Abstract:Abstract: In the health sector, information technology was initially used for exchanging information between patients and doctors, health services, and exchanging health documents. The aim of applying information technology…
ogy to the health sector is to increase the effectiveness and efficiency of the performance of doctors and clinic staff. This research uses COBIT 2019 as a framework for evaluating information technology governance. Primary data is collected directly from the research subjects through observation and interviews, while secondary data is sourced from other materials, such as documents or websites related to the research subject. This research focuses on Risk Profile and I&T Related Issues, with domains: APO11 – Managed Quality, and APO13 – Managed Security. Through interviews and evaluation, each priority objective was found to be at capability level 2 with ratings of 100% and 86% respectively. There are no significant gaps between the current capability levels; both are at level 2.
Keywords: auditing; COBIT 2019; telemedicine
Abstrak: Di sektor kesehatan, teknologi informasi awalnya digunakan untuk pertukaran informasi antara pasien dan dokter, layanan kesehatan, dan pertukaran dokumen kesehatan. Tujuan penerapan teknologi informasi di sektor kesehatan adalah untuk meningkatkan efektivitas dan efisiensi kinerja dokter dan staf klinik. Penelitian ini menggunakan COBIT 2019 sebagai kerangka kerja untuk mengevaluasi tata kelola teknologi informasi. Data primer dikumpulkan langsung dari subjek penelitian dengan melakukan pengamatan dan interaksi langsung, sementara data sekunder diperoleh dari sumber lain. didapatkan dari jurnal atau situs website yang berkaitan dengan subjek penelitian. Penelitian ini berfokus pada Risk Profile dan I&T Related Issues, dengan domain : APO11 – Managed Quality, dan APO13 – Managed Security. Melalui wawancara dan evaluasi, setiap tujuan prioritas ditemukan berada pada level kapabilitas 2 dengan nilai masing-masing 100% dan 86%. Tidak ada kesenjangan signifikan antara tingkat kapabilitas saat ini; keduanya berada pada level 2.
Kata kunci: audit; COBIT 2019; telemedis
Abstract:Abstract: College libraries are built and designed based on the needs of the academic community to support learning, research, and community service. Management of higher education institutions in Indonesia refers to Organizing…
anizing libraries in Indonesia is regulated in National Library Director Regulation No. 13 of 2017. College libraries currently use information technology to support operations. To assess the alignment of a university's goal of providing a library that complies with information technology regulations and management, library management needs to be audited. At the ISB Atma Luhur library, audits were carried out using the COBIT 4.1 framework. especially in the Acquire and Implement (AI) domain. The AI domain is a domain that assesses whether plans have been successfully acquired and implemented. This research uses interview and questionnaire methods as primary data source data collection media. The respondents involved were the head of the library and the ISB Atma Luhur library staff. The results of data processing show that the AI domain is at 2,754 with a maturity level of 3-Define Process. Of the 7 control objectives under the AI domain, AI4 Anable Operation and Use is the highest control objective with 3.28. Meanwhile, the lowest control objective is AI2 Acquire and maintain application software with 2.50.
Keywords: acquire and implement COBIT 4.1; college library ; information systems audit.
Abstrak: Perpustakaan perguruan tinggi dibangun dan dirancang berdasarkan kebutuhan civitas akademika untuk menunjang pembelajaran, penelitian dan pengabdian kepada masyarakat. Pengelolaan perguruan tinggi di Indonesia mengacu pada Penyelenggaraan perpustakaan di Indonesia diatur dalam Peraturan Kepala Perpustakaan Nasional Nomor 13 Tahun 2017. Perpustakaan perguruan tinggi saat ini sudah memanfaatkan teknologi informasi untuk menunjang operasionalnya. Untuk menilai keselarasan tujuan perguruan tinggi dalam menyediakan perpustakaan yang sesuai dengan regulasi dan pengelolaan teknologi informasi, maka pengelolaan perpustakaan perlu dilakukan audit. Pada perpustakaan ISB Atma Luhur, audit dilakukan dengan menggunakan framework COBIT 4.1. khususnya di domain Acquire and Implement (AI). Domain AI adalah domain yang menilai apakah rencana telah berhasil diperoleh dan diterapkan. Audit sistem informasi perpustakaan ini bertujuan untuk menilai keselarasan rencana dan akuisisi impelentasi sistem untuk meningkatkan layanan perpustakaan. Penelitian ini menggunakan metode wawancara dan angket sebagai media pengumpulan data sumber data primer. Responden yang terlibat adalah kepala perpustakaan dan staf perpustakaan ISB Atma Luhur. Hasil pengolahan data menunjukkan domain AI berada pada angka 2.754 dengan tingkat kematangan 3-Define Process. Dari 7 tujuan pengendalian dalam domain AI, AI4 Anable Operation and Use merupakan tujuan pengendalian tertinggi dengan nilai 3,28. Sedangkan tujuan pengendalian terendah adalah AI2 Memperoleh dan memelihara perangkat lunak aplikasi dengan nilai 2,50.
Kata kunci: acquire and implement COBIT 4.1.; audit sistem informasi; perpustakaan perguruan tinggi.
Abstract:The laboratory is one of the facilities owned by the FMIPA Laboratory, which is one of the facilities owned by Tanjungpura University to support tridharma activities. There are several problems in laboratory management,…
namely that management is carried out manually, so it takes a long time to apply for the loan of laboratory equipment and to prepare a free laboratory loan letter. In order to improve services, ensure data security, and accommodate all laboratory data, it is necessary to develop an FMIPA laboratory information system (SILABMIPA). The FAST framework is used in developing SILABMIPA to suit user needs. The analysis and development of SILABMIPA follows the FAST method with the stages Scope Definition, Problem Analysis, Requirements Analysis, Logical Design, Decision Analysis, Physical Design and Integration, Construction and Testing. With the construction of SILABMIPA, it can make it easier for managers to manage laboratories, assist students in applying for and borrowing equipment, as well as making laboratory loan-free certificates. Based on the results of system functional testing against SILABMIPA, it was found that the system operates well in accordance with the user's functional needs, while the results of system interface testing obtained a percentage of 82.60% in the very good category.
Abstract:Abstract: Generally, people still use a simple key system. The door opening function still uses conventional (manual) keys such as locking levers, sliding locks or rotating hinges. The widespread use of keys as a general…
security method often results in the loss of keys while traveling. For this reason, this research aims to maintain a home or place security system that must be protected with a knock sensor at an affordable price among the public. This system uses a knock key piezoelectric sensor, Arduino Uno. So it produces a smart door using a knock sensor, where when it is knocked the knock is automatically read by the sensor.
Keywords: knock piezoelectric sensor; arduino uno.
Abstrak: Umumnya masyarakat masih menggunakan sistem kunci yang sederhana. Fungsi bukaan pintu masih menggunakan kunci konvensional (manual) seperti tuas pengunci, kunci geser atau engsel putar. Meluasnya penggunaan kunci sebagai metode keamanan umum seringkali mengakibatkan hilangnya kunci saat bepergian. Untuk itu penelitian ini bertujuan untuk menjaga sistem keamanan rumah atau tempat yang harus dilindungi dengan sensor ketukan dengan harga yang terjangkau dikalangan masyarakat. Sistem ini menggunakan sensor piezoelektrik kunci ketuk, arduino uno. Sehingga menghasilkan pintu pintar dengan menggunakan sensor ketukan, dimana ketika diketuk otomatis ketukan itu terbaca dengan sensor tersebut.
Kata kunci: sensor piezoelektrik kunci ketuk; arduino uno.
Abstract:Abstract: This research will discuss predictions of demand for robes at the Fashion Gallery. The problem that occurs is that there is often a buildup in the number of robes provided in shops, thereby increasing additional…
l expenses, such as storage costs and demand costs. On the other hand, if there is too little stock of robes, it will result in losses because potential buyers do not get the items they need. In this case, the forecasting system will be used as a tool to solve the problem of robe accumulation. The WMA method prioritizes the most recent data points while smoothing out fluctuations. The advantage of this method is increased responsiveness to recent changes in demand patterns, contributing to more accurate forecasts by considering current information more prominently than historical data. By implementing the WMA method, it is hoped that the accumulation of robes can be avoided. From the results of prediction calculations in January 2024, it is predicted that there will be 143 adult robes, with a MAD of 7.685185, MSE 74.79938 and MAPE 5%. For small children's robes, it is predicted that there will be 56 shirts, with MAD of 8.388889, MSE of 91.16358 and MAPE of 12%. It can be concluded that the WMA method can make it easier for Fashion Gallery to predict demand for adult and children's robes in the following month.
Keywords: forecasting; robe request; weighted moving average
Abstrak: Dalam penelitian ini akan membahas prediksi permintaan baju gamis pada Fashion Gallery. Permasalahan yang terjadi sering terjadinya penumpukan pada jumlah baju gamis yang disediakan pada toko, sehingga meningkatkan beban tambahan, seperti biaya penyimpanan dan biaya permintaan. Sebaliknya, apabila stok gamis yang terlalu sedikit, mengakibatkan kerugian yang disebabkan karena calon pembeli tidak mendapatkan barang yang dibutuhkan. Dalam hal ini sistem forecasting akan digunakan sebagai alat bantu dalam menyelesaikan permasalahan penumpukan baju gamis. Metode WMA, lebih mementingkan titik data terkini sambil memperlancar fluktuasi. Kelebihan metode ini meningkatkan daya tanggap terhadap perubahan pola permintaan terkini, berkontribusi pada perkiraan yang lebih akurat dengan mempertimbangkan informasi terkini secara lebih menonjol dibandingkan data historis. Dengan diterapkannya metode WMA, diharapkan dapat menghindari terjadinya penumpukan baju gamis. Dari hasil perhitungan prediksi pada bulan Januari 2024, untuk baju gamis dewasa diprediksi sebanyak 143 baju, dengan MAD sebesar 7.685185, MSE 74.79938 dan MAPE 5%. Untuk baju gamis anak kecil diprediksi sebanyak 56 baju, dengan MAD sebesar 8.388889, MSE 91.16358 dan MAPE sebesar 12%. Dapat disimpulkan bahwa metode WMA dapat memudahkan Fashion Gallery dalam meramalkan permintaan baju gamis dewasa dan anak-anak pada bulan berikutnya.
Kata Kunci: forecasting; permintaan baju gamis; weighted moving average
Abstract:Abstract: Recognizing one's interests and talents early on is crucial in guiding an individual toward a prosperous future. While distinct, interests and talents share a close relationship. Interest denotes a genuine attraction…
action to something without external pressure, and when consistently nurtured, it evolves into a skill or talent. Machine learning, specifically utilizing the SVM algorithm with the RBF kernel, can be applied to categorize interests and talents. Prior to SVM modeling, conducting Exploratory Data Analysis (EDA) is imperative for scrutinizing interests and talents. This analysis facilitates the identification of variables, enabling the elimination of missing values and ensuring the selection of appropriate interest and talent variables. The primary objective is to achieve optimal accuracy in modeling the classification of interests and talents. The insights gained from this research contribute to the creation of an application designed for categorizing interests and talents within SDN XYZ school. This application is designed for student use, assisting them in making informed decisions about their future education and career paths
Keywords: exploratory data analysis; interests and talents; machine learning; SVM Algorithm
Abstrak: Mengenali minat dan bakat seseorang sejak dini sangat penting dalam membimbing individu menuju masa depan yang sukses. Meskipun berbeda, minat dan bakat memiliki hubungan yang erat. Minat mengindikasikan ketertarikan yang tulus terhadap sesuatu tanpa tekanan eksternal, dan ketika terus-menerus dibina, berkembang menjadi keterampilan atau bakat. Pembelajaran mesin, khususnya dengan menggunakan algoritma SVM dan kernel RBF, dapat digunakan untuk mengelompokkan minat dan bakat. Sebelum pemodelan SVM, melakukan Analisis Data Eksploratif (EDA) sangat penting untuk mengkaji minat dan bakat. Analisis ini memfasilitasi identifikasi variabel, memungkinkan penghilangan nilai yang hilang, dan memastikan pemilihan variabel minat dan bakat yang tepat. Tujuan utamanya adalah mencapai akurasi optimal dalam pemodelan klasifikasi minat dan bakat. Temuan dari penelitian ini berkontribusi pada pengembangan aplikasi yang ditujukan untuk mengkategorikan minat dan bakat di sekolah SDN XYZ. Aplikasi ini dirancang untuk digunakan oleh siswa, membantu mereka membuat keputusan yang terinformasi mengenai pendidikan dan karier masa depan mereka.
Kata kunci: Algoritma SVM; exploratory data analysis; machine learning; minat dan bakat
Abstract:Abstract: Artificial Intelligence (AI) is currently gaining popularity across various industries, including healthcare, finance, and others. In this study, AI technology is employed to devise an optimal marketing strategy…
y for Code Verse Computer Accessories Store using the K-Means algorithm. As part of machine learning, the K-Means algorithm, categorized under unsupervised learning, is implemented to cluster sales data for computer accessory products over the last three months of 2023. The results of the K-Means analysis identify two main clusters. Cluster one (Cluster 1) comprises products such as Mouse, Keyboard, Monitor, Headset, and Speaker, indicating consistent purchasing patterns and high consumer interest. Recommendations are made to increase stock for Cluster 1. Meanwhile, Cluster two (Cluster 2) consists of Mic products with lower interest, and it is not advisable to increase stock. The implementation of K-Means provides insights into purchasing patterns, enabling Code Verse to develop more effective marketing and inventory management strategies.
Keywords: K-Means algorithm; artificial intelligence; clustering
Abstract: Kecerdasan Buatan (AI) kini meraih popularitas dalam berbagai industri, termasuk sektor kesehatan, keuangan, dan lainnya. Pada penelitian ini, teknologi AI digunakan untuk merancang strategi pemasaran optimal bagi Toko Aksesoris Komputer CodeVerse dengan menggunakan Algoritma K-Means. Sebagai bagian dari machine learning, Algoritma K-Means, yang termasuk dalam kategori unsupervised learning, diimplementasikan untuk mengelompokkan data penjualan produk selama tiga bulan terakhir tahun 2023. Hasil dari analisis K-Means mengidentifikasi dua cluster utama. Cluster pertama (Cluster 1) terdiri dari produk Mouse, Keyboard, Monitor, Headset, dan Speaker, menunjukkan pola pembelian yang konsisten dan tingginya minat konsumen. Rekomendasi untuk menambah stok diberikan. Sementara itu, Cluster kedua (Cluster 2) terdiri dari produk Mic dengan minat lebih rendah, dan tidak disarankan untuk menambah stok. Implementasi K-Means memberikan wawasan tentang pola pembelian, memungkinkan CodeVerse mengembangkan strategi pemasaran dan manajemen persediaan yang lebih efektif.
Keywords: Algoritma k-means; kecerdasan buatan; clustering
Abstract:Abstract: Gross Regional Domestic Product (GRDP) is one of the most important socio-economic indicators. In order to gain a more comprehensive understanding of the current economic situation and regional differences, estimating…
imating GRDP using integration of satellite imagery and official statistics data can provide valuable information. This research estimates the GRDP value in 2022 by using data in 2019 to 2021 related to two aspects, agriculture and non-agriculture. Soil adjusted vegetation index (SAVI), enhanced vegetation index (EVI), and land cover (LC) used as agriculture aspect, while nighttime light (NTL), human settlement index (HSI), land area, and population per regency/city used as non-agriculture aspect. GRDP estimation are produced with machine learning approach using support vector machine (SVM) and random forest (RF) method. Correlation test on each variable shows only land area that does not have a significant correlation with GRDP. RF model then chosen as the best model with RMSE, MSE, MAE, and R2 value of 0.2549; 0.5049; 0.7727; and 0.2543, respectively. The estimated values acquired in several regencies/cities have rather near, some even very close to the official statistics values.
Keywords: GRDP; satellite imagery; machine learning; random forest; support vector machine
Abstrak: Produk Domestik Regional Bruto (PDRB) merupakan salah satu indikator sosio-ekonomi yang penting. Penghitungan nilai PDRB dengan pendekatan yang melibatkan kombinasi data citra satelit dan statistik resmi dapat memberikan informasi serta pemahaman yang lebih komprehensif. Penelitian ini melakukan estimasi nilai PDRB pada tahun 2022 menggunakan data tahun 2019 hingga 2021 dengan melibatkan dua aspek, agrikultur dan non-agrikultur. Data soil adjusted vegetation index (SAVI), enhanced vegetation index (EVI), dan tutupan lahan (land cover/LC) digunakan sebagai aspek agrikultur, sementara data citra cahaya malam (NTL), human settlement indeks (HSI), luas wilayah kabupaten/kota, dan jumlah populasi per kabupaten/kota digunakan sebagai aspek non-agrikultur. Estimasi PDRB dihasilkan dengan menggunakan pendekatan machine learning berupa support vector machine (SVM) dan random forest (RF). Pengecekan korelasi antarvariabel menunjukkan bahwa hanya variabel luas wilayah tidak berpengaruh signifikan terhadap nilai PDRB. Model random forest kemudian dipilih sebagai model terbaik dengan nilai evaluasi RMSE, MSE, MAE, dan berturut-turut sebesar 0.2549, 0.5049, 0.7727, dan 0.2543. Nilai estimasi yang diperoleh di beberapa kabupaten/kota cukup mendekati, bahkan ada yang sangat dekat dengan nilai statistik resmi.
Kata kunci: PDRB; citra satelit; machine learning; random forest; support vector machine
Abstract:Abstract: There are a great number of academics that are now conducting research on sentiment analysis by employing supervised and machine learning techniques. The research can be carried out with the assistance of a variety…
iety of sources, including reviews of movies, reviews of Twitter, reviews of online products, blogs, discussion forums, and other social networks. With the progress of technology, individuals may now effortlessly utilize social media platforms to access and share information, as well as express their viewpoints to the general public, without any constraints of distance or time. Twitter is a social media network that serves as a repository for opinions. Diverse techniques are employed to provide optimal and realistically precise pressure detection. The analysis and discussion affirm that the Support Vector Machine (SVM) was effectively employed in this study, utilizing public opinion data on television program reviews in Indonesia. An SVM classifier is employed to examine the Twitter data set by utilizing various parameters. The study successfully completed the preprocessing process by collecting a total of 400 data points, consisting of 320 reviews from 4 television shows for training data and 80 reviews for testing. The data was filtered and classified using SVM, with 200 positive and 200 negative data points for comparison. The experiment utilized the SVM method using TF-IDF to achieve the most accurate test results. The test accuracy was 80%, while the training data accuracy reached 100%.
Keywords: Sentiment Analysis; Support Vector Machine; Television Shows Review, TF-IDF,
Abstrak: Saat ini, banyak akademisi sedang menyelidiki analisis sentimen melalui pemanfaatan teknik yang diawasi dan pembelajaran mesin. Kajian dapat dilakukan dengan menggunakan beberapa sumber seperti review film, review Twitter, review produk online, blog, forum diskusi, atau jejaring sosial lainnya. Dengan kemajuan teknologi, masyarakat kini dapat dengan mudah memanfaatkan platform media sosial untuk mengakses dan berbagi informasi, serta menyampaikan pandangan mereka kepada masyarakat umum, tanpa batasan jarak dan waktu. Twitter adalah jaringan media sosial yang berfungsi sebagai gudang opini. Beragam teknik digunakan untuk menghasilkan deteksi tekanan yang optimal dan presisi secara realistis. Analisis dan pembahasan menegaskan bahwa Support Vector Machine (SVM) efektif digunakan dalam penelitian ini, memanfaatkan data opini publik tentang review program televisi di Indonesia. Pengklasifikasi SVM digunakan untuk memeriksa kumpulan data Twitter dengan memanfaatkan berbagai parameter. Penelitian berhasil menyelesaikan proses preprocessing dengan mengumpulkan total 400 titik data yang terdiri dari 320 review dari 4 acara televisi untuk data pelatihan dan 80 review untuk pengujian. Data disaring dan diklasifikasikan menggunakan SVM, dengan 200 titik data positif dan 200 titik data negatif sebagai perbandingan. Percobaan ini menggunakan metode SVM dengan menggunakan TF-IDF untuk mencapai hasil pengujian yang paling akurat. Akurasi pengujiannya mencapai 80%, sedangkan akurasi data pelatihan mencapai 100%.
Kata kunci: Analisis Sentimen, Review Tayangan Televisi, TF-IDF, Support Vector Machine
Abstract:Abstract: Stunting is one of the nutritional problems that the world pays the most attention to and a major nutritional problem in Indonesia. Stunting is a problem in toddler growth which is characterized by a toddler's…
height that is too short compared to toddlers of his age. In the research location, namely Asahan Regency, the mapping of areas prone to increased stunting rates has not been carried out optimally. The process of exploring the stunting data warehouse is useful for adding information that can assist the government in making policies. Therefore, the aim of this research is to map stunting-prone areas in Asahan district based on the number of stunting cases in Asahan district using the machine learning-based K-Means clustering model. Based on previous research reviews, the k-means clustering method used has not used the normalization process. In addition, distance measurement only uses Euclidean Distance. Meanwhile, in this research, clustering performance analysis was carried out using a more in-depth process, namely by applying data normalization at the beginning, using the elbow method to determine the best number of clusters (K), measuring distance using Euclidean Distance, Manhattan Distance and Minkowski Distance to obtain comparison results. better clusters. The analysis results show that the best number of clusters is cluster 2 which shows the mapping results into 2 groups with a DBI of 0.51290 and a silhouette_score of 0.71432.
Keywords: stunting; k-means clustering; machine learning
Abstrak: Stunting menjadi salah satu permasalahan gizi yang paling diperhatikan dunia dan permasalahan gizi yang utama di Indonesia. Stunting merupakan masalah pada pertumbuhan balita yang ditandai dengan tinggi badan balita yang terlalu pendek dibanding balita seusianya. Pada lokasi penelitian yaitu Kabupaten Asahan, pemetaan daerah rawan peningkatan angka stunting belum dilakukan dengan optimal. Proses eksplorasi gudang data stunting ini berguna untuk menambah informasi yang dapat membantu pemerintah dalam mengambil kebijakan. Maka dari itu, tujuan dari penelitian ini adalah pemetaan daerah rawan stunting di kabupaten Asahan berdasarkan jumlah kasus stunting di Kabupaten Asahan menggunakan model clustering metode K-Means berbasis machine learning. Berdasarkan tinjauan penelitian terdahulu, metode k-means clustering yang digunakan belum menggunakan proses normalisasi. Selain itu, pengukuran jarak hanya menggunakan Euclidean Distance. Sedangkan dalam penelitian ini, analisis kinerja clustering yang dilakukan dengan proses yang lebih mendalam yaitu dengan penerapan normalisasi data di awal, penggunaan elbow method untuk penentuan jumlah cluster (K) terbaik, pengukuran jarak dengan Euclidean Distance, Manhattan Distance dan Minkowski Distance untuk mendapatkan hasil perbandingan cluster yang lebih baik. Hasil analisis menunjukkan bahwa jumlah cluster terbaik yaitu cluster 2 yang menunjukkan hasil pemetaan menjadi 2 kelompok dengan DBI 0.51290 dan silhouette_score sebesar 0.71432.
Kata kunci: stunting; k-means clustering; machine learning