Claim Missing Document
Check
Articles

Found 13 Documents
Search

Pengembangan Program Penjadwalan Matakuliah Menggunakan Algoritma Genetika Teroptimasi Mutasi Differential Evolution Muhammad, Ali; Firizkiansah, Angge; Setiawan, Dita
JIKOMTI : Jurnal Ilmiah Ilmu Komputer dan Teknologi Informasi Vol. 2 No. 1 (2025): JIKOMTI: Mei 2025
Publisher : Universitas Sains Indonesia Publishing

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penjadwalan mata kuliah merupakan permasalahan kompleks yang memerlukan pendekatan komputasi cerdas untuk menghasilkan solusi optimal dalam waktu yang efisien. Permasalahan ini menjadi semakin menantang dengan banyaknya kendala seperti ketersediaan dosen, kapasitas ruang, serta waktu perkuliahan yang terbatas. Tujuan penelitian ini adalah untuk mengembangkan program untuk menyelesaikan masalah penjadwalan tanpa adanya bentrok waktu dan ruang serta menempatkan jadwal dosen sesuai dengan ketersediaan waktu dosen mengajar. Manfaat praktis penelitian ini adalah meningkatkan kualitas sistem informasi akademik, khususnya pada proses penjadwalan otomatis yang adaptif dan fleksibel. Selain itu, proses penjadwalan dan optimasi matakuliah juga dapat diadaptasi untuk berbagai kasus serupa seperti penjadwalan kerja industri dan sistem cloud computing. Penelitian ini menggunakan Algoritma Genetika teroptimasi mutasi Differential Evolution. Optimasi mutasi Differential Evolution bertujuan untuk meningkatkan performa pencarian solusi optimal. Hasil penelitian menunjukkan bahwa tingkat kesalahan penjadwalan matakuliah yang dihasilkan sebesar 0%. Pengujian waktu komputasi menggunakan data 22 dosen, 22 ruang, 24 kelas dengan jumlah iterasi yang sama sebanyak 1000X memerlukan waktu komputasi sebesar 24 menit 25 detik.
Implementasi Algoritma SMART Pada Sistem Pendukung Keputusan Pemilihan Paniti Pemungutan Suara (PPS) Berbasis WEB Ardiansyah, Miri; Djojosugito, Muhammad Aria Armada; Muhammad, Ali; Firizkiansah, Angge
JIKOMTI : Jurnal Ilmiah Ilmu Komputer dan Teknologi Informasi Vol. 2 No. 1 (2025): JIKOMTI: Mei 2025
Publisher : Universitas Sains Indonesia Publishing

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Panitia Pemungutan Suara (PPS) bertugas menyelenggarakan pemilu di tingkat desa atau kelurahan. PPS sendiri dibentuk paling cepat 6 bulan sebelum penyelenggaraan pemilu dan dibubarkan paling lambat 2 bulan setelah pemilu. Saat ini pemilihan anggota PPS masih dilakukan secara manual sehingga masih sering terjadi pemilihan secara subjektif, konflik kepentingan ataupun memang salah dalam menilai calon anggota PPS sehingga berpotensi mendapatkan anggota PPS yang tidak kompeten. Teknologi Sistem Pendukung Keputusan (SPK) dapat mengatasi permasalahan pemilihan anggota PPS yang tidak objektif dengan menggunakan algoritma matematis sehingga pemilihan benar-benar melalui perhitungan matematis berdasarkan variabel penentu untuk menjadi anggota PPS. Penelitian ini bertujuan untuk membuat SPK dengan metode Simple Multi Attribute Rating Techniquq (SMART) agar pemilihan dapat dilakukan secara sistematis dan melalui perhitungan matematis berdasarkan variabel penentu untuk menjadi anggota PPS. Penelitian ini telah berhasil melakukan implementasi metode SMART kedalam sebuah Sistem Pendukung Keputusan yang dapat membantu dalam melakukan pemilihan anggota PPS secara sistematis, dan objektif.
Optimasi Klasifikasi Data Teks Menggunakan Algoritma Logistic Regression dengan TF-IDF dan SMOTE Firizkiansah, Angge; Muhammad, Ali; Maulana, Imron Rizki
JIKOMTI : Jurnal Ilmiah Ilmu Komputer dan Teknologi Informasi Vol. 2 No. 1 (2025): JIKOMTI: Mei 2025
Publisher : Universitas Sains Indonesia Publishing

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Klasifikasi teks menggunakan algoritma machine learning merupakan bagian dari cabang ilmu Natural Language Processing (NLP). Klasifikasi ini dilakukan untuk mengkategorisasikan data tekstual secara otomatis dalam sekumpulan kategori yang telah ditetapkan. Klasifikasi teks ini menjadi salah satu alat yang berguna di berbagai bidang, diantaranya analisis sentimen, deteksi topik, dan penyaringan spam. Pemodelan klasifikasi teks sangat dipengaruhi preprocessing data yang teliti. Data teks merupakan jenis data tidak terstruktur yang perlu diolah dengan mengubah dan mentransformasikan data teks melalui metode yang relevan, sehingga data teks berubah menjadi bentuk yang dapat dikenali oleh algoritma machine learning untuk dianalisis. Berdasarkan hal tersebut, penelitian ini bertujuan untuk mengoptimasi klasifikasi otomatis teks menggunakan algoritma machine learning, yaitu logistic regression dengan ekstraksi fitur TF-IDF dan dibandingkan dengan metode SMOTE untuk penanganan imbalance class. Berdasarkan hasil evaluasi model, diperoleh bahwa model machine learning algoritma logistic regression dengan ektraksi fitur TF-IDF menghasilkan tingkat akurasi yang lebih baik, yaitu sebesar 76,9% dibandingkan dengan model yang dilengkapi dengan SMOTE. Hal tersebut dapat disimpulkan bahwa metode SMOTE tidak mempengaruhi, bahkan menurunkan tingkat akurasi model algoritma logistic regression pada data teks yang menjadi domain dalam penelitian ini.