Informatics and Digital Expert (INDEX)
INDEX merupakan Jurnal Informatika yang bertujuan untuk mengembangkan penelitian di bidang: Application E-Healthcare, E-Learning, E-Manufacturing, E-Commerce, E-Bussiness, E-Procurment E-Goverment, E-Governance Intellegent System Sistem Pakar Jaringan Syaraf Tiruan Algoritma Genetika Robotika Sistem Pendukung Keputusan Smart City Digital Forensics Network Forensics Smartphone Forensics Cloud Forensics Computer Forensics Manajemen Data dan Pengetahuan Pemodelan Konseptual, Bahasa dan Desain Data Mining Rekayasa Perangkat Lunak Interaksi Manusia dan Komputer Multimedia, Game dan Teknologi Seluler Keamanan Data Pengenalan Pola
Articles
12 Documents
Search results for
, issue
"Vol. 4 No. 2 (2022): INDEX, November 2022"
:
12 Documents
clear
<![CDATA[Deteksi Ujaran Kebencian dengan Metode Klasifikasi Naïve Bayes dan Metode N-Gram pada Dataset Multi-Label Twitter Berbahasa Indonesia ]]>
<![CDATA[Yazid, Rija Muhamad]]>;
<![CDATA[Umbara, Fajri Rakhmat]]>;
<![CDATA[Sabrina, Puspita Nurul]]>
<![CDATA[ Informatics and Digital Expert (INDEX) Vol. 4 No. 2 (2022): INDEX, November 2022 ]]>
Publisher : <![CDATA[LPPM Universitas Perjuangan Tasikmalaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36423/index.v4i2.894
<![CDATA[Ujaran kebencian adalah ungkapan atau bahasa yang digunakan untuk mengekspresikan kebencian terhadap seseorang atau sekelompok orang. Ujaran kebencian juga memiliki tingkatan ancaman, semakin tinggi tingkat ancaman ujaran kebencian maka akan semakin luas dan cepat penyebarannya sehingga dapat menimbulkan konflik antar individu sampai konflik antar kelompok. Untuk dapat mendeteksi dan mengklasifikasikan ujaran kebencian sekaligus tingkat ancamannya dalam penelitian ini digunakan dataset multi-label dari penelitian sebelumnya dengan menggunakan label yang masuk kedalam topik ujaran kebencian dan tingkat ancaman dengan total sebanyak 4 label. Dalam menyelesaikan permasalahan multi-label tersebut digunakan metode Naïve Bayes sebagai metode klasifikasi dan metode Label Power-set sebagai metode transformasi data, dalam penelitian ini juga digunakan pembobotan TF-IDF sekaligus melakukan beberapa skenario penelitian berdasarkan metode ekstraksi fitur n-gram. Hasil terbaik yang didapatkan berdasarkan hasil evaluasi F-score adalah sebesar 64,957% ketika menggunakan kombinasi metode ekstraksi fitur word unigram, word bigram dan character quadgram. Dari penelitian ini juga didapatkan bahwa semakin banyak fitur yang digunakan maka semakin baik nilai hasil evaluasinya terhadap jenis dataset yang digunakan.]]>
<![CDATA[Analisis Kepuasan Pengguna Terhadap User Interface Aplikasi E-Commerce Shopee Menggunakan Metode EUCS di Jakarta Barat ]]>
<![CDATA[Yang, Marvel Zefanya]]>;
<![CDATA[Sihotang, Jay Idoan]]>
<![CDATA[ Informatics and Digital Expert (INDEX) Vol. 4 No. 2 (2022): INDEX, November 2022 ]]>
Publisher : <![CDATA[LPPM Universitas Perjuangan Tasikmalaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36423/index.v4i2.1110
<![CDATA[Perkembangan era digital pada zaman ini sangat cepat dan tidak dapat diprediksi. Era digital semakin hari melahirkan teknologi-teknologi baru yang berfungsi untuk membantu dan mempermudah kehidupan manusia. Seiring berjalannya waktu lahirlah sebuah aplikasi belanja online yaitu Shopee. Shopee adalah aplikasi jual beli online yang proses jual beli hingga transaksinya dilakukan secara online. Shopee sebagai marketplace yang besar saat ini tentu memiliki tantangan yang besar, di mana banyak sekali marketplace lain yang ikut bersaing dalam era digital saat ini, terutama di bidang e-commerce. Kepuasan pengguna merupakan faktor penting yang mempengaruhi keberhasilan dalam melakukan penerapan sebuah aplikasi. Penelitian pada kali ini berfokus di bagian kepuasan pengguna terhadap user interface dari aplikasi Shopee. Penelitian ini dilakukan berdasarkan metode End-User Computing Satisfaction (EUCS). Populasi dalam penelitian ini adalah masyarakat yang berdomisili di Jakarta Barat. Dari populasi tersebut terpilih sebanyak 125 responden untuk menjadi sampel dalam penelitian ini. Data dalam penelitian ini diperoleh dari kuesioner yang dibagikan kepada pengguna aplikasi Shopee di Jakarta Barat yang kemudian diolah secara statistik menggunakan rentang kategori dan persentase melalui Skala Likert. Hasil yang didapatkan dari penelitian ini adalah dalam kategori Puas dengan hasil nilai rata-rata 3.92 (Puas), dengan menggunakan tabel Tingkat Kepuasan Skala Likert. Kemudian, untuk hasil masing-masing dimensi adalah Content 3.99 (Puas), Accuracy 3.85 (Puas), Format 3.70 (Puas), Timeliness 4.07 (Puas), dan Ease of Use 4.03 (Puas).]]>
<![CDATA[ANALISIS CLUSTER PADA KELOMPOK MASYARAKAT YANG RENTAN TERHADAP PAPARAN COVID-19 MENGGUNAKAN METODE K-MEANS CLUSTERING DAN VISUALIASI DENGAN SIG ]]>
<![CDATA[Drl, Indra Raja]]>;
<![CDATA[Chrisnanto, Yulison Herry]]>;
<![CDATA[Umbara, Fajri Rakhmat]]>
<![CDATA[ Informatics and Digital Expert (INDEX) Vol. 4 No. 2 (2022): INDEX, November 2022 ]]>
Publisher : <![CDATA[LPPM Universitas Perjuangan Tasikmalaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36423/index.v4i2.885
<![CDATA[Covid-19 adalah penyakit yang menular serta laju infeksi yang cepat,setelah mencapai 100 kasus yang dikonfirmasikan terinfeksi tingkat penyebarannya meluas, Dengan cepatnya penyebaran wabah Covid-19 masyarakat sangat prihatin dengan penyebaran dan dampaknya ,orang yang sebelumnya sudah memiliki gangguan kesehatan akan meningkatkan risiko terinfeksi Covid-19 gangguan kesehatan ini seperti,tuberkulosis,diabetes ,diare ,hipertensi.Ada pun Faktor lain yang mempengaruhi penyebaran Covid-19 sepert kepadatan penduduk yang tinggi di kota besar ,iklim,suhu dan daerah metropolitan merupakan faktor risiko utama untuk tertular virus. Dari adanya faktor yang mempengaruhi kasus covid-19 sehingga Satgas Penanganan Covid-19 menilai pentingnya bagi semua pihak termasuk masyarakat memahami faktor-faktor lonjakan kasus Covid-19 agar terhindar dari kasus itu.tujuan dari penelitian ini Menggunakan metode K-Means Clustering untuk analisis cluster pada wilayah yang memiliki karakteristik tingginya kasus covid-19 dan variable apa yang berpengaruh terhadap tingginya kasus covid-19 dan divisualisasi menggunakan Sistem informasi geografis sehingga diharapakan dapat menjadi informasi bagi masyarakat dan instansi kesehatan untuk memahami kelompok wilayah yang rentan. kesimpulannya wilayah kota bandung dikelompokan menjadi 3 cluster yang dimana cluster 1 itu wilayah dengan kasus covid-19 tertinggi dan faktor yang mempengaruhi covid-19 juga tinggi untuk cluster 2 memiliki tingkat kasus yang rendah dan cluster 3 memiliki tingkatan yang yang lebih rendah dari kedua cluster.]]>
<![CDATA[Klasifikasi Daftar Ulang Calon Mahasiswa Baru Dengan Menggunakan Metode Klasifikasi Naive Bayes ]]>
<![CDATA[Pikriyansah, Reji]]>;
<![CDATA[Umbara, Fajri Rahmat]]>;
<![CDATA[Sabrina, Puspita Nurul]]>
<![CDATA[ Informatics and Digital Expert (INDEX) Vol. 4 No. 2 (2022): INDEX, November 2022 ]]>
Publisher : <![CDATA[LPPM Universitas Perjuangan Tasikmalaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36423/index.v4i2.912
<![CDATA[Registrasi ulang merupakan prosedur yang wajib dilakukan oleh calon mahasiswa yang berkeinginan menjadi mahasiwa aktif dan sudah lulus seleksi. Kebanyakan mahasiswa yang tidak ingin melanjutkan proses registrasi ulang memilih menunggu batas akhir registrasi ulang daripada menghubungi pihak Universitas. Untuk memprediksi calon mahasiwa yang akan melakukan registrasi ulang penellitian ini menggunakan metode Naïve Bayes tehadap dataset calon mahasiwa. Penelitian ini menggunakan dua dataset yang mana merupakan dataset dengan kelas yang tidak seimbang dan dataset dengan kelas yang seimbang yang diseimbangkan menggunakan metode Undersampling, ditambah dengan beberapa skenario klasifikasi dengan melakukan penyeleksian atribut menggunakan metode Mutual information. Hasil akurasi tertinggi yang didapat adalah 63.83% pada dataset dengan kelas yang tidak seimbang dengan menggunakan 14-16 atribut dan 63.53% pada dataset dengan kelas yang seimbang dengan menggunakan 15-16 atribut. Nilai Mutual Information kedua dataset sangatlah rendah yaitu dibawah 0.09. Berdasarkan hasil yang di dapat dari setiap pengujian skenario nilai Mutual Information yang rendah dan rentang nilai yang berdekatan kemungkinan besar mengakibatkan tingkat akurasi menurun setiap dilakukan proses penyeleksian atribut.]]>
<![CDATA[Prediksi Pengagguran Menggunakan Decision Tree Dengan Algoritma C5.0 Pada Data Penduduk Kecamatan Caringin Kabupaten Bogor ]]>
<![CDATA[Kahfi, Muhammad Dzatul]]>;
<![CDATA[Umbara, Fajri Rakhmat]]>;
<![CDATA[Ashaury, Herdi]]>
<![CDATA[ Informatics and Digital Expert (INDEX) Vol. 4 No. 2 (2022): INDEX, November 2022 ]]>
Publisher : <![CDATA[LPPM Universitas Perjuangan Tasikmalaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36423/index.v4i2.913
<![CDATA[Tingkat kesejahteraan dalam kehidupan bermasyarakat dapat dilihat dari tingkat penganggurannya. Pemerintah daerah biasanya mengadakan sebuah program untuk membantu mengurangi jumlah pengangguran, entah itu dengan mengadakan sebuah pelatihan atau hal lain yang dapat mendorong kreativitas masyarakat dan meningkatkan kemampuan hardskill agar dapat bersaing di dunia kerja. Ada banyak penelitian yang memprediksi tingkat pengangguran dan juga ada penelitian yang menggunakan algoritma C5.0 untuk melakukan prediksi, namun belum ada penelitian yang menggabungkan subjek dan metode tersebut. penelitian ini bertujuan untuk membuat sebuah model prediksi menggunakan algoritma C5.0 terhadap data penduduk kecamatan caringin dan mencari skenario dengan hasil akurasi yang paling tinggi. namun terdapat beberapa permasalahan yang harus dihadapi seperti bagaimana tingkat akurasi Model klasifikasi Decision Tree dengan algoritma C5.0 terhadap dataset penduduk Kecamatan Caringin dan Bagaimana resio data latih data uji dan penggunaan pruning memengaruhi tingkat akurasi prediksi yang akan dilakukan. Penelitian ini dievaluasi menggunakan beberapa skenario rasio data latih dan data uji yang berbeda beda dan penggunaan pruning yang berbeda. Hasil dari penelitian ini adalah model prediksi pengangguran berhasil dibuat dengan tingkat akurasi paling tinggi yaitu pada skenario data latih 70% dan data uji 30% dengan menerapkan teknik post pruning.]]>
<![CDATA[Implementasi Load Balancing Dan Failover to Device Mikrotik Router Menggunakan Metode Equal Cost Multi Path (ECMP) ]]>
<![CDATA[Tiara Komala Sutra, Melanda]]>;
<![CDATA[ruuhwan, Ruuhwan]]>;
<![CDATA[Rizal, Randi]]>
<![CDATA[ Informatics and Digital Expert (INDEX) Vol. 4 No. 2 (2022): INDEX, November 2022 ]]>
Publisher : <![CDATA[LPPM Universitas Perjuangan Tasikmalaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36423/index.v4i2.1189
<![CDATA[Kebutuhan akses internet saat ini sangat tinggi dengan berbagai kegunaan seperti mencari informasi, artikel maupun pengetahuan terbaru. Dengan kebutuhan tinggi akan penggunaan internet di kalangan masyarakat, terutama pelajar sehingga memunculkan alternatif – alternatif agar pengguna dapat mengakses internet dengan mudah terutama ketika kondisi pandemi COVID-19. Permasalahan yang ditemukan pada PT LIBNET yang telah menggunakan dua Internet Service Provider (ISP) yaitu banyaknya permintaan yang melebihi kapasitasi dari klien menyebabkan perusahaan akan terganggu karena harus dilakukan banyak pengaturan dalam memenuhi permintaan klien tersebut. Seperti mempartisi beban trafik yang datang untuk mengatur perangkat gadget sehingga tidak terpaku pada satu ISP. Maka, supaya trafik dapat berjalan secara ideal, harus menambahkan throughput, membatasi waktu reaksi dan berupaya tidak membebani melebihi kapasitas salah satu ISP. Penggunaan teknik load balancing menjadi solusi teknologi yang sangat efektif untuk memanfaatkan internet tanpa harus terjadi ketimpangan request. Pada penelitian ini telah diimplementasikan loading balancing dalam menyelesaikan permasalahan request client dengan memakai dua buah node untuk melakukan redudansi sebagai syarat minimum suatu kluster. Sedangkan pada server memanfaatkan metode distribusi koneksi yang disebut dengan metode ECMP. Equal Cost Multi Path (ECMP) merupakan metode load balancing yang menggunakan metode per address-pair connection load balancing. Hasilnya akhirnya, ECMP memungkinkan router untuk memiliki lebih dari satu gateway untuk satu network tujuan. Karena metodenya adalah per address-pair connection, maka sistem load balancing ini adalah setiap address yang berbeda di koneksi yang berbeda akan berkemungkinan melewati gateway yang berbeda.]]>
<![CDATA[ANALISIS CLUSTER PADA KELOMPOK MASYARAKAT YANG RENTAN TERHADAP PAPARAN COVID-19 MENGGUNAKAN METODE K-MEANS CLUSTERING DAN VISUALIASI DENGAN SIG ]]>
<![CDATA[Drl, Indra Raja]]>;
<![CDATA[Chrisnanto, Yulison Herry]]>;
<![CDATA[Umbara, Fajri Rakhmat]]>
<![CDATA[ Informatics and Digital Expert (INDEX) Vol. 4 No. 2 (2022): INDEX, November 2022 ]]>
Publisher : <![CDATA[LPPM Universitas Perjuangan Tasikmalaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36423/index.v4i2.885
<![CDATA[Covid-19 adalah penyakit yang menular serta laju infeksi yang cepat,setelah mencapai 100 kasus yang dikonfirmasikan terinfeksi tingkat penyebarannya meluas, Dengan cepatnya penyebaran wabah Covid-19 masyarakat sangat prihatin dengan penyebaran dan dampaknya ,orang yang sebelumnya sudah memiliki gangguan kesehatan akan meningkatkan risiko terinfeksi Covid-19 gangguan kesehatan ini seperti,tuberkulosis,diabetes ,diare ,hipertensi.Ada pun Faktor lain yang mempengaruhi penyebaran Covid-19 sepert kepadatan penduduk yang tinggi di kota besar ,iklim,suhu dan daerah metropolitan merupakan faktor risiko utama untuk tertular virus. Dari adanya faktor yang mempengaruhi kasus covid-19 sehingga Satgas Penanganan Covid-19 menilai pentingnya bagi semua pihak termasuk masyarakat memahami faktor-faktor lonjakan kasus Covid-19 agar terhindar dari kasus itu.tujuan dari penelitian ini Menggunakan metode K-Means Clustering untuk analisis cluster pada wilayah yang memiliki karakteristik tingginya kasus covid-19 dan variable apa yang berpengaruh terhadap tingginya kasus covid-19 dan divisualisasi menggunakan Sistem informasi geografis sehingga diharapakan dapat menjadi informasi bagi masyarakat dan instansi kesehatan untuk memahami kelompok wilayah yang rentan. kesimpulannya wilayah kota bandung dikelompokan menjadi 3 cluster yang dimana cluster 1 itu wilayah dengan kasus covid-19 tertinggi dan faktor yang mempengaruhi covid-19 juga tinggi untuk cluster 2 memiliki tingkat kasus yang rendah dan cluster 3 memiliki tingkatan yang yang lebih rendah dari kedua cluster.]]>
<![CDATA[Deteksi Ujaran Kebencian dengan Metode Klasifikasi Naïve Bayes dan Metode N-Gram pada Dataset Multi-Label Twitter Berbahasa Indonesia ]]>
<![CDATA[Yazid, Rija Muhamad]]>;
<![CDATA[Umbara, Fajri Rakhmat]]>;
<![CDATA[Sabrina, Puspita Nurul]]>
<![CDATA[ Informatics and Digital Expert (INDEX) Vol. 4 No. 2 (2022): INDEX, November 2022 ]]>
Publisher : <![CDATA[LPPM Universitas Perjuangan Tasikmalaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36423/index.v4i2.894
<![CDATA[Ujaran kebencian adalah ungkapan atau bahasa yang digunakan untuk mengekspresikan kebencian terhadap seseorang atau sekelompok orang. Ujaran kebencian juga memiliki tingkatan ancaman, semakin tinggi tingkat ancaman ujaran kebencian maka akan semakin luas dan cepat penyebarannya sehingga dapat menimbulkan konflik antar individu sampai konflik antar kelompok. Untuk dapat mendeteksi dan mengklasifikasikan ujaran kebencian sekaligus tingkat ancamannya dalam penelitian ini digunakan dataset multi-label dari penelitian sebelumnya dengan menggunakan label yang masuk kedalam topik ujaran kebencian dan tingkat ancaman dengan total sebanyak 4 label. Dalam menyelesaikan permasalahan multi-label tersebut digunakan metode Naïve Bayes sebagai metode klasifikasi dan metode Label Power-set sebagai metode transformasi data, dalam penelitian ini juga digunakan pembobotan TF-IDF sekaligus melakukan beberapa skenario penelitian berdasarkan metode ekstraksi fitur n-gram. Hasil terbaik yang didapatkan berdasarkan hasil evaluasi F-score adalah sebesar 64,957% ketika menggunakan kombinasi metode ekstraksi fitur word unigram, word bigram dan character quadgram. Dari penelitian ini juga didapatkan bahwa semakin banyak fitur yang digunakan maka semakin baik nilai hasil evaluasinya terhadap jenis dataset yang digunakan.]]>
<![CDATA[Klasifikasi Daftar Ulang Calon Mahasiswa Baru Dengan Menggunakan Metode Klasifikasi Naive Bayes ]]>
<![CDATA[Pikriyansah, Reji]]>;
<![CDATA[Umbara, Fajri Rahmat]]>;
<![CDATA[Sabrina, Puspita Nurul]]>
<![CDATA[ Informatics and Digital Expert (INDEX) Vol. 4 No. 2 (2022): INDEX, November 2022 ]]>
Publisher : <![CDATA[LPPM Universitas Perjuangan Tasikmalaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36423/index.v4i2.912
<![CDATA[Registrasi ulang merupakan prosedur yang wajib dilakukan oleh calon mahasiswa yang berkeinginan menjadi mahasiwa aktif dan sudah lulus seleksi. Kebanyakan mahasiswa yang tidak ingin melanjutkan proses registrasi ulang memilih menunggu batas akhir registrasi ulang daripada menghubungi pihak Universitas. Untuk memprediksi calon mahasiwa yang akan melakukan registrasi ulang penellitian ini menggunakan metode Naïve Bayes tehadap dataset calon mahasiwa. Penelitian ini menggunakan dua dataset yang mana merupakan dataset dengan kelas yang tidak seimbang dan dataset dengan kelas yang seimbang yang diseimbangkan menggunakan metode Undersampling, ditambah dengan beberapa skenario klasifikasi dengan melakukan penyeleksian atribut menggunakan metode Mutual information. Hasil akurasi tertinggi yang didapat adalah 63.83% pada dataset dengan kelas yang tidak seimbang dengan menggunakan 14-16 atribut dan 63.53% pada dataset dengan kelas yang seimbang dengan menggunakan 15-16 atribut. Nilai Mutual Information kedua dataset sangatlah rendah yaitu dibawah 0.09. Berdasarkan hasil yang di dapat dari setiap pengujian skenario nilai Mutual Information yang rendah dan rentang nilai yang berdekatan kemungkinan besar mengakibatkan tingkat akurasi menurun setiap dilakukan proses penyeleksian atribut.]]>
<![CDATA[Prediksi Pengagguran Menggunakan Decision Tree Dengan Algoritma C5.0 Pada Data Penduduk Kecamatan Caringin Kabupaten Bogor ]]>
<![CDATA[Kahfi, Muhammad Dzatul]]>;
<![CDATA[Umbara, Fajri Rakhmat]]>;
<![CDATA[Ashaury, Herdi]]>
<![CDATA[ Informatics and Digital Expert (INDEX) Vol. 4 No. 2 (2022): INDEX, November 2022 ]]>
Publisher : <![CDATA[LPPM Universitas Perjuangan Tasikmalaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36423/index.v4i2.913
<![CDATA[Tingkat kesejahteraan dalam kehidupan bermasyarakat dapat dilihat dari tingkat penganggurannya. Pemerintah daerah biasanya mengadakan sebuah program untuk membantu mengurangi jumlah pengangguran, entah itu dengan mengadakan sebuah pelatihan atau hal lain yang dapat mendorong kreativitas masyarakat dan meningkatkan kemampuan hardskill agar dapat bersaing di dunia kerja. Ada banyak penelitian yang memprediksi tingkat pengangguran dan juga ada penelitian yang menggunakan algoritma C5.0 untuk melakukan prediksi, namun belum ada penelitian yang menggabungkan subjek dan metode tersebut. penelitian ini bertujuan untuk membuat sebuah model prediksi menggunakan algoritma C5.0 terhadap data penduduk kecamatan caringin dan mencari skenario dengan hasil akurasi yang paling tinggi. namun terdapat beberapa permasalahan yang harus dihadapi seperti bagaimana tingkat akurasi Model klasifikasi Decision Tree dengan algoritma C5.0 terhadap dataset penduduk Kecamatan Caringin dan Bagaimana resio data latih data uji dan penggunaan pruning memengaruhi tingkat akurasi prediksi yang akan dilakukan. Penelitian ini dievaluasi menggunakan beberapa skenario rasio data latih dan data uji yang berbeda beda dan penggunaan pruning yang berbeda. Hasil dari penelitian ini adalah model prediksi pengangguran berhasil dibuat dengan tingkat akurasi paling tinggi yaitu pada skenario data latih 70% dan data uji 30% dengan menerapkan teknik post pruning.]]>
