cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Ahmad Fitriansyah
Contact Email
ahmad.fitriansyah@swadharma.ac.id
Phone
+6287870716976
Journal Mail Official
jurnal.jris@swadharma.ac.id
Editorial Address
Kampus 1 Institut Teknologi dan Bisnis Swadharma Jl. Malaka No.3, Tambora, Jakarta Barat 11230
Location
Kota tangerang selatan,
Banten
INDONESIA
JURNAL REKAYASA INFORMASI SWADHARMA (JRIS)
Published by Institut Teknologi dan Bisnis Swadharma
ISSN : 27745759     EISSN : 27745732     DOI : -
Core Subject : Science,
Computer Science & IT
Jurnal Rekayasa Informasi Swadharma merupakan jurnal ilmiah yang diterbitkan oleh LPPM ITB Swadharma. Jurnal ini mempublikasikan karya ilmiah hasil penelitian dengan topik Big Data, Sistem Informasi Berbasis Komputer, Data Mining, Data Scientists, Enterprise Architecture, Enterprise Resource Planning (ERP), Tata Kelola Teknologi, Information Retrieval System, Audit Sistem Informasi, Manajemen Pengetahuan Berbasis Sistem Informasi, Sistem Informasi Manajemen, Manajemen Proyek, Proses Bisnis, Smart City, Sosial Media, Sistem Penunjang Keputusan, Kecerdasan Bisnis.
Arjuna Subject : Ilmu Komputer (semua kategori) - Sistem Informasi
Articles 114 Documents
 8   9   10   11   12 
IMPLEMENTASI METODE PROFILE MATCHING UNTUK MENENTUKAN REKOMENDASI PENERIMA BANTUAN SUMBANGAN PEMBINAAN PENDIDIKAN Hidayat, Wahyu; Febriantoro, F.R. Dwi; Dony, Dony
JRIS : Jurnal Rekayasa Informasi Swadharma Vol 5, No 2 (2025): JURNAL JRIS EDISI JULI 2025
Publisher : Institut Teknologi dan Bisnis (ITB) Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jris.vol5no2.895

Abstract

This research aims to develop a decision support system to identify students who are eligible to waive the cost of academic development donations. The method used is the Profile matching Method. System testing is carried out by information system experts and users using a questionnaire instrument. Based on this test, the system was deemed very feasible by the system expert, with a value of 91%. It was declared very feasible based on user testing, with a value of 85%. The results were then tested using Spearman's Rank correlation, yielding a result of 0.91, indicating that the correlation was robust. Each criterion has a predetermined weight and value. The decision support system for determining students eligible for tuition relief assistance using the profile matching method produces a list of students based on grades that have been calculated and compared to the desired standard value.Penelitian ini bertujuan mengembangkan sistem pendukung keputusan untuk menentukan siswa yang berhak mendapatkan bantuan pembebasan biaya sumbangan pembinaan pendidikan. Metode yang digunakan adalah Metode Profile matching. Pengujian sistem dilakukan kepada ahli sistem informasi dan pengguna dengan menggunakan instrumen kuesioner. Berdasarkan pengujian tersebut sistem dinyatakan sangat layak dari pengujian ahli sistem dengan nilai 91% kemudian dinyatakan sangat layak berdasarkan pengujian pengguna dengan nilai 85% dan sudah dilakukan uji hasil menggunakan Spearman Rank dengan hasil 0,91 maka di interpretasikan korelasi sangat kuat. Setiap kriteria memiliki bobot dan nilai yang sudah ditentukan. Sistem pendukung keputusan untuk menentukan siswa yang berhak mendapatkan bantuan keringanan SPP menggunakan metode profile matching menghasilkan daftar peserta didik berdasarkan nilai yang sudah dihitung dan dibandingkan dengan nilai standar yang diinginkan.
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN KONDISI TANAH TERBAIK UNTUK BUDIDAYA SAYUR SAWI DI DESA LAMUDUR MENGGUNAKAN METODE TOPSIS Nahak, Maria Selviyanti H; Kelen, Yoseph P.K; Tey Seran, Krisantus Jumarto
JRIS : Jurnal Rekayasa Informasi Swadharma Vol 5, No 2 (2025): JURNAL JRIS EDISI JULI 2025
Publisher : Institut Teknologi dan Bisnis (ITB) Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jris.vol5no2.889

Abstract

This study aims to develop a website-based decision support system (DSS) to determine the optimal soil conditions for cultivating mustard greens in Lamudur Village, Weliman District, Malaka Regency. The primary issue is the limited public awareness of the suitability of land for specific commodities, resulting in suboptimal land use. The system developed utilizes the Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) method to process data on various soil criteria, including organic matter, soil minerals, water sources, soil slope, and previous crops. The TOPSIS method was chosen because it can provide the best solution by comparing alternative distances to positive and negative ideal solutions. The study's results show that this system can help farmers determine the most suitable soil conditions for cultivating mustard greens, improve the quality of agricultural products, and reduce the risk of crop failure. This system is also expected to serve as a reference for making informed agricultural decisions based on data and technology in rural areas.Penelitian ini bertujuan untuk mengembangkan sistem pendukung keputusan (SPK) berbasis website guna menentukan kondisi tanah terbaik untuk budidaya sayur sawi di Desa Lamudur, Kecamatan Weliman, Kabupaten Malaka. Permasalahan utama yang dihadapi adalah kurangnya pengetahuan masyarakat mengenai kesesuaian lahan untuk komoditas tertentu, sehingga sering terjadi pemanfaatan lahan yang kurang optimal. Sistem yang dikembangkan menggunakan metode Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) untuk mengolah data berbagai kriteria tanah, seperti unsur organik, mineral tanah, sumber air, kemiringan tanah, dan tanaman sebelumnya. Metode TOPSIS dipilih karena mampu memberikan solusi terbaik dengan membandingkan jarak alternatif terhadap solusi ideal positif dan negatif. Hasil penelitian menunjukkan bahwa sistem ini dapat membantu petani dalam menentukan kondisi tanah yang paling sesuai untuk budidaya sayur sawi, meningkatkan kualitas hasil pertanian, serta mengurangi risiko kegagalan panen. Sistem ini juga diharapkan dapat menjadi referensi dalam pengambilan keputusan pertanian berbasis data dan teknologi di wilayah pedesaan.
ANALISIS KOMPARATIF METODE DATA MINING MULTISEKTOR PADA DATASET COVID-19, SAHAM BEI, DAN PERUSAHAAN GLOBAL Fajriansyah, Satria Nur; Pramadhan, Harsya Rafif; Safa, Alaudin; Nurfajriansyah, Dandy; Wijaya, Muhammad Subaktiar; Samudra, Yuda
JRIS : Jurnal Rekayasa Informasi Swadharma Vol 5, No 2 (2025): JURNAL JRIS EDISI JULI 2025
Publisher : Institut Teknologi dan Bisnis (ITB) Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jris.vol5no2.903

Abstract

The rapid advancement of information technology has significantly driven the adoption of data mining techniques across various sectors, primarily to uncover hidden patterns and support data-driven decision-making processes. This study aims to analyse and compare the effectiveness of several data mining methods—namely K-Means Clustering, Decision tree, Principal component analysis (PCA), and Bootstrapping—in processing datasets from three distinct domains: public health (COVID-19), finance (Indonesia Stock Exchange), and global business (multinational corporations). The datasets utilised include COVID-19 data sourced from Kaggle, stock data listed on the Indonesia Stock Exchange, and corporate data comprising industry classifications and revenue attributes of global companies. The methodology adopted in this research encompasses several critical phases: data preprocessing to ensure consistency and reliability; implementation of classification and clustering algorithms; and model evaluation through accuracy metrics and visual analytics. Findings indicate that the K-Means algorithm performs effectively in clustering both COVID-19 spread regions and stock data based on numerical features. The Decision tree method demonstrates strong predictive capabilities in classifying risk categories within both COVID-19 datasets and corporate profiles. PCA proves to be valuable in reducing data dimensionality while retaining essential information. Furthermore, Bootstrapping is employed to enhance the generalizability of the models, particularly in scenarios involving limited data samples. The study concludes that integrating multiple data mining approaches can yield comprehensive insights across sectors, although the level of effectiveness varies depending on the inherent characteristics of each dataset. Such a multidisciplinary and combined approach provides a robust framework for data-driven analysis and strategic decision support in diverse fields.Kemajuan pesat dalam teknologi informasi telah memperluas pemanfaatan teknik data mining di berbagai bidang, khususnya dalam mengidentifikasi pola tersembunyi dan menunjang proses pengambilan keputusan berbasis data. Penelitian ini secara khusus mengkaji dan membandingkan efektivitas empat pendekatan data mining yakni K-Means Clustering, Decision tree, Principal component analysis (PCA), dan Bootstrapping, dalam mengolah data yang berasal dari tiga sektor strategis: sektor kesehatan (terkait COVID-19), sektor keuangan (pasar saham BEI), dan sektor bisnis global (perusahaan multinasional). Dataset yang digunakan bersumber dari berbagai platform terpercaya, termasuk data COVID-19 dari Kaggle, data saham perusahaan yang terdaftar di Bursa Efek Indonesia, serta informasi perusahaan multinasional yang mencakup variabel industri dan pendapatan tahunan. Rangkaian metodologi penelitian diawali dengan proses prapengolahan data (data preprocessing) untuk memastikan kualitas dan konsistensi data, dilanjutkan dengan penerapan algoritma klasifikasi dan pengelompokan (clustering), serta evaluasi performa model menggunakan metrik akurasi dan representasi visual. Dari hasil analisis yang dilakukan, ditemukan bahwa algoritma K-Means menunjukkan performa yang baik dalam mengelompokkan wilayah berdasarkan tingkat penyebaran COVID-19 serta dalam mengklasifikasikan saham berdasarkan indikator numerik. Sementara itu, metode Decision tree terbukti efektif dalam memprediksi kategori risiko, baik dalam konteks data kesehatan maupun data korporasi multinasional. PCA turut berkontribusi signifikan dalam mereduksi dimensi data tanpa kehilangan informasi utama yang relevan. Selain itu, teknik Bootstrapping diaplikasikan untuk meningkatkan kemampuan generalisasi model, terutama saat berhadapan dengan keterbatasan jumlah data. Secara keseluruhan, temuan penelitian ini menegaskan bahwa pendekatan kombinatif dalam data mining dapat menghasilkan wawasan mendalam yang lintas sektoral, dengan efektivitas yang bergantung pada karakteristik dan struktur data yang dianalisis. Pendekatan integratif semacam ini berpotensi memperkaya pemahaman dan mendukung pengambilan keputusan strategis di berbagai domain
STUDI KOMPARATIF NAIVE BAYES DAN DECISION TREE PADA DATASET BUNGA IRIS: EVALUASI AKURASI DAN EFISIENSI Eryana, Daffa Arifta; Deivivi, Filius; Baehaqi, Muhammad Ilham; Wicaksono, Arya; Puspita, Zalfa Alykha; Gultom, Herwis
JRIS : Jurnal Rekayasa Informasi Swadharma Vol 5, No 2 (2025): JURNAL JRIS EDISI JULI 2025
Publisher : Institut Teknologi dan Bisnis (ITB) Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jris.vol5no2.898

Abstract

This study presents a comparative analysis between the Naive bayes algorithm and Decision tree algorithms in various domains, including iris species Classification, meat composition analysis, subject Classification, and slope analysis in tourism areas. This study aims to evaluate the performance, advantages, and limitations of both algorithms in various data contexts. The methodology used involves applying both algorithms to various datasets and comparing their accuracy, precision, recall, and F1-score metrics. The results show that both algorithms exhibit competitive performance, with varying strengths depending on the characteristics of the data. Decision trees demonstrate better interpretability and can handle non-linear relationships, while Naive bayes demonstrates strong performance with independent features and large training datasets. These findings contribute to understanding the appropriate application context for each algorithm in data mining tasks.Penelitian ini menyajikan analisis komparatif antara algoritma Naive bayes dan Decision tree di berbagai domain, termasuk klasifikasi spesies iris, analisis komposisi daging, klasifikasi subjek, dan analisis kemiringan di area pariwisata. Penelitian ini bertujuan untuk mengevaluasi kinerja, keunggulan, dan keterbatasan kedua algoritma dalam berbagai konteks data. Metodologi yang digunakan melibatkan penerapan kedua algoritma pada berbagai dataset dan membandingkan akurasi, presisi, recall, serta metrik F1-score. Hasil menunjukkan bahwa kedua algoritma memiliki kinerja yang kompetitif dengan kekuatan yang bervariasi tergantung pada karakteristik data. Decision tree menunjukkan interpretabilitas yang lebih baik dan mampu menangani hubungan non-linear, sedangkan Naive bayes menunjukkan kinerja yang kuat dengan fitur-fitur independen dan dataset pelatihan yang besar. Temuan ini berkontribusi dalam memahami konteks aplikasi yang tepat untuk setiap algoritma dalam tugas data mining.

Page 12 of 12 | Total Record : 114

 8   9   10   11   12 

Filter by Year

2021 2025


Reset
Filter By Issues
All Issue Vol 5, No 2 (2025): JURNAL JRIS EDISI JULI 2025 Vol 5, No 1 (2025): JURNAL JRIS EDISI JANUARI 2025 Vol 4, No 2 (2024): JURNAL JRIS EDISI JULI 2024 Vol 4, No 1 (2024): JURNAL JRIS EDISI JANUARI 2024 Vol 3, No 2 (2023): JURNAL JRIS EDISI JULI 2023 Vol 3, No 1 (2023): JURNAL JRIS EDISI JANUARI 2023 Vol 2, No 2 (2022): JURNAL JRIS EDISI JULI 2022 Vol 2, No 1 (2022): JURNAL JRIS EDISI JANUARI 2022 Vol 1, No 2 (2021): JURNAL JRIS EDISI JULI 2021 Vol 1, No 1 (2021): JURNAL JRIS EDISI JANUARI 2021