Jurnal Teknik Informatika dan Sistem Informasi
Not a member yet
499 research outputs found
Sort by
Analisis Faktor yang Berkontribusi Terhadap Pengurangan Karyawan Berdasarkan Clustering Self-Organizing Map
Full text linkEmployee turnover can disrupt the organization's operations and more or less cause losses to the business. Therefore, it is important to understand the causal factors so that organizations can take anticipatory action. Identify reasons employees leave their jobs is crucial for both employers and policy makers, especially when the goal is to prevent this from happening. Data on the causes of employee turnover is complex data that can have many dimensions, so a certain method is needed to analyze it. In this research, an analysis of data on the causes of employee turnover with 10 dimensions will be carried out using the Self Organizing Map (SOM) method. The Self-Organizing Map (SOM) is a technique for clustering and visualizing high-dimensional data by mapping it to a two-dimensional space while preserving the data's topological structure. This neural network-based method ensures that similar data points remain close to each other in the resulting 2D representation. SOM will cluster the data into several uniform groups. The results of this SOM grouping will be assessed with the Silhouette score, Dunn index and Connectivity value to determine how uniform the grouping is. Hopefully that by using the results of this SOM grouping, it shows that the clusters formed are very good and the data is clearly grouped. Therefore, we can analyze these groups with more accurate results.Pergantian karyawan dapat mengganggu operasional organisasi dan sedikit banyak menimbulkan kerugian bagi bisnis. Oleh karena itu, penting untuk memahami faktor-faktor penyebab agar organisasi dapat mengambil tindakan antisipatif. Mengidentifikasi alasan karyawan meninggalkan pekerjaannya sangat penting bagi pemberi kerja dan pembuat kebijakan, terutama jika tujuannya adalah untuk mencegah hal ini terjadi. Data penyebab turnover karyawan merupakan data kompleks yang dapat mempunyai banyak dimensi sehingga diperlukan suatu metode tertentu untuk menganalisisnya. Dalam penelitian ini akan dilakukan analisis data penyebab turnover karyawan dengan 10 dimensi dengan menggunakan metode Self Organizing Map (SOM). Self-Organizing Map (SOM) adalah teknik untuk mengelompokkan dan memvisualisasikan data berdimensi tinggi dengan memetakannya ke ruang dua dimensi dengan tetap menjaga struktur topologi data. Metode berbasis jaringan saraf ini memastikan bahwa titik data serupa tetap berdekatan dalam representasi 2D yang dihasilkan. SOM akan mengelompokkan data menjadi beberapa kelompok yang seragam. Hasil pengelompokan SOM ini akan dinilai dengan skor Silhouette, indeks Dunn dan nilai Konektivitas untuk mengetahui seberapa seragam pengelompokannya. Diharapkan dengan menggunakan hasil pengelompokan SOM ini menunjukkan bahwa cluster yang terbentuk sangat bagus dan datanya terkelompok dengan jelas. Oleh karena itu, kami dapat menganalisis kelompok-kelompok ini dengan hasil yang lebih akurat.
Pengembangan Produk Menggunakan Metode Agile Scrum
Full text linkHiColleagues is an edutech startup company that focuses on IT services and education. With the increasing number of competitors in the edutech field, HiColleagues formed a Business Development division to ensure the business process runs well. One of the sub-divisions of Business Development is Product, which is in charge of developing HiColleagues products so that they can compete with competitors. The Product sub-division will develop HiColleagues products by creating documents as needed. All of these tasks will be done by implementing the Agile Scrum method where each task will be divided into several sprints and using Trello to document all tasks. By using the Agile Scrum method and utilizing Trello, all tasks can be completed according to the deadline and thoroughly documented.HiColleagues adalah perusahaan startup edutech yang berfokus pada layanan IT dan edukasi. Dengan semakin banyaknya kompetitor di bidang edutech, HiColleagues membentuk divisi Business Development untuk memastikan proses bisnis berjalan dengan baik. Salah satu sub divisi Business Development adalah Product yang bertugas dalam mengembangkan produk HiColleagues agar mampu bersaing dengan kompetitor. Sub divisi Product akan mengembangkan produk HiColleagues dengan membuat dokumen sesuai kebutuhan. Semua tugas tersebut akan dikerjakan dengan mengimplementasikan metode Agile Scrum dimana setiap tugas akan dibagi menjadi beberapa sprint dan menggunakan Trello untuk mendokumentasikan seluruh tugas. Dengan menggunakan metode Agile Scrum dan memanfaatkan Trello, seluruh tugas dapat diselesaikan sesuai dengan deadline dan terdokumentasi secara menyeluruh
Komputasi Numerik Berkinerja Tinggi dari Integral Multidimensi Menggunakan Sampel Acak
Full text linkThis study examines the use of high-performance computing to carry out multidimensional integral calculation based on stochastic techniques, particularly in the context of Monte Carlo integration. Considering that traditional methods are facing extreme difficulty especially in high-dimension when encountered with "dimensionality curse", random sampling technique to estimate integral values is used. This technique is superior in many aspects, for example in terms of scalability and flexibility, even in complex and irregular domains. In particular, the work concentrates on the case of calculating the volume of a multi-dimensional sphere using random sampling or Monte Carlo techniques. It also introduces a framework that employs the Graphics Processing Unit (GPU) to carry out these computations more effectively. Using dimensionalities from 2 to 24, the work compares both accuracy and computation time of the method. The results show that the random sampling method attains high accuracy in the computation of π which is used as a benchmark. The computational model is implemented in CUDA C/C++, and it takes advantage of GPU parallelism to process large sample sizes as well as execute calculations efficiently. Here it is shown in general that Monte Carlo integration is a viable approach to high-dimensional problems when combined with very rapid GPU parallelism.Penelitian ini mengkaji penggunaan komputasi berkinerja tinggi untuk melakukan perhitungan integral multidimensi berdasarkan teknik stokastik, khususnya dalam konteks integrasi Monte Carlo. Mengingat metode tradisional menghadapi kesulitan yang sangat besar terutama pada dimensi tinggi ketika dihadapkan pada "dimensionality curse", maka digunakanlah teknik random sampling untuk mengestimasi nilai integral. Teknik ini lebih unggul dalam banyak aspek, misalnya dalam hal skalabilitas dan fleksibilitas, bahkan dalam domain yang kompleks dan tidak beraturan. Secara khusus, penelitian ini berkonsentrasi pada kasus penghitungan volume bola multi-dimensi dengan menggunakan teknik pengambilan sampel acak atau Monte Carlo. Hal ini juga memperkenalkan kerangka kerja yang menggunakan Graphics Processing Unit (GPU) untuk melakukan perhitungan ini secara lebih efektif. Dengan menggunakan dimensi dari 2 hingga 24, penelitian ini membandingkan akurasi dan waktu komputasi dari metode tersebut. Hasilnya menunjukkan bahwa metode pengambilan sampel acak mencapai akurasi yang tinggi dalam komputasi π yang digunakan sebagai tolok ukur. Model komputasi diimplementasikan dalam CUDA C/C++, dan memanfaatkan paralelisme GPU untuk memproses ukuran sampel yang besar serta mengeksekusi perhitungan secara efisien. Di sini ditunjukkan secara umum bahwa integrasi Monte Carlo adalah pendekatan yang layak untuk masalah dimensi tinggi jika dikombinasikan dengan paralelisme GPU yang sangat cepat
Integrasi Convolutional Autoencoder dengan Support Vector Machine untuk Klasifikasi Varietas Almond
Full text linkThis research aims to optimize almond variety classification by integrating Convolutional Autoencoder (CAE) as a feature extraction method and Support Vector Machine (SVM) for classification. The research process includes data collection from available datasets, preprocessing, and splitting data for training and testing. Features from almond images are extracted using CAE, which are then used in the SVM model for classification. Model evaluation shows a classification accuracy of 97% on the test data, a significant increase compared to the 48% accuracy of conventional SVM. The CAE-SVM approach offers more compact and informative feature representations, effectively improving almond variety recognition. This study highlights the potential of combining CAE and SVM advantages to enhance plant image analysis and encourages further advancements in machine learning applications in agriculture.Penelitian ini bertujuan mengoptimalkan klasifikasi varietas almond dengan mengintegrasikan Convolutional Autoencoder (CAE) sebagai metode ekstraksi fitur dan Support Vector Machine (SVM) untuk klasifikasi. Tahapan penelitian mencakup pengumpulan data dari dataset yang tersedia, preprocessing, dan pemisahan data untuk pelatihan serta pengujian. Fitur dari gambar almond diekstraksi menggunakan CAE, yang kemudian digunakan dalam model SVM untuk klasifikasi. Evaluasi model menunjukkan akurasi klasifikasi sebesar 97% pada data testing, meningkat signifikan dibandingkan dengan akurasi 48% pada SVM konvensional. Pendekatan CAE-SVM menawarkan representasi fitur yang lebih kompak dan informatif, meningkatkan pengenalan varietas almond secara efektif. Penelitian ini menyoroti potensi penggabungan keunggulan CAE dan SVM dalam meningkatkan analisis citra tanaman, serta mendorong kemajuan lebih lanjut dalam aplikasi machine learning dalam bidang agrikultur
Penerapan YOLOv5 untuk Klasifikasi Gambar dalam Sistem Estimasi Kandungan Kalori Masakan Indonesia
Full text linkIn this era of continuously evolving technology, calorie counting applications have become crucial for individuals who are concerned about their eating habits and health. However, most of these applications have not fully accommodated the variety of dishes commonly consumed in Indonesia, especially the popular dishes in Java Island, which has the largest population in Indonesia. To address this limitation, this research introduces an innovative solution in the form of an Indonesian Cuisine Classification and Calorie Content Estimation System using YOLOv5 technology. In this approach, the YOLOv5 object classification technology is used to identify various types of Indonesian dishes, including eight classes such as satay, meatball soup, traditional soup, fried rice, mixed vegetables salad, fried chicken, beef soup, and beef stew. This system is not only capable of accurately classifying dishes but also provides calorie content estimation based on the composition of the classified food ingredients. The implementation of this research combines YOLOv5 to apply the Indonesian cuisine classification model using the nutrition API from API Ninjas to obtain the required nutrition data. This research uses datasets obtained from Kaggle website, Mendeley Data, and Roboflow, with a total of 303 images for each class of dishes. As a result, the model achieved an accuracy score of 94.2%, precision of 94.3%, recall of 93.8%, and an F1 Score of 93.8%.Di zaman teknologi yang terus berkembang ini, aplikasi penghitung kalori menjadi sangat penting bagi individu yang peduli akan pola makan dan kesehatan mereka. Namun, sebagian besar aplikasi tersebut belum sepenuhnya dapat mengakomodasi variasi masakan yang umum dikonsumsi di Indonesia, terutama masakan yang populer di Pulau Jawa, yang memiliki jumlah penduduk terbesar di Indonesia. Untuk mengatasi kekurangan ini, penelitian ini memperkenalkan solusi inovatif berupa Sistem Klasifikasi Masakan Indonesia dan Estimasi Kandungan Kalori menggunakan teknologi YOLOv5. Dalam pendekatan ini, teknologi klasifikasi objek YOLOv5 digunakan untuk mengidentifikasi berbagai jenis masakan Indonesia, termasuk delapan kelas seperti sate, bakso, soto, nasi goreng, gado-gado, ayam goreng, rawon, dan rendang. Sistem ini tidak hanya mampu mengklasifikasikan masakan dengan akurat, tetapi juga memberikan estimasi kandungan kalori berdasarkan komposisi bahan makanan yang terklasifikasi. Implementasi dari penelitian ini menggabungkan YOLOv5 untuk menerapkan model klasifikasi masakan Indonesia dengan menggunakan API nutrisi dari API Ninjas untuk mendapatkan data nutrisi yang diperlukan. Penelitian ini menggunakan dataset yang diperoleh dari website Kaggle, Mendeley Data, dan Roboflow, dengan total 303 gambar untuk setiap kelas masakan. Hasilnya, model mencapai skor akurasi sebesar 94,2%, precision sebesar 94,3%, recall sebesar 93,8%, dan F1 Score sebesar 93,8%
Perancangan Index Learning Style untuk Pengembangan Personalisasi Learning Management System berbasis Moodle
Full text linkDifferences in students' learning styles often pose challenges in online learning, particularly in personalizing learning materials to meet individual needs. This study developed an Index Learning Style (ILS) plugin based on the Felder-Silverman Learning Style Model (FSLSM) to support personalized learning on the Moodle Learning Management System (LMS). The plugin is designed to identify students' learning styles through 44 questions measuring four main dimensions: processing, perception, input, and understanding. The system development involved algorithms for learning style analysis, integration with Moodle's restricted access feature, and implementation in an Internet of Things (IoT) course. The implementation results show that the ILS plugin can effectively map students' learning styles to relevant Learning Object Materials (LOM). Moreover, personalized learning materials increase student engagement and facilitate material comprehension, particularly for those with dominant learning styles such as Active, Sensitive, Visual, and Sequential. The development of the ILS plugin provides a practical solution for enhancing the online learning experience to make it more adaptive. This plugin has the potential for widespread implementation in various technology-based education contexts to support more personal and effective learning.Perbedaan gaya belajar mahasiswa sering menjadi tantangan dalam pembelajaran daring, terutama dalam mempersonalisasi materi pembelajaran sesuai kebutuhan individu. Penelitian ini mengembangkan plugin Index Learning Style (ILS) berbasis Felder-Silverman Learning Style Model (FSLSM) untuk mendukung personalisasi pembelajaran pada Learning Management System (LMS) Moodle. Plugin ini dirancang untuk mengidentifikasi gaya belajar mahasiswa melalui 44 pertanyaan yang mengukur empat dimensi utama: pemrosesan, persepsi, input, dan pemahaman. Pengembangan sistem meliputi algoritma untuk analisis gaya belajar, integrasi dengan fitur restricted access pada Moodle, dan implementasi dalam pembelajaran pada mata kuliah Internet of Things (IoT). Hasil implementasi menunjukkan bahwa plugin ILS dapat secara efektif memetakan gaya belajar mahasiswa ke Learning Object Materials (LOM) yang relevan. Selain itu, personalisasi materi pembelajaran menghasilkan peningkatan keterlibatan mahasiswa dan kemudahan dalam memahami materi, terutama bagi mereka yang memiliki gaya belajar dominan seperti Active, Sensitive, Visual, dan Sequential. Pengembangan plugin ILS ini memberikan solusi praktis untuk meningkatkan pengalaman belajar daring yang lebih adaptif. Plugin ini berpotensi diimplementasikan secara luas dalam berbagai konteks pendidikan berbasis teknologi untuk mendukung pembelajaran yang lebih personal dan efektif
Perancangan Sistem Palang Parkir Otomatis Dengan Pengenalan Wajah Menggunakan Metode Eigenface
Full text linkThe main problem in this study is that the parking system on the campus of the Catholic University Of Darma Cendika still relies on manual methods, such as the use of cards and physical tickets, which are prone to human error, inefficient, easily misused, and raise security concerns. The main objective of this study is to improve the security and efficiency of parking area management by reducing dependence on card-based methods or physical tickets. This study collects facial data from individuals with various angles and facial positions, then the data is further processed to improve image quality. By applying the Eigenface model, the system is able to recognize faces with 100% accuracy under certain lighting and distance conditions. However, the performance of facial recognition is still affected by the quality of lighting and the distance between the camera and the object, indicating that further optimization is needed. Recommendations proposed include adjusting the lighting and camera position to obtain better facial image results. The Eigenface-based facial recognition technology applied in this study has great potential in improving the efficiency of the automatic parking barrier system. However, to achieve optimal results in various environmental conditions, further development is needed. Thus, it is expected that this system will not only be able to recognize faces accurately, but also be able to operate effectively and efficiently in real environments. In addition, this system also uses the Convolutional Neural Network method to distinguish between real faces and facial images from the cellphone screen, thereby increasing the overall security of the system.Masalah utama dalam penelitian ini adalah bahwa sistem parkir di Kampus UKDC masih mengandalkan metode manual, seperti penggunaan kartu dan tiket fisik, yang rentan terhadap kesalahan manusia, kurang efisien, mudah disalahgunakan, dan menimbulkan kekhawatiran terkait keamanan. Tujuan utama penelitian ini adalah untuk meningkatkan keamanan serta efisiensi manajemen area parkir dengan mengurangi ketergantungan pada metode berbasis kartu atau tiket fisik. Penelitian ini melakukan pengumpulan data wajah dari individu dengan variasi sudut dan posisi wajah, kemudian data tersebut diproses lebih lanjut untuk meningkatkan kualitas gambar. Dengan menerapkan model Eigenface, sistem mampu mengenali wajah dengan akurasi 100% dalam kondisi pencahayaan dan jarak tertentu. Namun demikian, performa pengenalan wajah masih dipengaruhi oleh kualitas pencahayaan dan jarak antara kamera dan objek, menunjukkan bahwa optimasi lebih lanjut diperlukan. Rekomendasi yang diajukan termasuk penyesuaian pencahayaan dan posisi kamera untuk mendapatkan hasil gambar wajah yang lebih baik. Teknologi pengenalan wajah berbasis Eigenface yang diterapkan dalam penelitian ini memiliki potensi besar dalam meningkatkan efisiensi sistem palang parkir otomatis. Meski demikian, untuk mencapai hasil optimal dalam berbagai kondisi lingkungan, pengembangan lanjutan diperlukan. Dengan demikian, diharapkan sistem ini tidak hanya mampu mengenali wajah dengan akurat, tetapi juga dapat beroperasi dengan efektif dan efisien di lingkungan nyata. Selain itu, sistem ini juga menggunakan metode CNN untuk membedakan antara wajah asli dan gambar wajah dari layar ponsel, sehingga meningkatkan keamanan sistem secara keseluruhan
Perbandingan Performa Model Long Short-Term Memory dan Bidirectional untuk Prediksi Kabut
Full text linkFog is a weather phenomenon that can significantly reduce visibility and impact transportation safety as well as public activities. The Citeko region in Bogor, located in a highland area, experiences a relatively high frequency of fog events, especially during the morning and rainy seasons. This study aims to develop and compare the performance of fog prediction models using Long Short-Term Memory (LSTM) and Bidirectional LSTM (BiLSTM) algorithms based on historical weather data from 2013 to 2023. The data, obtained from the Citeko Meteorological Station, includes weather parameters such as dry-bulb temperature, wet-bulb temperature, dew point, visibility, relative humidity, cloud cover, wind direction and speed, and hourly weather conditions. The data underwent several preprocessing steps, including missing value interpolation, fog classification based on weather parameters, normalization, and splitting into training and testing sets (80:20 ratio). The LSTM and BiLSTM models were then trained using a deep learning approach, both with and without early stopping. The results show that BiLSTM with early stopping achieved the best performance: 99.93% accuracy, 96.53% precision, 98.81% recall, and an F1-score of 97.66%, with only 9 false positives and 3 false negatives. This study contributes to the development of fog prediction systems based on artificial intelligence.Kabut merupakan fenomena cuaca yang dapat menurunkan jarak pandang secara signifikan dan berdampak pada keselamatan transportasi serta aktivitas masyarakat. Wilayah Citeko, Bogor, yang berada di dataran tinggi, memiliki frekuensi kejadian kabut yang cukup tinggi, terutama pada pagi hari dan musim hujan. Penelitian ini bertujuan untuk membangun dan membandingkan performa model prediksi kabut menggunakan algoritma Long Short-Term Memory (LSTM) dan Bidirectional LSTM (BiLSTM) berdasarkan data cuaca historis selama periode 2013–2023. Data yang digunakan berasal dari Stasiun Meteorologi Citeko dan mencakup parameter cuaca seperti suhu bola kering, suhu bola basah, titik embun, jarak pandang, kelembapan relatif, tutupan awan, arah dan kecepatan angin, serta kondisi cuaca per jam. Data mengalami beberapa tahap pra-pemrosesan, termasuk interpolasi nilai hilang, klasifikasi kabut berdasarkan parameter cuaca, normalisasi, dan pembagian data menjadi data latih dan uji (80:20). Model LSTM dan BiLSTM kemudian dilatih menggunakan pendekatan deep learning, baik dengan maupun tanpa early stopping. Hasil menunjukkan BiLSTM dengan early stopping mencapai kinerja terbaik: akurasi 99,93%, precision 96,53%, recall 98,81%, dan *F1-score* 97,66%, dengan hanya 9 false positive dan 3 false negative. Penelitian ini memberikan kontribusi dalam pengembangan sistem prediksi kabut berbasis kecerdasan buatan
Perancangan Manajemen Risiko Operasional Sistem Pemerintahan Berbasis Elektronik
Full text linkRisk management in Information Technology (IT) is a crucial element for every organization, including government institutions. Currently, the Department of Communication, Informatics, Encryption, and Statistics of Buleleng Regency (Diskominfosanti Kab. Buleleng) does not have a specific approach to systematically managing IT risks. The Electronic-Based Government System (SPBE) is a government initiative that optimizes the use of IT and communication to provide services to the public. Implementing risk management in SPBE presents an opportunity for government agencies to enhance operational efficiency and drive innovation. This study aims to develop an initial guideline for SPBE risk management at Diskominfosanti Kab. Buleleng, with the goal of improving the institution’s SPBE index. The guideline design refers to the provisions outlined in Presidential Regulation (Perpres) No. 95 of 2018 and Ministerial Regulation of PANRB No. 5 of 2020 concerning SPBE Risk Management Guidelines. The approach used in this guideline integrates the COBIT 5 for Risk framework to identify, analyze, and evaluate various potential risks. The research findings identify 30 risks, consisting of 2 positive risks and 28 negative risks. The risk mitigation strategy design covers aspects of human resources, technology, and operational processes. This study produces three key outputs: risk identification, risk assessment, and a risk mitigation strategy framework for SPBE services implemented at Diskominfosanti Buleleng.Manajemen risiko dalam Teknologi Informasi (TI) merupakan elemen krusial bagi setiap organisasi, termasuk lembaga pemerintahan. Saat ini, Dinas Komunikasi, Informatika, Persandian, dan Statistik Kabupaten Buleleng (Diskominfosanti Kab. Buleleng) belum memiliki pendekatan khusus untuk mengelola risiko TI secara terstruktur. Sistem Pemerintahan Berbasis Elektronik (SPBE) merupakan program pemerintah yang mengoptimalkan pemanfaatan TI dan komunikasi guna memberikan layanan kepada masyarakat. Penerapan manajemen risiko dalam SPBE menjadi peluang bagi instansi pemerintah untuk meningkatkan efisiensi operasional dan mendorong inovasi. Penelitian ini bertujuan untuk menyusun panduan awal dalam pengelolaan risiko SPBE di Diskominfosanti Kab. Buleleng dengan harapan dapat meningkatkan indeks SPBE instansi tersebut. Perancangan panduan ini mengacu pada ketentuan yang tertuang dalam Peraturan Presiden (Perpres) Nomor 95 Tahun 2018 serta Peraturan Menteri PANRB Nomor 5 Tahun 2020 mengenai pedoman Manajemen Risiko SPBE. Pendekatan yang digunakan dalam pedoman ini mengintegrasikan kerangka kerja COBIT 5 for Risk untuk mengidentifikasi, menganalisis, dan mengevaluasi berbagai potensi risiko. Hasil penelitian ini menemukan 30 risiko yang terdiri dari 2 risiko positif dan 28 risiko negatif. Perancangan strategi mitigasi risiko mencakup aspek sumber daya manusia, teknologi, serta proses operasional. Studi ini menghasilkan tiga output utama, yaitu identifikasi risiko, penilaian risiko, dan rancangan strategi mitigasi risiko SPBE yang diterapkan pada layanan Diskominfosanti Buleleng
Analisis Kesuksesan Sistem Seleksi Mahasiswa Berprestasi dengan DeLone McLean Success Model
Full text linkEducation is a very important thing where education can improve the quality and competitiveness of a person. Wonogiri Regency is one of the regions in Central Java that is currently struggling to improve the quality of human resources by increasing the interest in education of its people to the Higher Education level so that the Outstanding Student Scholarship program was launched. This study will analyze the success of the SIMAPRES website used for registration and selection of the scholarship program. The sample of this research is the applicants of the scholarship program who use the SIMAPRES website. The research model used is the DeLone & McLean IS Succes Model 2003 with 6 hypotheses and data processing using Partial Least Square-SEM which will show the correlation between variables from the model. This study tested a sample of 423 students applying for scholarship programs from various universities in Indonesia. From this sample, it was found that the six hypotheses showed a significant influence between variables with a T-Statistic value above 1.96, which also means that system quality, information quality, service quality have a good impact on the use and user satisfaction variables. From the results of the study it can be concluded that the SIMAPRES website has been quite successful in its use for registration and selection of the scholarship program.Pendidikan merupakan suatu hal yang sangat penting dimana pendidikan mempu meningkatkan kualitas serta daya saing seseorang. Kabupaten Wonogiri merupakan salah satu wilayah di Jawa Tengah yang saat ini berjuang meningkatkan kualitas SDM dengan meningkatkan minat pendidikan rakyatnya hingga jenjang Perguruan Tinggi sehingga diluncurkan program Beasiswa Mahasiswa Berprestasi. Penelitian ini akan menganalisis kesuksesan website SIMAPRES yang digunakan untuk pendaftaran dan seleksi program beasiswa tersebut. Sampel dari penelitian ini yaitu para pendaftar program beasiswa yang menggunakan website SIMAPRES. Model penelitian yang digunakan yaitu DeLone & McLean IS Succes Model 2003 dengan 6 hipotesis serta pengolahan data menggunakan Partial Least Square-SEM yang akan menunjukkan korelasi antar variabel dari model tersebut. Penelitian ini menguji sebanyak 423 sampel mahasiswa pendaftar program beasiswa dari berbagai universitas di Indonesia. Dari sampel tersebut ditemukan bahwa keenam hipotesis menunjukkan pengaruh antar variabel yang signifikan dengan nilai T-Statistic di atas 1,96 yang mana juga berarti system quality, information quality, service quality berdampak baik terhadap variabel use dan user satisfaction. Dari hasil penelitian dapat disimpulkan bahwa website SIMAPRES sudah cukup sukses dalam penggunaannya untuk pendaftaran dan seleksi program beasiswa tersebut