cover
Contact Name
Randi Rizal
Contact Email
randirizal@unper.ac.id
Phone
+6285320132014
Journal Mail Official
index@unper.ac.id
Editorial Address
Universitas Perjuangan Tasikmalaya. Jl. PETA No. 177 Kota Tasikmalaya, Jawa Barat
Location
Kota tasikmalaya,
Jawa barat
INDONESIA
Informatics and Digital Expert (INDEX)
ISSN : 27752208     EISSN : 27150453     DOI : https://doi.org/10.36423/index.v2i02.582
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 143 Documents
Perancangan User Interface Dan User Experience Aplikasi Rental Mobil Indocar Berbasis Mobile Menggunakan Metode Design Thinking Raihan, Razif Raihan Maulana; Sumaryana, Yusuf; Syahrul Anwar, Dede
Informatics and Digital Expert (INDEX) Vol. 6 No. 1 (2024): INDEX, Mei 2024
Publisher : LPPM Universitas Perjuangan Tasikmalaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36423/index.v6i1.1698

Abstract

CV. Indocar Putra Daerah atau yang biasa disebut Indocar adalah sebuah perusahaan rental mobil. Dengan menggunakan metode design thinking, Indocar saat ini sedang mengembangkan aplikasi mobile untuk penyewaan mobil untuk mencapai hasil desain UI dan UX yang sesuai dengan kebutuhan pengguna. Dalam tahap desain, pendekatan yang dilakukan tidak hanya berfokus pada apa yang dilihat dan dirasakan oleh pengguna (user interface), tetapi juga pada pengalaman pengguna (user experience). Metode penelitian yang digunakan adalah strategi perpaduan, menyebarkan kuesioner, dan mencari informasi melalui buku atau jurnal yang berhubungan dengan eksplorasi. Pengujian kegunaan atau usability testing dilakukan untuk memahami bagaimana perjalanan dan pengalaman pengguna saat menggunakan aplikasi yang telah dirancang. Dengan cara ini, dapat diketahui apakah aplikasi tersebut sudah berfungsi dengan baik dan efisien bagi pengguna atau belum. Untuk memperoleh hasil pengujian, digunakan platform Maze.co dengan hasil direct success rata-rata mendapatkan hasil 80-100% dari 1-6 pertanyaan dan hasil System Usability Scale (SUS) yang didapat dalam aplikasi penyewaan kendaraan ini menghasilkan skor SUS 85,9 skor tersebut mendapatkan hasil B dengan adjective ratings excellent.
Implementasi Metode Simple Additive Weighting dalam Rekrutmen Calon Karyawan di PT Madain Tasikmalaya Febriani SM, N. Nelis; Julian Pramana, Hendri; Rahma Putri, Widi; Husna Fauziah, Gita
Informatics and Digital Expert (INDEX) Vol. 6 No. 1 (2024): INDEX, Mei 2024
Publisher : LPPM Universitas Perjuangan Tasikmalaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36423/index.v6i1.1729

Abstract

Perekrutan calon karyawan adalah kegiatan yang dilakukan untuk mempermudah PT. Madain Tour & Travel dalam mencari karyawan yang sesuai dengan kebutuhan perusahaan. Saat ini, proses perekrutan belum menggunakan sistem tertentu dan tidak ada metode spesifik yang digunakan untuk memutuskan pemilihan calon karyawan. Untuk mengatasi permasalahan tersebut, perusahaan memutuskan untuk menggunakan sistem terkomputerisasi dengan metode yang dapat membantu dalam pengambilan keputusan, yaitu metode Simple Additive Weighting (SAW). Metode SAW ini dipilih karena kemampuannya untuk memberikan penilaian yang lebih objektif dan terukur berdasarkan kriteria-kriteria yang telah ditentukan. Dengan menerapkan program aplikasi berbasis web yang dikembangkan menggunakan bahasa pemrograman PHP dan basis data MySQL, perusahaan berharap dapat mempercepat proses perhitungan dan analisis data calon karyawan serta dapat meningkatkan akurasi dan kecepatan dalam proses perekrutan, sehingga PT. Madain Tour & Travel dapat memperoleh karyawan yang memiliki kualifikasi terbaik sesuai dengan standar perusahaan.
Penerapan Data Mining dengan Metode Klasifikasi Naive Bayes untuk Menilai Kinerja Asesor pada BAN PAUD dan PNF Provinsi Sumatera Utara Nurhayati, Nurhayati; Victor Haryanto, Edi; Wahyuni, Linda; Elisabeth S, Noprita
Informatics and Digital Expert (INDEX) Vol. 6 No. 1 (2024): INDEX, Mei 2024
Publisher : LPPM Universitas Perjuangan Tasikmalaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36423/index.v6i1.1732

Abstract

Akreditasi satuan Pendidikan Anak Usia Dini (PAUD) dan Pendidikan Nonformal (PNF) merupakan suatu rangkaian kegiatan yang dilakukan secara bertahap, terencana dan terukur untuk menilai kelayakan dan mutu dari satuan PAUD dan PNF sebagaimana telah diatur dalam Undang-undang Nomor 20 Tahun 2003 tentang Sistem Pendidikan Nasional. Dalam pelaksanaan kegiatannya, akreditasi dilakukan berdasarkan pada ketentuan yang diatur oleh Badan Akreditasi Nasional Pendidikan Anak Usia Dini dan Pendidikan Nonformal (BAN PAUD dan PNF). Adapun proses dalam penilaian tersebut dilakukan oleh Asesor. Pentingnya memiliki asesor yang berkualitas dan kompeten untuk melakukan penilaian dan akreditasi terhadap lembaga PAUD dan PNF di Provinsi Sumatera Utara. Namun, tidak semua asesor memiliki kompetensi dan kualitas yang sama dalam melakukan penilaian dan akreditasi. Oleh karena itu, perlu dilakukan sebuah kajian guna mengklasifikasikan kinerja asesor untuk memastikan bahwa asesor yang dipilih memiliki kemampuan yang tepat dan sesuai dengan kebutuhan BAN PAUD dan PNF Provinsi Sumatera Utara. Peneliti menerapkan metode klasifikasi naïve bayes dengan pengujian algoritmanya menggunakan Tools WEKA. Hasil akurasi dengan menggunakan Use Training Set, presentase untuk Correctly Classified Instance yaitu sebesar 97,0799% sementara persentase untuk Incorrectly Classified Instance adalah sebesar 2,9221%. Di mana dari 308 data penilaian kinerja asesor ada sebanyak 299 data asesor yang berhasil diklasifikasikan dengan benar dan sebanyak 9 data asesor tidak berhasil diklasifikasikan dengan benar.
Optimasi Algoritma K-Means Menggunakan Metode Elbow Pada Data Penerima Program Keluarga Harapan (PKH) Sugianto, Castaka Agus; Wanaziana, Keny Kirana
Informatics and Digital Expert (INDEX) Vol. 6 No. 1 (2024): INDEX, Mei 2024
Publisher : LPPM Universitas Perjuangan Tasikmalaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36423/index.v6i1.1739

Abstract

Program Keluarga Harapan (PKH) merupakan program pemberian bantuan sosial bersyarat kepada keluarga miskin yang ditujukan kepada keluarga penerima manfaat PKH. Melalui PKH, keluarga miskin didorong untuk memiliki akses dan memanfaatkan pelayanan sosial dasar di bidang kesehatan, pendidikan, pangan dan gizi, perawatan, serta pendampingan. Pada kelurahan Cibabat dan kelurahan Cipageran kecamatan Cimahi Utara terdapat 387 data penerima bantuan PKH pada tahun 2022. Namun belum adanya pengolahan data penerima bantuan PKH tersebut sehingga dalam melakukan pendampingan penerima bantuan PKH belum mendapatkan penglompokan yang sesuai dengan riwayat pendidikan. Berdasarkan latar belakang masalah yang telah dijabarkan, penulis tertarik untuk melakukan Clustering menggunakan Algoritma K-means pada data penerima bantuan PKH. Berdasarkan pengujian metode elbow pada algoritma k-means didapat nilai k yang optimal adalah k=3. Pengelompokan dataset yang digunakan menjadi 3 kelompok cluster, diantranya cluster_0 sebanyak 257 data, cluster_1 sebanyak 75 data, dan cluster_2 sebanyak 55 data. Pada cluster_0 di dominasi oleh peserta lulusan SD sebanyak 173 data, untuk cluster_1 di dominasi oleh peserta tidak sekolah sebanyak 40 data, dan untuk cluster_2 di dominasi peserta tidak sekolah sebanyak 48 data. Pada cluster tersebut didapatkan nilai performa berdasarkan rata-rata avg. within centroid distance_cluster_0 adalah 6.720, avg. within centroid distance_cluster_1 adalah 14.373, avg. within centroid distance_cluster_2 adalah 8.496 dan Davies Bouildin Index adalah 0.816. Hasil penelitian ini diharapkan menjadi acuan bagi pengurus sekretariat PPKH dalam melaksanakan pendampingan masyarakat penerima Program Keluarga Harapan.
The Rancang Bangun Alat Pendeteksi Hiperkolestrolemia Berbasis Mikrokontroler Arduino Uno Rohpandi, Dani; Handoko Agustin, Yoga; Dewi Sri Mulyani, Evi; Pratama, Fajri
Informatics and Digital Expert (INDEX) Vol. 6 No. 1 (2024): INDEX, Mei 2024
Publisher : LPPM Universitas Perjuangan Tasikmalaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36423/index.v6i1.1746

Abstract

Hiperkolesterolemia atau dengan kata lain adalah kadar kolesterol yang tinggi akan menimbulkan gangguan kesehatan, jika tidak segera ditangani akan semakin memperburuk kondisi dari penderitannya. Kolesterol sendiri tidak bisa dihilangkan karena merupakan zat penting yang dibutuhkan tubuh. Yang bisa dilakukan adalah mengkontrol agar kadar kolesterol dalam darah tidak melebihi batas normal. Saat ini cara yang dilakukan untuk mengetahui kadar kolesterol adalah dengan invasive yaitu dengan datang ke Rumah Sakit atau menggunakan alat pengukur kolesterol elektronik, cara tersebut dirasa kurang praktis untuk mengetahui kadar kolesterol karena membutuhkan waktu. Oleh sebab itu dengan dibuatnya alat pendeteksi kolesterol non invasive berbasis mikrokontroler Arduino Uno menggunakan sensor inframerah serta photodioda TCRT 5000 dan dihubungkan dengan aplikasi khusus untuk penginputan datanya yang akan dimasukan ke dalam database dapat berfungsi secara optimal, sehingga pengguna atau tenaga medis dapat melakukan langkah pengobatan atau penanganan kolesterol dengan tepat dan efektif. Tingkat akurasi yang dihasilkan oleh alat ini dibandingkan dengan alat kesehatan komersial yaitu sebesar 93.04%, hal ini tentu saja bergantung pada kualitas komponen terutama perangkat sensor yang digunakan.
PERBANDINGAN ALGORITMA NAÏVE BAYES DAN K-NEAREST NEIGHBOR (KNN) PADA VIDEO YOUTUBE MENGENAI GLOBAL WARMING Himawan, Aldi; Agus Sugianto, Castaka
Informatics and Digital Expert (INDEX) Vol. 6 No. 2 (2024): INDEX, November 2024
Publisher : LPPM Universitas Perjuangan Tasikmalaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36423/index.v6i2.1803

Abstract

Pemanasan global merupakan salah satu tantangan lingkungan utama yang dihadapi dunia saat ini, disebabkan oleh peningkatan emisi gas rumah kaca. Media sosial, khususnya YouTube, menjadi platform penting dalam menyebarkan informasi dan menciptakan kesadaran tentang isu-isu ini. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap video YouTube yang membahas pemanasan global, khususnya video yang dibuat oleh Najwa Shihab. Dua metode klasifikasi digunakan, yaitu Naïve Bayes dan K-Nearest Neighbor (KNN), untuk mengklasifikasikan komentar pengguna menjadi kategori positif atau negatif. Data komentar dikumpulkan menggunakan teknik web scraping pada Februari 2024, dan dianalisis menggunakan metode SEMMA Data Mining Process. Hasil analisis menunjukkan bahwa metode Naïve Bayes dan KNN memberikan kinerja yang kompetitif dalam mengklasifikasikan sentimen komentar-komentar ini. Evaluasi dilakukan dengan membagi dataset komentar menjadi beberapa rasio pelatihan dan pengujian, Evaluasi dilakukan dengan membagi dataset komentar menjadi beberapa rasio pelatihan dan pengujian: 70:30, 80:20, dan 90:10. Hasil analisis menggunakan rasio 90:10 yang sudah dilakukan menggunakan 10-fold cross validation menunjukkan bahwa algoritma Naïve Bayes memperlihatkan kinerja yang kompetitif dengan akurasi sebesar 79.17%, presisi sebesar 80.76% recall sebesar 79.17%, dan f1-score sebesar 78.68%. Sementara itu, K-Nearest Neighbor juga menunjukkan kinerja yang kompetitif, dengan akurasi sebesar 76.06% , presisi sebesar 76.70%, recall sebesar 76.06%, dan f1-score sebesar 75.98% . Hasil pengujian T-Test menujukan perbedaan yang signifikan antara algoritma Naïve Bayes dan K-Nearest Neighbor dengan nilai probabilstik 0.0001 kurang dari nilai alpha yaitu 0.05 yang menunjukan bahwa algoritma Naïve Bayes lebih unggul performanya. Selain itu, analisis sentimen menunjukkan bahwa mayoritas komentar memiliki sentimen negatif, mencerminkan bahwa video tersebut berhasil meningkatkan kesadaran masyarakat mengenai isu pemanasan global dan memicu diskusi yang konstruktif.
Optimasi Pemilihan Metode Pengajaran Dosen Menggunakan Data Mining, dan Algoritma K-Means dalam Proses Bisnis Pendidikan Ali Farizal, De; Antonius Alijoyo, Franciskus
Informatics and Digital Expert (INDEX) Vol. 6 No. 2 (2024): INDEX, November 2024
Publisher : LPPM Universitas Perjuangan Tasikmalaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36423/index.v6i2.1883

Abstract

Perguruan tinggi di Indonesia dihadapkan pada tantangan tingginya jumlah lulusan yang kurang memiliki kompetensi sesuai dengan kebutuhan dunia kerja, menciptakan kesenjangan antara lingkungan pendidikan dan pasar kerja. Hal ini menimbulkan kekhawatiran akan hambatan kemajuan bangsa. Salah satu penyebabnya adalah metode pembelajaran tradisional yang tidak mengakomodasi berbagai gaya belajar dan kebutuhan individual mahasiswa. Teknologi informasi dan komunikasi (TIK), khususnya data mining, menawarkan solusi untuk meningkatkan kualitas pendidikan dengan menganalisis karakteristik mahasiswa agar metode pembelajaran dapat disesuaikan dan materi lebih mudah dipahami. Data mining, atau Knowledge Discovery in Database atau yang disebut (KDD), adalah proses otomatis mengumpulkan dan menganalisis data untuk mengidentifikasi pola dengan teknik seperti pengelompokan, asosiasi, dan prediksi. Metode clustering K-Means, yang mengelompokkan data berdasarkan karakteristik serupa, dapat digunakan untuk menentukan metode pembelajaran paling efektif. Universitas Cipasung Tasikmalaya (Uncip) dapat memanfaatkan data mining dan algoritma K-Means untuk mengklasifikasikan dan memilih metode pengajaran yang optimal guna meningkatkan kompetensi lulusannya sesuai dengan kebutuhan dunia kerja
Penerapan Algoritma K Nearest Neighbor Untuk Prediksi Akurasi Penyakit Diabetes Tampubolon, Erika; Amin, Ruhul
Informatics and Digital Expert (INDEX) Vol. 6 No. 1 (2024): INDEX, Mei 2024
Publisher : LPPM Universitas Perjuangan Tasikmalaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36423/index.v6i1.1884

Abstract

Diabetes mellitus merupakan salah satu penyakit kronis yang prevalensinya terus meningkat di seluruh dunia. Deteksi dini diabetes sangat penting untuk penanganan dan pencegahan komplikasi. Penelitian ini bertujuan untuk mengembangkan model prediksi diabetes menggunakan algoritma K-Nearest Neighbor (KNN) berdasarkan dataset Pima Indians Diabetes. Proses penelitian meliputi preprocessing data, implementasi algoritma KNN, dan evaluasi model. Preprocessing data mencakup penanganan nilai nol, imputasi nilai yang hilang, dan normalisasi fitur. Implementasi KNN dilakukan dengan mencari nilai K optimal melalui cross-validation. Hasil penelitian menunjukkan bahwa model KNN dengan nilai K optimal 19 mencapai akurasi 75,32% dalam memprediksi diabetes. Analisis performa model menunjukkan presisi 0,67 dan recall 0,57 untuk kasus positif diabetes. Meskipun model menunjukkan kinerja yang cukup baik, masih terdapat ruang untuk peningkatan, terutama dalam mengurangi false negatives. Penelitian ini menyoroti potensi penggunaan algoritma KNN dalam skrining diabetes dan memberikan dasar untuk pengembangan lebih lanjut dalam prediksi penyakit menggunakan teknik machine learning.
Comparison of Classification for Indonesian Language News Documents Using Recurrent Neural Network (RNN) and Long Short Term Memory (LSTM) Algorithms Sri Kusuma Aditya, Christian; Ridha Agam, Muh; Rezky Fadillah, Andhika; Setio Wiyono, Briansyah
Informatics and Digital Expert (INDEX) Vol. 6 No. 2 (2024): INDEX, November 2024
Publisher : LPPM Universitas Perjuangan Tasikmalaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36423/index.v6i2.1888

Abstract

The development of online news has grown very fast. The high volume of text documents was triggered by activities from various news sources. Due to the large amount of news that is included on the website, sometimes the news is posted not according to its category which is most likely caused by human error. The grouping of online news is important for user convenience in searching for news according to its category. It need an intelligent system that can classify online news automatically. This research evaluates deep learning techniques using LSTM and RNN, and compared with the results obtained from previous studies, which used the NBC algorithm. To experiment the system, an Indonesia News Corpus with 7 different categories and total 2100 documents, collected by crawling online national news portals, is used. Due to the unbalanced number of class compositions or news categories, integration is also carried out SMOTE. The average empirical results show that the classification accuracy from RNN with SMOTE with an accuracy of 95.2% and followed by LSTM with SMOTE is 97.8%, both of which are able to outperform the NBC method with an accuracy of 73.2%.
Analisis Prediksi Pola Penjualan pada Kantin Sehat Universitas Majalengka menggunakan Data Mining Metode Time Series Analysis dan Algoritma SARIMA Herdi Prayoga, Aa; Antonius Alijoyo, Franciskus
Informatics and Digital Expert (INDEX) Vol. 6 No. 2 (2024): INDEX, November 2024
Publisher : LPPM Universitas Perjuangan Tasikmalaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36423/index.v6i2.1905

Abstract

Penerapan data mining memberikan dampak serta kontribusi besar dalam berbagai bidang dan sektor termasuk ritel dan layanan makanan. Data mining dalam konteks analisis telah menjadi salah satu kunci dalam memahami pola dan tren pada sebuah kumpulan data, pada kantin sehat Universitas Majalengka terdapat 406 hingga 686 transaksi perminggu nya, seringkali pada pengelolaan persediaan menjadi kendala mengakibatkan pembengkakan biaya operasional yang pada akhirnya mengurangi profitabilitas kantin. metode time series analysis analysis dan algoritma ARIMA dapat digunakan untuk memprediksi nilai bedasarakan data historis dengan tujuan untuk mengoptimalkan pengelolaan persediaan stok berbasis data. Data transaksi penjualan harian secara historis yang diambil dari satu tenant selama periode tertentu digunakan sebagai sampel analisis untuk memprediksi penjualan mingguan dimasa yang akan datang. Hasil prediksi pola penjualan diharapkan dapat dijadikan acuan pengambilan keputusan strategis pada manajemen operasional kantin memberikan rekomendasi pengadaan stok yang lebih efisien, mengurangi biaya operasional, dan meningkatkan profitabilitas kantin