Jurnal Pilar Nusa Mandiri
Jurnal Pilar merupakan jurnal ilmiah yang diterbitkan oleh program studi sistem informasi STMIK Nusa Mandiri. Jurnal ini berisi tentang karya ilmiah yang bertemakan: Rekayasa Perangkat Lunak, Sistem Pakar, Sistem Penunjang, Keputusan, Perancangan Sistem Informasi, Data Mining, Pengolahan Citra.
Articles
418 Documents
<![CDATA[KLASIFIKASI PENERIMA BEASISWA KOPERTIS DENGAN MENGGUNAKAN ALGORITMA C.45 ]]>
<![CDATA[Tabrani, Muhamad]]>
<![CDATA[ Jurnal Pilar Nusa Mandiri Vol 12 No 1 (2016): Pilar Nusa Mandiri : Journal of Computing and Information System Periode Maret 2 ]]>
Publisher : <![CDATA[LPPM Universitas Nusa Mandiri ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1311.387 KB)
|
DOI: 10.33480/pilar.v12i1.261
<![CDATA[Every year college get scholarship coordinator private universities (kopertis), Scholarship devoted to student in a college namely scholarship an increase in academic performance (scholarship PPA ) and scholarship assistance learn student (scholarship BBM). The process filing scholarship ppa and bbm through two stages selection selection is the first stage selection in college to determine a candidate scholarship recipients that would be proposed to kopertis, the selection that both the stage in kopertis selection. Many a student who submitted the scholarships as well as surpassing kouta given resulted in the process of select recipients taken longer since select must be in accordance with the criteria so that the recipient scholarship right on target . Based on these problems need a the act of determining scholarship recipients proper. The purpose of this research is to make classifications students scholarship recipients with algorithm C4.5. The results of classifications evaluate and validated with confusion matrix and a curve ROC, the results classifications students scholarship recipients namely algorithm C4.5 with the level of accuracy of 86.88 %, So that it can be applied for the problem the determination of scholarship recipients .]]>
<![CDATA[PENGARUH PELAYANAN PEMBUATAN E-KTP TERHADAP KEPUASAN MASYARAKAT STUDI KASUS DI KECAMATAN DRAMAGA KABUPATEN BOGOR ]]>
<![CDATA[Sufryanthi, Sufryanthi]]>;
<![CDATA[Kusnadi, Yahdi]]>
<![CDATA[ Jurnal Pilar Nusa Mandiri Vol 12 No 1 (2016): Pilar Nusa Mandiri : Journal of Computing and Information System Periode Maret 2 ]]>
Publisher : <![CDATA[LPPM Universitas Nusa Mandiri ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1219.029 KB)
|
DOI: 10.33480/pilar.v12i1.262
<![CDATA[The creation of the e-ID CARD issued by the Government in this regard the Ministry of Interior gave the side the ease in making Residents Sign Cards (KTP) as official proof of identification for every citizen. The technique of data collection undertaken by way of ask a few questions or written statement to the respondent the owner or user of the e-ID CARD around the area of Kecamatan Dramaga, Bogor. From the analysis, the determination of the coefficient of 0,199 obtainable. 19.9% it means that the variable satisfaction celebrated influenced by quality of service, while the 80,1% community satisfaction variables affected by other variables that are not discussed in this study]]>
<![CDATA[SISTEM PAKAR DIAGNOSA KERUSAKAN PADA MESIN PENDINGIN RUANGAN DENGAN METODE FORWARD CHAINING ]]>
<![CDATA[Guntur, Guntur]]>;
<![CDATA[Merlina, Nita]]>
<![CDATA[ Jurnal Pilar Nusa Mandiri Vol 12 No 1 (2016): Pilar Nusa Mandiri : Journal of Computing and Information System Periode Maret 2 ]]>
Publisher : <![CDATA[LPPM Universitas Nusa Mandiri ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1838.296 KB)
|
DOI: 10.33480/pilar.v12i1.264
<![CDATA[At this time. Air conditioner have been obviously a very basic need to many people. Hence the use of air conditioner likely require regular maintenance, this is what drives development of an expert system to identify air conditioner damage. Expert system is a branch of artificial intelligence that makes extension use of specialized knowledge to solve problems at the level of a human expert. An expert is a person who has expertise in a certain area. This expert system can help find solutions quickly and can save time. Inference method used is a forward chaining , the inference process that initiate search of the premises or in the form of input data lead to the conclusion that symptoms of the damage conclusions and provide solutions on air conditioner damage. The test results are made based on the questionnaire showed that, the program quite useful in providing information about damage to the air conditioner, made consultation more efficient with result that equally same with air conditioner technician.]]>
<![CDATA[WEIGHT PRODUCT MODEL(WPM) FOR NOTEBOOK SELECTIONS DENGAN MULTI KRITERIA BERBASIS TEKNOLOGI ]]>
<![CDATA[Akmaludin, Akmaludin]]>
<![CDATA[ Jurnal Pilar Nusa Mandiri Vol 12 No 2 (2016): Pilar Nusa Mandiri : Journal of Computing and Information System Periode Septemb ]]>
Publisher : <![CDATA[LPPM Universitas Nusa Mandiri ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1701.52 KB)
<![CDATA[Pertimbangan optimal sangat memerlukan suatu alat bantu untuk menghasilkan keputusan yang baik, sebagai metode yang dapat diterapkan untuk proses peneyeleksian. Produk berbasis teknologi terkadang memberikan banyak kriteria yang unik dan memberikan benefit yang besar bagi para penggunanya. Dengan demikian sangat dibutuhkan metode yang tepat untuk penyeleksian produk berbasis teknologi. Metode Weight Product Model (WPM) salah satu metode yang dapat digunakan untuk membantu dalam proses penyeleksian, metode ini merupakan kristalisasi dari keilmuan metode Analytic Hierarchi Process (AHP). WPM merupakan sebuah model yang melakukan proses penyelesaian secara hirarki dengan cara melakukan breakdown mulai dari goal, criteria, dan alternative.Produk yang menjadi objek penelitian yaitu Notebook dengan kategori yang sama yaitu Core i5 dengan brand-type yang berbeda-beda seperti SAMSUNG 470RE-K01ID, LENOVO G470-0137, ASUS A450CC-WX250D, dan TOSHIBA L840-1045.WPM merupakan salah satu bentuk solusi pemodelan yang dapat digunakan untuk penyeleksian Notebook sebagai produk berbasis teknologi dengan pertimbangan multicriteria. Dari proses analisis yang diterapkan secara matematis dapat memberikan keputusan secara empiris dengan menentukan besaran priority terhadap produk berbasis teknologi seperti Notebook. Perolehan hasil yang diperoleh dengan WPM adalah SAMSUNG menduduki prioritas tertinggi dengan bobot nilai 0.323, LENOVO dengan bobot nilai 0.264, lalu ASUS dengan bobot nilai 0.228, dan perioritas rangking terkecil THOSIBA dengan bobot nilai prioritas 0.185.]]>
<![CDATA[ALGORITMA ASOSIASI DENGAN ALGORITMA APRIORI UNTUK ANALISA DATA PENJUALAN ]]>
<![CDATA[Badrul, Mohammad]]>
<![CDATA[ Jurnal Pilar Nusa Mandiri Vol 12 No 2 (2016): Pilar Nusa Mandiri : Journal of Computing and Information System Periode Septemb ]]>
Publisher : <![CDATA[LPPM Universitas Nusa Mandiri ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1079.707 KB)
<![CDATA[Setiap perusahaan maupun organisasi yang ingin tetap bertahan perlu untuk menentukan strategi dalam bisnis yang tepat. Data penjualan produk yang dilakukan oleh perusahaan lambat laun akan menghasilkan tumpukan data. Sehingga sangat disayangkan jika tidak di analisa kembali. produk yang ditawarkan bermacam dengan berbagai macam produk, dan terkadang merk mempengaruhi masyarakat untuk membeli produk tersebut, untuk mengetahui produk dengan penjualan terbanyak dan keterkaitan produk satu dengan yang laiinya diperlukan salah satu algoritma yang ada di algoritma data mining yaitu algoritma apriori untuk dapat mengetahuinya, dan dengan bantuan aplikasi tanagra, produk yang muncul secara bersamaan dapat diketahui. Algoritma apriori termasuk jenis aturan asosiasi pada data mining. Salah satu tahap analisis asosiasi yang menarik perhatian banyak peneliti untuk menghasilkan algoritma yang efisien adalah analisis pola frequensi tinggi (frequent pattern mining). Penting tidaknya suatu asosiasi dapat diketahui dengan dua tolak ukur , yaitu : support dan confidence. Support (nilai penunjang) adalah persentase kombinasi item tersebut dalam database, sedangkan confidence (nilai kepastian) adalah kuatnya hubungan antar-item dalam aturan asosiasi. Algoritma apriori dapat membantu untuk pengembangan strategi pemasaran.]]>
<![CDATA[PENINGKATAN FEATURE SELECTION DENGAN WINDOWED MOMENTUM UNTUK PREDIKSI KANKER PAYUDARA ]]>
<![CDATA[Priyanti, Evy]]>
<![CDATA[ Jurnal Pilar Nusa Mandiri Vol 12 No 2 (2016): Pilar Nusa Mandiri : Journal of Computing and Information System Periode Septemb ]]>
Publisher : <![CDATA[LPPM Universitas Nusa Mandiri ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1436.868 KB)
<![CDATA[Kanker payudara meningkat di setiap negara di dunia , terutama di negara-negara berkembang seperti Indonesia . Neural Network mampu memecahkan masalah dengan akurasi data dan tidak linear . Neural Network optimasi diuji minggu untuk menghasilkan yang terbaik nilai akurasi , menerapkan jaringan saraf dengan metode seleksi fitur seperti Wrapper dengan Penghapusan Mundur untuk meningkatkan akurasi yang dihasilkan oleh Neural Network. Percobaan yang dilakukan untuk mendapatkan arsitektur yang optimal dan meningkatkan nilai akurasi . Hasil dari penelitian ini adalah matriks kebingungan untuk membuktikan keakuratan Neural Network sebelum dioptimalkan oleh Backward Elimination adalah 96,42 % dan 96,71 % setelah menjadi dioptimalkan. Hal ini membuktikan estimasi uji seleksi fitur menggunakan metode berbasis jaringan saraf Backward Elimination lebih akurat dibandingkan dengan metode jaringan saraf tiruan. Windowed momentum dapat meningkatkan waktu pengklasifikasian feature selection sehingga didapat momentum yang lebih maksimal.]]>
<![CDATA[PENGUKURAN PENILAIAN KINERJA KARYAWAN MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) ]]>
<![CDATA[Afni, Nurul]]>
<![CDATA[ Jurnal Pilar Nusa Mandiri Vol 12 No 2 (2016): Pilar Nusa Mandiri : Journal of Computing and Information System Periode Septemb ]]>
Publisher : <![CDATA[LPPM Universitas Nusa Mandiri ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1281.691 KB)
<![CDATA[Berkembangnya sumber daya manusia yang berkualitas maka berkembang pula perusahaan yang dinaungi sumber daya manusia tersebut. Pada hakekatnya, kinerja sumber daya manusia memang harus di perhatikan demi menunjang dan memajukan sebuah perusahaan. Sumber daya manusia yang memiliki kompetensi yang tinggi akan mampu melakukan tugasnya dengan baik. Untuk itu perusahaan dituntut agar terus memberi motivasi dan melakukan penilaian kinerja sebagai bahan evaluasi terhadap kinerja karyawan itu sendiri. Penulis mencoba memberikan ide untuk memprediksi kinerja karyawan menggunakan metode Adaptive Neuro Fuzzy Inference System guna membantu perusahaan menyeleksi maupun menilai kinerja karyawan demi meningkatkan kualitas perusahaan dari segi sumber daya manusia. Hasil pengujian metode tersebut memiliki nilai akurasi sebesar 65%. Dengan demikian metode ANFIS dapat memprediksi kinerja karyawan sebagai salah satu pengambilan keputusan terhadap kinerja karyawan.]]>
<![CDATA[SELEKSI MOBIL BERDASARKAN FITUR DENGAN KOMPARASI METODE KLASIFIKASI NEURAL NETWORK, SUPPORT VECTOR MACHINE, DAN ALGORITMA C4.5 ]]>
<![CDATA[Purwaningsih, Esty]]>
<![CDATA[ Jurnal Pilar Nusa Mandiri Vol 12 No 2 (2016): Pilar Nusa Mandiri : Journal of Computing and Information System Periode Septemb ]]>
Publisher : <![CDATA[LPPM Universitas Nusa Mandiri ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1288.792 KB)
|
DOI: 10.33480/pilar.v12i2.269
<![CDATA[Seleksi mobil berdasarkan fitur menggunakan komparasi metode Neural Network, Support Vector Machine, dan Algoritma C4.5. Komparasi metode tersebut dipilih karena terdapat kelebihan dan keistimewaan dari masing-masing metode, juga karena terdapat penelitian terdahulu yang telah melakukan uji klasifikasi kendaraan dengan menggunakan metode Algoritma C4.5 dan Neural Network, dan memberikan usulan dengan menggunakan metode Support Vector Machine serta belum ada penelitian tentang klasifikasi kendaraan dengan menggunakan metode Support Vector Machine. Data yang digunakan bersumber dari PT. Tunas Mobilindo Perkasa. Data yang diteliti ini merupakan data mobil serta penjualan mobil di PT. Tunas Mobilindo Perkasa dengan periode tahun 2013. Untuk menerapkan metode Neural Network, Support Vector Machine dan Algoritma C4.5 ini digunakan perangkat lunak RapidMiner. Hasil penerapan ini kemudian dikomparasi menggunakan Confusion Matrix dan Kurva ROC. Berdasarkan penelitian ini terbukti bahwa metode Algoritma C4.5 memiliki tingkat akurasi yang lebih tinggi dibandingkan Neural Network dan Support Vector Machine.]]>
<![CDATA[MODEL PREDIKSI HARGA SAHAM MEDIA SOSIAL BERDASARKAN ALGORITMA SVM YANG DIOPTIMASIKAN DENGAN PSO ]]>
<![CDATA[Sari, Eka Puspita]]>
<![CDATA[ Jurnal Pilar Nusa Mandiri Vol 12 No 2 (2016): Pilar Nusa Mandiri : Journal of Computing and Information System Periode Septemb ]]>
Publisher : <![CDATA[LPPM Universitas Nusa Mandiri ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1211.341 KB)
<![CDATA[Saham adalah satuan nilai atau pembukuan dalam berbagai instrumen financial yang mengacu pada bagian kepemilikan sebuah perusahaan. Dengan menerbitkan saham, memungkinkan perusahaan-perusahaan yang membutuhkan pendanaan jangka panjang untuk ‘menjual’ kepentingan dalam bisnis saham (efek ekuitas) – dengan imbalan uang tunai. Ini adalah metode utama untuk meningkatkan modal bisnis selain menerbitkan obligasi. Saham dijual melalui pasar primer (primary market) atau pasar sekunder (secondary market). Penelitian ini bertujuan untuk membuktikan penerapan optimasi Particle Swarm Optimization (PSO) pada Support Vector Machine (SVM) dapat memberikan keakurasian yang lebih baik dari pada hanya menggunakan algoritma SVM dalam memprediksi harga saham. Setelah dilakukan pengujian dengan menggunakan dua model yaitu algoritma SVM dan SVMPSO setelah sebelumnya ditemukan parameter-parameter optimasi pada SVM, maka dari eksperimen yang dilakukan terlihat bahwa kernel yang memberikan hasil terbaik adalah DOT dengan memberikan nilai akurasi sebesar 94.8% untuk training, 94.6% untuk testing dibandingkan dengan hasil yang diperoleh dari kernel RBF sebesar 94.4% untuk training dan 90.5% untuk testing dan kernel Polynomial sebesar 58.6% untuk training dan 47.3% untuk testing.]]>
<![CDATA[PREDIKSI SPAM EMAIL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE DAN PARTICLE SWARM OPTIMIZATION ]]>
<![CDATA[Pudjiarti, Eni]]>
<![CDATA[ Jurnal Pilar Nusa Mandiri Vol 12 No 2 (2016): Pilar Nusa Mandiri : Journal of Computing and Information System Periode Septemb ]]>
Publisher : <![CDATA[LPPM Universitas Nusa Mandiri ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1377.701 KB)
<![CDATA[Spam email adalah istilah yang digunakan untuk menggambarkan pesan yang dikirim dalam email massal atau email yang masuk diterima tanpa persetujuan. Spam Email Filtering adalah program yang digunakan untuk mendeteksi email yang tidak diinginkan dan mencegah email yang tidak diminta dan untuk masuk ke inbox pengguna email. Banyak teknik yang digunakan untuk membuat email penyaringan spam, salah satunya dengan menggunakan teknik klasifikasi. Support Vector Machine classifier adalah metode pembelajaran terawasi digunakan untuk mengklasifikasikan data. Tapi Support Vector Machine memiliki kelemahan pada kesulitan memilih fitur yang tepat dan bobot atribut optimal digunakan untuk menyebabkan tingkat akurasi prediksi rendah. Oleh karena itu, dalam penelitian ini menciptakan algoritma Model dan Support Vector Machine Support Vector Machine Model algoritma berdasarkan Particle Swarm Optimization untuk mendapatkan spam email aturan dalam memprediksi akurasi dan memberikan nilai yang lebih akurat. Setelah menguji dua model, yaitu Support Vector Algoritma Mesin dan Support Vector Machine berbasis Particle Swarm Optimization, hasil yang diperoleh dengan demikian diperoleh menguji algoritma menggunakan Support Vector Machine yang merupakan nilai yang diperoleh akurasi 85,75% dan nilai AUC adalah 0,901, sedangkan Tes menggunakan Support Vector Machine berbasis Particle Swarm Optimization nilai yang diperoleh akurasi 89,24% dan nilai AUC adalah 0,935 dengan tingkat yang baik klasifikasi diagnostik. Sehingga kedua metode memiliki berbagai tingkat akurasi yaitu sebesar 03:49% dan nilai-nilai AUC 0,034 perbedaan.]]>
