Articles
<![CDATA[K-Medoid Algorithm in Clustering Student Scholarship Applicants ]]>
<![CDATA[Defiyanti, Sofi]]>;
<![CDATA[Jajuli, Mohamad]]>;
<![CDATA[Rohmawati, Nurul]]>
<![CDATA[ Scientific Journal of Informatics Vol 4, No 1 (2017): May 2017 ]]>
Publisher : <![CDATA[Universitas Negeri Semarang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.15294/sji.v4i1.8212
<![CDATA[Data Grouping scholarship applicants Bantuan Belajar Mahasiswa (BBM) grouped into 3 categories entitled of students who are eligible to receive, be considered, and not eligible to receive scholarship. Grouping into 3 groups is useful to make it easier to determine the scholarship recipients fuel. K-Medoids algorithm is an algorithm of clustering techniques based partitions. This technique can group data is student scholarship applicants. The purpose of this study was to measure the performance of the algorithm, this measurement in view of the results of the cluster by calculating the value of purity (purity measure) of each cluster is generated. The data used in this research is data of students who apply for scholarships as many as 36 students. Data will be converted into three datasets with different formats, namely the partial codification attribute data, attributes and attribute the overall codification of the original data. Value purity on the whole dataset of data codification greatest value is 91.67%, it can be concluded that the K-Medoids algorithm is more suitable for use in a dataset with attributes encoded format overall. ]]>
<![CDATA[ALGORITMA C4.5 UNTUK MEMPREDIKSI PRODUKTIVITAS TANAMAN PADI DI KARAWANG ]]>
<![CDATA[Defiyanti, Sofi]]>;
<![CDATA[Syafi'i, Muhammad]]>;
<![CDATA[Dermawan, Budi Arif]]>
<![CDATA[ Informatika Pertanian Vol 28, No 2 (2019): DESEMBER 2019 ]]>
Publisher : <![CDATA[Sekretariat Badan Penelitian dan Pengembangan Pertanian ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21082/ip.v28n2.2019.p103-110
<![CDATA[Karawang merupakan salah satu daerah penghasil padi terbesar di provinsi Jawa Barat, maka tak salah Karawang dijuluki sebagai kota lumbung padi. Tetapi semakin kesini Karawang lebih dikenal dengan daerah industri. Ini berefek kepada hasil pertanian yang ada di Karawang. Data dari tahun 2010-2015 didapat hasil bahwa sebesar 67% produktivitas padi di Karawang berada dalam kategori rendah sisanya berada dalam kategori sedang dan tinggi, terlihat bahwa banyak lahan pertanian diKarawang yang sudah beralih fungsi yang dari awalnya persawahan menjadi penggunaan lahan lain. Hal ini harusnya dapat pendorong pemerintah Kabupaten Karawang untuk lebih perhatian terhadap masalah ini. Prediksi yang dilakukan dengan menggunakan teknik data mining dengan algoritma C4.5 telah dilakukan dengan akurasi sebesar 67,8%. Penelitian ini terlihat bahwa selain nilai produksi dan luas tanam untuk menentukan nilai produktivitas tanaman padi, ternyata produktivitas tanaman padi juga dipengaruhi oleh angka pengairan yang ada.]]>
<![CDATA[Analisis dan Prediksi Kinerja Mahasiswa Menggunakan Teknik Data Mining ]]>
<![CDATA[Sofi Defiyanti]]>
<![CDATA[ SYNTAX Jurnal Informatika Vol 2 No 01: syntax ]]>
Publisher : <![CDATA[Universitas Singaperbangsa Karawang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (555.466 KB)
|
DOI: 10.35706/syji.v2i01.192
<![CDATA[Abstrak - Prestasi belajar merupakan salah satu aspek yang paling penting dalam bidang pendidikan. Prestasi belajar yang tinggi selalu menjadi harapan semua pihak. Bagi pihak perguruan tinggi prestasi belajar mahasiswanya merupakan salah satu indikator efektif proses belajar mengajar, yang sekaligus dapat digunakan untuk meningkatkan citra perguruan tinggi tersebut. Di perguruan tinggi prestasi belajar yang dicapainya oleh mahasiswa menggunakan Indeks Prestasi Kumulatif (IPK). Beberapa teknik data mining diantaranya adalah decision tree, naïve bayes, dan artificial neural network dapat digunakan untuk menganalisa kinerja mahasiswa. Penelitian yang sudah dilakukan didapat bahwa pengujian dan validasi dengan menggunakan 10 cross falidation dengan mengukur tingkat accuracy dan ROC curve didapat bahwa dengan menggunakan data dua semester sebelumnya untuk memprediksi kinerja mahasiswa memiliki akurasi yang paling tinggi adalah metode decision tree sebesar 67,63% dengan nilai ROC curve masuk kedalam good classification. Kata Kunci: Data Mining, Prestasi Belajar, Kinerja Mahasiswa ]]>
<![CDATA[Sistem Pendukung Keputusan Penanggulangan Hama dan Penyakit Ubi Kayu Menggunakan Forward Chaining ]]>
<![CDATA[Tri Isna Kuswaya]]>;
<![CDATA[Sofi Defiyanti]]>;
<![CDATA[Mohamad Jajuli]]>
<![CDATA[ SYNTAX Jurnal Informatika Vol 7 No 1: Mei 2018 ]]>
Publisher : <![CDATA[Universitas Singaperbangsa Karawang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (459.668 KB)
|
DOI: 10.35706/syji.v7i1.1137
<![CDATA[Beberapa faktor menurunnya hasil produksi ubi kayu karena hama dan penyakit. Kurangnya sosialisasi dan sumber informasi mengenai ciri-ciri awal tanaman ubi kayu terkena hama dan penyakit, serta cara penanggulangannya menjadi masalah, terutama untuk petani yang belum lama memulai budidaya ubi kayu. Sistem pendukung keputusan penanggulangan hama dan penyakit pada tanaman ubi kayu menggunakan algoritma runut maju atau forward chaining dengan metode rekayasa perangkat lunak Extreme Programming dengan desain pemodelan aplikasi menggunaka UML yang diimplementasikan menggunakan bahasa pemograman java. Hasil impelementasi dari aplikasi ini adalah pengguna hanya perlu menjawab beberapa pertanyaan gejala yang sama dengan yang dialami oleh tanaman ubi kayu, sehingga mendapatkan hasil keputusan untuk membantu dalam penanggulangan penyakit yang dialami oleh ubi kayu yang sesuai dengan gejala penyakit yang dijawab dalam pertanyaan yang ada pada aplikasi sistem pendukung keputusan penanggulangan hama dan penyakit pada ubi kayu. Pengujian yang dilakukan menggunakan Black Box didapat hasil yang sesuai untuk pengujuan fungsi-fungsi yang ada. sedangkan pengujian White Box didapat hasil akhir sebesar 6 yang menunjukkan A well structured and stable procedure. Selain itu Pengujian langsung oleh user dengan teknik kuesioner dan mendapatkan hasil 63,87% Dengan nilai tersebut bisa dikatan penilaian terhadap semua aspek pada aplikasi ini sudah baik]]>
<![CDATA[Penerapan Algoritma C4.5 untuk Klasifikasi Tumbuh Kembang Balita ]]>
<![CDATA[Muhamad Rizky Abadi]]>;
<![CDATA[Sofi Defiyanti]]>;
<![CDATA[Nina Sulistiyowati]]>
<![CDATA[ SYNTAX Jurnal Informatika Vol 8 No 1: Mei 2019 ]]>
Publisher : <![CDATA[Universitas Singaperbangsa Karawang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (448.481 KB)
|
DOI: 10.35706/syji.v8i1.1458
<![CDATA[Sejak lahir sampai dengan usia lima tahun, anak seharusnya diukur tinggi dan berat badannya secara teratur untuk mengetahui pertumbuhannya. Cara ini dapat membantu untuk mengetahui lebih awal tentang gangguan pertumbuhan, sehingga segera dapat diambil tindakan tepat secepat mungkin. Hasil pengukuran dapat mengetahui apakah seorang anak terlalu cepat bertambah pertumbuhannya dibandingkan usianya atau tidak bertambah pertumbuhannya. Algoritma C4.5 adalah salah satu metode untuk membuat decision tree berdasarkan training data yang telah disediakan. Algoritma C4.5 merupakan pengembangan dari ID3. Penelitian ini menggunakan algoritma C4.5 untuk klasifikasi tumbuh kembang balita yang akan menghasilkan Indeks Massa Tubuh menurut Umur (IMT/U) berupa kategori status gizi sangat kurus, kurus, normal, gemuk. Metode yang digunakan KDD (Knowledge Discovery in Database) menggunakan tools WEKA 3.8.2. Hasil pengolahan data akan diuji dengan test options menggunakan 10-fold cross validation yang akan menghasilkan tingkat akurasi, precision, recall, f-measure. Hasil penelitian ini menunjukkan bahwa algoritma C4.5 dengan test options menggunakan 10-fold cross validation memiliki hasil akurasi tertinggi yang didapat sebesar 90,4901%, precision 0,897, recall 0,905 dan f-measure sebesar 0,900. Hasil evalusi menghasilkan model pohon keputusan tumbuh kembang balita.]]>
<![CDATA[Optimalisasi K-MEDOID dalam Pengklasteran Mahasiswa Pelamar Beasiswa dengan CUBIC CLUSTERING CRITERION ]]>
<![CDATA[Sofi Defiyanti]]>;
<![CDATA[Mohamad Jajuli]]>;
<![CDATA[Nurul Rohmawati]]>
<![CDATA[ Jurnal Nasional Teknologi dan Sistem Informasi Vol 3, No 1 (2017): April 2017 ]]>
Publisher : <![CDATA[Jurusan Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.25077/TEKNOSI.v3i1.2017.211-218
<![CDATA[Beasiswa merupakan salah satu bantuan belajar yang diberikan kepada mahasiswa. Salah satu beasiswa yang ada adalah beasiswa yang diberikan oleh negara dengan nama Bantuan Belajar Mahasiswa (BBM). Pengelompokan data mahasiswa penerima beasiswa berguna untuk menentukan mahasiswa yang berhak, dipertimbangkan atau tidak berhak. Dengan pengelompokan mahasiswa penerima beasiswa ini dapat memudahkan pihak tata usaha dalam menentukan penerima beasiswa khususnya beasiswa BBM. Pengelompokan tersebut dalam dilakukan dengan menggunakan teknik klustering berbasis partisi yaitu dengan algoritma K-Medoids. Data-data yang didapat untuk dilakukan pengelompokan terdiri dari atribut SKS, IPK, Tanggungan orang tua dan jumlah penghasilan orang tua. Dari data-data yang didapat memiliki nilai yang beragam dan memiliki rentang satu dengan yang lainnya berjauhan. Maka dilakukan tiga buah skenario, yaitu 1: semua data yang didapat dilakukan pengelompokan dengan K-Medoids, 2 : sebagian data yang didapat dilakukan kodefikasi, 3 : semua data yang ada dilakukan kodefikasi. Dari ketiga skenario yang dilakukan didapat nilai Cubic Clustering Criterion (CCC). Dataset kodifikasi keseluruhan menunjukkan nilai CCC berada diantara 2 sampai 3 ini menunjukkan bahwa dataset kodifikasi keseluruhan mempunyai keseragaman yang baik. Hal ini dikarenakan semua nilai pada setiap atribut memiliki nilai yang hampir sama. ]]>
<![CDATA[IMPLEMENTASI ALGORITMA K-MEANS DALAM PENGKLASTERAN MAHASISWA PELAMAR BEASISWA ]]>
<![CDATA[Nurul Rohmawati W]]>;
<![CDATA[Sofi Defiyanti]]>;
<![CDATA[Mohamad Jajuli]]>
<![CDATA[ Jurnal Ilmiah Teknologi Infomasi Terapan Vol. 1 No. 2 (2015) ]]>
Publisher : <![CDATA[Universitas Widyatama ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (403.778 KB)
|
DOI: 10.33197/jitter.vol1.iss2.2015.56
<![CDATA[[INA]Pengelompokan data pelamar beasiswa Bantuan Belajar Mahasiswa (BBM) dikelompokan menjadi 3 kelompok yaitu berhak menerima, dipertimbangkan dan tidak berhak menerima beasiswa. Pengelompokan menjadi 3 kelompok ini berguna untuk memudahkan dalam menentukan penerima beasiswa BBM. Algoritma k-means merupakan algoritma dari teknik clustering yang berbasis partisi. Teknik ini dapat mengelompokan data mahasiswa pelamar beasiswa.Tujuan dari penelitian ini adalah untuk pengukuran kinerja algoritma, Pengukuran ini di lihat dari hasil cluster dengan menghitung nilai kemurnian (purity measure) dari masing – masing cluster yang di hasilkan. Data yang digunakan dalam penelitian ini adalah data mahasiswa yang mengajukan beasiswa kepada Fakultas Ilmu Komputer UNSIKA sebanyak 36 mahasiswa. Data akan diubah menjadi 3 dataset dengan format yang berbeda-beda, yakni data atribut kodifikasi sebagian, atribut kodifikasi keseluruhan dan atribut data asli. Nilai purity pada dataset data kodifikasi sebagian untuk hasil cluster algoritma k-means sebesar 61.11%. Pada dataset kodifikasi keseluruhan nilai purity hasil cluster algoritma k-means sebesar 80.56%. Dan untuk dataset data asli nilai purity hasil cluster algoritma k-means sebesar 75%. Maka dapat di simpulkan bahwa algoritma k-means lebih cocok digunakan pada dataset dengan format atribut yang dikodifikasi keseluruhan.[EN]Data grouping scholarship applicants for Student Learning Assistance (BBM) grouped into 3 categories are entitled to receive, considered and not eligible to receive the scholarship. Grouping into 3 groups is useful to facilitate in determining scholarship recipients. K-means algorithm is an algorithm of clustering technique based partitions. This technique can categorize student data scholarship applicants.The purpose of this research is to determine the algorithms for performance measurement, and measurement in view of the results of the cluster by calculating the value of purity (purity measure) of each - each cluster is generated. The data used in this research is data of students who apply for a scholarship to the School of Computer Science UNSIKA many as 36 students. The data will be converted into 3 datasets with different formats, ie attribute data codification in part, attributes and attribute the overall codification of the original data. Purity values in a dataset of data codification in part to the results of cluster k-means algorithm by 61.11%. At dataset codification overall value of purity results k-means cluster algorithm by 80.56%. And for the original data dataset purity value results k-means cluster algorithm by 75%. Then it can be concluded that the k-means algorithm is more suitable for use in datasets with formatting attributes that codified a whole ]]>
<![CDATA[PERBANDINGAN ALGORITMA CART DAN K-NEAREST NEIGHBOR UNTUK PREDIKSI LUAS LAHAN PANEN TANAMAN PADI DI KABUPATEN KARAWANG ]]>
<![CDATA[Muhammad Fadhlil Aziz]]>;
<![CDATA[Sofi Defiyanti]]>;
<![CDATA[Betha Nurina Sari]]>
<![CDATA[ Jurnal TAM (Technology Acceptance Model) Vol 9, No 2 (2018): Jurnal TAM (Technology Acceptance Model) ]]>
Publisher : <![CDATA[LPPM STMIK Pringsewu ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (366.087 KB)
<![CDATA[Karawang regency is known as one of the nation rice granaries because the are many areas of rice fields, especially rice. But the transfer of function from agricultural land into industrial or recidential area can change the geographical structure of Karawang regency previously filled with agricultural land into industrial and property areas. Data mining is a technique of extracting an information from large data. One of them regression techniques. In predicting something a dataset of a numeric data type usually uses a regression technique. In this study used regression techniques to predict the area of harvested land in Karawang regency by using tools WEKA 3.8.2. The resulting comparison is seen from correlation coefficient, mean absolute error, and root mean squared error. In comparison algorithm used the same scenario is cross validation 10 folds. The result of the experiment using the same scenario shows that both algorithm can be used to predict the area of harvest area in Karawang regency. The result of evalution with same scenario shows that CART algorithm has better performance than KNN algorithm with correlation coefficient 0,9646, MAE 498,6229, and RMSE 834,0204]]>
<![CDATA[PENGELOMPOKAN KABUPATEN/KOTA DI INDONESIA BERDASARKAN FAKTOR PENYEBAB STUNTING PADA BALITA MENGGUNAKAN ALGORITMA K-MEANS ]]>
<![CDATA[Alia Fadilah]]>;
<![CDATA[Mohammad Nurfaizy Pangestu]]>;
<![CDATA[Supriyanto Lumbanbatu]]>;
<![CDATA[Sofi Defiyanti]]>
<![CDATA[ JURNAL INFORMATIKA DAN KOMPUTER Vol 6, No 2 (2022): ReBorn -- September 2022 ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (156.468 KB)
|
DOI: 10.26798/jiko.v6i2.581
<![CDATA[Stunting merupakan masalah pada pertumbuhan balita yang ditandai dengan tinggi badan balita yang terlalu pendek dibanding balita seusianya. Stunting menjadi salah satu permasalahan gizi yang paling diperhatikan dunia dan permasalahan gizi yang utama di Indonesia. Indonesia termasuk dalam urutan ke-34 dari 50 negara dengan kasus balita stunting tertinggi di dunia, dan termasuk dalam urutan ke-6 di Asia Tenggara. Hasil integrasi Susenas Maret 2019 dengan Studi Status Gizi Balita Indonesia (SSGBI) tahun 2019 menunjukkan bahwa kasus balita stunting di Indonesia adalah sebesar 27.7%, angka tersebut masih belum mencapai standar yang ditetapkan WHO yaitu sebesar 20%. Oleh karena itu, diperlukan suatu metode untuk mengelompokkan Kabupaten/Kota di Indonesia berdasarkan faktor penyebab stunting pada balita, yaitu menggunakan metode clustering dengan algoritma K-Means. Tujuannya adalah untuk membantu pemerintah dalam mengambil kebijakan yang sesuai terkait penurunan prevalensi stunting pada balita berdasarkan karakteristik dan permasalahan masing-masing cluster. Hasil penelitian menunjukan bahwa dengan bantuan metode elbow menghasilkan 2 cluster sebagai cluster terbaik dengan nilai selisih Sum of Square Error (SSE) sebesar 1401.5156, dimana cluster 1 merupakan cluster dengan faktor penyebab stunting tinggi yang terdiri dari 324 kabupaten/kota, dan cluster 2 merupakan cluster dengan faktor penyebab stunting rendah yang terdiri dari 49 kabupaten/kota. ]]>
<![CDATA[IMPLEMENTASI ALGORITMA LSTM PADA PERAMALAN STOK OBAT: STUDI KASUS: PUSKESMAS BEBER ]]>
<![CDATA[Yanti, Fajri]]>;
<![CDATA[Nurina Sari, Betha]]>;
<![CDATA[Defiyanti, Sofi]]>
<![CDATA[ JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 4 (2024): JATI Vol. 8 No. 4 ]]>
Publisher : <![CDATA[Institut Teknologi Nasional Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36040/jati.v8i4.10068
<![CDATA[Pengelolaan obat merupakan bagian penting dari operasional Pusat Kesehatan Masyarakat (Puskesmas). Kesalahan dalam perencanaan stok dapat menyebabkan kekurangan atau kelebihan stok, yang mengganggu layanan farmasi di Puskesmas. Puskesmas Beber menyimpan stok obat untuk satu bulan dan merencanakan permintaan obat untuk bulan berikutnya. Saat ini, perencanaan dilakukan secara manual oleh puskesmas, yang seringkali tidak akurat, menyebabkan kelebihan atau kekurangan stok obat. Penelitian ini bertujuan untuk memprediksi lima jenis obat di Puskesmas Beber. Penelitian ini menggunakan metodologi CRISP-DM (Cross Industry Standard Process for Data Mining) LSTM(Long Short Term Memory). Pada tahap business understanding difokuskan pada pemahaman masalah penelitian, terutama dalam hal lima obat yang diminta oleh puskesmas. Tahap data understanding melibatkan pemeriksaan dataset dari Puskesmas Beber serta pemilihan dataset. Tahap data preparation melibatkan langkah-langkah pra-pemrosesan data. Tahap modeling LSTM diterapkan dengan tuning hyperparameter menggunakan GridSearchCV. Setelah dilakukan fitting model pada 80% data training, dilakukan prediksi pada 20% data testing untuk masing-masing obat. Evaluasi dilakukan menggunakan MAPE. Hasil evaluasi menunjukkan bahwa nilai terendah MAPE adalah obat Vitamin B Komplek Tablet dengan nilai MAPE sebesar 4.82% . Pada tahap deployment, dilakukan penyusunan laporan hasil prediksi yang dapat digunakan sebagai pertimbanagan dalam perencanaan persediaan obat di Puskesmas Beber.]]>
