cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Andy Sapta
Contact Email
sapta@royal.ac.id
Phone
-
Journal Mail Official
lppm_stmik@royal.ac.id
Editorial Address
-
Location
Kab. asahan,
Sumatera utara
INDONESIA
JURTEKSI
Published by STMIK Royal Kisaran
ISSN : 24071811     EISSN : 25500201     DOI : -
Core Subject : Science,
Computer Science & IT
JURTEKSI (Jurnal Teknologi dan Sistem Informasi) is a scientific journal which is published by STMIK Royal Kisaran. This journal published twice a year on December and June. This journal contains a collection of research in information technology and computer system.
Arjuna Subject : -
Articles 685 Documents
 41   42   43   44   45 
THE SYSTEM TO PREDICT VOLCANIC ERUPTIONS WITH BACKPROPAGATION METHOD Sy, Yulia Jihan; Kurnia, Rahmi Putri; G, Katrina Flomina
JURTEKSI (Jurnal Teknologi dan Sistem Informasi) Vol 11, No 2 (2025): Maret 2025
Publisher : Universitas Royal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v11i2.3529

Abstract

Abstract: This system for predicting volcanic eruptions will produce information that can help BMKG in making decisions to provide warnings to residents around the mountain. This will also help in mitigating volcanic eruptions, evacuating residents in volcanic eruptions. By using artificial neural networks with the backpropagation method, it can be used to predict volcanic eruptions. To conduct this test, criteria and factors that influence this volcanic eruption are needed. This method is tested using Matlab 6.1 software. In this test, various patterns will be carried out to compare the results of the network. From the various patterns tested, it can be seen that the number of epochs used affects the test results and will achieve the desired goal. The more epochs used, the faster the goal will be achieved. Where in the 4-2-1 pattern the goal was found in the 7th epoch with an error value of 0.0987135. This 4-2-1 pattern states that this network is tested with 4 input layers, 2 hidden layers and 1 output layer. The α value (α = learning rate) used is the Default value of 0.1. With this backpropagation method, you get more accurate results by getting smaller error values.            Keywords: backpropagation, matlab 6.1, layer, epoch, goal Abstrak: Sistem untuk memprediksi gunung meletus ini akan menghasilkan informasi yang bisa membantu BMKG dalam mengambil keputusan untuk memberikan peringatan kepada warga sekitar gunung. Hal ini juga akan membantu dalam mitigasi bencana gunung meletus , evakuasi warga sekitar dalam bencana gunung meletus. Dengan menggunakan jaringan saraf tiruan dengan metode backpropagation bisa digunakan untuk memprediksi gunung meletus. Untuk melakukan pengujian ini dibutuhkan kriteria dan faktor yang mempengaruhi gunung meletus ini. Metode ini diuji dengan menggunakan software Matlab 6.1. Pada pengujian ini akan dilakukan dengan berbagai pola untuk membandingkan hasil dari jaringan tersebut. Dari berbagai pola yang diuji dapat dilihat bahwa jumlah epoch yang dipakai mempengaruhi hasil pengujian dan akan mencapai goal yang diinginkan. Semakin banyak epoch yang dipakai maka akan semakin cepat goal tersebut dicapai. Dimana pada pola 4-2-1 goal ditemukan pada epoch ke 7 dengan nilai eror 0,0987135. Pola 4-2-1 ini menyatakan bahwa jaringan ini diuji dengan 4 jumlah input layer, 2 hidden layer dan 1 output layer. Nilai α  (α = learning rate) yang digunakan adalah nilai Default yaitu 0.1. Dengan metode backpropagation ini mendapatkan hasil yang lebih akurat dengan mendapatkan nilai eror yang lebih kecil . Kata kunci: backpropagation ; epoch ; goal ; layer ; matlab 6.1
ARAS METHOD FOR OPTIMIZING THE DETERMINATION OF PIP FUND RECIPIENTS Wahyuni, Diajeng Puspa; Fauziah, Rizky; Nata, Andri
JURTEKSI (Jurnal Teknologi dan Sistem Informasi) Vol 11, No 2 (2025): Maret 2025
Publisher : Universitas Royal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v11i2.3768

Abstract

Abstract: Program Indonesia Pintar (PIP) is government assistance program aimed at supporting the education of underprivileged students. However, some PIP fund recipients are misallocated, with aid given to students who do not fully meet the eligibility criteria, while those in greater need don’t receive it, including at SDN 014672 Tanjung Alam, Asahan Regency, North Sumatra Province. Based on this issue, a structured system is needed. The purpose of this study is to construct decision support systems for determining PIP fund recipients using Additive Ratio Assessment (ARAS) method. Data was collected using questionnaires, documentation, and observation techniques. Respondents consisted of 8 students from SDN 014672 Tanjung Alam. Criteria include number of dependents, homeownership status, attendance rate, and students final grades. System was developed using CodeIgniter 3 as framework, MySQL as database software, and InnoDB as database engine. ARAS method was applied to rank available alternatives. Based on calculations, first rank was obtained by alternative 6 (Malika Hendra As-Syifa), second rank by alternative 7 (Mutia Indah Sari), and third rank by alternative 8 (Rafa Kavindra). This study is expected to be further developed by applying other DSS methods, performing regular system maintenance, and integrating system with school data to improve accuracy and usability.      Keywords: additive ratio assessment; decision support system; smart indonesia program.  Abstrak: Program Indonesia Pintar (PIP) merupakan bantuan pemerintah untuk mendukung pendidikan siswa kurang mampu. Namun, masih ditemukan penerima anggaran PIP yang kurang tepat sasaran, di mana bantuan diberikan kepada siswa yang kurang memenuhi kriteria, sementara siswa yang lebih membutuhkan tidak menerimanya, termasuk di SDN 014672 Tanjung Alam, Kabupaten Asahan, Provinsi Sumatera Utara. Berdasarkan permasalahan tersebut, dibutuhkan sebuah sistem terstruktur. Tujuan penelitian ini untuk membangun sistem pendukung keputusan penetapan pemeroleh anggaran PIP menggunakan metode Additive Ratio Assessment (ARAS). Data dikumpulkan dengan teknik angket, dokumentasi, dan observasi. Responden adalah 8 siswa SDN 014672 Tanjung Alam. Kriteria meliputi jumlah tanggungan orang tua, status kepemilikan rumah, tingkat kehadiran, dan nilai akhir siswa. Sistem dirancang menggunakan CodeIgniter 3 sebagai framework, MySQL sebagai database software, dan InnoDB sebagai database engine. Perhitungan dengan metode ARAS digunakan untuk merangking alternatif yang ada. Berdasarkan perhitungan yang dilakukan, peringkat pertama diperoleh oleh alternatif 6 yakni Malika Hendra As-Syifa, peringkat kedua diperoleh oleh alternatif 7 yakni Mutia Indah sari, dan peringkat ketiga diperoleh oleh alternatif 8 yakni Rafa Kavindra. Penelitian ini diharapkan dapat dikembangkan lebih lanjut dengan menerapkan metode Sistem Pendukung Keputusan (SPK) lainnya, melakukan pemeliharaan sistem secara berkala, serta mengintegrasikan sistem dengan data sekolah untuk meningkatkan keakuratan dan kemudahan penggunaan.Kata kunci: additive ratio assessment; program indonesia pintar; sistem pendukung keputusan
MODELING CLOTHING ORDER SIZE GROUPING AT RIZKY CONVECTION USING THE K-MEANS METHOD Rahmadani, Putri; Hutahaean, Jeperson; Santoso, Santoso
JURTEKSI (Jurnal Teknologi dan Sistem Informasi) Vol 11, No 2 (2025): Maret 2025
Publisher : Universitas Royal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v11i2.3774

Abstract

Abstract: Rizky Convection Business is a sportswear production company based on Jalan Elang Lestari Kisaran. Every day they receive orders from schools and agencies that need sportswear. However, Rizky Convection often faces challenges, especially in managing raw material inventory, allocating production time and processing orders that come in large quantities. For this reason, order data needs to be grouped to make it easier for employees to work on it. The data that will be processed in this study is order data from 2022-2024. One way to do this is to apply data mining techniques, one of which is the K-Means Clustering method. The purpose of this study is to model the use of K-Means Clustering to improve production management and procurement of raw materials for fabrics at Rizky Convection. K-Means Clustering is the grouping of a number of data into clusters (groups) so that each cluster will contain data that is as similar as possible. The results of K-Means Clustering grouping with 3 clusters, namely cluster 1, the large order group has 25 order data, cluster 2, the small order group has 361 order data and cluster 3, the medium order group has 100 order data.Keywords: data mining; order data; K-Means; sportswear manufacturing. Abstrak: Usaha Konveksi Rizky merupakan perusahaan produksi pakaian olahraga yang berpusat di Jalan Elang Lestari Kisaran. Setiap hari mereka menerima pesanan dari sekolah dan instansi yang membutuhkan pakaian olahraga. Namun Konveksi Rizky sering menghadapi tantangan terutama dalam pengelolaan persediaan bahan baku kain, pengalokasian waktu produksi dan pemrosesan pesanan yang datang dalam jumlah banyak. Untuk itu, data pesanan perlu dikelompokkan untuk mempermudah karyawan dalam mengerjakannya. Data yang akan diproses pada penelitian ini adalah data pesanan dari tahun 2022-2024. Salah satu cara untuk hal tersebut adalah dengan menerapkan teknik data mining, salah satunya metode K-Means Clustering. Tujuan penelitian ini adalah untuk memodelkan penggunaan K-Means Clustering untuk meningkatkan manajemen produksi dan pengadaan bahan baku kain di Rizky Konveksi. K-Means Clustering adalah pengelompokan sejumlah data ke dalam cluster (group) sehingga setiap dalam cluster tersebut akan berisi data yang semirip mungkin. Hasil pengelompokkan K-Means Clustering dengan 3 cluster yaitu cluster 1 kelompok pesanan banyak memiliki 25 data pesanan, cluster 2 kelompok pesanan sedikit memiliki 361 data pesanan dan cluster 3 kelompok pesanan sedang memiliki 100 data pesanan.Kata kunci: data mining; data pesanan; K-Means; konveksi.
K-MEANS CLUSTERING METHOD FEASIBILITY OF SCHOOL BUILDING REHABILITATION IN KABUPATEN ASAHAN Nurhani, Irma; Manurung, Nuriadi; Rahayu, Elly
JURTEKSI (Jurnal Teknologi dan Sistem Informasi) Vol 11, No 2 (2025): Maret 2025
Publisher : Universitas Royal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v11i2.3730

Abstract

Abstract: School building construction is an important part of educational facilities and infrastructure. Many elementary school buildings in Asahan Regency are damaged, unfit for use or lack facilities including classrooms and other supporting infrastructure. The results of the selection that are not transparent in deciding the feasibility of rehabilitation and construction of elementary school buildings are often subjective and time-consuming. This causes decisions to be taken that cannot be made as quickly as possible and inequality, where schools that actually need rehabilitation more do not get priority for rehabilitation. The purpose of this study is to implement data mining in the selection of school building construction projects with the K-Means clustering algorithm in clustering the feasibility of rehabilitation of elementary school building construction. The results of this study found 31 elementary schools that are eligible for school building construction rehabilitation and 4 are not eligible for school building construction rehabilitation. This study is expected to provide a significant contribution in increasing the efficiency of school building construction selection and more transparency towards elementary school buildings to be rehabilitated.       Keywords: education authorities; k-means; rehabilitation and construction of school buildings.  Abstrak: Pembangunan gedung sekolah ialah bagian penting dalam sarana dan prasarana pendidikan.  Banyak gedung Sekolah Dasar di Kabupaten Asahan menderita kerusakan, tidak layak pakai atau kekurangan fasilitas meliputi ruang kelas dan infrastruktur pendukung lainnya. Hasil penyeleksian yang bersifat tidak transparan dalam memutuskan kelayakan rehabilitasi dan pembangunan gedung Sekolah Dasar sering kali bersifat subjektif dan memakan waktu lama.Hal tersebut menyebabkan keputusan yang diambil tidak dapat dilakukan secepat mungkin serta ketimpangan, dimana sekolah yang sebenarnya lebih membutuhkan rehabilitasi justru tidak mendapatkan prioritas untuk direhabilitasi. Tujuan penelitian ini ialah mengimplementasi data mining pada pemilihan proyek pembangunan gedung sekolah dengan algoritma K-Means clustering dalam mengcluster kelayakan rehabilitasi pembangunan gedung sekolah dasar. Hasil Penelitian ini terdapat 31 sekolah dasar layak untuk direhabilitasi pembangunan gedung sekolah dan 4 tidak layak untuk direhabalitasi pembangunan gedung sekolah. Penelitian ini diharapkan dapat memberikan kontribusi signifikan dalam menaikkan efisiensi penyeleksian pembangunan gedung sekolah dan lebih transparansi terhadap gedung sekolah dasar yang akan direhabilitasi.Kata kunci: dinas pendidikan; k-means; rehabilitasi dan pembangunan gedung sekolah.
EUCS, IPA, AND CSI INTEGRATION TO DETECT UBSI ONLINE EXAM SYSTEM SATISFACTION Sucipto, Rakhmat Hadi; Indrarti, Wahyu; Hussaen, Saddam; Rani, Rani
JURTEKSI (Jurnal Teknologi dan Sistem Informasi) Vol 11, No 2 (2025): Maret 2025
Publisher : Universitas Royal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v11i2.3814

Abstract

Abstract: The online exam system is used to evaluate student learning, but it has some limitations. Therefore, it is necessary to research the user satisfaction of the system. This study aims to assess user satisfaction using the End User Computing Satisfaction (EUCS), Importance Performance Analysis (IPA), and Customer Satisfaction Index (CSI) methods. The results showed that three dimensions, namely, accuracy, ease of use, and timeliness significantly affected user satisfaction, while content and format did not have a significant effect. IPA analysis shows the majority of attributes (12 attributes) are in quadrant II, which indicates moderate satisfaction, 11 attributes in quadrant III, one attribute in quadrant I, and three attributes in quadrant IV. CSI concluded that the online exam system provides satisfactory service with a score of 77.54%. Keywords: csi; eucs; ipa; online exam system; user satisfaction  Abstrak: Sistem ujian online digunakan untuk mengevaluasi pembelajaran mahasiswa, tetapi sistem ini memiliki beberapa keterbatasan. Karena itulah perlu penelitian kepuasan pengguna sistem tersebut. Penelitian ini bertujuan menilai kepuasan pengguna dengan menggunakan metode End User Computing Satisfaction (EUCS), Importance Performance Analisys (IPA), dan Customer Satisfaction Index (CSI). Hasil riset menunjukkan tiga dimensi yaitu, akurasi, kemudahan penggunaan, dan ketepatan waktu signifikan mempengaruhi kepuasan pengguna, sementara konten dan format tidak berpengaruh signifikan. Analisis IPA menunjukkan mayoritas atribut (12 atribut) berada di kuadran II, yang mengindikasikan kepuasan sedang, 11 atribut di kuadran III, satu atribut di kuadran I, dan tiga atribut di kuadran IV. CSI menyimpulkan sistem ujian online memberikan layanan yang memuaskan dengan skor 77,54%. Kata kunci: csi; eucs; ipa; kepuasan pengguna; sistem ujian online
OPTIMIZATION OF K-MEANS AND K-MEDOIDS CLUSTERING USING DBI SILHOUETTE ELBOW ON STUDENT DATA Hartama, Dedy; Oktaviani, Selli
JURTEKSI (Jurnal Teknologi dan Sistem Informasi) Vol 11, No 2 (2025): Maret 2025
Publisher : Universitas Royal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v11i2.3531

Abstract

Abstract: Clustering methods such as K-Means and K-Medoids are often used to analyze data, including student data, due to their efficiency. However, this method has weaknesses, such as sensitivity to selecting cluster centers (centroids) and cluster results that depend on medoid data. Clustering, an essential technique in data analysis, aims to reveal the natural structure of the data, even in the absence of labeled information. The study, conducted with complete objectivity, compared the performance of two popular clustering methods, K-Means, and K-Medoids, on student data. Three evaluation metrics, namely the Davies-Bouldin Index (DBI), silhouette score, and elbow method, were used to compare clustering and determine the ideal number of clusters for the two algorithms. The data taken in this study are in the form of names, attendance, assignments, formative, midterm exams, final exams, and quality numbers. Based on the existing optimization results, it can be concluded that the K-Means method excels in grouping Student Data. The best results were obtained from the K-Means Algorithm with the Silhouette Coefficient Method with a value of 0.7509 in cluster 2, and the Elbow Method with a value of 1428076.08 in cluster 2, DBI K-Medoids with a value of 0.7413 in cluster 3. So, the best cluster lies in 3 clusters.            Keywords: clustering; davies-bouldin indek; elbow method; k-means; k-medoids; silhouette score;  Abstrak : Metode clustering seperti K-Means dan K-Medoids sering digunakan untuk menganalisis data, termasuk data siswa, karena efisiensinya. Namun, metode ini memiliki kelemahan, seperti sensitivitas terhadap pemilihan pusat klaster (centroids) dan hasil klaster yang bergantung pada data medoid. Clustering, sebuah teknik penting dalam analisis data, bertujuan untuk mengungkapkan struktur alami dari data, bahkan tanpa adanya informasi berlabel.  Penelitian ini, yang dilakukan dengan objektivitas penuh, membandingkan kinerja dua metode clustering populer, yaitu K-Means dan K-Medoids, pada data mahasiswa. Tiga metrik evaluasi, yaitu Davies-Bouldin Index (D.B.I.), silhouette score, dan metode elbow, digunakan untuk membandingkan clustering dan menentukan jumlah cluster yang ideal untuk kedua algoritma tersebut. data yang diambil dalam penelitian ini berupa nama, kehadiran, tugas, formatif, ujian tengah semester, ujian akhir semester, angka mutu. Berdasarkan hasil optimasi yang ada, dapat disimpulkan bahwasannya metode K-Means unggul dalam pengelompokkan Data Mahasiswa. Sehingga di peroleh hasil terbaik dari Algoritma K-Means dengan Metode Silhouette Coefficient dengan nilai 0,7509 di cluster 2, dan Elbow Method dengan nilai 1428076,08 di cluster 2, DBI K-Medoids dengan nilai 0,7413 di cluster 3. Sehingga cluster terbaik terletak pada 3 cluster. Kata kunci: klasterisasi; davies-bouldin indek; elbow method; k-means; k-medoids; silhouette score;
LANDSLIDE RISK IN JAYAPURA REGENCY USING PARAMETER WEIGHTING METHOD FOR DISASTER MITIGATION Yuliawan, Kristia
JURTEKSI (Jurnal Teknologi dan Sistem Informasi) Vol 11, No 2 (2025): Maret 2025
Publisher : Universitas Royal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v11i2.3555

Abstract

Abstract: This study maps the vulnerability of landslides in Jayapura Regency, Indonesia, using a parameter weighting method within the framework of the Geographic Information System (GIS). The study identified key factors that contribute to landslide risk, including slope, soil type, rainfall, geology, and land use. The analysis revealed significant areas prone to landslides, with substantial portions classified as moderate to high risk. Comparison with the BNPB Inarisk method shows variations in the percentage of risk areas, highlighting the importance of the double assessment technique. The study underscores the need for an integrated, multidisciplinary approach to landslide risk management, emphasizing accurate data collection, land-use planning, and targeted mitigation strategies. These findings provide valuable insights for policymakers and disaster management agencies to minimize the impact of future landslides and promote sustainable development, especially in light of the 2019 landslide disaster in Sentani..Keywords: landslide; jayapura regency; parameter weighting method; inarisk BNPB methods; disaster mitigation. Abstrak: Penelitian ini memetakan kerentanan tanah longsor di Kabupaten Jayapura, Indonesia, menggunakan metode pembobotan parameter dalam kerangka Sistem Informasi Geografis  (GIS). Studi ini mengidentifikasi faktor-faktor kunci yang berkontribusi terhadap risiko tanah longsor, termasuk kemiringan, jenis tanah, curah hujan, geologi, dan penggunaan lahan. Analisis mengungkapkan area signifikan yang rentan terhadap tanah longsor, dengan porsi substansial diklasifikasikan sebagai risiko sedang hingga tinggi. Perbandingan dengan metode BNPB Inarisk menunjukkan variasi persentase area risiko, menyoroti pentingnya teknik penilaian ganda. Studi ini menggarisbawahi perlunya pendekatan multidisiplin yang terintegrasi untuk manajemen risiko tanah longsor, menekankan pengumpulan data yang akurat, perencanaan penggunaan lahan, dan strategi mitigasi yang ditargetkan. Temuan ini memberikan wawasan berharga bagi pembuat kebijakan dan lembaga penanggulangan bencana untuk meminimalkan dampak tanah longsor di masa depan dan mempromosikan pembangunan berkelanjutan, terutama mengingat bencana tanah longsor tahun 2019 di Sentani..Kata kunci: tanah longsor; kabupaten jayapura; metode pembobotan parameter; metode BNPB Inarisk; mitigasi bencana.  
AI-BASED ALGORITHMS FOR NETWORK SECURITY: TRENDS, PER-FORMANCE, AND CHALLENGES Marison, Sihol; Silvanus, Silvanus; Rusdiah, Rudi
JURTEKSI (Jurnal Teknologi dan Sistem Informasi) Vol 11, No 2 (2025): Maret 2025
Publisher : Universitas Royal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v11i2.3699

Abstract

Abstract: The advancement of network security faces growing challenges as cyberattacks become more sophisticated. Traditional rule-based systems struggle with zero-day attacks and obfuscation techniques. This study examines the development trends of AI-based algo-rithms, particularly machine learning and deep learning, in threat detection. A literature review evaluates AI-driven approaches, including support vector machines, random for-est, deep neural networks, convolutional neural networks, and reinforcement learning. Findings show that AI enhances detection accuracy, adaptability, and reduces false posi-tives. Machine learning efficiently classifies known attacks, while deep learning excels in identifying complex patterns such as distributed denial-of-service and advanced persis-tent threats. Unsupervised learning improves anomaly detection without labeled data. However, AI models require high-quality data, substantial computational resources, and remain vulnerable to adversarial attacks. Despite these challenges, AI provides a dynam-ic and adaptive security solution, surpassing traditional systems. Future research should enhance AI scalability and resilience for evolving cybersecurity threats. Keywords: anomaly detection; artificial intelligence; deep learning; machine learning; network security Abstrak: Perkembangan keamanan jaringan menghadapi tantangan yang semakin besar seiring meningkatnya kompleksitas serangan siber. Sistem berbasis aturan tradisional kesulitan mendeteksi zero-day attack dan teknik penyamaran. Penelitian ini mengkaji tren pengembangan algoritma berbasis AI, khususnya machine learning dan deep learning, dalam deteksi ancaman. Literature review mengevaluasi pendekatan berbasis AI, termasuk support vector machines, random forest, deep neural networks, convolutional neural networks, dan reinforcement learning. Hasil penelitian menunjukkan bahwa AI meningkatkan akurasi deteksi, adaptabilitas terhadap ancaman baru, serta mengurangi false positive. Machine learning efektif mengklasifikasikan serangan yang telah diketahui, sementara deep learning unggul dalam mengenali pola kompleks seperti distributed denial-of-service dan advanced persistent threats. Unsupervised learning meningkatkan deteksi anomali tanpa memerlukan data berlabel. Namun, AI masih bergantung pada data berkualitas tinggi, sumber daya komputasi besar, dan rentan terhadap adversarial attack. Meskipun demikian, AI menawarkan solusi keamanan yang lebih dinamis dan adaptif dibandingkan sistem tradisional. Penelitian selanjutnya perlu difokuskan pada peningkatan skalabilitas dan ketahanan AI dalam menghadapi ancaman siber yang terus berkembang. Kata kunci: deteksi anomali; jaringan keamanan; kecerdasan buatan; pembelajaran dalam; pembelajaran mesin
IMPLEMENTATION OF FORWARD CHAINING IN EXPERT SYSTEM FOR COMPUTER TROUBLESHOOTING Putra, M Soekarno; Solikin, Imam; Duit, Valentino Sewein; Choiriyah, Mutiara
JURTEKSI (Jurnal Teknologi dan Sistem Informasi) Vol 11, No 2 (2025): Maret 2025
Publisher : Universitas Royal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v11i2.3517

Abstract

Abstract: CV. Ria Kencana Ungu (RKU), as a research partner in the field of computer service, needs to improve the quality of customer service and efficiency in the process of troubleshooting computer damage. To meet these needs, an expert system based on the forward chaining method was developed that is able to diagnose damage automatically. This system was developed using the waterfall method, with systematic stages from analysis to implementation. The implementation results show that the system can identify the type of damage with an accuracy rate of 89% based on validation tests on 100 real troubleshooting cases. The evaluation metric uses a comparison between the results of the system diagnosis and the results of the technician's analysis. Although the system is able to increase service efficiency by up to 40% compared to conventional methods, several obstacles were found, such as the limited initial knowledge base that impacts the accuracy of the diagnosis and the difficulty of users in understanding the system interface. Therefore, further development is needed to expand the knowledge base and improve the user experience. This study aims to develop a forward chaining-based expert system to improve efficiency, accuracy, and speed of problem solving at CV. Ria Kencana Ungu (RKU) and to increase customer satisfaction through more responsive and precise services..            Keywords: expert system; computer troubleshooting; forward chaining method  Abstrak: CV. Ria Kencana Ungu (RKU), sebagai mitra penelitian di bidang layanan servis komputer, membutuhkan peningkatan kualitas layanan pelanggan dan efisiensi dalam proses troubleshooting kerusakan komputer. Untuk memenuhi kebutuhan tersebut, dikembangkan sistem pakar berbasis metode forward chaining yang mampu mendiagnosis kerusakan secara otomatis. Sistem ini dikembangkan menggunakan metode waterfall, dengan tahapan yang sistematis dari analisis hingga implementasi. Hasil implementasi menunjukkan bahwa sistem dapat mengidentifikasi jenis kerusakan dengan tingkat akurasi sebesar 89% berdasarkan uji validasi terhadap 100 kasus troubleshooting nyata. Metrik evaluasi menggunakan perbandingan antara hasil diagnosis sistem dan hasil analisis teknisi. Meskipun sistem mampu meningkatkan efisiensi layanan hingga 40% dibandingkan metode konvensional, beberapa kendala ditemukan, seperti keterbatasan basis pengetahuan awal yang berdampak pada akurasi diagnosis dan kesulitan pengguna dalam memahami antarmuka sistem. Oleh karena itu, pengembangan lebih lanjut diperlukan untuk memperluas basis pengetahuan dan meningkatkan pengalaman pengguna. Penelitian ini bertujuan mengembangkan sistem pakar berbasis forward chaining untuk meningkatkan efisiensi, akurasi, dan kecepatan troubleshooting di CV. Ria Kencana Ungu (RKU) serta meningkatkan kepuasan pelanggan melalui layanan yang lebih responsif dan presisi. Kata kunci: sistem pakar; troubleshooting komputer; metode forward chaining
OPTIMIZATION OF INCENTIVE GIVING THROUGH MULTI-CRITERIA DECISION ANALYSIS APPROACH Helmiah, Fauriatun; Siregar, Iqbal Kamil
JURTEKSI (Jurnal Teknologi dan Sistem Informasi) Vol 11, No 2 (2025): Maret 2025
Publisher : Universitas Royal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v11i2.3723

Abstract

Abstract: This research aims to optimize the provision of incentives to employees (sales team) in a company using a multi-criteria approach. Many companies face challenges in determining criteria and mechanisms for providing incentives that are effective and fair to improve work performance and motivation. The multi-criteria approach used is Multi-Attribute Utility Theory (MAUT) which can assess various aspects of employee performance comprehensively and objectively. Factors considered include productivity, quality of work, attendance, innovation and overall turnover. The research results show that the multi-criteria approach provides a more comprehensive and accurate assessment, so that companies can develop a more transparent and effective incentive system. Implementation of this approach is expected to increase employee motivation and productivity, help companies achieve their business goals more efficiently, and provide long-term benefits in the form of increased employee loyalty and competitiveness in the field.Keywords: optimization; incentives; multi criteria; maut method         Abstrak: Penelitian ini bertujuan untuk mengoptimalkan pemberian insentif kepada karyawan (tim sales) di sebuah perusahaan dengan menggunakan pendekatan multikriteria. Banyak perusahaan menghadapi tantangan dalam menentukan kriteria dan mekanisme pemberian insentif yang efektif dan adil untuk meningkatkan kinerja dan motivasi kerja. Pendekatan multikriteria yang digunakan adalah  Multi-Attribute Utility Theory (MAUT) dapat mengevaluasi berbagai aspek kinerja karyawan secara menyeluruh dan objektif. Faktor-faktor yang dipertimbangkan meliputi produktivitas, kualitas kerja, kehadiran, inovasi dan omset keseluruhan. Hasil penelitian menunjukkan bahwa pendekatan multikriteria memberikan penilaian yang lebih komprehensif dan akurat, sehingga perusahaan dapat mengembangkan sistem insentif yang lebih transparan dan efektif. Implementasi pendekatan ini diharapkan dapat meningkatkan motivasi dan produktivitas karyawan, membantu perusahaan mencapai tujuan bisnisnya dengan lebih efisien, serta memberikan manfaat jangka panjang berupa peningkatan loyalitas karyawan dan daya saing di lapangan.Kata kunci: optimalisasi; insentif; multi kriteria; metode maut

Page 43 of 69 | Total Record : 685

 41   42   43   44   45 

Filter by Year

2017 2025


Reset
Filter By Issues
All Issue Vol. 12 No. 1 (2025): Desember 2025 Vol. 11 No. 4 (2025): September 2025 Vol. 11 No. 3 (2025): Juni 2025 Vol 11, No 3 (2025): Juni 2025 Vol. 11 No. 2 (2025): Maret 2025 Vol 11, No 2 (2025): Maret 2025 Vol 11, No 1 (2024): Desember 2024 Vol. 11 No. 1 (2024): Desember 2024 Vol 10, No 4 (2024): September 2024 Vol. 10 No. 4 (2024): September 2024 Vol. 10 No. 3 (2024): Juni 2024 Vol 10, No 3 (2024): Juni 2024 Vol. 10 No. 2 (2024): Maret 2024 Vol 10, No 2 (2024): Maret 2024 Vol 10, No 1 (2023): Desember 2023 Vol. 10 No. 1 (2023): Desember 2023 Vol 9, No 4 (2023): September 2023 Vol. 9 No. 4 (2023): September 2023 Vol 9, No 3 (2023): Juni 2023 Vol 9, No 2 (2023): Maret 2023 Vol 9, No 1 (2022): Desember 2022 Vol 8, No 3 (2022): Agustus 2022 Vol 8, No 2 (2022): April 2022 Vol 8, No 1 (2021): Desember 2021 Vol 7, No 3 (2021): Agustus 2021 Vol 7, No 2 (2021): April 2021 Vol 7, No 1 (2020): Desember 2020 Vol 6, No 3 (2020): August 2020 Vol 6, No 2 (2020): April 2020 Vol 6, No 1 (2019): December 2019 Vol 5, No 2 (2019): Juni 2019 Vol 5, No 1 (2018): Desember 2018 Vol 4, No 2 (2018): Juni 2018 Vol 4, No 1 (2017): Desember 2017 More Issue