Jurnal Komputer Terapan

Identifikasi Cluster Penduduk Usia Kerja Sumatera Selatan Menggunakan Metode K-Modes

2019-03-20T07:46:48+00:00

Kelompok penduduk usia yang belum produktif (<15 tahun) dan kelompok penduduk yang tidak lagi produktif (>64 tahun) bergantung pada penduduk usia kerja. Semakin tinggi jumlah penduduk yang tidak produktif maka semakin tinggi rasio ketergantungan yang ada pada suatu negara. Jika penduduk usia kerja banyak yang bekerja maka akan mendorong ekonomi negara tetapi sebaliknya akan menciptakan ketidakstabilan sosial maupun politik. Indonesia diperkirakan akan menghadapi bonus demografi puncaknya pada tahun 2030. Untuk mempermudah penduduk usia kerja mendapatkan pekerjaan maka dibutuhkan pembangunan dan kebijakan pemerintah salah satunya pemerintah Sumatera Selatan. Membuat kebijakan membutuhkan gambaran keadaan penduduk usia kerja yang dapat diperoleh dengan menggelompokan data sensus provinsi Sumatera selatan tahun 2010 yang diproleh dari Badan Pusat Statistik menjadi beberapa cluster dan melihat pola dari setiap cluster. Data akan di cluster dengan menggunakan R-studio dengan metode K-modes. Dari hasil nilai silhouette yang diperoleh maka penduduk usia kerja akan dikelompokan menjadi 8 cluster. C1 sebanyak 132.866 objek yang merupakan kumpulan laki-laki yang tinggal di desa dan masih bekerja, C2 sebanyak 68.281 orang dimana sebagian besar memiliki usia 25 tahun yang masih sekolah C3 sebanyak 47.38 orang perempuan tinggal di desa dan tidak bekerja, C4 sebanyak 51.925 orang dimana sebagian besar merupakan perempuan yang tinggal di desa, C5 sebanyak 62.411 orang rata-rata laki-laki tinggal di kota yang bekerja di bidang jasa kesehatan, perdagangan dan konstruksi, C6 sebanyak 31.542 orang yang merupakan kelompok perempuan yang tinggal di desa bekerja yang rata-rata memiliki 1 anak, C7 (31932 jiwa) laki-laki belum menikah < 30 tahun yang bekerja di perkebunan,dan terakhir C8 sebanyak 46.074 jiwa kumpulan ibu rumah tangga yang tinggal di kota.

Analisis IT Governance SIPKD di Kantor Pemerintahan Kota Tanjung Pinang Pendekatan COBIT Framework

2019-03-20T07:51:27+00:00

Penelitian ini membahas tentang kondisi tata kelola teknologi informasi di Kantor Pemerintahan Kota Tanjung Pinang. Penelitian ini bertujuan untuk mengetahui sejauh mana Kantor Pemerintahan Kota Tanjung Pinang telah menerapkan tata kelola TI yang baik. Fokus Penelitian ini hanya pada 2 dominan COBIT 5.0 yaitu PO dan ME terdiri dari 80 detailed control objective sementara domain AI dan DS telah dinilai memenuhi standar pengelolaan teknologi informasi yang baik yaitu pada level 3 (defined). Pengumpulan data dilakukan dengan cara menyebarkan kuisioner, wawancara dan obervasi secara langsung. Ketiga metode tersebut berpatokan pada model COBIT 5.0. Hasil pengolahan data akan digunakan untuk mencari kelemahan-kelemahan yang terdapat pada setiap domain. Temuan kelemahan atau masalah akan di bandingkan dengan kondisi ideal yang telah di tetapkan COBIT 5.0 pada setiap levelnya, sehingga dapat diketahui rekomendasi yang cocok untuk diterapkan. Masalah utama yang ditemui adalah manajemen belum memahami arti pentingnya investasi pada bidang teknologi informasi, manajemen risiko yang belum dikelola dengan baik, dan kemampuan SDM yang masih kurang. Sehingga mengakibatkan kontrol teknologi menjadi lemah, biaya teknologi informasi yang tinggi tidak disertai dengan nilai balik dalam menigkatkan efektifitas, efisiensi dan keuntungan.

Feature Selection Chi-Square dan K-NN pada Pengkategorian Soal Ujian Berdasarkan Cognitive Domain Taksonomi Bloom

2019-03-20T07:54:33+00:00

Examination merupakan tolak ukur akhir bagi peserta didik dengan tujuan untuk mengidentifikasi kemampuan cognitive dan daya tangkap selama menjalankan kegiatan belajar mengajar di kelas, sehingga ketika diadakan sebuah ujian diperlukan susunan soal yang tepat. Taksonomi bloom merupakan sebuah taksonomi yang digunakan di dunia pendidikan berisi enam level cognitive berdasarkan tingkat kesulitannya. Pada penelitian ini akan berkonsentrasi pada pengkategorian data soal ujian biologi tingkat SMA berdasarkan cognitive domain taksonomi bloom, dan metode yang digunakan adalah K-Nearest Neighbour (KNN) sebagai metode classifier,dan metode feature selection Chi-Square (X²)yang bertujuan untuk menyeleksi fitur yang diperlukan. Dua jenis dataset akan digunakan pada penelitian ini, pada dataset pertama metode yang digunakan berhasil mencapai nilai F-measure tertinggi :79,36%, sedangkan pada dataset kedua,berhasil mencapai nilai F-measure tertinggi :61,56%

Pembuatan Aplikasi Event Management System yang Usable untuk Event Asian Youth Day

2019-03-20T08:13:51+00:00

Asian Youth Day (AYD) adalah sebuah acara kepemudaan untuk kaum Muda Katolik yang rutin diselenggarakan tiap tiga tahun. AYD diikuti ribuan peserta dari negara-negara di kawasan Asia. Menangani ribuan peserta dengan tingkat penerimaan teknologi yang berbeda-beda tentunya bukan hal yang mudah. Pada kesempatan AYD ke-7 di Yogyakarta, Indonesia dirancang sebuah sistem yang dikhususkan untuk menangani proses registrasi dari awal pendaftaran, pencatatan transportasi, pembagian akomodasi dan pengaturan kelompok sehingga peserta hanya tinggal membuka web AYD dari smartphone masing-masing untuk mengetahui segala hal yang telah diatur oleh panitia. Agar penyelenggaraan berikutnya sistem ini bisa digunakan kembali, perlu ada penelitian untuk mendukung perancangan sistem, yaitu dengan Usability Testing. Berdasarkan penelitian terhadap responden yang menjadi panitia, didapatkan tingkat efektivitas menggunakan task completion rate sebesar 99,16%. Tingkat efisiensi responden dalam mendapatkan informasi berada di kisaran 24 detik dari nilai benchmark di kisaran 21 detik. Nilai learnability meningkat sebesar 25% setelah responden mencoba sebanyak tiga kali. Dari kuisioner SUS didapat nilai satisfaction sebesar 3,61 dari skala 5 sehingga bisa dikatakan sistem adalah usable untuk penyelenggaraan berikutnya.

Review Teknik Segmentasi Pada Deteksi Kanker Kulit (Melanoma)

2019-03-20T08:10:36+00:00

Malignant melanoma atau biasa disebut melanoma saja adalah penyakit kanker kulit dimana sel – sel kanker berkembang pada sel melanosit yang menghasilkan melamin, pigmen yang memberi warna pada kulit. Kanker ini termasuk jenis berbahaya dan mematikan. Pendeteksian dini diperlukan untuk mendapatkan penatalaksanaan medis yang efektif. Salah satu teknik deteksi melanoma menggunakan pemrosesan citra digital yang mengalami perkembangan yang sangat pesat. Salah satu tahapan pemrosesan citra digital yang sangat mempengaruhi tercapainya objektif adalah tahapan segmentasi. Dalam paper ini disajikan beberapa teknik segmentasi yang banyak digunakan dalam pemrosesan citra digital. Teknik yang dijelaskan dalam paper ini meliputi segmentasi berbasis ambang batas (threshold), segmentasi berbasis deteksi tepi (edge detection), segmentasi berbasis region dan segmentasi berbasis channel warna. Didapatkan keunikan dalam teknik – teknik yang ada dalam menentukan bercak atau lesi melanoma sesuai dengan metode dan operasinya masing – masing.

Klasifikasi Citra Buah berbasis fitur warna HSV dengan klasifikator SVM

2019-03-20T08:22:06+00:00

Klasifikasi citra dengan objek buah merupakan permasalahan klasik pada area klasifikasi citra yang hingga saat ini, masih menarik minat para peneliti. Dalam proses klasifikasi buah proses feature selection atau pemilihan fitur, merupakan salah satu faktor yang mempengaruhi tingkat keberhasilan dan tingkat akurasi. Pada buah terdapat beberapa jenis fitur yang dapat kita gunakan dalam proses klasifikasi, fitur warna merupakan salah satu fitur yang cukup dominan dan telah banyak digunakan pada penelitian terdahulu. Pada penelitian ini fitur model warna HSV akan digunakan pada proses klasifikasi buah dengan menggunakan klasifikator SVM. Metodologi yang diajukan adalah dengan menggunakan fitur histogram HSV yang telah dinormalisasi dan similarity dari citra training dengan citra target dengan menggunakan metode Bhattacharyya Coefficient. Fitur yang didapatkan akan digunakan pada proses training pada SVM untuk mendapatkan hyperplane yang ideal dengan margin maksimal. Setelah melakukan pengujian dengan klasifikator SVM, diketahui bahwa tingkat akurasi cukup baik, yaitu sebesar 94%, dimana SVM mampu melakukan klasifikas secara akurat terhadap jenis buah yang telah ditraining menggunakan klasifikator SVM.