cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
David
Contact Email
david_liauw@yahoo.com
Phone
-
Journal Mail Official
sisfotenika@gmail.com
Editorial Address
-
Location
Kota pontianak,
Kalimantan barat
INDONESIA
SISFOTENIKA
Published by Sekolah Tinggi Manajemen Informatika dan Komputer Pontianak
ISSN : 20877897     EISSN : 24605344     DOI : -
Core Subject : Science,
Computer Science & IT
Jurnal Ilmiah SISFOTENIKA diterbitkan oleh LPPM STMIK Pontianak dan IndoCEISS. Frekuensi Terbit Tengah Tahunan (2 kali dalam setahun, yaitu bulan Januari dan Juli). Topik yang akan dipublikasikan oleh jurnal SISFOTENIKA berhubungan dengan teknologi informasi, komunikasi dan komputer yang berbentuk kumpulan/akumulasi pengetahuan baru, pengamatan empirik atau hasil penelitian, dan pengembangan gagasan atau usulan baru.
Arjuna Subject : -
Articles 239 Documents
 20   21   22   23   24 
Aplikasi Rekrutmen Karyawan Menggunakan Artificial Neural Network dan Flask Burhanudin Zuhri; Nisa Hanum Harani
SISFOTENIKA Vol 13, No 2 (2023): SISFOTENIKA
Publisher : STMIK PONTIANAK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30700/jst.v13i2.1367

Abstract

Kemajuan dan perkembangan terkini dalam pendekatan strategi berbasis kecerdasan buatan (Artificial Intelligence) telah banyak digunakan dalam berbagai bidang. Salah satu dampak positif dari pendekatan berbasis AI tersebut yaitu dapat meningkatkan keberlanjutan pada organisasi atau perusahaan. Dengan mengadopsi pendekatan strategi berbasis AI, perusahaan dapat meningkatkan pengambilan keputusan, produktivitas, dan kinerja sistem yang lebih baik. Saat ini, sebagian besar perusahaan belum mampu memprediksi kandidat karyawan akan bergabung atau tidak dalam perusahaan melalui proses rekrutmen karyawan. Oleh karena itu, dikembangkanlah sebuah sistem klasifikasi rekrutmen untuk mendukung keputusan pada proses perekrutan agar dapat meningkatkan kualitas sumber daya manusia pada perusahaan. Sistem klasifikasi rekrutmen karyawan ini merupakan sistem yang dapat mengklasifikasikan kandidat karyawan yang memiliki kemungkinan dapat akan bergabung dalam suatu perusahaan menggunakan salah satu pendekatan Data Science. Sistem ini dirancang menggunakan bahasa pemrograman Python serta menggunakan model hasil dari pendekatan prediksi dengan kemampuan interpretasi dari metode Deep Learning. Model pendekatan ini dilatih dengan menggunakan algoritma Artificial Neural Network (ANN) yang akan memberikan klasifikasi terbaik berdasarkan beberapa variabel yang dimiliki oleh kandidat karyawan. Dataset yang digunakan untuk membuat model sebanyak 11018 data yang telah diubah dari yang sebelumnya adalah 8995 data setelah dilakukan preprocessing data. Hasil yang didapat dengan evaluasi confusion matrix mendapatkan akurasi sebesar 78%. Dengan dibuatnya sistem klasifikasi ini, maka diharapkan perusahaan dapat meningkatkan kualitas sumber daya manusia dengan memprediksi kandidat karyawan terbaik yang berkemungkinan akan bergabung dalam perusahaan tersebut.
Klasterisasi Negara Pengekspor Beras ke Indonesia Menggunakan Algoritma K-Means Clustering Asri Samsiar Ilmananda; Habel David Ranglalin
SISFOTENIKA Vol 13, No 2 (2023): SISFOTENIKA
Publisher : STMIK PONTIANAK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30700/jst.v13i2.1408

Abstract

Beras merupakan bahan makanan utama bagi masyarakat Indonesia, sehingga harus selalu dijaga ketersediaannya. Untuk memenuhi permintaan domestik, pemerintah Indonesia mengambil kebijakan impor beras dari sejumlah negara. Penelitian ini bertujuan untuk mengetahui pengelompokan karakteristik dari negara-negara yang mengekspor beras ke Indonesia. Penelitian dilakukan melalui penerapan data mining menggunakan algoritma K-Means Clustering. Variabel yang digunakan di dalam penelitian yaitu berat bersih (neto) dan nilai Cost, Insurance, Freight (CIF). Data diolah dan diklasterisasi ke dalam tiga kelompok, mulai dari cluster impor tingkat tinggi, cluster impor tingkat sedang, hingga cluster impor tingkat rendah. Hasil penelitian menunjukkan perolehan nilai berdasarkan tingkatan impor beras dengan dua negara berada pada cluster impor tingkat tinggi, yaitu Vietnam dan Thailand. Kemudian, terdapat tiga negara dengan cluster impor tingkat sedang (Tiongkok, India dan Pakistan), serta enam negara dengan cluster impor tingkat rendah (Amerika Serikat, Taiwan, Singapura, Myanmar, Jepang dan negara-negara lainnya). Analisis data memberikan sejumlah rekomendasi sebagai bentuk dukungan terhadap pemerintah dalam menentukan arah kebijakan impor beras di masa yang akan datang.
Sistem Pendukung Keputusan Pemilihan Lokasi Gudang dengan Metode Vikor Pada PT. ABC Riza Akhsani setyo prayoga; Adinda Ayu Shavira
SISFOTENIKA Vol 13, No 2 (2023): SISFOTENIKA
Publisher : STMIK PONTIANAK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30700/jst.v13i2.1409

Abstract

Pada suatu perusahaan perlunya memiliki gudang dalam menyimpan hasil produksi. Karena dengan adanya gudang bisa membantu menjaga hasil produksi supaya aman dan bisa bertahan dengan baik. Pelaku bisnis perlu menentukan lokasi gudang yang strategis supaya proses distribusi dari produksi hingga ke konsumen bisa berjalan dengan baik. Maka perlu adanya sistem pendukung keputusan dalam memilih lokasi gudang. Adapun kriteria yang diperlukan dalam pemilihan lokasi gudang antara lain harga tanah, jarak dari pabrik, jarak dengan gudang yang sudah ada, dan jarak dengan pasar terdekat. Penelitian ini dimulai dari pengumpulan data terkait pemilihan lokasi gudang, lalu terkait analisa data dengan menggunakan metode Vikor mulai dari perhitungan normalisasi, nilai S, Nilai R, dan Index dllanjutkan dengan perancangan. Perancangan ini menggunakan data flow diagram. Kemudian melakukan implementasi dan diakhiri oleh pengujian dengan menggunakan black box. Dengan adanya aplikasi ini dapat membantu pelaku bisnis dalam menentukan lokasi gudang yang strategis.
Prediksi Status Darurat Covid-19 di Yogyakarta Menggunakan Naive Bayes Tikaridha Hardiani
SISFOTENIKA Vol 13, No 2 (2023): SISFOTENIKA
Publisher : STMIK PONTIANAK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30700/jst.v13i2.1390

Abstract

Meluasnya wabah virus corona di awal tahun 2020 menggemparkan dunia. Mudahnya penyebaran virus tersebut, orang terkonfirmasi positif Covid-19 dengan kasus terkonfirmasi meluas terutama di Daerah Istimewa Yogyakarta (DIY). Tiap kabupaten di Daerah Istimewa Yogyakarta memiliki status tingkat gawat darurat Covid-19 yang berbeda-beda. Hal ini dapat berpengaruh pada status DIY berdasarkan kondisi kasua terkonfirmasi Covid-19. Pada penelitian ini menerapkan prediksi dari ilmu data mining untuk mengklasifikasi status kegawat daruratan Covid-19 di DIY. Pengklasifikasian menggunakan metode Naive Bayes yang diterpkan untuk membantun model berdasarkan dataset pasien yang terkonfirmasi Covid-19. Model yang dibangun dapat memprediksi stastus gawat darurat DIY berdasarkan banyaknya kasus terkonfirmasi yang berada di tiap kabupaten di DIY. Pengolahan data diaplikasikan menggunakan Rapidminer. Hasil penelitian menunjukkan bahwa nilai akurasi mencapai 98,84%.
The Decision Tree Algorithm on Sentiment Analysis: Russia and Ukraine War Apriandy Angdresey
SISFOTENIKA Vol 13, No 2 (2023): SISFOTENIKA
Publisher : STMIK PONTIANAK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30700/jst.v13i2.1397

Abstract

Sentiment analysis is a method to automaticallyunderstand, extract, and process a text data to obtain aninformation or an opinion contained in said data. This is donein order to determine whether an opinion is positive, negativeor neutral in relevance to a object, product or topic. Thisresearch is aimed to implement the decision tree algorithm intoour sentiment analysis application regarding the Russian andUkraine war. This issue has been a trending topic on twitterand is attracting many attention from the public. Therefore,we gathered their opinions and analyze them using the decisiontree algorithm. We managed to gather 1.069 data and obtainthe results along with their average scores by conducting 15tests using three different data partitions. Based on the resultsobtained we concluded that the data partition of 80% trainingdata and 20% testing data gained the highest average score. Theresult was 85.61% for accuracy, 86.27% for the precision, and86.01% for the recall.
Using TOGAF 9.1 To Analyse and Model the Public Library Business Process Aditya Rachmadi; Widhy Hayuhardhika Nugraha Putra Putra; Andi Reza Perdanakusuma
SISFOTENIKA Vol 13, No 2 (2023): SISFOTENIKA
Publisher : STMIK PONTIANAK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30700/jst.v13i2.1421

Abstract

The government of Kota Batu claimed that their Public Services are organized based on Good Governance practices. The library sector, under the control of the Library and Archives Service, is guided by the principles of good governance in carrying out each of its processes, especially in delivering library services to the public. This research will define the components that form the basis of the activities carried out by the Library Sector, especially in the delivery of mobile library services. Insights from the results of the identification of types of services, stakeholders, issues that occur, values, and motivations serve as a guide in the preparation of the components that form a business processes model such as participants, functions, flows, artefacts, and rules that apply based on the context of services being delivered. Process models are developed using the Business Process Modeling Notation (BPMN) modelling language. The study of the ongoing process is using Failure Mode and Effect Analysis (FMEA) which defined that there are five activities identified with the highest categories of risk. From this research, we conclude two solutions, namely the development document management system with digital signature features and electronic scheduling that is connected to the asset management system.
Implementasi Naïve Bayes Terhadap Kesadaran Keamanan Informasi Dengan Infeksi Virus Pada Computer Yoyon Arie Budi Yoyon Arie Budi Suprio; Moch. Najib
SISFOTENIKA Vol 13, No 2 (2023): SISFOTENIKA
Publisher : STMIK PONTIANAK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30700/jst.v13i2.1448

Abstract

Dalam perkembanagan teknologi yang semakin maju pesat maka perlu diperhatikan juga mengenai pengamanannya baik itu dari segi software maupun dari sisi datanya maka oleh sebab itu keamanan informasi merupakan pengamanan informasi dari berbagai ancaman agar informasi yang tersimpan dan penting tersebut tidak disalahgunakan oleh pihak yang tidak bertanggung jawab. Salah satu ancaman yang dapat mengancam keamanan informasi adalah infeksi virus. Virus meliputi spyware, ransomware, malware dan sebagainya. Oknum tidak bertanggung jawab menggunakan virus untuk mendapatkan informasi penting dari perangkat yang terinfeksi seperti informasi data pribadi serta informasi penting lainnya seperti pada perusahaan atau instansi pemerintah. Di dalam penelitian ini bertujuan untuk mengetahui hubungan antara tingkat kesadaran akan keamanan informasi seseorang dengan besar kemungkinan infeksi virus pada perangkat personal computer menggunakan metode Naïve Bayes. Data diperoleh dari kuesioner yang dibuat secara daring menggunakan Google Form dan dibagikan melalui media sosial. Dari 38 data  yang telah terkumpul, sebanyak 29 responden yang perangkat personal computer-nya terinfeksi oleh virus sementara sebanyak 9 responden yang perangkat personal computer-nya tidak terinfeksi oleh virus. Diperoleh bahwa tingkat keamanan informasi sangat berpengaruh pada besar kemungkinan perangkat personal computer seseorang terinfeksi oleh virus.  Kata Kunci – Keaman Informasi, Naïve Bayes, Virus
Analisis Pengaruh Optimizer pada Model CNN untuk Identifikasi Cacat pada Perekat Kemasan Richo Richo; Ryan Yudha Adhitya; Muhammad Khoirul Hasin; Mat Syai'in; Edy Setiawan
SISFOTENIKA Vol 13, No 2 (2023): SISFOTENIKA
Publisher : STMIK PONTIANAK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30700/jst.v13i2.1447

Abstract

Industri makanan dan minuman yang mengalami peningkatan pesat salah satunya yakni industri produksi tepung terigu. Namun, dalam proses produksi masih mengalami kendala salah satunya klasifikasi kelayakan kemasan produk tepung terigu yang sesuai standard. Penelitian ini bertujuan untuk mengetahui pengaruh optimizer pada model Convolutional Neural Network dalam mendeteksi hasil kelayakan produk kemasan tepung terigu berdasarkan 2 kondisi yakni cacat atau normal. Area deteksi kemasan dilakukan pada area vertikal kemasan dengan indikasi cacat ditentukan berdasarkan kerusakan pada area perekat kemasan yang menimbulkan keluarnya bercak tepung pada area tersebut. Proses deteksi menggunakan webcam untuk capture image yang kemudian akan dilakukan ekstraksi fitur, reduksi citra, dan classification berdasarkan nilai probabilitas tertinggi. Pada penelitian ini kami mengimplementasikan dan membandingkan optimizer pada model CNN untuk meminimalisir terjadinya overfitting serta menghasilkan akurasi terbaik dalam klasifikasi produk cacat atau normal. Optimizer yang dibandingkan yakni optimizer Adadelta, Adagrad, Adam, Adamax, RMSprop, dan SGD. Dataset berjumlah 250 gambar, 125 gambar merupakan kelas cacat dan 125 gambar lainnya merupakan kelas normal. Sementara itu, split data pada proses training dibagi dengan perbandingan 90% data training dan 10% data validation. Setelah dilakukan pengujian diperoleh hasil training model CNN terbaik yakni menggunakan optimizer Adam dengan validation accuracy sebesar 92.77% dan akurasi testing mencapai 90%.Kata kunci— CNN, Optimizer, Kemasan, Tepung Terigu, Klasifikasi.
Analisis Perbandingan metode ARAS dan WP Dalam Penentuan Prioritas Masyarakat Miskin Berdasarkan Sosial Ekonomi Masna Wati; Fairil Anwar; Novianti Puspitasari; Anindita Septiarini; Andi Tejawati
SISFOTENIKA Vol 13, No 2 (2023): SISFOTENIKA
Publisher : STMIK PONTIANAK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30700/jst.v13i2.1385

Abstract

Setiap daerah termasuk Kalimantan Timur dihadapkan pada permasalahan kemiskinan yang harus ditanggapi dengan serius. Pemerintah tak henti berupaya mengatasi masalah kemiskinan ini agar tercipta kondisi masyarakat yang sejahtera. Program bantuan untuk pengentasan kemiskinan merupakan upaya pemerintah dalam menyelesaikan masalah ini. Sistem Pendukung Keputusan dapat membantu pemerintah dalam membuat sebuah keputusan. Pembuatan sistem tersebut dapat menggunakan metode WP atau ARAS dengan bobot kriteria entropy sehingga perlu dianalisis metode yang paling tepat diterapkan. Kriteria keputusan berdasarkan Badan Pusat Statistik Provinsi Kalimantan Timur sebanyak 15 kriteria yaitu pengeluaran per kapita/bulan, status pekerjaan utama, jaminan kesehatan, pernah rawat inap dalam 1 tahun terakhir, pernah tidak menyantap makanan yang sehat dan bergizi, status kepemilikan tempat tinggal, luas lantai rumah, bahan utama atap rumah, bahan utama dinding rumah, bahan utama lantai rumah, sumber air utama MCK, ketersediaan fasilitas MCK, ketersediaan listrik, bahan bakar utama memasak, kepemilikan harta mobil. Hasil uji sensitivitas kedua metode diperoleh tingkat sensitivitas metode WP sebesar 0,005379 dan metode ARAS sebesar -0,118622. Hasil ini menunjukkan bahwa metode WP lebih relevan untuk digunakan dalam mengevaluasi tingkat kesejahteraan masyarakat di Kota Samarinda daripada metode ARAS.

Page 24 of 24 | Total Record : 239

 20   21   22   23   24 

Filter by Year

2011 2023


Reset
Filter By Issues
All Issue Vol 13, No 2 (2023): SISFOTENIKA Vol 13, No 1 (2023): SISFOTENIKA Vol 12, No 2 (2022): SISFOTENIKA Vol 12, No 1 (2022): SISFOTENIKA Vol 11, No 2 (2021): SISFOTENIKA Vol 11, No 1 (2021): SISFOTENIKA Vol 10, No 2 (2020): SISFOTENIKA Vol 10, No 1 (2020): SISFOTENIKA Vol 9, No 2 (2019): SISFOTENIKA Vol 9, No 1 (2019): SISFOTENIKA Vol 8, No 2 (2018): SISFOTENIKA Vol 8, No 1 (2018): SISFOTENIKA Vol 7, No 2 (2017): SISFOTENIKA Vol 7, No 1 (2017): SISFOTENIKA Vol 6, No 2 (2016): SISFOTENIKA Vol 6, No 1 (2016): SISFOTENIKA Vol 5, No 2 (2015): SISFOTENIKA Vol 5, No 1 (2015): SISFOTENIKA Vol 4, No 2 (2014): SISFOTENIKA Vol 4, No 1 (2014): SISFOTENIKA Vol 3, No 2 (2013): SISFOTENIKA Vol 3, No 1 (2013): SISFOTENIKA Vol 2, No 2 (2012): SISFOTENIKA Vol 2, No 1 (2012): SISFOTENIKA Vol 1, No 2 (2011): SISFOTENIKA Vol 1, No 1 (2011): SISFOTENIKA More Issue