Jurnal Teknologi Informasi dan Ilmu Komputer
Not a member yet
1290 research outputs found
Sort by
Clustering Tingkat Risiko Klasifikasi Lapangan Usaha (KLU) Menggunakan Metode K-Means
Get PDFPajak adalah sumber utama pendapatan negara. Karena itu, otoritas pajak di seluruh dunia, bertugas untuk mengurangi kesenjangan pajak (tax gap). Salah satu faktor yang menyebabkan adanya kesenjangan pajak adalah tingkat kepatuhan Wajib Pajak (WP). Dalam upaya meminimalisir ketidakpatuhan WP, Direktorat Jenderal Pajak (DJP) melakukan kegiatan pengawasan dan pemeriksaan terhadap WP. WP badan mempunyai kontribusi dominan terhadap penerimaan negara. Dari latar belakang tersebut, diambil pendekatan menggunakan metode clustering dengan algoritma K-Means untuk mengelompokkan Klasifikasi Lapangan Usaha (KLU) sesuai risiko tingkat ketidakpatuhan dan dampak fiskal bagi penerimaan yang dibagi menjadi tinggi, sedang, dan rendah. Hasil pengujian menunjukkan terdapat 9 KLU yang masuk ke dalam kuadran berwarna merah dengan tingkat ketidakpatuhan tinggi (variabel A) dan memiliki dampak fiskal yang tinggi (variabel B). Dengan validasi clustering menggunakan uji silhouette, diperoleh nilai 0,65 untuk variabel A dan 0,93 untuk variabel B. Informasi yang dihasilkan dari penelitian ini dapat dipergunakan untuk mendukung pengambilan keputusan dalam penentuan daftar KLU yang perlu diprioritaskan untuk dilakukan pemeriksaan dan pengawasan. AbstractTax are the main source of state revenue. Therefore, tax authorities around the world are in charged to reducing the tax gap. One of the factors that causes the tax gap is the level of taxpayer compliance. In order to minimising the risk of taxpayers non-compliance, Directorate General of Taxes (DGT) as a Tax Authorities need to supervising and inspecting taxpayers. Corporate taxpayers as one of the largest source of revenue, based on their business sector have a dominant contribution to state revenues. Thus, in this study, the researcher tries to implement the clustering method with the K-Means algorithm to grouping the business classifications (Klasifikasi Lapangan Usaha/KLU) according to the risk of non-compliance level and the fiscal impact on revenue which is divided into high, medium, and low. The results show that there are 9 KLUs that included into the red quadrant with a high level of non-compliance (variable A) and have a high fiscal impact (variable B). Clustering validation using the silhouette test, obtained values of variable A and variable B, respectively 0,65 and 0,93. The information provided from this study can be used to support decision making in determining the list of KLUs that need to be prioritized for supervising and inspecting
Pengujian Rule-Based pada Dataset Log Server Menggunakan Support Vector Machine Berbasis Linear Discriminat Analysis untuk Deteksi Malicious Activity
Get PDFWeb server bertugas menjalankan aplikasi web untuk melayani request dari klien. Setiap interaksi yang dilakukan klien terhadap aplikasi web, tercatat pada catatan log server. Dari log tersebut, terdapat data detail tentang alamat IP, perangkat dan sumber klien, request pengguna, respon server, dan keterangan lainnya. Dari informasi pada log, dapat dipakai untuk keperluan pengamanan sistem, salah satunya dengan cara melakukan analisis menggunakan data mining terhadap aktifitas klien yang tercatat pada log server. Selain itu, jika terdapat file yang diunggah pengguna, dapat juga dikaitkan dalam analisis log server dalam mengenali pola aktifitas dan malicious file. Dataset log yang telah didapat, diolah dengan menggunakan pelabelan rule-based yang nantinya diuji dengan pemodelan Support Vector Machine berbasis Linear Discriminant Analysis. Proses mengklasifikasikan data log server dapat dilakukan untuk mengenali aktifitas yang termasuk serangan, usaha paksa untuk masuk sistem terhadap server atau bukan. Dari pemodelan yang dilakukan, didapat hasil bahwa algoritma SVM berbasis LDA memiliki tingkat akurasi training 90,2% dan testing 89,9% dalam melakukan pengujian rule-based untuk pelabelan aktifitas pada web server. AbstractThe web server is in charge of running web applications to serve requests from clients. Every interaction the client makes to the web application is logged in server logs. From these logs, there are detailed data about IP addresses, client devices and sources, user requests, server responses, and other information. From the information in the logs, it can be used for system security purposes, one of which is by performing analysis using data mining of client activities recorded on the server log. In addition, if there is a file uploaded by a user, it can also be linked in server log analysis in recognizing activity patterns and malicious files. The log dataset that has been obtained is processed using rule-based labeling which will later be tested with a Linear Discriminant Analysis-based Support Vector Machine modeling. The process of classifying server log data can be done to identify activities that include attacks, forced attempts to enter the system against the server or not. From the modeling, the results show that the LDA-based SVM algorithm has a training accuracy rate of 90,2% and testing 89,9% in performing rule-based testing for activity labeling on the web server.
Usability Testing pada M-Commerce Menggunakan Kuisioner USE (Usefulness, Satisfaction, and Ease of Use) dan Performance Test (Studi Kasus: Tokopedia)
Get PDFM-commerce adalah kegiatan membeli dan menjual produk atau layanan menggunakan perangkat seluler. Tokopedia adalah salah satu e-commerce yang saat ini menempati peringkat 3 versi Playstore pada perangkat berbasis android dan peringkat 2 versi Appstore pada perangkat berbasis IOS. Tokopedia mempunyai fitur lain seperti pembelian pulsa, pembayaran tagihan, pemesanan tiket transportasi, angsuran kredit, investasi dan asuransi dan lain-lain. Tingginya peringkat dan banyaknya fitur pastinya diimbangi dengan baiknya usability yang dirasakan pengguna pada aplikasi tersebut. Untuk mengetahui usability sebuah aplikasi perlu dilakukan Usability Testing pada aplikasi tersebut. Dilakukan usability testing kepada 20 participant dengan proportional random sampling pada populasi mahasiswa dengan sistem operasi android dan IOS. Penelitian ini diperoleh nilai usability aplikasi Tokopedia sebesar 4, 14 yang berarti usability aplikasi Tokopedia bisa dikatakan baik dan nyaman digunakan oleh user. Pengalaman antara pengguna android dan IOS juga sama-sama menghasilkan nilai yang baik dibuktikan dengan hasil Independent Sample T-Test sebesar 0, 292 sedangkan pengalaman pengguna laki-laki dan perempuan juga sama-sama mendapatkan pengalaman baik dengan hasil Independent Sample T-Test sebesar 0, 756. Persentase aspek pada kuesioner USE didapatkan sebesar 84% untuk aspek system, 83% untuk aspek user dan 82% untuk aspek interaction. Penelitian juga memperoleh hasil waktu yang dibutuhkan, jumlah error, tingkat keberhasilan, efisiensi waktu dan efisiensi relatif keseluruhan sebagai data pendukung. AbstractM-commerce is the activity of buying and selling products or services using mobile devices. Tokopedia is one of the e-commerce that currently ranks 3rd version of Playstore on android-based devices and 2nd in Appstore version on IOS-based devices. Tokopedia has other features such as credit purchases, bill payments, transportation ticket reservations, credit installments, investments and insurance and others. The high ranking and the number of features are certainly offset by the good usability that users feel on the app. To know the usability of an application needs to be done Usability Testing on the application so that it can be an evaluation material to improve the features and convenience of the application. On the User Interface and User Experience (UI/UX) factors, usability is also one of the important aspects for developers for app development or upcoming updates. This study conducted usability testing with proportional random sampling in the student population with android and IOS operating systems. This study obtained a usability value of Tokopedia application of 4.14 which means the usability of Tokopedia application can be said to be good and comfortable to use by users. The experience between android and iOS users also produced good value as evidenced by the Results of Independent Sample T-Test of 0.292 while the experience of male and female users also both gained good experience with independent sample T-Test results of 0.756. The percentage of aspects in the USE questionnaire was obtained by 84% for the system aspect, 83% for the user aspect and 82% for the interaction aspect. The study also obtained the results of the time required, the number of errors, success rate, time efficiency and overall relative efficiency as supporting data
Pengaruh Metode Pembelajaran Problem Based Learning yang Diperkaya dengan ARCS Motivational Model terhadap Kualitas Manajemen Kelas dan Motivasi Belajar Siswa secara Online pada Mata Pelajaran Pemrograman Dasar di Sekolah Menengah Kejuruan
Get PDFKebijakan pelaksanaan pembelajaran di masa pandemi Covid-19 melahirkan beberapa permasalahan. Pemilihan metode dan pemberian motivasi pada kegiatan belajar mengajar di masa peralihan darurat atau pembelajaran daring, perlu diperhatikan oleh guru agar mencapai tujuan pembelajaran. Penelitian ini menerapkan metode Problem Based Learning yang dipadukan dengan ARCS Motivational Model untuk mengetahui kualitas manajemen kelas dan motivasi belajar pada mata pelajaran Pemrograman Dasar di SMK National Media Center Malang. Pelaksanaan penelitian, yaitu eksperimen jenis post-test control group dengan memberikan perlakuan berbeda terhadap kelas kontrol dan kelas eksperimen. Kemudian dilakukan penyebaran kuesioner berskala Likert yang hasilnya dihitung menggunakan indeks persentase (%), uji normalitas data menggunakan Kolmogorov Smirnov, dan uji hipotesis menggunakan uji t-bebas. Hasil penelitian ini menemukan bahwa penerapan metode Problem Based Learning dan ARCS Motivational Model berpengaruh terhadap kualitas manajemen kelas dan motivasi belajar siswa. Temuan unik dari penelitian ini adalah selisih kualitas manajemen kelas mencapai 6,00% (68,00% di kelas kontrol dan 62,00% di kelas eksperimen) dan selisih motivasi belajar mencapai 4,00% (68,00% di kelas kontrol dan 64,00% di kelas eksperimen). Abstract The policy of implementeting learning during the Covid-19 pandemic gave birth to several problems. The selection of methods and providing motivation for teaching and learning activities during the emergency transition or online learning needs to be considered by teachers in order to achieve learning objectives. This study applies the Problem Based Learning method combined with the ARCS Motivational Model to determine the quality of classroom management and learning motivation in Basic Programming subjects at SMK National Media Center Malang. The implementation of the research, namely the experimental type of post-test control group by giving different treatment to the control class and the experimental class. Then, a Likert-scaled questionnaire was distributed, the results of which were calculated using the percentage index (%), normality test of the data using Kolmogorov Smirnov, and hypothesis testing using the independent t-test. The results of this study found that the application of the Problem Based Learning method and the ARCS Motivational Model had an effect on the quality of classroom management and student learning motivation. The unique finding of this study is the difference in the quality of classroom management reaches 6.00% (68.00% in the control class and 62.00% in the experimental class) and the difference in learning motivation reaches 4.00% (68.00% in the control class and 64.00% in the experimental class).
Rancang Bangun Sistem Konversi Mata Kuliah (Studi Kasus : Prodi Informatika, Fasilkom, UPN "Veteran" Jawa Timur)
Get PDFSalah satu persayaratan akademik untuk lulus dari program sarjana adalah telah menyelesaikan kredit 144 SKS. Permasalahan seringkali ketika dilakukan pencetakan transkrip nilai maka mata kuliah yang muncul seringkali double. Kondisi lain yang seringkali terjadi adalah jumlah SKS yang berkurang dari yang dicatat oleh mahasiswa serta perbedaan nama mata kuliah. Hal ini sangat mungkin terjadi akibat adanya perubahan kurikulum yang terjadi secara berkala pada sebuah prodi. Berdasarkan hal tersebut maka penelitian ini dibuat untuk membangun sistem konversi mata kuliah menggunakan pendekatan terstruktur dengan metode waterfall. Pengembangan sistem konversi memiliki tantangan khususnya pada perancangan antarmuka menu input data KHS yang harus mudah digunakan dan memastikan semua data benar sesuai dengan KHS. Berdasarkan hasil yang diperoleh dari pengujian basic path testing menghasilkan 48 fungsi masuk dengan kategori tingkat risiko rendah terhadap cacat atau error yang memiliki tipe prosedur yang sederhana dan terstruktur dengan baik serta stabil dengan persentase 100%. Persentase dari pengujian yang dapat dilakukan sejumlah 89 pengujian berdasarkan jalur independen adalah sebesar 100%. Dari total 48 fungsi diperoleh hasil yang sama untuk 1 jenis perhitungan menggunakan cyclomatic complexity sehingga bisa dikatakan kode program adalah relevan serta dari 89 skenario uji diperoleh hasil yang valid tanpa eror. Sedangkan berdasarkan hasil ini maka dapat disimpulkan bahwa sistem konversi yang dibangun pada penelitian ini telah memiliki nilai usability yang sangat baik. AbstractOne of the academic requirements to graduate from a bachelor\u27s program is to have completed 144. The problem is when a transcript is printed, the courses that appear are often double. Other conditions that often occur are the number of credits that are less than those recorded by students and differences in course names. This is very likely to occur due to curriculum changes that occur periodically in a study program. Based on this, this research was made to build a course conversion system using a structured approach with the waterfall method. The development of the conversion system has challenges, especially in designing the KHS data input menu interface which must be easy to use and ensure that all data is correct in accordance with KHS. Based on the results obtained from basic path testing, 48 functions are included in the category of low risk level for defects or errors that have a simple and well structured and stable type of procedure with a percentage of 100%. The percentage of tests that can be carried out by 89 tests based on the independent path is 100%. From a total of 48 functions, the same results are obtained for 1 type of calculation using cyclomatic complexity, it can be said that the script code program is relevant and from 89 test scenarios, valid results are obtained without errors. Meanwhile, based on these results, it can be concluded that the conversion system built in this study has a very good usability value
Pembentukan Daftar Stopword Goffman Transition Point dengan Pembobotan Emoji pada Analisis Sentimen di Twitter
Get PDFAnalisis sentimen atau opinion mining merupakan proses mengekstrak data teks sehingga didapatkan informasi yang terkandung dalam suatu data. Dalam proses ekstraknya, terdapat tahapan stopword removal untuk menghapus kata-kata tidak penting dengan menggunakan stopword. Stopword telah banyak disediakan dalam digital library dengan berisikan kata-kata tidak penting, tetapi tidak semua kata-kata tersebut tidak penting dalam suatu data atau kasus tertentu. Penelitian ini berfokus pada perbandingan terhadap stopword Tala dengan pembentukan stopword dari data latih menggunakan metode Goffman Transition Point yang merupakan pengembangan dari metode Zipf Law dengan menggunakan metode klasifikasi K-Nearest Neighbour (KNN) serta menambahkan pembobotan emoji dalam proses pembobotannya. Hasil penelitian ini menunjukkan dengan pembentukan stopword menggunakan metode Zipf Law menunjukkan nilai akurasi sebesar 73,6% dan menggunakan pembobotan emoji dengan nilai K yang dipakai metode KNN K = 17 tetapi jika tidak menggunakan pembobotan emoji akurasinya menjadi 72.9%. Formula jarak yang digunakan adalah Cosine distance. Jika dengan menggunakan stopword Tala dengan parameter yang sama menghasilkan akurasi sebesar 73% dengan pembobotan emoji dan 71,9% tanpa pembobotan emoji. Berdasarkan hasil tersebut dapat disimpulkan bahwa pembentukan stopword dan pembobotan emoji dapat meningkatkan akurasi. AbtractSentiment analysis or opinion mining is the process of extracting text data, so that the information contained in the data is obtained. In the extracting process, there are stopword removal steps to remove unnecessary words by using a stopword. Many stopwords have been provided in digital libraries containing unimportant words, but not all of these words are not important in a particular data or case. This study focuses on the comparison of the stopword tala with the formation of a stopword from training data using the Goffman Transition Point which is a development of the Zipf Law method using the K-Nearest Neighbor (KNN) classification method and adding emoji weighting in the weighting process. The results of this study indicate that the formation of a stopword using the zipf law method shows an accuracy value of 73.6% and using emoji weighting with the K value used by the KNN method with K = 17 but if you don’t use emoji weighting the accuracy will be 72.9%. The distance formula used is the cosine distance. Using a stopword Tala with the same parameters produces an accuracy of 73% with emoji-weighted and 71.9% without emoji-weighted. Based on these results it can be concluded that the formation of stopwords and weighting of emojis can improve accuracy
Klasifikasi Citra Sampah Menggunakan Support Vector Machine dengan Ekstraksi Fitur Gray Level Co-Occurrence Matrix dan Color Moments
Get PDFSampah merupakan salah satu permasalahan global yang dihadapi seluruh dunia termasuk Indonesia. Apabila tidak dikelola dengan baik, jenis dan volume sampah yang semakin meningkat dapat berdampak buruk pada lingkungan dan kesehatan manusia. Pemilahan sampah merupakan langkah awal dalam melakukan berbagai jenis pengolahan sampah. Pemilahan sampah secara manual tidak mudah dilakukan mengingat jumlahnya yang amat besar, sehingga otomatisasi pemilahan sampah diperlukan. Penelitian ini mengusulkan klasifikasi citra sampah menggunakan Support Vector Machine (SVM) dengan ekstraksi fitur Gray Level Co-Occurrence Matrix (GLCM) dan Color Moments serta mengoptimalkan kinerja terbaik dalam proses klasifikasinya. Dataset TrashNet digunakan untuk mengevaluasi metode yang diusulkan. Beberapa parameter penting yang digunakan dalam penelitian ini adalah orientasi sudut GLCM, parameter C (soft margin) pada SVM, dan parameter ???? pada Radial Basis Kernel (RBF). Pembagian data dilakukan menggunakan 10-Fold Cross Validation. Hasil penelitian menunjukkan bahwa kombinasi fitur GLCM dengan orientasi sudut 45° dan Color Moments memberikan rata-rata akurasi terbaik sebesar 78,87% dengan menggunakan parameter C bernilai 32 dan parameter γ bernilai 4. Hasil pengujian terbaik diperoleh pada fold ke-3 dengan akurasi sebesar 85,43% yang digunakan sebagai skenario pengujian data baru. Pengujian terhadap 30 citra sampah baru menggunakan model terbaik memperoleh akurasi sebesar 70%. AbstractWaste is one of the global problems faced by the whole world, including Indonesia. Improper waste management can harm the environment and interfere with health. Waste management involved several steps in handling waste, the first one being waste sorting. In Indonesia, waste sorting is still performed manually. Manual waste sorting is not easy to do because the waste amount is very large. Therefore, automatic waste detection technology is needed to support more optimal waste sorting. This study proposes waste image classification using Support Vector Machine (SVM) with Gray Level Co-Occurrence Matrix (GLCM) and Color Moments as the features. The TrashNet dataset is used to evaluate the proposed method. In addition, 30 additional waste image outside trashnet is used as testing data. Some of the important parameters that are tuned in this study are the angle orientation of the GLCM, C (soft margin) parameter on the SVM, and ???? parameter on the Radial Base Kernel (RBF). Data splitting is done using 10-Fold Cross Validation. The results showed that the combination of GLCM features with 45° angle orientation and Color Moments gave the best average accuracy of 78.87% using C parameter with a value of 32 and γ parameter with a value of 4. The best test results were obtained in the third fold with an accuracy of 85, 43%. This result is used to test the 30 test image outside the TrashNet dataset, and achieve accuracy of 70%
Konsep Decision Tree Reptree untuk Melakukan Optimasi Rule dalam Fuzzy Inference System Tsukamoto
Get PDFPenelitian ini menjelaskan tentang decision tree REPTree dalam membuat suatu rule yang terbentuk dari produksi minyak kelapa sawit di PT Tapiana Nadenggan, yang dipengaruhi oleh faktor banyaknya kelapa sawit, permintaan yang ada, serta persediaan yang tersedia. Konsep dari decision tree REPTree adalah konsep awal dari decision tree J48 yang kemudian mengalami pemangkasan kembali, sehingg rule yang yang terbentuk lebih minimal dan praktis. Rule yang minimal dan praktis belum tentu dapat dikatakan terbaik, untuk membuktikan hal itu perlu adanya uji coba dan pembuktian. Pembuktian yang dilakukan dalam penelitian ini salah satunya dengan menggunakan perbandingan decision tree J48 dan Random Tree dengan tujuan untuk mengetahui optimasi rule yang terbentuk dengan menggunakan metode fuzzy inference system Tsukamoto, setelah dihitung bahwa decision tree REPTree mempunyai Average Forecasting Error Rate (AFER) yang lebih kecil sebesar 23,17% dengan nilai kebenaran 76,83%, sedangkan J48 memiliki tingkat error sebesar 24,96%, dengan nilai kebenaran 75,04%, sementara Random Tree memiliki tingkat error sebesar 36,51%, dengan nilai kebenaran 63,49% pada kasus prediksi produksi minyak kelapa sawit di PT Tapiana Nadenggan. AbstractThis research explains about REPTree\u27s decision tree in making a rule that is formed from the production of palm oil in PT Tapiana Nadenggan, which is influenced by factors of the amount of palm oil, existing demand, and available supplies. The concept of the REPTree decision tree is the initial concept of the J48 decision tree which then experiences pruning, so that the rules formed are more minimal and practical. A minimum and practical rule may not be the best, to prove that there is a need for trials and proofs. Proof carried out in this research is one of them by using a comparison of decision trees J48 and Random Tree with the aim to find out the optimization of rules formed using the Tsukamoto system\u27s fuzzy inference method, after calculating that the REPTree decision tree has a more average Forecasting Error Rate (AFER) error tree small of 23.17% with a truth value of 76.83%, while J48 has an error rate of 24.96%, with a truth value of 75.04%, while Random Tree has an error rate of 36.51%, with a truth value of 63, 49% in the case of prediction of palm oil production at PT Tapiana Nadenggan
Klasifikasi Siswa Slow Learner untuk Mendukung Sekolah dalam Meningkatkan Pemahaman Siswa Menggunakan Algoritma Naïve Bayes
Get PDFTidak semua siswa sekolah bisa menangkap materi dengan kemampuan yang sama dikarenakan tingkat kecerdasan dan kemampuan belajar setiap anak berbeda - beda. Ada siswa yang kemampuan belajarnya rendah sehingga lambat dalam memahami materi yang biasa disebut sebagai slow learner. Siswa slow learner ini perlu perlakuan yg khusus supaya dapat memahami materi seperti siswa lainnya. Siswa slow learner yang tidak terdeteksi dapat memperlambat kegiatan belajar mengajar karena guru harus mengulang kembali menjelaskan materi untuk membuat siswa memahami materi tersebut. Penelitian ini bertujuan untuk mengklasifikasikan siswa slow learner dan non slow learner dan menghasilkan visualisasi dashboard yang dapat digunakan untuk membantu sekolah. Penelitian ini mengangkat studi kasus siswa kelas XI dan XII SMA Tunas Luhur yang berjumlah 89 siswa. Penelitian ini menggunakan algoritma naive bayes untuk klasifikasi dan cross validation 10 folds sebagai metode pengujian. Hasil pengujian didapatkan nilai akurasi 0.92857, precison 0.94736, recall 0.97297 , dan F-measure 0.96 serta hasil pengujian visualisasi dashboard menggunakan kuesioner System Usability Scale yang menghasilkan skor 71.75 atau acceptable. Algoritma naïve bayes berhasil mengklasifikasikan siswa slow learner dan non slow learner dengan baik, dan visualisasi dashboard bisa diterima dengan baik oleh pihak sekolah. AbstractNot all school students can capture material with the same abilities because each child\u27s level of intelligence and learning ability are different. There are students whose learning ability is low so that it is slow in understanding the material commonly referred to as slow learner. These slow learner students need special treatment in order to understand the material like other students. Undetectable slow learner students can slow down teaching and learning activities because teachers have to redo explain the material to make students understand the material. This study aims to classify slow learner and non slow learner students and produce dashboard visualizations that can be used to help schools. This study raised the case study of grade XI and XII students of Tunas Luhur High School which amounted to 89 students. The study used naive bayes algorithms for classification and cross validation of 10 folds as a testing method. The test result obtained an accuracy score of 0.92857, precison of 0.94736, recall of 0.97297 , and F-measure of 0.96 and dashboard visualization test results using the System Usability Scale questionnaire which resulted in a score of 71.75 or acceptable. Bayes\u27 naïve algorithm successfully classifies slow learner and non-slow learner students well, and dashboard visualization is well received by the school