Journal of Information Technology and Computer Science (JOINTECS)
Not a member yet
168 research outputs found
Sort by
AHP Analysis in Decision Support System for Mapala Member Evaluation
Full text linkPenilaian calon anggota MAPALA sering kali menghadapi tantangan karena kompleksitas kriteria evaluasi yang mencakup aspek fisik, mental, dan pengetahuan tentang alam. Proses seleksi yang subjektif dan kurang terstruktur dapat mengakibatkan ketidakadilan dan penilaian yang kurang akurat. Untuk mengatasi masalah ini, penelitian ini menerapkan metode Analytic Hierarchy Process (AHP) dalam Sistem Pendukung Keputusan guna mengevaluasi calon anggota MAPALA secara lebih objektif dan sistematis. Menggunakan metode AHP sebagai sistem pendukung keputusan yang berbasis web. Pemberian bobot terhadap kriteria ditentukan dari skala perbadingan yang yang sudah disepakati oleh semua anggota organisasi. Hasil berupa nilai  peserta A memperoleh 0,479, peserta B memperoleh 0,329, dan peserta C memperoleh 0,5. Sistem ini mengintegrasikan teknologi berbasis web dalam memberikan penilaian terhadap para peserta calon anggota yang menghasilkan perangkingan. Sistem pendukung keputusan menggunakan metode AHP memanfaatkan teknologi agar mengefisiensi penilaian terhadap para calon peserta dapat menyeleksi anggota yang sesuai dengan kriteria dan meningkatkan hasil atas dasar yang dapat dipertanggung jawabkan dan terstruktur.Penilaian calon anggota MAPALA sering kali menghadapi tantangan karena kompleksitas kriteria evaluasi yang mencakup aspek fisik, mental, dan pengetahuan tentang alam. Proses seleksi yang subjektif dan kurang terstruktur dapat mengakibatkan ketidakadilan dan penilaian yang kurang akurat. Untuk mengatasi masalah ini, penelitian ini menerapkan metode Analytic Hierarchy Process (AHP) dalam Sistem Pendukung Keputusan guna mengevaluasi calon anggota MAPALA secara lebih objektif dan sistematis. Menggunakan metode AHP sebagai sistem pendukung keputusan yang berbasis web. Pemberian bobot terhadap kriteria ditentukan dari skala perbadingan yang yang sudah disepakati oleh semua anggota organisasi. Hasil berupa nilai  peserta A memperoleh 0,479, peserta B memperoleh 0,329, dan peserta C memperoleh 0,5. Sistem ini mengintegrasikan teknologi berbasis web dalam memberikan penilaian terhadap para peserta calon anggota yang menghasilkan perangkingan. Sistem pendukung keputusan menggunakan metode AHP memanfaatkan teknologi agar mengefisiensi penilaian terhadap para calon peserta dapat menyeleksi anggota yang sesuai dengan kriteria dan meningkatkan hasil atas dasar yang dapat dipertanggung jawabkan dan terstruktur
Perbandingan Performa SVM dan Naïve Bayes Pada Analisis Sentimen Aplikasi Game Online
Full text linkGame online saat ini berkembang sangat pesat terutama game online berbasis mobile, salah satunya adalah Clash of Clans. Game yang sudah berusia lebih dari 10 tahun ini masih mampu bersaing dengan game mobile terbaru lainnya. Hal tersebut tidak lepas dari pengembangan dan pembaruan yang dilakukan oleh developer. Namun tentu pengembangan dan pembaruan tersebut tidak bisa sepenuhnya diterima oleh seluruh pemain game Clash of Clans. Banyak ulasan yang diberikan oleh pengguna di Google Play Store. Ditemukan ketidak sinkronan antara rating yang diberikan dengan ulasan yang diberikan, oleh karena itu dibutuhkan analisis sentimen untuk mengetahui jenis sentimen yang diberikan. Pada penelitian ini dilakukan penerapan optimasi ekstraksi fitur TF-IDF (Term Frequency - Inverse Document Frequency) dan N-Gram, serta seleksi fitur Chi-Square dan SelectKBest pada analisis sentimen pengguna aplikasi game online Clash of Clans menggunakan algoritma Support Vector Machine dan Naïve Bayes dengan tujuan menerapkan dan mencari model klasifikasi terbaik untuk mendapatkan hasil akurasi yang lebih akurat. Hasil pengujian menunjukkan bahwa model klasifikasi dengan ekstraksi fitur TF-IDF (Term Frequency - Inverse Document Frequency) dan N-Gram, serta seleksi fitur Chi-Square dan SelectKBest adalah model klasifikasi paling optimal dengan hasil akurasi tertinggi 93% pada Support Vector Machine pada presentase rasio 70:30, sementara akurasi tertinggi yang diperoleh Naïve Bayes sebesar 91,6% dengan presentase rasio yang sama
Analisis Sistem Monitoring Jaringan Internet Menggunakan PPPoE Server dan Bot Telegram
Full text linkPenelitian ini bertujuan untuk merancang dan menganalisis sistem monitoring jaringan internet menggunakan PPPoE server yang terintegrasi dengan bot Telegram di salah satu penyedia layanan internet (ISP) di Kediri. Sistem ini dirancang untuk mengatasi masalah jaringan internet yang tidak stabil, yang dapat mengganggu operasional bisnis dan mengurangi kepuasan pelanggan. Metode yang digunakan meliputi studi literatur, pengumpulan data melalui survei dan wawancara, serta analisa dan pengujian sistem monitoring. Protokol PPPoE dipilih karena kemampuannya dalam menyediakan keamanan dan efisiensi dalam pengelolaan koneksi internet. Bot Telegram digunakan untuk memberikan notifikasi otomatis ketika terjadi gangguan pada jaringan. Pengujian sistem mencakup dua tahap, yaitu pengujian functional suitability dan usability. Pengujian functional suitability melibatkan evaluasi terhadap kelengkapan fitur sistem yang direncanakan dan berhasil diimplementasikan, yang mendapatkan hasil 1 atau sama dengan Baik. Pengujian usability dilakukan untuk mengevaluasi tingkat kepuasan pengguna terhadap sistem monitoring yang dikembangkan, yang memperoleh skor 88% dengan interpretasi Sangat Layak. Hasil penelitian menunjukkan bahwa sistem ini dapat meningkatkan efisiensi operasional dan respons terhadap gangguan, serta menjaga kualitas layanan yang diberikan kepada pelanggan
Analisis Efisiensi Penjadwalan Teknisi Pemasangan Layanan Internet Menggunakan Metode SAW dan ROC
Full text linkPenelitian ini bertujuan untuk meningkatkan efisiensi operasional di penyedia layanan internet dengan mengurangi penundaan dalam pemasangan layanan pelanggan baru melalui pengembangan sistem penjadwalan teknisi yang efektif, yang berfokus pada penugasan pekerjaan untuk mempercepat durasi pemasangan layanan, menggunakan metode Simple Additive Weighting (SAW) dan pembobotan Rank Order Centroid (ROC). Metode SAW digunakan untuk menghitung bobot relatif dari kriteria yang relevan dalam penjadwalan teknisi, sementara pembobotan ROC diterapkan untuk menghitung peringkat relatif teknisi berdasarkan kriteria tertentu. Penelitian ini mengintegrasikan aplikasi berbasis web untuk manajemen pesanan dalam lingkungan Internet Service Provider (ISP). Hasilnya menunjukkan peningkatan efisiensi alternatif yang signifikan untuk alternatif A sebesar 79,08%, alternatif B sebesar 65,49%, dan alternatif C sebesar 95,98%. Pergeseran peringkat alternatif dari alternatif B ke alternatif C menunjukkan kemungkinan pergeseran prioritas yang mungkin disebabkan oleh peningkatan efisiensi. Evaluasi menggunakan Mean Absolute Deviation (MAD) dan Mean Absolute Percentage Error (MAPE) memberikan wawasan tambahan tentang prediksi model. Dengan nilai MAD sebesar 0,666667 dan MAPE sebesar 27,78% pada bulan September 2023, model peringkat SAW dan pembobotan ROC memberikan prediksi yang cukup akurat dengan tingkat kesalahan yang dapat diterima. Merekomendasikan perbaikan dan peningkatan sistem penempatan pesanan berdasarkan peringkat alternatif tertinggi. Kesimpulannya, sistem penjadwalan teknisi yang diusulkan dapat meningkatkan efisiensi operasional di ISP dengan mengurangi penundaan dalam pemasangan layanan pelanggan baru, yang berkontribusi pada peningkatan kinerja dan efisiensi operasional perusahaan
Penerapan Long Short-Term Memory untuk Klasifikasi Multi-Label Terjemahan Al-Qur’an dalam Bahasa Indonesia
Full text linkMempelajari Al-Qur'an adalah salah satu ibadah yang sangat dianjurkan dalam Islam, dan memahami cara mengklasifikasikan ayat-ayatnya sangat penting. Pengelompokan ayat-ayat ini mempermudah pencarian dan mempelajari ayat-ayat terkait, karena setiap ayat dapat termasuk dalam satu atau lebih kategori yang berbeda. Penelitian ini bertujuan untuk mengembangkan model klasifikasi multi-label untuk teks terjemahan Al-Qur’an dalam bahasa Indonesia menggunakan Bi-Directional Long Short-Term Memory (Bi-LSTM) dan teknik word embedding Word2Vec dengan arsitektur Continuous Bag of Words (CBOW). Data yang digunakan berasal dari terjemahan resmi Kementerian Agama Republik Indonesia, khususnya dari Surah An-Nisa', Surah Al-Maidah, dan Surah Al-An'am, dengan total 461 ayat. Proses klasifikasi mempertimbangkan empat kategori utama: Tauhid, Ibadah, Akhlaq, dan Sejarah (Tarikh). Model diuji dengan berbagai skenario pembagian data dan dievaluasi menggunakan metrik akurasi, precision, recall, dan Hamming Loss. Hasil menunjukkan bahwa model Bi-LSTM dengan Word2Vec mencapai akurasi 70,21%, precision 64,31%, recall 61,13%, dan Hamming Loss 36,52%. Meskipun menunjukkan peningkatan signifikan, model ini masih menghadapi tantangan dalam mencapai akurasi yang lebih tinggi karena kompleksitas bahasa Al-Qur’an. Penelitian ini menyarankan penggunaan data yang lebih representatif, teknik embedding lain, dan arsitektur model yang lebih canggih untuk perbaikan lebih lanjut. Model ini diharapkan dapat mempermudah pembelajaran dan pemahaman Al-Qur’an secara lebih akurat dan efisien
Analisis Optimasi Kualitas Jaringan Internet Service Provider melalui Pengujian Kecepatan Internet Berbasis Crowdsourcing
No full textKemajuan pesat dalam teknologi informasi dan telekomunikasi telah meningkatkan pentingnya akses internet yang andal dalam kehidupan sehari-hari. Namun, banyak pelanggan menghadapi ketidakpastian mengenai kecepatan akses jaringan yang diberikan oleh penyedia layanan internet (ISP). Penelitian ini bertujuan untuk mengembangkan aplikasi pengujian kecepatan akses jaringan berbasis crowdsourcing untuk membantu pelanggan memperoleh data objektif dan transparan mengenai kualitas layanan internet pelanggan. Penelitian ini menggunakan metode yang mencakup studi literatur, pengembangan aplikasi, pengumpulan data, analisis data, dan verifikasi. Aplikasi yang dikembangkan menggunakan bahasa pemrograman Python dan difokuskan pada parameter pengukuran kualitas layanan internet seperti bandwidth, kekuatan sinyal, delay, Â dan kehilangan paket. Data dari pengukuran ini dikumpulkan secara real-time melalui kontribusi pengguna dan dianalisis untuk memberikan rekomendasi ISP terbaik berdasarkan hasil pengujian. Hasil penelitian menunjukkan bahwa Biznet memiliki kecepatan unduh tertinggi dengan rata-rata 73.33 Mbps dan kecepatan unggah 71 Mbps, sementara First Media menunjukkan kecepatan unduh 45 Mbps dan kecepatan unggah 43 Mbps. Indihome mencatat kecepatan unduh 38 Mbps dan kecepatan unggah 27.66 Mbps. Kesimpulan utama dari penelitian ini adalah bahwa aplikasi pengujian kecepatan akses jaringan berbasis crowdsourcing dapat membantu pelanggan membuat keputusan yang lebih baik dalam memilih ISP, sekaligus memberikan alat yang berguna bagi ISP untuk meningkatkan kualitas layanan pelanggan.Kemajuan pesat dalam teknologi informasi dan telekomunikasi telah meningkatkan pentingnya akses internet yang andal dalam kehidupan sehari-hari. Namun, banyak pelanggan menghadapi ketidakpastian mengenai kecepatan akses jaringan yang diberikan oleh penyedia layanan internet (ISP). Penelitian ini bertujuan untuk mengembangkan aplikasi pengujian kecepatan akses jaringan berbasis crowdsourcing untuk membantu pelanggan memperoleh data objektif dan transparan mengenai kualitas layanan internet pelanggan. Penelitian ini menggunakan metode yang mencakup studi literatur, pengembangan aplikasi, pengumpulan data, analisis data, rekomendasi. Aplikasi yang dikembangkan menggunakan bahasa pemrograman Python dan difokuskan pada parameter pengukuran kualitas layanan internet seperti bandwidth,, delay, kehilangan paket (packet loss), dan throughput. Data dari pengukuran ini dikumpulkan secara real-time melalui kontribusi pengguna dan dianalisis untuk memberikan rekomendasi ISP terbaik berdasarkan hasil pengujian. Hasil penelitian menunjukkan bahwa aplikasi ini valid dan memiliki tingkat usabilitas yang tinggi, dengan kemampuan memberikan rekomendasi ISP yang objektif berdasarkan performa jaringan. Kesimpulan utama dari penelitian ini adalah bahwa aplikasi pengujian kecepatan akses jaringan berbasis crowdsourcing dapat membantu pelanggan membuat keputusan yang lebih baik dalam memilih ISP, sekaligus memberikan alat yang berguna bagi ISP untuk meningkatkan kualitas layanan pelanggan
Implementasi Deep Learning untuk Klasifikasi Motor Imagery pada Sinyal EEG
Full text linkElectroencephalography (EEG) adalah teknik yang digunakan untuk merekam aktivitas listrik otak melalui sensor yang ditempatkan pada kulit kepala. Salah satu area penelitian yang menarik dalam analisis EEG adalah motor imagery (MI), yaitu kemampuan untuk membayangkan suatu gerakan tanpa adanya stimulus visual eksternal. Pengolahan sinyal EEG yang kompleks dalam skenario MI memerlukan pendekatan komputasi yang canggih untuk mengenali pola-pola yang terbentuk selama proses pembayangan tersebut. Penelitian ini bertujuan untuk membandingkan kinerja empat arsitektur deep learning populer—yaitu EEGNet, EEGConformer, EEGInception, dan EEGITNet—dalam mengklasifikasikan data EEG pada konteks motor imagery. Hasil pengujian menunjukkan bahwa EEGConformer dan EEGNet adalah model yang paling efektif, dengan akurasi rata-rata masing-masing sebesar 72,41% dan 71,88%, serta performa yang stabil di berbagai subjek. Di sisi lain, EEGInception dan EEGITNet mencatatkan akurasi yang lebih rendah, terutama EEGInception dengan akurasi rata-rata sebesar 55,59%. Temuan ini mengindikasikan bahwa arsitektur sederhana seperti EEGNet tetap kompetitif, meskipun model yang lebih kompleks seperti EEGConformer memberikan sedikit keunggulan dalam performa. Penelitian ini juga menyoroti pentingnya faktor spesifik-subjek dalam meningkatkan performa model, yang dapat diatasi melalui pendekatan adaptif atau personalisasi. Hasil penelitian ini diharapkan dapat memberikan wawasan lebih mendalam terkait model yang paling akurat dalam tugas motor imagery EEG dan berkontribusi pada pengembangan aplikasi berbasis Brain-Computer Interface (BCI).Electroencephalography (EEG) adalah teknik yang digunakan untuk merekam aktivitas listrik otak melalui sensor yang ditempatkan pada kulit kepala. Salah satu area penelitian yang menarik dalam analisis EEG adalah motor imagery (MI), yaitu kemampuan untuk membayangkan suatu gerakan tanpa adanya stimulus visual eksternal. Pengolahan sinyal EEG yang kompleks dalam skenario MI memerlukan pendekatan komputasi yang canggih untuk mengenali pola-pola yang terbentuk selama proses pembayangan tersebut. Penelitian ini bertujuan untuk membandingkan kinerja empat arsitektur deep learning populer—yaitu EEGNet, EEGConformer, EEGInception, dan EEGITNet—dalam mengklasifikasikan data EEG pada konteks motor imagery. Hasil pengujian menunjukkan bahwa EEGConformer dan EEGNet adalah model yang paling efektif, dengan akurasi rata-rata masing-masing sebesar 72,41% dan 71,88%, serta performa yang stabil di berbagai subjek. Di sisi lain, EEGInception dan EEGITNet mencatatkan akurasi yang lebih rendah, terutama EEGInception dengan akurasi rata-rata sebesar 55,59%. Temuan ini mengindikasikan bahwa arsitektur sederhana seperti EEGNet tetap kompetitif, meskipun model yang lebih kompleks seperti EEGConformer memberikan sedikit keunggulan dalam performa. Penelitian ini juga menyoroti pentingnya faktor spesifik-subjek dalam meningkatkan performa model, yang dapat diatasi melalui pendekatan adaptif atau personalisasi. Hasil penelitian ini diharapkan dapat memberikan wawasan lebih mendalam terkait model yang paling akurat dalam tugas motor imagery EEG dan berkontribusi pada pengembangan aplikasi berbasis Brain-Computer Interface (BCI)
Perbandingan Algoritma Machine Learning dan Deep Learning dalam Analisis Sentimen Ulasan PLN Mobile
Full text linkRating ulasan aplikasi play store memiliki nilai strategis karena merupakan informasi penting bagi pengembang aplikasi untuk meningkatkan kualitas layanan di dunia digital. Salah satu aplikasi yang dijadikan subjek penelitian ini adalah PLN Mobile. Sejak diluncurkannya aplikasi PLN Mobile, terbukti masih banyak opini masyarakat yang tidak puas dengan penggunaan aplikasi PLN Mobile. Oleh karena itu, masih memiliki kelemahan bagi pengguna aplikasi dan pengembang aplikasi saat menganalisis komentar penulis pengguna. Dalam penelitian ini, dilakukan pengujian dengan membandingkan beberapa algoritma machine learning terdiri dari logistic regression, decision tree, random forest serta algoritma deep learning terdiri neural network multi-layer perceptron (MLP) dan long short-term memory (LSTM) untuk mengklasifikasikan senitmen positif atau negatif. Penelitian ini menghasilkan 3.000 ulasan pengguna aplikasi PLN Mobile, yang terdiri dari 1.965 ulasan positif dan 1.035 ulasan negatif. Data tersebut kemudian diuji dengan menggunakan model logistic regression yang memiliki akurasi sebesar 84,47%, decision tree yang memiliki akurasi sebesar 79,30%, dan random forest yang memiliki akurasi sebesar 83,64%. Sedangkan model algoritma deep learning khususnya Neural Network Multilayer Perceptron (MLP) memiliki akurasi sebesar 84,47%, sedangkan pengujian dengan Long Short Term Memory (LSTM) memberikan akurasi sebesar 78,83%. Berdasarkan penelitian analisis sentimen dalam ulasan pengguna aplikasi PLN Mobile, model machine learning yang menggunakan algoritma logistic regression dan model deep learning yang menggunakan algoritma neural network multi-layer perceptron (MLP) memiliki keunggulan dalam akurasi dibandingkan algoritma lainnya.Rating ulasan aplikasi play store memiliki nilai strategis karena merupakan informasi penting bagi pengembang aplikasi untuk meningkatkan kualitas layanan di dunia digital. Salah satu aplikasi yang dijadikan subjek penelitian ini adalah PLN Mobile. Sejak diluncurkannya aplikasi PLN Mobile, terbukti masih banyak opini masyarakat yang tidak puas dengan penggunaan aplikasi PLN Mobile. Oleh karena itu, masih memiliki kelemahan bagi pengguna aplikasi dan pengembang aplikasi saat menganalisis komentar penulis pengguna. Dalam penelitian ini, dilakukan pengujian dengan membandingkan beberapa algoritma machine learning terdiri dari logistic regression, decision tree, random forest serta algoritma deep learning terdiri neural network multi-layer perceptron (MLP) dan long short-term memory (LSTM) untuk mengklasifikasikan senitmen positif atau negatif. Penelitian ini menghasilkan 3.000 ulasan pengguna aplikasi PLN Mobile, yang terdiri dari 1.965 ulasan positif dan 1.035 ulasan negatif. Data tersebut kemudian diuji dengan menggunakan model logistic regression yang memiliki akurasi sebesar 84,47%, decision tree yang memiliki akurasi sebesar 79,30%, dan random forest yang memiliki akurasi sebesar 83,64%. Sedangkan model algoritma deep learning khususnya Neural Network Multilayer Perceptron (MLP) memiliki akurasi sebesar 84,47%, sedangkan pengujian dengan Long Short Term Memory (LSTM) memberikan akurasi sebesar 78,83%. Berdasarkan penelitian analisis sentimen dalam ulasan pengguna aplikasi PLN Mobile, model machine learning yang menggunakan algoritma logistic regression dan model deep learning yang menggunakan algoritma neural network multi-layer perceptron (MLP) memiliki keunggulan dalam akurasi dibandingkan algoritma lainnya
Sistem Pendukung Keputusan Penerimaan Bantuan Non Tunai Menggunakan Metode AHP Dan WP
Full text linkSaat ini proses penentuan penerima Bantuan Pangan Non Tunai (BPNT) masih kurang obyektif dan belum maksimal sehingga menimbulkan ketidakpuasan di kalangan warga desa. Tujuan dari penelitian ini adalah menggunakan metode AHP dan WP untuk mengembangkan sistem pendukung keputusan bagi penerima bantuan non tunai (BPNT). Bobot kriteria ditentukan dengan menggunakan metode AHP, dan nilai setiap alternatif dihitung dengan menggunakan metode WP. Parameter yang digunakan makan sebanyak dalam sehari, biaya pengobatan, pendapatan per bulan, sumber penerangan, bahan bakar memasak, fasilitas buang air besar, konsumsi jenis makanan, luas lantai, jenis dinding, sumber air minum, tabungan, jenis lantai, pembelian pakaian, pendidikan kepala rumah tangga dan sebanyak 20 data uji yang akan di olah dalam melakukan perangkingan. Akurasi sebesar 80% dicapai pada pengujian validasi dengan confusion matriks dan 20 kumpulan data alternatif, menunjukkan bahwa metode WP dapat menghasilkan rekomendasi alternatif yang paling optimal. Hasil penelitian ini dapat membantu pemerintah desa dalam menentukan penerima BPNT yang layak sesuai dengan kriteria yang digunakan
Analisis Pemilihan Calon Peserta OSN Menggunakan Metode SAW dan ROC
Full text linkOlimpiade Sains Nasional (OSN) merupakan ajang bergengsi bagi siswa di Indonesia untuk mengasah kemampuan di bidang sains. Penelitian ini bertujuan untuk membantu guru dalam menyeleksi calon peserta OSN secara objektif dan efisien. Sistem ini mengimplementasikan metode Simple Additive Weighting (SAW) untuk pemrosesan nilai siswa berdasarkan kriteria nilai tes, rata-rata nilai rapor, nilai sikap, pengalaman mengikuti OSN, dan absensi. Sedangkan, pembobotan Rank Order Centroid (ROC) digunakan untuk menghitung peringkat relatif calon peserta OSN berdasarkan kriteria tertentu. Data sampel lima siswa kelas 10 tahun pelajaran 2023/2024 digunakan untuk pengujian sistem. Hasil pengujian menunjukkan kesesuaian antara perhitungan manual dan komputasi dalam penentuan nilai akhir siswa. Sistem ini mampu memberikan peringkat rekomendasi calon peserta OSN secara otomatis, mengurangi subjektivitas seleksi manual. Hasil penelitian ini berupa nilai akhir dan ranking sebagai rekomendasi guru dalam memilih siswa untuk mewakili sekolah dalam ajang Olimpiade Sains Nasional (OSN) dengan nilai tertingi yaitu 0,99. Hasil akurasi yang didapat dalam pemilihan calon peserta OSN menggunakan metode SAW dan pembobotan ROC dihasilkan nilai akurasi sebesar 99,07%