cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Muhammad Fadlan
Contact Email
fadlan@ppkia.ac.id
Phone
+6281216123988
Journal Mail Official
jbidai@ppkia.ac.id
Editorial Address
Kampus STMIK PPKIA Tarakanita Rahmawati, Jl. Halmahera 99 Oval Ladang IV Tarakan 77113 – Kalimantan Utara
Location
Kota tarakan,
Kalimantan utara
INDONESIA
Journal of Big Data Analytic and Artificial Intelligence
Published by Sekolah Tinggi Ilmu Manajemen Informatika dan Komputer Tarakanita Rahmawati
ISSN : 25979604     EISSN : 27223256     DOI : https://doi.org/10.71302
Core Subject : Science,
Computer Science & IT
JBIDAI adalah jurnal nasional berbahasa Indonesia versi online yang dikelola oleh Prodi Sistem Informasi STMIK PPKIA Tarakanita Rahmawati. Jurnal ini memuat hasil-hasil penelitian dengan cakupan fokus penelitian meliputi : Artificial Intelligence, Big Data, Data Mining, Information Retrieval, Knowledge Doscovering in Database dan bidang-bidang lainnya yang termasuk ke dalam rumpun ilmu tersebut.
Arjuna Subject : Ilmu Komputer (semua kategori) - Kecerdasan Buatan
Articles 5 Documents
 1 
Search results for , issue "Vol 4 No 1 (2018): JBIDAI Juni 2018" : 5 Documents clear
Klasifikasi Siswa berdasarkan Nilai pada Bidang Ekstrakurikuler Menggunakan Metode K-Nearest Neighbor Ernie Kustanti; Umi Ba’diah; Sinawati; Muhammad Fadlan
Journal of Big Data Analytic and Artificial Intelligence Vol 4 No 1 (2018): JBIDAI Juni 2018
Publisher : STMIK PPKIA Tarakanita Rahmawati

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pentingnya kegiatan ekstrakurikuler sebagai sarana pengembangan diri siswa, membuat pemilihan ekstrakurikuler tidak dapat dilakukan sembarangan. Tidak sedikit siswa yang mengalami kesulitan dalam menentukan ekstrakurikuler yang akan diikuti. Salah satu cara untuk mengatasi permasalahan ini adalah dengan menerapkan metode K-Nearest Neighbor. Prinsip kerja K-Nearest Neighbor (KNN) ini adalah mencari jarak terdekat antara data yang akan dievaluasi dengan K-Nearest (neighbor) terdekatnya dalam data pelatihan. Menurut hasil analisa program yang telah dikembangkan menyimpulkan bahwa penerapan metode Knn (K-Nearest Neighbor) berhasil diterapkan aplikasi penentuan nilai siswa, dari pembuatan aplikasi tersebut ada beberapa kelebihan dan kekurangan yang dialami, adapun kelebihan aplikasi ini yaitu lebih memudahkan siswa dalam memilih kriteria ekstrakurikuler sesuai nilai siswa. Oleh karena itu penulis mengklasifikasikan nilai siswa yang paling banyak diminati dan yang memuaskan. Sedangkan kekurangan dari Metode KNN adalah jarak tidak jelas mengenai jenis jarak apa yang harus digunakan dan atribut yang harus digunakan untuk mendapatkan hasil yang terbaik.
Penerapan Cosine Similarity dan K-Nearest Neighbor (K-NN) pada Klasifikasi dan Pencarian Buku Rut Samuel; Ripa Natan; Fitria; Ummi Syafiqoh
Journal of Big Data Analytic and Artificial Intelligence Vol 4 No 1 (2018): JBIDAI Juni 2018
Publisher : STMIK PPKIA Tarakanita Rahmawati

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini bertujuan untuk membuat sebuah aplikasi Penerapan Cosine Similarity dan K-Nearest Neighbor (KNN) pada Klasifikasi dan Pencarian Buku. Dalam pencarian buku, user masih kesulitan dalam mencari buku referensi yang diinginkan. Metode Cosine Similarity adalah mengukur kemiripan antara dua dokumen atau teks. Pada Cosine Similarity dokumen atau teks dianggap sebagai vector. Pada penelitian ini, Cosine Similarity digunakan untuk menghitung jumlah kata istilah yang muncul pada halaman-halaman yang diacu pada daftar indeks. Semakin banyak jumlah kata istilah yang muncul pada suatu halaman semakin tinggi nilai Cosine Similarity yang diperoleh. Metode K-Nearest Neighbor (KNN) adalah suatu metode yang menggunakan algoritma supervised dimana hasil dari contoh query yang baru diklasifikan berdasarkan mayoritas dari kategori pada KNN. Tujuan dari algoritma ini adalah mengklasifikasikan obyek baru berdasarkan atribut dan training sample.Pada sistem ini menggunakan 100 data buku beserta sinopsis buku, yang masing-masing buku telah dibagi menurut klasifikasi buku dan diberikan bobot  Hasil klasifikasi dan pencarian buku dipengaruhi oleh query yang dimasukkan. Hasil klasifikasi dan pencarian buku membutuhkan waktu yang lama karena adanya proses preprocessing. Nilai akurasi pada pencarian dengan Cosine Similarity menghasilkan nilai rata-rata untuk precision 0.75 %, recall 0.6 % dan f-measure 0.66 %  dengan menggunakan 3 sinopsis buku untuk menghitung nilai precision, recall dan f-measure. Untuk klasifikasi dengan K-Nearest Neighbor menghasilkan nilai rata-rata 70 % dengan menggunakan 10 data pembanding.
Implementasi Metode K-Nearest Neighbor (KNN) dalam Pengelompokan Status Ekonomi Warga Riski Fadilla Karunia Dewi; Obert; Roman Gusmana
Journal of Big Data Analytic and Artificial Intelligence Vol 4 No 1 (2018): JBIDAI Juni 2018
Publisher : STMIK PPKIA Tarakanita Rahmawati

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pengelompokan data berdasarkan keputusan yang telah ditetapkan sangat penting karena akan sangat berpengaruh terhadap hasil akhir dari pengelompokan yang di lakukan. Contoh kasus salah satunya adalah Semakin meningkatnya jumlah masyarakat di dalam suatu wilayah akan disertai dengan perubahan jumlah penduduk maupun status ekonominya. Semakin banyaknya data yang akan di kelompokkan maka akan membutuhkan waktu yang lebih banyak, untuk mempermudah dan mempercepat proses tersebut maka diperlukan suatu metode yang mampu mengolah data banyak dengan hasil yang akurat salah satu caranya adalah dengan data mining. Data mining merupakan mengelompokkan data yang terdiri dari berbagai macam metode pengelompokkan dengan harapan dapat mempermudah proses pengolahan data hingga pengelompokkan data. Salah satu metode dari data mining yaitu K-Nearest Neighbor atau biasa di sebut algoritma KNN. Pada penelitian ini penulis membuat aplikasi pengelompokan status ekonomi warga dengan mengimplementasikan metode KNN di dalamnya. Aplikasi yang di buat ini dapat melakukan input data, panggil data dan perbandingan data hingga memperoleh hasil berupa keterangan status ekonomi warga.
Implementasi Clustering dengan Metode Minimum Spanning Tree untuk Pengelompokan Siswa berdasarkan Nilai Hasil Studi Siti Hardianti; Sinawati; Dikky Praseptian M.
Journal of Big Data Analytic and Artificial Intelligence Vol 4 No 1 (2018): JBIDAI Juni 2018
Publisher : STMIK PPKIA Tarakanita Rahmawati

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pendidikan memegang peranan penting dalam kemajuan suatu bangsa pendidikan merupakan sebuah proses yang berkesinambungan yang dilakukan secara terencana dan terukur dengan tujuan agar manusia dapat mencapai kehidupan yang lebih baik dari waktu ke waktu. Masalah yang dihadapi dalam SMA Muhammadiyah Tarakan adalah guru yang sulit untuk mengetahui kemampuan siswa karena tidak ada sistem siswa kategorisasi untuk menghitung nilai hasil studi Metode yang digunakan dalam penelitian ini adalah minimum spanning tree dengan menghitung jarak antara baris dan kolom, kemudian baris dan kolom di hitung dan dibagi sehingga hasil yang di dapatkan berupa nilai terkecil. Manfaat untuk SMA Muhammadiyah Tarakan adalah guru mampu mengidentifikasi siswa memiliki kesempatan yang sangat memuaskan, memuaskan , kurang memuaskan dan tidak memuaskan. Penelitian ini dirancang menggunakan euclidean distance yang merupakan jarak antara baris dan kolom dalam pengelompokkan nilai hasil studi. Aplikasi ini dirancang untuk membantu guru dalam melakukan proses pengelompokkan nilai siswa.
Aplikasi Mesin Pencarian Alat Elektronik Berbasis Web Menggunakan Metode Vector Space Model Putri Tarakanita Wijaya Ningtyas; Dikky Praseptian M.
Journal of Big Data Analytic and Artificial Intelligence Vol 4 No 1 (2018): JBIDAI Juni 2018
Publisher : STMIK PPKIA Tarakanita Rahmawati

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini bertujuan untuk membuat sistem pencarian alat elektronik Menggunakan Metode Vector Space Model pada PT. Eka Daya Tarakan. Proses pencarian Alat Elektronik masih dilakukan dengan cara mencatat ke dalam sistem komputerisasi yang ada pada PT. Eka Daya Tarakan. Metode Vector Space Model yang dibahas menggunakan konsep ruang vektor. Masukan dari pengguna dan kumpulan dokumen diterjemahkan menjadi vektor-vektor. Kemudian vektor-vektor tersebut dikenakan operasi perkalian titik dan hasilnya menjadi acuan dalam menentukan relevansi masukan pengguna (query) terhadap kumpulan dokumen. Vector Space Model solusi atas permasalahan yang dihadapi jika menggunakan algoritma TF/IDF. Karena pada algoritma TF/IDF terdapat kemungkinan antar dokumen memiliki bobot yang sama, sehingga ambigu untuk diurutkan. Pada sistem ini menggunakan adalah satu kriteria yaitu kata kunci untuk metode Vector Space Model yang telah diberikan bobot penilaian kesamaan. Nilai yang paling banyak adalah hasil yang muncul di barisan paling atas. Hasil penelitian yang dilakukan membuktikan bahwa metode sukses diterapkan kedalam sistem pencarian alat elektronik pada PT. Eka Daya Tarakan.

Page 1 of 1 | Total Record : 5

 1 

Filter by Year

2018 2018


Reset
Filter By Issues
All Issue Vol 8 No 2 (2025): JBIDAI Desember 2025 Vol 8 No 1 (2025): JBIDAI Juni 2025 Vol 7 No 2 (2024): JBIDAI Desember 2024 Vol 7 No 1 (2024): JBIDAI Juni 2024 Vol 6 No 2 (2023): JBIDAI Desember 2023 Vol 6 No 1 (2023): JBIDAI Juni 2023 Vol 5 No 1 (2019): JBIDAI Juni 2019 Vol 4 No 1 (2018): JBIDAI Juni 2018 Vol 3 No 1 (2017): JBIDAI Juni 2017