Publication Search

Credit scoring is an important element in decision-making for providing financing, especially for microfinance institutions. Several methods for predicting credit scoring include Decession Tree, Gradient Boosted, Neural Network, K-NN, and Rule Induction. This study aims to improve the accuracy of financing risk prediction by efficiently integrating historical data. The Neural Network (NN) algorithm is a machine learning algorithm consisting of neurons (nodes) connected to each other in several layers (input, hidden, and output). NN is used for pattern recognition, classification, regression, and complex non-linear modeling. The NN algorithm has the advantage of working well on large and diverse data and unstructured data. However, the NN algorithm has weaknesses such as overfitting and data dependence. In this study, the integration of the Sample Bootstrapping and Weighted Principal Component Analysis (PCA) methods is proposed to improve optimal accuracy in the NN algorithm. The Sample Bootstrapping method is used to reduce the amount of training data to be processed. The Weighted PCA method is used to reduce attributes. This study uses a financing customer dataset. The results of the study show that the integration of the NN algorithm with Sample Bootstrapping and Weighted PCA resulted in an accuracy increase of 1-3% (97%-99%) compared to other algorithms. Therefore, it can be concluded that the integration of the NN algorithm with Sample Bootstrapping and Weighted PCA produces better accuracy than other algorithms

Credit card fraud is a critical issue in digital financial transactions. This study aims to develop and evaluate fraud detection models using Logistic Regression and Gradient Boosting on an imbalanced dataset, where fraudulent transactions constitute only a small portion of the data. To address this imbalance, the Synthetic Minority Over-sampling Technique (SMOTE) was applied during preprocessing. Logistic Regression, used as a baseline model, achieved 95% accuracy, 78.6% precision, 55.9% recall, and a 65.3% F1-score. After applying class weighting and SMOTE, recall improved to 88.7%, but precision dropped to 52%, indicating that the model became overly sensitive and prone to false positives. Gradient Boosting initially produced better results, with 98% accuracy, 95.5% precision, 84.3% recall, and an 89.5% F1-score. After hyperparameter tuning and resampling, its performance improved further to 96.7% precision, 86.1% recall, and a 91.1% F1-score. These results indicate that Gradient Boosting is more effective in handling imbalanced data and offers greater reliability in detecting fraudulent transactions. The findings support the growing evidence in favor of ensemble learning techniques in fraud detection applications. This research contributes practical insights into improving the accuracy and security of machine learning-based fraud detection systems in financial services.

Tingkat keberhasilan deteksi penyakit jantung sangat bergantung pada akurasi model klasifikasi yang digunakan. Penelitian ini bertujuan membandingkan kinerja dua algoritma klasifikasi, yaitu K-Nearest Neighbor (KNN) dan Support Vector Machine (SVM), dalam mendeteksi penyakit jantung menggunakan dataset berjumlah 1025 sampel dengan dua kelas target, yakni sehat dan penyakit jantung. Proses pra-pemrosesan data meliputi pembersihan dan normalisasi fitur medis seperti usia, tekanan darah, serta kadar kolesterol. Evaluasi performa model dilakukan menggunakan metode Confusion Matrix, K-Fold Cross Validation, kurva Receiver Operating Characteristic (ROC), dan kurva Precision-Recall untuk mengukur akurasi, presisi, recall, serta keseimbangan antara presisi dan recall. Hasil pengujian menunjukkan bahwa algoritma KNN unggul dalam menghasilkan akurasi tinggi yaitu 99% dengan AUC ROC sempurna 1.00 dan presisi yang hampir konsisten sepanjang recall, sementara SVM menunjukkan performa stabil dengan akurasi 91%, AUC ROC 0.97, dan AP Precision-Recall sebesar 0.96. Penelitian ini menegaskan efektivitas KNN dalam menghasilkan prediksi penyakit jantung yang sangat akurat dengan potensi risiko overfitting pada parameter k kecil, sedangkan SVM memberikan kestabilan model dengan kemampuan generalisasi yang lebih baik. Temuan ini diharapkan dapat menjadi referensi dalam pemilihan algoritma klasifikasi yang sesuai untuk mendukung diagnosis penyakit jantung secara klinis.

Bisnis adalah kegiatan ekonomi yang dilakukan untuk menghasilkan, membeli, atau menjual barang atau jasa dengan tujuan mendapatkan keuntungan. Bisnis dapat dilakukan oleh individu, kelompok, perusahaan besar, atau usaha kecil. Di suatu dunia bisnis, yang dimaksud dengan sistem informasi manajemen adalah piranti yang dipakai untuk mengatasi suatu proses, operasional, evaluasi, serta teknologi dan informasi. Usaha  bisnis  yang  bergerak  dalam  bidang  makanan  ringan  snack dijalankan  dengan  modal usaha  berskala  kecil  ialah  pelaku  bisnis  berskala  rumah  tangga  yang  mempunyai  kesempatan sangat  bagus  untuk  berkembang  dengan  pesat  dengan  keterbatasan  yang dimiliki  seperti  SDM, skill,  pengetahuan,  ketrampilan,  dan  pengelolaan  bidang  managementyang  seadanya Penelitian ini dilakukan di Teha Coffee Corner, sebuah kedai kopi yang berlokasi di Jl. Imam Bonjol, Tebing Kisaran, Kec. Kota Kisaran Barat, Kabupaten Asahan, Sumatera Utara 21211. Kedai ini didirikan pada Maret 2021 oleh Thierry Henry, tepat di tengah masa pandemi COVID-19. Supply Chain Management (SCM) adalah pengintegrasian sumber bisnis yang kompeten dalam penyaluran barang, mencakup perencanaan dan pengelolaan aktivitas pengadaan dan logistik serta informasi terkait mulai dari tempat bahan baku sampai tempat konsumsi, termasuk koordinasi dan kolaborasi dengan jaringan mitra usaha (pemasok, manufaktur, retailer, distributor, pergudangan, transportasi dan konsumen) untuk memenuhi kebutuhan pelanggan. Sebuah model rantai pasokan sederhana terdiri dari empat komponen yaitu supplier, produsen, gudang atau pusat distribusi dan pengguna akhir. Seiring dengan pertumbuhan bisnisnya, Teha Coffee Corner mulai menghadapi berbagai tantangan, terutama dalam pengelolaan stok bahan baku dan pencatatan transaksi. Saat ini, pencatatan masih dilakukan secara manual, baik dalam menghitung jumlah stok maupun dalam mencatat transaksi harian. Setiap akhir operasional atau saat closing, Dengan adopsi sistem E-SCM, aliran informasi dan data pembelian antara Teha Coffee Corner dan pemasok menjadi lebih efisien. Ini menghasilkan kejelasan dan ketepatan dalam transaksi pembelian, yang berkontribusi pada menghindari kesalahan dan mengurangi risiko keterlambatan dalam pengiriman toko.

Penilaian kinerja karyawan menggunakan metode Balanced Scorecard (BSC) sangat efektif dalam mengukur penilaian kinerja karyawan dari berbagai perspektif, seperti finansial, pelanggan, proses internal dan pertumbuhan dan pembelajaran. Dengan demikian, penelitian ini bertujuan untuk merancang dan mengimplementasikan aplikasi penilaian kinerja karyawan dengan menggunakan metode Balanced Scorecard (BSC) pada perusahaan PT. ForIT Asta Solusindo. Pada penelitian ini penulis merancang dan mengimplementasikan aplikasi penilaian kinerja karyawan menggunakan metode Balanced Scorecard (BSC) dengan empat perspektif utama, yaitu finansial yang diterapkan pada divisi akuntan, pelanggan yang diterapkan pada divisi pemasaran; proses internal dan pertumbuhan dan pembelajaran pada berbagai divisi. Untuk masing-masing perspektif memiliki nilai bobot yang berbeda namun dengan jumlah keseluruhan bobot yang sama dengan nilai persentase yang mencapai 100%. Aplikasi ini berbasis web dengan menggunakan metode pengembangan perangkat lunak Agile dengan model Scrum untuk memastikan adaptabilitas dan kualitas produk. Aplikasi ini juga dibangun menggunakan framework Laravel dan menggunakan basis data MySQL sebagai tempat penyimpanan data. Hasil dari keseluruhan pengujian unit yang dilakukan dengan pengujian whitebox pada kode internal menggunakan PHPUnit. Hasil dari pengujian blackbox sesuai dengan kebutuhan fungsional dan non-fungsional aplikasi. Hasil dari skor Likert pada pengujian User acceptance test (UAT) menunjukkan dari faktor kepuasan pengguna mencapai 78% dan faktor kemudahan pengguna mencapai 96%. Kata Kunci: Balanced Scorecard (BSC), Key Performance Indicators (KPI), Penilaian kinerja, Perspektif, Agile Scrum.  

Dokumen cetak merupakan data digital yang tervisualisasi di kertas. Dokumen cetak mudah dibuat sekaligus dipalsukan. Cara mengetahui keasliannya dengan verifikasi ciri. Setiap dokumen cetak terdapat ciri unik berasal dari printer yang digunakan. Mengembangkan metode untuk  menentukan keaslian dokumen cetak dari printer jenis dan tipe sama menjadi tantangan untuk diselesaikan pada penelitian ini. Proses verifikasi menggunakan tahapan akuisisi, ekstraksi, pengenalan pola dan hasil verifikasi. Data uji menggunakan 6 printer jenis dan tipe sama, masing-masing menggunakan 3 lembar sampel, untuk karakter dipilih 8. Hasilnya pengujian menunjukkan nilai EER (equal error rate) sebesar 0,18 dari nilai tersebut digunakan menentukan nilai ambang verifikasi yaitu 80% dari nilai kedekatan. Verifikasi dengan kedekatan diatas 80% berarti dokumen cetak dinyatakan asli (accepted) sedangkan kedekatan dibawah 80% berarti dokumen cetak dinyatakan palsu (rejected). Pengujian menggunakan 20 varian dokumen cetak diperoleh nilai kedekatan tertinggi 97,7% dan terendah 84,1%. Berdasarkan pengujian diperoleh suatu kesimpulan bahwa meskipun pemalsuan menggunakan printer dengan jenis dan tipe yang sama, model mampu memilah dan menentukan suatu dokumen cetak asli ataupun palsu.  

Klasifikasi sebagai aktivitas ilmiah yang dapat digunakan untuk mendeskripsikan, meringkas dan menyederhanakan data ke dalam suatu format yang diinginkan, apabila diterapkan untuk klasifikasi data, merupakan proses yang dapat menemukan properti-properti yang sama dalam himpunan obyek pada sebuah basisdata dan kemudian terklasifikasi menjadi kelas-kelas berbeda menurut model klasifikasi tertentu. Pada data raster dan vektor klasifikasi spasial merupakan pemetaan suatu besaran dari berbagai interval (domain) tertentu pada interval-interval lain berdasarkan batas-batas ataupun kategori yang telah ditentukan. Sedangkan kenampakan dari metode klasifikasi tersebut dapat dilakukan berdasarkan warna dan simbol. Berbantuan Sistem Informasi Geografis dan penerapan suatu metode klasifikasi spasial, pembangunan dan penyajian informasi Kelas pada data spasial bagi data indikator banjir dapatlah dilakukan sehingga informasi tersebut akan dapat menjadi lebih informatif. Melalui penelitian ini, metode klasifikasi spasial berbentuk reclassify vector, dicoba untuk diterapkan dengan menggunakan rumus Sturges dalam penentuan jumlah kelas dan rumus Kingma dalam pembuatan interval kelasnya. Sehingga hasil akhirnya akan terbentuk pemodelan spasial baru berupa peta digital yang dapat menyajikan informasi secara spasial kelas-kelas pada data indikator banjir.     Kata kunci : Klasifikasi Spasial,  data spasial,  peta digital, data indikator banjir

Penelitian ini ingin menguji pengaruh langsung maupun tidak langsung Kematangan TeknologiInformasi (TI) dan Kinerja Sistem Informasi (SI) terhadap Kemanfaatan Teknologi Informasi padaKelurahan-kelurahan di Kodia Semarang. Hasil penelitian ini diharapkan memberikan kontribusi bagikelurahan dalam penambahan investasi dalam bidang teknologi informasi. Responden penelitian ini adalahpengelola informasi pada masing-masing kelurahan di Semarang. Penelitian ini menggunakan metodesurvei dengan 104 sampel. Analisis yang digunakan adalah Structural Equation Modelling (SEM) dengantwo step approach. Pendekatan two step digunakan untuk mengatasi masalah tidak sebandingnya rasioantara jumlah butir instrumen yang digunakan dengan sampel yang tersedia (Hart Line dan ferrel, 1996)dan untuk menghindari interaksi model pengukuran dan model struktural (Hair, et al, 1988). Hasil analisismenunjukkan bahwa kematangan teknologi informasi tidak berpengaruh secara langsung (tidak signifikandan negatif) terhadap kemanfaatan TI (H1). Kinerja SI berpengaruh positif dan signifikan terhadapkemanfaatan TI (H2). Demikian pula pada kemanfaatan TI tidak berpengaruh terhadap kinerja sisteminformasi (H3).

Academic data increases every year in line with the increase of students. Abundant data store is alsoan abundance of information. Data mining technology is a tool for extracting information on largedatabases and has been widely used in many domains. Predicting student performance (study evaluation) isan activity to determine a future state based on existing data. Data in the field of academic research hasbeen done with various methods and algorithms, but the use of algorithm SLIQ (Supervised Learning InQuest) has not been done.SLIQ is an algorithm developed by the IBM's Quest project team in 1996 for mining large datasets.SLIQ algorithm classify and predict the students performance, beginning with the data cleaning, conductedelection training and testing data. By calculating gini index of each attribute and then selecting thesmallest gini index data table is split according to the criteria until find the same class. From the results ofthe calculation process can produce a set of rules that can be used to predict student performance.From the experiment it can be concluded that the algorithm SLIQ with decision tree technique canbe used as an alternative in designing a system datamining applications. Tests conducted system showedthat the constructed model can be used to predict the performance of new students. The resulting accuracyof the model system in fact has a lower score than the accuracy of other applications that are used as acomparison of Tanagra. Advantages of the proposed system is in its design does not need complexcalculations in obtaining the gini index attributes.

Saat ini piranti lunak semakin luas dan besar lingkupnya, sehingga tidak bisa lagi dibuat asal-asalan. Piranti lunak saat ini seharusnya dirancang dengan memperhatikan hal-hal seperti scalability,security, dan eksekusi yang robust walaupun dalam kondisi yang sulit. Selain itu arsitekturnya harusdidefinisikan dengan jelas, agar bug mudah ditemukan dan diperbaiki, bahkan oleh orang lain selainprogrammer aslinya. Keuntungan lain dari perencanaan arsitektur yang matang adalah dimungkinkannyapenggunaan kembali modul atau komponen untuk aplikasi piranti lunak lain membutuhkan fungsionalitasyang sama.Dengan menggunakan model diharapkan pengembangan piranti lunak dapat memenuhi semua kebutuhanpengguna dengan lengkap dan tepat, termasuk faktor-faktor seperti scalability, robustnees, security, dansebagainya. Untuk melakukan pemodelan sistem / perangkat lunak secara visual digunakan UML (UnifiedModelling Language) yang digambarkan secara elektronik lewat sarana perangkat lunak Rational Rose.

Dalam model HSV (Hue Saturation Value) ini digunakan untuk segmentasi warna kulit manusia dan digunakan untuk mengklasifikasi citra khususnya dalam hal klasifikasi gambar pornografi. Pengelompokan warna kulit manusia ditunjukkan dalam ruang lingkup HSV. Dengan menggunakan sample warna kulit campuran warna kulit Eropa dan Asia, sehingga dapat menunjukkan bahwa model prototipe ini dapat digunakan untuk mendeteksi gambar pornografi.

Proses awal yang banyak dilakukan dalam image processing adalah mengubah citra berwarna menjadi citra gray-scale, hal ini digunakan untuk menyederhanakan model citra. Citra berwarna terdiri dari 3 layer matrik yaitu R-layer, G-layer dan B-layer. Sehingga untuk melakukan proses-proses selanjutnya tetap diperhatikan tiga layer di  atas. Bila setiap proses perhitungan dilakukan menggunakan tiga layer, berarti dilakukan tiga perhitungan yang sama. Sehingga konsep itu diubah dengan mengubah 3 layer di atas menjadi 1 layer matrik gray-scale dan hasilnya adalah citra gray-scale.

Teknologi komunikasi wireless yang banyak berkembang saat ini adalah Bluetooth, Wi-Fi, Wi-MAX. Masing-masing memiliki karakteristik yang berlainan meskipun sama-sama menggunakan pita frekwensi tinggi. Teknologi bluetooth menggunakan protokol IEEE 802.15.1, dan Wi-Fi berada di bawah spesifikasi 802.11.Sedangkan WiMAX dikembangkan mulai dari standar 802.16 kemudian berevolusi ke standar 802.16a (direvisi menjadi 802.16d) kemudian yang terakhir adalah 802.16e.Model penanganan kemanan yang dilakukan pada peangkat komunikasi yang menggunakan frekewensi diatas semestinya mengacu pada standar yang dikeluarkan IEEE yang dinamakan standar IEEE 802.1x yang merupakan standar keamanan jaringan yang mempunyai banyak mekanisme untuk autentifikasi.

Pemrograman socket merupakan pemrograman yang digunakan untuk melakukan komunikasi proses (process-to-process) dalam sebuah jaringan. Selain komunikasi proses, dalam sebuah jaringan komputer juga melakukan komunikasi host (host-to-host). Dalam pengujian pemrograman socket dapat dilakukan dengan menggunakan jenis  socket networking  sock_stream pada client ke server dengan menggunakan alamat proses (IP dan Port) pada komputer yang sama dengan direktori yang sama dan yang berbeda serta dengan komputer lain yang berbeda. Untuk pengujian, akan dibuat server dan client yang akan melakukan komunikasi proses. Pada server dan client, socket yang digunakan adalah AF_INET. Pada komunikasi proses di server, mula-mula dilakukan proses pembuatan socket dengan fungsi call socket(), kemudian server mengikat socket yang dibuat tadi dengan jaringan berdasarkan nomor local address dan port dengan fungsi call bind(). 

When creating databases for GIS-applications often existing maps are scanned and vectorised for used. However, vectorisation becomes obsolete when GIS-objects can be referred to both in theme and geometry in a raster environment. This article shows to use model spatial data raster and vector for GIS - applications in both the graphical and image structure. Geographical data must first be converted into a computer- readable format before it can be used in a GIS. Spatial data are "elements that can be stored in map form." These elements correspond to a uniquely defined location on the Earth's surface. Spatial data have also been describe as “any data concerning phenomenon a really distributed” in two or more dimensions. (Peuquet and Marble, I990.) Data model is the rules to convert real geographical variation into discrete objects. There are two main GIS data models - vector and raster. Each of the two data models has specific types of data, analysis and displays that can handle better than the other system. The vector model represents geographical reality as a series of discrete objects or features, classified as points, line's or areas (polygons). The geographical co-ordinates describing the locations of these features are stored in the computer database which lies at the heart of the GIS. In the raster model a regular grid of cells, or pixels, is used to encode the features found on the earth's surface. Each pixel has a number associated with it representing; the value of a geographical phenomenon, such as terrain elevation, soil type or biomass. Layers of raster grids covering the same region can be built up to represent further variables.