bayes algorithm after optimization using the bagging and genetic algorithm. The results showed that the combination of bagging and a genetic algorithm could improve the performance of Naive Bayes by 4.57%.]]>
<![CDATA[Perbandingan Optimasi Feature Selection pada Naïve Bayes untuk Klasifikasi Kepuasan Airline Passenger ]]>
<![CDATA[Yoga Religia]]>;
<![CDATA[Amali Amali]]>
<![CDATA[ Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 5 No 3 (2021): Juni 2021 ]]>
Publisher : <![CDATA[Ikatan Ahli Informatika Indonesia (IAII) ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (469.411 KB)
|
DOI: 10.29207/resti.v5i3.3086
<![CDATA[The quality of an airline's services cannot be measured from the company's point of view, but must be seen from the point of view of customer satisfaction. Data mining techniques make it possible to predict airline customer satisfaction with a classification model. The Naïve Bayes algorithm has demonstrated outstanding classification accuracy, but currently independent assumptions are rarely discussed. Some literature suggests the use of attribute weighting to reduce independent assumptions, which can be done using particle swarm optimization (PSO) and genetic algorithm (GA) through feature selection. This study conducted a comparison of PSO and GA optimization on Naïve Bayes for the classification of Airline Passenger Satisfaction data taken from www.kaggle.com. After testing, the best performance is obtained from the model formed, namely the classification of Airline Passenger Satisfaction data using the Naïve Bayes algorithm with PSO optimization, where the accuracy value is 86.13%, the precision value is 87.90%, the recall value is 87.29%, and the value is AUC of 0.923.]]>
<![CDATA[PENERAPAN KONSEP ASOSIASI MENGGUNAKAN ALGORITMA APRIORI PADA PENJUALAN PRODUK FURNITURE DI CV. METROPOLITAN MITRA UTAMA ]]>
<![CDATA[Yoga Religia]]>;
<![CDATA[Nurrohariah Nurrohariah]]>
<![CDATA[ Jurnal SIGMA Vol 10 No 2 (2019): Desember 2019 ]]>
Publisher : <![CDATA[Teknik Informatika, Universitas Pelita Bangsa ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (228.73 KB)
<![CDATA[Saat ini untuk setiap data transaksi penjualan di CV. Metropolitan Mitra Utama banyak mengalami peningkatan dan data tersebut tersimpan dalam jumlah yang sangat banyak. Banyaknya data tersebut dapat mempengaruhi banyaknya barang yang dibeli oleh komsumen. Untuk meminimalisasi banyaknya data yang tersimpan dalam jumlah yang sangat besar maka, data tersebut dapat dimanfaatnya untuk melihat jenis barang yang dibeli secara bersamaan oleh konsumen. Data tersebut dapat digunakan sebagai referensi produsen dalam memperbanyak jumlah barang yang banyak diminati. Cara melihat hubungan diantara item tersebut dapat dilakukan proses data mining dengan analisis asosiasi menggunakan algoritma apriori. Algoritma apriori dapat mengetahui atutan kemungkinan seorang pelanggan membeli Kasur royal c dan secara bersamaan membeli juga membeli unit lemari b. pengetahuan tersebut dapat digunakan produsen untuk memperbanyak barang yang diminati konsumen. Aturan tersebut didapat dari jumlah item dan support yang ditentukan. Support tersebut merupakan jumlah item pada setiap transaksi yang ada di dalam basis data. Sedangkan nilai confidence berpengaruh terhadap jumlah aturan yang didapat melalui proses asosiasi. Nilai confidence ditentukan dari nilai support suatu aturan dalam sebuah transaksi. Hasil penelitian menunjukkan bahwa dengan parameter minimum support sebesar 10% dan minimum confidence sebesar 50%, menghasilkan 3 aturan asosiasi dengan kombinasi item terbesar sampai 2 itemset]]>
<![CDATA[KLASIFIKASI INVESTASI PADA RESIKO INVESTASI MINYAK KELAPA SAWIT MENGGUNAKAN ALGORITMA NAÏVE BAYES ]]>
<![CDATA[Yoga Religia]]>;
<![CDATA[Nunu Nurhasanah]]>
<![CDATA[ Jurnal SIGMA Vol 10 No 2 (2019): Desember 2019 ]]>
Publisher : <![CDATA[Teknik Informatika, Universitas Pelita Bangsa ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (357.356 KB)
<![CDATA[Minyak kelapa sawit merupakan minyak nabati yang berasal dari buah kelapa sawit yang banyak digunakan untuk konsumsi makanan maupun non-makanan. Minyak kelapa sawit atau Crude Palm Oil (CPO). implementasi yang diterapkan untuk mencari sebuah model dan pola yang mampu melakukan klasifikasi pada suatu data berdasarkan data sebelumnya di periode waktu tertentu. Tujuan dalam penelitian ini adalah untuk mengetahui harga minyak kelapa sawit dan kapan saatnya berinvestasi dan menentukan prediksi harga minyak kelapa sawit dengan algoritma naïve bayes dalam penentuan hasil prediksi minyak kelapa sawit dalam investasi dan sumber informasi dan pengetahuan dalam menentukan investasi minyak kelapa sawit. Penelitian ini menggunakan model Algoritma Naïve Bayes dan menggunakan data sampel yaitu sebanyak 50 data. Setelah dilakukan penelitian dengan menggunakan Algoritma Naïve Bayes diperoleh hasil dengan nilai accuracy yaitu 92,00 %, Recall 95,83 % dan Precision 88.46 %. Sehingga dapat disimpulkan bahwa Algoritma Naïve Bayes akurat dalam memprediksi harga minyak]]>
<![CDATA[Implementasi Sistem Informasi Perpustakaan Di SDN Sirnajati 01 Berbasis VB.Net ]]>
<![CDATA[Yoga Religia]]>;
<![CDATA[Bella Yoviana Hardini]]>
<![CDATA[ Jurnal SIGMA Vol 9 No 2 (2018): Volume 9 Nomor 2 Desember 2018 ]]>
Publisher : <![CDATA[Teknik Informatika, Universitas Pelita Bangsa ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (831.058 KB)
<![CDATA[The development of technological advances in all fields, the use of computers is very helpful, both in the fields of education, trade, industry and health. One sector in the field of education that is currently developing a computerized system is school. School is a formal education to provide knowledge for children. In a school many students need additional lessons or more knowledge, one of them through the library. Research with the title "LIBRARY INFORMATION SYSTEMS IN VB.Net BASED SIRNAJATI 01 Elementary School", has a formulation of the problem of how to design and build a system that can assist library officers in recording, or managing books in the library. Because in the library in Sirnajati 01 Elementary School, still using the manual method. To obtain the required data during writing, several methods are used, including: interviews, observation, and literature. The data obtained is then analyzed and described using SDLC development methods that are object oriented such as UML (Unified Modeling Language). The tools for making this application the author uses the Visual Basic.Net programming language, then for the database using XAMPP. The results of the expected research system that has been made can help the performance of library officers better.]]>
