MATRIK : Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer
MATRIK adalah salah satu Jurnal Ilmiah yang terdapat di Universitas Bumigora Mataram (eks STMIK Bumigora Mataram) yang dikelola dibawah Lembaga Penelitian dan Pengabadian kepada Masyarakat (LPPM). Jurnal ini bertujuan untuk memberikan wadah atau sarana publikasi bagi para dosen, peneliti dan praktisi baik di lingkungan internal maupun eksternal Universitas Bumigora Mataram. Jurnal MATRIK terbit 2 (dua) kali dalam 1 tahun pada periode Genap (Mei) dan Ganjil (Nopember).
Articles
418 Documents
<![CDATA[Pengaruh Penggunaan Media Sosial pada Penggunaan Pembelajaran berbasis Mobile SI-BAJAKAH ]]>
<![CDATA[Ika Safitri Windiarti]]>;
<![CDATA[Miftahurrizqi Miftahurrizqi]]>;
<![CDATA[Agung Prabowo]]>
<![CDATA[ MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Vol. 21 No. 2 (2022) ]]>
Publisher : <![CDATA[Universitas Bumigora ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30812/matrik.v21i2.1689
<![CDATA[Tujuan penelitian ini adalah mengeksplorasi bagaimana faktor usia dan gender serta kondisi lingkungan sosial kemasyarakatan akan mempengaruhi penggunaan pembelajaran berbasis teknologi yaitu pada aplikasi SI-BAJAKAH. Penelitian ini dilakukan dengan cara mengedarkan kuisioner kepada 414 siswa SMP, SMA, dan SMK. Adapun metode statistik yang dilakukan adalah Analisis Varians (ANOVA) dan Uji-t sample independen. Metode pertama untuk membandingkan 3 variabel yang berbeda dalam penelitian ini, sedangkan metode kedua ini sangat penting untuk mengetahui apakah ada signifikansi statistik antara dua kelompok yang saling tidak terkait, dalam hal ini laki-laki dan perempuan adalah dua variabel independen. Hasil yang diperoleh dari penelitian ini adalah adanya perbedaan usia dan gender dan faktor lingkungan sosial dari para siswa tersebut yang menghasilkan persepsi positif dalam implementasi pembelajaran menggunakan aplikasi SI-BAJAKAH ini. Rekomendasi untuk penelitian yang akan datang adalah penelitian tentang metode peningkatan kualitas implementasi aplikasi SI-BAJAKAH agar lebih baik lagi.]]>
<![CDATA[Sistem Aplikasi Cerdas Klasterisasi Penerima Bantuan Covid-19 ]]>
<![CDATA[Anthony Anggrawan]]>;
<![CDATA[Dwi Kurnianingsih]]>;
<![CDATA[Christofer Satria]]>
<![CDATA[ MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Vol. 21 No. 2 (2022) ]]>
Publisher : <![CDATA[Universitas Bumigora ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30812/matrik.v21i2.1716
<![CDATA[Wabah Covid-19 berakibat pada krisis ekonomi masyarakat dan menciptakan kemiskinan dan pengangguran. Hal ini menyebabkan pemerintah Indonesia turun tangan memberikan bantuan Covid-19 bagi masyarakat yang paling terdampak buruk. Namun yang menjadi kesulitan adalah dalam menentukan dengan tepat serta benar kandidat yang layak dan yang tidak layak sebagai penerima bantuan yang masih dilakukan secara manual. Karenanya dibutuhkan solusi untuk mengatasinya. Itulah sebabnya penelitian ini bertujuan membangun sistem dan aplikasi cerdas yang bisa melakukan pengklasterkan kandidat penerima bantuan Covid-19 yang layak, kurang layak dan tidak layak sebagai penerima bantuan Covid-19. Metode yang digunakan dalam penelitian ini untuk klasterisasi adalah metode data mining k-means. Hasil penelitian ini adalah pengklasteran kelayakan penerima bantuan Covid-19 terbagi dalam klaster C0 (penerima bantuan yang layak) sebanyak 53, klaster C1 (cukup layak menerima bantuan) sebanyak 71, dan klaster yang tidak layak sebagai penerima bantuan (C2) sebanyak 76 dari 200 data pengujian. Aplikasi cerdas ang dibangun juga menunjukkan hasil yang sama dengan pengklasteran yang di lakukan dengan menerapakan metode k-means, sehingga aplikasi cerdas yang dibangun berguna untuk komputerisasi klasterisasi yang layak, kurang layak dan tidak layak sebagai penerima bantuan Covid-19.]]>
<![CDATA[Aplikasi Dynamic Cluster pada K-Means BerbasisWeb untuk Klasifikasi Data Industri Rumahan ]]>
<![CDATA[Hadi Santoso]]>;
<![CDATA[Hilyah Magdalena]]>;
<![CDATA[Helna Wardhana]]>
<![CDATA[ MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Vol. 21 No. 3 (2022) ]]>
Publisher : <![CDATA[Universitas Bumigora ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30812/matrik.v21i3.1720
<![CDATA[Masalah utama yang dihadapi Pemerintah Daerah Provinsi Kepulauan Bangka Belitung saat ini adalah sulitnya mengklasifikasikan data industri rumahan berdasarkan Peraturan Menteri PPPA No 2 Tahun 2016 yaitu pemula, berkembang dan maju. Berdasarkan permasalahan tersebut diusulkan pengembangan algoritma Kmeans yaitu algoritma Dynamic cluster pada K-means dengan tujuan agar dapat menghasilkan klaster yang optimal dalam pengelompokan data industri rumahan dengan membangun aplikasi cerdas berbasis web. Penelitian ini menggunakan metode analisis data mining SEMMA, yang meliputi tahapan-tahapan seperti data sampel, deskripsi data, transformasi data, pemodelan data, dan evaluasi data. 3.466 industri rumah tangga digunakan sebagai sampel data. Kinerja algoritma dievaluasi menggunakan pengukuran validitas klaster Davies Bouldin Index (DBI). Hasil eksperimen menunjukkan bahwa algoritma Dynamic cluster pada K-means memberikan nilai yang optimal pada iterasi ke lima, dengan perolehan sebagai berikut: klaster pemula (C1) diperoleh sebanyak 3214, kemudian klaster berkembang (C2) diperoleh sebanyak 167 dan klaster maju (C3) diperoleh sebanyak 85. Hasil evaluasi validitas klaster menunjukan bahwa algoritma Dynamic cluster pada Kmeans memperoleh nilai DBI lebih kecil dibandingkan dengan algoritma K-means dengan nilai DBI sebesar 0.184. Implementasi algoritma dynamic cluster pada K-means untuk pengelompokan data industri rumahan pada Dinas P3ACSKB di Provinsi Kepulauan Bangka Belitung terbukti menghasilkan kualitas cluster yang lebih optimal.]]>
<![CDATA[Otsu Method for Chicken Egg Embryo Detection based-on Increase Image Quality ]]>
<![CDATA[Suhirman Suhirman]]>;
<![CDATA[Shoffan Saifullah]]>;
<![CDATA[Ahmad Tri Hidayat]]>;
<![CDATA[Rr Hajar Puji Sejati]]>
<![CDATA[ MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Vol. 21 No. 2 (2022) ]]>
Publisher : <![CDATA[Universitas Bumigora ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30812/matrik.v21i2.1724
<![CDATA[Detection of chicken egg embryos using image processing has limitations and needs some processes for improvement. By human vision, the previous process used binoculars and candling using light/beams directed at the chicken eggs in the incubator. In this study, we propose the application of image segmentation using the Otsu method in detecting chicken egg embryos. This method uses image segmentation with increased image quality (preprocessing) by several methods such as resizing, grayscaling, image adjustment, and image enhancement. These processes produce a better image and can be used for input in the segmentation process. In addition, this study compares several segmentation methods in detecting chicken egg embryos, such as thresholding, Otsu basic, and k-means clustering. The results show that our proposed method produced segmentation images to detect chicken egg embryos of 200 datasets images. This method has a faster process and can create a uniform segmentation than other methods. However, other methods can also detect chicken egg embryos. The method’s accuracy proposed in this study increased by 1.5% compared to other methods. In addition, the resulting SSIM value has a percentage close to and more than 90%, which means that the segmentation of the results obtained can be used to detect chicken egg embryos.]]>
<![CDATA[Dampak SMOTE terhadap Kinerja Random Forest Classifier berdasarkan Data Tidak seimbang ]]>
<![CDATA[Erlin Erlin]]>;
<![CDATA[Yenny Desnelita]]>;
<![CDATA[Nurliana Nasution]]>;
<![CDATA[Laili Suryati]]>;
<![CDATA[Fransiskus Zoromi]]>
<![CDATA[ MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Vol. 21 No. 3 (2022) ]]>
Publisher : <![CDATA[Universitas Bumigora ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30812/matrik.v21i3.1726
<![CDATA[Dalam aplikasi machine learning sangat umum ditemukan kumpulan data dalam berbagai tingkat ketidakseimbangan mulai dari ketidakseimbangan kecil, sedang sampai ekstrim. Sebagian besar model machine learning yang dilatih pada data tidak seimbang akan memiliki bias dengan memberikan tingkat akurasi yang tinggi pada kelas mayoritas dan sebaliknya rendah pada kelas minoritas. Tujuan penelitian ini adalah untuk mengevaluasi dampak dari SMOTE (Synthetic Minority Oversampling Technique) pada pengklasifikasi Random Forest untuk memprediksi penyakit jantung. Data berjumlah 299 berasal dari UCI Machine learning Repository digunakan untuk membangun model prediksi berdasarkan 12 variabel independen dan 1 variabel dependen. Kelas minoritas dalam dataset pelatihan di oversampling menggunakan teknik SMOTE (Synthetic Minority Oversampling Technique). Model dievaluasi tidak hanya menggunakan ukuran kinerja Accuracy dan Precision saja, namun juga menggunakan alternatif ukuran kinerja lainnya seperti Sensitivity, F1-score, Specificity, G-Mean dan Youdens Index yang lebih baik digunakan untuk data yang tidak seimbang. Hasil penelitian menunjukkan bahwa teknik SMOTE (Synthetic Minority Oversampling Technique) mampu mengurangi overfitting sekaligus meningkatkan kinerja model Random Forest pada semua indikator. Peningkatan skor Accuracy sebesar 3.45%, Precision 4.8%, Sensitivity 7.1%, F1-score 4.8%, Specificity 2.1%, G-Mean 4.4%, dan Youdens Index 6.3%. Penelitian ini membuktikan bahwa dalam menentukan pengklasifikasi dengan algoritma machine learning seperti Random Forest, kemiringan kelas dalam data perlu diperhitungkan dan diseimbangkan untuk hasil kinerja yang lebih baik.]]>
<![CDATA[Pemetaan Dimensi Ketahanan Pangan berbasis Web GIS dan Metode TOPSIS ]]>
<![CDATA[Rizky Muliani Dwi Ujianti]]>;
<![CDATA[Mega Novita]]>;
<![CDATA[Iffah Muflihati]]>
<![CDATA[ MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Vol. 21 No. 3 (2022) ]]>
Publisher : <![CDATA[Universitas Bumigora ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30812/matrik.v21i3.1730
<![CDATA[Ketahanan pangan di suatu wilayah ditentukan oleh tersedianya pangan yang tepat dan memadai. Dalam memetakan dimensi ketahanan pangan ini diperlukan Web Geografhic Information System (GIS). Penelitian menggunakan mix method kualitatif dan kuantitatif yaitu kombinasi Sistem Pendukung Keputusan (SPK) dengan metode Technique For Order Preference by Similarity to Ideal Solution (TOPSIS), metode pengembangan Web GIS menggunakan metode McCall. Data spasial yang digunakan: batas administrasi Kab. Kendal, titik lokasi kecamatan, jumlah dari beberapa variabel ketahanan pangan. Data non spasial: keterangan penjelasan tentang dimensi ketahanan, dan foto foto kegiatan. Pengumpulan data sekunder bersumber dari instansi pemerintah dan Badan Pusat Statistik Kabupaten Kendal. Hasil penelitian dari metode TOPSIS berupa data perangkingan alternatif dimensi ketahanan pangan pada kecamatan dan peta Web GIS sesuai dengan beberapa variabel yaitu prasarana penyedia pangan yaitu rumah makan, penduduk, pengguna air bersih, jumlah tenaga kesehatan, jumlah puskesmas pembantu dan jumlah puskesmas, sedangkan hasil dari metode McCall mendeskripsikan bahwa total kualitas pengembangan WebGIS ini 61,05 yang berada dalam kategori baik. Penelitian ini dapat dikembangkan lebih lanjut berdasarkan variabel ketahanan pangan yang lain ataupun untuk pemetaan daerah lain, sehingga diperoleh penggambaran yang lebih kompleks mengenai potensi dimensi ketahanan pangan pada suatu wilayah.]]>
<![CDATA[Forensik Jaringan DDoS menggunakan Metode ADDIE dan HIDS pada Sistem Operasi Proprietary ]]>
<![CDATA[sri suharti]]>;
<![CDATA[Anton Yudhana]]>;
<![CDATA[Imam Riadi]]>
<![CDATA[ MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Vol. 21 No. 3 (2022) ]]>
Publisher : <![CDATA[Universitas Bumigora ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30812/matrik.v21i3.1732
<![CDATA[Forensik jaringan sangat dibutuhkan dalam mempertahankan kinerja jaringan komputer dari serangan Distributed Denial of Service (DDoS). Penelitian ini bertujuan untuk mendapatkan bukti digital keakurasian tool DDoS, keberhasilan metode HIDS dan implementasi firewall pada Network layer dalam menghentikan DDoS. Metode penelitian ini menerapkan ADDIE (Analyze, Design, Develop, Implement and Evaluate) dan Host-Based Intrusion Detection System (HIDS) Snort pada simulasi jaringan berbasis lokal dan luas. Hasil pengujian menyatakan Slowloris merupakan DDoS paling melumpuhkan web server IIS pada sistem operasi proprietary dengan penurunan performa server sebesar 78%, akurasi peningkatan trafik jaringan sebesar 92,84% alert 150 kali. Implementasi firewall pada network layer dalam menghentikan DDoS memiliki keberhasilan sebesar 98.91%. Hal ini menunjukkan metode ADDIE berhasil diterapkan dalam penelitian dan menyatakan DDoS pelumpuh server berhasil dideteksi pada metode HIDS dan berhasil dihentikan oleh firewall pada sistem operasi proprietary.]]>
<![CDATA[Community Purchase Decision Modeling in Bali with Non-Linier Methods ]]>
<![CDATA[Ni Putu Nanik Hendayanti]]>;
<![CDATA[Maulida Nurhidayati]]>;
<![CDATA[Siti Soraya]]>;
<![CDATA[Habib Ratu Perwira Negara]]>
<![CDATA[ MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Vol. 21 No. 3 (2022) ]]>
Publisher : <![CDATA[Universitas Bumigora ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30812/matrik.v21i3.1740
<![CDATA[The Covid-19 pandemic has resulted in all activities having to be carried out by implementing physical distancing or social distancing in accordance with health protocols for mutual safety. The government encourages people to do more activities at home, including shopping. Consumer perception of purchasing goods online is a process of evaluating various alternatives and choosing one alternative to purchase goods using internet media. The government appealed to the public to take advantage of online shopping to minimize the spread of Covid-19. This indicates that there are factors that influence consumer perceptions of purchasing goods online during the Covid-19 pandemic. The purpose of this study was to examine the effect of perceived convenience, perceived benefits, perceived trustworthiness, and product quality on people’s purchasing decisions in Bali using the Structural Equation Modeling-Partial Least Square (SEM-PLS) approach, Support Vector Regression (SVR), and Feed Forward Neural Network (FFNN). Based on the results of the tests carried out, the SEM-PLS model is able to produce a model with an R2 value of 72.7% with a MAPE of 337.37, an SVR model of 65.88% with a MAPE of 219.56 and a FFNN model of 97.28% with a MAPE of 90.22. Based on the resulting R2 and MAPE values, the FFNN model gives the highest results compared to other models.]]>
<![CDATA[Comparison of k-Nearest Neighbor and Naive Bayes Methods for SNP Data Classification ]]>
<![CDATA[Denny Indrajaya]]>;
<![CDATA[Adi Setiawan]]>;
<![CDATA[Bambang Susanto]]>
<![CDATA[ MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Vol. 22 No. 1 (2022) ]]>
Publisher : <![CDATA[Universitas Bumigora ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30812/matrik.v22i1.1758
<![CDATA[In an accident, sometimes the identity of a person who has an accident is hard to know, so it is necessary to use biological data such as Single Nucleotide Polymorphism (SNP) data to identify the person's origin. This research aims to compare the accuracy and the F1 score of the k-Nearest Neighbor method and the Naive Bayes method in classifying SNP data from 120 people who divide into groups, namely European (CEU) and Yoruba (YRI). Determination of the best method based on the average value of accuracy and the average value of F1 score from 1000 iterations with various percentage distributions of training datasets and testing datasets. In this research, the selection of SNP locations for the classification process was carried out by correlation analysis. The average accuracy obtained for the k-Nearest Neighbor method with the value of k=31 is 98.38% where the average F1 score is 98.39% while the Naive Bayes method obtained the average accuracy of 96.74% and the average F1 score of 96.63%. In this case, the k-Nearest Neighbor method is better than the Naive Bayes method in classifying SNP data to determine the origin of a person's ancestor tends to be from CEU or YRI.]]>
<![CDATA[The Application of Repeated SMOTE for Multi Class Classification on Imbalanced Data ]]>
<![CDATA[Muhammad Ibnu Choldun Rachmatullah]]>
<![CDATA[ MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Vol. 22 No. 1 (2022) ]]>
Publisher : <![CDATA[Universitas Bumigora ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30812/matrik.v22i1.1803
<![CDATA[One of the problems that are often faced by classifier algorithms is related to the problem of imbalanced data. One of the recommended improvement methods at the data level is to balance the number of data in different classes by enlarging the sample to the minority class (oversampling), one of which is called The Synthetic Minority Oversampling Technique (SMOTE). SMOTE is commonly used to balance data consisting of two classes. In this research, SMOTE was used to balance multi-class data. The purpose of this research is to balance multi-class data by applying SMOTE repeatedly. This iterative process needs to be applied if the number of unbalanced data classes is more than two classes, because the one-time SMOTE process is only suitable for binary classification or the number of unbalanced data classes is only one class. To see the performance of iterative SMOTE, the SMOTE datasets were classified using a neural network, k-NN, Nave Bayes, and Random Forest and the performance measures were measured in terms of accuracy, sensitivity, and specificity. The experiment in this research used the Glass Identification dataset which had six classes, and the SMOTE process was repeated five times. The best performance was achieved by the Random Forest classifier method with accuracy = 86.27%, sensitivity = 86.18%, and specificity = 95.82%. The result of experiment present that repeated SMOTE results can increase the performance of classification.]]>
