Jurnal Teknologi Informasi dan Ilmu Komputer
Not a member yet
1290 research outputs found
Sort by
Audit Tata Kelola Academic Information System Menggunakan Framework Cobit 2019
Get PDFPengelolaan sumber daya Teknologi Informasi yang baik efektif, efisien, dan terkendali menghasilkan value bagi sebuah institusi. Upaya untuk mendukung proses manajemen mengembangakan AIS sebagai alat untuk mengevaluasi arah kebijakan, kebutuhan fungsional, dan risiko belum diterapkan secara sempurna. Penelitian ini merupakan audit disertai analisis sistematis untuk mengukur tingkat kematangan sistem Academic Information System (AIS) di STIKES Guna Bangsa Yogyakarta menggunakan framework COBIT 2019. Fokus penelitian adalah pada tata kelola proyek pengembangan AIS yaitu pada proses pengelolaan sumber daya (EDM04) dan inovasi terkelola (APO04). Luaran yang diharapkan adalah sebuah rekomendasi untuk memaksimalkan proses pengembangan sistem menggunakan metode bertahap, yaitu observasi, data collection, data validation, dan identifikasi data maturity level. Audit dan analisis yang dilakukan penelitian ini menemukan tata kelola dalam pengembangan AIS kondisi saat ini berada pada maturity level 2 (managed process) dengan nilai EDM04 = 2,29 dan APO04 = 2,25. Artinya proses sudah dilakukan, tetapi hanya sekedar dilakukan sehingga kurang mencapai tujuan yang diharapkan. Hal ini ditandai dengan ada proses yang tidak lengkap dan tidak terorganisasi dengan baik. Untuk menuju maturity level yang maksimal yaitu level 5, penelitian ini merekomendasikan pengelola untuk melengkapi SOP yang akan dijadikan rujukan dan juga memperbaharui dokumen-dokumen sehingga mengikuti sistem yang dikembangkan sesuai teknologi terkini. Sebagai catatan tambahan lingkungan kerja yang kondusif perlu diciptakan guna mencapai inovasi yang maksimal sesuai dengan sumber daya yang dimiliki. AbstractGood management of Information Technology resources is effective, efficient, and controlled to produce value for an institution. Efforts to support the management process to develop AIS as a tool to evaluate policy directions, functional requirements, and risks have not been implemented perfectly. This research is an audit accompanied by a systematic analysis to measure the maturity level of the Academic Information System (AIS) system at STIKES Guna Bangsa Yogyakarta using the COBIT 2019 framework. The focus of the research is on the governance of the AIS development project, namely the resource management process (EDM04) and managed innovation ( APO04). The expected output is a recommendation to maximize the system development process using a gradual method, namely observation, data collection, data validation, and identification of maturity level data. The audit and analysis conducted in this study found that governance in the development of AIS is currently at maturity level 2 (managed process) with a value of EDM04 = 2.29 and APO04 = 2.25. This means that the process has been carried out, but only done so that it does not achieve the expected goals. It is characterized by incomplete and poorly organized processes. To reach the maximum maturity level, namely level 5, this study recommends managers complete SOPs that will be used as references and also update documents so that they follow the system developed according to the latest technology. As an additional note, a conducive work environment needs to be created to achieve maximum innovation following the available resources
Klasifikasi Sinyal Phonocardiogram Menggunakan Short Time Fourier Transform dan Convolutional Neural Network
Get PDFBerdasarkan laporan American Heart Association, penyakit kardiovaskular menjadi penyebab kematian global tertinggi. Phonocardiogram (PCG) dan electrocardiogram (ECG) biasanya digunakan untuk mendeteksi penyakit jantung. Penggunaan sinyal PCG memberikan hasil prediksi yang lebih baik pada deteksi penyakit jantung bila dibandingkan dengan ECG. Tetapi, penggunaan PCG secara elektronik membutuhkan analisis sinyal yang kompleks untuk mengklasifikasikan kondisi jantung. Penelitian ini bertujuan merancang suatu sistem klasifikasi sinyal PCG berdasarkan metode ekstraksi fitur menggunakan Short Time Fourier Transform (STFT) dan metode klasifikasi menggunakan Convolutional Neural Network (CNN). Pengujian rancangan sistem menggunakan dataset sekunder dengan 2.575 rekaman PCG normal dan 665 rekaman PCG abnormal dalam format wav. Pengujian kinerja menggunakan variasi Hamming, Hann dan Blackman-Harris Window pada bagian ektraksi fitur dan variasi jumlah layer konvolusi pada bagian klasifikasi. Berdasarkan hasil pengujian, penggunaan hamming window pada proses ekstraksi fitur dan 4 layer konvolusi pada proses klasifikasi memberikan hasil terbaik dengan tingkat akurasi 88,11%. Penelitian ini membuktikan bahwa penggunaan hamming window pada bagian ekstraksi fitur dan 4 layer konvolusi pada bagian klasifikasi sebagai bentuk model terbaik sistem klasifikasi PCG berdasarkan STFT dan CNN. AbstractAccording to a report by the American Heart Association, cardiovascular disease is the leading global cause of death. Phonocardiogram (PCG) and electrocardiogram (ECG) are commonly used to detect heart disease. The use of PCG signals provides better predictive results in the detection of heart disease when compared to ECG. However, the use of PCG electronically requires complex signal analysis to classify heart conditions. This study aims to design a PCG signal classification system based on the extraction method using the Short Time Fourier Transform (STFT) and the classification method using the Convolutional Neural Network (CNN). The system design test used a secondary dataset with 2,575 normal PCG records and 665 abnormal PCG records in wav format. Performance testing uses variations of Hamming, Hann and Blackman-Harris Window in the feature extraction section and variations in the number of convolution layers in the classification section. Based on the test results, the use of a hamming window in the feature extraction process and 4 convolution layers in the classification process gives the best results with an accuracy rate of 88.11%. This study proves that the use of a hamming window in the feature extraction section and 4 convolution layers in the classification section is the best form of the PCG classification system based on STFT and CNN
Perancangan Rencana Pemulihan Bencana Menggunakan NIST SP 800-34 Rev 1, NIST SP 800-53 Rev 5 dan SNI 8799 (Studi Kasus: Unit TI XYZ)
Get PDFPada Institut XYZ, unit kerja yang memiliki tanggung jawab untuk mengelola layanan teknologi informasi dan pusat data adalah Unit TI. Berdasarkan Peraturan Pemerintah Nomor 71 Tahun 2019, untuk menanggulangi dampak kehilangan layanan pada pusat data yang disebabkan oleh bencana dan ancaman, diperlukan adanya rencana yang bertujuan untuk mencegah kehilangan dan kerusakan, yaitu rencana pemulihan bencana atau DRP. Hal tersebut didukung dengan kuesioner dan wawancara yang dilakukan kepada jajaran pejabat struktural, kepala unit dan mahasiswa Institut XYZ yang menyatakan bahwa layanan yang dikelola oleh Unit TI XYZ bersifat vital bagi proses bisnis perkuliahan, administrasi umum dan kemahasiswaan. Pada tahun 2021, terjadi kegagalan pada pusat data Unit TI XYZ yang menyebabkan proses perkuliahan daring dan administrasi terhenti karena portal daring yang tidak dapat diakses dan hilangnya data yang disimpan pada penyimpanan awan. Berdasarkan hal tersebut, dilakukan perancangan rencana pemulihan bencana menggunakan NIST SP 800-34 Rev 1 sebagai kerangka kerja penyusunan DRP, NIST SP 800-53 Rev 5 sebagai kendali pencegahan, dan SNI 8799 sebagai acuan persyaratan pusat data. Sebagai hasilnya, disusun enam rencana pemulihan untuk sistem dengan prioritas tinggi, tiga rencana pemulihan untuk sistem dengan prioritas sedang, dan dua rencana pemulihan untuk sistem dengan prioritas rendah.Abstract At the XYZ Institute, the work unit responsible for managing information technology and data center services is the IT Unit. According to Government Regulation Number 71 of 2019, to overcome the impact of service loss in data centers caused by disasters and threats, it is necessary to have a plan that aims to prevent loss and damage, namely a disaster recovery plan or DRP. This is supported by questionnaires and interviews with structural officials, unit heads, and students of the XYZ Institute, which state that services managed by the IT Unit XYZ are vital for the business processes of lectures, general administration, and student affairs. In 2021, there was a failure in the IT Unit XYZ data center, which caused the online lecture and administration process to stop due to an inaccessible online portal and loss of data stored in cloud storage. Based on the regulation requirement, interviews, and questionnaires, a disaster recovery plan was designed using NIST SP 800-34 Rev 1 as a framework for preparing the DRP, NIST SP 800-53 Rev 5 as a preventive control, and SNI 8799 as a reference for data center requirements. As a result, six recovery plans were developed for high-priority systems, three recovery plans for medium-priority systems, and two recovery plans for low-priority systems
Identifikasi Tanaman Obat Indonesia Melalui Citra Daun Menggunakan Metode Convolutional Neural Network (CNN)
Get PDFIndonesia memiliki sumber daya alam yang melimpah, salah satunya adalah berbagai jenis tanaman. Masyarakat Indonesia telah menggunakan tanaman sebagai obat tradisional sejak jaman dahulu. Pada saat ini, tingkat pengetahuan manusia dalam mengenali jenis tanaman obat semakin menurun, karena keterbatasan memori yang dimiliki oleh manusia. Varietas tanaman obat yang sangat banyak dan beragam menyebabkan masyarakat sulit mengidentifikasi jenis tanaman obat indonesia. Penulis mengidentifikasi jenis tanaman herbal serta khasiatnya, khususnya untuk tanaman herbal yang ada di Indonesia. Metode Convolutional Neural Network (CNN) digunakan pada proses pengenalan tanaman herbal tersebut, karena metode ini cukup handal untuk pengenalan objek. Penulis menggunakan data citra daun sebagai data set yang diperoleh dari Mendeley Data. Penulis juga menggunakan data primer berupa data daun tanaman herbal yang diperoleh dari kampung herbal Surabaya. Tahap pertama adalah melakukan anotasi, melabeli serta menyamakan dimensi terhadap citra yang belum sama. Tahap kedua penulis melakukan pre-training untuk mendapatkan bobot yang akan digunakan sebagai input pada proses transfer learning menggunakan EfficientNetV2 sebagai model dasar. Langkah terakhir adalah melakukan validasi menggunakan data uji. Penelitian ini menunjukkan bahwa, CNN berhasil digunakan untuk mengidentifikasi tanaman herbal. Pengujian menggunakan confusion matrix terhadap data set yang digunakan pada penelitian ini memperoleh nilai akurasi rata-rata 98%. Abstract Indonesia has abundant natural resources, one of which is various types of plants. Indonesian people have used plants as traditional medicine since ancient times. At this time, human knowledge in recognizing the types of medicinal plants is decreasing due to humans\u27 limited memory. The wide and varied varieties of medicinal plants make it difficult for the public to identify the types of Indonesian medicinal plants. In this study, the authors identified the types of herbal plants and their properties, especially for herbal plants in Indonesia. The Convolutional Neural Network (CNN) method is used in identifying these herbal plants because this method is quite reliable for object recognition. The author uses leaf image data as a data set obtained from Mendeley Data. In addition, the authors also use primary data on herbal plant leaves obtained from the Surabaya herbal village. The first stage is to annotate, label, and equate the dimensions of the images that still need to be the same. In the second stage, the authors conducted pretraining to obtain weights that would be used as input in the transfer learning process using EfficientNetV2 as the basic model. The final step is to validate using test data. This study shows that CNN is successfully used to identify herbal plants Testing using the confusion matrix method for the data set used in this study obtained an average accuracy value of 98%
Penerapan Algoritma Deep Learning Convolutional Neural Network Dalam Menentukan Kematangan Buah Jeruk Manis Berdasarkan Citra Red Green Blue (RGB)
Get PDFSecara umum proses menentukan jeruk manis layak (bagus) dan tidak layak (busuk) masih banyak menggunakan cara manual. Cara manual dilakukan berdasarkan pengamatan visual secara langsung pada buah yang akan diamati. Pengamatan dengan cara ini memiliki beberapa kelemahan yaitu adanya keterbatasan visual manusia, di pengaruhi oleh kondisi psikis pengamatannya serta memakan waktu yang lama terutama bagi perkebunan besar. Untuk itu, diperlukan suatu algoritma untuk menentukan buah jeruk manis dengan sistem terkomputerisasi yang dibuat menggunakan algoritma Convolutional Neural Network (CNN) merupakan salah satu algoritma dari deep learning yang merupakan pengembangan dari Multilayer Percepton (MLP) yang mampu mengolah data dalam bentuk dua dimensi, misalnya gambar serta mampu melakukan klasifikasi pada citra dengan kelas–kelas yang lebih banyak atau besar. Sistem ini dirancang dan dibangun menggunakan bahasa pemrograman matlab versi R2018a, dengan 100 dataset gambar jeruk manis menunjukan tingkat akurasi sebesar 96% untuk training 92% untuk testing yang dinilai telah mampu melakukan klasifikasi kelayakan buah jeruk manis dengan sangat baik. Pada pengujian menggunakan data baru dari 10 citra jeruk manis dihasilkan 9 citra jeruk manis dengan nilai benar dan 1 citra jeruk manis dengan nilai salah. AbstractIn general, the process of determining appropriate (good) and unfit (rotten) sweet oranges still uses manual methods. The manual method is carried out based on direct visual observation of the fruit to be observed. Observations in this way have several weaknesses, namely the presence of human visual limitations, being influenced by the psychological condition of the observations and taking a long time, especially for large plantations. For this reason, an algorithm is needed to determine sweet oranges with a computerized system created using the Convolutional Neural Network (CNN) algorithm, which is one of the deep learning algorithms, which is the development of Multilayer Perceptron (MLP), which is able to process data in two-dimensional form, for example. Images as well as being able to classify images with more or larger classes. This system is designed and built using the Matlab programming language version R2018a, with 100 sweet orange image datasets showing an accuracy rate of 96% for training 92% for testing which is considered to have been able to classify the feasibility of sweet oranges very well. In testing using new data from 10 images of sweet oranges, 9 images of sweet oranges were generated with the correct value and 1 image of sweet oranges with a false value
Analisis Kredit Pembayaran Biaya Kuliah Dengan Pendekatan Pembelajaran Mesin
Get PDFSalah satu tantangan dalam institusi keuangan adalah manajemen risiko kredit. Hal ini juga terjadi pada institusi pendidikan swasta dimana pengelolaan keuangan dilakukan secara mandiri serta sumber dana mayoritas berasal dari mahasiswa. Setiap institusi harus menjamin kesehatan finansial melalui monitoring cashflow. Adanya penundaan atau kredit pembayaran biaya kuliah mahasiswa akan mempengaruhi cashflow institusi. Oleh karena itu dibutuhkan analisis kredit sebagai tindakan preventif guna mencegah terjadinya kredit yang bermasalah dan meminimalkan risiko kredit lainnya yang timbul di kemudian hari. Pada penelitian ini, algoritma machine learning digunakan untuk analisis kredit pembayaran biaya kuliah pada perguruan tinggi. Dataset yang digunakan adalah data riwayat tagihan, transaksi pembayaran, dan data pengajuan kredit/ angsuran. Tahap perancangan sistem terdiri dari preprocessing, pemilihan fitur, pemodelan, pengujian dan evaluasi hasil. Berdasarkan hasil pengujian algoritma dengan kinerja terbaik adalah KNN dengan recall untuk prediksi “gagal bayar” sebesar 0,8 dan prediksi “berhasil” sebesar 0,76. Model machine learning ini kemudian ditanamkan dalam sebuah sistem informasi analisis kredit biaya kuliah. Selain itu juga sistem akan memberikan skor setiap pengajuan berdasarkan metode scorecard. Semakin tinggi skor kredit semakin kecil risiko gagal bayarnya. Skor kredit ini berkisar antara 250 – 600. Jika kredit yang diajukan diprediksi “gagal bayar” dengan skor kredit rendah atau berpotensi menjadi piutang macet, sistem akan merekomendasikan untuk menilik ulang skema pengajuan kredit dari mahasiswa tersebut agar mahasiswa tetap dapat melanjutkan pendidikan dan cash collection ratio tetap baik. AbstractOne of the challenges in financial institutions is credit risk management. This also occurs in private educational institutions where financial management is carried out independently and most of funding sources come from students. Each institution must ensure financial health through cashflow monitoring. Any delay or credit in paying student tuition fees will affect the institution\u27s cashflow. Therefore, credit analysis is needed as a preventive measure to prevent non-performing loans and minimize other credit risks that arise in the future. In this study, machine learning algorithms are used for credit analysis for paying tuition fees activity at universities. The datasets used are billing history data, payment transactions, and credit/installment application data. The system design stage consists of preprocessing, feature selection, modeling, uji and evaluation of results. Based on the results of uji the algorithm with the best performance is KNN with a recall for the prediction of "failure to pay" of 0,8 and prediction of "success" of 0,76. This machine learning model is then embedded in a tuition credit analysis information system. In addition, the system will provide a score for each submission based on the scorecard method. The higher the credit score, the lower the risk of default. This credit score ranges from 250 – 600. If the proposed credit is predicted to be "in default" with a low credit score or has the potential to become bad debts, the system will recommend reviewing the student\u27s credit application scheme so that students can continue their education and cash collection ratio remains good
Prediksi Interaksi Drug Target pada Gen Kanker Menggunakan Metode Lasso-XGBoost
Get PDFPengobatan kanker saat ini sering dilakukan dengan kemoterapi menggunakan obat kimia dan dapat menyebabkan efek samping. Alternatif pengobatan dapat menggunakan senyawa herbal yang diketahui memiliki efek samping lebih sedikit. Analisis Drug Target Interaction (DTI) dapat dilakukan untuk mengetahui interaksi senyawa herbal terhadap protein kanker. Pada penelitian ini dilakukan perancangan model prediksi DTI dengan melakukan seleksi fitur pada dataset menggunakan Least Absolute Shrinkage and Selection Operator (LASSO) lalu dilakukan penyeimbangan data dengan Synthetic Minority Oversampling Technique (SMOTE) dan diprediksi menggunakan Extreme Gradient Boosting (XGBoost). Data protein terkait kanker didapatkan dari daftar Cancer Gene Census, dari daftar tersebut dilakukan penelusuran pada database GDSC, DrugCentral, dan DrugBank untuk menghasilkan daftar senyawa obat yang berinteraksi dengan protein tersebut. Selain itu, senyawa herbal dihasilkan dari database HerbalDB dan Knapsack. Pengujian dilakukan pada beberapa jenis ekstraksi fitur seperti CTD, DC, PseAAC, dan PSSM. Hasil prediksi menunjukkan beberapa senyawa herbal seperti andrographolide, ursolic acid dan oleanolic acid memiliki interaksi pada protein terkait kanker. Selain itu, LASSO-XGBoost dapat memprediksi DTI pada kanker dengan skor F1 0,861; AUROC 0,927; recall 0,85; precision 0,866; dan accuracy 0,897. AbstractCurrently, cancer treatment is usually done with chemotherapy using chemical drugs that can cause side effects. An alternative treatment can use herbal compounds that known have fewer side effects. Drug Target Interaction analysis (DTI) can be performed to determine the interaction of herbal compounds with cancer proteins. In this study, a DTI prediction model is built by selecting features on the data set using Least Absolute Shrinkage and Selection Operator (LASSO) then data balancing performed with Synthetic Minority Oversampling Technique (SMOTE) and Extreme Gradient Boosting (XGBoost) performed to predict the interaction. The cancer-associated protein data were obtained from the Cancer Gene Census list, then the list used to search on the GDSC, DrugCentral and DrugBank databases to generate a list of drug compounds that interact with these proteins. In addition, plant compounds to be generated from the HerbalDB and Knapsack databases. Tests were performed on several types of feature extraction such as CTD, DC, PseAAC and PSSM. Predictive results suggest that several herbal compounds such as andrographolide, ursolic acid and oleanolic acid interact with cancer-associated proteins. In addition, LASSO-XGBoost was able to predict DTI in cancer with score of F1 0,861; AUROC 0,927; recall 0,857, precision 0,866; and accuracy 0,897
Implementasi Algoritme Spongent sebagai Algoritme Hashing untuk Integritas pada Modul Komunikasi Lora
Get PDFInternet of Things (IoT) merupakan konsep terbaru dalam ranah teknologi dan informasi komunikasi dengan fondasinya berdasarkan pada pertukaran informasi antara objek-objek pintar. Komunikasi dalam lingkup IoT memiliki peran penting untuk saling terhubung dengan beberapa perangkat untuk mengirimkan pesan. Teknologi yang secara khusus menargetkan situasi di mana cakupan area yang luas dengan biaya penerapan yang rendah dan konsumsi daya yang rendah menggunakan frekuensi radio ialah LoRa. LoRa dioptimalkan untuk implementasi pada perangkat dengan sumber daya yang terbatas, namun pada penerapan IoT, keamanan data menjadi tantangan selain keterbatasan sumber daya. Pengamanan data dapat dilakukan dengan algoritme hashing seperti algoritme SPONGENT. Algoritme SPONGENT dipilih untuk menjamin integritas data. Berdasarkan hasil penelitian, algoritme SPONGENT telah berhasil diimplementasikan sebagai keamanan integritas data pada LoRa. Pengujian terhadap keamanan data dengan pengujian serangan aktif berhasil dilakukan karena ketika penyerang mengirimkan data yang sudah diubah, telah dilakukan pengecekan pada gateway dan data yang dihasilkan tidak valid. Algoritme SPONGENT menunjukkan kinerja yang lebih baik dari Algoritme QUARK berdasarkan kinerja waktu hashing.
Abstract
The Internet of Things (IoT) is a recent concept in the realm of technology and information communication, built on the foundation of information exchange among smart objects. Communication within the scope of IoT has an important role to connect with multiple devices to send messages. Technology that specifically targets situations where large area coverage with low deployment costs and low power consumption use a radio frequency is LoRa. LoRa is optimized for implementation on limited resource devices, but in IoT deployment, data security becomes a challenge in addition to resource limitations. Data security can be done with hashing algorithms such as SPONGENT algorithm. The SPONGENT algorithm was chosen to ensure data integrity. Based on the research results, the SPONGENT algorithm has been successfully implemented as data integrity security in LoRa. Testing of data security with active attack testing is successful because when the attacker sends the modified data, it has been checked on the gateway node and the resulting data is invalid. SPONGENT algorithm shows better performance than QUARK algorithm based on hashing time performance
Analisis Perbaikan dan Pemodelan Proses Bisnis Menggunakan Business Process Improvement Pada Sistem Manajemen Budidaya Buah Agrowing
Get PDFProses penanaman dan pengelolaan lahan pertanian dengan bantuan teknologi berhasil memberikan kemudahan dan meningkatkan hasil penjualan produksi. Penelitian mengenai penerapan teknologi telah dilakukan, namun masih ditemukan ketidaksesuaian antara proses bisnis dengan sistem yang disebabkan oleh kurangnya integrasi proses bisnis. Selain itu, kompleksitas proses bisnis pertanian yang terus meningkat menuntut untuk dilakukan perbaikan proses bisnis. Tujuan dari penelitian ini adalah melakukan perbaikan proses bisnis dengan menganalisis peningkatan dan pemodelan proses bisnis sistem manajemen budidaya buah. Penelitian ini memperbaiki proses bisnis sistem manajemen budidaya buah Agrowing menggunakan Business Process Imporvement (BPI) dan memodelkannya menggunakan Business Process Model and Notation (BPMN). Tahapan penelitian ini terdiri dari identifikasi proses bisnis sistem manajemen budidaya buah, analisis proses bisnis sistem manajemen budidaya buah as-is, analisis proses bisnis sistem manajemen budidaya buah to-be, dan pengujian. Pengujian dilakukan dengan simulasi waktu proses bisnis menggunakan tools bizagi modeler dan perhitungan metrik kualitas menggunakan Complexity Metric (CFC) dan Coupling Metric (CP). Perbaikan proses bisnis budidaya buah menggunakan pendekatan BPI berhasil mengurangi waktu proses. Selain itu, kualitas model yang dihasilkan mudah dipahami dan dimodifikasi. Model proses bisnis yang dihasilkan dapat dijadikan sebagai acuan untuk tahapan desain pada pengembangan sistem manajemen budidaya buah Agrowing sehingga mendukung perkembangan teknologi informasi pertanian secara berkelanjutan dan membantu para petani untuk memproduksi buah berkualitas.
Abstract
Planting and managing agricultural land with the help of technology has succeeded in providing convenience and increasing production sales. Although research on the application of technology has been conducted, disparities between business processes and systems still need to be addressed due to a lack of integration of business processes. Furthermore, the ever-increasing complexity of agricultural business processes necessitates business process changes. This study aims to improve business processes by analyzing the improvement and modeling of business processes of fruit cultivation management systems. This study uses Business Process Improvement (BPI) to improve the business processes of the Agrowing fruit cultivation management system, and it models it using the Business Process Model and Notation (BPMN). This study is divided into four stages: identifying the business processes involved in fruit cultivation, analyzing them as they are currently (as-is), analyzing them as they will be improved (to-be), and testing. Testing is performed by simulating business process time using the bizagi modeler tool and computing quality measures with the Complexity Metric (CFC) and Coupling Metric (CP). Improving fruit cultivation business processes using the BPI approach has reduced processing time. In addition, the quality of the resulting model is easy to understand and modify. The resulting business process model can be used as a reference for the design stage in the development of the Agrowing fruit cultivation management system so that it supports the development of agricultural information technology sustainably and helps farmers produce quality fruit
Implementasi Self Organizing Maps untuk Pengelompokan Kabupaten/Kota Berdasarkan Indeks Pembangunan Manusia
Get PDFIndeks Pembangunan Manusia (IPM) merupakan indikator untuk mengukur keberhasilan dalam membangun kualitas hidup manusia. Di tahun 2022, empat indikator IPM berubah menjadi Umur Harapan Hidup Saat Lahir (UHH), Harapan Lama Sekolah (HLS), Rata-rata Lama Sekolah (RLS), dan Pengeluaran Kapita Pertahun. Namun empat indikator tersebut dianggap sebagian pihak kurang mewakili pembangunan. Penelitian ini bertujuan untuk melakukan pengelompokan IPM Kalimantan Barat dengan adanya penambahan variabel kepadatan penduduk, jumlah guru dan murid, dan jumlah pengangguran menggunakan Self Organizing Maps (SOM). Metode SOM dipilih karena memiliki kelebihan untuk memetakan data berdimensi tinggi kedalam bentuk peta berdimensi rendah. Selain itu digunakan normalisasi Min-Max normalization Benefit dan cost agar normalisasi sesuai dengan kriteria setiap variabel. Hasil penelitian ini menunjukkan bahwa, dengan menggunakan learning rate 0.001, maksimum iterasi 1100, dihasilkan sejumlah 4 cluster dengan nilai Silhouette Coefficients sebesar 0.331611 untuk penambahan variabel kepadatan penduduk, 0.290092 untuk penambahan variabel jumlah guru dan murid, 0.298582 untuk penambahan variabel jumlah pengangguran , dan 0.273734 untuk adanya penambahan variabel kepadatan penduduk, jumlah guru dan murid, dan jumlah pengangguran. Profiling cluster menghasilkan karakteristik dan anggota cluster yang berbeda di setiap penambahan variabel.
Abstract
The Human Development Index (IPM) is an indicator to measure success in building the quality of human life. In 2022, the four HDI indicators changed to Life Expectancy at Birth (UHH), Years of School Expectation (HLS), Average Years of Schooling (RLS), and Annual Capita Spending. However, some consider the four indicators to be less representative of development. This study aims to carry out the West Kalimantan IPM cluster by adding population density variables, the number of teachers and students, and the number of unemployed using Self Organizing Maps (SOM). The SOM method was chosen because it has the advantage of mapping high-dimensional data into low-dimensional maps. Besides that, Min-Max normalization Benefit and cost normalization are used so that normalization is in accordance with the criteria for each variable. The results of this study indicate that using a learning rate of 0.001, maximum iteration of 1100, a total of 4 clusters are produced with Silhouette Coefficients values of 0.331611 for the addition of the population density variable, 0.290092 for the addition of the number of teachers and students variable, 0.298582 for the addition of the number of unemployed variables, and 0.273734 for the addition of the variable population density, number of teachers and students, and number of unemployed. Cluster profiling produces different characteristics and cluster members in each variable addition