Articles
327 Documents
<![CDATA[FAKTOR-FAKTOR YANG MEMPENGARUHI ETOS KERJA KARYAWAN PADA RUMAH SAKIT QOLBU INSAN MANDIRI KABUPATEN BATANG ]]>
<![CDATA[Karyoto Karyoto]]>
<![CDATA[ IC-Tech Vol 12 No 2 (2017): IC-Tech Volume XII No.2 Oktober 2017 ]]>
Publisher : <![CDATA[STMIK WIDYA PRATAMA ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (218.803 KB)
|
DOI: 10.47775/ictech.v12i2.11
<![CDATA[Tujuan penelitian ini dilakukan untuk : 1) Menganalisis pengaruh hubungan antar manusia (Human Relation) terhadap Etos Kerja, 2) Menganalisis pengaruh kondisi lingkungan fisik terhadap Etos Kerja, 3) Mengetahui variabel paling dominan berpengaruh terhadap Etos. Penelitian ini menggunakan data primer. Sampel dalam penelitian ini menggunakan 80 responden yang berasal dari Karyawan Rumah Sakit Qolbu Insan Mandiri Daerah Kabupaten Batang. Teknik pengambilan sampel menggunakan teknik non probability sampling, Cara yang digunakan dalam teknin non- probability sampling ini yaitu quota sampling. Metode analisis yang digunakan adalah analisis regresi linier berganda, dengan pengujian hipotesis menggunakan uji signifikan simultan (Uji-F) dan uji signifikan parsial (Uji-t) serta R square dengan standard error of estimate yang digunakan sebesar 5% atau 0,05. Hasil penelitian : 1) Berdasarkan pada hasil analisis regresi linier berganda yang telah dilakukan pada penelitian ini, didapat persamaan regresi : Y = 9,580 + 0,091 X1 + 0,816 X2; 2) Variabel Human Relation (X1) memiliki pengaruh positif dan signifikan terhadap Etos Kerja (Y) dengan nilai regresi 0,091 dan nilai t hitung = 4,835 dengan tingkat signifikansi 0,004; 3) Variabel Kondisi Lingkungan Fisik (X2) memiliki pengaruh positif dan signifikan terhadap Etos Kerja (Y) dan pengaruhnya paling dominan terhadap variabel Etos Kerja (Y). Hal tersebut dapat dibuktikan dengan nilai regresi yang paling tinggi dibandingkan variabel Human Relation  yaitu sebesar 0,816 dan nilai t hitung = 5,234 dengan tingkat signifikansi 0,000. Hal tersebut menunjukkan bahwa Kondisi Lingkungan Fisik merupakan factor yang lebih utama dibandingkan dengan variabel Human Relation dalam mempengaruhi variabel Etos Kerja.]]>
<![CDATA[KOMPARASI ALGORITMA DATA MINING UNTUK KLASIFIKASI PENYAKIT KANKER PAYUDARA ]]>
<![CDATA[M. Faizal Kurniawan]]>;
<![CDATA[Ivandari Ivandari]]>
<![CDATA[ IC-Tech Vol 12 No 1 (2017): IC-Tech Volume XII No.1 April 2017 ]]>
Publisher : <![CDATA[STMIK WIDYA PRATAMA ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (544.213 KB)
|
DOI: 10.47775/ictech.v12i1.12
<![CDATA[Kanker merupakan salah satu penyakit mematikan. Pada tahun 2012 International Agency for Research of Cancer (IARC) mencatat kasus penyakit kanker sebanyak 14.067.894 jiwa dan lebih dari 8,2 juta jiwa meninggal dunia akibat penyakit kanker. Sedangkan dalam 5 tahun terakhir tercatat penderita kanker payudara merupakan yang terbanyak yaitu 19,2% dari keseluruhan kasus. Pencatatan terhadap penyakit kanker banyak dilakukan guna mengantisipasi dan menganalisa pasien sejak dini agar dapat dilakukan pencegahan. Salah satu yang dilakukan adalah dengan menggunakan teknik klasifikasi data mining. Dengan melakukan klasifikasi data mining data lampau yang sebelumnya telah dikumpulkan dapat dijadikan sebuah pengetahuan baru. Beberapa teknik klasifikasi data mining terbukti baik dan menghasilkan akurasi yang tinggi. Dalam penelitian ini akan dilakukan komparasi algoritma K-Nearest Neighbour, Naive Bayes dan Decission Tree C4.5 untuk klasifikasi penyakit kanker payudara. Penelitian ini membuktikan bahwa dari ketiga model algoritma tersebut Naive Bayes memiliki tingkat akurasi terbaik yaitu 95,85%. Sedangkan algoritma KNN memperoleh tingkat akurasi sebesar 94,70% dan Decission Tree C4.5 memperoleh tingkat akurasi sebesar 94,70%..]]>
<![CDATA[Penerapan Metode Sample Bootstrapping untuk Meningkatkan Performa kNearest Neighbor pada Dataset Berdimensi Tinggi ]]>
<![CDATA[Tri Agus Setiawan]]>;
<![CDATA[M. Adib Al Karomi]]>
<![CDATA[ IC-Tech Vol 12 No 1 (2017): IC-Tech Volume XII No.1 April 2017 ]]>
Publisher : <![CDATA[STMIK WIDYA PRATAMA ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (312.96 KB)
|
DOI: 10.47775/ictech.v12i1.13
<![CDATA[Dalam klasifikasi semakin banyak atribut yang relevan yang dipakai akan mempengaruhi hasil akurasi dari algoritma tersebut. Seleksi fitur merupakan salah satu tahapan pre processing klasifikasi dengan cara menghilangkan fitur yang tidak relevan dalam data. Proses ini juga dapat mengurangi dimensi data serta meningkatkan akurasi klasifikasi. Algoritma kNearest Neighbor (kNN) merupakan metode untuk melakukan klasifikasi terhadap objek baru berdasarkan k tetangga terdekatnya. Algoritma kNN memiliki kelebihan karena sederhana, efektif dan telah banyak digunakan pada banyak masalah klasifikasi. Pada penelitian ini penggunaan metode Sample Bootstrapping diusulkan untuk meningkatkan akurasi yang optimal pada algoritma kNN. Metode Sample Bootstrapping digunakan untuk mengurangi jumlah data training yang akan diproses. Dalam penelitian ini menggunakan dataset yang memiliki dataset dengan dimensi yang tinggi. Dari hasil penelitian, penggunaan Sample Bootstrapping dengan algoritma pada dataset credit approval akurasinya meningkat 5.4% (96.87%-91.52%) dibandingkan algoritma kNN standar. Dari hasil penelitian yang dilakukan, dapat disimpulkan bahwa penggunaan Sample Bootstrapping dengan algoritma kNN menghasilkan akurasi yang lebih baik daripada algoritma kNN standar.]]>
<![CDATA[ALGORITMA KLASIFIKASI DATA MINING UNTUK PREDIKSI STATUS MAHASISWA MENGGUNAKAN ALGORITMA DECISION TREE (C4.5) ]]>
<![CDATA[Wachid Darmawan]]>
<![CDATA[ IC-Tech Vol 12 No 1 (2017): IC-Tech Volume XII No.1 April 2017 ]]>
Publisher : <![CDATA[STMIK WIDYA PRATAMA ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (505.136 KB)
|
DOI: 10.47775/ictech.v12i1.14
<![CDATA[Mahasiswa yang mengalami gagal studi merupakan salah satu kerugian bagi sebuah Perguruan Tinggi (PT), salah satunya tentang akreditasi. Mahasiswa gagal studi disini maksudnya mahasiswa yang tidak melakukan pembayaran biaya kuliah untuk semester berjalan atau mahasiswa non-aktif. Jika masalah mahasiswa non-aktif bisa di prediksi lebih cepat, maka pihak manajemen dapat mencegah dan mengantisipasi lebih awal agar tidak ada mahasiswa non-aktif. Dari banyaknya jumlah mahasiswa non-aktif maka perlu dianalisis lebih awal guna menemukan informasi yang berbasis pengetahuan dan bermanfaat. Oleh sebab itu diperlukan suatu cara untuk menggambarkan sekumpulan data secara ringkas. Serangkaian proses untuk mendapatkan pola atau pengetahuan dari kumpulan data disebut Data mining. Salah satu algoritma data mining adalah klasifikasi serta banyak bidang ilmu yang menerapkan teknik klasifikasi dalam ilmu data mining untuk menyelesaikan masalah. Banyak dataset yang digunakan untuk penelitian klasifikasi, salah satu algoritma klasifikasi yang digunakan adalah algoritma Pohon Keputusan (Desicion Tree). Algoritma Dessicion Tree yang digunakan untuk klasifikasi status mahasiswa adalah algoritma C4.5. Algoritma C4.5 salah satu algoritma klasifikasi populer dan mudah di pahami. Berdasarkan penelitian yang sudah dilakukan didapatkan hasil sebagai berikut: algoritma Naive Bayes menghasilkan akurasi sebesar 92,72%, sedangkan algoritma Desicion Tree (C4.5) akurasinya sebesar 93,05%.]]>
<![CDATA[INTEGRASI SAMPLE BOOTSTRAPPING PADA K-NEAREST NEIGHBOR UNTUK KLASIFIKASI HERREGISTRASI CALON MAHASISWA BARU ]]>
<![CDATA[Eny Jumiati]]>;
<![CDATA[Muhammad Rikzam Kamal]]>
<![CDATA[ IC-Tech Vol 12 No 1 (2017): IC-Tech Volume XII No.1 April 2017 ]]>
Publisher : <![CDATA[STMIK WIDYA PRATAMA ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (502.65 KB)
|
DOI: 10.47775/ictech.v12i1.15
<![CDATA[Herregistrasi calon mahasiswa baru adalah proses pendaftaran ulang setiap calon mahasiswa baru untuk dapat mengikuti kegiatan perkuliahan, memperoleh hak-hak akademik, dan menggunakan fasilitas bagi mahasiswa sebagaimana ketentuan yang berlaku pada semester yang berjalan. Dari data pendaftaran mahasiswa baru yang dibuka setiap tahunnya didapatkan banyak calon mahasiswa baru yang mendaftar, tetapi dari data herregistrasi tidak semua calon mahasiswa baru yang sudah mendaftar melakukan herregistrasi. Data mining adalah proses menemukan pola yang menarik dari sejumlah data besar. Sebagai proses penemuan pengetahuan, biasanya melibatkan data cleaning, integrasi data, seleksi data, transformasi data, penemuan pola, dan evaluasi pola. Untuk menangani masalah pengklasifikasian data pada data herregistrasi calon mahasiswa baru dapat dilakukan dengan mengintegrasikan sample bootsrapping ke dalam k-NN (Âk-NNSB) untuk meningkatkan akurasi hasil klasifikasi. Didapatkan hasil akurasi sebesar 88.74% pada nilai variabel k-2.]]>
<![CDATA[Analisis Komparasi Algoritma Naive Bayes Dan C4-5 Untuk Waktu Kelulusan Mahasiswa ]]>
<![CDATA[Risqiati Risqiati]]>;
<![CDATA[Bambang Ismanto]]>
<![CDATA[ IC-Tech Vol 12 No 1 (2017): IC-Tech Volume XII No.1 April 2017 ]]>
Publisher : <![CDATA[STMIK WIDYA PRATAMA ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (531.302 KB)
|
DOI: 10.47775/ictech.v12i1.16
<![CDATA[STMIK Widya Pratama merupakan salah satu perguruan tinggi swasta yang ada di Pekalongan. Mahasiswa merupakan indicator maju atau tidak nya suatu institusi pendidikan. Sedikit banyaknya mahasiswa yang tidak tepat waktu kelulusannya berdampak pada akreditasi sebuah Perguruan Tinggi Swasta. Penelitian ini bertujuan untuk mengkomparasi data kelulusan mahasiswa STMIK Widya Pratama dari tahun 2011 – 2014 menggunakan dua algoritma yaitu algoritma Naïve Bayes dengan algoritma C4.5, sehingga dapat mengklasifikasi mahasiswa lulus tepat waktu dengan akurasi yang baik. Proses klasifikasinya menggunakan algoritma naïve bayes yang merupakan teknik prediksi berbasis probabilistik sederhana yang modelnya mengunakan fitur independen. Independen yang dimaksud adalah bahwa pada sebuah data tidak berkaitan dengan ada atau tidaknya fitur lain dalam data yang sama. Sedangkan algoritma C4.5 yang menghasilkan pohon keputusan akan bekerja dengan baik bila bias yang ada sedikit. Implementasi menggunakan Rapid Miner 5.3 digunakan untuk membantu menemukan nilai yang akurat.]]>
<![CDATA[PENENTUAN STRATEGI PROMOSI PENERIMAAN MAHASISWA BARU DENGAN ALGORITMA CLUSTERING K-MEANS ]]>
<![CDATA[Tria Titiani Chasanah]]>;
<![CDATA[Widiyono Widiyono]]>
<![CDATA[ IC-Tech Vol 12 No 1 (2017): IC-Tech Volume XII No.1 April 2017 ]]>
Publisher : <![CDATA[STMIK WIDYA PRATAMA ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (380.322 KB)
|
DOI: 10.47775/ictech.v12i1.17
<![CDATA[Penerimaan mahasiswa baru di STMIK Widya Pratama Pekalongan merupakan kegiatan setiap tahun. Setiap pelaksanaan terdapat beberapa kendala dan permasalahan. Masalah sejak tiga tahun yang lalu adalah penurunan jumlah pendaftar calon mahasiswa baru. Beberapa evaluasi dilakukan untuk meningkatkan jumlah pendaftar mahasiswa baru. Permasalahan yang lain antara lain kurangnya peminat program studi tertentu, sehinga pendaftar di program studi Akuntansi Komputer sedikit. Berdasarkan data pendaftaran siswa baru dalam penelitian ini akan dianalisa dengan metode pengelompokan / klustering menggunakan algoritma K-Means untuk mendapatkan informasi-informasi sesuai kelompok-kelompok tertentu dari data pendaftaran tahun sebelumnya. Hasil klustering akan digunakan untuk menentukan strategi promosi penerimaan mahasiswa baru STMIK Widya Pratama Pekalongan.]]>
<![CDATA[PENGUKURAN WEB JUAL BELI DENGAN METODE FUZZY TOPSIS ]]>
<![CDATA[Era Yunianto]]>;
<![CDATA[Nur Ika Royanti]]>
<![CDATA[ IC-Tech Vol 13 No 1 (2018): IC-Tech Volume XIII No.1 April 2018 ]]>
Publisher : <![CDATA[STMIK WIDYA PRATAMA ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (614.335 KB)
|
DOI: 10.47775/ictech.v13i1.20
<![CDATA[Agar tidak tertinggal arus persaingan global, pedagang dituntut untuk melakukan inovasi strategi perusahaan yang efektif dan tepat sasaran, salah satunya adalah dengan menggunakan ecommerce/web jual beli. Kualitas suatu web jual beli berpengaruh terhadap banyaknya pelanggan yang memutuskan untuk berbelanja. Tinggi rendahnya kualitas suatu website diukur melalui persepsi pengguna. kriteria yang mempengaruhi kualitas website antara lain information quality, system quality, service quality dan vendor specific quality. Dalam penelitian ini akan melakukan pengukuran web jual beli dengan menggunakan metode fuzzy TOPSIS. Web jual beli yang dievaluasi merupakan peringkat tiga besar alexa rank kategori e-commerce Indonesia. Dalam pengumpulan data menggunakan teknik kuesioner kepada responden yang menggunakan web jual beli. Dari hasil penelitian, urutan ranking kriteria yaitu service quality (BNP 0.76), information quality (BNP 0.69) dan vendor specific quality (BNP 0.63), kemudian system quality (BNP 0.59). Urutan rangking lima teratas dari sub-kriteria adalah Responsiveness (BNP 0.55), Trust (BNP 0.53), Accuracy (BNP 0.53), Price Savings (BNP 0.50) dan Relevance (BNP 0.49). Urutan perangkingan alternatif yaitu TP (CC 0.400) LAZ (CC 0.395) dan BL (CC 0.388). Hasil dari penelitian ini diharapkan menjadi rekomendasi bagi para pedagang dalam menentukan strategi pemasaran produk dan bagi para pengembang web jual beli dalam menentukan strategi pengembangan web jual beli.]]>
<![CDATA[Aplikasi Pendukung Keputusan Persetujuan Kredit berbasis WEB dengan Pemanfaatan Algoritma Data Mining ]]>
<![CDATA[M Adib Al Karomi]]>;
<![CDATA[Christian Yulianto Rusli]]>
<![CDATA[ IC-Tech Vol 13 No 1 (2018): IC-Tech Volume XIII No.1 April 2018 ]]>
Publisher : <![CDATA[STMIK WIDYA PRATAMA ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (251.07 KB)
|
DOI: 10.47775/ictech.v13i1.21
<![CDATA[Dalam kehidupan modern saat ini banyak masyarakat menginginkan kepemilikan atas suatu barang dengan jasa pinjaman dana atau lebih dikenal dengan istilah kredit. Kondisi seperti ini memungkinkan berkembangnya perusahaan jasa keuangan dengan berbagai macam penawaran pembiayaan untuk barang impian dari nasabah. Sayangnya dari hasil penelitian sebelumnya banyak nasabah tergolong dalam klasifikasi kredit macet. Hal ini membuat berbagai perusahaan jasa keuangan berpikir keras untuk mengurangi kerugian atas banyaknya kredit macet. Salah satu penanggulangan awal yang dapat dilakukan adalah dengan melakukan klasifikasi calon nasabah menggunakan sebuah perhitungan algoritmik dengan perbandingan nasabah yang pernah tercatat sebelumnya. Beberapa model klasifikasi banyak digunakan. Salah satu yang terbaik adalah menggunakan metode naive bayes. Metode ini memungkinkan perhitungan probabilitas dari setiap atribut yang adaelitian ini menciptakan sebuah aplikasi pendukung keputusan persetujuan kredit dengan menggunakan algoritma naive bayes. Hsistem dapat menjadi pendukuputusan atas persetujuan pemberian kredit terhadap nasabah. Sistem ini tidak mengikat hasil akhir klasifikasi untuk pembiayaan nasabah karena keputusan akhir adalah hak dari manajerial perusahaan penyedia pembiayaan.]]>
<![CDATA[IMPLEMENTASI PENUGASAN LAPORAN PRAKTEK JARINGAN KOMPUTER BERBASIS E-LAB CISCO MELALUI KELAS VIRTUAL EDMODO UNTUK MENINGKATKAN SIKAP KEMANDIRIAN BELAJAR MAHASISWA ]]>
<![CDATA[Slamet Joko Prasetiono]]>;
<![CDATA[Hari Agung Budijanto]]>
<![CDATA[ IC-Tech Vol 13 No 1 (2018): IC-Tech Volume XIII No.1 April 2018 ]]>
Publisher : <![CDATA[STMIK WIDYA PRATAMA ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (390.116 KB)
|
DOI: 10.47775/ictech.v13i1.22
<![CDATA[Mengacu pada UU Nomor 20 Tahun 2003 tentang Sistem Pendidikan Nasional mengenai faktor kemandirian peserta didik dan Standar Good Laboratory Practice (GLP) mengenai pelaporan praktek di laboratorium maka peneliti menganggap penting melakukan penelitian mengenai implementasi penugasan laporan praktek jaringan komputer berbasis e-lab Cisco melalui kelas virtual Edmodo untuk meningkatkan sikap kemandirian belajar mahasiswa. Berdasarkan atas tujuan penelitian yang telah dirumuskan diatas maka penelitian ini menggunakan metode quasi eksperimen dimana sampel yang digunakan untuk eksperimen maupun sebagai kelompok kontrol diambil secara random dari populasi tertentu.Desain penelitian yang digunakan adalah pre-test post-test-only control design. Dimana dalam rancangan ini terdapat 2 kelompok yang masing-masing dipilih secara random (acak). Kelompok pertama diberi perlakuan (x) yaitu kelas 5M41A dan kelompok yang lain tidak, kelas 5P41A. Kelompok yang diberi perlakuan disebut kelompok eksperimen dan kelompok yang tidak diberi perlakuan disebut kelompok kontrol. Pre-test akan diumpankan sebelum materi diberikan dan post-test akan diberikan setelah dosen menyampaikan materi, dalam bentuk tes obyektif pilihan ganda. Metode ini merupakan blended e-learning yang menggabungkan kegiatan tatap muka yang konvesional dengan e-learning di kelas virtual (Edmodo) yang bersifat asyncronous, dimana dosen dan mahasiswa tidak diharuskan online secara bersamaan. Dalam aspek pengetahuan, pada mahasiswa kelas 5M41A berada dalam kategori baik (nilai rata-rata kelas 77,575), sedangkan pada mahasiswa kelas 5P41A berada dalam kategori cukup (nilai rata-rata kelas 73,333). Dalam aspek sikap, pada mahasiswa kelas 5M41A berada dalam kategori baik dan tuntas dengan nilai 83 (prosentase 83%), sedangkan pada mahasiswa kelas 5P41A berada dalam kategori baik namun tidak tuntas dengan nilai 82 (prosentase 82%). Dalam aspek keterampilan, pada mahasiswa kelas 5M41A berada dalam kategori baik dan tuntas dengan nilai 78,636, sedangkan pada mahasiswa kelas 5P41A berada dalam kategori baik dan tuntas dengan nilai 76,060. Dalam penelitian ini tujuan yang diharapkan tercapai yaitu meningkatkan sikap kemandirian belajar mahasiswa, sehingga mahasiswa yang memiliki sikap kemandirian belajar yang masih rendah dan sedang diharapkan dapat dikembangkan dan meningkat menjadi tinggi bahkan sangat tinggi. Sedangkan mahasiswa yang memiliki sikap kemandirian belajar yang tinggi dapat dipertahankan atau ditingkatkan menjadi sangat tinggi. Dengan demikian, mahasiswa dapat mengembangkan diri menjadi lebih baik dengan cara meningkatkan sikap kemandirian belajarnya masing-masing.]]>
