Jurnal Edukasi dan Penelitian Informatika (JEPIN)
Jurnal Edukasi dan Penelitian Informatika (JEPIN) merupakan peer reviewed journal di bidang informatika. Jurnal ini diterbitkan 3 bulan dalam setahun (April, Agustus, dan Desember) oleh Program Studi Informatika, Fakultas Teknik, Universitas Tanjungpura, Indonesia.
Articles
522 Documents
<![CDATA[Aplikasi Pencarian Pekerja Jasa Rumah Tangga di Sekitar dengan Metode Radius dan Rating Berbasis Android ]]>
<![CDATA[Erlangga, Jerry]]>;
<![CDATA[Eliyani, Eliyani]]>
<![CDATA[ JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 7, No 3 (2021): Volume 7 No 3 ]]>
Publisher : <![CDATA[Program Studi Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/jp.v7i3.47686
<![CDATA[Berkurangnya lapangan pekerjaan akibat penurunan beberapa sektor usaha dikarenakan masa krisis akibat pandemi, membuat banyak pekerja memilih beralih menjadi pekerja rumah tangga untuk memperoleh penghasilan. Penelitian ini bertujuan untuk membuat aplikasi yang dapat mempertemukan pencari kerja dengan pemberi kerja. Digunakan Metode Radius yang memanfaatkan Google Maps API dalam mengakses lokasi pemberi kerja dan pencari kerja sehingga pencari kerja dapat dengan mudah mencari pekerjaan yang berada disekitarnya. Pekerjaan yang telah diselesaikan akan diberikan rating oleh pemberi kerja sesuai tingkat kepuasan terhadap hasil pekerjaan pencari kerja. Aplikasi yang dibangun sudah memiliki peningkatan keamanan seperti enkripsi koneksi web service ke server Backend, verifikasi OTP nomor telepon, dan verifikasi data pengguna dengan foto kartu identitas. Menggunakan metode black box testing, semua fitur dapat berjalan secara optimal. Pengujian dilakukan terhadap 20 pengguna dengan menggunakan mobile phone berbasis android dengan beragam versi. Hasil ujicoba menunjukkan bahwa semua fitur dapat berjalan secara optimal pada Android versi 7 hingga 11 dengan akurasi 95% namun 1 dari 20 pengguna tersebut tidak dapat menjalankan aplikasi karena android yang digunakan berada di bawah versi 7.]]>
<![CDATA[Sentiment Analysis Objek Wisata Kalimantan Barat Pada Google Maps Menggunakan Metode Naive Bayes ]]>
<![CDATA[Rifa'i, Ahmad]]>;
<![CDATA[Sujaini, Herry]]>;
<![CDATA[Prawira, Dian]]>
<![CDATA[ JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 7, No 3 (2021): Volume 7 No 3 ]]>
Publisher : <![CDATA[Program Studi Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/jp.v7i3.48132
<![CDATA[Kalimantan Barat merupakan salah satu provinsi di Indonesia yang pariwisatanya berpotensi untuk dikembangkan. Oleh karena itu, feedback dari wisatawan dibutuhkan untuk mengambil tindakan terkait pengembangan kualitas objek wisata Kalimantan Barat agar lebih optimal. Penelitian ini bertujuan untuk membangun sistem yang dapat melakukan sentiment analysis terhadap objek wisata di Kalimantan Barat berdasarkan data ulasan yang ada di Google Maps. Metodologi yang digunakan dalam penelitian ini adalah kerangka kerja IS Research Alan Hevner. Dalam melakukan riset sentiment analysis objek wisata Kalimantan Barat, metode yang digunakan untuk klasifikasi adalah Naïve Bayes. Sebelum melakukan klasifikasi, dilakukan tahap pre-processing yang terdiri dari casefolding, tokenizing, filtering, stemming, dan tahap pembobotan kata menggunakan TF-IDF. Berdasarkan penelitian yang dilakukan, disimpulkan bahwa sistem dapat mengklasifikasikan kelas sentimen ulasan objek wisata yang terdapat pada Google Maps menggunakan metode Naive Bayes dengan nilai akurasi yang bervariasi dari setiap tempat wisata. Nilai akurasi tertinggi adalah 0,76 sedangkan terendah adalah 0,38. Hasil sentimen analisis yang dilakukan pada objek wisata Kalimantan Barat masuk dalam kategori yang positif. Hal ini berdasarkan performa metode Naive Bayes yang menunjukan bahwa nilai rata-rata f1-score kelas positif adalah 0,73 lebih tinggi dibanding kelas netral 0,53 dan negatif 0.14]]>
<![CDATA[Perancangan Visualisasi Dashboard dan Clustering dengan Menerapkan Business Intelligence pada Dinas DPMPTSP Kabupaten Dharmasraya ]]>
<![CDATA[Akbar, Ricky]]>;
<![CDATA[Octaviany, Mutia]]>
<![CDATA[ JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 7, No 3 (2021): Volume 7 No 3 ]]>
Publisher : <![CDATA[Program Studi Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/jp.v7i3.49719
<![CDATA[Penelitian ini bertujuan untuk merancang dan membangun dashboard dan clustering data layanan perizinan publik Dinas Penanaman Modal dan Pelayanan Terpadu Satu Pintu (DPMPTSP) Kabupaten Dharmasraya, untuk memudahkan proses analisis data dan pengambilan keputusan oleh pihak manajemen dengan memanfaatkan Business Intelligence. Karena selama ini proses analisis data masih dilakukan secara konvensional yaitu dengan mengambil data dari Aplikasi kemudian dikonversikan ke Microsoft Excel terlebih dahulu, baru dilakukan analisis. Proses seperti ini akan memakan waktu yang lama dan hasil analisis yang tidak akurat. Dalam melakukan Layanan Perizinan untuk Publik, Dinas DPMPTSP selama ini sudah menggunakan Aplikasi SiCantik, yaitu aplikasi berbasis web yang terintegrasi untuk pengelolaan perizinan usaha maupun layanan umum lainnya yang bersifat Online Single Submission (OSS). Namun, aplikasi ini hanya sebatas melakukan pengelolaan data, belum terdapat visualisasi dashboard untuk memudahkan proses analisis. Sebelum melakukan perancangan dashboard dan proses clustering data, terlebih dahulu dilakukan pengolahan data dari Database Aplikasi dalam bentuk Extract-Transform-Load (ETL) menggunakan tool perangkat lunak Pentaho Data Integration (PDI), sedangkan untuk merancang dashboard dan proses clustering menggunakan perangkat lunak Mirosoft Power BI. Hasil dari penelitian ini adalah bentuk visualisasi dashboard yang interaktif dan mudah dipahami, serta pengelompokkan data dalam bentuk grafik clusterisasi yang dapat mempermudah pihak manajemen dalam pengambilan keputusan.]]>
<![CDATA[Segmentasi Citra Warna Otomatis Rambu Lalu Lintas dengan Penerapan Mask Thresholder ]]>
<![CDATA[Anwar, Khoerul]]>;
<![CDATA[Yunus, Mahmud]]>;
<![CDATA[Sujito, Sujito]]>
<![CDATA[ JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 7, No 3 (2021): Volume 7 No 3 ]]>
Publisher : <![CDATA[Program Studi Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/jp.v7i3.49969
<![CDATA[Segmentasi rambu jalan dan sistem pengenalan merupakan aspek penting dan esensial untuk digunakan pada sistem autopilot, smart car atau autonomous vehicle yang memungkinkan kendaraan dapat berjalan tanpa pengemudi manusia. Namun demikian pada paper ini citra rambu jalan yang diproses dalam bentuk image dan bukan vidio/kamera. Penelitian ini bertujuan memperoleh citra warna rambu jalan dengan presisi yang tinggi. Pada penelitian ini ditawarkan metode segmentation rambu jalan dengan mengembangkan Fuzzy C-means dengan menginjeksikan teknik mask-tresholder untuk mendapatkan hasil segmentasi warna rambu jalan dengan presisi tinggi. Mula-mula citra dideteksi dalam ruang warna RGB kemudian diubah menjadi model warna L*a*b dan dilanjukan ekstraksi untuk mendapatkan komponan warna *a*. Fuzzy C-means dterapkan pada citra warna *a* untuk segmentasi foreground dan background. Proses dilanjutkan dengan operasi opening – closing dan hole filling untuk mereduksi noise pada hasil segmentasi. Sampai pada tahap ini hasil segmentasi yang diperoleh adalah citra binary dimana foreground dalam warna putih dan bacground dalam warna hitam. Oleh karena itu untuk mendapatkan citra hasil segmentasi rambu jalan dalam ruang warna RGB maka diperlukan proses konvolusi. Teknik konvolusi yang dilakukan pada penelitian ini adalah dengan mengalikan tiap piksel citra mask tresholder dengan citra semula dalam ruang warna RGB. Citra mask tresholder yang digunakan dalam penelitian ini adalah citra binary hasil segmentasi dengan Fuzzy Cmeans. Metode yang ditawarkan telah diuji dengan citra rambu jalan sejumlah 18 citra. Hasil yang diperoleh menunjukkan kinerja metode yang diusulkan mampu mensegmentasi citra rambu jalan dalam sesuai warna citra semula. Menggunakan metode jaccard untuk mengukur akurasi kinerja didapat tingkat akurasi adalah 97,73%.]]>
<![CDATA[Deep Neural Network untuk Prediksi Stroke ]]>
<![CDATA[Faisal, Anas]]>;
<![CDATA[Subekti, Agus]]>
<![CDATA[ JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 7, No 3 (2021): Volume 7 No 3 ]]>
Publisher : <![CDATA[Program Studi Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/jp.v7i3.50094
<![CDATA[Pada Tahun 2019 Organisasi Kesehatan Dunia (WHO) mendudukkan stroke sebagai tujuh dari sepuluh penyebab utama kematian. Kementerian Kesehatan menggolongkan stroke sebagai penyakit katastropik karena dampaknya luas secara ekonomi dan sosial. Oleh karena itu, diperlukan peran dari teknologi informasi untuk memprediksi stroke guna pencegahan dan perawatan dini. Analisis data yang memiliki kelas tidak seimbang mengakibatkan ketidakakuratan dalam memprediksi stroke. Penelitian ini membandingkan tiga teknik oversampling untuk mendapatkan model prediksi yang lebih baik. Data kelas yang sudah diseimbangkan diuji menggunakan tiga model Arsitektur Deep Neural Network (DNN) dengan melakukan optimasi pada beberapa parameter yaitu optimizer, learning rate dan epoch. Hasil paling baik didapatkan teknik oversampling SMOTETomek dan Arsitektur DNN dengan lima hidden layer, optimasi Adam, learning rate 0.001 dan jumlah epoch 500. Skor akurasi, presisi, recall, dan f1-score masing-masing mendapatkan 0.96, 0.9614, 0.9608 dan 0.9611.]]>
<![CDATA[Pengembangan Sistem Informasi Pelaporan Pembelajaran Daring dengan Model Rapid Application Development (Studi Kasus: Universitas Tanjungpura) ]]>
<![CDATA[Ripanti, Eva Faja]]>
<![CDATA[ JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 7, No 3 (2021): Volume 7 No 3 ]]>
Publisher : <![CDATA[Program Studi Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/jp.v7i3.49385
<![CDATA[Pembelajaran yang dilakukan dalam sebuah institusi pendidikan perlu dilaporkan pelaksanaannya guna kebutuhan seperti monitoring dan evaluasi (Monev). Pada pembelajaran daring yang memanfaatkan Learning Management System (LMS) sebagai tool, maka telah terdapat fasilitas dokumentasi yang baik untuk setiap kegiatan pembelajaran daring tersebut. Namun, dari sisi pengelola atau administrator untuk menghasilkan laporan pembelajaran secara keseluruhan dengan klasifikasi tertentu, ditemukan beberapa kendala pelaporan.  Hal tersebut dikarenakan tingkat keterpakaian yang beragam. Pelaporan pembelajaran daring bagi institusi menjadi penting guna mengetahui sejauh mana tingkat keterpakaian dan kualitas pembelajaran itu sendiri. Di Universitas Tanjungpura (Untan), pembelajaran daring dilaksanakan dengan LMS berbasis Moodle. LMS Untan dapat digunakan mulai dari dosen dan mahasiswa dan telah tersinkronisasi ke sistem informasi akademik (Siakad) Untan. Sistem pelaporan, pada penelitian ini akan memfasilitasi proses perekapan dan membantu mengetahui sejauh mana pembelajaran daring dilakukan dengan mengklasifikasikan atas tiga kategori (aktif, digunakan, dan untuk Latihan). Penelitian ini bertujuan untuk mengembangankan sistem pelaporan pembelajaran daring agar dapat membantu pengambil keputusan untuk mengetahui sejauh mana pelaksanaan pembelajaran daring diterapkan, dimana pelaporannya dapat dilakukan secara menyeluruh dan cepat. Pengembangan sistem dibuat dengan metode system development life cycle, dengan model Rapid Application Development (RAD) yaitu prototype. Data pada penelitian ini dikumpulkan dengan beberapa pendekatan yaitu studi literatur, observasi, dan Focus Group Discussion (FGD). Luaran penelitian ini berkontribusi, baik bagi pengguna (dosen dan mahasiswa) dalam meningkatkan kualiatas pembelajaran daringnya, juga memudahkan pengambil keputusan dalam mengelola pembelajaran daring. ]]>
<![CDATA[Data Mining Menggunakan Algoritma Apriori dalam Rekomendasi Produk Restoran ]]>
<![CDATA[laurentinus, laurentinus]]>
<![CDATA[ JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 7, No 3 (2021): Volume 7 No 3 ]]>
Publisher : <![CDATA[Program Studi Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/jp.v7i3.49606
<![CDATA[Pemanfaatan teknologi Data mining kini telah banyak diterapkan di perusahaan besar di berbagai aspek. Namun sayangnya, masih banyak usaha-usaha di Indonesia yang belum memanfaatkan teknologi data mining dalam meningkatkan rencana strategis usaha kedepan, data-data yang masuk ke perusahaan hanya menjadi data history, masuk ke arsip perusahaan dan akhirnya dibiarkan tersimpan. Perusahaan dituntut memberikan layanan yang mudah dan cepat kepada customer serta menentukan strategi bisnis kedepannya, khususnya pada Restoran Bahari Bangka Belitung dalam melayani wisatawan mendapatkan fakta bahwa wisatawan sangat sulit menentukan produk yang ingin dipesan dan meminta rekomendasi kepada pelayan. Berdasarkan masalah yang dihadapi ini dapat diselesaikan dengan memanfaatkan data transaksi yang diolah dalam memberikan rekomendasi produk atau menu unggulan yang terkait untuk kepentingan pemasaran. Data mining melakukan penggalian data yang sudah tersimpan dalam jangka waktu tertentu untuk dijadikan refrensi didalam memberikan rekomendasi. Algoritma dalam penelitian ini adalah algoritma apriori berbasis website dan android dengan menggunakan metode prototype. Hasil dari penelitian ini yaitu rekomendasi apriori terhadap produk dalam bentuk aturan asosiatif atau pola transaksi customer dengan cara mengumpulkan data transaksi lalu dengan eksperimen dataset sejumlah 274 transaksi dihitung menggunakan algoritma Apriori dengan nilai support minimal 50 dan nilai confidence minimal 75%. Pengujian User Acceptance Testing dari 6 variabel dengan detail 10 pertanyaan mengenai effort expectancy, social influence, performance expectancy, use behavior, supporting facilitating dan behavioral intention menghasilkan indeks rata-rata sebesar 90.4%.]]>
<![CDATA[Analisis Perbandingan Nilai Akurasi Mekanisme Attention Bahdanau dan Luong pada Neural Machine Translation Bahasa Indonesia ke Bahasa Melayu Ketapang dengan Arsitektur Recurrent Neural Network ]]>
<![CDATA[Gunawan, Wahyu]]>;
<![CDATA[Sujaini, Herry]]>;
<![CDATA[Tursina, Tursina]]>
<![CDATA[ JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 7, No 3 (2021): Volume 7 No 3 ]]>
Publisher : <![CDATA[Program Studi Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/jp.v7i3.50287
<![CDATA[Di Indonesia, penerapan mesin penerjemah masih banyak dilakukan dengan berbasis statistik khususnya dalam eksperimen penerjemahan bahasa daerah. Dalam beberapa tahun terakhir, mesin penerjemah jaringan saraf tiruan telah mencapai kesuksesan yang luar biasa dan menjadi metode pilihan baru dalam praktik mesin penerjemah. pada penelitian ini menggunakan mekanisme attention dari Bahdanau dan Luong dalam bahasa Indonesia ke bahasa Melayu Ketapang dengan data korpus paralel sejumlah 5000 baris kalimat. Hasil pengujian berdasarkan metode penambahan secara konsisten dengan jumlah epoch didapatkan nilai skor BLEU yaitu pada attention Bahdanau menghasilkan akurasi 35,96% tanpa out-of-vocabulary (OOV) dengan menggunakan jumlah epoch 40, sedangkan pada attention Luong menghasilkan akurasi 26,19% tanpa OOV menggunakan jumlah 30 epoch. Hasil pengujian berdasarkan k-fold cross validation didapatkan nilai rata-rata akurasi tertinggi sebesar 40,25% tanpa OOV untuk attention Bahdanau dan 30,38% tanpa OOV untuk attention Luong, sedangkan pengujian manual oleh dua orang ahli bahasa memperoleh nilai akurasi sebesar 78,17% dan 72,53%. ]]>
<![CDATA[Analisa Performa RStudio Server Berbasis Cloud Menggunakan Elastic Stack sebagai Sistem Manajemen Metrik ]]>
<![CDATA[Ashari, Krisna Aditama]]>;
<![CDATA[Mardianto, Is]]>;
<![CDATA[Sugiarto, Dedy]]>
<![CDATA[ JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 7, No 3 (2021): Volume 7 No 3 ]]>
Publisher : <![CDATA[Program Studi Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/jp.v7i3.48206
<![CDATA[Reliabilitas atau keandalan merupakan salah satu sifat penting pada sebuah server dalam melayani pengguna. Salah satu cara mengukurnya ialah dengan melakukan uji perfoma. Penelitian ini bertujuan untuk mengetahui kemampuan RStudio Server pada infrastruktur cloud saat digunakan oleh multiuser dengan Elastic Stack sebagai sistem yang menangani pengumpulan, penyimpanan dan visualisasi data metriknya. Tahapan dimulai dengan mengumpulkan data berupa metrik sistem oleh Metricbeat, lalu diproses Logstash dan disimpan menjadi index dalam Elasticsearch, visualisasi data ditampilkan oleh Kibana. Pengujian kinerja server dilakukan dengan menjalankan script R berdurasi 2 menit dan 7 menit secara simultan. Hasil pengujian berupa catatan CPU Usage, Memory Usage dan durasi penyelesaian script selanjutnya di plotting pada R. Hasil analisa dari plotting data menunjukkan jumlah user yang dapat menggunakan Rstudio Server dengan spesifikasi 2 CPU dan RAM 4GB secara optimal ialah maksimal 2 user pada script dengan run time 2 menit dan 7 menit, lebih dari jumlah user itu akan mempengaruhi waktu proses penyelesaian script menjadi tingkat performa sedang hingga berat.]]>
<![CDATA[Penerapan Harmony Search Algorithm untuk Menyelesaikan Economic Dispatch dengan Memperhitungkan Rugi-Rugi Transmisi ]]>
<![CDATA[Purwoharjono, Purwoharjono]]>
<![CDATA[ JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 7, No 3 (2021): Volume 7 No 3 ]]>
Publisher : <![CDATA[Program Studi Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/jp.v7i3.50397
<![CDATA[Penelitian ini bertujuan untuk menyelesaikan masalah Economic Dispatch (EC) menggunakan metode Artificial Intelligence (AI). Salah satu metode AI tersebut adalah Metode Harmony Search Algorithm (HSA). HSA ini merupakan suatu metode yang terinspirasi dari nada-nada musik yang di dengar. Simulasi HSA ini akan di implementasikan pada sistem 6 unit generator 425 MW yang ada di IEEE. Hasil simulasi menggunakan metode HSA dan metode Quadratic Programming (QP) dengan rugi-rugi transmisi adalah hasil metode HAS memperoleh biaya bahan bakar sebesar 24057,9070 $/h dan rugi-rugi transmisi sebesar 7,1246 MW. Sedangkan menggunakan metode QP memperoleh biaya bahan bakar sebesar 24059,4257 $/h dan rugi-rugi transmisi    7,1626 MW. Simulasi menggunakan metode HSA memperoleh biaya bahan bakar dan rugi rugi transmisi yang lebih kecil di bandingkan dengan menggunakan metode QP.]]>
