Pemetaan O
Kerawanan O
Bencana O
Banjir O
dengan O
Penginderaan O
Jauh O
dan O
Sistem O
Informasi O
Geografis O
Studi O
Kasus O
: O
Kota O
Kendari O
, O
Sulawesi O
Tenggara O
M. O
Ramadhan O
Putra O
Fajar O
( O
221911249 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M.Stat. O
dan O
metode O
Ringkasan— O
Kota O
Kendari O
, O
yang O
terletak O
di O
Pulau O
Sulawesi O
, O
sering O
mengalami O
banjir O
saat O
musim O
hujan. O
Tingginya O
frekuensi O
banjir O
di O
kota O
ini O
mendorong O
perlunya O
kesiapsiagaan O
terhadap O
bencana O
banjir. O
Oleh O
karena O
itu O
, O
tujuan O
dari O
penelitian O
ini O
adalah O
untuk O
membuat O
peta O
daerah O
yang O
rentan O
terhadap O
banjir O
berdasarkan O
data O
dari O
penginderaan O
jauh O
dan O
sistem O
informasi O
geografis. O
Penelitian O
ini O
juga O
bertujuan O
untuk O
membandingkan B-TUJUAN
hasil I-TUJUAN
pemetaan I-TUJUAN
daerah I-TUJUAN
yang I-TUJUAN
rawan I-TUJUAN
banjir I-TUJUAN
menggunakan O
metode O
ranking O
dengan O
menggunakan O
data O
kerawanan O
yang O
disediakan O
oleh O
BNPB. O
Dalam O
penelitian O
ini O
, O
parameter O
yang O
digunakan O
meliputi O
curah O
hujan O
, O
ketinggian O
lahan O
, O
kemiringan O
lereng O
, O
penggunaan O
lahan O
, O
geologi O
, O
dan O
sungai. O
Dari O
hasil O
perhitungan O
menggunakan O
metode B-METODE
jumlah I-METODE
ranking I-METODE
, I-METODE
metode I-METODE
ketergantungan I-METODE
ranking I-METODE
, I-METODE
dan I-METODE
metode I-METODE
perbandingan I-METODE
pasangan I-METODE
( I-METODE
AHP I-METODE
) I-METODE
, O
terdapat O
perbedaan O
dalam O
jumlah O
kelurahan O
pada O
setiap O
kategori O
kerawanan. O
Dalam O
hal O
akurasi O
, O
metode B-TEMUAN
ketergantungan I-TEMUAN
ranking I-TEMUAN
menghasilkan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
daripada I-TEMUAN
metode I-TEMUAN
jumlah I-TEMUAN
ranking I-TEMUAN
dan I-TEMUAN
AHP I-TEMUAN
, I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
keseluruhan I-TEMUAN
sebesar I-TEMUAN
83,08 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
akurasi I-TEMUAN
kappa I-TEMUAN
sebesar I-TEMUAN
68,63 I-TEMUAN
% I-TEMUAN
. O
perbandingan O
pasangan O
Kata O
Kunci— O
Banjir O
, O
Kerawanan O
, O
Pemetaan O
, O
Penginderaan O
Jauh O
, O
Sistem O
Informasi O
Geografis. O
sungai O
palung O
normal O
, O
sehingga O
melewati O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
yang O
diperoleh O
, O
dapat O
disimpulkan O
bahwa O
dengan O
menerapkan O
metode O
jumlah O
ranking O
, O
terdapat O
19 O
kelurahan O
yang O
termasuk O
dalam O
kelas O
kerawanan O
rendah O
, O
30 O
kelurahan O
termasuk O
dalam O
kelas O
kerawanan O
sedang O
, O
dan O
16 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
kelurahan O
termasuk O
dalam O
kelas O
kerawanan O
tinggi. O
Sementara O
itu O
, O
dengan O
menggunakan O
metode O
ketergantungan O
ranking O
, O
terdapat O
26 O
kelurahan O
yang O
masuk O
ke O
dalam O
kelas O
kerawanan O
rendah O
, O
34 O
kelurahan O
masuk O
ke O
dalam O
kelas O
kerawanan O
sedang O
, O
dan O
5 O
kelurahan O
masuk O
ke O
dalam O
kelas O
kerawanan O
tinggi. O
Penerapan O
metode O
AHP O
menunjukkan O
bahwa O
44 O
kelurahan O
termasuk O
dalam O
kelas O
kerawanan O
sedang O
, O
dan O
21 O
kelurahan O
termasuk O
dalam O
kelas O
kerawanan O
tinggi. O
Dari O
hasil O
akurasi O
ketiga O
metode O
yang O
digunakan O
, O
dapat O
disimpulkan O
bahwa O
metode B-TEMUAN
ketergantungan I-TEMUAN
ranking I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dari I-TEMUAN
metode I-TEMUAN
jumlah I-TEMUAN
ranking I-TEMUAN
dan I-TEMUAN
metode I-TEMUAN
AHP I-TEMUAN
dalam O
kasus O
penelitian O
ini. O
Karena O
metode B-TEMUAN
ketergantungan I-TEMUAN
ranking I-TEMUAN
memiliki I-TEMUAN
akurasi I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
tinggi I-TEMUAN
dari I-TEMUAN
kedua I-TEMUAN
metode I-TEMUAN
tersebut I-TEMUAN
yaitu I-TEMUAN
83,08 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
akurasi I-TEMUAN
keseluruhan I-TEMUAN
dan I-TEMUAN
68,63 I-TEMUAN
% I-TEMUAN
untuk O
akurasi O
kappa. O
Sedangkan O
metode O
jumlah O
ranking O
dan O
metode O
AHP O
memiliki O
nilai O
akurasi O
berturut-turut O
adalah O
sebesar O
64,62 O
% O
dan O
35,38 O
% O
untuk O
akurasi O
keseluruhan O
serta O
43,44 O
% O
dan O
3,09 O
% O
untuk O
akurasi O
kappa. O
B. O
Saran O
Saran O
yang O
dapat O
disampaikan O
dari O
penelitian O
ini O
adalah O
perlunya O
penelitian O
lanjutan O
yang O
fokus O
pada O
upaya O
mitigasi O
bencana O
banjir O
guna O
mengurangi O
dampak O
yang O
mungkin O
timbul. O
Penelitian O
selanjutnya O
juga O
dapat O
mempertimbangkan O
dengan O
penggunaan O
parameter O
yang O
digunakan O
oleh O
BNPB O
agar O
hasilnya O
lebih O
akurat. O
Serta O
dapat O
menggunakan O
metode O
pembobotan O
yang O
telah O
dilakukan O
pengembangan O
parameter-parameter O
sejalan O
yang O

Pemetaan O
Kerawanan O
Bencana O
Banjir O
dengan O
Penginderaan O
Jauh O
dan O
Sistem O
Informasi O
Geografis O
Studi O
Kasus O
: O
Kota O
Kendari O
, O
Sulawesi O
Tenggara O
M. O
Ramadhan O
Putra O
Fajar O
( O
221911249 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M.Stat. O
dan O
metode O
Ringkasan— O
Kota O
Kendari O
, O
yang O
terletak O
di O
Pulau O
Sulawesi O
, O
sering O
mengalami O
banjir O
saat O
musim O
hujan. O
Tingginya O
frekuensi O
banjir O
di O
kota O
ini O
mendorong O
perlunya O
kesiapsiagaan O
terhadap O
bencana O
banjir. O
Oleh O
karena O
itu O
, O
tujuan O
dari O
penelitian O
ini O
adalah O
untuk O
membuat O
peta O
daerah O
yang O
rentan O
terhadap O
banjir O
berdasarkan O
data O
dari O
penginderaan O
jauh O
dan O
sistem O
informasi O
geografis. O
Penelitian O
ini O
juga O
bertujuan O
untuk O
membandingkan B-TUJUAN
hasil I-TUJUAN
pemetaan I-TUJUAN
daerah I-TUJUAN
yang I-TUJUAN
rawan I-TUJUAN
banjir I-TUJUAN
menggunakan O
metode O
ranking O
dengan O
menggunakan O
data O
kerawanan O
yang O
disediakan O
oleh O
BNPB. O
Dalam O
penelitian O
ini O
, O
parameter O
yang O
digunakan O
meliputi O
curah O
hujan O
, O
ketinggian O
lahan O
, O
kemiringan O
lereng O
, O
penggunaan O
lahan O
, O
geologi O
, O
dan O
sungai. O
Dari O
hasil O
perhitungan O
menggunakan O
metode B-METODE
jumlah I-METODE
ranking I-METODE
, I-METODE
metode I-METODE
ketergantungan I-METODE
ranking I-METODE
, I-METODE
dan I-METODE
metode I-METODE
perbandingan I-METODE
pasangan I-METODE
( I-METODE
AHP I-METODE
) I-METODE
, O
terdapat O
perbedaan O
dalam O
jumlah O
kelurahan O
pada O
setiap O
kategori O
kerawanan. O
Dalam O
hal O
akurasi O
, O
metode B-TEMUAN
ketergantungan I-TEMUAN
ranking I-TEMUAN
menghasilkan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
daripada I-TEMUAN
metode I-TEMUAN
jumlah I-TEMUAN
ranking I-TEMUAN
dan I-TEMUAN
AHP I-TEMUAN
, I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
keseluruhan I-TEMUAN
sebesar I-TEMUAN
83,08 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
akurasi I-TEMUAN
kappa I-TEMUAN
sebesar I-TEMUAN
68,63 I-TEMUAN
% I-TEMUAN
. O
perbandingan O
pasangan O
Kata O
Kunci— O
Banjir O
, O
Kerawanan O
, O
Pemetaan O
, O
Penginderaan O
Jauh O
, O
Sistem O
Informasi O
Geografis. O
sungai O
palung O
normal O
, O
sehingga O
melewati O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
yang O
diperoleh O
, O
dapat O
disimpulkan O
bahwa O
dengan O
menerapkan O
metode O
jumlah O
ranking O
, O
terdapat O
19 O
kelurahan O
yang O
termasuk O
dalam O
kelas O
kerawanan O
rendah O
, O
30 O
kelurahan O
termasuk O
dalam O
kelas O
kerawanan O
sedang O
, O
dan O
16 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
kelurahan O
termasuk O
dalam O
kelas O
kerawanan O
tinggi. O
Sementara O
itu O
, O
dengan O
menggunakan O
metode O
ketergantungan O
ranking O
, O
terdapat O
26 O
kelurahan O
yang O
masuk O
ke O
dalam O
kelas O
kerawanan O
rendah O
, O
34 O
kelurahan O
masuk O
ke O
dalam O
kelas O
kerawanan O
sedang O
, O
dan O
5 O
kelurahan O
masuk O
ke O
dalam O
kelas O
kerawanan O
tinggi. O
Penerapan O
metode O
AHP O
menunjukkan O
bahwa O
44 O
kelurahan O
termasuk O
dalam O
kelas O
kerawanan O
sedang O
, O
dan O
21 O
kelurahan O
termasuk O
dalam O
kelas O
kerawanan O
tinggi. O
Dari O
hasil O
akurasi O
ketiga O
metode O
yang O
digunakan O
, O
dapat O
disimpulkan O
bahwa O
metode B-TEMUAN
ketergantungan I-TEMUAN
ranking I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dari I-TEMUAN
metode I-TEMUAN
jumlah I-TEMUAN
ranking I-TEMUAN
dan I-TEMUAN
metode I-TEMUAN
AHP I-TEMUAN
dalam O
kasus O
penelitian O
ini. O
Karena O
metode B-TEMUAN
ketergantungan I-TEMUAN
ranking I-TEMUAN
memiliki I-TEMUAN
akurasi I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
tinggi I-TEMUAN
dari I-TEMUAN
kedua I-TEMUAN
metode I-TEMUAN
tersebut I-TEMUAN
yaitu I-TEMUAN
83,08 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
akurasi I-TEMUAN
keseluruhan I-TEMUAN
dan I-TEMUAN
68,63 I-TEMUAN
% I-TEMUAN
untuk O
akurasi O
kappa. O
Sedangkan O
metode O
jumlah O
ranking O
dan O
metode O
AHP O
memiliki O
nilai O
akurasi O
berturut-turut O
adalah O
sebesar O
64,62 O
% O
dan O
35,38 O
% O
untuk O
akurasi O
keseluruhan O
serta O
43,44 O
% O
dan O
3,09 O
% O
untuk O
akurasi O
kappa. O
B. O
Saran O
Saran O
yang O
dapat O
disampaikan O
dari O
penelitian O
ini O
adalah O
perlunya O
penelitian O
lanjutan O
yang O
fokus O
pada O
upaya O
mitigasi O
bencana O
banjir O
guna O
mengurangi O
dampak O
yang O
mungkin O
timbul. O
Penelitian O
selanjutnya O
juga O
dapat O
mempertimbangkan O
dengan O
penggunaan O
parameter O
yang O
digunakan O
oleh O
BNPB O
agar O
hasilnya O
lebih O
akurat. O
Serta O
dapat O
menggunakan O
metode O
pembobotan O
yang O
telah O
dilakukan O
pengembangan O
parameter-parameter O
sejalan O
yang O

Pemetaan O
Kerawanan O
Bencana O
Banjir O
dengan O
Penginderaan O
Jauh O
dan O
Sistem O
Informasi O
Geografis O
Studi O
Kasus O
: O
Kota O
Kendari O
, O
Sulawesi O
Tenggara O
M. O
Ramadhan O
Putra O
Fajar O
( O
221911249 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M.Stat. O
dan O
metode O
Ringkasan— O
Kota O
Kendari O
, O
yang O
terletak O
di O
Pulau O
Sulawesi O
, O
sering O
mengalami O
banjir O
saat O
musim O
hujan. O
Tingginya O
frekuensi O
banjir O
di O
kota O
ini O
mendorong O
perlunya O
kesiapsiagaan O
terhadap O
bencana O
banjir. O
Oleh O
karena O
itu O
, O
tujuan O
dari O
penelitian O
ini O
adalah O
untuk O
membuat O
peta O
daerah O
yang O
rentan O
terhadap O
banjir O
berdasarkan O
data O
dari O
penginderaan O
jauh O
dan O
sistem O
informasi O
geografis. O
Penelitian O
ini O
juga O
bertujuan O
untuk O
membandingkan B-TUJUAN
hasil I-TUJUAN
pemetaan I-TUJUAN
daerah I-TUJUAN
yang I-TUJUAN
rawan I-TUJUAN
banjir I-TUJUAN
menggunakan O
metode O
ranking O
dengan O
menggunakan O
data O
kerawanan O
yang O
disediakan O
oleh O
BNPB. O
Dalam O
penelitian O
ini O
, O
parameter O
yang O
digunakan O
meliputi O
curah O
hujan O
, O
ketinggian O
lahan O
, O
kemiringan O
lereng O
, O
penggunaan O
lahan O
, O
geologi O
, O
dan O
sungai. O
Dari O
hasil O
perhitungan O
menggunakan O
metode B-METODE
jumlah I-METODE
ranking I-METODE
, I-METODE
metode I-METODE
ketergantungan I-METODE
ranking I-METODE
, I-METODE
dan I-METODE
metode I-METODE
perbandingan I-METODE
pasangan I-METODE
( I-METODE
AHP I-METODE
) I-METODE
, O
terdapat O
perbedaan O
dalam O
jumlah O
kelurahan O
pada O
setiap O
kategori O
kerawanan. O
Dalam O
hal O
akurasi O
, O
metode B-TEMUAN
ketergantungan I-TEMUAN
ranking I-TEMUAN
menghasilkan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
daripada I-TEMUAN
metode I-TEMUAN
jumlah I-TEMUAN
ranking I-TEMUAN
dan I-TEMUAN
AHP I-TEMUAN
, I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
keseluruhan I-TEMUAN
sebesar I-TEMUAN
83,08 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
akurasi I-TEMUAN
kappa I-TEMUAN
sebesar I-TEMUAN
68,63 I-TEMUAN
% I-TEMUAN
. O
perbandingan O
pasangan O
Kata O
Kunci— O
Banjir O
, O
Kerawanan O
, O
Pemetaan O
, O
Penginderaan O
Jauh O
, O
Sistem O
Informasi O
Geografis. O
sungai O
palung O
normal O
, O
sehingga O
melewati O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
yang O
diperoleh O
, O
dapat O
disimpulkan O
bahwa O
dengan O
menerapkan O
metode O
jumlah O
ranking O
, O
terdapat O
19 O
kelurahan O
yang O
termasuk O
dalam O
kelas O
kerawanan O
rendah O
, O
30 O
kelurahan O
termasuk O
dalam O
kelas O
kerawanan O
sedang O
, O
dan O
16 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
kelurahan O
termasuk O
dalam O
kelas O
kerawanan O
tinggi. O
Sementara O
itu O
, O
dengan O
menggunakan O
metode O
ketergantungan O
ranking O
, O
terdapat O
26 O
kelurahan O
yang O
masuk O
ke O
dalam O
kelas O
kerawanan O
rendah O
, O
34 O
kelurahan O
masuk O
ke O
dalam O
kelas O
kerawanan O
sedang O
, O
dan O
5 O
kelurahan O
masuk O
ke O
dalam O
kelas O
kerawanan O
tinggi. O
Penerapan O
metode O
AHP O
menunjukkan O
bahwa O
44 O
kelurahan O
termasuk O
dalam O
kelas O
kerawanan O
sedang O
, O
dan O
21 O
kelurahan O
termasuk O
dalam O
kelas O
kerawanan O
tinggi. O
Dari O
hasil O
akurasi O
ketiga O
metode O
yang O
digunakan O
, O
dapat O
disimpulkan O
bahwa O
metode B-TEMUAN
ketergantungan I-TEMUAN
ranking I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dari I-TEMUAN
metode I-TEMUAN
jumlah I-TEMUAN
ranking I-TEMUAN
dan I-TEMUAN
metode I-TEMUAN
AHP I-TEMUAN
dalam O
kasus O
penelitian O
ini. O
Karena O
metode B-TEMUAN
ketergantungan I-TEMUAN
ranking I-TEMUAN
memiliki I-TEMUAN
akurasi I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
tinggi I-TEMUAN
dari I-TEMUAN
kedua I-TEMUAN
metode I-TEMUAN
tersebut I-TEMUAN
yaitu I-TEMUAN
83,08 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
akurasi I-TEMUAN
keseluruhan I-TEMUAN
dan I-TEMUAN
68,63 I-TEMUAN
% I-TEMUAN
untuk O
akurasi O
kappa. O
Sedangkan O
metode O
jumlah O
ranking O
dan O
metode O
AHP O
memiliki O
nilai O
akurasi O
berturut-turut O
adalah O
sebesar O
64,62 O
% O
dan O
35,38 O
% O
untuk O
akurasi O
keseluruhan O
serta O
43,44 O
% O
dan O
3,09 O
% O
untuk O
akurasi O
kappa. O
B. O
Saran O
Saran O
yang O
dapat O
disampaikan O
dari O
penelitian O
ini O
adalah O
perlunya O
penelitian O
lanjutan O
yang O
fokus O
pada O
upaya O
mitigasi O
bencana O
banjir O
guna O
mengurangi O
dampak O
yang O
mungkin O
timbul. O
Penelitian O
selanjutnya O
juga O
dapat O
mempertimbangkan O
dengan O
penggunaan O
parameter O
yang O
digunakan O
oleh O
BNPB O
agar O
hasilnya O
lebih O
akurat. O
Serta O
dapat O
menggunakan O
metode O
pembobotan O
yang O
telah O
dilakukan O
pengembangan O
parameter-parameter O
sejalan O
yang O

Pengembangan O
Website O
BPS O
Fitur O
Tabel O
Statistik O
, O
Infografis O
, O
dan O
Berita O
Teungku O
Muhammad O
Siddiq O
( O
221911245 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I O
Ringkasan— O
BPS O
merupakan O
penyedia O
data O
statistik O
yang O
ditunjuk O
secara O
resmi O
oleh O
pemerintah. O
Salah O
satu O
cara O
BPS O
dalam O
melakukan O
penyediaan O
data O
adalah O
dengan O
publikasi O
melalui O
website. O
Seiring O
berjalannya O
waktu O
, O
kategori-kategori O
data O
yang O
disediakan O
oleh O
BPS O
semakin O
banyak. O
Hal O
ini O
menyebabkan O
tampilan O
antarmuka O
BPS O
menjadi O
tidak O
beraturan. O
Hal O
tersebut O
menyebabkan O
daya O
Tarik O
website O
BPS O
sebagai O
penyedia O
data O
berkurang. O
Terdapat O
penelitian O
terdahulu O
yang O
telah O
melakukan O
rancangan O
redesain O
website O
BPS O
dan O
memperoleh O
hasil O
yang O
masuk O
dalam O
kategori O
baik. O
Penelitian O
ini O
bertujuan O
untuk O
mengimplementasikan B-TUJUAN
rancagan I-TUJUAN
yang I-TUJUAN
telah I-TUJUAN
dibuat I-TUJUAN
oleh I-TUJUAN
peneliti I-TUJUAN
tersebut. O
Pada O
penelitian O
ini O
penulis O
menggunakan O
Next B-METODE
Js I-METODE
dan I-METODE
Waterfall I-METODE
sebagai O
metode O
dalam O
pengembangan O
ini O
adalah O
berhasilnya O
implementasi O
sistem O
dari O
rancangan O
penelitian O
sebelumnya O
pada O
halaman O
infografis O
, O
tabel O
statistik O
dan O
berita. O
Hasil O
evaluasi O
dengan O
metode O
blackbox O
testing O
didapat O
lolos B-TEMUAN
uji I-TEMUAN
untuk I-TEMUAN
semua I-TEMUAN
aspek. I-TEMUAN
Sedangkan O
evaluasi B-TEMUAN
dengan I-TEMUAN
metode I-TEMUAN
SUS I-TEMUAN
mendapatkan I-TEMUAN
nilai I-TEMUAN
81,049 I-TEMUAN
yang O
berarti O
masuk O
dalam O
kategori O
GOOD. O
Tingkat O
kepuasan O
pengguna O
website O
juga O
meningkat O
dari O
evaluasi O
penelitian O
sebelumnya. O
sistem. O
Hasil O
dari O
penelitian O
Kata O
Kunci— O
Website O
, O
Next O
Js O
, O
Waterfall O
, O
Infografis O
, O
Berita O
, O
Tabel O
Statistik O
[SEP] O
berdasarkan O
hasil O
penelitian O
yang O
dilakukan O
, O
diperoleh O
VII. O
kesimpulan O
sebagai O
berikut O
: O
sistem O
dilakukan O
1. O
Telah O
implementasi O
dari O
perancangan O
user O
interface O
yang O
dibuat O
oleh O
peneliti O
Chairunnisa O
sebelumnya O
dengan O
menggunakan O
metode O
waterfall O
sebagai O
metode O
utama O
dalam O
pengembangan O
website. O
Implementasi O
user O
interface O
telah O
dilakukan O
pada O
beberapa O
halaman O
website O
BPS O
seperti O
halaman O
infografis O
, O
berita O
, O
dan O
tabel O
statistik. O
2. O
Pengimplementasian O
rancangan O
antarmuka O
pada O
Website O
BPS O
yang O
baru O
telah O
dilakukan O
dua O
kali O
evaluasi O
sistem. O
Hasil O
yang O
didapat O
dari O
evaluasi O
tersebut O
menunjukan O
bahwa O
website B-TEMUAN
masuk I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
skor I-TEMUAN
81,049. I-TEMUAN
3. O
Pengimplementasin O
rancangan O
antarmuka O
pada O
Website O
BPS O
yang O
baru O
mengalami O
peningkatan O
kepuasan O
pada O
semua O
aspek O
yang O
diuji. O
4. O
Dihasilkannya O
sebuah O
tampilan O
versi O
beta O
untuk O
website O
BPS O
yang O
baru. O

Pengembangan O
Website O
BPS O
Fitur O
Tabel O
Statistik O
, O
Infografis O
, O
dan O
Berita O
Teungku O
Muhammad O
Siddiq O
( O
221911245 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I O
Ringkasan— O
BPS O
merupakan O
penyedia O
data O
statistik O
yang O
ditunjuk O
secara O
resmi O
oleh O
pemerintah. O
Salah O
satu O
cara O
BPS O
dalam O
melakukan O
penyediaan O
data O
adalah O
dengan O
publikasi O
melalui O
website. O
Seiring O
berjalannya O
waktu O
, O
kategori-kategori O
data O
yang O
disediakan O
oleh O
BPS O
semakin O
banyak. O
Hal O
ini O
menyebabkan O
tampilan O
antarmuka O
BPS O
menjadi O
tidak O
beraturan. O
Hal O
tersebut O
menyebabkan O
daya O
Tarik O
website O
BPS O
sebagai O
penyedia O
data O
berkurang. O
Terdapat O
penelitian O
terdahulu O
yang O
telah O
melakukan O
rancangan O
redesain O
website O
BPS O
dan O
memperoleh O
hasil O
yang O
masuk O
dalam O
kategori O
baik. O
Penelitian O
ini O
bertujuan O
untuk O
mengimplementasikan B-TUJUAN
rancagan I-TUJUAN
yang I-TUJUAN
telah I-TUJUAN
dibuat I-TUJUAN
oleh I-TUJUAN
peneliti I-TUJUAN
tersebut. O
Pada O
penelitian O
ini O
penulis O
menggunakan O
Next B-METODE
Js I-METODE
dan I-METODE
Waterfall I-METODE
sebagai O
metode O
dalam O
pengembangan O
ini O
adalah O
berhasilnya O
implementasi O
sistem O
dari O
rancangan O
penelitian O
sebelumnya O
pada O
halaman O
infografis O
, O
tabel O
statistik O
dan O
berita. O
Hasil O
evaluasi O
dengan O
metode O
blackbox O
testing O
didapat O
lolos B-TEMUAN
uji I-TEMUAN
untuk I-TEMUAN
semua I-TEMUAN
aspek. I-TEMUAN
Sedangkan O
evaluasi B-TEMUAN
dengan I-TEMUAN
metode I-TEMUAN
SUS I-TEMUAN
mendapatkan I-TEMUAN
nilai I-TEMUAN
81,049 I-TEMUAN
yang O
berarti O
masuk O
dalam O
kategori O
GOOD. O
Tingkat O
kepuasan O
pengguna O
website O
juga O
meningkat O
dari O
evaluasi O
penelitian O
sebelumnya. O
sistem. O
Hasil O
dari O
penelitian O
Kata O
Kunci— O
Website O
, O
Next O
Js O
, O
Waterfall O
, O
Infografis O
, O
Berita O
, O
Tabel O
Statistik O
[SEP] O
berdasarkan O
hasil O
penelitian O
yang O
dilakukan O
, O
diperoleh O
VII. O
kesimpulan O
sebagai O
berikut O
: O
sistem O
dilakukan O
1. O
Telah O
implementasi O
dari O
perancangan O
user O
interface O
yang O
dibuat O
oleh O
peneliti O
Chairunnisa O
sebelumnya O
dengan O
menggunakan O
metode O
waterfall O
sebagai O
metode O
utama O
dalam O
pengembangan O
website. O
Implementasi O
user O
interface O
telah O
dilakukan O
pada O
beberapa O
halaman O
website O
BPS O
seperti O
halaman O
infografis O
, O
berita O
, O
dan O
tabel O
statistik. O
2. O
Pengimplementasian O
rancangan O
antarmuka O
pada O
Website O
BPS O
yang O
baru O
telah O
dilakukan O
dua O
kali O
evaluasi O
sistem. O
Hasil O
yang O
didapat O
dari O
evaluasi O
tersebut O
menunjukan O
bahwa O
website B-TEMUAN
masuk I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
skor I-TEMUAN
81,049. I-TEMUAN
3. O
Pengimplementasin O
rancangan O
antarmuka O
pada O
Website O
BPS O
yang O
baru O
mengalami O
peningkatan O
kepuasan O
pada O
semua O
aspek O
yang O
diuji. O
4. O
Dihasilkannya O
sebuah O
tampilan O
versi O
beta O
untuk O
website O
BPS O
yang O
baru. O

Pengembangan O
Website O
BPS O
Fitur O
Tabel O
Statistik O
, O
Infografis O
, O
dan O
Berita O
Teungku O
Muhammad O
Siddiq O
( O
221911245 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I O
Ringkasan— O
BPS O
merupakan O
penyedia O
data O
statistik O
yang O
ditunjuk O
secara O
resmi O
oleh O
pemerintah. O
Salah O
satu O
cara O
BPS O
dalam O
melakukan O
penyediaan O
data O
adalah O
dengan O
publikasi O
melalui O
website. O
Seiring O
berjalannya O
waktu O
, O
kategori-kategori O
data O
yang O
disediakan O
oleh O
BPS O
semakin O
banyak. O
Hal O
ini O
menyebabkan O
tampilan O
antarmuka O
BPS O
menjadi O
tidak O
beraturan. O
Hal O
tersebut O
menyebabkan O
daya O
Tarik O
website O
BPS O
sebagai O
penyedia O
data O
berkurang. O
Terdapat O
penelitian O
terdahulu O
yang O
telah O
melakukan O
rancangan O
redesain O
website O
BPS O
dan O
memperoleh O
hasil O
yang O
masuk O
dalam O
kategori O
baik. O
Penelitian O
ini O
bertujuan O
untuk O
mengimplementasikan B-TUJUAN
rancagan I-TUJUAN
yang I-TUJUAN
telah I-TUJUAN
dibuat I-TUJUAN
oleh I-TUJUAN
peneliti I-TUJUAN
tersebut. O
Pada O
penelitian O
ini O
penulis O
menggunakan O
Next B-METODE
Js I-METODE
dan I-METODE
Waterfall I-METODE
sebagai O
metode O
dalam O
pengembangan O
ini O
adalah O
berhasilnya O
implementasi O
sistem O
dari O
rancangan O
penelitian O
sebelumnya O
pada O
halaman O
infografis O
, O
tabel O
statistik O
dan O
berita. O
Hasil O
evaluasi O
dengan O
metode O
blackbox O
testing O
didapat O
lolos B-TEMUAN
uji I-TEMUAN
untuk I-TEMUAN
semua I-TEMUAN
aspek. I-TEMUAN
Sedangkan O
evaluasi B-TEMUAN
dengan I-TEMUAN
metode I-TEMUAN
SUS I-TEMUAN
mendapatkan I-TEMUAN
nilai I-TEMUAN
81,049 I-TEMUAN
yang O
berarti O
masuk O
dalam O
kategori O
GOOD. O
Tingkat O
kepuasan O
pengguna O
website O
juga O
meningkat O
dari O
evaluasi O
penelitian O
sebelumnya. O
sistem. O
Hasil O
dari O
penelitian O
Kata O
Kunci— O
Website O
, O
Next O
Js O
, O
Waterfall O
, O
Infografis O
, O
Berita O
, O
Tabel O
Statistik O
[SEP] O
berdasarkan O
hasil O
penelitian O
yang O
dilakukan O
, O
diperoleh O
VII. O
kesimpulan O
sebagai O
berikut O
: O
sistem O
dilakukan O
1. O
Telah O
implementasi O
dari O
perancangan O
user O
interface O
yang O
dibuat O
oleh O
peneliti O
Chairunnisa O
sebelumnya O
dengan O
menggunakan O
metode O
waterfall O
sebagai O
metode O
utama O
dalam O
pengembangan O
website. O
Implementasi O
user O
interface O
telah O
dilakukan O
pada O
beberapa O
halaman O
website O
BPS O
seperti O
halaman O
infografis O
, O
berita O
, O
dan O
tabel O
statistik. O
2. O
Pengimplementasian O
rancangan O
antarmuka O
pada O
Website O
BPS O
yang O
baru O
telah O
dilakukan O
dua O
kali O
evaluasi O
sistem. O
Hasil O
yang O
didapat O
dari O
evaluasi O
tersebut O
menunjukan O
bahwa O
website B-TEMUAN
masuk I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
skor I-TEMUAN
81,049. I-TEMUAN
3. O
Pengimplementasin O
rancangan O
antarmuka O
pada O
Website O
BPS O
yang O
baru O
mengalami O
peningkatan O
kepuasan O
pada O
semua O
aspek O
yang O
diuji. O
4. O
Dihasilkannya O
sebuah O
tampilan O
versi O
beta O
untuk O
website O
BPS O
yang O
baru. O

Prediksi O
Pergerakan O
Harga O
Saham O
dengan O
Analisis O
Teknikal O
, O
Fundamental O
, O
dan O
Sentimen O
Menggunakan O
Model O
LSTM O
: O
Studi O
Kasus O
Saham O
Bank O
Central O
Asia O
Muhammad O
Ighfar O
Saputra O
( O
221911241 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Erna O
Nurmawati O
, O
S.ST O
, O
M.T. O
Ringkasan— O
Permasalahan O
mengenai O
usaha O
meminimalkan O
risiko O
dan O
memaksimalkan O
keuntungan O
adalah O
apa O
yang O
telah O
dicoba O
dipecahkan O
oleh O
pedagang O
di O
pasar O
saham O
selama O
bertahun-tahun. O
Harga O
saham O
umumnya O
memiliki O
sifat O
volatilitas O
dipengaruhi O
oleh O
berbagai O
faktor O
, O
sehingga O
diperlukan O
sejumlah O
besar O
data O
dalam O
upaya O
mencari O
pola O
pergerakan O
harga. O
Melihat O
banyaknya O
data O
yang O
diperlukan O
serta O
pesatnya O
perkembangan O
big O
data O
dan O
artificial O
intelligence O
, O
maka O
pendekatan O
yang O
cocok O
digunakan O
dalam O
adalah O
Deep O
Learning O
yakni O
model O
LSTM O
( O
Long-Short O
Term O
Memory O
) O
. O
Variabel O
independen O
yang O
digunakan O
terdiri O
dari O
variabel O
teknikal O
indikator O
, O
nilai O
tukar O
mata O
uang O
, O
suku O
bunga O
, O
indeks O
harga O
saham O
gabungan O
( O
IHSG O
) O
, O
dan O
sentimen O
data O
cuitan O
Twitter. O
Hasil O
penelitian O
menunjukkan O
analisis O
sentimen O
menggunakan O
model O
IndoBERT O
memiliki O
akurasi O
sebesar O
0.69 O
, O
serta O
analisis O
LSTM O
mendapatkan O
model O
dengan O
eror O
terkecil O
pada O
kombinasi O
variabel O
4 O
dan O
kombinasi O
variabel O
12 O
dengan O
masing-masing O
memiliki O
rataan O
eror O
RMSE B-METODE
sebesar O
1.765E-04 O
dan O
1.978E-04. O
Setelah O
dilakukan O
hyperparameter O
optimization O
, O
diperoleh B-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
yaitu I-TEMUAN
kombinasi I-TEMUAN
variabel I-TEMUAN
4 I-TEMUAN
dengan I-TEMUAN
eror I-TEMUAN
paling I-TEMUAN
minimum I-TEMUAN
yakni I-TEMUAN
7.580E-05 I-TEMUAN
dengan I-TEMUAN
RMSE I-TEMUAN
pada I-TEMUAN
pengujian I-TEMUAN
data I-TEMUAN
test I-TEMUAN
sebesar I-TEMUAN
332.66. I-TEMUAN
Kata O
Kunci— O
saham O
, O
BCA O
, O
LSTM O
, O
analisis O
sentimen O
[SEP] O
Dari O
12 O
indikator O
teknikal O
yang O
diformulasikan O
, O
setelah O
melalui O
proses O
feature O
selection O
hanya O
7 O
indikator O
yang O
digunakan O
kedalam O
model O
yakni O
SMA O
, O
StoD O
, O
RSI O
, O
MACD O
, O
ADO O
, O
CCI O
, O
MFI. O
Kombinasi O
indikator O
tersebut O
dipilih O
karena O
memiliki O
fitness O
value O
yang O
paling O
optimal O
terhadap O
model. O
Analisis B-METODE
sentimen I-METODE
telah O
berhasil O
dilakukan O
dengan O
menggunakan O
model O
IndoBERT O
serta O
memiliki O
akurasi O
sebesar O
69 O
% O
. O
Angka O
ini O
belum O
terbilang O
cukup O
baik O
mengingat O
analisis O
sentimen O
merupakan O
hal O
yang O
rumit. O
Penghitungan O
sentimen O
skor O
harian O
menunjukkan O
73.74 O
% O
skor O
harian O
menuju O
kearah O
tren O
positif O
( O
lebih O
dari O
0.5 O
) O
. O
7 O
/ O
8 O
Berdasarkan O
hasil O
10 O
kali O
walk O
forward O
validation O
, O
didapat O
dua O
model O
LSTM O
dengan O
kombinasi O
variabel O
terbaik O
yakni O
kombinasi O
variabel O
4 O
dan O
kombinasi O
variabel O
12 O
dengan O
rataan O
RMSE O
masing-masing O
1.978 O
dan O
1.765. O
Untuk O
mendapatkan O
performa O
model O
yang O
lebih O
baik O
, O
dilakukan O
hyperparameter O
optimization O
untuk O
kedua O
jenis O
model O
kombinasi O
variabel O
, O
dan O
diperoleh O
RMSE O
masing- O
masing O
model O
yakni O
KomVar4 O
0.000758 O
dan O
KomVar12 O
0.000804. O
Model O
tersebut O
kemudian O
dievaluasi O
menggunakan O
data O
test O
dimana O
model O
KomVar4 O
jauh O
mengungguli O
model O
KomVar12 O
dengan O
RMSE O
332.66 O
dibanding O
790.85.minimal. O

Prediksi O
Pergerakan O
Harga O
Saham O
dengan O
Analisis O
Teknikal O
, O
Fundamental O
, O
dan O
Sentimen O
Menggunakan O
Model O
LSTM O
: O
Studi O
Kasus O
Saham O
Bank O
Central O
Asia O
Muhammad O
Ighfar O
Saputra O
( O
221911241 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Erna O
Nurmawati O
, O
S.ST O
, O
M.T. O
Ringkasan— O
Permasalahan O
mengenai O
usaha O
meminimalkan O
risiko O
dan O
memaksimalkan O
keuntungan O
adalah O
apa O
yang O
telah O
dicoba O
dipecahkan O
oleh O
pedagang O
di O
pasar O
saham O
selama O
bertahun-tahun. O
Harga O
saham O
umumnya O
memiliki O
sifat O
volatilitas O
dipengaruhi O
oleh O
berbagai O
faktor O
, O
sehingga O
diperlukan O
sejumlah O
besar O
data O
dalam O
upaya O
mencari O
pola O
pergerakan O
harga. O
Melihat O
banyaknya O
data O
yang O
diperlukan O
serta O
pesatnya O
perkembangan O
big O
data O
dan O
artificial O
intelligence O
, O
maka O
pendekatan O
yang O
cocok O
digunakan O
dalam O
adalah O
Deep O
Learning O
yakni O
model O
LSTM O
( O
Long-Short O
Term O
Memory O
) O
. O
Variabel O
independen O
yang O
digunakan O
terdiri O
dari O
variabel O
teknikal O
indikator O
, O
nilai O
tukar O
mata O
uang O
, O
suku O
bunga O
, O
indeks O
harga O
saham O
gabungan O
( O
IHSG O
) O
, O
dan O
sentimen O
data O
cuitan O
Twitter. O
Hasil O
penelitian O
menunjukkan O
analisis O
sentimen O
menggunakan O
model O
IndoBERT O
memiliki O
akurasi O
sebesar O
0.69 O
, O
serta O
analisis O
LSTM O
mendapatkan O
model O
dengan O
eror O
terkecil O
pada O
kombinasi O
variabel O
4 O
dan O
kombinasi O
variabel O
12 O
dengan O
masing-masing O
memiliki O
rataan O
eror O
RMSE B-METODE
sebesar O
1.765E-04 O
dan O
1.978E-04. O
Setelah O
dilakukan O
hyperparameter O
optimization O
, O
diperoleh B-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
yaitu I-TEMUAN
kombinasi I-TEMUAN
variabel I-TEMUAN
4 I-TEMUAN
dengan I-TEMUAN
eror I-TEMUAN
paling I-TEMUAN
minimum I-TEMUAN
yakni I-TEMUAN
7.580E-05 I-TEMUAN
dengan I-TEMUAN
RMSE I-TEMUAN
pada I-TEMUAN
pengujian I-TEMUAN
data I-TEMUAN
test I-TEMUAN
sebesar I-TEMUAN
332.66. I-TEMUAN
Kata O
Kunci— O
saham O
, O
BCA O
, O
LSTM O
, O
analisis O
sentimen O
[SEP] O
Dari O
12 O
indikator O
teknikal O
yang O
diformulasikan O
, O
setelah O
melalui O
proses O
feature O
selection O
hanya O
7 O
indikator O
yang O
digunakan O
kedalam O
model O
yakni O
SMA O
, O
StoD O
, O
RSI O
, O
MACD O
, O
ADO O
, O
CCI O
, O
MFI. O
Kombinasi O
indikator O
tersebut O
dipilih O
karena O
memiliki O
fitness O
value O
yang O
paling O
optimal O
terhadap O
model. O
Analisis B-METODE
sentimen I-METODE
telah O
berhasil O
dilakukan O
dengan O
menggunakan O
model O
IndoBERT O
serta O
memiliki O
akurasi O
sebesar O
69 O
% O
. O
Angka O
ini O
belum O
terbilang O
cukup O
baik O
mengingat O
analisis O
sentimen O
merupakan O
hal O
yang O
rumit. O
Penghitungan O
sentimen O
skor O
harian O
menunjukkan O
73.74 O
% O
skor O
harian O
menuju O
kearah O
tren O
positif O
( O
lebih O
dari O
0.5 O
) O
. O
7 O
/ O
8 O
Berdasarkan O
hasil O
10 O
kali O
walk O
forward O
validation O
, O
didapat O
dua O
model O
LSTM O
dengan O
kombinasi O
variabel O
terbaik O
yakni O
kombinasi O
variabel O
4 O
dan O
kombinasi O
variabel O
12 O
dengan O
rataan O
RMSE O
masing-masing O
1.978 O
dan O
1.765. O
Untuk O
mendapatkan O
performa O
model O
yang O
lebih O
baik O
, O
dilakukan O
hyperparameter O
optimization O
untuk O
kedua O
jenis O
model O
kombinasi O
variabel O
, O
dan O
diperoleh O
RMSE O
masing- O
masing O
model O
yakni O
KomVar4 O
0.000758 O
dan O
KomVar12 O
0.000804. O
Model O
tersebut O
kemudian O
dievaluasi O
menggunakan O
data O
test O
dimana O
model O
KomVar4 O
jauh O
mengungguli O
model O
KomVar12 O
dengan O
RMSE O
332.66 O
dibanding O
790.85.minimal. O

Pembangunan O
Sistem O
Informasi O
UKM O
KSR O
PMI O
Unit O
Politeknik O
Statistika O
STIS O
Anlin O
Pradana O
( O
221911212 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A. O
Ringkasan— O
UKM O
KSR O
PMI O
Unit O
Polstat O
STIS O
adalah O
UKM O
yang O
bergerak O
di O
bidang O
pertolongan O
pertama O
dan O
kemanusiaan. O
Dalam O
pengelolaan O
organisasinya O
, O
terdapat O
beberapa O
aktivitas O
yang O
masih O
belum O
efektif. O
Beberapa O
di O
antaranya O
adalah O
pengelolaan O
data O
yang O
masih O
berbasis O
fail O
, O
pencatatan O
data O
presensi O
rapat O
dan O
jaga O
klinik O
yang O
masih O
dilakukan O
secara O
manual O
, O
pembagian O
jadwal O
jaga O
klinik O
yang O
belum O
merata O
serta O
calon O
peminjam O
tidak O
memiliki O
akses O
langsung O
untuk O
melihat O
ketersediaan O
inventaris. O
Melihat O
permasalahan O
tadi O
, O
diperlukan O
implementasi B-TUJUAN
yang I-TUJUAN
mampu I-TUJUAN
meningkatkan I-TUJUAN
efektivitas I-TUJUAN
kegiatan I-TUJUAN
KSR. I-TUJUAN
Sistem O
informasi O
ini O
dibuat O
dengan O
menggunakan O
metode O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
waterfall. I-METODE
Setelah O
sistem O
selesai O
dibangun O
, O
dilakukan O
uji O
coba O
menggunakan O
Black B-METODE
Box I-METODE
Testing I-METODE
untuk O
mengevaluasi O
kesesuaian O
fitur-fitur O
sistem O
informasi O
yang O
telah O
dibangun O
dan O
System B-METODE
Usability I-METODE
Scale I-METODE
( O
SUS O
) O
untuk O
mengukur O
tingkat O
usability O
sebuah O
sistem. O
Berdasarkan O
hasil O
dari O
Black O
Box O
Testing O
, O
didapatkan O
bahwa O
sistem B-TEMUAN
sudah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
fungsinya I-TEMUAN
dan O
dari O
hasil O
pengujian O
SUS O
, O
didapatkan O
hasil O
bahwa O
pengguna B-TEMUAN
sudah I-TEMUAN
merasa I-TEMUAN
puas I-TEMUAN
dengan I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun. I-TEMUAN
informasi O
sebuah O
sistem O
Kata O
Kunci—Sistem O
informasi. O
UKM O
, O
KSR O
, O
Waterfall O
, O
Polstat O
STIS. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
1. O
Pengembangan O
Sistem O
Informasi O
UKM O
KSR O
PMI O
Unit O
Polstat O
STIS O
telah O
berhasil O
dilakukan. O
2. O
Sistem O
yang O
dibangun O
telah O
dapat O
mengelola O
data O
anggota O
, O
proker O
, O
rapat O
, O
jadwal O
jaga O
klinik O
, O
laporan O
kas O
, O
inventaris O
dan O
presensi O
rapat O
dan O
jaga O
klinik. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
3. O
Berdasarkan O
hasil O
pengujian O
dari O
Black O
Box O
Testing O
, O
didapatkan O
bahwa O
secara O
keseluruhan O
fungsi-fungsi B-TEMUAN
yang I-TEMUAN
terdapat I-TEMUAN
di I-TEMUAN
sistem I-TEMUAN
sudah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
harapan I-TEMUAN
4. O
Berdasarkan O
hasil O
pengujian O
, O
diperoleh O
skor B-TEMUAN
rata-rata I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
73,25. I-TEMUAN
Skor O
ini O
menunjukkan O
bahwa O
pengguna O
sudah O
merasa O
puas O
dengan O
sistem O
yang O
dievaluasi. O
Adapun O
saran O
yang O
dapat O
peneliti O
berikan O
untuk O
penelitian O
selanjutnya O
adalah O
sebagai O
berikut. O
1. O
Mengembangkan O
fitur O
notifikasi O
untuk O
mengingatkan O
pengguna O
yang O
lupa O
mengisi O
presensi O
rapat O
atau O
jaga O
klinik. O
2. O
Berdasarkan O
hasil O
dari O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
, O
terdapat O
skor O
yang O
rendah O
pada O
pertanyaan O
nomor O
9 O
dan O
10 O
, O
yang O
menunjukkan O
bahwa O
responden O
mengalami O
hambatan O
dalam O
menggunakan O
sistem O
dan O
membutuhkan O
waktu O
untuk O
beradaptasi O
dengan O
sistem O
tersebut. O
Oleh O
karena O
itu O
, O
diperlukan O
perbaikan O
pada O
desain O
antarmuka O
agar O
menjadi O
lebih O
mudah O
dipahami O
dan O
responsif O
, O
sehingga O
pengguna O
tidak O
merasa O
terhambat O
saat O
menggunakannya O
dan O
dapat O
beradaptasi O
dengan O
cepat. O

Pembangunan O
Sistem O
Informasi O
UKM O
KSR O
PMI O
Unit O
Politeknik O
Statistika O
STIS O
Anlin O
Pradana O
( O
221911212 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A. O
Ringkasan— O
UKM O
KSR O
PMI O
Unit O
Polstat O
STIS O
adalah O
UKM O
yang O
bergerak O
di O
bidang O
pertolongan O
pertama O
dan O
kemanusiaan. O
Dalam O
pengelolaan O
organisasinya O
, O
terdapat O
beberapa O
aktivitas O
yang O
masih O
belum O
efektif. O
Beberapa O
di O
antaranya O
adalah O
pengelolaan O
data O
yang O
masih O
berbasis O
fail O
, O
pencatatan O
data O
presensi O
rapat O
dan O
jaga O
klinik O
yang O
masih O
dilakukan O
secara O
manual O
, O
pembagian O
jadwal O
jaga O
klinik O
yang O
belum O
merata O
serta O
calon O
peminjam O
tidak O
memiliki O
akses O
langsung O
untuk O
melihat O
ketersediaan O
inventaris. O
Melihat O
permasalahan O
tadi O
, O
diperlukan O
implementasi B-TUJUAN
yang I-TUJUAN
mampu I-TUJUAN
meningkatkan I-TUJUAN
efektivitas I-TUJUAN
kegiatan I-TUJUAN
KSR. I-TUJUAN
Sistem O
informasi O
ini O
dibuat O
dengan O
menggunakan O
metode O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
waterfall. I-METODE
Setelah O
sistem O
selesai O
dibangun O
, O
dilakukan O
uji O
coba O
menggunakan O
Black B-METODE
Box I-METODE
Testing I-METODE
untuk O
mengevaluasi O
kesesuaian O
fitur-fitur O
sistem O
informasi O
yang O
telah O
dibangun O
dan O
System B-METODE
Usability I-METODE
Scale I-METODE
( O
SUS O
) O
untuk O
mengukur O
tingkat O
usability O
sebuah O
sistem. O
Berdasarkan O
hasil O
dari O
Black O
Box O
Testing O
, O
didapatkan O
bahwa O
sistem B-TEMUAN
sudah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
fungsinya I-TEMUAN
dan O
dari O
hasil O
pengujian O
SUS O
, O
didapatkan O
hasil O
bahwa O
pengguna B-TEMUAN
sudah I-TEMUAN
merasa I-TEMUAN
puas I-TEMUAN
dengan I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun. I-TEMUAN
informasi O
sebuah O
sistem O
Kata O
Kunci—Sistem O
informasi. O
UKM O
, O
KSR O
, O
Waterfall O
, O
Polstat O
STIS. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
1. O
Pengembangan O
Sistem O
Informasi O
UKM O
KSR O
PMI O
Unit O
Polstat O
STIS O
telah O
berhasil O
dilakukan. O
2. O
Sistem O
yang O
dibangun O
telah O
dapat O
mengelola O
data O
anggota O
, O
proker O
, O
rapat O
, O
jadwal O
jaga O
klinik O
, O
laporan O
kas O
, O
inventaris O
dan O
presensi O
rapat O
dan O
jaga O
klinik. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
3. O
Berdasarkan O
hasil O
pengujian O
dari O
Black O
Box O
Testing O
, O
didapatkan O
bahwa O
secara O
keseluruhan O
fungsi-fungsi B-TEMUAN
yang I-TEMUAN
terdapat I-TEMUAN
di I-TEMUAN
sistem I-TEMUAN
sudah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
harapan I-TEMUAN
4. O
Berdasarkan O
hasil O
pengujian O
, O
diperoleh O
skor B-TEMUAN
rata-rata I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
73,25. I-TEMUAN
Skor O
ini O
menunjukkan O
bahwa O
pengguna O
sudah O
merasa O
puas O
dengan O
sistem O
yang O
dievaluasi. O
Adapun O
saran O
yang O
dapat O
peneliti O
berikan O
untuk O
penelitian O
selanjutnya O
adalah O
sebagai O
berikut. O
1. O
Mengembangkan O
fitur O
notifikasi O
untuk O
mengingatkan O
pengguna O
yang O
lupa O
mengisi O
presensi O
rapat O
atau O
jaga O
klinik. O
2. O
Berdasarkan O
hasil O
dari O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
, O
terdapat O
skor O
yang O
rendah O
pada O
pertanyaan O
nomor O
9 O
dan O
10 O
, O
yang O
menunjukkan O
bahwa O
responden O
mengalami O
hambatan O
dalam O
menggunakan O
sistem O
dan O
membutuhkan O
waktu O
untuk O
beradaptasi O
dengan O
sistem O
tersebut. O
Oleh O
karena O
itu O
, O
diperlukan O
perbaikan O
pada O
desain O
antarmuka O
agar O
menjadi O
lebih O
mudah O
dipahami O
dan O
responsif O
, O
sehingga O
pengguna O
tidak O
merasa O
terhambat O
saat O
menggunakannya O
dan O
dapat O
beradaptasi O
dengan O
cepat. O

Pembangunan O
Sistem O
Informasi O
UKM O
KSR O
PMI O
Unit O
Politeknik O
Statistika O
STIS O
Anlin O
Pradana O
( O
221911212 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A. O
Ringkasan— O
UKM O
KSR O
PMI O
Unit O
Polstat O
STIS O
adalah O
UKM O
yang O
bergerak O
di O
bidang O
pertolongan O
pertama O
dan O
kemanusiaan. O
Dalam O
pengelolaan O
organisasinya O
, O
terdapat O
beberapa O
aktivitas O
yang O
masih O
belum O
efektif. O
Beberapa O
di O
antaranya O
adalah O
pengelolaan O
data O
yang O
masih O
berbasis O
fail O
, O
pencatatan O
data O
presensi O
rapat O
dan O
jaga O
klinik O
yang O
masih O
dilakukan O
secara O
manual O
, O
pembagian O
jadwal O
jaga O
klinik O
yang O
belum O
merata O
serta O
calon O
peminjam O
tidak O
memiliki O
akses O
langsung O
untuk O
melihat O
ketersediaan O
inventaris. O
Melihat O
permasalahan O
tadi O
, O
diperlukan O
implementasi B-TUJUAN
yang I-TUJUAN
mampu I-TUJUAN
meningkatkan I-TUJUAN
efektivitas I-TUJUAN
kegiatan I-TUJUAN
KSR. I-TUJUAN
Sistem O
informasi O
ini O
dibuat O
dengan O
menggunakan O
metode O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
waterfall. I-METODE
Setelah O
sistem O
selesai O
dibangun O
, O
dilakukan O
uji O
coba O
menggunakan O
Black B-METODE
Box I-METODE
Testing I-METODE
untuk O
mengevaluasi O
kesesuaian O
fitur-fitur O
sistem O
informasi O
yang O
telah O
dibangun O
dan O
System B-METODE
Usability I-METODE
Scale I-METODE
( O
SUS O
) O
untuk O
mengukur O
tingkat O
usability O
sebuah O
sistem. O
Berdasarkan O
hasil O
dari O
Black O
Box O
Testing O
, O
didapatkan O
bahwa O
sistem B-TEMUAN
sudah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
fungsinya I-TEMUAN
dan O
dari O
hasil O
pengujian O
SUS O
, O
didapatkan O
hasil O
bahwa O
pengguna B-TEMUAN
sudah I-TEMUAN
merasa I-TEMUAN
puas I-TEMUAN
dengan I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun. I-TEMUAN
informasi O
sebuah O
sistem O
Kata O
Kunci—Sistem O
informasi. O
UKM O
, O
KSR O
, O
Waterfall O
, O
Polstat O
STIS. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
1. O
Pengembangan O
Sistem O
Informasi O
UKM O
KSR O
PMI O
Unit O
Polstat O
STIS O
telah O
berhasil O
dilakukan. O
2. O
Sistem O
yang O
dibangun O
telah O
dapat O
mengelola O
data O
anggota O
, O
proker O
, O
rapat O
, O
jadwal O
jaga O
klinik O
, O
laporan O
kas O
, O
inventaris O
dan O
presensi O
rapat O
dan O
jaga O
klinik. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
3. O
Berdasarkan O
hasil O
pengujian O
dari O
Black O
Box O
Testing O
, O
didapatkan O
bahwa O
secara O
keseluruhan O
fungsi-fungsi B-TEMUAN
yang I-TEMUAN
terdapat I-TEMUAN
di I-TEMUAN
sistem I-TEMUAN
sudah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
harapan I-TEMUAN
4. O
Berdasarkan O
hasil O
pengujian O
, O
diperoleh O
skor B-TEMUAN
rata-rata I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
73,25. I-TEMUAN
Skor O
ini O
menunjukkan O
bahwa O
pengguna O
sudah O
merasa O
puas O
dengan O
sistem O
yang O
dievaluasi. O
Adapun O
saran O
yang O
dapat O
peneliti O
berikan O
untuk O
penelitian O
selanjutnya O
adalah O
sebagai O
berikut. O
1. O
Mengembangkan O
fitur O
notifikasi O
untuk O
mengingatkan O
pengguna O
yang O
lupa O
mengisi O
presensi O
rapat O
atau O
jaga O
klinik. O
2. O
Berdasarkan O
hasil O
dari O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
, O
terdapat O
skor O
yang O
rendah O
pada O
pertanyaan O
nomor O
9 O
dan O
10 O
, O
yang O
menunjukkan O
bahwa O
responden O
mengalami O
hambatan O
dalam O
menggunakan O
sistem O
dan O
membutuhkan O
waktu O
untuk O
beradaptasi O
dengan O
sistem O
tersebut. O
Oleh O
karena O
itu O
, O
diperlukan O
perbaikan O
pada O
desain O
antarmuka O
agar O
menjadi O
lebih O
mudah O
dipahami O
dan O
responsif O
, O
sehingga O
pengguna O
tidak O
merasa O
terhambat O
saat O
menggunakannya O
dan O
dapat O
beradaptasi O
dengan O
cepat. O

Kajian O
Implementasi O
Graph O
Database O
Pada O
Tabel O
Dinamis O
Website O
BPS O
Andi O
Muhammad O
Rosyidin O
Hidayat O
( O
221911210 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
BPS O
adalah O
lembaga O
pemerintah O
yang O
menyediakan O
data O
statistik O
berkualitas O
untuk O
Indonesia. O
Salah O
satu O
proses O
dalam O
penyediaan O
data O
statistik O
adalah O
proses O
diseminasi O
data O
statistik O
yang O
dilakukan O
BPS O
kepada O
publik. O
Proses O
diseminasi O
data O
dilakukan O
melalui O
website O
BPS O
, O
salah O
satunya O
melalui O
fitur O
tabel O
dinamis. O
Fitur O
ini O
membutuhkan O
kinerja O
database O
yang O
tinggi O
untuk O
menangani O
volume O
data O
besar. O
Kebutuhan O
akan O
kinerja O
yang O
tinggi O
pada O
database O
dijawab O
dengan O
penggunaan O
jenis O
database O
NoSQL O
( O
Not O
Only O
SQL O
) O
. O
Graph O
database O
dipilih O
sebagai O
teknologi O
penyimpanan O
data O
non- O
relasional O
atau O
NoSQL O
yang O
dikaji O
untuk O
diimplementasikan O
sebagai O
teknologi O
penyimpanan O
data O
tabel O
dinamis O
website O
BPS. O
Kajian O
dilakukan O
dengan O
mengimplementasikan O
graph O
database O
lalu O
mengukur O
performanya O
terhadap O
sistem O
berjalan O
dengan O
membandingkan O
lama O
waktu O
eksekusi O
suatu O
query. O
Implementasi O
graph O
database O
pada O
tabel O
dinamis O
berhasil O
dilakukan O
dengan O
menggunakan O
Neo4j O
sebagai O
graph O
DBMS. O
Hasil O
pengukuran O
performa O
menunjukkan O
Neo4j B-TEMUAN
dapat I-TEMUAN
lebih I-TEMUAN
cepat I-TEMUAN
1,19 I-TEMUAN
hingga I-TEMUAN
30,26 I-TEMUAN
kali I-TEMUAN
dibandingkan I-TEMUAN
sistem I-TEMUAN
berjalan I-TEMUAN
pada I-TEMUAN
kondisi I-TEMUAN
tertentu. I-TEMUAN
Hal O
ini O
menunjukkan O
bahwa O
graph O
database O
memiliki O
performa O
yang O
lebih O
baik. O
Kata O
Kunci— O
Graph O
database O
, O
Neo4j O
, O
Tabel O
dinamis O
BPS. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
implementasi B-METODE
graph I-METODE
database I-METODE
dengan I-METODE
menggunakan I-METODE
Neo4j I-METODE
sebagai O
graph O
DBMS O
pada O
tabel O
dinamis O
website O
BPS O
menghasilkan O
skema O
graph O
dengan O
total O
3.365.778 O
node O
yang O
terbagi O
menjadi O
14 O
label O
node O
dan O
16.810.408 O
relationship O
yang O
terbagi O
menjadi O
15 O
jenis O
relationship. O
Empat O
jenis O
query O
pengujian O
berhasil O
dibuat O
dengan O
kompleksitas O
, O
jumlah O
data O
, O
dan O
jumlah O
user O
berbeda O
menggunakan O
Structure O
Query O
Language O
( O
SQL O
) O
dan O
Cypher O
Query O
Language. O
Hasil O
pengukuran O
performa O
menggunakan O
empat O
jenis O
query O
pengujian O
tersebut O
menunjukkan O
bahwa O
Neo4j O
lebih O
cepat O
sekitar O
1,19 O
hingga O
7,87 O
kali O
pada O
satu O
user O
dan O
1,70 O
hingga O
30,26 O
kali O
pada O
30 O
concurrent O
user O
dibandingkan O
dengan O
PostgreSQL. O
Sehingga O
penggunaan O
graph O
database O
sebagai O
teknologi O
penyimpanan O
data O
non- O
relasional O
pada O
tabel O
dinamis O
website O
BPS O
dapat O
meningkatkan O
performa O
kinerja O
database O
secara O
signifikan O
, O
terutama O
dalam O
menangani O
volume O
data O
yang O
lebih O
besar. O
Saran O
yang O
dapat O
diajukan O
untuk O
penelitian O
selanjutnya O
atau O
pengembangan O
topik O
ini O
, O
yaitu O
mencoba O
skema O
graph O
lain O
yang O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
mungkin O
saja O
dapat O
menghasilkan O
performa O
yang O
lebih O
baik O
, O
mengevaluasi O
performa O
graph O
database O
dengan O
variabel O
lain O
yang O
belum O
tercakup O
dalam O
penelitian O
ini O
seperti O
halnya O
memori O
, O
membuat O
web O
Application O
Programming O
Interface O
( O
API O
) O
graph O
database O
tabel O
dinamis O
website O
BPS O
, O
dan O
membuat O
Extract O
, O
Transform O
, O
Load O
( O
ETL O
) O
graph O
database O
tabel O
dinamis O
cy O
BPS. O

Kajian O
Implementasi O
Graph O
Database O
Pada O
Tabel O
Dinamis O
Website O
BPS O
Andi O
Muhammad O
Rosyidin O
Hidayat O
( O
221911210 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
BPS O
adalah O
lembaga O
pemerintah O
yang O
menyediakan O
data O
statistik O
berkualitas O
untuk O
Indonesia. O
Salah O
satu O
proses O
dalam O
penyediaan O
data O
statistik O
adalah O
proses O
diseminasi O
data O
statistik O
yang O
dilakukan O
BPS O
kepada O
publik. O
Proses O
diseminasi O
data O
dilakukan O
melalui O
website O
BPS O
, O
salah O
satunya O
melalui O
fitur O
tabel O
dinamis. O
Fitur O
ini O
membutuhkan O
kinerja O
database O
yang O
tinggi O
untuk O
menangani O
volume O
data O
besar. O
Kebutuhan O
akan O
kinerja O
yang O
tinggi O
pada O
database O
dijawab O
dengan O
penggunaan O
jenis O
database O
NoSQL O
( O
Not O
Only O
SQL O
) O
. O
Graph O
database O
dipilih O
sebagai O
teknologi O
penyimpanan O
data O
non- O
relasional O
atau O
NoSQL O
yang O
dikaji O
untuk O
diimplementasikan O
sebagai O
teknologi O
penyimpanan O
data O
tabel O
dinamis O
website O
BPS. O
Kajian O
dilakukan O
dengan O
mengimplementasikan O
graph O
database O
lalu O
mengukur O
performanya O
terhadap O
sistem O
berjalan O
dengan O
membandingkan O
lama O
waktu O
eksekusi O
suatu O
query. O
Implementasi O
graph O
database O
pada O
tabel O
dinamis O
berhasil O
dilakukan O
dengan O
menggunakan O
Neo4j O
sebagai O
graph O
DBMS. O
Hasil O
pengukuran O
performa O
menunjukkan O
Neo4j B-TEMUAN
dapat I-TEMUAN
lebih I-TEMUAN
cepat I-TEMUAN
1,19 I-TEMUAN
hingga I-TEMUAN
30,26 I-TEMUAN
kali I-TEMUAN
dibandingkan I-TEMUAN
sistem I-TEMUAN
berjalan I-TEMUAN
pada I-TEMUAN
kondisi I-TEMUAN
tertentu. I-TEMUAN
Hal O
ini O
menunjukkan O
bahwa O
graph O
database O
memiliki O
performa O
yang O
lebih O
baik. O
Kata O
Kunci— O
Graph O
database O
, O
Neo4j O
, O
Tabel O
dinamis O
BPS. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
implementasi B-METODE
graph I-METODE
database I-METODE
dengan I-METODE
menggunakan I-METODE
Neo4j I-METODE
sebagai O
graph O
DBMS O
pada O
tabel O
dinamis O
website O
BPS O
menghasilkan O
skema O
graph O
dengan O
total O
3.365.778 O
node O
yang O
terbagi O
menjadi O
14 O
label O
node O
dan O
16.810.408 O
relationship O
yang O
terbagi O
menjadi O
15 O
jenis O
relationship. O
Empat O
jenis O
query O
pengujian O
berhasil O
dibuat O
dengan O
kompleksitas O
, O
jumlah O
data O
, O
dan O
jumlah O
user O
berbeda O
menggunakan O
Structure O
Query O
Language O
( O
SQL O
) O
dan O
Cypher O
Query O
Language. O
Hasil O
pengukuran O
performa O
menggunakan O
empat O
jenis O
query O
pengujian O
tersebut O
menunjukkan O
bahwa O
Neo4j O
lebih O
cepat O
sekitar O
1,19 O
hingga O
7,87 O
kali O
pada O
satu O
user O
dan O
1,70 O
hingga O
30,26 O
kali O
pada O
30 O
concurrent O
user O
dibandingkan O
dengan O
PostgreSQL. O
Sehingga O
penggunaan O
graph O
database O
sebagai O
teknologi O
penyimpanan O
data O
non- O
relasional O
pada O
tabel O
dinamis O
website O
BPS O
dapat O
meningkatkan O
performa O
kinerja O
database O
secara O
signifikan O
, O
terutama O
dalam O
menangani O
volume O
data O
yang O
lebih O
besar. O
Saran O
yang O
dapat O
diajukan O
untuk O
penelitian O
selanjutnya O
atau O
pengembangan O
topik O
ini O
, O
yaitu O
mencoba O
skema O
graph O
lain O
yang O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
mungkin O
saja O
dapat O
menghasilkan O
performa O
yang O
lebih O
baik O
, O
mengevaluasi O
performa O
graph O
database O
dengan O
variabel O
lain O
yang O
belum O
tercakup O
dalam O
penelitian O
ini O
seperti O
halnya O
memori O
, O
membuat O
web O
Application O
Programming O
Interface O
( O
API O
) O
graph O
database O
tabel O
dinamis O
website O
BPS O
, O
dan O
membuat O
Extract O
, O
Transform O
, O
Load O
( O
ETL O
) O
graph O
database O
tabel O
dinamis O
cy O
BPS. O

Analisis O
Angka O
Kriminalitas O
Melalui O
Konten O
Situs O
Berita O
Online O
( O
Studi O
Kasus O
: O
Situs O
Berita O
detik.com O
) O
Nadhira O
Annisa O
Dwi O
Dharviyanti O
( O
221911206 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I O
Ringkasan—Mencegah O
tindak O
kejahatan O
menjadi O
salah O
satu O
target O
dari O
tujuan O
SDGs O
ke-16. O
Untuk O
mencapai O
target O
tersebut O
, O
diperlukan O
pengetahuan O
mengenai O
angka O
kriminalitas. O
Di O
Indonesia O
, O
Pusiknas O
Polri O
dan O
Badan O
Pusat O
Stastistik O
merilis O
publikasi O
tahunan O
yang O
memuat O
angka O
kriminalitas O
untuk O
menilai O
kondisi O
keamanan O
di O
Indonesia. O
Namun O
, O
publikasi O
tahunan O
tersebut O
memiliki O
keterbatasan O
dalam O
menyajikan O
data O
statistik O
yang O
aktual. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
meneliti O
potensi B-TUJUAN
situs I-TUJUAN
berita I-TUJUAN
online I-TUJUAN
sebagai I-TUJUAN
sumber I-TUJUAN
informasi I-TUJUAN
untuk I-TUJUAN
memperoleh I-TUJUAN
gambaran I-TUJUAN
angka I-TUJUAN
kriminalitas I-TUJUAN
di I-TUJUAN
Indonesia I-TUJUAN
secara O
aktual. O
Pada O
penelitian O
ini O
, O
model O
NER B-METODE
rule-based I-METODE
digunakan O
untuk O
mengekstrak O
informasi O
dari O
konten O
berita O
online. O
Model O
NER O
secara O
otomatis O
mengidentifikasi O
informasi-informasi O
terkait O
kriminalitas O
yang O
dimuat O
dalam O
berita. O
Informasi O
yang O
berhasil O
diesktrak O
kemudian O
dianalisis O
untuk O
mendapatkan O
gambaran O
angka O
kriminalitas O
di O
Indonesia. O
Penelitian O
ini O
berhasil O
mengidentifikasi O
9.386 O
berita O
kriminal. O
Hasil O
dari O
evaluasi O
performa O
model O
NER O
yang O
diusulkan O
mendapat O
skor B-TEMUAN
rata-rata I-TEMUAN
F- I-TEMUAN
measure I-TEMUAN
sebesar I-TEMUAN
90,71 I-TEMUAN
% I-TEMUAN
. O
Skor O
ini O
menunjukkan O
bahwa O
model B-TEMUAN
yang I-TEMUAN
diusulkan I-TEMUAN
sudah I-TEMUAN
cukup I-TEMUAN
efektif I-TEMUAN
dalam I-TEMUAN
mengidentifikasi I-TEMUAN
informasi I-TEMUAN
dengan I-TEMUAN
benar I-TEMUAN
pada I-TEMUAN
berita I-TEMUAN
kriminal I-TEMUAN
dari O
situs O
berita O
online. O
Kata O
Kunci—angka O
kriminalitas O
, O
berita O
online O
, O
NER O
rule-based O
, O
berita O
kriminal O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
diambil O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Metode O
untuk O
mengidentifikasi O
berita O
kriminal O
dari O
berita- O
berita O
online O
lainnya O
adalah O
dengan O
mengidentifikasi O
empat O
informasi O
, O
yaitu O
informasi O
mengenai O
tanggal O
, O
lokasi O
, O
jenis O
kejahatan O
, O
dan O
orang-orang O
yang O
terlibat O
dalam O
kasus O
kriminal O
tersebut. O
Metode O
ini O
dibuktikan O
dengan O
hasil O
evaluasi O
performa O
model O
NER O
rule-based O
yang O
diusulkan O
memperoleh O
skor B-TEMUAN
rata-rata I-TEMUAN
F-measure I-TEMUAN
sebesar I-TEMUAN
90,71 I-TEMUAN
% I-TEMUAN
, O
yang O
menunjukkan O
bahwa O
model B-TEMUAN
NER I-TEMUAN
rule-based I-TEMUAN
yang I-TEMUAN
diusulkan I-TEMUAN
sudah I-TEMUAN
cukup I-TEMUAN
efektif I-TEMUAN
dalam I-TEMUAN
mengidentifikasi I-TEMUAN
informasi I-TEMUAN
dengan I-TEMUAN
benar I-TEMUAN
pada I-TEMUAN
berita I-TEMUAN
kriminal I-TEMUAN
dari O
situs O
berita O
online. O
2. O
Informasi O
kriminalitas O
yang O
dapat O
diperoleh O
dari O
berita O
online O
, O
yaitu O
: O
( O
1 O
) O
Jenis O
kejahatan O
yang O
sedang O
marak O
terjadi O
di O
masyarakat O
, O
( O
2 O
) O
Sebaran O
lokasi O
kejadian O
kriminal. O
Dalam O
hal O
ini O
, O
berita O
online O
mampu O
menyajikan O
pola O
sebaran O
kriminalitas O
menurut O
jenis O
kejahatan O
dan O
lokasi O
kejadian O
untuk O
tahun O
berjalan. O
3. O
Berita O
online O
belum O
bisa O
menghasilkan O
angka O
crime O
total O
dan O
crime O
rate O
yang O
relevan. O
Hal O
ini O
dikarenakan O
jumlah O
kejadian O
kriminal O
yang O
diberitakan O
melalui O
situs O
berita O
online O
tidak O
sebanyak O
laporan O
kejadian O
kriminal O
yang O
tercatat O
di O
Pusiknas O
Polri O
, O
sehingga O
angka O
yang O
didapatkan O
dari O
berita O
online O
jauh O
lebih O
kecil O
dibandingkan O
dengan O
kejadian O
kriminal O
yang O
sebenarnya O
terjadi. O
Berdasarkan O
dari O
kesimpulan O
tersebut O
, O
penelitian O
selanjutnya O
dapat O
mengkaji O
kembali O
terkait O
pertumbuhan O
crime O
total O
per O
bulan O
karena O
belum O
dapat O
dibuktikan O
di O
penelitian O
ini. O
Selain O
itu O
, O
penelitian O
selanjutnya O
dapat O
mengkaji O
terkait O
potensi O
berita O
kriminal O
dalam O
menggambarkan O
selang O
waktu O
terjadinya O
suatu O
tindak O
kejahatan O
( O
crime O
clock O
) O
. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O

Analisis O
Angka O
Kriminalitas O
Melalui O
Konten O
Situs O
Berita O
Online O
( O
Studi O
Kasus O
: O
Situs O
Berita O
detik.com O
) O
Nadhira O
Annisa O
Dwi O
Dharviyanti O
( O
221911206 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I O
Ringkasan—Mencegah O
tindak O
kejahatan O
menjadi O
salah O
satu O
target O
dari O
tujuan O
SDGs O
ke-16. O
Untuk O
mencapai O
target O
tersebut O
, O
diperlukan O
pengetahuan O
mengenai O
angka O
kriminalitas. O
Di O
Indonesia O
, O
Pusiknas O
Polri O
dan O
Badan O
Pusat O
Stastistik O
merilis O
publikasi O
tahunan O
yang O
memuat O
angka O
kriminalitas O
untuk O
menilai O
kondisi O
keamanan O
di O
Indonesia. O
Namun O
, O
publikasi O
tahunan O
tersebut O
memiliki O
keterbatasan O
dalam O
menyajikan O
data O
statistik O
yang O
aktual. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
meneliti O
potensi B-TUJUAN
situs I-TUJUAN
berita I-TUJUAN
online I-TUJUAN
sebagai I-TUJUAN
sumber I-TUJUAN
informasi I-TUJUAN
untuk I-TUJUAN
memperoleh I-TUJUAN
gambaran I-TUJUAN
angka I-TUJUAN
kriminalitas I-TUJUAN
di I-TUJUAN
Indonesia I-TUJUAN
secara O
aktual. O
Pada O
penelitian O
ini O
, O
model O
NER B-METODE
rule-based I-METODE
digunakan O
untuk O
mengekstrak O
informasi O
dari O
konten O
berita O
online. O
Model O
NER O
secara O
otomatis O
mengidentifikasi O
informasi-informasi O
terkait O
kriminalitas O
yang O
dimuat O
dalam O
berita. O
Informasi O
yang O
berhasil O
diesktrak O
kemudian O
dianalisis O
untuk O
mendapatkan O
gambaran O
angka O
kriminalitas O
di O
Indonesia. O
Penelitian O
ini O
berhasil O
mengidentifikasi O
9.386 O
berita O
kriminal. O
Hasil O
dari O
evaluasi O
performa O
model O
NER O
yang O
diusulkan O
mendapat O
skor B-TEMUAN
rata-rata I-TEMUAN
F- I-TEMUAN
measure I-TEMUAN
sebesar I-TEMUAN
90,71 I-TEMUAN
% I-TEMUAN
. O
Skor O
ini O
menunjukkan O
bahwa O
model B-TEMUAN
yang I-TEMUAN
diusulkan I-TEMUAN
sudah I-TEMUAN
cukup I-TEMUAN
efektif I-TEMUAN
dalam I-TEMUAN
mengidentifikasi I-TEMUAN
informasi I-TEMUAN
dengan I-TEMUAN
benar I-TEMUAN
pada I-TEMUAN
berita I-TEMUAN
kriminal I-TEMUAN
dari O
situs O
berita O
online. O
Kata O
Kunci—angka O
kriminalitas O
, O
berita O
online O
, O
NER O
rule-based O
, O
berita O
kriminal O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
diambil O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Metode O
untuk O
mengidentifikasi O
berita O
kriminal O
dari O
berita- O
berita O
online O
lainnya O
adalah O
dengan O
mengidentifikasi O
empat O
informasi O
, O
yaitu O
informasi O
mengenai O
tanggal O
, O
lokasi O
, O
jenis O
kejahatan O
, O
dan O
orang-orang O
yang O
terlibat O
dalam O
kasus O
kriminal O
tersebut. O
Metode O
ini O
dibuktikan O
dengan O
hasil O
evaluasi O
performa O
model O
NER O
rule-based O
yang O
diusulkan O
memperoleh O
skor B-TEMUAN
rata-rata I-TEMUAN
F-measure I-TEMUAN
sebesar I-TEMUAN
90,71 I-TEMUAN
% I-TEMUAN
, O
yang O
menunjukkan O
bahwa O
model B-TEMUAN
NER I-TEMUAN
rule-based I-TEMUAN
yang I-TEMUAN
diusulkan I-TEMUAN
sudah I-TEMUAN
cukup I-TEMUAN
efektif I-TEMUAN
dalam I-TEMUAN
mengidentifikasi I-TEMUAN
informasi I-TEMUAN
dengan I-TEMUAN
benar I-TEMUAN
pada I-TEMUAN
berita I-TEMUAN
kriminal I-TEMUAN
dari O
situs O
berita O
online. O
2. O
Informasi O
kriminalitas O
yang O
dapat O
diperoleh O
dari O
berita O
online O
, O
yaitu O
: O
( O
1 O
) O
Jenis O
kejahatan O
yang O
sedang O
marak O
terjadi O
di O
masyarakat O
, O
( O
2 O
) O
Sebaran O
lokasi O
kejadian O
kriminal. O
Dalam O
hal O
ini O
, O
berita O
online O
mampu O
menyajikan O
pola O
sebaran O
kriminalitas O
menurut O
jenis O
kejahatan O
dan O
lokasi O
kejadian O
untuk O
tahun O
berjalan. O
3. O
Berita O
online O
belum O
bisa O
menghasilkan O
angka O
crime O
total O
dan O
crime O
rate O
yang O
relevan. O
Hal O
ini O
dikarenakan O
jumlah O
kejadian O
kriminal O
yang O
diberitakan O
melalui O
situs O
berita O
online O
tidak O
sebanyak O
laporan O
kejadian O
kriminal O
yang O
tercatat O
di O
Pusiknas O
Polri O
, O
sehingga O
angka O
yang O
didapatkan O
dari O
berita O
online O
jauh O
lebih O
kecil O
dibandingkan O
dengan O
kejadian O
kriminal O
yang O
sebenarnya O
terjadi. O
Berdasarkan O
dari O
kesimpulan O
tersebut O
, O
penelitian O
selanjutnya O
dapat O
mengkaji O
kembali O
terkait O
pertumbuhan O
crime O
total O
per O
bulan O
karena O
belum O
dapat O
dibuktikan O
di O
penelitian O
ini. O
Selain O
itu O
, O
penelitian O
selanjutnya O
dapat O
mengkaji O
terkait O
potensi O
berita O
kriminal O
dalam O
menggambarkan O
selang O
waktu O
terjadinya O
suatu O
tindak O
kejahatan O
( O
crime O
clock O
) O
. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O

Analisis O
Angka O
Kriminalitas O
Melalui O
Konten O
Situs O
Berita O
Online O
( O
Studi O
Kasus O
: O
Situs O
Berita O
detik.com O
) O
Nadhira O
Annisa O
Dwi O
Dharviyanti O
( O
221911206 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I O
Ringkasan—Mencegah O
tindak O
kejahatan O
menjadi O
salah O
satu O
target O
dari O
tujuan O
SDGs O
ke-16. O
Untuk O
mencapai O
target O
tersebut O
, O
diperlukan O
pengetahuan O
mengenai O
angka O
kriminalitas. O
Di O
Indonesia O
, O
Pusiknas O
Polri O
dan O
Badan O
Pusat O
Stastistik O
merilis O
publikasi O
tahunan O
yang O
memuat O
angka O
kriminalitas O
untuk O
menilai O
kondisi O
keamanan O
di O
Indonesia. O
Namun O
, O
publikasi O
tahunan O
tersebut O
memiliki O
keterbatasan O
dalam O
menyajikan O
data O
statistik O
yang O
aktual. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
meneliti O
potensi B-TUJUAN
situs I-TUJUAN
berita I-TUJUAN
online I-TUJUAN
sebagai I-TUJUAN
sumber I-TUJUAN
informasi I-TUJUAN
untuk I-TUJUAN
memperoleh I-TUJUAN
gambaran I-TUJUAN
angka I-TUJUAN
kriminalitas I-TUJUAN
di I-TUJUAN
Indonesia I-TUJUAN
secara O
aktual. O
Pada O
penelitian O
ini O
, O
model O
NER B-METODE
rule-based I-METODE
digunakan O
untuk O
mengekstrak O
informasi O
dari O
konten O
berita O
online. O
Model O
NER O
secara O
otomatis O
mengidentifikasi O
informasi-informasi O
terkait O
kriminalitas O
yang O
dimuat O
dalam O
berita. O
Informasi O
yang O
berhasil O
diesktrak O
kemudian O
dianalisis O
untuk O
mendapatkan O
gambaran O
angka O
kriminalitas O
di O
Indonesia. O
Penelitian O
ini O
berhasil O
mengidentifikasi O
9.386 O
berita O
kriminal. O
Hasil O
dari O
evaluasi O
performa O
model O
NER O
yang O
diusulkan O
mendapat O
skor B-TEMUAN
rata-rata I-TEMUAN
F- I-TEMUAN
measure I-TEMUAN
sebesar I-TEMUAN
90,71 I-TEMUAN
% I-TEMUAN
. O
Skor O
ini O
menunjukkan O
bahwa O
model B-TEMUAN
yang I-TEMUAN
diusulkan I-TEMUAN
sudah I-TEMUAN
cukup I-TEMUAN
efektif I-TEMUAN
dalam I-TEMUAN
mengidentifikasi I-TEMUAN
informasi I-TEMUAN
dengan I-TEMUAN
benar I-TEMUAN
pada I-TEMUAN
berita I-TEMUAN
kriminal I-TEMUAN
dari O
situs O
berita O
online. O
Kata O
Kunci—angka O
kriminalitas O
, O
berita O
online O
, O
NER O
rule-based O
, O
berita O
kriminal O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
diambil O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Metode O
untuk O
mengidentifikasi O
berita O
kriminal O
dari O
berita- O
berita O
online O
lainnya O
adalah O
dengan O
mengidentifikasi O
empat O
informasi O
, O
yaitu O
informasi O
mengenai O
tanggal O
, O
lokasi O
, O
jenis O
kejahatan O
, O
dan O
orang-orang O
yang O
terlibat O
dalam O
kasus O
kriminal O
tersebut. O
Metode O
ini O
dibuktikan O
dengan O
hasil O
evaluasi O
performa O
model O
NER O
rule-based O
yang O
diusulkan O
memperoleh O
skor B-TEMUAN
rata-rata I-TEMUAN
F-measure I-TEMUAN
sebesar I-TEMUAN
90,71 I-TEMUAN
% I-TEMUAN
, O
yang O
menunjukkan O
bahwa O
model B-TEMUAN
NER I-TEMUAN
rule-based I-TEMUAN
yang I-TEMUAN
diusulkan I-TEMUAN
sudah I-TEMUAN
cukup I-TEMUAN
efektif I-TEMUAN
dalam I-TEMUAN
mengidentifikasi I-TEMUAN
informasi I-TEMUAN
dengan I-TEMUAN
benar I-TEMUAN
pada I-TEMUAN
berita I-TEMUAN
kriminal I-TEMUAN
dari O
situs O
berita O
online. O
2. O
Informasi O
kriminalitas O
yang O
dapat O
diperoleh O
dari O
berita O
online O
, O
yaitu O
: O
( O
1 O
) O
Jenis O
kejahatan O
yang O
sedang O
marak O
terjadi O
di O
masyarakat O
, O
( O
2 O
) O
Sebaran O
lokasi O
kejadian O
kriminal. O
Dalam O
hal O
ini O
, O
berita O
online O
mampu O
menyajikan O
pola O
sebaran O
kriminalitas O
menurut O
jenis O
kejahatan O
dan O
lokasi O
kejadian O
untuk O
tahun O
berjalan. O
3. O
Berita O
online O
belum O
bisa O
menghasilkan O
angka O
crime O
total O
dan O
crime O
rate O
yang O
relevan. O
Hal O
ini O
dikarenakan O
jumlah O
kejadian O
kriminal O
yang O
diberitakan O
melalui O
situs O
berita O
online O
tidak O
sebanyak O
laporan O
kejadian O
kriminal O
yang O
tercatat O
di O
Pusiknas O
Polri O
, O
sehingga O
angka O
yang O
didapatkan O
dari O
berita O
online O
jauh O
lebih O
kecil O
dibandingkan O
dengan O
kejadian O
kriminal O
yang O
sebenarnya O
terjadi. O
Berdasarkan O
dari O
kesimpulan O
tersebut O
, O
penelitian O
selanjutnya O
dapat O
mengkaji O
kembali O
terkait O
pertumbuhan O
crime O
total O
per O
bulan O
karena O
belum O
dapat O
dibuktikan O
di O
penelitian O
ini. O
Selain O
itu O
, O
penelitian O
selanjutnya O
dapat O
mengkaji O
terkait O
potensi O
berita O
kriminal O
dalam O
menggambarkan O
selang O
waktu O
terjadinya O
suatu O
tindak O
kejahatan O
( O
crime O
clock O
) O
. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O

Analisis O
Kualitas O
Website O
Warkop O
Pusdiklat O
BPS O
dengan O
Metode O
Webqual O
4.0 O
Putri O
Fitrah O
Insani O
( O
221911205 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M.Stat O
Ringkasan— O
Website O
Warung O
Kompetensi O
Pegawai O
Pusdiklat O
BPS O
digunakan O
sebagai O
sarana O
menyelenggarakan O
berbagai O
diklat O
untuk O
pegawai O
BPS. O
Berdasarkan O
hasil O
analisis O
dari O
sitechecker O
masih O
terdapat O
beberapa O
halaman O
pada O
website O
yang O
mengalami O
masalah. O
Selain O
itu O
, O
dengan O
banyaknya O
jumlah O
pengguna O
website O
serta O
peran O
penting O
website O
dalam O
membangun O
dan O
meningkatkan O
kualitas O
sumber O
daya O
manusia O
di O
BPS O
maka O
perlu O
untuk O
mengukur B-TUJUAN
kualitas I-TUJUAN
dari I-TUJUAN
website I-TUJUAN
untuk O
memastikan O
peran O
website O
dan O
Pusdiklat O
BPS O
terlaksana O
secara O
maksimal. O
Sehingga O
pada O
penelitian O
ini O
dilakukan O
analisis O
kualitas O
website O
pada O
Warkop O
Pusdiklat O
BPS. O
Penelitian O
ini O
menggunakan O
metode B-METODE
Webqual I-METODE
4.0 I-METODE
dengan O
tiga O
fokus O
yaitu O
Usability O
, O
Information O
Quality O
, O
dan O
Service O
Interaction O
yang O
dinilai O
berdasarkan O
persepsi O
pengguna. O
Dari O
hasil O
penelitian O
disimpulkan O
bahwa O
kualitas B-TEMUAN
website I-TEMUAN
secara I-TEMUAN
keseluruhan I-TEMUAN
adalah I-TEMUAN
sangat I-TEMUAN
baik I-TEMUAN
, I-TEMUAN
tetapi I-TEMUAN
belum I-TEMUAN
ada I-TEMUAN
indikator I-TEMUAN
penilaian I-TEMUAN
kualitas I-TEMUAN
yang I-TEMUAN
mencapai I-TEMUAN
harapan I-TEMUAN
dari I-TEMUAN
pengguna I-TEMUAN
website. I-TEMUAN
Serta O
terdapat O
tiga O
indikator O
pada O
website O
yang O
menjadi O
prioritas O
dalam O
peningkatan O
kualitas O
website O
yaitu O
detail O
informasi O
, O
interaksi O
website O
, O
dan O
ketepatan O
janji. O
Kata O
Kunci— O
Kualitas O
, O
Website O
, O
Warkop O
Pusdiklat O
BPS O
, O
Webqual O
4.0. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
mengukur B-TUJUAN
kualitas I-TUJUAN
website I-TUJUAN
Warkop I-TUJUAN
Pusdiklat I-TUJUAN
BPS I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
Webqual I-TUJUAN
4.0 I-TUJUAN
diperoleh O
beberapa O
kesimpulan O
: O
1. O
Pada O
hasil O
analisis O
Webqual O
Index O
, O
kualitas B-TEMUAN
website I-TEMUAN
Warkop I-TEMUAN
Pusdiklat I-TEMUAN
BPS I-TEMUAN
mencapai I-TEMUAN
87 I-TEMUAN
% I-TEMUAN
sehingga O
kualitas B-TEMUAN
website I-TEMUAN
dapat I-TEMUAN
digolongkan I-TEMUAN
pada I-TEMUAN
kategori I-TEMUAN
sangat I-TEMUAN
baik. I-TEMUAN
2. O
Berdasarkan O
hasil O
analisis O
kesenjangan O
, O
kualitas O
website O
Warkop O
Pusdiklat O
BPS O
masih O
belum O
memenuhi O
harapan O
penggunanya. O
Kesenjangan O
terbesar O
terdapat O
pada O
atribut O
tampilan O
website O
, O
komunikasi O
dengan O
pengguna O
, O
dan O
kemudahan O
menemukan O
fitur-fitur O
dalam O
website O
3. O
Untuk O
hasil O
analisis O
IPA O
( O
importance-performance O
analysis O
) O
terdapat O
tiga O
atribut O
pada O
website O
Warkop O
Pusdiklat O
BPS O
yang O
menjadi O
prioritas O
perbaikan O
yaitu O
detail O
informasi O
, O
interaksi O
website O
, O
dan O
ketepatan O
janji. O
Sedangkan O
untuk O
atribut O
dengan O
performa O
cukup O
baik O
yang O
perlu O
dipertahankan O
adalah O
atribut O
nomor O
10 O
( O
informasi O
yang O
terpercaya O
) O
, O
atribut O
nomor O
9 O
( O
keakuratan O
informasi O
) O
, O
atribut O
nomor O
12 O
( O
informasi O
yang O
relevan O
) O
, O
atribut O
nomor O
1 O
( O
pengoperasian O
mudah O
) O
, O
atribut O
nomor O
13 O
( O
informasi O
mudah O
dimengerti O
) O
, O
atribut O
nomor O
11 O
( O
informasi O
tepat O
waktu O
) O
, O
atribut O
nomor O
4 O
( O
penggunaan O
mudah O
) O
, O
atribut O
nomor O
19 O
( O
terjaminnya O
privasi O
) O
, O
atribut O
nomor O
18 O
( O
keamanan O
data O
) O
, O
atribut O
nomor O
15 O
( O
format O
informasi O
tepat O
) O
, O
atribut O
nomor O
17 O
( O
keamanan O
transaksi O
dalam O
website O
) O
, O
16 O
( O
reputasi O
baik O
) O
. O
Dan O
atribut O
lain O
dengan O
prioritas O
perbaikan O
rendah O
yaitu O
atribut O
nomor O
3 O
( O
kemudahan O
menemukan O
fitur O
dalam O
website O
) O
, O
atribut O
nomor O
6 O
( O
kesesuaian O
desain O
website O
) O
, O
atribut O
nomor O
20 O
( O
kemudahan O
komunikasi O
dengan O
pihak O
website O
) O
, O
atribut O
nomor O
5 O
( O
tampilan O
website O
yang O
menarik O
) O
dan O
atribut O
nomor O
21 O
( O
rasa O
bersosialisasi O
melalui O
website O
) O
. O
Serta O
atribut O
yang O
menjadi O
prioritas O
terakhir O
dalam O
perbaikan O
website O
yaitu O
atribut O
nomor O
8 O
( O
kompetensi O
website O
) O
dan O
atribut O
nomor O
7 O
( O
pengalaman O
positif O
pengguna O
) O
. O
hasil O
analisis O
Webqual O
Index O
, O
kualitas O
website O
Warkop O
Pusdiklat O
BPS O
dapat O
digolongkan O
pada O
kategori O
sangat O
baik. O
Kualitas O
website O
Warkop O
Pusdiklat O
BPS O
secara O
keseluruhan O
berdasarkan O
hasil O
analisis O
kesenjangan O
masih O
belum O
memenuhi O
harapan O
penggunanya. O
Untuk O
hasil O
analisis O
IPA O
( O
importance- O
performance O
analysis O
) O
terdapat O
tiga O
indikator O
atau O
atribut O
pada O
website O
Warkop O
Pusdiklat O
BPS O
yang O
perlu O
ditingkatkan O
agar O
dapat O
sesuai O
dengan O
harapan O
pengguna O
yaitu O
detail O
informasi O
, O
interaksi O
website O
, O
dan O
ketepatan O
janji. O
Berdasarkan O
hasil O
penelitian O
dan O
kesimpulan O
yang O
telah O
disebutkan O
, O
terdapat O
beberapa O
saran O
yaitu O
: O
1. O
Tetap O
menjaga O
dan O
meningkatkan O
kualitas O
website O
, O
pihak O
pengembang O
website O
perlu O
memastikan O
bahwa O
website O
tetap O
terus O
diperbarui O
secara O
berkala. O
Seperti O
memperbaiki O
tautan O
yang O
rusak O
atau O
mengganti O
gambar O
yang O
usang O
pada O
website. O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
2. O
Meminimalkan O
kesenjangan O
yang O
terjadi O
antara O
performa O
website O
saat O
ini O
dan O
performa O
yang O
diharapkan O
pengguna O
website. O
Pihak O
pengembang O
website O
dapat O
melakukan O
evaluasi O
dimulai O
dari O
atribut O
tinggi O
serta O
yang O
memiliki O
kesenjangan O
paling O
mencari O
nilai O
tahu O
kesenjangan O
atribut O
tersebut. O
bagaimana O
mengurangi O
3. O
Memprioritaskan O
perbaikan O
website O
pada O
atribut O
detail O
informasi O
, O
interaksi O
website O
, O
dan O
ketepatan O
janji. O
Karena O
ketiga O
atribut O
tersebut O
dianggap O
penting O
oleh O
pengguna O
website O
namun O
performanya O
masih O
belum O
sesuai O
harapan O
pengguna. O

Analisis O
Kualitas O
Website O
Warkop O
Pusdiklat O
BPS O
dengan O
Metode O
Webqual O
4.0 O
Putri O
Fitrah O
Insani O
( O
221911205 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M.Stat O
Ringkasan— O
Website O
Warung O
Kompetensi O
Pegawai O
Pusdiklat O
BPS O
digunakan O
sebagai O
sarana O
menyelenggarakan O
berbagai O
diklat O
untuk O
pegawai O
BPS. O
Berdasarkan O
hasil O
analisis O
dari O
sitechecker O
masih O
terdapat O
beberapa O
halaman O
pada O
website O
yang O
mengalami O
masalah. O
Selain O
itu O
, O
dengan O
banyaknya O
jumlah O
pengguna O
website O
serta O
peran O
penting O
website O
dalam O
membangun O
dan O
meningkatkan O
kualitas O
sumber O
daya O
manusia O
di O
BPS O
maka O
perlu O
untuk O
mengukur B-TUJUAN
kualitas I-TUJUAN
dari I-TUJUAN
website I-TUJUAN
untuk O
memastikan O
peran O
website O
dan O
Pusdiklat O
BPS O
terlaksana O
secara O
maksimal. O
Sehingga O
pada O
penelitian O
ini O
dilakukan O
analisis O
kualitas O
website O
pada O
Warkop O
Pusdiklat O
BPS. O
Penelitian O
ini O
menggunakan O
metode B-METODE
Webqual I-METODE
4.0 I-METODE
dengan O
tiga O
fokus O
yaitu O
Usability O
, O
Information O
Quality O
, O
dan O
Service O
Interaction O
yang O
dinilai O
berdasarkan O
persepsi O
pengguna. O
Dari O
hasil O
penelitian O
disimpulkan O
bahwa O
kualitas B-TEMUAN
website I-TEMUAN
secara I-TEMUAN
keseluruhan I-TEMUAN
adalah I-TEMUAN
sangat I-TEMUAN
baik I-TEMUAN
, I-TEMUAN
tetapi I-TEMUAN
belum I-TEMUAN
ada I-TEMUAN
indikator I-TEMUAN
penilaian I-TEMUAN
kualitas I-TEMUAN
yang I-TEMUAN
mencapai I-TEMUAN
harapan I-TEMUAN
dari I-TEMUAN
pengguna I-TEMUAN
website. I-TEMUAN
Serta O
terdapat O
tiga O
indikator O
pada O
website O
yang O
menjadi O
prioritas O
dalam O
peningkatan O
kualitas O
website O
yaitu O
detail O
informasi O
, O
interaksi O
website O
, O
dan O
ketepatan O
janji. O
Kata O
Kunci— O
Kualitas O
, O
Website O
, O
Warkop O
Pusdiklat O
BPS O
, O
Webqual O
4.0. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
mengukur B-TUJUAN
kualitas I-TUJUAN
website I-TUJUAN
Warkop I-TUJUAN
Pusdiklat I-TUJUAN
BPS I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
Webqual I-TUJUAN
4.0 I-TUJUAN
diperoleh O
beberapa O
kesimpulan O
: O
1. O
Pada O
hasil O
analisis O
Webqual O
Index O
, O
kualitas B-TEMUAN
website I-TEMUAN
Warkop I-TEMUAN
Pusdiklat I-TEMUAN
BPS I-TEMUAN
mencapai I-TEMUAN
87 I-TEMUAN
% I-TEMUAN
sehingga O
kualitas B-TEMUAN
website I-TEMUAN
dapat I-TEMUAN
digolongkan I-TEMUAN
pada I-TEMUAN
kategori I-TEMUAN
sangat I-TEMUAN
baik. I-TEMUAN
2. O
Berdasarkan O
hasil O
analisis O
kesenjangan O
, O
kualitas O
website O
Warkop O
Pusdiklat O
BPS O
masih O
belum O
memenuhi O
harapan O
penggunanya. O
Kesenjangan O
terbesar O
terdapat O
pada O
atribut O
tampilan O
website O
, O
komunikasi O
dengan O
pengguna O
, O
dan O
kemudahan O
menemukan O
fitur-fitur O
dalam O
website O
3. O
Untuk O
hasil O
analisis O
IPA O
( O
importance-performance O
analysis O
) O
terdapat O
tiga O
atribut O
pada O
website O
Warkop O
Pusdiklat O
BPS O
yang O
menjadi O
prioritas O
perbaikan O
yaitu O
detail O
informasi O
, O
interaksi O
website O
, O
dan O
ketepatan O
janji. O
Sedangkan O
untuk O
atribut O
dengan O
performa O
cukup O
baik O
yang O
perlu O
dipertahankan O
adalah O
atribut O
nomor O
10 O
( O
informasi O
yang O
terpercaya O
) O
, O
atribut O
nomor O
9 O
( O
keakuratan O
informasi O
) O
, O
atribut O
nomor O
12 O
( O
informasi O
yang O
relevan O
) O
, O
atribut O
nomor O
1 O
( O
pengoperasian O
mudah O
) O
, O
atribut O
nomor O
13 O
( O
informasi O
mudah O
dimengerti O
) O
, O
atribut O
nomor O
11 O
( O
informasi O
tepat O
waktu O
) O
, O
atribut O
nomor O
4 O
( O
penggunaan O
mudah O
) O
, O
atribut O
nomor O
19 O
( O
terjaminnya O
privasi O
) O
, O
atribut O
nomor O
18 O
( O
keamanan O
data O
) O
, O
atribut O
nomor O
15 O
( O
format O
informasi O
tepat O
) O
, O
atribut O
nomor O
17 O
( O
keamanan O
transaksi O
dalam O
website O
) O
, O
16 O
( O
reputasi O
baik O
) O
. O
Dan O
atribut O
lain O
dengan O
prioritas O
perbaikan O
rendah O
yaitu O
atribut O
nomor O
3 O
( O
kemudahan O
menemukan O
fitur O
dalam O
website O
) O
, O
atribut O
nomor O
6 O
( O
kesesuaian O
desain O
website O
) O
, O
atribut O
nomor O
20 O
( O
kemudahan O
komunikasi O
dengan O
pihak O
website O
) O
, O
atribut O
nomor O
5 O
( O
tampilan O
website O
yang O
menarik O
) O
dan O
atribut O
nomor O
21 O
( O
rasa O
bersosialisasi O
melalui O
website O
) O
. O
Serta O
atribut O
yang O
menjadi O
prioritas O
terakhir O
dalam O
perbaikan O
website O
yaitu O
atribut O
nomor O
8 O
( O
kompetensi O
website O
) O
dan O
atribut O
nomor O
7 O
( O
pengalaman O
positif O
pengguna O
) O
. O
hasil O
analisis O
Webqual O
Index O
, O
kualitas O
website O
Warkop O
Pusdiklat O
BPS O
dapat O
digolongkan O
pada O
kategori O
sangat O
baik. O
Kualitas O
website O
Warkop O
Pusdiklat O
BPS O
secara O
keseluruhan O
berdasarkan O
hasil O
analisis O
kesenjangan O
masih O
belum O
memenuhi O
harapan O
penggunanya. O
Untuk O
hasil O
analisis O
IPA O
( O
importance- O
performance O
analysis O
) O
terdapat O
tiga O
indikator O
atau O
atribut O
pada O
website O
Warkop O
Pusdiklat O
BPS O
yang O
perlu O
ditingkatkan O
agar O
dapat O
sesuai O
dengan O
harapan O
pengguna O
yaitu O
detail O
informasi O
, O
interaksi O
website O
, O
dan O
ketepatan O
janji. O
Berdasarkan O
hasil O
penelitian O
dan O
kesimpulan O
yang O
telah O
disebutkan O
, O
terdapat O
beberapa O
saran O
yaitu O
: O
1. O
Tetap O
menjaga O
dan O
meningkatkan O
kualitas O
website O
, O
pihak O
pengembang O
website O
perlu O
memastikan O
bahwa O
website O
tetap O
terus O
diperbarui O
secara O
berkala. O
Seperti O
memperbaiki O
tautan O
yang O
rusak O
atau O
mengganti O
gambar O
yang O
usang O
pada O
website. O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
2. O
Meminimalkan O
kesenjangan O
yang O
terjadi O
antara O
performa O
website O
saat O
ini O
dan O
performa O
yang O
diharapkan O
pengguna O
website. O
Pihak O
pengembang O
website O
dapat O
melakukan O
evaluasi O
dimulai O
dari O
atribut O
tinggi O
serta O
yang O
memiliki O
kesenjangan O
paling O
mencari O
nilai O
tahu O
kesenjangan O
atribut O
tersebut. O
bagaimana O
mengurangi O
3. O
Memprioritaskan O
perbaikan O
website O
pada O
atribut O
detail O
informasi O
, O
interaksi O
website O
, O
dan O
ketepatan O
janji. O
Karena O
ketiga O
atribut O
tersebut O
dianggap O
penting O
oleh O
pengguna O
website O
namun O
performanya O
masih O
belum O
sesuai O
harapan O
pengguna. O

Kajian O
Perbandingan O
Algoritma O
Machine O
Learning O
Dalam O
Klasifikasi O
Zero-Day O
Malware O
Dengan O
Reduksi O
Dimensi O
Muhammad O
Sabri O
Ekie O
( O
221911200 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Malware O
atau O
malicious O
software O
adalah O
suatu O
program O
jahat. O
Penyerangan O
malware O
dapat O
dilakukan O
dengan O
banyak O
cara O
, O
tetapi O
yang O
paling O
umum O
adalah O
dengan O
menargetkan O
aplikasi O
atau O
file O
tertentu. O
Pendeteksian O
malware O
tetap O
menjadi O
masalah O
karena O
varian O
malware O
yang O
terus O
berkembang. O
Salah O
satu O
fungsi O
dari O
machine O
learning O
yaitu O
melakukan O
klasifikasi. O
Beberapa O
algoritma O
yang O
sering O
digunakan O
yaitu O
support O
vector O
machine O
, O
dan O
random O
forest. O
Dimana O
klasifikasi O
berfokus O
pada O
legitimate O
dan O
non O
legitimate O
dengan O
menggunakan O
dataset O
dari O
mitra O
keamanan O
malware O
di O
Meraz'18 O
dari O
Annual O
Techno-Cultural O
fest O
of O
IITBhilai. O
Selain O
itu O
pada O
penelitian O
ini O
metode O
feature O
selection O
dan O
PCA O
sebagai O
dimensionality O
reduction O
yaitu O
untuk O
mengurangi O
dimensi O
data O
yang O
tinggi O
menjadi O
dimensi O
data O
yang O
lebih O
rendah. O
Hasil O
yang O
diperoleh O
bahwa O
klasifikasi O
zero-day O
malware O
menggunakan O
machine O
learning O
berhasil O
dilakukan O
dengan O
memberikan O
akurasi O
sebesar O
99.23 O
% O
untuk O
algoritma O
random O
forest O
dan O
99.28 O
% O
untuk O
algoritma O
SVM. O
Untuk O
penerapan O
metode O
reduksi O
dimensi O
menggunakan O
feature O
selection O
memberikan O
28 O
atribut O
relevan O
dengan O
memberikan O
nilai O
akurasi O
sebesar O
99.20 O
% O
untuk O
algoritma O
random O
forest O
dan O
99.19 O
% O
untuk O
algoritma O
SVM. O
Sedangkan O
untuk O
metode O
reduksi O
dimensi O
menggunakan O
principal O
component O
analysis O
memberikan O
26 O
atribut O
relevan O
dengan O
memberikan O
nilai O
akurasi O
sebesar O
98.83 O
% O
untuk O
algoritma O
random O
forest O
dan O
99.13 O
% O
untuk O
algoritma O
SVM. O
Kata O
Kunci— O
zero-day O
malware O
, O
machine O
learning O
, O
feature O
selection O
, O
pca. O
[SEP] O
telah O
dilakukan O
, O
didapatkan O
kesimpulan O
yaitu O
: O
1. O
Klasifikasi O
zero-day O
malware O
menggunakan O
machine O
learning O
berhasil O
dilakukan O
dengan O
memberikan O
akurasi B-TEMUAN
sebesar I-TEMUAN
99.23 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
algoritma I-TEMUAN
random I-TEMUAN
forest I-TEMUAN
dan I-TEMUAN
99.28 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
algoritma I-TEMUAN
SVM. I-TEMUAN
2. O
Metode O
reduksi O
dimensi O
menggunakan O
feature O
selection O
memberikan O
28 O
atribut O
relevan O
dengan O
memberikan O
nilai O
akurasi O
sebesar O
99.20 O
% O
untuk O
algoritma O
random O
forest O
dan O
99.19 O
% O
untuk O
algoritma O
SVM. O
Sedangkan O
untuk O
metode O
reduksi O
dimensi O
menggunakan O
principal O
component O
analysis O
memberikan O
26 O
PC O
relevan O
dengan O
memberikan O
nilai O
akurasi O
sebesar O
98.83 O
% O
untuk O
algoritma O
random O
forest O
dan O
99.13 O
% O
untuk O
algoritma O
SVM. O
Makalah O
Seminar O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
3. O
Dilihat O
berdasarkan O
nilai O
akurasi O
, O
metode O
reduksi O
dimensi O
menggunakan O
feature O
selection O
memberikan O
hasil O
lebih O
baik O
dibandingkan O
dengan O
metode O
reduksi O
dimensi O
menggunakan O
PCA O
Penelitian O
ini O
masih O
jauh O
dari O
kata O
sempurna O
sehingga O
agar O
melakukan O
pengembangan O
peneliti O
menyarankan O
selanjutnya. O
Adapun O
yang O
dapat O
dilakukan O
selanjutnya O
antara O
lain O
yaitu O
: O
1. O
Pencarian O
parameter O
untuk O
algoritma O
SVM O
pada O
penelitian O
ini O
masih O
secara O
manual O
dengan O
melihat O
nilai O
f-1 O
score O
terbaik O
sehingga O
untuk O
penelitian O
selanjutnya O
perlu O
dilakukan O
pencarian O
parameter O
terbaik O
untuk O
algoritma O
SVM O
dengan O
menggunakan O
GridSearchCV O
( O
) O
. O
2. O
Dapat O
membandingkan O
algoritma O
antara O
machine O
learning O
dan O
deep O
learning O
dalam O
melakukan O
klasifikasi O
zero-day O
malware. O
3. O
Melakukan O
perbandingan O
model O
klasifikasi O
menggunakan O
kurva O
ROC O
atau O
menggunakan O
TPR. O

Pembangunan O
Sistem O
Informasi O
Kost O
dan O
Kontrakan O
di O
Sekitar O
Polstat O
STIS O
Berbasis O
Web O
Ilman O
Maulana O
( O
221911194 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
MBA O
ini O
Ringkasan— O
Salah O
satu O
kebutuhan O
utama O
manusia O
termasuk O
mahasiswa O
adalah O
tempat O
tinggal. O
Tempat O
tinggal O
yang O
biasa O
dihuni O
oleh O
mahasiswa O
diantaranya O
adalah O
asrama O
, O
rumah O
bersama O
keluarga O
atau O
saudara O
, O
kost O
, O
dan O
kontrakan. O
Pada O
mahasiswa O
Polstat O
STIS O
, O
banyak O
mahasiswa O
yang O
tinggal O
di O
kost O
dan O
kontrakan O
selama O
menempuh O
pendidikan O
di O
Polstat O
STIS. O
Tetapi O
hal O
tidak O
dibarengi O
dengan O
kemudahan O
untuk O
mendapatkan O
informasi O
mengenai O
kost O
dan O
kontrakan O
yang O
ada O
, O
terutama O
di O
sekitar O
kampus. O
Mahasiswa O
masih O
mengalami O
berbagai O
kendala O
dalam O
melakukan O
pencarian O
kost O
dan O
kontrakan. O
Sebagai O
solusi O
, O
dibangun B-TUJUAN
sebuah I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
untuk I-TUJUAN
membantu I-TUJUAN
mahasiswa I-TUJUAN
dalam I-TUJUAN
mencari I-TUJUAN
kost I-TUJUAN
dan I-TUJUAN
kontrakan I-TUJUAN
di I-TUJUAN
sekitar I-TUJUAN
kampus. I-TUJUAN
Sistem O
ini O
dibangun O
menggunakan O
metode O
waterfall B-METODE
dan O
diuji O
dengan O
metode O
black O
box O
testing O
serta O
dievaluasi O
menggunakan O
metode O
System B-METODE
Usability I-METODE
Scale I-METODE
( O
SUS B-METODE
) O
. O
Hasil O
dari O
pengujian O
black B-METODE
box I-METODE
testing I-METODE
menunjukkan O
fitur O
pada O
sistem B-TEMUAN
sudah I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
semestinya I-TEMUAN
dan O
skor B-TEMUAN
akhir I-TEMUAN
evaluasi I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
74,55 I-TEMUAN
menunjukkan O
sistem O
ini O
telah O
dapat O
diterima O
oleh O
pengguna. O
Kata O
Kunci— O
Sistem O
informasi O
, O
kos O
, O
kontrakan. O
[SEP] O
Kesimpulan O
pada O
penelitian O
ini O
adalah O
pembangunan O
sistem O
informasi O
kost O
dan O
kontrakan O
di O
sekitar O
Polstat O
STIS O
yang O
dapat O
mengelola O
data O
kost O
dan O
kontrakan O
, O
menampilkan O
kost O
atau O
kontrakan O
dengan O
kriteria O
tertentu O
, O
dan O
menampilkan O
letak O
suatu O
kost O
atau O
kontrakan O
pada O
peta O
sudah O
dapat O
diimplementasikan O
seluruhnya O
serta O
sudah O
melalui O
tahap O
pengujian O
dan O
evaluasi O
dengan O
baik. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O

Pembangunan O
Sistem O
Informasi O
Kost O
dan O
Kontrakan O
di O
Sekitar O
Polstat O
STIS O
Berbasis O
Web O
Ilman O
Maulana O
( O
221911194 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
MBA O
ini O
Ringkasan— O
Salah O
satu O
kebutuhan O
utama O
manusia O
termasuk O
mahasiswa O
adalah O
tempat O
tinggal. O
Tempat O
tinggal O
yang O
biasa O
dihuni O
oleh O
mahasiswa O
diantaranya O
adalah O
asrama O
, O
rumah O
bersama O
keluarga O
atau O
saudara O
, O
kost O
, O
dan O
kontrakan. O
Pada O
mahasiswa O
Polstat O
STIS O
, O
banyak O
mahasiswa O
yang O
tinggal O
di O
kost O
dan O
kontrakan O
selama O
menempuh O
pendidikan O
di O
Polstat O
STIS. O
Tetapi O
hal O
tidak O
dibarengi O
dengan O
kemudahan O
untuk O
mendapatkan O
informasi O
mengenai O
kost O
dan O
kontrakan O
yang O
ada O
, O
terutama O
di O
sekitar O
kampus. O
Mahasiswa O
masih O
mengalami O
berbagai O
kendala O
dalam O
melakukan O
pencarian O
kost O
dan O
kontrakan. O
Sebagai O
solusi O
, O
dibangun B-TUJUAN
sebuah I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
untuk I-TUJUAN
membantu I-TUJUAN
mahasiswa I-TUJUAN
dalam I-TUJUAN
mencari I-TUJUAN
kost I-TUJUAN
dan I-TUJUAN
kontrakan I-TUJUAN
di I-TUJUAN
sekitar I-TUJUAN
kampus. I-TUJUAN
Sistem O
ini O
dibangun O
menggunakan O
metode O
waterfall B-METODE
dan O
diuji O
dengan O
metode O
black O
box O
testing O
serta O
dievaluasi O
menggunakan O
metode O
System B-METODE
Usability I-METODE
Scale I-METODE
( O
SUS B-METODE
) O
. O
Hasil O
dari O
pengujian O
black B-METODE
box I-METODE
testing I-METODE
menunjukkan O
fitur O
pada O
sistem B-TEMUAN
sudah I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
semestinya I-TEMUAN
dan O
skor B-TEMUAN
akhir I-TEMUAN
evaluasi I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
74,55 I-TEMUAN
menunjukkan O
sistem O
ini O
telah O
dapat O
diterima O
oleh O
pengguna. O
Kata O
Kunci— O
Sistem O
informasi O
, O
kos O
, O
kontrakan. O
[SEP] O
Kesimpulan O
pada O
penelitian O
ini O
adalah O
pembangunan O
sistem O
informasi O
kost O
dan O
kontrakan O
di O
sekitar O
Polstat O
STIS O
yang O
dapat O
mengelola O
data O
kost O
dan O
kontrakan O
, O
menampilkan O
kost O
atau O
kontrakan O
dengan O
kriteria O
tertentu O
, O
dan O
menampilkan O
letak O
suatu O
kost O
atau O
kontrakan O
pada O
peta O
sudah O
dapat O
diimplementasikan O
seluruhnya O
serta O
sudah O
melalui O
tahap O
pengujian O
dan O
evaluasi O
dengan O
baik. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O

Pembangunan O
Sistem O
Informasi O
Kost O
dan O
Kontrakan O
di O
Sekitar O
Polstat O
STIS O
Berbasis O
Web O
Ilman O
Maulana O
( O
221911194 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
MBA O
ini O
Ringkasan— O
Salah O
satu O
kebutuhan O
utama O
manusia O
termasuk O
mahasiswa O
adalah O
tempat O
tinggal. O
Tempat O
tinggal O
yang O
biasa O
dihuni O
oleh O
mahasiswa O
diantaranya O
adalah O
asrama O
, O
rumah O
bersama O
keluarga O
atau O
saudara O
, O
kost O
, O
dan O
kontrakan. O
Pada O
mahasiswa O
Polstat O
STIS O
, O
banyak O
mahasiswa O
yang O
tinggal O
di O
kost O
dan O
kontrakan O
selama O
menempuh O
pendidikan O
di O
Polstat O
STIS. O
Tetapi O
hal O
tidak O
dibarengi O
dengan O
kemudahan O
untuk O
mendapatkan O
informasi O
mengenai O
kost O
dan O
kontrakan O
yang O
ada O
, O
terutama O
di O
sekitar O
kampus. O
Mahasiswa O
masih O
mengalami O
berbagai O
kendala O
dalam O
melakukan O
pencarian O
kost O
dan O
kontrakan. O
Sebagai O
solusi O
, O
dibangun B-TUJUAN
sebuah I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
untuk I-TUJUAN
membantu I-TUJUAN
mahasiswa I-TUJUAN
dalam I-TUJUAN
mencari I-TUJUAN
kost I-TUJUAN
dan I-TUJUAN
kontrakan I-TUJUAN
di I-TUJUAN
sekitar I-TUJUAN
kampus. I-TUJUAN
Sistem O
ini O
dibangun O
menggunakan O
metode O
waterfall B-METODE
dan O
diuji O
dengan O
metode O
black O
box O
testing O
serta O
dievaluasi O
menggunakan O
metode O
System B-METODE
Usability I-METODE
Scale I-METODE
( O
SUS B-METODE
) O
. O
Hasil O
dari O
pengujian O
black B-METODE
box I-METODE
testing I-METODE
menunjukkan O
fitur O
pada O
sistem B-TEMUAN
sudah I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
semestinya I-TEMUAN
dan O
skor B-TEMUAN
akhir I-TEMUAN
evaluasi I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
74,55 I-TEMUAN
menunjukkan O
sistem O
ini O
telah O
dapat O
diterima O
oleh O
pengguna. O
Kata O
Kunci— O
Sistem O
informasi O
, O
kos O
, O
kontrakan. O
[SEP] O
Kesimpulan O
pada O
penelitian O
ini O
adalah O
pembangunan O
sistem O
informasi O
kost O
dan O
kontrakan O
di O
sekitar O
Polstat O
STIS O
yang O
dapat O
mengelola O
data O
kost O
dan O
kontrakan O
, O
menampilkan O
kost O
atau O
kontrakan O
dengan O
kriteria O
tertentu O
, O
dan O
menampilkan O
letak O
suatu O
kost O
atau O
kontrakan O
pada O
peta O
sudah O
dapat O
diimplementasikan O
seluruhnya O
serta O
sudah O
melalui O
tahap O
pengujian O
dan O
evaluasi O
dengan O
baik. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O

Pemetaan O
Kualitas O
Lingkungan O
Hidup O
dengan O
Machine O
Learning O
Menggunakan O
Data O
Citra O
Satelit O
Studi O
Kasus O
: O
Provinsi O
DKI O
Jakarta O
Alfonsius O
Berly O
( O
221911193 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
, O
SST O
, O
MT. O
Ringkasan— O
Lingkungan O
adalah O
aspek O
yang O
berpengaruh O
langsung O
terhadap O
kesehatan O
dan O
keberlangsungan O
hidup O
manusia O
, O
sehingga O
sangat O
penting O
untuk O
menemukan O
suatu O
instrumen O
yang O
dapat O
memonitor O
serta O
mengevaluasi O
kualitas O
lingkungan O
hidup O
secara O
cepat O
dan O
akurat. O
Penginderan B-METODE
jauh I-METODE
merupakan O
cara O
yang O
efektif O
dalam O
mencapai O
tujuan O
tersebut. O
Penggunaan O
model O
MCDA O
dan O
machine O
learning O
dalam O
menganalisis O
data O
citra O
satelit O
dapat O
memberikan O
pemahaman O
yang O
lebih O
baik O
mengenai O
kualitas O
suatu O
lingkungan. O
Penelitian O
identifikasi O
, O
estimasi O
, O
dan O
ini O
bertujuan O
untuk O
melakukan B-TUJUAN
pemetaan I-TUJUAN
kualitas I-TUJUAN
lingkungan I-TUJUAN
hidup I-TUJUAN
kota-kota I-TUJUAN
di I-TUJUAN
Provinsi I-TUJUAN
DKI I-TUJUAN
Jakarta I-TUJUAN
dengan O
menggunakan O
data O
citra O
satelit. O
Metode O
machine O
learning O
dengan O
algoritma O
XGBoost O
Regressor O
merupakan O
model O
terbaik O
dalam O
mengestimasi O
dan O
memetakan O
IKLH O
pada O
level O
grid O
1.25 O
km O
x O
1.25 O
km O
, O
dengan O
nilai O
MAPE O
sebesar O
0.1665. O
Evaluasi O
pada O
level O
kota O
menghasilkan O
nilai O
korelasi O
pearson O
sebesar O
0.9766 O
antara O
data O
hasil O
estimasi O
dengan O
data O
IKLH O
resmi. O
Kata O
Kunci— O
pemetaan O
lingkungan O
hidup O
, O
IKLH O
, O
citra O
satelit O
, O
machine O
learning O
, O
MCDA O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
aspek B-TEMUAN
kualitas I-TEMUAN
lingkungan I-TEMUAN
hidup I-TEMUAN
dapat I-TEMUAN
diidentifkasi I-TEMUAN
dan I-TEMUAN
diestimasi I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
data I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
berupa O
NDCI O
, O
NDWI O
, O
UVAI O
, O
CO O
, O
HCHO O
, O
NO2 O
, O
O3 O
, O
SO2 O
, O
NDVI O
, O
dan O
NDBI. O
XGBoost O
menjadi O
model O
machine O
learning O
terbaik O
dalam O
mengestimasi O
IKLH O
pada O
level O
grid O
1.25 O
km O
, O
dengan O
MAPE O
sebesar O
0.1665 O
nilai O
korelasi O
antara O
hasil O
estimasi O
dengan O
data O
resmi O
IKLH O
pada O
level O
kota O
mencapai O
0.9766. O
Pemerintah O
dapat O
mengimplementasikan O
hasil O
penelitian O
ini O
sebagai O
instrumen O
data O
updating O
IKLH O
antartahun O
yang O
dapat O
digunakan O
sebagai O
dasar O
respon O
cepat O
pemerintah O
terhadap O
suatu O
fenomena O
lingkungan O
tertentu. O
Adapun O
saran O
untuk O
penelitian O
selanjutnya O
adalah O
perlu O
mempertimbangkan O
penggunaan O
geospasial O
big O
data O
lainnya O
di O
dalam O
pemodelan O
dalam O
rangka O
mendapatkan O
hasil O
yang O
lebih. O

Pemetaan O
Kualitas O
Lingkungan O
Hidup O
dengan O
Machine O
Learning O
Menggunakan O
Data O
Citra O
Satelit O
Studi O
Kasus O
: O
Provinsi O
DKI O
Jakarta O
Alfonsius O
Berly O
( O
221911193 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
, O
SST O
, O
MT. O
Ringkasan— O
Lingkungan O
adalah O
aspek O
yang O
berpengaruh O
langsung O
terhadap O
kesehatan O
dan O
keberlangsungan O
hidup O
manusia O
, O
sehingga O
sangat O
penting O
untuk O
menemukan O
suatu O
instrumen O
yang O
dapat O
memonitor O
serta O
mengevaluasi O
kualitas O
lingkungan O
hidup O
secara O
cepat O
dan O
akurat. O
Penginderan B-METODE
jauh I-METODE
merupakan O
cara O
yang O
efektif O
dalam O
mencapai O
tujuan O
tersebut. O
Penggunaan O
model O
MCDA O
dan O
machine O
learning O
dalam O
menganalisis O
data O
citra O
satelit O
dapat O
memberikan O
pemahaman O
yang O
lebih O
baik O
mengenai O
kualitas O
suatu O
lingkungan. O
Penelitian O
identifikasi O
, O
estimasi O
, O
dan O
ini O
bertujuan O
untuk O
melakukan B-TUJUAN
pemetaan I-TUJUAN
kualitas I-TUJUAN
lingkungan I-TUJUAN
hidup I-TUJUAN
kota-kota I-TUJUAN
di I-TUJUAN
Provinsi I-TUJUAN
DKI I-TUJUAN
Jakarta I-TUJUAN
dengan O
menggunakan O
data O
citra O
satelit. O
Metode O
machine O
learning O
dengan O
algoritma O
XGBoost O
Regressor O
merupakan O
model O
terbaik O
dalam O
mengestimasi O
dan O
memetakan O
IKLH O
pada O
level O
grid O
1.25 O
km O
x O
1.25 O
km O
, O
dengan O
nilai O
MAPE O
sebesar O
0.1665. O
Evaluasi O
pada O
level O
kota O
menghasilkan O
nilai O
korelasi O
pearson O
sebesar O
0.9766 O
antara O
data O
hasil O
estimasi O
dengan O
data O
IKLH O
resmi. O
Kata O
Kunci— O
pemetaan O
lingkungan O
hidup O
, O
IKLH O
, O
citra O
satelit O
, O
machine O
learning O
, O
MCDA O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
aspek B-TEMUAN
kualitas I-TEMUAN
lingkungan I-TEMUAN
hidup I-TEMUAN
dapat I-TEMUAN
diidentifkasi I-TEMUAN
dan I-TEMUAN
diestimasi I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
data I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
berupa O
NDCI O
, O
NDWI O
, O
UVAI O
, O
CO O
, O
HCHO O
, O
NO2 O
, O
O3 O
, O
SO2 O
, O
NDVI O
, O
dan O
NDBI. O
XGBoost O
menjadi O
model O
machine O
learning O
terbaik O
dalam O
mengestimasi O
IKLH O
pada O
level O
grid O
1.25 O
km O
, O
dengan O
MAPE O
sebesar O
0.1665 O
nilai O
korelasi O
antara O
hasil O
estimasi O
dengan O
data O
resmi O
IKLH O
pada O
level O
kota O
mencapai O
0.9766. O
Pemerintah O
dapat O
mengimplementasikan O
hasil O
penelitian O
ini O
sebagai O
instrumen O
data O
updating O
IKLH O
antartahun O
yang O
dapat O
digunakan O
sebagai O
dasar O
respon O
cepat O
pemerintah O
terhadap O
suatu O
fenomena O
lingkungan O
tertentu. O
Adapun O
saran O
untuk O
penelitian O
selanjutnya O
adalah O
perlu O
mempertimbangkan O
penggunaan O
geospasial O
big O
data O
lainnya O
di O
dalam O
pemodelan O
dalam O
rangka O
mendapatkan O
hasil O
yang O
lebih. O

Pemetaan O
Kualitas O
Lingkungan O
Hidup O
dengan O
Machine O
Learning O
Menggunakan O
Data O
Citra O
Satelit O
Studi O
Kasus O
: O
Provinsi O
DKI O
Jakarta O
Alfonsius O
Berly O
( O
221911193 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
, O
SST O
, O
MT. O
Ringkasan— O
Lingkungan O
adalah O
aspek O
yang O
berpengaruh O
langsung O
terhadap O
kesehatan O
dan O
keberlangsungan O
hidup O
manusia O
, O
sehingga O
sangat O
penting O
untuk O
menemukan O
suatu O
instrumen O
yang O
dapat O
memonitor O
serta O
mengevaluasi O
kualitas O
lingkungan O
hidup O
secara O
cepat O
dan O
akurat. O
Penginderan B-METODE
jauh I-METODE
merupakan O
cara O
yang O
efektif O
dalam O
mencapai O
tujuan O
tersebut. O
Penggunaan O
model O
MCDA O
dan O
machine O
learning O
dalam O
menganalisis O
data O
citra O
satelit O
dapat O
memberikan O
pemahaman O
yang O
lebih O
baik O
mengenai O
kualitas O
suatu O
lingkungan. O
Penelitian O
identifikasi O
, O
estimasi O
, O
dan O
ini O
bertujuan O
untuk O
melakukan B-TUJUAN
pemetaan I-TUJUAN
kualitas I-TUJUAN
lingkungan I-TUJUAN
hidup I-TUJUAN
kota-kota I-TUJUAN
di I-TUJUAN
Provinsi I-TUJUAN
DKI I-TUJUAN
Jakarta I-TUJUAN
dengan O
menggunakan O
data O
citra O
satelit. O
Metode O
machine O
learning O
dengan O
algoritma O
XGBoost O
Regressor O
merupakan O
model O
terbaik O
dalam O
mengestimasi O
dan O
memetakan O
IKLH O
pada O
level O
grid O
1.25 O
km O
x O
1.25 O
km O
, O
dengan O
nilai O
MAPE O
sebesar O
0.1665. O
Evaluasi O
pada O
level O
kota O
menghasilkan O
nilai O
korelasi O
pearson O
sebesar O
0.9766 O
antara O
data O
hasil O
estimasi O
dengan O
data O
IKLH O
resmi. O
Kata O
Kunci— O
pemetaan O
lingkungan O
hidup O
, O
IKLH O
, O
citra O
satelit O
, O
machine O
learning O
, O
MCDA O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
aspek B-TEMUAN
kualitas I-TEMUAN
lingkungan I-TEMUAN
hidup I-TEMUAN
dapat I-TEMUAN
diidentifkasi I-TEMUAN
dan I-TEMUAN
diestimasi I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
data I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
berupa O
NDCI O
, O
NDWI O
, O
UVAI O
, O
CO O
, O
HCHO O
, O
NO2 O
, O
O3 O
, O
SO2 O
, O
NDVI O
, O
dan O
NDBI. O
XGBoost O
menjadi O
model O
machine O
learning O
terbaik O
dalam O
mengestimasi O
IKLH O
pada O
level O
grid O
1.25 O
km O
, O
dengan O
MAPE O
sebesar O
0.1665 O
nilai O
korelasi O
antara O
hasil O
estimasi O
dengan O
data O
resmi O
IKLH O
pada O
level O
kota O
mencapai O
0.9766. O
Pemerintah O
dapat O
mengimplementasikan O
hasil O
penelitian O
ini O
sebagai O
instrumen O
data O
updating O
IKLH O
antartahun O
yang O
dapat O
digunakan O
sebagai O
dasar O
respon O
cepat O
pemerintah O
terhadap O
suatu O
fenomena O
lingkungan O
tertentu. O
Adapun O
saran O
untuk O
penelitian O
selanjutnya O
adalah O
perlu O
mempertimbangkan O
penggunaan O
geospasial O
big O
data O
lainnya O
di O
dalam O
pemodelan O
dalam O
rangka O
mendapatkan O
hasil O
yang O
lebih. O

Pengembangan O
Aplikasi O
FASIH O
Badan O
Pusat O
Statistik O
dengan O
Framework O
Flutter O
Riofebri O
Prasetia O
( O
221911192 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
SST O
, O
MT O
oleh O
pihak O
ketiga O
dilakukan O
Ringkasan— O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
menerapkan O
beberapa O
metode O
pengumpulan O
data O
, O
salah O
satunya O
adalah O
Computer O
Assisted O
Personal O
Interviewing O
( O
CAPI O
) O
. O
Saat O
ini O
, O
CAPI O
tahap O
BPS O
yang O
dikenal O
sebagai O
FASIH O
sedang O
dalam O
pengembangan O
menggunakan O
bahasa O
pemrograman O
Kotlin. O
Hal O
ini O
mengindikasikan O
bahwa O
aplikasi O
CAPI O
hanya O
dapat O
dioperasikan O
pada O
platform O
Android. O
Keputusan O
menggunakan O
bahasa O
Kotlin O
tanpa O
mempertimbangkan O
bahwa O
tim O
BPS O
belum O
familiar O
dengan O
bahasa O
Kotlin. O
Meskipun O
demikian O
, O
terdapat O
alternatif O
pengembangan O
aplikasi O
multiplatform O
, O
yaitu O
Flutter O
, O
yang O
dapat O
diterapkan O
dalam O
pengembangan O
FASIH O
BPS. O
Akan O
tetapi O
, O
BPS O
belum O
pernah O
melakukan O
studi O
terkait O
pengembangan O
aplikasi O
sehingga O
kekurangan O
dan O
FASIH O
menggunakan O
Flutter O
, O
kelebihan O
dalam O
penerapan O
tersebut O
dalam O
teknologi O
pengembangan O
aplikasi O
FASIH O
belum O
diketahui. O
Oleh O
karena O
itu O
, O
penulis O
bertujuan O
untuk O
melakukan B-TUJUAN
kajian I-TUJUAN
pengembangan I-TUJUAN
aplikasi I-TUJUAN
FASIH I-TUJUAN
memanfaatkan I-TUJUAN
teknologi I-TUJUAN
Flutter. I-TUJUAN
Pembangunan O
aplikasi O
dilakukan O
dengan O
menggunakan O
metode O
Rapid B-METODE
Application I-METODE
Development I-METODE
( I-METODE
RAD I-METODE
) I-METODE
Prototyping. I-METODE
Selanjutnya O
, O
aplikasi O
hasil O
pengembangan O
akan O
diuji O
menggunakan O
pengujian O
black O
box O
dan O
uji O
performa O
dengan O
menggunakan O
aplikasi O
pihak O
ketiga O
, O
yaitu O
Apptim. O
Hasil O
pengujian O
black O
box O
menunjukkan O
bahwa O
aplikasi B-TEMUAN
sudah I-TEMUAN
memenuhi I-TEMUAN
kebutuhan I-TEMUAN
fungsional I-TEMUAN
dari O
pemangku O
kepentingan. O
Dari O
segi O
performa O
, O
versi O
FASIH O
berbasis O
Kotlin O
mengungguli O
versi O
FASIH O
berbasis O
Flutter. O
Namun O
, O
Flutter O
memiliki O
keunggulan O
dalam O
waktu O
pengembangan O
cepat. O
Selain O
itu O
, O
dalam O
aspek O
pengembangan O
antarmuka O
pengguna O
, O
aplikasi O
FASIH O
dapat O
berjalan O
di O
beberapa O
platform. O
Akan O
tetapi O
, O
integrasi O
lebih O
lanjut O
diperlukan O
untuk O
memastikan O
fungsi O
aplikasi O
FASIH O
berjalan O
dengan O
baik. O
Kata O
Kunci— O
FASIH O
, O
Flutter O
, O
Kotlin O
[SEP] O
[ O
10 O
] O
Berdasarkan O
hasil O
penelitian O
, O
kesimpulan O
yang O
dapat O
diambil O
yakni O
pengembangan O
aplikasi O
FASIH O
dengan O
Framework O
Flutter O
bisa O
dilakukan O
sesuai O
dengan O
functional O
requirement O
yang O
ditetapkan O
oleh O
pemangku O
kepentingan. O
Hasil O
pengembangan O
ini O
dapat O
dibandingkan O
dengan O
aplikasi O
FASIH O
versi O
Kotlin O
yang O
dimiliki O
oleh O
BPS O
melalui O
pengujian O
menggunakan O
aplikasi O
pihak O
ketiga O
, O
Apptim. O
Kemudian O
dari O
hasil O
pengujian O
performa O
, O
Aplikasi O
FASIH O
versi O
Flutter O
masih O
belum O
bisa O
mendekati O
performa O
dari O
aplikasi O
FASIH O
versi O
Kotlin O
dalam O
hal O
penggunaan O
CPU O
, O
penggunaan O
memori O
dan O
waktu O
mulai O
aplikasi. O
Namun O
, O
Flutter O
memiliki O
keunggulan O
yakni O
waktu O
pengembangan O
yang O
cepat O
dan O
memiliki O
potensi O
pengembangan O
multiplatform. O
Sehingga O
pengembangan O
aplikasi O
FASIH O
dengan O
Flutter O
bisa O
menjadi O
alternatif O
untuk O
pengembangan O
aplikasi O
FASIH O
di O
masa O
depan. O
pemrograman O
Kotlin O
Penulis O
sudah O
berusaha O
untuk O
melakukan O
optimisasi O
agar O
performa O
aplikasi O
yang O
menggunakan O
Framework O
Flutter O
mendekati O
performa O
aplikasi O
FASIH O
yang O
menggunakan O
dengan O
mengusahakan O
bahasa O
mengurangi O
komunikasi O
dengan O
database O
serta O
menghilangkan O
warning O
yang O
ada. O
Namun O
, O
hasilnya O
masih O
jauh O
dari O
harapan. O
Saran O
yang O
ingin O
disampaikan O
peneliti O
dalam O
penelitian O
ini O
yakni O
pada O
penelitian O
selanjutnya O
perlu O
dilakukan O
kajian O
lebih O
lanjut O
tentang O
performa O
aplikasi O
Flutter O
agar O
bisa O
dilakukan O
optimalisasi O
sehingga O
performa O
aplikasi O
FASIH O
versi O
Flutter O
mendekati O
performa O
aplikasi O
FASIH O
versi O
Kotlin. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O

Pengembangan O
Aplikasi O
FASIH O
Badan O
Pusat O
Statistik O
dengan O
Framework O
Flutter O
Riofebri O
Prasetia O
( O
221911192 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
SST O
, O
MT O
oleh O
pihak O
ketiga O
dilakukan O
Ringkasan— O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
menerapkan O
beberapa O
metode O
pengumpulan O
data O
, O
salah O
satunya O
adalah O
Computer O
Assisted O
Personal O
Interviewing O
( O
CAPI O
) O
. O
Saat O
ini O
, O
CAPI O
tahap O
BPS O
yang O
dikenal O
sebagai O
FASIH O
sedang O
dalam O
pengembangan O
menggunakan O
bahasa O
pemrograman O
Kotlin. O
Hal O
ini O
mengindikasikan O
bahwa O
aplikasi O
CAPI O
hanya O
dapat O
dioperasikan O
pada O
platform O
Android. O
Keputusan O
menggunakan O
bahasa O
Kotlin O
tanpa O
mempertimbangkan O
bahwa O
tim O
BPS O
belum O
familiar O
dengan O
bahasa O
Kotlin. O
Meskipun O
demikian O
, O
terdapat O
alternatif O
pengembangan O
aplikasi O
multiplatform O
, O
yaitu O
Flutter O
, O
yang O
dapat O
diterapkan O
dalam O
pengembangan O
FASIH O
BPS. O
Akan O
tetapi O
, O
BPS O
belum O
pernah O
melakukan O
studi O
terkait O
pengembangan O
aplikasi O
sehingga O
kekurangan O
dan O
FASIH O
menggunakan O
Flutter O
, O
kelebihan O
dalam O
penerapan O
tersebut O
dalam O
teknologi O
pengembangan O
aplikasi O
FASIH O
belum O
diketahui. O
Oleh O
karena O
itu O
, O
penulis O
bertujuan O
untuk O
melakukan B-TUJUAN
kajian I-TUJUAN
pengembangan I-TUJUAN
aplikasi I-TUJUAN
FASIH I-TUJUAN
memanfaatkan I-TUJUAN
teknologi I-TUJUAN
Flutter. I-TUJUAN
Pembangunan O
aplikasi O
dilakukan O
dengan O
menggunakan O
metode O
Rapid B-METODE
Application I-METODE
Development I-METODE
( I-METODE
RAD I-METODE
) I-METODE
Prototyping. I-METODE
Selanjutnya O
, O
aplikasi O
hasil O
pengembangan O
akan O
diuji O
menggunakan O
pengujian O
black O
box O
dan O
uji O
performa O
dengan O
menggunakan O
aplikasi O
pihak O
ketiga O
, O
yaitu O
Apptim. O
Hasil O
pengujian O
black O
box O
menunjukkan O
bahwa O
aplikasi B-TEMUAN
sudah I-TEMUAN
memenuhi I-TEMUAN
kebutuhan I-TEMUAN
fungsional I-TEMUAN
dari O
pemangku O
kepentingan. O
Dari O
segi O
performa O
, O
versi O
FASIH O
berbasis O
Kotlin O
mengungguli O
versi O
FASIH O
berbasis O
Flutter. O
Namun O
, O
Flutter O
memiliki O
keunggulan O
dalam O
waktu O
pengembangan O
cepat. O
Selain O
itu O
, O
dalam O
aspek O
pengembangan O
antarmuka O
pengguna O
, O
aplikasi O
FASIH O
dapat O
berjalan O
di O
beberapa O
platform. O
Akan O
tetapi O
, O
integrasi O
lebih O
lanjut O
diperlukan O
untuk O
memastikan O
fungsi O
aplikasi O
FASIH O
berjalan O
dengan O
baik. O
Kata O
Kunci— O
FASIH O
, O
Flutter O
, O
Kotlin O
[SEP] O
[ O
10 O
] O
Berdasarkan O
hasil O
penelitian O
, O
kesimpulan O
yang O
dapat O
diambil O
yakni O
pengembangan O
aplikasi O
FASIH O
dengan O
Framework O
Flutter O
bisa O
dilakukan O
sesuai O
dengan O
functional O
requirement O
yang O
ditetapkan O
oleh O
pemangku O
kepentingan. O
Hasil O
pengembangan O
ini O
dapat O
dibandingkan O
dengan O
aplikasi O
FASIH O
versi O
Kotlin O
yang O
dimiliki O
oleh O
BPS O
melalui O
pengujian O
menggunakan O
aplikasi O
pihak O
ketiga O
, O
Apptim. O
Kemudian O
dari O
hasil O
pengujian O
performa O
, O
Aplikasi O
FASIH O
versi O
Flutter O
masih O
belum O
bisa O
mendekati O
performa O
dari O
aplikasi O
FASIH O
versi O
Kotlin O
dalam O
hal O
penggunaan O
CPU O
, O
penggunaan O
memori O
dan O
waktu O
mulai O
aplikasi. O
Namun O
, O
Flutter O
memiliki O
keunggulan O
yakni O
waktu O
pengembangan O
yang O
cepat O
dan O
memiliki O
potensi O
pengembangan O
multiplatform. O
Sehingga O
pengembangan O
aplikasi O
FASIH O
dengan O
Flutter O
bisa O
menjadi O
alternatif O
untuk O
pengembangan O
aplikasi O
FASIH O
di O
masa O
depan. O
pemrograman O
Kotlin O
Penulis O
sudah O
berusaha O
untuk O
melakukan O
optimisasi O
agar O
performa O
aplikasi O
yang O
menggunakan O
Framework O
Flutter O
mendekati O
performa O
aplikasi O
FASIH O
yang O
menggunakan O
dengan O
mengusahakan O
bahasa O
mengurangi O
komunikasi O
dengan O
database O
serta O
menghilangkan O
warning O
yang O
ada. O
Namun O
, O
hasilnya O
masih O
jauh O
dari O
harapan. O
Saran O
yang O
ingin O
disampaikan O
peneliti O
dalam O
penelitian O
ini O
yakni O
pada O
penelitian O
selanjutnya O
perlu O
dilakukan O
kajian O
lebih O
lanjut O
tentang O
performa O
aplikasi O
Flutter O
agar O
bisa O
dilakukan O
optimalisasi O
sehingga O
performa O
aplikasi O
FASIH O
versi O
Flutter O
mendekati O
performa O
aplikasi O
FASIH O
versi O
Kotlin. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O

Deteksi O
Lahan O
Hutan O
dan O
Pembangunan O
Indeks O
Kerentanan O
Deforestasi O
dengan O
Citra O
Satelit O
Studi O
Kasus O
: O
Kabupaten O
Sukamara O
, O
Kalimantan O
Tengah O
Nora O
Dzulvawan O
( O
221911179 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
SST. O
, O
MT. O
Ringkasan— O
Indonesia O
merupakan O
salah O
satu O
negara O
dengan O
tingkat O
deforestasi O
hutan O
yang O
tinggi O
dan O
telah O
mengurangi O
hampir O
sebagian O
dari O
hutan O
Indonesia. O
Penelitian O
ini O
bertujuan O
untuk O
mengklasifikasikan B-TUJUAN
tutupan I-TUJUAN
lahan I-TUJUAN
hutan I-TUJUAN
dan I-TUJUAN
mengestimasi I-TUJUAN
luas I-TUJUAN
deforestasi I-TUJUAN
hutan I-TUJUAN
di I-TUJUAN
Indonesia I-TUJUAN
dengan O
memanfaatkan O
data O
citra O
satelit O
dan O
teknologi O
penginderaan B-METODE
jarak I-METODE
jauh. I-METODE
Perubahan O
tutupan O
lahan O
hutan O
dapat O
dilihat O
dengan O
membandingkan O
data O
dari O
citra O
satelit O
Sentinel-2 O
pada O
dua O
titik O
waktu O
yang O
berbeda. O
Untuk O
memudahkan O
analisis O
hasil O
dilakukan O
pendeteksian O
tutupan O
lahan O
hutan O
dengan O
menggunakan O
algoritma O
supervised O
learning O
dan O
deep O
learning O
classification. O
Pengecekan O
validasi O
akan O
dilakukan O
dengan O
melihat O
nilai O
accuracy O
, O
precision O
, O
recall O
, O
dan O
F1-Score O
untuk O
melihat O
peforma O
hasil O
pemetaan O
dari O
model O
yang O
telah O
dibangun. O
Model B-TEMUAN
terbaik I-TEMUAN
dari I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
adalah I-TEMUAN
AdaBoost I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
akurasi I-TEMUAN
92,92 I-TEMUAN
persen I-TEMUAN
dan I-TEMUAN
F1-Score I-TEMUAN
93,23 I-TEMUAN
persen. I-TEMUAN
Setelah O
dilakukan O
analisis O
didapatkan O
bahwa O
kasus O
deforestasi O
yaitu O
pengalihfungsian O
lahan O
hutan O
menjadi O
perkebuanan O
kelapa O
sawit O
dan O
total B-TEMUAN
luas I-TEMUAN
deforestasi I-TEMUAN
hutan I-TEMUAN
( I-TEMUAN
forest I-TEMUAN
loss I-TEMUAN
) I-TEMUAN
di I-TEMUAN
Kabupaten I-TEMUAN
Sumakara I-TEMUAN
sebesar I-TEMUAN
28.828,18 I-TEMUAN
m2. I-TEMUAN
di O
Kabupaten O
Sukamara O
tertinggi O
Kata O
Kunci— O
klasifikasi O
tutupan O
lahan O
hutan O
, O
pemetaan O
deforestasi O
, O
remote O
sensing O
, O
machine O
learning O
[SEP] O
Perubahan O
hutan O
dan O
pembukaan O
lahan O
merupakan O
salah O
satu O
hal O
yang O
diperlukan O
untuk O
menganalisis O
ketersediaan O
jumlah O
hutan O
dalam O
suatu O
kawasan. O
Dengan O
menggunakan O
citra O
satelit O
, O
salah O
satunya O
Sentinel-2 O
, O
deteksi O
tersebut O
dapat O
difasilitasi O
dengan O
membangun O
model O
machine O
learning O
kovensional O
dan O
deep O
learning. O
Penggunaan O
data O
citra O
satelit O
dan O
pembuatan O
model O
machine O
learning O
dapat O
memberikan O
hasil O
yang O
akurat O
serta O
pengolahan O
data O
yang O
lebih O
efektif O
dan O
efisien. O
Pemetaan O
indeks O
kerentanan O
deforestasi O
juga O
menjadi O
satu O
hal O
yang O
harus O
dilakukan O
untuk O
mengantisipasi O
kerugian O
dan O
kerusakan O
yang O
akan O
ditimbulkan O
oleh O
kehilangan O
hutan O
dari O
waktu O
ke O
waktu. O
Untuk O
penelitian O
di O
masa O
depan O
, O
menambahkan O
indeks O
yang O
sesuai O
dapat O
membantu O
model O
membedakan O
antara O
setiap O
kelas O
sehingga O
memberi O
kita O
akurasi O
yang O
lebih O
baik. O
Percobaan O
penghitungan O
indeks O
deforestasi O
dengan O
lebih O
detail O
dan O
menyeluruh O
juga O
akan O
membantu O
meningkatkan O
akurasi O
dan O
ketepatan O
analisis O
yang O
dilakukan. O
Lebih O
dari O
itu O
, O
proses O
persiapan O
data O
dan O
membangun O
lingkungan O
model O
terbaik O
dapat O
membantu O
model O
berjalan O
secara O
efisien. O
Hasil O
penelitian O
ini O
dapat O
digunakan O
dalam O
menentukan O
analisis O
dan O
pengambilan O
kebijakan O
lebih O
lanjut O
terkait O
tutupan O
lahan O
, O
khususnya O
lahan O
hutan O
di O
masa O
depan. O
Penelitian O
ini O
juga O
diharapkan O
dapat O
membantu O
meningkatkan O
kualitas O
data O
statistik O
kehutanan O
ke O
depannya. O

Deteksi O
Lahan O
Hutan O
dan O
Pembangunan O
Indeks O
Kerentanan O
Deforestasi O
dengan O
Citra O
Satelit O
Studi O
Kasus O
: O
Kabupaten O
Sukamara O
, O
Kalimantan O
Tengah O
Nora O
Dzulvawan O
( O
221911179 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
SST. O
, O
MT. O
Ringkasan— O
Indonesia O
merupakan O
salah O
satu O
negara O
dengan O
tingkat O
deforestasi O
hutan O
yang O
tinggi O
dan O
telah O
mengurangi O
hampir O
sebagian O
dari O
hutan O
Indonesia. O
Penelitian O
ini O
bertujuan O
untuk O
mengklasifikasikan B-TUJUAN
tutupan I-TUJUAN
lahan I-TUJUAN
hutan I-TUJUAN
dan I-TUJUAN
mengestimasi I-TUJUAN
luas I-TUJUAN
deforestasi I-TUJUAN
hutan I-TUJUAN
di I-TUJUAN
Indonesia I-TUJUAN
dengan O
memanfaatkan O
data O
citra O
satelit O
dan O
teknologi O
penginderaan B-METODE
jarak I-METODE
jauh. I-METODE
Perubahan O
tutupan O
lahan O
hutan O
dapat O
dilihat O
dengan O
membandingkan O
data O
dari O
citra O
satelit O
Sentinel-2 O
pada O
dua O
titik O
waktu O
yang O
berbeda. O
Untuk O
memudahkan O
analisis O
hasil O
dilakukan O
pendeteksian O
tutupan O
lahan O
hutan O
dengan O
menggunakan O
algoritma O
supervised O
learning O
dan O
deep O
learning O
classification. O
Pengecekan O
validasi O
akan O
dilakukan O
dengan O
melihat O
nilai O
accuracy O
, O
precision O
, O
recall O
, O
dan O
F1-Score O
untuk O
melihat O
peforma O
hasil O
pemetaan O
dari O
model O
yang O
telah O
dibangun. O
Model B-TEMUAN
terbaik I-TEMUAN
dari I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
adalah I-TEMUAN
AdaBoost I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
akurasi I-TEMUAN
92,92 I-TEMUAN
persen I-TEMUAN
dan I-TEMUAN
F1-Score I-TEMUAN
93,23 I-TEMUAN
persen. I-TEMUAN
Setelah O
dilakukan O
analisis O
didapatkan O
bahwa O
kasus O
deforestasi O
yaitu O
pengalihfungsian O
lahan O
hutan O
menjadi O
perkebuanan O
kelapa O
sawit O
dan O
total B-TEMUAN
luas I-TEMUAN
deforestasi I-TEMUAN
hutan I-TEMUAN
( I-TEMUAN
forest I-TEMUAN
loss I-TEMUAN
) I-TEMUAN
di I-TEMUAN
Kabupaten I-TEMUAN
Sumakara I-TEMUAN
sebesar I-TEMUAN
28.828,18 I-TEMUAN
m2. I-TEMUAN
di O
Kabupaten O
Sukamara O
tertinggi O
Kata O
Kunci— O
klasifikasi O
tutupan O
lahan O
hutan O
, O
pemetaan O
deforestasi O
, O
remote O
sensing O
, O
machine O
learning O
[SEP] O
Perubahan O
hutan O
dan O
pembukaan O
lahan O
merupakan O
salah O
satu O
hal O
yang O
diperlukan O
untuk O
menganalisis O
ketersediaan O
jumlah O
hutan O
dalam O
suatu O
kawasan. O
Dengan O
menggunakan O
citra O
satelit O
, O
salah O
satunya O
Sentinel-2 O
, O
deteksi O
tersebut O
dapat O
difasilitasi O
dengan O
membangun O
model O
machine O
learning O
kovensional O
dan O
deep O
learning. O
Penggunaan O
data O
citra O
satelit O
dan O
pembuatan O
model O
machine O
learning O
dapat O
memberikan O
hasil O
yang O
akurat O
serta O
pengolahan O
data O
yang O
lebih O
efektif O
dan O
efisien. O
Pemetaan O
indeks O
kerentanan O
deforestasi O
juga O
menjadi O
satu O
hal O
yang O
harus O
dilakukan O
untuk O
mengantisipasi O
kerugian O
dan O
kerusakan O
yang O
akan O
ditimbulkan O
oleh O
kehilangan O
hutan O
dari O
waktu O
ke O
waktu. O
Untuk O
penelitian O
di O
masa O
depan O
, O
menambahkan O
indeks O
yang O
sesuai O
dapat O
membantu O
model O
membedakan O
antara O
setiap O
kelas O
sehingga O
memberi O
kita O
akurasi O
yang O
lebih O
baik. O
Percobaan O
penghitungan O
indeks O
deforestasi O
dengan O
lebih O
detail O
dan O
menyeluruh O
juga O
akan O
membantu O
meningkatkan O
akurasi O
dan O
ketepatan O
analisis O
yang O
dilakukan. O
Lebih O
dari O
itu O
, O
proses O
persiapan O
data O
dan O
membangun O
lingkungan O
model O
terbaik O
dapat O
membantu O
model O
berjalan O
secara O
efisien. O
Hasil O
penelitian O
ini O
dapat O
digunakan O
dalam O
menentukan O
analisis O
dan O
pengambilan O
kebijakan O
lebih O
lanjut O
terkait O
tutupan O
lahan O
, O
khususnya O
lahan O
hutan O
di O
masa O
depan. O
Penelitian O
ini O
juga O
diharapkan O
dapat O
membantu O
meningkatkan O
kualitas O
data O
statistik O
kehutanan O
ke O
depannya. O

Deteksi O
Lahan O
Hutan O
dan O
Pembangunan O
Indeks O
Kerentanan O
Deforestasi O
dengan O
Citra O
Satelit O
Studi O
Kasus O
: O
Kabupaten O
Sukamara O
, O
Kalimantan O
Tengah O
Nora O
Dzulvawan O
( O
221911179 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
SST. O
, O
MT. O
Ringkasan— O
Indonesia O
merupakan O
salah O
satu O
negara O
dengan O
tingkat O
deforestasi O
hutan O
yang O
tinggi O
dan O
telah O
mengurangi O
hampir O
sebagian O
dari O
hutan O
Indonesia. O
Penelitian O
ini O
bertujuan O
untuk O
mengklasifikasikan B-TUJUAN
tutupan I-TUJUAN
lahan I-TUJUAN
hutan I-TUJUAN
dan I-TUJUAN
mengestimasi I-TUJUAN
luas I-TUJUAN
deforestasi I-TUJUAN
hutan I-TUJUAN
di I-TUJUAN
Indonesia I-TUJUAN
dengan O
memanfaatkan O
data O
citra O
satelit O
dan O
teknologi O
penginderaan B-METODE
jarak I-METODE
jauh. I-METODE
Perubahan O
tutupan O
lahan O
hutan O
dapat O
dilihat O
dengan O
membandingkan O
data O
dari O
citra O
satelit O
Sentinel-2 O
pada O
dua O
titik O
waktu O
yang O
berbeda. O
Untuk O
memudahkan O
analisis O
hasil O
dilakukan O
pendeteksian O
tutupan O
lahan O
hutan O
dengan O
menggunakan O
algoritma O
supervised O
learning O
dan O
deep O
learning O
classification. O
Pengecekan O
validasi O
akan O
dilakukan O
dengan O
melihat O
nilai O
accuracy O
, O
precision O
, O
recall O
, O
dan O
F1-Score O
untuk O
melihat O
peforma O
hasil O
pemetaan O
dari O
model O
yang O
telah O
dibangun. O
Model B-TEMUAN
terbaik I-TEMUAN
dari I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
adalah I-TEMUAN
AdaBoost I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
akurasi I-TEMUAN
92,92 I-TEMUAN
persen I-TEMUAN
dan I-TEMUAN
F1-Score I-TEMUAN
93,23 I-TEMUAN
persen. I-TEMUAN
Setelah O
dilakukan O
analisis O
didapatkan O
bahwa O
kasus O
deforestasi O
yaitu O
pengalihfungsian O
lahan O
hutan O
menjadi O
perkebuanan O
kelapa O
sawit O
dan O
total B-TEMUAN
luas I-TEMUAN
deforestasi I-TEMUAN
hutan I-TEMUAN
( I-TEMUAN
forest I-TEMUAN
loss I-TEMUAN
) I-TEMUAN
di I-TEMUAN
Kabupaten I-TEMUAN
Sumakara I-TEMUAN
sebesar I-TEMUAN
28.828,18 I-TEMUAN
m2. I-TEMUAN
di O
Kabupaten O
Sukamara O
tertinggi O
Kata O
Kunci— O
klasifikasi O
tutupan O
lahan O
hutan O
, O
pemetaan O
deforestasi O
, O
remote O
sensing O
, O
machine O
learning O
[SEP] O
Perubahan O
hutan O
dan O
pembukaan O
lahan O
merupakan O
salah O
satu O
hal O
yang O
diperlukan O
untuk O
menganalisis O
ketersediaan O
jumlah O
hutan O
dalam O
suatu O
kawasan. O
Dengan O
menggunakan O
citra O
satelit O
, O
salah O
satunya O
Sentinel-2 O
, O
deteksi O
tersebut O
dapat O
difasilitasi O
dengan O
membangun O
model O
machine O
learning O
kovensional O
dan O
deep O
learning. O
Penggunaan O
data O
citra O
satelit O
dan O
pembuatan O
model O
machine O
learning O
dapat O
memberikan O
hasil O
yang O
akurat O
serta O
pengolahan O
data O
yang O
lebih O
efektif O
dan O
efisien. O
Pemetaan O
indeks O
kerentanan O
deforestasi O
juga O
menjadi O
satu O
hal O
yang O
harus O
dilakukan O
untuk O
mengantisipasi O
kerugian O
dan O
kerusakan O
yang O
akan O
ditimbulkan O
oleh O
kehilangan O
hutan O
dari O
waktu O
ke O
waktu. O
Untuk O
penelitian O
di O
masa O
depan O
, O
menambahkan O
indeks O
yang O
sesuai O
dapat O
membantu O
model O
membedakan O
antara O
setiap O
kelas O
sehingga O
memberi O
kita O
akurasi O
yang O
lebih O
baik. O
Percobaan O
penghitungan O
indeks O
deforestasi O
dengan O
lebih O
detail O
dan O
menyeluruh O
juga O
akan O
membantu O
meningkatkan O
akurasi O
dan O
ketepatan O
analisis O
yang O
dilakukan. O
Lebih O
dari O
itu O
, O
proses O
persiapan O
data O
dan O
membangun O
lingkungan O
model O
terbaik O
dapat O
membantu O
model O
berjalan O
secara O
efisien. O
Hasil O
penelitian O
ini O
dapat O
digunakan O
dalam O
menentukan O
analisis O
dan O
pengambilan O
kebijakan O
lebih O
lanjut O
terkait O
tutupan O
lahan O
, O
khususnya O
lahan O
hutan O
di O
masa O
depan. O
Penelitian O
ini O
juga O
diharapkan O
dapat O
membantu O
meningkatkan O
kualitas O
data O
statistik O
kehutanan O
ke O
depannya. O

Pembangunan O
Sistem O
Satu O
Data O
Statistik O
Kriminal O
Indonesia O
( O
SDSKI O
) O
Berbasis O
Web O
Kuh O
Latersya O
Tarigan O
( O
221911177 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A. O
Ringkasan— O
Satu O
Data O
Indonesia O
( O
SDI O
) O
merupakan O
kebijakan O
tata O
kelola O
data O
pemerintah O
yang O
bertujuan O
untuk O
menciptakan O
data O
berkualitas O
, O
mudah O
diakses O
, O
dan O
dapat O
dibagipakaikan O
antar O
instansi O
pusat O
serta O
daerah. O
Salah O
satu O
perwujudan O
SDI O
adalah O
Satu O
Data O
Statistik O
Kriminal O
Indonesia O
( O
SDSKI O
) O
. O
SDSKI O
merupakan O
gagasan O
Badan O
Pusat O
Statistik O
yang O
memotret O
statistik O
kriminal O
secara O
komprehensif O
dari O
sisi O
lokasi O
dan O
waktu O
, O
serta O
informasi O
mengenai O
pelaku O
dan O
korban. O
Data O
kriminalitas O
bermanfaat O
sebagai O
dasar O
dalam O
penyusunan O
perencanaan O
pembangunan O
sektoral O
di O
bidang O
keamanan O
dan O
hukum O
untuk O
meningkatkan O
kesejahteraan O
masyarakat O
secara O
menyeluruh. O
Penelitian O
ini O
bertujuan O
merancang B-TUJUAN
dan I-TUJUAN
membangun I-TUJUAN
sistem I-TUJUAN
SDSKI I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
untuk O
memuat O
data O
statistik O
kriminal O
dengan O
konsep O
, O
definisi O
, O
serta O
standar O
data O
yang O
sama O
agar O
memenuhi O
prinsip O
SDI O
sehingga O
dapat O
dibagipakaikan O
antar O
instansi O
pusat O
serta O
daerah. O
Pengembangan O
sistem O
pada O
penelitian O
ini O
menggunakan O
metode O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
dengan I-METODE
model I-METODE
Waterfall I-METODE
dan O
evaluasi O
sistem O
menggunakan O
kuesioner O
System O
Usability O
Scale O
( O
SUS O
) O
. O
Hasil O
penelitian O
ini O
adalah O
Product B-TEMUAN
Requirement I-TEMUAN
Document I-TEMUAN
( I-TEMUAN
PRD I-TEMUAN
) I-TEMUAN
, I-TEMUAN
Functional I-TEMUAN
Specification I-TEMUAN
Document I-TEMUAN
( I-TEMUAN
FSD I-TEMUAN
) I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
prototipe I-TEMUAN
antarmuka I-TEMUAN
sistem. I-TEMUAN
Kata O
Kunci— O
Satu O
Data O
Statistik O
Kriminal O
Indonesia O
, O
Statistik O
Kriminal O
, O
Sistem. O
[SEP] O
Sistem O
yang O
tertera O
pada O
proposal O
adalah O
dashboard. O
Terjadi O
perubahan O
menjadi O
sistem O
SDSKI O
karena O
berdasarkan O
kebutuhan O
sistem O
disimpulkan O
bahwa O
sistem O
bukan O
merupakan O
dashboard. O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
didapatkan O
kesimpulan O
sebagai O
berikut O
: O
1. O
Product O
Requirement O
Document O
dan O
Functional O
Specification O
Document O
( O
FSD O
) O
sistem O
SDSKI O
telah O
dibuat O
dan O
ditandatangani O
oleh O
Ibu O
Trophy O
Endah O
Rahayu O
selaku O
koordinator O
tim O
Satu O
Data O
Statistik O
Kriminal O
Indonesia O
( O
SDSKI O
) O
. O
( O
PRD O
) O
2. O
Prototipe O
antarmuka O
sistem O
telah O
dibuat O
dan O
dievaluasi O
menggunakan O
kuesioner O
SUS O
dengan O
skor O
71. O
3. O
Dengan O
hasil O
akhir O
berupa O
PRD O
, O
FSD O
, O
dan O
prototipe O
antarmuka O
sistem O
, O
penelitian O
belum O
dapat O
mencapai O
tujuan O
membangun O
sistem O
SDSKI. O

Pembangunan O
Sistem O
Satu O
Data O
Statistik O
Kriminal O
Indonesia O
( O
SDSKI O
) O
Berbasis O
Web O
Kuh O
Latersya O
Tarigan O
( O
221911177 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A. O
Ringkasan— O
Satu O
Data O
Indonesia O
( O
SDI O
) O
merupakan O
kebijakan O
tata O
kelola O
data O
pemerintah O
yang O
bertujuan O
untuk O
menciptakan O
data O
berkualitas O
, O
mudah O
diakses O
, O
dan O
dapat O
dibagipakaikan O
antar O
instansi O
pusat O
serta O
daerah. O
Salah O
satu O
perwujudan O
SDI O
adalah O
Satu O
Data O
Statistik O
Kriminal O
Indonesia O
( O
SDSKI O
) O
. O
SDSKI O
merupakan O
gagasan O
Badan O
Pusat O
Statistik O
yang O
memotret O
statistik O
kriminal O
secara O
komprehensif O
dari O
sisi O
lokasi O
dan O
waktu O
, O
serta O
informasi O
mengenai O
pelaku O
dan O
korban. O
Data O
kriminalitas O
bermanfaat O
sebagai O
dasar O
dalam O
penyusunan O
perencanaan O
pembangunan O
sektoral O
di O
bidang O
keamanan O
dan O
hukum O
untuk O
meningkatkan O
kesejahteraan O
masyarakat O
secara O
menyeluruh. O
Penelitian O
ini O
bertujuan O
merancang B-TUJUAN
dan I-TUJUAN
membangun I-TUJUAN
sistem I-TUJUAN
SDSKI I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
untuk O
memuat O
data O
statistik O
kriminal O
dengan O
konsep O
, O
definisi O
, O
serta O
standar O
data O
yang O
sama O
agar O
memenuhi O
prinsip O
SDI O
sehingga O
dapat O
dibagipakaikan O
antar O
instansi O
pusat O
serta O
daerah. O
Pengembangan O
sistem O
pada O
penelitian O
ini O
menggunakan O
metode O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
dengan I-METODE
model I-METODE
Waterfall I-METODE
dan O
evaluasi O
sistem O
menggunakan O
kuesioner O
System O
Usability O
Scale O
( O
SUS O
) O
. O
Hasil O
penelitian O
ini O
adalah O
Product B-TEMUAN
Requirement I-TEMUAN
Document I-TEMUAN
( I-TEMUAN
PRD I-TEMUAN
) I-TEMUAN
, I-TEMUAN
Functional I-TEMUAN
Specification I-TEMUAN
Document I-TEMUAN
( I-TEMUAN
FSD I-TEMUAN
) I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
prototipe I-TEMUAN
antarmuka I-TEMUAN
sistem. I-TEMUAN
Kata O
Kunci— O
Satu O
Data O
Statistik O
Kriminal O
Indonesia O
, O
Statistik O
Kriminal O
, O
Sistem. O
[SEP] O
Sistem O
yang O
tertera O
pada O
proposal O
adalah O
dashboard. O
Terjadi O
perubahan O
menjadi O
sistem O
SDSKI O
karena O
berdasarkan O
kebutuhan O
sistem O
disimpulkan O
bahwa O
sistem O
bukan O
merupakan O
dashboard. O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
didapatkan O
kesimpulan O
sebagai O
berikut O
: O
1. O
Product O
Requirement O
Document O
dan O
Functional O
Specification O
Document O
( O
FSD O
) O
sistem O
SDSKI O
telah O
dibuat O
dan O
ditandatangani O
oleh O
Ibu O
Trophy O
Endah O
Rahayu O
selaku O
koordinator O
tim O
Satu O
Data O
Statistik O
Kriminal O
Indonesia O
( O
SDSKI O
) O
. O
( O
PRD O
) O
2. O
Prototipe O
antarmuka O
sistem O
telah O
dibuat O
dan O
dievaluasi O
menggunakan O
kuesioner O
SUS O
dengan O
skor O
71. O
3. O
Dengan O
hasil O
akhir O
berupa O
PRD O
, O
FSD O
, O
dan O
prototipe O
antarmuka O
sistem O
, O
penelitian O
belum O
dapat O
mencapai O
tujuan O
membangun O
sistem O
SDSKI. O

Pembangunan O
Sistem O
Satu O
Data O
Statistik O
Kriminal O
Indonesia O
( O
SDSKI O
) O
Berbasis O
Web O
Kuh O
Latersya O
Tarigan O
( O
221911177 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A. O
Ringkasan— O
Satu O
Data O
Indonesia O
( O
SDI O
) O
merupakan O
kebijakan O
tata O
kelola O
data O
pemerintah O
yang O
bertujuan O
untuk O
menciptakan O
data O
berkualitas O
, O
mudah O
diakses O
, O
dan O
dapat O
dibagipakaikan O
antar O
instansi O
pusat O
serta O
daerah. O
Salah O
satu O
perwujudan O
SDI O
adalah O
Satu O
Data O
Statistik O
Kriminal O
Indonesia O
( O
SDSKI O
) O
. O
SDSKI O
merupakan O
gagasan O
Badan O
Pusat O
Statistik O
yang O
memotret O
statistik O
kriminal O
secara O
komprehensif O
dari O
sisi O
lokasi O
dan O
waktu O
, O
serta O
informasi O
mengenai O
pelaku O
dan O
korban. O
Data O
kriminalitas O
bermanfaat O
sebagai O
dasar O
dalam O
penyusunan O
perencanaan O
pembangunan O
sektoral O
di O
bidang O
keamanan O
dan O
hukum O
untuk O
meningkatkan O
kesejahteraan O
masyarakat O
secara O
menyeluruh. O
Penelitian O
ini O
bertujuan O
merancang B-TUJUAN
dan I-TUJUAN
membangun I-TUJUAN
sistem I-TUJUAN
SDSKI I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
untuk O
memuat O
data O
statistik O
kriminal O
dengan O
konsep O
, O
definisi O
, O
serta O
standar O
data O
yang O
sama O
agar O
memenuhi O
prinsip O
SDI O
sehingga O
dapat O
dibagipakaikan O
antar O
instansi O
pusat O
serta O
daerah. O
Pengembangan O
sistem O
pada O
penelitian O
ini O
menggunakan O
metode O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
dengan I-METODE
model I-METODE
Waterfall I-METODE
dan O
evaluasi O
sistem O
menggunakan O
kuesioner O
System O
Usability O
Scale O
( O
SUS O
) O
. O
Hasil O
penelitian O
ini O
adalah O
Product B-TEMUAN
Requirement I-TEMUAN
Document I-TEMUAN
( I-TEMUAN
PRD I-TEMUAN
) I-TEMUAN
, I-TEMUAN
Functional I-TEMUAN
Specification I-TEMUAN
Document I-TEMUAN
( I-TEMUAN
FSD I-TEMUAN
) I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
prototipe I-TEMUAN
antarmuka I-TEMUAN
sistem. I-TEMUAN
Kata O
Kunci— O
Satu O
Data O
Statistik O
Kriminal O
Indonesia O
, O
Statistik O
Kriminal O
, O
Sistem. O
[SEP] O
Sistem O
yang O
tertera O
pada O
proposal O
adalah O
dashboard. O
Terjadi O
perubahan O
menjadi O
sistem O
SDSKI O
karena O
berdasarkan O
kebutuhan O
sistem O
disimpulkan O
bahwa O
sistem O
bukan O
merupakan O
dashboard. O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
didapatkan O
kesimpulan O
sebagai O
berikut O
: O
1. O
Product O
Requirement O
Document O
dan O
Functional O
Specification O
Document O
( O
FSD O
) O
sistem O
SDSKI O
telah O
dibuat O
dan O
ditandatangani O
oleh O
Ibu O
Trophy O
Endah O
Rahayu O
selaku O
koordinator O
tim O
Satu O
Data O
Statistik O
Kriminal O
Indonesia O
( O
SDSKI O
) O
. O
( O
PRD O
) O
2. O
Prototipe O
antarmuka O
sistem O
telah O
dibuat O
dan O
dievaluasi O
menggunakan O
kuesioner O
SUS O
dengan O
skor O
71. O
3. O
Dengan O
hasil O
akhir O
berupa O
PRD O
, O
FSD O
, O
dan O
prototipe O
antarmuka O
sistem O
, O
penelitian O
belum O
dapat O
mencapai O
tujuan O
membangun O
sistem O
SDSKI. O

Penambahan O
Distribusi O
MSNBurr-IIa O
pada O
MultiBUGS O
Eliana O
Putri O
Ramadani O
( O
221911174 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Achmad O
Syahrul O
Choir O
, O
S.ST O
, O
M.Si O
Ringkasan—Distribusi O
MSNBurr-IIa O
adalah O
salah O
satu O
distribusi O
neonormal O
yang O
lebih O
baik O
mengakomodasi O
data O
yang O
menceng O
kanan O
dibanding O
menceng O
kiri. O
MultiBUGS O
adalah O
software O
untuk O
yang O
digunakan O
untuk O
inferensia O
dengan O
metode O
Bayesian O
, O
namun O
pada O
program O
tersebut O
belum O
tersedia O
distribusi O
MSNBurr-IIa O
sehingga O
akan O
dilakukan O
penambahan O
kemudian O
dilanjutkan O
dengan O
penerapan O
pada O
dunia O
nyata. O
Laju O
pertumbuhan O
ekonomi O
dan O
Indeks O
Kedalaman O
Kemiskinan O
adalah O
contoh O
data O
yang O
sulit O
digambarkan O
dengan O
distribusi O
normal O
karena O
perbedaan O
tiap O
daerah O
sehingga O
digunakan O
sebagai O
penerapan O
distribusi O
MSNBurr-IIa. O
Metode O
yang O
digunakan O
adalah O
waterfall B-METODE
method I-METODE
, I-METODE
estimasi I-METODE
Bayesian I-METODE
, I-METODE
dan I-METODE
regresi I-METODE
Bayesian. I-METODE
Hasil O
dari O
penelitian O
menghasilkan O
bahwa O
distribusi B-TEMUAN
MSNBurr-IIa I-TEMUAN
dapat I-TEMUAN
ditambahkan I-TEMUAN
pada I-TEMUAN
MultiBUGS I-TEMUAN
dan O
melalui O
tiga O
tahap O
pengujian O
dihasilkan O
bahwa O
program O
dapat O
dijalankan O
dan O
memiliki O
hasil O
yang O
valid. O
Penggunaan O
distribusi O
MSNBurr- O
IIa O
untuk O
mengetahui O
karakteristik O
data O
laju O
pertumbuhan O
ekonomi O
tahun O
2017-2021 O
dan O
mengestimasi O
parameter O
regresi O
Indeks O
Kedalaman O
Kemiskinan O
menghasilkan O
bahwa O
distribusi O
tersebut O
dapat O
menggambarkan O
karakteristik O
data O
dengan O
baik. O
Kata O
Kunci— O
distribusi O
neonormal O
, O
distribusi O
MSNBurr-IIa O
, O
MultiBUGS O
, O
Bayesian. O
[SEP] O
Penambahan O
distribusi O
MSNBurr-IIa O
pada O
MultiBUGS O
dapat O
dilakukan O
melalui O
BlackBox O
Component O
Builder O
dengan O
memperhatikan O
komponen O
dan O
ketentuan O
yang O
sudah O
ditentukan O
oleh O
MultiBUGS. O
Program O
yang O
ditambahkan O
sudah O
melalui O
proses O
uji O
coba O
dan O
validasi O
sehingga O
menghasilkan O
program O
distribusi O
MSNBurr-IIa O
yang O
dapat O
digunakan O
dan O
memiliki O
hasil O
yang O
valid. O
Penambahan O
distribusi O
MSNBurr-IIa O
pada O
MultiBUGS O
dapat O
mempermudah O
estimasi O
parameter O
yang O
ditunjukkan O
melalui O
penerapan O
distribusi O
MSNBurr-IIa O
menggunakan O
data O
laju O
pertumbuhan O
ekonomi. O
Penerapan O
data O
laju O
pertumbuhan O
ekonomi O
dan O
pemodelan O
Indeks O
Kedalaman O
Kemiskinan O
distribusi O
MSNBurr-IIa O
menunjukkan O
bahwa O
distribusi O
MSNBurr-IIa O
dapat O
digunakan O
untuk O
menggambarkan O
karakteristik O
data O
laju O
pertumbuhan O
ekonomi O
dan O
memprediksi O
parameter O
model O
regresi O
Indeks O
Kedalaman O
Ekonomi O
khususnya O
pada O
data O
menceng O
kanan. O
Diharapkan O
penelitian O
selanjutnya O
lebih O
dapat O
mengkaji O
berbagai O
macam O
distribusi O
neonormal O
dan O
penerapannya O
agar O
lebih O
umum O
digunakan. O
Selain O
itu O
perlu O
dilakukan O
lebih O
jauh O
kajian O
tentang O
MultiBUGS. O
menggunakan O

Penambahan O
Distribusi O
MSNBurr-IIa O
pada O
MultiBUGS O
Eliana O
Putri O
Ramadani O
( O
221911174 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Achmad O
Syahrul O
Choir O
, O
S.ST O
, O
M.Si O
Ringkasan—Distribusi O
MSNBurr-IIa O
adalah O
salah O
satu O
distribusi O
neonormal O
yang O
lebih O
baik O
mengakomodasi O
data O
yang O
menceng O
kanan O
dibanding O
menceng O
kiri. O
MultiBUGS O
adalah O
software O
untuk O
yang O
digunakan O
untuk O
inferensia O
dengan O
metode O
Bayesian O
, O
namun O
pada O
program O
tersebut O
belum O
tersedia O
distribusi O
MSNBurr-IIa O
sehingga O
akan O
dilakukan O
penambahan O
kemudian O
dilanjutkan O
dengan O
penerapan O
pada O
dunia O
nyata. O
Laju O
pertumbuhan O
ekonomi O
dan O
Indeks O
Kedalaman O
Kemiskinan O
adalah O
contoh O
data O
yang O
sulit O
digambarkan O
dengan O
distribusi O
normal O
karena O
perbedaan O
tiap O
daerah O
sehingga O
digunakan O
sebagai O
penerapan O
distribusi O
MSNBurr-IIa. O
Metode O
yang O
digunakan O
adalah O
waterfall B-METODE
method I-METODE
, I-METODE
estimasi I-METODE
Bayesian I-METODE
, I-METODE
dan I-METODE
regresi I-METODE
Bayesian. I-METODE
Hasil O
dari O
penelitian O
menghasilkan O
bahwa O
distribusi B-TEMUAN
MSNBurr-IIa I-TEMUAN
dapat I-TEMUAN
ditambahkan I-TEMUAN
pada I-TEMUAN
MultiBUGS I-TEMUAN
dan O
melalui O
tiga O
tahap O
pengujian O
dihasilkan O
bahwa O
program O
dapat O
dijalankan O
dan O
memiliki O
hasil O
yang O
valid. O
Penggunaan O
distribusi O
MSNBurr- O
IIa O
untuk O
mengetahui O
karakteristik O
data O
laju O
pertumbuhan O
ekonomi O
tahun O
2017-2021 O
dan O
mengestimasi O
parameter O
regresi O
Indeks O
Kedalaman O
Kemiskinan O
menghasilkan O
bahwa O
distribusi O
tersebut O
dapat O
menggambarkan O
karakteristik O
data O
dengan O
baik. O
Kata O
Kunci— O
distribusi O
neonormal O
, O
distribusi O
MSNBurr-IIa O
, O
MultiBUGS O
, O
Bayesian. O
[SEP] O
Penambahan O
distribusi O
MSNBurr-IIa O
pada O
MultiBUGS O
dapat O
dilakukan O
melalui O
BlackBox O
Component O
Builder O
dengan O
memperhatikan O
komponen O
dan O
ketentuan O
yang O
sudah O
ditentukan O
oleh O
MultiBUGS. O
Program O
yang O
ditambahkan O
sudah O
melalui O
proses O
uji O
coba O
dan O
validasi O
sehingga O
menghasilkan O
program O
distribusi O
MSNBurr-IIa O
yang O
dapat O
digunakan O
dan O
memiliki O
hasil O
yang O
valid. O
Penambahan O
distribusi O
MSNBurr-IIa O
pada O
MultiBUGS O
dapat O
mempermudah O
estimasi O
parameter O
yang O
ditunjukkan O
melalui O
penerapan O
distribusi O
MSNBurr-IIa O
menggunakan O
data O
laju O
pertumbuhan O
ekonomi. O
Penerapan O
data O
laju O
pertumbuhan O
ekonomi O
dan O
pemodelan O
Indeks O
Kedalaman O
Kemiskinan O
distribusi O
MSNBurr-IIa O
menunjukkan O
bahwa O
distribusi O
MSNBurr-IIa O
dapat O
digunakan O
untuk O
menggambarkan O
karakteristik O
data O
laju O
pertumbuhan O
ekonomi O
dan O
memprediksi O
parameter O
model O
regresi O
Indeks O
Kedalaman O
Ekonomi O
khususnya O
pada O
data O
menceng O
kanan. O
Diharapkan O
penelitian O
selanjutnya O
lebih O
dapat O
mengkaji O
berbagai O
macam O
distribusi O
neonormal O
dan O
penerapannya O
agar O
lebih O
umum O
digunakan. O
Selain O
itu O
perlu O
dilakukan O
lebih O
jauh O
kajian O
tentang O
MultiBUGS. O
menggunakan O

Perancangan O
dan O
Pengembangan O
User O
Interface O
untuk O
Aplikasi O
Analisis O
Sentimen O
Berbasis O
Web O
dengan O
Metode O
User-Centered O
Design O
Sandya O
Muti O
Audina O
( O
221911170 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Lya O
Hulliyyatus O
Suadaa O
SST O
, O
. O
MT. O
Ringkasan— O
Analisis O
sentimen O
merupakan O
suatu O
proses O
yang O
bertujuan O
untuk O
menentukan O
pendapat O
yang O
berbentuk O
teks O
( O
dapat O
berupa O
dokumen O
, O
kalimat O
, O
paragraf O
, O
dan O
lain-lain O
) O
sehingga O
dapat O
ditentukan O
apakah O
teks O
tersebut O
bersifat O
positif O
, O
negatif O
ataupun O
netral. O
Penelitian O
mengenai O
analisis O
sentimen O
telah O
banyak O
digunakan O
dalam O
kehidupan O
sehari-hari. O
Di O
Politeknik O
Statistika O
STIS O
, O
penelitian O
tentang O
analisis O
sentimen O
juga O
telah O
banyak O
dilakukan O
baik O
di O
kalangan O
mahasiswa O
maupun O
dosen. O
Model O
untuk O
analisis O
sentimen O
biasanya O
dibangun O
dengan O
bahasa O
pemrograman O
python. O
Terdapat O
beberapa O
masalah O
yang O
sering O
kali O
muncul O
ketika O
melakukan O
analisis O
sentimen O
dengan O
menggunakan O
python. O
Solusi O
dari O
permasalahan O
tersebut O
adalah O
dengan O
membuat B-TUJUAN
aplikasi I-TUJUAN
analisis I-TUJUAN
sentimen I-TUJUAN
yang I-TUJUAN
khusus I-TUJUAN
untuk I-TUJUAN
melakukan I-TUJUAN
analisis I-TUJUAN
sentimen I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
Dalam O
pembangunan O
aplikasi O
berbasis O
web O
, O
terdapat O
beberapa O
hal O
yang O
harus O
diperhatikan. O
Salah O
satunya O
adalah O
bagian O
front O
end O
terutama O
bagian O
user O
interface. O
Maka O
dari O
itu O
, O
dilakukan O
perancangan O
user O
interface O
untuk O
aplikasi O
analisis O
sentimen O
berbasis O
web O
dengan O
metode O
User-Centered B-METODE
Design I-METODE
dan O
metode O
evaluasi O
Cognitive O
Walkthrough. O
Hasil O
dari O
aplikasi O
ini O
berupa O
prototipe B-TEMUAN
akhir I-TEMUAN
dan I-TEMUAN
panduan I-TEMUAN
perancangan I-TEMUAN
user I-TEMUAN
interface I-TEMUAN
untuk I-TEMUAN
aplikasi I-TEMUAN
analisis I-TEMUAN
sentimen. I-TEMUAN
Kata O
Kunci— O
user O
interface O
, O
analisis O
sentimen O
, O
user-centered O
design O
, O
aplikasi O
web O
, O
cognitive O
walkthrough. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
Gambar O
13. O
Tampilan O
Halaman O
Dashboard O
Gambar O
10. O
Tampilan O
Halaman O
Project O
Gambar O
11. O
Tampilan O
Halaman O
Project O
Baru O
berikut O
kesimpulan O
yang O
dapat O
diambil O
: O
1. O
Tahapan O
evaluasi O
pada O
iterasi O
2 O
dengan O
menggunakan O
metode O
evaluasi O
Cognitive O
Walkthrough O
menyatakan O
bahwa O
tidak O
terdapat O
masalah O
pada O
desain O
prototipe O
yang O
telah O
dirancang. O
Dengan O
tidak O
adanya O
responden O
yang O
gagal O
pada O
tahapan O
iterasi O
2 O
, O
dengan O
demikian O
penelitian O
dinyatakan O
selesai O
sampai O
dengan O
iterasi O
ke O
2. O
2. O
Prototipe O
final O
merupakan O
desain O
yang O
telah O
disesuaikan O
dengan O
pengguna O
dan O
sudah O
memiliki O
tampilan O
user O
interface O
yang O
sesuai O
dan O
friendly O
bagi O
pengguna O
pada O
iterasi O
ke O
2. O
Hal O
ini O
dikarenakan O
sudah O
tidak O
terdapat O
masalah O
dan O
kesalahan O
dari O
responden O
dalam O
melakukan O
tugas. O
3. O
Panduan O
dalam O
perancangan O
user O
interface O
aplikasi O
analisis O
sentimen O
berbasis O
web O
terbentuk O
berdasarkan O
hasil O
dari O
protitipe O
final. O
Panduan O
tersebut O
dapat O
dijadikan O
acuan O
pada O
perancangan O
user O
interface O
dan O
pembangunan O
aplikasi O
analisis O
sentimen O
di O
masa O
depan. O
Berdasarkan O
kesimpulan O
tersebut O
, O
nerikut O
saran O
yang O
dapat O
diambil O
dari O
penelitian O
ini O
: O
1. O
Metode O
yang O
digunakan O
pada O
penelitian O
ini O
merupakan O
metode O
yang O
di O
mana O
peran O
pengguna O
merupakan O
hal O
yang O
sangat O
penting. O
Maka O
dari O
itu O
, O
untuk O
penelitian O
selanjutnya O
diharapkan O
responden O
dapat O
dipilih O
dengan O
sebaik-baiknya O
dan O
sesuai O
dengan O
cakupan O
penelitian O
yang O
diambil. O
2. O
Pada O
penelitian O
ini O
hanya O
dilakukan O
perancangan O
user O
interface O
dengan O
hasil O
akhir O
berupa O
prototipe O
dan O
pedoman O
perancangan O
user O
interface O
untuk O
aplikasi O
analisis O
sentimen O
berbasis O
web O
yang O
prototipenya O
hanya O
dapat O
dijalankan O
dengan O
menggunakan O
media O
Laptop O
atau O
PC O
saja. O
Pada O
penelitian O
selanjutnya O
, O
diharapkan O
dapat O
melanjutkan O
penelitian O
dengan O
merancang O
user O
interface O
dan O
melakukan O
pembangunan O
aplikasi O
analisis O
sentimen O
berbasis O
web O
berdasarkan O
pedoman O
pada O
penelitian O
ini. O
untuk O
media O
lain O
Gambar O
12. O
Tampilan O
Halaman O
Riwayat O
Project O

Perancangan O
dan O
Pengembangan O
User O
Interface O
untuk O
Aplikasi O
Analisis O
Sentimen O
Berbasis O
Web O
dengan O
Metode O
User-Centered O
Design O
Sandya O
Muti O
Audina O
( O
221911170 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Lya O
Hulliyyatus O
Suadaa O
SST O
, O
. O
MT. O
Ringkasan— O
Analisis O
sentimen O
merupakan O
suatu O
proses O
yang O
bertujuan O
untuk O
menentukan O
pendapat O
yang O
berbentuk O
teks O
( O
dapat O
berupa O
dokumen O
, O
kalimat O
, O
paragraf O
, O
dan O
lain-lain O
) O
sehingga O
dapat O
ditentukan O
apakah O
teks O
tersebut O
bersifat O
positif O
, O
negatif O
ataupun O
netral. O
Penelitian O
mengenai O
analisis O
sentimen O
telah O
banyak O
digunakan O
dalam O
kehidupan O
sehari-hari. O
Di O
Politeknik O
Statistika O
STIS O
, O
penelitian O
tentang O
analisis O
sentimen O
juga O
telah O
banyak O
dilakukan O
baik O
di O
kalangan O
mahasiswa O
maupun O
dosen. O
Model O
untuk O
analisis O
sentimen O
biasanya O
dibangun O
dengan O
bahasa O
pemrograman O
python. O
Terdapat O
beberapa O
masalah O
yang O
sering O
kali O
muncul O
ketika O
melakukan O
analisis O
sentimen O
dengan O
menggunakan O
python. O
Solusi O
dari O
permasalahan O
tersebut O
adalah O
dengan O
membuat B-TUJUAN
aplikasi I-TUJUAN
analisis I-TUJUAN
sentimen I-TUJUAN
yang I-TUJUAN
khusus I-TUJUAN
untuk I-TUJUAN
melakukan I-TUJUAN
analisis I-TUJUAN
sentimen I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
Dalam O
pembangunan O
aplikasi O
berbasis O
web O
, O
terdapat O
beberapa O
hal O
yang O
harus O
diperhatikan. O
Salah O
satunya O
adalah O
bagian O
front O
end O
terutama O
bagian O
user O
interface. O
Maka O
dari O
itu O
, O
dilakukan O
perancangan O
user O
interface O
untuk O
aplikasi O
analisis O
sentimen O
berbasis O
web O
dengan O
metode O
User-Centered B-METODE
Design I-METODE
dan O
metode O
evaluasi O
Cognitive O
Walkthrough. O
Hasil O
dari O
aplikasi O
ini O
berupa O
prototipe B-TEMUAN
akhir I-TEMUAN
dan I-TEMUAN
panduan I-TEMUAN
perancangan I-TEMUAN
user I-TEMUAN
interface I-TEMUAN
untuk I-TEMUAN
aplikasi I-TEMUAN
analisis I-TEMUAN
sentimen. I-TEMUAN
Kata O
Kunci— O
user O
interface O
, O
analisis O
sentimen O
, O
user-centered O
design O
, O
aplikasi O
web O
, O
cognitive O
walkthrough. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
Gambar O
13. O
Tampilan O
Halaman O
Dashboard O
Gambar O
10. O
Tampilan O
Halaman O
Project O
Gambar O
11. O
Tampilan O
Halaman O
Project O
Baru O
berikut O
kesimpulan O
yang O
dapat O
diambil O
: O
1. O
Tahapan O
evaluasi O
pada O
iterasi O
2 O
dengan O
menggunakan O
metode O
evaluasi O
Cognitive O
Walkthrough O
menyatakan O
bahwa O
tidak O
terdapat O
masalah O
pada O
desain O
prototipe O
yang O
telah O
dirancang. O
Dengan O
tidak O
adanya O
responden O
yang O
gagal O
pada O
tahapan O
iterasi O
2 O
, O
dengan O
demikian O
penelitian O
dinyatakan O
selesai O
sampai O
dengan O
iterasi O
ke O
2. O
2. O
Prototipe O
final O
merupakan O
desain O
yang O
telah O
disesuaikan O
dengan O
pengguna O
dan O
sudah O
memiliki O
tampilan O
user O
interface O
yang O
sesuai O
dan O
friendly O
bagi O
pengguna O
pada O
iterasi O
ke O
2. O
Hal O
ini O
dikarenakan O
sudah O
tidak O
terdapat O
masalah O
dan O
kesalahan O
dari O
responden O
dalam O
melakukan O
tugas. O
3. O
Panduan O
dalam O
perancangan O
user O
interface O
aplikasi O
analisis O
sentimen O
berbasis O
web O
terbentuk O
berdasarkan O
hasil O
dari O
protitipe O
final. O
Panduan O
tersebut O
dapat O
dijadikan O
acuan O
pada O
perancangan O
user O
interface O
dan O
pembangunan O
aplikasi O
analisis O
sentimen O
di O
masa O
depan. O
Berdasarkan O
kesimpulan O
tersebut O
, O
nerikut O
saran O
yang O
dapat O
diambil O
dari O
penelitian O
ini O
: O
1. O
Metode O
yang O
digunakan O
pada O
penelitian O
ini O
merupakan O
metode O
yang O
di O
mana O
peran O
pengguna O
merupakan O
hal O
yang O
sangat O
penting. O
Maka O
dari O
itu O
, O
untuk O
penelitian O
selanjutnya O
diharapkan O
responden O
dapat O
dipilih O
dengan O
sebaik-baiknya O
dan O
sesuai O
dengan O
cakupan O
penelitian O
yang O
diambil. O
2. O
Pada O
penelitian O
ini O
hanya O
dilakukan O
perancangan O
user O
interface O
dengan O
hasil O
akhir O
berupa O
prototipe O
dan O
pedoman O
perancangan O
user O
interface O
untuk O
aplikasi O
analisis O
sentimen O
berbasis O
web O
yang O
prototipenya O
hanya O
dapat O
dijalankan O
dengan O
menggunakan O
media O
Laptop O
atau O
PC O
saja. O
Pada O
penelitian O
selanjutnya O
, O
diharapkan O
dapat O
melanjutkan O
penelitian O
dengan O
merancang O
user O
interface O
dan O
melakukan O
pembangunan O
aplikasi O
analisis O
sentimen O
berbasis O
web O
berdasarkan O
pedoman O
pada O
penelitian O
ini. O
untuk O
media O
lain O
Gambar O
12. O
Tampilan O
Halaman O
Riwayat O
Project O

Pengembangan O
Indeks O
Ketahanan O
Pangan O
dengan O
Citra O
Satelit O
Multisumber O
dan O
Big O
Data O
Geospasial O
Lainnya O
Studi O
Kasus O
: O
Provinsi O
Kalimantan O
Barat O
Dwi O
Karunia O
Syaputri O
( O
221911164 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
Ringkasan— O
Ketahanan O
pangan O
yang O
kuat O
sangat O
diperlukan O
sebagai O
upaya O
untuk O
membentuk O
sumber O
daya O
manusia O
yang O
sehat O
, O
aktif O
dan O
produktif O
, O
sesuai O
dengan O
Sustainable O
Development O
Goals O
( O
SDGs O
) O
, O
yaitu O
menghilangkan O
kelaparan O
( O
zero O
hunger O
) O
pada O
tahun O
2030. O
Salah O
satu O
provinsi O
yang O
masuk O
dalam O
prioritas O
1-3 O
( O
rentan O
rawan O
pangan O
) O
adalah O
Provinsi O
Kalimantan O
Barat. O
Data O
indeks O
ketahanan O
pangan O
( O
IKP O
) O
resmi O
Indonesia O
dipublikasikan O
oleh O
Kementrian O
Pertanian. O
Ketersediaan O
informasi O
dari O
data O
citra O
satelit O
dan O
big O
data O
geospasial O
berpotensi O
menjadi O
sumber O
data O
alternatif O
untuk O
pemetaan O
estimasi O
IKP O
dengan O
tingkat O
yang O
lebih O
granular O
, O
update O
lebih O
cepat O
, O
serta O
murah. O
Penelitian O
ini O
akan O
melakukan O
pemetaan O
estimasi O
IKP. O
Hasil O
estimasi O
menggunakan O
MCDA B-METODE
metod O
WSM O
, O
korelasi O
pearson O
secara O
berturut-turut O
antara O
IKP O
resmi O
dengan O
aspek O
ketersediaan O
, O
keterjangkauan O
, O
dan O
-0.49 O
, O
dan O
0.57. O
pemanfaatan O
pangan O
adalah O
0.51 O
, O
Pembangunan O
IKP O
dengan O
hasil O
WSM O
menggunakan O
bobot O
resmi O
, O
didapatkan O
evaluasi O
RMSE B-METODE
4.94 O
, O
MAE O
3.51 O
, O
MAPE B-METODE
0.05 O
, O
0.09. O
Hasil O
penelitian O
menunjukkan O
bahwa O
model O
machine O
learning O
terbaik O
untuk O
estimasi O
IKP O
adalah O
model O
random O
forest O
regression O
( O
RFR O
) O
. O
Peta O
Estimasi O
IKP O
agregat O
kabupaten O
/ O
kota O
dengan O
machine O
learning O
memiliki O
korelasi O
pearson O
0.13 O
dengan O
data O
IKP O
resmi O
dari O
Kementrian O
Pertanian. O
aspek O
ketersediaan O
pangan O
, O
keterjangkauan O
pangan O
, O
pemanfaatan O
pangan O
dengan O
data O
resmi O
secara O
berturut-turut O
adalah O
0.6 O
, O
0.4 O
, O
dan O
0.5. O
Sedangkan O
estimasi O
korelasi O
untuk O
Kata O
Kunci— O
IKP O
, O
citra O
satelit O
, O
big O
data O
geospasial O
, O
machine O
learning O
, O
MCDA O
[SEP] O
Berdasarkan O
penelitian O
yang O
dilakukan O
, O
dapat O
disimpulkan O
bawha O
dari O
tujuan O
1 O
, O
IKP O
dapat O
diidentifikasi O
dengan O
data O
alternatif O
, O
yaitu O
pada O
aspek O
ketersediaan O
pangan O
dengan O
data O
NDVI O
, O
NDDI O
, O
soil O
moiture O
, O
elevasi O
, O
dan O
slope. O
Aspek O
keterjangkauan O
pangan O
dengan O
NTL O
, O
BUI O
, O
population O
density O
, O
dan O
RWI. O
Serta O
aspek O
pemanfaatan O
pangan O
dengan O
POI O
distance O
dan O
POI O
density O
untuk O
fasilitas O
pendidikan O
dan O
fasilitas O
kesehatan. O
Dari O
tujuan O
2 O
, O
telah B-TEMUAN
dilakukan I-TEMUAN
perhitungan I-TEMUAN
estimasi I-TEMUAN
indeks I-TEMUAN
ketahanan I-TEMUAN
pangan I-TEMUAN
level I-TEMUAN
grid I-TEMUAN
2,5 I-TEMUAN
km I-TEMUAN
per I-TEMUAN
aspek I-TEMUAN
menggunakan I-TEMUAN
MCDA I-TEMUAN
metode I-TEMUAN
WSM. I-TEMUAN
Selanjutnya O
, O
berdasarkan O
tujuan O
3 O
, O
model O
machine O
learning O
terbaik O
untuk O
melakukan O
estimasi O
pemetaan O
IKP O
level O
yang O
lebih O
granular O
adalah O
RFR O
, O
dengan O
RMSE O
28.00 O
, O
MAPE O
0.86 O
, O
dan O
MAE O
21.41. O
Dari O
tujuan O
4 O
, O
dibangun O
pemetaan O
estimasi O
IKP. O
Hasil O
estimasi O
menggunakan O
MCDA O
metode O
WSM O
, O
untuk O
aspek O
ketersediaan O
pangan O
memiliki O
RMSE O
11.58 O
, O
MAE O
8.68 O
, O
MAPE O
0.13 O
, O
0.26 O
, O
Adj O
0.18 O
, O
serta O
korelasi O
pearson O
0.51. O
Aspek O
keterjangkauan O
pangan O
RMSE O
4.21 O
, O
MAE O
3.28 O
, O
MAPE O
0.04 O
, O
0.18 O
, O
Adj O
0.10 O
, O
serta O
korelasi O
pearson O
- O
0.49. O
Aspek O
pemanfaatan O
pangan O
memiliki O
RMSE O
6.24 O
, O
MAE O
4.84 O
, O
MAPE O
0.09 O
, O
0.23 O
, O
Adj O
0.15 O
, O
serta O
korelasi O
pearson O
0.57. O
Untuk O
pembangunan O
IKP O
berdasarkan O
hasil O
WSM O
tersebut O
menggunakan O
bobot O
resmi O
, O
didapatkan O
RMSE O
4.94 O
, O
MAE O
3.51 O
, O
MAPE O
0.05 O
, O
0.09 O
, O
dan O
adjusted O
R- O
square O
0.01 O
dan O
korelasi O
pearson O
-0.3. O
Sedangkan O
hasil O
pemetaan O
estimasi O
IKP O
agregat O
kabupaten O
/ O
kota O
metode O
machine O
learning O
memiliki O
evaluasi O
RMSE O
4.73 O
, O
MAE O
3.44 O
, O
MAPE O
0.05 O
, O
0.05 O
, O
dan O
adjusted O
R-square O
0.05. O
Untuk O
aspek O
ketersediaan O
pangan O
memiliki O
evaluasi O
RMSE O
0.93 O
, O
MAPE O
0.11 O
, O
MAE O
6.96 O
, O
0.54 O
dan O
0.47. O
Aspek O
keterjangkauan O
pangan O
memiliki O
evaluasi O
RMSE O
4.18 O
, O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
MAPE O
0.04 O
, O
MAE O
3.11 O
, O
0.52 O
, O
Adj O
0.11. O
Serta O
, O
aspek O
pemanfaatan O
pangan O
memiliki O
evaluasi O
RMSE O
5.43 O
, O
MAPE O
0.08 O
, O
MAE O
4.13 O
, O
0.42 O
, O
dan O
Adj O
0.36. O
Berdasarkan O
tujuan O
5 O
, O
hasil O
estimasi O
pemetaan O
IKP O
dapat O
ditampilkan O
dalam O
bentuk O
dashboard O
interaktif. O
Bagi O
penelitian O
selanjutnya O
, O
dapat O
melakukan O
eksplorasi O
sumber O
data O
citra O
satelit O
dan O
big O
data O
geospasial O
lain O
yang O
dapat O
digunakan O
untuk O
mengestimasi O
IKP O
, O
serta O
dapat O
mengimplementasikan O
model O
pada O
wilayah O
provinsi O
lain O
di O
Indonesia. O
Bagi O
stakeholder O
, O
hasil O
estimasi O
pemetaan O
indeks O
ketahanan O
pangan O
yang O
diperoleh O
dari O
penelitian O
ini O
berpotensi O
untuk O
diintegrasikan O
dengan O
data O
resmi O
IKP O
, O
serta O
model O
yang O
dibangun O
berpotensi O
digunakan O
dalam O
pemetaan O
estimasi O
IKP O
di O
Kalimantan O
Barat O
di O
masa O
yang O
akan O
datang. O

Analisis O
Klasifikasi O
URL O
Berbahaya O
Menggunakan O
Metode O
Support O
Vector O
Machine O
( O
SVM O
) O
dan O
Convolutional O
Neural O
Network O
( O
CNN O
) O
Rizka O
Julianisa O
Asri O
( O
221911157 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
MT. O
Ringkasan—Dampak O
yang O
signifikan O
dirasakan O
masyarakat O
akibat O
perkembangan O
teknologi. O
Dampak O
negatif O
yang O
paling O
sering O
terjadi O
adalah O
kejahatan O
siber. O
Metode O
pendeteksian O
kejahatan O
siber O
masih O
tergolong O
dilakukan O
dengan O
metode O
tradisional O
yaitu O
dengan O
teknik O
signature O
based O
detection. O
Namun O
penggunaan O
teknik O
signature O
based O
detection O
tidak O
dapat O
mendeteksi O
intruksi O
yang O
tidak O
ada O
di O
database O
signature O
, O
tidak O
dapat O
memberikan O
solusi O
, O
dan O
banyak O
memerlukan O
resource O
yang O
besar. O
Sehingga O
dibutuhkan O
suatu O
metode O
yang O
modern O
dan O
memberikan O
hasil O
yang O
baik O
, O
yaitu O
dengan O
menggunakan O
metode O
SVM O
dan O
metode O
CNN. O
Hasil O
pendeteksian O
menunjukkan O
metode B-TEMUAN
SVM I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
85 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
CNN I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
94.71 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
nilai I-TEMUAN
loss I-TEMUAN
sebesar I-TEMUAN
0.1215. I-TEMUAN
Sehingga O
dapat O
disimpulkan O
bahwa O
metode B-TEMUAN
yang I-TEMUAN
terbaik I-TEMUAN
yaitu I-TEMUAN
metode I-TEMUAN
CNN. I-TEMUAN
Hal O
tersebut O
juga O
didukung O
dengan O
kecepatan O
performa O
model O
CNN O
lebih O
cepat O
daripada O
metode O
SVM. O
Kata O
Kunci— O
Kejahatan O
Siber O
, O
URL O
, O
SVM O
, O
CNN. O
akses O
Perkembangan O
[SEP] O
Berikut O
ini O
adalah O
tiga O
kesimpulan O
yang O
dapat O
diambil O
dari O
penelitian O
yang O
telah O
dilakukan O
: O
1. O
Telah O
berhasil O
membangun O
model O
terbaik O
dengan O
metode O
SVM O
menggunakan O
grid O
search O
dan O
melakukan O
evaluasi O
model O
menggunakan O
K-fold. O
Model O
menunjukkan O
hasil O
akurasi O
sebesar O
85 O
% O
dan O
presisi O
sebesar O
94 O
% O
yang O
dapat O
dikatakan O
baik. O
Dengan O
performa O
waktu O
yang O
dibutuhkan O
untuk O
menghasilkan O
model O
berkisar O
antara O
10-11 O
Menit. O
2. O
Telah O
berhasil O
membangun O
model O
terbaik O
menggunakan O
metode O
CNN O
dan O
melakukan O
evaluasi O
dengan O
nilai O
loss. O
Model O
menunjukkan O
hasil O
akurasi O
sebesar O
94.71 O
% O
dan O
nilai O
loss O
sebesar O
0.1215 O
yang O
dapat O
dikatakan O
sangat O
baik. O
Diperoleh O
performa O
model O
berkisar O
antara O
18-19 O
detik. O
3. O
Dengan O
membandingkan O
kedua O
metode O
tersebut O
diperoleh O
bahwa O
metode O
terbaik O
yang O
dapat O
melakukan O
pendeteksian O
yaitu O
metode O
CNN O
dengan O
nilai O
akurasi O
sebesar O
94.71 O
% O
. O
Hasil O
tersebut O
didukung O
oleh O
performa O
CNN O
sebesar O
18-19 O
detik O
, O
dimana O
durasi O
tersebut O
lebih O
cepat O
daripada O
metode O
SVM O
yang O
memerlukan O
waktu O
10-11 O
menit. O
Beberapa O
rekomendasi O
untuk O
penelitian O
lebih O
lanjut O
diperoleh O
berdasarkan O
penelitian O
yang O
telah O
diselesaikan O
, O
yaitu O
: O
penelitian O
1. O
Penelitian O
saat O
ini O
masih O
terbatas O
dalam O
melakukan O
implementasi O
pada O
sebuah O
sistem O
, O
oleh O
sebab O
itu O
untuk O
selanjutnya O
dapat O
melakukan O
implementasi O
menjadi O
sebuah O
sistem O
pendeteksian. O
2. O
Penelitian O
saat O
ini O
masih O
terbatas O
pada O
ekstraksi O
fitur O
sebanyak O
20 O
fitur O
, O
untuk O
penelitian O
selanjutnya O
dapat O
melakukan O
penambahan O
fitur O
dan O
melakukan O
analisis O
pengaruh O
antar O
fitur. O

Pembangunan O
R-Package O
Pada O
Small O
Area O
Estimation O
Data O
Panel O
Berdistribusi O
Beta O
dengan O
Pendekatan O
Hierarchical O
Bayes O
Studi O
Kasus O
Tingkat O
Kemiskinan O
Anak O
Level O
Kabupaten O
/ O
Kota O
di O
Provinsi O
Banten O
Tahun O
2018-2021 O
Dian O
Rahmawati O
Salis O
( O
221911153 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Azka O
Ubaidillah O
, O
S.S.T. O
, O
M.Si. O
terbatasnya O
Ringkasan—Dalam O
memaksimalkan O
perannya O
sebagai O
penyedia O
data O
, O
BPS O
lebih O
mengandalkan O
survei O
dibanding O
sensus O
dalam O
proses O
pengumpulan O
data. O
Meski O
demikian O
, O
survei O
memiliki O
keterbatasan O
berupa O
terbatasnya O
level O
data O
statistik O
yang O
jumlah O
sampel. O
SAE O
dihasilkan O
karena O
merupakan O
salah O
satu O
metode O
yang O
dapat O
mengatasi O
hal O
tersebut. O
Beberapa O
survei O
yang O
dilakukan O
BPS O
bersifat O
survei O
panel O
yang O
apabila O
datanya O
dimanfaatkan O
dengan O
baik O
akan O
memiliki O
berbagai O
keuntungan. O
Untuk O
melakukan O
estimasi O
statistik O
pada O
data O
panel O
tersebut O
dapat O
menggunakan O
SAE O
model O
Rao-yu O
dengan O
pendekatan O
hierarchical O
bayes. O
Selain O
itu O
, O
sebagian O
besar O
data O
BPS O
disajikan O
dalam O
bentuk O
proporsi. O
Pendekatan O
yang O
dapat O
digunakan O
untuk O
data O
berbentuk O
proporsi O
adalah O
pendekatan O
model O
regresi O
beta. O
Oleh O
karena O
itu O
, O
diperlukan O
sebuah O
model O
yang O
dapat O
digunakan O
pada O
data O
panel O
dalam O
bentuk O
proporsi O
yang O
nilainya O
berada O
dalam O
interval O
terbuka O
( O
0,1 O
) O
. O
Namun O
hingga O
saat O
ini O
belum O
terdapat O
tools O
terkait O
model O
tersebut. O
Penelitian O
ini O
akan O
melakukan O
pembangunan B-TUJUAN
R-package I-TUJUAN
pada I-TUJUAN
small I-TUJUAN
area I-TUJUAN
estimation I-TUJUAN
data I-TUJUAN
panel I-TUJUAN
berdistribusi I-TUJUAN
beta I-TUJUAN
dengan O
pendekatan B-METODE
hierarchical I-METODE
bayes. I-METODE
Kemudian O
, O
R-package O
akan O
diuji O
pada O
data O
simulasi O
dan O
studi O
kasus O
dengan O
data O
tingkat O
kemiskinan O
anak O
level O
kabupaten O
/ O
kota O
di O
Provinsi O
Banten O
tahun O
2018-2021. O
Kata O
Kunci— O
SAE O
, O
data O
panel O
, O
R-package O
, O
hierarchical O
bayes O
, O
model O
regresi O
beta. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
, O
dapat O
diambil O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Model B-TEMUAN
regresi I-TEMUAN
beta I-TEMUAN
logistik I-TEMUAN
pada I-TEMUAN
SAE I-TEMUAN
model I-TEMUAN
Rao-Yu I-TEMUAN
pendekatan I-TEMUAN
HB I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
untuk I-TEMUAN
melakukan I-TEMUAN
estimasi I-TEMUAN
pada I-TEMUAN
data I-TEMUAN
panel I-TEMUAN
berdistribusi I-TEMUAN
beta. I-TEMUAN
2. O
Proses O
pembangunan O
R-package O
model O
Rao-yu O
dengan O
pendekatan O
HB O
pada O
SAE O
untuk O
data O
berdistribusi O
beta O
telah O
selesai O
dilakukan O
dan O
telah O
berhasil O
di-publish O
pada O
CRAN O
dengan O
nama O
‘saeHB.panel.beta’ O
yang O
dapat O
diakses O
melalui O
: O
https O
: O
/ O
/ O
cran.r-project.org O
/ O
web O
/ O
packages O
/ O
saeHB.panel.beta O
/ O
3. O
Evaluasi O
R-package O
yang O
dibangun O
telah O
berhasil O
dilakukan O
dengan O
mengimplementasikannya O
pada O
data O
hasil O
bangkitan O
dan O
dengan O
uji O
validitas O
menggunakan O
SUS O
yang O
hasilnya O
menunjukkan O
package B-TEMUAN
telah I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Makalah O
Seminar O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
4. O
Penerapan O
fungsi O
package O
‘saeHB.panel.beta’ O
pada O
studi O
kasus O
tingkat O
kemiskinan O
anak O
Provinsi O
Banten O
tahun O
2018- O
2021 O
menghasilkan O
pendugaan O
dengan O
presisi O
paling O
baik O
dibandingkan O
metode O
Rao-Yu O
HB O
normal O
maupun O
pendugaan O
langsung. O

Pembangunan O
R-Package O
Pada O
Small O
Area O
Estimation O
Data O
Panel O
Berdistribusi O
Beta O
dengan O
Pendekatan O
Hierarchical O
Bayes O
Studi O
Kasus O
Tingkat O
Kemiskinan O
Anak O
Level O
Kabupaten O
/ O
Kota O
di O
Provinsi O
Banten O
Tahun O
2018-2021 O
Dian O
Rahmawati O
Salis O
( O
221911153 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Azka O
Ubaidillah O
, O
S.S.T. O
, O
M.Si. O
terbatasnya O
Ringkasan—Dalam O
memaksimalkan O
perannya O
sebagai O
penyedia O
data O
, O
BPS O
lebih O
mengandalkan O
survei O
dibanding O
sensus O
dalam O
proses O
pengumpulan O
data. O
Meski O
demikian O
, O
survei O
memiliki O
keterbatasan O
berupa O
terbatasnya O
level O
data O
statistik O
yang O
jumlah O
sampel. O
SAE O
dihasilkan O
karena O
merupakan O
salah O
satu O
metode O
yang O
dapat O
mengatasi O
hal O
tersebut. O
Beberapa O
survei O
yang O
dilakukan O
BPS O
bersifat O
survei O
panel O
yang O
apabila O
datanya O
dimanfaatkan O
dengan O
baik O
akan O
memiliki O
berbagai O
keuntungan. O
Untuk O
melakukan O
estimasi O
statistik O
pada O
data O
panel O
tersebut O
dapat O
menggunakan O
SAE O
model O
Rao-yu O
dengan O
pendekatan O
hierarchical O
bayes. O
Selain O
itu O
, O
sebagian O
besar O
data O
BPS O
disajikan O
dalam O
bentuk O
proporsi. O
Pendekatan O
yang O
dapat O
digunakan O
untuk O
data O
berbentuk O
proporsi O
adalah O
pendekatan O
model O
regresi O
beta. O
Oleh O
karena O
itu O
, O
diperlukan O
sebuah O
model O
yang O
dapat O
digunakan O
pada O
data O
panel O
dalam O
bentuk O
proporsi O
yang O
nilainya O
berada O
dalam O
interval O
terbuka O
( O
0,1 O
) O
. O
Namun O
hingga O
saat O
ini O
belum O
terdapat O
tools O
terkait O
model O
tersebut. O
Penelitian O
ini O
akan O
melakukan O
pembangunan B-TUJUAN
R-package I-TUJUAN
pada I-TUJUAN
small I-TUJUAN
area I-TUJUAN
estimation I-TUJUAN
data I-TUJUAN
panel I-TUJUAN
berdistribusi I-TUJUAN
beta I-TUJUAN
dengan O
pendekatan B-METODE
hierarchical I-METODE
bayes. I-METODE
Kemudian O
, O
R-package O
akan O
diuji O
pada O
data O
simulasi O
dan O
studi O
kasus O
dengan O
data O
tingkat O
kemiskinan O
anak O
level O
kabupaten O
/ O
kota O
di O
Provinsi O
Banten O
tahun O
2018-2021. O
Kata O
Kunci— O
SAE O
, O
data O
panel O
, O
R-package O
, O
hierarchical O
bayes O
, O
model O
regresi O
beta. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
, O
dapat O
diambil O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Model B-TEMUAN
regresi I-TEMUAN
beta I-TEMUAN
logistik I-TEMUAN
pada I-TEMUAN
SAE I-TEMUAN
model I-TEMUAN
Rao-Yu I-TEMUAN
pendekatan I-TEMUAN
HB I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
untuk I-TEMUAN
melakukan I-TEMUAN
estimasi I-TEMUAN
pada I-TEMUAN
data I-TEMUAN
panel I-TEMUAN
berdistribusi I-TEMUAN
beta. I-TEMUAN
2. O
Proses O
pembangunan O
R-package O
model O
Rao-yu O
dengan O
pendekatan O
HB O
pada O
SAE O
untuk O
data O
berdistribusi O
beta O
telah O
selesai O
dilakukan O
dan O
telah O
berhasil O
di-publish O
pada O
CRAN O
dengan O
nama O
‘saeHB.panel.beta’ O
yang O
dapat O
diakses O
melalui O
: O
https O
: O
/ O
/ O
cran.r-project.org O
/ O
web O
/ O
packages O
/ O
saeHB.panel.beta O
/ O
3. O
Evaluasi O
R-package O
yang O
dibangun O
telah O
berhasil O
dilakukan O
dengan O
mengimplementasikannya O
pada O
data O
hasil O
bangkitan O
dan O
dengan O
uji O
validitas O
menggunakan O
SUS O
yang O
hasilnya O
menunjukkan O
package B-TEMUAN
telah I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Makalah O
Seminar O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
4. O
Penerapan O
fungsi O
package O
‘saeHB.panel.beta’ O
pada O
studi O
kasus O
tingkat O
kemiskinan O
anak O
Provinsi O
Banten O
tahun O
2018- O
2021 O
menghasilkan O
pendugaan O
dengan O
presisi O
paling O
baik O
dibandingkan O
metode O
Rao-Yu O
HB O
normal O
maupun O
pendugaan O
langsung. O

Pembangunan O
R-Package O
Pada O
Small O
Area O
Estimation O
Data O
Panel O
Berdistribusi O
Beta O
dengan O
Pendekatan O
Hierarchical O
Bayes O
Studi O
Kasus O
Tingkat O
Kemiskinan O
Anak O
Level O
Kabupaten O
/ O
Kota O
di O
Provinsi O
Banten O
Tahun O
2018-2021 O
Dian O
Rahmawati O
Salis O
( O
221911153 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Azka O
Ubaidillah O
, O
S.S.T. O
, O
M.Si. O
terbatasnya O
Ringkasan—Dalam O
memaksimalkan O
perannya O
sebagai O
penyedia O
data O
, O
BPS O
lebih O
mengandalkan O
survei O
dibanding O
sensus O
dalam O
proses O
pengumpulan O
data. O
Meski O
demikian O
, O
survei O
memiliki O
keterbatasan O
berupa O
terbatasnya O
level O
data O
statistik O
yang O
jumlah O
sampel. O
SAE O
dihasilkan O
karena O
merupakan O
salah O
satu O
metode O
yang O
dapat O
mengatasi O
hal O
tersebut. O
Beberapa O
survei O
yang O
dilakukan O
BPS O
bersifat O
survei O
panel O
yang O
apabila O
datanya O
dimanfaatkan O
dengan O
baik O
akan O
memiliki O
berbagai O
keuntungan. O
Untuk O
melakukan O
estimasi O
statistik O
pada O
data O
panel O
tersebut O
dapat O
menggunakan O
SAE O
model O
Rao-yu O
dengan O
pendekatan O
hierarchical O
bayes. O
Selain O
itu O
, O
sebagian O
besar O
data O
BPS O
disajikan O
dalam O
bentuk O
proporsi. O
Pendekatan O
yang O
dapat O
digunakan O
untuk O
data O
berbentuk O
proporsi O
adalah O
pendekatan O
model O
regresi O
beta. O
Oleh O
karena O
itu O
, O
diperlukan O
sebuah O
model O
yang O
dapat O
digunakan O
pada O
data O
panel O
dalam O
bentuk O
proporsi O
yang O
nilainya O
berada O
dalam O
interval O
terbuka O
( O
0,1 O
) O
. O
Namun O
hingga O
saat O
ini O
belum O
terdapat O
tools O
terkait O
model O
tersebut. O
Penelitian O
ini O
akan O
melakukan O
pembangunan B-TUJUAN
R-package I-TUJUAN
pada I-TUJUAN
small I-TUJUAN
area I-TUJUAN
estimation I-TUJUAN
data I-TUJUAN
panel I-TUJUAN
berdistribusi I-TUJUAN
beta I-TUJUAN
dengan O
pendekatan B-METODE
hierarchical I-METODE
bayes. I-METODE
Kemudian O
, O
R-package O
akan O
diuji O
pada O
data O
simulasi O
dan O
studi O
kasus O
dengan O
data O
tingkat O
kemiskinan O
anak O
level O
kabupaten O
/ O
kota O
di O
Provinsi O
Banten O
tahun O
2018-2021. O
Kata O
Kunci— O
SAE O
, O
data O
panel O
, O
R-package O
, O
hierarchical O
bayes O
, O
model O
regresi O
beta. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
, O
dapat O
diambil O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Model B-TEMUAN
regresi I-TEMUAN
beta I-TEMUAN
logistik I-TEMUAN
pada I-TEMUAN
SAE I-TEMUAN
model I-TEMUAN
Rao-Yu I-TEMUAN
pendekatan I-TEMUAN
HB I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
untuk I-TEMUAN
melakukan I-TEMUAN
estimasi I-TEMUAN
pada I-TEMUAN
data I-TEMUAN
panel I-TEMUAN
berdistribusi I-TEMUAN
beta. I-TEMUAN
2. O
Proses O
pembangunan O
R-package O
model O
Rao-yu O
dengan O
pendekatan O
HB O
pada O
SAE O
untuk O
data O
berdistribusi O
beta O
telah O
selesai O
dilakukan O
dan O
telah O
berhasil O
di-publish O
pada O
CRAN O
dengan O
nama O
‘saeHB.panel.beta’ O
yang O
dapat O
diakses O
melalui O
: O
https O
: O
/ O
/ O
cran.r-project.org O
/ O
web O
/ O
packages O
/ O
saeHB.panel.beta O
/ O
3. O
Evaluasi O
R-package O
yang O
dibangun O
telah O
berhasil O
dilakukan O
dengan O
mengimplementasikannya O
pada O
data O
hasil O
bangkitan O
dan O
dengan O
uji O
validitas O
menggunakan O
SUS O
yang O
hasilnya O
menunjukkan O
package B-TEMUAN
telah I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Makalah O
Seminar O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
4. O
Penerapan O
fungsi O
package O
‘saeHB.panel.beta’ O
pada O
studi O
kasus O
tingkat O
kemiskinan O
anak O
Provinsi O
Banten O
tahun O
2018- O
2021 O
menghasilkan O
pendugaan O
dengan O
presisi O
paling O
baik O
dibandingkan O
metode O
Rao-Yu O
HB O
normal O
maupun O
pendugaan O
langsung. O

Deteksi O
Buzzer O
dan O
Analisis O
Sentimen O
terhadap O
Produk O
Kosmetik O
Lokal O
( O
Studi O
Kasus O
: O
Avoskin O
& O
Azarine O
) O
Sheyla O
Berlianti O
( O
221911134 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
S.S.T. O
, O
M.Si O
Ringkasan—Perkembangan O
media O
membuka O
banyak O
peluang O
sekaligus O
tantangan O
dalam O
berbagai O
aspek O
kehidupan O
yang O
mendorong O
terciptanya O
beragam O
profesi O
baru O
seiring O
dengan O
populernya O
penggunaan O
media O
sosial. O
Salah O
satu O
profesi O
tersebut O
adalah O
buzzer O
yang O
dimanfaatkan O
dalam O
dunia O
periklanan O
untuk O
mengatasi O
kejenuhan O
iklan. O
Meski O
memiliki O
dampak O
positif O
dalam O
periklanan O
, O
buzzer O
dapat O
menimbulkan O
fenomena O
Baader- O
Meinhof O
, O
yaitu O
fenomena O
dimana O
seseorang O
mengalami O
ilusi O
keterkinian. O
Buzzer O
juga O
menyebabkan O
terjadinya O
bias O
opini O
yang O
merupakan O
noise O
dalam O
analisis O
sentimen. O
Mengambil O
studi O
kasus O
produk O
kosmetik O
lokal O
Avoskin O
dan O
Azarine O
, O
penelitian O
ini O
secara O
bertahap O
melakukan B-TUJUAN
analisis I-TUJUAN
jejaring I-TUJUAN
sosial I-TUJUAN
pada I-TUJUAN
kedua I-TUJUAN
merek I-TUJUAN
kosmetik I-TUJUAN
di I-TUJUAN
platform I-TUJUAN
Twitter I-TUJUAN
, O
kemudian O
mengklasifikasi O
akun O
dengan O
metode O
semi-supervised O
untuk O
memisahkan O
antara O
akun O
buzzer O
dan O
nonbuzzer O
, O
serta O
melakukan O
analisis O
sentimen. O
Dalam O
tahap O
deteksi O
buzzer O
19,3 B-TEMUAN
% I-TEMUAN
akun I-TEMUAN
dikategorikan I-TEMUAN
sebagai I-TEMUAN
buzzer. I-TEMUAN
Lalu O
hasil O
analisis O
sentimen O
menunjukkan O
bahwa O
kelas O
sentimen O
positif O
Avoskin O
dan O
Azarine O
memiliki O
persentase O
tertinggi O
baik O
pada O
analisis O
sentimen O
tanpa O
deteksi O
buzzer O
maupun O
dengan O
deteksi O
buzzer. O
Hal O
ini O
mengindikasikan O
bahwa O
mayoritas O
tweet O
memberikan O
tanggapan O
positif O
terhadap O
produk O
kosmetik O
lokal O
yang O
menjadi O
studi O
kasus. O
Kata O
Kunci— O
buzzer O
, O
kosmetik O
, O
SNA O
, O
klasifikasi O
, O
sentimen. O
[SEP] O
Dari O
hasil O
pengujian O
dan O
pembahasan O
pada O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
diperolah O
kesimpulan O
sebagai O
berikut O
: O
1. O
Berdasarkan O
hasil O
perhitungan O
dan O
perbandingan O
properti O
jaringan O
sosial O
, O
merek O
yang O
paling O
banyak O
memiliki O
nilai O
properti O
jaringan O
sosial O
tertinggi O
adalah O
Azarine O
dengan O
total O
empat O
dari O
lima O
properti O
jaringan O
sosial. O
Azarine O
menunjukkan O
keunggulan O
dengan O
memiliki O
efektif O
dibandingkan O
dengan O
Avoskin O
jika O
dilihat O
dari O
jumlah O
aktor O
yang O
terlibat O
, O
interaksi O
yang O
terjadi O
, O
serta O
kemampuan O
dalam O
penyebaran O
informasi. O
sosial O
yang O
jaringan O
lebih O
8 O
/ O
9 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
2. O
Deteksi O
semi- O
buzzer O
menggunakan O
metode O
supervised O
menghasilkan O
bahwa O
19,3 B-TEMUAN
% I-TEMUAN
dari I-TEMUAN
keseluruhan I-TEMUAN
akun I-TEMUAN
atau I-TEMUAN
1.907 I-TEMUAN
dari I-TEMUAN
9.844 I-TEMUAN
akun I-TEMUAN
merupakan I-TEMUAN
akun I-TEMUAN
buzzer. I-TEMUAN
Dimana I-TEMUAN
tweet I-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
oleh I-TEMUAN
buzzer I-TEMUAN
pada I-TEMUAN
merek I-TEMUAN
Avoskin I-TEMUAN
dan I-TEMUAN
Azarine I-TEMUAN
masing-masing I-TEMUAN
sebanyak I-TEMUAN
1.793 I-TEMUAN
tweet I-TEMUAN
dan I-TEMUAN
1.785 I-TEMUAN
tweet. I-TEMUAN
3. O
Hasil O
sentiment O
scoring O
melalui O
nilai O
polaritas O
VADER O
menunjukkan O
bahwa O
sentimen O
positif O
merupakan O
kelas O
sentimen O
dengan O
persentase O
tertinggi O
pada O
kedua O
merek O
, O
baik O
pada O
analisis O
sentimen O
tanpa O
deteksi O
buzzer O
maupun O
analisis O
sentimen O
dengan O
deteksi O
buzzer. O
Persentase O
kelas O
positif O
tersebut O
masing-masing O
Avoskin O
sebesar O
54,0 O
% O
dan O
Azarine O
sebesar O
49,0 O
% O
pada O
analisis O
sentimen O
tanpa O
deteksi O
buzzer O
, O
serta O
Avoskin O
sebesar O
53,7 O
% O
dan O
Azarine O
sebesar O
47,9 O
% O
pada O
analisis O
sentimen O
dengan O
deteksi O
buzzer. O
Hal O
tersebut O
menandakan O
bahwa O
opini O
user O
atau O
citra O
kedua O
merek O
dari O
tweet O
yang O
telah O
dikumpulkan O
dalam O
penelitian O
ini O
dapat O
dikategorikan O
cukup O
baik. O
4. O
Hasil O
evaluasi O
klasifikasi O
sentimen O
dari O
tweet O
yang O
dikumpulkan O
dalam O
penelitian O
ini O
menunjukkan O
bahwa O
analisis O
sentimen O
dengan O
deteksi O
buzer O
memiliki O
akurasi O
yang O
lebih O
baik O
dibandingkan O
yang O
tidak O
menggunakan O
buzzer. O
Dimana O
didapatkan O
akurasi O
sebesar O
74,0 O
% O
pada O
analisis O
sentimen O
dengan O
deteksi O
buzzer O
dan O
akurasi O
sebesar O
72,6 O
% O
pada O
analisis O
sentimen O
tanpa O
deteksi O
buzzer. O
deteksi O
[ O
12 O
] O
Artha O
, O
Anisa O
R.. O
( O
2019 O
) O
. O
Perbandingan O
Penggunaan O
Deteksi O
Buzzer O
Pada O
Perhitungan O
Prediksi O
Hasil O
Pilpres O
2019 O
dengan O
Sentimen O
Analisis. O
Skripsi. O
Universitas O
Gadjah O
Mada. O
[ O
13 O
] O
Virgo O
, O
Felix O
Giovanni. O
( O
2018 O
) O
. O
Analisis O
Sentimen O
dan O
Deteksi O
Buzzer O
dalam O
Prediksi O
Pilkada O
DKI O
Jakarta O
2017. O
Skripsi. O
Universitas O
Gadjah O
Mada. O
[ O
14 O
] O
Bose O
, O
Dr. O
Rajesh O
and O
Aithal O
, O
P. O
S. O
and O
Roy O
, O
Sandip. O
( O
2021 O
) O
. O
Survey O
of O
Twitter O
Viewpoint O
on O
Application O
of O
Drugs O
by O
VADER O
Sentiment O
Analysis O
among O
Distinct O
Countries. O
International O
Journal O
of O
Management O
, O
Technology O
, O
and O
Social O
Sciences O
( O
IJMTS O
) O
, O
6 O
( O
1 O
) O
, O
110-127 O
, O
2021. O
ISSN O
: O
2581-6012. O
[ O
15 O
] O
Sholihah O
, O
Nadiah O
‘Ainayya. O
( O
2021 O
) O
. O
Analisis O
Respon O
Publik O
terhadap O
Pelaksanaan O
Program O
Pemulihan O
Ekonomi O
Nasional O
Melalui O
Data O
Twitter. O
Skripsi O
Politeknik O
Statistika O
STIS. O
[ O
16 O
] O
Ivosights. O
( O
2022 O
) O
. O
Ini O
Dia O
Alasan O
Buzzer O
Twitter O
Diminati O
untuk O
Mempromosikan O
Bisnis. O
Available O
: O
https O
: O
/ O
/ O
ivosights.com O
/ O
read O
/ O
artikel O
/ O
buzzer-twitter-ini-dia-alasan-diminati- O
untuk-mempromosikan-bisnis O
[ O
17 O
] O
Rini O
, O
Dewi O
C. O
( O
2021 O
) O
. O
Jangan O
Terkecoh O
" O
Buzzer O
" O
, O
Begini O
Cara O
Kerja O
Trending O
Topic O
di O
Twitter. O
Available O
: O
https O
: O
/ O
/ O
sinarpaginews.com O
/ O
destinasi O
/ O
44072 O
/ O
jangan-terkecoh-buzzer O
-- O
begini-cara-kerja-trending-topic-di-twitter.html O
[ O
18 O
] O
Arianto O
, O
Bambang. O
( O
2019 O
) O
. O
Buzzer O
Media O
Sosial O
dan O
Branding O
Produk O
UMKM O
Daerah O
Istimewa O
Yogyakarta. O
Jurnal O
UMKM O
Dewantara O
Vol. O
2 O
No. O
1 O
Juli O
2019 O
| O
p O
– O
ISSN O
2657-1994 O
e- O
ISSN O
2657-1994 O
[ O
19 O
] O
Nanda O
Ihwani O
Saputri O
, O
Yuliant O
Sibaroni O
, O
& O
Sri O
Suryani O
Prasetiyowati. O
( O
2023 O
) O
. O
Covid-19 O
Fake O
News O
Detection O
on O
Twitter O
Based O
on O
Author O
Credibility O
Using O
Information O
Gain O
and O
KNN O
MethodsCovid-19 O
Fake O
News O
Detection O
on O
Twitter O
Based O
on O
Author O
Credibility O
Using O
Information O
Gain O
and O
KNN O
Methods. O
Jurnal O
RESTI O
( O
Rekayasa O
Sistem O
Dan O
Teknologi O
Informasi O
) O
, O
7 O
( O
1 O
) O
, O
185 O
- O
192. O
https O
: O
/ O
/ O
doi.org O
/ O
10.29207 O
/ O
resti.v7i1.4871 O
[ O
20 O
] O
Marwa O
, O
Emelia O
Aprodaid O
& O
Kristanto O
, O
Ari O
Budi. O
2022. O
Analisis O
Sentimen O
Pengungkapan O
Informasi O
Manajemen O
: O
Text O
Mining O
Berbasis O
Metode O
VADER. O
Owner O
: O
Riset O
& O
Jurnal O
Akuntansi O
[ O
21 O
] O
Sir O
, O
Yosua O
A. O
& O
Agus O
H. O
H. O
Soepranoto. O
2022. O
Data O
Resampling O
Approach O
to O
Handle O
the O
Imbalanced O
Class O
Problem. O
Jurnal O
Komputer O
dan O
Informatika O
, O
vol. O
10 O
, O
no. O
1 O
, O
pp. O
31-38 O
, O
doi:10.35508 O
/ O
jicon.v10i1.6554. O

Deteksi O
Buzzer O
dan O
Analisis O
Sentimen O
terhadap O
Produk O
Kosmetik O
Lokal O
( O
Studi O
Kasus O
: O
Avoskin O
& O
Azarine O
) O
Sheyla O
Berlianti O
( O
221911134 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
S.S.T. O
, O
M.Si O
Ringkasan—Perkembangan O
media O
membuka O
banyak O
peluang O
sekaligus O
tantangan O
dalam O
berbagai O
aspek O
kehidupan O
yang O
mendorong O
terciptanya O
beragam O
profesi O
baru O
seiring O
dengan O
populernya O
penggunaan O
media O
sosial. O
Salah O
satu O
profesi O
tersebut O
adalah O
buzzer O
yang O
dimanfaatkan O
dalam O
dunia O
periklanan O
untuk O
mengatasi O
kejenuhan O
iklan. O
Meski O
memiliki O
dampak O
positif O
dalam O
periklanan O
, O
buzzer O
dapat O
menimbulkan O
fenomena O
Baader- O
Meinhof O
, O
yaitu O
fenomena O
dimana O
seseorang O
mengalami O
ilusi O
keterkinian. O
Buzzer O
juga O
menyebabkan O
terjadinya O
bias O
opini O
yang O
merupakan O
noise O
dalam O
analisis O
sentimen. O
Mengambil O
studi O
kasus O
produk O
kosmetik O
lokal O
Avoskin O
dan O
Azarine O
, O
penelitian O
ini O
secara O
bertahap O
melakukan B-TUJUAN
analisis I-TUJUAN
jejaring I-TUJUAN
sosial I-TUJUAN
pada I-TUJUAN
kedua I-TUJUAN
merek I-TUJUAN
kosmetik I-TUJUAN
di I-TUJUAN
platform I-TUJUAN
Twitter I-TUJUAN
, O
kemudian O
mengklasifikasi O
akun O
dengan O
metode O
semi-supervised O
untuk O
memisahkan O
antara O
akun O
buzzer O
dan O
nonbuzzer O
, O
serta O
melakukan O
analisis O
sentimen. O
Dalam O
tahap O
deteksi O
buzzer O
19,3 B-TEMUAN
% I-TEMUAN
akun I-TEMUAN
dikategorikan I-TEMUAN
sebagai I-TEMUAN
buzzer. I-TEMUAN
Lalu O
hasil O
analisis O
sentimen O
menunjukkan O
bahwa O
kelas O
sentimen O
positif O
Avoskin O
dan O
Azarine O
memiliki O
persentase O
tertinggi O
baik O
pada O
analisis O
sentimen O
tanpa O
deteksi O
buzzer O
maupun O
dengan O
deteksi O
buzzer. O
Hal O
ini O
mengindikasikan O
bahwa O
mayoritas O
tweet O
memberikan O
tanggapan O
positif O
terhadap O
produk O
kosmetik O
lokal O
yang O
menjadi O
studi O
kasus. O
Kata O
Kunci— O
buzzer O
, O
kosmetik O
, O
SNA O
, O
klasifikasi O
, O
sentimen. O
[SEP] O
Dari O
hasil O
pengujian O
dan O
pembahasan O
pada O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
diperolah O
kesimpulan O
sebagai O
berikut O
: O
1. O
Berdasarkan O
hasil O
perhitungan O
dan O
perbandingan O
properti O
jaringan O
sosial O
, O
merek O
yang O
paling O
banyak O
memiliki O
nilai O
properti O
jaringan O
sosial O
tertinggi O
adalah O
Azarine O
dengan O
total O
empat O
dari O
lima O
properti O
jaringan O
sosial. O
Azarine O
menunjukkan O
keunggulan O
dengan O
memiliki O
efektif O
dibandingkan O
dengan O
Avoskin O
jika O
dilihat O
dari O
jumlah O
aktor O
yang O
terlibat O
, O
interaksi O
yang O
terjadi O
, O
serta O
kemampuan O
dalam O
penyebaran O
informasi. O
sosial O
yang O
jaringan O
lebih O
8 O
/ O
9 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
2. O
Deteksi O
semi- O
buzzer O
menggunakan O
metode O
supervised O
menghasilkan O
bahwa O
19,3 B-TEMUAN
% I-TEMUAN
dari I-TEMUAN
keseluruhan I-TEMUAN
akun I-TEMUAN
atau I-TEMUAN
1.907 I-TEMUAN
dari I-TEMUAN
9.844 I-TEMUAN
akun I-TEMUAN
merupakan I-TEMUAN
akun I-TEMUAN
buzzer. I-TEMUAN
Dimana I-TEMUAN
tweet I-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
oleh I-TEMUAN
buzzer I-TEMUAN
pada I-TEMUAN
merek I-TEMUAN
Avoskin I-TEMUAN
dan I-TEMUAN
Azarine I-TEMUAN
masing-masing I-TEMUAN
sebanyak I-TEMUAN
1.793 I-TEMUAN
tweet I-TEMUAN
dan I-TEMUAN
1.785 I-TEMUAN
tweet. I-TEMUAN
3. O
Hasil O
sentiment O
scoring O
melalui O
nilai O
polaritas O
VADER O
menunjukkan O
bahwa O
sentimen O
positif O
merupakan O
kelas O
sentimen O
dengan O
persentase O
tertinggi O
pada O
kedua O
merek O
, O
baik O
pada O
analisis O
sentimen O
tanpa O
deteksi O
buzzer O
maupun O
analisis O
sentimen O
dengan O
deteksi O
buzzer. O
Persentase O
kelas O
positif O
tersebut O
masing-masing O
Avoskin O
sebesar O
54,0 O
% O
dan O
Azarine O
sebesar O
49,0 O
% O
pada O
analisis O
sentimen O
tanpa O
deteksi O
buzzer O
, O
serta O
Avoskin O
sebesar O
53,7 O
% O
dan O
Azarine O
sebesar O
47,9 O
% O
pada O
analisis O
sentimen O
dengan O
deteksi O
buzzer. O
Hal O
tersebut O
menandakan O
bahwa O
opini O
user O
atau O
citra O
kedua O
merek O
dari O
tweet O
yang O
telah O
dikumpulkan O
dalam O
penelitian O
ini O
dapat O
dikategorikan O
cukup O
baik. O
4. O
Hasil O
evaluasi O
klasifikasi O
sentimen O
dari O
tweet O
yang O
dikumpulkan O
dalam O
penelitian O
ini O
menunjukkan O
bahwa O
analisis O
sentimen O
dengan O
deteksi O
buzer O
memiliki O
akurasi O
yang O
lebih O
baik O
dibandingkan O
yang O
tidak O
menggunakan O
buzzer. O
Dimana O
didapatkan O
akurasi O
sebesar O
74,0 O
% O
pada O
analisis O
sentimen O
dengan O
deteksi O
buzzer O
dan O
akurasi O
sebesar O
72,6 O
% O
pada O
analisis O
sentimen O
tanpa O
deteksi O
buzzer. O
deteksi O
[ O
12 O
] O
Artha O
, O
Anisa O
R.. O
( O
2019 O
) O
. O
Perbandingan O
Penggunaan O
Deteksi O
Buzzer O
Pada O
Perhitungan O
Prediksi O
Hasil O
Pilpres O
2019 O
dengan O
Sentimen O
Analisis. O
Skripsi. O
Universitas O
Gadjah O
Mada. O
[ O
13 O
] O
Virgo O
, O
Felix O
Giovanni. O
( O
2018 O
) O
. O
Analisis O
Sentimen O
dan O
Deteksi O
Buzzer O
dalam O
Prediksi O
Pilkada O
DKI O
Jakarta O
2017. O
Skripsi. O
Universitas O
Gadjah O
Mada. O
[ O
14 O
] O
Bose O
, O
Dr. O
Rajesh O
and O
Aithal O
, O
P. O
S. O
and O
Roy O
, O
Sandip. O
( O
2021 O
) O
. O
Survey O
of O
Twitter O
Viewpoint O
on O
Application O
of O
Drugs O
by O
VADER O
Sentiment O
Analysis O
among O
Distinct O
Countries. O
International O
Journal O
of O
Management O
, O
Technology O
, O
and O
Social O
Sciences O
( O
IJMTS O
) O
, O
6 O
( O
1 O
) O
, O
110-127 O
, O
2021. O
ISSN O
: O
2581-6012. O
[ O
15 O
] O
Sholihah O
, O
Nadiah O
‘Ainayya. O
( O
2021 O
) O
. O
Analisis O
Respon O
Publik O
terhadap O
Pelaksanaan O
Program O
Pemulihan O
Ekonomi O
Nasional O
Melalui O
Data O
Twitter. O
Skripsi O
Politeknik O
Statistika O
STIS. O
[ O
16 O
] O
Ivosights. O
( O
2022 O
) O
. O
Ini O
Dia O
Alasan O
Buzzer O
Twitter O
Diminati O
untuk O
Mempromosikan O
Bisnis. O
Available O
: O
https O
: O
/ O
/ O
ivosights.com O
/ O
read O
/ O
artikel O
/ O
buzzer-twitter-ini-dia-alasan-diminati- O
untuk-mempromosikan-bisnis O
[ O
17 O
] O
Rini O
, O
Dewi O
C. O
( O
2021 O
) O
. O
Jangan O
Terkecoh O
" O
Buzzer O
" O
, O
Begini O
Cara O
Kerja O
Trending O
Topic O
di O
Twitter. O
Available O
: O
https O
: O
/ O
/ O
sinarpaginews.com O
/ O
destinasi O
/ O
44072 O
/ O
jangan-terkecoh-buzzer O
-- O
begini-cara-kerja-trending-topic-di-twitter.html O
[ O
18 O
] O
Arianto O
, O
Bambang. O
( O
2019 O
) O
. O
Buzzer O
Media O
Sosial O
dan O
Branding O
Produk O
UMKM O
Daerah O
Istimewa O
Yogyakarta. O
Jurnal O
UMKM O
Dewantara O
Vol. O
2 O
No. O
1 O
Juli O
2019 O
| O
p O
– O
ISSN O
2657-1994 O
e- O
ISSN O
2657-1994 O
[ O
19 O
] O
Nanda O
Ihwani O
Saputri O
, O
Yuliant O
Sibaroni O
, O
& O
Sri O
Suryani O
Prasetiyowati. O
( O
2023 O
) O
. O
Covid-19 O
Fake O
News O
Detection O
on O
Twitter O
Based O
on O
Author O
Credibility O
Using O
Information O
Gain O
and O
KNN O
MethodsCovid-19 O
Fake O
News O
Detection O
on O
Twitter O
Based O
on O
Author O
Credibility O
Using O
Information O
Gain O
and O
KNN O
Methods. O
Jurnal O
RESTI O
( O
Rekayasa O
Sistem O
Dan O
Teknologi O
Informasi O
) O
, O
7 O
( O
1 O
) O
, O
185 O
- O
192. O
https O
: O
/ O
/ O
doi.org O
/ O
10.29207 O
/ O
resti.v7i1.4871 O
[ O
20 O
] O
Marwa O
, O
Emelia O
Aprodaid O
& O
Kristanto O
, O
Ari O
Budi. O
2022. O
Analisis O
Sentimen O
Pengungkapan O
Informasi O
Manajemen O
: O
Text O
Mining O
Berbasis O
Metode O
VADER. O
Owner O
: O
Riset O
& O
Jurnal O
Akuntansi O
[ O
21 O
] O
Sir O
, O
Yosua O
A. O
& O
Agus O
H. O
H. O
Soepranoto. O
2022. O
Data O
Resampling O
Approach O
to O
Handle O
the O
Imbalanced O
Class O
Problem. O
Jurnal O
Komputer O
dan O
Informatika O
, O
vol. O
10 O
, O
no. O
1 O
, O
pp. O
31-38 O
, O
doi:10.35508 O
/ O
jicon.v10i1.6554. O

Sistem O
Informasi O
Pengarsipan O
Berbasis O
Web O
di O
BPS O
Kota O
Mataram O
Hijri O
Rif’ani O
Rafiq O
( O
221911129 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A O
sistem O
tentu O
tidak O
informasi O
pengarsipan O
Ringkasan— O
BPS O
Kota O
Mataram O
merupakan O
suatu O
lembaga O
lepas O
dari O
pemerintahan O
yang O
di O
dalamnya O
pengelolaan O
arsip. O
Pengelolaan O
arsip O
di O
BPS O
Kota O
Mataram O
memiliki O
masalah O
terkait O
efisiensi O
, O
rentan O
hilang O
dan O
rusaknya O
dokumen O
arsip O
serta O
integrasi O
pengelolaan O
arsip O
antar O
pegawai. O
Dengan O
adanya O
permasalahan O
tersebut O
maka O
diperlukan O
pembangunan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
pengarsipan I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
Dalam O
pembangunan O
ini O
peneliti O
menggunakan O
metode B-METODE
Systems I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
dengan I-METODE
model I-METODE
waterfall. I-METODE
Bahasa O
pemrograman O
yang O
dipakai O
yaitu O
PHP O
dan O
database O
MySQL. O
Untuk O
metode O
evaluasi O
sistem O
menggunakan O
USE O
Questionnaire O
agar O
dapat O
mengetahui O
tingkat O
kebergunaan O
sistem O
yang O
dibangun. O
Pembangunan O
sistem O
ini O
dimulai O
dari O
analisis O
kebutuhan O
, O
desain O
sistem O
, O
implementasi O
, O
testing O
hingga O
deployment. O
Hasil O
pengujian O
dengan O
menggunakan O
black O
box O
testing O
dan O
USE O
Questionnaire O
menunjukkan O
bahwa O
sistem B-TEMUAN
informasi I-TEMUAN
pengarsipan I-TEMUAN
sangat I-TEMUAN
layak I-TEMUAN
untuk I-TEMUAN
digunakan. I-TEMUAN
Selain I-TEMUAN
itu I-TEMUAN
berdasarkan I-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
sistem I-TEMUAN
disarankan I-TEMUAN
untuk I-TEMUAN
melakukan I-TEMUAN
perbaikan I-TEMUAN
agar I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
lebih I-TEMUAN
menarik I-TEMUAN
dan I-TEMUAN
responsif. I-TEMUAN
Kata O
Kunci— O
Arsip O
, O
Sistem O
Informasi O
, O
SDLC O
Waterfall O
, O
USE O
Questionnaire. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
ditarik O
kesimpulan O
sebagai O
berikut. O
1. O
Sistem O
Informasi O
Pengarsipan O
telah O
berhasil O
dibangun O
, O
dijalankan O
, O
dan O
telah O
melalui O
serangkaian O
uji O
coba. O
2. O
Sistem O
Informasi O
Pengarsipan O
mampu O
menyimpan O
, O
mencari O
, O
melihat O
, O
dan O
menghapus O
arsip O
, O
sehingga O
membantu O
pegawai O
arsip O
BPS O
Kota O
Mataram O
dalam O
pengelolaan O
arsip. O
3. O
Hasil O
evaluasi O
sistem O
dengan O
menggunakan O
black O
box O
testing O
menunjukkan O
bahwa O
seluruh B-TEMUAN
fitur I-TEMUAN
yang I-TEMUAN
diuji I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
output I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
4. O
Sistem B-TEMUAN
Informasi I-TEMUAN
Pengarsipan I-TEMUAN
BPS I-TEMUAN
Kota I-TEMUAN
Mataram I-TEMUAN
memperoleh I-TEMUAN
sebesar I-TEMUAN
83,87 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
tingkat I-TEMUAN
usability I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
tersebut I-TEMUAN
sangat I-TEMUAN
layak I-TEMUAN
digunakan. I-TEMUAN
Adapun O
saran O
yang O
dapat O
dilakukan O
pada O
pengembangan O
selanjutnya O
sebagai O
berikut. O
1. O
Dari O
hasil O
evaluasi O
yang O
telah O
dilakukan O
menunjukkan O
bahwa O
diperlukan O
perbaikan O
pada O
antarmuka O
agar O
lebih O
menarik. O
2. O
Pada O
pengembangan O
berikutnya O
, O
dapat O
dikembangkan O
fitur O
verifikasi O
file O
arsip O
untuk O
memungkinkan O
master O
arsip O
mengirimkan O
pesan O
kepada O
petugas O
arsip O
apabila O
terdapat O
ketidaksesuaian O
pada O
file O
arsip. O
3. O
Untuk O
meningkatkan O
responsivitas O
website O
, O
dapat O
dilakukan O
pengoptimalan O
dengan O
menggunakan O
pop O
up O
modals O
pada O
form O
input O
, O
edit O
arsip O
, O
dan O
profil. O
Dengan O
demikian O
, O
pengguna O
tidak O
perlu O
membuka O
halaman O
baru O
saat O
melakukan O
interaksi O
, O
sehingga O
meningkatkan O
responsivitas. O

Sistem O
Informasi O
Pengarsipan O
Berbasis O
Web O
di O
BPS O
Kota O
Mataram O
Hijri O
Rif’ani O
Rafiq O
( O
221911129 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A O
sistem O
tentu O
tidak O
informasi O
pengarsipan O
Ringkasan— O
BPS O
Kota O
Mataram O
merupakan O
suatu O
lembaga O
lepas O
dari O
pemerintahan O
yang O
di O
dalamnya O
pengelolaan O
arsip. O
Pengelolaan O
arsip O
di O
BPS O
Kota O
Mataram O
memiliki O
masalah O
terkait O
efisiensi O
, O
rentan O
hilang O
dan O
rusaknya O
dokumen O
arsip O
serta O
integrasi O
pengelolaan O
arsip O
antar O
pegawai. O
Dengan O
adanya O
permasalahan O
tersebut O
maka O
diperlukan O
pembangunan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
pengarsipan I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
Dalam O
pembangunan O
ini O
peneliti O
menggunakan O
metode B-METODE
Systems I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
dengan I-METODE
model I-METODE
waterfall. I-METODE
Bahasa O
pemrograman O
yang O
dipakai O
yaitu O
PHP O
dan O
database O
MySQL. O
Untuk O
metode O
evaluasi O
sistem O
menggunakan O
USE O
Questionnaire O
agar O
dapat O
mengetahui O
tingkat O
kebergunaan O
sistem O
yang O
dibangun. O
Pembangunan O
sistem O
ini O
dimulai O
dari O
analisis O
kebutuhan O
, O
desain O
sistem O
, O
implementasi O
, O
testing O
hingga O
deployment. O
Hasil O
pengujian O
dengan O
menggunakan O
black O
box O
testing O
dan O
USE O
Questionnaire O
menunjukkan O
bahwa O
sistem B-TEMUAN
informasi I-TEMUAN
pengarsipan I-TEMUAN
sangat I-TEMUAN
layak I-TEMUAN
untuk I-TEMUAN
digunakan. I-TEMUAN
Selain I-TEMUAN
itu I-TEMUAN
berdasarkan I-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
sistem I-TEMUAN
disarankan I-TEMUAN
untuk I-TEMUAN
melakukan I-TEMUAN
perbaikan I-TEMUAN
agar I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
lebih I-TEMUAN
menarik I-TEMUAN
dan I-TEMUAN
responsif. I-TEMUAN
Kata O
Kunci— O
Arsip O
, O
Sistem O
Informasi O
, O
SDLC O
Waterfall O
, O
USE O
Questionnaire. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
ditarik O
kesimpulan O
sebagai O
berikut. O
1. O
Sistem O
Informasi O
Pengarsipan O
telah O
berhasil O
dibangun O
, O
dijalankan O
, O
dan O
telah O
melalui O
serangkaian O
uji O
coba. O
2. O
Sistem O
Informasi O
Pengarsipan O
mampu O
menyimpan O
, O
mencari O
, O
melihat O
, O
dan O
menghapus O
arsip O
, O
sehingga O
membantu O
pegawai O
arsip O
BPS O
Kota O
Mataram O
dalam O
pengelolaan O
arsip. O
3. O
Hasil O
evaluasi O
sistem O
dengan O
menggunakan O
black O
box O
testing O
menunjukkan O
bahwa O
seluruh B-TEMUAN
fitur I-TEMUAN
yang I-TEMUAN
diuji I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
output I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
4. O
Sistem B-TEMUAN
Informasi I-TEMUAN
Pengarsipan I-TEMUAN
BPS I-TEMUAN
Kota I-TEMUAN
Mataram I-TEMUAN
memperoleh I-TEMUAN
sebesar I-TEMUAN
83,87 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
tingkat I-TEMUAN
usability I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
tersebut I-TEMUAN
sangat I-TEMUAN
layak I-TEMUAN
digunakan. I-TEMUAN
Adapun O
saran O
yang O
dapat O
dilakukan O
pada O
pengembangan O
selanjutnya O
sebagai O
berikut. O
1. O
Dari O
hasil O
evaluasi O
yang O
telah O
dilakukan O
menunjukkan O
bahwa O
diperlukan O
perbaikan O
pada O
antarmuka O
agar O
lebih O
menarik. O
2. O
Pada O
pengembangan O
berikutnya O
, O
dapat O
dikembangkan O
fitur O
verifikasi O
file O
arsip O
untuk O
memungkinkan O
master O
arsip O
mengirimkan O
pesan O
kepada O
petugas O
arsip O
apabila O
terdapat O
ketidaksesuaian O
pada O
file O
arsip. O
3. O
Untuk O
meningkatkan O
responsivitas O
website O
, O
dapat O
dilakukan O
pengoptimalan O
dengan O
menggunakan O
pop O
up O
modals O
pada O
form O
input O
, O
edit O
arsip O
, O
dan O
profil. O
Dengan O
demikian O
, O
pengguna O
tidak O
perlu O
membuka O
halaman O
baru O
saat O
melakukan O
interaksi O
, O
sehingga O
meningkatkan O
responsivitas. O

Sistem O
Informasi O
Pengarsipan O
Berbasis O
Web O
di O
BPS O
Kota O
Mataram O
Hijri O
Rif’ani O
Rafiq O
( O
221911129 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A O
sistem O
tentu O
tidak O
informasi O
pengarsipan O
Ringkasan— O
BPS O
Kota O
Mataram O
merupakan O
suatu O
lembaga O
lepas O
dari O
pemerintahan O
yang O
di O
dalamnya O
pengelolaan O
arsip. O
Pengelolaan O
arsip O
di O
BPS O
Kota O
Mataram O
memiliki O
masalah O
terkait O
efisiensi O
, O
rentan O
hilang O
dan O
rusaknya O
dokumen O
arsip O
serta O
integrasi O
pengelolaan O
arsip O
antar O
pegawai. O
Dengan O
adanya O
permasalahan O
tersebut O
maka O
diperlukan O
pembangunan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
pengarsipan I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
Dalam O
pembangunan O
ini O
peneliti O
menggunakan O
metode B-METODE
Systems I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
dengan I-METODE
model I-METODE
waterfall. I-METODE
Bahasa O
pemrograman O
yang O
dipakai O
yaitu O
PHP O
dan O
database O
MySQL. O
Untuk O
metode O
evaluasi O
sistem O
menggunakan O
USE O
Questionnaire O
agar O
dapat O
mengetahui O
tingkat O
kebergunaan O
sistem O
yang O
dibangun. O
Pembangunan O
sistem O
ini O
dimulai O
dari O
analisis O
kebutuhan O
, O
desain O
sistem O
, O
implementasi O
, O
testing O
hingga O
deployment. O
Hasil O
pengujian O
dengan O
menggunakan O
black O
box O
testing O
dan O
USE O
Questionnaire O
menunjukkan O
bahwa O
sistem B-TEMUAN
informasi I-TEMUAN
pengarsipan I-TEMUAN
sangat I-TEMUAN
layak I-TEMUAN
untuk I-TEMUAN
digunakan. I-TEMUAN
Selain I-TEMUAN
itu I-TEMUAN
berdasarkan I-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
sistem I-TEMUAN
disarankan I-TEMUAN
untuk I-TEMUAN
melakukan I-TEMUAN
perbaikan I-TEMUAN
agar I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
lebih I-TEMUAN
menarik I-TEMUAN
dan I-TEMUAN
responsif. I-TEMUAN
Kata O
Kunci— O
Arsip O
, O
Sistem O
Informasi O
, O
SDLC O
Waterfall O
, O
USE O
Questionnaire. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
ditarik O
kesimpulan O
sebagai O
berikut. O
1. O
Sistem O
Informasi O
Pengarsipan O
telah O
berhasil O
dibangun O
, O
dijalankan O
, O
dan O
telah O
melalui O
serangkaian O
uji O
coba. O
2. O
Sistem O
Informasi O
Pengarsipan O
mampu O
menyimpan O
, O
mencari O
, O
melihat O
, O
dan O
menghapus O
arsip O
, O
sehingga O
membantu O
pegawai O
arsip O
BPS O
Kota O
Mataram O
dalam O
pengelolaan O
arsip. O
3. O
Hasil O
evaluasi O
sistem O
dengan O
menggunakan O
black O
box O
testing O
menunjukkan O
bahwa O
seluruh B-TEMUAN
fitur I-TEMUAN
yang I-TEMUAN
diuji I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
output I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
4. O
Sistem B-TEMUAN
Informasi I-TEMUAN
Pengarsipan I-TEMUAN
BPS I-TEMUAN
Kota I-TEMUAN
Mataram I-TEMUAN
memperoleh I-TEMUAN
sebesar I-TEMUAN
83,87 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
tingkat I-TEMUAN
usability I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
tersebut I-TEMUAN
sangat I-TEMUAN
layak I-TEMUAN
digunakan. I-TEMUAN
Adapun O
saran O
yang O
dapat O
dilakukan O
pada O
pengembangan O
selanjutnya O
sebagai O
berikut. O
1. O
Dari O
hasil O
evaluasi O
yang O
telah O
dilakukan O
menunjukkan O
bahwa O
diperlukan O
perbaikan O
pada O
antarmuka O
agar O
lebih O
menarik. O
2. O
Pada O
pengembangan O
berikutnya O
, O
dapat O
dikembangkan O
fitur O
verifikasi O
file O
arsip O
untuk O
memungkinkan O
master O
arsip O
mengirimkan O
pesan O
kepada O
petugas O
arsip O
apabila O
terdapat O
ketidaksesuaian O
pada O
file O
arsip. O
3. O
Untuk O
meningkatkan O
responsivitas O
website O
, O
dapat O
dilakukan O
pengoptimalan O
dengan O
menggunakan O
pop O
up O
modals O
pada O
form O
input O
, O
edit O
arsip O
, O
dan O
profil. O
Dengan O
demikian O
, O
pengguna O
tidak O
perlu O
membuka O
halaman O
baru O
saat O
melakukan O
interaksi O
, O
sehingga O
meningkatkan O
responsivitas. O

Pemodelan O
Indikator O
Kumuh O
untuk O
Mendeteksi O
Permukiman O
Kumuh O
di O
Perkotaan O
Menggunakan O
Data O
KOTAKU O
dan O
Ensemble O
Method O
Muhammad O
Muawwad O
MS O
( O
221911123 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Rani O
Nooraeni O
, O
SST. O
, O
M.Stat O
Ringkasan— O
Permukiman O
kumuh O
yang O
dicirikan O
oleh O
kondisi O
perumahan O
di O
bawah O
standar O
merupakan O
hal O
yang O
sering O
ditemukan O
khususnya O
di O
daerah O
perkotaan. O
Di O
Indonesia O
, O
hal-hal O
terkait O
permukiman O
kumuh O
telah O
diatur O
dalam O
UU O
No. O
1 O
Pasal O
1 O
Ayat O
13 O
Tahun O
2011 O
tentang O
Perumahan O
dan O
Kawasan O
Permukiman. O
Informasi O
mengenai O
permukiman O
kumuh O
dan O
kondisinya O
perlu O
dikumpulkan O
secara O
kontinu O
agar O
Tujuan O
Pembangunan O
Berkelanjutan O
( O
Sustainable O
Development O
Goals O
) O
yang O
dicanangkan O
oleh O
PBB O
dapat O
tercapai. O
Negara O
Indonesia O
telah O
mengumpulkan O
data O
terkait O
permukiman O
kumuh O
melalui O
program O
KOTAKU O
( O
Kota O
Tanpa O
Kumuh O
) O
. O
Pendeteksian O
permukiman O
kumuh O
di O
wilayah O
Indonesia O
didasarkan O
pada O
indikator O
yang O
telah O
didefinisikan O
oleh O
pemerintah O
melalui O
kementerian O
PUPR. O
Penelitian O
ini O
bertujuan O
untuk O
memodelkan B-TUJUAN
indikator I-TUJUAN
kumuh I-TUJUAN
dari I-TUJUAN
data I-TUJUAN
KOTAKU I-TUJUAN
dan O
mendeteksi O
permukiman O
kumuh O
di O
perkotaan. O
Selain O
itu O
, O
penelitian O
ini O
juga O
bertujuan O
untuk O
membandingkan O
model O
indikator O
kumuh O
tanpa O
penambahan O
dan O
dengan O
penambahan O
indikator. O
Pada O
penelitian O
ini O
, O
data O
bersumber O
dari O
website O
program O
KOTAKU O
yang O
dibentuk O
oleh O
kementerian O
PUPR O
RI. O
Pemodelan B-METODE
dilakukan O
dengan O
menggunakan O
salah O
satu O
algoritma O
dalam O
Ensemble O
Method O
, O
yaitu O
Random O
Forest. O
Hasil O
penelitian O
menunjukkan O
bahwa O
indikator B-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
berkontribusi I-TEMUAN
dalam I-TEMUAN
pemodelan I-TEMUAN
yaitu I-TEMUAN
Ketidakmampuan I-TEMUAN
Mengalirkan I-TEMUAN
Limpasan I-TEMUAN
Air. I-TEMUAN
Model O
indikator O
kumuh O
tanpa O
penambahan O
memiliki O
hasil O
evaluasi O
yang O
sama O
dengan O
model O
indikator O
kumuh O
dengan O
penambahan. O
Kata O
Kunci— O
Permukiman O
kumuh O
, O
data O
KOTAKU O
, O
pemodelan O
, O
ensemble O
method. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
Gambar O
4. O
Grafik O
Nilai O
Variabel O
Importance O
dari O
22 O
Variabel O
22 O
Pemodelan O
variabel O
selanjutnya O
menggunakan O
pembentuk O
permukiman O
kumuh. O
Variabel O
tersebut O
terdiri O
dari O
19 O
variabel O
pembentuk O
kumuh O
versi O
KOTAKU O
PUPR O
dan O
3 O
variabel O
tambahan O
yang O
didasarkan O
pada O
karakteristik O
permukiman O
kumuh O
dari O
UN O
Habitat O
( O
2006 O
) O
. O
Berdasarkan O
Tabel O
V O
, O
model O
yang O
telah O
dibuat O
menghasilkan O
akurasi O
sebesar O
81,52 O
% O
. O
Jika O
dilihat O
dari O
nilai O
variable O
importance O
pada O
Gambar O
4 O
, O
variabel O
X8 O
memiliki O
kontribusi O
tertinggi O
dalam O
1. O
2. O
Indikator O
kumuh O
dari O
data O
KOTAKU O
dapat O
dimodelkan O
dengan O
memanfaatkan O
machine O
learning O
berbasis O
ensemble O
method O
untuk O
memperbaiki O
sistem O
telah O
pendeteksian O
permukiman O
kumuh O
yang O
dilakukan O
oleh O
kementerian O
PUPR. O
Indikator O
yang O
paling O
berkontribusi O
dalam O
pemodelan O
indikator O
kumuh O
perkotaan O
di O
DKI O
Jakarta O
yaitu O
Ketidakmampuan O
Mengalirkan O
Limpasan O
Air O
dengan O
variabel O
persentase O
terkena O
genangan O
( O
X8 O
) O
. O
Hal O
ini O
ditandai O
dengan O
nilai O
variable O
importance-nya O
yang O
tinggi O
di O
setiap O
pemodelan O
, O
baik O
tanpa O
penambahan O
maupun O
dengan O
penambahan. O
3. O
Model O
indikator O
kumuh O
tanpa O
penambahan O
memiliki O
hasil O
evaluasi O
yang O
sama O
dengan O
model O
indikator O
kumuh O
dengan O
penambahan O
, O
sehingga O
penambahan O
variabel O
pada O
model O
belum O
memberikan O
efek O
signifikan O
terhadap O
kinerja O
dari O
model O
indikator O
kumuh. O
luas O
kawasan O
yang O
Berdasarkan O
peneliti O
menyarankan O
kepada O
pemerintah O
khususnya O
kementerian O
kesimpulan O
penelitian O
ini O
, O
5 O
/ O
6 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
17 O
] O
E. O
Lutins. O
( O
2017 O
) O
. O
Ensemble O
Methods O
in O
Machine O
Learning O
: O
What O
are O
They O
Available O
: O
and O
Them O
? O
. O
https O
: O
/ O
/ O
towardsdatascience.com O
/ O
ensemble-methods-in-machine-learning- O
what-are-they-and-why-use-them-68ec3f9fef5f O
[ O
Online O
] O
. O
Why O
Use O
[ O
18 O
] O
Setiawan O
, O
R. O
, O
Ernawati O
, O
E. O
, O
& O
Efendi O
, O
R. O
( O
2018 O
) O
. O
Klasifikasi O
Kawasan O
Permukiman O
Tingkat O
Kelurahan O
untuk O
Pembangunan O
Sistem O
Berbasis O
Data O
Kualitas O
Permukiman O
( O
Studi O
Kasus O
: O
67 O
Kelurahan O
di O
Kota O
Bengkulu O
) O
. O
Pseudocode O
, O
5 O
( O
1 O
) O
, O
45-55. O
[ O
19 O
] O
Yadav O
, O
D. O
C. O
, O
& O
Pal O
, O
S. O
A. O
U. O
R. O
A. O
B. O
H. O
( O
2020 O
) O
. O
Prediction O
of O
heart O
disease O
using O
feature O
selection O
and O
random O
forest O
ensemble O
method. O
International O
Journal O
of O
Pharmaceutical O
Research O
, O
12 O
( O
4 O
) O
, O
56-66. O
PUPR O
untuk O
dapat O
mengaplikasikan O
berbagai O
teknik O
atau O
metode O
dari O
machine O
learning O
guna O
meningkatkan O
kemampuan O
pendeteksian O
permukiman O
kumuh O
di O
seluruh O
wilayah O
Indonesia. O
Peneliti O
juga O
memberikan O
masukan O
untuk O
pengembangan O
model O
deteksi O
permukiman O
kumuh O
yang O
lebih O
akurat O
dan O
handal. O
Melalui O
pemodelan O
indikator O
kumuh O
menggunakan O
Ensemble O
Method O
, O
diperlukan O
pemilihan O
jenis O
metode O
yang O
paling O
sesuai O
dan O
optimal O
untuk O
meningkatkan O
akurasi O
pendeteksian O
permukiman O
kumuh. O

Pemodelan O
Indikator O
Kumuh O
untuk O
Mendeteksi O
Permukiman O
Kumuh O
di O
Perkotaan O
Menggunakan O
Data O
KOTAKU O
dan O
Ensemble O
Method O
Muhammad O
Muawwad O
MS O
( O
221911123 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Rani O
Nooraeni O
, O
SST. O
, O
M.Stat O
Ringkasan— O
Permukiman O
kumuh O
yang O
dicirikan O
oleh O
kondisi O
perumahan O
di O
bawah O
standar O
merupakan O
hal O
yang O
sering O
ditemukan O
khususnya O
di O
daerah O
perkotaan. O
Di O
Indonesia O
, O
hal-hal O
terkait O
permukiman O
kumuh O
telah O
diatur O
dalam O
UU O
No. O
1 O
Pasal O
1 O
Ayat O
13 O
Tahun O
2011 O
tentang O
Perumahan O
dan O
Kawasan O
Permukiman. O
Informasi O
mengenai O
permukiman O
kumuh O
dan O
kondisinya O
perlu O
dikumpulkan O
secara O
kontinu O
agar O
Tujuan O
Pembangunan O
Berkelanjutan O
( O
Sustainable O
Development O
Goals O
) O
yang O
dicanangkan O
oleh O
PBB O
dapat O
tercapai. O
Negara O
Indonesia O
telah O
mengumpulkan O
data O
terkait O
permukiman O
kumuh O
melalui O
program O
KOTAKU O
( O
Kota O
Tanpa O
Kumuh O
) O
. O
Pendeteksian O
permukiman O
kumuh O
di O
wilayah O
Indonesia O
didasarkan O
pada O
indikator O
yang O
telah O
didefinisikan O
oleh O
pemerintah O
melalui O
kementerian O
PUPR. O
Penelitian O
ini O
bertujuan O
untuk O
memodelkan B-TUJUAN
indikator I-TUJUAN
kumuh I-TUJUAN
dari I-TUJUAN
data I-TUJUAN
KOTAKU I-TUJUAN
dan O
mendeteksi O
permukiman O
kumuh O
di O
perkotaan. O
Selain O
itu O
, O
penelitian O
ini O
juga O
bertujuan O
untuk O
membandingkan O
model O
indikator O
kumuh O
tanpa O
penambahan O
dan O
dengan O
penambahan O
indikator. O
Pada O
penelitian O
ini O
, O
data O
bersumber O
dari O
website O
program O
KOTAKU O
yang O
dibentuk O
oleh O
kementerian O
PUPR O
RI. O
Pemodelan B-METODE
dilakukan O
dengan O
menggunakan O
salah O
satu O
algoritma O
dalam O
Ensemble O
Method O
, O
yaitu O
Random O
Forest. O
Hasil O
penelitian O
menunjukkan O
bahwa O
indikator B-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
berkontribusi I-TEMUAN
dalam I-TEMUAN
pemodelan I-TEMUAN
yaitu I-TEMUAN
Ketidakmampuan I-TEMUAN
Mengalirkan I-TEMUAN
Limpasan I-TEMUAN
Air. I-TEMUAN
Model O
indikator O
kumuh O
tanpa O
penambahan O
memiliki O
hasil O
evaluasi O
yang O
sama O
dengan O
model O
indikator O
kumuh O
dengan O
penambahan. O
Kata O
Kunci— O
Permukiman O
kumuh O
, O
data O
KOTAKU O
, O
pemodelan O
, O
ensemble O
method. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
Gambar O
4. O
Grafik O
Nilai O
Variabel O
Importance O
dari O
22 O
Variabel O
22 O
Pemodelan O
variabel O
selanjutnya O
menggunakan O
pembentuk O
permukiman O
kumuh. O
Variabel O
tersebut O
terdiri O
dari O
19 O
variabel O
pembentuk O
kumuh O
versi O
KOTAKU O
PUPR O
dan O
3 O
variabel O
tambahan O
yang O
didasarkan O
pada O
karakteristik O
permukiman O
kumuh O
dari O
UN O
Habitat O
( O
2006 O
) O
. O
Berdasarkan O
Tabel O
V O
, O
model O
yang O
telah O
dibuat O
menghasilkan O
akurasi O
sebesar O
81,52 O
% O
. O
Jika O
dilihat O
dari O
nilai O
variable O
importance O
pada O
Gambar O
4 O
, O
variabel O
X8 O
memiliki O
kontribusi O
tertinggi O
dalam O
1. O
2. O
Indikator O
kumuh O
dari O
data O
KOTAKU O
dapat O
dimodelkan O
dengan O
memanfaatkan O
machine O
learning O
berbasis O
ensemble O
method O
untuk O
memperbaiki O
sistem O
telah O
pendeteksian O
permukiman O
kumuh O
yang O
dilakukan O
oleh O
kementerian O
PUPR. O
Indikator O
yang O
paling O
berkontribusi O
dalam O
pemodelan O
indikator O
kumuh O
perkotaan O
di O
DKI O
Jakarta O
yaitu O
Ketidakmampuan O
Mengalirkan O
Limpasan O
Air O
dengan O
variabel O
persentase O
terkena O
genangan O
( O
X8 O
) O
. O
Hal O
ini O
ditandai O
dengan O
nilai O
variable O
importance-nya O
yang O
tinggi O
di O
setiap O
pemodelan O
, O
baik O
tanpa O
penambahan O
maupun O
dengan O
penambahan. O
3. O
Model O
indikator O
kumuh O
tanpa O
penambahan O
memiliki O
hasil O
evaluasi O
yang O
sama O
dengan O
model O
indikator O
kumuh O
dengan O
penambahan O
, O
sehingga O
penambahan O
variabel O
pada O
model O
belum O
memberikan O
efek O
signifikan O
terhadap O
kinerja O
dari O
model O
indikator O
kumuh. O
luas O
kawasan O
yang O
Berdasarkan O
peneliti O
menyarankan O
kepada O
pemerintah O
khususnya O
kementerian O
kesimpulan O
penelitian O
ini O
, O
5 O
/ O
6 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
17 O
] O
E. O
Lutins. O
( O
2017 O
) O
. O
Ensemble O
Methods O
in O
Machine O
Learning O
: O
What O
are O
They O
Available O
: O
and O
Them O
? O
. O
https O
: O
/ O
/ O
towardsdatascience.com O
/ O
ensemble-methods-in-machine-learning- O
what-are-they-and-why-use-them-68ec3f9fef5f O
[ O
Online O
] O
. O
Why O
Use O
[ O
18 O
] O
Setiawan O
, O
R. O
, O
Ernawati O
, O
E. O
, O
& O
Efendi O
, O
R. O
( O
2018 O
) O
. O
Klasifikasi O
Kawasan O
Permukiman O
Tingkat O
Kelurahan O
untuk O
Pembangunan O
Sistem O
Berbasis O
Data O
Kualitas O
Permukiman O
( O
Studi O
Kasus O
: O
67 O
Kelurahan O
di O
Kota O
Bengkulu O
) O
. O
Pseudocode O
, O
5 O
( O
1 O
) O
, O
45-55. O
[ O
19 O
] O
Yadav O
, O
D. O
C. O
, O
& O
Pal O
, O
S. O
A. O
U. O
R. O
A. O
B. O
H. O
( O
2020 O
) O
. O
Prediction O
of O
heart O
disease O
using O
feature O
selection O
and O
random O
forest O
ensemble O
method. O
International O
Journal O
of O
Pharmaceutical O
Research O
, O
12 O
( O
4 O
) O
, O
56-66. O
PUPR O
untuk O
dapat O
mengaplikasikan O
berbagai O
teknik O
atau O
metode O
dari O
machine O
learning O
guna O
meningkatkan O
kemampuan O
pendeteksian O
permukiman O
kumuh O
di O
seluruh O
wilayah O
Indonesia. O
Peneliti O
juga O
memberikan O
masukan O
untuk O
pengembangan O
model O
deteksi O
permukiman O
kumuh O
yang O
lebih O
akurat O
dan O
handal. O
Melalui O
pemodelan O
indikator O
kumuh O
menggunakan O
Ensemble O
Method O
, O
diperlukan O
pemilihan O
jenis O
metode O
yang O
paling O
sesuai O
dan O
optimal O
untuk O
meningkatkan O
akurasi O
pendeteksian O
permukiman O
kumuh. O

Pembangunan O
Sistem O
Open O
Courseware O
Studi O
Kasus O
Politeknik O
Statistika O
STIS O
Urwatil O
Hasna O
( O
221911115 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph.D. O
Ringkasan— O
Politeknik O
Statistika O
STIS O
adalah O
salah O
satu O
perguruan O
tinggi O
kedinasan O
di O
Indonesia O
yang O
berada O
di O
bawah O
naungan O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
. O
Selama O
pandemi O
, O
Politeknik O
Statistika O
STIS O
memanfaatkan O
platform O
Google O
Classroom O
sebagai O
media O
e-learning O
dan O
Zoom O
untuk O
tatap O
muka O
secara O
virtual. O
Namun O
, O
materi O
yang O
diunggah O
oleh O
dosen O
pada O
suatu O
kelas O
di O
Google O
Classroom O
ini O
hanya O
terbatas O
di O
kelas O
tersebut O
saja. O
Mahasiswa O
yang O
tidak O
masuk O
ke O
dalam O
kelas O
tersebut O
tidak O
dapat O
melihat O
materi O
dan O
bahan O
pembelajaran O
yang O
tersedia O
di O
sana. O
Keterbatasan O
ini O
membuat O
penulis O
menginisiasikan O
sebuah O
sistem O
yang O
dinamakan O
Open O
Courseware O
( O
OCW O
) O
. O
OCW O
adalah O
program O
publikasi O
digital O
yang O
bebas O
dan O
terbuka O
dari O
materi O
pendidikan O
yang O
berkualitas O
tinggi O
yang O
disiapkan O
oleh O
suatu O
lembaga O
terkait. O
OCW O
dapat O
membantu O
memenuhi O
komitmen O
pemerintah O
Indonesia O
untuk O
membantu O
semua O
warga O
negara O
untuk O
mencapai O
pendidikan O
melalui O
segala O
jenis O
kesempatan O
belajar. O
Dengan O
OCW O
, O
pengguna O
dapat O
mengakses O
bahan O
pembelajaran O
sesuai O
dengan O
kebutuhannya O
masing-masing. O
Penelitian O
ini O
menggunakan O
metode B-METODE
Rapid I-METODE
Application I-METODE
Development I-METODE
serta O
metode O
evaluasi O
sistem O
dengan O
black B-METODE
box I-METODE
testing I-METODE
dan O
System B-TEMUAN
Usability I-TEMUAN
Scale. I-TEMUAN
Kata O
Kunci— O
Pembelajaran O
, O
OCW O
, O
Politeknik O
Statistika O
STIS. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
dilakukan O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
1. O
Pengembangan B-TEMUAN
Sistem I-TEMUAN
Open I-TEMUAN
Courseware I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS I-TEMUAN
berhasil I-TEMUAN
dilakukan. I-TEMUAN
Sistem O
yang O
dikembangkan O
berbasis O
web O
agar O
baik O
pengguna O
internal O
maupun O
masyarakat O
luas O
dapat O
mengaksesnya O
dengan O
mudah. O
2. B-TEMUAN
Berdasarkan I-TEMUAN
evaluasi I-TEMUAN
dari I-TEMUAN
uji I-TEMUAN
black I-TEMUAN
box I-TEMUAN
, I-TEMUAN
fungsi-fungsi I-TEMUAN
yang I-TEMUAN
dibutuhkan I-TEMUAN
dapat I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
sesuai I-TEMUAN
harapan. I-TEMUAN
Demikian I-TEMUAN
pula I-TEMUAN
dengan I-TEMUAN
uji I-TEMUAN
kegunaan I-TEMUAN
sistem I-TEMUAN
menggunakan I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
, I-TEMUAN
diperoleh I-TEMUAN
hasil I-TEMUAN
nilai I-TEMUAN
SUS I-TEMUAN
75 I-TEMUAN
yang I-TEMUAN
artinya I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
( I-TEMUAN
acceptable I-TEMUAN
) I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
yang I-TEMUAN
terlibat. I-TEMUAN
Permasalahan-permasalahan O
ini O
dirangkum O
untuk O
dijadikan O
saran. O
Saran O
ini O
nantinya O
dapat O
digunakan O
untuk O
penelitian O
lebih O
lanjut. O
Adapun O
saran O
yang O
dapat O
peneliti O
berikan O
, O
antara O
lain O
: O
penelitian O
setelah O
1. O
Perbaikan O
tampilan O
pada O
menu O
course O
agar O
aplikasi O
memiliki O
tampilan O
yang O
lebih O
optimal. O
2. O
Mengembangkan O
fitur O
login O
menggunakan O
SIPADU O
sehingga O
pengguna O
tidak O
memerlukan O
internal O
registrasi O
terlebih O
dahulu O
untuk O
bisa O
login O
dan O
fitur O
lainnya O
yaitu O
fitur O
roadmap O
agar O
lebih O
dinamis O
sehingga O
pengguna O
juga O
bisa O
mengakses O
course O
dengan O
mengklik O
mata O
kuliah O
yang O
terdapat O
di O
roadmap. O

Pembangunan O
Sistem O
Open O
Courseware O
Studi O
Kasus O
Politeknik O
Statistika O
STIS O
Urwatil O
Hasna O
( O
221911115 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph.D. O
Ringkasan— O
Politeknik O
Statistika O
STIS O
adalah O
salah O
satu O
perguruan O
tinggi O
kedinasan O
di O
Indonesia O
yang O
berada O
di O
bawah O
naungan O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
. O
Selama O
pandemi O
, O
Politeknik O
Statistika O
STIS O
memanfaatkan O
platform O
Google O
Classroom O
sebagai O
media O
e-learning O
dan O
Zoom O
untuk O
tatap O
muka O
secara O
virtual. O
Namun O
, O
materi O
yang O
diunggah O
oleh O
dosen O
pada O
suatu O
kelas O
di O
Google O
Classroom O
ini O
hanya O
terbatas O
di O
kelas O
tersebut O
saja. O
Mahasiswa O
yang O
tidak O
masuk O
ke O
dalam O
kelas O
tersebut O
tidak O
dapat O
melihat O
materi O
dan O
bahan O
pembelajaran O
yang O
tersedia O
di O
sana. O
Keterbatasan O
ini O
membuat O
penulis O
menginisiasikan O
sebuah O
sistem O
yang O
dinamakan O
Open O
Courseware O
( O
OCW O
) O
. O
OCW O
adalah O
program O
publikasi O
digital O
yang O
bebas O
dan O
terbuka O
dari O
materi O
pendidikan O
yang O
berkualitas O
tinggi O
yang O
disiapkan O
oleh O
suatu O
lembaga O
terkait. O
OCW O
dapat O
membantu O
memenuhi O
komitmen O
pemerintah O
Indonesia O
untuk O
membantu O
semua O
warga O
negara O
untuk O
mencapai O
pendidikan O
melalui O
segala O
jenis O
kesempatan O
belajar. O
Dengan O
OCW O
, O
pengguna O
dapat O
mengakses O
bahan O
pembelajaran O
sesuai O
dengan O
kebutuhannya O
masing-masing. O
Penelitian O
ini O
menggunakan O
metode B-METODE
Rapid I-METODE
Application I-METODE
Development I-METODE
serta O
metode O
evaluasi O
sistem O
dengan O
black B-METODE
box I-METODE
testing I-METODE
dan O
System B-TEMUAN
Usability I-TEMUAN
Scale. I-TEMUAN
Kata O
Kunci— O
Pembelajaran O
, O
OCW O
, O
Politeknik O
Statistika O
STIS. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
dilakukan O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
1. O
Pengembangan B-TEMUAN
Sistem I-TEMUAN
Open I-TEMUAN
Courseware I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS I-TEMUAN
berhasil I-TEMUAN
dilakukan. I-TEMUAN
Sistem O
yang O
dikembangkan O
berbasis O
web O
agar O
baik O
pengguna O
internal O
maupun O
masyarakat O
luas O
dapat O
mengaksesnya O
dengan O
mudah. O
2. B-TEMUAN
Berdasarkan I-TEMUAN
evaluasi I-TEMUAN
dari I-TEMUAN
uji I-TEMUAN
black I-TEMUAN
box I-TEMUAN
, I-TEMUAN
fungsi-fungsi I-TEMUAN
yang I-TEMUAN
dibutuhkan I-TEMUAN
dapat I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
sesuai I-TEMUAN
harapan. I-TEMUAN
Demikian I-TEMUAN
pula I-TEMUAN
dengan I-TEMUAN
uji I-TEMUAN
kegunaan I-TEMUAN
sistem I-TEMUAN
menggunakan I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
, I-TEMUAN
diperoleh I-TEMUAN
hasil I-TEMUAN
nilai I-TEMUAN
SUS I-TEMUAN
75 I-TEMUAN
yang I-TEMUAN
artinya I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
( I-TEMUAN
acceptable I-TEMUAN
) I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
yang I-TEMUAN
terlibat. I-TEMUAN
Permasalahan-permasalahan O
ini O
dirangkum O
untuk O
dijadikan O
saran. O
Saran O
ini O
nantinya O
dapat O
digunakan O
untuk O
penelitian O
lebih O
lanjut. O
Adapun O
saran O
yang O
dapat O
peneliti O
berikan O
, O
antara O
lain O
: O
penelitian O
setelah O
1. O
Perbaikan O
tampilan O
pada O
menu O
course O
agar O
aplikasi O
memiliki O
tampilan O
yang O
lebih O
optimal. O
2. O
Mengembangkan O
fitur O
login O
menggunakan O
SIPADU O
sehingga O
pengguna O
tidak O
memerlukan O
internal O
registrasi O
terlebih O
dahulu O
untuk O
bisa O
login O
dan O
fitur O
lainnya O
yaitu O
fitur O
roadmap O
agar O
lebih O
dinamis O
sehingga O
pengguna O
juga O
bisa O
mengakses O
course O
dengan O
mengklik O
mata O
kuliah O
yang O
terdapat O
di O
roadmap. O

Pembangunan O
Sistem O
Open O
Courseware O
Studi O
Kasus O
Politeknik O
Statistika O
STIS O
Urwatil O
Hasna O
( O
221911115 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph.D. O
Ringkasan— O
Politeknik O
Statistika O
STIS O
adalah O
salah O
satu O
perguruan O
tinggi O
kedinasan O
di O
Indonesia O
yang O
berada O
di O
bawah O
naungan O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
. O
Selama O
pandemi O
, O
Politeknik O
Statistika O
STIS O
memanfaatkan O
platform O
Google O
Classroom O
sebagai O
media O
e-learning O
dan O
Zoom O
untuk O
tatap O
muka O
secara O
virtual. O
Namun O
, O
materi O
yang O
diunggah O
oleh O
dosen O
pada O
suatu O
kelas O
di O
Google O
Classroom O
ini O
hanya O
terbatas O
di O
kelas O
tersebut O
saja. O
Mahasiswa O
yang O
tidak O
masuk O
ke O
dalam O
kelas O
tersebut O
tidak O
dapat O
melihat O
materi O
dan O
bahan O
pembelajaran O
yang O
tersedia O
di O
sana. O
Keterbatasan O
ini O
membuat O
penulis O
menginisiasikan O
sebuah O
sistem O
yang O
dinamakan O
Open O
Courseware O
( O
OCW O
) O
. O
OCW O
adalah O
program O
publikasi O
digital O
yang O
bebas O
dan O
terbuka O
dari O
materi O
pendidikan O
yang O
berkualitas O
tinggi O
yang O
disiapkan O
oleh O
suatu O
lembaga O
terkait. O
OCW O
dapat O
membantu O
memenuhi O
komitmen O
pemerintah O
Indonesia O
untuk O
membantu O
semua O
warga O
negara O
untuk O
mencapai O
pendidikan O
melalui O
segala O
jenis O
kesempatan O
belajar. O
Dengan O
OCW O
, O
pengguna O
dapat O
mengakses O
bahan O
pembelajaran O
sesuai O
dengan O
kebutuhannya O
masing-masing. O
Penelitian O
ini O
menggunakan O
metode B-METODE
Rapid I-METODE
Application I-METODE
Development I-METODE
serta O
metode O
evaluasi O
sistem O
dengan O
black B-METODE
box I-METODE
testing I-METODE
dan O
System B-TEMUAN
Usability I-TEMUAN
Scale. I-TEMUAN
Kata O
Kunci— O
Pembelajaran O
, O
OCW O
, O
Politeknik O
Statistika O
STIS. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
dilakukan O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
1. O
Pengembangan B-TEMUAN
Sistem I-TEMUAN
Open I-TEMUAN
Courseware I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS I-TEMUAN
berhasil I-TEMUAN
dilakukan. I-TEMUAN
Sistem O
yang O
dikembangkan O
berbasis O
web O
agar O
baik O
pengguna O
internal O
maupun O
masyarakat O
luas O
dapat O
mengaksesnya O
dengan O
mudah. O
2. B-TEMUAN
Berdasarkan I-TEMUAN
evaluasi I-TEMUAN
dari I-TEMUAN
uji I-TEMUAN
black I-TEMUAN
box I-TEMUAN
, I-TEMUAN
fungsi-fungsi I-TEMUAN
yang I-TEMUAN
dibutuhkan I-TEMUAN
dapat I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
sesuai I-TEMUAN
harapan. I-TEMUAN
Demikian I-TEMUAN
pula I-TEMUAN
dengan I-TEMUAN
uji I-TEMUAN
kegunaan I-TEMUAN
sistem I-TEMUAN
menggunakan I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
, I-TEMUAN
diperoleh I-TEMUAN
hasil I-TEMUAN
nilai I-TEMUAN
SUS I-TEMUAN
75 I-TEMUAN
yang I-TEMUAN
artinya I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
( I-TEMUAN
acceptable I-TEMUAN
) I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
yang I-TEMUAN
terlibat. I-TEMUAN
Permasalahan-permasalahan O
ini O
dirangkum O
untuk O
dijadikan O
saran. O
Saran O
ini O
nantinya O
dapat O
digunakan O
untuk O
penelitian O
lebih O
lanjut. O
Adapun O
saran O
yang O
dapat O
peneliti O
berikan O
, O
antara O
lain O
: O
penelitian O
setelah O
1. O
Perbaikan O
tampilan O
pada O
menu O
course O
agar O
aplikasi O
memiliki O
tampilan O
yang O
lebih O
optimal. O
2. O
Mengembangkan O
fitur O
login O
menggunakan O
SIPADU O
sehingga O
pengguna O
tidak O
memerlukan O
internal O
registrasi O
terlebih O
dahulu O
untuk O
bisa O
login O
dan O
fitur O
lainnya O
yaitu O
fitur O
roadmap O
agar O
lebih O
dinamis O
sehingga O
pengguna O
juga O
bisa O
mengakses O
course O
dengan O
mengklik O
mata O
kuliah O
yang O
terdapat O
di O
roadmap. O

Pembangunan O
Sistem O
DataLab O
BPS O
untuk O
Pengolahan O
Data O
Mikro O
Studi O
Kasus O
BPS O
RI O
Bagus O
Almahenzar O
( O
221911108 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph.D O
( O
DDS O
) O
Statistik O
Ringkasan— O
Data O
hasil O
sensus O
dan O
survei O
yang O
dilakukan O
Badan O
Pusat O
Statistik O
sangat O
dibutuhkan O
di O
berbagai O
bidang O
salah O
satunya O
dalam O
proyek O
yang O
dilakukan O
oleh O
instansi O
pemerintah O
atau O
peneliti. O
Data O
mikro O
adalah O
data O
yang O
memberikan O
informasi O
detail O
terkait O
individu O
, O
rumah O
tangga O
, O
usaha O
, O
atau O
jenis O
data O
lainnya. O
Direktorat O
Diseminasi O
ingin O
meningkatkan O
integritas O
data O
mikro O
dengan O
melakukan O
validasi O
terhadap O
penerima O
data. O
Pada O
berbagai O
NSO O
di O
dunia O
sudah O
menerapkan O
sistem O
seperti O
itu O
yang O
disebut O
DataLab. O
Pada O
tahap O
implementasi O
dihasilkan O
dua O
aplikasi O
pada O
sistem O
DataLab O
BPS O
yaitu O
aplikasi O
website O
dan O
aplikasi O
desktop. O
Aplikasi O
website O
digunakan O
untuk O
permohonan O
akun O
dan O
permohonan O
proyek. O
Aplikasi O
desktop O
digunakan O
untuk O
membatasi O
waktu O
pengguna O
dalam O
melakukan O
pengolahan O
data O
, O
trigger O
untuk O
memulai O
perekaman O
layar O
dan O
restart O
komputer O
, O
dan O
mengunggah O
file O
hasil O
pengolahan O
data. O
Berdasarkan O
hasil O
penelitian O
dapat O
diambil O
kesimpulan O
bahwa O
sistem B-TEMUAN
DataLab I-TEMUAN
BPS I-TEMUAN
sudah I-TEMUAN
memenuhi I-TEMUAN
tujuan I-TEMUAN
penelitian I-TEMUAN
yaitu I-TEMUAN
membangun I-TEMUAN
suatu I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
digunakan I-TEMUAN
dalam I-TEMUAN
pengolahan I-TEMUAN
data I-TEMUAN
mikro. I-TEMUAN
Kata O
Kunci— O
DDS O
, O
Data O
Mikro O
, O
DataLab O
, O
Website O
, O
Desktop. O
[SEP] O
Berdasarkan O
hasil O
penerapan O
analisis O
sistem O
berjalan O
, O
analisis O
masalah O
, O
analisis O
kebutuhan O
, O
analisis O
sistem O
usulan O
, O
implementasi O
, O
dan O
pengujian O
, O
dapat O
diambil O
kesimpulan O
bahwa O
sistem B-TEMUAN
DataLab I-TEMUAN
BPS I-TEMUAN
sudah I-TEMUAN
memenuhi I-TEMUAN
tujuan I-TEMUAN
penelitian I-TEMUAN
yaitu I-TEMUAN
membangun I-TEMUAN
suatu I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
digunakan I-TEMUAN
dalam I-TEMUAN
pengolahan I-TEMUAN
data I-TEMUAN
mikro. I-TEMUAN
DataLab O
memberikan O
akses O
data O
mikro O
kepada O
pengguna O
data O
tetapi O
pengguna O
tidak O
mendapatkan O
file O
data O
mikro O
tersebut O
yang O
dapat O
dibawa O
pulang O
dan O
tidak O
dapat O
diakses O
setiap O
saat O
melalui O
perangkat O
pengguna. O
Pengguna O
hanya O
dapat O
melakukan O
pengolahan O
dan O
mendapatkan O
output O
dari O
pengolahan O
data O
mikro O
tersebut. O
Penelitian O
ini O
masih O
terbatas O
pada O
penggunaan O
internet O
untuk O
mengunduh O
dataset O
yang O
akan O
digunakan O
dalam O
terdapat O
potensi O
pengolahan O
data O
sehingga O
masih O
kebocoran O
data O
walaupun O
penggunaan O
internet O
dibatasi O
hanya O
untuk O
sistem O
DataLab O
saja. O
Untuk O
penelitian O
selanjutnya O
, O
penulis O
menyarankan O
tidak O
terdapat O
internet O
pada O
sistem O
DataLab O
dalam O
melakukan O
unduh O
dataset O
yang O
akan O
digunakan O
dalam O
pengolahan O
data. O
Hal O
ini O
bertujuan O
untuk O
lebih O
meningkatnya O
keamanan O
pada O
sistem O
DataLab. O

Pembangunan O
Sistem O
DataLab O
BPS O
untuk O
Pengolahan O
Data O
Mikro O
Studi O
Kasus O
BPS O
RI O
Bagus O
Almahenzar O
( O
221911108 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph.D O
( O
DDS O
) O
Statistik O
Ringkasan— O
Data O
hasil O
sensus O
dan O
survei O
yang O
dilakukan O
Badan O
Pusat O
Statistik O
sangat O
dibutuhkan O
di O
berbagai O
bidang O
salah O
satunya O
dalam O
proyek O
yang O
dilakukan O
oleh O
instansi O
pemerintah O
atau O
peneliti. O
Data O
mikro O
adalah O
data O
yang O
memberikan O
informasi O
detail O
terkait O
individu O
, O
rumah O
tangga O
, O
usaha O
, O
atau O
jenis O
data O
lainnya. O
Direktorat O
Diseminasi O
ingin O
meningkatkan O
integritas O
data O
mikro O
dengan O
melakukan O
validasi O
terhadap O
penerima O
data. O
Pada O
berbagai O
NSO O
di O
dunia O
sudah O
menerapkan O
sistem O
seperti O
itu O
yang O
disebut O
DataLab. O
Pada O
tahap O
implementasi O
dihasilkan O
dua O
aplikasi O
pada O
sistem O
DataLab O
BPS O
yaitu O
aplikasi O
website O
dan O
aplikasi O
desktop. O
Aplikasi O
website O
digunakan O
untuk O
permohonan O
akun O
dan O
permohonan O
proyek. O
Aplikasi O
desktop O
digunakan O
untuk O
membatasi O
waktu O
pengguna O
dalam O
melakukan O
pengolahan O
data O
, O
trigger O
untuk O
memulai O
perekaman O
layar O
dan O
restart O
komputer O
, O
dan O
mengunggah O
file O
hasil O
pengolahan O
data. O
Berdasarkan O
hasil O
penelitian O
dapat O
diambil O
kesimpulan O
bahwa O
sistem B-TEMUAN
DataLab I-TEMUAN
BPS I-TEMUAN
sudah I-TEMUAN
memenuhi I-TEMUAN
tujuan I-TEMUAN
penelitian I-TEMUAN
yaitu I-TEMUAN
membangun I-TEMUAN
suatu I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
digunakan I-TEMUAN
dalam I-TEMUAN
pengolahan I-TEMUAN
data I-TEMUAN
mikro. I-TEMUAN
Kata O
Kunci— O
DDS O
, O
Data O
Mikro O
, O
DataLab O
, O
Website O
, O
Desktop. O
[SEP] O
Berdasarkan O
hasil O
penerapan O
analisis O
sistem O
berjalan O
, O
analisis O
masalah O
, O
analisis O
kebutuhan O
, O
analisis O
sistem O
usulan O
, O
implementasi O
, O
dan O
pengujian O
, O
dapat O
diambil O
kesimpulan O
bahwa O
sistem B-TEMUAN
DataLab I-TEMUAN
BPS I-TEMUAN
sudah I-TEMUAN
memenuhi I-TEMUAN
tujuan I-TEMUAN
penelitian I-TEMUAN
yaitu I-TEMUAN
membangun I-TEMUAN
suatu I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
digunakan I-TEMUAN
dalam I-TEMUAN
pengolahan I-TEMUAN
data I-TEMUAN
mikro. I-TEMUAN
DataLab O
memberikan O
akses O
data O
mikro O
kepada O
pengguna O
data O
tetapi O
pengguna O
tidak O
mendapatkan O
file O
data O
mikro O
tersebut O
yang O
dapat O
dibawa O
pulang O
dan O
tidak O
dapat O
diakses O
setiap O
saat O
melalui O
perangkat O
pengguna. O
Pengguna O
hanya O
dapat O
melakukan O
pengolahan O
dan O
mendapatkan O
output O
dari O
pengolahan O
data O
mikro O
tersebut. O
Penelitian O
ini O
masih O
terbatas O
pada O
penggunaan O
internet O
untuk O
mengunduh O
dataset O
yang O
akan O
digunakan O
dalam O
terdapat O
potensi O
pengolahan O
data O
sehingga O
masih O
kebocoran O
data O
walaupun O
penggunaan O
internet O
dibatasi O
hanya O
untuk O
sistem O
DataLab O
saja. O
Untuk O
penelitian O
selanjutnya O
, O
penulis O
menyarankan O
tidak O
terdapat O
internet O
pada O
sistem O
DataLab O
dalam O
melakukan O
unduh O
dataset O
yang O
akan O
digunakan O
dalam O
pengolahan O
data. O
Hal O
ini O
bertujuan O
untuk O
lebih O
meningkatnya O
keamanan O
pada O
sistem O
DataLab. O

Kajian O
Konversi O
Metadata O
berbasis O
Statistical O
Data O
and O
Metadata O
Exchange O
( O
SDMX O
) O
Latifa O
Ramadhani O
Jamal O
( O
221911099 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Lya O
Hulliyyatus O
Suadaa O
, O
SST. O
, O
MT. O
Ringkasan— O
BPS O
selaku O
pembina O
data O
statistik O
memiliki O
tugas O
untuk O
menetapkan O
struktur O
yang O
baku O
dan O
format O
baku O
dari O
metadata O
yang O
berlaku O
lintas O
instasi O
pusat O
dan O
atau O
daerah. O
Statistical B-METODE
Data I-METODE
and I-METODE
Metadata I-METODE
Exchange I-METODE
( I-METODE
SDMX I-METODE
) I-METODE
merupakan O
standarisasi O
format O
metadata O
yang O
telah O
ditetapkan O
oleh O
( O
ISO O
) O
untuk O
International O
Organisation O
keperluan O
pertukaran O
data O
dan O
metadata O
internasional. O
Namun O
saat O
ini O
, O
BPS O
belum O
menerapkan O
standar O
SDMX. O
Untuk O
itu O
dalam O
penelitian O
ini O
peneliti O
mengkaji O
sistem O
metadata O
berbasis O
SDMX O
untuk O
keperluan O
pertukaran O
data O
dan O
metadata O
BPS. O
Kata O
Kunci— O
SDMX O
, O
Metadata O
, O
Standar O
, O
Sistem. O
for O
Standadisation O
[SEP] O
Setelah O
mempertimbangkan O
hasil O
penelitian O
yang O
telah O
VII. O
dilakukan O
, O
maka O
dapat O
diambil O
kesimpulan O
sebagai O
berikut. O
• O
Penelitian O
ini O
berfokus O
pada O
konversi O
metadata O
berbasis O
Statistical O
Data O
and O
Metadata O
Exchange O
( O
SDMX O
) O
, O
sebuah O
standar O
format O
metadata O
yang O
telah O
ditetapkan O
oleh O
International O
Organisation O
for O
Standadisation O
( O
ISO O
) O
untuk O
pertukaran O
data O
dan O
metadata O
di O
tingkat O
internasional. O
Saat O
ini O
, O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
Indonesia O
belum O
mengadopsi O
standar O
ini. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
bertujuan O
untuk O
mengkaji O
penerapan O
sistem O
metadata O
berbasis O
SDMX O
dalam O
konteks O
pertukaran O
data O
dan O
metadata O
BPS. O
• O
Melalui O
analisis O
permasalahan O
, O
ditemukan O
bahwa O
publikasi O
data O
dan O
metadata O
pada O
situs O
web O
BPS O
belum O
memanfaatkan O
struktur O
dan O
standar O
global O
seperti O
SDMX. O
Hal O
ini O
mengakibatkan O
perbedaan O
format O
, O
struktur O
, O
dan O
skema O
data O
antara O
BPS O
dan O
kantor O
statistik O
lainnya O
, O
sehingga O
data O
tersebut O
sulit O
untuk O
dibandingkan. O
• O
Dalam O
konteks O
kebutuhan O
sistem O
, O
sistem O
konversi O
metadata O
berbasis O
SDMX O
harus O
mampu O
mengelola O
dan O
melakukan O
konversi O
data O
dan O
metadata O
ke O
standar O
SDMX O
, O
menampilkan O
data O
dan O
metadata O
berbasis O
SDMX O
, O
serta O
mengoptimalkan O
pertukaran O
data O
dan O
metadata O
melalui O
format O
yang O
lebih O
ringkas O
dan O
API O
yang O
lebih O
fleksibel. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
• O
Implementasi O
data O
dan O
metadata O
BPS O
dalam O
melakukan O
konversi O
ke O
SDMX O
melibatkan O
beberapa O
komponen O
utama O
, O
yaitu O
Concept O
Schemes O
, O
Codelist O
, O
dan O
DSD. O
Selain O
itu O
, O
penelitian O
ini O
juga O
membahas O
Fusion O
Metadata O
Registry O
entitas O
metadata O
yang O
memberikan O
arti O
semantik O
kepada O
Dimensi O
, O
Atribut O
, O
Ukuran O
, O
dan O
Atribut O
Metadata. O
( O
FMR O
) O
, O
sebuah O
• O
Secara O
keseluruhan O
, O
penelitian B-TEMUAN
ini I-TEMUAN
sudah I-TEMUAN
dapat I-TEMUAN
melakukan I-TEMUAN
mapping I-TEMUAN
dari I-TEMUAN
Information I-TEMUAN
Model I-TEMUAN
BPS I-TEMUAN
saat I-TEMUAN
ini I-TEMUAN
ke I-TEMUAN
standar I-TEMUAN
SDMX. I-TEMUAN
Penelitian O
ini O
menunjukkan O
bahwa O
penerapan O
SDMX O
di O
BPS O
dapat O
memberikan O
manfaat O
signifikan O
, O
termasuk O
proses O
pengumpulan O
, O
pertukaran O
, O
dan O
diseminasi O
data O
statistik O
, O
serta O
peningkatan O
kualitas O
dan O
konsistensi O
data. O
Namun O
, O
implementasi O
ini O
juga O
memerlukan O
perhatian O
khusus O
terhadap O
beberapa O
tantangan O
, O
termasuk O
perbedaan O
format O
, O
struktur O
, O
dan O
skema O
data O
antara O
BPS O
dan O
kantor O
statistik O
lainnya. O
peningkatan O
efisiensi O
dalam O
Adapun O
beberapa O
saran O
yang O
dapat O
diberikan O
peneliti O
untuk O
penelitian O
selanjutnya O
adalah O
sebagai O
berikut. O
• O
Penelitian O
ini O
hanya O
menggunakan O
beberapa O
metadata O
yang O
diberikan O
oleh O
tim O
MMS O
INDAH. O
Penelitian O
selanjutnya O
dapat O
menggunakan O
seluruh O
data O
dan O
metadata O
yang O
terdapat O
di O
BPS. O
• O
Penelitian O
ini O
belum O
mencakup O
pemanfaatan O
SDMX O
pada O
SDGs. O
Penelitian O
selanjutnya O
dapat O
meneliti O
lebih O
lanjut O
mengenai O
pemanfaatan O
SDMX O
untuk O
SDGs. O
• O
Mapping O
BPSIM O
ke O
SDMX O
masih O
dilakukan O
secara O
manual. O
Penelitian O
selanjutnya O
dapat O
mengembangkan O
program O
yang O
dapat O
melakukan O
automatisasi O
mapping O
dari O
seluruh O
data O
dan O
metadata O
BPS O
sehingga O
migrasi O
data O
dan O
metadata O
ke O
SDMX O
dapat O
tercapai. O
Development O
, O
" O

Kajian O
Konversi O
Metadata O
berbasis O
Statistical O
Data O
and O
Metadata O
Exchange O
( O
SDMX O
) O
Latifa O
Ramadhani O
Jamal O
( O
221911099 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Lya O
Hulliyyatus O
Suadaa O
, O
SST. O
, O
MT. O
Ringkasan— O
BPS O
selaku O
pembina O
data O
statistik O
memiliki O
tugas O
untuk O
menetapkan O
struktur O
yang O
baku O
dan O
format O
baku O
dari O
metadata O
yang O
berlaku O
lintas O
instasi O
pusat O
dan O
atau O
daerah. O
Statistical B-METODE
Data I-METODE
and I-METODE
Metadata I-METODE
Exchange I-METODE
( I-METODE
SDMX I-METODE
) I-METODE
merupakan O
standarisasi O
format O
metadata O
yang O
telah O
ditetapkan O
oleh O
( O
ISO O
) O
untuk O
International O
Organisation O
keperluan O
pertukaran O
data O
dan O
metadata O
internasional. O
Namun O
saat O
ini O
, O
BPS O
belum O
menerapkan O
standar O
SDMX. O
Untuk O
itu O
dalam O
penelitian O
ini O
peneliti O
mengkaji O
sistem O
metadata O
berbasis O
SDMX O
untuk O
keperluan O
pertukaran O
data O
dan O
metadata O
BPS. O
Kata O
Kunci— O
SDMX O
, O
Metadata O
, O
Standar O
, O
Sistem. O
for O
Standadisation O
[SEP] O
Setelah O
mempertimbangkan O
hasil O
penelitian O
yang O
telah O
VII. O
dilakukan O
, O
maka O
dapat O
diambil O
kesimpulan O
sebagai O
berikut. O
• O
Penelitian O
ini O
berfokus O
pada O
konversi O
metadata O
berbasis O
Statistical O
Data O
and O
Metadata O
Exchange O
( O
SDMX O
) O
, O
sebuah O
standar O
format O
metadata O
yang O
telah O
ditetapkan O
oleh O
International O
Organisation O
for O
Standadisation O
( O
ISO O
) O
untuk O
pertukaran O
data O
dan O
metadata O
di O
tingkat O
internasional. O
Saat O
ini O
, O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
Indonesia O
belum O
mengadopsi O
standar O
ini. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
bertujuan O
untuk O
mengkaji O
penerapan O
sistem O
metadata O
berbasis O
SDMX O
dalam O
konteks O
pertukaran O
data O
dan O
metadata O
BPS. O
• O
Melalui O
analisis O
permasalahan O
, O
ditemukan O
bahwa O
publikasi O
data O
dan O
metadata O
pada O
situs O
web O
BPS O
belum O
memanfaatkan O
struktur O
dan O
standar O
global O
seperti O
SDMX. O
Hal O
ini O
mengakibatkan O
perbedaan O
format O
, O
struktur O
, O
dan O
skema O
data O
antara O
BPS O
dan O
kantor O
statistik O
lainnya O
, O
sehingga O
data O
tersebut O
sulit O
untuk O
dibandingkan. O
• O
Dalam O
konteks O
kebutuhan O
sistem O
, O
sistem O
konversi O
metadata O
berbasis O
SDMX O
harus O
mampu O
mengelola O
dan O
melakukan O
konversi O
data O
dan O
metadata O
ke O
standar O
SDMX O
, O
menampilkan O
data O
dan O
metadata O
berbasis O
SDMX O
, O
serta O
mengoptimalkan O
pertukaran O
data O
dan O
metadata O
melalui O
format O
yang O
lebih O
ringkas O
dan O
API O
yang O
lebih O
fleksibel. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
• O
Implementasi O
data O
dan O
metadata O
BPS O
dalam O
melakukan O
konversi O
ke O
SDMX O
melibatkan O
beberapa O
komponen O
utama O
, O
yaitu O
Concept O
Schemes O
, O
Codelist O
, O
dan O
DSD. O
Selain O
itu O
, O
penelitian O
ini O
juga O
membahas O
Fusion O
Metadata O
Registry O
entitas O
metadata O
yang O
memberikan O
arti O
semantik O
kepada O
Dimensi O
, O
Atribut O
, O
Ukuran O
, O
dan O
Atribut O
Metadata. O
( O
FMR O
) O
, O
sebuah O
• O
Secara O
keseluruhan O
, O
penelitian B-TEMUAN
ini I-TEMUAN
sudah I-TEMUAN
dapat I-TEMUAN
melakukan I-TEMUAN
mapping I-TEMUAN
dari I-TEMUAN
Information I-TEMUAN
Model I-TEMUAN
BPS I-TEMUAN
saat I-TEMUAN
ini I-TEMUAN
ke I-TEMUAN
standar I-TEMUAN
SDMX. I-TEMUAN
Penelitian O
ini O
menunjukkan O
bahwa O
penerapan O
SDMX O
di O
BPS O
dapat O
memberikan O
manfaat O
signifikan O
, O
termasuk O
proses O
pengumpulan O
, O
pertukaran O
, O
dan O
diseminasi O
data O
statistik O
, O
serta O
peningkatan O
kualitas O
dan O
konsistensi O
data. O
Namun O
, O
implementasi O
ini O
juga O
memerlukan O
perhatian O
khusus O
terhadap O
beberapa O
tantangan O
, O
termasuk O
perbedaan O
format O
, O
struktur O
, O
dan O
skema O
data O
antara O
BPS O
dan O
kantor O
statistik O
lainnya. O
peningkatan O
efisiensi O
dalam O
Adapun O
beberapa O
saran O
yang O
dapat O
diberikan O
peneliti O
untuk O
penelitian O
selanjutnya O
adalah O
sebagai O
berikut. O
• O
Penelitian O
ini O
hanya O
menggunakan O
beberapa O
metadata O
yang O
diberikan O
oleh O
tim O
MMS O
INDAH. O
Penelitian O
selanjutnya O
dapat O
menggunakan O
seluruh O
data O
dan O
metadata O
yang O
terdapat O
di O
BPS. O
• O
Penelitian O
ini O
belum O
mencakup O
pemanfaatan O
SDMX O
pada O
SDGs. O
Penelitian O
selanjutnya O
dapat O
meneliti O
lebih O
lanjut O
mengenai O
pemanfaatan O
SDMX O
untuk O
SDGs. O
• O
Mapping O
BPSIM O
ke O
SDMX O
masih O
dilakukan O
secara O
manual. O
Penelitian O
selanjutnya O
dapat O
mengembangkan O
program O
yang O
dapat O
melakukan O
automatisasi O
mapping O
dari O
seluruh O
data O
dan O
metadata O
BPS O
sehingga O
migrasi O
data O
dan O
metadata O
ke O
SDMX O
dapat O
tercapai. O
Development O
, O
" O

Automated O
Essay O
Scoring O
Menggunakan O
Semantic O
Textual O
Similarity O
Berbasis O
Transformer O
untuk O
Penilaian O
Ujian O
Esai O
Politeknik O
Statistika O
STIS O
Kharisma O
Ayu O
Pradani O
( O
221911095 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Lya O
Hulliyyatus O
Suadaa O
, O
S.ST. O
, O
M.T. O
Ringkasan— O
Ujian O
esai O
seringkali O
digunakan O
untuk O
menguji O
pemahaman O
siswa O
menyelesaikan O
permasalahan O
, O
begitu O
pula O
di O
jawaban O
esai O
, O
Politeknik O
Statistika O
STIS. O
Dalam O
menilai O
dibutuhkan O
waktu O
dan O
tenaga O
yang O
besar O
, O
serta O
sering O
menimbulkan O
ketidakkonsistenan O
dalam O
penilaian. O
Ini O
terjadi O
karena O
perbedaan O
cara O
penilaian O
yang O
dilakukan O
oleh O
penilai. O
Diperlukan O
penyelesaian O
yang O
bisa O
mengefektifkan O
waktu O
, O
tenaga O
serta O
menjaga O
kekonsistenan O
penilaian O
, O
diantaranya O
yaitu O
dengan O
automated O
essay O
scoring O
( O
AES O
) O
. O
AES O
merupakan O
suatu O
model O
yang O
dilatih O
untuk O
menilai O
suatu O
esai O
secara O
otomatis O
berdasarkan O
kemiripan O
jawaban O
dengan O
kunci O
jawaban. O
Pada O
penelitian O
ini O
, O
metode O
yang O
diusulkan O
untuk O
menghitung O
kemiripan O
semantik O
teks O
berbahasa O
Indonesia O
antara O
jawaban O
esai O
dan O
kunci O
jawabannya O
yaitu O
model O
berbasis O
Transformer O
IndoBERT. O
Sebagai O
baseline O
, O
digunakan O
teknik O
ekstraksi O
fitur O
Term O
Frequency O
- O
Inverse O
Document O
Frequency O
( O
TF-IDF O
) O
dan O
penghitungan O
kemiripan O
fitur O
menggunakan O
cosine O
similarity O
dan O
linear O
regression. O
Berdasarkan O
hasil O
evaluasi O
, O
diperoleh O
bahwa O
model B-TEMUAN
fine-tuned I-TEMUAN
IndoBERT I-TEMUAN
merupakan I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
MAE I-TEMUAN
dan I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
0.1285 I-TEMUAN
dan I-TEMUAN
0.2001. I-TEMUAN
Model O
terbaik O
tersebut O
diimplementasikan O
dengan O
menggunakan O
framework O
Flask O
pada O
Python O
ke O
dalam O
website O
interaktif O
sederhana. O
Kata O
Kunci— O
Automated O
essay O
scoring O
( O
AES O
) O
, O
Semantic O
textual O
similarity O
, O
Transformer O
, O
IndoBERT O
[SEP] O
Berdasarkan O
hasil O
penelitian O
, O
dapat O
disimpulkan O
bahwa O
dataset O
telah O
berhasil O
dibangun O
dengan O
melakukan O
proses O
perekaman O
esai O
, O
kunci O
jawaban O
, O
dan O
nilai O
pada O
lembar O
jawaban O
mahasiswa. O
Kemudian O
telah O
dibangun O
model O
berbasis O
Transformer O
menggunakan O
fine-tuned O
IndoBERT O
untuk O
menghitung O
semantic O
textual O
similarity O
dan O
model O
pembanding O
dengan O
TF-IDF O
yang O
dikombinasikan O
dengan O
cosine O
similarity O
dan O
linear O
regression. O
Dari O
ketiga O
model O
tersebut O
, O
diperoleh O
bahwa O
model O
fine-tuned O
IndoBERT O
merupakan O
model O
terbaik O
yang O
dapat O
diaplikasikan O
untuk O
menilai O
esai O
secara O
otomatis O
pada O
ujian O
esai O
di O
Politeknik O
Statistika O
STIS. O
Dari O
model O
terbaik O
tersebut O
, O
telah O
berhasil O
diimplementasikan O
ke O
dalam O
bentuk O
website O
interaktif O
sederhana O
dan O
dapat O
digunakan O
untuk O
melakukan O
esai O
otomatis. O
Adapun O
saran O
untuk O
penelitian O
selanjutnya O
, O
yang O
pertama O
adalah O
bisa O
mengintegrasikan O
model O
AES O
dengan O
optical O
character O
recognition O
( O
OCR O
) O
untuk O
mengenali O
tulisan O
tangan O
mahasiswa O
dan O
mengubahnya O
menjadi O
format O
yang O
dapat O
diproses O
oleh O
model. O
Saran O
kedua O
, O
dengan O
memperluas O
batasan O
bentuk O
esai O
yang O
bisa O
diproses O
sehingga O
tidak O
terbatas O
pada O
esai O
berbahasa O
Indonesia O
tanpa O
melibatkan O
rumus O
atau O
hitungan. O
Saran O
ketiga O
, O
pembangunan O
website O
untuk O
implementasi O
model O
AES O
dikembangkan O
lebih O
lanjut O
sesuai O
dengan O
kebutuhan O
dan O
tujuan O
pengimplementasian O
dengan O
melakukan O
proses O
pembangunan O
sistem O
website O
yang O
sesuai O
dengan O
standar O
pembangunan O
suatu O
sistem. O

Strategi O
Pengembangan O
Open O
Access O
Institutional O
Repository O
Politeknik O
Statistika O
STIS O
Nelson O
Mordehai O
Samosir O
( O
221911080 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph. O
D. O
Ringkasan— O
Perkembangan O
institutional O
repository O
telah O
lama O
menjadi O
perhatian O
di O
kalangan O
akademisi O
terutama O
perguruan O
tinggi. O
Institutional O
repository O
adalah O
bentuk O
perpustakaan O
digital O
yang O
mengumpulkan O
hasil O
penelitian O
dan O
karya O
intelektual O
lain O
yang O
berasal O
dari O
suatu O
institusi. O
Sebagai O
suatu O
institusi O
di O
bidang O
sebuah O
akademik O
, O
Politeknik O
Statistika O
STIS O
memiliki O
institutional O
repository O
yaitu O
REPO.STIS. O
Namun O
, O
belum O
ada O
pengukuran O
atau O
peninjauan O
kualitas O
dari O
REPO.STIS. O
Penelitian O
ini O
mencoba O
mengukur O
kualitas O
dari O
REPO.STIS O
berdasarkan O
persepsi O
dan O
harapan O
penggunanya O
menggunakan O
gap B-METODE
analysis I-METODE
dan O
importance-performance B-METODE
analysis. I-METODE
Hasil O
dari O
penelitian O
ini O
menunjukkan O
bahwa O
kinerja B-TEMUAN
REPO.STIS I-TEMUAN
masih I-TEMUAN
berada I-TEMUAN
di I-TEMUAN
bawah I-TEMUAN
kinerja I-TEMUAN
ideal I-TEMUAN
suatu I-TEMUAN
institutional I-TEMUAN
repository I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
dilihat I-TEMUAN
dari I-TEMUAN
perolehan I-TEMUAN
nilai I-TEMUAN
performance I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
rendah I-TEMUAN
dibanding I-TEMUAN
importance-nya. I-TEMUAN
Setelah O
dilakukan O
plottingan O
ke O
dalam O
kuadran O
analisis O
IPA O
, O
diperoleh O
sebaran O
indikator O
yang O
perlu O
dievaluasi O
berdasarkan O
perolehan O
nilai O
tingkat O
importance O
dan O
performance-nya. O
Kata O
Kunci— O
institutional O
repository O
, O
gap O
analysis O
, O
importance- O
performance O
analysis O
, O
STIS. O
[SEP] O
Berdasarkan O
penelitian O
yang O
sudah O
dilakukan O
, O
dapat O
diambil O
kesimpulan O
sebagai O
berikut. O
1. O
Indikator O
yang O
digunakan O
dalam O
penelitian O
ini O
yaitu O
usability O
, O
information O
quality O
, O
service O
, O
resource O
dan O
self O
archive-practices O
dan O
reliabilitasnya O
berdasarkan O
uji O
yang O
telah O
dilakukan. O
Hal O
ini O
menunjukkan O
bahwa O
indikator O
yang O
digunakan O
memenuhi O
asumsi O
untuk O
digunakan O
dalam O
melakukan O
analisis O
selanjutnya. O
validitas O
terbukti O
telah O
2. O
Gap O
analysis O
yang O
dilakukan O
menunjukkan O
bahwa O
secara O
keseluruhan O
, O
REPO.STIS B-TEMUAN
belum I-TEMUAN
memenuhi I-TEMUAN
ekspektasi I-TEMUAN
dan I-TEMUAN
harapan I-TEMUAN
dari I-TEMUAN
penggunanya I-TEMUAN
berdasarkan I-TEMUAN
indikator-indikator I-TEMUAN
yang I-TEMUAN
digunakan. I-TEMUAN
Selanjutnya O
, O
dengan O
melakukan O
uji O
paired O
sample O
t-test O
dapat O
dilihat O
indikator-indikator O
yang O
berpengaruh O
signifikan O
antara O
importance O
dan O
performance-nya O
menurut O
persepsi O
pengguna. O
Importance-Performance O
Analysis O
( O
IPA O
) O
yang O
telah O
dilakukan O
menunjukkan O
klasifikasi O
indikator-indikator O
berdasarkan O
tingkat O
importance O
dan O
performance-nya O
ke O
dalam O
empat O
kuadran. O
Dari O
empat O
kuadran O
ini O
dapat O
ditentukan O
prioritas O
perbaikan O
dan O
pengembangan O
pada O
REPO.STIS O
terkhusus O
pada O
indikator O
yang O
terdapat O
pada O
kuadran O
II. O
3. O
Penelitian O
yang O
dilakukan O
ini O
masih O
jauh O
dari O
sempurna. O
Banyak O
hal O
yang O
dapat O
dikembangkan O
dan O
diperbaiki O
seperti O
melakukan O
penambahan O
jumlah O
sampel O
untuk O
meningkatkan O
representatifitas O
data O
, O
penambahan O
indikator-indikator O
lain O
untuk O
mengukur O
kualitas O
suatu O
institutional O
repository O
, O
penggunaan O
atau O
pengembangan O
metode O
dan O
analisis O
lainnya O
agar O
dapat O
mengukur O
kinerja O
suatu O
institutional O
repository O
dengan O
lebih O
baik O
lagi. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O

Strategi O
Pengembangan O
Open O
Access O
Institutional O
Repository O
Politeknik O
Statistika O
STIS O
Nelson O
Mordehai O
Samosir O
( O
221911080 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph. O
D. O
Ringkasan— O
Perkembangan O
institutional O
repository O
telah O
lama O
menjadi O
perhatian O
di O
kalangan O
akademisi O
terutama O
perguruan O
tinggi. O
Institutional O
repository O
adalah O
bentuk O
perpustakaan O
digital O
yang O
mengumpulkan O
hasil O
penelitian O
dan O
karya O
intelektual O
lain O
yang O
berasal O
dari O
suatu O
institusi. O
Sebagai O
suatu O
institusi O
di O
bidang O
sebuah O
akademik O
, O
Politeknik O
Statistika O
STIS O
memiliki O
institutional O
repository O
yaitu O
REPO.STIS. O
Namun O
, O
belum O
ada O
pengukuran O
atau O
peninjauan O
kualitas O
dari O
REPO.STIS. O
Penelitian O
ini O
mencoba O
mengukur O
kualitas O
dari O
REPO.STIS O
berdasarkan O
persepsi O
dan O
harapan O
penggunanya O
menggunakan O
gap B-METODE
analysis I-METODE
dan O
importance-performance B-METODE
analysis. I-METODE
Hasil O
dari O
penelitian O
ini O
menunjukkan O
bahwa O
kinerja B-TEMUAN
REPO.STIS I-TEMUAN
masih I-TEMUAN
berada I-TEMUAN
di I-TEMUAN
bawah I-TEMUAN
kinerja I-TEMUAN
ideal I-TEMUAN
suatu I-TEMUAN
institutional I-TEMUAN
repository I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
dilihat I-TEMUAN
dari I-TEMUAN
perolehan I-TEMUAN
nilai I-TEMUAN
performance I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
rendah I-TEMUAN
dibanding I-TEMUAN
importance-nya. I-TEMUAN
Setelah O
dilakukan O
plottingan O
ke O
dalam O
kuadran O
analisis O
IPA O
, O
diperoleh O
sebaran O
indikator O
yang O
perlu O
dievaluasi O
berdasarkan O
perolehan O
nilai O
tingkat O
importance O
dan O
performance-nya. O
Kata O
Kunci— O
institutional O
repository O
, O
gap O
analysis O
, O
importance- O
performance O
analysis O
, O
STIS. O
[SEP] O
Berdasarkan O
penelitian O
yang O
sudah O
dilakukan O
, O
dapat O
diambil O
kesimpulan O
sebagai O
berikut. O
1. O
Indikator O
yang O
digunakan O
dalam O
penelitian O
ini O
yaitu O
usability O
, O
information O
quality O
, O
service O
, O
resource O
dan O
self O
archive-practices O
dan O
reliabilitasnya O
berdasarkan O
uji O
yang O
telah O
dilakukan. O
Hal O
ini O
menunjukkan O
bahwa O
indikator O
yang O
digunakan O
memenuhi O
asumsi O
untuk O
digunakan O
dalam O
melakukan O
analisis O
selanjutnya. O
validitas O
terbukti O
telah O
2. O
Gap O
analysis O
yang O
dilakukan O
menunjukkan O
bahwa O
secara O
keseluruhan O
, O
REPO.STIS B-TEMUAN
belum I-TEMUAN
memenuhi I-TEMUAN
ekspektasi I-TEMUAN
dan I-TEMUAN
harapan I-TEMUAN
dari I-TEMUAN
penggunanya I-TEMUAN
berdasarkan I-TEMUAN
indikator-indikator I-TEMUAN
yang I-TEMUAN
digunakan. I-TEMUAN
Selanjutnya O
, O
dengan O
melakukan O
uji O
paired O
sample O
t-test O
dapat O
dilihat O
indikator-indikator O
yang O
berpengaruh O
signifikan O
antara O
importance O
dan O
performance-nya O
menurut O
persepsi O
pengguna. O
Importance-Performance O
Analysis O
( O
IPA O
) O
yang O
telah O
dilakukan O
menunjukkan O
klasifikasi O
indikator-indikator O
berdasarkan O
tingkat O
importance O
dan O
performance-nya O
ke O
dalam O
empat O
kuadran. O
Dari O
empat O
kuadran O
ini O
dapat O
ditentukan O
prioritas O
perbaikan O
dan O
pengembangan O
pada O
REPO.STIS O
terkhusus O
pada O
indikator O
yang O
terdapat O
pada O
kuadran O
II. O
3. O
Penelitian O
yang O
dilakukan O
ini O
masih O
jauh O
dari O
sempurna. O
Banyak O
hal O
yang O
dapat O
dikembangkan O
dan O
diperbaiki O
seperti O
melakukan O
penambahan O
jumlah O
sampel O
untuk O
meningkatkan O
representatifitas O
data O
, O
penambahan O
indikator-indikator O
lain O
untuk O
mengukur O
kualitas O
suatu O
institutional O
repository O
, O
penggunaan O
atau O
pengembangan O
metode O
dan O
analisis O
lainnya O
agar O
dapat O
mengukur O
kinerja O
suatu O
institutional O
repository O
dengan O
lebih O
baik O
lagi. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O

Pemetaan O
Kerentanan O
DBD O
Berdasarkan O
Tempat O
Perkembangbiakan O
Nyamuk O
Menggunakan O
Google O
Street O
View O
Images O
Studi O
Kasus O
: O
Provinsi O
DKI O
Jakarta O
Renata O
Putri O
Henessa O
( O
221911079 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
, O
M.Si O
tahun O
Indonesia O
selama O
empat O
Ringkasan— O
Demam O
berdarah O
adalah O
ancaman O
kesehatan O
serius O
yang O
cepat O
menyebar. O
Indonesia O
berada O
di O
peringkat O
kedua O
di O
Asia O
dalam O
jumlah O
kasus O
demam O
berdarah O
, O
setelah O
India. O
Provinsi O
DKI O
Jakarta O
salah O
satu O
provinsi O
dengan O
kasus O
tertinggi O
di O
terakhir. O
Meskipun O
pengendalian O
nyamuk O
menjadi O
kunci O
dalam O
pencegahan O
dan O
pengendalian O
demam O
berdarah O
, O
upaya O
yang O
telah O
dilakukan O
di O
Jakarta O
masih O
belum O
optimal. O
Solusi O
yang O
dapat O
diterapkan O
adalah O
menggunakan O
Google O
Street O
View O
dan O
metode O
klastering O
untuk O
mengidentifikasi O
wilayah O
rentan. O
Google O
Street O
View O
menunjukkan O
bahwa O
pot O
tanaman O
adalah O
objek O
yang O
sering O
ditemukan O
di O
ruang O
terbuka O
di O
Jakarta O
, O
dan O
diperlukan O
langkah O
preventif O
untuk O
mengurangi O
keberadaannya. O
Metode B-METODE
klastering I-METODE
menggunakan O
algoritma O
k-means O
dan O
fuzzy O
c-means O
dengan O
klaster O
2 O
, O
3 O
, O
dan O
4. O
Hasil O
analisis O
menunjukkan O
bahwa O
k-means O
terbaik O
dalam O
dengan O
mengidentifikasi O
wilayah O
rentan O
di O
Jakarta. O
Penggunaan O
Google O
Street O
View O
dan O
metode O
klastering O
ini O
dapat O
memberikan O
panduan O
untuk O
merencanakan O
strategi O
pengendalian O
yang O
lebih O
efektif. O
Dengan O
memanfaatkan O
Google O
Street O
View O
sebagai O
sumber O
data O
alternatif O
, O
pemetaan O
tingkat O
kerentanan O
dan O
pemahaman O
tentang O
persebaran O
nyamuk O
dapat O
ditingkatkan O
di O
Provinsi O
DKI O
Jakarta. O
Kata O
Kunci— O
demam O
berdarah O
, O
Google O
Street O
View O
, O
klastering O
, O
2 O
klaster O
memberikan O
hasil O
DKI O
Jakarta O
[SEP] O
1. O
Kesimpulan O
Tujuan O
penelitian O
pertama O
telah O
tercapai O
dengan O
menggunakan O
teknologi O
GSV O
untuk O
melihat O
persebaran O
dan O
perkembangan O
nyamuk O
di O
Provinsi O
DKI O
Jakarta. O
tanaman O
Hasil O
analisis O
menunjukkan O
bahwa O
pot O
7 O
/ O
9 O
merupakan O
objek O
paling O
sering O
ditemukan O
pada O
ruang O
terbuka O
di O
Jakarta. O
Hasil O
ini O
konsisten O
dengan O
fakta O
bahwa O
wadah O
pot O
tanaman O
dapat O
menjadi O
tempat O
berkembang O
biak O
vektor O
penyakit O
[ O
4 O
] O
. O
Maka O
dari O
itu O
, O
diperlukannya O
tindakan O
preventif O
yang O
tepat O
untuk O
mengurangi O
keberadaan O
objek-objek O
tersebut O
di O
lingkungan. O
Kemudian O
, O
tujuan O
penelitian O
kedua O
juga O
tercapai O
dengan O
menggunakan O
algoritma O
klastering O
k- O
means O
dan O
FCM O
untuk O
mengelompokkan O
kecamatan- O
kecamatan O
di O
Jakarta O
berdasarkan O
tingkat O
kerentanan O
penyakit O
DBD. O
Dalam O
keseluruhan O
analisis O
, O
dapat O
disimpulkan O
bahwa O
penggunaan B-TEMUAN
GSV I-TEMUAN
sebagai I-TEMUAN
sumber I-TEMUAN
data I-TEMUAN
alternatif I-TEMUAN
dan I-TEMUAN
metode I-TEMUAN
klastering I-TEMUAN
dapat I-TEMUAN
memberikan I-TEMUAN
kontribusi I-TEMUAN
yang I-TEMUAN
positif I-TEMUAN
dalam I-TEMUAN
pemetaan I-TEMUAN
tingkat I-TEMUAN
kerentanan I-TEMUAN
penyakit I-TEMUAN
terhadap I-TEMUAN
persebaran I-TEMUAN
serta O
DBD O
dan O
pemahaman O
perkembangan O
nyamuk O
di O
Provinsi O
DKI O
Jakarta. O
ini O
dapat O
memberikan O
Diharapkan O
hasil O
analisis O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
masukan O
bagi O
pihak O
terkait O
dalam O
merencanakan O
program O
pengendalian O
penyakit O
DBD O
yang O
lebih O
efektif O
dan O
efisien O
di O
Jakarta. O
2. O
Saran O
- O
Terdapat O
indikasi O
efek O
spasial O
pada O
hasil O
cluster O
, O
sehingga O
disarankan O
melakukan O
analisis O
spasial O
untuk O
penelitian O
selanjutnya. O
Perkecil O
interval O
jarak O
pengambilan O
gambar O
GSV O
dari O
150m O
menjadi O
50m O
untuk O
mendapatkan O
detail O
yang O
lebih O
tinggi O
pada O
wilayah O
penelitian. O
- O
- O
Tambahkan O
variabel-variabel O
lain O
yang O
dapat O
mempengaruhi O
perkembangbiakan O
nyamuk O
dan O
tingkat O
kerentanan O
DBD O
seperti O
keberadaan O
ruang O
terbuka O
hijau O
, O
dan O
faktor O
sosial O
ekonomi. O
Perluas O
cakupan O
wilayah O
penelitian O
untuk O
memberikan O
manfaat O
yang O
lebih O
luas O
bagi O
upaya O
pencegahan O
dan O
pengendalian O
DBD O
di O
Indonesia. O
- O
TABEL O
2 O
UJI O
NORMALITAS O
, O
HOMOGENITAS O
DAN O
HASIL O
UJI O
T-TEST O
DAN O
MANN O
WHITNEY O
Variabel O
Uji O
K-Means O
2 O
cluster O
Normalitas O
Homogenitas O
Hasil O
uji O
p-value O
hasil O
uji O
Signifikansi O
( O
1 O
) O
( O
2 O
) O
( O
3 O
) O
( O
4 O
) O
Pottedplant O
Tidak O
Normal O
Homogen O
Mann-Whitney O
Tire O
Bucket O
Bin O
Bowl O
Jar O
Vase O
Cup O
Normal O
Normal O
Normal O
Heterogen O
Mann-Whitney O
Heterogen O
Mann-Whitney O
Homogen O
T-test O
Tidak O
Normal O
Heterogen O
Mann-Whitney O
Normal O
Normal O
Normal O
Heterogen O
Mann-Whitney O
Homogen O
Homogen O
T-test O
T-test O
Kasus O
DBD O
Tidak O
Normal O
Heterogen O
Mann-Whitney O
( O
5 O
) O
0,0000 O
0,0000 O
0,0000 O
0,0000 O
0,0000 O
0,0000 O
0,0048 O
0,0003 O
0,0117 O
( O
6 O
) O
Signifikan O
Signifikan O
Signifikan O
Signifikan O
Signifikan O
Signifikan O
Signifikan O
Signifikan O
Signifikan O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O

Pemetaan O
Kerentanan O
DBD O
Berdasarkan O
Tempat O
Perkembangbiakan O
Nyamuk O
Menggunakan O
Google O
Street O
View O
Images O
Studi O
Kasus O
: O
Provinsi O
DKI O
Jakarta O
Renata O
Putri O
Henessa O
( O
221911079 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
, O
M.Si O
tahun O
Indonesia O
selama O
empat O
Ringkasan— O
Demam O
berdarah O
adalah O
ancaman O
kesehatan O
serius O
yang O
cepat O
menyebar. O
Indonesia O
berada O
di O
peringkat O
kedua O
di O
Asia O
dalam O
jumlah O
kasus O
demam O
berdarah O
, O
setelah O
India. O
Provinsi O
DKI O
Jakarta O
salah O
satu O
provinsi O
dengan O
kasus O
tertinggi O
di O
terakhir. O
Meskipun O
pengendalian O
nyamuk O
menjadi O
kunci O
dalam O
pencegahan O
dan O
pengendalian O
demam O
berdarah O
, O
upaya O
yang O
telah O
dilakukan O
di O
Jakarta O
masih O
belum O
optimal. O
Solusi O
yang O
dapat O
diterapkan O
adalah O
menggunakan O
Google O
Street O
View O
dan O
metode O
klastering O
untuk O
mengidentifikasi O
wilayah O
rentan. O
Google O
Street O
View O
menunjukkan O
bahwa O
pot O
tanaman O
adalah O
objek O
yang O
sering O
ditemukan O
di O
ruang O
terbuka O
di O
Jakarta O
, O
dan O
diperlukan O
langkah O
preventif O
untuk O
mengurangi O
keberadaannya. O
Metode B-METODE
klastering I-METODE
menggunakan O
algoritma O
k-means O
dan O
fuzzy O
c-means O
dengan O
klaster O
2 O
, O
3 O
, O
dan O
4. O
Hasil O
analisis O
menunjukkan O
bahwa O
k-means O
terbaik O
dalam O
dengan O
mengidentifikasi O
wilayah O
rentan O
di O
Jakarta. O
Penggunaan O
Google O
Street O
View O
dan O
metode O
klastering O
ini O
dapat O
memberikan O
panduan O
untuk O
merencanakan O
strategi O
pengendalian O
yang O
lebih O
efektif. O
Dengan O
memanfaatkan O
Google O
Street O
View O
sebagai O
sumber O
data O
alternatif O
, O
pemetaan O
tingkat O
kerentanan O
dan O
pemahaman O
tentang O
persebaran O
nyamuk O
dapat O
ditingkatkan O
di O
Provinsi O
DKI O
Jakarta. O
Kata O
Kunci— O
demam O
berdarah O
, O
Google O
Street O
View O
, O
klastering O
, O
2 O
klaster O
memberikan O
hasil O
DKI O
Jakarta O
[SEP] O
1. O
Kesimpulan O
Tujuan O
penelitian O
pertama O
telah O
tercapai O
dengan O
menggunakan O
teknologi O
GSV O
untuk O
melihat O
persebaran O
dan O
perkembangan O
nyamuk O
di O
Provinsi O
DKI O
Jakarta. O
tanaman O
Hasil O
analisis O
menunjukkan O
bahwa O
pot O
7 O
/ O
9 O
merupakan O
objek O
paling O
sering O
ditemukan O
pada O
ruang O
terbuka O
di O
Jakarta. O
Hasil O
ini O
konsisten O
dengan O
fakta O
bahwa O
wadah O
pot O
tanaman O
dapat O
menjadi O
tempat O
berkembang O
biak O
vektor O
penyakit O
[ O
4 O
] O
. O
Maka O
dari O
itu O
, O
diperlukannya O
tindakan O
preventif O
yang O
tepat O
untuk O
mengurangi O
keberadaan O
objek-objek O
tersebut O
di O
lingkungan. O
Kemudian O
, O
tujuan O
penelitian O
kedua O
juga O
tercapai O
dengan O
menggunakan O
algoritma O
klastering O
k- O
means O
dan O
FCM O
untuk O
mengelompokkan O
kecamatan- O
kecamatan O
di O
Jakarta O
berdasarkan O
tingkat O
kerentanan O
penyakit O
DBD. O
Dalam O
keseluruhan O
analisis O
, O
dapat O
disimpulkan O
bahwa O
penggunaan B-TEMUAN
GSV I-TEMUAN
sebagai I-TEMUAN
sumber I-TEMUAN
data I-TEMUAN
alternatif I-TEMUAN
dan I-TEMUAN
metode I-TEMUAN
klastering I-TEMUAN
dapat I-TEMUAN
memberikan I-TEMUAN
kontribusi I-TEMUAN
yang I-TEMUAN
positif I-TEMUAN
dalam I-TEMUAN
pemetaan I-TEMUAN
tingkat I-TEMUAN
kerentanan I-TEMUAN
penyakit I-TEMUAN
terhadap I-TEMUAN
persebaran I-TEMUAN
serta O
DBD O
dan O
pemahaman O
perkembangan O
nyamuk O
di O
Provinsi O
DKI O
Jakarta. O
ini O
dapat O
memberikan O
Diharapkan O
hasil O
analisis O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
masukan O
bagi O
pihak O
terkait O
dalam O
merencanakan O
program O
pengendalian O
penyakit O
DBD O
yang O
lebih O
efektif O
dan O
efisien O
di O
Jakarta. O
2. O
Saran O
- O
Terdapat O
indikasi O
efek O
spasial O
pada O
hasil O
cluster O
, O
sehingga O
disarankan O
melakukan O
analisis O
spasial O
untuk O
penelitian O
selanjutnya. O
Perkecil O
interval O
jarak O
pengambilan O
gambar O
GSV O
dari O
150m O
menjadi O
50m O
untuk O
mendapatkan O
detail O
yang O
lebih O
tinggi O
pada O
wilayah O
penelitian. O
- O
- O
Tambahkan O
variabel-variabel O
lain O
yang O
dapat O
mempengaruhi O
perkembangbiakan O
nyamuk O
dan O
tingkat O
kerentanan O
DBD O
seperti O
keberadaan O
ruang O
terbuka O
hijau O
, O
dan O
faktor O
sosial O
ekonomi. O
Perluas O
cakupan O
wilayah O
penelitian O
untuk O
memberikan O
manfaat O
yang O
lebih O
luas O
bagi O
upaya O
pencegahan O
dan O
pengendalian O
DBD O
di O
Indonesia. O
- O
TABEL O
2 O
UJI O
NORMALITAS O
, O
HOMOGENITAS O
DAN O
HASIL O
UJI O
T-TEST O
DAN O
MANN O
WHITNEY O
Variabel O
Uji O
K-Means O
2 O
cluster O
Normalitas O
Homogenitas O
Hasil O
uji O
p-value O
hasil O
uji O
Signifikansi O
( O
1 O
) O
( O
2 O
) O
( O
3 O
) O
( O
4 O
) O
Pottedplant O
Tidak O
Normal O
Homogen O
Mann-Whitney O
Tire O
Bucket O
Bin O
Bowl O
Jar O
Vase O
Cup O
Normal O
Normal O
Normal O
Heterogen O
Mann-Whitney O
Heterogen O
Mann-Whitney O
Homogen O
T-test O
Tidak O
Normal O
Heterogen O
Mann-Whitney O
Normal O
Normal O
Normal O
Heterogen O
Mann-Whitney O
Homogen O
Homogen O
T-test O
T-test O
Kasus O
DBD O
Tidak O
Normal O
Heterogen O
Mann-Whitney O
( O
5 O
) O
0,0000 O
0,0000 O
0,0000 O
0,0000 O
0,0000 O
0,0000 O
0,0048 O
0,0003 O
0,0117 O
( O
6 O
) O
Signifikan O
Signifikan O
Signifikan O
Signifikan O
Signifikan O
Signifikan O
Signifikan O
Signifikan O
Signifikan O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O

Pembangunan O
Super O
Apps O
Berbasis O
Mobile O
Studi O
kasus O
Badan O
Pusat O
Statistik O
Rifki O
Arya O
Farezi O
( O
221911077 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
SST. O
, O
M.T O
kebingungan O
Ringkasan— O
Menurut O
Kementerian O
Komunikasi O
dan O
Informatika O
, O
penggunaan O
smartphone O
di O
Indonesia O
pada O
tahun O
2021 O
mencapai O
167 O
juta O
pengguna. O
Aplikasi O
berbasis O
mobile O
juga O
tumbuh O
sangat O
pesat. O
Kelebihan O
yang O
ditawarkan O
aplikasi O
mobile O
menyebabkan O
semua O
sektor O
memanfaatkannya O
Adanya O
pandemi O
covid-19 O
, O
kebijakan O
Flexible O
Working O
Arrangement O
( O
FWA O
) O
dan O
konsep O
society O
5.0 O
menyebabkan O
aplikasi O
mobile O
menjadi O
salah O
satu O
hal O
yang O
penting O
bagi O
instansi O
pemerintahan O
pada O
era O
sekarang. O
Dalam O
melancarkan O
pekerjaannya O
, O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
memiliki O
banyak O
aplikasi O
mobile. O
Namun O
semakin O
banyaknya O
aplikasi O
mobile O
yang O
dimiliki O
BPS O
serta O
menyebabkan O
menimbulkan O
masalah O
penyimpanan O
yang O
penuh. O
Penelitian O
ini O
bertujuan O
untuk O
membangun B-TUJUAN
sebuah I-TUJUAN
Super I-TUJUAN
Apps I-TUJUAN
berbasis I-TUJUAN
mobile I-TUJUAN
yang I-TUJUAN
mengintegrasikan I-TUJUAN
Apps I-TUJUAN
aplikasi-aplikasi I-TUJUAN
tunggal I-TUJUAN
tersebut. I-TUJUAN
Pengembangan O
aplikasi O
super O
di O
lingkungan O
BPS O
dilakukan O
dengan O
metode B-METODE
SDLC I-METODE
model I-METODE
RAD I-METODE
lalu O
diuji O
dengan O
3 O
metode O
, O
yaitu O
black B-METODE
box I-METODE
testing I-METODE
, I-METODE
performance I-METODE
testing I-METODE
, I-METODE
dan I-METODE
usability I-METODE
testing. I-METODE
Hasilnya O
, O
BPS B-TEMUAN
Apps I-TEMUAN
menghasilkan I-TEMUAN
ukuran I-TEMUAN
aplikasi I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
kecil I-TEMUAN
dibandingkan I-TEMUAN
total I-TEMUAN
ukuran I-TEMUAN
aplikasi-aplikasi I-TEMUAN
tunggal. I-TEMUAN
Namun O
, O
BPS O
Apps O
masih O
belum O
dapat O
mengefektifkan O
penggunaan O
CPU O
dan O
memory O
usage O
jika O
dibandingkan O
dengan O
masing-masing O
aplikasi O
tunggal. O
Terakhir O
, O
BPS O
Apps O
memperoleh O
nilai O
usabilitas O
sebesar O
75,05 O
% O
dan O
termasuk O
kategori O
layak. O
Begitu O
pula O
dengan O
masing-masing O
dimensi O
yang O
memperoleh O
kategori O
layak. O
bernama O
pegawai O
para O
BPS O
bagi O
Kata O
Kunci— O
Smartphone O
, O
Aplikasi O
Mobile O
, O
BPS O
, O
Super O
Apps O
, O
RAD O
[SEP] O
Berdasarkan O
hasil O
penelitian O
, O
kesimpulan O
yang O
dapat O
diambil O
yaitu O
pembangunan B-TEMUAN
aplikasi I-TEMUAN
BPS I-TEMUAN
Apps I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dilakukan I-TEMUAN
dan I-TEMUAN
berjalan I-TEMUAN
cukup I-TEMUAN
sesuai I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
Hal O
ini O
dibuktikan O
dari O
pengujian O
black O
box O
yang O
sebagian O
besar O
test O
case O
valid. O
Kemudian O
dari O
hasil O
pengujian O
performance O
dengan O
bantuan O
aplikasi O
Apptim O
, O
diperoleh O
bahwa O
BPS O
Apps O
sebagai O
Super O
Apps O
menghasilkan O
ukuran O
aplikasi O
yang O
lebih O
kecil O
jika O
dibandingkan O
total O
ukuran O
aplikasi-aplikasi O
tunggal. O
Namun O
, O
BPS O
Apps O
masih O
belum O
dapat O
mengefektifkan O
penggunaan O
CPU O
dan O
memory O
usage O
jika O
dibandingkan O
dengan O
masing-masing O
aplikasi O
tunggal. O
Terakhir O
, O
dari O
hasil O
pengujian O
usability O
dengan O
kuesioner O
USE O
, O
diperoleh O
bahwa O
secara O
umum O
BPS O
Apps O
memperoleh O
nilai O
usabilitas O
sebesar O
75,05 O
% O
dan O
termasuk O
kategori O
layak. O
Begitu O
pula O
dengan O
masing-masing O
dimensi O
yang O
memperoleh O
kategori O
layak. O
Saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
selanjutnya O
, O
yaitu O
diperlukan O
kajian O
lebih O
lanjut O
tentang O
performa O
aplikasi O
BPS O
Apps O
terkait O
penggunaan O
CPU O
dan O
memory O
usage O
agar O
bisa O
dilakukan O
optimalisasi O
sehingga O
performa O
aplikasi O
BPS O
Apps O
setidaknya O
dapat O
menyamai O
performa O
masing-masing O
aplikasi O
tunggalnya. O
Selain O
itu O
, O
pengembangan O
aplikasi O
ini O
dapat O
dilanjutkan O
dengan O
menambahkan O
layanan O
lainnya O
yang O
diperlukan O
oleh O
pegawai. O
Penggunaan O
SSO O
BPS O
sebagai O
mekanisme O
login O
aplikasi O
dapat O
diterapkan. O

Pembangunan O
Super O
Apps O
Berbasis O
Mobile O
Studi O
kasus O
Badan O
Pusat O
Statistik O
Rifki O
Arya O
Farezi O
( O
221911077 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
SST. O
, O
M.T O
kebingungan O
Ringkasan— O
Menurut O
Kementerian O
Komunikasi O
dan O
Informatika O
, O
penggunaan O
smartphone O
di O
Indonesia O
pada O
tahun O
2021 O
mencapai O
167 O
juta O
pengguna. O
Aplikasi O
berbasis O
mobile O
juga O
tumbuh O
sangat O
pesat. O
Kelebihan O
yang O
ditawarkan O
aplikasi O
mobile O
menyebabkan O
semua O
sektor O
memanfaatkannya O
Adanya O
pandemi O
covid-19 O
, O
kebijakan O
Flexible O
Working O
Arrangement O
( O
FWA O
) O
dan O
konsep O
society O
5.0 O
menyebabkan O
aplikasi O
mobile O
menjadi O
salah O
satu O
hal O
yang O
penting O
bagi O
instansi O
pemerintahan O
pada O
era O
sekarang. O
Dalam O
melancarkan O
pekerjaannya O
, O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
memiliki O
banyak O
aplikasi O
mobile. O
Namun O
semakin O
banyaknya O
aplikasi O
mobile O
yang O
dimiliki O
BPS O
serta O
menyebabkan O
menimbulkan O
masalah O
penyimpanan O
yang O
penuh. O
Penelitian O
ini O
bertujuan O
untuk O
membangun B-TUJUAN
sebuah I-TUJUAN
Super I-TUJUAN
Apps I-TUJUAN
berbasis I-TUJUAN
mobile I-TUJUAN
yang I-TUJUAN
mengintegrasikan I-TUJUAN
Apps I-TUJUAN
aplikasi-aplikasi I-TUJUAN
tunggal I-TUJUAN
tersebut. I-TUJUAN
Pengembangan O
aplikasi O
super O
di O
lingkungan O
BPS O
dilakukan O
dengan O
metode B-METODE
SDLC I-METODE
model I-METODE
RAD I-METODE
lalu O
diuji O
dengan O
3 O
metode O
, O
yaitu O
black B-METODE
box I-METODE
testing I-METODE
, I-METODE
performance I-METODE
testing I-METODE
, I-METODE
dan I-METODE
usability I-METODE
testing. I-METODE
Hasilnya O
, O
BPS B-TEMUAN
Apps I-TEMUAN
menghasilkan I-TEMUAN
ukuran I-TEMUAN
aplikasi I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
kecil I-TEMUAN
dibandingkan I-TEMUAN
total I-TEMUAN
ukuran I-TEMUAN
aplikasi-aplikasi I-TEMUAN
tunggal. I-TEMUAN
Namun O
, O
BPS O
Apps O
masih O
belum O
dapat O
mengefektifkan O
penggunaan O
CPU O
dan O
memory O
usage O
jika O
dibandingkan O
dengan O
masing-masing O
aplikasi O
tunggal. O
Terakhir O
, O
BPS O
Apps O
memperoleh O
nilai O
usabilitas O
sebesar O
75,05 O
% O
dan O
termasuk O
kategori O
layak. O
Begitu O
pula O
dengan O
masing-masing O
dimensi O
yang O
memperoleh O
kategori O
layak. O
bernama O
pegawai O
para O
BPS O
bagi O
Kata O
Kunci— O
Smartphone O
, O
Aplikasi O
Mobile O
, O
BPS O
, O
Super O
Apps O
, O
RAD O
[SEP] O
Berdasarkan O
hasil O
penelitian O
, O
kesimpulan O
yang O
dapat O
diambil O
yaitu O
pembangunan B-TEMUAN
aplikasi I-TEMUAN
BPS I-TEMUAN
Apps I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dilakukan I-TEMUAN
dan I-TEMUAN
berjalan I-TEMUAN
cukup I-TEMUAN
sesuai I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
Hal O
ini O
dibuktikan O
dari O
pengujian O
black O
box O
yang O
sebagian O
besar O
test O
case O
valid. O
Kemudian O
dari O
hasil O
pengujian O
performance O
dengan O
bantuan O
aplikasi O
Apptim O
, O
diperoleh O
bahwa O
BPS O
Apps O
sebagai O
Super O
Apps O
menghasilkan O
ukuran O
aplikasi O
yang O
lebih O
kecil O
jika O
dibandingkan O
total O
ukuran O
aplikasi-aplikasi O
tunggal. O
Namun O
, O
BPS O
Apps O
masih O
belum O
dapat O
mengefektifkan O
penggunaan O
CPU O
dan O
memory O
usage O
jika O
dibandingkan O
dengan O
masing-masing O
aplikasi O
tunggal. O
Terakhir O
, O
dari O
hasil O
pengujian O
usability O
dengan O
kuesioner O
USE O
, O
diperoleh O
bahwa O
secara O
umum O
BPS O
Apps O
memperoleh O
nilai O
usabilitas O
sebesar O
75,05 O
% O
dan O
termasuk O
kategori O
layak. O
Begitu O
pula O
dengan O
masing-masing O
dimensi O
yang O
memperoleh O
kategori O
layak. O
Saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
selanjutnya O
, O
yaitu O
diperlukan O
kajian O
lebih O
lanjut O
tentang O
performa O
aplikasi O
BPS O
Apps O
terkait O
penggunaan O
CPU O
dan O
memory O
usage O
agar O
bisa O
dilakukan O
optimalisasi O
sehingga O
performa O
aplikasi O
BPS O
Apps O
setidaknya O
dapat O
menyamai O
performa O
masing-masing O
aplikasi O
tunggalnya. O
Selain O
itu O
, O
pengembangan O
aplikasi O
ini O
dapat O
dilanjutkan O
dengan O
menambahkan O
layanan O
lainnya O
yang O
diperlukan O
oleh O
pegawai. O
Penggunaan O
SSO O
BPS O
sebagai O
mekanisme O
login O
aplikasi O
dapat O
diterapkan. O

Pembangunan O
Super O
Apps O
Berbasis O
Mobile O
Studi O
kasus O
Badan O
Pusat O
Statistik O
Rifki O
Arya O
Farezi O
( O
221911077 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
SST. O
, O
M.T O
kebingungan O
Ringkasan— O
Menurut O
Kementerian O
Komunikasi O
dan O
Informatika O
, O
penggunaan O
smartphone O
di O
Indonesia O
pada O
tahun O
2021 O
mencapai O
167 O
juta O
pengguna. O
Aplikasi O
berbasis O
mobile O
juga O
tumbuh O
sangat O
pesat. O
Kelebihan O
yang O
ditawarkan O
aplikasi O
mobile O
menyebabkan O
semua O
sektor O
memanfaatkannya O
Adanya O
pandemi O
covid-19 O
, O
kebijakan O
Flexible O
Working O
Arrangement O
( O
FWA O
) O
dan O
konsep O
society O
5.0 O
menyebabkan O
aplikasi O
mobile O
menjadi O
salah O
satu O
hal O
yang O
penting O
bagi O
instansi O
pemerintahan O
pada O
era O
sekarang. O
Dalam O
melancarkan O
pekerjaannya O
, O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
memiliki O
banyak O
aplikasi O
mobile. O
Namun O
semakin O
banyaknya O
aplikasi O
mobile O
yang O
dimiliki O
BPS O
serta O
menyebabkan O
menimbulkan O
masalah O
penyimpanan O
yang O
penuh. O
Penelitian O
ini O
bertujuan O
untuk O
membangun B-TUJUAN
sebuah I-TUJUAN
Super I-TUJUAN
Apps I-TUJUAN
berbasis I-TUJUAN
mobile I-TUJUAN
yang I-TUJUAN
mengintegrasikan I-TUJUAN
Apps I-TUJUAN
aplikasi-aplikasi I-TUJUAN
tunggal I-TUJUAN
tersebut. I-TUJUAN
Pengembangan O
aplikasi O
super O
di O
lingkungan O
BPS O
dilakukan O
dengan O
metode B-METODE
SDLC I-METODE
model I-METODE
RAD I-METODE
lalu O
diuji O
dengan O
3 O
metode O
, O
yaitu O
black B-METODE
box I-METODE
testing I-METODE
, I-METODE
performance I-METODE
testing I-METODE
, I-METODE
dan I-METODE
usability I-METODE
testing. I-METODE
Hasilnya O
, O
BPS B-TEMUAN
Apps I-TEMUAN
menghasilkan I-TEMUAN
ukuran I-TEMUAN
aplikasi I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
kecil I-TEMUAN
dibandingkan I-TEMUAN
total I-TEMUAN
ukuran I-TEMUAN
aplikasi-aplikasi I-TEMUAN
tunggal. I-TEMUAN
Namun O
, O
BPS O
Apps O
masih O
belum O
dapat O
mengefektifkan O
penggunaan O
CPU O
dan O
memory O
usage O
jika O
dibandingkan O
dengan O
masing-masing O
aplikasi O
tunggal. O
Terakhir O
, O
BPS O
Apps O
memperoleh O
nilai O
usabilitas O
sebesar O
75,05 O
% O
dan O
termasuk O
kategori O
layak. O
Begitu O
pula O
dengan O
masing-masing O
dimensi O
yang O
memperoleh O
kategori O
layak. O
bernama O
pegawai O
para O
BPS O
bagi O
Kata O
Kunci— O
Smartphone O
, O
Aplikasi O
Mobile O
, O
BPS O
, O
Super O
Apps O
, O
RAD O
[SEP] O
Berdasarkan O
hasil O
penelitian O
, O
kesimpulan O
yang O
dapat O
diambil O
yaitu O
pembangunan B-TEMUAN
aplikasi I-TEMUAN
BPS I-TEMUAN
Apps I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dilakukan I-TEMUAN
dan I-TEMUAN
berjalan I-TEMUAN
cukup I-TEMUAN
sesuai I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
Hal O
ini O
dibuktikan O
dari O
pengujian O
black O
box O
yang O
sebagian O
besar O
test O
case O
valid. O
Kemudian O
dari O
hasil O
pengujian O
performance O
dengan O
bantuan O
aplikasi O
Apptim O
, O
diperoleh O
bahwa O
BPS O
Apps O
sebagai O
Super O
Apps O
menghasilkan O
ukuran O
aplikasi O
yang O
lebih O
kecil O
jika O
dibandingkan O
total O
ukuran O
aplikasi-aplikasi O
tunggal. O
Namun O
, O
BPS O
Apps O
masih O
belum O
dapat O
mengefektifkan O
penggunaan O
CPU O
dan O
memory O
usage O
jika O
dibandingkan O
dengan O
masing-masing O
aplikasi O
tunggal. O
Terakhir O
, O
dari O
hasil O
pengujian O
usability O
dengan O
kuesioner O
USE O
, O
diperoleh O
bahwa O
secara O
umum O
BPS O
Apps O
memperoleh O
nilai O
usabilitas O
sebesar O
75,05 O
% O
dan O
termasuk O
kategori O
layak. O
Begitu O
pula O
dengan O
masing-masing O
dimensi O
yang O
memperoleh O
kategori O
layak. O
Saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
selanjutnya O
, O
yaitu O
diperlukan O
kajian O
lebih O
lanjut O
tentang O
performa O
aplikasi O
BPS O
Apps O
terkait O
penggunaan O
CPU O
dan O
memory O
usage O
agar O
bisa O
dilakukan O
optimalisasi O
sehingga O
performa O
aplikasi O
BPS O
Apps O
setidaknya O
dapat O
menyamai O
performa O
masing-masing O
aplikasi O
tunggalnya. O
Selain O
itu O
, O
pengembangan O
aplikasi O
ini O
dapat O
dilanjutkan O
dengan O
menambahkan O
layanan O
lainnya O
yang O
diperlukan O
oleh O
pegawai. O
Penggunaan O
SSO O
BPS O
sebagai O
mekanisme O
login O
aplikasi O
dapat O
diterapkan. O

Implementasi O
Natural O
Language O
Processing O
( O
NLP O
) O
untuk O
Analisis O
Data O
Lowongan O
Pekerjaan O
pada O
Portal O
Kerja O
Online O
di O
Indonesia O
Amoreta O
Luvena O
Adamash O
Br O
( O
221911075 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Prof. O
Setia O
Pramana O
, O
S.Si. O
, O
M.Sc. O
, O
Ph.D. O
Ringkasan— O
Pengangguran O
dan O
ketidaksesuaian O
antara O
kompetensi O
calon O
pekerja O
dengan O
kebutuhan O
dunia O
kerja O
adalah O
salah O
satu O
fenomena O
ketenagakerjaan O
di O
Indonesia O
saat O
ini. O
Untuk O
mengatasi O
masalah O
ini O
, O
analisis O
dengan O
sumber O
big O
data O
dapat O
digunakan O
untuk O
mengidentifikasi O
tren O
dan O
pola O
dalam O
pasar O
tenaga O
kerja. O
Tujuan O
utama O
penelitian O
ini O
adalah O
menganalisis B-TUJUAN
tren I-TUJUAN
pasar I-TUJUAN
tenaga I-TUJUAN
kerja I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
dikaitkan I-TUJUAN
dengan I-TUJUAN
klasifikasi I-TUJUAN
baku I-TUJUAN
lapangan I-TUJUAN
usaha I-TUJUAN
dan I-TUJUAN
jabatan I-TUJUAN
di I-TUJUAN
Indonesia. I-TUJUAN
Penelitian O
ini O
menggunakan O
data O
lowongan O
pekerjaan O
dari O
portal O
kerja O
online O
dengan O
menerapkan O
teknik O
Ekstraksi O
Informasi O
menggunakan O
library O
SpaCy O
dan O
klasifikasi O
multi-kelas O
yang O
berpedoman O
pada O
Klasifikasi O
Baku O
Lapangan O
Usaha O
Indonesia O
( O
KBLI O
) O
dan O
Klasifikasi O
Baku O
Jabatan O
Indonesia O
( O
KBJI O
) O
dengan O
metode O
Machine O
Learning. O
Algoritma O
yang O
digunakan O
dalam O
klasifikasi O
adalah O
Multinomial O
Naïve O
Bayes O
, O
Linear O
SVC O
, O
Random O
Forest O
, O
Logistic O
Regression O
, O
dan O
K-Nearest O
Neighbor. O
Model B-TEMUAN
terbaik I-TEMUAN
pada I-TEMUAN
pengklasifikasian I-TEMUAN
lapangan I-TEMUAN
usaha I-TEMUAN
adalah I-TEMUAN
Linear I-TEMUAN
SVC I-TEMUAN
dengan I-TEMUAN
F1- I-TEMUAN
score I-TEMUAN
94,9 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
akurasi I-TEMUAN
96,3 I-TEMUAN
% I-TEMUAN
. O
Pada O
pengklasifikasian O
jabatan O
juga O
didapatkan O
Linear B-TEMUAN
SVC I-TEMUAN
sebagai I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
, I-TEMUAN
dengan I-TEMUAN
F1- I-TEMUAN
score I-TEMUAN
sebesar I-TEMUAN
71,4 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
88 I-TEMUAN
% I-TEMUAN
. O
Sedangkan O
untuk O
model O
ekstraksi O
informasi O
terbaik O
memiliki O
rata-rata O
precision B-METODE
99 O
% O
, O
recall B-METODE
98 O
% O
, O
dan O
F1-score B-METODE
98.5 O
% O
. O
Kata O
Kunci— O
Lowongan O
Pekerjaan O
, O
Klasifikasi O
, O
Ekstraksi O
Informasi. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
1. O
Model O
yang O
terbentuk O
sudah O
dengan O
sangat O
baik O
dapat O
mengekstraksi O
informasi O
sesuai O
kategori O
yang O
telah O
ditentukan. O
Hal O
ini O
dapat O
dilihat O
dari O
nilai O
f1-score O
dari O
tiap O
kategori O
bernilai O
sekitar O
98 O
% O
. O
2. O
Model O
terbaik O
untuk O
klasifikasi O
lapangan O
usaha O
adalah O
model O
Linear O
SVC O
( O
C=1 O
, O
loss='hinge O
' O
) O
dengan O
akurasi O
sebesar O
96,3 O
% O
dan O
f1-score O
sebesar O
94,9 O
% O
. O
Data O
lowongan O
pekerjaan O
mayoritas O
ada O
pada O
lapangan O
usaha O
Jasa O
Lainnya O
, O
seperti O
kegiatan O
hiburan O
serta O
Kecantikan O
dan O
Kesehatan. O
3. O
Model O
terbaik O
untuk O
klasifikasi O
jabatan O
adalah O
Linear O
SVC O
( O
C=10 O
, O
loss='squared-hinge O
' O
) O
dengan O
akurasi O
88 O
% O
dan O
f1-score O
sebesar O
76,1 O
% O
. O
Jabatan O
dari O
data O
lowongan O
pekerjaan O
dalam O
penelitian O
ini O
Sebagian O
besar O
ada O
pada O
kategori O
Profesional O
dan O
Tenaga O
Tata O
Usaha. O
4. O
Dashboard O
dapat O
dimanfaatkan O
untuk O
BPS O
dan O
Kemenaker O
dalam O
memutuskan O
kebijakan O
untuk O
juga O
akan O
Statistik O
ketenagakerjaan. O
Dashboard O
digunakan O
untuk O
penyajian O
saat O
sidang. O
Adapun O
saran O
untuk O
penelitian O
selanjutnya O
adalah O
: O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
1. O
Hasil O
metrik O
evaluasi O
dari O
klasifikasi O
jabatan O
belum O
sempurna. O
Penelitian O
selanjutnya O
dapat O
melakukan O
lain O
atau O
klasifikasi O
dengan O
machine O
menggunakan O
deep O
learning. O
learning O
2. O
Proses O
pengambilan O
data O
dan O
analisis O
masih O
dilakukan O
secara O
manual O
sehingga O
penelitian O
selanjutnya O
dapat O
membangun O
sistem O
yang O
sepenuhnya O
otomatis O
untuk O
pengumpulan O
dan O
pemrosesan O
informasi. O
Model O
dapat O
secara O
otomatis O
menentukan O
keterampilan O
baru O
dan O
yang O
sedang O
berkembang O
di O
lowongan O
pekerjaan O
, O
model O
klasifikasi O
pekerjaan O
, O
pengelompokan O
, O
serta O
dashboard O
web O
online O
dengan O
hasil O
yang O
near O
real-time. O
[ O
16 O
] O
N. O
Arifin O
, O
U. O
Enri O
dan O
N. O
Sulistiyowati O
, O
“Penerapan O
Algoritma O
Support O
Vector O
Machine O
( O
SVM O
) O
dengan O
TF-IDF O
N-Gram O
untuk O
Text O
Classification O
, O
” O
STRING O
( O
Satuan O
Tulisan O
Riset O
dan O
Inovasi O
Teknologi O
) O
, O
pp. O
129-136 O
, O
2021. O
[ O
17 O
] O
C. O
M. O
Jaramillo O
, O
P. O
Squires O
, O
H. O
G. O
Kaufman O
, O
A. O
M. O
da O
Silva O
dan O
J. O
Togelius O
, O
“Word O
embedding O
for O
job O
market O
spatial O
representation O
: O
tracking O
changes O
and O
predicting O
skills O
demand O
, O
” O
2020 O
IEEE O
International O
Conference O
on O
Big O
Data O
( O
Big O
Data O
) O
, O
pp. O
5713-5715 O
, O
2020. O
[ O
18 O
] O
I. O
Budi O
dan O
R. O
R. O
Suryono O
, O
“Application O
of O
named O
entity O
recognition O
method O
for O
Indonesian O
dataset O
: O
a O
review O
, O
” O
Bulletin O
of O
Electrical O
Engineering O
and O
Informatics O
, O
vol. O
12 O
, O
no. O
2 O
, O
pp. O
969-978 O
, O
2023. O

Implementasi O
Natural O
Language O
Processing O
( O
NLP O
) O
untuk O
Analisis O
Data O
Lowongan O
Pekerjaan O
pada O
Portal O
Kerja O
Online O
di O
Indonesia O
Amoreta O
Luvena O
Adamash O
Br O
( O
221911075 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Prof. O
Setia O
Pramana O
, O
S.Si. O
, O
M.Sc. O
, O
Ph.D. O
Ringkasan— O
Pengangguran O
dan O
ketidaksesuaian O
antara O
kompetensi O
calon O
pekerja O
dengan O
kebutuhan O
dunia O
kerja O
adalah O
salah O
satu O
fenomena O
ketenagakerjaan O
di O
Indonesia O
saat O
ini. O
Untuk O
mengatasi O
masalah O
ini O
, O
analisis O
dengan O
sumber O
big O
data O
dapat O
digunakan O
untuk O
mengidentifikasi O
tren O
dan O
pola O
dalam O
pasar O
tenaga O
kerja. O
Tujuan O
utama O
penelitian O
ini O
adalah O
menganalisis B-TUJUAN
tren I-TUJUAN
pasar I-TUJUAN
tenaga I-TUJUAN
kerja I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
dikaitkan I-TUJUAN
dengan I-TUJUAN
klasifikasi I-TUJUAN
baku I-TUJUAN
lapangan I-TUJUAN
usaha I-TUJUAN
dan I-TUJUAN
jabatan I-TUJUAN
di I-TUJUAN
Indonesia. I-TUJUAN
Penelitian O
ini O
menggunakan O
data O
lowongan O
pekerjaan O
dari O
portal O
kerja O
online O
dengan O
menerapkan O
teknik O
Ekstraksi O
Informasi O
menggunakan O
library O
SpaCy O
dan O
klasifikasi O
multi-kelas O
yang O
berpedoman O
pada O
Klasifikasi O
Baku O
Lapangan O
Usaha O
Indonesia O
( O
KBLI O
) O
dan O
Klasifikasi O
Baku O
Jabatan O
Indonesia O
( O
KBJI O
) O
dengan O
metode O
Machine O
Learning. O
Algoritma O
yang O
digunakan O
dalam O
klasifikasi O
adalah O
Multinomial O
Naïve O
Bayes O
, O
Linear O
SVC O
, O
Random O
Forest O
, O
Logistic O
Regression O
, O
dan O
K-Nearest O
Neighbor. O
Model B-TEMUAN
terbaik I-TEMUAN
pada I-TEMUAN
pengklasifikasian I-TEMUAN
lapangan I-TEMUAN
usaha I-TEMUAN
adalah I-TEMUAN
Linear I-TEMUAN
SVC I-TEMUAN
dengan I-TEMUAN
F1- I-TEMUAN
score I-TEMUAN
94,9 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
akurasi I-TEMUAN
96,3 I-TEMUAN
% I-TEMUAN
. O
Pada O
pengklasifikasian O
jabatan O
juga O
didapatkan O
Linear B-TEMUAN
SVC I-TEMUAN
sebagai I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
, I-TEMUAN
dengan I-TEMUAN
F1- I-TEMUAN
score I-TEMUAN
sebesar I-TEMUAN
71,4 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
88 I-TEMUAN
% I-TEMUAN
. O
Sedangkan O
untuk O
model O
ekstraksi O
informasi O
terbaik O
memiliki O
rata-rata O
precision B-METODE
99 O
% O
, O
recall B-METODE
98 O
% O
, O
dan O
F1-score B-METODE
98.5 O
% O
. O
Kata O
Kunci— O
Lowongan O
Pekerjaan O
, O
Klasifikasi O
, O
Ekstraksi O
Informasi. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
1. O
Model O
yang O
terbentuk O
sudah O
dengan O
sangat O
baik O
dapat O
mengekstraksi O
informasi O
sesuai O
kategori O
yang O
telah O
ditentukan. O
Hal O
ini O
dapat O
dilihat O
dari O
nilai O
f1-score O
dari O
tiap O
kategori O
bernilai O
sekitar O
98 O
% O
. O
2. O
Model O
terbaik O
untuk O
klasifikasi O
lapangan O
usaha O
adalah O
model O
Linear O
SVC O
( O
C=1 O
, O
loss='hinge O
' O
) O
dengan O
akurasi O
sebesar O
96,3 O
% O
dan O
f1-score O
sebesar O
94,9 O
% O
. O
Data O
lowongan O
pekerjaan O
mayoritas O
ada O
pada O
lapangan O
usaha O
Jasa O
Lainnya O
, O
seperti O
kegiatan O
hiburan O
serta O
Kecantikan O
dan O
Kesehatan. O
3. O
Model O
terbaik O
untuk O
klasifikasi O
jabatan O
adalah O
Linear O
SVC O
( O
C=10 O
, O
loss='squared-hinge O
' O
) O
dengan O
akurasi O
88 O
% O
dan O
f1-score O
sebesar O
76,1 O
% O
. O
Jabatan O
dari O
data O
lowongan O
pekerjaan O
dalam O
penelitian O
ini O
Sebagian O
besar O
ada O
pada O
kategori O
Profesional O
dan O
Tenaga O
Tata O
Usaha. O
4. O
Dashboard O
dapat O
dimanfaatkan O
untuk O
BPS O
dan O
Kemenaker O
dalam O
memutuskan O
kebijakan O
untuk O
juga O
akan O
Statistik O
ketenagakerjaan. O
Dashboard O
digunakan O
untuk O
penyajian O
saat O
sidang. O
Adapun O
saran O
untuk O
penelitian O
selanjutnya O
adalah O
: O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
1. O
Hasil O
metrik O
evaluasi O
dari O
klasifikasi O
jabatan O
belum O
sempurna. O
Penelitian O
selanjutnya O
dapat O
melakukan O
lain O
atau O
klasifikasi O
dengan O
machine O
menggunakan O
deep O
learning. O
learning O
2. O
Proses O
pengambilan O
data O
dan O
analisis O
masih O
dilakukan O
secara O
manual O
sehingga O
penelitian O
selanjutnya O
dapat O
membangun O
sistem O
yang O
sepenuhnya O
otomatis O
untuk O
pengumpulan O
dan O
pemrosesan O
informasi. O
Model O
dapat O
secara O
otomatis O
menentukan O
keterampilan O
baru O
dan O
yang O
sedang O
berkembang O
di O
lowongan O
pekerjaan O
, O
model O
klasifikasi O
pekerjaan O
, O
pengelompokan O
, O
serta O
dashboard O
web O
online O
dengan O
hasil O
yang O
near O
real-time. O
[ O
16 O
] O
N. O
Arifin O
, O
U. O
Enri O
dan O
N. O
Sulistiyowati O
, O
“Penerapan O
Algoritma O
Support O
Vector O
Machine O
( O
SVM O
) O
dengan O
TF-IDF O
N-Gram O
untuk O
Text O
Classification O
, O
” O
STRING O
( O
Satuan O
Tulisan O
Riset O
dan O
Inovasi O
Teknologi O
) O
, O
pp. O
129-136 O
, O
2021. O
[ O
17 O
] O
C. O
M. O
Jaramillo O
, O
P. O
Squires O
, O
H. O
G. O
Kaufman O
, O
A. O
M. O
da O
Silva O
dan O
J. O
Togelius O
, O
“Word O
embedding O
for O
job O
market O
spatial O
representation O
: O
tracking O
changes O
and O
predicting O
skills O
demand O
, O
” O
2020 O
IEEE O
International O
Conference O
on O
Big O
Data O
( O
Big O
Data O
) O
, O
pp. O
5713-5715 O
, O
2020. O
[ O
18 O
] O
I. O
Budi O
dan O
R. O
R. O
Suryono O
, O
“Application O
of O
named O
entity O
recognition O
method O
for O
Indonesian O
dataset O
: O
a O
review O
, O
” O
Bulletin O
of O
Electrical O
Engineering O
and O
Informatics O
, O
vol. O
12 O
, O
no. O
2 O
, O
pp. O
969-978 O
, O
2023. O

Implementasi O
Natural O
Language O
Processing O
( O
NLP O
) O
untuk O
Analisis O
Data O
Lowongan O
Pekerjaan O
pada O
Portal O
Kerja O
Online O
di O
Indonesia O
Amoreta O
Luvena O
Adamash O
Br O
( O
221911075 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Prof. O
Setia O
Pramana O
, O
S.Si. O
, O
M.Sc. O
, O
Ph.D. O
Ringkasan— O
Pengangguran O
dan O
ketidaksesuaian O
antara O
kompetensi O
calon O
pekerja O
dengan O
kebutuhan O
dunia O
kerja O
adalah O
salah O
satu O
fenomena O
ketenagakerjaan O
di O
Indonesia O
saat O
ini. O
Untuk O
mengatasi O
masalah O
ini O
, O
analisis O
dengan O
sumber O
big O
data O
dapat O
digunakan O
untuk O
mengidentifikasi O
tren O
dan O
pola O
dalam O
pasar O
tenaga O
kerja. O
Tujuan O
utama O
penelitian O
ini O
adalah O
menganalisis B-TUJUAN
tren I-TUJUAN
pasar I-TUJUAN
tenaga I-TUJUAN
kerja I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
dikaitkan I-TUJUAN
dengan I-TUJUAN
klasifikasi I-TUJUAN
baku I-TUJUAN
lapangan I-TUJUAN
usaha I-TUJUAN
dan I-TUJUAN
jabatan I-TUJUAN
di I-TUJUAN
Indonesia. I-TUJUAN
Penelitian O
ini O
menggunakan O
data O
lowongan O
pekerjaan O
dari O
portal O
kerja O
online O
dengan O
menerapkan O
teknik O
Ekstraksi O
Informasi O
menggunakan O
library O
SpaCy O
dan O
klasifikasi O
multi-kelas O
yang O
berpedoman O
pada O
Klasifikasi O
Baku O
Lapangan O
Usaha O
Indonesia O
( O
KBLI O
) O
dan O
Klasifikasi O
Baku O
Jabatan O
Indonesia O
( O
KBJI O
) O
dengan O
metode O
Machine O
Learning. O
Algoritma O
yang O
digunakan O
dalam O
klasifikasi O
adalah O
Multinomial O
Naïve O
Bayes O
, O
Linear O
SVC O
, O
Random O
Forest O
, O
Logistic O
Regression O
, O
dan O
K-Nearest O
Neighbor. O
Model B-TEMUAN
terbaik I-TEMUAN
pada I-TEMUAN
pengklasifikasian I-TEMUAN
lapangan I-TEMUAN
usaha I-TEMUAN
adalah I-TEMUAN
Linear I-TEMUAN
SVC I-TEMUAN
dengan I-TEMUAN
F1- I-TEMUAN
score I-TEMUAN
94,9 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
akurasi I-TEMUAN
96,3 I-TEMUAN
% I-TEMUAN
. O
Pada O
pengklasifikasian O
jabatan O
juga O
didapatkan O
Linear B-TEMUAN
SVC I-TEMUAN
sebagai I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
, I-TEMUAN
dengan I-TEMUAN
F1- I-TEMUAN
score I-TEMUAN
sebesar I-TEMUAN
71,4 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
88 I-TEMUAN
% I-TEMUAN
. O
Sedangkan O
untuk O
model O
ekstraksi O
informasi O
terbaik O
memiliki O
rata-rata O
precision B-METODE
99 O
% O
, O
recall B-METODE
98 O
% O
, O
dan O
F1-score B-METODE
98.5 O
% O
. O
Kata O
Kunci— O
Lowongan O
Pekerjaan O
, O
Klasifikasi O
, O
Ekstraksi O
Informasi. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
1. O
Model O
yang O
terbentuk O
sudah O
dengan O
sangat O
baik O
dapat O
mengekstraksi O
informasi O
sesuai O
kategori O
yang O
telah O
ditentukan. O
Hal O
ini O
dapat O
dilihat O
dari O
nilai O
f1-score O
dari O
tiap O
kategori O
bernilai O
sekitar O
98 O
% O
. O
2. O
Model O
terbaik O
untuk O
klasifikasi O
lapangan O
usaha O
adalah O
model O
Linear O
SVC O
( O
C=1 O
, O
loss='hinge O
' O
) O
dengan O
akurasi O
sebesar O
96,3 O
% O
dan O
f1-score O
sebesar O
94,9 O
% O
. O
Data O
lowongan O
pekerjaan O
mayoritas O
ada O
pada O
lapangan O
usaha O
Jasa O
Lainnya O
, O
seperti O
kegiatan O
hiburan O
serta O
Kecantikan O
dan O
Kesehatan. O
3. O
Model O
terbaik O
untuk O
klasifikasi O
jabatan O
adalah O
Linear O
SVC O
( O
C=10 O
, O
loss='squared-hinge O
' O
) O
dengan O
akurasi O
88 O
% O
dan O
f1-score O
sebesar O
76,1 O
% O
. O
Jabatan O
dari O
data O
lowongan O
pekerjaan O
dalam O
penelitian O
ini O
Sebagian O
besar O
ada O
pada O
kategori O
Profesional O
dan O
Tenaga O
Tata O
Usaha. O
4. O
Dashboard O
dapat O
dimanfaatkan O
untuk O
BPS O
dan O
Kemenaker O
dalam O
memutuskan O
kebijakan O
untuk O
juga O
akan O
Statistik O
ketenagakerjaan. O
Dashboard O
digunakan O
untuk O
penyajian O
saat O
sidang. O
Adapun O
saran O
untuk O
penelitian O
selanjutnya O
adalah O
: O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
1. O
Hasil O
metrik O
evaluasi O
dari O
klasifikasi O
jabatan O
belum O
sempurna. O
Penelitian O
selanjutnya O
dapat O
melakukan O
lain O
atau O
klasifikasi O
dengan O
machine O
menggunakan O
deep O
learning. O
learning O
2. O
Proses O
pengambilan O
data O
dan O
analisis O
masih O
dilakukan O
secara O
manual O
sehingga O
penelitian O
selanjutnya O
dapat O
membangun O
sistem O
yang O
sepenuhnya O
otomatis O
untuk O
pengumpulan O
dan O
pemrosesan O
informasi. O
Model O
dapat O
secara O
otomatis O
menentukan O
keterampilan O
baru O
dan O
yang O
sedang O
berkembang O
di O
lowongan O
pekerjaan O
, O
model O
klasifikasi O
pekerjaan O
, O
pengelompokan O
, O
serta O
dashboard O
web O
online O
dengan O
hasil O
yang O
near O
real-time. O
[ O
16 O
] O
N. O
Arifin O
, O
U. O
Enri O
dan O
N. O
Sulistiyowati O
, O
“Penerapan O
Algoritma O
Support O
Vector O
Machine O
( O
SVM O
) O
dengan O
TF-IDF O
N-Gram O
untuk O
Text O
Classification O
, O
” O
STRING O
( O
Satuan O
Tulisan O
Riset O
dan O
Inovasi O
Teknologi O
) O
, O
pp. O
129-136 O
, O
2021. O
[ O
17 O
] O
C. O
M. O
Jaramillo O
, O
P. O
Squires O
, O
H. O
G. O
Kaufman O
, O
A. O
M. O
da O
Silva O
dan O
J. O
Togelius O
, O
“Word O
embedding O
for O
job O
market O
spatial O
representation O
: O
tracking O
changes O
and O
predicting O
skills O
demand O
, O
” O
2020 O
IEEE O
International O
Conference O
on O
Big O
Data O
( O
Big O
Data O
) O
, O
pp. O
5713-5715 O
, O
2020. O
[ O
18 O
] O
I. O
Budi O
dan O
R. O
R. O
Suryono O
, O
“Application O
of O
named O
entity O
recognition O
method O
for O
Indonesian O
dataset O
: O
a O
review O
, O
” O
Bulletin O
of O
Electrical O
Engineering O
and O
Informatics O
, O
vol. O
12 O
, O
no. O
2 O
, O
pp. O
969-978 O
, O
2023. O

Deteksi O
Jenis O
Kapal O
Laut O
dengan O
Object-Based O
Deep O
Learning O
pada O
Citra O
Satelit O
Resolusi O
Sangat O
Tinggi O
Studi O
Kasus O
: O
Pelabuhan O
Tanjung O
Priok O
, O
DKI O
Jakarta O
Bill O
Van O
Ricardo O
Zalukhu O
( O
221911069 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
, O
S.S.T O
, O
M.T. O
Ringkasan— O
Transportasi O
laut O
memiliki O
peran O
fundamental O
dalam O
melakukan O
penyaluran O
logistik O
melalui O
laut O
, O
di O
mana O
kapal O
laut O
sebagai O
moda O
terpenting. O
Dalam O
perkembangannya O
, O
kegiatan O
dari O
kapal O
laut O
perlu O
dilakukan O
pendeteksian O
untuk O
memudahkan O
dalam O
mengetahui O
aktivitas O
dari O
kapal O
laut O
yang O
ada O
wilayah O
tertentu. O
Model O
pendeteksian O
YOLOv5 O
menjadi O
salah O
satu O
jawaban O
dari O
permasalahan O
pendeteksian O
ini. O
Dalam O
penelitian O
ini O
telah O
dilakukan O
pembangunan O
model O
pendeteksian O
dengan O
menggunakan O
42.801 O
objek O
kapal O
laut O
dari O
50 O
kategori O
kapal O
ini O
sudah O
baik O
, O
berbeda. O
Hasil O
dari O
pembangunan B-TEMUAN
model I-TEMUAN
mendapatkan I-TEMUAN
skor I-TEMUAN
mAP I-TEMUAN
( I-TEMUAN
Mean I-TEMUAN
Average I-TEMUAN
Precision I-TEMUAN
) I-TEMUAN
sebesar I-TEMUAN
85,39 I-TEMUAN
% I-TEMUAN
. O
Dengan O
memanfaatkan O
model O
pendeteksian O
yang O
telah O
dibangun O
, O
dilakukan O
fine-tuning O
menggunakan O
dataset O
untuk O
lokus O
penelitian O
estimasi O
muatan O
kapal. O
Objek O
kapal O
yang O
digunakan O
dalam O
dataset O
yaitu O
sebanyak O
1.739 O
objek O
kapal O
dengan O
3 O
kategori O
kapal O
berbeda O
, O
dan O
didapatkan O
model O
terbaik O
dengan O
skor O
mAP O
sebesar O
98,96 O
% O
. O
Estimasi O
dari O
muatan O
kapal O
juga O
dilakukan O
dengan O
memanfaatkan O
hasil O
pendeteksian O
kapal O
pada O
lokus O
penelitian O
yang O
telah O
ditentukan O
, O
yaitu O
Pelabuhan O
Tanjung O
Priok O
yang O
merupakan O
salah O
satu O
pelabuhan O
tersibuk O
di O
Indonesia. O
Dashboard O
sebagai O
tools O
implementasi O
dari O
model O
yang O
telah O
didapatkan O
juga O
telah O
berhasil O
untuk O
diselesaikan. O
Kata O
Kunci— O
kapal O
laut O
, O
YOLOv5 O
, O
fine-tuning O
, O
estimasi O
muatan O
kapal O
, O
deteksi O
objek. O
[SEP] O
Dari O
hasil O
penelitian O
ini O
, O
model O
pendeteksian O
objek O
kapal O
laut O
telah O
dibangun O
dengan O
menggunakan O
model O
YOLOv5x6 O
dan O
menerapkan O
augmentasi O
data O
, O
didapatkan B-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
terbaik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
mAP I-TEMUAN
yaitu I-TEMUAN
85,39 I-TEMUAN
menggunakan I-TEMUAN
augmentasi I-TEMUAN
data. I-TEMUAN
Model O
fine-tuning O
juga O
telah O
didapatkan O
dengan O
wilayah O
studi O
kasus O
Pelabuhan O
Tanjung O
Priok O
, O
dengan O
hasil O
evaluasi O
model O
yang O
signifikan O
dibanding O
model O
pembangunan O
awal O
, O
dengan O
hasil O
pengujian O
pendeteksian O
yang O
cukup O
baik O
juga. O
Estimasi O
muatan O
dari O
kapal O
sudah O
dapat O
dilakukan O
juga O
berdasarkan O
objek O
yang O
terdeteksi. O
Dashboard O
yang O
digunakan O
sebagai O
tools O
yang O
memudahkan O
pengimplementasian O
model O
juga O
sudah O
berhasil O
untuk O
diselesaikan. O
Adapun O
saran O
dari O
hasil O
penelitian O
ini O
terhadap O
stakeholder O
yaitu O
hasil O
penelitian O
ini O
dapat O
dikembangkan O
sehingga O
dapat O
digunakan O
untuk O
membantu O
dalam O
melakukan O
monitoring O
dan O
deteksi O
kapal O
laut O
yang O
beroperasi O
, O
serta O
mengumpulkan O
data O
muatan O
kapal O
laut O
yang O
dibutuhkan O
dalam O
official O
statistics. O
Untuk O
penelitian O
selanjutnya O
, O
dapat O
melakukan O
optimasi O
( O
1 O
) O
terhadap O
model O
pendeteksian O
, O
dengan O
melakukan O
optimalisasi O
parameter O
dan O
juga O
augmentasi O
data O
yang O
bisa O
meningkatkan O
performa O
dari O
model O
, O
yang O
nantinya O
akan O
berimplikasi O
untuk O
meningkatkan O
hasil O
pendeteksian O
dan O
juga O
( O
2 O
) O
meningkatkan O
performa O
dari O
menggunakan O
model-model O
pendeteksian O
objek O
lainnya O
, O
seperti O
R-CNN O
, O
Faster O
R-CNN O
, O
dan O
SSD O
; O
( O
3 O
) O
mengeksplorasi O
lagi O
metode O
estimasi O
kapal O
yang O
telah O
dilakukan O
dalam O
penelitian O
ini O
, O
sehingga O
hasil O
estimasi O
dapat O
lebih O
presisi O
lagi. O
fine-tuning O
model O
; O
[ O
2 O
] O

Pembangunan O
Sistem O
Informasi O
Berbasis O
Web O
Direktori O
Pariwisata O
Menggunakan O
Arsitektur O
REST O
API O
di O
Badan O
Pusat O
Statistik O
Muhammad O
Syibli O
( O
221911062 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Indonesia O
memiliki O
potensi O
industri O
pariwisata O
yang O
besar O
sehingga O
pemerintah O
perlu O
mempromosikannya O
dengan O
baik O
melalui O
pengelolaan O
informasi O
pariwisata O
berbasis O
teknologi. O
Untuk O
itu O
, O
akan O
dibangun B-TUJUAN
direktori I-TUJUAN
online I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
di I-TUJUAN
BPS I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
database I-TUJUAN
terkait I-TUJUAN
objek I-TUJUAN
pariwisata I-TUJUAN
Indonesia. I-TUJUAN
Perancangan O
antarmuka O
sistem O
akan O
menggunakan O
metode O
card O
sorting O
untuk O
mengatur O
tata O
letak O
fitur O
berdasarkan O
prinsip O
hierarki O
visual O
dan O
informasi. O
Kemudian O
, O
terdapat O
penggunaan O
Representational O
State O
Transfer O
Application O
Programming O
Interface O
( O
REST O
API O
) O
untuk O
mengimplementasikan O
keterbukaan O
informasi O
publik. O
Lalu O
, O
sistem O
direktori O
pariwisata O
akan O
dibangun O
memakai O
arsitektur O
three-tier O
client-server O
dengan O
framework O
CodeIgniter O
3 O
dan O
Bootstrap O
4. O
Metode O
pengembangan O
sistem O
yang O
digunakan O
adalah O
Software B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
waterfall. I-METODE
Setelah O
tahap O
pembangunan O
sistem O
selesai O
, O
maka O
akan O
dilakukan O
pengujian O
fitur O
dengan O
metode O
black B-METODE
box I-METODE
testing I-METODE
dan O
hasilnya O
sudah O
sesuai O
dengan O
yang O
diharapkan. O
Selanjutnya O
, O
terdapat B-TEMUAN
pengujian I-TEMUAN
usability I-TEMUAN
sistem I-TEMUAN
menggunakan I-TEMUAN
survei I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
dengan I-TEMUAN
skor I-TEMUAN
akhir I-TEMUAN
80,17 I-TEMUAN
atau I-TEMUAN
kategori I-TEMUAN
good. I-TEMUAN
Pembangunan O
web O
direktori O
pariwisata O
dalam O
mengintegrasikan O
sistem O
Webentry O
dan O
Wilkerstat O
sebagai O
upaya O
informasi O
pariwisata O
kepada O
diseminasi O
hasil O
manajemen O
masyarakat. O
dapat O
membantu O
BPS O
diharapkan O
Kata O
Kunci— O
direktori O
pariwisata O
, O
card O
sorting O
, O
REST O
API O
, O
arsitektur O
three-tier O
client-server O
, O
SDLC O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
sebelumnya O
, O
didapatkan O
beberapa O
kesimpulan O
, O
antara O
lain O
sebagai O
berikut. O
1. O
Implementasi O
prinsip O
hierarki O
informasi O
dan O
visual O
pada O
perancangan O
antarmuka O
web O
direktori O
pariwisata O
telah O
selesai O
dilakukan O
dengan O
menggunakan O
hasil O
survei O
pendahuluan O
, O
yakni O
card O
sorting. O
Berdasarkan O
hasil O
survei O
card O
sorting O
, O
urutan O
fitur O
web O
direktori O
pariwisata O
dimulai O
dari O
home O
, O
daya O
tarik O
wisata O
, O
penunjang O
pariwisata O
, O
jasa O
akomodasi O
, O
penyedia O
makan O
dan O
minum O
, O
serta O
tentang. O
2. O
Pembuatan B-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
direktori I-TEMUAN
pariwisata I-TEMUAN
sudah I-TEMUAN
selesai I-TEMUAN
dibangun I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
permintaan I-TEMUAN
subject I-TEMUAN
matter. I-TEMUAN
Fitur I-TEMUAN
– I-TEMUAN
fitur I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
di I-TEMUAN
dalam I-TEMUAN
web I-TEMUAN
direktori I-TEMUAN
pariwisata I-TEMUAN
sudah I-TEMUAN
berhasil I-TEMUAN
diuji I-TEMUAN
memakai I-TEMUAN
metode I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing. I-TEMUAN
Lalu I-TEMUAN
, I-TEMUAN
output I-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
oleh I-TEMUAN
fitur I-TEMUAN
– I-TEMUAN
fitur I-TEMUAN
tersebut I-TEMUAN
telah I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
apa I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
3. O
Web O
direktori O
pariwisata O
dikembangkan O
menggunakan O
REST O
API O
sebagai O
upaya O
BPS O
dalam O
mewujudkan O
keterbukaan O
informasi O
publik O
agar O
dapat O
mudah O
diakses O
oleh O
banyak O
pengguna. O
telah O
4. O
Survei O
System O
Usability O
Scale O
( O
SUS O
) O
sudah O
berhasil O
dilakukan O
pada O
web O
direktori O
pariwisata. O
Hasil O
yang O
didapat O
menurut O
pandangan O
subjektif O
para O
responden O
informasi O
web O
direktori O
pariwisata O
terpilih O
, O
sistem O
tergolong O
dalam O
usability O
kategori O
“good”. O
Nilai O
atau O
skor O
akhir O
yang O
diperoleh O
dari O
survei O
tersebut O
adalah O
80,17. O
Adapun O
saran O
yang O
dapat O
peneliti O
sampaikan O
untuk O
penelitian O
selanjutnya O
, O
antara O
lain O
sebagai O
berikut. O
1. O
Berdasarkan O
kesimpulan O
yang O
ada O
, O
sistem O
web O
direktori O
pariwisata O
perlu O
dibangun O
fitur O
login O
dan O
registrasi O
untuk O
mengetahui O
jumlah O
pengguna O
yang O
telah O
teregistrasi O
dan O
mengakses O
web O
tersebut. O
2. O
Terdapat O
fitur O
yang O
belum O
bisa O
diimplementasikan O
, O
seperti O
penunjang O
pariwisata O
dan O
filter O
element O
akomodasi O
di O
halaman O
jasa O
akomodasi. O
Hal O
ini O
merupakan O
permintaan O
dari O
subject O
matter O
untuk O
mengesampingkan O
fitur O
tersebut O
terlebih O
dahulu. O
Kondisi O
tersebut O
dapat O
menjadi O
kesempatan O
yang O
bagus O
bila O
dikerjakan O
pada O
penelitian O
selanjutnya O
agar O
dapat O
melengkapi O
sistem O
web O
direktori O
pariwisata. O
7 O
/ O
8 O
Gambar O
10. O
Contoh O
method O
GET O
pada O
controller O
, O
hasil O
keluaran O
method O
GET O
dengan O
format O
JSON O
di O
browser O
, O
dan O
response O
API O
untuk O
method O
GET O
H. O
Evaluasi O
Sistem O
Sistem O
usulan O
akan O
diuji O
dengan O
menggunakan O
metode O
pengujian O
black O
box O
testing O
dan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Black B-METODE
box I-METODE
testing I-METODE
adalah O
metode O
yang O
digunakan O
untuk O
menguji O
setiap O
fitur O
yang O
telah O
dibuat O
dalam O
suatu O
sistem O
informasi O
, O
kemudian O
dilakukan O
pemeriksaan O
apakah O
output O
dari O
sistem O
informasi O
tersebut O
sudah O
sesuai O
dengan O
yang O
diharapkan O
atau O
belum. O
Tujuan O
dari O
pengujian O
ini O
adalah O
untuk O
memastikan O
bahwa O
program O
tersebut O
berjalan O
sesuai O
dengan O
kebutuhan O
organisasi O
atau O
tidak. O
System O
Usability O
Scale O
( O
SUS O
) O
adalah O
sebuah O
metode O
untuk O
mengetahui O
usability O
sistem O
yang O
dibangun O
dari O
sudut O
pandang O
subjektif O
pengguna. O
Usability O
diartikan O
sebagai O
komponen O
keunggulan O
yang O
bisa O
mengukur O
seberapa O
mudah O
antarmuka O
sistem O
digunakan. O
Hasil O
dari O
pengujian O
dengan O
black O
box O
testing O
adalah O
semua O
proses O
sudah O
bisa O
menampilkan O
apa O
yang O
seharusnya O
ditampilkan. O
Semua O
output O
yang O
dihasilkan O
sudah O
sesuai O
dengan O
apa O
yang O
diharapkan O
atau O
permintaan O
dari O
subject O
matter. O
Kemudian O
, O
evaluasi O
kuesioner O
System O
Usability O
Scale O
( O
SUS O
) O
telah O
diisi O
oleh O
beberapa O
responden O
terpilih O
yang O
karakteristiknya O
sama O
dengan O
responden O
pada O
survei O
card O
sorting. O
Kuesioner O
System O
Usability O
Scale O
( O
SUS O
) O
dibagikan O
melalui O
e-mail O
kepada O
beberapa O
responden O
terpilih. O
Kuesioner O
tersebut O
diisi O
secara O
online O
menggunakan O
google O
form O
dan O
disebarkan O
selama O
10 O
hari O
, O
mulai O
dari O
tanggal O
15 O
hingga O
25 O
Juni O
2023. O
Hasil O
pengujian O
dan O
pengolahan O
data O
dari O
kuesioner O
survei O
System O
Usability O
Scale O
( O
SUS O
) O
yang O

Pembangunan O
Sistem O
Informasi O
Berbasis O
Web O
Direktori O
Pariwisata O
Menggunakan O
Arsitektur O
REST O
API O
di O
Badan O
Pusat O
Statistik O
Muhammad O
Syibli O
( O
221911062 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Indonesia O
memiliki O
potensi O
industri O
pariwisata O
yang O
besar O
sehingga O
pemerintah O
perlu O
mempromosikannya O
dengan O
baik O
melalui O
pengelolaan O
informasi O
pariwisata O
berbasis O
teknologi. O
Untuk O
itu O
, O
akan O
dibangun B-TUJUAN
direktori I-TUJUAN
online I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
di I-TUJUAN
BPS I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
database I-TUJUAN
terkait I-TUJUAN
objek I-TUJUAN
pariwisata I-TUJUAN
Indonesia. I-TUJUAN
Perancangan O
antarmuka O
sistem O
akan O
menggunakan O
metode O
card O
sorting O
untuk O
mengatur O
tata O
letak O
fitur O
berdasarkan O
prinsip O
hierarki O
visual O
dan O
informasi. O
Kemudian O
, O
terdapat O
penggunaan O
Representational O
State O
Transfer O
Application O
Programming O
Interface O
( O
REST O
API O
) O
untuk O
mengimplementasikan O
keterbukaan O
informasi O
publik. O
Lalu O
, O
sistem O
direktori O
pariwisata O
akan O
dibangun O
memakai O
arsitektur O
three-tier O
client-server O
dengan O
framework O
CodeIgniter O
3 O
dan O
Bootstrap O
4. O
Metode O
pengembangan O
sistem O
yang O
digunakan O
adalah O
Software B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
waterfall. I-METODE
Setelah O
tahap O
pembangunan O
sistem O
selesai O
, O
maka O
akan O
dilakukan O
pengujian O
fitur O
dengan O
metode O
black B-METODE
box I-METODE
testing I-METODE
dan O
hasilnya O
sudah O
sesuai O
dengan O
yang O
diharapkan. O
Selanjutnya O
, O
terdapat B-TEMUAN
pengujian I-TEMUAN
usability I-TEMUAN
sistem I-TEMUAN
menggunakan I-TEMUAN
survei I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
dengan I-TEMUAN
skor I-TEMUAN
akhir I-TEMUAN
80,17 I-TEMUAN
atau I-TEMUAN
kategori I-TEMUAN
good. I-TEMUAN
Pembangunan O
web O
direktori O
pariwisata O
dalam O
mengintegrasikan O
sistem O
Webentry O
dan O
Wilkerstat O
sebagai O
upaya O
informasi O
pariwisata O
kepada O
diseminasi O
hasil O
manajemen O
masyarakat. O
dapat O
membantu O
BPS O
diharapkan O
Kata O
Kunci— O
direktori O
pariwisata O
, O
card O
sorting O
, O
REST O
API O
, O
arsitektur O
three-tier O
client-server O
, O
SDLC O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
sebelumnya O
, O
didapatkan O
beberapa O
kesimpulan O
, O
antara O
lain O
sebagai O
berikut. O
1. O
Implementasi O
prinsip O
hierarki O
informasi O
dan O
visual O
pada O
perancangan O
antarmuka O
web O
direktori O
pariwisata O
telah O
selesai O
dilakukan O
dengan O
menggunakan O
hasil O
survei O
pendahuluan O
, O
yakni O
card O
sorting. O
Berdasarkan O
hasil O
survei O
card O
sorting O
, O
urutan O
fitur O
web O
direktori O
pariwisata O
dimulai O
dari O
home O
, O
daya O
tarik O
wisata O
, O
penunjang O
pariwisata O
, O
jasa O
akomodasi O
, O
penyedia O
makan O
dan O
minum O
, O
serta O
tentang. O
2. O
Pembuatan B-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
direktori I-TEMUAN
pariwisata I-TEMUAN
sudah I-TEMUAN
selesai I-TEMUAN
dibangun I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
permintaan I-TEMUAN
subject I-TEMUAN
matter. I-TEMUAN
Fitur I-TEMUAN
– I-TEMUAN
fitur I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
di I-TEMUAN
dalam I-TEMUAN
web I-TEMUAN
direktori I-TEMUAN
pariwisata I-TEMUAN
sudah I-TEMUAN
berhasil I-TEMUAN
diuji I-TEMUAN
memakai I-TEMUAN
metode I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing. I-TEMUAN
Lalu I-TEMUAN
, I-TEMUAN
output I-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
oleh I-TEMUAN
fitur I-TEMUAN
– I-TEMUAN
fitur I-TEMUAN
tersebut I-TEMUAN
telah I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
apa I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
3. O
Web O
direktori O
pariwisata O
dikembangkan O
menggunakan O
REST O
API O
sebagai O
upaya O
BPS O
dalam O
mewujudkan O
keterbukaan O
informasi O
publik O
agar O
dapat O
mudah O
diakses O
oleh O
banyak O
pengguna. O
telah O
4. O
Survei O
System O
Usability O
Scale O
( O
SUS O
) O
sudah O
berhasil O
dilakukan O
pada O
web O
direktori O
pariwisata. O
Hasil O
yang O
didapat O
menurut O
pandangan O
subjektif O
para O
responden O
informasi O
web O
direktori O
pariwisata O
terpilih O
, O
sistem O
tergolong O
dalam O
usability O
kategori O
“good”. O
Nilai O
atau O
skor O
akhir O
yang O
diperoleh O
dari O
survei O
tersebut O
adalah O
80,17. O
Adapun O
saran O
yang O
dapat O
peneliti O
sampaikan O
untuk O
penelitian O
selanjutnya O
, O
antara O
lain O
sebagai O
berikut. O
1. O
Berdasarkan O
kesimpulan O
yang O
ada O
, O
sistem O
web O
direktori O
pariwisata O
perlu O
dibangun O
fitur O
login O
dan O
registrasi O
untuk O
mengetahui O
jumlah O
pengguna O
yang O
telah O
teregistrasi O
dan O
mengakses O
web O
tersebut. O
2. O
Terdapat O
fitur O
yang O
belum O
bisa O
diimplementasikan O
, O
seperti O
penunjang O
pariwisata O
dan O
filter O
element O
akomodasi O
di O
halaman O
jasa O
akomodasi. O
Hal O
ini O
merupakan O
permintaan O
dari O
subject O
matter O
untuk O
mengesampingkan O
fitur O
tersebut O
terlebih O
dahulu. O
Kondisi O
tersebut O
dapat O
menjadi O
kesempatan O
yang O
bagus O
bila O
dikerjakan O
pada O
penelitian O
selanjutnya O
agar O
dapat O
melengkapi O
sistem O
web O
direktori O
pariwisata. O
7 O
/ O
8 O
Gambar O
10. O
Contoh O
method O
GET O
pada O
controller O
, O
hasil O
keluaran O
method O
GET O
dengan O
format O
JSON O
di O
browser O
, O
dan O
response O
API O
untuk O
method O
GET O
H. O
Evaluasi O
Sistem O
Sistem O
usulan O
akan O
diuji O
dengan O
menggunakan O
metode O
pengujian O
black O
box O
testing O
dan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Black B-METODE
box I-METODE
testing I-METODE
adalah O
metode O
yang O
digunakan O
untuk O
menguji O
setiap O
fitur O
yang O
telah O
dibuat O
dalam O
suatu O
sistem O
informasi O
, O
kemudian O
dilakukan O
pemeriksaan O
apakah O
output O
dari O
sistem O
informasi O
tersebut O
sudah O
sesuai O
dengan O
yang O
diharapkan O
atau O
belum. O
Tujuan O
dari O
pengujian O
ini O
adalah O
untuk O
memastikan O
bahwa O
program O
tersebut O
berjalan O
sesuai O
dengan O
kebutuhan O
organisasi O
atau O
tidak. O
System O
Usability O
Scale O
( O
SUS O
) O
adalah O
sebuah O
metode O
untuk O
mengetahui O
usability O
sistem O
yang O
dibangun O
dari O
sudut O
pandang O
subjektif O
pengguna. O
Usability O
diartikan O
sebagai O
komponen O
keunggulan O
yang O
bisa O
mengukur O
seberapa O
mudah O
antarmuka O
sistem O
digunakan. O
Hasil O
dari O
pengujian O
dengan O
black O
box O
testing O
adalah O
semua O
proses O
sudah O
bisa O
menampilkan O
apa O
yang O
seharusnya O
ditampilkan. O
Semua O
output O
yang O
dihasilkan O
sudah O
sesuai O
dengan O
apa O
yang O
diharapkan O
atau O
permintaan O
dari O
subject O
matter. O
Kemudian O
, O
evaluasi O
kuesioner O
System O
Usability O
Scale O
( O
SUS O
) O
telah O
diisi O
oleh O
beberapa O
responden O
terpilih O
yang O
karakteristiknya O
sama O
dengan O
responden O
pada O
survei O
card O
sorting. O
Kuesioner O
System O
Usability O
Scale O
( O
SUS O
) O
dibagikan O
melalui O
e-mail O
kepada O
beberapa O
responden O
terpilih. O
Kuesioner O
tersebut O
diisi O
secara O
online O
menggunakan O
google O
form O
dan O
disebarkan O
selama O
10 O
hari O
, O
mulai O
dari O
tanggal O
15 O
hingga O
25 O
Juni O
2023. O
Hasil O
pengujian O
dan O
pengolahan O
data O
dari O
kuesioner O
survei O
System O
Usability O
Scale O
( O
SUS O
) O
yang O

Pembangunan O
Sistem O
Informasi O
Berbasis O
Web O
Direktori O
Pariwisata O
Menggunakan O
Arsitektur O
REST O
API O
di O
Badan O
Pusat O
Statistik O
Muhammad O
Syibli O
( O
221911062 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Indonesia O
memiliki O
potensi O
industri O
pariwisata O
yang O
besar O
sehingga O
pemerintah O
perlu O
mempromosikannya O
dengan O
baik O
melalui O
pengelolaan O
informasi O
pariwisata O
berbasis O
teknologi. O
Untuk O
itu O
, O
akan O
dibangun B-TUJUAN
direktori I-TUJUAN
online I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
di I-TUJUAN
BPS I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
database I-TUJUAN
terkait I-TUJUAN
objek I-TUJUAN
pariwisata I-TUJUAN
Indonesia. I-TUJUAN
Perancangan O
antarmuka O
sistem O
akan O
menggunakan O
metode O
card O
sorting O
untuk O
mengatur O
tata O
letak O
fitur O
berdasarkan O
prinsip O
hierarki O
visual O
dan O
informasi. O
Kemudian O
, O
terdapat O
penggunaan O
Representational O
State O
Transfer O
Application O
Programming O
Interface O
( O
REST O
API O
) O
untuk O
mengimplementasikan O
keterbukaan O
informasi O
publik. O
Lalu O
, O
sistem O
direktori O
pariwisata O
akan O
dibangun O
memakai O
arsitektur O
three-tier O
client-server O
dengan O
framework O
CodeIgniter O
3 O
dan O
Bootstrap O
4. O
Metode O
pengembangan O
sistem O
yang O
digunakan O
adalah O
Software B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
waterfall. I-METODE
Setelah O
tahap O
pembangunan O
sistem O
selesai O
, O
maka O
akan O
dilakukan O
pengujian O
fitur O
dengan O
metode O
black B-METODE
box I-METODE
testing I-METODE
dan O
hasilnya O
sudah O
sesuai O
dengan O
yang O
diharapkan. O
Selanjutnya O
, O
terdapat B-TEMUAN
pengujian I-TEMUAN
usability I-TEMUAN
sistem I-TEMUAN
menggunakan I-TEMUAN
survei I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
dengan I-TEMUAN
skor I-TEMUAN
akhir I-TEMUAN
80,17 I-TEMUAN
atau I-TEMUAN
kategori I-TEMUAN
good. I-TEMUAN
Pembangunan O
web O
direktori O
pariwisata O
dalam O
mengintegrasikan O
sistem O
Webentry O
dan O
Wilkerstat O
sebagai O
upaya O
informasi O
pariwisata O
kepada O
diseminasi O
hasil O
manajemen O
masyarakat. O
dapat O
membantu O
BPS O
diharapkan O
Kata O
Kunci— O
direktori O
pariwisata O
, O
card O
sorting O
, O
REST O
API O
, O
arsitektur O
three-tier O
client-server O
, O
SDLC O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
sebelumnya O
, O
didapatkan O
beberapa O
kesimpulan O
, O
antara O
lain O
sebagai O
berikut. O
1. O
Implementasi O
prinsip O
hierarki O
informasi O
dan O
visual O
pada O
perancangan O
antarmuka O
web O
direktori O
pariwisata O
telah O
selesai O
dilakukan O
dengan O
menggunakan O
hasil O
survei O
pendahuluan O
, O
yakni O
card O
sorting. O
Berdasarkan O
hasil O
survei O
card O
sorting O
, O
urutan O
fitur O
web O
direktori O
pariwisata O
dimulai O
dari O
home O
, O
daya O
tarik O
wisata O
, O
penunjang O
pariwisata O
, O
jasa O
akomodasi O
, O
penyedia O
makan O
dan O
minum O
, O
serta O
tentang. O
2. O
Pembuatan B-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
direktori I-TEMUAN
pariwisata I-TEMUAN
sudah I-TEMUAN
selesai I-TEMUAN
dibangun I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
permintaan I-TEMUAN
subject I-TEMUAN
matter. I-TEMUAN
Fitur I-TEMUAN
– I-TEMUAN
fitur I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
di I-TEMUAN
dalam I-TEMUAN
web I-TEMUAN
direktori I-TEMUAN
pariwisata I-TEMUAN
sudah I-TEMUAN
berhasil I-TEMUAN
diuji I-TEMUAN
memakai I-TEMUAN
metode I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing. I-TEMUAN
Lalu I-TEMUAN
, I-TEMUAN
output I-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
oleh I-TEMUAN
fitur I-TEMUAN
– I-TEMUAN
fitur I-TEMUAN
tersebut I-TEMUAN
telah I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
apa I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
3. O
Web O
direktori O
pariwisata O
dikembangkan O
menggunakan O
REST O
API O
sebagai O
upaya O
BPS O
dalam O
mewujudkan O
keterbukaan O
informasi O
publik O
agar O
dapat O
mudah O
diakses O
oleh O
banyak O
pengguna. O
telah O
4. O
Survei O
System O
Usability O
Scale O
( O
SUS O
) O
sudah O
berhasil O
dilakukan O
pada O
web O
direktori O
pariwisata. O
Hasil O
yang O
didapat O
menurut O
pandangan O
subjektif O
para O
responden O
informasi O
web O
direktori O
pariwisata O
terpilih O
, O
sistem O
tergolong O
dalam O
usability O
kategori O
“good”. O
Nilai O
atau O
skor O
akhir O
yang O
diperoleh O
dari O
survei O
tersebut O
adalah O
80,17. O
Adapun O
saran O
yang O
dapat O
peneliti O
sampaikan O
untuk O
penelitian O
selanjutnya O
, O
antara O
lain O
sebagai O
berikut. O
1. O
Berdasarkan O
kesimpulan O
yang O
ada O
, O
sistem O
web O
direktori O
pariwisata O
perlu O
dibangun O
fitur O
login O
dan O
registrasi O
untuk O
mengetahui O
jumlah O
pengguna O
yang O
telah O
teregistrasi O
dan O
mengakses O
web O
tersebut. O
2. O
Terdapat O
fitur O
yang O
belum O
bisa O
diimplementasikan O
, O
seperti O
penunjang O
pariwisata O
dan O
filter O
element O
akomodasi O
di O
halaman O
jasa O
akomodasi. O
Hal O
ini O
merupakan O
permintaan O
dari O
subject O
matter O
untuk O
mengesampingkan O
fitur O
tersebut O
terlebih O
dahulu. O
Kondisi O
tersebut O
dapat O
menjadi O
kesempatan O
yang O
bagus O
bila O
dikerjakan O
pada O
penelitian O
selanjutnya O
agar O
dapat O
melengkapi O
sistem O
web O
direktori O
pariwisata. O
7 O
/ O
8 O
Gambar O
10. O
Contoh O
method O
GET O
pada O
controller O
, O
hasil O
keluaran O
method O
GET O
dengan O
format O
JSON O
di O
browser O
, O
dan O
response O
API O
untuk O
method O
GET O
H. O
Evaluasi O
Sistem O
Sistem O
usulan O
akan O
diuji O
dengan O
menggunakan O
metode O
pengujian O
black O
box O
testing O
dan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Black B-METODE
box I-METODE
testing I-METODE
adalah O
metode O
yang O
digunakan O
untuk O
menguji O
setiap O
fitur O
yang O
telah O
dibuat O
dalam O
suatu O
sistem O
informasi O
, O
kemudian O
dilakukan O
pemeriksaan O
apakah O
output O
dari O
sistem O
informasi O
tersebut O
sudah O
sesuai O
dengan O
yang O
diharapkan O
atau O
belum. O
Tujuan O
dari O
pengujian O
ini O
adalah O
untuk O
memastikan O
bahwa O
program O
tersebut O
berjalan O
sesuai O
dengan O
kebutuhan O
organisasi O
atau O
tidak. O
System O
Usability O
Scale O
( O
SUS O
) O
adalah O
sebuah O
metode O
untuk O
mengetahui O
usability O
sistem O
yang O
dibangun O
dari O
sudut O
pandang O
subjektif O
pengguna. O
Usability O
diartikan O
sebagai O
komponen O
keunggulan O
yang O
bisa O
mengukur O
seberapa O
mudah O
antarmuka O
sistem O
digunakan. O
Hasil O
dari O
pengujian O
dengan O
black O
box O
testing O
adalah O
semua O
proses O
sudah O
bisa O
menampilkan O
apa O
yang O
seharusnya O
ditampilkan. O
Semua O
output O
yang O
dihasilkan O
sudah O
sesuai O
dengan O
apa O
yang O
diharapkan O
atau O
permintaan O
dari O
subject O
matter. O
Kemudian O
, O
evaluasi O
kuesioner O
System O
Usability O
Scale O
( O
SUS O
) O
telah O
diisi O
oleh O
beberapa O
responden O
terpilih O
yang O
karakteristiknya O
sama O
dengan O
responden O
pada O
survei O
card O
sorting. O
Kuesioner O
System O
Usability O
Scale O
( O
SUS O
) O
dibagikan O
melalui O
e-mail O
kepada O
beberapa O
responden O
terpilih. O
Kuesioner O
tersebut O
diisi O
secara O
online O
menggunakan O
google O
form O
dan O
disebarkan O
selama O
10 O
hari O
, O
mulai O
dari O
tanggal O
15 O
hingga O
25 O
Juni O
2023. O
Hasil O
pengujian O
dan O
pengolahan O
data O
dari O
kuesioner O
survei O
System O
Usability O
Scale O
( O
SUS O
) O
yang O

Forecasting O
Produksi O
Minyak O
Kelapa O
Sawit O
di O
Indonesia O
pada O
Tahun O
2022-2024 O
Trigels O
Archelia O
Br O
Barus O
( O
221911061 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Bony O
Parulian O
Josaphat O
, O
S O
, O
Si O
Ringkasan— O
F. O
Kata O
Kunci— O
Minyak O
kelapa O
sawit. O
forecasting. O
ARIMA. O
GJR- O
GARCH O
, O
LSTM. O
[SEP] O
Dari O
penelitian O
ini O
didapat O
bahwa O
model B-TEMUAN
ARIMA I-TEMUAN
( I-TEMUAN
1,1,1 I-TEMUAN
) I-TEMUAN
with I-TEMUAN
drift I-TEMUAN
merupakan I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
dalam I-TEMUAN
melakukan I-TEMUAN
forecasting I-TEMUAN
produksi I-TEMUAN
bulanan I-TEMUAN
minyak I-TEMUAN
kelapa I-TEMUAN
sawit I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
pada I-TEMUAN
tahun I-TEMUAN
2022-2024. I-TEMUAN
II. O

Forecasting O
Produksi O
Minyak O
Kelapa O
Sawit O
di O
Indonesia O
pada O
Tahun O
2022-2024 O
Trigels O
Archelia O
Br O
Barus O
( O
221911061 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Bony O
Parulian O
Josaphat O
, O
S O
, O
Si O
Ringkasan— O
F. O
Kata O
Kunci— O
Minyak O
kelapa O
sawit. O
forecasting. O
ARIMA. O
GJR- O
GARCH O
, O
LSTM. O
[SEP] O
Dari O
penelitian O
ini O
didapat O
bahwa O
model B-TEMUAN
ARIMA I-TEMUAN
( I-TEMUAN
1,1,1 I-TEMUAN
) I-TEMUAN
with I-TEMUAN
drift I-TEMUAN
merupakan I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
dalam I-TEMUAN
melakukan I-TEMUAN
forecasting I-TEMUAN
produksi I-TEMUAN
bulanan I-TEMUAN
minyak I-TEMUAN
kelapa I-TEMUAN
sawit I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
pada I-TEMUAN
tahun I-TEMUAN
2022-2024. I-TEMUAN
II. O

Forecasting O
Produksi O
Minyak O
Kelapa O
Sawit O
di O
Indonesia O
pada O
Tahun O
2022-2024 O
Trigels O
Archelia O
Br O
Barus O
( O
221911061 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Bony O
Parulian O
Josaphat O
, O
S O
, O
Si O
Ringkasan— O
F. O
Kata O
Kunci— O
Minyak O
kelapa O
sawit. O
forecasting. O
ARIMA. O
GJR- O
GARCH O
, O
LSTM. O
[SEP] O
Dari O
penelitian O
ini O
didapat O
bahwa O
model B-TEMUAN
ARIMA I-TEMUAN
( I-TEMUAN
1,1,1 I-TEMUAN
) I-TEMUAN
with I-TEMUAN
drift I-TEMUAN
merupakan I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
dalam I-TEMUAN
melakukan I-TEMUAN
forecasting I-TEMUAN
produksi I-TEMUAN
bulanan I-TEMUAN
minyak I-TEMUAN
kelapa I-TEMUAN
sawit I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
pada I-TEMUAN
tahun I-TEMUAN
2022-2024. I-TEMUAN
II. O

Pembangunan O
Sistem O
Informasi O
Tracer O
Study O
Alumni O
Politeknik O
Statistika O
STIS O
Agung O
Dika O
Wilantara O
( O
221911059 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Rindang O
Bangun O
Prasetyo O
, O
S.S.T. O
, O
M.Si. O
Ringkasan— O
Politeknik O
Statistika O
STIS O
sebagai O
salah O
satu O
perguruan O
tinggi O
di O
Indonesia O
memiliki O
kewajiban O
melaksanakan O
Tri O
Dharma O
perguruan O
tinggi O
yang O
menjadi O
tujuan O
dari O
visi O
dan O
misinya O
, O
dalam O
rencana O
strategis O
Politeknik O
Statistika O
STIS O
2020- O
2024 O
terdapat O
tujuan O
strategis O
yang O
mencerminkan O
fokus O
perubahan O
yang O
akan O
dilakukan O
oleh O
Polstat O
STIS O
dalam O
periode O
2020-2024 O
, O
yakni O
bahwa O
Polstat O
STIS O
berupaya O
terus-menerus O
untuk O
meningkatkan O
kualitas O
dari O
produk O
yang O
dihasilkannya O
berupa O
SDM O
lulusan O
Polstat O
STIS O
dan O
penelitian O
bidang O
statistik O
serta O
pemanfaatannya O
kepada O
masyarakat. O
Untuk O
mencapai O
dan O
mengukur O
hal O
tersebut O
dapat O
dilakukan O
dengan O
tracer O
study. O
Tracer O
study O
atau O
yang O
juga O
dikenal O
sebagai O
penelusuran O
alumni O
bertujuan O
untuk O
melacak O
jejak O
lulusan O
atau O
alumni O
yang O
dilakukan O
setelah O
lulus O
dan O
untuk O
mengetahui O
outcome O
/ O
output O
pendidikan. O
Penelitian O
ini O
fokus O
pada O
pembangunan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
tracer I-TUJUAN
study I-TUJUAN
alumni I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS I-TUJUAN
untuk I-TUJUAN
mengelola I-TUJUAN
dan I-TUJUAN
memenuhi I-TUJUAN
kebutuhan I-TUJUAN
informasi I-TUJUAN
tentang I-TUJUAN
kinerja I-TUJUAN
lulusan I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS I-TUJUAN
hingga I-TUJUAN
menjadi I-TUJUAN
bahan I-TUJUAN
pertimbangan I-TUJUAN
evaluasi I-TUJUAN
pelaksanaan I-TUJUAN
proses I-TUJUAN
pembelajaran I-TUJUAN
di I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS. I-TUJUAN
Dari O
penelitian O
ini O
mengahasilkan O
Sistem B-TEMUAN
Informasi I-TEMUAN
Tracer I-TEMUAN
Study I-TEMUAN
Alumni I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
diuji I-TEMUAN
dan I-TEMUAN
dievaluasi I-TEMUAN
hingga I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
calon I-TEMUAN
responden I-TEMUAN
Survei I-TEMUAN
Tracer I-TEMUAN
Study I-TEMUAN
Alumni I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS I-TEMUAN
sehingga I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
oleh I-TEMUAN
Satuan I-TEMUAN
Penjamin I-TEMUAN
Mutu I-TEMUAN
( I-TEMUAN
SPM I-TEMUAN
) I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS I-TEMUAN
untuk I-TEMUAN
melaksanakan I-TEMUAN
survei I-TEMUAN
penilaian I-TEMUAN
alumni I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS. I-TEMUAN
Kata O
Kunci— O
Sistem O
informasi O
, O
tracer O
study O
, O
alumni O
, O
hasil O
pendidikan O
, O
kinerja O
lulusan. O
[SEP] O
Gambar O
25. O
Halaman O
Informasi O
Awal O
Kuesioner O
Atasan O
Halaman O
Kuesioner O
Atasan O
Gambar O
26. O
Halaman O
Kuesioner O
Atasan O
Halaman O
Selesai O
Mengisi O
Survei O
Gambar O
27. O
Halaman O
Selesai O
Mengisi O
Survei O
9. O
Uji O
coba O
Pada O
tahapan O
terakhir O
dari O
pembangunan O
sistem O
adalah O
uji O
coba. O
Metode O
uji O
coba O
yang O
digunakan O
adalah O
black B-METODE
box I-METODE
testing. I-METODE
Black O
box O
testing O
dilakukan O
untuk O
mengetahui O
keberhasilan O
dari O
setiap O
fungsi O
pada O
sistem O
yang O
telah O
dibangun. O
Metode O
pengujian O
balck O
box O
testing O
dilakukan O
tanpa O
melihat O
dan O
mengetahui O
struktur O
internal O
kode O
dari O
sistem O
yang O
akan O
diuji. O
Pengujian O
dilakukan O
dengan O
menjalankan O
semua O
fitur O
atau O
fungsi O
pada O
sistem O
dan O
dilihat O
apakah O
semua O
fungsi O
sudah O
bekerja O
sesuai O
dengan O
semestinya O
atau O
belum. O
Dari O
hasil O
uji O
coba O
tersebut O
dapat O
disimpulkan O
bahwa O
setiap O
fungsi O
pada O
sistem O
informasi O
tracer O
study O
alumni O
Polstat O
STIS O
sudah O
berjalan O
sesuai O
dengan O
yang O
diharapkan. O
a. O
Aplikasi O
Sistem O
Informasi O
Tracer O
Study O
Alumni O
Politeknik O
untuk O
memudahkan O
manajemen O
survei O
secara O
efektif O
dan O
efisien O
serta O
mengintegrasikan O
data O
antara O
admin O
dan O
responden. O
Statistika O
dibuat O
STIS O
b. O
Aplikasi O
Sistem O
Informasi O
Tracer O
Study O
Alumni O
Politeknik O
Statistika O
STIS O
digunakan O
oleh O
SPM O
Polstat O
STIS O
untuk O
melaksanakan O
survei O
penilaian O
alumni O
Politeknik O
Statistika O
STIS O
yang O
dilakukan O
secara O
online O
untuk O
lulusan O
dan O
juga O
pengguna O
( O
atasan O
) O
dari O
lulusan O
tersebut. O
c. O
Pada O
proses O
pengujian O
dengan O
metode O
black O
box O
testing O
menunjukkan O
bahwa O
hasil O
yang O
didapatkan O
dengan O
hasil O
yang O
diharapkan O
dari O
semua O
fungsi O
yang O
ada O
pada O
sistem O
sesuai O
dengan O
rencana O
yang O
telah O
ditetapkan. O
d. O
Pada O
proses O
evaluasi O
dengan O
metode B-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
menunjukkan O
bahwa O
Sistem O
Informasi O
Tracer O
Study O
Alumni O
Politeknik O
Statistika O
STIS O
yang O
dibangun O
sudah O
dapat O
diterima O
dengan O
baik O
oleh O
calon O
responden O
Survei O
Tracer O
Study O
Alumni O
Politeknik O
Statistika O
STIS. O
2. O
Saran O
a. O
Melakukan O
penambahan O
fitur O
generate O
sampel O
jika O
ingin O
melakukan O
survei O
terhadap O
responden O
dengan O
kategori O
khusus. O
b. O
Melakukan O
penambahan O
fitur O
visualisasi O
dalam O
bentuk O
vector O
map O
untuk O
melihat O
visualisasi O
persebaran O
alumni O
berdasarkan O
daerah. O

Pembangunan O
Sistem O
Informasi O
Tracer O
Study O
Alumni O
Politeknik O
Statistika O
STIS O
Agung O
Dika O
Wilantara O
( O
221911059 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Rindang O
Bangun O
Prasetyo O
, O
S.S.T. O
, O
M.Si. O
Ringkasan— O
Politeknik O
Statistika O
STIS O
sebagai O
salah O
satu O
perguruan O
tinggi O
di O
Indonesia O
memiliki O
kewajiban O
melaksanakan O
Tri O
Dharma O
perguruan O
tinggi O
yang O
menjadi O
tujuan O
dari O
visi O
dan O
misinya O
, O
dalam O
rencana O
strategis O
Politeknik O
Statistika O
STIS O
2020- O
2024 O
terdapat O
tujuan O
strategis O
yang O
mencerminkan O
fokus O
perubahan O
yang O
akan O
dilakukan O
oleh O
Polstat O
STIS O
dalam O
periode O
2020-2024 O
, O
yakni O
bahwa O
Polstat O
STIS O
berupaya O
terus-menerus O
untuk O
meningkatkan O
kualitas O
dari O
produk O
yang O
dihasilkannya O
berupa O
SDM O
lulusan O
Polstat O
STIS O
dan O
penelitian O
bidang O
statistik O
serta O
pemanfaatannya O
kepada O
masyarakat. O
Untuk O
mencapai O
dan O
mengukur O
hal O
tersebut O
dapat O
dilakukan O
dengan O
tracer O
study. O
Tracer O
study O
atau O
yang O
juga O
dikenal O
sebagai O
penelusuran O
alumni O
bertujuan O
untuk O
melacak O
jejak O
lulusan O
atau O
alumni O
yang O
dilakukan O
setelah O
lulus O
dan O
untuk O
mengetahui O
outcome O
/ O
output O
pendidikan. O
Penelitian O
ini O
fokus O
pada O
pembangunan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
tracer I-TUJUAN
study I-TUJUAN
alumni I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS I-TUJUAN
untuk I-TUJUAN
mengelola I-TUJUAN
dan I-TUJUAN
memenuhi I-TUJUAN
kebutuhan I-TUJUAN
informasi I-TUJUAN
tentang I-TUJUAN
kinerja I-TUJUAN
lulusan I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS I-TUJUAN
hingga I-TUJUAN
menjadi I-TUJUAN
bahan I-TUJUAN
pertimbangan I-TUJUAN
evaluasi I-TUJUAN
pelaksanaan I-TUJUAN
proses I-TUJUAN
pembelajaran I-TUJUAN
di I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS. I-TUJUAN
Dari O
penelitian O
ini O
mengahasilkan O
Sistem B-TEMUAN
Informasi I-TEMUAN
Tracer I-TEMUAN
Study I-TEMUAN
Alumni I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
diuji I-TEMUAN
dan I-TEMUAN
dievaluasi I-TEMUAN
hingga I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
calon I-TEMUAN
responden I-TEMUAN
Survei I-TEMUAN
Tracer I-TEMUAN
Study I-TEMUAN
Alumni I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS I-TEMUAN
sehingga I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
oleh I-TEMUAN
Satuan I-TEMUAN
Penjamin I-TEMUAN
Mutu I-TEMUAN
( I-TEMUAN
SPM I-TEMUAN
) I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS I-TEMUAN
untuk I-TEMUAN
melaksanakan I-TEMUAN
survei I-TEMUAN
penilaian I-TEMUAN
alumni I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS. I-TEMUAN
Kata O
Kunci— O
Sistem O
informasi O
, O
tracer O
study O
, O
alumni O
, O
hasil O
pendidikan O
, O
kinerja O
lulusan. O
[SEP] O
Gambar O
25. O
Halaman O
Informasi O
Awal O
Kuesioner O
Atasan O
Halaman O
Kuesioner O
Atasan O
Gambar O
26. O
Halaman O
Kuesioner O
Atasan O
Halaman O
Selesai O
Mengisi O
Survei O
Gambar O
27. O
Halaman O
Selesai O
Mengisi O
Survei O
9. O
Uji O
coba O
Pada O
tahapan O
terakhir O
dari O
pembangunan O
sistem O
adalah O
uji O
coba. O
Metode O
uji O
coba O
yang O
digunakan O
adalah O
black B-METODE
box I-METODE
testing. I-METODE
Black O
box O
testing O
dilakukan O
untuk O
mengetahui O
keberhasilan O
dari O
setiap O
fungsi O
pada O
sistem O
yang O
telah O
dibangun. O
Metode O
pengujian O
balck O
box O
testing O
dilakukan O
tanpa O
melihat O
dan O
mengetahui O
struktur O
internal O
kode O
dari O
sistem O
yang O
akan O
diuji. O
Pengujian O
dilakukan O
dengan O
menjalankan O
semua O
fitur O
atau O
fungsi O
pada O
sistem O
dan O
dilihat O
apakah O
semua O
fungsi O
sudah O
bekerja O
sesuai O
dengan O
semestinya O
atau O
belum. O
Dari O
hasil O
uji O
coba O
tersebut O
dapat O
disimpulkan O
bahwa O
setiap O
fungsi O
pada O
sistem O
informasi O
tracer O
study O
alumni O
Polstat O
STIS O
sudah O
berjalan O
sesuai O
dengan O
yang O
diharapkan. O
a. O
Aplikasi O
Sistem O
Informasi O
Tracer O
Study O
Alumni O
Politeknik O
untuk O
memudahkan O
manajemen O
survei O
secara O
efektif O
dan O
efisien O
serta O
mengintegrasikan O
data O
antara O
admin O
dan O
responden. O
Statistika O
dibuat O
STIS O
b. O
Aplikasi O
Sistem O
Informasi O
Tracer O
Study O
Alumni O
Politeknik O
Statistika O
STIS O
digunakan O
oleh O
SPM O
Polstat O
STIS O
untuk O
melaksanakan O
survei O
penilaian O
alumni O
Politeknik O
Statistika O
STIS O
yang O
dilakukan O
secara O
online O
untuk O
lulusan O
dan O
juga O
pengguna O
( O
atasan O
) O
dari O
lulusan O
tersebut. O
c. O
Pada O
proses O
pengujian O
dengan O
metode O
black O
box O
testing O
menunjukkan O
bahwa O
hasil O
yang O
didapatkan O
dengan O
hasil O
yang O
diharapkan O
dari O
semua O
fungsi O
yang O
ada O
pada O
sistem O
sesuai O
dengan O
rencana O
yang O
telah O
ditetapkan. O
d. O
Pada O
proses O
evaluasi O
dengan O
metode B-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
menunjukkan O
bahwa O
Sistem O
Informasi O
Tracer O
Study O
Alumni O
Politeknik O
Statistika O
STIS O
yang O
dibangun O
sudah O
dapat O
diterima O
dengan O
baik O
oleh O
calon O
responden O
Survei O
Tracer O
Study O
Alumni O
Politeknik O
Statistika O
STIS. O
2. O
Saran O
a. O
Melakukan O
penambahan O
fitur O
generate O
sampel O
jika O
ingin O
melakukan O
survei O
terhadap O
responden O
dengan O
kategori O
khusus. O
b. O
Melakukan O
penambahan O
fitur O
visualisasi O
dalam O
bentuk O
vector O
map O
untuk O
melihat O
visualisasi O
persebaran O
alumni O
berdasarkan O
daerah. O

Pembangunan O
Sistem O
Informasi O
Tracer O
Study O
Alumni O
Politeknik O
Statistika O
STIS O
Agung O
Dika O
Wilantara O
( O
221911059 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Rindang O
Bangun O
Prasetyo O
, O
S.S.T. O
, O
M.Si. O
Ringkasan— O
Politeknik O
Statistika O
STIS O
sebagai O
salah O
satu O
perguruan O
tinggi O
di O
Indonesia O
memiliki O
kewajiban O
melaksanakan O
Tri O
Dharma O
perguruan O
tinggi O
yang O
menjadi O
tujuan O
dari O
visi O
dan O
misinya O
, O
dalam O
rencana O
strategis O
Politeknik O
Statistika O
STIS O
2020- O
2024 O
terdapat O
tujuan O
strategis O
yang O
mencerminkan O
fokus O
perubahan O
yang O
akan O
dilakukan O
oleh O
Polstat O
STIS O
dalam O
periode O
2020-2024 O
, O
yakni O
bahwa O
Polstat O
STIS O
berupaya O
terus-menerus O
untuk O
meningkatkan O
kualitas O
dari O
produk O
yang O
dihasilkannya O
berupa O
SDM O
lulusan O
Polstat O
STIS O
dan O
penelitian O
bidang O
statistik O
serta O
pemanfaatannya O
kepada O
masyarakat. O
Untuk O
mencapai O
dan O
mengukur O
hal O
tersebut O
dapat O
dilakukan O
dengan O
tracer O
study. O
Tracer O
study O
atau O
yang O
juga O
dikenal O
sebagai O
penelusuran O
alumni O
bertujuan O
untuk O
melacak O
jejak O
lulusan O
atau O
alumni O
yang O
dilakukan O
setelah O
lulus O
dan O
untuk O
mengetahui O
outcome O
/ O
output O
pendidikan. O
Penelitian O
ini O
fokus O
pada O
pembangunan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
tracer I-TUJUAN
study I-TUJUAN
alumni I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS I-TUJUAN
untuk I-TUJUAN
mengelola I-TUJUAN
dan I-TUJUAN
memenuhi I-TUJUAN
kebutuhan I-TUJUAN
informasi I-TUJUAN
tentang I-TUJUAN
kinerja I-TUJUAN
lulusan I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS I-TUJUAN
hingga I-TUJUAN
menjadi I-TUJUAN
bahan I-TUJUAN
pertimbangan I-TUJUAN
evaluasi I-TUJUAN
pelaksanaan I-TUJUAN
proses I-TUJUAN
pembelajaran I-TUJUAN
di I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS. I-TUJUAN
Dari O
penelitian O
ini O
mengahasilkan O
Sistem B-TEMUAN
Informasi I-TEMUAN
Tracer I-TEMUAN
Study I-TEMUAN
Alumni I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
diuji I-TEMUAN
dan I-TEMUAN
dievaluasi I-TEMUAN
hingga I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
calon I-TEMUAN
responden I-TEMUAN
Survei I-TEMUAN
Tracer I-TEMUAN
Study I-TEMUAN
Alumni I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS I-TEMUAN
sehingga I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
oleh I-TEMUAN
Satuan I-TEMUAN
Penjamin I-TEMUAN
Mutu I-TEMUAN
( I-TEMUAN
SPM I-TEMUAN
) I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS I-TEMUAN
untuk I-TEMUAN
melaksanakan I-TEMUAN
survei I-TEMUAN
penilaian I-TEMUAN
alumni I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS. I-TEMUAN
Kata O
Kunci— O
Sistem O
informasi O
, O
tracer O
study O
, O
alumni O
, O
hasil O
pendidikan O
, O
kinerja O
lulusan. O
[SEP] O
Gambar O
25. O
Halaman O
Informasi O
Awal O
Kuesioner O
Atasan O
Halaman O
Kuesioner O
Atasan O
Gambar O
26. O
Halaman O
Kuesioner O
Atasan O
Halaman O
Selesai O
Mengisi O
Survei O
Gambar O
27. O
Halaman O
Selesai O
Mengisi O
Survei O
9. O
Uji O
coba O
Pada O
tahapan O
terakhir O
dari O
pembangunan O
sistem O
adalah O
uji O
coba. O
Metode O
uji O
coba O
yang O
digunakan O
adalah O
black B-METODE
box I-METODE
testing. I-METODE
Black O
box O
testing O
dilakukan O
untuk O
mengetahui O
keberhasilan O
dari O
setiap O
fungsi O
pada O
sistem O
yang O
telah O
dibangun. O
Metode O
pengujian O
balck O
box O
testing O
dilakukan O
tanpa O
melihat O
dan O
mengetahui O
struktur O
internal O
kode O
dari O
sistem O
yang O
akan O
diuji. O
Pengujian O
dilakukan O
dengan O
menjalankan O
semua O
fitur O
atau O
fungsi O
pada O
sistem O
dan O
dilihat O
apakah O
semua O
fungsi O
sudah O
bekerja O
sesuai O
dengan O
semestinya O
atau O
belum. O
Dari O
hasil O
uji O
coba O
tersebut O
dapat O
disimpulkan O
bahwa O
setiap O
fungsi O
pada O
sistem O
informasi O
tracer O
study O
alumni O
Polstat O
STIS O
sudah O
berjalan O
sesuai O
dengan O
yang O
diharapkan. O
a. O
Aplikasi O
Sistem O
Informasi O
Tracer O
Study O
Alumni O
Politeknik O
untuk O
memudahkan O
manajemen O
survei O
secara O
efektif O
dan O
efisien O
serta O
mengintegrasikan O
data O
antara O
admin O
dan O
responden. O
Statistika O
dibuat O
STIS O
b. O
Aplikasi O
Sistem O
Informasi O
Tracer O
Study O
Alumni O
Politeknik O
Statistika O
STIS O
digunakan O
oleh O
SPM O
Polstat O
STIS O
untuk O
melaksanakan O
survei O
penilaian O
alumni O
Politeknik O
Statistika O
STIS O
yang O
dilakukan O
secara O
online O
untuk O
lulusan O
dan O
juga O
pengguna O
( O
atasan O
) O
dari O
lulusan O
tersebut. O
c. O
Pada O
proses O
pengujian O
dengan O
metode O
black O
box O
testing O
menunjukkan O
bahwa O
hasil O
yang O
didapatkan O
dengan O
hasil O
yang O
diharapkan O
dari O
semua O
fungsi O
yang O
ada O
pada O
sistem O
sesuai O
dengan O
rencana O
yang O
telah O
ditetapkan. O
d. O
Pada O
proses O
evaluasi O
dengan O
metode B-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
menunjukkan O
bahwa O
Sistem O
Informasi O
Tracer O
Study O
Alumni O
Politeknik O
Statistika O
STIS O
yang O
dibangun O
sudah O
dapat O
diterima O
dengan O
baik O
oleh O
calon O
responden O
Survei O
Tracer O
Study O
Alumni O
Politeknik O
Statistika O
STIS. O
2. O
Saran O
a. O
Melakukan O
penambahan O
fitur O
generate O
sampel O
jika O
ingin O
melakukan O
survei O
terhadap O
responden O
dengan O
kategori O
khusus. O
b. O
Melakukan O
penambahan O
fitur O
visualisasi O
dalam O
bentuk O
vector O
map O
untuk O
melihat O
visualisasi O
persebaran O
alumni O
berdasarkan O
daerah. O

Pembangunan O
Sistem O
Informasi O
Tracer O
Study O
Alumni O
Politeknik O
Statistika O
STIS O
Agung O
Dika O
Wilantara O
( O
221911059 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Rindang O
Bangun O
Prasetyo O
, O
S.S.T. O
, O
M.Si. O
Ringkasan— O
Politeknik O
Statistika O
STIS O
sebagai O
salah O
satu O
perguruan O
tinggi O
di O
Indonesia O
memiliki O
kewajiban O
melaksanakan O
Tri O
Dharma O
perguruan O
tinggi O
yang O
menjadi O
tujuan O
dari O
visi O
dan O
misinya O
, O
dalam O
rencana O
strategis O
Politeknik O
Statistika O
STIS O
2020- O
2024 O
terdapat O
tujuan O
strategis O
yang O
mencerminkan O
fokus O
perubahan O
yang O
akan O
dilakukan O
oleh O
Polstat O
STIS O
dalam O
periode O
2020-2024 O
, O
yakni O
bahwa O
Polstat O
STIS O
berupaya O
terus-menerus O
untuk O
meningkatkan O
kualitas O
dari O
produk O
yang O
dihasilkannya O
berupa O
SDM O
lulusan O
Polstat O
STIS O
dan O
penelitian O
bidang O
statistik O
serta O
pemanfaatannya O
kepada O
masyarakat. O
Untuk O
mencapai O
dan O
mengukur O
hal O
tersebut O
dapat O
dilakukan O
dengan O
tracer O
study. O
Tracer O
study O
atau O
yang O
juga O
dikenal O
sebagai O
penelusuran O
alumni O
bertujuan O
untuk O
melacak O
jejak O
lulusan O
atau O
alumni O
yang O
dilakukan O
setelah O
lulus O
dan O
untuk O
mengetahui O
outcome O
/ O
output O
pendidikan. O
Penelitian O
ini O
fokus O
pada O
pembangunan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
tracer I-TUJUAN
study I-TUJUAN
alumni I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS I-TUJUAN
untuk I-TUJUAN
mengelola I-TUJUAN
dan I-TUJUAN
memenuhi I-TUJUAN
kebutuhan I-TUJUAN
informasi I-TUJUAN
tentang I-TUJUAN
kinerja I-TUJUAN
lulusan I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS I-TUJUAN
hingga I-TUJUAN
menjadi I-TUJUAN
bahan I-TUJUAN
pertimbangan I-TUJUAN
evaluasi I-TUJUAN
pelaksanaan I-TUJUAN
proses I-TUJUAN
pembelajaran I-TUJUAN
di I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS. I-TUJUAN
Dari O
penelitian O
ini O
mengahasilkan O
Sistem B-TEMUAN
Informasi I-TEMUAN
Tracer I-TEMUAN
Study I-TEMUAN
Alumni I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
diuji I-TEMUAN
dan I-TEMUAN
dievaluasi I-TEMUAN
hingga I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
calon I-TEMUAN
responden I-TEMUAN
Survei I-TEMUAN
Tracer I-TEMUAN
Study I-TEMUAN
Alumni I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS I-TEMUAN
sehingga I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
oleh I-TEMUAN
Satuan I-TEMUAN
Penjamin I-TEMUAN
Mutu I-TEMUAN
( I-TEMUAN
SPM I-TEMUAN
) I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS I-TEMUAN
untuk I-TEMUAN
melaksanakan I-TEMUAN
survei I-TEMUAN
penilaian I-TEMUAN
alumni I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS. I-TEMUAN
Kata O
Kunci— O
Sistem O
informasi O
, O
tracer O
study O
, O
alumni O
, O
hasil O
pendidikan O
, O
kinerja O
lulusan. O
[SEP] O
Gambar O
25. O
Halaman O
Informasi O
Awal O
Kuesioner O
Atasan O
Halaman O
Kuesioner O
Atasan O
Gambar O
26. O
Halaman O
Kuesioner O
Atasan O
Halaman O
Selesai O
Mengisi O
Survei O
Gambar O
27. O
Halaman O
Selesai O
Mengisi O
Survei O
9. O
Uji O
coba O
Pada O
tahapan O
terakhir O
dari O
pembangunan O
sistem O
adalah O
uji O
coba. O
Metode O
uji O
coba O
yang O
digunakan O
adalah O
black B-METODE
box I-METODE
testing. I-METODE
Black O
box O
testing O
dilakukan O
untuk O
mengetahui O
keberhasilan O
dari O
setiap O
fungsi O
pada O
sistem O
yang O
telah O
dibangun. O
Metode O
pengujian O
balck O
box O
testing O
dilakukan O
tanpa O
melihat O
dan O
mengetahui O
struktur O
internal O
kode O
dari O
sistem O
yang O
akan O
diuji. O
Pengujian O
dilakukan O
dengan O
menjalankan O
semua O
fitur O
atau O
fungsi O
pada O
sistem O
dan O
dilihat O
apakah O
semua O
fungsi O
sudah O
bekerja O
sesuai O
dengan O
semestinya O
atau O
belum. O
Dari O
hasil O
uji O
coba O
tersebut O
dapat O
disimpulkan O
bahwa O
setiap O
fungsi O
pada O
sistem O
informasi O
tracer O
study O
alumni O
Polstat O
STIS O
sudah O
berjalan O
sesuai O
dengan O
yang O
diharapkan. O
a. O
Aplikasi O
Sistem O
Informasi O
Tracer O
Study O
Alumni O
Politeknik O
untuk O
memudahkan O
manajemen O
survei O
secara O
efektif O
dan O
efisien O
serta O
mengintegrasikan O
data O
antara O
admin O
dan O
responden. O
Statistika O
dibuat O
STIS O
b. O
Aplikasi O
Sistem O
Informasi O
Tracer O
Study O
Alumni O
Politeknik O
Statistika O
STIS O
digunakan O
oleh O
SPM O
Polstat O
STIS O
untuk O
melaksanakan O
survei O
penilaian O
alumni O
Politeknik O
Statistika O
STIS O
yang O
dilakukan O
secara O
online O
untuk O
lulusan O
dan O
juga O
pengguna O
( O
atasan O
) O
dari O
lulusan O
tersebut. O
c. O
Pada O
proses O
pengujian O
dengan O
metode O
black O
box O
testing O
menunjukkan O
bahwa O
hasil O
yang O
didapatkan O
dengan O
hasil O
yang O
diharapkan O
dari O
semua O
fungsi O
yang O
ada O
pada O
sistem O
sesuai O
dengan O
rencana O
yang O
telah O
ditetapkan. O
d. O
Pada O
proses O
evaluasi O
dengan O
metode B-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
menunjukkan O
bahwa O
Sistem O
Informasi O
Tracer O
Study O
Alumni O
Politeknik O
Statistika O
STIS O
yang O
dibangun O
sudah O
dapat O
diterima O
dengan O
baik O
oleh O
calon O
responden O
Survei O
Tracer O
Study O
Alumni O
Politeknik O
Statistika O
STIS. O
2. O
Saran O
a. O
Melakukan O
penambahan O
fitur O
generate O
sampel O
jika O
ingin O
melakukan O
survei O
terhadap O
responden O
dengan O
kategori O
khusus. O
b. O
Melakukan O
penambahan O
fitur O
visualisasi O
dalam O
bentuk O
vector O
map O
untuk O
melihat O
visualisasi O
persebaran O
alumni O
berdasarkan O
daerah. O

Peramalan O
Air O
Quality O
Index O
di O
Provinsi O
DKI O
Jakarta O
Menggunakan O
CNN-LSTM O
Billy O
Aufa O
Alfarisy O
( O
221911058 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
, O
SST O
, O
M.Si O
Ringkasan— O
Jakarta O
sebagai O
kota O
metropolitan O
dan O
ibukota O
dari O
Indonesia O
memiliki O
permasalahan O
polusi O
udara O
yang O
pelik. O
Jakarta O
pernah O
menjadi O
kota O
dengan O
kualitas O
udara O
terburuk O
di O
dunia. O
Salah O
satu O
indikator O
untuk O
mengukur O
kualitas O
udara O
di O
suatu O
tempat O
adalah O
Air O
Quality O
Index O
( O
AQI O
) O
. O
AQI O
adalah O
sebuah O
indeks O
yang O
menyatakan O
tingkat O
risiko O
kesehatan O
yang O
terkait O
dengan O
polusi O
udara. O
Penelitian O
ini O
berfokus O
pada O
pembuatan B-TUJUAN
model I-TUJUAN
peramalan I-TUJUAN
AQI I-TUJUAN
di I-TUJUAN
DKI I-TUJUAN
Jakarta I-TUJUAN
menggunakan I-TUJUAN
CNN- I-TUJUAN
LSTM. I-TUJUAN
Data O
AQI O
yang O
dibutuhkan O
dikumpulkan O
dengan O
teknik B-METODE
web I-METODE
scraping I-METODE
menggunakan O
bahasa O
pemrograman O
Python. O
Model O
CNN-LSTM O
yang O
telah O
dibuat O
selanjutnya O
akan O
dievaluasi O
menggunakan O
RMSE B-METODE
, O
MAPE B-METODE
, O
dan O
MAE B-METODE
serta O
dibandingkan O
dengan O
model O
CNN-LSTM O
lainnya O
, O
LSTM O
, O
SVR O
, O
dan O
ARIMA. O
Model B-TUJUAN
terbaik I-TUJUAN
yang I-TUJUAN
mampu I-TUJUAN
meramalkan I-TUJUAN
AQI I-TUJUAN
di I-TUJUAN
DKI I-TUJUAN
Jakarta I-TUJUAN
adalah I-TUJUAN
model I-TUJUAN
CNN-LSTM I-TUJUAN
yang I-TUJUAN
diajukan I-TUJUAN
dengan I-TUJUAN
nilai I-TUJUAN
RMSE I-TUJUAN
, I-TUJUAN
MAPE I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
MAE I-TUJUAN
terkecil I-TUJUAN
jika I-TUJUAN
dibandingkan I-TUJUAN
dengan I-TUJUAN
model I-TUJUAN
lainnya. I-TUJUAN
Kata O
Kunci— O
AQI O
, O
LSTM O
, O
CNN O
, O
Polusi O
, O
Jakarta O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
kesimpulan O
yang O
berhasil O
didapatkan O
adalah O
: O
1. O
Model B-TEMUAN
CNN-LSTM I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
untuk I-TEMUAN
melakukan I-TEMUAN
peramalan I-TEMUAN
AQI I-TEMUAN
di I-TEMUAN
DKI I-TEMUAN
Jakarta I-TEMUAN
untuk I-TEMUAN
satu I-TEMUAN
jam I-TEMUAN
ke I-TEMUAN
depan. I-TEMUAN
Model I-TEMUAN
ini I-TEMUAN
mampu I-TEMUAN
meramalkan I-TEMUAN
nilai I-TEMUAN
AQI I-TEMUAN
di I-TEMUAN
DKI I-TEMUAN
Jakarta I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
jika I-TEMUAN
dilihat I-TEMUAN
berdasarkan I-TEMUAN
RMSE I-TEMUAN
, I-TEMUAN
MAPE I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
MAE. I-TEMUAN
Hyperparameter I-TEMUAN
tuning I-TEMUAN
menggunakan I-TEMUAN
Bayesian I-TEMUAN
optimization I-TEMUAN
dapat I-TEMUAN
memberikan I-TEMUAN
kombinasi I-TEMUAN
set I-TEMUAN
hyperparameter I-TEMUAN
terbaik I-TEMUAN
untuk I-TEMUAN
model. I-TEMUAN
Selain I-TEMUAN
itu I-TEMUAN
, I-TEMUAN
dropout I-TEMUAN
regularization I-TEMUAN
dan I-TEMUAN
early I-TEMUAN
stopping I-TEMUAN
yang I-TEMUAN
diterapkan I-TEMUAN
mampu I-TEMUAN
mencegah I-TEMUAN
model I-TEMUAN
untuk I-TEMUAN
mengalami I-TEMUAN
overfitting. I-TEMUAN
2. O
Model O
CNN-LSTM O
yang O
diajukan O
menjadi O
model O
terbaik O
dalam O
melakukan O
peramalan O
AQI. O
Model O
7 O
/ O
8 O
tersebut O
mengungguli O
kelima O
model O
lainnya O
, O
termasuk O
dua O
model O
dasar O
yang O
digunakan O
untuk O
pengembangan O
model. O
Oleh O
karena O
itu O
, O
model O
ini O
menjadi O
model O
yang O
direkomendasikan O
untuk O
melakukan O
peramalan O
AQI O
di O
DKI O
Jakarta O
karena O
memiliki O
kesalahan O
prediksi O
terkecil. O
Lalu O
, O
saran O
yang O
dapat O
diberikan O
oleh O
peneliti O
untuk O
penelitian-penelitian O
selanjutnya O
adalah O
: O
1. O
Menggunakan O
nilai O
timesteps O
selain O
6 O
jam O
untuk O
membentuk O
data O
input. O
2. O
Melakukan O
peramalan O
nilai O
AQI O
tidak O
hanya O
untuk O
satu O
jam O
ke O
depan O
, O
tetapi O
beberapa O
jam O
ke O
depan. O
3. O
Menggunakan O
arsitektur O
CNN-LSTM O
yang O
berbeda. O
4. O
Memilih O
lokus O
penelitian O
selain O
DKI O
Jakarta O
untuk O
melihat O
apakah O
arsitektur O
CNN-LSTM O
cocok O
untuk O
kasus O
lain. O
5. O
Menambah O
akan O
ditentukan O
menggunakan O
Bayesian O
optimization O
selain O
kelima O
hyperparameter O
pada O
penelitian O
ini. O
jumlah O
hyperparameter O
yang O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O

Peramalan O
Air O
Quality O
Index O
di O
Provinsi O
DKI O
Jakarta O
Menggunakan O
CNN-LSTM O
Billy O
Aufa O
Alfarisy O
( O
221911058 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
, O
SST O
, O
M.Si O
Ringkasan— O
Jakarta O
sebagai O
kota O
metropolitan O
dan O
ibukota O
dari O
Indonesia O
memiliki O
permasalahan O
polusi O
udara O
yang O
pelik. O
Jakarta O
pernah O
menjadi O
kota O
dengan O
kualitas O
udara O
terburuk O
di O
dunia. O
Salah O
satu O
indikator O
untuk O
mengukur O
kualitas O
udara O
di O
suatu O
tempat O
adalah O
Air O
Quality O
Index O
( O
AQI O
) O
. O
AQI O
adalah O
sebuah O
indeks O
yang O
menyatakan O
tingkat O
risiko O
kesehatan O
yang O
terkait O
dengan O
polusi O
udara. O
Penelitian O
ini O
berfokus O
pada O
pembuatan B-TUJUAN
model I-TUJUAN
peramalan I-TUJUAN
AQI I-TUJUAN
di I-TUJUAN
DKI I-TUJUAN
Jakarta I-TUJUAN
menggunakan I-TUJUAN
CNN- I-TUJUAN
LSTM. I-TUJUAN
Data O
AQI O
yang O
dibutuhkan O
dikumpulkan O
dengan O
teknik B-METODE
web I-METODE
scraping I-METODE
menggunakan O
bahasa O
pemrograman O
Python. O
Model O
CNN-LSTM O
yang O
telah O
dibuat O
selanjutnya O
akan O
dievaluasi O
menggunakan O
RMSE B-METODE
, O
MAPE B-METODE
, O
dan O
MAE B-METODE
serta O
dibandingkan O
dengan O
model O
CNN-LSTM O
lainnya O
, O
LSTM O
, O
SVR O
, O
dan O
ARIMA. O
Model B-TUJUAN
terbaik I-TUJUAN
yang I-TUJUAN
mampu I-TUJUAN
meramalkan I-TUJUAN
AQI I-TUJUAN
di I-TUJUAN
DKI I-TUJUAN
Jakarta I-TUJUAN
adalah I-TUJUAN
model I-TUJUAN
CNN-LSTM I-TUJUAN
yang I-TUJUAN
diajukan I-TUJUAN
dengan I-TUJUAN
nilai I-TUJUAN
RMSE I-TUJUAN
, I-TUJUAN
MAPE I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
MAE I-TUJUAN
terkecil I-TUJUAN
jika I-TUJUAN
dibandingkan I-TUJUAN
dengan I-TUJUAN
model I-TUJUAN
lainnya. I-TUJUAN
Kata O
Kunci— O
AQI O
, O
LSTM O
, O
CNN O
, O
Polusi O
, O
Jakarta O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
kesimpulan O
yang O
berhasil O
didapatkan O
adalah O
: O
1. O
Model B-TEMUAN
CNN-LSTM I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
untuk I-TEMUAN
melakukan I-TEMUAN
peramalan I-TEMUAN
AQI I-TEMUAN
di I-TEMUAN
DKI I-TEMUAN
Jakarta I-TEMUAN
untuk I-TEMUAN
satu I-TEMUAN
jam I-TEMUAN
ke I-TEMUAN
depan. I-TEMUAN
Model I-TEMUAN
ini I-TEMUAN
mampu I-TEMUAN
meramalkan I-TEMUAN
nilai I-TEMUAN
AQI I-TEMUAN
di I-TEMUAN
DKI I-TEMUAN
Jakarta I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
jika I-TEMUAN
dilihat I-TEMUAN
berdasarkan I-TEMUAN
RMSE I-TEMUAN
, I-TEMUAN
MAPE I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
MAE. I-TEMUAN
Hyperparameter I-TEMUAN
tuning I-TEMUAN
menggunakan I-TEMUAN
Bayesian I-TEMUAN
optimization I-TEMUAN
dapat I-TEMUAN
memberikan I-TEMUAN
kombinasi I-TEMUAN
set I-TEMUAN
hyperparameter I-TEMUAN
terbaik I-TEMUAN
untuk I-TEMUAN
model. I-TEMUAN
Selain I-TEMUAN
itu I-TEMUAN
, I-TEMUAN
dropout I-TEMUAN
regularization I-TEMUAN
dan I-TEMUAN
early I-TEMUAN
stopping I-TEMUAN
yang I-TEMUAN
diterapkan I-TEMUAN
mampu I-TEMUAN
mencegah I-TEMUAN
model I-TEMUAN
untuk I-TEMUAN
mengalami I-TEMUAN
overfitting. I-TEMUAN
2. O
Model O
CNN-LSTM O
yang O
diajukan O
menjadi O
model O
terbaik O
dalam O
melakukan O
peramalan O
AQI. O
Model O
7 O
/ O
8 O
tersebut O
mengungguli O
kelima O
model O
lainnya O
, O
termasuk O
dua O
model O
dasar O
yang O
digunakan O
untuk O
pengembangan O
model. O
Oleh O
karena O
itu O
, O
model O
ini O
menjadi O
model O
yang O
direkomendasikan O
untuk O
melakukan O
peramalan O
AQI O
di O
DKI O
Jakarta O
karena O
memiliki O
kesalahan O
prediksi O
terkecil. O
Lalu O
, O
saran O
yang O
dapat O
diberikan O
oleh O
peneliti O
untuk O
penelitian-penelitian O
selanjutnya O
adalah O
: O
1. O
Menggunakan O
nilai O
timesteps O
selain O
6 O
jam O
untuk O
membentuk O
data O
input. O
2. O
Melakukan O
peramalan O
nilai O
AQI O
tidak O
hanya O
untuk O
satu O
jam O
ke O
depan O
, O
tetapi O
beberapa O
jam O
ke O
depan. O
3. O
Menggunakan O
arsitektur O
CNN-LSTM O
yang O
berbeda. O
4. O
Memilih O
lokus O
penelitian O
selain O
DKI O
Jakarta O
untuk O
melihat O
apakah O
arsitektur O
CNN-LSTM O
cocok O
untuk O
kasus O
lain. O
5. O
Menambah O
akan O
ditentukan O
menggunakan O
Bayesian O
optimization O
selain O
kelima O
hyperparameter O
pada O
penelitian O
ini. O
jumlah O
hyperparameter O
yang O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O

Peramalan O
Air O
Quality O
Index O
di O
Provinsi O
DKI O
Jakarta O
Menggunakan O
CNN-LSTM O
Billy O
Aufa O
Alfarisy O
( O
221911058 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
, O
SST O
, O
M.Si O
Ringkasan— O
Jakarta O
sebagai O
kota O
metropolitan O
dan O
ibukota O
dari O
Indonesia O
memiliki O
permasalahan O
polusi O
udara O
yang O
pelik. O
Jakarta O
pernah O
menjadi O
kota O
dengan O
kualitas O
udara O
terburuk O
di O
dunia. O
Salah O
satu O
indikator O
untuk O
mengukur O
kualitas O
udara O
di O
suatu O
tempat O
adalah O
Air O
Quality O
Index O
( O
AQI O
) O
. O
AQI O
adalah O
sebuah O
indeks O
yang O
menyatakan O
tingkat O
risiko O
kesehatan O
yang O
terkait O
dengan O
polusi O
udara. O
Penelitian O
ini O
berfokus O
pada O
pembuatan B-TUJUAN
model I-TUJUAN
peramalan I-TUJUAN
AQI I-TUJUAN
di I-TUJUAN
DKI I-TUJUAN
Jakarta I-TUJUAN
menggunakan I-TUJUAN
CNN- I-TUJUAN
LSTM. I-TUJUAN
Data O
AQI O
yang O
dibutuhkan O
dikumpulkan O
dengan O
teknik B-METODE
web I-METODE
scraping I-METODE
menggunakan O
bahasa O
pemrograman O
Python. O
Model O
CNN-LSTM O
yang O
telah O
dibuat O
selanjutnya O
akan O
dievaluasi O
menggunakan O
RMSE B-METODE
, O
MAPE B-METODE
, O
dan O
MAE B-METODE
serta O
dibandingkan O
dengan O
model O
CNN-LSTM O
lainnya O
, O
LSTM O
, O
SVR O
, O
dan O
ARIMA. O
Model B-TUJUAN
terbaik I-TUJUAN
yang I-TUJUAN
mampu I-TUJUAN
meramalkan I-TUJUAN
AQI I-TUJUAN
di I-TUJUAN
DKI I-TUJUAN
Jakarta I-TUJUAN
adalah I-TUJUAN
model I-TUJUAN
CNN-LSTM I-TUJUAN
yang I-TUJUAN
diajukan I-TUJUAN
dengan I-TUJUAN
nilai I-TUJUAN
RMSE I-TUJUAN
, I-TUJUAN
MAPE I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
MAE I-TUJUAN
terkecil I-TUJUAN
jika I-TUJUAN
dibandingkan I-TUJUAN
dengan I-TUJUAN
model I-TUJUAN
lainnya. I-TUJUAN
Kata O
Kunci— O
AQI O
, O
LSTM O
, O
CNN O
, O
Polusi O
, O
Jakarta O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
kesimpulan O
yang O
berhasil O
didapatkan O
adalah O
: O
1. O
Model B-TEMUAN
CNN-LSTM I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
untuk I-TEMUAN
melakukan I-TEMUAN
peramalan I-TEMUAN
AQI I-TEMUAN
di I-TEMUAN
DKI I-TEMUAN
Jakarta I-TEMUAN
untuk I-TEMUAN
satu I-TEMUAN
jam I-TEMUAN
ke I-TEMUAN
depan. I-TEMUAN
Model I-TEMUAN
ini I-TEMUAN
mampu I-TEMUAN
meramalkan I-TEMUAN
nilai I-TEMUAN
AQI I-TEMUAN
di I-TEMUAN
DKI I-TEMUAN
Jakarta I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
jika I-TEMUAN
dilihat I-TEMUAN
berdasarkan I-TEMUAN
RMSE I-TEMUAN
, I-TEMUAN
MAPE I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
MAE. I-TEMUAN
Hyperparameter I-TEMUAN
tuning I-TEMUAN
menggunakan I-TEMUAN
Bayesian I-TEMUAN
optimization I-TEMUAN
dapat I-TEMUAN
memberikan I-TEMUAN
kombinasi I-TEMUAN
set I-TEMUAN
hyperparameter I-TEMUAN
terbaik I-TEMUAN
untuk I-TEMUAN
model. I-TEMUAN
Selain I-TEMUAN
itu I-TEMUAN
, I-TEMUAN
dropout I-TEMUAN
regularization I-TEMUAN
dan I-TEMUAN
early I-TEMUAN
stopping I-TEMUAN
yang I-TEMUAN
diterapkan I-TEMUAN
mampu I-TEMUAN
mencegah I-TEMUAN
model I-TEMUAN
untuk I-TEMUAN
mengalami I-TEMUAN
overfitting. I-TEMUAN
2. O
Model O
CNN-LSTM O
yang O
diajukan O
menjadi O
model O
terbaik O
dalam O
melakukan O
peramalan O
AQI. O
Model O
7 O
/ O
8 O
tersebut O
mengungguli O
kelima O
model O
lainnya O
, O
termasuk O
dua O
model O
dasar O
yang O
digunakan O
untuk O
pengembangan O
model. O
Oleh O
karena O
itu O
, O
model O
ini O
menjadi O
model O
yang O
direkomendasikan O
untuk O
melakukan O
peramalan O
AQI O
di O
DKI O
Jakarta O
karena O
memiliki O
kesalahan O
prediksi O
terkecil. O
Lalu O
, O
saran O
yang O
dapat O
diberikan O
oleh O
peneliti O
untuk O
penelitian-penelitian O
selanjutnya O
adalah O
: O
1. O
Menggunakan O
nilai O
timesteps O
selain O
6 O
jam O
untuk O
membentuk O
data O
input. O
2. O
Melakukan O
peramalan O
nilai O
AQI O
tidak O
hanya O
untuk O
satu O
jam O
ke O
depan O
, O
tetapi O
beberapa O
jam O
ke O
depan. O
3. O
Menggunakan O
arsitektur O
CNN-LSTM O
yang O
berbeda. O
4. O
Memilih O
lokus O
penelitian O
selain O
DKI O
Jakarta O
untuk O
melihat O
apakah O
arsitektur O
CNN-LSTM O
cocok O
untuk O
kasus O
lain. O
5. O
Menambah O
akan O
ditentukan O
menggunakan O
Bayesian O
optimization O
selain O
kelima O
hyperparameter O
pada O
penelitian O
ini. O
jumlah O
hyperparameter O
yang O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O

Peramalan O
Air O
Quality O
Index O
di O
Provinsi O
DKI O
Jakarta O
Menggunakan O
CNN-LSTM O
Billy O
Aufa O
Alfarisy O
( O
221911058 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
, O
SST O
, O
M.Si O
Ringkasan— O
Jakarta O
sebagai O
kota O
metropolitan O
dan O
ibukota O
dari O
Indonesia O
memiliki O
permasalahan O
polusi O
udara O
yang O
pelik. O
Jakarta O
pernah O
menjadi O
kota O
dengan O
kualitas O
udara O
terburuk O
di O
dunia. O
Salah O
satu O
indikator O
untuk O
mengukur O
kualitas O
udara O
di O
suatu O
tempat O
adalah O
Air O
Quality O
Index O
( O
AQI O
) O
. O
AQI O
adalah O
sebuah O
indeks O
yang O
menyatakan O
tingkat O
risiko O
kesehatan O
yang O
terkait O
dengan O
polusi O
udara. O
Penelitian O
ini O
berfokus O
pada O
pembuatan B-TUJUAN
model I-TUJUAN
peramalan I-TUJUAN
AQI I-TUJUAN
di I-TUJUAN
DKI I-TUJUAN
Jakarta I-TUJUAN
menggunakan I-TUJUAN
CNN- I-TUJUAN
LSTM. I-TUJUAN
Data O
AQI O
yang O
dibutuhkan O
dikumpulkan O
dengan O
teknik B-METODE
web I-METODE
scraping I-METODE
menggunakan O
bahasa O
pemrograman O
Python. O
Model O
CNN-LSTM O
yang O
telah O
dibuat O
selanjutnya O
akan O
dievaluasi O
menggunakan O
RMSE B-METODE
, O
MAPE B-METODE
, O
dan O
MAE B-METODE
serta O
dibandingkan O
dengan O
model O
CNN-LSTM O
lainnya O
, O
LSTM O
, O
SVR O
, O
dan O
ARIMA. O
Model B-TUJUAN
terbaik I-TUJUAN
yang I-TUJUAN
mampu I-TUJUAN
meramalkan I-TUJUAN
AQI I-TUJUAN
di I-TUJUAN
DKI I-TUJUAN
Jakarta I-TUJUAN
adalah I-TUJUAN
model I-TUJUAN
CNN-LSTM I-TUJUAN
yang I-TUJUAN
diajukan I-TUJUAN
dengan I-TUJUAN
nilai I-TUJUAN
RMSE I-TUJUAN
, I-TUJUAN
MAPE I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
MAE I-TUJUAN
terkecil I-TUJUAN
jika I-TUJUAN
dibandingkan I-TUJUAN
dengan I-TUJUAN
model I-TUJUAN
lainnya. I-TUJUAN
Kata O
Kunci— O
AQI O
, O
LSTM O
, O
CNN O
, O
Polusi O
, O
Jakarta O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
kesimpulan O
yang O
berhasil O
didapatkan O
adalah O
: O
1. O
Model B-TEMUAN
CNN-LSTM I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
untuk I-TEMUAN
melakukan I-TEMUAN
peramalan I-TEMUAN
AQI I-TEMUAN
di I-TEMUAN
DKI I-TEMUAN
Jakarta I-TEMUAN
untuk I-TEMUAN
satu I-TEMUAN
jam I-TEMUAN
ke I-TEMUAN
depan. I-TEMUAN
Model I-TEMUAN
ini I-TEMUAN
mampu I-TEMUAN
meramalkan I-TEMUAN
nilai I-TEMUAN
AQI I-TEMUAN
di I-TEMUAN
DKI I-TEMUAN
Jakarta I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
jika I-TEMUAN
dilihat I-TEMUAN
berdasarkan I-TEMUAN
RMSE I-TEMUAN
, I-TEMUAN
MAPE I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
MAE. I-TEMUAN
Hyperparameter I-TEMUAN
tuning I-TEMUAN
menggunakan I-TEMUAN
Bayesian I-TEMUAN
optimization I-TEMUAN
dapat I-TEMUAN
memberikan I-TEMUAN
kombinasi I-TEMUAN
set I-TEMUAN
hyperparameter I-TEMUAN
terbaik I-TEMUAN
untuk I-TEMUAN
model. I-TEMUAN
Selain I-TEMUAN
itu I-TEMUAN
, I-TEMUAN
dropout I-TEMUAN
regularization I-TEMUAN
dan I-TEMUAN
early I-TEMUAN
stopping I-TEMUAN
yang I-TEMUAN
diterapkan I-TEMUAN
mampu I-TEMUAN
mencegah I-TEMUAN
model I-TEMUAN
untuk I-TEMUAN
mengalami I-TEMUAN
overfitting. I-TEMUAN
2. O
Model O
CNN-LSTM O
yang O
diajukan O
menjadi O
model O
terbaik O
dalam O
melakukan O
peramalan O
AQI. O
Model O
7 O
/ O
8 O
tersebut O
mengungguli O
kelima O
model O
lainnya O
, O
termasuk O
dua O
model O
dasar O
yang O
digunakan O
untuk O
pengembangan O
model. O
Oleh O
karena O
itu O
, O
model O
ini O
menjadi O
model O
yang O
direkomendasikan O
untuk O
melakukan O
peramalan O
AQI O
di O
DKI O
Jakarta O
karena O
memiliki O
kesalahan O
prediksi O
terkecil. O
Lalu O
, O
saran O
yang O
dapat O
diberikan O
oleh O
peneliti O
untuk O
penelitian-penelitian O
selanjutnya O
adalah O
: O
1. O
Menggunakan O
nilai O
timesteps O
selain O
6 O
jam O
untuk O
membentuk O
data O
input. O
2. O
Melakukan O
peramalan O
nilai O
AQI O
tidak O
hanya O
untuk O
satu O
jam O
ke O
depan O
, O
tetapi O
beberapa O
jam O
ke O
depan. O
3. O
Menggunakan O
arsitektur O
CNN-LSTM O
yang O
berbeda. O
4. O
Memilih O
lokus O
penelitian O
selain O
DKI O
Jakarta O
untuk O
melihat O
apakah O
arsitektur O
CNN-LSTM O
cocok O
untuk O
kasus O
lain. O
5. O
Menambah O
akan O
ditentukan O
menggunakan O
Bayesian O
optimization O
selain O
kelima O
hyperparameter O
pada O
penelitian O
ini. O
jumlah O
hyperparameter O
yang O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O

Pembangunan O
Ulang O
Website O
Badan O
Pusat O
Statistik O
Halaman O
Beranda O
, O
Publikasi O
, O
dan O
Berita O
Resmi O
Statistik O
Denisa O
Hilmy O
Atiqah O
( O
221911050 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I. O
Ringkasan— O
Survei O
Kepuasan O
Pengguna O
Website O
BPS O
tahun O
2021 O
menunjukkan O
bahwa O
secara O
keseluruhan O
pelayanan O
yang O
diberikan O
oleh O
website O
BPS O
dinilai O
baik. O
Meskipun O
demikian O
, O
terdapat O
beberapa O
aspek O
layanan O
yang O
masih O
mendapatkan O
skor O
kepuasan O
pengguna O
yang O
jauh O
dari O
yang O
diharapkan. O
Sebagai O
respon O
dari O
survei O
tersebut O
, O
dirancanglah O
sebuah O
antarmuka O
web O
BPS O
baru O
pada O
penelitian O
sebelumnya. O
Berdasarkan O
rancangan O
tersebut O
, O
penelitian O
ini O
bertujuan O
untuk O
membangun B-TUJUAN
website I-TUJUAN
BPS I-TUJUAN
tampilan I-TUJUAN
baru I-TUJUAN
dalam I-TUJUAN
bentuk I-TUJUAN
sistem I-TUJUAN
nyata I-TUJUAN
lengkap I-TUJUAN
dengan I-TUJUAN
fungsionalitas I-TUJUAN
masing-masing I-TUJUAN
yang I-TUJUAN
siap I-TUJUAN
digunakan I-TUJUAN
dan I-TUJUAN
diakses I-TUJUAN
melalui I-TUJUAN
perangkat I-TUJUAN
apapun. I-TUJUAN
Penelitian O
ini O
menggunakan O
metode B-METODE
sistem. I-METODE
Waterfall I-METODE
Development I-METODE
Pembangunan O
sistem O
dilakukan O
menggunakan O
React O
JS O
dan O
framework B-METODE
Next I-METODE
JS. I-METODE
Metode O
pengujian O
yang O
digunakan O
untuk O
sistem O
ini O
meliputi O
black-box B-METODE
testing I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Berdasarkan O
hasil O
pengujian O
, O
sistem B-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
berhasil I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
sesuai I-TEMUAN
fungsinya I-TEMUAN
dan I-TEMUAN
memenuhi I-TEMUAN
harapan I-TEMUAN
pengguna. I-TEMUAN
dalam O
mengembangkan O
Kata O
Kunci— O
React O
JS O
, O
Next O
JS O
, O
Waterfall O
Development O
[SEP] O
Setelah O
mempertimbangkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
kesimpulan O
yang O
dapat O
diambil O
adalah O
sebagai O
berikut. O
• O
Website B-TEMUAN
BPS I-TEMUAN
dengan I-TEMUAN
tampilan I-TEMUAN
baru I-TEMUAN
versi I-TEMUAN
awal I-TEMUAN
yang I-TEMUAN
sudah I-TEMUAN
lengkap I-TEMUAN
dengan I-TEMUAN
fungsionalitas I-TEMUAN
masing-masing I-TEMUAN
fiturnya I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibangun. I-TEMUAN
Sistem O
ini O
terdiri O
dari O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
empat O
halaman O
dimana O
antarmuka O
website O
dibangun O
dengan O
merujuk O
pada O
penelitian O
sebelumnya. O
Sistem O
usulan O
telah O
mampu O
menghasilkan O
output O
yang O
sesuai O
dengan O
input O
yang O
diberikan O
berdasarkan O
hasil O
black-box O
testing. O
Sistem B-TEMUAN
usulan I-TEMUAN
juga I-TEMUAN
sudah I-TEMUAN
dievaluasi I-TEMUAN
ke I-TEMUAN
pengguna I-TEMUAN
dengan I-TEMUAN
skor I-TEMUAN
81,05 I-TEMUAN
berdasarkan I-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
SUS I-TEMUAN
sehingga I-TEMUAN
dapat I-TEMUAN
disimpulkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
sudah I-TEMUAN
masuk I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
telah I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Jika O
dilihat O
dari O
aspek O
kepuasan O
pengguna O
, O
seluruh O
aspek O
kebutuhan O
non-fungsional O
telah O
mengalami O
peningkatan O
dibandingkan O
dengan O
SKPW O
2021 O
dan O
hasil O
evaluasi O
terakhir O
dari O
penelitian O
[ O
2 O
] O
sebelumnya. O
Hasil O
pertanyaan O
terbuka O
mengenai O
sistem O
usulan O
memberikan O
kesimpulan O
bahwa O
sebagian O
besar O
tidak O
memiliki O
kendala O
ketika O
melakukan O
akses O
terhadap O
prototype O
website O
BPS O
tampilan O
baru. O
responden O
Adapun O
beberapa O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
dan O
pengembangan O
sistem O
selanjutnya O
adalah O
sebagai O
berikut. O
• O
Sesuai O
batasan O
penelitian O
, O
penelitian O
ini O
hanya O
mencakup O
pembangunan O
website O
pada O
empat O
halaman O
saja. O
Penelitian O
selanjutnya O
dapat O
dilakukan O
untuk O
membangun O
halaman-halaman O
lainnya O
di O
website O
BPS O
yang O
belum O
tercakup O
pada O
penelitian O
ini. O
• O
Hasil O
feedback O
responden O
memberikan O
hasil O
bahwa O
ada O
kendala O
saat O
mengakses O
website O
pada O
perangkat O
mobile O
sehingga O
pada O
pengembangan O
selanjutnya O
dapat O
diimplementasikan O
responsiveness O
pada O
sistem O
agar O
website O
dapat O
diakses O
dari O
segala O
perangkat O
dengan O
tampilan O
yang O
sesuai O
, O
terutama O
perangkat O
mobile. O
Pertanyaan O
nomor O
10 O
pada O
pengujian O
System O
Usability O
Scale O
( O
SUS O
) O
terkait O
dengan O
pembiasaan O
diri O
sebelum O
menggunakan O
sistem O
memiliki O
hasil O
skor O
yang O
jauh O
lebih O
rendah O
dibandingkan O
pertanyaan O
lainnya O
sehingga O
dibutuhkan O
penelitian O
lebih O
lanjut O
mengenai O
penyebab O
dan O
solusi O
atas O
permasalahan O
ini. O
• O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O

Pembangunan O
Ulang O
Website O
Badan O
Pusat O
Statistik O
Halaman O
Beranda O
, O
Publikasi O
, O
dan O
Berita O
Resmi O
Statistik O
Denisa O
Hilmy O
Atiqah O
( O
221911050 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I. O
Ringkasan— O
Survei O
Kepuasan O
Pengguna O
Website O
BPS O
tahun O
2021 O
menunjukkan O
bahwa O
secara O
keseluruhan O
pelayanan O
yang O
diberikan O
oleh O
website O
BPS O
dinilai O
baik. O
Meskipun O
demikian O
, O
terdapat O
beberapa O
aspek O
layanan O
yang O
masih O
mendapatkan O
skor O
kepuasan O
pengguna O
yang O
jauh O
dari O
yang O
diharapkan. O
Sebagai O
respon O
dari O
survei O
tersebut O
, O
dirancanglah O
sebuah O
antarmuka O
web O
BPS O
baru O
pada O
penelitian O
sebelumnya. O
Berdasarkan O
rancangan O
tersebut O
, O
penelitian O
ini O
bertujuan O
untuk O
membangun B-TUJUAN
website I-TUJUAN
BPS I-TUJUAN
tampilan I-TUJUAN
baru I-TUJUAN
dalam I-TUJUAN
bentuk I-TUJUAN
sistem I-TUJUAN
nyata I-TUJUAN
lengkap I-TUJUAN
dengan I-TUJUAN
fungsionalitas I-TUJUAN
masing-masing I-TUJUAN
yang I-TUJUAN
siap I-TUJUAN
digunakan I-TUJUAN
dan I-TUJUAN
diakses I-TUJUAN
melalui I-TUJUAN
perangkat I-TUJUAN
apapun. I-TUJUAN
Penelitian O
ini O
menggunakan O
metode B-METODE
sistem. I-METODE
Waterfall I-METODE
Development I-METODE
Pembangunan O
sistem O
dilakukan O
menggunakan O
React O
JS O
dan O
framework B-METODE
Next I-METODE
JS. I-METODE
Metode O
pengujian O
yang O
digunakan O
untuk O
sistem O
ini O
meliputi O
black-box B-METODE
testing I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Berdasarkan O
hasil O
pengujian O
, O
sistem B-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
berhasil I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
sesuai I-TEMUAN
fungsinya I-TEMUAN
dan I-TEMUAN
memenuhi I-TEMUAN
harapan I-TEMUAN
pengguna. I-TEMUAN
dalam O
mengembangkan O
Kata O
Kunci— O
React O
JS O
, O
Next O
JS O
, O
Waterfall O
Development O
[SEP] O
Setelah O
mempertimbangkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
kesimpulan O
yang O
dapat O
diambil O
adalah O
sebagai O
berikut. O
• O
Website B-TEMUAN
BPS I-TEMUAN
dengan I-TEMUAN
tampilan I-TEMUAN
baru I-TEMUAN
versi I-TEMUAN
awal I-TEMUAN
yang I-TEMUAN
sudah I-TEMUAN
lengkap I-TEMUAN
dengan I-TEMUAN
fungsionalitas I-TEMUAN
masing-masing I-TEMUAN
fiturnya I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibangun. I-TEMUAN
Sistem O
ini O
terdiri O
dari O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
empat O
halaman O
dimana O
antarmuka O
website O
dibangun O
dengan O
merujuk O
pada O
penelitian O
sebelumnya. O
Sistem O
usulan O
telah O
mampu O
menghasilkan O
output O
yang O
sesuai O
dengan O
input O
yang O
diberikan O
berdasarkan O
hasil O
black-box O
testing. O
Sistem B-TEMUAN
usulan I-TEMUAN
juga I-TEMUAN
sudah I-TEMUAN
dievaluasi I-TEMUAN
ke I-TEMUAN
pengguna I-TEMUAN
dengan I-TEMUAN
skor I-TEMUAN
81,05 I-TEMUAN
berdasarkan I-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
SUS I-TEMUAN
sehingga I-TEMUAN
dapat I-TEMUAN
disimpulkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
sudah I-TEMUAN
masuk I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
telah I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Jika O
dilihat O
dari O
aspek O
kepuasan O
pengguna O
, O
seluruh O
aspek O
kebutuhan O
non-fungsional O
telah O
mengalami O
peningkatan O
dibandingkan O
dengan O
SKPW O
2021 O
dan O
hasil O
evaluasi O
terakhir O
dari O
penelitian O
[ O
2 O
] O
sebelumnya. O
Hasil O
pertanyaan O
terbuka O
mengenai O
sistem O
usulan O
memberikan O
kesimpulan O
bahwa O
sebagian O
besar O
tidak O
memiliki O
kendala O
ketika O
melakukan O
akses O
terhadap O
prototype O
website O
BPS O
tampilan O
baru. O
responden O
Adapun O
beberapa O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
dan O
pengembangan O
sistem O
selanjutnya O
adalah O
sebagai O
berikut. O
• O
Sesuai O
batasan O
penelitian O
, O
penelitian O
ini O
hanya O
mencakup O
pembangunan O
website O
pada O
empat O
halaman O
saja. O
Penelitian O
selanjutnya O
dapat O
dilakukan O
untuk O
membangun O
halaman-halaman O
lainnya O
di O
website O
BPS O
yang O
belum O
tercakup O
pada O
penelitian O
ini. O
• O
Hasil O
feedback O
responden O
memberikan O
hasil O
bahwa O
ada O
kendala O
saat O
mengakses O
website O
pada O
perangkat O
mobile O
sehingga O
pada O
pengembangan O
selanjutnya O
dapat O
diimplementasikan O
responsiveness O
pada O
sistem O
agar O
website O
dapat O
diakses O
dari O
segala O
perangkat O
dengan O
tampilan O
yang O
sesuai O
, O
terutama O
perangkat O
mobile. O
Pertanyaan O
nomor O
10 O
pada O
pengujian O
System O
Usability O
Scale O
( O
SUS O
) O
terkait O
dengan O
pembiasaan O
diri O
sebelum O
menggunakan O
sistem O
memiliki O
hasil O
skor O
yang O
jauh O
lebih O
rendah O
dibandingkan O
pertanyaan O
lainnya O
sehingga O
dibutuhkan O
penelitian O
lebih O
lanjut O
mengenai O
penyebab O
dan O
solusi O
atas O
permasalahan O
ini. O
• O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O

Pembangunan O
Ulang O
Website O
Badan O
Pusat O
Statistik O
Halaman O
Beranda O
, O
Publikasi O
, O
dan O
Berita O
Resmi O
Statistik O
Denisa O
Hilmy O
Atiqah O
( O
221911050 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I. O
Ringkasan— O
Survei O
Kepuasan O
Pengguna O
Website O
BPS O
tahun O
2021 O
menunjukkan O
bahwa O
secara O
keseluruhan O
pelayanan O
yang O
diberikan O
oleh O
website O
BPS O
dinilai O
baik. O
Meskipun O
demikian O
, O
terdapat O
beberapa O
aspek O
layanan O
yang O
masih O
mendapatkan O
skor O
kepuasan O
pengguna O
yang O
jauh O
dari O
yang O
diharapkan. O
Sebagai O
respon O
dari O
survei O
tersebut O
, O
dirancanglah O
sebuah O
antarmuka O
web O
BPS O
baru O
pada O
penelitian O
sebelumnya. O
Berdasarkan O
rancangan O
tersebut O
, O
penelitian O
ini O
bertujuan O
untuk O
membangun B-TUJUAN
website I-TUJUAN
BPS I-TUJUAN
tampilan I-TUJUAN
baru I-TUJUAN
dalam I-TUJUAN
bentuk I-TUJUAN
sistem I-TUJUAN
nyata I-TUJUAN
lengkap I-TUJUAN
dengan I-TUJUAN
fungsionalitas I-TUJUAN
masing-masing I-TUJUAN
yang I-TUJUAN
siap I-TUJUAN
digunakan I-TUJUAN
dan I-TUJUAN
diakses I-TUJUAN
melalui I-TUJUAN
perangkat I-TUJUAN
apapun. I-TUJUAN
Penelitian O
ini O
menggunakan O
metode B-METODE
sistem. I-METODE
Waterfall I-METODE
Development I-METODE
Pembangunan O
sistem O
dilakukan O
menggunakan O
React O
JS O
dan O
framework B-METODE
Next I-METODE
JS. I-METODE
Metode O
pengujian O
yang O
digunakan O
untuk O
sistem O
ini O
meliputi O
black-box B-METODE
testing I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Berdasarkan O
hasil O
pengujian O
, O
sistem B-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
berhasil I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
sesuai I-TEMUAN
fungsinya I-TEMUAN
dan I-TEMUAN
memenuhi I-TEMUAN
harapan I-TEMUAN
pengguna. I-TEMUAN
dalam O
mengembangkan O
Kata O
Kunci— O
React O
JS O
, O
Next O
JS O
, O
Waterfall O
Development O
[SEP] O
Setelah O
mempertimbangkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
kesimpulan O
yang O
dapat O
diambil O
adalah O
sebagai O
berikut. O
• O
Website B-TEMUAN
BPS I-TEMUAN
dengan I-TEMUAN
tampilan I-TEMUAN
baru I-TEMUAN
versi I-TEMUAN
awal I-TEMUAN
yang I-TEMUAN
sudah I-TEMUAN
lengkap I-TEMUAN
dengan I-TEMUAN
fungsionalitas I-TEMUAN
masing-masing I-TEMUAN
fiturnya I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibangun. I-TEMUAN
Sistem O
ini O
terdiri O
dari O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
empat O
halaman O
dimana O
antarmuka O
website O
dibangun O
dengan O
merujuk O
pada O
penelitian O
sebelumnya. O
Sistem O
usulan O
telah O
mampu O
menghasilkan O
output O
yang O
sesuai O
dengan O
input O
yang O
diberikan O
berdasarkan O
hasil O
black-box O
testing. O
Sistem B-TEMUAN
usulan I-TEMUAN
juga I-TEMUAN
sudah I-TEMUAN
dievaluasi I-TEMUAN
ke I-TEMUAN
pengguna I-TEMUAN
dengan I-TEMUAN
skor I-TEMUAN
81,05 I-TEMUAN
berdasarkan I-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
SUS I-TEMUAN
sehingga I-TEMUAN
dapat I-TEMUAN
disimpulkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
sudah I-TEMUAN
masuk I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
telah I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Jika O
dilihat O
dari O
aspek O
kepuasan O
pengguna O
, O
seluruh O
aspek O
kebutuhan O
non-fungsional O
telah O
mengalami O
peningkatan O
dibandingkan O
dengan O
SKPW O
2021 O
dan O
hasil O
evaluasi O
terakhir O
dari O
penelitian O
[ O
2 O
] O
sebelumnya. O
Hasil O
pertanyaan O
terbuka O
mengenai O
sistem O
usulan O
memberikan O
kesimpulan O
bahwa O
sebagian O
besar O
tidak O
memiliki O
kendala O
ketika O
melakukan O
akses O
terhadap O
prototype O
website O
BPS O
tampilan O
baru. O
responden O
Adapun O
beberapa O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
dan O
pengembangan O
sistem O
selanjutnya O
adalah O
sebagai O
berikut. O
• O
Sesuai O
batasan O
penelitian O
, O
penelitian O
ini O
hanya O
mencakup O
pembangunan O
website O
pada O
empat O
halaman O
saja. O
Penelitian O
selanjutnya O
dapat O
dilakukan O
untuk O
membangun O
halaman-halaman O
lainnya O
di O
website O
BPS O
yang O
belum O
tercakup O
pada O
penelitian O
ini. O
• O
Hasil O
feedback O
responden O
memberikan O
hasil O
bahwa O
ada O
kendala O
saat O
mengakses O
website O
pada O
perangkat O
mobile O
sehingga O
pada O
pengembangan O
selanjutnya O
dapat O
diimplementasikan O
responsiveness O
pada O
sistem O
agar O
website O
dapat O
diakses O
dari O
segala O
perangkat O
dengan O
tampilan O
yang O
sesuai O
, O
terutama O
perangkat O
mobile. O
Pertanyaan O
nomor O
10 O
pada O
pengujian O
System O
Usability O
Scale O
( O
SUS O
) O
terkait O
dengan O
pembiasaan O
diri O
sebelum O
menggunakan O
sistem O
memiliki O
hasil O
skor O
yang O
jauh O
lebih O
rendah O
dibandingkan O
pertanyaan O
lainnya O
sehingga O
dibutuhkan O
penelitian O
lebih O
lanjut O
mengenai O
penyebab O
dan O
solusi O
atas O
permasalahan O
ini. O
• O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O

Pembangunan O
Ulang O
Website O
Badan O
Pusat O
Statistik O
Halaman O
Beranda O
, O
Publikasi O
, O
dan O
Berita O
Resmi O
Statistik O
Denisa O
Hilmy O
Atiqah O
( O
221911050 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I. O
Ringkasan— O
Survei O
Kepuasan O
Pengguna O
Website O
BPS O
tahun O
2021 O
menunjukkan O
bahwa O
secara O
keseluruhan O
pelayanan O
yang O
diberikan O
oleh O
website O
BPS O
dinilai O
baik. O
Meskipun O
demikian O
, O
terdapat O
beberapa O
aspek O
layanan O
yang O
masih O
mendapatkan O
skor O
kepuasan O
pengguna O
yang O
jauh O
dari O
yang O
diharapkan. O
Sebagai O
respon O
dari O
survei O
tersebut O
, O
dirancanglah O
sebuah O
antarmuka O
web O
BPS O
baru O
pada O
penelitian O
sebelumnya. O
Berdasarkan O
rancangan O
tersebut O
, O
penelitian O
ini O
bertujuan O
untuk O
membangun B-TUJUAN
website I-TUJUAN
BPS I-TUJUAN
tampilan I-TUJUAN
baru I-TUJUAN
dalam I-TUJUAN
bentuk I-TUJUAN
sistem I-TUJUAN
nyata I-TUJUAN
lengkap I-TUJUAN
dengan I-TUJUAN
fungsionalitas I-TUJUAN
masing-masing I-TUJUAN
yang I-TUJUAN
siap I-TUJUAN
digunakan I-TUJUAN
dan I-TUJUAN
diakses I-TUJUAN
melalui I-TUJUAN
perangkat I-TUJUAN
apapun. I-TUJUAN
Penelitian O
ini O
menggunakan O
metode B-METODE
sistem. I-METODE
Waterfall I-METODE
Development I-METODE
Pembangunan O
sistem O
dilakukan O
menggunakan O
React O
JS O
dan O
framework B-METODE
Next I-METODE
JS. I-METODE
Metode O
pengujian O
yang O
digunakan O
untuk O
sistem O
ini O
meliputi O
black-box B-METODE
testing I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Berdasarkan O
hasil O
pengujian O
, O
sistem B-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
berhasil I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
sesuai I-TEMUAN
fungsinya I-TEMUAN
dan I-TEMUAN
memenuhi I-TEMUAN
harapan I-TEMUAN
pengguna. I-TEMUAN
dalam O
mengembangkan O
Kata O
Kunci— O
React O
JS O
, O
Next O
JS O
, O
Waterfall O
Development O
[SEP] O
Setelah O
mempertimbangkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
kesimpulan O
yang O
dapat O
diambil O
adalah O
sebagai O
berikut. O
• O
Website B-TEMUAN
BPS I-TEMUAN
dengan I-TEMUAN
tampilan I-TEMUAN
baru I-TEMUAN
versi I-TEMUAN
awal I-TEMUAN
yang I-TEMUAN
sudah I-TEMUAN
lengkap I-TEMUAN
dengan I-TEMUAN
fungsionalitas I-TEMUAN
masing-masing I-TEMUAN
fiturnya I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibangun. I-TEMUAN
Sistem O
ini O
terdiri O
dari O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
empat O
halaman O
dimana O
antarmuka O
website O
dibangun O
dengan O
merujuk O
pada O
penelitian O
sebelumnya. O
Sistem O
usulan O
telah O
mampu O
menghasilkan O
output O
yang O
sesuai O
dengan O
input O
yang O
diberikan O
berdasarkan O
hasil O
black-box O
testing. O
Sistem B-TEMUAN
usulan I-TEMUAN
juga I-TEMUAN
sudah I-TEMUAN
dievaluasi I-TEMUAN
ke I-TEMUAN
pengguna I-TEMUAN
dengan I-TEMUAN
skor I-TEMUAN
81,05 I-TEMUAN
berdasarkan I-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
SUS I-TEMUAN
sehingga I-TEMUAN
dapat I-TEMUAN
disimpulkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
sudah I-TEMUAN
masuk I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
telah I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Jika O
dilihat O
dari O
aspek O
kepuasan O
pengguna O
, O
seluruh O
aspek O
kebutuhan O
non-fungsional O
telah O
mengalami O
peningkatan O
dibandingkan O
dengan O
SKPW O
2021 O
dan O
hasil O
evaluasi O
terakhir O
dari O
penelitian O
[ O
2 O
] O
sebelumnya. O
Hasil O
pertanyaan O
terbuka O
mengenai O
sistem O
usulan O
memberikan O
kesimpulan O
bahwa O
sebagian O
besar O
tidak O
memiliki O
kendala O
ketika O
melakukan O
akses O
terhadap O
prototype O
website O
BPS O
tampilan O
baru. O
responden O
Adapun O
beberapa O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
dan O
pengembangan O
sistem O
selanjutnya O
adalah O
sebagai O
berikut. O
• O
Sesuai O
batasan O
penelitian O
, O
penelitian O
ini O
hanya O
mencakup O
pembangunan O
website O
pada O
empat O
halaman O
saja. O
Penelitian O
selanjutnya O
dapat O
dilakukan O
untuk O
membangun O
halaman-halaman O
lainnya O
di O
website O
BPS O
yang O
belum O
tercakup O
pada O
penelitian O
ini. O
• O
Hasil O
feedback O
responden O
memberikan O
hasil O
bahwa O
ada O
kendala O
saat O
mengakses O
website O
pada O
perangkat O
mobile O
sehingga O
pada O
pengembangan O
selanjutnya O
dapat O
diimplementasikan O
responsiveness O
pada O
sistem O
agar O
website O
dapat O
diakses O
dari O
segala O
perangkat O
dengan O
tampilan O
yang O
sesuai O
, O
terutama O
perangkat O
mobile. O
Pertanyaan O
nomor O
10 O
pada O
pengujian O
System O
Usability O
Scale O
( O
SUS O
) O
terkait O
dengan O
pembiasaan O
diri O
sebelum O
menggunakan O
sistem O
memiliki O
hasil O
skor O
yang O
jauh O
lebih O
rendah O
dibandingkan O
pertanyaan O
lainnya O
sehingga O
dibutuhkan O
penelitian O
lebih O
lanjut O
mengenai O
penyebab O
dan O
solusi O
atas O
permasalahan O
ini. O
• O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O

Early O
Warning O
Harga O
Saham O
melalui O
Sentimen O
Twitter O
terhadap O
Pasar O
Saham O
mzenggunakan O
Cross O
Spectral O
Analysis O
Muhammad O
Hafizh O
Eka O
Putra O
( O
221911007 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Aisyah O
Fitri O
Yuniasih O
, O
SST. O
, O
SE. O
, O
M.Si. O
Ringkasan— O
Pasar O
saham O
sangat O
penting O
bagi O
perekonomian O
suatu O
negara O
karena O
pasar O
saham O
merupakan O
sebuah O
wadah O
penyediaan O
modal O
untuk O
perusahaan O
dalam O
rangka O
memperluas O
aktivitas O
perdagangannya O
[ O
1 O
] O
. O
Sedangkan O
saham O
merupakan O
saluran O
utama O
bagi O
perusahan O
untuk O
mempromosikan O
usahanya O
pada O
para O
investor O
dan O
para O
pemilik O
modal. O
Harga O
saham O
cenderung O
mengalami O
fluktuasi O
dari O
waktu O
ke O
waktu. O
Pergerakan O
harga O
saham O
di O
Indonesia O
diukur O
oleh O
sebuah O
indeks O
yang O
dinamakan O
Indeks O
Harga O
Saham O
Gabungan O
( O
IHSG O
) O
. O
IHSG O
dipengaruhi O
oleh O
beberapa O
faktor O
salah O
satunya O
yaitu O
sentimen O
mengenai O
pasar O
saham. O
Salah O
satu O
media O
yang O
menjadi O
wadah O
yang O
mencerminkan O
opini O
dan O
sentimen O
masyarakat O
yaitu O
twitter. O
Penelitian O
ini O
akan O
menganalisis B-TUJUAN
sentimen I-TUJUAN
dari I-TUJUAN
pengguna I-TUJUAN
twitter I-TUJUAN
dengan I-TUJUAN
teknik I-TUJUAN
semi-supervised I-TUJUAN
learning I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
klasifikasi I-TUJUAN
support I-TUJUAN
vector I-TUJUAN
machine. I-TUJUAN
Akurasi B-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
dari I-TEMUAN
analisis I-TEMUAN
sentimen I-TEMUAN
yaitu I-TEMUAN
sebesar I-TEMUAN
76 I-TEMUAN
% I-TEMUAN
. O
Selanjutnya O
dilakukan O
cross O
spectral O
analysis O
yang O
menghasilkan O
adanya O
keterkaitan O
antara O
pergerakan O
IHSG O
dan O
sentimen O
pengguna O
twitter. O
Sentimen O
positif O
merupakan O
early O
warning O
bagi O
harga O
penutupan O
dan O
volume O
transaksi O
IHSG O
, O
sedangkan O
sentimen O
negatif O
menjadi O
early O
warning O
untuk O
harga O
penutupan O
IHSG. O
Kata O
Kunci— O
Pasar O
saham O
, O
IHSG O
, O
sentimen O
, O
twitter O
, O
early O
warning O
, O
cross O
spectral O
analysis O
para O
investor O
apakah O
akan O
membeli O
, O
menahan O
maupun O
menjual O
saham O
yang O
mereka O
miliki O
[ O
4 O
] O
. O
BEI O
mencatat O
bahwa O
IHSG O
mengalami O
tekanan O
terutama O
pada O
kuartal O
pertama O
tahun O
2020 O
sebagai O
dampak O
dari O
pandemi O
COVID-19. O
Titik O
terendah O
IHSG O
pada O
tahun O
2020 O
terjadi O
pada O
24 O
Maret O
2020 O
yaitu O
pada O
level O
3.937 O
padahal O
sebelumnya O
IHSG O
berada O
pada O
level O
6.300 O
pada O
bulan O
Januari O
2020. O
Kemudian O
pada O
akhir O
2020 O
, O
BEI O
mencatat O
Rata-Rata O
Nilai O
Transaksi O
Harian O
( O
RNTH O
) O
sebesar O
Rp O
9,21 O
triliun O
dan O
IHSG O
berhasil O
rebound O
ke O
level O
5.979,07 O
[ O
3 O
] O
. O
Pada O
penghujung O
tahun O
2021 O
, O
terdapat O
optimisme O
pemulihan O
ekonomi O
yang O
mendorong O
pertumbuhan O
pasar O
saham O
di O
Indonesia. O
Pemulihan O
ekonomi O
ini O
juga O
disambut O
antusias O
oleh O
pelaku O
pasar O
modal O
dengan O
naiknya O
aktivitas-aktivitas O
domestik O
[ O
5 O
] O
. O
Oleh O
karena O
itu O
, O
IHSG O
pada O
akhir O
tahun O
2021 O
kembali O
mengalami O
tren O
kenaikan O
seperti O
sebelum O
COVID-19 O
, O
IHSG O
mencapai O
level O
6.544. O
Kenaikan O
ini O
terus O
berlanjut O
hingga O
berhasil O
mencatatkan O
rekor O
tertinggi O
sepanjang O
sejarah O
yaitu O
mencapai O
level O
7.276 O
pada O
21 O
April O
2022. O
[SEP] O
7.1 O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bab O
sebelumnya O
, O
dapat O
disimpulkan O
bahwa O
: O
1. O
Hasil B-TEMUAN
klasifikasi I-TEMUAN
sentimen I-TEMUAN
menggunakan I-TEMUAN
support I-TEMUAN
vector I-TEMUAN
machine I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sentimen I-TEMUAN
pengguna I-TEMUAN
twitter I-TEMUAN
terhadap I-TEMUAN
pasar I-TEMUAN
saham I-TEMUAN
cenderung I-TEMUAN
netral. I-TEMUAN
Sentimen I-TEMUAN
netral I-TEMUAN
kebanyakan I-TEMUAN
membahas I-TEMUAN
mengenai I-TEMUAN
pasar I-TEMUAN
saham I-TEMUAN
namun I-TEMUAN
tidak I-TEMUAN
berdampak I-TEMUAN
juga O
menjelaskan O
mengenai O
ilmu-ilmu O
dalam O
pasar O
saham. O
Sementara O
itu O
sentimen O
positif O
dan O
sentimen O
negatif O
membahas O
mengenai O
pasar O
saham O
yang O
bisa O
berdampak O
terhadap O
pergerakan O
harga O
dan O
volume O
saham. O
Klasifikasi O
sentimen O
menggunakan O
SVM O
menghasilkan O
tweet O
berlabel O
positif O
sebanyak O
43.495 O
tweet O
dan O
tweet O
berlabel O
negative O
sebanyak O
17.010 O
tweet. O
terhadap O
pergerakan O
IHSG O
dan O
2. O
Sentimen O
pengguna O
twitter O
memiliki O
keterkaitan O
yang O
kuat O
dengan O
IHSG O
dimana O
koefisien O
koherensi O
lebih O
dari O
0,8. O
3. O
Sentimen O
positif O
pengguna O
twitter O
merupakan O
early O
warning O
bagi O
volume O
transaksi O
dan O
harga O
penutupan O
IHSG O
, O
sementara O
sentimen O
negatif O
hanya O
menjadi O
early O
warning O
bagi O
harga O
penutupan O
IHSG. O
Sentimen O
positif O
lebih O
cepat O
direspon O
oleh O
harga O
saham O
, O
yakni O
dalam O
0,051 O
hari O
atau O
1 O
jam O
kemudian O
, O
selanjutnya O
transaksi O
saham O
akan O
merespon O
setelah O
0,45 O
hari O
atau O
11 O
jam O
kemudian. O
Sementara O
tweet O
dengan O
sentimen O
negatif O
memiliki O
lead-time O
1,65 O
hari O
untuk O
IHSG O
dan O
lag-time O
0,11 O
hari O
atau O
sekitar O
3 O
jam O
untuk O
volume O
transaksi. O
7.2 O
Saran O
Berdasarkan O
apa O
yang O
telah O
dibahas O
pada O
penelitian O
ini O
, O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
selanjutnya O
adalah O
: O
1. O
Penelitian O
ini O
terbatas O
hanya O
pada O
IHSG O
dimana O
banyak O
faktor O
yang O
mempengaruhi O
selain O
sentimen O
dan O
IHSG O
itu O
sendiri O
merupakan O
gabungan O
indeks O
saham O
yang O
tercatat O
di O
BEI. O
Penelitian O
selanjutnya O
dapat O
menggunakan O
salah O
satu O
saham O
di O
bursa O
efek O
Indonesia O
yang O
dapat O
diperjualbelikan O
sehingga O
dapat O
menghasilkan O
lead-time O
/ O
lag-time O
yang O
lebih O
sesuai O
dengan O
keadaan O
sebenarnya. O
2. O
Pada O
penelitian O
ini O
hanya O
menggunakan O
metode O
SVM O
untuk O
selanjutnya O
dapat O
lain O
dalam O
pengklasifikasian O
klasifikasi O
menggunakan O
metode O
sehingga O
akan O
menghasilkan O
akurasi O
yang O
lebih O
baik. O
sentimen. O
Penelitian O

Early O
Warning O
Harga O
Saham O
melalui O
Sentimen O
Twitter O
terhadap O
Pasar O
Saham O
mzenggunakan O
Cross O
Spectral O
Analysis O
Muhammad O
Hafizh O
Eka O
Putra O
( O
221911007 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Aisyah O
Fitri O
Yuniasih O
, O
SST. O
, O
SE. O
, O
M.Si. O
Ringkasan— O
Pasar O
saham O
sangat O
penting O
bagi O
perekonomian O
suatu O
negara O
karena O
pasar O
saham O
merupakan O
sebuah O
wadah O
penyediaan O
modal O
untuk O
perusahaan O
dalam O
rangka O
memperluas O
aktivitas O
perdagangannya O
[ O
1 O
] O
. O
Sedangkan O
saham O
merupakan O
saluran O
utama O
bagi O
perusahan O
untuk O
mempromosikan O
usahanya O
pada O
para O
investor O
dan O
para O
pemilik O
modal. O
Harga O
saham O
cenderung O
mengalami O
fluktuasi O
dari O
waktu O
ke O
waktu. O
Pergerakan O
harga O
saham O
di O
Indonesia O
diukur O
oleh O
sebuah O
indeks O
yang O
dinamakan O
Indeks O
Harga O
Saham O
Gabungan O
( O
IHSG O
) O
. O
IHSG O
dipengaruhi O
oleh O
beberapa O
faktor O
salah O
satunya O
yaitu O
sentimen O
mengenai O
pasar O
saham. O
Salah O
satu O
media O
yang O
menjadi O
wadah O
yang O
mencerminkan O
opini O
dan O
sentimen O
masyarakat O
yaitu O
twitter. O
Penelitian O
ini O
akan O
menganalisis B-TUJUAN
sentimen I-TUJUAN
dari I-TUJUAN
pengguna I-TUJUAN
twitter I-TUJUAN
dengan I-TUJUAN
teknik I-TUJUAN
semi-supervised I-TUJUAN
learning I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
klasifikasi I-TUJUAN
support I-TUJUAN
vector I-TUJUAN
machine. I-TUJUAN
Akurasi B-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
dari I-TEMUAN
analisis I-TEMUAN
sentimen I-TEMUAN
yaitu I-TEMUAN
sebesar I-TEMUAN
76 I-TEMUAN
% I-TEMUAN
. O
Selanjutnya O
dilakukan O
cross O
spectral O
analysis O
yang O
menghasilkan O
adanya O
keterkaitan O
antara O
pergerakan O
IHSG O
dan O
sentimen O
pengguna O
twitter. O
Sentimen O
positif O
merupakan O
early O
warning O
bagi O
harga O
penutupan O
dan O
volume O
transaksi O
IHSG O
, O
sedangkan O
sentimen O
negatif O
menjadi O
early O
warning O
untuk O
harga O
penutupan O
IHSG. O
Kata O
Kunci— O
Pasar O
saham O
, O
IHSG O
, O
sentimen O
, O
twitter O
, O
early O
warning O
, O
cross O
spectral O
analysis O
para O
investor O
apakah O
akan O
membeli O
, O
menahan O
maupun O
menjual O
saham O
yang O
mereka O
miliki O
[ O
4 O
] O
. O
BEI O
mencatat O
bahwa O
IHSG O
mengalami O
tekanan O
terutama O
pada O
kuartal O
pertama O
tahun O
2020 O
sebagai O
dampak O
dari O
pandemi O
COVID-19. O
Titik O
terendah O
IHSG O
pada O
tahun O
2020 O
terjadi O
pada O
24 O
Maret O
2020 O
yaitu O
pada O
level O
3.937 O
padahal O
sebelumnya O
IHSG O
berada O
pada O
level O
6.300 O
pada O
bulan O
Januari O
2020. O
Kemudian O
pada O
akhir O
2020 O
, O
BEI O
mencatat O
Rata-Rata O
Nilai O
Transaksi O
Harian O
( O
RNTH O
) O
sebesar O
Rp O
9,21 O
triliun O
dan O
IHSG O
berhasil O
rebound O
ke O
level O
5.979,07 O
[ O
3 O
] O
. O
Pada O
penghujung O
tahun O
2021 O
, O
terdapat O
optimisme O
pemulihan O
ekonomi O
yang O
mendorong O
pertumbuhan O
pasar O
saham O
di O
Indonesia. O
Pemulihan O
ekonomi O
ini O
juga O
disambut O
antusias O
oleh O
pelaku O
pasar O
modal O
dengan O
naiknya O
aktivitas-aktivitas O
domestik O
[ O
5 O
] O
. O
Oleh O
karena O
itu O
, O
IHSG O
pada O
akhir O
tahun O
2021 O
kembali O
mengalami O
tren O
kenaikan O
seperti O
sebelum O
COVID-19 O
, O
IHSG O
mencapai O
level O
6.544. O
Kenaikan O
ini O
terus O
berlanjut O
hingga O
berhasil O
mencatatkan O
rekor O
tertinggi O
sepanjang O
sejarah O
yaitu O
mencapai O
level O
7.276 O
pada O
21 O
April O
2022. O
[SEP] O
7.1 O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bab O
sebelumnya O
, O
dapat O
disimpulkan O
bahwa O
: O
1. O
Hasil B-TEMUAN
klasifikasi I-TEMUAN
sentimen I-TEMUAN
menggunakan I-TEMUAN
support I-TEMUAN
vector I-TEMUAN
machine I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sentimen I-TEMUAN
pengguna I-TEMUAN
twitter I-TEMUAN
terhadap I-TEMUAN
pasar I-TEMUAN
saham I-TEMUAN
cenderung I-TEMUAN
netral. I-TEMUAN
Sentimen I-TEMUAN
netral I-TEMUAN
kebanyakan I-TEMUAN
membahas I-TEMUAN
mengenai I-TEMUAN
pasar I-TEMUAN
saham I-TEMUAN
namun I-TEMUAN
tidak I-TEMUAN
berdampak I-TEMUAN
juga O
menjelaskan O
mengenai O
ilmu-ilmu O
dalam O
pasar O
saham. O
Sementara O
itu O
sentimen O
positif O
dan O
sentimen O
negatif O
membahas O
mengenai O
pasar O
saham O
yang O
bisa O
berdampak O
terhadap O
pergerakan O
harga O
dan O
volume O
saham. O
Klasifikasi O
sentimen O
menggunakan O
SVM O
menghasilkan O
tweet O
berlabel O
positif O
sebanyak O
43.495 O
tweet O
dan O
tweet O
berlabel O
negative O
sebanyak O
17.010 O
tweet. O
terhadap O
pergerakan O
IHSG O
dan O
2. O
Sentimen O
pengguna O
twitter O
memiliki O
keterkaitan O
yang O
kuat O
dengan O
IHSG O
dimana O
koefisien O
koherensi O
lebih O
dari O
0,8. O
3. O
Sentimen O
positif O
pengguna O
twitter O
merupakan O
early O
warning O
bagi O
volume O
transaksi O
dan O
harga O
penutupan O
IHSG O
, O
sementara O
sentimen O
negatif O
hanya O
menjadi O
early O
warning O
bagi O
harga O
penutupan O
IHSG. O
Sentimen O
positif O
lebih O
cepat O
direspon O
oleh O
harga O
saham O
, O
yakni O
dalam O
0,051 O
hari O
atau O
1 O
jam O
kemudian O
, O
selanjutnya O
transaksi O
saham O
akan O
merespon O
setelah O
0,45 O
hari O
atau O
11 O
jam O
kemudian. O
Sementara O
tweet O
dengan O
sentimen O
negatif O
memiliki O
lead-time O
1,65 O
hari O
untuk O
IHSG O
dan O
lag-time O
0,11 O
hari O
atau O
sekitar O
3 O
jam O
untuk O
volume O
transaksi. O
7.2 O
Saran O
Berdasarkan O
apa O
yang O
telah O
dibahas O
pada O
penelitian O
ini O
, O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
selanjutnya O
adalah O
: O
1. O
Penelitian O
ini O
terbatas O
hanya O
pada O
IHSG O
dimana O
banyak O
faktor O
yang O
mempengaruhi O
selain O
sentimen O
dan O
IHSG O
itu O
sendiri O
merupakan O
gabungan O
indeks O
saham O
yang O
tercatat O
di O
BEI. O
Penelitian O
selanjutnya O
dapat O
menggunakan O
salah O
satu O
saham O
di O
bursa O
efek O
Indonesia O
yang O
dapat O
diperjualbelikan O
sehingga O
dapat O
menghasilkan O
lead-time O
/ O
lag-time O
yang O
lebih O
sesuai O
dengan O
keadaan O
sebenarnya. O
2. O
Pada O
penelitian O
ini O
hanya O
menggunakan O
metode O
SVM O
untuk O
selanjutnya O
dapat O
lain O
dalam O
pengklasifikasian O
klasifikasi O
menggunakan O
metode O
sehingga O
akan O
menghasilkan O
akurasi O
yang O
lebih O
baik. O
sentimen. O
Penelitian O

Implementasi O
Topic O
Modelling O
dalam O
Analisis O
Tren O
Penelitian O
SDGs O
Tujuan O
6 O
Fathonah O
Illia O
( O
221911038 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Rani O
Nooraeni O
, O
S.S.T O
, O
M.Stat O
Ringkasan— O
SDGs O
tujuan O
6 O
yang O
berfokus O
pada O
ketersediaan O
air O
bersih O
dan O
sanitasi O
layak O
merupakan O
salah O
satu O
tujuan O
yang O
sangat O
krusial O
dalam O
SDGs O
menyebabkan O
pemenuhan O
tujuan O
ini O
penting O
karena O
akan O
menentukan O
capaian O
semua O
tujuan O
SDGs O
lainnya O
dan O
kegagalannya O
akan O
membahayakan O
tujuan-tujuan O
SDGs O
lainnya. O
Sebagai O
masalah O
global O
yang O
serius O
, O
SDGs O
tujuan O
6 O
dapat O
dipecahkan O
melalui O
penelitian O
ilmiah O
dan O
inovasi O
, O
tetapi O
seringkali O
penelitian O
terkait O
tujuan O
ini O
seringkali O
tidak O
diketahui O
menyebabkan O
tidak O
adanya O
koneksi O
antara O
dunia O
akademik O
dan O
praktisi O
dalam O
mengimplementasikan O
solusi O
yang O
tersedia. O
Selain O
itu O
, O
distribusi O
global O
kapasitas O
ilmiah O
dan O
akses O
pengetahuan O
SDGs O
tujuan O
6 O
apabila O
terjadi O
sangat O
tidak O
merata O
juga O
dapat O
mengancam O
terganggunya O
capaian O
target O
ini. O
Oleh O
karena O
itu O
, O
identifikasi O
jalur O
kritis O
melalui O
penelitian O
ilmiah O
dapat O
dilakukan O
melalui O
pemodelan O
topik O
( O
topic O
modelling O
) O
dan O
ekstraksi O
entitas O
lokasi O
( O
named O
entity O
recognition O
) O
. O
Hasil O
penelitian O
menunjukkan O
bahwa O
penelitian B-TEMUAN
SDGs I-TEMUAN
tujuan I-TEMUAN
6 I-TEMUAN
memiliki I-TEMUAN
keterkaitan I-TEMUAN
dengan I-TEMUAN
tujuan I-TEMUAN
SDGs I-TEMUAN
lainnya I-TEMUAN
dan I-TEMUAN
sebaran I-TEMUAN
lokasi I-TEMUAN
penelitian I-TEMUAN
lapangan I-TEMUAN
atau I-TEMUAN
studi I-TEMUAN
kasusnya I-TEMUAN
masih I-TEMUAN
dominan I-TEMUAN
di I-TEMUAN
negara I-TEMUAN
tertentu I-TEMUAN
saja. I-TEMUAN
Model O
default O
BERTopic O
sebagai O
model O
terbaik O
menunjukkan O
bahwa O
kecenderungan O
topik O
dan O
tren O
pada O
target O
6.3 O
terkait O
kualitas O
air. O
Selain O
itu O
, O
sebaran O
lokasi O
penelitian O
lapangan O
atau O
studi O
kasus O
pada O
setiap O
target O
SDGs O
tujuan O
6 O
juga O
cenderung O
sama O
dimana O
berpusat O
di O
India O
, O
China O
, O
dan O
United O
States. O
Kata O
Kunci— O
SDGs O
tujuan O
6 O
, O
Penelitian O
Ilmiah O
, O
Topic O
Modelling O
, O
Named O
Entity O
Recognition O
, O
analisis O
tren O
penelitian. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan. O
1. O
Pemanfaatan O
penelitian O
SDGs O
tujuan O
6 O
yang O
tersaji O
dalam O
academic O
search O
engine O
dapat O
digunakan O
untuk O
mengetahui O
gambaran O
penelitian O
terkait O
SDGs O
tujuan O
6 O
2. O
Pemanfaatan O
ekstraksi O
informasi O
entitas O
berupa O
lokasi O
dan O
sebagai O
dapat O
mempermudah O
dalam O
lokasi O
penelitian O
lapangan O
atau O
studi O
kasus O
( O
research O
sites O
) O
dari O
penelitian O
SDGs O
tujuan O
6. O
langkah O
identifikasi O
sebaran O
digunakan O
awal O
embedding O
) O
3. O
Implementasi B-TEMUAN
topic I-TEMUAN
modelling I-TEMUAN
berbasis I-TEMUAN
penyematan I-TEMUAN
teks I-TEMUAN
( I-TEMUAN
text I-TEMUAN
untuk I-TEMUAN
dapat I-TEMUAN
menganalisis I-TEMUAN
topik I-TEMUAN
dan I-TEMUAN
tren I-TEMUAN
dalam I-TEMUAN
penelitian I-TEMUAN
SDGs I-TEMUAN
tujuan I-TEMUAN
6 I-TEMUAN
dan I-TEMUAN
memberikan I-TEMUAN
tingkat I-TEMUAN
koherensi I-TEMUAN
topik I-TEMUAN
yang I-TEMUAN
cukup I-TEMUAN
tinggi I-TEMUAN
sebesar I-TEMUAN
0.67168 I-TEMUAN
dengan I-TEMUAN
36 I-TEMUAN
topik I-TEMUAN
yang I-TEMUAN
terbentuk. I-TEMUAN
dimanfaatkan O
4. O
Adanya O
identifikasi O
lokasi O
penelitian O
lapangan O
atau O
studi O
kasus O
terhadap O
penelitian O
SDGs O
tujuan O
6 O
dapat O
sangat O
berguna O
untuk O
mengetahui O
sebaran O
lokasi O
penelitian O
SDGs O
tujuan O
6. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
Adapun O
untuk O
penelitian O
selanjutnya O
, O
berikut O
merupakan O
beberapa O
saran O
yang O
dapat O
dilakukan. O
1. O
Keterbatasan O
dalam O
jumlah O
artikel O
penelitian O
yang O
diperoleh O
memungkinkan O
tidak O
tercakupnya O
semua O
penelitian O
terkait O
pada O
periode O
waktu O
tersebut. O
Oleh O
karena O
itu O
, O
pengumpulan O
data O
dari O
berbagai O
academic O
search O
engine O
lainnya O
dapat O
dilakukan O
untuk O
penelitian O
selanjutnya. O
2. O
Penerapan O
berbagai O
metode O
NER O
yang O
lebih O
baik O
perlu O
dilakukan O
, O
selanjutnya O
menggunakan O
data O
dalam O
jumlah O
yang O
besar O
, O
sehingga O
pengecakan O
manual O
tidak O
perlu O
dilakukan. O
jika O
penelitian O
terutama O
3. O
Optimasi O
hyperparameter O
tuning O
dapat O
dilakukan O
terutama O
untuk O
tahapan O
metode O
reduksi O
dan O
clustering. O
4. O
Identifikasi O
target O
SDGs O
tujuan O
6 O
yang O
dilakukan O
pada O
penelitian O
ini O
hanya O
berdasarkan O
satu O
target O
saja O
yang O
paling O
dominan O
, O
padahal O
memungkinkan O
untuk O
satu O
topik O
dianggap O
mewakili O
dua O
target O
yang O
berbeda O
, O
sehingga O
penelitian O
berikutnya O
diharapkan O
dapat O
melakukan O
hal O
tersebut. O

Implementasi O
Topic O
Modelling O
dalam O
Analisis O
Tren O
Penelitian O
SDGs O
Tujuan O
6 O
Fathonah O
Illia O
( O
221911038 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Rani O
Nooraeni O
, O
S.S.T O
, O
M.Stat O
Ringkasan— O
SDGs O
tujuan O
6 O
yang O
berfokus O
pada O
ketersediaan O
air O
bersih O
dan O
sanitasi O
layak O
merupakan O
salah O
satu O
tujuan O
yang O
sangat O
krusial O
dalam O
SDGs O
menyebabkan O
pemenuhan O
tujuan O
ini O
penting O
karena O
akan O
menentukan O
capaian O
semua O
tujuan O
SDGs O
lainnya O
dan O
kegagalannya O
akan O
membahayakan O
tujuan-tujuan O
SDGs O
lainnya. O
Sebagai O
masalah O
global O
yang O
serius O
, O
SDGs O
tujuan O
6 O
dapat O
dipecahkan O
melalui O
penelitian O
ilmiah O
dan O
inovasi O
, O
tetapi O
seringkali O
penelitian O
terkait O
tujuan O
ini O
seringkali O
tidak O
diketahui O
menyebabkan O
tidak O
adanya O
koneksi O
antara O
dunia O
akademik O
dan O
praktisi O
dalam O
mengimplementasikan O
solusi O
yang O
tersedia. O
Selain O
itu O
, O
distribusi O
global O
kapasitas O
ilmiah O
dan O
akses O
pengetahuan O
SDGs O
tujuan O
6 O
apabila O
terjadi O
sangat O
tidak O
merata O
juga O
dapat O
mengancam O
terganggunya O
capaian O
target O
ini. O
Oleh O
karena O
itu O
, O
identifikasi O
jalur O
kritis O
melalui O
penelitian O
ilmiah O
dapat O
dilakukan O
melalui O
pemodelan O
topik O
( O
topic O
modelling O
) O
dan O
ekstraksi O
entitas O
lokasi O
( O
named O
entity O
recognition O
) O
. O
Hasil O
penelitian O
menunjukkan O
bahwa O
penelitian B-TEMUAN
SDGs I-TEMUAN
tujuan I-TEMUAN
6 I-TEMUAN
memiliki I-TEMUAN
keterkaitan I-TEMUAN
dengan I-TEMUAN
tujuan I-TEMUAN
SDGs I-TEMUAN
lainnya I-TEMUAN
dan I-TEMUAN
sebaran I-TEMUAN
lokasi I-TEMUAN
penelitian I-TEMUAN
lapangan I-TEMUAN
atau I-TEMUAN
studi I-TEMUAN
kasusnya I-TEMUAN
masih I-TEMUAN
dominan I-TEMUAN
di I-TEMUAN
negara I-TEMUAN
tertentu I-TEMUAN
saja. I-TEMUAN
Model O
default O
BERTopic O
sebagai O
model O
terbaik O
menunjukkan O
bahwa O
kecenderungan O
topik O
dan O
tren O
pada O
target O
6.3 O
terkait O
kualitas O
air. O
Selain O
itu O
, O
sebaran O
lokasi O
penelitian O
lapangan O
atau O
studi O
kasus O
pada O
setiap O
target O
SDGs O
tujuan O
6 O
juga O
cenderung O
sama O
dimana O
berpusat O
di O
India O
, O
China O
, O
dan O
United O
States. O
Kata O
Kunci— O
SDGs O
tujuan O
6 O
, O
Penelitian O
Ilmiah O
, O
Topic O
Modelling O
, O
Named O
Entity O
Recognition O
, O
analisis O
tren O
penelitian. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan. O
1. O
Pemanfaatan O
penelitian O
SDGs O
tujuan O
6 O
yang O
tersaji O
dalam O
academic O
search O
engine O
dapat O
digunakan O
untuk O
mengetahui O
gambaran O
penelitian O
terkait O
SDGs O
tujuan O
6 O
2. O
Pemanfaatan O
ekstraksi O
informasi O
entitas O
berupa O
lokasi O
dan O
sebagai O
dapat O
mempermudah O
dalam O
lokasi O
penelitian O
lapangan O
atau O
studi O
kasus O
( O
research O
sites O
) O
dari O
penelitian O
SDGs O
tujuan O
6. O
langkah O
identifikasi O
sebaran O
digunakan O
awal O
embedding O
) O
3. O
Implementasi B-TEMUAN
topic I-TEMUAN
modelling I-TEMUAN
berbasis I-TEMUAN
penyematan I-TEMUAN
teks I-TEMUAN
( I-TEMUAN
text I-TEMUAN
untuk I-TEMUAN
dapat I-TEMUAN
menganalisis I-TEMUAN
topik I-TEMUAN
dan I-TEMUAN
tren I-TEMUAN
dalam I-TEMUAN
penelitian I-TEMUAN
SDGs I-TEMUAN
tujuan I-TEMUAN
6 I-TEMUAN
dan I-TEMUAN
memberikan I-TEMUAN
tingkat I-TEMUAN
koherensi I-TEMUAN
topik I-TEMUAN
yang I-TEMUAN
cukup I-TEMUAN
tinggi I-TEMUAN
sebesar I-TEMUAN
0.67168 I-TEMUAN
dengan I-TEMUAN
36 I-TEMUAN
topik I-TEMUAN
yang I-TEMUAN
terbentuk. I-TEMUAN
dimanfaatkan O
4. O
Adanya O
identifikasi O
lokasi O
penelitian O
lapangan O
atau O
studi O
kasus O
terhadap O
penelitian O
SDGs O
tujuan O
6 O
dapat O
sangat O
berguna O
untuk O
mengetahui O
sebaran O
lokasi O
penelitian O
SDGs O
tujuan O
6. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
Adapun O
untuk O
penelitian O
selanjutnya O
, O
berikut O
merupakan O
beberapa O
saran O
yang O
dapat O
dilakukan. O
1. O
Keterbatasan O
dalam O
jumlah O
artikel O
penelitian O
yang O
diperoleh O
memungkinkan O
tidak O
tercakupnya O
semua O
penelitian O
terkait O
pada O
periode O
waktu O
tersebut. O
Oleh O
karena O
itu O
, O
pengumpulan O
data O
dari O
berbagai O
academic O
search O
engine O
lainnya O
dapat O
dilakukan O
untuk O
penelitian O
selanjutnya. O
2. O
Penerapan O
berbagai O
metode O
NER O
yang O
lebih O
baik O
perlu O
dilakukan O
, O
selanjutnya O
menggunakan O
data O
dalam O
jumlah O
yang O
besar O
, O
sehingga O
pengecakan O
manual O
tidak O
perlu O
dilakukan. O
jika O
penelitian O
terutama O
3. O
Optimasi O
hyperparameter O
tuning O
dapat O
dilakukan O
terutama O
untuk O
tahapan O
metode O
reduksi O
dan O
clustering. O
4. O
Identifikasi O
target O
SDGs O
tujuan O
6 O
yang O
dilakukan O
pada O
penelitian O
ini O
hanya O
berdasarkan O
satu O
target O
saja O
yang O
paling O
dominan O
, O
padahal O
memungkinkan O
untuk O
satu O
topik O
dianggap O
mewakili O
dua O
target O
yang O
berbeda O
, O
sehingga O
penelitian O
berikutnya O
diharapkan O
dapat O
melakukan O
hal O
tersebut. O

Keberlanjutan O
dan O
Faktor O
yang O
Mempengaruhi O
Penggunaan O
Collaboration O
Tools O
pada O
Masa O
Transisi O
Pandemi O
Covid-19 O
di O
Indonesia O
Aulia O
Rido O
Salsabila O
( O
221911026 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.ST. O
, O
M.T.I O
Ringkasan—Adanya O
jarak O
dalam O
pelaksanaan O
WFH O
selama O
pandemi O
Covid-19 O
dapat O
menghambat O
komunikasi O
dan O
koordinasi O
dalam O
melakukan O
pekerjaan. O
Oleh O
karena O
itu O
collaboration O
tools O
sangat O
diperlukan O
pada O
masa O
pandemi O
Covid- O
19. O
Seiring O
membaiknya O
kondisi O
pandemi O
Covid-19 O
, O
pemerintah O
melakukan O
penyesuaian O
terkait O
kebijakan O
WFH O
dengan O
melakukan O
pencabutan O
PPKM O
pada O
tanggal O
30 O
Desember O
2022. O
Adanya O
penyesuaian O
kebijakan O
tersebut O
diperkirakan O
akan O
berpengaruh O
terhadap O
intensitas O
penggunaan O
collaboration O
tools. O
Penelitian O
ini O
menggunakan O
integrasi O
ECM B-METODE
dan O
TAM B-METODE
untuk O
mengetahui B-TUJUAN
faktor-faktor I-TUJUAN
yang I-TUJUAN
mempengaruhi I-TUJUAN
penggunaan I-TUJUAN
collaboration I-TUJUAN
tools I-TUJUAN
pada I-TUJUAN
masa I-TUJUAN
transisi I-TUJUAN
pandemi I-TUJUAN
Covid-19. I-TUJUAN
Analisis B-METODE
deskriptif I-METODE
dan O
PLS-SEM B-METODE
digunakan O
sebagai O
metode O
pengolahan O
dan O
analisis O
data. O
Hasil O
penelitian O
menunjukkan O
bahwa O
seluruh B-TEMUAN
instrumen I-TEMUAN
yang I-TEMUAN
digunakan I-TEMUAN
valid I-TEMUAN
dan I-TEMUAN
reliabel I-TEMUAN
serta I-TEMUAN
terdapat I-TEMUAN
hubungan I-TEMUAN
positif I-TEMUAN
signifikan I-TEMUAN
antar I-TEMUAN
konstruk I-TEMUAN
penelitian. I-TEMUAN
Actual O
continued O
usage O
dipengaruhi O
continuance O
intention O
sebesar O
43 O
% O
. O
Selanjutnya O
, O
attitude O
toward O
using O
memiliki O
pengaruh O
yang O
paling O
besar O
intention. O
Adapun O
perceived O
daripada O
usefulness O
confirmation. O
Perceived O
usefulness O
juga O
lebih O
mempengaruhi O
attitude O
toward O
using O
dibanding O
perceived O
ease O
of O
use. O
Serta O
perceived O
usefulness O
sendiri O
dipengaruhi O
oleh O
perceived O
ease O
of O
use. O
Kata O
Kunci— O
pandemi O
Covid-19 O
, O
masa O
transisi O
, O
collaboration O
lebih O
mempengaruhi O
terhadap O
continuance O
satisfaction O
tools O
, O
ECM O
, O
TAM O
, O
PLS-SEM. O
[SEP] O
Tujuan O
penelitian O
ini O
adalah O
untuk O
mengetahui B-TUJUAN
penggunaan I-TUJUAN
collaboration I-TUJUAN
tools I-TUJUAN
serta I-TUJUAN
faktor-faktor I-TUJUAN
yang I-TUJUAN
mempengaruhi I-TUJUAN
penggunaan I-TUJUAN
collaboration I-TUJUAN
tools I-TUJUAN
pada I-TUJUAN
masa I-TUJUAN
transisi I-TUJUAN
Covid-19 I-TUJUAN
di I-TUJUAN
Indonesia. I-TUJUAN
Hasil O
penelitian O
menunjukkan O
bahwa O
terjadi B-TEMUAN
penurunan I-TEMUAN
intensitas I-TEMUAN
penggunaan I-TEMUAN
collaboration I-TEMUAN
tools I-TEMUAN
pada I-TEMUAN
masa I-TEMUAN
transisi. I-TEMUAN
Hal O
tersebut O
dibuktikan O
dengan O
pada O
masa O
transisi O
, O
mayoritas O
responden O
menggunakan O
collaboration O
tools O
sebanyak O
2-3 O
kali O
seminggu O
yang O
mana O
sebelumnya O
( O
pada O
masa O
pandemi O
Covid-19 O
) O
, O
mayoritas O
responden O
menggunakan O
collaboration O
tools O
lebih O
dari O
1 O
kali O
dalam O
sehari. O
Walaupun O
demikian O
, O
keberlanjutan O
collaboration O
tools O
diperkirakan O
dapat O
menggantikan O
keberadaan O
pertemuan O
tatap O
muka O
secara O
langsung. O
Selanjutnya O
penggunaan O
collaboration O
tools O
dipengaruhi O
oleh O
niat O
keberlanjutan O
pengguna O
sebesar O
43 O
% O
. O
Adapun O
sikap O
pengguna O
merupakan O
faktor O
yang O
paling O
berpengaruh O
terhadap O
niat O
keberlanjutan O
pengguna. O
Selain O
itu O
, O
kemudahan O
pengguna O
berpengaruh O
terhadap O
kepuasan O
pengguna O
dan O
sikap O
pengguna. O
Serta O
kemudahan O
pengguna O
7 O
/ O
8 O
sendiri O
dipengaruhi O
oleh O
manfaat O
yang O
dirasakan. O
Selain O
itu O
, O
penelitian O
ini O
berkontribusi O
dalam O
membuktikan O
integrasi O
TAM O
dan O
ECM O
untuk O
melihat O
keberlanjutan O
suatu O
teknologi O
, O
dalam O
hal O
ini O
keberlanjutan O
collaboration O
tools O
pada O
masa O
transisi O
Covid-19 O
di O
Indonesia. O
Dikarenakan O
terdapat O
penyebaran O
yang O
kurang O
merata O
pada O
karakteristik O
responden O
, O
maka O
peneliti O
selanjutnya O
diharapkan O
dapat O
menggunakan O
teknik O
pengambilan O
sampel O
yang O
berbeda O
sehingga O
dapat O
membandingkan O
hasil O
akhir O
penelitian. O

Keberlanjutan O
dan O
Faktor O
yang O
Mempengaruhi O
Penggunaan O
Collaboration O
Tools O
pada O
Masa O
Transisi O
Pandemi O
Covid-19 O
di O
Indonesia O
Aulia O
Rido O
Salsabila O
( O
221911026 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.ST. O
, O
M.T.I O
Ringkasan—Adanya O
jarak O
dalam O
pelaksanaan O
WFH O
selama O
pandemi O
Covid-19 O
dapat O
menghambat O
komunikasi O
dan O
koordinasi O
dalam O
melakukan O
pekerjaan. O
Oleh O
karena O
itu O
collaboration O
tools O
sangat O
diperlukan O
pada O
masa O
pandemi O
Covid- O
19. O
Seiring O
membaiknya O
kondisi O
pandemi O
Covid-19 O
, O
pemerintah O
melakukan O
penyesuaian O
terkait O
kebijakan O
WFH O
dengan O
melakukan O
pencabutan O
PPKM O
pada O
tanggal O
30 O
Desember O
2022. O
Adanya O
penyesuaian O
kebijakan O
tersebut O
diperkirakan O
akan O
berpengaruh O
terhadap O
intensitas O
penggunaan O
collaboration O
tools. O
Penelitian O
ini O
menggunakan O
integrasi O
ECM B-METODE
dan O
TAM B-METODE
untuk O
mengetahui B-TUJUAN
faktor-faktor I-TUJUAN
yang I-TUJUAN
mempengaruhi I-TUJUAN
penggunaan I-TUJUAN
collaboration I-TUJUAN
tools I-TUJUAN
pada I-TUJUAN
masa I-TUJUAN
transisi I-TUJUAN
pandemi I-TUJUAN
Covid-19. I-TUJUAN
Analisis B-METODE
deskriptif I-METODE
dan O
PLS-SEM B-METODE
digunakan O
sebagai O
metode O
pengolahan O
dan O
analisis O
data. O
Hasil O
penelitian O
menunjukkan O
bahwa O
seluruh B-TEMUAN
instrumen I-TEMUAN
yang I-TEMUAN
digunakan I-TEMUAN
valid I-TEMUAN
dan I-TEMUAN
reliabel I-TEMUAN
serta I-TEMUAN
terdapat I-TEMUAN
hubungan I-TEMUAN
positif I-TEMUAN
signifikan I-TEMUAN
antar I-TEMUAN
konstruk I-TEMUAN
penelitian. I-TEMUAN
Actual O
continued O
usage O
dipengaruhi O
continuance O
intention O
sebesar O
43 O
% O
. O
Selanjutnya O
, O
attitude O
toward O
using O
memiliki O
pengaruh O
yang O
paling O
besar O
intention. O
Adapun O
perceived O
daripada O
usefulness O
confirmation. O
Perceived O
usefulness O
juga O
lebih O
mempengaruhi O
attitude O
toward O
using O
dibanding O
perceived O
ease O
of O
use. O
Serta O
perceived O
usefulness O
sendiri O
dipengaruhi O
oleh O
perceived O
ease O
of O
use. O
Kata O
Kunci— O
pandemi O
Covid-19 O
, O
masa O
transisi O
, O
collaboration O
lebih O
mempengaruhi O
terhadap O
continuance O
satisfaction O
tools O
, O
ECM O
, O
TAM O
, O
PLS-SEM. O
[SEP] O
Tujuan O
penelitian O
ini O
adalah O
untuk O
mengetahui B-TUJUAN
penggunaan I-TUJUAN
collaboration I-TUJUAN
tools I-TUJUAN
serta I-TUJUAN
faktor-faktor I-TUJUAN
yang I-TUJUAN
mempengaruhi I-TUJUAN
penggunaan I-TUJUAN
collaboration I-TUJUAN
tools I-TUJUAN
pada I-TUJUAN
masa I-TUJUAN
transisi I-TUJUAN
Covid-19 I-TUJUAN
di I-TUJUAN
Indonesia. I-TUJUAN
Hasil O
penelitian O
menunjukkan O
bahwa O
terjadi B-TEMUAN
penurunan I-TEMUAN
intensitas I-TEMUAN
penggunaan I-TEMUAN
collaboration I-TEMUAN
tools I-TEMUAN
pada I-TEMUAN
masa I-TEMUAN
transisi. I-TEMUAN
Hal O
tersebut O
dibuktikan O
dengan O
pada O
masa O
transisi O
, O
mayoritas O
responden O
menggunakan O
collaboration O
tools O
sebanyak O
2-3 O
kali O
seminggu O
yang O
mana O
sebelumnya O
( O
pada O
masa O
pandemi O
Covid-19 O
) O
, O
mayoritas O
responden O
menggunakan O
collaboration O
tools O
lebih O
dari O
1 O
kali O
dalam O
sehari. O
Walaupun O
demikian O
, O
keberlanjutan O
collaboration O
tools O
diperkirakan O
dapat O
menggantikan O
keberadaan O
pertemuan O
tatap O
muka O
secara O
langsung. O
Selanjutnya O
penggunaan O
collaboration O
tools O
dipengaruhi O
oleh O
niat O
keberlanjutan O
pengguna O
sebesar O
43 O
% O
. O
Adapun O
sikap O
pengguna O
merupakan O
faktor O
yang O
paling O
berpengaruh O
terhadap O
niat O
keberlanjutan O
pengguna. O
Selain O
itu O
, O
kemudahan O
pengguna O
berpengaruh O
terhadap O
kepuasan O
pengguna O
dan O
sikap O
pengguna. O
Serta O
kemudahan O
pengguna O
7 O
/ O
8 O
sendiri O
dipengaruhi O
oleh O
manfaat O
yang O
dirasakan. O
Selain O
itu O
, O
penelitian O
ini O
berkontribusi O
dalam O
membuktikan O
integrasi O
TAM O
dan O
ECM O
untuk O
melihat O
keberlanjutan O
suatu O
teknologi O
, O
dalam O
hal O
ini O
keberlanjutan O
collaboration O
tools O
pada O
masa O
transisi O
Covid-19 O
di O
Indonesia. O
Dikarenakan O
terdapat O
penyebaran O
yang O
kurang O
merata O
pada O
karakteristik O
responden O
, O
maka O
peneliti O
selanjutnya O
diharapkan O
dapat O
menggunakan O
teknik O
pengambilan O
sampel O
yang O
berbeda O
sehingga O
dapat O
membandingkan O
hasil O
akhir O
penelitian. O

Keberlanjutan O
dan O
Faktor O
yang O
Mempengaruhi O
Penggunaan O
Collaboration O
Tools O
pada O
Masa O
Transisi O
Pandemi O
Covid-19 O
di O
Indonesia O
Aulia O
Rido O
Salsabila O
( O
221911026 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.ST. O
, O
M.T.I O
Ringkasan—Adanya O
jarak O
dalam O
pelaksanaan O
WFH O
selama O
pandemi O
Covid-19 O
dapat O
menghambat O
komunikasi O
dan O
koordinasi O
dalam O
melakukan O
pekerjaan. O
Oleh O
karena O
itu O
collaboration O
tools O
sangat O
diperlukan O
pada O
masa O
pandemi O
Covid- O
19. O
Seiring O
membaiknya O
kondisi O
pandemi O
Covid-19 O
, O
pemerintah O
melakukan O
penyesuaian O
terkait O
kebijakan O
WFH O
dengan O
melakukan O
pencabutan O
PPKM O
pada O
tanggal O
30 O
Desember O
2022. O
Adanya O
penyesuaian O
kebijakan O
tersebut O
diperkirakan O
akan O
berpengaruh O
terhadap O
intensitas O
penggunaan O
collaboration O
tools. O
Penelitian O
ini O
menggunakan O
integrasi O
ECM B-METODE
dan O
TAM B-METODE
untuk O
mengetahui B-TUJUAN
faktor-faktor I-TUJUAN
yang I-TUJUAN
mempengaruhi I-TUJUAN
penggunaan I-TUJUAN
collaboration I-TUJUAN
tools I-TUJUAN
pada I-TUJUAN
masa I-TUJUAN
transisi I-TUJUAN
pandemi I-TUJUAN
Covid-19. I-TUJUAN
Analisis B-METODE
deskriptif I-METODE
dan O
PLS-SEM B-METODE
digunakan O
sebagai O
metode O
pengolahan O
dan O
analisis O
data. O
Hasil O
penelitian O
menunjukkan O
bahwa O
seluruh B-TEMUAN
instrumen I-TEMUAN
yang I-TEMUAN
digunakan I-TEMUAN
valid I-TEMUAN
dan I-TEMUAN
reliabel I-TEMUAN
serta I-TEMUAN
terdapat I-TEMUAN
hubungan I-TEMUAN
positif I-TEMUAN
signifikan I-TEMUAN
antar I-TEMUAN
konstruk I-TEMUAN
penelitian. I-TEMUAN
Actual O
continued O
usage O
dipengaruhi O
continuance O
intention O
sebesar O
43 O
% O
. O
Selanjutnya O
, O
attitude O
toward O
using O
memiliki O
pengaruh O
yang O
paling O
besar O
intention. O
Adapun O
perceived O
daripada O
usefulness O
confirmation. O
Perceived O
usefulness O
juga O
lebih O
mempengaruhi O
attitude O
toward O
using O
dibanding O
perceived O
ease O
of O
use. O
Serta O
perceived O
usefulness O
sendiri O
dipengaruhi O
oleh O
perceived O
ease O
of O
use. O
Kata O
Kunci— O
pandemi O
Covid-19 O
, O
masa O
transisi O
, O
collaboration O
lebih O
mempengaruhi O
terhadap O
continuance O
satisfaction O
tools O
, O
ECM O
, O
TAM O
, O
PLS-SEM. O
[SEP] O
Tujuan O
penelitian O
ini O
adalah O
untuk O
mengetahui B-TUJUAN
penggunaan I-TUJUAN
collaboration I-TUJUAN
tools I-TUJUAN
serta I-TUJUAN
faktor-faktor I-TUJUAN
yang I-TUJUAN
mempengaruhi I-TUJUAN
penggunaan I-TUJUAN
collaboration I-TUJUAN
tools I-TUJUAN
pada I-TUJUAN
masa I-TUJUAN
transisi I-TUJUAN
Covid-19 I-TUJUAN
di I-TUJUAN
Indonesia. I-TUJUAN
Hasil O
penelitian O
menunjukkan O
bahwa O
terjadi B-TEMUAN
penurunan I-TEMUAN
intensitas I-TEMUAN
penggunaan I-TEMUAN
collaboration I-TEMUAN
tools I-TEMUAN
pada I-TEMUAN
masa I-TEMUAN
transisi. I-TEMUAN
Hal O
tersebut O
dibuktikan O
dengan O
pada O
masa O
transisi O
, O
mayoritas O
responden O
menggunakan O
collaboration O
tools O
sebanyak O
2-3 O
kali O
seminggu O
yang O
mana O
sebelumnya O
( O
pada O
masa O
pandemi O
Covid-19 O
) O
, O
mayoritas O
responden O
menggunakan O
collaboration O
tools O
lebih O
dari O
1 O
kali O
dalam O
sehari. O
Walaupun O
demikian O
, O
keberlanjutan O
collaboration O
tools O
diperkirakan O
dapat O
menggantikan O
keberadaan O
pertemuan O
tatap O
muka O
secara O
langsung. O
Selanjutnya O
penggunaan O
collaboration O
tools O
dipengaruhi O
oleh O
niat O
keberlanjutan O
pengguna O
sebesar O
43 O
% O
. O
Adapun O
sikap O
pengguna O
merupakan O
faktor O
yang O
paling O
berpengaruh O
terhadap O
niat O
keberlanjutan O
pengguna. O
Selain O
itu O
, O
kemudahan O
pengguna O
berpengaruh O
terhadap O
kepuasan O
pengguna O
dan O
sikap O
pengguna. O
Serta O
kemudahan O
pengguna O
7 O
/ O
8 O
sendiri O
dipengaruhi O
oleh O
manfaat O
yang O
dirasakan. O
Selain O
itu O
, O
penelitian O
ini O
berkontribusi O
dalam O
membuktikan O
integrasi O
TAM O
dan O
ECM O
untuk O
melihat O
keberlanjutan O
suatu O
teknologi O
, O
dalam O
hal O
ini O
keberlanjutan O
collaboration O
tools O
pada O
masa O
transisi O
Covid-19 O
di O
Indonesia. O
Dikarenakan O
terdapat O
penyebaran O
yang O
kurang O
merata O
pada O
karakteristik O
responden O
, O
maka O
peneliti O
selanjutnya O
diharapkan O
dapat O
menggunakan O
teknik O
pengambilan O
sampel O
yang O
berbeda O
sehingga O
dapat O
membandingkan O
hasil O
akhir O
penelitian. O

Deteksi O
Fake O
News O
Pada O
Portal O
Berita O
Online O
Bahasa O
Indonesia O
Menggunakan O
Machine O
Learning O
dan O
Deep O
Learning O
( O
Studi O
Kasus O
: O
Turnbackhoax.id O
dan O
Cnnindonesia.com O
) O
Jamilatul O
Fitriya O
Kumala O
( O
221911025 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Bony O
Parulian O
Josaphat O
S.Si O
Ringkasan—Teknologi O
informasi O
dan O
komunikasi O
yang O
semakin O
berkembang O
pesat O
turut O
memberikan O
dampak O
negatif O
yaitu O
meningkatnya O
penyebaran O
fake O
news O
atau O
berita O
palsu O
yang O
dapat O
menyebabkan O
konflik O
dan O
perpecahan O
antar O
masyarakat. O
Penyebaran O
berita O
palsu O
ini O
cukup O
cepat O
karena O
kurangnya O
kewaspadaan O
masyarakat O
terhadap O
kebenaran O
dari O
berita-berita O
yang O
diunggah O
di O
internet. O
Oleh O
karena O
itu O
, O
perlu O
dilakukan O
upaya O
untuk O
mengatasi O
penyebaran O
berita O
palsu O
di O
internet. O
Salah O
satunya O
adalah O
melakukan O
verifikasi O
kebenaran O
dari O
suatu O
berita. O
Guna O
memudahkan O
kegiatan O
tersebut O
maka O
perlu O
dibentuk O
suatu O
model O
sistem O
pendeteksian O
fake O
news O
yang O
akurat O
dengan O
menggunakan O
metode O
machine O
learning O
dan O
deep O
learning. O
Algoritma O
yang O
digunakan O
dalam O
penelitian O
ini O
adalah O
K-NN O
, O
Decision O
Tree O
, O
Random O
Forest O
, O
SVM O
, O
dan O
CNN O
yang O
dikombinasikkan O
dengan O
TF-IDF O
dan O
feature O
engineering. O
Selanjutnya O
model O
yang O
dihasilkan O
dari O
kelima O
algoritma O
tersebut O
akan O
dievaluasi O
performanya O
guna O
memperoleh O
model O
terbaik O
yang O
dapat O
mendeteksi O
berita O
palsu O
secara O
akurat. O
Berdasarkan O
penelitian O
ini O
didapatkan O
hasil O
bahwa O
algoritma B-TEMUAN
Random I-TEMUAN
Forest I-TEMUAN
merupakan I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
dalam I-TEMUAN
mengklasifikasi I-TEMUAN
berita I-TEMUAN
palsu I-TEMUAN
di I-TEMUAN
portal I-TEMUAN
berita I-TEMUAN
online I-TEMUAN
berita I-TEMUAN
dengan I-TEMUAN
persentase I-TEMUAN
f1-score I-TEMUAN
sebesar I-TEMUAN
99.91 I-TEMUAN
% I-TEMUAN
. O
Kata O
Kunci— O
fake O
news O
, O
klasifikasi O
, O
machine O
learning O
, O
deep O
learning. O
[SEP] O
7.1 O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
1 O
) O
Unggahan O
berita O
di O
portal O
berita O
dapat O
dideteksi O
kebenarannya O
dengan O
membuat O
model O
klasifikasi O
Random O
Forest O
yang O
dikombinasikan O
dengan O
TF- O
IDF O
dan O
feature O
engineering. O
2 O
) O
Hasil O
klasifikasi O
berita O
menggunakan O
metode O
klasifikasi O
Random O
Forest O
memberikan O
nilai O
f1- B-METODE
score I-METODE
tersebut O
menunjukkan O
bahwa O
kinerja O
model O
yang O
diusulkan O
cukup O
handal O
untuk O
mendeteksi O
berita O
palsu. O
99.91 O
% O
. O
Hasil O
sebesar O
7.2 O
Saran O
Berdasarkan O
kesimpulan O
yang O
didapatkan O
, O
berikut O
adalah O
beberapa O
saran O
yang O
diusulkan O
oleh O
peneliti O
: O
1 O
) O
Meningkatkan O
performa O
model O
pendeteksian O
berita O
palsu O
dengan O
menerapkan O
jenis O
feature O
extraction O
lainnya O
dan O
menambahkan O
feature O
engineering O
lainnya O
seperti O
kesalahan O
penulisan O
kata O
( O
typo O
) O
. O
2 O
) O
Menangani O
kasus O
ketidakseimbangan O
data O
pada O
jumlah O
dataset. O
3 O
) O
Melakukan O
pengujian O
pada O
metode O
klasifikasi O
lain O
terutama O
deep O
learning O
jika O
dataset O
yang O
digunakan O
sangat O
besar. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O

Deteksi O
Fake O
News O
Pada O
Portal O
Berita O
Online O
Bahasa O
Indonesia O
Menggunakan O
Machine O
Learning O
dan O
Deep O
Learning O
( O
Studi O
Kasus O
: O
Turnbackhoax.id O
dan O
Cnnindonesia.com O
) O
Jamilatul O
Fitriya O
Kumala O
( O
221911025 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Bony O
Parulian O
Josaphat O
S.Si O
Ringkasan—Teknologi O
informasi O
dan O
komunikasi O
yang O
semakin O
berkembang O
pesat O
turut O
memberikan O
dampak O
negatif O
yaitu O
meningkatnya O
penyebaran O
fake O
news O
atau O
berita O
palsu O
yang O
dapat O
menyebabkan O
konflik O
dan O
perpecahan O
antar O
masyarakat. O
Penyebaran O
berita O
palsu O
ini O
cukup O
cepat O
karena O
kurangnya O
kewaspadaan O
masyarakat O
terhadap O
kebenaran O
dari O
berita-berita O
yang O
diunggah O
di O
internet. O
Oleh O
karena O
itu O
, O
perlu O
dilakukan O
upaya O
untuk O
mengatasi O
penyebaran O
berita O
palsu O
di O
internet. O
Salah O
satunya O
adalah O
melakukan O
verifikasi O
kebenaran O
dari O
suatu O
berita. O
Guna O
memudahkan O
kegiatan O
tersebut O
maka O
perlu O
dibentuk O
suatu O
model O
sistem O
pendeteksian O
fake O
news O
yang O
akurat O
dengan O
menggunakan O
metode O
machine O
learning O
dan O
deep O
learning. O
Algoritma O
yang O
digunakan O
dalam O
penelitian O
ini O
adalah O
K-NN O
, O
Decision O
Tree O
, O
Random O
Forest O
, O
SVM O
, O
dan O
CNN O
yang O
dikombinasikkan O
dengan O
TF-IDF O
dan O
feature O
engineering. O
Selanjutnya O
model O
yang O
dihasilkan O
dari O
kelima O
algoritma O
tersebut O
akan O
dievaluasi O
performanya O
guna O
memperoleh O
model O
terbaik O
yang O
dapat O
mendeteksi O
berita O
palsu O
secara O
akurat. O
Berdasarkan O
penelitian O
ini O
didapatkan O
hasil O
bahwa O
algoritma B-TEMUAN
Random I-TEMUAN
Forest I-TEMUAN
merupakan I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
dalam I-TEMUAN
mengklasifikasi I-TEMUAN
berita I-TEMUAN
palsu I-TEMUAN
di I-TEMUAN
portal I-TEMUAN
berita I-TEMUAN
online I-TEMUAN
berita I-TEMUAN
dengan I-TEMUAN
persentase I-TEMUAN
f1-score I-TEMUAN
sebesar I-TEMUAN
99.91 I-TEMUAN
% I-TEMUAN
. O
Kata O
Kunci— O
fake O
news O
, O
klasifikasi O
, O
machine O
learning O
, O
deep O
learning. O
[SEP] O
7.1 O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
1 O
) O
Unggahan O
berita O
di O
portal O
berita O
dapat O
dideteksi O
kebenarannya O
dengan O
membuat O
model O
klasifikasi O
Random O
Forest O
yang O
dikombinasikan O
dengan O
TF- O
IDF O
dan O
feature O
engineering. O
2 O
) O
Hasil O
klasifikasi O
berita O
menggunakan O
metode O
klasifikasi O
Random O
Forest O
memberikan O
nilai O
f1- B-METODE
score I-METODE
tersebut O
menunjukkan O
bahwa O
kinerja O
model O
yang O
diusulkan O
cukup O
handal O
untuk O
mendeteksi O
berita O
palsu. O
99.91 O
% O
. O
Hasil O
sebesar O
7.2 O
Saran O
Berdasarkan O
kesimpulan O
yang O
didapatkan O
, O
berikut O
adalah O
beberapa O
saran O
yang O
diusulkan O
oleh O
peneliti O
: O
1 O
) O
Meningkatkan O
performa O
model O
pendeteksian O
berita O
palsu O
dengan O
menerapkan O
jenis O
feature O
extraction O
lainnya O
dan O
menambahkan O
feature O
engineering O
lainnya O
seperti O
kesalahan O
penulisan O
kata O
( O
typo O
) O
. O
2 O
) O
Menangani O
kasus O
ketidakseimbangan O
data O
pada O
jumlah O
dataset. O
3 O
) O
Melakukan O
pengujian O
pada O
metode O
klasifikasi O
lain O
terutama O
deep O
learning O
jika O
dataset O
yang O
digunakan O
sangat O
besar. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O

Penerapan O
Algoritma O
Iterated O
Local O
Search O
Berbasis O
Hyper-heuristic O
Dalam O
Penjadwalan O
Seminar O
dan O
Sidang O
Skripsi O
Farah O
Adiba O
Hutami O
( O
221911024 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
S.ST. O
, O
M.T. O
Ringkasan O
—Penjadwalan O
merupakan O
suatu O
permasalahan O
NP-hard O
dan O
penelitian O
dalam O
menyelesaikannya O
masih O
menjadi O
topik O
yang O
banyak O
diminati. O
Penjadwalan O
sidang O
skripsi O
/ O
thesis O
defense O
merupakan O
salah O
satu O
jenis O
masalah O
penjadwalan O
yang O
ada O
di O
universitas. O
Di O
Politeknik O
Stastistika O
STIS O
, O
penjadwalan O
seminar O
dan O
sidang O
skripsi O
dilakukan O
secara O
manual. O
Waktu O
yang O
dibutuhkan O
untuk O
membuat O
jadwal O
yang O
layak O
sekitar O
empat O
hingga O
lima O
hari. O
Penelitian O
ini O
bertujuan O
untuk O
melakukan B-TUJUAN
otomatisasi I-TUJUAN
dan I-TUJUAN
optimisasi I-TUJUAN
dalam I-TUJUAN
penjadwalan I-TUJUAN
seminar I-TUJUAN
dan I-TUJUAN
sidang I-TUJUAN
skripsi I-TUJUAN
di I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS. I-TUJUAN
Metode O
yang O
digunakan O
adalah O
iterated B-METODE
local I-METODE
search I-METODE
yang O
dijalankan O
dalam O
kerangka O
kerja O
hyperheuristic. O
Solusi O
yang O
diharapkan O
adalah O
solusi O
yang O
memenuhi O
semua O
hard O
constraints O
dan O
meminimalkan O
pelanggaran O
terhadap O
soft O
constraints. O
kunci—Iterated O
hyper-heuristic O
, O
search O
, O
Kata O
local O
penjadwalan. O
[SEP] O
Kesimpulan O
dari O
penelitian O
ini O
adalah O
bahwa O
algoritma B-TEMUAN
iterated I-TEMUAN
local I-TEMUAN
search I-TEMUAN
dapat I-TEMUAN
menjadi I-TEMUAN
solusi I-TEMUAN
untuk I-TEMUAN
penjadwalan I-TEMUAN
seminar I-TEMUAN
dan I-TEMUAN
sidang I-TEMUAN
skripsi I-TEMUAN
di I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS. I-TEMUAN
Solusi I-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
sudah I-TEMUAN
dapat I-TEMUAN
dikatakan I-TEMUAN
sebagai I-TEMUAN
jadwal I-TEMUAN
yang I-TEMUAN
layak. I-TEMUAN
Algoritma O
juga O
dapat O
mengoptimalkan O
solusi. O
Saran O
yang O
dapat O
disampaikan O
untuk O
penelitian O
mendatang O
adalah O
menambahkan O
batasan-batasan O
lain O
yang O
dapat O
lebih O
mengoptimalkan O
solusi. O
Kemudian O
juga O
membuat O
aplikasi O
yang O
dapat O
menerima O
data O
dari O
pengguna O
sekaligus O
menampilkan O
jadwal O
yang O
dihasilkan. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O

Penerapan O
Algoritma O
Iterated O
Local O
Search O
Berbasis O
Hyper-heuristic O
Dalam O
Penjadwalan O
Seminar O
dan O
Sidang O
Skripsi O
Farah O
Adiba O
Hutami O
( O
221911024 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
S.ST. O
, O
M.T. O
Ringkasan O
—Penjadwalan O
merupakan O
suatu O
permasalahan O
NP-hard O
dan O
penelitian O
dalam O
menyelesaikannya O
masih O
menjadi O
topik O
yang O
banyak O
diminati. O
Penjadwalan O
sidang O
skripsi O
/ O
thesis O
defense O
merupakan O
salah O
satu O
jenis O
masalah O
penjadwalan O
yang O
ada O
di O
universitas. O
Di O
Politeknik O
Stastistika O
STIS O
, O
penjadwalan O
seminar O
dan O
sidang O
skripsi O
dilakukan O
secara O
manual. O
Waktu O
yang O
dibutuhkan O
untuk O
membuat O
jadwal O
yang O
layak O
sekitar O
empat O
hingga O
lima O
hari. O
Penelitian O
ini O
bertujuan O
untuk O
melakukan B-TUJUAN
otomatisasi I-TUJUAN
dan I-TUJUAN
optimisasi I-TUJUAN
dalam I-TUJUAN
penjadwalan I-TUJUAN
seminar I-TUJUAN
dan I-TUJUAN
sidang I-TUJUAN
skripsi I-TUJUAN
di I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS. I-TUJUAN
Metode O
yang O
digunakan O
adalah O
iterated B-METODE
local I-METODE
search I-METODE
yang O
dijalankan O
dalam O
kerangka O
kerja O
hyperheuristic. O
Solusi O
yang O
diharapkan O
adalah O
solusi O
yang O
memenuhi O
semua O
hard O
constraints O
dan O
meminimalkan O
pelanggaran O
terhadap O
soft O
constraints. O
kunci—Iterated O
hyper-heuristic O
, O
search O
, O
Kata O
local O
penjadwalan. O
[SEP] O
Kesimpulan O
dari O
penelitian O
ini O
adalah O
bahwa O
algoritma B-TEMUAN
iterated I-TEMUAN
local I-TEMUAN
search I-TEMUAN
dapat I-TEMUAN
menjadi I-TEMUAN
solusi I-TEMUAN
untuk I-TEMUAN
penjadwalan I-TEMUAN
seminar I-TEMUAN
dan I-TEMUAN
sidang I-TEMUAN
skripsi I-TEMUAN
di I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS. I-TEMUAN
Solusi I-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
sudah I-TEMUAN
dapat I-TEMUAN
dikatakan I-TEMUAN
sebagai I-TEMUAN
jadwal I-TEMUAN
yang I-TEMUAN
layak. I-TEMUAN
Algoritma O
juga O
dapat O
mengoptimalkan O
solusi. O
Saran O
yang O
dapat O
disampaikan O
untuk O
penelitian O
mendatang O
adalah O
menambahkan O
batasan-batasan O
lain O
yang O
dapat O
lebih O
mengoptimalkan O
solusi. O
Kemudian O
juga O
membuat O
aplikasi O
yang O
dapat O
menerima O
data O
dari O
pengguna O
sekaligus O
menampilkan O
jadwal O
yang O
dihasilkan. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O

Penerapan O
Algoritma O
Iterated O
Local O
Search O
Berbasis O
Hyper-heuristic O
Dalam O
Penjadwalan O
Seminar O
dan O
Sidang O
Skripsi O
Farah O
Adiba O
Hutami O
( O
221911024 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
S.ST. O
, O
M.T. O
Ringkasan O
—Penjadwalan O
merupakan O
suatu O
permasalahan O
NP-hard O
dan O
penelitian O
dalam O
menyelesaikannya O
masih O
menjadi O
topik O
yang O
banyak O
diminati. O
Penjadwalan O
sidang O
skripsi O
/ O
thesis O
defense O
merupakan O
salah O
satu O
jenis O
masalah O
penjadwalan O
yang O
ada O
di O
universitas. O
Di O
Politeknik O
Stastistika O
STIS O
, O
penjadwalan O
seminar O
dan O
sidang O
skripsi O
dilakukan O
secara O
manual. O
Waktu O
yang O
dibutuhkan O
untuk O
membuat O
jadwal O
yang O
layak O
sekitar O
empat O
hingga O
lima O
hari. O
Penelitian O
ini O
bertujuan O
untuk O
melakukan B-TUJUAN
otomatisasi I-TUJUAN
dan I-TUJUAN
optimisasi I-TUJUAN
dalam I-TUJUAN
penjadwalan I-TUJUAN
seminar I-TUJUAN
dan I-TUJUAN
sidang I-TUJUAN
skripsi I-TUJUAN
di I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS. I-TUJUAN
Metode O
yang O
digunakan O
adalah O
iterated B-METODE
local I-METODE
search I-METODE
yang O
dijalankan O
dalam O
kerangka O
kerja O
hyperheuristic. O
Solusi O
yang O
diharapkan O
adalah O
solusi O
yang O
memenuhi O
semua O
hard O
constraints O
dan O
meminimalkan O
pelanggaran O
terhadap O
soft O
constraints. O
kunci—Iterated O
hyper-heuristic O
, O
search O
, O
Kata O
local O
penjadwalan. O
[SEP] O
Kesimpulan O
dari O
penelitian O
ini O
adalah O
bahwa O
algoritma B-TEMUAN
iterated I-TEMUAN
local I-TEMUAN
search I-TEMUAN
dapat I-TEMUAN
menjadi I-TEMUAN
solusi I-TEMUAN
untuk I-TEMUAN
penjadwalan I-TEMUAN
seminar I-TEMUAN
dan I-TEMUAN
sidang I-TEMUAN
skripsi I-TEMUAN
di I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS. I-TEMUAN
Solusi I-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
sudah I-TEMUAN
dapat I-TEMUAN
dikatakan I-TEMUAN
sebagai I-TEMUAN
jadwal I-TEMUAN
yang I-TEMUAN
layak. I-TEMUAN
Algoritma O
juga O
dapat O
mengoptimalkan O
solusi. O
Saran O
yang O
dapat O
disampaikan O
untuk O
penelitian O
mendatang O
adalah O
menambahkan O
batasan-batasan O
lain O
yang O
dapat O
lebih O
mengoptimalkan O
solusi. O
Kemudian O
juga O
membuat O
aplikasi O
yang O
dapat O
menerima O
data O
dari O
pengguna O
sekaligus O
menampilkan O
jadwal O
yang O
dihasilkan. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O

Penerapan O
Algoritma O
Iterated O
Local O
Search O
Berbasis O
Hyper-heuristic O
Dalam O
Penjadwalan O
Seminar O
dan O
Sidang O
Skripsi O
Farah O
Adiba O
Hutami O
( O
221911024 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
S.ST. O
, O
M.T. O
Ringkasan O
—Penjadwalan O
merupakan O
suatu O
permasalahan O
NP-hard O
dan O
penelitian O
dalam O
menyelesaikannya O
masih O
menjadi O
topik O
yang O
banyak O
diminati. O
Penjadwalan O
sidang O
skripsi O
/ O
thesis O
defense O
merupakan O
salah O
satu O
jenis O
masalah O
penjadwalan O
yang O
ada O
di O
universitas. O
Di O
Politeknik O
Stastistika O
STIS O
, O
penjadwalan O
seminar O
dan O
sidang O
skripsi O
dilakukan O
secara O
manual. O
Waktu O
yang O
dibutuhkan O
untuk O
membuat O
jadwal O
yang O
layak O
sekitar O
empat O
hingga O
lima O
hari. O
Penelitian O
ini O
bertujuan O
untuk O
melakukan B-TUJUAN
otomatisasi I-TUJUAN
dan I-TUJUAN
optimisasi I-TUJUAN
dalam I-TUJUAN
penjadwalan I-TUJUAN
seminar I-TUJUAN
dan I-TUJUAN
sidang I-TUJUAN
skripsi I-TUJUAN
di I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS. I-TUJUAN
Metode O
yang O
digunakan O
adalah O
iterated B-METODE
local I-METODE
search I-METODE
yang O
dijalankan O
dalam O
kerangka O
kerja O
hyperheuristic. O
Solusi O
yang O
diharapkan O
adalah O
solusi O
yang O
memenuhi O
semua O
hard O
constraints O
dan O
meminimalkan O
pelanggaran O
terhadap O
soft O
constraints. O
kunci—Iterated O
hyper-heuristic O
, O
search O
, O
Kata O
local O
penjadwalan. O
[SEP] O
Kesimpulan O
dari O
penelitian O
ini O
adalah O
bahwa O
algoritma B-TEMUAN
iterated I-TEMUAN
local I-TEMUAN
search I-TEMUAN
dapat I-TEMUAN
menjadi I-TEMUAN
solusi I-TEMUAN
untuk I-TEMUAN
penjadwalan I-TEMUAN
seminar I-TEMUAN
dan I-TEMUAN
sidang I-TEMUAN
skripsi I-TEMUAN
di I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS. I-TEMUAN
Solusi I-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
sudah I-TEMUAN
dapat I-TEMUAN
dikatakan I-TEMUAN
sebagai I-TEMUAN
jadwal I-TEMUAN
yang I-TEMUAN
layak. I-TEMUAN
Algoritma O
juga O
dapat O
mengoptimalkan O
solusi. O
Saran O
yang O
dapat O
disampaikan O
untuk O
penelitian O
mendatang O
adalah O
menambahkan O
batasan-batasan O
lain O
yang O
dapat O
lebih O
mengoptimalkan O
solusi. O
Kemudian O
juga O
membuat O
aplikasi O
yang O
dapat O
menerima O
data O
dari O
pengguna O
sekaligus O
menampilkan O
jadwal O
yang O
dihasilkan. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O

Internet O
of O
Things O
: O
Sistem O
Presensi O
dan O
Keamanan O
Ruang O
Server O
Menggunakan O
RFID O
Berbasis O
Arduino O
Ilham O
Alifian O
Firmansyah O
( O
221911018 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph.D. O
Ringkasan— O
Server O
merupakan O
sistem O
komputer O
yang O
menyediakan O
layanan O
penyimpanan O
data O
kepada O
pengguna. O
Berbagai O
data O
dan O
informasi O
penting O
disimpan O
pada O
server O
dan O
menjadikan O
ruangan O
server O
salah O
satu O
ruangan O
yang O
penting. O
Selama O
ini O
, O
belum O
ada O
pencatatan O
presensi O
masuk O
ruang O
server O
Politeknik O
Statistika O
STIS. O
Selain O
itu O
dan O
sistem O
keamanan O
pada O
ruang O
server O
Politeknik O
Statistika O
STIS O
hanya O
menggunakan O
anak O
kunci. O
Adanya O
pencatatan O
presensi O
akan O
mengurangi O
risiko O
penyalahgunaan O
server. O
Selain O
itu O
, O
penggunaan O
anak O
kunci O
akan O
memakan O
waktu O
lebih O
dari O
5 O
detik O
dan O
akan O
berbahaya O
jika O
dilakukan O
pada O
saat O
pandemi O
seperti O
covid O
19. O
Peneliti O
melihat O
perlu O
adanya O
solusi O
untuk O
membuat B-TUJUAN
sistem I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
mencatat I-TUJUAN
pengakses I-TUJUAN
serta I-TUJUAN
lebih I-TUJUAN
cepat I-TUJUAN
dan I-TUJUAN
aman. I-TUJUAN
Solusi O
tersebut O
adalah O
menggunakan O
RFID. O
RFID O
merupakan O
komunikasi O
radio O
jarak O
dekat O
untuk O
bertukar O
informasi. O
Dengan O
menggunakan O
RFID O
, O
kontak O
jika O
langsung O
akan O
dapat O
dihindari. O
Selain O
diintegrasikan O
dengan O
Arduino O
dan O
kunci O
otomatis O
, O
maka O
akan O
dapat O
dihasilkan O
sistem O
yang O
dapat O
mencatat O
siapa O
saja O
pengaksesnya O
dan O
dapat O
bekerja O
lebih O
cepat O
secara O
otomatis. O
itu O
, O
Kata O
Kunci— O
Internet O
of O
Things O
, O
Arduino O
, O
Presensi O
, O
Keamanan. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
yang O
telah O
dipaparkan O
pada O
bagian O
sebelumnya O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
. O
1. O
Pengembangan O
Sistem O
Presensi O
dan O
Keamanan O
Ruang O
Server O
Politeknik O
Statistika O
STIS O
menggunakan O
RFID O
berbasis O
Arduino O
berhasil O
dilakukan. O
Sistem O
pencatatan O
dikembangkan O
berbasis O
web O
dan O
terhubung O
dengan O
perangkat O
keras O
untuk O
pengamanan O
fisik. O
2. O
Berdasarkan O
evaluasi O
sistem O
dari O
uji O
black B-METODE
box I-METODE
, O
fungsi B-TEMUAN
yang I-TEMUAN
diperlukan I-TEMUAN
sudah I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
harapan. I-TEMUAN
Demikian O
pula O
dengan O
pengujian O
pada O
perangkat O
Arduino O
sudah O
dapat O
mencapai O
target O
yang O
telah O
ditetapkan. O
Adapun O
saran O
untuk O
penelitian O
selanjutnya O
yang O
dapat O
peneliti O
berikan O
adalah O
sebagai O
berikut O
: O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
1. O
Peningkatan O
fitur O
sistem O
berupa O
tambahan O
sensor O
untuk O
suhu O
, O
kelembaban O
, O
dan O
sensor O
lain O
yang O
dapat O
membantu O
memonitor O
kondisi O
fisik O
ruang O
server O
sehingga O
tidak O
kejadian O
dapat O
mengantisipasi O
diinginkan O
seperti O
server O
mati O
karena O
over O
heat. O
2. O
Penelitian O
ini O
dapat O
dikembangkan O
ke O
arah O
yang O
lebih O
luas O
misalnya O
untuk O
laboratorium O
komputer O
, O
kegiatan O
kelas O
, O
atau O
kegiatan O
yang O
membutuhkan O
sistem O
presensi O
instan O
dan O
otomatis O
seperti O
ini. O

Internet O
of O
Things O
: O
Sistem O
Presensi O
dan O
Keamanan O
Ruang O
Server O
Menggunakan O
RFID O
Berbasis O
Arduino O
Ilham O
Alifian O
Firmansyah O
( O
221911018 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph.D. O
Ringkasan— O
Server O
merupakan O
sistem O
komputer O
yang O
menyediakan O
layanan O
penyimpanan O
data O
kepada O
pengguna. O
Berbagai O
data O
dan O
informasi O
penting O
disimpan O
pada O
server O
dan O
menjadikan O
ruangan O
server O
salah O
satu O
ruangan O
yang O
penting. O
Selama O
ini O
, O
belum O
ada O
pencatatan O
presensi O
masuk O
ruang O
server O
Politeknik O
Statistika O
STIS. O
Selain O
itu O
dan O
sistem O
keamanan O
pada O
ruang O
server O
Politeknik O
Statistika O
STIS O
hanya O
menggunakan O
anak O
kunci. O
Adanya O
pencatatan O
presensi O
akan O
mengurangi O
risiko O
penyalahgunaan O
server. O
Selain O
itu O
, O
penggunaan O
anak O
kunci O
akan O
memakan O
waktu O
lebih O
dari O
5 O
detik O
dan O
akan O
berbahaya O
jika O
dilakukan O
pada O
saat O
pandemi O
seperti O
covid O
19. O
Peneliti O
melihat O
perlu O
adanya O
solusi O
untuk O
membuat B-TUJUAN
sistem I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
mencatat I-TUJUAN
pengakses I-TUJUAN
serta I-TUJUAN
lebih I-TUJUAN
cepat I-TUJUAN
dan I-TUJUAN
aman. I-TUJUAN
Solusi O
tersebut O
adalah O
menggunakan O
RFID. O
RFID O
merupakan O
komunikasi O
radio O
jarak O
dekat O
untuk O
bertukar O
informasi. O
Dengan O
menggunakan O
RFID O
, O
kontak O
jika O
langsung O
akan O
dapat O
dihindari. O
Selain O
diintegrasikan O
dengan O
Arduino O
dan O
kunci O
otomatis O
, O
maka O
akan O
dapat O
dihasilkan O
sistem O
yang O
dapat O
mencatat O
siapa O
saja O
pengaksesnya O
dan O
dapat O
bekerja O
lebih O
cepat O
secara O
otomatis. O
itu O
, O
Kata O
Kunci— O
Internet O
of O
Things O
, O
Arduino O
, O
Presensi O
, O
Keamanan. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
yang O
telah O
dipaparkan O
pada O
bagian O
sebelumnya O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
. O
1. O
Pengembangan O
Sistem O
Presensi O
dan O
Keamanan O
Ruang O
Server O
Politeknik O
Statistika O
STIS O
menggunakan O
RFID O
berbasis O
Arduino O
berhasil O
dilakukan. O
Sistem O
pencatatan O
dikembangkan O
berbasis O
web O
dan O
terhubung O
dengan O
perangkat O
keras O
untuk O
pengamanan O
fisik. O
2. O
Berdasarkan O
evaluasi O
sistem O
dari O
uji O
black B-METODE
box I-METODE
, O
fungsi B-TEMUAN
yang I-TEMUAN
diperlukan I-TEMUAN
sudah I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
harapan. I-TEMUAN
Demikian O
pula O
dengan O
pengujian O
pada O
perangkat O
Arduino O
sudah O
dapat O
mencapai O
target O
yang O
telah O
ditetapkan. O
Adapun O
saran O
untuk O
penelitian O
selanjutnya O
yang O
dapat O
peneliti O
berikan O
adalah O
sebagai O
berikut O
: O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
1. O
Peningkatan O
fitur O
sistem O
berupa O
tambahan O
sensor O
untuk O
suhu O
, O
kelembaban O
, O
dan O
sensor O
lain O
yang O
dapat O
membantu O
memonitor O
kondisi O
fisik O
ruang O
server O
sehingga O
tidak O
kejadian O
dapat O
mengantisipasi O
diinginkan O
seperti O
server O
mati O
karena O
over O
heat. O
2. O
Penelitian O
ini O
dapat O
dikembangkan O
ke O
arah O
yang O
lebih O
luas O
misalnya O
untuk O
laboratorium O
komputer O
, O
kegiatan O
kelas O
, O
atau O
kegiatan O
yang O
membutuhkan O
sistem O
presensi O
instan O
dan O
otomatis O
seperti O
ini. O

Fuzzy O
K-Prototype O
Clustering O
Menggunakan O
Coot O
Bird O
– O
Genetic O
Algorithm O
Hybrid O
Metaheuristic O
Optimization O
Disertai O
Studi O
Benchmark O
pada O
Data O
Campuran O
Fizqi O
Alfairuz O
( O
221911014 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
, O
S.ST O
, O
M.Si. O
Ringkasan— O
Hingga O
saat O
ini O
kebanyakan O
algoritma O
clustering O
hanya O
berfokus O
pada O
data O
dengan O
tipe O
data O
yang O
sama. O
Padahal O
data O
dengan O
atribut O
campuran O
jauh O
lebih O
umum O
digunakan O
dalam O
berbagai O
bidang. O
Fuzzy O
K-Prototype O
( O
FKP O
) O
merupakan O
salah O
satu O
algoritma O
terbaik O
untuk O
clustering O
data O
campuran O
yang O
efisien O
, O
scalable O
, O
sederhana O
, O
sekaligus O
memiliki O
performa O
yang O
kompetitif. O
Akan O
tetapi O
, O
sifat O
clustering B-METODE
berbasis O
partisi O
dari O
algoritma O
tersebut O
yang O
sangat O
dipengaruhi O
oleh O
initial O
condition O
menyebabkan O
FKP O
rentan O
memberikan O
solusi O
local O
optima. O
Penelitian O
ini O
berusaha O
mengoptimasi B-TUJUAN
algoritma I-TUJUAN
FKP I-TUJUAN
dengan I-TUJUAN
mengintegrasikannya I-TUJUAN
dengan I-TUJUAN
algoritma I-TUJUAN
metaheuristik I-TUJUAN
baru I-TUJUAN
Coot I-TUJUAN
Bird I-TUJUAN
Algorithm I-TUJUAN
dan I-TUJUAN
Genetic I-TUJUAN
Algorithm. I-TUJUAN
Berdasarkan O
studi O
simulasi O
diperoleh O
bahwa O
algoritma B-TEMUAN
yang I-TEMUAN
diajukan I-TEMUAN
jauh I-TEMUAN
lebih I-TEMUAN
superior I-TEMUAN
dan I-TEMUAN
robust I-TEMUAN
dibandingkan I-TEMUAN
algoritma I-TEMUAN
FKP I-TEMUAN
standar I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
berbagai I-TEMUAN
algoritma I-TEMUAN
terdahulu. I-TEMUAN
Kata O
Kunci— O
Fuzzy O
, O
Clustering O
, O
Benchmark O
, O
Optimization O
, O
Hybrid O
[SEP] O
Berdasarkan O
uraian O
sebelumnya O
terlihat O
jelas O
bahwa O
ketiga O
algoritma O
yang O
dihasilkan O
jauh O
lebih O
superior O
dan O
robust O
dibandingkan O
FKP O
standar O
dan O
beberapa O
algoritma O
terdahulu. O
Algoritma O
tersebut O
juga O
mampu O
mengatasi O
kekurangan O
GA. O
Step O
12. O
Simpan O
gBest O
terakhir O
sebagai O
FPM O
teroptimasi O
FKP- O
COOT. O
Step O
13. O
Untuk O
memperoleh O
hasil O
clustering O
, O
alokasikan O
tiap O
observasi O
pada O
FPM O
teroptimasi O
COOT O
kepada O
kluster O
dengan O
𝑢𝑖𝑗 O
, O
dimana O
derajat O
keanggotaan O
tertinggi O
, O
yaitu O
𝐾𝑖 O
= O
argmax O
𝑗 O
𝐾𝑖 O
adalah O
kluster O
dari O
observasi O
ke-𝑖. O
VIII. O
LAMPIRAN O
A. O
Algoritma O
FKP-COOT O
Input O
: O
a. O
Parameter O
Fuzzy O
K-Prototype O
: O
Fuzziness O
( O
𝛼 O
) O
, O
Number O
of O
Cluster O
( O
𝑘 O
) O
b. O
Parameter O
Coot O
Bird O
: O
% O
Leader O
, O
NCoot O
, O
Cutoff O
, O
K- O
Step O
c. O
Dataset O
atau O
Initial O
Fuzzy O
Partition O
Matrix. O
Output O
: O
a. O
FKP-COOT-Optimized O
Fuzzy O
Partition O
Matrix O
b. O
Clustering O
Result O
Step O
1. O
Inisialisasi O
nLeader O
, O
nCoot O
, O
nObs O
, O
num_cluster. O
Step O
2. O
Inisialisasi O
Initial O
FPM O
sebagai O
posisi O
awal O
setiap O
Coot O
dan O
Leader. O
Apabila O
initial O
FPM O
tidak O
diberikan O
, O
maka O
lakukan O
inisialisasi O
posisi O
awal O
setiap O
coot O
dan O
leader O
secara O
acak O
menggunakan O
fungsi O
initiate_fpm O
( O
) O
. O
Step O
3. O
Hitung O
fitness O
awal O
setiap O
coot O
dan O
leader O
berdasarkan O
persamaan O
( O
13 O
) O
menggunakan O
fungsi O
get_fitness_position O
( O
) O
. O
Step O
4. O
Update O
posisi O
setiap O
Coot O
dengan O
melakukan O
pergerakan O
menurut O
persamaan O
( O
27 O
) O
, O
( O
29 O
) O
, O
atau O
( O
31 O
) O
, O
dimana O
terdapat O
peluang O
sebesar O
cutoff O
bahwa O
seekor O
Coot O
akan O
bergerak O
mengikuti O
leader O
nya O
berdasarkan O
persamaan O
( O
31 O
) O
. O
Step O
5. O
Setelah O
setiap O
Coot O
melakukan O
pergerakan O
, O
akan O
dilakukan O
pengecekan O
terhadap O
rentang O
dari O
tiap O
elemen O
/ O
derajat O
keanggotaan O
dari O
FPM O
yang O
merepresentasikan O
posisi O
masing-masing O
Coot O
menggunakan O
fungsi O
checkBoundary O
( O
) O
. O
Step O
6. O
Hitung O
fitness O
dari O
setiap O
Coot O
yang O
telah O
disesuaikan O
rentangnya O
pada O
tahapan O
sebelumnya O
, O
apabila O
terdapat O
Coot O
yang O
memiliki O
fitness O
lebih O
rendah O
dibandingkan O
leader O
nya O
, O
maka O
Coot O
tersebut O
akan O
bertukar O
peran O
menjadi O
leader. O
Step O
7. O
Update O
posisi O
setiap O
leader O
dengan O
melakukan O
pergerakan O
menurut O
persamaan O
( O
32 O
) O
. O
Step O
8. O
Setelah O
setiap O
Leader O
melakukan O
pergerakan O
, O
akan O
dilakukan O
pengecekan O
terhadap O
rentang O
dari O
tiap O
komponen O
FPM O
yang O
merepresentasikan O
posisi O
masing-masing O
Leader O
menggunakan O
fungsi O
checkBoundary O
( O
) O
. O
Step O
9. O
Integrasikan O
algoritma O
Coot O
dengan O
FKP O
melalui O
K- O
Step O
FKP. O
K-Step O
FKP O
merujuk O
kepada O
FKP O
yang O
dijalankan O
sebanyak O
K O
iterasi O
dimana O
FPM O
/ O
posisi O
tiap O
Leader O
akan O
menjadi O
input O
pada O
K-Step O
FKP O
, O
dan O
output O
FPM O
yang O
diperoleh O
pada O
proses O
K-Step O
FKP O
tersebut O
akan O
disimpan O
kembali O
sebagai O
posisi O
masing-masing O
Leader. O
Step O
10. O
Update O
gBest O
menggunakan O
persamaan O
𝑔𝐵𝑒𝑠𝑡 O
∶= O
ℎ O
( O
𝐶𝑘 O
) O
) O
, O
dimana O
ℎ O
( O
𝐶𝑘 O
) O
merupakan O
nilai O
min O
( O
ℎ O
( O
𝑔𝐵𝑒𝑠𝑡 O
) O
, O
𝑚𝑖𝑛 O
𝑘 O
fungsi O
objektif O
untuk O
leader O
ke-k. O
Step O
11. O
Ulangi O
langkah O
4-10 O
hingga O
kondisi O
konvergensi O
, O
atau O
jumlah O
maksimum O
iterasi O
terpenuhi. O
B. O
Algoritma O
FKP-GA O
Input O
: O
a. O
Parameter O
Fuzzy O
K-Prototype O
: O
Fuzziness O
( O
𝛼 O
) O
, O
Number O
of O
Cluster O
( O
𝑘 O
) O
b. O
Parameter O
Genetic O
Algorithm O
: O
𝑚𝑢𝑡𝑅𝑎𝑡𝑒 O
, O
𝑚𝑎𝑥𝐼𝑡𝑒𝑟 O
, O
𝑛𝑢𝑚𝑃𝑜𝑝 O
, O
K-Step O
c. O
Dataset O
atau O
Initial O
Fuzzy O
Partition O
Matrix. O
Output O
: O
c. O
FKP-GA- O
Optimized O
Fuzzy O
Partition O
Matrix O
d. O
Clustering O
Result O
Step O
1. O
Inisialisasi O
Initial O
FPM O
sebagai O
kromosom-kromosom O
pada O
populasi O
awal. O
Apabila O
initial O
FPM O
tidak O
diberikan O
, O
maka O
sebanyak O
𝑛𝑢𝑚𝑃𝑜𝑝 O
FPM O
acak O
akan O
dibentuk O
menggunakan O
fungsi O
initiate_fpm O
( O
) O
untuk O
merepresentasikan O
kumpulan O
kromosom O
pada O
populasi O
awal. O
Step O
2. O
Hitung O
fitness O
awal O
dari O
setiap O
kromosom. O
Nilai O
fitness O
yang O
digunakan O
merupakan O
inverse O
dari O
fungsi O
objektif O
FKP O
pada O
persamaan O
( O
13 O
) O
. O
Step O
3. O
Selection. O
Pada O
tahapan O
ini O
akan O
dipilih O
kromosom- O
kromosom O
yang O
informasi O
genetik O
nya O
( O
dalam O
konteks O
ini O
elemen O
dari O
FPM O
yang O
mewakili O
kromosom O
) O
akan O
diteruskan O
kepada O
generasi O
berikutnya. O
Pemilihan O
dilakukan O
dengan O
mendahulukan O
kromosom-kromosom O
dengan O
fitness O
terbaik. O
Pada O
algoritma O
ini O
akan O
digunakan O
roulette O
wheel O
selection O
dimana O
kromosom O
akan O
memiliki O
peluang O
terpilih O
yang O
proporsional O
terhadap O
nilai O
fitness O
nya O
Step O
4. O
Crossover. O
Pada O
tahapan O
ini O
, O
K-Step O
FKP O
akan O
digunakan O
sebagai O
crossover O
operator O
dimana O
setiap O
FPM O
yang O
mewakili O
kromosom O
terpilih O
akan O
digunakan O
sebagai O
input O
, O
dan O
output O
FPM O
hasil O
K-Step O
FKP O
tersebut O
akan O
disimpan O
kembali O
pada O
masing-masing O
kromosom. O
Step O
5. O
Mutation. O
Pada O
tahapan O
ini O
, O
sebagian O
gen O
dari O
setiap O
kromosom O
akan O
diubah O
secara O
acak O
sehingga O
menghasilkan O
individu O
baru. O
Dalam O
konteks O
ini O
, O
beberapa O
baris O
dalam O
FPM O
yang O
merepresentasikan O
tiap O
kromosom O
akan O
diubah O
secara O
acak. O
Step O
6. O
Elitism. O
Pada O
setiap O
generasi O
dengan O
kromosom O
𝐶1 O
, O
𝐶2 O
, O
… O
, O
𝐶𝑛 O
, O
kromosom O
dengan O
fitness O
terbaik O
yang O
disebut O
sebagai O
kromosom O
elit O
𝐶𝐸 O
akan O
disimpan. O
Setelah O
kromosom- O
∗ O
terbentuk O
melalui O
∗ O
, O
𝐶2 O
kromosom O
generasi O
baru O
𝐶1 O
proses O
selection O
, O
crossover O
, O
dan O
mutation O
, O
maka O
kromosom O
∗ O
) O
akan O
generasi O
baru O
dengan O
fitness O
terbaik O
𝐶𝑚𝑎𝑥 O
dibandingkan O
dengan O
𝐶𝐸 O
, O
dimana O
𝑓 O
( O
𝑥 O
) O
menyatakan O
nilai O
∗ O
> O
𝐶𝐸 O
, O
maka O
kromosom O
fitness O
dari O
kromosom O
𝑥. O
Apabila O
𝐶𝑚𝑎𝑥 O
∗ O
. O
Di O
sisi O
lain O
apabila O
elit O
akan O
diperbaharui O
, O
yaitu O
𝐶𝐸 O
∶= O
𝐶𝑚𝑎𝑥 O
𝐶𝑚𝑎𝑥 O
Step O
7. O
Ulangi O
langkah O
3-6 O
hingga O
kondisi O
konvergensi O
, O
atau O
jumlah O
maksimum O
iterasi O
terpenuhi. O
∗ O
≤ O
𝐶𝐸 O
, O
maka O
kromosom O
elit O
tidak O
akan O
diperbaharui. O
∗ O
= O
max O
∗ O
, O
… O
, O
𝐶𝑛 O
𝑓 O
( O
𝐶𝑘 O
𝑘 O
7 O
/ O
9 O
Step O
8. O
Simpan O
kromosom O
elit O
teroptimasi O
FKP-GA. O
Step O
9. O
Untuk O
memperoleh O
hasil O
clustering O
, O
alokasikan O
tiap O
observasi O
pada O
FPM O
teroptimasi O
FKP-GA O
kepada O
kluster O
𝑢𝑖𝑗 O
, O
dengan O
derajat O
keanggotaan O
tertinggi O
, O
yaitu O
𝐶𝑖 O
= O
argmax O
terakhir O
sebagai O
FPM O
𝑗 O
dimana O
𝐶𝑖 O
adalah O
kluster O
dari O
observasi O
ke-𝑖. O
C. O
Algoritma O
FKP-COOT-GA O
Input O
: O
a. O
Parameter O
Fuzzy O
K-Prototype O
: O
Fuzziness O
( O
𝛼 O
) O
, O
Number O
of O
Cluster O
( O
𝑘 O
) O
b. O
Parameter O
Coot O
Bird O
: O
% O
Leader O
, O
NCoot O
, O
Cutoff O
, O
K- O
Step O
c. O
Parameter O
Genetic O
Algorithm O
: O
𝑚𝑢𝑡𝑅𝑎𝑡𝑒 O
, O
𝑚𝑎𝑥𝐺𝑒𝑛 O
, O
𝑛𝑢𝑚𝑃𝑜𝑝 O
, O
K-Step O
d. O
Dataset O
atau O
Initial O
Fuzzy O
Partition O
Matrix. O
Output O
: O
e. O
FKP-GA-COOT-Optimized O
Fuzzy O
Partition O
Matrix O
f. O
Clustering O
Result O
Step O
1. O
Jalankan O
algoritma O
FKP-COOT O
Step O
2. O
Simpan O
gBest O
terakhir O
yang O
diperoleh O
sebagai O
FPM O
teroptimasi O
COOT O
, O
atau O
𝐹𝑃𝑀𝐶𝑂𝑂𝑇. O
Step O
3. O
Jalankan O
FKP-GA O
dengan O
𝐹𝑃𝑀𝐶𝑂𝑂𝑇 O
sebagai O
input O
untuk O
parameter O
initial O
FPM. O
Step O
4. O
Simpan O
kromosom O
elit O
teroptimasi O
FKP-COOT-GA O
, O
atau O
𝐹𝑃𝑀𝐶𝑂𝑂𝑇−𝐺𝐴. O
Step O
5. O
Untuk O
memperoleh O
hasil O
clustering O
, O
alokasikan O
tiap O
observasi O
pada O
𝐹𝑃𝑀𝐶𝑂𝑂𝑇−𝐺𝐴 O
kepada O
kluster O
dengan O
derajat O
𝑢𝑖𝑗 O
, O
dimana O
𝐶𝑖 O
keanggotaan O
tertinggi O
, O
yaitu O
𝐶𝑖 O
= O
argmax O
terakhir O
sebagai O
FPM O
𝑗 O
adalah O
kluster O
dari O
observasi O
ke-𝑖. O
Secara O
umum O
proses O
dari O
algoritma O
FKP-COOT-GA O
dapat O
dilihat O
pada O
diagram O
alir O
pada O
gambar O
5 O
dibawah O
ini. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
D. O
Algoritma O
FKP-GA-COOT O
Input O
: O
d. O
Parameter O
Fuzzy O
K-Prototype O
: O
Fuzziness O
( O
𝛼 O
) O
, O
[ O
12 O
] O
Number O
of O
Cluster O
( O
𝑘 O
) O
e. O
Parameter O
Coot O
Bird O
: O
% O
Leader O
, O
NCoot O
, O
Cutoff O
, O
K- O
Step O
f. O
Parameter O
Genetic O
Algorithm O
: O
𝑚𝑢𝑡𝑅𝑎𝑡𝑒 O
, O
𝑚𝑎𝑥𝐺𝑒𝑛 O
, O
𝑛𝑢𝑚𝑃𝑜𝑝 O
, O
K-Step O
g. O
Dataset O
atau O
Initial O
Fuzzy O
Partition O
Matrix. O
Output O
: O
g. O
FKP-GA-COOT-Optimized O
Fuzzy O
Partition O
Matrix O
h. O
Clustering O
Result O
Step O
1. O
Jalankan O
algoritma O
FKP-GA. O
Step O
2. O
Simpan O
kromosom O
elit O
terakhir O
yang O
diperoleh O
sebagai O
FPM O
teroptimasi O
GA O
, O
atau O
𝐹𝑃𝑀𝐺𝐴. O
Step O
3. O
Jalankan O
FKP-COOT O
dengan O
𝐹𝑃𝑀𝐺𝐴 O
sebagai O
input O
untuk O
parameter O
initial O
FPM. O
Step O
4. O
Simpan O
gBest O
terakhir O
FPM O
teroptimasi O
FKP-GA- O
COOT O
, O
atau O
𝐹𝑃𝑀𝐺𝐴−𝐶𝑂𝑂𝑇. O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O
[ O
16 O
] O
[ O
17 O
] O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
Step O
5. O
Untuk O
memperoleh O
hasil O
clustering O
, O
alokasikan O
tiap O
observasi O
pada O
𝐹𝑃𝑀𝐺𝐴−𝐶𝑂𝑂𝑇 O
kepada O
kluster O
dengan O
derajat O
𝑢𝑖𝑗 O
, O
dimana O
𝐶𝑖 O
keanggotaan O
tertinggi O
, O
yaitu O
𝐶𝑖 O
= O
argmax O
𝑗 O
adalah O
kluster O
dari O
observasi O
ke-𝑖. O

Fuzzy O
K-Prototype O
Clustering O
Menggunakan O
Coot O
Bird O
– O
Genetic O
Algorithm O
Hybrid O
Metaheuristic O
Optimization O
Disertai O
Studi O
Benchmark O
pada O
Data O
Campuran O
Fizqi O
Alfairuz O
( O
221911014 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
, O
S.ST O
, O
M.Si. O
Ringkasan— O
Hingga O
saat O
ini O
kebanyakan O
algoritma O
clustering O
hanya O
berfokus O
pada O
data O
dengan O
tipe O
data O
yang O
sama. O
Padahal O
data O
dengan O
atribut O
campuran O
jauh O
lebih O
umum O
digunakan O
dalam O
berbagai O
bidang. O
Fuzzy O
K-Prototype O
( O
FKP O
) O
merupakan O
salah O
satu O
algoritma O
terbaik O
untuk O
clustering O
data O
campuran O
yang O
efisien O
, O
scalable O
, O
sederhana O
, O
sekaligus O
memiliki O
performa O
yang O
kompetitif. O
Akan O
tetapi O
, O
sifat O
clustering B-METODE
berbasis O
partisi O
dari O
algoritma O
tersebut O
yang O
sangat O
dipengaruhi O
oleh O
initial O
condition O
menyebabkan O
FKP O
rentan O
memberikan O
solusi O
local O
optima. O
Penelitian O
ini O
berusaha O
mengoptimasi B-TUJUAN
algoritma I-TUJUAN
FKP I-TUJUAN
dengan I-TUJUAN
mengintegrasikannya I-TUJUAN
dengan I-TUJUAN
algoritma I-TUJUAN
metaheuristik I-TUJUAN
baru I-TUJUAN
Coot I-TUJUAN
Bird I-TUJUAN
Algorithm I-TUJUAN
dan I-TUJUAN
Genetic I-TUJUAN
Algorithm. I-TUJUAN
Berdasarkan O
studi O
simulasi O
diperoleh O
bahwa O
algoritma B-TEMUAN
yang I-TEMUAN
diajukan I-TEMUAN
jauh I-TEMUAN
lebih I-TEMUAN
superior I-TEMUAN
dan I-TEMUAN
robust I-TEMUAN
dibandingkan I-TEMUAN
algoritma I-TEMUAN
FKP I-TEMUAN
standar I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
berbagai I-TEMUAN
algoritma I-TEMUAN
terdahulu. I-TEMUAN
Kata O
Kunci— O
Fuzzy O
, O
Clustering O
, O
Benchmark O
, O
Optimization O
, O
Hybrid O
[SEP] O
Berdasarkan O
uraian O
sebelumnya O
terlihat O
jelas O
bahwa O
ketiga O
algoritma O
yang O
dihasilkan O
jauh O
lebih O
superior O
dan O
robust O
dibandingkan O
FKP O
standar O
dan O
beberapa O
algoritma O
terdahulu. O
Algoritma O
tersebut O
juga O
mampu O
mengatasi O
kekurangan O
GA. O
Step O
12. O
Simpan O
gBest O
terakhir O
sebagai O
FPM O
teroptimasi O
FKP- O
COOT. O
Step O
13. O
Untuk O
memperoleh O
hasil O
clustering O
, O
alokasikan O
tiap O
observasi O
pada O
FPM O
teroptimasi O
COOT O
kepada O
kluster O
dengan O
𝑢𝑖𝑗 O
, O
dimana O
derajat O
keanggotaan O
tertinggi O
, O
yaitu O
𝐾𝑖 O
= O
argmax O
𝑗 O
𝐾𝑖 O
adalah O
kluster O
dari O
observasi O
ke-𝑖. O
VIII. O
LAMPIRAN O
A. O
Algoritma O
FKP-COOT O
Input O
: O
a. O
Parameter O
Fuzzy O
K-Prototype O
: O
Fuzziness O
( O
𝛼 O
) O
, O
Number O
of O
Cluster O
( O
𝑘 O
) O
b. O
Parameter O
Coot O
Bird O
: O
% O
Leader O
, O
NCoot O
, O
Cutoff O
, O
K- O
Step O
c. O
Dataset O
atau O
Initial O
Fuzzy O
Partition O
Matrix. O
Output O
: O
a. O
FKP-COOT-Optimized O
Fuzzy O
Partition O
Matrix O
b. O
Clustering O
Result O
Step O
1. O
Inisialisasi O
nLeader O
, O
nCoot O
, O
nObs O
, O
num_cluster. O
Step O
2. O
Inisialisasi O
Initial O
FPM O
sebagai O
posisi O
awal O
setiap O
Coot O
dan O
Leader. O
Apabila O
initial O
FPM O
tidak O
diberikan O
, O
maka O
lakukan O
inisialisasi O
posisi O
awal O
setiap O
coot O
dan O
leader O
secara O
acak O
menggunakan O
fungsi O
initiate_fpm O
( O
) O
. O
Step O
3. O
Hitung O
fitness O
awal O
setiap O
coot O
dan O
leader O
berdasarkan O
persamaan O
( O
13 O
) O
menggunakan O
fungsi O
get_fitness_position O
( O
) O
. O
Step O
4. O
Update O
posisi O
setiap O
Coot O
dengan O
melakukan O
pergerakan O
menurut O
persamaan O
( O
27 O
) O
, O
( O
29 O
) O
, O
atau O
( O
31 O
) O
, O
dimana O
terdapat O
peluang O
sebesar O
cutoff O
bahwa O
seekor O
Coot O
akan O
bergerak O
mengikuti O
leader O
nya O
berdasarkan O
persamaan O
( O
31 O
) O
. O
Step O
5. O
Setelah O
setiap O
Coot O
melakukan O
pergerakan O
, O
akan O
dilakukan O
pengecekan O
terhadap O
rentang O
dari O
tiap O
elemen O
/ O
derajat O
keanggotaan O
dari O
FPM O
yang O
merepresentasikan O
posisi O
masing-masing O
Coot O
menggunakan O
fungsi O
checkBoundary O
( O
) O
. O
Step O
6. O
Hitung O
fitness O
dari O
setiap O
Coot O
yang O
telah O
disesuaikan O
rentangnya O
pada O
tahapan O
sebelumnya O
, O
apabila O
terdapat O
Coot O
yang O
memiliki O
fitness O
lebih O
rendah O
dibandingkan O
leader O
nya O
, O
maka O
Coot O
tersebut O
akan O
bertukar O
peran O
menjadi O
leader. O
Step O
7. O
Update O
posisi O
setiap O
leader O
dengan O
melakukan O
pergerakan O
menurut O
persamaan O
( O
32 O
) O
. O
Step O
8. O
Setelah O
setiap O
Leader O
melakukan O
pergerakan O
, O
akan O
dilakukan O
pengecekan O
terhadap O
rentang O
dari O
tiap O
komponen O
FPM O
yang O
merepresentasikan O
posisi O
masing-masing O
Leader O
menggunakan O
fungsi O
checkBoundary O
( O
) O
. O
Step O
9. O
Integrasikan O
algoritma O
Coot O
dengan O
FKP O
melalui O
K- O
Step O
FKP. O
K-Step O
FKP O
merujuk O
kepada O
FKP O
yang O
dijalankan O
sebanyak O
K O
iterasi O
dimana O
FPM O
/ O
posisi O
tiap O
Leader O
akan O
menjadi O
input O
pada O
K-Step O
FKP O
, O
dan O
output O
FPM O
yang O
diperoleh O
pada O
proses O
K-Step O
FKP O
tersebut O
akan O
disimpan O
kembali O
sebagai O
posisi O
masing-masing O
Leader. O
Step O
10. O
Update O
gBest O
menggunakan O
persamaan O
𝑔𝐵𝑒𝑠𝑡 O
∶= O
ℎ O
( O
𝐶𝑘 O
) O
) O
, O
dimana O
ℎ O
( O
𝐶𝑘 O
) O
merupakan O
nilai O
min O
( O
ℎ O
( O
𝑔𝐵𝑒𝑠𝑡 O
) O
, O
𝑚𝑖𝑛 O
𝑘 O
fungsi O
objektif O
untuk O
leader O
ke-k. O
Step O
11. O
Ulangi O
langkah O
4-10 O
hingga O
kondisi O
konvergensi O
, O
atau O
jumlah O
maksimum O
iterasi O
terpenuhi. O
B. O
Algoritma O
FKP-GA O
Input O
: O
a. O
Parameter O
Fuzzy O
K-Prototype O
: O
Fuzziness O
( O
𝛼 O
) O
, O
Number O
of O
Cluster O
( O
𝑘 O
) O
b. O
Parameter O
Genetic O
Algorithm O
: O
𝑚𝑢𝑡𝑅𝑎𝑡𝑒 O
, O
𝑚𝑎𝑥𝐼𝑡𝑒𝑟 O
, O
𝑛𝑢𝑚𝑃𝑜𝑝 O
, O
K-Step O
c. O
Dataset O
atau O
Initial O
Fuzzy O
Partition O
Matrix. O
Output O
: O
c. O
FKP-GA- O
Optimized O
Fuzzy O
Partition O
Matrix O
d. O
Clustering O
Result O
Step O
1. O
Inisialisasi O
Initial O
FPM O
sebagai O
kromosom-kromosom O
pada O
populasi O
awal. O
Apabila O
initial O
FPM O
tidak O
diberikan O
, O
maka O
sebanyak O
𝑛𝑢𝑚𝑃𝑜𝑝 O
FPM O
acak O
akan O
dibentuk O
menggunakan O
fungsi O
initiate_fpm O
( O
) O
untuk O
merepresentasikan O
kumpulan O
kromosom O
pada O
populasi O
awal. O
Step O
2. O
Hitung O
fitness O
awal O
dari O
setiap O
kromosom. O
Nilai O
fitness O
yang O
digunakan O
merupakan O
inverse O
dari O
fungsi O
objektif O
FKP O
pada O
persamaan O
( O
13 O
) O
. O
Step O
3. O
Selection. O
Pada O
tahapan O
ini O
akan O
dipilih O
kromosom- O
kromosom O
yang O
informasi O
genetik O
nya O
( O
dalam O
konteks O
ini O
elemen O
dari O
FPM O
yang O
mewakili O
kromosom O
) O
akan O
diteruskan O
kepada O
generasi O
berikutnya. O
Pemilihan O
dilakukan O
dengan O
mendahulukan O
kromosom-kromosom O
dengan O
fitness O
terbaik. O
Pada O
algoritma O
ini O
akan O
digunakan O
roulette O
wheel O
selection O
dimana O
kromosom O
akan O
memiliki O
peluang O
terpilih O
yang O
proporsional O
terhadap O
nilai O
fitness O
nya O
Step O
4. O
Crossover. O
Pada O
tahapan O
ini O
, O
K-Step O
FKP O
akan O
digunakan O
sebagai O
crossover O
operator O
dimana O
setiap O
FPM O
yang O
mewakili O
kromosom O
terpilih O
akan O
digunakan O
sebagai O
input O
, O
dan O
output O
FPM O
hasil O
K-Step O
FKP O
tersebut O
akan O
disimpan O
kembali O
pada O
masing-masing O
kromosom. O
Step O
5. O
Mutation. O
Pada O
tahapan O
ini O
, O
sebagian O
gen O
dari O
setiap O
kromosom O
akan O
diubah O
secara O
acak O
sehingga O
menghasilkan O
individu O
baru. O
Dalam O
konteks O
ini O
, O
beberapa O
baris O
dalam O
FPM O
yang O
merepresentasikan O
tiap O
kromosom O
akan O
diubah O
secara O
acak. O
Step O
6. O
Elitism. O
Pada O
setiap O
generasi O
dengan O
kromosom O
𝐶1 O
, O
𝐶2 O
, O
… O
, O
𝐶𝑛 O
, O
kromosom O
dengan O
fitness O
terbaik O
yang O
disebut O
sebagai O
kromosom O
elit O
𝐶𝐸 O
akan O
disimpan. O
Setelah O
kromosom- O
∗ O
terbentuk O
melalui O
∗ O
, O
𝐶2 O
kromosom O
generasi O
baru O
𝐶1 O
proses O
selection O
, O
crossover O
, O
dan O
mutation O
, O
maka O
kromosom O
∗ O
) O
akan O
generasi O
baru O
dengan O
fitness O
terbaik O
𝐶𝑚𝑎𝑥 O
dibandingkan O
dengan O
𝐶𝐸 O
, O
dimana O
𝑓 O
( O
𝑥 O
) O
menyatakan O
nilai O
∗ O
> O
𝐶𝐸 O
, O
maka O
kromosom O
fitness O
dari O
kromosom O
𝑥. O
Apabila O
𝐶𝑚𝑎𝑥 O
∗ O
. O
Di O
sisi O
lain O
apabila O
elit O
akan O
diperbaharui O
, O
yaitu O
𝐶𝐸 O
∶= O
𝐶𝑚𝑎𝑥 O
𝐶𝑚𝑎𝑥 O
Step O
7. O
Ulangi O
langkah O
3-6 O
hingga O
kondisi O
konvergensi O
, O
atau O
jumlah O
maksimum O
iterasi O
terpenuhi. O
∗ O
≤ O
𝐶𝐸 O
, O
maka O
kromosom O
elit O
tidak O
akan O
diperbaharui. O
∗ O
= O
max O
∗ O
, O
… O
, O
𝐶𝑛 O
𝑓 O
( O
𝐶𝑘 O
𝑘 O
7 O
/ O
9 O
Step O
8. O
Simpan O
kromosom O
elit O
teroptimasi O
FKP-GA. O
Step O
9. O
Untuk O
memperoleh O
hasil O
clustering O
, O
alokasikan O
tiap O
observasi O
pada O
FPM O
teroptimasi O
FKP-GA O
kepada O
kluster O
𝑢𝑖𝑗 O
, O
dengan O
derajat O
keanggotaan O
tertinggi O
, O
yaitu O
𝐶𝑖 O
= O
argmax O
terakhir O
sebagai O
FPM O
𝑗 O
dimana O
𝐶𝑖 O
adalah O
kluster O
dari O
observasi O
ke-𝑖. O
C. O
Algoritma O
FKP-COOT-GA O
Input O
: O
a. O
Parameter O
Fuzzy O
K-Prototype O
: O
Fuzziness O
( O
𝛼 O
) O
, O
Number O
of O
Cluster O
( O
𝑘 O
) O
b. O
Parameter O
Coot O
Bird O
: O
% O
Leader O
, O
NCoot O
, O
Cutoff O
, O
K- O
Step O
c. O
Parameter O
Genetic O
Algorithm O
: O
𝑚𝑢𝑡𝑅𝑎𝑡𝑒 O
, O
𝑚𝑎𝑥𝐺𝑒𝑛 O
, O
𝑛𝑢𝑚𝑃𝑜𝑝 O
, O
K-Step O
d. O
Dataset O
atau O
Initial O
Fuzzy O
Partition O
Matrix. O
Output O
: O
e. O
FKP-GA-COOT-Optimized O
Fuzzy O
Partition O
Matrix O
f. O
Clustering O
Result O
Step O
1. O
Jalankan O
algoritma O
FKP-COOT O
Step O
2. O
Simpan O
gBest O
terakhir O
yang O
diperoleh O
sebagai O
FPM O
teroptimasi O
COOT O
, O
atau O
𝐹𝑃𝑀𝐶𝑂𝑂𝑇. O
Step O
3. O
Jalankan O
FKP-GA O
dengan O
𝐹𝑃𝑀𝐶𝑂𝑂𝑇 O
sebagai O
input O
untuk O
parameter O
initial O
FPM. O
Step O
4. O
Simpan O
kromosom O
elit O
teroptimasi O
FKP-COOT-GA O
, O
atau O
𝐹𝑃𝑀𝐶𝑂𝑂𝑇−𝐺𝐴. O
Step O
5. O
Untuk O
memperoleh O
hasil O
clustering O
, O
alokasikan O
tiap O
observasi O
pada O
𝐹𝑃𝑀𝐶𝑂𝑂𝑇−𝐺𝐴 O
kepada O
kluster O
dengan O
derajat O
𝑢𝑖𝑗 O
, O
dimana O
𝐶𝑖 O
keanggotaan O
tertinggi O
, O
yaitu O
𝐶𝑖 O
= O
argmax O
terakhir O
sebagai O
FPM O
𝑗 O
adalah O
kluster O
dari O
observasi O
ke-𝑖. O
Secara O
umum O
proses O
dari O
algoritma O
FKP-COOT-GA O
dapat O
dilihat O
pada O
diagram O
alir O
pada O
gambar O
5 O
dibawah O
ini. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
D. O
Algoritma O
FKP-GA-COOT O
Input O
: O
d. O
Parameter O
Fuzzy O
K-Prototype O
: O
Fuzziness O
( O
𝛼 O
) O
, O
[ O
12 O
] O
Number O
of O
Cluster O
( O
𝑘 O
) O
e. O
Parameter O
Coot O
Bird O
: O
% O
Leader O
, O
NCoot O
, O
Cutoff O
, O
K- O
Step O
f. O
Parameter O
Genetic O
Algorithm O
: O
𝑚𝑢𝑡𝑅𝑎𝑡𝑒 O
, O
𝑚𝑎𝑥𝐺𝑒𝑛 O
, O
𝑛𝑢𝑚𝑃𝑜𝑝 O
, O
K-Step O
g. O
Dataset O
atau O
Initial O
Fuzzy O
Partition O
Matrix. O
Output O
: O
g. O
FKP-GA-COOT-Optimized O
Fuzzy O
Partition O
Matrix O
h. O
Clustering O
Result O
Step O
1. O
Jalankan O
algoritma O
FKP-GA. O
Step O
2. O
Simpan O
kromosom O
elit O
terakhir O
yang O
diperoleh O
sebagai O
FPM O
teroptimasi O
GA O
, O
atau O
𝐹𝑃𝑀𝐺𝐴. O
Step O
3. O
Jalankan O
FKP-COOT O
dengan O
𝐹𝑃𝑀𝐺𝐴 O
sebagai O
input O
untuk O
parameter O
initial O
FPM. O
Step O
4. O
Simpan O
gBest O
terakhir O
FPM O
teroptimasi O
FKP-GA- O
COOT O
, O
atau O
𝐹𝑃𝑀𝐺𝐴−𝐶𝑂𝑂𝑇. O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O
[ O
16 O
] O
[ O
17 O
] O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
Step O
5. O
Untuk O
memperoleh O
hasil O
clustering O
, O
alokasikan O
tiap O
observasi O
pada O
𝐹𝑃𝑀𝐺𝐴−𝐶𝑂𝑂𝑇 O
kepada O
kluster O
dengan O
derajat O
𝑢𝑖𝑗 O
, O
dimana O
𝐶𝑖 O
keanggotaan O
tertinggi O
, O
yaitu O
𝐶𝑖 O
= O
argmax O
𝑗 O
adalah O
kluster O
dari O
observasi O
ke-𝑖. O

Peramalan O
Pergerakan O
Inflasi O
Indonesia O
menggunakan O
Hybrid O
ARIMA O
Fuzzy O
C-Means O
General O
Regression O
Neural O
Network O
Shally O
Nabila O
( O
221911007 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Achmad O
Syahrul O
Choir O
, O
SST O
, O
M.Si. O
Ringkasan— O
Inflasi O
merupakan O
proses O
kenaikan O
harga O
barang O
dan O
jasa O
secara O
terus O
menerus O
dalam O
jangka O
waktu O
tertentu. O
Inflasi O
menjadi O
salah O
satu O
indikator O
penting O
yang O
dapat O
memberikan O
informasi O
mengenai O
perubahan O
harga O
barang O
dan O
jasa O
yang O
dikonsumsi O
oleh O
masyarakat. O
Perubahan O
harga O
barang O
dan O
jasa O
ini O
dapat O
berakibat O
langsung O
terhadap O
berbagai O
hal O
yang O
berhubungan O
dengan O
parameter O
ekonomi. O
Inflasi O
yang O
stabil O
merupakan O
prasyarat O
bagi O
pertumbuhan O
ekonomi O
berkelanjutan O
yang O
nantinya O
akan O
membawa O
manfaat O
untuk O
meningkatkan O
kesejahteraan O
masyarakat O
di O
Indonesia O
sehingga O
perlu O
dilakukan O
peramalan O
sebagai O
salah O
satu O
pertimbangan O
dalam O
mengambil O
sebuah O
kebijakan. O
Beberapa O
metode B-METODE
peramalan I-METODE
telah O
digunakan O
untuk O
meramalkan O
inflasi. O
Salah O
satu O
metode O
yang O
memiliki O
akurasi O
tinggi O
dalam O
meramalkan O
inflasi O
yaitu O
metode O
hybrid O
ARIMA-NN. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
melakukan B-TUJUAN
peramalan I-TUJUAN
terhadap I-TUJUAN
laju I-TUJUAN
inflasi I-TUJUAN
di I-TUJUAN
Indonesia I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
Hybrid I-TUJUAN
ARIMA I-TUJUAN
Fuzzy I-TUJUAN
C-Means I-TUJUAN
General I-TUJUAN
Regression I-TUJUAN
Neural I-TUJUAN
Network I-TUJUAN
yang O
menghasilkan O
akurasi O
lebih O
baik O
daripada O
metode O
ARIMA. O
Kata O
Kunci— O
Inflasi O
, O
Peramalan O
, O
ARIMA O
, O
Hybrid O
, O
FCMGRNN O
[SEP] O
7.1 O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
dapat O
ditarik O
kesimpulan O
sebagai O
berikut O
: O
1. O
Model O
hybrid O
ARIMA-FCMGRNN O
yang O
dihasilkan O
( O
19 O
) O
pada O
penelitian O
ini O
yaitu O
sebagai O
berikut. O
𝑦̂𝑡 O
= O
( O
0,7731 O
+ O
1,1320 O
𝑌𝑡−1 O
− O
0,9494 O
𝑌𝑡−2 O
+ O
0,2884 O
𝑌𝑡−3 O
− O
0,0901 O
𝑌𝑡−4 O
+ O
0,2499 O
𝑌𝑡−5 O
+ O
𝑒𝑡 O
+ O
0,6914 O
𝑒𝑡−1 O
− O
0,6147 O
𝑒𝑡−2 O
− O
0,2178 O
𝑒𝑡−3 O
) O
∑ O
+ O
𝑣𝑘𝑤𝑡𝑘 O
exp O
( O
−0.5 O
( O
( O
x O
− O
𝜇𝑘 O
) O
Σ−1 O
( O
x O
− O
𝜇𝑘 O
) O
′ O
) O
𝑤𝑡𝑘 O
exp O
( O
−0.5 O
( O
x O
− O
𝜇𝑘 O
) O
Σ−1 O
( O
x O
− O
𝜇𝑘 O
) O
′ O
) O
11 O
𝑘=1 O
11 O
∑ O
𝑘=1 O
𝑖 O
= O
1,2,3 O
, O
… O
, O
𝑇 O
− O
5 O
; O
x’ O
= O
( O
𝑦𝑡−1 O
, O
𝑦𝑡− O
2 O
, O
… O
, O
𝑦𝑡− O
5 O
) O
. O
2. O
Untuk O
memperoleh O
peramalan O
inflasi O
, O
variabel O
input O
yang O
digunakan O
pada O
model O
hybrid O
ARIMA- O
FCMGRNN O
yaitu O
𝑌𝑡−1 O
, O
𝑌𝑡−2 O
, O
𝑌𝑡−3 O
, O
𝑌𝑡−4 O
, O
dan O
𝑌𝑡−5 O
, O
dan O
variabel O
target O
yaitu O
residual O
dari O
model O
ARIMA O
( O
5,0,3 O
) O
. O
Normalisasi O
data O
menggunakan O
metode O
z-score O
, O
jumlah O
neuron O
sebanyak O
11 O
neuron O
, O
dan O
nilai O
fuzzifier O
= O
1,5. O
Hasil B-TEMUAN
peramalan I-TEMUAN
inflasi I-TEMUAN
menggunakan I-TEMUAN
hybrid I-TEMUAN
ARIMA- I-TEMUAN
FCMGRNN I-TEMUAN
menghasilkan I-TEMUAN
MAE I-TEMUAN
, I-TEMUAN
MAPE I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
0,1962 I-TEMUAN
, I-TEMUAN
0,8 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
0,2191. I-TEMUAN
3. O
Hasil O
peramalan O
menggunakan O
hybrid O
ARIMA- O
FCMGRNN O
dapat O
dilihat O
pada O
tabel O
berikut O
TABEL O
IX O
HASIL O
PERAMALAN O
DENGAN O
HYBRID O
ARIMA-FCMGRNN O
Bulan O
( O
1 O
) O
Januari O
2023 O
Februari O
2023 O
Maret O
2023 O
April O
2023 O
Mei O
2023 O
Data O
Peramalan O
( O
2 O
) O
0,0718 O
0,0917 O
0,0365 O
-0,0133 O
0,0017 O
7.2 O
Saran O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
penelitian O
selanjutnya O
dapat O
memanfaatkan O
metode O
hybrid O
ARIMA-FCMGRNN O
pada O
data O
time O
series O
lainnya O
untuk O
melihat O
sejauh O
mana O
model O
hybrid O
ARIMA-FCMGRNN O
dapat O
memprediksi O
data O
time O
series O
dengan O
baik. O
Namun O
, O
diharapkan O
penelitian O
selanjutnya O
menggunakan O
metode O
ini O
pada O
data O
yang O
lebih O
besar O
sehingga O
model O
yang O
dihasilkan O
dapat O
lebih O
baik. O
Selain O
itu O
, O
model O
hybrid O
ini O
juga O
dapat O
dikombinasikan O
dengan O
metode O
lain O
seperti O
SARIMA O
, O
ARCH O
, O
GARCH O
, O
maupun O
metode O
neural O
network O
seperti O
LSTM. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Peramalan O
Pergerakan O
Inflasi O
Indonesia O
menggunakan O
Hybrid O
ARIMA O
Fuzzy O
C-Means O
General O
Regression O
Neural O
Network O
Shally O
Nabila O
( O
221911007 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Achmad O
Syahrul O
Choir O
, O
SST O
, O
M.Si. O
Ringkasan— O
Inflasi O
merupakan O
proses O
kenaikan O
harga O
barang O
dan O
jasa O
secara O
terus O
menerus O
dalam O
jangka O
waktu O
tertentu. O
Inflasi O
menjadi O
salah O
satu O
indikator O
penting O
yang O
dapat O
memberikan O
informasi O
mengenai O
perubahan O
harga O
barang O
dan O
jasa O
yang O
dikonsumsi O
oleh O
masyarakat. O
Perubahan O
harga O
barang O
dan O
jasa O
ini O
dapat O
berakibat O
langsung O
terhadap O
berbagai O
hal O
yang O
berhubungan O
dengan O
parameter O
ekonomi. O
Inflasi O
yang O
stabil O
merupakan O
prasyarat O
bagi O
pertumbuhan O
ekonomi O
berkelanjutan O
yang O
nantinya O
akan O
membawa O
manfaat O
untuk O
meningkatkan O
kesejahteraan O
masyarakat O
di O
Indonesia O
sehingga O
perlu O
dilakukan O
peramalan O
sebagai O
salah O
satu O
pertimbangan O
dalam O
mengambil O
sebuah O
kebijakan. O
Beberapa O
metode B-METODE
peramalan I-METODE
telah O
digunakan O
untuk O
meramalkan O
inflasi. O
Salah O
satu O
metode O
yang O
memiliki O
akurasi O
tinggi O
dalam O
meramalkan O
inflasi O
yaitu O
metode O
hybrid O
ARIMA-NN. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
melakukan B-TUJUAN
peramalan I-TUJUAN
terhadap I-TUJUAN
laju I-TUJUAN
inflasi I-TUJUAN
di I-TUJUAN
Indonesia I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
Hybrid I-TUJUAN
ARIMA I-TUJUAN
Fuzzy I-TUJUAN
C-Means I-TUJUAN
General I-TUJUAN
Regression I-TUJUAN
Neural I-TUJUAN
Network I-TUJUAN
yang O
menghasilkan O
akurasi O
lebih O
baik O
daripada O
metode O
ARIMA. O
Kata O
Kunci— O
Inflasi O
, O
Peramalan O
, O
ARIMA O
, O
Hybrid O
, O
FCMGRNN O
[SEP] O
7.1 O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
dapat O
ditarik O
kesimpulan O
sebagai O
berikut O
: O
1. O
Model O
hybrid O
ARIMA-FCMGRNN O
yang O
dihasilkan O
( O
19 O
) O
pada O
penelitian O
ini O
yaitu O
sebagai O
berikut. O
𝑦̂𝑡 O
= O
( O
0,7731 O
+ O
1,1320 O
𝑌𝑡−1 O
− O
0,9494 O
𝑌𝑡−2 O
+ O
0,2884 O
𝑌𝑡−3 O
− O
0,0901 O
𝑌𝑡−4 O
+ O
0,2499 O
𝑌𝑡−5 O
+ O
𝑒𝑡 O
+ O
0,6914 O
𝑒𝑡−1 O
− O
0,6147 O
𝑒𝑡−2 O
− O
0,2178 O
𝑒𝑡−3 O
) O
∑ O
+ O
𝑣𝑘𝑤𝑡𝑘 O
exp O
( O
−0.5 O
( O
( O
x O
− O
𝜇𝑘 O
) O
Σ−1 O
( O
x O
− O
𝜇𝑘 O
) O
′ O
) O
𝑤𝑡𝑘 O
exp O
( O
−0.5 O
( O
x O
− O
𝜇𝑘 O
) O
Σ−1 O
( O
x O
− O
𝜇𝑘 O
) O
′ O
) O
11 O
𝑘=1 O
11 O
∑ O
𝑘=1 O
𝑖 O
= O
1,2,3 O
, O
… O
, O
𝑇 O
− O
5 O
; O
x’ O
= O
( O
𝑦𝑡−1 O
, O
𝑦𝑡− O
2 O
, O
… O
, O
𝑦𝑡− O
5 O
) O
. O
2. O
Untuk O
memperoleh O
peramalan O
inflasi O
, O
variabel O
input O
yang O
digunakan O
pada O
model O
hybrid O
ARIMA- O
FCMGRNN O
yaitu O
𝑌𝑡−1 O
, O
𝑌𝑡−2 O
, O
𝑌𝑡−3 O
, O
𝑌𝑡−4 O
, O
dan O
𝑌𝑡−5 O
, O
dan O
variabel O
target O
yaitu O
residual O
dari O
model O
ARIMA O
( O
5,0,3 O
) O
. O
Normalisasi O
data O
menggunakan O
metode O
z-score O
, O
jumlah O
neuron O
sebanyak O
11 O
neuron O
, O
dan O
nilai O
fuzzifier O
= O
1,5. O
Hasil B-TEMUAN
peramalan I-TEMUAN
inflasi I-TEMUAN
menggunakan I-TEMUAN
hybrid I-TEMUAN
ARIMA- I-TEMUAN
FCMGRNN I-TEMUAN
menghasilkan I-TEMUAN
MAE I-TEMUAN
, I-TEMUAN
MAPE I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
0,1962 I-TEMUAN
, I-TEMUAN
0,8 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
0,2191. I-TEMUAN
3. O
Hasil O
peramalan O
menggunakan O
hybrid O
ARIMA- O
FCMGRNN O
dapat O
dilihat O
pada O
tabel O
berikut O
TABEL O
IX O
HASIL O
PERAMALAN O
DENGAN O
HYBRID O
ARIMA-FCMGRNN O
Bulan O
( O
1 O
) O
Januari O
2023 O
Februari O
2023 O
Maret O
2023 O
April O
2023 O
Mei O
2023 O
Data O
Peramalan O
( O
2 O
) O
0,0718 O
0,0917 O
0,0365 O
-0,0133 O
0,0017 O
7.2 O
Saran O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
penelitian O
selanjutnya O
dapat O
memanfaatkan O
metode O
hybrid O
ARIMA-FCMGRNN O
pada O
data O
time O
series O
lainnya O
untuk O
melihat O
sejauh O
mana O
model O
hybrid O
ARIMA-FCMGRNN O
dapat O
memprediksi O
data O
time O
series O
dengan O
baik. O
Namun O
, O
diharapkan O
penelitian O
selanjutnya O
menggunakan O
metode O
ini O
pada O
data O
yang O
lebih O
besar O
sehingga O
model O
yang O
dihasilkan O
dapat O
lebih O
baik. O
Selain O
itu O
, O
model O
hybrid O
ini O
juga O
dapat O
dikombinasikan O
dengan O
metode O
lain O
seperti O
SARIMA O
, O
ARCH O
, O
GARCH O
, O
maupun O
metode O
neural O
network O
seperti O
LSTM. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Peramalan O
Pergerakan O
Inflasi O
Indonesia O
menggunakan O
Hybrid O
ARIMA O
Fuzzy O
C-Means O
General O
Regression O
Neural O
Network O
Shally O
Nabila O
( O
221911007 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Achmad O
Syahrul O
Choir O
, O
SST O
, O
M.Si. O
Ringkasan— O
Inflasi O
merupakan O
proses O
kenaikan O
harga O
barang O
dan O
jasa O
secara O
terus O
menerus O
dalam O
jangka O
waktu O
tertentu. O
Inflasi O
menjadi O
salah O
satu O
indikator O
penting O
yang O
dapat O
memberikan O
informasi O
mengenai O
perubahan O
harga O
barang O
dan O
jasa O
yang O
dikonsumsi O
oleh O
masyarakat. O
Perubahan O
harga O
barang O
dan O
jasa O
ini O
dapat O
berakibat O
langsung O
terhadap O
berbagai O
hal O
yang O
berhubungan O
dengan O
parameter O
ekonomi. O
Inflasi O
yang O
stabil O
merupakan O
prasyarat O
bagi O
pertumbuhan O
ekonomi O
berkelanjutan O
yang O
nantinya O
akan O
membawa O
manfaat O
untuk O
meningkatkan O
kesejahteraan O
masyarakat O
di O
Indonesia O
sehingga O
perlu O
dilakukan O
peramalan O
sebagai O
salah O
satu O
pertimbangan O
dalam O
mengambil O
sebuah O
kebijakan. O
Beberapa O
metode B-METODE
peramalan I-METODE
telah O
digunakan O
untuk O
meramalkan O
inflasi. O
Salah O
satu O
metode O
yang O
memiliki O
akurasi O
tinggi O
dalam O
meramalkan O
inflasi O
yaitu O
metode O
hybrid O
ARIMA-NN. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
melakukan B-TUJUAN
peramalan I-TUJUAN
terhadap I-TUJUAN
laju I-TUJUAN
inflasi I-TUJUAN
di I-TUJUAN
Indonesia I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
Hybrid I-TUJUAN
ARIMA I-TUJUAN
Fuzzy I-TUJUAN
C-Means I-TUJUAN
General I-TUJUAN
Regression I-TUJUAN
Neural I-TUJUAN
Network I-TUJUAN
yang O
menghasilkan O
akurasi O
lebih O
baik O
daripada O
metode O
ARIMA. O
Kata O
Kunci— O
Inflasi O
, O
Peramalan O
, O
ARIMA O
, O
Hybrid O
, O
FCMGRNN O
[SEP] O
7.1 O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
dapat O
ditarik O
kesimpulan O
sebagai O
berikut O
: O
1. O
Model O
hybrid O
ARIMA-FCMGRNN O
yang O
dihasilkan O
( O
19 O
) O
pada O
penelitian O
ini O
yaitu O
sebagai O
berikut. O
𝑦̂𝑡 O
= O
( O
0,7731 O
+ O
1,1320 O
𝑌𝑡−1 O
− O
0,9494 O
𝑌𝑡−2 O
+ O
0,2884 O
𝑌𝑡−3 O
− O
0,0901 O
𝑌𝑡−4 O
+ O
0,2499 O
𝑌𝑡−5 O
+ O
𝑒𝑡 O
+ O
0,6914 O
𝑒𝑡−1 O
− O
0,6147 O
𝑒𝑡−2 O
− O
0,2178 O
𝑒𝑡−3 O
) O
∑ O
+ O
𝑣𝑘𝑤𝑡𝑘 O
exp O
( O
−0.5 O
( O
( O
x O
− O
𝜇𝑘 O
) O
Σ−1 O
( O
x O
− O
𝜇𝑘 O
) O
′ O
) O
𝑤𝑡𝑘 O
exp O
( O
−0.5 O
( O
x O
− O
𝜇𝑘 O
) O
Σ−1 O
( O
x O
− O
𝜇𝑘 O
) O
′ O
) O
11 O
𝑘=1 O
11 O
∑ O
𝑘=1 O
𝑖 O
= O
1,2,3 O
, O
… O
, O
𝑇 O
− O
5 O
; O
x’ O
= O
( O
𝑦𝑡−1 O
, O
𝑦𝑡− O
2 O
, O
… O
, O
𝑦𝑡− O
5 O
) O
. O
2. O
Untuk O
memperoleh O
peramalan O
inflasi O
, O
variabel O
input O
yang O
digunakan O
pada O
model O
hybrid O
ARIMA- O
FCMGRNN O
yaitu O
𝑌𝑡−1 O
, O
𝑌𝑡−2 O
, O
𝑌𝑡−3 O
, O
𝑌𝑡−4 O
, O
dan O
𝑌𝑡−5 O
, O
dan O
variabel O
target O
yaitu O
residual O
dari O
model O
ARIMA O
( O
5,0,3 O
) O
. O
Normalisasi O
data O
menggunakan O
metode O
z-score O
, O
jumlah O
neuron O
sebanyak O
11 O
neuron O
, O
dan O
nilai O
fuzzifier O
= O
1,5. O
Hasil B-TEMUAN
peramalan I-TEMUAN
inflasi I-TEMUAN
menggunakan I-TEMUAN
hybrid I-TEMUAN
ARIMA- I-TEMUAN
FCMGRNN I-TEMUAN
menghasilkan I-TEMUAN
MAE I-TEMUAN
, I-TEMUAN
MAPE I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
0,1962 I-TEMUAN
, I-TEMUAN
0,8 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
0,2191. I-TEMUAN
3. O
Hasil O
peramalan O
menggunakan O
hybrid O
ARIMA- O
FCMGRNN O
dapat O
dilihat O
pada O
tabel O
berikut O
TABEL O
IX O
HASIL O
PERAMALAN O
DENGAN O
HYBRID O
ARIMA-FCMGRNN O
Bulan O
( O
1 O
) O
Januari O
2023 O
Februari O
2023 O
Maret O
2023 O
April O
2023 O
Mei O
2023 O
Data O
Peramalan O
( O
2 O
) O
0,0718 O
0,0917 O
0,0365 O
-0,0133 O
0,0017 O
7.2 O
Saran O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
penelitian O
selanjutnya O
dapat O
memanfaatkan O
metode O
hybrid O
ARIMA-FCMGRNN O
pada O
data O
time O
series O
lainnya O
untuk O
melihat O
sejauh O
mana O
model O
hybrid O
ARIMA-FCMGRNN O
dapat O
memprediksi O
data O
time O
series O
dengan O
baik. O
Namun O
, O
diharapkan O
penelitian O
selanjutnya O
menggunakan O
metode O
ini O
pada O
data O
yang O
lebih O
besar O
sehingga O
model O
yang O
dihasilkan O
dapat O
lebih O
baik. O
Selain O
itu O
, O
model O
hybrid O
ini O
juga O
dapat O
dikombinasikan O
dengan O
metode O
lain O
seperti O
SARIMA O
, O
ARCH O
, O
GARCH O
, O
maupun O
metode O
neural O
network O
seperti O
LSTM. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Pembangunan O
R-Package O
Small O
Area O
Estimation O
Metode O
Hierarchical O
Bayes O
pada O
Distribusi O
Beta O
dengan O
Measurement O
Error O
Studi O
Kasus O
: O
Angka O
Partisispasi O
Kasar O
Pendidikan O
Anak O
Usia O
Dini O
Berdasarkan O
Jenis O
Kelamin O
Pada O
Kabupaten O
/ O
Kota O
Provinsi O
Jawa O
Tengah O
Tahun O
2022 O
Ratih O
Rodliyah O
( O
221910990 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Azka O
Ubaidillah O
, O
S.S.T. O
, O
M.Si. O
Ringkasan— O
Small O
Area O
Estimation O
( O
SAE O
) O
merupakan O
suatu O
teknik O
untuk O
mengestimasi O
parameter-parameter O
subpopulasi O
yang O
ukuran O
sampelnya O
kecil O
dengan O
bantuan O
variabel O
penyerta O
sebagai O
informasi O
tambahan O
yang O
umumnya O
berasal O
dari O
data O
sensus O
dan O
data O
administrasi O
, O
namun O
data O
tersebut O
memiliki O
kelemahan O
yaitu O
tidak O
selalu O
ada O
ketersediannya. O
Model O
SAE O
dengan O
measurement O
error O
dapat O
menerapkan O
data O
survei O
sebagai O
variabel O
penyerta O
, O
akan O
tetapi O
metode O
yang O
digunakan O
adalah O
Empirical O
Best O
Linier O
Unbiased O
Prediction O
( O
EBLUP O
) O
dimana O
data O
harus O
berdistibusi O
normal O
dan O
variabel O
penyerta O
tidak O
boleh O
mengandung O
kesalahan O
, O
yang O
pada O
kenyataannya O
data O
BPS O
banyak O
yang O
bersifat O
proporsi. O
Penelitian O
ini O
mengkaji O
penerapan O
model O
Hierarchical O
Bayes O
( O
HB O
) O
dengan O
measurement O
error O
distribusi O
beta. O
Model O
kemudian O
akan O
diimplementasikan O
pada O
R O
package O
bernama O
‘saeHB.ME.beta’ O
yang O
dapat O
diakses O
pada O
https O
: O
/ O
/ O
cran.r-project.org O
/ O
web O
/ O
packages O
/ O
saeHB.ME.beta O
/ O
index.ht O
ml. O
Package O
yang O
telah O
dibangun O
dievaluasi O
dengan O
uji O
validasi O
dan O
digunakan O
untuk O
mengestimasi O
Angka O
Partisipasi O
Kasar O
( O
APK O
) O
Pendidikan O
Anak O
Usia O
Dini O
( O
PAUD O
) O
berdasarkan O
jenis O
kelamin O
level O
kabupaten O
/ O
kota O
Provinsi O
Jawa O
Tengah. O
Hasil B-TEMUAN
dari I-TEMUAN
uji I-TEMUAN
validasi I-TEMUAN
dan I-TEMUAN
etimasi I-TEMUAN
menggunakan I-TEMUAN
R I-TEMUAN
package I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
R I-TEMUAN
package I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dan I-TEMUAN
mampu I-TEMUAN
meningkatkan I-TEMUAN
presisi I-TEMUAN
pendugaan I-TEMUAN
langsung. I-TEMUAN
Kata O
Kunci— O
SAE O
, O
HB O
, O
Beta O
, O
measurement O
error O
, O
R O
Package. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
, O
dapat O
diambil O
beberapa O
VII. O
kesimpulan O
sebagai O
berikut O
: O
1. O
Model O
regresi O
beta O
pada O
SAE O
pendekatan O
HB O
dengan O
efek O
Measurement O
Error O
dapat O
digunakan O
untuk O
melakukan O
estimasi O
pada O
data O
berdistribusi O
Beta O
dengan O
variabel O
penyerta O
mengandung O
kesalahan. O
yang O
dapat O
2. O
Proses B-TEMUAN
pembangunan I-TEMUAN
R I-TEMUAN
package I-TEMUAN
Small I-TEMUAN
Aarea I-TEMUAN
Estimation I-TEMUAN
pendekatan I-TEMUAN
HB I-TEMUAN
dengan I-TEMUAN
efek I-TEMUAN
Measurement I-TEMUAN
Error I-TEMUAN
untuk I-TEMUAN
data I-TEMUAN
berdistribusi I-TEMUAN
Beta I-TEMUAN
telah I-TEMUAN
selesai I-TEMUAN
dilakukan I-TEMUAN
dan I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
di-publish I-TEMUAN
oleh I-TEMUAN
CRAN I-TEMUAN
dengan I-TEMUAN
nama I-TEMUAN
‘saeHB.ME.beta’ I-TEMUAN
diakses I-TEMUAN
melalui I-TEMUAN
: I-TEMUAN
https I-TEMUAN
: I-TEMUAN
/ I-TEMUAN
/ I-TEMUAN
CRAN.R-project.org I-TEMUAN
/ I-TEMUAN
package=saeHB.ME.beta I-TEMUAN
3. O
Evaluasi O
terhadap O
R O
package O
yang O
telah O
dibangun O
berhasil O
dilakukan O
, O
dengan O
mengimplementasikannya O
pada O
data O
hasil O
bangkitan O
dan O
dengan O
uji O
validitas O
menggunakan O
SUS O
yang O
hasilnya O
menunjukkan O
package O
telah O
dapat O
diterima O
oleh O
pengguna. O
Penerapan O
fungsi O
package O
‘saeHB.ME.beta’ O
pada O
studi O
kasus O
Angka O
Partisipasi O
Kasar O
Pendidikan O
Anak O
Usia O
Dini O
berdasarkan O
jenis O
kelamin O
laki-laki O
dan O
perempuan O
level O
kabupaten O
/ O
kota O
Provinsi O
Jawa O
Tengah O
tahun O
2022 O
menghasilkan O
pendugaan O
dengan O
presisi O
paling O
baik O
‘saeHB.ME’ O
dibandingkan O
dengan O
maupun O
pendugaan O
langsung O
fungsi O
package O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Pembangunan O
R-Package O
Small O
Area O
Estimation O
Metode O
Hierarchical O
Bayes O
pada O
Distribusi O
Beta O
dengan O
Measurement O
Error O
Studi O
Kasus O
: O
Angka O
Partisispasi O
Kasar O
Pendidikan O
Anak O
Usia O
Dini O
Berdasarkan O
Jenis O
Kelamin O
Pada O
Kabupaten O
/ O
Kota O
Provinsi O
Jawa O
Tengah O
Tahun O
2022 O
Ratih O
Rodliyah O
( O
221910990 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Azka O
Ubaidillah O
, O
S.S.T. O
, O
M.Si. O
Ringkasan— O
Small O
Area O
Estimation O
( O
SAE O
) O
merupakan O
suatu O
teknik O
untuk O
mengestimasi O
parameter-parameter O
subpopulasi O
yang O
ukuran O
sampelnya O
kecil O
dengan O
bantuan O
variabel O
penyerta O
sebagai O
informasi O
tambahan O
yang O
umumnya O
berasal O
dari O
data O
sensus O
dan O
data O
administrasi O
, O
namun O
data O
tersebut O
memiliki O
kelemahan O
yaitu O
tidak O
selalu O
ada O
ketersediannya. O
Model O
SAE O
dengan O
measurement O
error O
dapat O
menerapkan O
data O
survei O
sebagai O
variabel O
penyerta O
, O
akan O
tetapi O
metode O
yang O
digunakan O
adalah O
Empirical O
Best O
Linier O
Unbiased O
Prediction O
( O
EBLUP O
) O
dimana O
data O
harus O
berdistibusi O
normal O
dan O
variabel O
penyerta O
tidak O
boleh O
mengandung O
kesalahan O
, O
yang O
pada O
kenyataannya O
data O
BPS O
banyak O
yang O
bersifat O
proporsi. O
Penelitian O
ini O
mengkaji O
penerapan O
model O
Hierarchical O
Bayes O
( O
HB O
) O
dengan O
measurement O
error O
distribusi O
beta. O
Model O
kemudian O
akan O
diimplementasikan O
pada O
R O
package O
bernama O
‘saeHB.ME.beta’ O
yang O
dapat O
diakses O
pada O
https O
: O
/ O
/ O
cran.r-project.org O
/ O
web O
/ O
packages O
/ O
saeHB.ME.beta O
/ O
index.ht O
ml. O
Package O
yang O
telah O
dibangun O
dievaluasi O
dengan O
uji O
validasi O
dan O
digunakan O
untuk O
mengestimasi O
Angka O
Partisipasi O
Kasar O
( O
APK O
) O
Pendidikan O
Anak O
Usia O
Dini O
( O
PAUD O
) O
berdasarkan O
jenis O
kelamin O
level O
kabupaten O
/ O
kota O
Provinsi O
Jawa O
Tengah. O
Hasil B-TEMUAN
dari I-TEMUAN
uji I-TEMUAN
validasi I-TEMUAN
dan I-TEMUAN
etimasi I-TEMUAN
menggunakan I-TEMUAN
R I-TEMUAN
package I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
R I-TEMUAN
package I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dan I-TEMUAN
mampu I-TEMUAN
meningkatkan I-TEMUAN
presisi I-TEMUAN
pendugaan I-TEMUAN
langsung. I-TEMUAN
Kata O
Kunci— O
SAE O
, O
HB O
, O
Beta O
, O
measurement O
error O
, O
R O
Package. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
, O
dapat O
diambil O
beberapa O
VII. O
kesimpulan O
sebagai O
berikut O
: O
1. O
Model O
regresi O
beta O
pada O
SAE O
pendekatan O
HB O
dengan O
efek O
Measurement O
Error O
dapat O
digunakan O
untuk O
melakukan O
estimasi O
pada O
data O
berdistribusi O
Beta O
dengan O
variabel O
penyerta O
mengandung O
kesalahan. O
yang O
dapat O
2. O
Proses B-TEMUAN
pembangunan I-TEMUAN
R I-TEMUAN
package I-TEMUAN
Small I-TEMUAN
Aarea I-TEMUAN
Estimation I-TEMUAN
pendekatan I-TEMUAN
HB I-TEMUAN
dengan I-TEMUAN
efek I-TEMUAN
Measurement I-TEMUAN
Error I-TEMUAN
untuk I-TEMUAN
data I-TEMUAN
berdistribusi I-TEMUAN
Beta I-TEMUAN
telah I-TEMUAN
selesai I-TEMUAN
dilakukan I-TEMUAN
dan I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
di-publish I-TEMUAN
oleh I-TEMUAN
CRAN I-TEMUAN
dengan I-TEMUAN
nama I-TEMUAN
‘saeHB.ME.beta’ I-TEMUAN
diakses I-TEMUAN
melalui I-TEMUAN
: I-TEMUAN
https I-TEMUAN
: I-TEMUAN
/ I-TEMUAN
/ I-TEMUAN
CRAN.R-project.org I-TEMUAN
/ I-TEMUAN
package=saeHB.ME.beta I-TEMUAN
3. O
Evaluasi O
terhadap O
R O
package O
yang O
telah O
dibangun O
berhasil O
dilakukan O
, O
dengan O
mengimplementasikannya O
pada O
data O
hasil O
bangkitan O
dan O
dengan O
uji O
validitas O
menggunakan O
SUS O
yang O
hasilnya O
menunjukkan O
package O
telah O
dapat O
diterima O
oleh O
pengguna. O
Penerapan O
fungsi O
package O
‘saeHB.ME.beta’ O
pada O
studi O
kasus O
Angka O
Partisipasi O
Kasar O
Pendidikan O
Anak O
Usia O
Dini O
berdasarkan O
jenis O
kelamin O
laki-laki O
dan O
perempuan O
level O
kabupaten O
/ O
kota O
Provinsi O
Jawa O
Tengah O
tahun O
2022 O
menghasilkan O
pendugaan O
dengan O
presisi O
paling O
baik O
‘saeHB.ME’ O
dibandingkan O
dengan O
maupun O
pendugaan O
langsung O
fungsi O
package O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Penerapan O
Text O
Augmentation O
untuk O
Mengatasi O
Data O
yang O
Tidak O
Seimbang O
pada O
Klasifikasi O
Teks O
Berbahasa O
Indonesia O
Iftitah O
Athiyyah O
Rahma O
( O
221910989 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Lya O
Hulliyyatus O
Suadaa O
, O
SST. O
, O
MT. O
Ringkasan— O
Klasifikasi O
teks O
merupakan O
salah O
satu O
tugas O
yang O
fundamental O
dalam O
natural O
language O
processing O
( O
NLP O
) O
. O
Dalam O
dunia O
nyata O
, O
data O
dan O
sumber O
daya O
yang O
tersedia O
untuk O
pengklasifikasian O
teks O
terbatas. O
Salah O
satu O
kendala O
pada O
data O
berlabel O
yaitu O
data O
yang O
tidak O
seimbang. O
Permasalahan O
data O
yang O
tidak O
seimbang O
memengaruhi O
kinerja O
dan O
keakuratan O
model O
karena O
model O
hanya O
terfokus O
pada O
data O
dengan O
label O
mayoritas. O
Untuk O
mengatasinya O
, O
dilakukan O
pendekatan O
oversampling O
yaitu O
menambah O
data O
label O
minoritas. O
Oversampling O
pada O
data O
teks O
dikenal O
dengan O
text O
augmentation. O
Penelitian O
ini O
melakukan B-METODE
text I-METODE
augmentation I-METODE
menggunakan I-METODE
teknik I-METODE
synonym I-METODE
replacement I-METODE
dengan I-METODE
dan I-METODE
tanpa I-METODE
optimasi I-METODE
serta I-METODE
teknik I-METODE
back I-METODE
translation I-METODE
untuk I-METODE
beberapa I-METODE
kasus I-METODE
berbeda. I-METODE
Berdasarkan O
hasil O
eksperimen O
, O
augmentasi B-TEMUAN
mampu I-TEMUAN
meningkatkan I-TEMUAN
skor I-TEMUAN
F1 I-TEMUAN
pada I-TEMUAN
label I-TEMUAN
minoritas I-TEMUAN
dan I-TEMUAN
lebih I-TEMUAN
signifikan I-TEMUAN
pada I-TEMUAN
dataset I-TEMUAN
kecil. I-TEMUAN
Teknik O
back O
translation O
lebih O
baik O
untuk O
teks O
formal O
dan O
optimasi O
synonym O
replacement O
lebih O
baik O
untuk O
teks O
informal. O
Selain O
itu O
, O
semakin O
banyak O
jumlah O
data O
augmentasi O
belum O
tentu O
memberikan O
hasil O
yang O
semakin O
baik O
karena O
terindikasi O
overfitting O
pada O
data O
latih. O
Penelitian O
ini O
juga O
mengembangkan O
aplikasi O
untuk O
augmentasi O
teks O
secara O
otomatis. O
Kata O
Kunci— O
text O
augmentation O
, O
imbalanced O
data O
, O
synonym O
replacement O
, O
back O
translation O
[SEP] O
Berdasarkan O
hasil O
dari O
penelitian O
yang O
dilakukan O
, O
dapat O
disimpulkan O
beberapa O
hal O
sebagai O
berikut. O
1. O
Augmentasi O
teks O
dapat O
menjadi O
salah O
satu O
alternatif O
untuk O
pengembangan O
dataset O
pelatihan O
pada O
permasalahan O
data O
yang O
tidak O
seimbang. O
Penelitian O
ini O
melakukan O
augmentasi O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
teknik O
menggunakan O
replacement O
dengan O
synonym O
Tesaurus O
, O
optimasi O
synonym O
replacement O
dengan O
Tesaurus O
dan O
word O
vector O
, O
serta O
back O
translation O
menggunakan O
API O
Google O
Translate O
pada O
teks O
berbahasa O
Indonesia. O
2. O
Hasil B-TEMUAN
klasifikasi I-TEMUAN
menunjukkan I-TEMUAN
augmentasi I-TEMUAN
teks I-TEMUAN
dapat I-TEMUAN
meningkatkan I-TEMUAN
skor I-TEMUAN
F1 I-TEMUAN
pada I-TEMUAN
data I-TEMUAN
yang I-TEMUAN
tidak I-TEMUAN
seimbang. I-TEMUAN
Selain I-TEMUAN
itu I-TEMUAN
, I-TEMUAN
augmentasi I-TEMUAN
teks I-TEMUAN
lebih I-TEMUAN
efektif I-TEMUAN
pada I-TEMUAN
dataset I-TEMUAN
kecil. I-TEMUAN
Berdasarkan O
hasil O
augmentasi O
eksperimen O
, O
memengaruhi O
hasil O
klasifikasi. O
Jumlah O
augmentasi O
yang O
besar O
belum O
tentu O
semakin O
baik O
karena O
model O
terindikasi O
overfitting O
pada O
data O
latih. O
jumlah O
3. O
Berdasarkan O
hasil O
klasifikasi O
, O
evaluasi O
kelestarian O
konten O
, O
dan O
evaluasi O
kesesuaian O
label O
teknik O
terbaik O
untuk O
dataset O
teks O
formal O
adalah O
teknik O
back O
translation O
sementara O
untuk O
dataset O
teks O
informal O
adalah O
teknik O
optimasi O
synonym O
replacement. O
Evaluasi O
aspek O
keragaman O
menunjukkan O
hal O
sebaliknya. O
Oleh O
karena O
itu O
, O
semakin O
beragam O
teks O
sintetis O
, O
jika O
konteksnya O
tidak O
sesuai O
maka O
akan O
berbahaya O
pada O
hasil O
klasifikasinya. O
Back O
translation O
unggul O
pada O
aspek O
keterbacaan O
dan O
lebih O
efisien O
dari O
segi O
waktu O
komputasi O
sehingga O
secara O
umum O
lebih O
direkomendasikan. O
Namun O
, O
perlu O
hati-hati O
jika O
digunakan O
pada O
teks O
informal O
karena O
normalisasi O
saat O
terjemahan O
dapat O
mengubah O
konteks O
kalimat. O
Pemilihan O
teknik O
augmentasi O
dapat O
menyesuaikan O
kebutuhan O
dan O
waktu O
komputasi O
supaya O
lebih O
efektif. O
4. O
Telah O
dibangun O
aplikasi O
antarmuka O
augmentasi O
teks O
bahasa O
Indonesia O
otomatis O
berbasis O
web O
dengan O
framework O
Flask. O
Penelitian O
selanjutnya O
dapat O
mencoba O
menerapkan O
augmentasi O
untuk O
klasifikasi O
teks O
multilabel. O
Selain O
itu O
, O
perlu O
diteliti O
mengenai O
alternatif O
terbaik O
dalam O
augmentasi O
data O
teks O
panjang O
serta O
menarik O
untuk O
mengkaji O
lain O
menggunakan O
model O
NLP O
khusus O
text O
generation. O
teknik O
augmentasi O

Penerapan O
Text O
Augmentation O
untuk O
Mengatasi O
Data O
yang O
Tidak O
Seimbang O
pada O
Klasifikasi O
Teks O
Berbahasa O
Indonesia O
Iftitah O
Athiyyah O
Rahma O
( O
221910989 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Lya O
Hulliyyatus O
Suadaa O
, O
SST. O
, O
MT. O
Ringkasan— O
Klasifikasi O
teks O
merupakan O
salah O
satu O
tugas O
yang O
fundamental O
dalam O
natural O
language O
processing O
( O
NLP O
) O
. O
Dalam O
dunia O
nyata O
, O
data O
dan O
sumber O
daya O
yang O
tersedia O
untuk O
pengklasifikasian O
teks O
terbatas. O
Salah O
satu O
kendala O
pada O
data O
berlabel O
yaitu O
data O
yang O
tidak O
seimbang. O
Permasalahan O
data O
yang O
tidak O
seimbang O
memengaruhi O
kinerja O
dan O
keakuratan O
model O
karena O
model O
hanya O
terfokus O
pada O
data O
dengan O
label O
mayoritas. O
Untuk O
mengatasinya O
, O
dilakukan O
pendekatan O
oversampling O
yaitu O
menambah O
data O
label O
minoritas. O
Oversampling O
pada O
data O
teks O
dikenal O
dengan O
text O
augmentation. O
Penelitian O
ini O
melakukan B-METODE
text I-METODE
augmentation I-METODE
menggunakan I-METODE
teknik I-METODE
synonym I-METODE
replacement I-METODE
dengan I-METODE
dan I-METODE
tanpa I-METODE
optimasi I-METODE
serta I-METODE
teknik I-METODE
back I-METODE
translation I-METODE
untuk I-METODE
beberapa I-METODE
kasus I-METODE
berbeda. I-METODE
Berdasarkan O
hasil O
eksperimen O
, O
augmentasi B-TEMUAN
mampu I-TEMUAN
meningkatkan I-TEMUAN
skor I-TEMUAN
F1 I-TEMUAN
pada I-TEMUAN
label I-TEMUAN
minoritas I-TEMUAN
dan I-TEMUAN
lebih I-TEMUAN
signifikan I-TEMUAN
pada I-TEMUAN
dataset I-TEMUAN
kecil. I-TEMUAN
Teknik O
back O
translation O
lebih O
baik O
untuk O
teks O
formal O
dan O
optimasi O
synonym O
replacement O
lebih O
baik O
untuk O
teks O
informal. O
Selain O
itu O
, O
semakin O
banyak O
jumlah O
data O
augmentasi O
belum O
tentu O
memberikan O
hasil O
yang O
semakin O
baik O
karena O
terindikasi O
overfitting O
pada O
data O
latih. O
Penelitian O
ini O
juga O
mengembangkan O
aplikasi O
untuk O
augmentasi O
teks O
secara O
otomatis. O
Kata O
Kunci— O
text O
augmentation O
, O
imbalanced O
data O
, O
synonym O
replacement O
, O
back O
translation O
[SEP] O
Berdasarkan O
hasil O
dari O
penelitian O
yang O
dilakukan O
, O
dapat O
disimpulkan O
beberapa O
hal O
sebagai O
berikut. O
1. O
Augmentasi O
teks O
dapat O
menjadi O
salah O
satu O
alternatif O
untuk O
pengembangan O
dataset O
pelatihan O
pada O
permasalahan O
data O
yang O
tidak O
seimbang. O
Penelitian O
ini O
melakukan O
augmentasi O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
teknik O
menggunakan O
replacement O
dengan O
synonym O
Tesaurus O
, O
optimasi O
synonym O
replacement O
dengan O
Tesaurus O
dan O
word O
vector O
, O
serta O
back O
translation O
menggunakan O
API O
Google O
Translate O
pada O
teks O
berbahasa O
Indonesia. O
2. O
Hasil B-TEMUAN
klasifikasi I-TEMUAN
menunjukkan I-TEMUAN
augmentasi I-TEMUAN
teks I-TEMUAN
dapat I-TEMUAN
meningkatkan I-TEMUAN
skor I-TEMUAN
F1 I-TEMUAN
pada I-TEMUAN
data I-TEMUAN
yang I-TEMUAN
tidak I-TEMUAN
seimbang. I-TEMUAN
Selain I-TEMUAN
itu I-TEMUAN
, I-TEMUAN
augmentasi I-TEMUAN
teks I-TEMUAN
lebih I-TEMUAN
efektif I-TEMUAN
pada I-TEMUAN
dataset I-TEMUAN
kecil. I-TEMUAN
Berdasarkan O
hasil O
augmentasi O
eksperimen O
, O
memengaruhi O
hasil O
klasifikasi. O
Jumlah O
augmentasi O
yang O
besar O
belum O
tentu O
semakin O
baik O
karena O
model O
terindikasi O
overfitting O
pada O
data O
latih. O
jumlah O
3. O
Berdasarkan O
hasil O
klasifikasi O
, O
evaluasi O
kelestarian O
konten O
, O
dan O
evaluasi O
kesesuaian O
label O
teknik O
terbaik O
untuk O
dataset O
teks O
formal O
adalah O
teknik O
back O
translation O
sementara O
untuk O
dataset O
teks O
informal O
adalah O
teknik O
optimasi O
synonym O
replacement. O
Evaluasi O
aspek O
keragaman O
menunjukkan O
hal O
sebaliknya. O
Oleh O
karena O
itu O
, O
semakin O
beragam O
teks O
sintetis O
, O
jika O
konteksnya O
tidak O
sesuai O
maka O
akan O
berbahaya O
pada O
hasil O
klasifikasinya. O
Back O
translation O
unggul O
pada O
aspek O
keterbacaan O
dan O
lebih O
efisien O
dari O
segi O
waktu O
komputasi O
sehingga O
secara O
umum O
lebih O
direkomendasikan. O
Namun O
, O
perlu O
hati-hati O
jika O
digunakan O
pada O
teks O
informal O
karena O
normalisasi O
saat O
terjemahan O
dapat O
mengubah O
konteks O
kalimat. O
Pemilihan O
teknik O
augmentasi O
dapat O
menyesuaikan O
kebutuhan O
dan O
waktu O
komputasi O
supaya O
lebih O
efektif. O
4. O
Telah O
dibangun O
aplikasi O
antarmuka O
augmentasi O
teks O
bahasa O
Indonesia O
otomatis O
berbasis O
web O
dengan O
framework O
Flask. O
Penelitian O
selanjutnya O
dapat O
mencoba O
menerapkan O
augmentasi O
untuk O
klasifikasi O
teks O
multilabel. O
Selain O
itu O
, O
perlu O
diteliti O
mengenai O
alternatif O
terbaik O
dalam O
augmentasi O
data O
teks O
panjang O
serta O
menarik O
untuk O
mengkaji O
lain O
menggunakan O
model O
NLP O
khusus O
text O
generation. O
teknik O
augmentasi O

Penerapan O
Text O
Augmentation O
untuk O
Mengatasi O
Data O
yang O
Tidak O
Seimbang O
pada O
Klasifikasi O
Teks O
Berbahasa O
Indonesia O
Iftitah O
Athiyyah O
Rahma O
( O
221910989 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Lya O
Hulliyyatus O
Suadaa O
, O
SST. O
, O
MT. O
Ringkasan— O
Klasifikasi O
teks O
merupakan O
salah O
satu O
tugas O
yang O
fundamental O
dalam O
natural O
language O
processing O
( O
NLP O
) O
. O
Dalam O
dunia O
nyata O
, O
data O
dan O
sumber O
daya O
yang O
tersedia O
untuk O
pengklasifikasian O
teks O
terbatas. O
Salah O
satu O
kendala O
pada O
data O
berlabel O
yaitu O
data O
yang O
tidak O
seimbang. O
Permasalahan O
data O
yang O
tidak O
seimbang O
memengaruhi O
kinerja O
dan O
keakuratan O
model O
karena O
model O
hanya O
terfokus O
pada O
data O
dengan O
label O
mayoritas. O
Untuk O
mengatasinya O
, O
dilakukan O
pendekatan O
oversampling O
yaitu O
menambah O
data O
label O
minoritas. O
Oversampling O
pada O
data O
teks O
dikenal O
dengan O
text O
augmentation. O
Penelitian O
ini O
melakukan B-METODE
text I-METODE
augmentation I-METODE
menggunakan I-METODE
teknik I-METODE
synonym I-METODE
replacement I-METODE
dengan I-METODE
dan I-METODE
tanpa I-METODE
optimasi I-METODE
serta I-METODE
teknik I-METODE
back I-METODE
translation I-METODE
untuk I-METODE
beberapa I-METODE
kasus I-METODE
berbeda. I-METODE
Berdasarkan O
hasil O
eksperimen O
, O
augmentasi B-TEMUAN
mampu I-TEMUAN
meningkatkan I-TEMUAN
skor I-TEMUAN
F1 I-TEMUAN
pada I-TEMUAN
label I-TEMUAN
minoritas I-TEMUAN
dan I-TEMUAN
lebih I-TEMUAN
signifikan I-TEMUAN
pada I-TEMUAN
dataset I-TEMUAN
kecil. I-TEMUAN
Teknik O
back O
translation O
lebih O
baik O
untuk O
teks O
formal O
dan O
optimasi O
synonym O
replacement O
lebih O
baik O
untuk O
teks O
informal. O
Selain O
itu O
, O
semakin O
banyak O
jumlah O
data O
augmentasi O
belum O
tentu O
memberikan O
hasil O
yang O
semakin O
baik O
karena O
terindikasi O
overfitting O
pada O
data O
latih. O
Penelitian O
ini O
juga O
mengembangkan O
aplikasi O
untuk O
augmentasi O
teks O
secara O
otomatis. O
Kata O
Kunci— O
text O
augmentation O
, O
imbalanced O
data O
, O
synonym O
replacement O
, O
back O
translation O
[SEP] O
Berdasarkan O
hasil O
dari O
penelitian O
yang O
dilakukan O
, O
dapat O
disimpulkan O
beberapa O
hal O
sebagai O
berikut. O
1. O
Augmentasi O
teks O
dapat O
menjadi O
salah O
satu O
alternatif O
untuk O
pengembangan O
dataset O
pelatihan O
pada O
permasalahan O
data O
yang O
tidak O
seimbang. O
Penelitian O
ini O
melakukan O
augmentasi O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
teknik O
menggunakan O
replacement O
dengan O
synonym O
Tesaurus O
, O
optimasi O
synonym O
replacement O
dengan O
Tesaurus O
dan O
word O
vector O
, O
serta O
back O
translation O
menggunakan O
API O
Google O
Translate O
pada O
teks O
berbahasa O
Indonesia. O
2. O
Hasil B-TEMUAN
klasifikasi I-TEMUAN
menunjukkan I-TEMUAN
augmentasi I-TEMUAN
teks I-TEMUAN
dapat I-TEMUAN
meningkatkan I-TEMUAN
skor I-TEMUAN
F1 I-TEMUAN
pada I-TEMUAN
data I-TEMUAN
yang I-TEMUAN
tidak I-TEMUAN
seimbang. I-TEMUAN
Selain I-TEMUAN
itu I-TEMUAN
, I-TEMUAN
augmentasi I-TEMUAN
teks I-TEMUAN
lebih I-TEMUAN
efektif I-TEMUAN
pada I-TEMUAN
dataset I-TEMUAN
kecil. I-TEMUAN
Berdasarkan O
hasil O
augmentasi O
eksperimen O
, O
memengaruhi O
hasil O
klasifikasi. O
Jumlah O
augmentasi O
yang O
besar O
belum O
tentu O
semakin O
baik O
karena O
model O
terindikasi O
overfitting O
pada O
data O
latih. O
jumlah O
3. O
Berdasarkan O
hasil O
klasifikasi O
, O
evaluasi O
kelestarian O
konten O
, O
dan O
evaluasi O
kesesuaian O
label O
teknik O
terbaik O
untuk O
dataset O
teks O
formal O
adalah O
teknik O
back O
translation O
sementara O
untuk O
dataset O
teks O
informal O
adalah O
teknik O
optimasi O
synonym O
replacement. O
Evaluasi O
aspek O
keragaman O
menunjukkan O
hal O
sebaliknya. O
Oleh O
karena O
itu O
, O
semakin O
beragam O
teks O
sintetis O
, O
jika O
konteksnya O
tidak O
sesuai O
maka O
akan O
berbahaya O
pada O
hasil O
klasifikasinya. O
Back O
translation O
unggul O
pada O
aspek O
keterbacaan O
dan O
lebih O
efisien O
dari O
segi O
waktu O
komputasi O
sehingga O
secara O
umum O
lebih O
direkomendasikan. O
Namun O
, O
perlu O
hati-hati O
jika O
digunakan O
pada O
teks O
informal O
karena O
normalisasi O
saat O
terjemahan O
dapat O
mengubah O
konteks O
kalimat. O
Pemilihan O
teknik O
augmentasi O
dapat O
menyesuaikan O
kebutuhan O
dan O
waktu O
komputasi O
supaya O
lebih O
efektif. O
4. O
Telah O
dibangun O
aplikasi O
antarmuka O
augmentasi O
teks O
bahasa O
Indonesia O
otomatis O
berbasis O
web O
dengan O
framework O
Flask. O
Penelitian O
selanjutnya O
dapat O
mencoba O
menerapkan O
augmentasi O
untuk O
klasifikasi O
teks O
multilabel. O
Selain O
itu O
, O
perlu O
diteliti O
mengenai O
alternatif O
terbaik O
dalam O
augmentasi O
data O
teks O
panjang O
serta O
menarik O
untuk O
mengkaji O
lain O
menggunakan O
model O
NLP O
khusus O
text O
generation. O
teknik O
augmentasi O

Analisis O
Persepsi O
Masyarakat O
Terhadap O
Perilaku O
Seksual O
Pranikah O
Remaja O
di O
Indonesia O
pada O
Media O
Sosial O
Twitter O
Hady O
Rizaldy O
Gunawan O
( O
221910974 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
SST O
, O
M.Si. O
Ringkasan— O
Belakangan O
ini O
HIV O
/ O
AIDS O
tengah O
banyak O
diperbincangkan O
dan O
disorot O
oleh O
media O
dikarenakan O
meningkatnya O
kasus O
penularannya O
di O
Indonesia. O
Salah O
satu O
penyebabnya O
adalah O
perilaku O
seksual O
pranikah. O
Selain O
itu O
, O
persepsi O
masyarakat O
mengenai O
perilaku O
seksual O
pranikah O
juga O
telah O
mengalami O
perkembangan O
yang O
drastis O
dikarenakan O
telah O
berpindah O
dari O
nilai O
moral O
menjadi O
budaya. O
Penelitian O
ini O
bertujuan O
untuk O
melihat O
persepsi O
masyarakat O
mengenai O
perilaku O
seksual O
pranikah O
remaja O
di O
Indonesia O
pada O
media O
sosial O
Twitter. O
Metode O
yang O
digunakan O
adalah O
Support O
Vector O
Machine O
( O
SVM O
) O
dengan O
pendekatan O
semi-supervised O
learning O
dan O
teknik O
pseudo O
labelling. O
Selain O
itu O
, O
juga O
digunakan O
metode O
Latent O
Direchlet O
Allocation O
( O
LDA O
) O
untuk O
melihat O
topik O
pembicaraan O
masyarakat O
mengenai O
perilaku O
seksual O
pranikah O
remaja O
di O
Indonesia O
pada O
media O
sosial O
Twitter. O
Penelitian B-TEMUAN
ini I-TEMUAN
menghasilkan I-TEMUAN
persepsi I-TEMUAN
masyarakat I-TEMUAN
terhadap I-TEMUAN
perilaku I-TEMUAN
seksual I-TEMUAN
pranikah I-TEMUAN
remaja I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
pada I-TEMUAN
media I-TEMUAN
sosial I-TEMUAN
Twitter I-TEMUAN
cenderung I-TEMUAN
negatif I-TEMUAN
dan I-TEMUAN
metode I-TEMUAN
SVM I-TEMUAN
menghasilkan I-TEMUAN
akurasi I-TEMUAN
yang I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
yaitu I-TEMUAN
sebesar I-TEMUAN
86 I-TEMUAN
% I-TEMUAN
. O
Kemudian O
juga O
diperoleh O
topik O
pembicaraan O
dari O
sentimen O
positif O
yaitu O
mengenai O
larangan O
, O
ketidaksetujuan O
, O
dan O
ajakan O
untuk O
tidak O
menormalisasi O
perilaku O
seksual O
pranikah. O
Sedangkan O
topik O
pembicaraan O
untuk O
sentimen O
negatif O
yaitu O
mengenai O
normalisasi O
, O
keinginan O
, O
dan O
pengalaman O
dalam O
melakukan O
perilaku O
seksual O
pranikah. O
Kata O
Kunci— O
Perilaku O
Seksual O
Pranikah O
, O
Sentimen O
, O
SVM O
, O
Topic O
Modelling O
, O
LDA. O
[SEP] O
Berdasarkan O
uraian O
pembahasan O
yang O
telah O
dilakukan O
dalam O
penelitian O
ini O
, O
dapat O
disimpulkan O
bahwa O
: O
1. B-TEMUAN
Persepsi I-TEMUAN
masyarakat I-TEMUAN
terhadap I-TEMUAN
perilaku I-TEMUAN
seksual I-TEMUAN
pranikah I-TEMUAN
remaja I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
pada I-TEMUAN
media I-TEMUAN
sosial I-TEMUAN
Twitter I-TEMUAN
didominasi I-TEMUAN
oleh I-TEMUAN
persepsi I-TEMUAN
negatif. I-TEMUAN
Berdasarkan O
hasil O
analisis O
sentimen O
yang O
dilakukan O
dengan O
menggunakan O
metode O
Support O
Vector O
Machine O
( O
SVM O
) O
menunjukkan O
bahwa O
terdapat O
72,71 O
% O
tweet O
yang O
bersentimen O
negatif O
, O
25,99 O
% O
bersentimen O
positif O
, O
dan O
1,30 O
% O
bersentimen O
netral O
dengan O
akurasi O
pada O
model O
pertama O
yaitu O
sebesar O
76 O
% O
dan O
model O
kedua O
yaitu O
sebesar O
86 O
% O
. O
Berdasarkan O
hal O
tersebut O
, O
dapat O
dikatakan O
bahwa O
sebagian O
besar O
masyarakat O
permissif O
terhadap O
perilaku O
seksual O
pranikah O
yang O
dilakukan O
remaja O
di O
Indonesia. O
2. O
Hasil O
dari O
analisis O
topic O
modelling O
dengan O
metode O
LDA O
pada O
tweet O
bersentimen O
positif O
diperoleh O
jumlah O
topik O
sebanyak O
5 O
topik O
dengan O
coherence O
score O
sebesar O
0.38744. O
Dari O
kelima O
topik O
pada O
tweet O
bersentimen O
positif O
diketahui O
bahwa O
topik O
yang O
ramai O
dibicarakan O
adalah O
terkait O
dengan O
stop O
normalisasi O
, O
ketidaksetujuan O
, O
dan O
larangan O
perilaku O
seksual O
pranikah. O
Kemudian O
pada O
tweet O
bersentimen O
negatif O
diperoleh O
jumlah O
topik O
yaitu O
sebanyak O
8 O
topik O
dengan O
coherence O
score O
sebesar O
0.33629. O
Dari O
delapan O
topik O
yang O
dihasilkan O
diketahui O
secara O
umum O
bahwa O
topik O
yang O
sering O
dibicarakan O
adalah O
mengenai O
dan O
normalisasi O
, O
pengalaman O
dalam O
melakukan O
perilaku O
seksual O
pranikah. O
keinginan O
, O
Berikut O
merupakan O
saran O
dari O
peneliti O
untuk O
pemerintah O
maupun O
peneliti O
selanjutnya O
: O
1. O
Pemerintah O
dapat O
mengambil O
langkah-langkah O
untuk O
meningkatkan O
kesadaran O
masyarakat O
tentang O
bahaya O
perilaku O
seksual O
pranikah O
melalui O
kampanye O
sosial O
, O
seminar O
, O
dan O
penyuluhan O
di O
tiap O
sekolah. O
Selain O
itu O
, O
pemerintah O
juga O
dapat O
menjalin O
kerja O
sama O
dengan O
lembaga O
masyarakat O
seperti O
organisasi O
remaja O
, O
keluarga O
, O
dan O
agen O
kesehatan O
untuk O
mengembangkan O
program- O
program O
pencegahan O
dan O
intervensi O
yang O
bertujuan O
untuk O
mengubah O
persepsi O
masyarakat O
terhadap O
perilaku O
seksual O
pranikah. O
2. O
Untuk O
penelitian O
selanjutnya O
, O
disarankan O
menambahkan O
analisis O
deskriptif O
serta O
menerapkan O
algoritma O
atau O
metode O
lain O
sebagai O
perbandingan. O
Selain O
itu O
pada O
penelitian O
selanjutnya O
disarankan O
dapat O
menerapkan O
imbalance O
data O
agar O
metode O
yang O
bisa O
mengatasi O
memperbagus O
hasil O
akurasi O
dan O
analisis O

Analisis O
Persepsi O
Masyarakat O
Terhadap O
Perilaku O
Seksual O
Pranikah O
Remaja O
di O
Indonesia O
pada O
Media O
Sosial O
Twitter O
Hady O
Rizaldy O
Gunawan O
( O
221910974 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
SST O
, O
M.Si. O
Ringkasan— O
Belakangan O
ini O
HIV O
/ O
AIDS O
tengah O
banyak O
diperbincangkan O
dan O
disorot O
oleh O
media O
dikarenakan O
meningkatnya O
kasus O
penularannya O
di O
Indonesia. O
Salah O
satu O
penyebabnya O
adalah O
perilaku O
seksual O
pranikah. O
Selain O
itu O
, O
persepsi O
masyarakat O
mengenai O
perilaku O
seksual O
pranikah O
juga O
telah O
mengalami O
perkembangan O
yang O
drastis O
dikarenakan O
telah O
berpindah O
dari O
nilai O
moral O
menjadi O
budaya. O
Penelitian O
ini O
bertujuan O
untuk O
melihat O
persepsi O
masyarakat O
mengenai O
perilaku O
seksual O
pranikah O
remaja O
di O
Indonesia O
pada O
media O
sosial O
Twitter. O
Metode O
yang O
digunakan O
adalah O
Support O
Vector O
Machine O
( O
SVM O
) O
dengan O
pendekatan O
semi-supervised O
learning O
dan O
teknik O
pseudo O
labelling. O
Selain O
itu O
, O
juga O
digunakan O
metode O
Latent O
Direchlet O
Allocation O
( O
LDA O
) O
untuk O
melihat O
topik O
pembicaraan O
masyarakat O
mengenai O
perilaku O
seksual O
pranikah O
remaja O
di O
Indonesia O
pada O
media O
sosial O
Twitter. O
Penelitian B-TEMUAN
ini I-TEMUAN
menghasilkan I-TEMUAN
persepsi I-TEMUAN
masyarakat I-TEMUAN
terhadap I-TEMUAN
perilaku I-TEMUAN
seksual I-TEMUAN
pranikah I-TEMUAN
remaja I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
pada I-TEMUAN
media I-TEMUAN
sosial I-TEMUAN
Twitter I-TEMUAN
cenderung I-TEMUAN
negatif I-TEMUAN
dan I-TEMUAN
metode I-TEMUAN
SVM I-TEMUAN
menghasilkan I-TEMUAN
akurasi I-TEMUAN
yang I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
yaitu I-TEMUAN
sebesar I-TEMUAN
86 I-TEMUAN
% I-TEMUAN
. O
Kemudian O
juga O
diperoleh O
topik O
pembicaraan O
dari O
sentimen O
positif O
yaitu O
mengenai O
larangan O
, O
ketidaksetujuan O
, O
dan O
ajakan O
untuk O
tidak O
menormalisasi O
perilaku O
seksual O
pranikah. O
Sedangkan O
topik O
pembicaraan O
untuk O
sentimen O
negatif O
yaitu O
mengenai O
normalisasi O
, O
keinginan O
, O
dan O
pengalaman O
dalam O
melakukan O
perilaku O
seksual O
pranikah. O
Kata O
Kunci— O
Perilaku O
Seksual O
Pranikah O
, O
Sentimen O
, O
SVM O
, O
Topic O
Modelling O
, O
LDA. O
[SEP] O
Berdasarkan O
uraian O
pembahasan O
yang O
telah O
dilakukan O
dalam O
penelitian O
ini O
, O
dapat O
disimpulkan O
bahwa O
: O
1. B-TEMUAN
Persepsi I-TEMUAN
masyarakat I-TEMUAN
terhadap I-TEMUAN
perilaku I-TEMUAN
seksual I-TEMUAN
pranikah I-TEMUAN
remaja I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
pada I-TEMUAN
media I-TEMUAN
sosial I-TEMUAN
Twitter I-TEMUAN
didominasi I-TEMUAN
oleh I-TEMUAN
persepsi I-TEMUAN
negatif. I-TEMUAN
Berdasarkan O
hasil O
analisis O
sentimen O
yang O
dilakukan O
dengan O
menggunakan O
metode O
Support O
Vector O
Machine O
( O
SVM O
) O
menunjukkan O
bahwa O
terdapat O
72,71 O
% O
tweet O
yang O
bersentimen O
negatif O
, O
25,99 O
% O
bersentimen O
positif O
, O
dan O
1,30 O
% O
bersentimen O
netral O
dengan O
akurasi O
pada O
model O
pertama O
yaitu O
sebesar O
76 O
% O
dan O
model O
kedua O
yaitu O
sebesar O
86 O
% O
. O
Berdasarkan O
hal O
tersebut O
, O
dapat O
dikatakan O
bahwa O
sebagian O
besar O
masyarakat O
permissif O
terhadap O
perilaku O
seksual O
pranikah O
yang O
dilakukan O
remaja O
di O
Indonesia. O
2. O
Hasil O
dari O
analisis O
topic O
modelling O
dengan O
metode O
LDA O
pada O
tweet O
bersentimen O
positif O
diperoleh O
jumlah O
topik O
sebanyak O
5 O
topik O
dengan O
coherence O
score O
sebesar O
0.38744. O
Dari O
kelima O
topik O
pada O
tweet O
bersentimen O
positif O
diketahui O
bahwa O
topik O
yang O
ramai O
dibicarakan O
adalah O
terkait O
dengan O
stop O
normalisasi O
, O
ketidaksetujuan O
, O
dan O
larangan O
perilaku O
seksual O
pranikah. O
Kemudian O
pada O
tweet O
bersentimen O
negatif O
diperoleh O
jumlah O
topik O
yaitu O
sebanyak O
8 O
topik O
dengan O
coherence O
score O
sebesar O
0.33629. O
Dari O
delapan O
topik O
yang O
dihasilkan O
diketahui O
secara O
umum O
bahwa O
topik O
yang O
sering O
dibicarakan O
adalah O
mengenai O
dan O
normalisasi O
, O
pengalaman O
dalam O
melakukan O
perilaku O
seksual O
pranikah. O
keinginan O
, O
Berikut O
merupakan O
saran O
dari O
peneliti O
untuk O
pemerintah O
maupun O
peneliti O
selanjutnya O
: O
1. O
Pemerintah O
dapat O
mengambil O
langkah-langkah O
untuk O
meningkatkan O
kesadaran O
masyarakat O
tentang O
bahaya O
perilaku O
seksual O
pranikah O
melalui O
kampanye O
sosial O
, O
seminar O
, O
dan O
penyuluhan O
di O
tiap O
sekolah. O
Selain O
itu O
, O
pemerintah O
juga O
dapat O
menjalin O
kerja O
sama O
dengan O
lembaga O
masyarakat O
seperti O
organisasi O
remaja O
, O
keluarga O
, O
dan O
agen O
kesehatan O
untuk O
mengembangkan O
program- O
program O
pencegahan O
dan O
intervensi O
yang O
bertujuan O
untuk O
mengubah O
persepsi O
masyarakat O
terhadap O
perilaku O
seksual O
pranikah. O
2. O
Untuk O
penelitian O
selanjutnya O
, O
disarankan O
menambahkan O
analisis O
deskriptif O
serta O
menerapkan O
algoritma O
atau O
metode O
lain O
sebagai O
perbandingan. O
Selain O
itu O
pada O
penelitian O
selanjutnya O
disarankan O
dapat O
menerapkan O
imbalance O
data O
agar O
metode O
yang O
bisa O
mengatasi O
memperbagus O
hasil O
akurasi O
dan O
analisis O

Estimasi O
Luas O
Lahan O
dan O
Produksi O
Perkebunan O
Tembakau O
dengan O
Remote O
Sensing O
Di O
Kabupaten O
Pamekasan O
Jawa O
Timur O
Umi O
Maisyuroh O
( O
221910968 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M.Stat O
Ringkasan— O
Indonesia O
merupakan O
salah O
satu O
negara O
penghasil O
tanaman O
tembakau O
terbesar O
di O
dunia. O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
melaporkan O
nilai O
ekspor O
tembakau O
nasional O
pada O
Januari- O
Desember O
2021 O
mencapai O
US O
$ O
73,84 O
juta O
atau O
sekitar O
Rp O
1,06 O
triliun. O
Namun O
tembakau O
dapat O
mengganggu O
kesehatan O
jika O
diproduksi O
menjadi O
rokok. O
Oleh O
karena O
itu O
, O
pentingnya O
dilakukan O
pemantauan O
produksi O
tembakau. O
Pengumpulan O
data O
dilakukan O
secara O
konvensional O
sehingga O
memakan O
waktu O
yang O
lama O
dan O
biaya O
yang O
besar. O
Salah O
satu O
solusinya O
adalah O
remote O
sensing. O
Penelitian O
ini O
bertujuan O
untuk O
mengestimasi B-TUJUAN
luas I-TUJUAN
lahan I-TUJUAN
dan I-TUJUAN
produksi I-TUJUAN
perkebunan I-TUJUAN
tembakau I-TUJUAN
di I-TUJUAN
Kabupaten I-TUJUAN
Pamekasan I-TUJUAN
Jawa I-TUJUAN
Timur I-TUJUAN
menggunakan I-TUJUAN
remote I-TUJUAN
sensing. I-TUJUAN
Penelitian O
ini O
menggunakan O
algoritma O
klasifikasi O
supervised O
yaitu O
Random O
Forest O
, O
CART O
, O
dan O
Support O
Vector O
Machine O
( O
SVM O
) O
untuk O
mengklasfikasikan O
kelas O
tutupan O
lahan. O
Hasil O
penelitian O
menunjukkan O
model B-TEMUAN
SVM I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
terbaik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
F1-Score I-TEMUAN
sebesar I-TEMUAN
88,5 I-TEMUAN
% I-TEMUAN
. O
Estimasi O
produksi O
tembakau O
dengan O
data O
produktivitas O
dari O
publikasi O
BPS O
sebesar O
14.823 O
ton O
untuk O
Kabupaten O
Pamekasan O
tahun O
2022. O
Estimasi O
produksi O
dengan O
model O
Geographically O
Weighted O
Regression O
( O
GWR O
) O
berada O
di O
level O
kelurahan O
/ O
desa O
sehingga O
ada O
189 O
persamaan O
produksi. O
Kata O
Kunci— O
Produksi O
Tembakau O
, O
Remote O
Sensing O
, O
Machine O
Learning O
, O
Model O
GWR. O
[SEP] O
tujuan O
penelitian O
A. O
Kesimpulan O
Menjawab O
untuk O
pertama O
mengidentifikasi O
variabel O
yang O
signifikan O
dapat O
mengenali O
citra O
tanaman O
tembakau O
, O
NDTI O
memiliki O
nilai O
paling O
tinggi. O
variabel O
EVI2 O
kelas O
tembakau O
berada O
di O
level O
berbeda O
dengan O
kelas O
lainnya. O
Jika O
dibandingkan O
dengan O
kelas O
non O
tembakau O
dan O
sawah O
, O
kelas O
tembakau O
memiliki O
nilai O
mean O
EVI2 O
yang O
paling O
rendah. O
Selanjutnya O
menjawab O
tujuan O
kedua O
penelitian O
untuk O
menghitung O
luas O
lahan O
tembakau O
di O
Kabupaten O
Pamekasan O
pada O
tahun O
2022 O
, O
didapat O
luas O
lahan O
tembakau O
dengan O
model O
CART O
sebesar O
17.244 O
hektar O
, O
luas O
lahan O
tembakau O
dengan O
model O
RF O
sebesar O
23.352 O
hektar O
, O
dan O
luas O
lahan O
tembakau O
dengan O
model O
SVM O
sebesar O
17.834 O
hektar. O
Kemudian O
untuk O
menjawab O
tujuan O
ketiga O
, O
dilakukan O
rumus O
produktivitas O
BPS O
dan O
pemodelan O
produksi. O
Estimasi B-TEMUAN
produktivitas I-TEMUAN
BPS I-TEMUAN
produksi I-TEMUAN
menggunakan I-TEMUAN
didapatkan I-TEMUAN
estimasi I-TEMUAN
produksi I-TEMUAN
tembakau I-TEMUAN
di I-TEMUAN
Kabupaten I-TEMUAN
Pamekasan I-TEMUAN
tahun I-TEMUAN
2022 I-TEMUAN
sebesar I-TEMUAN
14.823 I-TEMUAN
ton. I-TEMUAN
Pemodelan O
estimasi O
produksi O
menggunakan O
rumus O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
produksi O
menggunakan O
Geographically O
Weighted O
Regression O
dengan O
variabel O
independen O
B2 O
, O
B3 O
, O
B4 O
, O
dan O
luas O
lahan O
tembakau O
hasil O
estimasi O
dan O
variabel O
dependen O
adalah O
transformasi O
logaritma O
produksi. O
Didapatkan O
189 O
persamaan O
lokal O
produksi O
tembakau O
pada O
masing-masing O
kelurahan O
/ O
desa. O
B. O
Saran O
Berdasarkan O
kesimpulan O
yang O
diperoleh O
, O
peneliti O
memiliki O
beberapa O
saran O
: O
1 O
) O
Pada O
penelitian O
selanjutnya O
, O
diharapkan O
untuk O
mencari O
variabel O
identifikasi O
citra O
tembakau O
lebih O
baik O
lagi. O
2 O
) O
Pada O
penelitian O
selanjutnya O
, O
diharapkan O
untuk O
mencari O
algoritma O
machine O
learning O
yang O
lebih O
baik O
lagi O
dalam O
klasifikasi O
tutupan O
lahan O
tembakau. O
3 O
) O
Pada O
penelitian O
selanjutnya O
, O
diharapkan O
untuk O
memperhatikan O
rentang O
waktu O
pengambilan O
citra O
dengan O
waktu O
tanam O
tembakau O
serta O
terhadap O
waktu O
pengumpulan O
data O
langsung O
di O
lapangan O
yang O
dilakukan O
oleh O
Direktorat O
sebagai O
pembanding O
hasil O
estimasi. O
Jenderal O
Perkebunan O

Estimasi O
Luas O
Lahan O
dan O
Produksi O
Perkebunan O
Tembakau O
dengan O
Remote O
Sensing O
Di O
Kabupaten O
Pamekasan O
Jawa O
Timur O
Umi O
Maisyuroh O
( O
221910968 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M.Stat O
Ringkasan— O
Indonesia O
merupakan O
salah O
satu O
negara O
penghasil O
tanaman O
tembakau O
terbesar O
di O
dunia. O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
melaporkan O
nilai O
ekspor O
tembakau O
nasional O
pada O
Januari- O
Desember O
2021 O
mencapai O
US O
$ O
73,84 O
juta O
atau O
sekitar O
Rp O
1,06 O
triliun. O
Namun O
tembakau O
dapat O
mengganggu O
kesehatan O
jika O
diproduksi O
menjadi O
rokok. O
Oleh O
karena O
itu O
, O
pentingnya O
dilakukan O
pemantauan O
produksi O
tembakau. O
Pengumpulan O
data O
dilakukan O
secara O
konvensional O
sehingga O
memakan O
waktu O
yang O
lama O
dan O
biaya O
yang O
besar. O
Salah O
satu O
solusinya O
adalah O
remote O
sensing. O
Penelitian O
ini O
bertujuan O
untuk O
mengestimasi B-TUJUAN
luas I-TUJUAN
lahan I-TUJUAN
dan I-TUJUAN
produksi I-TUJUAN
perkebunan I-TUJUAN
tembakau I-TUJUAN
di I-TUJUAN
Kabupaten I-TUJUAN
Pamekasan I-TUJUAN
Jawa I-TUJUAN
Timur I-TUJUAN
menggunakan I-TUJUAN
remote I-TUJUAN
sensing. I-TUJUAN
Penelitian O
ini O
menggunakan O
algoritma O
klasifikasi O
supervised O
yaitu O
Random O
Forest O
, O
CART O
, O
dan O
Support O
Vector O
Machine O
( O
SVM O
) O
untuk O
mengklasfikasikan O
kelas O
tutupan O
lahan. O
Hasil O
penelitian O
menunjukkan O
model B-TEMUAN
SVM I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
terbaik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
F1-Score I-TEMUAN
sebesar I-TEMUAN
88,5 I-TEMUAN
% I-TEMUAN
. O
Estimasi O
produksi O
tembakau O
dengan O
data O
produktivitas O
dari O
publikasi O
BPS O
sebesar O
14.823 O
ton O
untuk O
Kabupaten O
Pamekasan O
tahun O
2022. O
Estimasi O
produksi O
dengan O
model O
Geographically O
Weighted O
Regression O
( O
GWR O
) O
berada O
di O
level O
kelurahan O
/ O
desa O
sehingga O
ada O
189 O
persamaan O
produksi. O
Kata O
Kunci— O
Produksi O
Tembakau O
, O
Remote O
Sensing O
, O
Machine O
Learning O
, O
Model O
GWR. O
[SEP] O
tujuan O
penelitian O
A. O
Kesimpulan O
Menjawab O
untuk O
pertama O
mengidentifikasi O
variabel O
yang O
signifikan O
dapat O
mengenali O
citra O
tanaman O
tembakau O
, O
NDTI O
memiliki O
nilai O
paling O
tinggi. O
variabel O
EVI2 O
kelas O
tembakau O
berada O
di O
level O
berbeda O
dengan O
kelas O
lainnya. O
Jika O
dibandingkan O
dengan O
kelas O
non O
tembakau O
dan O
sawah O
, O
kelas O
tembakau O
memiliki O
nilai O
mean O
EVI2 O
yang O
paling O
rendah. O
Selanjutnya O
menjawab O
tujuan O
kedua O
penelitian O
untuk O
menghitung O
luas O
lahan O
tembakau O
di O
Kabupaten O
Pamekasan O
pada O
tahun O
2022 O
, O
didapat O
luas O
lahan O
tembakau O
dengan O
model O
CART O
sebesar O
17.244 O
hektar O
, O
luas O
lahan O
tembakau O
dengan O
model O
RF O
sebesar O
23.352 O
hektar O
, O
dan O
luas O
lahan O
tembakau O
dengan O
model O
SVM O
sebesar O
17.834 O
hektar. O
Kemudian O
untuk O
menjawab O
tujuan O
ketiga O
, O
dilakukan O
rumus O
produktivitas O
BPS O
dan O
pemodelan O
produksi. O
Estimasi B-TEMUAN
produktivitas I-TEMUAN
BPS I-TEMUAN
produksi I-TEMUAN
menggunakan I-TEMUAN
didapatkan I-TEMUAN
estimasi I-TEMUAN
produksi I-TEMUAN
tembakau I-TEMUAN
di I-TEMUAN
Kabupaten I-TEMUAN
Pamekasan I-TEMUAN
tahun I-TEMUAN
2022 I-TEMUAN
sebesar I-TEMUAN
14.823 I-TEMUAN
ton. I-TEMUAN
Pemodelan O
estimasi O
produksi O
menggunakan O
rumus O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
produksi O
menggunakan O
Geographically O
Weighted O
Regression O
dengan O
variabel O
independen O
B2 O
, O
B3 O
, O
B4 O
, O
dan O
luas O
lahan O
tembakau O
hasil O
estimasi O
dan O
variabel O
dependen O
adalah O
transformasi O
logaritma O
produksi. O
Didapatkan O
189 O
persamaan O
lokal O
produksi O
tembakau O
pada O
masing-masing O
kelurahan O
/ O
desa. O
B. O
Saran O
Berdasarkan O
kesimpulan O
yang O
diperoleh O
, O
peneliti O
memiliki O
beberapa O
saran O
: O
1 O
) O
Pada O
penelitian O
selanjutnya O
, O
diharapkan O
untuk O
mencari O
variabel O
identifikasi O
citra O
tembakau O
lebih O
baik O
lagi. O
2 O
) O
Pada O
penelitian O
selanjutnya O
, O
diharapkan O
untuk O
mencari O
algoritma O
machine O
learning O
yang O
lebih O
baik O
lagi O
dalam O
klasifikasi O
tutupan O
lahan O
tembakau. O
3 O
) O
Pada O
penelitian O
selanjutnya O
, O
diharapkan O
untuk O
memperhatikan O
rentang O
waktu O
pengambilan O
citra O
dengan O
waktu O
tanam O
tembakau O
serta O
terhadap O
waktu O
pengumpulan O
data O
langsung O
di O
lapangan O
yang O
dilakukan O
oleh O
Direktorat O
sebagai O
pembanding O
hasil O
estimasi. O
Jenderal O
Perkebunan O

Normalisasi O
Leksikal O
Teks O
Sosial O
Media O
Berbahasa O
Indonesia O
Pada O
Level O
Kalimat O
Albert O
Assidiq O
( O
221910956 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Lya O
Hulliyyatus O
Suadaa O
, O
S.S.T. O
, O
M.T. O
Abstrak— O
Media O
sosial O
merupakan O
salah O
satu O
sumber O
data O
tidak O
terstruktur O
yang O
banyak O
digunakan. O
Data O
teks O
pada O
media O
sosial O
biasanya O
menggunakan O
kata O
tidak O
baku O
sehingga O
kata O
yang O
bermakna O
sama O
direpresentasikan O
dalam O
berbagai O
bentuk O
, O
seperti O
bentuk O
singkatan O
, O
perpanjangan O
vokal O
, O
bahasa O
gaul O
, O
dan O
kesalahan O
penulisan. O
Untuk O
mengurangi O
variasi O
kata O
yang O
bermakna O
sama O
perlu O
dilakukan O
normalisasi O
teks. O
Pada O
penelitian O
ini O
dibangun O
model O
normalisasi O
leksikal O
teks O
media O
sosial O
berbahasa O
Indonesia O
pada O
level O
kalimat. O
Model O
yang O
digunakan O
adalah O
IndoGPT2 O
dan O
IndoBART-v2 O
hasil O
pretrained O
model O
yang O
dilatih O
di O
bahasa O
Indonesia O
, O
Jawa O
, O
dan O
Sunda. O
Selanjutnya O
dilakukan O
fine-tuning O
untuk O
menyesuaikan O
model O
dengan O
aturan O
baru O
yaitu O
normalisasi O
teks. O
Finetuned O
model O
tersebut O
kemudian O
dievaluasi O
secara O
intrinsik O
dengan O
menghitung O
BLEU B-METODE
, I-METODE
ROUGE I-METODE
, I-METODE
dan I-METODE
SacreBLEU. I-METODE
Evaluasi B-METODE
secara O
ekstrinsik O
dilakukan O
dengan O
melakukan O
klasifikasi O
teks O
menggunakan O
model O
Regresi O
Logistik O
Multinomial. O
Berdasarkan O
hasil O
eksperimen O
, O
IndoBART-v2 B-TEMUAN
memiliki I-TEMUAN
skor I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
besar I-TEMUAN
di I-TEMUAN
semua I-TEMUAN
metrik I-TEMUAN
evaluasi I-TEMUAN
intrinsik. I-TEMUAN
Pada O
evaluasi O
ekstrinsik O
didapat O
akurasi O
meningkat O
setelah O
data O
teks O
dinormalisasikan. O
Kata O
Kunci— O
Normalisasi O
Leksikal O
, O
Seq2Seq O
, O
Text O
Preprocessing O
[SEP] O
Data O
set O
dibangun O
dengan O
menormalisasikan O
data O
set O
emosi O
ke O
dalam O
2 O
bentuk O
yaitu O
output O
antara O
dan O
teks O
normal. O
Aturan O
normalisasi O
mengikuti O
buku O
panduan O
yang O
dibuat O
oleh O
peneliti. O
Dilakukan O
partisi O
kompleksitas O
dengan O
membagi O
aturan O
antara O
teks O
normal O
yang O
mencakup O
aturan O
output O
antara O
dan O
normalisasi O
yang O
berbeda. O
Model O
normalisasi O
dibangun O
dengan O
melakukan O
fine-tuning O
ke O
model O
IndoBART-v2 O
dan O
IndoGPT O
yang O
menggunakan O
arsitektur O
Transformer. O
Evaluasi O
intrinsik O
dilakukan O
untuk O
mengukur O
performa O
model O
dan O
menentukan O
model O
terbaik. O
Model O
IndoBART-v2 O
menjadi O
model O
terbaik O
karena O
skor O
BLEU O
dan O
ROGUE O
yang O
melebihi O
IndoGPT2 O
di O
semua O
tahap O
normalisasi. O
Evaluasi O
ekstrinsik O
dilakukan O
dengan O
mengukur O
performa O
klasifikasi O
teks O
data O
emosi O
menggunakan O
model O
regresi O
logistik O
multinomial O
dengan O
mengubah O
data O
teksnya O
menjadi O
numerik O
dengan O
algoritma O
TF-IDF. O
Berdasarkan O
evaluasi O
ekstrinsik O
, O
normalisasi O
teks O
yang O
dilakukan O
dapat O
meningkatkan O
akurasi O
tugas O
NLP O
mengenai O
klasifikasi O
emosi. O

Normalisasi O
Leksikal O
Teks O
Sosial O
Media O
Berbahasa O
Indonesia O
Pada O
Level O
Kalimat O
Albert O
Assidiq O
( O
221910956 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Lya O
Hulliyyatus O
Suadaa O
, O
S.S.T. O
, O
M.T. O
Abstrak— O
Media O
sosial O
merupakan O
salah O
satu O
sumber O
data O
tidak O
terstruktur O
yang O
banyak O
digunakan. O
Data O
teks O
pada O
media O
sosial O
biasanya O
menggunakan O
kata O
tidak O
baku O
sehingga O
kata O
yang O
bermakna O
sama O
direpresentasikan O
dalam O
berbagai O
bentuk O
, O
seperti O
bentuk O
singkatan O
, O
perpanjangan O
vokal O
, O
bahasa O
gaul O
, O
dan O
kesalahan O
penulisan. O
Untuk O
mengurangi O
variasi O
kata O
yang O
bermakna O
sama O
perlu O
dilakukan O
normalisasi O
teks. O
Pada O
penelitian O
ini O
dibangun O
model O
normalisasi O
leksikal O
teks O
media O
sosial O
berbahasa O
Indonesia O
pada O
level O
kalimat. O
Model O
yang O
digunakan O
adalah O
IndoGPT2 O
dan O
IndoBART-v2 O
hasil O
pretrained O
model O
yang O
dilatih O
di O
bahasa O
Indonesia O
, O
Jawa O
, O
dan O
Sunda. O
Selanjutnya O
dilakukan O
fine-tuning O
untuk O
menyesuaikan O
model O
dengan O
aturan O
baru O
yaitu O
normalisasi O
teks. O
Finetuned O
model O
tersebut O
kemudian O
dievaluasi O
secara O
intrinsik O
dengan O
menghitung O
BLEU B-METODE
, I-METODE
ROUGE I-METODE
, I-METODE
dan I-METODE
SacreBLEU. I-METODE
Evaluasi B-METODE
secara O
ekstrinsik O
dilakukan O
dengan O
melakukan O
klasifikasi O
teks O
menggunakan O
model O
Regresi O
Logistik O
Multinomial. O
Berdasarkan O
hasil O
eksperimen O
, O
IndoBART-v2 B-TEMUAN
memiliki I-TEMUAN
skor I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
besar I-TEMUAN
di I-TEMUAN
semua I-TEMUAN
metrik I-TEMUAN
evaluasi I-TEMUAN
intrinsik. I-TEMUAN
Pada O
evaluasi O
ekstrinsik O
didapat O
akurasi O
meningkat O
setelah O
data O
teks O
dinormalisasikan. O
Kata O
Kunci— O
Normalisasi O
Leksikal O
, O
Seq2Seq O
, O
Text O
Preprocessing O
[SEP] O
Data O
set O
dibangun O
dengan O
menormalisasikan O
data O
set O
emosi O
ke O
dalam O
2 O
bentuk O
yaitu O
output O
antara O
dan O
teks O
normal. O
Aturan O
normalisasi O
mengikuti O
buku O
panduan O
yang O
dibuat O
oleh O
peneliti. O
Dilakukan O
partisi O
kompleksitas O
dengan O
membagi O
aturan O
antara O
teks O
normal O
yang O
mencakup O
aturan O
output O
antara O
dan O
normalisasi O
yang O
berbeda. O
Model O
normalisasi O
dibangun O
dengan O
melakukan O
fine-tuning O
ke O
model O
IndoBART-v2 O
dan O
IndoGPT O
yang O
menggunakan O
arsitektur O
Transformer. O
Evaluasi O
intrinsik O
dilakukan O
untuk O
mengukur O
performa O
model O
dan O
menentukan O
model O
terbaik. O
Model O
IndoBART-v2 O
menjadi O
model O
terbaik O
karena O
skor O
BLEU O
dan O
ROGUE O
yang O
melebihi O
IndoGPT2 O
di O
semua O
tahap O
normalisasi. O
Evaluasi O
ekstrinsik O
dilakukan O
dengan O
mengukur O
performa O
klasifikasi O
teks O
data O
emosi O
menggunakan O
model O
regresi O
logistik O
multinomial O
dengan O
mengubah O
data O
teksnya O
menjadi O
numerik O
dengan O
algoritma O
TF-IDF. O
Berdasarkan O
evaluasi O
ekstrinsik O
, O
normalisasi O
teks O
yang O
dilakukan O
dapat O
meningkatkan O
akurasi O
tugas O
NLP O
mengenai O
klasifikasi O
emosi. O

Klasifikasi O
Keluhan O
Kualitas O
Pelayanan O
Jasa O
Maskapai O
Penerbangan O
Lion O
Air O
Berdasarkan O
Tweet O
Media O
Sosial O
Twitter O
Nauval O
Yusuf O
Retsigam O
S O
( O
221910951 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
S.S.T. O
, O
M.Si O
Ringkasan— O
Pesawat O
terbang O
adalah O
salah O
satu O
moda O
transportasi O
yang O
umum O
dan O
terus O
berkembang O
dalam O
era O
saat O
ini. O
Namun O
, O
banyak O
kejadian O
dan O
insiden O
terkait O
penerbangan O
yang O
telah O
menghasilkan O
opini O
dan O
sentimen O
negatif O
dari O
masyarakat O
terkait O
kualitas O
layanan O
yang O
diberikan O
oleh O
maskapai O
penerbangan. O
Keluhan-keluhan O
ini O
seringkali O
diungkapkan O
melalui O
media O
sosial O
, O
khususnya O
platform O
Twitter. O
Sentimen O
negatif O
yang O
tersebar O
di O
Twitter O
kemudian O
diidentifikasi O
dan O
diklasifikasikan O
berdasarkan O
kualitas O
pelayanan O
jasa O
yang O
terdiri O
dari O
lima O
aspek O
menurut O
SERVQUAL O
, O
yaitu O
tangibles O
, O
reliability O
, O
responsiveness O
, O
empathy O
, O
dan O
assurance. O
Dalam O
penelitian O
ini O
, O
digunakan O
beberapa O
algoritma O
seperti O
Support O
Vector O
Machine O
( O
SVM O
) O
, O
Complement O
Naive O
Bayes O
, O
Logistic O
Regression O
, O
dan O
IndoBERT O
untuk O
melakukan O
analisis O
sentimen O
terhadap O
tweet O
yang O
berisi O
sentimen O
negatif. O
Teknik O
semi-supervised O
learning O
SVM O
digunakan O
untuk O
mengklasifikasikan O
sentimen O
negatif O
dengan O
akurasi O
sebesar O
78 O
% O
. O
Jumlah O
tweet O
yang O
terklasifikasi O
sebagai O
sentimen O
netral O
adalah O
2.013 O
, O
sentimen O
negatif O
sebanyak O
907 O
, O
dan O
sentimen O
positif O
sebanyak O
241. O
Hasil B-TEMUAN
penelitian I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
algoritma I-TEMUAN
terbaik I-TEMUAN
untuk I-TEMUAN
klasifikasi I-TEMUAN
sentimen I-TEMUAN
negatif I-TEMUAN
adalah I-TEMUAN
IndoBERT I-TEMUAN
, I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
89,95 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
nilai I-TEMUAN
f1-score I-TEMUAN
sebesar I-TEMUAN
84,22 I-TEMUAN
% I-TEMUAN
. O
Kata O
Kunci— O
sentimen O
, O
pesawat O
, O
machine O
learning O
, O
klasifikasi O
, O
transfer O
learning. O
[SEP] O
7.1. O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
yang O
telah O
dijelaskan O
pada O
bab O
seebelumnya O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
8 O
/ O
9 O
1. O
Analisis O
sentiment O
dilakukan O
dengan O
yang O
mengklasifikasikan O
tweet O
ke O
dalam O
kelas O
sentiment O
dengan O
metode B-TEMUAN
semi-supervised I-TEMUAN
learning I-TEMUAN
Support I-TEMUAN
Vector I-TEMUAN
Machine I-TEMUAN
menghasilkan I-TEMUAN
nilai I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
78 I-TEMUAN
% I-TEMUAN
dengan I-TEMUAN
jumlah I-TEMUAN
tweet I-TEMUAN
untuk I-TEMUAN
sentiment I-TEMUAN
netral I-TEMUAN
sebesar I-TEMUAN
2.013 I-TEMUAN
, I-TEMUAN
sentiment I-TEMUAN
negatif I-TEMUAN
sebesar I-TEMUAN
907 I-TEMUAN
dan I-TEMUAN
sentiment I-TEMUAN
positif I-TEMUAN
sebesar I-TEMUAN
241. I-TEMUAN
2. O
Model O
terbaik O
yang O
didapatkan O
dari O
perbandingan O
antara O
metode O
pada O
machine O
learning O
yaitu O
Logictic O
Regression O
dengan O
nilai O
akurasi O
sebesar O
83,94 O
% O
dan O
nilai O
f1-score O
sebesar O
76,21 O
% O
. O
Kemudian O
secara O
keseluruhan O
perbandingan O
antara O
machine O
learning O
dan O
transfer O
learning O
menghasilkan O
model O
terbaik O
yaitu O
IndoBERT O
yang O
merupakan O
model O
dari O
transfer O
learning O
dengan O
nilai O
akurasi O
sebesar O
89,95 O
% O
dan O
nilai O
f1-score O
sebesar O
84,22 O
% O
. O
7.2. O
Saran O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
selanjutnya O
yaitu O
sebagai O
berikut. O
1. O
Melakukan O
pemisahan O
akun O
atau O
filtering O
akun O
antara O
akun O
organisasi O
dan O
akun O
pribadi O
lebih O
efektif. O
2. O
Melakukan O
perbandingan O
hasil O
analisis O
sentiment O
dan O
seterusnya O
tanpa O
menerapkan O
metode O
resampling O
pada O
klasifikasi O
sentiment O
3. O
Memberikan O
kriteria O
yang O
lebih O
spesifik O
untuk O
masing- O
masing O
kelas O
dalam O
memberikan O
label O
pada O
data O
secara O
manual O

Klasifikasi O
Keluhan O
Kualitas O
Pelayanan O
Jasa O
Maskapai O
Penerbangan O
Lion O
Air O
Berdasarkan O
Tweet O
Media O
Sosial O
Twitter O
Nauval O
Yusuf O
Retsigam O
S O
( O
221910951 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
S.S.T. O
, O
M.Si O
Ringkasan— O
Pesawat O
terbang O
adalah O
salah O
satu O
moda O
transportasi O
yang O
umum O
dan O
terus O
berkembang O
dalam O
era O
saat O
ini. O
Namun O
, O
banyak O
kejadian O
dan O
insiden O
terkait O
penerbangan O
yang O
telah O
menghasilkan O
opini O
dan O
sentimen O
negatif O
dari O
masyarakat O
terkait O
kualitas O
layanan O
yang O
diberikan O
oleh O
maskapai O
penerbangan. O
Keluhan-keluhan O
ini O
seringkali O
diungkapkan O
melalui O
media O
sosial O
, O
khususnya O
platform O
Twitter. O
Sentimen O
negatif O
yang O
tersebar O
di O
Twitter O
kemudian O
diidentifikasi O
dan O
diklasifikasikan O
berdasarkan O
kualitas O
pelayanan O
jasa O
yang O
terdiri O
dari O
lima O
aspek O
menurut O
SERVQUAL O
, O
yaitu O
tangibles O
, O
reliability O
, O
responsiveness O
, O
empathy O
, O
dan O
assurance. O
Dalam O
penelitian O
ini O
, O
digunakan O
beberapa O
algoritma O
seperti O
Support O
Vector O
Machine O
( O
SVM O
) O
, O
Complement O
Naive O
Bayes O
, O
Logistic O
Regression O
, O
dan O
IndoBERT O
untuk O
melakukan O
analisis O
sentimen O
terhadap O
tweet O
yang O
berisi O
sentimen O
negatif. O
Teknik O
semi-supervised O
learning O
SVM O
digunakan O
untuk O
mengklasifikasikan O
sentimen O
negatif O
dengan O
akurasi O
sebesar O
78 O
% O
. O
Jumlah O
tweet O
yang O
terklasifikasi O
sebagai O
sentimen O
netral O
adalah O
2.013 O
, O
sentimen O
negatif O
sebanyak O
907 O
, O
dan O
sentimen O
positif O
sebanyak O
241. O
Hasil B-TEMUAN
penelitian I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
algoritma I-TEMUAN
terbaik I-TEMUAN
untuk I-TEMUAN
klasifikasi I-TEMUAN
sentimen I-TEMUAN
negatif I-TEMUAN
adalah I-TEMUAN
IndoBERT I-TEMUAN
, I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
89,95 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
nilai I-TEMUAN
f1-score I-TEMUAN
sebesar I-TEMUAN
84,22 I-TEMUAN
% I-TEMUAN
. O
Kata O
Kunci— O
sentimen O
, O
pesawat O
, O
machine O
learning O
, O
klasifikasi O
, O
transfer O
learning. O
[SEP] O
7.1. O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
yang O
telah O
dijelaskan O
pada O
bab O
seebelumnya O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
8 O
/ O
9 O
1. O
Analisis O
sentiment O
dilakukan O
dengan O
yang O
mengklasifikasikan O
tweet O
ke O
dalam O
kelas O
sentiment O
dengan O
metode B-TEMUAN
semi-supervised I-TEMUAN
learning I-TEMUAN
Support I-TEMUAN
Vector I-TEMUAN
Machine I-TEMUAN
menghasilkan I-TEMUAN
nilai I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
78 I-TEMUAN
% I-TEMUAN
dengan I-TEMUAN
jumlah I-TEMUAN
tweet I-TEMUAN
untuk I-TEMUAN
sentiment I-TEMUAN
netral I-TEMUAN
sebesar I-TEMUAN
2.013 I-TEMUAN
, I-TEMUAN
sentiment I-TEMUAN
negatif I-TEMUAN
sebesar I-TEMUAN
907 I-TEMUAN
dan I-TEMUAN
sentiment I-TEMUAN
positif I-TEMUAN
sebesar I-TEMUAN
241. I-TEMUAN
2. O
Model O
terbaik O
yang O
didapatkan O
dari O
perbandingan O
antara O
metode O
pada O
machine O
learning O
yaitu O
Logictic O
Regression O
dengan O
nilai O
akurasi O
sebesar O
83,94 O
% O
dan O
nilai O
f1-score O
sebesar O
76,21 O
% O
. O
Kemudian O
secara O
keseluruhan O
perbandingan O
antara O
machine O
learning O
dan O
transfer O
learning O
menghasilkan O
model O
terbaik O
yaitu O
IndoBERT O
yang O
merupakan O
model O
dari O
transfer O
learning O
dengan O
nilai O
akurasi O
sebesar O
89,95 O
% O
dan O
nilai O
f1-score O
sebesar O
84,22 O
% O
. O
7.2. O
Saran O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
selanjutnya O
yaitu O
sebagai O
berikut. O
1. O
Melakukan O
pemisahan O
akun O
atau O
filtering O
akun O
antara O
akun O
organisasi O
dan O
akun O
pribadi O
lebih O
efektif. O
2. O
Melakukan O
perbandingan O
hasil O
analisis O
sentiment O
dan O
seterusnya O
tanpa O
menerapkan O
metode O
resampling O
pada O
klasifikasi O
sentiment O
3. O
Memberikan O
kriteria O
yang O
lebih O
spesifik O
untuk O
masing- O
masing O
kelas O
dalam O
memberikan O
label O
pada O
data O
secara O
manual O

Klasifikasi O
Tweet O
Terkait O
Korban O
Kejahatan O
Siber O
Terhadap O
Individu O
di O
Indonesia O
Pratitya O
Siwapatra O
( O
221910949 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuiarto O
, O
SST. O
, O
M.Si O
Ringkasan— O
Pengunaan O
internet O
dan O
kemajuan O
tekologi O
yang O
semakin O
berkembang O
juga O
menjadikan O
tindak O
kejahatan O
ikut O
berkembang O
dan O
munculnya O
cybercrime O
atau O
kejahatan O
siber O
, O
khususnya O
pada O
kejahatan O
siber O
terhadap O
individu. O
Salah O
satu O
sumber O
data O
merupakan O
media O
sosial O
twitter O
, O
dimana O
pada O
tahun O
2023 O
mencapai O
24 O
juta O
pengguna. O
Penelitian O
ini O
dilakukan O
untuk O
mengetahui B-TUJUAN
metode I-TUJUAN
pengklasifikasian I-TUJUAN
terbaik I-TUJUAN
untuk I-TUJUAN
data I-TUJUAN
kejahatan I-TUJUAN
siber I-TUJUAN
terhadap I-TUJUAN
indivud I-TUJUAN
dan I-TUJUAN
pemodelan I-TUJUAN
topik I-TUJUAN
untuk I-TUJUAN
mengetahui I-TUJUAN
topik I-TUJUAN
terkait I-TUJUAN
, I-TUJUAN
terutama I-TUJUAN
pada I-TUJUAN
kejahatan I-TUJUAN
judi I-TUJUAN
online I-TUJUAN
, I-TUJUAN
pemerasan I-TUJUAN
, I-TUJUAN
penipuan I-TUJUAN
, I-TUJUAN
pornografi I-TUJUAN
anak I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
sadap. I-TUJUAN
Dihasilkan O
metode O
klasifikasi B-METODE
terbaik O
adalah O
Logistic O
Regression O
OVR O
dan O
setiap O
kejahatan O
siber O
memiliki O
jumlah O
topik O
terkait O
yang O
berbeda-beda O
yang O
berhubungan O
dengan O
jumlah O
data O
yang O
ada O
untuk O
setiap O
kejahatan. O
Kata O
Kunci— O
kejahatan O
siber O
, O
twitter O
, O
klasifikasi O
, O
LDA O
[SEP] O
1. O
Kesimpulan O
Berdasarkan O
hasil O
penelitian O
dapat O
disimpulkan O
bahwa O
: O
a. O
Terdapat O
imbalaced O
pada O
data O
dan O
kata O
yang O
paling O
banyak O
disebut O
adalah O
tipu. O
Dari O
ketiga O
model O
klasifikasi O
yang O
dilakukan O
, O
Logistic O
Regression O
merurpakan O
model O
terbaik. O
Dilihat O
dari O
nilai O
evaluasi O
pada O
setiap O
kelas O
, O
Logistic B-TEMUAN
Regression I-TEMUAN
dapat I-TEMUAN
mengklasifikan I-TEMUAN
data I-TEMUAN
pada I-TEMUAN
setiap I-TEMUAN
kelas I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Hal I-TEMUAN
tersebut I-TEMUAN
terlihat I-TEMUAN
pada I-TEMUAN
nilai I-TEMUAN
f1-score I-TEMUAN
pada I-TEMUAN
setiap I-TEMUAN
kelas I-TEMUAN
sangat I-TEMUAN
baik. I-TEMUAN
telah O
b. O
Dari O
pemodelan O
topik O
pada O
setiap O
kelas O
, O
memiliki O
jumlah O
topik O
yang O
berbeda-beda O
topik O
terbanyak O
ada O
pada O
kelas O
sadap O
dan O
paling O
sedikit O
ada O
pada O
kelas O
judi O
online. O
Hal O
tersebut O
berhubungan O
dengan O
ketersediaan O
data O
yang O
memang O
sadap O
memiliki O
jumlah O
data O
terbanyak O
dan O
judi O
online O
memiliki O
data O
yang O
sedikit. O
Dapat O
disimpulkan O
dari O
setiap O
kelas O
sebagai O
berikut. O
1 O
) O
Judi O
online O
banyak O
disebarkan O
melalui O
whatsapp O
, O
judi O
online O
yang O
sering O
dilakukan O
adalah O
judi O
slot O
, O
dan O
untuk O
melakukan O
judi O
online O
korban O
akan O
mulai O
berhutang O
kepada O
teman O
atau O
melakukan O
pinjaman O
online. O
2 O
) O
Pemerasan O
yang O
sering O
kali O
terjadi O
dilakukan O
oleh O
tukang O
parkir O
, O
korban O
pemerasan O
sudah O
terbiasa O
mendokumentasikan O
dengan O
cara O
mengambil O
screenshot O
bukti O
, O
pemerasan O
yang O
dilakukan O
biasanya O
dengan O
modus O
jual O
beli O
akun O
, O
danusan O
, O
dan O
modal. O
3 O
) O
Penipuan O
sering O
terjadi O
pada O
ibu-ibu O
, O
modus O
dalam O
melakukan O
penipuan O
yang O
banyak O
dilakukan O
adalah O
mengatasnamakan O
bank O
, O
terutama O
bank O
bri O
, O
dengan O
meminta O
ode O
otp O
dan O
nomor O
, O
kemudian O
penipuan O
pembelian O
tiket O
secara O
online. O
4 O
) O
Pornografi O
anak O
banyak O
terjadi O
di O
Indonesia O
dan O
media O
sosial O
twitter O
, O
pengguna O
twitter O
banyak O
membicarakan O
anak O
mengenai O
denda O
pada O
pelaku O
dan O
keadaan O
porografi O
anak O
pada O
zaman O
sekarang. O
pornografi O
5 O
) O
Sadap O
banyak O
dilakukan O
pada O
media O
sosial O
twitter O
, O
Instagram O
, O
whatsapp O
, O
dan O
facebook O
, O
dimana O
pelaku O
sering O
kali O
menggunakan O
handphone O
dengan O
modus O
mengirim O
direct O
message. O
2. O
Saran O
Berdasarkan O
kesimpualan O
yang O
telah O
diambil O
, O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
selanjutnya O
adalah O
sebagai O
berikut. O
a. O
Disarankan O
untu O
menambah O
kelas O
pada O
kejahatan O
siber O
yang O
ada O
supaya O
dapat O
mencakup O
seluruh O
kejahatan O
siber O
yang O
ada O
dan O
dapat O
melengkapi O
data O
kejahatan O
siber O
terhadap O
individu O
b. O
Dalam O
penelitian O
selanjutnya O
dapat O
menerapkan O
algoritma O
atau O
metode O
lain O
sebagai O
perbandingan. O
Untuk O
memperkaya O
data O
yang O
ada O
, O
untuk O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
penelitian O
selanjutnya O
dapat O
mengambil O
data O
dari O
sumber O
atau O
media O
sosial O
lain. O
[ O
13 O
] O
Murugan O
Anandarajan O
, O
Chelsey O
Hill O
, O
& O
Thomas O
Nolan. O
( O
2019 O
) O
. O
Practical O
Text O
Analytics O
: O
Maximizing O
the O
Value O
of O
Text O
Data. O
Springer. O

Klasifikasi O
Tweet O
Terkait O
Korban O
Kejahatan O
Siber O
Terhadap O
Individu O
di O
Indonesia O
Pratitya O
Siwapatra O
( O
221910949 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuiarto O
, O
SST. O
, O
M.Si O
Ringkasan— O
Pengunaan O
internet O
dan O
kemajuan O
tekologi O
yang O
semakin O
berkembang O
juga O
menjadikan O
tindak O
kejahatan O
ikut O
berkembang O
dan O
munculnya O
cybercrime O
atau O
kejahatan O
siber O
, O
khususnya O
pada O
kejahatan O
siber O
terhadap O
individu. O
Salah O
satu O
sumber O
data O
merupakan O
media O
sosial O
twitter O
, O
dimana O
pada O
tahun O
2023 O
mencapai O
24 O
juta O
pengguna. O
Penelitian O
ini O
dilakukan O
untuk O
mengetahui B-TUJUAN
metode I-TUJUAN
pengklasifikasian I-TUJUAN
terbaik I-TUJUAN
untuk I-TUJUAN
data I-TUJUAN
kejahatan I-TUJUAN
siber I-TUJUAN
terhadap I-TUJUAN
indivud I-TUJUAN
dan I-TUJUAN
pemodelan I-TUJUAN
topik I-TUJUAN
untuk I-TUJUAN
mengetahui I-TUJUAN
topik I-TUJUAN
terkait I-TUJUAN
, I-TUJUAN
terutama I-TUJUAN
pada I-TUJUAN
kejahatan I-TUJUAN
judi I-TUJUAN
online I-TUJUAN
, I-TUJUAN
pemerasan I-TUJUAN
, I-TUJUAN
penipuan I-TUJUAN
, I-TUJUAN
pornografi I-TUJUAN
anak I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
sadap. I-TUJUAN
Dihasilkan O
metode O
klasifikasi B-METODE
terbaik O
adalah O
Logistic O
Regression O
OVR O
dan O
setiap O
kejahatan O
siber O
memiliki O
jumlah O
topik O
terkait O
yang O
berbeda-beda O
yang O
berhubungan O
dengan O
jumlah O
data O
yang O
ada O
untuk O
setiap O
kejahatan. O
Kata O
Kunci— O
kejahatan O
siber O
, O
twitter O
, O
klasifikasi O
, O
LDA O
[SEP] O
1. O
Kesimpulan O
Berdasarkan O
hasil O
penelitian O
dapat O
disimpulkan O
bahwa O
: O
a. O
Terdapat O
imbalaced O
pada O
data O
dan O
kata O
yang O
paling O
banyak O
disebut O
adalah O
tipu. O
Dari O
ketiga O
model O
klasifikasi O
yang O
dilakukan O
, O
Logistic O
Regression O
merurpakan O
model O
terbaik. O
Dilihat O
dari O
nilai O
evaluasi O
pada O
setiap O
kelas O
, O
Logistic B-TEMUAN
Regression I-TEMUAN
dapat I-TEMUAN
mengklasifikan I-TEMUAN
data I-TEMUAN
pada I-TEMUAN
setiap I-TEMUAN
kelas I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Hal I-TEMUAN
tersebut I-TEMUAN
terlihat I-TEMUAN
pada I-TEMUAN
nilai I-TEMUAN
f1-score I-TEMUAN
pada I-TEMUAN
setiap I-TEMUAN
kelas I-TEMUAN
sangat I-TEMUAN
baik. I-TEMUAN
telah O
b. O
Dari O
pemodelan O
topik O
pada O
setiap O
kelas O
, O
memiliki O
jumlah O
topik O
yang O
berbeda-beda O
topik O
terbanyak O
ada O
pada O
kelas O
sadap O
dan O
paling O
sedikit O
ada O
pada O
kelas O
judi O
online. O
Hal O
tersebut O
berhubungan O
dengan O
ketersediaan O
data O
yang O
memang O
sadap O
memiliki O
jumlah O
data O
terbanyak O
dan O
judi O
online O
memiliki O
data O
yang O
sedikit. O
Dapat O
disimpulkan O
dari O
setiap O
kelas O
sebagai O
berikut. O
1 O
) O
Judi O
online O
banyak O
disebarkan O
melalui O
whatsapp O
, O
judi O
online O
yang O
sering O
dilakukan O
adalah O
judi O
slot O
, O
dan O
untuk O
melakukan O
judi O
online O
korban O
akan O
mulai O
berhutang O
kepada O
teman O
atau O
melakukan O
pinjaman O
online. O
2 O
) O
Pemerasan O
yang O
sering O
kali O
terjadi O
dilakukan O
oleh O
tukang O
parkir O
, O
korban O
pemerasan O
sudah O
terbiasa O
mendokumentasikan O
dengan O
cara O
mengambil O
screenshot O
bukti O
, O
pemerasan O
yang O
dilakukan O
biasanya O
dengan O
modus O
jual O
beli O
akun O
, O
danusan O
, O
dan O
modal. O
3 O
) O
Penipuan O
sering O
terjadi O
pada O
ibu-ibu O
, O
modus O
dalam O
melakukan O
penipuan O
yang O
banyak O
dilakukan O
adalah O
mengatasnamakan O
bank O
, O
terutama O
bank O
bri O
, O
dengan O
meminta O
ode O
otp O
dan O
nomor O
, O
kemudian O
penipuan O
pembelian O
tiket O
secara O
online. O
4 O
) O
Pornografi O
anak O
banyak O
terjadi O
di O
Indonesia O
dan O
media O
sosial O
twitter O
, O
pengguna O
twitter O
banyak O
membicarakan O
anak O
mengenai O
denda O
pada O
pelaku O
dan O
keadaan O
porografi O
anak O
pada O
zaman O
sekarang. O
pornografi O
5 O
) O
Sadap O
banyak O
dilakukan O
pada O
media O
sosial O
twitter O
, O
Instagram O
, O
whatsapp O
, O
dan O
facebook O
, O
dimana O
pelaku O
sering O
kali O
menggunakan O
handphone O
dengan O
modus O
mengirim O
direct O
message. O
2. O
Saran O
Berdasarkan O
kesimpualan O
yang O
telah O
diambil O
, O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
selanjutnya O
adalah O
sebagai O
berikut. O
a. O
Disarankan O
untu O
menambah O
kelas O
pada O
kejahatan O
siber O
yang O
ada O
supaya O
dapat O
mencakup O
seluruh O
kejahatan O
siber O
yang O
ada O
dan O
dapat O
melengkapi O
data O
kejahatan O
siber O
terhadap O
individu O
b. O
Dalam O
penelitian O
selanjutnya O
dapat O
menerapkan O
algoritma O
atau O
metode O
lain O
sebagai O
perbandingan. O
Untuk O
memperkaya O
data O
yang O
ada O
, O
untuk O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
penelitian O
selanjutnya O
dapat O
mengambil O
data O
dari O
sumber O
atau O
media O
sosial O
lain. O
[ O
13 O
] O
Murugan O
Anandarajan O
, O
Chelsey O
Hill O
, O
& O
Thomas O
Nolan. O
( O
2019 O
) O
. O
Practical O
Text O
Analytics O
: O
Maximizing O
the O
Value O
of O
Text O
Data. O
Springer. O

Klasifikasi O
Tweet O
Terkait O
Korban O
Kejahatan O
Siber O
Terhadap O
Individu O
di O
Indonesia O
Pratitya O
Siwapatra O
( O
221910949 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuiarto O
, O
SST. O
, O
M.Si O
Ringkasan— O
Pengunaan O
internet O
dan O
kemajuan O
tekologi O
yang O
semakin O
berkembang O
juga O
menjadikan O
tindak O
kejahatan O
ikut O
berkembang O
dan O
munculnya O
cybercrime O
atau O
kejahatan O
siber O
, O
khususnya O
pada O
kejahatan O
siber O
terhadap O
individu. O
Salah O
satu O
sumber O
data O
merupakan O
media O
sosial O
twitter O
, O
dimana O
pada O
tahun O
2023 O
mencapai O
24 O
juta O
pengguna. O
Penelitian O
ini O
dilakukan O
untuk O
mengetahui B-TUJUAN
metode I-TUJUAN
pengklasifikasian I-TUJUAN
terbaik I-TUJUAN
untuk I-TUJUAN
data I-TUJUAN
kejahatan I-TUJUAN
siber I-TUJUAN
terhadap I-TUJUAN
indivud I-TUJUAN
dan I-TUJUAN
pemodelan I-TUJUAN
topik I-TUJUAN
untuk I-TUJUAN
mengetahui I-TUJUAN
topik I-TUJUAN
terkait I-TUJUAN
, I-TUJUAN
terutama I-TUJUAN
pada I-TUJUAN
kejahatan I-TUJUAN
judi I-TUJUAN
online I-TUJUAN
, I-TUJUAN
pemerasan I-TUJUAN
, I-TUJUAN
penipuan I-TUJUAN
, I-TUJUAN
pornografi I-TUJUAN
anak I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
sadap. I-TUJUAN
Dihasilkan O
metode O
klasifikasi B-METODE
terbaik O
adalah O
Logistic O
Regression O
OVR O
dan O
setiap O
kejahatan O
siber O
memiliki O
jumlah O
topik O
terkait O
yang O
berbeda-beda O
yang O
berhubungan O
dengan O
jumlah O
data O
yang O
ada O
untuk O
setiap O
kejahatan. O
Kata O
Kunci— O
kejahatan O
siber O
, O
twitter O
, O
klasifikasi O
, O
LDA O
[SEP] O
1. O
Kesimpulan O
Berdasarkan O
hasil O
penelitian O
dapat O
disimpulkan O
bahwa O
: O
a. O
Terdapat O
imbalaced O
pada O
data O
dan O
kata O
yang O
paling O
banyak O
disebut O
adalah O
tipu. O
Dari O
ketiga O
model O
klasifikasi O
yang O
dilakukan O
, O
Logistic O
Regression O
merurpakan O
model O
terbaik. O
Dilihat O
dari O
nilai O
evaluasi O
pada O
setiap O
kelas O
, O
Logistic B-TEMUAN
Regression I-TEMUAN
dapat I-TEMUAN
mengklasifikan I-TEMUAN
data I-TEMUAN
pada I-TEMUAN
setiap I-TEMUAN
kelas I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Hal I-TEMUAN
tersebut I-TEMUAN
terlihat I-TEMUAN
pada I-TEMUAN
nilai I-TEMUAN
f1-score I-TEMUAN
pada I-TEMUAN
setiap I-TEMUAN
kelas I-TEMUAN
sangat I-TEMUAN
baik. I-TEMUAN
telah O
b. O
Dari O
pemodelan O
topik O
pada O
setiap O
kelas O
, O
memiliki O
jumlah O
topik O
yang O
berbeda-beda O
topik O
terbanyak O
ada O
pada O
kelas O
sadap O
dan O
paling O
sedikit O
ada O
pada O
kelas O
judi O
online. O
Hal O
tersebut O
berhubungan O
dengan O
ketersediaan O
data O
yang O
memang O
sadap O
memiliki O
jumlah O
data O
terbanyak O
dan O
judi O
online O
memiliki O
data O
yang O
sedikit. O
Dapat O
disimpulkan O
dari O
setiap O
kelas O
sebagai O
berikut. O
1 O
) O
Judi O
online O
banyak O
disebarkan O
melalui O
whatsapp O
, O
judi O
online O
yang O
sering O
dilakukan O
adalah O
judi O
slot O
, O
dan O
untuk O
melakukan O
judi O
online O
korban O
akan O
mulai O
berhutang O
kepada O
teman O
atau O
melakukan O
pinjaman O
online. O
2 O
) O
Pemerasan O
yang O
sering O
kali O
terjadi O
dilakukan O
oleh O
tukang O
parkir O
, O
korban O
pemerasan O
sudah O
terbiasa O
mendokumentasikan O
dengan O
cara O
mengambil O
screenshot O
bukti O
, O
pemerasan O
yang O
dilakukan O
biasanya O
dengan O
modus O
jual O
beli O
akun O
, O
danusan O
, O
dan O
modal. O
3 O
) O
Penipuan O
sering O
terjadi O
pada O
ibu-ibu O
, O
modus O
dalam O
melakukan O
penipuan O
yang O
banyak O
dilakukan O
adalah O
mengatasnamakan O
bank O
, O
terutama O
bank O
bri O
, O
dengan O
meminta O
ode O
otp O
dan O
nomor O
, O
kemudian O
penipuan O
pembelian O
tiket O
secara O
online. O
4 O
) O
Pornografi O
anak O
banyak O
terjadi O
di O
Indonesia O
dan O
media O
sosial O
twitter O
, O
pengguna O
twitter O
banyak O
membicarakan O
anak O
mengenai O
denda O
pada O
pelaku O
dan O
keadaan O
porografi O
anak O
pada O
zaman O
sekarang. O
pornografi O
5 O
) O
Sadap O
banyak O
dilakukan O
pada O
media O
sosial O
twitter O
, O
Instagram O
, O
whatsapp O
, O
dan O
facebook O
, O
dimana O
pelaku O
sering O
kali O
menggunakan O
handphone O
dengan O
modus O
mengirim O
direct O
message. O
2. O
Saran O
Berdasarkan O
kesimpualan O
yang O
telah O
diambil O
, O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
selanjutnya O
adalah O
sebagai O
berikut. O
a. O
Disarankan O
untu O
menambah O
kelas O
pada O
kejahatan O
siber O
yang O
ada O
supaya O
dapat O
mencakup O
seluruh O
kejahatan O
siber O
yang O
ada O
dan O
dapat O
melengkapi O
data O
kejahatan O
siber O
terhadap O
individu O
b. O
Dalam O
penelitian O
selanjutnya O
dapat O
menerapkan O
algoritma O
atau O
metode O
lain O
sebagai O
perbandingan. O
Untuk O
memperkaya O
data O
yang O
ada O
, O
untuk O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
penelitian O
selanjutnya O
dapat O
mengambil O
data O
dari O
sumber O
atau O
media O
sosial O
lain. O
[ O
13 O
] O
Murugan O
Anandarajan O
, O
Chelsey O
Hill O
, O
& O
Thomas O
Nolan. O
( O
2019 O
) O
. O
Practical O
Text O
Analytics O
: O
Maximizing O
the O
Value O
of O
Text O
Data. O
Springer. O

Pemodelan O
Metadata O
dan O
Data O
dari O
Sensus O
dan O
Survei O
dengan O
Graph O
Database O
Studi O
Kasus O
Sensus O
Penduduk O
dan O
Survei O
Ketenagakerjaan O
Nasional O
Alya O
Faradila O
( O
221910944 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Pengguna O
database O
relasional O
beralih O
ke O
database O
non-relasional O
karena O
database O
non-relasional O
lebih O
mampu O
menangani O
penyimpanan O
data O
yang O
dinamis. O
Salah O
satu O
lembaga O
yang O
membutuhkan O
penyimpanan O
data O
dinamis O
adalah O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
. O
Saat O
ini O
penyimpanan O
data O
kegiatan O
sensus O
dan O
survei O
di O
BPS O
dilakukan O
dengan O
menggunakan O
database O
relasional O
, O
padahal O
terjadi O
perubahan O
metadata O
dalam O
tiap O
kegiatannya. O
Untuk O
menampung O
perubahan O
metadata O
pada O
tiap O
kegiatan O
membutuhkan O
satu O
database O
, O
yang O
menimbulkan O
permasalahan O
saat O
pengambilan O
beberapa O
raw O
data. O
Ada O
peluang O
kemudahan O
jika O
data O
yang O
dikumpulkan O
disimpan O
dalam O
database O
non-relasional O
salah O
satunya O
graph O
database. O
Penelitian O
ini O
membahas B-TUJUAN
pemodelan I-TUJUAN
metadata I-TUJUAN
dan I-TUJUAN
data I-TUJUAN
dari I-TUJUAN
sensus I-TUJUAN
dan I-TUJUAN
survei I-TUJUAN
di I-TUJUAN
BPS I-TUJUAN
menggunakan I-TUJUAN
graph I-TUJUAN
database. I-TUJUAN
Dilanjutkan O
dengan O
implementasi O
pada O
DBMS B-METODE
Neo4j I-METODE
serta O
membandingkan O
model O
usulan O
dengan O
model O
relasional O
pada O
DBMS O
Microsoft O
SQL O
Server. O
Kemudian O
dilakukan O
perbandingan O
fitur O
dan O
karakteristik O
masing-masing O
DBMS O
, O
dan O
yang O
terakhir O
dilakukan O
pengujian O
performa O
dengan O
Apache O
Jmeter. O
Pemodelan B-TEMUAN
sudah I-TEMUAN
dapat I-TEMUAN
menngani I-TEMUAN
perubahan I-TEMUAN
struktur I-TEMUAN
data I-TEMUAN
dinamis I-TEMUAN
namun I-TEMUAN
performa I-TEMUAN
Neo4j I-TEMUAN
masih I-TEMUAN
tertinggal I-TEMUAN
dibandingkan I-TEMUAN
Microsoft I-TEMUAN
SQL I-TEMUAN
Server. I-TEMUAN
Kata O
Kunci— O
Graph O
database O
, O
Database O
Relasional O
, O
Pemodelan O
Database. O
[SEP] O
Dari O
penelitian O
yang O
dilakukan O
, O
berikut O
kesimpulan O
yang O
dapat O
dihasilkan O
• O
Pembuatan O
model O
metadata O
dan O
data O
pada O
sensus O
dan O
survei O
sudah O
berhasil O
diimplementasikan O
dengan O
menggunakan O
graph O
database. O
• O
Dari O
analisis O
karakteristik O
dan O
fitur O
yang O
telah O
disajikan O
, O
Neo4j O
memiliki O
kemampuan O
dalam O
kustomisasi O
fitur O
keamanan O
dengan O
memanfaatkan O
package O
yang O
tersedia O
, O
harga O
yang O
lebih O
murah O
, O
dan O
bahasa O
kueri O
yang O
mudah O
dipahami. O
Untuk O
Microsoft O
SQL O
Server O
sudah O
memiliki O
arsitektur O
keamanan O
bawaan O
yang O
lebih O
kuat O
dan O
skalabilitas O
yang O
dapat O
disesuaikan O
dengan O
kebutuhan. O
• O
Percobaan O
write O
performa O
dari O
Neo4j O
masih O
tertinggal O
jauh O
jika O
dibandingkan O
Microsoft O
SQL O
Server O
, O
yaitu O
saat O
mencapai O
baris O
ke O
20000 O
kecepatan O
Microsoft O
SQL O
Server O
200 O
kali O
lebih O
cepat O
dibandingkan O
Neo4j. O
Percobaan O
delete O
performa O
dari O
Neo4j O
hampir O
sama O
dengan O
Microsoft O
SQL O
Server. O
Microsoft O
SQL O
Server O
memiliki O
1,5 O
kali O
kecepatan O
dari O
Neo4j. O
Percobaan O
read O
Microsoft O
SQL O
Server O
lebih O
unggul O
dari O
pada O
Neo4j O
, O
pada O
kueri O
select O
sederhana. O
Pada O
kueri O
agregrat O
baik O
sederhana O
ataupun O
rumit O
waktu O
eksekusi O
keduanya O
tampak O
tidak O
jauh O
berbeda O
, O
namun O
Microsoft O
SQL O
Server O
tetap O
lebih O
unggul. O
Pada O
kueri O
select O
rumit O
yang O
melibatkan O
banyak O
hubungan O
tabel O
, O
Microsoft O
SQL O
Server O
masih O
lebih O
unggul O
meskipun O
terdapat O
lonjakan O
nilai O
yang O
jauh O
dan O
performa O
Neo4j O
cenderung O
konsisten O
tanpa O
ada O
lonjakan O
waktu O
yang O
tinggi O
dan O
pada O
saat O
melibatkan O
banyak O
tabel O
Neo4j O
cenderung O
konsisten O
lebih O
cepat. O
Percobaan O
ini O
sangat O
dipengaruhi O
oleh O
alat O
testing O
yang O
digunakan O
yaitu O
Apache O
JMeter. O
Dapat O
dilihat O
bahwa O
salah O
satu O
alasan O
output O
memori O
dari O
Neo4j O
lebih O
besar O
adalah O
dikarenakan O
tiap O
baris O
output O
dari O
Apache O
JMeter O
terdapat O
nama O
dari O
juga O
sangat O
tiap O
node. O
Angka O
received O
dipengaruhi O
besarnya O
data O
yang O
sedang O
diproses O
sehingga O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
tidak O
dapat O
dibandingkan O
langsung. O
Sedangkan O
pada O
angka O
throughput O
menunjukkkan O
bahwa O
Microsoft O
SQL O
Server O
lebih O
unggul O
dibandingkan O
Neo4j. O
Sehingga O
dari O
percobaan O
yang O
telah O
dilakukan O
, O
Neo4j O
belum O
mampu O
menandingi O
performa O
dari O
Microsoft O
SQL O
Server. O
Dari O
kesimpulan O
yang O
didapatkan O
, O
berikut O
saran O
untuk O
penelitian O
selanjutnya O
• O
Percobaan O
untuk O
studi O
kasus O
lain O
dengan O
data O
yang O
hubungannya O
lebih O
banyak O
dapat O
dilaukan O
untuk O
mendapatkan O
hasil O
yang O
lebih O
baik O
pada O
graph O
database. O
implementation O
cost O
• O
Kajian O
mendalam O
mengenai O
sebaiknya O
dilakukan. O

Pemodelan O
Metadata O
dan O
Data O
dari O
Sensus O
dan O
Survei O
dengan O
Graph O
Database O
Studi O
Kasus O
Sensus O
Penduduk O
dan O
Survei O
Ketenagakerjaan O
Nasional O
Alya O
Faradila O
( O
221910944 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Pengguna O
database O
relasional O
beralih O
ke O
database O
non-relasional O
karena O
database O
non-relasional O
lebih O
mampu O
menangani O
penyimpanan O
data O
yang O
dinamis. O
Salah O
satu O
lembaga O
yang O
membutuhkan O
penyimpanan O
data O
dinamis O
adalah O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
. O
Saat O
ini O
penyimpanan O
data O
kegiatan O
sensus O
dan O
survei O
di O
BPS O
dilakukan O
dengan O
menggunakan O
database O
relasional O
, O
padahal O
terjadi O
perubahan O
metadata O
dalam O
tiap O
kegiatannya. O
Untuk O
menampung O
perubahan O
metadata O
pada O
tiap O
kegiatan O
membutuhkan O
satu O
database O
, O
yang O
menimbulkan O
permasalahan O
saat O
pengambilan O
beberapa O
raw O
data. O
Ada O
peluang O
kemudahan O
jika O
data O
yang O
dikumpulkan O
disimpan O
dalam O
database O
non-relasional O
salah O
satunya O
graph O
database. O
Penelitian O
ini O
membahas B-TUJUAN
pemodelan I-TUJUAN
metadata I-TUJUAN
dan I-TUJUAN
data I-TUJUAN
dari I-TUJUAN
sensus I-TUJUAN
dan I-TUJUAN
survei I-TUJUAN
di I-TUJUAN
BPS I-TUJUAN
menggunakan I-TUJUAN
graph I-TUJUAN
database. I-TUJUAN
Dilanjutkan O
dengan O
implementasi O
pada O
DBMS B-METODE
Neo4j I-METODE
serta O
membandingkan O
model O
usulan O
dengan O
model O
relasional O
pada O
DBMS O
Microsoft O
SQL O
Server. O
Kemudian O
dilakukan O
perbandingan O
fitur O
dan O
karakteristik O
masing-masing O
DBMS O
, O
dan O
yang O
terakhir O
dilakukan O
pengujian O
performa O
dengan O
Apache O
Jmeter. O
Pemodelan B-TEMUAN
sudah I-TEMUAN
dapat I-TEMUAN
menngani I-TEMUAN
perubahan I-TEMUAN
struktur I-TEMUAN
data I-TEMUAN
dinamis I-TEMUAN
namun I-TEMUAN
performa I-TEMUAN
Neo4j I-TEMUAN
masih I-TEMUAN
tertinggal I-TEMUAN
dibandingkan I-TEMUAN
Microsoft I-TEMUAN
SQL I-TEMUAN
Server. I-TEMUAN
Kata O
Kunci— O
Graph O
database O
, O
Database O
Relasional O
, O
Pemodelan O
Database. O
[SEP] O
Dari O
penelitian O
yang O
dilakukan O
, O
berikut O
kesimpulan O
yang O
dapat O
dihasilkan O
• O
Pembuatan O
model O
metadata O
dan O
data O
pada O
sensus O
dan O
survei O
sudah O
berhasil O
diimplementasikan O
dengan O
menggunakan O
graph O
database. O
• O
Dari O
analisis O
karakteristik O
dan O
fitur O
yang O
telah O
disajikan O
, O
Neo4j O
memiliki O
kemampuan O
dalam O
kustomisasi O
fitur O
keamanan O
dengan O
memanfaatkan O
package O
yang O
tersedia O
, O
harga O
yang O
lebih O
murah O
, O
dan O
bahasa O
kueri O
yang O
mudah O
dipahami. O
Untuk O
Microsoft O
SQL O
Server O
sudah O
memiliki O
arsitektur O
keamanan O
bawaan O
yang O
lebih O
kuat O
dan O
skalabilitas O
yang O
dapat O
disesuaikan O
dengan O
kebutuhan. O
• O
Percobaan O
write O
performa O
dari O
Neo4j O
masih O
tertinggal O
jauh O
jika O
dibandingkan O
Microsoft O
SQL O
Server O
, O
yaitu O
saat O
mencapai O
baris O
ke O
20000 O
kecepatan O
Microsoft O
SQL O
Server O
200 O
kali O
lebih O
cepat O
dibandingkan O
Neo4j. O
Percobaan O
delete O
performa O
dari O
Neo4j O
hampir O
sama O
dengan O
Microsoft O
SQL O
Server. O
Microsoft O
SQL O
Server O
memiliki O
1,5 O
kali O
kecepatan O
dari O
Neo4j. O
Percobaan O
read O
Microsoft O
SQL O
Server O
lebih O
unggul O
dari O
pada O
Neo4j O
, O
pada O
kueri O
select O
sederhana. O
Pada O
kueri O
agregrat O
baik O
sederhana O
ataupun O
rumit O
waktu O
eksekusi O
keduanya O
tampak O
tidak O
jauh O
berbeda O
, O
namun O
Microsoft O
SQL O
Server O
tetap O
lebih O
unggul. O
Pada O
kueri O
select O
rumit O
yang O
melibatkan O
banyak O
hubungan O
tabel O
, O
Microsoft O
SQL O
Server O
masih O
lebih O
unggul O
meskipun O
terdapat O
lonjakan O
nilai O
yang O
jauh O
dan O
performa O
Neo4j O
cenderung O
konsisten O
tanpa O
ada O
lonjakan O
waktu O
yang O
tinggi O
dan O
pada O
saat O
melibatkan O
banyak O
tabel O
Neo4j O
cenderung O
konsisten O
lebih O
cepat. O
Percobaan O
ini O
sangat O
dipengaruhi O
oleh O
alat O
testing O
yang O
digunakan O
yaitu O
Apache O
JMeter. O
Dapat O
dilihat O
bahwa O
salah O
satu O
alasan O
output O
memori O
dari O
Neo4j O
lebih O
besar O
adalah O
dikarenakan O
tiap O
baris O
output O
dari O
Apache O
JMeter O
terdapat O
nama O
dari O
juga O
sangat O
tiap O
node. O
Angka O
received O
dipengaruhi O
besarnya O
data O
yang O
sedang O
diproses O
sehingga O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
tidak O
dapat O
dibandingkan O
langsung. O
Sedangkan O
pada O
angka O
throughput O
menunjukkkan O
bahwa O
Microsoft O
SQL O
Server O
lebih O
unggul O
dibandingkan O
Neo4j. O
Sehingga O
dari O
percobaan O
yang O
telah O
dilakukan O
, O
Neo4j O
belum O
mampu O
menandingi O
performa O
dari O
Microsoft O
SQL O
Server. O
Dari O
kesimpulan O
yang O
didapatkan O
, O
berikut O
saran O
untuk O
penelitian O
selanjutnya O
• O
Percobaan O
untuk O
studi O
kasus O
lain O
dengan O
data O
yang O
hubungannya O
lebih O
banyak O
dapat O
dilaukan O
untuk O
mendapatkan O
hasil O
yang O
lebih O
baik O
pada O
graph O
database. O
implementation O
cost O
• O
Kajian O
mendalam O
mengenai O
sebaiknya O
dilakukan. O

Analisis O
Keamanan O
SIPADU-NG O
Menggunakan O
Metode O
Uji O
Penetrasi O
Richard O
Putra O
Rahmat O
Zega O
( O
221910943 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Waris O
Marsisno O
terjadinya O
kejahatan O
Ringkasan— O
Penggunaan O
internet O
yang O
semakin O
tinggi O
dapat O
meningkatkan O
risiko O
siber O
dengan O
memanfaatkan O
celah O
keamanan O
pada O
suatu O
sistem. O
Untuk O
mencegah O
terjadinya O
kejahatan O
siber O
, O
diperlukan O
pengujian O
keamaan O
yang O
memadai. O
Penelitian O
ini O
bertujuan O
untuk O
menguji B-TUJUAN
kemungkinan I-TUJUAN
keberadaan I-TUJUAN
celah I-TUJUAN
keamanan I-TUJUAN
pada I-TUJUAN
SIPADU-NG. I-TUJUAN
Hasil B-TEMUAN
penelitian I-TEMUAN
memperlihatkan I-TEMUAN
bahwa I-TEMUAN
SIPADU-NG I-TEMUAN
memiliki I-TEMUAN
tingkat I-TEMUAN
keamanan I-TEMUAN
yang I-TEMUAN
relatif I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
celah I-TEMUAN
keamanan I-TEMUAN
tingkat I-TEMUAN
rendah I-TEMUAN
( I-TEMUAN
clickjacking I-TEMUAN
) I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
moderate I-TEMUAN
( I-TEMUAN
path I-TEMUAN
traversal I-TEMUAN
) I-TEMUAN
Kata O
Kunci— O
Penetration O
testing O
, O
Vulnerability O
, O
Keamanan O
, O
OWASP O
[SEP] O
Berdasarkan O
hasil O
penelitian O
dan O
pembahasan O
dari O
bab O
sebelumnya O
dapat O
disimpulkan O
bahwa O
: O
1. O
Uji O
penetrasi O
terhadap O
url O
telah O
dilakukan O
https O
: O
/ O
/ O
perkuliahan.sipadu.stis.ac.id O
berhasil O
dan O
menemukan O
2 O
jenis O
kerentanan O
menurut O
OWASP O
TOP O
10 O
yakni O
Broken O
Access O
Control O
dan O
System O
misconfiguration. O
2. O
Uji O
penetrasi O
telah O
dilakukan O
terhadap O
url O
https O
: O
/ O
/ O
perkuliahan.sipadu.stis.ac.id O
dan O
berhasil O
menemukan O
2 O
kerentanan O
yakni O
path O
traversal O
dan O
clickjacking O
3. O
Menurut O
hasil O
penghitungan O
skor O
risiko O
yang O
dilakukan O
, O
ditemukan O
bahwa O
kerentanan O
path O
traversal O
memiliki O
skor O
risiko O
kemungkinan O
terjadi O
sebesar O
4 O
/ O
9 O
dan O
kerentanan O
clickjacking O
memiliki O
skor O
risiko O
kemungkinan O
terjadi O
sebesar O
4.375 O
/ O
9. O
traversal O
memiliki O
skor O
risiko O
kerentanan O
path O
7 O
/ O
8 O
1.125 O
/ O
9. O
dampak O
kejadian O
sebesar O
3.75 O
/ O
9 O
dan O
kerentanan O
clickjacking O
memiliki O
skor O
risiko O
dampak O
kejadian O
traversal O
kerentanan O
sebesar O
dikategorikan O
sebagai O
kerentanan O
dengan O
skor O
risiko O
level O
moderate O
clickjacking O
dikategorikan O
sebagai O
kerentanan O
dengan O
skor O
risiko O
level O
rendah. O
kerentanan O
path O
dan O
4. O
Selain O
2 O
kerentanan O
yang O
ditemukan O
, O
ditemukan O
cacat O
sistem O
lainnya O
yakni O
identitas O
web O
application O
yang O
tidak O
ditutupi O
, O
tampilan O
login O
page O
yang O
memudahkan O
penebakan O
username O
, O
dan O
error O
handling O
yang O
tidak O
sempurna. O
Penanganan O
cacat O
yang O
ditemukan O
dapat O
dilakukan O
dengan O
pertimbangan O
keseimbangan O
antara O
keamanan O
dan O
kenyamanan O
pengguna. O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
didapatkan O
kekurangan O
yang O
untuk O
selanjutnya O
dapat O
dikembangkan O
sebagai O
berikut O
: O
1. O
Terdapat O
kemungkinan O
kerentanan O
lain O
yang O
gagal O
ditemukan O
oleh O
peneliti O
sehingga O
dapat O
dilakukan O
penelitian O
dengan O
metode O
lain O
2. O
Terdapat O
risiko O
munculnya O
kerentanan O
baru O
karena O
kondisi O
SIPADU-NG O
yang O
masih O
dalam O
tahap O
pengembangan O
sehingga O
di O
kemudian O
hari O
dapat O
dilakukan O
penelitian O
baru O

Analisis O
Keamanan O
SIPADU-NG O
Menggunakan O
Metode O
Uji O
Penetrasi O
Richard O
Putra O
Rahmat O
Zega O
( O
221910943 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Waris O
Marsisno O
terjadinya O
kejahatan O
Ringkasan— O
Penggunaan O
internet O
yang O
semakin O
tinggi O
dapat O
meningkatkan O
risiko O
siber O
dengan O
memanfaatkan O
celah O
keamanan O
pada O
suatu O
sistem. O
Untuk O
mencegah O
terjadinya O
kejahatan O
siber O
, O
diperlukan O
pengujian O
keamaan O
yang O
memadai. O
Penelitian O
ini O
bertujuan O
untuk O
menguji B-TUJUAN
kemungkinan I-TUJUAN
keberadaan I-TUJUAN
celah I-TUJUAN
keamanan I-TUJUAN
pada I-TUJUAN
SIPADU-NG. I-TUJUAN
Hasil B-TEMUAN
penelitian I-TEMUAN
memperlihatkan I-TEMUAN
bahwa I-TEMUAN
SIPADU-NG I-TEMUAN
memiliki I-TEMUAN
tingkat I-TEMUAN
keamanan I-TEMUAN
yang I-TEMUAN
relatif I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
celah I-TEMUAN
keamanan I-TEMUAN
tingkat I-TEMUAN
rendah I-TEMUAN
( I-TEMUAN
clickjacking I-TEMUAN
) I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
moderate I-TEMUAN
( I-TEMUAN
path I-TEMUAN
traversal I-TEMUAN
) I-TEMUAN
Kata O
Kunci— O
Penetration O
testing O
, O
Vulnerability O
, O
Keamanan O
, O
OWASP O
[SEP] O
Berdasarkan O
hasil O
penelitian O
dan O
pembahasan O
dari O
bab O
sebelumnya O
dapat O
disimpulkan O
bahwa O
: O
1. O
Uji O
penetrasi O
terhadap O
url O
telah O
dilakukan O
https O
: O
/ O
/ O
perkuliahan.sipadu.stis.ac.id O
berhasil O
dan O
menemukan O
2 O
jenis O
kerentanan O
menurut O
OWASP O
TOP O
10 O
yakni O
Broken O
Access O
Control O
dan O
System O
misconfiguration. O
2. O
Uji O
penetrasi O
telah O
dilakukan O
terhadap O
url O
https O
: O
/ O
/ O
perkuliahan.sipadu.stis.ac.id O
dan O
berhasil O
menemukan O
2 O
kerentanan O
yakni O
path O
traversal O
dan O
clickjacking O
3. O
Menurut O
hasil O
penghitungan O
skor O
risiko O
yang O
dilakukan O
, O
ditemukan O
bahwa O
kerentanan O
path O
traversal O
memiliki O
skor O
risiko O
kemungkinan O
terjadi O
sebesar O
4 O
/ O
9 O
dan O
kerentanan O
clickjacking O
memiliki O
skor O
risiko O
kemungkinan O
terjadi O
sebesar O
4.375 O
/ O
9. O
traversal O
memiliki O
skor O
risiko O
kerentanan O
path O
7 O
/ O
8 O
1.125 O
/ O
9. O
dampak O
kejadian O
sebesar O
3.75 O
/ O
9 O
dan O
kerentanan O
clickjacking O
memiliki O
skor O
risiko O
dampak O
kejadian O
traversal O
kerentanan O
sebesar O
dikategorikan O
sebagai O
kerentanan O
dengan O
skor O
risiko O
level O
moderate O
clickjacking O
dikategorikan O
sebagai O
kerentanan O
dengan O
skor O
risiko O
level O
rendah. O
kerentanan O
path O
dan O
4. O
Selain O
2 O
kerentanan O
yang O
ditemukan O
, O
ditemukan O
cacat O
sistem O
lainnya O
yakni O
identitas O
web O
application O
yang O
tidak O
ditutupi O
, O
tampilan O
login O
page O
yang O
memudahkan O
penebakan O
username O
, O
dan O
error O
handling O
yang O
tidak O
sempurna. O
Penanganan O
cacat O
yang O
ditemukan O
dapat O
dilakukan O
dengan O
pertimbangan O
keseimbangan O
antara O
keamanan O
dan O
kenyamanan O
pengguna. O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
didapatkan O
kekurangan O
yang O
untuk O
selanjutnya O
dapat O
dikembangkan O
sebagai O
berikut O
: O
1. O
Terdapat O
kemungkinan O
kerentanan O
lain O
yang O
gagal O
ditemukan O
oleh O
peneliti O
sehingga O
dapat O
dilakukan O
penelitian O
dengan O
metode O
lain O
2. O
Terdapat O
risiko O
munculnya O
kerentanan O
baru O
karena O
kondisi O
SIPADU-NG O
yang O
masih O
dalam O
tahap O
pengembangan O
sehingga O
di O
kemudian O
hari O
dapat O
dilakukan O
penelitian O
baru O

Bangun O
Sistem O
Evaluasi O
Zona O
Integritas O
Inspektorat O
Utama O
BPS O
RI O
Muhammad O
Arya O
Septa O
Kovitra O
( O
221910940,4SI1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Zona O
Integritas O
merupakan O
predikat O
yang O
diberikan O
kepada O
satuan O
kerja O
yang O
telah O
berkomitmen O
membangun O
Wilayah O
Bebas O
Korupsi O
( O
WBK O
) O
dan O
Wilayah O
Birokrasi O
Bersih O
dan O
Melayani O
( O
WBBM O
) O
. O
Dalam O
pelaksanaanya O
, O
proses O
evaluasi O
zona O
integritas O
di O
BPS O
masih O
dilakukan O
secara O
manual O
melalui O
aplikasi O
google O
sheets O
dan O
google O
drive O
, O
sehingga O
butuh O
waktu O
yang O
relatif O
lama O
untuk O
memperoleh O
informasi O
yang O
dibutuhkan. O
Pada O
tahun O
2022 O
, O
BPS O
telah O
menerbitkan O
pedoman O
pembangunan O
dan O
evaluasi O
zona O
integritas. O
Namun O
dalam O
praktiknya O
, O
pedoman O
ini O
belum O
diimplementasikan O
secara O
menyeluruh. O
Penelitian O
ini O
bertujuan O
untuk O
menyelesaikan B-TUJUAN
permasalahan I-TUJUAN
tersebut I-TUJUAN
dengan I-TUJUAN
cara I-TUJUAN
membangun I-TUJUAN
sistem I-TUJUAN
evaluasi I-TUJUAN
zona I-TUJUAN
integritas I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
Sistem O
dibuat O
dengan O
metode B-METODE
pengembangan I-METODE
sistem I-METODE
yaitu I-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
Waterfall. I-METODE
Metode O
evaluasi O
yang O
digunakan O
adalah O
Blackbox B-METODE
Testing I-METODE
dan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. I-METODE
Hasil O
dari O
evaluasi O
tersebut O
menunjukan O
bahwa O
semua B-TEMUAN
fitur I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan I-TEMUAN
yang I-TEMUAN
diharapkan I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
80,50 I-TEMUAN
dan I-TEMUAN
masuk I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
sangat I-TEMUAN
baik. I-TEMUAN
Kata O
Kunci— O
zona O
integritas O
, O
self-assessment O
, O
desk-evaluation O
, O
SDLC O
Waterfall. O
[SEP] O
Berdasarkan O
penelitian O
yang O
sudah O
dilakukan O
, O
diperoleh O
hasil O
dan O
kesimpulan O
sebagai O
berikut O
: O
1 O
) O
Telah O
berhasil O
dibangun O
sebuah O
sistem O
evaluasi O
zona O
integritas O
berbasis O
web O
yang O
dapat O
digunakan O
untuk O
melakukan O
proses O
penilaian O
evaluasi O
mulai O
dari O
self- O
assessment O
, O
penilaian O
pendahuluan O
, O
desk-evaluation O
dan O
monitoring O
evaluasi O
zona O
integritas. O
2 O
) O
Sistem O
yang O
telah O
dibangun O
menyediakan O
fitur O
untuk O
pengantar O
digitalisasi O
kabupaten O
/ O
kota O
, O
surat O
pengantar O
provinsi O
, O
dan O
LHE. O
pembuatan O
proses O
surat O
3 O
) O
Sistem O
yang O
pengelolaan O
data O
pengguna O
, O
wilayah O
telah O
dibangun O
dapat O
melakukan O
tugas O
dan O
Makalah O
Sidang O
Skripsi– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
pengawasan O
TPI O
, O
daftar O
LKE O
, O
nilai O
rincian O
hasil O
, O
dan O
persyaratan O
WBK O
/ O
WBBM. O
4 O
) O
Berdasarkan O
pengujian O
blackbox O
pada O
131 O
skenario O
, O
diperoleh O
hasil B-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
harapan. I-TEMUAN
Sementara O
itu O
, O
hasil B-TEMUAN
pengujian I-TEMUAN
SUS I-TEMUAN
diperoleh I-TEMUAN
rata-rata I-TEMUAN
skor I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
80,50 I-TEMUAN
, I-TEMUAN
artinya I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Pengujian O
terakhir O
adalah O
untuk O
melihat O
efisiensi O
sistem O
dari O
segi O
kecepatan O
waktu O
, O
diperoleh O
hasil O
bahwa O
sistem O
lebih O
efisien O
75,49 O
% O
dibandingkan O
sistem O
sebelumnya. O
Berdasarkan O
penelitian O
yang O
terdapat O
beberapa O
saran O
yang O
harapannya O
dapat O
berguna O
di O
masa O
yang O
akan O
datang O
, O
sebagai O
berikut O
: O
telah O
dilakukan O
1 O
) O
Pengembangan O
sistem O
selanjutnya O
untuk O
menerapkan O
login O
dan O
integrasi O
data O
pengguna O
menggunakan O
akun O
SSO O
dari O
BPS. O
2 O
) O
Sistem O
yang O
dikembangkan O
untuk O
saat O
ini O
, O
belum O
memiliki O
fitur O
monitoring O
yang O
lebih O
advance O
, O
seperti O
self-assessment O
dan O
desk- O
monitoring O
progress O
evaluation. O

Bangun O
Sistem O
Evaluasi O
Zona O
Integritas O
Inspektorat O
Utama O
BPS O
RI O
Muhammad O
Arya O
Septa O
Kovitra O
( O
221910940,4SI1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Zona O
Integritas O
merupakan O
predikat O
yang O
diberikan O
kepada O
satuan O
kerja O
yang O
telah O
berkomitmen O
membangun O
Wilayah O
Bebas O
Korupsi O
( O
WBK O
) O
dan O
Wilayah O
Birokrasi O
Bersih O
dan O
Melayani O
( O
WBBM O
) O
. O
Dalam O
pelaksanaanya O
, O
proses O
evaluasi O
zona O
integritas O
di O
BPS O
masih O
dilakukan O
secara O
manual O
melalui O
aplikasi O
google O
sheets O
dan O
google O
drive O
, O
sehingga O
butuh O
waktu O
yang O
relatif O
lama O
untuk O
memperoleh O
informasi O
yang O
dibutuhkan. O
Pada O
tahun O
2022 O
, O
BPS O
telah O
menerbitkan O
pedoman O
pembangunan O
dan O
evaluasi O
zona O
integritas. O
Namun O
dalam O
praktiknya O
, O
pedoman O
ini O
belum O
diimplementasikan O
secara O
menyeluruh. O
Penelitian O
ini O
bertujuan O
untuk O
menyelesaikan B-TUJUAN
permasalahan I-TUJUAN
tersebut I-TUJUAN
dengan I-TUJUAN
cara I-TUJUAN
membangun I-TUJUAN
sistem I-TUJUAN
evaluasi I-TUJUAN
zona I-TUJUAN
integritas I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
Sistem O
dibuat O
dengan O
metode B-METODE
pengembangan I-METODE
sistem I-METODE
yaitu I-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
Waterfall. I-METODE
Metode O
evaluasi O
yang O
digunakan O
adalah O
Blackbox B-METODE
Testing I-METODE
dan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. I-METODE
Hasil O
dari O
evaluasi O
tersebut O
menunjukan O
bahwa O
semua B-TEMUAN
fitur I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan I-TEMUAN
yang I-TEMUAN
diharapkan I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
80,50 I-TEMUAN
dan I-TEMUAN
masuk I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
sangat I-TEMUAN
baik. I-TEMUAN
Kata O
Kunci— O
zona O
integritas O
, O
self-assessment O
, O
desk-evaluation O
, O
SDLC O
Waterfall. O
[SEP] O
Berdasarkan O
penelitian O
yang O
sudah O
dilakukan O
, O
diperoleh O
hasil O
dan O
kesimpulan O
sebagai O
berikut O
: O
1 O
) O
Telah O
berhasil O
dibangun O
sebuah O
sistem O
evaluasi O
zona O
integritas O
berbasis O
web O
yang O
dapat O
digunakan O
untuk O
melakukan O
proses O
penilaian O
evaluasi O
mulai O
dari O
self- O
assessment O
, O
penilaian O
pendahuluan O
, O
desk-evaluation O
dan O
monitoring O
evaluasi O
zona O
integritas. O
2 O
) O
Sistem O
yang O
telah O
dibangun O
menyediakan O
fitur O
untuk O
pengantar O
digitalisasi O
kabupaten O
/ O
kota O
, O
surat O
pengantar O
provinsi O
, O
dan O
LHE. O
pembuatan O
proses O
surat O
3 O
) O
Sistem O
yang O
pengelolaan O
data O
pengguna O
, O
wilayah O
telah O
dibangun O
dapat O
melakukan O
tugas O
dan O
Makalah O
Sidang O
Skripsi– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
pengawasan O
TPI O
, O
daftar O
LKE O
, O
nilai O
rincian O
hasil O
, O
dan O
persyaratan O
WBK O
/ O
WBBM. O
4 O
) O
Berdasarkan O
pengujian O
blackbox O
pada O
131 O
skenario O
, O
diperoleh O
hasil B-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
harapan. I-TEMUAN
Sementara O
itu O
, O
hasil B-TEMUAN
pengujian I-TEMUAN
SUS I-TEMUAN
diperoleh I-TEMUAN
rata-rata I-TEMUAN
skor I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
80,50 I-TEMUAN
, I-TEMUAN
artinya I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Pengujian O
terakhir O
adalah O
untuk O
melihat O
efisiensi O
sistem O
dari O
segi O
kecepatan O
waktu O
, O
diperoleh O
hasil O
bahwa O
sistem O
lebih O
efisien O
75,49 O
% O
dibandingkan O
sistem O
sebelumnya. O
Berdasarkan O
penelitian O
yang O
terdapat O
beberapa O
saran O
yang O
harapannya O
dapat O
berguna O
di O
masa O
yang O
akan O
datang O
, O
sebagai O
berikut O
: O
telah O
dilakukan O
1 O
) O
Pengembangan O
sistem O
selanjutnya O
untuk O
menerapkan O
login O
dan O
integrasi O
data O
pengguna O
menggunakan O
akun O
SSO O
dari O
BPS. O
2 O
) O
Sistem O
yang O
dikembangkan O
untuk O
saat O
ini O
, O
belum O
memiliki O
fitur O
monitoring O
yang O
lebih O
advance O
, O
seperti O
self-assessment O
dan O
desk- O
monitoring O
progress O
evaluation. O

Bangun O
Sistem O
Evaluasi O
Zona O
Integritas O
Inspektorat O
Utama O
BPS O
RI O
Muhammad O
Arya O
Septa O
Kovitra O
( O
221910940,4SI1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Zona O
Integritas O
merupakan O
predikat O
yang O
diberikan O
kepada O
satuan O
kerja O
yang O
telah O
berkomitmen O
membangun O
Wilayah O
Bebas O
Korupsi O
( O
WBK O
) O
dan O
Wilayah O
Birokrasi O
Bersih O
dan O
Melayani O
( O
WBBM O
) O
. O
Dalam O
pelaksanaanya O
, O
proses O
evaluasi O
zona O
integritas O
di O
BPS O
masih O
dilakukan O
secara O
manual O
melalui O
aplikasi O
google O
sheets O
dan O
google O
drive O
, O
sehingga O
butuh O
waktu O
yang O
relatif O
lama O
untuk O
memperoleh O
informasi O
yang O
dibutuhkan. O
Pada O
tahun O
2022 O
, O
BPS O
telah O
menerbitkan O
pedoman O
pembangunan O
dan O
evaluasi O
zona O
integritas. O
Namun O
dalam O
praktiknya O
, O
pedoman O
ini O
belum O
diimplementasikan O
secara O
menyeluruh. O
Penelitian O
ini O
bertujuan O
untuk O
menyelesaikan B-TUJUAN
permasalahan I-TUJUAN
tersebut I-TUJUAN
dengan I-TUJUAN
cara I-TUJUAN
membangun I-TUJUAN
sistem I-TUJUAN
evaluasi I-TUJUAN
zona I-TUJUAN
integritas I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
Sistem O
dibuat O
dengan O
metode B-METODE
pengembangan I-METODE
sistem I-METODE
yaitu I-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
Waterfall. I-METODE
Metode O
evaluasi O
yang O
digunakan O
adalah O
Blackbox B-METODE
Testing I-METODE
dan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. I-METODE
Hasil O
dari O
evaluasi O
tersebut O
menunjukan O
bahwa O
semua B-TEMUAN
fitur I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan I-TEMUAN
yang I-TEMUAN
diharapkan I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
80,50 I-TEMUAN
dan I-TEMUAN
masuk I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
sangat I-TEMUAN
baik. I-TEMUAN
Kata O
Kunci— O
zona O
integritas O
, O
self-assessment O
, O
desk-evaluation O
, O
SDLC O
Waterfall. O
[SEP] O
Berdasarkan O
penelitian O
yang O
sudah O
dilakukan O
, O
diperoleh O
hasil O
dan O
kesimpulan O
sebagai O
berikut O
: O
1 O
) O
Telah O
berhasil O
dibangun O
sebuah O
sistem O
evaluasi O
zona O
integritas O
berbasis O
web O
yang O
dapat O
digunakan O
untuk O
melakukan O
proses O
penilaian O
evaluasi O
mulai O
dari O
self- O
assessment O
, O
penilaian O
pendahuluan O
, O
desk-evaluation O
dan O
monitoring O
evaluasi O
zona O
integritas. O
2 O
) O
Sistem O
yang O
telah O
dibangun O
menyediakan O
fitur O
untuk O
pengantar O
digitalisasi O
kabupaten O
/ O
kota O
, O
surat O
pengantar O
provinsi O
, O
dan O
LHE. O
pembuatan O
proses O
surat O
3 O
) O
Sistem O
yang O
pengelolaan O
data O
pengguna O
, O
wilayah O
telah O
dibangun O
dapat O
melakukan O
tugas O
dan O
Makalah O
Sidang O
Skripsi– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
pengawasan O
TPI O
, O
daftar O
LKE O
, O
nilai O
rincian O
hasil O
, O
dan O
persyaratan O
WBK O
/ O
WBBM. O
4 O
) O
Berdasarkan O
pengujian O
blackbox O
pada O
131 O
skenario O
, O
diperoleh O
hasil B-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
harapan. I-TEMUAN
Sementara O
itu O
, O
hasil B-TEMUAN
pengujian I-TEMUAN
SUS I-TEMUAN
diperoleh I-TEMUAN
rata-rata I-TEMUAN
skor I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
80,50 I-TEMUAN
, I-TEMUAN
artinya I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Pengujian O
terakhir O
adalah O
untuk O
melihat O
efisiensi O
sistem O
dari O
segi O
kecepatan O
waktu O
, O
diperoleh O
hasil O
bahwa O
sistem O
lebih O
efisien O
75,49 O
% O
dibandingkan O
sistem O
sebelumnya. O
Berdasarkan O
penelitian O
yang O
terdapat O
beberapa O
saran O
yang O
harapannya O
dapat O
berguna O
di O
masa O
yang O
akan O
datang O
, O
sebagai O
berikut O
: O
telah O
dilakukan O
1 O
) O
Pengembangan O
sistem O
selanjutnya O
untuk O
menerapkan O
login O
dan O
integrasi O
data O
pengguna O
menggunakan O
akun O
SSO O
dari O
BPS. O
2 O
) O
Sistem O
yang O
dikembangkan O
untuk O
saat O
ini O
, O
belum O
memiliki O
fitur O
monitoring O
yang O
lebih O
advance O
, O
seperti O
self-assessment O
dan O
desk- O
monitoring O
progress O
evaluation. O

Bangun O
Sistem O
Evaluasi O
Zona O
Integritas O
Inspektorat O
Utama O
BPS O
RI O
Muhammad O
Arya O
Septa O
Kovitra O
( O
221910940,4SI1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Zona O
Integritas O
merupakan O
predikat O
yang O
diberikan O
kepada O
satuan O
kerja O
yang O
telah O
berkomitmen O
membangun O
Wilayah O
Bebas O
Korupsi O
( O
WBK O
) O
dan O
Wilayah O
Birokrasi O
Bersih O
dan O
Melayani O
( O
WBBM O
) O
. O
Dalam O
pelaksanaanya O
, O
proses O
evaluasi O
zona O
integritas O
di O
BPS O
masih O
dilakukan O
secara O
manual O
melalui O
aplikasi O
google O
sheets O
dan O
google O
drive O
, O
sehingga O
butuh O
waktu O
yang O
relatif O
lama O
untuk O
memperoleh O
informasi O
yang O
dibutuhkan. O
Pada O
tahun O
2022 O
, O
BPS O
telah O
menerbitkan O
pedoman O
pembangunan O
dan O
evaluasi O
zona O
integritas. O
Namun O
dalam O
praktiknya O
, O
pedoman O
ini O
belum O
diimplementasikan O
secara O
menyeluruh. O
Penelitian O
ini O
bertujuan O
untuk O
menyelesaikan B-TUJUAN
permasalahan I-TUJUAN
tersebut I-TUJUAN
dengan I-TUJUAN
cara I-TUJUAN
membangun I-TUJUAN
sistem I-TUJUAN
evaluasi I-TUJUAN
zona I-TUJUAN
integritas I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
Sistem O
dibuat O
dengan O
metode B-METODE
pengembangan I-METODE
sistem I-METODE
yaitu I-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
Waterfall. I-METODE
Metode O
evaluasi O
yang O
digunakan O
adalah O
Blackbox B-METODE
Testing I-METODE
dan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. I-METODE
Hasil O
dari O
evaluasi O
tersebut O
menunjukan O
bahwa O
semua B-TEMUAN
fitur I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan I-TEMUAN
yang I-TEMUAN
diharapkan I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
80,50 I-TEMUAN
dan I-TEMUAN
masuk I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
sangat I-TEMUAN
baik. I-TEMUAN
Kata O
Kunci— O
zona O
integritas O
, O
self-assessment O
, O
desk-evaluation O
, O
SDLC O
Waterfall. O
[SEP] O
Berdasarkan O
penelitian O
yang O
sudah O
dilakukan O
, O
diperoleh O
hasil O
dan O
kesimpulan O
sebagai O
berikut O
: O
1 O
) O
Telah O
berhasil O
dibangun O
sebuah O
sistem O
evaluasi O
zona O
integritas O
berbasis O
web O
yang O
dapat O
digunakan O
untuk O
melakukan O
proses O
penilaian O
evaluasi O
mulai O
dari O
self- O
assessment O
, O
penilaian O
pendahuluan O
, O
desk-evaluation O
dan O
monitoring O
evaluasi O
zona O
integritas. O
2 O
) O
Sistem O
yang O
telah O
dibangun O
menyediakan O
fitur O
untuk O
pengantar O
digitalisasi O
kabupaten O
/ O
kota O
, O
surat O
pengantar O
provinsi O
, O
dan O
LHE. O
pembuatan O
proses O
surat O
3 O
) O
Sistem O
yang O
pengelolaan O
data O
pengguna O
, O
wilayah O
telah O
dibangun O
dapat O
melakukan O
tugas O
dan O
Makalah O
Sidang O
Skripsi– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
pengawasan O
TPI O
, O
daftar O
LKE O
, O
nilai O
rincian O
hasil O
, O
dan O
persyaratan O
WBK O
/ O
WBBM. O
4 O
) O
Berdasarkan O
pengujian O
blackbox O
pada O
131 O
skenario O
, O
diperoleh O
hasil B-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
harapan. I-TEMUAN
Sementara O
itu O
, O
hasil B-TEMUAN
pengujian I-TEMUAN
SUS I-TEMUAN
diperoleh I-TEMUAN
rata-rata I-TEMUAN
skor I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
80,50 I-TEMUAN
, I-TEMUAN
artinya I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Pengujian O
terakhir O
adalah O
untuk O
melihat O
efisiensi O
sistem O
dari O
segi O
kecepatan O
waktu O
, O
diperoleh O
hasil O
bahwa O
sistem O
lebih O
efisien O
75,49 O
% O
dibandingkan O
sistem O
sebelumnya. O
Berdasarkan O
penelitian O
yang O
terdapat O
beberapa O
saran O
yang O
harapannya O
dapat O
berguna O
di O
masa O
yang O
akan O
datang O
, O
sebagai O
berikut O
: O
telah O
dilakukan O
1 O
) O
Pengembangan O
sistem O
selanjutnya O
untuk O
menerapkan O
login O
dan O
integrasi O
data O
pengguna O
menggunakan O
akun O
SSO O
dari O
BPS. O
2 O
) O
Sistem O
yang O
dikembangkan O
untuk O
saat O
ini O
, O
belum O
memiliki O
fitur O
monitoring O
yang O
lebih O
advance O
, O
seperti O
self-assessment O
dan O
desk- O
monitoring O
progress O
evaluation. O

Faktor O
Pendorong O
Keberanjutan O
Penggunaan O
Pembayaran O
Elektronik O
Pada O
Masa O
Transisi O
Menuju O
Endemi O
COVID-19 O
Maulyta O
Noer O
Fadilla O
( O
221910938 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
S.S.T. O
, O
M.T.I. O
elektronik O
pembayaran O
Ringkasan— O
Pada O
masa O
pandemi O
dan O
kasus O
COVID-19 O
masih O
tinggi O
, O
sosialisasi O
untuk O
menghindari O
sentuhan O
langsung O
( O
physical O
touch O
) O
agar O
dapat O
terhindar O
dari O
paparan O
virus O
COVID-19 O
terus O
itu O
, O
penggunaan O
pembayaran O
digencarkan. O
Oleh O
karena O
sangat O
nontunai O
menggunakan O
dianjurkan. O
Seiring O
berjalannya O
waktu O
, O
istilah O
masa O
transisi O
mulai O
diperkenalkan O
oleh O
pemerintah O
Indonesia O
karena O
kasus O
positif O
COVID-19 O
mulai O
mereda O
dan O
manusia O
mulai O
melakukan O
berbagai O
aktivitas O
sehari-harinya O
, O
seperti O
bekerja O
, O
sekolah O
, O
dan O
belanja O
secara O
normal O
seperti O
sebelum O
adanya O
COVID-19. O
Dengan O
kondisi O
tersebut O
, O
akankah O
penggunaan O
pembayaran O
elektronik O
tetap O
semasif O
pada O
saat O
kasus O
COVID-19 O
memuncak O
atau O
kembali O
normal O
seperti O
sebelum O
adanya O
pandemi O
COVID- O
19. O
Oleh O
karena O
itu O
, O
agar O
eksistensi O
pembayaran O
elektronik O
dapat O
terus O
berlanjut O
, O
perlu O
diketahui O
faktor-faktor O
apa O
saja O
yang O
membuat O
masyarakat O
tetap O
menggunakan O
pembayaran O
elektronik O
pada O
masa O
transisi O
menuju O
endemi O
COVID-19 O
seperti O
saat O
keberlanjutan O
penggunaannya. O
Untuk O
mengetahui O
hal O
tersebut O
, O
digunakan O
model O
UTAUT O
yang O
dikombinasikan O
dengan O
Trust O
dan O
Perceived O
Security O
yang O
kemudian O
dianalisis O
menggunakan O
analisis B-METODE
deskriptif I-METODE
dan O
analisis O
PLS-SEM. B-METODE
Hasil O
penelitian O
menunjukkan O
yang O
merupakan O
pengguna O
bahwa O
melanjutkan O
masih O
pembayaran O
penggunaannya O
pada O
masa O
transisi O
ini. O
Faktor-faktor B-TEMUAN
yang I-TEMUAN
mendorong I-TEMUAN
para I-TEMUAN
pengguna I-TEMUAN
mempertahankan I-TEMUAN
penggunannya I-TEMUAN
tersebut I-TEMUAN
adalah I-TEMUAN
niat I-TEMUAN
untuk I-TEMUAN
menggunakan I-TEMUAN
pembayaran I-TEMUAN
elektronik I-TEMUAN
, I-TEMUAN
harapan I-TEMUAN
kinerja I-TEMUAN
, I-TEMUAN
kondisi I-TEMUAN
yang I-TEMUAN
memfasilitasi I-TEMUAN
, I-TEMUAN
kepercayaan I-TEMUAN
pengguna I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
keamanan I-TEMUAN
yang I-TEMUAN
dirasakan I-TEMUAN
pengguna. I-TEMUAN
dan O
mengetahui O
bagaimana O
responden O
elektronik O
seluruh O
terus O
ini O
Kata O
Kunci— O
keberlanjutan O
, O
UTAUT O
, O
pembayaran O
, O
COVID- O
19 O
, O
trust O
, O
perceived O
security. O
[SEP] O
Berdasarkan O
keseluruhan O
uraian O
hasil O
dan O
pembahasan O
yang O
telah O
dijelaskan O
sebelumnya O
, O
kesimpulan O
dari O
penelitian O
ini O
adalah O
sebagai O
berikut O
: O
1. O
Penggunaan O
pembayaran O
elektronik O
pada O
masa O
transisi O
menuju O
endemi O
COVID-19 O
masih O
terus O
berlanjut O
dengan O
persentase O
100 O
% O
meskipun O
kondisi O
krisis O
COVID-19 O
telah O
terlewati. O
penggunaan O
2. O
Faktor B-TEMUAN
pendorong I-TEMUAN
utama I-TEMUAN
yang I-TEMUAN
mempengaruhi I-TEMUAN
pengguna I-TEMUAN
untuk I-TEMUAN
mempertahankan I-TEMUAN
pembayaran I-TEMUAN
elektronik I-TEMUAN
pada I-TEMUAN
masa I-TEMUAN
transisi I-TEMUAN
menuju I-TEMUAN
endemi I-TEMUAN
COVID-19 I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
adalah I-TEMUAN
niat I-TEMUAN
untuk I-TEMUAN
menggunakan I-TEMUAN
pembayaran I-TEMUAN
elektronik. I-TEMUAN
Niat O
ini O
dipengaruhi O
oleh O
harapan O
kinerja O
dari O
para O
pengguna O
terhadap O
pembayaran O
elektronik O
, O
berbagai O
kondisi O
yang O
memfasilitasi O
pengguna O
untuk O
menggunakan O
pembayaran O
elektronik O
, O
kepercayaan O
pengguna O
terhadap O
pembayaran O
elektronik O
, O
serta O
keamanan O
yang O
dirasakan O
oleh O
pengguna O
dari O
pembayaran O
elektronik O
itu O
sendiri. O

Faktor O
Pendorong O
Keberanjutan O
Penggunaan O
Pembayaran O
Elektronik O
Pada O
Masa O
Transisi O
Menuju O
Endemi O
COVID-19 O
Maulyta O
Noer O
Fadilla O
( O
221910938 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
S.S.T. O
, O
M.T.I. O
elektronik O
pembayaran O
Ringkasan— O
Pada O
masa O
pandemi O
dan O
kasus O
COVID-19 O
masih O
tinggi O
, O
sosialisasi O
untuk O
menghindari O
sentuhan O
langsung O
( O
physical O
touch O
) O
agar O
dapat O
terhindar O
dari O
paparan O
virus O
COVID-19 O
terus O
itu O
, O
penggunaan O
pembayaran O
digencarkan. O
Oleh O
karena O
sangat O
nontunai O
menggunakan O
dianjurkan. O
Seiring O
berjalannya O
waktu O
, O
istilah O
masa O
transisi O
mulai O
diperkenalkan O
oleh O
pemerintah O
Indonesia O
karena O
kasus O
positif O
COVID-19 O
mulai O
mereda O
dan O
manusia O
mulai O
melakukan O
berbagai O
aktivitas O
sehari-harinya O
, O
seperti O
bekerja O
, O
sekolah O
, O
dan O
belanja O
secara O
normal O
seperti O
sebelum O
adanya O
COVID-19. O
Dengan O
kondisi O
tersebut O
, O
akankah O
penggunaan O
pembayaran O
elektronik O
tetap O
semasif O
pada O
saat O
kasus O
COVID-19 O
memuncak O
atau O
kembali O
normal O
seperti O
sebelum O
adanya O
pandemi O
COVID- O
19. O
Oleh O
karena O
itu O
, O
agar O
eksistensi O
pembayaran O
elektronik O
dapat O
terus O
berlanjut O
, O
perlu O
diketahui O
faktor-faktor O
apa O
saja O
yang O
membuat O
masyarakat O
tetap O
menggunakan O
pembayaran O
elektronik O
pada O
masa O
transisi O
menuju O
endemi O
COVID-19 O
seperti O
saat O
keberlanjutan O
penggunaannya. O
Untuk O
mengetahui O
hal O
tersebut O
, O
digunakan O
model O
UTAUT O
yang O
dikombinasikan O
dengan O
Trust O
dan O
Perceived O
Security O
yang O
kemudian O
dianalisis O
menggunakan O
analisis B-METODE
deskriptif I-METODE
dan O
analisis O
PLS-SEM. B-METODE
Hasil O
penelitian O
menunjukkan O
yang O
merupakan O
pengguna O
bahwa O
melanjutkan O
masih O
pembayaran O
penggunaannya O
pada O
masa O
transisi O
ini. O
Faktor-faktor B-TEMUAN
yang I-TEMUAN
mendorong I-TEMUAN
para I-TEMUAN
pengguna I-TEMUAN
mempertahankan I-TEMUAN
penggunannya I-TEMUAN
tersebut I-TEMUAN
adalah I-TEMUAN
niat I-TEMUAN
untuk I-TEMUAN
menggunakan I-TEMUAN
pembayaran I-TEMUAN
elektronik I-TEMUAN
, I-TEMUAN
harapan I-TEMUAN
kinerja I-TEMUAN
, I-TEMUAN
kondisi I-TEMUAN
yang I-TEMUAN
memfasilitasi I-TEMUAN
, I-TEMUAN
kepercayaan I-TEMUAN
pengguna I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
keamanan I-TEMUAN
yang I-TEMUAN
dirasakan I-TEMUAN
pengguna. I-TEMUAN
dan O
mengetahui O
bagaimana O
responden O
elektronik O
seluruh O
terus O
ini O
Kata O
Kunci— O
keberlanjutan O
, O
UTAUT O
, O
pembayaran O
, O
COVID- O
19 O
, O
trust O
, O
perceived O
security. O
[SEP] O
Berdasarkan O
keseluruhan O
uraian O
hasil O
dan O
pembahasan O
yang O
telah O
dijelaskan O
sebelumnya O
, O
kesimpulan O
dari O
penelitian O
ini O
adalah O
sebagai O
berikut O
: O
1. O
Penggunaan O
pembayaran O
elektronik O
pada O
masa O
transisi O
menuju O
endemi O
COVID-19 O
masih O
terus O
berlanjut O
dengan O
persentase O
100 O
% O
meskipun O
kondisi O
krisis O
COVID-19 O
telah O
terlewati. O
penggunaan O
2. O
Faktor B-TEMUAN
pendorong I-TEMUAN
utama I-TEMUAN
yang I-TEMUAN
mempengaruhi I-TEMUAN
pengguna I-TEMUAN
untuk I-TEMUAN
mempertahankan I-TEMUAN
pembayaran I-TEMUAN
elektronik I-TEMUAN
pada I-TEMUAN
masa I-TEMUAN
transisi I-TEMUAN
menuju I-TEMUAN
endemi I-TEMUAN
COVID-19 I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
adalah I-TEMUAN
niat I-TEMUAN
untuk I-TEMUAN
menggunakan I-TEMUAN
pembayaran I-TEMUAN
elektronik. I-TEMUAN
Niat O
ini O
dipengaruhi O
oleh O
harapan O
kinerja O
dari O
para O
pengguna O
terhadap O
pembayaran O
elektronik O
, O
berbagai O
kondisi O
yang O
memfasilitasi O
pengguna O
untuk O
menggunakan O
pembayaran O
elektronik O
, O
kepercayaan O
pengguna O
terhadap O
pembayaran O
elektronik O
, O
serta O
keamanan O
yang O
dirasakan O
oleh O
pengguna O
dari O
pembayaran O
elektronik O
itu O
sendiri. O

Named O
Entity O
Recognition O
( O
NER O
) O
pada O
Kueri O
Domain O
Statistik O
Studi O
Kasus O
: O
Kueri O
Statistik O
Bidang O
Sosial O
Kependudukan O
untuk O
Pencarian O
pada O
Linked O
Open O
Data O
( O
LOD O
) O
Tabel O
Dinamis O
BPS O
Wildannissa O
Pinasti O
( O
221910931 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Lya O
Hulliyyatus O
Suadaa O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Mesin O
pencarian O
harus O
dapat O
memahami O
keinginan O
pengguna O
agar O
dapat O
mengembalikan O
hasil O
pencarian O
yang O
relevan. O
Terdapat O
suatu O
platform O
bernama O
Indonesia O
Data O
Hub O
( O
INDAH O
) O
yang O
dilengkapi O
dengan O
fitur O
mesin O
pencari. O
Mesin O
pencari O
portal O
INDAH O
telah O
memanfaatkan O
Linked O
Open O
Data O
( O
LOD O
) O
yang O
dikembangkan O
pada O
penelitian O
sebelumnya. O
Namun O
, O
fitur O
tersebut O
masih O
memiliki O
kekurangan O
dalam O
memahami O
maksud O
kueri O
pengguna. O
Salah O
satu O
teknik O
yang O
dapat O
digunakan O
mesin O
pencari O
untuk O
lebih O
memahami O
maksud O
pengguna O
adalah O
mengidentifikasi O
entitas O
pada O
kueri O
menggunakan O
Named B-METODE
Entity I-METODE
Recognition. I-METODE
Mengetahui O
jenis O
entitas O
pada O
kueri O
dapat O
membantu O
mesin O
pencari O
lebih O
memahami O
maksud O
pencarian O
dan O
memberikan O
hasil O
pencarian O
yang O
lebih O
baik. O
Dalam B-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
dilakukan I-TEMUAN
pemodelan I-TEMUAN
NER I-TEMUAN
untuk I-TEMUAN
mengekstraksi I-TEMUAN
entitas I-TEMUAN
pada I-TEMUAN
kueri I-TEMUAN
mesin I-TEMUAN
pencari I-TEMUAN
dengan I-TEMUAN
domain I-TEMUAN
statistik I-TEMUAN
menggunakan I-TEMUAN
model I-TEMUAN
Conditional I-TEMUAN
Random I-TEMUAN
Field I-TEMUAN
( I-TEMUAN
CRF I-TEMUAN
) I-TEMUAN
dan I-TEMUAN
mendapatkan I-TEMUAN
f-1 I-TEMUAN
score I-TEMUAN
sebesar I-TEMUAN
0.9110 I-TEMUAN
pada I-TEMUAN
CRF I-TEMUAN
dengan I-TEMUAN
base I-TEMUAN
feature I-TEMUAN
dan I-TEMUAN
sebesar I-TEMUAN
0.9139 I-TEMUAN
pada O
model O
CRF O
dengan O
penambahan O
fitur O
POS. O
Pada O
studi O
kasus O
pencarian O
sederhana O
menggunakan O
kueri O
ambigu O
terhadap O
LOD O
menunjukkan O
bahwa O
pencarian O
dengan O
ekspansi O
kueri O
pada O
entitas O
yang O
dicari O
sinonimnya O
memiliki O
performa O
yang O
lebih O
baik O
dalam O
menemukan O
hasil O
pencarian O
dibandingkan O
pencarian O
biasa O
tanpa O
ekspansi O
kueri. O
Kata O
Kunci— O
Named O
Entity O
Recognition O
, O
kueri O
, O
mesin O
pencari O
, O
Conditional O
Random O
Field O
, O
Linked O
Open O
Data O
[SEP] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
A. O
Kesimpulan O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
diambil O
keputusan O
sebagai O
berikut. O
1. O
Telah O
dibangun O
dataset O
untuk O
melakukan O
Named O
Entity O
[ O
12 O
] O
Recognition O
( O
NER O
) O
pada O
kueri O
domain O
statistik. O
2. O
Telah B-TEMUAN
dilakukan I-TEMUAN
pembangunan I-TEMUAN
model I-TEMUAN
NER I-TEMUAN
menggunakan I-TEMUAN
CRF I-TEMUAN
dengan I-TEMUAN
base I-TEMUAN
feature I-TEMUAN
dan I-TEMUAN
juga I-TEMUAN
CRF I-TEMUAN
dengan I-TEMUAN
base I-TEMUAN
feature I-TEMUAN
ditambah I-TEMUAN
POS I-TEMUAN
tagging. I-TEMUAN
Model I-TEMUAN
CRF I-TEMUAN
yang I-TEMUAN
menggunakan I-TEMUAN
base I-TEMUAN
feature I-TEMUAN
menghasilkan I-TEMUAN
performa I-TEMUAN
NER I-TEMUAN
sebesar I-TEMUAN
0,9139. I-TEMUAN
Performa I-TEMUAN
tidak I-TEMUAN
berbeda I-TEMUAN
signifikan I-TEMUAN
dari I-TEMUAN
performa I-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
oleh I-TEMUAN
CRF I-TEMUAN
POS I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
F1-score I-TEMUAN
0,9110. I-TEMUAN
tersebut O
3. O
Telah O
dilakukan O
studi O
kasus O
pencarian O
sederhana O
menggunakan O
kueri O
ambigu O
pada O
LOD. O
Hasil O
pencarian O
dengan O
ekspansi O
kueri O
pada O
entitas O
menunjukkan O
performa O
yang O
lebih O
baik O
dalam O
menemukan O
hasil O
pencarian O
dibandingkan O
pencarian O
biasa O
tanpa O
ekspansi O
kueri. O
B. O
Saran O
Berdasarkan O
hasil O
analisis O
yang O
telah O
dilakukan O
, O
saran O
dari O
peneliti O
untuk O
penelitian O
selanjutnya O
sebagai O
berikut. O
1. O
Melakukan O
perbandingan O
dengan O
model O
lain O
untuk O
mendapatkan O
model O
dengan O
hasil O
yang O
lebih O
baik. O
2. O
Melakukan O
ekspansi O
kueri O
dengan O
metode O
lain O
seperti O
memanfaatkan O
struktur O
LOD O
dalam O
meningkatkan O
hasil O
pencarian. O
Selain O
itu O
, O
dapat O
pula O
dilakukan O
linking O
untuk O
mengatasi O
ambiguitas O
entitas O
menggunakan O
named O
entity O
linking O
atau O
named O
entity O
disambiguation. O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O
[ O
16 O
] O
[ O
17 O
] O
[ O
18 O
] O
[ O
19 O
] O
[ O
20 O
] O
3. O
Melakukan O
implementasi O
model O
pada O
sistem O
mesin O
[ O
21 O
] O
pencari O
INDAH. O

Named O
Entity O
Recognition O
( O
NER O
) O
pada O
Kueri O
Domain O
Statistik O
Studi O
Kasus O
: O
Kueri O
Statistik O
Bidang O
Sosial O
Kependudukan O
untuk O
Pencarian O
pada O
Linked O
Open O
Data O
( O
LOD O
) O
Tabel O
Dinamis O
BPS O
Wildannissa O
Pinasti O
( O
221910931 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Lya O
Hulliyyatus O
Suadaa O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Mesin O
pencarian O
harus O
dapat O
memahami O
keinginan O
pengguna O
agar O
dapat O
mengembalikan O
hasil O
pencarian O
yang O
relevan. O
Terdapat O
suatu O
platform O
bernama O
Indonesia O
Data O
Hub O
( O
INDAH O
) O
yang O
dilengkapi O
dengan O
fitur O
mesin O
pencari. O
Mesin O
pencari O
portal O
INDAH O
telah O
memanfaatkan O
Linked O
Open O
Data O
( O
LOD O
) O
yang O
dikembangkan O
pada O
penelitian O
sebelumnya. O
Namun O
, O
fitur O
tersebut O
masih O
memiliki O
kekurangan O
dalam O
memahami O
maksud O
kueri O
pengguna. O
Salah O
satu O
teknik O
yang O
dapat O
digunakan O
mesin O
pencari O
untuk O
lebih O
memahami O
maksud O
pengguna O
adalah O
mengidentifikasi O
entitas O
pada O
kueri O
menggunakan O
Named B-METODE
Entity I-METODE
Recognition. I-METODE
Mengetahui O
jenis O
entitas O
pada O
kueri O
dapat O
membantu O
mesin O
pencari O
lebih O
memahami O
maksud O
pencarian O
dan O
memberikan O
hasil O
pencarian O
yang O
lebih O
baik. O
Dalam B-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
dilakukan I-TEMUAN
pemodelan I-TEMUAN
NER I-TEMUAN
untuk I-TEMUAN
mengekstraksi I-TEMUAN
entitas I-TEMUAN
pada I-TEMUAN
kueri I-TEMUAN
mesin I-TEMUAN
pencari I-TEMUAN
dengan I-TEMUAN
domain I-TEMUAN
statistik I-TEMUAN
menggunakan I-TEMUAN
model I-TEMUAN
Conditional I-TEMUAN
Random I-TEMUAN
Field I-TEMUAN
( I-TEMUAN
CRF I-TEMUAN
) I-TEMUAN
dan I-TEMUAN
mendapatkan I-TEMUAN
f-1 I-TEMUAN
score I-TEMUAN
sebesar I-TEMUAN
0.9110 I-TEMUAN
pada I-TEMUAN
CRF I-TEMUAN
dengan I-TEMUAN
base I-TEMUAN
feature I-TEMUAN
dan I-TEMUAN
sebesar I-TEMUAN
0.9139 I-TEMUAN
pada O
model O
CRF O
dengan O
penambahan O
fitur O
POS. O
Pada O
studi O
kasus O
pencarian O
sederhana O
menggunakan O
kueri O
ambigu O
terhadap O
LOD O
menunjukkan O
bahwa O
pencarian O
dengan O
ekspansi O
kueri O
pada O
entitas O
yang O
dicari O
sinonimnya O
memiliki O
performa O
yang O
lebih O
baik O
dalam O
menemukan O
hasil O
pencarian O
dibandingkan O
pencarian O
biasa O
tanpa O
ekspansi O
kueri. O
Kata O
Kunci— O
Named O
Entity O
Recognition O
, O
kueri O
, O
mesin O
pencari O
, O
Conditional O
Random O
Field O
, O
Linked O
Open O
Data O
[SEP] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
A. O
Kesimpulan O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
diambil O
keputusan O
sebagai O
berikut. O
1. O
Telah O
dibangun O
dataset O
untuk O
melakukan O
Named O
Entity O
[ O
12 O
] O
Recognition O
( O
NER O
) O
pada O
kueri O
domain O
statistik. O
2. O
Telah B-TEMUAN
dilakukan I-TEMUAN
pembangunan I-TEMUAN
model I-TEMUAN
NER I-TEMUAN
menggunakan I-TEMUAN
CRF I-TEMUAN
dengan I-TEMUAN
base I-TEMUAN
feature I-TEMUAN
dan I-TEMUAN
juga I-TEMUAN
CRF I-TEMUAN
dengan I-TEMUAN
base I-TEMUAN
feature I-TEMUAN
ditambah I-TEMUAN
POS I-TEMUAN
tagging. I-TEMUAN
Model I-TEMUAN
CRF I-TEMUAN
yang I-TEMUAN
menggunakan I-TEMUAN
base I-TEMUAN
feature I-TEMUAN
menghasilkan I-TEMUAN
performa I-TEMUAN
NER I-TEMUAN
sebesar I-TEMUAN
0,9139. I-TEMUAN
Performa I-TEMUAN
tidak I-TEMUAN
berbeda I-TEMUAN
signifikan I-TEMUAN
dari I-TEMUAN
performa I-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
oleh I-TEMUAN
CRF I-TEMUAN
POS I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
F1-score I-TEMUAN
0,9110. I-TEMUAN
tersebut O
3. O
Telah O
dilakukan O
studi O
kasus O
pencarian O
sederhana O
menggunakan O
kueri O
ambigu O
pada O
LOD. O
Hasil O
pencarian O
dengan O
ekspansi O
kueri O
pada O
entitas O
menunjukkan O
performa O
yang O
lebih O
baik O
dalam O
menemukan O
hasil O
pencarian O
dibandingkan O
pencarian O
biasa O
tanpa O
ekspansi O
kueri. O
B. O
Saran O
Berdasarkan O
hasil O
analisis O
yang O
telah O
dilakukan O
, O
saran O
dari O
peneliti O
untuk O
penelitian O
selanjutnya O
sebagai O
berikut. O
1. O
Melakukan O
perbandingan O
dengan O
model O
lain O
untuk O
mendapatkan O
model O
dengan O
hasil O
yang O
lebih O
baik. O
2. O
Melakukan O
ekspansi O
kueri O
dengan O
metode O
lain O
seperti O
memanfaatkan O
struktur O
LOD O
dalam O
meningkatkan O
hasil O
pencarian. O
Selain O
itu O
, O
dapat O
pula O
dilakukan O
linking O
untuk O
mengatasi O
ambiguitas O
entitas O
menggunakan O
named O
entity O
linking O
atau O
named O
entity O
disambiguation. O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O
[ O
16 O
] O
[ O
17 O
] O
[ O
18 O
] O
[ O
19 O
] O
[ O
20 O
] O
3. O
Melakukan O
implementasi O
model O
pada O
sistem O
mesin O
[ O
21 O
] O
pencari O
INDAH. O

Perancangan O
Kembali O
Interaksi O
Website O
e-Learning O
BPS O
dengan O
Metode O
Human O
Centered O
Design O
Alfina O
Julianti O
( O
221910918 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
S.S.T O
, O
M.T. O
Ringkasan— O
Badan O
Pusat O
Statistik O
memiliki O
Learning O
Management O
System O
( O
LMS O
) O
bernama O
e-Learning O
BPS. O
E-Learning O
BPS O
merupakan O
LMS O
berbasis O
website O
yang O
ditujukan O
untuk O
menunjang O
terlaksananya O
kegiatan O
pelatihan O
sensus O
dan O
survei O
BPS O
maupun O
kegiatan O
operasional O
lainnya O
secara O
online. O
Berdasarkan O
wawancara O
bersama O
tim O
pengembang O
dari O
website O
e-Learning O
BPS O
, O
website O
ini O
belum O
pernah O
dilakukan O
evaluasi O
usability O
dan O
user O
experience O
dari O
perspektif O
pengguna. O
Maka O
dari O
itu O
, O
peneliti O
melakukan O
survei O
pendahuluan O
menggunakan O
metode O
TUXEL O
2.0 O
untuk O
mengetahui O
apakah O
website O
tersebut O
memiliki O
usability O
yang O
baik O
dan O
user O
experience O
yang O
positif O
, O
hasilnya O
website O
e-Learning O
BPS O
perlu O
dilakukan O
perancangan O
kembali O
interaksi O
yang O
mencakup O
User O
Interface O
( O
UI O
) O
dan O
User O
Experience O
( O
UX O
) O
. O
Perancangan O
kembali O
akan O
dilakukan O
dengan O
metode O
Human O
Centered O
Design. O
Hasil B-TEMUAN
akhir I-TEMUAN
dari I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
adalah I-TEMUAN
rancangan I-TEMUAN
desain I-TEMUAN
solusi I-TEMUAN
berupa I-TEMUAN
prototype I-TEMUAN
dalam I-TEMUAN
Moodle. I-TEMUAN
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
dapat O
disimpulkan O
bahwa O
penelitian B-TEMUAN
ini I-TEMUAN
berhasil I-TEMUAN
melakukan I-TEMUAN
perancangan I-TEMUAN
kembali I-TEMUAN
interaksi I-TEMUAN
website I-TEMUAN
e-Learning I-TEMUAN
BPS I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
Human I-TEMUAN
Centered I-TEMUAN
Design. I-TEMUAN
Hasil B-TEMUAN
evaluasi I-TEMUAN
desain I-TEMUAN
solusi I-TEMUAN
website I-TEMUAN
e- I-TEMUAN
Learning I-TEMUAN
BPS I-TEMUAN
menghasilkan I-TEMUAN
permasalahan I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
sedikit I-TEMUAN
dibandingkan I-TEMUAN
dengan I-TEMUAN
evaluasi I-TEMUAN
awal. I-TEMUAN
Kata O
Kunci— O
Website O
e-Learning O
BPS O
, O
Metode O
TUXEL O
2.0 O
, O
Human O
Centered O
Design. O
[SEP] O
telah O
dilakukan O
dapat O
Berdasarkan O
penelitian O
yang O
disimpulkan O
bahwa O
penelitian B-TEMUAN
ini I-TEMUAN
berhasil I-TEMUAN
melakukan I-TEMUAN
perancangan I-TEMUAN
kembali I-TEMUAN
interaksi I-TEMUAN
website I-TEMUAN
e-Learning I-TEMUAN
BPS I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
Human I-TEMUAN
Centered I-TEMUAN
Design. I-TEMUAN
Hasil I-TEMUAN
evaluasi I-TEMUAN
desain I-TEMUAN
solusi I-TEMUAN
website I-TEMUAN
e-Learning I-TEMUAN
BPS I-TEMUAN
menghasilkan I-TEMUAN
permasalahan I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
sedikit I-TEMUAN
dibandingkan I-TEMUAN
dengan I-TEMUAN
evaluasi I-TEMUAN
awal. I-TEMUAN
Seperti O
pada O
kuesioner O
tabel O
pelaporan O
masalah O
, O
evaluasi O
desain O
solusi O
menghasilkan O
15 O
permasalahan O
, O
sedangkan O
evaluasi O
awal O
menghasilkan O
24 O
permasalahan. O
Pada O
kuesioner O
General O
LMS O
Evaluation O
Checklist O
, O
evaluasi O
desain O
solusi O
menghasilkan O
12 O
permasalahan O
, O
sedangkan O
evaluasi O
awal O
menghasilkan O
19 O
permasalahan. O
Pada O
kuesioner O
UX O
Evaluation O
, O
evaluasi O
desain O
solusi O
tidak O
menghasilkan O
permasalahan O
, O
sedangkan O
evaluasi O
awal O
menghasilkan O
9 O
permasalahan. O
Hal O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
tersebut O
menunjukkan O
bahwa O
responden O
memiliki O
pengalaman O
yang O
lebih O
baik O
dalam O
menggunakan O
desain O
solusi O
yang O
dirancang. O
saran O
untuk O
penelitian O
Hasil O
akhir O
yang O
diperoleh O
dari O
penelitian O
ini O
yaitu O
rancangan O
desain O
solusi O
berupa O
prototype O
dalam O
Moodle. O
Sebagai O
selanjutnya O
, O
peneliti O
merekomendasikan O
untuk O
melakukan O
perbaikan O
pada O
rancangan O
desain O
solusi O
tersebut. O
Perbaikan O
ini O
bertujuan O
untuk O
memperbaiki O
masalah O
yang O
diidentifikasi O
oleh O
responden O
sehingga O
rancangan O
desain O
solusi O
dapat O
menjadi O
lebih O
baik O
lagi. O
Selain O
itu O
, O
peneliti O
juga O
menyarankan O
untuk O
membuat O
panduan O
desain O
antarmuka O
pengguna O
atau O
user O
interface O
design O
guidelines. O
Tujuan O
dari O
panduan O
tersebut O
adalah O
untuk O
menjaga O
konsistensi O
elemen O
yang O
ada O
pada O
website O
serta O
agar O
bisa O
menjadi O
rujukan O
perancangan O
antarmuka O
website O
e-Learning O
BPS. O

Perancangan O
Kembali O
Interaksi O
Website O
e-Learning O
BPS O
dengan O
Metode O
Human O
Centered O
Design O
Alfina O
Julianti O
( O
221910918 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
S.S.T O
, O
M.T. O
Ringkasan— O
Badan O
Pusat O
Statistik O
memiliki O
Learning O
Management O
System O
( O
LMS O
) O
bernama O
e-Learning O
BPS. O
E-Learning O
BPS O
merupakan O
LMS O
berbasis O
website O
yang O
ditujukan O
untuk O
menunjang O
terlaksananya O
kegiatan O
pelatihan O
sensus O
dan O
survei O
BPS O
maupun O
kegiatan O
operasional O
lainnya O
secara O
online. O
Berdasarkan O
wawancara O
bersama O
tim O
pengembang O
dari O
website O
e-Learning O
BPS O
, O
website O
ini O
belum O
pernah O
dilakukan O
evaluasi O
usability O
dan O
user O
experience O
dari O
perspektif O
pengguna. O
Maka O
dari O
itu O
, O
peneliti O
melakukan O
survei O
pendahuluan O
menggunakan O
metode O
TUXEL O
2.0 O
untuk O
mengetahui O
apakah O
website O
tersebut O
memiliki O
usability O
yang O
baik O
dan O
user O
experience O
yang O
positif O
, O
hasilnya O
website O
e-Learning O
BPS O
perlu O
dilakukan O
perancangan O
kembali O
interaksi O
yang O
mencakup O
User O
Interface O
( O
UI O
) O
dan O
User O
Experience O
( O
UX O
) O
. O
Perancangan O
kembali O
akan O
dilakukan O
dengan O
metode O
Human O
Centered O
Design. O
Hasil B-TEMUAN
akhir I-TEMUAN
dari I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
adalah I-TEMUAN
rancangan I-TEMUAN
desain I-TEMUAN
solusi I-TEMUAN
berupa I-TEMUAN
prototype I-TEMUAN
dalam I-TEMUAN
Moodle. I-TEMUAN
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
dapat O
disimpulkan O
bahwa O
penelitian B-TEMUAN
ini I-TEMUAN
berhasil I-TEMUAN
melakukan I-TEMUAN
perancangan I-TEMUAN
kembali I-TEMUAN
interaksi I-TEMUAN
website I-TEMUAN
e-Learning I-TEMUAN
BPS I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
Human I-TEMUAN
Centered I-TEMUAN
Design. I-TEMUAN
Hasil B-TEMUAN
evaluasi I-TEMUAN
desain I-TEMUAN
solusi I-TEMUAN
website I-TEMUAN
e- I-TEMUAN
Learning I-TEMUAN
BPS I-TEMUAN
menghasilkan I-TEMUAN
permasalahan I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
sedikit I-TEMUAN
dibandingkan I-TEMUAN
dengan I-TEMUAN
evaluasi I-TEMUAN
awal. I-TEMUAN
Kata O
Kunci— O
Website O
e-Learning O
BPS O
, O
Metode O
TUXEL O
2.0 O
, O
Human O
Centered O
Design. O
[SEP] O
telah O
dilakukan O
dapat O
Berdasarkan O
penelitian O
yang O
disimpulkan O
bahwa O
penelitian B-TEMUAN
ini I-TEMUAN
berhasil I-TEMUAN
melakukan I-TEMUAN
perancangan I-TEMUAN
kembali I-TEMUAN
interaksi I-TEMUAN
website I-TEMUAN
e-Learning I-TEMUAN
BPS I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
Human I-TEMUAN
Centered I-TEMUAN
Design. I-TEMUAN
Hasil I-TEMUAN
evaluasi I-TEMUAN
desain I-TEMUAN
solusi I-TEMUAN
website I-TEMUAN
e-Learning I-TEMUAN
BPS I-TEMUAN
menghasilkan I-TEMUAN
permasalahan I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
sedikit I-TEMUAN
dibandingkan I-TEMUAN
dengan I-TEMUAN
evaluasi I-TEMUAN
awal. I-TEMUAN
Seperti O
pada O
kuesioner O
tabel O
pelaporan O
masalah O
, O
evaluasi O
desain O
solusi O
menghasilkan O
15 O
permasalahan O
, O
sedangkan O
evaluasi O
awal O
menghasilkan O
24 O
permasalahan. O
Pada O
kuesioner O
General O
LMS O
Evaluation O
Checklist O
, O
evaluasi O
desain O
solusi O
menghasilkan O
12 O
permasalahan O
, O
sedangkan O
evaluasi O
awal O
menghasilkan O
19 O
permasalahan. O
Pada O
kuesioner O
UX O
Evaluation O
, O
evaluasi O
desain O
solusi O
tidak O
menghasilkan O
permasalahan O
, O
sedangkan O
evaluasi O
awal O
menghasilkan O
9 O
permasalahan. O
Hal O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
tersebut O
menunjukkan O
bahwa O
responden O
memiliki O
pengalaman O
yang O
lebih O
baik O
dalam O
menggunakan O
desain O
solusi O
yang O
dirancang. O
saran O
untuk O
penelitian O
Hasil O
akhir O
yang O
diperoleh O
dari O
penelitian O
ini O
yaitu O
rancangan O
desain O
solusi O
berupa O
prototype O
dalam O
Moodle. O
Sebagai O
selanjutnya O
, O
peneliti O
merekomendasikan O
untuk O
melakukan O
perbaikan O
pada O
rancangan O
desain O
solusi O
tersebut. O
Perbaikan O
ini O
bertujuan O
untuk O
memperbaiki O
masalah O
yang O
diidentifikasi O
oleh O
responden O
sehingga O
rancangan O
desain O
solusi O
dapat O
menjadi O
lebih O
baik O
lagi. O
Selain O
itu O
, O
peneliti O
juga O
menyarankan O
untuk O
membuat O
panduan O
desain O
antarmuka O
pengguna O
atau O
user O
interface O
design O
guidelines. O
Tujuan O
dari O
panduan O
tersebut O
adalah O
untuk O
menjaga O
konsistensi O
elemen O
yang O
ada O
pada O
website O
serta O
agar O
bisa O
menjadi O
rujukan O
perancangan O
antarmuka O
website O
e-Learning O
BPS. O

Pemetaan O
Kerentanan O
Banjir O
dengan O
Analisis O
Keputusan O
Multi O
Kriteria O
Menggunakan O
Data O
Geospasial O
Citra O
Satelit O
Studi O
Kasus O
: O
Provinsi O
Jawa O
Timur O
Windy O
Rahmatul O
Azizah O
( O
221910914 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
Ringkasan—Jawa O
Timur O
merupakan O
provinsi O
dengan O
faktor O
kejadian O
bencana O
alam O
yang O
didominasi O
oleh O
hidrometeorologi O
mencapai O
53,85 O
% O
karena O
kondisi O
geografis O
yang O
terdapat O
dua O
sungai O
besar O
dan O
rawan O
banjir O
yaitu O
Sungai O
Brantas O
dan O
Sungai O
Bengawan O
Solo. O
Dalam O
menganalisis O
kerentanan O
bencana O
khususnya O
bencana O
banjir O
, O
Badan O
Nasional O
Penanggulangan O
Bencana O
( O
BNPB O
) O
memanfaatkan O
sumber O
informasi O
seperti O
provinsi O
/ O
kabupaten O
dalam O
angka O
dan O
Survei O
Potensi O
Desa O
( O
PODES O
) O
yang O
dikumpulkan O
dengan O
metode O
konvensional O
melalui O
survei O
dan O
terdapat O
jeda O
ini O
bertujuan O
untuk O
penerbitan O
publikasi. O
Penelitian O
membangun B-TUJUAN
peta I-TUJUAN
estimasi I-TUJUAN
indeks I-TUJUAN
kerentanan I-TUJUAN
banjir I-TUJUAN
di I-TUJUAN
Jawa I-TUJUAN
Timur I-TUJUAN
pada I-TUJUAN
level I-TUJUAN
grid I-TUJUAN
1,5 I-TUJUAN
km I-TUJUAN
dengan I-TUJUAN
data I-TUJUAN
geospasial I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
untuk I-TUJUAN
menghasilkan I-TUJUAN
data I-TUJUAN
yang I-TUJUAN
granular I-TUJUAN
dan I-TUJUAN
up I-TUJUAN
to I-TUJUAN
date I-TUJUAN
menggunakan I-TUJUAN
Analytical I-TUJUAN
Hierarchy I-TUJUAN
Process I-TUJUAN
( I-TUJUAN
AHP I-TUJUAN
) I-TUJUAN
. O
AHP O
merupakan O
metode O
terstruktur O
untuk O
menganalisis O
masalah O
dengan O
menentukan O
bobot O
setiap O
indikator. O
Pada O
tahap O
akhir O
metode O
AHP O
perlu O
dihitung O
nilai O
rasio O
konsistensi O
( O
CR O
) O
untuk O
memvalidasi O
bahwa O
bobot O
antar O
indikator O
konsisten. O
Hasil O
penelitian O
menunjukkan O
bahwa O
indeks O
kerentanan O
banjir O
dengan O
metode O
AHP O
layak O
digunakan O
karena O
nilai O
CR O
-0,848 O
( O
CR O
< O
= O
0,1 O
) O
. O
Selain O
itu O
, O
peta O
estimasi O
indeks O
kerentanan O
banjir O
di O
Jawa O
Timur O
pada O
level O
grid O
1,5 O
km O
telah O
mampu O
mengklasifikasikan O
wilayah O
dalam O
kelas O
kerentanan O
banjir O
sangat O
rendah O
, O
rendah O
, O
sedang O
, O
tinggi O
, O
dan O
sangat O
tinggi. O
Kata O
Kunci— O
AHP O
, O
banjir O
, O
citra O
satelit O
, O
hidrometeorologi O
, O
kerentanan. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
disimpulkan O
bahwa O
indikator O
yang O
berasal O
dari O
data O
citra O
satelit O
seperti O
BUI O
, O
NDVI O
, O
NDWI O
, O
SAVI O
, O
NDBI O
, O
kemiringan O
, O
dan O
elevation O
telah O
mampu O
digunakan O
untuk O
membangun O
peta O
estimasi O
kerentanan O
banjir. O
Pada O
tahap O
pembangunan O
indeks O
diperoleh O
nilai O
CR O
-0,8478 O
yang O
kurang O
dari O
sama O
dengan O
0,1. O
Dengan O
demikian O
bobot O
tiap O
indikator O
dapat O
digunakan O
dalam O
perhitungan O
indeks O
kerentanan O
banjir. O
Peta B-TEMUAN
estimasi I-TEMUAN
indeks I-TEMUAN
kerentanan I-TEMUAN
banjir I-TEMUAN
ini I-TEMUAN
telah I-TEMUAN
mampu I-TEMUAN
mengklasifikasikan I-TEMUAN
kerentanan I-TEMUAN
banjir I-TEMUAN
di I-TEMUAN
Provinsi I-TEMUAN
Jawa I-TEMUAN
Timur I-TEMUAN
pada I-TEMUAN
level I-TEMUAN
grid I-TEMUAN
1,5 I-TEMUAN
km I-TEMUAN
dengan I-TEMUAN
klasifikasi I-TEMUAN
kerentanan I-TEMUAN
sangat I-TEMUAN
rendah I-TEMUAN
, I-TEMUAN
rendah I-TEMUAN
, I-TEMUAN
sedang I-TEMUAN
, I-TEMUAN
tinggi I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
kerentanan I-TEMUAN
sangat I-TEMUAN
tinggi. I-TEMUAN
Saran O
yang O
dapat O
diberikan O
bagi O
pemerintah O
untuk O
memperhatikan O
daerah O
dengan O
risiko O
banjir O
tinggi O
dan O
mengimplementasikan O
kebijakan O
yang O
sesuai O
guna O
mengurangi O
risiko O
banjir O
serta O
menerapkan O
upaya O
mitigasi O
yang O
efektif. O
Penelitian O
selanjutnya O
disarankan O
untuk O
lain O
yang O
belum O
mengeksplorasi O
data O
citra O
satelit O
dimanfaatkan O
dalam O
penelitian O
ini O
untuk O
membantu O
dalam O
pengembangan O
indeks O
kerentanan O
banjir O
yang O
lebih O
optimal. O

Pemetaan O
Kerentanan O
Banjir O
dengan O
Analisis O
Keputusan O
Multi O
Kriteria O
Menggunakan O
Data O
Geospasial O
Citra O
Satelit O
Studi O
Kasus O
: O
Provinsi O
Jawa O
Timur O
Windy O
Rahmatul O
Azizah O
( O
221910914 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
Ringkasan—Jawa O
Timur O
merupakan O
provinsi O
dengan O
faktor O
kejadian O
bencana O
alam O
yang O
didominasi O
oleh O
hidrometeorologi O
mencapai O
53,85 O
% O
karena O
kondisi O
geografis O
yang O
terdapat O
dua O
sungai O
besar O
dan O
rawan O
banjir O
yaitu O
Sungai O
Brantas O
dan O
Sungai O
Bengawan O
Solo. O
Dalam O
menganalisis O
kerentanan O
bencana O
khususnya O
bencana O
banjir O
, O
Badan O
Nasional O
Penanggulangan O
Bencana O
( O
BNPB O
) O
memanfaatkan O
sumber O
informasi O
seperti O
provinsi O
/ O
kabupaten O
dalam O
angka O
dan O
Survei O
Potensi O
Desa O
( O
PODES O
) O
yang O
dikumpulkan O
dengan O
metode O
konvensional O
melalui O
survei O
dan O
terdapat O
jeda O
ini O
bertujuan O
untuk O
penerbitan O
publikasi. O
Penelitian O
membangun B-TUJUAN
peta I-TUJUAN
estimasi I-TUJUAN
indeks I-TUJUAN
kerentanan I-TUJUAN
banjir I-TUJUAN
di I-TUJUAN
Jawa I-TUJUAN
Timur I-TUJUAN
pada I-TUJUAN
level I-TUJUAN
grid I-TUJUAN
1,5 I-TUJUAN
km I-TUJUAN
dengan I-TUJUAN
data I-TUJUAN
geospasial I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
untuk I-TUJUAN
menghasilkan I-TUJUAN
data I-TUJUAN
yang I-TUJUAN
granular I-TUJUAN
dan I-TUJUAN
up I-TUJUAN
to I-TUJUAN
date I-TUJUAN
menggunakan I-TUJUAN
Analytical I-TUJUAN
Hierarchy I-TUJUAN
Process I-TUJUAN
( I-TUJUAN
AHP I-TUJUAN
) I-TUJUAN
. O
AHP O
merupakan O
metode O
terstruktur O
untuk O
menganalisis O
masalah O
dengan O
menentukan O
bobot O
setiap O
indikator. O
Pada O
tahap O
akhir O
metode O
AHP O
perlu O
dihitung O
nilai O
rasio O
konsistensi O
( O
CR O
) O
untuk O
memvalidasi O
bahwa O
bobot O
antar O
indikator O
konsisten. O
Hasil O
penelitian O
menunjukkan O
bahwa O
indeks O
kerentanan O
banjir O
dengan O
metode O
AHP O
layak O
digunakan O
karena O
nilai O
CR O
-0,848 O
( O
CR O
< O
= O
0,1 O
) O
. O
Selain O
itu O
, O
peta O
estimasi O
indeks O
kerentanan O
banjir O
di O
Jawa O
Timur O
pada O
level O
grid O
1,5 O
km O
telah O
mampu O
mengklasifikasikan O
wilayah O
dalam O
kelas O
kerentanan O
banjir O
sangat O
rendah O
, O
rendah O
, O
sedang O
, O
tinggi O
, O
dan O
sangat O
tinggi. O
Kata O
Kunci— O
AHP O
, O
banjir O
, O
citra O
satelit O
, O
hidrometeorologi O
, O
kerentanan. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
disimpulkan O
bahwa O
indikator O
yang O
berasal O
dari O
data O
citra O
satelit O
seperti O
BUI O
, O
NDVI O
, O
NDWI O
, O
SAVI O
, O
NDBI O
, O
kemiringan O
, O
dan O
elevation O
telah O
mampu O
digunakan O
untuk O
membangun O
peta O
estimasi O
kerentanan O
banjir. O
Pada O
tahap O
pembangunan O
indeks O
diperoleh O
nilai O
CR O
-0,8478 O
yang O
kurang O
dari O
sama O
dengan O
0,1. O
Dengan O
demikian O
bobot O
tiap O
indikator O
dapat O
digunakan O
dalam O
perhitungan O
indeks O
kerentanan O
banjir. O
Peta B-TEMUAN
estimasi I-TEMUAN
indeks I-TEMUAN
kerentanan I-TEMUAN
banjir I-TEMUAN
ini I-TEMUAN
telah I-TEMUAN
mampu I-TEMUAN
mengklasifikasikan I-TEMUAN
kerentanan I-TEMUAN
banjir I-TEMUAN
di I-TEMUAN
Provinsi I-TEMUAN
Jawa I-TEMUAN
Timur I-TEMUAN
pada I-TEMUAN
level I-TEMUAN
grid I-TEMUAN
1,5 I-TEMUAN
km I-TEMUAN
dengan I-TEMUAN
klasifikasi I-TEMUAN
kerentanan I-TEMUAN
sangat I-TEMUAN
rendah I-TEMUAN
, I-TEMUAN
rendah I-TEMUAN
, I-TEMUAN
sedang I-TEMUAN
, I-TEMUAN
tinggi I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
kerentanan I-TEMUAN
sangat I-TEMUAN
tinggi. I-TEMUAN
Saran O
yang O
dapat O
diberikan O
bagi O
pemerintah O
untuk O
memperhatikan O
daerah O
dengan O
risiko O
banjir O
tinggi O
dan O
mengimplementasikan O
kebijakan O
yang O
sesuai O
guna O
mengurangi O
risiko O
banjir O
serta O
menerapkan O
upaya O
mitigasi O
yang O
efektif. O
Penelitian O
selanjutnya O
disarankan O
untuk O
lain O
yang O
belum O
mengeksplorasi O
data O
citra O
satelit O
dimanfaatkan O
dalam O
penelitian O
ini O
untuk O
membantu O
dalam O
pengembangan O
indeks O
kerentanan O
banjir O
yang O
lebih O
optimal. O

Pemetaan O
Kerentanan O
Banjir O
dengan O
Analisis O
Keputusan O
Multi O
Kriteria O
Menggunakan O
Data O
Geospasial O
Citra O
Satelit O
Studi O
Kasus O
: O
Provinsi O
Jawa O
Timur O
Windy O
Rahmatul O
Azizah O
( O
221910914 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
Ringkasan—Jawa O
Timur O
merupakan O
provinsi O
dengan O
faktor O
kejadian O
bencana O
alam O
yang O
didominasi O
oleh O
hidrometeorologi O
mencapai O
53,85 O
% O
karena O
kondisi O
geografis O
yang O
terdapat O
dua O
sungai O
besar O
dan O
rawan O
banjir O
yaitu O
Sungai O
Brantas O
dan O
Sungai O
Bengawan O
Solo. O
Dalam O
menganalisis O
kerentanan O
bencana O
khususnya O
bencana O
banjir O
, O
Badan O
Nasional O
Penanggulangan O
Bencana O
( O
BNPB O
) O
memanfaatkan O
sumber O
informasi O
seperti O
provinsi O
/ O
kabupaten O
dalam O
angka O
dan O
Survei O
Potensi O
Desa O
( O
PODES O
) O
yang O
dikumpulkan O
dengan O
metode O
konvensional O
melalui O
survei O
dan O
terdapat O
jeda O
ini O
bertujuan O
untuk O
penerbitan O
publikasi. O
Penelitian O
membangun B-TUJUAN
peta I-TUJUAN
estimasi I-TUJUAN
indeks I-TUJUAN
kerentanan I-TUJUAN
banjir I-TUJUAN
di I-TUJUAN
Jawa I-TUJUAN
Timur I-TUJUAN
pada I-TUJUAN
level I-TUJUAN
grid I-TUJUAN
1,5 I-TUJUAN
km I-TUJUAN
dengan I-TUJUAN
data I-TUJUAN
geospasial I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
untuk I-TUJUAN
menghasilkan I-TUJUAN
data I-TUJUAN
yang I-TUJUAN
granular I-TUJUAN
dan I-TUJUAN
up I-TUJUAN
to I-TUJUAN
date I-TUJUAN
menggunakan I-TUJUAN
Analytical I-TUJUAN
Hierarchy I-TUJUAN
Process I-TUJUAN
( I-TUJUAN
AHP I-TUJUAN
) I-TUJUAN
. O
AHP O
merupakan O
metode O
terstruktur O
untuk O
menganalisis O
masalah O
dengan O
menentukan O
bobot O
setiap O
indikator. O
Pada O
tahap O
akhir O
metode O
AHP O
perlu O
dihitung O
nilai O
rasio O
konsistensi O
( O
CR O
) O
untuk O
memvalidasi O
bahwa O
bobot O
antar O
indikator O
konsisten. O
Hasil O
penelitian O
menunjukkan O
bahwa O
indeks O
kerentanan O
banjir O
dengan O
metode O
AHP O
layak O
digunakan O
karena O
nilai O
CR O
-0,848 O
( O
CR O
< O
= O
0,1 O
) O
. O
Selain O
itu O
, O
peta O
estimasi O
indeks O
kerentanan O
banjir O
di O
Jawa O
Timur O
pada O
level O
grid O
1,5 O
km O
telah O
mampu O
mengklasifikasikan O
wilayah O
dalam O
kelas O
kerentanan O
banjir O
sangat O
rendah O
, O
rendah O
, O
sedang O
, O
tinggi O
, O
dan O
sangat O
tinggi. O
Kata O
Kunci— O
AHP O
, O
banjir O
, O
citra O
satelit O
, O
hidrometeorologi O
, O
kerentanan. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
disimpulkan O
bahwa O
indikator O
yang O
berasal O
dari O
data O
citra O
satelit O
seperti O
BUI O
, O
NDVI O
, O
NDWI O
, O
SAVI O
, O
NDBI O
, O
kemiringan O
, O
dan O
elevation O
telah O
mampu O
digunakan O
untuk O
membangun O
peta O
estimasi O
kerentanan O
banjir. O
Pada O
tahap O
pembangunan O
indeks O
diperoleh O
nilai O
CR O
-0,8478 O
yang O
kurang O
dari O
sama O
dengan O
0,1. O
Dengan O
demikian O
bobot O
tiap O
indikator O
dapat O
digunakan O
dalam O
perhitungan O
indeks O
kerentanan O
banjir. O
Peta B-TEMUAN
estimasi I-TEMUAN
indeks I-TEMUAN
kerentanan I-TEMUAN
banjir I-TEMUAN
ini I-TEMUAN
telah I-TEMUAN
mampu I-TEMUAN
mengklasifikasikan I-TEMUAN
kerentanan I-TEMUAN
banjir I-TEMUAN
di I-TEMUAN
Provinsi I-TEMUAN
Jawa I-TEMUAN
Timur I-TEMUAN
pada I-TEMUAN
level I-TEMUAN
grid I-TEMUAN
1,5 I-TEMUAN
km I-TEMUAN
dengan I-TEMUAN
klasifikasi I-TEMUAN
kerentanan I-TEMUAN
sangat I-TEMUAN
rendah I-TEMUAN
, I-TEMUAN
rendah I-TEMUAN
, I-TEMUAN
sedang I-TEMUAN
, I-TEMUAN
tinggi I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
kerentanan I-TEMUAN
sangat I-TEMUAN
tinggi. I-TEMUAN
Saran O
yang O
dapat O
diberikan O
bagi O
pemerintah O
untuk O
memperhatikan O
daerah O
dengan O
risiko O
banjir O
tinggi O
dan O
mengimplementasikan O
kebijakan O
yang O
sesuai O
guna O
mengurangi O
risiko O
banjir O
serta O
menerapkan O
upaya O
mitigasi O
yang O
efektif. O
Penelitian O
selanjutnya O
disarankan O
untuk O
lain O
yang O
belum O
mengeksplorasi O
data O
citra O
satelit O
dimanfaatkan O
dalam O
penelitian O
ini O
untuk O
membantu O
dalam O
pengembangan O
indeks O
kerentanan O
banjir O
yang O
lebih O
optimal. O

Pemetaan O
Luas O
Wilayah O
Tambang O
Batu O
Bara O
Menggunakan O
Machine O
Learning O
pada O
Citra O
Satelit O
Studi O
Kasus O
Kutai O
Timur O
, O
Kalimantan O
Timur O
M. O
Robith O
Hasymi O
Ananda O
( O
221910912 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
, O
SST O
, O
MT O
informasi O
mengenai O
Ringkasan— O
Batu O
bara O
merupakan O
salah O
satu O
sumber O
daya O
alam O
yang O
berpengaruh O
besar O
bagi O
manusia. O
Sebagai O
salah O
satu O
negara O
dengan O
produksi O
batu O
bara O
terbesar O
, O
Indonesia O
mengekspor O
sebagian O
besar O
batu O
baranya O
ke O
negara O
lain. O
Publikasi O
terkait O
pertambangan O
batu O
bara O
di O
Indonesia O
masih O
terbatas O
dengan O
mengandalkan O
survei O
yang O
memerlukan O
waktu O
, O
biaya O
, O
tenaga O
yang O
cukup O
tinggi O
, O
dan O
terdapat O
kemungkinan O
bias O
oleh O
jawaban O
responden. O
Selain O
itu O
, O
dalam O
publikasi O
resmi O
tersebut O
tidak O
terdapat O
luas O
wilayah O
tambang O
yang O
bisa O
digunakan O
untuk O
memantau O
pemanfaatan O
wilayah O
oleh O
perusahaan. O
Oleh O
karena O
itu O
diperlukan O
suatu O
metode O
pengumpulan O
data O
yang O
cepat O
, O
murah O
, O
dan O
akurat. O
Remote B-METODE
sensing I-METODE
merupakan O
suatu O
metode O
alternatif O
yang O
efektif O
baik O
dari O
segi O
waktu O
maupun O
biaya. O
Untuk O
itu O
, O
penelitian O
ini O
mengombinasikan B-TUJUAN
data I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
dan I-TUJUAN
metode I-TUJUAN
machine I-TUJUAN
learning I-TUJUAN
untuk I-TUJUAN
menghasilkan I-TUJUAN
klasifikasi I-TUJUAN
yang I-TUJUAN
akurat I-TUJUAN
untuk I-TUJUAN
pemetaan I-TUJUAN
luas I-TUJUAN
wilayah I-TUJUAN
tambang I-TUJUAN
batu I-TUJUAN
bara. I-TUJUAN
Berdasarkan O
hasil O
dari O
analisis O
deskriptif O
, O
indeks O
komposit O
yang O
diperoleh O
dari O
citra O
satelit O
cukup O
representatif O
untuk O
menunjukkan O
wilayah O
yang O
terdapat O
batu O
bara O
di O
dalamnya. O
Indeks O
komposit O
tersebut O
digunakan O
sebagai O
indikator O
pada O
proses O
pemodelan O
menggunakan O
machine O
learning. O
Dari O
beberapa O
algoritma O
yang O
diuji O
, O
random B-TEMUAN
forest I-TEMUAN
merupakan I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
dan I-TEMUAN
menghasilkan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
98.20 I-TEMUAN
% I-TEMUAN
. O
Kata O
Kunci— O
Batu O
bara O
, O
luas O
wilayah O
, O
citra O
satelit O
, O
machine O
learning. O
[SEP] O
A. O
Kesimpulan O
Dari O
penelitian O
tersebut O
dapat O
diperoleh O
bahwa O
area O
tambang O
batu O
bara O
dapat O
dideteksi O
melalui O
indeks O
komposit O
dari O
data O
citra O
satelit. O
Indeks O
yang O
digunakan O
antara O
lain O
untuk O
mendeteksi O
tutupan O
vegetasi O
, O
kepadatan O
bangunan O
, O
kondisi O
tanah O
, O
air O
, O
dan O
batu O
bara O
itu O
sendiri. O
Melalui O
penghitungan O
nilai O
pps O
didapatkan O
bahwa O
nilai O
tengah O
merupakan O
statistik O
yang O
terbaik O
guna O
pemodelan O
machine O
learning. O
Dengan O
melakukan O
prosedur O
grid O
search O
didapatkan O
parameter O
algoritma O
terbaik O
untuk O
masing-masing O
klasifikasi O
dan O
didapatkan O
pula O
random O
forest O
sebagai O
algoritma O
yang O
memiliki O
nilai O
evaluasi O
tertinggi O
dibanding O
metode O
lainnya. O
Nilai B-TEMUAN
evaluasi I-TEMUAN
yang I-TEMUAN
didapatkan I-TEMUAN
oleh I-TEMUAN
algoritma I-TEMUAN
random I-TEMUAN
forest I-TEMUAN
adalah I-TEMUAN
sebagai I-TEMUAN
berikut I-TEMUAN
, I-TEMUAN
nilai I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
98.20 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
presisi I-TEMUAN
sebesar I-TEMUAN
98.22 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
recall I-TEMUAN
sebesar I-TEMUAN
98.20 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
F1 I-TEMUAN
sebesar I-TEMUAN
98.15 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Pemetaan O
dapat O
dilakukan O
dengan O
menggunakan O
peta O
klasifikasi O
yang O
menunjukkan O
7 O
kelas O
tutupan O
lahan O
di O
Kutai O
Timur O
, O
Kalimantan O
Timur O
antara O
lain O
area O
tambang O
tambang O
batu O
bara O
( O
coal O
mine O
area O
) O
, O
hutan O
( O
forest O
) O
, O
lahan O
kosong O
non-vegetatif O
( O
bare O
soil O
) O
, O
awan O
( O
cloud O
) O
, O
bayangan O
awan O
( O
cloud O
shadow O
) O
, O
lahan O
terbangun O
( O
built-up O
area O
) O
, O
badan O
air O
/ O
perairan O
( O
water O
) O
. O
Dari O
hasil O
klasifikasi O
diperoleh O
bahwa O
luas O
tambang O
batu O
bara O
di O
Kutai O
Timur O
sebesar O
42.400 O
Hektare. O
Modifikasi O
indeks O
normalized O
difference O
coal O
index O
dengan O
menggunakan O
multi-temporal O
remote O
sensing O
bertujuan O
untuk O
mengatasi O
anomali O
yang O
terjadi O
pada O
mono-temporal O
remote O
sensing. O
B. O
Saran O
Berdasarkan O
penelitian O
ini O
, O
diharapkan O
penelitian O
selanjutnya O
dapat O
menambahkan O
indeks O
komposit O
lainnya O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
remotely O
sensed O
data. O
Journal O
of O
Applied O
Remote O
Sensing O
8 O
, O
no. O
1 O
, O
083631-083631 O
, O
2014. O
[ O
18 O
] O
V. O
Maus O
, O
D. O
M. O
da O
Silva O
, O
J. O
Gutschlhofer O
, O
R. O
da O
Rosa O
, O
S. O
Giljum O
, O
S. O
L. O
B. O
Gass O
, O
S. O
Luckeneder O
, O
M. O
Lieber O
, O
I. O
McCallum O
, O
Global-scale O
mining O
polygons O
( O
Version O
2 O
) O
. O
PANGAEA O
, O
2022. O
[ O
19 O
] O
B. O
Fatiha O
, O
A. O
Abdelkader O
, O
H. O
Latifa O
, O
E. O
Mohamed O
, O
Spatio O
temporal O
analysis O
of O
vegetation O
by O
vegetation O
indices O
from O
multi-dates O
satellite O
images O
: O
Application O
to O
a O
semi O
arid O
area O
in O
ALGERIA. O
Energy O
Procedia O
, O
36 O
, O
667-675. O
2013. O
[ O
20 O
] O
X. O
Zeng O
, O
Z. O
Liu O
, O
C. O
He O
, O
Q. O
Ma O
, O
& O
J. O
Wu O
, O
Detecting O
surface O
coal O
mining O
areas O
from O
remote O
sensing O
imagery O
: O
An O
approach O
based O
on O
object-oriented O
decision O
trees. O
Journal O
of O
Applied O
Remote O
Sensing O
, O
11 O
( O
1 O
) O
, O
015025- O
015025 O
, O
2017. O
[ O
21 O
] O
S. O
Diek O
, O
F. O
Fornallaz O
, O
M. O
E. O
Schaepman O
, O
& O
R. O
de O
Jong O
, O
Barest O
Pixel O
Composite O
for O
Agricultural O
Areas O
Using O
Landsat O
Time O
Series O
, O
Remote O
Sensing O
, O
9 O
( O
12 O
) O
, O
1245 O
, O
1 O
Des O
2017. O
[ O
22 O
] O
L. O
H. O
Trinh O
, O
V. O
N. O
Nguyen O
, O
Mapping O
coal O
fires O
using O
normalized O
difference O
coal O
fire O
index O
( O
NDCFI O
) O
: O
case O
study O
at O
Khanh O
Hoa O
coal O
mine O
, O
Vietnam. O
Mining O
Science O
and O
Technology O
( O
Russia O
) O
, O
6 O
( O
4 O
) O
, O
233- O
240 O
, O
1 O
Des O
2021. O
guna O
pendeteksian O
tambang O
batu O
bara O
yang O
lebih O
akurat. O
Penggunaan O
citra O
satelit O
dengan O
resolusi O
yang O
lebih O
tinggi O
juga O
bisa O
dilakukan O
untuk O
menambah O
akurasi O
dari O
pendeteksian O
batu O
bara. O
Penelitian O
serupa O
juga O
bisa O
dicoba O
pada O
lokus O
lain O
yang O
memiliki O
karakteristik O
yang O
mungkin O
berbeda. O
bagi O

Pemetaan O
Luas O
Wilayah O
Tambang O
Batu O
Bara O
Menggunakan O
Machine O
Learning O
pada O
Citra O
Satelit O
Studi O
Kasus O
Kutai O
Timur O
, O
Kalimantan O
Timur O
M. O
Robith O
Hasymi O
Ananda O
( O
221910912 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
, O
SST O
, O
MT O
informasi O
mengenai O
Ringkasan— O
Batu O
bara O
merupakan O
salah O
satu O
sumber O
daya O
alam O
yang O
berpengaruh O
besar O
bagi O
manusia. O
Sebagai O
salah O
satu O
negara O
dengan O
produksi O
batu O
bara O
terbesar O
, O
Indonesia O
mengekspor O
sebagian O
besar O
batu O
baranya O
ke O
negara O
lain. O
Publikasi O
terkait O
pertambangan O
batu O
bara O
di O
Indonesia O
masih O
terbatas O
dengan O
mengandalkan O
survei O
yang O
memerlukan O
waktu O
, O
biaya O
, O
tenaga O
yang O
cukup O
tinggi O
, O
dan O
terdapat O
kemungkinan O
bias O
oleh O
jawaban O
responden. O
Selain O
itu O
, O
dalam O
publikasi O
resmi O
tersebut O
tidak O
terdapat O
luas O
wilayah O
tambang O
yang O
bisa O
digunakan O
untuk O
memantau O
pemanfaatan O
wilayah O
oleh O
perusahaan. O
Oleh O
karena O
itu O
diperlukan O
suatu O
metode O
pengumpulan O
data O
yang O
cepat O
, O
murah O
, O
dan O
akurat. O
Remote B-METODE
sensing I-METODE
merupakan O
suatu O
metode O
alternatif O
yang O
efektif O
baik O
dari O
segi O
waktu O
maupun O
biaya. O
Untuk O
itu O
, O
penelitian O
ini O
mengombinasikan B-TUJUAN
data I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
dan I-TUJUAN
metode I-TUJUAN
machine I-TUJUAN
learning I-TUJUAN
untuk I-TUJUAN
menghasilkan I-TUJUAN
klasifikasi I-TUJUAN
yang I-TUJUAN
akurat I-TUJUAN
untuk I-TUJUAN
pemetaan I-TUJUAN
luas I-TUJUAN
wilayah I-TUJUAN
tambang I-TUJUAN
batu I-TUJUAN
bara. I-TUJUAN
Berdasarkan O
hasil O
dari O
analisis O
deskriptif O
, O
indeks O
komposit O
yang O
diperoleh O
dari O
citra O
satelit O
cukup O
representatif O
untuk O
menunjukkan O
wilayah O
yang O
terdapat O
batu O
bara O
di O
dalamnya. O
Indeks O
komposit O
tersebut O
digunakan O
sebagai O
indikator O
pada O
proses O
pemodelan O
menggunakan O
machine O
learning. O
Dari O
beberapa O
algoritma O
yang O
diuji O
, O
random B-TEMUAN
forest I-TEMUAN
merupakan I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
dan I-TEMUAN
menghasilkan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
98.20 I-TEMUAN
% I-TEMUAN
. O
Kata O
Kunci— O
Batu O
bara O
, O
luas O
wilayah O
, O
citra O
satelit O
, O
machine O
learning. O
[SEP] O
A. O
Kesimpulan O
Dari O
penelitian O
tersebut O
dapat O
diperoleh O
bahwa O
area O
tambang O
batu O
bara O
dapat O
dideteksi O
melalui O
indeks O
komposit O
dari O
data O
citra O
satelit. O
Indeks O
yang O
digunakan O
antara O
lain O
untuk O
mendeteksi O
tutupan O
vegetasi O
, O
kepadatan O
bangunan O
, O
kondisi O
tanah O
, O
air O
, O
dan O
batu O
bara O
itu O
sendiri. O
Melalui O
penghitungan O
nilai O
pps O
didapatkan O
bahwa O
nilai O
tengah O
merupakan O
statistik O
yang O
terbaik O
guna O
pemodelan O
machine O
learning. O
Dengan O
melakukan O
prosedur O
grid O
search O
didapatkan O
parameter O
algoritma O
terbaik O
untuk O
masing-masing O
klasifikasi O
dan O
didapatkan O
pula O
random O
forest O
sebagai O
algoritma O
yang O
memiliki O
nilai O
evaluasi O
tertinggi O
dibanding O
metode O
lainnya. O
Nilai B-TEMUAN
evaluasi I-TEMUAN
yang I-TEMUAN
didapatkan I-TEMUAN
oleh I-TEMUAN
algoritma I-TEMUAN
random I-TEMUAN
forest I-TEMUAN
adalah I-TEMUAN
sebagai I-TEMUAN
berikut I-TEMUAN
, I-TEMUAN
nilai I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
98.20 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
presisi I-TEMUAN
sebesar I-TEMUAN
98.22 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
recall I-TEMUAN
sebesar I-TEMUAN
98.20 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
F1 I-TEMUAN
sebesar I-TEMUAN
98.15 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Pemetaan O
dapat O
dilakukan O
dengan O
menggunakan O
peta O
klasifikasi O
yang O
menunjukkan O
7 O
kelas O
tutupan O
lahan O
di O
Kutai O
Timur O
, O
Kalimantan O
Timur O
antara O
lain O
area O
tambang O
tambang O
batu O
bara O
( O
coal O
mine O
area O
) O
, O
hutan O
( O
forest O
) O
, O
lahan O
kosong O
non-vegetatif O
( O
bare O
soil O
) O
, O
awan O
( O
cloud O
) O
, O
bayangan O
awan O
( O
cloud O
shadow O
) O
, O
lahan O
terbangun O
( O
built-up O
area O
) O
, O
badan O
air O
/ O
perairan O
( O
water O
) O
. O
Dari O
hasil O
klasifikasi O
diperoleh O
bahwa O
luas O
tambang O
batu O
bara O
di O
Kutai O
Timur O
sebesar O
42.400 O
Hektare. O
Modifikasi O
indeks O
normalized O
difference O
coal O
index O
dengan O
menggunakan O
multi-temporal O
remote O
sensing O
bertujuan O
untuk O
mengatasi O
anomali O
yang O
terjadi O
pada O
mono-temporal O
remote O
sensing. O
B. O
Saran O
Berdasarkan O
penelitian O
ini O
, O
diharapkan O
penelitian O
selanjutnya O
dapat O
menambahkan O
indeks O
komposit O
lainnya O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
remotely O
sensed O
data. O
Journal O
of O
Applied O
Remote O
Sensing O
8 O
, O
no. O
1 O
, O
083631-083631 O
, O
2014. O
[ O
18 O
] O
V. O
Maus O
, O
D. O
M. O
da O
Silva O
, O
J. O
Gutschlhofer O
, O
R. O
da O
Rosa O
, O
S. O
Giljum O
, O
S. O
L. O
B. O
Gass O
, O
S. O
Luckeneder O
, O
M. O
Lieber O
, O
I. O
McCallum O
, O
Global-scale O
mining O
polygons O
( O
Version O
2 O
) O
. O
PANGAEA O
, O
2022. O
[ O
19 O
] O
B. O
Fatiha O
, O
A. O
Abdelkader O
, O
H. O
Latifa O
, O
E. O
Mohamed O
, O
Spatio O
temporal O
analysis O
of O
vegetation O
by O
vegetation O
indices O
from O
multi-dates O
satellite O
images O
: O
Application O
to O
a O
semi O
arid O
area O
in O
ALGERIA. O
Energy O
Procedia O
, O
36 O
, O
667-675. O
2013. O
[ O
20 O
] O
X. O
Zeng O
, O
Z. O
Liu O
, O
C. O
He O
, O
Q. O
Ma O
, O
& O
J. O
Wu O
, O
Detecting O
surface O
coal O
mining O
areas O
from O
remote O
sensing O
imagery O
: O
An O
approach O
based O
on O
object-oriented O
decision O
trees. O
Journal O
of O
Applied O
Remote O
Sensing O
, O
11 O
( O
1 O
) O
, O
015025- O
015025 O
, O
2017. O
[ O
21 O
] O
S. O
Diek O
, O
F. O
Fornallaz O
, O
M. O
E. O
Schaepman O
, O
& O
R. O
de O
Jong O
, O
Barest O
Pixel O
Composite O
for O
Agricultural O
Areas O
Using O
Landsat O
Time O
Series O
, O
Remote O
Sensing O
, O
9 O
( O
12 O
) O
, O
1245 O
, O
1 O
Des O
2017. O
[ O
22 O
] O
L. O
H. O
Trinh O
, O
V. O
N. O
Nguyen O
, O
Mapping O
coal O
fires O
using O
normalized O
difference O
coal O
fire O
index O
( O
NDCFI O
) O
: O
case O
study O
at O
Khanh O
Hoa O
coal O
mine O
, O
Vietnam. O
Mining O
Science O
and O
Technology O
( O
Russia O
) O
, O
6 O
( O
4 O
) O
, O
233- O
240 O
, O
1 O
Des O
2021. O
guna O
pendeteksian O
tambang O
batu O
bara O
yang O
lebih O
akurat. O
Penggunaan O
citra O
satelit O
dengan O
resolusi O
yang O
lebih O
tinggi O
juga O
bisa O
dilakukan O
untuk O
menambah O
akurasi O
dari O
pendeteksian O
batu O
bara. O
Penelitian O
serupa O
juga O
bisa O
dicoba O
pada O
lokus O
lain O
yang O
memiliki O
karakteristik O
yang O
mungkin O
berbeda. O
bagi O

Peningkatan O
Presisi O
Penduga O
Indikator O
Pengeluaran O
dengan O
Teknik O
Integrasi O
SBH O
dan O
Susenas O
Vania O
Tresa O
Ramanel O
( O
221910906 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Rani O
Nooraeni O
, O
SST O
, O
M.Stat. O
Ringkasan—Survei O
probabilitas O
telah O
memainkan O
peran O
dominan O
terutama O
dalam O
official O
statistics. O
Akan O
tetapi O
, O
penggunaan O
survei O
probabilitas O
menghadapi O
tantangan O
pada O
keterbatasan O
anggaran O
, O
keterbatasan O
ukuran O
sampel O
, O
meningkatnya O
beban O
respon O
, O
dan O
kurangnya O
informasi O
yang O
lebih O
rinci O
menyebabkan O
estimator O
yang O
dihasilkan O
kurang O
efisien. O
Pentingnya O
upaya O
peningkatan O
presisi O
hasil O
estimasi O
suatu O
survei O
melalui O
integrasi O
data. O
Penelitian O
ini O
bertujuan O
menghitung O
direct O
estimate O
SBH O
, O
memprediksi O
nilai O
pengeluaran O
kelompok O
konsumsi O
yang O
tidak O
diobservasi O
di O
Susenas O
2018 O
, O
mendapatkan O
hasil O
integrasi O
data O
survei O
, O
dan O
perbandingan O
hasil O
evaluasi O
integrasi O
data O
survei O
dengan O
direct O
estimate. O
Fokus O
penelitian O
ini O
penerapan O
teknik O
integrasi O
data O
SBH O
dan O
independen O
di O
DKI O
Jakarta O
Susenas O
pada O
sampel O
menggunakan O
metode O
K-Nearest O
Neighbour O
Regression O
dan O
Generelized O
Least O
Squares. O
Hasil O
penelitian O
bahwa O
RSE B-METODE
terkecil O
pada O
rata-rata O
pengeluaran O
bahan O
makanan O
dan O
RSE O
terbesar O
pada O
rata-rata O
pengeluaran O
sandang O
, O
semua O
variabel O
pengeluaran O
kelompok O
konsumsi O
memiliki O
R-squared B-METODE
kategori O
moderat O
, O
didapatkan O
estimator O
GLS O
hasil O
integrasi O
data O
bahwa O
rata-rata B-TEMUAN
pengeluaran I-TEMUAN
bahan I-TEMUAN
makanan I-TEMUAN
berpresisi I-TEMUAN
baik I-TEMUAN
memiliki I-TEMUAN
𝜇̂𝐺𝐿𝑆 I-TEMUAN
lebih I-TEMUAN
kecil I-TEMUAN
dari I-TEMUAN
estimator I-TEMUAN
lainnya I-TEMUAN
sebesar I-TEMUAN
106872.3 I-TEMUAN
dengan I-TEMUAN
pemodelan I-TEMUAN
∗ I-TEMUAN
= I-TEMUAN
0.8383425𝜇̂𝑥 I-TEMUAN
, I-TEMUAN
𝐴 I-TEMUAN
+ I-TEMUAN
0.161658𝜇̂𝑥 I-TEMUAN
, I-TEMUAN
𝐵 I-TEMUAN
, O
dan O
estimator O
hasil O
𝜇̂𝑥 O
estimasi O
lebih O
baik O
integrasi O
data O
memiliki O
presisi O
dibandingkan O
estimator O
hasil O
direct O
estimate. O
Kata O
Kunci— O
Integrasi O
data O
, O
Presisi O
, O
Penduga O
, O
Pengeluaran O
, O
SBH O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
maka O
dapat O
diambil O
kesimpulan O
sebagai O
berikut O
: B-TEMUAN
1. I-TEMUAN
Hasil I-TEMUAN
direct I-TEMUAN
estimate I-TEMUAN
menyatakan I-TEMUAN
bahwa I-TEMUAN
RSE I-TEMUAN
terkecil I-TEMUAN
terdapat I-TEMUAN
pada I-TEMUAN
rata-rata I-TEMUAN
pengeluaran I-TEMUAN
bahan I-TEMUAN
makanan I-TEMUAN
sebesar I-TEMUAN
2,63 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Sedangkan I-TEMUAN
, I-TEMUAN
RSE I-TEMUAN
terbesar I-TEMUAN
terdapat I-TEMUAN
pada I-TEMUAN
rata-rata I-TEMUAN
pengeluaran I-TEMUAN
sandang I-TEMUAN
sebesar I-TEMUAN
11,86 O
% O
. O
2. O
Prediksi O
nilai O
pengeluaran O
kelompok O
konsumsi O
yang O
tidak O
diobservasi O
di O
Susenas O
2018 O
dengan O
metode O
KNN O
Regression O
menyatakan O
semua O
variabel O
pengeluaran O
kelompok O
konsumsi O
memiliki O
R-squared O
dengan O
kategori O
moderat O
dengan O
nilai O
diantara O
0,33 O
sampai O
dengan O
0,67. O
rata-rata O
3. O
Didapatkan O
estimator O
GLS O
hasil O
integrasi O
data O
dari O
masing-masing O
pengeluaran O
kelompok O
konsumsi O
dengan O
bahan O
makanan O
pengeluaran O
berpresisi O
baik O
memiliki O
𝜇̂𝐺𝐿𝑆 O
lebih O
kecil O
dari O
estimator O
lainnya O
yaitu O
sebesar O
106872.3 O
pada O
pemodelan O
∗ O
= O
estimasi O
rata-rata O
pengeluaran O
bahan O
makanan O
𝜇̂𝑥 O
0.8383425𝜇̂𝑥 O
, O
𝐴 O
+ O
0.161658𝜇̂𝑥 O
, O
𝐵 O
4. O
Perbandingan O
hasil O
evaluasi O
integrasi O
data O
survei O
dengan O
direct O
estimate O
adalah O
estimator O
dari O
hasil O
estimasi O
integrasi O
data O
memiliki O
presisi O
lebih O
baik O
dibandingkan O
estimator O
dari O
hasil O
direct O
estimate. O
Pada O
perbedaan O
antara O
hasil O
estimasi O
integrasi O
data O
dan O
direct O
estimate O
secara O
umum O
relatif O
kecil O
untuk O
semua O
variabel O
pengeluaran O
kelompok O
konsumsi. O
Efek O
penggunaan O
integrasi O
data O
menyebkan O
penurunan O
pada O
RSE O
untuk O
seluruh O
pengeluaran O
kelompok O
konsumsi. O
olahraga O
Rata-rata O
pengeluaran O
transpor O
, O
komunikasi O
dan O
jasa O
keuangan O
Sumber O
: O
SBH O
dan O
Susenas O
2018 O
, O
diolah O
1019457 O
0.05231946 O
Berdasarkan O
Tabel O
VII O
, O
didapatkan O
estimator O
GLS O
hasil O
penggabungan O
estimasi O
dari O
dua O
survei O
( O
SBH O
dan O
Susenas O
) O
. O
Pada O
Tabel O
VII O
, O
terlihat O
rata-rata O
pengeluaran O
bahan O
makanan O
berpresisi O
baik O
memiliki O
𝜇̂𝐺𝐿𝑆 O
lebih O
kecil O
dari O
estimator O
lainnya O
yaitu O
sebesar O
106872.3 O
dengan O
RSE O
untuk O
rata-rata O
pengeluaran O
bahan O
makanan O
sebesar O
0.0208875. O
Berdasarkan O
Tabel O
VI O
dan O
Tabel O
VII O
, O
didapatkan O
model O
∗ O
= O
integrasi O
estimasi O
0.8383425𝜇̂𝑥 O
, O
𝐴 O
+ O
0.161658𝜇̂𝑥 O
, O
𝐵 O
dengan O
metode O
SBH O
dan O
Susenas. O
rata-rata O
pengeluaran O
bahan O
makanan O
𝜇̂𝑥 O
D. O
Perbandingan O
hasil O
estimasi O
integrasi O
data O
dan O
direct O
estimate O
Untuk O
menjawab O
tujuan O
empat O
dalam O
penelitian O
ini O
, O
maka O
akan O
dibandingkan O
estimator O
, O
standard O
error O
, O
relative O
standard O
error O
, O
dan O
confidence O
interval O
hasil O
penggabungan O
estimasi O
dari O
dua O
data O
survei O
( O
integrasi O
data O
) O
dan O
direct O
estimate. O
Ditunjukkan O
pada O
tabel O
dibawah O
ini. O
TABEL O
VIII O
PERBANDINGAN O
INTEGRASI O
DATA O
SURVEI O
DAN O
DIRECT O
ESTIMATE O
Estimasi O
Integrasi O
Data O
𝝁̂𝑮𝑳𝑺 O
𝑺𝑬 O
𝑹𝑺𝑬 O
Confidence O
Interval O
Upper O
Lower O
106872.3 O
2232.29 O
6 O
0.0208 O
875 O
102497 O
111247.6 O
155196.5 O
2989.49 O
4 O
0.0192 O
6263 O
149337.1 O
161055.9 O
3004368 O
199583. O
7 O
0.0664 O
3118 O
2613184 O
3395552 O
429449.2 O
49469.8 O
2 O
0.1151 O
937 O
332488.3 O
526410 O
405906.6 O
25917.5 O
3 O
0.0638 O
5097 O
355108.2 O
456705 O
592324.3 O
42682.8 O
7 O
0.0720 O
5997 O
508665.9 O
675982.7 O
1019457 O
53337.4 O
4 O
0.0523 O
1946 O
914915.7 O
1123998 O
Variabel O
Rata-rata O
pengeluaran O
bahan O
makanan O
Rata-rata O
pengeluaran O
makanan O
jadi O
, O
minuman O
, O
rokok O
dan O
tembakau O
Rata-rata O
pengeluaran O
perumahan O
, O
listrik O
, O
air O
dan O
bahan O
bakar O
Rata-rata O
pengeluaran O
sandang O
Rata-rata O
pengeluaran O
kesehatan O
Rata-rata O
pengeluaran O
pendidikan O
, O
rekreasi O
dan O
olahraga O
Rata-rata O
pengeluaran O
transport O
, O
komunikasi O
dan O
jasa O
keuangan O
Direct O
Estimate O
𝝁̂ O
𝑺𝑬 O
𝑹𝑺𝑬 O
109057.2 O
2833.6 O
0.0263 O
4976 O
Confidence O
Interval O
Lower O
101984 O
.1 O
Upper O
113091 O
.9 O
𝝁̂𝑮𝑳𝑺 O
𝝁̂ O
𝑹𝑺𝑬 O
( O
𝝁̂𝑮𝑳𝑺 O
) O
𝑹𝑺𝑬 O
( O
𝝁̂ O
) O
B. O
Saran O
0.9799 O
7 O
0.7927 O
02 O
Saran O
yang O
dapat O
diberikan O
penulis O
adalah O
menggali O
dan O
mengkaji O
lebih O
lanjut O
indikator O
lainnya O
dengan O
teknik O
8 O
/ O
9 O
Makalah O
Seminar O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
integrasi O
data. O
Untuk O
penelitian O
selanjutnya O
ialah O
perlu O
dieksplorasi O
lebih O
lanjut O
penggunaan O
lainnya O
metode O
K- O
Nearest O
Neighbor O
Regression O
dan O
Generelized O
Least O
Squares O
untuk O
mendapatkan O
presisi O
yang O
lebih O
baik. O

Peningkatan O
Presisi O
Penduga O
Indikator O
Pengeluaran O
dengan O
Teknik O
Integrasi O
SBH O
dan O
Susenas O
Vania O
Tresa O
Ramanel O
( O
221910906 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Rani O
Nooraeni O
, O
SST O
, O
M.Stat. O
Ringkasan—Survei O
probabilitas O
telah O
memainkan O
peran O
dominan O
terutama O
dalam O
official O
statistics. O
Akan O
tetapi O
, O
penggunaan O
survei O
probabilitas O
menghadapi O
tantangan O
pada O
keterbatasan O
anggaran O
, O
keterbatasan O
ukuran O
sampel O
, O
meningkatnya O
beban O
respon O
, O
dan O
kurangnya O
informasi O
yang O
lebih O
rinci O
menyebabkan O
estimator O
yang O
dihasilkan O
kurang O
efisien. O
Pentingnya O
upaya O
peningkatan O
presisi O
hasil O
estimasi O
suatu O
survei O
melalui O
integrasi O
data. O
Penelitian O
ini O
bertujuan O
menghitung O
direct O
estimate O
SBH O
, O
memprediksi O
nilai O
pengeluaran O
kelompok O
konsumsi O
yang O
tidak O
diobservasi O
di O
Susenas O
2018 O
, O
mendapatkan O
hasil O
integrasi O
data O
survei O
, O
dan O
perbandingan O
hasil O
evaluasi O
integrasi O
data O
survei O
dengan O
direct O
estimate. O
Fokus O
penelitian O
ini O
penerapan O
teknik O
integrasi O
data O
SBH O
dan O
independen O
di O
DKI O
Jakarta O
Susenas O
pada O
sampel O
menggunakan O
metode O
K-Nearest O
Neighbour O
Regression O
dan O
Generelized O
Least O
Squares. O
Hasil O
penelitian O
bahwa O
RSE B-METODE
terkecil O
pada O
rata-rata O
pengeluaran O
bahan O
makanan O
dan O
RSE O
terbesar O
pada O
rata-rata O
pengeluaran O
sandang O
, O
semua O
variabel O
pengeluaran O
kelompok O
konsumsi O
memiliki O
R-squared B-METODE
kategori O
moderat O
, O
didapatkan O
estimator O
GLS O
hasil O
integrasi O
data O
bahwa O
rata-rata B-TEMUAN
pengeluaran I-TEMUAN
bahan I-TEMUAN
makanan I-TEMUAN
berpresisi I-TEMUAN
baik I-TEMUAN
memiliki I-TEMUAN
𝜇̂𝐺𝐿𝑆 I-TEMUAN
lebih I-TEMUAN
kecil I-TEMUAN
dari I-TEMUAN
estimator I-TEMUAN
lainnya I-TEMUAN
sebesar I-TEMUAN
106872.3 I-TEMUAN
dengan I-TEMUAN
pemodelan I-TEMUAN
∗ I-TEMUAN
= I-TEMUAN
0.8383425𝜇̂𝑥 I-TEMUAN
, I-TEMUAN
𝐴 I-TEMUAN
+ I-TEMUAN
0.161658𝜇̂𝑥 I-TEMUAN
, I-TEMUAN
𝐵 I-TEMUAN
, O
dan O
estimator O
hasil O
𝜇̂𝑥 O
estimasi O
lebih O
baik O
integrasi O
data O
memiliki O
presisi O
dibandingkan O
estimator O
hasil O
direct O
estimate. O
Kata O
Kunci— O
Integrasi O
data O
, O
Presisi O
, O
Penduga O
, O
Pengeluaran O
, O
SBH O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
maka O
dapat O
diambil O
kesimpulan O
sebagai O
berikut O
: B-TEMUAN
1. I-TEMUAN
Hasil I-TEMUAN
direct I-TEMUAN
estimate I-TEMUAN
menyatakan I-TEMUAN
bahwa I-TEMUAN
RSE I-TEMUAN
terkecil I-TEMUAN
terdapat I-TEMUAN
pada I-TEMUAN
rata-rata I-TEMUAN
pengeluaran I-TEMUAN
bahan I-TEMUAN
makanan I-TEMUAN
sebesar I-TEMUAN
2,63 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Sedangkan I-TEMUAN
, I-TEMUAN
RSE I-TEMUAN
terbesar I-TEMUAN
terdapat I-TEMUAN
pada I-TEMUAN
rata-rata I-TEMUAN
pengeluaran I-TEMUAN
sandang I-TEMUAN
sebesar I-TEMUAN
11,86 O
% O
. O
2. O
Prediksi O
nilai O
pengeluaran O
kelompok O
konsumsi O
yang O
tidak O
diobservasi O
di O
Susenas O
2018 O
dengan O
metode O
KNN O
Regression O
menyatakan O
semua O
variabel O
pengeluaran O
kelompok O
konsumsi O
memiliki O
R-squared O
dengan O
kategori O
moderat O
dengan O
nilai O
diantara O
0,33 O
sampai O
dengan O
0,67. O
rata-rata O
3. O
Didapatkan O
estimator O
GLS O
hasil O
integrasi O
data O
dari O
masing-masing O
pengeluaran O
kelompok O
konsumsi O
dengan O
bahan O
makanan O
pengeluaran O
berpresisi O
baik O
memiliki O
𝜇̂𝐺𝐿𝑆 O
lebih O
kecil O
dari O
estimator O
lainnya O
yaitu O
sebesar O
106872.3 O
pada O
pemodelan O
∗ O
= O
estimasi O
rata-rata O
pengeluaran O
bahan O
makanan O
𝜇̂𝑥 O
0.8383425𝜇̂𝑥 O
, O
𝐴 O
+ O
0.161658𝜇̂𝑥 O
, O
𝐵 O
4. O
Perbandingan O
hasil O
evaluasi O
integrasi O
data O
survei O
dengan O
direct O
estimate O
adalah O
estimator O
dari O
hasil O
estimasi O
integrasi O
data O
memiliki O
presisi O
lebih O
baik O
dibandingkan O
estimator O
dari O
hasil O
direct O
estimate. O
Pada O
perbedaan O
antara O
hasil O
estimasi O
integrasi O
data O
dan O
direct O
estimate O
secara O
umum O
relatif O
kecil O
untuk O
semua O
variabel O
pengeluaran O
kelompok O
konsumsi. O
Efek O
penggunaan O
integrasi O
data O
menyebkan O
penurunan O
pada O
RSE O
untuk O
seluruh O
pengeluaran O
kelompok O
konsumsi. O
olahraga O
Rata-rata O
pengeluaran O
transpor O
, O
komunikasi O
dan O
jasa O
keuangan O
Sumber O
: O
SBH O
dan O
Susenas O
2018 O
, O
diolah O
1019457 O
0.05231946 O
Berdasarkan O
Tabel O
VII O
, O
didapatkan O
estimator O
GLS O
hasil O
penggabungan O
estimasi O
dari O
dua O
survei O
( O
SBH O
dan O
Susenas O
) O
. O
Pada O
Tabel O
VII O
, O
terlihat O
rata-rata O
pengeluaran O
bahan O
makanan O
berpresisi O
baik O
memiliki O
𝜇̂𝐺𝐿𝑆 O
lebih O
kecil O
dari O
estimator O
lainnya O
yaitu O
sebesar O
106872.3 O
dengan O
RSE O
untuk O
rata-rata O
pengeluaran O
bahan O
makanan O
sebesar O
0.0208875. O
Berdasarkan O
Tabel O
VI O
dan O
Tabel O
VII O
, O
didapatkan O
model O
∗ O
= O
integrasi O
estimasi O
0.8383425𝜇̂𝑥 O
, O
𝐴 O
+ O
0.161658𝜇̂𝑥 O
, O
𝐵 O
dengan O
metode O
SBH O
dan O
Susenas. O
rata-rata O
pengeluaran O
bahan O
makanan O
𝜇̂𝑥 O
D. O
Perbandingan O
hasil O
estimasi O
integrasi O
data O
dan O
direct O
estimate O
Untuk O
menjawab O
tujuan O
empat O
dalam O
penelitian O
ini O
, O
maka O
akan O
dibandingkan O
estimator O
, O
standard O
error O
, O
relative O
standard O
error O
, O
dan O
confidence O
interval O
hasil O
penggabungan O
estimasi O
dari O
dua O
data O
survei O
( O
integrasi O
data O
) O
dan O
direct O
estimate. O
Ditunjukkan O
pada O
tabel O
dibawah O
ini. O
TABEL O
VIII O
PERBANDINGAN O
INTEGRASI O
DATA O
SURVEI O
DAN O
DIRECT O
ESTIMATE O
Estimasi O
Integrasi O
Data O
𝝁̂𝑮𝑳𝑺 O
𝑺𝑬 O
𝑹𝑺𝑬 O
Confidence O
Interval O
Upper O
Lower O
106872.3 O
2232.29 O
6 O
0.0208 O
875 O
102497 O
111247.6 O
155196.5 O
2989.49 O
4 O
0.0192 O
6263 O
149337.1 O
161055.9 O
3004368 O
199583. O
7 O
0.0664 O
3118 O
2613184 O
3395552 O
429449.2 O
49469.8 O
2 O
0.1151 O
937 O
332488.3 O
526410 O
405906.6 O
25917.5 O
3 O
0.0638 O
5097 O
355108.2 O
456705 O
592324.3 O
42682.8 O
7 O
0.0720 O
5997 O
508665.9 O
675982.7 O
1019457 O
53337.4 O
4 O
0.0523 O
1946 O
914915.7 O
1123998 O
Variabel O
Rata-rata O
pengeluaran O
bahan O
makanan O
Rata-rata O
pengeluaran O
makanan O
jadi O
, O
minuman O
, O
rokok O
dan O
tembakau O
Rata-rata O
pengeluaran O
perumahan O
, O
listrik O
, O
air O
dan O
bahan O
bakar O
Rata-rata O
pengeluaran O
sandang O
Rata-rata O
pengeluaran O
kesehatan O
Rata-rata O
pengeluaran O
pendidikan O
, O
rekreasi O
dan O
olahraga O
Rata-rata O
pengeluaran O
transport O
, O
komunikasi O
dan O
jasa O
keuangan O
Direct O
Estimate O
𝝁̂ O
𝑺𝑬 O
𝑹𝑺𝑬 O
109057.2 O
2833.6 O
0.0263 O
4976 O
Confidence O
Interval O
Lower O
101984 O
.1 O
Upper O
113091 O
.9 O
𝝁̂𝑮𝑳𝑺 O
𝝁̂ O
𝑹𝑺𝑬 O
( O
𝝁̂𝑮𝑳𝑺 O
) O
𝑹𝑺𝑬 O
( O
𝝁̂ O
) O
B. O
Saran O
0.9799 O
7 O
0.7927 O
02 O
Saran O
yang O
dapat O
diberikan O
penulis O
adalah O
menggali O
dan O
mengkaji O
lebih O
lanjut O
indikator O
lainnya O
dengan O
teknik O
8 O
/ O
9 O
Makalah O
Seminar O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
integrasi O
data. O
Untuk O
penelitian O
selanjutnya O
ialah O
perlu O
dieksplorasi O
lebih O
lanjut O
penggunaan O
lainnya O
metode O
K- O
Nearest O
Neighbor O
Regression O
dan O
Generelized O
Least O
Squares O
untuk O
mendapatkan O
presisi O
yang O
lebih O
baik. O

Optimalisasi O
Portofolio O
Menggunakan O
Metode O
Mean-Variance O
dengan O
Pendekatan O
Prototype-based O
Segmentation O
Rumayani O
Nur O
Rohmatus O
Sa’diyah O
( O
221910903 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Rani O
Nooraeni O
, O
S.ST. O
, O
M.Stat. O
segmentasi O
saham O
dengan O
Ringkasan— O
Untuk O
membentuk O
sebuah O
portofolio O
saham O
, O
pemilihan O
saham O
menjadi O
hal O
yang O
penting O
bagi O
investor. O
Ketika O
data O
saham O
berjumlah O
besar O
, O
pemilihan O
saham O
menjadi O
sulit O
dilakukan. O
Keputusan O
pembobotan O
saham O
yang O
tidak O
tepat O
dalam O
sebuah O
portofolio O
, O
rentan O
membuat O
portofolio O
menjadi O
tidak O
optimal. O
Penelitian O
ini O
bertujuan O
untuk O
membentuk O
sebuah O
pemilihan O
saham O
dilakukan O
portofolio O
saham O
, O
dimana O
berdasarkan O
prototype-based O
segmentation O
, O
dan O
melakukan O
optimalisasi O
pada O
portofolio O
tersebut O
menggunakan O
metode O
Mean-Variance. O
Data O
yang O
digunakan O
meliputi O
return O
dan O
volume O
perdagangan O
saham O
aktif O
yang O
terdaftar O
di O
Bursa O
Efek O
Indonesia O
selama O
tahun O
2022 O
yang O
diperoleh O
dari O
Yahoo O
Finance. O
Pembentukan O
portofolio O
saham O
menghasilkan O
sebuah O
portofolio O
yang O
terdiri O
dari O
12 O
saham O
, O
dimana O
masing-masing O
saham O
merepresentasikan O
setiap O
irisan O
dari O
kombinasi O
hasil O
segmentasi O
pada O
data O
saham O
cross-sectional O
, O
histogram O
, O
dan O
time O
series. O
Optimalisasi O
pada O
portofolio O
tersebut O
menghasilkan O
pembobotan O
saham O
yang O
bersesuaian O
dengan O
nilai O
Sharpe O
ratio O
dan O
risk O
aversion. O
Saham O
dengan O
nilai O
Sharpe O
ratio O
tertinggi O
mendapatkan O
bobot O
terbesar O
dan O
tingkat O
risk O
aversion O
yang O
semakin O
besar O
memberikan O
bobot O
yang O
semakin O
kecil O
pada O
saham O
dengan O
bobot O
positif. O
Kata O
Kunci— O
Mean-Variance O
, O
Optimalisasi O
Portofolio O
, O
Prototype-based O
segmentation. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
dari O
penelitian O
yang O
telah O
dilakukan O
, O
kesimpulan O
yang O
diperoleh O
adalah O
sebagai O
berikut O
: O
1. O
Pembentukan B-TEMUAN
portofolio I-TEMUAN
saham I-TEMUAN
menghasilkan I-TEMUAN
sebuah I-TEMUAN
portofolio I-TEMUAN
yang I-TEMUAN
terdiri I-TEMUAN
dari I-TEMUAN
12 I-TEMUAN
saham I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
PNLF I-TEMUAN
, I-TEMUAN
BMRI I-TEMUAN
, I-TEMUAN
FAPA I-TEMUAN
, I-TEMUAN
AMRT I-TEMUAN
, I-TEMUAN
BOGA I-TEMUAN
, I-TEMUAN
SRAJ I-TEMUAN
, I-TEMUAN
BJBR I-TEMUAN
, I-TEMUAN
BNBR I-TEMUAN
, I-TEMUAN
CARE I-TEMUAN
, I-TEMUAN
CARS I-TEMUAN
, I-TEMUAN
BCAP I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
BRMS. I-TEMUAN
Saham-saham I-TEMUAN
tersebut I-TEMUAN
dipilih I-TEMUAN
karena I-TEMUAN
memiliki I-TEMUAN
nilai I-TEMUAN
Sharpe I-TEMUAN
ratio I-TEMUAN
tertinggi I-TEMUAN
pada I-TEMUAN
setiap I-TEMUAN
irisan I-TEMUAN
, I-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
dari I-TEMUAN
kombinasi I-TEMUAN
hasil I-TEMUAN
segmentasi I-TEMUAN
menggunakan I-TEMUAN
prototype-based I-TEMUAN
segmentation I-TEMUAN
pada I-TEMUAN
tiga I-TEMUAN
bentuk I-TEMUAN
data I-TEMUAN
saham I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
cross-sectional I-TEMUAN
, I-TEMUAN
histogram I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
time I-TEMUAN
series. I-TEMUAN
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
16 O
] O
A. O
Zaimovic O
, O
A. O
Omanovic O
, O
dan O
A. O
Arnaut-Berilo O
, O
“How O
many O
stocks O
are O
sufficient O
for O
equity O
portfolio O
diversification O
? O
A O
review O
of O
the O
literature O
, O
” O
J. O
Risk O
Financ. O
Manag. O
, O
vol. O
14 O
, O
no. O
11 O
, O
hal. O
551 O
, O
2021 O
, O
doi O
: O
10.3390 O
/ O
jrfm14110551. O
[ O
17 O
] O
T. O
A. O
Setyo O
, O
A. O
Asianto O
, O
dan O
A. O
Kurniasih O
, O
“Construction O
of O
optimal O
portfolio O
Jakarta O
islamic O
stocks O
using O
single O
index O
model O
to O
stocks O
investment O
decision O
making O
, O
” O
DIJBM O
Dinasti O
Int. O
J. O
Digit. O
Bus. O
Manag. O
, O
vol. O
2 O
, O
no. O
1 O
, O
hal. O
167–181 O
, O
2020 O
, O
doi O
: O
10.31933 O
/ O
dijdbm.v2i1.644. O
[ O
18 O
] O
H. O
Markowitz O
, O
“Portfolio O
selection O
, O
” O
J. O
Finance O
, O
vol. O
7 O
, O
no. O
1 O
, O
hal. O
77–91 O
, O
1952 O
, O
doi O
: O
10.1002 O
/ O
9781118267028.ch3. O
[ O
19 O
] O
N. O
Amenc O
dan O
V. O
Le O
Sourd O
, O
Portfolio O
theory O
and O
performance O
analysis. O
Chichester O
: O
John O
Wiley O
& O
Sons O
, O
2005. O
[ O
20 O
] O
R. O
C. O
Merton O
, O
“On O
estimating O
the O
expected O
return O
on O
the O
market O
: O
an O
exploratory O
investigation O
, O
” O
J. O
financ. O
econ. O
, O
vol. O
8 O
, O
no. O
4 O
, O
hal. O
323–361 O
, O
1980 O
, O
doi O
: O
https O
: O
/ O
/ O
doi.org O
/ O
10.1016 O
/ O
0304-405X O
( O
80 O
) O
90007-0. O
[ O
21 O
] O
W. O
W. O
Hogan O
dan O
J. O
M. O
Warren O
, O
“Toward O
the O
development O
of O
an O
equilibrium O
capital-market O
model O
based O
on O
semivariance O
, O
” O
J. O
Financ. O
Quant. O
Anal. O
, O
vol. O
9 O
, O
no. O
1 O
, O
hal. O
1–11 O
, O
1974 O
, O
doi O
: O
10.2307 O
/ O
2329964. O
[ O
22 O
] O
H. O
Konno O
, O
“Piecewise O
linear O
risk O
function O
and O
portfolio O
optimization O
, O
” O
J. O
Oper. O
Res. O
Soc. O
Japan O
, O
vol. O
33 O
, O
no. O
2 O
, O
hal. O
139–156 O
, O
1990 O
, O
doi O
: O
10.15807 O
/ O
jorsj.33.139. O
[ O
23 O
] O
W. O
Chen O
, O
H. O
Zhang O
, O
M. O
K. O
Mehlawat O
, O
dan O
L. O
Jia O
, O
“Mean-variance O
portfolio O
optimization O
using O
machine O
learning-based O
stock O
price O
prediction O
, O
” O
Appl. O
Soft O
Comput. O
J. O
, O
vol. O
100 O
, O
hal. O
106943 O
, O
2021 O
, O
doi O
: O
10.1016 O
/ O
j.asoc.2020.106943. O
[ O
24 O
] O
M. O
Massahi O
, O
M. O
Mahootchi O
, O
dan O
A. O
A. O
Khamseh O
, O
“Development O
of O
an O
efficient O
cluster O
based O
portfolio O
optimization O
model O
under O
realistic O
market O
conditions O
, O
” O
Empir. O
Econ. O
, O
vol. O
59 O
, O
hal. O
2423–2442 O
, O
2020 O
, O
doi O
: O
10.1007 O
/ O
s00181-019-01802-5. O
[ O
25 O
] O
L. O
Lorenzo O
dan O
J. O
Arroyo O
, O
“Analysis O
of O
the O
cryptocurrency O
market O
using O
different O
prototype O
based O
clustering O
techniques O
, O
” O
Financ. O
Innov. O
, O
vol. O
8 O
, O
no. O
7 O
, O
hal. O
1–46 O
, O
2022 O
, O
doi O
: O
10.1186 O
/ O
s40854-021-00310-9. O
[ O
26 O
] O
Á. O
López-Oriona O
, O
P. O
D’Urso O
, O
J. O
A. O
Vilar O
, O
dan O
B. O
Lafuente-Rego O
, O
“Quantile-based O
fuzzy O
C O
-means O
clustering O
of O
multivariate O
time O
series O
: O
Robust O
techniques O
, O
” O
Int. O
J. O
Approx. O
Reason. O
, O
vol. O
150 O
, O
hal. O
55–82 O
, O
2022 O
, O
doi O
: O
10.1016 O
/ O
j.ijar.2022.07.010. O
[ O
27 O
] O
L. O
Gubu O
, O
D. O
Rosadi O
, O
dan O
Abdurakhman O
, O
“Robust O
mean-variance O
portfolio O
selection O
with O
ward O
and O
complete O
linkage O
clustering O
algorithm O
, O
” O
Econ. O
Comput. O
Econ. O
Cybern. O
Stud. O
Res. O
, O
vol. O
54 O
, O
no. O
3 O
, O
hal. O
111–127 O
, O
2020 O
, O
doi O
: O
10.24818 O
/ O
18423264 O
/ O
54.3.20.07. O
[ O
28 O
] O
J. O
Han O
dan O
M. O
Kamber O
, O
Data O
mining O
: O
Concepts O
and O
techniques O
, O
2 O
ed. O
San O
Francisco O
: O
Morgan O
Kaufmann O
Publishers O
, O
2006. O
[ O
29 O
] O
Z. O
Fang O
dan O
C. O
Chiao O
, O
“Research O
on O
prediction O
and O
recommendation O
of O
financial O
stocks O
based O
on O
K-means O
clustering O
algorithm O
optimization O
, O
” O
J. O
Comput. O
Methods O
Sci. O
Eng. O
, O
vol. O
21 O
, O
no. O
5 O
, O
hal. O
1081–1089 O
, O
2021 O
, O
doi O
: O
10.3233 O
/ O
JCM-204716. O
[ O
30 O
] O
A. O
Irpino O
, O
R. O
Verde O
, O
dan O
F. O
de O
A. O
T. O
De O
Carvalho O
, O
“Dynamic O
clustering O
of O
histogram O
data O
based O
on O
adaptive O
squared O
Wasserstein O
distances O
, O
” O
Expert O
Syst. O
Appl. O
, O
vol. O
41 O
, O
no. O
7 O
, O
hal. O
3351–3366 O
, O
2014 O
, O
doi O
: O
10.1016 O
/ O
j.eswa.2013.12.001. O
[ O
31 O
] O
Z. O
Zhang O
, O
R. O
Tavenard O
, O
A. O
Bailly O
, O
X. O
Tang O
, O
P. O
Tang O
, O
dan O
T. O
Corpetti O
, O
“Dynamic O
time O
warping O
under O
limited O
warping O
path O
length O
, O
” O
Inf. O
Sci. O
( O
Ny O
) O
. O
, O
vol. O
393 O
, O
hal. O
91–107 O
, O
2017 O
, O
doi O
: O
10.1016 O
/ O
j.ins.2017.02.018. O
[ O
32 O
] O
D. O
Steinley O
, O
“Properties O
of O
the O
hubert–arabie O
adjusted O
rand O
index O
, O
” O
Psychol. O
Methods O
, O
vol. O
9 O
, O
no. O
3 O
, O
hal. O
386–396 O
, O
2004 O
, O
doi O
: O
10.1037 O
/ O
1082- O
989X.9.3.386. O
[ O
33 O
] O
W. O
F. O
Sharpe O
, O
“The O
sharpe O
ratio O
, O
” O
J. O
Portf. O
Manag. O
, O
vol. O
21 O
, O
no. O
1 O
, O
hal. O
49–58 O
, O
1994 O
, O
doi O
: O
https O
: O
/ O
/ O
doi.org O
/ O
10.3905 O
/ O
jpm.1994.409501. O
[ O
34 O
] O
P. O
Hrytsiuk O
, O
T. O
Babych O
, O
dan O
L. O
Bachyshyna O
, O
“Cryptocurrency O
portfolio O
optimization O
using O
value-at-risk O
measure O
, O
” O
in O
Advances O
in O
Economics O
, O
Business O
and O
Management O
Research O
, O
2019 O
, O
vol. O
95 O
, O
hal. O
385–389 O
, O
doi O
: O
https O
: O
/ O
/ O
doi.org O
/ O
10.2991 O
/ O
smtesm-19.2019.75. O
[ O
35 O
] O
V. O
Valenthio O
, O
“Legalitas O
short O
selling O
dalam O
praktik O
pasar O
modal O
di O
Indonesia O
, O
” O
J. O
Educ. O
Dev. O
, O
vol. O
8 O
, O
no. O
1 O
, O
hal. O
158–164 O
, O
2020 O
, O
doi O
: O
https O
: O
/ O
/ O
doi.org O
/ O
10.37081 O
/ O
ed.v8i1.1518. O
2. O
Optimalisasi O
portofolio O
menggunakan O
metode O
Mean- O
Variance O
( O
MV O
) O
menghasilkan O
bobot O
yang O
berbeda O
untuk O
setiap O
saham O
dalam O
portofolio. O
Portofolio O
akan O
optimal O
apabila O
pembobotan O
saham-sahamnya O
bersesuaian O
dengan O
nilai O
Sharpe O
ratio O
, O
dimana O
saham O
dengan O
nilai O
Sharpe O
ratio O
tertinggi O
mendapatkan O
bobot O
terbesar. O
Karena O
pembobotan O
bersesuaian O
dengan O
nilai O
Sharpe O
ratio O
, O
maka O
saham O
yang O
memiliki O
return O
negatif O
cenderung O
memiliki O
bobot O
yang O
negatif O
pula. O
Selain O
Sharpe O
ratio O
, O
diperoleh O
juga O
bahwa O
pembobotan O
saham O
bersesuaian O
juga O
dengan O
tingkat O
risk O
aversion O
, O
dimana O
semakin O
besar O
tingkat O
risk O
aversion O
, O
bobot O
saham O
yang O
positif O
akan O
semakin O
kecil. O

Buffering O
dan O
Nearest O
Neighbor O
Analysis O
pada O
Google O
Maps O
dalam O
Penyediaan O
Data O
Sektor O
Kepariwisataan O
( O
Studi O
Kasus O
: O
Akomodasi O
, O
Penyedia O
Makan O
Minum O
, O
dan O
Objek O
Daya O
Tarik O
Wisata O
di O
Provinsi O
Bali O
) O
Putri O
Kurnia O
Fadellah O
( O
221910894 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M.Stat O
Ringkasan— O
Selama O
ini O
pencatatan O
sarana O
pariwisata O
menggunakan O
metode O
survei O
dengan O
beberapa O
kekurangan O
, O
sehingga O
web O
scraping O
menjadi O
alternatif O
pengumpulan O
data O
sarana O
pariwisata. O
Penelitian O
ini O
bertujuan O
mengumpulkan B-TUJUAN
data I-TUJUAN
sarana I-TUJUAN
pariwisata I-TUJUAN
menggunakan I-TUJUAN
web I-TUJUAN
scraping I-TUJUAN
Google I-TUJUAN
Maps I-TUJUAN
, I-TUJUAN
mengetahui I-TUJUAN
pola I-TUJUAN
distribusi I-TUJUAN
dan I-TUJUAN
potensi I-TUJUAN
pariwisata I-TUJUAN
, I-TUJUAN
serta I-TUJUAN
menganalisis I-TUJUAN
keterjangkauan I-TUJUAN
lokasi I-TUJUAN
akomodasi I-TUJUAN
dan I-TUJUAN
penyedia I-TUJUAN
makan I-TUJUAN
minum I-TUJUAN
terhadap I-TUJUAN
objek I-TUJUAN
daya I-TUJUAN
tarik I-TUJUAN
wisata. I-TUJUAN
Hasil O
penelitian O
menunjukkan O
terdapat B-TEMUAN
5.149 I-TEMUAN
akomodasi I-TEMUAN
, I-TEMUAN
2.085 I-TEMUAN
objek I-TEMUAN
daya I-TEMUAN
tarik I-TEMUAN
wisata I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
4.421 I-TEMUAN
penyedia I-TEMUAN
makan I-TEMUAN
minum. I-TEMUAN
Sarana O
pariwisata O
mengelompok O
pada O
Bali O
Selatan. O
Gianyar O
, O
Badung O
, O
dan O
Denpasar O
merupakan O
daerah O
berpotensi O
di O
bidang O
pariwisata. O
Untuk O
analisis O
buffer O
digunakan O
ring O
buffer O
5Km O
, O
dihasilkan O
99,94 O
% O
akomodasi O
dan O
99,95 O
% O
penyedia O
makan O
minum O
di O
Provinsi O
Bali O
berjarak O
sangat O
dekat O
dengan O
objek O
daya O
tarik O
wisata. O
Sementara O
untuk O
buffer O
20Km O
, O
dihasilkan O
bahwa O
seluruh O
akomodasi O
dan O
penyedia O
makan O
minum O
pada O
Provinsi O
Bali O
terjangkau O
secara O
lokasi O
terhadap O
objek O
daya O
tarik O
wisata. O
Dilakukan O
pula O
analisis B-METODE
buffer I-METODE
dengan I-METODE
ring I-METODE
buffer I-METODE
μ+σ O
, O
μ+2σ O
, O
dan O
μ+3σ O
, O
terdapat O
97,79 O
% O
akomodasi O
dan O
98,62 O
% O
penyedia O
makan O
minum O
di O
Provinsi O
Bali O
terjangkau O
secara O
lokasi. O
Keyword— O
Akomodasi O
, O
Penyedia O
makan O
minum O
, O
objek O
daya O
tarik O
wisata O
, O
buffer O
analysis O
, O
nearest O
neighbor O
analysis. O
[SEP] O
Data O
akomodasi O
, O
penyedia O
makan O
minum O
, O
dan O
objek O
daya O
tarik O
wisata O
di O
Provinsi O
Bali O
masing-masing O
berjumlah O
5.149 O
, O
4.421 O
, O
dan O
2.085 O
dengan O
tipe O
terbanyak O
berturut-turut O
adalah O
tipe O
null O
, O
kedai O
kopi O
, O
dan O
tujuan O
wisata. O
Untuk O
keyword O
yang O
terbanyak O
mengambil O
data O
akomodasi O
yaitu O
homestay O
, O
data O
penyedia O
makan O
minum O
adalah O
restoran O
, O
dan O
objek O
daya O
tarik O
wisata O
yaitu O
tujuan O
wisata. O
setiap O
kabupaten O
/ O
kota O
dan O
Provinsi O
Bali O
memiliki O
NNI O
0 O
dan O
Z-Score O
negatif O
yang O
artinya O
baik O
akomodasi O
, O
penyedia O
makan O
minum O
, O
dan O
objek O
daya O
tarik O
wisata O
Provinsi O
Bali O
berpola O
distribusi O
mengelompok. O
Kabupaten O
Gianyar O
adalah O
daerah O
dengan O
jumlah O
akomodasi O
terbanyak O
, O
Kota O
Denpasar O
adalah O
daerah O
dengan O
jumlah O
penyedia O
makan O
minum O
terbanyak O
, O
dan O
Kabupaten O
Badung O
merupakan O
kabupaten O
dengan O
objek O
daya O
tarik O
wisata O
terbanyak. O
Meninjau O
ketiga O
daerah O
tadi O
maka O
daerah O
dengan O
potensi O
pariwisata O
di O
Provinsi O
Bali O
adalah O
Bali O
Selatan. O
Akomodasi O
dan O
penyedia O
makan O
minum O
di O
Provinsi O
Bali O
dilihat O
keterjangkauannya O
secara O
lokasi O
terhadap O
objek O
daya O
tarik O
wisata O
melalui O
metode O
analisis O
buffer. O
Dengan O
ring O
buffer O
5 O
Km O
dihasilkan O
bahwa O
5.146 O
atau O
99,94 O
% O
akomodasi O
di O
Provinsi O
Bali O
berjarak O
sangat O
dekat O
dari O
objek O
daya O
tarik O
wisata. O
Lalu O
untuk O
penyedia O
makan O
minum O
terdapat O
4.419 O
penyedia O
makan O
minum O
yang O
berjarak O
5 O
Km O
atau O
kurang O
terhadap O
objek O
daya O
tarik O
wisata. O
Oleh O
karena O
itu O
, O
dipastikan O
99,95 O
% O
penyedia O
makan O
minum O
di O
Provinsi O
Bali O
berjarak O
sangat O
dekat O
terhadap O
objek O
daya O
tarik O
wisata. O
Selain O
itu O
, O
apabila O
ditinjau O
dengan O
buffer O
20 O
Km O
, O
dihasilkan O
bahwa O
seluruh O
akomodasi O
dan O
penyedia O
makan O
minum O
pada O
Provinsi O
Bali O
terjangkau O
secara O
lokasi O
terhadap O
objek O
daya O
tarik O
wisata O
dan O
masuk O
dalam O
kategori O
dekat. O
Dilakukan O
pula O
analisis O
buffer O
dengan O
ring O
buffer O
μ O
+ O
σ O
, O
μ O
+ O
2σ O
, O
dan O
μ O
+ O
3σ. O
Pada O
akomodasi O
, O
untuk O
ring O
buffer O
sebesar O
1,1606 O
Km O
terdapat O
4.628 O
akomodasi O
dan O
untuk O
1,7606 O
Km O
sebanyak O
4.929 O
akomodasi. O
Lalu O
5.035 O
atau O
97,79 O
% O
akomodasi O
di O
Provinsi O
Bali O
terjangkau O
secara O
lokasi. O
Kemudian O
untuk O
penyedia O
makan O
minum O
, O
sebanyak O
3.906 O
penyedia O
makan O
minum O
tercakup O
dalam O
jarak O
buffer O
0,8393 O
Km O
, O
lalu O
untuk O
jarak O
buffer O
1,2356 O
Km O
terdapat O
sebanyak O
4.226 O
penyedia O
makan O
minum. O
Diperoleh O
pula O
sebanyak O
4.360 O
penyedia O
makan O
minum O
berada O
pada O
jarak O
buffer O
kurang O
dari O
sama O
dengan O
1,6319 O
Km O
yang O
diperoleh O
dari O
jarak O
buffer O
sebesar O
rata-rata O
dijumlahkan O
dengan O
tiga O
kali O
standar O
deviasi O
( O
μ O
+ O
3σ O
) O
. O
Hal O
ini O
berarti O
bahwa O
98,62 O
% O
penyedia O
makan O
minum O
di O
Provinsi O
Bali O
terjangkau O
secara O
lokasi. O
B. O
Saran O
Berdasarkan O
kesimpulan O
dari O
penelitian O
ini O
, O
terdapat O
beberapa O
saran O
agar O
penelitian O
ini O
dapat O
dikembangkan O
dan O
dapat O
bermanfaat O
, O
yaitu O
adalah O
sebagai O
berikut O
: O
1. O
Agar O
pengumpulan O
data O
lengkap O
, O
sebaiknya O
pengambilan O
data O
dilakukan O
pada O
level O
yang O
lebih O
rendah O
, O
seperti O
desa O
/ O
kelurahan. O
lebih O
2. O
Melakukan O
pengambilan O
data O
melalui O
situs O
lain O
, O
seperti O
tiket.com O
, O
pegipegi.com O
, O
klook.com O
, O
booking.com O
, O
tripadvisor.co.id O
, O
traveloka.com O
, O
eatigo.com O
, O
opentable.com O
, O
dan O
lain-lain. O
misteraladin.com O
, O
agoda.com O
, O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
3. O
Melakukan O
scraping O
data O
review O
dari O
tiap O
akomodasi O
, O
penyedia O
makan O
minum O
, O
dan O
objek O
daya O
tarik O
wisata O
agar O
dapat O
dilakukan O
pengelompokan O
daerah O
dengan O
respon O
positif O
ataupun O
negatif O
dari O
user O
atau O
pendatang. O

Buffering O
dan O
Nearest O
Neighbor O
Analysis O
pada O
Google O
Maps O
dalam O
Penyediaan O
Data O
Sektor O
Kepariwisataan O
( O
Studi O
Kasus O
: O
Akomodasi O
, O
Penyedia O
Makan O
Minum O
, O
dan O
Objek O
Daya O
Tarik O
Wisata O
di O
Provinsi O
Bali O
) O
Putri O
Kurnia O
Fadellah O
( O
221910894 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M.Stat O
Ringkasan— O
Selama O
ini O
pencatatan O
sarana O
pariwisata O
menggunakan O
metode O
survei O
dengan O
beberapa O
kekurangan O
, O
sehingga O
web O
scraping O
menjadi O
alternatif O
pengumpulan O
data O
sarana O
pariwisata. O
Penelitian O
ini O
bertujuan O
mengumpulkan B-TUJUAN
data I-TUJUAN
sarana I-TUJUAN
pariwisata I-TUJUAN
menggunakan I-TUJUAN
web I-TUJUAN
scraping I-TUJUAN
Google I-TUJUAN
Maps I-TUJUAN
, I-TUJUAN
mengetahui I-TUJUAN
pola I-TUJUAN
distribusi I-TUJUAN
dan I-TUJUAN
potensi I-TUJUAN
pariwisata I-TUJUAN
, I-TUJUAN
serta I-TUJUAN
menganalisis I-TUJUAN
keterjangkauan I-TUJUAN
lokasi I-TUJUAN
akomodasi I-TUJUAN
dan I-TUJUAN
penyedia I-TUJUAN
makan I-TUJUAN
minum I-TUJUAN
terhadap I-TUJUAN
objek I-TUJUAN
daya I-TUJUAN
tarik I-TUJUAN
wisata. I-TUJUAN
Hasil O
penelitian O
menunjukkan O
terdapat B-TEMUAN
5.149 I-TEMUAN
akomodasi I-TEMUAN
, I-TEMUAN
2.085 I-TEMUAN
objek I-TEMUAN
daya I-TEMUAN
tarik I-TEMUAN
wisata I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
4.421 I-TEMUAN
penyedia I-TEMUAN
makan I-TEMUAN
minum. I-TEMUAN
Sarana O
pariwisata O
mengelompok O
pada O
Bali O
Selatan. O
Gianyar O
, O
Badung O
, O
dan O
Denpasar O
merupakan O
daerah O
berpotensi O
di O
bidang O
pariwisata. O
Untuk O
analisis O
buffer O
digunakan O
ring O
buffer O
5Km O
, O
dihasilkan O
99,94 O
% O
akomodasi O
dan O
99,95 O
% O
penyedia O
makan O
minum O
di O
Provinsi O
Bali O
berjarak O
sangat O
dekat O
dengan O
objek O
daya O
tarik O
wisata. O
Sementara O
untuk O
buffer O
20Km O
, O
dihasilkan O
bahwa O
seluruh O
akomodasi O
dan O
penyedia O
makan O
minum O
pada O
Provinsi O
Bali O
terjangkau O
secara O
lokasi O
terhadap O
objek O
daya O
tarik O
wisata. O
Dilakukan O
pula O
analisis B-METODE
buffer I-METODE
dengan I-METODE
ring I-METODE
buffer I-METODE
μ+σ O
, O
μ+2σ O
, O
dan O
μ+3σ O
, O
terdapat O
97,79 O
% O
akomodasi O
dan O
98,62 O
% O
penyedia O
makan O
minum O
di O
Provinsi O
Bali O
terjangkau O
secara O
lokasi. O
Keyword— O
Akomodasi O
, O
Penyedia O
makan O
minum O
, O
objek O
daya O
tarik O
wisata O
, O
buffer O
analysis O
, O
nearest O
neighbor O
analysis. O
[SEP] O
Data O
akomodasi O
, O
penyedia O
makan O
minum O
, O
dan O
objek O
daya O
tarik O
wisata O
di O
Provinsi O
Bali O
masing-masing O
berjumlah O
5.149 O
, O
4.421 O
, O
dan O
2.085 O
dengan O
tipe O
terbanyak O
berturut-turut O
adalah O
tipe O
null O
, O
kedai O
kopi O
, O
dan O
tujuan O
wisata. O
Untuk O
keyword O
yang O
terbanyak O
mengambil O
data O
akomodasi O
yaitu O
homestay O
, O
data O
penyedia O
makan O
minum O
adalah O
restoran O
, O
dan O
objek O
daya O
tarik O
wisata O
yaitu O
tujuan O
wisata. O
setiap O
kabupaten O
/ O
kota O
dan O
Provinsi O
Bali O
memiliki O
NNI O
0 O
dan O
Z-Score O
negatif O
yang O
artinya O
baik O
akomodasi O
, O
penyedia O
makan O
minum O
, O
dan O
objek O
daya O
tarik O
wisata O
Provinsi O
Bali O
berpola O
distribusi O
mengelompok. O
Kabupaten O
Gianyar O
adalah O
daerah O
dengan O
jumlah O
akomodasi O
terbanyak O
, O
Kota O
Denpasar O
adalah O
daerah O
dengan O
jumlah O
penyedia O
makan O
minum O
terbanyak O
, O
dan O
Kabupaten O
Badung O
merupakan O
kabupaten O
dengan O
objek O
daya O
tarik O
wisata O
terbanyak. O
Meninjau O
ketiga O
daerah O
tadi O
maka O
daerah O
dengan O
potensi O
pariwisata O
di O
Provinsi O
Bali O
adalah O
Bali O
Selatan. O
Akomodasi O
dan O
penyedia O
makan O
minum O
di O
Provinsi O
Bali O
dilihat O
keterjangkauannya O
secara O
lokasi O
terhadap O
objek O
daya O
tarik O
wisata O
melalui O
metode O
analisis O
buffer. O
Dengan O
ring O
buffer O
5 O
Km O
dihasilkan O
bahwa O
5.146 O
atau O
99,94 O
% O
akomodasi O
di O
Provinsi O
Bali O
berjarak O
sangat O
dekat O
dari O
objek O
daya O
tarik O
wisata. O
Lalu O
untuk O
penyedia O
makan O
minum O
terdapat O
4.419 O
penyedia O
makan O
minum O
yang O
berjarak O
5 O
Km O
atau O
kurang O
terhadap O
objek O
daya O
tarik O
wisata. O
Oleh O
karena O
itu O
, O
dipastikan O
99,95 O
% O
penyedia O
makan O
minum O
di O
Provinsi O
Bali O
berjarak O
sangat O
dekat O
terhadap O
objek O
daya O
tarik O
wisata. O
Selain O
itu O
, O
apabila O
ditinjau O
dengan O
buffer O
20 O
Km O
, O
dihasilkan O
bahwa O
seluruh O
akomodasi O
dan O
penyedia O
makan O
minum O
pada O
Provinsi O
Bali O
terjangkau O
secara O
lokasi O
terhadap O
objek O
daya O
tarik O
wisata O
dan O
masuk O
dalam O
kategori O
dekat. O
Dilakukan O
pula O
analisis O
buffer O
dengan O
ring O
buffer O
μ O
+ O
σ O
, O
μ O
+ O
2σ O
, O
dan O
μ O
+ O
3σ. O
Pada O
akomodasi O
, O
untuk O
ring O
buffer O
sebesar O
1,1606 O
Km O
terdapat O
4.628 O
akomodasi O
dan O
untuk O
1,7606 O
Km O
sebanyak O
4.929 O
akomodasi. O
Lalu O
5.035 O
atau O
97,79 O
% O
akomodasi O
di O
Provinsi O
Bali O
terjangkau O
secara O
lokasi. O
Kemudian O
untuk O
penyedia O
makan O
minum O
, O
sebanyak O
3.906 O
penyedia O
makan O
minum O
tercakup O
dalam O
jarak O
buffer O
0,8393 O
Km O
, O
lalu O
untuk O
jarak O
buffer O
1,2356 O
Km O
terdapat O
sebanyak O
4.226 O
penyedia O
makan O
minum. O
Diperoleh O
pula O
sebanyak O
4.360 O
penyedia O
makan O
minum O
berada O
pada O
jarak O
buffer O
kurang O
dari O
sama O
dengan O
1,6319 O
Km O
yang O
diperoleh O
dari O
jarak O
buffer O
sebesar O
rata-rata O
dijumlahkan O
dengan O
tiga O
kali O
standar O
deviasi O
( O
μ O
+ O
3σ O
) O
. O
Hal O
ini O
berarti O
bahwa O
98,62 O
% O
penyedia O
makan O
minum O
di O
Provinsi O
Bali O
terjangkau O
secara O
lokasi. O
B. O
Saran O
Berdasarkan O
kesimpulan O
dari O
penelitian O
ini O
, O
terdapat O
beberapa O
saran O
agar O
penelitian O
ini O
dapat O
dikembangkan O
dan O
dapat O
bermanfaat O
, O
yaitu O
adalah O
sebagai O
berikut O
: O
1. O
Agar O
pengumpulan O
data O
lengkap O
, O
sebaiknya O
pengambilan O
data O
dilakukan O
pada O
level O
yang O
lebih O
rendah O
, O
seperti O
desa O
/ O
kelurahan. O
lebih O
2. O
Melakukan O
pengambilan O
data O
melalui O
situs O
lain O
, O
seperti O
tiket.com O
, O
pegipegi.com O
, O
klook.com O
, O
booking.com O
, O
tripadvisor.co.id O
, O
traveloka.com O
, O
eatigo.com O
, O
opentable.com O
, O
dan O
lain-lain. O
misteraladin.com O
, O
agoda.com O
, O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
3. O
Melakukan O
scraping O
data O
review O
dari O
tiap O
akomodasi O
, O
penyedia O
makan O
minum O
, O
dan O
objek O
daya O
tarik O
wisata O
agar O
dapat O
dilakukan O
pengelompokan O
daerah O
dengan O
respon O
positif O
ataupun O
negatif O
dari O
user O
atau O
pendatang. O

Penerapan O
Algoritma O
Genetika O
dalam O
Otomatisasi O
Penjadwalan O
Seminar O
dan O
Ujian O
Sidang O
Skripsi O
Alya O
Safadella O
Putri O
Akca O
( O
22190892 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
SST. O
, O
M.T. O
Ringkasan— O
Seminar O
dan O
ujian O
sidang O
skripsi O
merupakan O
kegiatan O
wajib O
yang O
terdiri O
dari O
mahasiswa O
, O
dosen O
pembimbing O
, O
dan O
dosen O
penguji O
pada O
suatu O
ruang O
dan O
waktu. O
Kombinasi O
komponen O
tersebut O
perlu O
ditemukan O
agar O
tidak O
terjadi O
konflik O
dengan O
melakukan O
penjadwalan. O
Penjadwalan O
seminar O
dan O
ujian O
sidang O
skripsi O
selama O
ini O
dilakukan O
secara O
manual O
dimana O
memiliki O
banyak O
kekurangan O
sehingga O
diperlukan O
algoritma O
otomatisasi. O
Penelitian O
ini O
bertujuan O
untuk O
melakukan B-TUJUAN
otomatisasi I-TUJUAN
dalam I-TUJUAN
penjadwalan I-TUJUAN
seminar I-TUJUAN
dan I-TUJUAN
sidang I-TUJUAN
skripsi I-TUJUAN
mahasiswa I-TUJUAN
Prodi I-TUJUAN
DIV I-TUJUAN
Statistika I-TUJUAN
Tahun I-TUJUAN
Ajaran I-TUJUAN
2022 I-TUJUAN
/ I-TUJUAN
2023 I-TUJUAN
di I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS. I-TUJUAN
Otomatisasi O
dapat O
dilakukan O
menggunakan O
algoritma O
genetika O
yang O
meniru O
mekanisme O
genetika O
dan O
seleksi O
alamiah O
dalam O
melakukan O
pencarian O
secara O
efektif. O
Adapun O
metode O
dalam O
melakukan O
pemodelan O
, O
yaitu O
fungsi B-METODE
maksimasi I-METODE
, I-METODE
metode I-METODE
elitism I-METODE
, I-METODE
1-point I-METODE
crossover I-METODE
dan I-METODE
2-point I-METODE
crossover I-METODE
, I-METODE
dan I-METODE
random I-METODE
mutation I-METODE
with I-METODE
modification. I-METODE
Penelitian O
ini O
membagi O
pemodelan O
menjadi O
dua O
tahap O
dimana O
tahap O
pertama O
mengalokasikan O
ke O
dalam O
suatu O
ruangan O
dan O
tahap O
kedua O
mengalokasikan O
ke O
dalam O
suatu O
slot O
waktu. B-TEMUAN
Algoritma I-TEMUAN
genetika I-TEMUAN
mampu I-TEMUAN
menghasilkan I-TEMUAN
penjadwalan I-TEMUAN
yang I-TEMUAN
layak I-TEMUAN
dengan I-TEMUAN
mematuhi I-TEMUAN
aturan I-TEMUAN
yang I-TEMUAN
berlaku I-TEMUAN
secara I-TEMUAN
otomatis I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
waktu I-TEMUAN
kurang I-TEMUAN
dari I-TEMUAN
10 I-TEMUAN
detik. I-TEMUAN
Kata O
Kunci— O
Otomatisasi O
Penjadwalan O
, O
Seminar O
Skripsi O
, O
Ujian O
Sidang O
Skripsi O
, O
Algoritma O
Genetika O
, O
Elitisme O
, O
Pairwise O
Comparisons. O
[SEP] O
Berdasarkan O
penelitian O
yang O
dilakukan O
sejauh O
ini O
, O
adapun O
kesimpulan O
yang O
didapatkan O
, O
yaitu O
: O
1. O
Algoritma B-TEMUAN
genetika I-TEMUAN
mampu I-TEMUAN
menghasilkan I-TEMUAN
penjadwalan I-TEMUAN
yang I-TEMUAN
layak I-TEMUAN
dengan I-TEMUAN
mematuhi I-TEMUAN
aturan I-TEMUAN
yang I-TEMUAN
berlaku I-TEMUAN
secara I-TEMUAN
otomatis I-TEMUAN
dalam I-TEMUAN
waktu I-TEMUAN
yang I-TEMUAN
sangat I-TEMUAN
cepat I-TEMUAN
yaitu I-TEMUAN
kurang I-TEMUAN
dari I-TEMUAN
10 I-TEMUAN
detik. I-TEMUAN
Hasil I-TEMUAN
penjadwalan I-TEMUAN
berupa I-TEMUAN
text I-TEMUAN
file I-TEMUAN
atau I-TEMUAN
Json I-TEMUAN
file. I-TEMUAN
2. O
Penelitian O
ini O
menggunakan O
jumlah O
generasi O
sebanyak O
100 O
dan O
30 O
% O
elitism O
pada O
tahap O
pertama O
menghasilkan O
nilai O
fitness O
sebesar O
22187 O
dan O
jumlah O
generasi O
sebanyak O
50 O
dan O
15 O
% O
elitism O
pada O
tahap O
kedua O
menghasilkan O
nilai O
fitness O
sebesar O
33139. O
Hal O
tersebut O
didapat O
dengan O
hanya O
memerlukan O
519 O
milidetik. O
Nilai O
fitness O
tersebut O
melebihi O
ekspektasi O
sebesar O
22000 O
untuk O
tahap O
pertama O
dan O
33000 O
untuk O
tahap O
kedua. O
3. O
Pada O
tahap O
pertama O
, O
makin O
besar O
jumlah O
generasi O
dan O
persentase O
elitism O
, O
makin O
besar O
nilai O
fitness O
yang O
dihasilkan. O
Sedangkan O
, O
pada O
generasi O
tahap O
kedua O
, O
jumlah O
generasi O
dan O
persentase O
elitism O
tidak O
mempengaruhi O
nilai O
fitness-nya. O
4. O
Setiap O
pengujian O
akan O
mengeluarkan O
solusi O
berbeda O
karena O
algoritma O
ini O
bekerja O
secara O
acak O
, O
namun O
masih O
dapat O
memberikan O
solusi O
yang O
penjadwalan. O
layak O
dalam O
melakukan O
Adapun O
saran O
untuk O
penelitian O
selanjutnya O
, O
yaitu O
: O
1. O
Melakukan O
variasi O
pada O
parameter O
lain O
seperti O
nilai O
probabilitas O
persilangan O
dan O
probabilitas O
mutasi O
untuk O
mendapatkan O
hasil O
yang O
lebih O
optimal. O
2. O
Mengembangkan O
algoritma O
agar O
dapat O
memperhatikan O
aturan O
dan O
batasan O
lain O
, O
seperti O
dosen O
yang O
beririsan O
dengan O
prodi O
lain O
, O
dan O
penggunaan O
alokasi O
yang O
berdasarkan O
jabatan O
dosen. O
3. O
Melakukan O
kombinasi O
dengan O
metode O
lain O
dalam O
melakukan O
optimalisasi. O
4. O
Melakukan O
integrasi O
dengan O
SIPADU O
STIS. O

Penerapan O
Algoritma O
Genetika O
dalam O
Otomatisasi O
Penjadwalan O
Seminar O
dan O
Ujian O
Sidang O
Skripsi O
Alya O
Safadella O
Putri O
Akca O
( O
22190892 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
SST. O
, O
M.T. O
Ringkasan— O
Seminar O
dan O
ujian O
sidang O
skripsi O
merupakan O
kegiatan O
wajib O
yang O
terdiri O
dari O
mahasiswa O
, O
dosen O
pembimbing O
, O
dan O
dosen O
penguji O
pada O
suatu O
ruang O
dan O
waktu. O
Kombinasi O
komponen O
tersebut O
perlu O
ditemukan O
agar O
tidak O
terjadi O
konflik O
dengan O
melakukan O
penjadwalan. O
Penjadwalan O
seminar O
dan O
ujian O
sidang O
skripsi O
selama O
ini O
dilakukan O
secara O
manual O
dimana O
memiliki O
banyak O
kekurangan O
sehingga O
diperlukan O
algoritma O
otomatisasi. O
Penelitian O
ini O
bertujuan O
untuk O
melakukan B-TUJUAN
otomatisasi I-TUJUAN
dalam I-TUJUAN
penjadwalan I-TUJUAN
seminar I-TUJUAN
dan I-TUJUAN
sidang I-TUJUAN
skripsi I-TUJUAN
mahasiswa I-TUJUAN
Prodi I-TUJUAN
DIV I-TUJUAN
Statistika I-TUJUAN
Tahun I-TUJUAN
Ajaran I-TUJUAN
2022 I-TUJUAN
/ I-TUJUAN
2023 I-TUJUAN
di I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS. I-TUJUAN
Otomatisasi O
dapat O
dilakukan O
menggunakan O
algoritma O
genetika O
yang O
meniru O
mekanisme O
genetika O
dan O
seleksi O
alamiah O
dalam O
melakukan O
pencarian O
secara O
efektif. O
Adapun O
metode O
dalam O
melakukan O
pemodelan O
, O
yaitu O
fungsi B-METODE
maksimasi I-METODE
, I-METODE
metode I-METODE
elitism I-METODE
, I-METODE
1-point I-METODE
crossover I-METODE
dan I-METODE
2-point I-METODE
crossover I-METODE
, I-METODE
dan I-METODE
random I-METODE
mutation I-METODE
with I-METODE
modification. I-METODE
Penelitian O
ini O
membagi O
pemodelan O
menjadi O
dua O
tahap O
dimana O
tahap O
pertama O
mengalokasikan O
ke O
dalam O
suatu O
ruangan O
dan O
tahap O
kedua O
mengalokasikan O
ke O
dalam O
suatu O
slot O
waktu. B-TEMUAN
Algoritma I-TEMUAN
genetika I-TEMUAN
mampu I-TEMUAN
menghasilkan I-TEMUAN
penjadwalan I-TEMUAN
yang I-TEMUAN
layak I-TEMUAN
dengan I-TEMUAN
mematuhi I-TEMUAN
aturan I-TEMUAN
yang I-TEMUAN
berlaku I-TEMUAN
secara I-TEMUAN
otomatis I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
waktu I-TEMUAN
kurang I-TEMUAN
dari I-TEMUAN
10 I-TEMUAN
detik. I-TEMUAN
Kata O
Kunci— O
Otomatisasi O
Penjadwalan O
, O
Seminar O
Skripsi O
, O
Ujian O
Sidang O
Skripsi O
, O
Algoritma O
Genetika O
, O
Elitisme O
, O
Pairwise O
Comparisons. O
[SEP] O
Berdasarkan O
penelitian O
yang O
dilakukan O
sejauh O
ini O
, O
adapun O
kesimpulan O
yang O
didapatkan O
, O
yaitu O
: O
1. O
Algoritma B-TEMUAN
genetika I-TEMUAN
mampu I-TEMUAN
menghasilkan I-TEMUAN
penjadwalan I-TEMUAN
yang I-TEMUAN
layak I-TEMUAN
dengan I-TEMUAN
mematuhi I-TEMUAN
aturan I-TEMUAN
yang I-TEMUAN
berlaku I-TEMUAN
secara I-TEMUAN
otomatis I-TEMUAN
dalam I-TEMUAN
waktu I-TEMUAN
yang I-TEMUAN
sangat I-TEMUAN
cepat I-TEMUAN
yaitu I-TEMUAN
kurang I-TEMUAN
dari I-TEMUAN
10 I-TEMUAN
detik. I-TEMUAN
Hasil I-TEMUAN
penjadwalan I-TEMUAN
berupa I-TEMUAN
text I-TEMUAN
file I-TEMUAN
atau I-TEMUAN
Json I-TEMUAN
file. I-TEMUAN
2. O
Penelitian O
ini O
menggunakan O
jumlah O
generasi O
sebanyak O
100 O
dan O
30 O
% O
elitism O
pada O
tahap O
pertama O
menghasilkan O
nilai O
fitness O
sebesar O
22187 O
dan O
jumlah O
generasi O
sebanyak O
50 O
dan O
15 O
% O
elitism O
pada O
tahap O
kedua O
menghasilkan O
nilai O
fitness O
sebesar O
33139. O
Hal O
tersebut O
didapat O
dengan O
hanya O
memerlukan O
519 O
milidetik. O
Nilai O
fitness O
tersebut O
melebihi O
ekspektasi O
sebesar O
22000 O
untuk O
tahap O
pertama O
dan O
33000 O
untuk O
tahap O
kedua. O
3. O
Pada O
tahap O
pertama O
, O
makin O
besar O
jumlah O
generasi O
dan O
persentase O
elitism O
, O
makin O
besar O
nilai O
fitness O
yang O
dihasilkan. O
Sedangkan O
, O
pada O
generasi O
tahap O
kedua O
, O
jumlah O
generasi O
dan O
persentase O
elitism O
tidak O
mempengaruhi O
nilai O
fitness-nya. O
4. O
Setiap O
pengujian O
akan O
mengeluarkan O
solusi O
berbeda O
karena O
algoritma O
ini O
bekerja O
secara O
acak O
, O
namun O
masih O
dapat O
memberikan O
solusi O
yang O
penjadwalan. O
layak O
dalam O
melakukan O
Adapun O
saran O
untuk O
penelitian O
selanjutnya O
, O
yaitu O
: O
1. O
Melakukan O
variasi O
pada O
parameter O
lain O
seperti O
nilai O
probabilitas O
persilangan O
dan O
probabilitas O
mutasi O
untuk O
mendapatkan O
hasil O
yang O
lebih O
optimal. O
2. O
Mengembangkan O
algoritma O
agar O
dapat O
memperhatikan O
aturan O
dan O
batasan O
lain O
, O
seperti O
dosen O
yang O
beririsan O
dengan O
prodi O
lain O
, O
dan O
penggunaan O
alokasi O
yang O
berdasarkan O
jabatan O
dosen. O
3. O
Melakukan O
kombinasi O
dengan O
metode O
lain O
dalam O
melakukan O
optimalisasi. O
4. O
Melakukan O
integrasi O
dengan O
SIPADU O
STIS. O

Penerapan O
Algoritma O
Genetika O
dalam O
Otomatisasi O
Penjadwalan O
Seminar O
dan O
Ujian O
Sidang O
Skripsi O
Alya O
Safadella O
Putri O
Akca O
( O
22190892 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
SST. O
, O
M.T. O
Ringkasan— O
Seminar O
dan O
ujian O
sidang O
skripsi O
merupakan O
kegiatan O
wajib O
yang O
terdiri O
dari O
mahasiswa O
, O
dosen O
pembimbing O
, O
dan O
dosen O
penguji O
pada O
suatu O
ruang O
dan O
waktu. O
Kombinasi O
komponen O
tersebut O
perlu O
ditemukan O
agar O
tidak O
terjadi O
konflik O
dengan O
melakukan O
penjadwalan. O
Penjadwalan O
seminar O
dan O
ujian O
sidang O
skripsi O
selama O
ini O
dilakukan O
secara O
manual O
dimana O
memiliki O
banyak O
kekurangan O
sehingga O
diperlukan O
algoritma O
otomatisasi. O
Penelitian O
ini O
bertujuan O
untuk O
melakukan B-TUJUAN
otomatisasi I-TUJUAN
dalam I-TUJUAN
penjadwalan I-TUJUAN
seminar I-TUJUAN
dan I-TUJUAN
sidang I-TUJUAN
skripsi I-TUJUAN
mahasiswa I-TUJUAN
Prodi I-TUJUAN
DIV I-TUJUAN
Statistika I-TUJUAN
Tahun I-TUJUAN
Ajaran I-TUJUAN
2022 I-TUJUAN
/ I-TUJUAN
2023 I-TUJUAN
di I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS. I-TUJUAN
Otomatisasi O
dapat O
dilakukan O
menggunakan O
algoritma O
genetika O
yang O
meniru O
mekanisme O
genetika O
dan O
seleksi O
alamiah O
dalam O
melakukan O
pencarian O
secara O
efektif. O
Adapun O
metode O
dalam O
melakukan O
pemodelan O
, O
yaitu O
fungsi B-METODE
maksimasi I-METODE
, I-METODE
metode I-METODE
elitism I-METODE
, I-METODE
1-point I-METODE
crossover I-METODE
dan I-METODE
2-point I-METODE
crossover I-METODE
, I-METODE
dan I-METODE
random I-METODE
mutation I-METODE
with I-METODE
modification. I-METODE
Penelitian O
ini O
membagi O
pemodelan O
menjadi O
dua O
tahap O
dimana O
tahap O
pertama O
mengalokasikan O
ke O
dalam O
suatu O
ruangan O
dan O
tahap O
kedua O
mengalokasikan O
ke O
dalam O
suatu O
slot O
waktu. B-TEMUAN
Algoritma I-TEMUAN
genetika I-TEMUAN
mampu I-TEMUAN
menghasilkan I-TEMUAN
penjadwalan I-TEMUAN
yang I-TEMUAN
layak I-TEMUAN
dengan I-TEMUAN
mematuhi I-TEMUAN
aturan I-TEMUAN
yang I-TEMUAN
berlaku I-TEMUAN
secara I-TEMUAN
otomatis I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
waktu I-TEMUAN
kurang I-TEMUAN
dari I-TEMUAN
10 I-TEMUAN
detik. I-TEMUAN
Kata O
Kunci— O
Otomatisasi O
Penjadwalan O
, O
Seminar O
Skripsi O
, O
Ujian O
Sidang O
Skripsi O
, O
Algoritma O
Genetika O
, O
Elitisme O
, O
Pairwise O
Comparisons. O
[SEP] O
Berdasarkan O
penelitian O
yang O
dilakukan O
sejauh O
ini O
, O
adapun O
kesimpulan O
yang O
didapatkan O
, O
yaitu O
: O
1. O
Algoritma B-TEMUAN
genetika I-TEMUAN
mampu I-TEMUAN
menghasilkan I-TEMUAN
penjadwalan I-TEMUAN
yang I-TEMUAN
layak I-TEMUAN
dengan I-TEMUAN
mematuhi I-TEMUAN
aturan I-TEMUAN
yang I-TEMUAN
berlaku I-TEMUAN
secara I-TEMUAN
otomatis I-TEMUAN
dalam I-TEMUAN
waktu I-TEMUAN
yang I-TEMUAN
sangat I-TEMUAN
cepat I-TEMUAN
yaitu I-TEMUAN
kurang I-TEMUAN
dari I-TEMUAN
10 I-TEMUAN
detik. I-TEMUAN
Hasil I-TEMUAN
penjadwalan I-TEMUAN
berupa I-TEMUAN
text I-TEMUAN
file I-TEMUAN
atau I-TEMUAN
Json I-TEMUAN
file. I-TEMUAN
2. O
Penelitian O
ini O
menggunakan O
jumlah O
generasi O
sebanyak O
100 O
dan O
30 O
% O
elitism O
pada O
tahap O
pertama O
menghasilkan O
nilai O
fitness O
sebesar O
22187 O
dan O
jumlah O
generasi O
sebanyak O
50 O
dan O
15 O
% O
elitism O
pada O
tahap O
kedua O
menghasilkan O
nilai O
fitness O
sebesar O
33139. O
Hal O
tersebut O
didapat O
dengan O
hanya O
memerlukan O
519 O
milidetik. O
Nilai O
fitness O
tersebut O
melebihi O
ekspektasi O
sebesar O
22000 O
untuk O
tahap O
pertama O
dan O
33000 O
untuk O
tahap O
kedua. O
3. O
Pada O
tahap O
pertama O
, O
makin O
besar O
jumlah O
generasi O
dan O
persentase O
elitism O
, O
makin O
besar O
nilai O
fitness O
yang O
dihasilkan. O
Sedangkan O
, O
pada O
generasi O
tahap O
kedua O
, O
jumlah O
generasi O
dan O
persentase O
elitism O
tidak O
mempengaruhi O
nilai O
fitness-nya. O
4. O
Setiap O
pengujian O
akan O
mengeluarkan O
solusi O
berbeda O
karena O
algoritma O
ini O
bekerja O
secara O
acak O
, O
namun O
masih O
dapat O
memberikan O
solusi O
yang O
penjadwalan. O
layak O
dalam O
melakukan O
Adapun O
saran O
untuk O
penelitian O
selanjutnya O
, O
yaitu O
: O
1. O
Melakukan O
variasi O
pada O
parameter O
lain O
seperti O
nilai O
probabilitas O
persilangan O
dan O
probabilitas O
mutasi O
untuk O
mendapatkan O
hasil O
yang O
lebih O
optimal. O
2. O
Mengembangkan O
algoritma O
agar O
dapat O
memperhatikan O
aturan O
dan O
batasan O
lain O
, O
seperti O
dosen O
yang O
beririsan O
dengan O
prodi O
lain O
, O
dan O
penggunaan O
alokasi O
yang O
berdasarkan O
jabatan O
dosen. O
3. O
Melakukan O
kombinasi O
dengan O
metode O
lain O
dalam O
melakukan O
optimalisasi. O
4. O
Melakukan O
integrasi O
dengan O
SIPADU O
STIS. O

Penerapan O
Algoritma O
Genetika O
dalam O
Otomatisasi O
Penjadwalan O
Seminar O
dan O
Ujian O
Sidang O
Skripsi O
Alya O
Safadella O
Putri O
Akca O
( O
22190892 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
SST. O
, O
M.T. O
Ringkasan— O
Seminar O
dan O
ujian O
sidang O
skripsi O
merupakan O
kegiatan O
wajib O
yang O
terdiri O
dari O
mahasiswa O
, O
dosen O
pembimbing O
, O
dan O
dosen O
penguji O
pada O
suatu O
ruang O
dan O
waktu. O
Kombinasi O
komponen O
tersebut O
perlu O
ditemukan O
agar O
tidak O
terjadi O
konflik O
dengan O
melakukan O
penjadwalan. O
Penjadwalan O
seminar O
dan O
ujian O
sidang O
skripsi O
selama O
ini O
dilakukan O
secara O
manual O
dimana O
memiliki O
banyak O
kekurangan O
sehingga O
diperlukan O
algoritma O
otomatisasi. O
Penelitian O
ini O
bertujuan O
untuk O
melakukan B-TUJUAN
otomatisasi I-TUJUAN
dalam I-TUJUAN
penjadwalan I-TUJUAN
seminar I-TUJUAN
dan I-TUJUAN
sidang I-TUJUAN
skripsi I-TUJUAN
mahasiswa I-TUJUAN
Prodi I-TUJUAN
DIV I-TUJUAN
Statistika I-TUJUAN
Tahun I-TUJUAN
Ajaran I-TUJUAN
2022 I-TUJUAN
/ I-TUJUAN
2023 I-TUJUAN
di I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS. I-TUJUAN
Otomatisasi O
dapat O
dilakukan O
menggunakan O
algoritma O
genetika O
yang O
meniru O
mekanisme O
genetika O
dan O
seleksi O
alamiah O
dalam O
melakukan O
pencarian O
secara O
efektif. O
Adapun O
metode O
dalam O
melakukan O
pemodelan O
, O
yaitu O
fungsi B-METODE
maksimasi I-METODE
, I-METODE
metode I-METODE
elitism I-METODE
, I-METODE
1-point I-METODE
crossover I-METODE
dan I-METODE
2-point I-METODE
crossover I-METODE
, I-METODE
dan I-METODE
random I-METODE
mutation I-METODE
with I-METODE
modification. I-METODE
Penelitian O
ini O
membagi O
pemodelan O
menjadi O
dua O
tahap O
dimana O
tahap O
pertama O
mengalokasikan O
ke O
dalam O
suatu O
ruangan O
dan O
tahap O
kedua O
mengalokasikan O
ke O
dalam O
suatu O
slot O
waktu. B-TEMUAN
Algoritma I-TEMUAN
genetika I-TEMUAN
mampu I-TEMUAN
menghasilkan I-TEMUAN
penjadwalan I-TEMUAN
yang I-TEMUAN
layak I-TEMUAN
dengan I-TEMUAN
mematuhi I-TEMUAN
aturan I-TEMUAN
yang I-TEMUAN
berlaku I-TEMUAN
secara I-TEMUAN
otomatis I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
waktu I-TEMUAN
kurang I-TEMUAN
dari I-TEMUAN
10 I-TEMUAN
detik. I-TEMUAN
Kata O
Kunci— O
Otomatisasi O
Penjadwalan O
, O
Seminar O
Skripsi O
, O
Ujian O
Sidang O
Skripsi O
, O
Algoritma O
Genetika O
, O
Elitisme O
, O
Pairwise O
Comparisons. O
[SEP] O
Berdasarkan O
penelitian O
yang O
dilakukan O
sejauh O
ini O
, O
adapun O
kesimpulan O
yang O
didapatkan O
, O
yaitu O
: O
1. O
Algoritma B-TEMUAN
genetika I-TEMUAN
mampu I-TEMUAN
menghasilkan I-TEMUAN
penjadwalan I-TEMUAN
yang I-TEMUAN
layak I-TEMUAN
dengan I-TEMUAN
mematuhi I-TEMUAN
aturan I-TEMUAN
yang I-TEMUAN
berlaku I-TEMUAN
secara I-TEMUAN
otomatis I-TEMUAN
dalam I-TEMUAN
waktu I-TEMUAN
yang I-TEMUAN
sangat I-TEMUAN
cepat I-TEMUAN
yaitu I-TEMUAN
kurang I-TEMUAN
dari I-TEMUAN
10 I-TEMUAN
detik. I-TEMUAN
Hasil I-TEMUAN
penjadwalan I-TEMUAN
berupa I-TEMUAN
text I-TEMUAN
file I-TEMUAN
atau I-TEMUAN
Json I-TEMUAN
file. I-TEMUAN
2. O
Penelitian O
ini O
menggunakan O
jumlah O
generasi O
sebanyak O
100 O
dan O
30 O
% O
elitism O
pada O
tahap O
pertama O
menghasilkan O
nilai O
fitness O
sebesar O
22187 O
dan O
jumlah O
generasi O
sebanyak O
50 O
dan O
15 O
% O
elitism O
pada O
tahap O
kedua O
menghasilkan O
nilai O
fitness O
sebesar O
33139. O
Hal O
tersebut O
didapat O
dengan O
hanya O
memerlukan O
519 O
milidetik. O
Nilai O
fitness O
tersebut O
melebihi O
ekspektasi O
sebesar O
22000 O
untuk O
tahap O
pertama O
dan O
33000 O
untuk O
tahap O
kedua. O
3. O
Pada O
tahap O
pertama O
, O
makin O
besar O
jumlah O
generasi O
dan O
persentase O
elitism O
, O
makin O
besar O
nilai O
fitness O
yang O
dihasilkan. O
Sedangkan O
, O
pada O
generasi O
tahap O
kedua O
, O
jumlah O
generasi O
dan O
persentase O
elitism O
tidak O
mempengaruhi O
nilai O
fitness-nya. O
4. O
Setiap O
pengujian O
akan O
mengeluarkan O
solusi O
berbeda O
karena O
algoritma O
ini O
bekerja O
secara O
acak O
, O
namun O
masih O
dapat O
memberikan O
solusi O
yang O
penjadwalan. O
layak O
dalam O
melakukan O
Adapun O
saran O
untuk O
penelitian O
selanjutnya O
, O
yaitu O
: O
1. O
Melakukan O
variasi O
pada O
parameter O
lain O
seperti O
nilai O
probabilitas O
persilangan O
dan O
probabilitas O
mutasi O
untuk O
mendapatkan O
hasil O
yang O
lebih O
optimal. O
2. O
Mengembangkan O
algoritma O
agar O
dapat O
memperhatikan O
aturan O
dan O
batasan O
lain O
, O
seperti O
dosen O
yang O
beririsan O
dengan O
prodi O
lain O
, O
dan O
penggunaan O
alokasi O
yang O
berdasarkan O
jabatan O
dosen. O
3. O
Melakukan O
kombinasi O
dengan O
metode O
lain O
dalam O
melakukan O
optimalisasi. O
4. O
Melakukan O
integrasi O
dengan O
SIPADU O
STIS. O

Pemanfaatan O
Big O
Data O
Terkait O
Akomodasi O
Untuk O
Mendukung O
Sektor O
Pariwisata O
( O
Studi O
Kasus O
: O
Kabupaten O
Belitung O
) O
Risang O
Ayu O
Siwi O
Eka O
Putri O
( O
221910888 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
SST O
, O
M.Si O
Ringkasan—Kabupaten O
Belitung O
adalah O
salah O
satu O
daerah O
yang O
memanfaatkan O
sektor O
pariwisata O
sebagai O
pendapatan O
daerah. O
Jasa O
akomodasi O
termasuk O
usaha O
yang O
menunjang O
sektor O
pariwisata. O
Google O
Maps O
menjadi O
salah O
satu O
media O
untuk O
mendapatkan O
informasi O
mengenai O
akomodasi. O
Fitur O
ulasannya O
dimanfaatkan O
untuk O
analisis B-METODE
sentimen I-METODE
dan O
pemodelan O
topik O
sebagai O
bahan O
evaluasi O
dalam O
membantu O
penetapan O
kebijakan O
oleh O
pemerintah. O
Dilakukan O
juga O
analisis O
nilai O
okupansi O
melalui O
untuk O
mengetahui O
perkembangan O
kinerja O
situs O
Pegipegi O
akomodasi. O
Kedua O
media O
tersebut O
dapat O
dijadikan O
sebagai O
sumber O
alternatif O
sebagai O
pelengkap O
data O
akomodasi O
melalui O
pencocokan O
dengan O
direktori O
BPS O
, O
sehingga O
ketersediaan O
data O
akomodasi O
lebih O
baik. O
Hasil B-TEMUAN
sentimen I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
pada I-TEMUAN
tahun I-TEMUAN
2019-2022 I-TEMUAN
lebih I-TEMUAN
banyak I-TEMUAN
ulasan I-TEMUAN
bersentimen I-TEMUAN
positif I-TEMUAN
dan I-TEMUAN
ulasan I-TEMUAN
bersentimen I-TEMUAN
negatif I-TEMUAN
cenderung I-TEMUAN
mengalami I-TEMUAN
peningkatan I-TEMUAN
tiap I-TEMUAN
tahunnya. I-TEMUAN
Secara O
umum O
, O
topik O
yang O
sering O
dibahas O
adalah O
pelayanan O
, O
fasilitas O
, O
lokasi O
, O
makanan O
, O
kebersihan O
, O
kenyamanan O
, O
dan O
kepuasan. O
Hasil O
pencocokan O
memperoleh O
55 O
akomodasi O
dari O
Google O
Maps O
dan O
36 O
dari O
Pegipegi O
yang O
sesuai O
dengan O
direktori. O
Data O
yang O
dilengkapi O
dari O
direktori O
sebanyak O
49 O
dan O
ditambahkan O
okupansi O
menunjukkan O
hasil O
yang O
cenderung O
naik O
turun O
namun O
tetap O
stabil. O
73. O
Kemudian O
, O
pola O
sebanyak O
Kata O
Kunci— O
akomodasi O
, O
big O
data O
, O
ulasan O
, O
direktori O
, O
okupansi. O
[SEP] O
Gambar O
11. O
Diagram O
Venn O
Hasil O
Scraping O
Pegipegi O
dengan O
Direktori O
Perbedaan O
nama O
akomodasi O
ini O
bisa O
disebabkan O
karena O
adanya O
perbedaan O
pada O
format O
nama O
hasil O
scraping O
maupun O
direktori. O
Sedangkan O
, O
perbedaan O
alamat O
akomodasi O
bisa O
disebabkan O
karena O
adanya O
perbedaan O
format O
alamat O
yang O
digunakan O
pada O
data O
scraping O
dan O
direktori O
seperti O
nama O
jalan O
, O
nomor O
, O
kelurahan O
, O
kecamatan O
, O
kode O
pos O
, O
dan O
sebagainya. O
Berikut O
ini O
menyajikan O
contoh O
data O
direktori O
sebelum O
yang O
telah O
dilengkapi O
dan O
data O
yang O
ditambah O
sebagai O
pendukung O
ketersediaan O
data O
akomodasi O
dalam O
direktori. O
Gambar O
12. O
Contoh O
data O
direktori O
sesudah O
dilengkapi O
Gambar O
13. O
Contoh O
data O
non O
direktori O
yang O
ditambahkan O
Berdasarkan O
hasil O
pencocokan O
dari O
Google O
Maps O
dan O
telah O
dijelaskan O
Pegipegi O
dengan O
direktori O
BPS O
yang O
Dari O
penelitian O
yang O
telah O
dilakukan O
, O
berikut O
merupakan O
kesimpulan O
yang O
dihasilkan. O
1. O
Hasil O
analisis O
sentimen O
menunjukkan O
bahwa O
ulasan O
akomodasi O
pada O
Google O
Maps O
di O
Kabupaten O
Belitung O
tahun O
2019-2022 O
lebih O
banyak O
mengandung O
sentimen O
positif. O
Untuk O
ulasan O
yang O
mengandung O
sentimen O
negatif O
cenderung O
mengalami O
peningkatan O
setiap O
tahunnya. O
2. O
Hasil O
pemodelan O
topik O
pada O
Google O
Maps O
di O
Kabupaten O
Belitung O
menunjukkan O
bahwa O
pada O
tahun O
2019 O
pelanggan O
banyak O
mengulas O
mengenai O
kepuasan O
selama O
menginap O
di O
akomodasi. O
Pada O
tahun O
2020 O
pelanggan O
banyak O
mengulas O
mengenai O
kebersihan O
dan O
kenyamanan O
, O
pada O
tahun O
2021 O
pelanggan O
banyak O
mengulas O
mengenai O
pelayanan O
staf O
yang O
baik. O
Pada O
tahun O
2022 O
pelanggan O
banyak O
mengulas O
mengenai O
kebersihan O
dan O
kenyamanan. O
Namun O
, O
secara O
umum O
topik O
yang O
sering O
dibahas O
adalah O
pelayanan O
, O
fasilitas O
, O
lokasi O
, O
makanan O
, O
kebersihan O
, O
kenyamanan O
, O
dan O
kepuasan O
ketika O
menginap O
di O
akomodasi. O
3. O
Hasil O
perhitungan O
nilai O
okupansi O
menunjukkan O
bahwa O
terdapat O
pola O
naik O
turun O
yang O
awalnya O
stabil O
kemudian O
terlalu O
signifikan. O
terjadi O
penurunan O
yang O
Sehingga O
diperoleh O
bahwa O
jasa O
akomodasi O
di O
Kabupaten O
Belitung O
memiliki O
perkembangan O
kinerja O
yang O
cukup O
baik O
berdasarkan O
situs O
Pegipegi. O
tidak O
4. O
Hasil O
evaluasi O
sumber O
data O
pada O
direktori O
BPS O
menggunakan O
analisis O
kecocokan O
diperoleh O
bahwa O
55 O
akomodasi O
dari O
Google O
Maps O
dan O
36 O
akomodasi O
dari O
Pegipegi O
memiliki O
kemiripan. O
Dari O
pencocokan O
tersebut O
, O
didapatkan O
49 O
akomodasi O
dalam O
direktori O
yang O
dilengkapi O
dan O
73 O
akomodasi O
yang O
ditambahkan O
sebagai O
pelengkap O
direktori. O
Terdapat O
beberapa O
saran O
untuk O
dapat O
mengembangkan O
penelitian O
ini O
, O
yaitu O
: O
1. O
Penelitian O
ini O
menggunakan O
VADER O
dengan O
kamus O
leksikal O
berbahasa O
inggris O
dalam O
mengklasifikasikan O
sentimen. O
Pada O
penelitian O
selanjutnya O
disarankan O
menggunakan O
pendekatan O
lain O
untuk O
bahasa O
Indonesia O
, O
sehingga O
meminimalkan O
kesalahan O
pada O
proses O
penerjemahan. O
2. O
Penelitian O
ini O
mengambil O
data O
jumlah O
kamar O
pada O
sitis O
Pegipegi. O
Disarankan O
untuk O
selanjutnya O
mengambil O
data O
pada O
situs O
travel O
yang O
lain O
seperti O
Traveloka O
, O
7 O
/ O
8 O
Tiket.com O
, O
Booking O
, O
dan O
sebagainya O
, O
agar O
hasil O
okupansi O
lebih O
mewakili O
yang O
sebenarnya. O
3. O
Penelitian O
ini O
menggunakan O
cosine O
similarity O
dan O
manual O
dalam O
analisis O
pencocokan O
karena O
data O
yang O
diperoleh O
tidak O
terlalu O
banyak. O
Namun O
, O
untuk O
data O
berukuran O
lebih O
besar O
disarankan O
untuk O
mencari O
solusi O
lain O
agar O
lebih O
efektif. O

Analisis O
Sentimen O
Data O
Twitter O
Terhadap O
Aplikasi O
Investasi O
Menggunakan O
Metode O
Support O
Vector O
Machine O
( O
Studi O
Kasus O
: O
Aplikasi O
Ajaib O
, O
Bibit O
dan O
Binomo O
) O
Wilda O
Azka O
Adifasany O
( O
221910881 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
SST O
, O
M.Si O
investasi O
online O
tidak O
bertanggung O
Ringkasan— O
Investasi O
merupakan O
kegiatan O
menanamkan O
dana O
atau O
sumber O
daya O
dengan O
harapan O
mendapatkan O
keuntungan O
di O
masa O
depan. O
Dengan O
munculnya O
akan O
memudahkan O
para O
investor O
pemula O
untuk O
melakukan O
investasi. O
Namun O
kemunculan O
investasi O
online O
sering O
disalahgunakan O
oleh O
jawab O
yang O
merupakan O
pihak O
yang O
perusahaan-perusahaan O
ilegal O
tidak O
terdaftar O
dalam O
Otoritas O
Jasa O
Keuangan O
( O
OJK O
) O
. O
Dengan O
memanfaatkan O
data O
dari O
media O
sosial O
Twitter O
, O
penelitian O
ini O
bertujuan O
untuk O
mendapatkan B-TUJUAN
informasi I-TUJUAN
mengenai I-TUJUAN
sentimen I-TUJUAN
masyarakat I-TUJUAN
mengenai I-TUJUAN
aplikasi I-TUJUAN
investasi I-TUJUAN
ilegal I-TUJUAN
yaitu I-TUJUAN
Binomo I-TUJUAN
yang I-TUJUAN
akan I-TUJUAN
dibandingkan I-TUJUAN
dengan I-TUJUAN
aplikasi I-TUJUAN
investasi I-TUJUAN
legal I-TUJUAN
yaitu I-TUJUAN
Ajaib I-TUJUAN
dan I-TUJUAN
Bibit. I-TUJUAN
Selanjutnya O
dilakukan O
analisis B-METODE
sentimen I-METODE
menggunakan O
Support O
Vector O
Machine O
( O
SVM O
) O
dan O
topic O
modelling O
menggunakan O
Latent O
Dirichlet O
Allocation O
( O
LDA O
) O
pada O
tweet O
terkait O
aplikasi O
investasi. O
Hasil B-TEMUAN
Analisis I-TEMUAN
Sentimen I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
klasifikasi I-TEMUAN
sentimen I-TEMUAN
negatif I-TEMUAN
pada I-TEMUAN
Binomo I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
daripada I-TEMUAN
Ajaib I-TEMUAN
dan I-TEMUAN
Bibit. I-TEMUAN
Topic O
Modelling O
menghasilkan O
4 O
topik O
sentimen O
negatif O
pada O
Ajaib O
dan O
Bibit O
yang O
membicarakan O
tentang O
user O
experience O
pada O
aplikasi. O
Dan O
5 O
topik O
sentimen O
negatif O
pada O
Binomo O
yang O
membicarakan O
tentang O
iklan O
dan O
kasus O
penipuan O
yang O
dilakukan O
oleh O
affiliator O
aplikasi. O
Kata O
Kunci— O
aplikasi O
, O
investasi O
, O
analisis O
sentimen O
, O
topic O
modelling. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bab O
sebelumnya O
, O
penelitian O
ini O
telah O
melakukan O
analisis O
sentimen O
masyarakat O
terhadap O
aplikasi O
investasi O
yaitu O
Ajaib O
, O
Bibit O
, O
dan O
Binomo O
melalui O
data O
twitter. O
Berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
1. O
Pandangan O
masyarakat O
Indonesia O
terhadap O
aplikasi O
sentimen O
negatif O
yang O
Binomo O
didominasi O
oleh O
diungkapkan O
masyarakat O
melalui O
tweet O
di O
Twitter O
, O
sedangkan O
pada O
aplikasi O
Ajaib O
dan O
Bibit O
memiliki O
sentimen O
negatif O
yang O
lebih O
sedikit O
dibandingkan O
dengan O
sentimen O
tidak O
negatif. O
Analisis O
sentimen O
dengan O
Support O
Vector O
Machine O
pada O
aplikasi O
Ajaib O
dan O
Bibit O
dalam O
melakukan O
klasifikasi O
sentimen O
negatif O
menunjukkan O
nilai O
precision O
sebesar O
67 O
% O
dan O
recall O
sebesar O
28 O
% O
. O
Nilai O
recall O
yang O
rendah O
menunjukkan O
bahwa O
terdapat O
false O
negative O
yang O
tinggi O
, O
artinya O
masih O
banyak O
sentimen O
negatif O
yang O
diprediksi O
sebagai O
sentimen O
tidak O
negatif. O
Sedangkan O
pada O
aplikasi O
Binomo O
menunjukkan O
nilai O
precision O
sebesar O
88 O
% O
dan O
recall O
sebesar O
88 O
% O
, O
artinya O
klasifikasi O
sentimen O
negatif O
pada O
aplikasi O
Binomo O
lebih O
baik O
daripada O
aplikasi O
Ajaib O
dan O
Bibit. O
2. O
Hasil O
dari O
analisis O
topic O
modelling O
dengan O
metode O
Latent O
Dirichlet O
Allocation O
pada O
aplikasi O
Ajaib O
dan O
Bibit O
diperoleh O
jumlah O
topik O
pada O
sentimen O
negatif O
sebanyak O
4 O
topik O
yang O
menghasilkan O
nilai O
coherence O
sebesar O
0,5899. O
Dari O
keempat O
topik O
tersebut O
ditunjukkan O
bahwa O
topik O
yang O
ramai O
dibicarakan O
yaitu O
terkait O
user O
experience O
pada O
7 O
/ O
8 O
aplikasi. O
Sedangkan O
analisis O
topic O
modelling O
pada O
aplikasi O
Binomo O
diperoleh O
jumlah O
topik O
pada O
sentimen O
negatif O
sebanyak O
5 O
topik O
yang O
menghasilkan O
nilai O
coherence O
sebesar O
0,5123. O
Dari O
kelima O
topik O
tersebut O
ditunjukkan O
bahwa O
topik O
yang O
ramai O
dibicarakan O
yaitu O
terkait O
iklan O
dan O
kasus O
penipuan O
yang O
dilakukan O
oleh O
affiliator O
aplikasi. O
tersebut O
dapat O
diketahui O
Berdasarkan O
penyataan O
perbedaan O
opini O
masyarakat O
terhadap O
aplikasi O
investasi O
legal O
dan O
ilegal O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O
[ O
16 O
] O
[ O
17 O
] O
[ O
18 O
] O
[ O
19 O
] O

Analisis O
Sentimen O
Data O
Twitter O
Terhadap O
Aplikasi O
Investasi O
Menggunakan O
Metode O
Support O
Vector O
Machine O
( O
Studi O
Kasus O
: O
Aplikasi O
Ajaib O
, O
Bibit O
dan O
Binomo O
) O
Wilda O
Azka O
Adifasany O
( O
221910881 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
SST O
, O
M.Si O
investasi O
online O
tidak O
bertanggung O
Ringkasan— O
Investasi O
merupakan O
kegiatan O
menanamkan O
dana O
atau O
sumber O
daya O
dengan O
harapan O
mendapatkan O
keuntungan O
di O
masa O
depan. O
Dengan O
munculnya O
akan O
memudahkan O
para O
investor O
pemula O
untuk O
melakukan O
investasi. O
Namun O
kemunculan O
investasi O
online O
sering O
disalahgunakan O
oleh O
jawab O
yang O
merupakan O
pihak O
yang O
perusahaan-perusahaan O
ilegal O
tidak O
terdaftar O
dalam O
Otoritas O
Jasa O
Keuangan O
( O
OJK O
) O
. O
Dengan O
memanfaatkan O
data O
dari O
media O
sosial O
Twitter O
, O
penelitian O
ini O
bertujuan O
untuk O
mendapatkan B-TUJUAN
informasi I-TUJUAN
mengenai I-TUJUAN
sentimen I-TUJUAN
masyarakat I-TUJUAN
mengenai I-TUJUAN
aplikasi I-TUJUAN
investasi I-TUJUAN
ilegal I-TUJUAN
yaitu I-TUJUAN
Binomo I-TUJUAN
yang I-TUJUAN
akan I-TUJUAN
dibandingkan I-TUJUAN
dengan I-TUJUAN
aplikasi I-TUJUAN
investasi I-TUJUAN
legal I-TUJUAN
yaitu I-TUJUAN
Ajaib I-TUJUAN
dan I-TUJUAN
Bibit. I-TUJUAN
Selanjutnya O
dilakukan O
analisis B-METODE
sentimen I-METODE
menggunakan O
Support O
Vector O
Machine O
( O
SVM O
) O
dan O
topic O
modelling O
menggunakan O
Latent O
Dirichlet O
Allocation O
( O
LDA O
) O
pada O
tweet O
terkait O
aplikasi O
investasi. O
Hasil B-TEMUAN
Analisis I-TEMUAN
Sentimen I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
klasifikasi I-TEMUAN
sentimen I-TEMUAN
negatif I-TEMUAN
pada I-TEMUAN
Binomo I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
daripada I-TEMUAN
Ajaib I-TEMUAN
dan I-TEMUAN
Bibit. I-TEMUAN
Topic O
Modelling O
menghasilkan O
4 O
topik O
sentimen O
negatif O
pada O
Ajaib O
dan O
Bibit O
yang O
membicarakan O
tentang O
user O
experience O
pada O
aplikasi. O
Dan O
5 O
topik O
sentimen O
negatif O
pada O
Binomo O
yang O
membicarakan O
tentang O
iklan O
dan O
kasus O
penipuan O
yang O
dilakukan O
oleh O
affiliator O
aplikasi. O
Kata O
Kunci— O
aplikasi O
, O
investasi O
, O
analisis O
sentimen O
, O
topic O
modelling. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bab O
sebelumnya O
, O
penelitian O
ini O
telah O
melakukan O
analisis O
sentimen O
masyarakat O
terhadap O
aplikasi O
investasi O
yaitu O
Ajaib O
, O
Bibit O
, O
dan O
Binomo O
melalui O
data O
twitter. O
Berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
1. O
Pandangan O
masyarakat O
Indonesia O
terhadap O
aplikasi O
sentimen O
negatif O
yang O
Binomo O
didominasi O
oleh O
diungkapkan O
masyarakat O
melalui O
tweet O
di O
Twitter O
, O
sedangkan O
pada O
aplikasi O
Ajaib O
dan O
Bibit O
memiliki O
sentimen O
negatif O
yang O
lebih O
sedikit O
dibandingkan O
dengan O
sentimen O
tidak O
negatif. O
Analisis O
sentimen O
dengan O
Support O
Vector O
Machine O
pada O
aplikasi O
Ajaib O
dan O
Bibit O
dalam O
melakukan O
klasifikasi O
sentimen O
negatif O
menunjukkan O
nilai O
precision O
sebesar O
67 O
% O
dan O
recall O
sebesar O
28 O
% O
. O
Nilai O
recall O
yang O
rendah O
menunjukkan O
bahwa O
terdapat O
false O
negative O
yang O
tinggi O
, O
artinya O
masih O
banyak O
sentimen O
negatif O
yang O
diprediksi O
sebagai O
sentimen O
tidak O
negatif. O
Sedangkan O
pada O
aplikasi O
Binomo O
menunjukkan O
nilai O
precision O
sebesar O
88 O
% O
dan O
recall O
sebesar O
88 O
% O
, O
artinya O
klasifikasi O
sentimen O
negatif O
pada O
aplikasi O
Binomo O
lebih O
baik O
daripada O
aplikasi O
Ajaib O
dan O
Bibit. O
2. O
Hasil O
dari O
analisis O
topic O
modelling O
dengan O
metode O
Latent O
Dirichlet O
Allocation O
pada O
aplikasi O
Ajaib O
dan O
Bibit O
diperoleh O
jumlah O
topik O
pada O
sentimen O
negatif O
sebanyak O
4 O
topik O
yang O
menghasilkan O
nilai O
coherence O
sebesar O
0,5899. O
Dari O
keempat O
topik O
tersebut O
ditunjukkan O
bahwa O
topik O
yang O
ramai O
dibicarakan O
yaitu O
terkait O
user O
experience O
pada O
7 O
/ O
8 O
aplikasi. O
Sedangkan O
analisis O
topic O
modelling O
pada O
aplikasi O
Binomo O
diperoleh O
jumlah O
topik O
pada O
sentimen O
negatif O
sebanyak O
5 O
topik O
yang O
menghasilkan O
nilai O
coherence O
sebesar O
0,5123. O
Dari O
kelima O
topik O
tersebut O
ditunjukkan O
bahwa O
topik O
yang O
ramai O
dibicarakan O
yaitu O
terkait O
iklan O
dan O
kasus O
penipuan O
yang O
dilakukan O
oleh O
affiliator O
aplikasi. O
tersebut O
dapat O
diketahui O
Berdasarkan O
penyataan O
perbedaan O
opini O
masyarakat O
terhadap O
aplikasi O
investasi O
legal O
dan O
ilegal O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O
[ O
16 O
] O
[ O
17 O
] O
[ O
18 O
] O
[ O
19 O
] O

Deteksi O
Tingkat O
Keparahan O
Cyberbullying O
pada O
Komentar O
Berbahasa O
Indonesia O
di O
Media O
Sosial O
Dian O
Azizah O
( O
221910880 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Lya O
Hulliyyatus O
Suadaa O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Salah O
satu O
bentuk O
kejahatan O
baru O
dari O
perkembangan O
teknologi O
informasi O
dan O
komunikasi O
adalah O
cyberbullying. O
Fenomena O
cyberbullying O
dalam O
hukum O
Indonesia O
dimasukkan O
ke O
dalam O
definisi O
pencemaran O
nama O
baik O
atau O
penghinaan O
atau O
pemerasan. O
Cyberbullying O
berdampak O
serius O
pada O
kondisi O
kejiwaan O
dan O
bisa O
berakibat O
fatal O
yakni O
mengarah O
pada O
tindakan O
bunuh O
diri. O
Untuk O
mengurangi O
dampak O
cyberbullying O
perlu O
dipelajari O
dalam O
hal O
deteksi O
, O
pencegahan O
, O
dan O
mitigasi. O
Namun O
, O
para O
peneliti O
belum O
cukup O
memperhatikan O
sejauh O
mana O
insiden O
cyberbullying O
yang O
berbeda O
dapat O
berdampak O
lebih O
parah O
pada O
korban. O
Oleh O
karena O
itu O
penelitian O
ini O
dilakukan O
untuk O
membuat B-TUJUAN
model I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
mendeteksi I-TUJUAN
tingkat I-TUJUAN
keparahan I-TUJUAN
cyberbullying I-TUJUAN
di I-TUJUAN
media I-TUJUAN
sosial I-TUJUAN
pada I-TUJUAN
tweet I-TUJUAN
berbahasa I-TUJUAN
Indonesia. I-TUJUAN
Dalam O
penelitian O
ini O
, O
subjek O
penelitian O
adalah O
pengguna O
Twitter. O
Metode B-METODE
klasifikasi I-METODE
yang O
digunakan O
adalah O
Multiclass O
SVM O
, O
CNB O
, O
Logistic O
Regression O
dan O
pre-trained O
IndoBERT. O
Berdasarkan O
hasil O
penelitian O
, O
model B-TEMUAN
pre-trained I-TEMUAN
IndoBERT I-TEMUAN
memberikan I-TEMUAN
performa I-TEMUAN
terbaik I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
dan I-TEMUAN
F1-Score I-TEMUAN
masing-masing I-TEMUAN
sebesar I-TEMUAN
90 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
89,96 I-TEMUAN
% I-TEMUAN
. O
Di O
samping O
itu O
, O
di O
antara O
model O
machine O
learning O
yang O
diuji O
, O
model O
SVM O
menunjukkan O
hasil O
terbaik O
dengan O
nilai O
akurasi O
mencapai O
87,23 O
% O
dan O
F1-Score O
mencapai O
87,16 O
% O
. O
Kata O
Kunci— O
Cyberbullying O
, O
Tingkat O
Keparahan O
, O
SVM O
, O
Pre- O
trained O
IndoBERT O
, O
Twitter O
[SEP] O
Dari O
uraian O
hasil O
dan O
pembahasan O
di O
atas O
, O
dapat O
diambil O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Dataset O
untuk O
pendeteksian O
tingkat O
keparahan O
cyberbullying O
telah O
berhasil O
dibangun O
melalui O
proses O
scraping O
data O
Twitter O
yang O
mencakup O
tweet O
balasan. O
Dataset O
ini O
siap O
digunakan O
untuk O
penelitian O
selanjutnya. O
2. O
Telah O
dibangun O
beberapa O
model O
machine O
learning O
, O
antara O
lain O
Multi-class O
SVM O
, O
Complement O
Naïve O
Bayes O
, O
Logistic O
Regression O
, O
serta O
model O
transfer O
learning O
dengan O
menggunakan O
model O
pre-trained O
IndoBERT O
untuk O
pendeteksian O
tingkat O
keparahan O
cyberbullying. O
3. O
Dari O
keempat O
model O
tersebut O
, O
diperoleh O
hasil O
bahwa O
model O
pre-trained O
IndoBERT O
merupakan O
model O
terbaik O
yang O
dapat O
digunakan O
untuk O
mendeteksi O
tingkat O
keparahan O
cyberbullying. O
7 O
/ O
8 O
Dari O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
terdapat O
beberapa O
saran O
yang O
dapat O
diterapkan O
pada O
penelitian O
selanjutnya O
, O
di O
antaranya O
sebagai O
berikut O
: O
1. O
Penelitian O
keterbatasan O
ini O
memiliki O
dalam O
mengumpulkan O
data O
tweet O
balasan O
dari O
pengguna O
Twitter O
melalui O
metode O
web O
scraping O
yang O
hanya O
dapat O
mengambil O
jumlah O
data O
terbatas. O
Untuk O
penelitian O
selanjutnya O
, O
disarankan O
untuk O
mengumpulkan O
lebih O
banyak O
data O
tweet O
balasan O
dari O
Twitter O
menggunakan O
metode O
yang O
berbeda. O
2. O
Penelitian O
ini O
menggunakan O
model O
IndoBERT O
yang O
dilatih O
pada O
korpus O
berbahasa O
Indonesia. O
Namun O
, O
pengguna O
media O
sosial O
saat O
ini O
menggunakan O
bahasa O
campuran O
( O
mix O
languages O
) O
. O
Oleh O
karena O
itu O
, O
disarankan O
untuk O
penelitian O
selanjutnya O
mencoba O
menggunakan O
metode O
Multilingual O
BERT O
( O
mBERT O
) O
yang O
cocok O
untuk O
data O
multilingual. O

Deteksi O
Tingkat O
Keparahan O
Cyberbullying O
pada O
Komentar O
Berbahasa O
Indonesia O
di O
Media O
Sosial O
Dian O
Azizah O
( O
221910880 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Lya O
Hulliyyatus O
Suadaa O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Salah O
satu O
bentuk O
kejahatan O
baru O
dari O
perkembangan O
teknologi O
informasi O
dan O
komunikasi O
adalah O
cyberbullying. O
Fenomena O
cyberbullying O
dalam O
hukum O
Indonesia O
dimasukkan O
ke O
dalam O
definisi O
pencemaran O
nama O
baik O
atau O
penghinaan O
atau O
pemerasan. O
Cyberbullying O
berdampak O
serius O
pada O
kondisi O
kejiwaan O
dan O
bisa O
berakibat O
fatal O
yakni O
mengarah O
pada O
tindakan O
bunuh O
diri. O
Untuk O
mengurangi O
dampak O
cyberbullying O
perlu O
dipelajari O
dalam O
hal O
deteksi O
, O
pencegahan O
, O
dan O
mitigasi. O
Namun O
, O
para O
peneliti O
belum O
cukup O
memperhatikan O
sejauh O
mana O
insiden O
cyberbullying O
yang O
berbeda O
dapat O
berdampak O
lebih O
parah O
pada O
korban. O
Oleh O
karena O
itu O
penelitian O
ini O
dilakukan O
untuk O
membuat B-TUJUAN
model I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
mendeteksi I-TUJUAN
tingkat I-TUJUAN
keparahan I-TUJUAN
cyberbullying I-TUJUAN
di I-TUJUAN
media I-TUJUAN
sosial I-TUJUAN
pada I-TUJUAN
tweet I-TUJUAN
berbahasa I-TUJUAN
Indonesia. I-TUJUAN
Dalam O
penelitian O
ini O
, O
subjek O
penelitian O
adalah O
pengguna O
Twitter. O
Metode B-METODE
klasifikasi I-METODE
yang O
digunakan O
adalah O
Multiclass O
SVM O
, O
CNB O
, O
Logistic O
Regression O
dan O
pre-trained O
IndoBERT. O
Berdasarkan O
hasil O
penelitian O
, O
model B-TEMUAN
pre-trained I-TEMUAN
IndoBERT I-TEMUAN
memberikan I-TEMUAN
performa I-TEMUAN
terbaik I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
dan I-TEMUAN
F1-Score I-TEMUAN
masing-masing I-TEMUAN
sebesar I-TEMUAN
90 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
89,96 I-TEMUAN
% I-TEMUAN
. O
Di O
samping O
itu O
, O
di O
antara O
model O
machine O
learning O
yang O
diuji O
, O
model O
SVM O
menunjukkan O
hasil O
terbaik O
dengan O
nilai O
akurasi O
mencapai O
87,23 O
% O
dan O
F1-Score O
mencapai O
87,16 O
% O
. O
Kata O
Kunci— O
Cyberbullying O
, O
Tingkat O
Keparahan O
, O
SVM O
, O
Pre- O
trained O
IndoBERT O
, O
Twitter O
[SEP] O
Dari O
uraian O
hasil O
dan O
pembahasan O
di O
atas O
, O
dapat O
diambil O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Dataset O
untuk O
pendeteksian O
tingkat O
keparahan O
cyberbullying O
telah O
berhasil O
dibangun O
melalui O
proses O
scraping O
data O
Twitter O
yang O
mencakup O
tweet O
balasan. O
Dataset O
ini O
siap O
digunakan O
untuk O
penelitian O
selanjutnya. O
2. O
Telah O
dibangun O
beberapa O
model O
machine O
learning O
, O
antara O
lain O
Multi-class O
SVM O
, O
Complement O
Naïve O
Bayes O
, O
Logistic O
Regression O
, O
serta O
model O
transfer O
learning O
dengan O
menggunakan O
model O
pre-trained O
IndoBERT O
untuk O
pendeteksian O
tingkat O
keparahan O
cyberbullying. O
3. O
Dari O
keempat O
model O
tersebut O
, O
diperoleh O
hasil O
bahwa O
model O
pre-trained O
IndoBERT O
merupakan O
model O
terbaik O
yang O
dapat O
digunakan O
untuk O
mendeteksi O
tingkat O
keparahan O
cyberbullying. O
7 O
/ O
8 O
Dari O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
terdapat O
beberapa O
saran O
yang O
dapat O
diterapkan O
pada O
penelitian O
selanjutnya O
, O
di O
antaranya O
sebagai O
berikut O
: O
1. O
Penelitian O
keterbatasan O
ini O
memiliki O
dalam O
mengumpulkan O
data O
tweet O
balasan O
dari O
pengguna O
Twitter O
melalui O
metode O
web O
scraping O
yang O
hanya O
dapat O
mengambil O
jumlah O
data O
terbatas. O
Untuk O
penelitian O
selanjutnya O
, O
disarankan O
untuk O
mengumpulkan O
lebih O
banyak O
data O
tweet O
balasan O
dari O
Twitter O
menggunakan O
metode O
yang O
berbeda. O
2. O
Penelitian O
ini O
menggunakan O
model O
IndoBERT O
yang O
dilatih O
pada O
korpus O
berbahasa O
Indonesia. O
Namun O
, O
pengguna O
media O
sosial O
saat O
ini O
menggunakan O
bahasa O
campuran O
( O
mix O
languages O
) O
. O
Oleh O
karena O
itu O
, O
disarankan O
untuk O
penelitian O
selanjutnya O
mencoba O
menggunakan O
metode O
Multilingual O
BERT O
( O
mBERT O
) O
yang O
cocok O
untuk O
data O
multilingual. O

Deteksi O
Tingkat O
Keparahan O
Cyberbullying O
pada O
Komentar O
Berbahasa O
Indonesia O
di O
Media O
Sosial O
Dian O
Azizah O
( O
221910880 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Lya O
Hulliyyatus O
Suadaa O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Salah O
satu O
bentuk O
kejahatan O
baru O
dari O
perkembangan O
teknologi O
informasi O
dan O
komunikasi O
adalah O
cyberbullying. O
Fenomena O
cyberbullying O
dalam O
hukum O
Indonesia O
dimasukkan O
ke O
dalam O
definisi O
pencemaran O
nama O
baik O
atau O
penghinaan O
atau O
pemerasan. O
Cyberbullying O
berdampak O
serius O
pada O
kondisi O
kejiwaan O
dan O
bisa O
berakibat O
fatal O
yakni O
mengarah O
pada O
tindakan O
bunuh O
diri. O
Untuk O
mengurangi O
dampak O
cyberbullying O
perlu O
dipelajari O
dalam O
hal O
deteksi O
, O
pencegahan O
, O
dan O
mitigasi. O
Namun O
, O
para O
peneliti O
belum O
cukup O
memperhatikan O
sejauh O
mana O
insiden O
cyberbullying O
yang O
berbeda O
dapat O
berdampak O
lebih O
parah O
pada O
korban. O
Oleh O
karena O
itu O
penelitian O
ini O
dilakukan O
untuk O
membuat B-TUJUAN
model I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
mendeteksi I-TUJUAN
tingkat I-TUJUAN
keparahan I-TUJUAN
cyberbullying I-TUJUAN
di I-TUJUAN
media I-TUJUAN
sosial I-TUJUAN
pada I-TUJUAN
tweet I-TUJUAN
berbahasa I-TUJUAN
Indonesia. I-TUJUAN
Dalam O
penelitian O
ini O
, O
subjek O
penelitian O
adalah O
pengguna O
Twitter. O
Metode B-METODE
klasifikasi I-METODE
yang O
digunakan O
adalah O
Multiclass O
SVM O
, O
CNB O
, O
Logistic O
Regression O
dan O
pre-trained O
IndoBERT. O
Berdasarkan O
hasil O
penelitian O
, O
model B-TEMUAN
pre-trained I-TEMUAN
IndoBERT I-TEMUAN
memberikan I-TEMUAN
performa I-TEMUAN
terbaik I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
dan I-TEMUAN
F1-Score I-TEMUAN
masing-masing I-TEMUAN
sebesar I-TEMUAN
90 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
89,96 I-TEMUAN
% I-TEMUAN
. O
Di O
samping O
itu O
, O
di O
antara O
model O
machine O
learning O
yang O
diuji O
, O
model O
SVM O
menunjukkan O
hasil O
terbaik O
dengan O
nilai O
akurasi O
mencapai O
87,23 O
% O
dan O
F1-Score O
mencapai O
87,16 O
% O
. O
Kata O
Kunci— O
Cyberbullying O
, O
Tingkat O
Keparahan O
, O
SVM O
, O
Pre- O
trained O
IndoBERT O
, O
Twitter O
[SEP] O
Dari O
uraian O
hasil O
dan O
pembahasan O
di O
atas O
, O
dapat O
diambil O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Dataset O
untuk O
pendeteksian O
tingkat O
keparahan O
cyberbullying O
telah O
berhasil O
dibangun O
melalui O
proses O
scraping O
data O
Twitter O
yang O
mencakup O
tweet O
balasan. O
Dataset O
ini O
siap O
digunakan O
untuk O
penelitian O
selanjutnya. O
2. O
Telah O
dibangun O
beberapa O
model O
machine O
learning O
, O
antara O
lain O
Multi-class O
SVM O
, O
Complement O
Naïve O
Bayes O
, O
Logistic O
Regression O
, O
serta O
model O
transfer O
learning O
dengan O
menggunakan O
model O
pre-trained O
IndoBERT O
untuk O
pendeteksian O
tingkat O
keparahan O
cyberbullying. O
3. O
Dari O
keempat O
model O
tersebut O
, O
diperoleh O
hasil O
bahwa O
model O
pre-trained O
IndoBERT O
merupakan O
model O
terbaik O
yang O
dapat O
digunakan O
untuk O
mendeteksi O
tingkat O
keparahan O
cyberbullying. O
7 O
/ O
8 O
Dari O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
terdapat O
beberapa O
saran O
yang O
dapat O
diterapkan O
pada O
penelitian O
selanjutnya O
, O
di O
antaranya O
sebagai O
berikut O
: O
1. O
Penelitian O
keterbatasan O
ini O
memiliki O
dalam O
mengumpulkan O
data O
tweet O
balasan O
dari O
pengguna O
Twitter O
melalui O
metode O
web O
scraping O
yang O
hanya O
dapat O
mengambil O
jumlah O
data O
terbatas. O
Untuk O
penelitian O
selanjutnya O
, O
disarankan O
untuk O
mengumpulkan O
lebih O
banyak O
data O
tweet O
balasan O
dari O
Twitter O
menggunakan O
metode O
yang O
berbeda. O
2. O
Penelitian O
ini O
menggunakan O
model O
IndoBERT O
yang O
dilatih O
pada O
korpus O
berbahasa O
Indonesia. O
Namun O
, O
pengguna O
media O
sosial O
saat O
ini O
menggunakan O
bahasa O
campuran O
( O
mix O
languages O
) O
. O
Oleh O
karena O
itu O
, O
disarankan O
untuk O
penelitian O
selanjutnya O
mencoba O
menggunakan O
metode O
Multilingual O
BERT O
( O
mBERT O
) O
yang O
cocok O
untuk O
data O
multilingual. O

Pengaruh O
Faktor O
Lingkungan O
Berdasarkan O
Citra O
Satelit O
terhadap O
Jumlah O
Kasus O
Tuberkulosis O
di O
Pulau O
Jawa O
Tahun O
2021 O
Apriliyanti O
Eka O
Putri O
( O
221910879 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Prof. O
Setia O
Pramana O
, O
S.Si. O
, O
M.Sc. O
, O
Ph.D O
Ringkasan— O
Tuberkulosis O
merupakan O
10 O
penyakit O
teratas O
di O
dunia O
yang O
menyebabkan O
kematian O
dan O
merupakan O
penyakit O
menular O
yang O
paling O
berbahaya. O
Salah O
satu O
faktor O
dari O
penyebaran O
dan O
penularan O
Tuberkulosis O
adalah O
lingkungan. O
Data O
dari O
citra O
satelit O
mampu O
memberikan O
informasi O
spasial O
tentang O
sebaran O
dan O
kondisi O
kualitas O
lingkungan O
dengan O
cepat O
dan O
akurat. O
Tujuan O
penelitian O
ini O
untuk O
mengetahui B-TUJUAN
gambaran I-TUJUAN
umum I-TUJUAN
sebaran I-TUJUAN
Tuberkulosis I-TUJUAN
di I-TUJUAN
Pulau I-TUJUAN
Jawa I-TUJUAN
dan I-TUJUAN
mengidentifikasi I-TUJUAN
faktor- I-TUJUAN
faktor I-TUJUAN
yang I-TUJUAN
mempengaruhi I-TUJUAN
dengan I-TUJUAN
mempertimbangkan I-TUJUAN
efek I-TUJUAN
ada I-TUJUAN
tidaknya I-TUJUAN
pengaruh I-TUJUAN
antar I-TUJUAN
wilayah I-TUJUAN
yang I-TUJUAN
berdekatan. I-TUJUAN
Metode O
penelitian O
ini O
menggunakan O
pendekatan O
Geographically B-METODE
Weighted I-METODE
Negative I-METODE
Binomial I-METODE
Regression I-METODE
( O
GWNBR O
) O
. O
Hasil O
penelitian O
menunjukkan O
bahwa O
jumlah B-TEMUAN
kasus I-TEMUAN
Tuberkulosis I-TEMUAN
di I-TEMUAN
Pulau I-TEMUAN
Jawa I-TEMUAN
persebarannya I-TEMUAN
cenderung I-TEMUAN
berkelompok I-TEMUAN
antara I-TEMUAN
wilayah I-TEMUAN
dengan I-TEMUAN
jumlah I-TEMUAN
kasus I-TEMUAN
tinggi I-TEMUAN
maupun I-TEMUAN
rendah I-TEMUAN
, I-TEMUAN
sehingga I-TEMUAN
menandakan I-TEMUAN
terdapat I-TEMUAN
efek I-TEMUAN
spasial I-TEMUAN
antar I-TEMUAN
wilayah. I-TEMUAN
Berdasarkan O
hasil O
GWNBR O
menunjukan O
adanya O
perbedaan O
signifikansi O
variabel O
di O
tiap O
wilayah O
dan O
membentuk O
sebanyak O
64 O
kelompok O
kecamataan O
berdasarkan O
variabel O
yang O
signifikan. O
Dengan O
penelitian O
ini O
diharapkan O
dapat O
membantu O
para O
pemangku O
kepentingan O
dalam O
membuat O
kebijakan O
untuk O
masing-masing O
wilayah O
dalam O
pencegahan O
dan O
penanggulangan O
Tuberkulosis O
di O
Pulau O
Jawa. O
Kata O
Kunci— O
Tuberkulosis O
, O
spasial O
, O
citra O
satelit O
, O
GWNBR O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
yang O
telah O
dijabarkan O
pada O
bagian O
sebelumnya O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
1. O
Persebaran O
jumlah O
kasus O
TB O
pada O
kecamatan O
di O
Pulau O
Jawa O
membentuk O
pola O
yang O
mengelompok O
di O
beberapa O
tinggi O
wilayah. O
Wilayah O
yang O
memiliki O
kategori O
umumnya O
dikelilingi O
oleh O
wilayah O
yang O
berkategori O
tinggi O
juga O
, O
begitupun O
dengan O
wilayah O
yang O
berkategori O
rendah. O
Pada O
wilayah O
yang O
memiliki O
kategori O
tinggi O
berada O
di O
DKI O
Jakarta O
, O
dan O
beberapa O
kecamatan O
di O
Provinsi O
Jawa O
Barat O
dan O
Banten O
yang O
berada O
di O
sekitarnya O
, O
kemudian O
beberapa O
kecamatan O
di O
Provinsi O
Jawa O
Tengah. O
Sementara O
untuk O
wilayah O
berkategori O
rendah O
berkumpul O
pada O
sebagian O
besar O
Provinsi O
Jawa O
Tengah O
, O
DI O
Yogyakarta O
, O
dan O
Jawa O
Timur. O
2. O
Varians O
antar O
lokasi O
pengamatan O
dengan O
lokasi O
lainnya O
berbeda-beda O
sehingga O
parameter O
yang O
dihasilkan O
terdapat O
berbeda-beda O
dependensi O
spasial O
yang O
berarti O
bahwa O
pengamatan O
suatu O
lokasi O
bergantung O
pada O
pengamatan O
lokasi O
yang O
letaknya O
berdekatan. O
tiap O
wilayah. O
Kemudian O
3. O
Pemodelan O
dengan O
menggunakan O
model O
GWNBR O
untuk O
mengidentifikasi O
variabel O
yang O
mempengaruhi O
jumlah O
kasus O
TB O
di O
Pulau O
Jawa O
membentuk O
64 O
kelompok O
kecamatan O
yang O
berbeda O
berdasarkan O
variabel O
yang O
signifikan. O
[ O
1 O
] O
Kemenkes O
RI O
, O
Profil O
Kesehatan O
Indonesia O
2021. O
2022. O

Pengaruh O
Faktor O
Lingkungan O
Berdasarkan O
Citra O
Satelit O
terhadap O
Jumlah O
Kasus O
Tuberkulosis O
di O
Pulau O
Jawa O
Tahun O
2021 O
Apriliyanti O
Eka O
Putri O
( O
221910879 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Prof. O
Setia O
Pramana O
, O
S.Si. O
, O
M.Sc. O
, O
Ph.D O
Ringkasan— O
Tuberkulosis O
merupakan O
10 O
penyakit O
teratas O
di O
dunia O
yang O
menyebabkan O
kematian O
dan O
merupakan O
penyakit O
menular O
yang O
paling O
berbahaya. O
Salah O
satu O
faktor O
dari O
penyebaran O
dan O
penularan O
Tuberkulosis O
adalah O
lingkungan. O
Data O
dari O
citra O
satelit O
mampu O
memberikan O
informasi O
spasial O
tentang O
sebaran O
dan O
kondisi O
kualitas O
lingkungan O
dengan O
cepat O
dan O
akurat. O
Tujuan O
penelitian O
ini O
untuk O
mengetahui B-TUJUAN
gambaran I-TUJUAN
umum I-TUJUAN
sebaran I-TUJUAN
Tuberkulosis I-TUJUAN
di I-TUJUAN
Pulau I-TUJUAN
Jawa I-TUJUAN
dan I-TUJUAN
mengidentifikasi I-TUJUAN
faktor- I-TUJUAN
faktor I-TUJUAN
yang I-TUJUAN
mempengaruhi I-TUJUAN
dengan I-TUJUAN
mempertimbangkan I-TUJUAN
efek I-TUJUAN
ada I-TUJUAN
tidaknya I-TUJUAN
pengaruh I-TUJUAN
antar I-TUJUAN
wilayah I-TUJUAN
yang I-TUJUAN
berdekatan. I-TUJUAN
Metode O
penelitian O
ini O
menggunakan O
pendekatan O
Geographically B-METODE
Weighted I-METODE
Negative I-METODE
Binomial I-METODE
Regression I-METODE
( O
GWNBR O
) O
. O
Hasil O
penelitian O
menunjukkan O
bahwa O
jumlah B-TEMUAN
kasus I-TEMUAN
Tuberkulosis I-TEMUAN
di I-TEMUAN
Pulau I-TEMUAN
Jawa I-TEMUAN
persebarannya I-TEMUAN
cenderung I-TEMUAN
berkelompok I-TEMUAN
antara I-TEMUAN
wilayah I-TEMUAN
dengan I-TEMUAN
jumlah I-TEMUAN
kasus I-TEMUAN
tinggi I-TEMUAN
maupun I-TEMUAN
rendah I-TEMUAN
, I-TEMUAN
sehingga I-TEMUAN
menandakan I-TEMUAN
terdapat I-TEMUAN
efek I-TEMUAN
spasial I-TEMUAN
antar I-TEMUAN
wilayah. I-TEMUAN
Berdasarkan O
hasil O
GWNBR O
menunjukan O
adanya O
perbedaan O
signifikansi O
variabel O
di O
tiap O
wilayah O
dan O
membentuk O
sebanyak O
64 O
kelompok O
kecamataan O
berdasarkan O
variabel O
yang O
signifikan. O
Dengan O
penelitian O
ini O
diharapkan O
dapat O
membantu O
para O
pemangku O
kepentingan O
dalam O
membuat O
kebijakan O
untuk O
masing-masing O
wilayah O
dalam O
pencegahan O
dan O
penanggulangan O
Tuberkulosis O
di O
Pulau O
Jawa. O
Kata O
Kunci— O
Tuberkulosis O
, O
spasial O
, O
citra O
satelit O
, O
GWNBR O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
yang O
telah O
dijabarkan O
pada O
bagian O
sebelumnya O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
1. O
Persebaran O
jumlah O
kasus O
TB O
pada O
kecamatan O
di O
Pulau O
Jawa O
membentuk O
pola O
yang O
mengelompok O
di O
beberapa O
tinggi O
wilayah. O
Wilayah O
yang O
memiliki O
kategori O
umumnya O
dikelilingi O
oleh O
wilayah O
yang O
berkategori O
tinggi O
juga O
, O
begitupun O
dengan O
wilayah O
yang O
berkategori O
rendah. O
Pada O
wilayah O
yang O
memiliki O
kategori O
tinggi O
berada O
di O
DKI O
Jakarta O
, O
dan O
beberapa O
kecamatan O
di O
Provinsi O
Jawa O
Barat O
dan O
Banten O
yang O
berada O
di O
sekitarnya O
, O
kemudian O
beberapa O
kecamatan O
di O
Provinsi O
Jawa O
Tengah. O
Sementara O
untuk O
wilayah O
berkategori O
rendah O
berkumpul O
pada O
sebagian O
besar O
Provinsi O
Jawa O
Tengah O
, O
DI O
Yogyakarta O
, O
dan O
Jawa O
Timur. O
2. O
Varians O
antar O
lokasi O
pengamatan O
dengan O
lokasi O
lainnya O
berbeda-beda O
sehingga O
parameter O
yang O
dihasilkan O
terdapat O
berbeda-beda O
dependensi O
spasial O
yang O
berarti O
bahwa O
pengamatan O
suatu O
lokasi O
bergantung O
pada O
pengamatan O
lokasi O
yang O
letaknya O
berdekatan. O
tiap O
wilayah. O
Kemudian O
3. O
Pemodelan O
dengan O
menggunakan O
model O
GWNBR O
untuk O
mengidentifikasi O
variabel O
yang O
mempengaruhi O
jumlah O
kasus O
TB O
di O
Pulau O
Jawa O
membentuk O
64 O
kelompok O
kecamatan O
yang O
berbeda O
berdasarkan O
variabel O
yang O
signifikan. O
[ O
1 O
] O
Kemenkes O
RI O
, O
Profil O
Kesehatan O
Indonesia O
2021. O
2022. O

Pengaruh O
Faktor O
Lingkungan O
Berdasarkan O
Citra O
Satelit O
terhadap O
Jumlah O
Kasus O
Tuberkulosis O
di O
Pulau O
Jawa O
Tahun O
2021 O
Apriliyanti O
Eka O
Putri O
( O
221910879 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Prof. O
Setia O
Pramana O
, O
S.Si. O
, O
M.Sc. O
, O
Ph.D O
Ringkasan— O
Tuberkulosis O
merupakan O
10 O
penyakit O
teratas O
di O
dunia O
yang O
menyebabkan O
kematian O
dan O
merupakan O
penyakit O
menular O
yang O
paling O
berbahaya. O
Salah O
satu O
faktor O
dari O
penyebaran O
dan O
penularan O
Tuberkulosis O
adalah O
lingkungan. O
Data O
dari O
citra O
satelit O
mampu O
memberikan O
informasi O
spasial O
tentang O
sebaran O
dan O
kondisi O
kualitas O
lingkungan O
dengan O
cepat O
dan O
akurat. O
Tujuan O
penelitian O
ini O
untuk O
mengetahui B-TUJUAN
gambaran I-TUJUAN
umum I-TUJUAN
sebaran I-TUJUAN
Tuberkulosis I-TUJUAN
di I-TUJUAN
Pulau I-TUJUAN
Jawa I-TUJUAN
dan I-TUJUAN
mengidentifikasi I-TUJUAN
faktor- I-TUJUAN
faktor I-TUJUAN
yang I-TUJUAN
mempengaruhi I-TUJUAN
dengan I-TUJUAN
mempertimbangkan I-TUJUAN
efek I-TUJUAN
ada I-TUJUAN
tidaknya I-TUJUAN
pengaruh I-TUJUAN
antar I-TUJUAN
wilayah I-TUJUAN
yang I-TUJUAN
berdekatan. I-TUJUAN
Metode O
penelitian O
ini O
menggunakan O
pendekatan O
Geographically B-METODE
Weighted I-METODE
Negative I-METODE
Binomial I-METODE
Regression I-METODE
( O
GWNBR O
) O
. O
Hasil O
penelitian O
menunjukkan O
bahwa O
jumlah B-TEMUAN
kasus I-TEMUAN
Tuberkulosis I-TEMUAN
di I-TEMUAN
Pulau I-TEMUAN
Jawa I-TEMUAN
persebarannya I-TEMUAN
cenderung I-TEMUAN
berkelompok I-TEMUAN
antara I-TEMUAN
wilayah I-TEMUAN
dengan I-TEMUAN
jumlah I-TEMUAN
kasus I-TEMUAN
tinggi I-TEMUAN
maupun I-TEMUAN
rendah I-TEMUAN
, I-TEMUAN
sehingga I-TEMUAN
menandakan I-TEMUAN
terdapat I-TEMUAN
efek I-TEMUAN
spasial I-TEMUAN
antar I-TEMUAN
wilayah. I-TEMUAN
Berdasarkan O
hasil O
GWNBR O
menunjukan O
adanya O
perbedaan O
signifikansi O
variabel O
di O
tiap O
wilayah O
dan O
membentuk O
sebanyak O
64 O
kelompok O
kecamataan O
berdasarkan O
variabel O
yang O
signifikan. O
Dengan O
penelitian O
ini O
diharapkan O
dapat O
membantu O
para O
pemangku O
kepentingan O
dalam O
membuat O
kebijakan O
untuk O
masing-masing O
wilayah O
dalam O
pencegahan O
dan O
penanggulangan O
Tuberkulosis O
di O
Pulau O
Jawa. O
Kata O
Kunci— O
Tuberkulosis O
, O
spasial O
, O
citra O
satelit O
, O
GWNBR O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
yang O
telah O
dijabarkan O
pada O
bagian O
sebelumnya O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
1. O
Persebaran O
jumlah O
kasus O
TB O
pada O
kecamatan O
di O
Pulau O
Jawa O
membentuk O
pola O
yang O
mengelompok O
di O
beberapa O
tinggi O
wilayah. O
Wilayah O
yang O
memiliki O
kategori O
umumnya O
dikelilingi O
oleh O
wilayah O
yang O
berkategori O
tinggi O
juga O
, O
begitupun O
dengan O
wilayah O
yang O
berkategori O
rendah. O
Pada O
wilayah O
yang O
memiliki O
kategori O
tinggi O
berada O
di O
DKI O
Jakarta O
, O
dan O
beberapa O
kecamatan O
di O
Provinsi O
Jawa O
Barat O
dan O
Banten O
yang O
berada O
di O
sekitarnya O
, O
kemudian O
beberapa O
kecamatan O
di O
Provinsi O
Jawa O
Tengah. O
Sementara O
untuk O
wilayah O
berkategori O
rendah O
berkumpul O
pada O
sebagian O
besar O
Provinsi O
Jawa O
Tengah O
, O
DI O
Yogyakarta O
, O
dan O
Jawa O
Timur. O
2. O
Varians O
antar O
lokasi O
pengamatan O
dengan O
lokasi O
lainnya O
berbeda-beda O
sehingga O
parameter O
yang O
dihasilkan O
terdapat O
berbeda-beda O
dependensi O
spasial O
yang O
berarti O
bahwa O
pengamatan O
suatu O
lokasi O
bergantung O
pada O
pengamatan O
lokasi O
yang O
letaknya O
berdekatan. O
tiap O
wilayah. O
Kemudian O
3. O
Pemodelan O
dengan O
menggunakan O
model O
GWNBR O
untuk O
mengidentifikasi O
variabel O
yang O
mempengaruhi O
jumlah O
kasus O
TB O
di O
Pulau O
Jawa O
membentuk O
64 O
kelompok O
kecamatan O
yang O
berbeda O
berdasarkan O
variabel O
yang O
signifikan. O
[ O
1 O
] O
Kemenkes O
RI O
, O
Profil O
Kesehatan O
Indonesia O
2021. O
2022. O

Analisis O
Sentimen O
dan O
Pemodelan O
Topik O
Pada O
Tweet O
Terkait O
Data O
Badan O
Pusat O
Statistik O
Adielia O
Amanda O
( O
221910874 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Erna O
Nurmawati O
, O
SST O
, O
M.T. O
Data O
Survei O
Kebutuhan O
Ringkasan— O
Setiap O
tahunnya O
, O
Badan O
Pusat O
Statistik O
rutin O
menyelenggarakan O
untuk O
mengidentifikasi O
kebutuhan O
data O
dan O
tingkat O
kepuasan O
konsumen O
terhadap O
kualitas O
data O
yang O
dihasilkan O
BPS. O
Namun O
, O
responden O
dalam O
SKD O
hanya O
mencakup O
konsumen O
yang O
pernah O
menerima O
layanan O
dari O
unit O
Pelayanan O
Statistik O
Terpadu O
di O
BPS O
pada O
tahun O
tertentu. O
Maka O
, O
untuk O
menjangkau O
opini O
dari O
masyarakat O
yang O
mengakses O
data O
BPS O
selain O
melalui O
unit O
PST O
, O
dibutuhkan O
metode O
lain O
yaitu O
dengan O
media O
sosial O
, O
terutama O
Twitter. O
Penelitian O
ini O
menggunakan O
data O
Twitter O
untuk O
menganalisis O
sentimen O
masyarakat O
terkait O
data O
BPS. O
Untuk O
melihat O
persebaran O
topik O
pembicaraan O
masyarakat O
mengenai O
indikator O
data O
BPS O
, O
maka O
dilakukan O
pemodelan O
sentimen O
menggunakan O
model O
Bidirectional O
Encoder O
Representations O
from O
Transformers O
( O
BERT O
) O
berbahasa O
Indonesia O
, O
yaitu O
IndoBERT. O
topik O
menggunakan O
metode O
Latent O
Dirichlet O
Pemodelan O
Allocation O
( O
LDA O
) O
. O
Berdasarkan O
hasil O
analisis O
sentimen O
selama O
periode O
2020 O
- O
2022 O
, O
tweet B-TEMUAN
terkait I-TEMUAN
data I-TEMUAN
BPS I-TEMUAN
lebih I-TEMUAN
banyak I-TEMUAN
mengandung I-TEMUAN
sentimen I-TEMUAN
yang I-TEMUAN
netral. I-TEMUAN
Sedangkan O
pada O
pemodelan O
topik O
, O
menghasilkan O
jumlah O
topik O
yang O
beragam O
tiap O
tahunnya. O
Pada O
tahun O
2020 O
dan O
2021 O
, O
topik O
yang O
paling O
sering O
dibicarakan O
sesuai O
dengan O
data O
statistik O
Survei O
Kebutuhan O
Data O
2020 O
dan O
2021 O
bagian O
kebutuhan O
data O
berdasarkan O
ragam O
data. O
Sedangkan O
pada O
tahun O
2022 O
, O
topik O
yang O
paling O
sering O
dibicarakan O
berbeda O
dengan O
data O
statistik O
Survei O
Kebutuhan O
Data O
2020. O
topik. O
Proses O
analisis O
Kata O
Kunci— O
data O
bps O
, O
analisis O
sentimen O
, O
pemodelan O
topik O
, O
IndoBERT O
, O
LDA. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
diperoleh O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Hasil O
2. O
Hasil O
analisis O
pemodelan O
sentimen O
menggunakan O
model O
IndoBERT O
dengan O
hyperparameter O
terpilih O
yaitu O
learning O
rate O
sebesar O
2e-5 O
dan O
batch O
size O
sebanyak O
32 O
, O
menunjukkan O
bahwa O
gambaran B-TEMUAN
respon I-TEMUAN
dan I-TEMUAN
opini I-TEMUAN
masyarakat I-TEMUAN
terkait I-TEMUAN
data I-TEMUAN
BPS I-TEMUAN
melalui I-TEMUAN
Twitter I-TEMUAN
selama I-TEMUAN
periode I-TEMUAN
2020-2022 I-TEMUAN
, I-TEMUAN
mengandung I-TEMUAN
lebih I-TEMUAN
banyak I-TEMUAN
sentimen I-TEMUAN
netral I-TEMUAN
( I-TEMUAN
86,1 I-TEMUAN
% I-TEMUAN
) I-TEMUAN
dibandingkan I-TEMUAN
dengan I-TEMUAN
sentimen I-TEMUAN
negatif I-TEMUAN
( I-TEMUAN
7,4 I-TEMUAN
% I-TEMUAN
) I-TEMUAN
dan I-TEMUAN
positif I-TEMUAN
( I-TEMUAN
6,5 I-TEMUAN
% I-TEMUAN
) I-TEMUAN
. O
Sentimen O
netral O
muncul O
lebih O
banyak O
karena O
sebagian O
besar O
tweet O
mengenai O
data O
BPS O
membahas O
tentang O
kegiatan O
pengumpulan O
data O
BPS O
dan O
hasil O
statistik O
data O
BPS. O
Dimana O
hal O
ini O
tergolong O
sentimen O
netral O
karena O
berupa O
informasi O
, O
bukan O
sentimen O
respon O
tertentu. O
topik O
tahun O
menghasilkan O
jumlah O
topik O
yang O
berbeda O
sesuai O
dengan O
nilai O
coherence O
tertinggi. O
Pada O
tahun O
2020 O
, O
jumlah O
topik O
yang O
dihasilkan O
adalah O
sebanyak O
5 O
topik O
, O
dengan O
kemunculan O
topik O
tertinggi O
yaitu O
indikator O
kemiskinan O
dan O
indikator O
sensus O
penduduk O
yang O
berada O
pada O
ragam O
data O
Statistik O
Sosial. O
Pada O
tahun O
2021 O
, O
jumlah O
topik O
yang O
dihasilkan O
adalah O
sebanyak O
3 O
topik O
, O
dengan O
kemunculan O
tertinggi O
yaitu O
indikator O
kemiskinan O
dan O
indikator O
sensus O
penduduk O
yang O
berada O
pada O
ragam O
data O
Statistik O
Sosial. O
Sedangkan O
pada O
tahun O
2022 O
, O
jumlah O
topik O
yang O
topik O
, O
dengan O
dihasilkan O
adalah O
kemunculan O
topik O
tertinggi O
yaitu O
indikator O
ekonomi O
yang O
berada O
pada O
ragam O
data O
Statistik O
Distribusi O
dan O
Jasa. O
sebanyak O
2 O
setiap O
topik O
pada O
3. O
Hasil O
pemodelan O
topik O
pada O
tahun O
2020 O
menunjukkan O
bahwa O
ragam O
data O
Statistik O
Sosial O
merupakan O
topik O
yang O
paling O
sering O
dibicarakan O
pada O
tweet O
terkait O
data O
BPS. O
Hal O
ini O
sejalan O
dengan O
data O
statistik O
Survei O
Kebutuhan O
Data O
2020. O
Lalu O
, O
hasil O
pemodelan O
topik O
pada O
tahun O
2021 O
menunjukkan O
bahwa O
ragam O
data O
Statistik O
Sosial O
merupakan O
topik O
yang O
paling O
sering O
dibicarakan O
pada O
tweet O
terkait O
data O
BPS. O
Hal O
ini O
juga O
sejalan O
dengan O
data O
statistik O
Survei O
Kebutuhan O
Data O
2021. O
Sedangkan O
, O
Hasil O
pemodelan O
topik O
pada O
tahun O
2022 O
menunjukkan O
bahwa O
ragam O
data O
Statistik O
Distribusi O
dan O
Jasa O
merupakan O
topik O
yang O
paling O
sering O
dibicarakan O
pada O
tweet O
terkait O
data O
BPS. O
Hal O
ini O
berbeda O
dengan O
data O
statistik O
Survei O
Kebutuhan O
Data O
2022 O
yang O
menyatakan O
bahwa O
ragam O
data O
Statistik O
Sosial O
merupakan O
ragam O
data O
yang O
paling O
banyak O
dibutuhkan O
( O
43,26 O
% O
) O
. O
Perbedaan O
ini O
terjadi O
akibat O
para O
pengguna O
Twitter O
lebih O
sering O
membicarakan O
data O
BPS O
bidang O
ekonomi O
dan O
sosial O
, O
terkait O
dengan O
adanya O
kegiatan O
Registrasi O
Sosial O
Ekonomi O
( O
Regsosek O
) O
2022. O
Penelitian O
selanjutnya O
diharapkan O
dapat O
mencari O
metode O
analisis O
sentimen O
dan O
evaluasi O
topik O
yang O
lebih O
baik O
, O
agar O
dapat O
meningkatkan O
hasil O
analisis. O
Kemudian O
, O
proses O
analisis O
dapat O
dilakukan O
tweet O
berdasarkan O
lokasi O
dan O
mengidentifikasi O
akun O
atau O
tokoh O
yang O
lebih O
mendalam O
, O
seperti O
menganalisis O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
banyak O
dibicarakan O
dari O
suatu O
topik. O
Selain O
itu O
, O
penelitian O
ini O
dapat O
dikembangkan O
dengan O
menghubungkan O
hasil O
penelitian O
dengan O
data O
statistik O
Survei O
Kebutuhan O
Data O
pada O
bagian O
Kepuasan O
konsumen O
data O
BPS O
berdasarkan O
dimensi O
kualitas. O

Kajian O
Implementasi O
Virtual O
Lab O
sebagai O
Media O
Pembelajaran O
Ethical O
Hacking O
I O
Wayan O
Chandra O
Purwatmaja O
( O
221910870 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T O
, O
M.T. O
Ringkasan— O
Keamanan O
informasi O
merupakan O
aspek O
penting O
dalam O
organisasi O
, O
termasuk O
instansi O
pemerintah O
seperti O
BPS. O
Maraknya O
kasus O
peretasan O
dan O
kebocoran O
di O
instansi O
pemerintah O
oleh O
hacker O
membuat O
kebutuhan O
tenaga O
yang O
ahli O
dalam O
bidang O
keamanan O
informasi O
( O
siber O
) O
semakin O
meningkat. O
Ethical O
hacking O
merupakan O
aktivitas O
peretasan O
yang O
dilakukan O
dengan O
cara O
mencari O
celah O
atau O
kelemahan O
pada O
sebuah O
jaringan O
, O
baik O
komputer O
, O
aplikasi O
, O
maupun O
website O
untuk O
memperkuat O
keamanan O
sistem. O
Salah O
satu O
sarana O
untuk O
pembelajaran O
ethical O
hacking O
adalah O
mengembangkan O
lingkungan O
pembelajaran O
dengan O
laboratorium O
virtual. O
Penelitian O
ini O
bertujuan O
untuk O
membuat B-TUJUAN
virtual I-TUJUAN
lab I-TUJUAN
dan I-TUJUAN
mengkaji I-TUJUAN
penerapan I-TUJUAN
virtual I-TUJUAN
lab I-TUJUAN
sebagai I-TUJUAN
media I-TUJUAN
pembelajaran I-TUJUAN
ethical I-TUJUAN
hacking. I-TUJUAN
Metode O
penelitian O
yang O
digunakan O
adalah O
Design B-METODE
Science I-METODE
Research I-METODE
( I-METODE
DSR I-METODE
) I-METODE
. O
Simulasi O
uji O
penetrasi O
dilakukan O
menggunakan O
metode B-METODE
Vulnerability I-METODE
Assessment I-METODE
and I-METODE
Penetration I-METODE
Testing I-METODE
( I-METODE
VAPT I-METODE
) I-METODE
. O
Hasil O
penelitian O
menunjukkan O
bahwa O
virtual B-TEMUAN
lab I-TEMUAN
berhasil I-TEMUAN
dibuat I-TEMUAN
dengan I-TEMUAN
fungsionalitas I-TEMUAN
yang I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
skenario I-TEMUAN
simulasi I-TEMUAN
uji I-TEMUAN
penetrasi. I-TEMUAN
Evaluasi B-TEMUAN
penggunaan I-TEMUAN
virtual I-TEMUAN
lab I-TEMUAN
menggunakan I-TEMUAN
System I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
menghasilkan I-TEMUAN
skor I-TEMUAN
sebesar I-TEMUAN
70,24 I-TEMUAN
, I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
menunjukkan I-TEMUAN
tingkat I-TEMUAN
kegunaan I-TEMUAN
yang I-TEMUAN
baik I-TEMUAN
( I-TEMUAN
acceptable I-TEMUAN
) I-TEMUAN
. I-TEMUAN
Kata O
Kunci— O
Virtual O
lab O
, O
Ethical O
hacking O
, O
Penetration O
Testing O
, O
VAPT. O
[SEP] O
Dari O
penelitian O
yang O
telah O
dilakukan O
, O
kesimpulan O
yang O
bisa O
diperoleh O
adalah O
sebagai O
berikut O
: O
1. O
Penelitian B-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
merancang I-TEMUAN
dan I-TEMUAN
membuat I-TEMUAN
laboratorium I-TEMUAN
virtual I-TEMUAN
sebagai I-TEMUAN
sarana I-TEMUAN
untuk I-TEMUAN
mempelajari I-TEMUAN
ethical I-TEMUAN
hacking I-TEMUAN
dengan I-TEMUAN
melakukan I-TEMUAN
simulasi I-TEMUAN
uji I-TEMUAN
penetrasi I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
Vulnerability I-TEMUAN
Assessment I-TEMUAN
and I-TEMUAN
Penetration I-TEMUAN
Testing. I-TEMUAN
Implementasi I-TEMUAN
fitur-fitur I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
pada I-TEMUAN
virtual I-TEMUAN
lab I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
skenario I-TEMUAN
simulasi I-TEMUAN
serangan I-TEMUAN
dengan I-TEMUAN
6 I-TEMUAN
modul I-TEMUAN
lab I-TEMUAN
yaitu I-TEMUAN
Instalasi I-TEMUAN
Parrot I-TEMUAN
OS I-TEMUAN
, I-TEMUAN
Metasploitable2 I-TEMUAN
, I-TEMUAN
Windows I-TEMUAN
, I-TEMUAN
Exploit I-TEMUAN
FTP I-TEMUAN
, I-TEMUAN
Exploit I-TEMUAN
Telnet I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
Exploit I-TEMUAN
Windows. I-TEMUAN
Hasil O
pengujian O
Black-box B-METODE
Testing I-METODE
menunjukkan O
bahwa O
implementasi O
pada O
sistem O
virtual O
lab O
yang O
dibangun O
telah O
berfungsi. O
2. O
Evaluasi O
virtual O
lab O
dengan O
penerimaan O
pengguna O
telah O
berhasil O
dilakukan O
dengan O
skor O
SUS O
70,24. O
Hal O
ini O
dapat O
disimpulkan O
bahwa O
virtual O
lab O
dapat O
digunakan O
untuk O
mempelajari O
ethical O
hacking O
terutama O
di O
lab. O
Evaluasi O
penggunaan O
virtual O
lab O
juga O
melihat O
tahapan O
mana O
yang O
mudah O
yaitu O
tahapan O
Instalasi O
Windows O
dan O
yang O
paling O
sulit O
yaitu O
Exploiting O
Telnet. O
Untuk O
keperluan O
penelitian O
selanjutnya O
, O
peneliti O
juga O
memberikan O
beberapa O
saran O
sebagai O
berikut O
: O
1. O
Pembangunan O
virtual O
lab O
bisa O
dikaji O
untuk O
menggunakan O
teknologi O
virtualisasi O
berbasis O
cloud O
atau O
terintegrasi O
melalui O
virtual O
( O
remote O
) O
. O
2. O
Metode O
ethical O
hacking O
yang O
digunakan O
bisa O
bervariasi O
dan O
bermacam-macam O
skenario O
tahapan O
proses O
ethical O
hacking. O
Pada O
simulasi O
serangan O
terhadap O
virtual O
machine O
target O
( O
metasploitable O
) O
, O
masih O
dapat O
dilakukan O
beberapa O
macam O
penyerangan O
serta O
pola O
serangan O
yang O
lain. O

Kajian O
Implementasi O
Virtual O
Lab O
sebagai O
Media O
Pembelajaran O
Ethical O
Hacking O
I O
Wayan O
Chandra O
Purwatmaja O
( O
221910870 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T O
, O
M.T. O
Ringkasan— O
Keamanan O
informasi O
merupakan O
aspek O
penting O
dalam O
organisasi O
, O
termasuk O
instansi O
pemerintah O
seperti O
BPS. O
Maraknya O
kasus O
peretasan O
dan O
kebocoran O
di O
instansi O
pemerintah O
oleh O
hacker O
membuat O
kebutuhan O
tenaga O
yang O
ahli O
dalam O
bidang O
keamanan O
informasi O
( O
siber O
) O
semakin O
meningkat. O
Ethical O
hacking O
merupakan O
aktivitas O
peretasan O
yang O
dilakukan O
dengan O
cara O
mencari O
celah O
atau O
kelemahan O
pada O
sebuah O
jaringan O
, O
baik O
komputer O
, O
aplikasi O
, O
maupun O
website O
untuk O
memperkuat O
keamanan O
sistem. O
Salah O
satu O
sarana O
untuk O
pembelajaran O
ethical O
hacking O
adalah O
mengembangkan O
lingkungan O
pembelajaran O
dengan O
laboratorium O
virtual. O
Penelitian O
ini O
bertujuan O
untuk O
membuat B-TUJUAN
virtual I-TUJUAN
lab I-TUJUAN
dan I-TUJUAN
mengkaji I-TUJUAN
penerapan I-TUJUAN
virtual I-TUJUAN
lab I-TUJUAN
sebagai I-TUJUAN
media I-TUJUAN
pembelajaran I-TUJUAN
ethical I-TUJUAN
hacking. I-TUJUAN
Metode O
penelitian O
yang O
digunakan O
adalah O
Design B-METODE
Science I-METODE
Research I-METODE
( I-METODE
DSR I-METODE
) I-METODE
. O
Simulasi O
uji O
penetrasi O
dilakukan O
menggunakan O
metode B-METODE
Vulnerability I-METODE
Assessment I-METODE
and I-METODE
Penetration I-METODE
Testing I-METODE
( I-METODE
VAPT I-METODE
) I-METODE
. O
Hasil O
penelitian O
menunjukkan O
bahwa O
virtual B-TEMUAN
lab I-TEMUAN
berhasil I-TEMUAN
dibuat I-TEMUAN
dengan I-TEMUAN
fungsionalitas I-TEMUAN
yang I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
skenario I-TEMUAN
simulasi I-TEMUAN
uji I-TEMUAN
penetrasi. I-TEMUAN
Evaluasi B-TEMUAN
penggunaan I-TEMUAN
virtual I-TEMUAN
lab I-TEMUAN
menggunakan I-TEMUAN
System I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
menghasilkan I-TEMUAN
skor I-TEMUAN
sebesar I-TEMUAN
70,24 I-TEMUAN
, I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
menunjukkan I-TEMUAN
tingkat I-TEMUAN
kegunaan I-TEMUAN
yang I-TEMUAN
baik I-TEMUAN
( I-TEMUAN
acceptable I-TEMUAN
) I-TEMUAN
. I-TEMUAN
Kata O
Kunci— O
Virtual O
lab O
, O
Ethical O
hacking O
, O
Penetration O
Testing O
, O
VAPT. O
[SEP] O
Dari O
penelitian O
yang O
telah O
dilakukan O
, O
kesimpulan O
yang O
bisa O
diperoleh O
adalah O
sebagai O
berikut O
: O
1. O
Penelitian B-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
merancang I-TEMUAN
dan I-TEMUAN
membuat I-TEMUAN
laboratorium I-TEMUAN
virtual I-TEMUAN
sebagai I-TEMUAN
sarana I-TEMUAN
untuk I-TEMUAN
mempelajari I-TEMUAN
ethical I-TEMUAN
hacking I-TEMUAN
dengan I-TEMUAN
melakukan I-TEMUAN
simulasi I-TEMUAN
uji I-TEMUAN
penetrasi I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
Vulnerability I-TEMUAN
Assessment I-TEMUAN
and I-TEMUAN
Penetration I-TEMUAN
Testing. I-TEMUAN
Implementasi I-TEMUAN
fitur-fitur I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
pada I-TEMUAN
virtual I-TEMUAN
lab I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
skenario I-TEMUAN
simulasi I-TEMUAN
serangan I-TEMUAN
dengan I-TEMUAN
6 I-TEMUAN
modul I-TEMUAN
lab I-TEMUAN
yaitu I-TEMUAN
Instalasi I-TEMUAN
Parrot I-TEMUAN
OS I-TEMUAN
, I-TEMUAN
Metasploitable2 I-TEMUAN
, I-TEMUAN
Windows I-TEMUAN
, I-TEMUAN
Exploit I-TEMUAN
FTP I-TEMUAN
, I-TEMUAN
Exploit I-TEMUAN
Telnet I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
Exploit I-TEMUAN
Windows. I-TEMUAN
Hasil O
pengujian O
Black-box B-METODE
Testing I-METODE
menunjukkan O
bahwa O
implementasi O
pada O
sistem O
virtual O
lab O
yang O
dibangun O
telah O
berfungsi. O
2. O
Evaluasi O
virtual O
lab O
dengan O
penerimaan O
pengguna O
telah O
berhasil O
dilakukan O
dengan O
skor O
SUS O
70,24. O
Hal O
ini O
dapat O
disimpulkan O
bahwa O
virtual O
lab O
dapat O
digunakan O
untuk O
mempelajari O
ethical O
hacking O
terutama O
di O
lab. O
Evaluasi O
penggunaan O
virtual O
lab O
juga O
melihat O
tahapan O
mana O
yang O
mudah O
yaitu O
tahapan O
Instalasi O
Windows O
dan O
yang O
paling O
sulit O
yaitu O
Exploiting O
Telnet. O
Untuk O
keperluan O
penelitian O
selanjutnya O
, O
peneliti O
juga O
memberikan O
beberapa O
saran O
sebagai O
berikut O
: O
1. O
Pembangunan O
virtual O
lab O
bisa O
dikaji O
untuk O
menggunakan O
teknologi O
virtualisasi O
berbasis O
cloud O
atau O
terintegrasi O
melalui O
virtual O
( O
remote O
) O
. O
2. O
Metode O
ethical O
hacking O
yang O
digunakan O
bisa O
bervariasi O
dan O
bermacam-macam O
skenario O
tahapan O
proses O
ethical O
hacking. O
Pada O
simulasi O
serangan O
terhadap O
virtual O
machine O
target O
( O
metasploitable O
) O
, O
masih O
dapat O
dilakukan O
beberapa O
macam O
penyerangan O
serta O
pola O
serangan O
yang O
lain. O

Kajian O
Implementasi O
Virtual O
Lab O
sebagai O
Media O
Pembelajaran O
Ethical O
Hacking O
I O
Wayan O
Chandra O
Purwatmaja O
( O
221910870 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T O
, O
M.T. O
Ringkasan— O
Keamanan O
informasi O
merupakan O
aspek O
penting O
dalam O
organisasi O
, O
termasuk O
instansi O
pemerintah O
seperti O
BPS. O
Maraknya O
kasus O
peretasan O
dan O
kebocoran O
di O
instansi O
pemerintah O
oleh O
hacker O
membuat O
kebutuhan O
tenaga O
yang O
ahli O
dalam O
bidang O
keamanan O
informasi O
( O
siber O
) O
semakin O
meningkat. O
Ethical O
hacking O
merupakan O
aktivitas O
peretasan O
yang O
dilakukan O
dengan O
cara O
mencari O
celah O
atau O
kelemahan O
pada O
sebuah O
jaringan O
, O
baik O
komputer O
, O
aplikasi O
, O
maupun O
website O
untuk O
memperkuat O
keamanan O
sistem. O
Salah O
satu O
sarana O
untuk O
pembelajaran O
ethical O
hacking O
adalah O
mengembangkan O
lingkungan O
pembelajaran O
dengan O
laboratorium O
virtual. O
Penelitian O
ini O
bertujuan O
untuk O
membuat B-TUJUAN
virtual I-TUJUAN
lab I-TUJUAN
dan I-TUJUAN
mengkaji I-TUJUAN
penerapan I-TUJUAN
virtual I-TUJUAN
lab I-TUJUAN
sebagai I-TUJUAN
media I-TUJUAN
pembelajaran I-TUJUAN
ethical I-TUJUAN
hacking. I-TUJUAN
Metode O
penelitian O
yang O
digunakan O
adalah O
Design B-METODE
Science I-METODE
Research I-METODE
( I-METODE
DSR I-METODE
) I-METODE
. O
Simulasi O
uji O
penetrasi O
dilakukan O
menggunakan O
metode B-METODE
Vulnerability I-METODE
Assessment I-METODE
and I-METODE
Penetration I-METODE
Testing I-METODE
( I-METODE
VAPT I-METODE
) I-METODE
. O
Hasil O
penelitian O
menunjukkan O
bahwa O
virtual B-TEMUAN
lab I-TEMUAN
berhasil I-TEMUAN
dibuat I-TEMUAN
dengan I-TEMUAN
fungsionalitas I-TEMUAN
yang I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
skenario I-TEMUAN
simulasi I-TEMUAN
uji I-TEMUAN
penetrasi. I-TEMUAN
Evaluasi B-TEMUAN
penggunaan I-TEMUAN
virtual I-TEMUAN
lab I-TEMUAN
menggunakan I-TEMUAN
System I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
menghasilkan I-TEMUAN
skor I-TEMUAN
sebesar I-TEMUAN
70,24 I-TEMUAN
, I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
menunjukkan I-TEMUAN
tingkat I-TEMUAN
kegunaan I-TEMUAN
yang I-TEMUAN
baik I-TEMUAN
( I-TEMUAN
acceptable I-TEMUAN
) I-TEMUAN
. I-TEMUAN
Kata O
Kunci— O
Virtual O
lab O
, O
Ethical O
hacking O
, O
Penetration O
Testing O
, O
VAPT. O
[SEP] O
Dari O
penelitian O
yang O
telah O
dilakukan O
, O
kesimpulan O
yang O
bisa O
diperoleh O
adalah O
sebagai O
berikut O
: O
1. O
Penelitian B-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
merancang I-TEMUAN
dan I-TEMUAN
membuat I-TEMUAN
laboratorium I-TEMUAN
virtual I-TEMUAN
sebagai I-TEMUAN
sarana I-TEMUAN
untuk I-TEMUAN
mempelajari I-TEMUAN
ethical I-TEMUAN
hacking I-TEMUAN
dengan I-TEMUAN
melakukan I-TEMUAN
simulasi I-TEMUAN
uji I-TEMUAN
penetrasi I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
Vulnerability I-TEMUAN
Assessment I-TEMUAN
and I-TEMUAN
Penetration I-TEMUAN
Testing. I-TEMUAN
Implementasi I-TEMUAN
fitur-fitur I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
pada I-TEMUAN
virtual I-TEMUAN
lab I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
skenario I-TEMUAN
simulasi I-TEMUAN
serangan I-TEMUAN
dengan I-TEMUAN
6 I-TEMUAN
modul I-TEMUAN
lab I-TEMUAN
yaitu I-TEMUAN
Instalasi I-TEMUAN
Parrot I-TEMUAN
OS I-TEMUAN
, I-TEMUAN
Metasploitable2 I-TEMUAN
, I-TEMUAN
Windows I-TEMUAN
, I-TEMUAN
Exploit I-TEMUAN
FTP I-TEMUAN
, I-TEMUAN
Exploit I-TEMUAN
Telnet I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
Exploit I-TEMUAN
Windows. I-TEMUAN
Hasil O
pengujian O
Black-box B-METODE
Testing I-METODE
menunjukkan O
bahwa O
implementasi O
pada O
sistem O
virtual O
lab O
yang O
dibangun O
telah O
berfungsi. O
2. O
Evaluasi O
virtual O
lab O
dengan O
penerimaan O
pengguna O
telah O
berhasil O
dilakukan O
dengan O
skor O
SUS O
70,24. O
Hal O
ini O
dapat O
disimpulkan O
bahwa O
virtual O
lab O
dapat O
digunakan O
untuk O
mempelajari O
ethical O
hacking O
terutama O
di O
lab. O
Evaluasi O
penggunaan O
virtual O
lab O
juga O
melihat O
tahapan O
mana O
yang O
mudah O
yaitu O
tahapan O
Instalasi O
Windows O
dan O
yang O
paling O
sulit O
yaitu O
Exploiting O
Telnet. O
Untuk O
keperluan O
penelitian O
selanjutnya O
, O
peneliti O
juga O
memberikan O
beberapa O
saran O
sebagai O
berikut O
: O
1. O
Pembangunan O
virtual O
lab O
bisa O
dikaji O
untuk O
menggunakan O
teknologi O
virtualisasi O
berbasis O
cloud O
atau O
terintegrasi O
melalui O
virtual O
( O
remote O
) O
. O
2. O
Metode O
ethical O
hacking O
yang O
digunakan O
bisa O
bervariasi O
dan O
bermacam-macam O
skenario O
tahapan O
proses O
ethical O
hacking. O
Pada O
simulasi O
serangan O
terhadap O
virtual O
machine O
target O
( O
metasploitable O
) O
, O
masih O
dapat O
dilakukan O
beberapa O
macam O
penyerangan O
serta O
pola O
serangan O
yang O
lain. O

Kajian O
Implementasi O
Virtual O
Lab O
sebagai O
Media O
Pembelajaran O
Ethical O
Hacking O
I O
Wayan O
Chandra O
Purwatmaja O
( O
221910870 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T O
, O
M.T. O
Ringkasan— O
Keamanan O
informasi O
merupakan O
aspek O
penting O
dalam O
organisasi O
, O
termasuk O
instansi O
pemerintah O
seperti O
BPS. O
Maraknya O
kasus O
peretasan O
dan O
kebocoran O
di O
instansi O
pemerintah O
oleh O
hacker O
membuat O
kebutuhan O
tenaga O
yang O
ahli O
dalam O
bidang O
keamanan O
informasi O
( O
siber O
) O
semakin O
meningkat. O
Ethical O
hacking O
merupakan O
aktivitas O
peretasan O
yang O
dilakukan O
dengan O
cara O
mencari O
celah O
atau O
kelemahan O
pada O
sebuah O
jaringan O
, O
baik O
komputer O
, O
aplikasi O
, O
maupun O
website O
untuk O
memperkuat O
keamanan O
sistem. O
Salah O
satu O
sarana O
untuk O
pembelajaran O
ethical O
hacking O
adalah O
mengembangkan O
lingkungan O
pembelajaran O
dengan O
laboratorium O
virtual. O
Penelitian O
ini O
bertujuan O
untuk O
membuat B-TUJUAN
virtual I-TUJUAN
lab I-TUJUAN
dan I-TUJUAN
mengkaji I-TUJUAN
penerapan I-TUJUAN
virtual I-TUJUAN
lab I-TUJUAN
sebagai I-TUJUAN
media I-TUJUAN
pembelajaran I-TUJUAN
ethical I-TUJUAN
hacking. I-TUJUAN
Metode O
penelitian O
yang O
digunakan O
adalah O
Design B-METODE
Science I-METODE
Research I-METODE
( I-METODE
DSR I-METODE
) I-METODE
. O
Simulasi O
uji O
penetrasi O
dilakukan O
menggunakan O
metode B-METODE
Vulnerability I-METODE
Assessment I-METODE
and I-METODE
Penetration I-METODE
Testing I-METODE
( I-METODE
VAPT I-METODE
) I-METODE
. O
Hasil O
penelitian O
menunjukkan O
bahwa O
virtual B-TEMUAN
lab I-TEMUAN
berhasil I-TEMUAN
dibuat I-TEMUAN
dengan I-TEMUAN
fungsionalitas I-TEMUAN
yang I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
skenario I-TEMUAN
simulasi I-TEMUAN
uji I-TEMUAN
penetrasi. I-TEMUAN
Evaluasi B-TEMUAN
penggunaan I-TEMUAN
virtual I-TEMUAN
lab I-TEMUAN
menggunakan I-TEMUAN
System I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
menghasilkan I-TEMUAN
skor I-TEMUAN
sebesar I-TEMUAN
70,24 I-TEMUAN
, I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
menunjukkan I-TEMUAN
tingkat I-TEMUAN
kegunaan I-TEMUAN
yang I-TEMUAN
baik I-TEMUAN
( I-TEMUAN
acceptable I-TEMUAN
) I-TEMUAN
. I-TEMUAN
Kata O
Kunci— O
Virtual O
lab O
, O
Ethical O
hacking O
, O
Penetration O
Testing O
, O
VAPT. O
[SEP] O
Dari O
penelitian O
yang O
telah O
dilakukan O
, O
kesimpulan O
yang O
bisa O
diperoleh O
adalah O
sebagai O
berikut O
: O
1. O
Penelitian B-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
merancang I-TEMUAN
dan I-TEMUAN
membuat I-TEMUAN
laboratorium I-TEMUAN
virtual I-TEMUAN
sebagai I-TEMUAN
sarana I-TEMUAN
untuk I-TEMUAN
mempelajari I-TEMUAN
ethical I-TEMUAN
hacking I-TEMUAN
dengan I-TEMUAN
melakukan I-TEMUAN
simulasi I-TEMUAN
uji I-TEMUAN
penetrasi I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
Vulnerability I-TEMUAN
Assessment I-TEMUAN
and I-TEMUAN
Penetration I-TEMUAN
Testing. I-TEMUAN
Implementasi I-TEMUAN
fitur-fitur I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
pada I-TEMUAN
virtual I-TEMUAN
lab I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
skenario I-TEMUAN
simulasi I-TEMUAN
serangan I-TEMUAN
dengan I-TEMUAN
6 I-TEMUAN
modul I-TEMUAN
lab I-TEMUAN
yaitu I-TEMUAN
Instalasi I-TEMUAN
Parrot I-TEMUAN
OS I-TEMUAN
, I-TEMUAN
Metasploitable2 I-TEMUAN
, I-TEMUAN
Windows I-TEMUAN
, I-TEMUAN
Exploit I-TEMUAN
FTP I-TEMUAN
, I-TEMUAN
Exploit I-TEMUAN
Telnet I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
Exploit I-TEMUAN
Windows. I-TEMUAN
Hasil O
pengujian O
Black-box B-METODE
Testing I-METODE
menunjukkan O
bahwa O
implementasi O
pada O
sistem O
virtual O
lab O
yang O
dibangun O
telah O
berfungsi. O
2. O
Evaluasi O
virtual O
lab O
dengan O
penerimaan O
pengguna O
telah O
berhasil O
dilakukan O
dengan O
skor O
SUS O
70,24. O
Hal O
ini O
dapat O
disimpulkan O
bahwa O
virtual O
lab O
dapat O
digunakan O
untuk O
mempelajari O
ethical O
hacking O
terutama O
di O
lab. O
Evaluasi O
penggunaan O
virtual O
lab O
juga O
melihat O
tahapan O
mana O
yang O
mudah O
yaitu O
tahapan O
Instalasi O
Windows O
dan O
yang O
paling O
sulit O
yaitu O
Exploiting O
Telnet. O
Untuk O
keperluan O
penelitian O
selanjutnya O
, O
peneliti O
juga O
memberikan O
beberapa O
saran O
sebagai O
berikut O
: O
1. O
Pembangunan O
virtual O
lab O
bisa O
dikaji O
untuk O
menggunakan O
teknologi O
virtualisasi O
berbasis O
cloud O
atau O
terintegrasi O
melalui O
virtual O
( O
remote O
) O
. O
2. O
Metode O
ethical O
hacking O
yang O
digunakan O
bisa O
bervariasi O
dan O
bermacam-macam O
skenario O
tahapan O
proses O
ethical O
hacking. O
Pada O
simulasi O
serangan O
terhadap O
virtual O
machine O
target O
( O
metasploitable O
) O
, O
masih O
dapat O
dilakukan O
beberapa O
macam O
penyerangan O
serta O
pola O
serangan O
yang O
lain. O

Analisis O
Sentimen O
Twitter O
Berdasarkan O
Topik O
Keamanan O
Data O
Pribadi O
dengan O
Metode O
Long O
Short-Term O
Memory O
dan O
Word O
Embedding O
Muamar O
Khadafi O
( O
221910864 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Bony O
Parulian O
Josaphat O
, O
S.Si. O
, O
M.Si. O
Ringkasan— O
Menurut O
perusahaan O
siber O
Surfshark O
, O
keamanan O
data O
pribadi O
di O
Indonesia O
dalam O
keadaan O
genting O
saat O
ini O
, O
terbukti O
dari O
kuartal O
I O
tahun O
2022 O
jumlah O
kebocoran O
data O
melonjak O
hingga O
143 O
% O
pada O
kuartal O
II O
tahun O
2022 O
[ O
1 O
] O
. O
Masyarakat O
semakin O
khawatir O
dengan O
Keamanan O
Data O
Pribadi O
mereka O
karena O
kebocoran O
data O
pemerintah O
yang O
disebabkan O
oleh O
seorang O
hacker. O
Untuk B-TUJUAN
mengetahui I-TUJUAN
respon I-TUJUAN
masyarakat I-TUJUAN
yang I-TUJUAN
beragam I-TUJUAN
terkait I-TUJUAN
keamanan I-TUJUAN
data I-TUJUAN
pribadi I-TUJUAN
, I-TUJUAN
peneliti O
memilih O
media O
sosial O
Twitter. O
Penelitian O
ini O
menggunakan O
tweet O
sebagai O
dataset O
yang O
kemudian O
dilakukan O
klasifikasi B-METODE
menggunakan O
Multinomial O
Naïve O
Bayes O
Classifier O
( O
NBC O
) O
, O
analisis B-METODE
sentimen I-METODE
menggunakan O
Long O
Short-Term O
Memory O
( O
LSTM O
) O
ditambah O
Word O
Embedding O
, O
dan O
analisis O
pemodelan O
topik O
menggunakan O
Latent O
Dirichlet O
Allocation O
( O
LDA O
) O
. O
Hasil B-TEMUAN
dari I-TEMUAN
klasifikasi I-TEMUAN
menunjukkan I-TEMUAN
lebih I-TEMUAN
banyak I-TEMUAN
sentimen I-TEMUAN
netral I-TEMUAN
terkait I-TEMUAN
topik I-TEMUAN
Keamanan I-TEMUAN
Data I-TEMUAN
Pribadi. I-TEMUAN
Selanjutnya O
, O
hasil B-TEMUAN
analisis I-TEMUAN
sentimen I-TEMUAN
menggunakan I-TEMUAN
LSTM I-TEMUAN
dan I-TEMUAN
Word I-TEMUAN
Embedding I-TEMUAN
menghasilkan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
84.2 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
hasil I-TEMUAN
tersebut I-TEMUAN
lebih I-TEMUAN
tinggi I-TEMUAN
dibandingkan I-TEMUAN
akurasi I-TEMUAN
RNN I-TEMUAN
dan I-TEMUAN
lebih I-TEMUAN
rendah I-TEMUAN
dibandingkan I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
Multinomial I-TEMUAN
Naïve I-TEMUAN
Bayes I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
sebesar I-TEMUAN
74,8 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
87 I-TEMUAN
% I-TEMUAN
. O
Terakhir O
, O
diperoleh O
3 O
topik O
yang O
berkaitan O
dengan O
Keamanan O
Data O
Pribadi O
menggunakan O
pemodelan O
topik O
LDA. O
Kata O
Kunci— O
Keamanan O
Data O
Pribadi O
, O
LSTM O
, O
LDA O
, O
Twitter O
, O
Masyarakat. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
1. O
Berdasarkan O
tujuan O
pertama O
penelitian O
, O
hasil O
analisis O
deskriptif O
dari O
klasifikasi O
Multinomial O
NBC O
menunjukkan O
bahwa O
sebaran O
opini O
masyarakat O
terkait O
Keamanan O
Data O
Pribadi O
berdasarkan O
data O
Twitter O
selama O
bulan O
Agustus O
sampai O
November O
2022 O
mengandung O
lebih O
banyak O
sentimen O
Netral O
dibandingkan O
dengan O
sentimen O
Negatif O
dan O
Positif. O
2. O
Berdasarkan O
tujuan O
kedua O
penelitian O
, O
penggunaan O
metode O
LSTM O
dengan O
Word O
Embedding O
FastText O
untuk O
melakukan O
analisis O
sentimen O
terhadap O
data O
Tweet O
Keamanan O
Data O
Pribadi O
berbahasa O
Indonesia O
menghasilkan O
akurasi O
sebesar O
84,2 O
% O
, O
lebih O
tinggi O
dari O
RNN O
yang O
akurasinya O
sebesar O
74,8 O
% O
dan O
lebih O
rendah O
dari O
Multinomial O
Naïve O
Bayes O
yang O
akurasinya O
sebesar O
87 O
% O
. O
ketiga O
tujuan O
3. O
Berdasarkan O
hasil O
pemodelan O
topik O
menggunakan O
LDA O
diperoleh O
3 O
topik O
dengan O
nilai O
koherensi O
tertinggi O
yang O
berkaitan O
dengan O
keamanan O
data O
pribadi O
, O
di O
mana O
3 O
topik O
tersebut O
tidak O
saling O
berkaitan O
satu O
sama O
lain. O
penelitian O
, O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O

Analisis O
Sentimen O
Twitter O
Berdasarkan O
Topik O
Keamanan O
Data O
Pribadi O
dengan O
Metode O
Long O
Short-Term O
Memory O
dan O
Word O
Embedding O
Muamar O
Khadafi O
( O
221910864 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Bony O
Parulian O
Josaphat O
, O
S.Si. O
, O
M.Si. O
Ringkasan— O
Menurut O
perusahaan O
siber O
Surfshark O
, O
keamanan O
data O
pribadi O
di O
Indonesia O
dalam O
keadaan O
genting O
saat O
ini O
, O
terbukti O
dari O
kuartal O
I O
tahun O
2022 O
jumlah O
kebocoran O
data O
melonjak O
hingga O
143 O
% O
pada O
kuartal O
II O
tahun O
2022 O
[ O
1 O
] O
. O
Masyarakat O
semakin O
khawatir O
dengan O
Keamanan O
Data O
Pribadi O
mereka O
karena O
kebocoran O
data O
pemerintah O
yang O
disebabkan O
oleh O
seorang O
hacker. O
Untuk B-TUJUAN
mengetahui I-TUJUAN
respon I-TUJUAN
masyarakat I-TUJUAN
yang I-TUJUAN
beragam I-TUJUAN
terkait I-TUJUAN
keamanan I-TUJUAN
data I-TUJUAN
pribadi I-TUJUAN
, I-TUJUAN
peneliti O
memilih O
media O
sosial O
Twitter. O
Penelitian O
ini O
menggunakan O
tweet O
sebagai O
dataset O
yang O
kemudian O
dilakukan O
klasifikasi B-METODE
menggunakan O
Multinomial O
Naïve O
Bayes O
Classifier O
( O
NBC O
) O
, O
analisis B-METODE
sentimen I-METODE
menggunakan O
Long O
Short-Term O
Memory O
( O
LSTM O
) O
ditambah O
Word O
Embedding O
, O
dan O
analisis O
pemodelan O
topik O
menggunakan O
Latent O
Dirichlet O
Allocation O
( O
LDA O
) O
. O
Hasil B-TEMUAN
dari I-TEMUAN
klasifikasi I-TEMUAN
menunjukkan I-TEMUAN
lebih I-TEMUAN
banyak I-TEMUAN
sentimen I-TEMUAN
netral I-TEMUAN
terkait I-TEMUAN
topik I-TEMUAN
Keamanan I-TEMUAN
Data I-TEMUAN
Pribadi. I-TEMUAN
Selanjutnya O
, O
hasil B-TEMUAN
analisis I-TEMUAN
sentimen I-TEMUAN
menggunakan I-TEMUAN
LSTM I-TEMUAN
dan I-TEMUAN
Word I-TEMUAN
Embedding I-TEMUAN
menghasilkan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
84.2 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
hasil I-TEMUAN
tersebut I-TEMUAN
lebih I-TEMUAN
tinggi I-TEMUAN
dibandingkan I-TEMUAN
akurasi I-TEMUAN
RNN I-TEMUAN
dan I-TEMUAN
lebih I-TEMUAN
rendah I-TEMUAN
dibandingkan I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
Multinomial I-TEMUAN
Naïve I-TEMUAN
Bayes I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
sebesar I-TEMUAN
74,8 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
87 I-TEMUAN
% I-TEMUAN
. O
Terakhir O
, O
diperoleh O
3 O
topik O
yang O
berkaitan O
dengan O
Keamanan O
Data O
Pribadi O
menggunakan O
pemodelan O
topik O
LDA. O
Kata O
Kunci— O
Keamanan O
Data O
Pribadi O
, O
LSTM O
, O
LDA O
, O
Twitter O
, O
Masyarakat. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
1. O
Berdasarkan O
tujuan O
pertama O
penelitian O
, O
hasil O
analisis O
deskriptif O
dari O
klasifikasi O
Multinomial O
NBC O
menunjukkan O
bahwa O
sebaran O
opini O
masyarakat O
terkait O
Keamanan O
Data O
Pribadi O
berdasarkan O
data O
Twitter O
selama O
bulan O
Agustus O
sampai O
November O
2022 O
mengandung O
lebih O
banyak O
sentimen O
Netral O
dibandingkan O
dengan O
sentimen O
Negatif O
dan O
Positif. O
2. O
Berdasarkan O
tujuan O
kedua O
penelitian O
, O
penggunaan O
metode O
LSTM O
dengan O
Word O
Embedding O
FastText O
untuk O
melakukan O
analisis O
sentimen O
terhadap O
data O
Tweet O
Keamanan O
Data O
Pribadi O
berbahasa O
Indonesia O
menghasilkan O
akurasi O
sebesar O
84,2 O
% O
, O
lebih O
tinggi O
dari O
RNN O
yang O
akurasinya O
sebesar O
74,8 O
% O
dan O
lebih O
rendah O
dari O
Multinomial O
Naïve O
Bayes O
yang O
akurasinya O
sebesar O
87 O
% O
. O
ketiga O
tujuan O
3. O
Berdasarkan O
hasil O
pemodelan O
topik O
menggunakan O
LDA O
diperoleh O
3 O
topik O
dengan O
nilai O
koherensi O
tertinggi O
yang O
berkaitan O
dengan O
keamanan O
data O
pribadi O
, O
di O
mana O
3 O
topik O
tersebut O
tidak O
saling O
berkaitan O
satu O
sama O
lain. O
penelitian O
, O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O

Analisis O
Sentimen O
Twitter O
Berdasarkan O
Topik O
Keamanan O
Data O
Pribadi O
dengan O
Metode O
Long O
Short-Term O
Memory O
dan O
Word O
Embedding O
Muamar O
Khadafi O
( O
221910864 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Bony O
Parulian O
Josaphat O
, O
S.Si. O
, O
M.Si. O
Ringkasan— O
Menurut O
perusahaan O
siber O
Surfshark O
, O
keamanan O
data O
pribadi O
di O
Indonesia O
dalam O
keadaan O
genting O
saat O
ini O
, O
terbukti O
dari O
kuartal O
I O
tahun O
2022 O
jumlah O
kebocoran O
data O
melonjak O
hingga O
143 O
% O
pada O
kuartal O
II O
tahun O
2022 O
[ O
1 O
] O
. O
Masyarakat O
semakin O
khawatir O
dengan O
Keamanan O
Data O
Pribadi O
mereka O
karena O
kebocoran O
data O
pemerintah O
yang O
disebabkan O
oleh O
seorang O
hacker. O
Untuk B-TUJUAN
mengetahui I-TUJUAN
respon I-TUJUAN
masyarakat I-TUJUAN
yang I-TUJUAN
beragam I-TUJUAN
terkait I-TUJUAN
keamanan I-TUJUAN
data I-TUJUAN
pribadi I-TUJUAN
, I-TUJUAN
peneliti O
memilih O
media O
sosial O
Twitter. O
Penelitian O
ini O
menggunakan O
tweet O
sebagai O
dataset O
yang O
kemudian O
dilakukan O
klasifikasi B-METODE
menggunakan O
Multinomial O
Naïve O
Bayes O
Classifier O
( O
NBC O
) O
, O
analisis B-METODE
sentimen I-METODE
menggunakan O
Long O
Short-Term O
Memory O
( O
LSTM O
) O
ditambah O
Word O
Embedding O
, O
dan O
analisis O
pemodelan O
topik O
menggunakan O
Latent O
Dirichlet O
Allocation O
( O
LDA O
) O
. O
Hasil B-TEMUAN
dari I-TEMUAN
klasifikasi I-TEMUAN
menunjukkan I-TEMUAN
lebih I-TEMUAN
banyak I-TEMUAN
sentimen I-TEMUAN
netral I-TEMUAN
terkait I-TEMUAN
topik I-TEMUAN
Keamanan I-TEMUAN
Data I-TEMUAN
Pribadi. I-TEMUAN
Selanjutnya O
, O
hasil B-TEMUAN
analisis I-TEMUAN
sentimen I-TEMUAN
menggunakan I-TEMUAN
LSTM I-TEMUAN
dan I-TEMUAN
Word I-TEMUAN
Embedding I-TEMUAN
menghasilkan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
84.2 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
hasil I-TEMUAN
tersebut I-TEMUAN
lebih I-TEMUAN
tinggi I-TEMUAN
dibandingkan I-TEMUAN
akurasi I-TEMUAN
RNN I-TEMUAN
dan I-TEMUAN
lebih I-TEMUAN
rendah I-TEMUAN
dibandingkan I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
Multinomial I-TEMUAN
Naïve I-TEMUAN
Bayes I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
sebesar I-TEMUAN
74,8 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
87 I-TEMUAN
% I-TEMUAN
. O
Terakhir O
, O
diperoleh O
3 O
topik O
yang O
berkaitan O
dengan O
Keamanan O
Data O
Pribadi O
menggunakan O
pemodelan O
topik O
LDA. O
Kata O
Kunci— O
Keamanan O
Data O
Pribadi O
, O
LSTM O
, O
LDA O
, O
Twitter O
, O
Masyarakat. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
1. O
Berdasarkan O
tujuan O
pertama O
penelitian O
, O
hasil O
analisis O
deskriptif O
dari O
klasifikasi O
Multinomial O
NBC O
menunjukkan O
bahwa O
sebaran O
opini O
masyarakat O
terkait O
Keamanan O
Data O
Pribadi O
berdasarkan O
data O
Twitter O
selama O
bulan O
Agustus O
sampai O
November O
2022 O
mengandung O
lebih O
banyak O
sentimen O
Netral O
dibandingkan O
dengan O
sentimen O
Negatif O
dan O
Positif. O
2. O
Berdasarkan O
tujuan O
kedua O
penelitian O
, O
penggunaan O
metode O
LSTM O
dengan O
Word O
Embedding O
FastText O
untuk O
melakukan O
analisis O
sentimen O
terhadap O
data O
Tweet O
Keamanan O
Data O
Pribadi O
berbahasa O
Indonesia O
menghasilkan O
akurasi O
sebesar O
84,2 O
% O
, O
lebih O
tinggi O
dari O
RNN O
yang O
akurasinya O
sebesar O
74,8 O
% O
dan O
lebih O
rendah O
dari O
Multinomial O
Naïve O
Bayes O
yang O
akurasinya O
sebesar O
87 O
% O
. O
ketiga O
tujuan O
3. O
Berdasarkan O
hasil O
pemodelan O
topik O
menggunakan O
LDA O
diperoleh O
3 O
topik O
dengan O
nilai O
koherensi O
tertinggi O
yang O
berkaitan O
dengan O
keamanan O
data O
pribadi O
, O
di O
mana O
3 O
topik O
tersebut O
tidak O
saling O
berkaitan O
satu O
sama O
lain. O
penelitian O
, O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O

Pembangunan O
Sistem O
Deteksi O
Kelengkapan O
Atribut O
Mahasiswa O
Polstat O
STIS O
Ardian O
Fajri O
Saputra O
( O
221910862 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph. O
D. O
Ringkasan— O
Peraturan O
di O
Politeknik O
Statistika O
( O
Polstat O
STIS O
) O
bertujuan O
untuk O
menghasilkan O
ahli O
statistika O
yang O
berkualitas O
, O
unggul O
, O
dan O
berintegritas. O
Dalam O
menegakkan O
peraturan O
di O
Polstat O
STIS O
, O
terdapat O
Satuan O
Penegak O
Disiplin O
( O
SPD O
) O
yang O
bertujuan O
untuk O
memelihara O
keamanan O
, O
ketertiban O
, O
kedisiplinan O
, O
dan O
etika O
mahasiswa O
dalam O
mengikuti O
seluruh O
kegiatan O
di O
dalam O
maupun O
luar O
kampus O
untuk O
menegakkan O
peraturan. O
Dalam O
menegakkan O
kedisiplinan O
mahasiswa O
, O
SPD O
melaksanakan O
inspeksi O
dadakan O
dan O
inspeksi O
pemeriksaan O
apel O
untuk O
mengecek O
kelengkapan O
dan O
kerapian O
mahasiswa. O
Namun O
, O
penelitian O
terkait O
komitmen O
mahasiswa O
terhadap O
peraturan O
STIS O
menunjukkan O
bahwa O
komitmen O
mahasiswa O
masih O
rendah. O
Hal O
ini O
salah O
satunya O
disebabkan O
oleh O
kurangnya O
pengawasan O
terhadap O
mahasiswa. O
Oleh O
karena O
itu O
, O
diperlukan O
pengawasan O
kedisiplinan O
dan O
kerapian O
mahasiswa O
secara O
kontinu. O
Perkembangan O
teknologi O
computer O
vision O
dapat O
membantu O
dalam O
mengawasi O
kedisiplinan O
dan O
kerapian O
mahasiswa. O
Pada O
penelitian O
ini O
, O
sistem O
deteksi O
kelengkapan O
atribut O
dibangun. O
Sistem O
ini O
menggunakan O
object O
detection O
untuk O
mendeteksi O
kelengkapan O
atribut O
mahasiswa. O
Sistem O
ini O
mencatat O
mahasiswa O
yang O
atributnya O
tidak O
lengkap. O
ini O
diharap O
dapat O
meningkatkan O
kedisiplinan O
dan O
Sistem O
kerapian O
mahasiswa. O
Kata O
Kunci— O
computer O
vision O
, O
object O
detection O
, O
YOLO O
, O
pembangunan O
sistem. O
[SEP] O
Kesimpulan O
yang O
didapatkan O
pada O
pembangunan O
sistem O
yang O
telah O
dilakukan O
adalah O
sebagai O
berikut. O
1. O
Sistem O
deteksi O
kelengkapan O
atribut O
mahasiswa O
telah O
berhasil O
dibangun O
2. O
Model O
deteksi O
kelengkapan O
atribut O
telah O
berhasil O
dibangun. O
3. O
Aplikasi B-TEMUAN
deteksi I-TEMUAN
kelengkapan I-TEMUAN
atribut I-TEMUAN
yang I-TEMUAN
mampu I-TEMUAN
mendeteksi I-TEMUAN
dan I-TEMUAN
menyimpan I-TEMUAN
hasil I-TEMUAN
deteksi I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibangun. I-TEMUAN
4. O
Hasil B-TEMUAN
pengujian I-TEMUAN
sistem I-TEMUAN
dengan I-TEMUAN
Black I-TEMUAN
Box I-TEMUAN
Testing I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
fungsin-fungsi I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibuat I-TEMUAN
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
dapat O
berjalan O
dengan O
baik O
sesuai O
dengan O
hasil O
yang O
diharapkan. O
Adapun O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
dan O
pengembangan O
sistem O
selanjutnya O
sebagai O
berikut. O
1. O
Pembangunan O
model O
deteksi O
dapat O
dikembangkan O
lebih O
dalam O
lagi O
terkait O
dataset O
dan O
fitur-fiturnya. O
2. O
Antarmuka O
aplikasi O
dapat O
dikembangkan O
lebih O
dalam O
lagi O
mengikuti O
perubahan O
zaman. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O

Spasial O
Prevalensi O
Balita O
Stunting O
di O
Pulau O
Jawa O
Tahun O
2021 O
Dinda O
Fahrani O
( O
221910859 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Prof. O
Setia O
Pramana O
, O
S.Si. O
, O
M.Sc. O
, O
Ph.D. O
Ringkasan—Prevalensi O
balita O
stunting O
setiap O
provinsi O
di O
Pulau O
Jawa O
belum O
mencapai O
target O
RPJMN O
2020-2024 O
yaitu O
14 O
% O
di O
tahun O
2024. O
Pemerintah O
menetapkan O
bahwa O
empat O
dari O
enam O
provinsi O
di O
Pulau O
Jawa O
menjadi O
prioritas O
penanganan O
kasus O
stunting O
karena O
kasus O
stunting O
yang O
tinggi. O
Persebaran O
angka O
prevalensi O
balita O
stunting O
di O
Pulau O
Jawa O
sangat O
beragam O
di O
setiap O
kabupaten O
/ O
kota O
( O
heterogenitas O
spasial O
) O
. O
Pengumpulan O
data O
kasus O
stunting O
masih O
bersumber O
pada O
statistik O
resmi O
klasik. O
Era O
transformasi O
digital O
menuntut O
kebutuhan O
sumber O
data O
baru O
yang O
lebih O
cepat O
, O
dan O
akurat O
, O
salah O
satunya O
big O
data. O
Salah O
satu O
sumber O
big O
data O
yang O
sering O
digunakan O
dalam O
analisis O
spasial O
kasus O
stunting O
adalah O
data O
citra O
satelit. O
Penelitian O
ini O
bertujuan O
untuk O
melakukan B-TUJUAN
analisis I-TUJUAN
spasial I-TUJUAN
dalam I-TUJUAN
mengkaji I-TUJUAN
variabel I-TUJUAN
yang I-TUJUAN
memengaruhi I-TUJUAN
prevalensi I-TUJUAN
balita I-TUJUAN
stunting I-TUJUAN
di I-TUJUAN
Pulau I-TUJUAN
Jawa I-TUJUAN
tahun I-TUJUAN
2021 I-TUJUAN
, O
termasuk O
variabel O
dari O
citra O
satelit O
, O
berdasarkan O
karakteristik O
setiap O
kabupaten O
/ O
kota O
di O
Pulau O
Jawa. O
Penelitian O
ini O
menggunakan O
model O
Mixed B-METODE
Geographically I-METODE
Weighted I-METODE
Regression I-METODE
( I-METODE
MGWR I-METODE
) I-METODE
untuk O
mengatasi O
heterogenitas O
spasial O
global O
dan O
lokal. O
Terbentuk B-TEMUAN
17 I-TEMUAN
kelompok I-TEMUAN
wilayah I-TEMUAN
dengan I-TEMUAN
kesamaan I-TEMUAN
karakteristik I-TEMUAN
berdasarkan I-TEMUAN
variabel I-TEMUAN
independen I-TEMUAN
yang I-TEMUAN
signifikan I-TEMUAN
memengaruhi I-TEMUAN
prevalensi I-TEMUAN
balita I-TEMUAN
stunting. I-TEMUAN
Kata O
Kunci— O
stunting O
, O
big O
data O
, O
citra O
satelit O
, O
MGWR. O
[SEP] O
Dari O
hasil O
dan O
pembahasan O
dapat O
disusun O
kesimpulan O
sementara O
sebagai O
berikut O
: O
1. O
Persebaran O
prevalensi O
balita O
stunting O
di O
Pulau O
Jawa O
tahun O
2021 O
pada O
level O
kabupaten O
/ O
kota O
cenderung O
menyebar O
dan O
tidak O
membentuk O
suatu O
pengelompokan. O
2. O
Terjadi O
heterogenitas O
spasial O
pada O
model O
dari O
variabel- O
variabel O
yang O
diduga O
memengaruhi O
prevalensi O
balita O
stunting O
di O
Pulau O
Jawa O
tahun O
2021. O
itu O
, O
variabel O
3. O
Variabel O
persentase O
rumah O
tangga O
dengan O
akses O
sanitasi O
layak O
memiliki O
pengaruh O
yang O
signifikan O
secara O
global. O
Sementara O
lainnya O
, O
yaitu O
persentase O
penduduk O
miskin O
, O
rata-rata O
lama O
sekolah O
perempuan O
, O
persentase O
rumah O
tangga O
dengan O
akses O
air O
minum O
layak O
, O
rata-rata O
lama O
pemberian O
ASI O
pada O
baduta O
, O
Built-Up O
Index O
, O
Normalized O
Difference O
Vegetation O
Index O
, O
dan O
Land O
Surface O
Temperature O
, O
memiliki O
pengaruh O
yang O
signifikan O
secara O
lokal O
pada O
kabupaten O
/ O
kota O
di O
Pulau O
Jawa. O
4. O
Terbentuk B-TEMUAN
17 I-TEMUAN
kelompok I-TEMUAN
kabupaten I-TEMUAN
/ I-TEMUAN
kota I-TEMUAN
berdasarkan I-TEMUAN
kesamaan I-TEMUAN
karakteristik I-TEMUAN
, I-TEMUAN
yakni I-TEMUAN
variabel I-TEMUAN
independen I-TEMUAN
yang I-TEMUAN
signifikan I-TEMUAN
terhadap I-TEMUAN
prevalensi I-TEMUAN
balita I-TEMUAN
stunting I-TEMUAN
di I-TEMUAN
Pulau I-TEMUAN
Jawa I-TEMUAN
tahun I-TEMUAN
2021. I-TEMUAN
Saran O
yang O
dapat O
diberikan O
berdasarkan O
hasil O
penelitian O
ini O
adalah O
1. O
Bagi O
peneliti O
selanjutnya O
direkomendasikan O
untuk O
memperkaya O
variabel O
yang O
mungkin O
memengaruhi O
prevalensi O
balita O
stunting O
, O
baik O
data O
yang O
bersumber O
pada O
official O
statistics O
maupun O
big O
data O
, O
sehingga O
dapat O
memberikan O
saran O
yang O
lebih O
tepat O
terhadap O
pemerintah O
pusat O
maupun O
daerah O
terkait O
penanganan O
kasus O
stunting. O
2. O
Melakukan O
analisis O
spasial O
menggunakan O
data O
panel O
agar O
dapat O
menganalisis O
lebih O
dalam O
mengenai O
penyebab O
kasus O
stunting O
dari O
waktu O
ke O
waktu O
, O
tidak O
hanya O
pada O
satu O
waktu O
saja. O
3. O
Karena O
adanya O
perbedaan O
variabel O
yang O
signifikan O
antar O
wilayah O
kabupaten O
/ O
kota O
di O
Pulau O
Jawa O
, O
maka O
para O
pemangku O
kebijakan O
harus O
mempertimbangkan O
hal O
tersebut. O
Setiap O
daerah O
memerlukan O
kebijakan O
khusus O
sesuai O
dengan O
keadaan O
daerah O
tersebut O
dan O
melakukan O
kerjasama O
dengan O
pemerintah O
daerah O
lain O
yang O
berdekatan. O

Spasial O
Prevalensi O
Balita O
Stunting O
di O
Pulau O
Jawa O
Tahun O
2021 O
Dinda O
Fahrani O
( O
221910859 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Prof. O
Setia O
Pramana O
, O
S.Si. O
, O
M.Sc. O
, O
Ph.D. O
Ringkasan—Prevalensi O
balita O
stunting O
setiap O
provinsi O
di O
Pulau O
Jawa O
belum O
mencapai O
target O
RPJMN O
2020-2024 O
yaitu O
14 O
% O
di O
tahun O
2024. O
Pemerintah O
menetapkan O
bahwa O
empat O
dari O
enam O
provinsi O
di O
Pulau O
Jawa O
menjadi O
prioritas O
penanganan O
kasus O
stunting O
karena O
kasus O
stunting O
yang O
tinggi. O
Persebaran O
angka O
prevalensi O
balita O
stunting O
di O
Pulau O
Jawa O
sangat O
beragam O
di O
setiap O
kabupaten O
/ O
kota O
( O
heterogenitas O
spasial O
) O
. O
Pengumpulan O
data O
kasus O
stunting O
masih O
bersumber O
pada O
statistik O
resmi O
klasik. O
Era O
transformasi O
digital O
menuntut O
kebutuhan O
sumber O
data O
baru O
yang O
lebih O
cepat O
, O
dan O
akurat O
, O
salah O
satunya O
big O
data. O
Salah O
satu O
sumber O
big O
data O
yang O
sering O
digunakan O
dalam O
analisis O
spasial O
kasus O
stunting O
adalah O
data O
citra O
satelit. O
Penelitian O
ini O
bertujuan O
untuk O
melakukan B-TUJUAN
analisis I-TUJUAN
spasial I-TUJUAN
dalam I-TUJUAN
mengkaji I-TUJUAN
variabel I-TUJUAN
yang I-TUJUAN
memengaruhi I-TUJUAN
prevalensi I-TUJUAN
balita I-TUJUAN
stunting I-TUJUAN
di I-TUJUAN
Pulau I-TUJUAN
Jawa I-TUJUAN
tahun I-TUJUAN
2021 I-TUJUAN
, O
termasuk O
variabel O
dari O
citra O
satelit O
, O
berdasarkan O
karakteristik O
setiap O
kabupaten O
/ O
kota O
di O
Pulau O
Jawa. O
Penelitian O
ini O
menggunakan O
model O
Mixed B-METODE
Geographically I-METODE
Weighted I-METODE
Regression I-METODE
( I-METODE
MGWR I-METODE
) I-METODE
untuk O
mengatasi O
heterogenitas O
spasial O
global O
dan O
lokal. O
Terbentuk B-TEMUAN
17 I-TEMUAN
kelompok I-TEMUAN
wilayah I-TEMUAN
dengan I-TEMUAN
kesamaan I-TEMUAN
karakteristik I-TEMUAN
berdasarkan I-TEMUAN
variabel I-TEMUAN
independen I-TEMUAN
yang I-TEMUAN
signifikan I-TEMUAN
memengaruhi I-TEMUAN
prevalensi I-TEMUAN
balita I-TEMUAN
stunting. I-TEMUAN
Kata O
Kunci— O
stunting O
, O
big O
data O
, O
citra O
satelit O
, O
MGWR. O
[SEP] O
Dari O
hasil O
dan O
pembahasan O
dapat O
disusun O
kesimpulan O
sementara O
sebagai O
berikut O
: O
1. O
Persebaran O
prevalensi O
balita O
stunting O
di O
Pulau O
Jawa O
tahun O
2021 O
pada O
level O
kabupaten O
/ O
kota O
cenderung O
menyebar O
dan O
tidak O
membentuk O
suatu O
pengelompokan. O
2. O
Terjadi O
heterogenitas O
spasial O
pada O
model O
dari O
variabel- O
variabel O
yang O
diduga O
memengaruhi O
prevalensi O
balita O
stunting O
di O
Pulau O
Jawa O
tahun O
2021. O
itu O
, O
variabel O
3. O
Variabel O
persentase O
rumah O
tangga O
dengan O
akses O
sanitasi O
layak O
memiliki O
pengaruh O
yang O
signifikan O
secara O
global. O
Sementara O
lainnya O
, O
yaitu O
persentase O
penduduk O
miskin O
, O
rata-rata O
lama O
sekolah O
perempuan O
, O
persentase O
rumah O
tangga O
dengan O
akses O
air O
minum O
layak O
, O
rata-rata O
lama O
pemberian O
ASI O
pada O
baduta O
, O
Built-Up O
Index O
, O
Normalized O
Difference O
Vegetation O
Index O
, O
dan O
Land O
Surface O
Temperature O
, O
memiliki O
pengaruh O
yang O
signifikan O
secara O
lokal O
pada O
kabupaten O
/ O
kota O
di O
Pulau O
Jawa. O
4. O
Terbentuk B-TEMUAN
17 I-TEMUAN
kelompok I-TEMUAN
kabupaten I-TEMUAN
/ I-TEMUAN
kota I-TEMUAN
berdasarkan I-TEMUAN
kesamaan I-TEMUAN
karakteristik I-TEMUAN
, I-TEMUAN
yakni I-TEMUAN
variabel I-TEMUAN
independen I-TEMUAN
yang I-TEMUAN
signifikan I-TEMUAN
terhadap I-TEMUAN
prevalensi I-TEMUAN
balita I-TEMUAN
stunting I-TEMUAN
di I-TEMUAN
Pulau I-TEMUAN
Jawa I-TEMUAN
tahun I-TEMUAN
2021. I-TEMUAN
Saran O
yang O
dapat O
diberikan O
berdasarkan O
hasil O
penelitian O
ini O
adalah O
1. O
Bagi O
peneliti O
selanjutnya O
direkomendasikan O
untuk O
memperkaya O
variabel O
yang O
mungkin O
memengaruhi O
prevalensi O
balita O
stunting O
, O
baik O
data O
yang O
bersumber O
pada O
official O
statistics O
maupun O
big O
data O
, O
sehingga O
dapat O
memberikan O
saran O
yang O
lebih O
tepat O
terhadap O
pemerintah O
pusat O
maupun O
daerah O
terkait O
penanganan O
kasus O
stunting. O
2. O
Melakukan O
analisis O
spasial O
menggunakan O
data O
panel O
agar O
dapat O
menganalisis O
lebih O
dalam O
mengenai O
penyebab O
kasus O
stunting O
dari O
waktu O
ke O
waktu O
, O
tidak O
hanya O
pada O
satu O
waktu O
saja. O
3. O
Karena O
adanya O
perbedaan O
variabel O
yang O
signifikan O
antar O
wilayah O
kabupaten O
/ O
kota O
di O
Pulau O
Jawa O
, O
maka O
para O
pemangku O
kebijakan O
harus O
mempertimbangkan O
hal O
tersebut. O
Setiap O
daerah O
memerlukan O
kebijakan O
khusus O
sesuai O
dengan O
keadaan O
daerah O
tersebut O
dan O
melakukan O
kerjasama O
dengan O
pemerintah O
daerah O
lain O
yang O
berdekatan. O

Spasial O
Prevalensi O
Balita O
Stunting O
di O
Pulau O
Jawa O
Tahun O
2021 O
Dinda O
Fahrani O
( O
221910859 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Prof. O
Setia O
Pramana O
, O
S.Si. O
, O
M.Sc. O
, O
Ph.D. O
Ringkasan—Prevalensi O
balita O
stunting O
setiap O
provinsi O
di O
Pulau O
Jawa O
belum O
mencapai O
target O
RPJMN O
2020-2024 O
yaitu O
14 O
% O
di O
tahun O
2024. O
Pemerintah O
menetapkan O
bahwa O
empat O
dari O
enam O
provinsi O
di O
Pulau O
Jawa O
menjadi O
prioritas O
penanganan O
kasus O
stunting O
karena O
kasus O
stunting O
yang O
tinggi. O
Persebaran O
angka O
prevalensi O
balita O
stunting O
di O
Pulau O
Jawa O
sangat O
beragam O
di O
setiap O
kabupaten O
/ O
kota O
( O
heterogenitas O
spasial O
) O
. O
Pengumpulan O
data O
kasus O
stunting O
masih O
bersumber O
pada O
statistik O
resmi O
klasik. O
Era O
transformasi O
digital O
menuntut O
kebutuhan O
sumber O
data O
baru O
yang O
lebih O
cepat O
, O
dan O
akurat O
, O
salah O
satunya O
big O
data. O
Salah O
satu O
sumber O
big O
data O
yang O
sering O
digunakan O
dalam O
analisis O
spasial O
kasus O
stunting O
adalah O
data O
citra O
satelit. O
Penelitian O
ini O
bertujuan O
untuk O
melakukan B-TUJUAN
analisis I-TUJUAN
spasial I-TUJUAN
dalam I-TUJUAN
mengkaji I-TUJUAN
variabel I-TUJUAN
yang I-TUJUAN
memengaruhi I-TUJUAN
prevalensi I-TUJUAN
balita I-TUJUAN
stunting I-TUJUAN
di I-TUJUAN
Pulau I-TUJUAN
Jawa I-TUJUAN
tahun I-TUJUAN
2021 I-TUJUAN
, O
termasuk O
variabel O
dari O
citra O
satelit O
, O
berdasarkan O
karakteristik O
setiap O
kabupaten O
/ O
kota O
di O
Pulau O
Jawa. O
Penelitian O
ini O
menggunakan O
model O
Mixed B-METODE
Geographically I-METODE
Weighted I-METODE
Regression I-METODE
( I-METODE
MGWR I-METODE
) I-METODE
untuk O
mengatasi O
heterogenitas O
spasial O
global O
dan O
lokal. O
Terbentuk B-TEMUAN
17 I-TEMUAN
kelompok I-TEMUAN
wilayah I-TEMUAN
dengan I-TEMUAN
kesamaan I-TEMUAN
karakteristik I-TEMUAN
berdasarkan I-TEMUAN
variabel I-TEMUAN
independen I-TEMUAN
yang I-TEMUAN
signifikan I-TEMUAN
memengaruhi I-TEMUAN
prevalensi I-TEMUAN
balita I-TEMUAN
stunting. I-TEMUAN
Kata O
Kunci— O
stunting O
, O
big O
data O
, O
citra O
satelit O
, O
MGWR. O
[SEP] O
Dari O
hasil O
dan O
pembahasan O
dapat O
disusun O
kesimpulan O
sementara O
sebagai O
berikut O
: O
1. O
Persebaran O
prevalensi O
balita O
stunting O
di O
Pulau O
Jawa O
tahun O
2021 O
pada O
level O
kabupaten O
/ O
kota O
cenderung O
menyebar O
dan O
tidak O
membentuk O
suatu O
pengelompokan. O
2. O
Terjadi O
heterogenitas O
spasial O
pada O
model O
dari O
variabel- O
variabel O
yang O
diduga O
memengaruhi O
prevalensi O
balita O
stunting O
di O
Pulau O
Jawa O
tahun O
2021. O
itu O
, O
variabel O
3. O
Variabel O
persentase O
rumah O
tangga O
dengan O
akses O
sanitasi O
layak O
memiliki O
pengaruh O
yang O
signifikan O
secara O
global. O
Sementara O
lainnya O
, O
yaitu O
persentase O
penduduk O
miskin O
, O
rata-rata O
lama O
sekolah O
perempuan O
, O
persentase O
rumah O
tangga O
dengan O
akses O
air O
minum O
layak O
, O
rata-rata O
lama O
pemberian O
ASI O
pada O
baduta O
, O
Built-Up O
Index O
, O
Normalized O
Difference O
Vegetation O
Index O
, O
dan O
Land O
Surface O
Temperature O
, O
memiliki O
pengaruh O
yang O
signifikan O
secara O
lokal O
pada O
kabupaten O
/ O
kota O
di O
Pulau O
Jawa. O
4. O
Terbentuk B-TEMUAN
17 I-TEMUAN
kelompok I-TEMUAN
kabupaten I-TEMUAN
/ I-TEMUAN
kota I-TEMUAN
berdasarkan I-TEMUAN
kesamaan I-TEMUAN
karakteristik I-TEMUAN
, I-TEMUAN
yakni I-TEMUAN
variabel I-TEMUAN
independen I-TEMUAN
yang I-TEMUAN
signifikan I-TEMUAN
terhadap I-TEMUAN
prevalensi I-TEMUAN
balita I-TEMUAN
stunting I-TEMUAN
di I-TEMUAN
Pulau I-TEMUAN
Jawa I-TEMUAN
tahun I-TEMUAN
2021. I-TEMUAN
Saran O
yang O
dapat O
diberikan O
berdasarkan O
hasil O
penelitian O
ini O
adalah O
1. O
Bagi O
peneliti O
selanjutnya O
direkomendasikan O
untuk O
memperkaya O
variabel O
yang O
mungkin O
memengaruhi O
prevalensi O
balita O
stunting O
, O
baik O
data O
yang O
bersumber O
pada O
official O
statistics O
maupun O
big O
data O
, O
sehingga O
dapat O
memberikan O
saran O
yang O
lebih O
tepat O
terhadap O
pemerintah O
pusat O
maupun O
daerah O
terkait O
penanganan O
kasus O
stunting. O
2. O
Melakukan O
analisis O
spasial O
menggunakan O
data O
panel O
agar O
dapat O
menganalisis O
lebih O
dalam O
mengenai O
penyebab O
kasus O
stunting O
dari O
waktu O
ke O
waktu O
, O
tidak O
hanya O
pada O
satu O
waktu O
saja. O
3. O
Karena O
adanya O
perbedaan O
variabel O
yang O
signifikan O
antar O
wilayah O
kabupaten O
/ O
kota O
di O
Pulau O
Jawa O
, O
maka O
para O
pemangku O
kebijakan O
harus O
mempertimbangkan O
hal O
tersebut. O
Setiap O
daerah O
memerlukan O
kebijakan O
khusus O
sesuai O
dengan O
keadaan O
daerah O
tersebut O
dan O
melakukan O
kerjasama O
dengan O
pemerintah O
daerah O
lain O
yang O
berdekatan. O

Rancang O
Bangun O
Sistem O
Informasi O
Manajemen O
Pengawasan O
( O
SIMWAS O
) O
Inspektorat O
Utama O
BPS O
RI O
Modul O
Pengelolaan O
Dokumen O
Muhamad O
Arya O
Fitra O
( O
221910858 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
SST O
, O
MT O
surat O
Ringkasan— O
Inspektorat O
Utama O
BPS O
merupakan O
unsur O
pengawas O
yang O
berada O
di O
bawah O
dan O
bertanggung O
jawab O
kepada O
Kepala O
BPS. O
Oleh O
karena O
itu O
, O
Inspektorat O
Utama O
BPS O
melakukan O
kegiatan O
manajemen O
pengawasan O
yang O
terdiri O
dari O
3 O
tahapan O
, O
yaitu O
perencanaan O
, O
pelaksanaan O
, O
dan O
pelaporan. O
Untuk O
membantu O
lancarnya O
kegiatan O
tersebut O
, O
telah O
dibangun O
aplikasi O
MONITA O
yang O
berfungsi O
untuk O
membuat O
tugas O
, O
mengirimkan O
surat O
tugas O
kepada O
pegawai O
, O
dan O
mengumpulkan O
laporan O
hasil O
pengawasan. O
Meskipun O
demikian O
, O
terdapat O
beberapa O
fitur O
pada O
aplikasi O
MONITA O
yang O
belum O
optimal O
dan O
banyak O
aktivitas O
di O
lingkungan O
Inspektorat O
Utama O
BPS O
yang O
masih O
dilakukan O
secara O
manual O
maupun O
semimanual. O
Maka O
dari O
itu O
, O
perlu O
dibangun O
sebuah O
Sistem O
Informasi O
Manajemen O
Pengawasan O
( O
SIMWAS O
) O
untuk O
memenuhi O
kebutuhan O
digitalisasi O
proses O
pengawasan O
di O
lingkungan O
Inspektorat O
Utama O
BPS. O
Sistem O
ini O
dibuat O
dengan O
metode O
pengumpulan O
data O
berupa O
wawancara O
dan O
studi O
pustaka. O
Metode O
pengembangan O
sistem O
yang O
digunakan O
adalah O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
waterfall. I-METODE
Sistem B-TEMUAN
telah I-TEMUAN
dibuat I-TEMUAN
dan I-TEMUAN
diuji I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
yang I-TEMUAN
menunjukkan I-TEMUAN
semua I-TEMUAN
fungsi I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Kemudian O
akan O
dilakukan O
pengujian O
SUS B-METODE
dengan O
pihak O
inspektorat O
di O
waktu O
yang O
akan O
datang. O
Kata O
Kunci— O
SIMWAS O
, O
Inspektorat O
Utama O
, O
pengawasan O
, O
waterfall. O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
tujuan O
penelitian O
yang O
telah O
ditentukan O
di O
awal O
, O
terkait O
pembangunan O
SIMWAS O
didapatkan O
kesimpulan O
Inspektorat O
Utama O
BPS O
sebagai O
berikut. O
1. O
Sistem O
yang O
dibangun O
berhasil O
menyediakan O
fitur O
utama O
yaitu O
pembuatan O
surat O
tugas O
secara O
otomatis O
2. O
Sistem B-TEMUAN
informasi I-TEMUAN
berhasil I-TEMUAN
membuat I-TEMUAN
fitur-fitur I-TEMUAN
lain I-TEMUAN
seperti I-TEMUAN
pembuatan I-TEMUAN
nomor I-TEMUAN
surat I-TEMUAN
otomatis I-TEMUAN
, I-TEMUAN
pembuatan I-TEMUAN
surat I-TEMUAN
lain I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
master I-TEMUAN
pengembangan I-TEMUAN
profesi I-TEMUAN
3. O
Pengujian B-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
black I-TEMUAN
box I-TEMUAN
yang I-TEMUAN
dilakukan I-TEMUAN
secara I-TEMUAN
mandiri I-TEMUAN
telah I-TEMUAN
dilakukan I-TEMUAN
dan I-TEMUAN
semua I-TEMUAN
hasil I-TEMUAN
dari I-TEMUAN
setiap I-TEMUAN
jenis I-TEMUAN
aktivitas I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
semestinya I-TEMUAN
4. O
Akan O
dilakukan O
pengujian O
kembali O
menggunakan O
metode O
black O
box O
testing O
dan O
SUS O
dengan O
pihak O
Inspektorat O
Utama O
BPS O
RI O
B. O
Saran O
Saran O
yang O
dapat O
disampaikan O
oleh O
peneliti O
untuk O
penelitian O
selanjutnya O
adalah O
sebagai O
berikut. O
1. O
Mengembangkan O
fitur O
e-sign O
yang O
dapat O
terintegrasi O
dengan O
aplikasi O
E-TTD O
BPS O
2. O
Mengembangkan O
fitur O
untuk O
mengirim O
dokumen O
via O
email O
12 O
) O
. O
2020. O
T. O
Wahyudi O
, O
S. O
D. O
Putra O
, O
E. O
Subyantoro O
, O
Karya O
Ilmiah O
Mahasiswa O
L. O
F. O
Lidimilah O
, O
J. O
D. O
Prasetyo O
, O
Conference O
on O
Innovation O
and O

Rancang O
Bangun O
Sistem O
Informasi O
Manajemen O
Pengawasan O
( O
SIMWAS O
) O
Inspektorat O
Utama O
BPS O
RI O
Modul O
Pengelolaan O
Dokumen O
Muhamad O
Arya O
Fitra O
( O
221910858 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
SST O
, O
MT O
surat O
Ringkasan— O
Inspektorat O
Utama O
BPS O
merupakan O
unsur O
pengawas O
yang O
berada O
di O
bawah O
dan O
bertanggung O
jawab O
kepada O
Kepala O
BPS. O
Oleh O
karena O
itu O
, O
Inspektorat O
Utama O
BPS O
melakukan O
kegiatan O
manajemen O
pengawasan O
yang O
terdiri O
dari O
3 O
tahapan O
, O
yaitu O
perencanaan O
, O
pelaksanaan O
, O
dan O
pelaporan. O
Untuk O
membantu O
lancarnya O
kegiatan O
tersebut O
, O
telah O
dibangun O
aplikasi O
MONITA O
yang O
berfungsi O
untuk O
membuat O
tugas O
, O
mengirimkan O
surat O
tugas O
kepada O
pegawai O
, O
dan O
mengumpulkan O
laporan O
hasil O
pengawasan. O
Meskipun O
demikian O
, O
terdapat O
beberapa O
fitur O
pada O
aplikasi O
MONITA O
yang O
belum O
optimal O
dan O
banyak O
aktivitas O
di O
lingkungan O
Inspektorat O
Utama O
BPS O
yang O
masih O
dilakukan O
secara O
manual O
maupun O
semimanual. O
Maka O
dari O
itu O
, O
perlu O
dibangun O
sebuah O
Sistem O
Informasi O
Manajemen O
Pengawasan O
( O
SIMWAS O
) O
untuk O
memenuhi O
kebutuhan O
digitalisasi O
proses O
pengawasan O
di O
lingkungan O
Inspektorat O
Utama O
BPS. O
Sistem O
ini O
dibuat O
dengan O
metode O
pengumpulan O
data O
berupa O
wawancara O
dan O
studi O
pustaka. O
Metode O
pengembangan O
sistem O
yang O
digunakan O
adalah O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
waterfall. I-METODE
Sistem B-TEMUAN
telah I-TEMUAN
dibuat I-TEMUAN
dan I-TEMUAN
diuji I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
yang I-TEMUAN
menunjukkan I-TEMUAN
semua I-TEMUAN
fungsi I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Kemudian O
akan O
dilakukan O
pengujian O
SUS B-METODE
dengan O
pihak O
inspektorat O
di O
waktu O
yang O
akan O
datang. O
Kata O
Kunci— O
SIMWAS O
, O
Inspektorat O
Utama O
, O
pengawasan O
, O
waterfall. O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
tujuan O
penelitian O
yang O
telah O
ditentukan O
di O
awal O
, O
terkait O
pembangunan O
SIMWAS O
didapatkan O
kesimpulan O
Inspektorat O
Utama O
BPS O
sebagai O
berikut. O
1. O
Sistem O
yang O
dibangun O
berhasil O
menyediakan O
fitur O
utama O
yaitu O
pembuatan O
surat O
tugas O
secara O
otomatis O
2. O
Sistem B-TEMUAN
informasi I-TEMUAN
berhasil I-TEMUAN
membuat I-TEMUAN
fitur-fitur I-TEMUAN
lain I-TEMUAN
seperti I-TEMUAN
pembuatan I-TEMUAN
nomor I-TEMUAN
surat I-TEMUAN
otomatis I-TEMUAN
, I-TEMUAN
pembuatan I-TEMUAN
surat I-TEMUAN
lain I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
master I-TEMUAN
pengembangan I-TEMUAN
profesi I-TEMUAN
3. O
Pengujian B-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
black I-TEMUAN
box I-TEMUAN
yang I-TEMUAN
dilakukan I-TEMUAN
secara I-TEMUAN
mandiri I-TEMUAN
telah I-TEMUAN
dilakukan I-TEMUAN
dan I-TEMUAN
semua I-TEMUAN
hasil I-TEMUAN
dari I-TEMUAN
setiap I-TEMUAN
jenis I-TEMUAN
aktivitas I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
semestinya I-TEMUAN
4. O
Akan O
dilakukan O
pengujian O
kembali O
menggunakan O
metode O
black O
box O
testing O
dan O
SUS O
dengan O
pihak O
Inspektorat O
Utama O
BPS O
RI O
B. O
Saran O
Saran O
yang O
dapat O
disampaikan O
oleh O
peneliti O
untuk O
penelitian O
selanjutnya O
adalah O
sebagai O
berikut. O
1. O
Mengembangkan O
fitur O
e-sign O
yang O
dapat O
terintegrasi O
dengan O
aplikasi O
E-TTD O
BPS O
2. O
Mengembangkan O
fitur O
untuk O
mengirim O
dokumen O
via O
email O
12 O
) O
. O
2020. O
T. O
Wahyudi O
, O
S. O
D. O
Putra O
, O
E. O
Subyantoro O
, O
Karya O
Ilmiah O
Mahasiswa O
L. O
F. O
Lidimilah O
, O
J. O
D. O
Prasetyo O
, O
Conference O
on O
Innovation O
and O

Rancang O
Bangun O
Sistem O
Informasi O
Manajemen O
Pengawasan O
( O
SIMWAS O
) O
Inspektorat O
Utama O
BPS O
RI O
Modul O
Pengelolaan O
Dokumen O
Muhamad O
Arya O
Fitra O
( O
221910858 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
SST O
, O
MT O
surat O
Ringkasan— O
Inspektorat O
Utama O
BPS O
merupakan O
unsur O
pengawas O
yang O
berada O
di O
bawah O
dan O
bertanggung O
jawab O
kepada O
Kepala O
BPS. O
Oleh O
karena O
itu O
, O
Inspektorat O
Utama O
BPS O
melakukan O
kegiatan O
manajemen O
pengawasan O
yang O
terdiri O
dari O
3 O
tahapan O
, O
yaitu O
perencanaan O
, O
pelaksanaan O
, O
dan O
pelaporan. O
Untuk O
membantu O
lancarnya O
kegiatan O
tersebut O
, O
telah O
dibangun O
aplikasi O
MONITA O
yang O
berfungsi O
untuk O
membuat O
tugas O
, O
mengirimkan O
surat O
tugas O
kepada O
pegawai O
, O
dan O
mengumpulkan O
laporan O
hasil O
pengawasan. O
Meskipun O
demikian O
, O
terdapat O
beberapa O
fitur O
pada O
aplikasi O
MONITA O
yang O
belum O
optimal O
dan O
banyak O
aktivitas O
di O
lingkungan O
Inspektorat O
Utama O
BPS O
yang O
masih O
dilakukan O
secara O
manual O
maupun O
semimanual. O
Maka O
dari O
itu O
, O
perlu O
dibangun O
sebuah O
Sistem O
Informasi O
Manajemen O
Pengawasan O
( O
SIMWAS O
) O
untuk O
memenuhi O
kebutuhan O
digitalisasi O
proses O
pengawasan O
di O
lingkungan O
Inspektorat O
Utama O
BPS. O
Sistem O
ini O
dibuat O
dengan O
metode O
pengumpulan O
data O
berupa O
wawancara O
dan O
studi O
pustaka. O
Metode O
pengembangan O
sistem O
yang O
digunakan O
adalah O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
waterfall. I-METODE
Sistem B-TEMUAN
telah I-TEMUAN
dibuat I-TEMUAN
dan I-TEMUAN
diuji I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
yang I-TEMUAN
menunjukkan I-TEMUAN
semua I-TEMUAN
fungsi I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Kemudian O
akan O
dilakukan O
pengujian O
SUS B-METODE
dengan O
pihak O
inspektorat O
di O
waktu O
yang O
akan O
datang. O
Kata O
Kunci— O
SIMWAS O
, O
Inspektorat O
Utama O
, O
pengawasan O
, O
waterfall. O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
tujuan O
penelitian O
yang O
telah O
ditentukan O
di O
awal O
, O
terkait O
pembangunan O
SIMWAS O
didapatkan O
kesimpulan O
Inspektorat O
Utama O
BPS O
sebagai O
berikut. O
1. O
Sistem O
yang O
dibangun O
berhasil O
menyediakan O
fitur O
utama O
yaitu O
pembuatan O
surat O
tugas O
secara O
otomatis O
2. O
Sistem B-TEMUAN
informasi I-TEMUAN
berhasil I-TEMUAN
membuat I-TEMUAN
fitur-fitur I-TEMUAN
lain I-TEMUAN
seperti I-TEMUAN
pembuatan I-TEMUAN
nomor I-TEMUAN
surat I-TEMUAN
otomatis I-TEMUAN
, I-TEMUAN
pembuatan I-TEMUAN
surat I-TEMUAN
lain I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
master I-TEMUAN
pengembangan I-TEMUAN
profesi I-TEMUAN
3. O
Pengujian B-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
black I-TEMUAN
box I-TEMUAN
yang I-TEMUAN
dilakukan I-TEMUAN
secara I-TEMUAN
mandiri I-TEMUAN
telah I-TEMUAN
dilakukan I-TEMUAN
dan I-TEMUAN
semua I-TEMUAN
hasil I-TEMUAN
dari I-TEMUAN
setiap I-TEMUAN
jenis I-TEMUAN
aktivitas I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
semestinya I-TEMUAN
4. O
Akan O
dilakukan O
pengujian O
kembali O
menggunakan O
metode O
black O
box O
testing O
dan O
SUS O
dengan O
pihak O
Inspektorat O
Utama O
BPS O
RI O
B. O
Saran O
Saran O
yang O
dapat O
disampaikan O
oleh O
peneliti O
untuk O
penelitian O
selanjutnya O
adalah O
sebagai O
berikut. O
1. O
Mengembangkan O
fitur O
e-sign O
yang O
dapat O
terintegrasi O
dengan O
aplikasi O
E-TTD O
BPS O
2. O
Mengembangkan O
fitur O
untuk O
mengirim O
dokumen O
via O
email O
12 O
) O
. O
2020. O
T. O
Wahyudi O
, O
S. O
D. O
Putra O
, O
E. O
Subyantoro O
, O
Karya O
Ilmiah O
Mahasiswa O
L. O
F. O
Lidimilah O
, O
J. O
D. O
Prasetyo O
, O
Conference O
on O
Innovation O
and O

Pengembangan O
Sistem O
Informasi O
Manajemen O
Perpustakaan O
( O
SIMPus O
) O
Politeknik O
Statistika O
STIS O
Berbasis O
Web O
Modul O
Backend O
Muhammad O
Abdurrofi O
( O
221910857 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Perpustakaan O
Politeknik O
Statistika O
STIS O
telah O
menggunakan O
sistem O
informasi O
bernama O
SIMPus. O
Sistem O
tersebut O
ada O
yang O
berbasis O
Android O
untuk O
mahasiswa O
serta O
web O
untuk O
petugas. O
SIMPus O
Android O
digunakan O
untuk O
pelayanan O
dan O
web O
untuk O
administrasi. O
Namun O
, O
karena O
hanya O
berbasis O
Android O
maka O
mahasiswa O
pengguna O
selain O
Android O
tidak O
dapat O
menggunakan O
aplikasi O
tersebut. O
Peneliti O
menawarkan O
sebuah O
solusi O
berupa O
aplikasi O
berbasis O
web. O
Pengembangan O
aplikasi O
dibagi O
menjadi O
modul O
frontend O
dan O
backend. O
Penelitian O
ini O
berfokus O
pada O
pembangunan O
backend O
services O
menggunakan O
arsitektur O
client-server. O
Services O
akan O
menyediakan O
fungsi O
– O
fungsi O
untuk O
memberikan O
respons O
sesuai O
permintaan O
frontend. O
Metode O
pengembangan O
sistem O
pada O
penelitian O
ini O
adalah O
Rapid B-METODE
Application I-METODE
Development I-METODE
( I-METODE
RAD I-METODE
) I-METODE
. O
Untuk O
metode O
pengujian O
sistem O
menggunakan O
metode B-METODE
white-box I-METODE
dan O
black-box B-METODE
testing. I-METODE
Backend O
services O
menghasilkan O
API O
berupa O
endpoint O
dengan O
berbagai O
HTTP O
method O
, O
seperti O
GET O
, O
POST O
, O
PUT O
, O
dan O
DELETE. O
White- O
box O
testing O
dilakukan O
pada O
salah O
satu O
fungsi O
dan O
black-box O
testing O
dilakukan O
pada O
salah O
satu O
endpoint. O
Hasil B-TEMUAN
white-box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
kode I-TEMUAN
program I-TEMUAN
pada I-TEMUAN
fungsi I-TEMUAN
telah I-TEMUAN
dieksekusi I-TEMUAN
semua I-TEMUAN
dan I-TEMUAN
hasil I-TEMUAN
black-box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
setiap I-TEMUAN
test I-TEMUAN
cases I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
harapan. I-TEMUAN
Kata O
Kunci—SIMPus O
, O
Web O
, O
Backend O
, O
RAD. O
[SEP] O
Kesimpulan O
yang O
didapatkan O
pada O
pengembangan O
ini O
adalah O
: O
1. B-TEMUAN
Pengembangan I-TEMUAN
backend I-TEMUAN
services I-TEMUAN
berhasil I-TEMUAN
dilakukan. I-TEMUAN
Services I-TEMUAN
tersebut I-TEMUAN
yang I-TEMUAN
akan I-TEMUAN
menghasilkan I-TEMUAN
REST I-TEMUAN
API I-TEMUAN
yang I-TEMUAN
kemudian I-TEMUAN
akan I-TEMUAN
diakses I-TEMUAN
dari I-TEMUAN
sisi I-TEMUAN
client I-TEMUAN
, I-TEMUAN
dalam I-TEMUAN
hal I-TEMUAN
ini I-TEMUAN
yaitu I-TEMUAN
SIMPus I-TEMUAN
Web. I-TEMUAN
2. O
Pembuatan O
fitur O
untuk O
menambahkan O
data O
bahan O
pustaka O
dengan O
menggunakan O
fail O
spreadsheet O
berhasil O
dilakukan. O
Petugas O
perpustakaan O
dapat O
menambahkan O
data O
bahan O
pustaka O
dengan O
jumlah O
lebih O
dari O
satu O
menggunakan O
fail. O
Petugas O
tidak O
perlu O
lagi O
menginputkan O
data O
satu O
persatu. O
3. O
Pembuatan O
fitur O
untuk O
unggah O
fail O
PDF O
berhasil O
dilakukan. O
Petugas O
dapat O
langsung O
mengunggah O
fail O
PDF O
skripsi O
atau O
ebook O
melalui O
sistem. O
Jumlah O
fail O
yang O
diunggah O
bisa O
hanya O
satu O
atau O
lebih O
fail O
PDF. O
4. O
Perancangan O
ulang O
basis O
data O
berhasil O
dilakukan. O
Jumlah O
tabel O
pada O
basis O
data O
yang O
digunakan O
oleh O
sistem O
sudah O
berkurang O
dari O
yang O
sebelumnya O
berjumlah O
59 O
tabel O
, O
sekarang O
menjadi O
17 O
tabel. O
Serta O
juga O
tabel O
– O
tabel O
yang O
memiliki O
relasi O
sudah O
terhubung O
satu O
dengan O
yang O
lain. O
5. O
Evaluasi O
pada O
backend O
services O
berhasil O
dilakukan. O
Evaluasi O
yang O
dilakukan O
yaitu O
pengujian O
fungsional O
dengan O
metode O
white-box O
dan O
black-box O
testing O
dan O
non O
fungsional O
yaitu O
load O
testing. O
[ O
1 O
] O
W. O
Suwarno O
, O
“Ilmu O
perpustakaan O
& O
kode O
etik O

Pengembangan O
Sistem O
Informasi O
Manajemen O
Perpustakaan O
( O
SIMPus O
) O
Politeknik O
Statistika O
STIS O
Berbasis O
Web O
Modul O
Backend O
Muhammad O
Abdurrofi O
( O
221910857 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Perpustakaan O
Politeknik O
Statistika O
STIS O
telah O
menggunakan O
sistem O
informasi O
bernama O
SIMPus. O
Sistem O
tersebut O
ada O
yang O
berbasis O
Android O
untuk O
mahasiswa O
serta O
web O
untuk O
petugas. O
SIMPus O
Android O
digunakan O
untuk O
pelayanan O
dan O
web O
untuk O
administrasi. O
Namun O
, O
karena O
hanya O
berbasis O
Android O
maka O
mahasiswa O
pengguna O
selain O
Android O
tidak O
dapat O
menggunakan O
aplikasi O
tersebut. O
Peneliti O
menawarkan O
sebuah O
solusi O
berupa O
aplikasi O
berbasis O
web. O
Pengembangan O
aplikasi O
dibagi O
menjadi O
modul O
frontend O
dan O
backend. O
Penelitian O
ini O
berfokus O
pada O
pembangunan O
backend O
services O
menggunakan O
arsitektur O
client-server. O
Services O
akan O
menyediakan O
fungsi O
– O
fungsi O
untuk O
memberikan O
respons O
sesuai O
permintaan O
frontend. O
Metode O
pengembangan O
sistem O
pada O
penelitian O
ini O
adalah O
Rapid B-METODE
Application I-METODE
Development I-METODE
( I-METODE
RAD I-METODE
) I-METODE
. O
Untuk O
metode O
pengujian O
sistem O
menggunakan O
metode B-METODE
white-box I-METODE
dan O
black-box B-METODE
testing. I-METODE
Backend O
services O
menghasilkan O
API O
berupa O
endpoint O
dengan O
berbagai O
HTTP O
method O
, O
seperti O
GET O
, O
POST O
, O
PUT O
, O
dan O
DELETE. O
White- O
box O
testing O
dilakukan O
pada O
salah O
satu O
fungsi O
dan O
black-box O
testing O
dilakukan O
pada O
salah O
satu O
endpoint. O
Hasil B-TEMUAN
white-box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
kode I-TEMUAN
program I-TEMUAN
pada I-TEMUAN
fungsi I-TEMUAN
telah I-TEMUAN
dieksekusi I-TEMUAN
semua I-TEMUAN
dan I-TEMUAN
hasil I-TEMUAN
black-box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
setiap I-TEMUAN
test I-TEMUAN
cases I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
harapan. I-TEMUAN
Kata O
Kunci—SIMPus O
, O
Web O
, O
Backend O
, O
RAD. O
[SEP] O
Kesimpulan O
yang O
didapatkan O
pada O
pengembangan O
ini O
adalah O
: O
1. B-TEMUAN
Pengembangan I-TEMUAN
backend I-TEMUAN
services I-TEMUAN
berhasil I-TEMUAN
dilakukan. I-TEMUAN
Services I-TEMUAN
tersebut I-TEMUAN
yang I-TEMUAN
akan I-TEMUAN
menghasilkan I-TEMUAN
REST I-TEMUAN
API I-TEMUAN
yang I-TEMUAN
kemudian I-TEMUAN
akan I-TEMUAN
diakses I-TEMUAN
dari I-TEMUAN
sisi I-TEMUAN
client I-TEMUAN
, I-TEMUAN
dalam I-TEMUAN
hal I-TEMUAN
ini I-TEMUAN
yaitu I-TEMUAN
SIMPus I-TEMUAN
Web. I-TEMUAN
2. O
Pembuatan O
fitur O
untuk O
menambahkan O
data O
bahan O
pustaka O
dengan O
menggunakan O
fail O
spreadsheet O
berhasil O
dilakukan. O
Petugas O
perpustakaan O
dapat O
menambahkan O
data O
bahan O
pustaka O
dengan O
jumlah O
lebih O
dari O
satu O
menggunakan O
fail. O
Petugas O
tidak O
perlu O
lagi O
menginputkan O
data O
satu O
persatu. O
3. O
Pembuatan O
fitur O
untuk O
unggah O
fail O
PDF O
berhasil O
dilakukan. O
Petugas O
dapat O
langsung O
mengunggah O
fail O
PDF O
skripsi O
atau O
ebook O
melalui O
sistem. O
Jumlah O
fail O
yang O
diunggah O
bisa O
hanya O
satu O
atau O
lebih O
fail O
PDF. O
4. O
Perancangan O
ulang O
basis O
data O
berhasil O
dilakukan. O
Jumlah O
tabel O
pada O
basis O
data O
yang O
digunakan O
oleh O
sistem O
sudah O
berkurang O
dari O
yang O
sebelumnya O
berjumlah O
59 O
tabel O
, O
sekarang O
menjadi O
17 O
tabel. O
Serta O
juga O
tabel O
– O
tabel O
yang O
memiliki O
relasi O
sudah O
terhubung O
satu O
dengan O
yang O
lain. O
5. O
Evaluasi O
pada O
backend O
services O
berhasil O
dilakukan. O
Evaluasi O
yang O
dilakukan O
yaitu O
pengujian O
fungsional O
dengan O
metode O
white-box O
dan O
black-box O
testing O
dan O
non O
fungsional O
yaitu O
load O
testing. O
[ O
1 O
] O
W. O
Suwarno O
, O
“Ilmu O
perpustakaan O
& O
kode O
etik O

Pengembangan O
Sistem O
Informasi O
Manajemen O
Perpustakaan O
( O
SIMPus O
) O
Politeknik O
Statistika O
STIS O
Berbasis O
Web O
Modul O
Backend O
Muhammad O
Abdurrofi O
( O
221910857 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Perpustakaan O
Politeknik O
Statistika O
STIS O
telah O
menggunakan O
sistem O
informasi O
bernama O
SIMPus. O
Sistem O
tersebut O
ada O
yang O
berbasis O
Android O
untuk O
mahasiswa O
serta O
web O
untuk O
petugas. O
SIMPus O
Android O
digunakan O
untuk O
pelayanan O
dan O
web O
untuk O
administrasi. O
Namun O
, O
karena O
hanya O
berbasis O
Android O
maka O
mahasiswa O
pengguna O
selain O
Android O
tidak O
dapat O
menggunakan O
aplikasi O
tersebut. O
Peneliti O
menawarkan O
sebuah O
solusi O
berupa O
aplikasi O
berbasis O
web. O
Pengembangan O
aplikasi O
dibagi O
menjadi O
modul O
frontend O
dan O
backend. O
Penelitian O
ini O
berfokus O
pada O
pembangunan O
backend O
services O
menggunakan O
arsitektur O
client-server. O
Services O
akan O
menyediakan O
fungsi O
– O
fungsi O
untuk O
memberikan O
respons O
sesuai O
permintaan O
frontend. O
Metode O
pengembangan O
sistem O
pada O
penelitian O
ini O
adalah O
Rapid B-METODE
Application I-METODE
Development I-METODE
( I-METODE
RAD I-METODE
) I-METODE
. O
Untuk O
metode O
pengujian O
sistem O
menggunakan O
metode B-METODE
white-box I-METODE
dan O
black-box B-METODE
testing. I-METODE
Backend O
services O
menghasilkan O
API O
berupa O
endpoint O
dengan O
berbagai O
HTTP O
method O
, O
seperti O
GET O
, O
POST O
, O
PUT O
, O
dan O
DELETE. O
White- O
box O
testing O
dilakukan O
pada O
salah O
satu O
fungsi O
dan O
black-box O
testing O
dilakukan O
pada O
salah O
satu O
endpoint. O
Hasil B-TEMUAN
white-box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
kode I-TEMUAN
program I-TEMUAN
pada I-TEMUAN
fungsi I-TEMUAN
telah I-TEMUAN
dieksekusi I-TEMUAN
semua I-TEMUAN
dan I-TEMUAN
hasil I-TEMUAN
black-box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
setiap I-TEMUAN
test I-TEMUAN
cases I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
harapan. I-TEMUAN
Kata O
Kunci—SIMPus O
, O
Web O
, O
Backend O
, O
RAD. O
[SEP] O
Kesimpulan O
yang O
didapatkan O
pada O
pengembangan O
ini O
adalah O
: O
1. B-TEMUAN
Pengembangan I-TEMUAN
backend I-TEMUAN
services I-TEMUAN
berhasil I-TEMUAN
dilakukan. I-TEMUAN
Services I-TEMUAN
tersebut I-TEMUAN
yang I-TEMUAN
akan I-TEMUAN
menghasilkan I-TEMUAN
REST I-TEMUAN
API I-TEMUAN
yang I-TEMUAN
kemudian I-TEMUAN
akan I-TEMUAN
diakses I-TEMUAN
dari I-TEMUAN
sisi I-TEMUAN
client I-TEMUAN
, I-TEMUAN
dalam I-TEMUAN
hal I-TEMUAN
ini I-TEMUAN
yaitu I-TEMUAN
SIMPus I-TEMUAN
Web. I-TEMUAN
2. O
Pembuatan O
fitur O
untuk O
menambahkan O
data O
bahan O
pustaka O
dengan O
menggunakan O
fail O
spreadsheet O
berhasil O
dilakukan. O
Petugas O
perpustakaan O
dapat O
menambahkan O
data O
bahan O
pustaka O
dengan O
jumlah O
lebih O
dari O
satu O
menggunakan O
fail. O
Petugas O
tidak O
perlu O
lagi O
menginputkan O
data O
satu O
persatu. O
3. O
Pembuatan O
fitur O
untuk O
unggah O
fail O
PDF O
berhasil O
dilakukan. O
Petugas O
dapat O
langsung O
mengunggah O
fail O
PDF O
skripsi O
atau O
ebook O
melalui O
sistem. O
Jumlah O
fail O
yang O
diunggah O
bisa O
hanya O
satu O
atau O
lebih O
fail O
PDF. O
4. O
Perancangan O
ulang O
basis O
data O
berhasil O
dilakukan. O
Jumlah O
tabel O
pada O
basis O
data O
yang O
digunakan O
oleh O
sistem O
sudah O
berkurang O
dari O
yang O
sebelumnya O
berjumlah O
59 O
tabel O
, O
sekarang O
menjadi O
17 O
tabel. O
Serta O
juga O
tabel O
– O
tabel O
yang O
memiliki O
relasi O
sudah O
terhubung O
satu O
dengan O
yang O
lain. O
5. O
Evaluasi O
pada O
backend O
services O
berhasil O
dilakukan. O
Evaluasi O
yang O
dilakukan O
yaitu O
pengujian O
fungsional O
dengan O
metode O
white-box O
dan O
black-box O
testing O
dan O
non O
fungsional O
yaitu O
load O
testing. O
[ O
1 O
] O
W. O
Suwarno O
, O
“Ilmu O
perpustakaan O
& O
kode O
etik O

Klasifikasi O
Tingkat O
Stres O
Akademik O
dan O
Gambaran O
Mekanisme O
Koping O
Mahasiswa O
( O
Studi O
Kasus O
: O
Mahasiswa O
Politeknik O
Statistika O
STIS O
T.A O
2022 O
/ O
2023 O
) O
Dita O
Dwi O
Wulan O
Sari O
( O
221910853 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M.Stat O
Ringkasan— O
Stres O
merupakan O
hal O
yang O
wajar O
dan O
sering O
ditemui O
dalam O
kehidupan. O
Stres O
juga O
dapat O
terjadi O
dalam O
lingkungan O
akademik O
( O
stres O
akademik O
) O
. O
Stres O
akademik O
terjadi O
akibat O
ketidakmampuan O
mahasiswa O
beradaptasi O
dengan O
keadaan O
perkuliahan. O
Perubahan O
aktivitas O
belajar O
mengajar O
akibat O
covid- O
19 O
juga O
dapat O
memicu O
stres O
akademik. O
Oleh O
karena O
itu O
, O
penting O
bagi O
mahasiswa O
untuk O
memiliki O
pengelolaan O
masalah O
( O
mekanisme O
koping O
) O
yang O
baik O
dalam O
menghadapi O
stres. O
Penelitian O
ini O
bertujuan O
untuk O
mengetahui B-TUJUAN
gambaran I-TUJUAN
tingkat I-TUJUAN
stres I-TUJUAN
akademik I-TUJUAN
dan I-TUJUAN
mekanisme I-TUJUAN
koping I-TUJUAN
mahasiswa I-TUJUAN
Polstat I-TUJUAN
STIS I-TUJUAN
T.A I-TUJUAN
2022 I-TUJUAN
/ I-TUJUAN
2023 I-TUJUAN
berserta I-TUJUAN
klasifikasinya. I-TUJUAN
Penelitian O
dilakukan O
terhadap O
360 O
mahasiswa O
Polstat O
STIS O
T.A O
2022 O
/ O
2023 O
dengan O
menggunakan O
instrumen O
berupa O
kuesioner O
online. O
Analisis O
data O
dalam O
penelitian O
ini O
menggunakan O
decision O
tree O
algoritma O
C5.0. O
Hasil O
penelitian O
menunjukkan O
bahwa O
sebesar B-TEMUAN
70,6 I-TEMUAN
persen I-TEMUAN
mahasiswa I-TEMUAN
berada I-TEMUAN
pada I-TEMUAN
tingkat I-TEMUAN
stres. I-TEMUAN
Variabel I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
berpengaruh I-TEMUAN
dalam I-TEMUAN
tingkat I-TEMUAN
stres I-TEMUAN
sedang I-TEMUAN
adalah I-TEMUAN
intrapersonal I-TEMUAN
( I-TEMUAN
34,22 I-TEMUAN
persen I-TEMUAN
) I-TEMUAN
. I-TEMUAN
Sebanyak O
51,39 O
persen O
mahasiswa O
menggunakan O
mekanisme O
koping O
adaptif O
dengan O
indikator O
yang O
berperngaruh O
adalah O
restrain O
coping O
, O
planning O
, O
dan O
acceptance. O
Model B-METODE
decision I-METODE
tree I-METODE
tingkat I-METODE
stres I-METODE
menghasilkan I-METODE
error I-METODE
sebesar I-METODE
3,9 I-METODE
persen. I-METODE
Sedangkan I-METODE
decision I-METODE
tree I-METODE
mekanisme I-METODE
koping I-METODE
menghasilkan I-METODE
error I-METODE
sebesar I-METODE
1,9 I-METODE
persen. I-METODE
Kata O
Kunci— O
klasifikasi O
, O
stres O
akademik O
, O
mahasiswa O
, O
mekanisme O
koping. O
[SEP] O
Berdasarkan O
hasil O
analisis O
data O
dan O
pembahasan O
pada O
bab O
sebelumnya O
, O
diperoleh O
beberapa O
kesimpulan O
sebagai O
berikut. O
1. O
Sebagian O
besar O
mahasiswa O
Politeknik O
Statistika O
STIS O
TA. O
2022 O
/ O
2023 O
mengalami O
stres O
di O
tingkat O
sedang. O
Jika O
dilihat O
secara O
rinci O
berdasarkan O
tingkat O
, O
mahasiswa O
tingkat O
III O
dan O
II O
memiliki O
kecenderungan O
mengalami O
stres O
sedang O
yang O
tinggi. O
Jika O
dilihat O
berdasarkan O
jenis O
kelamin O
, O
mahasiswa O
berjenis O
kelamin O
perempuan O
cenderung O
mengalami O
stres O
yang O
lebih O
tinggi O
di O
semua O
tingkatan O
dari O
pada O
laki-laki. O
Kemudian O
, O
jika O
dilihat O
berdasarkan O
jenis O
tempat O
tinggal O
, O
mahasiswa O
yang O
bertempat O
tinggal O
kos O
sendiri O
cenderung O
8 O
/ O
9 O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O
[ O
16 O
] O
[ O
17 O
] O
[ O
18 O
] O
[ O
19 O
] O
[ O
20 O
] O
[ O
21 O
] O
[ O
22 O
] O
[ O
23 O
] O
mengalami O
stres O
yang O
lebih O
tinggi. O
Variabel O
yang O
paling O
berpengaruh O
dalam O
penentuan O
tingkat O
stres O
ringan O
dan O
sedang O
adalah O
variabel O
intrapersonal. O
Sedangkan O
pada O
tingkat O
stres O
berat O
, O
variabel O
yang O
paling O
berpengaruh O
adalah O
variabel O
kondisi O
akademik. O
2. O
Dari O
sisi O
mekanisme O
koping O
yang O
digunakan O
, O
sebagian O
besar O
mahasiswa O
Politeknik O
Statistika O
STIS O
TA. O
2022 O
/ O
2023 O
sudah O
menggunakan O
mekanisme O
koping O
adaptif. O
Hal O
ini O
berarti O
bahwa O
sebagian O
besar O
mahasiswa O
sudah O
dapat O
menangani O
situasi O
atau O
permasalahan O
yang O
sedang O
terjadi O
dengan O
baik. O
Indikator O
yang O
paling O
berpengaruh O
dalam O
mekanisme O
koping O
adaptif O
adalah O
restrain O
coping O
, O
planning O
, O
dan O
acceptance. O
Apabila O
dilihat O
berdasarkan O
tingkat O
, O
mahasiswa O
, O
tingkat O
IV O
dan O
II O
masih O
banyak O
yang O
menggunakan O
mekanisme O
koping O
maladaptif. O
Kemudian O
, O
apabila O
dilihat O
berdasarkan O
tingkat O
stres O
yang O
dialami O
, O
mahasiswa O
yang O
berada O
pada O
tingkat O
stres O
sedang O
dan O
berat O
sudah O
menggunakan O
mekanisme O
koping O
adaptif O
, O
tetapi O
mahasiswa O
yang O
berada O
pada O
tingkat O
stres O
ringan O
masih O
banyak O
yang O
menggunakan O
mekanisme O
koping O
maladaptif. O
3. O
Pemodelan O
tingkat O
stres O
menggunakan O
decision O
tree O
memperoleh O
hasil O
dengan O
nilai O
akurasi O
, O
precision O
, O
dan O
recall O
yang O
cukup O
tinggi. O
Decision O
tree O
yang O
dihasilkan O
mempunyai O
size O
sebesar O
23 O
dengan O
root O
node O
berupa O
varibel O
kondisi O
akademik. O
Indikator O
yang O
digunakan O
dalam O
model O
ini O
memuat O
keempat O
variabel O
yaitu O
( O
kondisi O
akademik O
, O
intrapersonal O
, O
interpersonal O
, O
dan O
lingkungan O
) O
. O
4. O
Pemodelan O
mekanisme O
koping O
juga O
memperoleh O
hasil O
dengan O
akurasi O
yang O
cukup O
tinggi O
pula. O
Decision O
tree O
yang O
dihasilkan O
mempunyai O
size O
sebesar O
29 O
dengan O
root O
node O
berupa O
pertanyaan O
nomor O
3. O
Adapun O
indikator O
atau O
pertanyaan O
yang O
digunakan O
dalam O
model O
adalah O
pertanyaan O
A2 O
, O
A3 O
, O
A4 O
, O
A7 O
, O
A8 O
, O
A9 O
, O
A10 O
, O
A12 O
, O
A13 O
, O
A14 O
, O
A15 O
, O
A16 O
, O
A17 O
, O
A20 O
, O
A21 O
, O
A22 O
dan O
A23. O

Klasifikasi O
Tingkat O
Stres O
Akademik O
dan O
Gambaran O
Mekanisme O
Koping O
Mahasiswa O
( O
Studi O
Kasus O
: O
Mahasiswa O
Politeknik O
Statistika O
STIS O
T.A O
2022 O
/ O
2023 O
) O
Dita O
Dwi O
Wulan O
Sari O
( O
221910853 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M.Stat O
Ringkasan— O
Stres O
merupakan O
hal O
yang O
wajar O
dan O
sering O
ditemui O
dalam O
kehidupan. O
Stres O
juga O
dapat O
terjadi O
dalam O
lingkungan O
akademik O
( O
stres O
akademik O
) O
. O
Stres O
akademik O
terjadi O
akibat O
ketidakmampuan O
mahasiswa O
beradaptasi O
dengan O
keadaan O
perkuliahan. O
Perubahan O
aktivitas O
belajar O
mengajar O
akibat O
covid- O
19 O
juga O
dapat O
memicu O
stres O
akademik. O
Oleh O
karena O
itu O
, O
penting O
bagi O
mahasiswa O
untuk O
memiliki O
pengelolaan O
masalah O
( O
mekanisme O
koping O
) O
yang O
baik O
dalam O
menghadapi O
stres. O
Penelitian O
ini O
bertujuan O
untuk O
mengetahui B-TUJUAN
gambaran I-TUJUAN
tingkat I-TUJUAN
stres I-TUJUAN
akademik I-TUJUAN
dan I-TUJUAN
mekanisme I-TUJUAN
koping I-TUJUAN
mahasiswa I-TUJUAN
Polstat I-TUJUAN
STIS I-TUJUAN
T.A I-TUJUAN
2022 I-TUJUAN
/ I-TUJUAN
2023 I-TUJUAN
berserta I-TUJUAN
klasifikasinya. I-TUJUAN
Penelitian O
dilakukan O
terhadap O
360 O
mahasiswa O
Polstat O
STIS O
T.A O
2022 O
/ O
2023 O
dengan O
menggunakan O
instrumen O
berupa O
kuesioner O
online. O
Analisis O
data O
dalam O
penelitian O
ini O
menggunakan O
decision O
tree O
algoritma O
C5.0. O
Hasil O
penelitian O
menunjukkan O
bahwa O
sebesar B-TEMUAN
70,6 I-TEMUAN
persen I-TEMUAN
mahasiswa I-TEMUAN
berada I-TEMUAN
pada I-TEMUAN
tingkat I-TEMUAN
stres. I-TEMUAN
Variabel I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
berpengaruh I-TEMUAN
dalam I-TEMUAN
tingkat I-TEMUAN
stres I-TEMUAN
sedang I-TEMUAN
adalah I-TEMUAN
intrapersonal I-TEMUAN
( I-TEMUAN
34,22 I-TEMUAN
persen I-TEMUAN
) I-TEMUAN
. I-TEMUAN
Sebanyak O
51,39 O
persen O
mahasiswa O
menggunakan O
mekanisme O
koping O
adaptif O
dengan O
indikator O
yang O
berperngaruh O
adalah O
restrain O
coping O
, O
planning O
, O
dan O
acceptance. O
Model B-METODE
decision I-METODE
tree I-METODE
tingkat I-METODE
stres I-METODE
menghasilkan I-METODE
error I-METODE
sebesar I-METODE
3,9 I-METODE
persen. I-METODE
Sedangkan I-METODE
decision I-METODE
tree I-METODE
mekanisme I-METODE
koping I-METODE
menghasilkan I-METODE
error I-METODE
sebesar I-METODE
1,9 I-METODE
persen. I-METODE
Kata O
Kunci— O
klasifikasi O
, O
stres O
akademik O
, O
mahasiswa O
, O
mekanisme O
koping. O
[SEP] O
Berdasarkan O
hasil O
analisis O
data O
dan O
pembahasan O
pada O
bab O
sebelumnya O
, O
diperoleh O
beberapa O
kesimpulan O
sebagai O
berikut. O
1. O
Sebagian O
besar O
mahasiswa O
Politeknik O
Statistika O
STIS O
TA. O
2022 O
/ O
2023 O
mengalami O
stres O
di O
tingkat O
sedang. O
Jika O
dilihat O
secara O
rinci O
berdasarkan O
tingkat O
, O
mahasiswa O
tingkat O
III O
dan O
II O
memiliki O
kecenderungan O
mengalami O
stres O
sedang O
yang O
tinggi. O
Jika O
dilihat O
berdasarkan O
jenis O
kelamin O
, O
mahasiswa O
berjenis O
kelamin O
perempuan O
cenderung O
mengalami O
stres O
yang O
lebih O
tinggi O
di O
semua O
tingkatan O
dari O
pada O
laki-laki. O
Kemudian O
, O
jika O
dilihat O
berdasarkan O
jenis O
tempat O
tinggal O
, O
mahasiswa O
yang O
bertempat O
tinggal O
kos O
sendiri O
cenderung O
8 O
/ O
9 O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O
[ O
16 O
] O
[ O
17 O
] O
[ O
18 O
] O
[ O
19 O
] O
[ O
20 O
] O
[ O
21 O
] O
[ O
22 O
] O
[ O
23 O
] O
mengalami O
stres O
yang O
lebih O
tinggi. O
Variabel O
yang O
paling O
berpengaruh O
dalam O
penentuan O
tingkat O
stres O
ringan O
dan O
sedang O
adalah O
variabel O
intrapersonal. O
Sedangkan O
pada O
tingkat O
stres O
berat O
, O
variabel O
yang O
paling O
berpengaruh O
adalah O
variabel O
kondisi O
akademik. O
2. O
Dari O
sisi O
mekanisme O
koping O
yang O
digunakan O
, O
sebagian O
besar O
mahasiswa O
Politeknik O
Statistika O
STIS O
TA. O
2022 O
/ O
2023 O
sudah O
menggunakan O
mekanisme O
koping O
adaptif. O
Hal O
ini O
berarti O
bahwa O
sebagian O
besar O
mahasiswa O
sudah O
dapat O
menangani O
situasi O
atau O
permasalahan O
yang O
sedang O
terjadi O
dengan O
baik. O
Indikator O
yang O
paling O
berpengaruh O
dalam O
mekanisme O
koping O
adaptif O
adalah O
restrain O
coping O
, O
planning O
, O
dan O
acceptance. O
Apabila O
dilihat O
berdasarkan O
tingkat O
, O
mahasiswa O
, O
tingkat O
IV O
dan O
II O
masih O
banyak O
yang O
menggunakan O
mekanisme O
koping O
maladaptif. O
Kemudian O
, O
apabila O
dilihat O
berdasarkan O
tingkat O
stres O
yang O
dialami O
, O
mahasiswa O
yang O
berada O
pada O
tingkat O
stres O
sedang O
dan O
berat O
sudah O
menggunakan O
mekanisme O
koping O
adaptif O
, O
tetapi O
mahasiswa O
yang O
berada O
pada O
tingkat O
stres O
ringan O
masih O
banyak O
yang O
menggunakan O
mekanisme O
koping O
maladaptif. O
3. O
Pemodelan O
tingkat O
stres O
menggunakan O
decision O
tree O
memperoleh O
hasil O
dengan O
nilai O
akurasi O
, O
precision O
, O
dan O
recall O
yang O
cukup O
tinggi. O
Decision O
tree O
yang O
dihasilkan O
mempunyai O
size O
sebesar O
23 O
dengan O
root O
node O
berupa O
varibel O
kondisi O
akademik. O
Indikator O
yang O
digunakan O
dalam O
model O
ini O
memuat O
keempat O
variabel O
yaitu O
( O
kondisi O
akademik O
, O
intrapersonal O
, O
interpersonal O
, O
dan O
lingkungan O
) O
. O
4. O
Pemodelan O
mekanisme O
koping O
juga O
memperoleh O
hasil O
dengan O
akurasi O
yang O
cukup O
tinggi O
pula. O
Decision O
tree O
yang O
dihasilkan O
mempunyai O
size O
sebesar O
29 O
dengan O
root O
node O
berupa O
pertanyaan O
nomor O
3. O
Adapun O
indikator O
atau O
pertanyaan O
yang O
digunakan O
dalam O
model O
adalah O
pertanyaan O
A2 O
, O
A3 O
, O
A4 O
, O
A7 O
, O
A8 O
, O
A9 O
, O
A10 O
, O
A12 O
, O
A13 O
, O
A14 O
, O
A15 O
, O
A16 O
, O
A17 O
, O
A20 O
, O
A21 O
, O
A22 O
dan O
A23. O

Klasifikasi O
Tingkat O
Stres O
Akademik O
dan O
Gambaran O
Mekanisme O
Koping O
Mahasiswa O
( O
Studi O
Kasus O
: O
Mahasiswa O
Politeknik O
Statistika O
STIS O
T.A O
2022 O
/ O
2023 O
) O
Dita O
Dwi O
Wulan O
Sari O
( O
221910853 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M.Stat O
Ringkasan— O
Stres O
merupakan O
hal O
yang O
wajar O
dan O
sering O
ditemui O
dalam O
kehidupan. O
Stres O
juga O
dapat O
terjadi O
dalam O
lingkungan O
akademik O
( O
stres O
akademik O
) O
. O
Stres O
akademik O
terjadi O
akibat O
ketidakmampuan O
mahasiswa O
beradaptasi O
dengan O
keadaan O
perkuliahan. O
Perubahan O
aktivitas O
belajar O
mengajar O
akibat O
covid- O
19 O
juga O
dapat O
memicu O
stres O
akademik. O
Oleh O
karena O
itu O
, O
penting O
bagi O
mahasiswa O
untuk O
memiliki O
pengelolaan O
masalah O
( O
mekanisme O
koping O
) O
yang O
baik O
dalam O
menghadapi O
stres. O
Penelitian O
ini O
bertujuan O
untuk O
mengetahui B-TUJUAN
gambaran I-TUJUAN
tingkat I-TUJUAN
stres I-TUJUAN
akademik I-TUJUAN
dan I-TUJUAN
mekanisme I-TUJUAN
koping I-TUJUAN
mahasiswa I-TUJUAN
Polstat I-TUJUAN
STIS I-TUJUAN
T.A I-TUJUAN
2022 I-TUJUAN
/ I-TUJUAN
2023 I-TUJUAN
berserta I-TUJUAN
klasifikasinya. I-TUJUAN
Penelitian O
dilakukan O
terhadap O
360 O
mahasiswa O
Polstat O
STIS O
T.A O
2022 O
/ O
2023 O
dengan O
menggunakan O
instrumen O
berupa O
kuesioner O
online. O
Analisis O
data O
dalam O
penelitian O
ini O
menggunakan O
decision O
tree O
algoritma O
C5.0. O
Hasil O
penelitian O
menunjukkan O
bahwa O
sebesar B-TEMUAN
70,6 I-TEMUAN
persen I-TEMUAN
mahasiswa I-TEMUAN
berada I-TEMUAN
pada I-TEMUAN
tingkat I-TEMUAN
stres. I-TEMUAN
Variabel I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
berpengaruh I-TEMUAN
dalam I-TEMUAN
tingkat I-TEMUAN
stres I-TEMUAN
sedang I-TEMUAN
adalah I-TEMUAN
intrapersonal I-TEMUAN
( I-TEMUAN
34,22 I-TEMUAN
persen I-TEMUAN
) I-TEMUAN
. I-TEMUAN
Sebanyak O
51,39 O
persen O
mahasiswa O
menggunakan O
mekanisme O
koping O
adaptif O
dengan O
indikator O
yang O
berperngaruh O
adalah O
restrain O
coping O
, O
planning O
, O
dan O
acceptance. O
Model B-METODE
decision I-METODE
tree I-METODE
tingkat I-METODE
stres I-METODE
menghasilkan I-METODE
error I-METODE
sebesar I-METODE
3,9 I-METODE
persen. I-METODE
Sedangkan I-METODE
decision I-METODE
tree I-METODE
mekanisme I-METODE
koping I-METODE
menghasilkan I-METODE
error I-METODE
sebesar I-METODE
1,9 I-METODE
persen. I-METODE
Kata O
Kunci— O
klasifikasi O
, O
stres O
akademik O
, O
mahasiswa O
, O
mekanisme O
koping. O
[SEP] O
Berdasarkan O
hasil O
analisis O
data O
dan O
pembahasan O
pada O
bab O
sebelumnya O
, O
diperoleh O
beberapa O
kesimpulan O
sebagai O
berikut. O
1. O
Sebagian O
besar O
mahasiswa O
Politeknik O
Statistika O
STIS O
TA. O
2022 O
/ O
2023 O
mengalami O
stres O
di O
tingkat O
sedang. O
Jika O
dilihat O
secara O
rinci O
berdasarkan O
tingkat O
, O
mahasiswa O
tingkat O
III O
dan O
II O
memiliki O
kecenderungan O
mengalami O
stres O
sedang O
yang O
tinggi. O
Jika O
dilihat O
berdasarkan O
jenis O
kelamin O
, O
mahasiswa O
berjenis O
kelamin O
perempuan O
cenderung O
mengalami O
stres O
yang O
lebih O
tinggi O
di O
semua O
tingkatan O
dari O
pada O
laki-laki. O
Kemudian O
, O
jika O
dilihat O
berdasarkan O
jenis O
tempat O
tinggal O
, O
mahasiswa O
yang O
bertempat O
tinggal O
kos O
sendiri O
cenderung O
8 O
/ O
9 O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O
[ O
16 O
] O
[ O
17 O
] O
[ O
18 O
] O
[ O
19 O
] O
[ O
20 O
] O
[ O
21 O
] O
[ O
22 O
] O
[ O
23 O
] O
mengalami O
stres O
yang O
lebih O
tinggi. O
Variabel O
yang O
paling O
berpengaruh O
dalam O
penentuan O
tingkat O
stres O
ringan O
dan O
sedang O
adalah O
variabel O
intrapersonal. O
Sedangkan O
pada O
tingkat O
stres O
berat O
, O
variabel O
yang O
paling O
berpengaruh O
adalah O
variabel O
kondisi O
akademik. O
2. O
Dari O
sisi O
mekanisme O
koping O
yang O
digunakan O
, O
sebagian O
besar O
mahasiswa O
Politeknik O
Statistika O
STIS O
TA. O
2022 O
/ O
2023 O
sudah O
menggunakan O
mekanisme O
koping O
adaptif. O
Hal O
ini O
berarti O
bahwa O
sebagian O
besar O
mahasiswa O
sudah O
dapat O
menangani O
situasi O
atau O
permasalahan O
yang O
sedang O
terjadi O
dengan O
baik. O
Indikator O
yang O
paling O
berpengaruh O
dalam O
mekanisme O
koping O
adaptif O
adalah O
restrain O
coping O
, O
planning O
, O
dan O
acceptance. O
Apabila O
dilihat O
berdasarkan O
tingkat O
, O
mahasiswa O
, O
tingkat O
IV O
dan O
II O
masih O
banyak O
yang O
menggunakan O
mekanisme O
koping O
maladaptif. O
Kemudian O
, O
apabila O
dilihat O
berdasarkan O
tingkat O
stres O
yang O
dialami O
, O
mahasiswa O
yang O
berada O
pada O
tingkat O
stres O
sedang O
dan O
berat O
sudah O
menggunakan O
mekanisme O
koping O
adaptif O
, O
tetapi O
mahasiswa O
yang O
berada O
pada O
tingkat O
stres O
ringan O
masih O
banyak O
yang O
menggunakan O
mekanisme O
koping O
maladaptif. O
3. O
Pemodelan O
tingkat O
stres O
menggunakan O
decision O
tree O
memperoleh O
hasil O
dengan O
nilai O
akurasi O
, O
precision O
, O
dan O
recall O
yang O
cukup O
tinggi. O
Decision O
tree O
yang O
dihasilkan O
mempunyai O
size O
sebesar O
23 O
dengan O
root O
node O
berupa O
varibel O
kondisi O
akademik. O
Indikator O
yang O
digunakan O
dalam O
model O
ini O
memuat O
keempat O
variabel O
yaitu O
( O
kondisi O
akademik O
, O
intrapersonal O
, O
interpersonal O
, O
dan O
lingkungan O
) O
. O
4. O
Pemodelan O
mekanisme O
koping O
juga O
memperoleh O
hasil O
dengan O
akurasi O
yang O
cukup O
tinggi O
pula. O
Decision O
tree O
yang O
dihasilkan O
mempunyai O
size O
sebesar O
29 O
dengan O
root O
node O
berupa O
pertanyaan O
nomor O
3. O
Adapun O
indikator O
atau O
pertanyaan O
yang O
digunakan O
dalam O
model O
adalah O
pertanyaan O
A2 O
, O
A3 O
, O
A4 O
, O
A7 O
, O
A8 O
, O
A9 O
, O
A10 O
, O
A12 O
, O
A13 O
, O
A14 O
, O
A15 O
, O
A16 O
, O
A17 O
, O
A20 O
, O
A21 O
, O
A22 O
dan O
A23. O

Pengembangan O
Sistem O
Informasi O
UKM O
Kerohanian O
Islam O
( O
Rohis O
) O
Berbasis O
Web O
Yoka O
Prasetia O
( O
221910846 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A O
Ringkasan— O
UKM O
Kerohanian O
merupakan O
wadah O
yang O
mewakili O
mahasiswa O
untuk O
mengembangkan O
minat O
dan O
bakat O
di O
dalam O
bidang O
keagamaan. O
Saat O
ini O
, O
Rohis O
memiliki O
sistem O
informasi O
berupa O
web. O
Namun O
, O
web O
tersebut O
belum O
memiliki O
fitur O
atau O
fungsi O
yang O
bisa O
memenuhi O
kebutuhan O
pengguna O
, O
sehingga O
sistem O
yang O
berjalan O
menggunakan O
solusi O
alternatif O
yang O
mudah O
dilakukan. O
Mengingat O
perlunya O
sistem O
informasi O
dalam O
kegiatan O
Rohis O
, O
dibutuhkan O
suatu O
pengembangan O
sistem O
informasi O
Rohis O
berbasis O
web. O
Sistem O
informasi O
ini O
bertujuan O
untuk O
memudahkan O
pengurus O
Rohis O
dalam O
mengelola O
kegiatannya. O
Pengembangan O
sistem O
informasi O
menggunakan O
metode B-METODE
SDLC I-METODE
model I-METODE
waterfall I-METODE
dengan O
metode O
evaluasi O
menggunakan O
black-box B-METODE
testing I-METODE
dan I-METODE
SUS. I-METODE
Dari O
hasil O
uji O
coba O
dan O
evaluasi O
tersebut O
, B-METODE
black-box I-METODE
testing I-METODE
menunjukkan O
bahwa O
secara O
keseluruhan O
, O
fungsi B-TEMUAN
dalam I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
sudah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
yang I-TEMUAN
diharapkan I-TEMUAN
dan I-TEMUAN
score I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
83.75 I-TEMUAN
% I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
secara I-TEMUAN
umum I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibuat I-TEMUAN
berkatergori I-TEMUAN
“excellent” I-TEMUAN
dan I-TEMUAN
tidak I-TEMUAN
terdapat I-TEMUAN
masalah I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
pada I-TEMUAN
usabilitiy. I-TEMUAN
Kata O
Kunci— O
Kerohanian O
Islam O
, O
SDLC O
, O
Waterfall O
, O
Black-box O
Testing O
, O
SUS. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
ada O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
1. O
Telah O
dikembangkannya O
sistem O
informasi O
UKM O
Rohis O
berbasis O
web O
yang O
dapat O
membantu O
meningkatkan O
kinerja O
UKM O
Rohis. O
2. O
Sistem O
informasi O
telah O
memiliki O
fitur O
yang O
membantu O
mengatasi O
permasalahan O
utama O
yaitu O
pengelolaan O
akun O
, O
pengelolaan O
pengumuman O
informasi O
, O
pengelolaan O
keuangan O
, O
pengelolaan O
daftar O
hadir O
, O
dan O
ditambah O
dengan O
pengelolaan O
log O
aktivitas. O
3. O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
dan I-TEMUAN
evaluasi I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
dari I-TEMUAN
segi I-TEMUAN
black-box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
lancar. I-TEMUAN
Evaluasi I-TEMUAN
SUS I-TEMUAN
juga I-TEMUAN
memberikan I-TEMUAN
skor I-TEMUAN
76.25 I-TEMUAN
% I-TEMUAN
yang I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
secara I-TEMUAN
umum I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibuat I-TEMUAN
berkatergori I-TEMUAN
“baik” I-TEMUAN
dan I-TEMUAN
tidak I-TEMUAN
terdapat I-TEMUAN
masalah I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
pada I-TEMUAN
usabilitiy. I-TEMUAN
Bebepara O
saran O
yang O
mungkin O
membantu O
untuk O
penelitian O
selanjutnya O
, O
yaitu O
: O
1. O
Rohis O
memiliki O
cakupan O
yang O
cukup O
luas O
dan O
penelitian O
ini O
hanya O
berfokus O
terkait O
kegiatan O
kajian O
sehingga O
untuk O
penelitian O
kedepannya O
, O
cakupan O
penelitian O
dapat O
diperluas O
lagi. O
2. O
Berdasarkan O
hasil O
SUS O
dapat O
diketahui O
bahwa O
beberapa O
poin O
pertanyaan O
memiliki O
nilai O
rendah O
sehingga O
perlu O
dilakukan O
perbaikan O
untuk O
ke O
depannya. O
3. O
Untuk O
mendapatkan O
kemudahan O
akses O
, O
sistem O
informasi O
mungkin O
dapat O
dikembangkan O
ke O
dalam O
versi O
android O
dan O
ios. O

Pengembangan O
Sistem O
Informasi O
UKM O
Kerohanian O
Islam O
( O
Rohis O
) O
Berbasis O
Web O
Yoka O
Prasetia O
( O
221910846 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A O
Ringkasan— O
UKM O
Kerohanian O
merupakan O
wadah O
yang O
mewakili O
mahasiswa O
untuk O
mengembangkan O
minat O
dan O
bakat O
di O
dalam O
bidang O
keagamaan. O
Saat O
ini O
, O
Rohis O
memiliki O
sistem O
informasi O
berupa O
web. O
Namun O
, O
web O
tersebut O
belum O
memiliki O
fitur O
atau O
fungsi O
yang O
bisa O
memenuhi O
kebutuhan O
pengguna O
, O
sehingga O
sistem O
yang O
berjalan O
menggunakan O
solusi O
alternatif O
yang O
mudah O
dilakukan. O
Mengingat O
perlunya O
sistem O
informasi O
dalam O
kegiatan O
Rohis O
, O
dibutuhkan O
suatu O
pengembangan O
sistem O
informasi O
Rohis O
berbasis O
web. O
Sistem O
informasi O
ini O
bertujuan O
untuk O
memudahkan O
pengurus O
Rohis O
dalam O
mengelola O
kegiatannya. O
Pengembangan O
sistem O
informasi O
menggunakan O
metode B-METODE
SDLC I-METODE
model I-METODE
waterfall I-METODE
dengan O
metode O
evaluasi O
menggunakan O
black-box B-METODE
testing I-METODE
dan I-METODE
SUS. I-METODE
Dari O
hasil O
uji O
coba O
dan O
evaluasi O
tersebut O
, B-METODE
black-box I-METODE
testing I-METODE
menunjukkan O
bahwa O
secara O
keseluruhan O
, O
fungsi B-TEMUAN
dalam I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
sudah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
yang I-TEMUAN
diharapkan I-TEMUAN
dan I-TEMUAN
score I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
83.75 I-TEMUAN
% I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
secara I-TEMUAN
umum I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibuat I-TEMUAN
berkatergori I-TEMUAN
“excellent” I-TEMUAN
dan I-TEMUAN
tidak I-TEMUAN
terdapat I-TEMUAN
masalah I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
pada I-TEMUAN
usabilitiy. I-TEMUAN
Kata O
Kunci— O
Kerohanian O
Islam O
, O
SDLC O
, O
Waterfall O
, O
Black-box O
Testing O
, O
SUS. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
ada O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
1. O
Telah O
dikembangkannya O
sistem O
informasi O
UKM O
Rohis O
berbasis O
web O
yang O
dapat O
membantu O
meningkatkan O
kinerja O
UKM O
Rohis. O
2. O
Sistem O
informasi O
telah O
memiliki O
fitur O
yang O
membantu O
mengatasi O
permasalahan O
utama O
yaitu O
pengelolaan O
akun O
, O
pengelolaan O
pengumuman O
informasi O
, O
pengelolaan O
keuangan O
, O
pengelolaan O
daftar O
hadir O
, O
dan O
ditambah O
dengan O
pengelolaan O
log O
aktivitas. O
3. O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
dan I-TEMUAN
evaluasi I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
dari I-TEMUAN
segi I-TEMUAN
black-box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
lancar. I-TEMUAN
Evaluasi I-TEMUAN
SUS I-TEMUAN
juga I-TEMUAN
memberikan I-TEMUAN
skor I-TEMUAN
76.25 I-TEMUAN
% I-TEMUAN
yang I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
secara I-TEMUAN
umum I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibuat I-TEMUAN
berkatergori I-TEMUAN
“baik” I-TEMUAN
dan I-TEMUAN
tidak I-TEMUAN
terdapat I-TEMUAN
masalah I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
pada I-TEMUAN
usabilitiy. I-TEMUAN
Bebepara O
saran O
yang O
mungkin O
membantu O
untuk O
penelitian O
selanjutnya O
, O
yaitu O
: O
1. O
Rohis O
memiliki O
cakupan O
yang O
cukup O
luas O
dan O
penelitian O
ini O
hanya O
berfokus O
terkait O
kegiatan O
kajian O
sehingga O
untuk O
penelitian O
kedepannya O
, O
cakupan O
penelitian O
dapat O
diperluas O
lagi. O
2. O
Berdasarkan O
hasil O
SUS O
dapat O
diketahui O
bahwa O
beberapa O
poin O
pertanyaan O
memiliki O
nilai O
rendah O
sehingga O
perlu O
dilakukan O
perbaikan O
untuk O
ke O
depannya. O
3. O
Untuk O
mendapatkan O
kemudahan O
akses O
, O
sistem O
informasi O
mungkin O
dapat O
dikembangkan O
ke O
dalam O
versi O
android O
dan O
ios. O

Pengembangan O
Sistem O
Informasi O
UKM O
Kerohanian O
Islam O
( O
Rohis O
) O
Berbasis O
Web O
Yoka O
Prasetia O
( O
221910846 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A O
Ringkasan— O
UKM O
Kerohanian O
merupakan O
wadah O
yang O
mewakili O
mahasiswa O
untuk O
mengembangkan O
minat O
dan O
bakat O
di O
dalam O
bidang O
keagamaan. O
Saat O
ini O
, O
Rohis O
memiliki O
sistem O
informasi O
berupa O
web. O
Namun O
, O
web O
tersebut O
belum O
memiliki O
fitur O
atau O
fungsi O
yang O
bisa O
memenuhi O
kebutuhan O
pengguna O
, O
sehingga O
sistem O
yang O
berjalan O
menggunakan O
solusi O
alternatif O
yang O
mudah O
dilakukan. O
Mengingat O
perlunya O
sistem O
informasi O
dalam O
kegiatan O
Rohis O
, O
dibutuhkan O
suatu O
pengembangan O
sistem O
informasi O
Rohis O
berbasis O
web. O
Sistem O
informasi O
ini O
bertujuan O
untuk O
memudahkan O
pengurus O
Rohis O
dalam O
mengelola O
kegiatannya. O
Pengembangan O
sistem O
informasi O
menggunakan O
metode B-METODE
SDLC I-METODE
model I-METODE
waterfall I-METODE
dengan O
metode O
evaluasi O
menggunakan O
black-box B-METODE
testing I-METODE
dan I-METODE
SUS. I-METODE
Dari O
hasil O
uji O
coba O
dan O
evaluasi O
tersebut O
, B-METODE
black-box I-METODE
testing I-METODE
menunjukkan O
bahwa O
secara O
keseluruhan O
, O
fungsi B-TEMUAN
dalam I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
sudah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
yang I-TEMUAN
diharapkan I-TEMUAN
dan I-TEMUAN
score I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
83.75 I-TEMUAN
% I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
secara I-TEMUAN
umum I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibuat I-TEMUAN
berkatergori I-TEMUAN
“excellent” I-TEMUAN
dan I-TEMUAN
tidak I-TEMUAN
terdapat I-TEMUAN
masalah I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
pada I-TEMUAN
usabilitiy. I-TEMUAN
Kata O
Kunci— O
Kerohanian O
Islam O
, O
SDLC O
, O
Waterfall O
, O
Black-box O
Testing O
, O
SUS. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
ada O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
1. O
Telah O
dikembangkannya O
sistem O
informasi O
UKM O
Rohis O
berbasis O
web O
yang O
dapat O
membantu O
meningkatkan O
kinerja O
UKM O
Rohis. O
2. O
Sistem O
informasi O
telah O
memiliki O
fitur O
yang O
membantu O
mengatasi O
permasalahan O
utama O
yaitu O
pengelolaan O
akun O
, O
pengelolaan O
pengumuman O
informasi O
, O
pengelolaan O
keuangan O
, O
pengelolaan O
daftar O
hadir O
, O
dan O
ditambah O
dengan O
pengelolaan O
log O
aktivitas. O
3. O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
dan I-TEMUAN
evaluasi I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
dari I-TEMUAN
segi I-TEMUAN
black-box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
lancar. I-TEMUAN
Evaluasi I-TEMUAN
SUS I-TEMUAN
juga I-TEMUAN
memberikan I-TEMUAN
skor I-TEMUAN
76.25 I-TEMUAN
% I-TEMUAN
yang I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
secara I-TEMUAN
umum I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibuat I-TEMUAN
berkatergori I-TEMUAN
“baik” I-TEMUAN
dan I-TEMUAN
tidak I-TEMUAN
terdapat I-TEMUAN
masalah I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
pada I-TEMUAN
usabilitiy. I-TEMUAN
Bebepara O
saran O
yang O
mungkin O
membantu O
untuk O
penelitian O
selanjutnya O
, O
yaitu O
: O
1. O
Rohis O
memiliki O
cakupan O
yang O
cukup O
luas O
dan O
penelitian O
ini O
hanya O
berfokus O
terkait O
kegiatan O
kajian O
sehingga O
untuk O
penelitian O
kedepannya O
, O
cakupan O
penelitian O
dapat O
diperluas O
lagi. O
2. O
Berdasarkan O
hasil O
SUS O
dapat O
diketahui O
bahwa O
beberapa O
poin O
pertanyaan O
memiliki O
nilai O
rendah O
sehingga O
perlu O
dilakukan O
perbaikan O
untuk O
ke O
depannya. O
3. O
Untuk O
mendapatkan O
kemudahan O
akses O
, O
sistem O
informasi O
mungkin O
dapat O
dikembangkan O
ke O
dalam O
versi O
android O
dan O
ios. O

Analisis O
Kualitas O
Website O
JAKLITERA O
Dengan O
Metode O
Webqual O
4.0 O
dan O
Importance-Performance O
Analysis O
Rakai O
Abilawa O
( O
221910842 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Erna O
Nurmawati O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Berdasarkan O
UU O
No O
43 O
Tahun O
2007 O
, O
suatu O
perpustakaan O
umum O
harus O
melakukan O
pengembangan O
pada O
sistem O
layanan O
perpustakaan O
berbasis O
teknologi O
informasi O
dan O
komunikasi. O
Dalam O
upaya O
perwujudannya O
, O
tanggal O
22 O
Juni O
2022 O
Perpustakaan O
Jakarta O
meluncurkan O
website O
JAKLITERA O
dengan O
domain O
perpustakaan.jakarta.go.id O
yang O
merupakan O
suatu O
website O
perpustakaan O
terintegrasi O
untuk O
memudahkan O
peminjaman O
koleksi O
perpustakaan O
di O
manapun O
dan O
kapanpun. O
Untuk O
mencapai O
tujuan O
tersebut O
perlu O
diperhatikan O
kualitas O
website O
, O
karena O
akan O
menjadi O
cerminan O
dari O
pelayanan O
perpustakaan O
tersebut. O
Kualitas O
website O
yang O
baik O
akan O
berdampak O
terhadap O
kepuasan O
pengguna O
dalam O
mengunjungi O
website. O
Untuk O
mengukur O
diperlukan O
metode O
yang O
tepat O
sesuai O
dengan O
tujuan O
penilaian O
kualitas O
website. O
Metode O
Webqual O
4.0 O
dinilai O
tepat O
digunakan O
karena O
pada O
dasarnya O
teknik O
pengukuran O
kualitas O
dengan O
metode O
tersebut O
menjadikan O
persepsi O
pengguna O
sebagai O
dasar. O
Analisis O
yang O
digunakan O
untuk O
mengetahui O
indikator O
/ O
atribut O
yang O
perlu O
diperbaiki O
atau O
sudah O
memenuhi O
ekspektasi O
/ O
harapan O
pengguna O
dan O
kualitas O
website O
adalah O
analisis B-METODE
IPA I-METODE
dan I-METODE
kesenjangan I-METODE
, O
sedangkan O
metode B-METODE
CFA I-METODE
akan O
digunakan O
untuk O
melihat O
indikator O
yang O
kurang O
berkontribusi. O
Berdasarkan O
hasil O
analisis O
kesenjangan O
dan O
IPA O
terdapat B-TEMUAN
21 I-TEMUAN
indikator I-TEMUAN
bernilai I-TEMUAN
negatif I-TEMUAN
dan I-TEMUAN
4 I-TEMUAN
indikator I-TEMUAN
yang I-TEMUAN
menjadi I-TEMUAN
prioritas I-TEMUAN
perbaikan I-TEMUAN
, I-TEMUAN
sedangkan I-TEMUAN
hasil I-TEMUAN
CFA I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
terdapat I-TEMUAN
1 I-TEMUAN
indikator I-TEMUAN
yang I-TEMUAN
dikategorikan I-TEMUAN
kurang I-TEMUAN
berkontribusi I-TEMUAN
pada I-TEMUAN
website I-TEMUAN
JAKLITERA. I-TEMUAN
Kata O
Kunci— O
JAKLITERA O
, O
Kualitas O
Website O
, O
Webqual O
4.0 O
, O
Gap O
Analysis O
, O
Importance-Performance O
Analysis O
, O
Confirmatory O
Factor O
Analysis O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
oleh O
peneliti O
, O
dapat O
diambil O
beberapa O
kesimpulan O
sebagai O
berikut. O
1. O
Indikator O
metode O
Webqual O
4.0 O
yang O
digunakan O
pada O
penelitian O
ini O
sebagai O
atribut O
/ O
instrumen O
penelitian O
telah O
teruji O
reliabel. O
Hal O
ini O
menunjukkan O
bahwa O
indikator O
tersebut O
dapat O
digunakan O
untuk O
melakukan O
analisis O
lebih O
lanjut. O
2. O
Analisis O
kesenjangan O
yang O
dilakukan O
memberikan O
hasil O
indikator O
/ O
atribut O
untuk O
bahwa O
secara O
keseluruhan O
penilaian O
kualitas O
website O
yang O
diteliti O
bernilai O
negatif. O
ini O
menunjukkan O
bahwa O
kualitas O
website O
Hal O
JAKLITERA O
memenuhi O
belum O
ekspektasi O
/ O
harapan O
dari O
penggunanya. O
masih O
3. O
Analisis O
IPA O
yang O
telah O
dilakukan O
dapat O
menunjukkan O
indikator-indikator O
mana O
yang O
belum O
memenuhi O
dan O
telah O
memenuhi O
keinginan O
dari O
pengguna. O
Dari O
keseluruhan O
indikator O
terdapat O
empat O
indikator O
yang O
ekspektasi O
/ O
harapan O
memenuhi O
masih O
penggunanya O
yaitu O
indikator O
interaksi O
yang O
mudah O
dimengerti O
, O
navigasi O
yang O
jelas O
, O
keamanan O
informasi O
pribadi O
pengguna O
, O
dan O
kemudahan O
berkomunikasi O
dengan O
pengelola. O
belum O
4. O
Analisis O
CFA O
yang O
telah O
dilakukan O
menunjukkan O
indikator O
yang O
berkontribusi O
terhadap O
kualitas O
website O
JAKLITERA. O
Dari O
keseluruhan O
indikator O
terdapat O
satu O
indikator O
yang O
masih O
terlalu O
rendah O
untuk O
dikategorikan O
sebagai O
indikator O
yang O
baik O
atau O
berkontribusi O
besar. O
Saran O
dari O
peneliti O
untuk O
Perpustakaan O
Jakarta O
dan O
penelitian O
terkait O
yang O
akan O
datang O
sebagai O
berikut. O
1. O
Untuk O
Perpustakaan O
Jakarta O
apabila O
hendak O
melakukan O
perbaikan O
terhadap O
website O
JAKLITERA O
diharapkan O
berdasarkan O
hasil O
analisis O
IPA. O
Hal O
yang O
perlu O
dilakukan O
perbaikan O
adalah O
tentang O
kejelasan O
dan O
kemudahan O
website. O
interaksi O
lanjut. O
Navigasi O
/ O
petunjuk O
yang O
perlu O
dikaji O
Keamanan O
informasi O
pribadi O
pengguna O
dan O
kemudahan O
pengguna O
dalam O
berkomunikasi O
dengan O
pengelola O
melalui O
website O
tersebut. O
pengguna O
antara O
lebih O
dan O
2. O
Apabila O
perbaikan O
yang O
dilakukan O
terbatas O
dapat O
terlebih O
dahulu O
berdasarkan O
dilakukan O
perbaikan O
kontribusi O
yang O
diberikan. O
Dapat O
dimulai O
dengan O
melakukan O
perbaikan O
pada O
keamanan O
infromasi O
pribadi O
pengguna. O
Jika O
dimungkinkan O
dapat O
ditambah O
dengan O
perbaikan O
pada O
kejelasan O
dan O
kemudahan O
interaksi O
antara O
pengguna O
dan O
website. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
3. O
Untuk O
peneliti O
lain O
dapat O
menggunakan O
metode O
lain O
pada O
penilaian O
kualitas O
website O
JAKLITERA O
agar O
dapat O
dilihat O
keterbandingan O
hasil O
dengan O
metode O
pada O
penelitian O
ini. O

Analisis O
Kualitas O
Website O
JAKLITERA O
Dengan O
Metode O
Webqual O
4.0 O
dan O
Importance-Performance O
Analysis O
Rakai O
Abilawa O
( O
221910842 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Erna O
Nurmawati O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Berdasarkan O
UU O
No O
43 O
Tahun O
2007 O
, O
suatu O
perpustakaan O
umum O
harus O
melakukan O
pengembangan O
pada O
sistem O
layanan O
perpustakaan O
berbasis O
teknologi O
informasi O
dan O
komunikasi. O
Dalam O
upaya O
perwujudannya O
, O
tanggal O
22 O
Juni O
2022 O
Perpustakaan O
Jakarta O
meluncurkan O
website O
JAKLITERA O
dengan O
domain O
perpustakaan.jakarta.go.id O
yang O
merupakan O
suatu O
website O
perpustakaan O
terintegrasi O
untuk O
memudahkan O
peminjaman O
koleksi O
perpustakaan O
di O
manapun O
dan O
kapanpun. O
Untuk O
mencapai O
tujuan O
tersebut O
perlu O
diperhatikan O
kualitas O
website O
, O
karena O
akan O
menjadi O
cerminan O
dari O
pelayanan O
perpustakaan O
tersebut. O
Kualitas O
website O
yang O
baik O
akan O
berdampak O
terhadap O
kepuasan O
pengguna O
dalam O
mengunjungi O
website. O
Untuk O
mengukur O
diperlukan O
metode O
yang O
tepat O
sesuai O
dengan O
tujuan O
penilaian O
kualitas O
website. O
Metode O
Webqual O
4.0 O
dinilai O
tepat O
digunakan O
karena O
pada O
dasarnya O
teknik O
pengukuran O
kualitas O
dengan O
metode O
tersebut O
menjadikan O
persepsi O
pengguna O
sebagai O
dasar. O
Analisis O
yang O
digunakan O
untuk O
mengetahui O
indikator O
/ O
atribut O
yang O
perlu O
diperbaiki O
atau O
sudah O
memenuhi O
ekspektasi O
/ O
harapan O
pengguna O
dan O
kualitas O
website O
adalah O
analisis B-METODE
IPA I-METODE
dan I-METODE
kesenjangan I-METODE
, O
sedangkan O
metode B-METODE
CFA I-METODE
akan O
digunakan O
untuk O
melihat O
indikator O
yang O
kurang O
berkontribusi. O
Berdasarkan O
hasil O
analisis O
kesenjangan O
dan O
IPA O
terdapat B-TEMUAN
21 I-TEMUAN
indikator I-TEMUAN
bernilai I-TEMUAN
negatif I-TEMUAN
dan I-TEMUAN
4 I-TEMUAN
indikator I-TEMUAN
yang I-TEMUAN
menjadi I-TEMUAN
prioritas I-TEMUAN
perbaikan I-TEMUAN
, I-TEMUAN
sedangkan I-TEMUAN
hasil I-TEMUAN
CFA I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
terdapat I-TEMUAN
1 I-TEMUAN
indikator I-TEMUAN
yang I-TEMUAN
dikategorikan I-TEMUAN
kurang I-TEMUAN
berkontribusi I-TEMUAN
pada I-TEMUAN
website I-TEMUAN
JAKLITERA. I-TEMUAN
Kata O
Kunci— O
JAKLITERA O
, O
Kualitas O
Website O
, O
Webqual O
4.0 O
, O
Gap O
Analysis O
, O
Importance-Performance O
Analysis O
, O
Confirmatory O
Factor O
Analysis O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
oleh O
peneliti O
, O
dapat O
diambil O
beberapa O
kesimpulan O
sebagai O
berikut. O
1. O
Indikator O
metode O
Webqual O
4.0 O
yang O
digunakan O
pada O
penelitian O
ini O
sebagai O
atribut O
/ O
instrumen O
penelitian O
telah O
teruji O
reliabel. O
Hal O
ini O
menunjukkan O
bahwa O
indikator O
tersebut O
dapat O
digunakan O
untuk O
melakukan O
analisis O
lebih O
lanjut. O
2. O
Analisis O
kesenjangan O
yang O
dilakukan O
memberikan O
hasil O
indikator O
/ O
atribut O
untuk O
bahwa O
secara O
keseluruhan O
penilaian O
kualitas O
website O
yang O
diteliti O
bernilai O
negatif. O
ini O
menunjukkan O
bahwa O
kualitas O
website O
Hal O
JAKLITERA O
memenuhi O
belum O
ekspektasi O
/ O
harapan O
dari O
penggunanya. O
masih O
3. O
Analisis O
IPA O
yang O
telah O
dilakukan O
dapat O
menunjukkan O
indikator-indikator O
mana O
yang O
belum O
memenuhi O
dan O
telah O
memenuhi O
keinginan O
dari O
pengguna. O
Dari O
keseluruhan O
indikator O
terdapat O
empat O
indikator O
yang O
ekspektasi O
/ O
harapan O
memenuhi O
masih O
penggunanya O
yaitu O
indikator O
interaksi O
yang O
mudah O
dimengerti O
, O
navigasi O
yang O
jelas O
, O
keamanan O
informasi O
pribadi O
pengguna O
, O
dan O
kemudahan O
berkomunikasi O
dengan O
pengelola. O
belum O
4. O
Analisis O
CFA O
yang O
telah O
dilakukan O
menunjukkan O
indikator O
yang O
berkontribusi O
terhadap O
kualitas O
website O
JAKLITERA. O
Dari O
keseluruhan O
indikator O
terdapat O
satu O
indikator O
yang O
masih O
terlalu O
rendah O
untuk O
dikategorikan O
sebagai O
indikator O
yang O
baik O
atau O
berkontribusi O
besar. O
Saran O
dari O
peneliti O
untuk O
Perpustakaan O
Jakarta O
dan O
penelitian O
terkait O
yang O
akan O
datang O
sebagai O
berikut. O
1. O
Untuk O
Perpustakaan O
Jakarta O
apabila O
hendak O
melakukan O
perbaikan O
terhadap O
website O
JAKLITERA O
diharapkan O
berdasarkan O
hasil O
analisis O
IPA. O
Hal O
yang O
perlu O
dilakukan O
perbaikan O
adalah O
tentang O
kejelasan O
dan O
kemudahan O
website. O
interaksi O
lanjut. O
Navigasi O
/ O
petunjuk O
yang O
perlu O
dikaji O
Keamanan O
informasi O
pribadi O
pengguna O
dan O
kemudahan O
pengguna O
dalam O
berkomunikasi O
dengan O
pengelola O
melalui O
website O
tersebut. O
pengguna O
antara O
lebih O
dan O
2. O
Apabila O
perbaikan O
yang O
dilakukan O
terbatas O
dapat O
terlebih O
dahulu O
berdasarkan O
dilakukan O
perbaikan O
kontribusi O
yang O
diberikan. O
Dapat O
dimulai O
dengan O
melakukan O
perbaikan O
pada O
keamanan O
infromasi O
pribadi O
pengguna. O
Jika O
dimungkinkan O
dapat O
ditambah O
dengan O
perbaikan O
pada O
kejelasan O
dan O
kemudahan O
interaksi O
antara O
pengguna O
dan O
website. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
3. O
Untuk O
peneliti O
lain O
dapat O
menggunakan O
metode O
lain O
pada O
penilaian O
kualitas O
website O
JAKLITERA O
agar O
dapat O
dilihat O
keterbandingan O
hasil O
dengan O
metode O
pada O
penelitian O
ini. O

Pemodelan O
Penduduk O
Siang O
dan O
Malam O
Hari O
untuk O
Proses O
Tanggap O
Darurat O
Bencana O
Alam O
di O
DKI O
Jakarta O
Amanda O
Firdaus O
Putri O
Sadikin O
( O
221910839 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Tiodora O
Hadumaon O
Siagian O
M.Pop.Hum.Res O
Ringkasan— O
Badan O
Meteorologi O
, O
Klimatologi O
, O
dan O
Geofisika O
memprediksi O
wilayah O
Selatan O
Jawa O
mengalami O
gempa O
besar O
dengan O
skala O
di O
atas O
8,8 O
skala O
richter. O
Wilayah O
DKI O
Jakarta O
termasuk O
salah O
satu O
yang O
berpotensi O
terkena O
dampak O
tersebut O
di O
masa O
yang O
akan O
datang. O
Keberadaan O
data O
jumlah O
penduduk O
yang O
rinci O
secara O
spasial O
maupun O
temporal O
dapat O
meminimalisir O
dampak O
kerugian O
yang O
diakibatkan O
oleh O
bencana O
alam O
seperti O
gempa O
bumi. O
Satu O
permasalahan O
yang O
dihadapi O
adalah O
tidak O
tersedianya O
data O
jumlah O
penduduk O
yang O
rinci O
untuk O
proses O
tanggap O
darurat O
bencana O
alam. O
Untuk O
itu O
dengan O
data O
citra B-METODE
satelit I-METODE
, I-METODE
data I-METODE
geospasial I-METODE
, I-METODE
official I-METODE
statistics I-METODE
, I-METODE
dan I-METODE
metode I-METODE
dasymetric I-METODE
mapping I-METODE
penelitian O
ini O
memfokuskan O
pada O
bagaimana O
memperoleh B-TUJUAN
pemodelan I-TUJUAN
jumlah I-TUJUAN
penduduk I-TUJUAN
siang I-TUJUAN
dan I-TUJUAN
malam I-TUJUAN
hari I-TUJUAN
kemudian I-TUJUAN
mengidentifikasi I-TUJUAN
wilayah-wilayah I-TUJUAN
di I-TUJUAN
DKI I-TUJUAN
Jakarta I-TUJUAN
yang I-TUJUAN
perlu I-TUJUAN
mendapatkan I-TUJUAN
prioritas I-TUJUAN
penanganan I-TUJUAN
jika I-TUJUAN
terjadi I-TUJUAN
bencana I-TUJUAN
alam. I-TUJUAN
Hasil O
penelitian O
ini O
berupa O
pemodelan B-TEMUAN
jumlah I-TEMUAN
penduduk I-TEMUAN
siang I-TEMUAN
hari I-TEMUAN
di I-TEMUAN
Provinsi I-TEMUAN
DKI I-TEMUAN
Jakarta I-TEMUAN
yang I-TEMUAN
tersebar I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
empat I-TEMUAN
jenis I-TEMUAN
penggunaan I-TEMUAN
lahan I-TEMUAN
utama I-TEMUAN
seperti I-TEMUAN
hunian I-TEMUAN
, I-TEMUAN
jasa I-TEMUAN
pendidikan I-TEMUAN
, I-TEMUAN
perdagangan I-TEMUAN
, I-TEMUAN
jasa I-TEMUAN
perusahaan I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
tambang I-TEMUAN
galian I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
jasa I-TEMUAN
lainnya. I-TEMUAN
Sementara O
, O
pemodelan B-TEMUAN
jumlah I-TEMUAN
penduduk I-TEMUAN
malam I-TEMUAN
hari I-TEMUAN
di I-TEMUAN
Provinsi I-TEMUAN
DKI I-TEMUAN
Jakarta I-TEMUAN
tersebar I-TEMUAN
ke I-TEMUAN
jenis I-TEMUAN
penggunaan I-TEMUAN
lahan I-TEMUAN
hunian. I-TEMUAN
Dengan I-TEMUAN
hasil I-TEMUAN
error I-TEMUAN
analysis I-TEMUAN
, I-TEMUAN
dimana I-TEMUAN
93 I-TEMUAN
% I-TEMUAN
dari I-TEMUAN
hasil I-TEMUAN
perhitungan I-TEMUAN
model I-TEMUAN
memiliki I-TEMUAN
error I-TEMUAN
dibawah I-TEMUAN
5 I-TEMUAN
% I-TEMUAN
. O
Kata O
Kunci— O
megathrust O
, O
penduduk O
siang O
dan O
malam O
hari O
, O
citra O
satelit O
, O
dasymetric O
mapping O
tanggap O
darurat O
bencana O
alam O
, O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
ditarik O
kesimpulan O
sebagai O
berikut. O
1. O
DKI O
Jakarta O
berpotensi O
mengalami O
bencana O
alam O
yang O
cukup O
mengancam O
di O
masa O
yang O
akan O
datang O
karena O
ada O
peluang O
terjadinya O
akumulasi O
energi O
di O
bagian O
megathrust O
Selat O
Sunda O
di O
sebelah O
selatan O
Pulau O
Jawa. O
2. O
Berdasarkan O
hasil O
pemodelan O
jumlah O
penduduk O
siang O
hari O
, O
pada O
Kota O
Jakarta O
Selatan O
dan O
Kota O
Jakarta O
Pusat O
, O
penduduk O
paling O
banyak O
tersebar O
pada O
jenis O
penggunaan O
lahan O
jasa O
pendidikan. O
Sementara O
pada O
Kota O
Jakarta O
Timur O
, O
Kota O
Jakarta O
Barat O
, O
dan O
Kota O
Jakarta O
Utara O
, O
penduduk O
paling O
banyak O
tersebar O
pada O
jenis O
penggunaan O
lahan O
hunian. O
Sementara O
pada O
malam O
hari O
, O
seluruh O
penduduk O
berada O
di O
jenis O
penggunaan O
lahan O
hunian. O
Pemodelan O
jumlah O
penduduk O
dilakukan O
error O
analysis O
, O
dengan O
93 O
% O
dari O
hasil O
perhitungan O
memiliki O
error O
dibawah O
5 O
% O
. O
3. O
Pada O
siang O
hari O
, O
wilayah O
prioritas O
utama O
berdasarkan O
gambaran O
distribusi O
penduduk O
siang O
hari O
menurut O
wilayah O
yang O
rawan O
bencana O
adalah O
Kota O
Jakarta O
Timur. O
Hal O
ini O
karena O
Kota O
Jakarta O
Timur O
memiliki O
jumlah O
kejadian O
bencana O
alam O
dan O
jumlah O
penduduk O
siang O
hari O
paling O
tinggi. O
Sementara O
pada O
malam O
hari O
, O
wilayah O
prioritas O
utama O
berdasarkan O
gambaran O
distribusi O
penduduk O
malam O
hari O
menurut O
wilayah O
yang O
rawan O
bencana O
adalah O
Kecamatan O
Cakung. O
Hal O
ini O
karena O
Kecamatan O
Cakung O
memiliki O
jumlah O
kejadian O
bencana O
alam O
dan O
jumlah O
penduduk O
malam O
hari O
paling O
tinggi. O
Berdasarkan O
hasil O
penelitian O
, O
saran O
yang O
dapat O
diberikan O
adalah O
sebagai O
berikut. O
1. O
Saran O
untuk O
pemerintah. O
a O
) O
Memberikan O
edukasi O
atau O
sosialisasi O
mengenai O
kebencanaan O
kepada O
masyarakat O
di O
wilayah O
rawan O
bencana. O
8 O
/ O
9 O
Gambar O
8. O
Peta O
bivariate O
choropleth O
tingkat O
kerawanan O
bencana O
alam O
dengan O
jumlah O
penduduk O
pada O
siang O
hari O
di O
DKI O
Jakarta O
Berdasarkan O
Gambar O
8 O
, O
prioritas O
wilayah O
penanganan O
pada O
siang O
hari O
dapat O
diurutkan O
berdasarkan O
peta O
bivariate O
choropleth O
dengan O
urutan O
prioritas O
sebagai O
berikut. O
Kota O
Jakarta O
Timur O
menjadi O
prioritas O
utama O
dalam O
penanganan O
, O
kemudian O
Kota O
Jakarta O
Barat O
, O
Kota O
Jakarta O
Selatan O
, O
Kota O
Jakarta O
Utara O
, O
dan O
terakhir O
Kota O
Jakarta O
Pusat. O
Dengan O
penanganan O
pada O
siang O
hari O
difokuskan O
pada O
jenis O
penggunaan O
lahan O
hunian O
, O
jasa O
pendidikan O
, O
perdagangan O
, O
jasa O
perusahaan O
, O
dan O
tambang O
galian O
, O
serta O
jasa O
lainnya. O
Gambar O
9. O
Peta O
bivariate O
choropleth O
tingkat O
kerawanan O
bencana O
alam O
dengan O
jumlah O
penduduk O
pada O
malam O
hari O
di O
DKI O
Jakarta O
Berdasarkan O
Gambar O
9 O
, O
wilayah O
prioritas O
berdasarkan O
gambaran O
distribusi O
penduduk O
malam O
hari O
menurut O
wilayah O
yang O
rawan O
bencana O
dapat O
diurutkan O
sebagai O
berikut. O
Kecamatan O
Cakung O
dapat O
menjadi O
prioritas O
utama O
dalam O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
b O
) O
Memberi O
perhatian O
khusus O
terkait O
proses O
tanggap O
darurat O
bencana O
pada O
wilayah O
dengan O
jenis O
penggunaan O
lahan O
tertentu O
yang O
lebih O
padat O
penduduk O
baik O
pada O
saat O
siang O
maupun O
malam O
hari O
di O
berbagai O
kota O
di O
Provinsi O
DKI O
Jakarta. O
c O
) O
Survei O
komuter O
dapat O
dibuat O
sebagai O
survei O
reguler O
, O
bukan O
hanya O
untuk O
tahun O
2019. O
Kemudian O
, O
pertanyaan O
kuesioner O
dapat O
ditanyakan O
tentang O
kecamatan O
mana O
yang O
jadi O
tujuan O
kegiatannya O
bukan O
hanya O
kabupaten O
atau O
kota O
tujuan O
saja. O
lanjut O
lebih O
2. O
Saran O
untuk O
penelitian O
yang O
akan O
datang. O
a O
) O
Kekurangan O
pada O
penelitian O
ini O
adalah O
cakupan O
hanya O
sampai O
kabupaten O
/ O
kota O
, O
maka O
penelitian O
selanjutnya O
dapat O
dilakukan O
dengan O
cakupan O
yang O
lebih O
kecil O
lagi. O
b O
) O
Menggunakan O
informasi O
kependudukan O
( O
karakteristik O
penduduk O
) O
yang O
lebih O
detail O
seiring O
dengan O
semakin O
kecilnya O
cakupan O
penelitian O
dalam O
menyusun O
faktor O
penimbang O
penduduk O
untuk O
populasi O
siang O
dan O
malam O
hari. O
[ O
1 O
] O
BNPB. O

Pemodelan O
Penduduk O
Siang O
dan O
Malam O
Hari O
untuk O
Proses O
Tanggap O
Darurat O
Bencana O
Alam O
di O
DKI O
Jakarta O
Amanda O
Firdaus O
Putri O
Sadikin O
( O
221910839 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Tiodora O
Hadumaon O
Siagian O
M.Pop.Hum.Res O
Ringkasan— O
Badan O
Meteorologi O
, O
Klimatologi O
, O
dan O
Geofisika O
memprediksi O
wilayah O
Selatan O
Jawa O
mengalami O
gempa O
besar O
dengan O
skala O
di O
atas O
8,8 O
skala O
richter. O
Wilayah O
DKI O
Jakarta O
termasuk O
salah O
satu O
yang O
berpotensi O
terkena O
dampak O
tersebut O
di O
masa O
yang O
akan O
datang. O
Keberadaan O
data O
jumlah O
penduduk O
yang O
rinci O
secara O
spasial O
maupun O
temporal O
dapat O
meminimalisir O
dampak O
kerugian O
yang O
diakibatkan O
oleh O
bencana O
alam O
seperti O
gempa O
bumi. O
Satu O
permasalahan O
yang O
dihadapi O
adalah O
tidak O
tersedianya O
data O
jumlah O
penduduk O
yang O
rinci O
untuk O
proses O
tanggap O
darurat O
bencana O
alam. O
Untuk O
itu O
dengan O
data O
citra B-METODE
satelit I-METODE
, I-METODE
data I-METODE
geospasial I-METODE
, I-METODE
official I-METODE
statistics I-METODE
, I-METODE
dan I-METODE
metode I-METODE
dasymetric I-METODE
mapping I-METODE
penelitian O
ini O
memfokuskan O
pada O
bagaimana O
memperoleh B-TUJUAN
pemodelan I-TUJUAN
jumlah I-TUJUAN
penduduk I-TUJUAN
siang I-TUJUAN
dan I-TUJUAN
malam I-TUJUAN
hari I-TUJUAN
kemudian I-TUJUAN
mengidentifikasi I-TUJUAN
wilayah-wilayah I-TUJUAN
di I-TUJUAN
DKI I-TUJUAN
Jakarta I-TUJUAN
yang I-TUJUAN
perlu I-TUJUAN
mendapatkan I-TUJUAN
prioritas I-TUJUAN
penanganan I-TUJUAN
jika I-TUJUAN
terjadi I-TUJUAN
bencana I-TUJUAN
alam. I-TUJUAN
Hasil O
penelitian O
ini O
berupa O
pemodelan B-TEMUAN
jumlah I-TEMUAN
penduduk I-TEMUAN
siang I-TEMUAN
hari I-TEMUAN
di I-TEMUAN
Provinsi I-TEMUAN
DKI I-TEMUAN
Jakarta I-TEMUAN
yang I-TEMUAN
tersebar I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
empat I-TEMUAN
jenis I-TEMUAN
penggunaan I-TEMUAN
lahan I-TEMUAN
utama I-TEMUAN
seperti I-TEMUAN
hunian I-TEMUAN
, I-TEMUAN
jasa I-TEMUAN
pendidikan I-TEMUAN
, I-TEMUAN
perdagangan I-TEMUAN
, I-TEMUAN
jasa I-TEMUAN
perusahaan I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
tambang I-TEMUAN
galian I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
jasa I-TEMUAN
lainnya. I-TEMUAN
Sementara O
, O
pemodelan B-TEMUAN
jumlah I-TEMUAN
penduduk I-TEMUAN
malam I-TEMUAN
hari I-TEMUAN
di I-TEMUAN
Provinsi I-TEMUAN
DKI I-TEMUAN
Jakarta I-TEMUAN
tersebar I-TEMUAN
ke I-TEMUAN
jenis I-TEMUAN
penggunaan I-TEMUAN
lahan I-TEMUAN
hunian. I-TEMUAN
Dengan I-TEMUAN
hasil I-TEMUAN
error I-TEMUAN
analysis I-TEMUAN
, I-TEMUAN
dimana I-TEMUAN
93 I-TEMUAN
% I-TEMUAN
dari I-TEMUAN
hasil I-TEMUAN
perhitungan I-TEMUAN
model I-TEMUAN
memiliki I-TEMUAN
error I-TEMUAN
dibawah I-TEMUAN
5 I-TEMUAN
% I-TEMUAN
. O
Kata O
Kunci— O
megathrust O
, O
penduduk O
siang O
dan O
malam O
hari O
, O
citra O
satelit O
, O
dasymetric O
mapping O
tanggap O
darurat O
bencana O
alam O
, O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
ditarik O
kesimpulan O
sebagai O
berikut. O
1. O
DKI O
Jakarta O
berpotensi O
mengalami O
bencana O
alam O
yang O
cukup O
mengancam O
di O
masa O
yang O
akan O
datang O
karena O
ada O
peluang O
terjadinya O
akumulasi O
energi O
di O
bagian O
megathrust O
Selat O
Sunda O
di O
sebelah O
selatan O
Pulau O
Jawa. O
2. O
Berdasarkan O
hasil O
pemodelan O
jumlah O
penduduk O
siang O
hari O
, O
pada O
Kota O
Jakarta O
Selatan O
dan O
Kota O
Jakarta O
Pusat O
, O
penduduk O
paling O
banyak O
tersebar O
pada O
jenis O
penggunaan O
lahan O
jasa O
pendidikan. O
Sementara O
pada O
Kota O
Jakarta O
Timur O
, O
Kota O
Jakarta O
Barat O
, O
dan O
Kota O
Jakarta O
Utara O
, O
penduduk O
paling O
banyak O
tersebar O
pada O
jenis O
penggunaan O
lahan O
hunian. O
Sementara O
pada O
malam O
hari O
, O
seluruh O
penduduk O
berada O
di O
jenis O
penggunaan O
lahan O
hunian. O
Pemodelan O
jumlah O
penduduk O
dilakukan O
error O
analysis O
, O
dengan O
93 O
% O
dari O
hasil O
perhitungan O
memiliki O
error O
dibawah O
5 O
% O
. O
3. O
Pada O
siang O
hari O
, O
wilayah O
prioritas O
utama O
berdasarkan O
gambaran O
distribusi O
penduduk O
siang O
hari O
menurut O
wilayah O
yang O
rawan O
bencana O
adalah O
Kota O
Jakarta O
Timur. O
Hal O
ini O
karena O
Kota O
Jakarta O
Timur O
memiliki O
jumlah O
kejadian O
bencana O
alam O
dan O
jumlah O
penduduk O
siang O
hari O
paling O
tinggi. O
Sementara O
pada O
malam O
hari O
, O
wilayah O
prioritas O
utama O
berdasarkan O
gambaran O
distribusi O
penduduk O
malam O
hari O
menurut O
wilayah O
yang O
rawan O
bencana O
adalah O
Kecamatan O
Cakung. O
Hal O
ini O
karena O
Kecamatan O
Cakung O
memiliki O
jumlah O
kejadian O
bencana O
alam O
dan O
jumlah O
penduduk O
malam O
hari O
paling O
tinggi. O
Berdasarkan O
hasil O
penelitian O
, O
saran O
yang O
dapat O
diberikan O
adalah O
sebagai O
berikut. O
1. O
Saran O
untuk O
pemerintah. O
a O
) O
Memberikan O
edukasi O
atau O
sosialisasi O
mengenai O
kebencanaan O
kepada O
masyarakat O
di O
wilayah O
rawan O
bencana. O
8 O
/ O
9 O
Gambar O
8. O
Peta O
bivariate O
choropleth O
tingkat O
kerawanan O
bencana O
alam O
dengan O
jumlah O
penduduk O
pada O
siang O
hari O
di O
DKI O
Jakarta O
Berdasarkan O
Gambar O
8 O
, O
prioritas O
wilayah O
penanganan O
pada O
siang O
hari O
dapat O
diurutkan O
berdasarkan O
peta O
bivariate O
choropleth O
dengan O
urutan O
prioritas O
sebagai O
berikut. O
Kota O
Jakarta O
Timur O
menjadi O
prioritas O
utama O
dalam O
penanganan O
, O
kemudian O
Kota O
Jakarta O
Barat O
, O
Kota O
Jakarta O
Selatan O
, O
Kota O
Jakarta O
Utara O
, O
dan O
terakhir O
Kota O
Jakarta O
Pusat. O
Dengan O
penanganan O
pada O
siang O
hari O
difokuskan O
pada O
jenis O
penggunaan O
lahan O
hunian O
, O
jasa O
pendidikan O
, O
perdagangan O
, O
jasa O
perusahaan O
, O
dan O
tambang O
galian O
, O
serta O
jasa O
lainnya. O
Gambar O
9. O
Peta O
bivariate O
choropleth O
tingkat O
kerawanan O
bencana O
alam O
dengan O
jumlah O
penduduk O
pada O
malam O
hari O
di O
DKI O
Jakarta O
Berdasarkan O
Gambar O
9 O
, O
wilayah O
prioritas O
berdasarkan O
gambaran O
distribusi O
penduduk O
malam O
hari O
menurut O
wilayah O
yang O
rawan O
bencana O
dapat O
diurutkan O
sebagai O
berikut. O
Kecamatan O
Cakung O
dapat O
menjadi O
prioritas O
utama O
dalam O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
b O
) O
Memberi O
perhatian O
khusus O
terkait O
proses O
tanggap O
darurat O
bencana O
pada O
wilayah O
dengan O
jenis O
penggunaan O
lahan O
tertentu O
yang O
lebih O
padat O
penduduk O
baik O
pada O
saat O
siang O
maupun O
malam O
hari O
di O
berbagai O
kota O
di O
Provinsi O
DKI O
Jakarta. O
c O
) O
Survei O
komuter O
dapat O
dibuat O
sebagai O
survei O
reguler O
, O
bukan O
hanya O
untuk O
tahun O
2019. O
Kemudian O
, O
pertanyaan O
kuesioner O
dapat O
ditanyakan O
tentang O
kecamatan O
mana O
yang O
jadi O
tujuan O
kegiatannya O
bukan O
hanya O
kabupaten O
atau O
kota O
tujuan O
saja. O
lanjut O
lebih O
2. O
Saran O
untuk O
penelitian O
yang O
akan O
datang. O
a O
) O
Kekurangan O
pada O
penelitian O
ini O
adalah O
cakupan O
hanya O
sampai O
kabupaten O
/ O
kota O
, O
maka O
penelitian O
selanjutnya O
dapat O
dilakukan O
dengan O
cakupan O
yang O
lebih O
kecil O
lagi. O
b O
) O
Menggunakan O
informasi O
kependudukan O
( O
karakteristik O
penduduk O
) O
yang O
lebih O
detail O
seiring O
dengan O
semakin O
kecilnya O
cakupan O
penelitian O
dalam O
menyusun O
faktor O
penimbang O
penduduk O
untuk O
populasi O
siang O
dan O
malam O
hari. O
[ O
1 O
] O
BNPB. O

Pemodelan O
Penduduk O
Siang O
dan O
Malam O
Hari O
untuk O
Proses O
Tanggap O
Darurat O
Bencana O
Alam O
di O
DKI O
Jakarta O
Amanda O
Firdaus O
Putri O
Sadikin O
( O
221910839 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Tiodora O
Hadumaon O
Siagian O
M.Pop.Hum.Res O
Ringkasan— O
Badan O
Meteorologi O
, O
Klimatologi O
, O
dan O
Geofisika O
memprediksi O
wilayah O
Selatan O
Jawa O
mengalami O
gempa O
besar O
dengan O
skala O
di O
atas O
8,8 O
skala O
richter. O
Wilayah O
DKI O
Jakarta O
termasuk O
salah O
satu O
yang O
berpotensi O
terkena O
dampak O
tersebut O
di O
masa O
yang O
akan O
datang. O
Keberadaan O
data O
jumlah O
penduduk O
yang O
rinci O
secara O
spasial O
maupun O
temporal O
dapat O
meminimalisir O
dampak O
kerugian O
yang O
diakibatkan O
oleh O
bencana O
alam O
seperti O
gempa O
bumi. O
Satu O
permasalahan O
yang O
dihadapi O
adalah O
tidak O
tersedianya O
data O
jumlah O
penduduk O
yang O
rinci O
untuk O
proses O
tanggap O
darurat O
bencana O
alam. O
Untuk O
itu O
dengan O
data O
citra B-METODE
satelit I-METODE
, I-METODE
data I-METODE
geospasial I-METODE
, I-METODE
official I-METODE
statistics I-METODE
, I-METODE
dan I-METODE
metode I-METODE
dasymetric I-METODE
mapping I-METODE
penelitian O
ini O
memfokuskan O
pada O
bagaimana O
memperoleh B-TUJUAN
pemodelan I-TUJUAN
jumlah I-TUJUAN
penduduk I-TUJUAN
siang I-TUJUAN
dan I-TUJUAN
malam I-TUJUAN
hari I-TUJUAN
kemudian I-TUJUAN
mengidentifikasi I-TUJUAN
wilayah-wilayah I-TUJUAN
di I-TUJUAN
DKI I-TUJUAN
Jakarta I-TUJUAN
yang I-TUJUAN
perlu I-TUJUAN
mendapatkan I-TUJUAN
prioritas I-TUJUAN
penanganan I-TUJUAN
jika I-TUJUAN
terjadi I-TUJUAN
bencana I-TUJUAN
alam. I-TUJUAN
Hasil O
penelitian O
ini O
berupa O
pemodelan B-TEMUAN
jumlah I-TEMUAN
penduduk I-TEMUAN
siang I-TEMUAN
hari I-TEMUAN
di I-TEMUAN
Provinsi I-TEMUAN
DKI I-TEMUAN
Jakarta I-TEMUAN
yang I-TEMUAN
tersebar I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
empat I-TEMUAN
jenis I-TEMUAN
penggunaan I-TEMUAN
lahan I-TEMUAN
utama I-TEMUAN
seperti I-TEMUAN
hunian I-TEMUAN
, I-TEMUAN
jasa I-TEMUAN
pendidikan I-TEMUAN
, I-TEMUAN
perdagangan I-TEMUAN
, I-TEMUAN
jasa I-TEMUAN
perusahaan I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
tambang I-TEMUAN
galian I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
jasa I-TEMUAN
lainnya. I-TEMUAN
Sementara O
, O
pemodelan B-TEMUAN
jumlah I-TEMUAN
penduduk I-TEMUAN
malam I-TEMUAN
hari I-TEMUAN
di I-TEMUAN
Provinsi I-TEMUAN
DKI I-TEMUAN
Jakarta I-TEMUAN
tersebar I-TEMUAN
ke I-TEMUAN
jenis I-TEMUAN
penggunaan I-TEMUAN
lahan I-TEMUAN
hunian. I-TEMUAN
Dengan I-TEMUAN
hasil I-TEMUAN
error I-TEMUAN
analysis I-TEMUAN
, I-TEMUAN
dimana I-TEMUAN
93 I-TEMUAN
% I-TEMUAN
dari I-TEMUAN
hasil I-TEMUAN
perhitungan I-TEMUAN
model I-TEMUAN
memiliki I-TEMUAN
error I-TEMUAN
dibawah I-TEMUAN
5 I-TEMUAN
% I-TEMUAN
. O
Kata O
Kunci— O
megathrust O
, O
penduduk O
siang O
dan O
malam O
hari O
, O
citra O
satelit O
, O
dasymetric O
mapping O
tanggap O
darurat O
bencana O
alam O
, O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
ditarik O
kesimpulan O
sebagai O
berikut. O
1. O
DKI O
Jakarta O
berpotensi O
mengalami O
bencana O
alam O
yang O
cukup O
mengancam O
di O
masa O
yang O
akan O
datang O
karena O
ada O
peluang O
terjadinya O
akumulasi O
energi O
di O
bagian O
megathrust O
Selat O
Sunda O
di O
sebelah O
selatan O
Pulau O
Jawa. O
2. O
Berdasarkan O
hasil O
pemodelan O
jumlah O
penduduk O
siang O
hari O
, O
pada O
Kota O
Jakarta O
Selatan O
dan O
Kota O
Jakarta O
Pusat O
, O
penduduk O
paling O
banyak O
tersebar O
pada O
jenis O
penggunaan O
lahan O
jasa O
pendidikan. O
Sementara O
pada O
Kota O
Jakarta O
Timur O
, O
Kota O
Jakarta O
Barat O
, O
dan O
Kota O
Jakarta O
Utara O
, O
penduduk O
paling O
banyak O
tersebar O
pada O
jenis O
penggunaan O
lahan O
hunian. O
Sementara O
pada O
malam O
hari O
, O
seluruh O
penduduk O
berada O
di O
jenis O
penggunaan O
lahan O
hunian. O
Pemodelan O
jumlah O
penduduk O
dilakukan O
error O
analysis O
, O
dengan O
93 O
% O
dari O
hasil O
perhitungan O
memiliki O
error O
dibawah O
5 O
% O
. O
3. O
Pada O
siang O
hari O
, O
wilayah O
prioritas O
utama O
berdasarkan O
gambaran O
distribusi O
penduduk O
siang O
hari O
menurut O
wilayah O
yang O
rawan O
bencana O
adalah O
Kota O
Jakarta O
Timur. O
Hal O
ini O
karena O
Kota O
Jakarta O
Timur O
memiliki O
jumlah O
kejadian O
bencana O
alam O
dan O
jumlah O
penduduk O
siang O
hari O
paling O
tinggi. O
Sementara O
pada O
malam O
hari O
, O
wilayah O
prioritas O
utama O
berdasarkan O
gambaran O
distribusi O
penduduk O
malam O
hari O
menurut O
wilayah O
yang O
rawan O
bencana O
adalah O
Kecamatan O
Cakung. O
Hal O
ini O
karena O
Kecamatan O
Cakung O
memiliki O
jumlah O
kejadian O
bencana O
alam O
dan O
jumlah O
penduduk O
malam O
hari O
paling O
tinggi. O
Berdasarkan O
hasil O
penelitian O
, O
saran O
yang O
dapat O
diberikan O
adalah O
sebagai O
berikut. O
1. O
Saran O
untuk O
pemerintah. O
a O
) O
Memberikan O
edukasi O
atau O
sosialisasi O
mengenai O
kebencanaan O
kepada O
masyarakat O
di O
wilayah O
rawan O
bencana. O
8 O
/ O
9 O
Gambar O
8. O
Peta O
bivariate O
choropleth O
tingkat O
kerawanan O
bencana O
alam O
dengan O
jumlah O
penduduk O
pada O
siang O
hari O
di O
DKI O
Jakarta O
Berdasarkan O
Gambar O
8 O
, O
prioritas O
wilayah O
penanganan O
pada O
siang O
hari O
dapat O
diurutkan O
berdasarkan O
peta O
bivariate O
choropleth O
dengan O
urutan O
prioritas O
sebagai O
berikut. O
Kota O
Jakarta O
Timur O
menjadi O
prioritas O
utama O
dalam O
penanganan O
, O
kemudian O
Kota O
Jakarta O
Barat O
, O
Kota O
Jakarta O
Selatan O
, O
Kota O
Jakarta O
Utara O
, O
dan O
terakhir O
Kota O
Jakarta O
Pusat. O
Dengan O
penanganan O
pada O
siang O
hari O
difokuskan O
pada O
jenis O
penggunaan O
lahan O
hunian O
, O
jasa O
pendidikan O
, O
perdagangan O
, O
jasa O
perusahaan O
, O
dan O
tambang O
galian O
, O
serta O
jasa O
lainnya. O
Gambar O
9. O
Peta O
bivariate O
choropleth O
tingkat O
kerawanan O
bencana O
alam O
dengan O
jumlah O
penduduk O
pada O
malam O
hari O
di O
DKI O
Jakarta O
Berdasarkan O
Gambar O
9 O
, O
wilayah O
prioritas O
berdasarkan O
gambaran O
distribusi O
penduduk O
malam O
hari O
menurut O
wilayah O
yang O
rawan O
bencana O
dapat O
diurutkan O
sebagai O
berikut. O
Kecamatan O
Cakung O
dapat O
menjadi O
prioritas O
utama O
dalam O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
b O
) O
Memberi O
perhatian O
khusus O
terkait O
proses O
tanggap O
darurat O
bencana O
pada O
wilayah O
dengan O
jenis O
penggunaan O
lahan O
tertentu O
yang O
lebih O
padat O
penduduk O
baik O
pada O
saat O
siang O
maupun O
malam O
hari O
di O
berbagai O
kota O
di O
Provinsi O
DKI O
Jakarta. O
c O
) O
Survei O
komuter O
dapat O
dibuat O
sebagai O
survei O
reguler O
, O
bukan O
hanya O
untuk O
tahun O
2019. O
Kemudian O
, O
pertanyaan O
kuesioner O
dapat O
ditanyakan O
tentang O
kecamatan O
mana O
yang O
jadi O
tujuan O
kegiatannya O
bukan O
hanya O
kabupaten O
atau O
kota O
tujuan O
saja. O
lanjut O
lebih O
2. O
Saran O
untuk O
penelitian O
yang O
akan O
datang. O
a O
) O
Kekurangan O
pada O
penelitian O
ini O
adalah O
cakupan O
hanya O
sampai O
kabupaten O
/ O
kota O
, O
maka O
penelitian O
selanjutnya O
dapat O
dilakukan O
dengan O
cakupan O
yang O
lebih O
kecil O
lagi. O
b O
) O
Menggunakan O
informasi O
kependudukan O
( O
karakteristik O
penduduk O
) O
yang O
lebih O
detail O
seiring O
dengan O
semakin O
kecilnya O
cakupan O
penelitian O
dalam O
menyusun O
faktor O
penimbang O
penduduk O
untuk O
populasi O
siang O
dan O
malam O
hari. O
[ O
1 O
] O
BNPB. O

Multivariate O
Time O
Series O
Forecasting O
untuk O
Identifikasi O
Pemulihan O
Pariwisata O
( O
Studi O
Kasus O
: O
Provinsi O
Bali O
) O
Astrinariswari O
Rahmadian O
P O
( O
221910835 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Prof. O
Setia O
Pramana O
, O
S.Si. O
, O
M.Sc. O
, O
Ph.D. O
Ringkasan—Bali O
merupakan O
salah O
satu O
daerah O
yang O
terkenal O
pariwisatanya O
dan O
mampu O
memberikan O
kontribusi O
besar O
dalam O
sektor O
pariwisata O
Indonesia. O
Adanya O
pandemi O
COVID-19 O
membuat O
pariwisata O
Indonesia O
mengalami O
penurunan O
tidak O
terkecuali O
Pariwisata O
Bali. O
Bulan O
Maret O
2022 O
kasus O
COVID-19 O
telah O
mengalami O
penurunan O
dan O
pemerintah O
mulai O
melonggarkan O
beberapa O
kebijakan. O
Oleh O
karena O
itu O
, O
diperlukannya O
identifikasi O
pemulihan O
pariwisata. O
Multivariate B-METODE
time I-METODE
series I-METODE
forecasting I-METODE
dari O
tourism O
demand O
dapat O
digunakan O
untuk O
mengidentifikasi O
pemulihan O
pariwisata. O
Metode O
yang O
digunakan O
yaitu O
Vector O
Autoregressive O
( O
VAR O
) O
, O
Long O
Short-Term O
Memory O
( O
LSTM O
) O
, O
dan O
Gated O
Recurrent O
Unit O
( O
GRU O
) O
. O
Sedangkan O
data O
yang O
digunakan O
yaitu O
data O
jumlah O
wisatawan O
, O
Tingkat O
Penghunian O
Kamar O
( O
TPK O
) O
, O
Google O
Trends O
, O
jumlah O
ulasan O
pengguna O
Booking.com O
, O
dan O
intensitas O
Night O
Time O
Light O
Provinsi O
Bali. O
Hasil O
penelitian O
menunjukkan O
metode O
terbaik O
untuk O
melakukan O
peramalan O
adalah O
VAR O
dan O
pemodelan O
dengan O
multivariate O
time O
series O
forecasting O
mampu O
meningkatkan O
kinerja O
hasil O
peramalan. O
Big O
data O
juga O
dapat O
digunakan O
sebagai O
sumber O
data O
pendukung O
yang O
lebih O
baik. O
mampu O
memberikan O
hasil O
peramalan O
yang O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
analisis I-TEMUAN
deskriptif I-TEMUAN
dan I-TEMUAN
analisis I-TEMUAN
peramalan I-TEMUAN
menunjukkan I-TEMUAN
pariwisata I-TEMUAN
Bali I-TEMUAN
telah I-TEMUAN
mengalami I-TEMUAN
pemulihan I-TEMUAN
pariwisata. I-TEMUAN
Kata O
Kunci— O
Pariwisata O
, O
Big O
Data O
, O
Multivariate O
Time O
Series O
, O
Forecasting O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
penelitian O
ini O
, O
kesimpulan O
yang O
dapat O
diambil O
diantaranya O
: O
1. O
Pada O
masa O
transisi O
menuju O
endemi O
COVID-19 O
, O
variabel O
jumlah O
wisatawan O
, O
TPK O
, O
Google O
Trends O
, O
dan O
jumlah O
ulasan O
pengguna O
Booking.com O
mengalami O
kenaikan O
yang O
bertahap O
yang O
mengartikan O
pariwisata O
Bali O
sudah O
mengalami O
pemulihan O
sedikit O
demi O
sedikit. O
Sedangkan O
variabel O
NTL O
memiliki O
nilai O
yang O
tidak O
jauh O
berbeda O
dari O
7 O
/ O
8 O
ketiga O
masa O
( O
sebelum O
pandemi O
, O
saat O
pandemi O
, O
dan O
transisi O
ke O
endemi O
COVID-19 O
) O
. O
2. O
Berdasarkan O
hasil O
evaluasi O
model O
, O
model O
terbaik O
adalah O
model O
dengan O
kombinasi O
variabel O
HTSBN O
dengan O
metode O
VAR. O
Selain O
itu O
, O
nilai O
evaluasi O
model O
akan O
lebih O
baik O
jika O
model O
peramalan O
menggunakan O
variabel O
dari O
big O
data O
dan O
data O
sekunder O
sehingga O
big O
data O
sudah O
dapat O
dijadikan O
salah O
satu O
sumber O
data O
pendukung O
untuk O
melakukan O
forecasting O
tourism O
demand. O
3. O
Hasil O
dari O
forecasting O
dari O
tourism O
demand O
menunjukkan O
adanya O
kenaikan O
sehingga O
dapat O
disimpulkan O
Bali O
telah O
mengalami O
pemulihan O
pariwisata. O
Namun O
, O
pemulihan O
pariwisata O
Bali O
belum O
bisa O
dikatakan O
pulih O
ke O
kondisi O
sebelum O
pandemi. O
B. O
Saran O
Berikut O
diberikan O
saran O
dan O
rekomendasi O
berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan. O
1. O
Untuk O
pemerintah O
baik O
pemerintah O
pusat O
maupun O
pemerintah O
Provinsi O
Bali O
, O
dapat O
membuat O
dan O
menghimpun O
acara-acara O
wisata O
, O
budaya O
, O
dan O
MICE O
di O
Bali. O
Selain O
itu O
, O
pemerintah O
harus O
semakin O
giat O
mempromosikan O
pariwisata O
Bali O
baik O
ke O
dalam O
negeri O
maupun O
ke O
luar O
negeri. O
Diperlukannya O
pengkajian O
kembali O
peraturan O
pariwisata O
dan O
akses O
masuk O
ke O
Bali O
oleh O
pemerintah O
Bali O
untuk O
mewujudkan O
pariwisata O
Bali O
yang O
berkualitas O
, O
aman O
, O
dan O
nyaman. O
2. O
Untuk O
penelitian O
lebih O
lanjut O
dapat O
menambahkan O
variabel O
lain O
yang O
berkaitan O
dengan O
tourism O
demand O
yang O
mampu O
memberikan O
hasil O
peramalan O
yang O
lebih O
baik. O
Selain O
itu O
, O
penambahan O
periode O
waktu O
data O
yang O
digunakan O
untuk O
forecasting O
sesuai O
dengan O
ketersediaan O
data O
juga O
dapat O
menjadi O
rekomendasi O
untuk O
penelitian O
selanjutnya. O
Jika O
ditinjau O
dari O
metodenya O
, O
untuk O
penelitian O
selanjutnya O
dapat O
melakukan O
variasi O
metode O
dengan O
menggunakan O
kombinasi O
deep O
learning O
dan O
metode O
tradisional O
untuk O
meningkatkan O
akurasi O
dari O
peramalan. O

Multivariate O
Time O
Series O
Forecasting O
untuk O
Identifikasi O
Pemulihan O
Pariwisata O
( O
Studi O
Kasus O
: O
Provinsi O
Bali O
) O
Astrinariswari O
Rahmadian O
P O
( O
221910835 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Prof. O
Setia O
Pramana O
, O
S.Si. O
, O
M.Sc. O
, O
Ph.D. O
Ringkasan—Bali O
merupakan O
salah O
satu O
daerah O
yang O
terkenal O
pariwisatanya O
dan O
mampu O
memberikan O
kontribusi O
besar O
dalam O
sektor O
pariwisata O
Indonesia. O
Adanya O
pandemi O
COVID-19 O
membuat O
pariwisata O
Indonesia O
mengalami O
penurunan O
tidak O
terkecuali O
Pariwisata O
Bali. O
Bulan O
Maret O
2022 O
kasus O
COVID-19 O
telah O
mengalami O
penurunan O
dan O
pemerintah O
mulai O
melonggarkan O
beberapa O
kebijakan. O
Oleh O
karena O
itu O
, O
diperlukannya O
identifikasi O
pemulihan O
pariwisata. O
Multivariate B-METODE
time I-METODE
series I-METODE
forecasting I-METODE
dari O
tourism O
demand O
dapat O
digunakan O
untuk O
mengidentifikasi O
pemulihan O
pariwisata. O
Metode O
yang O
digunakan O
yaitu O
Vector O
Autoregressive O
( O
VAR O
) O
, O
Long O
Short-Term O
Memory O
( O
LSTM O
) O
, O
dan O
Gated O
Recurrent O
Unit O
( O
GRU O
) O
. O
Sedangkan O
data O
yang O
digunakan O
yaitu O
data O
jumlah O
wisatawan O
, O
Tingkat O
Penghunian O
Kamar O
( O
TPK O
) O
, O
Google O
Trends O
, O
jumlah O
ulasan O
pengguna O
Booking.com O
, O
dan O
intensitas O
Night O
Time O
Light O
Provinsi O
Bali. O
Hasil O
penelitian O
menunjukkan O
metode O
terbaik O
untuk O
melakukan O
peramalan O
adalah O
VAR O
dan O
pemodelan O
dengan O
multivariate O
time O
series O
forecasting O
mampu O
meningkatkan O
kinerja O
hasil O
peramalan. O
Big O
data O
juga O
dapat O
digunakan O
sebagai O
sumber O
data O
pendukung O
yang O
lebih O
baik. O
mampu O
memberikan O
hasil O
peramalan O
yang O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
analisis I-TEMUAN
deskriptif I-TEMUAN
dan I-TEMUAN
analisis I-TEMUAN
peramalan I-TEMUAN
menunjukkan I-TEMUAN
pariwisata I-TEMUAN
Bali I-TEMUAN
telah I-TEMUAN
mengalami I-TEMUAN
pemulihan I-TEMUAN
pariwisata. I-TEMUAN
Kata O
Kunci— O
Pariwisata O
, O
Big O
Data O
, O
Multivariate O
Time O
Series O
, O
Forecasting O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
penelitian O
ini O
, O
kesimpulan O
yang O
dapat O
diambil O
diantaranya O
: O
1. O
Pada O
masa O
transisi O
menuju O
endemi O
COVID-19 O
, O
variabel O
jumlah O
wisatawan O
, O
TPK O
, O
Google O
Trends O
, O
dan O
jumlah O
ulasan O
pengguna O
Booking.com O
mengalami O
kenaikan O
yang O
bertahap O
yang O
mengartikan O
pariwisata O
Bali O
sudah O
mengalami O
pemulihan O
sedikit O
demi O
sedikit. O
Sedangkan O
variabel O
NTL O
memiliki O
nilai O
yang O
tidak O
jauh O
berbeda O
dari O
7 O
/ O
8 O
ketiga O
masa O
( O
sebelum O
pandemi O
, O
saat O
pandemi O
, O
dan O
transisi O
ke O
endemi O
COVID-19 O
) O
. O
2. O
Berdasarkan O
hasil O
evaluasi O
model O
, O
model O
terbaik O
adalah O
model O
dengan O
kombinasi O
variabel O
HTSBN O
dengan O
metode O
VAR. O
Selain O
itu O
, O
nilai O
evaluasi O
model O
akan O
lebih O
baik O
jika O
model O
peramalan O
menggunakan O
variabel O
dari O
big O
data O
dan O
data O
sekunder O
sehingga O
big O
data O
sudah O
dapat O
dijadikan O
salah O
satu O
sumber O
data O
pendukung O
untuk O
melakukan O
forecasting O
tourism O
demand. O
3. O
Hasil O
dari O
forecasting O
dari O
tourism O
demand O
menunjukkan O
adanya O
kenaikan O
sehingga O
dapat O
disimpulkan O
Bali O
telah O
mengalami O
pemulihan O
pariwisata. O
Namun O
, O
pemulihan O
pariwisata O
Bali O
belum O
bisa O
dikatakan O
pulih O
ke O
kondisi O
sebelum O
pandemi. O
B. O
Saran O
Berikut O
diberikan O
saran O
dan O
rekomendasi O
berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan. O
1. O
Untuk O
pemerintah O
baik O
pemerintah O
pusat O
maupun O
pemerintah O
Provinsi O
Bali O
, O
dapat O
membuat O
dan O
menghimpun O
acara-acara O
wisata O
, O
budaya O
, O
dan O
MICE O
di O
Bali. O
Selain O
itu O
, O
pemerintah O
harus O
semakin O
giat O
mempromosikan O
pariwisata O
Bali O
baik O
ke O
dalam O
negeri O
maupun O
ke O
luar O
negeri. O
Diperlukannya O
pengkajian O
kembali O
peraturan O
pariwisata O
dan O
akses O
masuk O
ke O
Bali O
oleh O
pemerintah O
Bali O
untuk O
mewujudkan O
pariwisata O
Bali O
yang O
berkualitas O
, O
aman O
, O
dan O
nyaman. O
2. O
Untuk O
penelitian O
lebih O
lanjut O
dapat O
menambahkan O
variabel O
lain O
yang O
berkaitan O
dengan O
tourism O
demand O
yang O
mampu O
memberikan O
hasil O
peramalan O
yang O
lebih O
baik. O
Selain O
itu O
, O
penambahan O
periode O
waktu O
data O
yang O
digunakan O
untuk O
forecasting O
sesuai O
dengan O
ketersediaan O
data O
juga O
dapat O
menjadi O
rekomendasi O
untuk O
penelitian O
selanjutnya. O
Jika O
ditinjau O
dari O
metodenya O
, O
untuk O
penelitian O
selanjutnya O
dapat O
melakukan O
variasi O
metode O
dengan O
menggunakan O
kombinasi O
deep O
learning O
dan O
metode O
tradisional O
untuk O
meningkatkan O
akurasi O
dari O
peramalan. O

Perbandingan O
Penerapan O
Metode O
Kombinasi O
Particle O
Swarm O
Optimization O
dan O
Genetic O
Algorithm O
untuk O
Mengoptimasi O
Fuzzy O
C-Means O
( O
Studi O
Kasus O
: O
Pengelompokan O
Kabupaten O
/ O
Kota O
di O
Pulau O
Jawa O
Berdasarkan O
Indikator O
Kemiskinan O
Multidimensi O
) O
Fitri O
Nurul O
Fadliah O
( O
221910834 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Bony O
Parulian O
Josaphat O
, O
S.Si. O
, O
M.Si. O
Ringkasan— O
Fuzzy O
C-Means O
atau O
FCM O
merupakan O
salah O
satu O
algoritma O
soft O
clustering O
yang O
banyak O
digunakan O
, O
tetapi O
FCM O
mudah O
terjebak O
di O
solusi O
optimum O
lokal O
karena O
menginisialisasi O
pusat O
kluster O
atau O
centroid O
awal O
secara O
acak. O
Untuk O
menghindari O
solusi O
optimum O
lokal O
pada O
FCM O
, O
penelitian O
ini O
mengombinasikan O
dua O
metode O
optimasi O
yaitu O
Particle O
Swarm O
Optimization O
( O
PSO O
) O
dan O
Genetic O
Algorithm O
( O
GA O
) O
untuk O
menginisialisasi O
centroid O
awal. O
Kombinasi O
kedua O
metode O
tersebut O
menghasilkan O
algoritma O
Hybrid O
Particle O
Swarm O
Optimization-Genetic O
Algorithm-Fuzzy O
C- O
Means O
( O
PSO-GA-FCM O
) O
dan O
algoritma O
Hybrid O
Genetic O
Algorithm- O
Particle O
Swarm O
Optimization-Fuzzy O
C-Means O
( O
GA-PSO-FCM O
) O
. O
Algoritma O
tersebut O
diterapkan O
pada O
data O
uji O
coba O
yang O
bersumber O
dari O
UCI O
Machine O
Learning O
Repository O
, O
kemudian O
clustering-nya. O
Hasilnya O
membandingkan O
performa O
hasil O
menunjukkan O
bahwa B-TEMUAN
performa I-TEMUAN
dari I-TEMUAN
PSO-GA-FCM I-TEMUAN
dan I-TEMUAN
GA-PSO I-TEMUAN
FCM I-TEMUAN
secara I-TEMUAN
keseluruhan I-TEMUAN
mendapatkan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
optimum. I-TEMUAN
Selanjutnya O
, O
dilakukan O
perbandingan O
kedua O
algoritma O
tersebut O
pada O
pengelompokan O
kabupaten O
/ O
kota O
di O
Pulau O
Jawa O
berdasarkan O
tahun O
2022. O
Hasilnya O
indikator O
kemiskinan O
multidimensi O
menunjukkan O
bahwa O
performa O
GA-PSO-FCM O
lebih O
baik O
daripada O
PSO-GA-FCM O
dari O
sisi O
waktu O
, O
PC O
, O
MPC O
, O
PE O
, O
FS O
, O
dan O
SC O
dengan O
memperoleh O
jumlah O
kluster O
yang O
optimal O
sebanyak O
3 O
kluster. O
Kata O
Kunci— O
Fuzzy O
C-Means O
, O
PSO-GA-FCM O
, O
GA-PSO-FCM O
, O
Kemiskinan O
Multidimensi. O
[SEP] O
Dari O
hasil O
penelitian O
yang O
dilakukan O
, O
dapat O
disimpulkan O
bahwa O
dari O
Tujuan O
1 O
, O
telah O
berhasil O
mengembangkan O
algoritma O
kombinasi O
PSO O
dan O
GA O
pada O
FCM O
, O
yakni O
PSO-GA-FCM O
dan O
GA-PSO-FCM. O
Nilai O
fungsi O
fitness O
kombinasi O
PSO O
dan O
GA O
dalam O
menginisialisasi O
centroid O
awal O
FCM O
menunjukkan O
hasil O
yang O
lebih O
baik O
daripada O
yang O
hanya O
menggunakan O
PSO O
atau O
GA O
saja O
, O
dan O
dari O
Tujuan O
2 O
, O
Penerapan O
algoritma O
PSO-GA- O
FCM O
dan O
GA-PSO-FCM O
pada O
data O
uji O
coba O
berhasil O
dilakukan O
dan O
performa O
kedua O
algoritma O
lebih O
unggul O
dari O
sisi O
kecepatan O
dalam O
melakukan O
clustering O
, O
serta O
hasil O
evaluasi O
juga O
menunjukan O
secara O
keseluruhan O
hasil O
clustering O
kedua O
algoritma O
lebih O
optimal O
daripada O
FCM O
, O
PSO-FCM O
, O
dan O
GA- O
FCM O
, O
serta O
dari O
Tujuan O
3 O
, O
Perbandingan O
penerapan O
PSO-GA- O
FCM O
dan O
GA-PSO-FCM O
pada O
pengelompokan O
kabupaten O
/ O
kota O
di O
Pulau O
Jawa O
menggunakan O
data O
studi O
kasus O
berdasarkan O
indikator O
kemiskinan O
multidimensi O
tahun O
2022 O
menunjukkan O
bahwa O
performa O
GA-PSO-FCM O
lebih O
baik O
daripada O
PSO-GA- O
FCM O
dari O
sisi O
waktu O
, O
PC O
, O
MPC O
, O
PE O
, O
FS O
, O
dan O
SC. O
Penerapan O
tersebut O
menghasilkan O
3 O
kluster O
di O
mana O
jumlah O
anggota O
kluster O
1 O
sebanyak O
36 O
kabupaten O
/ O
kota O
, O
kluster O
2 O
sebanyak O
46 O
kabupaten O
/ O
kota O
, O
dan O
kluster O
3 O
sebanyak O
37 O
kabupaten O
/ O
kota O
di O
Pulau O
Jawa. O
Adapun O
selanjutnya O
adalah O
menerapkan O
operator O
GA O
dan O
modifikasi O
parameter O
PSO O
yang O
lain O
yang O
lebih O
mampu O
mengoptimalkan O
proses O
algoritma O
kombinasi O
PSO O
dan O
GA O
, O
menerapkan O
kombinasi O
algoritma O
optimasi O
lain O
untuk O
meningkatkan O
performa O
dari O
Fuzzy O
C- O
Means O
dan O
menerapkan O
ukuran O
jarak O
lain O
pada O
algoritma O
PSO- O
GA-FCM O
dan O
GA-PSO-FCM. O
saran O
untuk O
penelitian O

Estimasi O
Umur O
dan O
Status O
Tanam O
Kelapa O
Sawit O
dengan O
Remote-Sensing O
dan O
Object-Based O
Deep O
Learning O
Studi O
Kasus O
: O
Kabupaten O
Merauke O
, O
Provinsi O
Papua O
Selatan O
Michellia O
Cempaka O
Salsabila O
( O
221910833 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
, O
SST. O
MT. O
Ringkasan— O
Kelapa O
sawit O
menjadi O
komoditas O
unggulan O
di O
Indonesia. O
Namun O
, O
pendataan O
resmi O
perkebunan O
kelapa O
sawit O
di O
Indonesia O
masih O
dilakukan O
secara O
konvensional O
, O
yaitu O
dengan O
SKB O
( O
Survei O
Perusahaan O
Perkebunan O
) O
dan O
data O
sekunder O
dari O
Dirjen O
Perkebunan. O
Pendataan O
secara O
konvensional O
sangat O
bergantung O
terhadap O
banyaknya O
sumber O
daya O
manusia O
yang O
dibutuhkan O
, O
biaya O
, O
dan O
waktu O
pengerjaan. O
Maka O
dari O
itu O
, O
penelitian O
ini O
mengusulkan O
pemanfaatan O
penginderaan O
jauh O
( O
remote B-METODE
sensing I-METODE
) O
berupa O
Unmanned B-METODE
Aerial I-METODE
Vehicle I-METODE
( I-METODE
UAV I-METODE
) I-METODE
dan O
penggunaan O
model O
Object-Based O
Deep O
Learning O
dari O
arsitektur O
You O
Only O
Look O
Once O
( O
YOLO O
) O
, O
yaitu O
YOLOv5s O
untuk O
melakukan B-TUJUAN
deteksi I-TUJUAN
dan I-TUJUAN
klasifikasi I-TUJUAN
kelapa I-TUJUAN
sawit I-TUJUAN
secara I-TUJUAN
otomatis I-TUJUAN
berdasarkan I-TUJUAN
estimasi I-TUJUAN
umur I-TUJUAN
dan I-TUJUAN
status I-TUJUAN
tanamnya. I-TUJUAN
Hasil B-TEMUAN
penelitian I-TEMUAN
pada I-TEMUAN
wilayah I-TEMUAN
Kabupaten I-TEMUAN
Merauke I-TEMUAN
, I-TEMUAN
Provinsi I-TEMUAN
Papua I-TEMUAN
Selatan I-TEMUAN
, I-TEMUAN
Indonesia I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
model I-TEMUAN
YOLOv5s I-TEMUAN
mencapai I-TEMUAN
performa I-TEMUAN
terbaik I-TEMUAN
dengan I-TEMUAN
hasil I-TEMUAN
mAP I-TEMUAN
( I-TEMUAN
Mean I-TEMUAN
Average I-TEMUAN
Precision I-TEMUAN
) I-TEMUAN
sebesar I-TEMUAN
82,30 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Kata O
Kunci— O
kelapa O
sawit O
, O
umur O
, O
status O
tanam O
, O
YOLOv5s O
, O
remote-sensing O
, O
object-based O
deep O
learning O
[SEP] O
Penelitian O
ini O
menunjukkan O
pemanfaatan O
penginderaan O
jauh O
dengan O
sumber O
data O
UAV O
yang O
dikombinasikan O
dengan O
object- O
based O
deep O
learning O
arsitektur O
YOLOv5s. O
Berikut O
merupakan O
poin O
penting O
yang O
dapat O
disimpulkan O
: O
( O
1 O
) O
Model O
YOLOv5s O
berhasil O
mendeteksi O
kelapa O
sawit O
dengan O
nilai O
evaluasi O
precision O
96,69 O
% O
, O
recall O
67,20 O
% O
, O
F1-score O
79,36 O
% O
, O
dan O
mAP O
sebesar O
82,30 O
% O
; O
( O
2 O
) O
Diperoleh O
jumlah O
pohon O
kelapa O
sawit O
di O
wilayah O
studi O
Kabupaten O
Merauke O
dengan O
estimasi O
TBM O
sebanyak O
6.482 O
pohon O
, O
TM O
sebanyak O
23.285 O
pohon O
, O
dan O
TTM O
sebanyak O
519 O
pohon. O
Kelapa O
sawit O
yang O
tergolong O
sebagai O
TBM O
memiliki O
ciri O
ukuran O
canopy O
yang O
kecil O
, O
belum O
bertunas O
, O
dan O
belum O
berproduksi. O
Kelapa O
sawit O
yang O
tergolong O
TM O
memiliki O
ciri O
pohon O
kelapa O
sawit O
yang O
sehat O
dan O
terawat O
, O
yaitu O
berdaun O
lebat O
berwarna O
hijau O
serta O
mampu O
berproduksi O
, O
sedangkan O
kelapa O
sawit O
yang O
tergolong O
TTM O
merupakan O
tanaman O
yang O
mati O
, O
berwarna O
kekuningan O
karena O
terserang O
penyakit O
, O
dan O
tidak O
terawat O
, O
ditandai O
dengan O
pertumbuhan O
vegetasi O
lain O
pada O
sekeliling O
pohon. O
instansi O
terkait O
yaitu O
Direktorat O
Adapun O
saran O
yang O
bisa O
diberikan O
kepada O
pemerintah O
, O
khususnya O
Jenderal O
Perkebunan O
Kementerian O
Pertanian O
Republik O
Indonesia O
, O
dari O
model O
pendeteksian O
yang O
diusulkan O
pada O
penelitian O
ini O
, O
terbuka O
peluang O
untuk O
menerapkan O
dan O
mengembangkan O
model O
tersebut O
dalam O
mendukung O
dan O
menyempurnakan O
Statistik O
Perkebunan O
Indonesia. O
Untuk O
penelitian O
berikutnya O
, O
dapat O
menggunakan O
model O
object-based O
deep O
learning O
lainnya O
dalam O
mengembangkan O
penelitian O
ini O
untuk O
melakukan O
estimasi O
produksi O
dan O
produktivitas O
kelapa O
sawit O
yang O
lebih O
rinci O
dan O
baik O
, O
serta O
memanfaatkan O
citra O
satelit O
dan O
UAV O
yang O
lagi O
untuk O
memperoleh O
hasil O
resolusinya O
pendeteksian O
yang O
lebih O
baik. O
tinggi O
lebih O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O
[ O
16 O
] O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Estimasi O
Umur O
dan O
Status O
Tanam O
Kelapa O
Sawit O
dengan O
Remote-Sensing O
dan O
Object-Based O
Deep O
Learning O
Studi O
Kasus O
: O
Kabupaten O
Merauke O
, O
Provinsi O
Papua O
Selatan O
Michellia O
Cempaka O
Salsabila O
( O
221910833 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
, O
SST. O
MT. O
Ringkasan— O
Kelapa O
sawit O
menjadi O
komoditas O
unggulan O
di O
Indonesia. O
Namun O
, O
pendataan O
resmi O
perkebunan O
kelapa O
sawit O
di O
Indonesia O
masih O
dilakukan O
secara O
konvensional O
, O
yaitu O
dengan O
SKB O
( O
Survei O
Perusahaan O
Perkebunan O
) O
dan O
data O
sekunder O
dari O
Dirjen O
Perkebunan. O
Pendataan O
secara O
konvensional O
sangat O
bergantung O
terhadap O
banyaknya O
sumber O
daya O
manusia O
yang O
dibutuhkan O
, O
biaya O
, O
dan O
waktu O
pengerjaan. O
Maka O
dari O
itu O
, O
penelitian O
ini O
mengusulkan O
pemanfaatan O
penginderaan O
jauh O
( O
remote B-METODE
sensing I-METODE
) O
berupa O
Unmanned B-METODE
Aerial I-METODE
Vehicle I-METODE
( I-METODE
UAV I-METODE
) I-METODE
dan O
penggunaan O
model O
Object-Based O
Deep O
Learning O
dari O
arsitektur O
You O
Only O
Look O
Once O
( O
YOLO O
) O
, O
yaitu O
YOLOv5s O
untuk O
melakukan B-TUJUAN
deteksi I-TUJUAN
dan I-TUJUAN
klasifikasi I-TUJUAN
kelapa I-TUJUAN
sawit I-TUJUAN
secara I-TUJUAN
otomatis I-TUJUAN
berdasarkan I-TUJUAN
estimasi I-TUJUAN
umur I-TUJUAN
dan I-TUJUAN
status I-TUJUAN
tanamnya. I-TUJUAN
Hasil B-TEMUAN
penelitian I-TEMUAN
pada I-TEMUAN
wilayah I-TEMUAN
Kabupaten I-TEMUAN
Merauke I-TEMUAN
, I-TEMUAN
Provinsi I-TEMUAN
Papua I-TEMUAN
Selatan I-TEMUAN
, I-TEMUAN
Indonesia I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
model I-TEMUAN
YOLOv5s I-TEMUAN
mencapai I-TEMUAN
performa I-TEMUAN
terbaik I-TEMUAN
dengan I-TEMUAN
hasil I-TEMUAN
mAP I-TEMUAN
( I-TEMUAN
Mean I-TEMUAN
Average I-TEMUAN
Precision I-TEMUAN
) I-TEMUAN
sebesar I-TEMUAN
82,30 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Kata O
Kunci— O
kelapa O
sawit O
, O
umur O
, O
status O
tanam O
, O
YOLOv5s O
, O
remote-sensing O
, O
object-based O
deep O
learning O
[SEP] O
Penelitian O
ini O
menunjukkan O
pemanfaatan O
penginderaan O
jauh O
dengan O
sumber O
data O
UAV O
yang O
dikombinasikan O
dengan O
object- O
based O
deep O
learning O
arsitektur O
YOLOv5s. O
Berikut O
merupakan O
poin O
penting O
yang O
dapat O
disimpulkan O
: O
( O
1 O
) O
Model O
YOLOv5s O
berhasil O
mendeteksi O
kelapa O
sawit O
dengan O
nilai O
evaluasi O
precision O
96,69 O
% O
, O
recall O
67,20 O
% O
, O
F1-score O
79,36 O
% O
, O
dan O
mAP O
sebesar O
82,30 O
% O
; O
( O
2 O
) O
Diperoleh O
jumlah O
pohon O
kelapa O
sawit O
di O
wilayah O
studi O
Kabupaten O
Merauke O
dengan O
estimasi O
TBM O
sebanyak O
6.482 O
pohon O
, O
TM O
sebanyak O
23.285 O
pohon O
, O
dan O
TTM O
sebanyak O
519 O
pohon. O
Kelapa O
sawit O
yang O
tergolong O
sebagai O
TBM O
memiliki O
ciri O
ukuran O
canopy O
yang O
kecil O
, O
belum O
bertunas O
, O
dan O
belum O
berproduksi. O
Kelapa O
sawit O
yang O
tergolong O
TM O
memiliki O
ciri O
pohon O
kelapa O
sawit O
yang O
sehat O
dan O
terawat O
, O
yaitu O
berdaun O
lebat O
berwarna O
hijau O
serta O
mampu O
berproduksi O
, O
sedangkan O
kelapa O
sawit O
yang O
tergolong O
TTM O
merupakan O
tanaman O
yang O
mati O
, O
berwarna O
kekuningan O
karena O
terserang O
penyakit O
, O
dan O
tidak O
terawat O
, O
ditandai O
dengan O
pertumbuhan O
vegetasi O
lain O
pada O
sekeliling O
pohon. O
instansi O
terkait O
yaitu O
Direktorat O
Adapun O
saran O
yang O
bisa O
diberikan O
kepada O
pemerintah O
, O
khususnya O
Jenderal O
Perkebunan O
Kementerian O
Pertanian O
Republik O
Indonesia O
, O
dari O
model O
pendeteksian O
yang O
diusulkan O
pada O
penelitian O
ini O
, O
terbuka O
peluang O
untuk O
menerapkan O
dan O
mengembangkan O
model O
tersebut O
dalam O
mendukung O
dan O
menyempurnakan O
Statistik O
Perkebunan O
Indonesia. O
Untuk O
penelitian O
berikutnya O
, O
dapat O
menggunakan O
model O
object-based O
deep O
learning O
lainnya O
dalam O
mengembangkan O
penelitian O
ini O
untuk O
melakukan O
estimasi O
produksi O
dan O
produktivitas O
kelapa O
sawit O
yang O
lebih O
rinci O
dan O
baik O
, O
serta O
memanfaatkan O
citra O
satelit O
dan O
UAV O
yang O
lagi O
untuk O
memperoleh O
hasil O
resolusinya O
pendeteksian O
yang O
lebih O
baik. O
tinggi O
lebih O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O
[ O
16 O
] O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Estimasi O
Umur O
dan O
Status O
Tanam O
Kelapa O
Sawit O
dengan O
Remote-Sensing O
dan O
Object-Based O
Deep O
Learning O
Studi O
Kasus O
: O
Kabupaten O
Merauke O
, O
Provinsi O
Papua O
Selatan O
Michellia O
Cempaka O
Salsabila O
( O
221910833 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
, O
SST. O
MT. O
Ringkasan— O
Kelapa O
sawit O
menjadi O
komoditas O
unggulan O
di O
Indonesia. O
Namun O
, O
pendataan O
resmi O
perkebunan O
kelapa O
sawit O
di O
Indonesia O
masih O
dilakukan O
secara O
konvensional O
, O
yaitu O
dengan O
SKB O
( O
Survei O
Perusahaan O
Perkebunan O
) O
dan O
data O
sekunder O
dari O
Dirjen O
Perkebunan. O
Pendataan O
secara O
konvensional O
sangat O
bergantung O
terhadap O
banyaknya O
sumber O
daya O
manusia O
yang O
dibutuhkan O
, O
biaya O
, O
dan O
waktu O
pengerjaan. O
Maka O
dari O
itu O
, O
penelitian O
ini O
mengusulkan O
pemanfaatan O
penginderaan O
jauh O
( O
remote B-METODE
sensing I-METODE
) O
berupa O
Unmanned B-METODE
Aerial I-METODE
Vehicle I-METODE
( I-METODE
UAV I-METODE
) I-METODE
dan O
penggunaan O
model O
Object-Based O
Deep O
Learning O
dari O
arsitektur O
You O
Only O
Look O
Once O
( O
YOLO O
) O
, O
yaitu O
YOLOv5s O
untuk O
melakukan B-TUJUAN
deteksi I-TUJUAN
dan I-TUJUAN
klasifikasi I-TUJUAN
kelapa I-TUJUAN
sawit I-TUJUAN
secara I-TUJUAN
otomatis I-TUJUAN
berdasarkan I-TUJUAN
estimasi I-TUJUAN
umur I-TUJUAN
dan I-TUJUAN
status I-TUJUAN
tanamnya. I-TUJUAN
Hasil B-TEMUAN
penelitian I-TEMUAN
pada I-TEMUAN
wilayah I-TEMUAN
Kabupaten I-TEMUAN
Merauke I-TEMUAN
, I-TEMUAN
Provinsi I-TEMUAN
Papua I-TEMUAN
Selatan I-TEMUAN
, I-TEMUAN
Indonesia I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
model I-TEMUAN
YOLOv5s I-TEMUAN
mencapai I-TEMUAN
performa I-TEMUAN
terbaik I-TEMUAN
dengan I-TEMUAN
hasil I-TEMUAN
mAP I-TEMUAN
( I-TEMUAN
Mean I-TEMUAN
Average I-TEMUAN
Precision I-TEMUAN
) I-TEMUAN
sebesar I-TEMUAN
82,30 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Kata O
Kunci— O
kelapa O
sawit O
, O
umur O
, O
status O
tanam O
, O
YOLOv5s O
, O
remote-sensing O
, O
object-based O
deep O
learning O
[SEP] O
Penelitian O
ini O
menunjukkan O
pemanfaatan O
penginderaan O
jauh O
dengan O
sumber O
data O
UAV O
yang O
dikombinasikan O
dengan O
object- O
based O
deep O
learning O
arsitektur O
YOLOv5s. O
Berikut O
merupakan O
poin O
penting O
yang O
dapat O
disimpulkan O
: O
( O
1 O
) O
Model O
YOLOv5s O
berhasil O
mendeteksi O
kelapa O
sawit O
dengan O
nilai O
evaluasi O
precision O
96,69 O
% O
, O
recall O
67,20 O
% O
, O
F1-score O
79,36 O
% O
, O
dan O
mAP O
sebesar O
82,30 O
% O
; O
( O
2 O
) O
Diperoleh O
jumlah O
pohon O
kelapa O
sawit O
di O
wilayah O
studi O
Kabupaten O
Merauke O
dengan O
estimasi O
TBM O
sebanyak O
6.482 O
pohon O
, O
TM O
sebanyak O
23.285 O
pohon O
, O
dan O
TTM O
sebanyak O
519 O
pohon. O
Kelapa O
sawit O
yang O
tergolong O
sebagai O
TBM O
memiliki O
ciri O
ukuran O
canopy O
yang O
kecil O
, O
belum O
bertunas O
, O
dan O
belum O
berproduksi. O
Kelapa O
sawit O
yang O
tergolong O
TM O
memiliki O
ciri O
pohon O
kelapa O
sawit O
yang O
sehat O
dan O
terawat O
, O
yaitu O
berdaun O
lebat O
berwarna O
hijau O
serta O
mampu O
berproduksi O
, O
sedangkan O
kelapa O
sawit O
yang O
tergolong O
TTM O
merupakan O
tanaman O
yang O
mati O
, O
berwarna O
kekuningan O
karena O
terserang O
penyakit O
, O
dan O
tidak O
terawat O
, O
ditandai O
dengan O
pertumbuhan O
vegetasi O
lain O
pada O
sekeliling O
pohon. O
instansi O
terkait O
yaitu O
Direktorat O
Adapun O
saran O
yang O
bisa O
diberikan O
kepada O
pemerintah O
, O
khususnya O
Jenderal O
Perkebunan O
Kementerian O
Pertanian O
Republik O
Indonesia O
, O
dari O
model O
pendeteksian O
yang O
diusulkan O
pada O
penelitian O
ini O
, O
terbuka O
peluang O
untuk O
menerapkan O
dan O
mengembangkan O
model O
tersebut O
dalam O
mendukung O
dan O
menyempurnakan O
Statistik O
Perkebunan O
Indonesia. O
Untuk O
penelitian O
berikutnya O
, O
dapat O
menggunakan O
model O
object-based O
deep O
learning O
lainnya O
dalam O
mengembangkan O
penelitian O
ini O
untuk O
melakukan O
estimasi O
produksi O
dan O
produktivitas O
kelapa O
sawit O
yang O
lebih O
rinci O
dan O
baik O
, O
serta O
memanfaatkan O
citra O
satelit O
dan O
UAV O
yang O
lagi O
untuk O
memperoleh O
hasil O
resolusinya O
pendeteksian O
yang O
lebih O
baik. O
tinggi O
lebih O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O
[ O
16 O
] O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Pemodelan O
Konsentrasi O
Nitrogen O
Dioksida O
( O
NO2 O
) O
dengan O
Enhanced O
Harris O
Hawks O
Optimization O
Integrated O
with O
Coot O
Bird O
Optimization O
– O
Support O
Vector O
Regression O
( O
EHHOCBO-SVR O
) O
Studi O
Kasus O
: O
Kabupaten O
/ O
Kota O
Administrasi O
di O
Provinsi O
DKI O
Jakarta O
Zulhan O
Andika O
Asyraf O
( O
221910827 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
, O
S.S.T. O
, O
M.Si. O
sangat O
sensitif O
Ringkasan— O
Polusi O
udara O
merupakan O
sebuah O
masalah O
dan O
ancaman O
serius. O
NO2 O
merupakan O
polutan O
yang O
berbahaya O
dan O
memainkan O
peran O
penting O
dalam O
polusi O
udara. O
Sebagai O
upaya O
preventif O
untuk O
meminimalkan O
dampak O
dari O
NO2 O
, O
diperlukan O
data O
prediksi O
konsentrasi O
NO2 O
yang O
bersifat O
dinamis O
dan O
nonlinier. O
SVR O
merupakan O
salah O
satu O
metode O
untuk O
memprediksi O
data O
nonlinier O
, O
tetapi O
performa O
dan O
kemampuan O
generalisasi O
model O
SVR O
terhadap O
penentuan O
nilai O
parameternya. O
Untuk O
mengatasi O
masalah O
tersebut O
, O
algoritma O
metaheuristic O
dapat O
dimanfaatkan O
untuk O
mendapatkan O
nilai O
parameter O
yang O
terbaik O
pada O
SVR. O
HHO O
merupakan O
algoritma O
metaheuristic O
yang O
paling O
populer O
pada O
tahun O
2020 O
tetapi O
sering O
terjebak O
pada O
lokal O
optimum. O
Sementara O
itu O
, O
CBO O
memiliki O
kemampuan O
eksplorasi O
pencarian O
yang O
kuat O
sehingga O
dapat O
mempermudah O
menemukan O
global O
optimum O
sehingga O
gabungan O
antara O
HHO O
dengan O
CBO O
( O
EHHOCBO O
) O
dapat O
mengatasi O
kelemahan O
dari O
HHO. O
Penelitian O
ini O
bertujuan O
untuk O
membangun B-TUJUAN
hybrid I-TUJUAN
antara I-TUJUAN
EHHOCBO I-TUJUAN
dengan I-TUJUAN
SVR I-TUJUAN
, O
serta O
melakukan O
pemodelan O
konsentrasi O
NO2 O
pada O
kabupaten O
/ O
kota O
administrasi O
di O
Provinsi O
DKI O
Jakarta O
menggunakan O
EHHOCBO-SVR O
dan O
beberapa O
metode O
pembanding. O
Hasil O
penelitian O
menunjukkan O
bahwa O
metode B-METODE
EHHOCBO-SVR I-METODE
memberikan B-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
data I-TEMUAN
testing I-TEMUAN
terbaik I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
banyak I-TEMUAN
dibandingkan I-TEMUAN
metode I-TEMUAN
pembandingnya I-TEMUAN
dan I-TEMUAN
hasil I-TEMUAN
prediksinya I-TEMUAN
signifikan I-TEMUAN
lebih I-TEMUAN
akurat I-TEMUAN
dibandingkan I-TEMUAN
dengan I-TEMUAN
beberapa I-TEMUAN
metode I-TEMUAN
pembandingnya I-TEMUAN
pada O
beberapa O
wilayah O
sehingga O
metode O
tersebut O
direkomendasikan O
untuk O
melakukan O
pemodelan O
konsentrasi O
NO2. O
Kata O
Kunci— O
SVR O
, O
metaheuristic O
, O
EHHOCBO O
, O
NO2 O
optimasi O
parameter O
, O
algoritma O
[SEP] O
5.1 O
Kesimpulan O
Berdasarkan O
pembahasan O
tersebut O
, O
dapat O
diambil O
beberapa O
kesimpulan O
sebagai O
berikut. O
1. O
Algoritma B-TEMUAN
metaheuristic I-TEMUAN
EHHOCBO I-TEMUAN
dapat I-TEMUAN
dilakukan I-TEMUAN
hybrid I-TEMUAN
dengan I-TEMUAN
SVR I-TEMUAN
untuk I-TEMUAN
menentukan I-TEMUAN
nilai I-TEMUAN
parameter I-TEMUAN
SVR I-TEMUAN
terbaik I-TEMUAN
sehingga I-TEMUAN
dapat I-TEMUAN
meningkatkan I-TEMUAN
performa I-TEMUAN
model I-TEMUAN
SVR. I-TEMUAN
Oleh I-TEMUAN
karena I-TEMUAN
itu I-TEMUAN
, I-TEMUAN
metode I-TEMUAN
EHHOCBO-SVR I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
untuk I-TEMUAN
melakukan I-TEMUAN
prediksi I-TEMUAN
pada I-TEMUAN
berbagai I-TEMUAN
data I-TEMUAN
, I-TEMUAN
termasuk I-TEMUAN
data I-TEMUAN
yang I-TEMUAN
bersifat I-TEMUAN
nonlinier. I-TEMUAN
7 O
/ O
8 O
2. O
Dalam O
melakukan O
prediksi O
konsentrasi O
NO2 O
, O
metode O
EHHOCBO-SVR O
memberikan O
hasil O
evaluasi O
data O
terbaik O
yang O
paling O
banyak O
dibandingkan O
testing O
metode O
pembandingnya O
dan O
hasil O
prediksinya O
signifikan O
lebih O
akurat O
dibandingkan O
dengan O
beberapa O
metode O
pembandingnya O
pada O
beberapa O
wilayah. O
Oleh O
karena O
itu O
, O
metode O
EHHOCBO-SVR O
direkomendasikan O
dalam O
melakukan O
prediksi O
konsentrasi O
NO2. O
5.2 O
Saran O
Berdasarkan O
kesimpulan O
tersebut O
, O
beberapa O
hal O
yang O
disarankan O
oleh O
peneliti O
di O
antaranya O
sebagai O
berikut. O
1. O
Peneliti O
selanjutnya O
dapat O
membandingkan O
metode O
EHHOCBO-SVR O
dengan O
metode O
selain O
SVR O
, O
seperti O
random O
forest O
, O
artificial O
neural O
network O
( O
ANN O
) O
, O
dan O
metode O
deep O
learning. O
2. O
Metode O
EHHOCBO-SVR O
masih O
memiliki O
keterbatasan O
dari O
segi O
durasi O
dalam O
melakukan O
optimasi. O
Peneliti O
selanjutnya O
dapat O
mencari O
alternatif O
lain O
dalam O
penentuan O
nilai O
parameter O
SVR O
terbaik O
yang O
tidak O
hanya O
memiliki O
performa O
yang O
baik O
, O
melainkan O
juga O
efisien O
secara O
waktu. O
3. O
Peneliti O
lain O
dapat O
mencoba O
menggunakan O
metode O
seleksi O
variabel O
selain O
RFE-SVR O
dalam O
melakukan O
prediksi O
konsentrasi O
NO2 O
dan O
membandingkan O
hasilnya O
jika O
menggunakan O
RFE-SVR. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O

Pemodelan O
Konsentrasi O
Nitrogen O
Dioksida O
( O
NO2 O
) O
dengan O
Enhanced O
Harris O
Hawks O
Optimization O
Integrated O
with O
Coot O
Bird O
Optimization O
– O
Support O
Vector O
Regression O
( O
EHHOCBO-SVR O
) O
Studi O
Kasus O
: O
Kabupaten O
/ O
Kota O
Administrasi O
di O
Provinsi O
DKI O
Jakarta O
Zulhan O
Andika O
Asyraf O
( O
221910827 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
, O
S.S.T. O
, O
M.Si. O
sangat O
sensitif O
Ringkasan— O
Polusi O
udara O
merupakan O
sebuah O
masalah O
dan O
ancaman O
serius. O
NO2 O
merupakan O
polutan O
yang O
berbahaya O
dan O
memainkan O
peran O
penting O
dalam O
polusi O
udara. O
Sebagai O
upaya O
preventif O
untuk O
meminimalkan O
dampak O
dari O
NO2 O
, O
diperlukan O
data O
prediksi O
konsentrasi O
NO2 O
yang O
bersifat O
dinamis O
dan O
nonlinier. O
SVR O
merupakan O
salah O
satu O
metode O
untuk O
memprediksi O
data O
nonlinier O
, O
tetapi O
performa O
dan O
kemampuan O
generalisasi O
model O
SVR O
terhadap O
penentuan O
nilai O
parameternya. O
Untuk O
mengatasi O
masalah O
tersebut O
, O
algoritma O
metaheuristic O
dapat O
dimanfaatkan O
untuk O
mendapatkan O
nilai O
parameter O
yang O
terbaik O
pada O
SVR. O
HHO O
merupakan O
algoritma O
metaheuristic O
yang O
paling O
populer O
pada O
tahun O
2020 O
tetapi O
sering O
terjebak O
pada O
lokal O
optimum. O
Sementara O
itu O
, O
CBO O
memiliki O
kemampuan O
eksplorasi O
pencarian O
yang O
kuat O
sehingga O
dapat O
mempermudah O
menemukan O
global O
optimum O
sehingga O
gabungan O
antara O
HHO O
dengan O
CBO O
( O
EHHOCBO O
) O
dapat O
mengatasi O
kelemahan O
dari O
HHO. O
Penelitian O
ini O
bertujuan O
untuk O
membangun B-TUJUAN
hybrid I-TUJUAN
antara I-TUJUAN
EHHOCBO I-TUJUAN
dengan I-TUJUAN
SVR I-TUJUAN
, O
serta O
melakukan O
pemodelan O
konsentrasi O
NO2 O
pada O
kabupaten O
/ O
kota O
administrasi O
di O
Provinsi O
DKI O
Jakarta O
menggunakan O
EHHOCBO-SVR O
dan O
beberapa O
metode O
pembanding. O
Hasil O
penelitian O
menunjukkan O
bahwa O
metode B-METODE
EHHOCBO-SVR I-METODE
memberikan B-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
data I-TEMUAN
testing I-TEMUAN
terbaik I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
banyak I-TEMUAN
dibandingkan I-TEMUAN
metode I-TEMUAN
pembandingnya I-TEMUAN
dan I-TEMUAN
hasil I-TEMUAN
prediksinya I-TEMUAN
signifikan I-TEMUAN
lebih I-TEMUAN
akurat I-TEMUAN
dibandingkan I-TEMUAN
dengan I-TEMUAN
beberapa I-TEMUAN
metode I-TEMUAN
pembandingnya I-TEMUAN
pada O
beberapa O
wilayah O
sehingga O
metode O
tersebut O
direkomendasikan O
untuk O
melakukan O
pemodelan O
konsentrasi O
NO2. O
Kata O
Kunci— O
SVR O
, O
metaheuristic O
, O
EHHOCBO O
, O
NO2 O
optimasi O
parameter O
, O
algoritma O
[SEP] O
5.1 O
Kesimpulan O
Berdasarkan O
pembahasan O
tersebut O
, O
dapat O
diambil O
beberapa O
kesimpulan O
sebagai O
berikut. O
1. O
Algoritma B-TEMUAN
metaheuristic I-TEMUAN
EHHOCBO I-TEMUAN
dapat I-TEMUAN
dilakukan I-TEMUAN
hybrid I-TEMUAN
dengan I-TEMUAN
SVR I-TEMUAN
untuk I-TEMUAN
menentukan I-TEMUAN
nilai I-TEMUAN
parameter I-TEMUAN
SVR I-TEMUAN
terbaik I-TEMUAN
sehingga I-TEMUAN
dapat I-TEMUAN
meningkatkan I-TEMUAN
performa I-TEMUAN
model I-TEMUAN
SVR. I-TEMUAN
Oleh I-TEMUAN
karena I-TEMUAN
itu I-TEMUAN
, I-TEMUAN
metode I-TEMUAN
EHHOCBO-SVR I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
untuk I-TEMUAN
melakukan I-TEMUAN
prediksi I-TEMUAN
pada I-TEMUAN
berbagai I-TEMUAN
data I-TEMUAN
, I-TEMUAN
termasuk I-TEMUAN
data I-TEMUAN
yang I-TEMUAN
bersifat I-TEMUAN
nonlinier. I-TEMUAN
7 O
/ O
8 O
2. O
Dalam O
melakukan O
prediksi O
konsentrasi O
NO2 O
, O
metode O
EHHOCBO-SVR O
memberikan O
hasil O
evaluasi O
data O
terbaik O
yang O
paling O
banyak O
dibandingkan O
testing O
metode O
pembandingnya O
dan O
hasil O
prediksinya O
signifikan O
lebih O
akurat O
dibandingkan O
dengan O
beberapa O
metode O
pembandingnya O
pada O
beberapa O
wilayah. O
Oleh O
karena O
itu O
, O
metode O
EHHOCBO-SVR O
direkomendasikan O
dalam O
melakukan O
prediksi O
konsentrasi O
NO2. O
5.2 O
Saran O
Berdasarkan O
kesimpulan O
tersebut O
, O
beberapa O
hal O
yang O
disarankan O
oleh O
peneliti O
di O
antaranya O
sebagai O
berikut. O
1. O
Peneliti O
selanjutnya O
dapat O
membandingkan O
metode O
EHHOCBO-SVR O
dengan O
metode O
selain O
SVR O
, O
seperti O
random O
forest O
, O
artificial O
neural O
network O
( O
ANN O
) O
, O
dan O
metode O
deep O
learning. O
2. O
Metode O
EHHOCBO-SVR O
masih O
memiliki O
keterbatasan O
dari O
segi O
durasi O
dalam O
melakukan O
optimasi. O
Peneliti O
selanjutnya O
dapat O
mencari O
alternatif O
lain O
dalam O
penentuan O
nilai O
parameter O
SVR O
terbaik O
yang O
tidak O
hanya O
memiliki O
performa O
yang O
baik O
, O
melainkan O
juga O
efisien O
secara O
waktu. O
3. O
Peneliti O
lain O
dapat O
mencoba O
menggunakan O
metode O
seleksi O
variabel O
selain O
RFE-SVR O
dalam O
melakukan O
prediksi O
konsentrasi O
NO2 O
dan O
membandingkan O
hasilnya O
jika O
menggunakan O
RFE-SVR. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O

Pemodelan O
Konsentrasi O
Nitrogen O
Dioksida O
( O
NO2 O
) O
dengan O
Enhanced O
Harris O
Hawks O
Optimization O
Integrated O
with O
Coot O
Bird O
Optimization O
– O
Support O
Vector O
Regression O
( O
EHHOCBO-SVR O
) O
Studi O
Kasus O
: O
Kabupaten O
/ O
Kota O
Administrasi O
di O
Provinsi O
DKI O
Jakarta O
Zulhan O
Andika O
Asyraf O
( O
221910827 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
, O
S.S.T. O
, O
M.Si. O
sangat O
sensitif O
Ringkasan— O
Polusi O
udara O
merupakan O
sebuah O
masalah O
dan O
ancaman O
serius. O
NO2 O
merupakan O
polutan O
yang O
berbahaya O
dan O
memainkan O
peran O
penting O
dalam O
polusi O
udara. O
Sebagai O
upaya O
preventif O
untuk O
meminimalkan O
dampak O
dari O
NO2 O
, O
diperlukan O
data O
prediksi O
konsentrasi O
NO2 O
yang O
bersifat O
dinamis O
dan O
nonlinier. O
SVR O
merupakan O
salah O
satu O
metode O
untuk O
memprediksi O
data O
nonlinier O
, O
tetapi O
performa O
dan O
kemampuan O
generalisasi O
model O
SVR O
terhadap O
penentuan O
nilai O
parameternya. O
Untuk O
mengatasi O
masalah O
tersebut O
, O
algoritma O
metaheuristic O
dapat O
dimanfaatkan O
untuk O
mendapatkan O
nilai O
parameter O
yang O
terbaik O
pada O
SVR. O
HHO O
merupakan O
algoritma O
metaheuristic O
yang O
paling O
populer O
pada O
tahun O
2020 O
tetapi O
sering O
terjebak O
pada O
lokal O
optimum. O
Sementara O
itu O
, O
CBO O
memiliki O
kemampuan O
eksplorasi O
pencarian O
yang O
kuat O
sehingga O
dapat O
mempermudah O
menemukan O
global O
optimum O
sehingga O
gabungan O
antara O
HHO O
dengan O
CBO O
( O
EHHOCBO O
) O
dapat O
mengatasi O
kelemahan O
dari O
HHO. O
Penelitian O
ini O
bertujuan O
untuk O
membangun B-TUJUAN
hybrid I-TUJUAN
antara I-TUJUAN
EHHOCBO I-TUJUAN
dengan I-TUJUAN
SVR I-TUJUAN
, O
serta O
melakukan O
pemodelan O
konsentrasi O
NO2 O
pada O
kabupaten O
/ O
kota O
administrasi O
di O
Provinsi O
DKI O
Jakarta O
menggunakan O
EHHOCBO-SVR O
dan O
beberapa O
metode O
pembanding. O
Hasil O
penelitian O
menunjukkan O
bahwa O
metode B-METODE
EHHOCBO-SVR I-METODE
memberikan B-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
data I-TEMUAN
testing I-TEMUAN
terbaik I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
banyak I-TEMUAN
dibandingkan I-TEMUAN
metode I-TEMUAN
pembandingnya I-TEMUAN
dan I-TEMUAN
hasil I-TEMUAN
prediksinya I-TEMUAN
signifikan I-TEMUAN
lebih I-TEMUAN
akurat I-TEMUAN
dibandingkan I-TEMUAN
dengan I-TEMUAN
beberapa I-TEMUAN
metode I-TEMUAN
pembandingnya I-TEMUAN
pada O
beberapa O
wilayah O
sehingga O
metode O
tersebut O
direkomendasikan O
untuk O
melakukan O
pemodelan O
konsentrasi O
NO2. O
Kata O
Kunci— O
SVR O
, O
metaheuristic O
, O
EHHOCBO O
, O
NO2 O
optimasi O
parameter O
, O
algoritma O
[SEP] O
5.1 O
Kesimpulan O
Berdasarkan O
pembahasan O
tersebut O
, O
dapat O
diambil O
beberapa O
kesimpulan O
sebagai O
berikut. O
1. O
Algoritma B-TEMUAN
metaheuristic I-TEMUAN
EHHOCBO I-TEMUAN
dapat I-TEMUAN
dilakukan I-TEMUAN
hybrid I-TEMUAN
dengan I-TEMUAN
SVR I-TEMUAN
untuk I-TEMUAN
menentukan I-TEMUAN
nilai I-TEMUAN
parameter I-TEMUAN
SVR I-TEMUAN
terbaik I-TEMUAN
sehingga I-TEMUAN
dapat I-TEMUAN
meningkatkan I-TEMUAN
performa I-TEMUAN
model I-TEMUAN
SVR. I-TEMUAN
Oleh I-TEMUAN
karena I-TEMUAN
itu I-TEMUAN
, I-TEMUAN
metode I-TEMUAN
EHHOCBO-SVR I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
untuk I-TEMUAN
melakukan I-TEMUAN
prediksi I-TEMUAN
pada I-TEMUAN
berbagai I-TEMUAN
data I-TEMUAN
, I-TEMUAN
termasuk I-TEMUAN
data I-TEMUAN
yang I-TEMUAN
bersifat I-TEMUAN
nonlinier. I-TEMUAN
7 O
/ O
8 O
2. O
Dalam O
melakukan O
prediksi O
konsentrasi O
NO2 O
, O
metode O
EHHOCBO-SVR O
memberikan O
hasil O
evaluasi O
data O
terbaik O
yang O
paling O
banyak O
dibandingkan O
testing O
metode O
pembandingnya O
dan O
hasil O
prediksinya O
signifikan O
lebih O
akurat O
dibandingkan O
dengan O
beberapa O
metode O
pembandingnya O
pada O
beberapa O
wilayah. O
Oleh O
karena O
itu O
, O
metode O
EHHOCBO-SVR O
direkomendasikan O
dalam O
melakukan O
prediksi O
konsentrasi O
NO2. O
5.2 O
Saran O
Berdasarkan O
kesimpulan O
tersebut O
, O
beberapa O
hal O
yang O
disarankan O
oleh O
peneliti O
di O
antaranya O
sebagai O
berikut. O
1. O
Peneliti O
selanjutnya O
dapat O
membandingkan O
metode O
EHHOCBO-SVR O
dengan O
metode O
selain O
SVR O
, O
seperti O
random O
forest O
, O
artificial O
neural O
network O
( O
ANN O
) O
, O
dan O
metode O
deep O
learning. O
2. O
Metode O
EHHOCBO-SVR O
masih O
memiliki O
keterbatasan O
dari O
segi O
durasi O
dalam O
melakukan O
optimasi. O
Peneliti O
selanjutnya O
dapat O
mencari O
alternatif O
lain O
dalam O
penentuan O
nilai O
parameter O
SVR O
terbaik O
yang O
tidak O
hanya O
memiliki O
performa O
yang O
baik O
, O
melainkan O
juga O
efisien O
secara O
waktu. O
3. O
Peneliti O
lain O
dapat O
mencoba O
menggunakan O
metode O
seleksi O
variabel O
selain O
RFE-SVR O
dalam O
melakukan O
prediksi O
konsentrasi O
NO2 O
dan O
membandingkan O
hasilnya O
jika O
menggunakan O
RFE-SVR. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O

Evaluasi O
Sistem O
Pemerintahan O
Berbasis O
Elektronik O
( O
SPBE O
) O
Kabupaten O
Indramayu O
dengan O
E-Government O
Maturity O
Model O
Berdasarkan O
Peraturan O
Kementerian O
PAN-RB O
Nomor O
59 O
Tahun O
2020 O
Haryuningtyas O
Ramadhani O
Putri O
( O
221910826 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Erna O
Nurmawati O
, O
S.ST O
, O
M.T. O
Ringkasan— O
Penelitian O
ini O
bertujuan O
untuk O
mengevaluasi B-TUJUAN
tingkat I-TUJUAN
kematangan I-TUJUAN
sistem I-TUJUAN
pemerintahan I-TUJUAN
berbasis I-TUJUAN
elektronik I-TUJUAN
( I-TUJUAN
SPBE I-TUJUAN
) I-TUJUAN
di I-TUJUAN
Kabupaten I-TUJUAN
Indramayu I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
E- I-TUJUAN
Government I-TUJUAN
Maturity I-TUJUAN
Model I-TUJUAN
berdasarkan O
Peraturan O
Kementerian O
PAN-RB O
Nomor O
59 O
Tahun O
2020 O
, O
pada O
4 O
domain O
, O
8 O
aspek O
, O
dan O
47 O
indikator. O
Metode O
penelitian O
yang O
digunakan O
adalah O
studi O
kasus O
dengan O
teknik O
pengumpulan O
data O
melalui O
wawancara O
, O
observasi O
, O
dan O
studi O
dokumen. O
Responden O
dalam O
penelitian O
ini O
adalah O
pegawai O
pemerintah O
yang O
terlibat O
dalam O
pelaksanaan O
SPBE O
di O
Kabupaten O
Indramayu. O
Hasil O
penelitian O
berupa O
nilai B-TEMUAN
tingkat I-TEMUAN
kematangan I-TEMUAN
penyelenggaraan I-TEMUAN
SPBE I-TEMUAN
Kabupaten I-TEMUAN
Indramayu I-TEMUAN
sesuai I-TEMUAN
pada I-TEMUAN
peringkat I-TEMUAN
level I-TEMUAN
E-Government I-TEMUAN
Maturity I-TEMUAN
Model I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
3,596 I-TEMUAN
dengan I-TEMUAN
predikat I-TEMUAN
Sangat I-TEMUAN
Baik. I-TEMUAN
Domain O
yang O
mencapai O
nilai O
tertinggi O
pada O
penelitian O
ini O
yaitu O
Kebijakan O
Internal O
, O
sedangkan O
nilai O
terendahnya O
berada O
di O
domain O
Manajemen. O
Beberapa O
aspek O
serta O
indikator O
dengan O
nilai O
indeks O
terendah O
diinformasikan O
untuk O
menjadi O
pertimbangan O
rekomendasi O
perbaikan O
bagi O
pemerintah O
Kabupaten O
Indramayu. O
Kata O
Kunci— O
evaluasi O
, O
e-Government O
, O
SPBE O
, O
Kabupaten O
Indramayu O
, O
maturity O
model. O
[SEP] O
Evaluasi O
SPBE O
elektronik O
pada O
pemerintah O
Kabupaten O
Indramayu O
yang O
dilaksanakan O
berjalan O
dengan O
cukup O
baik. O
Proses O
penilaian O
yang O
dilaksanakan O
menggunakan O
e- O
government O
maturity O
model O
terhadap O
4 O
domain O
, O
8 O
aspek O
, O
dan O
47 O
indikator. O
Hasil B-TEMUAN
validasi I-TEMUAN
menyajikan I-TEMUAN
bahwa I-TEMUAN
27 I-TEMUAN
nilai I-TEMUAN
indikator I-TEMUAN
bernilai I-TEMUAN
valid I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
indikator I-TEMUAN
lainnya I-TEMUAN
mengalami I-TEMUAN
penyesuaian I-TEMUAN
lanjutan. I-TEMUAN
Penyesuaian I-TEMUAN
lanjutan I-TEMUAN
menghasilkan I-TEMUAN
nilai I-TEMUAN
perubahan I-TEMUAN
pada I-TEMUAN
indikator I-TEMUAN
35 I-TEMUAN
dan I-TEMUAN
indikator I-TEMUAN
42. I-TEMUAN
Dengan I-TEMUAN
hasil I-TEMUAN
tersebut I-TEMUAN
, I-TEMUAN
nilai I-TEMUAN
akhir I-TEMUAN
SPBE I-TEMUAN
yang I-TEMUAN
didapatkan I-TEMUAN
menjadi I-TEMUAN
3,596 I-TEMUAN
dengan I-TEMUAN
predikat I-TEMUAN
“Sangat I-TEMUAN
Baik”. I-TEMUAN
Dari O
hasil O
penelitian O
, O
terdapat O
saran O
yang O
dapat O
digunakan O
terhadap O
penelitian O
selanjutnya O
sebagai O
berikut O
: O
Makalah O
Seminar O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
1. O
Pemilihan O
fokus O
aspek O
SPBE O
yang O
terdiri O
dari O
beberapa O
indikator O
untuk O
penelitian O
selanjutnya O
dapat O
dikaji O
secara O
khusus O
, O
karena O
masing-masing O
aspek O
memegang O
peranan O
penting O
dalam O
implementasi O
SPBE. O
2. O
Perbandingan O
penilaian O
dengan O
kerangka O
maturitas O
lainnya O
untuk O
menyelaraskan O
hasilpenilaian O
yang O
dilakukan O
dengan O
PERMENPAN. O
Kombinasi O
kerangka O
penilaian O
maturitas O
atau O
kerangka O
kerja O
dapat O
digunakan O
sesuai O
dengan O
fokus O
masing-masing O
aspek O
SPBE O
yang O
akan O
dikaji. O
Contoh O
: O
Cobit O
, O
CMMI O
, O
dan O
kerangka O
kerja O
lainnya. O

Evaluasi O
Sistem O
Pemerintahan O
Berbasis O
Elektronik O
( O
SPBE O
) O
Kabupaten O
Indramayu O
dengan O
E-Government O
Maturity O
Model O
Berdasarkan O
Peraturan O
Kementerian O
PAN-RB O
Nomor O
59 O
Tahun O
2020 O
Haryuningtyas O
Ramadhani O
Putri O
( O
221910826 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Erna O
Nurmawati O
, O
S.ST O
, O
M.T. O
Ringkasan— O
Penelitian O
ini O
bertujuan O
untuk O
mengevaluasi B-TUJUAN
tingkat I-TUJUAN
kematangan I-TUJUAN
sistem I-TUJUAN
pemerintahan I-TUJUAN
berbasis I-TUJUAN
elektronik I-TUJUAN
( I-TUJUAN
SPBE I-TUJUAN
) I-TUJUAN
di I-TUJUAN
Kabupaten I-TUJUAN
Indramayu I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
E- I-TUJUAN
Government I-TUJUAN
Maturity I-TUJUAN
Model I-TUJUAN
berdasarkan O
Peraturan O
Kementerian O
PAN-RB O
Nomor O
59 O
Tahun O
2020 O
, O
pada O
4 O
domain O
, O
8 O
aspek O
, O
dan O
47 O
indikator. O
Metode O
penelitian O
yang O
digunakan O
adalah O
studi O
kasus O
dengan O
teknik O
pengumpulan O
data O
melalui O
wawancara O
, O
observasi O
, O
dan O
studi O
dokumen. O
Responden O
dalam O
penelitian O
ini O
adalah O
pegawai O
pemerintah O
yang O
terlibat O
dalam O
pelaksanaan O
SPBE O
di O
Kabupaten O
Indramayu. O
Hasil O
penelitian O
berupa O
nilai B-TEMUAN
tingkat I-TEMUAN
kematangan I-TEMUAN
penyelenggaraan I-TEMUAN
SPBE I-TEMUAN
Kabupaten I-TEMUAN
Indramayu I-TEMUAN
sesuai I-TEMUAN
pada I-TEMUAN
peringkat I-TEMUAN
level I-TEMUAN
E-Government I-TEMUAN
Maturity I-TEMUAN
Model I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
3,596 I-TEMUAN
dengan I-TEMUAN
predikat I-TEMUAN
Sangat I-TEMUAN
Baik. I-TEMUAN
Domain O
yang O
mencapai O
nilai O
tertinggi O
pada O
penelitian O
ini O
yaitu O
Kebijakan O
Internal O
, O
sedangkan O
nilai O
terendahnya O
berada O
di O
domain O
Manajemen. O
Beberapa O
aspek O
serta O
indikator O
dengan O
nilai O
indeks O
terendah O
diinformasikan O
untuk O
menjadi O
pertimbangan O
rekomendasi O
perbaikan O
bagi O
pemerintah O
Kabupaten O
Indramayu. O
Kata O
Kunci— O
evaluasi O
, O
e-Government O
, O
SPBE O
, O
Kabupaten O
Indramayu O
, O
maturity O
model. O
[SEP] O
Evaluasi O
SPBE O
elektronik O
pada O
pemerintah O
Kabupaten O
Indramayu O
yang O
dilaksanakan O
berjalan O
dengan O
cukup O
baik. O
Proses O
penilaian O
yang O
dilaksanakan O
menggunakan O
e- O
government O
maturity O
model O
terhadap O
4 O
domain O
, O
8 O
aspek O
, O
dan O
47 O
indikator. O
Hasil B-TEMUAN
validasi I-TEMUAN
menyajikan I-TEMUAN
bahwa I-TEMUAN
27 I-TEMUAN
nilai I-TEMUAN
indikator I-TEMUAN
bernilai I-TEMUAN
valid I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
indikator I-TEMUAN
lainnya I-TEMUAN
mengalami I-TEMUAN
penyesuaian I-TEMUAN
lanjutan. I-TEMUAN
Penyesuaian I-TEMUAN
lanjutan I-TEMUAN
menghasilkan I-TEMUAN
nilai I-TEMUAN
perubahan I-TEMUAN
pada I-TEMUAN
indikator I-TEMUAN
35 I-TEMUAN
dan I-TEMUAN
indikator I-TEMUAN
42. I-TEMUAN
Dengan I-TEMUAN
hasil I-TEMUAN
tersebut I-TEMUAN
, I-TEMUAN
nilai I-TEMUAN
akhir I-TEMUAN
SPBE I-TEMUAN
yang I-TEMUAN
didapatkan I-TEMUAN
menjadi I-TEMUAN
3,596 I-TEMUAN
dengan I-TEMUAN
predikat I-TEMUAN
“Sangat I-TEMUAN
Baik”. I-TEMUAN
Dari O
hasil O
penelitian O
, O
terdapat O
saran O
yang O
dapat O
digunakan O
terhadap O
penelitian O
selanjutnya O
sebagai O
berikut O
: O
Makalah O
Seminar O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
1. O
Pemilihan O
fokus O
aspek O
SPBE O
yang O
terdiri O
dari O
beberapa O
indikator O
untuk O
penelitian O
selanjutnya O
dapat O
dikaji O
secara O
khusus O
, O
karena O
masing-masing O
aspek O
memegang O
peranan O
penting O
dalam O
implementasi O
SPBE. O
2. O
Perbandingan O
penilaian O
dengan O
kerangka O
maturitas O
lainnya O
untuk O
menyelaraskan O
hasilpenilaian O
yang O
dilakukan O
dengan O
PERMENPAN. O
Kombinasi O
kerangka O
penilaian O
maturitas O
atau O
kerangka O
kerja O
dapat O
digunakan O
sesuai O
dengan O
fokus O
masing-masing O
aspek O
SPBE O
yang O
akan O
dikaji. O
Contoh O
: O
Cobit O
, O
CMMI O
, O
dan O
kerangka O
kerja O
lainnya. O

Evaluasi O
Sistem O
Pemerintahan O
Berbasis O
Elektronik O
( O
SPBE O
) O
Kabupaten O
Indramayu O
dengan O
E-Government O
Maturity O
Model O
Berdasarkan O
Peraturan O
Kementerian O
PAN-RB O
Nomor O
59 O
Tahun O
2020 O
Haryuningtyas O
Ramadhani O
Putri O
( O
221910826 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Erna O
Nurmawati O
, O
S.ST O
, O
M.T. O
Ringkasan— O
Penelitian O
ini O
bertujuan O
untuk O
mengevaluasi B-TUJUAN
tingkat I-TUJUAN
kematangan I-TUJUAN
sistem I-TUJUAN
pemerintahan I-TUJUAN
berbasis I-TUJUAN
elektronik I-TUJUAN
( I-TUJUAN
SPBE I-TUJUAN
) I-TUJUAN
di I-TUJUAN
Kabupaten I-TUJUAN
Indramayu I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
E- I-TUJUAN
Government I-TUJUAN
Maturity I-TUJUAN
Model I-TUJUAN
berdasarkan O
Peraturan O
Kementerian O
PAN-RB O
Nomor O
59 O
Tahun O
2020 O
, O
pada O
4 O
domain O
, O
8 O
aspek O
, O
dan O
47 O
indikator. O
Metode O
penelitian O
yang O
digunakan O
adalah O
studi O
kasus O
dengan O
teknik O
pengumpulan O
data O
melalui O
wawancara O
, O
observasi O
, O
dan O
studi O
dokumen. O
Responden O
dalam O
penelitian O
ini O
adalah O
pegawai O
pemerintah O
yang O
terlibat O
dalam O
pelaksanaan O
SPBE O
di O
Kabupaten O
Indramayu. O
Hasil O
penelitian O
berupa O
nilai B-TEMUAN
tingkat I-TEMUAN
kematangan I-TEMUAN
penyelenggaraan I-TEMUAN
SPBE I-TEMUAN
Kabupaten I-TEMUAN
Indramayu I-TEMUAN
sesuai I-TEMUAN
pada I-TEMUAN
peringkat I-TEMUAN
level I-TEMUAN
E-Government I-TEMUAN
Maturity I-TEMUAN
Model I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
3,596 I-TEMUAN
dengan I-TEMUAN
predikat I-TEMUAN
Sangat I-TEMUAN
Baik. I-TEMUAN
Domain O
yang O
mencapai O
nilai O
tertinggi O
pada O
penelitian O
ini O
yaitu O
Kebijakan O
Internal O
, O
sedangkan O
nilai O
terendahnya O
berada O
di O
domain O
Manajemen. O
Beberapa O
aspek O
serta O
indikator O
dengan O
nilai O
indeks O
terendah O
diinformasikan O
untuk O
menjadi O
pertimbangan O
rekomendasi O
perbaikan O
bagi O
pemerintah O
Kabupaten O
Indramayu. O
Kata O
Kunci— O
evaluasi O
, O
e-Government O
, O
SPBE O
, O
Kabupaten O
Indramayu O
, O
maturity O
model. O
[SEP] O
Evaluasi O
SPBE O
elektronik O
pada O
pemerintah O
Kabupaten O
Indramayu O
yang O
dilaksanakan O
berjalan O
dengan O
cukup O
baik. O
Proses O
penilaian O
yang O
dilaksanakan O
menggunakan O
e- O
government O
maturity O
model O
terhadap O
4 O
domain O
, O
8 O
aspek O
, O
dan O
47 O
indikator. O
Hasil B-TEMUAN
validasi I-TEMUAN
menyajikan I-TEMUAN
bahwa I-TEMUAN
27 I-TEMUAN
nilai I-TEMUAN
indikator I-TEMUAN
bernilai I-TEMUAN
valid I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
indikator I-TEMUAN
lainnya I-TEMUAN
mengalami I-TEMUAN
penyesuaian I-TEMUAN
lanjutan. I-TEMUAN
Penyesuaian I-TEMUAN
lanjutan I-TEMUAN
menghasilkan I-TEMUAN
nilai I-TEMUAN
perubahan I-TEMUAN
pada I-TEMUAN
indikator I-TEMUAN
35 I-TEMUAN
dan I-TEMUAN
indikator I-TEMUAN
42. I-TEMUAN
Dengan I-TEMUAN
hasil I-TEMUAN
tersebut I-TEMUAN
, I-TEMUAN
nilai I-TEMUAN
akhir I-TEMUAN
SPBE I-TEMUAN
yang I-TEMUAN
didapatkan I-TEMUAN
menjadi I-TEMUAN
3,596 I-TEMUAN
dengan I-TEMUAN
predikat I-TEMUAN
“Sangat I-TEMUAN
Baik”. I-TEMUAN
Dari O
hasil O
penelitian O
, O
terdapat O
saran O
yang O
dapat O
digunakan O
terhadap O
penelitian O
selanjutnya O
sebagai O
berikut O
: O
Makalah O
Seminar O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
1. O
Pemilihan O
fokus O
aspek O
SPBE O
yang O
terdiri O
dari O
beberapa O
indikator O
untuk O
penelitian O
selanjutnya O
dapat O
dikaji O
secara O
khusus O
, O
karena O
masing-masing O
aspek O
memegang O
peranan O
penting O
dalam O
implementasi O
SPBE. O
2. O
Perbandingan O
penilaian O
dengan O
kerangka O
maturitas O
lainnya O
untuk O
menyelaraskan O
hasilpenilaian O
yang O
dilakukan O
dengan O
PERMENPAN. O
Kombinasi O
kerangka O
penilaian O
maturitas O
atau O
kerangka O
kerja O
dapat O
digunakan O
sesuai O
dengan O
fokus O
masing-masing O
aspek O
SPBE O
yang O
akan O
dikaji. O
Contoh O
: O
Cobit O
, O
CMMI O
, O
dan O
kerangka O
kerja O
lainnya. O

Ulang O
Sistem O
Informasi O
Manajemen O
Perpustakaan O
( O
SIMPus O
) O
Politeknik O
Statistika O
STIS O
Berbasis O
Web O
Modul O
Frontend O
Dhiya O
Ulkhaq O
Alauddin O
( O
221910820 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
SST O
, O
MT. O
( O
SIMPus O
) O
Perpustakaan O
Ringkasan— O
Unit O
Perpustakaan O
STIS O
membangun O
Sistem O
Informasi O
Manajemen O
untuk O
menunjang O
kegiatan O
pelayanan O
sehari-hari. O
Kajian O
mengenai O
pemanfaatan O
suatu O
sistem O
, O
tidak O
akan O
pernah O
terlepas O
dari O
penggunanya O
dalam O
rangka O
mengetahui O
interaksi O
pengguna O
dengan O
sistem O
tersebut. O
Untuk O
mengetahui O
kondisi O
dan O
permasalahan O
pada O
sistem O
yang O
saat O
ini O
berjalan O
, O
peneliti O
melakukan B-TUJUAN
survei I-TUJUAN
pendahuluan I-TUJUAN
terhadap I-TUJUAN
SIMPus I-TUJUAN
menggunakan I-TUJUAN
UEQ I-TUJUAN
versi I-TUJUAN
pendek I-TUJUAN
( I-TUJUAN
UEQ-S I-TUJUAN
) I-TUJUAN
. O
Hasil O
survei O
menunjukkan O
perlunya O
perancangan O
ulang O
antarmuka O
SIMPus. O
Oleh O
karena O
itu O
, O
peneliti O
memutuskan O
untuk O
membangun O
ulang O
SIMPus O
berbasis O
web O
modul O
frontend. O
Metode O
yang O
digunakan O
dalam O
membangun O
ulang O
SIMPus O
adalah O
metode B-METODE
goal-directed I-METODE
design. I-METODE
Hasil O
akhir O
pembangunan O
ulang O
berupa O
desain B-TEMUAN
ulang I-TEMUAN
SIMPus I-TEMUAN
dan I-TEMUAN
purwarupa I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
dihubungkan I-TEMUAN
dengan I-TEMUAN
service I-TEMUAN
backend. I-TEMUAN
Hasil B-TEMUAN
evaluasi I-TEMUAN
menggunakan I-TEMUAN
UEQ-S I-TEMUAN
, I-TEMUAN
didapatkan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
daripada I-TEMUAN
SIMPus I-TEMUAN
berbasis I-TEMUAN
Android. I-TEMUAN
Kata O
Kunci— O
perpustakaan O
, O
sistem O
informasi O
manajemen O
, O
pembangunan O
ulang O
, O
goal-directed O
design O
, O
frontend O
[SEP] O
0.6 O
0.8 O
0.6 O
0.4 O
0.60 O
0.97 O
1.3 O
1.4 O
1.5 O
1.3 O
1.35 O
1.45 O
Gambar O
11. O
Perbandingan O
grafik O
benchmark O
antara O
fase O
support O
dan O
build O
Hasil B-TEMUAN
pengujian I-TEMUAN
SIMPus I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
, I-TEMUAN
menunjukan I-TEMUAN
bahwa I-TEMUAN
kualitas I-TEMUAN
pragmatis I-TEMUAN
memiliki I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
1.64 I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
memiliki I-TEMUAN
evaluasi I-TEMUAN
positif I-TEMUAN
, I-TEMUAN
kualitas I-TEMUAN
hedonis I-TEMUAN
memiliki I-TEMUAN
nilai I-TEMUAN
rata- I-TEMUAN
rata I-TEMUAN
1.35 I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
memiliki I-TEMUAN
evaluasi I-TEMUAN
positif I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
secara I-TEMUAN
keseluruhan I-TEMUAN
rata-rata I-TEMUAN
nilainya I-TEMUAN
1.45 I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
memiliki I-TEMUAN
evaluasi I-TEMUAN
positif I-TEMUAN
dan I-TEMUAN
sudah I-TEMUAN
berada I-TEMUAN
di I-TEMUAN
atas I-TEMUAN
rata-rata I-TEMUAN
nilai I-TEMUAN
kualitas I-TEMUAN
keseluruhan I-TEMUAN
pada I-TEMUAN
benchmark I-TEMUAN
, I-TEMUAN
bahkan I-TEMUAN
mencapai I-TEMUAN
kategori I-TEMUAN
good. I-TEMUAN
Secara O
keseluruhan O
, O
SIMPus O
berbasis O
web O
mengalami O
tersebut O
, O
dikarenakan O
beberapa O
pengguna O
tampilan O
SIMPus O
berbasis O
web O
semakin O
bagus O
kenaikan. O
Hal O
merasa O
Berdasarkan O
tujuan O
dari O
penelitian O
ini O
adalah O
sebagai O
berikut O
: O
1. O
Pengujian O
desain O
solusi O
yang O
dirancang O
dengan O
metode O
goal-directed O
design O
mengalami O
kenaikan. O
Namun O
, O
kenaikan O
yang O
terjadi O
tidaklah O
signifikan. O
2. O
Pengujian O
SIMPus O
berbasis O
web O
yang O
dibangun O
dan O
dihubungkan O
dengan O
service O
backend O
mengalami O
kenaikan O
yang O
signifikan O
Saran O
Berdasarkan O
hasil O
evaluasi O
, O
berikut O
ini O
merupakan O
hal-hal O
yang O
dapat O
dikembangkan O
pada O
penelitian O
selanjutnya O
: O
1. O
Cross-browser O
testing O
belum O
dilakukan O
pada O
penelitian O
ini. O
Diharapkan O
pada O
penelitian O
selanjutnya O
dapat O
dilakukan O
pengujian O
tersebut O
, O
sehingga O
dapat O
diketahui O
kekurangan-kekurangan O
berbagai O
peramban O
dan O
perangkat. O
yang O
ada O
di O
2. O
Tampilan O
antarmuka O
pada O
tablet O
tidak O
dicakup O
dalam O
penelitian O
ini. O
Agar O
tampilan O
antarmuka O
lebih O
ramah O
di O
berbagai O
perangkat O
, O
diharapkan O
pada O
penelitian O
selanjutnya O
dapat O
memberikan O
desain O
untuk O
semua O
perangkat. O
Informasi O
mengenai O
desain O
eror O
dalam O
penelitian O
ini O
hanya O
diperoleh O
dari O
kritik O
dan O
saran O
yang O
diberikan O
3. O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
responden. O
Untuk O
penelitian O
oleh O
selanjutnya O
, O
disarankan O
agar O
ditambahkan O
instrumen O
penilaian O
terkait O
penilaian O
komponen O
antarmuka O
tambahan O
pengguna O
, O
seperti O
tipografi O
, O
elemen O
interaktif O
, O
grid O
, O
tata O
letak O
, O
warna O
, O
dan O
gradien. O
Penilaian O
tersebut O
berguna O
untuk O
mendapatkan O
informasi O
yang O
lebih O
terperinci O
sudah O
baik O
dan O
perlu O
mengenai O
desain O
yang O
dipertahankan O
, O
serta O
desain O
yang O
perlu O
diperbaiki. O
online.org O
/ O
Material O
/ O
Short_UEQ_Data_Analysis_Tool. O
xlsx O
( O
accessed O
Mar. O
19 O
, O
2023 O
) O
. O
[ O
15 O
] O
M. O
Malewicz O
and O
D. O
Malewicz O
, O
Designing O
User O
Interfaces. O
2020. O
[ O
16 O
] O
A. O
Banks O
and O
E. O
Porcello O
, O
Learning O
React O
: O
functional O
web O
development O
with O
React O
and O
Redux. O
O’Reilly O
Media O
, O
Inc. O
, O
2017. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O

Ulang O
Sistem O
Informasi O
Manajemen O
Perpustakaan O
( O
SIMPus O
) O
Politeknik O
Statistika O
STIS O
Berbasis O
Web O
Modul O
Frontend O
Dhiya O
Ulkhaq O
Alauddin O
( O
221910820 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
SST O
, O
MT. O
( O
SIMPus O
) O
Perpustakaan O
Ringkasan— O
Unit O
Perpustakaan O
STIS O
membangun O
Sistem O
Informasi O
Manajemen O
untuk O
menunjang O
kegiatan O
pelayanan O
sehari-hari. O
Kajian O
mengenai O
pemanfaatan O
suatu O
sistem O
, O
tidak O
akan O
pernah O
terlepas O
dari O
penggunanya O
dalam O
rangka O
mengetahui O
interaksi O
pengguna O
dengan O
sistem O
tersebut. O
Untuk O
mengetahui O
kondisi O
dan O
permasalahan O
pada O
sistem O
yang O
saat O
ini O
berjalan O
, O
peneliti O
melakukan B-TUJUAN
survei I-TUJUAN
pendahuluan I-TUJUAN
terhadap I-TUJUAN
SIMPus I-TUJUAN
menggunakan I-TUJUAN
UEQ I-TUJUAN
versi I-TUJUAN
pendek I-TUJUAN
( I-TUJUAN
UEQ-S I-TUJUAN
) I-TUJUAN
. O
Hasil O
survei O
menunjukkan O
perlunya O
perancangan O
ulang O
antarmuka O
SIMPus. O
Oleh O
karena O
itu O
, O
peneliti O
memutuskan O
untuk O
membangun O
ulang O
SIMPus O
berbasis O
web O
modul O
frontend. O
Metode O
yang O
digunakan O
dalam O
membangun O
ulang O
SIMPus O
adalah O
metode B-METODE
goal-directed I-METODE
design. I-METODE
Hasil O
akhir O
pembangunan O
ulang O
berupa O
desain B-TEMUAN
ulang I-TEMUAN
SIMPus I-TEMUAN
dan I-TEMUAN
purwarupa I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
dihubungkan I-TEMUAN
dengan I-TEMUAN
service I-TEMUAN
backend. I-TEMUAN
Hasil B-TEMUAN
evaluasi I-TEMUAN
menggunakan I-TEMUAN
UEQ-S I-TEMUAN
, I-TEMUAN
didapatkan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
daripada I-TEMUAN
SIMPus I-TEMUAN
berbasis I-TEMUAN
Android. I-TEMUAN
Kata O
Kunci— O
perpustakaan O
, O
sistem O
informasi O
manajemen O
, O
pembangunan O
ulang O
, O
goal-directed O
design O
, O
frontend O
[SEP] O
0.6 O
0.8 O
0.6 O
0.4 O
0.60 O
0.97 O
1.3 O
1.4 O
1.5 O
1.3 O
1.35 O
1.45 O
Gambar O
11. O
Perbandingan O
grafik O
benchmark O
antara O
fase O
support O
dan O
build O
Hasil B-TEMUAN
pengujian I-TEMUAN
SIMPus I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
, I-TEMUAN
menunjukan I-TEMUAN
bahwa I-TEMUAN
kualitas I-TEMUAN
pragmatis I-TEMUAN
memiliki I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
1.64 I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
memiliki I-TEMUAN
evaluasi I-TEMUAN
positif I-TEMUAN
, I-TEMUAN
kualitas I-TEMUAN
hedonis I-TEMUAN
memiliki I-TEMUAN
nilai I-TEMUAN
rata- I-TEMUAN
rata I-TEMUAN
1.35 I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
memiliki I-TEMUAN
evaluasi I-TEMUAN
positif I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
secara I-TEMUAN
keseluruhan I-TEMUAN
rata-rata I-TEMUAN
nilainya I-TEMUAN
1.45 I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
memiliki I-TEMUAN
evaluasi I-TEMUAN
positif I-TEMUAN
dan I-TEMUAN
sudah I-TEMUAN
berada I-TEMUAN
di I-TEMUAN
atas I-TEMUAN
rata-rata I-TEMUAN
nilai I-TEMUAN
kualitas I-TEMUAN
keseluruhan I-TEMUAN
pada I-TEMUAN
benchmark I-TEMUAN
, I-TEMUAN
bahkan I-TEMUAN
mencapai I-TEMUAN
kategori I-TEMUAN
good. I-TEMUAN
Secara O
keseluruhan O
, O
SIMPus O
berbasis O
web O
mengalami O
tersebut O
, O
dikarenakan O
beberapa O
pengguna O
tampilan O
SIMPus O
berbasis O
web O
semakin O
bagus O
kenaikan. O
Hal O
merasa O
Berdasarkan O
tujuan O
dari O
penelitian O
ini O
adalah O
sebagai O
berikut O
: O
1. O
Pengujian O
desain O
solusi O
yang O
dirancang O
dengan O
metode O
goal-directed O
design O
mengalami O
kenaikan. O
Namun O
, O
kenaikan O
yang O
terjadi O
tidaklah O
signifikan. O
2. O
Pengujian O
SIMPus O
berbasis O
web O
yang O
dibangun O
dan O
dihubungkan O
dengan O
service O
backend O
mengalami O
kenaikan O
yang O
signifikan O
Saran O
Berdasarkan O
hasil O
evaluasi O
, O
berikut O
ini O
merupakan O
hal-hal O
yang O
dapat O
dikembangkan O
pada O
penelitian O
selanjutnya O
: O
1. O
Cross-browser O
testing O
belum O
dilakukan O
pada O
penelitian O
ini. O
Diharapkan O
pada O
penelitian O
selanjutnya O
dapat O
dilakukan O
pengujian O
tersebut O
, O
sehingga O
dapat O
diketahui O
kekurangan-kekurangan O
berbagai O
peramban O
dan O
perangkat. O
yang O
ada O
di O
2. O
Tampilan O
antarmuka O
pada O
tablet O
tidak O
dicakup O
dalam O
penelitian O
ini. O
Agar O
tampilan O
antarmuka O
lebih O
ramah O
di O
berbagai O
perangkat O
, O
diharapkan O
pada O
penelitian O
selanjutnya O
dapat O
memberikan O
desain O
untuk O
semua O
perangkat. O
Informasi O
mengenai O
desain O
eror O
dalam O
penelitian O
ini O
hanya O
diperoleh O
dari O
kritik O
dan O
saran O
yang O
diberikan O
3. O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
responden. O
Untuk O
penelitian O
oleh O
selanjutnya O
, O
disarankan O
agar O
ditambahkan O
instrumen O
penilaian O
terkait O
penilaian O
komponen O
antarmuka O
tambahan O
pengguna O
, O
seperti O
tipografi O
, O
elemen O
interaktif O
, O
grid O
, O
tata O
letak O
, O
warna O
, O
dan O
gradien. O
Penilaian O
tersebut O
berguna O
untuk O
mendapatkan O
informasi O
yang O
lebih O
terperinci O
sudah O
baik O
dan O
perlu O
mengenai O
desain O
yang O
dipertahankan O
, O
serta O
desain O
yang O
perlu O
diperbaiki. O
online.org O
/ O
Material O
/ O
Short_UEQ_Data_Analysis_Tool. O
xlsx O
( O
accessed O
Mar. O
19 O
, O
2023 O
) O
. O
[ O
15 O
] O
M. O
Malewicz O
and O
D. O
Malewicz O
, O
Designing O
User O
Interfaces. O
2020. O
[ O
16 O
] O
A. O
Banks O
and O
E. O
Porcello O
, O
Learning O
React O
: O
functional O
web O
development O
with O
React O
and O
Redux. O
O’Reilly O
Media O
, O
Inc. O
, O
2017. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O

Ulang O
Sistem O
Informasi O
Manajemen O
Perpustakaan O
( O
SIMPus O
) O
Politeknik O
Statistika O
STIS O
Berbasis O
Web O
Modul O
Frontend O
Dhiya O
Ulkhaq O
Alauddin O
( O
221910820 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
SST O
, O
MT. O
( O
SIMPus O
) O
Perpustakaan O
Ringkasan— O
Unit O
Perpustakaan O
STIS O
membangun O
Sistem O
Informasi O
Manajemen O
untuk O
menunjang O
kegiatan O
pelayanan O
sehari-hari. O
Kajian O
mengenai O
pemanfaatan O
suatu O
sistem O
, O
tidak O
akan O
pernah O
terlepas O
dari O
penggunanya O
dalam O
rangka O
mengetahui O
interaksi O
pengguna O
dengan O
sistem O
tersebut. O
Untuk O
mengetahui O
kondisi O
dan O
permasalahan O
pada O
sistem O
yang O
saat O
ini O
berjalan O
, O
peneliti O
melakukan B-TUJUAN
survei I-TUJUAN
pendahuluan I-TUJUAN
terhadap I-TUJUAN
SIMPus I-TUJUAN
menggunakan I-TUJUAN
UEQ I-TUJUAN
versi I-TUJUAN
pendek I-TUJUAN
( I-TUJUAN
UEQ-S I-TUJUAN
) I-TUJUAN
. O
Hasil O
survei O
menunjukkan O
perlunya O
perancangan O
ulang O
antarmuka O
SIMPus. O
Oleh O
karena O
itu O
, O
peneliti O
memutuskan O
untuk O
membangun O
ulang O
SIMPus O
berbasis O
web O
modul O
frontend. O
Metode O
yang O
digunakan O
dalam O
membangun O
ulang O
SIMPus O
adalah O
metode B-METODE
goal-directed I-METODE
design. I-METODE
Hasil O
akhir O
pembangunan O
ulang O
berupa O
desain B-TEMUAN
ulang I-TEMUAN
SIMPus I-TEMUAN
dan I-TEMUAN
purwarupa I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
dihubungkan I-TEMUAN
dengan I-TEMUAN
service I-TEMUAN
backend. I-TEMUAN
Hasil B-TEMUAN
evaluasi I-TEMUAN
menggunakan I-TEMUAN
UEQ-S I-TEMUAN
, I-TEMUAN
didapatkan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
daripada I-TEMUAN
SIMPus I-TEMUAN
berbasis I-TEMUAN
Android. I-TEMUAN
Kata O
Kunci— O
perpustakaan O
, O
sistem O
informasi O
manajemen O
, O
pembangunan O
ulang O
, O
goal-directed O
design O
, O
frontend O
[SEP] O
0.6 O
0.8 O
0.6 O
0.4 O
0.60 O
0.97 O
1.3 O
1.4 O
1.5 O
1.3 O
1.35 O
1.45 O
Gambar O
11. O
Perbandingan O
grafik O
benchmark O
antara O
fase O
support O
dan O
build O
Hasil B-TEMUAN
pengujian I-TEMUAN
SIMPus I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
, I-TEMUAN
menunjukan I-TEMUAN
bahwa I-TEMUAN
kualitas I-TEMUAN
pragmatis I-TEMUAN
memiliki I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
1.64 I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
memiliki I-TEMUAN
evaluasi I-TEMUAN
positif I-TEMUAN
, I-TEMUAN
kualitas I-TEMUAN
hedonis I-TEMUAN
memiliki I-TEMUAN
nilai I-TEMUAN
rata- I-TEMUAN
rata I-TEMUAN
1.35 I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
memiliki I-TEMUAN
evaluasi I-TEMUAN
positif I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
secara I-TEMUAN
keseluruhan I-TEMUAN
rata-rata I-TEMUAN
nilainya I-TEMUAN
1.45 I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
memiliki I-TEMUAN
evaluasi I-TEMUAN
positif I-TEMUAN
dan I-TEMUAN
sudah I-TEMUAN
berada I-TEMUAN
di I-TEMUAN
atas I-TEMUAN
rata-rata I-TEMUAN
nilai I-TEMUAN
kualitas I-TEMUAN
keseluruhan I-TEMUAN
pada I-TEMUAN
benchmark I-TEMUAN
, I-TEMUAN
bahkan I-TEMUAN
mencapai I-TEMUAN
kategori I-TEMUAN
good. I-TEMUAN
Secara O
keseluruhan O
, O
SIMPus O
berbasis O
web O
mengalami O
tersebut O
, O
dikarenakan O
beberapa O
pengguna O
tampilan O
SIMPus O
berbasis O
web O
semakin O
bagus O
kenaikan. O
Hal O
merasa O
Berdasarkan O
tujuan O
dari O
penelitian O
ini O
adalah O
sebagai O
berikut O
: O
1. O
Pengujian O
desain O
solusi O
yang O
dirancang O
dengan O
metode O
goal-directed O
design O
mengalami O
kenaikan. O
Namun O
, O
kenaikan O
yang O
terjadi O
tidaklah O
signifikan. O
2. O
Pengujian O
SIMPus O
berbasis O
web O
yang O
dibangun O
dan O
dihubungkan O
dengan O
service O
backend O
mengalami O
kenaikan O
yang O
signifikan O
Saran O
Berdasarkan O
hasil O
evaluasi O
, O
berikut O
ini O
merupakan O
hal-hal O
yang O
dapat O
dikembangkan O
pada O
penelitian O
selanjutnya O
: O
1. O
Cross-browser O
testing O
belum O
dilakukan O
pada O
penelitian O
ini. O
Diharapkan O
pada O
penelitian O
selanjutnya O
dapat O
dilakukan O
pengujian O
tersebut O
, O
sehingga O
dapat O
diketahui O
kekurangan-kekurangan O
berbagai O
peramban O
dan O
perangkat. O
yang O
ada O
di O
2. O
Tampilan O
antarmuka O
pada O
tablet O
tidak O
dicakup O
dalam O
penelitian O
ini. O
Agar O
tampilan O
antarmuka O
lebih O
ramah O
di O
berbagai O
perangkat O
, O
diharapkan O
pada O
penelitian O
selanjutnya O
dapat O
memberikan O
desain O
untuk O
semua O
perangkat. O
Informasi O
mengenai O
desain O
eror O
dalam O
penelitian O
ini O
hanya O
diperoleh O
dari O
kritik O
dan O
saran O
yang O
diberikan O
3. O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
responden. O
Untuk O
penelitian O
oleh O
selanjutnya O
, O
disarankan O
agar O
ditambahkan O
instrumen O
penilaian O
terkait O
penilaian O
komponen O
antarmuka O
tambahan O
pengguna O
, O
seperti O
tipografi O
, O
elemen O
interaktif O
, O
grid O
, O
tata O
letak O
, O
warna O
, O
dan O
gradien. O
Penilaian O
tersebut O
berguna O
untuk O
mendapatkan O
informasi O
yang O
lebih O
terperinci O
sudah O
baik O
dan O
perlu O
mengenai O
desain O
yang O
dipertahankan O
, O
serta O
desain O
yang O
perlu O
diperbaiki. O
online.org O
/ O
Material O
/ O
Short_UEQ_Data_Analysis_Tool. O
xlsx O
( O
accessed O
Mar. O
19 O
, O
2023 O
) O
. O
[ O
15 O
] O
M. O
Malewicz O
and O
D. O
Malewicz O
, O
Designing O
User O
Interfaces. O
2020. O
[ O
16 O
] O
A. O
Banks O
and O
E. O
Porcello O
, O
Learning O
React O
: O
functional O
web O
development O
with O
React O
and O
Redux. O
O’Reilly O
Media O
, O
Inc. O
, O
2017. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O

Pemanfaatan O
Sumber O
Big O
Data O
dalam O
Memperkirakan O
Konsumsi O
Listrik O
Per O
Kapita O
Rumah O
Tangga O
Menggunakan O
Small O
Area O
Estimation O
( O
Studi O
Kasus O
: O
Level O
Kecamatan O
di O
Provinsi O
Jawa O
Tengah O
2021 O
) O
Raflizal O
Fikrar O
Odriansyah O
( O
221910812 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Prof. O
Setia O
Pramana O
, O
S.Si. O
, O
M.Sc. O
, O
Ph.D. O
Ringkasan— O
Konsumsi O
listrik O
di O
Indonesia O
terus O
meningkat O
dalam O
beberapa O
tahun O
terakhir O
sehingga O
perlu O
diimbangi O
dengan O
pasokan O
listrik O
yang O
cukup O
dan O
tidak O
berlebih. O
Kebijakan O
penyediaan O
energi O
listrik O
yang O
tepat O
memerlukan O
data O
konsumsi O
listrik O
yang O
akurat O
bahkan O
pada O
tingkat O
area O
kecil. O
BPS O
sebagai O
produsen O
data O
official O
statistics O
mengumpulkan O
data O
konsumsi O
listrik O
rumah O
tangga O
melalui O
Survei O
Sosial O
dan O
Ekonomi O
Nasional. O
Data O
tersebut O
dapat O
digunakan O
untuk O
menghasilkan O
estimasi O
rata-rata O
konsumsi O
listrik O
per O
kapita O
rumah O
tangga O
( O
ruta O
) O
hanya O
sampai O
pada O
tingkat O
kabupaten O
/ O
kota O
karena O
keterbatasan O
sampel. O
Oleh O
sebab O
itu O
, O
penelitian O
ini O
bertujuan O
untuk O
mengestimasi B-TUJUAN
rata- I-TUJUAN
rata I-TUJUAN
konsumsi I-TUJUAN
listrik I-TUJUAN
per I-TUJUAN
kapita I-TUJUAN
ruta I-TUJUAN
pada I-TUJUAN
tingkat I-TUJUAN
kecamatan I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
Small I-TUJUAN
Area I-TUJUAN
Estimation I-TUJUAN
( I-TUJUAN
SAE I-TUJUAN
) I-TUJUAN
dengan I-TUJUAN
memanfaatkan I-TUJUAN
informasi I-TUJUAN
tambahan I-TUJUAN
dari I-TUJUAN
sumber I-TUJUAN
big I-TUJUAN
data I-TUJUAN
dan I-TUJUAN
pendataan I-TUJUAN
potensi I-TUJUAN
desa. I-TUJUAN
Hasil O
penelitian O
menunjukkan O
bahwa O
model B-TEMUAN
SAE I-TEMUAN
Empirical I-TEMUAN
Best I-TEMUAN
Linear I-TEMUAN
Unbiased I-TEMUAN
Prediction I-TEMUAN
( I-TEMUAN
EBLUP I-TEMUAN
) I-TEMUAN
, I-TEMUAN
Spatial I-TEMUAN
EBLUP I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
Hierarchical I-TEMUAN
Bayes I-TEMUAN
( I-TEMUAN
HB I-TEMUAN
) I-TEMUAN
Lognormal I-TEMUAN
mampu I-TEMUAN
memberikan I-TEMUAN
estimasi I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
akurat I-TEMUAN
dan I-TEMUAN
presisi I-TEMUAN
dibandingkan I-TEMUAN
metode I-TEMUAN
pendugaan I-TEMUAN
langsung. I-TEMUAN
Model O
SAE O
HB O
Lognormal O
dipilih O
sebagai O
metode O
terbaik O
berdasarkan O
evaluasi O
hasil O
model. O
Kata O
Kunci— O
Listrik O
, O
Sumber O
Big O
Data O
, O
Small O
Area O
Estimation. O
[SEP] O
Dari O
hasil O
dan O
pembahasan O
diperoleh O
kesimpulan O
berikut O
: O
1. O
Penduga O
langsung O
memiliki O
nilai O
median O
RSE O
sebesar O
14,76 O
% O
dengan O
karakteristik O
data O
berdistribusi O
lognormal O
dan O
terdapat O
dependensi O
spasial O
antarwilayah O
kecamatan. O
2. O
Penduga O
HB O
Lognormal O
memiliki O
karakteristik O
nilai O
yang O
paling O
mendekati O
penduga O
langsung O
dengan O
korelasi O
Kendall-Tau O
sebesar O
0,9334. O
3. O
Model O
SAE O
HB O
Lognormal O
merupakan O
metode O
terbaik O
dalam O
mengestimasi O
nilai O
rata-rata O
konsumsi O
listrik O
per O
kapita O
ruta O
level O
kecamatan O
berdasarkan O
hasil O
evaluasi. O
4. O
Hasil B-TEMUAN
pemetaan I-TEMUAN
dari I-TEMUAN
penduga I-TEMUAN
HB I-TEMUAN
Lognormal I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
wilayah I-TEMUAN
kecamatan I-TEMUAN
dengan I-TEMUAN
tingkat I-TEMUAN
konsumsi I-TEMUAN
listrik I-TEMUAN
ruta I-TEMUAN
yang I-TEMUAN
relatif I-TEMUAN
tinggi I-TEMUAN
sebagian I-TEMUAN
besar I-TEMUAN
berada I-TEMUAN
di I-TEMUAN
daerah I-TEMUAN
perkotaan I-TEMUAN
dengan I-TEMUAN
tingkat I-TEMUAN
kesejahteraan I-TEMUAN
masyarakat I-TEMUAN
yang I-TEMUAN
juga I-TEMUAN
relatif I-TEMUAN
tinggi I-TEMUAN
, I-TEMUAN
sedangkan I-TEMUAN
wilayah I-TEMUAN
dengan I-TEMUAN
tingkat I-TEMUAN
konsumsi I-TEMUAN
listrik I-TEMUAN
ruta I-TEMUAN
yang I-TEMUAN
relatif I-TEMUAN
rendah I-TEMUAN
cenderung I-TEMUAN
sebagian I-TEMUAN
besar I-TEMUAN
berada I-TEMUAN
di I-TEMUAN
wilayah I-TEMUAN
perdesaan I-TEMUAN
dengan I-TEMUAN
tingkat I-TEMUAN
kesejahteraan I-TEMUAN
masyarakat I-TEMUAN
yang I-TEMUAN
juga I-TEMUAN
relatif I-TEMUAN
rendah. I-TEMUAN
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Pemanfaatan O
Sumber O
Big O
Data O
dalam O
Memperkirakan O
Konsumsi O
Listrik O
Per O
Kapita O
Rumah O
Tangga O
Menggunakan O
Small O
Area O
Estimation O
( O
Studi O
Kasus O
: O
Level O
Kecamatan O
di O
Provinsi O
Jawa O
Tengah O
2021 O
) O
Raflizal O
Fikrar O
Odriansyah O
( O
221910812 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Prof. O
Setia O
Pramana O
, O
S.Si. O
, O
M.Sc. O
, O
Ph.D. O
Ringkasan— O
Konsumsi O
listrik O
di O
Indonesia O
terus O
meningkat O
dalam O
beberapa O
tahun O
terakhir O
sehingga O
perlu O
diimbangi O
dengan O
pasokan O
listrik O
yang O
cukup O
dan O
tidak O
berlebih. O
Kebijakan O
penyediaan O
energi O
listrik O
yang O
tepat O
memerlukan O
data O
konsumsi O
listrik O
yang O
akurat O
bahkan O
pada O
tingkat O
area O
kecil. O
BPS O
sebagai O
produsen O
data O
official O
statistics O
mengumpulkan O
data O
konsumsi O
listrik O
rumah O
tangga O
melalui O
Survei O
Sosial O
dan O
Ekonomi O
Nasional. O
Data O
tersebut O
dapat O
digunakan O
untuk O
menghasilkan O
estimasi O
rata-rata O
konsumsi O
listrik O
per O
kapita O
rumah O
tangga O
( O
ruta O
) O
hanya O
sampai O
pada O
tingkat O
kabupaten O
/ O
kota O
karena O
keterbatasan O
sampel. O
Oleh O
sebab O
itu O
, O
penelitian O
ini O
bertujuan O
untuk O
mengestimasi B-TUJUAN
rata- I-TUJUAN
rata I-TUJUAN
konsumsi I-TUJUAN
listrik I-TUJUAN
per I-TUJUAN
kapita I-TUJUAN
ruta I-TUJUAN
pada I-TUJUAN
tingkat I-TUJUAN
kecamatan I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
Small I-TUJUAN
Area I-TUJUAN
Estimation I-TUJUAN
( I-TUJUAN
SAE I-TUJUAN
) I-TUJUAN
dengan I-TUJUAN
memanfaatkan I-TUJUAN
informasi I-TUJUAN
tambahan I-TUJUAN
dari I-TUJUAN
sumber I-TUJUAN
big I-TUJUAN
data I-TUJUAN
dan I-TUJUAN
pendataan I-TUJUAN
potensi I-TUJUAN
desa. I-TUJUAN
Hasil O
penelitian O
menunjukkan O
bahwa O
model B-TEMUAN
SAE I-TEMUAN
Empirical I-TEMUAN
Best I-TEMUAN
Linear I-TEMUAN
Unbiased I-TEMUAN
Prediction I-TEMUAN
( I-TEMUAN
EBLUP I-TEMUAN
) I-TEMUAN
, I-TEMUAN
Spatial I-TEMUAN
EBLUP I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
Hierarchical I-TEMUAN
Bayes I-TEMUAN
( I-TEMUAN
HB I-TEMUAN
) I-TEMUAN
Lognormal I-TEMUAN
mampu I-TEMUAN
memberikan I-TEMUAN
estimasi I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
akurat I-TEMUAN
dan I-TEMUAN
presisi I-TEMUAN
dibandingkan I-TEMUAN
metode I-TEMUAN
pendugaan I-TEMUAN
langsung. I-TEMUAN
Model O
SAE O
HB O
Lognormal O
dipilih O
sebagai O
metode O
terbaik O
berdasarkan O
evaluasi O
hasil O
model. O
Kata O
Kunci— O
Listrik O
, O
Sumber O
Big O
Data O
, O
Small O
Area O
Estimation. O
[SEP] O
Dari O
hasil O
dan O
pembahasan O
diperoleh O
kesimpulan O
berikut O
: O
1. O
Penduga O
langsung O
memiliki O
nilai O
median O
RSE O
sebesar O
14,76 O
% O
dengan O
karakteristik O
data O
berdistribusi O
lognormal O
dan O
terdapat O
dependensi O
spasial O
antarwilayah O
kecamatan. O
2. O
Penduga O
HB O
Lognormal O
memiliki O
karakteristik O
nilai O
yang O
paling O
mendekati O
penduga O
langsung O
dengan O
korelasi O
Kendall-Tau O
sebesar O
0,9334. O
3. O
Model O
SAE O
HB O
Lognormal O
merupakan O
metode O
terbaik O
dalam O
mengestimasi O
nilai O
rata-rata O
konsumsi O
listrik O
per O
kapita O
ruta O
level O
kecamatan O
berdasarkan O
hasil O
evaluasi. O
4. O
Hasil B-TEMUAN
pemetaan I-TEMUAN
dari I-TEMUAN
penduga I-TEMUAN
HB I-TEMUAN
Lognormal I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
wilayah I-TEMUAN
kecamatan I-TEMUAN
dengan I-TEMUAN
tingkat I-TEMUAN
konsumsi I-TEMUAN
listrik I-TEMUAN
ruta I-TEMUAN
yang I-TEMUAN
relatif I-TEMUAN
tinggi I-TEMUAN
sebagian I-TEMUAN
besar I-TEMUAN
berada I-TEMUAN
di I-TEMUAN
daerah I-TEMUAN
perkotaan I-TEMUAN
dengan I-TEMUAN
tingkat I-TEMUAN
kesejahteraan I-TEMUAN
masyarakat I-TEMUAN
yang I-TEMUAN
juga I-TEMUAN
relatif I-TEMUAN
tinggi I-TEMUAN
, I-TEMUAN
sedangkan I-TEMUAN
wilayah I-TEMUAN
dengan I-TEMUAN
tingkat I-TEMUAN
konsumsi I-TEMUAN
listrik I-TEMUAN
ruta I-TEMUAN
yang I-TEMUAN
relatif I-TEMUAN
rendah I-TEMUAN
cenderung I-TEMUAN
sebagian I-TEMUAN
besar I-TEMUAN
berada I-TEMUAN
di I-TEMUAN
wilayah I-TEMUAN
perdesaan I-TEMUAN
dengan I-TEMUAN
tingkat I-TEMUAN
kesejahteraan I-TEMUAN
masyarakat I-TEMUAN
yang I-TEMUAN
juga I-TEMUAN
relatif I-TEMUAN
rendah. I-TEMUAN
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Pemanfaatan O
Sumber O
Big O
Data O
dalam O
Memperkirakan O
Konsumsi O
Listrik O
Per O
Kapita O
Rumah O
Tangga O
Menggunakan O
Small O
Area O
Estimation O
( O
Studi O
Kasus O
: O
Level O
Kecamatan O
di O
Provinsi O
Jawa O
Tengah O
2021 O
) O
Raflizal O
Fikrar O
Odriansyah O
( O
221910812 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Prof. O
Setia O
Pramana O
, O
S.Si. O
, O
M.Sc. O
, O
Ph.D. O
Ringkasan— O
Konsumsi O
listrik O
di O
Indonesia O
terus O
meningkat O
dalam O
beberapa O
tahun O
terakhir O
sehingga O
perlu O
diimbangi O
dengan O
pasokan O
listrik O
yang O
cukup O
dan O
tidak O
berlebih. O
Kebijakan O
penyediaan O
energi O
listrik O
yang O
tepat O
memerlukan O
data O
konsumsi O
listrik O
yang O
akurat O
bahkan O
pada O
tingkat O
area O
kecil. O
BPS O
sebagai O
produsen O
data O
official O
statistics O
mengumpulkan O
data O
konsumsi O
listrik O
rumah O
tangga O
melalui O
Survei O
Sosial O
dan O
Ekonomi O
Nasional. O
Data O
tersebut O
dapat O
digunakan O
untuk O
menghasilkan O
estimasi O
rata-rata O
konsumsi O
listrik O
per O
kapita O
rumah O
tangga O
( O
ruta O
) O
hanya O
sampai O
pada O
tingkat O
kabupaten O
/ O
kota O
karena O
keterbatasan O
sampel. O
Oleh O
sebab O
itu O
, O
penelitian O
ini O
bertujuan O
untuk O
mengestimasi B-TUJUAN
rata- I-TUJUAN
rata I-TUJUAN
konsumsi I-TUJUAN
listrik I-TUJUAN
per I-TUJUAN
kapita I-TUJUAN
ruta I-TUJUAN
pada I-TUJUAN
tingkat I-TUJUAN
kecamatan I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
Small I-TUJUAN
Area I-TUJUAN
Estimation I-TUJUAN
( I-TUJUAN
SAE I-TUJUAN
) I-TUJUAN
dengan I-TUJUAN
memanfaatkan I-TUJUAN
informasi I-TUJUAN
tambahan I-TUJUAN
dari I-TUJUAN
sumber I-TUJUAN
big I-TUJUAN
data I-TUJUAN
dan I-TUJUAN
pendataan I-TUJUAN
potensi I-TUJUAN
desa. I-TUJUAN
Hasil O
penelitian O
menunjukkan O
bahwa O
model B-TEMUAN
SAE I-TEMUAN
Empirical I-TEMUAN
Best I-TEMUAN
Linear I-TEMUAN
Unbiased I-TEMUAN
Prediction I-TEMUAN
( I-TEMUAN
EBLUP I-TEMUAN
) I-TEMUAN
, I-TEMUAN
Spatial I-TEMUAN
EBLUP I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
Hierarchical I-TEMUAN
Bayes I-TEMUAN
( I-TEMUAN
HB I-TEMUAN
) I-TEMUAN
Lognormal I-TEMUAN
mampu I-TEMUAN
memberikan I-TEMUAN
estimasi I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
akurat I-TEMUAN
dan I-TEMUAN
presisi I-TEMUAN
dibandingkan I-TEMUAN
metode I-TEMUAN
pendugaan I-TEMUAN
langsung. I-TEMUAN
Model O
SAE O
HB O
Lognormal O
dipilih O
sebagai O
metode O
terbaik O
berdasarkan O
evaluasi O
hasil O
model. O
Kata O
Kunci— O
Listrik O
, O
Sumber O
Big O
Data O
, O
Small O
Area O
Estimation. O
[SEP] O
Dari O
hasil O
dan O
pembahasan O
diperoleh O
kesimpulan O
berikut O
: O
1. O
Penduga O
langsung O
memiliki O
nilai O
median O
RSE O
sebesar O
14,76 O
% O
dengan O
karakteristik O
data O
berdistribusi O
lognormal O
dan O
terdapat O
dependensi O
spasial O
antarwilayah O
kecamatan. O
2. O
Penduga O
HB O
Lognormal O
memiliki O
karakteristik O
nilai O
yang O
paling O
mendekati O
penduga O
langsung O
dengan O
korelasi O
Kendall-Tau O
sebesar O
0,9334. O
3. O
Model O
SAE O
HB O
Lognormal O
merupakan O
metode O
terbaik O
dalam O
mengestimasi O
nilai O
rata-rata O
konsumsi O
listrik O
per O
kapita O
ruta O
level O
kecamatan O
berdasarkan O
hasil O
evaluasi. O
4. O
Hasil B-TEMUAN
pemetaan I-TEMUAN
dari I-TEMUAN
penduga I-TEMUAN
HB I-TEMUAN
Lognormal I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
wilayah I-TEMUAN
kecamatan I-TEMUAN
dengan I-TEMUAN
tingkat I-TEMUAN
konsumsi I-TEMUAN
listrik I-TEMUAN
ruta I-TEMUAN
yang I-TEMUAN
relatif I-TEMUAN
tinggi I-TEMUAN
sebagian I-TEMUAN
besar I-TEMUAN
berada I-TEMUAN
di I-TEMUAN
daerah I-TEMUAN
perkotaan I-TEMUAN
dengan I-TEMUAN
tingkat I-TEMUAN
kesejahteraan I-TEMUAN
masyarakat I-TEMUAN
yang I-TEMUAN
juga I-TEMUAN
relatif I-TEMUAN
tinggi I-TEMUAN
, I-TEMUAN
sedangkan I-TEMUAN
wilayah I-TEMUAN
dengan I-TEMUAN
tingkat I-TEMUAN
konsumsi I-TEMUAN
listrik I-TEMUAN
ruta I-TEMUAN
yang I-TEMUAN
relatif I-TEMUAN
rendah I-TEMUAN
cenderung I-TEMUAN
sebagian I-TEMUAN
besar I-TEMUAN
berada I-TEMUAN
di I-TEMUAN
wilayah I-TEMUAN
perdesaan I-TEMUAN
dengan I-TEMUAN
tingkat I-TEMUAN
kesejahteraan I-TEMUAN
masyarakat I-TEMUAN
yang I-TEMUAN
juga I-TEMUAN
relatif I-TEMUAN
rendah. I-TEMUAN
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Pemanfaatan O
Sumber O
Big O
Data O
dalam O
Memperkirakan O
Konsumsi O
Listrik O
Per O
Kapita O
Rumah O
Tangga O
Menggunakan O
Small O
Area O
Estimation O
( O
Studi O
Kasus O
: O
Level O
Kecamatan O
di O
Provinsi O
Jawa O
Tengah O
2021 O
) O
Raflizal O
Fikrar O
Odriansyah O
( O
221910812 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Prof. O
Setia O
Pramana O
, O
S.Si. O
, O
M.Sc. O
, O
Ph.D. O
Ringkasan— O
Konsumsi O
listrik O
di O
Indonesia O
terus O
meningkat O
dalam O
beberapa O
tahun O
terakhir O
sehingga O
perlu O
diimbangi O
dengan O
pasokan O
listrik O
yang O
cukup O
dan O
tidak O
berlebih. O
Kebijakan O
penyediaan O
energi O
listrik O
yang O
tepat O
memerlukan O
data O
konsumsi O
listrik O
yang O
akurat O
bahkan O
pada O
tingkat O
area O
kecil. O
BPS O
sebagai O
produsen O
data O
official O
statistics O
mengumpulkan O
data O
konsumsi O
listrik O
rumah O
tangga O
melalui O
Survei O
Sosial O
dan O
Ekonomi O
Nasional. O
Data O
tersebut O
dapat O
digunakan O
untuk O
menghasilkan O
estimasi O
rata-rata O
konsumsi O
listrik O
per O
kapita O
rumah O
tangga O
( O
ruta O
) O
hanya O
sampai O
pada O
tingkat O
kabupaten O
/ O
kota O
karena O
keterbatasan O
sampel. O
Oleh O
sebab O
itu O
, O
penelitian O
ini O
bertujuan O
untuk O
mengestimasi B-TUJUAN
rata- I-TUJUAN
rata I-TUJUAN
konsumsi I-TUJUAN
listrik I-TUJUAN
per I-TUJUAN
kapita I-TUJUAN
ruta I-TUJUAN
pada I-TUJUAN
tingkat I-TUJUAN
kecamatan I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
Small I-TUJUAN
Area I-TUJUAN
Estimation I-TUJUAN
( I-TUJUAN
SAE I-TUJUAN
) I-TUJUAN
dengan I-TUJUAN
memanfaatkan I-TUJUAN
informasi I-TUJUAN
tambahan I-TUJUAN
dari I-TUJUAN
sumber I-TUJUAN
big I-TUJUAN
data I-TUJUAN
dan I-TUJUAN
pendataan I-TUJUAN
potensi I-TUJUAN
desa. I-TUJUAN
Hasil O
penelitian O
menunjukkan O
bahwa O
model B-TEMUAN
SAE I-TEMUAN
Empirical I-TEMUAN
Best I-TEMUAN
Linear I-TEMUAN
Unbiased I-TEMUAN
Prediction I-TEMUAN
( I-TEMUAN
EBLUP I-TEMUAN
) I-TEMUAN
, I-TEMUAN
Spatial I-TEMUAN
EBLUP I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
Hierarchical I-TEMUAN
Bayes I-TEMUAN
( I-TEMUAN
HB I-TEMUAN
) I-TEMUAN
Lognormal I-TEMUAN
mampu I-TEMUAN
memberikan I-TEMUAN
estimasi I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
akurat I-TEMUAN
dan I-TEMUAN
presisi I-TEMUAN
dibandingkan I-TEMUAN
metode I-TEMUAN
pendugaan I-TEMUAN
langsung. I-TEMUAN
Model O
SAE O
HB O
Lognormal O
dipilih O
sebagai O
metode O
terbaik O
berdasarkan O
evaluasi O
hasil O
model. O
Kata O
Kunci— O
Listrik O
, O
Sumber O
Big O
Data O
, O
Small O
Area O
Estimation. O
[SEP] O
Dari O
hasil O
dan O
pembahasan O
diperoleh O
kesimpulan O
berikut O
: O
1. O
Penduga O
langsung O
memiliki O
nilai O
median O
RSE O
sebesar O
14,76 O
% O
dengan O
karakteristik O
data O
berdistribusi O
lognormal O
dan O
terdapat O
dependensi O
spasial O
antarwilayah O
kecamatan. O
2. O
Penduga O
HB O
Lognormal O
memiliki O
karakteristik O
nilai O
yang O
paling O
mendekati O
penduga O
langsung O
dengan O
korelasi O
Kendall-Tau O
sebesar O
0,9334. O
3. O
Model O
SAE O
HB O
Lognormal O
merupakan O
metode O
terbaik O
dalam O
mengestimasi O
nilai O
rata-rata O
konsumsi O
listrik O
per O
kapita O
ruta O
level O
kecamatan O
berdasarkan O
hasil O
evaluasi. O
4. O
Hasil B-TEMUAN
pemetaan I-TEMUAN
dari I-TEMUAN
penduga I-TEMUAN
HB I-TEMUAN
Lognormal I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
wilayah I-TEMUAN
kecamatan I-TEMUAN
dengan I-TEMUAN
tingkat I-TEMUAN
konsumsi I-TEMUAN
listrik I-TEMUAN
ruta I-TEMUAN
yang I-TEMUAN
relatif I-TEMUAN
tinggi I-TEMUAN
sebagian I-TEMUAN
besar I-TEMUAN
berada I-TEMUAN
di I-TEMUAN
daerah I-TEMUAN
perkotaan I-TEMUAN
dengan I-TEMUAN
tingkat I-TEMUAN
kesejahteraan I-TEMUAN
masyarakat I-TEMUAN
yang I-TEMUAN
juga I-TEMUAN
relatif I-TEMUAN
tinggi I-TEMUAN
, I-TEMUAN
sedangkan I-TEMUAN
wilayah I-TEMUAN
dengan I-TEMUAN
tingkat I-TEMUAN
konsumsi I-TEMUAN
listrik I-TEMUAN
ruta I-TEMUAN
yang I-TEMUAN
relatif I-TEMUAN
rendah I-TEMUAN
cenderung I-TEMUAN
sebagian I-TEMUAN
besar I-TEMUAN
berada I-TEMUAN
di I-TEMUAN
wilayah I-TEMUAN
perdesaan I-TEMUAN
dengan I-TEMUAN
tingkat I-TEMUAN
kesejahteraan I-TEMUAN
masyarakat I-TEMUAN
yang I-TEMUAN
juga I-TEMUAN
relatif I-TEMUAN
rendah. I-TEMUAN
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Implementasi O
Model O
Validasi O
Dokumen O
pada O
Aplikasi O
SPI O
Online O
Inspektorat O
Utama O
BPS O
RI O
dengan O
Metode O
REST O
API O
Berbasis O
Microservice O
Rahmanda O
Surya O
( O
221910809 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Inspektorat O
Utama O
merupakan O
bagian O
dari O
struktur O
organisasi O
BPS O
yang O
bertugas O
melaksanakan O
pengawasan O
fungsional O
terhadap O
pelaksanaan O
tugas O
di O
tingkat O
internal O
BPS. O
Kegiatannya O
berupa O
audit O
, O
reviu O
, O
evaluasi O
, O
dan O
pengawasan O
lainnya O
yang O
didukung O
oleh O
beberapa O
sistem O
informasi O
termasuk O
SPI O
Online O
agar O
lebih O
efisien. O
Akan O
tetapi O
, O
dalam O
proses O
bisnisnya O
masih O
terdapat O
inefisisensi O
yaitu O
pada O
proses O
validasi O
dokumen O
yang O
masih O
dilakukan O
secara O
manual O
oleh O
petugas O
auditor. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
berusaha O
membantu B-TUJUAN
meningkatkan I-TUJUAN
efisiensi I-TUJUAN
proses I-TUJUAN
tersebut I-TUJUAN
dengan I-TUJUAN
membuat I-TUJUAN
aplikasi I-TUJUAN
web I-TUJUAN
berbasis I-TUJUAN
microservice I-TUJUAN
yang I-TUJUAN
memanfaatkan I-TUJUAN
metode I-TUJUAN
REST I-TUJUAN
API I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
melakukan I-TUJUAN
validasi I-TUJUAN
dokumen I-TUJUAN
secara I-TUJUAN
otomatis I-TUJUAN
dengan O
menerapkan O
model O
yang O
dibuat O
dalam O
penelitian O
sistem O
yang O
digunakan O
adalah O
waterfall B-METODE
dengan I-METODE
framework I-METODE
berbasis I-METODE
Python I-METODE
yaitu O
FastAPI O
serta O
Uvicorn O
dalam O
backend O
sistem. O
Sistem B-TEMUAN
yang I-TEMUAN
dibuat I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
berjalan I-TEMUAN
dan I-TEMUAN
telah I-TEMUAN
diuji I-TEMUAN
baik I-TEMUAN
dari I-TEMUAN
sisi I-TEMUAN
library I-TEMUAN
Pytest I-TEMUAN
maupun I-TEMUAN
performa I-TEMUAN
fungsional I-TEMUAN
menggunakan I-TEMUAN
dengan I-TEMUAN
Locust I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
memenuhi I-TEMUAN
tujuan. I-TEMUAN
terpisah. O
Metode O
pengembangan O
Kata O
Kunci—Microservice O
, O
FastAPI O
, O
Stress O
and O
Load O
Testing O
, O
Pytest O
, O
Locust. O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan. O
1 O
) O
Pengembangan O
sistem O
yang O
dapat O
melakukan O
validasi O
dan O
frontend O
sebagai O
dapat O
dokumen O
diimplementasikannya O
pada O
aplikasi O
representasi O
SPI O
Online. O
dilakukan O
otomatis O
secara O

Implementasi O
Model O
Validasi O
Dokumen O
pada O
Aplikasi O
SPI O
Online O
Inspektorat O
Utama O
BPS O
RI O
dengan O
Metode O
REST O
API O
Berbasis O
Microservice O
Rahmanda O
Surya O
( O
221910809 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Inspektorat O
Utama O
merupakan O
bagian O
dari O
struktur O
organisasi O
BPS O
yang O
bertugas O
melaksanakan O
pengawasan O
fungsional O
terhadap O
pelaksanaan O
tugas O
di O
tingkat O
internal O
BPS. O
Kegiatannya O
berupa O
audit O
, O
reviu O
, O
evaluasi O
, O
dan O
pengawasan O
lainnya O
yang O
didukung O
oleh O
beberapa O
sistem O
informasi O
termasuk O
SPI O
Online O
agar O
lebih O
efisien. O
Akan O
tetapi O
, O
dalam O
proses O
bisnisnya O
masih O
terdapat O
inefisisensi O
yaitu O
pada O
proses O
validasi O
dokumen O
yang O
masih O
dilakukan O
secara O
manual O
oleh O
petugas O
auditor. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
berusaha O
membantu B-TUJUAN
meningkatkan I-TUJUAN
efisiensi I-TUJUAN
proses I-TUJUAN
tersebut I-TUJUAN
dengan I-TUJUAN
membuat I-TUJUAN
aplikasi I-TUJUAN
web I-TUJUAN
berbasis I-TUJUAN
microservice I-TUJUAN
yang I-TUJUAN
memanfaatkan I-TUJUAN
metode I-TUJUAN
REST I-TUJUAN
API I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
melakukan I-TUJUAN
validasi I-TUJUAN
dokumen I-TUJUAN
secara I-TUJUAN
otomatis I-TUJUAN
dengan O
menerapkan O
model O
yang O
dibuat O
dalam O
penelitian O
sistem O
yang O
digunakan O
adalah O
waterfall B-METODE
dengan I-METODE
framework I-METODE
berbasis I-METODE
Python I-METODE
yaitu O
FastAPI O
serta O
Uvicorn O
dalam O
backend O
sistem. O
Sistem B-TEMUAN
yang I-TEMUAN
dibuat I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
berjalan I-TEMUAN
dan I-TEMUAN
telah I-TEMUAN
diuji I-TEMUAN
baik I-TEMUAN
dari I-TEMUAN
sisi I-TEMUAN
library I-TEMUAN
Pytest I-TEMUAN
maupun I-TEMUAN
performa I-TEMUAN
fungsional I-TEMUAN
menggunakan I-TEMUAN
dengan I-TEMUAN
Locust I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
memenuhi I-TEMUAN
tujuan. I-TEMUAN
terpisah. O
Metode O
pengembangan O
Kata O
Kunci—Microservice O
, O
FastAPI O
, O
Stress O
and O
Load O
Testing O
, O
Pytest O
, O
Locust. O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan. O
1 O
) O
Pengembangan O
sistem O
yang O
dapat O
melakukan O
validasi O
dan O
frontend O
sebagai O
dapat O
dokumen O
diimplementasikannya O
pada O
aplikasi O
representasi O
SPI O
Online. O
dilakukan O
otomatis O
secara O

Implementasi O
Model O
Validasi O
Dokumen O
pada O
Aplikasi O
SPI O
Online O
Inspektorat O
Utama O
BPS O
RI O
dengan O
Metode O
REST O
API O
Berbasis O
Microservice O
Rahmanda O
Surya O
( O
221910809 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Inspektorat O
Utama O
merupakan O
bagian O
dari O
struktur O
organisasi O
BPS O
yang O
bertugas O
melaksanakan O
pengawasan O
fungsional O
terhadap O
pelaksanaan O
tugas O
di O
tingkat O
internal O
BPS. O
Kegiatannya O
berupa O
audit O
, O
reviu O
, O
evaluasi O
, O
dan O
pengawasan O
lainnya O
yang O
didukung O
oleh O
beberapa O
sistem O
informasi O
termasuk O
SPI O
Online O
agar O
lebih O
efisien. O
Akan O
tetapi O
, O
dalam O
proses O
bisnisnya O
masih O
terdapat O
inefisisensi O
yaitu O
pada O
proses O
validasi O
dokumen O
yang O
masih O
dilakukan O
secara O
manual O
oleh O
petugas O
auditor. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
berusaha O
membantu B-TUJUAN
meningkatkan I-TUJUAN
efisiensi I-TUJUAN
proses I-TUJUAN
tersebut I-TUJUAN
dengan I-TUJUAN
membuat I-TUJUAN
aplikasi I-TUJUAN
web I-TUJUAN
berbasis I-TUJUAN
microservice I-TUJUAN
yang I-TUJUAN
memanfaatkan I-TUJUAN
metode I-TUJUAN
REST I-TUJUAN
API I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
melakukan I-TUJUAN
validasi I-TUJUAN
dokumen I-TUJUAN
secara I-TUJUAN
otomatis I-TUJUAN
dengan O
menerapkan O
model O
yang O
dibuat O
dalam O
penelitian O
sistem O
yang O
digunakan O
adalah O
waterfall B-METODE
dengan I-METODE
framework I-METODE
berbasis I-METODE
Python I-METODE
yaitu O
FastAPI O
serta O
Uvicorn O
dalam O
backend O
sistem. O
Sistem B-TEMUAN
yang I-TEMUAN
dibuat I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
berjalan I-TEMUAN
dan I-TEMUAN
telah I-TEMUAN
diuji I-TEMUAN
baik I-TEMUAN
dari I-TEMUAN
sisi I-TEMUAN
library I-TEMUAN
Pytest I-TEMUAN
maupun I-TEMUAN
performa I-TEMUAN
fungsional I-TEMUAN
menggunakan I-TEMUAN
dengan I-TEMUAN
Locust I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
memenuhi I-TEMUAN
tujuan. I-TEMUAN
terpisah. O
Metode O
pengembangan O
Kata O
Kunci—Microservice O
, O
FastAPI O
, O
Stress O
and O
Load O
Testing O
, O
Pytest O
, O
Locust. O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan. O
1 O
) O
Pengembangan O
sistem O
yang O
dapat O
melakukan O
validasi O
dan O
frontend O
sebagai O
dapat O
dokumen O
diimplementasikannya O
pada O
aplikasi O
representasi O
SPI O
Online. O
dilakukan O
otomatis O
secara O

Implementasi O
Model O
Validasi O
Dokumen O
pada O
Aplikasi O
SPI O
Online O
Inspektorat O
Utama O
BPS O
RI O
dengan O
Metode O
REST O
API O
Berbasis O
Microservice O
Rahmanda O
Surya O
( O
221910809 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Inspektorat O
Utama O
merupakan O
bagian O
dari O
struktur O
organisasi O
BPS O
yang O
bertugas O
melaksanakan O
pengawasan O
fungsional O
terhadap O
pelaksanaan O
tugas O
di O
tingkat O
internal O
BPS. O
Kegiatannya O
berupa O
audit O
, O
reviu O
, O
evaluasi O
, O
dan O
pengawasan O
lainnya O
yang O
didukung O
oleh O
beberapa O
sistem O
informasi O
termasuk O
SPI O
Online O
agar O
lebih O
efisien. O
Akan O
tetapi O
, O
dalam O
proses O
bisnisnya O
masih O
terdapat O
inefisisensi O
yaitu O
pada O
proses O
validasi O
dokumen O
yang O
masih O
dilakukan O
secara O
manual O
oleh O
petugas O
auditor. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
berusaha O
membantu B-TUJUAN
meningkatkan I-TUJUAN
efisiensi I-TUJUAN
proses I-TUJUAN
tersebut I-TUJUAN
dengan I-TUJUAN
membuat I-TUJUAN
aplikasi I-TUJUAN
web I-TUJUAN
berbasis I-TUJUAN
microservice I-TUJUAN
yang I-TUJUAN
memanfaatkan I-TUJUAN
metode I-TUJUAN
REST I-TUJUAN
API I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
melakukan I-TUJUAN
validasi I-TUJUAN
dokumen I-TUJUAN
secara I-TUJUAN
otomatis I-TUJUAN
dengan O
menerapkan O
model O
yang O
dibuat O
dalam O
penelitian O
sistem O
yang O
digunakan O
adalah O
waterfall B-METODE
dengan I-METODE
framework I-METODE
berbasis I-METODE
Python I-METODE
yaitu O
FastAPI O
serta O
Uvicorn O
dalam O
backend O
sistem. O
Sistem B-TEMUAN
yang I-TEMUAN
dibuat I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
berjalan I-TEMUAN
dan I-TEMUAN
telah I-TEMUAN
diuji I-TEMUAN
baik I-TEMUAN
dari I-TEMUAN
sisi I-TEMUAN
library I-TEMUAN
Pytest I-TEMUAN
maupun I-TEMUAN
performa I-TEMUAN
fungsional I-TEMUAN
menggunakan I-TEMUAN
dengan I-TEMUAN
Locust I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
memenuhi I-TEMUAN
tujuan. I-TEMUAN
terpisah. O
Metode O
pengembangan O
Kata O
Kunci—Microservice O
, O
FastAPI O
, O
Stress O
and O
Load O
Testing O
, O
Pytest O
, O
Locust. O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan. O
1 O
) O
Pengembangan O
sistem O
yang O
dapat O
melakukan O
validasi O
dan O
frontend O
sebagai O
dapat O
dokumen O
diimplementasikannya O
pada O
aplikasi O
representasi O
SPI O
Online. O
dilakukan O
otomatis O
secara O

Pemodelan O
Klasifikasi O
Lahan O
dan O
Fase O
tanam O
Jagung O
Menggunakan O
Titik O
Amatan O
KSA O
Dengan O
Metode O
Hybrid O
CNN O
dan O
SMOTE O
Rifky O
Hidayattullah O
( O
221910799 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Rani O
Nooraeni O
, O
M.Stat. O
lain O
sebagainya. O
Maka O
dari O
Abstrak—Pada O
tahun O
2020 O
, O
BPS O
dan O
BPPT O
mengembangkan O
Survei O
Kerangka O
Sampel O
Area O
( O
KSA O
) O
untuk O
tanaman O
jagung O
untuk O
mendapatkan O
data O
ketahanan O
pangan O
yang O
akurat O
dan O
presisi. O
Disisi O
lain O
, O
Survei O
KSA O
memiliki O
beberapa O
kelemahan O
dalam O
penerapannya O
yaitu O
tidak O
bisa O
menelusuri O
area O
yang O
tidak O
dapat O
dijangkau O
, O
dan O
itu O
dimanfaatkan O
remote O
sensing O
sebagai O
teknik O
pengumpulan O
data.. O
Penelitian O
ini O
bertujuan O
untuk O
mendapatkan B-TUJUAN
model I-TUJUAN
klasifikasi I-TUJUAN
lahan I-TUJUAN
jagung I-TUJUAN
dan I-TUJUAN
fase I-TUJUAN
tanam I-TUJUAN
jagung I-TUJUAN
terbaik I-TUJUAN
menggunakan I-TUJUAN
machine I-TUJUAN
learning I-TUJUAN
dan I-TUJUAN
deep I-TUJUAN
learning I-TUJUAN
serta I-TUJUAN
metode I-TUJUAN
SMOTE. I-TUJUAN
Hasil O
penelitian O
menunjukan O
bahwa O
model B-TEMUAN
terbaik I-TEMUAN
klasifikasi I-TEMUAN
lahan I-TEMUAN
dan I-TEMUAN
fase I-TEMUAN
tanam I-TEMUAN
jagung I-TEMUAN
masing-masing I-TEMUAN
yaitu I-TEMUAN
CNN-1D-SMOTE I-TEMUAN
2 I-TEMUAN
label I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
85 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
presisi I-TEMUAN
79 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
f1-score I-TEMUAN
70 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
SVM I-TEMUAN
tanpa I-TEMUAN
SMOTE I-TEMUAN
akurasi I-TEMUAN
58 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
presisi I-TEMUAN
59.5 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
sensitivitas I-TEMUAN
54 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
f1-score I-TEMUAN
55.7 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Kemudian O
didapatkan O
estimasi O
luas O
tanam O
jagung O
untuk O
tahun O
2021 O
sebesar O
36.049,15 O
ha. O
Kata O
Kunci— O
klasifikasi O
lahan O
dan O
fase O
jagung O
, O
estimasi O
luas O
tanam O
jagung O
, O
remote O
sensing O
, O
machine O
learning O
& O
deep O
learning O
, O
SMOTE. O
[SEP] O
dapat O
bahwa O
disimpulkan O
ditingkatkan O
Berdasarkan O
hasil O
penelitian O
, O
untuk O
klasifikasi O
lahan O
jagung O
dapat O
atau O
mengoptimasi O
model. O
Dengan O
melakukan O
optimasi O
seperti O
mengoptimalkan O
preprocessing O
yang O
tepat O
seperti O
mengatasi O
data O
outlier O
, O
mereduksi O
resampling O
data O
menggunakan O
metode O
SMOTE O
didapatkan O
model O
terbaik O
yaitu O
CNN-1D O
2 O
label O
dengan O
akurasi O
85 O
% O
, O
presisi O
79 O
% O
, O
sensitivitas O
63 O
% O
dan O
f1-score O
70 O
% O
. O
label O
dan O
Untuk O
klasifikasi O
fase O
tanam O
jagung O
dengan O
perlakuan O
sama O
dengan O
klasifikasi O
lahan O
jagung O
, O
didapatkan O
model O
terbaik O
yaitu O
SVM O
tanpa O
resampling O
SMOTE O
dengan O
akurasi O
58 O
% O
, O
presisi O
59.5 O
% O
, O
sensitivitas O
54 O
% O
, O
dan O
f1-score O
55.7 O
% O
dengan O
parameter O
terbaik O
{ O
'C O
' O
: O
100 O
, O
'gamma O
' O
: O
1 O
, O
'kernel O
' O
: O
'poly O
' O
} O
. O
Hasil O
tersebut O
dipengaruhi O
kondisi O
untuk O
tiap O
fasenya O
hampir O
sama. O
lahan O
jagung O
, O
didapatkan O
estimasi O
luas O
tanam O
jagung O
yaitu O
36.046,15 O
ha O
di O
tahun O
2021. O
Berdasarkan O
model O
terbaik O
klasifikasi O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O

Pemodelan O
Klasifikasi O
Lahan O
dan O
Fase O
tanam O
Jagung O
Menggunakan O
Titik O
Amatan O
KSA O
Dengan O
Metode O
Hybrid O
CNN O
dan O
SMOTE O
Rifky O
Hidayattullah O
( O
221910799 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Rani O
Nooraeni O
, O
M.Stat. O
lain O
sebagainya. O
Maka O
dari O
Abstrak—Pada O
tahun O
2020 O
, O
BPS O
dan O
BPPT O
mengembangkan O
Survei O
Kerangka O
Sampel O
Area O
( O
KSA O
) O
untuk O
tanaman O
jagung O
untuk O
mendapatkan O
data O
ketahanan O
pangan O
yang O
akurat O
dan O
presisi. O
Disisi O
lain O
, O
Survei O
KSA O
memiliki O
beberapa O
kelemahan O
dalam O
penerapannya O
yaitu O
tidak O
bisa O
menelusuri O
area O
yang O
tidak O
dapat O
dijangkau O
, O
dan O
itu O
dimanfaatkan O
remote O
sensing O
sebagai O
teknik O
pengumpulan O
data.. O
Penelitian O
ini O
bertujuan O
untuk O
mendapatkan B-TUJUAN
model I-TUJUAN
klasifikasi I-TUJUAN
lahan I-TUJUAN
jagung I-TUJUAN
dan I-TUJUAN
fase I-TUJUAN
tanam I-TUJUAN
jagung I-TUJUAN
terbaik I-TUJUAN
menggunakan I-TUJUAN
machine I-TUJUAN
learning I-TUJUAN
dan I-TUJUAN
deep I-TUJUAN
learning I-TUJUAN
serta I-TUJUAN
metode I-TUJUAN
SMOTE. I-TUJUAN
Hasil O
penelitian O
menunjukan O
bahwa O
model B-TEMUAN
terbaik I-TEMUAN
klasifikasi I-TEMUAN
lahan I-TEMUAN
dan I-TEMUAN
fase I-TEMUAN
tanam I-TEMUAN
jagung I-TEMUAN
masing-masing I-TEMUAN
yaitu I-TEMUAN
CNN-1D-SMOTE I-TEMUAN
2 I-TEMUAN
label I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
85 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
presisi I-TEMUAN
79 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
f1-score I-TEMUAN
70 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
SVM I-TEMUAN
tanpa I-TEMUAN
SMOTE I-TEMUAN
akurasi I-TEMUAN
58 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
presisi I-TEMUAN
59.5 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
sensitivitas I-TEMUAN
54 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
f1-score I-TEMUAN
55.7 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Kemudian O
didapatkan O
estimasi O
luas O
tanam O
jagung O
untuk O
tahun O
2021 O
sebesar O
36.049,15 O
ha. O
Kata O
Kunci— O
klasifikasi O
lahan O
dan O
fase O
jagung O
, O
estimasi O
luas O
tanam O
jagung O
, O
remote O
sensing O
, O
machine O
learning O
& O
deep O
learning O
, O
SMOTE. O
[SEP] O
dapat O
bahwa O
disimpulkan O
ditingkatkan O
Berdasarkan O
hasil O
penelitian O
, O
untuk O
klasifikasi O
lahan O
jagung O
dapat O
atau O
mengoptimasi O
model. O
Dengan O
melakukan O
optimasi O
seperti O
mengoptimalkan O
preprocessing O
yang O
tepat O
seperti O
mengatasi O
data O
outlier O
, O
mereduksi O
resampling O
data O
menggunakan O
metode O
SMOTE O
didapatkan O
model O
terbaik O
yaitu O
CNN-1D O
2 O
label O
dengan O
akurasi O
85 O
% O
, O
presisi O
79 O
% O
, O
sensitivitas O
63 O
% O
dan O
f1-score O
70 O
% O
. O
label O
dan O
Untuk O
klasifikasi O
fase O
tanam O
jagung O
dengan O
perlakuan O
sama O
dengan O
klasifikasi O
lahan O
jagung O
, O
didapatkan O
model O
terbaik O
yaitu O
SVM O
tanpa O
resampling O
SMOTE O
dengan O
akurasi O
58 O
% O
, O
presisi O
59.5 O
% O
, O
sensitivitas O
54 O
% O
, O
dan O
f1-score O
55.7 O
% O
dengan O
parameter O
terbaik O
{ O
'C O
' O
: O
100 O
, O
'gamma O
' O
: O
1 O
, O
'kernel O
' O
: O
'poly O
' O
} O
. O
Hasil O
tersebut O
dipengaruhi O
kondisi O
untuk O
tiap O
fasenya O
hampir O
sama. O
lahan O
jagung O
, O
didapatkan O
estimasi O
luas O
tanam O
jagung O
yaitu O
36.046,15 O
ha O
di O
tahun O
2021. O
Berdasarkan O
model O
terbaik O
klasifikasi O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O

Pemodelan O
Klasifikasi O
Lahan O
dan O
Fase O
tanam O
Jagung O
Menggunakan O
Titik O
Amatan O
KSA O
Dengan O
Metode O
Hybrid O
CNN O
dan O
SMOTE O
Rifky O
Hidayattullah O
( O
221910799 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Rani O
Nooraeni O
, O
M.Stat. O
lain O
sebagainya. O
Maka O
dari O
Abstrak—Pada O
tahun O
2020 O
, O
BPS O
dan O
BPPT O
mengembangkan O
Survei O
Kerangka O
Sampel O
Area O
( O
KSA O
) O
untuk O
tanaman O
jagung O
untuk O
mendapatkan O
data O
ketahanan O
pangan O
yang O
akurat O
dan O
presisi. O
Disisi O
lain O
, O
Survei O
KSA O
memiliki O
beberapa O
kelemahan O
dalam O
penerapannya O
yaitu O
tidak O
bisa O
menelusuri O
area O
yang O
tidak O
dapat O
dijangkau O
, O
dan O
itu O
dimanfaatkan O
remote O
sensing O
sebagai O
teknik O
pengumpulan O
data.. O
Penelitian O
ini O
bertujuan O
untuk O
mendapatkan B-TUJUAN
model I-TUJUAN
klasifikasi I-TUJUAN
lahan I-TUJUAN
jagung I-TUJUAN
dan I-TUJUAN
fase I-TUJUAN
tanam I-TUJUAN
jagung I-TUJUAN
terbaik I-TUJUAN
menggunakan I-TUJUAN
machine I-TUJUAN
learning I-TUJUAN
dan I-TUJUAN
deep I-TUJUAN
learning I-TUJUAN
serta I-TUJUAN
metode I-TUJUAN
SMOTE. I-TUJUAN
Hasil O
penelitian O
menunjukan O
bahwa O
model B-TEMUAN
terbaik I-TEMUAN
klasifikasi I-TEMUAN
lahan I-TEMUAN
dan I-TEMUAN
fase I-TEMUAN
tanam I-TEMUAN
jagung I-TEMUAN
masing-masing I-TEMUAN
yaitu I-TEMUAN
CNN-1D-SMOTE I-TEMUAN
2 I-TEMUAN
label I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
85 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
presisi I-TEMUAN
79 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
f1-score I-TEMUAN
70 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
SVM I-TEMUAN
tanpa I-TEMUAN
SMOTE I-TEMUAN
akurasi I-TEMUAN
58 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
presisi I-TEMUAN
59.5 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
sensitivitas I-TEMUAN
54 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
f1-score I-TEMUAN
55.7 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Kemudian O
didapatkan O
estimasi O
luas O
tanam O
jagung O
untuk O
tahun O
2021 O
sebesar O
36.049,15 O
ha. O
Kata O
Kunci— O
klasifikasi O
lahan O
dan O
fase O
jagung O
, O
estimasi O
luas O
tanam O
jagung O
, O
remote O
sensing O
, O
machine O
learning O
& O
deep O
learning O
, O
SMOTE. O
[SEP] O
dapat O
bahwa O
disimpulkan O
ditingkatkan O
Berdasarkan O
hasil O
penelitian O
, O
untuk O
klasifikasi O
lahan O
jagung O
dapat O
atau O
mengoptimasi O
model. O
Dengan O
melakukan O
optimasi O
seperti O
mengoptimalkan O
preprocessing O
yang O
tepat O
seperti O
mengatasi O
data O
outlier O
, O
mereduksi O
resampling O
data O
menggunakan O
metode O
SMOTE O
didapatkan O
model O
terbaik O
yaitu O
CNN-1D O
2 O
label O
dengan O
akurasi O
85 O
% O
, O
presisi O
79 O
% O
, O
sensitivitas O
63 O
% O
dan O
f1-score O
70 O
% O
. O
label O
dan O
Untuk O
klasifikasi O
fase O
tanam O
jagung O
dengan O
perlakuan O
sama O
dengan O
klasifikasi O
lahan O
jagung O
, O
didapatkan O
model O
terbaik O
yaitu O
SVM O
tanpa O
resampling O
SMOTE O
dengan O
akurasi O
58 O
% O
, O
presisi O
59.5 O
% O
, O
sensitivitas O
54 O
% O
, O
dan O
f1-score O
55.7 O
% O
dengan O
parameter O
terbaik O
{ O
'C O
' O
: O
100 O
, O
'gamma O
' O
: O
1 O
, O
'kernel O
' O
: O
'poly O
' O
} O
. O
Hasil O
tersebut O
dipengaruhi O
kondisi O
untuk O
tiap O
fasenya O
hampir O
sama. O
lahan O
jagung O
, O
didapatkan O
estimasi O
luas O
tanam O
jagung O
yaitu O
36.046,15 O
ha O
di O
tahun O
2021. O
Berdasarkan O
model O
terbaik O
klasifikasi O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O

Modul O
Layanan O
Konsultasi O
Online O
dan O
Artikel O
Ilmiah O
Pada O
Pojok O
Statistik O
Virtual O
Fahmi O
Muhammad O
Sahal O
( O
221910796 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I. O
Ringkasan— O
Pojok O
Statistik O
merupakan O
layanan O
kolaboratif O
antara O
BPS O
dan O
Perguruan O
Tinggi. O
Dalam O
langkah O
untuk O
mencapai O
target O
pada O
Renstra O
BPS O
2020-2024 O
dan O
target O
RB O
BPS O
, O
dibangunlah O
Pojok O
Statistik O
Virtual O
untuk O
mengoptimalisasi O
kegiatan O
yang O
ada O
pada O
Pojok O
Statistik O
Offline. O
Namun O
fitur O
yang O
dibangun O
belum O
sesuai O
ataupun O
memenuhi O
kriteria O
dari O
Pojok O
Statistik O
Offline. O
Dari O
hasil O
wawancara O
dengan O
Tim O
Pojok O
Statistik O
BPS O
, O
terdapat O
beberapa O
rencana O
penambahan O
atau O
perbaikan O
fitur O
pada O
Pojok O
Statistik O
Virtual O
yang O
diantaranya O
adalah O
penambahan O
modul O
konsultasi O
online O
dan O
artikel O
ilmiah. O
Maka O
dari O
itu O
, O
penelitian O
ini O
bertujuan O
menambahkan B-TUJUAN
fitur I-TUJUAN
layanan I-TUJUAN
konsultasi I-TUJUAN
online I-TUJUAN
dan I-TUJUAN
artikel I-TUJUAN
ilmiah I-TUJUAN
pada I-TUJUAN
Pojok I-TUJUAN
Statistik I-TUJUAN
Virtual. I-TUJUAN
Proses I-TUJUAN
pengembangan I-TUJUAN
sistem I-TUJUAN
ini I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
Prototyping. I-TUJUAN
Implementasi I-TUJUAN
program I-TUJUAN
pada I-TUJUAN
sistem I-TUJUAN
menggunakan I-TUJUAN
framework I-TUJUAN
Laravel. I-TUJUAN
Evaluasi O
sistem O
dilakukan O
dengan O
black-box B-METODE
testing I-METODE
dan O
uji O
usability O
menggunakan O
USE B-METODE
Kuesioner. I-METODE
Hasil O
dari O
evaluasi O
tersebut O
menunjukkan O
semua B-TEMUAN
fungsi I-TEMUAN
pada I-TEMUAN
kedua I-TEMUAN
modul I-TEMUAN
berjalan I-TEMUAN
dan I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Lalu I-TEMUAN
hasil I-TEMUAN
dari I-TEMUAN
uji I-TEMUAN
usability I-TEMUAN
menggunakan I-TEMUAN
USE I-TEMUAN
Kuesioner I-TEMUAN
memperlihatkan I-TEMUAN
bahwa I-TEMUAN
kedua I-TEMUAN
fitur I-TEMUAN
ini I-TEMUAN
sangat I-TEMUAN
layak I-TEMUAN
untuk I-TEMUAN
digunakan. I-TEMUAN
Kata O
Kunci— O
Pojok O
Statistik O
Virtual O
, O
konsultasi O
online O
, O
artikel O
ilmiah O
, O
Prototyping O
, O
USE O
Kuesioner. O
[SEP] O
Gambar O
12. O
Sequence O
diagram O
untuk O
usecase O
‘memberikan O
pertanyaan’ O
Proses O
pengecekan O
akun O
dilakukan O
via O
API O
PST O
melalui O
fungsi O
EmailChecker O
( O
) O
, O
karena O
fitur O
login O
ini O
menggunakan O
API O
PST O
yang O
bisa O
digunakan O
untuk O
beberapa O
aplikasi O
PST. O
Proses O
handling O
fungsi O
CreateKonsultasi O
( O
) O
. O
Mahasiswa O
hanya O
bisa O
memberikan O
pertanyaan O
sekali O
sampai O
proses O
konsultasi O
tersebut O
selesai. O
Hal O
ini O
ditangani O
oleh O
fungsi O
ConsulChecker O
( O
) O
untuk O
mengecek O
apakah O
konsultasi O
tersebut O
bisa O
dibuat O
atau O
tidak. O
form O
pertanyaan O
diatur O
oleh O
Sementara O
untuk O
fitur O
artikel O
ilmiah O
, O
user O
tidak O
perlu O
untuk O
login O
untuk O
mengaksesnya. O
Halaman O
artikel O
ditujukkan O
oleh O
Gambar O
13. O
Gambar O
13. O
Halaman O
artikel O
ilmiah O
Pengembangan O
sistem O
Pojok O
Statistik O
Virtual O
dengan O
menambahkan O
modul O
konsultasi O
online O
dan O
artikel O
ilmiah O
sudah O
rampung O
selesai O
dan O
fitur O
tersebut O
sudah O
bisa O
digunakan. O
Hasil O
evaluasi O
sistem O
menggunakan O
black-box O
testing O
dan O
uji O
usability O
menggunakan O
USE O
Kuesioner O
menunjukkan O
hasil O
yang O
bagus. O
Pada O
blackbox O
testing O
, O
semua O
fitur O
pada O
usecase O
yang O
direncanakan O
sudah O
berfungsi O
dan O
berjalan O
dengan O
baik. O
Lalu O
hasil O
uji O
usability O
dengan O
USE O
Kuesioner O
menunjukkan O
bahwa O
ilmiah O
mendapatkankategori O
‘Sangat O
Layak’ O
untuk O
digunakan. O
konsultasi O
artikel O
online O
fitur O
dan O

Modul O
Layanan O
Konsultasi O
Online O
dan O
Artikel O
Ilmiah O
Pada O
Pojok O
Statistik O
Virtual O
Fahmi O
Muhammad O
Sahal O
( O
221910796 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I. O
Ringkasan— O
Pojok O
Statistik O
merupakan O
layanan O
kolaboratif O
antara O
BPS O
dan O
Perguruan O
Tinggi. O
Dalam O
langkah O
untuk O
mencapai O
target O
pada O
Renstra O
BPS O
2020-2024 O
dan O
target O
RB O
BPS O
, O
dibangunlah O
Pojok O
Statistik O
Virtual O
untuk O
mengoptimalisasi O
kegiatan O
yang O
ada O
pada O
Pojok O
Statistik O
Offline. O
Namun O
fitur O
yang O
dibangun O
belum O
sesuai O
ataupun O
memenuhi O
kriteria O
dari O
Pojok O
Statistik O
Offline. O
Dari O
hasil O
wawancara O
dengan O
Tim O
Pojok O
Statistik O
BPS O
, O
terdapat O
beberapa O
rencana O
penambahan O
atau O
perbaikan O
fitur O
pada O
Pojok O
Statistik O
Virtual O
yang O
diantaranya O
adalah O
penambahan O
modul O
konsultasi O
online O
dan O
artikel O
ilmiah. O
Maka O
dari O
itu O
, O
penelitian O
ini O
bertujuan O
menambahkan B-TUJUAN
fitur I-TUJUAN
layanan I-TUJUAN
konsultasi I-TUJUAN
online I-TUJUAN
dan I-TUJUAN
artikel I-TUJUAN
ilmiah I-TUJUAN
pada I-TUJUAN
Pojok I-TUJUAN
Statistik I-TUJUAN
Virtual. I-TUJUAN
Proses I-TUJUAN
pengembangan I-TUJUAN
sistem I-TUJUAN
ini I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
Prototyping. I-TUJUAN
Implementasi I-TUJUAN
program I-TUJUAN
pada I-TUJUAN
sistem I-TUJUAN
menggunakan I-TUJUAN
framework I-TUJUAN
Laravel. I-TUJUAN
Evaluasi O
sistem O
dilakukan O
dengan O
black-box B-METODE
testing I-METODE
dan O
uji O
usability O
menggunakan O
USE B-METODE
Kuesioner. I-METODE
Hasil O
dari O
evaluasi O
tersebut O
menunjukkan O
semua B-TEMUAN
fungsi I-TEMUAN
pada I-TEMUAN
kedua I-TEMUAN
modul I-TEMUAN
berjalan I-TEMUAN
dan I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Lalu I-TEMUAN
hasil I-TEMUAN
dari I-TEMUAN
uji I-TEMUAN
usability I-TEMUAN
menggunakan I-TEMUAN
USE I-TEMUAN
Kuesioner I-TEMUAN
memperlihatkan I-TEMUAN
bahwa I-TEMUAN
kedua I-TEMUAN
fitur I-TEMUAN
ini I-TEMUAN
sangat I-TEMUAN
layak I-TEMUAN
untuk I-TEMUAN
digunakan. I-TEMUAN
Kata O
Kunci— O
Pojok O
Statistik O
Virtual O
, O
konsultasi O
online O
, O
artikel O
ilmiah O
, O
Prototyping O
, O
USE O
Kuesioner. O
[SEP] O
Gambar O
12. O
Sequence O
diagram O
untuk O
usecase O
‘memberikan O
pertanyaan’ O
Proses O
pengecekan O
akun O
dilakukan O
via O
API O
PST O
melalui O
fungsi O
EmailChecker O
( O
) O
, O
karena O
fitur O
login O
ini O
menggunakan O
API O
PST O
yang O
bisa O
digunakan O
untuk O
beberapa O
aplikasi O
PST. O
Proses O
handling O
fungsi O
CreateKonsultasi O
( O
) O
. O
Mahasiswa O
hanya O
bisa O
memberikan O
pertanyaan O
sekali O
sampai O
proses O
konsultasi O
tersebut O
selesai. O
Hal O
ini O
ditangani O
oleh O
fungsi O
ConsulChecker O
( O
) O
untuk O
mengecek O
apakah O
konsultasi O
tersebut O
bisa O
dibuat O
atau O
tidak. O
form O
pertanyaan O
diatur O
oleh O
Sementara O
untuk O
fitur O
artikel O
ilmiah O
, O
user O
tidak O
perlu O
untuk O
login O
untuk O
mengaksesnya. O
Halaman O
artikel O
ditujukkan O
oleh O
Gambar O
13. O
Gambar O
13. O
Halaman O
artikel O
ilmiah O
Pengembangan O
sistem O
Pojok O
Statistik O
Virtual O
dengan O
menambahkan O
modul O
konsultasi O
online O
dan O
artikel O
ilmiah O
sudah O
rampung O
selesai O
dan O
fitur O
tersebut O
sudah O
bisa O
digunakan. O
Hasil O
evaluasi O
sistem O
menggunakan O
black-box O
testing O
dan O
uji O
usability O
menggunakan O
USE O
Kuesioner O
menunjukkan O
hasil O
yang O
bagus. O
Pada O
blackbox O
testing O
, O
semua O
fitur O
pada O
usecase O
yang O
direncanakan O
sudah O
berfungsi O
dan O
berjalan O
dengan O
baik. O
Lalu O
hasil O
uji O
usability O
dengan O
USE O
Kuesioner O
menunjukkan O
bahwa O
ilmiah O
mendapatkankategori O
‘Sangat O
Layak’ O
untuk O
digunakan. O
konsultasi O
artikel O
online O
fitur O
dan O

Modul O
Layanan O
Konsultasi O
Online O
dan O
Artikel O
Ilmiah O
Pada O
Pojok O
Statistik O
Virtual O
Fahmi O
Muhammad O
Sahal O
( O
221910796 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I. O
Ringkasan— O
Pojok O
Statistik O
merupakan O
layanan O
kolaboratif O
antara O
BPS O
dan O
Perguruan O
Tinggi. O
Dalam O
langkah O
untuk O
mencapai O
target O
pada O
Renstra O
BPS O
2020-2024 O
dan O
target O
RB O
BPS O
, O
dibangunlah O
Pojok O
Statistik O
Virtual O
untuk O
mengoptimalisasi O
kegiatan O
yang O
ada O
pada O
Pojok O
Statistik O
Offline. O
Namun O
fitur O
yang O
dibangun O
belum O
sesuai O
ataupun O
memenuhi O
kriteria O
dari O
Pojok O
Statistik O
Offline. O
Dari O
hasil O
wawancara O
dengan O
Tim O
Pojok O
Statistik O
BPS O
, O
terdapat O
beberapa O
rencana O
penambahan O
atau O
perbaikan O
fitur O
pada O
Pojok O
Statistik O
Virtual O
yang O
diantaranya O
adalah O
penambahan O
modul O
konsultasi O
online O
dan O
artikel O
ilmiah. O
Maka O
dari O
itu O
, O
penelitian O
ini O
bertujuan O
menambahkan B-TUJUAN
fitur I-TUJUAN
layanan I-TUJUAN
konsultasi I-TUJUAN
online I-TUJUAN
dan I-TUJUAN
artikel I-TUJUAN
ilmiah I-TUJUAN
pada I-TUJUAN
Pojok I-TUJUAN
Statistik I-TUJUAN
Virtual. I-TUJUAN
Proses I-TUJUAN
pengembangan I-TUJUAN
sistem I-TUJUAN
ini I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
Prototyping. I-TUJUAN
Implementasi I-TUJUAN
program I-TUJUAN
pada I-TUJUAN
sistem I-TUJUAN
menggunakan I-TUJUAN
framework I-TUJUAN
Laravel. I-TUJUAN
Evaluasi O
sistem O
dilakukan O
dengan O
black-box B-METODE
testing I-METODE
dan O
uji O
usability O
menggunakan O
USE B-METODE
Kuesioner. I-METODE
Hasil O
dari O
evaluasi O
tersebut O
menunjukkan O
semua B-TEMUAN
fungsi I-TEMUAN
pada I-TEMUAN
kedua I-TEMUAN
modul I-TEMUAN
berjalan I-TEMUAN
dan I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Lalu I-TEMUAN
hasil I-TEMUAN
dari I-TEMUAN
uji I-TEMUAN
usability I-TEMUAN
menggunakan I-TEMUAN
USE I-TEMUAN
Kuesioner I-TEMUAN
memperlihatkan I-TEMUAN
bahwa I-TEMUAN
kedua I-TEMUAN
fitur I-TEMUAN
ini I-TEMUAN
sangat I-TEMUAN
layak I-TEMUAN
untuk I-TEMUAN
digunakan. I-TEMUAN
Kata O
Kunci— O
Pojok O
Statistik O
Virtual O
, O
konsultasi O
online O
, O
artikel O
ilmiah O
, O
Prototyping O
, O
USE O
Kuesioner. O
[SEP] O
Gambar O
12. O
Sequence O
diagram O
untuk O
usecase O
‘memberikan O
pertanyaan’ O
Proses O
pengecekan O
akun O
dilakukan O
via O
API O
PST O
melalui O
fungsi O
EmailChecker O
( O
) O
, O
karena O
fitur O
login O
ini O
menggunakan O
API O
PST O
yang O
bisa O
digunakan O
untuk O
beberapa O
aplikasi O
PST. O
Proses O
handling O
fungsi O
CreateKonsultasi O
( O
) O
. O
Mahasiswa O
hanya O
bisa O
memberikan O
pertanyaan O
sekali O
sampai O
proses O
konsultasi O
tersebut O
selesai. O
Hal O
ini O
ditangani O
oleh O
fungsi O
ConsulChecker O
( O
) O
untuk O
mengecek O
apakah O
konsultasi O
tersebut O
bisa O
dibuat O
atau O
tidak. O
form O
pertanyaan O
diatur O
oleh O
Sementara O
untuk O
fitur O
artikel O
ilmiah O
, O
user O
tidak O
perlu O
untuk O
login O
untuk O
mengaksesnya. O
Halaman O
artikel O
ditujukkan O
oleh O
Gambar O
13. O
Gambar O
13. O
Halaman O
artikel O
ilmiah O
Pengembangan O
sistem O
Pojok O
Statistik O
Virtual O
dengan O
menambahkan O
modul O
konsultasi O
online O
dan O
artikel O
ilmiah O
sudah O
rampung O
selesai O
dan O
fitur O
tersebut O
sudah O
bisa O
digunakan. O
Hasil O
evaluasi O
sistem O
menggunakan O
black-box O
testing O
dan O
uji O
usability O
menggunakan O
USE O
Kuesioner O
menunjukkan O
hasil O
yang O
bagus. O
Pada O
blackbox O
testing O
, O
semua O
fitur O
pada O
usecase O
yang O
direncanakan O
sudah O
berfungsi O
dan O
berjalan O
dengan O
baik. O
Lalu O
hasil O
uji O
usability O
dengan O
USE O
Kuesioner O
menunjukkan O
bahwa O
ilmiah O
mendapatkankategori O
‘Sangat O
Layak’ O
untuk O
digunakan. O
konsultasi O
artikel O
online O
fitur O
dan O

Pemanfaatan O
Big O
Data O
dalam O
Memprediksi O
Indeks O
Harga O
Konsumen O
Tingkat O
Kabupaten O
/ O
Kota O
di O
Pulau O
Jawa O
Menggunakan O
Small O
Area O
Estimation O
Hierarchical O
Bayes O
Lognormal O
Defi O
Nurshaleha O
( O
221910795 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Prof. O
Setia O
Pramana O
, O
S.Si. O
, O
M.Sc. O
, O
Ph.D. O
angka O
inflasi O
Ringkasan—Terkait O
pengendalian O
inflasi O
di O
Indonesia O
, O
Menteri O
Dalam O
Negeri O
berharap O
tingkat O
agar O
kabupaten O
/ O
kota O
dapat O
diumumkan O
sehingga O
kinerja O
pengendalian O
inflasi O
dapat O
dipantau O
dengan O
baik. O
Hal O
ini O
menjadi O
tantangan O
bagi O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
sebagai O
lembaga O
yang O
memproduksi O
indikator O
Indeks O
Harga O
Konsumen O
( O
IHK O
) O
untuk O
penghitungan O
inflasi O
, O
mengingat O
angka O
IHK O
yang O
diperoleh O
dari O
Survei O
Harga O
Konsumen O
( O
SHK O
) O
hanya O
tersedia O
untuk O
90 O
kota O
saja. O
Data O
IHK O
umum O
maupun O
menurut O
kelompok O
pengeluaran O
periode O
April O
dan O
Mei O
2020 O
merupakan O
data O
riil O
yang O
bernilai O
positif O
sehingga O
memiliki O
sebaran O
yang O
menceng O
kanan. O
Hal O
tersebut O
mengindikasikan O
asumsi O
normalitas. O
Salah O
satu O
metode O
pendugaan O
model O
based O
yang O
memiliki O
fleksibilitas O
terhadap O
asumsi O
normalitas O
adalah O
Small B-METODE
Area I-METODE
Estimation I-METODE
Hierarchical I-METODE
Bayes I-METODE
( I-METODE
SAE I-METODE
HB I-METODE
) I-METODE
. O
Penelitian O
ini O
bertujuan O
untuk O
mengkaji B-TUJUAN
pemanfaatan I-TUJUAN
big I-TUJUAN
data I-TUJUAN
yang I-TUJUAN
bersumber I-TUJUAN
scraping I-TUJUAN
marketplace I-TUJUAN
yang I-TUJUAN
dari I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
dan I-TUJUAN
hasil I-TUJUAN
dikombinasikan I-TUJUAN
dengan I-TUJUAN
Podes I-TUJUAN
dalam I-TUJUAN
memprediksi I-TUJUAN
IHK I-TUJUAN
di I-TUJUAN
Pulau I-TUJUAN
Jawa I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
SAE I-TUJUAN
HB I-TUJUAN
Lognormal. I-TUJUAN
Hasil O
penelitian O
menunjukan O
bahwa O
model B-TEMUAN
SAE I-TEMUAN
HB I-TEMUAN
Lognormal I-TEMUAN
menghasilkan I-TEMUAN
nilai I-TEMUAN
prediksi I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
presisi I-TEMUAN
dibandingkan I-TEMUAN
pendugaan I-TEMUAN
langsung. I-TEMUAN
pelanggaran O
adanya O
Kata O
Kunci— O
big O
data O
, O
IHK O
, O
inflasi O
, O
prediksi O
, O
small O
area O
estimation. O
[SEP] O
Statistik O
IHK O
umum O
pada O
kota O
contoh O
di O
Pulau O
Jawa O
cenderung O
tidak O
jauh O
berbeda. O
Pada O
bulan O
Mei O
2020 O
, O
laju O
pergerakan O
IHK O
pada O
kota O
contoh O
mengalami O
inflasi O
dengan O
rata-rata O
kenaikan O
0,029 O
persen. O
Inflasi O
yang O
tinggi O
terjadi O
pada O
kelompok O
transportasi O
, O
kesehatan O
, O
pakaian O
dan O
alas O
kaki O
, O
dan O
kelompok O
perlengkapan O
, O
peralatan O
dan O
pemeliharaan O
rutin O
rumah O
tangga. O
Sedangkan O
deflasi O
tertinggi O
terjadi O
pada O
kelompok O
makanan O
, O
minuman O
, O
dan O
tembakau. O
Prediksi O
menggunakan O
model O
SAE O
HB O
Lognormal O
menghasilkan O
nilai O
yang O
hampir O
mirip O
dengan O
hasil O
pendugaan O
langsung. O
Hal O
tersebut O
juga O
terlihat O
dari O
nilai O
RRMSE B-METODE
kedua O
metode O
yang O
menghasilkan O
selisih O
yang O
sangat O
kecil. O
Namun O
, O
amatan O
dengan O
RRMSE B-METODE
yang O
lebih O
rendah O
banyak O
ditemukan O
pada O
hasil O
prediksi O
model O
SAE O
HB O
Lognormal. O
Oleh O
karena O
itu O
, O
SAE O
HB O
Lognormal O
memiliki O
tingkat O
presisi O
yang O
lebih O
baik O
dibandingkan O
pendugaan O
langsung O
sehingga O
layak O
digunakan O
untuk O
memprediksi O
IHK O
pada O
seluruh O
kabuapaten O
/ O
kota O
di O
Pulau O
Jawa. O
Hasil O
prediksi O
seluruh O
kabupaten O
/ O
kota O
di O
Pulau O
Jawa O
menunjukan O
bahwa O
pada O
Mei O
2020 O
, O
laju O
pergerakan O
IHK O
di O
Pulau O
Jawa O
mengalami O
kenaikan O
sebesar O
0,183 O
persen. O
analisis O
dilakukan O
selanjutnya O
Penggunaan O
metode O
Small O
Area O
Estimation O
( O
SAE O
) O
pada O
penelitian O
dengan O
dapat O
mempertimbangkan O
komponen O
spasial. O
Hal O
ini O
didasarkan O
dari O
beberapa O
hasil O
kabupaten O
/ O
kota O
yang O
berdekatan O
memiliki O
IHK O
yang O
tidak O
begitu O
itu O
, O
penggunaan O
variabel O
marketplace O
lain O
seperti O
harga O
komoditas O
yang O
memiliki O
andil O
besar O
terhadap O
inflasi O
/ O
deflasi O
dapat O
digunakan O
sebagai O
variabel O
yang O
mampu O
menggambarkan O
pergerakan O
harga. O
jauh O
berbeda. O
Selain O
yang O
menunjukan O
bahwa O

Pemanfaatan O
Big O
Data O
dalam O
Memprediksi O
Indeks O
Harga O
Konsumen O
Tingkat O
Kabupaten O
/ O
Kota O
di O
Pulau O
Jawa O
Menggunakan O
Small O
Area O
Estimation O
Hierarchical O
Bayes O
Lognormal O
Defi O
Nurshaleha O
( O
221910795 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Prof. O
Setia O
Pramana O
, O
S.Si. O
, O
M.Sc. O
, O
Ph.D. O
angka O
inflasi O
Ringkasan—Terkait O
pengendalian O
inflasi O
di O
Indonesia O
, O
Menteri O
Dalam O
Negeri O
berharap O
tingkat O
agar O
kabupaten O
/ O
kota O
dapat O
diumumkan O
sehingga O
kinerja O
pengendalian O
inflasi O
dapat O
dipantau O
dengan O
baik. O
Hal O
ini O
menjadi O
tantangan O
bagi O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
sebagai O
lembaga O
yang O
memproduksi O
indikator O
Indeks O
Harga O
Konsumen O
( O
IHK O
) O
untuk O
penghitungan O
inflasi O
, O
mengingat O
angka O
IHK O
yang O
diperoleh O
dari O
Survei O
Harga O
Konsumen O
( O
SHK O
) O
hanya O
tersedia O
untuk O
90 O
kota O
saja. O
Data O
IHK O
umum O
maupun O
menurut O
kelompok O
pengeluaran O
periode O
April O
dan O
Mei O
2020 O
merupakan O
data O
riil O
yang O
bernilai O
positif O
sehingga O
memiliki O
sebaran O
yang O
menceng O
kanan. O
Hal O
tersebut O
mengindikasikan O
asumsi O
normalitas. O
Salah O
satu O
metode O
pendugaan O
model O
based O
yang O
memiliki O
fleksibilitas O
terhadap O
asumsi O
normalitas O
adalah O
Small B-METODE
Area I-METODE
Estimation I-METODE
Hierarchical I-METODE
Bayes I-METODE
( I-METODE
SAE I-METODE
HB I-METODE
) I-METODE
. O
Penelitian O
ini O
bertujuan O
untuk O
mengkaji B-TUJUAN
pemanfaatan I-TUJUAN
big I-TUJUAN
data I-TUJUAN
yang I-TUJUAN
bersumber I-TUJUAN
scraping I-TUJUAN
marketplace I-TUJUAN
yang I-TUJUAN
dari I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
dan I-TUJUAN
hasil I-TUJUAN
dikombinasikan I-TUJUAN
dengan I-TUJUAN
Podes I-TUJUAN
dalam I-TUJUAN
memprediksi I-TUJUAN
IHK I-TUJUAN
di I-TUJUAN
Pulau I-TUJUAN
Jawa I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
SAE I-TUJUAN
HB I-TUJUAN
Lognormal. I-TUJUAN
Hasil O
penelitian O
menunjukan O
bahwa O
model B-TEMUAN
SAE I-TEMUAN
HB I-TEMUAN
Lognormal I-TEMUAN
menghasilkan I-TEMUAN
nilai I-TEMUAN
prediksi I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
presisi I-TEMUAN
dibandingkan I-TEMUAN
pendugaan I-TEMUAN
langsung. I-TEMUAN
pelanggaran O
adanya O
Kata O
Kunci— O
big O
data O
, O
IHK O
, O
inflasi O
, O
prediksi O
, O
small O
area O
estimation. O
[SEP] O
Statistik O
IHK O
umum O
pada O
kota O
contoh O
di O
Pulau O
Jawa O
cenderung O
tidak O
jauh O
berbeda. O
Pada O
bulan O
Mei O
2020 O
, O
laju O
pergerakan O
IHK O
pada O
kota O
contoh O
mengalami O
inflasi O
dengan O
rata-rata O
kenaikan O
0,029 O
persen. O
Inflasi O
yang O
tinggi O
terjadi O
pada O
kelompok O
transportasi O
, O
kesehatan O
, O
pakaian O
dan O
alas O
kaki O
, O
dan O
kelompok O
perlengkapan O
, O
peralatan O
dan O
pemeliharaan O
rutin O
rumah O
tangga. O
Sedangkan O
deflasi O
tertinggi O
terjadi O
pada O
kelompok O
makanan O
, O
minuman O
, O
dan O
tembakau. O
Prediksi O
menggunakan O
model O
SAE O
HB O
Lognormal O
menghasilkan O
nilai O
yang O
hampir O
mirip O
dengan O
hasil O
pendugaan O
langsung. O
Hal O
tersebut O
juga O
terlihat O
dari O
nilai O
RRMSE B-METODE
kedua O
metode O
yang O
menghasilkan O
selisih O
yang O
sangat O
kecil. O
Namun O
, O
amatan O
dengan O
RRMSE B-METODE
yang O
lebih O
rendah O
banyak O
ditemukan O
pada O
hasil O
prediksi O
model O
SAE O
HB O
Lognormal. O
Oleh O
karena O
itu O
, O
SAE O
HB O
Lognormal O
memiliki O
tingkat O
presisi O
yang O
lebih O
baik O
dibandingkan O
pendugaan O
langsung O
sehingga O
layak O
digunakan O
untuk O
memprediksi O
IHK O
pada O
seluruh O
kabuapaten O
/ O
kota O
di O
Pulau O
Jawa. O
Hasil O
prediksi O
seluruh O
kabupaten O
/ O
kota O
di O
Pulau O
Jawa O
menunjukan O
bahwa O
pada O
Mei O
2020 O
, O
laju O
pergerakan O
IHK O
di O
Pulau O
Jawa O
mengalami O
kenaikan O
sebesar O
0,183 O
persen. O
analisis O
dilakukan O
selanjutnya O
Penggunaan O
metode O
Small O
Area O
Estimation O
( O
SAE O
) O
pada O
penelitian O
dengan O
dapat O
mempertimbangkan O
komponen O
spasial. O
Hal O
ini O
didasarkan O
dari O
beberapa O
hasil O
kabupaten O
/ O
kota O
yang O
berdekatan O
memiliki O
IHK O
yang O
tidak O
begitu O
itu O
, O
penggunaan O
variabel O
marketplace O
lain O
seperti O
harga O
komoditas O
yang O
memiliki O
andil O
besar O
terhadap O
inflasi O
/ O
deflasi O
dapat O
digunakan O
sebagai O
variabel O
yang O
mampu O
menggambarkan O
pergerakan O
harga. O
jauh O
berbeda. O
Selain O
yang O
menunjukan O
bahwa O

Pemanfaatan O
Big O
Data O
dalam O
Memprediksi O
Indeks O
Harga O
Konsumen O
Tingkat O
Kabupaten O
/ O
Kota O
di O
Pulau O
Jawa O
Menggunakan O
Small O
Area O
Estimation O
Hierarchical O
Bayes O
Lognormal O
Defi O
Nurshaleha O
( O
221910795 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Prof. O
Setia O
Pramana O
, O
S.Si. O
, O
M.Sc. O
, O
Ph.D. O
angka O
inflasi O
Ringkasan—Terkait O
pengendalian O
inflasi O
di O
Indonesia O
, O
Menteri O
Dalam O
Negeri O
berharap O
tingkat O
agar O
kabupaten O
/ O
kota O
dapat O
diumumkan O
sehingga O
kinerja O
pengendalian O
inflasi O
dapat O
dipantau O
dengan O
baik. O
Hal O
ini O
menjadi O
tantangan O
bagi O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
sebagai O
lembaga O
yang O
memproduksi O
indikator O
Indeks O
Harga O
Konsumen O
( O
IHK O
) O
untuk O
penghitungan O
inflasi O
, O
mengingat O
angka O
IHK O
yang O
diperoleh O
dari O
Survei O
Harga O
Konsumen O
( O
SHK O
) O
hanya O
tersedia O
untuk O
90 O
kota O
saja. O
Data O
IHK O
umum O
maupun O
menurut O
kelompok O
pengeluaran O
periode O
April O
dan O
Mei O
2020 O
merupakan O
data O
riil O
yang O
bernilai O
positif O
sehingga O
memiliki O
sebaran O
yang O
menceng O
kanan. O
Hal O
tersebut O
mengindikasikan O
asumsi O
normalitas. O
Salah O
satu O
metode O
pendugaan O
model O
based O
yang O
memiliki O
fleksibilitas O
terhadap O
asumsi O
normalitas O
adalah O
Small B-METODE
Area I-METODE
Estimation I-METODE
Hierarchical I-METODE
Bayes I-METODE
( I-METODE
SAE I-METODE
HB I-METODE
) I-METODE
. O
Penelitian O
ini O
bertujuan O
untuk O
mengkaji B-TUJUAN
pemanfaatan I-TUJUAN
big I-TUJUAN
data I-TUJUAN
yang I-TUJUAN
bersumber I-TUJUAN
scraping I-TUJUAN
marketplace I-TUJUAN
yang I-TUJUAN
dari I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
dan I-TUJUAN
hasil I-TUJUAN
dikombinasikan I-TUJUAN
dengan I-TUJUAN
Podes I-TUJUAN
dalam I-TUJUAN
memprediksi I-TUJUAN
IHK I-TUJUAN
di I-TUJUAN
Pulau I-TUJUAN
Jawa I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
SAE I-TUJUAN
HB I-TUJUAN
Lognormal. I-TUJUAN
Hasil O
penelitian O
menunjukan O
bahwa O
model B-TEMUAN
SAE I-TEMUAN
HB I-TEMUAN
Lognormal I-TEMUAN
menghasilkan I-TEMUAN
nilai I-TEMUAN
prediksi I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
presisi I-TEMUAN
dibandingkan I-TEMUAN
pendugaan I-TEMUAN
langsung. I-TEMUAN
pelanggaran O
adanya O
Kata O
Kunci— O
big O
data O
, O
IHK O
, O
inflasi O
, O
prediksi O
, O
small O
area O
estimation. O
[SEP] O
Statistik O
IHK O
umum O
pada O
kota O
contoh O
di O
Pulau O
Jawa O
cenderung O
tidak O
jauh O
berbeda. O
Pada O
bulan O
Mei O
2020 O
, O
laju O
pergerakan O
IHK O
pada O
kota O
contoh O
mengalami O
inflasi O
dengan O
rata-rata O
kenaikan O
0,029 O
persen. O
Inflasi O
yang O
tinggi O
terjadi O
pada O
kelompok O
transportasi O
, O
kesehatan O
, O
pakaian O
dan O
alas O
kaki O
, O
dan O
kelompok O
perlengkapan O
, O
peralatan O
dan O
pemeliharaan O
rutin O
rumah O
tangga. O
Sedangkan O
deflasi O
tertinggi O
terjadi O
pada O
kelompok O
makanan O
, O
minuman O
, O
dan O
tembakau. O
Prediksi O
menggunakan O
model O
SAE O
HB O
Lognormal O
menghasilkan O
nilai O
yang O
hampir O
mirip O
dengan O
hasil O
pendugaan O
langsung. O
Hal O
tersebut O
juga O
terlihat O
dari O
nilai O
RRMSE B-METODE
kedua O
metode O
yang O
menghasilkan O
selisih O
yang O
sangat O
kecil. O
Namun O
, O
amatan O
dengan O
RRMSE B-METODE
yang O
lebih O
rendah O
banyak O
ditemukan O
pada O
hasil O
prediksi O
model O
SAE O
HB O
Lognormal. O
Oleh O
karena O
itu O
, O
SAE O
HB O
Lognormal O
memiliki O
tingkat O
presisi O
yang O
lebih O
baik O
dibandingkan O
pendugaan O
langsung O
sehingga O
layak O
digunakan O
untuk O
memprediksi O
IHK O
pada O
seluruh O
kabuapaten O
/ O
kota O
di O
Pulau O
Jawa. O
Hasil O
prediksi O
seluruh O
kabupaten O
/ O
kota O
di O
Pulau O
Jawa O
menunjukan O
bahwa O
pada O
Mei O
2020 O
, O
laju O
pergerakan O
IHK O
di O
Pulau O
Jawa O
mengalami O
kenaikan O
sebesar O
0,183 O
persen. O
analisis O
dilakukan O
selanjutnya O
Penggunaan O
metode O
Small O
Area O
Estimation O
( O
SAE O
) O
pada O
penelitian O
dengan O
dapat O
mempertimbangkan O
komponen O
spasial. O
Hal O
ini O
didasarkan O
dari O
beberapa O
hasil O
kabupaten O
/ O
kota O
yang O
berdekatan O
memiliki O
IHK O
yang O
tidak O
begitu O
itu O
, O
penggunaan O
variabel O
marketplace O
lain O
seperti O
harga O
komoditas O
yang O
memiliki O
andil O
besar O
terhadap O
inflasi O
/ O
deflasi O
dapat O
digunakan O
sebagai O
variabel O
yang O
mampu O
menggambarkan O
pergerakan O
harga. O
jauh O
berbeda. O
Selain O
yang O
menunjukan O
bahwa O

Analisis O
Status O
Kejadian O
Penyakit O
Jantung O
pada O
Penderita O
Depresi O
di O
Indonesia O
Tahun O
2018 O
Athoillah O
Zakky O
Ramdhani O
( O
221910792 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Achmad O
Syahrul O
Choir O
S.ST O
, O
M.Si. O
dalam O
mengklasifikasi O
Ringkasan— O
Penelitian O
ini O
bertujuan O
untuk O
mengkaji B-TUJUAN
faktor- I-TUJUAN
faktor I-TUJUAN
yang I-TUJUAN
memengaruhi I-TUJUAN
kejadian I-TUJUAN
penyakit I-TUJUAN
jantung I-TUJUAN
serta O
membandingkan O
performa O
regresi O
complementary O
log-log O
dengan O
model O
seleksi O
stepwise O
dan O
interpretasi O
LIME O
dengan O
model O
SMOTE O
Random O
Forest O
dan O
menginterpretasi O
jantung O
pada O
status O
kejadian O
penyakit O
penderita O
depresi. O
Hasil O
penelitian O
menjelaskan O
bahwa O
terdapat B-TEMUAN
5 I-TEMUAN
gejala I-TEMUAN
depresi I-TEMUAN
, I-TEMUAN
6 I-TEMUAN
penyakit I-TEMUAN
komorbid I-TEMUAN
, I-TEMUAN
1 I-TEMUAN
faktor I-TEMUAN
gaya I-TEMUAN
hidup I-TEMUAN
, I-TEMUAN
1 I-TEMUAN
faktor I-TEMUAN
non I-TEMUAN
modifable I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
13 I-TEMUAN
interaksi I-TEMUAN
antar I-TEMUAN
variabel I-TEMUAN
yang I-TEMUAN
signifikan I-TEMUAN
dengan I-TEMUAN
regresi I-TEMUAN
complementary I-TEMUAN
log-log. I-TEMUAN
Selain O
itu O
, O
perbandingan O
model O
menjelaskan O
bahwa O
SMOTE O
Random O
Forest O
menghasilkan O
performa O
yang O
lebih O
baik O
dalam O
hal O
klasifikasi B-METODE
, O
sedangkan O
regresi B-METODE
complementary I-METODE
log-log I-METODE
menghasilkan O
performa O
yang O
lebih O
baik O
dalam O
hal O
interpretasi O
status O
kejadian O
penyakit O
jantung O
pada O
penderita O
depresi O
di O
Indonesia O
tahun O
2018. O
Kata O
Kunci— O
penyakit O
jantung O
, O
depresi O
, O
complementary O
loglog O
, O
random O
forest O
[SEP] O
Kesimpulan O
1. B-METODE
Model I-METODE
regresi I-METODE
complementary I-METODE
log-log I-METODE
dan O
SMOTE B-METODE
random O
forest O
cocok O
digunakan O
dalam O
menangani O
kasus O
penelitian. O
2. O
Pada B-TEMUAN
regresi I-TEMUAN
complementary I-TEMUAN
log-log I-TEMUAN
, I-TEMUAN
variabel I-TEMUAN
yang I-TEMUAN
memengaruhi I-TEMUAN
kejadian I-TEMUAN
penyakit I-TEMUAN
jantung I-TEMUAN
adalah I-TEMUAN
gejala I-TEMUAN
lelah I-TEMUAN
, I-TEMUAN
gangguan I-TEMUAN
tidur I-TEMUAN
, I-TEMUAN
perubahan I-TEMUAN
tempo I-TEMUAN
gerak I-TEMUAN
, I-TEMUAN
rasa I-TEMUAN
bersalah I-TEMUAN
, I-TEMUAN
menyakiti I-TEMUAN
diri I-TEMUAN
sendiri I-TEMUAN
, I-TEMUAN
status I-TEMUAN
hepatitis I-TEMUAN
, I-TEMUAN
status I-TEMUAN
kanker I-TEMUAN
, I-TEMUAN
status I-TEMUAN
asma I-TEMUAN
, I-TEMUAN
status I-TEMUAN
diabetes I-TEMUAN
mellitus I-TEMUAN
, I-TEMUAN
status I-TEMUAN
hipertensi I-TEMUAN
, I-TEMUAN
status I-TEMUAN
minum I-TEMUAN
minuman I-TEMUAN
beralkohol I-TEMUAN
, I-TEMUAN
status I-TEMUAN
strok I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
umur. I-TEMUAN
Untuk I-TEMUAN
variabel I-TEMUAN
interaksi I-TEMUAN
, I-TEMUAN
interaksi I-TEMUAN
yang I-TEMUAN
berpengaruh I-TEMUAN
adalah I-TEMUAN
interaksi I-TEMUAN
gejala I-TEMUAN
sedih I-TEMUAN
dan I-TEMUAN
murung I-TEMUAN
dan I-TEMUAN
status I-TEMUAN
hepatitis I-TEMUAN
, I-TEMUAN
interaksi I-TEMUAN
gejala I-TEMUAN
perubahan I-TEMUAN
nafsu I-TEMUAN
makan I-TEMUAN
dan I-TEMUAN
status I-TEMUAN
gangguan I-TEMUAN
pendengaran I-TEMUAN
, I-TEMUAN
interaksi I-TEMUAN
gejala I-TEMUAN
perubahan I-TEMUAN
nafsu I-TEMUAN
makan I-TEMUAN
dan I-TEMUAN
klasifikasi I-TEMUAN
daerah I-TEMUAN
, I-TEMUAN
interaksi I-TEMUAN
gejala I-TEMUAN
gangguan I-TEMUAN
tidur I-TEMUAN
dan I-TEMUAN
gejala I-TEMUAN
hilang I-TEMUAN
percaya I-TEMUAN
diri I-TEMUAN
, I-TEMUAN
interaksi I-TEMUAN
gejala I-TEMUAN
rasa I-TEMUAN
bersalah I-TEMUAN
dan I-TEMUAN
status I-TEMUAN
tuberculosis I-TEMUAN
paru I-TEMUAN
, I-TEMUAN
interaksi I-TEMUAN
gejala I-TEMUAN
perubahan I-TEMUAN
tempo I-TEMUAN
gerak I-TEMUAN
dan I-TEMUAN
gejala I-TEMUAN
menyakiti I-TEMUAN
diri I-TEMUAN
sendiri I-TEMUAN
, I-TEMUAN
interaksi I-TEMUAN
gejala I-TEMUAN
menyakiti I-TEMUAN
diri I-TEMUAN
sendiri I-TEMUAN
dan I-TEMUAN
tingkat I-TEMUAN
pendidikan I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
interaksi I-TEMUAN
status I-TEMUAN
hipertensi I-TEMUAN
dan I-TEMUAN
kenis I-TEMUAN
kelamin I-TEMUAN
3. O
Kedua O
model O
random O
forest O
dan O
regresi O
complementary O
log-log O
memberikan O
hasil O
yang O
baik O
secara O
evaluasi O
model. O
Kedua O
model O
memiliki O
kelebihan O
dan O
kekurangan O
masing-masing. B-METODE
Regresi I-METODE
complementary I-METODE
log-log I-METODE
unggul O
dalam O
hal O
interpretasi O
sedangkan O
random O
forest O
unggul O
dalam O
hal O
akurasi O
prediksi. O
Penggunaan O
interpretasi O
LIME O
pada O
model O
random O
forest O
juga O
membuat O
hasil O
klasifikasi O
menjadi O
lebih O
bermakna. O
Saran O
1. O
Penelitian O
selanjutnya O
dapat O
menggali O
lebih O
dalam O
terkait O
hubungan O
interaksi O
yang O
terjadi O
antara O
penyakit O
komorbid O
dan O
gejala O
depresi O
terhadap O
peningkatan O
risiko O
penyakit O
jantung O
2. O
Masyarakat O
dapat O
lebih O
memerhatikan O
dampak O
dari O
depresi O
terhadap O
peningkatan O
risiko O
penyakit O
jantung O
berdasarkan O
variabel O
yang O
telah O
dijelaskan O
sehingga O
peningkatan O
status O
kejadian O
penyakit O
jantung O
di O
Indonesia O
dapat O
diatasi. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O
[ O
16 O
] O
[ O
17 O
] O
[ O
18 O
] O
[ O
19 O
] O
[ O
20 O
] O
[ O
21 O
] O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Analisis O
Status O
Kejadian O
Penyakit O
Jantung O
pada O
Penderita O
Depresi O
di O
Indonesia O
Tahun O
2018 O
Athoillah O
Zakky O
Ramdhani O
( O
221910792 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Achmad O
Syahrul O
Choir O
S.ST O
, O
M.Si. O
dalam O
mengklasifikasi O
Ringkasan— O
Penelitian O
ini O
bertujuan O
untuk O
mengkaji B-TUJUAN
faktor- I-TUJUAN
faktor I-TUJUAN
yang I-TUJUAN
memengaruhi I-TUJUAN
kejadian I-TUJUAN
penyakit I-TUJUAN
jantung I-TUJUAN
serta O
membandingkan O
performa O
regresi O
complementary O
log-log O
dengan O
model O
seleksi O
stepwise O
dan O
interpretasi O
LIME O
dengan O
model O
SMOTE O
Random O
Forest O
dan O
menginterpretasi O
jantung O
pada O
status O
kejadian O
penyakit O
penderita O
depresi. O
Hasil O
penelitian O
menjelaskan O
bahwa O
terdapat B-TEMUAN
5 I-TEMUAN
gejala I-TEMUAN
depresi I-TEMUAN
, I-TEMUAN
6 I-TEMUAN
penyakit I-TEMUAN
komorbid I-TEMUAN
, I-TEMUAN
1 I-TEMUAN
faktor I-TEMUAN
gaya I-TEMUAN
hidup I-TEMUAN
, I-TEMUAN
1 I-TEMUAN
faktor I-TEMUAN
non I-TEMUAN
modifable I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
13 I-TEMUAN
interaksi I-TEMUAN
antar I-TEMUAN
variabel I-TEMUAN
yang I-TEMUAN
signifikan I-TEMUAN
dengan I-TEMUAN
regresi I-TEMUAN
complementary I-TEMUAN
log-log. I-TEMUAN
Selain O
itu O
, O
perbandingan O
model O
menjelaskan O
bahwa O
SMOTE O
Random O
Forest O
menghasilkan O
performa O
yang O
lebih O
baik O
dalam O
hal O
klasifikasi B-METODE
, O
sedangkan O
regresi B-METODE
complementary I-METODE
log-log I-METODE
menghasilkan O
performa O
yang O
lebih O
baik O
dalam O
hal O
interpretasi O
status O
kejadian O
penyakit O
jantung O
pada O
penderita O
depresi O
di O
Indonesia O
tahun O
2018. O
Kata O
Kunci— O
penyakit O
jantung O
, O
depresi O
, O
complementary O
loglog O
, O
random O
forest O
[SEP] O
Kesimpulan O
1. B-METODE
Model I-METODE
regresi I-METODE
complementary I-METODE
log-log I-METODE
dan O
SMOTE B-METODE
random O
forest O
cocok O
digunakan O
dalam O
menangani O
kasus O
penelitian. O
2. O
Pada B-TEMUAN
regresi I-TEMUAN
complementary I-TEMUAN
log-log I-TEMUAN
, I-TEMUAN
variabel I-TEMUAN
yang I-TEMUAN
memengaruhi I-TEMUAN
kejadian I-TEMUAN
penyakit I-TEMUAN
jantung I-TEMUAN
adalah I-TEMUAN
gejala I-TEMUAN
lelah I-TEMUAN
, I-TEMUAN
gangguan I-TEMUAN
tidur I-TEMUAN
, I-TEMUAN
perubahan I-TEMUAN
tempo I-TEMUAN
gerak I-TEMUAN
, I-TEMUAN
rasa I-TEMUAN
bersalah I-TEMUAN
, I-TEMUAN
menyakiti I-TEMUAN
diri I-TEMUAN
sendiri I-TEMUAN
, I-TEMUAN
status I-TEMUAN
hepatitis I-TEMUAN
, I-TEMUAN
status I-TEMUAN
kanker I-TEMUAN
, I-TEMUAN
status I-TEMUAN
asma I-TEMUAN
, I-TEMUAN
status I-TEMUAN
diabetes I-TEMUAN
mellitus I-TEMUAN
, I-TEMUAN
status I-TEMUAN
hipertensi I-TEMUAN
, I-TEMUAN
status I-TEMUAN
minum I-TEMUAN
minuman I-TEMUAN
beralkohol I-TEMUAN
, I-TEMUAN
status I-TEMUAN
strok I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
umur. I-TEMUAN
Untuk I-TEMUAN
variabel I-TEMUAN
interaksi I-TEMUAN
, I-TEMUAN
interaksi I-TEMUAN
yang I-TEMUAN
berpengaruh I-TEMUAN
adalah I-TEMUAN
interaksi I-TEMUAN
gejala I-TEMUAN
sedih I-TEMUAN
dan I-TEMUAN
murung I-TEMUAN
dan I-TEMUAN
status I-TEMUAN
hepatitis I-TEMUAN
, I-TEMUAN
interaksi I-TEMUAN
gejala I-TEMUAN
perubahan I-TEMUAN
nafsu I-TEMUAN
makan I-TEMUAN
dan I-TEMUAN
status I-TEMUAN
gangguan I-TEMUAN
pendengaran I-TEMUAN
, I-TEMUAN
interaksi I-TEMUAN
gejala I-TEMUAN
perubahan I-TEMUAN
nafsu I-TEMUAN
makan I-TEMUAN
dan I-TEMUAN
klasifikasi I-TEMUAN
daerah I-TEMUAN
, I-TEMUAN
interaksi I-TEMUAN
gejala I-TEMUAN
gangguan I-TEMUAN
tidur I-TEMUAN
dan I-TEMUAN
gejala I-TEMUAN
hilang I-TEMUAN
percaya I-TEMUAN
diri I-TEMUAN
, I-TEMUAN
interaksi I-TEMUAN
gejala I-TEMUAN
rasa I-TEMUAN
bersalah I-TEMUAN
dan I-TEMUAN
status I-TEMUAN
tuberculosis I-TEMUAN
paru I-TEMUAN
, I-TEMUAN
interaksi I-TEMUAN
gejala I-TEMUAN
perubahan I-TEMUAN
tempo I-TEMUAN
gerak I-TEMUAN
dan I-TEMUAN
gejala I-TEMUAN
menyakiti I-TEMUAN
diri I-TEMUAN
sendiri I-TEMUAN
, I-TEMUAN
interaksi I-TEMUAN
gejala I-TEMUAN
menyakiti I-TEMUAN
diri I-TEMUAN
sendiri I-TEMUAN
dan I-TEMUAN
tingkat I-TEMUAN
pendidikan I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
interaksi I-TEMUAN
status I-TEMUAN
hipertensi I-TEMUAN
dan I-TEMUAN
kenis I-TEMUAN
kelamin I-TEMUAN
3. O
Kedua O
model O
random O
forest O
dan O
regresi O
complementary O
log-log O
memberikan O
hasil O
yang O
baik O
secara O
evaluasi O
model. O
Kedua O
model O
memiliki O
kelebihan O
dan O
kekurangan O
masing-masing. B-METODE
Regresi I-METODE
complementary I-METODE
log-log I-METODE
unggul O
dalam O
hal O
interpretasi O
sedangkan O
random O
forest O
unggul O
dalam O
hal O
akurasi O
prediksi. O
Penggunaan O
interpretasi O
LIME O
pada O
model O
random O
forest O
juga O
membuat O
hasil O
klasifikasi O
menjadi O
lebih O
bermakna. O
Saran O
1. O
Penelitian O
selanjutnya O
dapat O
menggali O
lebih O
dalam O
terkait O
hubungan O
interaksi O
yang O
terjadi O
antara O
penyakit O
komorbid O
dan O
gejala O
depresi O
terhadap O
peningkatan O
risiko O
penyakit O
jantung O
2. O
Masyarakat O
dapat O
lebih O
memerhatikan O
dampak O
dari O
depresi O
terhadap O
peningkatan O
risiko O
penyakit O
jantung O
berdasarkan O
variabel O
yang O
telah O
dijelaskan O
sehingga O
peningkatan O
status O
kejadian O
penyakit O
jantung O
di O
Indonesia O
dapat O
diatasi. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O
[ O
16 O
] O
[ O
17 O
] O
[ O
18 O
] O
[ O
19 O
] O
[ O
20 O
] O
[ O
21 O
] O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Analisis O
Status O
Kejadian O
Penyakit O
Jantung O
pada O
Penderita O
Depresi O
di O
Indonesia O
Tahun O
2018 O
Athoillah O
Zakky O
Ramdhani O
( O
221910792 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Achmad O
Syahrul O
Choir O
S.ST O
, O
M.Si. O
dalam O
mengklasifikasi O
Ringkasan— O
Penelitian O
ini O
bertujuan O
untuk O
mengkaji B-TUJUAN
faktor- I-TUJUAN
faktor I-TUJUAN
yang I-TUJUAN
memengaruhi I-TUJUAN
kejadian I-TUJUAN
penyakit I-TUJUAN
jantung I-TUJUAN
serta O
membandingkan O
performa O
regresi O
complementary O
log-log O
dengan O
model O
seleksi O
stepwise O
dan O
interpretasi O
LIME O
dengan O
model O
SMOTE O
Random O
Forest O
dan O
menginterpretasi O
jantung O
pada O
status O
kejadian O
penyakit O
penderita O
depresi. O
Hasil O
penelitian O
menjelaskan O
bahwa O
terdapat B-TEMUAN
5 I-TEMUAN
gejala I-TEMUAN
depresi I-TEMUAN
, I-TEMUAN
6 I-TEMUAN
penyakit I-TEMUAN
komorbid I-TEMUAN
, I-TEMUAN
1 I-TEMUAN
faktor I-TEMUAN
gaya I-TEMUAN
hidup I-TEMUAN
, I-TEMUAN
1 I-TEMUAN
faktor I-TEMUAN
non I-TEMUAN
modifable I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
13 I-TEMUAN
interaksi I-TEMUAN
antar I-TEMUAN
variabel I-TEMUAN
yang I-TEMUAN
signifikan I-TEMUAN
dengan I-TEMUAN
regresi I-TEMUAN
complementary I-TEMUAN
log-log. I-TEMUAN
Selain O
itu O
, O
perbandingan O
model O
menjelaskan O
bahwa O
SMOTE O
Random O
Forest O
menghasilkan O
performa O
yang O
lebih O
baik O
dalam O
hal O
klasifikasi B-METODE
, O
sedangkan O
regresi B-METODE
complementary I-METODE
log-log I-METODE
menghasilkan O
performa O
yang O
lebih O
baik O
dalam O
hal O
interpretasi O
status O
kejadian O
penyakit O
jantung O
pada O
penderita O
depresi O
di O
Indonesia O
tahun O
2018. O
Kata O
Kunci— O
penyakit O
jantung O
, O
depresi O
, O
complementary O
loglog O
, O
random O
forest O
[SEP] O
Kesimpulan O
1. B-METODE
Model I-METODE
regresi I-METODE
complementary I-METODE
log-log I-METODE
dan O
SMOTE B-METODE
random O
forest O
cocok O
digunakan O
dalam O
menangani O
kasus O
penelitian. O
2. O
Pada B-TEMUAN
regresi I-TEMUAN
complementary I-TEMUAN
log-log I-TEMUAN
, I-TEMUAN
variabel I-TEMUAN
yang I-TEMUAN
memengaruhi I-TEMUAN
kejadian I-TEMUAN
penyakit I-TEMUAN
jantung I-TEMUAN
adalah I-TEMUAN
gejala I-TEMUAN
lelah I-TEMUAN
, I-TEMUAN
gangguan I-TEMUAN
tidur I-TEMUAN
, I-TEMUAN
perubahan I-TEMUAN
tempo I-TEMUAN
gerak I-TEMUAN
, I-TEMUAN
rasa I-TEMUAN
bersalah I-TEMUAN
, I-TEMUAN
menyakiti I-TEMUAN
diri I-TEMUAN
sendiri I-TEMUAN
, I-TEMUAN
status I-TEMUAN
hepatitis I-TEMUAN
, I-TEMUAN
status I-TEMUAN
kanker I-TEMUAN
, I-TEMUAN
status I-TEMUAN
asma I-TEMUAN
, I-TEMUAN
status I-TEMUAN
diabetes I-TEMUAN
mellitus I-TEMUAN
, I-TEMUAN
status I-TEMUAN
hipertensi I-TEMUAN
, I-TEMUAN
status I-TEMUAN
minum I-TEMUAN
minuman I-TEMUAN
beralkohol I-TEMUAN
, I-TEMUAN
status I-TEMUAN
strok I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
umur. I-TEMUAN
Untuk I-TEMUAN
variabel I-TEMUAN
interaksi I-TEMUAN
, I-TEMUAN
interaksi I-TEMUAN
yang I-TEMUAN
berpengaruh I-TEMUAN
adalah I-TEMUAN
interaksi I-TEMUAN
gejala I-TEMUAN
sedih I-TEMUAN
dan I-TEMUAN
murung I-TEMUAN
dan I-TEMUAN
status I-TEMUAN
hepatitis I-TEMUAN
, I-TEMUAN
interaksi I-TEMUAN
gejala I-TEMUAN
perubahan I-TEMUAN
nafsu I-TEMUAN
makan I-TEMUAN
dan I-TEMUAN
status I-TEMUAN
gangguan I-TEMUAN
pendengaran I-TEMUAN
, I-TEMUAN
interaksi I-TEMUAN
gejala I-TEMUAN
perubahan I-TEMUAN
nafsu I-TEMUAN
makan I-TEMUAN
dan I-TEMUAN
klasifikasi I-TEMUAN
daerah I-TEMUAN
, I-TEMUAN
interaksi I-TEMUAN
gejala I-TEMUAN
gangguan I-TEMUAN
tidur I-TEMUAN
dan I-TEMUAN
gejala I-TEMUAN
hilang I-TEMUAN
percaya I-TEMUAN
diri I-TEMUAN
, I-TEMUAN
interaksi I-TEMUAN
gejala I-TEMUAN
rasa I-TEMUAN
bersalah I-TEMUAN
dan I-TEMUAN
status I-TEMUAN
tuberculosis I-TEMUAN
paru I-TEMUAN
, I-TEMUAN
interaksi I-TEMUAN
gejala I-TEMUAN
perubahan I-TEMUAN
tempo I-TEMUAN
gerak I-TEMUAN
dan I-TEMUAN
gejala I-TEMUAN
menyakiti I-TEMUAN
diri I-TEMUAN
sendiri I-TEMUAN
, I-TEMUAN
interaksi I-TEMUAN
gejala I-TEMUAN
menyakiti I-TEMUAN
diri I-TEMUAN
sendiri I-TEMUAN
dan I-TEMUAN
tingkat I-TEMUAN
pendidikan I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
interaksi I-TEMUAN
status I-TEMUAN
hipertensi I-TEMUAN
dan I-TEMUAN
kenis I-TEMUAN
kelamin I-TEMUAN
3. O
Kedua O
model O
random O
forest O
dan O
regresi O
complementary O
log-log O
memberikan O
hasil O
yang O
baik O
secara O
evaluasi O
model. O
Kedua O
model O
memiliki O
kelebihan O
dan O
kekurangan O
masing-masing. B-METODE
Regresi I-METODE
complementary I-METODE
log-log I-METODE
unggul O
dalam O
hal O
interpretasi O
sedangkan O
random O
forest O
unggul O
dalam O
hal O
akurasi O
prediksi. O
Penggunaan O
interpretasi O
LIME O
pada O
model O
random O
forest O
juga O
membuat O
hasil O
klasifikasi O
menjadi O
lebih O
bermakna. O
Saran O
1. O
Penelitian O
selanjutnya O
dapat O
menggali O
lebih O
dalam O
terkait O
hubungan O
interaksi O
yang O
terjadi O
antara O
penyakit O
komorbid O
dan O
gejala O
depresi O
terhadap O
peningkatan O
risiko O
penyakit O
jantung O
2. O
Masyarakat O
dapat O
lebih O
memerhatikan O
dampak O
dari O
depresi O
terhadap O
peningkatan O
risiko O
penyakit O
jantung O
berdasarkan O
variabel O
yang O
telah O
dijelaskan O
sehingga O
peningkatan O
status O
kejadian O
penyakit O
jantung O
di O
Indonesia O
dapat O
diatasi. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O
[ O
16 O
] O
[ O
17 O
] O
[ O
18 O
] O
[ O
19 O
] O
[ O
20 O
] O
[ O
21 O
] O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Analisis O
Status O
Kejadian O
Penyakit O
Jantung O
pada O
Penderita O
Depresi O
di O
Indonesia O
Tahun O
2018 O
Athoillah O
Zakky O
Ramdhani O
( O
221910792 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Achmad O
Syahrul O
Choir O
S.ST O
, O
M.Si. O
dalam O
mengklasifikasi O
Ringkasan— O
Penelitian O
ini O
bertujuan O
untuk O
mengkaji B-TUJUAN
faktor- I-TUJUAN
faktor I-TUJUAN
yang I-TUJUAN
memengaruhi I-TUJUAN
kejadian I-TUJUAN
penyakit I-TUJUAN
jantung I-TUJUAN
serta O
membandingkan O
performa O
regresi O
complementary O
log-log O
dengan O
model O
seleksi O
stepwise O
dan O
interpretasi O
LIME O
dengan O
model O
SMOTE O
Random O
Forest O
dan O
menginterpretasi O
jantung O
pada O
status O
kejadian O
penyakit O
penderita O
depresi. O
Hasil O
penelitian O
menjelaskan O
bahwa O
terdapat B-TEMUAN
5 I-TEMUAN
gejala I-TEMUAN
depresi I-TEMUAN
, I-TEMUAN
6 I-TEMUAN
penyakit I-TEMUAN
komorbid I-TEMUAN
, I-TEMUAN
1 I-TEMUAN
faktor I-TEMUAN
gaya I-TEMUAN
hidup I-TEMUAN
, I-TEMUAN
1 I-TEMUAN
faktor I-TEMUAN
non I-TEMUAN
modifable I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
13 I-TEMUAN
interaksi I-TEMUAN
antar I-TEMUAN
variabel I-TEMUAN
yang I-TEMUAN
signifikan I-TEMUAN
dengan I-TEMUAN
regresi I-TEMUAN
complementary I-TEMUAN
log-log. I-TEMUAN
Selain O
itu O
, O
perbandingan O
model O
menjelaskan O
bahwa O
SMOTE O
Random O
Forest O
menghasilkan O
performa O
yang O
lebih O
baik O
dalam O
hal O
klasifikasi B-METODE
, O
sedangkan O
regresi B-METODE
complementary I-METODE
log-log I-METODE
menghasilkan O
performa O
yang O
lebih O
baik O
dalam O
hal O
interpretasi O
status O
kejadian O
penyakit O
jantung O
pada O
penderita O
depresi O
di O
Indonesia O
tahun O
2018. O
Kata O
Kunci— O
penyakit O
jantung O
, O
depresi O
, O
complementary O
loglog O
, O
random O
forest O
[SEP] O
Kesimpulan O
1. B-METODE
Model I-METODE
regresi I-METODE
complementary I-METODE
log-log I-METODE
dan O
SMOTE B-METODE
random O
forest O
cocok O
digunakan O
dalam O
menangani O
kasus O
penelitian. O
2. O
Pada B-TEMUAN
regresi I-TEMUAN
complementary I-TEMUAN
log-log I-TEMUAN
, I-TEMUAN
variabel I-TEMUAN
yang I-TEMUAN
memengaruhi I-TEMUAN
kejadian I-TEMUAN
penyakit I-TEMUAN
jantung I-TEMUAN
adalah I-TEMUAN
gejala I-TEMUAN
lelah I-TEMUAN
, I-TEMUAN
gangguan I-TEMUAN
tidur I-TEMUAN
, I-TEMUAN
perubahan I-TEMUAN
tempo I-TEMUAN
gerak I-TEMUAN
, I-TEMUAN
rasa I-TEMUAN
bersalah I-TEMUAN
, I-TEMUAN
menyakiti I-TEMUAN
diri I-TEMUAN
sendiri I-TEMUAN
, I-TEMUAN
status I-TEMUAN
hepatitis I-TEMUAN
, I-TEMUAN
status I-TEMUAN
kanker I-TEMUAN
, I-TEMUAN
status I-TEMUAN
asma I-TEMUAN
, I-TEMUAN
status I-TEMUAN
diabetes I-TEMUAN
mellitus I-TEMUAN
, I-TEMUAN
status I-TEMUAN
hipertensi I-TEMUAN
, I-TEMUAN
status I-TEMUAN
minum I-TEMUAN
minuman I-TEMUAN
beralkohol I-TEMUAN
, I-TEMUAN
status I-TEMUAN
strok I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
umur. I-TEMUAN
Untuk I-TEMUAN
variabel I-TEMUAN
interaksi I-TEMUAN
, I-TEMUAN
interaksi I-TEMUAN
yang I-TEMUAN
berpengaruh I-TEMUAN
adalah I-TEMUAN
interaksi I-TEMUAN
gejala I-TEMUAN
sedih I-TEMUAN
dan I-TEMUAN
murung I-TEMUAN
dan I-TEMUAN
status I-TEMUAN
hepatitis I-TEMUAN
, I-TEMUAN
interaksi I-TEMUAN
gejala I-TEMUAN
perubahan I-TEMUAN
nafsu I-TEMUAN
makan I-TEMUAN
dan I-TEMUAN
status I-TEMUAN
gangguan I-TEMUAN
pendengaran I-TEMUAN
, I-TEMUAN
interaksi I-TEMUAN
gejala I-TEMUAN
perubahan I-TEMUAN
nafsu I-TEMUAN
makan I-TEMUAN
dan I-TEMUAN
klasifikasi I-TEMUAN
daerah I-TEMUAN
, I-TEMUAN
interaksi I-TEMUAN
gejala I-TEMUAN
gangguan I-TEMUAN
tidur I-TEMUAN
dan I-TEMUAN
gejala I-TEMUAN
hilang I-TEMUAN
percaya I-TEMUAN
diri I-TEMUAN
, I-TEMUAN
interaksi I-TEMUAN
gejala I-TEMUAN
rasa I-TEMUAN
bersalah I-TEMUAN
dan I-TEMUAN
status I-TEMUAN
tuberculosis I-TEMUAN
paru I-TEMUAN
, I-TEMUAN
interaksi I-TEMUAN
gejala I-TEMUAN
perubahan I-TEMUAN
tempo I-TEMUAN
gerak I-TEMUAN
dan I-TEMUAN
gejala I-TEMUAN
menyakiti I-TEMUAN
diri I-TEMUAN
sendiri I-TEMUAN
, I-TEMUAN
interaksi I-TEMUAN
gejala I-TEMUAN
menyakiti I-TEMUAN
diri I-TEMUAN
sendiri I-TEMUAN
dan I-TEMUAN
tingkat I-TEMUAN
pendidikan I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
interaksi I-TEMUAN
status I-TEMUAN
hipertensi I-TEMUAN
dan I-TEMUAN
kenis I-TEMUAN
kelamin I-TEMUAN
3. O
Kedua O
model O
random O
forest O
dan O
regresi O
complementary O
log-log O
memberikan O
hasil O
yang O
baik O
secara O
evaluasi O
model. O
Kedua O
model O
memiliki O
kelebihan O
dan O
kekurangan O
masing-masing. B-METODE
Regresi I-METODE
complementary I-METODE
log-log I-METODE
unggul O
dalam O
hal O
interpretasi O
sedangkan O
random O
forest O
unggul O
dalam O
hal O
akurasi O
prediksi. O
Penggunaan O
interpretasi O
LIME O
pada O
model O
random O
forest O
juga O
membuat O
hasil O
klasifikasi O
menjadi O
lebih O
bermakna. O
Saran O
1. O
Penelitian O
selanjutnya O
dapat O
menggali O
lebih O
dalam O
terkait O
hubungan O
interaksi O
yang O
terjadi O
antara O
penyakit O
komorbid O
dan O
gejala O
depresi O
terhadap O
peningkatan O
risiko O
penyakit O
jantung O
2. O
Masyarakat O
dapat O
lebih O
memerhatikan O
dampak O
dari O
depresi O
terhadap O
peningkatan O
risiko O
penyakit O
jantung O
berdasarkan O
variabel O
yang O
telah O
dijelaskan O
sehingga O
peningkatan O
status O
kejadian O
penyakit O
jantung O
di O
Indonesia O
dapat O
diatasi. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O
[ O
16 O
] O
[ O
17 O
] O
[ O
18 O
] O
[ O
19 O
] O
[ O
20 O
] O
[ O
21 O
] O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Estimasi O
Emisi O
Polutan O
Kapal O
di O
Pelabuhan O
Tanjung O
Priok O
Studi O
Kasus O
: O
Data O
AIS O
Dodik O
Setyawan O
( O
221910788 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Rani O
Nooraeni O
, O
S.S.T O
, O
M.Stat O
Ringkasan—Automatic O
Identification O
System O
( O
AIS O
) O
yaitu O
sistem O
komunikasi O
maritim O
internasional O
dan O
melacak O
lalu O
lintas O
kapal O
yang O
mampu O
menyediakan O
informasi O
kapal. O
Pemanfaatan O
Data O
AIS O
mulai O
diterapkan O
di O
berbagai O
bidang O
seperti O
perdagangan O
, O
perhitungan O
emisi O
polutan O
, O
peramalan O
lalu O
lintas O
kapal. O
Pada O
penelitian O
ini O
Data O
AIS O
akan O
digunakan O
untuk O
menghitung B-TUJUAN
estimasi I-TUJUAN
emisi I-TUJUAN
politan I-TUJUAN
yang I-TUJUAN
disebabkan I-TUJUAN
oleh I-TUJUAN
kapal I-TUJUAN
di I-TUJUAN
pelabuhan I-TUJUAN
Tanjung I-TUJUAN
Priok I-TUJUAN
dan I-TUJUAN
membandingkannya I-TUJUAN
dengan I-TUJUAN
inventarisasi I-TUJUAN
emisi I-TUJUAN
pencemaran I-TUJUAN
udara. I-TUJUAN
Sumber O
data O
yang O
digunakan O
adalah O
data O
AIS O
, O
data O
Marine O
Vessel O
Traffic O
dan O
Marine O
Man O
Ship O
Management. O
Metode O
yang O
digunakan O
untuk O
menghitung O
emisi O
menggunakan O
formula B-METODE
EMEP I-METODE
/ I-METODE
EEA I-METODE
Kata O
Kunci— O
AIS O
, O
Polutan O
, O
EMEP O
, O
Emisi O
, O
Pelabuhan O
[SEP] O
Berdasarkan O
hasil O
penelitian O
dan O
pembahasan O
yang O
telah O
dipaparkan O
, O
maka O
kesimpulan O
yang O
dapat O
diambil O
dari O
penelitian O
ini O
yaitu O
, O
penelitian O
untuk O
mengestimasi O
emisi O
polutan O
dari O
transportasi O
laut O
sangat O
memungkinan O
dengan O
menggunakan O
data O
dari O
Automatic O
Identification O
System O
harus O
melakukan O
preprocessing O
yang O
tepat. O
Pada O
penelitian O
ini O
terdapat O
tiga O
jenis O
kapal O
yang O
memiliki O
kontribusi O
emisi O
terbesar O
, O
yaitu O
kapal O
cargo O
, O
kapal O
tanker O
dan O
kapal O
jenis O
lainnya. O
Kapal B-TEMUAN
cargo I-TEMUAN
memiliki I-TEMUAN
kontribusi I-TEMUAN
paling I-TEMUAN
besar I-TEMUAN
dari I-TEMUAN
tujuh I-TEMUAN
jenis I-TEMUAN
kapal I-TEMUAN
lainnya. I-TEMUAN
Hal I-TEMUAN
ini I-TEMUAN
disebabkan I-TEMUAN
karena I-TEMUAN
kapal I-TEMUAN
yang I-TEMUAN
melewati I-TEMUAN
pelabuhan I-TEMUAN
Tanjung I-TEMUAN
Priok I-TEMUAN
memang I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
mendominasi I-TEMUAN
adalah I-TEMUAN
tipe I-TEMUAN
kapal I-TEMUAN
cargo. I-TEMUAN
Sehingga O
, O
saran O
untuk O
pengambilan O
kebijakan O
pada O
pemerintah O
untuk O
lebih O
mengurangi O
kapal O
cargo O
yang O
masuk O
ataupun O
mengganti O
bahan O
bakar O
kapal O
cargo O
dengan O
bahan O
bakar O
yang O
lebih O
ramah O
lingkungan O

Estimasi O
Emisi O
Polutan O
Kapal O
di O
Pelabuhan O
Tanjung O
Priok O
Studi O
Kasus O
: O
Data O
AIS O
Dodik O
Setyawan O
( O
221910788 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Rani O
Nooraeni O
, O
S.S.T O
, O
M.Stat O
Ringkasan—Automatic O
Identification O
System O
( O
AIS O
) O
yaitu O
sistem O
komunikasi O
maritim O
internasional O
dan O
melacak O
lalu O
lintas O
kapal O
yang O
mampu O
menyediakan O
informasi O
kapal. O
Pemanfaatan O
Data O
AIS O
mulai O
diterapkan O
di O
berbagai O
bidang O
seperti O
perdagangan O
, O
perhitungan O
emisi O
polutan O
, O
peramalan O
lalu O
lintas O
kapal. O
Pada O
penelitian O
ini O
Data O
AIS O
akan O
digunakan O
untuk O
menghitung B-TUJUAN
estimasi I-TUJUAN
emisi I-TUJUAN
politan I-TUJUAN
yang I-TUJUAN
disebabkan I-TUJUAN
oleh I-TUJUAN
kapal I-TUJUAN
di I-TUJUAN
pelabuhan I-TUJUAN
Tanjung I-TUJUAN
Priok I-TUJUAN
dan I-TUJUAN
membandingkannya I-TUJUAN
dengan I-TUJUAN
inventarisasi I-TUJUAN
emisi I-TUJUAN
pencemaran I-TUJUAN
udara. I-TUJUAN
Sumber O
data O
yang O
digunakan O
adalah O
data O
AIS O
, O
data O
Marine O
Vessel O
Traffic O
dan O
Marine O
Man O
Ship O
Management. O
Metode O
yang O
digunakan O
untuk O
menghitung O
emisi O
menggunakan O
formula B-METODE
EMEP I-METODE
/ I-METODE
EEA I-METODE
Kata O
Kunci— O
AIS O
, O
Polutan O
, O
EMEP O
, O
Emisi O
, O
Pelabuhan O
[SEP] O
Berdasarkan O
hasil O
penelitian O
dan O
pembahasan O
yang O
telah O
dipaparkan O
, O
maka O
kesimpulan O
yang O
dapat O
diambil O
dari O
penelitian O
ini O
yaitu O
, O
penelitian O
untuk O
mengestimasi O
emisi O
polutan O
dari O
transportasi O
laut O
sangat O
memungkinan O
dengan O
menggunakan O
data O
dari O
Automatic O
Identification O
System O
harus O
melakukan O
preprocessing O
yang O
tepat. O
Pada O
penelitian O
ini O
terdapat O
tiga O
jenis O
kapal O
yang O
memiliki O
kontribusi O
emisi O
terbesar O
, O
yaitu O
kapal O
cargo O
, O
kapal O
tanker O
dan O
kapal O
jenis O
lainnya. O
Kapal B-TEMUAN
cargo I-TEMUAN
memiliki I-TEMUAN
kontribusi I-TEMUAN
paling I-TEMUAN
besar I-TEMUAN
dari I-TEMUAN
tujuh I-TEMUAN
jenis I-TEMUAN
kapal I-TEMUAN
lainnya. I-TEMUAN
Hal I-TEMUAN
ini I-TEMUAN
disebabkan I-TEMUAN
karena I-TEMUAN
kapal I-TEMUAN
yang I-TEMUAN
melewati I-TEMUAN
pelabuhan I-TEMUAN
Tanjung I-TEMUAN
Priok I-TEMUAN
memang I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
mendominasi I-TEMUAN
adalah I-TEMUAN
tipe I-TEMUAN
kapal I-TEMUAN
cargo. I-TEMUAN
Sehingga O
, O
saran O
untuk O
pengambilan O
kebijakan O
pada O
pemerintah O
untuk O
lebih O
mengurangi O
kapal O
cargo O
yang O
masuk O
ataupun O
mengganti O
bahan O
bakar O
kapal O
cargo O
dengan O
bahan O
bakar O
yang O
lebih O
ramah O
lingkungan O

Estimasi O
Emisi O
Polutan O
Kapal O
di O
Pelabuhan O
Tanjung O
Priok O
Studi O
Kasus O
: O
Data O
AIS O
Dodik O
Setyawan O
( O
221910788 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Rani O
Nooraeni O
, O
S.S.T O
, O
M.Stat O
Ringkasan—Automatic O
Identification O
System O
( O
AIS O
) O
yaitu O
sistem O
komunikasi O
maritim O
internasional O
dan O
melacak O
lalu O
lintas O
kapal O
yang O
mampu O
menyediakan O
informasi O
kapal. O
Pemanfaatan O
Data O
AIS O
mulai O
diterapkan O
di O
berbagai O
bidang O
seperti O
perdagangan O
, O
perhitungan O
emisi O
polutan O
, O
peramalan O
lalu O
lintas O
kapal. O
Pada O
penelitian O
ini O
Data O
AIS O
akan O
digunakan O
untuk O
menghitung B-TUJUAN
estimasi I-TUJUAN
emisi I-TUJUAN
politan I-TUJUAN
yang I-TUJUAN
disebabkan I-TUJUAN
oleh I-TUJUAN
kapal I-TUJUAN
di I-TUJUAN
pelabuhan I-TUJUAN
Tanjung I-TUJUAN
Priok I-TUJUAN
dan I-TUJUAN
membandingkannya I-TUJUAN
dengan I-TUJUAN
inventarisasi I-TUJUAN
emisi I-TUJUAN
pencemaran I-TUJUAN
udara. I-TUJUAN
Sumber O
data O
yang O
digunakan O
adalah O
data O
AIS O
, O
data O
Marine O
Vessel O
Traffic O
dan O
Marine O
Man O
Ship O
Management. O
Metode O
yang O
digunakan O
untuk O
menghitung O
emisi O
menggunakan O
formula B-METODE
EMEP I-METODE
/ I-METODE
EEA I-METODE
Kata O
Kunci— O
AIS O
, O
Polutan O
, O
EMEP O
, O
Emisi O
, O
Pelabuhan O
[SEP] O
Berdasarkan O
hasil O
penelitian O
dan O
pembahasan O
yang O
telah O
dipaparkan O
, O
maka O
kesimpulan O
yang O
dapat O
diambil O
dari O
penelitian O
ini O
yaitu O
, O
penelitian O
untuk O
mengestimasi O
emisi O
polutan O
dari O
transportasi O
laut O
sangat O
memungkinan O
dengan O
menggunakan O
data O
dari O
Automatic O
Identification O
System O
harus O
melakukan O
preprocessing O
yang O
tepat. O
Pada O
penelitian O
ini O
terdapat O
tiga O
jenis O
kapal O
yang O
memiliki O
kontribusi O
emisi O
terbesar O
, O
yaitu O
kapal O
cargo O
, O
kapal O
tanker O
dan O
kapal O
jenis O
lainnya. O
Kapal B-TEMUAN
cargo I-TEMUAN
memiliki I-TEMUAN
kontribusi I-TEMUAN
paling I-TEMUAN
besar I-TEMUAN
dari I-TEMUAN
tujuh I-TEMUAN
jenis I-TEMUAN
kapal I-TEMUAN
lainnya. I-TEMUAN
Hal I-TEMUAN
ini I-TEMUAN
disebabkan I-TEMUAN
karena I-TEMUAN
kapal I-TEMUAN
yang I-TEMUAN
melewati I-TEMUAN
pelabuhan I-TEMUAN
Tanjung I-TEMUAN
Priok I-TEMUAN
memang I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
mendominasi I-TEMUAN
adalah I-TEMUAN
tipe I-TEMUAN
kapal I-TEMUAN
cargo. I-TEMUAN
Sehingga O
, O
saran O
untuk O
pengambilan O
kebijakan O
pada O
pemerintah O
untuk O
lebih O
mengurangi O
kapal O
cargo O
yang O
masuk O
ataupun O
mengganti O
bahan O
bakar O
kapal O
cargo O
dengan O
bahan O
bakar O
yang O
lebih O
ramah O
lingkungan O

Estimasi O
Emisi O
Polutan O
Kapal O
di O
Pelabuhan O
Tanjung O
Priok O
Studi O
Kasus O
: O
Data O
AIS O
Dodik O
Setyawan O
( O
221910788 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Rani O
Nooraeni O
, O
S.S.T O
, O
M.Stat O
Ringkasan—Automatic O
Identification O
System O
( O
AIS O
) O
yaitu O
sistem O
komunikasi O
maritim O
internasional O
dan O
melacak O
lalu O
lintas O
kapal O
yang O
mampu O
menyediakan O
informasi O
kapal. O
Pemanfaatan O
Data O
AIS O
mulai O
diterapkan O
di O
berbagai O
bidang O
seperti O
perdagangan O
, O
perhitungan O
emisi O
polutan O
, O
peramalan O
lalu O
lintas O
kapal. O
Pada O
penelitian O
ini O
Data O
AIS O
akan O
digunakan O
untuk O
menghitung B-TUJUAN
estimasi I-TUJUAN
emisi I-TUJUAN
politan I-TUJUAN
yang I-TUJUAN
disebabkan I-TUJUAN
oleh I-TUJUAN
kapal I-TUJUAN
di I-TUJUAN
pelabuhan I-TUJUAN
Tanjung I-TUJUAN
Priok I-TUJUAN
dan I-TUJUAN
membandingkannya I-TUJUAN
dengan I-TUJUAN
inventarisasi I-TUJUAN
emisi I-TUJUAN
pencemaran I-TUJUAN
udara. I-TUJUAN
Sumber O
data O
yang O
digunakan O
adalah O
data O
AIS O
, O
data O
Marine O
Vessel O
Traffic O
dan O
Marine O
Man O
Ship O
Management. O
Metode O
yang O
digunakan O
untuk O
menghitung O
emisi O
menggunakan O
formula B-METODE
EMEP I-METODE
/ I-METODE
EEA I-METODE
Kata O
Kunci— O
AIS O
, O
Polutan O
, O
EMEP O
, O
Emisi O
, O
Pelabuhan O
[SEP] O
Berdasarkan O
hasil O
penelitian O
dan O
pembahasan O
yang O
telah O
dipaparkan O
, O
maka O
kesimpulan O
yang O
dapat O
diambil O
dari O
penelitian O
ini O
yaitu O
, O
penelitian O
untuk O
mengestimasi O
emisi O
polutan O
dari O
transportasi O
laut O
sangat O
memungkinan O
dengan O
menggunakan O
data O
dari O
Automatic O
Identification O
System O
harus O
melakukan O
preprocessing O
yang O
tepat. O
Pada O
penelitian O
ini O
terdapat O
tiga O
jenis O
kapal O
yang O
memiliki O
kontribusi O
emisi O
terbesar O
, O
yaitu O
kapal O
cargo O
, O
kapal O
tanker O
dan O
kapal O
jenis O
lainnya. O
Kapal B-TEMUAN
cargo I-TEMUAN
memiliki I-TEMUAN
kontribusi I-TEMUAN
paling I-TEMUAN
besar I-TEMUAN
dari I-TEMUAN
tujuh I-TEMUAN
jenis I-TEMUAN
kapal I-TEMUAN
lainnya. I-TEMUAN
Hal I-TEMUAN
ini I-TEMUAN
disebabkan I-TEMUAN
karena I-TEMUAN
kapal I-TEMUAN
yang I-TEMUAN
melewati I-TEMUAN
pelabuhan I-TEMUAN
Tanjung I-TEMUAN
Priok I-TEMUAN
memang I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
mendominasi I-TEMUAN
adalah I-TEMUAN
tipe I-TEMUAN
kapal I-TEMUAN
cargo. I-TEMUAN
Sehingga O
, O
saran O
untuk O
pengambilan O
kebijakan O
pada O
pemerintah O
untuk O
lebih O
mengurangi O
kapal O
cargo O
yang O
masuk O
ataupun O
mengganti O
bahan O
bakar O
kapal O
cargo O
dengan O
bahan O
bakar O
yang O
lebih O
ramah O
lingkungan O

Pemodelan O
Data O
Pengeluaran O
Per O
Kapita O
Rumah O
Tangga O
Provinsi O
Jawa O
Timur O
Tahun O
2021 O
dengan O
Pendekatan O
Bayesian O
Sarah O
Mutia O
( O
221910787 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Rindang O
Bangun O
Prasetyo O
, O
S.S.T. O
, O
M.Si. O
Ringkasan— O
Pemodelan O
data O
pengeluaran O
per O
kapita O
rumah O
tangga O
sangat O
penting O
sebagai O
dasar O
pengambilan O
kebijakan O
pemerintah O
dalam O
pengentasan O
kemiskinan. O
Pemodelan O
ini O
dilakukan O
karena O
data O
pengeluaran O
per O
kapita O
rumah O
tangga O
sulit O
diperoleh O
melalui O
sensus O
sehingga O
diharapkan O
hasil O
pemodelan O
dapat O
digunakan O
untuk O
memprediksi O
nilai O
pengeluaran O
per O
kapita O
rumah O
tangga O
pada O
data O
hasil O
sensus. O
Pengeluaran O
per O
kapita O
rumah O
tangga O
memiliki O
karakteristik O
selalu O
positif O
dan O
menceng O
kanan. O
Maka O
dari O
itu O
, O
pemodelan B-METODE
dengan I-METODE
pendekatan I-METODE
Bayesian I-METODE
menjadi O
solusi O
dalam O
mengatasi O
distribusi O
data O
tidak O
normal. O
Tujuan O
penelitian O
ini O
adalah O
untuk O
mendapatkan B-TUJUAN
model I-TUJUAN
pengeluaran I-TUJUAN
per I-TUJUAN
kapita I-TUJUAN
rumah I-TUJUAN
tangga I-TUJUAN
dengan I-TUJUAN
pendekatan I-TUJUAN
Bayesian. I-TUJUAN
Pendugaan O
parameter O
didasarkan O
atas O
distribusi O
Lognormal O
dengan O
metode O
MCMC O
dari O
distribusi O
posterior O
dengan O
Gibbs O
sampling O
sebanyak O
40.000 O
iterasi O
yang O
konvergen O
, O
burn-in O
2.000 O
, O
dan O
n-chain O
2. O
Hasil B-TEMUAN
penelitian I-TEMUAN
menunjukkan I-TEMUAN
semua I-TEMUAN
parameter I-TEMUAN
model I-TEMUAN
dapat I-TEMUAN
diduga I-TEMUAN
secara I-TEMUAN
signifikan I-TEMUAN
karena I-TEMUAN
credible I-TEMUAN
interval I-TEMUAN
pada I-TEMUAN
taraf I-TEMUAN
signifikansi I-TEMUAN
95 I-TEMUAN
% I-TEMUAN
yang I-TEMUAN
ditandai I-TEMUAN
dengan I-TEMUAN
persentil I-TEMUAN
2,5 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
97,5 I-TEMUAN
% I-TEMUAN
dari I-TEMUAN
posterior I-TEMUAN
tidak I-TEMUAN
memuat I-TEMUAN
nilai I-TEMUAN
nol. I-TEMUAN
Nilai O
DIC O
yang O
terbentuk O
merupakan O
nilai O
DIC O
terbaik O
setelah O
dilakukan O
beberapa O
kali O
pemodelan. O
Kata O
Kunci— O
Pengeluaran O
per O
kapita O
, O
Bayesian O
, O
Lognormal O
, O
MCMC. O
[SEP] O
Data O
pengeluaran O
per O
kapita O
rumah O
tangga O
Provinsi O
Jawa O
Timur O
tahun O
2021 O
tangga O
memiliki O
nilai O
mean O
atau O
rata-rata O
sebesar O
1.180.527,73 O
, O
nilai O
terendah O
166.785,71 O
, O
dan O
nilai O
tertinggi O
32.694.411,60. O
Jumlah O
sampel O
rumah O
tangga O
yang O
pengeluaran O
per O
kapitanya O
di O
bawah O
rata-rata O
lebih O
banyak O
yaitu O
66 O
persen O
dibanding O
dengan O
rumah O
tangga O
yang O
pengeluaran O
per O
kapitanya O
lebih O
dari O
atau O
sama O
dengan O
rata-rata O
yaitu O
sebanyak O
34 O
persen. O
Hal O
ini O
menunjukkan O
bahwa O
distribusi O
data O
pengeluaran O
per O
kapita O
rumah O
tangga O
tidak O
simetris O
dan O
menceng O
kanan O
karena O
7 O
/ O
8 O
nilai O
yang O
berada O
di O
bawah O
rata-rata O
jauh O
lebih O
banyak O
dibandingkan O
dengan O
nilai O
yang O
berada O
di O
atas O
rata-rata. O
Dengan O
merancang O
rantai O
Markov O
dari O
distribusi O
posterior O
dengan O
Gibbs O
sampling O
sebanyak O
40.000 O
iterasi O
yang O
konvergen O
, O
burn-in O
sebanyak O
2.000 O
, O
dan O
n-chain O
sebanyak O
2 O
diperoleh O
persamaan O
pengeluaran O
per O
kapita O
rumah O
tangga O
dengan O
pendekatan O
Bayesian O
sebagai O
berikut O
: O
𝑌̂ O
= O
2,5779964 O
− O
0,0007570𝑋1 O
− O
0,0001740𝑋2 O
− O
0,0043353𝑋3 O
+ O
0,0225708𝑋4 O
+ O
0,0003682𝑋5 O
+ O
0,0188955𝑋6 O
+ O
0,0089563𝑋7 O
+ O
0,0093462𝑋8 O
+ O
0,0192081𝑋9. O
Hasil B-TEMUAN
pemodelan I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
seluruh I-TEMUAN
parameter I-TEMUAN
tidak I-TEMUAN
memuat I-TEMUAN
nol I-TEMUAN
pada I-TEMUAN
credible I-TEMUAN
interval I-TEMUAN
2,5 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
97,5 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
artinya I-TEMUAN
bahwa I-TEMUAN
variabel I-TEMUAN
jumlah I-TEMUAN
anggota I-TEMUAN
rumah I-TEMUAN
tangga I-TEMUAN
, I-TEMUAN
umur I-TEMUAN
kepala I-TEMUAN
rumah I-TEMUAN
tangga I-TEMUAN
, I-TEMUAN
status I-TEMUAN
perkawinan I-TEMUAN
kepala I-TEMUAN
rumah I-TEMUAN
tangga I-TEMUAN
, I-TEMUAN
ijazah I-TEMUAN
tertinggi I-TEMUAN
kepala I-TEMUAN
rumah I-TEMUAN
tangga I-TEMUAN
, I-TEMUAN
luas I-TEMUAN
lantai I-TEMUAN
per I-TEMUAN
kapita I-TEMUAN
, I-TEMUAN
jenis I-TEMUAN
lantai I-TEMUAN
terluas I-TEMUAN
, I-TEMUAN
jenis I-TEMUAN
kloset I-TEMUAN
, I-TEMUAN
jenis I-TEMUAN
dinding I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
bahan I-TEMUAN
bakar I-TEMUAN
untuk I-TEMUAN
memasak I-TEMUAN
secara I-TEMUAN
signifikan I-TEMUAN
berpengaruh I-TEMUAN
terhadap I-TEMUAN
variabel I-TEMUAN
pengeluaran I-TEMUAN
per I-TEMUAN
kapita I-TEMUAN
rumah I-TEMUAN
tangga. I-TEMUAN
B. O
Saran O
Berdasarkan O
Berdasarkan O
kesimpulan O
dari O
hasil O
penelitian O
ini O
, O
terdapat O
beberapa O
saran O
agar O
penelitian O
ini O
dapat O
dikembangkan O
dan O
dapat O
bermanfaat. O
Saran O
pada O
penelitian O
ini O
ditujukan O
untuk O
peneliti O
selanjutnya O
dan O
untuk O
pemerintah. O
Saran O
untuk O
Penelitian O
Selanjutnya O
1. O
Melakukan O
pemodelan O
pengeluaran O
per O
kapita O
rumah O
tangga O
dengan O
pendekatan O
Multilevel O
Bayesian B-METODE
yaitu O
mengombinasikan O
level O
kabupaten O
/ O
kota O
untuk O
dapat O
melihat O
pengaruh O
variabel- O
variabel O
level O
kabupaten O
kota O
terhadap O
pengeluaran O
per O
kapita O
rumah O
tangga. O
tangga O
dan O
rumah O
level O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O
[ O
16 O
] O
[ O
17 O
] O
[ O
18 O
] O
2. O
Menyajikan O
hasil O
uji O
konvergensi O
pemodelan O
dengan O
[ O
19 O
] O
Rshiny O
sebagai O
visualisasi O
dinamis. O
Saran O
untuk O
Pemerintah O
1. O
Pemerintah O
Jawa O
Timur O
perlu O
memberikan O
dukungan O
penuh O
kepada O
penduduk O
untuk O
meningkatkan O
pendidikan O
pada O
masing-masing O
individu. O
Hal O
ini O
dikarenakan O
dengan O
meningkatnya O
tingkat O
pendidikan O
maka O
kesejahteraan O
masyarakat O
akan O
semakin O
baik. O
2. O
Pemerintah O
Jawa O
Timur O
hendaknya O
memperhatikan O
rumah O
tangga O
yang O
keadaan O
perumahannya O
masih O
tergolong O
tidak O
layak O
huni O
sebagai O
bentuk O
upaya O
meningkatkan O
kesejahteraan. O
3. O
Perlu O
adanya O
pemantauan O
dan O
perhatian O
khusus O
seperti O
pemberian O
bantuan O
yang O
tepat O
sasran O
kepada O
rumah O
tangga O
yang O
memiliki O
tingkat O
kesejahteraan O
kurang O
baik. O

Pemodelan O
Data O
Pengeluaran O
Per O
Kapita O
Rumah O
Tangga O
Provinsi O
Jawa O
Timur O
Tahun O
2021 O
dengan O
Pendekatan O
Bayesian O
Sarah O
Mutia O
( O
221910787 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Rindang O
Bangun O
Prasetyo O
, O
S.S.T. O
, O
M.Si. O
Ringkasan— O
Pemodelan O
data O
pengeluaran O
per O
kapita O
rumah O
tangga O
sangat O
penting O
sebagai O
dasar O
pengambilan O
kebijakan O
pemerintah O
dalam O
pengentasan O
kemiskinan. O
Pemodelan O
ini O
dilakukan O
karena O
data O
pengeluaran O
per O
kapita O
rumah O
tangga O
sulit O
diperoleh O
melalui O
sensus O
sehingga O
diharapkan O
hasil O
pemodelan O
dapat O
digunakan O
untuk O
memprediksi O
nilai O
pengeluaran O
per O
kapita O
rumah O
tangga O
pada O
data O
hasil O
sensus. O
Pengeluaran O
per O
kapita O
rumah O
tangga O
memiliki O
karakteristik O
selalu O
positif O
dan O
menceng O
kanan. O
Maka O
dari O
itu O
, O
pemodelan B-METODE
dengan I-METODE
pendekatan I-METODE
Bayesian I-METODE
menjadi O
solusi O
dalam O
mengatasi O
distribusi O
data O
tidak O
normal. O
Tujuan O
penelitian O
ini O
adalah O
untuk O
mendapatkan B-TUJUAN
model I-TUJUAN
pengeluaran I-TUJUAN
per I-TUJUAN
kapita I-TUJUAN
rumah I-TUJUAN
tangga I-TUJUAN
dengan I-TUJUAN
pendekatan I-TUJUAN
Bayesian. I-TUJUAN
Pendugaan O
parameter O
didasarkan O
atas O
distribusi O
Lognormal O
dengan O
metode O
MCMC O
dari O
distribusi O
posterior O
dengan O
Gibbs O
sampling O
sebanyak O
40.000 O
iterasi O
yang O
konvergen O
, O
burn-in O
2.000 O
, O
dan O
n-chain O
2. O
Hasil B-TEMUAN
penelitian I-TEMUAN
menunjukkan I-TEMUAN
semua I-TEMUAN
parameter I-TEMUAN
model I-TEMUAN
dapat I-TEMUAN
diduga I-TEMUAN
secara I-TEMUAN
signifikan I-TEMUAN
karena I-TEMUAN
credible I-TEMUAN
interval I-TEMUAN
pada I-TEMUAN
taraf I-TEMUAN
signifikansi I-TEMUAN
95 I-TEMUAN
% I-TEMUAN
yang I-TEMUAN
ditandai I-TEMUAN
dengan I-TEMUAN
persentil I-TEMUAN
2,5 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
97,5 I-TEMUAN
% I-TEMUAN
dari I-TEMUAN
posterior I-TEMUAN
tidak I-TEMUAN
memuat I-TEMUAN
nilai I-TEMUAN
nol. I-TEMUAN
Nilai O
DIC O
yang O
terbentuk O
merupakan O
nilai O
DIC O
terbaik O
setelah O
dilakukan O
beberapa O
kali O
pemodelan. O
Kata O
Kunci— O
Pengeluaran O
per O
kapita O
, O
Bayesian O
, O
Lognormal O
, O
MCMC. O
[SEP] O
Data O
pengeluaran O
per O
kapita O
rumah O
tangga O
Provinsi O
Jawa O
Timur O
tahun O
2021 O
tangga O
memiliki O
nilai O
mean O
atau O
rata-rata O
sebesar O
1.180.527,73 O
, O
nilai O
terendah O
166.785,71 O
, O
dan O
nilai O
tertinggi O
32.694.411,60. O
Jumlah O
sampel O
rumah O
tangga O
yang O
pengeluaran O
per O
kapitanya O
di O
bawah O
rata-rata O
lebih O
banyak O
yaitu O
66 O
persen O
dibanding O
dengan O
rumah O
tangga O
yang O
pengeluaran O
per O
kapitanya O
lebih O
dari O
atau O
sama O
dengan O
rata-rata O
yaitu O
sebanyak O
34 O
persen. O
Hal O
ini O
menunjukkan O
bahwa O
distribusi O
data O
pengeluaran O
per O
kapita O
rumah O
tangga O
tidak O
simetris O
dan O
menceng O
kanan O
karena O
7 O
/ O
8 O
nilai O
yang O
berada O
di O
bawah O
rata-rata O
jauh O
lebih O
banyak O
dibandingkan O
dengan O
nilai O
yang O
berada O
di O
atas O
rata-rata. O
Dengan O
merancang O
rantai O
Markov O
dari O
distribusi O
posterior O
dengan O
Gibbs O
sampling O
sebanyak O
40.000 O
iterasi O
yang O
konvergen O
, O
burn-in O
sebanyak O
2.000 O
, O
dan O
n-chain O
sebanyak O
2 O
diperoleh O
persamaan O
pengeluaran O
per O
kapita O
rumah O
tangga O
dengan O
pendekatan O
Bayesian O
sebagai O
berikut O
: O
𝑌̂ O
= O
2,5779964 O
− O
0,0007570𝑋1 O
− O
0,0001740𝑋2 O
− O
0,0043353𝑋3 O
+ O
0,0225708𝑋4 O
+ O
0,0003682𝑋5 O
+ O
0,0188955𝑋6 O
+ O
0,0089563𝑋7 O
+ O
0,0093462𝑋8 O
+ O
0,0192081𝑋9. O
Hasil B-TEMUAN
pemodelan I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
seluruh I-TEMUAN
parameter I-TEMUAN
tidak I-TEMUAN
memuat I-TEMUAN
nol I-TEMUAN
pada I-TEMUAN
credible I-TEMUAN
interval I-TEMUAN
2,5 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
97,5 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
artinya I-TEMUAN
bahwa I-TEMUAN
variabel I-TEMUAN
jumlah I-TEMUAN
anggota I-TEMUAN
rumah I-TEMUAN
tangga I-TEMUAN
, I-TEMUAN
umur I-TEMUAN
kepala I-TEMUAN
rumah I-TEMUAN
tangga I-TEMUAN
, I-TEMUAN
status I-TEMUAN
perkawinan I-TEMUAN
kepala I-TEMUAN
rumah I-TEMUAN
tangga I-TEMUAN
, I-TEMUAN
ijazah I-TEMUAN
tertinggi I-TEMUAN
kepala I-TEMUAN
rumah I-TEMUAN
tangga I-TEMUAN
, I-TEMUAN
luas I-TEMUAN
lantai I-TEMUAN
per I-TEMUAN
kapita I-TEMUAN
, I-TEMUAN
jenis I-TEMUAN
lantai I-TEMUAN
terluas I-TEMUAN
, I-TEMUAN
jenis I-TEMUAN
kloset I-TEMUAN
, I-TEMUAN
jenis I-TEMUAN
dinding I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
bahan I-TEMUAN
bakar I-TEMUAN
untuk I-TEMUAN
memasak I-TEMUAN
secara I-TEMUAN
signifikan I-TEMUAN
berpengaruh I-TEMUAN
terhadap I-TEMUAN
variabel I-TEMUAN
pengeluaran I-TEMUAN
per I-TEMUAN
kapita I-TEMUAN
rumah I-TEMUAN
tangga. I-TEMUAN
B. O
Saran O
Berdasarkan O
Berdasarkan O
kesimpulan O
dari O
hasil O
penelitian O
ini O
, O
terdapat O
beberapa O
saran O
agar O
penelitian O
ini O
dapat O
dikembangkan O
dan O
dapat O
bermanfaat. O
Saran O
pada O
penelitian O
ini O
ditujukan O
untuk O
peneliti O
selanjutnya O
dan O
untuk O
pemerintah. O
Saran O
untuk O
Penelitian O
Selanjutnya O
1. O
Melakukan O
pemodelan O
pengeluaran O
per O
kapita O
rumah O
tangga O
dengan O
pendekatan O
Multilevel O
Bayesian B-METODE
yaitu O
mengombinasikan O
level O
kabupaten O
/ O
kota O
untuk O
dapat O
melihat O
pengaruh O
variabel- O
variabel O
level O
kabupaten O
kota O
terhadap O
pengeluaran O
per O
kapita O
rumah O
tangga. O
tangga O
dan O
rumah O
level O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O
[ O
16 O
] O
[ O
17 O
] O
[ O
18 O
] O
2. O
Menyajikan O
hasil O
uji O
konvergensi O
pemodelan O
dengan O
[ O
19 O
] O
Rshiny O
sebagai O
visualisasi O
dinamis. O
Saran O
untuk O
Pemerintah O
1. O
Pemerintah O
Jawa O
Timur O
perlu O
memberikan O
dukungan O
penuh O
kepada O
penduduk O
untuk O
meningkatkan O
pendidikan O
pada O
masing-masing O
individu. O
Hal O
ini O
dikarenakan O
dengan O
meningkatnya O
tingkat O
pendidikan O
maka O
kesejahteraan O
masyarakat O
akan O
semakin O
baik. O
2. O
Pemerintah O
Jawa O
Timur O
hendaknya O
memperhatikan O
rumah O
tangga O
yang O
keadaan O
perumahannya O
masih O
tergolong O
tidak O
layak O
huni O
sebagai O
bentuk O
upaya O
meningkatkan O
kesejahteraan. O
3. O
Perlu O
adanya O
pemantauan O
dan O
perhatian O
khusus O
seperti O
pemberian O
bantuan O
yang O
tepat O
sasran O
kepada O
rumah O
tangga O
yang O
memiliki O
tingkat O
kesejahteraan O
kurang O
baik. O

Pemodelan O
Data O
Pengeluaran O
Per O
Kapita O
Rumah O
Tangga O
Provinsi O
Jawa O
Timur O
Tahun O
2021 O
dengan O
Pendekatan O
Bayesian O
Sarah O
Mutia O
( O
221910787 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Rindang O
Bangun O
Prasetyo O
, O
S.S.T. O
, O
M.Si. O
Ringkasan— O
Pemodelan O
data O
pengeluaran O
per O
kapita O
rumah O
tangga O
sangat O
penting O
sebagai O
dasar O
pengambilan O
kebijakan O
pemerintah O
dalam O
pengentasan O
kemiskinan. O
Pemodelan O
ini O
dilakukan O
karena O
data O
pengeluaran O
per O
kapita O
rumah O
tangga O
sulit O
diperoleh O
melalui O
sensus O
sehingga O
diharapkan O
hasil O
pemodelan O
dapat O
digunakan O
untuk O
memprediksi O
nilai O
pengeluaran O
per O
kapita O
rumah O
tangga O
pada O
data O
hasil O
sensus. O
Pengeluaran O
per O
kapita O
rumah O
tangga O
memiliki O
karakteristik O
selalu O
positif O
dan O
menceng O
kanan. O
Maka O
dari O
itu O
, O
pemodelan B-METODE
dengan I-METODE
pendekatan I-METODE
Bayesian I-METODE
menjadi O
solusi O
dalam O
mengatasi O
distribusi O
data O
tidak O
normal. O
Tujuan O
penelitian O
ini O
adalah O
untuk O
mendapatkan B-TUJUAN
model I-TUJUAN
pengeluaran I-TUJUAN
per I-TUJUAN
kapita I-TUJUAN
rumah I-TUJUAN
tangga I-TUJUAN
dengan I-TUJUAN
pendekatan I-TUJUAN
Bayesian. I-TUJUAN
Pendugaan O
parameter O
didasarkan O
atas O
distribusi O
Lognormal O
dengan O
metode O
MCMC O
dari O
distribusi O
posterior O
dengan O
Gibbs O
sampling O
sebanyak O
40.000 O
iterasi O
yang O
konvergen O
, O
burn-in O
2.000 O
, O
dan O
n-chain O
2. O
Hasil B-TEMUAN
penelitian I-TEMUAN
menunjukkan I-TEMUAN
semua I-TEMUAN
parameter I-TEMUAN
model I-TEMUAN
dapat I-TEMUAN
diduga I-TEMUAN
secara I-TEMUAN
signifikan I-TEMUAN
karena I-TEMUAN
credible I-TEMUAN
interval I-TEMUAN
pada I-TEMUAN
taraf I-TEMUAN
signifikansi I-TEMUAN
95 I-TEMUAN
% I-TEMUAN
yang I-TEMUAN
ditandai I-TEMUAN
dengan I-TEMUAN
persentil I-TEMUAN
2,5 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
97,5 I-TEMUAN
% I-TEMUAN
dari I-TEMUAN
posterior I-TEMUAN
tidak I-TEMUAN
memuat I-TEMUAN
nilai I-TEMUAN
nol. I-TEMUAN
Nilai O
DIC O
yang O
terbentuk O
merupakan O
nilai O
DIC O
terbaik O
setelah O
dilakukan O
beberapa O
kali O
pemodelan. O
Kata O
Kunci— O
Pengeluaran O
per O
kapita O
, O
Bayesian O
, O
Lognormal O
, O
MCMC. O
[SEP] O
Data O
pengeluaran O
per O
kapita O
rumah O
tangga O
Provinsi O
Jawa O
Timur O
tahun O
2021 O
tangga O
memiliki O
nilai O
mean O
atau O
rata-rata O
sebesar O
1.180.527,73 O
, O
nilai O
terendah O
166.785,71 O
, O
dan O
nilai O
tertinggi O
32.694.411,60. O
Jumlah O
sampel O
rumah O
tangga O
yang O
pengeluaran O
per O
kapitanya O
di O
bawah O
rata-rata O
lebih O
banyak O
yaitu O
66 O
persen O
dibanding O
dengan O
rumah O
tangga O
yang O
pengeluaran O
per O
kapitanya O
lebih O
dari O
atau O
sama O
dengan O
rata-rata O
yaitu O
sebanyak O
34 O
persen. O
Hal O
ini O
menunjukkan O
bahwa O
distribusi O
data O
pengeluaran O
per O
kapita O
rumah O
tangga O
tidak O
simetris O
dan O
menceng O
kanan O
karena O
7 O
/ O
8 O
nilai O
yang O
berada O
di O
bawah O
rata-rata O
jauh O
lebih O
banyak O
dibandingkan O
dengan O
nilai O
yang O
berada O
di O
atas O
rata-rata. O
Dengan O
merancang O
rantai O
Markov O
dari O
distribusi O
posterior O
dengan O
Gibbs O
sampling O
sebanyak O
40.000 O
iterasi O
yang O
konvergen O
, O
burn-in O
sebanyak O
2.000 O
, O
dan O
n-chain O
sebanyak O
2 O
diperoleh O
persamaan O
pengeluaran O
per O
kapita O
rumah O
tangga O
dengan O
pendekatan O
Bayesian O
sebagai O
berikut O
: O
𝑌̂ O
= O
2,5779964 O
− O
0,0007570𝑋1 O
− O
0,0001740𝑋2 O
− O
0,0043353𝑋3 O
+ O
0,0225708𝑋4 O
+ O
0,0003682𝑋5 O
+ O
0,0188955𝑋6 O
+ O
0,0089563𝑋7 O
+ O
0,0093462𝑋8 O
+ O
0,0192081𝑋9. O
Hasil B-TEMUAN
pemodelan I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
seluruh I-TEMUAN
parameter I-TEMUAN
tidak I-TEMUAN
memuat I-TEMUAN
nol I-TEMUAN
pada I-TEMUAN
credible I-TEMUAN
interval I-TEMUAN
2,5 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
97,5 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
artinya I-TEMUAN
bahwa I-TEMUAN
variabel I-TEMUAN
jumlah I-TEMUAN
anggota I-TEMUAN
rumah I-TEMUAN
tangga I-TEMUAN
, I-TEMUAN
umur I-TEMUAN
kepala I-TEMUAN
rumah I-TEMUAN
tangga I-TEMUAN
, I-TEMUAN
status I-TEMUAN
perkawinan I-TEMUAN
kepala I-TEMUAN
rumah I-TEMUAN
tangga I-TEMUAN
, I-TEMUAN
ijazah I-TEMUAN
tertinggi I-TEMUAN
kepala I-TEMUAN
rumah I-TEMUAN
tangga I-TEMUAN
, I-TEMUAN
luas I-TEMUAN
lantai I-TEMUAN
per I-TEMUAN
kapita I-TEMUAN
, I-TEMUAN
jenis I-TEMUAN
lantai I-TEMUAN
terluas I-TEMUAN
, I-TEMUAN
jenis I-TEMUAN
kloset I-TEMUAN
, I-TEMUAN
jenis I-TEMUAN
dinding I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
bahan I-TEMUAN
bakar I-TEMUAN
untuk I-TEMUAN
memasak I-TEMUAN
secara I-TEMUAN
signifikan I-TEMUAN
berpengaruh I-TEMUAN
terhadap I-TEMUAN
variabel I-TEMUAN
pengeluaran I-TEMUAN
per I-TEMUAN
kapita I-TEMUAN
rumah I-TEMUAN
tangga. I-TEMUAN
B. O
Saran O
Berdasarkan O
Berdasarkan O
kesimpulan O
dari O
hasil O
penelitian O
ini O
, O
terdapat O
beberapa O
saran O
agar O
penelitian O
ini O
dapat O
dikembangkan O
dan O
dapat O
bermanfaat. O
Saran O
pada O
penelitian O
ini O
ditujukan O
untuk O
peneliti O
selanjutnya O
dan O
untuk O
pemerintah. O
Saran O
untuk O
Penelitian O
Selanjutnya O
1. O
Melakukan O
pemodelan O
pengeluaran O
per O
kapita O
rumah O
tangga O
dengan O
pendekatan O
Multilevel O
Bayesian B-METODE
yaitu O
mengombinasikan O
level O
kabupaten O
/ O
kota O
untuk O
dapat O
melihat O
pengaruh O
variabel- O
variabel O
level O
kabupaten O
kota O
terhadap O
pengeluaran O
per O
kapita O
rumah O
tangga. O
tangga O
dan O
rumah O
level O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O
[ O
16 O
] O
[ O
17 O
] O
[ O
18 O
] O
2. O
Menyajikan O
hasil O
uji O
konvergensi O
pemodelan O
dengan O
[ O
19 O
] O
Rshiny O
sebagai O
visualisasi O
dinamis. O
Saran O
untuk O
Pemerintah O
1. O
Pemerintah O
Jawa O
Timur O
perlu O
memberikan O
dukungan O
penuh O
kepada O
penduduk O
untuk O
meningkatkan O
pendidikan O
pada O
masing-masing O
individu. O
Hal O
ini O
dikarenakan O
dengan O
meningkatnya O
tingkat O
pendidikan O
maka O
kesejahteraan O
masyarakat O
akan O
semakin O
baik. O
2. O
Pemerintah O
Jawa O
Timur O
hendaknya O
memperhatikan O
rumah O
tangga O
yang O
keadaan O
perumahannya O
masih O
tergolong O
tidak O
layak O
huni O
sebagai O
bentuk O
upaya O
meningkatkan O
kesejahteraan. O
3. O
Perlu O
adanya O
pemantauan O
dan O
perhatian O
khusus O
seperti O
pemberian O
bantuan O
yang O
tepat O
sasran O
kepada O
rumah O
tangga O
yang O
memiliki O
tingkat O
kesejahteraan O
kurang O
baik. O

Perancangan O
Desain O
Solusi O
Antarmuka O
Aplikasi O
Simpus O
Mobile O
Menggunakan O
Metode O
User O
Centered O
Design O
Ardita O
Khoirunnisa’ O
( O
221910785 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
MBA O
Ringkasan— O
Aplikasi O
Simpus O
mobile O
merupakan O
wujud O
digitalisasi O
kegiatan O
perpustakaan O
Politeknik O
Statistika O
STIS. O
Sebuah O
survei O
pendahuluan O
dilakukan O
terhadap O
aplikasi O
SiMPus O
mobile O
untuk O
mengetahui O
aspek O
usability O
dan O
kepuasan O
pengguna O
antarmuka O
aplikasi O
Simpus O
mobile. O
Survei O
pendahuluan O
dilakukan O
dengan O
menggunakan O
kuesioner B-METODE
QUIS I-METODE
yang O
diisi O
oleh O
pengguna O
Simpus O
mobile. O
Selain O
itu O
dilakukan O
evaluasi O
heuristik O
awal O
oleh O
expert O
user O
untuk O
menilai O
prinsip O
heuristik O
aplikasi. O
Berdasarkan O
hasil O
QUIS O
dan O
evaluasi O
heuristik O
awal O
dapat O
disimpulkan O
bahwa O
aplikasi O
Simpus O
mobile O
membutuhkan O
perancangan O
desain O
solusi O
antarmuka O
aplikasi. O
Setelah O
dilakukan O
proses O
perancangan O
desain O
solusi O
dilakukan O
evaluasi O
iterasi O
I O
untuk O
melihat O
usability O
dan O
kepuasan O
pengguna O
terhadap O
hasil O
desain O
solusi O
iterasi O
I O
dalam O
bentuk O
mockup. O
Hasil O
evaluasi O
iterasi O
I O
menunjukkan O
bahwa O
masih O
diperlukan O
iterasi O
UCD B-METODE
kembali. O
Oleh O
karena O
itu O
, O
dilakukan O
iterasi O
II O
dan O
hasil O
desain O
solusi O
berupa O
prototype O
antarmuka O
Simpus O
mobile. O
Hasil O
perbandingan O
kedua O
evaluasi O
pada O
masing-masing O
tahapan O
menunjukkan O
bahwa O
proses B-TEMUAN
perancangan I-TEMUAN
desain I-TEMUAN
solusi I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
UCD I-TEMUAN
mampu I-TEMUAN
meningkatkan I-TEMUAN
kepuasan I-TEMUAN
pengguna I-TEMUAN
dan I-TEMUAN
mengurangi I-TEMUAN
masalah I-TEMUAN
usability. I-TEMUAN
Kata O
Kunci— O
Desain O
solusi O
, O
Perancangan O
ulang O
, O
UCD O
, O
Heuristik O
, O
QUIS O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
diambil O
kesimpulan O
bahwa O
perancangan B-TEMUAN
desain I-TEMUAN
solusi I-TEMUAN
antarmuka I-TEMUAN
aplikasi I-TEMUAN
Simpus I-TEMUAN
mobile I-TEMUAN
diawali I-TEMUAN
dari I-TEMUAN
survei I-TEMUAN
pendahuluan I-TEMUAN
yang I-TEMUAN
diberikan I-TEMUAN
kepada I-TEMUAN
pengguna I-TEMUAN
Simpus I-TEMUAN
mobile I-TEMUAN
dan I-TEMUAN
evaluasi I-TEMUAN
heuristik I-TEMUAN
yang I-TEMUAN
diberikan I-TEMUAN
kepada I-TEMUAN
expert I-TEMUAN
user. I-TEMUAN
Metode O
perancangan O
yang O
digunakan O
adalah O
metode B-METODE
UCD I-METODE
dan O
dimana O
hasilnya O
dapat O
membuktikan O
bahwa O
dengan O
metode O
tersebut O
, O
antarmuka O
pengguna O
baru O
dapat O
meningkatkan O
kepuasan O
pengguna O
dan O
mengurangi O
masalah O
usability. O
Saran O
untuk O
pengembang O
penelitian O
adalah O
penelitian O
ini O
hanya O
sebatas O
merancang B-TUJUAN
desain I-TUJUAN
solusi I-TUJUAN
antarmuka I-TUJUAN
aplikasi I-TUJUAN
Simpus I-TUJUAN
mobile I-TUJUAN
, O
sehingga O
dapat O
ditingkatkan O
dengan O
mengimplementasikannya O
ke O
dalam O
sebuah O
koding O
, O
agar O
dapat O
digunakan O
untuk O
aplikasi O
Simpus O
mobile O
secara O
nyata. O

Perancangan O
Desain O
Solusi O
Antarmuka O
Aplikasi O
Simpus O
Mobile O
Menggunakan O
Metode O
User O
Centered O
Design O
Ardita O
Khoirunnisa’ O
( O
221910785 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
MBA O
Ringkasan— O
Aplikasi O
Simpus O
mobile O
merupakan O
wujud O
digitalisasi O
kegiatan O
perpustakaan O
Politeknik O
Statistika O
STIS. O
Sebuah O
survei O
pendahuluan O
dilakukan O
terhadap O
aplikasi O
SiMPus O
mobile O
untuk O
mengetahui O
aspek O
usability O
dan O
kepuasan O
pengguna O
antarmuka O
aplikasi O
Simpus O
mobile. O
Survei O
pendahuluan O
dilakukan O
dengan O
menggunakan O
kuesioner B-METODE
QUIS I-METODE
yang O
diisi O
oleh O
pengguna O
Simpus O
mobile. O
Selain O
itu O
dilakukan O
evaluasi O
heuristik O
awal O
oleh O
expert O
user O
untuk O
menilai O
prinsip O
heuristik O
aplikasi. O
Berdasarkan O
hasil O
QUIS O
dan O
evaluasi O
heuristik O
awal O
dapat O
disimpulkan O
bahwa O
aplikasi O
Simpus O
mobile O
membutuhkan O
perancangan O
desain O
solusi O
antarmuka O
aplikasi. O
Setelah O
dilakukan O
proses O
perancangan O
desain O
solusi O
dilakukan O
evaluasi O
iterasi O
I O
untuk O
melihat O
usability O
dan O
kepuasan O
pengguna O
terhadap O
hasil O
desain O
solusi O
iterasi O
I O
dalam O
bentuk O
mockup. O
Hasil O
evaluasi O
iterasi O
I O
menunjukkan O
bahwa O
masih O
diperlukan O
iterasi O
UCD B-METODE
kembali. O
Oleh O
karena O
itu O
, O
dilakukan O
iterasi O
II O
dan O
hasil O
desain O
solusi O
berupa O
prototype O
antarmuka O
Simpus O
mobile. O
Hasil O
perbandingan O
kedua O
evaluasi O
pada O
masing-masing O
tahapan O
menunjukkan O
bahwa O
proses B-TEMUAN
perancangan I-TEMUAN
desain I-TEMUAN
solusi I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
UCD I-TEMUAN
mampu I-TEMUAN
meningkatkan I-TEMUAN
kepuasan I-TEMUAN
pengguna I-TEMUAN
dan I-TEMUAN
mengurangi I-TEMUAN
masalah I-TEMUAN
usability. I-TEMUAN
Kata O
Kunci— O
Desain O
solusi O
, O
Perancangan O
ulang O
, O
UCD O
, O
Heuristik O
, O
QUIS O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
diambil O
kesimpulan O
bahwa O
perancangan B-TEMUAN
desain I-TEMUAN
solusi I-TEMUAN
antarmuka I-TEMUAN
aplikasi I-TEMUAN
Simpus I-TEMUAN
mobile I-TEMUAN
diawali I-TEMUAN
dari I-TEMUAN
survei I-TEMUAN
pendahuluan I-TEMUAN
yang I-TEMUAN
diberikan I-TEMUAN
kepada I-TEMUAN
pengguna I-TEMUAN
Simpus I-TEMUAN
mobile I-TEMUAN
dan I-TEMUAN
evaluasi I-TEMUAN
heuristik I-TEMUAN
yang I-TEMUAN
diberikan I-TEMUAN
kepada I-TEMUAN
expert I-TEMUAN
user. I-TEMUAN
Metode O
perancangan O
yang O
digunakan O
adalah O
metode B-METODE
UCD I-METODE
dan O
dimana O
hasilnya O
dapat O
membuktikan O
bahwa O
dengan O
metode O
tersebut O
, O
antarmuka O
pengguna O
baru O
dapat O
meningkatkan O
kepuasan O
pengguna O
dan O
mengurangi O
masalah O
usability. O
Saran O
untuk O
pengembang O
penelitian O
adalah O
penelitian O
ini O
hanya O
sebatas O
merancang B-TUJUAN
desain I-TUJUAN
solusi I-TUJUAN
antarmuka I-TUJUAN
aplikasi I-TUJUAN
Simpus I-TUJUAN
mobile I-TUJUAN
, O
sehingga O
dapat O
ditingkatkan O
dengan O
mengimplementasikannya O
ke O
dalam O
sebuah O
koding O
, O
agar O
dapat O
digunakan O
untuk O
aplikasi O
Simpus O
mobile O
secara O
nyata. O

Perancangan O
Desain O
Solusi O
Antarmuka O
Aplikasi O
Simpus O
Mobile O
Menggunakan O
Metode O
User O
Centered O
Design O
Ardita O
Khoirunnisa’ O
( O
221910785 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
MBA O
Ringkasan— O
Aplikasi O
Simpus O
mobile O
merupakan O
wujud O
digitalisasi O
kegiatan O
perpustakaan O
Politeknik O
Statistika O
STIS. O
Sebuah O
survei O
pendahuluan O
dilakukan O
terhadap O
aplikasi O
SiMPus O
mobile O
untuk O
mengetahui O
aspek O
usability O
dan O
kepuasan O
pengguna O
antarmuka O
aplikasi O
Simpus O
mobile. O
Survei O
pendahuluan O
dilakukan O
dengan O
menggunakan O
kuesioner B-METODE
QUIS I-METODE
yang O
diisi O
oleh O
pengguna O
Simpus O
mobile. O
Selain O
itu O
dilakukan O
evaluasi O
heuristik O
awal O
oleh O
expert O
user O
untuk O
menilai O
prinsip O
heuristik O
aplikasi. O
Berdasarkan O
hasil O
QUIS O
dan O
evaluasi O
heuristik O
awal O
dapat O
disimpulkan O
bahwa O
aplikasi O
Simpus O
mobile O
membutuhkan O
perancangan O
desain O
solusi O
antarmuka O
aplikasi. O
Setelah O
dilakukan O
proses O
perancangan O
desain O
solusi O
dilakukan O
evaluasi O
iterasi O
I O
untuk O
melihat O
usability O
dan O
kepuasan O
pengguna O
terhadap O
hasil O
desain O
solusi O
iterasi O
I O
dalam O
bentuk O
mockup. O
Hasil O
evaluasi O
iterasi O
I O
menunjukkan O
bahwa O
masih O
diperlukan O
iterasi O
UCD B-METODE
kembali. O
Oleh O
karena O
itu O
, O
dilakukan O
iterasi O
II O
dan O
hasil O
desain O
solusi O
berupa O
prototype O
antarmuka O
Simpus O
mobile. O
Hasil O
perbandingan O
kedua O
evaluasi O
pada O
masing-masing O
tahapan O
menunjukkan O
bahwa O
proses B-TEMUAN
perancangan I-TEMUAN
desain I-TEMUAN
solusi I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
UCD I-TEMUAN
mampu I-TEMUAN
meningkatkan I-TEMUAN
kepuasan I-TEMUAN
pengguna I-TEMUAN
dan I-TEMUAN
mengurangi I-TEMUAN
masalah I-TEMUAN
usability. I-TEMUAN
Kata O
Kunci— O
Desain O
solusi O
, O
Perancangan O
ulang O
, O
UCD O
, O
Heuristik O
, O
QUIS O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
diambil O
kesimpulan O
bahwa O
perancangan B-TEMUAN
desain I-TEMUAN
solusi I-TEMUAN
antarmuka I-TEMUAN
aplikasi I-TEMUAN
Simpus I-TEMUAN
mobile I-TEMUAN
diawali I-TEMUAN
dari I-TEMUAN
survei I-TEMUAN
pendahuluan I-TEMUAN
yang I-TEMUAN
diberikan I-TEMUAN
kepada I-TEMUAN
pengguna I-TEMUAN
Simpus I-TEMUAN
mobile I-TEMUAN
dan I-TEMUAN
evaluasi I-TEMUAN
heuristik I-TEMUAN
yang I-TEMUAN
diberikan I-TEMUAN
kepada I-TEMUAN
expert I-TEMUAN
user. I-TEMUAN
Metode O
perancangan O
yang O
digunakan O
adalah O
metode B-METODE
UCD I-METODE
dan O
dimana O
hasilnya O
dapat O
membuktikan O
bahwa O
dengan O
metode O
tersebut O
, O
antarmuka O
pengguna O
baru O
dapat O
meningkatkan O
kepuasan O
pengguna O
dan O
mengurangi O
masalah O
usability. O
Saran O
untuk O
pengembang O
penelitian O
adalah O
penelitian O
ini O
hanya O
sebatas O
merancang B-TUJUAN
desain I-TUJUAN
solusi I-TUJUAN
antarmuka I-TUJUAN
aplikasi I-TUJUAN
Simpus I-TUJUAN
mobile I-TUJUAN
, O
sehingga O
dapat O
ditingkatkan O
dengan O
mengimplementasikannya O
ke O
dalam O
sebuah O
koding O
, O
agar O
dapat O
digunakan O
untuk O
aplikasi O
Simpus O
mobile O
secara O
nyata. O

Klasifikasi O
Twit O
Hate O
Speech O
Berbahasa O
Indonesia O
Menggunakan O
SVM O
, O
LSTM O
, O
dan O
IndoBERT O
Muhamad O
Ridwan O
( O
221910782 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Bony O
Parulian O
Josaphat O
, O
S.Si. O
, O
M.Si. O
Ringkasan— O
Seiring O
dengan O
bertambahnya O
jumlah O
pengguna O
media O
sosial O
, O
penyebaran O
hate O
speech O
secara O
tidak O
langsung O
ikut O
meningkat. O
Hate O
speech O
telah O
menjadi O
salah O
satu O
kasus O
yang O
umum O
ditemukan O
di O
media O
sosial O
, O
karena O
pada O
media O
sosial O
penggunanya O
dapat O
berbagi O
opini O
dan O
perasaan O
melalui O
unggahan O
salah O
satunya O
berupa O
komentar O
, O
termasuk O
yang O
mengandung O
hate O
speech. O
Penyebaran O
hate O
speech O
dapat O
memicu O
konflik O
, O
kekerasan O
fisik O
, O
dan O
bahkan O
kerusuhan. O
Namun O
, O
mendeteksi O
hate O
speech O
pada O
media O
sosial O
memerlukan O
upaya O
yang O
tidak O
mudah O
dan O
biaya O
yang O
tinggi O
jika O
dilakukan O
secara O
manual. O
Beberapa O
penelitian O
pun O
dilakukan O
terkait O
klasifikasi O
hate O
speech O
menggunakan O
model O
machine O
learning O
dan O
deep O
learning. O
Oleh O
karena O
itu O
, O
peneliti O
melakukan O
penelitian O
ini O
untuk O
mendeteksi B-TUJUAN
hate I-TUJUAN
speech I-TUJUAN
pada I-TUJUAN
teks I-TUJUAN
Twitter I-TUJUAN
dalam I-TUJUAN
bahasa I-TUJUAN
Indonesia I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
model I-TUJUAN
machine I-TUJUAN
learning I-TUJUAN
dan I-TUJUAN
deep I-TUJUAN
learning. I-TUJUAN
Dalam O
penelitian O
ini O
, O
digunakan O
model O
machine O
learning O
SVM O
dan O
model O
deep O
learning O
menggunakan O
fine-tuned O
IndoBERT O
dan O
LSTM. O
Berdasarkan O
hasil O
yang O
diperoleh O
model B-TEMUAN
IndoBERT I-TEMUAN
memiliki I-TEMUAN
akurasi I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
daripada I-TEMUAN
akurasi I-TEMUAN
model I-TEMUAN
SVM I-TEMUAN
dan I-TEMUAN
LSTM. I-TEMUAN
Kata O
Kunci— O
Analisis O
sentimen O
, O
hate O
speech O
, O
SVM O
, O
IndoBERT O
, O
LSTM O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
1. O
Telah O
dibangun O
dataset O
twit O
hate O
speech O
berbahasa O
Indonesia. O
2. O
Telah O
dilakukan O
analisis O
sentimen O
dengan O
model O
machine O
learning O
menggunakan O
SVM O
dengan O
ekstraksi O
fitur O
TF- O
IDF O
, O
model O
deep O
learning O
menggunakan O
LSTM O
dengan O
word O
embedding O
Word2Vec O
, O
dan O
model O
pre-trained O
deep O
learning O
berbasis O
transformer O
menggunakan O
IndoBERT. O
3. O
Telah O
dilakukan O
evaluasi O
performa O
tiap O
model O
dalam O
klasifikasi O
twit O
hate O
speech. O
Berdasarkan O
uraian O
hasil O
dan O
pembahasan O
, O
model B-TEMUAN
IndoBERT I-TEMUAN
memberikan I-TEMUAN
performa I-TEMUAN
terbaik I-TEMUAN
dalam I-TEMUAN
pengklasifikasian I-TEMUAN
twit I-TEMUAN
hate I-TEMUAN
speech I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
83,51 I-TEMUAN
% I-TEMUAN
serta I-TEMUAN
dapat I-TEMUAN
menangkap I-TEMUAN
makna I-TEMUAN
kata I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dari I-TEMUAN
model I-TEMUAN
SVM I-TEMUAN
dan I-TEMUAN
LSTMan I-TEMUAN
uraian O
hasil O
dan O
pembahasan O
, O
model B-TEMUAN
IndoBERT I-TEMUAN
memberikan I-TEMUAN
performa I-TEMUAN
terbaik I-TEMUAN
dalam I-TEMUAN
pengklsifikasian I-TEMUAN
twit I-TEMUAN
hate I-TEMUAN
speech I-TEMUAN
dengan O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
akurasi B-METODE
83,51 O
% O
serta O
dapat O
menangkap O
makna O
kata O
lebih O
baik O
dari O
kedua O
model O
lainnya. O
B. O
Saran O
Pada O
penelitian O
ini O
dataset O
twit O
hate O
speech O
yang O
digunakan O
menggunakan O
hasil O
dari O
penelitian O
sebelumnya O
dan O
menggabungkannya O
dengan O
hasil O
scraping O
Twitter. O
Dataset O
yang O
dikumpulkan O
dilabeli O
sebagai O
“hate” O
untuk O
twit O
hate O
speech O
dan O
“no O
hate” O
untuk O
twit O
bukan O
hate O
speech. O
Untuk O
penelitian O
selanjutnya O
, O
label O
yang O
diberikan O
bisa O
berupa O
multi O
kelas O
seperti O
, O
intensitas O
( O
lemah O
atau O
kuat O
) O
, O
kategori O
( O
agama O
, O
ras O
/ O
etnis O
, O
seksualitas O
, O
dll. O
) O
, O
dan O
target O
( O
individu O
atau O
kelompok O
) O
. O
Hal O
ini O
karena O
akan O
memberikan O
informasi O
yang O
lebih O
detail O
terkait O
jenis O
apa O
hate O
speech O
yang O
dimaksud O
, O
sehingga O
para O
pembaca O
/ O
pengguna O
dapat O
memahami O
konteks O
dari O
twit O
hate O
speech O
tersebut. O

Klasifikasi O
Twit O
Hate O
Speech O
Berbahasa O
Indonesia O
Menggunakan O
SVM O
, O
LSTM O
, O
dan O
IndoBERT O
Muhamad O
Ridwan O
( O
221910782 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Bony O
Parulian O
Josaphat O
, O
S.Si. O
, O
M.Si. O
Ringkasan— O
Seiring O
dengan O
bertambahnya O
jumlah O
pengguna O
media O
sosial O
, O
penyebaran O
hate O
speech O
secara O
tidak O
langsung O
ikut O
meningkat. O
Hate O
speech O
telah O
menjadi O
salah O
satu O
kasus O
yang O
umum O
ditemukan O
di O
media O
sosial O
, O
karena O
pada O
media O
sosial O
penggunanya O
dapat O
berbagi O
opini O
dan O
perasaan O
melalui O
unggahan O
salah O
satunya O
berupa O
komentar O
, O
termasuk O
yang O
mengandung O
hate O
speech. O
Penyebaran O
hate O
speech O
dapat O
memicu O
konflik O
, O
kekerasan O
fisik O
, O
dan O
bahkan O
kerusuhan. O
Namun O
, O
mendeteksi O
hate O
speech O
pada O
media O
sosial O
memerlukan O
upaya O
yang O
tidak O
mudah O
dan O
biaya O
yang O
tinggi O
jika O
dilakukan O
secara O
manual. O
Beberapa O
penelitian O
pun O
dilakukan O
terkait O
klasifikasi O
hate O
speech O
menggunakan O
model O
machine O
learning O
dan O
deep O
learning. O
Oleh O
karena O
itu O
, O
peneliti O
melakukan O
penelitian O
ini O
untuk O
mendeteksi B-TUJUAN
hate I-TUJUAN
speech I-TUJUAN
pada I-TUJUAN
teks I-TUJUAN
Twitter I-TUJUAN
dalam I-TUJUAN
bahasa I-TUJUAN
Indonesia I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
model I-TUJUAN
machine I-TUJUAN
learning I-TUJUAN
dan I-TUJUAN
deep I-TUJUAN
learning. I-TUJUAN
Dalam O
penelitian O
ini O
, O
digunakan O
model O
machine O
learning O
SVM O
dan O
model O
deep O
learning O
menggunakan O
fine-tuned O
IndoBERT O
dan O
LSTM. O
Berdasarkan O
hasil O
yang O
diperoleh O
model B-TEMUAN
IndoBERT I-TEMUAN
memiliki I-TEMUAN
akurasi I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
daripada I-TEMUAN
akurasi I-TEMUAN
model I-TEMUAN
SVM I-TEMUAN
dan I-TEMUAN
LSTM. I-TEMUAN
Kata O
Kunci— O
Analisis O
sentimen O
, O
hate O
speech O
, O
SVM O
, O
IndoBERT O
, O
LSTM O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
1. O
Telah O
dibangun O
dataset O
twit O
hate O
speech O
berbahasa O
Indonesia. O
2. O
Telah O
dilakukan O
analisis O
sentimen O
dengan O
model O
machine O
learning O
menggunakan O
SVM O
dengan O
ekstraksi O
fitur O
TF- O
IDF O
, O
model O
deep O
learning O
menggunakan O
LSTM O
dengan O
word O
embedding O
Word2Vec O
, O
dan O
model O
pre-trained O
deep O
learning O
berbasis O
transformer O
menggunakan O
IndoBERT. O
3. O
Telah O
dilakukan O
evaluasi O
performa O
tiap O
model O
dalam O
klasifikasi O
twit O
hate O
speech. O
Berdasarkan O
uraian O
hasil O
dan O
pembahasan O
, O
model B-TEMUAN
IndoBERT I-TEMUAN
memberikan I-TEMUAN
performa I-TEMUAN
terbaik I-TEMUAN
dalam I-TEMUAN
pengklasifikasian I-TEMUAN
twit I-TEMUAN
hate I-TEMUAN
speech I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
83,51 I-TEMUAN
% I-TEMUAN
serta I-TEMUAN
dapat I-TEMUAN
menangkap I-TEMUAN
makna I-TEMUAN
kata I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dari I-TEMUAN
model I-TEMUAN
SVM I-TEMUAN
dan I-TEMUAN
LSTMan I-TEMUAN
uraian O
hasil O
dan O
pembahasan O
, O
model B-TEMUAN
IndoBERT I-TEMUAN
memberikan I-TEMUAN
performa I-TEMUAN
terbaik I-TEMUAN
dalam I-TEMUAN
pengklsifikasian I-TEMUAN
twit I-TEMUAN
hate I-TEMUAN
speech I-TEMUAN
dengan O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
akurasi B-METODE
83,51 O
% O
serta O
dapat O
menangkap O
makna O
kata O
lebih O
baik O
dari O
kedua O
model O
lainnya. O
B. O
Saran O
Pada O
penelitian O
ini O
dataset O
twit O
hate O
speech O
yang O
digunakan O
menggunakan O
hasil O
dari O
penelitian O
sebelumnya O
dan O
menggabungkannya O
dengan O
hasil O
scraping O
Twitter. O
Dataset O
yang O
dikumpulkan O
dilabeli O
sebagai O
“hate” O
untuk O
twit O
hate O
speech O
dan O
“no O
hate” O
untuk O
twit O
bukan O
hate O
speech. O
Untuk O
penelitian O
selanjutnya O
, O
label O
yang O
diberikan O
bisa O
berupa O
multi O
kelas O
seperti O
, O
intensitas O
( O
lemah O
atau O
kuat O
) O
, O
kategori O
( O
agama O
, O
ras O
/ O
etnis O
, O
seksualitas O
, O
dll. O
) O
, O
dan O
target O
( O
individu O
atau O
kelompok O
) O
. O
Hal O
ini O
karena O
akan O
memberikan O
informasi O
yang O
lebih O
detail O
terkait O
jenis O
apa O
hate O
speech O
yang O
dimaksud O
, O
sehingga O
para O
pembaca O
/ O
pengguna O
dapat O
memahami O
konteks O
dari O
twit O
hate O
speech O
tersebut. O

Klasifikasi O
Twit O
Hate O
Speech O
Berbahasa O
Indonesia O
Menggunakan O
SVM O
, O
LSTM O
, O
dan O
IndoBERT O
Muhamad O
Ridwan O
( O
221910782 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Bony O
Parulian O
Josaphat O
, O
S.Si. O
, O
M.Si. O
Ringkasan— O
Seiring O
dengan O
bertambahnya O
jumlah O
pengguna O
media O
sosial O
, O
penyebaran O
hate O
speech O
secara O
tidak O
langsung O
ikut O
meningkat. O
Hate O
speech O
telah O
menjadi O
salah O
satu O
kasus O
yang O
umum O
ditemukan O
di O
media O
sosial O
, O
karena O
pada O
media O
sosial O
penggunanya O
dapat O
berbagi O
opini O
dan O
perasaan O
melalui O
unggahan O
salah O
satunya O
berupa O
komentar O
, O
termasuk O
yang O
mengandung O
hate O
speech. O
Penyebaran O
hate O
speech O
dapat O
memicu O
konflik O
, O
kekerasan O
fisik O
, O
dan O
bahkan O
kerusuhan. O
Namun O
, O
mendeteksi O
hate O
speech O
pada O
media O
sosial O
memerlukan O
upaya O
yang O
tidak O
mudah O
dan O
biaya O
yang O
tinggi O
jika O
dilakukan O
secara O
manual. O
Beberapa O
penelitian O
pun O
dilakukan O
terkait O
klasifikasi O
hate O
speech O
menggunakan O
model O
machine O
learning O
dan O
deep O
learning. O
Oleh O
karena O
itu O
, O
peneliti O
melakukan O
penelitian O
ini O
untuk O
mendeteksi B-TUJUAN
hate I-TUJUAN
speech I-TUJUAN
pada I-TUJUAN
teks I-TUJUAN
Twitter I-TUJUAN
dalam I-TUJUAN
bahasa I-TUJUAN
Indonesia I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
model I-TUJUAN
machine I-TUJUAN
learning I-TUJUAN
dan I-TUJUAN
deep I-TUJUAN
learning. I-TUJUAN
Dalam O
penelitian O
ini O
, O
digunakan O
model O
machine O
learning O
SVM O
dan O
model O
deep O
learning O
menggunakan O
fine-tuned O
IndoBERT O
dan O
LSTM. O
Berdasarkan O
hasil O
yang O
diperoleh O
model B-TEMUAN
IndoBERT I-TEMUAN
memiliki I-TEMUAN
akurasi I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
daripada I-TEMUAN
akurasi I-TEMUAN
model I-TEMUAN
SVM I-TEMUAN
dan I-TEMUAN
LSTM. I-TEMUAN
Kata O
Kunci— O
Analisis O
sentimen O
, O
hate O
speech O
, O
SVM O
, O
IndoBERT O
, O
LSTM O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
1. O
Telah O
dibangun O
dataset O
twit O
hate O
speech O
berbahasa O
Indonesia. O
2. O
Telah O
dilakukan O
analisis O
sentimen O
dengan O
model O
machine O
learning O
menggunakan O
SVM O
dengan O
ekstraksi O
fitur O
TF- O
IDF O
, O
model O
deep O
learning O
menggunakan O
LSTM O
dengan O
word O
embedding O
Word2Vec O
, O
dan O
model O
pre-trained O
deep O
learning O
berbasis O
transformer O
menggunakan O
IndoBERT. O
3. O
Telah O
dilakukan O
evaluasi O
performa O
tiap O
model O
dalam O
klasifikasi O
twit O
hate O
speech. O
Berdasarkan O
uraian O
hasil O
dan O
pembahasan O
, O
model B-TEMUAN
IndoBERT I-TEMUAN
memberikan I-TEMUAN
performa I-TEMUAN
terbaik I-TEMUAN
dalam I-TEMUAN
pengklasifikasian I-TEMUAN
twit I-TEMUAN
hate I-TEMUAN
speech I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
83,51 I-TEMUAN
% I-TEMUAN
serta I-TEMUAN
dapat I-TEMUAN
menangkap I-TEMUAN
makna I-TEMUAN
kata I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dari I-TEMUAN
model I-TEMUAN
SVM I-TEMUAN
dan I-TEMUAN
LSTMan I-TEMUAN
uraian O
hasil O
dan O
pembahasan O
, O
model B-TEMUAN
IndoBERT I-TEMUAN
memberikan I-TEMUAN
performa I-TEMUAN
terbaik I-TEMUAN
dalam I-TEMUAN
pengklsifikasian I-TEMUAN
twit I-TEMUAN
hate I-TEMUAN
speech I-TEMUAN
dengan O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
akurasi B-METODE
83,51 O
% O
serta O
dapat O
menangkap O
makna O
kata O
lebih O
baik O
dari O
kedua O
model O
lainnya. O
B. O
Saran O
Pada O
penelitian O
ini O
dataset O
twit O
hate O
speech O
yang O
digunakan O
menggunakan O
hasil O
dari O
penelitian O
sebelumnya O
dan O
menggabungkannya O
dengan O
hasil O
scraping O
Twitter. O
Dataset O
yang O
dikumpulkan O
dilabeli O
sebagai O
“hate” O
untuk O
twit O
hate O
speech O
dan O
“no O
hate” O
untuk O
twit O
bukan O
hate O
speech. O
Untuk O
penelitian O
selanjutnya O
, O
label O
yang O
diberikan O
bisa O
berupa O
multi O
kelas O
seperti O
, O
intensitas O
( O
lemah O
atau O
kuat O
) O
, O
kategori O
( O
agama O
, O
ras O
/ O
etnis O
, O
seksualitas O
, O
dll. O
) O
, O
dan O
target O
( O
individu O
atau O
kelompok O
) O
. O
Hal O
ini O
karena O
akan O
memberikan O
informasi O
yang O
lebih O
detail O
terkait O
jenis O
apa O
hate O
speech O
yang O
dimaksud O
, O
sehingga O
para O
pembaca O
/ O
pengguna O
dapat O
memahami O
konteks O
dari O
twit O
hate O
speech O
tersebut. O

Analisis O
Konten O
dan O
Determinan O
Engagement O
Rate O
Akun O
Instagram O
Badan O
Pusat O
Statistik O
Tingkat O
Provinsi O
Anisa O
Rahma O
Subagio O
( O
221910781 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Rindang O
Bangun O
Prasetyo O
, O
S.S.T. O
, O
M.Si. O
Ringkasan— O
Perhitungan O
ukuran O
Engagement O
Rate O
( O
ER O
) O
untuk O
akun O
Instagram O
instansi O
pemerintah O
pada O
level O
provinsi O
sangat O
diperlukan O
karena O
ukuran O
tersebut O
dapat O
digunakan O
sebagai O
evaluasi O
dalam O
pengelolaan O
akun O
dan O
penyebarluasan O
informasi. O
Penelitian O
ini O
bertujuan O
untuk O
menganalisis B-TUJUAN
konten I-TUJUAN
Instagram I-TUJUAN
dari I-TUJUAN
setiap I-TUJUAN
BPS I-TUJUAN
provinsi I-TUJUAN
, I-TUJUAN
mengetahui I-TUJUAN
ER I-TUJUAN
dari I-TUJUAN
setiap I-TUJUAN
akun I-TUJUAN
Instagram I-TUJUAN
BPS I-TUJUAN
provinsi I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
mengetahui I-TUJUAN
determinan I-TUJUAN
ER I-TUJUAN
Instagram I-TUJUAN
BPS I-TUJUAN
provinsi. I-TUJUAN
Penelitian O
ini O
menggunakan O
sumber O
data O
instagram. O
Variabel O
dependen O
pada O
penelitian O
ini O
adalah O
Engagement O
Rate O
, O
variabel O
independen O
yang O
digunakan O
adalah O
topik O
post O
, O
tipe O
media O
, O
frekuensi O
post. O
Metode B-METODE
pemodelan I-METODE
topik I-METODE
yang O
digunakan O
adalah O
( O
LDA O
) O
. O
Determinan O
Engagement O
rate O
akan O
dilihat O
menggunakan. O
Persebaran O
pada O
masing-masing O
akun O
instagram O
BPS O
provinsi O
cukup O
beragam. O
Dari O
34 O
provinsi O
, O
hanya O
satu O
akun O
BPS O
yang O
memiliki O
engagement O
rate O
di O
atas O
rata- O
rata O
rentang O
sesuai O
followers O
, O
yaitu O
BPS O
Aceh. O
determinan O
dari O
variabel O
engaement O
rate O
antara O
lain O
frekuensi O
post O
, O
jumlah O
post O
yang O
memiliki O
topik O
terkait O
kegiatan O
kepala O
BPS O
dalam O
mendampingi O
kegiatan O
internal O
, O
serta O
jumlah O
post O
terkait O
perlombaan O
, O
kuis O
dan O
giveaway O
yang O
diadakan O
oleh O
BPS O
Provinsi. O
Kata O
Kunci— O
Engagement O
Rate O
, O
Instagram O
, O
LDA O
, O
Regresi. O
[SEP] O
Berdasarkan O
hasil O
pemodelan O
topik O
didapatkan O
jumlah O
topik O
sebanyak O
17 O
topik. O
Topik O
yang O
memiliki O
post O
tertinggi O
adalah O
topik O
11 O
, O
like O
tertinggi O
adalah O
topik O
11 O
, O
dan O
comment O
tertinggi O
adalah O
topik O
16. O
Persebaran O
pada O
masing-masing O
akun O
instagram O
BPS O
provinsi O
cukup O
beragam. O
Engagement O
rate O
terendah O
yaitu O
sebesar O
0.616 O
% O
ditempati O
oleh O
BPS O
Provinsi O
Jawa O
Tengah O
, O
. O
Untuk O
engagement O
rate O
tertinggi O
yaitu O
3.974 O
% O
ditempati O
oleh O
BPS O
Provinsi O
Nusa O
Tenggara O
Timur. O
Semakin O
tinggi O
jumlah O
followers O
maka O
semakin O
rendah O
engagement O
rate O
yang O
didapatkan O
, O
sehingga O
kualitas O
engagement O
rate O
dapat O
dilihat O
dari O
rentang-rentang O
followers. O
Dari O
34 O
provinsi O
, O
hanya O
satu O
akun O
BPS O
yang O
memiliki O
engagement O
rate O
di O
atas O
rata-rata O
rentang O
sesuai O
followers O
, O
yaitu O
BPS O
Aceh. O
Berdasarkan O
model O
determinan O
yang O
didapatkan O
, O
determinan B-TEMUAN
dari I-TEMUAN
variabel I-TEMUAN
engaement I-TEMUAN
rate I-TEMUAN
antara I-TEMUAN
lain I-TEMUAN
frekuensi I-TEMUAN
post I-TEMUAN
, I-TEMUAN
jumlah I-TEMUAN
post I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
topik I-TEMUAN
terkait I-TEMUAN
kegiatan I-TEMUAN
kepala I-TEMUAN
BPS I-TEMUAN
dalam I-TEMUAN
menghadiri I-TEMUAN
dan I-TEMUAN
mendampingi I-TEMUAN
kegiatan I-TEMUAN
internal I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
jumlah I-TEMUAN
post I-TEMUAN
terkait I-TEMUAN
perlombaan I-TEMUAN
, I-TEMUAN
kuis I-TEMUAN
dan I-TEMUAN
give I-TEMUAN
away I-TEMUAN
yang I-TEMUAN
diadakan I-TEMUAN
oleh I-TEMUAN
masing-masing I-TEMUAN
BPS I-TEMUAN
Provinsi. I-TEMUAN
Meningkatkan O
frekuensi O
post O
dapat O
menurun O
engagemenr O
rate O
apabila O
tidak O
memperatikan O
kualitas O
dan O
topik O
konten. O
Menambah O
jumlah O
post O
terkait O
topik O
11 O
dan O
16 O
dapat O
meningkatkan O
engagement O
rate. O
berhadian O
dapat O
meningkat O
total O
comment O
dan O
likes O
pada O
akun O
Instagram O
BPS O
provinsi O
, O
dan O
jumlah O
post O
dengan O
topik O
B. O
Saran O
dapat O
dilakukan O
Saran O
yang O
dapat O
peneliti O
berikan O
antara O
lain O
Untuk O
meningkatkan O
engagement O
rate O
pada O
akun O
Instagram O
BPS O
provinsi O
dengan O
memperhatikan O
kecenderungan O
apa O
yang O
disukai O
dan O
apa O
yang O
sering O
mendapatkan O
feedback O
oleh O
pengguna O
Instagram. O
Dalam O
ini O
didapatkan O
bahwa O
yang O
paling O
sering O
penelitian O
diberikan O
komentar O
adalah O
unggaha O
terkait O
perlombaan O
, O
kuis O
dan O
giveaway. O
Oleh O
karena O
itu O
BPS O
provinsi O
dapat O
sesekali O
atau O
rutin O
melakukan O
kegiatan O
tersebut O
untuk O
meningkatkan O
interaksi O
antara O
pengguna O
Instagram O
dengan O
akun O
BPS O
provinsi. O
Selain O
itu O
dalam O
mengunggah O
atau O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
mempublikasikan O
informasi O
tidak O
perlu O
dalam O
jumlah O
yang O
banyak O
tetapi O
harus O
memperhatikan O
tentang O
kualitas O
dan O
topik O
apa O
yang O
akan O
diunggah O
sehinngga O
pengguna O
akan O
lebih O
tertarik O
untuk O
berinteraksi. O
Selanjutnya O
untuk O
penelitian O
yang O
akan O
datang O
dapat O
dikembangkan O
dengan O
melakukan O
penambahan O
variabel O
karena O
adjusted O
R-squared O
yang O
dihasilkan O
masih O
kecil. O
Selain O
itu O
dapat O
ditambahkan O
formula O
atau O
komponen O
lain O
terkait O
engagement O
rate O
, O
seperti O
share O
, O
pertumbuhan O
followers O
dan O
reach. O

Analisis O
Konten O
dan O
Determinan O
Engagement O
Rate O
Akun O
Instagram O
Badan O
Pusat O
Statistik O
Tingkat O
Provinsi O
Anisa O
Rahma O
Subagio O
( O
221910781 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Rindang O
Bangun O
Prasetyo O
, O
S.S.T. O
, O
M.Si. O
Ringkasan— O
Perhitungan O
ukuran O
Engagement O
Rate O
( O
ER O
) O
untuk O
akun O
Instagram O
instansi O
pemerintah O
pada O
level O
provinsi O
sangat O
diperlukan O
karena O
ukuran O
tersebut O
dapat O
digunakan O
sebagai O
evaluasi O
dalam O
pengelolaan O
akun O
dan O
penyebarluasan O
informasi. O
Penelitian O
ini O
bertujuan O
untuk O
menganalisis B-TUJUAN
konten I-TUJUAN
Instagram I-TUJUAN
dari I-TUJUAN
setiap I-TUJUAN
BPS I-TUJUAN
provinsi I-TUJUAN
, I-TUJUAN
mengetahui I-TUJUAN
ER I-TUJUAN
dari I-TUJUAN
setiap I-TUJUAN
akun I-TUJUAN
Instagram I-TUJUAN
BPS I-TUJUAN
provinsi I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
mengetahui I-TUJUAN
determinan I-TUJUAN
ER I-TUJUAN
Instagram I-TUJUAN
BPS I-TUJUAN
provinsi. I-TUJUAN
Penelitian O
ini O
menggunakan O
sumber O
data O
instagram. O
Variabel O
dependen O
pada O
penelitian O
ini O
adalah O
Engagement O
Rate O
, O
variabel O
independen O
yang O
digunakan O
adalah O
topik O
post O
, O
tipe O
media O
, O
frekuensi O
post. O
Metode B-METODE
pemodelan I-METODE
topik I-METODE
yang O
digunakan O
adalah O
( O
LDA O
) O
. O
Determinan O
Engagement O
rate O
akan O
dilihat O
menggunakan. O
Persebaran O
pada O
masing-masing O
akun O
instagram O
BPS O
provinsi O
cukup O
beragam. O
Dari O
34 O
provinsi O
, O
hanya O
satu O
akun O
BPS O
yang O
memiliki O
engagement O
rate O
di O
atas O
rata- O
rata O
rentang O
sesuai O
followers O
, O
yaitu O
BPS O
Aceh. O
determinan O
dari O
variabel O
engaement O
rate O
antara O
lain O
frekuensi O
post O
, O
jumlah O
post O
yang O
memiliki O
topik O
terkait O
kegiatan O
kepala O
BPS O
dalam O
mendampingi O
kegiatan O
internal O
, O
serta O
jumlah O
post O
terkait O
perlombaan O
, O
kuis O
dan O
giveaway O
yang O
diadakan O
oleh O
BPS O
Provinsi. O
Kata O
Kunci— O
Engagement O
Rate O
, O
Instagram O
, O
LDA O
, O
Regresi. O
[SEP] O
Berdasarkan O
hasil O
pemodelan O
topik O
didapatkan O
jumlah O
topik O
sebanyak O
17 O
topik. O
Topik O
yang O
memiliki O
post O
tertinggi O
adalah O
topik O
11 O
, O
like O
tertinggi O
adalah O
topik O
11 O
, O
dan O
comment O
tertinggi O
adalah O
topik O
16. O
Persebaran O
pada O
masing-masing O
akun O
instagram O
BPS O
provinsi O
cukup O
beragam. O
Engagement O
rate O
terendah O
yaitu O
sebesar O
0.616 O
% O
ditempati O
oleh O
BPS O
Provinsi O
Jawa O
Tengah O
, O
. O
Untuk O
engagement O
rate O
tertinggi O
yaitu O
3.974 O
% O
ditempati O
oleh O
BPS O
Provinsi O
Nusa O
Tenggara O
Timur. O
Semakin O
tinggi O
jumlah O
followers O
maka O
semakin O
rendah O
engagement O
rate O
yang O
didapatkan O
, O
sehingga O
kualitas O
engagement O
rate O
dapat O
dilihat O
dari O
rentang-rentang O
followers. O
Dari O
34 O
provinsi O
, O
hanya O
satu O
akun O
BPS O
yang O
memiliki O
engagement O
rate O
di O
atas O
rata-rata O
rentang O
sesuai O
followers O
, O
yaitu O
BPS O
Aceh. O
Berdasarkan O
model O
determinan O
yang O
didapatkan O
, O
determinan B-TEMUAN
dari I-TEMUAN
variabel I-TEMUAN
engaement I-TEMUAN
rate I-TEMUAN
antara I-TEMUAN
lain I-TEMUAN
frekuensi I-TEMUAN
post I-TEMUAN
, I-TEMUAN
jumlah I-TEMUAN
post I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
topik I-TEMUAN
terkait I-TEMUAN
kegiatan I-TEMUAN
kepala I-TEMUAN
BPS I-TEMUAN
dalam I-TEMUAN
menghadiri I-TEMUAN
dan I-TEMUAN
mendampingi I-TEMUAN
kegiatan I-TEMUAN
internal I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
jumlah I-TEMUAN
post I-TEMUAN
terkait I-TEMUAN
perlombaan I-TEMUAN
, I-TEMUAN
kuis I-TEMUAN
dan I-TEMUAN
give I-TEMUAN
away I-TEMUAN
yang I-TEMUAN
diadakan I-TEMUAN
oleh I-TEMUAN
masing-masing I-TEMUAN
BPS I-TEMUAN
Provinsi. I-TEMUAN
Meningkatkan O
frekuensi O
post O
dapat O
menurun O
engagemenr O
rate O
apabila O
tidak O
memperatikan O
kualitas O
dan O
topik O
konten. O
Menambah O
jumlah O
post O
terkait O
topik O
11 O
dan O
16 O
dapat O
meningkatkan O
engagement O
rate. O
berhadian O
dapat O
meningkat O
total O
comment O
dan O
likes O
pada O
akun O
Instagram O
BPS O
provinsi O
, O
dan O
jumlah O
post O
dengan O
topik O
B. O
Saran O
dapat O
dilakukan O
Saran O
yang O
dapat O
peneliti O
berikan O
antara O
lain O
Untuk O
meningkatkan O
engagement O
rate O
pada O
akun O
Instagram O
BPS O
provinsi O
dengan O
memperhatikan O
kecenderungan O
apa O
yang O
disukai O
dan O
apa O
yang O
sering O
mendapatkan O
feedback O
oleh O
pengguna O
Instagram. O
Dalam O
ini O
didapatkan O
bahwa O
yang O
paling O
sering O
penelitian O
diberikan O
komentar O
adalah O
unggaha O
terkait O
perlombaan O
, O
kuis O
dan O
giveaway. O
Oleh O
karena O
itu O
BPS O
provinsi O
dapat O
sesekali O
atau O
rutin O
melakukan O
kegiatan O
tersebut O
untuk O
meningkatkan O
interaksi O
antara O
pengguna O
Instagram O
dengan O
akun O
BPS O
provinsi. O
Selain O
itu O
dalam O
mengunggah O
atau O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
mempublikasikan O
informasi O
tidak O
perlu O
dalam O
jumlah O
yang O
banyak O
tetapi O
harus O
memperhatikan O
tentang O
kualitas O
dan O
topik O
apa O
yang O
akan O
diunggah O
sehinngga O
pengguna O
akan O
lebih O
tertarik O
untuk O
berinteraksi. O
Selanjutnya O
untuk O
penelitian O
yang O
akan O
datang O
dapat O
dikembangkan O
dengan O
melakukan O
penambahan O
variabel O
karena O
adjusted O
R-squared O
yang O
dihasilkan O
masih O
kecil. O
Selain O
itu O
dapat O
ditambahkan O
formula O
atau O
komponen O
lain O
terkait O
engagement O
rate O
, O
seperti O
share O
, O
pertumbuhan O
followers O
dan O
reach. O

Analisis O
Konten O
dan O
Determinan O
Engagement O
Rate O
Akun O
Instagram O
Badan O
Pusat O
Statistik O
Tingkat O
Provinsi O
Anisa O
Rahma O
Subagio O
( O
221910781 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Rindang O
Bangun O
Prasetyo O
, O
S.S.T. O
, O
M.Si. O
Ringkasan— O
Perhitungan O
ukuran O
Engagement O
Rate O
( O
ER O
) O
untuk O
akun O
Instagram O
instansi O
pemerintah O
pada O
level O
provinsi O
sangat O
diperlukan O
karena O
ukuran O
tersebut O
dapat O
digunakan O
sebagai O
evaluasi O
dalam O
pengelolaan O
akun O
dan O
penyebarluasan O
informasi. O
Penelitian O
ini O
bertujuan O
untuk O
menganalisis B-TUJUAN
konten I-TUJUAN
Instagram I-TUJUAN
dari I-TUJUAN
setiap I-TUJUAN
BPS I-TUJUAN
provinsi I-TUJUAN
, I-TUJUAN
mengetahui I-TUJUAN
ER I-TUJUAN
dari I-TUJUAN
setiap I-TUJUAN
akun I-TUJUAN
Instagram I-TUJUAN
BPS I-TUJUAN
provinsi I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
mengetahui I-TUJUAN
determinan I-TUJUAN
ER I-TUJUAN
Instagram I-TUJUAN
BPS I-TUJUAN
provinsi. I-TUJUAN
Penelitian O
ini O
menggunakan O
sumber O
data O
instagram. O
Variabel O
dependen O
pada O
penelitian O
ini O
adalah O
Engagement O
Rate O
, O
variabel O
independen O
yang O
digunakan O
adalah O
topik O
post O
, O
tipe O
media O
, O
frekuensi O
post. O
Metode B-METODE
pemodelan I-METODE
topik I-METODE
yang O
digunakan O
adalah O
( O
LDA O
) O
. O
Determinan O
Engagement O
rate O
akan O
dilihat O
menggunakan. O
Persebaran O
pada O
masing-masing O
akun O
instagram O
BPS O
provinsi O
cukup O
beragam. O
Dari O
34 O
provinsi O
, O
hanya O
satu O
akun O
BPS O
yang O
memiliki O
engagement O
rate O
di O
atas O
rata- O
rata O
rentang O
sesuai O
followers O
, O
yaitu O
BPS O
Aceh. O
determinan O
dari O
variabel O
engaement O
rate O
antara O
lain O
frekuensi O
post O
, O
jumlah O
post O
yang O
memiliki O
topik O
terkait O
kegiatan O
kepala O
BPS O
dalam O
mendampingi O
kegiatan O
internal O
, O
serta O
jumlah O
post O
terkait O
perlombaan O
, O
kuis O
dan O
giveaway O
yang O
diadakan O
oleh O
BPS O
Provinsi. O
Kata O
Kunci— O
Engagement O
Rate O
, O
Instagram O
, O
LDA O
, O
Regresi. O
[SEP] O
Berdasarkan O
hasil O
pemodelan O
topik O
didapatkan O
jumlah O
topik O
sebanyak O
17 O
topik. O
Topik O
yang O
memiliki O
post O
tertinggi O
adalah O
topik O
11 O
, O
like O
tertinggi O
adalah O
topik O
11 O
, O
dan O
comment O
tertinggi O
adalah O
topik O
16. O
Persebaran O
pada O
masing-masing O
akun O
instagram O
BPS O
provinsi O
cukup O
beragam. O
Engagement O
rate O
terendah O
yaitu O
sebesar O
0.616 O
% O
ditempati O
oleh O
BPS O
Provinsi O
Jawa O
Tengah O
, O
. O
Untuk O
engagement O
rate O
tertinggi O
yaitu O
3.974 O
% O
ditempati O
oleh O
BPS O
Provinsi O
Nusa O
Tenggara O
Timur. O
Semakin O
tinggi O
jumlah O
followers O
maka O
semakin O
rendah O
engagement O
rate O
yang O
didapatkan O
, O
sehingga O
kualitas O
engagement O
rate O
dapat O
dilihat O
dari O
rentang-rentang O
followers. O
Dari O
34 O
provinsi O
, O
hanya O
satu O
akun O
BPS O
yang O
memiliki O
engagement O
rate O
di O
atas O
rata-rata O
rentang O
sesuai O
followers O
, O
yaitu O
BPS O
Aceh. O
Berdasarkan O
model O
determinan O
yang O
didapatkan O
, O
determinan B-TEMUAN
dari I-TEMUAN
variabel I-TEMUAN
engaement I-TEMUAN
rate I-TEMUAN
antara I-TEMUAN
lain I-TEMUAN
frekuensi I-TEMUAN
post I-TEMUAN
, I-TEMUAN
jumlah I-TEMUAN
post I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
topik I-TEMUAN
terkait I-TEMUAN
kegiatan I-TEMUAN
kepala I-TEMUAN
BPS I-TEMUAN
dalam I-TEMUAN
menghadiri I-TEMUAN
dan I-TEMUAN
mendampingi I-TEMUAN
kegiatan I-TEMUAN
internal I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
jumlah I-TEMUAN
post I-TEMUAN
terkait I-TEMUAN
perlombaan I-TEMUAN
, I-TEMUAN
kuis I-TEMUAN
dan I-TEMUAN
give I-TEMUAN
away I-TEMUAN
yang I-TEMUAN
diadakan I-TEMUAN
oleh I-TEMUAN
masing-masing I-TEMUAN
BPS I-TEMUAN
Provinsi. I-TEMUAN
Meningkatkan O
frekuensi O
post O
dapat O
menurun O
engagemenr O
rate O
apabila O
tidak O
memperatikan O
kualitas O
dan O
topik O
konten. O
Menambah O
jumlah O
post O
terkait O
topik O
11 O
dan O
16 O
dapat O
meningkatkan O
engagement O
rate. O
berhadian O
dapat O
meningkat O
total O
comment O
dan O
likes O
pada O
akun O
Instagram O
BPS O
provinsi O
, O
dan O
jumlah O
post O
dengan O
topik O
B. O
Saran O
dapat O
dilakukan O
Saran O
yang O
dapat O
peneliti O
berikan O
antara O
lain O
Untuk O
meningkatkan O
engagement O
rate O
pada O
akun O
Instagram O
BPS O
provinsi O
dengan O
memperhatikan O
kecenderungan O
apa O
yang O
disukai O
dan O
apa O
yang O
sering O
mendapatkan O
feedback O
oleh O
pengguna O
Instagram. O
Dalam O
ini O
didapatkan O
bahwa O
yang O
paling O
sering O
penelitian O
diberikan O
komentar O
adalah O
unggaha O
terkait O
perlombaan O
, O
kuis O
dan O
giveaway. O
Oleh O
karena O
itu O
BPS O
provinsi O
dapat O
sesekali O
atau O
rutin O
melakukan O
kegiatan O
tersebut O
untuk O
meningkatkan O
interaksi O
antara O
pengguna O
Instagram O
dengan O
akun O
BPS O
provinsi. O
Selain O
itu O
dalam O
mengunggah O
atau O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
mempublikasikan O
informasi O
tidak O
perlu O
dalam O
jumlah O
yang O
banyak O
tetapi O
harus O
memperhatikan O
tentang O
kualitas O
dan O
topik O
apa O
yang O
akan O
diunggah O
sehinngga O
pengguna O
akan O
lebih O
tertarik O
untuk O
berinteraksi. O
Selanjutnya O
untuk O
penelitian O
yang O
akan O
datang O
dapat O
dikembangkan O
dengan O
melakukan O
penambahan O
variabel O
karena O
adjusted O
R-squared O
yang O
dihasilkan O
masih O
kecil. O
Selain O
itu O
dapat O
ditambahkan O
formula O
atau O
komponen O
lain O
terkait O
engagement O
rate O
, O
seperti O
share O
, O
pertumbuhan O
followers O
dan O
reach. O

Pengembangan O
Sistem O
Informasi O
Manajemen O
Rumah O
Negara O
BPS O
RI O
Berbasis O
Web O
Habibullah O
Hibatul O
Wafi O
( O
221910761,4SI1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Dalam O
rangka O
memenuhi O
kebutuhan O
penugasan O
dan O
memudahkan O
pegawainya O
yang O
harus O
pindah O
dan O
bertempat O
tinggal O
di O
dekat O
tempat O
kerja O
, O
BPS O
menyediakan O
fasilitas O
perumahan O
bagi O
pegawai O
melalui O
rumah O
negara. O
Biro O
Umum O
BPS O
RI O
merupakan O
bagian O
yang O
mengurus O
proses O
pengelolaan O
rumah O
negara O
BPS. O
Namun O
proses O
bisnis O
tersebut O
masih O
menggunakan O
sistem O
yang O
sederhana. O
Meskipun O
sistem O
tersebut O
dapat O
memberikan O
solusi O
awal O
, O
ada O
beberapa O
kendala O
yang O
dialami O
seperti O
banyaknya O
formulir O
yang O
harus O
diisi O
dan O
manajemen O
data O
yang O
dilakukan O
dalam O
tempat O
yang O
terpisah O
menyebabkan O
pekerjaan O
perlu O
dilakukan O
dengan O
lebih O
teliti O
untuk O
mencegah O
kesalahan O
sehingga O
membutuhkan O
lebih O
banyak O
waktu. O
Metode O
yang O
digunakan O
pengembangan O
adalah O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
dengan I-METODE
model I-METODE
waterfall. I-METODE
Implementasi O
sistem O
usulan O
menggunakan O
framework O
Laravel O
dan O
php O
versi O
8. O
Metode O
pengujian O
yang O
akan O
digunakan O
adalah O
Blackbox B-METODE
testing I-METODE
dan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Pada B-TEMUAN
pengujian I-TEMUAN
metode I-TEMUAN
Blackbox I-TEMUAN
testing I-TEMUAN
hasil I-TEMUAN
fungsi I-TEMUAN
sudah I-TEMUAN
sesuai I-TEMUAN
harapan I-TEMUAN
dan I-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
SUS I-TEMUAN
mendapat I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
7,8 I-TEMUAN
yang I-TEMUAN
artinya I-TEMUAN
pengguna I-TEMUAN
cukup I-TEMUAN
puas I-TEMUAN
terhadap I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dikembangkan. I-TEMUAN
Kata O
Kunci— O
Sistem O
Informasi O
Manajemen O
, O
Rumah O
Negara O
, O
sistem O
SK O
, O
SDLC O
, O
Waterfall. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
diambil O
beberapa O
kesimpulan O
sementara O
sebagai O
berikut. O
1. O
Telah O
dikembangkan O
informasi O
manajemen O
rumah O
negara O
yang O
dapat O
mengakomodasi O
kegiatan O
pengajuan O
permohonan O
dan O
penghentian O
izin O
huni O
rumah O
negara O
BPS O
RI. O
sebuah O
sistem O
2. O
Sistem O
yang O
telah O
dibangun O
dapat O
meningkatkan O
otomatisasi O
pada O
penginputan O
data O
dan O
penghasilan O
dokumen O
mulai O
dari O
pengajuan O
permohonan O
sampai O
pembuatan O
dokumen O
penghunian O
dan O
pencabutan O
izin O
huni. O
3. O
Sistem O
yang O
telah O
dibangun O
menyediakan O
layanan O
monitoring O
proses O
pengajuan O
untuk O
pemohon O
dan O
pengingat O
waktu O
batas O
penghunian O
oleh O
admin O
yang O
dikirimkan O
melalui O
email O
4. O
Hasil B-TEMUAN
evaluasi I-TEMUAN
sistem I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
black-box I-TEMUAN
testing I-TEMUAN
telah I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
yang I-TEMUAN
diharapkan I-TEMUAN
serta I-TEMUAN
hasil I-TEMUAN
skor I-TEMUAN
rata-rata I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
7,8 I-TEMUAN
yang I-TEMUAN
artinya I-TEMUAN
pengguna I-TEMUAN
cukup I-TEMUAN
puas I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dikembangkan I-TEMUAN
dalam I-TEMUAN
penelitian I-TEMUAN
ini. I-TEMUAN
Adapun O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
berikutnya O
adalah O
sebagai O
berikut. O
1. O
Berdasarkan O
hasil O
evaluasi O
, O
diperlukan O
lebih O
banyak O
petunjuk O
pada O
sistem O
untuk O
memperjelas O
alur O
proses O
bisnis O
dan O
jalannya O
suatu O
fitur. O
2. O
Mengembangkan O
fitur O
pengingat O
otomatis O
yang O
dapat O
mengirimkan O
email O
kepada O
penghuni O
dan O
juga O
admin O
ketika O
terdapat O
penghunian O
yang O
akan O
habis O
waktunya. O
dapat O
sistem O
diimplementasikan O
pada O
rumah O
negara O
pada O
level O
provinsi O
atau O
kabupaten O
/ O
kota. O
3. O
Mengembangkan O
untuk O
Gambar O
18. O
Halaman O
kelola O
dokumen O
template O
4. O
Saran O
dari O
penulis O
adalah O
mengoptimalkan O
kode O
program O
untuk O
dapat O
meningkatkan O
performa O
sistem. O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O

Pengembangan O
Sistem O
Informasi O
Manajemen O
Rumah O
Negara O
BPS O
RI O
Berbasis O
Web O
Habibullah O
Hibatul O
Wafi O
( O
221910761,4SI1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Dalam O
rangka O
memenuhi O
kebutuhan O
penugasan O
dan O
memudahkan O
pegawainya O
yang O
harus O
pindah O
dan O
bertempat O
tinggal O
di O
dekat O
tempat O
kerja O
, O
BPS O
menyediakan O
fasilitas O
perumahan O
bagi O
pegawai O
melalui O
rumah O
negara. O
Biro O
Umum O
BPS O
RI O
merupakan O
bagian O
yang O
mengurus O
proses O
pengelolaan O
rumah O
negara O
BPS. O
Namun O
proses O
bisnis O
tersebut O
masih O
menggunakan O
sistem O
yang O
sederhana. O
Meskipun O
sistem O
tersebut O
dapat O
memberikan O
solusi O
awal O
, O
ada O
beberapa O
kendala O
yang O
dialami O
seperti O
banyaknya O
formulir O
yang O
harus O
diisi O
dan O
manajemen O
data O
yang O
dilakukan O
dalam O
tempat O
yang O
terpisah O
menyebabkan O
pekerjaan O
perlu O
dilakukan O
dengan O
lebih O
teliti O
untuk O
mencegah O
kesalahan O
sehingga O
membutuhkan O
lebih O
banyak O
waktu. O
Metode O
yang O
digunakan O
pengembangan O
adalah O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
dengan I-METODE
model I-METODE
waterfall. I-METODE
Implementasi O
sistem O
usulan O
menggunakan O
framework O
Laravel O
dan O
php O
versi O
8. O
Metode O
pengujian O
yang O
akan O
digunakan O
adalah O
Blackbox B-METODE
testing I-METODE
dan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Pada B-TEMUAN
pengujian I-TEMUAN
metode I-TEMUAN
Blackbox I-TEMUAN
testing I-TEMUAN
hasil I-TEMUAN
fungsi I-TEMUAN
sudah I-TEMUAN
sesuai I-TEMUAN
harapan I-TEMUAN
dan I-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
SUS I-TEMUAN
mendapat I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
7,8 I-TEMUAN
yang I-TEMUAN
artinya I-TEMUAN
pengguna I-TEMUAN
cukup I-TEMUAN
puas I-TEMUAN
terhadap I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dikembangkan. I-TEMUAN
Kata O
Kunci— O
Sistem O
Informasi O
Manajemen O
, O
Rumah O
Negara O
, O
sistem O
SK O
, O
SDLC O
, O
Waterfall. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
diambil O
beberapa O
kesimpulan O
sementara O
sebagai O
berikut. O
1. O
Telah O
dikembangkan O
informasi O
manajemen O
rumah O
negara O
yang O
dapat O
mengakomodasi O
kegiatan O
pengajuan O
permohonan O
dan O
penghentian O
izin O
huni O
rumah O
negara O
BPS O
RI. O
sebuah O
sistem O
2. O
Sistem O
yang O
telah O
dibangun O
dapat O
meningkatkan O
otomatisasi O
pada O
penginputan O
data O
dan O
penghasilan O
dokumen O
mulai O
dari O
pengajuan O
permohonan O
sampai O
pembuatan O
dokumen O
penghunian O
dan O
pencabutan O
izin O
huni. O
3. O
Sistem O
yang O
telah O
dibangun O
menyediakan O
layanan O
monitoring O
proses O
pengajuan O
untuk O
pemohon O
dan O
pengingat O
waktu O
batas O
penghunian O
oleh O
admin O
yang O
dikirimkan O
melalui O
email O
4. O
Hasil B-TEMUAN
evaluasi I-TEMUAN
sistem I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
black-box I-TEMUAN
testing I-TEMUAN
telah I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
yang I-TEMUAN
diharapkan I-TEMUAN
serta I-TEMUAN
hasil I-TEMUAN
skor I-TEMUAN
rata-rata I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
7,8 I-TEMUAN
yang I-TEMUAN
artinya I-TEMUAN
pengguna I-TEMUAN
cukup I-TEMUAN
puas I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dikembangkan I-TEMUAN
dalam I-TEMUAN
penelitian I-TEMUAN
ini. I-TEMUAN
Adapun O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
berikutnya O
adalah O
sebagai O
berikut. O
1. O
Berdasarkan O
hasil O
evaluasi O
, O
diperlukan O
lebih O
banyak O
petunjuk O
pada O
sistem O
untuk O
memperjelas O
alur O
proses O
bisnis O
dan O
jalannya O
suatu O
fitur. O
2. O
Mengembangkan O
fitur O
pengingat O
otomatis O
yang O
dapat O
mengirimkan O
email O
kepada O
penghuni O
dan O
juga O
admin O
ketika O
terdapat O
penghunian O
yang O
akan O
habis O
waktunya. O
dapat O
sistem O
diimplementasikan O
pada O
rumah O
negara O
pada O
level O
provinsi O
atau O
kabupaten O
/ O
kota. O
3. O
Mengembangkan O
untuk O
Gambar O
18. O
Halaman O
kelola O
dokumen O
template O
4. O
Saran O
dari O
penulis O
adalah O
mengoptimalkan O
kode O
program O
untuk O
dapat O
meningkatkan O
performa O
sistem. O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O

Pengembangan O
Sistem O
Informasi O
Manajemen O
Rumah O
Negara O
BPS O
RI O
Berbasis O
Web O
Habibullah O
Hibatul O
Wafi O
( O
221910761,4SI1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Dalam O
rangka O
memenuhi O
kebutuhan O
penugasan O
dan O
memudahkan O
pegawainya O
yang O
harus O
pindah O
dan O
bertempat O
tinggal O
di O
dekat O
tempat O
kerja O
, O
BPS O
menyediakan O
fasilitas O
perumahan O
bagi O
pegawai O
melalui O
rumah O
negara. O
Biro O
Umum O
BPS O
RI O
merupakan O
bagian O
yang O
mengurus O
proses O
pengelolaan O
rumah O
negara O
BPS. O
Namun O
proses O
bisnis O
tersebut O
masih O
menggunakan O
sistem O
yang O
sederhana. O
Meskipun O
sistem O
tersebut O
dapat O
memberikan O
solusi O
awal O
, O
ada O
beberapa O
kendala O
yang O
dialami O
seperti O
banyaknya O
formulir O
yang O
harus O
diisi O
dan O
manajemen O
data O
yang O
dilakukan O
dalam O
tempat O
yang O
terpisah O
menyebabkan O
pekerjaan O
perlu O
dilakukan O
dengan O
lebih O
teliti O
untuk O
mencegah O
kesalahan O
sehingga O
membutuhkan O
lebih O
banyak O
waktu. O
Metode O
yang O
digunakan O
pengembangan O
adalah O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
dengan I-METODE
model I-METODE
waterfall. I-METODE
Implementasi O
sistem O
usulan O
menggunakan O
framework O
Laravel O
dan O
php O
versi O
8. O
Metode O
pengujian O
yang O
akan O
digunakan O
adalah O
Blackbox B-METODE
testing I-METODE
dan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Pada B-TEMUAN
pengujian I-TEMUAN
metode I-TEMUAN
Blackbox I-TEMUAN
testing I-TEMUAN
hasil I-TEMUAN
fungsi I-TEMUAN
sudah I-TEMUAN
sesuai I-TEMUAN
harapan I-TEMUAN
dan I-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
SUS I-TEMUAN
mendapat I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
7,8 I-TEMUAN
yang I-TEMUAN
artinya I-TEMUAN
pengguna I-TEMUAN
cukup I-TEMUAN
puas I-TEMUAN
terhadap I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dikembangkan. I-TEMUAN
Kata O
Kunci— O
Sistem O
Informasi O
Manajemen O
, O
Rumah O
Negara O
, O
sistem O
SK O
, O
SDLC O
, O
Waterfall. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
diambil O
beberapa O
kesimpulan O
sementara O
sebagai O
berikut. O
1. O
Telah O
dikembangkan O
informasi O
manajemen O
rumah O
negara O
yang O
dapat O
mengakomodasi O
kegiatan O
pengajuan O
permohonan O
dan O
penghentian O
izin O
huni O
rumah O
negara O
BPS O
RI. O
sebuah O
sistem O
2. O
Sistem O
yang O
telah O
dibangun O
dapat O
meningkatkan O
otomatisasi O
pada O
penginputan O
data O
dan O
penghasilan O
dokumen O
mulai O
dari O
pengajuan O
permohonan O
sampai O
pembuatan O
dokumen O
penghunian O
dan O
pencabutan O
izin O
huni. O
3. O
Sistem O
yang O
telah O
dibangun O
menyediakan O
layanan O
monitoring O
proses O
pengajuan O
untuk O
pemohon O
dan O
pengingat O
waktu O
batas O
penghunian O
oleh O
admin O
yang O
dikirimkan O
melalui O
email O
4. O
Hasil B-TEMUAN
evaluasi I-TEMUAN
sistem I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
black-box I-TEMUAN
testing I-TEMUAN
telah I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
yang I-TEMUAN
diharapkan I-TEMUAN
serta I-TEMUAN
hasil I-TEMUAN
skor I-TEMUAN
rata-rata I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
7,8 I-TEMUAN
yang I-TEMUAN
artinya I-TEMUAN
pengguna I-TEMUAN
cukup I-TEMUAN
puas I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dikembangkan I-TEMUAN
dalam I-TEMUAN
penelitian I-TEMUAN
ini. I-TEMUAN
Adapun O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
berikutnya O
adalah O
sebagai O
berikut. O
1. O
Berdasarkan O
hasil O
evaluasi O
, O
diperlukan O
lebih O
banyak O
petunjuk O
pada O
sistem O
untuk O
memperjelas O
alur O
proses O
bisnis O
dan O
jalannya O
suatu O
fitur. O
2. O
Mengembangkan O
fitur O
pengingat O
otomatis O
yang O
dapat O
mengirimkan O
email O
kepada O
penghuni O
dan O
juga O
admin O
ketika O
terdapat O
penghunian O
yang O
akan O
habis O
waktunya. O
dapat O
sistem O
diimplementasikan O
pada O
rumah O
negara O
pada O
level O
provinsi O
atau O
kabupaten O
/ O
kota. O
3. O
Mengembangkan O
untuk O
Gambar O
18. O
Halaman O
kelola O
dokumen O
template O
4. O
Saran O
dari O
penulis O
adalah O
mengoptimalkan O
kode O
program O
untuk O
dapat O
meningkatkan O
performa O
sistem. O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O

Perbandingan O
Metode O
Support O
Vector O
Regression O
dan O
Generalized O
Autoregressive O
Conditional O
Heteroskedasticity O
Studi O
Kasus O
: O
Saham O
MEDC O
Faiz O
Syafiq O
Osdimansyah O
( O
221910760 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Bony O
Parulian O
Josaphat O
, O
S.Si. O
, O
M.Si. O
Ringkasan— O
Investasi O
saham O
sering O
menghadapi O
risiko O
yang O
investor O
dalam O
tidak O
menentu. O
Dalam O
rangka O
membantu O
pengambilan O
keputusan O
investasi O
dan O
manajemen O
risiko O
, O
penting O
untuk O
memiliki O
pemahaman O
tentang O
prediksi O
return O
saham O
pada O
masa O
depan. O
Penggunaan O
metode B-METODE
ekonometrik I-METODE
untuk O
prediksi O
data O
keuangan O
seringkali O
sulit O
dilakukan O
karena O
memerlukan O
pemenuhan O
asumsi. O
Metode B-METODE
machine I-METODE
learning I-METODE
yang O
tidak O
tergantung O
pada O
asumsi O
menjadi O
pilihan O
yang O
tepat O
untuk O
melakukan O
prediksi. O
Metode O
Support O
Vector O
Regression O
( O
SVR O
) O
telah O
digunakan O
dalam O
beberapa O
prediksi O
data O
keuangan O
dan O
menghasilkan O
performa O
yang O
baik. O
Penelitian O
ini O
bertujuan O
untuk O
memprediksi B-TUJUAN
return I-TUJUAN
saham I-TUJUAN
pada I-TUJUAN
masa I-TUJUAN
yang I-TUJUAN
akan I-TUJUAN
datang I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
Support I-TUJUAN
Vector I-TUJUAN
Regression I-TUJUAN
kemudian I-TUJUAN
dibandingkan I-TUJUAN
dengan I-TUJUAN
metode I-TUJUAN
GARCH. I-TUJUAN
Data O
return O
yang O
digunakan O
dalam O
penelitian O
ini O
dihasilkan O
dari O
harga O
saham O
historis O
PT O
Medco O
Energi O
Internasional O
Tbk O
( O
MEDC O
) O
. O
Metode B-TEMUAN
SVR I-TEMUAN
yang I-TEMUAN
dioptimasi I-TEMUAN
menggunakan I-TEMUAN
Grid I-TEMUAN
Search I-TEMUAN
CV I-TEMUAN
menghasilkan I-TEMUAN
model I-TEMUAN
SVR I-TEMUAN
terbaik I-TEMUAN
dengan I-TEMUAN
variabel I-TEMUAN
lag I-TEMUAN
return I-TEMUAN
, I-TEMUAN
harga I-TEMUAN
penutupan I-TEMUAN
saham I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
teknikal I-TEMUAN
indikator I-TEMUAN
dengan I-TEMUAN
RMSE I-TEMUAN
pada I-TEMUAN
data I-TEMUAN
testing I-TEMUAN
sebesar I-TEMUAN
0,0092 I-TEMUAN
dan I-TEMUAN
MAE I-TEMUAN
sebesar I-TEMUAN
0,0070. I-TEMUAN
Hasil I-TEMUAN
ini I-TEMUAN
mampu I-TEMUAN
mengungguli I-TEMUAN
metode I-TEMUAN
GARCH I-TEMUAN
dengan I-TEMUAN
model I-TEMUAN
ARMA I-TEMUAN
( I-TEMUAN
1,1 I-TEMUAN
) I-TEMUAN
-GARCH I-TEMUAN
( I-TEMUAN
1,1 I-TEMUAN
) I-TEMUAN
dengan I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
0,0382 I-TEMUAN
dan I-TEMUAN
MAE I-TEMUAN
sebesar I-TEMUAN
0,0452. I-TEMUAN
Kata O
Kunci— O
prediksi O
return O
, O
support O
vector O
regression O
, O
GARCH O
, O
teknikal O
indikator. O
[SEP] O
Kesimpulan O
Berdasarkan O
hasil O
yang O
diperoleh O
berikut O
kesimpulan O
yang O
bisa O
diambil O
: O
a. O
Metode B-TEMUAN
Support I-TEMUAN
Vector I-TEMUAN
Regression I-TEMUAN
mampu I-TEMUAN
menghasilkan I-TEMUAN
prediksi I-TEMUAN
return I-TEMUAN
saham I-TEMUAN
MEDC I-TEMUAN
dengan I-TEMUAN
sangat I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
0,0092 I-TEMUAN
dan I-TEMUAN
MAE I-TEMUAN
sebesar I-TEMUAN
0,0070. I-TEMUAN
Berdasarkan O
percobaan O
pada O
data O
training O
maupun O
data O
testing O
kombinasi O
variabel O
terbaik O
untuk O
memprediksi O
return O
saham O
adalah O
KV5 O
yang O
terdiri O
dari O
variabel O
lag O
return O
, O
harga O
penutupan O
saham O
, O
dan O
10 O
teknikal O
indikator. O
b. O
Metode O
GARCH O
menghasilkan O
model O
ARMA O
( O
1,1 O
) O
- O
GARCH O
( O
1,1 O
) O
untuk O
memprediksi O
return O
saham O
MEDC. O
Hasil O
prediksi O
return O
menggunakan O
ARMA O
( O
1,1 O
) O
- O
GARCH O
( O
1,1 O
) O
tidak O
terlalu O
bagus O
karena O
RMSE O
yang O
dihasilkan O
sebesar O
0,0460 O
dan O
MAE O
sebesar O
0,0355 O
, O
lebih O
tinggi O
dari O
SVR. O
c. O
Berdasarkan O
hasil O
evaluasi O
dapat O
dikatakan O
bahwa O
metode O
machine O
learning O
dengan O
SVR O
mampu O
mengungguli O
metode O
dalam O
ekonometrik O
memprediksi O
return O
saham O
MEDC. O
dengan O
GARCH O
Saran O
a. O
Saran O
untuk O
penelitian O
selanjutnya O
adalah O
menambahkan O
variabel O
yang O
lebih O
berpengaruh O
terhadap O
return O
saham O
dan O
juga O
menggunakan O
feature O
extraction O
seperti O
PCA O
untuk O
menghindari O
adanya O
multikolinieritas O
pada O
variabel O
independen. O
b. O
Perlu O
dilakukan O
penelitian O
lebih O
lanjut O
mengenai O
teknikal O
indikator O
apa O
saja O
yang O
lebih O
baik O
untuk O
memprediksi O
return O
saham. O
c. O
Disarankan O
untuk O
penelitian O
selanjutnya O
menggunakan O
hyperparameter O
optimization O
yang O
lebih O
kompleks O
seperti O
Particel O
Swarm O
Optimization O
atau O
Fruit O
Fly O
Optimization O
Algorithm. O

Perbandingan O
Metode O
Support O
Vector O
Regression O
dan O
Generalized O
Autoregressive O
Conditional O
Heteroskedasticity O
Studi O
Kasus O
: O
Saham O
MEDC O
Faiz O
Syafiq O
Osdimansyah O
( O
221910760 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Bony O
Parulian O
Josaphat O
, O
S.Si. O
, O
M.Si. O
Ringkasan— O
Investasi O
saham O
sering O
menghadapi O
risiko O
yang O
investor O
dalam O
tidak O
menentu. O
Dalam O
rangka O
membantu O
pengambilan O
keputusan O
investasi O
dan O
manajemen O
risiko O
, O
penting O
untuk O
memiliki O
pemahaman O
tentang O
prediksi O
return O
saham O
pada O
masa O
depan. O
Penggunaan O
metode B-METODE
ekonometrik I-METODE
untuk O
prediksi O
data O
keuangan O
seringkali O
sulit O
dilakukan O
karena O
memerlukan O
pemenuhan O
asumsi. O
Metode B-METODE
machine I-METODE
learning I-METODE
yang O
tidak O
tergantung O
pada O
asumsi O
menjadi O
pilihan O
yang O
tepat O
untuk O
melakukan O
prediksi. O
Metode O
Support O
Vector O
Regression O
( O
SVR O
) O
telah O
digunakan O
dalam O
beberapa O
prediksi O
data O
keuangan O
dan O
menghasilkan O
performa O
yang O
baik. O
Penelitian O
ini O
bertujuan O
untuk O
memprediksi B-TUJUAN
return I-TUJUAN
saham I-TUJUAN
pada I-TUJUAN
masa I-TUJUAN
yang I-TUJUAN
akan I-TUJUAN
datang I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
Support I-TUJUAN
Vector I-TUJUAN
Regression I-TUJUAN
kemudian I-TUJUAN
dibandingkan I-TUJUAN
dengan I-TUJUAN
metode I-TUJUAN
GARCH. I-TUJUAN
Data O
return O
yang O
digunakan O
dalam O
penelitian O
ini O
dihasilkan O
dari O
harga O
saham O
historis O
PT O
Medco O
Energi O
Internasional O
Tbk O
( O
MEDC O
) O
. O
Metode B-TEMUAN
SVR I-TEMUAN
yang I-TEMUAN
dioptimasi I-TEMUAN
menggunakan I-TEMUAN
Grid I-TEMUAN
Search I-TEMUAN
CV I-TEMUAN
menghasilkan I-TEMUAN
model I-TEMUAN
SVR I-TEMUAN
terbaik I-TEMUAN
dengan I-TEMUAN
variabel I-TEMUAN
lag I-TEMUAN
return I-TEMUAN
, I-TEMUAN
harga I-TEMUAN
penutupan I-TEMUAN
saham I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
teknikal I-TEMUAN
indikator I-TEMUAN
dengan I-TEMUAN
RMSE I-TEMUAN
pada I-TEMUAN
data I-TEMUAN
testing I-TEMUAN
sebesar I-TEMUAN
0,0092 I-TEMUAN
dan I-TEMUAN
MAE I-TEMUAN
sebesar I-TEMUAN
0,0070. I-TEMUAN
Hasil I-TEMUAN
ini I-TEMUAN
mampu I-TEMUAN
mengungguli I-TEMUAN
metode I-TEMUAN
GARCH I-TEMUAN
dengan I-TEMUAN
model I-TEMUAN
ARMA I-TEMUAN
( I-TEMUAN
1,1 I-TEMUAN
) I-TEMUAN
-GARCH I-TEMUAN
( I-TEMUAN
1,1 I-TEMUAN
) I-TEMUAN
dengan I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
0,0382 I-TEMUAN
dan I-TEMUAN
MAE I-TEMUAN
sebesar I-TEMUAN
0,0452. I-TEMUAN
Kata O
Kunci— O
prediksi O
return O
, O
support O
vector O
regression O
, O
GARCH O
, O
teknikal O
indikator. O
[SEP] O
Kesimpulan O
Berdasarkan O
hasil O
yang O
diperoleh O
berikut O
kesimpulan O
yang O
bisa O
diambil O
: O
a. O
Metode B-TEMUAN
Support I-TEMUAN
Vector I-TEMUAN
Regression I-TEMUAN
mampu I-TEMUAN
menghasilkan I-TEMUAN
prediksi I-TEMUAN
return I-TEMUAN
saham I-TEMUAN
MEDC I-TEMUAN
dengan I-TEMUAN
sangat I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
0,0092 I-TEMUAN
dan I-TEMUAN
MAE I-TEMUAN
sebesar I-TEMUAN
0,0070. I-TEMUAN
Berdasarkan O
percobaan O
pada O
data O
training O
maupun O
data O
testing O
kombinasi O
variabel O
terbaik O
untuk O
memprediksi O
return O
saham O
adalah O
KV5 O
yang O
terdiri O
dari O
variabel O
lag O
return O
, O
harga O
penutupan O
saham O
, O
dan O
10 O
teknikal O
indikator. O
b. O
Metode O
GARCH O
menghasilkan O
model O
ARMA O
( O
1,1 O
) O
- O
GARCH O
( O
1,1 O
) O
untuk O
memprediksi O
return O
saham O
MEDC. O
Hasil O
prediksi O
return O
menggunakan O
ARMA O
( O
1,1 O
) O
- O
GARCH O
( O
1,1 O
) O
tidak O
terlalu O
bagus O
karena O
RMSE O
yang O
dihasilkan O
sebesar O
0,0460 O
dan O
MAE O
sebesar O
0,0355 O
, O
lebih O
tinggi O
dari O
SVR. O
c. O
Berdasarkan O
hasil O
evaluasi O
dapat O
dikatakan O
bahwa O
metode O
machine O
learning O
dengan O
SVR O
mampu O
mengungguli O
metode O
dalam O
ekonometrik O
memprediksi O
return O
saham O
MEDC. O
dengan O
GARCH O
Saran O
a. O
Saran O
untuk O
penelitian O
selanjutnya O
adalah O
menambahkan O
variabel O
yang O
lebih O
berpengaruh O
terhadap O
return O
saham O
dan O
juga O
menggunakan O
feature O
extraction O
seperti O
PCA O
untuk O
menghindari O
adanya O
multikolinieritas O
pada O
variabel O
independen. O
b. O
Perlu O
dilakukan O
penelitian O
lebih O
lanjut O
mengenai O
teknikal O
indikator O
apa O
saja O
yang O
lebih O
baik O
untuk O
memprediksi O
return O
saham. O
c. O
Disarankan O
untuk O
penelitian O
selanjutnya O
menggunakan O
hyperparameter O
optimization O
yang O
lebih O
kompleks O
seperti O
Particel O
Swarm O
Optimization O
atau O
Fruit O
Fly O
Optimization O
Algorithm. O

Perbandingan O
Metode O
Support O
Vector O
Regression O
dan O
Generalized O
Autoregressive O
Conditional O
Heteroskedasticity O
Studi O
Kasus O
: O
Saham O
MEDC O
Faiz O
Syafiq O
Osdimansyah O
( O
221910760 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Bony O
Parulian O
Josaphat O
, O
S.Si. O
, O
M.Si. O
Ringkasan— O
Investasi O
saham O
sering O
menghadapi O
risiko O
yang O
investor O
dalam O
tidak O
menentu. O
Dalam O
rangka O
membantu O
pengambilan O
keputusan O
investasi O
dan O
manajemen O
risiko O
, O
penting O
untuk O
memiliki O
pemahaman O
tentang O
prediksi O
return O
saham O
pada O
masa O
depan. O
Penggunaan O
metode B-METODE
ekonometrik I-METODE
untuk O
prediksi O
data O
keuangan O
seringkali O
sulit O
dilakukan O
karena O
memerlukan O
pemenuhan O
asumsi. O
Metode B-METODE
machine I-METODE
learning I-METODE
yang O
tidak O
tergantung O
pada O
asumsi O
menjadi O
pilihan O
yang O
tepat O
untuk O
melakukan O
prediksi. O
Metode O
Support O
Vector O
Regression O
( O
SVR O
) O
telah O
digunakan O
dalam O
beberapa O
prediksi O
data O
keuangan O
dan O
menghasilkan O
performa O
yang O
baik. O
Penelitian O
ini O
bertujuan O
untuk O
memprediksi B-TUJUAN
return I-TUJUAN
saham I-TUJUAN
pada I-TUJUAN
masa I-TUJUAN
yang I-TUJUAN
akan I-TUJUAN
datang I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
Support I-TUJUAN
Vector I-TUJUAN
Regression I-TUJUAN
kemudian I-TUJUAN
dibandingkan I-TUJUAN
dengan I-TUJUAN
metode I-TUJUAN
GARCH. I-TUJUAN
Data O
return O
yang O
digunakan O
dalam O
penelitian O
ini O
dihasilkan O
dari O
harga O
saham O
historis O
PT O
Medco O
Energi O
Internasional O
Tbk O
( O
MEDC O
) O
. O
Metode B-TEMUAN
SVR I-TEMUAN
yang I-TEMUAN
dioptimasi I-TEMUAN
menggunakan I-TEMUAN
Grid I-TEMUAN
Search I-TEMUAN
CV I-TEMUAN
menghasilkan I-TEMUAN
model I-TEMUAN
SVR I-TEMUAN
terbaik I-TEMUAN
dengan I-TEMUAN
variabel I-TEMUAN
lag I-TEMUAN
return I-TEMUAN
, I-TEMUAN
harga I-TEMUAN
penutupan I-TEMUAN
saham I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
teknikal I-TEMUAN
indikator I-TEMUAN
dengan I-TEMUAN
RMSE I-TEMUAN
pada I-TEMUAN
data I-TEMUAN
testing I-TEMUAN
sebesar I-TEMUAN
0,0092 I-TEMUAN
dan I-TEMUAN
MAE I-TEMUAN
sebesar I-TEMUAN
0,0070. I-TEMUAN
Hasil I-TEMUAN
ini I-TEMUAN
mampu I-TEMUAN
mengungguli I-TEMUAN
metode I-TEMUAN
GARCH I-TEMUAN
dengan I-TEMUAN
model I-TEMUAN
ARMA I-TEMUAN
( I-TEMUAN
1,1 I-TEMUAN
) I-TEMUAN
-GARCH I-TEMUAN
( I-TEMUAN
1,1 I-TEMUAN
) I-TEMUAN
dengan I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
0,0382 I-TEMUAN
dan I-TEMUAN
MAE I-TEMUAN
sebesar I-TEMUAN
0,0452. I-TEMUAN
Kata O
Kunci— O
prediksi O
return O
, O
support O
vector O
regression O
, O
GARCH O
, O
teknikal O
indikator. O
[SEP] O
Kesimpulan O
Berdasarkan O
hasil O
yang O
diperoleh O
berikut O
kesimpulan O
yang O
bisa O
diambil O
: O
a. O
Metode B-TEMUAN
Support I-TEMUAN
Vector I-TEMUAN
Regression I-TEMUAN
mampu I-TEMUAN
menghasilkan I-TEMUAN
prediksi I-TEMUAN
return I-TEMUAN
saham I-TEMUAN
MEDC I-TEMUAN
dengan I-TEMUAN
sangat I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
0,0092 I-TEMUAN
dan I-TEMUAN
MAE I-TEMUAN
sebesar I-TEMUAN
0,0070. I-TEMUAN
Berdasarkan O
percobaan O
pada O
data O
training O
maupun O
data O
testing O
kombinasi O
variabel O
terbaik O
untuk O
memprediksi O
return O
saham O
adalah O
KV5 O
yang O
terdiri O
dari O
variabel O
lag O
return O
, O
harga O
penutupan O
saham O
, O
dan O
10 O
teknikal O
indikator. O
b. O
Metode O
GARCH O
menghasilkan O
model O
ARMA O
( O
1,1 O
) O
- O
GARCH O
( O
1,1 O
) O
untuk O
memprediksi O
return O
saham O
MEDC. O
Hasil O
prediksi O
return O
menggunakan O
ARMA O
( O
1,1 O
) O
- O
GARCH O
( O
1,1 O
) O
tidak O
terlalu O
bagus O
karena O
RMSE O
yang O
dihasilkan O
sebesar O
0,0460 O
dan O
MAE O
sebesar O
0,0355 O
, O
lebih O
tinggi O
dari O
SVR. O
c. O
Berdasarkan O
hasil O
evaluasi O
dapat O
dikatakan O
bahwa O
metode O
machine O
learning O
dengan O
SVR O
mampu O
mengungguli O
metode O
dalam O
ekonometrik O
memprediksi O
return O
saham O
MEDC. O
dengan O
GARCH O
Saran O
a. O
Saran O
untuk O
penelitian O
selanjutnya O
adalah O
menambahkan O
variabel O
yang O
lebih O
berpengaruh O
terhadap O
return O
saham O
dan O
juga O
menggunakan O
feature O
extraction O
seperti O
PCA O
untuk O
menghindari O
adanya O
multikolinieritas O
pada O
variabel O
independen. O
b. O
Perlu O
dilakukan O
penelitian O
lebih O
lanjut O
mengenai O
teknikal O
indikator O
apa O
saja O
yang O
lebih O
baik O
untuk O
memprediksi O
return O
saham. O
c. O
Disarankan O
untuk O
penelitian O
selanjutnya O
menggunakan O
hyperparameter O
optimization O
yang O
lebih O
kompleks O
seperti O
Particel O
Swarm O
Optimization O
atau O
Fruit O
Fly O
Optimization O
Algorithm. O

Perbandingan O
Metode O
Support O
Vector O
Regression O
dan O
Generalized O
Autoregressive O
Conditional O
Heteroskedasticity O
Studi O
Kasus O
: O
Saham O
MEDC O
Faiz O
Syafiq O
Osdimansyah O
( O
221910760 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Bony O
Parulian O
Josaphat O
, O
S.Si. O
, O
M.Si. O
Ringkasan— O
Investasi O
saham O
sering O
menghadapi O
risiko O
yang O
investor O
dalam O
tidak O
menentu. O
Dalam O
rangka O
membantu O
pengambilan O
keputusan O
investasi O
dan O
manajemen O
risiko O
, O
penting O
untuk O
memiliki O
pemahaman O
tentang O
prediksi O
return O
saham O
pada O
masa O
depan. O
Penggunaan O
metode B-METODE
ekonometrik I-METODE
untuk O
prediksi O
data O
keuangan O
seringkali O
sulit O
dilakukan O
karena O
memerlukan O
pemenuhan O
asumsi. O
Metode B-METODE
machine I-METODE
learning I-METODE
yang O
tidak O
tergantung O
pada O
asumsi O
menjadi O
pilihan O
yang O
tepat O
untuk O
melakukan O
prediksi. O
Metode O
Support O
Vector O
Regression O
( O
SVR O
) O
telah O
digunakan O
dalam O
beberapa O
prediksi O
data O
keuangan O
dan O
menghasilkan O
performa O
yang O
baik. O
Penelitian O
ini O
bertujuan O
untuk O
memprediksi B-TUJUAN
return I-TUJUAN
saham I-TUJUAN
pada I-TUJUAN
masa I-TUJUAN
yang I-TUJUAN
akan I-TUJUAN
datang I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
Support I-TUJUAN
Vector I-TUJUAN
Regression I-TUJUAN
kemudian I-TUJUAN
dibandingkan I-TUJUAN
dengan I-TUJUAN
metode I-TUJUAN
GARCH. I-TUJUAN
Data O
return O
yang O
digunakan O
dalam O
penelitian O
ini O
dihasilkan O
dari O
harga O
saham O
historis O
PT O
Medco O
Energi O
Internasional O
Tbk O
( O
MEDC O
) O
. O
Metode B-TEMUAN
SVR I-TEMUAN
yang I-TEMUAN
dioptimasi I-TEMUAN
menggunakan I-TEMUAN
Grid I-TEMUAN
Search I-TEMUAN
CV I-TEMUAN
menghasilkan I-TEMUAN
model I-TEMUAN
SVR I-TEMUAN
terbaik I-TEMUAN
dengan I-TEMUAN
variabel I-TEMUAN
lag I-TEMUAN
return I-TEMUAN
, I-TEMUAN
harga I-TEMUAN
penutupan I-TEMUAN
saham I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
teknikal I-TEMUAN
indikator I-TEMUAN
dengan I-TEMUAN
RMSE I-TEMUAN
pada I-TEMUAN
data I-TEMUAN
testing I-TEMUAN
sebesar I-TEMUAN
0,0092 I-TEMUAN
dan I-TEMUAN
MAE I-TEMUAN
sebesar I-TEMUAN
0,0070. I-TEMUAN
Hasil I-TEMUAN
ini I-TEMUAN
mampu I-TEMUAN
mengungguli I-TEMUAN
metode I-TEMUAN
GARCH I-TEMUAN
dengan I-TEMUAN
model I-TEMUAN
ARMA I-TEMUAN
( I-TEMUAN
1,1 I-TEMUAN
) I-TEMUAN
-GARCH I-TEMUAN
( I-TEMUAN
1,1 I-TEMUAN
) I-TEMUAN
dengan I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
0,0382 I-TEMUAN
dan I-TEMUAN
MAE I-TEMUAN
sebesar I-TEMUAN
0,0452. I-TEMUAN
Kata O
Kunci— O
prediksi O
return O
, O
support O
vector O
regression O
, O
GARCH O
, O
teknikal O
indikator. O
[SEP] O
Kesimpulan O
Berdasarkan O
hasil O
yang O
diperoleh O
berikut O
kesimpulan O
yang O
bisa O
diambil O
: O
a. O
Metode B-TEMUAN
Support I-TEMUAN
Vector I-TEMUAN
Regression I-TEMUAN
mampu I-TEMUAN
menghasilkan I-TEMUAN
prediksi I-TEMUAN
return I-TEMUAN
saham I-TEMUAN
MEDC I-TEMUAN
dengan I-TEMUAN
sangat I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
0,0092 I-TEMUAN
dan I-TEMUAN
MAE I-TEMUAN
sebesar I-TEMUAN
0,0070. I-TEMUAN
Berdasarkan O
percobaan O
pada O
data O
training O
maupun O
data O
testing O
kombinasi O
variabel O
terbaik O
untuk O
memprediksi O
return O
saham O
adalah O
KV5 O
yang O
terdiri O
dari O
variabel O
lag O
return O
, O
harga O
penutupan O
saham O
, O
dan O
10 O
teknikal O
indikator. O
b. O
Metode O
GARCH O
menghasilkan O
model O
ARMA O
( O
1,1 O
) O
- O
GARCH O
( O
1,1 O
) O
untuk O
memprediksi O
return O
saham O
MEDC. O
Hasil O
prediksi O
return O
menggunakan O
ARMA O
( O
1,1 O
) O
- O
GARCH O
( O
1,1 O
) O
tidak O
terlalu O
bagus O
karena O
RMSE O
yang O
dihasilkan O
sebesar O
0,0460 O
dan O
MAE O
sebesar O
0,0355 O
, O
lebih O
tinggi O
dari O
SVR. O
c. O
Berdasarkan O
hasil O
evaluasi O
dapat O
dikatakan O
bahwa O
metode O
machine O
learning O
dengan O
SVR O
mampu O
mengungguli O
metode O
dalam O
ekonometrik O
memprediksi O
return O
saham O
MEDC. O
dengan O
GARCH O
Saran O
a. O
Saran O
untuk O
penelitian O
selanjutnya O
adalah O
menambahkan O
variabel O
yang O
lebih O
berpengaruh O
terhadap O
return O
saham O
dan O
juga O
menggunakan O
feature O
extraction O
seperti O
PCA O
untuk O
menghindari O
adanya O
multikolinieritas O
pada O
variabel O
independen. O
b. O
Perlu O
dilakukan O
penelitian O
lebih O
lanjut O
mengenai O
teknikal O
indikator O
apa O
saja O
yang O
lebih O
baik O
untuk O
memprediksi O
return O
saham. O
c. O
Disarankan O
untuk O
penelitian O
selanjutnya O
menggunakan O
hyperparameter O
optimization O
yang O
lebih O
kompleks O
seperti O
Particel O
Swarm O
Optimization O
atau O
Fruit O
Fly O
Optimization O
Algorithm. O

Pemanfaatan O
Machine O
Learning O
untuk O
Klasifikasi O
Komoditi O
pada O
Data O
Marketplace O
Indonesia O
Farhan O
Satria O
Aditama O
( O
221910757 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Prof. O
Setia O
Pramana O
, O
S.Si. O
, O
M.Sc. O
, O
Ph.D. O
Ringkasan— O
Pemanfaatan O
data O
marketplace O
dan O
machine O
learning O
dalam O
pengumpulan O
data O
komoditi O
dapat O
memberikan O
peluang O
bagi O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
dalam O
melengkapi O
direktori O
komoditi O
berbagai O
survei. O
Penelitian O
ini O
bertujuan O
untuk O
membangun B-TUJUAN
model I-TUJUAN
terbaik I-TUJUAN
klasifikasi I-TUJUAN
produk I-TUJUAN
marketplace I-TUJUAN
kedalam I-TUJUAN
2-digit I-TUJUAN
Klasifikasi I-TUJUAN
Baku I-TUJUAN
Komoditi I-TUJUAN
Indonesia I-TUJUAN
( I-TUJUAN
KBKI I-TUJUAN
) I-TUJUAN
. I-TUJUAN
Data O
yang O
digunakan O
pada O
penelitian O
ini O
adalah O
data O
produk O
beberapa O
marketplace O
yang O
dikumpulkan O
secara O
web O
scrapping O
oleh O
Tim O
Pengembangan O
Model O
Statistik O
BPS. O
Metode O
yang O
digunakan O
dalam O
klasifikasi B-METODE
adalah O
algoritma O
Support O
Vector O
Machine O
( O
SVM O
) O
, O
Random O
Forest O
( O
RF O
) O
, O
dan O
Multinomial O
Naive O
Bayes O
( O
MNB O
) O
. O
Hasil B-TEMUAN
penelitian I-TEMUAN
menunjukkan I-TEMUAN
machine I-TEMUAN
learning I-TEMUAN
dapat I-TEMUAN
mengklasifikasikan I-TEMUAN
produk I-TEMUAN
marketplace I-TEMUAN
kedalam I-TEMUAN
2-digit I-TEMUAN
KBKI. I-TEMUAN
Secara I-TEMUAN
keseluruhan I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
adalah I-TEMUAN
MNB. I-TEMUAN
Kesimpulan I-TEMUAN
ini I-TEMUAN
didapat I-TEMUAN
berdasarkan I-TEMUAN
trade-off I-TEMUAN
antara I-TEMUAN
akurasi I-TEMUAN
dan I-TEMUAN
waktu I-TEMUAN
proses. I-TEMUAN
Nilai I-TEMUAN
micro I-TEMUAN
average I-TEMUAN
f1-score I-TEMUAN
dari I-TEMUAN
MNB I-TEMUAN
memperoleh I-TEMUAN
nilai I-TEMUAN
tertinggi I-TEMUAN
pada I-TEMUAN
data I-TEMUAN
test I-TEMUAN
Tokopedia I-TEMUAN
dan I-TEMUAN
Shopee I-TEMUAN
yaitu I-TEMUAN
91,8 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
95,4 I-TEMUAN
% I-TEMUAN
serta I-TEMUAN
waktu I-TEMUAN
yang I-TEMUAN
diperlukan I-TEMUAN
dalam I-TEMUAN
pembangunan I-TEMUAN
model I-TEMUAN
adalah I-TEMUAN
5 I-TEMUAN
detik. I-TEMUAN
Kata O
Kunci— O
Klasifikasi O
komoditi O
, O
marketplace O
, O
machine O
learning. O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
1. O
Penerapan O
machine O
learning O
pada O
klasifikasi O
produk O
marketplace O
ke O
dalam O
kode O
dua O
digit O
KBKI O
dilakukan O
menggunakan O
algoritma O
klasifikasi O
yaitu O
Support O
Vector O
Machine O
, O
Random O
Forest O
, O
dan O
Multinomial O
Naive O
Bayes. O
Secara O
keseluruhan O
model O
yang O
dibuat O
dapat O
mengklasifikasikan O
data O
dengan O
akurasi O
yang O
cukup O
tinggi O
dan O
dapat O
memisahkan O
kelas O
dengan O
baik. O
2. O
Berdasarkan O
evaluasi O
model O
diperoleh O
metode O
terbaik O
dalam O
mengklasifikasikan O
produk O
marketplace O
kedalam O
2-digit O
KBKI O
adalah O
Multinomial O
Naive O
Bayes. O
Kesimpulan O
ini O
didapat O
dari O
berdasarkan O
trade-off O
antara O
akurasi O
dan O
waktu O
proses. O
Nilai O
micro B-METODE
average I-METODE
f1- I-METODE
score I-METODE
dari O
MNB O
memperoleh O
nilai O
tertinggi O
pada O
data O
test O
Tokopedia O
dan O
Shopee O
yaitu O
91,8 O
% O
dan O
95,4 O
% O
serta O
waktu O
yang O
diperlukan O
dalam O
pembangunan O
model O
adalah O
5 O
detik. O
B. O
Saran O
Saran O
bagi O
penelitian O
selanjutnya O
adalah O
peneliti O
dapat O
menambah O
dataset O
dengan O
menambah O
jumlah O
data O
yang O
diberi O
label O
atau O
memperluas O
cakupan O
label O
hingga O
tingkat O
komoditi. O
Pada O
penelitian O
ini O
, O
penggunaan O
machine O
learning O
untuk O
membangun O
model O
sudah O
cukup O
baik O
dalam O
memisahkan O
kelas. O
Apabila O
kedepannya O
kompleksitas O
dataset O
semakin O
tinggi O
, O
peneliti O
menyarankan O
untuk O
mengkaji O
penggunaan O
deep O
learning. O
Penelitian O
selanjutnya O
juga O
dapat O
menjadikan O
penelitian O
ini O
sebagai O
rujukan O
untuk O
melakukan O
pengkategorian O
komoditi O
barang O
atau O
jasa O
yang O
disesuaikan O
dengan O
KBKI. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O

Pemanfaatan O
Machine O
Learning O
untuk O
Klasifikasi O
Komoditi O
pada O
Data O
Marketplace O
Indonesia O
Farhan O
Satria O
Aditama O
( O
221910757 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Prof. O
Setia O
Pramana O
, O
S.Si. O
, O
M.Sc. O
, O
Ph.D. O
Ringkasan— O
Pemanfaatan O
data O
marketplace O
dan O
machine O
learning O
dalam O
pengumpulan O
data O
komoditi O
dapat O
memberikan O
peluang O
bagi O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
dalam O
melengkapi O
direktori O
komoditi O
berbagai O
survei. O
Penelitian O
ini O
bertujuan O
untuk O
membangun B-TUJUAN
model I-TUJUAN
terbaik I-TUJUAN
klasifikasi I-TUJUAN
produk I-TUJUAN
marketplace I-TUJUAN
kedalam I-TUJUAN
2-digit I-TUJUAN
Klasifikasi I-TUJUAN
Baku I-TUJUAN
Komoditi I-TUJUAN
Indonesia I-TUJUAN
( I-TUJUAN
KBKI I-TUJUAN
) I-TUJUAN
. I-TUJUAN
Data O
yang O
digunakan O
pada O
penelitian O
ini O
adalah O
data O
produk O
beberapa O
marketplace O
yang O
dikumpulkan O
secara O
web O
scrapping O
oleh O
Tim O
Pengembangan O
Model O
Statistik O
BPS. O
Metode O
yang O
digunakan O
dalam O
klasifikasi B-METODE
adalah O
algoritma O
Support O
Vector O
Machine O
( O
SVM O
) O
, O
Random O
Forest O
( O
RF O
) O
, O
dan O
Multinomial O
Naive O
Bayes O
( O
MNB O
) O
. O
Hasil B-TEMUAN
penelitian I-TEMUAN
menunjukkan I-TEMUAN
machine I-TEMUAN
learning I-TEMUAN
dapat I-TEMUAN
mengklasifikasikan I-TEMUAN
produk I-TEMUAN
marketplace I-TEMUAN
kedalam I-TEMUAN
2-digit I-TEMUAN
KBKI. I-TEMUAN
Secara I-TEMUAN
keseluruhan I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
adalah I-TEMUAN
MNB. I-TEMUAN
Kesimpulan I-TEMUAN
ini I-TEMUAN
didapat I-TEMUAN
berdasarkan I-TEMUAN
trade-off I-TEMUAN
antara I-TEMUAN
akurasi I-TEMUAN
dan I-TEMUAN
waktu I-TEMUAN
proses. I-TEMUAN
Nilai I-TEMUAN
micro I-TEMUAN
average I-TEMUAN
f1-score I-TEMUAN
dari I-TEMUAN
MNB I-TEMUAN
memperoleh I-TEMUAN
nilai I-TEMUAN
tertinggi I-TEMUAN
pada I-TEMUAN
data I-TEMUAN
test I-TEMUAN
Tokopedia I-TEMUAN
dan I-TEMUAN
Shopee I-TEMUAN
yaitu I-TEMUAN
91,8 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
95,4 I-TEMUAN
% I-TEMUAN
serta I-TEMUAN
waktu I-TEMUAN
yang I-TEMUAN
diperlukan I-TEMUAN
dalam I-TEMUAN
pembangunan I-TEMUAN
model I-TEMUAN
adalah I-TEMUAN
5 I-TEMUAN
detik. I-TEMUAN
Kata O
Kunci— O
Klasifikasi O
komoditi O
, O
marketplace O
, O
machine O
learning. O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
1. O
Penerapan O
machine O
learning O
pada O
klasifikasi O
produk O
marketplace O
ke O
dalam O
kode O
dua O
digit O
KBKI O
dilakukan O
menggunakan O
algoritma O
klasifikasi O
yaitu O
Support O
Vector O
Machine O
, O
Random O
Forest O
, O
dan O
Multinomial O
Naive O
Bayes. O
Secara O
keseluruhan O
model O
yang O
dibuat O
dapat O
mengklasifikasikan O
data O
dengan O
akurasi O
yang O
cukup O
tinggi O
dan O
dapat O
memisahkan O
kelas O
dengan O
baik. O
2. O
Berdasarkan O
evaluasi O
model O
diperoleh O
metode O
terbaik O
dalam O
mengklasifikasikan O
produk O
marketplace O
kedalam O
2-digit O
KBKI O
adalah O
Multinomial O
Naive O
Bayes. O
Kesimpulan O
ini O
didapat O
dari O
berdasarkan O
trade-off O
antara O
akurasi O
dan O
waktu O
proses. O
Nilai O
micro B-METODE
average I-METODE
f1- I-METODE
score I-METODE
dari O
MNB O
memperoleh O
nilai O
tertinggi O
pada O
data O
test O
Tokopedia O
dan O
Shopee O
yaitu O
91,8 O
% O
dan O
95,4 O
% O
serta O
waktu O
yang O
diperlukan O
dalam O
pembangunan O
model O
adalah O
5 O
detik. O
B. O
Saran O
Saran O
bagi O
penelitian O
selanjutnya O
adalah O
peneliti O
dapat O
menambah O
dataset O
dengan O
menambah O
jumlah O
data O
yang O
diberi O
label O
atau O
memperluas O
cakupan O
label O
hingga O
tingkat O
komoditi. O
Pada O
penelitian O
ini O
, O
penggunaan O
machine O
learning O
untuk O
membangun O
model O
sudah O
cukup O
baik O
dalam O
memisahkan O
kelas. O
Apabila O
kedepannya O
kompleksitas O
dataset O
semakin O
tinggi O
, O
peneliti O
menyarankan O
untuk O
mengkaji O
penggunaan O
deep O
learning. O
Penelitian O
selanjutnya O
juga O
dapat O
menjadikan O
penelitian O
ini O
sebagai O
rujukan O
untuk O
melakukan O
pengkategorian O
komoditi O
barang O
atau O
jasa O
yang O
disesuaikan O
dengan O
KBKI. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O

Pemanfaatan O
Machine O
Learning O
untuk O
Klasifikasi O
Komoditi O
pada O
Data O
Marketplace O
Indonesia O
Farhan O
Satria O
Aditama O
( O
221910757 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Prof. O
Setia O
Pramana O
, O
S.Si. O
, O
M.Sc. O
, O
Ph.D. O
Ringkasan— O
Pemanfaatan O
data O
marketplace O
dan O
machine O
learning O
dalam O
pengumpulan O
data O
komoditi O
dapat O
memberikan O
peluang O
bagi O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
dalam O
melengkapi O
direktori O
komoditi O
berbagai O
survei. O
Penelitian O
ini O
bertujuan O
untuk O
membangun B-TUJUAN
model I-TUJUAN
terbaik I-TUJUAN
klasifikasi I-TUJUAN
produk I-TUJUAN
marketplace I-TUJUAN
kedalam I-TUJUAN
2-digit I-TUJUAN
Klasifikasi I-TUJUAN
Baku I-TUJUAN
Komoditi I-TUJUAN
Indonesia I-TUJUAN
( I-TUJUAN
KBKI I-TUJUAN
) I-TUJUAN
. I-TUJUAN
Data O
yang O
digunakan O
pada O
penelitian O
ini O
adalah O
data O
produk O
beberapa O
marketplace O
yang O
dikumpulkan O
secara O
web O
scrapping O
oleh O
Tim O
Pengembangan O
Model O
Statistik O
BPS. O
Metode O
yang O
digunakan O
dalam O
klasifikasi B-METODE
adalah O
algoritma O
Support O
Vector O
Machine O
( O
SVM O
) O
, O
Random O
Forest O
( O
RF O
) O
, O
dan O
Multinomial O
Naive O
Bayes O
( O
MNB O
) O
. O
Hasil B-TEMUAN
penelitian I-TEMUAN
menunjukkan I-TEMUAN
machine I-TEMUAN
learning I-TEMUAN
dapat I-TEMUAN
mengklasifikasikan I-TEMUAN
produk I-TEMUAN
marketplace I-TEMUAN
kedalam I-TEMUAN
2-digit I-TEMUAN
KBKI. I-TEMUAN
Secara I-TEMUAN
keseluruhan I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
adalah I-TEMUAN
MNB. I-TEMUAN
Kesimpulan I-TEMUAN
ini I-TEMUAN
didapat I-TEMUAN
berdasarkan I-TEMUAN
trade-off I-TEMUAN
antara I-TEMUAN
akurasi I-TEMUAN
dan I-TEMUAN
waktu I-TEMUAN
proses. I-TEMUAN
Nilai I-TEMUAN
micro I-TEMUAN
average I-TEMUAN
f1-score I-TEMUAN
dari I-TEMUAN
MNB I-TEMUAN
memperoleh I-TEMUAN
nilai I-TEMUAN
tertinggi I-TEMUAN
pada I-TEMUAN
data I-TEMUAN
test I-TEMUAN
Tokopedia I-TEMUAN
dan I-TEMUAN
Shopee I-TEMUAN
yaitu I-TEMUAN
91,8 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
95,4 I-TEMUAN
% I-TEMUAN
serta I-TEMUAN
waktu I-TEMUAN
yang I-TEMUAN
diperlukan I-TEMUAN
dalam I-TEMUAN
pembangunan I-TEMUAN
model I-TEMUAN
adalah I-TEMUAN
5 I-TEMUAN
detik. I-TEMUAN
Kata O
Kunci— O
Klasifikasi O
komoditi O
, O
marketplace O
, O
machine O
learning. O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
1. O
Penerapan O
machine O
learning O
pada O
klasifikasi O
produk O
marketplace O
ke O
dalam O
kode O
dua O
digit O
KBKI O
dilakukan O
menggunakan O
algoritma O
klasifikasi O
yaitu O
Support O
Vector O
Machine O
, O
Random O
Forest O
, O
dan O
Multinomial O
Naive O
Bayes. O
Secara O
keseluruhan O
model O
yang O
dibuat O
dapat O
mengklasifikasikan O
data O
dengan O
akurasi O
yang O
cukup O
tinggi O
dan O
dapat O
memisahkan O
kelas O
dengan O
baik. O
2. O
Berdasarkan O
evaluasi O
model O
diperoleh O
metode O
terbaik O
dalam O
mengklasifikasikan O
produk O
marketplace O
kedalam O
2-digit O
KBKI O
adalah O
Multinomial O
Naive O
Bayes. O
Kesimpulan O
ini O
didapat O
dari O
berdasarkan O
trade-off O
antara O
akurasi O
dan O
waktu O
proses. O
Nilai O
micro B-METODE
average I-METODE
f1- I-METODE
score I-METODE
dari O
MNB O
memperoleh O
nilai O
tertinggi O
pada O
data O
test O
Tokopedia O
dan O
Shopee O
yaitu O
91,8 O
% O
dan O
95,4 O
% O
serta O
waktu O
yang O
diperlukan O
dalam O
pembangunan O
model O
adalah O
5 O
detik. O
B. O
Saran O
Saran O
bagi O
penelitian O
selanjutnya O
adalah O
peneliti O
dapat O
menambah O
dataset O
dengan O
menambah O
jumlah O
data O
yang O
diberi O
label O
atau O
memperluas O
cakupan O
label O
hingga O
tingkat O
komoditi. O
Pada O
penelitian O
ini O
, O
penggunaan O
machine O
learning O
untuk O
membangun O
model O
sudah O
cukup O
baik O
dalam O
memisahkan O
kelas. O
Apabila O
kedepannya O
kompleksitas O
dataset O
semakin O
tinggi O
, O
peneliti O
menyarankan O
untuk O
mengkaji O
penggunaan O
deep O
learning. O
Penelitian O
selanjutnya O
juga O
dapat O
menjadikan O
penelitian O
ini O
sebagai O
rujukan O
untuk O
melakukan O
pengkategorian O
komoditi O
barang O
atau O
jasa O
yang O
disesuaikan O
dengan O
KBKI. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O

Pembangunan O
Lab O
Virtual O
untuk O
Media O
Pembelajaran O
Penetration O
Testing O
pada O
Aplikasi O
Web O
Hariyo O
Adi O
Sakti O
( O
221910755 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Teknologi O
internet O
semakin O
berkembang O
pesat O
di O
masyarakat O
saat O
ini. O
Namun O
seiring O
dengan O
hal O
tersebut O
, O
menyebabkan O
serangan O
siber O
meningkat O
dengan O
cepat O
terutama O
di O
lembaga O
pemerintahan. O
Lembaga O
pemerintah O
seperti O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
dalam O
melakukan O
kegiatannya O
juga O
membutuhkan O
tenaga O
keamanan O
siber. O
Penetration O
testing O
terlebih O
dahulu O
dilakukan O
BPS O
terhadap O
aplikasi O
atau O
website O
sebelum O
dirilis O
ke O
publik. O
Di O
Politeknik O
Statistika O
STIS O
, O
yang O
lulusannya O
bekerja O
di O
BPS O
, O
terdapat O
pembelajaran O
teori O
mengenai O
penetration O
testing. O
Pembelajaran O
teori O
penetration O
testing O
saja O
kurang O
efektif O
jika O
dibandingkan O
dengan O
praktik. O
Praktik O
penetration O
testing O
membutuhkan O
lab O
fisik O
dengan O
biaya O
dan O
sumber O
daya O
yang O
besar. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
bertujuan O
untuk O
membangun B-TUJUAN
laboratorium I-TUJUAN
virtual I-TUJUAN
untuk I-TUJUAN
praktikum I-TUJUAN
oleh I-TUJUAN
mahasiswa. I-TUJUAN
Metode O
penelitian O
yang O
digunakan O
adalah O
Design B-METODE
Science I-METODE
Research I-METODE
Methodology. I-METODE
Lab O
virtual O
ini O
dibangun O
untuk O
serangan O
brute O
force O
, O
SQL O
injection O
, O
XSS O
, O
CSRF O
, O
Remote O
Code O
testing O
dan O
Execution. O
Setelah O
evaluasi O
melalui O
black-box B-METODE
penggunaan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
, O
lab B-TEMUAN
virtual I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dari I-TEMUAN
sisi I-TEMUAN
usability I-TEMUAN
atau I-TEMUAN
kemudahan I-TEMUAN
penggunaan I-TEMUAN
dengan I-TEMUAN
skor I-TEMUAN
SUS I-TEMUAN
68,63. I-TEMUAN
Kata O
Kunci— O
Penetration O
Testing O
, O
Lab O
Virtual O
, O
Black O
Box O
Testing O
, O
System O
Usability O
Scale. O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
berikut O
adalah B-TEMUAN
beberapa I-TEMUAN
hal I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
disimpulkan. I-TEMUAN
1. I-TEMUAN
Lab I-TEMUAN
virtual I-TEMUAN
sebagai I-TEMUAN
media I-TEMUAN
pembelajaran I-TEMUAN
untuk I-TEMUAN
penetration I-TEMUAN
testing I-TEMUAN
terhadap O
aplikasi O
web O
telah O
berhasil O
dibangun B-METODE
dengan I-METODE
hasil O
evaluasi O
dengan O
pengujian O
black O
box O
yang O
menunjukkan O
bahwa O
semua O
fungsi O
pada O
lab O
virtual O
berjalan O
dengan O
baik. O
2. O
Lab O
virtual O
telah O
digunakan O
sebagai O
fasilitas O
untuk O
pembelajaran O
penetration O
testing O
oleh O
mahasiswa. B-METODE
Dari I-METODE
hasil I-METODE
pengujian I-METODE
dengan B-TEMUAN
kuesioner I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
, I-TEMUAN
didapatkan I-TEMUAN
hasil I-TEMUAN
68,63 I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
arti I-TEMUAN
bahwa I-TEMUAN
lab I-TEMUAN
virtual I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dari I-TEMUAN
sisi O
usability O
atau O
kemudahan O
oleh O
pengguna. O
B. O
Saran O
Berikut O
ini O
adalah O
beberapa O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
dan O
pengembangan O
selanjutnya. O
1. O
Dalam O
pengembangan O
lab O
virtual O
untuk O
penetration O
testing O
selanjutnya. O
Sebelum O
mahasiswa O
melakukan O
penetration O
testing O
, O
sebaiknya O
mahasiswa O
diberikan O
teori O
mengenai O
penyerangan O
yang O
akan O
dilakukan O
di O
lab O
virtual O
yang O
dibangun O
, O
sehingga O
mahasiswa O
lebih O
merasa O
terbiasa O
dengan O
penetration O
testing O
di O
lab O
virtual. O
untuk O
penetration O
testing O
yang O
selanjutnya O
dapat O
ditambahkan O
pen O
yerangan-penyerangan O
lainnya O
yang O
masih O
masuk O
ke O
dalam O
OWASP O
Top O
Ten. O
2. O
Diharapkan O
pengembangan O
virtual O
lab O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O

Pembangunan O
Lab O
Virtual O
untuk O
Media O
Pembelajaran O
Penetration O
Testing O
pada O
Aplikasi O
Web O
Hariyo O
Adi O
Sakti O
( O
221910755 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Teknologi O
internet O
semakin O
berkembang O
pesat O
di O
masyarakat O
saat O
ini. O
Namun O
seiring O
dengan O
hal O
tersebut O
, O
menyebabkan O
serangan O
siber O
meningkat O
dengan O
cepat O
terutama O
di O
lembaga O
pemerintahan. O
Lembaga O
pemerintah O
seperti O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
dalam O
melakukan O
kegiatannya O
juga O
membutuhkan O
tenaga O
keamanan O
siber. O
Penetration O
testing O
terlebih O
dahulu O
dilakukan O
BPS O
terhadap O
aplikasi O
atau O
website O
sebelum O
dirilis O
ke O
publik. O
Di O
Politeknik O
Statistika O
STIS O
, O
yang O
lulusannya O
bekerja O
di O
BPS O
, O
terdapat O
pembelajaran O
teori O
mengenai O
penetration O
testing. O
Pembelajaran O
teori O
penetration O
testing O
saja O
kurang O
efektif O
jika O
dibandingkan O
dengan O
praktik. O
Praktik O
penetration O
testing O
membutuhkan O
lab O
fisik O
dengan O
biaya O
dan O
sumber O
daya O
yang O
besar. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
bertujuan O
untuk O
membangun B-TUJUAN
laboratorium I-TUJUAN
virtual I-TUJUAN
untuk I-TUJUAN
praktikum I-TUJUAN
oleh I-TUJUAN
mahasiswa. I-TUJUAN
Metode O
penelitian O
yang O
digunakan O
adalah O
Design B-METODE
Science I-METODE
Research I-METODE
Methodology. I-METODE
Lab O
virtual O
ini O
dibangun O
untuk O
serangan O
brute O
force O
, O
SQL O
injection O
, O
XSS O
, O
CSRF O
, O
Remote O
Code O
testing O
dan O
Execution. O
Setelah O
evaluasi O
melalui O
black-box B-METODE
penggunaan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
, O
lab B-TEMUAN
virtual I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dari I-TEMUAN
sisi I-TEMUAN
usability I-TEMUAN
atau I-TEMUAN
kemudahan I-TEMUAN
penggunaan I-TEMUAN
dengan I-TEMUAN
skor I-TEMUAN
SUS I-TEMUAN
68,63. I-TEMUAN
Kata O
Kunci— O
Penetration O
Testing O
, O
Lab O
Virtual O
, O
Black O
Box O
Testing O
, O
System O
Usability O
Scale. O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
berikut O
adalah B-TEMUAN
beberapa I-TEMUAN
hal I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
disimpulkan. I-TEMUAN
1. I-TEMUAN
Lab I-TEMUAN
virtual I-TEMUAN
sebagai I-TEMUAN
media I-TEMUAN
pembelajaran I-TEMUAN
untuk I-TEMUAN
penetration I-TEMUAN
testing I-TEMUAN
terhadap O
aplikasi O
web O
telah O
berhasil O
dibangun B-METODE
dengan I-METODE
hasil O
evaluasi O
dengan O
pengujian O
black O
box O
yang O
menunjukkan O
bahwa O
semua O
fungsi O
pada O
lab O
virtual O
berjalan O
dengan O
baik. O
2. O
Lab O
virtual O
telah O
digunakan O
sebagai O
fasilitas O
untuk O
pembelajaran O
penetration O
testing O
oleh O
mahasiswa. B-METODE
Dari I-METODE
hasil I-METODE
pengujian I-METODE
dengan B-TEMUAN
kuesioner I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
, I-TEMUAN
didapatkan I-TEMUAN
hasil I-TEMUAN
68,63 I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
arti I-TEMUAN
bahwa I-TEMUAN
lab I-TEMUAN
virtual I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dari I-TEMUAN
sisi O
usability O
atau O
kemudahan O
oleh O
pengguna. O
B. O
Saran O
Berikut O
ini O
adalah O
beberapa O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
dan O
pengembangan O
selanjutnya. O
1. O
Dalam O
pengembangan O
lab O
virtual O
untuk O
penetration O
testing O
selanjutnya. O
Sebelum O
mahasiswa O
melakukan O
penetration O
testing O
, O
sebaiknya O
mahasiswa O
diberikan O
teori O
mengenai O
penyerangan O
yang O
akan O
dilakukan O
di O
lab O
virtual O
yang O
dibangun O
, O
sehingga O
mahasiswa O
lebih O
merasa O
terbiasa O
dengan O
penetration O
testing O
di O
lab O
virtual. O
untuk O
penetration O
testing O
yang O
selanjutnya O
dapat O
ditambahkan O
pen O
yerangan-penyerangan O
lainnya O
yang O
masih O
masuk O
ke O
dalam O
OWASP O
Top O
Ten. O
2. O
Diharapkan O
pengembangan O
virtual O
lab O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O

Pembangunan O
Lab O
Virtual O
untuk O
Media O
Pembelajaran O
Penetration O
Testing O
pada O
Aplikasi O
Web O
Hariyo O
Adi O
Sakti O
( O
221910755 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Teknologi O
internet O
semakin O
berkembang O
pesat O
di O
masyarakat O
saat O
ini. O
Namun O
seiring O
dengan O
hal O
tersebut O
, O
menyebabkan O
serangan O
siber O
meningkat O
dengan O
cepat O
terutama O
di O
lembaga O
pemerintahan. O
Lembaga O
pemerintah O
seperti O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
dalam O
melakukan O
kegiatannya O
juga O
membutuhkan O
tenaga O
keamanan O
siber. O
Penetration O
testing O
terlebih O
dahulu O
dilakukan O
BPS O
terhadap O
aplikasi O
atau O
website O
sebelum O
dirilis O
ke O
publik. O
Di O
Politeknik O
Statistika O
STIS O
, O
yang O
lulusannya O
bekerja O
di O
BPS O
, O
terdapat O
pembelajaran O
teori O
mengenai O
penetration O
testing. O
Pembelajaran O
teori O
penetration O
testing O
saja O
kurang O
efektif O
jika O
dibandingkan O
dengan O
praktik. O
Praktik O
penetration O
testing O
membutuhkan O
lab O
fisik O
dengan O
biaya O
dan O
sumber O
daya O
yang O
besar. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
bertujuan O
untuk O
membangun B-TUJUAN
laboratorium I-TUJUAN
virtual I-TUJUAN
untuk I-TUJUAN
praktikum I-TUJUAN
oleh I-TUJUAN
mahasiswa. I-TUJUAN
Metode O
penelitian O
yang O
digunakan O
adalah O
Design B-METODE
Science I-METODE
Research I-METODE
Methodology. I-METODE
Lab O
virtual O
ini O
dibangun O
untuk O
serangan O
brute O
force O
, O
SQL O
injection O
, O
XSS O
, O
CSRF O
, O
Remote O
Code O
testing O
dan O
Execution. O
Setelah O
evaluasi O
melalui O
black-box B-METODE
penggunaan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
, O
lab B-TEMUAN
virtual I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dari I-TEMUAN
sisi I-TEMUAN
usability I-TEMUAN
atau I-TEMUAN
kemudahan I-TEMUAN
penggunaan I-TEMUAN
dengan I-TEMUAN
skor I-TEMUAN
SUS I-TEMUAN
68,63. I-TEMUAN
Kata O
Kunci— O
Penetration O
Testing O
, O
Lab O
Virtual O
, O
Black O
Box O
Testing O
, O
System O
Usability O
Scale. O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
berikut O
adalah B-TEMUAN
beberapa I-TEMUAN
hal I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
disimpulkan. I-TEMUAN
1. I-TEMUAN
Lab I-TEMUAN
virtual I-TEMUAN
sebagai I-TEMUAN
media I-TEMUAN
pembelajaran I-TEMUAN
untuk I-TEMUAN
penetration I-TEMUAN
testing I-TEMUAN
terhadap O
aplikasi O
web O
telah O
berhasil O
dibangun B-METODE
dengan I-METODE
hasil O
evaluasi O
dengan O
pengujian O
black O
box O
yang O
menunjukkan O
bahwa O
semua O
fungsi O
pada O
lab O
virtual O
berjalan O
dengan O
baik. O
2. O
Lab O
virtual O
telah O
digunakan O
sebagai O
fasilitas O
untuk O
pembelajaran O
penetration O
testing O
oleh O
mahasiswa. B-METODE
Dari I-METODE
hasil I-METODE
pengujian I-METODE
dengan B-TEMUAN
kuesioner I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
, I-TEMUAN
didapatkan I-TEMUAN
hasil I-TEMUAN
68,63 I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
arti I-TEMUAN
bahwa I-TEMUAN
lab I-TEMUAN
virtual I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dari I-TEMUAN
sisi O
usability O
atau O
kemudahan O
oleh O
pengguna. O
B. O
Saran O
Berikut O
ini O
adalah O
beberapa O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
dan O
pengembangan O
selanjutnya. O
1. O
Dalam O
pengembangan O
lab O
virtual O
untuk O
penetration O
testing O
selanjutnya. O
Sebelum O
mahasiswa O
melakukan O
penetration O
testing O
, O
sebaiknya O
mahasiswa O
diberikan O
teori O
mengenai O
penyerangan O
yang O
akan O
dilakukan O
di O
lab O
virtual O
yang O
dibangun O
, O
sehingga O
mahasiswa O
lebih O
merasa O
terbiasa O
dengan O
penetration O
testing O
di O
lab O
virtual. O
untuk O
penetration O
testing O
yang O
selanjutnya O
dapat O
ditambahkan O
pen O
yerangan-penyerangan O
lainnya O
yang O
masih O
masuk O
ke O
dalam O
OWASP O
Top O
Ten. O
2. O
Diharapkan O
pengembangan O
virtual O
lab O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O

Pembangunan O
Lab O
Virtual O
untuk O
Media O
Pembelajaran O
Penetration O
Testing O
pada O
Aplikasi O
Web O
Hariyo O
Adi O
Sakti O
( O
221910755 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Teknologi O
internet O
semakin O
berkembang O
pesat O
di O
masyarakat O
saat O
ini. O
Namun O
seiring O
dengan O
hal O
tersebut O
, O
menyebabkan O
serangan O
siber O
meningkat O
dengan O
cepat O
terutama O
di O
lembaga O
pemerintahan. O
Lembaga O
pemerintah O
seperti O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
dalam O
melakukan O
kegiatannya O
juga O
membutuhkan O
tenaga O
keamanan O
siber. O
Penetration O
testing O
terlebih O
dahulu O
dilakukan O
BPS O
terhadap O
aplikasi O
atau O
website O
sebelum O
dirilis O
ke O
publik. O
Di O
Politeknik O
Statistika O
STIS O
, O
yang O
lulusannya O
bekerja O
di O
BPS O
, O
terdapat O
pembelajaran O
teori O
mengenai O
penetration O
testing. O
Pembelajaran O
teori O
penetration O
testing O
saja O
kurang O
efektif O
jika O
dibandingkan O
dengan O
praktik. O
Praktik O
penetration O
testing O
membutuhkan O
lab O
fisik O
dengan O
biaya O
dan O
sumber O
daya O
yang O
besar. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
bertujuan O
untuk O
membangun B-TUJUAN
laboratorium I-TUJUAN
virtual I-TUJUAN
untuk I-TUJUAN
praktikum I-TUJUAN
oleh I-TUJUAN
mahasiswa. I-TUJUAN
Metode O
penelitian O
yang O
digunakan O
adalah O
Design B-METODE
Science I-METODE
Research I-METODE
Methodology. I-METODE
Lab O
virtual O
ini O
dibangun O
untuk O
serangan O
brute O
force O
, O
SQL O
injection O
, O
XSS O
, O
CSRF O
, O
Remote O
Code O
testing O
dan O
Execution. O
Setelah O
evaluasi O
melalui O
black-box B-METODE
penggunaan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
, O
lab B-TEMUAN
virtual I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dari I-TEMUAN
sisi I-TEMUAN
usability I-TEMUAN
atau I-TEMUAN
kemudahan I-TEMUAN
penggunaan I-TEMUAN
dengan I-TEMUAN
skor I-TEMUAN
SUS I-TEMUAN
68,63. I-TEMUAN
Kata O
Kunci— O
Penetration O
Testing O
, O
Lab O
Virtual O
, O
Black O
Box O
Testing O
, O
System O
Usability O
Scale. O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
berikut O
adalah B-TEMUAN
beberapa I-TEMUAN
hal I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
disimpulkan. I-TEMUAN
1. I-TEMUAN
Lab I-TEMUAN
virtual I-TEMUAN
sebagai I-TEMUAN
media I-TEMUAN
pembelajaran I-TEMUAN
untuk I-TEMUAN
penetration I-TEMUAN
testing I-TEMUAN
terhadap O
aplikasi O
web O
telah O
berhasil O
dibangun B-METODE
dengan I-METODE
hasil O
evaluasi O
dengan O
pengujian O
black O
box O
yang O
menunjukkan O
bahwa O
semua O
fungsi O
pada O
lab O
virtual O
berjalan O
dengan O
baik. O
2. O
Lab O
virtual O
telah O
digunakan O
sebagai O
fasilitas O
untuk O
pembelajaran O
penetration O
testing O
oleh O
mahasiswa. B-METODE
Dari I-METODE
hasil I-METODE
pengujian I-METODE
dengan B-TEMUAN
kuesioner I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
, I-TEMUAN
didapatkan I-TEMUAN
hasil I-TEMUAN
68,63 I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
arti I-TEMUAN
bahwa I-TEMUAN
lab I-TEMUAN
virtual I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dari I-TEMUAN
sisi O
usability O
atau O
kemudahan O
oleh O
pengguna. O
B. O
Saran O
Berikut O
ini O
adalah O
beberapa O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
dan O
pengembangan O
selanjutnya. O
1. O
Dalam O
pengembangan O
lab O
virtual O
untuk O
penetration O
testing O
selanjutnya. O
Sebelum O
mahasiswa O
melakukan O
penetration O
testing O
, O
sebaiknya O
mahasiswa O
diberikan O
teori O
mengenai O
penyerangan O
yang O
akan O
dilakukan O
di O
lab O
virtual O
yang O
dibangun O
, O
sehingga O
mahasiswa O
lebih O
merasa O
terbiasa O
dengan O
penetration O
testing O
di O
lab O
virtual. O
untuk O
penetration O
testing O
yang O
selanjutnya O
dapat O
ditambahkan O
pen O
yerangan-penyerangan O
lainnya O
yang O
masih O
masuk O
ke O
dalam O
OWASP O
Top O
Ten. O
2. O
Diharapkan O
pengembangan O
virtual O
lab O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O

Analisis O
Pola O
Kecelakaan O
Lalu O
Lintas O
Menggunakan O
Algoritma O
Decision O
Tree O
( O
Studi O
Kasus O
: O
Tol O
di O
Provinsi O
Jawa O
Barat O
) O
Hardi O
Dwi O
Susanto O
( O
221910754 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
SST O
, O
M.Si O
lalu O
Ringkasan— O
Jalan O
tol O
sebagai O
jalan O
bebas O
hambatan O
tidak O
membuat O
jalan O
tol O
terbebas O
dari O
kecelakaan O
lalu O
lintas. O
Di O
Provinsi O
Jawa O
Barat O
, O
terdapat O
total O
20 O
ruas O
tol O
dengan O
panjang O
ruas O
tol O
mencapai O
521,15 O
km O
pada O
2020. O
Tol O
Cipali O
adalah O
salah O
satu O
ruas O
dengan O
fatalitas O
tertinggi O
di O
dunia. O
Penanggulangan O
kecelakaan O
lalu O
lintas O
penting O
dilakukan O
sebagai O
upaya O
untuk O
mengurangi O
kejadian O
kecelakaan O
lalu O
lintas. O
Namun O
, O
data O
mengenai O
kecelakaan O
lintas O
di O
jalan O
tol O
cukup O
sulit O
didapatkan O
secara O
rinci O
sehingga O
dibutuhkan O
sumber O
informasi O
alternatif O
berupa O
berita O
online. O
NER B-METODE
dengan O
Bi-LSTM-CNN O
dimaanfaatkan O
untuk O
melakukan O
ekstraksi O
data O
kecelakaan. O
Hasil B-TEMUAN
dari I-TEMUAN
ekstraksi I-TEMUAN
berita I-TEMUAN
dianalisis I-TEMUAN
dengan I-TEMUAN
membuat I-TEMUAN
aturan I-TEMUAN
keputusan I-TEMUAN
untuk I-TEMUAN
mengetahui I-TEMUAN
pola I-TEMUAN
kecelakaan I-TEMUAN
yang I-TEMUAN
terjadi I-TEMUAN
, I-TEMUAN
berupa I-TEMUAN
decision I-TEMUAN
tree I-TEMUAN
dengan I-TEMUAN
dataset I-TEMUAN
yang I-TEMUAN
menggunakan I-TEMUAN
data I-TEMUAN
tiga I-TEMUAN
tol I-TEMUAN
dengan I-TEMUAN
fatalitas I-TEMUAN
tertinggi I-TEMUAN
dengan I-TEMUAN
fitur I-TEMUAN
imputasi I-TEMUAN
mode I-TEMUAN
by I-TEMUAN
concept I-TEMUAN
sebagai I-TEMUAN
metode I-TEMUAN
penanganan I-TEMUAN
missing I-TEMUAN
value I-TEMUAN
dan I-TEMUAN
jalan I-TEMUAN
tol I-TEMUAN
sebagai I-TEMUAN
atribut I-TEMUAN
mendapat I-TEMUAN
kan I-TEMUAN
nilai I-TEMUAN
f1-score I-TEMUAN
sebesar I-TEMUAN
67,76 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
nilai I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
75,49 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Berdasarkan I-TEMUAN
decision I-TEMUAN
tree I-TEMUAN
, I-TEMUAN
terdapat I-TEMUAN
kemiripan I-TEMUAN
pola I-TEMUAN
kecelakaan I-TEMUAN
yang I-TEMUAN
terjadi I-TEMUAN
di I-TEMUAN
jalan I-TEMUAN
Tol I-TEMUAN
Cipali I-TEMUAN
dan I-TEMUAN
Tol I-TEMUAN
Cipularang. I-TEMUAN
Kata O
Kunci— O
kecelakaan O
lalu O
lintas O
, O
pola O
kecelakaan O
, O
jalan O
tol O
, O
decision O
tree. O
[SEP] O
Dari O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
didapatkan O
bahwa O
: O
a. O
Ekstraksi B-TUJUAN
informasi I-TUJUAN
kecelakaan I-TUJUAN
lalu I-TUJUAN
lintas I-TUJUAN
di I-TUJUAN
jalan I-TUJUAN
tol I-TUJUAN
di I-TUJUAN
Provinsi I-TUJUAN
Jawa I-TUJUAN
Barat I-TUJUAN
dari I-TUJUAN
artikel I-TUJUAN
berita I-TUJUAN
detik.com I-TUJUAN
dilakukan O
menggunakan O
model O
NER O
Bi-LSTM-CNN O
yang O
menghasilkan O
data O
akhir O
sebanyak O
327 O
kejadian O
kecelakaan O
b. O
Visualisasi O
data O
dibuat O
dalam O
bentuk O
grafik O
, O
yang O
digunakan O
mengetahui O
gambaran O
statistik O
kejadian O
kecelakaan O
lalu O
lintas O
di O
jalan O
tol O
di O
Provinsi O
Jawa O
Barat O
c. O
CART O
dapat O
memodelkan O
pola O
kejadian O
kecelakaan O
dengan O
cukup O
baik. O
Model O
CART O
yang O
terbaik O
ditemukan O
dengan O
menggunakan O
dataset O
yang O
hanya O
mencakup O
data O
dari O
3 O
jalan O
tol O
dengan O
tingkat O
fatalitas O
tertinggi. O
Pada O
pengolahan O
data O
, O
dilakukan O
imputasi O
mode O
by O
concept O
data O
dengan O
missing O
value O
dan O
jalan O
tol O
sebagai O
atribut O
( O
3 O
Tol O
+ O
imputasi O
+ O
Atribut O
Tol O
) O
. O
Model O
ini O
mencapai O
nilai O
f1-score O
sebesar O
67.76 O
% O
dan O
akurasi O
sebesar O
75.49 O
% O
. O

Analisis O
Pola O
Kecelakaan O
Lalu O
Lintas O
Menggunakan O
Algoritma O
Decision O
Tree O
( O
Studi O
Kasus O
: O
Tol O
di O
Provinsi O
Jawa O
Barat O
) O
Hardi O
Dwi O
Susanto O
( O
221910754 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
SST O
, O
M.Si O
lalu O
Ringkasan— O
Jalan O
tol O
sebagai O
jalan O
bebas O
hambatan O
tidak O
membuat O
jalan O
tol O
terbebas O
dari O
kecelakaan O
lalu O
lintas. O
Di O
Provinsi O
Jawa O
Barat O
, O
terdapat O
total O
20 O
ruas O
tol O
dengan O
panjang O
ruas O
tol O
mencapai O
521,15 O
km O
pada O
2020. O
Tol O
Cipali O
adalah O
salah O
satu O
ruas O
dengan O
fatalitas O
tertinggi O
di O
dunia. O
Penanggulangan O
kecelakaan O
lalu O
lintas O
penting O
dilakukan O
sebagai O
upaya O
untuk O
mengurangi O
kejadian O
kecelakaan O
lalu O
lintas. O
Namun O
, O
data O
mengenai O
kecelakaan O
lintas O
di O
jalan O
tol O
cukup O
sulit O
didapatkan O
secara O
rinci O
sehingga O
dibutuhkan O
sumber O
informasi O
alternatif O
berupa O
berita O
online. O
NER B-METODE
dengan O
Bi-LSTM-CNN O
dimaanfaatkan O
untuk O
melakukan O
ekstraksi O
data O
kecelakaan. O
Hasil B-TEMUAN
dari I-TEMUAN
ekstraksi I-TEMUAN
berita I-TEMUAN
dianalisis I-TEMUAN
dengan I-TEMUAN
membuat I-TEMUAN
aturan I-TEMUAN
keputusan I-TEMUAN
untuk I-TEMUAN
mengetahui I-TEMUAN
pola I-TEMUAN
kecelakaan I-TEMUAN
yang I-TEMUAN
terjadi I-TEMUAN
, I-TEMUAN
berupa I-TEMUAN
decision I-TEMUAN
tree I-TEMUAN
dengan I-TEMUAN
dataset I-TEMUAN
yang I-TEMUAN
menggunakan I-TEMUAN
data I-TEMUAN
tiga I-TEMUAN
tol I-TEMUAN
dengan I-TEMUAN
fatalitas I-TEMUAN
tertinggi I-TEMUAN
dengan I-TEMUAN
fitur I-TEMUAN
imputasi I-TEMUAN
mode I-TEMUAN
by I-TEMUAN
concept I-TEMUAN
sebagai I-TEMUAN
metode I-TEMUAN
penanganan I-TEMUAN
missing I-TEMUAN
value I-TEMUAN
dan I-TEMUAN
jalan I-TEMUAN
tol I-TEMUAN
sebagai I-TEMUAN
atribut I-TEMUAN
mendapat I-TEMUAN
kan I-TEMUAN
nilai I-TEMUAN
f1-score I-TEMUAN
sebesar I-TEMUAN
67,76 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
nilai I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
75,49 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Berdasarkan I-TEMUAN
decision I-TEMUAN
tree I-TEMUAN
, I-TEMUAN
terdapat I-TEMUAN
kemiripan I-TEMUAN
pola I-TEMUAN
kecelakaan I-TEMUAN
yang I-TEMUAN
terjadi I-TEMUAN
di I-TEMUAN
jalan I-TEMUAN
Tol I-TEMUAN
Cipali I-TEMUAN
dan I-TEMUAN
Tol I-TEMUAN
Cipularang. I-TEMUAN
Kata O
Kunci— O
kecelakaan O
lalu O
lintas O
, O
pola O
kecelakaan O
, O
jalan O
tol O
, O
decision O
tree. O
[SEP] O
Dari O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
didapatkan O
bahwa O
: O
a. O
Ekstraksi B-TUJUAN
informasi I-TUJUAN
kecelakaan I-TUJUAN
lalu I-TUJUAN
lintas I-TUJUAN
di I-TUJUAN
jalan I-TUJUAN
tol I-TUJUAN
di I-TUJUAN
Provinsi I-TUJUAN
Jawa I-TUJUAN
Barat I-TUJUAN
dari I-TUJUAN
artikel I-TUJUAN
berita I-TUJUAN
detik.com I-TUJUAN
dilakukan O
menggunakan O
model O
NER O
Bi-LSTM-CNN O
yang O
menghasilkan O
data O
akhir O
sebanyak O
327 O
kejadian O
kecelakaan O
b. O
Visualisasi O
data O
dibuat O
dalam O
bentuk O
grafik O
, O
yang O
digunakan O
mengetahui O
gambaran O
statistik O
kejadian O
kecelakaan O
lalu O
lintas O
di O
jalan O
tol O
di O
Provinsi O
Jawa O
Barat O
c. O
CART O
dapat O
memodelkan O
pola O
kejadian O
kecelakaan O
dengan O
cukup O
baik. O
Model O
CART O
yang O
terbaik O
ditemukan O
dengan O
menggunakan O
dataset O
yang O
hanya O
mencakup O
data O
dari O
3 O
jalan O
tol O
dengan O
tingkat O
fatalitas O
tertinggi. O
Pada O
pengolahan O
data O
, O
dilakukan O
imputasi O
mode O
by O
concept O
data O
dengan O
missing O
value O
dan O
jalan O
tol O
sebagai O
atribut O
( O
3 O
Tol O
+ O
imputasi O
+ O
Atribut O
Tol O
) O
. O
Model O
ini O
mencapai O
nilai O
f1-score O
sebesar O
67.76 O
% O
dan O
akurasi O
sebesar O
75.49 O
% O
. O

Analisis O
Pola O
Kecelakaan O
Lalu O
Lintas O
Menggunakan O
Algoritma O
Decision O
Tree O
( O
Studi O
Kasus O
: O
Tol O
di O
Provinsi O
Jawa O
Barat O
) O
Hardi O
Dwi O
Susanto O
( O
221910754 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
SST O
, O
M.Si O
lalu O
Ringkasan— O
Jalan O
tol O
sebagai O
jalan O
bebas O
hambatan O
tidak O
membuat O
jalan O
tol O
terbebas O
dari O
kecelakaan O
lalu O
lintas. O
Di O
Provinsi O
Jawa O
Barat O
, O
terdapat O
total O
20 O
ruas O
tol O
dengan O
panjang O
ruas O
tol O
mencapai O
521,15 O
km O
pada O
2020. O
Tol O
Cipali O
adalah O
salah O
satu O
ruas O
dengan O
fatalitas O
tertinggi O
di O
dunia. O
Penanggulangan O
kecelakaan O
lalu O
lintas O
penting O
dilakukan O
sebagai O
upaya O
untuk O
mengurangi O
kejadian O
kecelakaan O
lalu O
lintas. O
Namun O
, O
data O
mengenai O
kecelakaan O
lintas O
di O
jalan O
tol O
cukup O
sulit O
didapatkan O
secara O
rinci O
sehingga O
dibutuhkan O
sumber O
informasi O
alternatif O
berupa O
berita O
online. O
NER B-METODE
dengan O
Bi-LSTM-CNN O
dimaanfaatkan O
untuk O
melakukan O
ekstraksi O
data O
kecelakaan. O
Hasil B-TEMUAN
dari I-TEMUAN
ekstraksi I-TEMUAN
berita I-TEMUAN
dianalisis I-TEMUAN
dengan I-TEMUAN
membuat I-TEMUAN
aturan I-TEMUAN
keputusan I-TEMUAN
untuk I-TEMUAN
mengetahui I-TEMUAN
pola I-TEMUAN
kecelakaan I-TEMUAN
yang I-TEMUAN
terjadi I-TEMUAN
, I-TEMUAN
berupa I-TEMUAN
decision I-TEMUAN
tree I-TEMUAN
dengan I-TEMUAN
dataset I-TEMUAN
yang I-TEMUAN
menggunakan I-TEMUAN
data I-TEMUAN
tiga I-TEMUAN
tol I-TEMUAN
dengan I-TEMUAN
fatalitas I-TEMUAN
tertinggi I-TEMUAN
dengan I-TEMUAN
fitur I-TEMUAN
imputasi I-TEMUAN
mode I-TEMUAN
by I-TEMUAN
concept I-TEMUAN
sebagai I-TEMUAN
metode I-TEMUAN
penanganan I-TEMUAN
missing I-TEMUAN
value I-TEMUAN
dan I-TEMUAN
jalan I-TEMUAN
tol I-TEMUAN
sebagai I-TEMUAN
atribut I-TEMUAN
mendapat I-TEMUAN
kan I-TEMUAN
nilai I-TEMUAN
f1-score I-TEMUAN
sebesar I-TEMUAN
67,76 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
nilai I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
75,49 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Berdasarkan I-TEMUAN
decision I-TEMUAN
tree I-TEMUAN
, I-TEMUAN
terdapat I-TEMUAN
kemiripan I-TEMUAN
pola I-TEMUAN
kecelakaan I-TEMUAN
yang I-TEMUAN
terjadi I-TEMUAN
di I-TEMUAN
jalan I-TEMUAN
Tol I-TEMUAN
Cipali I-TEMUAN
dan I-TEMUAN
Tol I-TEMUAN
Cipularang. I-TEMUAN
Kata O
Kunci— O
kecelakaan O
lalu O
lintas O
, O
pola O
kecelakaan O
, O
jalan O
tol O
, O
decision O
tree. O
[SEP] O
Dari O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
didapatkan O
bahwa O
: O
a. O
Ekstraksi B-TUJUAN
informasi I-TUJUAN
kecelakaan I-TUJUAN
lalu I-TUJUAN
lintas I-TUJUAN
di I-TUJUAN
jalan I-TUJUAN
tol I-TUJUAN
di I-TUJUAN
Provinsi I-TUJUAN
Jawa I-TUJUAN
Barat I-TUJUAN
dari I-TUJUAN
artikel I-TUJUAN
berita I-TUJUAN
detik.com I-TUJUAN
dilakukan O
menggunakan O
model O
NER O
Bi-LSTM-CNN O
yang O
menghasilkan O
data O
akhir O
sebanyak O
327 O
kejadian O
kecelakaan O
b. O
Visualisasi O
data O
dibuat O
dalam O
bentuk O
grafik O
, O
yang O
digunakan O
mengetahui O
gambaran O
statistik O
kejadian O
kecelakaan O
lalu O
lintas O
di O
jalan O
tol O
di O
Provinsi O
Jawa O
Barat O
c. O
CART O
dapat O
memodelkan O
pola O
kejadian O
kecelakaan O
dengan O
cukup O
baik. O
Model O
CART O
yang O
terbaik O
ditemukan O
dengan O
menggunakan O
dataset O
yang O
hanya O
mencakup O
data O
dari O
3 O
jalan O
tol O
dengan O
tingkat O
fatalitas O
tertinggi. O
Pada O
pengolahan O
data O
, O
dilakukan O
imputasi O
mode O
by O
concept O
data O
dengan O
missing O
value O
dan O
jalan O
tol O
sebagai O
atribut O
( O
3 O
Tol O
+ O
imputasi O
+ O
Atribut O
Tol O
) O
. O
Model O
ini O
mencapai O
nilai O
f1-score O
sebesar O
67.76 O
% O
dan O
akurasi O
sebesar O
75.49 O
% O
. O

Pengukuran O
Tingkat O
Kesadaran O
Keamanan O
Informasi O
Pegawai O
BPS O
Pusat O
Berliana O
Vera O
Prasetyaningrum O
( O
221910750 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I O
sistem O
terlemah O
dalam O
informasi O
yang O
marak O
Ringkasan— O
Aset O
yang O
sangat O
berharga O
bagi O
suatu O
lembaga O
adalah O
informasi O
, O
sehingga O
penting O
untuk O
menjaga O
keamanannya O
dari O
berbagai O
macam O
serangan. O
Serangan O
keamanan O
terjadi O
adalah O
social O
engineering O
atau O
serangan O
yang O
memanipulasi O
manusianya O
di O
sektor O
lembaga O
pemerintahan. O
Manusia O
yang O
dianggap O
sebagai O
komponen O
jaringan O
komputer O
merupakan O
sumber O
dari O
serangan O
keamanan O
informasi. O
Maka O
dari O
itu O
, O
diperlukan O
kesadaran O
dari O
sisi O
manusia O
untuk O
menjaga O
keamanan O
informasi O
suatu O
lembaga. O
Mengingat O
BPS O
Pusat O
sebagai O
penyedia O
data O
statistik O
yang O
berkewajiban O
melindungi O
informasi O
sensitif O
terkait O
penduduk O
, O
maka O
perlu O
dilakukan O
pengukuran O
tingkat O
kesadaran O
pegawainya O
untuk O
terhindar O
dari O
serangan O
keamanan O
informasi. O
Penelitian O
ini O
menggunakan O
metode B-METODE
pendekatan I-METODE
kuantitatif I-METODE
dengan I-METODE
instrumen I-METODE
HAIS-Q I-METODE
( I-METODE
Human I-METODE
Aspects I-METODE
of I-METODE
Information I-METODE
Security I-METODE
Questionaire I-METODE
) I-METODE
. I-METODE
Hasil O
pengukuran O
menunjukkan O
bahwa O
tingkat B-TEMUAN
kesadaran I-TEMUAN
pegawai I-TEMUAN
BPS I-TEMUAN
Pusat I-TEMUAN
terhadap I-TEMUAN
keamanan I-TEMUAN
informasi I-TEMUAN
berada I-TEMUAN
pada I-TEMUAN
tingkat I-TEMUAN
rata-rata I-TEMUAN
sehingga I-TEMUAN
diperlukan I-TEMUAN
monitoring I-TEMUAN
dan I-TEMUAN
tindakan I-TEMUAN
terkait I-TEMUAN
( I-TEMUAN
Information I-TEMUAN
Security I-TEMUAN
Awareness I-TEMUAN
) I-TEMUAN
atau I-TEMUAN
peningkatan I-TEMUAN
ISA I-TEMUAN
kesadaran I-TEMUAN
keamanan I-TEMUAN
informasi. I-TEMUAN
Kata O
Kunci— O
Informasi O
, O
manusia O
, O
serangan O
keamanan O
, O
pegawai O
, O
dan O
BPS. O
[SEP] O
Secara O
umum O
, O
tingkat B-TEMUAN
kesadaran I-TEMUAN
keamanan I-TEMUAN
informasi I-TEMUAN
pegawai I-TEMUAN
di I-TEMUAN
BPS I-TEMUAN
Pusat I-TEMUAN
berada I-TEMUAN
pada I-TEMUAN
tingkat I-TEMUAN
rata-rata I-TEMUAN
atau I-TEMUAN
sedang I-TEMUAN
, I-TEMUAN
yaitu O
sebesar O
77,81. O
Hal O
ini O
menunjukkan O
bahwa O
masih O
diperlukan O
pengawasan O
dan O
tindakan O
untuk O
meningkatkan O
kesadaran O
keamanan O
informasi O
pegawai O
di O
BPS O
Pusat. O
Dari O
tujuh O
area O
fokus O
yang O
diukur O
, O
penggunaan O
internet O
merupakan O
area O
yang O
membutuhkan O
perhatian O
serius O
karena O
memiliki O
tingkat O
kesadaran O
yang O
rendah O
pada O
setiap O
dimensi O
KAB. O
Selain O
itu O
, O
penggunaan O
email O
dan O
pelaporan O
insiden O
juga O
dikategorikan O
rendah O
dalam O
dimensi O
Knowledge. O
Dalam O
hal O
karakteristik O
pegawai O
, O
kelompok O
umur O
dan O
pendidikan O
memiliki O
pengaruh O
signifikan O
terhadap O
kesadaran O
keamanan O
informasi. O
Pegawai O
yang O
berusia O
antara O
40 O
hingga O
55 O
tahun O
dan O
memiliki O
gelar O
magister O
memiliki O
tingkat O
pengaruh O
yang O
paling O
besar O
terhadap O
kesadaran O
keamanan O
informasi. O
Beberapa O
langkah O
yang O
dapat O
diambil O
untuk O
meningkatkan O
kesadaran O
keamanan O
informasi O
antara O
lain O
menghindari O
mengunduh O
file O
secara O
sembarangan O
pada O
perangkat O
yang O
digunakan O
untuk O
bekerja O
, O
meningkatkan O
kewaspadaan O
saat O
mengklik O
tautan O
dalam O
email O
, O
bahkan O
jika O
email O
tersebut O
berasal O
dari O
orang O
yang O
dikenal O
, O
serta O
segera O
melaporkan O
kejadian O
insiden O
keamanan O
yang O
diketahui. O

Pengukuran O
Tingkat O
Kesadaran O
Keamanan O
Informasi O
Pegawai O
BPS O
Pusat O
Berliana O
Vera O
Prasetyaningrum O
( O
221910750 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I O
sistem O
terlemah O
dalam O
informasi O
yang O
marak O
Ringkasan— O
Aset O
yang O
sangat O
berharga O
bagi O
suatu O
lembaga O
adalah O
informasi O
, O
sehingga O
penting O
untuk O
menjaga O
keamanannya O
dari O
berbagai O
macam O
serangan. O
Serangan O
keamanan O
terjadi O
adalah O
social O
engineering O
atau O
serangan O
yang O
memanipulasi O
manusianya O
di O
sektor O
lembaga O
pemerintahan. O
Manusia O
yang O
dianggap O
sebagai O
komponen O
jaringan O
komputer O
merupakan O
sumber O
dari O
serangan O
keamanan O
informasi. O
Maka O
dari O
itu O
, O
diperlukan O
kesadaran O
dari O
sisi O
manusia O
untuk O
menjaga O
keamanan O
informasi O
suatu O
lembaga. O
Mengingat O
BPS O
Pusat O
sebagai O
penyedia O
data O
statistik O
yang O
berkewajiban O
melindungi O
informasi O
sensitif O
terkait O
penduduk O
, O
maka O
perlu O
dilakukan O
pengukuran O
tingkat O
kesadaran O
pegawainya O
untuk O
terhindar O
dari O
serangan O
keamanan O
informasi. O
Penelitian O
ini O
menggunakan O
metode B-METODE
pendekatan I-METODE
kuantitatif I-METODE
dengan I-METODE
instrumen I-METODE
HAIS-Q I-METODE
( I-METODE
Human I-METODE
Aspects I-METODE
of I-METODE
Information I-METODE
Security I-METODE
Questionaire I-METODE
) I-METODE
. I-METODE
Hasil O
pengukuran O
menunjukkan O
bahwa O
tingkat B-TEMUAN
kesadaran I-TEMUAN
pegawai I-TEMUAN
BPS I-TEMUAN
Pusat I-TEMUAN
terhadap I-TEMUAN
keamanan I-TEMUAN
informasi I-TEMUAN
berada I-TEMUAN
pada I-TEMUAN
tingkat I-TEMUAN
rata-rata I-TEMUAN
sehingga I-TEMUAN
diperlukan I-TEMUAN
monitoring I-TEMUAN
dan I-TEMUAN
tindakan I-TEMUAN
terkait I-TEMUAN
( I-TEMUAN
Information I-TEMUAN
Security I-TEMUAN
Awareness I-TEMUAN
) I-TEMUAN
atau I-TEMUAN
peningkatan I-TEMUAN
ISA I-TEMUAN
kesadaran I-TEMUAN
keamanan I-TEMUAN
informasi. I-TEMUAN
Kata O
Kunci— O
Informasi O
, O
manusia O
, O
serangan O
keamanan O
, O
pegawai O
, O
dan O
BPS. O
[SEP] O
Secara O
umum O
, O
tingkat B-TEMUAN
kesadaran I-TEMUAN
keamanan I-TEMUAN
informasi I-TEMUAN
pegawai I-TEMUAN
di I-TEMUAN
BPS I-TEMUAN
Pusat I-TEMUAN
berada I-TEMUAN
pada I-TEMUAN
tingkat I-TEMUAN
rata-rata I-TEMUAN
atau I-TEMUAN
sedang I-TEMUAN
, I-TEMUAN
yaitu O
sebesar O
77,81. O
Hal O
ini O
menunjukkan O
bahwa O
masih O
diperlukan O
pengawasan O
dan O
tindakan O
untuk O
meningkatkan O
kesadaran O
keamanan O
informasi O
pegawai O
di O
BPS O
Pusat. O
Dari O
tujuh O
area O
fokus O
yang O
diukur O
, O
penggunaan O
internet O
merupakan O
area O
yang O
membutuhkan O
perhatian O
serius O
karena O
memiliki O
tingkat O
kesadaran O
yang O
rendah O
pada O
setiap O
dimensi O
KAB. O
Selain O
itu O
, O
penggunaan O
email O
dan O
pelaporan O
insiden O
juga O
dikategorikan O
rendah O
dalam O
dimensi O
Knowledge. O
Dalam O
hal O
karakteristik O
pegawai O
, O
kelompok O
umur O
dan O
pendidikan O
memiliki O
pengaruh O
signifikan O
terhadap O
kesadaran O
keamanan O
informasi. O
Pegawai O
yang O
berusia O
antara O
40 O
hingga O
55 O
tahun O
dan O
memiliki O
gelar O
magister O
memiliki O
tingkat O
pengaruh O
yang O
paling O
besar O
terhadap O
kesadaran O
keamanan O
informasi. O
Beberapa O
langkah O
yang O
dapat O
diambil O
untuk O
meningkatkan O
kesadaran O
keamanan O
informasi O
antara O
lain O
menghindari O
mengunduh O
file O
secara O
sembarangan O
pada O
perangkat O
yang O
digunakan O
untuk O
bekerja O
, O
meningkatkan O
kewaspadaan O
saat O
mengklik O
tautan O
dalam O
email O
, O
bahkan O
jika O
email O
tersebut O
berasal O
dari O
orang O
yang O
dikenal O
, O
serta O
segera O
melaporkan O
kejadian O
insiden O
keamanan O
yang O
diketahui. O

Pengukuran O
Tingkat O
Kesadaran O
Keamanan O
Informasi O
Pegawai O
BPS O
Pusat O
Berliana O
Vera O
Prasetyaningrum O
( O
221910750 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I O
sistem O
terlemah O
dalam O
informasi O
yang O
marak O
Ringkasan— O
Aset O
yang O
sangat O
berharga O
bagi O
suatu O
lembaga O
adalah O
informasi O
, O
sehingga O
penting O
untuk O
menjaga O
keamanannya O
dari O
berbagai O
macam O
serangan. O
Serangan O
keamanan O
terjadi O
adalah O
social O
engineering O
atau O
serangan O
yang O
memanipulasi O
manusianya O
di O
sektor O
lembaga O
pemerintahan. O
Manusia O
yang O
dianggap O
sebagai O
komponen O
jaringan O
komputer O
merupakan O
sumber O
dari O
serangan O
keamanan O
informasi. O
Maka O
dari O
itu O
, O
diperlukan O
kesadaran O
dari O
sisi O
manusia O
untuk O
menjaga O
keamanan O
informasi O
suatu O
lembaga. O
Mengingat O
BPS O
Pusat O
sebagai O
penyedia O
data O
statistik O
yang O
berkewajiban O
melindungi O
informasi O
sensitif O
terkait O
penduduk O
, O
maka O
perlu O
dilakukan O
pengukuran O
tingkat O
kesadaran O
pegawainya O
untuk O
terhindar O
dari O
serangan O
keamanan O
informasi. O
Penelitian O
ini O
menggunakan O
metode B-METODE
pendekatan I-METODE
kuantitatif I-METODE
dengan I-METODE
instrumen I-METODE
HAIS-Q I-METODE
( I-METODE
Human I-METODE
Aspects I-METODE
of I-METODE
Information I-METODE
Security I-METODE
Questionaire I-METODE
) I-METODE
. I-METODE
Hasil O
pengukuran O
menunjukkan O
bahwa O
tingkat B-TEMUAN
kesadaran I-TEMUAN
pegawai I-TEMUAN
BPS I-TEMUAN
Pusat I-TEMUAN
terhadap I-TEMUAN
keamanan I-TEMUAN
informasi I-TEMUAN
berada I-TEMUAN
pada I-TEMUAN
tingkat I-TEMUAN
rata-rata I-TEMUAN
sehingga I-TEMUAN
diperlukan I-TEMUAN
monitoring I-TEMUAN
dan I-TEMUAN
tindakan I-TEMUAN
terkait I-TEMUAN
( I-TEMUAN
Information I-TEMUAN
Security I-TEMUAN
Awareness I-TEMUAN
) I-TEMUAN
atau I-TEMUAN
peningkatan I-TEMUAN
ISA I-TEMUAN
kesadaran I-TEMUAN
keamanan I-TEMUAN
informasi. I-TEMUAN
Kata O
Kunci— O
Informasi O
, O
manusia O
, O
serangan O
keamanan O
, O
pegawai O
, O
dan O
BPS. O
[SEP] O
Secara O
umum O
, O
tingkat B-TEMUAN
kesadaran I-TEMUAN
keamanan I-TEMUAN
informasi I-TEMUAN
pegawai I-TEMUAN
di I-TEMUAN
BPS I-TEMUAN
Pusat I-TEMUAN
berada I-TEMUAN
pada I-TEMUAN
tingkat I-TEMUAN
rata-rata I-TEMUAN
atau I-TEMUAN
sedang I-TEMUAN
, I-TEMUAN
yaitu O
sebesar O
77,81. O
Hal O
ini O
menunjukkan O
bahwa O
masih O
diperlukan O
pengawasan O
dan O
tindakan O
untuk O
meningkatkan O
kesadaran O
keamanan O
informasi O
pegawai O
di O
BPS O
Pusat. O
Dari O
tujuh O
area O
fokus O
yang O
diukur O
, O
penggunaan O
internet O
merupakan O
area O
yang O
membutuhkan O
perhatian O
serius O
karena O
memiliki O
tingkat O
kesadaran O
yang O
rendah O
pada O
setiap O
dimensi O
KAB. O
Selain O
itu O
, O
penggunaan O
email O
dan O
pelaporan O
insiden O
juga O
dikategorikan O
rendah O
dalam O
dimensi O
Knowledge. O
Dalam O
hal O
karakteristik O
pegawai O
, O
kelompok O
umur O
dan O
pendidikan O
memiliki O
pengaruh O
signifikan O
terhadap O
kesadaran O
keamanan O
informasi. O
Pegawai O
yang O
berusia O
antara O
40 O
hingga O
55 O
tahun O
dan O
memiliki O
gelar O
magister O
memiliki O
tingkat O
pengaruh O
yang O
paling O
besar O
terhadap O
kesadaran O
keamanan O
informasi. O
Beberapa O
langkah O
yang O
dapat O
diambil O
untuk O
meningkatkan O
kesadaran O
keamanan O
informasi O
antara O
lain O
menghindari O
mengunduh O
file O
secara O
sembarangan O
pada O
perangkat O
yang O
digunakan O
untuk O
bekerja O
, O
meningkatkan O
kewaspadaan O
saat O
mengklik O
tautan O
dalam O
email O
, O
bahkan O
jika O
email O
tersebut O
berasal O
dari O
orang O
yang O
dikenal O
, O
serta O
segera O
melaporkan O
kejadian O
insiden O
keamanan O
yang O
diketahui. O

Pergerakan O
dan O
Laju O
Pertumbuhan O
PDB O
Menggunakan O
Klasifikasi O
Berita O
Online O
Studi O
Kasus O
Portal O
Berita O
Detik.com O
Dinda O
Pusparahmi O
Sholawatunnisa O
( O
221910740 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Lya O
Hulliyyatus O
Suadaa O
, O
S.ST O
, O
M.T O
Ringkasan—Data O
Produk O
Domestik O
Bruto O
( O
PDB O
) O
merupakan O
informasi O
strategis O
yang O
dimanfaatkan O
banyak O
pihak. O
Dari O
pergerakan O
PDB O
dapat O
diketahui O
pola O
pertumbuhan O
ekonomi O
nasional O
serta O
sektor O
ekonomi O
yang O
mengalami O
peningkatan O
atau O
penurunan. O
Perkembangan O
teknologi O
terkini O
memungkinkan O
berita O
dirilis O
secara O
real-time. O
Berita O
online O
aktual O
terkait O
ekonomi O
yang O
tersedia O
secara O
masif O
dapat O
dijadikan O
sumber O
data O
alternatif O
yang O
potensial O
untuk O
analisis O
dinamika O
ekonomi. O
Penelitian O
ini O
bertujuan O
untuk O
mendeteksi B-TUJUAN
pergerakan I-TUJUAN
dan I-TUJUAN
laju I-TUJUAN
pertumbuhan I-TUJUAN
PDB I-TUJUAN
menggunakan I-TUJUAN
klasifikasi I-TUJUAN
berita I-TUJUAN
online. I-TUJUAN
Data O
dikumpulkan O
dengan O
teknik O
scraping O
berdasarkan O
kata O
kunci. O
Model O
klasifikasi B-METODE
yang O
diusulkan O
adalah O
learning O
dari O
pre-trained O
model O
Transformers O
, O
sedangkan O
algoritma O
machine O
learning O
digunakan O
sebagai O
baseline O
model. O
Berdasarkan O
hasil O
klasifikasi B-METODE
untuk O
deteksi B-TUJUAN
pergerakan I-TUJUAN
PDB I-TUJUAN
dan I-TUJUAN
laju I-TUJUAN
pertumbuhannya I-TUJUAN
, O
pre-trained B-TEMUAN
Transformers I-TEMUAN
dengan I-TEMUAN
model I-TEMUAN
IndoBERT I-TEMUAN
berhasil I-TEMUAN
melampaui I-TEMUAN
performa I-TEMUAN
machine I-TEMUAN
learning I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
terbaik I-TEMUAN
0.8880 I-TEMUAN
dan I-TEMUAN
0.7899. I-TEMUAN
SVM I-TEMUAN
memberikan I-TEMUAN
akurasi I-TEMUAN
terbaik I-TEMUAN
sebesar I-TEMUAN
0.8440 I-TEMUAN
dan I-TEMUAN
0.7811 I-TEMUAN
, I-TEMUAN
diantara I-TEMUAN
model I-TEMUAN
machine I-TEMUAN
learning. I-TEMUAN
Penelitian O
ini O
juga O
mengekstraksi O
fitur O
penting O
pada O
data O
berita O
panjang O
dengan O
sentences O
selection O
menggunakan O
prinsip O
text O
summarization O
dan O
pencarian O
kata O
kunci O
yang O
berhasil O
meningkatkan O
performa O
klasifikasi O
dan O
mempercepat O
waktu O
pemrosesan. O
transfer O
Kata O
Kunci—Pre-trained O
Transformers O
, O
Machine O
Learning O
, O
NLP O
, O
Transfer O
learning O
, O
Long O
Text O
handling O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dipaparkan O
dapat O
dibuat O
beberapa O
kesimpulan O
terkait O
tujuan O
penelitian O
yang O
diajukan O
, O
diantaranya O
sebagai O
berikut. O
1 O
) O
Dari O
penelitian O
telah O
dibangun O
dataset O
berita O
online O
untuk O
klasifikasi O
pergerakan O
dan O
laju O
pertumbuhan O
PDB. O
Dataset O
yang O
dibangun O
menghasilkan O
label O
yang O
tidak O
seimbang O
, O
namun O
penelitian O
ini O
tidak O
mengatasi O
masalah O
tersebut O
dan O
hanya O
melakukan O
klasifikasi O
untuk O
mendeteksi O
pergerakan O
dan O
laju O
pertumbuhan O
PDB O
2 O
) O
Klasifikasi B-METODE
berita O
online O
telah O
dilakukan O
untuk O
mendeteksi O
pergerakan O
dan O
laju O
pertumbuhan O
PDB. O
Hasil O
klasifikasi B-METODE
yang O
diperoleh O
dari O
transfer O
learning O
menggunakan O
pre- O
trained O
Transformers O
IndoBERT-Large O
memberikan O
performa O
yang O
lebih O
unggul O
untuk O
deteksi O
pergerakan O
PDB O
dan O
IndoBERT-Base O
untuk O
laju O
pertumbuhan O
PDB O
dibandingkan O
machine O
learning O
model O
berdasarkan O
metrik O
akurasi B-METODE
, I-METODE
presisi I-METODE
, I-METODE
recall I-METODE
, I-METODE
dan I-METODE
f1-score. I-METODE
Akurasi O
model O
klasifikasi O
terbaik O
untuk O
pergerakan O
dan O
laju O
pertumbuhan O
PDB O
masing-masing O
sebesar O
0,8881 O
dan O
0,7899. O
3 O
) O
Sentences O
selection O
diterapkan O
pada O
klasifikasi O
laju O
pertumbuhan O
PDB O
dalam O
tahap O
ekstraksi O
fitur O
penting O
berita O
untuk O
meningkatkan O
performa O
pada O
long-text O
classification O
dengan O
konteks O
klasifikasi O
spesifik O
, O
sehingga O
tidak O
semua O
informasi O
berita O
diperlukan. O
Hasil O
pengujian O
menunjukkan O
jika O
klasifikasi O
laju O
pertumbuhan O
PDB O
berhasil O
menunjukkan O
peningkatan O
performa O
dan O
mempersingkat O
waktu O
pemrosesan O
baik O
untuk O
machine O
learning O
dan O
transfer O
learning. O
Perbaikan O
akurasi O
secara O
rata-rata O
masing-masing O
sebesar O
0,0226 O
dan O
0,0164. O

Pergerakan O
dan O
Laju O
Pertumbuhan O
PDB O
Menggunakan O
Klasifikasi O
Berita O
Online O
Studi O
Kasus O
Portal O
Berita O
Detik.com O
Dinda O
Pusparahmi O
Sholawatunnisa O
( O
221910740 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Lya O
Hulliyyatus O
Suadaa O
, O
S.ST O
, O
M.T O
Ringkasan—Data O
Produk O
Domestik O
Bruto O
( O
PDB O
) O
merupakan O
informasi O
strategis O
yang O
dimanfaatkan O
banyak O
pihak. O
Dari O
pergerakan O
PDB O
dapat O
diketahui O
pola O
pertumbuhan O
ekonomi O
nasional O
serta O
sektor O
ekonomi O
yang O
mengalami O
peningkatan O
atau O
penurunan. O
Perkembangan O
teknologi O
terkini O
memungkinkan O
berita O
dirilis O
secara O
real-time. O
Berita O
online O
aktual O
terkait O
ekonomi O
yang O
tersedia O
secara O
masif O
dapat O
dijadikan O
sumber O
data O
alternatif O
yang O
potensial O
untuk O
analisis O
dinamika O
ekonomi. O
Penelitian O
ini O
bertujuan O
untuk O
mendeteksi B-TUJUAN
pergerakan I-TUJUAN
dan I-TUJUAN
laju I-TUJUAN
pertumbuhan I-TUJUAN
PDB I-TUJUAN
menggunakan I-TUJUAN
klasifikasi I-TUJUAN
berita I-TUJUAN
online. I-TUJUAN
Data O
dikumpulkan O
dengan O
teknik O
scraping O
berdasarkan O
kata O
kunci. O
Model O
klasifikasi B-METODE
yang O
diusulkan O
adalah O
learning O
dari O
pre-trained O
model O
Transformers O
, O
sedangkan O
algoritma O
machine O
learning O
digunakan O
sebagai O
baseline O
model. O
Berdasarkan O
hasil O
klasifikasi B-METODE
untuk O
deteksi B-TUJUAN
pergerakan I-TUJUAN
PDB I-TUJUAN
dan I-TUJUAN
laju I-TUJUAN
pertumbuhannya I-TUJUAN
, O
pre-trained B-TEMUAN
Transformers I-TEMUAN
dengan I-TEMUAN
model I-TEMUAN
IndoBERT I-TEMUAN
berhasil I-TEMUAN
melampaui I-TEMUAN
performa I-TEMUAN
machine I-TEMUAN
learning I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
terbaik I-TEMUAN
0.8880 I-TEMUAN
dan I-TEMUAN
0.7899. I-TEMUAN
SVM I-TEMUAN
memberikan I-TEMUAN
akurasi I-TEMUAN
terbaik I-TEMUAN
sebesar I-TEMUAN
0.8440 I-TEMUAN
dan I-TEMUAN
0.7811 I-TEMUAN
, I-TEMUAN
diantara I-TEMUAN
model I-TEMUAN
machine I-TEMUAN
learning. I-TEMUAN
Penelitian O
ini O
juga O
mengekstraksi O
fitur O
penting O
pada O
data O
berita O
panjang O
dengan O
sentences O
selection O
menggunakan O
prinsip O
text O
summarization O
dan O
pencarian O
kata O
kunci O
yang O
berhasil O
meningkatkan O
performa O
klasifikasi O
dan O
mempercepat O
waktu O
pemrosesan. O
transfer O
Kata O
Kunci—Pre-trained O
Transformers O
, O
Machine O
Learning O
, O
NLP O
, O
Transfer O
learning O
, O
Long O
Text O
handling O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dipaparkan O
dapat O
dibuat O
beberapa O
kesimpulan O
terkait O
tujuan O
penelitian O
yang O
diajukan O
, O
diantaranya O
sebagai O
berikut. O
1 O
) O
Dari O
penelitian O
telah O
dibangun O
dataset O
berita O
online O
untuk O
klasifikasi O
pergerakan O
dan O
laju O
pertumbuhan O
PDB. O
Dataset O
yang O
dibangun O
menghasilkan O
label O
yang O
tidak O
seimbang O
, O
namun O
penelitian O
ini O
tidak O
mengatasi O
masalah O
tersebut O
dan O
hanya O
melakukan O
klasifikasi O
untuk O
mendeteksi O
pergerakan O
dan O
laju O
pertumbuhan O
PDB O
2 O
) O
Klasifikasi B-METODE
berita O
online O
telah O
dilakukan O
untuk O
mendeteksi O
pergerakan O
dan O
laju O
pertumbuhan O
PDB. O
Hasil O
klasifikasi B-METODE
yang O
diperoleh O
dari O
transfer O
learning O
menggunakan O
pre- O
trained O
Transformers O
IndoBERT-Large O
memberikan O
performa O
yang O
lebih O
unggul O
untuk O
deteksi O
pergerakan O
PDB O
dan O
IndoBERT-Base O
untuk O
laju O
pertumbuhan O
PDB O
dibandingkan O
machine O
learning O
model O
berdasarkan O
metrik O
akurasi B-METODE
, I-METODE
presisi I-METODE
, I-METODE
recall I-METODE
, I-METODE
dan I-METODE
f1-score. I-METODE
Akurasi O
model O
klasifikasi O
terbaik O
untuk O
pergerakan O
dan O
laju O
pertumbuhan O
PDB O
masing-masing O
sebesar O
0,8881 O
dan O
0,7899. O
3 O
) O
Sentences O
selection O
diterapkan O
pada O
klasifikasi O
laju O
pertumbuhan O
PDB O
dalam O
tahap O
ekstraksi O
fitur O
penting O
berita O
untuk O
meningkatkan O
performa O
pada O
long-text O
classification O
dengan O
konteks O
klasifikasi O
spesifik O
, O
sehingga O
tidak O
semua O
informasi O
berita O
diperlukan. O
Hasil O
pengujian O
menunjukkan O
jika O
klasifikasi O
laju O
pertumbuhan O
PDB O
berhasil O
menunjukkan O
peningkatan O
performa O
dan O
mempersingkat O
waktu O
pemrosesan O
baik O
untuk O
machine O
learning O
dan O
transfer O
learning. O
Perbaikan O
akurasi O
secara O
rata-rata O
masing-masing O
sebesar O
0,0226 O
dan O
0,0164. O

Pergerakan O
dan O
Laju O
Pertumbuhan O
PDB O
Menggunakan O
Klasifikasi O
Berita O
Online O
Studi O
Kasus O
Portal O
Berita O
Detik.com O
Dinda O
Pusparahmi O
Sholawatunnisa O
( O
221910740 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Lya O
Hulliyyatus O
Suadaa O
, O
S.ST O
, O
M.T O
Ringkasan—Data O
Produk O
Domestik O
Bruto O
( O
PDB O
) O
merupakan O
informasi O
strategis O
yang O
dimanfaatkan O
banyak O
pihak. O
Dari O
pergerakan O
PDB O
dapat O
diketahui O
pola O
pertumbuhan O
ekonomi O
nasional O
serta O
sektor O
ekonomi O
yang O
mengalami O
peningkatan O
atau O
penurunan. O
Perkembangan O
teknologi O
terkini O
memungkinkan O
berita O
dirilis O
secara O
real-time. O
Berita O
online O
aktual O
terkait O
ekonomi O
yang O
tersedia O
secara O
masif O
dapat O
dijadikan O
sumber O
data O
alternatif O
yang O
potensial O
untuk O
analisis O
dinamika O
ekonomi. O
Penelitian O
ini O
bertujuan O
untuk O
mendeteksi B-TUJUAN
pergerakan I-TUJUAN
dan I-TUJUAN
laju I-TUJUAN
pertumbuhan I-TUJUAN
PDB I-TUJUAN
menggunakan I-TUJUAN
klasifikasi I-TUJUAN
berita I-TUJUAN
online. I-TUJUAN
Data O
dikumpulkan O
dengan O
teknik O
scraping O
berdasarkan O
kata O
kunci. O
Model O
klasifikasi B-METODE
yang O
diusulkan O
adalah O
learning O
dari O
pre-trained O
model O
Transformers O
, O
sedangkan O
algoritma O
machine O
learning O
digunakan O
sebagai O
baseline O
model. O
Berdasarkan O
hasil O
klasifikasi B-METODE
untuk O
deteksi B-TUJUAN
pergerakan I-TUJUAN
PDB I-TUJUAN
dan I-TUJUAN
laju I-TUJUAN
pertumbuhannya I-TUJUAN
, O
pre-trained B-TEMUAN
Transformers I-TEMUAN
dengan I-TEMUAN
model I-TEMUAN
IndoBERT I-TEMUAN
berhasil I-TEMUAN
melampaui I-TEMUAN
performa I-TEMUAN
machine I-TEMUAN
learning I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
terbaik I-TEMUAN
0.8880 I-TEMUAN
dan I-TEMUAN
0.7899. I-TEMUAN
SVM I-TEMUAN
memberikan I-TEMUAN
akurasi I-TEMUAN
terbaik I-TEMUAN
sebesar I-TEMUAN
0.8440 I-TEMUAN
dan I-TEMUAN
0.7811 I-TEMUAN
, I-TEMUAN
diantara I-TEMUAN
model I-TEMUAN
machine I-TEMUAN
learning. I-TEMUAN
Penelitian O
ini O
juga O
mengekstraksi O
fitur O
penting O
pada O
data O
berita O
panjang O
dengan O
sentences O
selection O
menggunakan O
prinsip O
text O
summarization O
dan O
pencarian O
kata O
kunci O
yang O
berhasil O
meningkatkan O
performa O
klasifikasi O
dan O
mempercepat O
waktu O
pemrosesan. O
transfer O
Kata O
Kunci—Pre-trained O
Transformers O
, O
Machine O
Learning O
, O
NLP O
, O
Transfer O
learning O
, O
Long O
Text O
handling O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dipaparkan O
dapat O
dibuat O
beberapa O
kesimpulan O
terkait O
tujuan O
penelitian O
yang O
diajukan O
, O
diantaranya O
sebagai O
berikut. O
1 O
) O
Dari O
penelitian O
telah O
dibangun O
dataset O
berita O
online O
untuk O
klasifikasi O
pergerakan O
dan O
laju O
pertumbuhan O
PDB. O
Dataset O
yang O
dibangun O
menghasilkan O
label O
yang O
tidak O
seimbang O
, O
namun O
penelitian O
ini O
tidak O
mengatasi O
masalah O
tersebut O
dan O
hanya O
melakukan O
klasifikasi O
untuk O
mendeteksi O
pergerakan O
dan O
laju O
pertumbuhan O
PDB O
2 O
) O
Klasifikasi B-METODE
berita O
online O
telah O
dilakukan O
untuk O
mendeteksi O
pergerakan O
dan O
laju O
pertumbuhan O
PDB. O
Hasil O
klasifikasi B-METODE
yang O
diperoleh O
dari O
transfer O
learning O
menggunakan O
pre- O
trained O
Transformers O
IndoBERT-Large O
memberikan O
performa O
yang O
lebih O
unggul O
untuk O
deteksi O
pergerakan O
PDB O
dan O
IndoBERT-Base O
untuk O
laju O
pertumbuhan O
PDB O
dibandingkan O
machine O
learning O
model O
berdasarkan O
metrik O
akurasi B-METODE
, I-METODE
presisi I-METODE
, I-METODE
recall I-METODE
, I-METODE
dan I-METODE
f1-score. I-METODE
Akurasi O
model O
klasifikasi O
terbaik O
untuk O
pergerakan O
dan O
laju O
pertumbuhan O
PDB O
masing-masing O
sebesar O
0,8881 O
dan O
0,7899. O
3 O
) O
Sentences O
selection O
diterapkan O
pada O
klasifikasi O
laju O
pertumbuhan O
PDB O
dalam O
tahap O
ekstraksi O
fitur O
penting O
berita O
untuk O
meningkatkan O
performa O
pada O
long-text O
classification O
dengan O
konteks O
klasifikasi O
spesifik O
, O
sehingga O
tidak O
semua O
informasi O
berita O
diperlukan. O
Hasil O
pengujian O
menunjukkan O
jika O
klasifikasi O
laju O
pertumbuhan O
PDB O
berhasil O
menunjukkan O
peningkatan O
performa O
dan O
mempersingkat O
waktu O
pemrosesan O
baik O
untuk O
machine O
learning O
dan O
transfer O
learning. O
Perbaikan O
akurasi O
secara O
rata-rata O
masing-masing O
sebesar O
0,0226 O
dan O
0,0164. O

Pendekatan O
Lean O
User O
Experience O
( O
Lean O
UX O
) O
dalam O
Perancangan O
Ulang O
Aplikasi O
SOBAT O
BPS O
Migunani O
Puspita O
Eugenia O
( O
221910737 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
SOBAT O
BPS O
merupakan O
layanan O
yang O
disediakan O
BPS O
untuk O
digunakan O
oleh O
petugas O
dan O
calon O
petugas O
mitra O
BPS O
di O
seluruh O
Indonesia. O
Sebelum O
merancang O
ulang O
aplikasi O
SOBAT O
BPS O
, O
survei O
pendahuluan O
dilakukan O
untuk O
mengetahui O
persepsi O
pengguna O
terhadap O
sistem O
yang O
saat O
ini O
berjalan O
menggunakan O
kuesioner O
evaluasi O
heuristik O
dan O
user O
experience O
questionnaire O
( O
UEQ O
) O
. O
Berdasarkan O
hasil O
survei O
pendahuluan O
yang O
diperoleh O
, O
diketahui O
bahwa O
terdapat O
permasalahan O
terkait O
penerapan O
prinsip O
heuristik O
pada O
aplikasi O
SOBAT O
BPS. O
Selain O
itu O
, O
hasil O
perhitungan O
skala O
UEQ O
menunjukkan O
bahwa O
hanya O
skala O
stimulasi O
yang O
mendapatkan O
peringkat O
baik. O
Oleh O
karena O
itu O
, O
tujuan O
penelitian O
ini O
adalah O
melakukan B-TUJUAN
perancangan I-TUJUAN
ulang I-TUJUAN
aplikasi I-TUJUAN
SOBAT I-TUJUAN
BPS I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
Lean I-TUJUAN
UX I-TUJUAN
serta I-TUJUAN
mengevaluasi I-TUJUAN
hasil I-TUJUAN
rancangan I-TUJUAN
ulang I-TUJUAN
menggunakan I-TUJUAN
evaluasi I-TUJUAN
heuristik I-TUJUAN
dan I-TUJUAN
UEQ. I-TUJUAN
Lean B-METODE
UX I-METODE
merupakan O
pendekatan O
desain O
yang O
berorientasi O
pada O
pengguna O
dengan O
berfokus O
untuk O
meminimalkan O
waktu O
dan O
sumber O
daya O
yang O
terbuang O
selama O
siklus O
desain. B-TEMUAN
Hasil I-TEMUAN
evaluasi I-TEMUAN
rancangan I-TEMUAN
ulang I-TEMUAN
aplikasi I-TEMUAN
SOBAT I-TEMUAN
BPS I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
rancangan I-TEMUAN
ulang I-TEMUAN
aplikasi I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dari I-TEMUAN
aplikasi I-TEMUAN
SOBAT I-TEMUAN
BPS I-TEMUAN
saat I-TEMUAN
ini. I-TEMUAN
Kata O
Kunci— O
SOBAT O
BPS O
, O
Lean O
UX O
, O
heuristik O
, O
UEQ O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
didapatkan O
kesimpulan O
bahwa O
penelitian B-TEMUAN
ini I-TEMUAN
berhasil I-TEMUAN
merancang I-TEMUAN
ulang I-TEMUAN
aplikasi I-TEMUAN
SOBAT I-TEMUAN
BPS I-TEMUAN
dengan I-TEMUAN
metode I-TEMUAN
Lean I-TEMUAN
UX. I-TEMUAN
Evaluasi B-METODE
rancangan O
ulang O
aplikasi O
SOBAT O
BPS O
menggunakan O
evaluasi B-METODE
heuristik I-METODE
dan I-METODE
UEQ I-METODE
memberikan O
nilai O
yang O
lebih O
baik O
dari O
aplikasi O
SOBAT O
BPS O
saat O
ini. O
Dengan O
demikian O
, O
hipotesis O
penelitian O
yang O
menyatakan O
bahwa O
hasil B-TEMUAN
rancangan I-TEMUAN
ulang I-TEMUAN
aplikasi I-TEMUAN
SOBAT I-TEMUAN
BPS I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dari I-TEMUAN
aplikasi I-TEMUAN
SOBAT I-TEMUAN
BPS I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
saat I-TEMUAN
ini I-TEMUAN
terbukti I-TEMUAN
benar. I-TEMUAN
Peneliti O
menyarankan O
untuk O
melakukan O
perbaikan O
masalah O
terkait O
prinsip O
consistency O
and O
standards O
dan O
help O
users O
recognize O
diagnose O
and O
recover O
from O
errors O
sehingga O
rancangan O
ulang O
aplikasi O
SOBAT O
BPS O
menjadi O
lebih O
baik O
lagi. O
Selain O
itu O
, O
saran O
bagi O
penelitian O
selanjutnya O
diharapkan O
prototipe O
dapat O
dikembangkan O
lebih O
lanjut O
dengan O
melibatkan O
sisi O
backend O
sehingga O
dapat O
diimplementasikan O
dalam O
aplikasi O
SOBAT O
BPS O
sesungguhnya. O

Pendekatan O
Lean O
User O
Experience O
( O
Lean O
UX O
) O
dalam O
Perancangan O
Ulang O
Aplikasi O
SOBAT O
BPS O
Migunani O
Puspita O
Eugenia O
( O
221910737 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
SOBAT O
BPS O
merupakan O
layanan O
yang O
disediakan O
BPS O
untuk O
digunakan O
oleh O
petugas O
dan O
calon O
petugas O
mitra O
BPS O
di O
seluruh O
Indonesia. O
Sebelum O
merancang O
ulang O
aplikasi O
SOBAT O
BPS O
, O
survei O
pendahuluan O
dilakukan O
untuk O
mengetahui O
persepsi O
pengguna O
terhadap O
sistem O
yang O
saat O
ini O
berjalan O
menggunakan O
kuesioner O
evaluasi O
heuristik O
dan O
user O
experience O
questionnaire O
( O
UEQ O
) O
. O
Berdasarkan O
hasil O
survei O
pendahuluan O
yang O
diperoleh O
, O
diketahui O
bahwa O
terdapat O
permasalahan O
terkait O
penerapan O
prinsip O
heuristik O
pada O
aplikasi O
SOBAT O
BPS. O
Selain O
itu O
, O
hasil O
perhitungan O
skala O
UEQ O
menunjukkan O
bahwa O
hanya O
skala O
stimulasi O
yang O
mendapatkan O
peringkat O
baik. O
Oleh O
karena O
itu O
, O
tujuan O
penelitian O
ini O
adalah O
melakukan B-TUJUAN
perancangan I-TUJUAN
ulang I-TUJUAN
aplikasi I-TUJUAN
SOBAT I-TUJUAN
BPS I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
Lean I-TUJUAN
UX I-TUJUAN
serta I-TUJUAN
mengevaluasi I-TUJUAN
hasil I-TUJUAN
rancangan I-TUJUAN
ulang I-TUJUAN
menggunakan I-TUJUAN
evaluasi I-TUJUAN
heuristik I-TUJUAN
dan I-TUJUAN
UEQ. I-TUJUAN
Lean B-METODE
UX I-METODE
merupakan O
pendekatan O
desain O
yang O
berorientasi O
pada O
pengguna O
dengan O
berfokus O
untuk O
meminimalkan O
waktu O
dan O
sumber O
daya O
yang O
terbuang O
selama O
siklus O
desain. B-TEMUAN
Hasil I-TEMUAN
evaluasi I-TEMUAN
rancangan I-TEMUAN
ulang I-TEMUAN
aplikasi I-TEMUAN
SOBAT I-TEMUAN
BPS I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
rancangan I-TEMUAN
ulang I-TEMUAN
aplikasi I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dari I-TEMUAN
aplikasi I-TEMUAN
SOBAT I-TEMUAN
BPS I-TEMUAN
saat I-TEMUAN
ini. I-TEMUAN
Kata O
Kunci— O
SOBAT O
BPS O
, O
Lean O
UX O
, O
heuristik O
, O
UEQ O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
didapatkan O
kesimpulan O
bahwa O
penelitian B-TEMUAN
ini I-TEMUAN
berhasil I-TEMUAN
merancang I-TEMUAN
ulang I-TEMUAN
aplikasi I-TEMUAN
SOBAT I-TEMUAN
BPS I-TEMUAN
dengan I-TEMUAN
metode I-TEMUAN
Lean I-TEMUAN
UX. I-TEMUAN
Evaluasi B-METODE
rancangan O
ulang O
aplikasi O
SOBAT O
BPS O
menggunakan O
evaluasi B-METODE
heuristik I-METODE
dan I-METODE
UEQ I-METODE
memberikan O
nilai O
yang O
lebih O
baik O
dari O
aplikasi O
SOBAT O
BPS O
saat O
ini. O
Dengan O
demikian O
, O
hipotesis O
penelitian O
yang O
menyatakan O
bahwa O
hasil B-TEMUAN
rancangan I-TEMUAN
ulang I-TEMUAN
aplikasi I-TEMUAN
SOBAT I-TEMUAN
BPS I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dari I-TEMUAN
aplikasi I-TEMUAN
SOBAT I-TEMUAN
BPS I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
saat I-TEMUAN
ini I-TEMUAN
terbukti I-TEMUAN
benar. I-TEMUAN
Peneliti O
menyarankan O
untuk O
melakukan O
perbaikan O
masalah O
terkait O
prinsip O
consistency O
and O
standards O
dan O
help O
users O
recognize O
diagnose O
and O
recover O
from O
errors O
sehingga O
rancangan O
ulang O
aplikasi O
SOBAT O
BPS O
menjadi O
lebih O
baik O
lagi. O
Selain O
itu O
, O
saran O
bagi O
penelitian O
selanjutnya O
diharapkan O
prototipe O
dapat O
dikembangkan O
lebih O
lanjut O
dengan O
melibatkan O
sisi O
backend O
sehingga O
dapat O
diimplementasikan O
dalam O
aplikasi O
SOBAT O
BPS O
sesungguhnya. O

Pendekatan O
Lean O
User O
Experience O
( O
Lean O
UX O
) O
dalam O
Perancangan O
Ulang O
Aplikasi O
SOBAT O
BPS O
Migunani O
Puspita O
Eugenia O
( O
221910737 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
SOBAT O
BPS O
merupakan O
layanan O
yang O
disediakan O
BPS O
untuk O
digunakan O
oleh O
petugas O
dan O
calon O
petugas O
mitra O
BPS O
di O
seluruh O
Indonesia. O
Sebelum O
merancang O
ulang O
aplikasi O
SOBAT O
BPS O
, O
survei O
pendahuluan O
dilakukan O
untuk O
mengetahui O
persepsi O
pengguna O
terhadap O
sistem O
yang O
saat O
ini O
berjalan O
menggunakan O
kuesioner O
evaluasi O
heuristik O
dan O
user O
experience O
questionnaire O
( O
UEQ O
) O
. O
Berdasarkan O
hasil O
survei O
pendahuluan O
yang O
diperoleh O
, O
diketahui O
bahwa O
terdapat O
permasalahan O
terkait O
penerapan O
prinsip O
heuristik O
pada O
aplikasi O
SOBAT O
BPS. O
Selain O
itu O
, O
hasil O
perhitungan O
skala O
UEQ O
menunjukkan O
bahwa O
hanya O
skala O
stimulasi O
yang O
mendapatkan O
peringkat O
baik. O
Oleh O
karena O
itu O
, O
tujuan O
penelitian O
ini O
adalah O
melakukan B-TUJUAN
perancangan I-TUJUAN
ulang I-TUJUAN
aplikasi I-TUJUAN
SOBAT I-TUJUAN
BPS I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
Lean I-TUJUAN
UX I-TUJUAN
serta I-TUJUAN
mengevaluasi I-TUJUAN
hasil I-TUJUAN
rancangan I-TUJUAN
ulang I-TUJUAN
menggunakan I-TUJUAN
evaluasi I-TUJUAN
heuristik I-TUJUAN
dan I-TUJUAN
UEQ. I-TUJUAN
Lean B-METODE
UX I-METODE
merupakan O
pendekatan O
desain O
yang O
berorientasi O
pada O
pengguna O
dengan O
berfokus O
untuk O
meminimalkan O
waktu O
dan O
sumber O
daya O
yang O
terbuang O
selama O
siklus O
desain. B-TEMUAN
Hasil I-TEMUAN
evaluasi I-TEMUAN
rancangan I-TEMUAN
ulang I-TEMUAN
aplikasi I-TEMUAN
SOBAT I-TEMUAN
BPS I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
rancangan I-TEMUAN
ulang I-TEMUAN
aplikasi I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dari I-TEMUAN
aplikasi I-TEMUAN
SOBAT I-TEMUAN
BPS I-TEMUAN
saat I-TEMUAN
ini. I-TEMUAN
Kata O
Kunci— O
SOBAT O
BPS O
, O
Lean O
UX O
, O
heuristik O
, O
UEQ O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
didapatkan O
kesimpulan O
bahwa O
penelitian B-TEMUAN
ini I-TEMUAN
berhasil I-TEMUAN
merancang I-TEMUAN
ulang I-TEMUAN
aplikasi I-TEMUAN
SOBAT I-TEMUAN
BPS I-TEMUAN
dengan I-TEMUAN
metode I-TEMUAN
Lean I-TEMUAN
UX. I-TEMUAN
Evaluasi B-METODE
rancangan O
ulang O
aplikasi O
SOBAT O
BPS O
menggunakan O
evaluasi B-METODE
heuristik I-METODE
dan I-METODE
UEQ I-METODE
memberikan O
nilai O
yang O
lebih O
baik O
dari O
aplikasi O
SOBAT O
BPS O
saat O
ini. O
Dengan O
demikian O
, O
hipotesis O
penelitian O
yang O
menyatakan O
bahwa O
hasil B-TEMUAN
rancangan I-TEMUAN
ulang I-TEMUAN
aplikasi I-TEMUAN
SOBAT I-TEMUAN
BPS I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dari I-TEMUAN
aplikasi I-TEMUAN
SOBAT I-TEMUAN
BPS I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
saat I-TEMUAN
ini I-TEMUAN
terbukti I-TEMUAN
benar. I-TEMUAN
Peneliti O
menyarankan O
untuk O
melakukan O
perbaikan O
masalah O
terkait O
prinsip O
consistency O
and O
standards O
dan O
help O
users O
recognize O
diagnose O
and O
recover O
from O
errors O
sehingga O
rancangan O
ulang O
aplikasi O
SOBAT O
BPS O
menjadi O
lebih O
baik O
lagi. O
Selain O
itu O
, O
saran O
bagi O
penelitian O
selanjutnya O
diharapkan O
prototipe O
dapat O
dikembangkan O
lebih O
lanjut O
dengan O
melibatkan O
sisi O
backend O
sehingga O
dapat O
diimplementasikan O
dalam O
aplikasi O
SOBAT O
BPS O
sesungguhnya. O

Pendekatan O
Lean O
User O
Experience O
( O
Lean O
UX O
) O
dalam O
Perancangan O
Ulang O
Aplikasi O
SOBAT O
BPS O
Migunani O
Puspita O
Eugenia O
( O
221910737 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
SOBAT O
BPS O
merupakan O
layanan O
yang O
disediakan O
BPS O
untuk O
digunakan O
oleh O
petugas O
dan O
calon O
petugas O
mitra O
BPS O
di O
seluruh O
Indonesia. O
Sebelum O
merancang O
ulang O
aplikasi O
SOBAT O
BPS O
, O
survei O
pendahuluan O
dilakukan O
untuk O
mengetahui O
persepsi O
pengguna O
terhadap O
sistem O
yang O
saat O
ini O
berjalan O
menggunakan O
kuesioner O
evaluasi O
heuristik O
dan O
user O
experience O
questionnaire O
( O
UEQ O
) O
. O
Berdasarkan O
hasil O
survei O
pendahuluan O
yang O
diperoleh O
, O
diketahui O
bahwa O
terdapat O
permasalahan O
terkait O
penerapan O
prinsip O
heuristik O
pada O
aplikasi O
SOBAT O
BPS. O
Selain O
itu O
, O
hasil O
perhitungan O
skala O
UEQ O
menunjukkan O
bahwa O
hanya O
skala O
stimulasi O
yang O
mendapatkan O
peringkat O
baik. O
Oleh O
karena O
itu O
, O
tujuan O
penelitian O
ini O
adalah O
melakukan B-TUJUAN
perancangan I-TUJUAN
ulang I-TUJUAN
aplikasi I-TUJUAN
SOBAT I-TUJUAN
BPS I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
Lean I-TUJUAN
UX I-TUJUAN
serta I-TUJUAN
mengevaluasi I-TUJUAN
hasil I-TUJUAN
rancangan I-TUJUAN
ulang I-TUJUAN
menggunakan I-TUJUAN
evaluasi I-TUJUAN
heuristik I-TUJUAN
dan I-TUJUAN
UEQ. I-TUJUAN
Lean B-METODE
UX I-METODE
merupakan O
pendekatan O
desain O
yang O
berorientasi O
pada O
pengguna O
dengan O
berfokus O
untuk O
meminimalkan O
waktu O
dan O
sumber O
daya O
yang O
terbuang O
selama O
siklus O
desain. B-TEMUAN
Hasil I-TEMUAN
evaluasi I-TEMUAN
rancangan I-TEMUAN
ulang I-TEMUAN
aplikasi I-TEMUAN
SOBAT I-TEMUAN
BPS I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
rancangan I-TEMUAN
ulang I-TEMUAN
aplikasi I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dari I-TEMUAN
aplikasi I-TEMUAN
SOBAT I-TEMUAN
BPS I-TEMUAN
saat I-TEMUAN
ini. I-TEMUAN
Kata O
Kunci— O
SOBAT O
BPS O
, O
Lean O
UX O
, O
heuristik O
, O
UEQ O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
didapatkan O
kesimpulan O
bahwa O
penelitian B-TEMUAN
ini I-TEMUAN
berhasil I-TEMUAN
merancang I-TEMUAN
ulang I-TEMUAN
aplikasi I-TEMUAN
SOBAT I-TEMUAN
BPS I-TEMUAN
dengan I-TEMUAN
metode I-TEMUAN
Lean I-TEMUAN
UX. I-TEMUAN
Evaluasi B-METODE
rancangan O
ulang O
aplikasi O
SOBAT O
BPS O
menggunakan O
evaluasi B-METODE
heuristik I-METODE
dan I-METODE
UEQ I-METODE
memberikan O
nilai O
yang O
lebih O
baik O
dari O
aplikasi O
SOBAT O
BPS O
saat O
ini. O
Dengan O
demikian O
, O
hipotesis O
penelitian O
yang O
menyatakan O
bahwa O
hasil B-TEMUAN
rancangan I-TEMUAN
ulang I-TEMUAN
aplikasi I-TEMUAN
SOBAT I-TEMUAN
BPS I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dari I-TEMUAN
aplikasi I-TEMUAN
SOBAT I-TEMUAN
BPS I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
saat I-TEMUAN
ini I-TEMUAN
terbukti I-TEMUAN
benar. I-TEMUAN
Peneliti O
menyarankan O
untuk O
melakukan O
perbaikan O
masalah O
terkait O
prinsip O
consistency O
and O
standards O
dan O
help O
users O
recognize O
diagnose O
and O
recover O
from O
errors O
sehingga O
rancangan O
ulang O
aplikasi O
SOBAT O
BPS O
menjadi O
lebih O
baik O
lagi. O
Selain O
itu O
, O
saran O
bagi O
penelitian O
selanjutnya O
diharapkan O
prototipe O
dapat O
dikembangkan O
lebih O
lanjut O
dengan O
melibatkan O
sisi O
backend O
sehingga O
dapat O
diimplementasikan O
dalam O
aplikasi O
SOBAT O
BPS O
sesungguhnya. O

Perancangan O
Aplikasi O
Evaluasi O
Atas O
Implementasi O
SAKIP O
BPS O
Marya O
Zahra O
Aliffio O
Krisfianda O
( O
221910730 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
SST. O
, O
M.T. O
fungsional O
Ringkasan— O
Inspektorat O
Utama O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
bertugas O
melakukan O
terhadap O
pengawasan O
pelaksanaan O
tugas O
di O
lingkungan O
BPS. O
Salah O
satu O
bentuk O
pelaksanaan O
tugas O
tersebut O
adalah O
dengan O
melakukan O
evaluasi O
atas O
implementasi O
Sistem O
Akuntabilitas O
Kinerja O
Instansi O
Pemerintah O
( O
SAKIP O
) O
atau O
evaluasi O
AKIP. O
Evaluasi O
AKIP O
dilakukan O
untuk O
meningkatan O
akuntabilitas O
dan O
kinerja O
instansi O
pemerintah. O
Namun O
, O
saat O
ini O
sistem O
yang O
digunakan O
masih O
kurang O
efisien O
dalam O
mengevaluasi O
ratusan O
unit O
kerja O
BPS O
yang O
tersebar O
di O
seluruh O
Indonesia. O
Sehingga O
diperlukan O
sistem O
aplikasi O
yang O
lebih O
efisien. O
Berdasarkan O
permasalahan O
tersebut O
, O
peneliti O
melakukan O
penelitian O
untuk O
merancang B-TUJUAN
dan I-TUJUAN
mendesain I-TUJUAN
sistem I-TUJUAN
yang I-TUJUAN
lebih I-TUJUAN
efisien I-TUJUAN
dalam I-TUJUAN
mengevaluasi I-TUJUAN
implementasi I-TUJUAN
atas I-TUJUAN
SAKIP. I-TUJUAN
Perancangan O
sistem O
dilakukan O
dengan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
Waterfall. I-METODE
Hasil O
dari O
ini O
berupa O
rancangan O
aplikasi O
evaluasi O
atas O
penelitian O
implemntasi O
SAKIP O
serta O
Product O
Requirement O
Document O
( O
PRD O
) O
dan O
Functional O
Specification O
Document O
( O
FSD O
) O
yang O
telah O
disetujui O
oleh O
tim O
TI O
buntama O
dan O
disahkan O
oleh O
kepala O
bagian O
umum O
inspektorat O
utama O
BPS. O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
, I-TEMUAN
rancangan I-TEMUAN
yang I-TEMUAN
dibuat I-TEMUAN
sudah I-TEMUAN
konsisten I-TEMUAN
, I-TEMUAN
sesuai I-TEMUAN
kebutuhan I-TEMUAN
pengguna I-TEMUAN
dan I-TEMUAN
memiliki I-TEMUAN
tingkat I-TEMUAN
kepuasan I-TEMUAN
7,6375 I-TEMUAN
berdasarkan I-TEMUAN
QUIS. I-TEMUAN
Kata O
Kunci— O
Evaluasi O
AKIP O
, O
SAKIP O
, O
SDLC O
waterfall O
, O
consistency O
analysis. O
[SEP] O
Aplikasi O
evaluasi O
atas O
implementasi O
SAKIP O
telah O
dirancang O
untuk O
dapat O
mengumpulkan O
dan O
menampilkan O
seluruh O
informasi O
, O
data O
, O
dan O
dokumen O
terkait O
evaluasi O
atas O
implementasi O
SAKIP O
dalam O
satu O
aplikasi O
serta O
dapat O
mempermudah O
dalam O
penyusunan O
LKE O
dan O
KKE O
sehingga O
dapat O
lebih O
menghemat O
waktu O
dan O
tenaga. O
Aplikasi O
juga O
dirancang O
dengan O
fitur O
kunci O
penilaian O
LKE. O
Rancangan O
aplikasi O
dengan O
menandatangi O
Product O
Requirement O
Document O
( O
PRD O
) O
dan O
Functional O
Specification O
Document O
( O
FSD O
) O
. O
Dokumen O
tersebut O
juga O
telah O
disahkan O
oleh O
kepala O
bagian O
umum O
inspektorat O
utama O
BPS. O
Berdasarkan B-TEMUAN
evaluasi I-TEMUAN
dengan I-TEMUAN
consistency I-TEMUAN
analysis I-TEMUAN
, I-TEMUAN
rancangan I-TEMUAN
yang I-TEMUAN
dibuat I-TEMUAN
sudah I-TEMUAN
konsisten I-TEMUAN
, I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
tujuan I-TEMUAN
dibutuhkannya I-TEMUAN
aplikasi I-TEMUAN
evaluasi I-TEMUAN
atas I-TEMUAN
implementasi I-TEMUAN
SAKIP. I-TEMUAN
Berdasarkan I-TEMUAN
QUIS I-TEMUAN
, I-TEMUAN
didapatkan I-TEMUAN
bahwa I-TEMUAN
pengguna I-TEMUAN
telah I-TEMUAN
cukup I-TEMUAN
puas I-TEMUAN
dengan I-TEMUAN
antarmuka I-TEMUAN
aplikasi I-TEMUAN
yang I-TEMUAN
dirancang. I-TEMUAN
narasumber O
dievaluasi O
telah O
oleh O
Setelah O
mengevaluasi O
dan O
menyetujui O
rancangan O
telah O
disusun O
, O
peneliti O
menyusun O
Product O
yang O
( O
PRD O
) O
dan O
Functional O
Requirement O
Document O
Specification O
Document O
Selanjutnya O
, O
narasumber O
dan O
tim O
TI O
buntama O
inspektorat O
utama O
BPS O
menandatangi O
dokumen O
tersebut O
sebagai O
bukti O
bahwa O
rancangan O
aplikasi O
evaluasi O
atas O
implementasi O
SAKIP O
telah O
dievaluasi O
dan O
disetujui. O
Dokumen O
tersebut O
juga O
telah O
disahkan O
oleh O
kepala O
bagian O
umum O
inspektorat O
utama O
BPS. O
( O
FSD O
) O
. O
2. O
Consistency O
analysis O
yaitu O
layer O
, O
process O
business O
Selain O
melalui O
wawancara O
, O
hasil O
perancangan O
juga O
dievaluasi O
menggunakan O
metode O
consistency O
analysis. O
Metode O
ini O
melakukan O
identifikasi O
pada O
4 O
komponen O
layer O
, O
layer O
, O
requirements O
layer O
, O
dan O
specification O
layer. O
Setelah O
mengidentifikasi O
layer O
, O
didapatkan O
kebutuhan O
yang O
konsisten O
( O
A O
) O
berjumlah O
83 O
, O
total O
elemen O
kebutuhan O
( O
B O
) O
berjumlah O
83 O
, O
dengan O
rincian O
3 O
business O
layer O
, O
16 O
process O
layer O
, O
dan O
32 O
specification O
layer. O
Tidak O
ada O
elemen O
kebutuhan O
yang O
tidak O
terdefinisi O
( O
C O
) O
. O
Setiap O
nilai O
A O
, O
B O
, O
dan O
C O
, O
dimasukkan O
dalam O
rumus O
RCI O
dan O
menghasilkan O
nilai O
100 O
% O
. O
Sehingga O
, O
terbukti O
bahwa O
hasil O
analisa O
dan O
perancangan O
sudah O
sesuai O
dan O
konsisten O
dengan O
kebutuhan O
sistem. O
layer O
, O
32 O
requirements O

Perancangan O
Aplikasi O
Evaluasi O
Atas O
Implementasi O
SAKIP O
BPS O
Marya O
Zahra O
Aliffio O
Krisfianda O
( O
221910730 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
SST. O
, O
M.T. O
fungsional O
Ringkasan— O
Inspektorat O
Utama O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
bertugas O
melakukan O
terhadap O
pengawasan O
pelaksanaan O
tugas O
di O
lingkungan O
BPS. O
Salah O
satu O
bentuk O
pelaksanaan O
tugas O
tersebut O
adalah O
dengan O
melakukan O
evaluasi O
atas O
implementasi O
Sistem O
Akuntabilitas O
Kinerja O
Instansi O
Pemerintah O
( O
SAKIP O
) O
atau O
evaluasi O
AKIP. O
Evaluasi O
AKIP O
dilakukan O
untuk O
meningkatan O
akuntabilitas O
dan O
kinerja O
instansi O
pemerintah. O
Namun O
, O
saat O
ini O
sistem O
yang O
digunakan O
masih O
kurang O
efisien O
dalam O
mengevaluasi O
ratusan O
unit O
kerja O
BPS O
yang O
tersebar O
di O
seluruh O
Indonesia. O
Sehingga O
diperlukan O
sistem O
aplikasi O
yang O
lebih O
efisien. O
Berdasarkan O
permasalahan O
tersebut O
, O
peneliti O
melakukan O
penelitian O
untuk O
merancang B-TUJUAN
dan I-TUJUAN
mendesain I-TUJUAN
sistem I-TUJUAN
yang I-TUJUAN
lebih I-TUJUAN
efisien I-TUJUAN
dalam I-TUJUAN
mengevaluasi I-TUJUAN
implementasi I-TUJUAN
atas I-TUJUAN
SAKIP. I-TUJUAN
Perancangan O
sistem O
dilakukan O
dengan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
Waterfall. I-METODE
Hasil O
dari O
ini O
berupa O
rancangan O
aplikasi O
evaluasi O
atas O
penelitian O
implemntasi O
SAKIP O
serta O
Product O
Requirement O
Document O
( O
PRD O
) O
dan O
Functional O
Specification O
Document O
( O
FSD O
) O
yang O
telah O
disetujui O
oleh O
tim O
TI O
buntama O
dan O
disahkan O
oleh O
kepala O
bagian O
umum O
inspektorat O
utama O
BPS. O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
, I-TEMUAN
rancangan I-TEMUAN
yang I-TEMUAN
dibuat I-TEMUAN
sudah I-TEMUAN
konsisten I-TEMUAN
, I-TEMUAN
sesuai I-TEMUAN
kebutuhan I-TEMUAN
pengguna I-TEMUAN
dan I-TEMUAN
memiliki I-TEMUAN
tingkat I-TEMUAN
kepuasan I-TEMUAN
7,6375 I-TEMUAN
berdasarkan I-TEMUAN
QUIS. I-TEMUAN
Kata O
Kunci— O
Evaluasi O
AKIP O
, O
SAKIP O
, O
SDLC O
waterfall O
, O
consistency O
analysis. O
[SEP] O
Aplikasi O
evaluasi O
atas O
implementasi O
SAKIP O
telah O
dirancang O
untuk O
dapat O
mengumpulkan O
dan O
menampilkan O
seluruh O
informasi O
, O
data O
, O
dan O
dokumen O
terkait O
evaluasi O
atas O
implementasi O
SAKIP O
dalam O
satu O
aplikasi O
serta O
dapat O
mempermudah O
dalam O
penyusunan O
LKE O
dan O
KKE O
sehingga O
dapat O
lebih O
menghemat O
waktu O
dan O
tenaga. O
Aplikasi O
juga O
dirancang O
dengan O
fitur O
kunci O
penilaian O
LKE. O
Rancangan O
aplikasi O
dengan O
menandatangi O
Product O
Requirement O
Document O
( O
PRD O
) O
dan O
Functional O
Specification O
Document O
( O
FSD O
) O
. O
Dokumen O
tersebut O
juga O
telah O
disahkan O
oleh O
kepala O
bagian O
umum O
inspektorat O
utama O
BPS. O
Berdasarkan B-TEMUAN
evaluasi I-TEMUAN
dengan I-TEMUAN
consistency I-TEMUAN
analysis I-TEMUAN
, I-TEMUAN
rancangan I-TEMUAN
yang I-TEMUAN
dibuat I-TEMUAN
sudah I-TEMUAN
konsisten I-TEMUAN
, I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
tujuan I-TEMUAN
dibutuhkannya I-TEMUAN
aplikasi I-TEMUAN
evaluasi I-TEMUAN
atas I-TEMUAN
implementasi I-TEMUAN
SAKIP. I-TEMUAN
Berdasarkan I-TEMUAN
QUIS I-TEMUAN
, I-TEMUAN
didapatkan I-TEMUAN
bahwa I-TEMUAN
pengguna I-TEMUAN
telah I-TEMUAN
cukup I-TEMUAN
puas I-TEMUAN
dengan I-TEMUAN
antarmuka I-TEMUAN
aplikasi I-TEMUAN
yang I-TEMUAN
dirancang. I-TEMUAN
narasumber O
dievaluasi O
telah O
oleh O
Setelah O
mengevaluasi O
dan O
menyetujui O
rancangan O
telah O
disusun O
, O
peneliti O
menyusun O
Product O
yang O
( O
PRD O
) O
dan O
Functional O
Requirement O
Document O
Specification O
Document O
Selanjutnya O
, O
narasumber O
dan O
tim O
TI O
buntama O
inspektorat O
utama O
BPS O
menandatangi O
dokumen O
tersebut O
sebagai O
bukti O
bahwa O
rancangan O
aplikasi O
evaluasi O
atas O
implementasi O
SAKIP O
telah O
dievaluasi O
dan O
disetujui. O
Dokumen O
tersebut O
juga O
telah O
disahkan O
oleh O
kepala O
bagian O
umum O
inspektorat O
utama O
BPS. O
( O
FSD O
) O
. O
2. O
Consistency O
analysis O
yaitu O
layer O
, O
process O
business O
Selain O
melalui O
wawancara O
, O
hasil O
perancangan O
juga O
dievaluasi O
menggunakan O
metode O
consistency O
analysis. O
Metode O
ini O
melakukan O
identifikasi O
pada O
4 O
komponen O
layer O
, O
layer O
, O
requirements O
layer O
, O
dan O
specification O
layer. O
Setelah O
mengidentifikasi O
layer O
, O
didapatkan O
kebutuhan O
yang O
konsisten O
( O
A O
) O
berjumlah O
83 O
, O
total O
elemen O
kebutuhan O
( O
B O
) O
berjumlah O
83 O
, O
dengan O
rincian O
3 O
business O
layer O
, O
16 O
process O
layer O
, O
dan O
32 O
specification O
layer. O
Tidak O
ada O
elemen O
kebutuhan O
yang O
tidak O
terdefinisi O
( O
C O
) O
. O
Setiap O
nilai O
A O
, O
B O
, O
dan O
C O
, O
dimasukkan O
dalam O
rumus O
RCI O
dan O
menghasilkan O
nilai O
100 O
% O
. O
Sehingga O
, O
terbukti O
bahwa O
hasil O
analisa O
dan O
perancangan O
sudah O
sesuai O
dan O
konsisten O
dengan O
kebutuhan O
sistem. O
layer O
, O
32 O
requirements O

Perancangan O
Aplikasi O
Evaluasi O
Atas O
Implementasi O
SAKIP O
BPS O
Marya O
Zahra O
Aliffio O
Krisfianda O
( O
221910730 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
SST. O
, O
M.T. O
fungsional O
Ringkasan— O
Inspektorat O
Utama O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
bertugas O
melakukan O
terhadap O
pengawasan O
pelaksanaan O
tugas O
di O
lingkungan O
BPS. O
Salah O
satu O
bentuk O
pelaksanaan O
tugas O
tersebut O
adalah O
dengan O
melakukan O
evaluasi O
atas O
implementasi O
Sistem O
Akuntabilitas O
Kinerja O
Instansi O
Pemerintah O
( O
SAKIP O
) O
atau O
evaluasi O
AKIP. O
Evaluasi O
AKIP O
dilakukan O
untuk O
meningkatan O
akuntabilitas O
dan O
kinerja O
instansi O
pemerintah. O
Namun O
, O
saat O
ini O
sistem O
yang O
digunakan O
masih O
kurang O
efisien O
dalam O
mengevaluasi O
ratusan O
unit O
kerja O
BPS O
yang O
tersebar O
di O
seluruh O
Indonesia. O
Sehingga O
diperlukan O
sistem O
aplikasi O
yang O
lebih O
efisien. O
Berdasarkan O
permasalahan O
tersebut O
, O
peneliti O
melakukan O
penelitian O
untuk O
merancang B-TUJUAN
dan I-TUJUAN
mendesain I-TUJUAN
sistem I-TUJUAN
yang I-TUJUAN
lebih I-TUJUAN
efisien I-TUJUAN
dalam I-TUJUAN
mengevaluasi I-TUJUAN
implementasi I-TUJUAN
atas I-TUJUAN
SAKIP. I-TUJUAN
Perancangan O
sistem O
dilakukan O
dengan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
Waterfall. I-METODE
Hasil O
dari O
ini O
berupa O
rancangan O
aplikasi O
evaluasi O
atas O
penelitian O
implemntasi O
SAKIP O
serta O
Product O
Requirement O
Document O
( O
PRD O
) O
dan O
Functional O
Specification O
Document O
( O
FSD O
) O
yang O
telah O
disetujui O
oleh O
tim O
TI O
buntama O
dan O
disahkan O
oleh O
kepala O
bagian O
umum O
inspektorat O
utama O
BPS. O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
, I-TEMUAN
rancangan I-TEMUAN
yang I-TEMUAN
dibuat I-TEMUAN
sudah I-TEMUAN
konsisten I-TEMUAN
, I-TEMUAN
sesuai I-TEMUAN
kebutuhan I-TEMUAN
pengguna I-TEMUAN
dan I-TEMUAN
memiliki I-TEMUAN
tingkat I-TEMUAN
kepuasan I-TEMUAN
7,6375 I-TEMUAN
berdasarkan I-TEMUAN
QUIS. I-TEMUAN
Kata O
Kunci— O
Evaluasi O
AKIP O
, O
SAKIP O
, O
SDLC O
waterfall O
, O
consistency O
analysis. O
[SEP] O
Aplikasi O
evaluasi O
atas O
implementasi O
SAKIP O
telah O
dirancang O
untuk O
dapat O
mengumpulkan O
dan O
menampilkan O
seluruh O
informasi O
, O
data O
, O
dan O
dokumen O
terkait O
evaluasi O
atas O
implementasi O
SAKIP O
dalam O
satu O
aplikasi O
serta O
dapat O
mempermudah O
dalam O
penyusunan O
LKE O
dan O
KKE O
sehingga O
dapat O
lebih O
menghemat O
waktu O
dan O
tenaga. O
Aplikasi O
juga O
dirancang O
dengan O
fitur O
kunci O
penilaian O
LKE. O
Rancangan O
aplikasi O
dengan O
menandatangi O
Product O
Requirement O
Document O
( O
PRD O
) O
dan O
Functional O
Specification O
Document O
( O
FSD O
) O
. O
Dokumen O
tersebut O
juga O
telah O
disahkan O
oleh O
kepala O
bagian O
umum O
inspektorat O
utama O
BPS. O
Berdasarkan B-TEMUAN
evaluasi I-TEMUAN
dengan I-TEMUAN
consistency I-TEMUAN
analysis I-TEMUAN
, I-TEMUAN
rancangan I-TEMUAN
yang I-TEMUAN
dibuat I-TEMUAN
sudah I-TEMUAN
konsisten I-TEMUAN
, I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
tujuan I-TEMUAN
dibutuhkannya I-TEMUAN
aplikasi I-TEMUAN
evaluasi I-TEMUAN
atas I-TEMUAN
implementasi I-TEMUAN
SAKIP. I-TEMUAN
Berdasarkan I-TEMUAN
QUIS I-TEMUAN
, I-TEMUAN
didapatkan I-TEMUAN
bahwa I-TEMUAN
pengguna I-TEMUAN
telah I-TEMUAN
cukup I-TEMUAN
puas I-TEMUAN
dengan I-TEMUAN
antarmuka I-TEMUAN
aplikasi I-TEMUAN
yang I-TEMUAN
dirancang. I-TEMUAN
narasumber O
dievaluasi O
telah O
oleh O
Setelah O
mengevaluasi O
dan O
menyetujui O
rancangan O
telah O
disusun O
, O
peneliti O
menyusun O
Product O
yang O
( O
PRD O
) O
dan O
Functional O
Requirement O
Document O
Specification O
Document O
Selanjutnya O
, O
narasumber O
dan O
tim O
TI O
buntama O
inspektorat O
utama O
BPS O
menandatangi O
dokumen O
tersebut O
sebagai O
bukti O
bahwa O
rancangan O
aplikasi O
evaluasi O
atas O
implementasi O
SAKIP O
telah O
dievaluasi O
dan O
disetujui. O
Dokumen O
tersebut O
juga O
telah O
disahkan O
oleh O
kepala O
bagian O
umum O
inspektorat O
utama O
BPS. O
( O
FSD O
) O
. O
2. O
Consistency O
analysis O
yaitu O
layer O
, O
process O
business O
Selain O
melalui O
wawancara O
, O
hasil O
perancangan O
juga O
dievaluasi O
menggunakan O
metode O
consistency O
analysis. O
Metode O
ini O
melakukan O
identifikasi O
pada O
4 O
komponen O
layer O
, O
layer O
, O
requirements O
layer O
, O
dan O
specification O
layer. O
Setelah O
mengidentifikasi O
layer O
, O
didapatkan O
kebutuhan O
yang O
konsisten O
( O
A O
) O
berjumlah O
83 O
, O
total O
elemen O
kebutuhan O
( O
B O
) O
berjumlah O
83 O
, O
dengan O
rincian O
3 O
business O
layer O
, O
16 O
process O
layer O
, O
dan O
32 O
specification O
layer. O
Tidak O
ada O
elemen O
kebutuhan O
yang O
tidak O
terdefinisi O
( O
C O
) O
. O
Setiap O
nilai O
A O
, O
B O
, O
dan O
C O
, O
dimasukkan O
dalam O
rumus O
RCI O
dan O
menghasilkan O
nilai O
100 O
% O
. O
Sehingga O
, O
terbukti O
bahwa O
hasil O
analisa O
dan O
perancangan O
sudah O
sesuai O
dan O
konsisten O
dengan O
kebutuhan O
sistem. O
layer O
, O
32 O
requirements O

Prediksi O
Harga O
Saham O
Menggunakan O
Bidirectional O
Long O
Short O
Term O
Memory O
( O
BiLSTM O
) O
Studi O
Kasus O
: O
Saham O
Bank O
Central O
Asia O
( O
BCA O
) O
Zubaidah O
Pangestika O
( O
221910723 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Bony O
Parulian O
Josaphat O
, O
S.Si. O
, O
M.Si O
hal O
Ringkasan— O
Saham O
merupakan O
yang O
mampu O
menciptakan O
keuntungan O
bagi O
investor. O
Akan O
tetapi O
, O
saham O
memiliki O
sifat O
berfluktuasi O
sehingga O
dapat O
menyebabkan O
risiko O
yang O
harus O
ditanggung. O
Oleh O
karena O
itu O
diperlukan O
prediksi O
harga O
untuk O
mengurangi O
risiko O
tersebut. O
Prediksi O
harga O
saham O
dapat O
dilakukan O
dengan O
berbagai O
metode O
, O
salah O
satunya O
menggunakan O
deep O
learning. O
Metode O
tersebut O
adalah O
bagian O
dari O
machine O
learning O
yang O
memiliki O
performa O
optimal. O
Penelitian O
ini O
bertujuan O
melakukan B-TUJUAN
prediksi I-TUJUAN
harga I-TUJUAN
saham I-TUJUAN
menggunakan I-TUJUAN
deep I-TUJUAN
learning I-TUJUAN
metode I-TUJUAN
Bidirectional I-TUJUAN
Long I-TUJUAN
Short I-TUJUAN
Term I-TUJUAN
Memory I-TUJUAN
( I-TUJUAN
BiLSTM I-TUJUAN
) I-TUJUAN
dengan I-TUJUAN
studi I-TUJUAN
kasus I-TUJUAN
data I-TUJUAN
harga I-TUJUAN
saham I-TUJUAN
Bank I-TUJUAN
Central I-TUJUAN
Asia I-TUJUAN
( I-TUJUAN
BCA I-TUJUAN
) I-TUJUAN
. I-TUJUAN
Untuk O
memaksimalkan O
hasil O
prediksi O
, O
dilakukan O
hyperparameter O
tuning O
menggunakan O
Grid O
Search O
CV O
dalam O
mencari O
besarnya O
unit O
BiLSTM O
layer O
, O
dense O
layer O
, O
dan O
dropout. O
Prediksi B-TEMUAN
metode I-TEMUAN
BiLSTM I-TEMUAN
terbaik I-TEMUAN
menghasilkan I-TEMUAN
nilai I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
235,795 I-TEMUAN
, I-TEMUAN
R-square I-TEMUAN
sebesar I-TEMUAN
96,2 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
MAPE I-TEMUAN
2,8 I-TEMUAN
% I-TEMUAN
yang I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
model I-TEMUAN
sudah I-TEMUAN
sangat I-TEMUAN
baik. I-TEMUAN
Selain I-TEMUAN
itu I-TEMUAN
, I-TEMUAN
BiLSTM I-TEMUAN
dapat I-TEMUAN
mereduksi I-TEMUAN
besarnya I-TEMUAN
nilai I-TEMUAN
RMSE I-TEMUAN
dan I-TEMUAN
mampu I-TEMUAN
memprediksi I-TEMUAN
harga I-TEMUAN
saham I-TEMUAN
bank I-TEMUAN
BCA I-TEMUAN
dengan I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dibandingkan I-TEMUAN
CNN I-TEMUAN
serta I-TEMUAN
LSTM. I-TEMUAN
Kata O
Kunci— O
Harga O
saham O
, O
Deep O
learning O
, O
BiLSTM O
, O
Grid O
search. O
[SEP] O
Berdasarkan O
hasil O
yang O
diperoleh O
, O
dapat O
disimpulkan O
bahwa O
prediksi O
terbaik O
metode O
BiLSTM O
adalah O
menggunakan O
layer O
BiLSTM O
dengan O
unit O
sebesar O
128 O
, O
dropout O
layer O
sebesar O
0,1 O
, O
dan O
dense O
layer O
sebesar O
16 O
dengan O
timesteps O
5. O
Model O
prediksi O
tersebut O
menghasilkan O
nilai O
RMSE B-METODE
sebesar O
235,795 O
, O
R-square B-METODE
sebesar O
96,2 O
% O
, O
dan O
MAPE B-METODE
2,8 O
% O
yang O
menunjukkan O
bahwa O
model B-TEMUAN
prediksi I-TEMUAN
sudah I-TEMUAN
sangat I-TEMUAN
baik. I-TEMUAN
Selain O
itu O
, O
penggunaan O
metode O
BiLSTM O
memberikan O
hasil O
yang O
lebih O
baik O
dibandingkan O
CNN O
dan O
LSTM O
dalam O
memprediksi O
harga O
saham O
bank O
BCA O
karena O
memiliki O
nilai O
RMSE O
dan O
MAPE O
yang O
rendah O
serta O
R-square O
yang O
lebih O
tinggi. O
8 O
/ O
9 O

Prediksi O
Harga O
Saham O
Menggunakan O
Bidirectional O
Long O
Short O
Term O
Memory O
( O
BiLSTM O
) O
Studi O
Kasus O
: O
Saham O
Bank O
Central O
Asia O
( O
BCA O
) O
Zubaidah O
Pangestika O
( O
221910723 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Bony O
Parulian O
Josaphat O
, O
S.Si. O
, O
M.Si O
hal O
Ringkasan— O
Saham O
merupakan O
yang O
mampu O
menciptakan O
keuntungan O
bagi O
investor. O
Akan O
tetapi O
, O
saham O
memiliki O
sifat O
berfluktuasi O
sehingga O
dapat O
menyebabkan O
risiko O
yang O
harus O
ditanggung. O
Oleh O
karena O
itu O
diperlukan O
prediksi O
harga O
untuk O
mengurangi O
risiko O
tersebut. O
Prediksi O
harga O
saham O
dapat O
dilakukan O
dengan O
berbagai O
metode O
, O
salah O
satunya O
menggunakan O
deep O
learning. O
Metode O
tersebut O
adalah O
bagian O
dari O
machine O
learning O
yang O
memiliki O
performa O
optimal. O
Penelitian O
ini O
bertujuan O
melakukan B-TUJUAN
prediksi I-TUJUAN
harga I-TUJUAN
saham I-TUJUAN
menggunakan I-TUJUAN
deep I-TUJUAN
learning I-TUJUAN
metode I-TUJUAN
Bidirectional I-TUJUAN
Long I-TUJUAN
Short I-TUJUAN
Term I-TUJUAN
Memory I-TUJUAN
( I-TUJUAN
BiLSTM I-TUJUAN
) I-TUJUAN
dengan I-TUJUAN
studi I-TUJUAN
kasus I-TUJUAN
data I-TUJUAN
harga I-TUJUAN
saham I-TUJUAN
Bank I-TUJUAN
Central I-TUJUAN
Asia I-TUJUAN
( I-TUJUAN
BCA I-TUJUAN
) I-TUJUAN
. I-TUJUAN
Untuk O
memaksimalkan O
hasil O
prediksi O
, O
dilakukan O
hyperparameter O
tuning O
menggunakan O
Grid O
Search O
CV O
dalam O
mencari O
besarnya O
unit O
BiLSTM O
layer O
, O
dense O
layer O
, O
dan O
dropout. O
Prediksi B-TEMUAN
metode I-TEMUAN
BiLSTM I-TEMUAN
terbaik I-TEMUAN
menghasilkan I-TEMUAN
nilai I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
235,795 I-TEMUAN
, I-TEMUAN
R-square I-TEMUAN
sebesar I-TEMUAN
96,2 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
MAPE I-TEMUAN
2,8 I-TEMUAN
% I-TEMUAN
yang I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
model I-TEMUAN
sudah I-TEMUAN
sangat I-TEMUAN
baik. I-TEMUAN
Selain I-TEMUAN
itu I-TEMUAN
, I-TEMUAN
BiLSTM I-TEMUAN
dapat I-TEMUAN
mereduksi I-TEMUAN
besarnya I-TEMUAN
nilai I-TEMUAN
RMSE I-TEMUAN
dan I-TEMUAN
mampu I-TEMUAN
memprediksi I-TEMUAN
harga I-TEMUAN
saham I-TEMUAN
bank I-TEMUAN
BCA I-TEMUAN
dengan I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dibandingkan I-TEMUAN
CNN I-TEMUAN
serta I-TEMUAN
LSTM. I-TEMUAN
Kata O
Kunci— O
Harga O
saham O
, O
Deep O
learning O
, O
BiLSTM O
, O
Grid O
search. O
[SEP] O
Berdasarkan O
hasil O
yang O
diperoleh O
, O
dapat O
disimpulkan O
bahwa O
prediksi O
terbaik O
metode O
BiLSTM O
adalah O
menggunakan O
layer O
BiLSTM O
dengan O
unit O
sebesar O
128 O
, O
dropout O
layer O
sebesar O
0,1 O
, O
dan O
dense O
layer O
sebesar O
16 O
dengan O
timesteps O
5. O
Model O
prediksi O
tersebut O
menghasilkan O
nilai O
RMSE B-METODE
sebesar O
235,795 O
, O
R-square B-METODE
sebesar O
96,2 O
% O
, O
dan O
MAPE B-METODE
2,8 O
% O
yang O
menunjukkan O
bahwa O
model B-TEMUAN
prediksi I-TEMUAN
sudah I-TEMUAN
sangat I-TEMUAN
baik. I-TEMUAN
Selain O
itu O
, O
penggunaan O
metode O
BiLSTM O
memberikan O
hasil O
yang O
lebih O
baik O
dibandingkan O
CNN O
dan O
LSTM O
dalam O
memprediksi O
harga O
saham O
bank O
BCA O
karena O
memiliki O
nilai O
RMSE O
dan O
MAPE O
yang O
rendah O
serta O
R-square O
yang O
lebih O
tinggi. O
8 O
/ O
9 O

Prediksi O
Harga O
Saham O
Menggunakan O
Bidirectional O
Long O
Short O
Term O
Memory O
( O
BiLSTM O
) O
Studi O
Kasus O
: O
Saham O
Bank O
Central O
Asia O
( O
BCA O
) O
Zubaidah O
Pangestika O
( O
221910723 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Bony O
Parulian O
Josaphat O
, O
S.Si. O
, O
M.Si O
hal O
Ringkasan— O
Saham O
merupakan O
yang O
mampu O
menciptakan O
keuntungan O
bagi O
investor. O
Akan O
tetapi O
, O
saham O
memiliki O
sifat O
berfluktuasi O
sehingga O
dapat O
menyebabkan O
risiko O
yang O
harus O
ditanggung. O
Oleh O
karena O
itu O
diperlukan O
prediksi O
harga O
untuk O
mengurangi O
risiko O
tersebut. O
Prediksi O
harga O
saham O
dapat O
dilakukan O
dengan O
berbagai O
metode O
, O
salah O
satunya O
menggunakan O
deep O
learning. O
Metode O
tersebut O
adalah O
bagian O
dari O
machine O
learning O
yang O
memiliki O
performa O
optimal. O
Penelitian O
ini O
bertujuan O
melakukan B-TUJUAN
prediksi I-TUJUAN
harga I-TUJUAN
saham I-TUJUAN
menggunakan I-TUJUAN
deep I-TUJUAN
learning I-TUJUAN
metode I-TUJUAN
Bidirectional I-TUJUAN
Long I-TUJUAN
Short I-TUJUAN
Term I-TUJUAN
Memory I-TUJUAN
( I-TUJUAN
BiLSTM I-TUJUAN
) I-TUJUAN
dengan I-TUJUAN
studi I-TUJUAN
kasus I-TUJUAN
data I-TUJUAN
harga I-TUJUAN
saham I-TUJUAN
Bank I-TUJUAN
Central I-TUJUAN
Asia I-TUJUAN
( I-TUJUAN
BCA I-TUJUAN
) I-TUJUAN
. I-TUJUAN
Untuk O
memaksimalkan O
hasil O
prediksi O
, O
dilakukan O
hyperparameter O
tuning O
menggunakan O
Grid O
Search O
CV O
dalam O
mencari O
besarnya O
unit O
BiLSTM O
layer O
, O
dense O
layer O
, O
dan O
dropout. O
Prediksi B-TEMUAN
metode I-TEMUAN
BiLSTM I-TEMUAN
terbaik I-TEMUAN
menghasilkan I-TEMUAN
nilai I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
235,795 I-TEMUAN
, I-TEMUAN
R-square I-TEMUAN
sebesar I-TEMUAN
96,2 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
MAPE I-TEMUAN
2,8 I-TEMUAN
% I-TEMUAN
yang I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
model I-TEMUAN
sudah I-TEMUAN
sangat I-TEMUAN
baik. I-TEMUAN
Selain I-TEMUAN
itu I-TEMUAN
, I-TEMUAN
BiLSTM I-TEMUAN
dapat I-TEMUAN
mereduksi I-TEMUAN
besarnya I-TEMUAN
nilai I-TEMUAN
RMSE I-TEMUAN
dan I-TEMUAN
mampu I-TEMUAN
memprediksi I-TEMUAN
harga I-TEMUAN
saham I-TEMUAN
bank I-TEMUAN
BCA I-TEMUAN
dengan I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dibandingkan I-TEMUAN
CNN I-TEMUAN
serta I-TEMUAN
LSTM. I-TEMUAN
Kata O
Kunci— O
Harga O
saham O
, O
Deep O
learning O
, O
BiLSTM O
, O
Grid O
search. O
[SEP] O
Berdasarkan O
hasil O
yang O
diperoleh O
, O
dapat O
disimpulkan O
bahwa O
prediksi O
terbaik O
metode O
BiLSTM O
adalah O
menggunakan O
layer O
BiLSTM O
dengan O
unit O
sebesar O
128 O
, O
dropout O
layer O
sebesar O
0,1 O
, O
dan O
dense O
layer O
sebesar O
16 O
dengan O
timesteps O
5. O
Model O
prediksi O
tersebut O
menghasilkan O
nilai O
RMSE B-METODE
sebesar O
235,795 O
, O
R-square B-METODE
sebesar O
96,2 O
% O
, O
dan O
MAPE B-METODE
2,8 O
% O
yang O
menunjukkan O
bahwa O
model B-TEMUAN
prediksi I-TEMUAN
sudah I-TEMUAN
sangat I-TEMUAN
baik. I-TEMUAN
Selain O
itu O
, O
penggunaan O
metode O
BiLSTM O
memberikan O
hasil O
yang O
lebih O
baik O
dibandingkan O
CNN O
dan O
LSTM O
dalam O
memprediksi O
harga O
saham O
bank O
BCA O
karena O
memiliki O
nilai O
RMSE O
dan O
MAPE O
yang O
rendah O
serta O
R-square O
yang O
lebih O
tinggi. O
8 O
/ O
9 O

Prediksi O
Harga O
Saham O
Menggunakan O
Bidirectional O
Long O
Short O
Term O
Memory O
( O
BiLSTM O
) O
Studi O
Kasus O
: O
Saham O
Bank O
Central O
Asia O
( O
BCA O
) O
Zubaidah O
Pangestika O
( O
221910723 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Bony O
Parulian O
Josaphat O
, O
S.Si. O
, O
M.Si O
hal O
Ringkasan— O
Saham O
merupakan O
yang O
mampu O
menciptakan O
keuntungan O
bagi O
investor. O
Akan O
tetapi O
, O
saham O
memiliki O
sifat O
berfluktuasi O
sehingga O
dapat O
menyebabkan O
risiko O
yang O
harus O
ditanggung. O
Oleh O
karena O
itu O
diperlukan O
prediksi O
harga O
untuk O
mengurangi O
risiko O
tersebut. O
Prediksi O
harga O
saham O
dapat O
dilakukan O
dengan O
berbagai O
metode O
, O
salah O
satunya O
menggunakan O
deep O
learning. O
Metode O
tersebut O
adalah O
bagian O
dari O
machine O
learning O
yang O
memiliki O
performa O
optimal. O
Penelitian O
ini O
bertujuan O
melakukan B-TUJUAN
prediksi I-TUJUAN
harga I-TUJUAN
saham I-TUJUAN
menggunakan I-TUJUAN
deep I-TUJUAN
learning I-TUJUAN
metode I-TUJUAN
Bidirectional I-TUJUAN
Long I-TUJUAN
Short I-TUJUAN
Term I-TUJUAN
Memory I-TUJUAN
( I-TUJUAN
BiLSTM I-TUJUAN
) I-TUJUAN
dengan I-TUJUAN
studi I-TUJUAN
kasus I-TUJUAN
data I-TUJUAN
harga I-TUJUAN
saham I-TUJUAN
Bank I-TUJUAN
Central I-TUJUAN
Asia I-TUJUAN
( I-TUJUAN
BCA I-TUJUAN
) I-TUJUAN
. I-TUJUAN
Untuk O
memaksimalkan O
hasil O
prediksi O
, O
dilakukan O
hyperparameter O
tuning O
menggunakan O
Grid O
Search O
CV O
dalam O
mencari O
besarnya O
unit O
BiLSTM O
layer O
, O
dense O
layer O
, O
dan O
dropout. O
Prediksi B-TEMUAN
metode I-TEMUAN
BiLSTM I-TEMUAN
terbaik I-TEMUAN
menghasilkan I-TEMUAN
nilai I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
235,795 I-TEMUAN
, I-TEMUAN
R-square I-TEMUAN
sebesar I-TEMUAN
96,2 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
MAPE I-TEMUAN
2,8 I-TEMUAN
% I-TEMUAN
yang I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
model I-TEMUAN
sudah I-TEMUAN
sangat I-TEMUAN
baik. I-TEMUAN
Selain I-TEMUAN
itu I-TEMUAN
, I-TEMUAN
BiLSTM I-TEMUAN
dapat I-TEMUAN
mereduksi I-TEMUAN
besarnya I-TEMUAN
nilai I-TEMUAN
RMSE I-TEMUAN
dan I-TEMUAN
mampu I-TEMUAN
memprediksi I-TEMUAN
harga I-TEMUAN
saham I-TEMUAN
bank I-TEMUAN
BCA I-TEMUAN
dengan I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dibandingkan I-TEMUAN
CNN I-TEMUAN
serta I-TEMUAN
LSTM. I-TEMUAN
Kata O
Kunci— O
Harga O
saham O
, O
Deep O
learning O
, O
BiLSTM O
, O
Grid O
search. O
[SEP] O
Berdasarkan O
hasil O
yang O
diperoleh O
, O
dapat O
disimpulkan O
bahwa O
prediksi O
terbaik O
metode O
BiLSTM O
adalah O
menggunakan O
layer O
BiLSTM O
dengan O
unit O
sebesar O
128 O
, O
dropout O
layer O
sebesar O
0,1 O
, O
dan O
dense O
layer O
sebesar O
16 O
dengan O
timesteps O
5. O
Model O
prediksi O
tersebut O
menghasilkan O
nilai O
RMSE B-METODE
sebesar O
235,795 O
, O
R-square B-METODE
sebesar O
96,2 O
% O
, O
dan O
MAPE B-METODE
2,8 O
% O
yang O
menunjukkan O
bahwa O
model B-TEMUAN
prediksi I-TEMUAN
sudah I-TEMUAN
sangat I-TEMUAN
baik. I-TEMUAN
Selain O
itu O
, O
penggunaan O
metode O
BiLSTM O
memberikan O
hasil O
yang O
lebih O
baik O
dibandingkan O
CNN O
dan O
LSTM O
dalam O
memprediksi O
harga O
saham O
bank O
BCA O
karena O
memiliki O
nilai O
RMSE O
dan O
MAPE O
yang O
rendah O
serta O
R-square O
yang O
lebih O
tinggi. O
8 O
/ O
9 O

Perbandingan O
Model O
Machine O
Learning O
dan O
Deep O
Learning O
dalam O
Memprediksi O
Curah O
Hujan O
Dasarian O
( O
Studi O
Kasus O
: O
Stasiun O
Meteorologi O
Kertajati O
) O
Hanivianisa O
Hamson O
( O
221910721 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Bony O
Parulian O
Josaphat O
, O
S.Si. O
, O
M.Si. O
Ringkasan— O
Indonesia O
merupakan O
salah O
satu O
negara O
yang O
mengalami O
ancaman O
perubahan O
iklim O
yang O
berdampak O
pada O
pola O
dan O
distribusi O
curah O
hujan O
yang O
tidak O
menentu. O
Untuk O
itu O
, O
perlu O
adanya O
penelitian O
mengenai O
prediksi O
curah O
hujan. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
berfokus O
pada O
penerapan B-TUJUAN
metode I-TUJUAN
machine I-TUJUAN
learning I-TUJUAN
dan I-TUJUAN
deep I-TUJUAN
learning I-TUJUAN
, I-TUJUAN
yaitu I-TUJUAN
Support I-TUJUAN
Vector I-TUJUAN
Regression I-TUJUAN
( I-TUJUAN
SVR I-TUJUAN
) I-TUJUAN
, I-TUJUAN
Extreme I-TUJUAN
Gradient I-TUJUAN
Boosting I-TUJUAN
( I-TUJUAN
XGBoost I-TUJUAN
) I-TUJUAN
, I-TUJUAN
Multilayer I-TUJUAN
Perceptron I-TUJUAN
( I-TUJUAN
MLP I-TUJUAN
) I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
Long I-TUJUAN
Short-Term I-TUJUAN
Memory I-TUJUAN
( I-TUJUAN
LSTM I-TUJUAN
) I-TUJUAN
, I-TUJUAN
dalam I-TUJUAN
memprediksi I-TUJUAN
curah I-TUJUAN
hujan I-TUJUAN
dasarian I-TUJUAN
( I-TUJUAN
sepuluh I-TUJUAN
harian I-TUJUAN
) I-TUJUAN
, O
serta O
menentukan O
model O
yang O
terbaik. O
Data O
penelitian O
ini O
dikumpulkan O
melalui O
situs O
web O
Data O
Online O
BMKG O
dari O
Januari O
1978 O
hingga O
Desember O
2022. O
Penelitian O
ini O
menggunakan O
Grid O
Search O
CV O
untuk O
melakukan O
simulasi O
hyperparameter O
dan O
memperoleh O
kombinasi O
hyperparameter O
terbaik. O
Model O
yang O
telah O
dibangun O
dievaluasi O
menggunakan O
ukuran O
MAE B-METODE
, I-METODE
RMSE I-METODE
, I-METODE
dan I-METODE
𝑹𝟐 I-METODE
. O
Hasil O
kinerja O
dari O
keempat O
model O
tidak O
berbeda O
jauh. O
Berdasarkan O
evaluasi O
kinerja O
pengujian O
dan O
visualisasi O
grafik O
, B-TEMUAN
model I-TEMUAN
prediksi I-TEMUAN
LSTM I-TEMUAN
merupakan I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
dalam I-TEMUAN
memprediksi I-TEMUAN
curah I-TEMUAN
hujan I-TEMUAN
dasarian I-TEMUAN
di I-TEMUAN
Stasiun I-TEMUAN
Meteorologi I-TEMUAN
Kertajati I-TEMUAN
, I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
MAE I-TEMUAN
sebesar I-TEMUAN
35,547 I-TEMUAN
, I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
54,590 I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
𝑹𝟐 I-TEMUAN
sebesar I-TEMUAN
0,557. I-TEMUAN
Kata O
Kunci— O
Curah O
hujan O
dasarian O
, O
SVR O
, O
XGBoost O
, O
MLP O
, O
LSTM O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
maka O
diperoleh O
beberapa O
kesimpulan O
sebagai O
berikut. O
1. O
Curah O
hujan O
dasarian O
yang O
ditangkap O
oleh O
Stasiun O
Meteorologi O
Kertajati O
bertipe O
monsunal O
, O
yang O
ditandai O
dengan O
satu O
puncak O
pada O
periode O
November O
– O
Maret O
dan O
satu O
palung O
pada O
periode O
Mei O
– O
September O
sehingga O
terlihat O
perbedaan O
yang O
jelas O
antara O
musim O
hujan O
dan O
musim O
kemarau O
di O
Majalengka. O
Curah O
hujan O
saat O
musim O
hujan O
lebih O
berfluktuatif O
dibandingkan O
saat O
musim O
kemarau. O
curah O
2. O
Penelitian O
ini O
telah O
menerapkan O
metode O
SVR O
, O
XGBoost O
, O
MLP O
, O
dan O
LSTM O
dalam O
membangun O
model O
untuk O
memprediksi O
dengan O
menggunakan O
algoritma O
grid O
search. O
Berdasakan O
hasil O
evaluasi O
kinerja O
model O
menggunakan O
data O
latih O
dan O
data O
uji O
, O
model O
prediksi O
yang O
telah O
dibangun O
dapat O
dikatakan O
fit. O
Hasil O
kinerja O
dari O
keempat O
model O
terlihat O
tidak O
berbeda O
jauh. O
dasarian O
hujan O
3. O
Dari O
hasil O
kinerja O
pengujian O
dan O
visualisasi O
grafik O
garis B-TEMUAN
, I-TEMUAN
model I-TEMUAN
prediksi I-TEMUAN
LSTM I-TEMUAN
dipilih I-TEMUAN
sebagai I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
dalam I-TEMUAN
memprediksi I-TEMUAN
curah I-TEMUAN
hujan I-TEMUAN
dasarian I-TEMUAN
di I-TEMUAN
Stasiun I-TEMUAN
Meteorologi I-TEMUAN
Kertajati I-TEMUAN
, I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
MAE I-TEMUAN
sebesar I-TEMUAN
35,547 I-TEMUAN
, I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
54,590 I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
𝑅2 I-TEMUAN
sebesar I-TEMUAN
0,557. I-TEMUAN
Beberapa O
saran O
yang O
dapat O
diberikan O
oleh O
peneliti O
adalah O
sebagai O
berikut. O
1. O
Batasan O
penelitian O
ini O
hanya O
menggunakan O
data O
dari O
satu O
stasiun O
meteorologi O
di O
Jawa O
Barat O
, O
yaitu O
Stasiun O
Meteorologi O
Kertajati O
sehingga O
penelitian O
selanjutnya O
dapat O
memperluas O
batasan O
penelitian O
prediksi O
curah O
hujan O
dasarian O
untuk O
wilayah O
Provinsi O
Jawa O
Barat. O
2. O
Penelitian O
ini O
hanya O
menggunakan O
empat O
variabel O
cuaca O
dalam O
memprediksi O
curah O
hujan O
dasarian O
, O
yaitu O
suhu O
rata-rata O
, O
kelembaban O
udara O
lamanya O
penyinaran O
matahari O
, O
dan O
kecepatan O
angin O
rata-rata. O
Untuk O
penelitian O
selanjutnya O
, O
dapat O
menggunakan O
variabel O
lain O
sebagai O
variabel O
prediktor O
, O
seperti O
suhu O
permukaaan O
laut O
, O
jumlah O
tutupan O
awan O
, O
dan O
indeks O
iklim. O
rata-rata O
, O
3. O
Penelitian O
selanjutnya O
dapat O
menggunakan O
metode O
simulasi O
hyperparameter O
yang O
lain O
, O
seperti O
bayesian O
optimization O
atau O
random O
search O
, O
serta O
menggunakan O
kombinasi O
hyperparameter O
yang O
lebih O
banyak. O
4. O
Penelitian O
selanjutnya O
dapat O
menggunakan O
algoritma O
machine O
learning O
dan O
deep O
learning O
yang O
lain O
untuk O
memprediksi O
curah O
hujan O
dasarian O
sehingga O
diharapkan O
dapat O
menemukan O
model O
prediksi O
yang O
lebih O
baik. O

Perbandingan O
Model O
Machine O
Learning O
dan O
Deep O
Learning O
dalam O
Memprediksi O
Curah O
Hujan O
Dasarian O
( O
Studi O
Kasus O
: O
Stasiun O
Meteorologi O
Kertajati O
) O
Hanivianisa O
Hamson O
( O
221910721 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Bony O
Parulian O
Josaphat O
, O
S.Si. O
, O
M.Si. O
Ringkasan— O
Indonesia O
merupakan O
salah O
satu O
negara O
yang O
mengalami O
ancaman O
perubahan O
iklim O
yang O
berdampak O
pada O
pola O
dan O
distribusi O
curah O
hujan O
yang O
tidak O
menentu. O
Untuk O
itu O
, O
perlu O
adanya O
penelitian O
mengenai O
prediksi O
curah O
hujan. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
berfokus O
pada O
penerapan B-TUJUAN
metode I-TUJUAN
machine I-TUJUAN
learning I-TUJUAN
dan I-TUJUAN
deep I-TUJUAN
learning I-TUJUAN
, I-TUJUAN
yaitu I-TUJUAN
Support I-TUJUAN
Vector I-TUJUAN
Regression I-TUJUAN
( I-TUJUAN
SVR I-TUJUAN
) I-TUJUAN
, I-TUJUAN
Extreme I-TUJUAN
Gradient I-TUJUAN
Boosting I-TUJUAN
( I-TUJUAN
XGBoost I-TUJUAN
) I-TUJUAN
, I-TUJUAN
Multilayer I-TUJUAN
Perceptron I-TUJUAN
( I-TUJUAN
MLP I-TUJUAN
) I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
Long I-TUJUAN
Short-Term I-TUJUAN
Memory I-TUJUAN
( I-TUJUAN
LSTM I-TUJUAN
) I-TUJUAN
, I-TUJUAN
dalam I-TUJUAN
memprediksi I-TUJUAN
curah I-TUJUAN
hujan I-TUJUAN
dasarian I-TUJUAN
( I-TUJUAN
sepuluh I-TUJUAN
harian I-TUJUAN
) I-TUJUAN
, O
serta O
menentukan O
model O
yang O
terbaik. O
Data O
penelitian O
ini O
dikumpulkan O
melalui O
situs O
web O
Data O
Online O
BMKG O
dari O
Januari O
1978 O
hingga O
Desember O
2022. O
Penelitian O
ini O
menggunakan O
Grid O
Search O
CV O
untuk O
melakukan O
simulasi O
hyperparameter O
dan O
memperoleh O
kombinasi O
hyperparameter O
terbaik. O
Model O
yang O
telah O
dibangun O
dievaluasi O
menggunakan O
ukuran O
MAE B-METODE
, I-METODE
RMSE I-METODE
, I-METODE
dan I-METODE
𝑹𝟐 I-METODE
. O
Hasil O
kinerja O
dari O
keempat O
model O
tidak O
berbeda O
jauh. O
Berdasarkan O
evaluasi O
kinerja O
pengujian O
dan O
visualisasi O
grafik O
, B-TEMUAN
model I-TEMUAN
prediksi I-TEMUAN
LSTM I-TEMUAN
merupakan I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
dalam I-TEMUAN
memprediksi I-TEMUAN
curah I-TEMUAN
hujan I-TEMUAN
dasarian I-TEMUAN
di I-TEMUAN
Stasiun I-TEMUAN
Meteorologi I-TEMUAN
Kertajati I-TEMUAN
, I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
MAE I-TEMUAN
sebesar I-TEMUAN
35,547 I-TEMUAN
, I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
54,590 I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
𝑹𝟐 I-TEMUAN
sebesar I-TEMUAN
0,557. I-TEMUAN
Kata O
Kunci— O
Curah O
hujan O
dasarian O
, O
SVR O
, O
XGBoost O
, O
MLP O
, O
LSTM O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
maka O
diperoleh O
beberapa O
kesimpulan O
sebagai O
berikut. O
1. O
Curah O
hujan O
dasarian O
yang O
ditangkap O
oleh O
Stasiun O
Meteorologi O
Kertajati O
bertipe O
monsunal O
, O
yang O
ditandai O
dengan O
satu O
puncak O
pada O
periode O
November O
– O
Maret O
dan O
satu O
palung O
pada O
periode O
Mei O
– O
September O
sehingga O
terlihat O
perbedaan O
yang O
jelas O
antara O
musim O
hujan O
dan O
musim O
kemarau O
di O
Majalengka. O
Curah O
hujan O
saat O
musim O
hujan O
lebih O
berfluktuatif O
dibandingkan O
saat O
musim O
kemarau. O
curah O
2. O
Penelitian O
ini O
telah O
menerapkan O
metode O
SVR O
, O
XGBoost O
, O
MLP O
, O
dan O
LSTM O
dalam O
membangun O
model O
untuk O
memprediksi O
dengan O
menggunakan O
algoritma O
grid O
search. O
Berdasakan O
hasil O
evaluasi O
kinerja O
model O
menggunakan O
data O
latih O
dan O
data O
uji O
, O
model O
prediksi O
yang O
telah O
dibangun O
dapat O
dikatakan O
fit. O
Hasil O
kinerja O
dari O
keempat O
model O
terlihat O
tidak O
berbeda O
jauh. O
dasarian O
hujan O
3. O
Dari O
hasil O
kinerja O
pengujian O
dan O
visualisasi O
grafik O
garis B-TEMUAN
, I-TEMUAN
model I-TEMUAN
prediksi I-TEMUAN
LSTM I-TEMUAN
dipilih I-TEMUAN
sebagai I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
dalam I-TEMUAN
memprediksi I-TEMUAN
curah I-TEMUAN
hujan I-TEMUAN
dasarian I-TEMUAN
di I-TEMUAN
Stasiun I-TEMUAN
Meteorologi I-TEMUAN
Kertajati I-TEMUAN
, I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
MAE I-TEMUAN
sebesar I-TEMUAN
35,547 I-TEMUAN
, I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
54,590 I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
𝑅2 I-TEMUAN
sebesar I-TEMUAN
0,557. I-TEMUAN
Beberapa O
saran O
yang O
dapat O
diberikan O
oleh O
peneliti O
adalah O
sebagai O
berikut. O
1. O
Batasan O
penelitian O
ini O
hanya O
menggunakan O
data O
dari O
satu O
stasiun O
meteorologi O
di O
Jawa O
Barat O
, O
yaitu O
Stasiun O
Meteorologi O
Kertajati O
sehingga O
penelitian O
selanjutnya O
dapat O
memperluas O
batasan O
penelitian O
prediksi O
curah O
hujan O
dasarian O
untuk O
wilayah O
Provinsi O
Jawa O
Barat. O
2. O
Penelitian O
ini O
hanya O
menggunakan O
empat O
variabel O
cuaca O
dalam O
memprediksi O
curah O
hujan O
dasarian O
, O
yaitu O
suhu O
rata-rata O
, O
kelembaban O
udara O
lamanya O
penyinaran O
matahari O
, O
dan O
kecepatan O
angin O
rata-rata. O
Untuk O
penelitian O
selanjutnya O
, O
dapat O
menggunakan O
variabel O
lain O
sebagai O
variabel O
prediktor O
, O
seperti O
suhu O
permukaaan O
laut O
, O
jumlah O
tutupan O
awan O
, O
dan O
indeks O
iklim. O
rata-rata O
, O
3. O
Penelitian O
selanjutnya O
dapat O
menggunakan O
metode O
simulasi O
hyperparameter O
yang O
lain O
, O
seperti O
bayesian O
optimization O
atau O
random O
search O
, O
serta O
menggunakan O
kombinasi O
hyperparameter O
yang O
lebih O
banyak. O
4. O
Penelitian O
selanjutnya O
dapat O
menggunakan O
algoritma O
machine O
learning O
dan O
deep O
learning O
yang O
lain O
untuk O
memprediksi O
curah O
hujan O
dasarian O
sehingga O
diharapkan O
dapat O
menemukan O
model O
prediksi O
yang O
lebih O
baik. O

Perbandingan O
Model O
Machine O
Learning O
dan O
Deep O
Learning O
dalam O
Memprediksi O
Curah O
Hujan O
Dasarian O
( O
Studi O
Kasus O
: O
Stasiun O
Meteorologi O
Kertajati O
) O
Hanivianisa O
Hamson O
( O
221910721 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Bony O
Parulian O
Josaphat O
, O
S.Si. O
, O
M.Si. O
Ringkasan— O
Indonesia O
merupakan O
salah O
satu O
negara O
yang O
mengalami O
ancaman O
perubahan O
iklim O
yang O
berdampak O
pada O
pola O
dan O
distribusi O
curah O
hujan O
yang O
tidak O
menentu. O
Untuk O
itu O
, O
perlu O
adanya O
penelitian O
mengenai O
prediksi O
curah O
hujan. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
berfokus O
pada O
penerapan B-TUJUAN
metode I-TUJUAN
machine I-TUJUAN
learning I-TUJUAN
dan I-TUJUAN
deep I-TUJUAN
learning I-TUJUAN
, I-TUJUAN
yaitu I-TUJUAN
Support I-TUJUAN
Vector I-TUJUAN
Regression I-TUJUAN
( I-TUJUAN
SVR I-TUJUAN
) I-TUJUAN
, I-TUJUAN
Extreme I-TUJUAN
Gradient I-TUJUAN
Boosting I-TUJUAN
( I-TUJUAN
XGBoost I-TUJUAN
) I-TUJUAN
, I-TUJUAN
Multilayer I-TUJUAN
Perceptron I-TUJUAN
( I-TUJUAN
MLP I-TUJUAN
) I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
Long I-TUJUAN
Short-Term I-TUJUAN
Memory I-TUJUAN
( I-TUJUAN
LSTM I-TUJUAN
) I-TUJUAN
, I-TUJUAN
dalam I-TUJUAN
memprediksi I-TUJUAN
curah I-TUJUAN
hujan I-TUJUAN
dasarian I-TUJUAN
( I-TUJUAN
sepuluh I-TUJUAN
harian I-TUJUAN
) I-TUJUAN
, O
serta O
menentukan O
model O
yang O
terbaik. O
Data O
penelitian O
ini O
dikumpulkan O
melalui O
situs O
web O
Data O
Online O
BMKG O
dari O
Januari O
1978 O
hingga O
Desember O
2022. O
Penelitian O
ini O
menggunakan O
Grid O
Search O
CV O
untuk O
melakukan O
simulasi O
hyperparameter O
dan O
memperoleh O
kombinasi O
hyperparameter O
terbaik. O
Model O
yang O
telah O
dibangun O
dievaluasi O
menggunakan O
ukuran O
MAE B-METODE
, I-METODE
RMSE I-METODE
, I-METODE
dan I-METODE
𝑹𝟐 I-METODE
. O
Hasil O
kinerja O
dari O
keempat O
model O
tidak O
berbeda O
jauh. O
Berdasarkan O
evaluasi O
kinerja O
pengujian O
dan O
visualisasi O
grafik O
, B-TEMUAN
model I-TEMUAN
prediksi I-TEMUAN
LSTM I-TEMUAN
merupakan I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
dalam I-TEMUAN
memprediksi I-TEMUAN
curah I-TEMUAN
hujan I-TEMUAN
dasarian I-TEMUAN
di I-TEMUAN
Stasiun I-TEMUAN
Meteorologi I-TEMUAN
Kertajati I-TEMUAN
, I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
MAE I-TEMUAN
sebesar I-TEMUAN
35,547 I-TEMUAN
, I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
54,590 I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
𝑹𝟐 I-TEMUAN
sebesar I-TEMUAN
0,557. I-TEMUAN
Kata O
Kunci— O
Curah O
hujan O
dasarian O
, O
SVR O
, O
XGBoost O
, O
MLP O
, O
LSTM O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
maka O
diperoleh O
beberapa O
kesimpulan O
sebagai O
berikut. O
1. O
Curah O
hujan O
dasarian O
yang O
ditangkap O
oleh O
Stasiun O
Meteorologi O
Kertajati O
bertipe O
monsunal O
, O
yang O
ditandai O
dengan O
satu O
puncak O
pada O
periode O
November O
– O
Maret O
dan O
satu O
palung O
pada O
periode O
Mei O
– O
September O
sehingga O
terlihat O
perbedaan O
yang O
jelas O
antara O
musim O
hujan O
dan O
musim O
kemarau O
di O
Majalengka. O
Curah O
hujan O
saat O
musim O
hujan O
lebih O
berfluktuatif O
dibandingkan O
saat O
musim O
kemarau. O
curah O
2. O
Penelitian O
ini O
telah O
menerapkan O
metode O
SVR O
, O
XGBoost O
, O
MLP O
, O
dan O
LSTM O
dalam O
membangun O
model O
untuk O
memprediksi O
dengan O
menggunakan O
algoritma O
grid O
search. O
Berdasakan O
hasil O
evaluasi O
kinerja O
model O
menggunakan O
data O
latih O
dan O
data O
uji O
, O
model O
prediksi O
yang O
telah O
dibangun O
dapat O
dikatakan O
fit. O
Hasil O
kinerja O
dari O
keempat O
model O
terlihat O
tidak O
berbeda O
jauh. O
dasarian O
hujan O
3. O
Dari O
hasil O
kinerja O
pengujian O
dan O
visualisasi O
grafik O
garis B-TEMUAN
, I-TEMUAN
model I-TEMUAN
prediksi I-TEMUAN
LSTM I-TEMUAN
dipilih I-TEMUAN
sebagai I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
dalam I-TEMUAN
memprediksi I-TEMUAN
curah I-TEMUAN
hujan I-TEMUAN
dasarian I-TEMUAN
di I-TEMUAN
Stasiun I-TEMUAN
Meteorologi I-TEMUAN
Kertajati I-TEMUAN
, I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
MAE I-TEMUAN
sebesar I-TEMUAN
35,547 I-TEMUAN
, I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
54,590 I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
𝑅2 I-TEMUAN
sebesar I-TEMUAN
0,557. I-TEMUAN
Beberapa O
saran O
yang O
dapat O
diberikan O
oleh O
peneliti O
adalah O
sebagai O
berikut. O
1. O
Batasan O
penelitian O
ini O
hanya O
menggunakan O
data O
dari O
satu O
stasiun O
meteorologi O
di O
Jawa O
Barat O
, O
yaitu O
Stasiun O
Meteorologi O
Kertajati O
sehingga O
penelitian O
selanjutnya O
dapat O
memperluas O
batasan O
penelitian O
prediksi O
curah O
hujan O
dasarian O
untuk O
wilayah O
Provinsi O
Jawa O
Barat. O
2. O
Penelitian O
ini O
hanya O
menggunakan O
empat O
variabel O
cuaca O
dalam O
memprediksi O
curah O
hujan O
dasarian O
, O
yaitu O
suhu O
rata-rata O
, O
kelembaban O
udara O
lamanya O
penyinaran O
matahari O
, O
dan O
kecepatan O
angin O
rata-rata. O
Untuk O
penelitian O
selanjutnya O
, O
dapat O
menggunakan O
variabel O
lain O
sebagai O
variabel O
prediktor O
, O
seperti O
suhu O
permukaaan O
laut O
, O
jumlah O
tutupan O
awan O
, O
dan O
indeks O
iklim. O
rata-rata O
, O
3. O
Penelitian O
selanjutnya O
dapat O
menggunakan O
metode O
simulasi O
hyperparameter O
yang O
lain O
, O
seperti O
bayesian O
optimization O
atau O
random O
search O
, O
serta O
menggunakan O
kombinasi O
hyperparameter O
yang O
lebih O
banyak. O
4. O
Penelitian O
selanjutnya O
dapat O
menggunakan O
algoritma O
machine O
learning O
dan O
deep O
learning O
yang O
lain O
untuk O
memprediksi O
curah O
hujan O
dasarian O
sehingga O
diharapkan O
dapat O
menemukan O
model O
prediksi O
yang O
lebih O
baik. O

Perbandingan O
Model O
Machine O
Learning O
dan O
Deep O
Learning O
dalam O
Memprediksi O
Curah O
Hujan O
Dasarian O
( O
Studi O
Kasus O
: O
Stasiun O
Meteorologi O
Kertajati O
) O
Hanivianisa O
Hamson O
( O
221910721 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Bony O
Parulian O
Josaphat O
, O
S.Si. O
, O
M.Si. O
Ringkasan— O
Indonesia O
merupakan O
salah O
satu O
negara O
yang O
mengalami O
ancaman O
perubahan O
iklim O
yang O
berdampak O
pada O
pola O
dan O
distribusi O
curah O
hujan O
yang O
tidak O
menentu. O
Untuk O
itu O
, O
perlu O
adanya O
penelitian O
mengenai O
prediksi O
curah O
hujan. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
berfokus O
pada O
penerapan B-TUJUAN
metode I-TUJUAN
machine I-TUJUAN
learning I-TUJUAN
dan I-TUJUAN
deep I-TUJUAN
learning I-TUJUAN
, I-TUJUAN
yaitu I-TUJUAN
Support I-TUJUAN
Vector I-TUJUAN
Regression I-TUJUAN
( I-TUJUAN
SVR I-TUJUAN
) I-TUJUAN
, I-TUJUAN
Extreme I-TUJUAN
Gradient I-TUJUAN
Boosting I-TUJUAN
( I-TUJUAN
XGBoost I-TUJUAN
) I-TUJUAN
, I-TUJUAN
Multilayer I-TUJUAN
Perceptron I-TUJUAN
( I-TUJUAN
MLP I-TUJUAN
) I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
Long I-TUJUAN
Short-Term I-TUJUAN
Memory I-TUJUAN
( I-TUJUAN
LSTM I-TUJUAN
) I-TUJUAN
, I-TUJUAN
dalam I-TUJUAN
memprediksi I-TUJUAN
curah I-TUJUAN
hujan I-TUJUAN
dasarian I-TUJUAN
( I-TUJUAN
sepuluh I-TUJUAN
harian I-TUJUAN
) I-TUJUAN
, O
serta O
menentukan O
model O
yang O
terbaik. O
Data O
penelitian O
ini O
dikumpulkan O
melalui O
situs O
web O
Data O
Online O
BMKG O
dari O
Januari O
1978 O
hingga O
Desember O
2022. O
Penelitian O
ini O
menggunakan O
Grid O
Search O
CV O
untuk O
melakukan O
simulasi O
hyperparameter O
dan O
memperoleh O
kombinasi O
hyperparameter O
terbaik. O
Model O
yang O
telah O
dibangun O
dievaluasi O
menggunakan O
ukuran O
MAE B-METODE
, I-METODE
RMSE I-METODE
, I-METODE
dan I-METODE
𝑹𝟐 I-METODE
. O
Hasil O
kinerja O
dari O
keempat O
model O
tidak O
berbeda O
jauh. O
Berdasarkan O
evaluasi O
kinerja O
pengujian O
dan O
visualisasi O
grafik O
, B-TEMUAN
model I-TEMUAN
prediksi I-TEMUAN
LSTM I-TEMUAN
merupakan I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
dalam I-TEMUAN
memprediksi I-TEMUAN
curah I-TEMUAN
hujan I-TEMUAN
dasarian I-TEMUAN
di I-TEMUAN
Stasiun I-TEMUAN
Meteorologi I-TEMUAN
Kertajati I-TEMUAN
, I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
MAE I-TEMUAN
sebesar I-TEMUAN
35,547 I-TEMUAN
, I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
54,590 I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
𝑹𝟐 I-TEMUAN
sebesar I-TEMUAN
0,557. I-TEMUAN
Kata O
Kunci— O
Curah O
hujan O
dasarian O
, O
SVR O
, O
XGBoost O
, O
MLP O
, O
LSTM O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
maka O
diperoleh O
beberapa O
kesimpulan O
sebagai O
berikut. O
1. O
Curah O
hujan O
dasarian O
yang O
ditangkap O
oleh O
Stasiun O
Meteorologi O
Kertajati O
bertipe O
monsunal O
, O
yang O
ditandai O
dengan O
satu O
puncak O
pada O
periode O
November O
– O
Maret O
dan O
satu O
palung O
pada O
periode O
Mei O
– O
September O
sehingga O
terlihat O
perbedaan O
yang O
jelas O
antara O
musim O
hujan O
dan O
musim O
kemarau O
di O
Majalengka. O
Curah O
hujan O
saat O
musim O
hujan O
lebih O
berfluktuatif O
dibandingkan O
saat O
musim O
kemarau. O
curah O
2. O
Penelitian O
ini O
telah O
menerapkan O
metode O
SVR O
, O
XGBoost O
, O
MLP O
, O
dan O
LSTM O
dalam O
membangun O
model O
untuk O
memprediksi O
dengan O
menggunakan O
algoritma O
grid O
search. O
Berdasakan O
hasil O
evaluasi O
kinerja O
model O
menggunakan O
data O
latih O
dan O
data O
uji O
, O
model O
prediksi O
yang O
telah O
dibangun O
dapat O
dikatakan O
fit. O
Hasil O
kinerja O
dari O
keempat O
model O
terlihat O
tidak O
berbeda O
jauh. O
dasarian O
hujan O
3. O
Dari O
hasil O
kinerja O
pengujian O
dan O
visualisasi O
grafik O
garis B-TEMUAN
, I-TEMUAN
model I-TEMUAN
prediksi I-TEMUAN
LSTM I-TEMUAN
dipilih I-TEMUAN
sebagai I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
dalam I-TEMUAN
memprediksi I-TEMUAN
curah I-TEMUAN
hujan I-TEMUAN
dasarian I-TEMUAN
di I-TEMUAN
Stasiun I-TEMUAN
Meteorologi I-TEMUAN
Kertajati I-TEMUAN
, I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
MAE I-TEMUAN
sebesar I-TEMUAN
35,547 I-TEMUAN
, I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
54,590 I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
𝑅2 I-TEMUAN
sebesar I-TEMUAN
0,557. I-TEMUAN
Beberapa O
saran O
yang O
dapat O
diberikan O
oleh O
peneliti O
adalah O
sebagai O
berikut. O
1. O
Batasan O
penelitian O
ini O
hanya O
menggunakan O
data O
dari O
satu O
stasiun O
meteorologi O
di O
Jawa O
Barat O
, O
yaitu O
Stasiun O
Meteorologi O
Kertajati O
sehingga O
penelitian O
selanjutnya O
dapat O
memperluas O
batasan O
penelitian O
prediksi O
curah O
hujan O
dasarian O
untuk O
wilayah O
Provinsi O
Jawa O
Barat. O
2. O
Penelitian O
ini O
hanya O
menggunakan O
empat O
variabel O
cuaca O
dalam O
memprediksi O
curah O
hujan O
dasarian O
, O
yaitu O
suhu O
rata-rata O
, O
kelembaban O
udara O
lamanya O
penyinaran O
matahari O
, O
dan O
kecepatan O
angin O
rata-rata. O
Untuk O
penelitian O
selanjutnya O
, O
dapat O
menggunakan O
variabel O
lain O
sebagai O
variabel O
prediktor O
, O
seperti O
suhu O
permukaaan O
laut O
, O
jumlah O
tutupan O
awan O
, O
dan O
indeks O
iklim. O
rata-rata O
, O
3. O
Penelitian O
selanjutnya O
dapat O
menggunakan O
metode O
simulasi O
hyperparameter O
yang O
lain O
, O
seperti O
bayesian O
optimization O
atau O
random O
search O
, O
serta O
menggunakan O
kombinasi O
hyperparameter O
yang O
lebih O
banyak. O
4. O
Penelitian O
selanjutnya O
dapat O
menggunakan O
algoritma O
machine O
learning O
dan O
deep O
learning O
yang O
lain O
untuk O
memprediksi O
curah O
hujan O
dasarian O
sehingga O
diharapkan O
dapat O
menemukan O
model O
prediksi O
yang O
lebih O
baik. O

Analisis O
Persepsi O
Media O
Internasional O
Terhadap O
Indonesia O
dan O
Hubungannya O
Terhadap O
Pemulihan O
Sektor O
Pariwisata O
Sita O
Aliya O
Rutba O
( O
221910717 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Prof. O
Setia O
Paramana O
S.Si. O
, O
M.Sc. O
, O
Ph.D. O
internasional O
Ringkasan— O
Persepsi O
dunia O
terhadap O
pemerintahan O
suatu O
negara O
sangat O
penting. O
Selama O
tahun O
2022 O
, O
Indonesia O
beberapa O
kali O
menarik O
perhatian O
media O
internasional. O
Perlu O
dilakukan O
analisis O
untuk O
mengetahui O
persepsi O
media O
terhadap O
Indonesia. O
Oleh O
karena O
itu O
, O
dilakukan O
analisis B-METODE
sentimen I-METODE
pada O
media O
internasional O
, O
yaitu O
berita O
daring O
dan O
media O
sosial O
Twitter. O
Pada O
berita O
dilakukan O
analisis B-METODE
sentimen I-METODE
berbasis I-METODE
aspek I-METODE
, I-METODE
dan O
pada O
opini O
Twitter O
dilakukan O
klasifikasi B-METODE
sentimen O
serta O
topic B-METODE
modelling. I-METODE
Hasilnya O
adalah O
mayoritas B-TEMUAN
data I-TEMUAN
terklasifikasi I-TEMUAN
ke I-TEMUAN
sentimen I-TEMUAN
netral. I-TEMUAN
Twitter I-TEMUAN
pada I-TEMUAN
sentimen I-TEMUAN
positif I-TEMUAN
terdapat I-TEMUAN
6 I-TEMUAN
topik I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
sentimen I-TEMUAN
negatif I-TEMUAN
terdapat I-TEMUAN
5 I-TEMUAN
topik. I-TEMUAN
Lalu O
didapatkan O
bahwa O
setimen O
positif O
Twitter O
dan O
jumlah O
wisatawan O
mancanegara O
( O
wisman O
) O
diuji O
dengan O
korelasi O
spearman O
dan O
didapatkan O
sentimen O
memiliki O
korelasi O
positif O
, O
dan O
lemah O
, O
dengan O
wisman. O
Hasil O
dari O
analisis O
sentimen O
pada O
berita O
dan O
Twitter O
, O
serta O
hasil O
topic O
modelling O
dirangkum O
dalam O
dashboard O
visualisasi. O
Kata O
Kunci— O
citra O
negara O
, O
media O
internasional O
, O
pariwisata O
, O
sentimen O
, O
topik. O
[SEP] O
Kesimpulan O
pada O
penelitian O
ini O
adalah O
: O
VII. O
1. O
Pada O
penelitian O
ini O
didapatkan O
model O
terbaik O
untuk O
mengklasifikasikan B-TUJUAN
sentimen I-TUJUAN
Twitter I-TUJUAN
, O
yaitu O
Random O
Forest O
, O
dan O
didapatkan O
persentase O
sentimen O
pada O
Twitter O
, O
mayoritas O
memiliki O
sentimen O
netral. O
2. O
Pada O
berita O
dilakukan O
analisis O
berbasis O
aspek O
yang O
membentuk O
citra O
Indonesia O
, O
yaitu O
pariwisata O
, O
ekspor O
, O
diplomasi O
, O
kebijakan O
pemerintah O
, O
dan O
perilaku O
masyarakat O
dengan O
BERT. O
Didapatkan O
setiap O
aspek O
, O
mayoritas O
memiliki O
sentimen O
netral. O
3. O
Pada B-TEMUAN
sentimen I-TEMUAN
positif I-TEMUAN
maupun I-TEMUAN
negatif I-TEMUAN
Twitter I-TEMUAN
telah I-TEMUAN
dilakukan I-TEMUAN
topic I-TEMUAN
modelling I-TEMUAN
untuk I-TEMUAN
mendapatkan I-TEMUAN
topik I-TEMUAN
yang I-TEMUAN
terkait I-TEMUAN
dengan I-TEMUAN
sentimen I-TEMUAN
tersebut. I-TEMUAN
Pada I-TEMUAN
sentimen I-TEMUAN
positif I-TEMUAN
terdapat I-TEMUAN
6 I-TEMUAN
topik I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
kebijakan I-TEMUAN
pemerintah I-TEMUAN
Indonesia I-TEMUAN
terkait I-TEMUAN
covid I-TEMUAN
dan I-TEMUAN
investasi I-TEMUAN
, I-TEMUAN
topik I-TEMUAN
mengenai I-TEMUAN
masyarakat I-TEMUAN
Indonesia I-TEMUAN
, I-TEMUAN
militer I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
, I-TEMUAN
pariwisata I-TEMUAN
Indonesia I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
kesan I-TEMUAN
wisatawan I-TEMUAN
Indonesia. I-TEMUAN
Sedangkan I-TEMUAN
pada I-TEMUAN
sentimen I-TEMUAN
negatif I-TEMUAN
didapatkan I-TEMUAN
5 I-TEMUAN
topik I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
topik I-TEMUAN
permohonan I-TEMUAN
untuk I-TEMUAN
menghentikan I-TEMUAN
kejahatan I-TEMUAN
kepada I-TEMUAN
black I-TEMUAN
people I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
, I-TEMUAN
lalu I-TEMUAN
HAM I-TEMUAN
pengungsi I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
, I-TEMUAN
kejahatan I-TEMUAN
perang I-TEMUAN
yang I-TEMUAN
dilakukan I-TEMUAN
polisi I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
, I-TEMUAN
topik I-TEMUAN
mengenai I-TEMUAN
perang I-TEMUAN
dan I-TEMUAN
trade I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
topik I-TEMUAN
mengenai I-TEMUAN
bencana I-TEMUAN
alam I-TEMUAN
di I-TEMUAN
Indonesia. I-TEMUAN
selama O
mengunjungi O
4. O
Pada O
penelitian O
ini O
dilakukan O
korelasi O
spearman O
antara O
jumlah O
wisatawan O
mancanegara O
dengan O
jumlah O
tweet O
yang O
memiliki O
sentimen O
positif. O
Dapat O
disimpulkan O
bahwa O
terdapat O
hubungan O
positif O
antara O
jumlah O
wisman O
dengan O
jumlah O
tweet O
bersentimen O
positif. O
Dimana O
jika O
jumlah O
tweet O
yang O
memiliki O
sentimen O
positif O
naik O
, O
maka O
jumlah O
wisman O
juga O
naik. O
Namun O
, O
korelasi O
yang O
dimiliki O
lemah. O
5. O
Pada O
penelitian O
ini O
dihasilkan O
dashboard O
sederhana O
untuk O
merangkum O
hasil O
analisis O
sentimen O
pada O
Twitter O
dan O
berita O
, O
serta O
topik-topik O
terkait O
sentimen O
positif O
dan O
negatif O
pada O
Twitter. O
Saran O
untuk O
penelitian O
selanjutnya O
, O
perlu O
ada O
penambahan O
dataset O
dengan O
melakukan O
labelling O
oleh O
annotater O
agar O
performa O
model O
dapat O
memprediksi O
kelas O
sentimen O
dengan O
tepat. O

Analisis O
Persepsi O
Media O
Internasional O
Terhadap O
Indonesia O
dan O
Hubungannya O
Terhadap O
Pemulihan O
Sektor O
Pariwisata O
Sita O
Aliya O
Rutba O
( O
221910717 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Prof. O
Setia O
Paramana O
S.Si. O
, O
M.Sc. O
, O
Ph.D. O
internasional O
Ringkasan— O
Persepsi O
dunia O
terhadap O
pemerintahan O
suatu O
negara O
sangat O
penting. O
Selama O
tahun O
2022 O
, O
Indonesia O
beberapa O
kali O
menarik O
perhatian O
media O
internasional. O
Perlu O
dilakukan O
analisis O
untuk O
mengetahui O
persepsi O
media O
terhadap O
Indonesia. O
Oleh O
karena O
itu O
, O
dilakukan O
analisis B-METODE
sentimen I-METODE
pada O
media O
internasional O
, O
yaitu O
berita O
daring O
dan O
media O
sosial O
Twitter. O
Pada O
berita O
dilakukan O
analisis B-METODE
sentimen I-METODE
berbasis I-METODE
aspek I-METODE
, I-METODE
dan O
pada O
opini O
Twitter O
dilakukan O
klasifikasi B-METODE
sentimen O
serta O
topic B-METODE
modelling. I-METODE
Hasilnya O
adalah O
mayoritas B-TEMUAN
data I-TEMUAN
terklasifikasi I-TEMUAN
ke I-TEMUAN
sentimen I-TEMUAN
netral. I-TEMUAN
Twitter I-TEMUAN
pada I-TEMUAN
sentimen I-TEMUAN
positif I-TEMUAN
terdapat I-TEMUAN
6 I-TEMUAN
topik I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
sentimen I-TEMUAN
negatif I-TEMUAN
terdapat I-TEMUAN
5 I-TEMUAN
topik. I-TEMUAN
Lalu O
didapatkan O
bahwa O
setimen O
positif O
Twitter O
dan O
jumlah O
wisatawan O
mancanegara O
( O
wisman O
) O
diuji O
dengan O
korelasi O
spearman O
dan O
didapatkan O
sentimen O
memiliki O
korelasi O
positif O
, O
dan O
lemah O
, O
dengan O
wisman. O
Hasil O
dari O
analisis O
sentimen O
pada O
berita O
dan O
Twitter O
, O
serta O
hasil O
topic O
modelling O
dirangkum O
dalam O
dashboard O
visualisasi. O
Kata O
Kunci— O
citra O
negara O
, O
media O
internasional O
, O
pariwisata O
, O
sentimen O
, O
topik. O
[SEP] O
Kesimpulan O
pada O
penelitian O
ini O
adalah O
: O
VII. O
1. O
Pada O
penelitian O
ini O
didapatkan O
model O
terbaik O
untuk O
mengklasifikasikan B-TUJUAN
sentimen I-TUJUAN
Twitter I-TUJUAN
, O
yaitu O
Random O
Forest O
, O
dan O
didapatkan O
persentase O
sentimen O
pada O
Twitter O
, O
mayoritas O
memiliki O
sentimen O
netral. O
2. O
Pada O
berita O
dilakukan O
analisis O
berbasis O
aspek O
yang O
membentuk O
citra O
Indonesia O
, O
yaitu O
pariwisata O
, O
ekspor O
, O
diplomasi O
, O
kebijakan O
pemerintah O
, O
dan O
perilaku O
masyarakat O
dengan O
BERT. O
Didapatkan O
setiap O
aspek O
, O
mayoritas O
memiliki O
sentimen O
netral. O
3. O
Pada B-TEMUAN
sentimen I-TEMUAN
positif I-TEMUAN
maupun I-TEMUAN
negatif I-TEMUAN
Twitter I-TEMUAN
telah I-TEMUAN
dilakukan I-TEMUAN
topic I-TEMUAN
modelling I-TEMUAN
untuk I-TEMUAN
mendapatkan I-TEMUAN
topik I-TEMUAN
yang I-TEMUAN
terkait I-TEMUAN
dengan I-TEMUAN
sentimen I-TEMUAN
tersebut. I-TEMUAN
Pada I-TEMUAN
sentimen I-TEMUAN
positif I-TEMUAN
terdapat I-TEMUAN
6 I-TEMUAN
topik I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
kebijakan I-TEMUAN
pemerintah I-TEMUAN
Indonesia I-TEMUAN
terkait I-TEMUAN
covid I-TEMUAN
dan I-TEMUAN
investasi I-TEMUAN
, I-TEMUAN
topik I-TEMUAN
mengenai I-TEMUAN
masyarakat I-TEMUAN
Indonesia I-TEMUAN
, I-TEMUAN
militer I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
, I-TEMUAN
pariwisata I-TEMUAN
Indonesia I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
kesan I-TEMUAN
wisatawan I-TEMUAN
Indonesia. I-TEMUAN
Sedangkan I-TEMUAN
pada I-TEMUAN
sentimen I-TEMUAN
negatif I-TEMUAN
didapatkan I-TEMUAN
5 I-TEMUAN
topik I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
topik I-TEMUAN
permohonan I-TEMUAN
untuk I-TEMUAN
menghentikan I-TEMUAN
kejahatan I-TEMUAN
kepada I-TEMUAN
black I-TEMUAN
people I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
, I-TEMUAN
lalu I-TEMUAN
HAM I-TEMUAN
pengungsi I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
, I-TEMUAN
kejahatan I-TEMUAN
perang I-TEMUAN
yang I-TEMUAN
dilakukan I-TEMUAN
polisi I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
, I-TEMUAN
topik I-TEMUAN
mengenai I-TEMUAN
perang I-TEMUAN
dan I-TEMUAN
trade I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
topik I-TEMUAN
mengenai I-TEMUAN
bencana I-TEMUAN
alam I-TEMUAN
di I-TEMUAN
Indonesia. I-TEMUAN
selama O
mengunjungi O
4. O
Pada O
penelitian O
ini O
dilakukan O
korelasi O
spearman O
antara O
jumlah O
wisatawan O
mancanegara O
dengan O
jumlah O
tweet O
yang O
memiliki O
sentimen O
positif. O
Dapat O
disimpulkan O
bahwa O
terdapat O
hubungan O
positif O
antara O
jumlah O
wisman O
dengan O
jumlah O
tweet O
bersentimen O
positif. O
Dimana O
jika O
jumlah O
tweet O
yang O
memiliki O
sentimen O
positif O
naik O
, O
maka O
jumlah O
wisman O
juga O
naik. O
Namun O
, O
korelasi O
yang O
dimiliki O
lemah. O
5. O
Pada O
penelitian O
ini O
dihasilkan O
dashboard O
sederhana O
untuk O
merangkum O
hasil O
analisis O
sentimen O
pada O
Twitter O
dan O
berita O
, O
serta O
topik-topik O
terkait O
sentimen O
positif O
dan O
negatif O
pada O
Twitter. O
Saran O
untuk O
penelitian O
selanjutnya O
, O
perlu O
ada O
penambahan O
dataset O
dengan O
melakukan O
labelling O
oleh O
annotater O
agar O
performa O
model O
dapat O
memprediksi O
kelas O
sentimen O
dengan O
tepat. O

Analisis O
Persepsi O
Media O
Internasional O
Terhadap O
Indonesia O
dan O
Hubungannya O
Terhadap O
Pemulihan O
Sektor O
Pariwisata O
Sita O
Aliya O
Rutba O
( O
221910717 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Prof. O
Setia O
Paramana O
S.Si. O
, O
M.Sc. O
, O
Ph.D. O
internasional O
Ringkasan— O
Persepsi O
dunia O
terhadap O
pemerintahan O
suatu O
negara O
sangat O
penting. O
Selama O
tahun O
2022 O
, O
Indonesia O
beberapa O
kali O
menarik O
perhatian O
media O
internasional. O
Perlu O
dilakukan O
analisis O
untuk O
mengetahui O
persepsi O
media O
terhadap O
Indonesia. O
Oleh O
karena O
itu O
, O
dilakukan O
analisis B-METODE
sentimen I-METODE
pada O
media O
internasional O
, O
yaitu O
berita O
daring O
dan O
media O
sosial O
Twitter. O
Pada O
berita O
dilakukan O
analisis B-METODE
sentimen I-METODE
berbasis I-METODE
aspek I-METODE
, I-METODE
dan O
pada O
opini O
Twitter O
dilakukan O
klasifikasi B-METODE
sentimen O
serta O
topic B-METODE
modelling. I-METODE
Hasilnya O
adalah O
mayoritas B-TEMUAN
data I-TEMUAN
terklasifikasi I-TEMUAN
ke I-TEMUAN
sentimen I-TEMUAN
netral. I-TEMUAN
Twitter I-TEMUAN
pada I-TEMUAN
sentimen I-TEMUAN
positif I-TEMUAN
terdapat I-TEMUAN
6 I-TEMUAN
topik I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
sentimen I-TEMUAN
negatif I-TEMUAN
terdapat I-TEMUAN
5 I-TEMUAN
topik. I-TEMUAN
Lalu O
didapatkan O
bahwa O
setimen O
positif O
Twitter O
dan O
jumlah O
wisatawan O
mancanegara O
( O
wisman O
) O
diuji O
dengan O
korelasi O
spearman O
dan O
didapatkan O
sentimen O
memiliki O
korelasi O
positif O
, O
dan O
lemah O
, O
dengan O
wisman. O
Hasil O
dari O
analisis O
sentimen O
pada O
berita O
dan O
Twitter O
, O
serta O
hasil O
topic O
modelling O
dirangkum O
dalam O
dashboard O
visualisasi. O
Kata O
Kunci— O
citra O
negara O
, O
media O
internasional O
, O
pariwisata O
, O
sentimen O
, O
topik. O
[SEP] O
Kesimpulan O
pada O
penelitian O
ini O
adalah O
: O
VII. O
1. O
Pada O
penelitian O
ini O
didapatkan O
model O
terbaik O
untuk O
mengklasifikasikan B-TUJUAN
sentimen I-TUJUAN
Twitter I-TUJUAN
, O
yaitu O
Random O
Forest O
, O
dan O
didapatkan O
persentase O
sentimen O
pada O
Twitter O
, O
mayoritas O
memiliki O
sentimen O
netral. O
2. O
Pada O
berita O
dilakukan O
analisis O
berbasis O
aspek O
yang O
membentuk O
citra O
Indonesia O
, O
yaitu O
pariwisata O
, O
ekspor O
, O
diplomasi O
, O
kebijakan O
pemerintah O
, O
dan O
perilaku O
masyarakat O
dengan O
BERT. O
Didapatkan O
setiap O
aspek O
, O
mayoritas O
memiliki O
sentimen O
netral. O
3. O
Pada B-TEMUAN
sentimen I-TEMUAN
positif I-TEMUAN
maupun I-TEMUAN
negatif I-TEMUAN
Twitter I-TEMUAN
telah I-TEMUAN
dilakukan I-TEMUAN
topic I-TEMUAN
modelling I-TEMUAN
untuk I-TEMUAN
mendapatkan I-TEMUAN
topik I-TEMUAN
yang I-TEMUAN
terkait I-TEMUAN
dengan I-TEMUAN
sentimen I-TEMUAN
tersebut. I-TEMUAN
Pada I-TEMUAN
sentimen I-TEMUAN
positif I-TEMUAN
terdapat I-TEMUAN
6 I-TEMUAN
topik I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
kebijakan I-TEMUAN
pemerintah I-TEMUAN
Indonesia I-TEMUAN
terkait I-TEMUAN
covid I-TEMUAN
dan I-TEMUAN
investasi I-TEMUAN
, I-TEMUAN
topik I-TEMUAN
mengenai I-TEMUAN
masyarakat I-TEMUAN
Indonesia I-TEMUAN
, I-TEMUAN
militer I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
, I-TEMUAN
pariwisata I-TEMUAN
Indonesia I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
kesan I-TEMUAN
wisatawan I-TEMUAN
Indonesia. I-TEMUAN
Sedangkan I-TEMUAN
pada I-TEMUAN
sentimen I-TEMUAN
negatif I-TEMUAN
didapatkan I-TEMUAN
5 I-TEMUAN
topik I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
topik I-TEMUAN
permohonan I-TEMUAN
untuk I-TEMUAN
menghentikan I-TEMUAN
kejahatan I-TEMUAN
kepada I-TEMUAN
black I-TEMUAN
people I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
, I-TEMUAN
lalu I-TEMUAN
HAM I-TEMUAN
pengungsi I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
, I-TEMUAN
kejahatan I-TEMUAN
perang I-TEMUAN
yang I-TEMUAN
dilakukan I-TEMUAN
polisi I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
, I-TEMUAN
topik I-TEMUAN
mengenai I-TEMUAN
perang I-TEMUAN
dan I-TEMUAN
trade I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
topik I-TEMUAN
mengenai I-TEMUAN
bencana I-TEMUAN
alam I-TEMUAN
di I-TEMUAN
Indonesia. I-TEMUAN
selama O
mengunjungi O
4. O
Pada O
penelitian O
ini O
dilakukan O
korelasi O
spearman O
antara O
jumlah O
wisatawan O
mancanegara O
dengan O
jumlah O
tweet O
yang O
memiliki O
sentimen O
positif. O
Dapat O
disimpulkan O
bahwa O
terdapat O
hubungan O
positif O
antara O
jumlah O
wisman O
dengan O
jumlah O
tweet O
bersentimen O
positif. O
Dimana O
jika O
jumlah O
tweet O
yang O
memiliki O
sentimen O
positif O
naik O
, O
maka O
jumlah O
wisman O
juga O
naik. O
Namun O
, O
korelasi O
yang O
dimiliki O
lemah. O
5. O
Pada O
penelitian O
ini O
dihasilkan O
dashboard O
sederhana O
untuk O
merangkum O
hasil O
analisis O
sentimen O
pada O
Twitter O
dan O
berita O
, O
serta O
topik-topik O
terkait O
sentimen O
positif O
dan O
negatif O
pada O
Twitter. O
Saran O
untuk O
penelitian O
selanjutnya O
, O
perlu O
ada O
penambahan O
dataset O
dengan O
melakukan O
labelling O
oleh O
annotater O
agar O
performa O
model O
dapat O
memprediksi O
kelas O
sentimen O
dengan O
tepat. O

Analisis O
Persepsi O
Media O
Internasional O
Terhadap O
Indonesia O
dan O
Hubungannya O
Terhadap O
Pemulihan O
Sektor O
Pariwisata O
Sita O
Aliya O
Rutba O
( O
221910717 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Prof. O
Setia O
Paramana O
S.Si. O
, O
M.Sc. O
, O
Ph.D. O
internasional O
Ringkasan— O
Persepsi O
dunia O
terhadap O
pemerintahan O
suatu O
negara O
sangat O
penting. O
Selama O
tahun O
2022 O
, O
Indonesia O
beberapa O
kali O
menarik O
perhatian O
media O
internasional. O
Perlu O
dilakukan O
analisis O
untuk O
mengetahui O
persepsi O
media O
terhadap O
Indonesia. O
Oleh O
karena O
itu O
, O
dilakukan O
analisis B-METODE
sentimen I-METODE
pada O
media O
internasional O
, O
yaitu O
berita O
daring O
dan O
media O
sosial O
Twitter. O
Pada O
berita O
dilakukan O
analisis B-METODE
sentimen I-METODE
berbasis I-METODE
aspek I-METODE
, I-METODE
dan O
pada O
opini O
Twitter O
dilakukan O
klasifikasi B-METODE
sentimen O
serta O
topic B-METODE
modelling. I-METODE
Hasilnya O
adalah O
mayoritas B-TEMUAN
data I-TEMUAN
terklasifikasi I-TEMUAN
ke I-TEMUAN
sentimen I-TEMUAN
netral. I-TEMUAN
Twitter I-TEMUAN
pada I-TEMUAN
sentimen I-TEMUAN
positif I-TEMUAN
terdapat I-TEMUAN
6 I-TEMUAN
topik I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
sentimen I-TEMUAN
negatif I-TEMUAN
terdapat I-TEMUAN
5 I-TEMUAN
topik. I-TEMUAN
Lalu O
didapatkan O
bahwa O
setimen O
positif O
Twitter O
dan O
jumlah O
wisatawan O
mancanegara O
( O
wisman O
) O
diuji O
dengan O
korelasi O
spearman O
dan O
didapatkan O
sentimen O
memiliki O
korelasi O
positif O
, O
dan O
lemah O
, O
dengan O
wisman. O
Hasil O
dari O
analisis O
sentimen O
pada O
berita O
dan O
Twitter O
, O
serta O
hasil O
topic O
modelling O
dirangkum O
dalam O
dashboard O
visualisasi. O
Kata O
Kunci— O
citra O
negara O
, O
media O
internasional O
, O
pariwisata O
, O
sentimen O
, O
topik. O
[SEP] O
Kesimpulan O
pada O
penelitian O
ini O
adalah O
: O
VII. O
1. O
Pada O
penelitian O
ini O
didapatkan O
model O
terbaik O
untuk O
mengklasifikasikan B-TUJUAN
sentimen I-TUJUAN
Twitter I-TUJUAN
, O
yaitu O
Random O
Forest O
, O
dan O
didapatkan O
persentase O
sentimen O
pada O
Twitter O
, O
mayoritas O
memiliki O
sentimen O
netral. O
2. O
Pada O
berita O
dilakukan O
analisis O
berbasis O
aspek O
yang O
membentuk O
citra O
Indonesia O
, O
yaitu O
pariwisata O
, O
ekspor O
, O
diplomasi O
, O
kebijakan O
pemerintah O
, O
dan O
perilaku O
masyarakat O
dengan O
BERT. O
Didapatkan O
setiap O
aspek O
, O
mayoritas O
memiliki O
sentimen O
netral. O
3. O
Pada B-TEMUAN
sentimen I-TEMUAN
positif I-TEMUAN
maupun I-TEMUAN
negatif I-TEMUAN
Twitter I-TEMUAN
telah I-TEMUAN
dilakukan I-TEMUAN
topic I-TEMUAN
modelling I-TEMUAN
untuk I-TEMUAN
mendapatkan I-TEMUAN
topik I-TEMUAN
yang I-TEMUAN
terkait I-TEMUAN
dengan I-TEMUAN
sentimen I-TEMUAN
tersebut. I-TEMUAN
Pada I-TEMUAN
sentimen I-TEMUAN
positif I-TEMUAN
terdapat I-TEMUAN
6 I-TEMUAN
topik I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
kebijakan I-TEMUAN
pemerintah I-TEMUAN
Indonesia I-TEMUAN
terkait I-TEMUAN
covid I-TEMUAN
dan I-TEMUAN
investasi I-TEMUAN
, I-TEMUAN
topik I-TEMUAN
mengenai I-TEMUAN
masyarakat I-TEMUAN
Indonesia I-TEMUAN
, I-TEMUAN
militer I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
, I-TEMUAN
pariwisata I-TEMUAN
Indonesia I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
kesan I-TEMUAN
wisatawan I-TEMUAN
Indonesia. I-TEMUAN
Sedangkan I-TEMUAN
pada I-TEMUAN
sentimen I-TEMUAN
negatif I-TEMUAN
didapatkan I-TEMUAN
5 I-TEMUAN
topik I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
topik I-TEMUAN
permohonan I-TEMUAN
untuk I-TEMUAN
menghentikan I-TEMUAN
kejahatan I-TEMUAN
kepada I-TEMUAN
black I-TEMUAN
people I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
, I-TEMUAN
lalu I-TEMUAN
HAM I-TEMUAN
pengungsi I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
, I-TEMUAN
kejahatan I-TEMUAN
perang I-TEMUAN
yang I-TEMUAN
dilakukan I-TEMUAN
polisi I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
, I-TEMUAN
topik I-TEMUAN
mengenai I-TEMUAN
perang I-TEMUAN
dan I-TEMUAN
trade I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
topik I-TEMUAN
mengenai I-TEMUAN
bencana I-TEMUAN
alam I-TEMUAN
di I-TEMUAN
Indonesia. I-TEMUAN
selama O
mengunjungi O
4. O
Pada O
penelitian O
ini O
dilakukan O
korelasi O
spearman O
antara O
jumlah O
wisatawan O
mancanegara O
dengan O
jumlah O
tweet O
yang O
memiliki O
sentimen O
positif. O
Dapat O
disimpulkan O
bahwa O
terdapat O
hubungan O
positif O
antara O
jumlah O
wisman O
dengan O
jumlah O
tweet O
bersentimen O
positif. O
Dimana O
jika O
jumlah O
tweet O
yang O
memiliki O
sentimen O
positif O
naik O
, O
maka O
jumlah O
wisman O
juga O
naik. O
Namun O
, O
korelasi O
yang O
dimiliki O
lemah. O
5. O
Pada O
penelitian O
ini O
dihasilkan O
dashboard O
sederhana O
untuk O
merangkum O
hasil O
analisis O
sentimen O
pada O
Twitter O
dan O
berita O
, O
serta O
topik-topik O
terkait O
sentimen O
positif O
dan O
negatif O
pada O
Twitter. O
Saran O
untuk O
penelitian O
selanjutnya O
, O
perlu O
ada O
penambahan O
dataset O
dengan O
melakukan O
labelling O
oleh O
annotater O
agar O
performa O
model O
dapat O
memprediksi O
kelas O
sentimen O
dengan O
tepat. O

Pemodelan O
Topik O
terkait O
Keluhan O
Masyarakat O
terhadap O
Pelayanan O
Transjakarta O
pada O
Media O
Sosial O
Twitter O
Fidya O
Adiningtias O
( O
221910709 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
SST O
, O
M.Si O
Ringkasan— O
Transportasi O
umum O
merupakan O
aspek O
penting O
dalam O
pengembangan O
kota O
yang O
maju. O
Transportasi O
umum O
yang O
buruk O
dapat O
menyebabkan O
ketidakpuasan O
pengguna O
, O
kemacetan O
lalu O
lintas O
yang O
parah O
, O
kualitas O
operasional O
sistem O
transportasi O
umum O
yang O
menurun O
, O
dan O
menciptakan O
kesenjangan O
sosial. O
Sebagai O
transportasi O
umum O
yang O
populer O
dan O
banyak O
diminati O
masyarakat O
Jakarta O
, O
Transjakarta O
memiliki O
keluhan-keluhan O
dari O
masyarakat O
terkait O
ketidaktepatan O
waktu O
kedatangan O
bus O
, O
kepadatan O
penumpang O
, O
kondisi O
fisik O
armada O
yang O
buruk O
, O
kurangnya O
pelayanan O
dan O
keramahan O
petugas O
, O
serta O
masalah O
terkait O
sistem O
pembayaran. O
Twitter O
, O
sebagai O
salah O
satu O
media O
yang O
dimiliki O
Transjakarta O
, O
menjadi O
media O
yang O
paling O
efektif O
dan O
banyak O
digunakan O
oleh O
masyarakat O
untuk O
mengajukan O
keluhan O
terkait O
pelayanan O
Transjakarta. O
Penelitian O
ini O
bertujuan O
untuk O
mengetahui B-TUJUAN
topik I-TUJUAN
apa I-TUJUAN
saja I-TUJUAN
yang I-TUJUAN
menjadi I-TUJUAN
keluhan I-TUJUAN
dan I-TUJUAN
pembicaraan I-TUJUAN
masyarakat I-TUJUAN
di I-TUJUAN
media I-TUJUAN
sosial I-TUJUAN
Twitter I-TUJUAN
terhadap I-TUJUAN
pelayanan I-TUJUAN
Transjakarta. I-TUJUAN
Tahapan O
penelitian O
ini O
dimulai O
dengan O
mengumpulkan O
data O
twit O
tentang O
pelayanan O
Transjakarta O
yang O
kemudian O
diklasifikasikan O
ke O
dalam O
kategori O
keluhan O
dan O
bukan O
keluhan O
menggunakan O
teknik O
Semi-Supervised O
Learning O
dengan O
algoritma O
Random O
Forest O
, O
Support O
Vector O
Machine O
( O
SVM O
) O
, O
dan O
Regresi O
Logistik. O
Selanjutnya O
dilakukan O
pemodelan O
topik O
dengan O
menggunakan O
metode O
Latent O
Dirichlet O
Allocation O
( O
LDA O
) O
dan O
Latent O
Semantic O
Analysis O
( O
LSA O
) O
. O
Hasilnya O
menunjukkan O
bahwa O
model B-TEMUAN
klasifikasi I-TEMUAN
terbaik I-TEMUAN
adalah I-TEMUAN
algoritma I-TEMUAN
SVM I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
90,46 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
metode I-TEMUAN
pemodelan I-TEMUAN
topik I-TEMUAN
terbaik I-TEMUAN
adalah I-TEMUAN
LSA I-TEMUAN
dengan I-TEMUAN
coherence I-TEMUAN
score I-TEMUAN
sebesar I-TEMUAN
0.51544 I-TEMUAN
untuk I-TEMUAN
2 I-TEMUAN
kelompok I-TEMUAN
topik I-TEMUAN
yang I-TEMUAN
tersebar. I-TEMUAN
Kata O
Kunci— O
Pemodelan O
Topik O
, O
Keluhan O
, O
Transjakarta O
, O
Twitter. O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bab O
sebelumnya O
, O
maka O
didapatkan O
kesimpulan O
dari O
penelitian O
ini O
, O
yaitu O
: O
1. O
Dari O
pengklasifikasian O
twit O
yang O
telah O
dilakukan O
dengan O
menggunakan O
ketiga O
metode O
didapatkan O
bahwa O
metode O
SVM O
menghasilkan O
model O
terbaik O
dengan O
nilai O
akurasi O
sebesar O
90,46 O
% O
, O
dimana O
nilai O
ini O
menunjukkan O
performa O
yang O
cukup O
baik O
dalam O
melakukan O
klasifikasi O
twit O
masyarakat O
pada O
media O
sosial O
Twitter O
terhadap O
pelayanan O
Transjakarta. O
2. O
Dari B-METODE
pemodelan I-METODE
topik I-METODE
yang O
telah O
dilakukan O
dengan O
menggunakan O
kedua O
metode O
didapatkan O
bahwa O
metode B-TEMUAN
LSA I-TEMUAN
menghasilkan I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
coherence I-TEMUAN
score I-TEMUAN
sebesar I-TEMUAN
0.51544 I-TEMUAN
untuk I-TEMUAN
2 I-TEMUAN
kelompok I-TEMUAN
topik I-TEMUAN
yang I-TEMUAN
tersebar I-TEMUAN
, I-TEMUAN
dimana I-TEMUAN
nilai I-TEMUAN
ini I-TEMUAN
menunjukkan I-TEMUAN
performa I-TEMUAN
yang I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
dalam I-TEMUAN
melakukan I-TEMUAN
pemodelan I-TEMUAN
topik I-TEMUAN
twit I-TEMUAN
keluhan I-TEMUAN
masyarakat I-TEMUAN
pada I-TEMUAN
media I-TEMUAN
sosial I-TEMUAN
Twitter I-TEMUAN
terhadap I-TEMUAN
pelayanan I-TEMUAN
Transjakarta. I-TEMUAN
B. O
Saran O
Berdasarkan O
hasil O
dan O
kesimpulan O
yang O
didapatkan O
dari O
penelitian O
ini O
, O
maka O
beberapa O
saran O
yang O
dapat O
peneliti O
berikan O
untuk O
penelitian O
selanjutnya O
, O
adalah O
: O
1. O
Menambahkan O
Sumber O
Data O
Lain. O
pihak O
selaku O
Pada O
penelitian O
ini O
, O
analisis O
yang O
dilakukan O
hanya O
terbatas O
pada O
data O
twit O
saja. O
Mengingat O
PT O
Transjakarta O
yang O
mengelola O
Transjakarta O
memiliki O
media O
sosial O
lain O
sebagai O
layanan O
mereka O
, O
seperti O
instagram O
dan O
facebook O
, O
maka O
terdapat O
kemungkinan O
bahwa O
analisis O
yang O
dihasilkan O
menggunakan O
media O
tersebut O
dapat O
memperkaya O
informasi O
pada O
penelitian O
selanjutnya. O
2. O
Menambahkan O
Annotator O
pada O
Tahap O
Pelabelan O
Manual. O
Pada O
saat O
melakukan O
pelabelan O
manual O
, O
peneliti O
merasa O
kesulitan O
dalam O
menentukan O
label O
pada O
setiap O
twit. O
Oleh O
karena O
itu O
, O
untuk O
penelitian O
selanjutnya O
dapat O
dilakukan O
pelabelan O
oleh O
minimal O
3 O
annotator O
untuk O
dijadikan O
sebagai O
pembanding O
dalam O
menentukan O
hasil O
akhir O
label. O

Pemodelan O
Topik O
terkait O
Keluhan O
Masyarakat O
terhadap O
Pelayanan O
Transjakarta O
pada O
Media O
Sosial O
Twitter O
Fidya O
Adiningtias O
( O
221910709 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
SST O
, O
M.Si O
Ringkasan— O
Transportasi O
umum O
merupakan O
aspek O
penting O
dalam O
pengembangan O
kota O
yang O
maju. O
Transportasi O
umum O
yang O
buruk O
dapat O
menyebabkan O
ketidakpuasan O
pengguna O
, O
kemacetan O
lalu O
lintas O
yang O
parah O
, O
kualitas O
operasional O
sistem O
transportasi O
umum O
yang O
menurun O
, O
dan O
menciptakan O
kesenjangan O
sosial. O
Sebagai O
transportasi O
umum O
yang O
populer O
dan O
banyak O
diminati O
masyarakat O
Jakarta O
, O
Transjakarta O
memiliki O
keluhan-keluhan O
dari O
masyarakat O
terkait O
ketidaktepatan O
waktu O
kedatangan O
bus O
, O
kepadatan O
penumpang O
, O
kondisi O
fisik O
armada O
yang O
buruk O
, O
kurangnya O
pelayanan O
dan O
keramahan O
petugas O
, O
serta O
masalah O
terkait O
sistem O
pembayaran. O
Twitter O
, O
sebagai O
salah O
satu O
media O
yang O
dimiliki O
Transjakarta O
, O
menjadi O
media O
yang O
paling O
efektif O
dan O
banyak O
digunakan O
oleh O
masyarakat O
untuk O
mengajukan O
keluhan O
terkait O
pelayanan O
Transjakarta. O
Penelitian O
ini O
bertujuan O
untuk O
mengetahui B-TUJUAN
topik I-TUJUAN
apa I-TUJUAN
saja I-TUJUAN
yang I-TUJUAN
menjadi I-TUJUAN
keluhan I-TUJUAN
dan I-TUJUAN
pembicaraan I-TUJUAN
masyarakat I-TUJUAN
di I-TUJUAN
media I-TUJUAN
sosial I-TUJUAN
Twitter I-TUJUAN
terhadap I-TUJUAN
pelayanan I-TUJUAN
Transjakarta. I-TUJUAN
Tahapan O
penelitian O
ini O
dimulai O
dengan O
mengumpulkan O
data O
twit O
tentang O
pelayanan O
Transjakarta O
yang O
kemudian O
diklasifikasikan O
ke O
dalam O
kategori O
keluhan O
dan O
bukan O
keluhan O
menggunakan O
teknik O
Semi-Supervised O
Learning O
dengan O
algoritma O
Random O
Forest O
, O
Support O
Vector O
Machine O
( O
SVM O
) O
, O
dan O
Regresi O
Logistik. O
Selanjutnya O
dilakukan O
pemodelan O
topik O
dengan O
menggunakan O
metode O
Latent O
Dirichlet O
Allocation O
( O
LDA O
) O
dan O
Latent O
Semantic O
Analysis O
( O
LSA O
) O
. O
Hasilnya O
menunjukkan O
bahwa O
model B-TEMUAN
klasifikasi I-TEMUAN
terbaik I-TEMUAN
adalah I-TEMUAN
algoritma I-TEMUAN
SVM I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
90,46 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
metode I-TEMUAN
pemodelan I-TEMUAN
topik I-TEMUAN
terbaik I-TEMUAN
adalah I-TEMUAN
LSA I-TEMUAN
dengan I-TEMUAN
coherence I-TEMUAN
score I-TEMUAN
sebesar I-TEMUAN
0.51544 I-TEMUAN
untuk I-TEMUAN
2 I-TEMUAN
kelompok I-TEMUAN
topik I-TEMUAN
yang I-TEMUAN
tersebar. I-TEMUAN
Kata O
Kunci— O
Pemodelan O
Topik O
, O
Keluhan O
, O
Transjakarta O
, O
Twitter. O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bab O
sebelumnya O
, O
maka O
didapatkan O
kesimpulan O
dari O
penelitian O
ini O
, O
yaitu O
: O
1. O
Dari O
pengklasifikasian O
twit O
yang O
telah O
dilakukan O
dengan O
menggunakan O
ketiga O
metode O
didapatkan O
bahwa O
metode O
SVM O
menghasilkan O
model O
terbaik O
dengan O
nilai O
akurasi O
sebesar O
90,46 O
% O
, O
dimana O
nilai O
ini O
menunjukkan O
performa O
yang O
cukup O
baik O
dalam O
melakukan O
klasifikasi O
twit O
masyarakat O
pada O
media O
sosial O
Twitter O
terhadap O
pelayanan O
Transjakarta. O
2. O
Dari B-METODE
pemodelan I-METODE
topik I-METODE
yang O
telah O
dilakukan O
dengan O
menggunakan O
kedua O
metode O
didapatkan O
bahwa O
metode B-TEMUAN
LSA I-TEMUAN
menghasilkan I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
coherence I-TEMUAN
score I-TEMUAN
sebesar I-TEMUAN
0.51544 I-TEMUAN
untuk I-TEMUAN
2 I-TEMUAN
kelompok I-TEMUAN
topik I-TEMUAN
yang I-TEMUAN
tersebar I-TEMUAN
, I-TEMUAN
dimana I-TEMUAN
nilai I-TEMUAN
ini I-TEMUAN
menunjukkan I-TEMUAN
performa I-TEMUAN
yang I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
dalam I-TEMUAN
melakukan I-TEMUAN
pemodelan I-TEMUAN
topik I-TEMUAN
twit I-TEMUAN
keluhan I-TEMUAN
masyarakat I-TEMUAN
pada I-TEMUAN
media I-TEMUAN
sosial I-TEMUAN
Twitter I-TEMUAN
terhadap I-TEMUAN
pelayanan I-TEMUAN
Transjakarta. I-TEMUAN
B. O
Saran O
Berdasarkan O
hasil O
dan O
kesimpulan O
yang O
didapatkan O
dari O
penelitian O
ini O
, O
maka O
beberapa O
saran O
yang O
dapat O
peneliti O
berikan O
untuk O
penelitian O
selanjutnya O
, O
adalah O
: O
1. O
Menambahkan O
Sumber O
Data O
Lain. O
pihak O
selaku O
Pada O
penelitian O
ini O
, O
analisis O
yang O
dilakukan O
hanya O
terbatas O
pada O
data O
twit O
saja. O
Mengingat O
PT O
Transjakarta O
yang O
mengelola O
Transjakarta O
memiliki O
media O
sosial O
lain O
sebagai O
layanan O
mereka O
, O
seperti O
instagram O
dan O
facebook O
, O
maka O
terdapat O
kemungkinan O
bahwa O
analisis O
yang O
dihasilkan O
menggunakan O
media O
tersebut O
dapat O
memperkaya O
informasi O
pada O
penelitian O
selanjutnya. O
2. O
Menambahkan O
Annotator O
pada O
Tahap O
Pelabelan O
Manual. O
Pada O
saat O
melakukan O
pelabelan O
manual O
, O
peneliti O
merasa O
kesulitan O
dalam O
menentukan O
label O
pada O
setiap O
twit. O
Oleh O
karena O
itu O
, O
untuk O
penelitian O
selanjutnya O
dapat O
dilakukan O
pelabelan O
oleh O
minimal O
3 O
annotator O
untuk O
dijadikan O
sebagai O
pembanding O
dalam O
menentukan O
hasil O
akhir O
label. O

Pemodelan O
Topik O
terkait O
Keluhan O
Masyarakat O
terhadap O
Pelayanan O
Transjakarta O
pada O
Media O
Sosial O
Twitter O
Fidya O
Adiningtias O
( O
221910709 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
SST O
, O
M.Si O
Ringkasan— O
Transportasi O
umum O
merupakan O
aspek O
penting O
dalam O
pengembangan O
kota O
yang O
maju. O
Transportasi O
umum O
yang O
buruk O
dapat O
menyebabkan O
ketidakpuasan O
pengguna O
, O
kemacetan O
lalu O
lintas O
yang O
parah O
, O
kualitas O
operasional O
sistem O
transportasi O
umum O
yang O
menurun O
, O
dan O
menciptakan O
kesenjangan O
sosial. O
Sebagai O
transportasi O
umum O
yang O
populer O
dan O
banyak O
diminati O
masyarakat O
Jakarta O
, O
Transjakarta O
memiliki O
keluhan-keluhan O
dari O
masyarakat O
terkait O
ketidaktepatan O
waktu O
kedatangan O
bus O
, O
kepadatan O
penumpang O
, O
kondisi O
fisik O
armada O
yang O
buruk O
, O
kurangnya O
pelayanan O
dan O
keramahan O
petugas O
, O
serta O
masalah O
terkait O
sistem O
pembayaran. O
Twitter O
, O
sebagai O
salah O
satu O
media O
yang O
dimiliki O
Transjakarta O
, O
menjadi O
media O
yang O
paling O
efektif O
dan O
banyak O
digunakan O
oleh O
masyarakat O
untuk O
mengajukan O
keluhan O
terkait O
pelayanan O
Transjakarta. O
Penelitian O
ini O
bertujuan O
untuk O
mengetahui B-TUJUAN
topik I-TUJUAN
apa I-TUJUAN
saja I-TUJUAN
yang I-TUJUAN
menjadi I-TUJUAN
keluhan I-TUJUAN
dan I-TUJUAN
pembicaraan I-TUJUAN
masyarakat I-TUJUAN
di I-TUJUAN
media I-TUJUAN
sosial I-TUJUAN
Twitter I-TUJUAN
terhadap I-TUJUAN
pelayanan I-TUJUAN
Transjakarta. I-TUJUAN
Tahapan O
penelitian O
ini O
dimulai O
dengan O
mengumpulkan O
data O
twit O
tentang O
pelayanan O
Transjakarta O
yang O
kemudian O
diklasifikasikan O
ke O
dalam O
kategori O
keluhan O
dan O
bukan O
keluhan O
menggunakan O
teknik O
Semi-Supervised O
Learning O
dengan O
algoritma O
Random O
Forest O
, O
Support O
Vector O
Machine O
( O
SVM O
) O
, O
dan O
Regresi O
Logistik. O
Selanjutnya O
dilakukan O
pemodelan O
topik O
dengan O
menggunakan O
metode O
Latent O
Dirichlet O
Allocation O
( O
LDA O
) O
dan O
Latent O
Semantic O
Analysis O
( O
LSA O
) O
. O
Hasilnya O
menunjukkan O
bahwa O
model B-TEMUAN
klasifikasi I-TEMUAN
terbaik I-TEMUAN
adalah I-TEMUAN
algoritma I-TEMUAN
SVM I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
90,46 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
metode I-TEMUAN
pemodelan I-TEMUAN
topik I-TEMUAN
terbaik I-TEMUAN
adalah I-TEMUAN
LSA I-TEMUAN
dengan I-TEMUAN
coherence I-TEMUAN
score I-TEMUAN
sebesar I-TEMUAN
0.51544 I-TEMUAN
untuk I-TEMUAN
2 I-TEMUAN
kelompok I-TEMUAN
topik I-TEMUAN
yang I-TEMUAN
tersebar. I-TEMUAN
Kata O
Kunci— O
Pemodelan O
Topik O
, O
Keluhan O
, O
Transjakarta O
, O
Twitter. O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bab O
sebelumnya O
, O
maka O
didapatkan O
kesimpulan O
dari O
penelitian O
ini O
, O
yaitu O
: O
1. O
Dari O
pengklasifikasian O
twit O
yang O
telah O
dilakukan O
dengan O
menggunakan O
ketiga O
metode O
didapatkan O
bahwa O
metode O
SVM O
menghasilkan O
model O
terbaik O
dengan O
nilai O
akurasi O
sebesar O
90,46 O
% O
, O
dimana O
nilai O
ini O
menunjukkan O
performa O
yang O
cukup O
baik O
dalam O
melakukan O
klasifikasi O
twit O
masyarakat O
pada O
media O
sosial O
Twitter O
terhadap O
pelayanan O
Transjakarta. O
2. O
Dari B-METODE
pemodelan I-METODE
topik I-METODE
yang O
telah O
dilakukan O
dengan O
menggunakan O
kedua O
metode O
didapatkan O
bahwa O
metode B-TEMUAN
LSA I-TEMUAN
menghasilkan I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
coherence I-TEMUAN
score I-TEMUAN
sebesar I-TEMUAN
0.51544 I-TEMUAN
untuk I-TEMUAN
2 I-TEMUAN
kelompok I-TEMUAN
topik I-TEMUAN
yang I-TEMUAN
tersebar I-TEMUAN
, I-TEMUAN
dimana I-TEMUAN
nilai I-TEMUAN
ini I-TEMUAN
menunjukkan I-TEMUAN
performa I-TEMUAN
yang I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
dalam I-TEMUAN
melakukan I-TEMUAN
pemodelan I-TEMUAN
topik I-TEMUAN
twit I-TEMUAN
keluhan I-TEMUAN
masyarakat I-TEMUAN
pada I-TEMUAN
media I-TEMUAN
sosial I-TEMUAN
Twitter I-TEMUAN
terhadap I-TEMUAN
pelayanan I-TEMUAN
Transjakarta. I-TEMUAN
B. O
Saran O
Berdasarkan O
hasil O
dan O
kesimpulan O
yang O
didapatkan O
dari O
penelitian O
ini O
, O
maka O
beberapa O
saran O
yang O
dapat O
peneliti O
berikan O
untuk O
penelitian O
selanjutnya O
, O
adalah O
: O
1. O
Menambahkan O
Sumber O
Data O
Lain. O
pihak O
selaku O
Pada O
penelitian O
ini O
, O
analisis O
yang O
dilakukan O
hanya O
terbatas O
pada O
data O
twit O
saja. O
Mengingat O
PT O
Transjakarta O
yang O
mengelola O
Transjakarta O
memiliki O
media O
sosial O
lain O
sebagai O
layanan O
mereka O
, O
seperti O
instagram O
dan O
facebook O
, O
maka O
terdapat O
kemungkinan O
bahwa O
analisis O
yang O
dihasilkan O
menggunakan O
media O
tersebut O
dapat O
memperkaya O
informasi O
pada O
penelitian O
selanjutnya. O
2. O
Menambahkan O
Annotator O
pada O
Tahap O
Pelabelan O
Manual. O
Pada O
saat O
melakukan O
pelabelan O
manual O
, O
peneliti O
merasa O
kesulitan O
dalam O
menentukan O
label O
pada O
setiap O
twit. O
Oleh O
karena O
itu O
, O
untuk O
penelitian O
selanjutnya O
dapat O
dilakukan O
pelabelan O
oleh O
minimal O
3 O
annotator O
untuk O
dijadikan O
sebagai O
pembanding O
dalam O
menentukan O
hasil O
akhir O
label. O

Peramalan O
Emisi O
Karbon O
Dioksida O
di O
Indonesia O
serta O
Analisi O
Faktor-Faktor O
yang O
Memengaruhinya O
Muhammad O
Daffa O
Taufiq O
Hadikara O
( O
221910705 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Nucke O
Widowati O
Kusumo O
Projo O
S.Si. O
, O
M.Sc. O
, O
Ph.D. O
Ringkasan— O
CO2 O
memegang O
perananan O
penting O
dalam O
perubahan O
iklim O
global. O
Tujuan O
dari O
penelitian O
ini O
adalah O
meramalkan B-TUJUAN
emisi I-TUJUAN
CO2 I-TUJUAN
di I-TUJUAN
Indonesia I-TUJUAN
dan O
menganalisis O
faktor- O
faktor O
yang O
memengaruhinya. O
Metode B-METODE
ARIMA I-METODE
dan I-METODE
multilayer I-METODE
perceptron I-METODE
digunakan O
untuk O
mendapatkan O
metode O
peramalan O
terbaik O
, O
serta O
analisis O
RLB O
digunakan O
untuk O
menganalisis O
faktor- O
faktor O
yang O
berkontribusi O
terhadap O
perubahan O
emisi O
CO2. O
Hasil O
analisis O
menunjukkan O
bahwa O
emisi O
CO2 O
di O
Indonesia O
mengalami O
peningkatan O
yang O
cukup O
signifikan O
dalam O
beberapa O
dekade O
terakhir O
, O
sejalan O
dengan O
pertumbuhan O
ekonomi O
dan O
populasi. O
Faktor-faktor O
yang O
memengaruhi O
secara O
signifikan O
terhadap O
emisi O
CO2 O
di O
Indonesia O
meliputi O
kepadatan O
penduduk O
, O
serta O
konsumsi O
energi O
fosil O
dan O
terbarukan O
, O
namun O
pertumbuhan O
ekonomi O
tidak O
memiliki O
dampak O
secara O
signifikan O
terhadap O
emisi O
CO2. O
Berdasarkan O
hasil O
peramalan O
, O
didapatkan B-TEMUAN
jumlah I-TEMUAN
emisi I-TEMUAN
CO2 I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
sebesar I-TEMUAN
712 I-TEMUAN
juta I-TEMUAN
ton I-TEMUAN
/ I-TEMUAN
tahun. I-TEMUAN
Jumlah O
tersebut O
masih O
berada O
di O
bawah O
target O
pemerintah O
yang O
berada O
di O
sekitar O
912 O
juta O
ton O
/ O
tahun. O
Dengan O
menggunakan O
model O
peramalan B-METODE
yang O
tepat O
, O
penelitian O
ini O
dapat O
membantu O
pemangku O
kepentingan O
untuk O
mengidentifikasi O
faktor-faktor O
yang O
berdampak O
signifikan O
terhadap O
emisi O
CO2 O
di O
Indonesia. O
Kata O
Kunci— O
Kebijakan O
, O
Lingkungan O
, O
Ekonomi O
, O
ARIMA O
, O
Multilayer O
Perceptron O
, O
Regresi O
Linier O
Berganda. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bab O
sebelumnya O
, O
maka O
diperoleh O
kesimpulan O
sebagai O
berikut O
: O
1. O
Emisi O
CO2 O
dan O
faktor-faktor O
yang O
memengaruhinya O
cenderung O
mengalami O
peningkatan O
dari O
tahun O
1970-2020. O
2. O
Model O
peramalan O
emisi O
CO2 O
adalah O
multilayer O
perceptron. O
Hasil B-TEMUAN
peramalan I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
pada I-TEMUAN
tahun I-TEMUAN
2030 I-TEMUAN
, I-TEMUAN
jumlah I-TEMUAN
emisi I-TEMUAN
CO2 I-TEMUAN
sebesar I-TEMUAN
721,5427 I-TEMUAN
juta I-TEMUAN
ton I-TEMUAN
/ I-TEMUAN
tahun. I-TEMUAN
Hal O
ini O
masih O
berada O
di O
bawah O
target O
pemerintah O
Indonesia O
, O
yaitu O
920 O
juta O
ton O
/ O
tahun. O
3. O
Berdasarkan O
hasil O
analisis O
, O
kepadatan O
penduduk O
, O
konsumsi O
minyak O
, O
dan O
konsumsi O
batubara O
secara O
signifikan O
berpengaruh O
positif O
terhadap O
emisi O
CO2 O
per O
kapita. O
Sedangkan O
, O
konsumsi O
tenaga O
air O
secara O
signifikan O
berpengatuh O
negatif. O
Berdasarkan O
kesimpulan O
yang O
telah O
dipaparkan O
, O
saran O
yang O
dapat O
diberikan O
penelitian O
ini O
adalah O
sebagai O
betikut. O
1. O
Konsumsi O
energi O
terbarukan O
( O
air O
, O
surya O
, O
panas O
bumi O
, O
angin O
, O
dan O
lain-lain O
) O
memainkan O
peranan O
penting O
dalam O
mengurangi O
emisi O
CO2 O
di O
Indonesia. O
Oleh O
karena O
itu O
, O
7 O
/ O
8 O
pemerintah O
perlu O
merancang O
ekonomi O
yang O
untuk O
mewujudkan O
pembangunan O
berkelanjutan O
, O
dan O
menerapkan O
kebijakan O
serta O
memberikan O
dukungan O
yang O
efektif O
untuk O
mempromosikan O
investasi O
dalam O
teknologi O
rendah O
karbon O
( O
energi O
terbarukan O
) O
. O
Pemerintah O
hendaknya O
juga O
meningkatkan O
pasokan O
sumber O
energi O
terbarukan O
dalam O
pasokan O
energi O
di O
Indonesia. O
2. O
Dalam O
membuat O
ekonomi O
, O
kebijakan O
pertumbuhan O
pembangunan O
untuk O
peningkatan O
pemerintah O
hendaknya O
mengutamakan O
pertimbangan O
dampak O
terhadap O
pertumbuhan O
lingkungan O
disamping O
mewujudkan O
lebih O
cara O
ekonomi O
yang O
mengoptimalkan O
penerapan O
analisis O
mengenai O
dampak O
lingkungan O
dalam O
kegiatan O
pembangunan. O
lebih O
besar O
dengan O
3. O
Untuk O
penelitian O
selanjutnya O
, O
dapat O
mempertimbangkan O
pengaruh O
variabel O
ekonomi O
maupun O
sosial O
lainnya O
yang O
memiliki O
kaitan O
dengan O
emisi O
CO2 O
di O
Indonesia O
seperti O
keterbukaan O
perdagangan O
, O
jumlah O
wisatawan O
, O
dan O
variabel O
lainnya. O
Selain O
itu O
, O
diperlukan O
metode O
lainnya O
dalam O
meramalkan O
emisi O
CO2 O
supaya O
mendapatkan O
metode O
yang O
lebih O
baik O
dalam O
meramalkan O
emisi O
CO2 O
, O
sehingga O
kebijakan O
yang O
akan O
dibuat O
lebih O
sesuai. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O

Peramalan O
Emisi O
Karbon O
Dioksida O
di O
Indonesia O
serta O
Analisi O
Faktor-Faktor O
yang O
Memengaruhinya O
Muhammad O
Daffa O
Taufiq O
Hadikara O
( O
221910705 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Nucke O
Widowati O
Kusumo O
Projo O
S.Si. O
, O
M.Sc. O
, O
Ph.D. O
Ringkasan— O
CO2 O
memegang O
perananan O
penting O
dalam O
perubahan O
iklim O
global. O
Tujuan O
dari O
penelitian O
ini O
adalah O
meramalkan B-TUJUAN
emisi I-TUJUAN
CO2 I-TUJUAN
di I-TUJUAN
Indonesia I-TUJUAN
dan O
menganalisis O
faktor- O
faktor O
yang O
memengaruhinya. O
Metode B-METODE
ARIMA I-METODE
dan I-METODE
multilayer I-METODE
perceptron I-METODE
digunakan O
untuk O
mendapatkan O
metode O
peramalan O
terbaik O
, O
serta O
analisis O
RLB O
digunakan O
untuk O
menganalisis O
faktor- O
faktor O
yang O
berkontribusi O
terhadap O
perubahan O
emisi O
CO2. O
Hasil O
analisis O
menunjukkan O
bahwa O
emisi O
CO2 O
di O
Indonesia O
mengalami O
peningkatan O
yang O
cukup O
signifikan O
dalam O
beberapa O
dekade O
terakhir O
, O
sejalan O
dengan O
pertumbuhan O
ekonomi O
dan O
populasi. O
Faktor-faktor O
yang O
memengaruhi O
secara O
signifikan O
terhadap O
emisi O
CO2 O
di O
Indonesia O
meliputi O
kepadatan O
penduduk O
, O
serta O
konsumsi O
energi O
fosil O
dan O
terbarukan O
, O
namun O
pertumbuhan O
ekonomi O
tidak O
memiliki O
dampak O
secara O
signifikan O
terhadap O
emisi O
CO2. O
Berdasarkan O
hasil O
peramalan O
, O
didapatkan B-TEMUAN
jumlah I-TEMUAN
emisi I-TEMUAN
CO2 I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
sebesar I-TEMUAN
712 I-TEMUAN
juta I-TEMUAN
ton I-TEMUAN
/ I-TEMUAN
tahun. I-TEMUAN
Jumlah O
tersebut O
masih O
berada O
di O
bawah O
target O
pemerintah O
yang O
berada O
di O
sekitar O
912 O
juta O
ton O
/ O
tahun. O
Dengan O
menggunakan O
model O
peramalan B-METODE
yang O
tepat O
, O
penelitian O
ini O
dapat O
membantu O
pemangku O
kepentingan O
untuk O
mengidentifikasi O
faktor-faktor O
yang O
berdampak O
signifikan O
terhadap O
emisi O
CO2 O
di O
Indonesia. O
Kata O
Kunci— O
Kebijakan O
, O
Lingkungan O
, O
Ekonomi O
, O
ARIMA O
, O
Multilayer O
Perceptron O
, O
Regresi O
Linier O
Berganda. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bab O
sebelumnya O
, O
maka O
diperoleh O
kesimpulan O
sebagai O
berikut O
: O
1. O
Emisi O
CO2 O
dan O
faktor-faktor O
yang O
memengaruhinya O
cenderung O
mengalami O
peningkatan O
dari O
tahun O
1970-2020. O
2. O
Model O
peramalan O
emisi O
CO2 O
adalah O
multilayer O
perceptron. O
Hasil B-TEMUAN
peramalan I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
pada I-TEMUAN
tahun I-TEMUAN
2030 I-TEMUAN
, I-TEMUAN
jumlah I-TEMUAN
emisi I-TEMUAN
CO2 I-TEMUAN
sebesar I-TEMUAN
721,5427 I-TEMUAN
juta I-TEMUAN
ton I-TEMUAN
/ I-TEMUAN
tahun. I-TEMUAN
Hal O
ini O
masih O
berada O
di O
bawah O
target O
pemerintah O
Indonesia O
, O
yaitu O
920 O
juta O
ton O
/ O
tahun. O
3. O
Berdasarkan O
hasil O
analisis O
, O
kepadatan O
penduduk O
, O
konsumsi O
minyak O
, O
dan O
konsumsi O
batubara O
secara O
signifikan O
berpengaruh O
positif O
terhadap O
emisi O
CO2 O
per O
kapita. O
Sedangkan O
, O
konsumsi O
tenaga O
air O
secara O
signifikan O
berpengatuh O
negatif. O
Berdasarkan O
kesimpulan O
yang O
telah O
dipaparkan O
, O
saran O
yang O
dapat O
diberikan O
penelitian O
ini O
adalah O
sebagai O
betikut. O
1. O
Konsumsi O
energi O
terbarukan O
( O
air O
, O
surya O
, O
panas O
bumi O
, O
angin O
, O
dan O
lain-lain O
) O
memainkan O
peranan O
penting O
dalam O
mengurangi O
emisi O
CO2 O
di O
Indonesia. O
Oleh O
karena O
itu O
, O
7 O
/ O
8 O
pemerintah O
perlu O
merancang O
ekonomi O
yang O
untuk O
mewujudkan O
pembangunan O
berkelanjutan O
, O
dan O
menerapkan O
kebijakan O
serta O
memberikan O
dukungan O
yang O
efektif O
untuk O
mempromosikan O
investasi O
dalam O
teknologi O
rendah O
karbon O
( O
energi O
terbarukan O
) O
. O
Pemerintah O
hendaknya O
juga O
meningkatkan O
pasokan O
sumber O
energi O
terbarukan O
dalam O
pasokan O
energi O
di O
Indonesia. O
2. O
Dalam O
membuat O
ekonomi O
, O
kebijakan O
pertumbuhan O
pembangunan O
untuk O
peningkatan O
pemerintah O
hendaknya O
mengutamakan O
pertimbangan O
dampak O
terhadap O
pertumbuhan O
lingkungan O
disamping O
mewujudkan O
lebih O
cara O
ekonomi O
yang O
mengoptimalkan O
penerapan O
analisis O
mengenai O
dampak O
lingkungan O
dalam O
kegiatan O
pembangunan. O
lebih O
besar O
dengan O
3. O
Untuk O
penelitian O
selanjutnya O
, O
dapat O
mempertimbangkan O
pengaruh O
variabel O
ekonomi O
maupun O
sosial O
lainnya O
yang O
memiliki O
kaitan O
dengan O
emisi O
CO2 O
di O
Indonesia O
seperti O
keterbukaan O
perdagangan O
, O
jumlah O
wisatawan O
, O
dan O
variabel O
lainnya. O
Selain O
itu O
, O
diperlukan O
metode O
lainnya O
dalam O
meramalkan O
emisi O
CO2 O
supaya O
mendapatkan O
metode O
yang O
lebih O
baik O
dalam O
meramalkan O
emisi O
CO2 O
, O
sehingga O
kebijakan O
yang O
akan O
dibuat O
lebih O
sesuai. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O

Analisis O
Tingkat O
Depresi O
Mahasiswa O
pada O
Media O
Sosial O
Twitter O
menggunakan O
Deep O
Learning O
dan O
Latent O
Dirichlet O
Allocation O
( O
Studi O
Kasus O
: O
Akun O
Twitter O
@ O
collegemenfess O
) O
Azahra O
Dwi O
Putri O
( O
221910697 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
SST. O
, O
M.Si. O
pada O
135 O
% O
. O
depresi O
depresi O
sebesar O
Penderita O
Ringkasan— O
Depresi O
merupakan O
gangguan O
suasana O
hati O
yang O
ditandai O
dengan O
perasaan O
sedih O
yang O
mendalam O
dan O
kehilangan O
minat O
dalam O
kegiatan O
sehari-hari. O
Depresi O
dapat O
terjadi O
kepada O
siapapun O
, O
tidak O
terkecuali O
kepada O
mahasiswa. O
Dari O
tahun O
2013 O
hingga O
2021 O
, O
ditemukan O
adanya O
peningkatan O
depresi O
pada O
dapat O
mahasiswa O
mengungkapkan O
pikirannya O
melalui O
media O
sosial O
Twitter. O
Twitter O
dinilai O
mampu O
menggambarkan O
perasaan O
penggunanya O
dengan O
lebih O
kuat. O
Penelitian O
ini O
bertujuan O
untuk O
mendeteksi O
dan O
mengelompokkan O
tweet O
@ O
collegemenfess O
, O
melakukan B-TUJUAN
klasifikasi I-TUJUAN
tingkat I-TUJUAN
depresi I-TUJUAN
mahasiswa I-TUJUAN
pada I-TUJUAN
media I-TUJUAN
sosial I-TUJUAN
Twitter I-TUJUAN
menggunakan I-TUJUAN
LSTM I-TUJUAN
dan I-TUJUAN
BiLSTM I-TUJUAN
serta O
membandingkan O
topik O
berdasarkan O
kelas O
depresi O
menggunakan O
LDA. O
Didapatkan O
hasil O
sebanyak O
48.98 O
% O
tweet O
yang O
mengindikasikan O
depresi. O
Hasil B-TEMUAN
cluster I-TEMUAN
tweet I-TEMUAN
depresif I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sebesar I-TEMUAN
73.42 I-TEMUAN
% I-TEMUAN
tweet I-TEMUAN
mengindikasikan I-TEMUAN
tweet I-TEMUAN
mengindikasikan I-TEMUAN
depresi I-TEMUAN
berat. I-TEMUAN
Kemudian O
, O
metode O
BiLSTM O
memberikan O
hasil O
akurasi O
sebesar O
82.72 O
% O
dan O
LSTM O
sebesar O
82.25 O
% O
. O
Secara O
keseluruhan O
, O
metode O
BiLSTM O
memberikan O
performa O
lebih O
baik O
dibandingkan O
LSTM. O
Sedangkan O
hasil O
pemodelan O
topik O
menggambarkan O
tiga O
masalah O
umum O
untuk O
setiap O
kelas O
depresi O
, O
yaitu O
masalah O
akademik O
, O
sosial O
, O
dan O
hal O
lainnya. O
dan O
mengetahui O
performanya O
, O
26.58 O
% O
depresi O
ringan O
dan O
Kata O
Kunci— O
depresi O
, O
mahasiswa O
, O
Twitter O
, O
deep O
learning O
, O
LDA. O
[SEP] O
A. O
Kesimpulan O
1. O
Dari O
seluruh O
tweet O
akun O
@ O
collegemenfess O
yang O
telah O
tweet O
yang O
terdapat O
sebanyak O
48.98 O
% O
dibersihkan O
, O
7 O
/ O
8 O
terdeteksi O
mengindikasikan O
depresi. O
Adapun B-TEMUAN
hasil I-TEMUAN
pengelompokkan I-TEMUAN
tweet I-TEMUAN
depresif I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sebesar I-TEMUAN
73.42 I-TEMUAN
% I-TEMUAN
tweet I-TEMUAN
mengindikasikan I-TEMUAN
depresi I-TEMUAN
ringan I-TEMUAN
dan I-TEMUAN
sebesar I-TEMUAN
26.58 I-TEMUAN
% I-TEMUAN
tweet I-TEMUAN
mengindikasikan I-TEMUAN
depresi I-TEMUAN
berat. I-TEMUAN
2. O
Model B-TEMUAN
LSTM I-TEMUAN
dan I-TEMUAN
BiLSTM I-TEMUAN
berhasil I-TEMUAN
digunakan I-TEMUAN
untuk I-TEMUAN
klasifikasi I-TEMUAN
tingkat I-TEMUAN
depresi I-TEMUAN
mahasiswa I-TEMUAN
pada I-TEMUAN
akun I-TEMUAN
Twitter I-TEMUAN
@ I-TEMUAN
collegemenfess I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
akurasi I-TEMUAN
masing-masing I-TEMUAN
sebesar I-TEMUAN
82.25 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
82.72 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
3. O
Secara O
keseluruhan O
, O
metode O
klasifikasi O
BiLSTM O
memberikan O
performa O
yang O
lebih O
baik O
dibandingkan O
metode O
LSTM O
karena O
BiLSTM O
dapat O
memproses O
informasi O
dari O
dua O
arah O
, O
sedangkan O
LSTM O
hanya O
memproses O
dari O
satu O
arah. O
4. O
Hasil O
pemodelan O
topik O
menggunakan O
LDA O
untuk O
kelas O
depresi O
ringan O
maupun O
depresi O
berat O
dengan O
jumlah O
5 O
topik O
sama-sama O
menghasilkan O
tiga O
pembahasan O
umum O
, O
yaitu O
terkait O
akademik O
, O
sosial O
, O
dan O
hal O
lainnya. O
Hasil O
ini O
cukup O
berkaitan O
dengan O
penelitian O
yang O
menyatakan O
bahwa O
penyebab O
depresi O
paling O
umum O
pada O
mahasiswa O
adalah O
masalah O
akademik O
dan O
masalah O
sosial. O
B. O
Saran O
1. O
Menggunakan O
fitur O
sentimen O
maupun O
basic O
emotion O
dengan O
kamus O
berbahasa O
Indonesia O
agar O
dapat O
menjaga O
keutuhan O
makna O
kata O
aslinya. O
2. O
Meningkatkan O
kualitas O
aturan O
pelabelan O
data O
dan O
memverifikasikan O
hasilnya O
kepada O
pakar O
yang O
kompeten O
di O
bidang O
kesehatan O
mental O
, O
khususnya O
terkait O
depresi. O
3. O
Menambahkan O
model O
lainnya O
untuk O
melakukan O
klasifikasi O
data O
, O
baik O
machine O
learning O
maupun O
deep O
learning. O
4. O
Hasil O
dari O
pemodelan O
topik O
dalam O
penelitian O
ini O
diharapkan O
dapat O
dijadikan O
sebagai O
bahan O
untuk O
meneliti O
penyebab O
depresi O
mahasiswa O
secara O
rinci. O

Analisis O
Tingkat O
Depresi O
Mahasiswa O
pada O
Media O
Sosial O
Twitter O
menggunakan O
Deep O
Learning O
dan O
Latent O
Dirichlet O
Allocation O
( O
Studi O
Kasus O
: O
Akun O
Twitter O
@ O
collegemenfess O
) O
Azahra O
Dwi O
Putri O
( O
221910697 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
SST. O
, O
M.Si. O
pada O
135 O
% O
. O
depresi O
depresi O
sebesar O
Penderita O
Ringkasan— O
Depresi O
merupakan O
gangguan O
suasana O
hati O
yang O
ditandai O
dengan O
perasaan O
sedih O
yang O
mendalam O
dan O
kehilangan O
minat O
dalam O
kegiatan O
sehari-hari. O
Depresi O
dapat O
terjadi O
kepada O
siapapun O
, O
tidak O
terkecuali O
kepada O
mahasiswa. O
Dari O
tahun O
2013 O
hingga O
2021 O
, O
ditemukan O
adanya O
peningkatan O
depresi O
pada O
dapat O
mahasiswa O
mengungkapkan O
pikirannya O
melalui O
media O
sosial O
Twitter. O
Twitter O
dinilai O
mampu O
menggambarkan O
perasaan O
penggunanya O
dengan O
lebih O
kuat. O
Penelitian O
ini O
bertujuan O
untuk O
mendeteksi O
dan O
mengelompokkan O
tweet O
@ O
collegemenfess O
, O
melakukan B-TUJUAN
klasifikasi I-TUJUAN
tingkat I-TUJUAN
depresi I-TUJUAN
mahasiswa I-TUJUAN
pada I-TUJUAN
media I-TUJUAN
sosial I-TUJUAN
Twitter I-TUJUAN
menggunakan I-TUJUAN
LSTM I-TUJUAN
dan I-TUJUAN
BiLSTM I-TUJUAN
serta O
membandingkan O
topik O
berdasarkan O
kelas O
depresi O
menggunakan O
LDA. O
Didapatkan O
hasil O
sebanyak O
48.98 O
% O
tweet O
yang O
mengindikasikan O
depresi. O
Hasil B-TEMUAN
cluster I-TEMUAN
tweet I-TEMUAN
depresif I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sebesar I-TEMUAN
73.42 I-TEMUAN
% I-TEMUAN
tweet I-TEMUAN
mengindikasikan I-TEMUAN
tweet I-TEMUAN
mengindikasikan I-TEMUAN
depresi I-TEMUAN
berat. I-TEMUAN
Kemudian O
, O
metode O
BiLSTM O
memberikan O
hasil O
akurasi O
sebesar O
82.72 O
% O
dan O
LSTM O
sebesar O
82.25 O
% O
. O
Secara O
keseluruhan O
, O
metode O
BiLSTM O
memberikan O
performa O
lebih O
baik O
dibandingkan O
LSTM. O
Sedangkan O
hasil O
pemodelan O
topik O
menggambarkan O
tiga O
masalah O
umum O
untuk O
setiap O
kelas O
depresi O
, O
yaitu O
masalah O
akademik O
, O
sosial O
, O
dan O
hal O
lainnya. O
dan O
mengetahui O
performanya O
, O
26.58 O
% O
depresi O
ringan O
dan O
Kata O
Kunci— O
depresi O
, O
mahasiswa O
, O
Twitter O
, O
deep O
learning O
, O
LDA. O
[SEP] O
A. O
Kesimpulan O
1. O
Dari O
seluruh O
tweet O
akun O
@ O
collegemenfess O
yang O
telah O
tweet O
yang O
terdapat O
sebanyak O
48.98 O
% O
dibersihkan O
, O
7 O
/ O
8 O
terdeteksi O
mengindikasikan O
depresi. O
Adapun B-TEMUAN
hasil I-TEMUAN
pengelompokkan I-TEMUAN
tweet I-TEMUAN
depresif I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sebesar I-TEMUAN
73.42 I-TEMUAN
% I-TEMUAN
tweet I-TEMUAN
mengindikasikan I-TEMUAN
depresi I-TEMUAN
ringan I-TEMUAN
dan I-TEMUAN
sebesar I-TEMUAN
26.58 I-TEMUAN
% I-TEMUAN
tweet I-TEMUAN
mengindikasikan I-TEMUAN
depresi I-TEMUAN
berat. I-TEMUAN
2. O
Model B-TEMUAN
LSTM I-TEMUAN
dan I-TEMUAN
BiLSTM I-TEMUAN
berhasil I-TEMUAN
digunakan I-TEMUAN
untuk I-TEMUAN
klasifikasi I-TEMUAN
tingkat I-TEMUAN
depresi I-TEMUAN
mahasiswa I-TEMUAN
pada I-TEMUAN
akun I-TEMUAN
Twitter I-TEMUAN
@ I-TEMUAN
collegemenfess I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
akurasi I-TEMUAN
masing-masing I-TEMUAN
sebesar I-TEMUAN
82.25 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
82.72 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
3. O
Secara O
keseluruhan O
, O
metode O
klasifikasi O
BiLSTM O
memberikan O
performa O
yang O
lebih O
baik O
dibandingkan O
metode O
LSTM O
karena O
BiLSTM O
dapat O
memproses O
informasi O
dari O
dua O
arah O
, O
sedangkan O
LSTM O
hanya O
memproses O
dari O
satu O
arah. O
4. O
Hasil O
pemodelan O
topik O
menggunakan O
LDA O
untuk O
kelas O
depresi O
ringan O
maupun O
depresi O
berat O
dengan O
jumlah O
5 O
topik O
sama-sama O
menghasilkan O
tiga O
pembahasan O
umum O
, O
yaitu O
terkait O
akademik O
, O
sosial O
, O
dan O
hal O
lainnya. O
Hasil O
ini O
cukup O
berkaitan O
dengan O
penelitian O
yang O
menyatakan O
bahwa O
penyebab O
depresi O
paling O
umum O
pada O
mahasiswa O
adalah O
masalah O
akademik O
dan O
masalah O
sosial. O
B. O
Saran O
1. O
Menggunakan O
fitur O
sentimen O
maupun O
basic O
emotion O
dengan O
kamus O
berbahasa O
Indonesia O
agar O
dapat O
menjaga O
keutuhan O
makna O
kata O
aslinya. O
2. O
Meningkatkan O
kualitas O
aturan O
pelabelan O
data O
dan O
memverifikasikan O
hasilnya O
kepada O
pakar O
yang O
kompeten O
di O
bidang O
kesehatan O
mental O
, O
khususnya O
terkait O
depresi. O
3. O
Menambahkan O
model O
lainnya O
untuk O
melakukan O
klasifikasi O
data O
, O
baik O
machine O
learning O
maupun O
deep O
learning. O
4. O
Hasil O
dari O
pemodelan O
topik O
dalam O
penelitian O
ini O
diharapkan O
dapat O
dijadikan O
sebagai O
bahan O
untuk O
meneliti O
penyebab O
depresi O
mahasiswa O
secara O
rinci. O

Analisis O
Tingkat O
Depresi O
Mahasiswa O
pada O
Media O
Sosial O
Twitter O
menggunakan O
Deep O
Learning O
dan O
Latent O
Dirichlet O
Allocation O
( O
Studi O
Kasus O
: O
Akun O
Twitter O
@ O
collegemenfess O
) O
Azahra O
Dwi O
Putri O
( O
221910697 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
SST. O
, O
M.Si. O
pada O
135 O
% O
. O
depresi O
depresi O
sebesar O
Penderita O
Ringkasan— O
Depresi O
merupakan O
gangguan O
suasana O
hati O
yang O
ditandai O
dengan O
perasaan O
sedih O
yang O
mendalam O
dan O
kehilangan O
minat O
dalam O
kegiatan O
sehari-hari. O
Depresi O
dapat O
terjadi O
kepada O
siapapun O
, O
tidak O
terkecuali O
kepada O
mahasiswa. O
Dari O
tahun O
2013 O
hingga O
2021 O
, O
ditemukan O
adanya O
peningkatan O
depresi O
pada O
dapat O
mahasiswa O
mengungkapkan O
pikirannya O
melalui O
media O
sosial O
Twitter. O
Twitter O
dinilai O
mampu O
menggambarkan O
perasaan O
penggunanya O
dengan O
lebih O
kuat. O
Penelitian O
ini O
bertujuan O
untuk O
mendeteksi O
dan O
mengelompokkan O
tweet O
@ O
collegemenfess O
, O
melakukan B-TUJUAN
klasifikasi I-TUJUAN
tingkat I-TUJUAN
depresi I-TUJUAN
mahasiswa I-TUJUAN
pada I-TUJUAN
media I-TUJUAN
sosial I-TUJUAN
Twitter I-TUJUAN
menggunakan I-TUJUAN
LSTM I-TUJUAN
dan I-TUJUAN
BiLSTM I-TUJUAN
serta O
membandingkan O
topik O
berdasarkan O
kelas O
depresi O
menggunakan O
LDA. O
Didapatkan O
hasil O
sebanyak O
48.98 O
% O
tweet O
yang O
mengindikasikan O
depresi. O
Hasil B-TEMUAN
cluster I-TEMUAN
tweet I-TEMUAN
depresif I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sebesar I-TEMUAN
73.42 I-TEMUAN
% I-TEMUAN
tweet I-TEMUAN
mengindikasikan I-TEMUAN
tweet I-TEMUAN
mengindikasikan I-TEMUAN
depresi I-TEMUAN
berat. I-TEMUAN
Kemudian O
, O
metode O
BiLSTM O
memberikan O
hasil O
akurasi O
sebesar O
82.72 O
% O
dan O
LSTM O
sebesar O
82.25 O
% O
. O
Secara O
keseluruhan O
, O
metode O
BiLSTM O
memberikan O
performa O
lebih O
baik O
dibandingkan O
LSTM. O
Sedangkan O
hasil O
pemodelan O
topik O
menggambarkan O
tiga O
masalah O
umum O
untuk O
setiap O
kelas O
depresi O
, O
yaitu O
masalah O
akademik O
, O
sosial O
, O
dan O
hal O
lainnya. O
dan O
mengetahui O
performanya O
, O
26.58 O
% O
depresi O
ringan O
dan O
Kata O
Kunci— O
depresi O
, O
mahasiswa O
, O
Twitter O
, O
deep O
learning O
, O
LDA. O
[SEP] O
A. O
Kesimpulan O
1. O
Dari O
seluruh O
tweet O
akun O
@ O
collegemenfess O
yang O
telah O
tweet O
yang O
terdapat O
sebanyak O
48.98 O
% O
dibersihkan O
, O
7 O
/ O
8 O
terdeteksi O
mengindikasikan O
depresi. O
Adapun B-TEMUAN
hasil I-TEMUAN
pengelompokkan I-TEMUAN
tweet I-TEMUAN
depresif I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sebesar I-TEMUAN
73.42 I-TEMUAN
% I-TEMUAN
tweet I-TEMUAN
mengindikasikan I-TEMUAN
depresi I-TEMUAN
ringan I-TEMUAN
dan I-TEMUAN
sebesar I-TEMUAN
26.58 I-TEMUAN
% I-TEMUAN
tweet I-TEMUAN
mengindikasikan I-TEMUAN
depresi I-TEMUAN
berat. I-TEMUAN
2. O
Model B-TEMUAN
LSTM I-TEMUAN
dan I-TEMUAN
BiLSTM I-TEMUAN
berhasil I-TEMUAN
digunakan I-TEMUAN
untuk I-TEMUAN
klasifikasi I-TEMUAN
tingkat I-TEMUAN
depresi I-TEMUAN
mahasiswa I-TEMUAN
pada I-TEMUAN
akun I-TEMUAN
Twitter I-TEMUAN
@ I-TEMUAN
collegemenfess I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
akurasi I-TEMUAN
masing-masing I-TEMUAN
sebesar I-TEMUAN
82.25 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
82.72 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
3. O
Secara O
keseluruhan O
, O
metode O
klasifikasi O
BiLSTM O
memberikan O
performa O
yang O
lebih O
baik O
dibandingkan O
metode O
LSTM O
karena O
BiLSTM O
dapat O
memproses O
informasi O
dari O
dua O
arah O
, O
sedangkan O
LSTM O
hanya O
memproses O
dari O
satu O
arah. O
4. O
Hasil O
pemodelan O
topik O
menggunakan O
LDA O
untuk O
kelas O
depresi O
ringan O
maupun O
depresi O
berat O
dengan O
jumlah O
5 O
topik O
sama-sama O
menghasilkan O
tiga O
pembahasan O
umum O
, O
yaitu O
terkait O
akademik O
, O
sosial O
, O
dan O
hal O
lainnya. O
Hasil O
ini O
cukup O
berkaitan O
dengan O
penelitian O
yang O
menyatakan O
bahwa O
penyebab O
depresi O
paling O
umum O
pada O
mahasiswa O
adalah O
masalah O
akademik O
dan O
masalah O
sosial. O
B. O
Saran O
1. O
Menggunakan O
fitur O
sentimen O
maupun O
basic O
emotion O
dengan O
kamus O
berbahasa O
Indonesia O
agar O
dapat O
menjaga O
keutuhan O
makna O
kata O
aslinya. O
2. O
Meningkatkan O
kualitas O
aturan O
pelabelan O
data O
dan O
memverifikasikan O
hasilnya O
kepada O
pakar O
yang O
kompeten O
di O
bidang O
kesehatan O
mental O
, O
khususnya O
terkait O
depresi. O
3. O
Menambahkan O
model O
lainnya O
untuk O
melakukan O
klasifikasi O
data O
, O
baik O
machine O
learning O
maupun O
deep O
learning. O
4. O
Hasil O
dari O
pemodelan O
topik O
dalam O
penelitian O
ini O
diharapkan O
dapat O
dijadikan O
sebagai O
bahan O
untuk O
meneliti O
penyebab O
depresi O
mahasiswa O
secara O
rinci. O

Analisis O
Kebutuhan O
dan O
Perancangan O
Prototipe O
Sistem O
Informasi O
Reviu O
Laporan O
Keuangan O
pada O
Inspektorat O
Utama O
BPS O
RI O
Menggunakan O
Pendekatan O
User O
Centered O
Design O
Syahrul O
Toha O
Saputra O
( O
221910696 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I. O
Ringkasan— O
Inspektorat O
Utama O
selaku O
auditor O
internal O
bertugas O
melakukan O
reviu O
laporan O
keuangan O
dari O
tiap O
satuan O
kerja O
BPS O
sebelum O
diserahkan O
kepada O
BPK. O
Selama O
ini O
belum O
ada O
sistem O
informasi O
khusus O
untuk O
melakukan O
proses O
tersebut O
dan O
hanya O
mengandalkan O
google O
spreadsheet O
sebagai O
pengolah O
data O
, O
google O
sites O
sebagai O
dashboard O
, O
dan O
google O
data O
studio O
untuk O
monitoring. O
Permasalahan O
utama O
adalah O
keamanan O
, O
dikarenakan O
dashboard O
sementara O
tidak O
adanya O
fitur O
login O
sehingga O
siapa O
saja O
yang O
mempunyai O
link O
dashboard O
bisa O
masuk O
dan O
mengakses O
data O
di O
dalamnya. O
Oleh O
karena O
itu O
untuk O
mengatasi O
permasalahan O
analisis O
kebutuhan O
dan O
tersebut O
dilakukan O
penelitian B-TUJUAN
perancangan I-TUJUAN
prototipe I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
reviu I-TUJUAN
keuangan I-TUJUAN
dengan I-TUJUAN
pendekatan I-TUJUAN
User I-TUJUAN
Centered I-TUJUAN
Design I-TUJUAN
, O
dengan O
implementasi O
melakukan O
perancangan O
prototipe O
aplikasi O
berbasis O
web. O
Untuk O
oleh O
evaluasi O
menggunakan O
metode O
narasumber. O
Penelitian O
ini O
dilakukan O
dalam O
dua O
siklus. O
Penelitian O
siklus O
kedua O
dilakukan O
berdasarkan O
hasil O
evaluasi O
hasil O
siklus O
pertama. O
Hasil O
yang O
diperoleh O
dari O
penelitian O
ini O
adalah O
dokumen O
pengembangan O
sistem O
berupa O
Product O
Requirement O
Document O
( O
PRD O
) O
dan O
Functional O
Specification O
Development O
( O
FSD O
) O
, O
serta O
prototipe O
aplikasi O
berbasis O
web O
dengan O
sistem O
login O
untuk O
tiap O
role O
pengguna. O
Kata O
Kunci— O
Laporan O
Keuangan O
, O
UCD O
, O
Prototipe. O
langsung O
evaluasi O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
dapat O
diambil O
beberapa O
kesimpulan O
antara O
lain O
: O
1. O
Telah O
dilakukan O
penelitian O
tentang O
analisis O
kebutuhan O
dan O
perancangan O
prototipe O
Aplikasi O
Reviu O
Laporan O
Keuangan O
dengan O
menggunakan O
metode B-METODE
User I-METODE
Centered I-METODE
Design I-METODE
dalam O
dua O
siklus. O
Setelah O
selesai O
melakukan O
siklus O
pertama O
hingga O
tahap O
evaluasi O
desain O
, O
maka O
dilakukan O
siklus O
kedua O
dengan O
mengulang O
keseluruhan O
tahap O
pada O
metode O
penelitian. O
2. O
Telah O
mendokumentasikan O
hasil O
analisis O
kebutuhan O
yang O
berupa O
Deskripsi O
Sistem O
, O
Ruang O
Lingkup O
Sistem O
, O
Daftar O
Pengguna O
, O
Analisis O
Sistem O
Berjalan O
, O
Analisis O
Kebutuhan O
Fungsional O
, O
User O
Acces O
Matrix O
, O
Business O
Needs O
( O
Keperluan O
Bisnis O
) O
, O
Diagram O
Use O
Case O
, O
Diagram O
Proses O
Bisnis O
( O
Activity O
Diagram O
) O
, O
dan O
Sequence O
Diagram O
ke O
dalam O
Product O
Requirement O
Document O
( O
PRD O
) O
dan O
Functional O
Specification O
Development O
( O
FSD O
) O
. O
7 O
/ O
8 O
3. O
Telah O
dilakukan O
dan O
perancangan O
pengembangan O
prototipe O
aplikasi O
berbasis O
web O
berdasarkan O
hasil O
analisis O
kebutuhan O
, O
kemudian O
mendokumentasikan O
hasilnya O
ke O
dalam O
Functional O
Specification O
Development O
( O
FSD O
) O
. O
wireframe O
4. O
Telah O
dilakukan O
evaluasi O
terhadap O
hasil O
analisis O
kebutuhan O
dan O
prototipe O
aplikasi O
dalam O
siklus O
pertama O
maupun O
siklus O
kedua. O
Evaluasi B-TEMUAN
dilakukan I-TEMUAN
dengan I-TEMUAN
cara I-TEMUAN
menunjukkan I-TEMUAN
hasil I-TEMUAN
secara I-TEMUAN
langsung I-TEMUAN
kepada I-TEMUAN
narasumber I-TEMUAN
dan I-TEMUAN
menerima I-TEMUAN
masukan I-TEMUAN
untuk I-TEMUAN
perbaikan I-TEMUAN
serta I-TEMUAN
pengembangan I-TEMUAN
selanjutnya. I-TEMUAN
Hasil I-TEMUAN
dari I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
masih I-TEMUAN
belum I-TEMUAN
sempurna I-TEMUAN
dan I-TEMUAN
mempunyai I-TEMUAN
banyak I-TEMUAN
kekurangan. I-TEMUAN
Berdasarkan O
hasil O
evaluasi O
siklus O
kedua O
dan O
keterbatasan O
penelitian O
maka O
dapat O
disusun O
saran O
untuk O
penelitian O
selanjutnya O
: O
1. O
Membuat O
pseudocode O
untuk O
proses O
validasi O
neraca O
percobaan O
pada O
fungsi O
prosedur O
analitis. O
2. O
Membuat O
rancangan O
tabel O
monitoring O
untuk O
menentukan O
tampilan O
pada O
menu O
monitoring. O
3. O
Merancang O
basis O
data O
untuk O
menyimpan O
data O
prosedur O
analitis O
, O
kertas O
kerja O
reviu O
, O
kertas O
kerja O
tindak O
lanjut O
, O
daftar O
pengguna O
, O
serta O
fungsi O
lain O
yang O
memerlukan O
basis O
data. O
4. O
Menjalankan O
fungsi O
– O
fungsi O
aplikasi O
yang O
telah O
disebutkan O
pada O
hasil O
penelitian. O

Analisis O
Kebutuhan O
dan O
Perancangan O
Prototipe O
Sistem O
Informasi O
Reviu O
Laporan O
Keuangan O
pada O
Inspektorat O
Utama O
BPS O
RI O
Menggunakan O
Pendekatan O
User O
Centered O
Design O
Syahrul O
Toha O
Saputra O
( O
221910696 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I. O
Ringkasan— O
Inspektorat O
Utama O
selaku O
auditor O
internal O
bertugas O
melakukan O
reviu O
laporan O
keuangan O
dari O
tiap O
satuan O
kerja O
BPS O
sebelum O
diserahkan O
kepada O
BPK. O
Selama O
ini O
belum O
ada O
sistem O
informasi O
khusus O
untuk O
melakukan O
proses O
tersebut O
dan O
hanya O
mengandalkan O
google O
spreadsheet O
sebagai O
pengolah O
data O
, O
google O
sites O
sebagai O
dashboard O
, O
dan O
google O
data O
studio O
untuk O
monitoring. O
Permasalahan O
utama O
adalah O
keamanan O
, O
dikarenakan O
dashboard O
sementara O
tidak O
adanya O
fitur O
login O
sehingga O
siapa O
saja O
yang O
mempunyai O
link O
dashboard O
bisa O
masuk O
dan O
mengakses O
data O
di O
dalamnya. O
Oleh O
karena O
itu O
untuk O
mengatasi O
permasalahan O
analisis O
kebutuhan O
dan O
tersebut O
dilakukan O
penelitian B-TUJUAN
perancangan I-TUJUAN
prototipe I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
reviu I-TUJUAN
keuangan I-TUJUAN
dengan I-TUJUAN
pendekatan I-TUJUAN
User I-TUJUAN
Centered I-TUJUAN
Design I-TUJUAN
, O
dengan O
implementasi O
melakukan O
perancangan O
prototipe O
aplikasi O
berbasis O
web. O
Untuk O
oleh O
evaluasi O
menggunakan O
metode O
narasumber. O
Penelitian O
ini O
dilakukan O
dalam O
dua O
siklus. O
Penelitian O
siklus O
kedua O
dilakukan O
berdasarkan O
hasil O
evaluasi O
hasil O
siklus O
pertama. O
Hasil O
yang O
diperoleh O
dari O
penelitian O
ini O
adalah O
dokumen O
pengembangan O
sistem O
berupa O
Product O
Requirement O
Document O
( O
PRD O
) O
dan O
Functional O
Specification O
Development O
( O
FSD O
) O
, O
serta O
prototipe O
aplikasi O
berbasis O
web O
dengan O
sistem O
login O
untuk O
tiap O
role O
pengguna. O
Kata O
Kunci— O
Laporan O
Keuangan O
, O
UCD O
, O
Prototipe. O
langsung O
evaluasi O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
dapat O
diambil O
beberapa O
kesimpulan O
antara O
lain O
: O
1. O
Telah O
dilakukan O
penelitian O
tentang O
analisis O
kebutuhan O
dan O
perancangan O
prototipe O
Aplikasi O
Reviu O
Laporan O
Keuangan O
dengan O
menggunakan O
metode B-METODE
User I-METODE
Centered I-METODE
Design I-METODE
dalam O
dua O
siklus. O
Setelah O
selesai O
melakukan O
siklus O
pertama O
hingga O
tahap O
evaluasi O
desain O
, O
maka O
dilakukan O
siklus O
kedua O
dengan O
mengulang O
keseluruhan O
tahap O
pada O
metode O
penelitian. O
2. O
Telah O
mendokumentasikan O
hasil O
analisis O
kebutuhan O
yang O
berupa O
Deskripsi O
Sistem O
, O
Ruang O
Lingkup O
Sistem O
, O
Daftar O
Pengguna O
, O
Analisis O
Sistem O
Berjalan O
, O
Analisis O
Kebutuhan O
Fungsional O
, O
User O
Acces O
Matrix O
, O
Business O
Needs O
( O
Keperluan O
Bisnis O
) O
, O
Diagram O
Use O
Case O
, O
Diagram O
Proses O
Bisnis O
( O
Activity O
Diagram O
) O
, O
dan O
Sequence O
Diagram O
ke O
dalam O
Product O
Requirement O
Document O
( O
PRD O
) O
dan O
Functional O
Specification O
Development O
( O
FSD O
) O
. O
7 O
/ O
8 O
3. O
Telah O
dilakukan O
dan O
perancangan O
pengembangan O
prototipe O
aplikasi O
berbasis O
web O
berdasarkan O
hasil O
analisis O
kebutuhan O
, O
kemudian O
mendokumentasikan O
hasilnya O
ke O
dalam O
Functional O
Specification O
Development O
( O
FSD O
) O
. O
wireframe O
4. O
Telah O
dilakukan O
evaluasi O
terhadap O
hasil O
analisis O
kebutuhan O
dan O
prototipe O
aplikasi O
dalam O
siklus O
pertama O
maupun O
siklus O
kedua. O
Evaluasi B-TEMUAN
dilakukan I-TEMUAN
dengan I-TEMUAN
cara I-TEMUAN
menunjukkan I-TEMUAN
hasil I-TEMUAN
secara I-TEMUAN
langsung I-TEMUAN
kepada I-TEMUAN
narasumber I-TEMUAN
dan I-TEMUAN
menerima I-TEMUAN
masukan I-TEMUAN
untuk I-TEMUAN
perbaikan I-TEMUAN
serta I-TEMUAN
pengembangan I-TEMUAN
selanjutnya. I-TEMUAN
Hasil I-TEMUAN
dari I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
masih I-TEMUAN
belum I-TEMUAN
sempurna I-TEMUAN
dan I-TEMUAN
mempunyai I-TEMUAN
banyak I-TEMUAN
kekurangan. I-TEMUAN
Berdasarkan O
hasil O
evaluasi O
siklus O
kedua O
dan O
keterbatasan O
penelitian O
maka O
dapat O
disusun O
saran O
untuk O
penelitian O
selanjutnya O
: O
1. O
Membuat O
pseudocode O
untuk O
proses O
validasi O
neraca O
percobaan O
pada O
fungsi O
prosedur O
analitis. O
2. O
Membuat O
rancangan O
tabel O
monitoring O
untuk O
menentukan O
tampilan O
pada O
menu O
monitoring. O
3. O
Merancang O
basis O
data O
untuk O
menyimpan O
data O
prosedur O
analitis O
, O
kertas O
kerja O
reviu O
, O
kertas O
kerja O
tindak O
lanjut O
, O
daftar O
pengguna O
, O
serta O
fungsi O
lain O
yang O
memerlukan O
basis O
data. O
4. O
Menjalankan O
fungsi O
– O
fungsi O
aplikasi O
yang O
telah O
disebutkan O
pada O
hasil O
penelitian. O

Analisis O
Kebutuhan O
dan O
Perancangan O
Prototipe O
Sistem O
Informasi O
Reviu O
Laporan O
Keuangan O
pada O
Inspektorat O
Utama O
BPS O
RI O
Menggunakan O
Pendekatan O
User O
Centered O
Design O
Syahrul O
Toha O
Saputra O
( O
221910696 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I. O
Ringkasan— O
Inspektorat O
Utama O
selaku O
auditor O
internal O
bertugas O
melakukan O
reviu O
laporan O
keuangan O
dari O
tiap O
satuan O
kerja O
BPS O
sebelum O
diserahkan O
kepada O
BPK. O
Selama O
ini O
belum O
ada O
sistem O
informasi O
khusus O
untuk O
melakukan O
proses O
tersebut O
dan O
hanya O
mengandalkan O
google O
spreadsheet O
sebagai O
pengolah O
data O
, O
google O
sites O
sebagai O
dashboard O
, O
dan O
google O
data O
studio O
untuk O
monitoring. O
Permasalahan O
utama O
adalah O
keamanan O
, O
dikarenakan O
dashboard O
sementara O
tidak O
adanya O
fitur O
login O
sehingga O
siapa O
saja O
yang O
mempunyai O
link O
dashboard O
bisa O
masuk O
dan O
mengakses O
data O
di O
dalamnya. O
Oleh O
karena O
itu O
untuk O
mengatasi O
permasalahan O
analisis O
kebutuhan O
dan O
tersebut O
dilakukan O
penelitian B-TUJUAN
perancangan I-TUJUAN
prototipe I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
reviu I-TUJUAN
keuangan I-TUJUAN
dengan I-TUJUAN
pendekatan I-TUJUAN
User I-TUJUAN
Centered I-TUJUAN
Design I-TUJUAN
, O
dengan O
implementasi O
melakukan O
perancangan O
prototipe O
aplikasi O
berbasis O
web. O
Untuk O
oleh O
evaluasi O
menggunakan O
metode O
narasumber. O
Penelitian O
ini O
dilakukan O
dalam O
dua O
siklus. O
Penelitian O
siklus O
kedua O
dilakukan O
berdasarkan O
hasil O
evaluasi O
hasil O
siklus O
pertama. O
Hasil O
yang O
diperoleh O
dari O
penelitian O
ini O
adalah O
dokumen O
pengembangan O
sistem O
berupa O
Product O
Requirement O
Document O
( O
PRD O
) O
dan O
Functional O
Specification O
Development O
( O
FSD O
) O
, O
serta O
prototipe O
aplikasi O
berbasis O
web O
dengan O
sistem O
login O
untuk O
tiap O
role O
pengguna. O
Kata O
Kunci— O
Laporan O
Keuangan O
, O
UCD O
, O
Prototipe. O
langsung O
evaluasi O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
dapat O
diambil O
beberapa O
kesimpulan O
antara O
lain O
: O
1. O
Telah O
dilakukan O
penelitian O
tentang O
analisis O
kebutuhan O
dan O
perancangan O
prototipe O
Aplikasi O
Reviu O
Laporan O
Keuangan O
dengan O
menggunakan O
metode B-METODE
User I-METODE
Centered I-METODE
Design I-METODE
dalam O
dua O
siklus. O
Setelah O
selesai O
melakukan O
siklus O
pertama O
hingga O
tahap O
evaluasi O
desain O
, O
maka O
dilakukan O
siklus O
kedua O
dengan O
mengulang O
keseluruhan O
tahap O
pada O
metode O
penelitian. O
2. O
Telah O
mendokumentasikan O
hasil O
analisis O
kebutuhan O
yang O
berupa O
Deskripsi O
Sistem O
, O
Ruang O
Lingkup O
Sistem O
, O
Daftar O
Pengguna O
, O
Analisis O
Sistem O
Berjalan O
, O
Analisis O
Kebutuhan O
Fungsional O
, O
User O
Acces O
Matrix O
, O
Business O
Needs O
( O
Keperluan O
Bisnis O
) O
, O
Diagram O
Use O
Case O
, O
Diagram O
Proses O
Bisnis O
( O
Activity O
Diagram O
) O
, O
dan O
Sequence O
Diagram O
ke O
dalam O
Product O
Requirement O
Document O
( O
PRD O
) O
dan O
Functional O
Specification O
Development O
( O
FSD O
) O
. O
7 O
/ O
8 O
3. O
Telah O
dilakukan O
dan O
perancangan O
pengembangan O
prototipe O
aplikasi O
berbasis O
web O
berdasarkan O
hasil O
analisis O
kebutuhan O
, O
kemudian O
mendokumentasikan O
hasilnya O
ke O
dalam O
Functional O
Specification O
Development O
( O
FSD O
) O
. O
wireframe O
4. O
Telah O
dilakukan O
evaluasi O
terhadap O
hasil O
analisis O
kebutuhan O
dan O
prototipe O
aplikasi O
dalam O
siklus O
pertama O
maupun O
siklus O
kedua. O
Evaluasi B-TEMUAN
dilakukan I-TEMUAN
dengan I-TEMUAN
cara I-TEMUAN
menunjukkan I-TEMUAN
hasil I-TEMUAN
secara I-TEMUAN
langsung I-TEMUAN
kepada I-TEMUAN
narasumber I-TEMUAN
dan I-TEMUAN
menerima I-TEMUAN
masukan I-TEMUAN
untuk I-TEMUAN
perbaikan I-TEMUAN
serta I-TEMUAN
pengembangan I-TEMUAN
selanjutnya. I-TEMUAN
Hasil I-TEMUAN
dari I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
masih I-TEMUAN
belum I-TEMUAN
sempurna I-TEMUAN
dan I-TEMUAN
mempunyai I-TEMUAN
banyak I-TEMUAN
kekurangan. I-TEMUAN
Berdasarkan O
hasil O
evaluasi O
siklus O
kedua O
dan O
keterbatasan O
penelitian O
maka O
dapat O
disusun O
saran O
untuk O
penelitian O
selanjutnya O
: O
1. O
Membuat O
pseudocode O
untuk O
proses O
validasi O
neraca O
percobaan O
pada O
fungsi O
prosedur O
analitis. O
2. O
Membuat O
rancangan O
tabel O
monitoring O
untuk O
menentukan O
tampilan O
pada O
menu O
monitoring. O
3. O
Merancang O
basis O
data O
untuk O
menyimpan O
data O
prosedur O
analitis O
, O
kertas O
kerja O
reviu O
, O
kertas O
kerja O
tindak O
lanjut O
, O
daftar O
pengguna O
, O
serta O
fungsi O
lain O
yang O
memerlukan O
basis O
data. O
4. O
Menjalankan O
fungsi O
– O
fungsi O
aplikasi O
yang O
telah O
disebutkan O
pada O
hasil O
penelitian. O

Penambahan O
Distribusi O
Fernandez-Osiewalski-Steel O
Skew O
Exponential O
Power O
pada O
Modul O
dalam O
Jags O
S. O
Sifa’ul O
Khusna O
Malikhatul O
Mutmainah O
( O
221910689 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Achmad O
Syahrul O
Choir O
, O
S.ST O
, O
M.Si. O
Ringkasan— O
Distribusi O
normal O
merupakan O
distribusi O
paling O
penting O
dalam O
bidang O
statistika. O
Namun O
, O
banyak O
kejadian O
yang O
membuat O
data O
tidak O
mengikuti O
pola O
distribusi O
normal. O
Distribusi O
Fernandez-Osiewalski-Steel O
Skew O
Exponential O
Power O
( O
FOSSEP O
) O
merupakan O
alternatif O
distribusi O
yang O
adaptif O
sehingga O
dapat O
digunakan O
dalam O
berbagai O
bentuk O
sebaran O
data. O
Just O
Another O
Gibbs O
Sampling O
( O
JAGS O
) O
merupakan O
salah O
satu O
program O
pemodelan O
statistik O
bayesian O
yang O
menyediakan O
wadah O
bagi O
pengguna O
untuk O
membuat O
modul O
program O
baru O
sebagai O
upaya O
eksplorasi O
dalam O
statistik O
bayesian. O
Namun O
, O
distribusi O
FOSSEP O
belum O
tercakup O
di O
dalam O
program O
JAGS O
sehingga O
perlu O
dilakukan O
penambahan O
distribusi O
tersebut O
ke O
dalamnya. O
Penelitian O
ini O
menambahkan B-TUJUAN
distribusi I-TUJUAN
FOSSEP I-TUJUAN
ke I-TUJUAN
dalam I-TUJUAN
modul I-TUJUAN
neojags I-TUJUAN
pada I-TUJUAN
program I-TUJUAN
JAGS. I-TUJUAN
Tahap O
verifikasi O
menunjukkan O
distribusi O
FOSSEP O
yang O
dibangun O
telah O
valid. O
Modul O
yang O
dibangun O
diimplementasikan O
dalam O
analisis O
regresi O
dataset O
ketiga O
Anscombe’s O
quartet O
dan O
analisis O
regresi O
untuk O
mengetahui O
pengaruh O
variabel O
Tingkat O
Pengangguran O
Terbuka O
( O
TPT O
) O
, O
presentasi O
penduduk O
miskin O
, O
dan O
laju O
pertumbuhan O
ekonomi O
terhadap O
nilai O
Indeks O
Pembangunan O
Manusia O
( O
IPM O
) O
. O
Regresi B-METODE
dilakukan O
memanfaatkan O
distribusi O
FOSSEP O
, O
distribusi O
Generalized O
Modified O
to O
be O
Stable O
as O
Normal O
from O
Burr O
( O
GMSNBurr O
) O
dan O
Skew O
t O
Fernandez O
( O
Skewtf O
) O
. O
Penelitian O
ini O
menunjukkan O
bahwa O
dalam B-TEMUAN
regresi I-TEMUAN
dataset I-TEMUAN
ketiga I-TEMUAN
Anscombe’s I-TEMUAN
quartet I-TEMUAN
dan I-TEMUAN
regresi I-TEMUAN
data I-TEMUAN
IPM I-TEMUAN
, I-TEMUAN
distribusi I-TEMUAN
Skewtf I-TEMUAN
menghasilkan I-TEMUAN
model I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dibandingkan I-TEMUAN
kedua I-TEMUAN
distribusi I-TEMUAN
lain I-TEMUAN
dilihat I-TEMUAN
dari I-TEMUAN
nilai I-TEMUAN
DIC I-TEMUAN
yang I-TEMUAN
dihasilkan. I-TEMUAN
Kata O
Kunci— O
JAGS O
, O
Bayesian O
, O
FOSSEP O
, O
GMSNBurr O
, O
dan O
Skewtf. O
[SEP] O
Penelitian O
regresi B-METODE
menggunakan O
ini O
berhasil O
menambahkan O
distribusi O
FOSSEP O
pada O
modul O
neojags O
JAGS. O
Tahap O
verifikasi O
menunjukkan O
modul O
telah O
berhasil O
dengan O
baik. O
Implementasi O
penggunaan O
modul O
dilakukan O
dengan O
melakukan O
estimasi O
parameter O
distribusi O
FOSSEP O
, O
GMSNBurr O
, O
dan O
Skewtf. O
Hasil O
menunjukkan O
bahwa O
pada B-TEMUAN
regresi I-TEMUAN
dataset I-TEMUAN
ketiga I-TEMUAN
Anscombe’s I-TEMUAN
quartet I-TEMUAN
dan I-TEMUAN
regresi I-TEMUAN
data I-TEMUAN
IPM I-TEMUAN
, I-TEMUAN
model I-TEMUAN
regresi I-TEMUAN
menggunakan I-TEMUAN
distribusi I-TEMUAN
FOSSEP I-TEMUAN
, I-TEMUAN
GMSNBurr I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
Skewtf I-TEMUAN
menghasilkan I-TEMUAN
model I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dibandingkan I-TEMUAN
menggunakan I-TEMUAN
distribusi I-TEMUAN
normal. I-TEMUAN
Dari O
ketiga O
distribusi O
hasil O
modifikasi O
, O
distribusi O
Skewtf O
dianggap O
menghasilkan O
model O
paling O
baik O
dibandingkan O
kedua O
distribusi O
lain O
, O
dilihat O
dari O
nilai O
DIC O
yang O
dihasilkan O
paling O
kecil. O

Penambahan O
Distribusi O
Fernandez-Osiewalski-Steel O
Skew O
Exponential O
Power O
pada O
Modul O
dalam O
Jags O
S. O
Sifa’ul O
Khusna O
Malikhatul O
Mutmainah O
( O
221910689 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Achmad O
Syahrul O
Choir O
, O
S.ST O
, O
M.Si. O
Ringkasan— O
Distribusi O
normal O
merupakan O
distribusi O
paling O
penting O
dalam O
bidang O
statistika. O
Namun O
, O
banyak O
kejadian O
yang O
membuat O
data O
tidak O
mengikuti O
pola O
distribusi O
normal. O
Distribusi O
Fernandez-Osiewalski-Steel O
Skew O
Exponential O
Power O
( O
FOSSEP O
) O
merupakan O
alternatif O
distribusi O
yang O
adaptif O
sehingga O
dapat O
digunakan O
dalam O
berbagai O
bentuk O
sebaran O
data. O
Just O
Another O
Gibbs O
Sampling O
( O
JAGS O
) O
merupakan O
salah O
satu O
program O
pemodelan O
statistik O
bayesian O
yang O
menyediakan O
wadah O
bagi O
pengguna O
untuk O
membuat O
modul O
program O
baru O
sebagai O
upaya O
eksplorasi O
dalam O
statistik O
bayesian. O
Namun O
, O
distribusi O
FOSSEP O
belum O
tercakup O
di O
dalam O
program O
JAGS O
sehingga O
perlu O
dilakukan O
penambahan O
distribusi O
tersebut O
ke O
dalamnya. O
Penelitian O
ini O
menambahkan B-TUJUAN
distribusi I-TUJUAN
FOSSEP I-TUJUAN
ke I-TUJUAN
dalam I-TUJUAN
modul I-TUJUAN
neojags I-TUJUAN
pada I-TUJUAN
program I-TUJUAN
JAGS. I-TUJUAN
Tahap O
verifikasi O
menunjukkan O
distribusi O
FOSSEP O
yang O
dibangun O
telah O
valid. O
Modul O
yang O
dibangun O
diimplementasikan O
dalam O
analisis O
regresi O
dataset O
ketiga O
Anscombe’s O
quartet O
dan O
analisis O
regresi O
untuk O
mengetahui O
pengaruh O
variabel O
Tingkat O
Pengangguran O
Terbuka O
( O
TPT O
) O
, O
presentasi O
penduduk O
miskin O
, O
dan O
laju O
pertumbuhan O
ekonomi O
terhadap O
nilai O
Indeks O
Pembangunan O
Manusia O
( O
IPM O
) O
. O
Regresi B-METODE
dilakukan O
memanfaatkan O
distribusi O
FOSSEP O
, O
distribusi O
Generalized O
Modified O
to O
be O
Stable O
as O
Normal O
from O
Burr O
( O
GMSNBurr O
) O
dan O
Skew O
t O
Fernandez O
( O
Skewtf O
) O
. O
Penelitian O
ini O
menunjukkan O
bahwa O
dalam B-TEMUAN
regresi I-TEMUAN
dataset I-TEMUAN
ketiga I-TEMUAN
Anscombe’s I-TEMUAN
quartet I-TEMUAN
dan I-TEMUAN
regresi I-TEMUAN
data I-TEMUAN
IPM I-TEMUAN
, I-TEMUAN
distribusi I-TEMUAN
Skewtf I-TEMUAN
menghasilkan I-TEMUAN
model I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dibandingkan I-TEMUAN
kedua I-TEMUAN
distribusi I-TEMUAN
lain I-TEMUAN
dilihat I-TEMUAN
dari I-TEMUAN
nilai I-TEMUAN
DIC I-TEMUAN
yang I-TEMUAN
dihasilkan. I-TEMUAN
Kata O
Kunci— O
JAGS O
, O
Bayesian O
, O
FOSSEP O
, O
GMSNBurr O
, O
dan O
Skewtf. O
[SEP] O
Penelitian O
regresi B-METODE
menggunakan O
ini O
berhasil O
menambahkan O
distribusi O
FOSSEP O
pada O
modul O
neojags O
JAGS. O
Tahap O
verifikasi O
menunjukkan O
modul O
telah O
berhasil O
dengan O
baik. O
Implementasi O
penggunaan O
modul O
dilakukan O
dengan O
melakukan O
estimasi O
parameter O
distribusi O
FOSSEP O
, O
GMSNBurr O
, O
dan O
Skewtf. O
Hasil O
menunjukkan O
bahwa O
pada B-TEMUAN
regresi I-TEMUAN
dataset I-TEMUAN
ketiga I-TEMUAN
Anscombe’s I-TEMUAN
quartet I-TEMUAN
dan I-TEMUAN
regresi I-TEMUAN
data I-TEMUAN
IPM I-TEMUAN
, I-TEMUAN
model I-TEMUAN
regresi I-TEMUAN
menggunakan I-TEMUAN
distribusi I-TEMUAN
FOSSEP I-TEMUAN
, I-TEMUAN
GMSNBurr I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
Skewtf I-TEMUAN
menghasilkan I-TEMUAN
model I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dibandingkan I-TEMUAN
menggunakan I-TEMUAN
distribusi I-TEMUAN
normal. I-TEMUAN
Dari O
ketiga O
distribusi O
hasil O
modifikasi O
, O
distribusi O
Skewtf O
dianggap O
menghasilkan O
model O
paling O
baik O
dibandingkan O
kedua O
distribusi O
lain O
, O
dilihat O
dari O
nilai O
DIC O
yang O
dihasilkan O
paling O
kecil. O

Penambahan O
Distribusi O
Fernandez-Osiewalski-Steel O
Skew O
Exponential O
Power O
pada O
Modul O
dalam O
Jags O
S. O
Sifa’ul O
Khusna O
Malikhatul O
Mutmainah O
( O
221910689 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Achmad O
Syahrul O
Choir O
, O
S.ST O
, O
M.Si. O
Ringkasan— O
Distribusi O
normal O
merupakan O
distribusi O
paling O
penting O
dalam O
bidang O
statistika. O
Namun O
, O
banyak O
kejadian O
yang O
membuat O
data O
tidak O
mengikuti O
pola O
distribusi O
normal. O
Distribusi O
Fernandez-Osiewalski-Steel O
Skew O
Exponential O
Power O
( O
FOSSEP O
) O
merupakan O
alternatif O
distribusi O
yang O
adaptif O
sehingga O
dapat O
digunakan O
dalam O
berbagai O
bentuk O
sebaran O
data. O
Just O
Another O
Gibbs O
Sampling O
( O
JAGS O
) O
merupakan O
salah O
satu O
program O
pemodelan O
statistik O
bayesian O
yang O
menyediakan O
wadah O
bagi O
pengguna O
untuk O
membuat O
modul O
program O
baru O
sebagai O
upaya O
eksplorasi O
dalam O
statistik O
bayesian. O
Namun O
, O
distribusi O
FOSSEP O
belum O
tercakup O
di O
dalam O
program O
JAGS O
sehingga O
perlu O
dilakukan O
penambahan O
distribusi O
tersebut O
ke O
dalamnya. O
Penelitian O
ini O
menambahkan B-TUJUAN
distribusi I-TUJUAN
FOSSEP I-TUJUAN
ke I-TUJUAN
dalam I-TUJUAN
modul I-TUJUAN
neojags I-TUJUAN
pada I-TUJUAN
program I-TUJUAN
JAGS. I-TUJUAN
Tahap O
verifikasi O
menunjukkan O
distribusi O
FOSSEP O
yang O
dibangun O
telah O
valid. O
Modul O
yang O
dibangun O
diimplementasikan O
dalam O
analisis O
regresi O
dataset O
ketiga O
Anscombe’s O
quartet O
dan O
analisis O
regresi O
untuk O
mengetahui O
pengaruh O
variabel O
Tingkat O
Pengangguran O
Terbuka O
( O
TPT O
) O
, O
presentasi O
penduduk O
miskin O
, O
dan O
laju O
pertumbuhan O
ekonomi O
terhadap O
nilai O
Indeks O
Pembangunan O
Manusia O
( O
IPM O
) O
. O
Regresi B-METODE
dilakukan O
memanfaatkan O
distribusi O
FOSSEP O
, O
distribusi O
Generalized O
Modified O
to O
be O
Stable O
as O
Normal O
from O
Burr O
( O
GMSNBurr O
) O
dan O
Skew O
t O
Fernandez O
( O
Skewtf O
) O
. O
Penelitian O
ini O
menunjukkan O
bahwa O
dalam B-TEMUAN
regresi I-TEMUAN
dataset I-TEMUAN
ketiga I-TEMUAN
Anscombe’s I-TEMUAN
quartet I-TEMUAN
dan I-TEMUAN
regresi I-TEMUAN
data I-TEMUAN
IPM I-TEMUAN
, I-TEMUAN
distribusi I-TEMUAN
Skewtf I-TEMUAN
menghasilkan I-TEMUAN
model I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dibandingkan I-TEMUAN
kedua I-TEMUAN
distribusi I-TEMUAN
lain I-TEMUAN
dilihat I-TEMUAN
dari I-TEMUAN
nilai I-TEMUAN
DIC I-TEMUAN
yang I-TEMUAN
dihasilkan. I-TEMUAN
Kata O
Kunci— O
JAGS O
, O
Bayesian O
, O
FOSSEP O
, O
GMSNBurr O
, O
dan O
Skewtf. O
[SEP] O
Penelitian O
regresi B-METODE
menggunakan O
ini O
berhasil O
menambahkan O
distribusi O
FOSSEP O
pada O
modul O
neojags O
JAGS. O
Tahap O
verifikasi O
menunjukkan O
modul O
telah O
berhasil O
dengan O
baik. O
Implementasi O
penggunaan O
modul O
dilakukan O
dengan O
melakukan O
estimasi O
parameter O
distribusi O
FOSSEP O
, O
GMSNBurr O
, O
dan O
Skewtf. O
Hasil O
menunjukkan O
bahwa O
pada B-TEMUAN
regresi I-TEMUAN
dataset I-TEMUAN
ketiga I-TEMUAN
Anscombe’s I-TEMUAN
quartet I-TEMUAN
dan I-TEMUAN
regresi I-TEMUAN
data I-TEMUAN
IPM I-TEMUAN
, I-TEMUAN
model I-TEMUAN
regresi I-TEMUAN
menggunakan I-TEMUAN
distribusi I-TEMUAN
FOSSEP I-TEMUAN
, I-TEMUAN
GMSNBurr I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
Skewtf I-TEMUAN
menghasilkan I-TEMUAN
model I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dibandingkan I-TEMUAN
menggunakan I-TEMUAN
distribusi I-TEMUAN
normal. I-TEMUAN
Dari O
ketiga O
distribusi O
hasil O
modifikasi O
, O
distribusi O
Skewtf O
dianggap O
menghasilkan O
model O
paling O
baik O
dibandingkan O
kedua O
distribusi O
lain O
, O
dilihat O
dari O
nilai O
DIC O
yang O
dihasilkan O
paling O
kecil. O

Pembangunan O
Sistem O
Informasi O
Desa O
Cinta O
Statistik O
( O
Desa O
Cantik O
) O
Berbasis O
Web O
Studi O
kasus O
: O
Desa O
Kepurun O
, O
Kecamatan O
Manisrenggo O
, O
Kabupaten O
Klaten O
Dwi O
Joko O
Purnomo O
( O
221910685 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
M.B.A. O
Ringkasan— O
Salah O
satu O
langkah O
yang O
dilakukan O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
untuk O
mewujudkan O
Satu O
Data O
Indonesia O
( O
SDI O
) O
adalah O
melalui O
program O
Desa O
Cinta O
Statistik O
( O
Desa O
Cantik O
) O
. O
Program O
Desa O
Cantik O
memiliki O
tujuan O
utama O
yaitu O
untuk O
mendukung O
upaya O
pengentasan O
kemiskinan. O
BPS O
Kabupaten O
Klaten O
mengajukan O
Desa O
Kepurun O
sebagai O
desa O
pelopor O
yang O
akan O
dilibatkan O
dalam O
program O
Desa O
Cantik. O
Pada O
Desa O
Kepurun O
, O
pemanfaatan O
data O
kependudukan O
dinilai O
belum O
optimal. O
Hal O
ini O
dikarenakan O
, O
kurangnya O
pemahaman O
mengenai O
ilmu O
statistik O
oleh O
pemerintah O
setempat. O
Berdasarkan O
wawancara O
dengan O
Kepala O
Desa O
Kepurun O
, O
pemanfaatan O
data O
kependudukan O
akan O
lebih O
optimal O
dengan O
adanya O
sebuah O
sistem O
informasi. O
Penelitian O
ini O
bertujuan O
untuk O
membangun B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
Desa I-TUJUAN
Cinta I-TUJUAN
Statistik I-TUJUAN
berbasis I-TUJUAN
website. I-TUJUAN
Metode O
perancangan O
sistem O
yang O
digunakan O
adalah O
Systems B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
dengan I-METODE
model I-METODE
waterfall. I-METODE
Berdasarkan O
hasil O
pengujian O
Blackbox B-METODE
dan O
survei B-METODE
SUS I-METODE
diperoleh O
bahwa O
fitur B-TEMUAN
utama I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci— O
Desa O
Cantik O
, O
Sistem O
Informasi O
, O
Website O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
terdapat O
beberapa O
kesimpulan O
yang O
dapat O
ditarik O
: O
1. O
Telah O
dibangun O
sistem O
informasi O
Desa O
Cinta O
Statistik O
( O
Desa O
Cantik O
) O
berbasis O
web O
yang O
dapat O
membantu O
pekerjaan O
perangkat O
Desa O
Kepurun. O
2. O
Telah O
dibangun O
sistem O
informasi O
Desa O
Cinta O
Statistik O
( O
Desa O
Cantik O
) O
berbasis O
web O
yang O
memiliki O
modul O
pengelolaan O
data O
kependudukan O
dan O
pelayanan O
publik. O
3. O
Hasil O
pengujian O
dan O
evaluasi O
menunjukkan O
bahwa O
sistem O
informasi O
berfungsi O
sesuai O
yang O
diharapkan O
dalam O
black-box B-METODE
testing. I-METODE
Evaluasi B-METODE
SUS I-METODE
menunjukkan O
skor O
75,5 O
, O
menandakan O
bahwa O
secara B-TEMUAN
keseluruhan I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
masuk I-TEMUAN
grade I-TEMUAN
B I-TEMUAN
dimana I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
masuk I-TEMUAN
kategori I-TEMUAN
good I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN

Pembangunan O
Sistem O
Informasi O
Desa O
Cinta O
Statistik O
( O
Desa O
Cantik O
) O
Berbasis O
Web O
Studi O
kasus O
: O
Desa O
Kepurun O
, O
Kecamatan O
Manisrenggo O
, O
Kabupaten O
Klaten O
Dwi O
Joko O
Purnomo O
( O
221910685 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
M.B.A. O
Ringkasan— O
Salah O
satu O
langkah O
yang O
dilakukan O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
untuk O
mewujudkan O
Satu O
Data O
Indonesia O
( O
SDI O
) O
adalah O
melalui O
program O
Desa O
Cinta O
Statistik O
( O
Desa O
Cantik O
) O
. O
Program O
Desa O
Cantik O
memiliki O
tujuan O
utama O
yaitu O
untuk O
mendukung O
upaya O
pengentasan O
kemiskinan. O
BPS O
Kabupaten O
Klaten O
mengajukan O
Desa O
Kepurun O
sebagai O
desa O
pelopor O
yang O
akan O
dilibatkan O
dalam O
program O
Desa O
Cantik. O
Pada O
Desa O
Kepurun O
, O
pemanfaatan O
data O
kependudukan O
dinilai O
belum O
optimal. O
Hal O
ini O
dikarenakan O
, O
kurangnya O
pemahaman O
mengenai O
ilmu O
statistik O
oleh O
pemerintah O
setempat. O
Berdasarkan O
wawancara O
dengan O
Kepala O
Desa O
Kepurun O
, O
pemanfaatan O
data O
kependudukan O
akan O
lebih O
optimal O
dengan O
adanya O
sebuah O
sistem O
informasi. O
Penelitian O
ini O
bertujuan O
untuk O
membangun B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
Desa I-TUJUAN
Cinta I-TUJUAN
Statistik I-TUJUAN
berbasis I-TUJUAN
website. I-TUJUAN
Metode O
perancangan O
sistem O
yang O
digunakan O
adalah O
Systems B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
dengan I-METODE
model I-METODE
waterfall. I-METODE
Berdasarkan O
hasil O
pengujian O
Blackbox B-METODE
dan O
survei B-METODE
SUS I-METODE
diperoleh O
bahwa O
fitur B-TEMUAN
utama I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci— O
Desa O
Cantik O
, O
Sistem O
Informasi O
, O
Website O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
terdapat O
beberapa O
kesimpulan O
yang O
dapat O
ditarik O
: O
1. O
Telah O
dibangun O
sistem O
informasi O
Desa O
Cinta O
Statistik O
( O
Desa O
Cantik O
) O
berbasis O
web O
yang O
dapat O
membantu O
pekerjaan O
perangkat O
Desa O
Kepurun. O
2. O
Telah O
dibangun O
sistem O
informasi O
Desa O
Cinta O
Statistik O
( O
Desa O
Cantik O
) O
berbasis O
web O
yang O
memiliki O
modul O
pengelolaan O
data O
kependudukan O
dan O
pelayanan O
publik. O
3. O
Hasil O
pengujian O
dan O
evaluasi O
menunjukkan O
bahwa O
sistem O
informasi O
berfungsi O
sesuai O
yang O
diharapkan O
dalam O
black-box B-METODE
testing. I-METODE
Evaluasi B-METODE
SUS I-METODE
menunjukkan O
skor O
75,5 O
, O
menandakan O
bahwa O
secara B-TEMUAN
keseluruhan I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
masuk I-TEMUAN
grade I-TEMUAN
B I-TEMUAN
dimana I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
masuk I-TEMUAN
kategori I-TEMUAN
good I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN

Pembangunan O
Sistem O
Informasi O
Desa O
Cinta O
Statistik O
( O
Desa O
Cantik O
) O
Berbasis O
Web O
Studi O
kasus O
: O
Desa O
Kepurun O
, O
Kecamatan O
Manisrenggo O
, O
Kabupaten O
Klaten O
Dwi O
Joko O
Purnomo O
( O
221910685 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
M.B.A. O
Ringkasan— O
Salah O
satu O
langkah O
yang O
dilakukan O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
untuk O
mewujudkan O
Satu O
Data O
Indonesia O
( O
SDI O
) O
adalah O
melalui O
program O
Desa O
Cinta O
Statistik O
( O
Desa O
Cantik O
) O
. O
Program O
Desa O
Cantik O
memiliki O
tujuan O
utama O
yaitu O
untuk O
mendukung O
upaya O
pengentasan O
kemiskinan. O
BPS O
Kabupaten O
Klaten O
mengajukan O
Desa O
Kepurun O
sebagai O
desa O
pelopor O
yang O
akan O
dilibatkan O
dalam O
program O
Desa O
Cantik. O
Pada O
Desa O
Kepurun O
, O
pemanfaatan O
data O
kependudukan O
dinilai O
belum O
optimal. O
Hal O
ini O
dikarenakan O
, O
kurangnya O
pemahaman O
mengenai O
ilmu O
statistik O
oleh O
pemerintah O
setempat. O
Berdasarkan O
wawancara O
dengan O
Kepala O
Desa O
Kepurun O
, O
pemanfaatan O
data O
kependudukan O
akan O
lebih O
optimal O
dengan O
adanya O
sebuah O
sistem O
informasi. O
Penelitian O
ini O
bertujuan O
untuk O
membangun B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
Desa I-TUJUAN
Cinta I-TUJUAN
Statistik I-TUJUAN
berbasis I-TUJUAN
website. I-TUJUAN
Metode O
perancangan O
sistem O
yang O
digunakan O
adalah O
Systems B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
dengan I-METODE
model I-METODE
waterfall. I-METODE
Berdasarkan O
hasil O
pengujian O
Blackbox B-METODE
dan O
survei B-METODE
SUS I-METODE
diperoleh O
bahwa O
fitur B-TEMUAN
utama I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci— O
Desa O
Cantik O
, O
Sistem O
Informasi O
, O
Website O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
terdapat O
beberapa O
kesimpulan O
yang O
dapat O
ditarik O
: O
1. O
Telah O
dibangun O
sistem O
informasi O
Desa O
Cinta O
Statistik O
( O
Desa O
Cantik O
) O
berbasis O
web O
yang O
dapat O
membantu O
pekerjaan O
perangkat O
Desa O
Kepurun. O
2. O
Telah O
dibangun O
sistem O
informasi O
Desa O
Cinta O
Statistik O
( O
Desa O
Cantik O
) O
berbasis O
web O
yang O
memiliki O
modul O
pengelolaan O
data O
kependudukan O
dan O
pelayanan O
publik. O
3. O
Hasil O
pengujian O
dan O
evaluasi O
menunjukkan O
bahwa O
sistem O
informasi O
berfungsi O
sesuai O
yang O
diharapkan O
dalam O
black-box B-METODE
testing. I-METODE
Evaluasi B-METODE
SUS I-METODE
menunjukkan O
skor O
75,5 O
, O
menandakan O
bahwa O
secara B-TEMUAN
keseluruhan I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
masuk I-TEMUAN
grade I-TEMUAN
B I-TEMUAN
dimana I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
masuk I-TEMUAN
kategori I-TEMUAN
good I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN

Pembangunan O
Sistem O
Informasi O
Desa O
Cinta O
Statistik O
( O
Desa O
Cantik O
) O
Berbasis O
Web O
Studi O
kasus O
: O
Desa O
Kepurun O
, O
Kecamatan O
Manisrenggo O
, O
Kabupaten O
Klaten O
Dwi O
Joko O
Purnomo O
( O
221910685 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
M.B.A. O
Ringkasan— O
Salah O
satu O
langkah O
yang O
dilakukan O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
untuk O
mewujudkan O
Satu O
Data O
Indonesia O
( O
SDI O
) O
adalah O
melalui O
program O
Desa O
Cinta O
Statistik O
( O
Desa O
Cantik O
) O
. O
Program O
Desa O
Cantik O
memiliki O
tujuan O
utama O
yaitu O
untuk O
mendukung O
upaya O
pengentasan O
kemiskinan. O
BPS O
Kabupaten O
Klaten O
mengajukan O
Desa O
Kepurun O
sebagai O
desa O
pelopor O
yang O
akan O
dilibatkan O
dalam O
program O
Desa O
Cantik. O
Pada O
Desa O
Kepurun O
, O
pemanfaatan O
data O
kependudukan O
dinilai O
belum O
optimal. O
Hal O
ini O
dikarenakan O
, O
kurangnya O
pemahaman O
mengenai O
ilmu O
statistik O
oleh O
pemerintah O
setempat. O
Berdasarkan O
wawancara O
dengan O
Kepala O
Desa O
Kepurun O
, O
pemanfaatan O
data O
kependudukan O
akan O
lebih O
optimal O
dengan O
adanya O
sebuah O
sistem O
informasi. O
Penelitian O
ini O
bertujuan O
untuk O
membangun B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
Desa I-TUJUAN
Cinta I-TUJUAN
Statistik I-TUJUAN
berbasis I-TUJUAN
website. I-TUJUAN
Metode O
perancangan O
sistem O
yang O
digunakan O
adalah O
Systems B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
dengan I-METODE
model I-METODE
waterfall. I-METODE
Berdasarkan O
hasil O
pengujian O
Blackbox B-METODE
dan O
survei B-METODE
SUS I-METODE
diperoleh O
bahwa O
fitur B-TEMUAN
utama I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci— O
Desa O
Cantik O
, O
Sistem O
Informasi O
, O
Website O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
terdapat O
beberapa O
kesimpulan O
yang O
dapat O
ditarik O
: O
1. O
Telah O
dibangun O
sistem O
informasi O
Desa O
Cinta O
Statistik O
( O
Desa O
Cantik O
) O
berbasis O
web O
yang O
dapat O
membantu O
pekerjaan O
perangkat O
Desa O
Kepurun. O
2. O
Telah O
dibangun O
sistem O
informasi O
Desa O
Cinta O
Statistik O
( O
Desa O
Cantik O
) O
berbasis O
web O
yang O
memiliki O
modul O
pengelolaan O
data O
kependudukan O
dan O
pelayanan O
publik. O
3. O
Hasil O
pengujian O
dan O
evaluasi O
menunjukkan O
bahwa O
sistem O
informasi O
berfungsi O
sesuai O
yang O
diharapkan O
dalam O
black-box B-METODE
testing. I-METODE
Evaluasi B-METODE
SUS I-METODE
menunjukkan O
skor O
75,5 O
, O
menandakan O
bahwa O
secara B-TEMUAN
keseluruhan I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
masuk I-TEMUAN
grade I-TEMUAN
B I-TEMUAN
dimana I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
masuk I-TEMUAN
kategori I-TEMUAN
good I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN

Pengembangan O
Aplikasi O
Visualisasi O
Data O
Ketenagakerjaan O
Di O
Jakarta O
Utara O
Berbasis O
Android O
Muhammad O
Yasin O
Vidian O
( O
221810477 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M.Stat O
Ringkasan— O
Tenaga O
kerja O
menjadi O
bagian O
penting O
untuk O
menghasilkan O
barang O
atau O
jasa O
dalam O
memenuhi O
kebutuhan O
pemerintah O
, O
perusahaan O
, O
maupun O
masyarakat. O
Dalam O
hal O
ini O
, O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
Jakarta O
Utara O
mengumpulkan O
tenaga O
kerja O
dalam O
informasi O
penduduk O
Indonesia O
terkait O
( O
SAKERNAS O
) O
. O
kegiatan O
Survei O
Angkatan O
Kerja O
Nasional O
Informasi O
yang O
telah O
dikumpulkan O
disajikan O
dalam O
bentuk O
tabulasi O
dan O
publikasi O
pada O
website O
BPS. O
Penelitian O
ini O
mengembangkan B-TUJUAN
aplikasi I-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
berbasis I-TUJUAN
Android I-TUJUAN
yang I-TUJUAN
menampilkan I-TUJUAN
data I-TUJUAN
ketenagakerjaan I-TUJUAN
Jakarta I-TUJUAN
Utara I-TUJUAN
dengan O
( O
RAD O
) O
sebagai O
menerapkan O
Rapid B-METODE
Application I-METODE
Development I-METODE
metode O
penelitian O
yang O
digunakan. O
Hasil O
dari O
penelitian O
ini O
adalah O
aplikasi O
visualisasi O
data O
yang O
menampilkan O
data O
ketenagakerjaan O
Jakarta O
Utara O
dalam O
bentuk O
diagram O
batang O
, O
diagram O
garis O
, O
diagram O
lingkaran O
, O
diagram O
campuran O
, O
radar O
telah O
dievaluasi O
chart O
, O
dan O
scatter O
menggunakan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
dengan O
nilai O
yang O
diperoleh O
tersebut O
yang O
dikategorikan O
acceptable. O
plot. O
Aplikasi O
yang O
aplikasi O
berarti O
adalah O
82,25 O
Kata O
Kunci— O
visualisasi O
, O
Android O
, O
ketenagakerjaan O
[SEP] O
Penelitian O
ini O
telah O
mengembangkan O
aplikasi O
visualisasi O
data O
yang O
menampilkan O
data O
ketenagakerjaan O
di O
wilayah O
Jakarta O
Utara. O
Aplikasi O
memuat O
enam O
bentuk O
visualisasi O
yang O
terdiri O
dari O
diagram O
batang O
, O
diagram O
garis O
, O
diagram O
lingkaran O
, O
diagram O
kombinasi O
, O
radar O
chart O
, O
dan O
scatter O
plot. O
Evaluasi B-TEMUAN
SUS I-TEMUAN
dilakukan I-TEMUAN
pada I-TEMUAN
aplikasi I-TEMUAN
dengan I-TEMUAN
memperoleh I-TEMUAN
nilai I-TEMUAN
sebesar I-TEMUAN
80,54 I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
aplikasi I-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
di I-TEMUAN
kalangan I-TEMUAN
pengguna. I-TEMUAN
Aplikasi O
tersebut O
masih O
memiliki O
banyak O
kekurangan O
sehingga O
aplikasi O
dapat O
dikembangkan O
lebih O
lanjut O
sebagai O
saran O
untuk O
penelitian O
yang O
akan O
datang O
contohnya O
penggunaan O
data O
yang O
lebih O
luas O
, O
bentuk O
visualisasi O
yang O
lebih O
banyak O
, O
penerapan O
tema O
, O
dan O
lain O
sebagainya. O

Pengembangan O
Aplikasi O
Visualisasi O
Data O
Ketenagakerjaan O
Di O
Jakarta O
Utara O
Berbasis O
Android O
Muhammad O
Yasin O
Vidian O
( O
221810477 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M.Stat O
Ringkasan— O
Tenaga O
kerja O
menjadi O
bagian O
penting O
untuk O
menghasilkan O
barang O
atau O
jasa O
dalam O
memenuhi O
kebutuhan O
pemerintah O
, O
perusahaan O
, O
maupun O
masyarakat. O
Dalam O
hal O
ini O
, O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
Jakarta O
Utara O
mengumpulkan O
tenaga O
kerja O
dalam O
informasi O
penduduk O
Indonesia O
terkait O
( O
SAKERNAS O
) O
. O
kegiatan O
Survei O
Angkatan O
Kerja O
Nasional O
Informasi O
yang O
telah O
dikumpulkan O
disajikan O
dalam O
bentuk O
tabulasi O
dan O
publikasi O
pada O
website O
BPS. O
Penelitian O
ini O
mengembangkan B-TUJUAN
aplikasi I-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
berbasis I-TUJUAN
Android I-TUJUAN
yang I-TUJUAN
menampilkan I-TUJUAN
data I-TUJUAN
ketenagakerjaan I-TUJUAN
Jakarta I-TUJUAN
Utara I-TUJUAN
dengan O
( O
RAD O
) O
sebagai O
menerapkan O
Rapid B-METODE
Application I-METODE
Development I-METODE
metode O
penelitian O
yang O
digunakan. O
Hasil O
dari O
penelitian O
ini O
adalah O
aplikasi O
visualisasi O
data O
yang O
menampilkan O
data O
ketenagakerjaan O
Jakarta O
Utara O
dalam O
bentuk O
diagram O
batang O
, O
diagram O
garis O
, O
diagram O
lingkaran O
, O
diagram O
campuran O
, O
radar O
telah O
dievaluasi O
chart O
, O
dan O
scatter O
menggunakan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
dengan O
nilai O
yang O
diperoleh O
tersebut O
yang O
dikategorikan O
acceptable. O
plot. O
Aplikasi O
yang O
aplikasi O
berarti O
adalah O
82,25 O
Kata O
Kunci— O
visualisasi O
, O
Android O
, O
ketenagakerjaan O
[SEP] O
Penelitian O
ini O
telah O
mengembangkan O
aplikasi O
visualisasi O
data O
yang O
menampilkan O
data O
ketenagakerjaan O
di O
wilayah O
Jakarta O
Utara. O
Aplikasi O
memuat O
enam O
bentuk O
visualisasi O
yang O
terdiri O
dari O
diagram O
batang O
, O
diagram O
garis O
, O
diagram O
lingkaran O
, O
diagram O
kombinasi O
, O
radar O
chart O
, O
dan O
scatter O
plot. O
Evaluasi B-TEMUAN
SUS I-TEMUAN
dilakukan I-TEMUAN
pada I-TEMUAN
aplikasi I-TEMUAN
dengan I-TEMUAN
memperoleh I-TEMUAN
nilai I-TEMUAN
sebesar I-TEMUAN
80,54 I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
aplikasi I-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
di I-TEMUAN
kalangan I-TEMUAN
pengguna. I-TEMUAN
Aplikasi O
tersebut O
masih O
memiliki O
banyak O
kekurangan O
sehingga O
aplikasi O
dapat O
dikembangkan O
lebih O
lanjut O
sebagai O
saran O
untuk O
penelitian O
yang O
akan O
datang O
contohnya O
penggunaan O
data O
yang O
lebih O
luas O
, O
bentuk O
visualisasi O
yang O
lebih O
banyak O
, O
penerapan O
tema O
, O
dan O
lain O
sebagainya. O

Pengembangan O
Aplikasi O
Visualisasi O
Data O
Ketenagakerjaan O
Di O
Jakarta O
Utara O
Berbasis O
Android O
Muhammad O
Yasin O
Vidian O
( O
221810477 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M.Stat O
Ringkasan— O
Tenaga O
kerja O
menjadi O
bagian O
penting O
untuk O
menghasilkan O
barang O
atau O
jasa O
dalam O
memenuhi O
kebutuhan O
pemerintah O
, O
perusahaan O
, O
maupun O
masyarakat. O
Dalam O
hal O
ini O
, O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
Jakarta O
Utara O
mengumpulkan O
tenaga O
kerja O
dalam O
informasi O
penduduk O
Indonesia O
terkait O
( O
SAKERNAS O
) O
. O
kegiatan O
Survei O
Angkatan O
Kerja O
Nasional O
Informasi O
yang O
telah O
dikumpulkan O
disajikan O
dalam O
bentuk O
tabulasi O
dan O
publikasi O
pada O
website O
BPS. O
Penelitian O
ini O
mengembangkan B-TUJUAN
aplikasi I-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
berbasis I-TUJUAN
Android I-TUJUAN
yang I-TUJUAN
menampilkan I-TUJUAN
data I-TUJUAN
ketenagakerjaan I-TUJUAN
Jakarta I-TUJUAN
Utara I-TUJUAN
dengan O
( O
RAD O
) O
sebagai O
menerapkan O
Rapid B-METODE
Application I-METODE
Development I-METODE
metode O
penelitian O
yang O
digunakan. O
Hasil O
dari O
penelitian O
ini O
adalah O
aplikasi O
visualisasi O
data O
yang O
menampilkan O
data O
ketenagakerjaan O
Jakarta O
Utara O
dalam O
bentuk O
diagram O
batang O
, O
diagram O
garis O
, O
diagram O
lingkaran O
, O
diagram O
campuran O
, O
radar O
telah O
dievaluasi O
chart O
, O
dan O
scatter O
menggunakan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
dengan O
nilai O
yang O
diperoleh O
tersebut O
yang O
dikategorikan O
acceptable. O
plot. O
Aplikasi O
yang O
aplikasi O
berarti O
adalah O
82,25 O
Kata O
Kunci— O
visualisasi O
, O
Android O
, O
ketenagakerjaan O
[SEP] O
Penelitian O
ini O
telah O
mengembangkan O
aplikasi O
visualisasi O
data O
yang O
menampilkan O
data O
ketenagakerjaan O
di O
wilayah O
Jakarta O
Utara. O
Aplikasi O
memuat O
enam O
bentuk O
visualisasi O
yang O
terdiri O
dari O
diagram O
batang O
, O
diagram O
garis O
, O
diagram O
lingkaran O
, O
diagram O
kombinasi O
, O
radar O
chart O
, O
dan O
scatter O
plot. O
Evaluasi B-TEMUAN
SUS I-TEMUAN
dilakukan I-TEMUAN
pada I-TEMUAN
aplikasi I-TEMUAN
dengan I-TEMUAN
memperoleh I-TEMUAN
nilai I-TEMUAN
sebesar I-TEMUAN
80,54 I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
aplikasi I-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
di I-TEMUAN
kalangan I-TEMUAN
pengguna. I-TEMUAN
Aplikasi O
tersebut O
masih O
memiliki O
banyak O
kekurangan O
sehingga O
aplikasi O
dapat O
dikembangkan O
lebih O
lanjut O
sebagai O
saran O
untuk O
penelitian O
yang O
akan O
datang O
contohnya O
penggunaan O
data O
yang O
lebih O
luas O
, O
bentuk O
visualisasi O
yang O
lebih O
banyak O
, O
penerapan O
tema O
, O
dan O
lain O
sebagainya. O

Pengembangan O
Aplikasi O
Visualisasi O
Data O
Ketenagakerjaan O
Di O
Jakarta O
Utara O
Berbasis O
Android O
Muhammad O
Yasin O
Vidian O
( O
221810477 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M.Stat O
Ringkasan— O
Tenaga O
kerja O
menjadi O
bagian O
penting O
untuk O
menghasilkan O
barang O
atau O
jasa O
dalam O
memenuhi O
kebutuhan O
pemerintah O
, O
perusahaan O
, O
maupun O
masyarakat. O
Dalam O
hal O
ini O
, O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
Jakarta O
Utara O
mengumpulkan O
tenaga O
kerja O
dalam O
informasi O
penduduk O
Indonesia O
terkait O
( O
SAKERNAS O
) O
. O
kegiatan O
Survei O
Angkatan O
Kerja O
Nasional O
Informasi O
yang O
telah O
dikumpulkan O
disajikan O
dalam O
bentuk O
tabulasi O
dan O
publikasi O
pada O
website O
BPS. O
Penelitian O
ini O
mengembangkan B-TUJUAN
aplikasi I-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
berbasis I-TUJUAN
Android I-TUJUAN
yang I-TUJUAN
menampilkan I-TUJUAN
data I-TUJUAN
ketenagakerjaan I-TUJUAN
Jakarta I-TUJUAN
Utara I-TUJUAN
dengan O
( O
RAD O
) O
sebagai O
menerapkan O
Rapid B-METODE
Application I-METODE
Development I-METODE
metode O
penelitian O
yang O
digunakan. O
Hasil O
dari O
penelitian O
ini O
adalah O
aplikasi O
visualisasi O
data O
yang O
menampilkan O
data O
ketenagakerjaan O
Jakarta O
Utara O
dalam O
bentuk O
diagram O
batang O
, O
diagram O
garis O
, O
diagram O
lingkaran O
, O
diagram O
campuran O
, O
radar O
telah O
dievaluasi O
chart O
, O
dan O
scatter O
menggunakan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
dengan O
nilai O
yang O
diperoleh O
tersebut O
yang O
dikategorikan O
acceptable. O
plot. O
Aplikasi O
yang O
aplikasi O
berarti O
adalah O
82,25 O
Kata O
Kunci— O
visualisasi O
, O
Android O
, O
ketenagakerjaan O
[SEP] O
Penelitian O
ini O
telah O
mengembangkan O
aplikasi O
visualisasi O
data O
yang O
menampilkan O
data O
ketenagakerjaan O
di O
wilayah O
Jakarta O
Utara. O
Aplikasi O
memuat O
enam O
bentuk O
visualisasi O
yang O
terdiri O
dari O
diagram O
batang O
, O
diagram O
garis O
, O
diagram O
lingkaran O
, O
diagram O
kombinasi O
, O
radar O
chart O
, O
dan O
scatter O
plot. O
Evaluasi B-TEMUAN
SUS I-TEMUAN
dilakukan I-TEMUAN
pada I-TEMUAN
aplikasi I-TEMUAN
dengan I-TEMUAN
memperoleh I-TEMUAN
nilai I-TEMUAN
sebesar I-TEMUAN
80,54 I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
aplikasi I-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
di I-TEMUAN
kalangan I-TEMUAN
pengguna. I-TEMUAN
Aplikasi O
tersebut O
masih O
memiliki O
banyak O
kekurangan O
sehingga O
aplikasi O
dapat O
dikembangkan O
lebih O
lanjut O
sebagai O
saran O
untuk O
penelitian O
yang O
akan O
datang O
contohnya O
penggunaan O
data O
yang O
lebih O
luas O
, O
bentuk O
visualisasi O
yang O
lebih O
banyak O
, O
penerapan O
tema O
, O
dan O
lain O
sebagainya. O

Perancangan O
Sistem O
Pelayanan O
Terpadu O
bagi O
Penyandang O
Disabilitas O
Berbasis O
Web O
Dyah O
Ayu O
Pitaloka O
Sujangi O
( O
221810254 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Yunarso O
Anang O
, O
Ph.D O
Ringkasan—Berdasarkan O
data O
hasil O
SUPAS O
2015 O
, O
terdapat O
8.56 O
% O
penduduk O
Indonesia O
adalah O
penyandang O
disabilitas. O
Hak O
penyandang O
disabilitas O
untuk O
mendapatkan O
pekerjaan O
telah O
dicantumkan O
dalam O
UU O
No. O
8 O
tahun O
2016. O
Akan O
tetapi O
, O
berdasarkan O
hasil O
Riskesdas O
2018 O
, O
26,7 O
% O
penyandang O
disabilitas O
yang O
berada O
dalam O
usia O
produktif O
tidak O
memiliki O
pekerjaan. O
Hal O
ini O
dapat O
diakibatkan O
karena O
kurangnya O
kemampuan O
pelamar O
ataupun O
sulitnya O
mencari O
informasi O
terkait O
lowongan O
pekerjaan O
yang O
sesuai O
dengan O
kemampuan O
dan O
kriteria O
penyandang O
disabilitas. O
Salah O
satu O
cara O
untuk O
meningkatkan O
kemampuan O
seseorang O
adalah O
dengan O
mengikuti O
kegiatan O
pelatihan. O
Selain O
meningkatkan O
kemampuan O
pribadi O
, O
dibutuhkan O
media O
untuk O
penyebaran O
informasi O
menjadi O
merata O
dan O
memuat O
kebutuhan O
pengguna O
terkait O
kegiatan O
pelatihan O
dan O
informasi O
lowongan O
pekerjaan. O
Hal O
ini O
akan O
memudahkan O
pengguna O
untuk O
mencari O
dan O
memilih O
informasi O
terkait O
pelatihan O
dan O
lowongan O
pekerjaan O
yang O
sesuai O
dengan O
kebutuhan O
pengguna. O
Kata O
Kunci— O
Disabilitas O
, O
Sistem O
Informasi O
, O
Web O
, O
Lowongan O
Pekerjaan O
, O
Pelatihan O
[SEP] O
1. O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
• O
Sistem B-TUJUAN
Informasi I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
yang I-TUJUAN
dirancang I-TUJUAN
berguna I-TUJUAN
sebagai I-TUJUAN
media I-TUJUAN
penghubung I-TUJUAN
antara I-TUJUAN
penyandang I-TUJUAN
disabilitas I-TUJUAN
, I-TUJUAN
pemilik I-TUJUAN
usaha I-TUJUAN
, I-TUJUAN
pelaksana I-TUJUAN
kegiatan I-TUJUAN
, I-TUJUAN
serta I-TUJUAN
organisasi I-TUJUAN
payung I-TUJUAN
yaitu I-TUJUAN
PPDI I-TUJUAN
• O
Sistem B-TEMUAN
yang I-TEMUAN
dirancang I-TEMUAN
mempunyai I-TEMUAN
informasi I-TEMUAN
yang I-TEMUAN
bersifat I-TEMUAN
valid I-TEMUAN
, I-TEMUAN
karena I-TEMUAN
harus I-TEMUAN
melalui I-TEMUAN
proses I-TEMUAN
verifikasi I-TEMUAN
dan I-TEMUAN
persetujuan I-TEMUAN
admin I-TEMUAN
terlebih I-TEMUAN
dahulu I-TEMUAN
• O
Rancangan O
dari O
proses O
bisnis O
dan O
use O
case O
diagram O
telah O
selesai O
dikerjakan O
• O
Prototype O
antarmuka O
telah O
selesai O
dikerjakan O
• O
Rancangan O
Database O
dari O
sistem O
telah O
selesai O
dirancang O
• O
Setelah O
dilakukan O
evaluasi O
, O
rancangan O
proses O
bisnis O
, O
use O
case O
diagram O
, O
dan O
basis O
data O
tidak O
ada O
yang O
perlu O
direvisi O
• O
Berdasarkan O
hasil O
evaluasi O
menggunakan O
metode B-METODE
rancangan I-METODE
antarmuka I-METODE
yang I-METODE
SUS I-METODE
, I-METODE
produk O
dihasilkan O
masuk O
dalam O
kategori O
B O
alias O
Good O
2. O
Saran O
Saran O
yang O
dapat O
peneliti O
berikan O
untuk O
pembaca O
ataupun O
pihak O
lain O
adalah O
sebagai O
berikut O
: O
1. O
Penelitian O
ini O
dapat O
dikembangkan O
menjadi O
sebuah O
sistem O
yang O
utuh O
2. O
Peningkatan O
fitur O
pada O
proses O
verifikasi O
dan O
validasi O
informasi O
yang O
dapat O
dilakukan O
dengan O
metode O
yang O
telah O
terkomputerisasi O
, O
tidak O
lagi O
melalui O
proses O
manual O
dan O
memanfaatkan O
pengamatan O
subjektif O
Admin O

Perancangan O
Sistem O
Pelayanan O
Terpadu O
bagi O
Penyandang O
Disabilitas O
Berbasis O
Web O
Dyah O
Ayu O
Pitaloka O
Sujangi O
( O
221810254 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Yunarso O
Anang O
, O
Ph.D O
Ringkasan—Berdasarkan O
data O
hasil O
SUPAS O
2015 O
, O
terdapat O
8.56 O
% O
penduduk O
Indonesia O
adalah O
penyandang O
disabilitas. O
Hak O
penyandang O
disabilitas O
untuk O
mendapatkan O
pekerjaan O
telah O
dicantumkan O
dalam O
UU O
No. O
8 O
tahun O
2016. O
Akan O
tetapi O
, O
berdasarkan O
hasil O
Riskesdas O
2018 O
, O
26,7 O
% O
penyandang O
disabilitas O
yang O
berada O
dalam O
usia O
produktif O
tidak O
memiliki O
pekerjaan. O
Hal O
ini O
dapat O
diakibatkan O
karena O
kurangnya O
kemampuan O
pelamar O
ataupun O
sulitnya O
mencari O
informasi O
terkait O
lowongan O
pekerjaan O
yang O
sesuai O
dengan O
kemampuan O
dan O
kriteria O
penyandang O
disabilitas. O
Salah O
satu O
cara O
untuk O
meningkatkan O
kemampuan O
seseorang O
adalah O
dengan O
mengikuti O
kegiatan O
pelatihan. O
Selain O
meningkatkan O
kemampuan O
pribadi O
, O
dibutuhkan O
media O
untuk O
penyebaran O
informasi O
menjadi O
merata O
dan O
memuat O
kebutuhan O
pengguna O
terkait O
kegiatan O
pelatihan O
dan O
informasi O
lowongan O
pekerjaan. O
Hal O
ini O
akan O
memudahkan O
pengguna O
untuk O
mencari O
dan O
memilih O
informasi O
terkait O
pelatihan O
dan O
lowongan O
pekerjaan O
yang O
sesuai O
dengan O
kebutuhan O
pengguna. O
Kata O
Kunci— O
Disabilitas O
, O
Sistem O
Informasi O
, O
Web O
, O
Lowongan O
Pekerjaan O
, O
Pelatihan O
[SEP] O
1. O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
• O
Sistem B-TUJUAN
Informasi I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
yang I-TUJUAN
dirancang I-TUJUAN
berguna I-TUJUAN
sebagai I-TUJUAN
media I-TUJUAN
penghubung I-TUJUAN
antara I-TUJUAN
penyandang I-TUJUAN
disabilitas I-TUJUAN
, I-TUJUAN
pemilik I-TUJUAN
usaha I-TUJUAN
, I-TUJUAN
pelaksana I-TUJUAN
kegiatan I-TUJUAN
, I-TUJUAN
serta I-TUJUAN
organisasi I-TUJUAN
payung I-TUJUAN
yaitu I-TUJUAN
PPDI I-TUJUAN
• O
Sistem B-TEMUAN
yang I-TEMUAN
dirancang I-TEMUAN
mempunyai I-TEMUAN
informasi I-TEMUAN
yang I-TEMUAN
bersifat I-TEMUAN
valid I-TEMUAN
, I-TEMUAN
karena I-TEMUAN
harus I-TEMUAN
melalui I-TEMUAN
proses I-TEMUAN
verifikasi I-TEMUAN
dan I-TEMUAN
persetujuan I-TEMUAN
admin I-TEMUAN
terlebih I-TEMUAN
dahulu I-TEMUAN
• O
Rancangan O
dari O
proses O
bisnis O
dan O
use O
case O
diagram O
telah O
selesai O
dikerjakan O
• O
Prototype O
antarmuka O
telah O
selesai O
dikerjakan O
• O
Rancangan O
Database O
dari O
sistem O
telah O
selesai O
dirancang O
• O
Setelah O
dilakukan O
evaluasi O
, O
rancangan O
proses O
bisnis O
, O
use O
case O
diagram O
, O
dan O
basis O
data O
tidak O
ada O
yang O
perlu O
direvisi O
• O
Berdasarkan O
hasil O
evaluasi O
menggunakan O
metode B-METODE
rancangan I-METODE
antarmuka I-METODE
yang I-METODE
SUS I-METODE
, I-METODE
produk O
dihasilkan O
masuk O
dalam O
kategori O
B O
alias O
Good O
2. O
Saran O
Saran O
yang O
dapat O
peneliti O
berikan O
untuk O
pembaca O
ataupun O
pihak O
lain O
adalah O
sebagai O
berikut O
: O
1. O
Penelitian O
ini O
dapat O
dikembangkan O
menjadi O
sebuah O
sistem O
yang O
utuh O
2. O
Peningkatan O
fitur O
pada O
proses O
verifikasi O
dan O
validasi O
informasi O
yang O
dapat O
dilakukan O
dengan O
metode O
yang O
telah O
terkomputerisasi O
, O
tidak O
lagi O
melalui O
proses O
manual O
dan O
memanfaatkan O
pengamatan O
subjektif O
Admin O

Perancangan O
Sistem O
Pelayanan O
Terpadu O
bagi O
Penyandang O
Disabilitas O
Berbasis O
Web O
Dyah O
Ayu O
Pitaloka O
Sujangi O
( O
221810254 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Yunarso O
Anang O
, O
Ph.D O
Ringkasan—Berdasarkan O
data O
hasil O
SUPAS O
2015 O
, O
terdapat O
8.56 O
% O
penduduk O
Indonesia O
adalah O
penyandang O
disabilitas. O
Hak O
penyandang O
disabilitas O
untuk O
mendapatkan O
pekerjaan O
telah O
dicantumkan O
dalam O
UU O
No. O
8 O
tahun O
2016. O
Akan O
tetapi O
, O
berdasarkan O
hasil O
Riskesdas O
2018 O
, O
26,7 O
% O
penyandang O
disabilitas O
yang O
berada O
dalam O
usia O
produktif O
tidak O
memiliki O
pekerjaan. O
Hal O
ini O
dapat O
diakibatkan O
karena O
kurangnya O
kemampuan O
pelamar O
ataupun O
sulitnya O
mencari O
informasi O
terkait O
lowongan O
pekerjaan O
yang O
sesuai O
dengan O
kemampuan O
dan O
kriteria O
penyandang O
disabilitas. O
Salah O
satu O
cara O
untuk O
meningkatkan O
kemampuan O
seseorang O
adalah O
dengan O
mengikuti O
kegiatan O
pelatihan. O
Selain O
meningkatkan O
kemampuan O
pribadi O
, O
dibutuhkan O
media O
untuk O
penyebaran O
informasi O
menjadi O
merata O
dan O
memuat O
kebutuhan O
pengguna O
terkait O
kegiatan O
pelatihan O
dan O
informasi O
lowongan O
pekerjaan. O
Hal O
ini O
akan O
memudahkan O
pengguna O
untuk O
mencari O
dan O
memilih O
informasi O
terkait O
pelatihan O
dan O
lowongan O
pekerjaan O
yang O
sesuai O
dengan O
kebutuhan O
pengguna. O
Kata O
Kunci— O
Disabilitas O
, O
Sistem O
Informasi O
, O
Web O
, O
Lowongan O
Pekerjaan O
, O
Pelatihan O
[SEP] O
1. O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan O
: O
• O
Sistem B-TUJUAN
Informasi I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
yang I-TUJUAN
dirancang I-TUJUAN
berguna I-TUJUAN
sebagai I-TUJUAN
media I-TUJUAN
penghubung I-TUJUAN
antara I-TUJUAN
penyandang I-TUJUAN
disabilitas I-TUJUAN
, I-TUJUAN
pemilik I-TUJUAN
usaha I-TUJUAN
, I-TUJUAN
pelaksana I-TUJUAN
kegiatan I-TUJUAN
, I-TUJUAN
serta I-TUJUAN
organisasi I-TUJUAN
payung I-TUJUAN
yaitu I-TUJUAN
PPDI I-TUJUAN
• O
Sistem B-TEMUAN
yang I-TEMUAN
dirancang I-TEMUAN
mempunyai I-TEMUAN
informasi I-TEMUAN
yang I-TEMUAN
bersifat I-TEMUAN
valid I-TEMUAN
, I-TEMUAN
karena I-TEMUAN
harus I-TEMUAN
melalui I-TEMUAN
proses I-TEMUAN
verifikasi I-TEMUAN
dan I-TEMUAN
persetujuan I-TEMUAN
admin I-TEMUAN
terlebih I-TEMUAN
dahulu I-TEMUAN
• O
Rancangan O
dari O
proses O
bisnis O
dan O
use O
case O
diagram O
telah O
selesai O
dikerjakan O
• O
Prototype O
antarmuka O
telah O
selesai O
dikerjakan O
• O
Rancangan O
Database O
dari O
sistem O
telah O
selesai O
dirancang O
• O
Setelah O
dilakukan O
evaluasi O
, O
rancangan O
proses O
bisnis O
, O
use O
case O
diagram O
, O
dan O
basis O
data O
tidak O
ada O
yang O
perlu O
direvisi O
• O
Berdasarkan O
hasil O
evaluasi O
menggunakan O
metode B-METODE
rancangan I-METODE
antarmuka I-METODE
yang I-METODE
SUS I-METODE
, I-METODE
produk O
dihasilkan O
masuk O
dalam O
kategori O
B O
alias O
Good O
2. O
Saran O
Saran O
yang O
dapat O
peneliti O
berikan O
untuk O
pembaca O
ataupun O
pihak O
lain O
adalah O
sebagai O
berikut O
: O
1. O
Penelitian O
ini O
dapat O
dikembangkan O
menjadi O
sebuah O
sistem O
yang O
utuh O
2. O
Peningkatan O
fitur O
pada O
proses O
verifikasi O
dan O
validasi O
informasi O
yang O
dapat O
dilakukan O
dengan O
metode O
yang O
telah O
terkomputerisasi O
, O
tidak O
lagi O
melalui O
proses O
manual O
dan O
memanfaatkan O
pengamatan O
subjektif O
Admin O

Peramalan O
Jumlah O
Perjalanan O
Wisatawan O
Nusantara O
ke O
Provinsi O
Bali O
Menggunakan O
Data O
Google O
Trends O
Zuhrotur O
Rofiah O
( O
221810682 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Nasrudin O
, O
S.Si O
, O
ME O
Ringkasan— O
Wisatawan O
nusantara O
memiliki O
peranan O
penting O
dalam O
pembangunan O
perekonomian. O
Bali O
merupakan O
salah O
satu O
tujuan O
wisata O
yang O
banyak O
diminati O
wisatawan O
nusantara. O
Sektor O
pariwisata O
di O
Indonesia O
khususnya O
di O
Provinsi O
Bali O
mengalami O
penurunan O
drastis O
akibat O
pandemi O
Covid-19. O
Pemerintah O
memprioritaskan O
wisatawan O
nusantara O
dalam O
pemulihan O
sektor O
pariwisata. O
Data O
jumlah O
perjalanan O
wisatawan O
nusantara O
memiliki O
jeda O
waktu O
pada O
penyediaan O
datanya. O
Untuk O
memantau O
pemulihan O
sektor O
pariwisata O
dibutuhkan O
data O
yang O
tersedia O
cepat O
dan O
tepat O
waktu. O
Data O
Google O
Trends O
merupakan O
data O
yang O
tersedia O
secara O
real O
time. O
Tujuan O
dari O
penelitian O
ini O
adalah O
meramalkan B-TUJUAN
jumlah I-TUJUAN
perjalanan I-TUJUAN
wisatawan I-TUJUAN
nusantara I-TUJUAN
ke I-TUJUAN
Provinsi I-TUJUAN
Bali I-TUJUAN
menggunakan I-TUJUAN
data I-TUJUAN
Google I-TUJUAN
Trends. I-TUJUAN
Model O
yang O
digunakan O
adalah O
Autoregressive B-METODE
Distributed I-METODE
Lag I-METODE
( I-METODE
ARDL I-METODE
) I-METODE
. O
Kemudian O
akan O
dibangun O
dashboard O
sederhana O
menggunakan O
R O
Shinny. O
Berdasarkan O
hasil O
penelitian O
, O
model B-TEMUAN
yang I-TEMUAN
terbentuk I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
peramalan I-TEMUAN
yang I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
MAPE I-TEMUAN
sekitar I-TEMUAN
0,22. I-TEMUAN
Dashboard O
yang O
dibangun O
sudah O
mampu O
menampilkan O
hasil O
peramalan O
dengan O
baik O
, O
dengan O
skor O
SUS B-METODE
sebesar O
74. O
Saran O
dari O
penelitian O
ini O
adalah O
melakukan O
eksplorasi O
lebih O
lanjut O
terhadap O
istilah O
pencarian O
serta O
menambahkan O
fitur O
pada O
dashboard O
wisatawan O
nusantara. O
Kata O
Kunci— O
Peramalan O
, O
wisatawan O
nusantara O
, O
Google O
Trends O
, O
ARDL O
, O
dashboard. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
sudah O
dilakukan O
, O
kesimpulan O
yang O
didapatkan O
adalah O
data O
Google O
Trends O
dapat O
digunakan O
untuk O
meramalkan O
jumlah O
perjalanan O
wisatawan O
nusantara O
ke O
Provinsi O
Bali O
serta O
memberikan O
hasil B-TEMUAN
peramalan I-TEMUAN
yang I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
MAPE I-TEMUAN
sekitar I-TEMUAN
0,22. I-TEMUAN
Selain O
itu O
, O
istilah O
pencarian O
yang O
digunakan O
dalam O
penelitian O
ini O
yakni O
“Wisata O
Bali” O
, O
“Bali” O
, O
“Pesawat O
Bali” O
, O
“Bus O
Bali” O
, O
“Hotel O
Bali” O
, O
dan O
“Pantai O
Bali” O
sudah O
cukup O
baik O
dalam O
menggambarkan O
pola O
perjalanan O
wisatawan O
nusantara O
ke O
Provinsi O
Bali. O
Dashboard O
wisatawan O
nusantara O
yang O
dibangun O
dalam O
penelitian O
ini O
sudah O
mampu O
menampilkan O
hasil O
peramalan O
jumlah O
perjalanan O
wisatawan O
nusantara O
ke O
Provinsi O
Bali O
dengan O
baik O
, O
dengan O
hasil O
evaluasi O
menggunakan O
SUS O
diperoleh O
skor O
sebesar O
74. O
Nilai O
tersebut O
menunjukkan O
bahwa O
dashboard O
wisatawan O
nusantara O
sudah O
termasuk O
kategori O
di O
atas O
rata-rata. O
lebih O
lanjut O
Saran O
berdasarkan O
hasil O
penelitian O
ini O
adalah O
melakukan O
istilah O
pencarian O
yang O
terhadap O
eksplorasi O
digunakan O
dalam O
peramalan O
jumlah O
perjalanan O
wisatawan O
nusantara O
ke O
Provinsi O
Bali O
agar O
menghasilkan O
model O
yang O
lebih O
representatif O
dan O
memberikan O
hasil O
peramalan O
yang O
lebih O
akurat. O
Selain O
itu O
, O
fitur O
pada O
dashboard O
yang O
dibangun O
juga O
dapat O
dikembangkan O
lebih O
lanjut O
sehingga O
informasi O
yang O
dapat O
disajikan O
dalam O
dashboard O
wisatawan O
nusantara O
menjadi O
lebih O
komprehensif. O
Peramalan O
jumlah O
perjalanan O
wisatawan O
nusantara O
pada O
penelitian O
ini O
hanya O
bisa O
meramalkan O
sampai O
kondisi O
saat O
ini. O
Fungsi O
yang O
digunakan O
dalam O
penelitian O
ini O
belum O
bisa O
melakukan O
peramalan O
untuk O
beberapa O
waktu O
atau O
periode O
ke O
depan O
, O
sehingga O
dapat O
dikembangkan O
dalam O
penelitian O
yang O
akan O
datang O
agar O
dapat O
meramalkan O
jumlah O
perjalanan O
wisatawan O
nusantara O
ke O
Provinsi O
Bali O
untuk O
beberapa O
waktu O
atau O
periode O
ke O
depan. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Peramalan O
Jumlah O
Perjalanan O
Wisatawan O
Nusantara O
ke O
Provinsi O
Bali O
Menggunakan O
Data O
Google O
Trends O
Zuhrotur O
Rofiah O
( O
221810682 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Nasrudin O
, O
S.Si O
, O
ME O
Ringkasan— O
Wisatawan O
nusantara O
memiliki O
peranan O
penting O
dalam O
pembangunan O
perekonomian. O
Bali O
merupakan O
salah O
satu O
tujuan O
wisata O
yang O
banyak O
diminati O
wisatawan O
nusantara. O
Sektor O
pariwisata O
di O
Indonesia O
khususnya O
di O
Provinsi O
Bali O
mengalami O
penurunan O
drastis O
akibat O
pandemi O
Covid-19. O
Pemerintah O
memprioritaskan O
wisatawan O
nusantara O
dalam O
pemulihan O
sektor O
pariwisata. O
Data O
jumlah O
perjalanan O
wisatawan O
nusantara O
memiliki O
jeda O
waktu O
pada O
penyediaan O
datanya. O
Untuk O
memantau O
pemulihan O
sektor O
pariwisata O
dibutuhkan O
data O
yang O
tersedia O
cepat O
dan O
tepat O
waktu. O
Data O
Google O
Trends O
merupakan O
data O
yang O
tersedia O
secara O
real O
time. O
Tujuan O
dari O
penelitian O
ini O
adalah O
meramalkan B-TUJUAN
jumlah I-TUJUAN
perjalanan I-TUJUAN
wisatawan I-TUJUAN
nusantara I-TUJUAN
ke I-TUJUAN
Provinsi I-TUJUAN
Bali I-TUJUAN
menggunakan I-TUJUAN
data I-TUJUAN
Google I-TUJUAN
Trends. I-TUJUAN
Model O
yang O
digunakan O
adalah O
Autoregressive B-METODE
Distributed I-METODE
Lag I-METODE
( I-METODE
ARDL I-METODE
) I-METODE
. O
Kemudian O
akan O
dibangun O
dashboard O
sederhana O
menggunakan O
R O
Shinny. O
Berdasarkan O
hasil O
penelitian O
, O
model B-TEMUAN
yang I-TEMUAN
terbentuk I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
peramalan I-TEMUAN
yang I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
MAPE I-TEMUAN
sekitar I-TEMUAN
0,22. I-TEMUAN
Dashboard O
yang O
dibangun O
sudah O
mampu O
menampilkan O
hasil O
peramalan O
dengan O
baik O
, O
dengan O
skor O
SUS B-METODE
sebesar O
74. O
Saran O
dari O
penelitian O
ini O
adalah O
melakukan O
eksplorasi O
lebih O
lanjut O
terhadap O
istilah O
pencarian O
serta O
menambahkan O
fitur O
pada O
dashboard O
wisatawan O
nusantara. O
Kata O
Kunci— O
Peramalan O
, O
wisatawan O
nusantara O
, O
Google O
Trends O
, O
ARDL O
, O
dashboard. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
sudah O
dilakukan O
, O
kesimpulan O
yang O
didapatkan O
adalah O
data O
Google O
Trends O
dapat O
digunakan O
untuk O
meramalkan O
jumlah O
perjalanan O
wisatawan O
nusantara O
ke O
Provinsi O
Bali O
serta O
memberikan O
hasil B-TEMUAN
peramalan I-TEMUAN
yang I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
MAPE I-TEMUAN
sekitar I-TEMUAN
0,22. I-TEMUAN
Selain O
itu O
, O
istilah O
pencarian O
yang O
digunakan O
dalam O
penelitian O
ini O
yakni O
“Wisata O
Bali” O
, O
“Bali” O
, O
“Pesawat O
Bali” O
, O
“Bus O
Bali” O
, O
“Hotel O
Bali” O
, O
dan O
“Pantai O
Bali” O
sudah O
cukup O
baik O
dalam O
menggambarkan O
pola O
perjalanan O
wisatawan O
nusantara O
ke O
Provinsi O
Bali. O
Dashboard O
wisatawan O
nusantara O
yang O
dibangun O
dalam O
penelitian O
ini O
sudah O
mampu O
menampilkan O
hasil O
peramalan O
jumlah O
perjalanan O
wisatawan O
nusantara O
ke O
Provinsi O
Bali O
dengan O
baik O
, O
dengan O
hasil O
evaluasi O
menggunakan O
SUS O
diperoleh O
skor O
sebesar O
74. O
Nilai O
tersebut O
menunjukkan O
bahwa O
dashboard O
wisatawan O
nusantara O
sudah O
termasuk O
kategori O
di O
atas O
rata-rata. O
lebih O
lanjut O
Saran O
berdasarkan O
hasil O
penelitian O
ini O
adalah O
melakukan O
istilah O
pencarian O
yang O
terhadap O
eksplorasi O
digunakan O
dalam O
peramalan O
jumlah O
perjalanan O
wisatawan O
nusantara O
ke O
Provinsi O
Bali O
agar O
menghasilkan O
model O
yang O
lebih O
representatif O
dan O
memberikan O
hasil O
peramalan O
yang O
lebih O
akurat. O
Selain O
itu O
, O
fitur O
pada O
dashboard O
yang O
dibangun O
juga O
dapat O
dikembangkan O
lebih O
lanjut O
sehingga O
informasi O
yang O
dapat O
disajikan O
dalam O
dashboard O
wisatawan O
nusantara O
menjadi O
lebih O
komprehensif. O
Peramalan O
jumlah O
perjalanan O
wisatawan O
nusantara O
pada O
penelitian O
ini O
hanya O
bisa O
meramalkan O
sampai O
kondisi O
saat O
ini. O
Fungsi O
yang O
digunakan O
dalam O
penelitian O
ini O
belum O
bisa O
melakukan O
peramalan O
untuk O
beberapa O
waktu O
atau O
periode O
ke O
depan O
, O
sehingga O
dapat O
dikembangkan O
dalam O
penelitian O
yang O
akan O
datang O
agar O
dapat O
meramalkan O
jumlah O
perjalanan O
wisatawan O
nusantara O
ke O
Provinsi O
Bali O
untuk O
beberapa O
waktu O
atau O
periode O
ke O
depan. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Peramalan O
Jumlah O
Perjalanan O
Wisatawan O
Nusantara O
ke O
Provinsi O
Bali O
Menggunakan O
Data O
Google O
Trends O
Zuhrotur O
Rofiah O
( O
221810682 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Nasrudin O
, O
S.Si O
, O
ME O
Ringkasan— O
Wisatawan O
nusantara O
memiliki O
peranan O
penting O
dalam O
pembangunan O
perekonomian. O
Bali O
merupakan O
salah O
satu O
tujuan O
wisata O
yang O
banyak O
diminati O
wisatawan O
nusantara. O
Sektor O
pariwisata O
di O
Indonesia O
khususnya O
di O
Provinsi O
Bali O
mengalami O
penurunan O
drastis O
akibat O
pandemi O
Covid-19. O
Pemerintah O
memprioritaskan O
wisatawan O
nusantara O
dalam O
pemulihan O
sektor O
pariwisata. O
Data O
jumlah O
perjalanan O
wisatawan O
nusantara O
memiliki O
jeda O
waktu O
pada O
penyediaan O
datanya. O
Untuk O
memantau O
pemulihan O
sektor O
pariwisata O
dibutuhkan O
data O
yang O
tersedia O
cepat O
dan O
tepat O
waktu. O
Data O
Google O
Trends O
merupakan O
data O
yang O
tersedia O
secara O
real O
time. O
Tujuan O
dari O
penelitian O
ini O
adalah O
meramalkan B-TUJUAN
jumlah I-TUJUAN
perjalanan I-TUJUAN
wisatawan I-TUJUAN
nusantara I-TUJUAN
ke I-TUJUAN
Provinsi I-TUJUAN
Bali I-TUJUAN
menggunakan I-TUJUAN
data I-TUJUAN
Google I-TUJUAN
Trends. I-TUJUAN
Model O
yang O
digunakan O
adalah O
Autoregressive B-METODE
Distributed I-METODE
Lag I-METODE
( I-METODE
ARDL I-METODE
) I-METODE
. O
Kemudian O
akan O
dibangun O
dashboard O
sederhana O
menggunakan O
R O
Shinny. O
Berdasarkan O
hasil O
penelitian O
, O
model B-TEMUAN
yang I-TEMUAN
terbentuk I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
peramalan I-TEMUAN
yang I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
MAPE I-TEMUAN
sekitar I-TEMUAN
0,22. I-TEMUAN
Dashboard O
yang O
dibangun O
sudah O
mampu O
menampilkan O
hasil O
peramalan O
dengan O
baik O
, O
dengan O
skor O
SUS B-METODE
sebesar O
74. O
Saran O
dari O
penelitian O
ini O
adalah O
melakukan O
eksplorasi O
lebih O
lanjut O
terhadap O
istilah O
pencarian O
serta O
menambahkan O
fitur O
pada O
dashboard O
wisatawan O
nusantara. O
Kata O
Kunci— O
Peramalan O
, O
wisatawan O
nusantara O
, O
Google O
Trends O
, O
ARDL O
, O
dashboard. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
sudah O
dilakukan O
, O
kesimpulan O
yang O
didapatkan O
adalah O
data O
Google O
Trends O
dapat O
digunakan O
untuk O
meramalkan O
jumlah O
perjalanan O
wisatawan O
nusantara O
ke O
Provinsi O
Bali O
serta O
memberikan O
hasil B-TEMUAN
peramalan I-TEMUAN
yang I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
MAPE I-TEMUAN
sekitar I-TEMUAN
0,22. I-TEMUAN
Selain O
itu O
, O
istilah O
pencarian O
yang O
digunakan O
dalam O
penelitian O
ini O
yakni O
“Wisata O
Bali” O
, O
“Bali” O
, O
“Pesawat O
Bali” O
, O
“Bus O
Bali” O
, O
“Hotel O
Bali” O
, O
dan O
“Pantai O
Bali” O
sudah O
cukup O
baik O
dalam O
menggambarkan O
pola O
perjalanan O
wisatawan O
nusantara O
ke O
Provinsi O
Bali. O
Dashboard O
wisatawan O
nusantara O
yang O
dibangun O
dalam O
penelitian O
ini O
sudah O
mampu O
menampilkan O
hasil O
peramalan O
jumlah O
perjalanan O
wisatawan O
nusantara O
ke O
Provinsi O
Bali O
dengan O
baik O
, O
dengan O
hasil O
evaluasi O
menggunakan O
SUS O
diperoleh O
skor O
sebesar O
74. O
Nilai O
tersebut O
menunjukkan O
bahwa O
dashboard O
wisatawan O
nusantara O
sudah O
termasuk O
kategori O
di O
atas O
rata-rata. O
lebih O
lanjut O
Saran O
berdasarkan O
hasil O
penelitian O
ini O
adalah O
melakukan O
istilah O
pencarian O
yang O
terhadap O
eksplorasi O
digunakan O
dalam O
peramalan O
jumlah O
perjalanan O
wisatawan O
nusantara O
ke O
Provinsi O
Bali O
agar O
menghasilkan O
model O
yang O
lebih O
representatif O
dan O
memberikan O
hasil O
peramalan O
yang O
lebih O
akurat. O
Selain O
itu O
, O
fitur O
pada O
dashboard O
yang O
dibangun O
juga O
dapat O
dikembangkan O
lebih O
lanjut O
sehingga O
informasi O
yang O
dapat O
disajikan O
dalam O
dashboard O
wisatawan O
nusantara O
menjadi O
lebih O
komprehensif. O
Peramalan O
jumlah O
perjalanan O
wisatawan O
nusantara O
pada O
penelitian O
ini O
hanya O
bisa O
meramalkan O
sampai O
kondisi O
saat O
ini. O
Fungsi O
yang O
digunakan O
dalam O
penelitian O
ini O
belum O
bisa O
melakukan O
peramalan O
untuk O
beberapa O
waktu O
atau O
periode O
ke O
depan O
, O
sehingga O
dapat O
dikembangkan O
dalam O
penelitian O
yang O
akan O
datang O
agar O
dapat O
meramalkan O
jumlah O
perjalanan O
wisatawan O
nusantara O
ke O
Provinsi O
Bali O
untuk O
beberapa O
waktu O
atau O
periode O
ke O
depan. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Rancang O
Bangun O
Aplikasi O
Buku O
Saku O
Pejabat O
Fungsional O
Pranata O
Komputer O
Berbasis O
Mobile O
Zahlul O
Fuadi O
( O
221810676 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A. O
Ringkasan— O
Jabatan O
Fungsional O
Pranata O
Komputer O
adalah O
jabatan O
yang O
mempunyai O
ruang O
lingkup O
, O
tugas O
, O
tanggung O
jawab O
, O
wewenang O
, O
dan O
hak O
untuk O
melaksanakan O
kegiatan O
sistem O
teknologi O
informasi O
berbasis O
komputer. O
Seorang O
pranata O
komputer O
memerlukan O
angka O
kredit O
sebagai O
salah O
satu O
syarat O
kenaikan O
pangkat. O
Mengingat O
banyaknya O
butir O
kegiatan O
yang O
dinilai O
, O
pranata O
komputer O
kesulitan O
dalam O
mencatatnya O
dengan O
rapi. O
Selain O
itu O
, O
pranata O
komputer O
juga O
kesulitan O
dalam O
memantau O
angka O
kreditnya. O
Berdasarkan O
permasalahan O
tersebut O
, O
diperlukan B-TUJUAN
sebuah I-TUJUAN
aplikasi I-TUJUAN
buku I-TUJUAN
saku I-TUJUAN
pejabat I-TUJUAN
fungsional I-TUJUAN
pranata I-TUJUAN
komputer I-TUJUAN
berbasis I-TUJUAN
mobile. I-TUJUAN
Aplikasi O
buku O
saku O
bertujuan O
untuk O
memudahkan O
pranata O
komputer O
dalam O
mencatat O
angka O
kreditnya. O
Perancangan O
aplikasi O
akan O
dilakukan O
dengan O
metode B-METODE
SDLC I-METODE
waterfall I-METODE
, O
dimulai O
dari O
requirement O
analysis O
, O
system O
design O
, O
implementation O
, O
testing O
dan O
deployment. O
saku O
pranata O
komputer O
Pembangunan O
menggunakan O
yang O
mendukung O
pemrograman O
multi-platform. O
Hasil O
pengujian O
aplikasi O
dengan O
blackbox B-METODE
testing I-METODE
dan O
SUS B-METODE
menujukkan O
bahwa O
aplikasi B-TEMUAN
layak I-TEMUAN
digunakan I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
disebarkan I-TEMUAN
kepada I-TEMUAN
pengguna. I-TEMUAN
Peneliti O
dapat O
penelitian O
menyarankan O
mengembangkan O
aplikasi O
yang O
memiliki O
lebih O
banyak O
fitur O
serta O
dapat O
memberikan O
aplikasi O
yang O
serupa O
kepada O
jabatan O
fungsional O
statistisi. O
aplikasi O
buku O
framework O
selanjutnya O
Flutter O
agar O
Kata O
Kunci— O
Aplikasi O
Buku O
Saku O
, O
Pranata O
Komputer O
, O
Angka O
Kredit O
, O
Waterfall O
, O
Mobile. O
[SEP] O
beberapa O
kesimpulan O
sebagai O
berikut. O
1. O
Pembangunan O
aplikasi O
buku O
saku O
pranata O
komputer O
telah O
dilakukan O
dengan O
metode B-METODE
SDLC I-METODE
model I-METODE
waterfall I-METODE
yang O
terdiri O
dari O
system O
design O
, O
analysis O
, O
implementation O
, O
testing O
dan O
deployment. O
requirement O
2. O
Seorang O
pranata O
komputer O
yang O
menggunakan O
aplikasi O
buku O
saku O
pranata O
komputer O
dapat O
melakukan O
ekspor O
catatan O
yang O
dapat O
digunakan O
untuk O
menyusun O
DUPAK. O
3. O
Aplikasi B-TEMUAN
buku I-TEMUAN
saku I-TEMUAN
pranata I-TEMUAN
komputer I-TEMUAN
teruji I-TEMUAN
kelayakannya I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
blackbox I-TEMUAN
testing I-TEMUAN
dan I-TEMUAN
system I-TEMUAN
usability I-TEMUAN
scale I-TEMUAN
dengan I-TEMUAN
sko I-TEMUAN
76,87. I-TEMUAN
telah O
Adapun O
saran O
yang O
dapat O
peneliti O
sampaikan O
untuk O
penelitian O
selanjutnya O
adalah O
sebagai O
berikut. O
1. O
Berdasarkan O
evaluasi O
aplikasi O
oleh O
pengguna O
, O
diperoleh O
masukan O
agar O
aplikasi O
memiliki O
lebih O
banyak O
fitur O
di O
dalamnya O
, O
seperti O
pencadangan O
online O
dan O
rekomendasi O
butir O
yang O
bisa O
diambil O
untuk O
memenuhi O
target. O
2. O
Selain O
jabatan O
fungsional O
pranata O
komputer O
, O
BPS O
juga O
berperan O
sebagai O
instansi O
pembina O
jabatan O
fugnsional O
statistisi. O
Penelitian O
selanjutnya O
dapat O
merancang O
aplikasi O
serupa O
kepada O
jabatan O
fungsional O
statistisi. O

Rancang O
Bangun O
Aplikasi O
Buku O
Saku O
Pejabat O
Fungsional O
Pranata O
Komputer O
Berbasis O
Mobile O
Zahlul O
Fuadi O
( O
221810676 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A. O
Ringkasan— O
Jabatan O
Fungsional O
Pranata O
Komputer O
adalah O
jabatan O
yang O
mempunyai O
ruang O
lingkup O
, O
tugas O
, O
tanggung O
jawab O
, O
wewenang O
, O
dan O
hak O
untuk O
melaksanakan O
kegiatan O
sistem O
teknologi O
informasi O
berbasis O
komputer. O
Seorang O
pranata O
komputer O
memerlukan O
angka O
kredit O
sebagai O
salah O
satu O
syarat O
kenaikan O
pangkat. O
Mengingat O
banyaknya O
butir O
kegiatan O
yang O
dinilai O
, O
pranata O
komputer O
kesulitan O
dalam O
mencatatnya O
dengan O
rapi. O
Selain O
itu O
, O
pranata O
komputer O
juga O
kesulitan O
dalam O
memantau O
angka O
kreditnya. O
Berdasarkan O
permasalahan O
tersebut O
, O
diperlukan B-TUJUAN
sebuah I-TUJUAN
aplikasi I-TUJUAN
buku I-TUJUAN
saku I-TUJUAN
pejabat I-TUJUAN
fungsional I-TUJUAN
pranata I-TUJUAN
komputer I-TUJUAN
berbasis I-TUJUAN
mobile. I-TUJUAN
Aplikasi O
buku O
saku O
bertujuan O
untuk O
memudahkan O
pranata O
komputer O
dalam O
mencatat O
angka O
kreditnya. O
Perancangan O
aplikasi O
akan O
dilakukan O
dengan O
metode B-METODE
SDLC I-METODE
waterfall I-METODE
, O
dimulai O
dari O
requirement O
analysis O
, O
system O
design O
, O
implementation O
, O
testing O
dan O
deployment. O
saku O
pranata O
komputer O
Pembangunan O
menggunakan O
yang O
mendukung O
pemrograman O
multi-platform. O
Hasil O
pengujian O
aplikasi O
dengan O
blackbox B-METODE
testing I-METODE
dan O
SUS B-METODE
menujukkan O
bahwa O
aplikasi B-TEMUAN
layak I-TEMUAN
digunakan I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
disebarkan I-TEMUAN
kepada I-TEMUAN
pengguna. I-TEMUAN
Peneliti O
dapat O
penelitian O
menyarankan O
mengembangkan O
aplikasi O
yang O
memiliki O
lebih O
banyak O
fitur O
serta O
dapat O
memberikan O
aplikasi O
yang O
serupa O
kepada O
jabatan O
fungsional O
statistisi. O
aplikasi O
buku O
framework O
selanjutnya O
Flutter O
agar O
Kata O
Kunci— O
Aplikasi O
Buku O
Saku O
, O
Pranata O
Komputer O
, O
Angka O
Kredit O
, O
Waterfall O
, O
Mobile. O
[SEP] O
beberapa O
kesimpulan O
sebagai O
berikut. O
1. O
Pembangunan O
aplikasi O
buku O
saku O
pranata O
komputer O
telah O
dilakukan O
dengan O
metode B-METODE
SDLC I-METODE
model I-METODE
waterfall I-METODE
yang O
terdiri O
dari O
system O
design O
, O
analysis O
, O
implementation O
, O
testing O
dan O
deployment. O
requirement O
2. O
Seorang O
pranata O
komputer O
yang O
menggunakan O
aplikasi O
buku O
saku O
pranata O
komputer O
dapat O
melakukan O
ekspor O
catatan O
yang O
dapat O
digunakan O
untuk O
menyusun O
DUPAK. O
3. O
Aplikasi B-TEMUAN
buku I-TEMUAN
saku I-TEMUAN
pranata I-TEMUAN
komputer I-TEMUAN
teruji I-TEMUAN
kelayakannya I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
blackbox I-TEMUAN
testing I-TEMUAN
dan I-TEMUAN
system I-TEMUAN
usability I-TEMUAN
scale I-TEMUAN
dengan I-TEMUAN
sko I-TEMUAN
76,87. I-TEMUAN
telah O
Adapun O
saran O
yang O
dapat O
peneliti O
sampaikan O
untuk O
penelitian O
selanjutnya O
adalah O
sebagai O
berikut. O
1. O
Berdasarkan O
evaluasi O
aplikasi O
oleh O
pengguna O
, O
diperoleh O
masukan O
agar O
aplikasi O
memiliki O
lebih O
banyak O
fitur O
di O
dalamnya O
, O
seperti O
pencadangan O
online O
dan O
rekomendasi O
butir O
yang O
bisa O
diambil O
untuk O
memenuhi O
target. O
2. O
Selain O
jabatan O
fungsional O
pranata O
komputer O
, O
BPS O
juga O
berperan O
sebagai O
instansi O
pembina O
jabatan O
fugnsional O
statistisi. O
Penelitian O
selanjutnya O
dapat O
merancang O
aplikasi O
serupa O
kepada O
jabatan O
fungsional O
statistisi. O

Rancang O
Bangun O
Aplikasi O
Buku O
Saku O
Pejabat O
Fungsional O
Pranata O
Komputer O
Berbasis O
Mobile O
Zahlul O
Fuadi O
( O
221810676 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A. O
Ringkasan— O
Jabatan O
Fungsional O
Pranata O
Komputer O
adalah O
jabatan O
yang O
mempunyai O
ruang O
lingkup O
, O
tugas O
, O
tanggung O
jawab O
, O
wewenang O
, O
dan O
hak O
untuk O
melaksanakan O
kegiatan O
sistem O
teknologi O
informasi O
berbasis O
komputer. O
Seorang O
pranata O
komputer O
memerlukan O
angka O
kredit O
sebagai O
salah O
satu O
syarat O
kenaikan O
pangkat. O
Mengingat O
banyaknya O
butir O
kegiatan O
yang O
dinilai O
, O
pranata O
komputer O
kesulitan O
dalam O
mencatatnya O
dengan O
rapi. O
Selain O
itu O
, O
pranata O
komputer O
juga O
kesulitan O
dalam O
memantau O
angka O
kreditnya. O
Berdasarkan O
permasalahan O
tersebut O
, O
diperlukan B-TUJUAN
sebuah I-TUJUAN
aplikasi I-TUJUAN
buku I-TUJUAN
saku I-TUJUAN
pejabat I-TUJUAN
fungsional I-TUJUAN
pranata I-TUJUAN
komputer I-TUJUAN
berbasis I-TUJUAN
mobile. I-TUJUAN
Aplikasi O
buku O
saku O
bertujuan O
untuk O
memudahkan O
pranata O
komputer O
dalam O
mencatat O
angka O
kreditnya. O
Perancangan O
aplikasi O
akan O
dilakukan O
dengan O
metode B-METODE
SDLC I-METODE
waterfall I-METODE
, O
dimulai O
dari O
requirement O
analysis O
, O
system O
design O
, O
implementation O
, O
testing O
dan O
deployment. O
saku O
pranata O
komputer O
Pembangunan O
menggunakan O
yang O
mendukung O
pemrograman O
multi-platform. O
Hasil O
pengujian O
aplikasi O
dengan O
blackbox B-METODE
testing I-METODE
dan O
SUS B-METODE
menujukkan O
bahwa O
aplikasi B-TEMUAN
layak I-TEMUAN
digunakan I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
disebarkan I-TEMUAN
kepada I-TEMUAN
pengguna. I-TEMUAN
Peneliti O
dapat O
penelitian O
menyarankan O
mengembangkan O
aplikasi O
yang O
memiliki O
lebih O
banyak O
fitur O
serta O
dapat O
memberikan O
aplikasi O
yang O
serupa O
kepada O
jabatan O
fungsional O
statistisi. O
aplikasi O
buku O
framework O
selanjutnya O
Flutter O
agar O
Kata O
Kunci— O
Aplikasi O
Buku O
Saku O
, O
Pranata O
Komputer O
, O
Angka O
Kredit O
, O
Waterfall O
, O
Mobile. O
[SEP] O
beberapa O
kesimpulan O
sebagai O
berikut. O
1. O
Pembangunan O
aplikasi O
buku O
saku O
pranata O
komputer O
telah O
dilakukan O
dengan O
metode B-METODE
SDLC I-METODE
model I-METODE
waterfall I-METODE
yang O
terdiri O
dari O
system O
design O
, O
analysis O
, O
implementation O
, O
testing O
dan O
deployment. O
requirement O
2. O
Seorang O
pranata O
komputer O
yang O
menggunakan O
aplikasi O
buku O
saku O
pranata O
komputer O
dapat O
melakukan O
ekspor O
catatan O
yang O
dapat O
digunakan O
untuk O
menyusun O
DUPAK. O
3. O
Aplikasi B-TEMUAN
buku I-TEMUAN
saku I-TEMUAN
pranata I-TEMUAN
komputer I-TEMUAN
teruji I-TEMUAN
kelayakannya I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
blackbox I-TEMUAN
testing I-TEMUAN
dan I-TEMUAN
system I-TEMUAN
usability I-TEMUAN
scale I-TEMUAN
dengan I-TEMUAN
sko I-TEMUAN
76,87. I-TEMUAN
telah O
Adapun O
saran O
yang O
dapat O
peneliti O
sampaikan O
untuk O
penelitian O
selanjutnya O
adalah O
sebagai O
berikut. O
1. O
Berdasarkan O
evaluasi O
aplikasi O
oleh O
pengguna O
, O
diperoleh O
masukan O
agar O
aplikasi O
memiliki O
lebih O
banyak O
fitur O
di O
dalamnya O
, O
seperti O
pencadangan O
online O
dan O
rekomendasi O
butir O
yang O
bisa O
diambil O
untuk O
memenuhi O
target. O
2. O
Selain O
jabatan O
fungsional O
pranata O
komputer O
, O
BPS O
juga O
berperan O
sebagai O
instansi O
pembina O
jabatan O
fugnsional O
statistisi. O
Penelitian O
selanjutnya O
dapat O
merancang O
aplikasi O
serupa O
kepada O
jabatan O
fungsional O
statistisi. O

Pembangunan O
Sistem O
Visualisasi O
Geografis O
Kabupaten O
Agam O
Dalam O
Angka O
Yully O
Septia O
Pertiwi O
( O
221810673 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph.D. O
ini O
dapat O
sebagai O
publikasi O
dijadikan O
Ringkasan— O
Publikasi O
Kabupaten O
Agam O
Dalam O
Angka O
merupakan O
bagian O
dari O
publikasi O
Daerah O
Dalam O
Angka O
( O
DDA O
) O
. O
Data O
pedoman O
perencanaan O
dan O
ukuran O
keberhasilan O
pembangunan O
daerah. O
Saat O
ini O
data O
publikasi O
Kabupaten O
Agam O
Dalam O
Angka O
hanya O
disajikan O
dalam O
bentuk O
tabel O
saja O
, O
sehingga O
pengguna O
tidak O
dapat O
melakukan O
perbandingan O
antar O
daerah. O
Hal O
ini O
tentu O
saja O
akan O
mempersulit O
pengguna O
dalam O
memanfaatkan O
data. O
Oleh O
karena O
itu O
BPS O
Kabupaten O
Agam O
menginginkan B-TUJUAN
adanya I-TUJUAN
sistem I-TUJUAN
visualisasi I-TUJUAN
geografis I-TUJUAN
publikasi I-TUJUAN
Kabupaten I-TUJUAN
Agam I-TUJUAN
Dalam I-TUJUAN
Angka. I-TUJUAN
Sistem O
visualisasi O
geografis O
ini O
akan O
dibangun O
dalam O
bentuk O
web O
dengan O
menerapkan O
metode B-METODE
Rapid I-METODE
Application I-METODE
Development I-METODE
( I-METODE
RAD I-METODE
) I-METODE
untuk O
pembangunan O
sistem O
dan O
evaluasi O
sistem O
menggunakan O
Black B-METODE
Box I-METODE
Testing I-METODE
dan O
User B-METODE
Experience I-METODE
Questionnaire I-METODE
( I-METODE
UEQ I-METODE
) I-METODE
. O
Dari O
hasil O
pengujian O
sistem O
dengan O
black O
box O
, O
diperoleh O
bahwa O
fungsi-fungsi B-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
oleh I-TEMUAN
sistem I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
input I-TEMUAN
yang I-TEMUAN
diberikan I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Berdasarkan O
hasil O
evaluasi O
sistem O
dengan O
UEQ O
, O
diperoleh B-TEMUAN
nilai I-TEMUAN
excellent I-TEMUAN
( I-TEMUAN
luar I-TEMUAN
biasa I-TEMUAN
) I-TEMUAN
untuk I-TEMUAN
sebagian I-TEMUAN
besar I-TEMUAN
aspek I-TEMUAN
penilaian I-TEMUAN
pada I-TEMUAN
UEQ. I-TEMUAN
Hal I-TEMUAN
ini I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
dapat I-TEMUAN
memenuhi I-TEMUAN
kebutuhan I-TEMUAN
pengguna I-TEMUAN
dalam I-TEMUAN
memanfaatkan I-TEMUAN
data. I-TEMUAN
Kata O
Kunci— O
Kabupaten O
Agam O
Dalam O
Angka O
, O
visualisasi O
, O
UEQ O
, O
RAD. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
oleh O
penulis O
, O
diperoleh O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Sistem B-TEMUAN
visualisasi I-TEMUAN
geografis I-TEMUAN
Kabupaten I-TEMUAN
Agam I-TEMUAN
Dalam I-TEMUAN
Angka I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
telah I-TEMUAN
selesai I-TEMUAN
dibangun. I-TEMUAN
Sistem O
tersebut O
diberi O
nama O
SIGAGAH O
( O
Sistem O
Visualisasi O
Geografis O
Agam O
Hebat O
) O
. O
Sistem O
ini O
dapat O
digunakan O
untuk O
menampilkan O
publikasi O
Kabupaten O
Agam O
Dalam O
Angka O
dan O
Kecamatan O
Dalam O
Angka. O
Selain O
itu O
pengguna O
juga O
dapat O
mengunduh O
visualisasi O
tersebut. O
Berdasarkan O
hasil O
evaluasi O
yang O
dilakukan O
dengan O
black B-METODE
box I-METODE
testing I-METODE
dapat B-TEMUAN
diketahui I-TEMUAN
bahwa I-TEMUAN
semua I-TEMUAN
fungsi I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
ini I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
visualisasi O
untuk O
2. O
8 O
/ O
9 O
3. O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
dari I-TEMUAN
pengalaman I-TEMUAN
pengguna I-TEMUAN
( I-TEMUAN
user I-TEMUAN
experience I-TEMUAN
) I-TEMUAN
yang I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
User I-TEMUAN
nilai I-TEMUAN
Experience I-TEMUAN
Questionnaire I-TEMUAN
excelent I-TEMUAN
( I-TEMUAN
luar I-TEMUAN
biasa I-TEMUAN
) I-TEMUAN
untuk I-TEMUAN
aspek I-TEMUAN
daya I-TEMUAN
tarik I-TEMUAN
, I-TEMUAN
efisiensi I-TEMUAN
, I-TEMUAN
ketepatan I-TEMUAN
, I-TEMUAN
stimulasi I-TEMUAN
dan I-TEMUAN
kebaruan. I-TEMUAN
Sedangkan I-TEMUAN
untuk I-TEMUAN
aspek I-TEMUAN
kejelasan I-TEMUAN
mendapatkan I-TEMUAN
nilai I-TEMUAN
good I-TEMUAN
( I-TEMUAN
baik I-TEMUAN
) I-TEMUAN
. I-TEMUAN
diperoleh O
( O
UEQ O
) O
, O

Pembangunan O
Sistem O
Visualisasi O
Geografis O
Kabupaten O
Agam O
Dalam O
Angka O
Yully O
Septia O
Pertiwi O
( O
221810673 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph.D. O
ini O
dapat O
sebagai O
publikasi O
dijadikan O
Ringkasan— O
Publikasi O
Kabupaten O
Agam O
Dalam O
Angka O
merupakan O
bagian O
dari O
publikasi O
Daerah O
Dalam O
Angka O
( O
DDA O
) O
. O
Data O
pedoman O
perencanaan O
dan O
ukuran O
keberhasilan O
pembangunan O
daerah. O
Saat O
ini O
data O
publikasi O
Kabupaten O
Agam O
Dalam O
Angka O
hanya O
disajikan O
dalam O
bentuk O
tabel O
saja O
, O
sehingga O
pengguna O
tidak O
dapat O
melakukan O
perbandingan O
antar O
daerah. O
Hal O
ini O
tentu O
saja O
akan O
mempersulit O
pengguna O
dalam O
memanfaatkan O
data. O
Oleh O
karena O
itu O
BPS O
Kabupaten O
Agam O
menginginkan B-TUJUAN
adanya I-TUJUAN
sistem I-TUJUAN
visualisasi I-TUJUAN
geografis I-TUJUAN
publikasi I-TUJUAN
Kabupaten I-TUJUAN
Agam I-TUJUAN
Dalam I-TUJUAN
Angka. I-TUJUAN
Sistem O
visualisasi O
geografis O
ini O
akan O
dibangun O
dalam O
bentuk O
web O
dengan O
menerapkan O
metode B-METODE
Rapid I-METODE
Application I-METODE
Development I-METODE
( I-METODE
RAD I-METODE
) I-METODE
untuk O
pembangunan O
sistem O
dan O
evaluasi O
sistem O
menggunakan O
Black B-METODE
Box I-METODE
Testing I-METODE
dan O
User B-METODE
Experience I-METODE
Questionnaire I-METODE
( I-METODE
UEQ I-METODE
) I-METODE
. O
Dari O
hasil O
pengujian O
sistem O
dengan O
black O
box O
, O
diperoleh O
bahwa O
fungsi-fungsi B-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
oleh I-TEMUAN
sistem I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
input I-TEMUAN
yang I-TEMUAN
diberikan I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Berdasarkan O
hasil O
evaluasi O
sistem O
dengan O
UEQ O
, O
diperoleh B-TEMUAN
nilai I-TEMUAN
excellent I-TEMUAN
( I-TEMUAN
luar I-TEMUAN
biasa I-TEMUAN
) I-TEMUAN
untuk I-TEMUAN
sebagian I-TEMUAN
besar I-TEMUAN
aspek I-TEMUAN
penilaian I-TEMUAN
pada I-TEMUAN
UEQ. I-TEMUAN
Hal I-TEMUAN
ini I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
dapat I-TEMUAN
memenuhi I-TEMUAN
kebutuhan I-TEMUAN
pengguna I-TEMUAN
dalam I-TEMUAN
memanfaatkan I-TEMUAN
data. I-TEMUAN
Kata O
Kunci— O
Kabupaten O
Agam O
Dalam O
Angka O
, O
visualisasi O
, O
UEQ O
, O
RAD. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
oleh O
penulis O
, O
diperoleh O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Sistem B-TEMUAN
visualisasi I-TEMUAN
geografis I-TEMUAN
Kabupaten I-TEMUAN
Agam I-TEMUAN
Dalam I-TEMUAN
Angka I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
telah I-TEMUAN
selesai I-TEMUAN
dibangun. I-TEMUAN
Sistem O
tersebut O
diberi O
nama O
SIGAGAH O
( O
Sistem O
Visualisasi O
Geografis O
Agam O
Hebat O
) O
. O
Sistem O
ini O
dapat O
digunakan O
untuk O
menampilkan O
publikasi O
Kabupaten O
Agam O
Dalam O
Angka O
dan O
Kecamatan O
Dalam O
Angka. O
Selain O
itu O
pengguna O
juga O
dapat O
mengunduh O
visualisasi O
tersebut. O
Berdasarkan O
hasil O
evaluasi O
yang O
dilakukan O
dengan O
black B-METODE
box I-METODE
testing I-METODE
dapat B-TEMUAN
diketahui I-TEMUAN
bahwa I-TEMUAN
semua I-TEMUAN
fungsi I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
ini I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
visualisasi O
untuk O
2. O
8 O
/ O
9 O
3. O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
dari I-TEMUAN
pengalaman I-TEMUAN
pengguna I-TEMUAN
( I-TEMUAN
user I-TEMUAN
experience I-TEMUAN
) I-TEMUAN
yang I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
User I-TEMUAN
nilai I-TEMUAN
Experience I-TEMUAN
Questionnaire I-TEMUAN
excelent I-TEMUAN
( I-TEMUAN
luar I-TEMUAN
biasa I-TEMUAN
) I-TEMUAN
untuk I-TEMUAN
aspek I-TEMUAN
daya I-TEMUAN
tarik I-TEMUAN
, I-TEMUAN
efisiensi I-TEMUAN
, I-TEMUAN
ketepatan I-TEMUAN
, I-TEMUAN
stimulasi I-TEMUAN
dan I-TEMUAN
kebaruan. I-TEMUAN
Sedangkan I-TEMUAN
untuk I-TEMUAN
aspek I-TEMUAN
kejelasan I-TEMUAN
mendapatkan I-TEMUAN
nilai I-TEMUAN
good I-TEMUAN
( I-TEMUAN
baik I-TEMUAN
) I-TEMUAN
. I-TEMUAN
diperoleh O
( O
UEQ O
) O
, O

Pembangunan O
Sistem O
Visualisasi O
Geografis O
Kabupaten O
Agam O
Dalam O
Angka O
Yully O
Septia O
Pertiwi O
( O
221810673 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph.D. O
ini O
dapat O
sebagai O
publikasi O
dijadikan O
Ringkasan— O
Publikasi O
Kabupaten O
Agam O
Dalam O
Angka O
merupakan O
bagian O
dari O
publikasi O
Daerah O
Dalam O
Angka O
( O
DDA O
) O
. O
Data O
pedoman O
perencanaan O
dan O
ukuran O
keberhasilan O
pembangunan O
daerah. O
Saat O
ini O
data O
publikasi O
Kabupaten O
Agam O
Dalam O
Angka O
hanya O
disajikan O
dalam O
bentuk O
tabel O
saja O
, O
sehingga O
pengguna O
tidak O
dapat O
melakukan O
perbandingan O
antar O
daerah. O
Hal O
ini O
tentu O
saja O
akan O
mempersulit O
pengguna O
dalam O
memanfaatkan O
data. O
Oleh O
karena O
itu O
BPS O
Kabupaten O
Agam O
menginginkan B-TUJUAN
adanya I-TUJUAN
sistem I-TUJUAN
visualisasi I-TUJUAN
geografis I-TUJUAN
publikasi I-TUJUAN
Kabupaten I-TUJUAN
Agam I-TUJUAN
Dalam I-TUJUAN
Angka. I-TUJUAN
Sistem O
visualisasi O
geografis O
ini O
akan O
dibangun O
dalam O
bentuk O
web O
dengan O
menerapkan O
metode B-METODE
Rapid I-METODE
Application I-METODE
Development I-METODE
( I-METODE
RAD I-METODE
) I-METODE
untuk O
pembangunan O
sistem O
dan O
evaluasi O
sistem O
menggunakan O
Black B-METODE
Box I-METODE
Testing I-METODE
dan O
User B-METODE
Experience I-METODE
Questionnaire I-METODE
( I-METODE
UEQ I-METODE
) I-METODE
. O
Dari O
hasil O
pengujian O
sistem O
dengan O
black O
box O
, O
diperoleh O
bahwa O
fungsi-fungsi B-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
oleh I-TEMUAN
sistem I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
input I-TEMUAN
yang I-TEMUAN
diberikan I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Berdasarkan O
hasil O
evaluasi O
sistem O
dengan O
UEQ O
, O
diperoleh B-TEMUAN
nilai I-TEMUAN
excellent I-TEMUAN
( I-TEMUAN
luar I-TEMUAN
biasa I-TEMUAN
) I-TEMUAN
untuk I-TEMUAN
sebagian I-TEMUAN
besar I-TEMUAN
aspek I-TEMUAN
penilaian I-TEMUAN
pada I-TEMUAN
UEQ. I-TEMUAN
Hal I-TEMUAN
ini I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
dapat I-TEMUAN
memenuhi I-TEMUAN
kebutuhan I-TEMUAN
pengguna I-TEMUAN
dalam I-TEMUAN
memanfaatkan I-TEMUAN
data. I-TEMUAN
Kata O
Kunci— O
Kabupaten O
Agam O
Dalam O
Angka O
, O
visualisasi O
, O
UEQ O
, O
RAD. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
oleh O
penulis O
, O
diperoleh O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Sistem B-TEMUAN
visualisasi I-TEMUAN
geografis I-TEMUAN
Kabupaten I-TEMUAN
Agam I-TEMUAN
Dalam I-TEMUAN
Angka I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
telah I-TEMUAN
selesai I-TEMUAN
dibangun. I-TEMUAN
Sistem O
tersebut O
diberi O
nama O
SIGAGAH O
( O
Sistem O
Visualisasi O
Geografis O
Agam O
Hebat O
) O
. O
Sistem O
ini O
dapat O
digunakan O
untuk O
menampilkan O
publikasi O
Kabupaten O
Agam O
Dalam O
Angka O
dan O
Kecamatan O
Dalam O
Angka. O
Selain O
itu O
pengguna O
juga O
dapat O
mengunduh O
visualisasi O
tersebut. O
Berdasarkan O
hasil O
evaluasi O
yang O
dilakukan O
dengan O
black B-METODE
box I-METODE
testing I-METODE
dapat B-TEMUAN
diketahui I-TEMUAN
bahwa I-TEMUAN
semua I-TEMUAN
fungsi I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
ini I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
visualisasi O
untuk O
2. O
8 O
/ O
9 O
3. O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
dari I-TEMUAN
pengalaman I-TEMUAN
pengguna I-TEMUAN
( I-TEMUAN
user I-TEMUAN
experience I-TEMUAN
) I-TEMUAN
yang I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
User I-TEMUAN
nilai I-TEMUAN
Experience I-TEMUAN
Questionnaire I-TEMUAN
excelent I-TEMUAN
( I-TEMUAN
luar I-TEMUAN
biasa I-TEMUAN
) I-TEMUAN
untuk I-TEMUAN
aspek I-TEMUAN
daya I-TEMUAN
tarik I-TEMUAN
, I-TEMUAN
efisiensi I-TEMUAN
, I-TEMUAN
ketepatan I-TEMUAN
, I-TEMUAN
stimulasi I-TEMUAN
dan I-TEMUAN
kebaruan. I-TEMUAN
Sedangkan I-TEMUAN
untuk I-TEMUAN
aspek I-TEMUAN
kejelasan I-TEMUAN
mendapatkan I-TEMUAN
nilai I-TEMUAN
good I-TEMUAN
( I-TEMUAN
baik I-TEMUAN
) I-TEMUAN
. I-TEMUAN
diperoleh O
( O
UEQ O
) O
, O

Pembangunan O
Sistem O
Visualisasi O
Geografis O
Kabupaten O
Agam O
Dalam O
Angka O
Yully O
Septia O
Pertiwi O
( O
221810673 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph.D. O
ini O
dapat O
sebagai O
publikasi O
dijadikan O
Ringkasan— O
Publikasi O
Kabupaten O
Agam O
Dalam O
Angka O
merupakan O
bagian O
dari O
publikasi O
Daerah O
Dalam O
Angka O
( O
DDA O
) O
. O
Data O
pedoman O
perencanaan O
dan O
ukuran O
keberhasilan O
pembangunan O
daerah. O
Saat O
ini O
data O
publikasi O
Kabupaten O
Agam O
Dalam O
Angka O
hanya O
disajikan O
dalam O
bentuk O
tabel O
saja O
, O
sehingga O
pengguna O
tidak O
dapat O
melakukan O
perbandingan O
antar O
daerah. O
Hal O
ini O
tentu O
saja O
akan O
mempersulit O
pengguna O
dalam O
memanfaatkan O
data. O
Oleh O
karena O
itu O
BPS O
Kabupaten O
Agam O
menginginkan B-TUJUAN
adanya I-TUJUAN
sistem I-TUJUAN
visualisasi I-TUJUAN
geografis I-TUJUAN
publikasi I-TUJUAN
Kabupaten I-TUJUAN
Agam I-TUJUAN
Dalam I-TUJUAN
Angka. I-TUJUAN
Sistem O
visualisasi O
geografis O
ini O
akan O
dibangun O
dalam O
bentuk O
web O
dengan O
menerapkan O
metode B-METODE
Rapid I-METODE
Application I-METODE
Development I-METODE
( I-METODE
RAD I-METODE
) I-METODE
untuk O
pembangunan O
sistem O
dan O
evaluasi O
sistem O
menggunakan O
Black B-METODE
Box I-METODE
Testing I-METODE
dan O
User B-METODE
Experience I-METODE
Questionnaire I-METODE
( I-METODE
UEQ I-METODE
) I-METODE
. O
Dari O
hasil O
pengujian O
sistem O
dengan O
black O
box O
, O
diperoleh O
bahwa O
fungsi-fungsi B-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
oleh I-TEMUAN
sistem I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
input I-TEMUAN
yang I-TEMUAN
diberikan I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Berdasarkan O
hasil O
evaluasi O
sistem O
dengan O
UEQ O
, O
diperoleh B-TEMUAN
nilai I-TEMUAN
excellent I-TEMUAN
( I-TEMUAN
luar I-TEMUAN
biasa I-TEMUAN
) I-TEMUAN
untuk I-TEMUAN
sebagian I-TEMUAN
besar I-TEMUAN
aspek I-TEMUAN
penilaian I-TEMUAN
pada I-TEMUAN
UEQ. I-TEMUAN
Hal I-TEMUAN
ini I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
dapat I-TEMUAN
memenuhi I-TEMUAN
kebutuhan I-TEMUAN
pengguna I-TEMUAN
dalam I-TEMUAN
memanfaatkan I-TEMUAN
data. I-TEMUAN
Kata O
Kunci— O
Kabupaten O
Agam O
Dalam O
Angka O
, O
visualisasi O
, O
UEQ O
, O
RAD. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
oleh O
penulis O
, O
diperoleh O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Sistem B-TEMUAN
visualisasi I-TEMUAN
geografis I-TEMUAN
Kabupaten I-TEMUAN
Agam I-TEMUAN
Dalam I-TEMUAN
Angka I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
telah I-TEMUAN
selesai I-TEMUAN
dibangun. I-TEMUAN
Sistem O
tersebut O
diberi O
nama O
SIGAGAH O
( O
Sistem O
Visualisasi O
Geografis O
Agam O
Hebat O
) O
. O
Sistem O
ini O
dapat O
digunakan O
untuk O
menampilkan O
publikasi O
Kabupaten O
Agam O
Dalam O
Angka O
dan O
Kecamatan O
Dalam O
Angka. O
Selain O
itu O
pengguna O
juga O
dapat O
mengunduh O
visualisasi O
tersebut. O
Berdasarkan O
hasil O
evaluasi O
yang O
dilakukan O
dengan O
black B-METODE
box I-METODE
testing I-METODE
dapat B-TEMUAN
diketahui I-TEMUAN
bahwa I-TEMUAN
semua I-TEMUAN
fungsi I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
ini I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
visualisasi O
untuk O
2. O
8 O
/ O
9 O
3. O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
dari I-TEMUAN
pengalaman I-TEMUAN
pengguna I-TEMUAN
( I-TEMUAN
user I-TEMUAN
experience I-TEMUAN
) I-TEMUAN
yang I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
User I-TEMUAN
nilai I-TEMUAN
Experience I-TEMUAN
Questionnaire I-TEMUAN
excelent I-TEMUAN
( I-TEMUAN
luar I-TEMUAN
biasa I-TEMUAN
) I-TEMUAN
untuk I-TEMUAN
aspek I-TEMUAN
daya I-TEMUAN
tarik I-TEMUAN
, I-TEMUAN
efisiensi I-TEMUAN
, I-TEMUAN
ketepatan I-TEMUAN
, I-TEMUAN
stimulasi I-TEMUAN
dan I-TEMUAN
kebaruan. I-TEMUAN
Sedangkan I-TEMUAN
untuk I-TEMUAN
aspek I-TEMUAN
kejelasan I-TEMUAN
mendapatkan I-TEMUAN
nilai I-TEMUAN
good I-TEMUAN
( I-TEMUAN
baik I-TEMUAN
) I-TEMUAN
. I-TEMUAN
diperoleh O
( O
UEQ O
) O
, O

Pembangunan O
Sistem O
Visualisasi O
Geografis O
Kabupaten O
Agam O
Dalam O
Angka O
Yully O
Septia O
Pertiwi O
( O
221810673 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph.D. O
ini O
dapat O
sebagai O
publikasi O
dijadikan O
Ringkasan— O
Publikasi O
Kabupaten O
Agam O
Dalam O
Angka O
merupakan O
bagian O
dari O
publikasi O
Daerah O
Dalam O
Angka O
( O
DDA O
) O
. O
Data O
pedoman O
perencanaan O
dan O
ukuran O
keberhasilan O
pembangunan O
daerah. O
Saat O
ini O
data O
publikasi O
Kabupaten O
Agam O
Dalam O
Angka O
hanya O
disajikan O
dalam O
bentuk O
tabel O
saja O
, O
sehingga O
pengguna O
tidak O
dapat O
melakukan O
perbandingan O
antar O
daerah. O
Hal O
ini O
tentu O
saja O
akan O
mempersulit O
pengguna O
dalam O
memanfaatkan O
data. O
Oleh O
karena O
itu O
BPS O
Kabupaten O
Agam O
menginginkan B-TUJUAN
adanya I-TUJUAN
sistem I-TUJUAN
visualisasi I-TUJUAN
geografis I-TUJUAN
publikasi I-TUJUAN
Kabupaten I-TUJUAN
Agam I-TUJUAN
Dalam I-TUJUAN
Angka. I-TUJUAN
Sistem O
visualisasi O
geografis O
ini O
akan O
dibangun O
dalam O
bentuk O
web O
dengan O
menerapkan O
metode B-METODE
Rapid I-METODE
Application I-METODE
Development I-METODE
( I-METODE
RAD I-METODE
) I-METODE
untuk O
pembangunan O
sistem O
dan O
evaluasi O
sistem O
menggunakan O
Black B-METODE
Box I-METODE
Testing I-METODE
dan O
User B-METODE
Experience I-METODE
Questionnaire I-METODE
( I-METODE
UEQ I-METODE
) I-METODE
. O
Dari O
hasil O
pengujian O
sistem O
dengan O
black O
box O
, O
diperoleh O
bahwa O
fungsi-fungsi B-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
oleh I-TEMUAN
sistem I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
input I-TEMUAN
yang I-TEMUAN
diberikan I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Berdasarkan O
hasil O
evaluasi O
sistem O
dengan O
UEQ O
, O
diperoleh B-TEMUAN
nilai I-TEMUAN
excellent I-TEMUAN
( I-TEMUAN
luar I-TEMUAN
biasa I-TEMUAN
) I-TEMUAN
untuk I-TEMUAN
sebagian I-TEMUAN
besar I-TEMUAN
aspek I-TEMUAN
penilaian I-TEMUAN
pada I-TEMUAN
UEQ. I-TEMUAN
Hal I-TEMUAN
ini I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
dapat I-TEMUAN
memenuhi I-TEMUAN
kebutuhan I-TEMUAN
pengguna I-TEMUAN
dalam I-TEMUAN
memanfaatkan I-TEMUAN
data. I-TEMUAN
Kata O
Kunci— O
Kabupaten O
Agam O
Dalam O
Angka O
, O
visualisasi O
, O
UEQ O
, O
RAD. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
oleh O
penulis O
, O
diperoleh O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Sistem B-TEMUAN
visualisasi I-TEMUAN
geografis I-TEMUAN
Kabupaten I-TEMUAN
Agam I-TEMUAN
Dalam I-TEMUAN
Angka I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
telah I-TEMUAN
selesai I-TEMUAN
dibangun. I-TEMUAN
Sistem O
tersebut O
diberi O
nama O
SIGAGAH O
( O
Sistem O
Visualisasi O
Geografis O
Agam O
Hebat O
) O
. O
Sistem O
ini O
dapat O
digunakan O
untuk O
menampilkan O
publikasi O
Kabupaten O
Agam O
Dalam O
Angka O
dan O
Kecamatan O
Dalam O
Angka. O
Selain O
itu O
pengguna O
juga O
dapat O
mengunduh O
visualisasi O
tersebut. O
Berdasarkan O
hasil O
evaluasi O
yang O
dilakukan O
dengan O
black B-METODE
box I-METODE
testing I-METODE
dapat B-TEMUAN
diketahui I-TEMUAN
bahwa I-TEMUAN
semua I-TEMUAN
fungsi I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
ini I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
visualisasi O
untuk O
2. O
8 O
/ O
9 O
3. O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
dari I-TEMUAN
pengalaman I-TEMUAN
pengguna I-TEMUAN
( I-TEMUAN
user I-TEMUAN
experience I-TEMUAN
) I-TEMUAN
yang I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
User I-TEMUAN
nilai I-TEMUAN
Experience I-TEMUAN
Questionnaire I-TEMUAN
excelent I-TEMUAN
( I-TEMUAN
luar I-TEMUAN
biasa I-TEMUAN
) I-TEMUAN
untuk I-TEMUAN
aspek I-TEMUAN
daya I-TEMUAN
tarik I-TEMUAN
, I-TEMUAN
efisiensi I-TEMUAN
, I-TEMUAN
ketepatan I-TEMUAN
, I-TEMUAN
stimulasi I-TEMUAN
dan I-TEMUAN
kebaruan. I-TEMUAN
Sedangkan I-TEMUAN
untuk I-TEMUAN
aspek I-TEMUAN
kejelasan I-TEMUAN
mendapatkan I-TEMUAN
nilai I-TEMUAN
good I-TEMUAN
( I-TEMUAN
baik I-TEMUAN
) I-TEMUAN
. I-TEMUAN
diperoleh O
( O
UEQ O
) O
, O

Indeks O
Harga O
Saham O
Gabungan O
pada O
Bursa O
Efek O
Indonesia O
Menggunakan O
Fuzzy O
C-Means O
General O
Regression O
Neural O
Network O
( O
FCMGRNN O
) O
Yulia O
Aryani O
( O
221810672 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Achmad O
Syahrul O
Choir O
, O
S.ST O
, O
M.Si O
Ringkasan— O
Indeks O
Harga O
Saham O
Gabungan O
( O
IHSG O
) O
merupakan O
indeks O
yang O
dapat O
digunakan O
untuk O
mengukur O
kinerja O
saham O
di O
Indonesia. O
Untuk O
itu O
, O
diperlukan O
suatu O
metode O
untuk O
menghasilkan O
peramalan O
IHSG O
yang O
efektif. O
Salah O
satu O
metode O
yang O
dapat O
digunakan O
untuk O
peramalan O
adalah O
General B-METODE
Regression I-METODE
Neural I-METODE
Network I-METODE
( I-METODE
GRNN I-METODE
) I-METODE
. I-METODE
Namun O
, O
GRNN B-METODE
memiliki O
suatu O
karakteristik O
yaitu O
jumlah O
neuron O
meningkat O
seiring O
meningkatnya O
jumlah O
data O
latih. O
Berbeda O
dengan O
GRNN O
, O
jumlah O
neuron O
pada O
Mixture O
Based O
General O
Regression O
Neural O
Network O
( O
MBGRNN O
) O
dapat O
lebih O
kecil O
dari O
jumlah O
data. O
Perbedaan O
lainnya O
, O
MBGRNN O
memiliki O
bobot O
proporsi O
sebagai O
penimbang O
pada O
neuron O
sehingga O
bobot O
ini O
perlu O
diestimasi. O
Bobot O
pada O
Fuzzy O
C-Means O
( O
FCM O
) O
yang O
disebut O
dengan O
fuzzy O
membership O
degree O
sesuai O
apabila O
dikombinasikan O
dengan O
MBGRNN. O
Akan O
tetapi O
, O
bobot O
FCM O
tidak O
dapat O
langsung O
diaplikasikan O
pada O
MBGRNN. O
Oleh O
karena O
itu O
, O
pada O
penelitian O
ini O
dibangun B-TUJUAN
model I-TUJUAN
FCMGRNN I-TUJUAN
yang I-TUJUAN
mengkombinasikan I-TUJUAN
model I-TUJUAN
MBGRNN I-TUJUAN
dengan I-TUJUAN
FCM. I-TUJUAN
Setelah O
itu O
, O
dilakukan O
peramalan O
harga O
penutupan O
IHSG O
menggunakan O
FCMGRNN. B-METODE
Dengan B-TEMUAN
menggunakan I-TEMUAN
model I-TEMUAN
FCMGRNN I-TEMUAN
diperoleh I-TEMUAN
nilai I-TEMUAN
MAE I-TEMUAN
, I-TEMUAN
MAPE I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
RMSE I-TEMUAN
untuk I-TEMUAN
data I-TEMUAN
uji I-TEMUAN
sebesar I-TEMUAN
42,62 I-TEMUAN
; I-TEMUAN
0,86 I-TEMUAN
% I-TEMUAN
; I-TEMUAN
dan I-TEMUAN
64,55. I-TEMUAN
Sedangkan I-TEMUAN
untuk I-TEMUAN
peramalan I-TEMUAN
harga I-TEMUAN
penutupan I-TEMUAN
IHSG I-TEMUAN
diperoleh I-TEMUAN
MAE I-TEMUAN
, I-TEMUAN
MAPE I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
86,48 I-TEMUAN
; I-TEMUAN
1,3 I-TEMUAN
% I-TEMUAN
; I-TEMUAN
dan I-TEMUAN
88,82. I-TEMUAN
Kata O
Kunci— O
IHSG O
, O
peramalan O
, O
FCMGRNN O
, O
jaringan O
saraf O
tiruan O
, O
FCM O
, O
MBGRNN O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembasahan O
, O
dapat O
ditarik O
kesimpulan O
sebagai O
berikut O
: O
1. O
Model O
FCMGRNN O
yang O
dihasilkan O
pada O
penelitian O
ini O
sebagai O
berikut O
: O
∑ O
∑ O
ŷi= O
37 O
k O
= O
1 O
37 O
k O
= O
1 O
vk O
wik O
exp O
( O
-0.5 O
( O
xi O
- O
μk O
) O
Σk O
wik O
exp O
( O
-0.5 O
( O
xi O
- O
μk O
) O
Σk O
dimana O
𝑤𝑖𝑘 O
merupakan O
bobot O
masing-masing O
data O
input O
dan O
parameter O
𝑣𝑘 O
, O
𝛍𝑘 O
, O
dan O
𝚺𝑘 O
diambil O
dari O
hasil O
perlatihan. O
-1 O
( O
xi O
- O
μk O
) O
-1 O
( O
xi O
- O
μk O
) O
) O
) O
' O
' O
2. O
Untuk O
memperoleh O
peramalan O
IHSG O
yang O
akurat O
, O
input O
yang O
digunakan O
pada O
model O
FCMGRNN B-METODE
adalah O
Yt-1 O
dan O
Yt-2 O
, O
normalisasi O
data O
menggunakan O
metode O
min-max O
, O
jumlah O
neuron O
sebanyak O
37 O
neuron O
, O
dan O
nilai O
fuzzifier O
= O
2. O
IHSG O
menggunakan O
FCMGRNN O
Hasil O
peramalan O
memberikan O
nilai O
MAE B-METODE
, O
MAPE B-METODE
dan O
RMSE B-METODE
sebesar O
86,48 O
; O
1,3 O
% O
; O
dan O
88,82. O
B. O
Saran O
penelitian O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
terbuka O
peluang O
untuk O
melakukan O
berupa O
memanfaatkan O
metode O
FCMGRNN O
pada O
data O
runtun O
waktu O
lainnya O
untuk O
melihat O
sejauh O
mana O
model O
FCMGRNN O
bisa O
memprediksi O
suatu O
data O
dengan O
baik. O
Untuk O
penelitian O
selanjutnya O
, O
dapat O
berfokus O
kepada O
proses O
pengambilan O
data O
yaitu O
dengan O
menggunakan O
berbagai O
metode O
validasi O
seperti O
cross O
validation O
dan O
proses O
penetuan O
input O
dengan O
menggunakan O
metode O
yang O
berbeda O
sesuai O
dengan O
kondisi O
data O
yang O
digunakan O
seperti O
SARIMA O
, O
ARCH O
, O
dan O
GARCH. O

Indeks O
Harga O
Saham O
Gabungan O
pada O
Bursa O
Efek O
Indonesia O
Menggunakan O
Fuzzy O
C-Means O
General O
Regression O
Neural O
Network O
( O
FCMGRNN O
) O
Yulia O
Aryani O
( O
221810672 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Achmad O
Syahrul O
Choir O
, O
S.ST O
, O
M.Si O
Ringkasan— O
Indeks O
Harga O
Saham O
Gabungan O
( O
IHSG O
) O
merupakan O
indeks O
yang O
dapat O
digunakan O
untuk O
mengukur O
kinerja O
saham O
di O
Indonesia. O
Untuk O
itu O
, O
diperlukan O
suatu O
metode O
untuk O
menghasilkan O
peramalan O
IHSG O
yang O
efektif. O
Salah O
satu O
metode O
yang O
dapat O
digunakan O
untuk O
peramalan O
adalah O
General B-METODE
Regression I-METODE
Neural I-METODE
Network I-METODE
( I-METODE
GRNN I-METODE
) I-METODE
. I-METODE
Namun O
, O
GRNN B-METODE
memiliki O
suatu O
karakteristik O
yaitu O
jumlah O
neuron O
meningkat O
seiring O
meningkatnya O
jumlah O
data O
latih. O
Berbeda O
dengan O
GRNN O
, O
jumlah O
neuron O
pada O
Mixture O
Based O
General O
Regression O
Neural O
Network O
( O
MBGRNN O
) O
dapat O
lebih O
kecil O
dari O
jumlah O
data. O
Perbedaan O
lainnya O
, O
MBGRNN O
memiliki O
bobot O
proporsi O
sebagai O
penimbang O
pada O
neuron O
sehingga O
bobot O
ini O
perlu O
diestimasi. O
Bobot O
pada O
Fuzzy O
C-Means O
( O
FCM O
) O
yang O
disebut O
dengan O
fuzzy O
membership O
degree O
sesuai O
apabila O
dikombinasikan O
dengan O
MBGRNN. O
Akan O
tetapi O
, O
bobot O
FCM O
tidak O
dapat O
langsung O
diaplikasikan O
pada O
MBGRNN. O
Oleh O
karena O
itu O
, O
pada O
penelitian O
ini O
dibangun B-TUJUAN
model I-TUJUAN
FCMGRNN I-TUJUAN
yang I-TUJUAN
mengkombinasikan I-TUJUAN
model I-TUJUAN
MBGRNN I-TUJUAN
dengan I-TUJUAN
FCM. I-TUJUAN
Setelah O
itu O
, O
dilakukan O
peramalan O
harga O
penutupan O
IHSG O
menggunakan O
FCMGRNN. B-METODE
Dengan B-TEMUAN
menggunakan I-TEMUAN
model I-TEMUAN
FCMGRNN I-TEMUAN
diperoleh I-TEMUAN
nilai I-TEMUAN
MAE I-TEMUAN
, I-TEMUAN
MAPE I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
RMSE I-TEMUAN
untuk I-TEMUAN
data I-TEMUAN
uji I-TEMUAN
sebesar I-TEMUAN
42,62 I-TEMUAN
; I-TEMUAN
0,86 I-TEMUAN
% I-TEMUAN
; I-TEMUAN
dan I-TEMUAN
64,55. I-TEMUAN
Sedangkan I-TEMUAN
untuk I-TEMUAN
peramalan I-TEMUAN
harga I-TEMUAN
penutupan I-TEMUAN
IHSG I-TEMUAN
diperoleh I-TEMUAN
MAE I-TEMUAN
, I-TEMUAN
MAPE I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
86,48 I-TEMUAN
; I-TEMUAN
1,3 I-TEMUAN
% I-TEMUAN
; I-TEMUAN
dan I-TEMUAN
88,82. I-TEMUAN
Kata O
Kunci— O
IHSG O
, O
peramalan O
, O
FCMGRNN O
, O
jaringan O
saraf O
tiruan O
, O
FCM O
, O
MBGRNN O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembasahan O
, O
dapat O
ditarik O
kesimpulan O
sebagai O
berikut O
: O
1. O
Model O
FCMGRNN O
yang O
dihasilkan O
pada O
penelitian O
ini O
sebagai O
berikut O
: O
∑ O
∑ O
ŷi= O
37 O
k O
= O
1 O
37 O
k O
= O
1 O
vk O
wik O
exp O
( O
-0.5 O
( O
xi O
- O
μk O
) O
Σk O
wik O
exp O
( O
-0.5 O
( O
xi O
- O
μk O
) O
Σk O
dimana O
𝑤𝑖𝑘 O
merupakan O
bobot O
masing-masing O
data O
input O
dan O
parameter O
𝑣𝑘 O
, O
𝛍𝑘 O
, O
dan O
𝚺𝑘 O
diambil O
dari O
hasil O
perlatihan. O
-1 O
( O
xi O
- O
μk O
) O
-1 O
( O
xi O
- O
μk O
) O
) O
) O
' O
' O
2. O
Untuk O
memperoleh O
peramalan O
IHSG O
yang O
akurat O
, O
input O
yang O
digunakan O
pada O
model O
FCMGRNN B-METODE
adalah O
Yt-1 O
dan O
Yt-2 O
, O
normalisasi O
data O
menggunakan O
metode O
min-max O
, O
jumlah O
neuron O
sebanyak O
37 O
neuron O
, O
dan O
nilai O
fuzzifier O
= O
2. O
IHSG O
menggunakan O
FCMGRNN O
Hasil O
peramalan O
memberikan O
nilai O
MAE B-METODE
, O
MAPE B-METODE
dan O
RMSE B-METODE
sebesar O
86,48 O
; O
1,3 O
% O
; O
dan O
88,82. O
B. O
Saran O
penelitian O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
terbuka O
peluang O
untuk O
melakukan O
berupa O
memanfaatkan O
metode O
FCMGRNN O
pada O
data O
runtun O
waktu O
lainnya O
untuk O
melihat O
sejauh O
mana O
model O
FCMGRNN O
bisa O
memprediksi O
suatu O
data O
dengan O
baik. O
Untuk O
penelitian O
selanjutnya O
, O
dapat O
berfokus O
kepada O
proses O
pengambilan O
data O
yaitu O
dengan O
menggunakan O
berbagai O
metode O
validasi O
seperti O
cross O
validation O
dan O
proses O
penetuan O
input O
dengan O
menggunakan O
metode O
yang O
berbeda O
sesuai O
dengan O
kondisi O
data O
yang O
digunakan O
seperti O
SARIMA O
, O
ARCH O
, O
dan O
GARCH. O

Indeks O
Harga O
Saham O
Gabungan O
pada O
Bursa O
Efek O
Indonesia O
Menggunakan O
Fuzzy O
C-Means O
General O
Regression O
Neural O
Network O
( O
FCMGRNN O
) O
Yulia O
Aryani O
( O
221810672 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Achmad O
Syahrul O
Choir O
, O
S.ST O
, O
M.Si O
Ringkasan— O
Indeks O
Harga O
Saham O
Gabungan O
( O
IHSG O
) O
merupakan O
indeks O
yang O
dapat O
digunakan O
untuk O
mengukur O
kinerja O
saham O
di O
Indonesia. O
Untuk O
itu O
, O
diperlukan O
suatu O
metode O
untuk O
menghasilkan O
peramalan O
IHSG O
yang O
efektif. O
Salah O
satu O
metode O
yang O
dapat O
digunakan O
untuk O
peramalan O
adalah O
General B-METODE
Regression I-METODE
Neural I-METODE
Network I-METODE
( I-METODE
GRNN I-METODE
) I-METODE
. I-METODE
Namun O
, O
GRNN B-METODE
memiliki O
suatu O
karakteristik O
yaitu O
jumlah O
neuron O
meningkat O
seiring O
meningkatnya O
jumlah O
data O
latih. O
Berbeda O
dengan O
GRNN O
, O
jumlah O
neuron O
pada O
Mixture O
Based O
General O
Regression O
Neural O
Network O
( O
MBGRNN O
) O
dapat O
lebih O
kecil O
dari O
jumlah O
data. O
Perbedaan O
lainnya O
, O
MBGRNN O
memiliki O
bobot O
proporsi O
sebagai O
penimbang O
pada O
neuron O
sehingga O
bobot O
ini O
perlu O
diestimasi. O
Bobot O
pada O
Fuzzy O
C-Means O
( O
FCM O
) O
yang O
disebut O
dengan O
fuzzy O
membership O
degree O
sesuai O
apabila O
dikombinasikan O
dengan O
MBGRNN. O
Akan O
tetapi O
, O
bobot O
FCM O
tidak O
dapat O
langsung O
diaplikasikan O
pada O
MBGRNN. O
Oleh O
karena O
itu O
, O
pada O
penelitian O
ini O
dibangun B-TUJUAN
model I-TUJUAN
FCMGRNN I-TUJUAN
yang I-TUJUAN
mengkombinasikan I-TUJUAN
model I-TUJUAN
MBGRNN I-TUJUAN
dengan I-TUJUAN
FCM. I-TUJUAN
Setelah O
itu O
, O
dilakukan O
peramalan O
harga O
penutupan O
IHSG O
menggunakan O
FCMGRNN. B-METODE
Dengan B-TEMUAN
menggunakan I-TEMUAN
model I-TEMUAN
FCMGRNN I-TEMUAN
diperoleh I-TEMUAN
nilai I-TEMUAN
MAE I-TEMUAN
, I-TEMUAN
MAPE I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
RMSE I-TEMUAN
untuk I-TEMUAN
data I-TEMUAN
uji I-TEMUAN
sebesar I-TEMUAN
42,62 I-TEMUAN
; I-TEMUAN
0,86 I-TEMUAN
% I-TEMUAN
; I-TEMUAN
dan I-TEMUAN
64,55. I-TEMUAN
Sedangkan I-TEMUAN
untuk I-TEMUAN
peramalan I-TEMUAN
harga I-TEMUAN
penutupan I-TEMUAN
IHSG I-TEMUAN
diperoleh I-TEMUAN
MAE I-TEMUAN
, I-TEMUAN
MAPE I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
86,48 I-TEMUAN
; I-TEMUAN
1,3 I-TEMUAN
% I-TEMUAN
; I-TEMUAN
dan I-TEMUAN
88,82. I-TEMUAN
Kata O
Kunci— O
IHSG O
, O
peramalan O
, O
FCMGRNN O
, O
jaringan O
saraf O
tiruan O
, O
FCM O
, O
MBGRNN O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembasahan O
, O
dapat O
ditarik O
kesimpulan O
sebagai O
berikut O
: O
1. O
Model O
FCMGRNN O
yang O
dihasilkan O
pada O
penelitian O
ini O
sebagai O
berikut O
: O
∑ O
∑ O
ŷi= O
37 O
k O
= O
1 O
37 O
k O
= O
1 O
vk O
wik O
exp O
( O
-0.5 O
( O
xi O
- O
μk O
) O
Σk O
wik O
exp O
( O
-0.5 O
( O
xi O
- O
μk O
) O
Σk O
dimana O
𝑤𝑖𝑘 O
merupakan O
bobot O
masing-masing O
data O
input O
dan O
parameter O
𝑣𝑘 O
, O
𝛍𝑘 O
, O
dan O
𝚺𝑘 O
diambil O
dari O
hasil O
perlatihan. O
-1 O
( O
xi O
- O
μk O
) O
-1 O
( O
xi O
- O
μk O
) O
) O
) O
' O
' O
2. O
Untuk O
memperoleh O
peramalan O
IHSG O
yang O
akurat O
, O
input O
yang O
digunakan O
pada O
model O
FCMGRNN B-METODE
adalah O
Yt-1 O
dan O
Yt-2 O
, O
normalisasi O
data O
menggunakan O
metode O
min-max O
, O
jumlah O
neuron O
sebanyak O
37 O
neuron O
, O
dan O
nilai O
fuzzifier O
= O
2. O
IHSG O
menggunakan O
FCMGRNN O
Hasil O
peramalan O
memberikan O
nilai O
MAE B-METODE
, O
MAPE B-METODE
dan O
RMSE B-METODE
sebesar O
86,48 O
; O
1,3 O
% O
; O
dan O
88,82. O
B. O
Saran O
penelitian O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
terbuka O
peluang O
untuk O
melakukan O
berupa O
memanfaatkan O
metode O
FCMGRNN O
pada O
data O
runtun O
waktu O
lainnya O
untuk O
melihat O
sejauh O
mana O
model O
FCMGRNN O
bisa O
memprediksi O
suatu O
data O
dengan O
baik. O
Untuk O
penelitian O
selanjutnya O
, O
dapat O
berfokus O
kepada O
proses O
pengambilan O
data O
yaitu O
dengan O
menggunakan O
berbagai O
metode O
validasi O
seperti O
cross O
validation O
dan O
proses O
penetuan O
input O
dengan O
menggunakan O
metode O
yang O
berbeda O
sesuai O
dengan O
kondisi O
data O
yang O
digunakan O
seperti O
SARIMA O
, O
ARCH O
, O
dan O
GARCH. O

Ulang O
Antarmuka O
Aplikasi O
ICS O
Mobile O
dengan O
Metode O
User-Centered O
Design O
Yudistira O
Elton O
Jhon O
( O
221810670 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
SST O
, O
MT O
satu O
Ringkasan— O
Badan O
Pusat O
Statistik O
memiliki O
proses O
bisnis O
yang O
mengacu O
kepada O
Statistical O
Business O
Framework O
and O
Architecture O
( O
SBFA O
) O
. O
Salah O
sistem O
pada O
Coorporate O
Statistical O
Infrastructure O
dalam O
SBFA O
adalah O
Integrated O
Collection O
System O
, O
di O
mana O
sistem O
tersebut O
memiliki O
modul O
collection O
tool. O
Salah O
satu O
metode O
yang O
digunakan O
pada O
modul O
tersebut O
adalah O
CAPI. B-METODE
Metode O
ini O
diimplementasikan O
melalui O
aplikasi O
mobile O
android O
yang O
diberi O
nama O
“ICS”. O
Aplikasi O
yang O
beroperasi O
sejak O
2018 O
ini O
mengalami O
pengembangan O
sistem O
, O
kecuali O
pada O
bagian O
antarmuka. O
Sehingga O
, O
peneliti O
melakukan B-TUJUAN
survei I-TUJUAN
pendahuluan I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
Evaluasi I-TUJUAN
Heuristik I-TUJUAN
dan I-TUJUAN
QUIS I-TUJUAN
, I-TUJUAN
hasilnya I-TUJUAN
antarmuka I-TUJUAN
aplikasi I-TUJUAN
ICS I-TUJUAN
mobile I-TUJUAN
perlu I-TUJUAN
dilakukan I-TUJUAN
perancangan I-TUJUAN
ulang I-TUJUAN
dengan O
metode B-METODE
User-Centered I-METODE
Design. I-METODE
Metode O
ini O
berfokus O
pada O
keterlibatan O
pengguna O
untuk O
memenuhi O
kebutuhannya. O
Model O
desain O
yang O
dibuat O
secara O
bertahap O
terdiri O
dari O
wireframe O
, O
mockup O
, O
dan O
prototype O
sebagai O
hasil O
akhir O
penelitian O
ini O
beserta O
dengan O
user O
interface O
design O
guidelines. O
Pada B-TEMUAN
evaluasi I-TEMUAN
antarmuka I-TEMUAN
baru I-TEMUAN
dapat I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
masalah I-TEMUAN
pada I-TEMUAN
indikator- I-TEMUAN
indikator I-TEMUAN
usability I-TEMUAN
pada I-TEMUAN
antarmuka I-TEMUAN
baru I-TEMUAN
dapat I-TEMUAN
diatasi I-TEMUAN
serta I-TEMUAN
meningkatkan I-TEMUAN
kepuasan I-TEMUAN
pengguna. I-TEMUAN
Hal O
ini O
membuktikan O
bahwa O
keterlibatan O
kebutuhan O
pengguna O
dalam O
merancang O
sebuah O
antarmuka O
pengguna O
sangat O
penting. O
Kata O
Kunci— O
ICS O
Mobile O
, O
Evaluasi O
Heuristik O
, O
QUIS O
, O
User- O
Centered O
Design O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
diuraikan O
, O
kesimpulan O
yang O
dapat O
diambil O
adalah O
telah O
dilakukan O
penelitian O
tentang O
perancangan B-TUJUAN
antarmuka I-TUJUAN
aplikasi I-TUJUAN
ICS I-TUJUAN
mobile I-TUJUAN
yang O
diawali O
dengan O
adanya O
survei O
pendahuluan O
untuk O
menemukan O
masalah O
terkait O
usability O
dan O
kepuasan O
pengguna. O
Metode O
yang O
digunakan O
adalah O
UCD B-METODE
, O
di O
mana O
hasil O
akhirnya O
dapat O
membuktikan O
bahwa O
dengan B-TEMUAN
metode I-TEMUAN
tersebut I-TEMUAN
, I-TEMUAN
antarmuka I-TEMUAN
baru I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibuat I-TEMUAN
dapat I-TEMUAN
mengurangi I-TEMUAN
masalah I-TEMUAN
usability I-TEMUAN
serta I-TEMUAN
meningkatkan I-TEMUAN
kepuasan I-TEMUAN
pengguna. I-TEMUAN
Saran O
untuk O
pengembangan O
penelitian O
adalah O
penelitian O
ini O
hanya O
terbatas O
dengan O
menyebarkan O
kuesioner O
kepada O
responden O
terkait O
antarmuka O
yang O
lama O
dan O
kepada O
evaluator O
terkait O
model O
desain O
yang O
telah O
dibuat. O
Untuk O
penelitian O
lainnya O
terkait O
antarmuka O
pengguna O
dapat O
ditingkatkan O
dengan O
menggunakan O
metode O
lainnya O
, O
salah O
satunya O
metode O
Focus O
Group O
Discussion O
( O
FGD O
) O
. O
FGD O
merupakan O
teknik O
yang O
dapat O
membantu O
dalam O
menilai O
kebutuhan O
dan O
perasaan O
pengguna O
baik O
sebelum O
desain O
antarmuka O
dan O
lama O
setelah O
implementasi. O

Ulang O
Antarmuka O
Aplikasi O
ICS O
Mobile O
dengan O
Metode O
User-Centered O
Design O
Yudistira O
Elton O
Jhon O
( O
221810670 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
SST O
, O
MT O
satu O
Ringkasan— O
Badan O
Pusat O
Statistik O
memiliki O
proses O
bisnis O
yang O
mengacu O
kepada O
Statistical O
Business O
Framework O
and O
Architecture O
( O
SBFA O
) O
. O
Salah O
sistem O
pada O
Coorporate O
Statistical O
Infrastructure O
dalam O
SBFA O
adalah O
Integrated O
Collection O
System O
, O
di O
mana O
sistem O
tersebut O
memiliki O
modul O
collection O
tool. O
Salah O
satu O
metode O
yang O
digunakan O
pada O
modul O
tersebut O
adalah O
CAPI. B-METODE
Metode O
ini O
diimplementasikan O
melalui O
aplikasi O
mobile O
android O
yang O
diberi O
nama O
“ICS”. O
Aplikasi O
yang O
beroperasi O
sejak O
2018 O
ini O
mengalami O
pengembangan O
sistem O
, O
kecuali O
pada O
bagian O
antarmuka. O
Sehingga O
, O
peneliti O
melakukan B-TUJUAN
survei I-TUJUAN
pendahuluan I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
Evaluasi I-TUJUAN
Heuristik I-TUJUAN
dan I-TUJUAN
QUIS I-TUJUAN
, I-TUJUAN
hasilnya I-TUJUAN
antarmuka I-TUJUAN
aplikasi I-TUJUAN
ICS I-TUJUAN
mobile I-TUJUAN
perlu I-TUJUAN
dilakukan I-TUJUAN
perancangan I-TUJUAN
ulang I-TUJUAN
dengan O
metode B-METODE
User-Centered I-METODE
Design. I-METODE
Metode O
ini O
berfokus O
pada O
keterlibatan O
pengguna O
untuk O
memenuhi O
kebutuhannya. O
Model O
desain O
yang O
dibuat O
secara O
bertahap O
terdiri O
dari O
wireframe O
, O
mockup O
, O
dan O
prototype O
sebagai O
hasil O
akhir O
penelitian O
ini O
beserta O
dengan O
user O
interface O
design O
guidelines. O
Pada B-TEMUAN
evaluasi I-TEMUAN
antarmuka I-TEMUAN
baru I-TEMUAN
dapat I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
masalah I-TEMUAN
pada I-TEMUAN
indikator- I-TEMUAN
indikator I-TEMUAN
usability I-TEMUAN
pada I-TEMUAN
antarmuka I-TEMUAN
baru I-TEMUAN
dapat I-TEMUAN
diatasi I-TEMUAN
serta I-TEMUAN
meningkatkan I-TEMUAN
kepuasan I-TEMUAN
pengguna. I-TEMUAN
Hal O
ini O
membuktikan O
bahwa O
keterlibatan O
kebutuhan O
pengguna O
dalam O
merancang O
sebuah O
antarmuka O
pengguna O
sangat O
penting. O
Kata O
Kunci— O
ICS O
Mobile O
, O
Evaluasi O
Heuristik O
, O
QUIS O
, O
User- O
Centered O
Design O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
diuraikan O
, O
kesimpulan O
yang O
dapat O
diambil O
adalah O
telah O
dilakukan O
penelitian O
tentang O
perancangan B-TUJUAN
antarmuka I-TUJUAN
aplikasi I-TUJUAN
ICS I-TUJUAN
mobile I-TUJUAN
yang O
diawali O
dengan O
adanya O
survei O
pendahuluan O
untuk O
menemukan O
masalah O
terkait O
usability O
dan O
kepuasan O
pengguna. O
Metode O
yang O
digunakan O
adalah O
UCD B-METODE
, O
di O
mana O
hasil O
akhirnya O
dapat O
membuktikan O
bahwa O
dengan B-TEMUAN
metode I-TEMUAN
tersebut I-TEMUAN
, I-TEMUAN
antarmuka I-TEMUAN
baru I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibuat I-TEMUAN
dapat I-TEMUAN
mengurangi I-TEMUAN
masalah I-TEMUAN
usability I-TEMUAN
serta I-TEMUAN
meningkatkan I-TEMUAN
kepuasan I-TEMUAN
pengguna. I-TEMUAN
Saran O
untuk O
pengembangan O
penelitian O
adalah O
penelitian O
ini O
hanya O
terbatas O
dengan O
menyebarkan O
kuesioner O
kepada O
responden O
terkait O
antarmuka O
yang O
lama O
dan O
kepada O
evaluator O
terkait O
model O
desain O
yang O
telah O
dibuat. O
Untuk O
penelitian O
lainnya O
terkait O
antarmuka O
pengguna O
dapat O
ditingkatkan O
dengan O
menggunakan O
metode O
lainnya O
, O
salah O
satunya O
metode O
Focus O
Group O
Discussion O
( O
FGD O
) O
. O
FGD O
merupakan O
teknik O
yang O
dapat O
membantu O
dalam O
menilai O
kebutuhan O
dan O
perasaan O
pengguna O
baik O
sebelum O
desain O
antarmuka O
dan O
lama O
setelah O
implementasi. O

Ulang O
Antarmuka O
Aplikasi O
ICS O
Mobile O
dengan O
Metode O
User-Centered O
Design O
Yudistira O
Elton O
Jhon O
( O
221810670 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
SST O
, O
MT O
satu O
Ringkasan— O
Badan O
Pusat O
Statistik O
memiliki O
proses O
bisnis O
yang O
mengacu O
kepada O
Statistical O
Business O
Framework O
and O
Architecture O
( O
SBFA O
) O
. O
Salah O
sistem O
pada O
Coorporate O
Statistical O
Infrastructure O
dalam O
SBFA O
adalah O
Integrated O
Collection O
System O
, O
di O
mana O
sistem O
tersebut O
memiliki O
modul O
collection O
tool. O
Salah O
satu O
metode O
yang O
digunakan O
pada O
modul O
tersebut O
adalah O
CAPI. B-METODE
Metode O
ini O
diimplementasikan O
melalui O
aplikasi O
mobile O
android O
yang O
diberi O
nama O
“ICS”. O
Aplikasi O
yang O
beroperasi O
sejak O
2018 O
ini O
mengalami O
pengembangan O
sistem O
, O
kecuali O
pada O
bagian O
antarmuka. O
Sehingga O
, O
peneliti O
melakukan B-TUJUAN
survei I-TUJUAN
pendahuluan I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
Evaluasi I-TUJUAN
Heuristik I-TUJUAN
dan I-TUJUAN
QUIS I-TUJUAN
, I-TUJUAN
hasilnya I-TUJUAN
antarmuka I-TUJUAN
aplikasi I-TUJUAN
ICS I-TUJUAN
mobile I-TUJUAN
perlu I-TUJUAN
dilakukan I-TUJUAN
perancangan I-TUJUAN
ulang I-TUJUAN
dengan O
metode B-METODE
User-Centered I-METODE
Design. I-METODE
Metode O
ini O
berfokus O
pada O
keterlibatan O
pengguna O
untuk O
memenuhi O
kebutuhannya. O
Model O
desain O
yang O
dibuat O
secara O
bertahap O
terdiri O
dari O
wireframe O
, O
mockup O
, O
dan O
prototype O
sebagai O
hasil O
akhir O
penelitian O
ini O
beserta O
dengan O
user O
interface O
design O
guidelines. O
Pada B-TEMUAN
evaluasi I-TEMUAN
antarmuka I-TEMUAN
baru I-TEMUAN
dapat I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
masalah I-TEMUAN
pada I-TEMUAN
indikator- I-TEMUAN
indikator I-TEMUAN
usability I-TEMUAN
pada I-TEMUAN
antarmuka I-TEMUAN
baru I-TEMUAN
dapat I-TEMUAN
diatasi I-TEMUAN
serta I-TEMUAN
meningkatkan I-TEMUAN
kepuasan I-TEMUAN
pengguna. I-TEMUAN
Hal O
ini O
membuktikan O
bahwa O
keterlibatan O
kebutuhan O
pengguna O
dalam O
merancang O
sebuah O
antarmuka O
pengguna O
sangat O
penting. O
Kata O
Kunci— O
ICS O
Mobile O
, O
Evaluasi O
Heuristik O
, O
QUIS O
, O
User- O
Centered O
Design O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
diuraikan O
, O
kesimpulan O
yang O
dapat O
diambil O
adalah O
telah O
dilakukan O
penelitian O
tentang O
perancangan B-TUJUAN
antarmuka I-TUJUAN
aplikasi I-TUJUAN
ICS I-TUJUAN
mobile I-TUJUAN
yang O
diawali O
dengan O
adanya O
survei O
pendahuluan O
untuk O
menemukan O
masalah O
terkait O
usability O
dan O
kepuasan O
pengguna. O
Metode O
yang O
digunakan O
adalah O
UCD B-METODE
, O
di O
mana O
hasil O
akhirnya O
dapat O
membuktikan O
bahwa O
dengan B-TEMUAN
metode I-TEMUAN
tersebut I-TEMUAN
, I-TEMUAN
antarmuka I-TEMUAN
baru I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibuat I-TEMUAN
dapat I-TEMUAN
mengurangi I-TEMUAN
masalah I-TEMUAN
usability I-TEMUAN
serta I-TEMUAN
meningkatkan I-TEMUAN
kepuasan I-TEMUAN
pengguna. I-TEMUAN
Saran O
untuk O
pengembangan O
penelitian O
adalah O
penelitian O
ini O
hanya O
terbatas O
dengan O
menyebarkan O
kuesioner O
kepada O
responden O
terkait O
antarmuka O
yang O
lama O
dan O
kepada O
evaluator O
terkait O
model O
desain O
yang O
telah O
dibuat. O
Untuk O
penelitian O
lainnya O
terkait O
antarmuka O
pengguna O
dapat O
ditingkatkan O
dengan O
menggunakan O
metode O
lainnya O
, O
salah O
satunya O
metode O
Focus O
Group O
Discussion O
( O
FGD O
) O
. O
FGD O
merupakan O
teknik O
yang O
dapat O
membantu O
dalam O
menilai O
kebutuhan O
dan O
perasaan O
pengguna O
baik O
sebelum O
desain O
antarmuka O
dan O
lama O
setelah O
implementasi. O

Ulang O
Antarmuka O
Aplikasi O
ICS O
Mobile O
dengan O
Metode O
User-Centered O
Design O
Yudistira O
Elton O
Jhon O
( O
221810670 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
SST O
, O
MT O
satu O
Ringkasan— O
Badan O
Pusat O
Statistik O
memiliki O
proses O
bisnis O
yang O
mengacu O
kepada O
Statistical O
Business O
Framework O
and O
Architecture O
( O
SBFA O
) O
. O
Salah O
sistem O
pada O
Coorporate O
Statistical O
Infrastructure O
dalam O
SBFA O
adalah O
Integrated O
Collection O
System O
, O
di O
mana O
sistem O
tersebut O
memiliki O
modul O
collection O
tool. O
Salah O
satu O
metode O
yang O
digunakan O
pada O
modul O
tersebut O
adalah O
CAPI. B-METODE
Metode O
ini O
diimplementasikan O
melalui O
aplikasi O
mobile O
android O
yang O
diberi O
nama O
“ICS”. O
Aplikasi O
yang O
beroperasi O
sejak O
2018 O
ini O
mengalami O
pengembangan O
sistem O
, O
kecuali O
pada O
bagian O
antarmuka. O
Sehingga O
, O
peneliti O
melakukan B-TUJUAN
survei I-TUJUAN
pendahuluan I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
Evaluasi I-TUJUAN
Heuristik I-TUJUAN
dan I-TUJUAN
QUIS I-TUJUAN
, I-TUJUAN
hasilnya I-TUJUAN
antarmuka I-TUJUAN
aplikasi I-TUJUAN
ICS I-TUJUAN
mobile I-TUJUAN
perlu I-TUJUAN
dilakukan I-TUJUAN
perancangan I-TUJUAN
ulang I-TUJUAN
dengan O
metode B-METODE
User-Centered I-METODE
Design. I-METODE
Metode O
ini O
berfokus O
pada O
keterlibatan O
pengguna O
untuk O
memenuhi O
kebutuhannya. O
Model O
desain O
yang O
dibuat O
secara O
bertahap O
terdiri O
dari O
wireframe O
, O
mockup O
, O
dan O
prototype O
sebagai O
hasil O
akhir O
penelitian O
ini O
beserta O
dengan O
user O
interface O
design O
guidelines. O
Pada B-TEMUAN
evaluasi I-TEMUAN
antarmuka I-TEMUAN
baru I-TEMUAN
dapat I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
masalah I-TEMUAN
pada I-TEMUAN
indikator- I-TEMUAN
indikator I-TEMUAN
usability I-TEMUAN
pada I-TEMUAN
antarmuka I-TEMUAN
baru I-TEMUAN
dapat I-TEMUAN
diatasi I-TEMUAN
serta I-TEMUAN
meningkatkan I-TEMUAN
kepuasan I-TEMUAN
pengguna. I-TEMUAN
Hal O
ini O
membuktikan O
bahwa O
keterlibatan O
kebutuhan O
pengguna O
dalam O
merancang O
sebuah O
antarmuka O
pengguna O
sangat O
penting. O
Kata O
Kunci— O
ICS O
Mobile O
, O
Evaluasi O
Heuristik O
, O
QUIS O
, O
User- O
Centered O
Design O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
diuraikan O
, O
kesimpulan O
yang O
dapat O
diambil O
adalah O
telah O
dilakukan O
penelitian O
tentang O
perancangan B-TUJUAN
antarmuka I-TUJUAN
aplikasi I-TUJUAN
ICS I-TUJUAN
mobile I-TUJUAN
yang O
diawali O
dengan O
adanya O
survei O
pendahuluan O
untuk O
menemukan O
masalah O
terkait O
usability O
dan O
kepuasan O
pengguna. O
Metode O
yang O
digunakan O
adalah O
UCD B-METODE
, O
di O
mana O
hasil O
akhirnya O
dapat O
membuktikan O
bahwa O
dengan B-TEMUAN
metode I-TEMUAN
tersebut I-TEMUAN
, I-TEMUAN
antarmuka I-TEMUAN
baru I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibuat I-TEMUAN
dapat I-TEMUAN
mengurangi I-TEMUAN
masalah I-TEMUAN
usability I-TEMUAN
serta I-TEMUAN
meningkatkan I-TEMUAN
kepuasan I-TEMUAN
pengguna. I-TEMUAN
Saran O
untuk O
pengembangan O
penelitian O
adalah O
penelitian O
ini O
hanya O
terbatas O
dengan O
menyebarkan O
kuesioner O
kepada O
responden O
terkait O
antarmuka O
yang O
lama O
dan O
kepada O
evaluator O
terkait O
model O
desain O
yang O
telah O
dibuat. O
Untuk O
penelitian O
lainnya O
terkait O
antarmuka O
pengguna O
dapat O
ditingkatkan O
dengan O
menggunakan O
metode O
lainnya O
, O
salah O
satunya O
metode O
Focus O
Group O
Discussion O
( O
FGD O
) O
. O
FGD O
merupakan O
teknik O
yang O
dapat O
membantu O
dalam O
menilai O
kebutuhan O
dan O
perasaan O
pengguna O
baik O
sebelum O
desain O
antarmuka O
dan O
lama O
setelah O
implementasi. O

Deteksi O
dan O
Penghitungan O
Jumlah O
Pohon O
Kelapa O
Sawit O
secara O
Otomatis O
dengan O
Penginderaan O
Jauh O
dan O
Object-Based O
Deep O
Learning O
Studi O
Kasus O
: O
Kabupaten O
Rokan O
Hulu O
, O
Provinsi O
Riau O
Yoga O
Cahya O
Putra O
( O
221810662 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
, O
SST O
, O
MT. O
Ringkasan— O
Kelapa O
sawit O
merupakan O
salah O
satu O
penghasil O
minyak O
nabati O
tertinggi O
di O
dunia. O
Pemantauan O
dan O
penyajian O
statistik O
perkebunan O
kelapa O
sawit O
yang O
akurat O
merupakan O
aspek O
penting O
dalam O
mendukung O
pengambilan O
keputusan O
yang O
efektif O
dan O
efisien. O
Hingga O
saat O
ini O
, O
pengumpulan O
data O
masih O
berfokus O
pada O
metode O
survei O
lapangan O
yang O
membutuhkan O
sumber O
daya O
manusia O
dan O
biaya O
sangat O
besar O
, O
waktu O
pengumpulan O
dan O
pengolahan O
yang O
sangat O
lama O
, O
serta O
sulit O
menjangkau O
daerah O
terpencil. O
Penginderaan O
jauh O
dengan O
citra O
satelit O
dan O
Unmanned O
Aerial O
Vehicle O
( O
UAV O
) O
dapat O
menjadi O
alternatif O
karena O
memiliki O
beberapa O
keunggulan O
, O
yaitu O
tenaga O
kerja O
lebih O
efisien O
, O
waktu O
update O
lebih O
singkat O
, O
dan O
cakupan O
wilayah O
luas O
menjangkau O
lokasi O
terpencil. O
Penelitian O
ini O
mengusulkan O
pemanfaatan B-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
Microsoft I-TUJUAN
Bing I-TUJUAN
Maps I-TUJUAN
Very I-TUJUAN
High I-TUJUAN
Resolution I-TUJUAN
( I-TUJUAN
VHR I-TUJUAN
) I-TUJUAN
dan I-TUJUAN
UAV I-TUJUAN
dengan I-TUJUAN
metode I-TUJUAN
image I-TUJUAN
processing I-TUJUAN
threshold I-TUJUAN
dan I-TUJUAN
deep I-TUJUAN
learning I-TUJUAN
berbasis I-TUJUAN
objek I-TUJUAN
untuk I-TUJUAN
mendeteksi I-TUJUAN
dan I-TUJUAN
menghitung I-TUJUAN
jumlah I-TUJUAN
pohon I-TUJUAN
kelapa I-TUJUAN
sawit. I-TUJUAN
Hasil O
eksperimen O
pada O
studi O
kasus O
di O
kabupaten O
Rokan O
Hulu O
, O
Riau O
menunjukkan O
pada B-TEMUAN
model I-TEMUAN
Object-Based I-TEMUAN
Deep I-TEMUAN
Learning I-TEMUAN
arsitektur I-TEMUAN
YOLO I-TEMUAN
( I-TEMUAN
You I-TEMUAN
Only I-TEMUAN
Look I-TEMUAN
Once I-TEMUAN
) I-TEMUAN
memberikan I-TEMUAN
nilai I-TEMUAN
F1- I-TEMUAN
Score I-TEMUAN
hingga I-TEMUAN
91,05 I-TEMUAN
% I-TEMUAN
unggul I-TEMUAN
50,46 I-TEMUAN
% I-TEMUAN
dibandingkan I-TEMUAN
model I-TEMUAN
semi I-TEMUAN
otomatis I-TEMUAN
threshold. I-TEMUAN
Secara O
keseluruhan O
temuan O
hasil O
penelitian O
menyarankan O
pemanfaatan O
citra O
resolusi O
lebih O
tinggi O
dari O
Microsoft O
Bing O
Maps O
VHR O
atau O
pemanfaatan O
tunggal O
data O
input O
citra O
UAV O
, O
serta O
penggunaan O
model O
Object-Based O
Deep O
Learning O
dengan O
arsitektur O
YOLO. O
image O
processing O
Kata O
Kunci— O
Penghitungan O
pohon O
, O
Penginderaan O
jauh O
, O
UAV O
, O
Ambang O
Pemrosesan O
Gambar O
, O
Kelapa O
sawit O
[SEP] O
Penelitian O
ini O
menunjukkan O
pemanfaatan O
penginderaan B-METODE
jauh I-METODE
dengan O
sumber O
data O
citra O
UAV O
dan O
Microsoft O
Bing O
Maps O
VHR O
yang O
dikombinasikan O
dengan O
image B-METODE
processing I-METODE
threshold O
dan O
object B-METODE
– I-METODE
based I-METODE
deep I-METODE
learning I-METODE
arsitektur I-METODE
YOLO. I-METODE
Berikut O
poin O
penting O
yang O
dapat O
disimpulkan O
: O
( O
1 O
) O
Model O
semi O
otomatis O
image O
processing O
threshold O
berhasil O
mendeteksi O
dan O
menghitung O
pohon O
kelapa O
sawit O
dengan O
nilai O
rata O
– O
rata O
performa O
F1-Score B-METODE
9,91 O
persen O
( O
citra O
satelit O
) O
dan O
71,26 O
persen O
( O
UAV O
) O
; O
( O
2 O
) O
Model B-TEMUAN
otomatis I-TEMUAN
object I-TEMUAN
– I-TEMUAN
based I-TEMUAN
deep I-TEMUAN
learning I-TEMUAN
arsitektur I-TEMUAN
YOLO I-TEMUAN
berhasil I-TEMUAN
mendeteksi I-TEMUAN
dan I-TEMUAN
menghitung I-TEMUAN
pohon I-TEMUAN
kelapa I-TEMUAN
sawit I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
AP I-TEMUAN
@ I-TEMUAN
0,6 I-TEMUAN
sebesar I-TEMUAN
94,75 I-TEMUAN
% I-TEMUAN
( I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
) I-TEMUAN
dan I-TEMUAN
97 I-TEMUAN
, I-TEMUAN
34 I-TEMUAN
% I-TEMUAN
( I-TEMUAN
citra I-TEMUAN
UAV I-TEMUAN
) I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
nilai I-TEMUAN
F1-Score I-TEMUAN
sebesar I-TEMUAN
88,70 I-TEMUAN
% I-TEMUAN
( I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
) I-TEMUAN
dan I-TEMUAN
93,39 I-TEMUAN
% I-TEMUAN
( I-TEMUAN
citra I-TEMUAN
UAV I-TEMUAN
) I-TEMUAN
; I-TEMUAN
( I-TEMUAN
3 I-TEMUAN
) I-TEMUAN
Diperoleh I-TEMUAN
juga I-TEMUAN
hasil I-TEMUAN
estimasi I-TEMUAN
jumlah I-TEMUAN
pohon I-TEMUAN
kelapa I-TEMUAN
sawit I-TEMUAN
sebanyak I-TEMUAN
14.900.305 I-TEMUAN
pohon I-TEMUAN
untuk I-TEMUAN
wilayah I-TEMUAN
Perkebunan I-TEMUAN
Sawit I-TEMUAN
di I-TEMUAN
Kabupaten I-TEMUAN
Rokan I-TEMUAN
Hulu I-TEMUAN
, I-TEMUAN
Provinsi I-TEMUAN
Riau. I-TEMUAN
Pada O
penelitian O
ini O
model B-METODE
otomatis I-METODE
object I-METODE
– I-METODE
based I-METODE
deep I-METODE
learning I-METODE
dengan O
arsitektur O
YOLO B-METODE
memberikan O
penilaian O
performa O
yang O
lebih O
unggul O
dibandingkan O
dengan O
model O
semi O
otomatis O
image O
processing O
threshold. O
1 O
, O
p. O
1 O
, O
18 O
, O
vol. O
Sep. O
2021 O
, O

Deteksi O
dan O
Penghitungan O
Jumlah O
Pohon O
Kelapa O
Sawit O
secara O
Otomatis O
dengan O
Penginderaan O
Jauh O
dan O
Object-Based O
Deep O
Learning O
Studi O
Kasus O
: O
Kabupaten O
Rokan O
Hulu O
, O
Provinsi O
Riau O
Yoga O
Cahya O
Putra O
( O
221810662 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
, O
SST O
, O
MT. O
Ringkasan— O
Kelapa O
sawit O
merupakan O
salah O
satu O
penghasil O
minyak O
nabati O
tertinggi O
di O
dunia. O
Pemantauan O
dan O
penyajian O
statistik O
perkebunan O
kelapa O
sawit O
yang O
akurat O
merupakan O
aspek O
penting O
dalam O
mendukung O
pengambilan O
keputusan O
yang O
efektif O
dan O
efisien. O
Hingga O
saat O
ini O
, O
pengumpulan O
data O
masih O
berfokus O
pada O
metode O
survei O
lapangan O
yang O
membutuhkan O
sumber O
daya O
manusia O
dan O
biaya O
sangat O
besar O
, O
waktu O
pengumpulan O
dan O
pengolahan O
yang O
sangat O
lama O
, O
serta O
sulit O
menjangkau O
daerah O
terpencil. O
Penginderaan O
jauh O
dengan O
citra O
satelit O
dan O
Unmanned O
Aerial O
Vehicle O
( O
UAV O
) O
dapat O
menjadi O
alternatif O
karena O
memiliki O
beberapa O
keunggulan O
, O
yaitu O
tenaga O
kerja O
lebih O
efisien O
, O
waktu O
update O
lebih O
singkat O
, O
dan O
cakupan O
wilayah O
luas O
menjangkau O
lokasi O
terpencil. O
Penelitian O
ini O
mengusulkan O
pemanfaatan B-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
Microsoft I-TUJUAN
Bing I-TUJUAN
Maps I-TUJUAN
Very I-TUJUAN
High I-TUJUAN
Resolution I-TUJUAN
( I-TUJUAN
VHR I-TUJUAN
) I-TUJUAN
dan I-TUJUAN
UAV I-TUJUAN
dengan I-TUJUAN
metode I-TUJUAN
image I-TUJUAN
processing I-TUJUAN
threshold I-TUJUAN
dan I-TUJUAN
deep I-TUJUAN
learning I-TUJUAN
berbasis I-TUJUAN
objek I-TUJUAN
untuk I-TUJUAN
mendeteksi I-TUJUAN
dan I-TUJUAN
menghitung I-TUJUAN
jumlah I-TUJUAN
pohon I-TUJUAN
kelapa I-TUJUAN
sawit. I-TUJUAN
Hasil O
eksperimen O
pada O
studi O
kasus O
di O
kabupaten O
Rokan O
Hulu O
, O
Riau O
menunjukkan O
pada B-TEMUAN
model I-TEMUAN
Object-Based I-TEMUAN
Deep I-TEMUAN
Learning I-TEMUAN
arsitektur I-TEMUAN
YOLO I-TEMUAN
( I-TEMUAN
You I-TEMUAN
Only I-TEMUAN
Look I-TEMUAN
Once I-TEMUAN
) I-TEMUAN
memberikan I-TEMUAN
nilai I-TEMUAN
F1- I-TEMUAN
Score I-TEMUAN
hingga I-TEMUAN
91,05 I-TEMUAN
% I-TEMUAN
unggul I-TEMUAN
50,46 I-TEMUAN
% I-TEMUAN
dibandingkan I-TEMUAN
model I-TEMUAN
semi I-TEMUAN
otomatis I-TEMUAN
threshold. I-TEMUAN
Secara O
keseluruhan O
temuan O
hasil O
penelitian O
menyarankan O
pemanfaatan O
citra O
resolusi O
lebih O
tinggi O
dari O
Microsoft O
Bing O
Maps O
VHR O
atau O
pemanfaatan O
tunggal O
data O
input O
citra O
UAV O
, O
serta O
penggunaan O
model O
Object-Based O
Deep O
Learning O
dengan O
arsitektur O
YOLO. O
image O
processing O
Kata O
Kunci— O
Penghitungan O
pohon O
, O
Penginderaan O
jauh O
, O
UAV O
, O
Ambang O
Pemrosesan O
Gambar O
, O
Kelapa O
sawit O
[SEP] O
Penelitian O
ini O
menunjukkan O
pemanfaatan O
penginderaan B-METODE
jauh I-METODE
dengan O
sumber O
data O
citra O
UAV O
dan O
Microsoft O
Bing O
Maps O
VHR O
yang O
dikombinasikan O
dengan O
image B-METODE
processing I-METODE
threshold O
dan O
object B-METODE
– I-METODE
based I-METODE
deep I-METODE
learning I-METODE
arsitektur I-METODE
YOLO. I-METODE
Berikut O
poin O
penting O
yang O
dapat O
disimpulkan O
: O
( O
1 O
) O
Model O
semi O
otomatis O
image O
processing O
threshold O
berhasil O
mendeteksi O
dan O
menghitung O
pohon O
kelapa O
sawit O
dengan O
nilai O
rata O
– O
rata O
performa O
F1-Score B-METODE
9,91 O
persen O
( O
citra O
satelit O
) O
dan O
71,26 O
persen O
( O
UAV O
) O
; O
( O
2 O
) O
Model B-TEMUAN
otomatis I-TEMUAN
object I-TEMUAN
– I-TEMUAN
based I-TEMUAN
deep I-TEMUAN
learning I-TEMUAN
arsitektur I-TEMUAN
YOLO I-TEMUAN
berhasil I-TEMUAN
mendeteksi I-TEMUAN
dan I-TEMUAN
menghitung I-TEMUAN
pohon I-TEMUAN
kelapa I-TEMUAN
sawit I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
AP I-TEMUAN
@ I-TEMUAN
0,6 I-TEMUAN
sebesar I-TEMUAN
94,75 I-TEMUAN
% I-TEMUAN
( I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
) I-TEMUAN
dan I-TEMUAN
97 I-TEMUAN
, I-TEMUAN
34 I-TEMUAN
% I-TEMUAN
( I-TEMUAN
citra I-TEMUAN
UAV I-TEMUAN
) I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
nilai I-TEMUAN
F1-Score I-TEMUAN
sebesar I-TEMUAN
88,70 I-TEMUAN
% I-TEMUAN
( I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
) I-TEMUAN
dan I-TEMUAN
93,39 I-TEMUAN
% I-TEMUAN
( I-TEMUAN
citra I-TEMUAN
UAV I-TEMUAN
) I-TEMUAN
; I-TEMUAN
( I-TEMUAN
3 I-TEMUAN
) I-TEMUAN
Diperoleh I-TEMUAN
juga I-TEMUAN
hasil I-TEMUAN
estimasi I-TEMUAN
jumlah I-TEMUAN
pohon I-TEMUAN
kelapa I-TEMUAN
sawit I-TEMUAN
sebanyak I-TEMUAN
14.900.305 I-TEMUAN
pohon I-TEMUAN
untuk I-TEMUAN
wilayah I-TEMUAN
Perkebunan I-TEMUAN
Sawit I-TEMUAN
di I-TEMUAN
Kabupaten I-TEMUAN
Rokan I-TEMUAN
Hulu I-TEMUAN
, I-TEMUAN
Provinsi I-TEMUAN
Riau. I-TEMUAN
Pada O
penelitian O
ini O
model B-METODE
otomatis I-METODE
object I-METODE
– I-METODE
based I-METODE
deep I-METODE
learning I-METODE
dengan O
arsitektur O
YOLO B-METODE
memberikan O
penilaian O
performa O
yang O
lebih O
unggul O
dibandingkan O
dengan O
model O
semi O
otomatis O
image O
processing O
threshold. O
1 O
, O
p. O
1 O
, O
18 O
, O
vol. O
Sep. O
2021 O
, O

Deteksi O
dan O
Penghitungan O
Jumlah O
Pohon O
Kelapa O
Sawit O
secara O
Otomatis O
dengan O
Penginderaan O
Jauh O
dan O
Object-Based O
Deep O
Learning O
Studi O
Kasus O
: O
Kabupaten O
Rokan O
Hulu O
, O
Provinsi O
Riau O
Yoga O
Cahya O
Putra O
( O
221810662 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
, O
SST O
, O
MT. O
Ringkasan— O
Kelapa O
sawit O
merupakan O
salah O
satu O
penghasil O
minyak O
nabati O
tertinggi O
di O
dunia. O
Pemantauan O
dan O
penyajian O
statistik O
perkebunan O
kelapa O
sawit O
yang O
akurat O
merupakan O
aspek O
penting O
dalam O
mendukung O
pengambilan O
keputusan O
yang O
efektif O
dan O
efisien. O
Hingga O
saat O
ini O
, O
pengumpulan O
data O
masih O
berfokus O
pada O
metode O
survei O
lapangan O
yang O
membutuhkan O
sumber O
daya O
manusia O
dan O
biaya O
sangat O
besar O
, O
waktu O
pengumpulan O
dan O
pengolahan O
yang O
sangat O
lama O
, O
serta O
sulit O
menjangkau O
daerah O
terpencil. O
Penginderaan O
jauh O
dengan O
citra O
satelit O
dan O
Unmanned O
Aerial O
Vehicle O
( O
UAV O
) O
dapat O
menjadi O
alternatif O
karena O
memiliki O
beberapa O
keunggulan O
, O
yaitu O
tenaga O
kerja O
lebih O
efisien O
, O
waktu O
update O
lebih O
singkat O
, O
dan O
cakupan O
wilayah O
luas O
menjangkau O
lokasi O
terpencil. O
Penelitian O
ini O
mengusulkan O
pemanfaatan B-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
Microsoft I-TUJUAN
Bing I-TUJUAN
Maps I-TUJUAN
Very I-TUJUAN
High I-TUJUAN
Resolution I-TUJUAN
( I-TUJUAN
VHR I-TUJUAN
) I-TUJUAN
dan I-TUJUAN
UAV I-TUJUAN
dengan I-TUJUAN
metode I-TUJUAN
image I-TUJUAN
processing I-TUJUAN
threshold I-TUJUAN
dan I-TUJUAN
deep I-TUJUAN
learning I-TUJUAN
berbasis I-TUJUAN
objek I-TUJUAN
untuk I-TUJUAN
mendeteksi I-TUJUAN
dan I-TUJUAN
menghitung I-TUJUAN
jumlah I-TUJUAN
pohon I-TUJUAN
kelapa I-TUJUAN
sawit. I-TUJUAN
Hasil O
eksperimen O
pada O
studi O
kasus O
di O
kabupaten O
Rokan O
Hulu O
, O
Riau O
menunjukkan O
pada B-TEMUAN
model I-TEMUAN
Object-Based I-TEMUAN
Deep I-TEMUAN
Learning I-TEMUAN
arsitektur I-TEMUAN
YOLO I-TEMUAN
( I-TEMUAN
You I-TEMUAN
Only I-TEMUAN
Look I-TEMUAN
Once I-TEMUAN
) I-TEMUAN
memberikan I-TEMUAN
nilai I-TEMUAN
F1- I-TEMUAN
Score I-TEMUAN
hingga I-TEMUAN
91,05 I-TEMUAN
% I-TEMUAN
unggul I-TEMUAN
50,46 I-TEMUAN
% I-TEMUAN
dibandingkan I-TEMUAN
model I-TEMUAN
semi I-TEMUAN
otomatis I-TEMUAN
threshold. I-TEMUAN
Secara O
keseluruhan O
temuan O
hasil O
penelitian O
menyarankan O
pemanfaatan O
citra O
resolusi O
lebih O
tinggi O
dari O
Microsoft O
Bing O
Maps O
VHR O
atau O
pemanfaatan O
tunggal O
data O
input O
citra O
UAV O
, O
serta O
penggunaan O
model O
Object-Based O
Deep O
Learning O
dengan O
arsitektur O
YOLO. O
image O
processing O
Kata O
Kunci— O
Penghitungan O
pohon O
, O
Penginderaan O
jauh O
, O
UAV O
, O
Ambang O
Pemrosesan O
Gambar O
, O
Kelapa O
sawit O
[SEP] O
Penelitian O
ini O
menunjukkan O
pemanfaatan O
penginderaan B-METODE
jauh I-METODE
dengan O
sumber O
data O
citra O
UAV O
dan O
Microsoft O
Bing O
Maps O
VHR O
yang O
dikombinasikan O
dengan O
image B-METODE
processing I-METODE
threshold O
dan O
object B-METODE
– I-METODE
based I-METODE
deep I-METODE
learning I-METODE
arsitektur I-METODE
YOLO. I-METODE
Berikut O
poin O
penting O
yang O
dapat O
disimpulkan O
: O
( O
1 O
) O
Model O
semi O
otomatis O
image O
processing O
threshold O
berhasil O
mendeteksi O
dan O
menghitung O
pohon O
kelapa O
sawit O
dengan O
nilai O
rata O
– O
rata O
performa O
F1-Score B-METODE
9,91 O
persen O
( O
citra O
satelit O
) O
dan O
71,26 O
persen O
( O
UAV O
) O
; O
( O
2 O
) O
Model B-TEMUAN
otomatis I-TEMUAN
object I-TEMUAN
– I-TEMUAN
based I-TEMUAN
deep I-TEMUAN
learning I-TEMUAN
arsitektur I-TEMUAN
YOLO I-TEMUAN
berhasil I-TEMUAN
mendeteksi I-TEMUAN
dan I-TEMUAN
menghitung I-TEMUAN
pohon I-TEMUAN
kelapa I-TEMUAN
sawit I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
AP I-TEMUAN
@ I-TEMUAN
0,6 I-TEMUAN
sebesar I-TEMUAN
94,75 I-TEMUAN
% I-TEMUAN
( I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
) I-TEMUAN
dan I-TEMUAN
97 I-TEMUAN
, I-TEMUAN
34 I-TEMUAN
% I-TEMUAN
( I-TEMUAN
citra I-TEMUAN
UAV I-TEMUAN
) I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
nilai I-TEMUAN
F1-Score I-TEMUAN
sebesar I-TEMUAN
88,70 I-TEMUAN
% I-TEMUAN
( I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
) I-TEMUAN
dan I-TEMUAN
93,39 I-TEMUAN
% I-TEMUAN
( I-TEMUAN
citra I-TEMUAN
UAV I-TEMUAN
) I-TEMUAN
; I-TEMUAN
( I-TEMUAN
3 I-TEMUAN
) I-TEMUAN
Diperoleh I-TEMUAN
juga I-TEMUAN
hasil I-TEMUAN
estimasi I-TEMUAN
jumlah I-TEMUAN
pohon I-TEMUAN
kelapa I-TEMUAN
sawit I-TEMUAN
sebanyak I-TEMUAN
14.900.305 I-TEMUAN
pohon I-TEMUAN
untuk I-TEMUAN
wilayah I-TEMUAN
Perkebunan I-TEMUAN
Sawit I-TEMUAN
di I-TEMUAN
Kabupaten I-TEMUAN
Rokan I-TEMUAN
Hulu I-TEMUAN
, I-TEMUAN
Provinsi I-TEMUAN
Riau. I-TEMUAN
Pada O
penelitian O
ini O
model B-METODE
otomatis I-METODE
object I-METODE
– I-METODE
based I-METODE
deep I-METODE
learning I-METODE
dengan O
arsitektur O
YOLO B-METODE
memberikan O
penilaian O
performa O
yang O
lebih O
unggul O
dibandingkan O
dengan O
model O
semi O
otomatis O
image O
processing O
threshold. O
1 O
, O
p. O
1 O
, O
18 O
, O
vol. O
Sep. O
2021 O
, O

Deteksi O
dan O
Penghitungan O
Jumlah O
Pohon O
Kelapa O
Sawit O
secara O
Otomatis O
dengan O
Penginderaan O
Jauh O
dan O
Object-Based O
Deep O
Learning O
Studi O
Kasus O
: O
Kabupaten O
Rokan O
Hulu O
, O
Provinsi O
Riau O
Yoga O
Cahya O
Putra O
( O
221810662 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
, O
SST O
, O
MT. O
Ringkasan— O
Kelapa O
sawit O
merupakan O
salah O
satu O
penghasil O
minyak O
nabati O
tertinggi O
di O
dunia. O
Pemantauan O
dan O
penyajian O
statistik O
perkebunan O
kelapa O
sawit O
yang O
akurat O
merupakan O
aspek O
penting O
dalam O
mendukung O
pengambilan O
keputusan O
yang O
efektif O
dan O
efisien. O
Hingga O
saat O
ini O
, O
pengumpulan O
data O
masih O
berfokus O
pada O
metode O
survei O
lapangan O
yang O
membutuhkan O
sumber O
daya O
manusia O
dan O
biaya O
sangat O
besar O
, O
waktu O
pengumpulan O
dan O
pengolahan O
yang O
sangat O
lama O
, O
serta O
sulit O
menjangkau O
daerah O
terpencil. O
Penginderaan O
jauh O
dengan O
citra O
satelit O
dan O
Unmanned O
Aerial O
Vehicle O
( O
UAV O
) O
dapat O
menjadi O
alternatif O
karena O
memiliki O
beberapa O
keunggulan O
, O
yaitu O
tenaga O
kerja O
lebih O
efisien O
, O
waktu O
update O
lebih O
singkat O
, O
dan O
cakupan O
wilayah O
luas O
menjangkau O
lokasi O
terpencil. O
Penelitian O
ini O
mengusulkan O
pemanfaatan B-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
Microsoft I-TUJUAN
Bing I-TUJUAN
Maps I-TUJUAN
Very I-TUJUAN
High I-TUJUAN
Resolution I-TUJUAN
( I-TUJUAN
VHR I-TUJUAN
) I-TUJUAN
dan I-TUJUAN
UAV I-TUJUAN
dengan I-TUJUAN
metode I-TUJUAN
image I-TUJUAN
processing I-TUJUAN
threshold I-TUJUAN
dan I-TUJUAN
deep I-TUJUAN
learning I-TUJUAN
berbasis I-TUJUAN
objek I-TUJUAN
untuk I-TUJUAN
mendeteksi I-TUJUAN
dan I-TUJUAN
menghitung I-TUJUAN
jumlah I-TUJUAN
pohon I-TUJUAN
kelapa I-TUJUAN
sawit. I-TUJUAN
Hasil O
eksperimen O
pada O
studi O
kasus O
di O
kabupaten O
Rokan O
Hulu O
, O
Riau O
menunjukkan O
pada B-TEMUAN
model I-TEMUAN
Object-Based I-TEMUAN
Deep I-TEMUAN
Learning I-TEMUAN
arsitektur I-TEMUAN
YOLO I-TEMUAN
( I-TEMUAN
You I-TEMUAN
Only I-TEMUAN
Look I-TEMUAN
Once I-TEMUAN
) I-TEMUAN
memberikan I-TEMUAN
nilai I-TEMUAN
F1- I-TEMUAN
Score I-TEMUAN
hingga I-TEMUAN
91,05 I-TEMUAN
% I-TEMUAN
unggul I-TEMUAN
50,46 I-TEMUAN
% I-TEMUAN
dibandingkan I-TEMUAN
model I-TEMUAN
semi I-TEMUAN
otomatis I-TEMUAN
threshold. I-TEMUAN
Secara O
keseluruhan O
temuan O
hasil O
penelitian O
menyarankan O
pemanfaatan O
citra O
resolusi O
lebih O
tinggi O
dari O
Microsoft O
Bing O
Maps O
VHR O
atau O
pemanfaatan O
tunggal O
data O
input O
citra O
UAV O
, O
serta O
penggunaan O
model O
Object-Based O
Deep O
Learning O
dengan O
arsitektur O
YOLO. O
image O
processing O
Kata O
Kunci— O
Penghitungan O
pohon O
, O
Penginderaan O
jauh O
, O
UAV O
, O
Ambang O
Pemrosesan O
Gambar O
, O
Kelapa O
sawit O
[SEP] O
Penelitian O
ini O
menunjukkan O
pemanfaatan O
penginderaan B-METODE
jauh I-METODE
dengan O
sumber O
data O
citra O
UAV O
dan O
Microsoft O
Bing O
Maps O
VHR O
yang O
dikombinasikan O
dengan O
image B-METODE
processing I-METODE
threshold O
dan O
object B-METODE
– I-METODE
based I-METODE
deep I-METODE
learning I-METODE
arsitektur I-METODE
YOLO. I-METODE
Berikut O
poin O
penting O
yang O
dapat O
disimpulkan O
: O
( O
1 O
) O
Model O
semi O
otomatis O
image O
processing O
threshold O
berhasil O
mendeteksi O
dan O
menghitung O
pohon O
kelapa O
sawit O
dengan O
nilai O
rata O
– O
rata O
performa O
F1-Score B-METODE
9,91 O
persen O
( O
citra O
satelit O
) O
dan O
71,26 O
persen O
( O
UAV O
) O
; O
( O
2 O
) O
Model B-TEMUAN
otomatis I-TEMUAN
object I-TEMUAN
– I-TEMUAN
based I-TEMUAN
deep I-TEMUAN
learning I-TEMUAN
arsitektur I-TEMUAN
YOLO I-TEMUAN
berhasil I-TEMUAN
mendeteksi I-TEMUAN
dan I-TEMUAN
menghitung I-TEMUAN
pohon I-TEMUAN
kelapa I-TEMUAN
sawit I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
AP I-TEMUAN
@ I-TEMUAN
0,6 I-TEMUAN
sebesar I-TEMUAN
94,75 I-TEMUAN
% I-TEMUAN
( I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
) I-TEMUAN
dan I-TEMUAN
97 I-TEMUAN
, I-TEMUAN
34 I-TEMUAN
% I-TEMUAN
( I-TEMUAN
citra I-TEMUAN
UAV I-TEMUAN
) I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
nilai I-TEMUAN
F1-Score I-TEMUAN
sebesar I-TEMUAN
88,70 I-TEMUAN
% I-TEMUAN
( I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
) I-TEMUAN
dan I-TEMUAN
93,39 I-TEMUAN
% I-TEMUAN
( I-TEMUAN
citra I-TEMUAN
UAV I-TEMUAN
) I-TEMUAN
; I-TEMUAN
( I-TEMUAN
3 I-TEMUAN
) I-TEMUAN
Diperoleh I-TEMUAN
juga I-TEMUAN
hasil I-TEMUAN
estimasi I-TEMUAN
jumlah I-TEMUAN
pohon I-TEMUAN
kelapa I-TEMUAN
sawit I-TEMUAN
sebanyak I-TEMUAN
14.900.305 I-TEMUAN
pohon I-TEMUAN
untuk I-TEMUAN
wilayah I-TEMUAN
Perkebunan I-TEMUAN
Sawit I-TEMUAN
di I-TEMUAN
Kabupaten I-TEMUAN
Rokan I-TEMUAN
Hulu I-TEMUAN
, I-TEMUAN
Provinsi I-TEMUAN
Riau. I-TEMUAN
Pada O
penelitian O
ini O
model B-METODE
otomatis I-METODE
object I-METODE
– I-METODE
based I-METODE
deep I-METODE
learning I-METODE
dengan O
arsitektur O
YOLO B-METODE
memberikan O
penilaian O
performa O
yang O
lebih O
unggul O
dibandingkan O
dengan O
model O
semi O
otomatis O
image O
processing O
threshold. O
1 O
, O
p. O
1 O
, O
18 O
, O
vol. O
Sep. O
2021 O
, O

Deteksi O
dan O
Penghitungan O
Jumlah O
Pohon O
Kelapa O
Sawit O
secara O
Otomatis O
dengan O
Penginderaan O
Jauh O
dan O
Object-Based O
Deep O
Learning O
Studi O
Kasus O
: O
Kabupaten O
Rokan O
Hulu O
, O
Provinsi O
Riau O
Yoga O
Cahya O
Putra O
( O
221810662 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
, O
SST O
, O
MT. O
Ringkasan— O
Kelapa O
sawit O
merupakan O
salah O
satu O
penghasil O
minyak O
nabati O
tertinggi O
di O
dunia. O
Pemantauan O
dan O
penyajian O
statistik O
perkebunan O
kelapa O
sawit O
yang O
akurat O
merupakan O
aspek O
penting O
dalam O
mendukung O
pengambilan O
keputusan O
yang O
efektif O
dan O
efisien. O
Hingga O
saat O
ini O
, O
pengumpulan O
data O
masih O
berfokus O
pada O
metode O
survei O
lapangan O
yang O
membutuhkan O
sumber O
daya O
manusia O
dan O
biaya O
sangat O
besar O
, O
waktu O
pengumpulan O
dan O
pengolahan O
yang O
sangat O
lama O
, O
serta O
sulit O
menjangkau O
daerah O
terpencil. O
Penginderaan O
jauh O
dengan O
citra O
satelit O
dan O
Unmanned O
Aerial O
Vehicle O
( O
UAV O
) O
dapat O
menjadi O
alternatif O
karena O
memiliki O
beberapa O
keunggulan O
, O
yaitu O
tenaga O
kerja O
lebih O
efisien O
, O
waktu O
update O
lebih O
singkat O
, O
dan O
cakupan O
wilayah O
luas O
menjangkau O
lokasi O
terpencil. O
Penelitian O
ini O
mengusulkan O
pemanfaatan B-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
Microsoft I-TUJUAN
Bing I-TUJUAN
Maps I-TUJUAN
Very I-TUJUAN
High I-TUJUAN
Resolution I-TUJUAN
( I-TUJUAN
VHR I-TUJUAN
) I-TUJUAN
dan I-TUJUAN
UAV I-TUJUAN
dengan I-TUJUAN
metode I-TUJUAN
image I-TUJUAN
processing I-TUJUAN
threshold I-TUJUAN
dan I-TUJUAN
deep I-TUJUAN
learning I-TUJUAN
berbasis I-TUJUAN
objek I-TUJUAN
untuk I-TUJUAN
mendeteksi I-TUJUAN
dan I-TUJUAN
menghitung I-TUJUAN
jumlah I-TUJUAN
pohon I-TUJUAN
kelapa I-TUJUAN
sawit. I-TUJUAN
Hasil O
eksperimen O
pada O
studi O
kasus O
di O
kabupaten O
Rokan O
Hulu O
, O
Riau O
menunjukkan O
pada B-TEMUAN
model I-TEMUAN
Object-Based I-TEMUAN
Deep I-TEMUAN
Learning I-TEMUAN
arsitektur I-TEMUAN
YOLO I-TEMUAN
( I-TEMUAN
You I-TEMUAN
Only I-TEMUAN
Look I-TEMUAN
Once I-TEMUAN
) I-TEMUAN
memberikan I-TEMUAN
nilai I-TEMUAN
F1- I-TEMUAN
Score I-TEMUAN
hingga I-TEMUAN
91,05 I-TEMUAN
% I-TEMUAN
unggul I-TEMUAN
50,46 I-TEMUAN
% I-TEMUAN
dibandingkan I-TEMUAN
model I-TEMUAN
semi I-TEMUAN
otomatis I-TEMUAN
threshold. I-TEMUAN
Secara O
keseluruhan O
temuan O
hasil O
penelitian O
menyarankan O
pemanfaatan O
citra O
resolusi O
lebih O
tinggi O
dari O
Microsoft O
Bing O
Maps O
VHR O
atau O
pemanfaatan O
tunggal O
data O
input O
citra O
UAV O
, O
serta O
penggunaan O
model O
Object-Based O
Deep O
Learning O
dengan O
arsitektur O
YOLO. O
image O
processing O
Kata O
Kunci— O
Penghitungan O
pohon O
, O
Penginderaan O
jauh O
, O
UAV O
, O
Ambang O
Pemrosesan O
Gambar O
, O
Kelapa O
sawit O
[SEP] O
Penelitian O
ini O
menunjukkan O
pemanfaatan O
penginderaan B-METODE
jauh I-METODE
dengan O
sumber O
data O
citra O
UAV O
dan O
Microsoft O
Bing O
Maps O
VHR O
yang O
dikombinasikan O
dengan O
image B-METODE
processing I-METODE
threshold O
dan O
object B-METODE
– I-METODE
based I-METODE
deep I-METODE
learning I-METODE
arsitektur I-METODE
YOLO. I-METODE
Berikut O
poin O
penting O
yang O
dapat O
disimpulkan O
: O
( O
1 O
) O
Model O
semi O
otomatis O
image O
processing O
threshold O
berhasil O
mendeteksi O
dan O
menghitung O
pohon O
kelapa O
sawit O
dengan O
nilai O
rata O
– O
rata O
performa O
F1-Score B-METODE
9,91 O
persen O
( O
citra O
satelit O
) O
dan O
71,26 O
persen O
( O
UAV O
) O
; O
( O
2 O
) O
Model B-TEMUAN
otomatis I-TEMUAN
object I-TEMUAN
– I-TEMUAN
based I-TEMUAN
deep I-TEMUAN
learning I-TEMUAN
arsitektur I-TEMUAN
YOLO I-TEMUAN
berhasil I-TEMUAN
mendeteksi I-TEMUAN
dan I-TEMUAN
menghitung I-TEMUAN
pohon I-TEMUAN
kelapa I-TEMUAN
sawit I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
AP I-TEMUAN
@ I-TEMUAN
0,6 I-TEMUAN
sebesar I-TEMUAN
94,75 I-TEMUAN
% I-TEMUAN
( I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
) I-TEMUAN
dan I-TEMUAN
97 I-TEMUAN
, I-TEMUAN
34 I-TEMUAN
% I-TEMUAN
( I-TEMUAN
citra I-TEMUAN
UAV I-TEMUAN
) I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
nilai I-TEMUAN
F1-Score I-TEMUAN
sebesar I-TEMUAN
88,70 I-TEMUAN
% I-TEMUAN
( I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
) I-TEMUAN
dan I-TEMUAN
93,39 I-TEMUAN
% I-TEMUAN
( I-TEMUAN
citra I-TEMUAN
UAV I-TEMUAN
) I-TEMUAN
; I-TEMUAN
( I-TEMUAN
3 I-TEMUAN
) I-TEMUAN
Diperoleh I-TEMUAN
juga I-TEMUAN
hasil I-TEMUAN
estimasi I-TEMUAN
jumlah I-TEMUAN
pohon I-TEMUAN
kelapa I-TEMUAN
sawit I-TEMUAN
sebanyak I-TEMUAN
14.900.305 I-TEMUAN
pohon I-TEMUAN
untuk I-TEMUAN
wilayah I-TEMUAN
Perkebunan I-TEMUAN
Sawit I-TEMUAN
di I-TEMUAN
Kabupaten I-TEMUAN
Rokan I-TEMUAN
Hulu I-TEMUAN
, I-TEMUAN
Provinsi I-TEMUAN
Riau. I-TEMUAN
Pada O
penelitian O
ini O
model B-METODE
otomatis I-METODE
object I-METODE
– I-METODE
based I-METODE
deep I-METODE
learning I-METODE
dengan O
arsitektur O
YOLO B-METODE
memberikan O
penilaian O
performa O
yang O
lebih O
unggul O
dibandingkan O
dengan O
model O
semi O
otomatis O
image O
processing O
threshold. O
1 O
, O
p. O
1 O
, O
18 O
, O
vol. O
Sep. O
2021 O
, O

Implementasi O
Speech O
Synthesis O
dan O
Speech O
Recognition O
Bahasa O
Indonesia O
dalam O
Kuesioner O
BPS O
Berbasis O
Web O
Xafrillah O
Agnes O
Nala O
Ayulia O
Wasa O
Hardiana O
( O
221810659 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
SST O
, O
M.Si O
secara O
Ringkasan— O
Transformasi O
digital O
menjadi O
fenomena O
yang O
terus O
berkembang O
hingga O
saat O
ini. O
Adanya O
perubahan O
dari O
pelaksanaan O
kegiatan O
tradisional O
menjadi O
digital O
diharapkan O
dapat O
membawa O
peluang O
besar O
yang O
menjanjikan O
untuk O
berkembang. O
Kebijakan O
pembatasan O
sosial O
dalam O
protokol O
kesehatan O
pandemi O
COVID-19 O
membuat O
banyak O
kegiatan O
terhambat. O
Kegiatan O
pengumpulan O
data O
oleh O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
menjadi O
salah O
satu O
yang O
terdampak. O
Di O
sisi O
lain O
, O
Pandemi O
COVID-19 O
juga O
percepatan O
transformasi O
digital O
beserta O
pengembangannya O
demi O
menjawab O
masalah-masalah O
yang O
dibawanya. O
Mendukung O
perkembangan O
teknologi O
, O
penelitian O
ini O
melakukan B-TUJUAN
inovasi I-TUJUAN
untuk I-TUJUAN
membantu I-TUJUAN
responden I-TUJUAN
dalam I-TUJUAN
pengisian I-TUJUAN
dengan I-TUJUAN
kuesioner I-TUJUAN
, I-TUJUAN
mengimplementasikan I-TUJUAN
teknologi I-TUJUAN
speech I-TUJUAN
synthesis I-TUJUAN
dan I-TUJUAN
speech I-TUJUAN
recognition. I-TUJUAN
Penggunaan O
suara O
membuat O
responden O
tidak O
perlu O
menyentuh O
dan O
berfokus O
pada O
layar O
perangkat O
untuk O
mengontrol O
dan O
membaca O
pertanyaan O
pada O
kuesioner. O
Sistem O
pengumpulan O
data O
yang O
dibangun O
adalah O
berbasis O
web O
atau O
lebih O
dikenal O
dengan O
Computer O
Assisted O
Web O
Interviewing O
( O
CAWI O
) O
. O
Layanan O
penyedia O
speech O
synthesis O
dan O
speech B-METODE
recognition I-METODE
yang O
digunakan O
berasal O
dari O
Web O
Speech O
API. O
Hasil O
uji O
coba O
dengan O
blackbox B-METODE
testing I-METODE
menunjukkan O
bahwa O
sistem O
telah O
berjalan O
sesuai O
harapan O
dan O
paling O
kompatibel O
dengan O
sistem O
operasi O
Windows O
10 O
dibandingkan O
dengan O
Android. B-TEMUAN
Hasil I-TEMUAN
evaluasi I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
dengan I-TEMUAN
kuesioner I-TEMUAN
evaluasi I-TEMUAN
sistem I-TEMUAN
dan I-TEMUAN
Questionnaire I-TEMUAN
of I-TEMUAN
User I-TEMUAN
Interface I-TEMUAN
Satisfaction I-TEMUAN
( I-TEMUAN
QUIS I-TEMUAN
) I-TEMUAN
juga I-TEMUAN
menunjukkan I-TEMUAN
respon I-TEMUAN
yang I-TEMUAN
baik I-TEMUAN
dari I-TEMUAN
pengguna. I-TEMUAN
kuesioner O
terutama O
BPS O
, O
Kata O
Kunci— O
speech O
synthesis O
, O
speech O
recognition O
, O
kuesioner O
, O
Badan O
Pusat O
Statistik O
[SEP] O
A. O
Kesimpulan O
Sistem O
dengan O
pengumpulan O
data O
berbasis O
web O
implementasi O
speech O
synthesis O
dan O
speech O
recognition O
telah O
berhasi O
dibangun. O
Hasil O
uji O
blackbox B-METODE
menunjukkan O
bahwa O
sistem B-TEMUAN
telah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
harapan. I-TEMUAN
Sistem O
paling O
kompatibel O
dengan O
sistem O
operasi O
Windows O
10 O
dibandingkan O
dengan O
Android. O
Hasil O
evaluasi O
oleh O
pengguna O
mendapat O
nilai O
yang O
memuaskan. O
Dalam O
evaluasi B-METODE
QUIS I-METODE
, O
sistem O
mendapat O
nilai O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
delapan O
dalam O
seluruh O
aspek O
yang O
mengindikasikan O
bahwa O
seluruh O
aspek O
dalam O
sistem O
usulan O
sangat O
baik O
B. O
Saran O
Saran O
yang O
dapat O
dilakukan O
untuk O
pengembangan O
sistem O
kedepannya O
berdasarkan O
hasil O
evaluasi O
dan O
perbaikan O
sistem O
adalah O
sebagai O
berikut O
: O
1. O
Menggunakan O
penyedia O
layanan O
speech O
synthesis O
dan O
speech O
recognition O
berbayar O
untuk O
mengurangi O
kendala O
ejaan O
speech O
synthesis O
dan O
salah O
rekognisi O
kata O
yang O
kurang O
umum O
pada O
speech O
recognition O
2. O
Melakukan O
uji O
coba O
pada O
sistem O
operasi O
selain O
yang O
telah O
dilakukan O
pada O
penelitian O
ini O
, O
seperti O
sistem O
operasi O
Linux O
, O
macOS O
, O
dan O
iOS O
3. O
Melakukan O
analisis O
karakteristik O
pengguna O
agar O
fitur O
yang O
ditawarkan O
oleh O
sistem O
lebih O
sesuai O
4. O
Pengembangan O
lebih O
lanjut O
dari O
penelitian O
ini O
dapat O
dilakukan O
dengan O
hal-hal O
sebagai O
berikut O
: O
a. O
Membangun O
sistem O
monitoring O
untuk O
mengawasi O
pengisian O
kuesioner O
oleh O
pengguna O
b. O
Membangun O
sistem O
admin O
untuk O
mengedit O
pertanyaan O
maupun O
transkrip O
kuesioner O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O

Implementasi O
Speech O
Synthesis O
dan O
Speech O
Recognition O
Bahasa O
Indonesia O
dalam O
Kuesioner O
BPS O
Berbasis O
Web O
Xafrillah O
Agnes O
Nala O
Ayulia O
Wasa O
Hardiana O
( O
221810659 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
SST O
, O
M.Si O
secara O
Ringkasan— O
Transformasi O
digital O
menjadi O
fenomena O
yang O
terus O
berkembang O
hingga O
saat O
ini. O
Adanya O
perubahan O
dari O
pelaksanaan O
kegiatan O
tradisional O
menjadi O
digital O
diharapkan O
dapat O
membawa O
peluang O
besar O
yang O
menjanjikan O
untuk O
berkembang. O
Kebijakan O
pembatasan O
sosial O
dalam O
protokol O
kesehatan O
pandemi O
COVID-19 O
membuat O
banyak O
kegiatan O
terhambat. O
Kegiatan O
pengumpulan O
data O
oleh O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
menjadi O
salah O
satu O
yang O
terdampak. O
Di O
sisi O
lain O
, O
Pandemi O
COVID-19 O
juga O
percepatan O
transformasi O
digital O
beserta O
pengembangannya O
demi O
menjawab O
masalah-masalah O
yang O
dibawanya. O
Mendukung O
perkembangan O
teknologi O
, O
penelitian O
ini O
melakukan B-TUJUAN
inovasi I-TUJUAN
untuk I-TUJUAN
membantu I-TUJUAN
responden I-TUJUAN
dalam I-TUJUAN
pengisian I-TUJUAN
dengan I-TUJUAN
kuesioner I-TUJUAN
, I-TUJUAN
mengimplementasikan I-TUJUAN
teknologi I-TUJUAN
speech I-TUJUAN
synthesis I-TUJUAN
dan I-TUJUAN
speech I-TUJUAN
recognition. I-TUJUAN
Penggunaan O
suara O
membuat O
responden O
tidak O
perlu O
menyentuh O
dan O
berfokus O
pada O
layar O
perangkat O
untuk O
mengontrol O
dan O
membaca O
pertanyaan O
pada O
kuesioner. O
Sistem O
pengumpulan O
data O
yang O
dibangun O
adalah O
berbasis O
web O
atau O
lebih O
dikenal O
dengan O
Computer O
Assisted O
Web O
Interviewing O
( O
CAWI O
) O
. O
Layanan O
penyedia O
speech O
synthesis O
dan O
speech B-METODE
recognition I-METODE
yang O
digunakan O
berasal O
dari O
Web O
Speech O
API. O
Hasil O
uji O
coba O
dengan O
blackbox B-METODE
testing I-METODE
menunjukkan O
bahwa O
sistem O
telah O
berjalan O
sesuai O
harapan O
dan O
paling O
kompatibel O
dengan O
sistem O
operasi O
Windows O
10 O
dibandingkan O
dengan O
Android. B-TEMUAN
Hasil I-TEMUAN
evaluasi I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
dengan I-TEMUAN
kuesioner I-TEMUAN
evaluasi I-TEMUAN
sistem I-TEMUAN
dan I-TEMUAN
Questionnaire I-TEMUAN
of I-TEMUAN
User I-TEMUAN
Interface I-TEMUAN
Satisfaction I-TEMUAN
( I-TEMUAN
QUIS I-TEMUAN
) I-TEMUAN
juga I-TEMUAN
menunjukkan I-TEMUAN
respon I-TEMUAN
yang I-TEMUAN
baik I-TEMUAN
dari I-TEMUAN
pengguna. I-TEMUAN
kuesioner O
terutama O
BPS O
, O
Kata O
Kunci— O
speech O
synthesis O
, O
speech O
recognition O
, O
kuesioner O
, O
Badan O
Pusat O
Statistik O
[SEP] O
A. O
Kesimpulan O
Sistem O
dengan O
pengumpulan O
data O
berbasis O
web O
implementasi O
speech O
synthesis O
dan O
speech O
recognition O
telah O
berhasi O
dibangun. O
Hasil O
uji O
blackbox B-METODE
menunjukkan O
bahwa O
sistem B-TEMUAN
telah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
harapan. I-TEMUAN
Sistem O
paling O
kompatibel O
dengan O
sistem O
operasi O
Windows O
10 O
dibandingkan O
dengan O
Android. O
Hasil O
evaluasi O
oleh O
pengguna O
mendapat O
nilai O
yang O
memuaskan. O
Dalam O
evaluasi B-METODE
QUIS I-METODE
, O
sistem O
mendapat O
nilai O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
delapan O
dalam O
seluruh O
aspek O
yang O
mengindikasikan O
bahwa O
seluruh O
aspek O
dalam O
sistem O
usulan O
sangat O
baik O
B. O
Saran O
Saran O
yang O
dapat O
dilakukan O
untuk O
pengembangan O
sistem O
kedepannya O
berdasarkan O
hasil O
evaluasi O
dan O
perbaikan O
sistem O
adalah O
sebagai O
berikut O
: O
1. O
Menggunakan O
penyedia O
layanan O
speech O
synthesis O
dan O
speech O
recognition O
berbayar O
untuk O
mengurangi O
kendala O
ejaan O
speech O
synthesis O
dan O
salah O
rekognisi O
kata O
yang O
kurang O
umum O
pada O
speech O
recognition O
2. O
Melakukan O
uji O
coba O
pada O
sistem O
operasi O
selain O
yang O
telah O
dilakukan O
pada O
penelitian O
ini O
, O
seperti O
sistem O
operasi O
Linux O
, O
macOS O
, O
dan O
iOS O
3. O
Melakukan O
analisis O
karakteristik O
pengguna O
agar O
fitur O
yang O
ditawarkan O
oleh O
sistem O
lebih O
sesuai O
4. O
Pengembangan O
lebih O
lanjut O
dari O
penelitian O
ini O
dapat O
dilakukan O
dengan O
hal-hal O
sebagai O
berikut O
: O
a. O
Membangun O
sistem O
monitoring O
untuk O
mengawasi O
pengisian O
kuesioner O
oleh O
pengguna O
b. O
Membangun O
sistem O
admin O
untuk O
mengedit O
pertanyaan O
maupun O
transkrip O
kuesioner O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O

Implementasi O
Speech O
Synthesis O
dan O
Speech O
Recognition O
Bahasa O
Indonesia O
dalam O
Kuesioner O
BPS O
Berbasis O
Web O
Xafrillah O
Agnes O
Nala O
Ayulia O
Wasa O
Hardiana O
( O
221810659 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
SST O
, O
M.Si O
secara O
Ringkasan— O
Transformasi O
digital O
menjadi O
fenomena O
yang O
terus O
berkembang O
hingga O
saat O
ini. O
Adanya O
perubahan O
dari O
pelaksanaan O
kegiatan O
tradisional O
menjadi O
digital O
diharapkan O
dapat O
membawa O
peluang O
besar O
yang O
menjanjikan O
untuk O
berkembang. O
Kebijakan O
pembatasan O
sosial O
dalam O
protokol O
kesehatan O
pandemi O
COVID-19 O
membuat O
banyak O
kegiatan O
terhambat. O
Kegiatan O
pengumpulan O
data O
oleh O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
menjadi O
salah O
satu O
yang O
terdampak. O
Di O
sisi O
lain O
, O
Pandemi O
COVID-19 O
juga O
percepatan O
transformasi O
digital O
beserta O
pengembangannya O
demi O
menjawab O
masalah-masalah O
yang O
dibawanya. O
Mendukung O
perkembangan O
teknologi O
, O
penelitian O
ini O
melakukan B-TUJUAN
inovasi I-TUJUAN
untuk I-TUJUAN
membantu I-TUJUAN
responden I-TUJUAN
dalam I-TUJUAN
pengisian I-TUJUAN
dengan I-TUJUAN
kuesioner I-TUJUAN
, I-TUJUAN
mengimplementasikan I-TUJUAN
teknologi I-TUJUAN
speech I-TUJUAN
synthesis I-TUJUAN
dan I-TUJUAN
speech I-TUJUAN
recognition. I-TUJUAN
Penggunaan O
suara O
membuat O
responden O
tidak O
perlu O
menyentuh O
dan O
berfokus O
pada O
layar O
perangkat O
untuk O
mengontrol O
dan O
membaca O
pertanyaan O
pada O
kuesioner. O
Sistem O
pengumpulan O
data O
yang O
dibangun O
adalah O
berbasis O
web O
atau O
lebih O
dikenal O
dengan O
Computer O
Assisted O
Web O
Interviewing O
( O
CAWI O
) O
. O
Layanan O
penyedia O
speech O
synthesis O
dan O
speech B-METODE
recognition I-METODE
yang O
digunakan O
berasal O
dari O
Web O
Speech O
API. O
Hasil O
uji O
coba O
dengan O
blackbox B-METODE
testing I-METODE
menunjukkan O
bahwa O
sistem O
telah O
berjalan O
sesuai O
harapan O
dan O
paling O
kompatibel O
dengan O
sistem O
operasi O
Windows O
10 O
dibandingkan O
dengan O
Android. B-TEMUAN
Hasil I-TEMUAN
evaluasi I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
dengan I-TEMUAN
kuesioner I-TEMUAN
evaluasi I-TEMUAN
sistem I-TEMUAN
dan I-TEMUAN
Questionnaire I-TEMUAN
of I-TEMUAN
User I-TEMUAN
Interface I-TEMUAN
Satisfaction I-TEMUAN
( I-TEMUAN
QUIS I-TEMUAN
) I-TEMUAN
juga I-TEMUAN
menunjukkan I-TEMUAN
respon I-TEMUAN
yang I-TEMUAN
baik I-TEMUAN
dari I-TEMUAN
pengguna. I-TEMUAN
kuesioner O
terutama O
BPS O
, O
Kata O
Kunci— O
speech O
synthesis O
, O
speech O
recognition O
, O
kuesioner O
, O
Badan O
Pusat O
Statistik O
[SEP] O
A. O
Kesimpulan O
Sistem O
dengan O
pengumpulan O
data O
berbasis O
web O
implementasi O
speech O
synthesis O
dan O
speech O
recognition O
telah O
berhasi O
dibangun. O
Hasil O
uji O
blackbox B-METODE
menunjukkan O
bahwa O
sistem B-TEMUAN
telah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
harapan. I-TEMUAN
Sistem O
paling O
kompatibel O
dengan O
sistem O
operasi O
Windows O
10 O
dibandingkan O
dengan O
Android. O
Hasil O
evaluasi O
oleh O
pengguna O
mendapat O
nilai O
yang O
memuaskan. O
Dalam O
evaluasi B-METODE
QUIS I-METODE
, O
sistem O
mendapat O
nilai O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
delapan O
dalam O
seluruh O
aspek O
yang O
mengindikasikan O
bahwa O
seluruh O
aspek O
dalam O
sistem O
usulan O
sangat O
baik O
B. O
Saran O
Saran O
yang O
dapat O
dilakukan O
untuk O
pengembangan O
sistem O
kedepannya O
berdasarkan O
hasil O
evaluasi O
dan O
perbaikan O
sistem O
adalah O
sebagai O
berikut O
: O
1. O
Menggunakan O
penyedia O
layanan O
speech O
synthesis O
dan O
speech O
recognition O
berbayar O
untuk O
mengurangi O
kendala O
ejaan O
speech O
synthesis O
dan O
salah O
rekognisi O
kata O
yang O
kurang O
umum O
pada O
speech O
recognition O
2. O
Melakukan O
uji O
coba O
pada O
sistem O
operasi O
selain O
yang O
telah O
dilakukan O
pada O
penelitian O
ini O
, O
seperti O
sistem O
operasi O
Linux O
, O
macOS O
, O
dan O
iOS O
3. O
Melakukan O
analisis O
karakteristik O
pengguna O
agar O
fitur O
yang O
ditawarkan O
oleh O
sistem O
lebih O
sesuai O
4. O
Pengembangan O
lebih O
lanjut O
dari O
penelitian O
ini O
dapat O
dilakukan O
dengan O
hal-hal O
sebagai O
berikut O
: O
a. O
Membangun O
sistem O
monitoring O
untuk O
mengawasi O
pengisian O
kuesioner O
oleh O
pengguna O
b. O
Membangun O
sistem O
admin O
untuk O
mengedit O
pertanyaan O
maupun O
transkrip O
kuesioner O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O

Deteksi O
Bangunan O
Wilayah O
Perkotaan O
Menggunakan O
Deep O
Learning O
Berbasis O
Objek O
dengan O
Arsitektur O
YOLO O
pada O
Citra O
Satelit O
Studi O
Kasus O
: O
DKI O
Jakarta O
Wahidya O
Nurkarim O
( O
221810650 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
SST O
, O
M.T O
Ringkasan— O
Bangunan O
merupakan O
fitur O
yang O
paling O
terlihat O
di O
daerah O
perkotaan. O
Pendeteksian O
bangunan O
dari O
penginderaan O
jauh O
memiliki O
peranan O
penting O
dalam O
mengambil O
kebijakan O
seperti O
perencanaan O
dan O
pengembangan O
kota. O
Dalam O
aspek O
official O
statistics O
, O
deteksi O
bangunan O
berpotensi O
untuk O
digunakan O
pada O
geotagging O
landmark O
bangunan. O
Penelitian O
ini O
bertujuan O
untuk O
mendeteksi B-TUJUAN
dan I-TUJUAN
menghitung I-TUJUAN
bangunan I-TUJUAN
wilayah I-TUJUAN
perkotaan I-TUJUAN
secara I-TUJUAN
otomatis I-TUJUAN
dengan I-TUJUAN
memanfaatkan I-TUJUAN
teknik I-TUJUAN
deep I-TUJUAN
learning I-TUJUAN
dan I-TUJUAN
ketersediaan I-TUJUAN
data I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
pada I-TUJUAN
resolusi I-TUJUAN
yang I-TUJUAN
tinggi. I-TUJUAN
Model O
pre-trained O
dibangun O
menggunakan O
arsitektur O
You B-METODE
Only I-METODE
Look I-METODE
Once I-METODE
( I-METODE
YOLO I-METODE
) I-METODE
lalu O
digunakan O
untuk O
melakukan O
fine O
tuning O
terhadap O
data O
wilayah O
studi O
pada O
tiga O
kategori O
wilayah O
: O
terpadat O
, O
menengah O
, O
dan O
terjarang O
, O
sehingga O
menghasilkan O
model O
fine-tuned O
mampu O
mengdeteksi O
bangunan O
dan O
memiliki O
performa O
tertinggi O
hingga O
80 O
% O
pada O
wilayah O
dengan O
kepadatan O
bangunan O
menengah O
di O
Kelurahan O
Kembangan O
Utara O
, O
Jakarta O
Barat. O
Dari O
penelitian O
ini O
, O
dapat O
disimpulkan O
bahwa O
model B-TEMUAN
dapat I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
mendeteksi I-TEMUAN
bangunan I-TEMUAN
di I-TEMUAN
wilayah I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
batasan I-TEMUAN
yang I-TEMUAN
jelas I-TEMUAN
antara I-TEMUAN
satu I-TEMUAN
bangunan I-TEMUAN
dengan I-TEMUAN
lainnya. I-TEMUAN
Hasil I-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
menawarkan I-TEMUAN
implementasi I-TEMUAN
praktis I-TEMUAN
yang I-TEMUAN
potensial I-TEMUAN
untuk I-TEMUAN
perolehan I-TEMUAN
informasi I-TEMUAN
lokasi I-TEMUAN
bangunan I-TEMUAN
untuk I-TEMUAN
pemetaan I-TEMUAN
landmark I-TEMUAN
bangunan. I-TEMUAN
fine-tuned. O
Model O
Kata O
Kunci— O
bangunan O
, O
citra O
satelit O
, O
YOLO O
, O
object O
detection O
, O
penginderaan O
jauh O
[SEP] O
Dari O
hasil O
penelitian O
yang O
dilakukan O
, O
dapat O
disimpulkan O
bahwa O
model O
deep O
learning O
dengan O
arsitektur B-METODE
YOLO I-METODE
telah O
dibangun O
untuk O
deteksi O
bangunan O
berbasis O
objek O
pada O
citra B-METODE
satelit I-METODE
WorldView-3 I-METODE
untuk O
model O
pre-trained O
dan O
Microsoft O
Bing O
untuk O
model O
fine-tuned O
dengan O
Average O
Precision O
( O
AP O
) O
hingga O
80.64 O
% O
untuk O
wilayah O
menengah O
di O
provinsi O
DKI O
Jakarta. O
Hasil O
evaluasi O
model O
menunjukkan O
bahwa O
tingkat O
kepadatan O
dan O
tipe O
bangunan O
di O
provinsi O
DKI O
Jakarta O
sangat O
menantang O
dan O
mempengaruhi O
performa O
model. O
Performa O
terbaik O
diperoleh O
kelurahan O
Kembangan O
Utara. O
Wilayah O
terjarang O
dan O
menengah O
tidak O
memiliki O
selisih O
nilai O
AP O
yang O
begitu O
jauh O
jauh O
, O
namun O
evaluasi O
keduanya O
cukup O
dibandingkan O
wilayah O
terpadat. O
Hal O
ini O
menunjukkan O
bahwa O
model O
mendeteksi O
lebih O
baik O
pada O
wilayah O
dengan O
batasan O
yang O
jelas O
antara O
satu O
bangunan O
dengan O
lainnya. O
Dari B-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
model I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
proses I-TEMUAN
fine I-TEMUAN
tuning I-TEMUAN
pada I-TEMUAN
model I-TEMUAN
arsitektur I-TEMUAN
YOLO I-TEMUAN
terbukti I-TEMUAN
meningkatkan I-TEMUAN
performa I-TEMUAN
model I-TEMUAN
yang I-TEMUAN
naik I-TEMUAN
sebesar I-TEMUAN
14,85 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Hasil I-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
implementasi I-TEMUAN
praktis I-TEMUAN
yang I-TEMUAN
potensial I-TEMUAN
untuk I-TEMUAN
menawarkan I-TEMUAN
lokasi I-TEMUAN
bangunan I-TEMUAN
untuk I-TEMUAN
pemetaan I-TEMUAN
perolehan I-TEMUAN
landmark I-TEMUAN
bangunan I-TEMUAN
dan I-TEMUAN
infrastruktur I-TEMUAN
dalam I-TEMUAN
pemetaan I-TEMUAN
Wilayah I-TEMUAN
Kerja I-TEMUAN
Statistik. I-TEMUAN
Adapun O
saran O
untuk O
penelitian O
selanjutnya O
adalah O
metode O
yang O
sama O
dapat O
diterapkan O
di O
wilayah O
lain O
yang O
memiliki O
batasan O
yang O
jelas O
antara O
satu O
bangunan O
dengan O
lainnya O
, O
serta O
mendeteksi O
yang O
lebih O
advance O
seperti O
tipe-tipe O
bangunan. O
informasi O

Deteksi O
Bangunan O
Wilayah O
Perkotaan O
Menggunakan O
Deep O
Learning O
Berbasis O
Objek O
dengan O
Arsitektur O
YOLO O
pada O
Citra O
Satelit O
Studi O
Kasus O
: O
DKI O
Jakarta O
Wahidya O
Nurkarim O
( O
221810650 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
SST O
, O
M.T O
Ringkasan— O
Bangunan O
merupakan O
fitur O
yang O
paling O
terlihat O
di O
daerah O
perkotaan. O
Pendeteksian O
bangunan O
dari O
penginderaan O
jauh O
memiliki O
peranan O
penting O
dalam O
mengambil O
kebijakan O
seperti O
perencanaan O
dan O
pengembangan O
kota. O
Dalam O
aspek O
official O
statistics O
, O
deteksi O
bangunan O
berpotensi O
untuk O
digunakan O
pada O
geotagging O
landmark O
bangunan. O
Penelitian O
ini O
bertujuan O
untuk O
mendeteksi B-TUJUAN
dan I-TUJUAN
menghitung I-TUJUAN
bangunan I-TUJUAN
wilayah I-TUJUAN
perkotaan I-TUJUAN
secara I-TUJUAN
otomatis I-TUJUAN
dengan I-TUJUAN
memanfaatkan I-TUJUAN
teknik I-TUJUAN
deep I-TUJUAN
learning I-TUJUAN
dan I-TUJUAN
ketersediaan I-TUJUAN
data I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
pada I-TUJUAN
resolusi I-TUJUAN
yang I-TUJUAN
tinggi. I-TUJUAN
Model O
pre-trained O
dibangun O
menggunakan O
arsitektur O
You B-METODE
Only I-METODE
Look I-METODE
Once I-METODE
( I-METODE
YOLO I-METODE
) I-METODE
lalu O
digunakan O
untuk O
melakukan O
fine O
tuning O
terhadap O
data O
wilayah O
studi O
pada O
tiga O
kategori O
wilayah O
: O
terpadat O
, O
menengah O
, O
dan O
terjarang O
, O
sehingga O
menghasilkan O
model O
fine-tuned O
mampu O
mengdeteksi O
bangunan O
dan O
memiliki O
performa O
tertinggi O
hingga O
80 O
% O
pada O
wilayah O
dengan O
kepadatan O
bangunan O
menengah O
di O
Kelurahan O
Kembangan O
Utara O
, O
Jakarta O
Barat. O
Dari O
penelitian O
ini O
, O
dapat O
disimpulkan O
bahwa O
model B-TEMUAN
dapat I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
mendeteksi I-TEMUAN
bangunan I-TEMUAN
di I-TEMUAN
wilayah I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
batasan I-TEMUAN
yang I-TEMUAN
jelas I-TEMUAN
antara I-TEMUAN
satu I-TEMUAN
bangunan I-TEMUAN
dengan I-TEMUAN
lainnya. I-TEMUAN
Hasil I-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
menawarkan I-TEMUAN
implementasi I-TEMUAN
praktis I-TEMUAN
yang I-TEMUAN
potensial I-TEMUAN
untuk I-TEMUAN
perolehan I-TEMUAN
informasi I-TEMUAN
lokasi I-TEMUAN
bangunan I-TEMUAN
untuk I-TEMUAN
pemetaan I-TEMUAN
landmark I-TEMUAN
bangunan. I-TEMUAN
fine-tuned. O
Model O
Kata O
Kunci— O
bangunan O
, O
citra O
satelit O
, O
YOLO O
, O
object O
detection O
, O
penginderaan O
jauh O
[SEP] O
Dari O
hasil O
penelitian O
yang O
dilakukan O
, O
dapat O
disimpulkan O
bahwa O
model O
deep O
learning O
dengan O
arsitektur B-METODE
YOLO I-METODE
telah O
dibangun O
untuk O
deteksi O
bangunan O
berbasis O
objek O
pada O
citra B-METODE
satelit I-METODE
WorldView-3 I-METODE
untuk O
model O
pre-trained O
dan O
Microsoft O
Bing O
untuk O
model O
fine-tuned O
dengan O
Average O
Precision O
( O
AP O
) O
hingga O
80.64 O
% O
untuk O
wilayah O
menengah O
di O
provinsi O
DKI O
Jakarta. O
Hasil O
evaluasi O
model O
menunjukkan O
bahwa O
tingkat O
kepadatan O
dan O
tipe O
bangunan O
di O
provinsi O
DKI O
Jakarta O
sangat O
menantang O
dan O
mempengaruhi O
performa O
model. O
Performa O
terbaik O
diperoleh O
kelurahan O
Kembangan O
Utara. O
Wilayah O
terjarang O
dan O
menengah O
tidak O
memiliki O
selisih O
nilai O
AP O
yang O
begitu O
jauh O
jauh O
, O
namun O
evaluasi O
keduanya O
cukup O
dibandingkan O
wilayah O
terpadat. O
Hal O
ini O
menunjukkan O
bahwa O
model O
mendeteksi O
lebih O
baik O
pada O
wilayah O
dengan O
batasan O
yang O
jelas O
antara O
satu O
bangunan O
dengan O
lainnya. O
Dari B-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
model I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
proses I-TEMUAN
fine I-TEMUAN
tuning I-TEMUAN
pada I-TEMUAN
model I-TEMUAN
arsitektur I-TEMUAN
YOLO I-TEMUAN
terbukti I-TEMUAN
meningkatkan I-TEMUAN
performa I-TEMUAN
model I-TEMUAN
yang I-TEMUAN
naik I-TEMUAN
sebesar I-TEMUAN
14,85 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Hasil I-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
implementasi I-TEMUAN
praktis I-TEMUAN
yang I-TEMUAN
potensial I-TEMUAN
untuk I-TEMUAN
menawarkan I-TEMUAN
lokasi I-TEMUAN
bangunan I-TEMUAN
untuk I-TEMUAN
pemetaan I-TEMUAN
perolehan I-TEMUAN
landmark I-TEMUAN
bangunan I-TEMUAN
dan I-TEMUAN
infrastruktur I-TEMUAN
dalam I-TEMUAN
pemetaan I-TEMUAN
Wilayah I-TEMUAN
Kerja I-TEMUAN
Statistik. I-TEMUAN
Adapun O
saran O
untuk O
penelitian O
selanjutnya O
adalah O
metode O
yang O
sama O
dapat O
diterapkan O
di O
wilayah O
lain O
yang O
memiliki O
batasan O
yang O
jelas O
antara O
satu O
bangunan O
dengan O
lainnya O
, O
serta O
mendeteksi O
yang O
lebih O
advance O
seperti O
tipe-tipe O
bangunan. O
informasi O

Deteksi O
Bangunan O
Wilayah O
Perkotaan O
Menggunakan O
Deep O
Learning O
Berbasis O
Objek O
dengan O
Arsitektur O
YOLO O
pada O
Citra O
Satelit O
Studi O
Kasus O
: O
DKI O
Jakarta O
Wahidya O
Nurkarim O
( O
221810650 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
SST O
, O
M.T O
Ringkasan— O
Bangunan O
merupakan O
fitur O
yang O
paling O
terlihat O
di O
daerah O
perkotaan. O
Pendeteksian O
bangunan O
dari O
penginderaan O
jauh O
memiliki O
peranan O
penting O
dalam O
mengambil O
kebijakan O
seperti O
perencanaan O
dan O
pengembangan O
kota. O
Dalam O
aspek O
official O
statistics O
, O
deteksi O
bangunan O
berpotensi O
untuk O
digunakan O
pada O
geotagging O
landmark O
bangunan. O
Penelitian O
ini O
bertujuan O
untuk O
mendeteksi B-TUJUAN
dan I-TUJUAN
menghitung I-TUJUAN
bangunan I-TUJUAN
wilayah I-TUJUAN
perkotaan I-TUJUAN
secara I-TUJUAN
otomatis I-TUJUAN
dengan I-TUJUAN
memanfaatkan I-TUJUAN
teknik I-TUJUAN
deep I-TUJUAN
learning I-TUJUAN
dan I-TUJUAN
ketersediaan I-TUJUAN
data I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
pada I-TUJUAN
resolusi I-TUJUAN
yang I-TUJUAN
tinggi. I-TUJUAN
Model O
pre-trained O
dibangun O
menggunakan O
arsitektur O
You B-METODE
Only I-METODE
Look I-METODE
Once I-METODE
( I-METODE
YOLO I-METODE
) I-METODE
lalu O
digunakan O
untuk O
melakukan O
fine O
tuning O
terhadap O
data O
wilayah O
studi O
pada O
tiga O
kategori O
wilayah O
: O
terpadat O
, O
menengah O
, O
dan O
terjarang O
, O
sehingga O
menghasilkan O
model O
fine-tuned O
mampu O
mengdeteksi O
bangunan O
dan O
memiliki O
performa O
tertinggi O
hingga O
80 O
% O
pada O
wilayah O
dengan O
kepadatan O
bangunan O
menengah O
di O
Kelurahan O
Kembangan O
Utara O
, O
Jakarta O
Barat. O
Dari O
penelitian O
ini O
, O
dapat O
disimpulkan O
bahwa O
model B-TEMUAN
dapat I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
mendeteksi I-TEMUAN
bangunan I-TEMUAN
di I-TEMUAN
wilayah I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
batasan I-TEMUAN
yang I-TEMUAN
jelas I-TEMUAN
antara I-TEMUAN
satu I-TEMUAN
bangunan I-TEMUAN
dengan I-TEMUAN
lainnya. I-TEMUAN
Hasil I-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
menawarkan I-TEMUAN
implementasi I-TEMUAN
praktis I-TEMUAN
yang I-TEMUAN
potensial I-TEMUAN
untuk I-TEMUAN
perolehan I-TEMUAN
informasi I-TEMUAN
lokasi I-TEMUAN
bangunan I-TEMUAN
untuk I-TEMUAN
pemetaan I-TEMUAN
landmark I-TEMUAN
bangunan. I-TEMUAN
fine-tuned. O
Model O
Kata O
Kunci— O
bangunan O
, O
citra O
satelit O
, O
YOLO O
, O
object O
detection O
, O
penginderaan O
jauh O
[SEP] O
Dari O
hasil O
penelitian O
yang O
dilakukan O
, O
dapat O
disimpulkan O
bahwa O
model O
deep O
learning O
dengan O
arsitektur B-METODE
YOLO I-METODE
telah O
dibangun O
untuk O
deteksi O
bangunan O
berbasis O
objek O
pada O
citra B-METODE
satelit I-METODE
WorldView-3 I-METODE
untuk O
model O
pre-trained O
dan O
Microsoft O
Bing O
untuk O
model O
fine-tuned O
dengan O
Average O
Precision O
( O
AP O
) O
hingga O
80.64 O
% O
untuk O
wilayah O
menengah O
di O
provinsi O
DKI O
Jakarta. O
Hasil O
evaluasi O
model O
menunjukkan O
bahwa O
tingkat O
kepadatan O
dan O
tipe O
bangunan O
di O
provinsi O
DKI O
Jakarta O
sangat O
menantang O
dan O
mempengaruhi O
performa O
model. O
Performa O
terbaik O
diperoleh O
kelurahan O
Kembangan O
Utara. O
Wilayah O
terjarang O
dan O
menengah O
tidak O
memiliki O
selisih O
nilai O
AP O
yang O
begitu O
jauh O
jauh O
, O
namun O
evaluasi O
keduanya O
cukup O
dibandingkan O
wilayah O
terpadat. O
Hal O
ini O
menunjukkan O
bahwa O
model O
mendeteksi O
lebih O
baik O
pada O
wilayah O
dengan O
batasan O
yang O
jelas O
antara O
satu O
bangunan O
dengan O
lainnya. O
Dari B-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
model I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
proses I-TEMUAN
fine I-TEMUAN
tuning I-TEMUAN
pada I-TEMUAN
model I-TEMUAN
arsitektur I-TEMUAN
YOLO I-TEMUAN
terbukti I-TEMUAN
meningkatkan I-TEMUAN
performa I-TEMUAN
model I-TEMUAN
yang I-TEMUAN
naik I-TEMUAN
sebesar I-TEMUAN
14,85 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Hasil I-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
implementasi I-TEMUAN
praktis I-TEMUAN
yang I-TEMUAN
potensial I-TEMUAN
untuk I-TEMUAN
menawarkan I-TEMUAN
lokasi I-TEMUAN
bangunan I-TEMUAN
untuk I-TEMUAN
pemetaan I-TEMUAN
perolehan I-TEMUAN
landmark I-TEMUAN
bangunan I-TEMUAN
dan I-TEMUAN
infrastruktur I-TEMUAN
dalam I-TEMUAN
pemetaan I-TEMUAN
Wilayah I-TEMUAN
Kerja I-TEMUAN
Statistik. I-TEMUAN
Adapun O
saran O
untuk O
penelitian O
selanjutnya O
adalah O
metode O
yang O
sama O
dapat O
diterapkan O
di O
wilayah O
lain O
yang O
memiliki O
batasan O
yang O
jelas O
antara O
satu O
bangunan O
dengan O
lainnya O
, O
serta O
mendeteksi O
yang O
lebih O
advance O
seperti O
tipe-tipe O
bangunan. O
informasi O

Deteksi O
Bangunan O
Wilayah O
Perkotaan O
Menggunakan O
Deep O
Learning O
Berbasis O
Objek O
dengan O
Arsitektur O
YOLO O
pada O
Citra O
Satelit O
Studi O
Kasus O
: O
DKI O
Jakarta O
Wahidya O
Nurkarim O
( O
221810650 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
SST O
, O
M.T O
Ringkasan— O
Bangunan O
merupakan O
fitur O
yang O
paling O
terlihat O
di O
daerah O
perkotaan. O
Pendeteksian O
bangunan O
dari O
penginderaan O
jauh O
memiliki O
peranan O
penting O
dalam O
mengambil O
kebijakan O
seperti O
perencanaan O
dan O
pengembangan O
kota. O
Dalam O
aspek O
official O
statistics O
, O
deteksi O
bangunan O
berpotensi O
untuk O
digunakan O
pada O
geotagging O
landmark O
bangunan. O
Penelitian O
ini O
bertujuan O
untuk O
mendeteksi B-TUJUAN
dan I-TUJUAN
menghitung I-TUJUAN
bangunan I-TUJUAN
wilayah I-TUJUAN
perkotaan I-TUJUAN
secara I-TUJUAN
otomatis I-TUJUAN
dengan I-TUJUAN
memanfaatkan I-TUJUAN
teknik I-TUJUAN
deep I-TUJUAN
learning I-TUJUAN
dan I-TUJUAN
ketersediaan I-TUJUAN
data I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
pada I-TUJUAN
resolusi I-TUJUAN
yang I-TUJUAN
tinggi. I-TUJUAN
Model O
pre-trained O
dibangun O
menggunakan O
arsitektur O
You B-METODE
Only I-METODE
Look I-METODE
Once I-METODE
( I-METODE
YOLO I-METODE
) I-METODE
lalu O
digunakan O
untuk O
melakukan O
fine O
tuning O
terhadap O
data O
wilayah O
studi O
pada O
tiga O
kategori O
wilayah O
: O
terpadat O
, O
menengah O
, O
dan O
terjarang O
, O
sehingga O
menghasilkan O
model O
fine-tuned O
mampu O
mengdeteksi O
bangunan O
dan O
memiliki O
performa O
tertinggi O
hingga O
80 O
% O
pada O
wilayah O
dengan O
kepadatan O
bangunan O
menengah O
di O
Kelurahan O
Kembangan O
Utara O
, O
Jakarta O
Barat. O
Dari O
penelitian O
ini O
, O
dapat O
disimpulkan O
bahwa O
model B-TEMUAN
dapat I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
mendeteksi I-TEMUAN
bangunan I-TEMUAN
di I-TEMUAN
wilayah I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
batasan I-TEMUAN
yang I-TEMUAN
jelas I-TEMUAN
antara I-TEMUAN
satu I-TEMUAN
bangunan I-TEMUAN
dengan I-TEMUAN
lainnya. I-TEMUAN
Hasil I-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
menawarkan I-TEMUAN
implementasi I-TEMUAN
praktis I-TEMUAN
yang I-TEMUAN
potensial I-TEMUAN
untuk I-TEMUAN
perolehan I-TEMUAN
informasi I-TEMUAN
lokasi I-TEMUAN
bangunan I-TEMUAN
untuk I-TEMUAN
pemetaan I-TEMUAN
landmark I-TEMUAN
bangunan. I-TEMUAN
fine-tuned. O
Model O
Kata O
Kunci— O
bangunan O
, O
citra O
satelit O
, O
YOLO O
, O
object O
detection O
, O
penginderaan O
jauh O
[SEP] O
Dari O
hasil O
penelitian O
yang O
dilakukan O
, O
dapat O
disimpulkan O
bahwa O
model O
deep O
learning O
dengan O
arsitektur B-METODE
YOLO I-METODE
telah O
dibangun O
untuk O
deteksi O
bangunan O
berbasis O
objek O
pada O
citra B-METODE
satelit I-METODE
WorldView-3 I-METODE
untuk O
model O
pre-trained O
dan O
Microsoft O
Bing O
untuk O
model O
fine-tuned O
dengan O
Average O
Precision O
( O
AP O
) O
hingga O
80.64 O
% O
untuk O
wilayah O
menengah O
di O
provinsi O
DKI O
Jakarta. O
Hasil O
evaluasi O
model O
menunjukkan O
bahwa O
tingkat O
kepadatan O
dan O
tipe O
bangunan O
di O
provinsi O
DKI O
Jakarta O
sangat O
menantang O
dan O
mempengaruhi O
performa O
model. O
Performa O
terbaik O
diperoleh O
kelurahan O
Kembangan O
Utara. O
Wilayah O
terjarang O
dan O
menengah O
tidak O
memiliki O
selisih O
nilai O
AP O
yang O
begitu O
jauh O
jauh O
, O
namun O
evaluasi O
keduanya O
cukup O
dibandingkan O
wilayah O
terpadat. O
Hal O
ini O
menunjukkan O
bahwa O
model O
mendeteksi O
lebih O
baik O
pada O
wilayah O
dengan O
batasan O
yang O
jelas O
antara O
satu O
bangunan O
dengan O
lainnya. O
Dari B-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
model I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
proses I-TEMUAN
fine I-TEMUAN
tuning I-TEMUAN
pada I-TEMUAN
model I-TEMUAN
arsitektur I-TEMUAN
YOLO I-TEMUAN
terbukti I-TEMUAN
meningkatkan I-TEMUAN
performa I-TEMUAN
model I-TEMUAN
yang I-TEMUAN
naik I-TEMUAN
sebesar I-TEMUAN
14,85 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Hasil I-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
implementasi I-TEMUAN
praktis I-TEMUAN
yang I-TEMUAN
potensial I-TEMUAN
untuk I-TEMUAN
menawarkan I-TEMUAN
lokasi I-TEMUAN
bangunan I-TEMUAN
untuk I-TEMUAN
pemetaan I-TEMUAN
perolehan I-TEMUAN
landmark I-TEMUAN
bangunan I-TEMUAN
dan I-TEMUAN
infrastruktur I-TEMUAN
dalam I-TEMUAN
pemetaan I-TEMUAN
Wilayah I-TEMUAN
Kerja I-TEMUAN
Statistik. I-TEMUAN
Adapun O
saran O
untuk O
penelitian O
selanjutnya O
adalah O
metode O
yang O
sama O
dapat O
diterapkan O
di O
wilayah O
lain O
yang O
memiliki O
batasan O
yang O
jelas O
antara O
satu O
bangunan O
dengan O
lainnya O
, O
serta O
mendeteksi O
yang O
lebih O
advance O
seperti O
tipe-tipe O
bangunan. O
informasi O

Pembangunan O
Sistem O
Informasi O
Praktik O
Kerja O
Lapangan O
Berbasis O
Web O
Studi O
Kasus O
: O
BPS O
Kota O
Malang O
Viona O
Febriana O
( O
221810647 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
SST. O
, O
M.T. O
Ringkasan—BPS O
Kota O
Malang O
menyelenggarakan O
kegiatan O
PKL O
dengan O
batas O
peserta O
sebanyak O
16 O
peserta O
setiap O
harinya. O
Sistem O
pendaftaran O
, O
absensi O
, O
dan O
pencatatan O
laporan O
aktivitas O
harian O
PKL O
masih O
dilakukan O
secara O
konvensional. O
Hal O
ini O
menyebabkan O
proses O
pendaftaran O
menjadi O
tidak O
efisien. O
Selain O
itu O
, O
terdapat O
kesalahan O
dalam O
perhitungan O
absensi O
dan O
laporan O
aktivitas O
harian O
tidak O
terdokumentasi O
dengan O
baik. O
Agar O
kegiatan O
PKL O
dapat O
berjalan O
dengan O
efektif O
dan O
efisien O
seiring O
dengan O
perkembangan O
teknologi O
saat O
ini O
, O
peneliti O
berencana O
membangun B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
PKL I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
yang I-TUJUAN
menyediakan I-TUJUAN
informasi I-TUJUAN
pendaftaran I-TUJUAN
, I-TUJUAN
absensi I-TUJUAN
dan I-TUJUAN
laporan I-TUJUAN
aktivitas I-TUJUAN
harian. I-TUJUAN
Metode O
yang O
digunakan O
adalah O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
waterfall I-METODE
, O
dengan O
menggunakan O
framework O
Codeigniter O
4. O
Hasil O
pengujian O
black-box O
menunjukkan O
bahwa O
seluruh O
fitur O
sistem O
dapat O
berjalan O
sesuai O
harapan. O
Skor O
Akhir O
dari O
evaluasi O
usability O
menggunakan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
adalah O
sebesar O
74.791. O
Hal O
ini O
mengindikasikan O
bahwa O
sistem B-TEMUAN
informasi I-TEMUAN
PKL I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
di I-TEMUAN
BPS I-TEMUAN
Kota I-TEMUAN
Malang I-TEMUAN
termasuk I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
acceptable I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci—Praktik O
Kerja O
Lapangan O
, O
Waterfall O
, O
Codeigniter O
4 O
, O
black-box O
, O
System O
Usability O
Scale. O
[SEP] O
Berdasarkan O
penelitian O
yang O
sudah O
dilakukan O
, O
diperoleh O
hasil O
dan O
kesimpulan O
sementara O
sebagai O
berikut O
: O
1. O
Telah O
berhasil O
dibangun O
sebuah O
sistem O
informasi O
PKL O
berbasis O
web O
pada O
BPS O
Kota O
Malang O
dengan O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
Waterfall. I-METODE
2. O
Berdasarkan O
pengujian O
blackbox B-METODE
pada O
21 O
fitur O
dan O
36 O
skenario O
, O
hasil O
sistem O
dapat O
berjalan O
sesuai O
dengan O
harapan. O
Sementara O
itu O
, O
hasil O
pengujian O
SUS O
diperoleh O
rata-rata O
skor O
SUS B-METODE
sebesar O
74.791 O
, O
artinya O
sistem O
dapat O
diterima O
dengan O
baik O
oleh O
pengguna. O
Peneliti O
menyadari O
terdapat O
beberapa O
keterbatasan O
dalam O
pembangunan O
sistem. O
Adapun O
beberapa O
saran O
yang O
dapat O
diberikan O
adalah O
sebagai O
berikut O
: O
1. O
Menambahkan O
fitur O
hasil O
cetak O
laporan O
/ O
reporting. O
Hal O
tersebut O
dapat O
memudahkan O
peserta O
PKL O
dalam O
menyusun O
laporan O
akhir O
PKL. O
2. O
Menambahkan O
pembimbing O
lapangan O
per O
seksi O
agar O
memudahkan O
pembimbing O
lapangan O
dalam O
mengatur O
peserta O
PKL O
sesuai O
dengan O
seksi O
masing-masing. O
3. O
Menambahkan O
fitur O
untuk O
penilaian O
akhir O
peserta O
Gambar O
16. O
Dashboard O
Pembimbing O
Lapangan O
PKL. O
10. O
Dashboard O
Admin O
Halaman O
dashboard O
admin O
pada O
Gambar O
17 O
berisi O
informasi O
master O
data O
ringkasan O
dari O
total O
data O
yang O
ada. O
Gambar O
17. O
Dashboard O
Admin O
H. O
Evaluasi O
dan O
Pengujian O
ini O
Pengujian O
dan O
evaluasi O
sistem O
pada O
penelitian O
menggunakan O
metode O
Black-box O
testing O
dan O
System O
Usability O
Scale O
( O
SUS O
) O
. O
Black-box O
testing O
dilakukan O
dengan O
menguji O
21 O
fitur O
yang O
berhasil O
dibangun O
dengan O
36 O
skenario. O
Pengujian O
dilakukan O
oleh O
pembimbing O
lapangan O
, O
dan O
peserta O
PKL O
di O
BPS O
Kota O
Malang. O
Berdasarkan O
uji O
coba O
tersebut O
, O
seluruh O
fitur O
dan O
skenario O
dapat O
berjalan O
sesuai O
dengan O
yang O
harapan. O
Evaluasi O
usability O
menggunakan O
SUS O
dilakukan O
dengan O
menyebarkan O
kuesioner O
kepada O
peserta O
PKL O
dan O
pembimbing O
lapangan O
di O
BPS O
Kota O
Malang. O
Kuesioner O
diberikan O
dalam O
Google O
Formulir O
yang O
disebarkan O
melalui O
Whatsapp O
atau O
secara O
langsung. O
Dari O
hasil O
penyebaran O
kuesioner O
, O
terdapat O
12 O
4. O
Pada O
sistem O
ini O
fitur O
absen O
dengan O
lokasi O
hanya O
dapat O
dilakukan O
pada O
perangkat O
peserta O
PKL O
yang O
mendukung O
akses O
lokasi. O
Oleh O
karena O
itu O
perlu O
adanya O
penelitian O
selanjutnya O
untuk O
mengembangkan O
fitur O
absen O
dengan O
lokasi O
yang O
lebih O
akurat. O

Pembangunan O
Sistem O
Informasi O
Praktik O
Kerja O
Lapangan O
Berbasis O
Web O
Studi O
Kasus O
: O
BPS O
Kota O
Malang O
Viona O
Febriana O
( O
221810647 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
SST. O
, O
M.T. O
Ringkasan—BPS O
Kota O
Malang O
menyelenggarakan O
kegiatan O
PKL O
dengan O
batas O
peserta O
sebanyak O
16 O
peserta O
setiap O
harinya. O
Sistem O
pendaftaran O
, O
absensi O
, O
dan O
pencatatan O
laporan O
aktivitas O
harian O
PKL O
masih O
dilakukan O
secara O
konvensional. O
Hal O
ini O
menyebabkan O
proses O
pendaftaran O
menjadi O
tidak O
efisien. O
Selain O
itu O
, O
terdapat O
kesalahan O
dalam O
perhitungan O
absensi O
dan O
laporan O
aktivitas O
harian O
tidak O
terdokumentasi O
dengan O
baik. O
Agar O
kegiatan O
PKL O
dapat O
berjalan O
dengan O
efektif O
dan O
efisien O
seiring O
dengan O
perkembangan O
teknologi O
saat O
ini O
, O
peneliti O
berencana O
membangun B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
PKL I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
yang I-TUJUAN
menyediakan I-TUJUAN
informasi I-TUJUAN
pendaftaran I-TUJUAN
, I-TUJUAN
absensi I-TUJUAN
dan I-TUJUAN
laporan I-TUJUAN
aktivitas I-TUJUAN
harian. I-TUJUAN
Metode O
yang O
digunakan O
adalah O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
waterfall I-METODE
, O
dengan O
menggunakan O
framework O
Codeigniter O
4. O
Hasil O
pengujian O
black-box O
menunjukkan O
bahwa O
seluruh O
fitur O
sistem O
dapat O
berjalan O
sesuai O
harapan. O
Skor O
Akhir O
dari O
evaluasi O
usability O
menggunakan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
adalah O
sebesar O
74.791. O
Hal O
ini O
mengindikasikan O
bahwa O
sistem B-TEMUAN
informasi I-TEMUAN
PKL I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
di I-TEMUAN
BPS I-TEMUAN
Kota I-TEMUAN
Malang I-TEMUAN
termasuk I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
acceptable I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci—Praktik O
Kerja O
Lapangan O
, O
Waterfall O
, O
Codeigniter O
4 O
, O
black-box O
, O
System O
Usability O
Scale. O
[SEP] O
Berdasarkan O
penelitian O
yang O
sudah O
dilakukan O
, O
diperoleh O
hasil O
dan O
kesimpulan O
sementara O
sebagai O
berikut O
: O
1. O
Telah O
berhasil O
dibangun O
sebuah O
sistem O
informasi O
PKL O
berbasis O
web O
pada O
BPS O
Kota O
Malang O
dengan O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
Waterfall. I-METODE
2. O
Berdasarkan O
pengujian O
blackbox B-METODE
pada O
21 O
fitur O
dan O
36 O
skenario O
, O
hasil O
sistem O
dapat O
berjalan O
sesuai O
dengan O
harapan. O
Sementara O
itu O
, O
hasil O
pengujian O
SUS O
diperoleh O
rata-rata O
skor O
SUS B-METODE
sebesar O
74.791 O
, O
artinya O
sistem O
dapat O
diterima O
dengan O
baik O
oleh O
pengguna. O
Peneliti O
menyadari O
terdapat O
beberapa O
keterbatasan O
dalam O
pembangunan O
sistem. O
Adapun O
beberapa O
saran O
yang O
dapat O
diberikan O
adalah O
sebagai O
berikut O
: O
1. O
Menambahkan O
fitur O
hasil O
cetak O
laporan O
/ O
reporting. O
Hal O
tersebut O
dapat O
memudahkan O
peserta O
PKL O
dalam O
menyusun O
laporan O
akhir O
PKL. O
2. O
Menambahkan O
pembimbing O
lapangan O
per O
seksi O
agar O
memudahkan O
pembimbing O
lapangan O
dalam O
mengatur O
peserta O
PKL O
sesuai O
dengan O
seksi O
masing-masing. O
3. O
Menambahkan O
fitur O
untuk O
penilaian O
akhir O
peserta O
Gambar O
16. O
Dashboard O
Pembimbing O
Lapangan O
PKL. O
10. O
Dashboard O
Admin O
Halaman O
dashboard O
admin O
pada O
Gambar O
17 O
berisi O
informasi O
master O
data O
ringkasan O
dari O
total O
data O
yang O
ada. O
Gambar O
17. O
Dashboard O
Admin O
H. O
Evaluasi O
dan O
Pengujian O
ini O
Pengujian O
dan O
evaluasi O
sistem O
pada O
penelitian O
menggunakan O
metode O
Black-box O
testing O
dan O
System O
Usability O
Scale O
( O
SUS O
) O
. O
Black-box O
testing O
dilakukan O
dengan O
menguji O
21 O
fitur O
yang O
berhasil O
dibangun O
dengan O
36 O
skenario. O
Pengujian O
dilakukan O
oleh O
pembimbing O
lapangan O
, O
dan O
peserta O
PKL O
di O
BPS O
Kota O
Malang. O
Berdasarkan O
uji O
coba O
tersebut O
, O
seluruh O
fitur O
dan O
skenario O
dapat O
berjalan O
sesuai O
dengan O
yang O
harapan. O
Evaluasi O
usability O
menggunakan O
SUS O
dilakukan O
dengan O
menyebarkan O
kuesioner O
kepada O
peserta O
PKL O
dan O
pembimbing O
lapangan O
di O
BPS O
Kota O
Malang. O
Kuesioner O
diberikan O
dalam O
Google O
Formulir O
yang O
disebarkan O
melalui O
Whatsapp O
atau O
secara O
langsung. O
Dari O
hasil O
penyebaran O
kuesioner O
, O
terdapat O
12 O
4. O
Pada O
sistem O
ini O
fitur O
absen O
dengan O
lokasi O
hanya O
dapat O
dilakukan O
pada O
perangkat O
peserta O
PKL O
yang O
mendukung O
akses O
lokasi. O
Oleh O
karena O
itu O
perlu O
adanya O
penelitian O
selanjutnya O
untuk O
mengembangkan O
fitur O
absen O
dengan O
lokasi O
yang O
lebih O
akurat. O

Pembangunan O
Sistem O
Informasi O
Praktik O
Kerja O
Lapangan O
Berbasis O
Web O
Studi O
Kasus O
: O
BPS O
Kota O
Malang O
Viona O
Febriana O
( O
221810647 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
SST. O
, O
M.T. O
Ringkasan—BPS O
Kota O
Malang O
menyelenggarakan O
kegiatan O
PKL O
dengan O
batas O
peserta O
sebanyak O
16 O
peserta O
setiap O
harinya. O
Sistem O
pendaftaran O
, O
absensi O
, O
dan O
pencatatan O
laporan O
aktivitas O
harian O
PKL O
masih O
dilakukan O
secara O
konvensional. O
Hal O
ini O
menyebabkan O
proses O
pendaftaran O
menjadi O
tidak O
efisien. O
Selain O
itu O
, O
terdapat O
kesalahan O
dalam O
perhitungan O
absensi O
dan O
laporan O
aktivitas O
harian O
tidak O
terdokumentasi O
dengan O
baik. O
Agar O
kegiatan O
PKL O
dapat O
berjalan O
dengan O
efektif O
dan O
efisien O
seiring O
dengan O
perkembangan O
teknologi O
saat O
ini O
, O
peneliti O
berencana O
membangun B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
PKL I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
yang I-TUJUAN
menyediakan I-TUJUAN
informasi I-TUJUAN
pendaftaran I-TUJUAN
, I-TUJUAN
absensi I-TUJUAN
dan I-TUJUAN
laporan I-TUJUAN
aktivitas I-TUJUAN
harian. I-TUJUAN
Metode O
yang O
digunakan O
adalah O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
waterfall I-METODE
, O
dengan O
menggunakan O
framework O
Codeigniter O
4. O
Hasil O
pengujian O
black-box O
menunjukkan O
bahwa O
seluruh O
fitur O
sistem O
dapat O
berjalan O
sesuai O
harapan. O
Skor O
Akhir O
dari O
evaluasi O
usability O
menggunakan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
adalah O
sebesar O
74.791. O
Hal O
ini O
mengindikasikan O
bahwa O
sistem B-TEMUAN
informasi I-TEMUAN
PKL I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
di I-TEMUAN
BPS I-TEMUAN
Kota I-TEMUAN
Malang I-TEMUAN
termasuk I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
acceptable I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci—Praktik O
Kerja O
Lapangan O
, O
Waterfall O
, O
Codeigniter O
4 O
, O
black-box O
, O
System O
Usability O
Scale. O
[SEP] O
Berdasarkan O
penelitian O
yang O
sudah O
dilakukan O
, O
diperoleh O
hasil O
dan O
kesimpulan O
sementara O
sebagai O
berikut O
: O
1. O
Telah O
berhasil O
dibangun O
sebuah O
sistem O
informasi O
PKL O
berbasis O
web O
pada O
BPS O
Kota O
Malang O
dengan O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
Waterfall. I-METODE
2. O
Berdasarkan O
pengujian O
blackbox B-METODE
pada O
21 O
fitur O
dan O
36 O
skenario O
, O
hasil O
sistem O
dapat O
berjalan O
sesuai O
dengan O
harapan. O
Sementara O
itu O
, O
hasil O
pengujian O
SUS O
diperoleh O
rata-rata O
skor O
SUS B-METODE
sebesar O
74.791 O
, O
artinya O
sistem O
dapat O
diterima O
dengan O
baik O
oleh O
pengguna. O
Peneliti O
menyadari O
terdapat O
beberapa O
keterbatasan O
dalam O
pembangunan O
sistem. O
Adapun O
beberapa O
saran O
yang O
dapat O
diberikan O
adalah O
sebagai O
berikut O
: O
1. O
Menambahkan O
fitur O
hasil O
cetak O
laporan O
/ O
reporting. O
Hal O
tersebut O
dapat O
memudahkan O
peserta O
PKL O
dalam O
menyusun O
laporan O
akhir O
PKL. O
2. O
Menambahkan O
pembimbing O
lapangan O
per O
seksi O
agar O
memudahkan O
pembimbing O
lapangan O
dalam O
mengatur O
peserta O
PKL O
sesuai O
dengan O
seksi O
masing-masing. O
3. O
Menambahkan O
fitur O
untuk O
penilaian O
akhir O
peserta O
Gambar O
16. O
Dashboard O
Pembimbing O
Lapangan O
PKL. O
10. O
Dashboard O
Admin O
Halaman O
dashboard O
admin O
pada O
Gambar O
17 O
berisi O
informasi O
master O
data O
ringkasan O
dari O
total O
data O
yang O
ada. O
Gambar O
17. O
Dashboard O
Admin O
H. O
Evaluasi O
dan O
Pengujian O
ini O
Pengujian O
dan O
evaluasi O
sistem O
pada O
penelitian O
menggunakan O
metode O
Black-box O
testing O
dan O
System O
Usability O
Scale O
( O
SUS O
) O
. O
Black-box O
testing O
dilakukan O
dengan O
menguji O
21 O
fitur O
yang O
berhasil O
dibangun O
dengan O
36 O
skenario. O
Pengujian O
dilakukan O
oleh O
pembimbing O
lapangan O
, O
dan O
peserta O
PKL O
di O
BPS O
Kota O
Malang. O
Berdasarkan O
uji O
coba O
tersebut O
, O
seluruh O
fitur O
dan O
skenario O
dapat O
berjalan O
sesuai O
dengan O
yang O
harapan. O
Evaluasi O
usability O
menggunakan O
SUS O
dilakukan O
dengan O
menyebarkan O
kuesioner O
kepada O
peserta O
PKL O
dan O
pembimbing O
lapangan O
di O
BPS O
Kota O
Malang. O
Kuesioner O
diberikan O
dalam O
Google O
Formulir O
yang O
disebarkan O
melalui O
Whatsapp O
atau O
secara O
langsung. O
Dari O
hasil O
penyebaran O
kuesioner O
, O
terdapat O
12 O
4. O
Pada O
sistem O
ini O
fitur O
absen O
dengan O
lokasi O
hanya O
dapat O
dilakukan O
pada O
perangkat O
peserta O
PKL O
yang O
mendukung O
akses O
lokasi. O
Oleh O
karena O
itu O
perlu O
adanya O
penelitian O
selanjutnya O
untuk O
mengembangkan O
fitur O
absen O
dengan O
lokasi O
yang O
lebih O
akurat. O

Pembangunan O
R-Package O
Model O
Rao-Yu O
dengan O
Pendekatan O
Hierarchical O
Bayes O
pada O
Small O
Area O
Estimation O
Velia O
Tri O
Marliana O
( O
221810642 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Azka O
Ubaidillah O
Ringkasan— O
Small O
Area O
Estimation O
( O
SAE O
) O
adalah O
metode O
pendugaan O
parameter O
sub-populasi O
yang O
digunakan O
untuk O
menangani O
masalah O
kurangnya O
sampel. O
SAE O
menggunakan O
variabel O
penyerta O
yang O
biasanya O
didapatkan O
dari O
sensus O
atau O
catatan O
administratif. O
SAE O
juga O
menambahkan O
komponen O
acak O
area O
pada O
model. O
Terdapat O
dua O
model O
pada O
SAE O
, O
yaitu O
model O
area O
level O
dan O
unit O
level. O
Model O
area O
level O
lebih O
sering O
digunakan O
karena O
variabel O
penyerta O
seringkali O
hanya O
tersedia O
pada O
level O
area. O
Model O
Fay-Herriot O
adalah O
model O
dasar O
dari O
SAE O
yang O
dapat O
digunakan O
pada O
data O
cross O
section. O
Sementara O
itu O
, O
untuk O
data O
panel O
dapat O
diestimasi O
menggunakan O
model O
Rao-Yu. O
SAE O
model O
Rao-Yu O
merupakan O
pengembangan O
dari O
SAE O
model O
Fay-Herriot O
dengan O
menambahkan O
komponen O
acak O
waktu-area O
yang O
mengikuti O
proses O
autoregresif O
satu O
AR O
( O
1 O
) O
. O
Dalam O
menduga O
parameternya O
, O
salah O
satu O
metode O
yang O
sering O
digunakan O
adalah O
metode O
hierarchical O
bayes O
( O
HB O
) O
. O
Namun O
, O
belum O
terdapat O
tools O
untuk O
model O
Rao-Yu O
dengan O
pendekatan O
HB. O
Penelitian O
ini O
membangun B-TUJUAN
R-Package I-TUJUAN
untuk O
model O
tersebut. B-TEMUAN
Peneliti I-TEMUAN
berhasil I-TEMUAN
membangun I-TEMUAN
package I-TEMUAN
‘saeHB.panel’ I-TEMUAN
untuk I-TEMUAN
model I-TEMUAN
Rao-Yu I-TEMUAN
dengan I-TEMUAN
pendekatan I-TEMUAN
HB I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
diakses I-TEMUAN
pada I-TEMUAN
situs I-TEMUAN
CRAN. I-TEMUAN
Berdasarkan I-TEMUAN
uji I-TEMUAN
validitas I-TEMUAN
serta I-TEMUAN
studi I-TEMUAN
kasus I-TEMUAN
yang I-TEMUAN
dilakukan I-TEMUAN
, I-TEMUAN
package I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
telah I-TEMUAN
diuji I-TEMUAN
dan I-TEMUAN
layak I-TEMUAN
digunakan. I-TEMUAN
Kata O
Kunci— O
survei O
, O
SAE O
, O
Rao-Yu O
, O
hierarchical O
bayes O
, O
R O
[SEP] O
Berikut O
beberapa O
kesimpulan O
dari O
hasil O
keseluruhan O
proses O
penelitian O
serta O
saran O
yang O
dapat O
dilakukan O
oleh O
peneliti O
selanjutnya O
: O
1. O
Pembangunan O
R-Package O
untuk O
model O
Rao-Yu O
pendekatan O
HB O
telah O
berhasil O
dilakukan O
dengan O
nama O
‘saeHB.panel’ O
dan O
dapat O
diakses O
pada O
CRAN O
( O
The O
Comprehensive O
R O
Archive O
Network O
) O
di O
laman O
https O
: O
/ O
/ O
cran.r- O
project.org O
/ O
web O
/ O
packages O
/ O
saeHB.panel O
/ O
index.html O
2. O
Berdasarkan O
hasil O
uji B-METODE
validitas I-METODE
yang O
dilakukan O
dengan O
data O
simulasi O
, O
package O
‘saeHB.panel O
menghasilkan O
nilai O
MSE B-METODE
yang O
lebih O
kecil O
dari O
metode O
estimasi O
langsung O
maupun O
metode O
SAE O
model O
Rao-Yu O
EBLUP O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
3. O
Model O
Rao-Yu O
berhasil O
pendekatan O
HB O
diimplementasikan O
pada O
data O
studi O
kasus. O
Hasilnya O
menunjukkan O
pola O
variabel O
respon O
yang O
sudah O
sesuai O
dengan O
nilai O
estimasi O
langsung O
dan O
RSE O
yang O
dihasilkan O
lebih O
kecil O
dari O
kedua O
metode O
lainnya. O
telah O
Dalam O
penelitian O
ini O
, O
masih O
terdapat O
beberapa O
hal O
yang O
belum O
tercakup O
dalam O
Batasan O
penelitian. O
Berikut O
saran O
yang O
dapat O
dilakukan O
untuk O
penelitian O
selanjutnya O
, O
yaitu O
: O
1. O
Estimasi O
area O
kecil O
pada O
data O
panel O
dalam O
penelitian O
ini O
terbatas O
pada O
model O
Rao-Yu. O
Sedangkan O
, O
terdapat O
beberapa O
model O
lain O
yang O
telah O
dikembangkan O
dan O
dapat O
digunakan O
untuk O
estimasi O
area O
kecil O
untuk O
data O
panel. O
2. O
Perlu O
dilakukan O
kajian O
mengenai O
model O
Rao-Yu O
pendekatan O
HB O
untuk O
data O
panel O
yang O
tidak O
berdistribusi O
normal O
serta O
kasus O
data O
panel O
unbalance O
di O
periode O
tertentu. O
3. O
Model O
Rao-Yu O
pada O
penelitian O
ini O
terbatas O
pada O
level O
area O
, O
tidak O
dapat O
digunakan O
untuk O
level O
unit. O
Perlu O
kajian O
dan O
pengembangan O
untuk O
model O
Rao-Yu O
pendekatan O
HB O
pada O
level O
unit. O
4. O
Pemilihan O
variabel O
penyerta O
pada O
penerapan O
studi O
kasus O
dapat O
dilakukan O
dengan O
lebih O
baik O
lagi O
berdasarkan O
pembagian O
jenis O
kelamin O
, O
misalnya O
menggunakan O
data O
Podes O
yang O
tersedia O
setiap O
tahun. O

Pembangunan O
R-Package O
Model O
Rao-Yu O
dengan O
Pendekatan O
Hierarchical O
Bayes O
pada O
Small O
Area O
Estimation O
Velia O
Tri O
Marliana O
( O
221810642 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Azka O
Ubaidillah O
Ringkasan— O
Small O
Area O
Estimation O
( O
SAE O
) O
adalah O
metode O
pendugaan O
parameter O
sub-populasi O
yang O
digunakan O
untuk O
menangani O
masalah O
kurangnya O
sampel. O
SAE O
menggunakan O
variabel O
penyerta O
yang O
biasanya O
didapatkan O
dari O
sensus O
atau O
catatan O
administratif. O
SAE O
juga O
menambahkan O
komponen O
acak O
area O
pada O
model. O
Terdapat O
dua O
model O
pada O
SAE O
, O
yaitu O
model O
area O
level O
dan O
unit O
level. O
Model O
area O
level O
lebih O
sering O
digunakan O
karena O
variabel O
penyerta O
seringkali O
hanya O
tersedia O
pada O
level O
area. O
Model O
Fay-Herriot O
adalah O
model O
dasar O
dari O
SAE O
yang O
dapat O
digunakan O
pada O
data O
cross O
section. O
Sementara O
itu O
, O
untuk O
data O
panel O
dapat O
diestimasi O
menggunakan O
model O
Rao-Yu. O
SAE O
model O
Rao-Yu O
merupakan O
pengembangan O
dari O
SAE O
model O
Fay-Herriot O
dengan O
menambahkan O
komponen O
acak O
waktu-area O
yang O
mengikuti O
proses O
autoregresif O
satu O
AR O
( O
1 O
) O
. O
Dalam O
menduga O
parameternya O
, O
salah O
satu O
metode O
yang O
sering O
digunakan O
adalah O
metode O
hierarchical O
bayes O
( O
HB O
) O
. O
Namun O
, O
belum O
terdapat O
tools O
untuk O
model O
Rao-Yu O
dengan O
pendekatan O
HB. O
Penelitian O
ini O
membangun B-TUJUAN
R-Package I-TUJUAN
untuk O
model O
tersebut. B-TEMUAN
Peneliti I-TEMUAN
berhasil I-TEMUAN
membangun I-TEMUAN
package I-TEMUAN
‘saeHB.panel’ I-TEMUAN
untuk I-TEMUAN
model I-TEMUAN
Rao-Yu I-TEMUAN
dengan I-TEMUAN
pendekatan I-TEMUAN
HB I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
diakses I-TEMUAN
pada I-TEMUAN
situs I-TEMUAN
CRAN. I-TEMUAN
Berdasarkan I-TEMUAN
uji I-TEMUAN
validitas I-TEMUAN
serta I-TEMUAN
studi I-TEMUAN
kasus I-TEMUAN
yang I-TEMUAN
dilakukan I-TEMUAN
, I-TEMUAN
package I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
telah I-TEMUAN
diuji I-TEMUAN
dan I-TEMUAN
layak I-TEMUAN
digunakan. I-TEMUAN
Kata O
Kunci— O
survei O
, O
SAE O
, O
Rao-Yu O
, O
hierarchical O
bayes O
, O
R O
[SEP] O
Berikut O
beberapa O
kesimpulan O
dari O
hasil O
keseluruhan O
proses O
penelitian O
serta O
saran O
yang O
dapat O
dilakukan O
oleh O
peneliti O
selanjutnya O
: O
1. O
Pembangunan O
R-Package O
untuk O
model O
Rao-Yu O
pendekatan O
HB O
telah O
berhasil O
dilakukan O
dengan O
nama O
‘saeHB.panel’ O
dan O
dapat O
diakses O
pada O
CRAN O
( O
The O
Comprehensive O
R O
Archive O
Network O
) O
di O
laman O
https O
: O
/ O
/ O
cran.r- O
project.org O
/ O
web O
/ O
packages O
/ O
saeHB.panel O
/ O
index.html O
2. O
Berdasarkan O
hasil O
uji B-METODE
validitas I-METODE
yang O
dilakukan O
dengan O
data O
simulasi O
, O
package O
‘saeHB.panel O
menghasilkan O
nilai O
MSE B-METODE
yang O
lebih O
kecil O
dari O
metode O
estimasi O
langsung O
maupun O
metode O
SAE O
model O
Rao-Yu O
EBLUP O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
3. O
Model O
Rao-Yu O
berhasil O
pendekatan O
HB O
diimplementasikan O
pada O
data O
studi O
kasus. O
Hasilnya O
menunjukkan O
pola O
variabel O
respon O
yang O
sudah O
sesuai O
dengan O
nilai O
estimasi O
langsung O
dan O
RSE O
yang O
dihasilkan O
lebih O
kecil O
dari O
kedua O
metode O
lainnya. O
telah O
Dalam O
penelitian O
ini O
, O
masih O
terdapat O
beberapa O
hal O
yang O
belum O
tercakup O
dalam O
Batasan O
penelitian. O
Berikut O
saran O
yang O
dapat O
dilakukan O
untuk O
penelitian O
selanjutnya O
, O
yaitu O
: O
1. O
Estimasi O
area O
kecil O
pada O
data O
panel O
dalam O
penelitian O
ini O
terbatas O
pada O
model O
Rao-Yu. O
Sedangkan O
, O
terdapat O
beberapa O
model O
lain O
yang O
telah O
dikembangkan O
dan O
dapat O
digunakan O
untuk O
estimasi O
area O
kecil O
untuk O
data O
panel. O
2. O
Perlu O
dilakukan O
kajian O
mengenai O
model O
Rao-Yu O
pendekatan O
HB O
untuk O
data O
panel O
yang O
tidak O
berdistribusi O
normal O
serta O
kasus O
data O
panel O
unbalance O
di O
periode O
tertentu. O
3. O
Model O
Rao-Yu O
pada O
penelitian O
ini O
terbatas O
pada O
level O
area O
, O
tidak O
dapat O
digunakan O
untuk O
level O
unit. O
Perlu O
kajian O
dan O
pengembangan O
untuk O
model O
Rao-Yu O
pendekatan O
HB O
pada O
level O
unit. O
4. O
Pemilihan O
variabel O
penyerta O
pada O
penerapan O
studi O
kasus O
dapat O
dilakukan O
dengan O
lebih O
baik O
lagi O
berdasarkan O
pembagian O
jenis O
kelamin O
, O
misalnya O
menggunakan O
data O
Podes O
yang O
tersedia O
setiap O
tahun. O

Analisis O
Sentimen O
untuk O
Mendeteksi O
Indikasi O
Self- O
Harm O
pada O
Pengguna O
Twitter O
di O
Indonesia O
Varadinya O
Sholaita O
( O
221810641 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Nucke O
Widowati O
Kusumo O
Projo O
, O
S.Si O
, O
M.Sc O
, O
Ph.D O
sentimen O
Twitter O
Ringkasan— O
Analisis O
telah O
banyak O
diterapkan O
untuk O
menganalisis O
opini O
publik O
dan O
menghasilkan O
performa O
yang O
baik O
, O
sehingga O
dapat O
dimanfaatkan O
untuk O
menganalisis O
tweet O
mengenai O
self-harm O
atau O
perilaku O
menyakiti O
diri O
sendiri. O
Self-harm O
dapat O
berujung O
pada O
bunuh O
diri O
jika O
tidak O
ditangani. O
Oleh O
karena O
itu O
, O
diperlukan O
pendeteksian O
dini O
dengan O
melihat O
indikasi O
self-harm O
pada O
seseorang O
agar O
masalah O
tersebut O
dapat O
ditangani O
secara O
efektif. O
Penelitian O
ini O
bertujuan O
untuk O
mendeteksi B-TUJUAN
indikasi I-TUJUAN
self-harm I-TUJUAN
dengan I-TUJUAN
melakukan I-TUJUAN
analisis I-TUJUAN
sentimen I-TUJUAN
pada I-TUJUAN
tweet I-TUJUAN
yang I-TUJUAN
diunggah I-TUJUAN
oleh I-TUJUAN
pengguna I-TUJUAN
Twitter I-TUJUAN
berbahasa I-TUJUAN
Indonesia. I-TUJUAN
Data O
tweet O
diklasifikasikan O
menggunakan O
metode O
Support O
Vector O
Machine O
( O
SVM O
) O
. O
Hasil O
klasifikasi O
menunjukkan O
bahwa O
pengguna O
Twitter O
perempuan O
dan O
pengguna O
Twitter O
berumur O
18 O
tahun O
ke O
bawah O
merupakan O
kelompok O
yang O
paling O
berpotensi O
melakukan O
self-harm O
di O
Indonesia. O
Tweet O
terindikasi O
self-harm O
paling O
banyak O
diunggah O
pada O
siang O
hingga O
sore O
hari O
dan O
pada O
hari O
kerja. O
Tidak O
terdapat O
pola O
tertentu O
yang O
terbentuk O
dari O
tweet O
terindikasi O
self-harm O
yang O
diunggah O
berdasarkan O
tanggal. B-TEMUAN
Penerapan I-TEMUAN
metode I-TEMUAN
SVM I-TEMUAN
sudah I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
dalam I-TEMUAN
mendeteksi I-TEMUAN
indikasi I-TEMUAN
self-harm I-TEMUAN
pada I-TEMUAN
pengguna I-TEMUAN
Twitter I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
81,124 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Kata O
Kunci— O
Analisis O
Sentimen O
, O
Self-Harm O
, O
Twitter O
, O
Support O
Vector O
Machine O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
penelitian O
berupa O
analisis B-METODE
sentimen I-METODE
untuk O
mendeteksi O
indikasi O
self-harm O
pada O
pengguna O
Twitter O
di O
Indonesia O
, O
diperoleh O
beberapa O
kesimpulan O
sebagai O
berikut. O
1. O
Terdapat O
22,90 O
% O
pengguna O
Twitter O
hasil O
klasifikasi O
yang O
mengunggah O
tweet O
mengenai O
self-harm O
terindikasi O
self- O
harm. O
Kelompok O
yang O
paling O
berpotensi O
melakukan O
self- O
harm O
di O
Indonesia O
yaitu O
perempuan O
sebesar O
62,50 O
% O
dari O
total O
pengguna O
yang O
terindikasi O
self-harm O
dan O
pengguna O
Twitter O
berumur O
18 O
tahun O
ke O
bawah O
sebesar O
64,66 O
% O
dari O
total O
pengguna O
yang O
terindikasi O
self-harm. O
2. O
Pengguna O
Twitter O
terindikasi O
cenderung O
mengunggah O
tweet O
yang O
menunjukkan O
indikasi O
self-harm O
pada O
siang O
hingga O
sore O
hari O
dan O
pada O
hari O
kerja. O
Tidak O
terdapat O
pola O
tertentu O
yang O
terbentuk O
dari O
jumlah O
perilaku O
self-harm O
yang O
dilakukan O
berdasarkan O
tanggal. O
self-harm O
Gambar O
6. O
Jumlah O
tweet O
terindikasi O
self-harm O
berdasarkan O
hari O
Berdasarkan O
Gambar O
6 O
, O
terlihat O
bahwa O
tweet O
terindikasi O
self- O
harm O
lebih O
banyak O
muncul O
pada O
hari O
kerja O
dibandingkan O
dengan O
akhir O
pekan O
atau O
hari O
sabtu O
dan O
minggu. O
Hari O
rabu O
, O
kamis O
, O
dan O
jumat O
merupakan O
hari-hari O
dengan O
jumlah O
tweet O
terindikasi O
self-harm O
terbanyak O
, O
yang O
puncaknya O
terdapat O
pada O
hari O
jumat. O
Sama O
halnya O
dengan O
tweet O
terindikasi O
self-harm O
berdasarkan O
waktu O
, O
terdapat O
kemungkinan O
bahwa O
tekanan O
hidup O
pada O
hari O
kerja O
memengaruhi O
seseorang O
dalam O
melakukan O
self-harm O
seperti O
pada O
referensi O
[ O
7 O
] O
. O
5 O
) O
Tweet O
Terindikasi O
Self-Harm O
Berdasarkan O
Tanggal O
Gambar O
7. O
Jumlah O
tweet O
terindikasi O
self-harm O
berdasarkan O
tanggal O
Tidak O
terdapat O
pola O
tertentu O
yang O
terbentuk O
dari O
jumlah O
tweet O
terindikasi O
self-harm O
yang O
diunggah O
berdasarkan O
tanggal. O
Tanggal O
3 O
menjadi O
tanggal O
dengan O
jumlah O
tweet O
terindikasi O
3. O
Metode B-TEMUAN
Support I-TEMUAN
Vector I-TEMUAN
Machine I-TEMUAN
sudah I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
dalam I-TEMUAN
mendeteksi I-TEMUAN
indikasi I-TEMUAN
self-harm I-TEMUAN
pada I-TEMUAN
pengguna I-TEMUAN
Twitter I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
81,124 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
B. O
Saran O
Terdapat O
beberapa O
saran O
yang O
dapat O
dipertimbangkan O
untuk O
penelitian O
selanjutnya O
sebagai O
berikut. O
1. O
Pada O
penelitian O
ini O
, O
kata O
kunci O
yang O
digunakan O
hanya O
mengacu O
pada O
kuesioner O
DSHI. O
Diharapkan O
pada O
penelitian O
selanjutnya O
menggunakan O
kata O
kunci O
lain O
yang O
representatif O
terhadap O
perilaku O
self-harm O
di O
Indonesia. O
Kata O
kunci O
lain O
dapat O
berasal O
dari O
kata-kata O
terkait O
self-harm O
pada O
word O
cloud O
tweet O
hasil O
klasifikasi O
berlabel O
positif O
, O
seperti O
silet O
, O
cutter O
, O
dan O
luka. O
2. O
Melibatkan O
bantuan O
dari O
tenaga O
profesional O
yang O
lebih O
paham O
mengenai O
self-harm O
dalam O
proses O
pelabelan O
manual O
agar O
diperoleh O
hasil O
pelabelan O
yang O
lebih O
akurat. O
lain O
untuk O
membandingkan O
performa O
metode O
lain O
dengan O
metode O
SVM O
pada O
penelitian O
ini O
sehingga O
dapat O
diperoleh O
performa O
terbaik. O
3. O
Menggunakan O
klasifikasi B-METODE
metode O

Analisis O
Sentimen O
untuk O
Mendeteksi O
Indikasi O
Self- O
Harm O
pada O
Pengguna O
Twitter O
di O
Indonesia O
Varadinya O
Sholaita O
( O
221810641 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Nucke O
Widowati O
Kusumo O
Projo O
, O
S.Si O
, O
M.Sc O
, O
Ph.D O
sentimen O
Twitter O
Ringkasan— O
Analisis O
telah O
banyak O
diterapkan O
untuk O
menganalisis O
opini O
publik O
dan O
menghasilkan O
performa O
yang O
baik O
, O
sehingga O
dapat O
dimanfaatkan O
untuk O
menganalisis O
tweet O
mengenai O
self-harm O
atau O
perilaku O
menyakiti O
diri O
sendiri. O
Self-harm O
dapat O
berujung O
pada O
bunuh O
diri O
jika O
tidak O
ditangani. O
Oleh O
karena O
itu O
, O
diperlukan O
pendeteksian O
dini O
dengan O
melihat O
indikasi O
self-harm O
pada O
seseorang O
agar O
masalah O
tersebut O
dapat O
ditangani O
secara O
efektif. O
Penelitian O
ini O
bertujuan O
untuk O
mendeteksi B-TUJUAN
indikasi I-TUJUAN
self-harm I-TUJUAN
dengan I-TUJUAN
melakukan I-TUJUAN
analisis I-TUJUAN
sentimen I-TUJUAN
pada I-TUJUAN
tweet I-TUJUAN
yang I-TUJUAN
diunggah I-TUJUAN
oleh I-TUJUAN
pengguna I-TUJUAN
Twitter I-TUJUAN
berbahasa I-TUJUAN
Indonesia. I-TUJUAN
Data O
tweet O
diklasifikasikan O
menggunakan O
metode O
Support O
Vector O
Machine O
( O
SVM O
) O
. O
Hasil O
klasifikasi O
menunjukkan O
bahwa O
pengguna O
Twitter O
perempuan O
dan O
pengguna O
Twitter O
berumur O
18 O
tahun O
ke O
bawah O
merupakan O
kelompok O
yang O
paling O
berpotensi O
melakukan O
self-harm O
di O
Indonesia. O
Tweet O
terindikasi O
self-harm O
paling O
banyak O
diunggah O
pada O
siang O
hingga O
sore O
hari O
dan O
pada O
hari O
kerja. O
Tidak O
terdapat O
pola O
tertentu O
yang O
terbentuk O
dari O
tweet O
terindikasi O
self-harm O
yang O
diunggah O
berdasarkan O
tanggal. B-TEMUAN
Penerapan I-TEMUAN
metode I-TEMUAN
SVM I-TEMUAN
sudah I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
dalam I-TEMUAN
mendeteksi I-TEMUAN
indikasi I-TEMUAN
self-harm I-TEMUAN
pada I-TEMUAN
pengguna I-TEMUAN
Twitter I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
81,124 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Kata O
Kunci— O
Analisis O
Sentimen O
, O
Self-Harm O
, O
Twitter O
, O
Support O
Vector O
Machine O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
penelitian O
berupa O
analisis B-METODE
sentimen I-METODE
untuk O
mendeteksi O
indikasi O
self-harm O
pada O
pengguna O
Twitter O
di O
Indonesia O
, O
diperoleh O
beberapa O
kesimpulan O
sebagai O
berikut. O
1. O
Terdapat O
22,90 O
% O
pengguna O
Twitter O
hasil O
klasifikasi O
yang O
mengunggah O
tweet O
mengenai O
self-harm O
terindikasi O
self- O
harm. O
Kelompok O
yang O
paling O
berpotensi O
melakukan O
self- O
harm O
di O
Indonesia O
yaitu O
perempuan O
sebesar O
62,50 O
% O
dari O
total O
pengguna O
yang O
terindikasi O
self-harm O
dan O
pengguna O
Twitter O
berumur O
18 O
tahun O
ke O
bawah O
sebesar O
64,66 O
% O
dari O
total O
pengguna O
yang O
terindikasi O
self-harm. O
2. O
Pengguna O
Twitter O
terindikasi O
cenderung O
mengunggah O
tweet O
yang O
menunjukkan O
indikasi O
self-harm O
pada O
siang O
hingga O
sore O
hari O
dan O
pada O
hari O
kerja. O
Tidak O
terdapat O
pola O
tertentu O
yang O
terbentuk O
dari O
jumlah O
perilaku O
self-harm O
yang O
dilakukan O
berdasarkan O
tanggal. O
self-harm O
Gambar O
6. O
Jumlah O
tweet O
terindikasi O
self-harm O
berdasarkan O
hari O
Berdasarkan O
Gambar O
6 O
, O
terlihat O
bahwa O
tweet O
terindikasi O
self- O
harm O
lebih O
banyak O
muncul O
pada O
hari O
kerja O
dibandingkan O
dengan O
akhir O
pekan O
atau O
hari O
sabtu O
dan O
minggu. O
Hari O
rabu O
, O
kamis O
, O
dan O
jumat O
merupakan O
hari-hari O
dengan O
jumlah O
tweet O
terindikasi O
self-harm O
terbanyak O
, O
yang O
puncaknya O
terdapat O
pada O
hari O
jumat. O
Sama O
halnya O
dengan O
tweet O
terindikasi O
self-harm O
berdasarkan O
waktu O
, O
terdapat O
kemungkinan O
bahwa O
tekanan O
hidup O
pada O
hari O
kerja O
memengaruhi O
seseorang O
dalam O
melakukan O
self-harm O
seperti O
pada O
referensi O
[ O
7 O
] O
. O
5 O
) O
Tweet O
Terindikasi O
Self-Harm O
Berdasarkan O
Tanggal O
Gambar O
7. O
Jumlah O
tweet O
terindikasi O
self-harm O
berdasarkan O
tanggal O
Tidak O
terdapat O
pola O
tertentu O
yang O
terbentuk O
dari O
jumlah O
tweet O
terindikasi O
self-harm O
yang O
diunggah O
berdasarkan O
tanggal. O
Tanggal O
3 O
menjadi O
tanggal O
dengan O
jumlah O
tweet O
terindikasi O
3. O
Metode B-TEMUAN
Support I-TEMUAN
Vector I-TEMUAN
Machine I-TEMUAN
sudah I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
dalam I-TEMUAN
mendeteksi I-TEMUAN
indikasi I-TEMUAN
self-harm I-TEMUAN
pada I-TEMUAN
pengguna I-TEMUAN
Twitter I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
81,124 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
B. O
Saran O
Terdapat O
beberapa O
saran O
yang O
dapat O
dipertimbangkan O
untuk O
penelitian O
selanjutnya O
sebagai O
berikut. O
1. O
Pada O
penelitian O
ini O
, O
kata O
kunci O
yang O
digunakan O
hanya O
mengacu O
pada O
kuesioner O
DSHI. O
Diharapkan O
pada O
penelitian O
selanjutnya O
menggunakan O
kata O
kunci O
lain O
yang O
representatif O
terhadap O
perilaku O
self-harm O
di O
Indonesia. O
Kata O
kunci O
lain O
dapat O
berasal O
dari O
kata-kata O
terkait O
self-harm O
pada O
word O
cloud O
tweet O
hasil O
klasifikasi O
berlabel O
positif O
, O
seperti O
silet O
, O
cutter O
, O
dan O
luka. O
2. O
Melibatkan O
bantuan O
dari O
tenaga O
profesional O
yang O
lebih O
paham O
mengenai O
self-harm O
dalam O
proses O
pelabelan O
manual O
agar O
diperoleh O
hasil O
pelabelan O
yang O
lebih O
akurat. O
lain O
untuk O
membandingkan O
performa O
metode O
lain O
dengan O
metode O
SVM O
pada O
penelitian O
ini O
sehingga O
dapat O
diperoleh O
performa O
terbaik. O
3. O
Menggunakan O
klasifikasi B-METODE
metode O

Analisis O
Sentimen O
untuk O
Mendeteksi O
Indikasi O
Self- O
Harm O
pada O
Pengguna O
Twitter O
di O
Indonesia O
Varadinya O
Sholaita O
( O
221810641 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Nucke O
Widowati O
Kusumo O
Projo O
, O
S.Si O
, O
M.Sc O
, O
Ph.D O
sentimen O
Twitter O
Ringkasan— O
Analisis O
telah O
banyak O
diterapkan O
untuk O
menganalisis O
opini O
publik O
dan O
menghasilkan O
performa O
yang O
baik O
, O
sehingga O
dapat O
dimanfaatkan O
untuk O
menganalisis O
tweet O
mengenai O
self-harm O
atau O
perilaku O
menyakiti O
diri O
sendiri. O
Self-harm O
dapat O
berujung O
pada O
bunuh O
diri O
jika O
tidak O
ditangani. O
Oleh O
karena O
itu O
, O
diperlukan O
pendeteksian O
dini O
dengan O
melihat O
indikasi O
self-harm O
pada O
seseorang O
agar O
masalah O
tersebut O
dapat O
ditangani O
secara O
efektif. O
Penelitian O
ini O
bertujuan O
untuk O
mendeteksi B-TUJUAN
indikasi I-TUJUAN
self-harm I-TUJUAN
dengan I-TUJUAN
melakukan I-TUJUAN
analisis I-TUJUAN
sentimen I-TUJUAN
pada I-TUJUAN
tweet I-TUJUAN
yang I-TUJUAN
diunggah I-TUJUAN
oleh I-TUJUAN
pengguna I-TUJUAN
Twitter I-TUJUAN
berbahasa I-TUJUAN
Indonesia. I-TUJUAN
Data O
tweet O
diklasifikasikan O
menggunakan O
metode O
Support O
Vector O
Machine O
( O
SVM O
) O
. O
Hasil O
klasifikasi O
menunjukkan O
bahwa O
pengguna O
Twitter O
perempuan O
dan O
pengguna O
Twitter O
berumur O
18 O
tahun O
ke O
bawah O
merupakan O
kelompok O
yang O
paling O
berpotensi O
melakukan O
self-harm O
di O
Indonesia. O
Tweet O
terindikasi O
self-harm O
paling O
banyak O
diunggah O
pada O
siang O
hingga O
sore O
hari O
dan O
pada O
hari O
kerja. O
Tidak O
terdapat O
pola O
tertentu O
yang O
terbentuk O
dari O
tweet O
terindikasi O
self-harm O
yang O
diunggah O
berdasarkan O
tanggal. B-TEMUAN
Penerapan I-TEMUAN
metode I-TEMUAN
SVM I-TEMUAN
sudah I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
dalam I-TEMUAN
mendeteksi I-TEMUAN
indikasi I-TEMUAN
self-harm I-TEMUAN
pada I-TEMUAN
pengguna I-TEMUAN
Twitter I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
81,124 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Kata O
Kunci— O
Analisis O
Sentimen O
, O
Self-Harm O
, O
Twitter O
, O
Support O
Vector O
Machine O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
penelitian O
berupa O
analisis B-METODE
sentimen I-METODE
untuk O
mendeteksi O
indikasi O
self-harm O
pada O
pengguna O
Twitter O
di O
Indonesia O
, O
diperoleh O
beberapa O
kesimpulan O
sebagai O
berikut. O
1. O
Terdapat O
22,90 O
% O
pengguna O
Twitter O
hasil O
klasifikasi O
yang O
mengunggah O
tweet O
mengenai O
self-harm O
terindikasi O
self- O
harm. O
Kelompok O
yang O
paling O
berpotensi O
melakukan O
self- O
harm O
di O
Indonesia O
yaitu O
perempuan O
sebesar O
62,50 O
% O
dari O
total O
pengguna O
yang O
terindikasi O
self-harm O
dan O
pengguna O
Twitter O
berumur O
18 O
tahun O
ke O
bawah O
sebesar O
64,66 O
% O
dari O
total O
pengguna O
yang O
terindikasi O
self-harm. O
2. O
Pengguna O
Twitter O
terindikasi O
cenderung O
mengunggah O
tweet O
yang O
menunjukkan O
indikasi O
self-harm O
pada O
siang O
hingga O
sore O
hari O
dan O
pada O
hari O
kerja. O
Tidak O
terdapat O
pola O
tertentu O
yang O
terbentuk O
dari O
jumlah O
perilaku O
self-harm O
yang O
dilakukan O
berdasarkan O
tanggal. O
self-harm O
Gambar O
6. O
Jumlah O
tweet O
terindikasi O
self-harm O
berdasarkan O
hari O
Berdasarkan O
Gambar O
6 O
, O
terlihat O
bahwa O
tweet O
terindikasi O
self- O
harm O
lebih O
banyak O
muncul O
pada O
hari O
kerja O
dibandingkan O
dengan O
akhir O
pekan O
atau O
hari O
sabtu O
dan O
minggu. O
Hari O
rabu O
, O
kamis O
, O
dan O
jumat O
merupakan O
hari-hari O
dengan O
jumlah O
tweet O
terindikasi O
self-harm O
terbanyak O
, O
yang O
puncaknya O
terdapat O
pada O
hari O
jumat. O
Sama O
halnya O
dengan O
tweet O
terindikasi O
self-harm O
berdasarkan O
waktu O
, O
terdapat O
kemungkinan O
bahwa O
tekanan O
hidup O
pada O
hari O
kerja O
memengaruhi O
seseorang O
dalam O
melakukan O
self-harm O
seperti O
pada O
referensi O
[ O
7 O
] O
. O
5 O
) O
Tweet O
Terindikasi O
Self-Harm O
Berdasarkan O
Tanggal O
Gambar O
7. O
Jumlah O
tweet O
terindikasi O
self-harm O
berdasarkan O
tanggal O
Tidak O
terdapat O
pola O
tertentu O
yang O
terbentuk O
dari O
jumlah O
tweet O
terindikasi O
self-harm O
yang O
diunggah O
berdasarkan O
tanggal. O
Tanggal O
3 O
menjadi O
tanggal O
dengan O
jumlah O
tweet O
terindikasi O
3. O
Metode B-TEMUAN
Support I-TEMUAN
Vector I-TEMUAN
Machine I-TEMUAN
sudah I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
dalam I-TEMUAN
mendeteksi I-TEMUAN
indikasi I-TEMUAN
self-harm I-TEMUAN
pada I-TEMUAN
pengguna I-TEMUAN
Twitter I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
81,124 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
B. O
Saran O
Terdapat O
beberapa O
saran O
yang O
dapat O
dipertimbangkan O
untuk O
penelitian O
selanjutnya O
sebagai O
berikut. O
1. O
Pada O
penelitian O
ini O
, O
kata O
kunci O
yang O
digunakan O
hanya O
mengacu O
pada O
kuesioner O
DSHI. O
Diharapkan O
pada O
penelitian O
selanjutnya O
menggunakan O
kata O
kunci O
lain O
yang O
representatif O
terhadap O
perilaku O
self-harm O
di O
Indonesia. O
Kata O
kunci O
lain O
dapat O
berasal O
dari O
kata-kata O
terkait O
self-harm O
pada O
word O
cloud O
tweet O
hasil O
klasifikasi O
berlabel O
positif O
, O
seperti O
silet O
, O
cutter O
, O
dan O
luka. O
2. O
Melibatkan O
bantuan O
dari O
tenaga O
profesional O
yang O
lebih O
paham O
mengenai O
self-harm O
dalam O
proses O
pelabelan O
manual O
agar O
diperoleh O
hasil O
pelabelan O
yang O
lebih O
akurat. O
lain O
untuk O
membandingkan O
performa O
metode O
lain O
dengan O
metode O
SVM O
pada O
penelitian O
ini O
sehingga O
dapat O
diperoleh O
performa O
terbaik. O
3. O
Menggunakan O
klasifikasi B-METODE
metode O

ANALISIS O
SENTIMEN O
PUBLIK O
TERHADAP O
PROGRAM O
BANTUAN O
SOSIAL O
SELAMA O
PANDEMI O
MENGGUNAKAN O
DATA O
TWITTER O
Ulya O
Adiwena O
( O
221810637 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
S.S.T. O
, O
M.T.I. O
Ringkasan— O
Tahun O
2020 O
, O
penduduk O
dunia O
mengalami O
pandemi O
karena O
wabah O
Covid-19. O
Adanya O
pandemi O
membuat O
beberapa O
masyarakat O
kehilangan O
pekerjaannya. O
Sebagai O
bentuk O
tanggung O
jawab O
pemerintah O
, O
pemerintah O
kemudian O
melakukan O
program O
bantuan O
sosial. O
Namun O
, O
berdasarkan O
siaran O
pers O
Ombudsman O
RI O
telah O
diterima O
pengaduan O
mengenai O
masalah O
penyaluran O
bantuan O
sosial O
sebesar O
81,3 O
% O
dari O
1.004 O
total O
pengaduan. O
Selanjutnya O
untuk O
memaksimalkan O
program O
bantuan O
sosial O
dilakukan O
evaluasi O
pelaksanaan O
program O
bantuan O
sosial. O
Evaluasi O
dilakukan O
pada O
sosial O
media O
Twitter O
karena O
Twitter O
sebagai O
salah O
satu O
situs O
web O
microblogging O
terbesar. O
Penelitian B-TUJUAN
sentimen I-TUJUAN
ini I-TUJUAN
bertujuan I-TUJUAN
untuk I-TUJUAN
mendapatkan I-TUJUAN
masyarakat I-TUJUAN
pada I-TUJUAN
program I-TUJUAN
bantuan I-TUJUAN
sosial I-TUJUAN
selama I-TUJUAN
pandemi. I-TUJUAN
Penelitian O
ini O
menggunakan O
metodologi O
Naïve O
Bayes O
dan O
Support O
Vector O
Machine O
untuk O
menganalisis B-METODE
sentimen. I-METODE
Penelitian O
ini O
menggunakan O
dua O
metode O
karena O
untuk O
mengetahui O
metode O
terbaik O
dalam O
mengklasifikasikan O
data O
berdasarkan O
hasil O
nilai O
evaluasi. B-METODE
Dari O
hasil O
penelitian O
didapatkan O
sentimen B-TEMUAN
pada I-TEMUAN
program I-TEMUAN
bantuan I-TEMUAN
sosial I-TEMUAN
selama I-TEMUAN
pandemi I-TEMUAN
didominasi I-TEMUAN
oleh I-TEMUAN
sentimen I-TEMUAN
negatif. I-TEMUAN
Sedangkan O
untuk O
hasil O
perbandingan O
metode O
diperoleh O
metode O
Naïve O
Bayes O
dengan O
implementasi O
MultinomialNB O
sebagai O
metode O
terbaik O
untuk O
mengklasifikasikan O
opini O
masyarakat O
pada O
program O
bantuan O
sosial O
selama O
pandemi. O
Kata O
Kunci— O
Program O
bantuan O
sosial O
, O
evaluasi O
, O
sentimen O
, O
NBC O
, O
SVM. O
[SEP] O
1. O
Kesimpulan O
Berdasarkan O
hasil O
dari O
proses O
penelitian O
dan O
visualisasi O
hasil O
pada O
bab O
sebelumnya O
dapat O
disimpulkan O
bahwa O
: O
a. O
Sentimen O
masyarakat O
pada O
program O
bantuan O
sosial O
selama O
pandemi O
Covid-19 O
di O
media O
sosial O
Twitter O
dalam O
rentang O
waktu O
Januari O
2022 O
sampai O
dengan O
April O
2022 O
didominasi O
oleh O
twit O
negatif. B-TEMUAN
Hasil I-TEMUAN
sentimen I-TEMUAN
untuk I-TEMUAN
masing-masing I-TEMUAN
kelas I-TEMUAN
sebesar I-TEMUAN
66 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
kelas I-TEMUAN
negatif I-TEMUAN
, I-TEMUAN
18 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
kelas I-TEMUAN
positif I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
16 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
kelas I-TEMUAN
netral. I-TEMUAN
Berdasarkan O
kumpulan O
kata O
pada O
kelas O
sentimen O
negatif O
, O
respons O
negatif O
didominasi O
oleh O
kata O
korupsi. O
Hal O
tersebut O
diduga O
karena O
sebelum O
pergantian O
Menteri O
Sosial O
tahun O
2021 O
telah O
terjadi O
kasus O
korupsi O
dana O
bantuan O
sosial O
8 O
/ O
10 O
sehingga O
hal O
tersebut O
diduga O
mempengaruhi O
opini O
masyarakat O
atau O
publik. O
Selain O
itu O
, O
respons O
negatif O
yang O
ada O
diduga O
karena O
data O
penduduk O
yang O
tidak O
terintegrasi O
dan O
tidak O
adanya O
pembaharuan O
data O
penduduk O
penerima O
bansos O
sehingga O
dana O
bansos O
yang O
disalurkan O
ada O
yang O
tidak O
tepat O
sasaran. O
b. O
Berdasarkan O
penelitian O
ini O
metode O
terbaik O
untuk O
klasifikasi O
data O
opini O
masyarakat O
mengenai O
program O
bantuan O
sosial O
dengan O
menggunakan O
data O
Twitter O
adalah O
metode O
Naïve O
Bayes O
dengan O
implementasi O
MultinomialNB. O
Implementasi O
Naïve O
Bayes O
memberikan O
nilai O
F1 O
sebesar O
44,26 O
% O
dengan O
akurasi O
sebesar O
68,65 O
% O
dan O
nilai O
recall O
sebesar O
45,52 O
% O
. O
2. O
Saran O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
terdapat O
permasalahan O
pada O
hasil O
nilai O
akurasi O
yang O
rendah. O
Nilai O
akurasi O
yang O
rendah O
salah O
satunya O
disebabkan O
oleh O
data O
yang O
bersifat O
tidak O
seimbang O
atau O
imbalance O
data. O
Selain O
nilai O
akurasi O
yang O
rendah O
, O
nilai O
evaluasi O
recall O
juga O
memiliki O
nilai O
yang O
rendah O
yang O
disebabkan O
tingginya O
nilai O
FN. O
Tingginya O
FN O
bisa O
disebabkan O
salah O
satunya O
oleh O
kasus O
data O
tidak O
seimbang. O
Sehingga O
pada O
penelitian O
selanjutnya O
disarankan O
untuk O
melakukan O
beberapa O
perlakuan O
untuk O
mengatasi O
data O
yang O
bersifat O
tidak O
seimbang O
atau O
imbalance O
data. O
Selain O
itu O
, O
disarankan O
untuk O
melakukan O
pemeriksaan O
dengan O
metode O
lainnya O
karena O
pada O
penelitian O
ini O
dibatasi O
oleh O
metode O
Naïve O
Bayes O
dan O
SVM. O

ANALISIS O
SENTIMEN O
PUBLIK O
TERHADAP O
PROGRAM O
BANTUAN O
SOSIAL O
SELAMA O
PANDEMI O
MENGGUNAKAN O
DATA O
TWITTER O
Ulya O
Adiwena O
( O
221810637 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
S.S.T. O
, O
M.T.I. O
Ringkasan— O
Tahun O
2020 O
, O
penduduk O
dunia O
mengalami O
pandemi O
karena O
wabah O
Covid-19. O
Adanya O
pandemi O
membuat O
beberapa O
masyarakat O
kehilangan O
pekerjaannya. O
Sebagai O
bentuk O
tanggung O
jawab O
pemerintah O
, O
pemerintah O
kemudian O
melakukan O
program O
bantuan O
sosial. O
Namun O
, O
berdasarkan O
siaran O
pers O
Ombudsman O
RI O
telah O
diterima O
pengaduan O
mengenai O
masalah O
penyaluran O
bantuan O
sosial O
sebesar O
81,3 O
% O
dari O
1.004 O
total O
pengaduan. O
Selanjutnya O
untuk O
memaksimalkan O
program O
bantuan O
sosial O
dilakukan O
evaluasi O
pelaksanaan O
program O
bantuan O
sosial. O
Evaluasi O
dilakukan O
pada O
sosial O
media O
Twitter O
karena O
Twitter O
sebagai O
salah O
satu O
situs O
web O
microblogging O
terbesar. O
Penelitian B-TUJUAN
sentimen I-TUJUAN
ini I-TUJUAN
bertujuan I-TUJUAN
untuk I-TUJUAN
mendapatkan I-TUJUAN
masyarakat I-TUJUAN
pada I-TUJUAN
program I-TUJUAN
bantuan I-TUJUAN
sosial I-TUJUAN
selama I-TUJUAN
pandemi. I-TUJUAN
Penelitian O
ini O
menggunakan O
metodologi O
Naïve O
Bayes O
dan O
Support O
Vector O
Machine O
untuk O
menganalisis B-METODE
sentimen. I-METODE
Penelitian O
ini O
menggunakan O
dua O
metode O
karena O
untuk O
mengetahui O
metode O
terbaik O
dalam O
mengklasifikasikan O
data O
berdasarkan O
hasil O
nilai O
evaluasi. B-METODE
Dari O
hasil O
penelitian O
didapatkan O
sentimen B-TEMUAN
pada I-TEMUAN
program I-TEMUAN
bantuan I-TEMUAN
sosial I-TEMUAN
selama I-TEMUAN
pandemi I-TEMUAN
didominasi I-TEMUAN
oleh I-TEMUAN
sentimen I-TEMUAN
negatif. I-TEMUAN
Sedangkan O
untuk O
hasil O
perbandingan O
metode O
diperoleh O
metode O
Naïve O
Bayes O
dengan O
implementasi O
MultinomialNB O
sebagai O
metode O
terbaik O
untuk O
mengklasifikasikan O
opini O
masyarakat O
pada O
program O
bantuan O
sosial O
selama O
pandemi. O
Kata O
Kunci— O
Program O
bantuan O
sosial O
, O
evaluasi O
, O
sentimen O
, O
NBC O
, O
SVM. O
[SEP] O
1. O
Kesimpulan O
Berdasarkan O
hasil O
dari O
proses O
penelitian O
dan O
visualisasi O
hasil O
pada O
bab O
sebelumnya O
dapat O
disimpulkan O
bahwa O
: O
a. O
Sentimen O
masyarakat O
pada O
program O
bantuan O
sosial O
selama O
pandemi O
Covid-19 O
di O
media O
sosial O
Twitter O
dalam O
rentang O
waktu O
Januari O
2022 O
sampai O
dengan O
April O
2022 O
didominasi O
oleh O
twit O
negatif. B-TEMUAN
Hasil I-TEMUAN
sentimen I-TEMUAN
untuk I-TEMUAN
masing-masing I-TEMUAN
kelas I-TEMUAN
sebesar I-TEMUAN
66 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
kelas I-TEMUAN
negatif I-TEMUAN
, I-TEMUAN
18 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
kelas I-TEMUAN
positif I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
16 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
kelas I-TEMUAN
netral. I-TEMUAN
Berdasarkan O
kumpulan O
kata O
pada O
kelas O
sentimen O
negatif O
, O
respons O
negatif O
didominasi O
oleh O
kata O
korupsi. O
Hal O
tersebut O
diduga O
karena O
sebelum O
pergantian O
Menteri O
Sosial O
tahun O
2021 O
telah O
terjadi O
kasus O
korupsi O
dana O
bantuan O
sosial O
8 O
/ O
10 O
sehingga O
hal O
tersebut O
diduga O
mempengaruhi O
opini O
masyarakat O
atau O
publik. O
Selain O
itu O
, O
respons O
negatif O
yang O
ada O
diduga O
karena O
data O
penduduk O
yang O
tidak O
terintegrasi O
dan O
tidak O
adanya O
pembaharuan O
data O
penduduk O
penerima O
bansos O
sehingga O
dana O
bansos O
yang O
disalurkan O
ada O
yang O
tidak O
tepat O
sasaran. O
b. O
Berdasarkan O
penelitian O
ini O
metode O
terbaik O
untuk O
klasifikasi O
data O
opini O
masyarakat O
mengenai O
program O
bantuan O
sosial O
dengan O
menggunakan O
data O
Twitter O
adalah O
metode O
Naïve O
Bayes O
dengan O
implementasi O
MultinomialNB. O
Implementasi O
Naïve O
Bayes O
memberikan O
nilai O
F1 O
sebesar O
44,26 O
% O
dengan O
akurasi O
sebesar O
68,65 O
% O
dan O
nilai O
recall O
sebesar O
45,52 O
% O
. O
2. O
Saran O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
terdapat O
permasalahan O
pada O
hasil O
nilai O
akurasi O
yang O
rendah. O
Nilai O
akurasi O
yang O
rendah O
salah O
satunya O
disebabkan O
oleh O
data O
yang O
bersifat O
tidak O
seimbang O
atau O
imbalance O
data. O
Selain O
nilai O
akurasi O
yang O
rendah O
, O
nilai O
evaluasi O
recall O
juga O
memiliki O
nilai O
yang O
rendah O
yang O
disebabkan O
tingginya O
nilai O
FN. O
Tingginya O
FN O
bisa O
disebabkan O
salah O
satunya O
oleh O
kasus O
data O
tidak O
seimbang. O
Sehingga O
pada O
penelitian O
selanjutnya O
disarankan O
untuk O
melakukan O
beberapa O
perlakuan O
untuk O
mengatasi O
data O
yang O
bersifat O
tidak O
seimbang O
atau O
imbalance O
data. O
Selain O
itu O
, O
disarankan O
untuk O
melakukan O
pemeriksaan O
dengan O
metode O
lainnya O
karena O
pada O
penelitian O
ini O
dibatasi O
oleh O
metode O
Naïve O
Bayes O
dan O
SVM. O

ANALISIS O
SENTIMEN O
PUBLIK O
TERHADAP O
PROGRAM O
BANTUAN O
SOSIAL O
SELAMA O
PANDEMI O
MENGGUNAKAN O
DATA O
TWITTER O
Ulya O
Adiwena O
( O
221810637 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
S.S.T. O
, O
M.T.I. O
Ringkasan— O
Tahun O
2020 O
, O
penduduk O
dunia O
mengalami O
pandemi O
karena O
wabah O
Covid-19. O
Adanya O
pandemi O
membuat O
beberapa O
masyarakat O
kehilangan O
pekerjaannya. O
Sebagai O
bentuk O
tanggung O
jawab O
pemerintah O
, O
pemerintah O
kemudian O
melakukan O
program O
bantuan O
sosial. O
Namun O
, O
berdasarkan O
siaran O
pers O
Ombudsman O
RI O
telah O
diterima O
pengaduan O
mengenai O
masalah O
penyaluran O
bantuan O
sosial O
sebesar O
81,3 O
% O
dari O
1.004 O
total O
pengaduan. O
Selanjutnya O
untuk O
memaksimalkan O
program O
bantuan O
sosial O
dilakukan O
evaluasi O
pelaksanaan O
program O
bantuan O
sosial. O
Evaluasi O
dilakukan O
pada O
sosial O
media O
Twitter O
karena O
Twitter O
sebagai O
salah O
satu O
situs O
web O
microblogging O
terbesar. O
Penelitian B-TUJUAN
sentimen I-TUJUAN
ini I-TUJUAN
bertujuan I-TUJUAN
untuk I-TUJUAN
mendapatkan I-TUJUAN
masyarakat I-TUJUAN
pada I-TUJUAN
program I-TUJUAN
bantuan I-TUJUAN
sosial I-TUJUAN
selama I-TUJUAN
pandemi. I-TUJUAN
Penelitian O
ini O
menggunakan O
metodologi O
Naïve O
Bayes O
dan O
Support O
Vector O
Machine O
untuk O
menganalisis B-METODE
sentimen. I-METODE
Penelitian O
ini O
menggunakan O
dua O
metode O
karena O
untuk O
mengetahui O
metode O
terbaik O
dalam O
mengklasifikasikan O
data O
berdasarkan O
hasil O
nilai O
evaluasi. B-METODE
Dari O
hasil O
penelitian O
didapatkan O
sentimen B-TEMUAN
pada I-TEMUAN
program I-TEMUAN
bantuan I-TEMUAN
sosial I-TEMUAN
selama I-TEMUAN
pandemi I-TEMUAN
didominasi I-TEMUAN
oleh I-TEMUAN
sentimen I-TEMUAN
negatif. I-TEMUAN
Sedangkan O
untuk O
hasil O
perbandingan O
metode O
diperoleh O
metode O
Naïve O
Bayes O
dengan O
implementasi O
MultinomialNB O
sebagai O
metode O
terbaik O
untuk O
mengklasifikasikan O
opini O
masyarakat O
pada O
program O
bantuan O
sosial O
selama O
pandemi. O
Kata O
Kunci— O
Program O
bantuan O
sosial O
, O
evaluasi O
, O
sentimen O
, O
NBC O
, O
SVM. O
[SEP] O
1. O
Kesimpulan O
Berdasarkan O
hasil O
dari O
proses O
penelitian O
dan O
visualisasi O
hasil O
pada O
bab O
sebelumnya O
dapat O
disimpulkan O
bahwa O
: O
a. O
Sentimen O
masyarakat O
pada O
program O
bantuan O
sosial O
selama O
pandemi O
Covid-19 O
di O
media O
sosial O
Twitter O
dalam O
rentang O
waktu O
Januari O
2022 O
sampai O
dengan O
April O
2022 O
didominasi O
oleh O
twit O
negatif. B-TEMUAN
Hasil I-TEMUAN
sentimen I-TEMUAN
untuk I-TEMUAN
masing-masing I-TEMUAN
kelas I-TEMUAN
sebesar I-TEMUAN
66 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
kelas I-TEMUAN
negatif I-TEMUAN
, I-TEMUAN
18 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
kelas I-TEMUAN
positif I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
16 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
kelas I-TEMUAN
netral. I-TEMUAN
Berdasarkan O
kumpulan O
kata O
pada O
kelas O
sentimen O
negatif O
, O
respons O
negatif O
didominasi O
oleh O
kata O
korupsi. O
Hal O
tersebut O
diduga O
karena O
sebelum O
pergantian O
Menteri O
Sosial O
tahun O
2021 O
telah O
terjadi O
kasus O
korupsi O
dana O
bantuan O
sosial O
8 O
/ O
10 O
sehingga O
hal O
tersebut O
diduga O
mempengaruhi O
opini O
masyarakat O
atau O
publik. O
Selain O
itu O
, O
respons O
negatif O
yang O
ada O
diduga O
karena O
data O
penduduk O
yang O
tidak O
terintegrasi O
dan O
tidak O
adanya O
pembaharuan O
data O
penduduk O
penerima O
bansos O
sehingga O
dana O
bansos O
yang O
disalurkan O
ada O
yang O
tidak O
tepat O
sasaran. O
b. O
Berdasarkan O
penelitian O
ini O
metode O
terbaik O
untuk O
klasifikasi O
data O
opini O
masyarakat O
mengenai O
program O
bantuan O
sosial O
dengan O
menggunakan O
data O
Twitter O
adalah O
metode O
Naïve O
Bayes O
dengan O
implementasi O
MultinomialNB. O
Implementasi O
Naïve O
Bayes O
memberikan O
nilai O
F1 O
sebesar O
44,26 O
% O
dengan O
akurasi O
sebesar O
68,65 O
% O
dan O
nilai O
recall O
sebesar O
45,52 O
% O
. O
2. O
Saran O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
terdapat O
permasalahan O
pada O
hasil O
nilai O
akurasi O
yang O
rendah. O
Nilai O
akurasi O
yang O
rendah O
salah O
satunya O
disebabkan O
oleh O
data O
yang O
bersifat O
tidak O
seimbang O
atau O
imbalance O
data. O
Selain O
nilai O
akurasi O
yang O
rendah O
, O
nilai O
evaluasi O
recall O
juga O
memiliki O
nilai O
yang O
rendah O
yang O
disebabkan O
tingginya O
nilai O
FN. O
Tingginya O
FN O
bisa O
disebabkan O
salah O
satunya O
oleh O
kasus O
data O
tidak O
seimbang. O
Sehingga O
pada O
penelitian O
selanjutnya O
disarankan O
untuk O
melakukan O
beberapa O
perlakuan O
untuk O
mengatasi O
data O
yang O
bersifat O
tidak O
seimbang O
atau O
imbalance O
data. O
Selain O
itu O
, O
disarankan O
untuk O
melakukan O
pemeriksaan O
dengan O
metode O
lainnya O
karena O
pada O
penelitian O
ini O
dibatasi O
oleh O
metode O
Naïve O
Bayes O
dan O
SVM. O

Kompetensi O
yang O
dibutuhkan O
dari O
Pencari O
Kerja O
Bidang O
Teknologi O
Informasi O
di O
beberapa O
Lowongan O
Pekerjaan O
di O
JobStreet O
Tubagus O
Langlang O
Purwasasmita O
( O
221810634,4SD2 O
) O
Dosen O
Pembimbing O
: O
Waris O
Marsisno O
Ringkasan— O
Bidang O
teknologi O
informasi O
menjadi O
salah O
satu O
bidang O
yang O
berkembang O
cepat O
di O
pasar O
kerja O
saat O
ini. O
Terdapat O
kecenderungan O
dari O
para O
pencari O
kerja O
yaitu O
mereka O
melamar O
ke O
berbagai O
lowongan O
kerja O
tanpa O
benar-benar O
memperhatikan O
persyaratan O
yang O
dibutuhkan. O
Kondisi O
tersebut O
memperkecil O
peluang O
pencari O
kerja O
untuk O
diterima O
di O
pasar O
kerja. O
Penelitian O
ini O
dimaksudkan O
untuk O
mengidentifikasi B-TUJUAN
kebutuhan I-TUJUAN
kompetensi I-TUJUAN
informasi. I-TUJUAN
Penelitian O
pencari O
kerja O
di O
bidang O
dilakukan O
terhadap O
4009 O
data O
lowongan O
kerja O
di O
situs O
JobStreet. O
Hasil O
penelitian O
menunjukkan O
terdapat B-TEMUAN
70 I-TEMUAN
nama-nama I-TEMUAN
pekerjaan I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
dikategorikan I-TEMUAN
menjadi I-TEMUAN
7 I-TEMUAN
kategori I-TEMUAN
sesuai I-TEMUAN
kerangka I-TEMUAN
international I-TEMUAN
standard I-TEMUAN
classification I-TEMUAN
of I-TEMUAN
occupation I-TEMUAN
( I-TEMUAN
ISCO I-TEMUAN
) I-TEMUAN
2008 I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
kompetensi-kompetensi I-TEMUAN
yang I-TEMUAN
dibutuhkan I-TEMUAN
di I-TEMUAN
tersebut I-TEMUAN
seperti I-TEMUAN
minimal I-TEMUAN
pendidikan I-TEMUAN
, I-TEMUAN
pekerjaan-pekerjaan I-TEMUAN
minimal I-TEMUAN
skills I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
persyaratan I-TEMUAN
lainnya. I-TEMUAN
tahun O
pengalaman O
kerja O
, O
teknologi O
technical O
Kata O
Kunci— O
Kompetensi O
, O
Pencari O
Kerja O
, O
Teknologi O
Informasi O
, O
Web O
Scraping O
, O
JobStreet O
[SEP] O
Penelitian O
ini O
berhasil O
mengidentifikasi B-TUJUAN
pekerjaan- I-TUJUAN
pekerjaan I-TUJUAN
di I-TUJUAN
bidang I-TUJUAN
teknologi I-TUJUAN
informasi I-TUJUAN
yang O
kemudian O
dikategorikan O
sesuai O
klasifikasi O
ISCO O
2008 O
, O
serta O
penelitian O
juga O
berhasil O
mengidentifikasi O
kompetensi O
yang O
ini O
dibutuhkan O
di O
masing-masing O
pekerjaan O
tersebut O
, O
baik O
dari O
minmal O
pengalaman O
, O
pendidikan O
, O
technical O
skill O
, O
hingga O
persyaratan-persyaratan O
lainnya. O
Beberapa O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
selanjutnya O
ialah O
: O
perluasan O
cakupan O
bidang O
pekerjaan O
, O
perluasan O
cakupan O
sumber O
data O
, O
hingga O
pembangunan O
dasbor O
informasi O
untuk O
memudahkan O
penyampaian O
informasi O
mengenai O
kompetensi O
yang O
dibutuhkan O
di O
bidang O
teknologi O
informasi. O
Peneliti O
menyadari O
bahwa O
banyak O
keterbatasan O
dalam O
penelitian O
ini O
, O
salah O
satunya O
ialah O
keterbatasan O
periode O
pengumpulan O
data O
yang O
terbatas O
pada O
bulan O
Februari-Maret O
7 O
/ O
8 O
Komunikasi O
yang O
baik48 O
% O
Lulusan O
TI O
/ O
SI O
/ O
Ilkom45 O
% O
Mampu O
berkolaborasi O
dengan O
tim32 O
% O
Mahir O
berbahasa O
inggris31 O
% O
Manajemen O
Proyek22 O
% O
Lulusan O
TI O
/ O
SI O
/ O
Ilkom57 O
% O
Mampu O
berkolaborasi O
tim31 O
% O
Komunikasi O
yang O
baik28 O
% O
Mahir O
berbahasa O
inggris15 O
% O
Problem O
Solving14 O
% O
2022. O
Namun O
, O
diharapkan O
hasil O
penelitian O
ini O
dapat O
memberikan O
gambaran O
awal O
bagi O
para O
pencari O
kerja O
dengan O
harapan O
mereka O
dapat O
mempersiapkan O
kompetensi O
diri O
mereka O
menuju O
pasar O
kerja O
teknologi O
informasi O
yang O
mereka O
hadapi. O

Kompetensi O
yang O
dibutuhkan O
dari O
Pencari O
Kerja O
Bidang O
Teknologi O
Informasi O
di O
beberapa O
Lowongan O
Pekerjaan O
di O
JobStreet O
Tubagus O
Langlang O
Purwasasmita O
( O
221810634,4SD2 O
) O
Dosen O
Pembimbing O
: O
Waris O
Marsisno O
Ringkasan— O
Bidang O
teknologi O
informasi O
menjadi O
salah O
satu O
bidang O
yang O
berkembang O
cepat O
di O
pasar O
kerja O
saat O
ini. O
Terdapat O
kecenderungan O
dari O
para O
pencari O
kerja O
yaitu O
mereka O
melamar O
ke O
berbagai O
lowongan O
kerja O
tanpa O
benar-benar O
memperhatikan O
persyaratan O
yang O
dibutuhkan. O
Kondisi O
tersebut O
memperkecil O
peluang O
pencari O
kerja O
untuk O
diterima O
di O
pasar O
kerja. O
Penelitian O
ini O
dimaksudkan O
untuk O
mengidentifikasi B-TUJUAN
kebutuhan I-TUJUAN
kompetensi I-TUJUAN
informasi. I-TUJUAN
Penelitian O
pencari O
kerja O
di O
bidang O
dilakukan O
terhadap O
4009 O
data O
lowongan O
kerja O
di O
situs O
JobStreet. O
Hasil O
penelitian O
menunjukkan O
terdapat B-TEMUAN
70 I-TEMUAN
nama-nama I-TEMUAN
pekerjaan I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
dikategorikan I-TEMUAN
menjadi I-TEMUAN
7 I-TEMUAN
kategori I-TEMUAN
sesuai I-TEMUAN
kerangka I-TEMUAN
international I-TEMUAN
standard I-TEMUAN
classification I-TEMUAN
of I-TEMUAN
occupation I-TEMUAN
( I-TEMUAN
ISCO I-TEMUAN
) I-TEMUAN
2008 I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
kompetensi-kompetensi I-TEMUAN
yang I-TEMUAN
dibutuhkan I-TEMUAN
di I-TEMUAN
tersebut I-TEMUAN
seperti I-TEMUAN
minimal I-TEMUAN
pendidikan I-TEMUAN
, I-TEMUAN
pekerjaan-pekerjaan I-TEMUAN
minimal I-TEMUAN
skills I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
persyaratan I-TEMUAN
lainnya. I-TEMUAN
tahun O
pengalaman O
kerja O
, O
teknologi O
technical O
Kata O
Kunci— O
Kompetensi O
, O
Pencari O
Kerja O
, O
Teknologi O
Informasi O
, O
Web O
Scraping O
, O
JobStreet O
[SEP] O
Penelitian O
ini O
berhasil O
mengidentifikasi B-TUJUAN
pekerjaan- I-TUJUAN
pekerjaan I-TUJUAN
di I-TUJUAN
bidang I-TUJUAN
teknologi I-TUJUAN
informasi I-TUJUAN
yang O
kemudian O
dikategorikan O
sesuai O
klasifikasi O
ISCO O
2008 O
, O
serta O
penelitian O
juga O
berhasil O
mengidentifikasi O
kompetensi O
yang O
ini O
dibutuhkan O
di O
masing-masing O
pekerjaan O
tersebut O
, O
baik O
dari O
minmal O
pengalaman O
, O
pendidikan O
, O
technical O
skill O
, O
hingga O
persyaratan-persyaratan O
lainnya. O
Beberapa O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
selanjutnya O
ialah O
: O
perluasan O
cakupan O
bidang O
pekerjaan O
, O
perluasan O
cakupan O
sumber O
data O
, O
hingga O
pembangunan O
dasbor O
informasi O
untuk O
memudahkan O
penyampaian O
informasi O
mengenai O
kompetensi O
yang O
dibutuhkan O
di O
bidang O
teknologi O
informasi. O
Peneliti O
menyadari O
bahwa O
banyak O
keterbatasan O
dalam O
penelitian O
ini O
, O
salah O
satunya O
ialah O
keterbatasan O
periode O
pengumpulan O
data O
yang O
terbatas O
pada O
bulan O
Februari-Maret O
7 O
/ O
8 O
Komunikasi O
yang O
baik48 O
% O
Lulusan O
TI O
/ O
SI O
/ O
Ilkom45 O
% O
Mampu O
berkolaborasi O
dengan O
tim32 O
% O
Mahir O
berbahasa O
inggris31 O
% O
Manajemen O
Proyek22 O
% O
Lulusan O
TI O
/ O
SI O
/ O
Ilkom57 O
% O
Mampu O
berkolaborasi O
tim31 O
% O
Komunikasi O
yang O
baik28 O
% O
Mahir O
berbahasa O
inggris15 O
% O
Problem O
Solving14 O
% O
2022. O
Namun O
, O
diharapkan O
hasil O
penelitian O
ini O
dapat O
memberikan O
gambaran O
awal O
bagi O
para O
pencari O
kerja O
dengan O
harapan O
mereka O
dapat O
mempersiapkan O
kompetensi O
diri O
mereka O
menuju O
pasar O
kerja O
teknologi O
informasi O
yang O
mereka O
hadapi. O

Kompetensi O
yang O
dibutuhkan O
dari O
Pencari O
Kerja O
Bidang O
Teknologi O
Informasi O
di O
beberapa O
Lowongan O
Pekerjaan O
di O
JobStreet O
Tubagus O
Langlang O
Purwasasmita O
( O
221810634,4SD2 O
) O
Dosen O
Pembimbing O
: O
Waris O
Marsisno O
Ringkasan— O
Bidang O
teknologi O
informasi O
menjadi O
salah O
satu O
bidang O
yang O
berkembang O
cepat O
di O
pasar O
kerja O
saat O
ini. O
Terdapat O
kecenderungan O
dari O
para O
pencari O
kerja O
yaitu O
mereka O
melamar O
ke O
berbagai O
lowongan O
kerja O
tanpa O
benar-benar O
memperhatikan O
persyaratan O
yang O
dibutuhkan. O
Kondisi O
tersebut O
memperkecil O
peluang O
pencari O
kerja O
untuk O
diterima O
di O
pasar O
kerja. O
Penelitian O
ini O
dimaksudkan O
untuk O
mengidentifikasi B-TUJUAN
kebutuhan I-TUJUAN
kompetensi I-TUJUAN
informasi. I-TUJUAN
Penelitian O
pencari O
kerja O
di O
bidang O
dilakukan O
terhadap O
4009 O
data O
lowongan O
kerja O
di O
situs O
JobStreet. O
Hasil O
penelitian O
menunjukkan O
terdapat B-TEMUAN
70 I-TEMUAN
nama-nama I-TEMUAN
pekerjaan I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
dikategorikan I-TEMUAN
menjadi I-TEMUAN
7 I-TEMUAN
kategori I-TEMUAN
sesuai I-TEMUAN
kerangka I-TEMUAN
international I-TEMUAN
standard I-TEMUAN
classification I-TEMUAN
of I-TEMUAN
occupation I-TEMUAN
( I-TEMUAN
ISCO I-TEMUAN
) I-TEMUAN
2008 I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
kompetensi-kompetensi I-TEMUAN
yang I-TEMUAN
dibutuhkan I-TEMUAN
di I-TEMUAN
tersebut I-TEMUAN
seperti I-TEMUAN
minimal I-TEMUAN
pendidikan I-TEMUAN
, I-TEMUAN
pekerjaan-pekerjaan I-TEMUAN
minimal I-TEMUAN
skills I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
persyaratan I-TEMUAN
lainnya. I-TEMUAN
tahun O
pengalaman O
kerja O
, O
teknologi O
technical O
Kata O
Kunci— O
Kompetensi O
, O
Pencari O
Kerja O
, O
Teknologi O
Informasi O
, O
Web O
Scraping O
, O
JobStreet O
[SEP] O
Penelitian O
ini O
berhasil O
mengidentifikasi B-TUJUAN
pekerjaan- I-TUJUAN
pekerjaan I-TUJUAN
di I-TUJUAN
bidang I-TUJUAN
teknologi I-TUJUAN
informasi I-TUJUAN
yang O
kemudian O
dikategorikan O
sesuai O
klasifikasi O
ISCO O
2008 O
, O
serta O
penelitian O
juga O
berhasil O
mengidentifikasi O
kompetensi O
yang O
ini O
dibutuhkan O
di O
masing-masing O
pekerjaan O
tersebut O
, O
baik O
dari O
minmal O
pengalaman O
, O
pendidikan O
, O
technical O
skill O
, O
hingga O
persyaratan-persyaratan O
lainnya. O
Beberapa O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
selanjutnya O
ialah O
: O
perluasan O
cakupan O
bidang O
pekerjaan O
, O
perluasan O
cakupan O
sumber O
data O
, O
hingga O
pembangunan O
dasbor O
informasi O
untuk O
memudahkan O
penyampaian O
informasi O
mengenai O
kompetensi O
yang O
dibutuhkan O
di O
bidang O
teknologi O
informasi. O
Peneliti O
menyadari O
bahwa O
banyak O
keterbatasan O
dalam O
penelitian O
ini O
, O
salah O
satunya O
ialah O
keterbatasan O
periode O
pengumpulan O
data O
yang O
terbatas O
pada O
bulan O
Februari-Maret O
7 O
/ O
8 O
Komunikasi O
yang O
baik48 O
% O
Lulusan O
TI O
/ O
SI O
/ O
Ilkom45 O
% O
Mampu O
berkolaborasi O
dengan O
tim32 O
% O
Mahir O
berbahasa O
inggris31 O
% O
Manajemen O
Proyek22 O
% O
Lulusan O
TI O
/ O
SI O
/ O
Ilkom57 O
% O
Mampu O
berkolaborasi O
tim31 O
% O
Komunikasi O
yang O
baik28 O
% O
Mahir O
berbahasa O
inggris15 O
% O
Problem O
Solving14 O
% O
2022. O
Namun O
, O
diharapkan O
hasil O
penelitian O
ini O
dapat O
memberikan O
gambaran O
awal O
bagi O
para O
pencari O
kerja O
dengan O
harapan O
mereka O
dapat O
mempersiapkan O
kompetensi O
diri O
mereka O
menuju O
pasar O
kerja O
teknologi O
informasi O
yang O
mereka O
hadapi. O

Prediksi O
Pencapaian O
Kekebalan O
Kelompok O
Terhadap O
Pandemi O
COVID-19 O
Berdasarkan O
Ambang O
Batas O
Vaksinasi O
Dosis O
Lengkap O
Timotius O
Vincent O
Gunawan O
( O
221810630 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Nucke O
Widowati O
Kusumo O
Projo O
, O
S.Si. O
, O
M.Sc. O
, O
Ph.D. O
Ringkasan— O
Sejak O
Maret O
2020 O
, O
pandemi O
COVID-19 O
telah O
berlangsung O
di O
Indonesia. O
Hingga O
bulan O
Juni O
2022 O
, O
Indonesia O
telah O
menghadapi O
tiga O
gelombang O
pandemi. O
Salah O
satu O
cara O
yang O
dapat O
dilakukan O
untuk O
mengakhiri O
pandemi O
adalah O
membentuk O
kekebalan O
kelompok O
, O
yang O
dapat O
dicapai O
dengan O
cara O
vaksinasi. O
Penelitian O
ini O
melakukan O
prediksi O
ambang O
batas O
vaksinasi O
yang O
diperlukan O
untuk O
mencapai O
kekebalan O
kelompok O
terhadap O
COVID-19. O
Kemudian O
, O
pencapaian O
ambang O
batas O
tersebut O
diprediksi O
dengan O
memodelkan B-TUJUAN
data I-TUJUAN
vaksinasi I-TUJUAN
menggunakan I-TUJUAN
tiga I-TUJUAN
metode I-TUJUAN
, I-TUJUAN
yaitu I-TUJUAN
autoregressive I-TUJUAN
integrated I-TUJUAN
moving I-TUJUAN
average I-TUJUAN
with I-TUJUAN
exogenous I-TUJUAN
variable I-TUJUAN
( I-TUJUAN
ARIMAX I-TUJUAN
) I-TUJUAN
, I-TUJUAN
Long I-TUJUAN
Short-Term I-TUJUAN
Memory I-TUJUAN
( I-TUJUAN
LSTM I-TUJUAN
) I-TUJUAN
, I-TUJUAN
serta I-TUJUAN
regresi I-TUJUAN
runtun I-TUJUAN
waktu. I-TUJUAN
Hasil O
pemodelan O
dibandingkan O
berdasarkan O
nilai O
RMSE B-METODE
dan I-METODE
MAE I-METODE
untuk O
terbaik. O
Penghitungan O
ambang O
batas O
menentukan O
model O
vaksinasi O
menunjukkan O
bahwa O
paling B-TEMUAN
tidak I-TEMUAN
89,81 I-TEMUAN
% I-TEMUAN
penduduk I-TEMUAN
Indonesia I-TEMUAN
harus I-TEMUAN
menerima I-TEMUAN
vaksinasi I-TEMUAN
untuk I-TEMUAN
mencapai I-TEMUAN
kekebalan I-TEMUAN
kelompok. I-TEMUAN
Ambang I-TEMUAN
batas I-TEMUAN
tersebut I-TEMUAN
berhasil I-TEMUAN
dicapai I-TEMUAN
oleh I-TEMUAN
ketiga I-TEMUAN
model I-TEMUAN
yang I-TEMUAN
dibentuk. I-TEMUAN
Model I-TEMUAN
yang I-TEMUAN
terpilih I-TEMUAN
menjadi I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
adalah I-TEMUAN
model I-TEMUAN
LSTM I-TEMUAN
, I-TEMUAN
yang I-TEMUAN
memprediksi I-TEMUAN
kekebalan I-TEMUAN
kelompok I-TEMUAN
terhadap I-TEMUAN
COVID-19 I-TEMUAN
berdasarkan I-TEMUAN
ambang I-TEMUAN
batas I-TEMUAN
vaksinasi I-TEMUAN
dosis I-TEMUAN
lengkap I-TEMUAN
dapat I-TEMUAN
tercapai I-TEMUAN
setelah I-TEMUAN
tanggal I-TEMUAN
9 I-TEMUAN
Oktober I-TEMUAN
2022. I-TEMUAN
Kata O
Kunci— O
kekebalan O
kelompok O
, O
COVID-19 O
, O
ARIMAX O
, O
LSTM O
, O
regresi O
runtun O
waktu O
[SEP] O
Berdasarkan O
hasil O
dari O
penelitian O
yang O
telah O
dilakukan O
, O
terdapat O
beberapa O
hal O
yang O
dapat O
disimpulkan O
sebagai O
berikut. O
1. O
Prediksi O
ambang O
batas O
vaksinasi O
yang O
diperlukan O
untuk O
mencapai O
kekebalan O
kelompok O
terhadap O
COVID-19 O
di O
Indonesia O
dilakukan O
berdasarkan O
angka O
reproduksi O
dasar O
virus O
serta O
efikasi O
vaksin O
COVID-19 O
di O
Indonesia. O
Hasil O
penghitungan O
menunjukkan O
ambang B-TEMUAN
batas I-TEMUAN
vaksinasi I-TEMUAN
yang I-TEMUAN
diperlukan I-TEMUAN
sebesar I-TEMUAN
89,81 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Angka O
tersebut O
berarti O
bahwa O
penduduk O
Indonesia O
yang O
harus O
menerima O
vaksinasi O
dosis O
lengkap O
minimum O
sebanyak O
89,81 O
% O
dari O
jumlah O
penduduk O
Indonesia. O
2. O
Pemodelan O
data O
vaksinasi O
untuk O
prediksi O
pencapaian O
ambang O
batas O
vaksinasi O
dilakukan O
menggunakan O
tiga O
model O
, O
yaitu O
autoregressive O
integrated O
moving O
average O
with O
exogenous O
variable O
( O
ARIMAX O
) O
, O
Long O
Short-Term O
Memory O
( O
LSTM O
) O
, O
serta O
regresi O
runtun O
waktu. O
Model O
ARIMAX O
memprediksi O
kekebalan O
kelompok O
terhadap O
COVID-19 O
di O
Indonesia O
dapat O
dicapai O
pada O
tanggal O
7 O
November O
2022 O
, O
sedangkan O
model O
LSTM O
memprediksi O
kekebalan O
kelompok O
telah O
tercapai O
pada O
tanggal O
9 O
Oktober O
2022 O
, O
dan O
model O
regresi O
runtun O
waktu O
memprediksi O
kekebalan O
kelompok O
dicapai O
pada O
tanggal O
5 O
Mei O
2022. O
3. O
Perbandingan O
kebaikan O
ketiga O
model O
dalam O
memprediksi O
pencapaian O
vaksinasi O
dilakukan O
berdasarkan O
nilai O
root B-METODE
mean I-METODE
square I-METODE
error I-METODE
( I-METODE
RMSE I-METODE
) I-METODE
dan I-METODE
mean I-METODE
absolute I-METODE
error I-METODE
( I-METODE
MAE I-METODE
) I-METODE
. I-METODE
Perbandingan O
nilai O
RMSE B-METODE
dan I-METODE
MAE I-METODE
dari O
ketiga O
hasil O
pemodelan O
menunjukkan O
bahwa O
LSTM O
adalah O
model O
terbaik O
untuk O
memprediksi O
pencapaian O
kekebalan O
kelompok O
terhadap O
COVID-19 O
di O
Indonesia O
karena O
model O
LSTM O
memberikan O
nilai O
RMSE B-METODE
dan I-METODE
MAE I-METODE
terkecil. O
Dengan O
demikian O
, O
kekebalan O
kelompok O
terhadap O
COVID-19 O
di O
Indonesia O
diprediksi O
tercapai O
setelah O
tanggal O
9 O
Oktober O
2022. O

Prediksi O
Pencapaian O
Kekebalan O
Kelompok O
Terhadap O
Pandemi O
COVID-19 O
Berdasarkan O
Ambang O
Batas O
Vaksinasi O
Dosis O
Lengkap O
Timotius O
Vincent O
Gunawan O
( O
221810630 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Nucke O
Widowati O
Kusumo O
Projo O
, O
S.Si. O
, O
M.Sc. O
, O
Ph.D. O
Ringkasan— O
Sejak O
Maret O
2020 O
, O
pandemi O
COVID-19 O
telah O
berlangsung O
di O
Indonesia. O
Hingga O
bulan O
Juni O
2022 O
, O
Indonesia O
telah O
menghadapi O
tiga O
gelombang O
pandemi. O
Salah O
satu O
cara O
yang O
dapat O
dilakukan O
untuk O
mengakhiri O
pandemi O
adalah O
membentuk O
kekebalan O
kelompok O
, O
yang O
dapat O
dicapai O
dengan O
cara O
vaksinasi. O
Penelitian O
ini O
melakukan O
prediksi O
ambang O
batas O
vaksinasi O
yang O
diperlukan O
untuk O
mencapai O
kekebalan O
kelompok O
terhadap O
COVID-19. O
Kemudian O
, O
pencapaian O
ambang O
batas O
tersebut O
diprediksi O
dengan O
memodelkan B-TUJUAN
data I-TUJUAN
vaksinasi I-TUJUAN
menggunakan I-TUJUAN
tiga I-TUJUAN
metode I-TUJUAN
, I-TUJUAN
yaitu I-TUJUAN
autoregressive I-TUJUAN
integrated I-TUJUAN
moving I-TUJUAN
average I-TUJUAN
with I-TUJUAN
exogenous I-TUJUAN
variable I-TUJUAN
( I-TUJUAN
ARIMAX I-TUJUAN
) I-TUJUAN
, I-TUJUAN
Long I-TUJUAN
Short-Term I-TUJUAN
Memory I-TUJUAN
( I-TUJUAN
LSTM I-TUJUAN
) I-TUJUAN
, I-TUJUAN
serta I-TUJUAN
regresi I-TUJUAN
runtun I-TUJUAN
waktu. I-TUJUAN
Hasil O
pemodelan O
dibandingkan O
berdasarkan O
nilai O
RMSE B-METODE
dan I-METODE
MAE I-METODE
untuk O
terbaik. O
Penghitungan O
ambang O
batas O
menentukan O
model O
vaksinasi O
menunjukkan O
bahwa O
paling B-TEMUAN
tidak I-TEMUAN
89,81 I-TEMUAN
% I-TEMUAN
penduduk I-TEMUAN
Indonesia I-TEMUAN
harus I-TEMUAN
menerima I-TEMUAN
vaksinasi I-TEMUAN
untuk I-TEMUAN
mencapai I-TEMUAN
kekebalan I-TEMUAN
kelompok. I-TEMUAN
Ambang I-TEMUAN
batas I-TEMUAN
tersebut I-TEMUAN
berhasil I-TEMUAN
dicapai I-TEMUAN
oleh I-TEMUAN
ketiga I-TEMUAN
model I-TEMUAN
yang I-TEMUAN
dibentuk. I-TEMUAN
Model I-TEMUAN
yang I-TEMUAN
terpilih I-TEMUAN
menjadi I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
adalah I-TEMUAN
model I-TEMUAN
LSTM I-TEMUAN
, I-TEMUAN
yang I-TEMUAN
memprediksi I-TEMUAN
kekebalan I-TEMUAN
kelompok I-TEMUAN
terhadap I-TEMUAN
COVID-19 I-TEMUAN
berdasarkan I-TEMUAN
ambang I-TEMUAN
batas I-TEMUAN
vaksinasi I-TEMUAN
dosis I-TEMUAN
lengkap I-TEMUAN
dapat I-TEMUAN
tercapai I-TEMUAN
setelah I-TEMUAN
tanggal I-TEMUAN
9 I-TEMUAN
Oktober I-TEMUAN
2022. I-TEMUAN
Kata O
Kunci— O
kekebalan O
kelompok O
, O
COVID-19 O
, O
ARIMAX O
, O
LSTM O
, O
regresi O
runtun O
waktu O
[SEP] O
Berdasarkan O
hasil O
dari O
penelitian O
yang O
telah O
dilakukan O
, O
terdapat O
beberapa O
hal O
yang O
dapat O
disimpulkan O
sebagai O
berikut. O
1. O
Prediksi O
ambang O
batas O
vaksinasi O
yang O
diperlukan O
untuk O
mencapai O
kekebalan O
kelompok O
terhadap O
COVID-19 O
di O
Indonesia O
dilakukan O
berdasarkan O
angka O
reproduksi O
dasar O
virus O
serta O
efikasi O
vaksin O
COVID-19 O
di O
Indonesia. O
Hasil O
penghitungan O
menunjukkan O
ambang B-TEMUAN
batas I-TEMUAN
vaksinasi I-TEMUAN
yang I-TEMUAN
diperlukan I-TEMUAN
sebesar I-TEMUAN
89,81 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Angka O
tersebut O
berarti O
bahwa O
penduduk O
Indonesia O
yang O
harus O
menerima O
vaksinasi O
dosis O
lengkap O
minimum O
sebanyak O
89,81 O
% O
dari O
jumlah O
penduduk O
Indonesia. O
2. O
Pemodelan O
data O
vaksinasi O
untuk O
prediksi O
pencapaian O
ambang O
batas O
vaksinasi O
dilakukan O
menggunakan O
tiga O
model O
, O
yaitu O
autoregressive O
integrated O
moving O
average O
with O
exogenous O
variable O
( O
ARIMAX O
) O
, O
Long O
Short-Term O
Memory O
( O
LSTM O
) O
, O
serta O
regresi O
runtun O
waktu. O
Model O
ARIMAX O
memprediksi O
kekebalan O
kelompok O
terhadap O
COVID-19 O
di O
Indonesia O
dapat O
dicapai O
pada O
tanggal O
7 O
November O
2022 O
, O
sedangkan O
model O
LSTM O
memprediksi O
kekebalan O
kelompok O
telah O
tercapai O
pada O
tanggal O
9 O
Oktober O
2022 O
, O
dan O
model O
regresi O
runtun O
waktu O
memprediksi O
kekebalan O
kelompok O
dicapai O
pada O
tanggal O
5 O
Mei O
2022. O
3. O
Perbandingan O
kebaikan O
ketiga O
model O
dalam O
memprediksi O
pencapaian O
vaksinasi O
dilakukan O
berdasarkan O
nilai O
root B-METODE
mean I-METODE
square I-METODE
error I-METODE
( I-METODE
RMSE I-METODE
) I-METODE
dan I-METODE
mean I-METODE
absolute I-METODE
error I-METODE
( I-METODE
MAE I-METODE
) I-METODE
. I-METODE
Perbandingan O
nilai O
RMSE B-METODE
dan I-METODE
MAE I-METODE
dari O
ketiga O
hasil O
pemodelan O
menunjukkan O
bahwa O
LSTM O
adalah O
model O
terbaik O
untuk O
memprediksi O
pencapaian O
kekebalan O
kelompok O
terhadap O
COVID-19 O
di O
Indonesia O
karena O
model O
LSTM O
memberikan O
nilai O
RMSE B-METODE
dan I-METODE
MAE I-METODE
terkecil. O
Dengan O
demikian O
, O
kekebalan O
kelompok O
terhadap O
COVID-19 O
di O
Indonesia O
diprediksi O
tercapai O
setelah O
tanggal O
9 O
Oktober O
2022. O

Prediksi O
Pencapaian O
Kekebalan O
Kelompok O
Terhadap O
Pandemi O
COVID-19 O
Berdasarkan O
Ambang O
Batas O
Vaksinasi O
Dosis O
Lengkap O
Timotius O
Vincent O
Gunawan O
( O
221810630 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Nucke O
Widowati O
Kusumo O
Projo O
, O
S.Si. O
, O
M.Sc. O
, O
Ph.D. O
Ringkasan— O
Sejak O
Maret O
2020 O
, O
pandemi O
COVID-19 O
telah O
berlangsung O
di O
Indonesia. O
Hingga O
bulan O
Juni O
2022 O
, O
Indonesia O
telah O
menghadapi O
tiga O
gelombang O
pandemi. O
Salah O
satu O
cara O
yang O
dapat O
dilakukan O
untuk O
mengakhiri O
pandemi O
adalah O
membentuk O
kekebalan O
kelompok O
, O
yang O
dapat O
dicapai O
dengan O
cara O
vaksinasi. O
Penelitian O
ini O
melakukan O
prediksi O
ambang O
batas O
vaksinasi O
yang O
diperlukan O
untuk O
mencapai O
kekebalan O
kelompok O
terhadap O
COVID-19. O
Kemudian O
, O
pencapaian O
ambang O
batas O
tersebut O
diprediksi O
dengan O
memodelkan B-TUJUAN
data I-TUJUAN
vaksinasi I-TUJUAN
menggunakan I-TUJUAN
tiga I-TUJUAN
metode I-TUJUAN
, I-TUJUAN
yaitu I-TUJUAN
autoregressive I-TUJUAN
integrated I-TUJUAN
moving I-TUJUAN
average I-TUJUAN
with I-TUJUAN
exogenous I-TUJUAN
variable I-TUJUAN
( I-TUJUAN
ARIMAX I-TUJUAN
) I-TUJUAN
, I-TUJUAN
Long I-TUJUAN
Short-Term I-TUJUAN
Memory I-TUJUAN
( I-TUJUAN
LSTM I-TUJUAN
) I-TUJUAN
, I-TUJUAN
serta I-TUJUAN
regresi I-TUJUAN
runtun I-TUJUAN
waktu. I-TUJUAN
Hasil O
pemodelan O
dibandingkan O
berdasarkan O
nilai O
RMSE B-METODE
dan I-METODE
MAE I-METODE
untuk O
terbaik. O
Penghitungan O
ambang O
batas O
menentukan O
model O
vaksinasi O
menunjukkan O
bahwa O
paling B-TEMUAN
tidak I-TEMUAN
89,81 I-TEMUAN
% I-TEMUAN
penduduk I-TEMUAN
Indonesia I-TEMUAN
harus I-TEMUAN
menerima I-TEMUAN
vaksinasi I-TEMUAN
untuk I-TEMUAN
mencapai I-TEMUAN
kekebalan I-TEMUAN
kelompok. I-TEMUAN
Ambang I-TEMUAN
batas I-TEMUAN
tersebut I-TEMUAN
berhasil I-TEMUAN
dicapai I-TEMUAN
oleh I-TEMUAN
ketiga I-TEMUAN
model I-TEMUAN
yang I-TEMUAN
dibentuk. I-TEMUAN
Model I-TEMUAN
yang I-TEMUAN
terpilih I-TEMUAN
menjadi I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
adalah I-TEMUAN
model I-TEMUAN
LSTM I-TEMUAN
, I-TEMUAN
yang I-TEMUAN
memprediksi I-TEMUAN
kekebalan I-TEMUAN
kelompok I-TEMUAN
terhadap I-TEMUAN
COVID-19 I-TEMUAN
berdasarkan I-TEMUAN
ambang I-TEMUAN
batas I-TEMUAN
vaksinasi I-TEMUAN
dosis I-TEMUAN
lengkap I-TEMUAN
dapat I-TEMUAN
tercapai I-TEMUAN
setelah I-TEMUAN
tanggal I-TEMUAN
9 I-TEMUAN
Oktober I-TEMUAN
2022. I-TEMUAN
Kata O
Kunci— O
kekebalan O
kelompok O
, O
COVID-19 O
, O
ARIMAX O
, O
LSTM O
, O
regresi O
runtun O
waktu O
[SEP] O
Berdasarkan O
hasil O
dari O
penelitian O
yang O
telah O
dilakukan O
, O
terdapat O
beberapa O
hal O
yang O
dapat O
disimpulkan O
sebagai O
berikut. O
1. O
Prediksi O
ambang O
batas O
vaksinasi O
yang O
diperlukan O
untuk O
mencapai O
kekebalan O
kelompok O
terhadap O
COVID-19 O
di O
Indonesia O
dilakukan O
berdasarkan O
angka O
reproduksi O
dasar O
virus O
serta O
efikasi O
vaksin O
COVID-19 O
di O
Indonesia. O
Hasil O
penghitungan O
menunjukkan O
ambang B-TEMUAN
batas I-TEMUAN
vaksinasi I-TEMUAN
yang I-TEMUAN
diperlukan I-TEMUAN
sebesar I-TEMUAN
89,81 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Angka O
tersebut O
berarti O
bahwa O
penduduk O
Indonesia O
yang O
harus O
menerima O
vaksinasi O
dosis O
lengkap O
minimum O
sebanyak O
89,81 O
% O
dari O
jumlah O
penduduk O
Indonesia. O
2. O
Pemodelan O
data O
vaksinasi O
untuk O
prediksi O
pencapaian O
ambang O
batas O
vaksinasi O
dilakukan O
menggunakan O
tiga O
model O
, O
yaitu O
autoregressive O
integrated O
moving O
average O
with O
exogenous O
variable O
( O
ARIMAX O
) O
, O
Long O
Short-Term O
Memory O
( O
LSTM O
) O
, O
serta O
regresi O
runtun O
waktu. O
Model O
ARIMAX O
memprediksi O
kekebalan O
kelompok O
terhadap O
COVID-19 O
di O
Indonesia O
dapat O
dicapai O
pada O
tanggal O
7 O
November O
2022 O
, O
sedangkan O
model O
LSTM O
memprediksi O
kekebalan O
kelompok O
telah O
tercapai O
pada O
tanggal O
9 O
Oktober O
2022 O
, O
dan O
model O
regresi O
runtun O
waktu O
memprediksi O
kekebalan O
kelompok O
dicapai O
pada O
tanggal O
5 O
Mei O
2022. O
3. O
Perbandingan O
kebaikan O
ketiga O
model O
dalam O
memprediksi O
pencapaian O
vaksinasi O
dilakukan O
berdasarkan O
nilai O
root B-METODE
mean I-METODE
square I-METODE
error I-METODE
( I-METODE
RMSE I-METODE
) I-METODE
dan I-METODE
mean I-METODE
absolute I-METODE
error I-METODE
( I-METODE
MAE I-METODE
) I-METODE
. I-METODE
Perbandingan O
nilai O
RMSE B-METODE
dan I-METODE
MAE I-METODE
dari O
ketiga O
hasil O
pemodelan O
menunjukkan O
bahwa O
LSTM O
adalah O
model O
terbaik O
untuk O
memprediksi O
pencapaian O
kekebalan O
kelompok O
terhadap O
COVID-19 O
di O
Indonesia O
karena O
model O
LSTM O
memberikan O
nilai O
RMSE B-METODE
dan I-METODE
MAE I-METODE
terkecil. O
Dengan O
demikian O
, O
kekebalan O
kelompok O
terhadap O
COVID-19 O
di O
Indonesia O
diprediksi O
tercapai O
setelah O
tanggal O
9 O
Oktober O
2022. O

Prediksi O
Pencapaian O
Kekebalan O
Kelompok O
Terhadap O
Pandemi O
COVID-19 O
Berdasarkan O
Ambang O
Batas O
Vaksinasi O
Dosis O
Lengkap O
Timotius O
Vincent O
Gunawan O
( O
221810630 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Nucke O
Widowati O
Kusumo O
Projo O
, O
S.Si. O
, O
M.Sc. O
, O
Ph.D. O
Ringkasan— O
Sejak O
Maret O
2020 O
, O
pandemi O
COVID-19 O
telah O
berlangsung O
di O
Indonesia. O
Hingga O
bulan O
Juni O
2022 O
, O
Indonesia O
telah O
menghadapi O
tiga O
gelombang O
pandemi. O
Salah O
satu O
cara O
yang O
dapat O
dilakukan O
untuk O
mengakhiri O
pandemi O
adalah O
membentuk O
kekebalan O
kelompok O
, O
yang O
dapat O
dicapai O
dengan O
cara O
vaksinasi. O
Penelitian O
ini O
melakukan O
prediksi O
ambang O
batas O
vaksinasi O
yang O
diperlukan O
untuk O
mencapai O
kekebalan O
kelompok O
terhadap O
COVID-19. O
Kemudian O
, O
pencapaian O
ambang O
batas O
tersebut O
diprediksi O
dengan O
memodelkan B-TUJUAN
data I-TUJUAN
vaksinasi I-TUJUAN
menggunakan I-TUJUAN
tiga I-TUJUAN
metode I-TUJUAN
, I-TUJUAN
yaitu I-TUJUAN
autoregressive I-TUJUAN
integrated I-TUJUAN
moving I-TUJUAN
average I-TUJUAN
with I-TUJUAN
exogenous I-TUJUAN
variable I-TUJUAN
( I-TUJUAN
ARIMAX I-TUJUAN
) I-TUJUAN
, I-TUJUAN
Long I-TUJUAN
Short-Term I-TUJUAN
Memory I-TUJUAN
( I-TUJUAN
LSTM I-TUJUAN
) I-TUJUAN
, I-TUJUAN
serta I-TUJUAN
regresi I-TUJUAN
runtun I-TUJUAN
waktu. I-TUJUAN
Hasil O
pemodelan O
dibandingkan O
berdasarkan O
nilai O
RMSE B-METODE
dan I-METODE
MAE I-METODE
untuk O
terbaik. O
Penghitungan O
ambang O
batas O
menentukan O
model O
vaksinasi O
menunjukkan O
bahwa O
paling B-TEMUAN
tidak I-TEMUAN
89,81 I-TEMUAN
% I-TEMUAN
penduduk I-TEMUAN
Indonesia I-TEMUAN
harus I-TEMUAN
menerima I-TEMUAN
vaksinasi I-TEMUAN
untuk I-TEMUAN
mencapai I-TEMUAN
kekebalan I-TEMUAN
kelompok. I-TEMUAN
Ambang I-TEMUAN
batas I-TEMUAN
tersebut I-TEMUAN
berhasil I-TEMUAN
dicapai I-TEMUAN
oleh I-TEMUAN
ketiga I-TEMUAN
model I-TEMUAN
yang I-TEMUAN
dibentuk. I-TEMUAN
Model I-TEMUAN
yang I-TEMUAN
terpilih I-TEMUAN
menjadi I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
adalah I-TEMUAN
model I-TEMUAN
LSTM I-TEMUAN
, I-TEMUAN
yang I-TEMUAN
memprediksi I-TEMUAN
kekebalan I-TEMUAN
kelompok I-TEMUAN
terhadap I-TEMUAN
COVID-19 I-TEMUAN
berdasarkan I-TEMUAN
ambang I-TEMUAN
batas I-TEMUAN
vaksinasi I-TEMUAN
dosis I-TEMUAN
lengkap I-TEMUAN
dapat I-TEMUAN
tercapai I-TEMUAN
setelah I-TEMUAN
tanggal I-TEMUAN
9 I-TEMUAN
Oktober I-TEMUAN
2022. I-TEMUAN
Kata O
Kunci— O
kekebalan O
kelompok O
, O
COVID-19 O
, O
ARIMAX O
, O
LSTM O
, O
regresi O
runtun O
waktu O
[SEP] O
Berdasarkan O
hasil O
dari O
penelitian O
yang O
telah O
dilakukan O
, O
terdapat O
beberapa O
hal O
yang O
dapat O
disimpulkan O
sebagai O
berikut. O
1. O
Prediksi O
ambang O
batas O
vaksinasi O
yang O
diperlukan O
untuk O
mencapai O
kekebalan O
kelompok O
terhadap O
COVID-19 O
di O
Indonesia O
dilakukan O
berdasarkan O
angka O
reproduksi O
dasar O
virus O
serta O
efikasi O
vaksin O
COVID-19 O
di O
Indonesia. O
Hasil O
penghitungan O
menunjukkan O
ambang B-TEMUAN
batas I-TEMUAN
vaksinasi I-TEMUAN
yang I-TEMUAN
diperlukan I-TEMUAN
sebesar I-TEMUAN
89,81 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Angka O
tersebut O
berarti O
bahwa O
penduduk O
Indonesia O
yang O
harus O
menerima O
vaksinasi O
dosis O
lengkap O
minimum O
sebanyak O
89,81 O
% O
dari O
jumlah O
penduduk O
Indonesia. O
2. O
Pemodelan O
data O
vaksinasi O
untuk O
prediksi O
pencapaian O
ambang O
batas O
vaksinasi O
dilakukan O
menggunakan O
tiga O
model O
, O
yaitu O
autoregressive O
integrated O
moving O
average O
with O
exogenous O
variable O
( O
ARIMAX O
) O
, O
Long O
Short-Term O
Memory O
( O
LSTM O
) O
, O
serta O
regresi O
runtun O
waktu. O
Model O
ARIMAX O
memprediksi O
kekebalan O
kelompok O
terhadap O
COVID-19 O
di O
Indonesia O
dapat O
dicapai O
pada O
tanggal O
7 O
November O
2022 O
, O
sedangkan O
model O
LSTM O
memprediksi O
kekebalan O
kelompok O
telah O
tercapai O
pada O
tanggal O
9 O
Oktober O
2022 O
, O
dan O
model O
regresi O
runtun O
waktu O
memprediksi O
kekebalan O
kelompok O
dicapai O
pada O
tanggal O
5 O
Mei O
2022. O
3. O
Perbandingan O
kebaikan O
ketiga O
model O
dalam O
memprediksi O
pencapaian O
vaksinasi O
dilakukan O
berdasarkan O
nilai O
root B-METODE
mean I-METODE
square I-METODE
error I-METODE
( I-METODE
RMSE I-METODE
) I-METODE
dan I-METODE
mean I-METODE
absolute I-METODE
error I-METODE
( I-METODE
MAE I-METODE
) I-METODE
. I-METODE
Perbandingan O
nilai O
RMSE B-METODE
dan I-METODE
MAE I-METODE
dari O
ketiga O
hasil O
pemodelan O
menunjukkan O
bahwa O
LSTM O
adalah O
model O
terbaik O
untuk O
memprediksi O
pencapaian O
kekebalan O
kelompok O
terhadap O
COVID-19 O
di O
Indonesia O
karena O
model O
LSTM O
memberikan O
nilai O
RMSE B-METODE
dan I-METODE
MAE I-METODE
terkecil. O
Dengan O
demikian O
, O
kekebalan O
kelompok O
terhadap O
COVID-19 O
di O
Indonesia O
diprediksi O
tercapai O
setelah O
tanggal O
9 O
Oktober O
2022. O

Pengembangan O
Aplikasi O
Dokumentasi O
Pembinaan O
Statistik O
Berbasis O
Web O
pada O
Direktorat O
Diseminasi O
Statistik O
Fungsi O
Rujukan O
Statistik O
BPS O
RI O
Thoriq O
Ibadurrohman O
( O
221810626 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph.D. O
Ringkasan— O
Berdasarkan O
Perpres O
Nomor O
39 O
Tahun O
2019 O
Tentang O
Satu O
Data O
Indonesia O
, O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
diamanatkan O
oleh O
pemerintah O
untuk O
menjadi O
Pembina O
Data O
pada O
kegiatan O
pembinaan O
statistik. O
Sebagai O
Pembina O
Data O
, O
BPS O
diminta O
bukti O
dukung O
oleh O
Kementerian O
Pendayagunaan O
Aparatur O
Negara O
dan O
Reformasi O
Birokrasi O
( O
Kemenpan O
RB O
) O
bahwa O
BPS O
telah O
melakukan O
pembinaan O
statistik O
kepada O
suatu O
instansi O
/ O
lembaga. O
Oleh O
sebab O
itu O
, O
telah O
dibangun B-TUJUAN
suatu I-TUJUAN
perangkat I-TUJUAN
lunak I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
mengelola I-TUJUAN
dokumentasi I-TUJUAN
dari I-TUJUAN
pembinaan I-TUJUAN
statistik. I-TUJUAN
Namun O
, O
masih O
terdapat O
hal O
yang O
bisa O
diperbaiki O
dan O
dilakukan O
penambahan O
fitur O
pada O
aplikasi O
tersebut. O
Sehingga O
dilakukan O
penelitian O
untuk O
mengembangkan O
aplikasi O
ini. O
Penelitian O
ini O
menggunakan O
metode B-METODE
penelitian I-METODE
desain I-METODE
( I-METODE
design I-METODE
research I-METODE
) I-METODE
dengan I-METODE
pendekatan I-METODE
SDLC I-METODE
model I-METODE
prototype. I-METODE
Teknologi O
yang O
digunakan O
dalam O
implementasi O
pengembangan O
aplikasi O
adalah O
framework O
Laravel O
versi O
7 O
, O
MariaDB O
untuk O
Database O
Management O
System O
( O
DBMS O
) O
. O
Aplikasi O
hasil O
pengembangan O
diuji O
menggunakan O
black B-METODE
box I-METODE
testing I-METODE
dan O
untuk O
tampilan O
antarmuka O
diuji O
menggunakan O
Questionnaire B-METODE
for I-METODE
User I-METODE
Interface I-METODE
Satisfaction I-METODE
( I-METODE
QUIS I-METODE
) I-METODE
. O
Berdasarkan O
hasil O
evaluasi O
, O
disimpulkan O
bahwa O
aplikasi B-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dikembangkan I-TEMUAN
telah I-TEMUAN
layak I-TEMUAN
digunakan I-TEMUAN
sebab I-TEMUAN
fungsi- I-TEMUAN
fungsi I-TEMUAN
dalam I-TEMUAN
aplikasi I-TEMUAN
sudah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci— O
dokumentasi O
, O
aplikasi O
, O
web O
, O
QUIS O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
dapat O
ditarik O
kesimpulan O
dari O
hasil O
penelitian O
sebagai O
berikut. O

Pengembangan O
Aplikasi O
Dokumentasi O
Pembinaan O
Statistik O
Berbasis O
Web O
pada O
Direktorat O
Diseminasi O
Statistik O
Fungsi O
Rujukan O
Statistik O
BPS O
RI O
Thoriq O
Ibadurrohman O
( O
221810626 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph.D. O
Ringkasan— O
Berdasarkan O
Perpres O
Nomor O
39 O
Tahun O
2019 O
Tentang O
Satu O
Data O
Indonesia O
, O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
diamanatkan O
oleh O
pemerintah O
untuk O
menjadi O
Pembina O
Data O
pada O
kegiatan O
pembinaan O
statistik. O
Sebagai O
Pembina O
Data O
, O
BPS O
diminta O
bukti O
dukung O
oleh O
Kementerian O
Pendayagunaan O
Aparatur O
Negara O
dan O
Reformasi O
Birokrasi O
( O
Kemenpan O
RB O
) O
bahwa O
BPS O
telah O
melakukan O
pembinaan O
statistik O
kepada O
suatu O
instansi O
/ O
lembaga. O
Oleh O
sebab O
itu O
, O
telah O
dibangun B-TUJUAN
suatu I-TUJUAN
perangkat I-TUJUAN
lunak I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
mengelola I-TUJUAN
dokumentasi I-TUJUAN
dari I-TUJUAN
pembinaan I-TUJUAN
statistik. I-TUJUAN
Namun O
, O
masih O
terdapat O
hal O
yang O
bisa O
diperbaiki O
dan O
dilakukan O
penambahan O
fitur O
pada O
aplikasi O
tersebut. O
Sehingga O
dilakukan O
penelitian O
untuk O
mengembangkan O
aplikasi O
ini. O
Penelitian O
ini O
menggunakan O
metode B-METODE
penelitian I-METODE
desain I-METODE
( I-METODE
design I-METODE
research I-METODE
) I-METODE
dengan I-METODE
pendekatan I-METODE
SDLC I-METODE
model I-METODE
prototype. I-METODE
Teknologi O
yang O
digunakan O
dalam O
implementasi O
pengembangan O
aplikasi O
adalah O
framework O
Laravel O
versi O
7 O
, O
MariaDB O
untuk O
Database O
Management O
System O
( O
DBMS O
) O
. O
Aplikasi O
hasil O
pengembangan O
diuji O
menggunakan O
black B-METODE
box I-METODE
testing I-METODE
dan O
untuk O
tampilan O
antarmuka O
diuji O
menggunakan O
Questionnaire B-METODE
for I-METODE
User I-METODE
Interface I-METODE
Satisfaction I-METODE
( I-METODE
QUIS I-METODE
) I-METODE
. O
Berdasarkan O
hasil O
evaluasi O
, O
disimpulkan O
bahwa O
aplikasi B-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dikembangkan I-TEMUAN
telah I-TEMUAN
layak I-TEMUAN
digunakan I-TEMUAN
sebab I-TEMUAN
fungsi- I-TEMUAN
fungsi I-TEMUAN
dalam I-TEMUAN
aplikasi I-TEMUAN
sudah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci— O
dokumentasi O
, O
aplikasi O
, O
web O
, O
QUIS O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
dapat O
ditarik O
kesimpulan O
dari O
hasil O
penelitian O
sebagai O
berikut. O

Pengembangan O
Aplikasi O
Dokumentasi O
Pembinaan O
Statistik O
Berbasis O
Web O
pada O
Direktorat O
Diseminasi O
Statistik O
Fungsi O
Rujukan O
Statistik O
BPS O
RI O
Thoriq O
Ibadurrohman O
( O
221810626 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph.D. O
Ringkasan— O
Berdasarkan O
Perpres O
Nomor O
39 O
Tahun O
2019 O
Tentang O
Satu O
Data O
Indonesia O
, O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
diamanatkan O
oleh O
pemerintah O
untuk O
menjadi O
Pembina O
Data O
pada O
kegiatan O
pembinaan O
statistik. O
Sebagai O
Pembina O
Data O
, O
BPS O
diminta O
bukti O
dukung O
oleh O
Kementerian O
Pendayagunaan O
Aparatur O
Negara O
dan O
Reformasi O
Birokrasi O
( O
Kemenpan O
RB O
) O
bahwa O
BPS O
telah O
melakukan O
pembinaan O
statistik O
kepada O
suatu O
instansi O
/ O
lembaga. O
Oleh O
sebab O
itu O
, O
telah O
dibangun B-TUJUAN
suatu I-TUJUAN
perangkat I-TUJUAN
lunak I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
mengelola I-TUJUAN
dokumentasi I-TUJUAN
dari I-TUJUAN
pembinaan I-TUJUAN
statistik. I-TUJUAN
Namun O
, O
masih O
terdapat O
hal O
yang O
bisa O
diperbaiki O
dan O
dilakukan O
penambahan O
fitur O
pada O
aplikasi O
tersebut. O
Sehingga O
dilakukan O
penelitian O
untuk O
mengembangkan O
aplikasi O
ini. O
Penelitian O
ini O
menggunakan O
metode B-METODE
penelitian I-METODE
desain I-METODE
( I-METODE
design I-METODE
research I-METODE
) I-METODE
dengan I-METODE
pendekatan I-METODE
SDLC I-METODE
model I-METODE
prototype. I-METODE
Teknologi O
yang O
digunakan O
dalam O
implementasi O
pengembangan O
aplikasi O
adalah O
framework O
Laravel O
versi O
7 O
, O
MariaDB O
untuk O
Database O
Management O
System O
( O
DBMS O
) O
. O
Aplikasi O
hasil O
pengembangan O
diuji O
menggunakan O
black B-METODE
box I-METODE
testing I-METODE
dan O
untuk O
tampilan O
antarmuka O
diuji O
menggunakan O
Questionnaire B-METODE
for I-METODE
User I-METODE
Interface I-METODE
Satisfaction I-METODE
( I-METODE
QUIS I-METODE
) I-METODE
. O
Berdasarkan O
hasil O
evaluasi O
, O
disimpulkan O
bahwa O
aplikasi B-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dikembangkan I-TEMUAN
telah I-TEMUAN
layak I-TEMUAN
digunakan I-TEMUAN
sebab I-TEMUAN
fungsi- I-TEMUAN
fungsi I-TEMUAN
dalam I-TEMUAN
aplikasi I-TEMUAN
sudah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci— O
dokumentasi O
, O
aplikasi O
, O
web O
, O
QUIS O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
dapat O
ditarik O
kesimpulan O
dari O
hasil O
penelitian O
sebagai O
berikut. O

Pengembangan O
Aplikasi O
Dokumentasi O
Pembinaan O
Statistik O
Berbasis O
Web O
pada O
Direktorat O
Diseminasi O
Statistik O
Fungsi O
Rujukan O
Statistik O
BPS O
RI O
Thoriq O
Ibadurrohman O
( O
221810626 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph.D. O
Ringkasan— O
Berdasarkan O
Perpres O
Nomor O
39 O
Tahun O
2019 O
Tentang O
Satu O
Data O
Indonesia O
, O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
diamanatkan O
oleh O
pemerintah O
untuk O
menjadi O
Pembina O
Data O
pada O
kegiatan O
pembinaan O
statistik. O
Sebagai O
Pembina O
Data O
, O
BPS O
diminta O
bukti O
dukung O
oleh O
Kementerian O
Pendayagunaan O
Aparatur O
Negara O
dan O
Reformasi O
Birokrasi O
( O
Kemenpan O
RB O
) O
bahwa O
BPS O
telah O
melakukan O
pembinaan O
statistik O
kepada O
suatu O
instansi O
/ O
lembaga. O
Oleh O
sebab O
itu O
, O
telah O
dibangun B-TUJUAN
suatu I-TUJUAN
perangkat I-TUJUAN
lunak I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
mengelola I-TUJUAN
dokumentasi I-TUJUAN
dari I-TUJUAN
pembinaan I-TUJUAN
statistik. I-TUJUAN
Namun O
, O
masih O
terdapat O
hal O
yang O
bisa O
diperbaiki O
dan O
dilakukan O
penambahan O
fitur O
pada O
aplikasi O
tersebut. O
Sehingga O
dilakukan O
penelitian O
untuk O
mengembangkan O
aplikasi O
ini. O
Penelitian O
ini O
menggunakan O
metode B-METODE
penelitian I-METODE
desain I-METODE
( I-METODE
design I-METODE
research I-METODE
) I-METODE
dengan I-METODE
pendekatan I-METODE
SDLC I-METODE
model I-METODE
prototype. I-METODE
Teknologi O
yang O
digunakan O
dalam O
implementasi O
pengembangan O
aplikasi O
adalah O
framework O
Laravel O
versi O
7 O
, O
MariaDB O
untuk O
Database O
Management O
System O
( O
DBMS O
) O
. O
Aplikasi O
hasil O
pengembangan O
diuji O
menggunakan O
black B-METODE
box I-METODE
testing I-METODE
dan O
untuk O
tampilan O
antarmuka O
diuji O
menggunakan O
Questionnaire B-METODE
for I-METODE
User I-METODE
Interface I-METODE
Satisfaction I-METODE
( I-METODE
QUIS I-METODE
) I-METODE
. O
Berdasarkan O
hasil O
evaluasi O
, O
disimpulkan O
bahwa O
aplikasi B-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dikembangkan I-TEMUAN
telah I-TEMUAN
layak I-TEMUAN
digunakan I-TEMUAN
sebab I-TEMUAN
fungsi- I-TEMUAN
fungsi I-TEMUAN
dalam I-TEMUAN
aplikasi I-TEMUAN
sudah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci— O
dokumentasi O
, O
aplikasi O
, O
web O
, O
QUIS O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
dapat O
ditarik O
kesimpulan O
dari O
hasil O
penelitian O
sebagai O
berikut. O

Analisis O
Respon O
dan O
Opini O
Pengguna O
Telemedicine O
di O
Indonesia O
Studi O
Kasus O
: O
Halodoc O
dan O
Alodokter O
Talitha O
Nabila O
Saifana O
( O
221810619 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I. O
layanan O
telah O
menggunakan O
Ringkasan— O
Telemedicine O
memberikan O
berbagai O
kemudahan O
serta O
solusi O
atas O
beberapa O
persoalan O
terkait O
layanan O
kesehatan O
, O
sehingga O
diupayakan O
pengembangannya O
oleh O
pemerintah. O
Dalam O
pengembangannya O
, O
perlu O
dilihat O
bagaimana O
penerimaan O
layanan O
tersebut O
di O
masyarakat. O
Tingkat O
penerimaan O
pengguna O
terhadap O
aplikasi O
telemedicine O
yang O
diperoleh O
melalui O
ulasan O
, O
dapat O
menjadi O
salah O
satu O
media O
untuk O
mengetahui O
tingkat O
penerimaan O
masyarakat O
terhadap O
telemedicine O
, O
khususnya O
pada O
masyarakat O
tersebut. O
Namun O
, O
yang O
ulasan-ulasan O
yang O
berjumlah O
banyak O
tersebut O
menyebabkan O
ulasan O
semakin O
beragam O
dan O
sulit O
untuk O
diidentifikasi O
dan O
disimpulkan O
opini O
keseluruhannya O
secara O
manual. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
memanfaatkan B-TUJUAN
text I-TUJUAN
mining I-TUJUAN
dengan I-TUJUAN
melakukan I-TUJUAN
analisis I-TUJUAN
sentimen I-TUJUAN
untuk I-TUJUAN
mengukur I-TUJUAN
sentimen I-TUJUAN
dan I-TUJUAN
melakukan I-TUJUAN
topic I-TUJUAN
modelling I-TUJUAN
untuk I-TUJUAN
memodelkan I-TUJUAN
opini I-TUJUAN
dari I-TUJUAN
ulasan I-TUJUAN
pengguna I-TUJUAN
terhadap I-TUJUAN
aplikasi I-TUJUAN
Indonesia. I-TUJUAN
Hasil O
analisis B-METODE
sentimen I-METODE
menunjukkan O
respon O
pengguna O
terhadap O
aplikasi O
telemedicine O
di O
Indonesia O
cenderung O
positif O
, O
baik O
pada O
ulasan O
aplikasi O
Halodoc O
maupun O
pada O
ulasan O
aplikasi O
Alodokter. O
Kemudian O
, O
hasil O
topic O
modelling O
menunjukkan O
bahwa O
opini B-TEMUAN
yang I-TEMUAN
disampaikan I-TEMUAN
pengguna I-TEMUAN
terhadap I-TEMUAN
telemedicine I-TEMUAN
sebagian I-TEMUAN
besar I-TEMUAN
membahas I-TEMUAN
kemudahan I-TEMUAN
serta I-TEMUAN
permasalahan I-TEMUAN
yang I-TEMUAN
dialami I-TEMUAN
dalam I-TEMUAN
menggunakan I-TEMUAN
pelayanan I-TEMUAN
pada I-TEMUAN
telemedicine. I-TEMUAN
telemedicine O
di O
Kata O
Kunci— O
Telemedicine O
, O
Sentimen O
, O
Topic O
Modelling O
, O
Ulasan O
, O
Google O
Play O
Store. O
[SEP] O
1. O
Kesimpulan O
Dari O
tahapan O
penelitian O
yang O
telah O
dilakukan O
, O
berikut O
hasil O
yang O
dapat O
disimpulkan O
pada O
penelitian O
ini O
: O
1 O
) O
Metode B-METODE
analisis I-METODE
sentimen I-METODE
dengan O
SVM O
kernel O
dan O
topic B-METODE
modelling I-METODE
dengan O
LDA O
dapat O
membantu O
dalam O
mengidentifikasi B-TUJUAN
respon I-TUJUAN
dan I-TUJUAN
opini I-TUJUAN
pengguna I-TUJUAN
terhadap I-TUJUAN
aplikasi I-TUJUAN
telemedicine I-TUJUAN
di I-TUJUAN
Indonesia I-TUJUAN
melalui I-TUJUAN
ulasan I-TUJUAN
pengguna I-TUJUAN
tersebut. I-TUJUAN
2 O
) O
Berdasarkan O
analisis B-METODE
sentimen I-METODE
yang O
telah O
dilakukan O
, O
dapat O
disimpulkan O
bahwa O
respon B-TEMUAN
pengguna I-TEMUAN
terhadap I-TEMUAN
aplikasi I-TEMUAN
telemedicine I-TEMUAN
didominasi I-TEMUAN
oleh I-TEMUAN
sentimen I-TEMUAN
positif.Tingginya I-TEMUAN
tingkat O
respon O
positif O
dari O
ulasan O
pengguna O
menunjukkan O
bahwa O
kehadiran O
aplikasi O
telemedicine O
memberikan O
manfaat O
dan O
kemudahan O
bagi O
pengguna O
tersebut O
dalam O
mendapatkan O
akses O
kesehatan. O
Namun O
adanya O
respon O
negatif O
dari O
pengguna O
menunjukkan O
bahwa O
masih O
terdapat O
beberapa O
kekurangan O
dalam O
implementasi O
layanan O
aplikasi O
telemedicine O
di O
Indonesia. O
3 O
) O
Berdasarkan O
pemodelan O
topik O
yang O
telah O
dilakukan O
, O
aspek O
yang O
mendapat O
nilai O
positif O
dari O
aplikasi O
telemedicine O
adalah O
konsultasi O
dengan O
dokter O
yang O
ramah O
dan O
kemudahan O
serta O
kebermanfaatan O
aplikasi O
dalam O
mengakses O
rumah O
melalui O
aplikasi. O
Sedangkan O
aspek O
yang O
mendapat O
nilai O
negatif O
dari O
aplikasi O
telemedicine O
adalah O
proses O
pembelian O
obat O
yang O
masih O
bermasalah O
, O
sistem O
aplikasi O
yang O
masing O
kurang O
baik O
, O
adanya O
autodebet O
, O
dan O
adanya O
telepon O
mengatasnamakan O
aplikasi O
yang O
mengganggu O
kenyamanan O
pengguna. O
layanan O
kesehatan O
di O
2. O
Saran O
Pada O
penelitian O
ini O
dilakukan O
analisis O
respon O
dan O
opini O
pengguna O
telemedicine O
di O
Indonesia O
dengan O
melakukan O
analisis O
sentimen O
dan O
topic O
modelling O
terhadap O
ulasan O
aplikasi O
Halodoc O
dan O
Alodokter. O
Namun O
diketahui O
bahwa O
terdapat O
beberapa O
aplikasi O
telemedicine O
lain O
yang O
tersedia O
di O
Indonesia O
seperti O
KlikDokter O
, O
Good O
Doctor O
, O
YesDok O
, O
SehatQ O
, O
dan O
lain O
sebagainya. O
Sehingga O
agar O
respon O
dan O
opini O
pengguna O
telemedicine O
dapat O
mencakup O
seluruh O
pengguna O
aplikasi O
telemedicine O
, O
pada O
penelitian O
selanjutnya O
dapat O
dilakukan O
analisis O
respon O
dan O
opini O
pengguna O
telemedicine O
dengan O
menambahkan O
ulasan O
pada O
aplikasi O
telemedicine O
lain O
selain O
ulasan O
aplikasi O
Halodoc O
dan O
Alodokter. O
Selain O
itu O
pada O
penelitian O
ini O
analisis O
hanya O
dilakukan O
pada O
ulasan O
yang O
terdapat O
pada O
aplikasi O
telemedicine O
, O
sehingga O
respon O
dan O
opini O
yang O
dihasilkan O
merupakan O
respon O
dari O
masyarakat O
yang O
telah O
menggunakan O
aplikasi O
tersebut. O
Oleh O
karena O
itu O
untuk O
memperoleh O
respon O
dan O
opini O
terhadap O
layanan O
telemedicine O
di O
Indonesia O
secara O
umum O
, O
tidak O
terbatas O
pada O
masyarakat O
yang O
telah O
menggunakan O
layanan O
aplikasi O
telemedicine O
saja O
, O
pada O
penelitian O
selanjutnya O
dapat O
dilakukan O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
analisis O
respon O
dan O
opini O
melalui O
postingan O
media O
sosial O
seperti O
twitter. O
terhadap O
layanan O
telemedicine O
Lalu O
dalam O
proses O
pemodelan O
topik O
pada O
penelitian O
ini O
yang O
merupakan O
bagian O
dari O
rangkaian O
analisis O
respon O
dan O
opini O
pengguna O
telemedicine O
di O
Indonesia O
, O
dapat O
dilihat O
bahwa O
pada O
hasil O
pemodelan O
topik O
masih O
terdapat O
beberapa O
topik O
yang O
beririsan O
satu O
sama O
lain O
sehingga O
topik O
yang O
dihasilkan O
ini O
masih O
kurang O
baik. O
Pada O
penelitian O
ini O
adapun O
pemilihan O
jumlah O
topik O
optimal O
dalam O
topic O
modelling O
menggunakan O
coherence O
score O
sebagai O
ukuran O
evaluasi O
jumlah O
topik O
yang O
dihasilkan. O
Sehingga O
untuk O
memperoleh O
model O
dengan O
hasil O
topik O
yang O
baik O
, O
pada O
penelitian O
selanjutnya O
dapat O
digunakan O
ukuran O
evaluasi O
lain O
seperti O
perplexity O
dalam O
mengevaluasi O
jumlah O
topik O
optimal O
pada O
topic O
modelling. O

Analisis O
Respon O
dan O
Opini O
Pengguna O
Telemedicine O
di O
Indonesia O
Studi O
Kasus O
: O
Halodoc O
dan O
Alodokter O
Talitha O
Nabila O
Saifana O
( O
221810619 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I. O
layanan O
telah O
menggunakan O
Ringkasan— O
Telemedicine O
memberikan O
berbagai O
kemudahan O
serta O
solusi O
atas O
beberapa O
persoalan O
terkait O
layanan O
kesehatan O
, O
sehingga O
diupayakan O
pengembangannya O
oleh O
pemerintah. O
Dalam O
pengembangannya O
, O
perlu O
dilihat O
bagaimana O
penerimaan O
layanan O
tersebut O
di O
masyarakat. O
Tingkat O
penerimaan O
pengguna O
terhadap O
aplikasi O
telemedicine O
yang O
diperoleh O
melalui O
ulasan O
, O
dapat O
menjadi O
salah O
satu O
media O
untuk O
mengetahui O
tingkat O
penerimaan O
masyarakat O
terhadap O
telemedicine O
, O
khususnya O
pada O
masyarakat O
tersebut. O
Namun O
, O
yang O
ulasan-ulasan O
yang O
berjumlah O
banyak O
tersebut O
menyebabkan O
ulasan O
semakin O
beragam O
dan O
sulit O
untuk O
diidentifikasi O
dan O
disimpulkan O
opini O
keseluruhannya O
secara O
manual. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
memanfaatkan B-TUJUAN
text I-TUJUAN
mining I-TUJUAN
dengan I-TUJUAN
melakukan I-TUJUAN
analisis I-TUJUAN
sentimen I-TUJUAN
untuk I-TUJUAN
mengukur I-TUJUAN
sentimen I-TUJUAN
dan I-TUJUAN
melakukan I-TUJUAN
topic I-TUJUAN
modelling I-TUJUAN
untuk I-TUJUAN
memodelkan I-TUJUAN
opini I-TUJUAN
dari I-TUJUAN
ulasan I-TUJUAN
pengguna I-TUJUAN
terhadap I-TUJUAN
aplikasi I-TUJUAN
Indonesia. I-TUJUAN
Hasil O
analisis B-METODE
sentimen I-METODE
menunjukkan O
respon O
pengguna O
terhadap O
aplikasi O
telemedicine O
di O
Indonesia O
cenderung O
positif O
, O
baik O
pada O
ulasan O
aplikasi O
Halodoc O
maupun O
pada O
ulasan O
aplikasi O
Alodokter. O
Kemudian O
, O
hasil O
topic O
modelling O
menunjukkan O
bahwa O
opini B-TEMUAN
yang I-TEMUAN
disampaikan I-TEMUAN
pengguna I-TEMUAN
terhadap I-TEMUAN
telemedicine I-TEMUAN
sebagian I-TEMUAN
besar I-TEMUAN
membahas I-TEMUAN
kemudahan I-TEMUAN
serta I-TEMUAN
permasalahan I-TEMUAN
yang I-TEMUAN
dialami I-TEMUAN
dalam I-TEMUAN
menggunakan I-TEMUAN
pelayanan I-TEMUAN
pada I-TEMUAN
telemedicine. I-TEMUAN
telemedicine O
di O
Kata O
Kunci— O
Telemedicine O
, O
Sentimen O
, O
Topic O
Modelling O
, O
Ulasan O
, O
Google O
Play O
Store. O
[SEP] O
1. O
Kesimpulan O
Dari O
tahapan O
penelitian O
yang O
telah O
dilakukan O
, O
berikut O
hasil O
yang O
dapat O
disimpulkan O
pada O
penelitian O
ini O
: O
1 O
) O
Metode B-METODE
analisis I-METODE
sentimen I-METODE
dengan O
SVM O
kernel O
dan O
topic B-METODE
modelling I-METODE
dengan O
LDA O
dapat O
membantu O
dalam O
mengidentifikasi B-TUJUAN
respon I-TUJUAN
dan I-TUJUAN
opini I-TUJUAN
pengguna I-TUJUAN
terhadap I-TUJUAN
aplikasi I-TUJUAN
telemedicine I-TUJUAN
di I-TUJUAN
Indonesia I-TUJUAN
melalui I-TUJUAN
ulasan I-TUJUAN
pengguna I-TUJUAN
tersebut. I-TUJUAN
2 O
) O
Berdasarkan O
analisis B-METODE
sentimen I-METODE
yang O
telah O
dilakukan O
, O
dapat O
disimpulkan O
bahwa O
respon B-TEMUAN
pengguna I-TEMUAN
terhadap I-TEMUAN
aplikasi I-TEMUAN
telemedicine I-TEMUAN
didominasi I-TEMUAN
oleh I-TEMUAN
sentimen I-TEMUAN
positif.Tingginya I-TEMUAN
tingkat O
respon O
positif O
dari O
ulasan O
pengguna O
menunjukkan O
bahwa O
kehadiran O
aplikasi O
telemedicine O
memberikan O
manfaat O
dan O
kemudahan O
bagi O
pengguna O
tersebut O
dalam O
mendapatkan O
akses O
kesehatan. O
Namun O
adanya O
respon O
negatif O
dari O
pengguna O
menunjukkan O
bahwa O
masih O
terdapat O
beberapa O
kekurangan O
dalam O
implementasi O
layanan O
aplikasi O
telemedicine O
di O
Indonesia. O
3 O
) O
Berdasarkan O
pemodelan O
topik O
yang O
telah O
dilakukan O
, O
aspek O
yang O
mendapat O
nilai O
positif O
dari O
aplikasi O
telemedicine O
adalah O
konsultasi O
dengan O
dokter O
yang O
ramah O
dan O
kemudahan O
serta O
kebermanfaatan O
aplikasi O
dalam O
mengakses O
rumah O
melalui O
aplikasi. O
Sedangkan O
aspek O
yang O
mendapat O
nilai O
negatif O
dari O
aplikasi O
telemedicine O
adalah O
proses O
pembelian O
obat O
yang O
masih O
bermasalah O
, O
sistem O
aplikasi O
yang O
masing O
kurang O
baik O
, O
adanya O
autodebet O
, O
dan O
adanya O
telepon O
mengatasnamakan O
aplikasi O
yang O
mengganggu O
kenyamanan O
pengguna. O
layanan O
kesehatan O
di O
2. O
Saran O
Pada O
penelitian O
ini O
dilakukan O
analisis O
respon O
dan O
opini O
pengguna O
telemedicine O
di O
Indonesia O
dengan O
melakukan O
analisis O
sentimen O
dan O
topic O
modelling O
terhadap O
ulasan O
aplikasi O
Halodoc O
dan O
Alodokter. O
Namun O
diketahui O
bahwa O
terdapat O
beberapa O
aplikasi O
telemedicine O
lain O
yang O
tersedia O
di O
Indonesia O
seperti O
KlikDokter O
, O
Good O
Doctor O
, O
YesDok O
, O
SehatQ O
, O
dan O
lain O
sebagainya. O
Sehingga O
agar O
respon O
dan O
opini O
pengguna O
telemedicine O
dapat O
mencakup O
seluruh O
pengguna O
aplikasi O
telemedicine O
, O
pada O
penelitian O
selanjutnya O
dapat O
dilakukan O
analisis O
respon O
dan O
opini O
pengguna O
telemedicine O
dengan O
menambahkan O
ulasan O
pada O
aplikasi O
telemedicine O
lain O
selain O
ulasan O
aplikasi O
Halodoc O
dan O
Alodokter. O
Selain O
itu O
pada O
penelitian O
ini O
analisis O
hanya O
dilakukan O
pada O
ulasan O
yang O
terdapat O
pada O
aplikasi O
telemedicine O
, O
sehingga O
respon O
dan O
opini O
yang O
dihasilkan O
merupakan O
respon O
dari O
masyarakat O
yang O
telah O
menggunakan O
aplikasi O
tersebut. O
Oleh O
karena O
itu O
untuk O
memperoleh O
respon O
dan O
opini O
terhadap O
layanan O
telemedicine O
di O
Indonesia O
secara O
umum O
, O
tidak O
terbatas O
pada O
masyarakat O
yang O
telah O
menggunakan O
layanan O
aplikasi O
telemedicine O
saja O
, O
pada O
penelitian O
selanjutnya O
dapat O
dilakukan O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
analisis O
respon O
dan O
opini O
melalui O
postingan O
media O
sosial O
seperti O
twitter. O
terhadap O
layanan O
telemedicine O
Lalu O
dalam O
proses O
pemodelan O
topik O
pada O
penelitian O
ini O
yang O
merupakan O
bagian O
dari O
rangkaian O
analisis O
respon O
dan O
opini O
pengguna O
telemedicine O
di O
Indonesia O
, O
dapat O
dilihat O
bahwa O
pada O
hasil O
pemodelan O
topik O
masih O
terdapat O
beberapa O
topik O
yang O
beririsan O
satu O
sama O
lain O
sehingga O
topik O
yang O
dihasilkan O
ini O
masih O
kurang O
baik. O
Pada O
penelitian O
ini O
adapun O
pemilihan O
jumlah O
topik O
optimal O
dalam O
topic O
modelling O
menggunakan O
coherence O
score O
sebagai O
ukuran O
evaluasi O
jumlah O
topik O
yang O
dihasilkan. O
Sehingga O
untuk O
memperoleh O
model O
dengan O
hasil O
topik O
yang O
baik O
, O
pada O
penelitian O
selanjutnya O
dapat O
digunakan O
ukuran O
evaluasi O
lain O
seperti O
perplexity O
dalam O
mengevaluasi O
jumlah O
topik O
optimal O
pada O
topic O
modelling. O

Analisis O
Respon O
dan O
Opini O
Pengguna O
Telemedicine O
di O
Indonesia O
Studi O
Kasus O
: O
Halodoc O
dan O
Alodokter O
Talitha O
Nabila O
Saifana O
( O
221810619 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I. O
layanan O
telah O
menggunakan O
Ringkasan— O
Telemedicine O
memberikan O
berbagai O
kemudahan O
serta O
solusi O
atas O
beberapa O
persoalan O
terkait O
layanan O
kesehatan O
, O
sehingga O
diupayakan O
pengembangannya O
oleh O
pemerintah. O
Dalam O
pengembangannya O
, O
perlu O
dilihat O
bagaimana O
penerimaan O
layanan O
tersebut O
di O
masyarakat. O
Tingkat O
penerimaan O
pengguna O
terhadap O
aplikasi O
telemedicine O
yang O
diperoleh O
melalui O
ulasan O
, O
dapat O
menjadi O
salah O
satu O
media O
untuk O
mengetahui O
tingkat O
penerimaan O
masyarakat O
terhadap O
telemedicine O
, O
khususnya O
pada O
masyarakat O
tersebut. O
Namun O
, O
yang O
ulasan-ulasan O
yang O
berjumlah O
banyak O
tersebut O
menyebabkan O
ulasan O
semakin O
beragam O
dan O
sulit O
untuk O
diidentifikasi O
dan O
disimpulkan O
opini O
keseluruhannya O
secara O
manual. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
memanfaatkan B-TUJUAN
text I-TUJUAN
mining I-TUJUAN
dengan I-TUJUAN
melakukan I-TUJUAN
analisis I-TUJUAN
sentimen I-TUJUAN
untuk I-TUJUAN
mengukur I-TUJUAN
sentimen I-TUJUAN
dan I-TUJUAN
melakukan I-TUJUAN
topic I-TUJUAN
modelling I-TUJUAN
untuk I-TUJUAN
memodelkan I-TUJUAN
opini I-TUJUAN
dari I-TUJUAN
ulasan I-TUJUAN
pengguna I-TUJUAN
terhadap I-TUJUAN
aplikasi I-TUJUAN
Indonesia. I-TUJUAN
Hasil O
analisis B-METODE
sentimen I-METODE
menunjukkan O
respon O
pengguna O
terhadap O
aplikasi O
telemedicine O
di O
Indonesia O
cenderung O
positif O
, O
baik O
pada O
ulasan O
aplikasi O
Halodoc O
maupun O
pada O
ulasan O
aplikasi O
Alodokter. O
Kemudian O
, O
hasil O
topic O
modelling O
menunjukkan O
bahwa O
opini B-TEMUAN
yang I-TEMUAN
disampaikan I-TEMUAN
pengguna I-TEMUAN
terhadap I-TEMUAN
telemedicine I-TEMUAN
sebagian I-TEMUAN
besar I-TEMUAN
membahas I-TEMUAN
kemudahan I-TEMUAN
serta I-TEMUAN
permasalahan I-TEMUAN
yang I-TEMUAN
dialami I-TEMUAN
dalam I-TEMUAN
menggunakan I-TEMUAN
pelayanan I-TEMUAN
pada I-TEMUAN
telemedicine. I-TEMUAN
telemedicine O
di O
Kata O
Kunci— O
Telemedicine O
, O
Sentimen O
, O
Topic O
Modelling O
, O
Ulasan O
, O
Google O
Play O
Store. O
[SEP] O
1. O
Kesimpulan O
Dari O
tahapan O
penelitian O
yang O
telah O
dilakukan O
, O
berikut O
hasil O
yang O
dapat O
disimpulkan O
pada O
penelitian O
ini O
: O
1 O
) O
Metode B-METODE
analisis I-METODE
sentimen I-METODE
dengan O
SVM O
kernel O
dan O
topic B-METODE
modelling I-METODE
dengan O
LDA O
dapat O
membantu O
dalam O
mengidentifikasi B-TUJUAN
respon I-TUJUAN
dan I-TUJUAN
opini I-TUJUAN
pengguna I-TUJUAN
terhadap I-TUJUAN
aplikasi I-TUJUAN
telemedicine I-TUJUAN
di I-TUJUAN
Indonesia I-TUJUAN
melalui I-TUJUAN
ulasan I-TUJUAN
pengguna I-TUJUAN
tersebut. I-TUJUAN
2 O
) O
Berdasarkan O
analisis B-METODE
sentimen I-METODE
yang O
telah O
dilakukan O
, O
dapat O
disimpulkan O
bahwa O
respon B-TEMUAN
pengguna I-TEMUAN
terhadap I-TEMUAN
aplikasi I-TEMUAN
telemedicine I-TEMUAN
didominasi I-TEMUAN
oleh I-TEMUAN
sentimen I-TEMUAN
positif.Tingginya I-TEMUAN
tingkat O
respon O
positif O
dari O
ulasan O
pengguna O
menunjukkan O
bahwa O
kehadiran O
aplikasi O
telemedicine O
memberikan O
manfaat O
dan O
kemudahan O
bagi O
pengguna O
tersebut O
dalam O
mendapatkan O
akses O
kesehatan. O
Namun O
adanya O
respon O
negatif O
dari O
pengguna O
menunjukkan O
bahwa O
masih O
terdapat O
beberapa O
kekurangan O
dalam O
implementasi O
layanan O
aplikasi O
telemedicine O
di O
Indonesia. O
3 O
) O
Berdasarkan O
pemodelan O
topik O
yang O
telah O
dilakukan O
, O
aspek O
yang O
mendapat O
nilai O
positif O
dari O
aplikasi O
telemedicine O
adalah O
konsultasi O
dengan O
dokter O
yang O
ramah O
dan O
kemudahan O
serta O
kebermanfaatan O
aplikasi O
dalam O
mengakses O
rumah O
melalui O
aplikasi. O
Sedangkan O
aspek O
yang O
mendapat O
nilai O
negatif O
dari O
aplikasi O
telemedicine O
adalah O
proses O
pembelian O
obat O
yang O
masih O
bermasalah O
, O
sistem O
aplikasi O
yang O
masing O
kurang O
baik O
, O
adanya O
autodebet O
, O
dan O
adanya O
telepon O
mengatasnamakan O
aplikasi O
yang O
mengganggu O
kenyamanan O
pengguna. O
layanan O
kesehatan O
di O
2. O
Saran O
Pada O
penelitian O
ini O
dilakukan O
analisis O
respon O
dan O
opini O
pengguna O
telemedicine O
di O
Indonesia O
dengan O
melakukan O
analisis O
sentimen O
dan O
topic O
modelling O
terhadap O
ulasan O
aplikasi O
Halodoc O
dan O
Alodokter. O
Namun O
diketahui O
bahwa O
terdapat O
beberapa O
aplikasi O
telemedicine O
lain O
yang O
tersedia O
di O
Indonesia O
seperti O
KlikDokter O
, O
Good O
Doctor O
, O
YesDok O
, O
SehatQ O
, O
dan O
lain O
sebagainya. O
Sehingga O
agar O
respon O
dan O
opini O
pengguna O
telemedicine O
dapat O
mencakup O
seluruh O
pengguna O
aplikasi O
telemedicine O
, O
pada O
penelitian O
selanjutnya O
dapat O
dilakukan O
analisis O
respon O
dan O
opini O
pengguna O
telemedicine O
dengan O
menambahkan O
ulasan O
pada O
aplikasi O
telemedicine O
lain O
selain O
ulasan O
aplikasi O
Halodoc O
dan O
Alodokter. O
Selain O
itu O
pada O
penelitian O
ini O
analisis O
hanya O
dilakukan O
pada O
ulasan O
yang O
terdapat O
pada O
aplikasi O
telemedicine O
, O
sehingga O
respon O
dan O
opini O
yang O
dihasilkan O
merupakan O
respon O
dari O
masyarakat O
yang O
telah O
menggunakan O
aplikasi O
tersebut. O
Oleh O
karena O
itu O
untuk O
memperoleh O
respon O
dan O
opini O
terhadap O
layanan O
telemedicine O
di O
Indonesia O
secara O
umum O
, O
tidak O
terbatas O
pada O
masyarakat O
yang O
telah O
menggunakan O
layanan O
aplikasi O
telemedicine O
saja O
, O
pada O
penelitian O
selanjutnya O
dapat O
dilakukan O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
analisis O
respon O
dan O
opini O
melalui O
postingan O
media O
sosial O
seperti O
twitter. O
terhadap O
layanan O
telemedicine O
Lalu O
dalam O
proses O
pemodelan O
topik O
pada O
penelitian O
ini O
yang O
merupakan O
bagian O
dari O
rangkaian O
analisis O
respon O
dan O
opini O
pengguna O
telemedicine O
di O
Indonesia O
, O
dapat O
dilihat O
bahwa O
pada O
hasil O
pemodelan O
topik O
masih O
terdapat O
beberapa O
topik O
yang O
beririsan O
satu O
sama O
lain O
sehingga O
topik O
yang O
dihasilkan O
ini O
masih O
kurang O
baik. O
Pada O
penelitian O
ini O
adapun O
pemilihan O
jumlah O
topik O
optimal O
dalam O
topic O
modelling O
menggunakan O
coherence O
score O
sebagai O
ukuran O
evaluasi O
jumlah O
topik O
yang O
dihasilkan. O
Sehingga O
untuk O
memperoleh O
model O
dengan O
hasil O
topik O
yang O
baik O
, O
pada O
penelitian O
selanjutnya O
dapat O
digunakan O
ukuran O
evaluasi O
lain O
seperti O
perplexity O
dalam O
mengevaluasi O
jumlah O
topik O
optimal O
pada O
topic O
modelling. O

Pengembangan O
Aplikasi O
LekDarjo O
Modul O
Visualisasi O
Sultan O
Achmad O
Rizaldi O
( O
221810618 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M.Stat O
Ringkasan— O
Publikasi O
data O
potensi O
desa O
atau O
PODES O
berupa O
visualisasi O
berbasis O
android O
penting O
dilakukan O
karena O
dengan O
hadirnya O
sistem O
android O
, O
diharapkan O
akses O
ke O
data O
PODES O
untuk O
masyarakat O
umum O
semakin O
mudah O
dan O
cepat. O
Penelitian O
ini O
mengembangkan O
aplikasi O
LekDarjo O
berbasis O
android O
untuk O
menampilkan O
visualisasi O
data O
PODES O
Kabupaten O
Sidoarjo O
dalam O
bentuk O
peta O
tematik O
dengan O
tampilan O
informasi O
hingga O
lingkup O
desa O
dan O
berbasis O
web O
yang O
digunakan O
sebagai O
admin O
untuk O
mengolah O
data O
PODES O
agar O
dapat O
ditampilkan O
pada O
aplikasi O
LekDarjo. O
Data O
yang O
digunakan O
dalam O
penelitian O
ini O
yaitu O
data O
PODES O
Kabupaten O
Sidoarjo O
dalam O
Angka O
Tahun O
2020 O
hingga O
tahun O
2021. O
Tujuan O
dari O
penelitian O
ini O
adalah O
menambahkan B-TUJUAN
fitur I-TUJUAN
yang I-TUJUAN
memungkinkan I-TUJUAN
masyarakat I-TUJUAN
umum I-TUJUAN
untuk I-TUJUAN
melihat I-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
PODES I-TUJUAN
pada I-TUJUAN
aplikasi I-TUJUAN
LekDarjo. I-TUJUAN
Pengembangan O
dilakukan O
dengan O
menggunakan O
metode B-METODE
SDLC I-METODE
( I-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
) I-METODE
model I-METODE
waterfall. I-METODE
Evaluasi O
pengembangan O
aplikasi O
LekDarjo O
menggunakan O
black-box B-METODE
testing I-METODE
dan O
juga O
SUS B-METODE
( I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
) I-METODE
. O
Hasil B-TEMUAN
pengujian I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
black-box I-TEMUAN
testing I-TEMUAN
telah I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
hasil I-TEMUAN
SUS I-TEMUAN
memperoleh I-TEMUAN
skor I-TEMUAN
rata-rata I-TEMUAN
88.86364. I-TEMUAN
Kata O
Kunci— O
Visualisasi O
, O
Android O
, O
Web O
, O
Potensi O
Desa O
, O
Sistem O
Informasi O
Geografis. O
[SEP] O
A. O
Kesimpulan O
Kesimpulan O
yang O
dapat O
diambil O
berdasarkan O
skripsi O
Pengembangan O
Aplikasi O
LekDarjo O
Modul O
Visualisasi O
Studi O
Kasus O
BPS O
Kabupaten O
Sidoarjo O
adalah O
sebagai O
berikut. O
1. O
Pengembangan O
sistem O
Aplikasi O
LekDarjo O
berbasis O
android O
telah O
dengan O
menggunakan O
metode B-METODE
SDLC I-METODE
waterfall I-METODE
berhasil O
dikembangkan. O
Fitur-fitur O
seperti O
menampilkan O
visualisasi O
peta O
filter O
berdasarkan O
kecamatan O
dan O
tahun O
, O
tampilan O
informasi O
tiap O
desa O
pada O
peta O
, O
mengedit O
data O
PODES O
, O
menambah O
data O
PODES O
, O
serta O
menghapus O
data O
PODES O
berfungsi O
dengan O
baik. O
tematik O
Kabupaten O
Sidoarjo O
, O
2. O
Telah O
dibangun O
aplikasi O
berbasis O
web O
bernama O
Admin O
Podes O
Lekdarjo O
untuk O
inputing O
data O
PODES O
Sidoarjo O
untuk O
tampilan O
peta O
tematik O
pada O
aplikasi O
LekDarjo. O
3. O
Aplikasi O
LekDarjo O
yang O
dikembangkan O
telah O
diuji O
dan O
dilakukan O
evaluasi O
menggunakan O
black-box B-METODE
testing I-METODE
, I-METODE
system I-METODE
usability I-METODE
scale I-METODE
, I-METODE
dan I-METODE
survei I-METODE
kepuasan I-METODE
pengguna. I-METODE
Berdasarkan O
hasil O
evaluasi O
didapatkan O
secara B-TEMUAN
keseluruhan I-TEMUAN
aplikasi I-TEMUAN
LekDarjo I-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
dapat I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
mudah I-TEMUAN
digunakan I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
B. O
Saran O
Berdasarkan O
kesimpulan O
yang O
didapatkan O
, O
berikut O
adalah O
beberapa O
saran O
yang O
diberikan O
oleh O
peneliti O
: O
1. O
Pengembangan O
pada O
web O
Admin O
Podes O
LekDarjo O
perlu O
dilakukan O
peningkatan O
tampilan O
, O
misalnya O
tampilan O
yang O
lebih O
modern O
karena O
versi O
saat O
ini O
tampilan O
nya O
masih O
sederhana. O
2. O
Pengembangan O
pada O
aplikasi O
LekDarjo O
keseluruhan O
perlu O
dilakukan O
peningkatan O
guna O
untuk O
mengatasi O
masalah O
bug O
saat O
dark O
mode O
aktif. O

Pengembangan O
Aplikasi O
LekDarjo O
Modul O
Visualisasi O
Sultan O
Achmad O
Rizaldi O
( O
221810618 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M.Stat O
Ringkasan— O
Publikasi O
data O
potensi O
desa O
atau O
PODES O
berupa O
visualisasi O
berbasis O
android O
penting O
dilakukan O
karena O
dengan O
hadirnya O
sistem O
android O
, O
diharapkan O
akses O
ke O
data O
PODES O
untuk O
masyarakat O
umum O
semakin O
mudah O
dan O
cepat. O
Penelitian O
ini O
mengembangkan O
aplikasi O
LekDarjo O
berbasis O
android O
untuk O
menampilkan O
visualisasi O
data O
PODES O
Kabupaten O
Sidoarjo O
dalam O
bentuk O
peta O
tematik O
dengan O
tampilan O
informasi O
hingga O
lingkup O
desa O
dan O
berbasis O
web O
yang O
digunakan O
sebagai O
admin O
untuk O
mengolah O
data O
PODES O
agar O
dapat O
ditampilkan O
pada O
aplikasi O
LekDarjo. O
Data O
yang O
digunakan O
dalam O
penelitian O
ini O
yaitu O
data O
PODES O
Kabupaten O
Sidoarjo O
dalam O
Angka O
Tahun O
2020 O
hingga O
tahun O
2021. O
Tujuan O
dari O
penelitian O
ini O
adalah O
menambahkan B-TUJUAN
fitur I-TUJUAN
yang I-TUJUAN
memungkinkan I-TUJUAN
masyarakat I-TUJUAN
umum I-TUJUAN
untuk I-TUJUAN
melihat I-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
PODES I-TUJUAN
pada I-TUJUAN
aplikasi I-TUJUAN
LekDarjo. I-TUJUAN
Pengembangan O
dilakukan O
dengan O
menggunakan O
metode B-METODE
SDLC I-METODE
( I-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
) I-METODE
model I-METODE
waterfall. I-METODE
Evaluasi O
pengembangan O
aplikasi O
LekDarjo O
menggunakan O
black-box B-METODE
testing I-METODE
dan O
juga O
SUS B-METODE
( I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
) I-METODE
. O
Hasil B-TEMUAN
pengujian I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
black-box I-TEMUAN
testing I-TEMUAN
telah I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
hasil I-TEMUAN
SUS I-TEMUAN
memperoleh I-TEMUAN
skor I-TEMUAN
rata-rata I-TEMUAN
88.86364. I-TEMUAN
Kata O
Kunci— O
Visualisasi O
, O
Android O
, O
Web O
, O
Potensi O
Desa O
, O
Sistem O
Informasi O
Geografis. O
[SEP] O
A. O
Kesimpulan O
Kesimpulan O
yang O
dapat O
diambil O
berdasarkan O
skripsi O
Pengembangan O
Aplikasi O
LekDarjo O
Modul O
Visualisasi O
Studi O
Kasus O
BPS O
Kabupaten O
Sidoarjo O
adalah O
sebagai O
berikut. O
1. O
Pengembangan O
sistem O
Aplikasi O
LekDarjo O
berbasis O
android O
telah O
dengan O
menggunakan O
metode B-METODE
SDLC I-METODE
waterfall I-METODE
berhasil O
dikembangkan. O
Fitur-fitur O
seperti O
menampilkan O
visualisasi O
peta O
filter O
berdasarkan O
kecamatan O
dan O
tahun O
, O
tampilan O
informasi O
tiap O
desa O
pada O
peta O
, O
mengedit O
data O
PODES O
, O
menambah O
data O
PODES O
, O
serta O
menghapus O
data O
PODES O
berfungsi O
dengan O
baik. O
tematik O
Kabupaten O
Sidoarjo O
, O
2. O
Telah O
dibangun O
aplikasi O
berbasis O
web O
bernama O
Admin O
Podes O
Lekdarjo O
untuk O
inputing O
data O
PODES O
Sidoarjo O
untuk O
tampilan O
peta O
tematik O
pada O
aplikasi O
LekDarjo. O
3. O
Aplikasi O
LekDarjo O
yang O
dikembangkan O
telah O
diuji O
dan O
dilakukan O
evaluasi O
menggunakan O
black-box B-METODE
testing I-METODE
, I-METODE
system I-METODE
usability I-METODE
scale I-METODE
, I-METODE
dan I-METODE
survei I-METODE
kepuasan I-METODE
pengguna. I-METODE
Berdasarkan O
hasil O
evaluasi O
didapatkan O
secara B-TEMUAN
keseluruhan I-TEMUAN
aplikasi I-TEMUAN
LekDarjo I-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
dapat I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
mudah I-TEMUAN
digunakan I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
B. O
Saran O
Berdasarkan O
kesimpulan O
yang O
didapatkan O
, O
berikut O
adalah O
beberapa O
saran O
yang O
diberikan O
oleh O
peneliti O
: O
1. O
Pengembangan O
pada O
web O
Admin O
Podes O
LekDarjo O
perlu O
dilakukan O
peningkatan O
tampilan O
, O
misalnya O
tampilan O
yang O
lebih O
modern O
karena O
versi O
saat O
ini O
tampilan O
nya O
masih O
sederhana. O
2. O
Pengembangan O
pada O
aplikasi O
LekDarjo O
keseluruhan O
perlu O
dilakukan O
peningkatan O
guna O
untuk O
mengatasi O
masalah O
bug O
saat O
dark O
mode O
aktif. O

Pengembangan O
Aplikasi O
LekDarjo O
Modul O
Visualisasi O
Sultan O
Achmad O
Rizaldi O
( O
221810618 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M.Stat O
Ringkasan— O
Publikasi O
data O
potensi O
desa O
atau O
PODES O
berupa O
visualisasi O
berbasis O
android O
penting O
dilakukan O
karena O
dengan O
hadirnya O
sistem O
android O
, O
diharapkan O
akses O
ke O
data O
PODES O
untuk O
masyarakat O
umum O
semakin O
mudah O
dan O
cepat. O
Penelitian O
ini O
mengembangkan O
aplikasi O
LekDarjo O
berbasis O
android O
untuk O
menampilkan O
visualisasi O
data O
PODES O
Kabupaten O
Sidoarjo O
dalam O
bentuk O
peta O
tematik O
dengan O
tampilan O
informasi O
hingga O
lingkup O
desa O
dan O
berbasis O
web O
yang O
digunakan O
sebagai O
admin O
untuk O
mengolah O
data O
PODES O
agar O
dapat O
ditampilkan O
pada O
aplikasi O
LekDarjo. O
Data O
yang O
digunakan O
dalam O
penelitian O
ini O
yaitu O
data O
PODES O
Kabupaten O
Sidoarjo O
dalam O
Angka O
Tahun O
2020 O
hingga O
tahun O
2021. O
Tujuan O
dari O
penelitian O
ini O
adalah O
menambahkan B-TUJUAN
fitur I-TUJUAN
yang I-TUJUAN
memungkinkan I-TUJUAN
masyarakat I-TUJUAN
umum I-TUJUAN
untuk I-TUJUAN
melihat I-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
PODES I-TUJUAN
pada I-TUJUAN
aplikasi I-TUJUAN
LekDarjo. I-TUJUAN
Pengembangan O
dilakukan O
dengan O
menggunakan O
metode B-METODE
SDLC I-METODE
( I-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
) I-METODE
model I-METODE
waterfall. I-METODE
Evaluasi O
pengembangan O
aplikasi O
LekDarjo O
menggunakan O
black-box B-METODE
testing I-METODE
dan O
juga O
SUS B-METODE
( I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
) I-METODE
. O
Hasil B-TEMUAN
pengujian I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
black-box I-TEMUAN
testing I-TEMUAN
telah I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
hasil I-TEMUAN
SUS I-TEMUAN
memperoleh I-TEMUAN
skor I-TEMUAN
rata-rata I-TEMUAN
88.86364. I-TEMUAN
Kata O
Kunci— O
Visualisasi O
, O
Android O
, O
Web O
, O
Potensi O
Desa O
, O
Sistem O
Informasi O
Geografis. O
[SEP] O
A. O
Kesimpulan O
Kesimpulan O
yang O
dapat O
diambil O
berdasarkan O
skripsi O
Pengembangan O
Aplikasi O
LekDarjo O
Modul O
Visualisasi O
Studi O
Kasus O
BPS O
Kabupaten O
Sidoarjo O
adalah O
sebagai O
berikut. O
1. O
Pengembangan O
sistem O
Aplikasi O
LekDarjo O
berbasis O
android O
telah O
dengan O
menggunakan O
metode B-METODE
SDLC I-METODE
waterfall I-METODE
berhasil O
dikembangkan. O
Fitur-fitur O
seperti O
menampilkan O
visualisasi O
peta O
filter O
berdasarkan O
kecamatan O
dan O
tahun O
, O
tampilan O
informasi O
tiap O
desa O
pada O
peta O
, O
mengedit O
data O
PODES O
, O
menambah O
data O
PODES O
, O
serta O
menghapus O
data O
PODES O
berfungsi O
dengan O
baik. O
tematik O
Kabupaten O
Sidoarjo O
, O
2. O
Telah O
dibangun O
aplikasi O
berbasis O
web O
bernama O
Admin O
Podes O
Lekdarjo O
untuk O
inputing O
data O
PODES O
Sidoarjo O
untuk O
tampilan O
peta O
tematik O
pada O
aplikasi O
LekDarjo. O
3. O
Aplikasi O
LekDarjo O
yang O
dikembangkan O
telah O
diuji O
dan O
dilakukan O
evaluasi O
menggunakan O
black-box B-METODE
testing I-METODE
, I-METODE
system I-METODE
usability I-METODE
scale I-METODE
, I-METODE
dan I-METODE
survei I-METODE
kepuasan I-METODE
pengguna. I-METODE
Berdasarkan O
hasil O
evaluasi O
didapatkan O
secara B-TEMUAN
keseluruhan I-TEMUAN
aplikasi I-TEMUAN
LekDarjo I-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
dapat I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
mudah I-TEMUAN
digunakan I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
B. O
Saran O
Berdasarkan O
kesimpulan O
yang O
didapatkan O
, O
berikut O
adalah O
beberapa O
saran O
yang O
diberikan O
oleh O
peneliti O
: O
1. O
Pengembangan O
pada O
web O
Admin O
Podes O
LekDarjo O
perlu O
dilakukan O
peningkatan O
tampilan O
, O
misalnya O
tampilan O
yang O
lebih O
modern O
karena O
versi O
saat O
ini O
tampilan O
nya O
masih O
sederhana. O
2. O
Pengembangan O
pada O
aplikasi O
LekDarjo O
keseluruhan O
perlu O
dilakukan O
peningkatan O
guna O
untuk O
mengatasi O
masalah O
bug O
saat O
dark O
mode O
aktif. O

Pengembangan O
Aplikasi O
LekDarjo O
Modul O
Visualisasi O
Sultan O
Achmad O
Rizaldi O
( O
221810618 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M.Stat O
Ringkasan— O
Publikasi O
data O
potensi O
desa O
atau O
PODES O
berupa O
visualisasi O
berbasis O
android O
penting O
dilakukan O
karena O
dengan O
hadirnya O
sistem O
android O
, O
diharapkan O
akses O
ke O
data O
PODES O
untuk O
masyarakat O
umum O
semakin O
mudah O
dan O
cepat. O
Penelitian O
ini O
mengembangkan O
aplikasi O
LekDarjo O
berbasis O
android O
untuk O
menampilkan O
visualisasi O
data O
PODES O
Kabupaten O
Sidoarjo O
dalam O
bentuk O
peta O
tematik O
dengan O
tampilan O
informasi O
hingga O
lingkup O
desa O
dan O
berbasis O
web O
yang O
digunakan O
sebagai O
admin O
untuk O
mengolah O
data O
PODES O
agar O
dapat O
ditampilkan O
pada O
aplikasi O
LekDarjo. O
Data O
yang O
digunakan O
dalam O
penelitian O
ini O
yaitu O
data O
PODES O
Kabupaten O
Sidoarjo O
dalam O
Angka O
Tahun O
2020 O
hingga O
tahun O
2021. O
Tujuan O
dari O
penelitian O
ini O
adalah O
menambahkan B-TUJUAN
fitur I-TUJUAN
yang I-TUJUAN
memungkinkan I-TUJUAN
masyarakat I-TUJUAN
umum I-TUJUAN
untuk I-TUJUAN
melihat I-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
PODES I-TUJUAN
pada I-TUJUAN
aplikasi I-TUJUAN
LekDarjo. I-TUJUAN
Pengembangan O
dilakukan O
dengan O
menggunakan O
metode B-METODE
SDLC I-METODE
( I-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
) I-METODE
model I-METODE
waterfall. I-METODE
Evaluasi O
pengembangan O
aplikasi O
LekDarjo O
menggunakan O
black-box B-METODE
testing I-METODE
dan O
juga O
SUS B-METODE
( I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
) I-METODE
. O
Hasil B-TEMUAN
pengujian I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
black-box I-TEMUAN
testing I-TEMUAN
telah I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
hasil I-TEMUAN
SUS I-TEMUAN
memperoleh I-TEMUAN
skor I-TEMUAN
rata-rata I-TEMUAN
88.86364. I-TEMUAN
Kata O
Kunci— O
Visualisasi O
, O
Android O
, O
Web O
, O
Potensi O
Desa O
, O
Sistem O
Informasi O
Geografis. O
[SEP] O
A. O
Kesimpulan O
Kesimpulan O
yang O
dapat O
diambil O
berdasarkan O
skripsi O
Pengembangan O
Aplikasi O
LekDarjo O
Modul O
Visualisasi O
Studi O
Kasus O
BPS O
Kabupaten O
Sidoarjo O
adalah O
sebagai O
berikut. O
1. O
Pengembangan O
sistem O
Aplikasi O
LekDarjo O
berbasis O
android O
telah O
dengan O
menggunakan O
metode B-METODE
SDLC I-METODE
waterfall I-METODE
berhasil O
dikembangkan. O
Fitur-fitur O
seperti O
menampilkan O
visualisasi O
peta O
filter O
berdasarkan O
kecamatan O
dan O
tahun O
, O
tampilan O
informasi O
tiap O
desa O
pada O
peta O
, O
mengedit O
data O
PODES O
, O
menambah O
data O
PODES O
, O
serta O
menghapus O
data O
PODES O
berfungsi O
dengan O
baik. O
tematik O
Kabupaten O
Sidoarjo O
, O
2. O
Telah O
dibangun O
aplikasi O
berbasis O
web O
bernama O
Admin O
Podes O
Lekdarjo O
untuk O
inputing O
data O
PODES O
Sidoarjo O
untuk O
tampilan O
peta O
tematik O
pada O
aplikasi O
LekDarjo. O
3. O
Aplikasi O
LekDarjo O
yang O
dikembangkan O
telah O
diuji O
dan O
dilakukan O
evaluasi O
menggunakan O
black-box B-METODE
testing I-METODE
, I-METODE
system I-METODE
usability I-METODE
scale I-METODE
, I-METODE
dan I-METODE
survei I-METODE
kepuasan I-METODE
pengguna. I-METODE
Berdasarkan O
hasil O
evaluasi O
didapatkan O
secara B-TEMUAN
keseluruhan I-TEMUAN
aplikasi I-TEMUAN
LekDarjo I-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
dapat I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
mudah I-TEMUAN
digunakan I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
B. O
Saran O
Berdasarkan O
kesimpulan O
yang O
didapatkan O
, O
berikut O
adalah O
beberapa O
saran O
yang O
diberikan O
oleh O
peneliti O
: O
1. O
Pengembangan O
pada O
web O
Admin O
Podes O
LekDarjo O
perlu O
dilakukan O
peningkatan O
tampilan O
, O
misalnya O
tampilan O
yang O
lebih O
modern O
karena O
versi O
saat O
ini O
tampilan O
nya O
masih O
sederhana. O
2. O
Pengembangan O
pada O
aplikasi O
LekDarjo O
keseluruhan O
perlu O
dilakukan O
peningkatan O
guna O
untuk O
mengatasi O
masalah O
bug O
saat O
dark O
mode O
aktif. O

Ekstraksi O
Citra O
Satelit O
sebagai O
Variabel O
Penyerta O
SAE O
Tingkat O
Kemiskinan O
pada O
Level O
Kecamatan O
Studi O
Kasus O
: O
Wilayah O
Kota O
di O
Provinsi O
Jawa O
Barat O
tahun O
2020 O
Sita O
Dian O
Maretna O
( O
221810608 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Siti O
Muchlisoh O
, O
M.Si. O
Ringkasan—Penelitian O
ini O
fokus O
pada O
wilayah O
kota O
Provinsi O
Jawa O
Barat O
sebagai O
area O
studi O
kasus. O
Persentase O
penduduk O
miskin O
yang O
relatif O
rendah O
namun O
bertolak O
belakang O
dengan O
rasio O
gini O
yang O
cukup O
tinggi O
, O
mengindikasikan O
fenomena O
kemiskinan O
di O
wilayah O
tersebut O
perlu O
ditelaah O
lebih O
dalam. O
Dalam O
hal O
ini O
, O
Small O
Area O
Estimation O
( O
SAE O
) O
digunakan O
untuk O
mengestimasi O
tingkat O
kemiskinan O
pada O
level O
area O
kecamatan. O
Metode O
SAE O
menggunakan O
variabel O
penyerta O
untuk O
mendukung O
estimasi O
dengan O
tingkat O
presisi O
yang O
memadai. O
Data O
Podes O
seringkali O
dijadikan O
variabel O
penyerta O
dalam O
SAE. O
Namun O
demikian O
, O
interval O
pengumpulannya O
yang O
panjang O
, O
membuat O
data O
ini O
kurang O
dapat O
diandalkan. O
Untuk O
itu O
, O
data O
hasil O
ekstraksi O
citra O
sebagai O
variabel O
pernyerta. O
Oleh O
sebab O
itu O
, O
penelitian O
ini O
akan O
mempelajari B-TUJUAN
penggunaan I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
sebagai I-TUJUAN
sumber I-TUJUAN
data I-TUJUAN
variabel I-TUJUAN
penyerta I-TUJUAN
untuk I-TUJUAN
mengestimasi I-TUJUAN
kemiskinan I-TUJUAN
dengan I-TUJUAN
SAE. I-TUJUAN
Pada O
penelitian O
ini O
, O
dilakukan O
SAE B-METODE
tingat O
kemiskinan O
pada O
71 O
kecamatan O
tersampel O
dari O
wilayah O
amatan. O
Adapun O
variabel O
penyerta O
yang O
ialah O
data O
Podes O
, O
ekstraksi O
citra O
satelit O
, O
dan O
digunakan O
kombinasi O
keduanya. O
Berdasarkan O
ukuran O
evaluasi B-METODE
MSE I-METODE
dan I-METODE
RSE I-METODE
dari O
hasil O
estimasi O
, O
ditemukan B-TEMUAN
bahwa I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
ialah I-TEMUAN
SAE I-TEMUAN
dengan I-TEMUAN
variabel I-TEMUAN
penyerta I-TEMUAN
ekstraksi I-TEMUAN
citra I-TEMUAN
satelit. I-TEMUAN
Oleh O
sebab O
itu O
, O
pemetaan O
kemiskinan O
menggunakan O
hasil O
estimasi O
pada O
model O
tersebut. O
satelit O
dapat O
dijadikan O
altervatif O
Kata O
Kunci— O
Kemiskinan O
, O
Small O
Area O
Estimation O
( O
SAE O
) O
, O
EBLUP O
, O
Citra O
Satelit O
, O
Remote O
Sensing. O
[SEP] O
Berdasarkan O
hasil O
penelitan O
yang O
VII. O
telah O
dipaparkan O
sebelumnya O
, O
berikut O
beberapa O
hal O
yang O
dapat O
disimpulkan. O
1. O
ini O
langsung. O
Hal O
Estimasi B-TEMUAN
tidak I-TEMUAN
langsung I-TEMUAN
dari I-TEMUAN
persentase I-TEMUAN
kemiskinan I-TEMUAN
penduduk I-TEMUAN
pada I-TEMUAN
71 I-TEMUAN
kecamatan I-TEMUAN
tersampel I-TEMUAN
dengan I-TEMUAN
beberapa I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
variabel I-TEMUAN
penyerta I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
dibandingkan I-TEMUAN
estimasi I-TEMUAN
terlihat I-TEMUAN
dari I-TEMUAN
konvergensi I-TEMUAN
hasil I-TEMUAN
estimasi I-TEMUAN
serta I-TEMUAN
nilai I-TEMUAN
MSE I-TEMUAN
dan I-TEMUAN
RSE I-TEMUAN
yang I-TEMUAN
dihasilkan. I-TEMUAN
Dengan I-TEMUAN
demikian I-TEMUAN
, I-TEMUAN
estimasi I-TEMUAN
tidak I-TEMUAN
langsung I-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
mampu I-TEMUAN
menurunkan I-TEMUAN
kesalahan I-TEMUAN
dari I-TEMUAN
estimasi I-TEMUAN
langsung. I-TEMUAN
2. O
Ditinjau O
dari O
variabel O
penyerta O
yang O
digunakan O
, O
SAE B-METODE
EBLUP-Fay O
Herriot O
dengan O
variabel O
penyerta O
citra O
satelit O
menghasilkan O
estimasi O
yang O
paling O
baik. O
Hal O
ini O
terlihat O
dari O
pola O
MSE O
dan O
RSE O
yang O
dihasilkan O
dari O
model O
tersebut O
yang O
relatif O
berada O
di O
bawah O
model O
dengan O
variabel O
penyerta O
lainnya O
pada O
lebih O
dari O
50 O
persen O
kecamatan O
amatan. O
4. O
Berdasarkan O
hasil O
pemetaan O
tingkat O
kemiskinan O
ditemukan O
bahwa O
terdapat O
pola O
estimasi O
penduduk O
miskin O
di O
sembilan O
kota O
yang O
diamati. O
Semakin O
jauh O
suatu O
kota O
di O
Provinsi O
Jawa O
Barat O
dari O
ibukota O
DKI O
Jakarta O
, O
persentase O
kemiskinannya O
akan O
semakin O
tinggi. O
Hal O
ini O
terkait O
dengan O
kegiatan O
ekonomi O
dan O
fasilitas O
infrastruktur O
yang O
semakin O
mumpuni O
di O
wilayah O
yang O
berbatasan O
dengan O
ibukota O
DKI O
Jakarta. O
Adapun O
kota O
Bandung O
yang O
terletak O
di O
tengah O
Provinsi O
Jawa O
Barat O
juga O
memiliki O
persentase O
penduduk O
miskin O
yang O
relatif O
rendah. O
Hal O
tersebut O
tak O
lepas O
dengan O
status O
Kota O
Bandung O
yang O
merupakan O
ibukota O
Provinsi O
Jawa O
Barat O
, O
sehingga O
pembangunan O
infrastruktur O
dan O
kegiatan O
ekonomi O
di O
Provinsi O
Jawa O
Barat O
cenderung O
berpusat O
di O
Kota O
tersebut. O
5. O
tingkat O
kemiskinan O
di O
atas O
, O
hasil O
pemetaan O
di O
atas O
juga O
menunjukkan O
bahwa O
di O
beberapa O
kota O
terdapat O
kecamatan O
dengan O
persentase O
penduduk O
miskin O
yang O
berbeda O
secara O
signifikan O
satu O
sama O
lain. O
Hal O
tersebut O
menunjukkan O
bahwa O
pemetaan O
tingkat O
kemiskinan O
pada O
level O
kabupaten O
kurang O
representatif O
dengan O
keadaan O
sebenarnya. O
Dengan O
demikian O
, O
estimasi O
tingkat O
kemiskinan O
pada O
level O
kecamatan O
lebih O
representatif O
serta O
lebih O
tepat O
digunakan O
dalam O
mengukur O
tingkat O
kemiskinan. O
Selain O
pola O

Ekstraksi O
Citra O
Satelit O
sebagai O
Variabel O
Penyerta O
SAE O
Tingkat O
Kemiskinan O
pada O
Level O
Kecamatan O
Studi O
Kasus O
: O
Wilayah O
Kota O
di O
Provinsi O
Jawa O
Barat O
tahun O
2020 O
Sita O
Dian O
Maretna O
( O
221810608 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Siti O
Muchlisoh O
, O
M.Si. O
Ringkasan—Penelitian O
ini O
fokus O
pada O
wilayah O
kota O
Provinsi O
Jawa O
Barat O
sebagai O
area O
studi O
kasus. O
Persentase O
penduduk O
miskin O
yang O
relatif O
rendah O
namun O
bertolak O
belakang O
dengan O
rasio O
gini O
yang O
cukup O
tinggi O
, O
mengindikasikan O
fenomena O
kemiskinan O
di O
wilayah O
tersebut O
perlu O
ditelaah O
lebih O
dalam. O
Dalam O
hal O
ini O
, O
Small O
Area O
Estimation O
( O
SAE O
) O
digunakan O
untuk O
mengestimasi O
tingkat O
kemiskinan O
pada O
level O
area O
kecamatan. O
Metode O
SAE O
menggunakan O
variabel O
penyerta O
untuk O
mendukung O
estimasi O
dengan O
tingkat O
presisi O
yang O
memadai. O
Data O
Podes O
seringkali O
dijadikan O
variabel O
penyerta O
dalam O
SAE. O
Namun O
demikian O
, O
interval O
pengumpulannya O
yang O
panjang O
, O
membuat O
data O
ini O
kurang O
dapat O
diandalkan. O
Untuk O
itu O
, O
data O
hasil O
ekstraksi O
citra O
sebagai O
variabel O
pernyerta. O
Oleh O
sebab O
itu O
, O
penelitian O
ini O
akan O
mempelajari B-TUJUAN
penggunaan I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
sebagai I-TUJUAN
sumber I-TUJUAN
data I-TUJUAN
variabel I-TUJUAN
penyerta I-TUJUAN
untuk I-TUJUAN
mengestimasi I-TUJUAN
kemiskinan I-TUJUAN
dengan I-TUJUAN
SAE. I-TUJUAN
Pada O
penelitian O
ini O
, O
dilakukan O
SAE B-METODE
tingat O
kemiskinan O
pada O
71 O
kecamatan O
tersampel O
dari O
wilayah O
amatan. O
Adapun O
variabel O
penyerta O
yang O
ialah O
data O
Podes O
, O
ekstraksi O
citra O
satelit O
, O
dan O
digunakan O
kombinasi O
keduanya. O
Berdasarkan O
ukuran O
evaluasi B-METODE
MSE I-METODE
dan I-METODE
RSE I-METODE
dari O
hasil O
estimasi O
, O
ditemukan B-TEMUAN
bahwa I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
ialah I-TEMUAN
SAE I-TEMUAN
dengan I-TEMUAN
variabel I-TEMUAN
penyerta I-TEMUAN
ekstraksi I-TEMUAN
citra I-TEMUAN
satelit. I-TEMUAN
Oleh O
sebab O
itu O
, O
pemetaan O
kemiskinan O
menggunakan O
hasil O
estimasi O
pada O
model O
tersebut. O
satelit O
dapat O
dijadikan O
altervatif O
Kata O
Kunci— O
Kemiskinan O
, O
Small O
Area O
Estimation O
( O
SAE O
) O
, O
EBLUP O
, O
Citra O
Satelit O
, O
Remote O
Sensing. O
[SEP] O
Berdasarkan O
hasil O
penelitan O
yang O
VII. O
telah O
dipaparkan O
sebelumnya O
, O
berikut O
beberapa O
hal O
yang O
dapat O
disimpulkan. O
1. O
ini O
langsung. O
Hal O
Estimasi B-TEMUAN
tidak I-TEMUAN
langsung I-TEMUAN
dari I-TEMUAN
persentase I-TEMUAN
kemiskinan I-TEMUAN
penduduk I-TEMUAN
pada I-TEMUAN
71 I-TEMUAN
kecamatan I-TEMUAN
tersampel I-TEMUAN
dengan I-TEMUAN
beberapa I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
variabel I-TEMUAN
penyerta I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
dibandingkan I-TEMUAN
estimasi I-TEMUAN
terlihat I-TEMUAN
dari I-TEMUAN
konvergensi I-TEMUAN
hasil I-TEMUAN
estimasi I-TEMUAN
serta I-TEMUAN
nilai I-TEMUAN
MSE I-TEMUAN
dan I-TEMUAN
RSE I-TEMUAN
yang I-TEMUAN
dihasilkan. I-TEMUAN
Dengan I-TEMUAN
demikian I-TEMUAN
, I-TEMUAN
estimasi I-TEMUAN
tidak I-TEMUAN
langsung I-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
mampu I-TEMUAN
menurunkan I-TEMUAN
kesalahan I-TEMUAN
dari I-TEMUAN
estimasi I-TEMUAN
langsung. I-TEMUAN
2. O
Ditinjau O
dari O
variabel O
penyerta O
yang O
digunakan O
, O
SAE B-METODE
EBLUP-Fay O
Herriot O
dengan O
variabel O
penyerta O
citra O
satelit O
menghasilkan O
estimasi O
yang O
paling O
baik. O
Hal O
ini O
terlihat O
dari O
pola O
MSE O
dan O
RSE O
yang O
dihasilkan O
dari O
model O
tersebut O
yang O
relatif O
berada O
di O
bawah O
model O
dengan O
variabel O
penyerta O
lainnya O
pada O
lebih O
dari O
50 O
persen O
kecamatan O
amatan. O
4. O
Berdasarkan O
hasil O
pemetaan O
tingkat O
kemiskinan O
ditemukan O
bahwa O
terdapat O
pola O
estimasi O
penduduk O
miskin O
di O
sembilan O
kota O
yang O
diamati. O
Semakin O
jauh O
suatu O
kota O
di O
Provinsi O
Jawa O
Barat O
dari O
ibukota O
DKI O
Jakarta O
, O
persentase O
kemiskinannya O
akan O
semakin O
tinggi. O
Hal O
ini O
terkait O
dengan O
kegiatan O
ekonomi O
dan O
fasilitas O
infrastruktur O
yang O
semakin O
mumpuni O
di O
wilayah O
yang O
berbatasan O
dengan O
ibukota O
DKI O
Jakarta. O
Adapun O
kota O
Bandung O
yang O
terletak O
di O
tengah O
Provinsi O
Jawa O
Barat O
juga O
memiliki O
persentase O
penduduk O
miskin O
yang O
relatif O
rendah. O
Hal O
tersebut O
tak O
lepas O
dengan O
status O
Kota O
Bandung O
yang O
merupakan O
ibukota O
Provinsi O
Jawa O
Barat O
, O
sehingga O
pembangunan O
infrastruktur O
dan O
kegiatan O
ekonomi O
di O
Provinsi O
Jawa O
Barat O
cenderung O
berpusat O
di O
Kota O
tersebut. O
5. O
tingkat O
kemiskinan O
di O
atas O
, O
hasil O
pemetaan O
di O
atas O
juga O
menunjukkan O
bahwa O
di O
beberapa O
kota O
terdapat O
kecamatan O
dengan O
persentase O
penduduk O
miskin O
yang O
berbeda O
secara O
signifikan O
satu O
sama O
lain. O
Hal O
tersebut O
menunjukkan O
bahwa O
pemetaan O
tingkat O
kemiskinan O
pada O
level O
kabupaten O
kurang O
representatif O
dengan O
keadaan O
sebenarnya. O
Dengan O
demikian O
, O
estimasi O
tingkat O
kemiskinan O
pada O
level O
kecamatan O
lebih O
representatif O
serta O
lebih O
tepat O
digunakan O
dalam O
mengukur O
tingkat O
kemiskinan. O
Selain O
pola O

Ekstraksi O
Citra O
Satelit O
sebagai O
Variabel O
Penyerta O
SAE O
Tingkat O
Kemiskinan O
pada O
Level O
Kecamatan O
Studi O
Kasus O
: O
Wilayah O
Kota O
di O
Provinsi O
Jawa O
Barat O
tahun O
2020 O
Sita O
Dian O
Maretna O
( O
221810608 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Siti O
Muchlisoh O
, O
M.Si. O
Ringkasan—Penelitian O
ini O
fokus O
pada O
wilayah O
kota O
Provinsi O
Jawa O
Barat O
sebagai O
area O
studi O
kasus. O
Persentase O
penduduk O
miskin O
yang O
relatif O
rendah O
namun O
bertolak O
belakang O
dengan O
rasio O
gini O
yang O
cukup O
tinggi O
, O
mengindikasikan O
fenomena O
kemiskinan O
di O
wilayah O
tersebut O
perlu O
ditelaah O
lebih O
dalam. O
Dalam O
hal O
ini O
, O
Small O
Area O
Estimation O
( O
SAE O
) O
digunakan O
untuk O
mengestimasi O
tingkat O
kemiskinan O
pada O
level O
area O
kecamatan. O
Metode O
SAE O
menggunakan O
variabel O
penyerta O
untuk O
mendukung O
estimasi O
dengan O
tingkat O
presisi O
yang O
memadai. O
Data O
Podes O
seringkali O
dijadikan O
variabel O
penyerta O
dalam O
SAE. O
Namun O
demikian O
, O
interval O
pengumpulannya O
yang O
panjang O
, O
membuat O
data O
ini O
kurang O
dapat O
diandalkan. O
Untuk O
itu O
, O
data O
hasil O
ekstraksi O
citra O
sebagai O
variabel O
pernyerta. O
Oleh O
sebab O
itu O
, O
penelitian O
ini O
akan O
mempelajari B-TUJUAN
penggunaan I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
sebagai I-TUJUAN
sumber I-TUJUAN
data I-TUJUAN
variabel I-TUJUAN
penyerta I-TUJUAN
untuk I-TUJUAN
mengestimasi I-TUJUAN
kemiskinan I-TUJUAN
dengan I-TUJUAN
SAE. I-TUJUAN
Pada O
penelitian O
ini O
, O
dilakukan O
SAE B-METODE
tingat O
kemiskinan O
pada O
71 O
kecamatan O
tersampel O
dari O
wilayah O
amatan. O
Adapun O
variabel O
penyerta O
yang O
ialah O
data O
Podes O
, O
ekstraksi O
citra O
satelit O
, O
dan O
digunakan O
kombinasi O
keduanya. O
Berdasarkan O
ukuran O
evaluasi B-METODE
MSE I-METODE
dan I-METODE
RSE I-METODE
dari O
hasil O
estimasi O
, O
ditemukan B-TEMUAN
bahwa I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
ialah I-TEMUAN
SAE I-TEMUAN
dengan I-TEMUAN
variabel I-TEMUAN
penyerta I-TEMUAN
ekstraksi I-TEMUAN
citra I-TEMUAN
satelit. I-TEMUAN
Oleh O
sebab O
itu O
, O
pemetaan O
kemiskinan O
menggunakan O
hasil O
estimasi O
pada O
model O
tersebut. O
satelit O
dapat O
dijadikan O
altervatif O
Kata O
Kunci— O
Kemiskinan O
, O
Small O
Area O
Estimation O
( O
SAE O
) O
, O
EBLUP O
, O
Citra O
Satelit O
, O
Remote O
Sensing. O
[SEP] O
Berdasarkan O
hasil O
penelitan O
yang O
VII. O
telah O
dipaparkan O
sebelumnya O
, O
berikut O
beberapa O
hal O
yang O
dapat O
disimpulkan. O
1. O
ini O
langsung. O
Hal O
Estimasi B-TEMUAN
tidak I-TEMUAN
langsung I-TEMUAN
dari I-TEMUAN
persentase I-TEMUAN
kemiskinan I-TEMUAN
penduduk I-TEMUAN
pada I-TEMUAN
71 I-TEMUAN
kecamatan I-TEMUAN
tersampel I-TEMUAN
dengan I-TEMUAN
beberapa I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
variabel I-TEMUAN
penyerta I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
dibandingkan I-TEMUAN
estimasi I-TEMUAN
terlihat I-TEMUAN
dari I-TEMUAN
konvergensi I-TEMUAN
hasil I-TEMUAN
estimasi I-TEMUAN
serta I-TEMUAN
nilai I-TEMUAN
MSE I-TEMUAN
dan I-TEMUAN
RSE I-TEMUAN
yang I-TEMUAN
dihasilkan. I-TEMUAN
Dengan I-TEMUAN
demikian I-TEMUAN
, I-TEMUAN
estimasi I-TEMUAN
tidak I-TEMUAN
langsung I-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
mampu I-TEMUAN
menurunkan I-TEMUAN
kesalahan I-TEMUAN
dari I-TEMUAN
estimasi I-TEMUAN
langsung. I-TEMUAN
2. O
Ditinjau O
dari O
variabel O
penyerta O
yang O
digunakan O
, O
SAE B-METODE
EBLUP-Fay O
Herriot O
dengan O
variabel O
penyerta O
citra O
satelit O
menghasilkan O
estimasi O
yang O
paling O
baik. O
Hal O
ini O
terlihat O
dari O
pola O
MSE O
dan O
RSE O
yang O
dihasilkan O
dari O
model O
tersebut O
yang O
relatif O
berada O
di O
bawah O
model O
dengan O
variabel O
penyerta O
lainnya O
pada O
lebih O
dari O
50 O
persen O
kecamatan O
amatan. O
4. O
Berdasarkan O
hasil O
pemetaan O
tingkat O
kemiskinan O
ditemukan O
bahwa O
terdapat O
pola O
estimasi O
penduduk O
miskin O
di O
sembilan O
kota O
yang O
diamati. O
Semakin O
jauh O
suatu O
kota O
di O
Provinsi O
Jawa O
Barat O
dari O
ibukota O
DKI O
Jakarta O
, O
persentase O
kemiskinannya O
akan O
semakin O
tinggi. O
Hal O
ini O
terkait O
dengan O
kegiatan O
ekonomi O
dan O
fasilitas O
infrastruktur O
yang O
semakin O
mumpuni O
di O
wilayah O
yang O
berbatasan O
dengan O
ibukota O
DKI O
Jakarta. O
Adapun O
kota O
Bandung O
yang O
terletak O
di O
tengah O
Provinsi O
Jawa O
Barat O
juga O
memiliki O
persentase O
penduduk O
miskin O
yang O
relatif O
rendah. O
Hal O
tersebut O
tak O
lepas O
dengan O
status O
Kota O
Bandung O
yang O
merupakan O
ibukota O
Provinsi O
Jawa O
Barat O
, O
sehingga O
pembangunan O
infrastruktur O
dan O
kegiatan O
ekonomi O
di O
Provinsi O
Jawa O
Barat O
cenderung O
berpusat O
di O
Kota O
tersebut. O
5. O
tingkat O
kemiskinan O
di O
atas O
, O
hasil O
pemetaan O
di O
atas O
juga O
menunjukkan O
bahwa O
di O
beberapa O
kota O
terdapat O
kecamatan O
dengan O
persentase O
penduduk O
miskin O
yang O
berbeda O
secara O
signifikan O
satu O
sama O
lain. O
Hal O
tersebut O
menunjukkan O
bahwa O
pemetaan O
tingkat O
kemiskinan O
pada O
level O
kabupaten O
kurang O
representatif O
dengan O
keadaan O
sebenarnya. O
Dengan O
demikian O
, O
estimasi O
tingkat O
kemiskinan O
pada O
level O
kecamatan O
lebih O
representatif O
serta O
lebih O
tepat O
digunakan O
dalam O
mengukur O
tingkat O
kemiskinan. O
Selain O
pola O

Penerapan O
Model O
Named O
Entity O
Recognition O
Melalui O
Berita O
Online O
pada O
Spacy O
Bahasa O
Indonesia O
Studi O
Kasus O
: O
Dampak O
dan O
Respon O
Karhutla O
di O
Kalimantan O
Sandro O
E. O
Irwansyah O
Pasaribu O
( O
221810597 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Ernawati O
Pasaribu O
S.Si O
, O
M.E. O
Ringkasan— O
Kebakaran O
Hutan O
dan O
Lahan O
( O
karhutla O
) O
merupakan O
bencana O
alam O
yang O
sering O
terjadi O
di O
Indonesia O
, O
terutama O
pada O
pulau O
Kalimantan. O
Untuk O
menyikapi O
bencana O
tersebut O
, O
perlu O
kesadaran O
akan O
mitigasi O
kejadian O
karhutla. O
Kejadian O
tentang O
karhutla O
dapat O
diperoleh O
dari O
berbagai O
media O
elektronik O
, O
salah O
satunya O
adalah O
situs O
berita O
online. O
Informasi O
tentang O
dampak O
dan O
respon O
dari O
kejadian O
karhutla O
dapat O
diperoleh O
dari O
konten O
berita O
online. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
dilaksanakan O
dengan O
menggunakan O
teks O
berita O
online O
dari O
website O
Detik.com O
untuk O
membangun B-TUJUAN
model I-TUJUAN
NER I-TUJUAN
bahasa I-TUJUAN
Indonesia I-TUJUAN
menggunakan I-TUJUAN
library I-TUJUAN
spaCy I-TUJUAN
Python. I-TUJUAN
Model O
NER B-METODE
digunakan O
untuk O
mengekstrak O
informasi O
terkait O
dampak O
dan O
respon O
apa O
yang O
paling O
sering O
dibicarakan O
pada O
berita O
karhutla. O
Model O
dibangun O
dari O
data O
teks O
berita O
yang O
sudah O
dilabeli. O
Model O
NER B-TEMUAN
yang O
dibangun O
memiliki O
f1-score B-METODE
sebesar O
80,20. O
Hasil B-TEMUAN
analisis I-TEMUAN
data I-TEMUAN
ekstraksi I-TEMUAN
informasi I-TEMUAN
diperoleh I-TEMUAN
dampak I-TEMUAN
karhutla I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
banyak I-TEMUAN
dirasakan I-TEMUAN
adalah I-TEMUAN
dampak I-TEMUAN
lingkungan I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
respon I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
banyak I-TEMUAN
dilakukan I-TEMUAN
untuk I-TEMUAN
menyikapi I-TEMUAN
karhutla I-TEMUAN
adalah I-TEMUAN
upaya I-TEMUAN
penanggulangan. I-TEMUAN
Kata O
Kunci— O
Karhutla O
, O
NER O
, O
Berita O
online O
, O
Dampak O
, O
Respon. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
di O
atas O
, O
dapat O
disimpulkan O
bahwa O
: O
1. O
Semantic B-METODE
Network I-METODE
Analysis I-METODE
pada O
teks O
berita O
karhutla O
di O
Kalimantan O
menunjukkan O
bahwa O
kata O
yang O
paling O
sering O
disebutkan O
dalam O
teks O
berita O
adalah O
kata O
“kebakaran” O
, O
“hutan” O
, O
dan O
“lahan” O
seusai O
dengan O
topik O
penelitian. O
Kata O
“asap” O
, O
“kabut” O
, O
“kesehatan” O
, O
“masyarakat” O
, O
“dampak” O
, O
“warga” O
, O
“sosial” O
, O
“ekonomi” O
yang O
tersebar O
di O
sekitar O
kata O
“kebakaran” O
, O
“hutan” O
, O
dan O
“lahan” O
menunjukkan O
bahwa O
dampak-dampak O
yang O
ditimbulkan O
oleh O
kejadian O
karhutla. O
2. O
Telah O
berhasil O
dibangun B-TUJUAN
model I-TUJUAN
NER I-TUJUAN
bahasa I-TUJUAN
Indonesia I-TUJUAN
pada I-TUJUAN
teks I-TUJUAN
berita I-TUJUAN
online I-TUJUAN
menggunakan I-TUJUAN
library I-TUJUAN
spacy. I-TUJUAN
Model O
NER O
yang O
dibangun O
dapat O
mengklasifikasikan O
entitas O
menjadi O
5 O
jenis O
dampak O
( O
D1 O
, O
D2 O
, O
D3 O
, O
D4 O
, O
dan O
D5 O
) O
dan O
3 O
jenis O
respon O
( O
R1 O
, O
R2 O
, O
dan O
R3 O
) O
dari O
kejadian O
karhutla O
di O
Kalimantan. O
3. O
Dari O
pengujian O
terhadap O
ke-empat O
model O
NER O
yang O
dibangun O
, O
diperoleh O
evaluation O
metric O
untuk O
menentukan O
model O
NER O
dengan O
keandalan O
terbaik. O
Hasil B-TEMUAN
perhitungan I-TEMUAN
evaluation I-TEMUAN
metric I-TEMUAN
setiap I-TEMUAN
model I-TEMUAN
diperoleh I-TEMUAN
model I-TEMUAN
dengan I-TEMUAN
F1- I-TEMUAN
score I-TEMUAN
tertinggi I-TEMUAN
adalah I-TEMUAN
model I-TEMUAN
NER I-TEMUAN
dengan I-TEMUAN
perbandingan I-TEMUAN
split I-TEMUAN
data I-TEMUAN
80:20. I-TEMUAN
4. O
Hasil B-TEMUAN
proses I-TEMUAN
ekstraksi I-TEMUAN
informasi I-TEMUAN
menggunakan I-TEMUAN
model I-TEMUAN
NER I-TEMUAN
terbaik I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
frekuensi I-TEMUAN
dampak I-TEMUAN
dan I-TEMUAN
respon I-TEMUAN
yang I-TEMUAN
disebutkan I-TEMUAN
dalam I-TEMUAN
teks I-TEMUAN
berita I-TEMUAN
online I-TEMUAN
Detik.com I-TEMUAN
masing-masing I-TEMUAN
sebanyak I-TEMUAN
5237 I-TEMUAN
dan I-TEMUAN
3840. I-TEMUAN
Dampak O
lingkungan O
hidup O
merupakan O
dampak O
dengan O
frekuensi O
terbesar O
yang O
disebutkan O
dalam O
teks O
berita. O
Respon O
penanggulangan O
merupakan O
respon O
dengan O
frekuensi O
terbesar O
yang O
disebutkan O
dalam O
teks O
berita. O
Dampak O
sosial O
dan O
respon O
pencegahan O
merupakan O
entitas O
yang O
memiliki O
hubungan O
yang O
kuat O
dan O
berbanding O
lurus O
terhadap O
jumlah O
kejadian O
karhutla. O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Penerapan O
Model O
Named O
Entity O
Recognition O
Melalui O
Berita O
Online O
pada O
Spacy O
Bahasa O
Indonesia O
Studi O
Kasus O
: O
Dampak O
dan O
Respon O
Karhutla O
di O
Kalimantan O
Sandro O
E. O
Irwansyah O
Pasaribu O
( O
221810597 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Ernawati O
Pasaribu O
S.Si O
, O
M.E. O
Ringkasan— O
Kebakaran O
Hutan O
dan O
Lahan O
( O
karhutla O
) O
merupakan O
bencana O
alam O
yang O
sering O
terjadi O
di O
Indonesia O
, O
terutama O
pada O
pulau O
Kalimantan. O
Untuk O
menyikapi O
bencana O
tersebut O
, O
perlu O
kesadaran O
akan O
mitigasi O
kejadian O
karhutla. O
Kejadian O
tentang O
karhutla O
dapat O
diperoleh O
dari O
berbagai O
media O
elektronik O
, O
salah O
satunya O
adalah O
situs O
berita O
online. O
Informasi O
tentang O
dampak O
dan O
respon O
dari O
kejadian O
karhutla O
dapat O
diperoleh O
dari O
konten O
berita O
online. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
dilaksanakan O
dengan O
menggunakan O
teks O
berita O
online O
dari O
website O
Detik.com O
untuk O
membangun B-TUJUAN
model I-TUJUAN
NER I-TUJUAN
bahasa I-TUJUAN
Indonesia I-TUJUAN
menggunakan I-TUJUAN
library I-TUJUAN
spaCy I-TUJUAN
Python. I-TUJUAN
Model O
NER B-METODE
digunakan O
untuk O
mengekstrak O
informasi O
terkait O
dampak O
dan O
respon O
apa O
yang O
paling O
sering O
dibicarakan O
pada O
berita O
karhutla. O
Model O
dibangun O
dari O
data O
teks O
berita O
yang O
sudah O
dilabeli. O
Model O
NER B-TEMUAN
yang O
dibangun O
memiliki O
f1-score B-METODE
sebesar O
80,20. O
Hasil B-TEMUAN
analisis I-TEMUAN
data I-TEMUAN
ekstraksi I-TEMUAN
informasi I-TEMUAN
diperoleh I-TEMUAN
dampak I-TEMUAN
karhutla I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
banyak I-TEMUAN
dirasakan I-TEMUAN
adalah I-TEMUAN
dampak I-TEMUAN
lingkungan I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
respon I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
banyak I-TEMUAN
dilakukan I-TEMUAN
untuk I-TEMUAN
menyikapi I-TEMUAN
karhutla I-TEMUAN
adalah I-TEMUAN
upaya I-TEMUAN
penanggulangan. I-TEMUAN
Kata O
Kunci— O
Karhutla O
, O
NER O
, O
Berita O
online O
, O
Dampak O
, O
Respon. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
di O
atas O
, O
dapat O
disimpulkan O
bahwa O
: O
1. O
Semantic B-METODE
Network I-METODE
Analysis I-METODE
pada O
teks O
berita O
karhutla O
di O
Kalimantan O
menunjukkan O
bahwa O
kata O
yang O
paling O
sering O
disebutkan O
dalam O
teks O
berita O
adalah O
kata O
“kebakaran” O
, O
“hutan” O
, O
dan O
“lahan” O
seusai O
dengan O
topik O
penelitian. O
Kata O
“asap” O
, O
“kabut” O
, O
“kesehatan” O
, O
“masyarakat” O
, O
“dampak” O
, O
“warga” O
, O
“sosial” O
, O
“ekonomi” O
yang O
tersebar O
di O
sekitar O
kata O
“kebakaran” O
, O
“hutan” O
, O
dan O
“lahan” O
menunjukkan O
bahwa O
dampak-dampak O
yang O
ditimbulkan O
oleh O
kejadian O
karhutla. O
2. O
Telah O
berhasil O
dibangun B-TUJUAN
model I-TUJUAN
NER I-TUJUAN
bahasa I-TUJUAN
Indonesia I-TUJUAN
pada I-TUJUAN
teks I-TUJUAN
berita I-TUJUAN
online I-TUJUAN
menggunakan I-TUJUAN
library I-TUJUAN
spacy. I-TUJUAN
Model O
NER O
yang O
dibangun O
dapat O
mengklasifikasikan O
entitas O
menjadi O
5 O
jenis O
dampak O
( O
D1 O
, O
D2 O
, O
D3 O
, O
D4 O
, O
dan O
D5 O
) O
dan O
3 O
jenis O
respon O
( O
R1 O
, O
R2 O
, O
dan O
R3 O
) O
dari O
kejadian O
karhutla O
di O
Kalimantan. O
3. O
Dari O
pengujian O
terhadap O
ke-empat O
model O
NER O
yang O
dibangun O
, O
diperoleh O
evaluation O
metric O
untuk O
menentukan O
model O
NER O
dengan O
keandalan O
terbaik. O
Hasil B-TEMUAN
perhitungan I-TEMUAN
evaluation I-TEMUAN
metric I-TEMUAN
setiap I-TEMUAN
model I-TEMUAN
diperoleh I-TEMUAN
model I-TEMUAN
dengan I-TEMUAN
F1- I-TEMUAN
score I-TEMUAN
tertinggi I-TEMUAN
adalah I-TEMUAN
model I-TEMUAN
NER I-TEMUAN
dengan I-TEMUAN
perbandingan I-TEMUAN
split I-TEMUAN
data I-TEMUAN
80:20. I-TEMUAN
4. O
Hasil B-TEMUAN
proses I-TEMUAN
ekstraksi I-TEMUAN
informasi I-TEMUAN
menggunakan I-TEMUAN
model I-TEMUAN
NER I-TEMUAN
terbaik I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
frekuensi I-TEMUAN
dampak I-TEMUAN
dan I-TEMUAN
respon I-TEMUAN
yang I-TEMUAN
disebutkan I-TEMUAN
dalam I-TEMUAN
teks I-TEMUAN
berita I-TEMUAN
online I-TEMUAN
Detik.com I-TEMUAN
masing-masing I-TEMUAN
sebanyak I-TEMUAN
5237 I-TEMUAN
dan I-TEMUAN
3840. I-TEMUAN
Dampak O
lingkungan O
hidup O
merupakan O
dampak O
dengan O
frekuensi O
terbesar O
yang O
disebutkan O
dalam O
teks O
berita. O
Respon O
penanggulangan O
merupakan O
respon O
dengan O
frekuensi O
terbesar O
yang O
disebutkan O
dalam O
teks O
berita. O
Dampak O
sosial O
dan O
respon O
pencegahan O
merupakan O
entitas O
yang O
memiliki O
hubungan O
yang O
kuat O
dan O
berbanding O
lurus O
terhadap O
jumlah O
kejadian O
karhutla. O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Penerapan O
Model O
Named O
Entity O
Recognition O
Melalui O
Berita O
Online O
pada O
Spacy O
Bahasa O
Indonesia O
Studi O
Kasus O
: O
Dampak O
dan O
Respon O
Karhutla O
di O
Kalimantan O
Sandro O
E. O
Irwansyah O
Pasaribu O
( O
221810597 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Ernawati O
Pasaribu O
S.Si O
, O
M.E. O
Ringkasan— O
Kebakaran O
Hutan O
dan O
Lahan O
( O
karhutla O
) O
merupakan O
bencana O
alam O
yang O
sering O
terjadi O
di O
Indonesia O
, O
terutama O
pada O
pulau O
Kalimantan. O
Untuk O
menyikapi O
bencana O
tersebut O
, O
perlu O
kesadaran O
akan O
mitigasi O
kejadian O
karhutla. O
Kejadian O
tentang O
karhutla O
dapat O
diperoleh O
dari O
berbagai O
media O
elektronik O
, O
salah O
satunya O
adalah O
situs O
berita O
online. O
Informasi O
tentang O
dampak O
dan O
respon O
dari O
kejadian O
karhutla O
dapat O
diperoleh O
dari O
konten O
berita O
online. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
dilaksanakan O
dengan O
menggunakan O
teks O
berita O
online O
dari O
website O
Detik.com O
untuk O
membangun B-TUJUAN
model I-TUJUAN
NER I-TUJUAN
bahasa I-TUJUAN
Indonesia I-TUJUAN
menggunakan I-TUJUAN
library I-TUJUAN
spaCy I-TUJUAN
Python. I-TUJUAN
Model O
NER B-METODE
digunakan O
untuk O
mengekstrak O
informasi O
terkait O
dampak O
dan O
respon O
apa O
yang O
paling O
sering O
dibicarakan O
pada O
berita O
karhutla. O
Model O
dibangun O
dari O
data O
teks O
berita O
yang O
sudah O
dilabeli. O
Model O
NER B-TEMUAN
yang O
dibangun O
memiliki O
f1-score B-METODE
sebesar O
80,20. O
Hasil B-TEMUAN
analisis I-TEMUAN
data I-TEMUAN
ekstraksi I-TEMUAN
informasi I-TEMUAN
diperoleh I-TEMUAN
dampak I-TEMUAN
karhutla I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
banyak I-TEMUAN
dirasakan I-TEMUAN
adalah I-TEMUAN
dampak I-TEMUAN
lingkungan I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
respon I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
banyak I-TEMUAN
dilakukan I-TEMUAN
untuk I-TEMUAN
menyikapi I-TEMUAN
karhutla I-TEMUAN
adalah I-TEMUAN
upaya I-TEMUAN
penanggulangan. I-TEMUAN
Kata O
Kunci— O
Karhutla O
, O
NER O
, O
Berita O
online O
, O
Dampak O
, O
Respon. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
di O
atas O
, O
dapat O
disimpulkan O
bahwa O
: O
1. O
Semantic B-METODE
Network I-METODE
Analysis I-METODE
pada O
teks O
berita O
karhutla O
di O
Kalimantan O
menunjukkan O
bahwa O
kata O
yang O
paling O
sering O
disebutkan O
dalam O
teks O
berita O
adalah O
kata O
“kebakaran” O
, O
“hutan” O
, O
dan O
“lahan” O
seusai O
dengan O
topik O
penelitian. O
Kata O
“asap” O
, O
“kabut” O
, O
“kesehatan” O
, O
“masyarakat” O
, O
“dampak” O
, O
“warga” O
, O
“sosial” O
, O
“ekonomi” O
yang O
tersebar O
di O
sekitar O
kata O
“kebakaran” O
, O
“hutan” O
, O
dan O
“lahan” O
menunjukkan O
bahwa O
dampak-dampak O
yang O
ditimbulkan O
oleh O
kejadian O
karhutla. O
2. O
Telah O
berhasil O
dibangun B-TUJUAN
model I-TUJUAN
NER I-TUJUAN
bahasa I-TUJUAN
Indonesia I-TUJUAN
pada I-TUJUAN
teks I-TUJUAN
berita I-TUJUAN
online I-TUJUAN
menggunakan I-TUJUAN
library I-TUJUAN
spacy. I-TUJUAN
Model O
NER O
yang O
dibangun O
dapat O
mengklasifikasikan O
entitas O
menjadi O
5 O
jenis O
dampak O
( O
D1 O
, O
D2 O
, O
D3 O
, O
D4 O
, O
dan O
D5 O
) O
dan O
3 O
jenis O
respon O
( O
R1 O
, O
R2 O
, O
dan O
R3 O
) O
dari O
kejadian O
karhutla O
di O
Kalimantan. O
3. O
Dari O
pengujian O
terhadap O
ke-empat O
model O
NER O
yang O
dibangun O
, O
diperoleh O
evaluation O
metric O
untuk O
menentukan O
model O
NER O
dengan O
keandalan O
terbaik. O
Hasil B-TEMUAN
perhitungan I-TEMUAN
evaluation I-TEMUAN
metric I-TEMUAN
setiap I-TEMUAN
model I-TEMUAN
diperoleh I-TEMUAN
model I-TEMUAN
dengan I-TEMUAN
F1- I-TEMUAN
score I-TEMUAN
tertinggi I-TEMUAN
adalah I-TEMUAN
model I-TEMUAN
NER I-TEMUAN
dengan I-TEMUAN
perbandingan I-TEMUAN
split I-TEMUAN
data I-TEMUAN
80:20. I-TEMUAN
4. O
Hasil B-TEMUAN
proses I-TEMUAN
ekstraksi I-TEMUAN
informasi I-TEMUAN
menggunakan I-TEMUAN
model I-TEMUAN
NER I-TEMUAN
terbaik I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
frekuensi I-TEMUAN
dampak I-TEMUAN
dan I-TEMUAN
respon I-TEMUAN
yang I-TEMUAN
disebutkan I-TEMUAN
dalam I-TEMUAN
teks I-TEMUAN
berita I-TEMUAN
online I-TEMUAN
Detik.com I-TEMUAN
masing-masing I-TEMUAN
sebanyak I-TEMUAN
5237 I-TEMUAN
dan I-TEMUAN
3840. I-TEMUAN
Dampak O
lingkungan O
hidup O
merupakan O
dampak O
dengan O
frekuensi O
terbesar O
yang O
disebutkan O
dalam O
teks O
berita. O
Respon O
penanggulangan O
merupakan O
respon O
dengan O
frekuensi O
terbesar O
yang O
disebutkan O
dalam O
teks O
berita. O
Dampak O
sosial O
dan O
respon O
pencegahan O
merupakan O
entitas O
yang O
memiliki O
hubungan O
yang O
kuat O
dan O
berbanding O
lurus O
terhadap O
jumlah O
kejadian O
karhutla. O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Penerapan O
Model O
Named O
Entity O
Recognition O
Melalui O
Berita O
Online O
pada O
Spacy O
Bahasa O
Indonesia O
Studi O
Kasus O
: O
Dampak O
dan O
Respon O
Karhutla O
di O
Kalimantan O
Sandro O
E. O
Irwansyah O
Pasaribu O
( O
221810597 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Ernawati O
Pasaribu O
S.Si O
, O
M.E. O
Ringkasan— O
Kebakaran O
Hutan O
dan O
Lahan O
( O
karhutla O
) O
merupakan O
bencana O
alam O
yang O
sering O
terjadi O
di O
Indonesia O
, O
terutama O
pada O
pulau O
Kalimantan. O
Untuk O
menyikapi O
bencana O
tersebut O
, O
perlu O
kesadaran O
akan O
mitigasi O
kejadian O
karhutla. O
Kejadian O
tentang O
karhutla O
dapat O
diperoleh O
dari O
berbagai O
media O
elektronik O
, O
salah O
satunya O
adalah O
situs O
berita O
online. O
Informasi O
tentang O
dampak O
dan O
respon O
dari O
kejadian O
karhutla O
dapat O
diperoleh O
dari O
konten O
berita O
online. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
dilaksanakan O
dengan O
menggunakan O
teks O
berita O
online O
dari O
website O
Detik.com O
untuk O
membangun B-TUJUAN
model I-TUJUAN
NER I-TUJUAN
bahasa I-TUJUAN
Indonesia I-TUJUAN
menggunakan I-TUJUAN
library I-TUJUAN
spaCy I-TUJUAN
Python. I-TUJUAN
Model O
NER B-METODE
digunakan O
untuk O
mengekstrak O
informasi O
terkait O
dampak O
dan O
respon O
apa O
yang O
paling O
sering O
dibicarakan O
pada O
berita O
karhutla. O
Model O
dibangun O
dari O
data O
teks O
berita O
yang O
sudah O
dilabeli. O
Model O
NER B-TEMUAN
yang O
dibangun O
memiliki O
f1-score B-METODE
sebesar O
80,20. O
Hasil B-TEMUAN
analisis I-TEMUAN
data I-TEMUAN
ekstraksi I-TEMUAN
informasi I-TEMUAN
diperoleh I-TEMUAN
dampak I-TEMUAN
karhutla I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
banyak I-TEMUAN
dirasakan I-TEMUAN
adalah I-TEMUAN
dampak I-TEMUAN
lingkungan I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
respon I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
banyak I-TEMUAN
dilakukan I-TEMUAN
untuk I-TEMUAN
menyikapi I-TEMUAN
karhutla I-TEMUAN
adalah I-TEMUAN
upaya I-TEMUAN
penanggulangan. I-TEMUAN
Kata O
Kunci— O
Karhutla O
, O
NER O
, O
Berita O
online O
, O
Dampak O
, O
Respon. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
di O
atas O
, O
dapat O
disimpulkan O
bahwa O
: O
1. O
Semantic B-METODE
Network I-METODE
Analysis I-METODE
pada O
teks O
berita O
karhutla O
di O
Kalimantan O
menunjukkan O
bahwa O
kata O
yang O
paling O
sering O
disebutkan O
dalam O
teks O
berita O
adalah O
kata O
“kebakaran” O
, O
“hutan” O
, O
dan O
“lahan” O
seusai O
dengan O
topik O
penelitian. O
Kata O
“asap” O
, O
“kabut” O
, O
“kesehatan” O
, O
“masyarakat” O
, O
“dampak” O
, O
“warga” O
, O
“sosial” O
, O
“ekonomi” O
yang O
tersebar O
di O
sekitar O
kata O
“kebakaran” O
, O
“hutan” O
, O
dan O
“lahan” O
menunjukkan O
bahwa O
dampak-dampak O
yang O
ditimbulkan O
oleh O
kejadian O
karhutla. O
2. O
Telah O
berhasil O
dibangun B-TUJUAN
model I-TUJUAN
NER I-TUJUAN
bahasa I-TUJUAN
Indonesia I-TUJUAN
pada I-TUJUAN
teks I-TUJUAN
berita I-TUJUAN
online I-TUJUAN
menggunakan I-TUJUAN
library I-TUJUAN
spacy. I-TUJUAN
Model O
NER O
yang O
dibangun O
dapat O
mengklasifikasikan O
entitas O
menjadi O
5 O
jenis O
dampak O
( O
D1 O
, O
D2 O
, O
D3 O
, O
D4 O
, O
dan O
D5 O
) O
dan O
3 O
jenis O
respon O
( O
R1 O
, O
R2 O
, O
dan O
R3 O
) O
dari O
kejadian O
karhutla O
di O
Kalimantan. O
3. O
Dari O
pengujian O
terhadap O
ke-empat O
model O
NER O
yang O
dibangun O
, O
diperoleh O
evaluation O
metric O
untuk O
menentukan O
model O
NER O
dengan O
keandalan O
terbaik. O
Hasil B-TEMUAN
perhitungan I-TEMUAN
evaluation I-TEMUAN
metric I-TEMUAN
setiap I-TEMUAN
model I-TEMUAN
diperoleh I-TEMUAN
model I-TEMUAN
dengan I-TEMUAN
F1- I-TEMUAN
score I-TEMUAN
tertinggi I-TEMUAN
adalah I-TEMUAN
model I-TEMUAN
NER I-TEMUAN
dengan I-TEMUAN
perbandingan I-TEMUAN
split I-TEMUAN
data I-TEMUAN
80:20. I-TEMUAN
4. O
Hasil B-TEMUAN
proses I-TEMUAN
ekstraksi I-TEMUAN
informasi I-TEMUAN
menggunakan I-TEMUAN
model I-TEMUAN
NER I-TEMUAN
terbaik I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
frekuensi I-TEMUAN
dampak I-TEMUAN
dan I-TEMUAN
respon I-TEMUAN
yang I-TEMUAN
disebutkan I-TEMUAN
dalam I-TEMUAN
teks I-TEMUAN
berita I-TEMUAN
online I-TEMUAN
Detik.com I-TEMUAN
masing-masing I-TEMUAN
sebanyak I-TEMUAN
5237 I-TEMUAN
dan I-TEMUAN
3840. I-TEMUAN
Dampak O
lingkungan O
hidup O
merupakan O
dampak O
dengan O
frekuensi O
terbesar O
yang O
disebutkan O
dalam O
teks O
berita. O
Respon O
penanggulangan O
merupakan O
respon O
dengan O
frekuensi O
terbesar O
yang O
disebutkan O
dalam O
teks O
berita. O
Dampak O
sosial O
dan O
respon O
pencegahan O
merupakan O
entitas O
yang O
memiliki O
hubungan O
yang O
kuat O
dan O
berbanding O
lurus O
terhadap O
jumlah O
kejadian O
karhutla. O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Estimasi O
Pemetaan O
Kemiskinan O
dengan O
Deep O
Learning O
Pada O
Big O
Data O
Fusi O
Citra O
Satelit O
Multisumber O
dan O
Point O
of O
Interest O
Studi O
Kasus O
: O
Provinsi O
Jawa O
Timur O
Salwa O
Rizqina O
Putri O
( O
221810596 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
Ringkasan— O
Untuk O
mendukung O
target O
pengentasan O
kemiskinan O
pemerintah O
, O
diperlukan O
penyajian O
data O
alternatif O
estimasi O
kemiskinan O
yang O
lebih O
granular O
dan O
dapat O
diperbarui O
dengan O
waktu O
dan O
biaya O
yang O
lebih O
rendah. O
Penelitian O
ini O
bertujuan O
untuk O
membangun B-TUJUAN
estimasi I-TUJUAN
pemetaan I-TUJUAN
kemiskinan I-TUJUAN
level I-TUJUAN
grid I-TUJUAN
1,5 I-TUJUAN
km I-TUJUAN
berdasarkan I-TUJUAN
big I-TUJUAN
data I-TUJUAN
fusi I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
multisumber I-TUJUAN
dan I-TUJUAN
point I-TUJUAN
of I-TUJUAN
interest I-TUJUAN
( I-TUJUAN
POI I-TUJUAN
) I-TUJUAN
. I-TUJUAN
Hasil O
penelitian O
ini O
meliputi O
: O
1 B-TEMUAN
) I-TEMUAN
telah I-TEMUAN
disusun I-TEMUAN
indeks I-TEMUAN
kemiskinan I-TEMUAN
spasial I-TEMUAN
relatif I-TEMUAN
, I-TEMUAN
Relative I-TEMUAN
Spatial I-TEMUAN
Poverty I-TEMUAN
Index I-TEMUAN
( I-TEMUAN
RSPI I-TEMUAN
) I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
memetakan I-TEMUAN
daerah I-TEMUAN
terdeprivasi I-TEMUAN
spasial I-TEMUAN
di I-TEMUAN
Jawa I-TEMUAN
Timur I-TEMUAN
dan I-TEMUAN
berkorelasi I-TEMUAN
kuat I-TEMUAN
dengan I-TEMUAN
data I-TEMUAN
kemiskinan I-TEMUAN
resmi I-TEMUAN
, I-TEMUAN
2 I-TEMUAN
) I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
estimasi I-TEMUAN
kemiskinan I-TEMUAN
dengan I-TEMUAN
big I-TEMUAN
data I-TEMUAN
fusi I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
multisumber I-TEMUAN
dan I-TEMUAN
POI I-TEMUAN
yaitu I-TEMUAN
CNN-1D I-TEMUAN
dan I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
estimasi I-TEMUAN
kemiskinan I-TEMUAN
dengan I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
siang I-TEMUAN
dan I-TEMUAN
malam I-TEMUAN
hari I-TEMUAN
yaitu I-TEMUAN
Resnet-34 I-TEMUAN
+ I-TEMUAN
MLP I-TEMUAN
, I-TEMUAN
3 I-TEMUAN
) I-TEMUAN
hasil I-TEMUAN
estimasi I-TEMUAN
pemetaan I-TEMUAN
kemiskinan I-TEMUAN
berdasarkan I-TEMUAN
model I-TEMUAN
CNN-1D I-TEMUAN
yang I-TEMUAN
dievaluasi I-TEMUAN
dengan I-TEMUAN
data I-TEMUAN
kemiskinan I-TEMUAN
resmi I-TEMUAN
level I-TEMUAN
kabupaten I-TEMUAN
/ I-TEMUAN
kota I-TEMUAN
dipilih I-TEMUAN
sebagai I-TEMUAN
pemetaan I-TEMUAN
terbaik I-TEMUAN
dengan I-TEMUAN
RMSE I-TEMUAN
1,95 I-TEMUAN
, I-TEMUAN
MAE I-TEMUAN
1,61 I-TEMUAN
, I-TEMUAN
MAPE I-TEMUAN
19,99 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
korelasi I-TEMUAN
Pearson I-TEMUAN
0,94 I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
adjusted I-TEMUAN
R2 I-TEMUAN
0,84 I-TEMUAN
, I-TEMUAN
4 I-TEMUAN
) I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
map I-TEMUAN
dashboard I-TEMUAN
interaktif I-TEMUAN
berbasis I-TEMUAN
website I-TEMUAN
untuk I-TEMUAN
membantu I-TEMUAN
pemangku I-TEMUAN
kepentingan I-TEMUAN
dalam I-TEMUAN
memanfaatkan I-TEMUAN
hasil I-TEMUAN
penelitian. I-TEMUAN
Integrasi O
hasil O
penelitian O
dengan O
data O
kemiskinan O
resmi O
diharapkan O
dapat O
mendukung O
pengambilan O
keputusan O
terkait O
pengentasan O
kemiskinan O
di O
Indonesia. O
Kata O
Kunci— O
pemetaan O
kemiskinan O
, O
citra O
satelit O
multisumber O
, O
big O
data O
, O
deep O
learning. O
[SEP] O
A. O
Kesimpulan O
Penelitian O
ini O
mengusulkan O
pendekatan O
baru O
untuk O
menyediakan O
peta O
kemiskinan O
Jawa O
Timur O
yang O
lebih O
granular O
7 O
/ O
8 O
dalam O
hal O
cakupan O
( O
sampai O
level O
grid O
dengan O
resolusi O
spasial O
1,5 O
km O
) O
dengan O
biaya O
dan O
waktu O
pembaruan O
yang O
lebih O
singkat O
guna O
mendukung O
pemantauan O
kemiskinan O
yang O
lebih O
baik O
dalam O
pencapaian O
target O
pengentasan O
kemiskinan O
pemerintah O
Indonesia. O
Untuk O
menjawab O
Tujuan O
1 O
yaitu O
membangun O
indeks O
kemiskinan O
spasial O
relatif O
yang O
dapat O
memetakan O
kemiskinan O
spasial O
, O
telah O
dibangun O
Relative O
Spatial O
Poverty O
Index O
( O
RSPI O
) O
yang O
dapat O
memetakan O
daerah O
terdeprivasi O
spasial O
di O
Jawa O
Timur O
pada O
level O
grid O
1,5 O
km. O
RSPI O
berkorelasi O
kuat O
( O
𝑟𝑃𝑒𝑎𝑟𝑠𝑜𝑛 O
= O
0,71 O
; O
𝑟𝑆𝑝𝑒𝑎𝑟𝑚𝑎𝑛 O
= O
0,79 O
) O
dengan O
data O
kemiskinan O
resmi O
pada O
level O
kabupaten O
/ O
kota. O
Dari O
Tujuan O
2 O
yaitu O
membangun O
model O
estimasi O
kemiskinan O
, O
telah O
dibangun O
model O
estimasi O
kemiskinan O
dengan O
dua O
skenario. O
Pertama O
, O
model O
dibangun O
menggunakan O
Dataset O
1 O
( B-METODE
citra I-METODE
satelit I-METODE
multisumber I-METODE
dan I-METODE
POI I-METODE
) O
dengan O
ekstraksi O
fitur O
zonal B-METODE
statistics I-METODE
sebagai O
pendekatan O
baru O
yang O
diusulkan O
dalam O
penelitian O
ini. O
Kedua O
, O
model O
dibangun O
menggunakan O
Dataset O
2 O
( O
data O
satelit O
siang O
dan O
malam O
) O
dengan O
ekstraksi O
fitur O
transfer O
learning O
Resnet-34 O
sebagai O
pendekatan O
yang O
banyak O
digunakan O
pada O
penelitian O
sebelumnya. O
Berdasarkan O
hasil O
evaluasi O
pembangunan O
model O
, O
model O
CNN-1D O
dipilih O
sebagai O
model O
terbaik O
pada O
skenario O
pertama O
dan O
model O
Resnet-34+MLP O
dipilih O
sebagai O
model O
terbaik O
pada O
skenario O
kedua. O
Hal O
ini O
menunjukkan O
bahwa O
dalam O
penelitian O
ini O
model O
deep O
learning O
mengungguli O
model O
machine O
learning. O
Menjawab O
Tujuan O
3 O
, O
yaitu O
membangun O
dan O
mengevaluasi O
estimasi O
pemetaan O
kemiskinan O
, O
telah O
dibangun O
estimasi O
pemetaan O
kemiskinan O
pada O
level O
grid O
1,5 O
km O
berdasarkan O
kedua O
model O
estimasi O
yang O
dibangun O
pada O
Tujuan O
2. O
Dari O
hasil O
evaluasi O
berdasarkan O
data O
kemiskinan O
resmi O
level O
kabupaten O
/ O
kota O
, O
estimasi O
pemetaan O
kemiskinan O
yang O
dibangun O
menggunakan O
model O
CNN-1D O
pada O
skenario O
pertama O
dipilih O
sebagai O
pemetaan O
terbaik O
dengan O
nilai O
RMSE B-METODE
1,95 O
, O
MAE B-METODE
1,61 O
, O
MAPE B-METODE
19,99 O
% O
, O
korelasi O
Pearson O
0,94 O
, O
dan O
adjusted B-METODE
R2 I-METODE
0,84. O
Hasil O
identifikasi O
visual O
menunjukkan O
bahwa O
estimasi O
kemiskinan O
yang O
tinggi O
cenderung O
ditemukan O
pada O
jarang O
penduduk O
dan O
dikelilingi O
oleh O
lahan O
kosong O
, O
yang O
biasanya O
merupakan O
lahan O
pertanian. O
Hal O
ini O
sejalan O
dengan O
laporan O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
yang O
menyatakan O
bahwa O
kemiskinan O
di O
perdesaan O
lebih O
tinggi O
daripada O
di O
perkotaan. O
Untuk O
memenuhi O
Tujuan O
4 O
yaitu O
membangun O
map O
dashboard O
interaktif O
berbasis O
website O
untuk O
menyajikan O
hasil O
pemetaan O
kemiskinan O
, O
telah O
dibangun O
map O
dashboard O
dalam O
penyajian O
dua O
dimensi O
( O
2D O
) O
dan O
tiga O
dimensi O
( O
3D O
) O
. O
Map O
dashboard O
interaktif O
2D O
dibangun O
untuk O
memudahkan O
pemangku O
kepentingan O
dalam O
melakukan O
identifikasi O
wilayah O
spesifik O
pada O
grid O
tertentu. O
Map O
dashboard O
interaktif O
3D O
dibangun O
untuk O
memudahkan O
pemangku O
kepentingan O
dalam O
melakukan O
identifikasi O
wilayah O
sekaligus O
memperoleh O
informasi O
terkait O
estimasi O
populasi O
yang O
mendiami O
grid O
tersebut. O
B. O
Saran O
Untuk O
pemangku O
kepentingan O
, O
map O
dashboard O
hasil O
penelitian O
ini O
yang O
menyajikan O
peta O
kemiskinan O
Provinsi O
Jawa O
Timur O
pada O
level O
grid O
1,5 O
km O
dapat O
digunakan O
sebagai O
data O
alternatif O
rujukan O
pengambilan O
keputusan O
pengentasan O
kemiskinan O
seperti O
pemetaan O
wilayah O
untuk O
penyaluran O
bantuan O
sosial. O
Untuk O
penelitian O
selanjutnya O
, O
penggunaan O
big O
data O
potensial O
lainnya O
sepertu O
Facebook O
Advertising O
Data O
dan O
Mobile O
Phone O
Data O
perlu O
dikaji O
untuk O
pemetaan O
kemiskinan O
di O
Indonesia. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
1 O
] O
PBB O
, O
“About O
the O
Sustainable O
Development O
Goals O
, O
” O
SDGs O
, O
2015. O
https O
: O
/ O
/ O
www.un.org O
/ O
sustainabledevelopment O
/ O
sustainable-development-goals O
/ O
. O

Estimasi O
Pemetaan O
Kemiskinan O
dengan O
Deep O
Learning O
Pada O
Big O
Data O
Fusi O
Citra O
Satelit O
Multisumber O
dan O
Point O
of O
Interest O
Studi O
Kasus O
: O
Provinsi O
Jawa O
Timur O
Salwa O
Rizqina O
Putri O
( O
221810596 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
Ringkasan— O
Untuk O
mendukung O
target O
pengentasan O
kemiskinan O
pemerintah O
, O
diperlukan O
penyajian O
data O
alternatif O
estimasi O
kemiskinan O
yang O
lebih O
granular O
dan O
dapat O
diperbarui O
dengan O
waktu O
dan O
biaya O
yang O
lebih O
rendah. O
Penelitian O
ini O
bertujuan O
untuk O
membangun B-TUJUAN
estimasi I-TUJUAN
pemetaan I-TUJUAN
kemiskinan I-TUJUAN
level I-TUJUAN
grid I-TUJUAN
1,5 I-TUJUAN
km I-TUJUAN
berdasarkan I-TUJUAN
big I-TUJUAN
data I-TUJUAN
fusi I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
multisumber I-TUJUAN
dan I-TUJUAN
point I-TUJUAN
of I-TUJUAN
interest I-TUJUAN
( I-TUJUAN
POI I-TUJUAN
) I-TUJUAN
. I-TUJUAN
Hasil O
penelitian O
ini O
meliputi O
: O
1 B-TEMUAN
) I-TEMUAN
telah I-TEMUAN
disusun I-TEMUAN
indeks I-TEMUAN
kemiskinan I-TEMUAN
spasial I-TEMUAN
relatif I-TEMUAN
, I-TEMUAN
Relative I-TEMUAN
Spatial I-TEMUAN
Poverty I-TEMUAN
Index I-TEMUAN
( I-TEMUAN
RSPI I-TEMUAN
) I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
memetakan I-TEMUAN
daerah I-TEMUAN
terdeprivasi I-TEMUAN
spasial I-TEMUAN
di I-TEMUAN
Jawa I-TEMUAN
Timur I-TEMUAN
dan I-TEMUAN
berkorelasi I-TEMUAN
kuat I-TEMUAN
dengan I-TEMUAN
data I-TEMUAN
kemiskinan I-TEMUAN
resmi I-TEMUAN
, I-TEMUAN
2 I-TEMUAN
) I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
estimasi I-TEMUAN
kemiskinan I-TEMUAN
dengan I-TEMUAN
big I-TEMUAN
data I-TEMUAN
fusi I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
multisumber I-TEMUAN
dan I-TEMUAN
POI I-TEMUAN
yaitu I-TEMUAN
CNN-1D I-TEMUAN
dan I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
estimasi I-TEMUAN
kemiskinan I-TEMUAN
dengan I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
siang I-TEMUAN
dan I-TEMUAN
malam I-TEMUAN
hari I-TEMUAN
yaitu I-TEMUAN
Resnet-34 I-TEMUAN
+ I-TEMUAN
MLP I-TEMUAN
, I-TEMUAN
3 I-TEMUAN
) I-TEMUAN
hasil I-TEMUAN
estimasi I-TEMUAN
pemetaan I-TEMUAN
kemiskinan I-TEMUAN
berdasarkan I-TEMUAN
model I-TEMUAN
CNN-1D I-TEMUAN
yang I-TEMUAN
dievaluasi I-TEMUAN
dengan I-TEMUAN
data I-TEMUAN
kemiskinan I-TEMUAN
resmi I-TEMUAN
level I-TEMUAN
kabupaten I-TEMUAN
/ I-TEMUAN
kota I-TEMUAN
dipilih I-TEMUAN
sebagai I-TEMUAN
pemetaan I-TEMUAN
terbaik I-TEMUAN
dengan I-TEMUAN
RMSE I-TEMUAN
1,95 I-TEMUAN
, I-TEMUAN
MAE I-TEMUAN
1,61 I-TEMUAN
, I-TEMUAN
MAPE I-TEMUAN
19,99 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
korelasi I-TEMUAN
Pearson I-TEMUAN
0,94 I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
adjusted I-TEMUAN
R2 I-TEMUAN
0,84 I-TEMUAN
, I-TEMUAN
4 I-TEMUAN
) I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
map I-TEMUAN
dashboard I-TEMUAN
interaktif I-TEMUAN
berbasis I-TEMUAN
website I-TEMUAN
untuk I-TEMUAN
membantu I-TEMUAN
pemangku I-TEMUAN
kepentingan I-TEMUAN
dalam I-TEMUAN
memanfaatkan I-TEMUAN
hasil I-TEMUAN
penelitian. I-TEMUAN
Integrasi O
hasil O
penelitian O
dengan O
data O
kemiskinan O
resmi O
diharapkan O
dapat O
mendukung O
pengambilan O
keputusan O
terkait O
pengentasan O
kemiskinan O
di O
Indonesia. O
Kata O
Kunci— O
pemetaan O
kemiskinan O
, O
citra O
satelit O
multisumber O
, O
big O
data O
, O
deep O
learning. O
[SEP] O
A. O
Kesimpulan O
Penelitian O
ini O
mengusulkan O
pendekatan O
baru O
untuk O
menyediakan O
peta O
kemiskinan O
Jawa O
Timur O
yang O
lebih O
granular O
7 O
/ O
8 O
dalam O
hal O
cakupan O
( O
sampai O
level O
grid O
dengan O
resolusi O
spasial O
1,5 O
km O
) O
dengan O
biaya O
dan O
waktu O
pembaruan O
yang O
lebih O
singkat O
guna O
mendukung O
pemantauan O
kemiskinan O
yang O
lebih O
baik O
dalam O
pencapaian O
target O
pengentasan O
kemiskinan O
pemerintah O
Indonesia. O
Untuk O
menjawab O
Tujuan O
1 O
yaitu O
membangun O
indeks O
kemiskinan O
spasial O
relatif O
yang O
dapat O
memetakan O
kemiskinan O
spasial O
, O
telah O
dibangun O
Relative O
Spatial O
Poverty O
Index O
( O
RSPI O
) O
yang O
dapat O
memetakan O
daerah O
terdeprivasi O
spasial O
di O
Jawa O
Timur O
pada O
level O
grid O
1,5 O
km. O
RSPI O
berkorelasi O
kuat O
( O
𝑟𝑃𝑒𝑎𝑟𝑠𝑜𝑛 O
= O
0,71 O
; O
𝑟𝑆𝑝𝑒𝑎𝑟𝑚𝑎𝑛 O
= O
0,79 O
) O
dengan O
data O
kemiskinan O
resmi O
pada O
level O
kabupaten O
/ O
kota. O
Dari O
Tujuan O
2 O
yaitu O
membangun O
model O
estimasi O
kemiskinan O
, O
telah O
dibangun O
model O
estimasi O
kemiskinan O
dengan O
dua O
skenario. O
Pertama O
, O
model O
dibangun O
menggunakan O
Dataset O
1 O
( B-METODE
citra I-METODE
satelit I-METODE
multisumber I-METODE
dan I-METODE
POI I-METODE
) O
dengan O
ekstraksi O
fitur O
zonal B-METODE
statistics I-METODE
sebagai O
pendekatan O
baru O
yang O
diusulkan O
dalam O
penelitian O
ini. O
Kedua O
, O
model O
dibangun O
menggunakan O
Dataset O
2 O
( O
data O
satelit O
siang O
dan O
malam O
) O
dengan O
ekstraksi O
fitur O
transfer O
learning O
Resnet-34 O
sebagai O
pendekatan O
yang O
banyak O
digunakan O
pada O
penelitian O
sebelumnya. O
Berdasarkan O
hasil O
evaluasi O
pembangunan O
model O
, O
model O
CNN-1D O
dipilih O
sebagai O
model O
terbaik O
pada O
skenario O
pertama O
dan O
model O
Resnet-34+MLP O
dipilih O
sebagai O
model O
terbaik O
pada O
skenario O
kedua. O
Hal O
ini O
menunjukkan O
bahwa O
dalam O
penelitian O
ini O
model O
deep O
learning O
mengungguli O
model O
machine O
learning. O
Menjawab O
Tujuan O
3 O
, O
yaitu O
membangun O
dan O
mengevaluasi O
estimasi O
pemetaan O
kemiskinan O
, O
telah O
dibangun O
estimasi O
pemetaan O
kemiskinan O
pada O
level O
grid O
1,5 O
km O
berdasarkan O
kedua O
model O
estimasi O
yang O
dibangun O
pada O
Tujuan O
2. O
Dari O
hasil O
evaluasi O
berdasarkan O
data O
kemiskinan O
resmi O
level O
kabupaten O
/ O
kota O
, O
estimasi O
pemetaan O
kemiskinan O
yang O
dibangun O
menggunakan O
model O
CNN-1D O
pada O
skenario O
pertama O
dipilih O
sebagai O
pemetaan O
terbaik O
dengan O
nilai O
RMSE B-METODE
1,95 O
, O
MAE B-METODE
1,61 O
, O
MAPE B-METODE
19,99 O
% O
, O
korelasi O
Pearson O
0,94 O
, O
dan O
adjusted B-METODE
R2 I-METODE
0,84. O
Hasil O
identifikasi O
visual O
menunjukkan O
bahwa O
estimasi O
kemiskinan O
yang O
tinggi O
cenderung O
ditemukan O
pada O
jarang O
penduduk O
dan O
dikelilingi O
oleh O
lahan O
kosong O
, O
yang O
biasanya O
merupakan O
lahan O
pertanian. O
Hal O
ini O
sejalan O
dengan O
laporan O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
yang O
menyatakan O
bahwa O
kemiskinan O
di O
perdesaan O
lebih O
tinggi O
daripada O
di O
perkotaan. O
Untuk O
memenuhi O
Tujuan O
4 O
yaitu O
membangun O
map O
dashboard O
interaktif O
berbasis O
website O
untuk O
menyajikan O
hasil O
pemetaan O
kemiskinan O
, O
telah O
dibangun O
map O
dashboard O
dalam O
penyajian O
dua O
dimensi O
( O
2D O
) O
dan O
tiga O
dimensi O
( O
3D O
) O
. O
Map O
dashboard O
interaktif O
2D O
dibangun O
untuk O
memudahkan O
pemangku O
kepentingan O
dalam O
melakukan O
identifikasi O
wilayah O
spesifik O
pada O
grid O
tertentu. O
Map O
dashboard O
interaktif O
3D O
dibangun O
untuk O
memudahkan O
pemangku O
kepentingan O
dalam O
melakukan O
identifikasi O
wilayah O
sekaligus O
memperoleh O
informasi O
terkait O
estimasi O
populasi O
yang O
mendiami O
grid O
tersebut. O
B. O
Saran O
Untuk O
pemangku O
kepentingan O
, O
map O
dashboard O
hasil O
penelitian O
ini O
yang O
menyajikan O
peta O
kemiskinan O
Provinsi O
Jawa O
Timur O
pada O
level O
grid O
1,5 O
km O
dapat O
digunakan O
sebagai O
data O
alternatif O
rujukan O
pengambilan O
keputusan O
pengentasan O
kemiskinan O
seperti O
pemetaan O
wilayah O
untuk O
penyaluran O
bantuan O
sosial. O
Untuk O
penelitian O
selanjutnya O
, O
penggunaan O
big O
data O
potensial O
lainnya O
sepertu O
Facebook O
Advertising O
Data O
dan O
Mobile O
Phone O
Data O
perlu O
dikaji O
untuk O
pemetaan O
kemiskinan O
di O
Indonesia. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
1 O
] O
PBB O
, O
“About O
the O
Sustainable O
Development O
Goals O
, O
” O
SDGs O
, O
2015. O
https O
: O
/ O
/ O
www.un.org O
/ O
sustainabledevelopment O
/ O
sustainable-development-goals O
/ O
. O

Estimasi O
Pemetaan O
Kemiskinan O
dengan O
Deep O
Learning O
Pada O
Big O
Data O
Fusi O
Citra O
Satelit O
Multisumber O
dan O
Point O
of O
Interest O
Studi O
Kasus O
: O
Provinsi O
Jawa O
Timur O
Salwa O
Rizqina O
Putri O
( O
221810596 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
Ringkasan— O
Untuk O
mendukung O
target O
pengentasan O
kemiskinan O
pemerintah O
, O
diperlukan O
penyajian O
data O
alternatif O
estimasi O
kemiskinan O
yang O
lebih O
granular O
dan O
dapat O
diperbarui O
dengan O
waktu O
dan O
biaya O
yang O
lebih O
rendah. O
Penelitian O
ini O
bertujuan O
untuk O
membangun B-TUJUAN
estimasi I-TUJUAN
pemetaan I-TUJUAN
kemiskinan I-TUJUAN
level I-TUJUAN
grid I-TUJUAN
1,5 I-TUJUAN
km I-TUJUAN
berdasarkan I-TUJUAN
big I-TUJUAN
data I-TUJUAN
fusi I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
multisumber I-TUJUAN
dan I-TUJUAN
point I-TUJUAN
of I-TUJUAN
interest I-TUJUAN
( I-TUJUAN
POI I-TUJUAN
) I-TUJUAN
. I-TUJUAN
Hasil O
penelitian O
ini O
meliputi O
: O
1 B-TEMUAN
) I-TEMUAN
telah I-TEMUAN
disusun I-TEMUAN
indeks I-TEMUAN
kemiskinan I-TEMUAN
spasial I-TEMUAN
relatif I-TEMUAN
, I-TEMUAN
Relative I-TEMUAN
Spatial I-TEMUAN
Poverty I-TEMUAN
Index I-TEMUAN
( I-TEMUAN
RSPI I-TEMUAN
) I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
memetakan I-TEMUAN
daerah I-TEMUAN
terdeprivasi I-TEMUAN
spasial I-TEMUAN
di I-TEMUAN
Jawa I-TEMUAN
Timur I-TEMUAN
dan I-TEMUAN
berkorelasi I-TEMUAN
kuat I-TEMUAN
dengan I-TEMUAN
data I-TEMUAN
kemiskinan I-TEMUAN
resmi I-TEMUAN
, I-TEMUAN
2 I-TEMUAN
) I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
estimasi I-TEMUAN
kemiskinan I-TEMUAN
dengan I-TEMUAN
big I-TEMUAN
data I-TEMUAN
fusi I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
multisumber I-TEMUAN
dan I-TEMUAN
POI I-TEMUAN
yaitu I-TEMUAN
CNN-1D I-TEMUAN
dan I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
estimasi I-TEMUAN
kemiskinan I-TEMUAN
dengan I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
siang I-TEMUAN
dan I-TEMUAN
malam I-TEMUAN
hari I-TEMUAN
yaitu I-TEMUAN
Resnet-34 I-TEMUAN
+ I-TEMUAN
MLP I-TEMUAN
, I-TEMUAN
3 I-TEMUAN
) I-TEMUAN
hasil I-TEMUAN
estimasi I-TEMUAN
pemetaan I-TEMUAN
kemiskinan I-TEMUAN
berdasarkan I-TEMUAN
model I-TEMUAN
CNN-1D I-TEMUAN
yang I-TEMUAN
dievaluasi I-TEMUAN
dengan I-TEMUAN
data I-TEMUAN
kemiskinan I-TEMUAN
resmi I-TEMUAN
level I-TEMUAN
kabupaten I-TEMUAN
/ I-TEMUAN
kota I-TEMUAN
dipilih I-TEMUAN
sebagai I-TEMUAN
pemetaan I-TEMUAN
terbaik I-TEMUAN
dengan I-TEMUAN
RMSE I-TEMUAN
1,95 I-TEMUAN
, I-TEMUAN
MAE I-TEMUAN
1,61 I-TEMUAN
, I-TEMUAN
MAPE I-TEMUAN
19,99 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
korelasi I-TEMUAN
Pearson I-TEMUAN
0,94 I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
adjusted I-TEMUAN
R2 I-TEMUAN
0,84 I-TEMUAN
, I-TEMUAN
4 I-TEMUAN
) I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
map I-TEMUAN
dashboard I-TEMUAN
interaktif I-TEMUAN
berbasis I-TEMUAN
website I-TEMUAN
untuk I-TEMUAN
membantu I-TEMUAN
pemangku I-TEMUAN
kepentingan I-TEMUAN
dalam I-TEMUAN
memanfaatkan I-TEMUAN
hasil I-TEMUAN
penelitian. I-TEMUAN
Integrasi O
hasil O
penelitian O
dengan O
data O
kemiskinan O
resmi O
diharapkan O
dapat O
mendukung O
pengambilan O
keputusan O
terkait O
pengentasan O
kemiskinan O
di O
Indonesia. O
Kata O
Kunci— O
pemetaan O
kemiskinan O
, O
citra O
satelit O
multisumber O
, O
big O
data O
, O
deep O
learning. O
[SEP] O
A. O
Kesimpulan O
Penelitian O
ini O
mengusulkan O
pendekatan O
baru O
untuk O
menyediakan O
peta O
kemiskinan O
Jawa O
Timur O
yang O
lebih O
granular O
7 O
/ O
8 O
dalam O
hal O
cakupan O
( O
sampai O
level O
grid O
dengan O
resolusi O
spasial O
1,5 O
km O
) O
dengan O
biaya O
dan O
waktu O
pembaruan O
yang O
lebih O
singkat O
guna O
mendukung O
pemantauan O
kemiskinan O
yang O
lebih O
baik O
dalam O
pencapaian O
target O
pengentasan O
kemiskinan O
pemerintah O
Indonesia. O
Untuk O
menjawab O
Tujuan O
1 O
yaitu O
membangun O
indeks O
kemiskinan O
spasial O
relatif O
yang O
dapat O
memetakan O
kemiskinan O
spasial O
, O
telah O
dibangun O
Relative O
Spatial O
Poverty O
Index O
( O
RSPI O
) O
yang O
dapat O
memetakan O
daerah O
terdeprivasi O
spasial O
di O
Jawa O
Timur O
pada O
level O
grid O
1,5 O
km. O
RSPI O
berkorelasi O
kuat O
( O
𝑟𝑃𝑒𝑎𝑟𝑠𝑜𝑛 O
= O
0,71 O
; O
𝑟𝑆𝑝𝑒𝑎𝑟𝑚𝑎𝑛 O
= O
0,79 O
) O
dengan O
data O
kemiskinan O
resmi O
pada O
level O
kabupaten O
/ O
kota. O
Dari O
Tujuan O
2 O
yaitu O
membangun O
model O
estimasi O
kemiskinan O
, O
telah O
dibangun O
model O
estimasi O
kemiskinan O
dengan O
dua O
skenario. O
Pertama O
, O
model O
dibangun O
menggunakan O
Dataset O
1 O
( B-METODE
citra I-METODE
satelit I-METODE
multisumber I-METODE
dan I-METODE
POI I-METODE
) O
dengan O
ekstraksi O
fitur O
zonal B-METODE
statistics I-METODE
sebagai O
pendekatan O
baru O
yang O
diusulkan O
dalam O
penelitian O
ini. O
Kedua O
, O
model O
dibangun O
menggunakan O
Dataset O
2 O
( O
data O
satelit O
siang O
dan O
malam O
) O
dengan O
ekstraksi O
fitur O
transfer O
learning O
Resnet-34 O
sebagai O
pendekatan O
yang O
banyak O
digunakan O
pada O
penelitian O
sebelumnya. O
Berdasarkan O
hasil O
evaluasi O
pembangunan O
model O
, O
model O
CNN-1D O
dipilih O
sebagai O
model O
terbaik O
pada O
skenario O
pertama O
dan O
model O
Resnet-34+MLP O
dipilih O
sebagai O
model O
terbaik O
pada O
skenario O
kedua. O
Hal O
ini O
menunjukkan O
bahwa O
dalam O
penelitian O
ini O
model O
deep O
learning O
mengungguli O
model O
machine O
learning. O
Menjawab O
Tujuan O
3 O
, O
yaitu O
membangun O
dan O
mengevaluasi O
estimasi O
pemetaan O
kemiskinan O
, O
telah O
dibangun O
estimasi O
pemetaan O
kemiskinan O
pada O
level O
grid O
1,5 O
km O
berdasarkan O
kedua O
model O
estimasi O
yang O
dibangun O
pada O
Tujuan O
2. O
Dari O
hasil O
evaluasi O
berdasarkan O
data O
kemiskinan O
resmi O
level O
kabupaten O
/ O
kota O
, O
estimasi O
pemetaan O
kemiskinan O
yang O
dibangun O
menggunakan O
model O
CNN-1D O
pada O
skenario O
pertama O
dipilih O
sebagai O
pemetaan O
terbaik O
dengan O
nilai O
RMSE B-METODE
1,95 O
, O
MAE B-METODE
1,61 O
, O
MAPE B-METODE
19,99 O
% O
, O
korelasi O
Pearson O
0,94 O
, O
dan O
adjusted B-METODE
R2 I-METODE
0,84. O
Hasil O
identifikasi O
visual O
menunjukkan O
bahwa O
estimasi O
kemiskinan O
yang O
tinggi O
cenderung O
ditemukan O
pada O
jarang O
penduduk O
dan O
dikelilingi O
oleh O
lahan O
kosong O
, O
yang O
biasanya O
merupakan O
lahan O
pertanian. O
Hal O
ini O
sejalan O
dengan O
laporan O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
yang O
menyatakan O
bahwa O
kemiskinan O
di O
perdesaan O
lebih O
tinggi O
daripada O
di O
perkotaan. O
Untuk O
memenuhi O
Tujuan O
4 O
yaitu O
membangun O
map O
dashboard O
interaktif O
berbasis O
website O
untuk O
menyajikan O
hasil O
pemetaan O
kemiskinan O
, O
telah O
dibangun O
map O
dashboard O
dalam O
penyajian O
dua O
dimensi O
( O
2D O
) O
dan O
tiga O
dimensi O
( O
3D O
) O
. O
Map O
dashboard O
interaktif O
2D O
dibangun O
untuk O
memudahkan O
pemangku O
kepentingan O
dalam O
melakukan O
identifikasi O
wilayah O
spesifik O
pada O
grid O
tertentu. O
Map O
dashboard O
interaktif O
3D O
dibangun O
untuk O
memudahkan O
pemangku O
kepentingan O
dalam O
melakukan O
identifikasi O
wilayah O
sekaligus O
memperoleh O
informasi O
terkait O
estimasi O
populasi O
yang O
mendiami O
grid O
tersebut. O
B. O
Saran O
Untuk O
pemangku O
kepentingan O
, O
map O
dashboard O
hasil O
penelitian O
ini O
yang O
menyajikan O
peta O
kemiskinan O
Provinsi O
Jawa O
Timur O
pada O
level O
grid O
1,5 O
km O
dapat O
digunakan O
sebagai O
data O
alternatif O
rujukan O
pengambilan O
keputusan O
pengentasan O
kemiskinan O
seperti O
pemetaan O
wilayah O
untuk O
penyaluran O
bantuan O
sosial. O
Untuk O
penelitian O
selanjutnya O
, O
penggunaan O
big O
data O
potensial O
lainnya O
sepertu O
Facebook O
Advertising O
Data O
dan O
Mobile O
Phone O
Data O
perlu O
dikaji O
untuk O
pemetaan O
kemiskinan O
di O
Indonesia. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
1 O
] O
PBB O
, O
“About O
the O
Sustainable O
Development O
Goals O
, O
” O
SDGs O
, O
2015. O
https O
: O
/ O
/ O
www.un.org O
/ O
sustainabledevelopment O
/ O
sustainable-development-goals O
/ O
. O

Estimasi O
Pemetaan O
Kemiskinan O
dengan O
Deep O
Learning O
Pada O
Big O
Data O
Fusi O
Citra O
Satelit O
Multisumber O
dan O
Point O
of O
Interest O
Studi O
Kasus O
: O
Provinsi O
Jawa O
Timur O
Salwa O
Rizqina O
Putri O
( O
221810596 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
Ringkasan— O
Untuk O
mendukung O
target O
pengentasan O
kemiskinan O
pemerintah O
, O
diperlukan O
penyajian O
data O
alternatif O
estimasi O
kemiskinan O
yang O
lebih O
granular O
dan O
dapat O
diperbarui O
dengan O
waktu O
dan O
biaya O
yang O
lebih O
rendah. O
Penelitian O
ini O
bertujuan O
untuk O
membangun B-TUJUAN
estimasi I-TUJUAN
pemetaan I-TUJUAN
kemiskinan I-TUJUAN
level I-TUJUAN
grid I-TUJUAN
1,5 I-TUJUAN
km I-TUJUAN
berdasarkan I-TUJUAN
big I-TUJUAN
data I-TUJUAN
fusi I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
multisumber I-TUJUAN
dan I-TUJUAN
point I-TUJUAN
of I-TUJUAN
interest I-TUJUAN
( I-TUJUAN
POI I-TUJUAN
) I-TUJUAN
. I-TUJUAN
Hasil O
penelitian O
ini O
meliputi O
: O
1 B-TEMUAN
) I-TEMUAN
telah I-TEMUAN
disusun I-TEMUAN
indeks I-TEMUAN
kemiskinan I-TEMUAN
spasial I-TEMUAN
relatif I-TEMUAN
, I-TEMUAN
Relative I-TEMUAN
Spatial I-TEMUAN
Poverty I-TEMUAN
Index I-TEMUAN
( I-TEMUAN
RSPI I-TEMUAN
) I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
memetakan I-TEMUAN
daerah I-TEMUAN
terdeprivasi I-TEMUAN
spasial I-TEMUAN
di I-TEMUAN
Jawa I-TEMUAN
Timur I-TEMUAN
dan I-TEMUAN
berkorelasi I-TEMUAN
kuat I-TEMUAN
dengan I-TEMUAN
data I-TEMUAN
kemiskinan I-TEMUAN
resmi I-TEMUAN
, I-TEMUAN
2 I-TEMUAN
) I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
estimasi I-TEMUAN
kemiskinan I-TEMUAN
dengan I-TEMUAN
big I-TEMUAN
data I-TEMUAN
fusi I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
multisumber I-TEMUAN
dan I-TEMUAN
POI I-TEMUAN
yaitu I-TEMUAN
CNN-1D I-TEMUAN
dan I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
estimasi I-TEMUAN
kemiskinan I-TEMUAN
dengan I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
siang I-TEMUAN
dan I-TEMUAN
malam I-TEMUAN
hari I-TEMUAN
yaitu I-TEMUAN
Resnet-34 I-TEMUAN
+ I-TEMUAN
MLP I-TEMUAN
, I-TEMUAN
3 I-TEMUAN
) I-TEMUAN
hasil I-TEMUAN
estimasi I-TEMUAN
pemetaan I-TEMUAN
kemiskinan I-TEMUAN
berdasarkan I-TEMUAN
model I-TEMUAN
CNN-1D I-TEMUAN
yang I-TEMUAN
dievaluasi I-TEMUAN
dengan I-TEMUAN
data I-TEMUAN
kemiskinan I-TEMUAN
resmi I-TEMUAN
level I-TEMUAN
kabupaten I-TEMUAN
/ I-TEMUAN
kota I-TEMUAN
dipilih I-TEMUAN
sebagai I-TEMUAN
pemetaan I-TEMUAN
terbaik I-TEMUAN
dengan I-TEMUAN
RMSE I-TEMUAN
1,95 I-TEMUAN
, I-TEMUAN
MAE I-TEMUAN
1,61 I-TEMUAN
, I-TEMUAN
MAPE I-TEMUAN
19,99 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
korelasi I-TEMUAN
Pearson I-TEMUAN
0,94 I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
adjusted I-TEMUAN
R2 I-TEMUAN
0,84 I-TEMUAN
, I-TEMUAN
4 I-TEMUAN
) I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
map I-TEMUAN
dashboard I-TEMUAN
interaktif I-TEMUAN
berbasis I-TEMUAN
website I-TEMUAN
untuk I-TEMUAN
membantu I-TEMUAN
pemangku I-TEMUAN
kepentingan I-TEMUAN
dalam I-TEMUAN
memanfaatkan I-TEMUAN
hasil I-TEMUAN
penelitian. I-TEMUAN
Integrasi O
hasil O
penelitian O
dengan O
data O
kemiskinan O
resmi O
diharapkan O
dapat O
mendukung O
pengambilan O
keputusan O
terkait O
pengentasan O
kemiskinan O
di O
Indonesia. O
Kata O
Kunci— O
pemetaan O
kemiskinan O
, O
citra O
satelit O
multisumber O
, O
big O
data O
, O
deep O
learning. O
[SEP] O
A. O
Kesimpulan O
Penelitian O
ini O
mengusulkan O
pendekatan O
baru O
untuk O
menyediakan O
peta O
kemiskinan O
Jawa O
Timur O
yang O
lebih O
granular O
7 O
/ O
8 O
dalam O
hal O
cakupan O
( O
sampai O
level O
grid O
dengan O
resolusi O
spasial O
1,5 O
km O
) O
dengan O
biaya O
dan O
waktu O
pembaruan O
yang O
lebih O
singkat O
guna O
mendukung O
pemantauan O
kemiskinan O
yang O
lebih O
baik O
dalam O
pencapaian O
target O
pengentasan O
kemiskinan O
pemerintah O
Indonesia. O
Untuk O
menjawab O
Tujuan O
1 O
yaitu O
membangun O
indeks O
kemiskinan O
spasial O
relatif O
yang O
dapat O
memetakan O
kemiskinan O
spasial O
, O
telah O
dibangun O
Relative O
Spatial O
Poverty O
Index O
( O
RSPI O
) O
yang O
dapat O
memetakan O
daerah O
terdeprivasi O
spasial O
di O
Jawa O
Timur O
pada O
level O
grid O
1,5 O
km. O
RSPI O
berkorelasi O
kuat O
( O
𝑟𝑃𝑒𝑎𝑟𝑠𝑜𝑛 O
= O
0,71 O
; O
𝑟𝑆𝑝𝑒𝑎𝑟𝑚𝑎𝑛 O
= O
0,79 O
) O
dengan O
data O
kemiskinan O
resmi O
pada O
level O
kabupaten O
/ O
kota. O
Dari O
Tujuan O
2 O
yaitu O
membangun O
model O
estimasi O
kemiskinan O
, O
telah O
dibangun O
model O
estimasi O
kemiskinan O
dengan O
dua O
skenario. O
Pertama O
, O
model O
dibangun O
menggunakan O
Dataset O
1 O
( B-METODE
citra I-METODE
satelit I-METODE
multisumber I-METODE
dan I-METODE
POI I-METODE
) O
dengan O
ekstraksi O
fitur O
zonal B-METODE
statistics I-METODE
sebagai O
pendekatan O
baru O
yang O
diusulkan O
dalam O
penelitian O
ini. O
Kedua O
, O
model O
dibangun O
menggunakan O
Dataset O
2 O
( O
data O
satelit O
siang O
dan O
malam O
) O
dengan O
ekstraksi O
fitur O
transfer O
learning O
Resnet-34 O
sebagai O
pendekatan O
yang O
banyak O
digunakan O
pada O
penelitian O
sebelumnya. O
Berdasarkan O
hasil O
evaluasi O
pembangunan O
model O
, O
model O
CNN-1D O
dipilih O
sebagai O
model O
terbaik O
pada O
skenario O
pertama O
dan O
model O
Resnet-34+MLP O
dipilih O
sebagai O
model O
terbaik O
pada O
skenario O
kedua. O
Hal O
ini O
menunjukkan O
bahwa O
dalam O
penelitian O
ini O
model O
deep O
learning O
mengungguli O
model O
machine O
learning. O
Menjawab O
Tujuan O
3 O
, O
yaitu O
membangun O
dan O
mengevaluasi O
estimasi O
pemetaan O
kemiskinan O
, O
telah O
dibangun O
estimasi O
pemetaan O
kemiskinan O
pada O
level O
grid O
1,5 O
km O
berdasarkan O
kedua O
model O
estimasi O
yang O
dibangun O
pada O
Tujuan O
2. O
Dari O
hasil O
evaluasi O
berdasarkan O
data O
kemiskinan O
resmi O
level O
kabupaten O
/ O
kota O
, O
estimasi O
pemetaan O
kemiskinan O
yang O
dibangun O
menggunakan O
model O
CNN-1D O
pada O
skenario O
pertama O
dipilih O
sebagai O
pemetaan O
terbaik O
dengan O
nilai O
RMSE B-METODE
1,95 O
, O
MAE B-METODE
1,61 O
, O
MAPE B-METODE
19,99 O
% O
, O
korelasi O
Pearson O
0,94 O
, O
dan O
adjusted B-METODE
R2 I-METODE
0,84. O
Hasil O
identifikasi O
visual O
menunjukkan O
bahwa O
estimasi O
kemiskinan O
yang O
tinggi O
cenderung O
ditemukan O
pada O
jarang O
penduduk O
dan O
dikelilingi O
oleh O
lahan O
kosong O
, O
yang O
biasanya O
merupakan O
lahan O
pertanian. O
Hal O
ini O
sejalan O
dengan O
laporan O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
yang O
menyatakan O
bahwa O
kemiskinan O
di O
perdesaan O
lebih O
tinggi O
daripada O
di O
perkotaan. O
Untuk O
memenuhi O
Tujuan O
4 O
yaitu O
membangun O
map O
dashboard O
interaktif O
berbasis O
website O
untuk O
menyajikan O
hasil O
pemetaan O
kemiskinan O
, O
telah O
dibangun O
map O
dashboard O
dalam O
penyajian O
dua O
dimensi O
( O
2D O
) O
dan O
tiga O
dimensi O
( O
3D O
) O
. O
Map O
dashboard O
interaktif O
2D O
dibangun O
untuk O
memudahkan O
pemangku O
kepentingan O
dalam O
melakukan O
identifikasi O
wilayah O
spesifik O
pada O
grid O
tertentu. O
Map O
dashboard O
interaktif O
3D O
dibangun O
untuk O
memudahkan O
pemangku O
kepentingan O
dalam O
melakukan O
identifikasi O
wilayah O
sekaligus O
memperoleh O
informasi O
terkait O
estimasi O
populasi O
yang O
mendiami O
grid O
tersebut. O
B. O
Saran O
Untuk O
pemangku O
kepentingan O
, O
map O
dashboard O
hasil O
penelitian O
ini O
yang O
menyajikan O
peta O
kemiskinan O
Provinsi O
Jawa O
Timur O
pada O
level O
grid O
1,5 O
km O
dapat O
digunakan O
sebagai O
data O
alternatif O
rujukan O
pengambilan O
keputusan O
pengentasan O
kemiskinan O
seperti O
pemetaan O
wilayah O
untuk O
penyaluran O
bantuan O
sosial. O
Untuk O
penelitian O
selanjutnya O
, O
penggunaan O
big O
data O
potensial O
lainnya O
sepertu O
Facebook O
Advertising O
Data O
dan O
Mobile O
Phone O
Data O
perlu O
dikaji O
untuk O
pemetaan O
kemiskinan O
di O
Indonesia. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
1 O
] O
PBB O
, O
“About O
the O
Sustainable O
Development O
Goals O
, O
” O
SDGs O
, O
2015. O
https O
: O
/ O
/ O
www.un.org O
/ O
sustainabledevelopment O
/ O
sustainable-development-goals O
/ O
. O

Pembangunan O
R O
Package O
untuk O
model O
Zero-Inflated O
Binomial O
dengan O
Metode O
Hierarchical O
Bayes O
( O
Studi O
Kasus O
: O
Proporsi O
Korban O
Kejahatan O
Tingkat O
Kabupaten O
/ O
Kota O
) O
Rizqina O
Rahmati O
( O
221810583 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Azka O
Ubaidillah O
, O
SST O
, O
M.Si O
Ringkasan— O
Pendugaan O
parameter O
untuk O
area O
domain O
kecil O
dengan O
menggunakan O
data O
area O
domain O
besar O
sudah O
mulai O
digunakan O
di O
indonesia. O
Metode B-METODE
SAE I-METODE
menggunakan O
informasi O
pada O
area O
sekitarnya O
dan O
menghubungkannya O
dengan O
informasi O
tambahan O
yang O
berkorelasi O
dengan O
variabel O
penduga O
untuk O
menghasilkan O
dugaan O
yang O
presisi. O
Kelebihan O
nilai O
0 O
pada O
data O
biner O
yang O
akan O
diduga O
dapat O
mengakibatkan O
overdispersi. O
Masalah O
tersebut O
dapat O
diatasi O
dengan O
model O
Zero-Inflated O
Binomial. O
Pengembangan O
metode O
SAE O
model O
ZIB O
dengan O
Hierarchical O
Bayesian O
dianggap O
lebih O
mudah O
dari O
segi O
komputasi. O
Untuk O
memudahkan O
penggunaan O
dalam O
model O
yang O
dibentuk O
, O
peneliti B-TUJUAN
membangun I-TUJUAN
R I-TUJUAN
Package I-TUJUAN
untuk I-TUJUAN
model I-TUJUAN
Zero-Inflated I-TUJUAN
Binomial I-TUJUAN
dengan I-TUJUAN
Hierarchical I-TUJUAN
Bayesian I-TUJUAN
yang O
dapat O
dikunjungi O
pada O
laman O
https O
: O
/ O
/ O
CRAN.R-project.org O
/ O
Package=saeHB.ZIB. O
Package B-TEMUAN
sudah I-TEMUAN
dievaluasi I-TEMUAN
menggunakan I-TEMUAN
beberapa I-TEMUAN
uji I-TEMUAN
seperti I-TEMUAN
uji I-TEMUAN
validitas I-TEMUAN
dan I-TEMUAN
SUS. I-TEMUAN
Dari B-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
, I-TEMUAN
Package I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
sesuai I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci— O
Small O
Area O
Estimation O
, O
Zero-Inflated O
Binomial O
, O
Hierarchical O
Bayesian O
, O
R. O
[SEP] O
7.1 O
Kesimpulan O
situs O
pada O
CRAN O
melalui O
R O
Package O
untuk O
model O
Zero-Inflated O
Binomial O
menggunakan O
metode O
Hierarchical O
Bayesian O
telah O
berhasil O
dibangun O
dengan O
nama O
Package O
‘saeHB.ZIB’. O
Package O
dapat O
diakses O
link O
https O
: O
/ O
/ O
cran.rstudio O
/ O
web O
/ O
Packages O
/ O
saeHB.ZIB O
/ O
. O
Uji O
validitas O
Package O
yang O
telah O
dibangun O
menunjukkan O
pola O
yang O
diharapkan O
, O
model O
Zero-Inflated O
Binomial O
memiliki O
nilai O
MSE O
yang O
lebih O
kecil O
ketika O
melakukan O
estimasi O
terhadap O
data O
biner O
yang O
mengandung O
banyak O
nilai O
nol O
dibandingkan O
dengan O
model O
Binomial. O
Hasil O
Uji O
kelayakan O
dengan O
SUS B-METODE
juga O
menunjukkan O
bahwa O
R O
Package O
dapat O
diterima O
dengan O
baik O
oleh O
pengguna. O
Studi O
kasus O
dilakukan O
terhadap O
proporsi O
korban O
kejahatan O
kekerasan O
tingkat O
kabupaten O
kota O
dengan O
menggunakan O
function O
dari O
Package O
yang O
telah O
dibangun. O
Hasil O
pengolahan O
menunjukkan O
bahwa O
nilai O
MSE O
dari O
function O
untuk O
metode O
HB O
Zero-Inflated O
Binomial O
di O
Package O
‘saeHB.ZIB’ O
dan O
function O
untuk O
metode O
HB O
Binomial O
di O
Package O
‘saeHB’ O
tidak O
jauh O
berbeda. O
Sejumlah O
data O
tingkat O
kabupaten O
/ O
kota O
di O
ubah O
secara O
acak O
menjadi O
nol O
sehingga O
lebih O
banyak O
nilai O
nol O
pada O
data O
, O
untuk O
Gambar O
3. O
Line O
Chart O
Hasil O
Estimasi O
( O
Modifikasi O
50 O
% O
) O
5 O
/ O
7 O
mengetahui O
metode O
yang O
lebih O
baik O
pada O
data O
yang O
mengandung O
banyak O
nilai O
0. O
Didapatkan O
kesimpulan O
bahwa O
, O
ketika O
nilai O
nol O
pada O
data O
hampir O
50 O
persen O
, O
maka O
pendugaan O
menggunakan O
metode O
HB O
Zero- O
Inflated O
Binomial O
menghasilkan O
nilai O
MSE O
yang O
lebih O
kecil O
daripada O
metode O
HB O
Binomial. O
Hal O
ini O
menunjukkan O
bahwa O
implementasi O
model O
HB O
Zero-Inflated O
Binomial O
mampu O
menghasilkan O
hasil O
estimasi O
yang O
lebih O
baik O
dari O
pada O
estimasi O
langsung O
dan O
dengan O
metode O
HB O
Binomial O
untuk O
estimasi O
proporsi O
korban O
kejahatan O
kekerasan O
tahun O
2018. O
7.2 O
Saran O
Dari O
hasil O
dan O
kesimpulan O
penelitian O
yang O
dipaparkan O
diatas O
, O
penulis O
dapat O
memberikan O
saran O
sebagai O
berikut O
: O
1. O
Model O
Zero-Inflated O
Binomial O
mampu O
menghasilkan O
MSE O
yang O
kecil O
dibandingkan O
model O
Binomial O
Ketika O
dihadapkan O
dengan O
data O
biner O
yang O
memiliki O
banyak O
nilai O
nol. O
Namun O
, O
nilai O
estimasi O
belum O
menunjukkan O
nilai O
RSE O
yang O
dapat O
digunakan O
sebagai O
official O
statistic O
walaupun O
nilai O
RSE O
lebih O
kecil O
jika O
dibandingkan O
dengan O
estimasi O
langsung. O
2. O
Pada O
studi O
kasus O
, O
pemilihan O
variable O
penyerta O
dapat O
dilakukan O
dengan O
lebih O
baik O
sehingga O
dapat O
menghasilkan O
hasil O
estimasi O
yang O
lebih O
baik. O

Pembangunan O
R O
Package O
untuk O
model O
Zero-Inflated O
Binomial O
dengan O
Metode O
Hierarchical O
Bayes O
( O
Studi O
Kasus O
: O
Proporsi O
Korban O
Kejahatan O
Tingkat O
Kabupaten O
/ O
Kota O
) O
Rizqina O
Rahmati O
( O
221810583 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Azka O
Ubaidillah O
, O
SST O
, O
M.Si O
Ringkasan— O
Pendugaan O
parameter O
untuk O
area O
domain O
kecil O
dengan O
menggunakan O
data O
area O
domain O
besar O
sudah O
mulai O
digunakan O
di O
indonesia. O
Metode B-METODE
SAE I-METODE
menggunakan O
informasi O
pada O
area O
sekitarnya O
dan O
menghubungkannya O
dengan O
informasi O
tambahan O
yang O
berkorelasi O
dengan O
variabel O
penduga O
untuk O
menghasilkan O
dugaan O
yang O
presisi. O
Kelebihan O
nilai O
0 O
pada O
data O
biner O
yang O
akan O
diduga O
dapat O
mengakibatkan O
overdispersi. O
Masalah O
tersebut O
dapat O
diatasi O
dengan O
model O
Zero-Inflated O
Binomial. O
Pengembangan O
metode O
SAE O
model O
ZIB O
dengan O
Hierarchical O
Bayesian O
dianggap O
lebih O
mudah O
dari O
segi O
komputasi. O
Untuk O
memudahkan O
penggunaan O
dalam O
model O
yang O
dibentuk O
, O
peneliti B-TUJUAN
membangun I-TUJUAN
R I-TUJUAN
Package I-TUJUAN
untuk I-TUJUAN
model I-TUJUAN
Zero-Inflated I-TUJUAN
Binomial I-TUJUAN
dengan I-TUJUAN
Hierarchical I-TUJUAN
Bayesian I-TUJUAN
yang O
dapat O
dikunjungi O
pada O
laman O
https O
: O
/ O
/ O
CRAN.R-project.org O
/ O
Package=saeHB.ZIB. O
Package B-TEMUAN
sudah I-TEMUAN
dievaluasi I-TEMUAN
menggunakan I-TEMUAN
beberapa I-TEMUAN
uji I-TEMUAN
seperti I-TEMUAN
uji I-TEMUAN
validitas I-TEMUAN
dan I-TEMUAN
SUS. I-TEMUAN
Dari B-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
, I-TEMUAN
Package I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
sesuai I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci— O
Small O
Area O
Estimation O
, O
Zero-Inflated O
Binomial O
, O
Hierarchical O
Bayesian O
, O
R. O
[SEP] O
7.1 O
Kesimpulan O
situs O
pada O
CRAN O
melalui O
R O
Package O
untuk O
model O
Zero-Inflated O
Binomial O
menggunakan O
metode O
Hierarchical O
Bayesian O
telah O
berhasil O
dibangun O
dengan O
nama O
Package O
‘saeHB.ZIB’. O
Package O
dapat O
diakses O
link O
https O
: O
/ O
/ O
cran.rstudio O
/ O
web O
/ O
Packages O
/ O
saeHB.ZIB O
/ O
. O
Uji O
validitas O
Package O
yang O
telah O
dibangun O
menunjukkan O
pola O
yang O
diharapkan O
, O
model O
Zero-Inflated O
Binomial O
memiliki O
nilai O
MSE O
yang O
lebih O
kecil O
ketika O
melakukan O
estimasi O
terhadap O
data O
biner O
yang O
mengandung O
banyak O
nilai O
nol O
dibandingkan O
dengan O
model O
Binomial. O
Hasil O
Uji O
kelayakan O
dengan O
SUS B-METODE
juga O
menunjukkan O
bahwa O
R O
Package O
dapat O
diterima O
dengan O
baik O
oleh O
pengguna. O
Studi O
kasus O
dilakukan O
terhadap O
proporsi O
korban O
kejahatan O
kekerasan O
tingkat O
kabupaten O
kota O
dengan O
menggunakan O
function O
dari O
Package O
yang O
telah O
dibangun. O
Hasil O
pengolahan O
menunjukkan O
bahwa O
nilai O
MSE O
dari O
function O
untuk O
metode O
HB O
Zero-Inflated O
Binomial O
di O
Package O
‘saeHB.ZIB’ O
dan O
function O
untuk O
metode O
HB O
Binomial O
di O
Package O
‘saeHB’ O
tidak O
jauh O
berbeda. O
Sejumlah O
data O
tingkat O
kabupaten O
/ O
kota O
di O
ubah O
secara O
acak O
menjadi O
nol O
sehingga O
lebih O
banyak O
nilai O
nol O
pada O
data O
, O
untuk O
Gambar O
3. O
Line O
Chart O
Hasil O
Estimasi O
( O
Modifikasi O
50 O
% O
) O
5 O
/ O
7 O
mengetahui O
metode O
yang O
lebih O
baik O
pada O
data O
yang O
mengandung O
banyak O
nilai O
0. O
Didapatkan O
kesimpulan O
bahwa O
, O
ketika O
nilai O
nol O
pada O
data O
hampir O
50 O
persen O
, O
maka O
pendugaan O
menggunakan O
metode O
HB O
Zero- O
Inflated O
Binomial O
menghasilkan O
nilai O
MSE O
yang O
lebih O
kecil O
daripada O
metode O
HB O
Binomial. O
Hal O
ini O
menunjukkan O
bahwa O
implementasi O
model O
HB O
Zero-Inflated O
Binomial O
mampu O
menghasilkan O
hasil O
estimasi O
yang O
lebih O
baik O
dari O
pada O
estimasi O
langsung O
dan O
dengan O
metode O
HB O
Binomial O
untuk O
estimasi O
proporsi O
korban O
kejahatan O
kekerasan O
tahun O
2018. O
7.2 O
Saran O
Dari O
hasil O
dan O
kesimpulan O
penelitian O
yang O
dipaparkan O
diatas O
, O
penulis O
dapat O
memberikan O
saran O
sebagai O
berikut O
: O
1. O
Model O
Zero-Inflated O
Binomial O
mampu O
menghasilkan O
MSE O
yang O
kecil O
dibandingkan O
model O
Binomial O
Ketika O
dihadapkan O
dengan O
data O
biner O
yang O
memiliki O
banyak O
nilai O
nol. O
Namun O
, O
nilai O
estimasi O
belum O
menunjukkan O
nilai O
RSE O
yang O
dapat O
digunakan O
sebagai O
official O
statistic O
walaupun O
nilai O
RSE O
lebih O
kecil O
jika O
dibandingkan O
dengan O
estimasi O
langsung. O
2. O
Pada O
studi O
kasus O
, O
pemilihan O
variable O
penyerta O
dapat O
dilakukan O
dengan O
lebih O
baik O
sehingga O
dapat O
menghasilkan O
hasil O
estimasi O
yang O
lebih O
baik. O

Hybrid O
Genetic O
Algorithm O
dengan O
Slime O
Mould O
Algorithm O
untuk O
mengoptimasi O
Fuzzy O
K-prototype O
: O
Implementasi O
Pada O
Data O
Campuran O
Rizki O
Nazhif O
Nur O
( O
221810578 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
SST O
, O
M.Si. O
Ringkasan— O
Kebanyakan O
algoritma O
clustering O
hanya O
berfokus O
ke O
satu O
tipe O
data O
atribut O
, O
yaitu O
numerik O
atau O
ketegorik O
saja. O
Namun O
, O
K-prototype O
dapat O
digunakan O
untuk O
mengelompokkan O
data O
beratribut O
campuran. O
Untuk O
mengatasi O
kelemahan O
pada O
K- O
prototype O
peneliti O
mengkombinasikan B-TUJUAN
optimasi I-TUJUAN
Genetic I-TUJUAN
Algorithm I-TUJUAN
dan I-TUJUAN
Slime I-TUJUAN
Mould I-TUJUAN
Algorithm I-TUJUAN
untuk I-TUJUAN
mengoptimasi I-TUJUAN
Fuzzy I-TUJUAN
K- I-TUJUAN
Prototype I-TUJUAN
dengan I-TUJUAN
melakukan I-TUJUAN
simulasi I-TUJUAN
menggunakan I-TUJUAN
lima I-TUJUAN
jenis I-TUJUAN
data. I-TUJUAN
Metode O
yang O
disimulasikan O
adalah O
Fuzzy O
K-prototype O
( O
FKP O
) O
, O
Genetic B-METODE
Algorithm-Fuzzy I-METODE
K-prototype I-METODE
( I-METODE
GA-FKP I-METODE
) I-METODE
, O
Slime B-METODE
Mould I-METODE
Algorithm-Fuzzy I-METODE
K-prototype I-METODE
( I-METODE
SMA-FKP I-METODE
) I-METODE
, O
dan O
Hybrid B-METODE
Genetic I-METODE
Algorithm I-METODE
& I-METODE
Slime I-METODE
Mould I-METODE
Algorithm-Fuzzy I-METODE
K-prototype I-METODE
( I-METODE
GA-SMA- I-METODE
FKP I-METODE
) I-METODE
. O
Hasil O
penelitian O
ini O
menghasilkan O
kesimpulan O
Algoritma B-TEMUAN
SMA I-TEMUAN
dapat I-TEMUAN
menjadi I-TEMUAN
alternatif I-TEMUAN
metode I-TEMUAN
optimasi I-TEMUAN
untuk I-TEMUAN
diimplementasikan I-TEMUAN
ke I-TEMUAN
Fuzzy I-TEMUAN
K-prototype. I-TEMUAN
Kombinasi O
algoritma O
optimasi O
Genetic O
Algorithm O
dan O
Slime O
Mould O
Algorithm O
untuk O
megoptimasi O
metode O
clustering O
Fuzzy O
K-prototype O
terbukti O
lebih O
maksimal O
dalam O
menghindari O
solusi O
local O
optima. O
Hasil O
simulasi O
menunjukkan O
bahwa O
kombinasi B-TEMUAN
GA-SMA I-TEMUAN
mampu I-TEMUAN
menghindari I-TEMUAN
solusi I-TEMUAN
yang I-TEMUAN
local I-TEMUAN
optima I-TEMUAN
dan I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
indikatornya I-TEMUAN
jika I-TEMUAN
dibandingkan I-TEMUAN
dengan I-TEMUAN
ketiga I-TEMUAN
metode I-TEMUAN
lainnya I-TEMUAN
namun I-TEMUAN
hanya I-TEMUAN
pada I-TEMUAN
beberapa I-TEMUAN
data I-TEMUAN
saja. I-TEMUAN
Kata O
Kunci— O
Clustering O
, O
Optimasi O
, O
Genetic O
Algorithm O
, O
Slime O
Mould O
Algorithm O
, O
Fuzzy O
K-prototype. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
diperoleh O
beberapa O
kesimpulan O
tujuan O
sebagai O
berikut O
: O
1. O
Algoritma O
SMA O
dapat O
menjadi O
alternatif O
metode O
optimasi O
untuk O
diimplementasikan O
ke O
Fuzzy O
K-prototype. O
Walaupun O
secara O
performa O
pada O
hasil O
simulasi O
sebelumnya O
masih O
berada O
dibawah O
dari O
algoritma O
lainnya. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
2. O
Kombinasi O
algoritma O
optimasi O
Genetic O
Algorithm O
dan O
Slime O
Mould O
Algorithm O
untuk O
megoptimasi O
metode O
clustering O
Fuzzy O
K-prototype O
terbukti O
lebih O
maksimal O
dalam O
menghindari O
solusi O
local O
optima. O
3. O
Hasil O
simulasi O
menunjukkan O
bahwa O
algoritma O
GA-SMA- O
FKP O
mampu O
mengungguli O
ketiga O
metode O
lainnya O
, O
namun O
hanya O
pada O
beberapa O
data O
saja. O
Dan O
juga O
metode B-METODE
GA-SMA- I-METODE
FKP I-METODE
dan O
GA-FKP B-METODE
akan O
efektif O
apabila O
peluang O
mutasi O
yang O
digunakan O
semakin O
kecil. O
Ini O
membuat O
peforma O
algoritma O
GA O
yang O
ada O
pada O
metode O
tersebut O
menjadi O
lebih O
baik. O
Walaupun O
GA-SMA-FKP O
mampu O
mencapai O
hasil O
yang O
optimal O
dibandingkan O
metode O
lainnya O
, O
namun O
dari O
segi O
waktu O
total O
, O
metode O
ini O
membutuhkan O
waktu O
yang O
sangat O
lama O
dalam O
sekali O
proses O
clustering. O
Hal O
ini O
disebabkan O
oleh O
metode O
GA-SMA-FKP O
yang O
memiliki O
banyak O
perulangan O
pencarian O
dan O
juga O
algoritma O
yang O
kompleks. O
Berdasarkan O
kesimpulan O
diatas O
, O
metode O
GA-SMA-FKP O
dapat O
diterapkan O
pada O
data O
campuran O
yang O
ada O
di O
BPS O
, O
seperti O
data O
PODES. O
Diperlukan O
algoritma O
optimasi O
lain O
dan O
alat O
ukur O
lain O
untuk O
membandingkan O
hasil O
clustering. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O

Hybrid O
Genetic O
Algorithm O
dengan O
Slime O
Mould O
Algorithm O
untuk O
mengoptimasi O
Fuzzy O
K-prototype O
: O
Implementasi O
Pada O
Data O
Campuran O
Rizki O
Nazhif O
Nur O
( O
221810578 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
SST O
, O
M.Si. O
Ringkasan— O
Kebanyakan O
algoritma O
clustering O
hanya O
berfokus O
ke O
satu O
tipe O
data O
atribut O
, O
yaitu O
numerik O
atau O
ketegorik O
saja. O
Namun O
, O
K-prototype O
dapat O
digunakan O
untuk O
mengelompokkan O
data O
beratribut O
campuran. O
Untuk O
mengatasi O
kelemahan O
pada O
K- O
prototype O
peneliti O
mengkombinasikan B-TUJUAN
optimasi I-TUJUAN
Genetic I-TUJUAN
Algorithm I-TUJUAN
dan I-TUJUAN
Slime I-TUJUAN
Mould I-TUJUAN
Algorithm I-TUJUAN
untuk I-TUJUAN
mengoptimasi I-TUJUAN
Fuzzy I-TUJUAN
K- I-TUJUAN
Prototype I-TUJUAN
dengan I-TUJUAN
melakukan I-TUJUAN
simulasi I-TUJUAN
menggunakan I-TUJUAN
lima I-TUJUAN
jenis I-TUJUAN
data. I-TUJUAN
Metode O
yang O
disimulasikan O
adalah O
Fuzzy O
K-prototype O
( O
FKP O
) O
, O
Genetic B-METODE
Algorithm-Fuzzy I-METODE
K-prototype I-METODE
( I-METODE
GA-FKP I-METODE
) I-METODE
, O
Slime B-METODE
Mould I-METODE
Algorithm-Fuzzy I-METODE
K-prototype I-METODE
( I-METODE
SMA-FKP I-METODE
) I-METODE
, O
dan O
Hybrid B-METODE
Genetic I-METODE
Algorithm I-METODE
& I-METODE
Slime I-METODE
Mould I-METODE
Algorithm-Fuzzy I-METODE
K-prototype I-METODE
( I-METODE
GA-SMA- I-METODE
FKP I-METODE
) I-METODE
. O
Hasil O
penelitian O
ini O
menghasilkan O
kesimpulan O
Algoritma B-TEMUAN
SMA I-TEMUAN
dapat I-TEMUAN
menjadi I-TEMUAN
alternatif I-TEMUAN
metode I-TEMUAN
optimasi I-TEMUAN
untuk I-TEMUAN
diimplementasikan I-TEMUAN
ke I-TEMUAN
Fuzzy I-TEMUAN
K-prototype. I-TEMUAN
Kombinasi O
algoritma O
optimasi O
Genetic O
Algorithm O
dan O
Slime O
Mould O
Algorithm O
untuk O
megoptimasi O
metode O
clustering O
Fuzzy O
K-prototype O
terbukti O
lebih O
maksimal O
dalam O
menghindari O
solusi O
local O
optima. O
Hasil O
simulasi O
menunjukkan O
bahwa O
kombinasi B-TEMUAN
GA-SMA I-TEMUAN
mampu I-TEMUAN
menghindari I-TEMUAN
solusi I-TEMUAN
yang I-TEMUAN
local I-TEMUAN
optima I-TEMUAN
dan I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
indikatornya I-TEMUAN
jika I-TEMUAN
dibandingkan I-TEMUAN
dengan I-TEMUAN
ketiga I-TEMUAN
metode I-TEMUAN
lainnya I-TEMUAN
namun I-TEMUAN
hanya I-TEMUAN
pada I-TEMUAN
beberapa I-TEMUAN
data I-TEMUAN
saja. I-TEMUAN
Kata O
Kunci— O
Clustering O
, O
Optimasi O
, O
Genetic O
Algorithm O
, O
Slime O
Mould O
Algorithm O
, O
Fuzzy O
K-prototype. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
diperoleh O
beberapa O
kesimpulan O
tujuan O
sebagai O
berikut O
: O
1. O
Algoritma O
SMA O
dapat O
menjadi O
alternatif O
metode O
optimasi O
untuk O
diimplementasikan O
ke O
Fuzzy O
K-prototype. O
Walaupun O
secara O
performa O
pada O
hasil O
simulasi O
sebelumnya O
masih O
berada O
dibawah O
dari O
algoritma O
lainnya. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
2. O
Kombinasi O
algoritma O
optimasi O
Genetic O
Algorithm O
dan O
Slime O
Mould O
Algorithm O
untuk O
megoptimasi O
metode O
clustering O
Fuzzy O
K-prototype O
terbukti O
lebih O
maksimal O
dalam O
menghindari O
solusi O
local O
optima. O
3. O
Hasil O
simulasi O
menunjukkan O
bahwa O
algoritma O
GA-SMA- O
FKP O
mampu O
mengungguli O
ketiga O
metode O
lainnya O
, O
namun O
hanya O
pada O
beberapa O
data O
saja. O
Dan O
juga O
metode B-METODE
GA-SMA- I-METODE
FKP I-METODE
dan O
GA-FKP B-METODE
akan O
efektif O
apabila O
peluang O
mutasi O
yang O
digunakan O
semakin O
kecil. O
Ini O
membuat O
peforma O
algoritma O
GA O
yang O
ada O
pada O
metode O
tersebut O
menjadi O
lebih O
baik. O
Walaupun O
GA-SMA-FKP O
mampu O
mencapai O
hasil O
yang O
optimal O
dibandingkan O
metode O
lainnya O
, O
namun O
dari O
segi O
waktu O
total O
, O
metode O
ini O
membutuhkan O
waktu O
yang O
sangat O
lama O
dalam O
sekali O
proses O
clustering. O
Hal O
ini O
disebabkan O
oleh O
metode O
GA-SMA-FKP O
yang O
memiliki O
banyak O
perulangan O
pencarian O
dan O
juga O
algoritma O
yang O
kompleks. O
Berdasarkan O
kesimpulan O
diatas O
, O
metode O
GA-SMA-FKP O
dapat O
diterapkan O
pada O
data O
campuran O
yang O
ada O
di O
BPS O
, O
seperti O
data O
PODES. O
Diperlukan O
algoritma O
optimasi O
lain O
dan O
alat O
ukur O
lain O
untuk O
membandingkan O
hasil O
clustering. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O

Hybrid O
Genetic O
Algorithm O
dengan O
Slime O
Mould O
Algorithm O
untuk O
mengoptimasi O
Fuzzy O
K-prototype O
: O
Implementasi O
Pada O
Data O
Campuran O
Rizki O
Nazhif O
Nur O
( O
221810578 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
SST O
, O
M.Si. O
Ringkasan— O
Kebanyakan O
algoritma O
clustering O
hanya O
berfokus O
ke O
satu O
tipe O
data O
atribut O
, O
yaitu O
numerik O
atau O
ketegorik O
saja. O
Namun O
, O
K-prototype O
dapat O
digunakan O
untuk O
mengelompokkan O
data O
beratribut O
campuran. O
Untuk O
mengatasi O
kelemahan O
pada O
K- O
prototype O
peneliti O
mengkombinasikan B-TUJUAN
optimasi I-TUJUAN
Genetic I-TUJUAN
Algorithm I-TUJUAN
dan I-TUJUAN
Slime I-TUJUAN
Mould I-TUJUAN
Algorithm I-TUJUAN
untuk I-TUJUAN
mengoptimasi I-TUJUAN
Fuzzy I-TUJUAN
K- I-TUJUAN
Prototype I-TUJUAN
dengan I-TUJUAN
melakukan I-TUJUAN
simulasi I-TUJUAN
menggunakan I-TUJUAN
lima I-TUJUAN
jenis I-TUJUAN
data. I-TUJUAN
Metode O
yang O
disimulasikan O
adalah O
Fuzzy O
K-prototype O
( O
FKP O
) O
, O
Genetic B-METODE
Algorithm-Fuzzy I-METODE
K-prototype I-METODE
( I-METODE
GA-FKP I-METODE
) I-METODE
, O
Slime B-METODE
Mould I-METODE
Algorithm-Fuzzy I-METODE
K-prototype I-METODE
( I-METODE
SMA-FKP I-METODE
) I-METODE
, O
dan O
Hybrid B-METODE
Genetic I-METODE
Algorithm I-METODE
& I-METODE
Slime I-METODE
Mould I-METODE
Algorithm-Fuzzy I-METODE
K-prototype I-METODE
( I-METODE
GA-SMA- I-METODE
FKP I-METODE
) I-METODE
. O
Hasil O
penelitian O
ini O
menghasilkan O
kesimpulan O
Algoritma B-TEMUAN
SMA I-TEMUAN
dapat I-TEMUAN
menjadi I-TEMUAN
alternatif I-TEMUAN
metode I-TEMUAN
optimasi I-TEMUAN
untuk I-TEMUAN
diimplementasikan I-TEMUAN
ke I-TEMUAN
Fuzzy I-TEMUAN
K-prototype. I-TEMUAN
Kombinasi O
algoritma O
optimasi O
Genetic O
Algorithm O
dan O
Slime O
Mould O
Algorithm O
untuk O
megoptimasi O
metode O
clustering O
Fuzzy O
K-prototype O
terbukti O
lebih O
maksimal O
dalam O
menghindari O
solusi O
local O
optima. O
Hasil O
simulasi O
menunjukkan O
bahwa O
kombinasi B-TEMUAN
GA-SMA I-TEMUAN
mampu I-TEMUAN
menghindari I-TEMUAN
solusi I-TEMUAN
yang I-TEMUAN
local I-TEMUAN
optima I-TEMUAN
dan I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
indikatornya I-TEMUAN
jika I-TEMUAN
dibandingkan I-TEMUAN
dengan I-TEMUAN
ketiga I-TEMUAN
metode I-TEMUAN
lainnya I-TEMUAN
namun I-TEMUAN
hanya I-TEMUAN
pada I-TEMUAN
beberapa I-TEMUAN
data I-TEMUAN
saja. I-TEMUAN
Kata O
Kunci— O
Clustering O
, O
Optimasi O
, O
Genetic O
Algorithm O
, O
Slime O
Mould O
Algorithm O
, O
Fuzzy O
K-prototype. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
diperoleh O
beberapa O
kesimpulan O
tujuan O
sebagai O
berikut O
: O
1. O
Algoritma O
SMA O
dapat O
menjadi O
alternatif O
metode O
optimasi O
untuk O
diimplementasikan O
ke O
Fuzzy O
K-prototype. O
Walaupun O
secara O
performa O
pada O
hasil O
simulasi O
sebelumnya O
masih O
berada O
dibawah O
dari O
algoritma O
lainnya. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
2. O
Kombinasi O
algoritma O
optimasi O
Genetic O
Algorithm O
dan O
Slime O
Mould O
Algorithm O
untuk O
megoptimasi O
metode O
clustering O
Fuzzy O
K-prototype O
terbukti O
lebih O
maksimal O
dalam O
menghindari O
solusi O
local O
optima. O
3. O
Hasil O
simulasi O
menunjukkan O
bahwa O
algoritma O
GA-SMA- O
FKP O
mampu O
mengungguli O
ketiga O
metode O
lainnya O
, O
namun O
hanya O
pada O
beberapa O
data O
saja. O
Dan O
juga O
metode B-METODE
GA-SMA- I-METODE
FKP I-METODE
dan O
GA-FKP B-METODE
akan O
efektif O
apabila O
peluang O
mutasi O
yang O
digunakan O
semakin O
kecil. O
Ini O
membuat O
peforma O
algoritma O
GA O
yang O
ada O
pada O
metode O
tersebut O
menjadi O
lebih O
baik. O
Walaupun O
GA-SMA-FKP O
mampu O
mencapai O
hasil O
yang O
optimal O
dibandingkan O
metode O
lainnya O
, O
namun O
dari O
segi O
waktu O
total O
, O
metode O
ini O
membutuhkan O
waktu O
yang O
sangat O
lama O
dalam O
sekali O
proses O
clustering. O
Hal O
ini O
disebabkan O
oleh O
metode O
GA-SMA-FKP O
yang O
memiliki O
banyak O
perulangan O
pencarian O
dan O
juga O
algoritma O
yang O
kompleks. O
Berdasarkan O
kesimpulan O
diatas O
, O
metode O
GA-SMA-FKP O
dapat O
diterapkan O
pada O
data O
campuran O
yang O
ada O
di O
BPS O
, O
seperti O
data O
PODES. O
Diperlukan O
algoritma O
optimasi O
lain O
dan O
alat O
ukur O
lain O
untuk O
membandingkan O
hasil O
clustering. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O

Hybrid O
Genetic O
Algorithm O
dengan O
Slime O
Mould O
Algorithm O
untuk O
mengoptimasi O
Fuzzy O
K-prototype O
: O
Implementasi O
Pada O
Data O
Campuran O
Rizki O
Nazhif O
Nur O
( O
221810578 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
SST O
, O
M.Si. O
Ringkasan— O
Kebanyakan O
algoritma O
clustering O
hanya O
berfokus O
ke O
satu O
tipe O
data O
atribut O
, O
yaitu O
numerik O
atau O
ketegorik O
saja. O
Namun O
, O
K-prototype O
dapat O
digunakan O
untuk O
mengelompokkan O
data O
beratribut O
campuran. O
Untuk O
mengatasi O
kelemahan O
pada O
K- O
prototype O
peneliti O
mengkombinasikan B-TUJUAN
optimasi I-TUJUAN
Genetic I-TUJUAN
Algorithm I-TUJUAN
dan I-TUJUAN
Slime I-TUJUAN
Mould I-TUJUAN
Algorithm I-TUJUAN
untuk I-TUJUAN
mengoptimasi I-TUJUAN
Fuzzy I-TUJUAN
K- I-TUJUAN
Prototype I-TUJUAN
dengan I-TUJUAN
melakukan I-TUJUAN
simulasi I-TUJUAN
menggunakan I-TUJUAN
lima I-TUJUAN
jenis I-TUJUAN
data. I-TUJUAN
Metode O
yang O
disimulasikan O
adalah O
Fuzzy O
K-prototype O
( O
FKP O
) O
, O
Genetic B-METODE
Algorithm-Fuzzy I-METODE
K-prototype I-METODE
( I-METODE
GA-FKP I-METODE
) I-METODE
, O
Slime B-METODE
Mould I-METODE
Algorithm-Fuzzy I-METODE
K-prototype I-METODE
( I-METODE
SMA-FKP I-METODE
) I-METODE
, O
dan O
Hybrid B-METODE
Genetic I-METODE
Algorithm I-METODE
& I-METODE
Slime I-METODE
Mould I-METODE
Algorithm-Fuzzy I-METODE
K-prototype I-METODE
( I-METODE
GA-SMA- I-METODE
FKP I-METODE
) I-METODE
. O
Hasil O
penelitian O
ini O
menghasilkan O
kesimpulan O
Algoritma B-TEMUAN
SMA I-TEMUAN
dapat I-TEMUAN
menjadi I-TEMUAN
alternatif I-TEMUAN
metode I-TEMUAN
optimasi I-TEMUAN
untuk I-TEMUAN
diimplementasikan I-TEMUAN
ke I-TEMUAN
Fuzzy I-TEMUAN
K-prototype. I-TEMUAN
Kombinasi O
algoritma O
optimasi O
Genetic O
Algorithm O
dan O
Slime O
Mould O
Algorithm O
untuk O
megoptimasi O
metode O
clustering O
Fuzzy O
K-prototype O
terbukti O
lebih O
maksimal O
dalam O
menghindari O
solusi O
local O
optima. O
Hasil O
simulasi O
menunjukkan O
bahwa O
kombinasi B-TEMUAN
GA-SMA I-TEMUAN
mampu I-TEMUAN
menghindari I-TEMUAN
solusi I-TEMUAN
yang I-TEMUAN
local I-TEMUAN
optima I-TEMUAN
dan I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
indikatornya I-TEMUAN
jika I-TEMUAN
dibandingkan I-TEMUAN
dengan I-TEMUAN
ketiga I-TEMUAN
metode I-TEMUAN
lainnya I-TEMUAN
namun I-TEMUAN
hanya I-TEMUAN
pada I-TEMUAN
beberapa I-TEMUAN
data I-TEMUAN
saja. I-TEMUAN
Kata O
Kunci— O
Clustering O
, O
Optimasi O
, O
Genetic O
Algorithm O
, O
Slime O
Mould O
Algorithm O
, O
Fuzzy O
K-prototype. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
diperoleh O
beberapa O
kesimpulan O
tujuan O
sebagai O
berikut O
: O
1. O
Algoritma O
SMA O
dapat O
menjadi O
alternatif O
metode O
optimasi O
untuk O
diimplementasikan O
ke O
Fuzzy O
K-prototype. O
Walaupun O
secara O
performa O
pada O
hasil O
simulasi O
sebelumnya O
masih O
berada O
dibawah O
dari O
algoritma O
lainnya. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
2. O
Kombinasi O
algoritma O
optimasi O
Genetic O
Algorithm O
dan O
Slime O
Mould O
Algorithm O
untuk O
megoptimasi O
metode O
clustering O
Fuzzy O
K-prototype O
terbukti O
lebih O
maksimal O
dalam O
menghindari O
solusi O
local O
optima. O
3. O
Hasil O
simulasi O
menunjukkan O
bahwa O
algoritma O
GA-SMA- O
FKP O
mampu O
mengungguli O
ketiga O
metode O
lainnya O
, O
namun O
hanya O
pada O
beberapa O
data O
saja. O
Dan O
juga O
metode B-METODE
GA-SMA- I-METODE
FKP I-METODE
dan O
GA-FKP B-METODE
akan O
efektif O
apabila O
peluang O
mutasi O
yang O
digunakan O
semakin O
kecil. O
Ini O
membuat O
peforma O
algoritma O
GA O
yang O
ada O
pada O
metode O
tersebut O
menjadi O
lebih O
baik. O
Walaupun O
GA-SMA-FKP O
mampu O
mencapai O
hasil O
yang O
optimal O
dibandingkan O
metode O
lainnya O
, O
namun O
dari O
segi O
waktu O
total O
, O
metode O
ini O
membutuhkan O
waktu O
yang O
sangat O
lama O
dalam O
sekali O
proses O
clustering. O
Hal O
ini O
disebabkan O
oleh O
metode O
GA-SMA-FKP O
yang O
memiliki O
banyak O
perulangan O
pencarian O
dan O
juga O
algoritma O
yang O
kompleks. O
Berdasarkan O
kesimpulan O
diatas O
, O
metode O
GA-SMA-FKP O
dapat O
diterapkan O
pada O
data O
campuran O
yang O
ada O
di O
BPS O
, O
seperti O
data O
PODES. O
Diperlukan O
algoritma O
optimasi O
lain O
dan O
alat O
ukur O
lain O
untuk O
membandingkan O
hasil O
clustering. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O

Pembangunan O
Sistem O
Informasi O
Geografis O
Data O
Potensi O
Desa O
Berbasis O
Web O
BPS O
Kota O
Madiun O
Rizka O
Indah O
Pristania O
( O
221810577 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I. O
Ringkasan— O
Potensi O
Desa O
merupakan O
sumber O
basis O
data O
mengenai O
kewilayahan O
yang O
dimiliki O
hingga O
tingkat O
desa. O
Data O
Podes O
dapat O
diperoleh O
dari O
Pendataan O
Podes O
yang O
dilakukan O
oleh O
BPS O
secara O
sensus O
tiga O
kali O
dalam O
kurun O
waktu O
sepuluh O
tahun. O
Hasil O
dari O
Pendataan O
Podes O
disajikan O
dalam O
bentuk O
publikasi. O
Publikasi O
tersebut O
dapat O
dikelola O
kembali O
dan O
dapat O
dikembangkan O
untuk O
kepentingan O
desa. O
Untuk O
memperoleh O
gambaran O
informasi O
publikasi O
dibutuhkan O
pengelolaan O
dan O
penyajian O
dengan O
baik O
melalui O
visualisasi O
data O
yang O
menarik. O
Hal O
ini O
dikarenakan O
data O
Podes O
masih O
disajikan O
dalam O
bentuk O
tabel O
, O
grafik O
, O
deskripsi O
singkat O
dan O
peta O
wilayah O
statis O
serta O
publikasi O
dalam O
media O
cetak. O
Komunikasi O
yang O
berjalan O
hanya O
satu O
arah O
, O
yaitu O
penyaji O
publikasi O
kepada O
pengguna O
data. O
Berdasarkan O
permasalahan O
tersebut O
, O
peneliti O
mengajukan O
solusi O
berupa O
pembangunan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
geografis I-TUJUAN
menggunakan I-TUJUAN
data I-TUJUAN
Podes I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
Sistem O
dapat O
menyajikan O
data O
dalam O
bentuk O
visualisasi O
data O
interaktif. O
Pembangunan O
sistem O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
Waterfall I-METODE
Model I-METODE
( I-METODE
SDLC I-METODE
Waterfall I-METODE
Model I-METODE
) I-METODE
. O
Setelah O
melakukan O
pembangunan O
sistem O
, O
tahap O
selanjutnya O
yaitu O
pengujian O
dan O
evaluasi O
sistem O
menggunakan O
metode B-METODE
Blackbox I-METODE
Testing I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. I-METODE
Kata O
Kunci— O
Podes O
, O
sistem O
informasi O
geografis O
, O
visualisasi O
data O
, O
web. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dapat O
ditarik O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Telah B-TEMUAN
dilakukan I-TEMUAN
pembangunan I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
geografis I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
menggunakan I-TEMUAN
data I-TEMUAN
Podes I-TEMUAN
Kota I-TEMUAN
Madiun I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
menyajikan I-TEMUAN
visualisasi I-TEMUAN
data I-TEMUAN
berupa I-TEMUAN
peta I-TEMUAN
interaktif I-TEMUAN
dan I-TEMUAN
tabel I-TEMUAN
dinamis. I-TEMUAN
2. O
Berdasarkan O
hasil O
pengujian O
menggunakan O
Blackbox O
Testing O
, O
sistem O
yang O
dibangun O
dapat O
berjalan O
sesuai O
dengan O
fungsinya. O
3. O
Sistem O
yang O
dibangun O
layak O
dan O
dapat O
memenuhi O
kebutuhan O
serta O
harapan O
dari O
pengguna O
dengan O
hasil O
survei O
evaluasi O
menggunakan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. I-METODE
4. O
Sesuai O
dengan O
hasil O
survei O
pendapat O
terhadap O
pengguna O
, O
sistem O
yang O
dibangun O
berpotensi O
untuk O
memudahkan O
pengguna O
dan O
BPS O
Kota O
Madiun O
dalam O
penyajian O
informasi O
dengan O
sebaran O
data O
menurut O
wilayah O
dan O
tahun O
yang O
berbeda O
dan O
dapat O
memberikan O
informasi O
menggunakan O
visualisasi O
data O
melalui O
media O
web. O

Pembangunan O
Sistem O
Informasi O
Geografis O
Data O
Potensi O
Desa O
Berbasis O
Web O
BPS O
Kota O
Madiun O
Rizka O
Indah O
Pristania O
( O
221810577 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I. O
Ringkasan— O
Potensi O
Desa O
merupakan O
sumber O
basis O
data O
mengenai O
kewilayahan O
yang O
dimiliki O
hingga O
tingkat O
desa. O
Data O
Podes O
dapat O
diperoleh O
dari O
Pendataan O
Podes O
yang O
dilakukan O
oleh O
BPS O
secara O
sensus O
tiga O
kali O
dalam O
kurun O
waktu O
sepuluh O
tahun. O
Hasil O
dari O
Pendataan O
Podes O
disajikan O
dalam O
bentuk O
publikasi. O
Publikasi O
tersebut O
dapat O
dikelola O
kembali O
dan O
dapat O
dikembangkan O
untuk O
kepentingan O
desa. O
Untuk O
memperoleh O
gambaran O
informasi O
publikasi O
dibutuhkan O
pengelolaan O
dan O
penyajian O
dengan O
baik O
melalui O
visualisasi O
data O
yang O
menarik. O
Hal O
ini O
dikarenakan O
data O
Podes O
masih O
disajikan O
dalam O
bentuk O
tabel O
, O
grafik O
, O
deskripsi O
singkat O
dan O
peta O
wilayah O
statis O
serta O
publikasi O
dalam O
media O
cetak. O
Komunikasi O
yang O
berjalan O
hanya O
satu O
arah O
, O
yaitu O
penyaji O
publikasi O
kepada O
pengguna O
data. O
Berdasarkan O
permasalahan O
tersebut O
, O
peneliti O
mengajukan O
solusi O
berupa O
pembangunan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
geografis I-TUJUAN
menggunakan I-TUJUAN
data I-TUJUAN
Podes I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
Sistem O
dapat O
menyajikan O
data O
dalam O
bentuk O
visualisasi O
data O
interaktif. O
Pembangunan O
sistem O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
Waterfall I-METODE
Model I-METODE
( I-METODE
SDLC I-METODE
Waterfall I-METODE
Model I-METODE
) I-METODE
. O
Setelah O
melakukan O
pembangunan O
sistem O
, O
tahap O
selanjutnya O
yaitu O
pengujian O
dan O
evaluasi O
sistem O
menggunakan O
metode B-METODE
Blackbox I-METODE
Testing I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. I-METODE
Kata O
Kunci— O
Podes O
, O
sistem O
informasi O
geografis O
, O
visualisasi O
data O
, O
web. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dapat O
ditarik O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Telah B-TEMUAN
dilakukan I-TEMUAN
pembangunan I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
geografis I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
menggunakan I-TEMUAN
data I-TEMUAN
Podes I-TEMUAN
Kota I-TEMUAN
Madiun I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
menyajikan I-TEMUAN
visualisasi I-TEMUAN
data I-TEMUAN
berupa I-TEMUAN
peta I-TEMUAN
interaktif I-TEMUAN
dan I-TEMUAN
tabel I-TEMUAN
dinamis. I-TEMUAN
2. O
Berdasarkan O
hasil O
pengujian O
menggunakan O
Blackbox O
Testing O
, O
sistem O
yang O
dibangun O
dapat O
berjalan O
sesuai O
dengan O
fungsinya. O
3. O
Sistem O
yang O
dibangun O
layak O
dan O
dapat O
memenuhi O
kebutuhan O
serta O
harapan O
dari O
pengguna O
dengan O
hasil O
survei O
evaluasi O
menggunakan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. I-METODE
4. O
Sesuai O
dengan O
hasil O
survei O
pendapat O
terhadap O
pengguna O
, O
sistem O
yang O
dibangun O
berpotensi O
untuk O
memudahkan O
pengguna O
dan O
BPS O
Kota O
Madiun O
dalam O
penyajian O
informasi O
dengan O
sebaran O
data O
menurut O
wilayah O
dan O
tahun O
yang O
berbeda O
dan O
dapat O
memberikan O
informasi O
menggunakan O
visualisasi O
data O
melalui O
media O
web. O

Pembangunan O
Sistem O
Informasi O
Geografis O
Data O
Potensi O
Desa O
Berbasis O
Web O
BPS O
Kota O
Madiun O
Rizka O
Indah O
Pristania O
( O
221810577 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I. O
Ringkasan— O
Potensi O
Desa O
merupakan O
sumber O
basis O
data O
mengenai O
kewilayahan O
yang O
dimiliki O
hingga O
tingkat O
desa. O
Data O
Podes O
dapat O
diperoleh O
dari O
Pendataan O
Podes O
yang O
dilakukan O
oleh O
BPS O
secara O
sensus O
tiga O
kali O
dalam O
kurun O
waktu O
sepuluh O
tahun. O
Hasil O
dari O
Pendataan O
Podes O
disajikan O
dalam O
bentuk O
publikasi. O
Publikasi O
tersebut O
dapat O
dikelola O
kembali O
dan O
dapat O
dikembangkan O
untuk O
kepentingan O
desa. O
Untuk O
memperoleh O
gambaran O
informasi O
publikasi O
dibutuhkan O
pengelolaan O
dan O
penyajian O
dengan O
baik O
melalui O
visualisasi O
data O
yang O
menarik. O
Hal O
ini O
dikarenakan O
data O
Podes O
masih O
disajikan O
dalam O
bentuk O
tabel O
, O
grafik O
, O
deskripsi O
singkat O
dan O
peta O
wilayah O
statis O
serta O
publikasi O
dalam O
media O
cetak. O
Komunikasi O
yang O
berjalan O
hanya O
satu O
arah O
, O
yaitu O
penyaji O
publikasi O
kepada O
pengguna O
data. O
Berdasarkan O
permasalahan O
tersebut O
, O
peneliti O
mengajukan O
solusi O
berupa O
pembangunan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
geografis I-TUJUAN
menggunakan I-TUJUAN
data I-TUJUAN
Podes I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
Sistem O
dapat O
menyajikan O
data O
dalam O
bentuk O
visualisasi O
data O
interaktif. O
Pembangunan O
sistem O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
Waterfall I-METODE
Model I-METODE
( I-METODE
SDLC I-METODE
Waterfall I-METODE
Model I-METODE
) I-METODE
. O
Setelah O
melakukan O
pembangunan O
sistem O
, O
tahap O
selanjutnya O
yaitu O
pengujian O
dan O
evaluasi O
sistem O
menggunakan O
metode B-METODE
Blackbox I-METODE
Testing I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. I-METODE
Kata O
Kunci— O
Podes O
, O
sistem O
informasi O
geografis O
, O
visualisasi O
data O
, O
web. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dapat O
ditarik O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Telah B-TEMUAN
dilakukan I-TEMUAN
pembangunan I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
geografis I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
menggunakan I-TEMUAN
data I-TEMUAN
Podes I-TEMUAN
Kota I-TEMUAN
Madiun I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
menyajikan I-TEMUAN
visualisasi I-TEMUAN
data I-TEMUAN
berupa I-TEMUAN
peta I-TEMUAN
interaktif I-TEMUAN
dan I-TEMUAN
tabel I-TEMUAN
dinamis. I-TEMUAN
2. O
Berdasarkan O
hasil O
pengujian O
menggunakan O
Blackbox O
Testing O
, O
sistem O
yang O
dibangun O
dapat O
berjalan O
sesuai O
dengan O
fungsinya. O
3. O
Sistem O
yang O
dibangun O
layak O
dan O
dapat O
memenuhi O
kebutuhan O
serta O
harapan O
dari O
pengguna O
dengan O
hasil O
survei O
evaluasi O
menggunakan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. I-METODE
4. O
Sesuai O
dengan O
hasil O
survei O
pendapat O
terhadap O
pengguna O
, O
sistem O
yang O
dibangun O
berpotensi O
untuk O
memudahkan O
pengguna O
dan O
BPS O
Kota O
Madiun O
dalam O
penyajian O
informasi O
dengan O
sebaran O
data O
menurut O
wilayah O
dan O
tahun O
yang O
berbeda O
dan O
dapat O
memberikan O
informasi O
menggunakan O
visualisasi O
data O
melalui O
media O
web. O

Pembangunan O
Sistem O
Informasi O
Geografis O
Data O
Potensi O
Desa O
Berbasis O
Web O
BPS O
Kota O
Madiun O
Rizka O
Indah O
Pristania O
( O
221810577 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I. O
Ringkasan— O
Potensi O
Desa O
merupakan O
sumber O
basis O
data O
mengenai O
kewilayahan O
yang O
dimiliki O
hingga O
tingkat O
desa. O
Data O
Podes O
dapat O
diperoleh O
dari O
Pendataan O
Podes O
yang O
dilakukan O
oleh O
BPS O
secara O
sensus O
tiga O
kali O
dalam O
kurun O
waktu O
sepuluh O
tahun. O
Hasil O
dari O
Pendataan O
Podes O
disajikan O
dalam O
bentuk O
publikasi. O
Publikasi O
tersebut O
dapat O
dikelola O
kembali O
dan O
dapat O
dikembangkan O
untuk O
kepentingan O
desa. O
Untuk O
memperoleh O
gambaran O
informasi O
publikasi O
dibutuhkan O
pengelolaan O
dan O
penyajian O
dengan O
baik O
melalui O
visualisasi O
data O
yang O
menarik. O
Hal O
ini O
dikarenakan O
data O
Podes O
masih O
disajikan O
dalam O
bentuk O
tabel O
, O
grafik O
, O
deskripsi O
singkat O
dan O
peta O
wilayah O
statis O
serta O
publikasi O
dalam O
media O
cetak. O
Komunikasi O
yang O
berjalan O
hanya O
satu O
arah O
, O
yaitu O
penyaji O
publikasi O
kepada O
pengguna O
data. O
Berdasarkan O
permasalahan O
tersebut O
, O
peneliti O
mengajukan O
solusi O
berupa O
pembangunan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
geografis I-TUJUAN
menggunakan I-TUJUAN
data I-TUJUAN
Podes I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
Sistem O
dapat O
menyajikan O
data O
dalam O
bentuk O
visualisasi O
data O
interaktif. O
Pembangunan O
sistem O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
Waterfall I-METODE
Model I-METODE
( I-METODE
SDLC I-METODE
Waterfall I-METODE
Model I-METODE
) I-METODE
. O
Setelah O
melakukan O
pembangunan O
sistem O
, O
tahap O
selanjutnya O
yaitu O
pengujian O
dan O
evaluasi O
sistem O
menggunakan O
metode B-METODE
Blackbox I-METODE
Testing I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. I-METODE
Kata O
Kunci— O
Podes O
, O
sistem O
informasi O
geografis O
, O
visualisasi O
data O
, O
web. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dapat O
ditarik O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Telah B-TEMUAN
dilakukan I-TEMUAN
pembangunan I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
geografis I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
menggunakan I-TEMUAN
data I-TEMUAN
Podes I-TEMUAN
Kota I-TEMUAN
Madiun I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
menyajikan I-TEMUAN
visualisasi I-TEMUAN
data I-TEMUAN
berupa I-TEMUAN
peta I-TEMUAN
interaktif I-TEMUAN
dan I-TEMUAN
tabel I-TEMUAN
dinamis. I-TEMUAN
2. O
Berdasarkan O
hasil O
pengujian O
menggunakan O
Blackbox O
Testing O
, O
sistem O
yang O
dibangun O
dapat O
berjalan O
sesuai O
dengan O
fungsinya. O
3. O
Sistem O
yang O
dibangun O
layak O
dan O
dapat O
memenuhi O
kebutuhan O
serta O
harapan O
dari O
pengguna O
dengan O
hasil O
survei O
evaluasi O
menggunakan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. I-METODE
4. O
Sesuai O
dengan O
hasil O
survei O
pendapat O
terhadap O
pengguna O
, O
sistem O
yang O
dibangun O
berpotensi O
untuk O
memudahkan O
pengguna O
dan O
BPS O
Kota O
Madiun O
dalam O
penyajian O
informasi O
dengan O
sebaran O
data O
menurut O
wilayah O
dan O
tahun O
yang O
berbeda O
dan O
dapat O
memberikan O
informasi O
menggunakan O
visualisasi O
data O
melalui O
media O
web. O

Pengembangan O
Sistem O
Informasi O
Capaian O
Kinerja O
Pegawai O
( O
SANJAI O
) O
Berbasis O
Web O
Studi O
Kasus O
BPS O
Kota O
Bukittinggi O
Riva O
Adli O
Dzil O
Ikram O
( O
221810576 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lya O
Hulliyyatus O
Suadaa O
Ringkasan— O
Setiap O
bulan O
pegawai O
BPS O
Kota O
Bukittinggi O
melakukan O
pengisian O
dan O
penilaian O
capaian O
kinerja O
pegawai O
( O
CKP O
) O
yang O
terdiri O
dari O
uraian O
kegiatan O
, O
yang O
akan O
dilaksanakan O
target O
dan O
realisasinya. O
Proses O
pengisian O
CKP O
yang O
berjalan O
sekarang O
masih O
menggunakan O
formulir O
excel O
, O
sehingga O
menghambat O
proses O
verifikasi O
dan O
penilaian O
yang O
bertahap O
dari O
beberapa O
pihak. O
Selain O
itu O
terdapat O
dokumen O
yang O
tidak O
konsisten O
antara O
target O
pada O
CKP-Target O
dan O
realisasi O
pada O
CKP-Realisasi. O
Sistem O
informasi O
berbasis O
Web O
sangat O
dibutuhkan O
untuk O
mengefisiensi O
proses O
pengisian O
dan O
penilaian O
CKP. O
Untuk O
itu O
dalam O
penelitian O
ini O
peneliti O
mengembangkan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
capaian I-TUJUAN
kinerja I-TUJUAN
pegawai I-TUJUAN
( I-TUJUAN
SANJAI I-TUJUAN
) I-TUJUAN
untuk I-TUJUAN
memangkas I-TUJUAN
proses I-TUJUAN
pengisian I-TUJUAN
, I-TUJUAN
penilaian I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
verifikasi I-TUJUAN
CKP I-TUJUAN
yang I-TUJUAN
panjang I-TUJUAN
dan I-TUJUAN
bertahap I-TUJUAN
agar I-TUJUAN
menjadi I-TUJUAN
lebih I-TUJUAN
efektif I-TUJUAN
, I-TUJUAN
efisien I-TUJUAN
, I-TUJUAN
terintegrasi I-TUJUAN
dan I-TUJUAN
memberikan I-TUJUAN
hasil I-TUJUAN
yang I-TUJUAN
konsisten. I-TUJUAN
Pada O
pengembangan O
sistem O
informasi O
ini O
, O
peneliti O
menggunakan O
framework B-METODE
Laravel I-METODE
, I-METODE
memanfaatkan I-METODE
MySQL I-METODE
sebagai I-METODE
Database I-METODE
Management I-METODE
System I-METODE
( I-METODE
DBMS I-METODE
) I-METODE
, I-METODE
dan I-METODE
Admin I-METODE
Lte I-METODE
3 I-METODE
sebagai O
template O
tampilan O
antar O
mukanya. O
Berdasarkan O
pengujian O
dengan O
BlackBox B-METODE
testing I-METODE
dan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
, O
SANJAI O
dapat O
memangkas O
alur O
pengisian O
dan O
penilaian O
yang O
panjang O
dan O
verifikasi O
yang O
bertahap O
, O
serta O
SANJAI O
layak O
untuk O
diimplementasikan O
di O
BPS O
Kota O
Bukittinggi. O
Selain O
itu O
ketika O
menerapkan O
alur O
proses O
pengisian O
dan O
penilaian O
CKP O
sebelumnya O
memerlukan O
waktu O
7 O
hingga O
10 O
hari O
, O
sedangkan O
setelah O
menggunakan O
SANJAI O
proses O
pengisian O
dan O
penilaian O
CKP O
hanya O
memerlukan O
waktu O
3 O
hari. O
Kata O
Kunci— O
Capaian O
Kinerja O
Pegawai O
, O
CKP O
, O
Laravel O
, O
Web. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
ditarik O
kesimpulan O
sebagai O
berikut O
: O
1. O
Peneliti B-TEMUAN
berhasil I-TEMUAN
mengembangkan I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
capaian I-TEMUAN
kinerja I-TEMUAN
pegawai I-TEMUAN
( I-TEMUAN
SANJAI I-TEMUAN
) I-TEMUAN
di I-TEMUAN
BPS I-TEMUAN
Kota I-TEMUAN
Bukittinggi I-TEMUAN
sehingga I-TEMUAN
proses I-TEMUAN
pengisian I-TEMUAN
dan I-TEMUAN
penilaian I-TEMUAN
terintegrasi I-TEMUAN
dan I-TEMUAN
CKP I-TEMUAN
menjadi I-TEMUAN
efektif I-TEMUAN
, I-TEMUAN
efisien I-TEMUAN
, I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
konsisten. I-TEMUAN
2. O
SANJAI O
telah O
diimplementasikan O
di O
BPS O
Kota O
Bukittinggi O
dan O
dapat O
diakses O
melalui O
alamat O
https O
: O
/ O
/ O
bpskotabukittinggi.id O
/ O
sanjai O
3. O
SANJAI O
dapat O
memangkas O
alur O
pengisian O
dan O
penilaian O
CKP O
yang O
panjang. O
4. O
SANJAI O
dapat O
mempermudah O
proses O
verifikasi O
dan O
penilaian O
yang O
bertahap O
dari O
Kepala O
BU O
dan O
KF O
, O
karena O
pada O
sanjai O
semua O
KF O
dapat O
melakukan O
penilaian O
secara O
bersamaan O
dan O
Kepala O
BU O
dapat O
langsung O
melakukan O
verifikasi. O
5. O
SANJAI O
dapat O
memberikan O
hasil O
yang O
konsisten O
antara O
target O
dan O
realisasi O
pada O
CKP-T O
dan O
CKP-R O
, O
karena O
semua O
data O
CKP O
sudah O
terintegrasi. O
6. O
SANJAI O
dapat O
mengurangi O
waktu O
pengisian O
dan O
penilaian O
CKP O
yang O
sebelumnya O
memerlukan O
waktu O
7 O
hingga O
10 O
hari. O
Dengan O
menggunakan O
SANJAI O
hanya O
memerlukan O
3 O
hari. O
7. O
Hasil O
pengujian O
dengan O
black O
box O
testing O
, O
semua O
fitur O
dan O
fungsi O
pada O
sistem O
berhasil O
dijalankan O
sesuai O
dengan O
harapan O
dan O
hasil O
pengujian O
dengan O
SUS O
menunjukkan O
bahwa O
SANJAI O
layak O
untuk O
digunakan. O
Adapun O
saran O
yang O
dapat O
peneliti O
berikan O
untuk O
penelitian O
selanjutnya O
yaitu O
diharapkan O
bahwa O
sistem O
ini O
dapat O
dikembangkan O
lebih O
lanjut O
untuk O
diterapkan O
di O
BPS O
Provinsi. O

Pengembangan O
Sistem O
Informasi O
Capaian O
Kinerja O
Pegawai O
( O
SANJAI O
) O
Berbasis O
Web O
Studi O
Kasus O
BPS O
Kota O
Bukittinggi O
Riva O
Adli O
Dzil O
Ikram O
( O
221810576 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lya O
Hulliyyatus O
Suadaa O
Ringkasan— O
Setiap O
bulan O
pegawai O
BPS O
Kota O
Bukittinggi O
melakukan O
pengisian O
dan O
penilaian O
capaian O
kinerja O
pegawai O
( O
CKP O
) O
yang O
terdiri O
dari O
uraian O
kegiatan O
, O
yang O
akan O
dilaksanakan O
target O
dan O
realisasinya. O
Proses O
pengisian O
CKP O
yang O
berjalan O
sekarang O
masih O
menggunakan O
formulir O
excel O
, O
sehingga O
menghambat O
proses O
verifikasi O
dan O
penilaian O
yang O
bertahap O
dari O
beberapa O
pihak. O
Selain O
itu O
terdapat O
dokumen O
yang O
tidak O
konsisten O
antara O
target O
pada O
CKP-Target O
dan O
realisasi O
pada O
CKP-Realisasi. O
Sistem O
informasi O
berbasis O
Web O
sangat O
dibutuhkan O
untuk O
mengefisiensi O
proses O
pengisian O
dan O
penilaian O
CKP. O
Untuk O
itu O
dalam O
penelitian O
ini O
peneliti O
mengembangkan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
capaian I-TUJUAN
kinerja I-TUJUAN
pegawai I-TUJUAN
( I-TUJUAN
SANJAI I-TUJUAN
) I-TUJUAN
untuk I-TUJUAN
memangkas I-TUJUAN
proses I-TUJUAN
pengisian I-TUJUAN
, I-TUJUAN
penilaian I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
verifikasi I-TUJUAN
CKP I-TUJUAN
yang I-TUJUAN
panjang I-TUJUAN
dan I-TUJUAN
bertahap I-TUJUAN
agar I-TUJUAN
menjadi I-TUJUAN
lebih I-TUJUAN
efektif I-TUJUAN
, I-TUJUAN
efisien I-TUJUAN
, I-TUJUAN
terintegrasi I-TUJUAN
dan I-TUJUAN
memberikan I-TUJUAN
hasil I-TUJUAN
yang I-TUJUAN
konsisten. I-TUJUAN
Pada O
pengembangan O
sistem O
informasi O
ini O
, O
peneliti O
menggunakan O
framework B-METODE
Laravel I-METODE
, I-METODE
memanfaatkan I-METODE
MySQL I-METODE
sebagai I-METODE
Database I-METODE
Management I-METODE
System I-METODE
( I-METODE
DBMS I-METODE
) I-METODE
, I-METODE
dan I-METODE
Admin I-METODE
Lte I-METODE
3 I-METODE
sebagai O
template O
tampilan O
antar O
mukanya. O
Berdasarkan O
pengujian O
dengan O
BlackBox B-METODE
testing I-METODE
dan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
, O
SANJAI O
dapat O
memangkas O
alur O
pengisian O
dan O
penilaian O
yang O
panjang O
dan O
verifikasi O
yang O
bertahap O
, O
serta O
SANJAI O
layak O
untuk O
diimplementasikan O
di O
BPS O
Kota O
Bukittinggi. O
Selain O
itu O
ketika O
menerapkan O
alur O
proses O
pengisian O
dan O
penilaian O
CKP O
sebelumnya O
memerlukan O
waktu O
7 O
hingga O
10 O
hari O
, O
sedangkan O
setelah O
menggunakan O
SANJAI O
proses O
pengisian O
dan O
penilaian O
CKP O
hanya O
memerlukan O
waktu O
3 O
hari. O
Kata O
Kunci— O
Capaian O
Kinerja O
Pegawai O
, O
CKP O
, O
Laravel O
, O
Web. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
ditarik O
kesimpulan O
sebagai O
berikut O
: O
1. O
Peneliti B-TEMUAN
berhasil I-TEMUAN
mengembangkan I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
capaian I-TEMUAN
kinerja I-TEMUAN
pegawai I-TEMUAN
( I-TEMUAN
SANJAI I-TEMUAN
) I-TEMUAN
di I-TEMUAN
BPS I-TEMUAN
Kota I-TEMUAN
Bukittinggi I-TEMUAN
sehingga I-TEMUAN
proses I-TEMUAN
pengisian I-TEMUAN
dan I-TEMUAN
penilaian I-TEMUAN
terintegrasi I-TEMUAN
dan I-TEMUAN
CKP I-TEMUAN
menjadi I-TEMUAN
efektif I-TEMUAN
, I-TEMUAN
efisien I-TEMUAN
, I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
konsisten. I-TEMUAN
2. O
SANJAI O
telah O
diimplementasikan O
di O
BPS O
Kota O
Bukittinggi O
dan O
dapat O
diakses O
melalui O
alamat O
https O
: O
/ O
/ O
bpskotabukittinggi.id O
/ O
sanjai O
3. O
SANJAI O
dapat O
memangkas O
alur O
pengisian O
dan O
penilaian O
CKP O
yang O
panjang. O
4. O
SANJAI O
dapat O
mempermudah O
proses O
verifikasi O
dan O
penilaian O
yang O
bertahap O
dari O
Kepala O
BU O
dan O
KF O
, O
karena O
pada O
sanjai O
semua O
KF O
dapat O
melakukan O
penilaian O
secara O
bersamaan O
dan O
Kepala O
BU O
dapat O
langsung O
melakukan O
verifikasi. O
5. O
SANJAI O
dapat O
memberikan O
hasil O
yang O
konsisten O
antara O
target O
dan O
realisasi O
pada O
CKP-T O
dan O
CKP-R O
, O
karena O
semua O
data O
CKP O
sudah O
terintegrasi. O
6. O
SANJAI O
dapat O
mengurangi O
waktu O
pengisian O
dan O
penilaian O
CKP O
yang O
sebelumnya O
memerlukan O
waktu O
7 O
hingga O
10 O
hari. O
Dengan O
menggunakan O
SANJAI O
hanya O
memerlukan O
3 O
hari. O
7. O
Hasil O
pengujian O
dengan O
black O
box O
testing O
, O
semua O
fitur O
dan O
fungsi O
pada O
sistem O
berhasil O
dijalankan O
sesuai O
dengan O
harapan O
dan O
hasil O
pengujian O
dengan O
SUS O
menunjukkan O
bahwa O
SANJAI O
layak O
untuk O
digunakan. O
Adapun O
saran O
yang O
dapat O
peneliti O
berikan O
untuk O
penelitian O
selanjutnya O
yaitu O
diharapkan O
bahwa O
sistem O
ini O
dapat O
dikembangkan O
lebih O
lanjut O
untuk O
diterapkan O
di O
BPS O
Provinsi. O

Pengembangan O
Sistem O
Informasi O
Capaian O
Kinerja O
Pegawai O
( O
SANJAI O
) O
Berbasis O
Web O
Studi O
Kasus O
BPS O
Kota O
Bukittinggi O
Riva O
Adli O
Dzil O
Ikram O
( O
221810576 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lya O
Hulliyyatus O
Suadaa O
Ringkasan— O
Setiap O
bulan O
pegawai O
BPS O
Kota O
Bukittinggi O
melakukan O
pengisian O
dan O
penilaian O
capaian O
kinerja O
pegawai O
( O
CKP O
) O
yang O
terdiri O
dari O
uraian O
kegiatan O
, O
yang O
akan O
dilaksanakan O
target O
dan O
realisasinya. O
Proses O
pengisian O
CKP O
yang O
berjalan O
sekarang O
masih O
menggunakan O
formulir O
excel O
, O
sehingga O
menghambat O
proses O
verifikasi O
dan O
penilaian O
yang O
bertahap O
dari O
beberapa O
pihak. O
Selain O
itu O
terdapat O
dokumen O
yang O
tidak O
konsisten O
antara O
target O
pada O
CKP-Target O
dan O
realisasi O
pada O
CKP-Realisasi. O
Sistem O
informasi O
berbasis O
Web O
sangat O
dibutuhkan O
untuk O
mengefisiensi O
proses O
pengisian O
dan O
penilaian O
CKP. O
Untuk O
itu O
dalam O
penelitian O
ini O
peneliti O
mengembangkan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
capaian I-TUJUAN
kinerja I-TUJUAN
pegawai I-TUJUAN
( I-TUJUAN
SANJAI I-TUJUAN
) I-TUJUAN
untuk I-TUJUAN
memangkas I-TUJUAN
proses I-TUJUAN
pengisian I-TUJUAN
, I-TUJUAN
penilaian I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
verifikasi I-TUJUAN
CKP I-TUJUAN
yang I-TUJUAN
panjang I-TUJUAN
dan I-TUJUAN
bertahap I-TUJUAN
agar I-TUJUAN
menjadi I-TUJUAN
lebih I-TUJUAN
efektif I-TUJUAN
, I-TUJUAN
efisien I-TUJUAN
, I-TUJUAN
terintegrasi I-TUJUAN
dan I-TUJUAN
memberikan I-TUJUAN
hasil I-TUJUAN
yang I-TUJUAN
konsisten. I-TUJUAN
Pada O
pengembangan O
sistem O
informasi O
ini O
, O
peneliti O
menggunakan O
framework B-METODE
Laravel I-METODE
, I-METODE
memanfaatkan I-METODE
MySQL I-METODE
sebagai I-METODE
Database I-METODE
Management I-METODE
System I-METODE
( I-METODE
DBMS I-METODE
) I-METODE
, I-METODE
dan I-METODE
Admin I-METODE
Lte I-METODE
3 I-METODE
sebagai O
template O
tampilan O
antar O
mukanya. O
Berdasarkan O
pengujian O
dengan O
BlackBox B-METODE
testing I-METODE
dan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
, O
SANJAI O
dapat O
memangkas O
alur O
pengisian O
dan O
penilaian O
yang O
panjang O
dan O
verifikasi O
yang O
bertahap O
, O
serta O
SANJAI O
layak O
untuk O
diimplementasikan O
di O
BPS O
Kota O
Bukittinggi. O
Selain O
itu O
ketika O
menerapkan O
alur O
proses O
pengisian O
dan O
penilaian O
CKP O
sebelumnya O
memerlukan O
waktu O
7 O
hingga O
10 O
hari O
, O
sedangkan O
setelah O
menggunakan O
SANJAI O
proses O
pengisian O
dan O
penilaian O
CKP O
hanya O
memerlukan O
waktu O
3 O
hari. O
Kata O
Kunci— O
Capaian O
Kinerja O
Pegawai O
, O
CKP O
, O
Laravel O
, O
Web. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
ditarik O
kesimpulan O
sebagai O
berikut O
: O
1. O
Peneliti B-TEMUAN
berhasil I-TEMUAN
mengembangkan I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
capaian I-TEMUAN
kinerja I-TEMUAN
pegawai I-TEMUAN
( I-TEMUAN
SANJAI I-TEMUAN
) I-TEMUAN
di I-TEMUAN
BPS I-TEMUAN
Kota I-TEMUAN
Bukittinggi I-TEMUAN
sehingga I-TEMUAN
proses I-TEMUAN
pengisian I-TEMUAN
dan I-TEMUAN
penilaian I-TEMUAN
terintegrasi I-TEMUAN
dan I-TEMUAN
CKP I-TEMUAN
menjadi I-TEMUAN
efektif I-TEMUAN
, I-TEMUAN
efisien I-TEMUAN
, I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
konsisten. I-TEMUAN
2. O
SANJAI O
telah O
diimplementasikan O
di O
BPS O
Kota O
Bukittinggi O
dan O
dapat O
diakses O
melalui O
alamat O
https O
: O
/ O
/ O
bpskotabukittinggi.id O
/ O
sanjai O
3. O
SANJAI O
dapat O
memangkas O
alur O
pengisian O
dan O
penilaian O
CKP O
yang O
panjang. O
4. O
SANJAI O
dapat O
mempermudah O
proses O
verifikasi O
dan O
penilaian O
yang O
bertahap O
dari O
Kepala O
BU O
dan O
KF O
, O
karena O
pada O
sanjai O
semua O
KF O
dapat O
melakukan O
penilaian O
secara O
bersamaan O
dan O
Kepala O
BU O
dapat O
langsung O
melakukan O
verifikasi. O
5. O
SANJAI O
dapat O
memberikan O
hasil O
yang O
konsisten O
antara O
target O
dan O
realisasi O
pada O
CKP-T O
dan O
CKP-R O
, O
karena O
semua O
data O
CKP O
sudah O
terintegrasi. O
6. O
SANJAI O
dapat O
mengurangi O
waktu O
pengisian O
dan O
penilaian O
CKP O
yang O
sebelumnya O
memerlukan O
waktu O
7 O
hingga O
10 O
hari. O
Dengan O
menggunakan O
SANJAI O
hanya O
memerlukan O
3 O
hari. O
7. O
Hasil O
pengujian O
dengan O
black O
box O
testing O
, O
semua O
fitur O
dan O
fungsi O
pada O
sistem O
berhasil O
dijalankan O
sesuai O
dengan O
harapan O
dan O
hasil O
pengujian O
dengan O
SUS O
menunjukkan O
bahwa O
SANJAI O
layak O
untuk O
digunakan. O
Adapun O
saran O
yang O
dapat O
peneliti O
berikan O
untuk O
penelitian O
selanjutnya O
yaitu O
diharapkan O
bahwa O
sistem O
ini O
dapat O
dikembangkan O
lebih O
lanjut O
untuk O
diterapkan O
di O
BPS O
Provinsi. O

Pengembangan O
Sistem O
Informasi O
Capaian O
Kinerja O
Pegawai O
( O
SANJAI O
) O
Berbasis O
Web O
Studi O
Kasus O
BPS O
Kota O
Bukittinggi O
Riva O
Adli O
Dzil O
Ikram O
( O
221810576 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lya O
Hulliyyatus O
Suadaa O
Ringkasan— O
Setiap O
bulan O
pegawai O
BPS O
Kota O
Bukittinggi O
melakukan O
pengisian O
dan O
penilaian O
capaian O
kinerja O
pegawai O
( O
CKP O
) O
yang O
terdiri O
dari O
uraian O
kegiatan O
, O
yang O
akan O
dilaksanakan O
target O
dan O
realisasinya. O
Proses O
pengisian O
CKP O
yang O
berjalan O
sekarang O
masih O
menggunakan O
formulir O
excel O
, O
sehingga O
menghambat O
proses O
verifikasi O
dan O
penilaian O
yang O
bertahap O
dari O
beberapa O
pihak. O
Selain O
itu O
terdapat O
dokumen O
yang O
tidak O
konsisten O
antara O
target O
pada O
CKP-Target O
dan O
realisasi O
pada O
CKP-Realisasi. O
Sistem O
informasi O
berbasis O
Web O
sangat O
dibutuhkan O
untuk O
mengefisiensi O
proses O
pengisian O
dan O
penilaian O
CKP. O
Untuk O
itu O
dalam O
penelitian O
ini O
peneliti O
mengembangkan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
capaian I-TUJUAN
kinerja I-TUJUAN
pegawai I-TUJUAN
( I-TUJUAN
SANJAI I-TUJUAN
) I-TUJUAN
untuk I-TUJUAN
memangkas I-TUJUAN
proses I-TUJUAN
pengisian I-TUJUAN
, I-TUJUAN
penilaian I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
verifikasi I-TUJUAN
CKP I-TUJUAN
yang I-TUJUAN
panjang I-TUJUAN
dan I-TUJUAN
bertahap I-TUJUAN
agar I-TUJUAN
menjadi I-TUJUAN
lebih I-TUJUAN
efektif I-TUJUAN
, I-TUJUAN
efisien I-TUJUAN
, I-TUJUAN
terintegrasi I-TUJUAN
dan I-TUJUAN
memberikan I-TUJUAN
hasil I-TUJUAN
yang I-TUJUAN
konsisten. I-TUJUAN
Pada O
pengembangan O
sistem O
informasi O
ini O
, O
peneliti O
menggunakan O
framework B-METODE
Laravel I-METODE
, I-METODE
memanfaatkan I-METODE
MySQL I-METODE
sebagai I-METODE
Database I-METODE
Management I-METODE
System I-METODE
( I-METODE
DBMS I-METODE
) I-METODE
, I-METODE
dan I-METODE
Admin I-METODE
Lte I-METODE
3 I-METODE
sebagai O
template O
tampilan O
antar O
mukanya. O
Berdasarkan O
pengujian O
dengan O
BlackBox B-METODE
testing I-METODE
dan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
, O
SANJAI O
dapat O
memangkas O
alur O
pengisian O
dan O
penilaian O
yang O
panjang O
dan O
verifikasi O
yang O
bertahap O
, O
serta O
SANJAI O
layak O
untuk O
diimplementasikan O
di O
BPS O
Kota O
Bukittinggi. O
Selain O
itu O
ketika O
menerapkan O
alur O
proses O
pengisian O
dan O
penilaian O
CKP O
sebelumnya O
memerlukan O
waktu O
7 O
hingga O
10 O
hari O
, O
sedangkan O
setelah O
menggunakan O
SANJAI O
proses O
pengisian O
dan O
penilaian O
CKP O
hanya O
memerlukan O
waktu O
3 O
hari. O
Kata O
Kunci— O
Capaian O
Kinerja O
Pegawai O
, O
CKP O
, O
Laravel O
, O
Web. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
ditarik O
kesimpulan O
sebagai O
berikut O
: O
1. O
Peneliti B-TEMUAN
berhasil I-TEMUAN
mengembangkan I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
capaian I-TEMUAN
kinerja I-TEMUAN
pegawai I-TEMUAN
( I-TEMUAN
SANJAI I-TEMUAN
) I-TEMUAN
di I-TEMUAN
BPS I-TEMUAN
Kota I-TEMUAN
Bukittinggi I-TEMUAN
sehingga I-TEMUAN
proses I-TEMUAN
pengisian I-TEMUAN
dan I-TEMUAN
penilaian I-TEMUAN
terintegrasi I-TEMUAN
dan I-TEMUAN
CKP I-TEMUAN
menjadi I-TEMUAN
efektif I-TEMUAN
, I-TEMUAN
efisien I-TEMUAN
, I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
konsisten. I-TEMUAN
2. O
SANJAI O
telah O
diimplementasikan O
di O
BPS O
Kota O
Bukittinggi O
dan O
dapat O
diakses O
melalui O
alamat O
https O
: O
/ O
/ O
bpskotabukittinggi.id O
/ O
sanjai O
3. O
SANJAI O
dapat O
memangkas O
alur O
pengisian O
dan O
penilaian O
CKP O
yang O
panjang. O
4. O
SANJAI O
dapat O
mempermudah O
proses O
verifikasi O
dan O
penilaian O
yang O
bertahap O
dari O
Kepala O
BU O
dan O
KF O
, O
karena O
pada O
sanjai O
semua O
KF O
dapat O
melakukan O
penilaian O
secara O
bersamaan O
dan O
Kepala O
BU O
dapat O
langsung O
melakukan O
verifikasi. O
5. O
SANJAI O
dapat O
memberikan O
hasil O
yang O
konsisten O
antara O
target O
dan O
realisasi O
pada O
CKP-T O
dan O
CKP-R O
, O
karena O
semua O
data O
CKP O
sudah O
terintegrasi. O
6. O
SANJAI O
dapat O
mengurangi O
waktu O
pengisian O
dan O
penilaian O
CKP O
yang O
sebelumnya O
memerlukan O
waktu O
7 O
hingga O
10 O
hari. O
Dengan O
menggunakan O
SANJAI O
hanya O
memerlukan O
3 O
hari. O
7. O
Hasil O
pengujian O
dengan O
black O
box O
testing O
, O
semua O
fitur O
dan O
fungsi O
pada O
sistem O
berhasil O
dijalankan O
sesuai O
dengan O
harapan O
dan O
hasil O
pengujian O
dengan O
SUS O
menunjukkan O
bahwa O
SANJAI O
layak O
untuk O
digunakan. O
Adapun O
saran O
yang O
dapat O
peneliti O
berikan O
untuk O
penelitian O
selanjutnya O
yaitu O
diharapkan O
bahwa O
sistem O
ini O
dapat O
dikembangkan O
lebih O
lanjut O
untuk O
diterapkan O
di O
BPS O
Provinsi. O

Analisis O
Keamanan O
Sistem O
Pengarsipan O
menggunakan O
Protokol O
Notarize O
File O
over O
the O
Blockchain O
( O
Studi O
Kasus O
: O
Hyperledger O
Fabric O
dan O
OpenDocMan O
) O
Rihadatulaisy O
Salsabila O
Nurudin O
( O
221810568 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
SST. O
, O
M.T. O
Ringkasan—Arsip O
merupakan O
dokumen O
yang O
penting O
bagi O
suatu O
organisasi. O
Pengelolaan O
arsip O
secara O
manual O
memiliki O
banyak O
kekurangan. O
Akan O
tetapi O
, O
digitalisasi O
arsip O
juga O
dapat O
menimbulkan O
masalah O
baru O
, O
yaitu O
masalah O
keamanan O
informasi O
( O
salah O
satunya O
manipulasi O
data O
) O
. O
Hal O
ini O
dapat O
diatasi O
dengan O
menerapkan O
teknologi O
blockchain O
yang O
menjamin O
keamanan O
informasi O
pada O
sistemnya. O
Blockchain O
membutuhkan O
protokol O
tambahan O
untuk O
mengakses O
dan O
menyimpan O
dokumen. O
Salah O
satu O
protokol O
yang O
dapat O
digunakan O
yaitu O
Notarize B-METODE
File I-METODE
over I-METODE
the I-METODE
Blockchain I-METODE
( I-METODE
NFB I-METODE
) I-METODE
. O
NFB O
memungkinkan O
pengguna O
untuk O
mengarsipkan O
, O
mengambil O
, O
dan O
membuktikan O
keberadaan O
suatu O
arsip O
dalam O
sistem. O
Protokol O
NFB O
dapat O
dikatakan O
unik O
karena O
di O
satu O
sisi O
menggabungkan O
sistem O
terdistribusi O
( O
blockchain O
: O
Hyperledger O
Fabric O
) O
dan O
terpusat O
( O
DMS O
: O
OpenDocMan O
) O
. O
Namun O
di O
sisi O
lain O
, O
hal O
ini O
menentang O
konsep O
awal O
terbentuknya O
blockchain O
yang O
merupakan O
sistem O
terdistribusi O
dengan O
tujuan O
untuk O
meningkatkan O
keamanan O
informasi O
pada O
sistem. O
Oleh O
karena O
itu O
, O
dilakukan O
analisis O
keamanan O
terhadap O
tiga O
aspek O
( O
confidentiality O
, O
secara O
integrity O
, O
availability O
) O
pada O
keseluruhan. O
Terdapat O
2 O
indikator O
pada O
aspek O
confidentiality O
, O
4 O
indikator O
pada O
aspek O
integrity O
, O
dan O
1 O
indikator O
pada O
aspek O
availability. O
Hasil B-TEMUAN
analisis I-TEMUAN
keamanan I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
memenuhi I-TEMUAN
semua I-TEMUAN
indikator I-TEMUAN
pada I-TEMUAN
ketiga I-TEMUAN
aspek. I-TEMUAN
sistem O
Kata O
Kunci—blockchain O
, O
NFB O
, O
keamanan O
informasi O
, O
sistem O
pengarsipan. O
[SEP] O
Dari O
penelitian O
yang O
telah O
dilakukan O
, O
didapatkan O
dua O
kesimpulan O
sebagai O
berikut O
: O
1. O
Telah O
berhasil O
membangun B-TUJUAN
pengarsipan I-TUJUAN
menggunakan I-TUJUAN
Hyperledger I-TUJUAN
Fabric I-TUJUAN
dan I-TUJUAN
OpenDocMan I-TUJUAN
sesuai I-TUJUAN
dengan I-TUJUAN
protokol I-TUJUAN
NFB. I-TUJUAN
Sistem O
telah O
diuji O
dengan O
black-box O
testing O
dan O
berhasil O
menjalankan O
11 O
skenario O
dan O
18 O
hasil O
yang O
diharapkan O
dengan O
baik. O
sistem O
2. O
Analisis O
keamanan O
pada O
sistem O
dilakukan O
dengan O
menggunakan O
indikator-indikator O
pada O
ketiga O
aspek O
yang O
dianalisis O
, O
yang O
terdiri O
dari O
2 O
indikator O
pada O
aspek O
confidentiality O
, O
4 O
indikator O
pada O
aspek O
integrity O
, O
dan O
1 O
indikator O
pada O
aspek O
availability. O
Hasil B-TEMUAN
analisis I-TEMUAN
keamanan I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
pengarsipan I-TEMUAN
telah I-TEMUAN
memenuhi I-TEMUAN
aspek I-TEMUAN
confidentiality I-TEMUAN
, I-TEMUAN
integrity I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
availability. I-TEMUAN
indikator O
pada O
ketiga O
semua O
Dalam O
penelitian O
ini O
masih O
terdapat O
beberapa O
hal O
yang O
tercakup O
dalam O
batasan O
penelitian. O
Saran O
untuk O
belum O
penelitian O
selanjutnya O
yang O
dapat O
dilakukan O
, O
yaitu O
: O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
1. O
Mengubah O
tampilan O
sistem O
pengarsipan O
yang O
saat O
ini O
tampilan O
dasar O
OpenDocMan O
agar O
menggunakan O
tampilan O
sistem O
menjadi O
lebih O
interaktif O
dan O
menarik. O
2. O
Melakukan O
analisis O
keamanan O
pada O
indikator O
kedua O
aspek O
availability O
, O
yaitu O
“sistem O
harus O
memiliki O
kapasitas O
untuk O
menangani O
beban O
tinggi O
dalam O
kondisi O
kerjanya” O
yang O
tidak O
digunakan O
dalam O
penelitian O
ini O
karena O
batasan O
penelitian O
yang O
dilakukan. O

Analisis O
Keamanan O
Sistem O
Pengarsipan O
menggunakan O
Protokol O
Notarize O
File O
over O
the O
Blockchain O
( O
Studi O
Kasus O
: O
Hyperledger O
Fabric O
dan O
OpenDocMan O
) O
Rihadatulaisy O
Salsabila O
Nurudin O
( O
221810568 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
SST. O
, O
M.T. O
Ringkasan—Arsip O
merupakan O
dokumen O
yang O
penting O
bagi O
suatu O
organisasi. O
Pengelolaan O
arsip O
secara O
manual O
memiliki O
banyak O
kekurangan. O
Akan O
tetapi O
, O
digitalisasi O
arsip O
juga O
dapat O
menimbulkan O
masalah O
baru O
, O
yaitu O
masalah O
keamanan O
informasi O
( O
salah O
satunya O
manipulasi O
data O
) O
. O
Hal O
ini O
dapat O
diatasi O
dengan O
menerapkan O
teknologi O
blockchain O
yang O
menjamin O
keamanan O
informasi O
pada O
sistemnya. O
Blockchain O
membutuhkan O
protokol O
tambahan O
untuk O
mengakses O
dan O
menyimpan O
dokumen. O
Salah O
satu O
protokol O
yang O
dapat O
digunakan O
yaitu O
Notarize B-METODE
File I-METODE
over I-METODE
the I-METODE
Blockchain I-METODE
( I-METODE
NFB I-METODE
) I-METODE
. O
NFB O
memungkinkan O
pengguna O
untuk O
mengarsipkan O
, O
mengambil O
, O
dan O
membuktikan O
keberadaan O
suatu O
arsip O
dalam O
sistem. O
Protokol O
NFB O
dapat O
dikatakan O
unik O
karena O
di O
satu O
sisi O
menggabungkan O
sistem O
terdistribusi O
( O
blockchain O
: O
Hyperledger O
Fabric O
) O
dan O
terpusat O
( O
DMS O
: O
OpenDocMan O
) O
. O
Namun O
di O
sisi O
lain O
, O
hal O
ini O
menentang O
konsep O
awal O
terbentuknya O
blockchain O
yang O
merupakan O
sistem O
terdistribusi O
dengan O
tujuan O
untuk O
meningkatkan O
keamanan O
informasi O
pada O
sistem. O
Oleh O
karena O
itu O
, O
dilakukan O
analisis O
keamanan O
terhadap O
tiga O
aspek O
( O
confidentiality O
, O
secara O
integrity O
, O
availability O
) O
pada O
keseluruhan. O
Terdapat O
2 O
indikator O
pada O
aspek O
confidentiality O
, O
4 O
indikator O
pada O
aspek O
integrity O
, O
dan O
1 O
indikator O
pada O
aspek O
availability. O
Hasil B-TEMUAN
analisis I-TEMUAN
keamanan I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
memenuhi I-TEMUAN
semua I-TEMUAN
indikator I-TEMUAN
pada I-TEMUAN
ketiga I-TEMUAN
aspek. I-TEMUAN
sistem O
Kata O
Kunci—blockchain O
, O
NFB O
, O
keamanan O
informasi O
, O
sistem O
pengarsipan. O
[SEP] O
Dari O
penelitian O
yang O
telah O
dilakukan O
, O
didapatkan O
dua O
kesimpulan O
sebagai O
berikut O
: O
1. O
Telah O
berhasil O
membangun B-TUJUAN
pengarsipan I-TUJUAN
menggunakan I-TUJUAN
Hyperledger I-TUJUAN
Fabric I-TUJUAN
dan I-TUJUAN
OpenDocMan I-TUJUAN
sesuai I-TUJUAN
dengan I-TUJUAN
protokol I-TUJUAN
NFB. I-TUJUAN
Sistem O
telah O
diuji O
dengan O
black-box O
testing O
dan O
berhasil O
menjalankan O
11 O
skenario O
dan O
18 O
hasil O
yang O
diharapkan O
dengan O
baik. O
sistem O
2. O
Analisis O
keamanan O
pada O
sistem O
dilakukan O
dengan O
menggunakan O
indikator-indikator O
pada O
ketiga O
aspek O
yang O
dianalisis O
, O
yang O
terdiri O
dari O
2 O
indikator O
pada O
aspek O
confidentiality O
, O
4 O
indikator O
pada O
aspek O
integrity O
, O
dan O
1 O
indikator O
pada O
aspek O
availability. O
Hasil B-TEMUAN
analisis I-TEMUAN
keamanan I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
pengarsipan I-TEMUAN
telah I-TEMUAN
memenuhi I-TEMUAN
aspek I-TEMUAN
confidentiality I-TEMUAN
, I-TEMUAN
integrity I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
availability. I-TEMUAN
indikator O
pada O
ketiga O
semua O
Dalam O
penelitian O
ini O
masih O
terdapat O
beberapa O
hal O
yang O
tercakup O
dalam O
batasan O
penelitian. O
Saran O
untuk O
belum O
penelitian O
selanjutnya O
yang O
dapat O
dilakukan O
, O
yaitu O
: O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
1. O
Mengubah O
tampilan O
sistem O
pengarsipan O
yang O
saat O
ini O
tampilan O
dasar O
OpenDocMan O
agar O
menggunakan O
tampilan O
sistem O
menjadi O
lebih O
interaktif O
dan O
menarik. O
2. O
Melakukan O
analisis O
keamanan O
pada O
indikator O
kedua O
aspek O
availability O
, O
yaitu O
“sistem O
harus O
memiliki O
kapasitas O
untuk O
menangani O
beban O
tinggi O
dalam O
kondisi O
kerjanya” O
yang O
tidak O
digunakan O
dalam O
penelitian O
ini O
karena O
batasan O
penelitian O
yang O
dilakukan. O

Analisis O
Keamanan O
Sistem O
Pengarsipan O
menggunakan O
Protokol O
Notarize O
File O
over O
the O
Blockchain O
( O
Studi O
Kasus O
: O
Hyperledger O
Fabric O
dan O
OpenDocMan O
) O
Rihadatulaisy O
Salsabila O
Nurudin O
( O
221810568 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
SST. O
, O
M.T. O
Ringkasan—Arsip O
merupakan O
dokumen O
yang O
penting O
bagi O
suatu O
organisasi. O
Pengelolaan O
arsip O
secara O
manual O
memiliki O
banyak O
kekurangan. O
Akan O
tetapi O
, O
digitalisasi O
arsip O
juga O
dapat O
menimbulkan O
masalah O
baru O
, O
yaitu O
masalah O
keamanan O
informasi O
( O
salah O
satunya O
manipulasi O
data O
) O
. O
Hal O
ini O
dapat O
diatasi O
dengan O
menerapkan O
teknologi O
blockchain O
yang O
menjamin O
keamanan O
informasi O
pada O
sistemnya. O
Blockchain O
membutuhkan O
protokol O
tambahan O
untuk O
mengakses O
dan O
menyimpan O
dokumen. O
Salah O
satu O
protokol O
yang O
dapat O
digunakan O
yaitu O
Notarize B-METODE
File I-METODE
over I-METODE
the I-METODE
Blockchain I-METODE
( I-METODE
NFB I-METODE
) I-METODE
. O
NFB O
memungkinkan O
pengguna O
untuk O
mengarsipkan O
, O
mengambil O
, O
dan O
membuktikan O
keberadaan O
suatu O
arsip O
dalam O
sistem. O
Protokol O
NFB O
dapat O
dikatakan O
unik O
karena O
di O
satu O
sisi O
menggabungkan O
sistem O
terdistribusi O
( O
blockchain O
: O
Hyperledger O
Fabric O
) O
dan O
terpusat O
( O
DMS O
: O
OpenDocMan O
) O
. O
Namun O
di O
sisi O
lain O
, O
hal O
ini O
menentang O
konsep O
awal O
terbentuknya O
blockchain O
yang O
merupakan O
sistem O
terdistribusi O
dengan O
tujuan O
untuk O
meningkatkan O
keamanan O
informasi O
pada O
sistem. O
Oleh O
karena O
itu O
, O
dilakukan O
analisis O
keamanan O
terhadap O
tiga O
aspek O
( O
confidentiality O
, O
secara O
integrity O
, O
availability O
) O
pada O
keseluruhan. O
Terdapat O
2 O
indikator O
pada O
aspek O
confidentiality O
, O
4 O
indikator O
pada O
aspek O
integrity O
, O
dan O
1 O
indikator O
pada O
aspek O
availability. O
Hasil B-TEMUAN
analisis I-TEMUAN
keamanan I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
memenuhi I-TEMUAN
semua I-TEMUAN
indikator I-TEMUAN
pada I-TEMUAN
ketiga I-TEMUAN
aspek. I-TEMUAN
sistem O
Kata O
Kunci—blockchain O
, O
NFB O
, O
keamanan O
informasi O
, O
sistem O
pengarsipan. O
[SEP] O
Dari O
penelitian O
yang O
telah O
dilakukan O
, O
didapatkan O
dua O
kesimpulan O
sebagai O
berikut O
: O
1. O
Telah O
berhasil O
membangun B-TUJUAN
pengarsipan I-TUJUAN
menggunakan I-TUJUAN
Hyperledger I-TUJUAN
Fabric I-TUJUAN
dan I-TUJUAN
OpenDocMan I-TUJUAN
sesuai I-TUJUAN
dengan I-TUJUAN
protokol I-TUJUAN
NFB. I-TUJUAN
Sistem O
telah O
diuji O
dengan O
black-box O
testing O
dan O
berhasil O
menjalankan O
11 O
skenario O
dan O
18 O
hasil O
yang O
diharapkan O
dengan O
baik. O
sistem O
2. O
Analisis O
keamanan O
pada O
sistem O
dilakukan O
dengan O
menggunakan O
indikator-indikator O
pada O
ketiga O
aspek O
yang O
dianalisis O
, O
yang O
terdiri O
dari O
2 O
indikator O
pada O
aspek O
confidentiality O
, O
4 O
indikator O
pada O
aspek O
integrity O
, O
dan O
1 O
indikator O
pada O
aspek O
availability. O
Hasil B-TEMUAN
analisis I-TEMUAN
keamanan I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
pengarsipan I-TEMUAN
telah I-TEMUAN
memenuhi I-TEMUAN
aspek I-TEMUAN
confidentiality I-TEMUAN
, I-TEMUAN
integrity I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
availability. I-TEMUAN
indikator O
pada O
ketiga O
semua O
Dalam O
penelitian O
ini O
masih O
terdapat O
beberapa O
hal O
yang O
tercakup O
dalam O
batasan O
penelitian. O
Saran O
untuk O
belum O
penelitian O
selanjutnya O
yang O
dapat O
dilakukan O
, O
yaitu O
: O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
1. O
Mengubah O
tampilan O
sistem O
pengarsipan O
yang O
saat O
ini O
tampilan O
dasar O
OpenDocMan O
agar O
menggunakan O
tampilan O
sistem O
menjadi O
lebih O
interaktif O
dan O
menarik. O
2. O
Melakukan O
analisis O
keamanan O
pada O
indikator O
kedua O
aspek O
availability O
, O
yaitu O
“sistem O
harus O
memiliki O
kapasitas O
untuk O
menangani O
beban O
tinggi O
dalam O
kondisi O
kerjanya” O
yang O
tidak O
digunakan O
dalam O
penelitian O
ini O
karena O
batasan O
penelitian O
yang O
dilakukan. O

Koding O
School O
: O
Aplikasi O
Pembelajaran O
Pemrograman O
dengan O
Gamifikasi O
Aplikasi O
Berbasis O
Web O
Rian O
Alfa O
Nurfalah O
( O
221810560 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
M.T. O
Ringkasan— O
Pemrograman O
merupakan O
salah O
satu O
materi O
yang O
diberikan O
kepada O
mahasiswa O
Program O
Studi O
D4 O
Komputasi O
Statistik O
di O
Politeknik O
Statistika O
STIS. O
Melalui O
survei O
yang O
dilakukan O
penulis O
, O
disimpulkan O
bahwa O
sebagian O
besar O
dari O
mahasiswa O
Prodi O
KS O
menganggap O
mata O
kuliah O
pemrograman O
minimal O
cukup O
sulit O
untuk O
dipelajari. O
Pada O
survei O
yang O
sama O
juga O
ditemukan O
fakta O
bahwa O
mahasiswa O
tidak O
memiliki O
materi O
secara O
lengkap O
serta O
diperlukannya O
materi O
tambahan O
selain O
yang O
diberikan O
oleh O
dosen O
pengampu O
di O
kelas. O
Berdasarkan O
temuan O
tersebut O
, O
maka O
dilakukan O
penelitian O
untuk O
mengembangkan B-TUJUAN
suatu I-TUJUAN
aplikasi I-TUJUAN
media I-TUJUAN
pembelajaran I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
diakses I-TUJUAN
oleh I-TUJUAN
seluruh I-TUJUAN
mahasiswa I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS I-TUJUAN
yang I-TUJUAN
mana I-TUJUAN
diharap I-TUJUAN
dapat I-TUJUAN
membantu I-TUJUAN
dan I-TUJUAN
mendukung I-TUJUAN
proses I-TUJUAN
belajar I-TUJUAN
mengajar I-TUJUAN
yang I-TUJUAN
telah I-TUJUAN
ada I-TUJUAN
saat I-TUJUAN
ini. I-TUJUAN
Sistem O
juga O
dikembangkan O
dengan O
konsep O
gamifikasi O
yang O
diharap O
dapat O
memberikan O
motivasi O
dan O
meningkatkan O
semangat O
mahasiswa O
dalam O
belajar O
, O
terutama O
untuk O
belajar O
pemrograman. O
Sistem O
telah O
selesai O
dibangun O
dan O
diuji O
dengan O
hasil O
yang O
baik. O
Hasil O
uji B-METODE
SUS I-METODE
menunjukkan O
kegunaan B-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
pengguna. I-TEMUAN
Sedang O
hasil O
uji B-METODE
IMI I-METODE
menunjukkan O
bahwa O
gamifikasi B-TEMUAN
yang I-TEMUAN
diterapkan I-TEMUAN
berhasil I-TEMUAN
meningkatkan I-TEMUAN
motivasi I-TEMUAN
pada I-TEMUAN
mahasiswa. I-TEMUAN
Kata O
Kunci— O
Aplikasi O
, O
Media O
Pembelajaran O
, O
Gamifikasi. O
[SEP] O
ini O
mengalami O
perubahan O
dari O
rancangan O
proposal O
penelitian O
yang O
sebelumnya O
telah O
ditulis. O
Perbedaan O
tersebut O
terdapat O
pada O
metode O
penelitian O
yang O
digunakan. O
Metode O
penelitian O
yang O
dicantumkan O
dalam O
proposal O
adalah O
metode O
SDLC O
Waterfall O
Model O
, O
sedangkan O
dalam O
makalah O
ini O
metode O
yang O
digunakan O
adalah O
ADDIE B-METODE
Model. I-METODE
Alasan O
perubahan O
metode O
ini O
adalah O
karena O
ADDIE O
lebih O
cocok O
digunakan O
untuk O
pengembangan O
sistem O
dalam O
konteks O
e-learning O
sesuai O
dengan O
topik O
dari O
penelitian O
ini. O
Sistem O
usulan O
telah O
selesai O
dibangun O
sesuai O
dengan O
rancangan O
penelitian. O
Sistem O
usulan O
juga O
telah O
selesai O
diuji O
coba O
dengan O
hasil O
yang O
baik. O
Hasil O
pada O
uji B-METODE
SUS I-METODE
membuktikan O
bahwa O
kegunaan O
dari O
sistem O
usulan O
telah O
dapat O
diterima O
dengan O
baik O
pada O
laman O
pengguna O
maupun O
laman O
admin. O
Selain O
itu O
, O
berdasarkan O
hasil B-METODE
uji I-METODE
IMI I-METODE
disimpulkan O
bahwa O
gamifikasi O
yang O
diterapkan O
pada O
sistem O
ternyata O
dapat O
menghasilkan O
dampak O
positif O
di O
dalam O
diri O
mahasiswa O
, O
terutama O
pada O
minat O
atau O
ketertarikan O
, O
kemampuan O
, O
serta O
manfaat O
yang O
dirasakan O
dari O
belajar. O
Gamifikasi O
yang O
diterapkan O
pada O
sistem O
telah O
terbukti O
dapat O
meningkatkan O
motivasi O
di O
dalam O
diri O
mahasiwa. O
Selain O
dari O
hasil O
pengujian O
yang O
telah O
disebutkan O
, O
berdasarkan O
masukan O
dari O
responden O
pengujian O
serta O
yang O
dirasakan O
penulis O
, O
didapatkan O
kelemahan O
dari O
sistem O
yang O
diantaranya O
adalah O
sebagai O
berikut. O
1. O
Sistem O
membutuhkan O
kendali O
yang O
besar O
atas O
server O
yang O
digunakan. O
2. O
Bahasa O
yang O
tersedia O
belum O
sepenuhnya O
mendukung O
semua O
bahasa O
pemrograman O
yang O
ada O
dalam O
kurikulum O
Prodi O
KS. O
3. O
Tampilan O
yang O
belum O
terlalu O
responsive O
pada O
perangkat O
mobile O
, O
khususnya O
pada O
laman O
belajar. O
4. O
Diperlukan O
panduan O
yang O
cukup O
detil O
bagi O
admin O
mengenai O
aturan O
materi O
dan O
instruksi O
yang O
ada O
dalam O
sistem. O

Koding O
School O
: O
Aplikasi O
Pembelajaran O
Pemrograman O
dengan O
Gamifikasi O
Aplikasi O
Berbasis O
Web O
Rian O
Alfa O
Nurfalah O
( O
221810560 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
M.T. O
Ringkasan— O
Pemrograman O
merupakan O
salah O
satu O
materi O
yang O
diberikan O
kepada O
mahasiswa O
Program O
Studi O
D4 O
Komputasi O
Statistik O
di O
Politeknik O
Statistika O
STIS. O
Melalui O
survei O
yang O
dilakukan O
penulis O
, O
disimpulkan O
bahwa O
sebagian O
besar O
dari O
mahasiswa O
Prodi O
KS O
menganggap O
mata O
kuliah O
pemrograman O
minimal O
cukup O
sulit O
untuk O
dipelajari. O
Pada O
survei O
yang O
sama O
juga O
ditemukan O
fakta O
bahwa O
mahasiswa O
tidak O
memiliki O
materi O
secara O
lengkap O
serta O
diperlukannya O
materi O
tambahan O
selain O
yang O
diberikan O
oleh O
dosen O
pengampu O
di O
kelas. O
Berdasarkan O
temuan O
tersebut O
, O
maka O
dilakukan O
penelitian O
untuk O
mengembangkan B-TUJUAN
suatu I-TUJUAN
aplikasi I-TUJUAN
media I-TUJUAN
pembelajaran I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
diakses I-TUJUAN
oleh I-TUJUAN
seluruh I-TUJUAN
mahasiswa I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS I-TUJUAN
yang I-TUJUAN
mana I-TUJUAN
diharap I-TUJUAN
dapat I-TUJUAN
membantu I-TUJUAN
dan I-TUJUAN
mendukung I-TUJUAN
proses I-TUJUAN
belajar I-TUJUAN
mengajar I-TUJUAN
yang I-TUJUAN
telah I-TUJUAN
ada I-TUJUAN
saat I-TUJUAN
ini. I-TUJUAN
Sistem O
juga O
dikembangkan O
dengan O
konsep O
gamifikasi O
yang O
diharap O
dapat O
memberikan O
motivasi O
dan O
meningkatkan O
semangat O
mahasiswa O
dalam O
belajar O
, O
terutama O
untuk O
belajar O
pemrograman. O
Sistem O
telah O
selesai O
dibangun O
dan O
diuji O
dengan O
hasil O
yang O
baik. O
Hasil O
uji B-METODE
SUS I-METODE
menunjukkan O
kegunaan B-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
pengguna. I-TEMUAN
Sedang O
hasil O
uji B-METODE
IMI I-METODE
menunjukkan O
bahwa O
gamifikasi B-TEMUAN
yang I-TEMUAN
diterapkan I-TEMUAN
berhasil I-TEMUAN
meningkatkan I-TEMUAN
motivasi I-TEMUAN
pada I-TEMUAN
mahasiswa. I-TEMUAN
Kata O
Kunci— O
Aplikasi O
, O
Media O
Pembelajaran O
, O
Gamifikasi. O
[SEP] O
ini O
mengalami O
perubahan O
dari O
rancangan O
proposal O
penelitian O
yang O
sebelumnya O
telah O
ditulis. O
Perbedaan O
tersebut O
terdapat O
pada O
metode O
penelitian O
yang O
digunakan. O
Metode O
penelitian O
yang O
dicantumkan O
dalam O
proposal O
adalah O
metode O
SDLC O
Waterfall O
Model O
, O
sedangkan O
dalam O
makalah O
ini O
metode O
yang O
digunakan O
adalah O
ADDIE B-METODE
Model. I-METODE
Alasan O
perubahan O
metode O
ini O
adalah O
karena O
ADDIE O
lebih O
cocok O
digunakan O
untuk O
pengembangan O
sistem O
dalam O
konteks O
e-learning O
sesuai O
dengan O
topik O
dari O
penelitian O
ini. O
Sistem O
usulan O
telah O
selesai O
dibangun O
sesuai O
dengan O
rancangan O
penelitian. O
Sistem O
usulan O
juga O
telah O
selesai O
diuji O
coba O
dengan O
hasil O
yang O
baik. O
Hasil O
pada O
uji B-METODE
SUS I-METODE
membuktikan O
bahwa O
kegunaan O
dari O
sistem O
usulan O
telah O
dapat O
diterima O
dengan O
baik O
pada O
laman O
pengguna O
maupun O
laman O
admin. O
Selain O
itu O
, O
berdasarkan O
hasil B-METODE
uji I-METODE
IMI I-METODE
disimpulkan O
bahwa O
gamifikasi O
yang O
diterapkan O
pada O
sistem O
ternyata O
dapat O
menghasilkan O
dampak O
positif O
di O
dalam O
diri O
mahasiswa O
, O
terutama O
pada O
minat O
atau O
ketertarikan O
, O
kemampuan O
, O
serta O
manfaat O
yang O
dirasakan O
dari O
belajar. O
Gamifikasi O
yang O
diterapkan O
pada O
sistem O
telah O
terbukti O
dapat O
meningkatkan O
motivasi O
di O
dalam O
diri O
mahasiwa. O
Selain O
dari O
hasil O
pengujian O
yang O
telah O
disebutkan O
, O
berdasarkan O
masukan O
dari O
responden O
pengujian O
serta O
yang O
dirasakan O
penulis O
, O
didapatkan O
kelemahan O
dari O
sistem O
yang O
diantaranya O
adalah O
sebagai O
berikut. O
1. O
Sistem O
membutuhkan O
kendali O
yang O
besar O
atas O
server O
yang O
digunakan. O
2. O
Bahasa O
yang O
tersedia O
belum O
sepenuhnya O
mendukung O
semua O
bahasa O
pemrograman O
yang O
ada O
dalam O
kurikulum O
Prodi O
KS. O
3. O
Tampilan O
yang O
belum O
terlalu O
responsive O
pada O
perangkat O
mobile O
, O
khususnya O
pada O
laman O
belajar. O
4. O
Diperlukan O
panduan O
yang O
cukup O
detil O
bagi O
admin O
mengenai O
aturan O
materi O
dan O
instruksi O
yang O
ada O
dalam O
sistem. O

Koding O
School O
: O
Aplikasi O
Pembelajaran O
Pemrograman O
dengan O
Gamifikasi O
Aplikasi O
Berbasis O
Web O
Rian O
Alfa O
Nurfalah O
( O
221810560 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
M.T. O
Ringkasan— O
Pemrograman O
merupakan O
salah O
satu O
materi O
yang O
diberikan O
kepada O
mahasiswa O
Program O
Studi O
D4 O
Komputasi O
Statistik O
di O
Politeknik O
Statistika O
STIS. O
Melalui O
survei O
yang O
dilakukan O
penulis O
, O
disimpulkan O
bahwa O
sebagian O
besar O
dari O
mahasiswa O
Prodi O
KS O
menganggap O
mata O
kuliah O
pemrograman O
minimal O
cukup O
sulit O
untuk O
dipelajari. O
Pada O
survei O
yang O
sama O
juga O
ditemukan O
fakta O
bahwa O
mahasiswa O
tidak O
memiliki O
materi O
secara O
lengkap O
serta O
diperlukannya O
materi O
tambahan O
selain O
yang O
diberikan O
oleh O
dosen O
pengampu O
di O
kelas. O
Berdasarkan O
temuan O
tersebut O
, O
maka O
dilakukan O
penelitian O
untuk O
mengembangkan B-TUJUAN
suatu I-TUJUAN
aplikasi I-TUJUAN
media I-TUJUAN
pembelajaran I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
diakses I-TUJUAN
oleh I-TUJUAN
seluruh I-TUJUAN
mahasiswa I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS I-TUJUAN
yang I-TUJUAN
mana I-TUJUAN
diharap I-TUJUAN
dapat I-TUJUAN
membantu I-TUJUAN
dan I-TUJUAN
mendukung I-TUJUAN
proses I-TUJUAN
belajar I-TUJUAN
mengajar I-TUJUAN
yang I-TUJUAN
telah I-TUJUAN
ada I-TUJUAN
saat I-TUJUAN
ini. I-TUJUAN
Sistem O
juga O
dikembangkan O
dengan O
konsep O
gamifikasi O
yang O
diharap O
dapat O
memberikan O
motivasi O
dan O
meningkatkan O
semangat O
mahasiswa O
dalam O
belajar O
, O
terutama O
untuk O
belajar O
pemrograman. O
Sistem O
telah O
selesai O
dibangun O
dan O
diuji O
dengan O
hasil O
yang O
baik. O
Hasil O
uji B-METODE
SUS I-METODE
menunjukkan O
kegunaan B-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
pengguna. I-TEMUAN
Sedang O
hasil O
uji B-METODE
IMI I-METODE
menunjukkan O
bahwa O
gamifikasi B-TEMUAN
yang I-TEMUAN
diterapkan I-TEMUAN
berhasil I-TEMUAN
meningkatkan I-TEMUAN
motivasi I-TEMUAN
pada I-TEMUAN
mahasiswa. I-TEMUAN
Kata O
Kunci— O
Aplikasi O
, O
Media O
Pembelajaran O
, O
Gamifikasi. O
[SEP] O
ini O
mengalami O
perubahan O
dari O
rancangan O
proposal O
penelitian O
yang O
sebelumnya O
telah O
ditulis. O
Perbedaan O
tersebut O
terdapat O
pada O
metode O
penelitian O
yang O
digunakan. O
Metode O
penelitian O
yang O
dicantumkan O
dalam O
proposal O
adalah O
metode O
SDLC O
Waterfall O
Model O
, O
sedangkan O
dalam O
makalah O
ini O
metode O
yang O
digunakan O
adalah O
ADDIE B-METODE
Model. I-METODE
Alasan O
perubahan O
metode O
ini O
adalah O
karena O
ADDIE O
lebih O
cocok O
digunakan O
untuk O
pengembangan O
sistem O
dalam O
konteks O
e-learning O
sesuai O
dengan O
topik O
dari O
penelitian O
ini. O
Sistem O
usulan O
telah O
selesai O
dibangun O
sesuai O
dengan O
rancangan O
penelitian. O
Sistem O
usulan O
juga O
telah O
selesai O
diuji O
coba O
dengan O
hasil O
yang O
baik. O
Hasil O
pada O
uji B-METODE
SUS I-METODE
membuktikan O
bahwa O
kegunaan O
dari O
sistem O
usulan O
telah O
dapat O
diterima O
dengan O
baik O
pada O
laman O
pengguna O
maupun O
laman O
admin. O
Selain O
itu O
, O
berdasarkan O
hasil B-METODE
uji I-METODE
IMI I-METODE
disimpulkan O
bahwa O
gamifikasi O
yang O
diterapkan O
pada O
sistem O
ternyata O
dapat O
menghasilkan O
dampak O
positif O
di O
dalam O
diri O
mahasiswa O
, O
terutama O
pada O
minat O
atau O
ketertarikan O
, O
kemampuan O
, O
serta O
manfaat O
yang O
dirasakan O
dari O
belajar. O
Gamifikasi O
yang O
diterapkan O
pada O
sistem O
telah O
terbukti O
dapat O
meningkatkan O
motivasi O
di O
dalam O
diri O
mahasiwa. O
Selain O
dari O
hasil O
pengujian O
yang O
telah O
disebutkan O
, O
berdasarkan O
masukan O
dari O
responden O
pengujian O
serta O
yang O
dirasakan O
penulis O
, O
didapatkan O
kelemahan O
dari O
sistem O
yang O
diantaranya O
adalah O
sebagai O
berikut. O
1. O
Sistem O
membutuhkan O
kendali O
yang O
besar O
atas O
server O
yang O
digunakan. O
2. O
Bahasa O
yang O
tersedia O
belum O
sepenuhnya O
mendukung O
semua O
bahasa O
pemrograman O
yang O
ada O
dalam O
kurikulum O
Prodi O
KS. O
3. O
Tampilan O
yang O
belum O
terlalu O
responsive O
pada O
perangkat O
mobile O
, O
khususnya O
pada O
laman O
belajar. O
4. O
Diperlukan O
panduan O
yang O
cukup O
detil O
bagi O
admin O
mengenai O
aturan O
materi O
dan O
instruksi O
yang O
ada O
dalam O
sistem. O

Pembangunan O
Sistem O
Informasi O
Manajemen O
Administrasi O
Perkantoran O
Berbasis O
WEB O
Studi O
Kasus O
: O
BPS O
Kabupaten O
Purbalingga O
Rezky O
Angga O
Pradana O
( O
221810558 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Yuliana O
Ria O
Uli O
Sitanggang O
, O
S.Si. O
, O
M.Si O
dilakukan O
tersebut O
masih O
Ringkasan— O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
saat O
ini O
sudah O
tersebar O
di O
33 O
provinsi O
di O
Indonesia O
, O
salah O
satunya O
di O
Kabupaten O
Purbalingga O
, O
Provinsi O
Jawa O
Tengah. O
BPS O
Kab. O
Purbalingga O
melaksanakan O
banyak O
tugas O
, O
salah O
satunya O
di O
bidang O
administrasi O
yang O
menjadi O
tanggung O
jawab O
sub O
bagian O
umum. O
Beberapa O
tugas O
administrasi O
yang O
dikerjakan O
yaitu O
mencatat O
tamu O
, O
surat O
masuk O
, O
surat O
keluar O
, O
surat O
keputusan O
, O
dll. O
Hingga O
saat O
ini O
, O
semua O
kegiatan O
pencatatan O
secara O
manual O
menggunakan O
buku O
dan O
disposisi O
surat O
masuk O
juga O
masih O
dilakukan O
secara O
manual. O
Selain O
itu O
belum O
terintegrasinya O
masing-masing O
tugas O
administrasi O
tersebut. O
Untuk O
itu O
dibuat B-TUJUAN
sebuah I-TUJUAN
sistem I-TUJUAN
tugas I-TUJUAN
administrasi I-TUJUAN
tersebut. O
Sistem O
ini O
dibuat O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
waterfall. I-METODE
Dalam O
pengumpulan O
datanya O
, O
penelitian O
ini O
menggunakan O
metode B-METODE
studi I-METODE
pustaka I-METODE
, I-METODE
wawancara I-METODE
, I-METODE
observasi I-METODE
, I-METODE
dan I-METODE
kuesioner. I-METODE
Kemudian O
untuk O
metode O
evaluasinya O
menggunakan O
metode B-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
dan O
juga O
metode B-METODE
black I-METODE
box I-METODE
testing. I-METODE
Sistem O
informasi O
ini O
diharapkan O
dapat O
mengintegrasikan O
tugas O
administrasi O
sub O
bagian O
umum O
di O
BPS O
Kabupaten O
Purbalingga. O
informasi O
yang O
dapat O
menjalankan O
Kata O
Kunci— O
BPS O
, O
Sistem O
Informasi O
, O
Administrasi O
[SEP] O
Beberapa O
kesimpulan O
adalah O
sebagai O
berikut O
: O
a. O
Terdapat O
menu O
untuk O
melihat O
daftar O
tamu O
yang O
masuk O
ke O
BPS. O
User O
dapat O
melakukan O
penambahan O
tamu O
, O
pengubahan O
data O
tamu O
, O
dan O
menghapus O
data O
tamu. O
b. O
Terdapat O
menu O
untuk O
melihat O
daftar O
surat O
yang O
masuk O
ke O
BPS. O
User O
dapat O
melakukan O
penambahan O
surat O
, O
melihat O
file O
surat O
, O
melakukan O
pengubahan O
data O
surat O
, O
melakukan O
pengubahan O
file O
surat O
, O
dan O
menghapus O
data O
surat. O
c. O
Terdapat O
menu O
untuk O
melihat O
daftar O
surat O
yang O
dikeluarkan O
oleh O
BPS. O
User O
dapat O
melakukan O
penambahan O
surat O
, O
melihat O
file O
surat O
, O
melakukan O
pengubahan O
data O
surat O
, O
melakukan O
pengubahan O
file O
surat O
, O
dan O
menghapus O
data O
surat. O
d. O
Terdapat O
menu O
untuk O
melihat O
daftar O
surat O
keputusan. O
User O
dapat O
melakukan O
penambahan O
surat O
, O
melihat O
file O
surat O
, O
melakukan O
pengubahan O
data O
surat O
, O
melakukan O
pengubahan O
file O
surat O
, O
dan O
menghapus O
data O
surat. O
e. O
Terdapat O
menu O
untuk O
melakukan O
disposisi O
terhadap O
surat O
masuk. O
User O
dapat O
melakukan O
disposisi O
surat O
untuk O
dikirimkan O
ke O
jabatan O
fungsional O
lainnya. O
Gambar O
35. O
Halaman O
Daftar O
Tamu O
Gambar O
36. O
Form O
Tambah O
Tamu O
7.2. O
Saran O
6.9. O
Hasil O
Evaluasi O
a. O
Black O
Box O
Testing O
Evaluasi O
menggunakan O
metode O
black O
box O
testing O
dilakukan O
dengan O
memberikan O
daftar O
scenario O
kebutuhan O
fungsional O
dari O
sistem O
untuk O
diuji O
oleh O
penguji. O
Hasilnya O
adalah O
sebagai O
berikut O
: O
TABEL O
5 O
BLACK O
BOX O
TESTING O
No O
1 O
2 O
3 O
4 O
5 O
6 O
7 O
8 O
Skenario O
Halaman O
login O
Halaman O
surat O
masuk O
Halaman O
surat O
keluar O
Halaman O
surat O
keputusan O
Halaman O
disposisi O
Halaman O
pegawai O
Halaman O
jabatan O
Halaman O
tamu O
b. O
System O
Usability O
Scale O
( O
SUS O
) O
Responden O
1 O
2 O
3 O
4 O
5 O
1 O
3 O
5 O
4 O
5 O
4 O
TABEL O
5 O
SUS O
Jawaban O
Pertanyaan O
ke- O
8 O
2 O
1 O
3 O
2 O
2 O
6 O
4 O
2 O
2 O
2 O
3 O
5 O
2 O
2 O
2 O
3 O
2 O
2 O
2 O
2 O
2 O
3 O
2 O
Rata-rata O
skor O
SUS O
7 O
4 O
5 O
4 O
4 O
4 O
3 O
4 O
5 O
4 O
4 O
4 O
5 O
3 O
5 O
4 O
4 O
5 O
Hasil O
Berhasil O
Berhasil O
Berhasil O
Berhasil O
Berhasil O
Berhasil O
Berhasil O
Berhasil O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
Skor O
SUS O
[ O
5 O
] O
9 O
3 O
4 O
4 O
4 O
4 O
10 O
3 O
4 O
3 O
2 O
2 O
62,5 O
75,0 O
67,5 O
77,5 O
75,0 O
71,5 O
[ O
6 O
] O
[ O
7 O
] O
Berdasarkan O
pengujian O
menggunakan O
metode B-METODE
system I-METODE
usability I-METODE
scale I-METODE
didapatkan O
hasil B-TEMUAN
rata-rata I-TEMUAN
skor I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
71,5. I-TEMUAN
dapat I-TEMUAN
disimpulkan I-TEMUAN
bahwa I-TEMUAN
dari I-TEMUAN
segi I-TEMUAN
usability I-TEMUAN
sistem I-TEMUAN
ini I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
atau I-TEMUAN
acceptable I-TEMUAN
dengan I-TEMUAN
grade I-TEMUAN
C I-TEMUAN
dan I-TEMUAN
mendapatkan I-TEMUAN
rating I-TEMUAN
OK. I-TEMUAN
Saran O
dari O
untuk O
penelitian O
ke O
depannya O
yaitu O
: O
a. O
Membuat O
modul O
untuk O
mengintegrasikan O
tugas O
administrasi O
sub O
bagian O
umum O
yang O
lain O
seperti O
pencatatan O
daftar O
barang O
/ O
inventaris O
dan O
pembuatan O
surat O
tugas. O
b. O
Membuat O
sistem O
informasi O
yang O
lebih O
menarik O
, O
interaktif O
, O
dan O
responsif. O

Pembangunan O
Sistem O
Informasi O
Manajemen O
Administrasi O
Perkantoran O
Berbasis O
WEB O
Studi O
Kasus O
: O
BPS O
Kabupaten O
Purbalingga O
Rezky O
Angga O
Pradana O
( O
221810558 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Yuliana O
Ria O
Uli O
Sitanggang O
, O
S.Si. O
, O
M.Si O
dilakukan O
tersebut O
masih O
Ringkasan— O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
saat O
ini O
sudah O
tersebar O
di O
33 O
provinsi O
di O
Indonesia O
, O
salah O
satunya O
di O
Kabupaten O
Purbalingga O
, O
Provinsi O
Jawa O
Tengah. O
BPS O
Kab. O
Purbalingga O
melaksanakan O
banyak O
tugas O
, O
salah O
satunya O
di O
bidang O
administrasi O
yang O
menjadi O
tanggung O
jawab O
sub O
bagian O
umum. O
Beberapa O
tugas O
administrasi O
yang O
dikerjakan O
yaitu O
mencatat O
tamu O
, O
surat O
masuk O
, O
surat O
keluar O
, O
surat O
keputusan O
, O
dll. O
Hingga O
saat O
ini O
, O
semua O
kegiatan O
pencatatan O
secara O
manual O
menggunakan O
buku O
dan O
disposisi O
surat O
masuk O
juga O
masih O
dilakukan O
secara O
manual. O
Selain O
itu O
belum O
terintegrasinya O
masing-masing O
tugas O
administrasi O
tersebut. O
Untuk O
itu O
dibuat B-TUJUAN
sebuah I-TUJUAN
sistem I-TUJUAN
tugas I-TUJUAN
administrasi I-TUJUAN
tersebut. O
Sistem O
ini O
dibuat O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
waterfall. I-METODE
Dalam O
pengumpulan O
datanya O
, O
penelitian O
ini O
menggunakan O
metode B-METODE
studi I-METODE
pustaka I-METODE
, I-METODE
wawancara I-METODE
, I-METODE
observasi I-METODE
, I-METODE
dan I-METODE
kuesioner. I-METODE
Kemudian O
untuk O
metode O
evaluasinya O
menggunakan O
metode B-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
dan O
juga O
metode B-METODE
black I-METODE
box I-METODE
testing. I-METODE
Sistem O
informasi O
ini O
diharapkan O
dapat O
mengintegrasikan O
tugas O
administrasi O
sub O
bagian O
umum O
di O
BPS O
Kabupaten O
Purbalingga. O
informasi O
yang O
dapat O
menjalankan O
Kata O
Kunci— O
BPS O
, O
Sistem O
Informasi O
, O
Administrasi O
[SEP] O
Beberapa O
kesimpulan O
adalah O
sebagai O
berikut O
: O
a. O
Terdapat O
menu O
untuk O
melihat O
daftar O
tamu O
yang O
masuk O
ke O
BPS. O
User O
dapat O
melakukan O
penambahan O
tamu O
, O
pengubahan O
data O
tamu O
, O
dan O
menghapus O
data O
tamu. O
b. O
Terdapat O
menu O
untuk O
melihat O
daftar O
surat O
yang O
masuk O
ke O
BPS. O
User O
dapat O
melakukan O
penambahan O
surat O
, O
melihat O
file O
surat O
, O
melakukan O
pengubahan O
data O
surat O
, O
melakukan O
pengubahan O
file O
surat O
, O
dan O
menghapus O
data O
surat. O
c. O
Terdapat O
menu O
untuk O
melihat O
daftar O
surat O
yang O
dikeluarkan O
oleh O
BPS. O
User O
dapat O
melakukan O
penambahan O
surat O
, O
melihat O
file O
surat O
, O
melakukan O
pengubahan O
data O
surat O
, O
melakukan O
pengubahan O
file O
surat O
, O
dan O
menghapus O
data O
surat. O
d. O
Terdapat O
menu O
untuk O
melihat O
daftar O
surat O
keputusan. O
User O
dapat O
melakukan O
penambahan O
surat O
, O
melihat O
file O
surat O
, O
melakukan O
pengubahan O
data O
surat O
, O
melakukan O
pengubahan O
file O
surat O
, O
dan O
menghapus O
data O
surat. O
e. O
Terdapat O
menu O
untuk O
melakukan O
disposisi O
terhadap O
surat O
masuk. O
User O
dapat O
melakukan O
disposisi O
surat O
untuk O
dikirimkan O
ke O
jabatan O
fungsional O
lainnya. O
Gambar O
35. O
Halaman O
Daftar O
Tamu O
Gambar O
36. O
Form O
Tambah O
Tamu O
7.2. O
Saran O
6.9. O
Hasil O
Evaluasi O
a. O
Black O
Box O
Testing O
Evaluasi O
menggunakan O
metode O
black O
box O
testing O
dilakukan O
dengan O
memberikan O
daftar O
scenario O
kebutuhan O
fungsional O
dari O
sistem O
untuk O
diuji O
oleh O
penguji. O
Hasilnya O
adalah O
sebagai O
berikut O
: O
TABEL O
5 O
BLACK O
BOX O
TESTING O
No O
1 O
2 O
3 O
4 O
5 O
6 O
7 O
8 O
Skenario O
Halaman O
login O
Halaman O
surat O
masuk O
Halaman O
surat O
keluar O
Halaman O
surat O
keputusan O
Halaman O
disposisi O
Halaman O
pegawai O
Halaman O
jabatan O
Halaman O
tamu O
b. O
System O
Usability O
Scale O
( O
SUS O
) O
Responden O
1 O
2 O
3 O
4 O
5 O
1 O
3 O
5 O
4 O
5 O
4 O
TABEL O
5 O
SUS O
Jawaban O
Pertanyaan O
ke- O
8 O
2 O
1 O
3 O
2 O
2 O
6 O
4 O
2 O
2 O
2 O
3 O
5 O
2 O
2 O
2 O
3 O
2 O
2 O
2 O
2 O
2 O
3 O
2 O
Rata-rata O
skor O
SUS O
7 O
4 O
5 O
4 O
4 O
4 O
3 O
4 O
5 O
4 O
4 O
4 O
5 O
3 O
5 O
4 O
4 O
5 O
Hasil O
Berhasil O
Berhasil O
Berhasil O
Berhasil O
Berhasil O
Berhasil O
Berhasil O
Berhasil O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
Skor O
SUS O
[ O
5 O
] O
9 O
3 O
4 O
4 O
4 O
4 O
10 O
3 O
4 O
3 O
2 O
2 O
62,5 O
75,0 O
67,5 O
77,5 O
75,0 O
71,5 O
[ O
6 O
] O
[ O
7 O
] O
Berdasarkan O
pengujian O
menggunakan O
metode B-METODE
system I-METODE
usability I-METODE
scale I-METODE
didapatkan O
hasil B-TEMUAN
rata-rata I-TEMUAN
skor I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
71,5. I-TEMUAN
dapat I-TEMUAN
disimpulkan I-TEMUAN
bahwa I-TEMUAN
dari I-TEMUAN
segi I-TEMUAN
usability I-TEMUAN
sistem I-TEMUAN
ini I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
atau I-TEMUAN
acceptable I-TEMUAN
dengan I-TEMUAN
grade I-TEMUAN
C I-TEMUAN
dan I-TEMUAN
mendapatkan I-TEMUAN
rating I-TEMUAN
OK. I-TEMUAN
Saran O
dari O
untuk O
penelitian O
ke O
depannya O
yaitu O
: O
a. O
Membuat O
modul O
untuk O
mengintegrasikan O
tugas O
administrasi O
sub O
bagian O
umum O
yang O
lain O
seperti O
pencatatan O
daftar O
barang O
/ O
inventaris O
dan O
pembuatan O
surat O
tugas. O
b. O
Membuat O
sistem O
informasi O
yang O
lebih O
menarik O
, O
interaktif O
, O
dan O
responsif. O

Pembangunan O
Sistem O
Informasi O
Manajemen O
Administrasi O
Perkantoran O
Berbasis O
WEB O
Studi O
Kasus O
: O
BPS O
Kabupaten O
Purbalingga O
Rezky O
Angga O
Pradana O
( O
221810558 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Yuliana O
Ria O
Uli O
Sitanggang O
, O
S.Si. O
, O
M.Si O
dilakukan O
tersebut O
masih O
Ringkasan— O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
saat O
ini O
sudah O
tersebar O
di O
33 O
provinsi O
di O
Indonesia O
, O
salah O
satunya O
di O
Kabupaten O
Purbalingga O
, O
Provinsi O
Jawa O
Tengah. O
BPS O
Kab. O
Purbalingga O
melaksanakan O
banyak O
tugas O
, O
salah O
satunya O
di O
bidang O
administrasi O
yang O
menjadi O
tanggung O
jawab O
sub O
bagian O
umum. O
Beberapa O
tugas O
administrasi O
yang O
dikerjakan O
yaitu O
mencatat O
tamu O
, O
surat O
masuk O
, O
surat O
keluar O
, O
surat O
keputusan O
, O
dll. O
Hingga O
saat O
ini O
, O
semua O
kegiatan O
pencatatan O
secara O
manual O
menggunakan O
buku O
dan O
disposisi O
surat O
masuk O
juga O
masih O
dilakukan O
secara O
manual. O
Selain O
itu O
belum O
terintegrasinya O
masing-masing O
tugas O
administrasi O
tersebut. O
Untuk O
itu O
dibuat B-TUJUAN
sebuah I-TUJUAN
sistem I-TUJUAN
tugas I-TUJUAN
administrasi I-TUJUAN
tersebut. O
Sistem O
ini O
dibuat O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
waterfall. I-METODE
Dalam O
pengumpulan O
datanya O
, O
penelitian O
ini O
menggunakan O
metode B-METODE
studi I-METODE
pustaka I-METODE
, I-METODE
wawancara I-METODE
, I-METODE
observasi I-METODE
, I-METODE
dan I-METODE
kuesioner. I-METODE
Kemudian O
untuk O
metode O
evaluasinya O
menggunakan O
metode B-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
dan O
juga O
metode B-METODE
black I-METODE
box I-METODE
testing. I-METODE
Sistem O
informasi O
ini O
diharapkan O
dapat O
mengintegrasikan O
tugas O
administrasi O
sub O
bagian O
umum O
di O
BPS O
Kabupaten O
Purbalingga. O
informasi O
yang O
dapat O
menjalankan O
Kata O
Kunci— O
BPS O
, O
Sistem O
Informasi O
, O
Administrasi O
[SEP] O
Beberapa O
kesimpulan O
adalah O
sebagai O
berikut O
: O
a. O
Terdapat O
menu O
untuk O
melihat O
daftar O
tamu O
yang O
masuk O
ke O
BPS. O
User O
dapat O
melakukan O
penambahan O
tamu O
, O
pengubahan O
data O
tamu O
, O
dan O
menghapus O
data O
tamu. O
b. O
Terdapat O
menu O
untuk O
melihat O
daftar O
surat O
yang O
masuk O
ke O
BPS. O
User O
dapat O
melakukan O
penambahan O
surat O
, O
melihat O
file O
surat O
, O
melakukan O
pengubahan O
data O
surat O
, O
melakukan O
pengubahan O
file O
surat O
, O
dan O
menghapus O
data O
surat. O
c. O
Terdapat O
menu O
untuk O
melihat O
daftar O
surat O
yang O
dikeluarkan O
oleh O
BPS. O
User O
dapat O
melakukan O
penambahan O
surat O
, O
melihat O
file O
surat O
, O
melakukan O
pengubahan O
data O
surat O
, O
melakukan O
pengubahan O
file O
surat O
, O
dan O
menghapus O
data O
surat. O
d. O
Terdapat O
menu O
untuk O
melihat O
daftar O
surat O
keputusan. O
User O
dapat O
melakukan O
penambahan O
surat O
, O
melihat O
file O
surat O
, O
melakukan O
pengubahan O
data O
surat O
, O
melakukan O
pengubahan O
file O
surat O
, O
dan O
menghapus O
data O
surat. O
e. O
Terdapat O
menu O
untuk O
melakukan O
disposisi O
terhadap O
surat O
masuk. O
User O
dapat O
melakukan O
disposisi O
surat O
untuk O
dikirimkan O
ke O
jabatan O
fungsional O
lainnya. O
Gambar O
35. O
Halaman O
Daftar O
Tamu O
Gambar O
36. O
Form O
Tambah O
Tamu O
7.2. O
Saran O
6.9. O
Hasil O
Evaluasi O
a. O
Black O
Box O
Testing O
Evaluasi O
menggunakan O
metode O
black O
box O
testing O
dilakukan O
dengan O
memberikan O
daftar O
scenario O
kebutuhan O
fungsional O
dari O
sistem O
untuk O
diuji O
oleh O
penguji. O
Hasilnya O
adalah O
sebagai O
berikut O
: O
TABEL O
5 O
BLACK O
BOX O
TESTING O
No O
1 O
2 O
3 O
4 O
5 O
6 O
7 O
8 O
Skenario O
Halaman O
login O
Halaman O
surat O
masuk O
Halaman O
surat O
keluar O
Halaman O
surat O
keputusan O
Halaman O
disposisi O
Halaman O
pegawai O
Halaman O
jabatan O
Halaman O
tamu O
b. O
System O
Usability O
Scale O
( O
SUS O
) O
Responden O
1 O
2 O
3 O
4 O
5 O
1 O
3 O
5 O
4 O
5 O
4 O
TABEL O
5 O
SUS O
Jawaban O
Pertanyaan O
ke- O
8 O
2 O
1 O
3 O
2 O
2 O
6 O
4 O
2 O
2 O
2 O
3 O
5 O
2 O
2 O
2 O
3 O
2 O
2 O
2 O
2 O
2 O
3 O
2 O
Rata-rata O
skor O
SUS O
7 O
4 O
5 O
4 O
4 O
4 O
3 O
4 O
5 O
4 O
4 O
4 O
5 O
3 O
5 O
4 O
4 O
5 O
Hasil O
Berhasil O
Berhasil O
Berhasil O
Berhasil O
Berhasil O
Berhasil O
Berhasil O
Berhasil O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
Skor O
SUS O
[ O
5 O
] O
9 O
3 O
4 O
4 O
4 O
4 O
10 O
3 O
4 O
3 O
2 O
2 O
62,5 O
75,0 O
67,5 O
77,5 O
75,0 O
71,5 O
[ O
6 O
] O
[ O
7 O
] O
Berdasarkan O
pengujian O
menggunakan O
metode B-METODE
system I-METODE
usability I-METODE
scale I-METODE
didapatkan O
hasil B-TEMUAN
rata-rata I-TEMUAN
skor I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
71,5. I-TEMUAN
dapat I-TEMUAN
disimpulkan I-TEMUAN
bahwa I-TEMUAN
dari I-TEMUAN
segi I-TEMUAN
usability I-TEMUAN
sistem I-TEMUAN
ini I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
atau I-TEMUAN
acceptable I-TEMUAN
dengan I-TEMUAN
grade I-TEMUAN
C I-TEMUAN
dan I-TEMUAN
mendapatkan I-TEMUAN
rating I-TEMUAN
OK. I-TEMUAN
Saran O
dari O
untuk O
penelitian O
ke O
depannya O
yaitu O
: O
a. O
Membuat O
modul O
untuk O
mengintegrasikan O
tugas O
administrasi O
sub O
bagian O
umum O
yang O
lain O
seperti O
pencatatan O
daftar O
barang O
/ O
inventaris O
dan O
pembuatan O
surat O
tugas. O
b. O
Membuat O
sistem O
informasi O
yang O
lebih O
menarik O
, O
interaktif O
, O
dan O
responsif. O

R O
Package O
Model O
Hurdle O
Negative O
Binomial O
pada O
Small O
Area O
Estimation O
dengan O
Menggunakan O
Metode O
Bayes O
Berhierarki O
Studi O
Kasus O
: O
Angka O
Kematian O
Bayi O
di O
Pulau O
Jawa O
Raka O
Ikmana O
( O
221810548 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Azka O
Ubaidillah O
, O
SST. O
, O
M.Si. O
Ringkasan— O
Survei O
yang O
memiliki O
ukuran O
sampel O
kecil O
seringkali O
menghasilkan O
estimasi O
parameter O
yang O
kurang O
presisi. O
Teknik O
Small O
Area O
Estimation O
( O
SAE O
) O
digunakan O
untuk O
mengatasi O
masalah O
tersebut. O
Model O
umum O
yang O
digunakan O
dalam O
SAE O
adalah O
model O
Fay-Herriot O
dengan O
metode O
EBLUP. O
Namun O
metode O
EBLUP O
didesain O
untuk O
data O
kontinu O
berdistribusi O
Normal O
, O
sedangkan O
beberapa O
variabel O
pada O
survei O
berupa O
data O
diskrit O
, O
seperti O
data O
count. O
Pemodelan O
data O
count O
seringkali O
mengalami O
permasalahan O
overdispersi O
dan O
excess O
zero O
, O
sehingga O
model O
yang O
tepat O
adalah O
model O
Hurdle O
Negative O
Binomial. O
Pemodelan O
data O
tak O
normal O
pada O
SAE O
, O
seperti O
model O
Hurdle O
Negative O
Binomial O
, O
dapat O
dilakukan O
menggunakan O
metode O
Bayes O
Berhierarki O
karena O
mampu O
mengatasi O
model O
yang O
sangat O
kompleks. O
Penelitian O
ini O
mengkaji B-TUJUAN
dan I-TUJUAN
mengembangkan I-TUJUAN
model I-TUJUAN
tersebut I-TUJUAN
kemudian I-TUJUAN
mengimplementasikannya I-TUJUAN
ke I-TUJUAN
dalam I-TUJUAN
sebuah I-TUJUAN
R I-TUJUAN
Package. I-TUJUAN
R B-TEMUAN
package I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
diberi I-TEMUAN
nama I-TEMUAN
‘saeHB.hnb’ I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diakses I-TEMUAN
melalui I-TEMUAN
https I-TEMUAN
: I-TEMUAN
/ I-TEMUAN
/ I-TEMUAN
cran.r-project.org I-TEMUAN
/ I-TEMUAN
package=saeHB.hnb. I-TEMUAN
Evaluasi O
dilakukan O
pada O
model O
dan O
package O
yang O
dibangun O
dengan O
menggunakan O
uji B-METODE
validitas I-METODE
dan O
SUS. B-METODE
Package O
yang O
dibangun O
telah O
diterapkan O
pada O
data O
Angka O
Kematian O
Bayi O
pada O
level O
kabupaten O
/ O
kota O
di O
Pulau O
Jawa. O
Kata O
Kunci— O
Small O
area O
estimation O
, O
bayes O
berhierarki O
, O
hurdle O
negative O
binomial O
, O
excess O
zero O
, O
R O
package O
[SEP] O
Berdasarkan O
uraian O
hasil O
dan O
pembahasan O
, O
pengembangan B-TEMUAN
model I-TEMUAN
Hurdle I-TEMUAN
Negative I-TEMUAN
Binomial I-TEMUAN
pada I-TEMUAN
Small I-TEMUAN
Area I-TEMUAN
Estimation I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
Bayes I-TEMUAN
Berhierarki I-TEMUAN
berhasil I-TEMUAN
dilakukan I-TEMUAN
dengan I-TEMUAN
menambahkan I-TEMUAN
random I-TEMUAN
effect I-TEMUAN
area I-TEMUAN
pada I-TEMUAN
model I-TEMUAN
regresi I-TEMUAN
dasar. I-TEMUAN
R I-TEMUAN
Package I-TEMUAN
untuk I-TEMUAN
model I-TEMUAN
Hurdle I-TEMUAN
Negative I-TEMUAN
Binomial I-TEMUAN
pada I-TEMUAN
Small I-TEMUAN
Area I-TEMUAN
Estimation I-TEMUAN
( I-TEMUAN
SAE I-TEMUAN
) I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
Bayes I-TEMUAN
Berhierarki I-TEMUAN
berhasil I-TEMUAN
dikembangkan I-TEMUAN
dengan I-TEMUAN
nama I-TEMUAN
‘saeHB.hnb’. I-TEMUAN
Package O
berhasil O
dipublikasikan O
di O
The O
Comprehensive O
R O
Archive O
Network O
( O
CRAN O
) O
dan O
dapat O
diakses O
melalui O
link O
berikut O
: O
https O
: O
/ O
/ O
CRAN.R-project.org O
/ O
package=saeHB.hnb. O
7 O
/ O
8 O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
D. O
C. O
Arisona O
, O
“Kajian O
Pendugaan O
Area O
Kecil O
Pada O
Data O
Overdispersi O
Menggunakan O
Regresi O
Zero-Inflated O
Poisson O
, O
” O
Bogor O
, O
2018. O
N. O
Istiana O
, O
“Small O
Area O
Estimation O
With O
Excess O
Zero O
( O
Studi O
Kasus O
: O
Angka O
Kematian O
Bayi O
Di O
Pulau O
Jawa O
) O
, O
” O
Jurnal O
Aplikasi O
Statistika O
& O
Komputasi O
Statistik O
, O
vol. O
13 O
, O
no. O
1 O
, O
pp. O
25–34 O
, O
2021. O
A. O
Andika O
, O
S. O
Abdullah O
, O
and O
S. O
Nurrohmah O
, O
“Hurdle O
Negative O
Binomial O
Regression O
Model O
, O
” O
in O
Proceeding O
of O
ICSA O
2019 O
, O
2019 O
, O
pp. O
57–68. O
A. O
Khan O
, O
S. O
Ullah O
, O
and O
J. O
Nitz O
, O
“Statistical O
modelling O
of O
falls O
count O
data O
with O
excess O
zeros O
, O
” O
Injury O
Prevention O
, O
vol. O
17 O
, O
no. O
4 O
, O
pp. O
266–270 O
, O
Aug. O
2011 O
, O
doi O
: O
10.1136 O
/ O
ip.2011.031740. O
[ O
14 O
] O
M. O
Trevisani O
and O
N. O
Torelli O
, O
“A O
Comparison O
of O
Hierarchical O
[ O
15 O
] O
[ O
16 O
] O
[ O
17 O
] O
[ O
18 O
] O
[ O
19 O
] O
[ O
20 O
] O
[ O
21 O
] O
[ O
22 O
] O
Bayesian O
Models O
for O
Small O
Area O
Estimation O
of O
Counts O
, O
” O
Open O
Journal O
of O
Statistics O
, O
vol. O
07 O
, O
no. O
03 O
, O
pp. O
521–550 O
, O
2017 O
, O
doi O
: O
10.4236 O
/ O
ojs.2017.73036. O
J. O
N. O
K. O
Rao O
, O
“Some O
New O
Developments O
in O
Small O
Area O
Estimation O
, O
” O
2003. O
A. O
Ubaidillah O
, O
“Small O
Area O
Estimation O
Dengan O
Pendekatan O
Hierarchical O
Bayesian O
Neural O
Network O
untuk O
Pemetaan O
Kemiskinan O
di O
Kota O
Jambi O
, O
” O
Institut O
Teknologi O
Sepuluh O
November O
, O
Surabaya O
, O
2014. O
[ O
Online O
] O
. O
Available O
: O
https O
: O
/ O
/ O
www.researchgate.net O
/ O
publication O
/ O
340172483 O
H. O
Arini O
, O
D. O
Komalasari O
, O
and O
N. O
Fitriyani O
, O
“Small O
Area O
Estimation O
dengan O
Metode O
Hierarchical O
Bayes O
pada O
Proporsi O
Destinasi O
Objek O
Wisata O
Halal O
Kabupaten O
Lombok O
Barat O
, O
” O
Eigen O
Mathematics O
Journal O
, O
vol. O
1 O
, O
no. O
2 O
, O
pp. O
17–22 O
, O
2018 O
, O
[ O
Online O
] O
. O
Available O
: O
http O
: O
/ O
/ O
eigen.unram.ac.id O
N. O
Bhaktha O
, O
“Properties O
of O
Hurdle O
Negative O
Binomial O
Models O
for O
Zero-Inflated O
and O
Overdispersed O
Count O
data O
, O
” O
The O
Ohio O
State O
University O
, O
Ohio O
, O
2018. O
I. O
Ntzoufras O
, O
Bayesian O
Modeling O
Using O
WinBUGS. O
New O
Jersey O
: O
John O
Wiley O
& O
Sons O
, O
Inc O
, O
2009. O
V. O
K. O
Vaishnavi O
, O
Design O
Science O
Research O
Methods O
and O
Patterns. O
Auerbach O
Publications O
, O
2007. O
doi O
: O
10.1201 O
/ O
9781420059335. O
B. O
Hartono O
, O
A. O
Kurnia O
, O
and O
Indahwati O
, O
“Zero O
Inflated O
Binomial O
Models O
in O
Small O
Area O
Estimation O
with O
Application O
to O
Unemployment O
Data O
in O
Indonesia O
, O
” O
IJCSN- O
International O
Journal O
of O
Computer O
Science O
and O
Network O
, O
vol. O
6 O
, O
no. O
6 O
, O
2017 O
, O
[ O
Online O
] O
. O
Available O
: O
www.IJCSN.orgImpactFactor:1.5746 O
U. O
Ependi O
, O
T. O
B. O
Kurniawan O
, O
and O
F. O
Panjaitan O
, O
“System O
Usability O
Scale O
vs O
Heuristic O
Evaluation O
: O
A O
Review O
, O
” O
Jurnal O
SIMETRIS O
, O
vol. O
10 O
, O
no. O
1 O
, O
2019. O
Hasil O
uji O
validitas O
R-Package O
menunjukkan O
nilai O
rata-rata O
MSE O
dari O
hasil O
estimasi O
dengan O
model O
Hurdle O
Negative O
Binomial O
pada O
Small O
Area O
Estimation O
menggunakan O
metode O
Bayes O
Berhierarki O
untuk O
data O
simulasi O
cenderung O
lebih O
kecil O
dibandingkan O
dengan O
model O
Negative O
Binomial. O
Hasil O
uji O
SUS O
pada O
package O
menunjukkan O
bahwa O
package O
dapat O
diterima O
dengan O
baik O
oleh O
user. O
Selain O
itu O
, O
package O
yang O
telah O
dibangun O
mampu O
diterapkan O
untuk O
mengestimasi O
data O
studi O
kasus O
, O
yaitu O
Angka O
Kematian O
Bayi O
di O
Pulau O
Jawa O
dan O
menghasilkan O
MSE O
yang O
lebih O
rendah O
dibandingkan O
dengan O
pendugaan O
langsung O
dan O
model O
Negative O
Binomial O
pada O
package O
‘saeHB’. O
Adapun O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
selanjutnya O
adalah O
dengan O
mengembangkan O
model O
Hurdle O
Negative O
Binomial O
lainnya O
untuk O
Small O
Area O
Estimation O
( O
SAE O
) O
, O
seperti O
Unconditional O
Hurdle O
Negative O
Binomial O
, O
Interaction O
Effects O
Hurdle O
Negative O
Binomial O
, O
Extended O
Hurdle O
Negative O
Binomial O
, O
dan O
lain-lain. O
Sementara O
itu O
untuk O
studi O
kasus O
, O
melakukan O
penambahan O
variabel O
penyerta O
lain O
untuk O
melakukan O
estimasi O
Angka O
Kematian O
Bayi O
( O
AKB O
) O
, O
agar O
mendapatkan O
nilai O
estimasi O
yang O
lebih O
baik. O
Beberapa O
saran O
variabel O
penyerta O
antara O
lain O
: O
proporsi O
tenaga O
kesehatan O
, O
jumlah O
rumah O
tangga O
kumuh O
, O
jumlah O
penderita O
gizi O
buruk O
, O
dan O
variabel O
lainnya O
yang O
tersedia O
pada O
data O
Potensi O
Desa. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O

R O
Package O
Model O
Hurdle O
Negative O
Binomial O
pada O
Small O
Area O
Estimation O
dengan O
Menggunakan O
Metode O
Bayes O
Berhierarki O
Studi O
Kasus O
: O
Angka O
Kematian O
Bayi O
di O
Pulau O
Jawa O
Raka O
Ikmana O
( O
221810548 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Azka O
Ubaidillah O
, O
SST. O
, O
M.Si. O
Ringkasan— O
Survei O
yang O
memiliki O
ukuran O
sampel O
kecil O
seringkali O
menghasilkan O
estimasi O
parameter O
yang O
kurang O
presisi. O
Teknik O
Small O
Area O
Estimation O
( O
SAE O
) O
digunakan O
untuk O
mengatasi O
masalah O
tersebut. O
Model O
umum O
yang O
digunakan O
dalam O
SAE O
adalah O
model O
Fay-Herriot O
dengan O
metode O
EBLUP. O
Namun O
metode O
EBLUP O
didesain O
untuk O
data O
kontinu O
berdistribusi O
Normal O
, O
sedangkan O
beberapa O
variabel O
pada O
survei O
berupa O
data O
diskrit O
, O
seperti O
data O
count. O
Pemodelan O
data O
count O
seringkali O
mengalami O
permasalahan O
overdispersi O
dan O
excess O
zero O
, O
sehingga O
model O
yang O
tepat O
adalah O
model O
Hurdle O
Negative O
Binomial. O
Pemodelan O
data O
tak O
normal O
pada O
SAE O
, O
seperti O
model O
Hurdle O
Negative O
Binomial O
, O
dapat O
dilakukan O
menggunakan O
metode O
Bayes O
Berhierarki O
karena O
mampu O
mengatasi O
model O
yang O
sangat O
kompleks. O
Penelitian O
ini O
mengkaji B-TUJUAN
dan I-TUJUAN
mengembangkan I-TUJUAN
model I-TUJUAN
tersebut I-TUJUAN
kemudian I-TUJUAN
mengimplementasikannya I-TUJUAN
ke I-TUJUAN
dalam I-TUJUAN
sebuah I-TUJUAN
R I-TUJUAN
Package. I-TUJUAN
R B-TEMUAN
package I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
diberi I-TEMUAN
nama I-TEMUAN
‘saeHB.hnb’ I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diakses I-TEMUAN
melalui I-TEMUAN
https I-TEMUAN
: I-TEMUAN
/ I-TEMUAN
/ I-TEMUAN
cran.r-project.org I-TEMUAN
/ I-TEMUAN
package=saeHB.hnb. I-TEMUAN
Evaluasi O
dilakukan O
pada O
model O
dan O
package O
yang O
dibangun O
dengan O
menggunakan O
uji B-METODE
validitas I-METODE
dan O
SUS. B-METODE
Package O
yang O
dibangun O
telah O
diterapkan O
pada O
data O
Angka O
Kematian O
Bayi O
pada O
level O
kabupaten O
/ O
kota O
di O
Pulau O
Jawa. O
Kata O
Kunci— O
Small O
area O
estimation O
, O
bayes O
berhierarki O
, O
hurdle O
negative O
binomial O
, O
excess O
zero O
, O
R O
package O
[SEP] O
Berdasarkan O
uraian O
hasil O
dan O
pembahasan O
, O
pengembangan B-TEMUAN
model I-TEMUAN
Hurdle I-TEMUAN
Negative I-TEMUAN
Binomial I-TEMUAN
pada I-TEMUAN
Small I-TEMUAN
Area I-TEMUAN
Estimation I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
Bayes I-TEMUAN
Berhierarki I-TEMUAN
berhasil I-TEMUAN
dilakukan I-TEMUAN
dengan I-TEMUAN
menambahkan I-TEMUAN
random I-TEMUAN
effect I-TEMUAN
area I-TEMUAN
pada I-TEMUAN
model I-TEMUAN
regresi I-TEMUAN
dasar. I-TEMUAN
R I-TEMUAN
Package I-TEMUAN
untuk I-TEMUAN
model I-TEMUAN
Hurdle I-TEMUAN
Negative I-TEMUAN
Binomial I-TEMUAN
pada I-TEMUAN
Small I-TEMUAN
Area I-TEMUAN
Estimation I-TEMUAN
( I-TEMUAN
SAE I-TEMUAN
) I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
Bayes I-TEMUAN
Berhierarki I-TEMUAN
berhasil I-TEMUAN
dikembangkan I-TEMUAN
dengan I-TEMUAN
nama I-TEMUAN
‘saeHB.hnb’. I-TEMUAN
Package O
berhasil O
dipublikasikan O
di O
The O
Comprehensive O
R O
Archive O
Network O
( O
CRAN O
) O
dan O
dapat O
diakses O
melalui O
link O
berikut O
: O
https O
: O
/ O
/ O
CRAN.R-project.org O
/ O
package=saeHB.hnb. O
7 O
/ O
8 O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
D. O
C. O
Arisona O
, O
“Kajian O
Pendugaan O
Area O
Kecil O
Pada O
Data O
Overdispersi O
Menggunakan O
Regresi O
Zero-Inflated O
Poisson O
, O
” O
Bogor O
, O
2018. O
N. O
Istiana O
, O
“Small O
Area O
Estimation O
With O
Excess O
Zero O
( O
Studi O
Kasus O
: O
Angka O
Kematian O
Bayi O
Di O
Pulau O
Jawa O
) O
, O
” O
Jurnal O
Aplikasi O
Statistika O
& O
Komputasi O
Statistik O
, O
vol. O
13 O
, O
no. O
1 O
, O
pp. O
25–34 O
, O
2021. O
A. O
Andika O
, O
S. O
Abdullah O
, O
and O
S. O
Nurrohmah O
, O
“Hurdle O
Negative O
Binomial O
Regression O
Model O
, O
” O
in O
Proceeding O
of O
ICSA O
2019 O
, O
2019 O
, O
pp. O
57–68. O
A. O
Khan O
, O
S. O
Ullah O
, O
and O
J. O
Nitz O
, O
“Statistical O
modelling O
of O
falls O
count O
data O
with O
excess O
zeros O
, O
” O
Injury O
Prevention O
, O
vol. O
17 O
, O
no. O
4 O
, O
pp. O
266–270 O
, O
Aug. O
2011 O
, O
doi O
: O
10.1136 O
/ O
ip.2011.031740. O
[ O
14 O
] O
M. O
Trevisani O
and O
N. O
Torelli O
, O
“A O
Comparison O
of O
Hierarchical O
[ O
15 O
] O
[ O
16 O
] O
[ O
17 O
] O
[ O
18 O
] O
[ O
19 O
] O
[ O
20 O
] O
[ O
21 O
] O
[ O
22 O
] O
Bayesian O
Models O
for O
Small O
Area O
Estimation O
of O
Counts O
, O
” O
Open O
Journal O
of O
Statistics O
, O
vol. O
07 O
, O
no. O
03 O
, O
pp. O
521–550 O
, O
2017 O
, O
doi O
: O
10.4236 O
/ O
ojs.2017.73036. O
J. O
N. O
K. O
Rao O
, O
“Some O
New O
Developments O
in O
Small O
Area O
Estimation O
, O
” O
2003. O
A. O
Ubaidillah O
, O
“Small O
Area O
Estimation O
Dengan O
Pendekatan O
Hierarchical O
Bayesian O
Neural O
Network O
untuk O
Pemetaan O
Kemiskinan O
di O
Kota O
Jambi O
, O
” O
Institut O
Teknologi O
Sepuluh O
November O
, O
Surabaya O
, O
2014. O
[ O
Online O
] O
. O
Available O
: O
https O
: O
/ O
/ O
www.researchgate.net O
/ O
publication O
/ O
340172483 O
H. O
Arini O
, O
D. O
Komalasari O
, O
and O
N. O
Fitriyani O
, O
“Small O
Area O
Estimation O
dengan O
Metode O
Hierarchical O
Bayes O
pada O
Proporsi O
Destinasi O
Objek O
Wisata O
Halal O
Kabupaten O
Lombok O
Barat O
, O
” O
Eigen O
Mathematics O
Journal O
, O
vol. O
1 O
, O
no. O
2 O
, O
pp. O
17–22 O
, O
2018 O
, O
[ O
Online O
] O
. O
Available O
: O
http O
: O
/ O
/ O
eigen.unram.ac.id O
N. O
Bhaktha O
, O
“Properties O
of O
Hurdle O
Negative O
Binomial O
Models O
for O
Zero-Inflated O
and O
Overdispersed O
Count O
data O
, O
” O
The O
Ohio O
State O
University O
, O
Ohio O
, O
2018. O
I. O
Ntzoufras O
, O
Bayesian O
Modeling O
Using O
WinBUGS. O
New O
Jersey O
: O
John O
Wiley O
& O
Sons O
, O
Inc O
, O
2009. O
V. O
K. O
Vaishnavi O
, O
Design O
Science O
Research O
Methods O
and O
Patterns. O
Auerbach O
Publications O
, O
2007. O
doi O
: O
10.1201 O
/ O
9781420059335. O
B. O
Hartono O
, O
A. O
Kurnia O
, O
and O
Indahwati O
, O
“Zero O
Inflated O
Binomial O
Models O
in O
Small O
Area O
Estimation O
with O
Application O
to O
Unemployment O
Data O
in O
Indonesia O
, O
” O
IJCSN- O
International O
Journal O
of O
Computer O
Science O
and O
Network O
, O
vol. O
6 O
, O
no. O
6 O
, O
2017 O
, O
[ O
Online O
] O
. O
Available O
: O
www.IJCSN.orgImpactFactor:1.5746 O
U. O
Ependi O
, O
T. O
B. O
Kurniawan O
, O
and O
F. O
Panjaitan O
, O
“System O
Usability O
Scale O
vs O
Heuristic O
Evaluation O
: O
A O
Review O
, O
” O
Jurnal O
SIMETRIS O
, O
vol. O
10 O
, O
no. O
1 O
, O
2019. O
Hasil O
uji O
validitas O
R-Package O
menunjukkan O
nilai O
rata-rata O
MSE O
dari O
hasil O
estimasi O
dengan O
model O
Hurdle O
Negative O
Binomial O
pada O
Small O
Area O
Estimation O
menggunakan O
metode O
Bayes O
Berhierarki O
untuk O
data O
simulasi O
cenderung O
lebih O
kecil O
dibandingkan O
dengan O
model O
Negative O
Binomial. O
Hasil O
uji O
SUS O
pada O
package O
menunjukkan O
bahwa O
package O
dapat O
diterima O
dengan O
baik O
oleh O
user. O
Selain O
itu O
, O
package O
yang O
telah O
dibangun O
mampu O
diterapkan O
untuk O
mengestimasi O
data O
studi O
kasus O
, O
yaitu O
Angka O
Kematian O
Bayi O
di O
Pulau O
Jawa O
dan O
menghasilkan O
MSE O
yang O
lebih O
rendah O
dibandingkan O
dengan O
pendugaan O
langsung O
dan O
model O
Negative O
Binomial O
pada O
package O
‘saeHB’. O
Adapun O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
selanjutnya O
adalah O
dengan O
mengembangkan O
model O
Hurdle O
Negative O
Binomial O
lainnya O
untuk O
Small O
Area O
Estimation O
( O
SAE O
) O
, O
seperti O
Unconditional O
Hurdle O
Negative O
Binomial O
, O
Interaction O
Effects O
Hurdle O
Negative O
Binomial O
, O
Extended O
Hurdle O
Negative O
Binomial O
, O
dan O
lain-lain. O
Sementara O
itu O
untuk O
studi O
kasus O
, O
melakukan O
penambahan O
variabel O
penyerta O
lain O
untuk O
melakukan O
estimasi O
Angka O
Kematian O
Bayi O
( O
AKB O
) O
, O
agar O
mendapatkan O
nilai O
estimasi O
yang O
lebih O
baik. O
Beberapa O
saran O
variabel O
penyerta O
antara O
lain O
: O
proporsi O
tenaga O
kesehatan O
, O
jumlah O
rumah O
tangga O
kumuh O
, O
jumlah O
penderita O
gizi O
buruk O
, O
dan O
variabel O
lainnya O
yang O
tersedia O
pada O
data O
Potensi O
Desa. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O

Sistem O
Informasi O
Survei O
Kepuasan O
Internal O
Kinerja O
Perangkat O
Daerah O
Berbasis O
Web O
di O
Lingkungan O
Pemerintah O
Kabupaten O
Tuban O
Raka O
Artian O
Prawardana O
( O
221810547 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Rindang O
Bangun O
Prasetyo O
, O
S.S.T. O
, O
M.Si. O
tersebut O
saat O
Ringkasan—Badan O
Perencanaan O
Pembangunan O
Daerah O
, O
Penelitian O
dan O
Pengembangan O
( O
Bappeda O
Litbang O
) O
mendapatkan O
tanggung O
jawab O
untuk O
melaksanaan O
Survei O
Kepuasan O
Internal O
Kinerja O
Perangkat O
Daerah O
di O
Lingkungan O
Pemerintah O
Kabupaten O
Tuban. O
Kegiatan O
survei O
ini O
menggunakan O
Googleform O
sebagai O
media O
pengumpulan O
data O
dan O
Microsoft O
Excel O
sebagai O
media O
pengolahan O
data. O
Penggunaan O
Googleform O
tidak O
memiliki O
fitur O
monitoring O
yang O
dapat O
dikontrol O
secara O
penuh. O
Penggunaan O
Microsoft O
Excel O
tidak O
dapat O
menampilkan O
terintegrasi. O
Proses O
data O
dashboard O
secara O
realtime O
dan O
pengolahan O
sebelumnya O
mengharuskan O
pengguna O
untuk O
melakukan O
export O
data O
dari O
Googleform O
lalu O
import O
data O
ke O
Microsoft O
Excel O
, O
sehingga O
kurang O
efektif O
dan O
efisien. O
Oleh O
karena O
itu O
informasi O
akan O
dikembangkan O
agar O
dapat O
mengumpulkan O
data O
, O
melakukan O
monitoring O
, O
dan O
menyajikan O
hasil O
secara O
terintegrasi. O
Sistem O
Informasi O
Survei O
Kepuasan O
Internal O
ini O
dikembangkan O
dengan O
pemrograman O
berbasis O
web O
yang O
menggunakan O
bahasa O
PHP O
dan O
database O
MySQL. O
Pengembangan O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
dengan I-METODE
pendekatan I-METODE
waterfall. I-METODE
ini O
dapat O
membantu O
Badan O
Diharapkan O
sistem O
Perencanaan O
dan O
Pengembangan O
( O
Bappeda O
Litbang O
) O
Kabupaten O
Tuban O
dalam O
pelaksanaan O
Survei O
Kepuasan O
Internal O
Kinerja O
Perangkat O
Daerah O
di O
Lingkungan O
Pemerintah O
Kabupaten O
Tuban O
dalam O
proses O
pengumpulan O
data O
, O
monitoring O
, O
dan O
penyajian O
hasil O
yang O
terintegrasi. O
informasi O
Pembangunan O
informasi O
menggunakan O
Penelitian O
Daerah O
, O
sistem O
sistem O
Kata O
Kunci— O
Pengembangan O
, O
Survei O
, O
Kinerja O
, O
Bappeda O
Litbang O
, O
Web O
[SEP] O
b. O
Pengembangan O
a. O
Pengembangan B-TUJUAN
sistem I-TUJUAN
aplikasi I-TUJUAN
siskip I-TUJUAN
Tuban I-TUJUAN
telah O
diselesaikan O
dengan O
baik. O
Sistem B-TEMUAN
ini I-TEMUAN
lebih I-TEMUAN
efektif I-TEMUAN
dan I-TEMUAN
efisien I-TEMUAN
daripada I-TEMUAN
sistem I-TEMUAN
sebelumnya. I-TEMUAN
aplikasi O
siskip O
menggunakan O
database O
dan O
server O
dan O
sudah O
dapat O
diakses O
melalui O
internet O
sehingga O
informasi O
pada O
aplikasi O
ini O
telah O
terintegrasi O
dengan O
baik. O
sistem O
c. O
Pada O
pengujian B-METODE
black I-METODE
box I-METODE
, O
fitur-fitur B-TEMUAN
telah I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
semestinya. I-TEMUAN
d. O
Berdasarkan O
hasil O
kuesioner B-METODE
SUS I-METODE
, O
Sistem B-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dikembangkan I-TEMUAN
mendapat I-TEMUAN
tingkat I-TEMUAN
kepuasan I-TEMUAN
pengguna I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
sangat I-TEMUAN
baik. I-TEMUAN
2. O
Saran O
a. O
Instrumen O
survei O
yang O
digunakan O
dan O
dibuat O
khusus O
untuk O
Pemerintah O
Kabupaten O
Tuban. O
Alangkah O
lebih O
baiknya O
ada O
pembuatan O
instrumen O
khusus O
yang O
dapat O
digunakan O
untuk O
seluruh O
wilayah O
di O
Indonesia O
agar O
kedepannya O
data O
hasil O
survei O
dapat O
dibandingkan O
antar O
wilayah. O
b. O
Perlu O
penambahan O
fitur O
grafik O
line O
chart O
pada O
survei O
yang O
telah O
selesai O
untuk O
membandingkan O
indeks O
kepuasan O
internal O
dari O
tahun O
ke O
tahun. O

Sistem O
Informasi O
Survei O
Kepuasan O
Internal O
Kinerja O
Perangkat O
Daerah O
Berbasis O
Web O
di O
Lingkungan O
Pemerintah O
Kabupaten O
Tuban O
Raka O
Artian O
Prawardana O
( O
221810547 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Rindang O
Bangun O
Prasetyo O
, O
S.S.T. O
, O
M.Si. O
tersebut O
saat O
Ringkasan—Badan O
Perencanaan O
Pembangunan O
Daerah O
, O
Penelitian O
dan O
Pengembangan O
( O
Bappeda O
Litbang O
) O
mendapatkan O
tanggung O
jawab O
untuk O
melaksanaan O
Survei O
Kepuasan O
Internal O
Kinerja O
Perangkat O
Daerah O
di O
Lingkungan O
Pemerintah O
Kabupaten O
Tuban. O
Kegiatan O
survei O
ini O
menggunakan O
Googleform O
sebagai O
media O
pengumpulan O
data O
dan O
Microsoft O
Excel O
sebagai O
media O
pengolahan O
data. O
Penggunaan O
Googleform O
tidak O
memiliki O
fitur O
monitoring O
yang O
dapat O
dikontrol O
secara O
penuh. O
Penggunaan O
Microsoft O
Excel O
tidak O
dapat O
menampilkan O
terintegrasi. O
Proses O
data O
dashboard O
secara O
realtime O
dan O
pengolahan O
sebelumnya O
mengharuskan O
pengguna O
untuk O
melakukan O
export O
data O
dari O
Googleform O
lalu O
import O
data O
ke O
Microsoft O
Excel O
, O
sehingga O
kurang O
efektif O
dan O
efisien. O
Oleh O
karena O
itu O
informasi O
akan O
dikembangkan O
agar O
dapat O
mengumpulkan O
data O
, O
melakukan O
monitoring O
, O
dan O
menyajikan O
hasil O
secara O
terintegrasi. O
Sistem O
Informasi O
Survei O
Kepuasan O
Internal O
ini O
dikembangkan O
dengan O
pemrograman O
berbasis O
web O
yang O
menggunakan O
bahasa O
PHP O
dan O
database O
MySQL. O
Pengembangan O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
dengan I-METODE
pendekatan I-METODE
waterfall. I-METODE
ini O
dapat O
membantu O
Badan O
Diharapkan O
sistem O
Perencanaan O
dan O
Pengembangan O
( O
Bappeda O
Litbang O
) O
Kabupaten O
Tuban O
dalam O
pelaksanaan O
Survei O
Kepuasan O
Internal O
Kinerja O
Perangkat O
Daerah O
di O
Lingkungan O
Pemerintah O
Kabupaten O
Tuban O
dalam O
proses O
pengumpulan O
data O
, O
monitoring O
, O
dan O
penyajian O
hasil O
yang O
terintegrasi. O
informasi O
Pembangunan O
informasi O
menggunakan O
Penelitian O
Daerah O
, O
sistem O
sistem O
Kata O
Kunci— O
Pengembangan O
, O
Survei O
, O
Kinerja O
, O
Bappeda O
Litbang O
, O
Web O
[SEP] O
b. O
Pengembangan O
a. O
Pengembangan B-TUJUAN
sistem I-TUJUAN
aplikasi I-TUJUAN
siskip I-TUJUAN
Tuban I-TUJUAN
telah O
diselesaikan O
dengan O
baik. O
Sistem B-TEMUAN
ini I-TEMUAN
lebih I-TEMUAN
efektif I-TEMUAN
dan I-TEMUAN
efisien I-TEMUAN
daripada I-TEMUAN
sistem I-TEMUAN
sebelumnya. I-TEMUAN
aplikasi O
siskip O
menggunakan O
database O
dan O
server O
dan O
sudah O
dapat O
diakses O
melalui O
internet O
sehingga O
informasi O
pada O
aplikasi O
ini O
telah O
terintegrasi O
dengan O
baik. O
sistem O
c. O
Pada O
pengujian B-METODE
black I-METODE
box I-METODE
, O
fitur-fitur B-TEMUAN
telah I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
semestinya. I-TEMUAN
d. O
Berdasarkan O
hasil O
kuesioner B-METODE
SUS I-METODE
, O
Sistem B-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dikembangkan I-TEMUAN
mendapat I-TEMUAN
tingkat I-TEMUAN
kepuasan I-TEMUAN
pengguna I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
sangat I-TEMUAN
baik. I-TEMUAN
2. O
Saran O
a. O
Instrumen O
survei O
yang O
digunakan O
dan O
dibuat O
khusus O
untuk O
Pemerintah O
Kabupaten O
Tuban. O
Alangkah O
lebih O
baiknya O
ada O
pembuatan O
instrumen O
khusus O
yang O
dapat O
digunakan O
untuk O
seluruh O
wilayah O
di O
Indonesia O
agar O
kedepannya O
data O
hasil O
survei O
dapat O
dibandingkan O
antar O
wilayah. O
b. O
Perlu O
penambahan O
fitur O
grafik O
line O
chart O
pada O
survei O
yang O
telah O
selesai O
untuk O
membandingkan O
indeks O
kepuasan O
internal O
dari O
tahun O
ke O
tahun. O

Sistem O
Informasi O
Survei O
Kepuasan O
Internal O
Kinerja O
Perangkat O
Daerah O
Berbasis O
Web O
di O
Lingkungan O
Pemerintah O
Kabupaten O
Tuban O
Raka O
Artian O
Prawardana O
( O
221810547 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Rindang O
Bangun O
Prasetyo O
, O
S.S.T. O
, O
M.Si. O
tersebut O
saat O
Ringkasan—Badan O
Perencanaan O
Pembangunan O
Daerah O
, O
Penelitian O
dan O
Pengembangan O
( O
Bappeda O
Litbang O
) O
mendapatkan O
tanggung O
jawab O
untuk O
melaksanaan O
Survei O
Kepuasan O
Internal O
Kinerja O
Perangkat O
Daerah O
di O
Lingkungan O
Pemerintah O
Kabupaten O
Tuban. O
Kegiatan O
survei O
ini O
menggunakan O
Googleform O
sebagai O
media O
pengumpulan O
data O
dan O
Microsoft O
Excel O
sebagai O
media O
pengolahan O
data. O
Penggunaan O
Googleform O
tidak O
memiliki O
fitur O
monitoring O
yang O
dapat O
dikontrol O
secara O
penuh. O
Penggunaan O
Microsoft O
Excel O
tidak O
dapat O
menampilkan O
terintegrasi. O
Proses O
data O
dashboard O
secara O
realtime O
dan O
pengolahan O
sebelumnya O
mengharuskan O
pengguna O
untuk O
melakukan O
export O
data O
dari O
Googleform O
lalu O
import O
data O
ke O
Microsoft O
Excel O
, O
sehingga O
kurang O
efektif O
dan O
efisien. O
Oleh O
karena O
itu O
informasi O
akan O
dikembangkan O
agar O
dapat O
mengumpulkan O
data O
, O
melakukan O
monitoring O
, O
dan O
menyajikan O
hasil O
secara O
terintegrasi. O
Sistem O
Informasi O
Survei O
Kepuasan O
Internal O
ini O
dikembangkan O
dengan O
pemrograman O
berbasis O
web O
yang O
menggunakan O
bahasa O
PHP O
dan O
database O
MySQL. O
Pengembangan O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
dengan I-METODE
pendekatan I-METODE
waterfall. I-METODE
ini O
dapat O
membantu O
Badan O
Diharapkan O
sistem O
Perencanaan O
dan O
Pengembangan O
( O
Bappeda O
Litbang O
) O
Kabupaten O
Tuban O
dalam O
pelaksanaan O
Survei O
Kepuasan O
Internal O
Kinerja O
Perangkat O
Daerah O
di O
Lingkungan O
Pemerintah O
Kabupaten O
Tuban O
dalam O
proses O
pengumpulan O
data O
, O
monitoring O
, O
dan O
penyajian O
hasil O
yang O
terintegrasi. O
informasi O
Pembangunan O
informasi O
menggunakan O
Penelitian O
Daerah O
, O
sistem O
sistem O
Kata O
Kunci— O
Pengembangan O
, O
Survei O
, O
Kinerja O
, O
Bappeda O
Litbang O
, O
Web O
[SEP] O
b. O
Pengembangan O
a. O
Pengembangan B-TUJUAN
sistem I-TUJUAN
aplikasi I-TUJUAN
siskip I-TUJUAN
Tuban I-TUJUAN
telah O
diselesaikan O
dengan O
baik. O
Sistem B-TEMUAN
ini I-TEMUAN
lebih I-TEMUAN
efektif I-TEMUAN
dan I-TEMUAN
efisien I-TEMUAN
daripada I-TEMUAN
sistem I-TEMUAN
sebelumnya. I-TEMUAN
aplikasi O
siskip O
menggunakan O
database O
dan O
server O
dan O
sudah O
dapat O
diakses O
melalui O
internet O
sehingga O
informasi O
pada O
aplikasi O
ini O
telah O
terintegrasi O
dengan O
baik. O
sistem O
c. O
Pada O
pengujian B-METODE
black I-METODE
box I-METODE
, O
fitur-fitur B-TEMUAN
telah I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
semestinya. I-TEMUAN
d. O
Berdasarkan O
hasil O
kuesioner B-METODE
SUS I-METODE
, O
Sistem B-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dikembangkan I-TEMUAN
mendapat I-TEMUAN
tingkat I-TEMUAN
kepuasan I-TEMUAN
pengguna I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
sangat I-TEMUAN
baik. I-TEMUAN
2. O
Saran O
a. O
Instrumen O
survei O
yang O
digunakan O
dan O
dibuat O
khusus O
untuk O
Pemerintah O
Kabupaten O
Tuban. O
Alangkah O
lebih O
baiknya O
ada O
pembuatan O
instrumen O
khusus O
yang O
dapat O
digunakan O
untuk O
seluruh O
wilayah O
di O
Indonesia O
agar O
kedepannya O
data O
hasil O
survei O
dapat O
dibandingkan O
antar O
wilayah. O
b. O
Perlu O
penambahan O
fitur O
grafik O
line O
chart O
pada O
survei O
yang O
telah O
selesai O
untuk O
membandingkan O
indeks O
kepuasan O
internal O
dari O
tahun O
ke O
tahun. O

Model O
Support O
Vector O
Machine O
untuk O
Prediksi O
Rekomendasi O
Kode O
KBLI O
2020 O
Rafly O
Amanatulla O
( O
221810540 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A. O
Ringkasan— O
BPS O
merupakan O
lembaga O
pemerintah O
non O
kementrian O
yang O
melakukan O
kegiatan O
sensus O
dan O
survei O
dalam O
memenuhi O
kebutuhan O
data O
bagi O
pemerintah O
, O
masyarakat O
maupun O
swasta. O
Salah O
satu O
survei O
yang O
dilakukan O
oleh O
BPS O
yaitu O
Survei O
Angkatan O
Kerja O
Nasional O
( O
Sakernas O
) O
. O
Pada O
Sakernas O
petugas O
pengumpulan O
data O
terdiri O
dari O
pengawas O
/ O
kortim O
dan O
pencacah. O
Salah O
satu O
tugas O
pengawas O
yaitu O
mengisi O
kuesioner O
yang O
sudah O
diberikan O
tanda O
diisi O
oleh O
petugas O
pada O
kuesioner O
Sakernas O
salah O
satunya O
yaitu O
mengisi O
kode O
KBLI. O
BPS O
sudah O
meluncurkan O
aplikasi O
Sibaku O
Mobile O
untuk O
membantu O
pengawas O
dalam O
mengisi O
kode O
KBLI O
, O
namun O
Sibaku O
Mobile O
belum O
dapat O
mengidentifikasi O
kode O
KBLI O
secara O
spesifik O
, O
Sibaku O
Mobile O
memberikan O
rekomendasi O
dengan O
mencocokan O
kata O
kunci O
yang O
dimasukan O
dengan O
deskripsi O
dari O
klasifikasi O
kode O
KBLI O
sehingga O
terdapat O
kelemahan O
pada O
metode O
yang O
digunakan O
Sibaku O
Mobile O
jika O
kata O
kunci O
yang O
dimasukan O
tidak O
ada O
yang O
cocok. O
Penelitian O
ini O
mengembangkan B-TUJUAN
model I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
memberikan I-TUJUAN
rekomendasi I-TUJUAN
kode I-TUJUAN
KBLI I-TUJUAN
2020 I-TUJUAN
secara I-TUJUAN
spesifik I-TUJUAN
menggunakan I-TUJUAN
algoritma I-TUJUAN
Support I-TUJUAN
Vector I-TUJUAN
Machine I-TUJUAN
( I-TUJUAN
SVM I-TUJUAN
) I-TUJUAN
yang I-TUJUAN
diimplementasikan I-TUJUAN
ke I-TUJUAN
dalam I-TUJUAN
Natural I-TUJUAN
Language I-TUJUAN
Processing I-TUJUAN
( I-TUJUAN
NLP I-TUJUAN
) I-TUJUAN
yang I-TUJUAN
diharapkan I-TUJUAN
dapat I-TUJUAN
membantu I-TUJUAN
pengawas I-TUJUAN
dalam I-TUJUAN
memberi I-TUJUAN
kode I-TUJUAN
KBLI I-TUJUAN
dan I-TUJUAN
meminimalisir I-TUJUAN
kesalahan I-TUJUAN
dalam I-TUJUAN
pemberian I-TUJUAN
kode I-TUJUAN
KBLI I-TUJUAN
pada I-TUJUAN
kuesioner I-TUJUAN
Sakernas. I-TUJUAN
Kata O
Kunci— O
KBLI O
, O
SVM O
, O
Lapangan O
Usaha O
, O
NLP O
[SEP] O
Berdasarkan O
hasil O
dari O
pembahasan O
, O
didapatkan O
kesimpulan O
sebagai O
berikut. O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
1. O
Telah B-TEMUAN
didapatkan I-TEMUAN
model I-TEMUAN
klasifikasi I-TEMUAN
dengan I-TEMUAN
algoritma I-TEMUAN
Linear I-TEMUAN
support I-TEMUAN
vector I-TEMUAN
classification I-TEMUAN
( I-TEMUAN
LSCV I-TEMUAN
) I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
untuk I-TEMUAN
memprediksi I-TEMUAN
kode I-TEMUAN
KBLI I-TEMUAN
berdasarkan I-TEMUAN
tiga I-TEMUAN
pertanyaan I-TEMUAN
terbuka I-TEMUAN
yang I-TEMUAN
terdapat I-TEMUAN
pada I-TEMUAN
kuesioner I-TEMUAN
sakernas I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
f1 I-TEMUAN
micro I-TEMUAN
0,61. I-TEMUAN
2. O
Telah O
dikembangkan O
aplikasi O
berbasis O
GUI O
yang O
yang O
dapat O
dikembangkan O
sehingga O
mudah O
untuk O
memanfaatkan O
model O
klasifikasi O
untuk O
mencari O
rekomendasi O
kode O
KBLI O
berdasarkan O
deskripsi O
lapangan O
usaha. O
Terdapat O
beberapa O
saran O
untuk O
penelitian O
selanjutnya O
yaitu O
sebagai O
berikut. O
mengimplementasikan O
model O
1. O
Untuk O
penelitian O
selanjutnya O
disarankan O
untuk O
menggunakan O
datasets O
yang O
sudah O
dilakukan O
koreksi O
atau O
validasi O
kode O
KBLI. O
Sehingga O
memudahkan O
proses O
preprocessing O
, O
selain O
itu O
data O
training O
yang O
berkualitas O
dapat O
meningkatkan O
performa O
dari O
model O
yang O
dibangun. O
2. O
Pada O
penelitian O
yang O
dilakukan O
hanya O
berfokus O
pada O
tujuan O
untuk O
membantu O
petugas O
di O
lapangan O
dalam O
mengisi O
kode O
KBLI O
berdasarkan O
pertanyaan O
terbuka O
kuesioner O
sakernas O
, O
disarankan O
pada O
penelitian O
selanjutnya O
dikembangkan O
lebih O
jauh O
lagi O
sehingga O
dapat O
membantu O
petugas O
koding O
dalam O
memvalidasi O
kode O
KBLI O
yang O
diisi O
oleh O
petugas. O
3. O
Akurasi O
yang O
didapatkan O
pada O
penelitian O
yang O
dilakukan O
masih O
belum O
cukup O
untuk O
diterapkan O
di O
lapangan O
sehingga O
pada O
penelitian O
selanjutnya O
dikembangkan O
lagi O
model O
yang O
dapat O
memberikan O
akurasi O
yang O
lebih O
baik. O

Model O
Support O
Vector O
Machine O
untuk O
Prediksi O
Rekomendasi O
Kode O
KBLI O
2020 O
Rafly O
Amanatulla O
( O
221810540 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A. O
Ringkasan— O
BPS O
merupakan O
lembaga O
pemerintah O
non O
kementrian O
yang O
melakukan O
kegiatan O
sensus O
dan O
survei O
dalam O
memenuhi O
kebutuhan O
data O
bagi O
pemerintah O
, O
masyarakat O
maupun O
swasta. O
Salah O
satu O
survei O
yang O
dilakukan O
oleh O
BPS O
yaitu O
Survei O
Angkatan O
Kerja O
Nasional O
( O
Sakernas O
) O
. O
Pada O
Sakernas O
petugas O
pengumpulan O
data O
terdiri O
dari O
pengawas O
/ O
kortim O
dan O
pencacah. O
Salah O
satu O
tugas O
pengawas O
yaitu O
mengisi O
kuesioner O
yang O
sudah O
diberikan O
tanda O
diisi O
oleh O
petugas O
pada O
kuesioner O
Sakernas O
salah O
satunya O
yaitu O
mengisi O
kode O
KBLI. O
BPS O
sudah O
meluncurkan O
aplikasi O
Sibaku O
Mobile O
untuk O
membantu O
pengawas O
dalam O
mengisi O
kode O
KBLI O
, O
namun O
Sibaku O
Mobile O
belum O
dapat O
mengidentifikasi O
kode O
KBLI O
secara O
spesifik O
, O
Sibaku O
Mobile O
memberikan O
rekomendasi O
dengan O
mencocokan O
kata O
kunci O
yang O
dimasukan O
dengan O
deskripsi O
dari O
klasifikasi O
kode O
KBLI O
sehingga O
terdapat O
kelemahan O
pada O
metode O
yang O
digunakan O
Sibaku O
Mobile O
jika O
kata O
kunci O
yang O
dimasukan O
tidak O
ada O
yang O
cocok. O
Penelitian O
ini O
mengembangkan B-TUJUAN
model I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
memberikan I-TUJUAN
rekomendasi I-TUJUAN
kode I-TUJUAN
KBLI I-TUJUAN
2020 I-TUJUAN
secara I-TUJUAN
spesifik I-TUJUAN
menggunakan I-TUJUAN
algoritma I-TUJUAN
Support I-TUJUAN
Vector I-TUJUAN
Machine I-TUJUAN
( I-TUJUAN
SVM I-TUJUAN
) I-TUJUAN
yang I-TUJUAN
diimplementasikan I-TUJUAN
ke I-TUJUAN
dalam I-TUJUAN
Natural I-TUJUAN
Language I-TUJUAN
Processing I-TUJUAN
( I-TUJUAN
NLP I-TUJUAN
) I-TUJUAN
yang I-TUJUAN
diharapkan I-TUJUAN
dapat I-TUJUAN
membantu I-TUJUAN
pengawas I-TUJUAN
dalam I-TUJUAN
memberi I-TUJUAN
kode I-TUJUAN
KBLI I-TUJUAN
dan I-TUJUAN
meminimalisir I-TUJUAN
kesalahan I-TUJUAN
dalam I-TUJUAN
pemberian I-TUJUAN
kode I-TUJUAN
KBLI I-TUJUAN
pada I-TUJUAN
kuesioner I-TUJUAN
Sakernas. I-TUJUAN
Kata O
Kunci— O
KBLI O
, O
SVM O
, O
Lapangan O
Usaha O
, O
NLP O
[SEP] O
Berdasarkan O
hasil O
dari O
pembahasan O
, O
didapatkan O
kesimpulan O
sebagai O
berikut. O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
1. O
Telah B-TEMUAN
didapatkan I-TEMUAN
model I-TEMUAN
klasifikasi I-TEMUAN
dengan I-TEMUAN
algoritma I-TEMUAN
Linear I-TEMUAN
support I-TEMUAN
vector I-TEMUAN
classification I-TEMUAN
( I-TEMUAN
LSCV I-TEMUAN
) I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
untuk I-TEMUAN
memprediksi I-TEMUAN
kode I-TEMUAN
KBLI I-TEMUAN
berdasarkan I-TEMUAN
tiga I-TEMUAN
pertanyaan I-TEMUAN
terbuka I-TEMUAN
yang I-TEMUAN
terdapat I-TEMUAN
pada I-TEMUAN
kuesioner I-TEMUAN
sakernas I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
f1 I-TEMUAN
micro I-TEMUAN
0,61. I-TEMUAN
2. O
Telah O
dikembangkan O
aplikasi O
berbasis O
GUI O
yang O
yang O
dapat O
dikembangkan O
sehingga O
mudah O
untuk O
memanfaatkan O
model O
klasifikasi O
untuk O
mencari O
rekomendasi O
kode O
KBLI O
berdasarkan O
deskripsi O
lapangan O
usaha. O
Terdapat O
beberapa O
saran O
untuk O
penelitian O
selanjutnya O
yaitu O
sebagai O
berikut. O
mengimplementasikan O
model O
1. O
Untuk O
penelitian O
selanjutnya O
disarankan O
untuk O
menggunakan O
datasets O
yang O
sudah O
dilakukan O
koreksi O
atau O
validasi O
kode O
KBLI. O
Sehingga O
memudahkan O
proses O
preprocessing O
, O
selain O
itu O
data O
training O
yang O
berkualitas O
dapat O
meningkatkan O
performa O
dari O
model O
yang O
dibangun. O
2. O
Pada O
penelitian O
yang O
dilakukan O
hanya O
berfokus O
pada O
tujuan O
untuk O
membantu O
petugas O
di O
lapangan O
dalam O
mengisi O
kode O
KBLI O
berdasarkan O
pertanyaan O
terbuka O
kuesioner O
sakernas O
, O
disarankan O
pada O
penelitian O
selanjutnya O
dikembangkan O
lebih O
jauh O
lagi O
sehingga O
dapat O
membantu O
petugas O
koding O
dalam O
memvalidasi O
kode O
KBLI O
yang O
diisi O
oleh O
petugas. O
3. O
Akurasi O
yang O
didapatkan O
pada O
penelitian O
yang O
dilakukan O
masih O
belum O
cukup O
untuk O
diterapkan O
di O
lapangan O
sehingga O
pada O
penelitian O
selanjutnya O
dikembangkan O
lagi O
model O
yang O
dapat O
memberikan O
akurasi O
yang O
lebih O
baik. O

Model O
Support O
Vector O
Machine O
untuk O
Prediksi O
Rekomendasi O
Kode O
KBLI O
2020 O
Rafly O
Amanatulla O
( O
221810540 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A. O
Ringkasan— O
BPS O
merupakan O
lembaga O
pemerintah O
non O
kementrian O
yang O
melakukan O
kegiatan O
sensus O
dan O
survei O
dalam O
memenuhi O
kebutuhan O
data O
bagi O
pemerintah O
, O
masyarakat O
maupun O
swasta. O
Salah O
satu O
survei O
yang O
dilakukan O
oleh O
BPS O
yaitu O
Survei O
Angkatan O
Kerja O
Nasional O
( O
Sakernas O
) O
. O
Pada O
Sakernas O
petugas O
pengumpulan O
data O
terdiri O
dari O
pengawas O
/ O
kortim O
dan O
pencacah. O
Salah O
satu O
tugas O
pengawas O
yaitu O
mengisi O
kuesioner O
yang O
sudah O
diberikan O
tanda O
diisi O
oleh O
petugas O
pada O
kuesioner O
Sakernas O
salah O
satunya O
yaitu O
mengisi O
kode O
KBLI. O
BPS O
sudah O
meluncurkan O
aplikasi O
Sibaku O
Mobile O
untuk O
membantu O
pengawas O
dalam O
mengisi O
kode O
KBLI O
, O
namun O
Sibaku O
Mobile O
belum O
dapat O
mengidentifikasi O
kode O
KBLI O
secara O
spesifik O
, O
Sibaku O
Mobile O
memberikan O
rekomendasi O
dengan O
mencocokan O
kata O
kunci O
yang O
dimasukan O
dengan O
deskripsi O
dari O
klasifikasi O
kode O
KBLI O
sehingga O
terdapat O
kelemahan O
pada O
metode O
yang O
digunakan O
Sibaku O
Mobile O
jika O
kata O
kunci O
yang O
dimasukan O
tidak O
ada O
yang O
cocok. O
Penelitian O
ini O
mengembangkan B-TUJUAN
model I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
memberikan I-TUJUAN
rekomendasi I-TUJUAN
kode I-TUJUAN
KBLI I-TUJUAN
2020 I-TUJUAN
secara I-TUJUAN
spesifik I-TUJUAN
menggunakan I-TUJUAN
algoritma I-TUJUAN
Support I-TUJUAN
Vector I-TUJUAN
Machine I-TUJUAN
( I-TUJUAN
SVM I-TUJUAN
) I-TUJUAN
yang I-TUJUAN
diimplementasikan I-TUJUAN
ke I-TUJUAN
dalam I-TUJUAN
Natural I-TUJUAN
Language I-TUJUAN
Processing I-TUJUAN
( I-TUJUAN
NLP I-TUJUAN
) I-TUJUAN
yang I-TUJUAN
diharapkan I-TUJUAN
dapat I-TUJUAN
membantu I-TUJUAN
pengawas I-TUJUAN
dalam I-TUJUAN
memberi I-TUJUAN
kode I-TUJUAN
KBLI I-TUJUAN
dan I-TUJUAN
meminimalisir I-TUJUAN
kesalahan I-TUJUAN
dalam I-TUJUAN
pemberian I-TUJUAN
kode I-TUJUAN
KBLI I-TUJUAN
pada I-TUJUAN
kuesioner I-TUJUAN
Sakernas. I-TUJUAN
Kata O
Kunci— O
KBLI O
, O
SVM O
, O
Lapangan O
Usaha O
, O
NLP O
[SEP] O
Berdasarkan O
hasil O
dari O
pembahasan O
, O
didapatkan O
kesimpulan O
sebagai O
berikut. O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
1. O
Telah B-TEMUAN
didapatkan I-TEMUAN
model I-TEMUAN
klasifikasi I-TEMUAN
dengan I-TEMUAN
algoritma I-TEMUAN
Linear I-TEMUAN
support I-TEMUAN
vector I-TEMUAN
classification I-TEMUAN
( I-TEMUAN
LSCV I-TEMUAN
) I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
untuk I-TEMUAN
memprediksi I-TEMUAN
kode I-TEMUAN
KBLI I-TEMUAN
berdasarkan I-TEMUAN
tiga I-TEMUAN
pertanyaan I-TEMUAN
terbuka I-TEMUAN
yang I-TEMUAN
terdapat I-TEMUAN
pada I-TEMUAN
kuesioner I-TEMUAN
sakernas I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
f1 I-TEMUAN
micro I-TEMUAN
0,61. I-TEMUAN
2. O
Telah O
dikembangkan O
aplikasi O
berbasis O
GUI O
yang O
yang O
dapat O
dikembangkan O
sehingga O
mudah O
untuk O
memanfaatkan O
model O
klasifikasi O
untuk O
mencari O
rekomendasi O
kode O
KBLI O
berdasarkan O
deskripsi O
lapangan O
usaha. O
Terdapat O
beberapa O
saran O
untuk O
penelitian O
selanjutnya O
yaitu O
sebagai O
berikut. O
mengimplementasikan O
model O
1. O
Untuk O
penelitian O
selanjutnya O
disarankan O
untuk O
menggunakan O
datasets O
yang O
sudah O
dilakukan O
koreksi O
atau O
validasi O
kode O
KBLI. O
Sehingga O
memudahkan O
proses O
preprocessing O
, O
selain O
itu O
data O
training O
yang O
berkualitas O
dapat O
meningkatkan O
performa O
dari O
model O
yang O
dibangun. O
2. O
Pada O
penelitian O
yang O
dilakukan O
hanya O
berfokus O
pada O
tujuan O
untuk O
membantu O
petugas O
di O
lapangan O
dalam O
mengisi O
kode O
KBLI O
berdasarkan O
pertanyaan O
terbuka O
kuesioner O
sakernas O
, O
disarankan O
pada O
penelitian O
selanjutnya O
dikembangkan O
lebih O
jauh O
lagi O
sehingga O
dapat O
membantu O
petugas O
koding O
dalam O
memvalidasi O
kode O
KBLI O
yang O
diisi O
oleh O
petugas. O
3. O
Akurasi O
yang O
didapatkan O
pada O
penelitian O
yang O
dilakukan O
masih O
belum O
cukup O
untuk O
diterapkan O
di O
lapangan O
sehingga O
pada O
penelitian O
selanjutnya O
dikembangkan O
lagi O
model O
yang O
dapat O
memberikan O
akurasi O
yang O
lebih O
baik. O

Analisis O
Kesiapan O
Politeknik O
Statistika O
STIS O
terhadap O
Implementasi O
Hybrid O
Learning O
berdasarkan O
Persepsi O
Mahasiswa O
Paulina O
Siallagan O
( O
221810528 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
S.S.T. O
, O
M.T. O
Ringkasan— O
Tujuan O
penelitian O
ini O
adalah O
untuk O
mengetahui B-TUJUAN
tingkat I-TUJUAN
kesiapan I-TUJUAN
hybrid I-TUJUAN
learning I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS I-TUJUAN
dan I-TUJUAN
memberikan I-TUJUAN
rekomendasi I-TUJUAN
dalam I-TUJUAN
mempersiapkannya. I-TUJUAN
Penelitian O
ini O
menggunakan O
pendekatan O
survei O
dengan O
jumlah O
sampel O
sebanyak O
340 O
mahasiswa O
Politeknik O
Statistika O
STIS. O
Analisis O
data O
yang O
digunakan O
pada O
penelitian O
ini O
adalah O
analisis B-METODE
deskriptif I-METODE
dengan O
pengukuran O
kesiapan O
berdasarkan O
skala B-METODE
penilaian I-METODE
Aydin I-METODE
& I-METODE
Tasci. I-METODE
Hasil B-TEMUAN
penelitian I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
tidak I-TEMUAN
ada I-TEMUAN
perbedaan I-TEMUAN
signifikan I-TEMUAN
antara I-TEMUAN
persepsi I-TEMUAN
mahasiswa I-TEMUAN
berdasarkan I-TEMUAN
jenis I-TEMUAN
kelamin I-TEMUAN
, I-TEMUAN
angkatan I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
program I-TEMUAN
studi. I-TEMUAN
Tingkat B-TEMUAN
kesiapan I-TEMUAN
hybrid I-TEMUAN
learning I-TEMUAN
di I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS I-TEMUAN
secara I-TEMUAN
keseluruhan I-TEMUAN
dinilai I-TEMUAN
ready I-TEMUAN
but I-TEMUAN
needs I-TEMUAN
a I-TEMUAN
few I-TEMUAN
improvement. I-TEMUAN
Skor I-TEMUAN
kesiapan I-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
yaitu I-TEMUAN
3,798 I-TEMUAN
untuk I-TEMUAN
faktor I-TEMUAN
manusia I-TEMUAN
, I-TEMUAN
3,759 I-TEMUAN
faktor I-TEMUAN
teknologi I-TEMUAN
, I-TEMUAN
3,498 I-TEMUAN
faktor I-TEMUAN
pengembangan I-TEMUAN
diri I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
3,463 I-TEMUAN
untuk I-TEMUAN
faktor I-TEMUAN
inovasi. I-TEMUAN
Namun O
dalam O
setiap O
faktor O
masih O
terdapat O
beberapa O
pernyataan O
yang O
dinilai O
not O
ready O
needs O
some O
of O
work O
sehingga O
penulis O
memberikan O
beberapa O
rekomendasi O
untuk O
meningkatkan O
kesiapan O
Politeknik O
Statistika O
STIS O
dalam O
implementasi O
hybrid O
learning. O
Kata O
Kunci— O
Hybrid O
learning O
, O
kesiapan O
, O
Politeknik O
Statistika O
STIS O
, O
Aydin O
& O
Tasci O
[SEP] O
5.1 O
Kesimpulan O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
penelitian I-TEMUAN
Analisis I-TEMUAN
Kesiapan I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS I-TEMUAN
terhadap I-TEMUAN
implementasi I-TEMUAN
hybrid I-TEMUAN
learning I-TEMUAN
maka I-TEMUAN
dapat I-TEMUAN
disimpulkan I-TEMUAN
bahwa I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS I-TEMUAN
memiliki I-TEMUAN
skor I-TEMUAN
kesiapan I-TEMUAN
sebesar I-TEMUAN
3,630 I-TEMUAN
yang I-TEMUAN
artinya I-TEMUAN
siap I-TEMUAN
melaksanakan I-TEMUAN
pembelajaran I-TEMUAN
hybrid I-TEMUAN
learning I-TEMUAN
tetapi I-TEMUAN
membutuhkan I-TEMUAN
sedikit I-TEMUAN
peningkatan. I-TEMUAN
Berdasarkan I-TEMUAN
faktor I-TEMUAN
kesiapan I-TEMUAN
yang I-TEMUAN
diukur I-TEMUAN
, I-TEMUAN
diperoleh I-TEMUAN
bahwa I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS I-TEMUAN
siap I-TEMUAN
dalam I-TEMUAN
segi I-TEMUAN
manusia I-TEMUAN
, I-TEMUAN
teknologi I-TEMUAN
, I-TEMUAN
pengembangan I-TEMUAN
diri I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
inovasi I-TEMUAN
dengan I-TEMUAN
sedikit I-TEMUAN
peningkatan. I-TEMUAN
Dari O
hasil O
skor O
rata-rata O
terhadap O
variabel O
penelitian O
dapat O
diketahui O
faktor O
apa O
saja O
yang O
memiliki O
skor O
mean O
kurang O
dari O
3,4 O
, O
yang O
artinya O
belum O
siap O
dalam O
penerapan O
hybrid O
learning. O
Oleh O
karena O
itu O
, O
penulis O
memberikan O
usulan O
rekomendasi O
untuk O
faktor O
yang O
masih O
memiliki O
skor O
mean O
kurang O
dari O
3,4 O
agar O
Politeknik O
Statistika O
STIS O
dapat O
meningkatkan O
kesiapan O
dalam O
mengimplementasikan O
hybrid O
learning. O
TABEL O
IX O
REKOMENDASI O
MENINGKATKAN O
KESIAPAN O
PELAKSANAAN O
HYBRID O
LEARNING O
DI O
POLITEKNIK O
STATISTIKA O
STIS O
Rekomendasi O
Not O
ready O
Justifikasi O
Faktor O
No O
( O
1 O
) O
( O
2 O
) O
( O
3 O
) O
( O
4 O
) O
( O
5 O
) O
Terdapat O
mahasiswa O
yang O
pernah O
mengikuti O
pelatihan O
untuk O
pembelajaran O
berbasis O
online O
( O
di O
luar O
/ O
di O
dalam O
Polstat O
STIS O
) O
Memberikan O
pelatihan O
dan O
arahan O
yang O
jelas O
bagi O
dosen O
dan O
mahasiswa O
sebelum O
pelaksanaan O
pembelajaran O
hybrid O
learning. O
Memberikan O
pelatihan O
dan O
arahan O
yang O
jelas O
sebelum O
perkuliahan O
hybrid O
learning O
dilakukan O
dapat O
membantu O
mahasiswa O
dan O
dosen O
mengatur O
dan O
memperhitun O
gkan O
rencana O
belajar O
yang O
akan O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
2 O
] O
M. O
Noer. O
( O
2010 O
) O
. O
Blended O
learning O
Mengubah O
Cara O
Kita O
Belajar O
di O
Masa O
Available O
: O
Depan. O
[ O
Online O
] O
http O
: O
/ O
/ O
www.muhammadnoer.com O
/ O
2010 O
/ O
07 O
/ O
blended-learningmengubah- O
cara-kita-belajar-di-masa-depan O
[ O
3 O
] O
M. O
Tayebinik O
, O
and O
M. O
Puteh O
, O
“Blended O
Learning O
or O
E-learning O
? O
, O
” O
2013. O
[ O
4 O
] O
F.Z. O
Azizan O
, O
“Blended O
Learning O
in O
Higher O
Education O
Institution O
in O
Malaysia O
, O
” O
Proceedings O
of O
Regional O
Conference O
on O
Knowledge O
Integration O
in O
ICT O
, O
Vol.10 O
, O
pp. O
454-466 O
, O
2010. O
[ O
5 O
] O
S. O
Husamah O
, O
Pembelajaran O
Bauran O
( O
Blended O
Learning O
) O
. O
Malang O
: O
Prestasi O
Pustaka. O
2014. O
[ O
6 O
] O
Oh O
, O
E. O
, O
and O
Park O
, O
S. O
, O
“How O
are O
universities O
involved O
in O
blended O
instruction O
? O
” O
Educational O
Technology O
& O
Society O
, O
12 O
( O
3 O
) O
, O
327-342 O
, O
2009. O
[ O
7 O
] O
S. O
R. O
Kurniawan O
, O
Analisis O
Tingkat O
Kesiapan O
Civitas O
Akademika O
Universitas O
Atma O
Jaya O
Yogyakarta O
dalam O
Penerapan O
Metode O
Belajar O
Blended O
Learning O
menggunakan O
Metode O
ELR O
( O
E-Learning O
Readiness O
) O
[ O
Skripsi O
] O
. O
Yogyakarta O
: O
Atma O
Jaya O
Yogyakarta. O
2020. O
[ O
8 O
] O
S. O
Riyanto O
and O
H. O
A. O
Mumtahana O
, O
“Analisis O
Kesiapan O
Blended O
Learning O
Di O
Lingkungan O
Program O
Studi O
Teknik O
Informatika O
Universitas O
PGRI O
Madiun O
, O
” O
J-SAKTI O
( O
Jurnal O
Sains O
Komputer O
dan O
Informatika O
) O
, O
2 O
( O
2 O
) O
, O
191- O
199 O
, O
2018. O
[ O
9 O
] O
A. O
Romansyah O
, O
Kajian O
Penerapan O
E-Learning O
Untuk O
Menunjang O
[ O
Skripsi O
] O
. O
Kegiatan O
Pembelajaran O
Di O
Politeknik O
Statistika O
Stis O
Jakarta O
: O
Politeknik O
Statistika O
STIS. O
2019. O
[ O
10 O
] O
M. O
L. O
Hidayat O
dan O
R. O
Budiutami O
, O
“Pengukuran O
Kesiapan O
Penerapan O
Pembelajaran O
Blended O
Learning O
di O
Sekolah O
Menengah O
dengan O
Kelas O
Bakat O
Olahraga O
di O
Surakarta O
, O
” O
Seminar O
Nasional O
GEOTIK O
2019. O
2019. O
[ O
11 O
] O
C. O
H. O
Aydın O
and O
D. O
Tasci O
, O
“Measuring O
readiness O
for O
e-learning O
: O
Reflections O
from O
an O
emerging O
country O
, O
” O
Educational O
Technology O
& O
Society O
, O
8 O
( O
4 O
) O
, O
244-257 O
, O
2005. O
[ O
12 O
] O
R. O
Johns O
, O
“Likert O
items O
and O
scales”. O
Survey O
question O
bank O
: O
Methods O
fact O
sheet O
, O
1 O
( O
1 O
) O
, O
11-28. O
, O
2010. O
[ O
13 O
] O
M. O
F. O
Nasution O
, O
Kajian O
Metode O
Suksesif O
Interval O
( O
MSI O
) O
dalam O
Mengubah O
Data O
Ordinal O
menjadi O
Data O
Interval O
dan O
Dampaknya O
Terhadap O
Distribusi O
[ O
Skripsi O
] O
. O
Medan O
: O
Universitas O
Sumatera O
Utara. O
2016. O
dilakukan. O
Dengan O
adanya O
IT O
plan O
untuk O
peningkatan O
/ O
p O
enyediaan O
infrastruktur O
IT O
dapa O
meningkatkan O
kualitas O
akses O
internet O
di O
kampus O
agar O
penerapan O
hybrid O
learning O
dapat O
berjalan O
lancar. O
Diadakannya O
pelatihan O
dapat O
membantu O
mahasiswa O
memahami O
sistem O
hybrid O
learning O
sehingga O
dapat O
berdampak O
pada O
peningkatan O
produktivitas. O
Diadakannya O
sosialisasi O
dapat O
membantu O
mahasiswa O
dan O
dosen O
agar O
lebih O
mudah O
menerima O
inovasi O
pembelajaran O
hybrid O
learning. O
2 O
Teknolog O
i O
Mahasiswa O
memiliki O
akses O
internet O
di O
kampus O
Polstat O
STIS O
untuk O
melakukan O
kegiatan O
belajar O
secara O
Hybrid O
learning O
Diharapkan O
Politeknik O
Statistika O
STIS O
membuat O
IT O
plan O
, O
yang O
ditujukan O
untuk O
pembuatan O
arahan O
peningkatan O
/ O
peny O
ediaan O
infrastruktur O
TI. O
3 O
Pengemb O
angan O
Diri O
4 O
Inovasi O
Pengadaan O
pelatihan O
ataupun O
tutorial O
dan O
juga O
sosialisasi O
mengenai O
hybrid O
learning. O
Perlu O
dilakukan O
sosialisasi O
mengenai O
penerapan O
hybrid O
learning O
serta O
manfaat O
dari O
metode O
belajar O
ini. O
Menurut O
mahasiswa O
, O
mahasiswa O
Politeknik O
Statistika O
STIS O
siap O
melaksanakan O
pembelajaran O
Hybrid O
learning O
- O
Mahasiswa O
dapat O
dengan O
mudah O
menyesuaikan O
perubahan O
metode O
pembelajaran O
menjadi O
Hybrid O
learning O
- O
Dosen O
mampu O
menyesuaikan O
perubahan O
perkuliahan O
dari O
konvensional O
ke O
Hybrid O
learning O
dengan O
mudah O
5.2 O
Saran O
Melalui O
kesimpulan O
di O
atas O
, O
peneliti O
menyarankan O
penelitian O
lebih O
lanjut O
untuk O
: O
1. O
Mengukur O
kesiapan O
dengan O
variabel-variabel O
selain O
people O
, O
technology O
, O
self-development O
, O
dan O
innovation. O
2. O
Pada O
penelitian O
ini O
sampel O
yang O
digunakan O
yaitu O
mahasiswa O
sehingga O
perlu O
ada O
perbaikan O
untuk O
penelitian O
selanjutnya O
dengan O
mencakup O
dosen. O

Analisis O
Kesiapan O
Politeknik O
Statistika O
STIS O
terhadap O
Implementasi O
Hybrid O
Learning O
berdasarkan O
Persepsi O
Mahasiswa O
Paulina O
Siallagan O
( O
221810528 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
S.S.T. O
, O
M.T. O
Ringkasan— O
Tujuan O
penelitian O
ini O
adalah O
untuk O
mengetahui B-TUJUAN
tingkat I-TUJUAN
kesiapan I-TUJUAN
hybrid I-TUJUAN
learning I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS I-TUJUAN
dan I-TUJUAN
memberikan I-TUJUAN
rekomendasi I-TUJUAN
dalam I-TUJUAN
mempersiapkannya. I-TUJUAN
Penelitian O
ini O
menggunakan O
pendekatan O
survei O
dengan O
jumlah O
sampel O
sebanyak O
340 O
mahasiswa O
Politeknik O
Statistika O
STIS. O
Analisis O
data O
yang O
digunakan O
pada O
penelitian O
ini O
adalah O
analisis B-METODE
deskriptif I-METODE
dengan O
pengukuran O
kesiapan O
berdasarkan O
skala B-METODE
penilaian I-METODE
Aydin I-METODE
& I-METODE
Tasci. I-METODE
Hasil B-TEMUAN
penelitian I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
tidak I-TEMUAN
ada I-TEMUAN
perbedaan I-TEMUAN
signifikan I-TEMUAN
antara I-TEMUAN
persepsi I-TEMUAN
mahasiswa I-TEMUAN
berdasarkan I-TEMUAN
jenis I-TEMUAN
kelamin I-TEMUAN
, I-TEMUAN
angkatan I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
program I-TEMUAN
studi. I-TEMUAN
Tingkat B-TEMUAN
kesiapan I-TEMUAN
hybrid I-TEMUAN
learning I-TEMUAN
di I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS I-TEMUAN
secara I-TEMUAN
keseluruhan I-TEMUAN
dinilai I-TEMUAN
ready I-TEMUAN
but I-TEMUAN
needs I-TEMUAN
a I-TEMUAN
few I-TEMUAN
improvement. I-TEMUAN
Skor I-TEMUAN
kesiapan I-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
yaitu I-TEMUAN
3,798 I-TEMUAN
untuk I-TEMUAN
faktor I-TEMUAN
manusia I-TEMUAN
, I-TEMUAN
3,759 I-TEMUAN
faktor I-TEMUAN
teknologi I-TEMUAN
, I-TEMUAN
3,498 I-TEMUAN
faktor I-TEMUAN
pengembangan I-TEMUAN
diri I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
3,463 I-TEMUAN
untuk I-TEMUAN
faktor I-TEMUAN
inovasi. I-TEMUAN
Namun O
dalam O
setiap O
faktor O
masih O
terdapat O
beberapa O
pernyataan O
yang O
dinilai O
not O
ready O
needs O
some O
of O
work O
sehingga O
penulis O
memberikan O
beberapa O
rekomendasi O
untuk O
meningkatkan O
kesiapan O
Politeknik O
Statistika O
STIS O
dalam O
implementasi O
hybrid O
learning. O
Kata O
Kunci— O
Hybrid O
learning O
, O
kesiapan O
, O
Politeknik O
Statistika O
STIS O
, O
Aydin O
& O
Tasci O
[SEP] O
5.1 O
Kesimpulan O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
penelitian I-TEMUAN
Analisis I-TEMUAN
Kesiapan I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS I-TEMUAN
terhadap I-TEMUAN
implementasi I-TEMUAN
hybrid I-TEMUAN
learning I-TEMUAN
maka I-TEMUAN
dapat I-TEMUAN
disimpulkan I-TEMUAN
bahwa I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS I-TEMUAN
memiliki I-TEMUAN
skor I-TEMUAN
kesiapan I-TEMUAN
sebesar I-TEMUAN
3,630 I-TEMUAN
yang I-TEMUAN
artinya I-TEMUAN
siap I-TEMUAN
melaksanakan I-TEMUAN
pembelajaran I-TEMUAN
hybrid I-TEMUAN
learning I-TEMUAN
tetapi I-TEMUAN
membutuhkan I-TEMUAN
sedikit I-TEMUAN
peningkatan. I-TEMUAN
Berdasarkan I-TEMUAN
faktor I-TEMUAN
kesiapan I-TEMUAN
yang I-TEMUAN
diukur I-TEMUAN
, I-TEMUAN
diperoleh I-TEMUAN
bahwa I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS I-TEMUAN
siap I-TEMUAN
dalam I-TEMUAN
segi I-TEMUAN
manusia I-TEMUAN
, I-TEMUAN
teknologi I-TEMUAN
, I-TEMUAN
pengembangan I-TEMUAN
diri I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
inovasi I-TEMUAN
dengan I-TEMUAN
sedikit I-TEMUAN
peningkatan. I-TEMUAN
Dari O
hasil O
skor O
rata-rata O
terhadap O
variabel O
penelitian O
dapat O
diketahui O
faktor O
apa O
saja O
yang O
memiliki O
skor O
mean O
kurang O
dari O
3,4 O
, O
yang O
artinya O
belum O
siap O
dalam O
penerapan O
hybrid O
learning. O
Oleh O
karena O
itu O
, O
penulis O
memberikan O
usulan O
rekomendasi O
untuk O
faktor O
yang O
masih O
memiliki O
skor O
mean O
kurang O
dari O
3,4 O
agar O
Politeknik O
Statistika O
STIS O
dapat O
meningkatkan O
kesiapan O
dalam O
mengimplementasikan O
hybrid O
learning. O
TABEL O
IX O
REKOMENDASI O
MENINGKATKAN O
KESIAPAN O
PELAKSANAAN O
HYBRID O
LEARNING O
DI O
POLITEKNIK O
STATISTIKA O
STIS O
Rekomendasi O
Not O
ready O
Justifikasi O
Faktor O
No O
( O
1 O
) O
( O
2 O
) O
( O
3 O
) O
( O
4 O
) O
( O
5 O
) O
Terdapat O
mahasiswa O
yang O
pernah O
mengikuti O
pelatihan O
untuk O
pembelajaran O
berbasis O
online O
( O
di O
luar O
/ O
di O
dalam O
Polstat O
STIS O
) O
Memberikan O
pelatihan O
dan O
arahan O
yang O
jelas O
bagi O
dosen O
dan O
mahasiswa O
sebelum O
pelaksanaan O
pembelajaran O
hybrid O
learning. O
Memberikan O
pelatihan O
dan O
arahan O
yang O
jelas O
sebelum O
perkuliahan O
hybrid O
learning O
dilakukan O
dapat O
membantu O
mahasiswa O
dan O
dosen O
mengatur O
dan O
memperhitun O
gkan O
rencana O
belajar O
yang O
akan O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
2 O
] O
M. O
Noer. O
( O
2010 O
) O
. O
Blended O
learning O
Mengubah O
Cara O
Kita O
Belajar O
di O
Masa O
Available O
: O
Depan. O
[ O
Online O
] O
http O
: O
/ O
/ O
www.muhammadnoer.com O
/ O
2010 O
/ O
07 O
/ O
blended-learningmengubah- O
cara-kita-belajar-di-masa-depan O
[ O
3 O
] O
M. O
Tayebinik O
, O
and O
M. O
Puteh O
, O
“Blended O
Learning O
or O
E-learning O
? O
, O
” O
2013. O
[ O
4 O
] O
F.Z. O
Azizan O
, O
“Blended O
Learning O
in O
Higher O
Education O
Institution O
in O
Malaysia O
, O
” O
Proceedings O
of O
Regional O
Conference O
on O
Knowledge O
Integration O
in O
ICT O
, O
Vol.10 O
, O
pp. O
454-466 O
, O
2010. O
[ O
5 O
] O
S. O
Husamah O
, O
Pembelajaran O
Bauran O
( O
Blended O
Learning O
) O
. O
Malang O
: O
Prestasi O
Pustaka. O
2014. O
[ O
6 O
] O
Oh O
, O
E. O
, O
and O
Park O
, O
S. O
, O
“How O
are O
universities O
involved O
in O
blended O
instruction O
? O
” O
Educational O
Technology O
& O
Society O
, O
12 O
( O
3 O
) O
, O
327-342 O
, O
2009. O
[ O
7 O
] O
S. O
R. O
Kurniawan O
, O
Analisis O
Tingkat O
Kesiapan O
Civitas O
Akademika O
Universitas O
Atma O
Jaya O
Yogyakarta O
dalam O
Penerapan O
Metode O
Belajar O
Blended O
Learning O
menggunakan O
Metode O
ELR O
( O
E-Learning O
Readiness O
) O
[ O
Skripsi O
] O
. O
Yogyakarta O
: O
Atma O
Jaya O
Yogyakarta. O
2020. O
[ O
8 O
] O
S. O
Riyanto O
and O
H. O
A. O
Mumtahana O
, O
“Analisis O
Kesiapan O
Blended O
Learning O
Di O
Lingkungan O
Program O
Studi O
Teknik O
Informatika O
Universitas O
PGRI O
Madiun O
, O
” O
J-SAKTI O
( O
Jurnal O
Sains O
Komputer O
dan O
Informatika O
) O
, O
2 O
( O
2 O
) O
, O
191- O
199 O
, O
2018. O
[ O
9 O
] O
A. O
Romansyah O
, O
Kajian O
Penerapan O
E-Learning O
Untuk O
Menunjang O
[ O
Skripsi O
] O
. O
Kegiatan O
Pembelajaran O
Di O
Politeknik O
Statistika O
Stis O
Jakarta O
: O
Politeknik O
Statistika O
STIS. O
2019. O
[ O
10 O
] O
M. O
L. O
Hidayat O
dan O
R. O
Budiutami O
, O
“Pengukuran O
Kesiapan O
Penerapan O
Pembelajaran O
Blended O
Learning O
di O
Sekolah O
Menengah O
dengan O
Kelas O
Bakat O
Olahraga O
di O
Surakarta O
, O
” O
Seminar O
Nasional O
GEOTIK O
2019. O
2019. O
[ O
11 O
] O
C. O
H. O
Aydın O
and O
D. O
Tasci O
, O
“Measuring O
readiness O
for O
e-learning O
: O
Reflections O
from O
an O
emerging O
country O
, O
” O
Educational O
Technology O
& O
Society O
, O
8 O
( O
4 O
) O
, O
244-257 O
, O
2005. O
[ O
12 O
] O
R. O
Johns O
, O
“Likert O
items O
and O
scales”. O
Survey O
question O
bank O
: O
Methods O
fact O
sheet O
, O
1 O
( O
1 O
) O
, O
11-28. O
, O
2010. O
[ O
13 O
] O
M. O
F. O
Nasution O
, O
Kajian O
Metode O
Suksesif O
Interval O
( O
MSI O
) O
dalam O
Mengubah O
Data O
Ordinal O
menjadi O
Data O
Interval O
dan O
Dampaknya O
Terhadap O
Distribusi O
[ O
Skripsi O
] O
. O
Medan O
: O
Universitas O
Sumatera O
Utara. O
2016. O
dilakukan. O
Dengan O
adanya O
IT O
plan O
untuk O
peningkatan O
/ O
p O
enyediaan O
infrastruktur O
IT O
dapa O
meningkatkan O
kualitas O
akses O
internet O
di O
kampus O
agar O
penerapan O
hybrid O
learning O
dapat O
berjalan O
lancar. O
Diadakannya O
pelatihan O
dapat O
membantu O
mahasiswa O
memahami O
sistem O
hybrid O
learning O
sehingga O
dapat O
berdampak O
pada O
peningkatan O
produktivitas. O
Diadakannya O
sosialisasi O
dapat O
membantu O
mahasiswa O
dan O
dosen O
agar O
lebih O
mudah O
menerima O
inovasi O
pembelajaran O
hybrid O
learning. O
2 O
Teknolog O
i O
Mahasiswa O
memiliki O
akses O
internet O
di O
kampus O
Polstat O
STIS O
untuk O
melakukan O
kegiatan O
belajar O
secara O
Hybrid O
learning O
Diharapkan O
Politeknik O
Statistika O
STIS O
membuat O
IT O
plan O
, O
yang O
ditujukan O
untuk O
pembuatan O
arahan O
peningkatan O
/ O
peny O
ediaan O
infrastruktur O
TI. O
3 O
Pengemb O
angan O
Diri O
4 O
Inovasi O
Pengadaan O
pelatihan O
ataupun O
tutorial O
dan O
juga O
sosialisasi O
mengenai O
hybrid O
learning. O
Perlu O
dilakukan O
sosialisasi O
mengenai O
penerapan O
hybrid O
learning O
serta O
manfaat O
dari O
metode O
belajar O
ini. O
Menurut O
mahasiswa O
, O
mahasiswa O
Politeknik O
Statistika O
STIS O
siap O
melaksanakan O
pembelajaran O
Hybrid O
learning O
- O
Mahasiswa O
dapat O
dengan O
mudah O
menyesuaikan O
perubahan O
metode O
pembelajaran O
menjadi O
Hybrid O
learning O
- O
Dosen O
mampu O
menyesuaikan O
perubahan O
perkuliahan O
dari O
konvensional O
ke O
Hybrid O
learning O
dengan O
mudah O
5.2 O
Saran O
Melalui O
kesimpulan O
di O
atas O
, O
peneliti O
menyarankan O
penelitian O
lebih O
lanjut O
untuk O
: O
1. O
Mengukur O
kesiapan O
dengan O
variabel-variabel O
selain O
people O
, O
technology O
, O
self-development O
, O
dan O
innovation. O
2. O
Pada O
penelitian O
ini O
sampel O
yang O
digunakan O
yaitu O
mahasiswa O
sehingga O
perlu O
ada O
perbaikan O
untuk O
penelitian O
selanjutnya O
dengan O
mencakup O
dosen. O

Analisis O
Kesiapan O
Politeknik O
Statistika O
STIS O
terhadap O
Implementasi O
Hybrid O
Learning O
berdasarkan O
Persepsi O
Mahasiswa O
Paulina O
Siallagan O
( O
221810528 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
S.S.T. O
, O
M.T. O
Ringkasan— O
Tujuan O
penelitian O
ini O
adalah O
untuk O
mengetahui B-TUJUAN
tingkat I-TUJUAN
kesiapan I-TUJUAN
hybrid I-TUJUAN
learning I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS I-TUJUAN
dan I-TUJUAN
memberikan I-TUJUAN
rekomendasi I-TUJUAN
dalam I-TUJUAN
mempersiapkannya. I-TUJUAN
Penelitian O
ini O
menggunakan O
pendekatan O
survei O
dengan O
jumlah O
sampel O
sebanyak O
340 O
mahasiswa O
Politeknik O
Statistika O
STIS. O
Analisis O
data O
yang O
digunakan O
pada O
penelitian O
ini O
adalah O
analisis B-METODE
deskriptif I-METODE
dengan O
pengukuran O
kesiapan O
berdasarkan O
skala B-METODE
penilaian I-METODE
Aydin I-METODE
& I-METODE
Tasci. I-METODE
Hasil B-TEMUAN
penelitian I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
tidak I-TEMUAN
ada I-TEMUAN
perbedaan I-TEMUAN
signifikan I-TEMUAN
antara I-TEMUAN
persepsi I-TEMUAN
mahasiswa I-TEMUAN
berdasarkan I-TEMUAN
jenis I-TEMUAN
kelamin I-TEMUAN
, I-TEMUAN
angkatan I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
program I-TEMUAN
studi. I-TEMUAN
Tingkat B-TEMUAN
kesiapan I-TEMUAN
hybrid I-TEMUAN
learning I-TEMUAN
di I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS I-TEMUAN
secara I-TEMUAN
keseluruhan I-TEMUAN
dinilai I-TEMUAN
ready I-TEMUAN
but I-TEMUAN
needs I-TEMUAN
a I-TEMUAN
few I-TEMUAN
improvement. I-TEMUAN
Skor I-TEMUAN
kesiapan I-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
yaitu I-TEMUAN
3,798 I-TEMUAN
untuk I-TEMUAN
faktor I-TEMUAN
manusia I-TEMUAN
, I-TEMUAN
3,759 I-TEMUAN
faktor I-TEMUAN
teknologi I-TEMUAN
, I-TEMUAN
3,498 I-TEMUAN
faktor I-TEMUAN
pengembangan I-TEMUAN
diri I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
3,463 I-TEMUAN
untuk I-TEMUAN
faktor I-TEMUAN
inovasi. I-TEMUAN
Namun O
dalam O
setiap O
faktor O
masih O
terdapat O
beberapa O
pernyataan O
yang O
dinilai O
not O
ready O
needs O
some O
of O
work O
sehingga O
penulis O
memberikan O
beberapa O
rekomendasi O
untuk O
meningkatkan O
kesiapan O
Politeknik O
Statistika O
STIS O
dalam O
implementasi O
hybrid O
learning. O
Kata O
Kunci— O
Hybrid O
learning O
, O
kesiapan O
, O
Politeknik O
Statistika O
STIS O
, O
Aydin O
& O
Tasci O
[SEP] O
5.1 O
Kesimpulan O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
penelitian I-TEMUAN
Analisis I-TEMUAN
Kesiapan I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS I-TEMUAN
terhadap I-TEMUAN
implementasi I-TEMUAN
hybrid I-TEMUAN
learning I-TEMUAN
maka I-TEMUAN
dapat I-TEMUAN
disimpulkan I-TEMUAN
bahwa I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS I-TEMUAN
memiliki I-TEMUAN
skor I-TEMUAN
kesiapan I-TEMUAN
sebesar I-TEMUAN
3,630 I-TEMUAN
yang I-TEMUAN
artinya I-TEMUAN
siap I-TEMUAN
melaksanakan I-TEMUAN
pembelajaran I-TEMUAN
hybrid I-TEMUAN
learning I-TEMUAN
tetapi I-TEMUAN
membutuhkan I-TEMUAN
sedikit I-TEMUAN
peningkatan. I-TEMUAN
Berdasarkan I-TEMUAN
faktor I-TEMUAN
kesiapan I-TEMUAN
yang I-TEMUAN
diukur I-TEMUAN
, I-TEMUAN
diperoleh I-TEMUAN
bahwa I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS I-TEMUAN
siap I-TEMUAN
dalam I-TEMUAN
segi I-TEMUAN
manusia I-TEMUAN
, I-TEMUAN
teknologi I-TEMUAN
, I-TEMUAN
pengembangan I-TEMUAN
diri I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
inovasi I-TEMUAN
dengan I-TEMUAN
sedikit I-TEMUAN
peningkatan. I-TEMUAN
Dari O
hasil O
skor O
rata-rata O
terhadap O
variabel O
penelitian O
dapat O
diketahui O
faktor O
apa O
saja O
yang O
memiliki O
skor O
mean O
kurang O
dari O
3,4 O
, O
yang O
artinya O
belum O
siap O
dalam O
penerapan O
hybrid O
learning. O
Oleh O
karena O
itu O
, O
penulis O
memberikan O
usulan O
rekomendasi O
untuk O
faktor O
yang O
masih O
memiliki O
skor O
mean O
kurang O
dari O
3,4 O
agar O
Politeknik O
Statistika O
STIS O
dapat O
meningkatkan O
kesiapan O
dalam O
mengimplementasikan O
hybrid O
learning. O
TABEL O
IX O
REKOMENDASI O
MENINGKATKAN O
KESIAPAN O
PELAKSANAAN O
HYBRID O
LEARNING O
DI O
POLITEKNIK O
STATISTIKA O
STIS O
Rekomendasi O
Not O
ready O
Justifikasi O
Faktor O
No O
( O
1 O
) O
( O
2 O
) O
( O
3 O
) O
( O
4 O
) O
( O
5 O
) O
Terdapat O
mahasiswa O
yang O
pernah O
mengikuti O
pelatihan O
untuk O
pembelajaran O
berbasis O
online O
( O
di O
luar O
/ O
di O
dalam O
Polstat O
STIS O
) O
Memberikan O
pelatihan O
dan O
arahan O
yang O
jelas O
bagi O
dosen O
dan O
mahasiswa O
sebelum O
pelaksanaan O
pembelajaran O
hybrid O
learning. O
Memberikan O
pelatihan O
dan O
arahan O
yang O
jelas O
sebelum O
perkuliahan O
hybrid O
learning O
dilakukan O
dapat O
membantu O
mahasiswa O
dan O
dosen O
mengatur O
dan O
memperhitun O
gkan O
rencana O
belajar O
yang O
akan O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
2 O
] O
M. O
Noer. O
( O
2010 O
) O
. O
Blended O
learning O
Mengubah O
Cara O
Kita O
Belajar O
di O
Masa O
Available O
: O
Depan. O
[ O
Online O
] O
http O
: O
/ O
/ O
www.muhammadnoer.com O
/ O
2010 O
/ O
07 O
/ O
blended-learningmengubah- O
cara-kita-belajar-di-masa-depan O
[ O
3 O
] O
M. O
Tayebinik O
, O
and O
M. O
Puteh O
, O
“Blended O
Learning O
or O
E-learning O
? O
, O
” O
2013. O
[ O
4 O
] O
F.Z. O
Azizan O
, O
“Blended O
Learning O
in O
Higher O
Education O
Institution O
in O
Malaysia O
, O
” O
Proceedings O
of O
Regional O
Conference O
on O
Knowledge O
Integration O
in O
ICT O
, O
Vol.10 O
, O
pp. O
454-466 O
, O
2010. O
[ O
5 O
] O
S. O
Husamah O
, O
Pembelajaran O
Bauran O
( O
Blended O
Learning O
) O
. O
Malang O
: O
Prestasi O
Pustaka. O
2014. O
[ O
6 O
] O
Oh O
, O
E. O
, O
and O
Park O
, O
S. O
, O
“How O
are O
universities O
involved O
in O
blended O
instruction O
? O
” O
Educational O
Technology O
& O
Society O
, O
12 O
( O
3 O
) O
, O
327-342 O
, O
2009. O
[ O
7 O
] O
S. O
R. O
Kurniawan O
, O
Analisis O
Tingkat O
Kesiapan O
Civitas O
Akademika O
Universitas O
Atma O
Jaya O
Yogyakarta O
dalam O
Penerapan O
Metode O
Belajar O
Blended O
Learning O
menggunakan O
Metode O
ELR O
( O
E-Learning O
Readiness O
) O
[ O
Skripsi O
] O
. O
Yogyakarta O
: O
Atma O
Jaya O
Yogyakarta. O
2020. O
[ O
8 O
] O
S. O
Riyanto O
and O
H. O
A. O
Mumtahana O
, O
“Analisis O
Kesiapan O
Blended O
Learning O
Di O
Lingkungan O
Program O
Studi O
Teknik O
Informatika O
Universitas O
PGRI O
Madiun O
, O
” O
J-SAKTI O
( O
Jurnal O
Sains O
Komputer O
dan O
Informatika O
) O
, O
2 O
( O
2 O
) O
, O
191- O
199 O
, O
2018. O
[ O
9 O
] O
A. O
Romansyah O
, O
Kajian O
Penerapan O
E-Learning O
Untuk O
Menunjang O
[ O
Skripsi O
] O
. O
Kegiatan O
Pembelajaran O
Di O
Politeknik O
Statistika O
Stis O
Jakarta O
: O
Politeknik O
Statistika O
STIS. O
2019. O
[ O
10 O
] O
M. O
L. O
Hidayat O
dan O
R. O
Budiutami O
, O
“Pengukuran O
Kesiapan O
Penerapan O
Pembelajaran O
Blended O
Learning O
di O
Sekolah O
Menengah O
dengan O
Kelas O
Bakat O
Olahraga O
di O
Surakarta O
, O
” O
Seminar O
Nasional O
GEOTIK O
2019. O
2019. O
[ O
11 O
] O
C. O
H. O
Aydın O
and O
D. O
Tasci O
, O
“Measuring O
readiness O
for O
e-learning O
: O
Reflections O
from O
an O
emerging O
country O
, O
” O
Educational O
Technology O
& O
Society O
, O
8 O
( O
4 O
) O
, O
244-257 O
, O
2005. O
[ O
12 O
] O
R. O
Johns O
, O
“Likert O
items O
and O
scales”. O
Survey O
question O
bank O
: O
Methods O
fact O
sheet O
, O
1 O
( O
1 O
) O
, O
11-28. O
, O
2010. O
[ O
13 O
] O
M. O
F. O
Nasution O
, O
Kajian O
Metode O
Suksesif O
Interval O
( O
MSI O
) O
dalam O
Mengubah O
Data O
Ordinal O
menjadi O
Data O
Interval O
dan O
Dampaknya O
Terhadap O
Distribusi O
[ O
Skripsi O
] O
. O
Medan O
: O
Universitas O
Sumatera O
Utara. O
2016. O
dilakukan. O
Dengan O
adanya O
IT O
plan O
untuk O
peningkatan O
/ O
p O
enyediaan O
infrastruktur O
IT O
dapa O
meningkatkan O
kualitas O
akses O
internet O
di O
kampus O
agar O
penerapan O
hybrid O
learning O
dapat O
berjalan O
lancar. O
Diadakannya O
pelatihan O
dapat O
membantu O
mahasiswa O
memahami O
sistem O
hybrid O
learning O
sehingga O
dapat O
berdampak O
pada O
peningkatan O
produktivitas. O
Diadakannya O
sosialisasi O
dapat O
membantu O
mahasiswa O
dan O
dosen O
agar O
lebih O
mudah O
menerima O
inovasi O
pembelajaran O
hybrid O
learning. O
2 O
Teknolog O
i O
Mahasiswa O
memiliki O
akses O
internet O
di O
kampus O
Polstat O
STIS O
untuk O
melakukan O
kegiatan O
belajar O
secara O
Hybrid O
learning O
Diharapkan O
Politeknik O
Statistika O
STIS O
membuat O
IT O
plan O
, O
yang O
ditujukan O
untuk O
pembuatan O
arahan O
peningkatan O
/ O
peny O
ediaan O
infrastruktur O
TI. O
3 O
Pengemb O
angan O
Diri O
4 O
Inovasi O
Pengadaan O
pelatihan O
ataupun O
tutorial O
dan O
juga O
sosialisasi O
mengenai O
hybrid O
learning. O
Perlu O
dilakukan O
sosialisasi O
mengenai O
penerapan O
hybrid O
learning O
serta O
manfaat O
dari O
metode O
belajar O
ini. O
Menurut O
mahasiswa O
, O
mahasiswa O
Politeknik O
Statistika O
STIS O
siap O
melaksanakan O
pembelajaran O
Hybrid O
learning O
- O
Mahasiswa O
dapat O
dengan O
mudah O
menyesuaikan O
perubahan O
metode O
pembelajaran O
menjadi O
Hybrid O
learning O
- O
Dosen O
mampu O
menyesuaikan O
perubahan O
perkuliahan O
dari O
konvensional O
ke O
Hybrid O
learning O
dengan O
mudah O
5.2 O
Saran O
Melalui O
kesimpulan O
di O
atas O
, O
peneliti O
menyarankan O
penelitian O
lebih O
lanjut O
untuk O
: O
1. O
Mengukur O
kesiapan O
dengan O
variabel-variabel O
selain O
people O
, O
technology O
, O
self-development O
, O
dan O
innovation. O
2. O
Pada O
penelitian O
ini O
sampel O
yang O
digunakan O
yaitu O
mahasiswa O
sehingga O
perlu O
ada O
perbaikan O
untuk O
penelitian O
selanjutnya O
dengan O
mencakup O
dosen. O

Kembali O
Antarmuka O
Pengguna O
Website O
Politeknik O
Statistika O
STIS O
dengan O
Metode O
Human O
Centered O
Design O
Paramitha O
Madelin O
Albright O
( O
221810527 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
S.S.T O
, O
M.T. O
Ringkasan— O
Politeknik O
Statistika O
STIS O
adalah O
salah O
satu O
Perguruan O
Tinggi O
Kedinasan O
yang O
telah O
menggunakan O
website O
sebagai O
fasilitas O
penyedia O
informasi O
tentang O
Politeknik O
Statistika O
STIS. O
Website O
Politeknik O
Statistika O
STIS O
yang O
ada O
saat O
ini O
hanya O
berfokus O
pada O
pengelolaan O
konten O
administrator O
saja O
, O
sedangkan O
antarmuka O
penggunanya O
belum O
diperhatikan O
sehinnga O
tampilannya O
masih O
kurang O
menarik. O
Selain O
itu O
berdasarkan O
evaluasi O
desain O
sistem O
yang O
berjalan O
menggunakan O
Heuristic O
Evaluation O
( O
HE O
) O
dan O
QUIS O
( O
Questionnaire O
of O
User O
Interface O
Satisfaction O
) O
didapatkan O
10 O
indikator O
heuristik O
yang O
masih O
berada O
di O
kategori O
sedang O
, O
dan O
rata-rata O
nilai O
kepuasan O
pengguna O
dibawah O
7. O
Hal O
itu O
berarti O
sistem O
sudah O
dapat O
digunakan O
oleh O
pengguna O
untuk O
menyelesaikan O
tugas-tugas O
yang O
sesuai O
dengan O
fungsi O
utama O
antarmuka O
pengguna O
masih O
perlu O
aplikasi O
, O
namun O
ditingkatkan. O
Penelitian O
ini O
menggunakan O
metode B-METODE
Human I-METODE
Centered I-METODE
Design I-METODE
, O
yang O
diawali O
dengan O
evaluasi O
desain O
sistem O
yang O
berjalan O
, O
identifikasi O
kebutuhan O
pengguna O
, O
perancangan O
desain O
solusi O
yang O
dilakukan O
sebanyak O
2 O
iterasi O
, O
lalu O
evaluasi O
desain O
solusi. O
Didapatkan O
hasil O
bahwa O
desain B-TEMUAN
solusi I-TEMUAN
yang I-TEMUAN
dirancang I-TEMUAN
dengan I-TEMUAN
Metode I-TEMUAN
Human I-TEMUAN
Centered I-TEMUAN
Design I-TEMUAN
sudah I-TEMUAN
dapat I-TEMUAN
mengurangi I-TEMUAN
masalah I-TEMUAN
pada I-TEMUAN
indikator I-TEMUAN
usability I-TEMUAN
dan I-TEMUAN
meningkatkan I-TEMUAN
kepuasan I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci— O
Website O
, O
Politeknik O
Statistika O
STIS O
, O
Antarmuka O
, O
Heuristic O
Evaluation O
, O
Human O
Centered O
Design O
[SEP] O
Analisis O
Perbandingan O
Kesimpulan O
Perbandingan O
antarmuka O
lama O
dan O
baru O
dilakukan O
dengan O
membandingkan O
hasil O
dari O
evaluasi O
Heuristik O
dan O
QUIS. O
Perbandingan O
hasil O
evaluasi O
antarmuka O
lama O
dan O
baru O
adalah O
sebagai O
berikut. O
Berdasarkan O
tujuan O
dari O
penelitian O
ini O
kesimpulan O
yang O
diperoleh O
adalah O
sebagai O
berikut O
1. O
Desain O
solusi O
yang O
dirancang O
dengan O
Metode O
Human O
Centered O
Design O
dapat O
mengurangi O
masalah O
pada O
indikator O
usability O
dan O
meningkatkan O
kepuasan O
pengguna. O
7 O
/ O
8 O
2. O
Perancangan B-TUJUAN
ulang I-TUJUAN
antarmuka I-TUJUAN
berupa I-TUJUAN
prototype I-TUJUAN
sudah O
panduan O
komponen O
sebagian O
besar O
mencakup O
perancangan O
Saran O
Berdasarkan O
hasil O
evaluasi O
yang O
dilakukan O
, O
berikut O
hal-hal O
yang O
perlu O
diperhatikan O
dan O
yang O
dapat O
dikembangkan O
oleh O
penelitian O
selanjutnya O
: O
1. O
Pada O
penelitian O
ini O
jumlah O
responden O
hanya O
memenuhi O
syarat O
minimal O
, O
untuk O
penelitian O
kedepannya O
repsonden O
bisa O
ditambah O
untuk O
mencakup O
lebih O
banyak O
tipe O
pengguna O
sehingga O
saran O
yang O
didapatkan O
lebih O
banyak O
dan O
penilaian O
juga O
semakin O
akurat. O
2. O
Perancangan O
ulang O
pada O
penelitian O
ini O
hanya O
mencakup O
bagian O
desain O
saja O
, O
untuk O
penelitian O
selanjutnya O
bisa O
meneliti O
tentang O
informasi O
dan O
ketepatan O
waktu O
informasi O
untuk O
lebih O
meningkatkan O
kualitas O
website. O
Gambar O
11. O
Dokumentasi O
1 O
Gambar O
12. O
Dokumentasi O
2 O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Kembali O
Antarmuka O
Pengguna O
Website O
Politeknik O
Statistika O
STIS O
dengan O
Metode O
Human O
Centered O
Design O
Paramitha O
Madelin O
Albright O
( O
221810527 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
S.S.T O
, O
M.T. O
Ringkasan— O
Politeknik O
Statistika O
STIS O
adalah O
salah O
satu O
Perguruan O
Tinggi O
Kedinasan O
yang O
telah O
menggunakan O
website O
sebagai O
fasilitas O
penyedia O
informasi O
tentang O
Politeknik O
Statistika O
STIS. O
Website O
Politeknik O
Statistika O
STIS O
yang O
ada O
saat O
ini O
hanya O
berfokus O
pada O
pengelolaan O
konten O
administrator O
saja O
, O
sedangkan O
antarmuka O
penggunanya O
belum O
diperhatikan O
sehinnga O
tampilannya O
masih O
kurang O
menarik. O
Selain O
itu O
berdasarkan O
evaluasi O
desain O
sistem O
yang O
berjalan O
menggunakan O
Heuristic O
Evaluation O
( O
HE O
) O
dan O
QUIS O
( O
Questionnaire O
of O
User O
Interface O
Satisfaction O
) O
didapatkan O
10 O
indikator O
heuristik O
yang O
masih O
berada O
di O
kategori O
sedang O
, O
dan O
rata-rata O
nilai O
kepuasan O
pengguna O
dibawah O
7. O
Hal O
itu O
berarti O
sistem O
sudah O
dapat O
digunakan O
oleh O
pengguna O
untuk O
menyelesaikan O
tugas-tugas O
yang O
sesuai O
dengan O
fungsi O
utama O
antarmuka O
pengguna O
masih O
perlu O
aplikasi O
, O
namun O
ditingkatkan. O
Penelitian O
ini O
menggunakan O
metode B-METODE
Human I-METODE
Centered I-METODE
Design I-METODE
, O
yang O
diawali O
dengan O
evaluasi O
desain O
sistem O
yang O
berjalan O
, O
identifikasi O
kebutuhan O
pengguna O
, O
perancangan O
desain O
solusi O
yang O
dilakukan O
sebanyak O
2 O
iterasi O
, O
lalu O
evaluasi O
desain O
solusi. O
Didapatkan O
hasil O
bahwa O
desain B-TEMUAN
solusi I-TEMUAN
yang I-TEMUAN
dirancang I-TEMUAN
dengan I-TEMUAN
Metode I-TEMUAN
Human I-TEMUAN
Centered I-TEMUAN
Design I-TEMUAN
sudah I-TEMUAN
dapat I-TEMUAN
mengurangi I-TEMUAN
masalah I-TEMUAN
pada I-TEMUAN
indikator I-TEMUAN
usability I-TEMUAN
dan I-TEMUAN
meningkatkan I-TEMUAN
kepuasan I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci— O
Website O
, O
Politeknik O
Statistika O
STIS O
, O
Antarmuka O
, O
Heuristic O
Evaluation O
, O
Human O
Centered O
Design O
[SEP] O
Analisis O
Perbandingan O
Kesimpulan O
Perbandingan O
antarmuka O
lama O
dan O
baru O
dilakukan O
dengan O
membandingkan O
hasil O
dari O
evaluasi O
Heuristik O
dan O
QUIS. O
Perbandingan O
hasil O
evaluasi O
antarmuka O
lama O
dan O
baru O
adalah O
sebagai O
berikut. O
Berdasarkan O
tujuan O
dari O
penelitian O
ini O
kesimpulan O
yang O
diperoleh O
adalah O
sebagai O
berikut O
1. O
Desain O
solusi O
yang O
dirancang O
dengan O
Metode O
Human O
Centered O
Design O
dapat O
mengurangi O
masalah O
pada O
indikator O
usability O
dan O
meningkatkan O
kepuasan O
pengguna. O
7 O
/ O
8 O
2. O
Perancangan B-TUJUAN
ulang I-TUJUAN
antarmuka I-TUJUAN
berupa I-TUJUAN
prototype I-TUJUAN
sudah O
panduan O
komponen O
sebagian O
besar O
mencakup O
perancangan O
Saran O
Berdasarkan O
hasil O
evaluasi O
yang O
dilakukan O
, O
berikut O
hal-hal O
yang O
perlu O
diperhatikan O
dan O
yang O
dapat O
dikembangkan O
oleh O
penelitian O
selanjutnya O
: O
1. O
Pada O
penelitian O
ini O
jumlah O
responden O
hanya O
memenuhi O
syarat O
minimal O
, O
untuk O
penelitian O
kedepannya O
repsonden O
bisa O
ditambah O
untuk O
mencakup O
lebih O
banyak O
tipe O
pengguna O
sehingga O
saran O
yang O
didapatkan O
lebih O
banyak O
dan O
penilaian O
juga O
semakin O
akurat. O
2. O
Perancangan O
ulang O
pada O
penelitian O
ini O
hanya O
mencakup O
bagian O
desain O
saja O
, O
untuk O
penelitian O
selanjutnya O
bisa O
meneliti O
tentang O
informasi O
dan O
ketepatan O
waktu O
informasi O
untuk O
lebih O
meningkatkan O
kualitas O
website. O
Gambar O
11. O
Dokumentasi O
1 O
Gambar O
12. O
Dokumentasi O
2 O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Pembangunan O
Sistem O
Manajemen O
Pendistribusian O
Beban O
Kerja O
Pegawai O
dan O
Mitra O
Statistik O
di O
BPS O
Modul O
: O
Rekomendasi O
Pegawai O
Nurul O
Syifa O
Amalia O
( O
221810522 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
SST O
, O
MT O
Ringkasan— O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
sebagai O
penyedia O
data O
di O
Indonesia O
tentu O
memiliki O
peranan O
yang O
sangat O
penting O
dalam O
pelaksanaan O
tugasnya. O
Pelaksanaan O
tugas O
oleh O
BPS O
tentu O
harus O
dilakukukan O
secara O
maksimal O
dan O
terorganisir. O
Hal O
ini O
dapat O
dicapai O
salah O
satunya O
adalah O
dengan O
cara O
menggunakan O
sistem O
untuk O
melakukan O
manajemennya. O
Sistem B-TUJUAN
Manajemen I-TUJUAN
Rencana I-TUJUAN
Kerja I-TUJUAN
, I-TUJUAN
Tim I-TUJUAN
Kerja I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
Beban I-TUJUAN
Kerja I-TUJUAN
( I-TUJUAN
SiJenaka I-TUJUAN
) I-TUJUAN
menjadi I-TUJUAN
salah I-TUJUAN
satu I-TUJUAN
alternatif I-TUJUAN
yang I-TUJUAN
digunakan I-TUJUAN
BPS I-TUJUAN
saat I-TUJUAN
ini. I-TUJUAN
Sistem O
tersebut O
membantu O
BPS O
dalam O
mengelola O
pendistribusian O
beban O
kerja. O
Sistem O
saat O
ini O
masih O
pada O
tahap O
implementasi O
tahap O
awal O
, O
sehingga O
masih O
belum O
sempurna. O
Contohnya O
pada O
saat O
pemilihan O
pegawai O
untuk O
pendistribusian O
beban O
kerja O
, O
masih O
terdapat O
pendistribusian O
beban O
kerja O
yang O
tidak O
merata O
antar O
pegawai. O
Untuk O
itu O
, O
diperlukan O
suatu O
fitur O
rekomendasi O
tambahan O
dalam O
pelaksanaaya. O
Fitur O
rekomendasi O
inilah O
yang O
nantinya O
akan O
membantu O
memberikan O
keputusan O
dalam O
pemilihan O
pegawai O
untuk O
distribusi O
beban O
tugas. O
Fitur O
rekomendasi O
akan O
dibangun O
berbasis O
website O
dengan O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
dalam O
pembangunannya O
, O
Analytical O
Hierarchy O
Process O
( O
AHP O
) O
sebagai O
metode O
untuk O
membantu O
memberikan O
keputusan. O
Kata O
Kunci— O
rekomendasi O
, O
pemilihan O
pegawai O
, O
AHP O
, O
kriteria O
, O
SiJenaka O
[SEP] O
Dengan B-TEMUAN
demikian I-TEMUAN
, I-TEMUAN
berdasarkan I-TEMUAN
penelitian I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dilakukan I-TEMUAN
, I-TEMUAN
metode I-TEMUAN
Analytical I-TEMUAN
Hierarchy I-TEMUAN
Process I-TEMUAN
dapat I-TEMUAN
dijadikan I-TEMUAN
sebagai I-TEMUAN
metode I-TEMUAN
untuk I-TEMUAN
melakukan I-TEMUAN
pemilihan I-TEMUAN
pegawai I-TEMUAN
yang I-TEMUAN
berhak I-TEMUAN
menerima I-TEMUAN
beban I-TEMUAN
kerja. I-TEMUAN
Sehingga I-TEMUAN
kedepannya I-TEMUAN
diharapkan I-TEMUAN
pemerataan I-TEMUAN
pendistribusian I-TEMUAN
beban I-TEMUAN
kerja I-TEMUAN
dapat I-TEMUAN
terpenuhi. I-TEMUAN
Penelitian O
ini O
juga O
diharapkan O
dapat O
dijadikan O
sebagai O
sumber O
referensi O
atau O
nantinya O
dapat O
dilakukan O
pengembangan O
pada O
penelitian O
ini O
sehingga O
dapat O
dihasilkan O
suatu O
sistem O
yang O
dapat O
membantu O
dalam O
pelaksanaan O
tugas O
BPS O
yang O
lebih O
baik. O

Pembangunan O
Sistem O
Manajemen O
Pendistribusian O
Beban O
Kerja O
Pegawai O
dan O
Mitra O
Statistik O
di O
BPS O
Modul O
: O
Rekomendasi O
Pegawai O
Nurul O
Syifa O
Amalia O
( O
221810522 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
SST O
, O
MT O
Ringkasan— O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
sebagai O
penyedia O
data O
di O
Indonesia O
tentu O
memiliki O
peranan O
yang O
sangat O
penting O
dalam O
pelaksanaan O
tugasnya. O
Pelaksanaan O
tugas O
oleh O
BPS O
tentu O
harus O
dilakukukan O
secara O
maksimal O
dan O
terorganisir. O
Hal O
ini O
dapat O
dicapai O
salah O
satunya O
adalah O
dengan O
cara O
menggunakan O
sistem O
untuk O
melakukan O
manajemennya. O
Sistem B-TUJUAN
Manajemen I-TUJUAN
Rencana I-TUJUAN
Kerja I-TUJUAN
, I-TUJUAN
Tim I-TUJUAN
Kerja I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
Beban I-TUJUAN
Kerja I-TUJUAN
( I-TUJUAN
SiJenaka I-TUJUAN
) I-TUJUAN
menjadi I-TUJUAN
salah I-TUJUAN
satu I-TUJUAN
alternatif I-TUJUAN
yang I-TUJUAN
digunakan I-TUJUAN
BPS I-TUJUAN
saat I-TUJUAN
ini. I-TUJUAN
Sistem O
tersebut O
membantu O
BPS O
dalam O
mengelola O
pendistribusian O
beban O
kerja. O
Sistem O
saat O
ini O
masih O
pada O
tahap O
implementasi O
tahap O
awal O
, O
sehingga O
masih O
belum O
sempurna. O
Contohnya O
pada O
saat O
pemilihan O
pegawai O
untuk O
pendistribusian O
beban O
kerja O
, O
masih O
terdapat O
pendistribusian O
beban O
kerja O
yang O
tidak O
merata O
antar O
pegawai. O
Untuk O
itu O
, O
diperlukan O
suatu O
fitur O
rekomendasi O
tambahan O
dalam O
pelaksanaaya. O
Fitur O
rekomendasi O
inilah O
yang O
nantinya O
akan O
membantu O
memberikan O
keputusan O
dalam O
pemilihan O
pegawai O
untuk O
distribusi O
beban O
tugas. O
Fitur O
rekomendasi O
akan O
dibangun O
berbasis O
website O
dengan O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
dalam O
pembangunannya O
, O
Analytical O
Hierarchy O
Process O
( O
AHP O
) O
sebagai O
metode O
untuk O
membantu O
memberikan O
keputusan. O
Kata O
Kunci— O
rekomendasi O
, O
pemilihan O
pegawai O
, O
AHP O
, O
kriteria O
, O
SiJenaka O
[SEP] O
Dengan B-TEMUAN
demikian I-TEMUAN
, I-TEMUAN
berdasarkan I-TEMUAN
penelitian I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dilakukan I-TEMUAN
, I-TEMUAN
metode I-TEMUAN
Analytical I-TEMUAN
Hierarchy I-TEMUAN
Process I-TEMUAN
dapat I-TEMUAN
dijadikan I-TEMUAN
sebagai I-TEMUAN
metode I-TEMUAN
untuk I-TEMUAN
melakukan I-TEMUAN
pemilihan I-TEMUAN
pegawai I-TEMUAN
yang I-TEMUAN
berhak I-TEMUAN
menerima I-TEMUAN
beban I-TEMUAN
kerja. I-TEMUAN
Sehingga I-TEMUAN
kedepannya I-TEMUAN
diharapkan I-TEMUAN
pemerataan I-TEMUAN
pendistribusian I-TEMUAN
beban I-TEMUAN
kerja I-TEMUAN
dapat I-TEMUAN
terpenuhi. I-TEMUAN
Penelitian O
ini O
juga O
diharapkan O
dapat O
dijadikan O
sebagai O
sumber O
referensi O
atau O
nantinya O
dapat O
dilakukan O
pengembangan O
pada O
penelitian O
ini O
sehingga O
dapat O
dihasilkan O
suatu O
sistem O
yang O
dapat O
membantu O
dalam O
pelaksanaan O
tugas O
BPS O
yang O
lebih O
baik. O

Pembangunan O
Sistem O
Manajemen O
Pendistribusian O
Beban O
Kerja O
Pegawai O
dan O
Mitra O
Statistik O
di O
BPS O
Modul O
: O
Rekomendasi O
Pegawai O
Nurul O
Syifa O
Amalia O
( O
221810522 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
SST O
, O
MT O
Ringkasan— O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
sebagai O
penyedia O
data O
di O
Indonesia O
tentu O
memiliki O
peranan O
yang O
sangat O
penting O
dalam O
pelaksanaan O
tugasnya. O
Pelaksanaan O
tugas O
oleh O
BPS O
tentu O
harus O
dilakukukan O
secara O
maksimal O
dan O
terorganisir. O
Hal O
ini O
dapat O
dicapai O
salah O
satunya O
adalah O
dengan O
cara O
menggunakan O
sistem O
untuk O
melakukan O
manajemennya. O
Sistem B-TUJUAN
Manajemen I-TUJUAN
Rencana I-TUJUAN
Kerja I-TUJUAN
, I-TUJUAN
Tim I-TUJUAN
Kerja I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
Beban I-TUJUAN
Kerja I-TUJUAN
( I-TUJUAN
SiJenaka I-TUJUAN
) I-TUJUAN
menjadi I-TUJUAN
salah I-TUJUAN
satu I-TUJUAN
alternatif I-TUJUAN
yang I-TUJUAN
digunakan I-TUJUAN
BPS I-TUJUAN
saat I-TUJUAN
ini. I-TUJUAN
Sistem O
tersebut O
membantu O
BPS O
dalam O
mengelola O
pendistribusian O
beban O
kerja. O
Sistem O
saat O
ini O
masih O
pada O
tahap O
implementasi O
tahap O
awal O
, O
sehingga O
masih O
belum O
sempurna. O
Contohnya O
pada O
saat O
pemilihan O
pegawai O
untuk O
pendistribusian O
beban O
kerja O
, O
masih O
terdapat O
pendistribusian O
beban O
kerja O
yang O
tidak O
merata O
antar O
pegawai. O
Untuk O
itu O
, O
diperlukan O
suatu O
fitur O
rekomendasi O
tambahan O
dalam O
pelaksanaaya. O
Fitur O
rekomendasi O
inilah O
yang O
nantinya O
akan O
membantu O
memberikan O
keputusan O
dalam O
pemilihan O
pegawai O
untuk O
distribusi O
beban O
tugas. O
Fitur O
rekomendasi O
akan O
dibangun O
berbasis O
website O
dengan O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
dalam O
pembangunannya O
, O
Analytical O
Hierarchy O
Process O
( O
AHP O
) O
sebagai O
metode O
untuk O
membantu O
memberikan O
keputusan. O
Kata O
Kunci— O
rekomendasi O
, O
pemilihan O
pegawai O
, O
AHP O
, O
kriteria O
, O
SiJenaka O
[SEP] O
Dengan B-TEMUAN
demikian I-TEMUAN
, I-TEMUAN
berdasarkan I-TEMUAN
penelitian I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dilakukan I-TEMUAN
, I-TEMUAN
metode I-TEMUAN
Analytical I-TEMUAN
Hierarchy I-TEMUAN
Process I-TEMUAN
dapat I-TEMUAN
dijadikan I-TEMUAN
sebagai I-TEMUAN
metode I-TEMUAN
untuk I-TEMUAN
melakukan I-TEMUAN
pemilihan I-TEMUAN
pegawai I-TEMUAN
yang I-TEMUAN
berhak I-TEMUAN
menerima I-TEMUAN
beban I-TEMUAN
kerja. I-TEMUAN
Sehingga I-TEMUAN
kedepannya I-TEMUAN
diharapkan I-TEMUAN
pemerataan I-TEMUAN
pendistribusian I-TEMUAN
beban I-TEMUAN
kerja I-TEMUAN
dapat I-TEMUAN
terpenuhi. I-TEMUAN
Penelitian O
ini O
juga O
diharapkan O
dapat O
dijadikan O
sebagai O
sumber O
referensi O
atau O
nantinya O
dapat O
dilakukan O
pengembangan O
pada O
penelitian O
ini O
sehingga O
dapat O
dihasilkan O
suatu O
sistem O
yang O
dapat O
membantu O
dalam O
pelaksanaan O
tugas O
BPS O
yang O
lebih O
baik. O

Pembangunan O
Sistem O
Manajemen O
Pendistribusian O
Beban O
Kerja O
Pegawai O
dan O
Mitra O
Statistik O
di O
BPS O
Modul O
: O
Rekomendasi O
Pegawai O
Nurul O
Syifa O
Amalia O
( O
221810522 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
SST O
, O
MT O
Ringkasan— O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
sebagai O
penyedia O
data O
di O
Indonesia O
tentu O
memiliki O
peranan O
yang O
sangat O
penting O
dalam O
pelaksanaan O
tugasnya. O
Pelaksanaan O
tugas O
oleh O
BPS O
tentu O
harus O
dilakukukan O
secara O
maksimal O
dan O
terorganisir. O
Hal O
ini O
dapat O
dicapai O
salah O
satunya O
adalah O
dengan O
cara O
menggunakan O
sistem O
untuk O
melakukan O
manajemennya. O
Sistem B-TUJUAN
Manajemen I-TUJUAN
Rencana I-TUJUAN
Kerja I-TUJUAN
, I-TUJUAN
Tim I-TUJUAN
Kerja I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
Beban I-TUJUAN
Kerja I-TUJUAN
( I-TUJUAN
SiJenaka I-TUJUAN
) I-TUJUAN
menjadi I-TUJUAN
salah I-TUJUAN
satu I-TUJUAN
alternatif I-TUJUAN
yang I-TUJUAN
digunakan I-TUJUAN
BPS I-TUJUAN
saat I-TUJUAN
ini. I-TUJUAN
Sistem O
tersebut O
membantu O
BPS O
dalam O
mengelola O
pendistribusian O
beban O
kerja. O
Sistem O
saat O
ini O
masih O
pada O
tahap O
implementasi O
tahap O
awal O
, O
sehingga O
masih O
belum O
sempurna. O
Contohnya O
pada O
saat O
pemilihan O
pegawai O
untuk O
pendistribusian O
beban O
kerja O
, O
masih O
terdapat O
pendistribusian O
beban O
kerja O
yang O
tidak O
merata O
antar O
pegawai. O
Untuk O
itu O
, O
diperlukan O
suatu O
fitur O
rekomendasi O
tambahan O
dalam O
pelaksanaaya. O
Fitur O
rekomendasi O
inilah O
yang O
nantinya O
akan O
membantu O
memberikan O
keputusan O
dalam O
pemilihan O
pegawai O
untuk O
distribusi O
beban O
tugas. O
Fitur O
rekomendasi O
akan O
dibangun O
berbasis O
website O
dengan O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
dalam O
pembangunannya O
, O
Analytical O
Hierarchy O
Process O
( O
AHP O
) O
sebagai O
metode O
untuk O
membantu O
memberikan O
keputusan. O
Kata O
Kunci— O
rekomendasi O
, O
pemilihan O
pegawai O
, O
AHP O
, O
kriteria O
, O
SiJenaka O
[SEP] O
Dengan B-TEMUAN
demikian I-TEMUAN
, I-TEMUAN
berdasarkan I-TEMUAN
penelitian I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dilakukan I-TEMUAN
, I-TEMUAN
metode I-TEMUAN
Analytical I-TEMUAN
Hierarchy I-TEMUAN
Process I-TEMUAN
dapat I-TEMUAN
dijadikan I-TEMUAN
sebagai I-TEMUAN
metode I-TEMUAN
untuk I-TEMUAN
melakukan I-TEMUAN
pemilihan I-TEMUAN
pegawai I-TEMUAN
yang I-TEMUAN
berhak I-TEMUAN
menerima I-TEMUAN
beban I-TEMUAN
kerja. I-TEMUAN
Sehingga I-TEMUAN
kedepannya I-TEMUAN
diharapkan I-TEMUAN
pemerataan I-TEMUAN
pendistribusian I-TEMUAN
beban I-TEMUAN
kerja I-TEMUAN
dapat I-TEMUAN
terpenuhi. I-TEMUAN
Penelitian O
ini O
juga O
diharapkan O
dapat O
dijadikan O
sebagai O
sumber O
referensi O
atau O
nantinya O
dapat O
dilakukan O
pengembangan O
pada O
penelitian O
ini O
sehingga O
dapat O
dihasilkan O
suatu O
sistem O
yang O
dapat O
membantu O
dalam O
pelaksanaan O
tugas O
BPS O
yang O
lebih O
baik. O

Penggambaran O
Peta O
Awal O
Pemilu O
2024 O
Pendekatan O
Analisis O
Sentimen O
pada O
Data O
Twitter O
Nur O
Ulum O
Rahmanulloh O
( O
221810514 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Sebagai O
negara O
demokrasi O
, O
rakyat O
memegang O
peranan O
penting O
dalam O
penentuan O
kekuasaan O
di O
Indonesia. O
Agenda O
politik O
terdekat O
di O
Indonesia O
adalah O
Pemilu O
2024. O
Saat O
ini O
sudah O
dilakukan O
survei O
oleh O
beberapa O
lembaga O
survei O
swasta O
terkait O
peta O
politik O
2024 O
yang O
memunculkan O
lima O
nama O
teratas O
, O
yaitu O
Prabowo O
Subianto O
, O
Ganjar O
Pranowo O
, O
Anies O
Baswedan O
, O
Sandiaga O
Uno O
, O
dan O
Ridwan O
Kamil. O
Penelitian O
ini O
bertujuan O
menggambarkan B-TUJUAN
peta I-TUJUAN
awal I-TUJUAN
Pemilu I-TUJUAN
2024 I-TUJUAN
melalui I-TUJUAN
pendekatan I-TUJUAN
analisis I-TUJUAN
sentimen I-TUJUAN
pada I-TUJUAN
data I-TUJUAN
Twitter. I-TUJUAN
Hasil O
penelitian O
menunjukkan O
bahwa O
pada O
jumlah B-TEMUAN
tweet I-TEMUAN
sentimen I-TEMUAN
positif I-TEMUAN
serta I-TEMUAN
jumlah I-TEMUAN
akun I-TEMUAN
yang I-TEMUAN
pro I-TEMUAN
tertinggi I-TEMUAN
adalah I-TEMUAN
terhadap I-TEMUAN
Ganjar I-TEMUAN
Pranowo. I-TEMUAN
Sebaliknya I-TEMUAN
, I-TEMUAN
sentimen I-TEMUAN
negatif I-TEMUAN
dan I-TEMUAN
jumlah I-TEMUAN
akun I-TEMUAN
yang I-TEMUAN
kontra I-TEMUAN
tertinggi I-TEMUAN
adalah I-TEMUAN
terhadap I-TEMUAN
Prabowo I-TEMUAN
Subianto. I-TEMUAN
Banyak O
kata O
yang O
sering O
muncul O
pada O
sentimen O
positif O
tokoh O
berupa O
ungkapan O
harapan O
, O
doa O
, O
dan O
dukungan. O
Pada O
tweet O
negatif O
, O
kata O
yang O
banyak O
muncul O
berkaitan O
dengan O
bidang O
kerja O
atau O
wilayah O
kerja O
tokoh. O
Secara O
umum O
, O
kondisi O
demografi O
pengguna O
Twitter O
yang O
pro O
maupun O
kontra O
terhadap O
lima O
tokoh O
politik O
di O
antaranya O
: O
berlokasi O
di O
Pulau O
Jawa O
, O
pada O
kelompok O
umur O
19–29 O
tahun O
, O
dan O
berjenis O
kelamin O
laki-laki. O
Kata O
Kunci— O
Politik O
, O
Pemilu O
2024 O
, O
Analisis O
Sentimen O
[SEP] O
Berdasarkan O
hasil O
penelitian O
, O
dapat O
ditarik O
kesimpulan O
sebagai O
berikut O
: O
1. O
Secara B-TEMUAN
umum I-TEMUAN
, I-TEMUAN
persentase I-TEMUAN
tweet I-TEMUAN
positif I-TEMUAN
tertinggi I-TEMUAN
terdapat I-TEMUAN
pada I-TEMUAN
tweet I-TEMUAN
yang I-TEMUAN
menandai I-TEMUAN
Ganjar I-TEMUAN
Pranowo I-TEMUAN
( I-TEMUAN
45.71 I-TEMUAN
% I-TEMUAN
) I-TEMUAN
, I-TEMUAN
sedangkan I-TEMUAN
tweet I-TEMUAN
negatif I-TEMUAN
tertinggi I-TEMUAN
terdapat I-TEMUAN
pada I-TEMUAN
tweet I-TEMUAN
yang I-TEMUAN
menandai I-TEMUAN
Prabowo I-TEMUAN
Subianto I-TEMUAN
( I-TEMUAN
51.01 I-TEMUAN
% I-TEMUAN
) I-TEMUAN
. I-TEMUAN
2. O
Kata O
yang O
banyak O
muncul O
pada O
tweet O
positif O
berupa O
ungkapan O
doa O
, O
harapan O
, O
serta O
dukungan. O
Khusus O
tweet O
yang O
menandai O
Prabowo O
Subianto O
berisi O
kata O
yang O
berkaitan O
dengan O
bidang O
pertahanan O
negara. O
3. O
Kata O
yang O
banyak O
muncul O
pada O
tweet O
negatif O
berupa O
masalah O
yang O
timbul O
di O
wilayah O
atau O
bidang O
pekerjaan O
tokoh O
politik O
tersebut. O
Selain O
membahas O
bidang O
pekerjaan O
tokoh O
, O
tweet O
negatif O
tentang O
Prabowo O
Subianto O
dan O
Sandiaga O
Uno O
juga O
banyak O
berisi O
ungkapan O
kekecewaan O
terhadap O
keputusan O
kedua O
tokoh O
tersebut O
yang O
menjadi O
menteri O
di O
dalam O
pemerintahan O
saat O
ini. O
4. O
Secara O
umum O
, O
persentase O
pengguna O
Twitter O
yang O
pro O
tertinggi O
terdapat O
pada O
tweet O
tentang O
Ganjar O
Pranowo O
( O
45.01 O
% O
) O
, O
sedangkan O
kontra O
tertinggi O
terdapat O
pada O
tweet O
tentang O
Prabowo O
Subianto O
( O
56.74 O
% O
) O
. O
5. O
Sebaran O
lokasi O
pengguna O
Twitter O
yang O
pro O
maupun O
kontra O
terhadap O
lima O
tokoh O
politik O
didominasi O
Pulau O
Jawa. O
6. O
Sebaran O
kelompok O
umur O
pengguna O
Twitter O
yang O
pro O
maupun O
kontra O
terhadap O
lima O
tokoh O
politik O
terbanyak O
pada O
kelompok O
umur O
19 O
– O
29 O
tahun. O
7. O
Sebaran O
jenis O
kelamin O
pengguna O
Twitter O
yang O
pro O
maupun O
kontra O
terhadap O
lima O
tokoh O
politik O
didominasi O
oleh O
laki- O
laki O
yang O
menunjukkan O
bahwa O
topik O
terkait O
politik O
lebih O
diminati O
laki-laki O
dibandingkan O
perempuan. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Penggambaran O
Peta O
Awal O
Pemilu O
2024 O
Pendekatan O
Analisis O
Sentimen O
pada O
Data O
Twitter O
Nur O
Ulum O
Rahmanulloh O
( O
221810514 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Sebagai O
negara O
demokrasi O
, O
rakyat O
memegang O
peranan O
penting O
dalam O
penentuan O
kekuasaan O
di O
Indonesia. O
Agenda O
politik O
terdekat O
di O
Indonesia O
adalah O
Pemilu O
2024. O
Saat O
ini O
sudah O
dilakukan O
survei O
oleh O
beberapa O
lembaga O
survei O
swasta O
terkait O
peta O
politik O
2024 O
yang O
memunculkan O
lima O
nama O
teratas O
, O
yaitu O
Prabowo O
Subianto O
, O
Ganjar O
Pranowo O
, O
Anies O
Baswedan O
, O
Sandiaga O
Uno O
, O
dan O
Ridwan O
Kamil. O
Penelitian O
ini O
bertujuan O
menggambarkan B-TUJUAN
peta I-TUJUAN
awal I-TUJUAN
Pemilu I-TUJUAN
2024 I-TUJUAN
melalui I-TUJUAN
pendekatan I-TUJUAN
analisis I-TUJUAN
sentimen I-TUJUAN
pada I-TUJUAN
data I-TUJUAN
Twitter. I-TUJUAN
Hasil O
penelitian O
menunjukkan O
bahwa O
pada O
jumlah B-TEMUAN
tweet I-TEMUAN
sentimen I-TEMUAN
positif I-TEMUAN
serta I-TEMUAN
jumlah I-TEMUAN
akun I-TEMUAN
yang I-TEMUAN
pro I-TEMUAN
tertinggi I-TEMUAN
adalah I-TEMUAN
terhadap I-TEMUAN
Ganjar I-TEMUAN
Pranowo. I-TEMUAN
Sebaliknya I-TEMUAN
, I-TEMUAN
sentimen I-TEMUAN
negatif I-TEMUAN
dan I-TEMUAN
jumlah I-TEMUAN
akun I-TEMUAN
yang I-TEMUAN
kontra I-TEMUAN
tertinggi I-TEMUAN
adalah I-TEMUAN
terhadap I-TEMUAN
Prabowo I-TEMUAN
Subianto. I-TEMUAN
Banyak O
kata O
yang O
sering O
muncul O
pada O
sentimen O
positif O
tokoh O
berupa O
ungkapan O
harapan O
, O
doa O
, O
dan O
dukungan. O
Pada O
tweet O
negatif O
, O
kata O
yang O
banyak O
muncul O
berkaitan O
dengan O
bidang O
kerja O
atau O
wilayah O
kerja O
tokoh. O
Secara O
umum O
, O
kondisi O
demografi O
pengguna O
Twitter O
yang O
pro O
maupun O
kontra O
terhadap O
lima O
tokoh O
politik O
di O
antaranya O
: O
berlokasi O
di O
Pulau O
Jawa O
, O
pada O
kelompok O
umur O
19–29 O
tahun O
, O
dan O
berjenis O
kelamin O
laki-laki. O
Kata O
Kunci— O
Politik O
, O
Pemilu O
2024 O
, O
Analisis O
Sentimen O
[SEP] O
Berdasarkan O
hasil O
penelitian O
, O
dapat O
ditarik O
kesimpulan O
sebagai O
berikut O
: O
1. O
Secara B-TEMUAN
umum I-TEMUAN
, I-TEMUAN
persentase I-TEMUAN
tweet I-TEMUAN
positif I-TEMUAN
tertinggi I-TEMUAN
terdapat I-TEMUAN
pada I-TEMUAN
tweet I-TEMUAN
yang I-TEMUAN
menandai I-TEMUAN
Ganjar I-TEMUAN
Pranowo I-TEMUAN
( I-TEMUAN
45.71 I-TEMUAN
% I-TEMUAN
) I-TEMUAN
, I-TEMUAN
sedangkan I-TEMUAN
tweet I-TEMUAN
negatif I-TEMUAN
tertinggi I-TEMUAN
terdapat I-TEMUAN
pada I-TEMUAN
tweet I-TEMUAN
yang I-TEMUAN
menandai I-TEMUAN
Prabowo I-TEMUAN
Subianto I-TEMUAN
( I-TEMUAN
51.01 I-TEMUAN
% I-TEMUAN
) I-TEMUAN
. I-TEMUAN
2. O
Kata O
yang O
banyak O
muncul O
pada O
tweet O
positif O
berupa O
ungkapan O
doa O
, O
harapan O
, O
serta O
dukungan. O
Khusus O
tweet O
yang O
menandai O
Prabowo O
Subianto O
berisi O
kata O
yang O
berkaitan O
dengan O
bidang O
pertahanan O
negara. O
3. O
Kata O
yang O
banyak O
muncul O
pada O
tweet O
negatif O
berupa O
masalah O
yang O
timbul O
di O
wilayah O
atau O
bidang O
pekerjaan O
tokoh O
politik O
tersebut. O
Selain O
membahas O
bidang O
pekerjaan O
tokoh O
, O
tweet O
negatif O
tentang O
Prabowo O
Subianto O
dan O
Sandiaga O
Uno O
juga O
banyak O
berisi O
ungkapan O
kekecewaan O
terhadap O
keputusan O
kedua O
tokoh O
tersebut O
yang O
menjadi O
menteri O
di O
dalam O
pemerintahan O
saat O
ini. O
4. O
Secara O
umum O
, O
persentase O
pengguna O
Twitter O
yang O
pro O
tertinggi O
terdapat O
pada O
tweet O
tentang O
Ganjar O
Pranowo O
( O
45.01 O
% O
) O
, O
sedangkan O
kontra O
tertinggi O
terdapat O
pada O
tweet O
tentang O
Prabowo O
Subianto O
( O
56.74 O
% O
) O
. O
5. O
Sebaran O
lokasi O
pengguna O
Twitter O
yang O
pro O
maupun O
kontra O
terhadap O
lima O
tokoh O
politik O
didominasi O
Pulau O
Jawa. O
6. O
Sebaran O
kelompok O
umur O
pengguna O
Twitter O
yang O
pro O
maupun O
kontra O
terhadap O
lima O
tokoh O
politik O
terbanyak O
pada O
kelompok O
umur O
19 O
– O
29 O
tahun. O
7. O
Sebaran O
jenis O
kelamin O
pengguna O
Twitter O
yang O
pro O
maupun O
kontra O
terhadap O
lima O
tokoh O
politik O
didominasi O
oleh O
laki- O
laki O
yang O
menunjukkan O
bahwa O
topik O
terkait O
politik O
lebih O
diminati O
laki-laki O
dibandingkan O
perempuan. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Penggambaran O
Peta O
Awal O
Pemilu O
2024 O
Pendekatan O
Analisis O
Sentimen O
pada O
Data O
Twitter O
Nur O
Ulum O
Rahmanulloh O
( O
221810514 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Sebagai O
negara O
demokrasi O
, O
rakyat O
memegang O
peranan O
penting O
dalam O
penentuan O
kekuasaan O
di O
Indonesia. O
Agenda O
politik O
terdekat O
di O
Indonesia O
adalah O
Pemilu O
2024. O
Saat O
ini O
sudah O
dilakukan O
survei O
oleh O
beberapa O
lembaga O
survei O
swasta O
terkait O
peta O
politik O
2024 O
yang O
memunculkan O
lima O
nama O
teratas O
, O
yaitu O
Prabowo O
Subianto O
, O
Ganjar O
Pranowo O
, O
Anies O
Baswedan O
, O
Sandiaga O
Uno O
, O
dan O
Ridwan O
Kamil. O
Penelitian O
ini O
bertujuan O
menggambarkan B-TUJUAN
peta I-TUJUAN
awal I-TUJUAN
Pemilu I-TUJUAN
2024 I-TUJUAN
melalui I-TUJUAN
pendekatan I-TUJUAN
analisis I-TUJUAN
sentimen I-TUJUAN
pada I-TUJUAN
data I-TUJUAN
Twitter. I-TUJUAN
Hasil O
penelitian O
menunjukkan O
bahwa O
pada O
jumlah B-TEMUAN
tweet I-TEMUAN
sentimen I-TEMUAN
positif I-TEMUAN
serta I-TEMUAN
jumlah I-TEMUAN
akun I-TEMUAN
yang I-TEMUAN
pro I-TEMUAN
tertinggi I-TEMUAN
adalah I-TEMUAN
terhadap I-TEMUAN
Ganjar I-TEMUAN
Pranowo. I-TEMUAN
Sebaliknya I-TEMUAN
, I-TEMUAN
sentimen I-TEMUAN
negatif I-TEMUAN
dan I-TEMUAN
jumlah I-TEMUAN
akun I-TEMUAN
yang I-TEMUAN
kontra I-TEMUAN
tertinggi I-TEMUAN
adalah I-TEMUAN
terhadap I-TEMUAN
Prabowo I-TEMUAN
Subianto. I-TEMUAN
Banyak O
kata O
yang O
sering O
muncul O
pada O
sentimen O
positif O
tokoh O
berupa O
ungkapan O
harapan O
, O
doa O
, O
dan O
dukungan. O
Pada O
tweet O
negatif O
, O
kata O
yang O
banyak O
muncul O
berkaitan O
dengan O
bidang O
kerja O
atau O
wilayah O
kerja O
tokoh. O
Secara O
umum O
, O
kondisi O
demografi O
pengguna O
Twitter O
yang O
pro O
maupun O
kontra O
terhadap O
lima O
tokoh O
politik O
di O
antaranya O
: O
berlokasi O
di O
Pulau O
Jawa O
, O
pada O
kelompok O
umur O
19–29 O
tahun O
, O
dan O
berjenis O
kelamin O
laki-laki. O
Kata O
Kunci— O
Politik O
, O
Pemilu O
2024 O
, O
Analisis O
Sentimen O
[SEP] O
Berdasarkan O
hasil O
penelitian O
, O
dapat O
ditarik O
kesimpulan O
sebagai O
berikut O
: O
1. O
Secara B-TEMUAN
umum I-TEMUAN
, I-TEMUAN
persentase I-TEMUAN
tweet I-TEMUAN
positif I-TEMUAN
tertinggi I-TEMUAN
terdapat I-TEMUAN
pada I-TEMUAN
tweet I-TEMUAN
yang I-TEMUAN
menandai I-TEMUAN
Ganjar I-TEMUAN
Pranowo I-TEMUAN
( I-TEMUAN
45.71 I-TEMUAN
% I-TEMUAN
) I-TEMUAN
, I-TEMUAN
sedangkan I-TEMUAN
tweet I-TEMUAN
negatif I-TEMUAN
tertinggi I-TEMUAN
terdapat I-TEMUAN
pada I-TEMUAN
tweet I-TEMUAN
yang I-TEMUAN
menandai I-TEMUAN
Prabowo I-TEMUAN
Subianto I-TEMUAN
( I-TEMUAN
51.01 I-TEMUAN
% I-TEMUAN
) I-TEMUAN
. I-TEMUAN
2. O
Kata O
yang O
banyak O
muncul O
pada O
tweet O
positif O
berupa O
ungkapan O
doa O
, O
harapan O
, O
serta O
dukungan. O
Khusus O
tweet O
yang O
menandai O
Prabowo O
Subianto O
berisi O
kata O
yang O
berkaitan O
dengan O
bidang O
pertahanan O
negara. O
3. O
Kata O
yang O
banyak O
muncul O
pada O
tweet O
negatif O
berupa O
masalah O
yang O
timbul O
di O
wilayah O
atau O
bidang O
pekerjaan O
tokoh O
politik O
tersebut. O
Selain O
membahas O
bidang O
pekerjaan O
tokoh O
, O
tweet O
negatif O
tentang O
Prabowo O
Subianto O
dan O
Sandiaga O
Uno O
juga O
banyak O
berisi O
ungkapan O
kekecewaan O
terhadap O
keputusan O
kedua O
tokoh O
tersebut O
yang O
menjadi O
menteri O
di O
dalam O
pemerintahan O
saat O
ini. O
4. O
Secara O
umum O
, O
persentase O
pengguna O
Twitter O
yang O
pro O
tertinggi O
terdapat O
pada O
tweet O
tentang O
Ganjar O
Pranowo O
( O
45.01 O
% O
) O
, O
sedangkan O
kontra O
tertinggi O
terdapat O
pada O
tweet O
tentang O
Prabowo O
Subianto O
( O
56.74 O
% O
) O
. O
5. O
Sebaran O
lokasi O
pengguna O
Twitter O
yang O
pro O
maupun O
kontra O
terhadap O
lima O
tokoh O
politik O
didominasi O
Pulau O
Jawa. O
6. O
Sebaran O
kelompok O
umur O
pengguna O
Twitter O
yang O
pro O
maupun O
kontra O
terhadap O
lima O
tokoh O
politik O
terbanyak O
pada O
kelompok O
umur O
19 O
– O
29 O
tahun. O
7. O
Sebaran O
jenis O
kelamin O
pengguna O
Twitter O
yang O
pro O
maupun O
kontra O
terhadap O
lima O
tokoh O
politik O
didominasi O
oleh O
laki- O
laki O
yang O
menunjukkan O
bahwa O
topik O
terkait O
politik O
lebih O
diminati O
laki-laki O
dibandingkan O
perempuan. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Pembangunan O
Sistem O
Informasi O
Surat O
Perjalanan O
Dinas O
Berbasis O
Web O
( O
Studi O
Kasus O
: O
BPS O
Kabupaten O
Sragen O
) O
Nugroho O
Purnomo O
Aji O
( O
221810510 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
SST. O
, O
M.T. O
Ringkasan— O
Perjalanan O
Dinas O
merupakan O
perjalanan O
yang O
dilakukan O
oleh O
pegawai O
suatu O
instansi O
yang O
berkaitan O
dengan O
tugas O
pekerjaan O
kedinasan. O
Dalam O
perjalanan O
dinas O
, O
diperlukan O
pembuatan O
surat O
perintah O
tugas O
dan O
surat O
perjalanan O
dinas O
yang O
bertujuan O
untuk O
pengantar O
ketika O
seorang O
pegawai O
melakukan O
kegiatan O
perjalanan O
dinas O
di O
dalam O
atau O
luar O
kota. O
Pembuatan O
dan O
penyimpanan O
data O
terkait O
surat O
perjalanan O
dinas O
di O
BPS O
Kabupaten O
Sragen O
saat O
ini O
masih O
terdapat O
beberapa O
kendala O
seperti O
lamanya O
waktu O
pembuatan O
surat O
, O
tidak O
ada O
pencatatan O
dan O
penyimpanan O
data O
terkait O
surat-surat O
dan O
file O
laporan O
, O
dan O
tidak O
ada O
rekap O
biaya O
perjalanan O
dinas. O
hal O
tersebut O
menyebabkan O
pembuatan O
laporan O
pertanggung O
jawaban O
terkait O
dengan O
perjalanan O
dinas O
menjadi O
terkendala. O
Berdasarkan O
permasalahan O
tersebut O
, O
dibuat B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
yang I-TUJUAN
terintegrasi I-TUJUAN
dengan I-TUJUAN
basis I-TUJUAN
data. I-TUJUAN
Sehingga O
pembuatan O
, O
pencatatan O
, O
dan O
penyimpanan O
data O
terkait O
surat O
perjalanan O
dinas O
menjadi O
terorganisir O
dengan O
baik. O
Berdasarkan O
hasil O
Software O
Requirements O
Specification O
( O
SRS O
) O
dibuat O
sistem O
yang O
dapat O
membuat O
dan O
mencatat O
terkait O
data O
surat O
dan O
terdapat O
rekap O
total O
biaya. O
Sistem O
telah O
dibuat O
dan O
diuji O
menggunakan O
metode B-METODE
black I-METODE
box I-METODE
testing I-METODE
, O
menunjukkan O
semua B-TEMUAN
fungsi I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Rata-rata B-TEMUAN
waktu I-TEMUAN
yang I-TEMUAN
dibutuhkan I-TEMUAN
untuk I-TEMUAN
pembuatan I-TEMUAN
surat I-TEMUAN
tugas I-TEMUAN
adalah I-TEMUAN
50.24 I-TEMUAN
dari I-TEMUAN
10 I-TEMUAN
kali I-TEMUAN
percobaan. I-TEMUAN
Skor B-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
SUS I-TEMUAN
didapatkan I-TEMUAN
adalah I-TEMUAN
83,5 I-TEMUAN
yang I-TEMUAN
menunjukkan I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Kata O
Kunci— O
Sistem O
Informasi O
, O
Website O
, O
Surat O
Perjalanan O
Dinas O
, O
Waterfall. O
[SEP] O
Dari O
tujuan O
penelitian O
yang O
telah O
ada O
di O
awal O
, O
diperoleh O
kesimpulan O
mengenai O
pembuatan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
surat I-TUJUAN
perjalanan I-TUJUAN
dinas I-TUJUAN
berbasis I-TUJUAN
website I-TUJUAN
di I-TUJUAN
BPS I-TUJUAN
Kabupaten I-TUJUAN
Sragen I-TUJUAN
, O
yaitu O
: O
1. O
Sistem B-TEMUAN
informasi I-TEMUAN
SPD I-TEMUAN
berhasil I-TEMUAN
membuat I-TEMUAN
fitur I-TEMUAN
pembuatan I-TEMUAN
surat-surat I-TEMUAN
terkait I-TEMUAN
perjalanan I-TEMUAN
dinas. I-TEMUAN
2. O
Sistem O
fitur O
informasi O
SPD O
berhasil O
membuat O
pencatatan O
dan O
penyimpanan O
data O
terkait O
surat O
dan O
file O
laporan. O
3. O
Sistem O
informasi O
SPD O
berhasil O
membuat O
fitur O
rekap O
total O
biaya O
perjalanan O
dinas. O
4. O
Pembuatan O
surat O
tugas O
menggunakan O
sistem O
dari O
sepuluh O
kali O
percobaan O
didapatkan O
rata-rata O
waktu O
yang O
dibutuhkan O
adalah O
50.24. O
Hasil O
ini O
membuktikan O
bahwa O
sistem O
yang O
dibuat O
berhasil O
mempersingkat O
waktu O
pembuatan O
surat O
tugas. O
hasil O
kegunaan O
5. O
Berdasarkan B-TEMUAN
sistem I-TEMUAN
pengujian I-TEMUAN
menggunakan I-TEMUAN
SUS I-TEMUAN
, I-TEMUAN
skor I-TEMUAN
dari I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
SPD I-TEMUAN
adalah I-TEMUAN
83,5. I-TEMUAN
Skor I-TEMUAN
tersebut I-TEMUAN
berarti I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
SPD I-TEMUAN
dianggap I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
karena I-TEMUAN
lebih I-TEMUAN
dari I-TEMUAN
70. I-TEMUAN
6. O
Sistem O
informasi O
SPD O
sudah O
di-hosting O
di O
web O
hosting O
milik O
BPS O
Kabupaten O
Sragen O
dan O
dapat O
diakses O
melalui O
tautan O
: O
https O
: O
/ O
/ O
bpssragen.info O
/ O
spd O
/ O
B. O
Saran O
Saran O
yang O
dapat O
disampaikan O
oleh O
peneliti O
untuk O
penelitian O
selanjutnya O
adalah O
: O
1. O
Mengembangkan O
fitur O
notifikasi O
kepada O
bendahara O
untuk O
melakukan O
penggantian O
anggaran O
perjalanan O
dinas. O
2. O
Mengembangkan O
fitur O
pencatatan O
pembuatan O
surat O
dengan O
tampilan O
kalender. O

Pembangunan O
Sistem O
Informasi O
Surat O
Perjalanan O
Dinas O
Berbasis O
Web O
( O
Studi O
Kasus O
: O
BPS O
Kabupaten O
Sragen O
) O
Nugroho O
Purnomo O
Aji O
( O
221810510 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
SST. O
, O
M.T. O
Ringkasan— O
Perjalanan O
Dinas O
merupakan O
perjalanan O
yang O
dilakukan O
oleh O
pegawai O
suatu O
instansi O
yang O
berkaitan O
dengan O
tugas O
pekerjaan O
kedinasan. O
Dalam O
perjalanan O
dinas O
, O
diperlukan O
pembuatan O
surat O
perintah O
tugas O
dan O
surat O
perjalanan O
dinas O
yang O
bertujuan O
untuk O
pengantar O
ketika O
seorang O
pegawai O
melakukan O
kegiatan O
perjalanan O
dinas O
di O
dalam O
atau O
luar O
kota. O
Pembuatan O
dan O
penyimpanan O
data O
terkait O
surat O
perjalanan O
dinas O
di O
BPS O
Kabupaten O
Sragen O
saat O
ini O
masih O
terdapat O
beberapa O
kendala O
seperti O
lamanya O
waktu O
pembuatan O
surat O
, O
tidak O
ada O
pencatatan O
dan O
penyimpanan O
data O
terkait O
surat-surat O
dan O
file O
laporan O
, O
dan O
tidak O
ada O
rekap O
biaya O
perjalanan O
dinas. O
hal O
tersebut O
menyebabkan O
pembuatan O
laporan O
pertanggung O
jawaban O
terkait O
dengan O
perjalanan O
dinas O
menjadi O
terkendala. O
Berdasarkan O
permasalahan O
tersebut O
, O
dibuat B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
yang I-TUJUAN
terintegrasi I-TUJUAN
dengan I-TUJUAN
basis I-TUJUAN
data. I-TUJUAN
Sehingga O
pembuatan O
, O
pencatatan O
, O
dan O
penyimpanan O
data O
terkait O
surat O
perjalanan O
dinas O
menjadi O
terorganisir O
dengan O
baik. O
Berdasarkan O
hasil O
Software O
Requirements O
Specification O
( O
SRS O
) O
dibuat O
sistem O
yang O
dapat O
membuat O
dan O
mencatat O
terkait O
data O
surat O
dan O
terdapat O
rekap O
total O
biaya. O
Sistem O
telah O
dibuat O
dan O
diuji O
menggunakan O
metode B-METODE
black I-METODE
box I-METODE
testing I-METODE
, O
menunjukkan O
semua B-TEMUAN
fungsi I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Rata-rata B-TEMUAN
waktu I-TEMUAN
yang I-TEMUAN
dibutuhkan I-TEMUAN
untuk I-TEMUAN
pembuatan I-TEMUAN
surat I-TEMUAN
tugas I-TEMUAN
adalah I-TEMUAN
50.24 I-TEMUAN
dari I-TEMUAN
10 I-TEMUAN
kali I-TEMUAN
percobaan. I-TEMUAN
Skor B-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
SUS I-TEMUAN
didapatkan I-TEMUAN
adalah I-TEMUAN
83,5 I-TEMUAN
yang I-TEMUAN
menunjukkan I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Kata O
Kunci— O
Sistem O
Informasi O
, O
Website O
, O
Surat O
Perjalanan O
Dinas O
, O
Waterfall. O
[SEP] O
Dari O
tujuan O
penelitian O
yang O
telah O
ada O
di O
awal O
, O
diperoleh O
kesimpulan O
mengenai O
pembuatan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
surat I-TUJUAN
perjalanan I-TUJUAN
dinas I-TUJUAN
berbasis I-TUJUAN
website I-TUJUAN
di I-TUJUAN
BPS I-TUJUAN
Kabupaten I-TUJUAN
Sragen I-TUJUAN
, O
yaitu O
: O
1. O
Sistem B-TEMUAN
informasi I-TEMUAN
SPD I-TEMUAN
berhasil I-TEMUAN
membuat I-TEMUAN
fitur I-TEMUAN
pembuatan I-TEMUAN
surat-surat I-TEMUAN
terkait I-TEMUAN
perjalanan I-TEMUAN
dinas. I-TEMUAN
2. O
Sistem O
fitur O
informasi O
SPD O
berhasil O
membuat O
pencatatan O
dan O
penyimpanan O
data O
terkait O
surat O
dan O
file O
laporan. O
3. O
Sistem O
informasi O
SPD O
berhasil O
membuat O
fitur O
rekap O
total O
biaya O
perjalanan O
dinas. O
4. O
Pembuatan O
surat O
tugas O
menggunakan O
sistem O
dari O
sepuluh O
kali O
percobaan O
didapatkan O
rata-rata O
waktu O
yang O
dibutuhkan O
adalah O
50.24. O
Hasil O
ini O
membuktikan O
bahwa O
sistem O
yang O
dibuat O
berhasil O
mempersingkat O
waktu O
pembuatan O
surat O
tugas. O
hasil O
kegunaan O
5. O
Berdasarkan B-TEMUAN
sistem I-TEMUAN
pengujian I-TEMUAN
menggunakan I-TEMUAN
SUS I-TEMUAN
, I-TEMUAN
skor I-TEMUAN
dari I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
SPD I-TEMUAN
adalah I-TEMUAN
83,5. I-TEMUAN
Skor I-TEMUAN
tersebut I-TEMUAN
berarti I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
SPD I-TEMUAN
dianggap I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
karena I-TEMUAN
lebih I-TEMUAN
dari I-TEMUAN
70. I-TEMUAN
6. O
Sistem O
informasi O
SPD O
sudah O
di-hosting O
di O
web O
hosting O
milik O
BPS O
Kabupaten O
Sragen O
dan O
dapat O
diakses O
melalui O
tautan O
: O
https O
: O
/ O
/ O
bpssragen.info O
/ O
spd O
/ O
B. O
Saran O
Saran O
yang O
dapat O
disampaikan O
oleh O
peneliti O
untuk O
penelitian O
selanjutnya O
adalah O
: O
1. O
Mengembangkan O
fitur O
notifikasi O
kepada O
bendahara O
untuk O
melakukan O
penggantian O
anggaran O
perjalanan O
dinas. O
2. O
Mengembangkan O
fitur O
pencatatan O
pembuatan O
surat O
dengan O
tampilan O
kalender. O

Pembangunan O
Sistem O
Informasi O
Surat O
Perjalanan O
Dinas O
Berbasis O
Web O
( O
Studi O
Kasus O
: O
BPS O
Kabupaten O
Sragen O
) O
Nugroho O
Purnomo O
Aji O
( O
221810510 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
SST. O
, O
M.T. O
Ringkasan— O
Perjalanan O
Dinas O
merupakan O
perjalanan O
yang O
dilakukan O
oleh O
pegawai O
suatu O
instansi O
yang O
berkaitan O
dengan O
tugas O
pekerjaan O
kedinasan. O
Dalam O
perjalanan O
dinas O
, O
diperlukan O
pembuatan O
surat O
perintah O
tugas O
dan O
surat O
perjalanan O
dinas O
yang O
bertujuan O
untuk O
pengantar O
ketika O
seorang O
pegawai O
melakukan O
kegiatan O
perjalanan O
dinas O
di O
dalam O
atau O
luar O
kota. O
Pembuatan O
dan O
penyimpanan O
data O
terkait O
surat O
perjalanan O
dinas O
di O
BPS O
Kabupaten O
Sragen O
saat O
ini O
masih O
terdapat O
beberapa O
kendala O
seperti O
lamanya O
waktu O
pembuatan O
surat O
, O
tidak O
ada O
pencatatan O
dan O
penyimpanan O
data O
terkait O
surat-surat O
dan O
file O
laporan O
, O
dan O
tidak O
ada O
rekap O
biaya O
perjalanan O
dinas. O
hal O
tersebut O
menyebabkan O
pembuatan O
laporan O
pertanggung O
jawaban O
terkait O
dengan O
perjalanan O
dinas O
menjadi O
terkendala. O
Berdasarkan O
permasalahan O
tersebut O
, O
dibuat B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
yang I-TUJUAN
terintegrasi I-TUJUAN
dengan I-TUJUAN
basis I-TUJUAN
data. I-TUJUAN
Sehingga O
pembuatan O
, O
pencatatan O
, O
dan O
penyimpanan O
data O
terkait O
surat O
perjalanan O
dinas O
menjadi O
terorganisir O
dengan O
baik. O
Berdasarkan O
hasil O
Software O
Requirements O
Specification O
( O
SRS O
) O
dibuat O
sistem O
yang O
dapat O
membuat O
dan O
mencatat O
terkait O
data O
surat O
dan O
terdapat O
rekap O
total O
biaya. O
Sistem O
telah O
dibuat O
dan O
diuji O
menggunakan O
metode B-METODE
black I-METODE
box I-METODE
testing I-METODE
, O
menunjukkan O
semua B-TEMUAN
fungsi I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Rata-rata B-TEMUAN
waktu I-TEMUAN
yang I-TEMUAN
dibutuhkan I-TEMUAN
untuk I-TEMUAN
pembuatan I-TEMUAN
surat I-TEMUAN
tugas I-TEMUAN
adalah I-TEMUAN
50.24 I-TEMUAN
dari I-TEMUAN
10 I-TEMUAN
kali I-TEMUAN
percobaan. I-TEMUAN
Skor B-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
SUS I-TEMUAN
didapatkan I-TEMUAN
adalah I-TEMUAN
83,5 I-TEMUAN
yang I-TEMUAN
menunjukkan I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Kata O
Kunci— O
Sistem O
Informasi O
, O
Website O
, O
Surat O
Perjalanan O
Dinas O
, O
Waterfall. O
[SEP] O
Dari O
tujuan O
penelitian O
yang O
telah O
ada O
di O
awal O
, O
diperoleh O
kesimpulan O
mengenai O
pembuatan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
surat I-TUJUAN
perjalanan I-TUJUAN
dinas I-TUJUAN
berbasis I-TUJUAN
website I-TUJUAN
di I-TUJUAN
BPS I-TUJUAN
Kabupaten I-TUJUAN
Sragen I-TUJUAN
, O
yaitu O
: O
1. O
Sistem B-TEMUAN
informasi I-TEMUAN
SPD I-TEMUAN
berhasil I-TEMUAN
membuat I-TEMUAN
fitur I-TEMUAN
pembuatan I-TEMUAN
surat-surat I-TEMUAN
terkait I-TEMUAN
perjalanan I-TEMUAN
dinas. I-TEMUAN
2. O
Sistem O
fitur O
informasi O
SPD O
berhasil O
membuat O
pencatatan O
dan O
penyimpanan O
data O
terkait O
surat O
dan O
file O
laporan. O
3. O
Sistem O
informasi O
SPD O
berhasil O
membuat O
fitur O
rekap O
total O
biaya O
perjalanan O
dinas. O
4. O
Pembuatan O
surat O
tugas O
menggunakan O
sistem O
dari O
sepuluh O
kali O
percobaan O
didapatkan O
rata-rata O
waktu O
yang O
dibutuhkan O
adalah O
50.24. O
Hasil O
ini O
membuktikan O
bahwa O
sistem O
yang O
dibuat O
berhasil O
mempersingkat O
waktu O
pembuatan O
surat O
tugas. O
hasil O
kegunaan O
5. O
Berdasarkan B-TEMUAN
sistem I-TEMUAN
pengujian I-TEMUAN
menggunakan I-TEMUAN
SUS I-TEMUAN
, I-TEMUAN
skor I-TEMUAN
dari I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
SPD I-TEMUAN
adalah I-TEMUAN
83,5. I-TEMUAN
Skor I-TEMUAN
tersebut I-TEMUAN
berarti I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
SPD I-TEMUAN
dianggap I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
karena I-TEMUAN
lebih I-TEMUAN
dari I-TEMUAN
70. I-TEMUAN
6. O
Sistem O
informasi O
SPD O
sudah O
di-hosting O
di O
web O
hosting O
milik O
BPS O
Kabupaten O
Sragen O
dan O
dapat O
diakses O
melalui O
tautan O
: O
https O
: O
/ O
/ O
bpssragen.info O
/ O
spd O
/ O
B. O
Saran O
Saran O
yang O
dapat O
disampaikan O
oleh O
peneliti O
untuk O
penelitian O
selanjutnya O
adalah O
: O
1. O
Mengembangkan O
fitur O
notifikasi O
kepada O
bendahara O
untuk O
melakukan O
penggantian O
anggaran O
perjalanan O
dinas. O
2. O
Mengembangkan O
fitur O
pencatatan O
pembuatan O
surat O
dengan O
tampilan O
kalender. O

Pembangunan O
Sistem O
Informasi O
Surat O
Perjalanan O
Dinas O
Berbasis O
Web O
( O
Studi O
Kasus O
: O
BPS O
Kabupaten O
Sragen O
) O
Nugroho O
Purnomo O
Aji O
( O
221810510 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
SST. O
, O
M.T. O
Ringkasan— O
Perjalanan O
Dinas O
merupakan O
perjalanan O
yang O
dilakukan O
oleh O
pegawai O
suatu O
instansi O
yang O
berkaitan O
dengan O
tugas O
pekerjaan O
kedinasan. O
Dalam O
perjalanan O
dinas O
, O
diperlukan O
pembuatan O
surat O
perintah O
tugas O
dan O
surat O
perjalanan O
dinas O
yang O
bertujuan O
untuk O
pengantar O
ketika O
seorang O
pegawai O
melakukan O
kegiatan O
perjalanan O
dinas O
di O
dalam O
atau O
luar O
kota. O
Pembuatan O
dan O
penyimpanan O
data O
terkait O
surat O
perjalanan O
dinas O
di O
BPS O
Kabupaten O
Sragen O
saat O
ini O
masih O
terdapat O
beberapa O
kendala O
seperti O
lamanya O
waktu O
pembuatan O
surat O
, O
tidak O
ada O
pencatatan O
dan O
penyimpanan O
data O
terkait O
surat-surat O
dan O
file O
laporan O
, O
dan O
tidak O
ada O
rekap O
biaya O
perjalanan O
dinas. O
hal O
tersebut O
menyebabkan O
pembuatan O
laporan O
pertanggung O
jawaban O
terkait O
dengan O
perjalanan O
dinas O
menjadi O
terkendala. O
Berdasarkan O
permasalahan O
tersebut O
, O
dibuat B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
yang I-TUJUAN
terintegrasi I-TUJUAN
dengan I-TUJUAN
basis I-TUJUAN
data. I-TUJUAN
Sehingga O
pembuatan O
, O
pencatatan O
, O
dan O
penyimpanan O
data O
terkait O
surat O
perjalanan O
dinas O
menjadi O
terorganisir O
dengan O
baik. O
Berdasarkan O
hasil O
Software O
Requirements O
Specification O
( O
SRS O
) O
dibuat O
sistem O
yang O
dapat O
membuat O
dan O
mencatat O
terkait O
data O
surat O
dan O
terdapat O
rekap O
total O
biaya. O
Sistem O
telah O
dibuat O
dan O
diuji O
menggunakan O
metode B-METODE
black I-METODE
box I-METODE
testing I-METODE
, O
menunjukkan O
semua B-TEMUAN
fungsi I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Rata-rata B-TEMUAN
waktu I-TEMUAN
yang I-TEMUAN
dibutuhkan I-TEMUAN
untuk I-TEMUAN
pembuatan I-TEMUAN
surat I-TEMUAN
tugas I-TEMUAN
adalah I-TEMUAN
50.24 I-TEMUAN
dari I-TEMUAN
10 I-TEMUAN
kali I-TEMUAN
percobaan. I-TEMUAN
Skor B-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
SUS I-TEMUAN
didapatkan I-TEMUAN
adalah I-TEMUAN
83,5 I-TEMUAN
yang I-TEMUAN
menunjukkan I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Kata O
Kunci— O
Sistem O
Informasi O
, O
Website O
, O
Surat O
Perjalanan O
Dinas O
, O
Waterfall. O
[SEP] O
Dari O
tujuan O
penelitian O
yang O
telah O
ada O
di O
awal O
, O
diperoleh O
kesimpulan O
mengenai O
pembuatan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
surat I-TUJUAN
perjalanan I-TUJUAN
dinas I-TUJUAN
berbasis I-TUJUAN
website I-TUJUAN
di I-TUJUAN
BPS I-TUJUAN
Kabupaten I-TUJUAN
Sragen I-TUJUAN
, O
yaitu O
: O
1. O
Sistem B-TEMUAN
informasi I-TEMUAN
SPD I-TEMUAN
berhasil I-TEMUAN
membuat I-TEMUAN
fitur I-TEMUAN
pembuatan I-TEMUAN
surat-surat I-TEMUAN
terkait I-TEMUAN
perjalanan I-TEMUAN
dinas. I-TEMUAN
2. O
Sistem O
fitur O
informasi O
SPD O
berhasil O
membuat O
pencatatan O
dan O
penyimpanan O
data O
terkait O
surat O
dan O
file O
laporan. O
3. O
Sistem O
informasi O
SPD O
berhasil O
membuat O
fitur O
rekap O
total O
biaya O
perjalanan O
dinas. O
4. O
Pembuatan O
surat O
tugas O
menggunakan O
sistem O
dari O
sepuluh O
kali O
percobaan O
didapatkan O
rata-rata O
waktu O
yang O
dibutuhkan O
adalah O
50.24. O
Hasil O
ini O
membuktikan O
bahwa O
sistem O
yang O
dibuat O
berhasil O
mempersingkat O
waktu O
pembuatan O
surat O
tugas. O
hasil O
kegunaan O
5. O
Berdasarkan B-TEMUAN
sistem I-TEMUAN
pengujian I-TEMUAN
menggunakan I-TEMUAN
SUS I-TEMUAN
, I-TEMUAN
skor I-TEMUAN
dari I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
SPD I-TEMUAN
adalah I-TEMUAN
83,5. I-TEMUAN
Skor I-TEMUAN
tersebut I-TEMUAN
berarti I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
SPD I-TEMUAN
dianggap I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
karena I-TEMUAN
lebih I-TEMUAN
dari I-TEMUAN
70. I-TEMUAN
6. O
Sistem O
informasi O
SPD O
sudah O
di-hosting O
di O
web O
hosting O
milik O
BPS O
Kabupaten O
Sragen O
dan O
dapat O
diakses O
melalui O
tautan O
: O
https O
: O
/ O
/ O
bpssragen.info O
/ O
spd O
/ O
B. O
Saran O
Saran O
yang O
dapat O
disampaikan O
oleh O
peneliti O
untuk O
penelitian O
selanjutnya O
adalah O
: O
1. O
Mengembangkan O
fitur O
notifikasi O
kepada O
bendahara O
untuk O
melakukan O
penggantian O
anggaran O
perjalanan O
dinas. O
2. O
Mengembangkan O
fitur O
pencatatan O
pembuatan O
surat O
dengan O
tampilan O
kalender. O

Sistem O
Informasi O
Permintaan O
Pencetakan O
dan O
Penjilidan O
pada O
Bagian O
Pencetakan O
, O
Arsip O
, O
dan O
Ekpedisi O
BPS O
RI O
Berbasis O
Web O
Nugroho O
Adi O
Sudantoko O
( O
221810509 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph.D. O
Ringkasan— O
Pencetakan O
, O
Arsip O
, O
dan O
Ekspedisi O
( O
PAE O
BPS O
) O
memiliki O
tugas O
untuk O
mengatur O
dan O
melaksanakan O
permintaan O
yang O
berkaitan O
dengan O
pencetakan O
dan O
penjilidan O
pada O
BPS O
RI. O
Setiap O
permintaan O
cetak O
dari O
satuan O
organisasi O
dilakukan O
dengan O
menghubungi O
pegawai O
pada O
Subbagian O
Pencetakan O
dan O
Penjilidan O
PAE O
BPS O
via O
email. O
Tedapat O
beberapa O
masalah O
pada O
proses O
berjalan O
saat O
ini O
seperti O
pemohon O
cetak O
tidak O
dapat O
mengetahui O
perkembangan O
dari O
permintaannya O
, O
permintaan O
via O
email O
dapat O
memungkinkan O
permintaan O
tidak O
terbaca O
dan O
terhapus O
, O
serta O
perkiraan O
awal O
biaya O
permintaan O
cetak O
tidak O
dapat O
dengan O
cepat O
diketahui. O
Penelitian O
ini O
mengembangkan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
permintaan I-TUJUAN
pencetakan I-TUJUAN
dan I-TUJUAN
penjilidan I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
menyelesaikan I-TUJUAN
permasalahan I-TUJUAN
di I-TUJUAN
atas I-TUJUAN
dan I-TUJUAN
membantu I-TUJUAN
PAE I-TUJUAN
BPS I-TUJUAN
dalam I-TUJUAN
menyediakan I-TUJUAN
layanan I-TUJUAN
permintaan I-TUJUAN
cetak. I-TUJUAN
Pengembangan O
sistem O
dilakukan O
dengan O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
Waterfall. I-METODE
Evaluasi O
sistem O
menggunakan O
metode B-METODE
Black I-METODE
box I-METODE
Testing I-METODE
dan O
End O
User O
sistem O
dengan O
EUCS B-METODE
Computing I-METODE
Satisfaction. I-METODE
Evaluasi O
mendapatkan O
responden B-TEMUAN
sangat I-TEMUAN
setuju I-TEMUAN
bahwa I-TEMUAN
format I-TEMUAN
sistem I-TEMUAN
jelas I-TEMUAN
, I-TEMUAN
setuju I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
mudah I-TEMUAN
digunakan I-TEMUAN
dan I-TEMUAN
memiliki I-TEMUAN
konten I-TEMUAN
yang I-TEMUAN
berguna I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
netral I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
memberikan I-TEMUAN
informasi I-TEMUAN
akurat I-TEMUAN
dan I-TEMUAN
tepat I-TEMUAN
waktu. I-TEMUAN
Kata O
Kunci— O
Sistem O
Informasi O
, O
Permintaan O
, O
Web O
, O
Pencetakan. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
didapatkan O
kesimpulan O
sebagai O
berikut O
: O
1. O
Berdasarkan O
analisis O
yang O
dilakukan O
pada O
proses O
permintaan O
pencetakan O
dan O
penjilidan O
terdapat O
permasalahan O
pada O
metode O
dan O
proses O
bisnis O
yang O
saat O
ini O
dilakukan O
di O
mana O
sulit O
dilakukan O
pencatatan O
, O
pemeriksaan O
, O
pemantauan O
, O
dan O
perkiraan O
awal O
biaya O
dengan O
cepat O
dari O
permintaan O
yang O
masuk. O
2. O
Telah B-TEMUAN
dibangun I-TEMUAN
permintaan I-TEMUAN
pencetakan I-TEMUAN
dan I-TEMUAN
penjilidan I-TEMUAN
sebagai I-TEMUAN
solusi I-TEMUAN
untuk I-TEMUAN
menyelesaikan I-TEMUAN
permasalahan. I-TEMUAN
informasi O
sistem O
3. O
Hasil B-TEMUAN
evaluasi I-TEMUAN
menggunakan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
setiap I-TEMUAN
fungsi I-TEMUAN
dari I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
kemudian I-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
dari I-TEMUAN
metode I-TEMUAN
EUCS I-TEMUAN
menunjukkan I-TEMUAN
responden I-TEMUAN
sangat I-TEMUAN
setuju I-TEMUAN
bahwa I-TEMUAN
format I-TEMUAN
sistem I-TEMUAN
jelas I-TEMUAN
, I-TEMUAN
setuju I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
mudah I-TEMUAN
digunakan I-TEMUAN
dan I-TEMUAN
memiliki I-TEMUAN
konten I-TEMUAN
yang I-TEMUAN
berguna I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
netral I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
akurat I-TEMUAN
dan I-TEMUAN
tepat I-TEMUAN
waktu I-TEMUAN
dalam I-TEMUAN
memberikan I-TEMUAN
informasi. I-TEMUAN
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
Saran O
yang O
dapat O
diberikan O
pada O
penelitian O
selanjutnya O
adalah O
sistem O
dapat O
dikembangkan O
lebih O
lanjut O
untuk O
dapat O
menghitung O
harga O
perkiraan O
sendiri O
dari O
permintaan O
yang O
dilakukan O
di O
luar O
atau O
yang O
tidak O
dapat O
dilakukan O
di O
Subbagian O
Pencetakan O
dan O
Penjilidan O
PAE O
BPS. O

Sistem O
Informasi O
Permintaan O
Pencetakan O
dan O
Penjilidan O
pada O
Bagian O
Pencetakan O
, O
Arsip O
, O
dan O
Ekpedisi O
BPS O
RI O
Berbasis O
Web O
Nugroho O
Adi O
Sudantoko O
( O
221810509 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph.D. O
Ringkasan— O
Pencetakan O
, O
Arsip O
, O
dan O
Ekspedisi O
( O
PAE O
BPS O
) O
memiliki O
tugas O
untuk O
mengatur O
dan O
melaksanakan O
permintaan O
yang O
berkaitan O
dengan O
pencetakan O
dan O
penjilidan O
pada O
BPS O
RI. O
Setiap O
permintaan O
cetak O
dari O
satuan O
organisasi O
dilakukan O
dengan O
menghubungi O
pegawai O
pada O
Subbagian O
Pencetakan O
dan O
Penjilidan O
PAE O
BPS O
via O
email. O
Tedapat O
beberapa O
masalah O
pada O
proses O
berjalan O
saat O
ini O
seperti O
pemohon O
cetak O
tidak O
dapat O
mengetahui O
perkembangan O
dari O
permintaannya O
, O
permintaan O
via O
email O
dapat O
memungkinkan O
permintaan O
tidak O
terbaca O
dan O
terhapus O
, O
serta O
perkiraan O
awal O
biaya O
permintaan O
cetak O
tidak O
dapat O
dengan O
cepat O
diketahui. O
Penelitian O
ini O
mengembangkan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
permintaan I-TUJUAN
pencetakan I-TUJUAN
dan I-TUJUAN
penjilidan I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
menyelesaikan I-TUJUAN
permasalahan I-TUJUAN
di I-TUJUAN
atas I-TUJUAN
dan I-TUJUAN
membantu I-TUJUAN
PAE I-TUJUAN
BPS I-TUJUAN
dalam I-TUJUAN
menyediakan I-TUJUAN
layanan I-TUJUAN
permintaan I-TUJUAN
cetak. I-TUJUAN
Pengembangan O
sistem O
dilakukan O
dengan O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
Waterfall. I-METODE
Evaluasi O
sistem O
menggunakan O
metode B-METODE
Black I-METODE
box I-METODE
Testing I-METODE
dan O
End O
User O
sistem O
dengan O
EUCS B-METODE
Computing I-METODE
Satisfaction. I-METODE
Evaluasi O
mendapatkan O
responden B-TEMUAN
sangat I-TEMUAN
setuju I-TEMUAN
bahwa I-TEMUAN
format I-TEMUAN
sistem I-TEMUAN
jelas I-TEMUAN
, I-TEMUAN
setuju I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
mudah I-TEMUAN
digunakan I-TEMUAN
dan I-TEMUAN
memiliki I-TEMUAN
konten I-TEMUAN
yang I-TEMUAN
berguna I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
netral I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
memberikan I-TEMUAN
informasi I-TEMUAN
akurat I-TEMUAN
dan I-TEMUAN
tepat I-TEMUAN
waktu. I-TEMUAN
Kata O
Kunci— O
Sistem O
Informasi O
, O
Permintaan O
, O
Web O
, O
Pencetakan. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
didapatkan O
kesimpulan O
sebagai O
berikut O
: O
1. O
Berdasarkan O
analisis O
yang O
dilakukan O
pada O
proses O
permintaan O
pencetakan O
dan O
penjilidan O
terdapat O
permasalahan O
pada O
metode O
dan O
proses O
bisnis O
yang O
saat O
ini O
dilakukan O
di O
mana O
sulit O
dilakukan O
pencatatan O
, O
pemeriksaan O
, O
pemantauan O
, O
dan O
perkiraan O
awal O
biaya O
dengan O
cepat O
dari O
permintaan O
yang O
masuk. O
2. O
Telah B-TEMUAN
dibangun I-TEMUAN
permintaan I-TEMUAN
pencetakan I-TEMUAN
dan I-TEMUAN
penjilidan I-TEMUAN
sebagai I-TEMUAN
solusi I-TEMUAN
untuk I-TEMUAN
menyelesaikan I-TEMUAN
permasalahan. I-TEMUAN
informasi O
sistem O
3. O
Hasil B-TEMUAN
evaluasi I-TEMUAN
menggunakan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
setiap I-TEMUAN
fungsi I-TEMUAN
dari I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
kemudian I-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
dari I-TEMUAN
metode I-TEMUAN
EUCS I-TEMUAN
menunjukkan I-TEMUAN
responden I-TEMUAN
sangat I-TEMUAN
setuju I-TEMUAN
bahwa I-TEMUAN
format I-TEMUAN
sistem I-TEMUAN
jelas I-TEMUAN
, I-TEMUAN
setuju I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
mudah I-TEMUAN
digunakan I-TEMUAN
dan I-TEMUAN
memiliki I-TEMUAN
konten I-TEMUAN
yang I-TEMUAN
berguna I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
netral I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
akurat I-TEMUAN
dan I-TEMUAN
tepat I-TEMUAN
waktu I-TEMUAN
dalam I-TEMUAN
memberikan I-TEMUAN
informasi. I-TEMUAN
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
Saran O
yang O
dapat O
diberikan O
pada O
penelitian O
selanjutnya O
adalah O
sistem O
dapat O
dikembangkan O
lebih O
lanjut O
untuk O
dapat O
menghitung O
harga O
perkiraan O
sendiri O
dari O
permintaan O
yang O
dilakukan O
di O
luar O
atau O
yang O
tidak O
dapat O
dilakukan O
di O
Subbagian O
Pencetakan O
dan O
Penjilidan O
PAE O
BPS. O

Sistem O
Informasi O
Permintaan O
Pencetakan O
dan O
Penjilidan O
pada O
Bagian O
Pencetakan O
, O
Arsip O
, O
dan O
Ekpedisi O
BPS O
RI O
Berbasis O
Web O
Nugroho O
Adi O
Sudantoko O
( O
221810509 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph.D. O
Ringkasan— O
Pencetakan O
, O
Arsip O
, O
dan O
Ekspedisi O
( O
PAE O
BPS O
) O
memiliki O
tugas O
untuk O
mengatur O
dan O
melaksanakan O
permintaan O
yang O
berkaitan O
dengan O
pencetakan O
dan O
penjilidan O
pada O
BPS O
RI. O
Setiap O
permintaan O
cetak O
dari O
satuan O
organisasi O
dilakukan O
dengan O
menghubungi O
pegawai O
pada O
Subbagian O
Pencetakan O
dan O
Penjilidan O
PAE O
BPS O
via O
email. O
Tedapat O
beberapa O
masalah O
pada O
proses O
berjalan O
saat O
ini O
seperti O
pemohon O
cetak O
tidak O
dapat O
mengetahui O
perkembangan O
dari O
permintaannya O
, O
permintaan O
via O
email O
dapat O
memungkinkan O
permintaan O
tidak O
terbaca O
dan O
terhapus O
, O
serta O
perkiraan O
awal O
biaya O
permintaan O
cetak O
tidak O
dapat O
dengan O
cepat O
diketahui. O
Penelitian O
ini O
mengembangkan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
permintaan I-TUJUAN
pencetakan I-TUJUAN
dan I-TUJUAN
penjilidan I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
menyelesaikan I-TUJUAN
permasalahan I-TUJUAN
di I-TUJUAN
atas I-TUJUAN
dan I-TUJUAN
membantu I-TUJUAN
PAE I-TUJUAN
BPS I-TUJUAN
dalam I-TUJUAN
menyediakan I-TUJUAN
layanan I-TUJUAN
permintaan I-TUJUAN
cetak. I-TUJUAN
Pengembangan O
sistem O
dilakukan O
dengan O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
Waterfall. I-METODE
Evaluasi O
sistem O
menggunakan O
metode B-METODE
Black I-METODE
box I-METODE
Testing I-METODE
dan O
End O
User O
sistem O
dengan O
EUCS B-METODE
Computing I-METODE
Satisfaction. I-METODE
Evaluasi O
mendapatkan O
responden B-TEMUAN
sangat I-TEMUAN
setuju I-TEMUAN
bahwa I-TEMUAN
format I-TEMUAN
sistem I-TEMUAN
jelas I-TEMUAN
, I-TEMUAN
setuju I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
mudah I-TEMUAN
digunakan I-TEMUAN
dan I-TEMUAN
memiliki I-TEMUAN
konten I-TEMUAN
yang I-TEMUAN
berguna I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
netral I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
memberikan I-TEMUAN
informasi I-TEMUAN
akurat I-TEMUAN
dan I-TEMUAN
tepat I-TEMUAN
waktu. I-TEMUAN
Kata O
Kunci— O
Sistem O
Informasi O
, O
Permintaan O
, O
Web O
, O
Pencetakan. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
didapatkan O
kesimpulan O
sebagai O
berikut O
: O
1. O
Berdasarkan O
analisis O
yang O
dilakukan O
pada O
proses O
permintaan O
pencetakan O
dan O
penjilidan O
terdapat O
permasalahan O
pada O
metode O
dan O
proses O
bisnis O
yang O
saat O
ini O
dilakukan O
di O
mana O
sulit O
dilakukan O
pencatatan O
, O
pemeriksaan O
, O
pemantauan O
, O
dan O
perkiraan O
awal O
biaya O
dengan O
cepat O
dari O
permintaan O
yang O
masuk. O
2. O
Telah B-TEMUAN
dibangun I-TEMUAN
permintaan I-TEMUAN
pencetakan I-TEMUAN
dan I-TEMUAN
penjilidan I-TEMUAN
sebagai I-TEMUAN
solusi I-TEMUAN
untuk I-TEMUAN
menyelesaikan I-TEMUAN
permasalahan. I-TEMUAN
informasi O
sistem O
3. O
Hasil B-TEMUAN
evaluasi I-TEMUAN
menggunakan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
setiap I-TEMUAN
fungsi I-TEMUAN
dari I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
kemudian I-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
dari I-TEMUAN
metode I-TEMUAN
EUCS I-TEMUAN
menunjukkan I-TEMUAN
responden I-TEMUAN
sangat I-TEMUAN
setuju I-TEMUAN
bahwa I-TEMUAN
format I-TEMUAN
sistem I-TEMUAN
jelas I-TEMUAN
, I-TEMUAN
setuju I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
mudah I-TEMUAN
digunakan I-TEMUAN
dan I-TEMUAN
memiliki I-TEMUAN
konten I-TEMUAN
yang I-TEMUAN
berguna I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
netral I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
akurat I-TEMUAN
dan I-TEMUAN
tepat I-TEMUAN
waktu I-TEMUAN
dalam I-TEMUAN
memberikan I-TEMUAN
informasi. I-TEMUAN
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
Saran O
yang O
dapat O
diberikan O
pada O
penelitian O
selanjutnya O
adalah O
sistem O
dapat O
dikembangkan O
lebih O
lanjut O
untuk O
dapat O
menghitung O
harga O
perkiraan O
sendiri O
dari O
permintaan O
yang O
dilakukan O
di O
luar O
atau O
yang O
tidak O
dapat O
dilakukan O
di O
Subbagian O
Pencetakan O
dan O
Penjilidan O
PAE O
BPS. O

Sistem O
Informasi O
Permintaan O
Pencetakan O
dan O
Penjilidan O
pada O
Bagian O
Pencetakan O
, O
Arsip O
, O
dan O
Ekpedisi O
BPS O
RI O
Berbasis O
Web O
Nugroho O
Adi O
Sudantoko O
( O
221810509 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph.D. O
Ringkasan— O
Pencetakan O
, O
Arsip O
, O
dan O
Ekspedisi O
( O
PAE O
BPS O
) O
memiliki O
tugas O
untuk O
mengatur O
dan O
melaksanakan O
permintaan O
yang O
berkaitan O
dengan O
pencetakan O
dan O
penjilidan O
pada O
BPS O
RI. O
Setiap O
permintaan O
cetak O
dari O
satuan O
organisasi O
dilakukan O
dengan O
menghubungi O
pegawai O
pada O
Subbagian O
Pencetakan O
dan O
Penjilidan O
PAE O
BPS O
via O
email. O
Tedapat O
beberapa O
masalah O
pada O
proses O
berjalan O
saat O
ini O
seperti O
pemohon O
cetak O
tidak O
dapat O
mengetahui O
perkembangan O
dari O
permintaannya O
, O
permintaan O
via O
email O
dapat O
memungkinkan O
permintaan O
tidak O
terbaca O
dan O
terhapus O
, O
serta O
perkiraan O
awal O
biaya O
permintaan O
cetak O
tidak O
dapat O
dengan O
cepat O
diketahui. O
Penelitian O
ini O
mengembangkan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
permintaan I-TUJUAN
pencetakan I-TUJUAN
dan I-TUJUAN
penjilidan I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
menyelesaikan I-TUJUAN
permasalahan I-TUJUAN
di I-TUJUAN
atas I-TUJUAN
dan I-TUJUAN
membantu I-TUJUAN
PAE I-TUJUAN
BPS I-TUJUAN
dalam I-TUJUAN
menyediakan I-TUJUAN
layanan I-TUJUAN
permintaan I-TUJUAN
cetak. I-TUJUAN
Pengembangan O
sistem O
dilakukan O
dengan O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
Waterfall. I-METODE
Evaluasi O
sistem O
menggunakan O
metode B-METODE
Black I-METODE
box I-METODE
Testing I-METODE
dan O
End O
User O
sistem O
dengan O
EUCS B-METODE
Computing I-METODE
Satisfaction. I-METODE
Evaluasi O
mendapatkan O
responden B-TEMUAN
sangat I-TEMUAN
setuju I-TEMUAN
bahwa I-TEMUAN
format I-TEMUAN
sistem I-TEMUAN
jelas I-TEMUAN
, I-TEMUAN
setuju I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
mudah I-TEMUAN
digunakan I-TEMUAN
dan I-TEMUAN
memiliki I-TEMUAN
konten I-TEMUAN
yang I-TEMUAN
berguna I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
netral I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
memberikan I-TEMUAN
informasi I-TEMUAN
akurat I-TEMUAN
dan I-TEMUAN
tepat I-TEMUAN
waktu. I-TEMUAN
Kata O
Kunci— O
Sistem O
Informasi O
, O
Permintaan O
, O
Web O
, O
Pencetakan. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
didapatkan O
kesimpulan O
sebagai O
berikut O
: O
1. O
Berdasarkan O
analisis O
yang O
dilakukan O
pada O
proses O
permintaan O
pencetakan O
dan O
penjilidan O
terdapat O
permasalahan O
pada O
metode O
dan O
proses O
bisnis O
yang O
saat O
ini O
dilakukan O
di O
mana O
sulit O
dilakukan O
pencatatan O
, O
pemeriksaan O
, O
pemantauan O
, O
dan O
perkiraan O
awal O
biaya O
dengan O
cepat O
dari O
permintaan O
yang O
masuk. O
2. O
Telah B-TEMUAN
dibangun I-TEMUAN
permintaan I-TEMUAN
pencetakan I-TEMUAN
dan I-TEMUAN
penjilidan I-TEMUAN
sebagai I-TEMUAN
solusi I-TEMUAN
untuk I-TEMUAN
menyelesaikan I-TEMUAN
permasalahan. I-TEMUAN
informasi O
sistem O
3. O
Hasil B-TEMUAN
evaluasi I-TEMUAN
menggunakan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
setiap I-TEMUAN
fungsi I-TEMUAN
dari I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
kemudian I-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
dari I-TEMUAN
metode I-TEMUAN
EUCS I-TEMUAN
menunjukkan I-TEMUAN
responden I-TEMUAN
sangat I-TEMUAN
setuju I-TEMUAN
bahwa I-TEMUAN
format I-TEMUAN
sistem I-TEMUAN
jelas I-TEMUAN
, I-TEMUAN
setuju I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
mudah I-TEMUAN
digunakan I-TEMUAN
dan I-TEMUAN
memiliki I-TEMUAN
konten I-TEMUAN
yang I-TEMUAN
berguna I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
netral I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
akurat I-TEMUAN
dan I-TEMUAN
tepat I-TEMUAN
waktu I-TEMUAN
dalam I-TEMUAN
memberikan I-TEMUAN
informasi. I-TEMUAN
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
Saran O
yang O
dapat O
diberikan O
pada O
penelitian O
selanjutnya O
adalah O
sistem O
dapat O
dikembangkan O
lebih O
lanjut O
untuk O
dapat O
menghitung O
harga O
perkiraan O
sendiri O
dari O
permintaan O
yang O
dilakukan O
di O
luar O
atau O
yang O
tidak O
dapat O
dilakukan O
di O
Subbagian O
Pencetakan O
dan O
Penjilidan O
PAE O
BPS. O

Sistem O
Informasi O
Permintaan O
Pencetakan O
dan O
Penjilidan O
pada O
Bagian O
Pencetakan O
, O
Arsip O
, O
dan O
Ekpedisi O
BPS O
RI O
Berbasis O
Web O
Nugroho O
Adi O
Sudantoko O
( O
221810509 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph.D. O
Ringkasan— O
Pencetakan O
, O
Arsip O
, O
dan O
Ekspedisi O
( O
PAE O
BPS O
) O
memiliki O
tugas O
untuk O
mengatur O
dan O
melaksanakan O
permintaan O
yang O
berkaitan O
dengan O
pencetakan O
dan O
penjilidan O
pada O
BPS O
RI. O
Setiap O
permintaan O
cetak O
dari O
satuan O
organisasi O
dilakukan O
dengan O
menghubungi O
pegawai O
pada O
Subbagian O
Pencetakan O
dan O
Penjilidan O
PAE O
BPS O
via O
email. O
Tedapat O
beberapa O
masalah O
pada O
proses O
berjalan O
saat O
ini O
seperti O
pemohon O
cetak O
tidak O
dapat O
mengetahui O
perkembangan O
dari O
permintaannya O
, O
permintaan O
via O
email O
dapat O
memungkinkan O
permintaan O
tidak O
terbaca O
dan O
terhapus O
, O
serta O
perkiraan O
awal O
biaya O
permintaan O
cetak O
tidak O
dapat O
dengan O
cepat O
diketahui. O
Penelitian O
ini O
mengembangkan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
permintaan I-TUJUAN
pencetakan I-TUJUAN
dan I-TUJUAN
penjilidan I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
menyelesaikan I-TUJUAN
permasalahan I-TUJUAN
di I-TUJUAN
atas I-TUJUAN
dan I-TUJUAN
membantu I-TUJUAN
PAE I-TUJUAN
BPS I-TUJUAN
dalam I-TUJUAN
menyediakan I-TUJUAN
layanan I-TUJUAN
permintaan I-TUJUAN
cetak. I-TUJUAN
Pengembangan O
sistem O
dilakukan O
dengan O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
Waterfall. I-METODE
Evaluasi O
sistem O
menggunakan O
metode B-METODE
Black I-METODE
box I-METODE
Testing I-METODE
dan O
End O
User O
sistem O
dengan O
EUCS B-METODE
Computing I-METODE
Satisfaction. I-METODE
Evaluasi O
mendapatkan O
responden B-TEMUAN
sangat I-TEMUAN
setuju I-TEMUAN
bahwa I-TEMUAN
format I-TEMUAN
sistem I-TEMUAN
jelas I-TEMUAN
, I-TEMUAN
setuju I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
mudah I-TEMUAN
digunakan I-TEMUAN
dan I-TEMUAN
memiliki I-TEMUAN
konten I-TEMUAN
yang I-TEMUAN
berguna I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
netral I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
memberikan I-TEMUAN
informasi I-TEMUAN
akurat I-TEMUAN
dan I-TEMUAN
tepat I-TEMUAN
waktu. I-TEMUAN
Kata O
Kunci— O
Sistem O
Informasi O
, O
Permintaan O
, O
Web O
, O
Pencetakan. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
didapatkan O
kesimpulan O
sebagai O
berikut O
: O
1. O
Berdasarkan O
analisis O
yang O
dilakukan O
pada O
proses O
permintaan O
pencetakan O
dan O
penjilidan O
terdapat O
permasalahan O
pada O
metode O
dan O
proses O
bisnis O
yang O
saat O
ini O
dilakukan O
di O
mana O
sulit O
dilakukan O
pencatatan O
, O
pemeriksaan O
, O
pemantauan O
, O
dan O
perkiraan O
awal O
biaya O
dengan O
cepat O
dari O
permintaan O
yang O
masuk. O
2. O
Telah B-TEMUAN
dibangun I-TEMUAN
permintaan I-TEMUAN
pencetakan I-TEMUAN
dan I-TEMUAN
penjilidan I-TEMUAN
sebagai I-TEMUAN
solusi I-TEMUAN
untuk I-TEMUAN
menyelesaikan I-TEMUAN
permasalahan. I-TEMUAN
informasi O
sistem O
3. O
Hasil B-TEMUAN
evaluasi I-TEMUAN
menggunakan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
setiap I-TEMUAN
fungsi I-TEMUAN
dari I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
kemudian I-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
dari I-TEMUAN
metode I-TEMUAN
EUCS I-TEMUAN
menunjukkan I-TEMUAN
responden I-TEMUAN
sangat I-TEMUAN
setuju I-TEMUAN
bahwa I-TEMUAN
format I-TEMUAN
sistem I-TEMUAN
jelas I-TEMUAN
, I-TEMUAN
setuju I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
mudah I-TEMUAN
digunakan I-TEMUAN
dan I-TEMUAN
memiliki I-TEMUAN
konten I-TEMUAN
yang I-TEMUAN
berguna I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
netral I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
akurat I-TEMUAN
dan I-TEMUAN
tepat I-TEMUAN
waktu I-TEMUAN
dalam I-TEMUAN
memberikan I-TEMUAN
informasi. I-TEMUAN
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
Saran O
yang O
dapat O
diberikan O
pada O
penelitian O
selanjutnya O
adalah O
sistem O
dapat O
dikembangkan O
lebih O
lanjut O
untuk O
dapat O
menghitung O
harga O
perkiraan O
sendiri O
dari O
permintaan O
yang O
dilakukan O
di O
luar O
atau O
yang O
tidak O
dapat O
dilakukan O
di O
Subbagian O
Pencetakan O
dan O
Penjilidan O
PAE O
BPS. O

Analisis O
Sentimen O
Pengguna O
Twitter O
terhadap O
Implementasi O
Satu O
Data O
Indonesia O
dengan O
Semi-Supervised O
SVM O
Nissa O
Silvianna O
Devi O
Nur O
Afni O
( O
221810502 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Yuliagnis O
Transver O
Wijaya O
, O
S.ST O
, O
M.Sc O
Ringkasan— O
Data O
merupakan O
kekayaan O
baru O
yang O
berguna O
sebagai O
rujukan O
dalam O
perumusan O
kebijakan. O
Untuk O
memperoleh O
data O
yang O
berkualitas O
, O
pemerintah O
Indonesia O
melakukan O
upaya O
perbaikan O
tata O
kelola O
data O
pemerintah O
melalui O
Satu O
Data O
Indonesia O
( O
SDI O
) O
. O
Pengguna O
data O
memiliki O
peran O
penting O
dalam O
implementasi O
SDI O
khususnya O
dalam O
monitoring. O
Secara O
sederhana O
, O
sentimen O
pengguna O
data O
dapat O
menunjukkan O
perasaan O
dan O
sikap O
terhadap O
suatu O
entitas. O
Dalam O
penelitian O
ini O
, O
pengguna O
data O
dipersempit O
menjadi O
pengguna O
Twitter O
sehingga O
data O
pendapat B-TUJUAN
implementasi I-TUJUAN
SDI I-TUJUAN
dapat I-TUJUAN
diperoleh. I-TUJUAN
Dalam O
melakukan O
analisis B-METODE
sentimen I-METODE
terdapat O
beberapa O
pendekatan. O
Dalam O
penelitian O
ini O
pendekatan O
semi-supervised O
learning O
dengan O
teknik O
pseudo-labeling O
dan O
algoritma O
Support O
Vector O
Machine O
( O
SVM O
) O
digunakan O
karena O
memiliki O
performa O
yang O
cukup O
baik O
, O
biaya O
rendah O
, O
dan O
sederhana. O
Dalam O
proses O
modeling O
dilakukan O
resampling O
dan O
pembobotan O
dengan O
TF-IDF O
untuk O
menemukan O
model O
terbaik. O
Selain O
itu O
juga O
dilakukan O
perbandingan O
algoritma O
untuk O
melihat O
performa O
SVM O
jika O
dibandingkan O
dengan O
algoritma O
lain. O
Penelitian O
menghasilkan O
bahwa O
sentimen B-TEMUAN
pengguna I-TEMUAN
Twitter I-TEMUAN
terkait I-TEMUAN
implementasi I-TEMUAN
Satu I-TEMUAN
Data I-TEMUAN
Indonesia I-TEMUAN
cenderung I-TEMUAN
positif I-TEMUAN
dan I-TEMUAN
algoritma I-TEMUAN
SVM I-TEMUAN
menghasilkan I-TEMUAN
akurasi I-TEMUAN
terbaik. I-TEMUAN
Kata O
Kunci— O
Satu O
Data O
Indonesia O
, O
Semi-Supervised O
, O
SVM O
, O
Resampling O
, O
TF-IDF. O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
penjabaran O
di O
atas O
, O
dapat O
disimpulkan O
bahwa O
hasil B-TEMUAN
klasifikasi I-TEMUAN
sentimen I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sentimen I-TEMUAN
pengguna I-TEMUAN
Twitter I-TEMUAN
terkait I-TEMUAN
implementasi I-TEMUAN
Satu I-TEMUAN
Data I-TEMUAN
Indonesia I-TEMUAN
cenderung I-TEMUAN
positif I-TEMUAN
dan I-TEMUAN
netral. I-TEMUAN
Sentimen O
positif O
pengguna O
Twitter O
cenderung O
menyangkut O
sistem O
, O
integrasi O
, O
pemerintah O
dan O
tata O
kelola. O
Sementara O
itu O
, O
pada O
sentimen O
negatif O
juga O
sebagian O
pengguna O
Twitter O
membahas O
mengenai O
sistem O
, O
tata O
kelola O
, O
dan O
pemerintah. O
Hal O
tersebut O
menunjukkan O
kurang O
stabilnya O
sistem O
, O
tata O
kelola O
, O
dan O
pemerintah O
sehingga O
muncul O
sentimen O
yang O
berbeda. O
Kata O
yang O
cenderung O
banyak O
digunakan O
dalam O
sentimen O
positif O
yaitu O
kata O
“integrasi”. O
Hal O
ini O
menunjukkan O
bahwa O
pendapat O
pengguna O
Twitter O
terkait O
integrasi O
di O
Indonesia O
cenderung O
positif. O
Sedangkan O
kata O
yang O
cenderung O
banyak O
digunakan O
dalam O
sentimen O
negatif O
yaitu O
“valid”. O
Hal O
tersebut O
mengindikasikan O
sentimen O
pengguna O
Twitter O
terhadap O
validitas O
data O
di O
Indonesia O
cenderung O
buruk. O
klasifikasi O
Klasifikasi O
sentimen O
tweet O
menggunakan O
algoritma O
SVM O
menghasilkan O
akurasi O
pada O
data O
testing O
sebesar O
80,67 O
% O
. O
Kemudian O
semi-supervised O
SVM O
dengan O
menghasilkan O
akurasi O
sebesar O
82,25 O
% O
. O
Peningkatan O
akurasi O
menunjukkan O
bahwa O
penambahan O
data O
pseudo-labeled O
dapat O
meningkatkan O
akurasi. O
Selain O
itu O
, O
semi-supervised O
SVM O
terbukti O
memiliki O
performa O
yang O
lebih O
baik O
dari O
pada O
semi- O
supervised O
Naïve O
Bayes O
, O
maupun O
semi-supervised O
K-Nearest O
Neighbor. O
B. O
Saran O
Beberapa O
saran O
yang O
dapat O
diterapkan O
pada O
penelitian O
selanjutnya O
: O
lanjutan O
klasifikasi O
1. O
Melakukan O
dengan O
mengategorisasikan O
sentimen O
pengguna O
Twitter O
ke O
dalam O
bentuk O
keluhan O
, O
pujian O
, O
kritikan O
, O
dll. O
2. O
Menambahkan O
jumlah O
k O
pada O
cross O
validation. O
3. O
Berkolaborasi O
dengan O
profesional O
dalam O
melakukan O
labeling O
untuk O
mengurangi O
subjektivitas O
peneliti. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Analisis O
Sentimen O
Pengguna O
Twitter O
terhadap O
Implementasi O
Satu O
Data O
Indonesia O
dengan O
Semi-Supervised O
SVM O
Nissa O
Silvianna O
Devi O
Nur O
Afni O
( O
221810502 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Yuliagnis O
Transver O
Wijaya O
, O
S.ST O
, O
M.Sc O
Ringkasan— O
Data O
merupakan O
kekayaan O
baru O
yang O
berguna O
sebagai O
rujukan O
dalam O
perumusan O
kebijakan. O
Untuk O
memperoleh O
data O
yang O
berkualitas O
, O
pemerintah O
Indonesia O
melakukan O
upaya O
perbaikan O
tata O
kelola O
data O
pemerintah O
melalui O
Satu O
Data O
Indonesia O
( O
SDI O
) O
. O
Pengguna O
data O
memiliki O
peran O
penting O
dalam O
implementasi O
SDI O
khususnya O
dalam O
monitoring. O
Secara O
sederhana O
, O
sentimen O
pengguna O
data O
dapat O
menunjukkan O
perasaan O
dan O
sikap O
terhadap O
suatu O
entitas. O
Dalam O
penelitian O
ini O
, O
pengguna O
data O
dipersempit O
menjadi O
pengguna O
Twitter O
sehingga O
data O
pendapat B-TUJUAN
implementasi I-TUJUAN
SDI I-TUJUAN
dapat I-TUJUAN
diperoleh. I-TUJUAN
Dalam O
melakukan O
analisis B-METODE
sentimen I-METODE
terdapat O
beberapa O
pendekatan. O
Dalam O
penelitian O
ini O
pendekatan O
semi-supervised O
learning O
dengan O
teknik O
pseudo-labeling O
dan O
algoritma O
Support O
Vector O
Machine O
( O
SVM O
) O
digunakan O
karena O
memiliki O
performa O
yang O
cukup O
baik O
, O
biaya O
rendah O
, O
dan O
sederhana. O
Dalam O
proses O
modeling O
dilakukan O
resampling O
dan O
pembobotan O
dengan O
TF-IDF O
untuk O
menemukan O
model O
terbaik. O
Selain O
itu O
juga O
dilakukan O
perbandingan O
algoritma O
untuk O
melihat O
performa O
SVM O
jika O
dibandingkan O
dengan O
algoritma O
lain. O
Penelitian O
menghasilkan O
bahwa O
sentimen B-TEMUAN
pengguna I-TEMUAN
Twitter I-TEMUAN
terkait I-TEMUAN
implementasi I-TEMUAN
Satu I-TEMUAN
Data I-TEMUAN
Indonesia I-TEMUAN
cenderung I-TEMUAN
positif I-TEMUAN
dan I-TEMUAN
algoritma I-TEMUAN
SVM I-TEMUAN
menghasilkan I-TEMUAN
akurasi I-TEMUAN
terbaik. I-TEMUAN
Kata O
Kunci— O
Satu O
Data O
Indonesia O
, O
Semi-Supervised O
, O
SVM O
, O
Resampling O
, O
TF-IDF. O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
penjabaran O
di O
atas O
, O
dapat O
disimpulkan O
bahwa O
hasil B-TEMUAN
klasifikasi I-TEMUAN
sentimen I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sentimen I-TEMUAN
pengguna I-TEMUAN
Twitter I-TEMUAN
terkait I-TEMUAN
implementasi I-TEMUAN
Satu I-TEMUAN
Data I-TEMUAN
Indonesia I-TEMUAN
cenderung I-TEMUAN
positif I-TEMUAN
dan I-TEMUAN
netral. I-TEMUAN
Sentimen O
positif O
pengguna O
Twitter O
cenderung O
menyangkut O
sistem O
, O
integrasi O
, O
pemerintah O
dan O
tata O
kelola. O
Sementara O
itu O
, O
pada O
sentimen O
negatif O
juga O
sebagian O
pengguna O
Twitter O
membahas O
mengenai O
sistem O
, O
tata O
kelola O
, O
dan O
pemerintah. O
Hal O
tersebut O
menunjukkan O
kurang O
stabilnya O
sistem O
, O
tata O
kelola O
, O
dan O
pemerintah O
sehingga O
muncul O
sentimen O
yang O
berbeda. O
Kata O
yang O
cenderung O
banyak O
digunakan O
dalam O
sentimen O
positif O
yaitu O
kata O
“integrasi”. O
Hal O
ini O
menunjukkan O
bahwa O
pendapat O
pengguna O
Twitter O
terkait O
integrasi O
di O
Indonesia O
cenderung O
positif. O
Sedangkan O
kata O
yang O
cenderung O
banyak O
digunakan O
dalam O
sentimen O
negatif O
yaitu O
“valid”. O
Hal O
tersebut O
mengindikasikan O
sentimen O
pengguna O
Twitter O
terhadap O
validitas O
data O
di O
Indonesia O
cenderung O
buruk. O
klasifikasi O
Klasifikasi O
sentimen O
tweet O
menggunakan O
algoritma O
SVM O
menghasilkan O
akurasi O
pada O
data O
testing O
sebesar O
80,67 O
% O
. O
Kemudian O
semi-supervised O
SVM O
dengan O
menghasilkan O
akurasi O
sebesar O
82,25 O
% O
. O
Peningkatan O
akurasi O
menunjukkan O
bahwa O
penambahan O
data O
pseudo-labeled O
dapat O
meningkatkan O
akurasi. O
Selain O
itu O
, O
semi-supervised O
SVM O
terbukti O
memiliki O
performa O
yang O
lebih O
baik O
dari O
pada O
semi- O
supervised O
Naïve O
Bayes O
, O
maupun O
semi-supervised O
K-Nearest O
Neighbor. O
B. O
Saran O
Beberapa O
saran O
yang O
dapat O
diterapkan O
pada O
penelitian O
selanjutnya O
: O
lanjutan O
klasifikasi O
1. O
Melakukan O
dengan O
mengategorisasikan O
sentimen O
pengguna O
Twitter O
ke O
dalam O
bentuk O
keluhan O
, O
pujian O
, O
kritikan O
, O
dll. O
2. O
Menambahkan O
jumlah O
k O
pada O
cross O
validation. O
3. O
Berkolaborasi O
dengan O
profesional O
dalam O
melakukan O
labeling O
untuk O
mengurangi O
subjektivitas O
peneliti. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Pembangunan O
Package O
R O
untuk O
Small O
Area O
Estimation O
( O
SAE O
) O
pada O
Variabel O
Respon O
Binomial O
Menggunakan O
Empirical O
Bayes O
dengan O
Informasi O
Cluster O
Nensi O
Fitriani O
( O
221810499 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Ika O
Yuni O
Wulansari O
, O
S.S.T. O
, O
M.Stat. O
Ringkasan— O
Survei O
merupakan O
kegiatan O
pengumpulan O
data O
yang O
hemat O
sumber O
daya O
dengan O
mencakup O
sebagian O
populasi O
dan O
informasi O
yang O
lebih O
detail. O
Hasil O
dari O
survei O
disebut O
estimator O
disajikan O
sampai O
level O
( O
administrasi O
) O
tertentu. O
Seiring O
meningkatnya O
kebutuhan O
estimasi O
pada O
level O
yang O
lebih O
kecil O
, O
jumlah O
sampel O
yang O
tersedia O
tidak O
cukup O
representatif O
untuk O
pendugaan O
langsung. O
Small B-METODE
Area I-METODE
Estimation I-METODE
( I-METODE
SAE I-METODE
) I-METODE
dapat O
menjadi O
solusi O
untuk O
masalah O
ini. O
Namun O
, O
survei O
dengan O
variabel O
response O
tipe O
data O
biner O
tidak O
dapat O
diestimasi O
menggunakan O
metode O
dengan O
asumsi O
normalitas. O
Estimasi O
pada O
tipe O
data O
biner O
ini O
selanjutnya O
dapat O
diatasi O
dengan O
metode O
Empirical O
Bayes O
( O
EB O
) O
. O
Tujuan O
penelitian O
ini O
adalah O
membangun B-TUJUAN
package I-TUJUAN
R I-TUJUAN
untuk I-TUJUAN
metode I-TUJUAN
Empirical I-TUJUAN
Bayes I-TUJUAN
pada I-TUJUAN
tipe I-TUJUAN
data I-TUJUAN
biner I-TUJUAN
, I-TUJUAN
yang I-TUJUAN
bertujuan I-TUJUAN
memberikan I-TUJUAN
kemudahan I-TUJUAN
pada I-TUJUAN
pengguna I-TUJUAN
dalam I-TUJUAN
melakukan I-TUJUAN
estimasi I-TUJUAN
untuk I-TUJUAN
area I-TUJUAN
kecil. I-TUJUAN
Hasil O
penelitian O
menunjukkan O
bahwa O
metode B-TEMUAN
pendugaan I-TEMUAN
area I-TEMUAN
kecil I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
mampu I-TEMUAN
menunjukkan I-TEMUAN
akurasi I-TEMUAN
hasil I-TEMUAN
pendugaan I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
daripada I-TEMUAN
pendugaan I-TEMUAN
langsung I-TEMUAN
dan I-TEMUAN
penambahan I-TEMUAN
variabel I-TEMUAN
penyerta I-TEMUAN
serta I-TEMUAN
informasi I-TEMUAN
cluster I-TEMUAN
mampu I-TEMUAN
meningkatkan I-TEMUAN
akurasi I-TEMUAN
pada I-TEMUAN
pendugaan I-TEMUAN
area I-TEMUAN
kecil. I-TEMUAN
Kata O
Kunci— O
Small O
Area O
Estimation O
, O
Empirical O
Bayes O
, O
Binomial O
, O
Cluster. O
[SEP] O
Kesimpulan O
yang O
dapat O
di O
hasilkan O
dari O
penelitian O
ini O
antara O
lain O
: O
1. O
Pembangunan B-TEMUAN
package I-TEMUAN
R I-TEMUAN
metode I-TEMUAN
Empirical I-TEMUAN
Bayes I-TEMUAN
untuk I-TEMUAN
peubah I-TEMUAN
respon I-TEMUAN
binomial I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
dan O
dapat O
diakses O
melalui O
https O
: O
/ O
/ O
github.com O
/ O
nensiftr O
/ O
saeeb.bin O
2. O
Melalui O
pengujian O
pada O
pada O
data O
simulasi O
dengan O
menggunakan O
package O
R O
metode O
Empirical O
Bayes O
untuk O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
peubah O
respon O
binomial O
, O
package O
yang O
telah O
dibangun O
mampu O
menunjukkan O
presisi O
pendugaan O
yang O
lebih O
baik O
daripada O
penduga O
langsung. O
3. O
Berdasarkan O
hasil O
pengujian O
pada O
data O
studi O
kasus O
yaitu O
proporsi O
penduduk O
miskin O
di O
Provinsi O
D.I O
Yogyakarta O
, O
hasil O
pengujian O
melalui O
metode O
Empirical O
Bayes O
dengan O
variabel O
penyerta O
dan O
informasi O
cluster O
menunjukkan O
hasil O
pendugaan O
dengan O
yang O
lebih O
baik O
daripada O
metode O
lainnya O
dalam O
penelitian O
ini. O
4. O
Skor O
SUS B-METODE
yang O
diperoleh O
melalui O
uji O
kelayakan O
menunjukkan O
bahwa O
package O
R O
yang O
dibangun O
telah O
dianggap O
layak O
oleh O
responden O
untuk O
digunakan O
dalam O
estimasi O
area O
kecil O
pada O
variabel O
respon O
berdistribusi O
binomial. O
Pada O
penelitian O
terdapat O
beberapa O
kekurangan O
dan O
peluang O
untuk O
dilakukannya O
penelitian O
lebih O
lanjut O
baik O
dari O
metode O
pemodelan O
maupun O
aplikasi O
yang O
dibangun. O
Berikut O
beberapa O
saran O
yang O
bisa O
dilakukan O
pada O
penelitian O
selanjutnya O
: O
tentu O
masih O
ini O
1. O
Untuk O
melihat O
seberapa O
besar O
tingkat O
presisi O
dari O
hasil O
pemodelan O
SAE O
EB O
untuk O
variabel O
respon O
binomial O
masih O
menggunakan O
MSE O
dengan O
pendekatan O
metode O
Jackknife. O
Sehingga O
, O
dibutuhkan O
penggunaan O
metode O
lainnya O
sebagai O
pembanding. O
2. O
Pada O
estimasi O
area O
kecil O
dengan O
variabel O
penyerta O
hanya O
digunakan O
metode B-METODE
SAE I-METODE
EB I-METODE
model O
Logit-Normal O
sehingga O
masih O
perlu O
dilakukan O
pendugaan O
dengan O
model O
lainnya O
seperti O
Beta-Binomial. O

Pembangunan O
Package O
R O
untuk O
Small O
Area O
Estimation O
( O
SAE O
) O
pada O
Variabel O
Respon O
Binomial O
Menggunakan O
Empirical O
Bayes O
dengan O
Informasi O
Cluster O
Nensi O
Fitriani O
( O
221810499 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Ika O
Yuni O
Wulansari O
, O
S.S.T. O
, O
M.Stat. O
Ringkasan— O
Survei O
merupakan O
kegiatan O
pengumpulan O
data O
yang O
hemat O
sumber O
daya O
dengan O
mencakup O
sebagian O
populasi O
dan O
informasi O
yang O
lebih O
detail. O
Hasil O
dari O
survei O
disebut O
estimator O
disajikan O
sampai O
level O
( O
administrasi O
) O
tertentu. O
Seiring O
meningkatnya O
kebutuhan O
estimasi O
pada O
level O
yang O
lebih O
kecil O
, O
jumlah O
sampel O
yang O
tersedia O
tidak O
cukup O
representatif O
untuk O
pendugaan O
langsung. O
Small B-METODE
Area I-METODE
Estimation I-METODE
( I-METODE
SAE I-METODE
) I-METODE
dapat O
menjadi O
solusi O
untuk O
masalah O
ini. O
Namun O
, O
survei O
dengan O
variabel O
response O
tipe O
data O
biner O
tidak O
dapat O
diestimasi O
menggunakan O
metode O
dengan O
asumsi O
normalitas. O
Estimasi O
pada O
tipe O
data O
biner O
ini O
selanjutnya O
dapat O
diatasi O
dengan O
metode O
Empirical O
Bayes O
( O
EB O
) O
. O
Tujuan O
penelitian O
ini O
adalah O
membangun B-TUJUAN
package I-TUJUAN
R I-TUJUAN
untuk I-TUJUAN
metode I-TUJUAN
Empirical I-TUJUAN
Bayes I-TUJUAN
pada I-TUJUAN
tipe I-TUJUAN
data I-TUJUAN
biner I-TUJUAN
, I-TUJUAN
yang I-TUJUAN
bertujuan I-TUJUAN
memberikan I-TUJUAN
kemudahan I-TUJUAN
pada I-TUJUAN
pengguna I-TUJUAN
dalam I-TUJUAN
melakukan I-TUJUAN
estimasi I-TUJUAN
untuk I-TUJUAN
area I-TUJUAN
kecil. I-TUJUAN
Hasil O
penelitian O
menunjukkan O
bahwa O
metode B-TEMUAN
pendugaan I-TEMUAN
area I-TEMUAN
kecil I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
mampu I-TEMUAN
menunjukkan I-TEMUAN
akurasi I-TEMUAN
hasil I-TEMUAN
pendugaan I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
daripada I-TEMUAN
pendugaan I-TEMUAN
langsung I-TEMUAN
dan I-TEMUAN
penambahan I-TEMUAN
variabel I-TEMUAN
penyerta I-TEMUAN
serta I-TEMUAN
informasi I-TEMUAN
cluster I-TEMUAN
mampu I-TEMUAN
meningkatkan I-TEMUAN
akurasi I-TEMUAN
pada I-TEMUAN
pendugaan I-TEMUAN
area I-TEMUAN
kecil. I-TEMUAN
Kata O
Kunci— O
Small O
Area O
Estimation O
, O
Empirical O
Bayes O
, O
Binomial O
, O
Cluster. O
[SEP] O
Kesimpulan O
yang O
dapat O
di O
hasilkan O
dari O
penelitian O
ini O
antara O
lain O
: O
1. O
Pembangunan B-TEMUAN
package I-TEMUAN
R I-TEMUAN
metode I-TEMUAN
Empirical I-TEMUAN
Bayes I-TEMUAN
untuk I-TEMUAN
peubah I-TEMUAN
respon I-TEMUAN
binomial I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
dan O
dapat O
diakses O
melalui O
https O
: O
/ O
/ O
github.com O
/ O
nensiftr O
/ O
saeeb.bin O
2. O
Melalui O
pengujian O
pada O
pada O
data O
simulasi O
dengan O
menggunakan O
package O
R O
metode O
Empirical O
Bayes O
untuk O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
peubah O
respon O
binomial O
, O
package O
yang O
telah O
dibangun O
mampu O
menunjukkan O
presisi O
pendugaan O
yang O
lebih O
baik O
daripada O
penduga O
langsung. O
3. O
Berdasarkan O
hasil O
pengujian O
pada O
data O
studi O
kasus O
yaitu O
proporsi O
penduduk O
miskin O
di O
Provinsi O
D.I O
Yogyakarta O
, O
hasil O
pengujian O
melalui O
metode O
Empirical O
Bayes O
dengan O
variabel O
penyerta O
dan O
informasi O
cluster O
menunjukkan O
hasil O
pendugaan O
dengan O
yang O
lebih O
baik O
daripada O
metode O
lainnya O
dalam O
penelitian O
ini. O
4. O
Skor O
SUS B-METODE
yang O
diperoleh O
melalui O
uji O
kelayakan O
menunjukkan O
bahwa O
package O
R O
yang O
dibangun O
telah O
dianggap O
layak O
oleh O
responden O
untuk O
digunakan O
dalam O
estimasi O
area O
kecil O
pada O
variabel O
respon O
berdistribusi O
binomial. O
Pada O
penelitian O
terdapat O
beberapa O
kekurangan O
dan O
peluang O
untuk O
dilakukannya O
penelitian O
lebih O
lanjut O
baik O
dari O
metode O
pemodelan O
maupun O
aplikasi O
yang O
dibangun. O
Berikut O
beberapa O
saran O
yang O
bisa O
dilakukan O
pada O
penelitian O
selanjutnya O
: O
tentu O
masih O
ini O
1. O
Untuk O
melihat O
seberapa O
besar O
tingkat O
presisi O
dari O
hasil O
pemodelan O
SAE O
EB O
untuk O
variabel O
respon O
binomial O
masih O
menggunakan O
MSE O
dengan O
pendekatan O
metode O
Jackknife. O
Sehingga O
, O
dibutuhkan O
penggunaan O
metode O
lainnya O
sebagai O
pembanding. O
2. O
Pada O
estimasi O
area O
kecil O
dengan O
variabel O
penyerta O
hanya O
digunakan O
metode B-METODE
SAE I-METODE
EB I-METODE
model O
Logit-Normal O
sehingga O
masih O
perlu O
dilakukan O
pendugaan O
dengan O
model O
lainnya O
seperti O
Beta-Binomial. O

Pembangunan O
Package O
R O
untuk O
Small O
Area O
Estimation O
( O
SAE O
) O
pada O
Variabel O
Respon O
Binomial O
Menggunakan O
Empirical O
Bayes O
dengan O
Informasi O
Cluster O
Nensi O
Fitriani O
( O
221810499 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Ika O
Yuni O
Wulansari O
, O
S.S.T. O
, O
M.Stat. O
Ringkasan— O
Survei O
merupakan O
kegiatan O
pengumpulan O
data O
yang O
hemat O
sumber O
daya O
dengan O
mencakup O
sebagian O
populasi O
dan O
informasi O
yang O
lebih O
detail. O
Hasil O
dari O
survei O
disebut O
estimator O
disajikan O
sampai O
level O
( O
administrasi O
) O
tertentu. O
Seiring O
meningkatnya O
kebutuhan O
estimasi O
pada O
level O
yang O
lebih O
kecil O
, O
jumlah O
sampel O
yang O
tersedia O
tidak O
cukup O
representatif O
untuk O
pendugaan O
langsung. O
Small B-METODE
Area I-METODE
Estimation I-METODE
( I-METODE
SAE I-METODE
) I-METODE
dapat O
menjadi O
solusi O
untuk O
masalah O
ini. O
Namun O
, O
survei O
dengan O
variabel O
response O
tipe O
data O
biner O
tidak O
dapat O
diestimasi O
menggunakan O
metode O
dengan O
asumsi O
normalitas. O
Estimasi O
pada O
tipe O
data O
biner O
ini O
selanjutnya O
dapat O
diatasi O
dengan O
metode O
Empirical O
Bayes O
( O
EB O
) O
. O
Tujuan O
penelitian O
ini O
adalah O
membangun B-TUJUAN
package I-TUJUAN
R I-TUJUAN
untuk I-TUJUAN
metode I-TUJUAN
Empirical I-TUJUAN
Bayes I-TUJUAN
pada I-TUJUAN
tipe I-TUJUAN
data I-TUJUAN
biner I-TUJUAN
, I-TUJUAN
yang I-TUJUAN
bertujuan I-TUJUAN
memberikan I-TUJUAN
kemudahan I-TUJUAN
pada I-TUJUAN
pengguna I-TUJUAN
dalam I-TUJUAN
melakukan I-TUJUAN
estimasi I-TUJUAN
untuk I-TUJUAN
area I-TUJUAN
kecil. I-TUJUAN
Hasil O
penelitian O
menunjukkan O
bahwa O
metode B-TEMUAN
pendugaan I-TEMUAN
area I-TEMUAN
kecil I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
mampu I-TEMUAN
menunjukkan I-TEMUAN
akurasi I-TEMUAN
hasil I-TEMUAN
pendugaan I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
daripada I-TEMUAN
pendugaan I-TEMUAN
langsung I-TEMUAN
dan I-TEMUAN
penambahan I-TEMUAN
variabel I-TEMUAN
penyerta I-TEMUAN
serta I-TEMUAN
informasi I-TEMUAN
cluster I-TEMUAN
mampu I-TEMUAN
meningkatkan I-TEMUAN
akurasi I-TEMUAN
pada I-TEMUAN
pendugaan I-TEMUAN
area I-TEMUAN
kecil. I-TEMUAN
Kata O
Kunci— O
Small O
Area O
Estimation O
, O
Empirical O
Bayes O
, O
Binomial O
, O
Cluster. O
[SEP] O
Kesimpulan O
yang O
dapat O
di O
hasilkan O
dari O
penelitian O
ini O
antara O
lain O
: O
1. O
Pembangunan B-TEMUAN
package I-TEMUAN
R I-TEMUAN
metode I-TEMUAN
Empirical I-TEMUAN
Bayes I-TEMUAN
untuk I-TEMUAN
peubah I-TEMUAN
respon I-TEMUAN
binomial I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
dan O
dapat O
diakses O
melalui O
https O
: O
/ O
/ O
github.com O
/ O
nensiftr O
/ O
saeeb.bin O
2. O
Melalui O
pengujian O
pada O
pada O
data O
simulasi O
dengan O
menggunakan O
package O
R O
metode O
Empirical O
Bayes O
untuk O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
peubah O
respon O
binomial O
, O
package O
yang O
telah O
dibangun O
mampu O
menunjukkan O
presisi O
pendugaan O
yang O
lebih O
baik O
daripada O
penduga O
langsung. O
3. O
Berdasarkan O
hasil O
pengujian O
pada O
data O
studi O
kasus O
yaitu O
proporsi O
penduduk O
miskin O
di O
Provinsi O
D.I O
Yogyakarta O
, O
hasil O
pengujian O
melalui O
metode O
Empirical O
Bayes O
dengan O
variabel O
penyerta O
dan O
informasi O
cluster O
menunjukkan O
hasil O
pendugaan O
dengan O
yang O
lebih O
baik O
daripada O
metode O
lainnya O
dalam O
penelitian O
ini. O
4. O
Skor O
SUS B-METODE
yang O
diperoleh O
melalui O
uji O
kelayakan O
menunjukkan O
bahwa O
package O
R O
yang O
dibangun O
telah O
dianggap O
layak O
oleh O
responden O
untuk O
digunakan O
dalam O
estimasi O
area O
kecil O
pada O
variabel O
respon O
berdistribusi O
binomial. O
Pada O
penelitian O
terdapat O
beberapa O
kekurangan O
dan O
peluang O
untuk O
dilakukannya O
penelitian O
lebih O
lanjut O
baik O
dari O
metode O
pemodelan O
maupun O
aplikasi O
yang O
dibangun. O
Berikut O
beberapa O
saran O
yang O
bisa O
dilakukan O
pada O
penelitian O
selanjutnya O
: O
tentu O
masih O
ini O
1. O
Untuk O
melihat O
seberapa O
besar O
tingkat O
presisi O
dari O
hasil O
pemodelan O
SAE O
EB O
untuk O
variabel O
respon O
binomial O
masih O
menggunakan O
MSE O
dengan O
pendekatan O
metode O
Jackknife. O
Sehingga O
, O
dibutuhkan O
penggunaan O
metode O
lainnya O
sebagai O
pembanding. O
2. O
Pada O
estimasi O
area O
kecil O
dengan O
variabel O
penyerta O
hanya O
digunakan O
metode B-METODE
SAE I-METODE
EB I-METODE
model O
Logit-Normal O
sehingga O
masih O
perlu O
dilakukan O
pendugaan O
dengan O
model O
lainnya O
seperti O
Beta-Binomial. O

Pembangunan O
Package O
R O
untuk O
Small O
Area O
Estimation O
( O
SAE O
) O
pada O
Variabel O
Respon O
Binomial O
Menggunakan O
Empirical O
Bayes O
dengan O
Informasi O
Cluster O
Nensi O
Fitriani O
( O
221810499 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Ika O
Yuni O
Wulansari O
, O
S.S.T. O
, O
M.Stat. O
Ringkasan— O
Survei O
merupakan O
kegiatan O
pengumpulan O
data O
yang O
hemat O
sumber O
daya O
dengan O
mencakup O
sebagian O
populasi O
dan O
informasi O
yang O
lebih O
detail. O
Hasil O
dari O
survei O
disebut O
estimator O
disajikan O
sampai O
level O
( O
administrasi O
) O
tertentu. O
Seiring O
meningkatnya O
kebutuhan O
estimasi O
pada O
level O
yang O
lebih O
kecil O
, O
jumlah O
sampel O
yang O
tersedia O
tidak O
cukup O
representatif O
untuk O
pendugaan O
langsung. O
Small B-METODE
Area I-METODE
Estimation I-METODE
( I-METODE
SAE I-METODE
) I-METODE
dapat O
menjadi O
solusi O
untuk O
masalah O
ini. O
Namun O
, O
survei O
dengan O
variabel O
response O
tipe O
data O
biner O
tidak O
dapat O
diestimasi O
menggunakan O
metode O
dengan O
asumsi O
normalitas. O
Estimasi O
pada O
tipe O
data O
biner O
ini O
selanjutnya O
dapat O
diatasi O
dengan O
metode O
Empirical O
Bayes O
( O
EB O
) O
. O
Tujuan O
penelitian O
ini O
adalah O
membangun B-TUJUAN
package I-TUJUAN
R I-TUJUAN
untuk I-TUJUAN
metode I-TUJUAN
Empirical I-TUJUAN
Bayes I-TUJUAN
pada I-TUJUAN
tipe I-TUJUAN
data I-TUJUAN
biner I-TUJUAN
, I-TUJUAN
yang I-TUJUAN
bertujuan I-TUJUAN
memberikan I-TUJUAN
kemudahan I-TUJUAN
pada I-TUJUAN
pengguna I-TUJUAN
dalam I-TUJUAN
melakukan I-TUJUAN
estimasi I-TUJUAN
untuk I-TUJUAN
area I-TUJUAN
kecil. I-TUJUAN
Hasil O
penelitian O
menunjukkan O
bahwa O
metode B-TEMUAN
pendugaan I-TEMUAN
area I-TEMUAN
kecil I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
mampu I-TEMUAN
menunjukkan I-TEMUAN
akurasi I-TEMUAN
hasil I-TEMUAN
pendugaan I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
daripada I-TEMUAN
pendugaan I-TEMUAN
langsung I-TEMUAN
dan I-TEMUAN
penambahan I-TEMUAN
variabel I-TEMUAN
penyerta I-TEMUAN
serta I-TEMUAN
informasi I-TEMUAN
cluster I-TEMUAN
mampu I-TEMUAN
meningkatkan I-TEMUAN
akurasi I-TEMUAN
pada I-TEMUAN
pendugaan I-TEMUAN
area I-TEMUAN
kecil. I-TEMUAN
Kata O
Kunci— O
Small O
Area O
Estimation O
, O
Empirical O
Bayes O
, O
Binomial O
, O
Cluster. O
[SEP] O
Kesimpulan O
yang O
dapat O
di O
hasilkan O
dari O
penelitian O
ini O
antara O
lain O
: O
1. O
Pembangunan B-TEMUAN
package I-TEMUAN
R I-TEMUAN
metode I-TEMUAN
Empirical I-TEMUAN
Bayes I-TEMUAN
untuk I-TEMUAN
peubah I-TEMUAN
respon I-TEMUAN
binomial I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
dan O
dapat O
diakses O
melalui O
https O
: O
/ O
/ O
github.com O
/ O
nensiftr O
/ O
saeeb.bin O
2. O
Melalui O
pengujian O
pada O
pada O
data O
simulasi O
dengan O
menggunakan O
package O
R O
metode O
Empirical O
Bayes O
untuk O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
peubah O
respon O
binomial O
, O
package O
yang O
telah O
dibangun O
mampu O
menunjukkan O
presisi O
pendugaan O
yang O
lebih O
baik O
daripada O
penduga O
langsung. O
3. O
Berdasarkan O
hasil O
pengujian O
pada O
data O
studi O
kasus O
yaitu O
proporsi O
penduduk O
miskin O
di O
Provinsi O
D.I O
Yogyakarta O
, O
hasil O
pengujian O
melalui O
metode O
Empirical O
Bayes O
dengan O
variabel O
penyerta O
dan O
informasi O
cluster O
menunjukkan O
hasil O
pendugaan O
dengan O
yang O
lebih O
baik O
daripada O
metode O
lainnya O
dalam O
penelitian O
ini. O
4. O
Skor O
SUS B-METODE
yang O
diperoleh O
melalui O
uji O
kelayakan O
menunjukkan O
bahwa O
package O
R O
yang O
dibangun O
telah O
dianggap O
layak O
oleh O
responden O
untuk O
digunakan O
dalam O
estimasi O
area O
kecil O
pada O
variabel O
respon O
berdistribusi O
binomial. O
Pada O
penelitian O
terdapat O
beberapa O
kekurangan O
dan O
peluang O
untuk O
dilakukannya O
penelitian O
lebih O
lanjut O
baik O
dari O
metode O
pemodelan O
maupun O
aplikasi O
yang O
dibangun. O
Berikut O
beberapa O
saran O
yang O
bisa O
dilakukan O
pada O
penelitian O
selanjutnya O
: O
tentu O
masih O
ini O
1. O
Untuk O
melihat O
seberapa O
besar O
tingkat O
presisi O
dari O
hasil O
pemodelan O
SAE O
EB O
untuk O
variabel O
respon O
binomial O
masih O
menggunakan O
MSE O
dengan O
pendekatan O
metode O
Jackknife. O
Sehingga O
, O
dibutuhkan O
penggunaan O
metode O
lainnya O
sebagai O
pembanding. O
2. O
Pada O
estimasi O
area O
kecil O
dengan O
variabel O
penyerta O
hanya O
digunakan O
metode B-METODE
SAE I-METODE
EB I-METODE
model O
Logit-Normal O
sehingga O
masih O
perlu O
dilakukan O
pendugaan O
dengan O
model O
lainnya O
seperti O
Beta-Binomial. O

Deteksi O
dan O
Pemetaan O
Areal O
Kebakaran O
Hutan O
dan O
Lahan O
menggunakan O
Deep O
Learning O
pada O
Data O
Penginderaan O
Jauh O
Studi O
Kasus O
: O
Kabupaten O
Rokan O
Hilir O
, O
Provinsi O
Riau O
Natasya O
Afira O
( O
221810497 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
, O
SST O
, O
MT. O
lahan O
Ringkasan— O
Kebakaran O
hutan O
dan O
( O
karhutla O
) O
merupakan O
bencana O
yang O
sering O
terjadi O
di O
Indonesia. O
Data O
areal O
terbakar O
yang O
cepat O
dan O
akurat O
dibutuhkan O
untuk O
mengetahui O
penyebab O
kebakaran O
, O
memperkirakan O
kerugian O
dari O
berbagai O
aspek O
, O
memprioritaskan O
kawasan O
rehabilitasi O
, O
estimasi O
emisi O
karbon O
, O
penegakan O
hukum O
, O
serta O
strategi O
kegiatan O
pengendalian O
karhutla O
lainnya. O
Data O
resmi O
yang O
dihasilkan O
oleh O
Kementerian O
Lingkungan O
Hidup O
dan O
Kehutanan O
( O
KLHK O
) O
menggunakan O
metode O
klasifikasi O
digital O
dan O
interpretasi O
visual O
dengan O
indeks O
komposit O
sederhana O
dari O
data O
penginderaan O
jauh. O
Metode O
ini O
membutuhkan O
waktu O
yang O
lama O
, O
kesalahan O
deteksi O
yang O
cukup O
besar O
, O
serta O
membutuhkan O
banyak O
pakar O
yang O
ahli O
dibidang O
karhutla. O
Penelitian O
ini O
bertujuan O
untuk O
membangun B-TUJUAN
model I-TUJUAN
multi-temporal I-TUJUAN
dan I-TUJUAN
mono-temporal I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
melakukan I-TUJUAN
otomatisasi I-TUJUAN
deteksi I-TUJUAN
dan I-TUJUAN
pemetaan I-TUJUAN
areal I-TUJUAN
karhutla I-TUJUAN
menggunakan I-TUJUAN
algoritma I-TUJUAN
machine I-TUJUAN
learning I-TUJUAN
dan I-TUJUAN
deep I-TUJUAN
learning. I-TUJUAN
Hasil O
yang O
diperoleh O
menunjukkan O
bahwa O
1 B-TEMUAN
) I-TEMUAN
model I-TEMUAN
multi-temporal I-TEMUAN
CNN1-D I-TEMUAN
dengan I-TEMUAN
penambahan I-TEMUAN
5 I-TEMUAN
indeks I-TEMUAN
komposit I-TEMUAN
dapat I-TEMUAN
mendeteksi I-TEMUAN
areal I-TEMUAN
terbakar I-TEMUAN
( I-TEMUAN
F1-score I-TEMUAN
95,00 I-TEMUAN
% I-TEMUAN
) I-TEMUAN
, I-TEMUAN
2 I-TEMUAN
) I-TEMUAN
model I-TEMUAN
mono-temporal I-TEMUAN
Random I-TEMUAN
Forest I-TEMUAN
dengan I-TEMUAN
pita I-TEMUAN
spektral I-TEMUAN
NIR I-TEMUAN
, I-TEMUAN
NIRn I-TEMUAN
, I-TEMUAN
SWIR1 I-TEMUAN
dapat I-TEMUAN
mendeteksi I-TEMUAN
areal I-TEMUAN
terbakar I-TEMUAN
( I-TEMUAN
F1- I-TEMUAN
score I-TEMUAN
90,14 I-TEMUAN
% I-TEMUAN
) I-TEMUAN
, I-TEMUAN
3 I-TEMUAN
) I-TEMUAN
model I-TEMUAN
multi-temporal I-TEMUAN
dan I-TEMUAN
mono-temporal I-TEMUAN
masing-masing I-TEMUAN
dapat I-TEMUAN
memetakan I-TEMUAN
sebesar I-TEMUAN
42,85 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
56,13 I-TEMUAN
% I-TEMUAN
areal I-TEMUAN
terbakar I-TEMUAN
dari I-TEMUAN
total I-TEMUAN
keseluruhan I-TEMUAN
peta I-TEMUAN
resmi I-TEMUAN
KLHK. I-TEMUAN
Secara O
keseluruhan O
, O
kedua O
model O
dapat O
memetakan O
areal O
karhutla O
baik O
skala O
besar O
maupun O
skala O
kecil. O
Hasil O
penelitian O
ini O
diharapkan O
dapat O
membantu O
meningkatkan O
sistem O
monitoring O
karhutla O
sebagai O
acuan O
pemerintah O
untuk O
menentukan O
berbagai O
strategi O
terkait O
pencegahan O
dan O
penanggulangan O
karhutla O
di O
Indonesia. O
Kata O
Kunci— O
Kebakaran O
hutan O
dan O
lahan O
, O
penginderaan O
jauh O
, O
deep O
learning O
, O
deteksi O
[SEP] O
Penelitian O
ini O
mengusulkan O
pendekatan O
multi-temporal O
dan O
mono-temporal O
untuk O
mendeteksi O
areal O
karhutla O
di O
Kabupaten O
Rokan O
Hilir O
, O
Provinsi O
Riau O
dengan O
memanfaatkan O
citra B-METODE
satelit I-METODE
Sentinel-2. I-METODE
Menjawab O
tujuan O
pertama O
penelitian O
, O
model O
multi-temporal O
terbaik O
CNN1-D O
dengan O
penambahan O
5 O
indeks O
komposit O
dapat O
mendeteksi O
areal O
karhutla O
dengan O
akurasi B-METODE
sebesar O
95,33 O
% O
dan O
F1 B-METODE
score I-METODE
sebesar O
95,00 O
% O
. O
Menjawab O
tujuan O
kedua O
penelitian O
, O
model O
mono-temporal O
terbaik O
Random O
Forest O
dengan O
memanfaatkan O
pita O
spektral O
NIR O
, O
NIRn O
, O
dan O
SWIR1 O
memiliki O
akurasi O
sebesar O
91,16 O
% O
dan O
F1 B-METODE
score I-METODE
sebesar O
91,41 O
% O
. O
Terakhir O
untuk O
menjawab O
tujuan O
ketiga O
, O
, O
model B-TEMUAN
multi-temporal I-TEMUAN
dan I-TEMUAN
mono-temporal I-TEMUAN
masing- I-TEMUAN
masing I-TEMUAN
dapat I-TEMUAN
memetakan I-TEMUAN
42,85 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
56,13 I-TEMUAN
% I-TEMUAN
areal I-TEMUAN
terbakar I-TEMUAN
dari I-TEMUAN
total I-TEMUAN
keseluruhan I-TEMUAN
peta I-TEMUAN
resmi I-TEMUAN
KLHK. I-TEMUAN
seluruh O
wilayah O
di O
Berdasarkan O
model O
yang O
telah O
dibangun O
pada O
penelitian O
ini O
, O
terbuka O
peluang O
dalam O
mengimplementasikan O
model O
Indonesia O
untuk O
tersebut O
pada O
menghasilkan O
data O
areal O
karhutla O
resmi O
oleh O
KLHK. O
Keterbatasan O
utama O
dari O
penelitian O
ini O
adalah O
kedua O
pendekatan O
hanya O
dilakukan O
pada O
citra O
satelit O
yang O
memiliki O
tutupan O
awan O
minimal O
dalam O
rentang O
periode O
waktu O
tertentu. O
Sementara O
itu O
perolehan O
citra O
awan O
yang O
minimal O
sangat O
sulit O
dilakukan O
di O
wilayah O
tropis O
seperti O
Indonesia O
untuk O
periode O
waktu O
yang O
sempit O
seperti O
bulanan. O
Oleh O
karena O
itu O
, O
penelitian O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
selanjutnya O
dapat O
mengkombinasikan O
penggunaan O
satelit O
optik O
dengan O
satelit O
radar O
seperti O
Sentinel-1 O
yang O
dapat O
menembus O
awan O
dan O
asap. O

Deteksi O
dan O
Pemetaan O
Areal O
Kebakaran O
Hutan O
dan O
Lahan O
menggunakan O
Deep O
Learning O
pada O
Data O
Penginderaan O
Jauh O
Studi O
Kasus O
: O
Kabupaten O
Rokan O
Hilir O
, O
Provinsi O
Riau O
Natasya O
Afira O
( O
221810497 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
, O
SST O
, O
MT. O
lahan O
Ringkasan— O
Kebakaran O
hutan O
dan O
( O
karhutla O
) O
merupakan O
bencana O
yang O
sering O
terjadi O
di O
Indonesia. O
Data O
areal O
terbakar O
yang O
cepat O
dan O
akurat O
dibutuhkan O
untuk O
mengetahui O
penyebab O
kebakaran O
, O
memperkirakan O
kerugian O
dari O
berbagai O
aspek O
, O
memprioritaskan O
kawasan O
rehabilitasi O
, O
estimasi O
emisi O
karbon O
, O
penegakan O
hukum O
, O
serta O
strategi O
kegiatan O
pengendalian O
karhutla O
lainnya. O
Data O
resmi O
yang O
dihasilkan O
oleh O
Kementerian O
Lingkungan O
Hidup O
dan O
Kehutanan O
( O
KLHK O
) O
menggunakan O
metode O
klasifikasi O
digital O
dan O
interpretasi O
visual O
dengan O
indeks O
komposit O
sederhana O
dari O
data O
penginderaan O
jauh. O
Metode O
ini O
membutuhkan O
waktu O
yang O
lama O
, O
kesalahan O
deteksi O
yang O
cukup O
besar O
, O
serta O
membutuhkan O
banyak O
pakar O
yang O
ahli O
dibidang O
karhutla. O
Penelitian O
ini O
bertujuan O
untuk O
membangun B-TUJUAN
model I-TUJUAN
multi-temporal I-TUJUAN
dan I-TUJUAN
mono-temporal I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
melakukan I-TUJUAN
otomatisasi I-TUJUAN
deteksi I-TUJUAN
dan I-TUJUAN
pemetaan I-TUJUAN
areal I-TUJUAN
karhutla I-TUJUAN
menggunakan I-TUJUAN
algoritma I-TUJUAN
machine I-TUJUAN
learning I-TUJUAN
dan I-TUJUAN
deep I-TUJUAN
learning. I-TUJUAN
Hasil O
yang O
diperoleh O
menunjukkan O
bahwa O
1 B-TEMUAN
) I-TEMUAN
model I-TEMUAN
multi-temporal I-TEMUAN
CNN1-D I-TEMUAN
dengan I-TEMUAN
penambahan I-TEMUAN
5 I-TEMUAN
indeks I-TEMUAN
komposit I-TEMUAN
dapat I-TEMUAN
mendeteksi I-TEMUAN
areal I-TEMUAN
terbakar I-TEMUAN
( I-TEMUAN
F1-score I-TEMUAN
95,00 I-TEMUAN
% I-TEMUAN
) I-TEMUAN
, I-TEMUAN
2 I-TEMUAN
) I-TEMUAN
model I-TEMUAN
mono-temporal I-TEMUAN
Random I-TEMUAN
Forest I-TEMUAN
dengan I-TEMUAN
pita I-TEMUAN
spektral I-TEMUAN
NIR I-TEMUAN
, I-TEMUAN
NIRn I-TEMUAN
, I-TEMUAN
SWIR1 I-TEMUAN
dapat I-TEMUAN
mendeteksi I-TEMUAN
areal I-TEMUAN
terbakar I-TEMUAN
( I-TEMUAN
F1- I-TEMUAN
score I-TEMUAN
90,14 I-TEMUAN
% I-TEMUAN
) I-TEMUAN
, I-TEMUAN
3 I-TEMUAN
) I-TEMUAN
model I-TEMUAN
multi-temporal I-TEMUAN
dan I-TEMUAN
mono-temporal I-TEMUAN
masing-masing I-TEMUAN
dapat I-TEMUAN
memetakan I-TEMUAN
sebesar I-TEMUAN
42,85 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
56,13 I-TEMUAN
% I-TEMUAN
areal I-TEMUAN
terbakar I-TEMUAN
dari I-TEMUAN
total I-TEMUAN
keseluruhan I-TEMUAN
peta I-TEMUAN
resmi I-TEMUAN
KLHK. I-TEMUAN
Secara O
keseluruhan O
, O
kedua O
model O
dapat O
memetakan O
areal O
karhutla O
baik O
skala O
besar O
maupun O
skala O
kecil. O
Hasil O
penelitian O
ini O
diharapkan O
dapat O
membantu O
meningkatkan O
sistem O
monitoring O
karhutla O
sebagai O
acuan O
pemerintah O
untuk O
menentukan O
berbagai O
strategi O
terkait O
pencegahan O
dan O
penanggulangan O
karhutla O
di O
Indonesia. O
Kata O
Kunci— O
Kebakaran O
hutan O
dan O
lahan O
, O
penginderaan O
jauh O
, O
deep O
learning O
, O
deteksi O
[SEP] O
Penelitian O
ini O
mengusulkan O
pendekatan O
multi-temporal O
dan O
mono-temporal O
untuk O
mendeteksi O
areal O
karhutla O
di O
Kabupaten O
Rokan O
Hilir O
, O
Provinsi O
Riau O
dengan O
memanfaatkan O
citra B-METODE
satelit I-METODE
Sentinel-2. I-METODE
Menjawab O
tujuan O
pertama O
penelitian O
, O
model O
multi-temporal O
terbaik O
CNN1-D O
dengan O
penambahan O
5 O
indeks O
komposit O
dapat O
mendeteksi O
areal O
karhutla O
dengan O
akurasi B-METODE
sebesar O
95,33 O
% O
dan O
F1 B-METODE
score I-METODE
sebesar O
95,00 O
% O
. O
Menjawab O
tujuan O
kedua O
penelitian O
, O
model O
mono-temporal O
terbaik O
Random O
Forest O
dengan O
memanfaatkan O
pita O
spektral O
NIR O
, O
NIRn O
, O
dan O
SWIR1 O
memiliki O
akurasi O
sebesar O
91,16 O
% O
dan O
F1 B-METODE
score I-METODE
sebesar O
91,41 O
% O
. O
Terakhir O
untuk O
menjawab O
tujuan O
ketiga O
, O
, O
model B-TEMUAN
multi-temporal I-TEMUAN
dan I-TEMUAN
mono-temporal I-TEMUAN
masing- I-TEMUAN
masing I-TEMUAN
dapat I-TEMUAN
memetakan I-TEMUAN
42,85 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
56,13 I-TEMUAN
% I-TEMUAN
areal I-TEMUAN
terbakar I-TEMUAN
dari I-TEMUAN
total I-TEMUAN
keseluruhan I-TEMUAN
peta I-TEMUAN
resmi I-TEMUAN
KLHK. I-TEMUAN
seluruh O
wilayah O
di O
Berdasarkan O
model O
yang O
telah O
dibangun O
pada O
penelitian O
ini O
, O
terbuka O
peluang O
dalam O
mengimplementasikan O
model O
Indonesia O
untuk O
tersebut O
pada O
menghasilkan O
data O
areal O
karhutla O
resmi O
oleh O
KLHK. O
Keterbatasan O
utama O
dari O
penelitian O
ini O
adalah O
kedua O
pendekatan O
hanya O
dilakukan O
pada O
citra O
satelit O
yang O
memiliki O
tutupan O
awan O
minimal O
dalam O
rentang O
periode O
waktu O
tertentu. O
Sementara O
itu O
perolehan O
citra O
awan O
yang O
minimal O
sangat O
sulit O
dilakukan O
di O
wilayah O
tropis O
seperti O
Indonesia O
untuk O
periode O
waktu O
yang O
sempit O
seperti O
bulanan. O
Oleh O
karena O
itu O
, O
penelitian O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
selanjutnya O
dapat O
mengkombinasikan O
penggunaan O
satelit O
optik O
dengan O
satelit O
radar O
seperti O
Sentinel-1 O
yang O
dapat O
menembus O
awan O
dan O
asap. O

Deteksi O
dan O
Pemetaan O
Areal O
Kebakaran O
Hutan O
dan O
Lahan O
menggunakan O
Deep O
Learning O
pada O
Data O
Penginderaan O
Jauh O
Studi O
Kasus O
: O
Kabupaten O
Rokan O
Hilir O
, O
Provinsi O
Riau O
Natasya O
Afira O
( O
221810497 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
, O
SST O
, O
MT. O
lahan O
Ringkasan— O
Kebakaran O
hutan O
dan O
( O
karhutla O
) O
merupakan O
bencana O
yang O
sering O
terjadi O
di O
Indonesia. O
Data O
areal O
terbakar O
yang O
cepat O
dan O
akurat O
dibutuhkan O
untuk O
mengetahui O
penyebab O
kebakaran O
, O
memperkirakan O
kerugian O
dari O
berbagai O
aspek O
, O
memprioritaskan O
kawasan O
rehabilitasi O
, O
estimasi O
emisi O
karbon O
, O
penegakan O
hukum O
, O
serta O
strategi O
kegiatan O
pengendalian O
karhutla O
lainnya. O
Data O
resmi O
yang O
dihasilkan O
oleh O
Kementerian O
Lingkungan O
Hidup O
dan O
Kehutanan O
( O
KLHK O
) O
menggunakan O
metode O
klasifikasi O
digital O
dan O
interpretasi O
visual O
dengan O
indeks O
komposit O
sederhana O
dari O
data O
penginderaan O
jauh. O
Metode O
ini O
membutuhkan O
waktu O
yang O
lama O
, O
kesalahan O
deteksi O
yang O
cukup O
besar O
, O
serta O
membutuhkan O
banyak O
pakar O
yang O
ahli O
dibidang O
karhutla. O
Penelitian O
ini O
bertujuan O
untuk O
membangun B-TUJUAN
model I-TUJUAN
multi-temporal I-TUJUAN
dan I-TUJUAN
mono-temporal I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
melakukan I-TUJUAN
otomatisasi I-TUJUAN
deteksi I-TUJUAN
dan I-TUJUAN
pemetaan I-TUJUAN
areal I-TUJUAN
karhutla I-TUJUAN
menggunakan I-TUJUAN
algoritma I-TUJUAN
machine I-TUJUAN
learning I-TUJUAN
dan I-TUJUAN
deep I-TUJUAN
learning. I-TUJUAN
Hasil O
yang O
diperoleh O
menunjukkan O
bahwa O
1 B-TEMUAN
) I-TEMUAN
model I-TEMUAN
multi-temporal I-TEMUAN
CNN1-D I-TEMUAN
dengan I-TEMUAN
penambahan I-TEMUAN
5 I-TEMUAN
indeks I-TEMUAN
komposit I-TEMUAN
dapat I-TEMUAN
mendeteksi I-TEMUAN
areal I-TEMUAN
terbakar I-TEMUAN
( I-TEMUAN
F1-score I-TEMUAN
95,00 I-TEMUAN
% I-TEMUAN
) I-TEMUAN
, I-TEMUAN
2 I-TEMUAN
) I-TEMUAN
model I-TEMUAN
mono-temporal I-TEMUAN
Random I-TEMUAN
Forest I-TEMUAN
dengan I-TEMUAN
pita I-TEMUAN
spektral I-TEMUAN
NIR I-TEMUAN
, I-TEMUAN
NIRn I-TEMUAN
, I-TEMUAN
SWIR1 I-TEMUAN
dapat I-TEMUAN
mendeteksi I-TEMUAN
areal I-TEMUAN
terbakar I-TEMUAN
( I-TEMUAN
F1- I-TEMUAN
score I-TEMUAN
90,14 I-TEMUAN
% I-TEMUAN
) I-TEMUAN
, I-TEMUAN
3 I-TEMUAN
) I-TEMUAN
model I-TEMUAN
multi-temporal I-TEMUAN
dan I-TEMUAN
mono-temporal I-TEMUAN
masing-masing I-TEMUAN
dapat I-TEMUAN
memetakan I-TEMUAN
sebesar I-TEMUAN
42,85 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
56,13 I-TEMUAN
% I-TEMUAN
areal I-TEMUAN
terbakar I-TEMUAN
dari I-TEMUAN
total I-TEMUAN
keseluruhan I-TEMUAN
peta I-TEMUAN
resmi I-TEMUAN
KLHK. I-TEMUAN
Secara O
keseluruhan O
, O
kedua O
model O
dapat O
memetakan O
areal O
karhutla O
baik O
skala O
besar O
maupun O
skala O
kecil. O
Hasil O
penelitian O
ini O
diharapkan O
dapat O
membantu O
meningkatkan O
sistem O
monitoring O
karhutla O
sebagai O
acuan O
pemerintah O
untuk O
menentukan O
berbagai O
strategi O
terkait O
pencegahan O
dan O
penanggulangan O
karhutla O
di O
Indonesia. O
Kata O
Kunci— O
Kebakaran O
hutan O
dan O
lahan O
, O
penginderaan O
jauh O
, O
deep O
learning O
, O
deteksi O
[SEP] O
Penelitian O
ini O
mengusulkan O
pendekatan O
multi-temporal O
dan O
mono-temporal O
untuk O
mendeteksi O
areal O
karhutla O
di O
Kabupaten O
Rokan O
Hilir O
, O
Provinsi O
Riau O
dengan O
memanfaatkan O
citra B-METODE
satelit I-METODE
Sentinel-2. I-METODE
Menjawab O
tujuan O
pertama O
penelitian O
, O
model O
multi-temporal O
terbaik O
CNN1-D O
dengan O
penambahan O
5 O
indeks O
komposit O
dapat O
mendeteksi O
areal O
karhutla O
dengan O
akurasi B-METODE
sebesar O
95,33 O
% O
dan O
F1 B-METODE
score I-METODE
sebesar O
95,00 O
% O
. O
Menjawab O
tujuan O
kedua O
penelitian O
, O
model O
mono-temporal O
terbaik O
Random O
Forest O
dengan O
memanfaatkan O
pita O
spektral O
NIR O
, O
NIRn O
, O
dan O
SWIR1 O
memiliki O
akurasi O
sebesar O
91,16 O
% O
dan O
F1 B-METODE
score I-METODE
sebesar O
91,41 O
% O
. O
Terakhir O
untuk O
menjawab O
tujuan O
ketiga O
, O
, O
model B-TEMUAN
multi-temporal I-TEMUAN
dan I-TEMUAN
mono-temporal I-TEMUAN
masing- I-TEMUAN
masing I-TEMUAN
dapat I-TEMUAN
memetakan I-TEMUAN
42,85 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
56,13 I-TEMUAN
% I-TEMUAN
areal I-TEMUAN
terbakar I-TEMUAN
dari I-TEMUAN
total I-TEMUAN
keseluruhan I-TEMUAN
peta I-TEMUAN
resmi I-TEMUAN
KLHK. I-TEMUAN
seluruh O
wilayah O
di O
Berdasarkan O
model O
yang O
telah O
dibangun O
pada O
penelitian O
ini O
, O
terbuka O
peluang O
dalam O
mengimplementasikan O
model O
Indonesia O
untuk O
tersebut O
pada O
menghasilkan O
data O
areal O
karhutla O
resmi O
oleh O
KLHK. O
Keterbatasan O
utama O
dari O
penelitian O
ini O
adalah O
kedua O
pendekatan O
hanya O
dilakukan O
pada O
citra O
satelit O
yang O
memiliki O
tutupan O
awan O
minimal O
dalam O
rentang O
periode O
waktu O
tertentu. O
Sementara O
itu O
perolehan O
citra O
awan O
yang O
minimal O
sangat O
sulit O
dilakukan O
di O
wilayah O
tropis O
seperti O
Indonesia O
untuk O
periode O
waktu O
yang O
sempit O
seperti O
bulanan. O
Oleh O
karena O
itu O
, O
penelitian O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
selanjutnya O
dapat O
mengkombinasikan O
penggunaan O
satelit O
optik O
dengan O
satelit O
radar O
seperti O
Sentinel-1 O
yang O
dapat O
menembus O
awan O
dan O
asap. O

Deteksi O
dan O
Pemetaan O
Areal O
Kebakaran O
Hutan O
dan O
Lahan O
menggunakan O
Deep O
Learning O
pada O
Data O
Penginderaan O
Jauh O
Studi O
Kasus O
: O
Kabupaten O
Rokan O
Hilir O
, O
Provinsi O
Riau O
Natasya O
Afira O
( O
221810497 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
, O
SST O
, O
MT. O
lahan O
Ringkasan— O
Kebakaran O
hutan O
dan O
( O
karhutla O
) O
merupakan O
bencana O
yang O
sering O
terjadi O
di O
Indonesia. O
Data O
areal O
terbakar O
yang O
cepat O
dan O
akurat O
dibutuhkan O
untuk O
mengetahui O
penyebab O
kebakaran O
, O
memperkirakan O
kerugian O
dari O
berbagai O
aspek O
, O
memprioritaskan O
kawasan O
rehabilitasi O
, O
estimasi O
emisi O
karbon O
, O
penegakan O
hukum O
, O
serta O
strategi O
kegiatan O
pengendalian O
karhutla O
lainnya. O
Data O
resmi O
yang O
dihasilkan O
oleh O
Kementerian O
Lingkungan O
Hidup O
dan O
Kehutanan O
( O
KLHK O
) O
menggunakan O
metode O
klasifikasi O
digital O
dan O
interpretasi O
visual O
dengan O
indeks O
komposit O
sederhana O
dari O
data O
penginderaan O
jauh. O
Metode O
ini O
membutuhkan O
waktu O
yang O
lama O
, O
kesalahan O
deteksi O
yang O
cukup O
besar O
, O
serta O
membutuhkan O
banyak O
pakar O
yang O
ahli O
dibidang O
karhutla. O
Penelitian O
ini O
bertujuan O
untuk O
membangun B-TUJUAN
model I-TUJUAN
multi-temporal I-TUJUAN
dan I-TUJUAN
mono-temporal I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
melakukan I-TUJUAN
otomatisasi I-TUJUAN
deteksi I-TUJUAN
dan I-TUJUAN
pemetaan I-TUJUAN
areal I-TUJUAN
karhutla I-TUJUAN
menggunakan I-TUJUAN
algoritma I-TUJUAN
machine I-TUJUAN
learning I-TUJUAN
dan I-TUJUAN
deep I-TUJUAN
learning. I-TUJUAN
Hasil O
yang O
diperoleh O
menunjukkan O
bahwa O
1 B-TEMUAN
) I-TEMUAN
model I-TEMUAN
multi-temporal I-TEMUAN
CNN1-D I-TEMUAN
dengan I-TEMUAN
penambahan I-TEMUAN
5 I-TEMUAN
indeks I-TEMUAN
komposit I-TEMUAN
dapat I-TEMUAN
mendeteksi I-TEMUAN
areal I-TEMUAN
terbakar I-TEMUAN
( I-TEMUAN
F1-score I-TEMUAN
95,00 I-TEMUAN
% I-TEMUAN
) I-TEMUAN
, I-TEMUAN
2 I-TEMUAN
) I-TEMUAN
model I-TEMUAN
mono-temporal I-TEMUAN
Random I-TEMUAN
Forest I-TEMUAN
dengan I-TEMUAN
pita I-TEMUAN
spektral I-TEMUAN
NIR I-TEMUAN
, I-TEMUAN
NIRn I-TEMUAN
, I-TEMUAN
SWIR1 I-TEMUAN
dapat I-TEMUAN
mendeteksi I-TEMUAN
areal I-TEMUAN
terbakar I-TEMUAN
( I-TEMUAN
F1- I-TEMUAN
score I-TEMUAN
90,14 I-TEMUAN
% I-TEMUAN
) I-TEMUAN
, I-TEMUAN
3 I-TEMUAN
) I-TEMUAN
model I-TEMUAN
multi-temporal I-TEMUAN
dan I-TEMUAN
mono-temporal I-TEMUAN
masing-masing I-TEMUAN
dapat I-TEMUAN
memetakan I-TEMUAN
sebesar I-TEMUAN
42,85 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
56,13 I-TEMUAN
% I-TEMUAN
areal I-TEMUAN
terbakar I-TEMUAN
dari I-TEMUAN
total I-TEMUAN
keseluruhan I-TEMUAN
peta I-TEMUAN
resmi I-TEMUAN
KLHK. I-TEMUAN
Secara O
keseluruhan O
, O
kedua O
model O
dapat O
memetakan O
areal O
karhutla O
baik O
skala O
besar O
maupun O
skala O
kecil. O
Hasil O
penelitian O
ini O
diharapkan O
dapat O
membantu O
meningkatkan O
sistem O
monitoring O
karhutla O
sebagai O
acuan O
pemerintah O
untuk O
menentukan O
berbagai O
strategi O
terkait O
pencegahan O
dan O
penanggulangan O
karhutla O
di O
Indonesia. O
Kata O
Kunci— O
Kebakaran O
hutan O
dan O
lahan O
, O
penginderaan O
jauh O
, O
deep O
learning O
, O
deteksi O
[SEP] O
Penelitian O
ini O
mengusulkan O
pendekatan O
multi-temporal O
dan O
mono-temporal O
untuk O
mendeteksi O
areal O
karhutla O
di O
Kabupaten O
Rokan O
Hilir O
, O
Provinsi O
Riau O
dengan O
memanfaatkan O
citra B-METODE
satelit I-METODE
Sentinel-2. I-METODE
Menjawab O
tujuan O
pertama O
penelitian O
, O
model O
multi-temporal O
terbaik O
CNN1-D O
dengan O
penambahan O
5 O
indeks O
komposit O
dapat O
mendeteksi O
areal O
karhutla O
dengan O
akurasi B-METODE
sebesar O
95,33 O
% O
dan O
F1 B-METODE
score I-METODE
sebesar O
95,00 O
% O
. O
Menjawab O
tujuan O
kedua O
penelitian O
, O
model O
mono-temporal O
terbaik O
Random O
Forest O
dengan O
memanfaatkan O
pita O
spektral O
NIR O
, O
NIRn O
, O
dan O
SWIR1 O
memiliki O
akurasi O
sebesar O
91,16 O
% O
dan O
F1 B-METODE
score I-METODE
sebesar O
91,41 O
% O
. O
Terakhir O
untuk O
menjawab O
tujuan O
ketiga O
, O
, O
model B-TEMUAN
multi-temporal I-TEMUAN
dan I-TEMUAN
mono-temporal I-TEMUAN
masing- I-TEMUAN
masing I-TEMUAN
dapat I-TEMUAN
memetakan I-TEMUAN
42,85 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
56,13 I-TEMUAN
% I-TEMUAN
areal I-TEMUAN
terbakar I-TEMUAN
dari I-TEMUAN
total I-TEMUAN
keseluruhan I-TEMUAN
peta I-TEMUAN
resmi I-TEMUAN
KLHK. I-TEMUAN
seluruh O
wilayah O
di O
Berdasarkan O
model O
yang O
telah O
dibangun O
pada O
penelitian O
ini O
, O
terbuka O
peluang O
dalam O
mengimplementasikan O
model O
Indonesia O
untuk O
tersebut O
pada O
menghasilkan O
data O
areal O
karhutla O
resmi O
oleh O
KLHK. O
Keterbatasan O
utama O
dari O
penelitian O
ini O
adalah O
kedua O
pendekatan O
hanya O
dilakukan O
pada O
citra O
satelit O
yang O
memiliki O
tutupan O
awan O
minimal O
dalam O
rentang O
periode O
waktu O
tertentu. O
Sementara O
itu O
perolehan O
citra O
awan O
yang O
minimal O
sangat O
sulit O
dilakukan O
di O
wilayah O
tropis O
seperti O
Indonesia O
untuk O
periode O
waktu O
yang O
sempit O
seperti O
bulanan. O
Oleh O
karena O
itu O
, O
penelitian O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
selanjutnya O
dapat O
mengkombinasikan O
penggunaan O
satelit O
optik O
dengan O
satelit O
radar O
seperti O
Sentinel-1 O
yang O
dapat O
menembus O
awan O
dan O
asap. O

Integrasi O
Citra O
Satelit O
Multi O
Sumber O
Berbasis O
Deep O
Learning O
dan O
Geospatial O
Big O
Data O
Lainnya O
Untuk O
Pemetaan O
Kemiskinan O
Anak O
Studi O
Kasus O
: O
Provinsi O
Banten O
Nasiya O
Alifah O
Utami O
( O
221810496 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
Ringkasan— O
Kemisikinan O
anak O
merupakan O
salah O
satu O
fokus O
utama O
SDGs O
yang O
diadopsi O
oleh O
pemerintah O
Indonesia O
dalam O
RPJMN. O
Usaha O
pengentasan O
kemiskinan O
anak O
dapat O
dilakukan O
dengan O
pemantauan O
regular O
dan O
komprehensif. O
Data O
kemiskinan O
anak O
di O
Indonesia O
yang O
dijadikan O
sebagai O
basis O
pemantauan O
bersumber O
dari O
SUSENAS O
2016 O
yang O
frekuensi O
update O
dan O
level O
penyajiannya O
cukup O
terbatas. O
Akibat O
keterbatasan O
tersebut O
, O
pemanfaatan O
penginderaan B-METODE
jauh I-METODE
multi I-METODE
sumber I-METODE
dan O
geospatial O
big O
data O
lainnya O
sangat O
potensial O
untuk O
memetakan B-TUJUAN
kemiskinan I-TUJUAN
anak I-TUJUAN
mengingat O
penginderaan B-METODE
jauh I-METODE
dan O
big O
data O
memiliki O
frekuensi O
update O
dan O
level O
penyajian O
yang O
lebih O
granular O
( O
dalam O
grid O
) O
. O
Hasil O
menunjukkan O
bahwa O
1 B-TEMUAN
) I-TEMUAN
Pengintegrasian I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
multisumber I-TEMUAN
dan I-TEMUAN
geospatial I-TEMUAN
big I-TEMUAN
data I-TEMUAN
dengan I-TEMUAN
metode I-TEMUAN
pembangunan I-TEMUAN
indeks I-TEMUAN
menggunakan I-TEMUAN
weighted I-TEMUAN
sum I-TEMUAN
dapat I-TEMUAN
memetakan I-TEMUAN
kemiskinan I-TEMUAN
anak I-TEMUAN
dalam I-TEMUAN
level I-TEMUAN
1 I-TEMUAN
km I-TEMUAN
grid I-TEMUAN
dengan I-TEMUAN
indeks I-TEMUAN
terbaiknya I-TEMUAN
adalah I-TEMUAN
EWS I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
RMSE I-TEMUAN
2,675 I-TEMUAN
, I-TEMUAN
2 I-TEMUAN
) I-TEMUAN
Model I-TEMUAN
machine I-TEMUAN
learning I-TEMUAN
terbaik I-TEMUAN
untuk I-TEMUAN
mengestimasi I-TEMUAN
kemiskinan I-TEMUAN
anak I-TEMUAN
adalah I-TEMUAN
Multilayer I-TEMUAN
Perceptron I-TEMUAN
( I-TEMUAN
MLP I-TEMUAN
) I-TEMUAN
dengan I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
2,332 I-TEMUAN
, I-TEMUAN
3 I-TEMUAN
) I-TEMUAN
Pengimplementasian I-TEMUAN
deep I-TEMUAN
learning I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
untuk I-TEMUAN
megekstraksi I-TEMUAN
fitur I-TEMUAN
sebagai I-TEMUAN
prediktor I-TEMUAN
model I-TEMUAN
estimasi I-TEMUAN
kemiskinan I-TEMUAN
anak I-TEMUAN
, I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
adalah I-TEMUAN
ResNet34-RFR I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
RMSE I-TEMUAN
2,999 I-TEMUAN
, I-TEMUAN
4 I-TEMUAN
) I-TEMUAN
Hasil I-TEMUAN
estimasi I-TEMUAN
dengan I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
multisumber I-TEMUAN
dan I-TEMUAN
geospatial I-TEMUAN
big I-TEMUAN
data I-TEMUAN
lainnya I-TEMUAN
menghasilkan I-TEMUAN
akurasi I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dibandingkan I-TEMUAN
dengan I-TEMUAN
model I-TEMUAN
estimasi I-TEMUAN
yang I-TEMUAN
hanya I-TEMUAN
menggunakan I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
siang I-TEMUAN
hari I-TEMUAN
dengan I-TEMUAN
deep I-TEMUAN
learning. I-TEMUAN
Pemetaan O
kemiskinan O
kemudian O
divisualisasikan O
secara O
dinamis O
dalam O
map O
dashboard O
sederhana O
yang O
bisa O
diakses O
kapanpun O
dan O
dimanapun. O
Kata O
Kunci— O
kemiskinan O
anak O
, O
citra O
satelit O
, O
geospatial O
big O
data O
, O
machine O
learning O
, O
deep O
learning. O
atau O
2030 O
Pemerintah O
[SEP] O
Berdasarkan O
hasil O
analisis O
, O
dapat O
ditarik O
kesimpulan O
secara O
sistematis O
yang O
bisa O
disajikan O
dalam O
poin-poin O
terstruktur O
sebagai O
berikut O
: O
1 O
) O
Indeks O
kemiskinan O
anak O
yang O
dibangun O
dengan O
memanfaatkan O
pengintegrasian O
citra O
satelit O
multi O
sumber O
dan O
geospatial O
big O
data O
lainnya O
menggunakan O
metode O
Equal O
Weight O
Sum O
( O
EWS O
) O
merupakan O
indeks O
terbaik O
berdasarkan O
evaluasi B-METODE
numerik I-METODE
dengan O
RMSE B-METODE
terhadap O
kemiskinan O
anak O
sebesar O
2,675. O
2 O
) O
Model O
estimasi O
kemiskinan O
anak O
terbaik O
dengan O
memanfaatkan O
pengintegrasian O
citra O
satelit O
multi O
sumber O
dan O
geospatial O
big O
data O
lainnya O
menggunakan O
metode O
machine O
learning O
terbaik O
adalah O
metode O
Multilayer O
Perceptron O
( O
MLP O
) O
berdasarkan O
evaluasi O
numerik O
dengan O
RMSE O
terhadap O
kemiskinan O
anak O
sebesar O
2,149. O
3 O
) O
Model O
estimasi O
kemiskinan O
anak O
terbaik O
yang O
dapat O
digunakan O
untuk O
menggambarkan O
kemiskinan O
anak O
berdasarkan O
citra O
satelit O
malam O
hari O
dan O
citra O
satelit O
siang O
hari O
adalah O
ResNet34 O
dengan O
Random O
Forest O
Regression O
( O
ResNet34-RFR O
) O
dengan O
RMSE O
sebesar O
3,993. O
( O
MLP O
) O
4 O
) O
Metode O
yang O
dipilih O
untuk O
memetakan O
kemiskinan O
adalah O
metode O
Multilayer O
Perceptron O
dengan O
pengintegrasian O
citra O
satelit O
multi O
sumber O
dan O
geospatial O
big O
data O
lainnya O
karena O
memiliki O
akurasi O
yang O
lebih O
baik O
dibandingkan O
lainnya. O
Pemetaan O
kemiskinan O
anak O
dilakukan O
pada O
level O
kecamatan O
dan O
level O
grid O
, O
kemudian O
divisualisasikan O
secara O
sederhana O
dalam O
bentuk O
map O
dashboard O
yang O
dapat O
diakses O
kapanpun O
dan O
dimanapun. O
kedua O
metode O
Hasil O
analisis O
juga O
menunjukkan O
bahwa O
pemetaan B-TUJUAN
kemiskinan I-TUJUAN
anak I-TUJUAN
berdasarkan I-TUJUAN
integrasi I-TUJUAN
antara I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
multisumber I-TUJUAN
dan I-TUJUAN
big I-TUJUAN
data I-TUJUAN
lainnya I-TUJUAN
memiliki O
akurasi O
yang O
lebih O
baik O
dibandingkan O
hanya O
dengan O
memanfaatkan O
citra O
satelit O
siang O
hari O
dan O
citra O
satelit O
malam O
hari O
saja O
, O
walaupun O
dengan O
metode O
yang O
lebih O
sederhana. O
Hal O
ini O
membuktikan O
bahwa O
pengintegrasian B-TEMUAN
beberapa I-TEMUAN
sumber I-TEMUAN
big I-TEMUAN
data I-TEMUAN
untuk I-TEMUAN
memetakan I-TEMUAN
kemiskinan I-TEMUAN
anak I-TEMUAN
sangat I-TEMUAN
potensial I-TEMUAN
untuk I-TEMUAN
digunakan I-TEMUAN
sebagai I-TEMUAN
data I-TEMUAN
pendukung I-TEMUAN
angka I-TEMUAN
kemiskinan I-TEMUAN
anak I-TEMUAN
moneter I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
yang O
penyajiannya O
masih O
sangat O
terbatas O
baik O
dari O
segi O
waktu O
maupun O
wilayah. O

Integrasi O
Citra O
Satelit O
Multi O
Sumber O
Berbasis O
Deep O
Learning O
dan O
Geospatial O
Big O
Data O
Lainnya O
Untuk O
Pemetaan O
Kemiskinan O
Anak O
Studi O
Kasus O
: O
Provinsi O
Banten O
Nasiya O
Alifah O
Utami O
( O
221810496 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
Ringkasan— O
Kemisikinan O
anak O
merupakan O
salah O
satu O
fokus O
utama O
SDGs O
yang O
diadopsi O
oleh O
pemerintah O
Indonesia O
dalam O
RPJMN. O
Usaha O
pengentasan O
kemiskinan O
anak O
dapat O
dilakukan O
dengan O
pemantauan O
regular O
dan O
komprehensif. O
Data O
kemiskinan O
anak O
di O
Indonesia O
yang O
dijadikan O
sebagai O
basis O
pemantauan O
bersumber O
dari O
SUSENAS O
2016 O
yang O
frekuensi O
update O
dan O
level O
penyajiannya O
cukup O
terbatas. O
Akibat O
keterbatasan O
tersebut O
, O
pemanfaatan O
penginderaan B-METODE
jauh I-METODE
multi I-METODE
sumber I-METODE
dan O
geospatial O
big O
data O
lainnya O
sangat O
potensial O
untuk O
memetakan B-TUJUAN
kemiskinan I-TUJUAN
anak I-TUJUAN
mengingat O
penginderaan B-METODE
jauh I-METODE
dan O
big O
data O
memiliki O
frekuensi O
update O
dan O
level O
penyajian O
yang O
lebih O
granular O
( O
dalam O
grid O
) O
. O
Hasil O
menunjukkan O
bahwa O
1 B-TEMUAN
) I-TEMUAN
Pengintegrasian I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
multisumber I-TEMUAN
dan I-TEMUAN
geospatial I-TEMUAN
big I-TEMUAN
data I-TEMUAN
dengan I-TEMUAN
metode I-TEMUAN
pembangunan I-TEMUAN
indeks I-TEMUAN
menggunakan I-TEMUAN
weighted I-TEMUAN
sum I-TEMUAN
dapat I-TEMUAN
memetakan I-TEMUAN
kemiskinan I-TEMUAN
anak I-TEMUAN
dalam I-TEMUAN
level I-TEMUAN
1 I-TEMUAN
km I-TEMUAN
grid I-TEMUAN
dengan I-TEMUAN
indeks I-TEMUAN
terbaiknya I-TEMUAN
adalah I-TEMUAN
EWS I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
RMSE I-TEMUAN
2,675 I-TEMUAN
, I-TEMUAN
2 I-TEMUAN
) I-TEMUAN
Model I-TEMUAN
machine I-TEMUAN
learning I-TEMUAN
terbaik I-TEMUAN
untuk I-TEMUAN
mengestimasi I-TEMUAN
kemiskinan I-TEMUAN
anak I-TEMUAN
adalah I-TEMUAN
Multilayer I-TEMUAN
Perceptron I-TEMUAN
( I-TEMUAN
MLP I-TEMUAN
) I-TEMUAN
dengan I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
2,332 I-TEMUAN
, I-TEMUAN
3 I-TEMUAN
) I-TEMUAN
Pengimplementasian I-TEMUAN
deep I-TEMUAN
learning I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
untuk I-TEMUAN
megekstraksi I-TEMUAN
fitur I-TEMUAN
sebagai I-TEMUAN
prediktor I-TEMUAN
model I-TEMUAN
estimasi I-TEMUAN
kemiskinan I-TEMUAN
anak I-TEMUAN
, I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
adalah I-TEMUAN
ResNet34-RFR I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
RMSE I-TEMUAN
2,999 I-TEMUAN
, I-TEMUAN
4 I-TEMUAN
) I-TEMUAN
Hasil I-TEMUAN
estimasi I-TEMUAN
dengan I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
multisumber I-TEMUAN
dan I-TEMUAN
geospatial I-TEMUAN
big I-TEMUAN
data I-TEMUAN
lainnya I-TEMUAN
menghasilkan I-TEMUAN
akurasi I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dibandingkan I-TEMUAN
dengan I-TEMUAN
model I-TEMUAN
estimasi I-TEMUAN
yang I-TEMUAN
hanya I-TEMUAN
menggunakan I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
siang I-TEMUAN
hari I-TEMUAN
dengan I-TEMUAN
deep I-TEMUAN
learning. I-TEMUAN
Pemetaan O
kemiskinan O
kemudian O
divisualisasikan O
secara O
dinamis O
dalam O
map O
dashboard O
sederhana O
yang O
bisa O
diakses O
kapanpun O
dan O
dimanapun. O
Kata O
Kunci— O
kemiskinan O
anak O
, O
citra O
satelit O
, O
geospatial O
big O
data O
, O
machine O
learning O
, O
deep O
learning. O
atau O
2030 O
Pemerintah O
[SEP] O
Berdasarkan O
hasil O
analisis O
, O
dapat O
ditarik O
kesimpulan O
secara O
sistematis O
yang O
bisa O
disajikan O
dalam O
poin-poin O
terstruktur O
sebagai O
berikut O
: O
1 O
) O
Indeks O
kemiskinan O
anak O
yang O
dibangun O
dengan O
memanfaatkan O
pengintegrasian O
citra O
satelit O
multi O
sumber O
dan O
geospatial O
big O
data O
lainnya O
menggunakan O
metode O
Equal O
Weight O
Sum O
( O
EWS O
) O
merupakan O
indeks O
terbaik O
berdasarkan O
evaluasi B-METODE
numerik I-METODE
dengan O
RMSE B-METODE
terhadap O
kemiskinan O
anak O
sebesar O
2,675. O
2 O
) O
Model O
estimasi O
kemiskinan O
anak O
terbaik O
dengan O
memanfaatkan O
pengintegrasian O
citra O
satelit O
multi O
sumber O
dan O
geospatial O
big O
data O
lainnya O
menggunakan O
metode O
machine O
learning O
terbaik O
adalah O
metode O
Multilayer O
Perceptron O
( O
MLP O
) O
berdasarkan O
evaluasi O
numerik O
dengan O
RMSE O
terhadap O
kemiskinan O
anak O
sebesar O
2,149. O
3 O
) O
Model O
estimasi O
kemiskinan O
anak O
terbaik O
yang O
dapat O
digunakan O
untuk O
menggambarkan O
kemiskinan O
anak O
berdasarkan O
citra O
satelit O
malam O
hari O
dan O
citra O
satelit O
siang O
hari O
adalah O
ResNet34 O
dengan O
Random O
Forest O
Regression O
( O
ResNet34-RFR O
) O
dengan O
RMSE O
sebesar O
3,993. O
( O
MLP O
) O
4 O
) O
Metode O
yang O
dipilih O
untuk O
memetakan O
kemiskinan O
adalah O
metode O
Multilayer O
Perceptron O
dengan O
pengintegrasian O
citra O
satelit O
multi O
sumber O
dan O
geospatial O
big O
data O
lainnya O
karena O
memiliki O
akurasi O
yang O
lebih O
baik O
dibandingkan O
lainnya. O
Pemetaan O
kemiskinan O
anak O
dilakukan O
pada O
level O
kecamatan O
dan O
level O
grid O
, O
kemudian O
divisualisasikan O
secara O
sederhana O
dalam O
bentuk O
map O
dashboard O
yang O
dapat O
diakses O
kapanpun O
dan O
dimanapun. O
kedua O
metode O
Hasil O
analisis O
juga O
menunjukkan O
bahwa O
pemetaan B-TUJUAN
kemiskinan I-TUJUAN
anak I-TUJUAN
berdasarkan I-TUJUAN
integrasi I-TUJUAN
antara I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
multisumber I-TUJUAN
dan I-TUJUAN
big I-TUJUAN
data I-TUJUAN
lainnya I-TUJUAN
memiliki O
akurasi O
yang O
lebih O
baik O
dibandingkan O
hanya O
dengan O
memanfaatkan O
citra O
satelit O
siang O
hari O
dan O
citra O
satelit O
malam O
hari O
saja O
, O
walaupun O
dengan O
metode O
yang O
lebih O
sederhana. O
Hal O
ini O
membuktikan O
bahwa O
pengintegrasian B-TEMUAN
beberapa I-TEMUAN
sumber I-TEMUAN
big I-TEMUAN
data I-TEMUAN
untuk I-TEMUAN
memetakan I-TEMUAN
kemiskinan I-TEMUAN
anak I-TEMUAN
sangat I-TEMUAN
potensial I-TEMUAN
untuk I-TEMUAN
digunakan I-TEMUAN
sebagai I-TEMUAN
data I-TEMUAN
pendukung I-TEMUAN
angka I-TEMUAN
kemiskinan I-TEMUAN
anak I-TEMUAN
moneter I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
yang O
penyajiannya O
masih O
sangat O
terbatas O
baik O
dari O
segi O
waktu O
maupun O
wilayah. O

Integrasi O
Citra O
Satelit O
Multi O
Sumber O
Berbasis O
Deep O
Learning O
dan O
Geospatial O
Big O
Data O
Lainnya O
Untuk O
Pemetaan O
Kemiskinan O
Anak O
Studi O
Kasus O
: O
Provinsi O
Banten O
Nasiya O
Alifah O
Utami O
( O
221810496 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
Ringkasan— O
Kemisikinan O
anak O
merupakan O
salah O
satu O
fokus O
utama O
SDGs O
yang O
diadopsi O
oleh O
pemerintah O
Indonesia O
dalam O
RPJMN. O
Usaha O
pengentasan O
kemiskinan O
anak O
dapat O
dilakukan O
dengan O
pemantauan O
regular O
dan O
komprehensif. O
Data O
kemiskinan O
anak O
di O
Indonesia O
yang O
dijadikan O
sebagai O
basis O
pemantauan O
bersumber O
dari O
SUSENAS O
2016 O
yang O
frekuensi O
update O
dan O
level O
penyajiannya O
cukup O
terbatas. O
Akibat O
keterbatasan O
tersebut O
, O
pemanfaatan O
penginderaan B-METODE
jauh I-METODE
multi I-METODE
sumber I-METODE
dan O
geospatial O
big O
data O
lainnya O
sangat O
potensial O
untuk O
memetakan B-TUJUAN
kemiskinan I-TUJUAN
anak I-TUJUAN
mengingat O
penginderaan B-METODE
jauh I-METODE
dan O
big O
data O
memiliki O
frekuensi O
update O
dan O
level O
penyajian O
yang O
lebih O
granular O
( O
dalam O
grid O
) O
. O
Hasil O
menunjukkan O
bahwa O
1 B-TEMUAN
) I-TEMUAN
Pengintegrasian I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
multisumber I-TEMUAN
dan I-TEMUAN
geospatial I-TEMUAN
big I-TEMUAN
data I-TEMUAN
dengan I-TEMUAN
metode I-TEMUAN
pembangunan I-TEMUAN
indeks I-TEMUAN
menggunakan I-TEMUAN
weighted I-TEMUAN
sum I-TEMUAN
dapat I-TEMUAN
memetakan I-TEMUAN
kemiskinan I-TEMUAN
anak I-TEMUAN
dalam I-TEMUAN
level I-TEMUAN
1 I-TEMUAN
km I-TEMUAN
grid I-TEMUAN
dengan I-TEMUAN
indeks I-TEMUAN
terbaiknya I-TEMUAN
adalah I-TEMUAN
EWS I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
RMSE I-TEMUAN
2,675 I-TEMUAN
, I-TEMUAN
2 I-TEMUAN
) I-TEMUAN
Model I-TEMUAN
machine I-TEMUAN
learning I-TEMUAN
terbaik I-TEMUAN
untuk I-TEMUAN
mengestimasi I-TEMUAN
kemiskinan I-TEMUAN
anak I-TEMUAN
adalah I-TEMUAN
Multilayer I-TEMUAN
Perceptron I-TEMUAN
( I-TEMUAN
MLP I-TEMUAN
) I-TEMUAN
dengan I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
2,332 I-TEMUAN
, I-TEMUAN
3 I-TEMUAN
) I-TEMUAN
Pengimplementasian I-TEMUAN
deep I-TEMUAN
learning I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
untuk I-TEMUAN
megekstraksi I-TEMUAN
fitur I-TEMUAN
sebagai I-TEMUAN
prediktor I-TEMUAN
model I-TEMUAN
estimasi I-TEMUAN
kemiskinan I-TEMUAN
anak I-TEMUAN
, I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
adalah I-TEMUAN
ResNet34-RFR I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
RMSE I-TEMUAN
2,999 I-TEMUAN
, I-TEMUAN
4 I-TEMUAN
) I-TEMUAN
Hasil I-TEMUAN
estimasi I-TEMUAN
dengan I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
multisumber I-TEMUAN
dan I-TEMUAN
geospatial I-TEMUAN
big I-TEMUAN
data I-TEMUAN
lainnya I-TEMUAN
menghasilkan I-TEMUAN
akurasi I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dibandingkan I-TEMUAN
dengan I-TEMUAN
model I-TEMUAN
estimasi I-TEMUAN
yang I-TEMUAN
hanya I-TEMUAN
menggunakan I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
siang I-TEMUAN
hari I-TEMUAN
dengan I-TEMUAN
deep I-TEMUAN
learning. I-TEMUAN
Pemetaan O
kemiskinan O
kemudian O
divisualisasikan O
secara O
dinamis O
dalam O
map O
dashboard O
sederhana O
yang O
bisa O
diakses O
kapanpun O
dan O
dimanapun. O
Kata O
Kunci— O
kemiskinan O
anak O
, O
citra O
satelit O
, O
geospatial O
big O
data O
, O
machine O
learning O
, O
deep O
learning. O
atau O
2030 O
Pemerintah O
[SEP] O
Berdasarkan O
hasil O
analisis O
, O
dapat O
ditarik O
kesimpulan O
secara O
sistematis O
yang O
bisa O
disajikan O
dalam O
poin-poin O
terstruktur O
sebagai O
berikut O
: O
1 O
) O
Indeks O
kemiskinan O
anak O
yang O
dibangun O
dengan O
memanfaatkan O
pengintegrasian O
citra O
satelit O
multi O
sumber O
dan O
geospatial O
big O
data O
lainnya O
menggunakan O
metode O
Equal O
Weight O
Sum O
( O
EWS O
) O
merupakan O
indeks O
terbaik O
berdasarkan O
evaluasi B-METODE
numerik I-METODE
dengan O
RMSE B-METODE
terhadap O
kemiskinan O
anak O
sebesar O
2,675. O
2 O
) O
Model O
estimasi O
kemiskinan O
anak O
terbaik O
dengan O
memanfaatkan O
pengintegrasian O
citra O
satelit O
multi O
sumber O
dan O
geospatial O
big O
data O
lainnya O
menggunakan O
metode O
machine O
learning O
terbaik O
adalah O
metode O
Multilayer O
Perceptron O
( O
MLP O
) O
berdasarkan O
evaluasi O
numerik O
dengan O
RMSE O
terhadap O
kemiskinan O
anak O
sebesar O
2,149. O
3 O
) O
Model O
estimasi O
kemiskinan O
anak O
terbaik O
yang O
dapat O
digunakan O
untuk O
menggambarkan O
kemiskinan O
anak O
berdasarkan O
citra O
satelit O
malam O
hari O
dan O
citra O
satelit O
siang O
hari O
adalah O
ResNet34 O
dengan O
Random O
Forest O
Regression O
( O
ResNet34-RFR O
) O
dengan O
RMSE O
sebesar O
3,993. O
( O
MLP O
) O
4 O
) O
Metode O
yang O
dipilih O
untuk O
memetakan O
kemiskinan O
adalah O
metode O
Multilayer O
Perceptron O
dengan O
pengintegrasian O
citra O
satelit O
multi O
sumber O
dan O
geospatial O
big O
data O
lainnya O
karena O
memiliki O
akurasi O
yang O
lebih O
baik O
dibandingkan O
lainnya. O
Pemetaan O
kemiskinan O
anak O
dilakukan O
pada O
level O
kecamatan O
dan O
level O
grid O
, O
kemudian O
divisualisasikan O
secara O
sederhana O
dalam O
bentuk O
map O
dashboard O
yang O
dapat O
diakses O
kapanpun O
dan O
dimanapun. O
kedua O
metode O
Hasil O
analisis O
juga O
menunjukkan O
bahwa O
pemetaan B-TUJUAN
kemiskinan I-TUJUAN
anak I-TUJUAN
berdasarkan I-TUJUAN
integrasi I-TUJUAN
antara I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
multisumber I-TUJUAN
dan I-TUJUAN
big I-TUJUAN
data I-TUJUAN
lainnya I-TUJUAN
memiliki O
akurasi O
yang O
lebih O
baik O
dibandingkan O
hanya O
dengan O
memanfaatkan O
citra O
satelit O
siang O
hari O
dan O
citra O
satelit O
malam O
hari O
saja O
, O
walaupun O
dengan O
metode O
yang O
lebih O
sederhana. O
Hal O
ini O
membuktikan O
bahwa O
pengintegrasian B-TEMUAN
beberapa I-TEMUAN
sumber I-TEMUAN
big I-TEMUAN
data I-TEMUAN
untuk I-TEMUAN
memetakan I-TEMUAN
kemiskinan I-TEMUAN
anak I-TEMUAN
sangat I-TEMUAN
potensial I-TEMUAN
untuk I-TEMUAN
digunakan I-TEMUAN
sebagai I-TEMUAN
data I-TEMUAN
pendukung I-TEMUAN
angka I-TEMUAN
kemiskinan I-TEMUAN
anak I-TEMUAN
moneter I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
yang O
penyajiannya O
masih O
sangat O
terbatas O
baik O
dari O
segi O
waktu O
maupun O
wilayah. O

Integrasi O
Citra O
Satelit O
Multi O
Sumber O
Berbasis O
Deep O
Learning O
dan O
Geospatial O
Big O
Data O
Lainnya O
Untuk O
Pemetaan O
Kemiskinan O
Anak O
Studi O
Kasus O
: O
Provinsi O
Banten O
Nasiya O
Alifah O
Utami O
( O
221810496 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
Ringkasan— O
Kemisikinan O
anak O
merupakan O
salah O
satu O
fokus O
utama O
SDGs O
yang O
diadopsi O
oleh O
pemerintah O
Indonesia O
dalam O
RPJMN. O
Usaha O
pengentasan O
kemiskinan O
anak O
dapat O
dilakukan O
dengan O
pemantauan O
regular O
dan O
komprehensif. O
Data O
kemiskinan O
anak O
di O
Indonesia O
yang O
dijadikan O
sebagai O
basis O
pemantauan O
bersumber O
dari O
SUSENAS O
2016 O
yang O
frekuensi O
update O
dan O
level O
penyajiannya O
cukup O
terbatas. O
Akibat O
keterbatasan O
tersebut O
, O
pemanfaatan O
penginderaan B-METODE
jauh I-METODE
multi I-METODE
sumber I-METODE
dan O
geospatial O
big O
data O
lainnya O
sangat O
potensial O
untuk O
memetakan B-TUJUAN
kemiskinan I-TUJUAN
anak I-TUJUAN
mengingat O
penginderaan B-METODE
jauh I-METODE
dan O
big O
data O
memiliki O
frekuensi O
update O
dan O
level O
penyajian O
yang O
lebih O
granular O
( O
dalam O
grid O
) O
. O
Hasil O
menunjukkan O
bahwa O
1 B-TEMUAN
) I-TEMUAN
Pengintegrasian I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
multisumber I-TEMUAN
dan I-TEMUAN
geospatial I-TEMUAN
big I-TEMUAN
data I-TEMUAN
dengan I-TEMUAN
metode I-TEMUAN
pembangunan I-TEMUAN
indeks I-TEMUAN
menggunakan I-TEMUAN
weighted I-TEMUAN
sum I-TEMUAN
dapat I-TEMUAN
memetakan I-TEMUAN
kemiskinan I-TEMUAN
anak I-TEMUAN
dalam I-TEMUAN
level I-TEMUAN
1 I-TEMUAN
km I-TEMUAN
grid I-TEMUAN
dengan I-TEMUAN
indeks I-TEMUAN
terbaiknya I-TEMUAN
adalah I-TEMUAN
EWS I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
RMSE I-TEMUAN
2,675 I-TEMUAN
, I-TEMUAN
2 I-TEMUAN
) I-TEMUAN
Model I-TEMUAN
machine I-TEMUAN
learning I-TEMUAN
terbaik I-TEMUAN
untuk I-TEMUAN
mengestimasi I-TEMUAN
kemiskinan I-TEMUAN
anak I-TEMUAN
adalah I-TEMUAN
Multilayer I-TEMUAN
Perceptron I-TEMUAN
( I-TEMUAN
MLP I-TEMUAN
) I-TEMUAN
dengan I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
2,332 I-TEMUAN
, I-TEMUAN
3 I-TEMUAN
) I-TEMUAN
Pengimplementasian I-TEMUAN
deep I-TEMUAN
learning I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
untuk I-TEMUAN
megekstraksi I-TEMUAN
fitur I-TEMUAN
sebagai I-TEMUAN
prediktor I-TEMUAN
model I-TEMUAN
estimasi I-TEMUAN
kemiskinan I-TEMUAN
anak I-TEMUAN
, I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
adalah I-TEMUAN
ResNet34-RFR I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
RMSE I-TEMUAN
2,999 I-TEMUAN
, I-TEMUAN
4 I-TEMUAN
) I-TEMUAN
Hasil I-TEMUAN
estimasi I-TEMUAN
dengan I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
multisumber I-TEMUAN
dan I-TEMUAN
geospatial I-TEMUAN
big I-TEMUAN
data I-TEMUAN
lainnya I-TEMUAN
menghasilkan I-TEMUAN
akurasi I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dibandingkan I-TEMUAN
dengan I-TEMUAN
model I-TEMUAN
estimasi I-TEMUAN
yang I-TEMUAN
hanya I-TEMUAN
menggunakan I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
siang I-TEMUAN
hari I-TEMUAN
dengan I-TEMUAN
deep I-TEMUAN
learning. I-TEMUAN
Pemetaan O
kemiskinan O
kemudian O
divisualisasikan O
secara O
dinamis O
dalam O
map O
dashboard O
sederhana O
yang O
bisa O
diakses O
kapanpun O
dan O
dimanapun. O
Kata O
Kunci— O
kemiskinan O
anak O
, O
citra O
satelit O
, O
geospatial O
big O
data O
, O
machine O
learning O
, O
deep O
learning. O
atau O
2030 O
Pemerintah O
[SEP] O
Berdasarkan O
hasil O
analisis O
, O
dapat O
ditarik O
kesimpulan O
secara O
sistematis O
yang O
bisa O
disajikan O
dalam O
poin-poin O
terstruktur O
sebagai O
berikut O
: O
1 O
) O
Indeks O
kemiskinan O
anak O
yang O
dibangun O
dengan O
memanfaatkan O
pengintegrasian O
citra O
satelit O
multi O
sumber O
dan O
geospatial O
big O
data O
lainnya O
menggunakan O
metode O
Equal O
Weight O
Sum O
( O
EWS O
) O
merupakan O
indeks O
terbaik O
berdasarkan O
evaluasi B-METODE
numerik I-METODE
dengan O
RMSE B-METODE
terhadap O
kemiskinan O
anak O
sebesar O
2,675. O
2 O
) O
Model O
estimasi O
kemiskinan O
anak O
terbaik O
dengan O
memanfaatkan O
pengintegrasian O
citra O
satelit O
multi O
sumber O
dan O
geospatial O
big O
data O
lainnya O
menggunakan O
metode O
machine O
learning O
terbaik O
adalah O
metode O
Multilayer O
Perceptron O
( O
MLP O
) O
berdasarkan O
evaluasi O
numerik O
dengan O
RMSE O
terhadap O
kemiskinan O
anak O
sebesar O
2,149. O
3 O
) O
Model O
estimasi O
kemiskinan O
anak O
terbaik O
yang O
dapat O
digunakan O
untuk O
menggambarkan O
kemiskinan O
anak O
berdasarkan O
citra O
satelit O
malam O
hari O
dan O
citra O
satelit O
siang O
hari O
adalah O
ResNet34 O
dengan O
Random O
Forest O
Regression O
( O
ResNet34-RFR O
) O
dengan O
RMSE O
sebesar O
3,993. O
( O
MLP O
) O
4 O
) O
Metode O
yang O
dipilih O
untuk O
memetakan O
kemiskinan O
adalah O
metode O
Multilayer O
Perceptron O
dengan O
pengintegrasian O
citra O
satelit O
multi O
sumber O
dan O
geospatial O
big O
data O
lainnya O
karena O
memiliki O
akurasi O
yang O
lebih O
baik O
dibandingkan O
lainnya. O
Pemetaan O
kemiskinan O
anak O
dilakukan O
pada O
level O
kecamatan O
dan O
level O
grid O
, O
kemudian O
divisualisasikan O
secara O
sederhana O
dalam O
bentuk O
map O
dashboard O
yang O
dapat O
diakses O
kapanpun O
dan O
dimanapun. O
kedua O
metode O
Hasil O
analisis O
juga O
menunjukkan O
bahwa O
pemetaan B-TUJUAN
kemiskinan I-TUJUAN
anak I-TUJUAN
berdasarkan I-TUJUAN
integrasi I-TUJUAN
antara I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
multisumber I-TUJUAN
dan I-TUJUAN
big I-TUJUAN
data I-TUJUAN
lainnya I-TUJUAN
memiliki O
akurasi O
yang O
lebih O
baik O
dibandingkan O
hanya O
dengan O
memanfaatkan O
citra O
satelit O
siang O
hari O
dan O
citra O
satelit O
malam O
hari O
saja O
, O
walaupun O
dengan O
metode O
yang O
lebih O
sederhana. O
Hal O
ini O
membuktikan O
bahwa O
pengintegrasian B-TEMUAN
beberapa I-TEMUAN
sumber I-TEMUAN
big I-TEMUAN
data I-TEMUAN
untuk I-TEMUAN
memetakan I-TEMUAN
kemiskinan I-TEMUAN
anak I-TEMUAN
sangat I-TEMUAN
potensial I-TEMUAN
untuk I-TEMUAN
digunakan I-TEMUAN
sebagai I-TEMUAN
data I-TEMUAN
pendukung I-TEMUAN
angka I-TEMUAN
kemiskinan I-TEMUAN
anak I-TEMUAN
moneter I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
yang O
penyajiannya O
masih O
sangat O
terbatas O
baik O
dari O
segi O
waktu O
maupun O
wilayah. O

Optimasi O
Fuzzy O
C-Means O
dengan O
Menggunakan O
Hybrid O
Firefly O
Genetic O
Algorithm O
Studi O
Kasus O
: O
Pengelompokan O
Desa O
di O
Pulau O
Papua O
Nabila O
Bianca O
Putri O
( O
221810484 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Yuliagnis O
Transver O
Wijaya O
, O
S.ST O
, O
M.Sc O
Ringkasan— O
Fuzzy O
C-Means O
( O
FCM O
) O
merupakan O
salah O
satu O
metode O
clustering O
yang O
cukup O
populer O
namun O
memiliki O
kelemahan O
yaitu O
mudah O
terjebak O
ke O
dalam O
solusi O
optimal O
lokal O
akibat O
inisiasi O
centroid O
awal O
yang O
dilakukan O
secara O
acak. O
Untuk O
mengatasi O
masalah O
tersebut O
, O
peneliti O
mengimplementasikan B-TUJUAN
kombinasi I-TUJUAN
algoritma I-TUJUAN
optimasi I-TUJUAN
metaheuristik I-TUJUAN
, I-TUJUAN
yaitu I-TUJUAN
Firefly I-TUJUAN
Algorithm I-TUJUAN
( I-TUJUAN
FA I-TUJUAN
) I-TUJUAN
dan I-TUJUAN
Genetic I-TUJUAN
Algorithm I-TUJUAN
( I-TUJUAN
GA I-TUJUAN
) I-TUJUAN
, I-TUJUAN
dalam I-TUJUAN
menginisiasi I-TUJUAN
centroid I-TUJUAN
awal I-TUJUAN
dengan I-TUJUAN
mengoptimalkan I-TUJUAN
fungsi I-TUJUAN
objektif I-TUJUAN
FCM. I-TUJUAN
Hasil I-TUJUAN
algoritma I-TUJUAN
ini I-TUJUAN
diberi I-TUJUAN
nama I-TUJUAN
Hybrid I-TUJUAN
Firefly I-TUJUAN
Genetic I-TUJUAN
Fuzzy I-TUJUAN
C- I-TUJUAN
Means I-TUJUAN
( I-TUJUAN
FGAFCM I-TUJUAN
) I-TUJUAN
Algorithm. I-TUJUAN
Selanjutnya O
, O
algoritma O
tersebut O
diimplementasikan O
pada O
lima O
data O
uji O
coba O
yang O
didapatkan O
dari O
UCI O
Machine O
Learning O
Repository. O
Hasil O
perbandingan O
performa O
FGAFCM O
dengan O
FCM O
dan O
FAFCM O
menunjukkan O
bahwa O
secara O
keseluruhan O
FGAFCM O
memiliki O
performa O
yang O
lebih O
unggul O
daripada O
FCM O
dan O
FAFCM. O
Selanjutnya O
, O
dilakukan O
implementasi O
FGAFCM O
dalam O
pengelompokan O
desa O
menggunakan O
data O
PODES O
2020 O
Pulau O
Papua O
dengan O
variabel O
yang O
telah O
disesuaikan O
dengan O
variabel O
pembangun O
IPD. O
Hasil B-TEMUAN
cocok I-TEMUAN
untuk I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
metode I-TEMUAN
FGAFCM I-TEMUAN
pengelompokan I-TEMUAN
desa I-TEMUAN
dan I-TEMUAN
memberikan I-TEMUAN
performa I-TEMUAN
pengelompokan I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
unggul I-TEMUAN
daripada I-TEMUAN
FCM. I-TEMUAN
Hasil O
pengelompokan O
desa O
yang O
dilakukan O
dengan O
menggunakan O
FGAFCM O
tersebut O
memperoleh O
4 O
cluster O
optimal. O
Kata O
Kunci— O
Fuzzy O
C-Means O
, O
Firefly O
Algorithm O
, O
Genetic O
Algorithm O
, O
FGAFCM O
, O
Pengelompokan O
desa O
, O
IPD. O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dipaparkan O
, O
berikut O
kesimpulan O
dari O
tujuan O
yang O
telah O
dicapai O
: O
1. O
Algoritma O
yang O
diusulkan O
yaitu O
FGAFCM O
telah O
berhasil O
mengatasi O
kelemahan O
FCM O
dengan O
menginisiasi O
centroid O
awal O
dengan O
kombinasi O
algoritma O
metaheuristik O
yaitu O
modified O
FA-GA. O
Kombinasi O
algoritma O
ini O
merujuk O
pada O
penelitian O
Roeva O
( O
2014 O
) O
, O
tetapi O
dimodifikasi O
dengan O
menggunakan O
pengkodean O
dengan O
representasi O
nilai O
nyata O
dan O
mengadaptasi O
operator O
GA O
yang O
digunakan O
pada O
penelitian O
Shahab O
( O
2021 O
) O
. O
2. O
Hasil O
dari O
analisis B-METODE
perbandingan I-METODE
performa I-METODE
FGAFCM O
dengan O
FCM O
dan O
FAFCM O
dari O
sisi O
jumlah O
iterasi O
, O
waktu O
, O
fungsi O
objektif O
, O
purity O
, O
MPC O
, O
PE O
, O
FS O
, O
dan O
XB O
pada O
kelima O
data O
uji O
coba O
menunjukkan O
secara O
keseluruhan O
FGAFCM O
mampu O
memiliki O
performa O
yang O
lebih O
baik O
dari O
pada O
FCM O
dan O
FAFCM. O
Namun O
, O
kebaikan O
performa O
ini O
sensitif O
terhadap O
nilai O
fuzzifier O
yang O
digunakan. O
3. O
Hasil B-TEMUAN
implementasi I-TEMUAN
FGAFCM I-TEMUAN
pada I-TEMUAN
pengelompokan I-TEMUAN
desa I-TEMUAN
di I-TEMUAN
Pulau I-TEMUAN
Papua I-TEMUAN
menggunakan I-TEMUAN
data I-TEMUAN
PODES I-TEMUAN
Pulau I-TEMUAN
Papua I-TEMUAN
tahun I-TEMUAN
2020 I-TEMUAN
dengan I-TEMUAN
variabel I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
disesuaikan I-TEMUAN
dengan I-TEMUAN
variabel I-TEMUAN
pembangun I-TEMUAN
IPD I-TEMUAN
menunjukkan I-TEMUAN
performa I-TEMUAN
algoritma I-TEMUAN
FGAFCM I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
daripada I-TEMUAN
FCM I-TEMUAN
dari I-TEMUAN
sisi I-TEMUAN
jumlah I-TEMUAN
iterasi I-TEMUAN
, I-TEMUAN
waktu I-TEMUAN
, I-TEMUAN
MPC I-TEMUAN
, I-TEMUAN
PE I-TEMUAN
, I-TEMUAN
FS I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
XB. I-TEMUAN
Hasil I-TEMUAN
dari I-TEMUAN
implementasi I-TEMUAN
FGAFCM I-TEMUAN
ini I-TEMUAN
menghasilkan I-TEMUAN
4 I-TEMUAN
cluster I-TEMUAN
di I-TEMUAN
mana I-TEMUAN
20.91 I-TEMUAN
% I-TEMUAN
desa I-TEMUAN
di I-TEMUAN
Pulau I-TEMUAN
Papua I-TEMUAN
masuk I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
cluster I-TEMUAN
1 I-TEMUAN
, I-TEMUAN
36.63 I-TEMUAN
% I-TEMUAN
desa I-TEMUAN
di I-TEMUAN
Pulau I-TEMUAN
Papua I-TEMUAN
masuk I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
cluster I-TEMUAN
2 I-TEMUAN
, I-TEMUAN
18.59 I-TEMUAN
% I-TEMUAN
desa I-TEMUAN
di I-TEMUAN
Pulau I-TEMUAN
Papua I-TEMUAN
masuk I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
cluster I-TEMUAN
3 I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
23.87 I-TEMUAN
% I-TEMUAN
desa I-TEMUAN
di I-TEMUAN
Pulau I-TEMUAN
Papua I-TEMUAN
masuk I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
cluster I-TEMUAN
4. I-TEMUAN
7 O
/ O
8 O
Gambar O
2. O
Plot O
SSE O
pengelompokan O
data O
studi O
kasus O
pada O
setiap O
jumlah O
cluster O
dan O
fuzzifier O
TABEL O
IV O
Nilai O
MPC O
pada O
pengelompokan O
data O
Breast O
Cancer O
Indikator O
Waktu O
( O
detik O
) O
Iterasi O
Fungsi O
Objektif O
MPC O
PE O
FS O
XB O
FCM O
27.73 O
75 O
68797.14656 O
0.79135141081 O
0.28569371762 O
49813.28329646 O
2.8231707970 O
Algoritma O
FGAFCM O
26.72 O
72 O
68797.14656 O
0.79135141082 O
0.28569371760 O
49813.28329612 O
2.8231707966 O
Terlihat O
pada O
Tabel O
IV O
bahwa O
FGAFCM O
lebih O
unggul O
daripada O
FCM O
dari O
sisi O
waktu O
, O
jumlah O
iterasi O
, O
MPC O
, O
PE O
, O
FS O
, O
dan O
XB. O
Sementara O
itu O
, O
nilai O
fungsi O
objektif O
pada O
kedua O
algoritma O
memberikan O
nilai O
yang O
sama. O
Sehingga O
dapat O
disimpulkan O
bahwa O
algoritma O
FGAFCM O
yang O
dikembangkan O
memberikan O
performa O
yang O
lebih O
baik O
dan O
lebih O
cocok O
daripada O
FCM O
pada O
pengelompokan O
data O
studi O
kasus. O
Tabel O
V O
menunjukkan O
jumlah O
anggota O
pada O
setiap O
cluster O
yang O
diperoleh O
dari O
hasil O
clustering O
data O
studi O
kasus O
dengan O
menggunakan O
FGAFCM. O
Terlihat O
bahwa O
cluster O
2 O
merupakan O
cluster O
yang O
memiliki O
persentase O
jumlah O
desa O
terbanyak O
yaitu O
sebesar O
36.63 O
% O
. O
Sementara O
itu O
, O
cluster O
3 O
merupakan O
cluster O
yang O
memiliki O
persentase O
jumlah O
desa O
terkecil O
yaitu O
sebesar O
18.59 O
% O
. O
TABEL O
V O
Nilai O
MPC O
pada O
pengelompokan O
data O
Breast O
Cancer O
Persentase O
Jumlah O
Desa O
20.91 O
% O
1537 O
36.63 O
% O
2692 O
18.59 O
% O
1366 O
23.87 O
% O
1754 O
Cluster O
Cluster O
1 O
Cluster O
2 O
Cluster O
3 O
Cluster O
4 O
Selanjutnya O
dilakukan O
analisis O
karakteristik O
setiap O
cluster O
dengan O
melihat O
signifikansi O
pada O
masing-masing O
variabel. O
Berdasarkan O
hasil O
analisis O
karakteristik O
cluster O
yang O
didapatkan O
, O
dapat O
disimpulkan O
cluster O
prioritas O
dalam O
pembangunan O
wilayah O
di O
Pulau O
Papua O
sebagai O
berikut O
: O
1. O
Cluster O
1 O
merupakan O
kelompok O
desa O
yang O
paling O
diprioritaskan O
dalam O
penanganan O
gizi O
buruk O
; O
2. O
Cluster O
2 O
merupakan O
kelompok O
desa O
yang O
paling O
diprioritaskan O
pembangunan O
wilayahnya O
dari O
sisi O
infrastruktur O
ekonomi O
, O
infrastruktur O
energi O
, O
infrastruktur O
kesehatan O
dan O
sanitasi O
, O
infrastruktur O
komunikasi O
dan O
informasi O
, O
sarana O
transportasi O
, O
aksesbilitas O
transportasi O
, O
[ O
16 O
] O
[ O
17 O
] O
[ O
18 O
] O
[ O
19 O
] O
[ O
20 O
] O
[ O
21 O
] O
[ O
22 O
] O
[ O
23 O
] O
[ O
24 O
] O
[ O
25 O
] O
[ O
26 O
] O
[ O
27 O
] O
[ O
28 O
] O
[ O
29 O
] O
[ O
30 O
] O
[ O
31 O
] O
B. O
Saran O
Berdasarkan O
hasil O
dan O
kesimpulan O
yang O
telah O
dijelaskan O
, O
berikut O
beberapa O
saran O
untuk O
penelitian O
selanjutnya O
: O
1. O
Mengevaluasi O
kembali O
hasil O
clustering O
FGAFCM O
dengan O
menggunakan O
beberapa O
indeks O
validitas O
lainnya O
serta O
membandingkan O
algoritma O
FGAFCM O
dengan O
algoritma O
lainnya O
agar O
mendapatkan O
hasil O
evaluasi O
yang O
lebih O
akurat O
sehingga O
algoritma O
FGAFCM O
dapat O
menjadi O
lebih O
baik O
dan O
dapat O
diaplikasikan O
ke O
dalam O
persoalan O
analisis O
klaster O
selanjutnya O
; O
2. O
Melakukan O
tuning O
parameter O
pada O
FGAFCM O
agar O
dapat O
menghasilkan O
hasil O
clustering O
yang O
lebih O
optimal O
; O
3. O
Oleh O
karena O
kebaikan O
performa O
FGAFCM O
sensitif O
dengan O
penentuan O
nilai O
fuzzifier O
, O
penelitian O
selanjutnya O
dapat O
mengembangkan O
suatu O
algoritma O
yang O
dapat O
memilih O
nilai O
fuzzifier O
optimal O
untuk O
FGAFCM O
; O
4. O
Menerapkan O
beberapa O
operator O
GA O
lainnya O
yang O
lebih O
mampu O
mengoptimalkan O
algoritma O
FGAFCM. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O

Optimasi O
Fuzzy O
C-Means O
dengan O
Menggunakan O
Hybrid O
Firefly O
Genetic O
Algorithm O
Studi O
Kasus O
: O
Pengelompokan O
Desa O
di O
Pulau O
Papua O
Nabila O
Bianca O
Putri O
( O
221810484 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Yuliagnis O
Transver O
Wijaya O
, O
S.ST O
, O
M.Sc O
Ringkasan— O
Fuzzy O
C-Means O
( O
FCM O
) O
merupakan O
salah O
satu O
metode O
clustering O
yang O
cukup O
populer O
namun O
memiliki O
kelemahan O
yaitu O
mudah O
terjebak O
ke O
dalam O
solusi O
optimal O
lokal O
akibat O
inisiasi O
centroid O
awal O
yang O
dilakukan O
secara O
acak. O
Untuk O
mengatasi O
masalah O
tersebut O
, O
peneliti O
mengimplementasikan B-TUJUAN
kombinasi I-TUJUAN
algoritma I-TUJUAN
optimasi I-TUJUAN
metaheuristik I-TUJUAN
, I-TUJUAN
yaitu I-TUJUAN
Firefly I-TUJUAN
Algorithm I-TUJUAN
( I-TUJUAN
FA I-TUJUAN
) I-TUJUAN
dan I-TUJUAN
Genetic I-TUJUAN
Algorithm I-TUJUAN
( I-TUJUAN
GA I-TUJUAN
) I-TUJUAN
, I-TUJUAN
dalam I-TUJUAN
menginisiasi I-TUJUAN
centroid I-TUJUAN
awal I-TUJUAN
dengan I-TUJUAN
mengoptimalkan I-TUJUAN
fungsi I-TUJUAN
objektif I-TUJUAN
FCM. I-TUJUAN
Hasil I-TUJUAN
algoritma I-TUJUAN
ini I-TUJUAN
diberi I-TUJUAN
nama I-TUJUAN
Hybrid I-TUJUAN
Firefly I-TUJUAN
Genetic I-TUJUAN
Fuzzy I-TUJUAN
C- I-TUJUAN
Means I-TUJUAN
( I-TUJUAN
FGAFCM I-TUJUAN
) I-TUJUAN
Algorithm. I-TUJUAN
Selanjutnya O
, O
algoritma O
tersebut O
diimplementasikan O
pada O
lima O
data O
uji O
coba O
yang O
didapatkan O
dari O
UCI O
Machine O
Learning O
Repository. O
Hasil O
perbandingan O
performa O
FGAFCM O
dengan O
FCM O
dan O
FAFCM O
menunjukkan O
bahwa O
secara O
keseluruhan O
FGAFCM O
memiliki O
performa O
yang O
lebih O
unggul O
daripada O
FCM O
dan O
FAFCM. O
Selanjutnya O
, O
dilakukan O
implementasi O
FGAFCM O
dalam O
pengelompokan O
desa O
menggunakan O
data O
PODES O
2020 O
Pulau O
Papua O
dengan O
variabel O
yang O
telah O
disesuaikan O
dengan O
variabel O
pembangun O
IPD. O
Hasil B-TEMUAN
cocok I-TEMUAN
untuk I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
metode I-TEMUAN
FGAFCM I-TEMUAN
pengelompokan I-TEMUAN
desa I-TEMUAN
dan I-TEMUAN
memberikan I-TEMUAN
performa I-TEMUAN
pengelompokan I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
unggul I-TEMUAN
daripada I-TEMUAN
FCM. I-TEMUAN
Hasil O
pengelompokan O
desa O
yang O
dilakukan O
dengan O
menggunakan O
FGAFCM O
tersebut O
memperoleh O
4 O
cluster O
optimal. O
Kata O
Kunci— O
Fuzzy O
C-Means O
, O
Firefly O
Algorithm O
, O
Genetic O
Algorithm O
, O
FGAFCM O
, O
Pengelompokan O
desa O
, O
IPD. O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dipaparkan O
, O
berikut O
kesimpulan O
dari O
tujuan O
yang O
telah O
dicapai O
: O
1. O
Algoritma O
yang O
diusulkan O
yaitu O
FGAFCM O
telah O
berhasil O
mengatasi O
kelemahan O
FCM O
dengan O
menginisiasi O
centroid O
awal O
dengan O
kombinasi O
algoritma O
metaheuristik O
yaitu O
modified O
FA-GA. O
Kombinasi O
algoritma O
ini O
merujuk O
pada O
penelitian O
Roeva O
( O
2014 O
) O
, O
tetapi O
dimodifikasi O
dengan O
menggunakan O
pengkodean O
dengan O
representasi O
nilai O
nyata O
dan O
mengadaptasi O
operator O
GA O
yang O
digunakan O
pada O
penelitian O
Shahab O
( O
2021 O
) O
. O
2. O
Hasil O
dari O
analisis B-METODE
perbandingan I-METODE
performa I-METODE
FGAFCM O
dengan O
FCM O
dan O
FAFCM O
dari O
sisi O
jumlah O
iterasi O
, O
waktu O
, O
fungsi O
objektif O
, O
purity O
, O
MPC O
, O
PE O
, O
FS O
, O
dan O
XB O
pada O
kelima O
data O
uji O
coba O
menunjukkan O
secara O
keseluruhan O
FGAFCM O
mampu O
memiliki O
performa O
yang O
lebih O
baik O
dari O
pada O
FCM O
dan O
FAFCM. O
Namun O
, O
kebaikan O
performa O
ini O
sensitif O
terhadap O
nilai O
fuzzifier O
yang O
digunakan. O
3. O
Hasil B-TEMUAN
implementasi I-TEMUAN
FGAFCM I-TEMUAN
pada I-TEMUAN
pengelompokan I-TEMUAN
desa I-TEMUAN
di I-TEMUAN
Pulau I-TEMUAN
Papua I-TEMUAN
menggunakan I-TEMUAN
data I-TEMUAN
PODES I-TEMUAN
Pulau I-TEMUAN
Papua I-TEMUAN
tahun I-TEMUAN
2020 I-TEMUAN
dengan I-TEMUAN
variabel I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
disesuaikan I-TEMUAN
dengan I-TEMUAN
variabel I-TEMUAN
pembangun I-TEMUAN
IPD I-TEMUAN
menunjukkan I-TEMUAN
performa I-TEMUAN
algoritma I-TEMUAN
FGAFCM I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
daripada I-TEMUAN
FCM I-TEMUAN
dari I-TEMUAN
sisi I-TEMUAN
jumlah I-TEMUAN
iterasi I-TEMUAN
, I-TEMUAN
waktu I-TEMUAN
, I-TEMUAN
MPC I-TEMUAN
, I-TEMUAN
PE I-TEMUAN
, I-TEMUAN
FS I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
XB. I-TEMUAN
Hasil I-TEMUAN
dari I-TEMUAN
implementasi I-TEMUAN
FGAFCM I-TEMUAN
ini I-TEMUAN
menghasilkan I-TEMUAN
4 I-TEMUAN
cluster I-TEMUAN
di I-TEMUAN
mana I-TEMUAN
20.91 I-TEMUAN
% I-TEMUAN
desa I-TEMUAN
di I-TEMUAN
Pulau I-TEMUAN
Papua I-TEMUAN
masuk I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
cluster I-TEMUAN
1 I-TEMUAN
, I-TEMUAN
36.63 I-TEMUAN
% I-TEMUAN
desa I-TEMUAN
di I-TEMUAN
Pulau I-TEMUAN
Papua I-TEMUAN
masuk I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
cluster I-TEMUAN
2 I-TEMUAN
, I-TEMUAN
18.59 I-TEMUAN
% I-TEMUAN
desa I-TEMUAN
di I-TEMUAN
Pulau I-TEMUAN
Papua I-TEMUAN
masuk I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
cluster I-TEMUAN
3 I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
23.87 I-TEMUAN
% I-TEMUAN
desa I-TEMUAN
di I-TEMUAN
Pulau I-TEMUAN
Papua I-TEMUAN
masuk I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
cluster I-TEMUAN
4. I-TEMUAN
7 O
/ O
8 O
Gambar O
2. O
Plot O
SSE O
pengelompokan O
data O
studi O
kasus O
pada O
setiap O
jumlah O
cluster O
dan O
fuzzifier O
TABEL O
IV O
Nilai O
MPC O
pada O
pengelompokan O
data O
Breast O
Cancer O
Indikator O
Waktu O
( O
detik O
) O
Iterasi O
Fungsi O
Objektif O
MPC O
PE O
FS O
XB O
FCM O
27.73 O
75 O
68797.14656 O
0.79135141081 O
0.28569371762 O
49813.28329646 O
2.8231707970 O
Algoritma O
FGAFCM O
26.72 O
72 O
68797.14656 O
0.79135141082 O
0.28569371760 O
49813.28329612 O
2.8231707966 O
Terlihat O
pada O
Tabel O
IV O
bahwa O
FGAFCM O
lebih O
unggul O
daripada O
FCM O
dari O
sisi O
waktu O
, O
jumlah O
iterasi O
, O
MPC O
, O
PE O
, O
FS O
, O
dan O
XB. O
Sementara O
itu O
, O
nilai O
fungsi O
objektif O
pada O
kedua O
algoritma O
memberikan O
nilai O
yang O
sama. O
Sehingga O
dapat O
disimpulkan O
bahwa O
algoritma O
FGAFCM O
yang O
dikembangkan O
memberikan O
performa O
yang O
lebih O
baik O
dan O
lebih O
cocok O
daripada O
FCM O
pada O
pengelompokan O
data O
studi O
kasus. O
Tabel O
V O
menunjukkan O
jumlah O
anggota O
pada O
setiap O
cluster O
yang O
diperoleh O
dari O
hasil O
clustering O
data O
studi O
kasus O
dengan O
menggunakan O
FGAFCM. O
Terlihat O
bahwa O
cluster O
2 O
merupakan O
cluster O
yang O
memiliki O
persentase O
jumlah O
desa O
terbanyak O
yaitu O
sebesar O
36.63 O
% O
. O
Sementara O
itu O
, O
cluster O
3 O
merupakan O
cluster O
yang O
memiliki O
persentase O
jumlah O
desa O
terkecil O
yaitu O
sebesar O
18.59 O
% O
. O
TABEL O
V O
Nilai O
MPC O
pada O
pengelompokan O
data O
Breast O
Cancer O
Persentase O
Jumlah O
Desa O
20.91 O
% O
1537 O
36.63 O
% O
2692 O
18.59 O
% O
1366 O
23.87 O
% O
1754 O
Cluster O
Cluster O
1 O
Cluster O
2 O
Cluster O
3 O
Cluster O
4 O
Selanjutnya O
dilakukan O
analisis O
karakteristik O
setiap O
cluster O
dengan O
melihat O
signifikansi O
pada O
masing-masing O
variabel. O
Berdasarkan O
hasil O
analisis O
karakteristik O
cluster O
yang O
didapatkan O
, O
dapat O
disimpulkan O
cluster O
prioritas O
dalam O
pembangunan O
wilayah O
di O
Pulau O
Papua O
sebagai O
berikut O
: O
1. O
Cluster O
1 O
merupakan O
kelompok O
desa O
yang O
paling O
diprioritaskan O
dalam O
penanganan O
gizi O
buruk O
; O
2. O
Cluster O
2 O
merupakan O
kelompok O
desa O
yang O
paling O
diprioritaskan O
pembangunan O
wilayahnya O
dari O
sisi O
infrastruktur O
ekonomi O
, O
infrastruktur O
energi O
, O
infrastruktur O
kesehatan O
dan O
sanitasi O
, O
infrastruktur O
komunikasi O
dan O
informasi O
, O
sarana O
transportasi O
, O
aksesbilitas O
transportasi O
, O
[ O
16 O
] O
[ O
17 O
] O
[ O
18 O
] O
[ O
19 O
] O
[ O
20 O
] O
[ O
21 O
] O
[ O
22 O
] O
[ O
23 O
] O
[ O
24 O
] O
[ O
25 O
] O
[ O
26 O
] O
[ O
27 O
] O
[ O
28 O
] O
[ O
29 O
] O
[ O
30 O
] O
[ O
31 O
] O
B. O
Saran O
Berdasarkan O
hasil O
dan O
kesimpulan O
yang O
telah O
dijelaskan O
, O
berikut O
beberapa O
saran O
untuk O
penelitian O
selanjutnya O
: O
1. O
Mengevaluasi O
kembali O
hasil O
clustering O
FGAFCM O
dengan O
menggunakan O
beberapa O
indeks O
validitas O
lainnya O
serta O
membandingkan O
algoritma O
FGAFCM O
dengan O
algoritma O
lainnya O
agar O
mendapatkan O
hasil O
evaluasi O
yang O
lebih O
akurat O
sehingga O
algoritma O
FGAFCM O
dapat O
menjadi O
lebih O
baik O
dan O
dapat O
diaplikasikan O
ke O
dalam O
persoalan O
analisis O
klaster O
selanjutnya O
; O
2. O
Melakukan O
tuning O
parameter O
pada O
FGAFCM O
agar O
dapat O
menghasilkan O
hasil O
clustering O
yang O
lebih O
optimal O
; O
3. O
Oleh O
karena O
kebaikan O
performa O
FGAFCM O
sensitif O
dengan O
penentuan O
nilai O
fuzzifier O
, O
penelitian O
selanjutnya O
dapat O
mengembangkan O
suatu O
algoritma O
yang O
dapat O
memilih O
nilai O
fuzzifier O
optimal O
untuk O
FGAFCM O
; O
4. O
Menerapkan O
beberapa O
operator O
GA O
lainnya O
yang O
lebih O
mampu O
mengoptimalkan O
algoritma O
FGAFCM. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O

Optimasi O
Fuzzy O
C-Means O
dengan O
Menggunakan O
Hybrid O
Firefly O
Genetic O
Algorithm O
Studi O
Kasus O
: O
Pengelompokan O
Desa O
di O
Pulau O
Papua O
Nabila O
Bianca O
Putri O
( O
221810484 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Yuliagnis O
Transver O
Wijaya O
, O
S.ST O
, O
M.Sc O
Ringkasan— O
Fuzzy O
C-Means O
( O
FCM O
) O
merupakan O
salah O
satu O
metode O
clustering O
yang O
cukup O
populer O
namun O
memiliki O
kelemahan O
yaitu O
mudah O
terjebak O
ke O
dalam O
solusi O
optimal O
lokal O
akibat O
inisiasi O
centroid O
awal O
yang O
dilakukan O
secara O
acak. O
Untuk O
mengatasi O
masalah O
tersebut O
, O
peneliti O
mengimplementasikan B-TUJUAN
kombinasi I-TUJUAN
algoritma I-TUJUAN
optimasi I-TUJUAN
metaheuristik I-TUJUAN
, I-TUJUAN
yaitu I-TUJUAN
Firefly I-TUJUAN
Algorithm I-TUJUAN
( I-TUJUAN
FA I-TUJUAN
) I-TUJUAN
dan I-TUJUAN
Genetic I-TUJUAN
Algorithm I-TUJUAN
( I-TUJUAN
GA I-TUJUAN
) I-TUJUAN
, I-TUJUAN
dalam I-TUJUAN
menginisiasi I-TUJUAN
centroid I-TUJUAN
awal I-TUJUAN
dengan I-TUJUAN
mengoptimalkan I-TUJUAN
fungsi I-TUJUAN
objektif I-TUJUAN
FCM. I-TUJUAN
Hasil I-TUJUAN
algoritma I-TUJUAN
ini I-TUJUAN
diberi I-TUJUAN
nama I-TUJUAN
Hybrid I-TUJUAN
Firefly I-TUJUAN
Genetic I-TUJUAN
Fuzzy I-TUJUAN
C- I-TUJUAN
Means I-TUJUAN
( I-TUJUAN
FGAFCM I-TUJUAN
) I-TUJUAN
Algorithm. I-TUJUAN
Selanjutnya O
, O
algoritma O
tersebut O
diimplementasikan O
pada O
lima O
data O
uji O
coba O
yang O
didapatkan O
dari O
UCI O
Machine O
Learning O
Repository. O
Hasil O
perbandingan O
performa O
FGAFCM O
dengan O
FCM O
dan O
FAFCM O
menunjukkan O
bahwa O
secara O
keseluruhan O
FGAFCM O
memiliki O
performa O
yang O
lebih O
unggul O
daripada O
FCM O
dan O
FAFCM. O
Selanjutnya O
, O
dilakukan O
implementasi O
FGAFCM O
dalam O
pengelompokan O
desa O
menggunakan O
data O
PODES O
2020 O
Pulau O
Papua O
dengan O
variabel O
yang O
telah O
disesuaikan O
dengan O
variabel O
pembangun O
IPD. O
Hasil B-TEMUAN
cocok I-TEMUAN
untuk I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
metode I-TEMUAN
FGAFCM I-TEMUAN
pengelompokan I-TEMUAN
desa I-TEMUAN
dan I-TEMUAN
memberikan I-TEMUAN
performa I-TEMUAN
pengelompokan I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
unggul I-TEMUAN
daripada I-TEMUAN
FCM. I-TEMUAN
Hasil O
pengelompokan O
desa O
yang O
dilakukan O
dengan O
menggunakan O
FGAFCM O
tersebut O
memperoleh O
4 O
cluster O
optimal. O
Kata O
Kunci— O
Fuzzy O
C-Means O
, O
Firefly O
Algorithm O
, O
Genetic O
Algorithm O
, O
FGAFCM O
, O
Pengelompokan O
desa O
, O
IPD. O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dipaparkan O
, O
berikut O
kesimpulan O
dari O
tujuan O
yang O
telah O
dicapai O
: O
1. O
Algoritma O
yang O
diusulkan O
yaitu O
FGAFCM O
telah O
berhasil O
mengatasi O
kelemahan O
FCM O
dengan O
menginisiasi O
centroid O
awal O
dengan O
kombinasi O
algoritma O
metaheuristik O
yaitu O
modified O
FA-GA. O
Kombinasi O
algoritma O
ini O
merujuk O
pada O
penelitian O
Roeva O
( O
2014 O
) O
, O
tetapi O
dimodifikasi O
dengan O
menggunakan O
pengkodean O
dengan O
representasi O
nilai O
nyata O
dan O
mengadaptasi O
operator O
GA O
yang O
digunakan O
pada O
penelitian O
Shahab O
( O
2021 O
) O
. O
2. O
Hasil O
dari O
analisis B-METODE
perbandingan I-METODE
performa I-METODE
FGAFCM O
dengan O
FCM O
dan O
FAFCM O
dari O
sisi O
jumlah O
iterasi O
, O
waktu O
, O
fungsi O
objektif O
, O
purity O
, O
MPC O
, O
PE O
, O
FS O
, O
dan O
XB O
pada O
kelima O
data O
uji O
coba O
menunjukkan O
secara O
keseluruhan O
FGAFCM O
mampu O
memiliki O
performa O
yang O
lebih O
baik O
dari O
pada O
FCM O
dan O
FAFCM. O
Namun O
, O
kebaikan O
performa O
ini O
sensitif O
terhadap O
nilai O
fuzzifier O
yang O
digunakan. O
3. O
Hasil B-TEMUAN
implementasi I-TEMUAN
FGAFCM I-TEMUAN
pada I-TEMUAN
pengelompokan I-TEMUAN
desa I-TEMUAN
di I-TEMUAN
Pulau I-TEMUAN
Papua I-TEMUAN
menggunakan I-TEMUAN
data I-TEMUAN
PODES I-TEMUAN
Pulau I-TEMUAN
Papua I-TEMUAN
tahun I-TEMUAN
2020 I-TEMUAN
dengan I-TEMUAN
variabel I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
disesuaikan I-TEMUAN
dengan I-TEMUAN
variabel I-TEMUAN
pembangun I-TEMUAN
IPD I-TEMUAN
menunjukkan I-TEMUAN
performa I-TEMUAN
algoritma I-TEMUAN
FGAFCM I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
daripada I-TEMUAN
FCM I-TEMUAN
dari I-TEMUAN
sisi I-TEMUAN
jumlah I-TEMUAN
iterasi I-TEMUAN
, I-TEMUAN
waktu I-TEMUAN
, I-TEMUAN
MPC I-TEMUAN
, I-TEMUAN
PE I-TEMUAN
, I-TEMUAN
FS I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
XB. I-TEMUAN
Hasil I-TEMUAN
dari I-TEMUAN
implementasi I-TEMUAN
FGAFCM I-TEMUAN
ini I-TEMUAN
menghasilkan I-TEMUAN
4 I-TEMUAN
cluster I-TEMUAN
di I-TEMUAN
mana I-TEMUAN
20.91 I-TEMUAN
% I-TEMUAN
desa I-TEMUAN
di I-TEMUAN
Pulau I-TEMUAN
Papua I-TEMUAN
masuk I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
cluster I-TEMUAN
1 I-TEMUAN
, I-TEMUAN
36.63 I-TEMUAN
% I-TEMUAN
desa I-TEMUAN
di I-TEMUAN
Pulau I-TEMUAN
Papua I-TEMUAN
masuk I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
cluster I-TEMUAN
2 I-TEMUAN
, I-TEMUAN
18.59 I-TEMUAN
% I-TEMUAN
desa I-TEMUAN
di I-TEMUAN
Pulau I-TEMUAN
Papua I-TEMUAN
masuk I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
cluster I-TEMUAN
3 I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
23.87 I-TEMUAN
% I-TEMUAN
desa I-TEMUAN
di I-TEMUAN
Pulau I-TEMUAN
Papua I-TEMUAN
masuk I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
cluster I-TEMUAN
4. I-TEMUAN
7 O
/ O
8 O
Gambar O
2. O
Plot O
SSE O
pengelompokan O
data O
studi O
kasus O
pada O
setiap O
jumlah O
cluster O
dan O
fuzzifier O
TABEL O
IV O
Nilai O
MPC O
pada O
pengelompokan O
data O
Breast O
Cancer O
Indikator O
Waktu O
( O
detik O
) O
Iterasi O
Fungsi O
Objektif O
MPC O
PE O
FS O
XB O
FCM O
27.73 O
75 O
68797.14656 O
0.79135141081 O
0.28569371762 O
49813.28329646 O
2.8231707970 O
Algoritma O
FGAFCM O
26.72 O
72 O
68797.14656 O
0.79135141082 O
0.28569371760 O
49813.28329612 O
2.8231707966 O
Terlihat O
pada O
Tabel O
IV O
bahwa O
FGAFCM O
lebih O
unggul O
daripada O
FCM O
dari O
sisi O
waktu O
, O
jumlah O
iterasi O
, O
MPC O
, O
PE O
, O
FS O
, O
dan O
XB. O
Sementara O
itu O
, O
nilai O
fungsi O
objektif O
pada O
kedua O
algoritma O
memberikan O
nilai O
yang O
sama. O
Sehingga O
dapat O
disimpulkan O
bahwa O
algoritma O
FGAFCM O
yang O
dikembangkan O
memberikan O
performa O
yang O
lebih O
baik O
dan O
lebih O
cocok O
daripada O
FCM O
pada O
pengelompokan O
data O
studi O
kasus. O
Tabel O
V O
menunjukkan O
jumlah O
anggota O
pada O
setiap O
cluster O
yang O
diperoleh O
dari O
hasil O
clustering O
data O
studi O
kasus O
dengan O
menggunakan O
FGAFCM. O
Terlihat O
bahwa O
cluster O
2 O
merupakan O
cluster O
yang O
memiliki O
persentase O
jumlah O
desa O
terbanyak O
yaitu O
sebesar O
36.63 O
% O
. O
Sementara O
itu O
, O
cluster O
3 O
merupakan O
cluster O
yang O
memiliki O
persentase O
jumlah O
desa O
terkecil O
yaitu O
sebesar O
18.59 O
% O
. O
TABEL O
V O
Nilai O
MPC O
pada O
pengelompokan O
data O
Breast O
Cancer O
Persentase O
Jumlah O
Desa O
20.91 O
% O
1537 O
36.63 O
% O
2692 O
18.59 O
% O
1366 O
23.87 O
% O
1754 O
Cluster O
Cluster O
1 O
Cluster O
2 O
Cluster O
3 O
Cluster O
4 O
Selanjutnya O
dilakukan O
analisis O
karakteristik O
setiap O
cluster O
dengan O
melihat O
signifikansi O
pada O
masing-masing O
variabel. O
Berdasarkan O
hasil O
analisis O
karakteristik O
cluster O
yang O
didapatkan O
, O
dapat O
disimpulkan O
cluster O
prioritas O
dalam O
pembangunan O
wilayah O
di O
Pulau O
Papua O
sebagai O
berikut O
: O
1. O
Cluster O
1 O
merupakan O
kelompok O
desa O
yang O
paling O
diprioritaskan O
dalam O
penanganan O
gizi O
buruk O
; O
2. O
Cluster O
2 O
merupakan O
kelompok O
desa O
yang O
paling O
diprioritaskan O
pembangunan O
wilayahnya O
dari O
sisi O
infrastruktur O
ekonomi O
, O
infrastruktur O
energi O
, O
infrastruktur O
kesehatan O
dan O
sanitasi O
, O
infrastruktur O
komunikasi O
dan O
informasi O
, O
sarana O
transportasi O
, O
aksesbilitas O
transportasi O
, O
[ O
16 O
] O
[ O
17 O
] O
[ O
18 O
] O
[ O
19 O
] O
[ O
20 O
] O
[ O
21 O
] O
[ O
22 O
] O
[ O
23 O
] O
[ O
24 O
] O
[ O
25 O
] O
[ O
26 O
] O
[ O
27 O
] O
[ O
28 O
] O
[ O
29 O
] O
[ O
30 O
] O
[ O
31 O
] O
B. O
Saran O
Berdasarkan O
hasil O
dan O
kesimpulan O
yang O
telah O
dijelaskan O
, O
berikut O
beberapa O
saran O
untuk O
penelitian O
selanjutnya O
: O
1. O
Mengevaluasi O
kembali O
hasil O
clustering O
FGAFCM O
dengan O
menggunakan O
beberapa O
indeks O
validitas O
lainnya O
serta O
membandingkan O
algoritma O
FGAFCM O
dengan O
algoritma O
lainnya O
agar O
mendapatkan O
hasil O
evaluasi O
yang O
lebih O
akurat O
sehingga O
algoritma O
FGAFCM O
dapat O
menjadi O
lebih O
baik O
dan O
dapat O
diaplikasikan O
ke O
dalam O
persoalan O
analisis O
klaster O
selanjutnya O
; O
2. O
Melakukan O
tuning O
parameter O
pada O
FGAFCM O
agar O
dapat O
menghasilkan O
hasil O
clustering O
yang O
lebih O
optimal O
; O
3. O
Oleh O
karena O
kebaikan O
performa O
FGAFCM O
sensitif O
dengan O
penentuan O
nilai O
fuzzifier O
, O
penelitian O
selanjutnya O
dapat O
mengembangkan O
suatu O
algoritma O
yang O
dapat O
memilih O
nilai O
fuzzifier O
optimal O
untuk O
FGAFCM O
; O
4. O
Menerapkan O
beberapa O
operator O
GA O
lainnya O
yang O
lebih O
mampu O
mengoptimalkan O
algoritma O
FGAFCM. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O

Sentimen O
Data O
Twitter O
Tentang O
Pengelolaan O
Sampah O
dengan O
Metode O
VADER O
dan O
Support O
Vector O
Machine O
( O
SVM O
) O
Mutia O
Soraya O
Adila O
( O
21810481 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Anugerah O
Karta O
Monika O
, O
S.SI O
, O
M.E. O
2021 O
Pada O
tahun O
pemerintah. O
Ringkasan—Pengelolaan O
sampah O
yang O
baik O
dan O
benar O
merupakan O
solusi O
utama O
dalam O
mengatasi O
jumlah O
timbunan O
sampah O
di O
Indonesia O
yang O
merupakan O
permasalahan O
yang O
selalu O
dihadapi O
Indonesia O
setiap O
tahunnya. O
Mengelola O
sampah O
dengan O
baik O
dan O
benar O
merupakan O
tugas O
bersama O
antara O
masyarakat O
dengan O
pemerintah O
memperbaharui O
Peraturan O
Menteri O
LHK O
No. O
14 O
mengenai O
bank O
sampah. O
Maka O
pada O
penelitian O
ini O
penulis O
akan O
melakukan B-TUJUAN
analisis I-TUJUAN
sentimen I-TUJUAN
untuk I-TUJUAN
melihat I-TUJUAN
perkembangan I-TUJUAN
sentimen I-TUJUAN
publik I-TUJUAN
di I-TUJUAN
Indonesia I-TUJUAN
terkait I-TUJUAN
pengelolaan I-TUJUAN
sampah I-TUJUAN
melalui I-TUJUAN
pengguna I-TUJUAN
Twitter I-TUJUAN
sebelum I-TUJUAN
dan I-TUJUAN
sesudah I-TUJUAN
pembaharuan I-TUJUAN
Permen I-TUJUAN
LHK I-TUJUAN
dan I-TUJUAN
membandingkan I-TUJUAN
dua I-TUJUAN
metode I-TUJUAN
klasifikasi I-TUJUAN
sentimen I-TUJUAN
yaitu I-TUJUAN
VADER I-TUJUAN
dan I-TUJUAN
VADER I-TUJUAN
yang I-TUJUAN
di-training I-TUJUAN
dengan I-TUJUAN
model I-TUJUAN
SVM. I-TUJUAN
Hasil O
dari O
penelitian O
ini O
didapatkan B-TEMUAN
adanya I-TEMUAN
tren I-TEMUAN
naik I-TEMUAN
pada I-TEMUAN
sentimen I-TEMUAN
positif I-TEMUAN
terkait I-TEMUAN
pengelolaan I-TEMUAN
sampah I-TEMUAN
dari I-TEMUAN
tahun I-TEMUAN
2019 I-TEMUAN
hingga I-TEMUAN
tahun I-TEMUAN
2021 I-TEMUAN
dan I-TEMUAN
adanya I-TEMUAN
tren I-TEMUAN
turun I-TEMUAN
pada I-TEMUAN
sentimen I-TEMUAN
negatif I-TEMUAN
terkait I-TEMUAN
pengelolaan I-TEMUAN
sampah I-TEMUAN
dari I-TEMUAN
tahun I-TEMUAN
2019 I-TEMUAN
hingga I-TEMUAN
tahun I-TEMUAN
2021 I-TEMUAN
sementara I-TEMUAN
untuk I-TEMUAN
sentimen I-TEMUAN
netral I-TEMUAN
tidak I-TEMUAN
menunjukkan I-TEMUAN
pola I-TEMUAN
tertentu. I-TEMUAN
Untuk O
perbandingan O
metode O
yang O
digunakan O
ditunjukkan O
metode B-METODE
VADER I-METODE
menghasilkan O
akurasi O
yang O
lebih O
tinggi O
dengan O
nilai O
akurasi O
sebesar O
46 O
% O
. O
Kata O
Kunci— O
Analisis O
Sentimen O
, O
Pengelolaan O
Sampah O
, O
Machine O
Learning O
, O
VADER O
, O
SVM. O
[SEP] O
Sementara O
itu O
metode O
VADER O
yang O
dilatih O
model O
SVM O
menunjukkan O
hasil O
yang O
lebih O
buruk O
dengan O
lebih O
sedikitnya O
jumlah O
tweet O
yang O
pelabelannya O
dilakukan O
dengan O
tepat. O
Hasil O
visualisasi O
dapat O
dilihat O
pada O
Gambar O
7. O
Dari O
hasil O
pembahasan O
yang O
sudah O
diuraikan O
di O
atas O
, O
didapatkan O
beberapa O
kesimpulan O
yaitu O
: O
. O
1. O
Data O
yang O
diambil O
dari O
twitter O
dapat O
digunakan O
untuk O
suatu O
terhadap O
menganalisis O
publik O
peristiwa O
/ O
topik O
/ O
benda O
/ O
perbincangan O
sentimen O
2. O
Hasil O
klasifikasi B-METODE
sentimen I-METODE
melalui O
nilai O
polaritas O
VADER O
menunjukkan O
tren B-TEMUAN
naik I-TEMUAN
pada I-TEMUAN
sentimen I-TEMUAN
positif I-TEMUAN
dan I-TEMUAN
tren I-TEMUAN
menurun I-TEMUAN
pada I-TEMUAN
sentimen I-TEMUAN
negatif I-TEMUAN
setiap I-TEMUAN
tahunnya I-TEMUAN
dari I-TEMUAN
ini I-TEMUAN
menunjukkan I-TEMUAN
tanggapan I-TEMUAN
publik I-TEMUAN
mengenai I-TEMUAN
pengelolaan I-TEMUAN
sampah I-TEMUAN
dari I-TEMUAN
KLHK I-TEMUAN
semakin I-TEMUAN
baik. I-TEMUAN
tahun O
2019 O
sampai O
tahun O
2021. O
Hal O
3. O
Metode O
VADER O
menghasilkan O
akurasi O
yang O
lebih O
besar O
daripada O
metode O
VADER O
yang O
dilatih O
model O
SVM O
dengan O
nilai O
akurasi O
sebesar O
46 O
% O
. O
7 O
/ O
8 O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
20 O
] O
Kelvin O
, O
J. O
Banjarnahor O
, O
E. O
Indra O
and O
S. O
H. O
Sinurat O
, O
“ANALISIS O
Perbandingan O
Sentimen O
Corona O
Virus O
Disease-2019 O
( O
Covid19 O
) O
Pada O
Twitter O
Menggunakan O
Metode O
Logistic O
Regression O
Dan O
Support O
Vector O
Machine O
( O
SVM O
) O
” O
, O
JUSIKOM O
PRIMA O
( O
Jurnal O
Sistem O
Informasi O
dan O
Ilmu O
Komputer O
Prima O
) O
Vol. O
5 O
No. O
2 O
, O
pp. O
47-52 O
, O
Feb O
2022 O
4. O
Hasil O
penelitian O
ini O
membuktikan O
bahwa O
menggabungkan O
dua O
metode O
yang O
unggul O
belum O
tentu O
akan O
membawakan O
hasil O
yang O
lebih O
baik O
daripada O
hanya O
menggunakan O
satu O
metode O
saja. O

Sentimen O
Data O
Twitter O
Tentang O
Pengelolaan O
Sampah O
dengan O
Metode O
VADER O
dan O
Support O
Vector O
Machine O
( O
SVM O
) O
Mutia O
Soraya O
Adila O
( O
21810481 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Anugerah O
Karta O
Monika O
, O
S.SI O
, O
M.E. O
2021 O
Pada O
tahun O
pemerintah. O
Ringkasan—Pengelolaan O
sampah O
yang O
baik O
dan O
benar O
merupakan O
solusi O
utama O
dalam O
mengatasi O
jumlah O
timbunan O
sampah O
di O
Indonesia O
yang O
merupakan O
permasalahan O
yang O
selalu O
dihadapi O
Indonesia O
setiap O
tahunnya. O
Mengelola O
sampah O
dengan O
baik O
dan O
benar O
merupakan O
tugas O
bersama O
antara O
masyarakat O
dengan O
pemerintah O
memperbaharui O
Peraturan O
Menteri O
LHK O
No. O
14 O
mengenai O
bank O
sampah. O
Maka O
pada O
penelitian O
ini O
penulis O
akan O
melakukan B-TUJUAN
analisis I-TUJUAN
sentimen I-TUJUAN
untuk I-TUJUAN
melihat I-TUJUAN
perkembangan I-TUJUAN
sentimen I-TUJUAN
publik I-TUJUAN
di I-TUJUAN
Indonesia I-TUJUAN
terkait I-TUJUAN
pengelolaan I-TUJUAN
sampah I-TUJUAN
melalui I-TUJUAN
pengguna I-TUJUAN
Twitter I-TUJUAN
sebelum I-TUJUAN
dan I-TUJUAN
sesudah I-TUJUAN
pembaharuan I-TUJUAN
Permen I-TUJUAN
LHK I-TUJUAN
dan I-TUJUAN
membandingkan I-TUJUAN
dua I-TUJUAN
metode I-TUJUAN
klasifikasi I-TUJUAN
sentimen I-TUJUAN
yaitu I-TUJUAN
VADER I-TUJUAN
dan I-TUJUAN
VADER I-TUJUAN
yang I-TUJUAN
di-training I-TUJUAN
dengan I-TUJUAN
model I-TUJUAN
SVM. I-TUJUAN
Hasil O
dari O
penelitian O
ini O
didapatkan B-TEMUAN
adanya I-TEMUAN
tren I-TEMUAN
naik I-TEMUAN
pada I-TEMUAN
sentimen I-TEMUAN
positif I-TEMUAN
terkait I-TEMUAN
pengelolaan I-TEMUAN
sampah I-TEMUAN
dari I-TEMUAN
tahun I-TEMUAN
2019 I-TEMUAN
hingga I-TEMUAN
tahun I-TEMUAN
2021 I-TEMUAN
dan I-TEMUAN
adanya I-TEMUAN
tren I-TEMUAN
turun I-TEMUAN
pada I-TEMUAN
sentimen I-TEMUAN
negatif I-TEMUAN
terkait I-TEMUAN
pengelolaan I-TEMUAN
sampah I-TEMUAN
dari I-TEMUAN
tahun I-TEMUAN
2019 I-TEMUAN
hingga I-TEMUAN
tahun I-TEMUAN
2021 I-TEMUAN
sementara I-TEMUAN
untuk I-TEMUAN
sentimen I-TEMUAN
netral I-TEMUAN
tidak I-TEMUAN
menunjukkan I-TEMUAN
pola I-TEMUAN
tertentu. I-TEMUAN
Untuk O
perbandingan O
metode O
yang O
digunakan O
ditunjukkan O
metode B-METODE
VADER I-METODE
menghasilkan O
akurasi O
yang O
lebih O
tinggi O
dengan O
nilai O
akurasi O
sebesar O
46 O
% O
. O
Kata O
Kunci— O
Analisis O
Sentimen O
, O
Pengelolaan O
Sampah O
, O
Machine O
Learning O
, O
VADER O
, O
SVM. O
[SEP] O
Sementara O
itu O
metode O
VADER O
yang O
dilatih O
model O
SVM O
menunjukkan O
hasil O
yang O
lebih O
buruk O
dengan O
lebih O
sedikitnya O
jumlah O
tweet O
yang O
pelabelannya O
dilakukan O
dengan O
tepat. O
Hasil O
visualisasi O
dapat O
dilihat O
pada O
Gambar O
7. O
Dari O
hasil O
pembahasan O
yang O
sudah O
diuraikan O
di O
atas O
, O
didapatkan O
beberapa O
kesimpulan O
yaitu O
: O
. O
1. O
Data O
yang O
diambil O
dari O
twitter O
dapat O
digunakan O
untuk O
suatu O
terhadap O
menganalisis O
publik O
peristiwa O
/ O
topik O
/ O
benda O
/ O
perbincangan O
sentimen O
2. O
Hasil O
klasifikasi B-METODE
sentimen I-METODE
melalui O
nilai O
polaritas O
VADER O
menunjukkan O
tren B-TEMUAN
naik I-TEMUAN
pada I-TEMUAN
sentimen I-TEMUAN
positif I-TEMUAN
dan I-TEMUAN
tren I-TEMUAN
menurun I-TEMUAN
pada I-TEMUAN
sentimen I-TEMUAN
negatif I-TEMUAN
setiap I-TEMUAN
tahunnya I-TEMUAN
dari I-TEMUAN
ini I-TEMUAN
menunjukkan I-TEMUAN
tanggapan I-TEMUAN
publik I-TEMUAN
mengenai I-TEMUAN
pengelolaan I-TEMUAN
sampah I-TEMUAN
dari I-TEMUAN
KLHK I-TEMUAN
semakin I-TEMUAN
baik. I-TEMUAN
tahun O
2019 O
sampai O
tahun O
2021. O
Hal O
3. O
Metode O
VADER O
menghasilkan O
akurasi O
yang O
lebih O
besar O
daripada O
metode O
VADER O
yang O
dilatih O
model O
SVM O
dengan O
nilai O
akurasi O
sebesar O
46 O
% O
. O
7 O
/ O
8 O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
20 O
] O
Kelvin O
, O
J. O
Banjarnahor O
, O
E. O
Indra O
and O
S. O
H. O
Sinurat O
, O
“ANALISIS O
Perbandingan O
Sentimen O
Corona O
Virus O
Disease-2019 O
( O
Covid19 O
) O
Pada O
Twitter O
Menggunakan O
Metode O
Logistic O
Regression O
Dan O
Support O
Vector O
Machine O
( O
SVM O
) O
” O
, O
JUSIKOM O
PRIMA O
( O
Jurnal O
Sistem O
Informasi O
dan O
Ilmu O
Komputer O
Prima O
) O
Vol. O
5 O
No. O
2 O
, O
pp. O
47-52 O
, O
Feb O
2022 O
4. O
Hasil O
penelitian O
ini O
membuktikan O
bahwa O
menggabungkan O
dua O
metode O
yang O
unggul O
belum O
tentu O
akan O
membawakan O
hasil O
yang O
lebih O
baik O
daripada O
hanya O
menggunakan O
satu O
metode O
saja. O

Sentimen O
Data O
Twitter O
Tentang O
Pengelolaan O
Sampah O
dengan O
Metode O
VADER O
dan O
Support O
Vector O
Machine O
( O
SVM O
) O
Mutia O
Soraya O
Adila O
( O
21810481 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Anugerah O
Karta O
Monika O
, O
S.SI O
, O
M.E. O
2021 O
Pada O
tahun O
pemerintah. O
Ringkasan—Pengelolaan O
sampah O
yang O
baik O
dan O
benar O
merupakan O
solusi O
utama O
dalam O
mengatasi O
jumlah O
timbunan O
sampah O
di O
Indonesia O
yang O
merupakan O
permasalahan O
yang O
selalu O
dihadapi O
Indonesia O
setiap O
tahunnya. O
Mengelola O
sampah O
dengan O
baik O
dan O
benar O
merupakan O
tugas O
bersama O
antara O
masyarakat O
dengan O
pemerintah O
memperbaharui O
Peraturan O
Menteri O
LHK O
No. O
14 O
mengenai O
bank O
sampah. O
Maka O
pada O
penelitian O
ini O
penulis O
akan O
melakukan B-TUJUAN
analisis I-TUJUAN
sentimen I-TUJUAN
untuk I-TUJUAN
melihat I-TUJUAN
perkembangan I-TUJUAN
sentimen I-TUJUAN
publik I-TUJUAN
di I-TUJUAN
Indonesia I-TUJUAN
terkait I-TUJUAN
pengelolaan I-TUJUAN
sampah I-TUJUAN
melalui I-TUJUAN
pengguna I-TUJUAN
Twitter I-TUJUAN
sebelum I-TUJUAN
dan I-TUJUAN
sesudah I-TUJUAN
pembaharuan I-TUJUAN
Permen I-TUJUAN
LHK I-TUJUAN
dan I-TUJUAN
membandingkan I-TUJUAN
dua I-TUJUAN
metode I-TUJUAN
klasifikasi I-TUJUAN
sentimen I-TUJUAN
yaitu I-TUJUAN
VADER I-TUJUAN
dan I-TUJUAN
VADER I-TUJUAN
yang I-TUJUAN
di-training I-TUJUAN
dengan I-TUJUAN
model I-TUJUAN
SVM. I-TUJUAN
Hasil O
dari O
penelitian O
ini O
didapatkan B-TEMUAN
adanya I-TEMUAN
tren I-TEMUAN
naik I-TEMUAN
pada I-TEMUAN
sentimen I-TEMUAN
positif I-TEMUAN
terkait I-TEMUAN
pengelolaan I-TEMUAN
sampah I-TEMUAN
dari I-TEMUAN
tahun I-TEMUAN
2019 I-TEMUAN
hingga I-TEMUAN
tahun I-TEMUAN
2021 I-TEMUAN
dan I-TEMUAN
adanya I-TEMUAN
tren I-TEMUAN
turun I-TEMUAN
pada I-TEMUAN
sentimen I-TEMUAN
negatif I-TEMUAN
terkait I-TEMUAN
pengelolaan I-TEMUAN
sampah I-TEMUAN
dari I-TEMUAN
tahun I-TEMUAN
2019 I-TEMUAN
hingga I-TEMUAN
tahun I-TEMUAN
2021 I-TEMUAN
sementara I-TEMUAN
untuk I-TEMUAN
sentimen I-TEMUAN
netral I-TEMUAN
tidak I-TEMUAN
menunjukkan I-TEMUAN
pola I-TEMUAN
tertentu. I-TEMUAN
Untuk O
perbandingan O
metode O
yang O
digunakan O
ditunjukkan O
metode B-METODE
VADER I-METODE
menghasilkan O
akurasi O
yang O
lebih O
tinggi O
dengan O
nilai O
akurasi O
sebesar O
46 O
% O
. O
Kata O
Kunci— O
Analisis O
Sentimen O
, O
Pengelolaan O
Sampah O
, O
Machine O
Learning O
, O
VADER O
, O
SVM. O
[SEP] O
Sementara O
itu O
metode O
VADER O
yang O
dilatih O
model O
SVM O
menunjukkan O
hasil O
yang O
lebih O
buruk O
dengan O
lebih O
sedikitnya O
jumlah O
tweet O
yang O
pelabelannya O
dilakukan O
dengan O
tepat. O
Hasil O
visualisasi O
dapat O
dilihat O
pada O
Gambar O
7. O
Dari O
hasil O
pembahasan O
yang O
sudah O
diuraikan O
di O
atas O
, O
didapatkan O
beberapa O
kesimpulan O
yaitu O
: O
. O
1. O
Data O
yang O
diambil O
dari O
twitter O
dapat O
digunakan O
untuk O
suatu O
terhadap O
menganalisis O
publik O
peristiwa O
/ O
topik O
/ O
benda O
/ O
perbincangan O
sentimen O
2. O
Hasil O
klasifikasi B-METODE
sentimen I-METODE
melalui O
nilai O
polaritas O
VADER O
menunjukkan O
tren B-TEMUAN
naik I-TEMUAN
pada I-TEMUAN
sentimen I-TEMUAN
positif I-TEMUAN
dan I-TEMUAN
tren I-TEMUAN
menurun I-TEMUAN
pada I-TEMUAN
sentimen I-TEMUAN
negatif I-TEMUAN
setiap I-TEMUAN
tahunnya I-TEMUAN
dari I-TEMUAN
ini I-TEMUAN
menunjukkan I-TEMUAN
tanggapan I-TEMUAN
publik I-TEMUAN
mengenai I-TEMUAN
pengelolaan I-TEMUAN
sampah I-TEMUAN
dari I-TEMUAN
KLHK I-TEMUAN
semakin I-TEMUAN
baik. I-TEMUAN
tahun O
2019 O
sampai O
tahun O
2021. O
Hal O
3. O
Metode O
VADER O
menghasilkan O
akurasi O
yang O
lebih O
besar O
daripada O
metode O
VADER O
yang O
dilatih O
model O
SVM O
dengan O
nilai O
akurasi O
sebesar O
46 O
% O
. O
7 O
/ O
8 O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
20 O
] O
Kelvin O
, O
J. O
Banjarnahor O
, O
E. O
Indra O
and O
S. O
H. O
Sinurat O
, O
“ANALISIS O
Perbandingan O
Sentimen O
Corona O
Virus O
Disease-2019 O
( O
Covid19 O
) O
Pada O
Twitter O
Menggunakan O
Metode O
Logistic O
Regression O
Dan O
Support O
Vector O
Machine O
( O
SVM O
) O
” O
, O
JUSIKOM O
PRIMA O
( O
Jurnal O
Sistem O
Informasi O
dan O
Ilmu O
Komputer O
Prima O
) O
Vol. O
5 O
No. O
2 O
, O
pp. O
47-52 O
, O
Feb O
2022 O
4. O
Hasil O
penelitian O
ini O
membuktikan O
bahwa O
menggabungkan O
dua O
metode O
yang O
unggul O
belum O
tentu O
akan O
membawakan O
hasil O
yang O
lebih O
baik O
daripada O
hanya O
menggunakan O
satu O
metode O
saja. O

Sentimen O
Data O
Twitter O
Tentang O
Pengelolaan O
Sampah O
dengan O
Metode O
VADER O
dan O
Support O
Vector O
Machine O
( O
SVM O
) O
Mutia O
Soraya O
Adila O
( O
21810481 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Anugerah O
Karta O
Monika O
, O
S.SI O
, O
M.E. O
2021 O
Pada O
tahun O
pemerintah. O
Ringkasan—Pengelolaan O
sampah O
yang O
baik O
dan O
benar O
merupakan O
solusi O
utama O
dalam O
mengatasi O
jumlah O
timbunan O
sampah O
di O
Indonesia O
yang O
merupakan O
permasalahan O
yang O
selalu O
dihadapi O
Indonesia O
setiap O
tahunnya. O
Mengelola O
sampah O
dengan O
baik O
dan O
benar O
merupakan O
tugas O
bersama O
antara O
masyarakat O
dengan O
pemerintah O
memperbaharui O
Peraturan O
Menteri O
LHK O
No. O
14 O
mengenai O
bank O
sampah. O
Maka O
pada O
penelitian O
ini O
penulis O
akan O
melakukan B-TUJUAN
analisis I-TUJUAN
sentimen I-TUJUAN
untuk I-TUJUAN
melihat I-TUJUAN
perkembangan I-TUJUAN
sentimen I-TUJUAN
publik I-TUJUAN
di I-TUJUAN
Indonesia I-TUJUAN
terkait I-TUJUAN
pengelolaan I-TUJUAN
sampah I-TUJUAN
melalui I-TUJUAN
pengguna I-TUJUAN
Twitter I-TUJUAN
sebelum I-TUJUAN
dan I-TUJUAN
sesudah I-TUJUAN
pembaharuan I-TUJUAN
Permen I-TUJUAN
LHK I-TUJUAN
dan I-TUJUAN
membandingkan I-TUJUAN
dua I-TUJUAN
metode I-TUJUAN
klasifikasi I-TUJUAN
sentimen I-TUJUAN
yaitu I-TUJUAN
VADER I-TUJUAN
dan I-TUJUAN
VADER I-TUJUAN
yang I-TUJUAN
di-training I-TUJUAN
dengan I-TUJUAN
model I-TUJUAN
SVM. I-TUJUAN
Hasil O
dari O
penelitian O
ini O
didapatkan B-TEMUAN
adanya I-TEMUAN
tren I-TEMUAN
naik I-TEMUAN
pada I-TEMUAN
sentimen I-TEMUAN
positif I-TEMUAN
terkait I-TEMUAN
pengelolaan I-TEMUAN
sampah I-TEMUAN
dari I-TEMUAN
tahun I-TEMUAN
2019 I-TEMUAN
hingga I-TEMUAN
tahun I-TEMUAN
2021 I-TEMUAN
dan I-TEMUAN
adanya I-TEMUAN
tren I-TEMUAN
turun I-TEMUAN
pada I-TEMUAN
sentimen I-TEMUAN
negatif I-TEMUAN
terkait I-TEMUAN
pengelolaan I-TEMUAN
sampah I-TEMUAN
dari I-TEMUAN
tahun I-TEMUAN
2019 I-TEMUAN
hingga I-TEMUAN
tahun I-TEMUAN
2021 I-TEMUAN
sementara I-TEMUAN
untuk I-TEMUAN
sentimen I-TEMUAN
netral I-TEMUAN
tidak I-TEMUAN
menunjukkan I-TEMUAN
pola I-TEMUAN
tertentu. I-TEMUAN
Untuk O
perbandingan O
metode O
yang O
digunakan O
ditunjukkan O
metode B-METODE
VADER I-METODE
menghasilkan O
akurasi O
yang O
lebih O
tinggi O
dengan O
nilai O
akurasi O
sebesar O
46 O
% O
. O
Kata O
Kunci— O
Analisis O
Sentimen O
, O
Pengelolaan O
Sampah O
, O
Machine O
Learning O
, O
VADER O
, O
SVM. O
[SEP] O
Sementara O
itu O
metode O
VADER O
yang O
dilatih O
model O
SVM O
menunjukkan O
hasil O
yang O
lebih O
buruk O
dengan O
lebih O
sedikitnya O
jumlah O
tweet O
yang O
pelabelannya O
dilakukan O
dengan O
tepat. O
Hasil O
visualisasi O
dapat O
dilihat O
pada O
Gambar O
7. O
Dari O
hasil O
pembahasan O
yang O
sudah O
diuraikan O
di O
atas O
, O
didapatkan O
beberapa O
kesimpulan O
yaitu O
: O
. O
1. O
Data O
yang O
diambil O
dari O
twitter O
dapat O
digunakan O
untuk O
suatu O
terhadap O
menganalisis O
publik O
peristiwa O
/ O
topik O
/ O
benda O
/ O
perbincangan O
sentimen O
2. O
Hasil O
klasifikasi B-METODE
sentimen I-METODE
melalui O
nilai O
polaritas O
VADER O
menunjukkan O
tren B-TEMUAN
naik I-TEMUAN
pada I-TEMUAN
sentimen I-TEMUAN
positif I-TEMUAN
dan I-TEMUAN
tren I-TEMUAN
menurun I-TEMUAN
pada I-TEMUAN
sentimen I-TEMUAN
negatif I-TEMUAN
setiap I-TEMUAN
tahunnya I-TEMUAN
dari I-TEMUAN
ini I-TEMUAN
menunjukkan I-TEMUAN
tanggapan I-TEMUAN
publik I-TEMUAN
mengenai I-TEMUAN
pengelolaan I-TEMUAN
sampah I-TEMUAN
dari I-TEMUAN
KLHK I-TEMUAN
semakin I-TEMUAN
baik. I-TEMUAN
tahun O
2019 O
sampai O
tahun O
2021. O
Hal O
3. O
Metode O
VADER O
menghasilkan O
akurasi O
yang O
lebih O
besar O
daripada O
metode O
VADER O
yang O
dilatih O
model O
SVM O
dengan O
nilai O
akurasi O
sebesar O
46 O
% O
. O
7 O
/ O
8 O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
20 O
] O
Kelvin O
, O
J. O
Banjarnahor O
, O
E. O
Indra O
and O
S. O
H. O
Sinurat O
, O
“ANALISIS O
Perbandingan O
Sentimen O
Corona O
Virus O
Disease-2019 O
( O
Covid19 O
) O
Pada O
Twitter O
Menggunakan O
Metode O
Logistic O
Regression O
Dan O
Support O
Vector O
Machine O
( O
SVM O
) O
” O
, O
JUSIKOM O
PRIMA O
( O
Jurnal O
Sistem O
Informasi O
dan O
Ilmu O
Komputer O
Prima O
) O
Vol. O
5 O
No. O
2 O
, O
pp. O
47-52 O
, O
Feb O
2022 O
4. O
Hasil O
penelitian O
ini O
membuktikan O
bahwa O
menggabungkan O
dua O
metode O
yang O
unggul O
belum O
tentu O
akan O
membawakan O
hasil O
yang O
lebih O
baik O
daripada O
hanya O
menggunakan O
satu O
metode O
saja. O

Pengembangan O
Sistem O
Pengajuan O
Pencairan O
Anggaran O
dan O
Pengelolaan O
Nota O
Dinas O
( O
SICANDI O
) O
Studi O
Kasus O
BPS O
Kota O
Palembang O
M. O
Rifky O
Naratama O
Susanto O
( O
221810473 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Lya O
Hulliyyatus O
Suadaa O
, O
S.S.T. O
, O
M.T. O
Ringkasan—Badan O
Pusat O
Statistik O
( O
BPS O
) O
merupakan O
salah O
satu O
instansi O
/ O
lembaga O
pemerintah O
non O
kementerian. O
Dalam O
melaksanakan O
penyelenggaraan O
administrasi O
, O
BPS O
Kota O
Palem- O
bang O
memiliki O
beberapa O
kendala O
dalam O
melakukan O
pencairan O
anggaran. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
bertujuan O
untuk O
mengembangkan B-TUJUAN
sebuah I-TUJUAN
sistem I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
mewujudkan I-TUJUAN
proses I-TUJUAN
administrasi I-TUJUAN
yang I-TUJUAN
transparan I-TUJUAN
dan I-TUJUAN
akuntabel I-TUJUAN
serta I-TUJUAN
pengelolaan I-TUJUAN
nota I-TUJUAN
dinas I-TUJUAN
di I-TUJUAN
lingkungan I-TUJUAN
kerja I-TUJUAN
BPS I-TUJUAN
Kota I-TUJUAN
Palembang I-TUJUAN
yang O
mudah O
diakses O
dan O
dioperasikan O
oleh O
pegawai O
yang O
memiliki O
peranan O
dalam O
proses O
pengajuan O
pencairan O
anggaran. O
Dalam O
pengemban- O
gan O
sistem O
ini O
, O
peneliti O
menggunakan O
model O
pengembangan O
Rapid B-METODE
Application I-METODE
Development I-METODE
( I-METODE
RAD I-METODE
) I-METODE
. O
RAD O
memungkinkan O
untuk O
melakukan O
pengembangan O
sistem O
dengan O
periode O
waktu O
yang O
sangat O
singkat. O
Sistem O
yang O
dikembangkan O
diuji O
menggunakan O
Uji B-METODE
Black I-METODE
Box I-METODE
, O
Uji B-METODE
Kegunaan I-METODE
Sistem I-METODE
dengan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
, O
dan O
Uji B-METODE
Transparansi I-METODE
dan I-METODE
Akuntabilitas. I-METODE
Dari B-TEMUAN
seluruh I-TEMUAN
skenario I-TEMUAN
Uji I-TEMUAN
Black I-TEMUAN
Box I-TEMUAN
, I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
didapat I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
harapan I-TEMUAN
pengguna I-TEMUAN
dan I-TEMUAN
hasil I-TEMUAN
dari I-TEMUAN
SUS I-TEMUAN
diperoleh I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
76,25. I-TEMUAN
Rata-rata I-TEMUAN
nilai I-TEMUAN
tersebut I-TEMUAN
berada I-TEMUAN
di I-TEMUAN
atas I-TEMUAN
70 I-TEMUAN
, I-TEMUAN
artinya I-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
layak I-TEMUAN
untuk I-TEMUAN
digunakan I-TEMUAN
( I-TEMUAN
acceptable I-TEMUAN
) I-TEMUAN
. O
Dan B-TEMUAN
untuk I-TEMUAN
pengujian I-TEMUAN
transparansi I-TEMUAN
dan I-TEMUAN
akuntabilitas I-TEMUAN
, I-TEMUAN
didapatkan I-TEMUAN
hasil I-TEMUAN
bahwa I-TEMUAN
tujuan I-TEMUAN
transparansi I-TEMUAN
dan I-TEMUAN
akuntabilitas I-TEMUAN
yang I-TEMUAN
ingin I-TEMUAN
dicapai I-TEMUAN
oleh I-TEMUAN
subject I-TEMUAN
matter I-TEMUAN
dalam I-TEMUAN
SICANDI I-TEMUAN
sudah I-TEMUAN
tercapai. I-TEMUAN
Kata O
Kunci—Pengajuan O
, O
Nota O
Dinas O
, O
RAD O
, O
SUS O
, O
Uji O
Black O
Box. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
dilakukan O
, O
dapat O
diper- O
oleh O
kesimpulan O
sebagai O
berikut O
: O
1 O
) O
Pengembangan B-TEMUAN
Sistem I-TEMUAN
Pengajuan I-TEMUAN
Pencairan I-TEMUAN
Anggaran I-TEMUAN
dan I-TEMUAN
Pengelolaan I-TEMUAN
Nota I-TEMUAN
Dinas I-TEMUAN
( I-TEMUAN
SICANDI I-TEMUAN
) I-TEMUAN
BPS I-TEMUAN
Kota I-TEMUAN
Palembang I-TEMUAN
berhasil I-TEMUAN
dilakukan. I-TEMUAN
Sistem I-TEMUAN
yang I-TEMUAN
dikem- I-TEMUAN
bangkan I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
agar I-TEMUAN
pengguna I-TEMUAN
yang I-TEMUAN
terlibat I-TEMUAN
dapat I-TEMUAN
mengaksesnya I-TEMUAN
dengan I-TEMUAN
mudah I-TEMUAN
2 O
) O
Berdasarkan B-TEMUAN
evaluasi I-TEMUAN
dari I-TEMUAN
uji I-TEMUAN
black I-TEMUAN
box I-TEMUAN
, I-TEMUAN
fungsi-fungsi I-TEMUAN
yang I-TEMUAN
dibutuhkan I-TEMUAN
dapat I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
sesuai I-TEMUAN
harapan. I-TEMUAN
Demikian I-TEMUAN
pula I-TEMUAN
dengan I-TEMUAN
uji I-TEMUAN
kegunaan I-TEMUAN
sistem I-TEMUAN
menggunakan I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
, I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
( I-TEMUAN
acceptable I-TEMUAN
) I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
yang I-TEMUAN
terlibat. I-TEMUAN
Dan I-TEMUAN
untuk I-TEMUAN
pengujian I-TEMUAN
transparansi I-TEMUAN
dan I-TEMUAN
akuntabilitas I-TEMUAN
, I-TEMUAN
didapatkan I-TEMUAN
hasil I-TEMUAN
bahwa I-TEMUAN
tujuan I-TEMUAN
transparansi I-TEMUAN
dan I-TEMUAN
akuntabilitas I-TEMUAN
yang I-TEMUAN
ingin I-TEMUAN
dicapai I-TEMUAN
oleh I-TEMUAN
subject I-TEMUAN
matter I-TEMUAN
dalam I-TEMUAN
SICANDI I-TEMUAN
sudah I-TEMUAN
tercapai. I-TEMUAN
Adapun O
saran O
yang O
dapat O
peneliti O
berikan O
untuk O
penelitian O
selanjutnya O
, O
antara O
lain O
: O
1 O
) O
Untuk O
menghindari O
akses O
dari O
pihak O
yang O
tidak O
di- O
inginkan O
, O
sebaiknya O
diakses O
menggunakan O
VPN O
BPS. O
2 O
) O
Berdasarkan O
diskusi O
dengan O
subject O
matter O
, O
diharapkan O
bahwa O
sistem O
dapat O
melakukan O
pengembangan O
lebih O
lanjut O
( O
penambahan O
fitur-fitur O
) O
yang O
dapat O
digunakan O
untuk O
menunjang O
proses O
pengajuan O
pencairan O
anggaran O
di O
BPS O
Kota O
Palembang O
, O
misalnya O
pembuatan O
Laporan O
Realisasi O
Anggaran O
( O
LRA O
) O
. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Pengembangan O
Sistem O
Pengajuan O
Pencairan O
Anggaran O
dan O
Pengelolaan O
Nota O
Dinas O
( O
SICANDI O
) O
Studi O
Kasus O
BPS O
Kota O
Palembang O
M. O
Rifky O
Naratama O
Susanto O
( O
221810473 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Lya O
Hulliyyatus O
Suadaa O
, O
S.S.T. O
, O
M.T. O
Ringkasan—Badan O
Pusat O
Statistik O
( O
BPS O
) O
merupakan O
salah O
satu O
instansi O
/ O
lembaga O
pemerintah O
non O
kementerian. O
Dalam O
melaksanakan O
penyelenggaraan O
administrasi O
, O
BPS O
Kota O
Palem- O
bang O
memiliki O
beberapa O
kendala O
dalam O
melakukan O
pencairan O
anggaran. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
bertujuan O
untuk O
mengembangkan B-TUJUAN
sebuah I-TUJUAN
sistem I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
mewujudkan I-TUJUAN
proses I-TUJUAN
administrasi I-TUJUAN
yang I-TUJUAN
transparan I-TUJUAN
dan I-TUJUAN
akuntabel I-TUJUAN
serta I-TUJUAN
pengelolaan I-TUJUAN
nota I-TUJUAN
dinas I-TUJUAN
di I-TUJUAN
lingkungan I-TUJUAN
kerja I-TUJUAN
BPS I-TUJUAN
Kota I-TUJUAN
Palembang I-TUJUAN
yang O
mudah O
diakses O
dan O
dioperasikan O
oleh O
pegawai O
yang O
memiliki O
peranan O
dalam O
proses O
pengajuan O
pencairan O
anggaran. O
Dalam O
pengemban- O
gan O
sistem O
ini O
, O
peneliti O
menggunakan O
model O
pengembangan O
Rapid B-METODE
Application I-METODE
Development I-METODE
( I-METODE
RAD I-METODE
) I-METODE
. O
RAD O
memungkinkan O
untuk O
melakukan O
pengembangan O
sistem O
dengan O
periode O
waktu O
yang O
sangat O
singkat. O
Sistem O
yang O
dikembangkan O
diuji O
menggunakan O
Uji B-METODE
Black I-METODE
Box I-METODE
, O
Uji B-METODE
Kegunaan I-METODE
Sistem I-METODE
dengan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
, O
dan O
Uji B-METODE
Transparansi I-METODE
dan I-METODE
Akuntabilitas. I-METODE
Dari B-TEMUAN
seluruh I-TEMUAN
skenario I-TEMUAN
Uji I-TEMUAN
Black I-TEMUAN
Box I-TEMUAN
, I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
didapat I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
harapan I-TEMUAN
pengguna I-TEMUAN
dan I-TEMUAN
hasil I-TEMUAN
dari I-TEMUAN
SUS I-TEMUAN
diperoleh I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
76,25. I-TEMUAN
Rata-rata I-TEMUAN
nilai I-TEMUAN
tersebut I-TEMUAN
berada I-TEMUAN
di I-TEMUAN
atas I-TEMUAN
70 I-TEMUAN
, I-TEMUAN
artinya I-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
layak I-TEMUAN
untuk I-TEMUAN
digunakan I-TEMUAN
( I-TEMUAN
acceptable I-TEMUAN
) I-TEMUAN
. O
Dan B-TEMUAN
untuk I-TEMUAN
pengujian I-TEMUAN
transparansi I-TEMUAN
dan I-TEMUAN
akuntabilitas I-TEMUAN
, I-TEMUAN
didapatkan I-TEMUAN
hasil I-TEMUAN
bahwa I-TEMUAN
tujuan I-TEMUAN
transparansi I-TEMUAN
dan I-TEMUAN
akuntabilitas I-TEMUAN
yang I-TEMUAN
ingin I-TEMUAN
dicapai I-TEMUAN
oleh I-TEMUAN
subject I-TEMUAN
matter I-TEMUAN
dalam I-TEMUAN
SICANDI I-TEMUAN
sudah I-TEMUAN
tercapai. I-TEMUAN
Kata O
Kunci—Pengajuan O
, O
Nota O
Dinas O
, O
RAD O
, O
SUS O
, O
Uji O
Black O
Box. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
dilakukan O
, O
dapat O
diper- O
oleh O
kesimpulan O
sebagai O
berikut O
: O
1 O
) O
Pengembangan B-TEMUAN
Sistem I-TEMUAN
Pengajuan I-TEMUAN
Pencairan I-TEMUAN
Anggaran I-TEMUAN
dan I-TEMUAN
Pengelolaan I-TEMUAN
Nota I-TEMUAN
Dinas I-TEMUAN
( I-TEMUAN
SICANDI I-TEMUAN
) I-TEMUAN
BPS I-TEMUAN
Kota I-TEMUAN
Palembang I-TEMUAN
berhasil I-TEMUAN
dilakukan. I-TEMUAN
Sistem I-TEMUAN
yang I-TEMUAN
dikem- I-TEMUAN
bangkan I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
agar I-TEMUAN
pengguna I-TEMUAN
yang I-TEMUAN
terlibat I-TEMUAN
dapat I-TEMUAN
mengaksesnya I-TEMUAN
dengan I-TEMUAN
mudah I-TEMUAN
2 O
) O
Berdasarkan B-TEMUAN
evaluasi I-TEMUAN
dari I-TEMUAN
uji I-TEMUAN
black I-TEMUAN
box I-TEMUAN
, I-TEMUAN
fungsi-fungsi I-TEMUAN
yang I-TEMUAN
dibutuhkan I-TEMUAN
dapat I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
sesuai I-TEMUAN
harapan. I-TEMUAN
Demikian I-TEMUAN
pula I-TEMUAN
dengan I-TEMUAN
uji I-TEMUAN
kegunaan I-TEMUAN
sistem I-TEMUAN
menggunakan I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
, I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
( I-TEMUAN
acceptable I-TEMUAN
) I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
yang I-TEMUAN
terlibat. I-TEMUAN
Dan I-TEMUAN
untuk I-TEMUAN
pengujian I-TEMUAN
transparansi I-TEMUAN
dan I-TEMUAN
akuntabilitas I-TEMUAN
, I-TEMUAN
didapatkan I-TEMUAN
hasil I-TEMUAN
bahwa I-TEMUAN
tujuan I-TEMUAN
transparansi I-TEMUAN
dan I-TEMUAN
akuntabilitas I-TEMUAN
yang I-TEMUAN
ingin I-TEMUAN
dicapai I-TEMUAN
oleh I-TEMUAN
subject I-TEMUAN
matter I-TEMUAN
dalam I-TEMUAN
SICANDI I-TEMUAN
sudah I-TEMUAN
tercapai. I-TEMUAN
Adapun O
saran O
yang O
dapat O
peneliti O
berikan O
untuk O
penelitian O
selanjutnya O
, O
antara O
lain O
: O
1 O
) O
Untuk O
menghindari O
akses O
dari O
pihak O
yang O
tidak O
di- O
inginkan O
, O
sebaiknya O
diakses O
menggunakan O
VPN O
BPS. O
2 O
) O
Berdasarkan O
diskusi O
dengan O
subject O
matter O
, O
diharapkan O
bahwa O
sistem O
dapat O
melakukan O
pengembangan O
lebih O
lanjut O
( O
penambahan O
fitur-fitur O
) O
yang O
dapat O
digunakan O
untuk O
menunjang O
proses O
pengajuan O
pencairan O
anggaran O
di O
BPS O
Kota O
Palembang O
, O
misalnya O
pembuatan O
Laporan O
Realisasi O
Anggaran O
( O
LRA O
) O
. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Pengembangan O
Sistem O
Pengajuan O
Pencairan O
Anggaran O
dan O
Pengelolaan O
Nota O
Dinas O
( O
SICANDI O
) O
Studi O
Kasus O
BPS O
Kota O
Palembang O
M. O
Rifky O
Naratama O
Susanto O
( O
221810473 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Lya O
Hulliyyatus O
Suadaa O
, O
S.S.T. O
, O
M.T. O
Ringkasan—Badan O
Pusat O
Statistik O
( O
BPS O
) O
merupakan O
salah O
satu O
instansi O
/ O
lembaga O
pemerintah O
non O
kementerian. O
Dalam O
melaksanakan O
penyelenggaraan O
administrasi O
, O
BPS O
Kota O
Palem- O
bang O
memiliki O
beberapa O
kendala O
dalam O
melakukan O
pencairan O
anggaran. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
bertujuan O
untuk O
mengembangkan B-TUJUAN
sebuah I-TUJUAN
sistem I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
mewujudkan I-TUJUAN
proses I-TUJUAN
administrasi I-TUJUAN
yang I-TUJUAN
transparan I-TUJUAN
dan I-TUJUAN
akuntabel I-TUJUAN
serta I-TUJUAN
pengelolaan I-TUJUAN
nota I-TUJUAN
dinas I-TUJUAN
di I-TUJUAN
lingkungan I-TUJUAN
kerja I-TUJUAN
BPS I-TUJUAN
Kota I-TUJUAN
Palembang I-TUJUAN
yang O
mudah O
diakses O
dan O
dioperasikan O
oleh O
pegawai O
yang O
memiliki O
peranan O
dalam O
proses O
pengajuan O
pencairan O
anggaran. O
Dalam O
pengemban- O
gan O
sistem O
ini O
, O
peneliti O
menggunakan O
model O
pengembangan O
Rapid B-METODE
Application I-METODE
Development I-METODE
( I-METODE
RAD I-METODE
) I-METODE
. O
RAD O
memungkinkan O
untuk O
melakukan O
pengembangan O
sistem O
dengan O
periode O
waktu O
yang O
sangat O
singkat. O
Sistem O
yang O
dikembangkan O
diuji O
menggunakan O
Uji B-METODE
Black I-METODE
Box I-METODE
, O
Uji B-METODE
Kegunaan I-METODE
Sistem I-METODE
dengan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
, O
dan O
Uji B-METODE
Transparansi I-METODE
dan I-METODE
Akuntabilitas. I-METODE
Dari B-TEMUAN
seluruh I-TEMUAN
skenario I-TEMUAN
Uji I-TEMUAN
Black I-TEMUAN
Box I-TEMUAN
, I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
didapat I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
harapan I-TEMUAN
pengguna I-TEMUAN
dan I-TEMUAN
hasil I-TEMUAN
dari I-TEMUAN
SUS I-TEMUAN
diperoleh I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
76,25. I-TEMUAN
Rata-rata I-TEMUAN
nilai I-TEMUAN
tersebut I-TEMUAN
berada I-TEMUAN
di I-TEMUAN
atas I-TEMUAN
70 I-TEMUAN
, I-TEMUAN
artinya I-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
layak I-TEMUAN
untuk I-TEMUAN
digunakan I-TEMUAN
( I-TEMUAN
acceptable I-TEMUAN
) I-TEMUAN
. O
Dan B-TEMUAN
untuk I-TEMUAN
pengujian I-TEMUAN
transparansi I-TEMUAN
dan I-TEMUAN
akuntabilitas I-TEMUAN
, I-TEMUAN
didapatkan I-TEMUAN
hasil I-TEMUAN
bahwa I-TEMUAN
tujuan I-TEMUAN
transparansi I-TEMUAN
dan I-TEMUAN
akuntabilitas I-TEMUAN
yang I-TEMUAN
ingin I-TEMUAN
dicapai I-TEMUAN
oleh I-TEMUAN
subject I-TEMUAN
matter I-TEMUAN
dalam I-TEMUAN
SICANDI I-TEMUAN
sudah I-TEMUAN
tercapai. I-TEMUAN
Kata O
Kunci—Pengajuan O
, O
Nota O
Dinas O
, O
RAD O
, O
SUS O
, O
Uji O
Black O
Box. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
dilakukan O
, O
dapat O
diper- O
oleh O
kesimpulan O
sebagai O
berikut O
: O
1 O
) O
Pengembangan B-TEMUAN
Sistem I-TEMUAN
Pengajuan I-TEMUAN
Pencairan I-TEMUAN
Anggaran I-TEMUAN
dan I-TEMUAN
Pengelolaan I-TEMUAN
Nota I-TEMUAN
Dinas I-TEMUAN
( I-TEMUAN
SICANDI I-TEMUAN
) I-TEMUAN
BPS I-TEMUAN
Kota I-TEMUAN
Palembang I-TEMUAN
berhasil I-TEMUAN
dilakukan. I-TEMUAN
Sistem I-TEMUAN
yang I-TEMUAN
dikem- I-TEMUAN
bangkan I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
agar I-TEMUAN
pengguna I-TEMUAN
yang I-TEMUAN
terlibat I-TEMUAN
dapat I-TEMUAN
mengaksesnya I-TEMUAN
dengan I-TEMUAN
mudah I-TEMUAN
2 O
) O
Berdasarkan B-TEMUAN
evaluasi I-TEMUAN
dari I-TEMUAN
uji I-TEMUAN
black I-TEMUAN
box I-TEMUAN
, I-TEMUAN
fungsi-fungsi I-TEMUAN
yang I-TEMUAN
dibutuhkan I-TEMUAN
dapat I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
sesuai I-TEMUAN
harapan. I-TEMUAN
Demikian I-TEMUAN
pula I-TEMUAN
dengan I-TEMUAN
uji I-TEMUAN
kegunaan I-TEMUAN
sistem I-TEMUAN
menggunakan I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
, I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
( I-TEMUAN
acceptable I-TEMUAN
) I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
yang I-TEMUAN
terlibat. I-TEMUAN
Dan I-TEMUAN
untuk I-TEMUAN
pengujian I-TEMUAN
transparansi I-TEMUAN
dan I-TEMUAN
akuntabilitas I-TEMUAN
, I-TEMUAN
didapatkan I-TEMUAN
hasil I-TEMUAN
bahwa I-TEMUAN
tujuan I-TEMUAN
transparansi I-TEMUAN
dan I-TEMUAN
akuntabilitas I-TEMUAN
yang I-TEMUAN
ingin I-TEMUAN
dicapai I-TEMUAN
oleh I-TEMUAN
subject I-TEMUAN
matter I-TEMUAN
dalam I-TEMUAN
SICANDI I-TEMUAN
sudah I-TEMUAN
tercapai. I-TEMUAN
Adapun O
saran O
yang O
dapat O
peneliti O
berikan O
untuk O
penelitian O
selanjutnya O
, O
antara O
lain O
: O
1 O
) O
Untuk O
menghindari O
akses O
dari O
pihak O
yang O
tidak O
di- O
inginkan O
, O
sebaiknya O
diakses O
menggunakan O
VPN O
BPS. O
2 O
) O
Berdasarkan O
diskusi O
dengan O
subject O
matter O
, O
diharapkan O
bahwa O
sistem O
dapat O
melakukan O
pengembangan O
lebih O
lanjut O
( O
penambahan O
fitur-fitur O
) O
yang O
dapat O
digunakan O
untuk O
menunjang O
proses O
pengajuan O
pencairan O
anggaran O
di O
BPS O
Kota O
Palembang O
, O
misalnya O
pembuatan O
Laporan O
Realisasi O
Anggaran O
( O
LRA O
) O
. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Pengembangan O
Sistem O
Pengajuan O
Pencairan O
Anggaran O
dan O
Pengelolaan O
Nota O
Dinas O
( O
SICANDI O
) O
Studi O
Kasus O
BPS O
Kota O
Palembang O
M. O
Rifky O
Naratama O
Susanto O
( O
221810473 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Lya O
Hulliyyatus O
Suadaa O
, O
S.S.T. O
, O
M.T. O
Ringkasan—Badan O
Pusat O
Statistik O
( O
BPS O
) O
merupakan O
salah O
satu O
instansi O
/ O
lembaga O
pemerintah O
non O
kementerian. O
Dalam O
melaksanakan O
penyelenggaraan O
administrasi O
, O
BPS O
Kota O
Palem- O
bang O
memiliki O
beberapa O
kendala O
dalam O
melakukan O
pencairan O
anggaran. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
bertujuan O
untuk O
mengembangkan B-TUJUAN
sebuah I-TUJUAN
sistem I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
mewujudkan I-TUJUAN
proses I-TUJUAN
administrasi I-TUJUAN
yang I-TUJUAN
transparan I-TUJUAN
dan I-TUJUAN
akuntabel I-TUJUAN
serta I-TUJUAN
pengelolaan I-TUJUAN
nota I-TUJUAN
dinas I-TUJUAN
di I-TUJUAN
lingkungan I-TUJUAN
kerja I-TUJUAN
BPS I-TUJUAN
Kota I-TUJUAN
Palembang I-TUJUAN
yang O
mudah O
diakses O
dan O
dioperasikan O
oleh O
pegawai O
yang O
memiliki O
peranan O
dalam O
proses O
pengajuan O
pencairan O
anggaran. O
Dalam O
pengemban- O
gan O
sistem O
ini O
, O
peneliti O
menggunakan O
model O
pengembangan O
Rapid B-METODE
Application I-METODE
Development I-METODE
( I-METODE
RAD I-METODE
) I-METODE
. O
RAD O
memungkinkan O
untuk O
melakukan O
pengembangan O
sistem O
dengan O
periode O
waktu O
yang O
sangat O
singkat. O
Sistem O
yang O
dikembangkan O
diuji O
menggunakan O
Uji B-METODE
Black I-METODE
Box I-METODE
, O
Uji B-METODE
Kegunaan I-METODE
Sistem I-METODE
dengan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
, O
dan O
Uji B-METODE
Transparansi I-METODE
dan I-METODE
Akuntabilitas. I-METODE
Dari B-TEMUAN
seluruh I-TEMUAN
skenario I-TEMUAN
Uji I-TEMUAN
Black I-TEMUAN
Box I-TEMUAN
, I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
didapat I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
harapan I-TEMUAN
pengguna I-TEMUAN
dan I-TEMUAN
hasil I-TEMUAN
dari I-TEMUAN
SUS I-TEMUAN
diperoleh I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
76,25. I-TEMUAN
Rata-rata I-TEMUAN
nilai I-TEMUAN
tersebut I-TEMUAN
berada I-TEMUAN
di I-TEMUAN
atas I-TEMUAN
70 I-TEMUAN
, I-TEMUAN
artinya I-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
layak I-TEMUAN
untuk I-TEMUAN
digunakan I-TEMUAN
( I-TEMUAN
acceptable I-TEMUAN
) I-TEMUAN
. O
Dan B-TEMUAN
untuk I-TEMUAN
pengujian I-TEMUAN
transparansi I-TEMUAN
dan I-TEMUAN
akuntabilitas I-TEMUAN
, I-TEMUAN
didapatkan I-TEMUAN
hasil I-TEMUAN
bahwa I-TEMUAN
tujuan I-TEMUAN
transparansi I-TEMUAN
dan I-TEMUAN
akuntabilitas I-TEMUAN
yang I-TEMUAN
ingin I-TEMUAN
dicapai I-TEMUAN
oleh I-TEMUAN
subject I-TEMUAN
matter I-TEMUAN
dalam I-TEMUAN
SICANDI I-TEMUAN
sudah I-TEMUAN
tercapai. I-TEMUAN
Kata O
Kunci—Pengajuan O
, O
Nota O
Dinas O
, O
RAD O
, O
SUS O
, O
Uji O
Black O
Box. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
dilakukan O
, O
dapat O
diper- O
oleh O
kesimpulan O
sebagai O
berikut O
: O
1 O
) O
Pengembangan B-TEMUAN
Sistem I-TEMUAN
Pengajuan I-TEMUAN
Pencairan I-TEMUAN
Anggaran I-TEMUAN
dan I-TEMUAN
Pengelolaan I-TEMUAN
Nota I-TEMUAN
Dinas I-TEMUAN
( I-TEMUAN
SICANDI I-TEMUAN
) I-TEMUAN
BPS I-TEMUAN
Kota I-TEMUAN
Palembang I-TEMUAN
berhasil I-TEMUAN
dilakukan. I-TEMUAN
Sistem I-TEMUAN
yang I-TEMUAN
dikem- I-TEMUAN
bangkan I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
agar I-TEMUAN
pengguna I-TEMUAN
yang I-TEMUAN
terlibat I-TEMUAN
dapat I-TEMUAN
mengaksesnya I-TEMUAN
dengan I-TEMUAN
mudah I-TEMUAN
2 O
) O
Berdasarkan B-TEMUAN
evaluasi I-TEMUAN
dari I-TEMUAN
uji I-TEMUAN
black I-TEMUAN
box I-TEMUAN
, I-TEMUAN
fungsi-fungsi I-TEMUAN
yang I-TEMUAN
dibutuhkan I-TEMUAN
dapat I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
sesuai I-TEMUAN
harapan. I-TEMUAN
Demikian I-TEMUAN
pula I-TEMUAN
dengan I-TEMUAN
uji I-TEMUAN
kegunaan I-TEMUAN
sistem I-TEMUAN
menggunakan I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
, I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
( I-TEMUAN
acceptable I-TEMUAN
) I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
yang I-TEMUAN
terlibat. I-TEMUAN
Dan I-TEMUAN
untuk I-TEMUAN
pengujian I-TEMUAN
transparansi I-TEMUAN
dan I-TEMUAN
akuntabilitas I-TEMUAN
, I-TEMUAN
didapatkan I-TEMUAN
hasil I-TEMUAN
bahwa I-TEMUAN
tujuan I-TEMUAN
transparansi I-TEMUAN
dan I-TEMUAN
akuntabilitas I-TEMUAN
yang I-TEMUAN
ingin I-TEMUAN
dicapai I-TEMUAN
oleh I-TEMUAN
subject I-TEMUAN
matter I-TEMUAN
dalam I-TEMUAN
SICANDI I-TEMUAN
sudah I-TEMUAN
tercapai. I-TEMUAN
Adapun O
saran O
yang O
dapat O
peneliti O
berikan O
untuk O
penelitian O
selanjutnya O
, O
antara O
lain O
: O
1 O
) O
Untuk O
menghindari O
akses O
dari O
pihak O
yang O
tidak O
di- O
inginkan O
, O
sebaiknya O
diakses O
menggunakan O
VPN O
BPS. O
2 O
) O
Berdasarkan O
diskusi O
dengan O
subject O
matter O
, O
diharapkan O
bahwa O
sistem O
dapat O
melakukan O
pengembangan O
lebih O
lanjut O
( O
penambahan O
fitur-fitur O
) O
yang O
dapat O
digunakan O
untuk O
menunjang O
proses O
pengajuan O
pencairan O
anggaran O
di O
BPS O
Kota O
Palembang O
, O
misalnya O
pembuatan O
Laporan O
Realisasi O
Anggaran O
( O
LRA O
) O
. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Pengembangan O
Sistem O
Pengajuan O
Pencairan O
Anggaran O
dan O
Pengelolaan O
Nota O
Dinas O
( O
SICANDI O
) O
Studi O
Kasus O
BPS O
Kota O
Palembang O
M. O
Rifky O
Naratama O
Susanto O
( O
221810473 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Lya O
Hulliyyatus O
Suadaa O
, O
S.S.T. O
, O
M.T. O
Ringkasan—Badan O
Pusat O
Statistik O
( O
BPS O
) O
merupakan O
salah O
satu O
instansi O
/ O
lembaga O
pemerintah O
non O
kementerian. O
Dalam O
melaksanakan O
penyelenggaraan O
administrasi O
, O
BPS O
Kota O
Palem- O
bang O
memiliki O
beberapa O
kendala O
dalam O
melakukan O
pencairan O
anggaran. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
bertujuan O
untuk O
mengembangkan B-TUJUAN
sebuah I-TUJUAN
sistem I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
mewujudkan I-TUJUAN
proses I-TUJUAN
administrasi I-TUJUAN
yang I-TUJUAN
transparan I-TUJUAN
dan I-TUJUAN
akuntabel I-TUJUAN
serta I-TUJUAN
pengelolaan I-TUJUAN
nota I-TUJUAN
dinas I-TUJUAN
di I-TUJUAN
lingkungan I-TUJUAN
kerja I-TUJUAN
BPS I-TUJUAN
Kota I-TUJUAN
Palembang I-TUJUAN
yang O
mudah O
diakses O
dan O
dioperasikan O
oleh O
pegawai O
yang O
memiliki O
peranan O
dalam O
proses O
pengajuan O
pencairan O
anggaran. O
Dalam O
pengemban- O
gan O
sistem O
ini O
, O
peneliti O
menggunakan O
model O
pengembangan O
Rapid B-METODE
Application I-METODE
Development I-METODE
( I-METODE
RAD I-METODE
) I-METODE
. O
RAD O
memungkinkan O
untuk O
melakukan O
pengembangan O
sistem O
dengan O
periode O
waktu O
yang O
sangat O
singkat. O
Sistem O
yang O
dikembangkan O
diuji O
menggunakan O
Uji B-METODE
Black I-METODE
Box I-METODE
, O
Uji B-METODE
Kegunaan I-METODE
Sistem I-METODE
dengan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
, O
dan O
Uji B-METODE
Transparansi I-METODE
dan I-METODE
Akuntabilitas. I-METODE
Dari B-TEMUAN
seluruh I-TEMUAN
skenario I-TEMUAN
Uji I-TEMUAN
Black I-TEMUAN
Box I-TEMUAN
, I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
didapat I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
harapan I-TEMUAN
pengguna I-TEMUAN
dan I-TEMUAN
hasil I-TEMUAN
dari I-TEMUAN
SUS I-TEMUAN
diperoleh I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
76,25. I-TEMUAN
Rata-rata I-TEMUAN
nilai I-TEMUAN
tersebut I-TEMUAN
berada I-TEMUAN
di I-TEMUAN
atas I-TEMUAN
70 I-TEMUAN
, I-TEMUAN
artinya I-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
layak I-TEMUAN
untuk I-TEMUAN
digunakan I-TEMUAN
( I-TEMUAN
acceptable I-TEMUAN
) I-TEMUAN
. O
Dan B-TEMUAN
untuk I-TEMUAN
pengujian I-TEMUAN
transparansi I-TEMUAN
dan I-TEMUAN
akuntabilitas I-TEMUAN
, I-TEMUAN
didapatkan I-TEMUAN
hasil I-TEMUAN
bahwa I-TEMUAN
tujuan I-TEMUAN
transparansi I-TEMUAN
dan I-TEMUAN
akuntabilitas I-TEMUAN
yang I-TEMUAN
ingin I-TEMUAN
dicapai I-TEMUAN
oleh I-TEMUAN
subject I-TEMUAN
matter I-TEMUAN
dalam I-TEMUAN
SICANDI I-TEMUAN
sudah I-TEMUAN
tercapai. I-TEMUAN
Kata O
Kunci—Pengajuan O
, O
Nota O
Dinas O
, O
RAD O
, O
SUS O
, O
Uji O
Black O
Box. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
dilakukan O
, O
dapat O
diper- O
oleh O
kesimpulan O
sebagai O
berikut O
: O
1 O
) O
Pengembangan B-TEMUAN
Sistem I-TEMUAN
Pengajuan I-TEMUAN
Pencairan I-TEMUAN
Anggaran I-TEMUAN
dan I-TEMUAN
Pengelolaan I-TEMUAN
Nota I-TEMUAN
Dinas I-TEMUAN
( I-TEMUAN
SICANDI I-TEMUAN
) I-TEMUAN
BPS I-TEMUAN
Kota I-TEMUAN
Palembang I-TEMUAN
berhasil I-TEMUAN
dilakukan. I-TEMUAN
Sistem I-TEMUAN
yang I-TEMUAN
dikem- I-TEMUAN
bangkan I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
agar I-TEMUAN
pengguna I-TEMUAN
yang I-TEMUAN
terlibat I-TEMUAN
dapat I-TEMUAN
mengaksesnya I-TEMUAN
dengan I-TEMUAN
mudah I-TEMUAN
2 O
) O
Berdasarkan B-TEMUAN
evaluasi I-TEMUAN
dari I-TEMUAN
uji I-TEMUAN
black I-TEMUAN
box I-TEMUAN
, I-TEMUAN
fungsi-fungsi I-TEMUAN
yang I-TEMUAN
dibutuhkan I-TEMUAN
dapat I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
sesuai I-TEMUAN
harapan. I-TEMUAN
Demikian I-TEMUAN
pula I-TEMUAN
dengan I-TEMUAN
uji I-TEMUAN
kegunaan I-TEMUAN
sistem I-TEMUAN
menggunakan I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
, I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
( I-TEMUAN
acceptable I-TEMUAN
) I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
yang I-TEMUAN
terlibat. I-TEMUAN
Dan I-TEMUAN
untuk I-TEMUAN
pengujian I-TEMUAN
transparansi I-TEMUAN
dan I-TEMUAN
akuntabilitas I-TEMUAN
, I-TEMUAN
didapatkan I-TEMUAN
hasil I-TEMUAN
bahwa I-TEMUAN
tujuan I-TEMUAN
transparansi I-TEMUAN
dan I-TEMUAN
akuntabilitas I-TEMUAN
yang I-TEMUAN
ingin I-TEMUAN
dicapai I-TEMUAN
oleh I-TEMUAN
subject I-TEMUAN
matter I-TEMUAN
dalam I-TEMUAN
SICANDI I-TEMUAN
sudah I-TEMUAN
tercapai. I-TEMUAN
Adapun O
saran O
yang O
dapat O
peneliti O
berikan O
untuk O
penelitian O
selanjutnya O
, O
antara O
lain O
: O
1 O
) O
Untuk O
menghindari O
akses O
dari O
pihak O
yang O
tidak O
di- O
inginkan O
, O
sebaiknya O
diakses O
menggunakan O
VPN O
BPS. O
2 O
) O
Berdasarkan O
diskusi O
dengan O
subject O
matter O
, O
diharapkan O
bahwa O
sistem O
dapat O
melakukan O
pengembangan O
lebih O
lanjut O
( O
penambahan O
fitur-fitur O
) O
yang O
dapat O
digunakan O
untuk O
menunjang O
proses O
pengajuan O
pencairan O
anggaran O
di O
BPS O
Kota O
Palembang O
, O
misalnya O
pembuatan O
Laporan O
Realisasi O
Anggaran O
( O
LRA O
) O
. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Sistem O
Informasi O
UKM O
Kewirausahaan O
Politeknik O
Statistika O
STIS O
( O
SIWIRUS O
) O
Muhammad O
Nirwansyah O
Adi O
Eka O
Putra O
( O
221810468 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus.M.B.A. O
Ringkasan—UKM O
Kewirausahaan O
atau O
yang O
sebelemunya O
dikenal O
dengan O
nama O
UKM O
Koperasi O
Mahasiswa O
merupakan O
sebuah O
sarana O
untuk O
mahasiswa O
Politeknik O
Statistika O
STIS O
yang O
memiliki O
minat O
untuk O
mempelajari O
bagaimana O
caranya O
menjalankan O
sebuah O
usaha. O
Terdapat O
banyak O
kegiatan O
yang O
dilakukan O
oleh O
UKM O
Kewirausahaan O
, O
salah O
satunya O
adalah O
pre O
order. O
Pre O
order O
ditujukan O
untuk O
mahasiswa O
yang O
ingin O
memesan O
seragam O
dan O
atribut O
untuk O
melakukan O
kegiatan O
perkuliahan O
di O
kampus. O
Sistem O
pre O
order O
yang O
dimiliki O
oleh O
UKM O
Kewirausahaan O
masih O
kurang O
mendukung O
untuk O
membantu O
memudahkan O
mahasiswa O
dalam O
melakukan O
preorder O
atribut O
dan O
seragam O
, O
terlebih O
lagi O
sudah O
hampir O
2 O
tahun O
UKM O
tidak O
melakukan O
kegiatan O
pre O
order. O
Selain O
itu O
sistem O
informasi O
yang O
dimiliki O
oleh O
UKM O
Kewirausahaan O
belum O
terintegrasi O
satu O
sama O
lain. O
Oleh O
karena O
itu O
, O
dalam O
penelitian O
ini O
dilakukan B-TUJUAN
pengembangan I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
pre I-TUJUAN
order I-TUJUAN
dan I-TUJUAN
akan I-TUJUAN
diintegrasikan I-TUJUAN
ke I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
yang I-TUJUAN
sudah I-TUJUAN
ada. I-TUJUAN
Metode O
yang O
digunakan O
dalam O
penelitian O
ini O
adalah O
SDLC B-METODE
dengan I-METODE
pendekatan I-METODE
model I-METODE
waterfall. I-METODE
Sistem B-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
telah I-TEMUAN
memenuhi I-TEMUAN
kebutuhan I-TEMUAN
UKM I-TEMUAN
Kewirausahaan I-TEMUAN
berdasarkan I-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
dan I-TEMUAN
telah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
fungsi I-TEMUAN
berdasarkan I-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
black-box I-TEMUAN
testing. I-TEMUAN
Kata O
Kunci— O
Sistem O
Kewirausahaan O
Informasi O
, O
Pre O
order O
, O
UKM O
[SEP] O
1. O
Kesimpulan O
SUS O
Sco O
re O
85 O
72,5 O
55 O
60 O
70 O
68 O
, O
5 O
a. O
Sistem O
informasi O
UKM O
Kewirausahaan O
Politeknik O
Statistika O
STIS O
( O
SIWIRUS O
) O
yang O
berbasis O
web O
telah O
dikembangkan O
sehingga O
dapat O
digunakan O
pengurus O
UKM O
Kewirausahaan O
dalam O
melakukan O
transaksi O
penjualan O
baik O
melalui O
kasir O
maupun O
preorder. O
b. O
Sistem O
informasi O
UKM O
Kewirausahaan O
Politeknik O
Statistika O
STIS O
( O
SIWIRUS O
) O
dapat O
digunakan O
mahasiswa O
Politeknik O
Statistika O
STIS O
yang O
merupakan O
pembeli O
untuk O
melakukan O
preorder O
seragam O
dan O
atribut O
perlengkapan O
perkuliahan. O
c. O
Fungsi-fungsi O
di O
dalam O
sistem O
yang O
dibangun O
sudah O
berjalan O
dengan O
baik O
sesuai O
yang O
diharapkan O
berdasarkan O
hasil O
uji B-METODE
coba I-METODE
Black I-METODE
Box I-METODE
dan O
berdasarkan O
hasil O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
yaitu O
68,5 O
sistem O
termasuk O
dalam O
kategori O
baik O
dan O
telah O
layak O
untuk O
digunakan. O
2. O
Saran O
a. O
Sistem O
yang O
dikembangkan O
masih O
belum O
memudahkan O
mahasiswa O
ketika O
ingin O
mengupload O
bukti O
pembayaran O
yang O
mana O
bukti O
pembayaran O
harus O
diupload O
satu O
per O
satu O
unuk O
setiap O
jenis O
barang O
yang O
dipesan O
, O
sehingga O
diperlukan O
fitur O
keranjang O
agar O
upload O
bukti O
pembayaran O
dapat O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
dilakukan O
cukup O
sekali O
untuk O
semua O
jenis O
barang O
yang O
dipesan O
b. O
Sistem O
yang O
dikembangkan O
hanya O
memenuhi O
kebutuhan O
ukm O
kewirausahaan O
untuk O
divisi O
toko O
dan O
produksi O
sehingga O
perlu O
dikembangkan O
untuk O
memenuhi O
kebutuhan O
masing-masing O
divisi O
terutama O
untuk O
kebutuhan O
marketplace O
[ O
1 O
] O
McLeod O
, O
Raymond. O

Sistem O
Informasi O
UKM O
Kewirausahaan O
Politeknik O
Statistika O
STIS O
( O
SIWIRUS O
) O
Muhammad O
Nirwansyah O
Adi O
Eka O
Putra O
( O
221810468 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus.M.B.A. O
Ringkasan—UKM O
Kewirausahaan O
atau O
yang O
sebelemunya O
dikenal O
dengan O
nama O
UKM O
Koperasi O
Mahasiswa O
merupakan O
sebuah O
sarana O
untuk O
mahasiswa O
Politeknik O
Statistika O
STIS O
yang O
memiliki O
minat O
untuk O
mempelajari O
bagaimana O
caranya O
menjalankan O
sebuah O
usaha. O
Terdapat O
banyak O
kegiatan O
yang O
dilakukan O
oleh O
UKM O
Kewirausahaan O
, O
salah O
satunya O
adalah O
pre O
order. O
Pre O
order O
ditujukan O
untuk O
mahasiswa O
yang O
ingin O
memesan O
seragam O
dan O
atribut O
untuk O
melakukan O
kegiatan O
perkuliahan O
di O
kampus. O
Sistem O
pre O
order O
yang O
dimiliki O
oleh O
UKM O
Kewirausahaan O
masih O
kurang O
mendukung O
untuk O
membantu O
memudahkan O
mahasiswa O
dalam O
melakukan O
preorder O
atribut O
dan O
seragam O
, O
terlebih O
lagi O
sudah O
hampir O
2 O
tahun O
UKM O
tidak O
melakukan O
kegiatan O
pre O
order. O
Selain O
itu O
sistem O
informasi O
yang O
dimiliki O
oleh O
UKM O
Kewirausahaan O
belum O
terintegrasi O
satu O
sama O
lain. O
Oleh O
karena O
itu O
, O
dalam O
penelitian O
ini O
dilakukan B-TUJUAN
pengembangan I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
pre I-TUJUAN
order I-TUJUAN
dan I-TUJUAN
akan I-TUJUAN
diintegrasikan I-TUJUAN
ke I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
yang I-TUJUAN
sudah I-TUJUAN
ada. I-TUJUAN
Metode O
yang O
digunakan O
dalam O
penelitian O
ini O
adalah O
SDLC B-METODE
dengan I-METODE
pendekatan I-METODE
model I-METODE
waterfall. I-METODE
Sistem B-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
telah I-TEMUAN
memenuhi I-TEMUAN
kebutuhan I-TEMUAN
UKM I-TEMUAN
Kewirausahaan I-TEMUAN
berdasarkan I-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
dan I-TEMUAN
telah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
fungsi I-TEMUAN
berdasarkan I-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
black-box I-TEMUAN
testing. I-TEMUAN
Kata O
Kunci— O
Sistem O
Kewirausahaan O
Informasi O
, O
Pre O
order O
, O
UKM O
[SEP] O
1. O
Kesimpulan O
SUS O
Sco O
re O
85 O
72,5 O
55 O
60 O
70 O
68 O
, O
5 O
a. O
Sistem O
informasi O
UKM O
Kewirausahaan O
Politeknik O
Statistika O
STIS O
( O
SIWIRUS O
) O
yang O
berbasis O
web O
telah O
dikembangkan O
sehingga O
dapat O
digunakan O
pengurus O
UKM O
Kewirausahaan O
dalam O
melakukan O
transaksi O
penjualan O
baik O
melalui O
kasir O
maupun O
preorder. O
b. O
Sistem O
informasi O
UKM O
Kewirausahaan O
Politeknik O
Statistika O
STIS O
( O
SIWIRUS O
) O
dapat O
digunakan O
mahasiswa O
Politeknik O
Statistika O
STIS O
yang O
merupakan O
pembeli O
untuk O
melakukan O
preorder O
seragam O
dan O
atribut O
perlengkapan O
perkuliahan. O
c. O
Fungsi-fungsi O
di O
dalam O
sistem O
yang O
dibangun O
sudah O
berjalan O
dengan O
baik O
sesuai O
yang O
diharapkan O
berdasarkan O
hasil O
uji B-METODE
coba I-METODE
Black I-METODE
Box I-METODE
dan O
berdasarkan O
hasil O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
yaitu O
68,5 O
sistem O
termasuk O
dalam O
kategori O
baik O
dan O
telah O
layak O
untuk O
digunakan. O
2. O
Saran O
a. O
Sistem O
yang O
dikembangkan O
masih O
belum O
memudahkan O
mahasiswa O
ketika O
ingin O
mengupload O
bukti O
pembayaran O
yang O
mana O
bukti O
pembayaran O
harus O
diupload O
satu O
per O
satu O
unuk O
setiap O
jenis O
barang O
yang O
dipesan O
, O
sehingga O
diperlukan O
fitur O
keranjang O
agar O
upload O
bukti O
pembayaran O
dapat O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
dilakukan O
cukup O
sekali O
untuk O
semua O
jenis O
barang O
yang O
dipesan O
b. O
Sistem O
yang O
dikembangkan O
hanya O
memenuhi O
kebutuhan O
ukm O
kewirausahaan O
untuk O
divisi O
toko O
dan O
produksi O
sehingga O
perlu O
dikembangkan O
untuk O
memenuhi O
kebutuhan O
masing-masing O
divisi O
terutama O
untuk O
kebutuhan O
marketplace O
[ O
1 O
] O
McLeod O
, O
Raymond. O

Sistem O
Informasi O
UKM O
Kewirausahaan O
Politeknik O
Statistika O
STIS O
( O
SIWIRUS O
) O
Muhammad O
Nirwansyah O
Adi O
Eka O
Putra O
( O
221810468 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus.M.B.A. O
Ringkasan—UKM O
Kewirausahaan O
atau O
yang O
sebelemunya O
dikenal O
dengan O
nama O
UKM O
Koperasi O
Mahasiswa O
merupakan O
sebuah O
sarana O
untuk O
mahasiswa O
Politeknik O
Statistika O
STIS O
yang O
memiliki O
minat O
untuk O
mempelajari O
bagaimana O
caranya O
menjalankan O
sebuah O
usaha. O
Terdapat O
banyak O
kegiatan O
yang O
dilakukan O
oleh O
UKM O
Kewirausahaan O
, O
salah O
satunya O
adalah O
pre O
order. O
Pre O
order O
ditujukan O
untuk O
mahasiswa O
yang O
ingin O
memesan O
seragam O
dan O
atribut O
untuk O
melakukan O
kegiatan O
perkuliahan O
di O
kampus. O
Sistem O
pre O
order O
yang O
dimiliki O
oleh O
UKM O
Kewirausahaan O
masih O
kurang O
mendukung O
untuk O
membantu O
memudahkan O
mahasiswa O
dalam O
melakukan O
preorder O
atribut O
dan O
seragam O
, O
terlebih O
lagi O
sudah O
hampir O
2 O
tahun O
UKM O
tidak O
melakukan O
kegiatan O
pre O
order. O
Selain O
itu O
sistem O
informasi O
yang O
dimiliki O
oleh O
UKM O
Kewirausahaan O
belum O
terintegrasi O
satu O
sama O
lain. O
Oleh O
karena O
itu O
, O
dalam O
penelitian O
ini O
dilakukan B-TUJUAN
pengembangan I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
pre I-TUJUAN
order I-TUJUAN
dan I-TUJUAN
akan I-TUJUAN
diintegrasikan I-TUJUAN
ke I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
yang I-TUJUAN
sudah I-TUJUAN
ada. I-TUJUAN
Metode O
yang O
digunakan O
dalam O
penelitian O
ini O
adalah O
SDLC B-METODE
dengan I-METODE
pendekatan I-METODE
model I-METODE
waterfall. I-METODE
Sistem B-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
telah I-TEMUAN
memenuhi I-TEMUAN
kebutuhan I-TEMUAN
UKM I-TEMUAN
Kewirausahaan I-TEMUAN
berdasarkan I-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
dan I-TEMUAN
telah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
fungsi I-TEMUAN
berdasarkan I-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
black-box I-TEMUAN
testing. I-TEMUAN
Kata O
Kunci— O
Sistem O
Kewirausahaan O
Informasi O
, O
Pre O
order O
, O
UKM O
[SEP] O
1. O
Kesimpulan O
SUS O
Sco O
re O
85 O
72,5 O
55 O
60 O
70 O
68 O
, O
5 O
a. O
Sistem O
informasi O
UKM O
Kewirausahaan O
Politeknik O
Statistika O
STIS O
( O
SIWIRUS O
) O
yang O
berbasis O
web O
telah O
dikembangkan O
sehingga O
dapat O
digunakan O
pengurus O
UKM O
Kewirausahaan O
dalam O
melakukan O
transaksi O
penjualan O
baik O
melalui O
kasir O
maupun O
preorder. O
b. O
Sistem O
informasi O
UKM O
Kewirausahaan O
Politeknik O
Statistika O
STIS O
( O
SIWIRUS O
) O
dapat O
digunakan O
mahasiswa O
Politeknik O
Statistika O
STIS O
yang O
merupakan O
pembeli O
untuk O
melakukan O
preorder O
seragam O
dan O
atribut O
perlengkapan O
perkuliahan. O
c. O
Fungsi-fungsi O
di O
dalam O
sistem O
yang O
dibangun O
sudah O
berjalan O
dengan O
baik O
sesuai O
yang O
diharapkan O
berdasarkan O
hasil O
uji B-METODE
coba I-METODE
Black I-METODE
Box I-METODE
dan O
berdasarkan O
hasil O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
yaitu O
68,5 O
sistem O
termasuk O
dalam O
kategori O
baik O
dan O
telah O
layak O
untuk O
digunakan. O
2. O
Saran O
a. O
Sistem O
yang O
dikembangkan O
masih O
belum O
memudahkan O
mahasiswa O
ketika O
ingin O
mengupload O
bukti O
pembayaran O
yang O
mana O
bukti O
pembayaran O
harus O
diupload O
satu O
per O
satu O
unuk O
setiap O
jenis O
barang O
yang O
dipesan O
, O
sehingga O
diperlukan O
fitur O
keranjang O
agar O
upload O
bukti O
pembayaran O
dapat O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
dilakukan O
cukup O
sekali O
untuk O
semua O
jenis O
barang O
yang O
dipesan O
b. O
Sistem O
yang O
dikembangkan O
hanya O
memenuhi O
kebutuhan O
ukm O
kewirausahaan O
untuk O
divisi O
toko O
dan O
produksi O
sehingga O
perlu O
dikembangkan O
untuk O
memenuhi O
kebutuhan O
masing-masing O
divisi O
terutama O
untuk O
kebutuhan O
marketplace O
[ O
1 O
] O
McLeod O
, O
Raymond. O

Sistem O
Informasi O
UKM O
Kewirausahaan O
Politeknik O
Statistika O
STIS O
( O
SIWIRUS O
) O
Muhammad O
Nirwansyah O
Adi O
Eka O
Putra O
( O
221810468 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus.M.B.A. O
Ringkasan—UKM O
Kewirausahaan O
atau O
yang O
sebelemunya O
dikenal O
dengan O
nama O
UKM O
Koperasi O
Mahasiswa O
merupakan O
sebuah O
sarana O
untuk O
mahasiswa O
Politeknik O
Statistika O
STIS O
yang O
memiliki O
minat O
untuk O
mempelajari O
bagaimana O
caranya O
menjalankan O
sebuah O
usaha. O
Terdapat O
banyak O
kegiatan O
yang O
dilakukan O
oleh O
UKM O
Kewirausahaan O
, O
salah O
satunya O
adalah O
pre O
order. O
Pre O
order O
ditujukan O
untuk O
mahasiswa O
yang O
ingin O
memesan O
seragam O
dan O
atribut O
untuk O
melakukan O
kegiatan O
perkuliahan O
di O
kampus. O
Sistem O
pre O
order O
yang O
dimiliki O
oleh O
UKM O
Kewirausahaan O
masih O
kurang O
mendukung O
untuk O
membantu O
memudahkan O
mahasiswa O
dalam O
melakukan O
preorder O
atribut O
dan O
seragam O
, O
terlebih O
lagi O
sudah O
hampir O
2 O
tahun O
UKM O
tidak O
melakukan O
kegiatan O
pre O
order. O
Selain O
itu O
sistem O
informasi O
yang O
dimiliki O
oleh O
UKM O
Kewirausahaan O
belum O
terintegrasi O
satu O
sama O
lain. O
Oleh O
karena O
itu O
, O
dalam O
penelitian O
ini O
dilakukan B-TUJUAN
pengembangan I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
pre I-TUJUAN
order I-TUJUAN
dan I-TUJUAN
akan I-TUJUAN
diintegrasikan I-TUJUAN
ke I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
yang I-TUJUAN
sudah I-TUJUAN
ada. I-TUJUAN
Metode O
yang O
digunakan O
dalam O
penelitian O
ini O
adalah O
SDLC B-METODE
dengan I-METODE
pendekatan I-METODE
model I-METODE
waterfall. I-METODE
Sistem B-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
telah I-TEMUAN
memenuhi I-TEMUAN
kebutuhan I-TEMUAN
UKM I-TEMUAN
Kewirausahaan I-TEMUAN
berdasarkan I-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
dan I-TEMUAN
telah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
fungsi I-TEMUAN
berdasarkan I-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
black-box I-TEMUAN
testing. I-TEMUAN
Kata O
Kunci— O
Sistem O
Kewirausahaan O
Informasi O
, O
Pre O
order O
, O
UKM O
[SEP] O
1. O
Kesimpulan O
SUS O
Sco O
re O
85 O
72,5 O
55 O
60 O
70 O
68 O
, O
5 O
a. O
Sistem O
informasi O
UKM O
Kewirausahaan O
Politeknik O
Statistika O
STIS O
( O
SIWIRUS O
) O
yang O
berbasis O
web O
telah O
dikembangkan O
sehingga O
dapat O
digunakan O
pengurus O
UKM O
Kewirausahaan O
dalam O
melakukan O
transaksi O
penjualan O
baik O
melalui O
kasir O
maupun O
preorder. O
b. O
Sistem O
informasi O
UKM O
Kewirausahaan O
Politeknik O
Statistika O
STIS O
( O
SIWIRUS O
) O
dapat O
digunakan O
mahasiswa O
Politeknik O
Statistika O
STIS O
yang O
merupakan O
pembeli O
untuk O
melakukan O
preorder O
seragam O
dan O
atribut O
perlengkapan O
perkuliahan. O
c. O
Fungsi-fungsi O
di O
dalam O
sistem O
yang O
dibangun O
sudah O
berjalan O
dengan O
baik O
sesuai O
yang O
diharapkan O
berdasarkan O
hasil O
uji B-METODE
coba I-METODE
Black I-METODE
Box I-METODE
dan O
berdasarkan O
hasil O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
yaitu O
68,5 O
sistem O
termasuk O
dalam O
kategori O
baik O
dan O
telah O
layak O
untuk O
digunakan. O
2. O
Saran O
a. O
Sistem O
yang O
dikembangkan O
masih O
belum O
memudahkan O
mahasiswa O
ketika O
ingin O
mengupload O
bukti O
pembayaran O
yang O
mana O
bukti O
pembayaran O
harus O
diupload O
satu O
per O
satu O
unuk O
setiap O
jenis O
barang O
yang O
dipesan O
, O
sehingga O
diperlukan O
fitur O
keranjang O
agar O
upload O
bukti O
pembayaran O
dapat O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
dilakukan O
cukup O
sekali O
untuk O
semua O
jenis O
barang O
yang O
dipesan O
b. O
Sistem O
yang O
dikembangkan O
hanya O
memenuhi O
kebutuhan O
ukm O
kewirausahaan O
untuk O
divisi O
toko O
dan O
produksi O
sehingga O
perlu O
dikembangkan O
untuk O
memenuhi O
kebutuhan O
masing-masing O
divisi O
terutama O
untuk O
kebutuhan O
marketplace O
[ O
1 O
] O
McLeod O
, O
Raymond. O

Analisis O
Klasifikasi O
Keluhan O
Masyarakat O
Pada O
Sosial O
Media O
Twitter O
Menggunakan O
Support O
Vector O
Machine O
dan O
Naïve O
Bayes O
Classifier O
Studi O
Kasus O
: O
Keluhan O
Masyarakat O
terhadap O
Pelayanan O
Transportasi O
Online O
di O
Indonesia O
Muhammad O
Ibrah O
Reynaldi O
Tanjung O
( O
221810459 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
SST O
, O
M.Si O
Ringkasan— O
Salah O
satu O
metode O
dalam O
analisis O
data O
adalah O
klasifikasi. O
Klasifikasi O
dapat O
dimanfaatkan O
untuk O
menganalisis O
sentimen. O
Dalam O
machine O
learning O
, O
metode O
klasifikasi O
yang O
sering O
digunakan O
adalah O
Naïve O
Bayes O
Classifier O
dan O
Support O
Vector O
Machine O
( O
SVM O
) O
. O
Penelitian O
ini O
menggunakan O
pendekatan O
gabungan O
lexicon O
based O
dan O
supervised O
learning O
untuk O
melakukan O
analisis O
klasifikasi O
keluhan O
masyarakat O
pada O
sosial O
media O
Twitter. O
Data O
yang O
digunakan O
merupakan O
twit O
masyarakat O
pada O
Twitter O
yang O
ditujukan O
kepada O
dua O
penyedia O
jasa O
layanan O
transportasi O
online O
terbesar O
di O
Indonesia O
yaitu O
Gojek O
dan O
Grab. O
Dalam O
penelitian O
ini O
akan O
dilakukan B-TUJUAN
klasifikasi I-TUJUAN
dengan I-TUJUAN
lexicon I-TUJUAN
based I-TUJUAN
untuk I-TUJUAN
mengetahui I-TUJUAN
apakah I-TUJUAN
twit I-TUJUAN
termasuk I-TUJUAN
sentimen I-TUJUAN
positif I-TUJUAN
, I-TUJUAN
negatif I-TUJUAN
atau I-TUJUAN
netral. I-TUJUAN
Twit O
bersentimen O
negatif O
akan O
diklasifikasikan O
ke O
dalam O
enam O
kategori O
, O
yaitu O
tangibles O
, O
responsiveness O
, O
reliability O
, O
assurance O
, O
empathy O
dan O
lainnya O
dengan O
menggunakan O
SVM O
dan O
Naïve O
Bayes O
Classifier O
untuk O
menghitung O
tingkat O
akurasinya. O
Klasifikasi B-METODE
keluhan O
menggunakan O
SVM O
dan O
Naïve O
Bayes O
Classifier O
ditujukan O
untuk O
membandingkan O
kedua O
metode O
tersebut. O
Hasilnya O
secara O
keseluruhan O
metode B-METODE
klasifikasi I-METODE
dengan O
SVM B-TEMUAN
memberikan I-TEMUAN
nilai I-TEMUAN
akurasi I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
daripada I-TEMUAN
metode I-TEMUAN
Naïve I-TEMUAN
Bayes I-TEMUAN
Classifier I-TEMUAN
, I-TEMUAN
yakni I-TEMUAN
sebesar I-TEMUAN
68,05 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Kata O
Kunci— O
Klasifikasi O
, O
Support O
Vector O
Machine O
, O
Naive O
Bayes O
Classifier O
, O
Keluhan O
, O
Lexicon O
Based O
Perkembangan O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
penelitian O
di O
atas O
, O
berikut O
adalah O
kesimpulan O
yang O
diperoleh O
: O
1. O
Klasifikasi B-TEMUAN
data I-TEMUAN
twit I-TEMUAN
keluhan I-TEMUAN
terhadap I-TEMUAN
pelayanan I-TEMUAN
Grab I-TEMUAN
dan I-TEMUAN
Gojek I-TEMUAN
dengan I-TEMUAN
Support I-TEMUAN
Vector I-TEMUAN
Machine I-TEMUAN
memberikan I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
akursi I-TEMUAN
berturut-turut I-TEMUAN
sebesar I-TEMUAN
66,64 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
68,05 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Klasifikasi I-TEMUAN
data I-TEMUAN
twit I-TEMUAN
keluhan I-TEMUAN
terhadap I-TEMUAN
pelayanan I-TEMUAN
Grab I-TEMUAN
dan I-TEMUAN
Gojek I-TEMUAN
dengan I-TEMUAN
Naïve I-TEMUAN
Bayes I-TEMUAN
Classifier I-TEMUAN
memberikan I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
akursi I-TEMUAN
berturut-turut I-TEMUAN
sebesar I-TEMUAN
58,21 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
61,67 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
2. O
Untuk O
metode O
SVM O
dan O
Naïve O
Bayes O
Classifier O
, O
klasifikasi O
data O
twit O
keluhan O
terhadap O
pelayanan O
Gojek O
memberikan O
nilai O
akurasi O
yang O
lebih O
baik O
daripada O
klasifikasi O
data O
twit O
keluhan O
terhadap O
pelayanan O
Grab. O
Secara O
keseluruhan O
, O
metode O
SVM O
memberikan O
nilai O
akurasi O
yang O
paling O
tinggi O
, O
yaitu O
sebesar O
68,05 O
% O
. O
B. O
Saran O
Adapun O
saran O
untuk O
penelitian O
berikutnya O
adalah O
sebagai O
berikut. O
1. O
Melakukan O
text O
preprocessing O
dengan O
lebih O
cermat O
sehingga O
memperoleh O
hasil O
akurasi O
meningkat. O
2. O
Menggunakan O
kriteria O
yang O
lebih O
spesifik O
dalam O
pelabelan O
data O
secara O
manual O
untuk O
meningkatkan O
akurasi. O
3. O
Menggunakan O
strategi O
tuning O
hyperparameter O
yang O
lainnya O
seperti O
randomsearch O
ataupun O
Bayesian O
optimization O
, O
karena O
penelitian O
ini O
hanya O
menggunakan O
metode O
simulasi O
dari O
grid O
search O
cv. O
seimbang O
4. O
Menggunakan O
metode O
lain O
untuk O
menangani O
kasus O
kelas O
atau O
seperti O
tidak O
hanya O
undersampling O
, O
menggunakan O
metode O
Stratified O
ShuffleSplit O
untuk O
menangani O
masalah O
kelas O
yang O
tidak O
seimbang. O
oversampling O
penelitian O
karena O
ini O
5. O
Menggunakan O
algoritma O
yang O
lain O
seperti O
Decision- O
Tree O
atau O
K-Nearest O
Neighbour O
( O
K-NN O
) O
, O
karena O
penelitian O
ini O
hanya O
menggunakan O
algortima O
Support O
Vector O
Machine O
dan O
Naïve O
Bayes O
Classifier. O

Analisis O
Klasifikasi O
Keluhan O
Masyarakat O
Pada O
Sosial O
Media O
Twitter O
Menggunakan O
Support O
Vector O
Machine O
dan O
Naïve O
Bayes O
Classifier O
Studi O
Kasus O
: O
Keluhan O
Masyarakat O
terhadap O
Pelayanan O
Transportasi O
Online O
di O
Indonesia O
Muhammad O
Ibrah O
Reynaldi O
Tanjung O
( O
221810459 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
SST O
, O
M.Si O
Ringkasan— O
Salah O
satu O
metode O
dalam O
analisis O
data O
adalah O
klasifikasi. O
Klasifikasi O
dapat O
dimanfaatkan O
untuk O
menganalisis O
sentimen. O
Dalam O
machine O
learning O
, O
metode O
klasifikasi O
yang O
sering O
digunakan O
adalah O
Naïve O
Bayes O
Classifier O
dan O
Support O
Vector O
Machine O
( O
SVM O
) O
. O
Penelitian O
ini O
menggunakan O
pendekatan O
gabungan O
lexicon O
based O
dan O
supervised O
learning O
untuk O
melakukan O
analisis O
klasifikasi O
keluhan O
masyarakat O
pada O
sosial O
media O
Twitter. O
Data O
yang O
digunakan O
merupakan O
twit O
masyarakat O
pada O
Twitter O
yang O
ditujukan O
kepada O
dua O
penyedia O
jasa O
layanan O
transportasi O
online O
terbesar O
di O
Indonesia O
yaitu O
Gojek O
dan O
Grab. O
Dalam O
penelitian O
ini O
akan O
dilakukan B-TUJUAN
klasifikasi I-TUJUAN
dengan I-TUJUAN
lexicon I-TUJUAN
based I-TUJUAN
untuk I-TUJUAN
mengetahui I-TUJUAN
apakah I-TUJUAN
twit I-TUJUAN
termasuk I-TUJUAN
sentimen I-TUJUAN
positif I-TUJUAN
, I-TUJUAN
negatif I-TUJUAN
atau I-TUJUAN
netral. I-TUJUAN
Twit O
bersentimen O
negatif O
akan O
diklasifikasikan O
ke O
dalam O
enam O
kategori O
, O
yaitu O
tangibles O
, O
responsiveness O
, O
reliability O
, O
assurance O
, O
empathy O
dan O
lainnya O
dengan O
menggunakan O
SVM O
dan O
Naïve O
Bayes O
Classifier O
untuk O
menghitung O
tingkat O
akurasinya. O
Klasifikasi B-METODE
keluhan O
menggunakan O
SVM O
dan O
Naïve O
Bayes O
Classifier O
ditujukan O
untuk O
membandingkan O
kedua O
metode O
tersebut. O
Hasilnya O
secara O
keseluruhan O
metode B-METODE
klasifikasi I-METODE
dengan O
SVM B-TEMUAN
memberikan I-TEMUAN
nilai I-TEMUAN
akurasi I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
daripada I-TEMUAN
metode I-TEMUAN
Naïve I-TEMUAN
Bayes I-TEMUAN
Classifier I-TEMUAN
, I-TEMUAN
yakni I-TEMUAN
sebesar I-TEMUAN
68,05 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Kata O
Kunci— O
Klasifikasi O
, O
Support O
Vector O
Machine O
, O
Naive O
Bayes O
Classifier O
, O
Keluhan O
, O
Lexicon O
Based O
Perkembangan O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
penelitian O
di O
atas O
, O
berikut O
adalah O
kesimpulan O
yang O
diperoleh O
: O
1. O
Klasifikasi B-TEMUAN
data I-TEMUAN
twit I-TEMUAN
keluhan I-TEMUAN
terhadap I-TEMUAN
pelayanan I-TEMUAN
Grab I-TEMUAN
dan I-TEMUAN
Gojek I-TEMUAN
dengan I-TEMUAN
Support I-TEMUAN
Vector I-TEMUAN
Machine I-TEMUAN
memberikan I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
akursi I-TEMUAN
berturut-turut I-TEMUAN
sebesar I-TEMUAN
66,64 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
68,05 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Klasifikasi I-TEMUAN
data I-TEMUAN
twit I-TEMUAN
keluhan I-TEMUAN
terhadap I-TEMUAN
pelayanan I-TEMUAN
Grab I-TEMUAN
dan I-TEMUAN
Gojek I-TEMUAN
dengan I-TEMUAN
Naïve I-TEMUAN
Bayes I-TEMUAN
Classifier I-TEMUAN
memberikan I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
akursi I-TEMUAN
berturut-turut I-TEMUAN
sebesar I-TEMUAN
58,21 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
61,67 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
2. O
Untuk O
metode O
SVM O
dan O
Naïve O
Bayes O
Classifier O
, O
klasifikasi O
data O
twit O
keluhan O
terhadap O
pelayanan O
Gojek O
memberikan O
nilai O
akurasi O
yang O
lebih O
baik O
daripada O
klasifikasi O
data O
twit O
keluhan O
terhadap O
pelayanan O
Grab. O
Secara O
keseluruhan O
, O
metode O
SVM O
memberikan O
nilai O
akurasi O
yang O
paling O
tinggi O
, O
yaitu O
sebesar O
68,05 O
% O
. O
B. O
Saran O
Adapun O
saran O
untuk O
penelitian O
berikutnya O
adalah O
sebagai O
berikut. O
1. O
Melakukan O
text O
preprocessing O
dengan O
lebih O
cermat O
sehingga O
memperoleh O
hasil O
akurasi O
meningkat. O
2. O
Menggunakan O
kriteria O
yang O
lebih O
spesifik O
dalam O
pelabelan O
data O
secara O
manual O
untuk O
meningkatkan O
akurasi. O
3. O
Menggunakan O
strategi O
tuning O
hyperparameter O
yang O
lainnya O
seperti O
randomsearch O
ataupun O
Bayesian O
optimization O
, O
karena O
penelitian O
ini O
hanya O
menggunakan O
metode O
simulasi O
dari O
grid O
search O
cv. O
seimbang O
4. O
Menggunakan O
metode O
lain O
untuk O
menangani O
kasus O
kelas O
atau O
seperti O
tidak O
hanya O
undersampling O
, O
menggunakan O
metode O
Stratified O
ShuffleSplit O
untuk O
menangani O
masalah O
kelas O
yang O
tidak O
seimbang. O
oversampling O
penelitian O
karena O
ini O
5. O
Menggunakan O
algoritma O
yang O
lain O
seperti O
Decision- O
Tree O
atau O
K-Nearest O
Neighbour O
( O
K-NN O
) O
, O
karena O
penelitian O
ini O
hanya O
menggunakan O
algortima O
Support O
Vector O
Machine O
dan O
Naïve O
Bayes O
Classifier. O

Analisis O
Klasifikasi O
Keluhan O
Masyarakat O
Pada O
Sosial O
Media O
Twitter O
Menggunakan O
Support O
Vector O
Machine O
dan O
Naïve O
Bayes O
Classifier O
Studi O
Kasus O
: O
Keluhan O
Masyarakat O
terhadap O
Pelayanan O
Transportasi O
Online O
di O
Indonesia O
Muhammad O
Ibrah O
Reynaldi O
Tanjung O
( O
221810459 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
SST O
, O
M.Si O
Ringkasan— O
Salah O
satu O
metode O
dalam O
analisis O
data O
adalah O
klasifikasi. O
Klasifikasi O
dapat O
dimanfaatkan O
untuk O
menganalisis O
sentimen. O
Dalam O
machine O
learning O
, O
metode O
klasifikasi O
yang O
sering O
digunakan O
adalah O
Naïve O
Bayes O
Classifier O
dan O
Support O
Vector O
Machine O
( O
SVM O
) O
. O
Penelitian O
ini O
menggunakan O
pendekatan O
gabungan O
lexicon O
based O
dan O
supervised O
learning O
untuk O
melakukan O
analisis O
klasifikasi O
keluhan O
masyarakat O
pada O
sosial O
media O
Twitter. O
Data O
yang O
digunakan O
merupakan O
twit O
masyarakat O
pada O
Twitter O
yang O
ditujukan O
kepada O
dua O
penyedia O
jasa O
layanan O
transportasi O
online O
terbesar O
di O
Indonesia O
yaitu O
Gojek O
dan O
Grab. O
Dalam O
penelitian O
ini O
akan O
dilakukan B-TUJUAN
klasifikasi I-TUJUAN
dengan I-TUJUAN
lexicon I-TUJUAN
based I-TUJUAN
untuk I-TUJUAN
mengetahui I-TUJUAN
apakah I-TUJUAN
twit I-TUJUAN
termasuk I-TUJUAN
sentimen I-TUJUAN
positif I-TUJUAN
, I-TUJUAN
negatif I-TUJUAN
atau I-TUJUAN
netral. I-TUJUAN
Twit O
bersentimen O
negatif O
akan O
diklasifikasikan O
ke O
dalam O
enam O
kategori O
, O
yaitu O
tangibles O
, O
responsiveness O
, O
reliability O
, O
assurance O
, O
empathy O
dan O
lainnya O
dengan O
menggunakan O
SVM O
dan O
Naïve O
Bayes O
Classifier O
untuk O
menghitung O
tingkat O
akurasinya. O
Klasifikasi B-METODE
keluhan O
menggunakan O
SVM O
dan O
Naïve O
Bayes O
Classifier O
ditujukan O
untuk O
membandingkan O
kedua O
metode O
tersebut. O
Hasilnya O
secara O
keseluruhan O
metode B-METODE
klasifikasi I-METODE
dengan O
SVM B-TEMUAN
memberikan I-TEMUAN
nilai I-TEMUAN
akurasi I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
daripada I-TEMUAN
metode I-TEMUAN
Naïve I-TEMUAN
Bayes I-TEMUAN
Classifier I-TEMUAN
, I-TEMUAN
yakni I-TEMUAN
sebesar I-TEMUAN
68,05 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Kata O
Kunci— O
Klasifikasi O
, O
Support O
Vector O
Machine O
, O
Naive O
Bayes O
Classifier O
, O
Keluhan O
, O
Lexicon O
Based O
Perkembangan O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
penelitian O
di O
atas O
, O
berikut O
adalah O
kesimpulan O
yang O
diperoleh O
: O
1. O
Klasifikasi B-TEMUAN
data I-TEMUAN
twit I-TEMUAN
keluhan I-TEMUAN
terhadap I-TEMUAN
pelayanan I-TEMUAN
Grab I-TEMUAN
dan I-TEMUAN
Gojek I-TEMUAN
dengan I-TEMUAN
Support I-TEMUAN
Vector I-TEMUAN
Machine I-TEMUAN
memberikan I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
akursi I-TEMUAN
berturut-turut I-TEMUAN
sebesar I-TEMUAN
66,64 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
68,05 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Klasifikasi I-TEMUAN
data I-TEMUAN
twit I-TEMUAN
keluhan I-TEMUAN
terhadap I-TEMUAN
pelayanan I-TEMUAN
Grab I-TEMUAN
dan I-TEMUAN
Gojek I-TEMUAN
dengan I-TEMUAN
Naïve I-TEMUAN
Bayes I-TEMUAN
Classifier I-TEMUAN
memberikan I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
akursi I-TEMUAN
berturut-turut I-TEMUAN
sebesar I-TEMUAN
58,21 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
61,67 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
2. O
Untuk O
metode O
SVM O
dan O
Naïve O
Bayes O
Classifier O
, O
klasifikasi O
data O
twit O
keluhan O
terhadap O
pelayanan O
Gojek O
memberikan O
nilai O
akurasi O
yang O
lebih O
baik O
daripada O
klasifikasi O
data O
twit O
keluhan O
terhadap O
pelayanan O
Grab. O
Secara O
keseluruhan O
, O
metode O
SVM O
memberikan O
nilai O
akurasi O
yang O
paling O
tinggi O
, O
yaitu O
sebesar O
68,05 O
% O
. O
B. O
Saran O
Adapun O
saran O
untuk O
penelitian O
berikutnya O
adalah O
sebagai O
berikut. O
1. O
Melakukan O
text O
preprocessing O
dengan O
lebih O
cermat O
sehingga O
memperoleh O
hasil O
akurasi O
meningkat. O
2. O
Menggunakan O
kriteria O
yang O
lebih O
spesifik O
dalam O
pelabelan O
data O
secara O
manual O
untuk O
meningkatkan O
akurasi. O
3. O
Menggunakan O
strategi O
tuning O
hyperparameter O
yang O
lainnya O
seperti O
randomsearch O
ataupun O
Bayesian O
optimization O
, O
karena O
penelitian O
ini O
hanya O
menggunakan O
metode O
simulasi O
dari O
grid O
search O
cv. O
seimbang O
4. O
Menggunakan O
metode O
lain O
untuk O
menangani O
kasus O
kelas O
atau O
seperti O
tidak O
hanya O
undersampling O
, O
menggunakan O
metode O
Stratified O
ShuffleSplit O
untuk O
menangani O
masalah O
kelas O
yang O
tidak O
seimbang. O
oversampling O
penelitian O
karena O
ini O
5. O
Menggunakan O
algoritma O
yang O
lain O
seperti O
Decision- O
Tree O
atau O
K-Nearest O
Neighbour O
( O
K-NN O
) O
, O
karena O
penelitian O
ini O
hanya O
menggunakan O
algortima O
Support O
Vector O
Machine O
dan O
Naïve O
Bayes O
Classifier. O

Ekstraksi O
Informasi O
Website O
Security O
Vulnerabilities O
Menggunakan O
Named O
Entity O
Recoqnition O
( O
NER O
) O
Muhammad O
Ferdi O
( O
221810454 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T. O
, O
M.T O
Ringkasan— O
Jumlah O
pengguna O
layanan O
internet O
dunia O
terus O
meningkat O
setiap O
tahunnya O
yang O
diikuti O
dengan O
perkembangan O
website O
yang O
merupakan O
platform O
yang O
mudah O
diakses. O
Tetapi O
, O
dibalik O
kemudahan O
aksesnya O
website O
memiliki O
kerentanan O
terhadap O
serangan O
siber O
seperti O
SQL O
injection O
, O
XSS O
( O
Cross-Site O
Scripting O
) O
dan O
phising. O
Penelitian O
ini O
mengekstraksi B-TUJUAN
informasi I-TUJUAN
terkait I-TUJUAN
dengan I-TUJUAN
website I-TUJUAN
security I-TUJUAN
vulnerabilities I-TUJUAN
pada I-TUJUAN
data I-TUJUAN
Common I-TUJUAN
Vulnerabilities I-TUJUAN
and I-TUJUAN
Exposures I-TUJUAN
( I-TUJUAN
CVE I-TUJUAN
) I-TUJUAN
tahun I-TUJUAN
2020-2022 I-TUJUAN
menggunakan I-TUJUAN
model I-TUJUAN
Named I-TUJUAN
Entity I-TUJUAN
Recognition I-TUJUAN
( I-TUJUAN
NER I-TUJUAN
) I-TUJUAN
bahasa I-TUJUAN
Inggris I-TUJUAN
custom I-TUJUAN
menggunakan I-TUJUAN
spaCy I-TUJUAN
yaitu I-TUJUAN
salah I-TUJUAN
satu I-TUJUAN
library I-TUJUAN
pemrograman I-TUJUAN
python. I-TUJUAN
Data O
dikumpulkan O
dari O
website O
CVE O
dengan O
metode B-METODE
web I-METODE
scraping. I-METODE
Hasil O
pengujian O
model O
diperoleh O
hasil O
Precision O
77,42 O
% O
, O
Recall O
52,17 O
% O
dan O
F1-score O
62,34 O
% O
. O
Hasil B-TEMUAN
ekstraksi I-TEMUAN
data I-TEMUAN
diperoleh I-TEMUAN
1027 I-TEMUAN
entitas. I-TEMUAN
Jenis I-TEMUAN
serangan I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
banyak I-TEMUAN
dilaporkan I-TEMUAN
adalah I-TEMUAN
XSS. I-TEMUAN
Jenis I-TEMUAN
perangkat I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
sering I-TEMUAN
mengalami I-TEMUAN
kerentanan I-TEMUAN
yaitu I-TEMUAN
android. I-TEMUAN
Celah I-TEMUAN
yang I-TEMUAN
sering I-TEMUAN
digunakan I-TEMUAN
oleh I-TEMUAN
penyerang I-TEMUAN
yaitu I-TEMUAN
admin I-TEMUAN
panel. I-TEMUAN
Dampak I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
sering I-TEMUAN
terjadi I-TEMUAN
adalah I-TEMUAN
pengambilalihan I-TEMUAN
website. I-TEMUAN
Sementara I-TEMUAN
itu I-TEMUAN
, I-TEMUAN
Software I-TEMUAN
dan I-TEMUAN
sistem I-TEMUAN
operasi I-TEMUAN
yang I-TEMUAN
sering I-TEMUAN
mengalami I-TEMUAN
kerentanan I-TEMUAN
yaitu I-TEMUAN
software-software I-TEMUAN
dari I-TEMUAN
IBM. I-TEMUAN
Website I-TEMUAN
yang I-TEMUAN
dilaporkan I-TEMUAN
sering I-TEMUAN
mengalami I-TEMUAN
kerentanan I-TEMUAN
dan I-TEMUAN
serangan I-TEMUAN
adalah I-TEMUAN
Wordpress. I-TEMUAN
Kata O
Kunci— O
Website O
, O
Common O
Vulnerabilities O
and O
Exposures O
( O
CVE O
) O
, O
Named O
Entity O
Recognition O
( O
NER O
) O
, O
spaCy. O
[SEP] O
Kesimpulan O
dari O
penelitian O
ini O
berdasarkan O
hasil O
dan O
pembahasan O
di O
atas O
adalah O
1. O
Peneliti O
telah O
berhasil O
melakukan O
pemodelan O
Named B-METODE
Entity I-METODE
Recognition I-METODE
( I-METODE
NER I-METODE
) I-METODE
bahasa O
Inggris O
menggunakan O
library O
SpaCy O
pada O
bahasa O
pemrograman O
python O
dengan O
data O
yang O
digunakan O
adalah O
data O
Common O
Vulnerabilities O
and O
Exposures O
( O
CVE O
) O
tahun O
2020 O
sampai O
tahun O
2022 O
terkait O
dengan O
website O
security O
vulnerabilities. O
Model O
Named O
Entity O
Recognition O
( O
NER O
) O
dilatih O
, O
divalidasi O
dan O
dilakukan O
pengujian O
menggunakan O
data O
yang O
sudah O
dilabeli O
sebelumnya. O
Proses O
pelabelan O
data O
mengikuti O
dan O
menyesuaikan O
format O
data O
yang O
digunakan O
dalam O

Ekstraksi O
Informasi O
Website O
Security O
Vulnerabilities O
Menggunakan O
Named O
Entity O
Recoqnition O
( O
NER O
) O
Muhammad O
Ferdi O
( O
221810454 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T. O
, O
M.T O
Ringkasan— O
Jumlah O
pengguna O
layanan O
internet O
dunia O
terus O
meningkat O
setiap O
tahunnya O
yang O
diikuti O
dengan O
perkembangan O
website O
yang O
merupakan O
platform O
yang O
mudah O
diakses. O
Tetapi O
, O
dibalik O
kemudahan O
aksesnya O
website O
memiliki O
kerentanan O
terhadap O
serangan O
siber O
seperti O
SQL O
injection O
, O
XSS O
( O
Cross-Site O
Scripting O
) O
dan O
phising. O
Penelitian O
ini O
mengekstraksi B-TUJUAN
informasi I-TUJUAN
terkait I-TUJUAN
dengan I-TUJUAN
website I-TUJUAN
security I-TUJUAN
vulnerabilities I-TUJUAN
pada I-TUJUAN
data I-TUJUAN
Common I-TUJUAN
Vulnerabilities I-TUJUAN
and I-TUJUAN
Exposures I-TUJUAN
( I-TUJUAN
CVE I-TUJUAN
) I-TUJUAN
tahun I-TUJUAN
2020-2022 I-TUJUAN
menggunakan I-TUJUAN
model I-TUJUAN
Named I-TUJUAN
Entity I-TUJUAN
Recognition I-TUJUAN
( I-TUJUAN
NER I-TUJUAN
) I-TUJUAN
bahasa I-TUJUAN
Inggris I-TUJUAN
custom I-TUJUAN
menggunakan I-TUJUAN
spaCy I-TUJUAN
yaitu I-TUJUAN
salah I-TUJUAN
satu I-TUJUAN
library I-TUJUAN
pemrograman I-TUJUAN
python. I-TUJUAN
Data O
dikumpulkan O
dari O
website O
CVE O
dengan O
metode B-METODE
web I-METODE
scraping. I-METODE
Hasil O
pengujian O
model O
diperoleh O
hasil O
Precision O
77,42 O
% O
, O
Recall O
52,17 O
% O
dan O
F1-score O
62,34 O
% O
. O
Hasil B-TEMUAN
ekstraksi I-TEMUAN
data I-TEMUAN
diperoleh I-TEMUAN
1027 I-TEMUAN
entitas. I-TEMUAN
Jenis I-TEMUAN
serangan I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
banyak I-TEMUAN
dilaporkan I-TEMUAN
adalah I-TEMUAN
XSS. I-TEMUAN
Jenis I-TEMUAN
perangkat I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
sering I-TEMUAN
mengalami I-TEMUAN
kerentanan I-TEMUAN
yaitu I-TEMUAN
android. I-TEMUAN
Celah I-TEMUAN
yang I-TEMUAN
sering I-TEMUAN
digunakan I-TEMUAN
oleh I-TEMUAN
penyerang I-TEMUAN
yaitu I-TEMUAN
admin I-TEMUAN
panel. I-TEMUAN
Dampak I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
sering I-TEMUAN
terjadi I-TEMUAN
adalah I-TEMUAN
pengambilalihan I-TEMUAN
website. I-TEMUAN
Sementara I-TEMUAN
itu I-TEMUAN
, I-TEMUAN
Software I-TEMUAN
dan I-TEMUAN
sistem I-TEMUAN
operasi I-TEMUAN
yang I-TEMUAN
sering I-TEMUAN
mengalami I-TEMUAN
kerentanan I-TEMUAN
yaitu I-TEMUAN
software-software I-TEMUAN
dari I-TEMUAN
IBM. I-TEMUAN
Website I-TEMUAN
yang I-TEMUAN
dilaporkan I-TEMUAN
sering I-TEMUAN
mengalami I-TEMUAN
kerentanan I-TEMUAN
dan I-TEMUAN
serangan I-TEMUAN
adalah I-TEMUAN
Wordpress. I-TEMUAN
Kata O
Kunci— O
Website O
, O
Common O
Vulnerabilities O
and O
Exposures O
( O
CVE O
) O
, O
Named O
Entity O
Recognition O
( O
NER O
) O
, O
spaCy. O
[SEP] O
Kesimpulan O
dari O
penelitian O
ini O
berdasarkan O
hasil O
dan O
pembahasan O
di O
atas O
adalah O
1. O
Peneliti O
telah O
berhasil O
melakukan O
pemodelan O
Named B-METODE
Entity I-METODE
Recognition I-METODE
( I-METODE
NER I-METODE
) I-METODE
bahasa O
Inggris O
menggunakan O
library O
SpaCy O
pada O
bahasa O
pemrograman O
python O
dengan O
data O
yang O
digunakan O
adalah O
data O
Common O
Vulnerabilities O
and O
Exposures O
( O
CVE O
) O
tahun O
2020 O
sampai O
tahun O
2022 O
terkait O
dengan O
website O
security O
vulnerabilities. O
Model O
Named O
Entity O
Recognition O
( O
NER O
) O
dilatih O
, O
divalidasi O
dan O
dilakukan O
pengujian O
menggunakan O
data O
yang O
sudah O
dilabeli O
sebelumnya. O
Proses O
pelabelan O
data O
mengikuti O
dan O
menyesuaikan O
format O
data O
yang O
digunakan O
dalam O

Ekstraksi O
Informasi O
Website O
Security O
Vulnerabilities O
Menggunakan O
Named O
Entity O
Recoqnition O
( O
NER O
) O
Muhammad O
Ferdi O
( O
221810454 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T. O
, O
M.T O
Ringkasan— O
Jumlah O
pengguna O
layanan O
internet O
dunia O
terus O
meningkat O
setiap O
tahunnya O
yang O
diikuti O
dengan O
perkembangan O
website O
yang O
merupakan O
platform O
yang O
mudah O
diakses. O
Tetapi O
, O
dibalik O
kemudahan O
aksesnya O
website O
memiliki O
kerentanan O
terhadap O
serangan O
siber O
seperti O
SQL O
injection O
, O
XSS O
( O
Cross-Site O
Scripting O
) O
dan O
phising. O
Penelitian O
ini O
mengekstraksi B-TUJUAN
informasi I-TUJUAN
terkait I-TUJUAN
dengan I-TUJUAN
website I-TUJUAN
security I-TUJUAN
vulnerabilities I-TUJUAN
pada I-TUJUAN
data I-TUJUAN
Common I-TUJUAN
Vulnerabilities I-TUJUAN
and I-TUJUAN
Exposures I-TUJUAN
( I-TUJUAN
CVE I-TUJUAN
) I-TUJUAN
tahun I-TUJUAN
2020-2022 I-TUJUAN
menggunakan I-TUJUAN
model I-TUJUAN
Named I-TUJUAN
Entity I-TUJUAN
Recognition I-TUJUAN
( I-TUJUAN
NER I-TUJUAN
) I-TUJUAN
bahasa I-TUJUAN
Inggris I-TUJUAN
custom I-TUJUAN
menggunakan I-TUJUAN
spaCy I-TUJUAN
yaitu I-TUJUAN
salah I-TUJUAN
satu I-TUJUAN
library I-TUJUAN
pemrograman I-TUJUAN
python. I-TUJUAN
Data O
dikumpulkan O
dari O
website O
CVE O
dengan O
metode B-METODE
web I-METODE
scraping. I-METODE
Hasil O
pengujian O
model O
diperoleh O
hasil O
Precision O
77,42 O
% O
, O
Recall O
52,17 O
% O
dan O
F1-score O
62,34 O
% O
. O
Hasil B-TEMUAN
ekstraksi I-TEMUAN
data I-TEMUAN
diperoleh I-TEMUAN
1027 I-TEMUAN
entitas. I-TEMUAN
Jenis I-TEMUAN
serangan I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
banyak I-TEMUAN
dilaporkan I-TEMUAN
adalah I-TEMUAN
XSS. I-TEMUAN
Jenis I-TEMUAN
perangkat I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
sering I-TEMUAN
mengalami I-TEMUAN
kerentanan I-TEMUAN
yaitu I-TEMUAN
android. I-TEMUAN
Celah I-TEMUAN
yang I-TEMUAN
sering I-TEMUAN
digunakan I-TEMUAN
oleh I-TEMUAN
penyerang I-TEMUAN
yaitu I-TEMUAN
admin I-TEMUAN
panel. I-TEMUAN
Dampak I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
sering I-TEMUAN
terjadi I-TEMUAN
adalah I-TEMUAN
pengambilalihan I-TEMUAN
website. I-TEMUAN
Sementara I-TEMUAN
itu I-TEMUAN
, I-TEMUAN
Software I-TEMUAN
dan I-TEMUAN
sistem I-TEMUAN
operasi I-TEMUAN
yang I-TEMUAN
sering I-TEMUAN
mengalami I-TEMUAN
kerentanan I-TEMUAN
yaitu I-TEMUAN
software-software I-TEMUAN
dari I-TEMUAN
IBM. I-TEMUAN
Website I-TEMUAN
yang I-TEMUAN
dilaporkan I-TEMUAN
sering I-TEMUAN
mengalami I-TEMUAN
kerentanan I-TEMUAN
dan I-TEMUAN
serangan I-TEMUAN
adalah I-TEMUAN
Wordpress. I-TEMUAN
Kata O
Kunci— O
Website O
, O
Common O
Vulnerabilities O
and O
Exposures O
( O
CVE O
) O
, O
Named O
Entity O
Recognition O
( O
NER O
) O
, O
spaCy. O
[SEP] O
Kesimpulan O
dari O
penelitian O
ini O
berdasarkan O
hasil O
dan O
pembahasan O
di O
atas O
adalah O
1. O
Peneliti O
telah O
berhasil O
melakukan O
pemodelan O
Named B-METODE
Entity I-METODE
Recognition I-METODE
( I-METODE
NER I-METODE
) I-METODE
bahasa O
Inggris O
menggunakan O
library O
SpaCy O
pada O
bahasa O
pemrograman O
python O
dengan O
data O
yang O
digunakan O
adalah O
data O
Common O
Vulnerabilities O
and O
Exposures O
( O
CVE O
) O
tahun O
2020 O
sampai O
tahun O
2022 O
terkait O
dengan O
website O
security O
vulnerabilities. O
Model O
Named O
Entity O
Recognition O
( O
NER O
) O
dilatih O
, O
divalidasi O
dan O
dilakukan O
pengujian O
menggunakan O
data O
yang O
sudah O
dilabeli O
sebelumnya. O
Proses O
pelabelan O
data O
mengikuti O
dan O
menyesuaikan O
format O
data O
yang O
digunakan O
dalam O

Ekstraksi O
Informasi O
Website O
Security O
Vulnerabilities O
Menggunakan O
Named O
Entity O
Recoqnition O
( O
NER O
) O
Muhammad O
Ferdi O
( O
221810454 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T. O
, O
M.T O
Ringkasan— O
Jumlah O
pengguna O
layanan O
internet O
dunia O
terus O
meningkat O
setiap O
tahunnya O
yang O
diikuti O
dengan O
perkembangan O
website O
yang O
merupakan O
platform O
yang O
mudah O
diakses. O
Tetapi O
, O
dibalik O
kemudahan O
aksesnya O
website O
memiliki O
kerentanan O
terhadap O
serangan O
siber O
seperti O
SQL O
injection O
, O
XSS O
( O
Cross-Site O
Scripting O
) O
dan O
phising. O
Penelitian O
ini O
mengekstraksi B-TUJUAN
informasi I-TUJUAN
terkait I-TUJUAN
dengan I-TUJUAN
website I-TUJUAN
security I-TUJUAN
vulnerabilities I-TUJUAN
pada I-TUJUAN
data I-TUJUAN
Common I-TUJUAN
Vulnerabilities I-TUJUAN
and I-TUJUAN
Exposures I-TUJUAN
( I-TUJUAN
CVE I-TUJUAN
) I-TUJUAN
tahun I-TUJUAN
2020-2022 I-TUJUAN
menggunakan I-TUJUAN
model I-TUJUAN
Named I-TUJUAN
Entity I-TUJUAN
Recognition I-TUJUAN
( I-TUJUAN
NER I-TUJUAN
) I-TUJUAN
bahasa I-TUJUAN
Inggris I-TUJUAN
custom I-TUJUAN
menggunakan I-TUJUAN
spaCy I-TUJUAN
yaitu I-TUJUAN
salah I-TUJUAN
satu I-TUJUAN
library I-TUJUAN
pemrograman I-TUJUAN
python. I-TUJUAN
Data O
dikumpulkan O
dari O
website O
CVE O
dengan O
metode B-METODE
web I-METODE
scraping. I-METODE
Hasil O
pengujian O
model O
diperoleh O
hasil O
Precision O
77,42 O
% O
, O
Recall O
52,17 O
% O
dan O
F1-score O
62,34 O
% O
. O
Hasil B-TEMUAN
ekstraksi I-TEMUAN
data I-TEMUAN
diperoleh I-TEMUAN
1027 I-TEMUAN
entitas. I-TEMUAN
Jenis I-TEMUAN
serangan I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
banyak I-TEMUAN
dilaporkan I-TEMUAN
adalah I-TEMUAN
XSS. I-TEMUAN
Jenis I-TEMUAN
perangkat I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
sering I-TEMUAN
mengalami I-TEMUAN
kerentanan I-TEMUAN
yaitu I-TEMUAN
android. I-TEMUAN
Celah I-TEMUAN
yang I-TEMUAN
sering I-TEMUAN
digunakan I-TEMUAN
oleh I-TEMUAN
penyerang I-TEMUAN
yaitu I-TEMUAN
admin I-TEMUAN
panel. I-TEMUAN
Dampak I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
sering I-TEMUAN
terjadi I-TEMUAN
adalah I-TEMUAN
pengambilalihan I-TEMUAN
website. I-TEMUAN
Sementara I-TEMUAN
itu I-TEMUAN
, I-TEMUAN
Software I-TEMUAN
dan I-TEMUAN
sistem I-TEMUAN
operasi I-TEMUAN
yang I-TEMUAN
sering I-TEMUAN
mengalami I-TEMUAN
kerentanan I-TEMUAN
yaitu I-TEMUAN
software-software I-TEMUAN
dari I-TEMUAN
IBM. I-TEMUAN
Website I-TEMUAN
yang I-TEMUAN
dilaporkan I-TEMUAN
sering I-TEMUAN
mengalami I-TEMUAN
kerentanan I-TEMUAN
dan I-TEMUAN
serangan I-TEMUAN
adalah I-TEMUAN
Wordpress. I-TEMUAN
Kata O
Kunci— O
Website O
, O
Common O
Vulnerabilities O
and O
Exposures O
( O
CVE O
) O
, O
Named O
Entity O
Recognition O
( O
NER O
) O
, O
spaCy. O
[SEP] O
Kesimpulan O
dari O
penelitian O
ini O
berdasarkan O
hasil O
dan O
pembahasan O
di O
atas O
adalah O
1. O
Peneliti O
telah O
berhasil O
melakukan O
pemodelan O
Named B-METODE
Entity I-METODE
Recognition I-METODE
( I-METODE
NER I-METODE
) I-METODE
bahasa O
Inggris O
menggunakan O
library O
SpaCy O
pada O
bahasa O
pemrograman O
python O
dengan O
data O
yang O
digunakan O
adalah O
data O
Common O
Vulnerabilities O
and O
Exposures O
( O
CVE O
) O
tahun O
2020 O
sampai O
tahun O
2022 O
terkait O
dengan O
website O
security O
vulnerabilities. O
Model O
Named O
Entity O
Recognition O
( O
NER O
) O
dilatih O
, O
divalidasi O
dan O
dilakukan O
pengujian O
menggunakan O
data O
yang O
sudah O
dilabeli O
sebelumnya. O
Proses O
pelabelan O
data O
mengikuti O
dan O
menyesuaikan O
format O
data O
yang O
digunakan O
dalam O

Ekstraksi O
Informasi O
Website O
Security O
Vulnerabilities O
Menggunakan O
Named O
Entity O
Recoqnition O
( O
NER O
) O
Muhammad O
Ferdi O
( O
221810454 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T. O
, O
M.T O
Ringkasan— O
Jumlah O
pengguna O
layanan O
internet O
dunia O
terus O
meningkat O
setiap O
tahunnya O
yang O
diikuti O
dengan O
perkembangan O
website O
yang O
merupakan O
platform O
yang O
mudah O
diakses. O
Tetapi O
, O
dibalik O
kemudahan O
aksesnya O
website O
memiliki O
kerentanan O
terhadap O
serangan O
siber O
seperti O
SQL O
injection O
, O
XSS O
( O
Cross-Site O
Scripting O
) O
dan O
phising. O
Penelitian O
ini O
mengekstraksi B-TUJUAN
informasi I-TUJUAN
terkait I-TUJUAN
dengan I-TUJUAN
website I-TUJUAN
security I-TUJUAN
vulnerabilities I-TUJUAN
pada I-TUJUAN
data I-TUJUAN
Common I-TUJUAN
Vulnerabilities I-TUJUAN
and I-TUJUAN
Exposures I-TUJUAN
( I-TUJUAN
CVE I-TUJUAN
) I-TUJUAN
tahun I-TUJUAN
2020-2022 I-TUJUAN
menggunakan I-TUJUAN
model I-TUJUAN
Named I-TUJUAN
Entity I-TUJUAN
Recognition I-TUJUAN
( I-TUJUAN
NER I-TUJUAN
) I-TUJUAN
bahasa I-TUJUAN
Inggris I-TUJUAN
custom I-TUJUAN
menggunakan I-TUJUAN
spaCy I-TUJUAN
yaitu I-TUJUAN
salah I-TUJUAN
satu I-TUJUAN
library I-TUJUAN
pemrograman I-TUJUAN
python. I-TUJUAN
Data O
dikumpulkan O
dari O
website O
CVE O
dengan O
metode B-METODE
web I-METODE
scraping. I-METODE
Hasil O
pengujian O
model O
diperoleh O
hasil O
Precision O
77,42 O
% O
, O
Recall O
52,17 O
% O
dan O
F1-score O
62,34 O
% O
. O
Hasil B-TEMUAN
ekstraksi I-TEMUAN
data I-TEMUAN
diperoleh I-TEMUAN
1027 I-TEMUAN
entitas. I-TEMUAN
Jenis I-TEMUAN
serangan I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
banyak I-TEMUAN
dilaporkan I-TEMUAN
adalah I-TEMUAN
XSS. I-TEMUAN
Jenis I-TEMUAN
perangkat I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
sering I-TEMUAN
mengalami I-TEMUAN
kerentanan I-TEMUAN
yaitu I-TEMUAN
android. I-TEMUAN
Celah I-TEMUAN
yang I-TEMUAN
sering I-TEMUAN
digunakan I-TEMUAN
oleh I-TEMUAN
penyerang I-TEMUAN
yaitu I-TEMUAN
admin I-TEMUAN
panel. I-TEMUAN
Dampak I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
sering I-TEMUAN
terjadi I-TEMUAN
adalah I-TEMUAN
pengambilalihan I-TEMUAN
website. I-TEMUAN
Sementara I-TEMUAN
itu I-TEMUAN
, I-TEMUAN
Software I-TEMUAN
dan I-TEMUAN
sistem I-TEMUAN
operasi I-TEMUAN
yang I-TEMUAN
sering I-TEMUAN
mengalami I-TEMUAN
kerentanan I-TEMUAN
yaitu I-TEMUAN
software-software I-TEMUAN
dari I-TEMUAN
IBM. I-TEMUAN
Website I-TEMUAN
yang I-TEMUAN
dilaporkan I-TEMUAN
sering I-TEMUAN
mengalami I-TEMUAN
kerentanan I-TEMUAN
dan I-TEMUAN
serangan I-TEMUAN
adalah I-TEMUAN
Wordpress. I-TEMUAN
Kata O
Kunci— O
Website O
, O
Common O
Vulnerabilities O
and O
Exposures O
( O
CVE O
) O
, O
Named O
Entity O
Recognition O
( O
NER O
) O
, O
spaCy. O
[SEP] O
Kesimpulan O
dari O
penelitian O
ini O
berdasarkan O
hasil O
dan O
pembahasan O
di O
atas O
adalah O
1. O
Peneliti O
telah O
berhasil O
melakukan O
pemodelan O
Named B-METODE
Entity I-METODE
Recognition I-METODE
( I-METODE
NER I-METODE
) I-METODE
bahasa O
Inggris O
menggunakan O
library O
SpaCy O
pada O
bahasa O
pemrograman O
python O
dengan O
data O
yang O
digunakan O
adalah O
data O
Common O
Vulnerabilities O
and O
Exposures O
( O
CVE O
) O
tahun O
2020 O
sampai O
tahun O
2022 O
terkait O
dengan O
website O
security O
vulnerabilities. O
Model O
Named O
Entity O
Recognition O
( O
NER O
) O
dilatih O
, O
divalidasi O
dan O
dilakukan O
pengujian O
menggunakan O
data O
yang O
sudah O
dilabeli O
sebelumnya. O
Proses O
pelabelan O
data O
mengikuti O
dan O
menyesuaikan O
format O
data O
yang O
digunakan O
dalam O

Dampak O
Lokasi O
Terhadap O
Okupansi O
Hotel O
Studi O
kasus O
: O
Provinsi O
D.I. O
Yogyakarta O
Muhammad O
Fachry O
Nazuli O
( O
221810452 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Prof. O
Setia O
Pramana O
, O
Ph.D O
Ringkasan— O
Salah O
satu O
atribut O
utama O
dalam O
pemilihan O
dan O
kepuasan O
pelanggan O
hotel O
adalah O
lokasi. O
Lokasi O
yang O
strategis O
dapat O
memengaruhi O
permintaan O
akomodasi O
yang O
lebih O
tinggi. O
Permintaan O
akomodasi O
dapat O
dilihat O
pada O
tingkat O
okupansi O
hotel O
, O
yaitu O
persentase O
kamar O
yang O
telah O
direservasi O
pada O
waktu O
tertentu. O
Penelitian O
ini O
bertujuan O
untuk O
membangun O
web-scraper O
Google O
Maps O
untuk O
data O
lokasi O
objek O
perkotaan. O
Selain O
itu O
, O
penelitian O
ini O
bertujuan O
untuk O
mengetahui B-TUJUAN
efek I-TUJUAN
lokasi I-TUJUAN
spasial I-TUJUAN
terhadap I-TUJUAN
tingkat I-TUJUAN
okupansi I-TUJUAN
hotel I-TUJUAN
yang I-TUJUAN
ada I-TUJUAN
pada I-TUJUAN
aplikasi I-TUJUAN
reservasi I-TUJUAN
hotel I-TUJUAN
daring. I-TUJUAN
Penelitian O
ini O
akan O
menggunakan O
data O
reservasi O
hotel O
daring O
yaitu O
Agoda.com O
pada O
Provinsi O
D.I. O
Yogyakarta O
berjumlah O
245 O
hotel O
yang O
tersebar O
pada O
3 O
kabupaten O
/ O
kota O
yaitu O
pada O
Kota O
Yogyakarta O
, O
Kabupaten O
Sleman O
, O
dan O
Kabupaten O
Bantul. O
Metode O
analisis O
yang O
digunakan O
adalah O
analisis O
regresi O
spasial O
yaitu O
Spatial B-METODE
Error I-METODE
Model I-METODE
( I-METODE
SEM I-METODE
) I-METODE
dengan O
matriks B-METODE
ketetanggaan I-METODE
spasial I-METODE
menggunakan O
radius O
3.2 O
km. O
Kesimpulan O
penelitian O
ini O
adalah O
terdapat B-TEMUAN
efek I-TEMUAN
lokasi I-TEMUAN
spasial I-TEMUAN
terhadap I-TEMUAN
tingkat I-TEMUAN
okupansi I-TEMUAN
pada I-TEMUAN
hotel-hotel I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
pada I-TEMUAN
aplikasi I-TEMUAN
reservasi I-TEMUAN
hotel I-TEMUAN
daring. I-TEMUAN
Lokasi O
spasial O
yang O
berpengaruh O
adalah O
jarak O
hotel O
ke O
bandara O
, O
jarak O
hotel O
ke O
halte O
bus O
, O
jumlah O
restoran O
terdekat O
, O
jumlah O
kantor O
terdekat O
, O
dan O
jumlah O
hotel O
terdekat. O
Kata O
Kunci— O
D.I. O
Yogyakarta O
, O
Hotel O
, O
Lokasi O
, O
Okupansi O
, O
Regresi O
Spasial O
, O
Scraping O
[SEP] O
7.1 O
Kesimpulan O
Web-Scraper O
Google O
Maps O
telah O
berhasil O
dibangun O
dan O
menghasilkan O
data O
objek O
perkotaan O
, O
mulai O
dari O
bandara O
, O
stasiun O
, O
halte O
bus O
, O
restoran O
, O
kantor O
, O
perusahaan O
, O
mal O
, O
dan O
universitas. O
Hasil O
web-scraping O
ini O
akan O
digunakan O
pada O
tahap O
analisis O
sebagai O
variabel O
dependen. O
Bandara O
, O
stasiun O
, O
halte O
bus O
, O
mal O
, O
dan O
universitas O
digunakan O
untuk O
menghitung O
jarak O
dari O
hotel O
ke O
objek O
terdekat. O
Sedangkan O
sisanya O
digunakan O
untuk O
menghitung O
jumlah O
objek O
perkotaan O
di O
sekitar O
hotel. O
Dari O
hasil O
pengujian O
yang O
telah O
dilakukan O
, O
model O
yang O
terbentuk O
pada O
penelitian O
ini O
adalah O
Spatial O
Error O
Model O
( O
SEM O
) O
. O
Model B-TEMUAN
tersebut I-TEMUAN
memberikan I-TEMUAN
kesimpulan I-TEMUAN
bahwa I-TEMUAN
terdapat I-TEMUAN
dampak I-TEMUAN
lokasi I-TEMUAN
spasial I-TEMUAN
terhadap I-TEMUAN
tingkat I-TEMUAN
okupansi I-TEMUAN
pada I-TEMUAN
hotel-hotel I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
pada I-TEMUAN
aplikasi I-TEMUAN
reservarsi I-TEMUAN
hotel I-TEMUAN
daring I-TEMUAN
di O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
Management O
, O
https O
: O
/ O
/ O
doi.org O
/ O
10.1016 O
/ O
j.ijhm.2011.09.003 O
675-685 O
, O
pp. O
2012 O
, O
doi O
: O
[ O
15 O
] O
S. O
Wu O
, O
Y. O
Chen O
, O
“Examining O
eco-environmental O
changes O
at O
major O
recreational O
sites O
in O
Kenting O
National O
Park O
in O
Taiwan O
by O
integrating O
SPOT O
satellite O
images O
and O
NDVI O
, O
” O
Tourism O
Management O
, O
vol. O
57 O
, O
pp. O
23-36 O
, O
December O
2016 O
, O
doi O
: O
https O
: O
/ O
/ O
doi.org O
/ O
10.1016 O
/ O
j.tourman.2016.05.006 O
[ O
16 O
] O
K. O
Lee O
, O
H. O
Kim O
, O
H. O
Kim O
, O
D. O
Lee O
, O
“The O
Determinants O
of O
Factors O
in O
FIT O
Guests’ O
Perception O
of O
Hotel O
Location O
, O
” O
Journal O
of O
Hospitality O
and O
Tourism O
doi O
: O
issue O
vol. O
Management O
, O
https O
: O
/ O
/ O
doi.org O
/ O
10.1375 O
/ O
jhtm.17.1.167 O
167-174 O
, O
pp. O
17 O
, O
1 O
, O
[ O
17 O
] O
J. O
Neter O
, O
W. O
Wasserman O
, O
M. O
H. O
Kutner O
, O
Applied O
Linear O
Regression O
Models O
, O
Fourth O
ed O
, O
New O
York O
: O
The O
McGraw-Hill O
Company O
Inc. O
, O
2004. O
[ O
18 O
] O
H. O
Luo O
, O
Y. O
Yang O
, O
“Spatial O
pattern O
of O
hotel O
distribution O
in O
China O
, O
” O
Tourism O
issue. O
1 O
, O
pp. O
3–15 O
, O
doi O
: O
and O
Hospitality O
Research O
, O
vol. O
13 O
, O
https O
: O
/ O
/ O
doi.org O
/ O
10.1177 O
/ O
1467358413508579. O
[ O
19 O
] O
Y. O
Adhinugroho O
, O
A. O
P. O
Putra O
, O
M. O
Luqman O
, O
G. O
Y. O
Ermawan O
, O
Takdir O
, O
S. O
Mariyah O
, O
S. O
Pramana O
, O
“Development O
of O
online O
travel O
Web O
scraping O
for O
tourism O
statistics O
in O
Indonesia O
, O
” O
Information O
Research O
, O
25 O
( O
4 O
) O
, O
paper O
885 O
, O
2020 O
, O
doi O
: O
https O
: O
/ O
/ O
doi.org O
/ O
10.47989 O
/ O
irpaper885 O
[ O
20 O
] O
W. O
Chung O
, O
dan O
A. O
Kalnins O
, O
“Agglomeration O
Effects O
and O
Performance O
: O
A O
Test O
of O
the O
Texas O
Lodging O
Industry O
, O
” O
Strategic O
Management O
Journal O
, O
vol. O
22 O
, O
pp. O
969–988 O
, O
https O
: O
/ O
/ O
doi.org O
/ O
10.1002 O
/ O
smj.178 O
Provinsi O
D.I. O
Yogyakarta. O
Dampak O
lokasi O
spasial O
yang O
berpengaruh O
terhadap O
tingkat O
okupansi O
adalah O
jarak O
hotel O
ke O
bandara O
, O
jarak O
hotel O
ke O
halte O
bus O
, O
jumlah O
restoran O
terdekat O
, O
jumlah O
kantor O
terdekat O
, O
dan O
jumlah O
hotel O
terdekat. O
7.2 O
Saran O
• O
Menambahkan O
faktor O
lokasi O
lain O
selain O
yang O
ada O
pada O
penelitian O
ini O
seperti O
tingkat O
kriminalitas. O
Penelitian O
ini O
tidak O
menambahkan O
variabel O
tingkat O
kriminalitas O
karena O
ketersediaan O
data O
kriminalitas O
yang O
hanya O
pada O
level O
kabupaten O
/ O
kota. O
• O
Menambahkan O
segmentasi O
pada O
model O
seperti O
segmentasi O
berdasarkan O
bintang O
hotel. O
Hal O
tersebut O
dapat O
dilakukan O
ketika O
jumlah O
data O
pada O
setiap O
bintang O
cenderung O
cukup O
banyak. O

Dampak O
Lokasi O
Terhadap O
Okupansi O
Hotel O
Studi O
kasus O
: O
Provinsi O
D.I. O
Yogyakarta O
Muhammad O
Fachry O
Nazuli O
( O
221810452 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Prof. O
Setia O
Pramana O
, O
Ph.D O
Ringkasan— O
Salah O
satu O
atribut O
utama O
dalam O
pemilihan O
dan O
kepuasan O
pelanggan O
hotel O
adalah O
lokasi. O
Lokasi O
yang O
strategis O
dapat O
memengaruhi O
permintaan O
akomodasi O
yang O
lebih O
tinggi. O
Permintaan O
akomodasi O
dapat O
dilihat O
pada O
tingkat O
okupansi O
hotel O
, O
yaitu O
persentase O
kamar O
yang O
telah O
direservasi O
pada O
waktu O
tertentu. O
Penelitian O
ini O
bertujuan O
untuk O
membangun O
web-scraper O
Google O
Maps O
untuk O
data O
lokasi O
objek O
perkotaan. O
Selain O
itu O
, O
penelitian O
ini O
bertujuan O
untuk O
mengetahui B-TUJUAN
efek I-TUJUAN
lokasi I-TUJUAN
spasial I-TUJUAN
terhadap I-TUJUAN
tingkat I-TUJUAN
okupansi I-TUJUAN
hotel I-TUJUAN
yang I-TUJUAN
ada I-TUJUAN
pada I-TUJUAN
aplikasi I-TUJUAN
reservasi I-TUJUAN
hotel I-TUJUAN
daring. I-TUJUAN
Penelitian O
ini O
akan O
menggunakan O
data O
reservasi O
hotel O
daring O
yaitu O
Agoda.com O
pada O
Provinsi O
D.I. O
Yogyakarta O
berjumlah O
245 O
hotel O
yang O
tersebar O
pada O
3 O
kabupaten O
/ O
kota O
yaitu O
pada O
Kota O
Yogyakarta O
, O
Kabupaten O
Sleman O
, O
dan O
Kabupaten O
Bantul. O
Metode O
analisis O
yang O
digunakan O
adalah O
analisis O
regresi O
spasial O
yaitu O
Spatial B-METODE
Error I-METODE
Model I-METODE
( I-METODE
SEM I-METODE
) I-METODE
dengan O
matriks B-METODE
ketetanggaan I-METODE
spasial I-METODE
menggunakan O
radius O
3.2 O
km. O
Kesimpulan O
penelitian O
ini O
adalah O
terdapat B-TEMUAN
efek I-TEMUAN
lokasi I-TEMUAN
spasial I-TEMUAN
terhadap I-TEMUAN
tingkat I-TEMUAN
okupansi I-TEMUAN
pada I-TEMUAN
hotel-hotel I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
pada I-TEMUAN
aplikasi I-TEMUAN
reservasi I-TEMUAN
hotel I-TEMUAN
daring. I-TEMUAN
Lokasi O
spasial O
yang O
berpengaruh O
adalah O
jarak O
hotel O
ke O
bandara O
, O
jarak O
hotel O
ke O
halte O
bus O
, O
jumlah O
restoran O
terdekat O
, O
jumlah O
kantor O
terdekat O
, O
dan O
jumlah O
hotel O
terdekat. O
Kata O
Kunci— O
D.I. O
Yogyakarta O
, O
Hotel O
, O
Lokasi O
, O
Okupansi O
, O
Regresi O
Spasial O
, O
Scraping O
[SEP] O
7.1 O
Kesimpulan O
Web-Scraper O
Google O
Maps O
telah O
berhasil O
dibangun O
dan O
menghasilkan O
data O
objek O
perkotaan O
, O
mulai O
dari O
bandara O
, O
stasiun O
, O
halte O
bus O
, O
restoran O
, O
kantor O
, O
perusahaan O
, O
mal O
, O
dan O
universitas. O
Hasil O
web-scraping O
ini O
akan O
digunakan O
pada O
tahap O
analisis O
sebagai O
variabel O
dependen. O
Bandara O
, O
stasiun O
, O
halte O
bus O
, O
mal O
, O
dan O
universitas O
digunakan O
untuk O
menghitung O
jarak O
dari O
hotel O
ke O
objek O
terdekat. O
Sedangkan O
sisanya O
digunakan O
untuk O
menghitung O
jumlah O
objek O
perkotaan O
di O
sekitar O
hotel. O
Dari O
hasil O
pengujian O
yang O
telah O
dilakukan O
, O
model O
yang O
terbentuk O
pada O
penelitian O
ini O
adalah O
Spatial O
Error O
Model O
( O
SEM O
) O
. O
Model B-TEMUAN
tersebut I-TEMUAN
memberikan I-TEMUAN
kesimpulan I-TEMUAN
bahwa I-TEMUAN
terdapat I-TEMUAN
dampak I-TEMUAN
lokasi I-TEMUAN
spasial I-TEMUAN
terhadap I-TEMUAN
tingkat I-TEMUAN
okupansi I-TEMUAN
pada I-TEMUAN
hotel-hotel I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
pada I-TEMUAN
aplikasi I-TEMUAN
reservarsi I-TEMUAN
hotel I-TEMUAN
daring I-TEMUAN
di O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
Management O
, O
https O
: O
/ O
/ O
doi.org O
/ O
10.1016 O
/ O
j.ijhm.2011.09.003 O
675-685 O
, O
pp. O
2012 O
, O
doi O
: O
[ O
15 O
] O
S. O
Wu O
, O
Y. O
Chen O
, O
“Examining O
eco-environmental O
changes O
at O
major O
recreational O
sites O
in O
Kenting O
National O
Park O
in O
Taiwan O
by O
integrating O
SPOT O
satellite O
images O
and O
NDVI O
, O
” O
Tourism O
Management O
, O
vol. O
57 O
, O
pp. O
23-36 O
, O
December O
2016 O
, O
doi O
: O
https O
: O
/ O
/ O
doi.org O
/ O
10.1016 O
/ O
j.tourman.2016.05.006 O
[ O
16 O
] O
K. O
Lee O
, O
H. O
Kim O
, O
H. O
Kim O
, O
D. O
Lee O
, O
“The O
Determinants O
of O
Factors O
in O
FIT O
Guests’ O
Perception O
of O
Hotel O
Location O
, O
” O
Journal O
of O
Hospitality O
and O
Tourism O
doi O
: O
issue O
vol. O
Management O
, O
https O
: O
/ O
/ O
doi.org O
/ O
10.1375 O
/ O
jhtm.17.1.167 O
167-174 O
, O
pp. O
17 O
, O
1 O
, O
[ O
17 O
] O
J. O
Neter O
, O
W. O
Wasserman O
, O
M. O
H. O
Kutner O
, O
Applied O
Linear O
Regression O
Models O
, O
Fourth O
ed O
, O
New O
York O
: O
The O
McGraw-Hill O
Company O
Inc. O
, O
2004. O
[ O
18 O
] O
H. O
Luo O
, O
Y. O
Yang O
, O
“Spatial O
pattern O
of O
hotel O
distribution O
in O
China O
, O
” O
Tourism O
issue. O
1 O
, O
pp. O
3–15 O
, O
doi O
: O
and O
Hospitality O
Research O
, O
vol. O
13 O
, O
https O
: O
/ O
/ O
doi.org O
/ O
10.1177 O
/ O
1467358413508579. O
[ O
19 O
] O
Y. O
Adhinugroho O
, O
A. O
P. O
Putra O
, O
M. O
Luqman O
, O
G. O
Y. O
Ermawan O
, O
Takdir O
, O
S. O
Mariyah O
, O
S. O
Pramana O
, O
“Development O
of O
online O
travel O
Web O
scraping O
for O
tourism O
statistics O
in O
Indonesia O
, O
” O
Information O
Research O
, O
25 O
( O
4 O
) O
, O
paper O
885 O
, O
2020 O
, O
doi O
: O
https O
: O
/ O
/ O
doi.org O
/ O
10.47989 O
/ O
irpaper885 O
[ O
20 O
] O
W. O
Chung O
, O
dan O
A. O
Kalnins O
, O
“Agglomeration O
Effects O
and O
Performance O
: O
A O
Test O
of O
the O
Texas O
Lodging O
Industry O
, O
” O
Strategic O
Management O
Journal O
, O
vol. O
22 O
, O
pp. O
969–988 O
, O
https O
: O
/ O
/ O
doi.org O
/ O
10.1002 O
/ O
smj.178 O
Provinsi O
D.I. O
Yogyakarta. O
Dampak O
lokasi O
spasial O
yang O
berpengaruh O
terhadap O
tingkat O
okupansi O
adalah O
jarak O
hotel O
ke O
bandara O
, O
jarak O
hotel O
ke O
halte O
bus O
, O
jumlah O
restoran O
terdekat O
, O
jumlah O
kantor O
terdekat O
, O
dan O
jumlah O
hotel O
terdekat. O
7.2 O
Saran O
• O
Menambahkan O
faktor O
lokasi O
lain O
selain O
yang O
ada O
pada O
penelitian O
ini O
seperti O
tingkat O
kriminalitas. O
Penelitian O
ini O
tidak O
menambahkan O
variabel O
tingkat O
kriminalitas O
karena O
ketersediaan O
data O
kriminalitas O
yang O
hanya O
pada O
level O
kabupaten O
/ O
kota. O
• O
Menambahkan O
segmentasi O
pada O
model O
seperti O
segmentasi O
berdasarkan O
bintang O
hotel. O
Hal O
tersebut O
dapat O
dilakukan O
ketika O
jumlah O
data O
pada O
setiap O
bintang O
cenderung O
cukup O
banyak. O

Dampak O
Lokasi O
Terhadap O
Okupansi O
Hotel O
Studi O
kasus O
: O
Provinsi O
D.I. O
Yogyakarta O
Muhammad O
Fachry O
Nazuli O
( O
221810452 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Prof. O
Setia O
Pramana O
, O
Ph.D O
Ringkasan— O
Salah O
satu O
atribut O
utama O
dalam O
pemilihan O
dan O
kepuasan O
pelanggan O
hotel O
adalah O
lokasi. O
Lokasi O
yang O
strategis O
dapat O
memengaruhi O
permintaan O
akomodasi O
yang O
lebih O
tinggi. O
Permintaan O
akomodasi O
dapat O
dilihat O
pada O
tingkat O
okupansi O
hotel O
, O
yaitu O
persentase O
kamar O
yang O
telah O
direservasi O
pada O
waktu O
tertentu. O
Penelitian O
ini O
bertujuan O
untuk O
membangun O
web-scraper O
Google O
Maps O
untuk O
data O
lokasi O
objek O
perkotaan. O
Selain O
itu O
, O
penelitian O
ini O
bertujuan O
untuk O
mengetahui B-TUJUAN
efek I-TUJUAN
lokasi I-TUJUAN
spasial I-TUJUAN
terhadap I-TUJUAN
tingkat I-TUJUAN
okupansi I-TUJUAN
hotel I-TUJUAN
yang I-TUJUAN
ada I-TUJUAN
pada I-TUJUAN
aplikasi I-TUJUAN
reservasi I-TUJUAN
hotel I-TUJUAN
daring. I-TUJUAN
Penelitian O
ini O
akan O
menggunakan O
data O
reservasi O
hotel O
daring O
yaitu O
Agoda.com O
pada O
Provinsi O
D.I. O
Yogyakarta O
berjumlah O
245 O
hotel O
yang O
tersebar O
pada O
3 O
kabupaten O
/ O
kota O
yaitu O
pada O
Kota O
Yogyakarta O
, O
Kabupaten O
Sleman O
, O
dan O
Kabupaten O
Bantul. O
Metode O
analisis O
yang O
digunakan O
adalah O
analisis O
regresi O
spasial O
yaitu O
Spatial B-METODE
Error I-METODE
Model I-METODE
( I-METODE
SEM I-METODE
) I-METODE
dengan O
matriks B-METODE
ketetanggaan I-METODE
spasial I-METODE
menggunakan O
radius O
3.2 O
km. O
Kesimpulan O
penelitian O
ini O
adalah O
terdapat B-TEMUAN
efek I-TEMUAN
lokasi I-TEMUAN
spasial I-TEMUAN
terhadap I-TEMUAN
tingkat I-TEMUAN
okupansi I-TEMUAN
pada I-TEMUAN
hotel-hotel I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
pada I-TEMUAN
aplikasi I-TEMUAN
reservasi I-TEMUAN
hotel I-TEMUAN
daring. I-TEMUAN
Lokasi O
spasial O
yang O
berpengaruh O
adalah O
jarak O
hotel O
ke O
bandara O
, O
jarak O
hotel O
ke O
halte O
bus O
, O
jumlah O
restoran O
terdekat O
, O
jumlah O
kantor O
terdekat O
, O
dan O
jumlah O
hotel O
terdekat. O
Kata O
Kunci— O
D.I. O
Yogyakarta O
, O
Hotel O
, O
Lokasi O
, O
Okupansi O
, O
Regresi O
Spasial O
, O
Scraping O
[SEP] O
7.1 O
Kesimpulan O
Web-Scraper O
Google O
Maps O
telah O
berhasil O
dibangun O
dan O
menghasilkan O
data O
objek O
perkotaan O
, O
mulai O
dari O
bandara O
, O
stasiun O
, O
halte O
bus O
, O
restoran O
, O
kantor O
, O
perusahaan O
, O
mal O
, O
dan O
universitas. O
Hasil O
web-scraping O
ini O
akan O
digunakan O
pada O
tahap O
analisis O
sebagai O
variabel O
dependen. O
Bandara O
, O
stasiun O
, O
halte O
bus O
, O
mal O
, O
dan O
universitas O
digunakan O
untuk O
menghitung O
jarak O
dari O
hotel O
ke O
objek O
terdekat. O
Sedangkan O
sisanya O
digunakan O
untuk O
menghitung O
jumlah O
objek O
perkotaan O
di O
sekitar O
hotel. O
Dari O
hasil O
pengujian O
yang O
telah O
dilakukan O
, O
model O
yang O
terbentuk O
pada O
penelitian O
ini O
adalah O
Spatial O
Error O
Model O
( O
SEM O
) O
. O
Model B-TEMUAN
tersebut I-TEMUAN
memberikan I-TEMUAN
kesimpulan I-TEMUAN
bahwa I-TEMUAN
terdapat I-TEMUAN
dampak I-TEMUAN
lokasi I-TEMUAN
spasial I-TEMUAN
terhadap I-TEMUAN
tingkat I-TEMUAN
okupansi I-TEMUAN
pada I-TEMUAN
hotel-hotel I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
pada I-TEMUAN
aplikasi I-TEMUAN
reservarsi I-TEMUAN
hotel I-TEMUAN
daring I-TEMUAN
di O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
Management O
, O
https O
: O
/ O
/ O
doi.org O
/ O
10.1016 O
/ O
j.ijhm.2011.09.003 O
675-685 O
, O
pp. O
2012 O
, O
doi O
: O
[ O
15 O
] O
S. O
Wu O
, O
Y. O
Chen O
, O
“Examining O
eco-environmental O
changes O
at O
major O
recreational O
sites O
in O
Kenting O
National O
Park O
in O
Taiwan O
by O
integrating O
SPOT O
satellite O
images O
and O
NDVI O
, O
” O
Tourism O
Management O
, O
vol. O
57 O
, O
pp. O
23-36 O
, O
December O
2016 O
, O
doi O
: O
https O
: O
/ O
/ O
doi.org O
/ O
10.1016 O
/ O
j.tourman.2016.05.006 O
[ O
16 O
] O
K. O
Lee O
, O
H. O
Kim O
, O
H. O
Kim O
, O
D. O
Lee O
, O
“The O
Determinants O
of O
Factors O
in O
FIT O
Guests’ O
Perception O
of O
Hotel O
Location O
, O
” O
Journal O
of O
Hospitality O
and O
Tourism O
doi O
: O
issue O
vol. O
Management O
, O
https O
: O
/ O
/ O
doi.org O
/ O
10.1375 O
/ O
jhtm.17.1.167 O
167-174 O
, O
pp. O
17 O
, O
1 O
, O
[ O
17 O
] O
J. O
Neter O
, O
W. O
Wasserman O
, O
M. O
H. O
Kutner O
, O
Applied O
Linear O
Regression O
Models O
, O
Fourth O
ed O
, O
New O
York O
: O
The O
McGraw-Hill O
Company O
Inc. O
, O
2004. O
[ O
18 O
] O
H. O
Luo O
, O
Y. O
Yang O
, O
“Spatial O
pattern O
of O
hotel O
distribution O
in O
China O
, O
” O
Tourism O
issue. O
1 O
, O
pp. O
3–15 O
, O
doi O
: O
and O
Hospitality O
Research O
, O
vol. O
13 O
, O
https O
: O
/ O
/ O
doi.org O
/ O
10.1177 O
/ O
1467358413508579. O
[ O
19 O
] O
Y. O
Adhinugroho O
, O
A. O
P. O
Putra O
, O
M. O
Luqman O
, O
G. O
Y. O
Ermawan O
, O
Takdir O
, O
S. O
Mariyah O
, O
S. O
Pramana O
, O
“Development O
of O
online O
travel O
Web O
scraping O
for O
tourism O
statistics O
in O
Indonesia O
, O
” O
Information O
Research O
, O
25 O
( O
4 O
) O
, O
paper O
885 O
, O
2020 O
, O
doi O
: O
https O
: O
/ O
/ O
doi.org O
/ O
10.47989 O
/ O
irpaper885 O
[ O
20 O
] O
W. O
Chung O
, O
dan O
A. O
Kalnins O
, O
“Agglomeration O
Effects O
and O
Performance O
: O
A O
Test O
of O
the O
Texas O
Lodging O
Industry O
, O
” O
Strategic O
Management O
Journal O
, O
vol. O
22 O
, O
pp. O
969–988 O
, O
https O
: O
/ O
/ O
doi.org O
/ O
10.1002 O
/ O
smj.178 O
Provinsi O
D.I. O
Yogyakarta. O
Dampak O
lokasi O
spasial O
yang O
berpengaruh O
terhadap O
tingkat O
okupansi O
adalah O
jarak O
hotel O
ke O
bandara O
, O
jarak O
hotel O
ke O
halte O
bus O
, O
jumlah O
restoran O
terdekat O
, O
jumlah O
kantor O
terdekat O
, O
dan O
jumlah O
hotel O
terdekat. O
7.2 O
Saran O
• O
Menambahkan O
faktor O
lokasi O
lain O
selain O
yang O
ada O
pada O
penelitian O
ini O
seperti O
tingkat O
kriminalitas. O
Penelitian O
ini O
tidak O
menambahkan O
variabel O
tingkat O
kriminalitas O
karena O
ketersediaan O
data O
kriminalitas O
yang O
hanya O
pada O
level O
kabupaten O
/ O
kota. O
• O
Menambahkan O
segmentasi O
pada O
model O
seperti O
segmentasi O
berdasarkan O
bintang O
hotel. O
Hal O
tersebut O
dapat O
dilakukan O
ketika O
jumlah O
data O
pada O
setiap O
bintang O
cenderung O
cukup O
banyak. O

Deteksi O
Lahan O
Jagung O
Menggunakan O
Citra O
Satelit O
Optik O
Sentinel-2 O
dan O
Landsat-8 O
Studi O
kasus O
: O
Kabupaten O
Lamongan O
, O
Jawa O
Timur O
Muhammad O
Al O
Fatah O
( O
221810445 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
SST O
, O
M.Si O
Ringkasan— O
Tanaman O
jagung O
merupakan O
tanaman O
pangan O
sumber O
karbohidrat O
kedua O
setelah O
beras. O
Penghitungan O
luas O
tanaman O
pangan O
ini O
menggunakan O
metode O
survei O
KSA. O
Akan O
tetapi O
, O
Survei O
KSA O
membutuhkan O
biaya O
dan O
tenaga O
cukup O
besar O
, O
pada O
masa O
pandemi O
mengakibatkan O
pelaksanaan O
survei O
terbatas. O
Untuk O
mengatasi O
keterbatasan O
Survei O
KSA O
, O
terdapat O
cara O
alternatif O
, O
yaitu O
dengan O
menggunakan O
teknologi O
penginderaan O
jauh. O
Teknologi O
penginderaan O
jauh O
dapat O
menyediakan O
data O
secara O
relevan O
dengan O
memanfaatkan O
teknologi O
citra O
satelit. O
Metode O
ini O
dapat O
menyelesaikan O
permasalahan O
seperti O
wilayah O
yang O
sulit O
dijangkau O
atau O
kondisi O
yang O
tak O
terduga. O
Penelitian O
ini O
bertujuan O
untuk O
mendeteksi B-TUJUAN
lahan I-TUJUAN
jagung I-TUJUAN
di I-TUJUAN
Kabupaten I-TUJUAN
Lamongan I-TUJUAN
, I-TUJUAN
Jawa I-TUJUAN
Timur I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
penginderaan I-TUJUAN
jauh. I-TUJUAN
Data O
didapatkan O
dari O
citra B-METODE
satelit I-METODE
Sentinel-2 I-METODE
dan O
Landsat-8 B-METODE
dengan O
ukuran O
sampel O
berturut-turut O
sekitar O
3000 O
dan O
4000 O
yang O
dibagi O
menjadi O
tujuh O
kelas. O
Penelitian O
ini O
membandingkan O
performa O
kedua O
citra O
satelit O
dengan O
metode O
machine O
learning O
dan O
deep O
learning. O
Didapatkan B-TEMUAN
hasil I-TEMUAN
akurasi I-TEMUAN
dan I-TEMUAN
f1-score I-TEMUAN
tertinggi I-TEMUAN
dengan I-TEMUAN
model I-TEMUAN
random I-TEMUAN
forest I-TEMUAN
pada I-TEMUAN
citra I-TEMUAN
Sentinel-2 I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
94,18 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
94,20 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Setelah I-TEMUAN
itu I-TEMUAN
dilakukan I-TEMUAN
pengestimasian I-TEMUAN
luas I-TEMUAN
lahan I-TEMUAN
jagung I-TEMUAN
dan I-TEMUAN
didapatkan I-TEMUAN
hasil I-TEMUAN
seluas I-TEMUAN
73752,31 I-TEMUAN
ha. I-TEMUAN
Kata O
Kunci— O
deteksi O
jagung O
, O
estimasi O
jagung O
, O
penginderaan O
jauh O
, O
machine O
learning O
, O
deep O
learning. O
[SEP] O
A. O
Kesimpulan O
Penelitian O
ini O
bermanfaat O
sebagai O
potensi O
awal O
untuk O
membantu O
pengumpulan O
data O
tanaman O
pangan O
komoditas O
jagung O
menjadi O
lebih O
baik O
lagi. O
Dengan O
keunggulan O
metode O
penginderaan B-METODE
jauh I-METODE
, O
diharapkan O
dapat O
membantu O
pengumpulan O
data O
tanaman O
pangan O
pada O
area O
yang O
sulit O
dijangkau O
; O
tanpa O
pengaruh O
kondisi O
yang O
tak O
terduga O
; O
waktu O
, O
tenaga O
, O
dan O
biaya O
yang O
lebih O
sedikit O
dengan O
potensi O
peningkatan O
akurasi O
yang O
lebih O
tinggi O
lagi O
di O
masa O
yang O
akan O
datang. O
Adapun O
kesimpulan O
yang O
dapat O
diperoleh O
dari O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
adalah O
sebagai O
berikut. O
1. O
Menjawab O
tujuan O
pertama O
, O
dari O
hasil O
eksperimen O
yang O
dilakukan O
didapatkan O
fitur O
penciri O
terbaik O
lahan O
jagung O
untuk O
citra O
satelit O
Sentinel-2 O
adalah O
RGB O
dengan O
kategori O
very O
low O
; O
NIR O
, O
SWIR O
1 O
, O
dan O
SWIR O
2 O
kategori O
low O
sebagai O
fitur O
dasar O
; O
dan O
indeks O
komposit O
NDVI O
berada O
di O
kategori O
high O
, O
BSI O
high O
, O
dan O
NDWI O
low. O
Sedangkan O
untuk O
citra O
satelit O
Landsat-8 O
adalah O
RGB O
berada O
pada O
kategori O
very O
low O
; O
NIR O
, O
SWIR O
1 O
, O
dan O
SWIR O
2 O
low O
sebagai O
fitur O
dasar O
; O
dan O
indeks O
komposit O
EVI O
berkategori O
high O
, O
BSI O
medium O
, O
dan O
NDWI O
low. O
2. O
Menjawab O
tujuan O
kedua O
, O
model O
untuk O
mengklasifikasikan O
lahan O
jagung O
adalah O
metode O
random O
forest O
pada O
citra B-METODE
Sentinel-2 I-METODE
dengan O
accuracy B-METODE
, I-METODE
precision I-METODE
, I-METODE
recall I-METODE
, I-METODE
dan I-METODE
F1-score I-METODE
tertinggi. O
terbaik O
3. O
Menjawab O
tujuan O
ketiga O
, O
dari O
model O
klasifikasi O
terbaik O
, O
yaitu O
random O
forest O
dengan O
citra O
satelit O
Sentinel-2 O
didapatkan O
estimasi O
luas O
lahan O
jagung O
seluas O
73752,31 O
ha O
dengan O
nilai O
MAE O
sebesar O
1160,769 O
dan O
RMSE O
sebesar O
1507,073. O
B. O
Saran O
7 O
/ O
8 O
sebagai O
suatu O
kelas O
yang O
bisa O
Penelitian O
ini O
berfokus O
pada O
mendeteksi O
lahan O
jagung O
di O
Kabupaten O
Lamongan. O
Penelitian O
ini O
masih O
memiliki O
banyak O
keterbatasan O
dan O
kekurangan. O
Mulai O
dari O
ketersediaan O
indeks O
komposit O
yang O
masih O
terbatas O
dan O
belum O
dapat O
membedakan O
lahan O
jagung O
, O
sawah O
, O
dan O
hutan O
dengan O
pasti. O
Dari O
hasil O
eksperimen O
, O
diperoleh O
bahwa O
hasil O
estimasi O
overestimate O
yang O
diakibatkan O
titik O
sampel O
yang O
digunakan O
masih O
terbatas O
, O
di O
mana O
jika O
menggunakan O
titik O
, O
daerah O
sekitar O
titik O
akan O
teridentifikasi O
saja O
mengakibatkan O
kesalahan O
klasifikasi. O
Sehingga O
diharapkan O
pada O
penelitian O
selanjutnya O
dapat O
menggunakan O
polygon O
sebagai O
sampelnya O
atau O
jika O
tetap O
menggunakan O
titik O
, O
bisa O
memberikan O
tambahan O
pada O
kelas O
yang O
bukan O
teridentifikasi O
kelas O
jagung. O
Kemudian O
dilakukan O
juga O
ground O
checking O
untuk O
memastikan O
apakah O
benar O
yang O
diteliti O
tanaman O
jagung O
atau O
bukan. O
Selain O
itu O
hasil O
yang O
overestimate O
dikarenakan O
fase O
jagung O
panen O
menyerupai O
kelas O
tanah O
, O
sehingga O
menyebabkan O
kesalahan O
klasifikasi O
yang O
sebenarnya O
tanah O
tapi O
diklasifikasikan O
menjadi O
jagung. O
Jadi O
sebaiknya O
untuk O
melakukan O
klasifikasi O
jagung O
hanya O
pada O
satu O
waktu O
saja O
, O
lebih O
baik O
fase O
panen O
jagung O
tidak O
diikutkan. O
titik O
Selanjutnya O
untuk O
metode O
deep O
learning O
CNN O
yang O
digunakan O
masih O
terbatas O
pada O
satu O
dimensi O
saja O
untuk O
mempelajari O
piksel O
, O
direkomendasikan O
untuk O
mencoba O
model O
CNN O
dengan O
dua O
dimensi O
agar O
fitur O
spasial O
seperti O
distribusi O
warna O
menjadi O
lebih O
robust O
lagi. O
tingkatan O
spektral O
pada O
fitur O
Penelitian O
ini O
hanya O
berfokus O
pada O
data O
satu O
waktu O
saja O
, O
sedangkan O
tumbuhan O
setiap O
harinya O
selalu O
tumbuh O
dan O
berkembang. O
Oleh O
karena O
itu O
untuk O
penelitian O
selanjutnya O
dapat O
dipertimbangkan O
fitur O
multitemporal O
untuk O
melihat O
apakah O
ada O
efek O
perubahan O
waktu O
terhadap O
hasil O
klasifikasi O
lahan O
jagung. O
Terakhir O
, O
untuk O
penelitian O
selanjutnya O
dapat O
berfokus O
pada O
usia O
tanam O
, O
produktivitas O
tanaman O
jagung O
, O
sesuai O
kebutuhan O
publikasi O
Statistik O
Pertanian. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O

Deteksi O
Lahan O
Jagung O
Menggunakan O
Citra O
Satelit O
Optik O
Sentinel-2 O
dan O
Landsat-8 O
Studi O
kasus O
: O
Kabupaten O
Lamongan O
, O
Jawa O
Timur O
Muhammad O
Al O
Fatah O
( O
221810445 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
SST O
, O
M.Si O
Ringkasan— O
Tanaman O
jagung O
merupakan O
tanaman O
pangan O
sumber O
karbohidrat O
kedua O
setelah O
beras. O
Penghitungan O
luas O
tanaman O
pangan O
ini O
menggunakan O
metode O
survei O
KSA. O
Akan O
tetapi O
, O
Survei O
KSA O
membutuhkan O
biaya O
dan O
tenaga O
cukup O
besar O
, O
pada O
masa O
pandemi O
mengakibatkan O
pelaksanaan O
survei O
terbatas. O
Untuk O
mengatasi O
keterbatasan O
Survei O
KSA O
, O
terdapat O
cara O
alternatif O
, O
yaitu O
dengan O
menggunakan O
teknologi O
penginderaan O
jauh. O
Teknologi O
penginderaan O
jauh O
dapat O
menyediakan O
data O
secara O
relevan O
dengan O
memanfaatkan O
teknologi O
citra O
satelit. O
Metode O
ini O
dapat O
menyelesaikan O
permasalahan O
seperti O
wilayah O
yang O
sulit O
dijangkau O
atau O
kondisi O
yang O
tak O
terduga. O
Penelitian O
ini O
bertujuan O
untuk O
mendeteksi B-TUJUAN
lahan I-TUJUAN
jagung I-TUJUAN
di I-TUJUAN
Kabupaten I-TUJUAN
Lamongan I-TUJUAN
, I-TUJUAN
Jawa I-TUJUAN
Timur I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
penginderaan I-TUJUAN
jauh. I-TUJUAN
Data O
didapatkan O
dari O
citra B-METODE
satelit I-METODE
Sentinel-2 I-METODE
dan O
Landsat-8 B-METODE
dengan O
ukuran O
sampel O
berturut-turut O
sekitar O
3000 O
dan O
4000 O
yang O
dibagi O
menjadi O
tujuh O
kelas. O
Penelitian O
ini O
membandingkan O
performa O
kedua O
citra O
satelit O
dengan O
metode O
machine O
learning O
dan O
deep O
learning. O
Didapatkan B-TEMUAN
hasil I-TEMUAN
akurasi I-TEMUAN
dan I-TEMUAN
f1-score I-TEMUAN
tertinggi I-TEMUAN
dengan I-TEMUAN
model I-TEMUAN
random I-TEMUAN
forest I-TEMUAN
pada I-TEMUAN
citra I-TEMUAN
Sentinel-2 I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
94,18 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
94,20 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Setelah I-TEMUAN
itu I-TEMUAN
dilakukan I-TEMUAN
pengestimasian I-TEMUAN
luas I-TEMUAN
lahan I-TEMUAN
jagung I-TEMUAN
dan I-TEMUAN
didapatkan I-TEMUAN
hasil I-TEMUAN
seluas I-TEMUAN
73752,31 I-TEMUAN
ha. I-TEMUAN
Kata O
Kunci— O
deteksi O
jagung O
, O
estimasi O
jagung O
, O
penginderaan O
jauh O
, O
machine O
learning O
, O
deep O
learning. O
[SEP] O
A. O
Kesimpulan O
Penelitian O
ini O
bermanfaat O
sebagai O
potensi O
awal O
untuk O
membantu O
pengumpulan O
data O
tanaman O
pangan O
komoditas O
jagung O
menjadi O
lebih O
baik O
lagi. O
Dengan O
keunggulan O
metode O
penginderaan B-METODE
jauh I-METODE
, O
diharapkan O
dapat O
membantu O
pengumpulan O
data O
tanaman O
pangan O
pada O
area O
yang O
sulit O
dijangkau O
; O
tanpa O
pengaruh O
kondisi O
yang O
tak O
terduga O
; O
waktu O
, O
tenaga O
, O
dan O
biaya O
yang O
lebih O
sedikit O
dengan O
potensi O
peningkatan O
akurasi O
yang O
lebih O
tinggi O
lagi O
di O
masa O
yang O
akan O
datang. O
Adapun O
kesimpulan O
yang O
dapat O
diperoleh O
dari O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
adalah O
sebagai O
berikut. O
1. O
Menjawab O
tujuan O
pertama O
, O
dari O
hasil O
eksperimen O
yang O
dilakukan O
didapatkan O
fitur O
penciri O
terbaik O
lahan O
jagung O
untuk O
citra O
satelit O
Sentinel-2 O
adalah O
RGB O
dengan O
kategori O
very O
low O
; O
NIR O
, O
SWIR O
1 O
, O
dan O
SWIR O
2 O
kategori O
low O
sebagai O
fitur O
dasar O
; O
dan O
indeks O
komposit O
NDVI O
berada O
di O
kategori O
high O
, O
BSI O
high O
, O
dan O
NDWI O
low. O
Sedangkan O
untuk O
citra O
satelit O
Landsat-8 O
adalah O
RGB O
berada O
pada O
kategori O
very O
low O
; O
NIR O
, O
SWIR O
1 O
, O
dan O
SWIR O
2 O
low O
sebagai O
fitur O
dasar O
; O
dan O
indeks O
komposit O
EVI O
berkategori O
high O
, O
BSI O
medium O
, O
dan O
NDWI O
low. O
2. O
Menjawab O
tujuan O
kedua O
, O
model O
untuk O
mengklasifikasikan O
lahan O
jagung O
adalah O
metode O
random O
forest O
pada O
citra B-METODE
Sentinel-2 I-METODE
dengan O
accuracy B-METODE
, I-METODE
precision I-METODE
, I-METODE
recall I-METODE
, I-METODE
dan I-METODE
F1-score I-METODE
tertinggi. O
terbaik O
3. O
Menjawab O
tujuan O
ketiga O
, O
dari O
model O
klasifikasi O
terbaik O
, O
yaitu O
random O
forest O
dengan O
citra O
satelit O
Sentinel-2 O
didapatkan O
estimasi O
luas O
lahan O
jagung O
seluas O
73752,31 O
ha O
dengan O
nilai O
MAE O
sebesar O
1160,769 O
dan O
RMSE O
sebesar O
1507,073. O
B. O
Saran O
7 O
/ O
8 O
sebagai O
suatu O
kelas O
yang O
bisa O
Penelitian O
ini O
berfokus O
pada O
mendeteksi O
lahan O
jagung O
di O
Kabupaten O
Lamongan. O
Penelitian O
ini O
masih O
memiliki O
banyak O
keterbatasan O
dan O
kekurangan. O
Mulai O
dari O
ketersediaan O
indeks O
komposit O
yang O
masih O
terbatas O
dan O
belum O
dapat O
membedakan O
lahan O
jagung O
, O
sawah O
, O
dan O
hutan O
dengan O
pasti. O
Dari O
hasil O
eksperimen O
, O
diperoleh O
bahwa O
hasil O
estimasi O
overestimate O
yang O
diakibatkan O
titik O
sampel O
yang O
digunakan O
masih O
terbatas O
, O
di O
mana O
jika O
menggunakan O
titik O
, O
daerah O
sekitar O
titik O
akan O
teridentifikasi O
saja O
mengakibatkan O
kesalahan O
klasifikasi. O
Sehingga O
diharapkan O
pada O
penelitian O
selanjutnya O
dapat O
menggunakan O
polygon O
sebagai O
sampelnya O
atau O
jika O
tetap O
menggunakan O
titik O
, O
bisa O
memberikan O
tambahan O
pada O
kelas O
yang O
bukan O
teridentifikasi O
kelas O
jagung. O
Kemudian O
dilakukan O
juga O
ground O
checking O
untuk O
memastikan O
apakah O
benar O
yang O
diteliti O
tanaman O
jagung O
atau O
bukan. O
Selain O
itu O
hasil O
yang O
overestimate O
dikarenakan O
fase O
jagung O
panen O
menyerupai O
kelas O
tanah O
, O
sehingga O
menyebabkan O
kesalahan O
klasifikasi O
yang O
sebenarnya O
tanah O
tapi O
diklasifikasikan O
menjadi O
jagung. O
Jadi O
sebaiknya O
untuk O
melakukan O
klasifikasi O
jagung O
hanya O
pada O
satu O
waktu O
saja O
, O
lebih O
baik O
fase O
panen O
jagung O
tidak O
diikutkan. O
titik O
Selanjutnya O
untuk O
metode O
deep O
learning O
CNN O
yang O
digunakan O
masih O
terbatas O
pada O
satu O
dimensi O
saja O
untuk O
mempelajari O
piksel O
, O
direkomendasikan O
untuk O
mencoba O
model O
CNN O
dengan O
dua O
dimensi O
agar O
fitur O
spasial O
seperti O
distribusi O
warna O
menjadi O
lebih O
robust O
lagi. O
tingkatan O
spektral O
pada O
fitur O
Penelitian O
ini O
hanya O
berfokus O
pada O
data O
satu O
waktu O
saja O
, O
sedangkan O
tumbuhan O
setiap O
harinya O
selalu O
tumbuh O
dan O
berkembang. O
Oleh O
karena O
itu O
untuk O
penelitian O
selanjutnya O
dapat O
dipertimbangkan O
fitur O
multitemporal O
untuk O
melihat O
apakah O
ada O
efek O
perubahan O
waktu O
terhadap O
hasil O
klasifikasi O
lahan O
jagung. O
Terakhir O
, O
untuk O
penelitian O
selanjutnya O
dapat O
berfokus O
pada O
usia O
tanam O
, O
produktivitas O
tanaman O
jagung O
, O
sesuai O
kebutuhan O
publikasi O
Statistik O
Pertanian. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O

Deteksi O
Lahan O
Jagung O
Menggunakan O
Citra O
Satelit O
Optik O
Sentinel-2 O
dan O
Landsat-8 O
Studi O
kasus O
: O
Kabupaten O
Lamongan O
, O
Jawa O
Timur O
Muhammad O
Al O
Fatah O
( O
221810445 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
SST O
, O
M.Si O
Ringkasan— O
Tanaman O
jagung O
merupakan O
tanaman O
pangan O
sumber O
karbohidrat O
kedua O
setelah O
beras. O
Penghitungan O
luas O
tanaman O
pangan O
ini O
menggunakan O
metode O
survei O
KSA. O
Akan O
tetapi O
, O
Survei O
KSA O
membutuhkan O
biaya O
dan O
tenaga O
cukup O
besar O
, O
pada O
masa O
pandemi O
mengakibatkan O
pelaksanaan O
survei O
terbatas. O
Untuk O
mengatasi O
keterbatasan O
Survei O
KSA O
, O
terdapat O
cara O
alternatif O
, O
yaitu O
dengan O
menggunakan O
teknologi O
penginderaan O
jauh. O
Teknologi O
penginderaan O
jauh O
dapat O
menyediakan O
data O
secara O
relevan O
dengan O
memanfaatkan O
teknologi O
citra O
satelit. O
Metode O
ini O
dapat O
menyelesaikan O
permasalahan O
seperti O
wilayah O
yang O
sulit O
dijangkau O
atau O
kondisi O
yang O
tak O
terduga. O
Penelitian O
ini O
bertujuan O
untuk O
mendeteksi B-TUJUAN
lahan I-TUJUAN
jagung I-TUJUAN
di I-TUJUAN
Kabupaten I-TUJUAN
Lamongan I-TUJUAN
, I-TUJUAN
Jawa I-TUJUAN
Timur I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
penginderaan I-TUJUAN
jauh. I-TUJUAN
Data O
didapatkan O
dari O
citra B-METODE
satelit I-METODE
Sentinel-2 I-METODE
dan O
Landsat-8 B-METODE
dengan O
ukuran O
sampel O
berturut-turut O
sekitar O
3000 O
dan O
4000 O
yang O
dibagi O
menjadi O
tujuh O
kelas. O
Penelitian O
ini O
membandingkan O
performa O
kedua O
citra O
satelit O
dengan O
metode O
machine O
learning O
dan O
deep O
learning. O
Didapatkan B-TEMUAN
hasil I-TEMUAN
akurasi I-TEMUAN
dan I-TEMUAN
f1-score I-TEMUAN
tertinggi I-TEMUAN
dengan I-TEMUAN
model I-TEMUAN
random I-TEMUAN
forest I-TEMUAN
pada I-TEMUAN
citra I-TEMUAN
Sentinel-2 I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
94,18 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
94,20 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Setelah I-TEMUAN
itu I-TEMUAN
dilakukan I-TEMUAN
pengestimasian I-TEMUAN
luas I-TEMUAN
lahan I-TEMUAN
jagung I-TEMUAN
dan I-TEMUAN
didapatkan I-TEMUAN
hasil I-TEMUAN
seluas I-TEMUAN
73752,31 I-TEMUAN
ha. I-TEMUAN
Kata O
Kunci— O
deteksi O
jagung O
, O
estimasi O
jagung O
, O
penginderaan O
jauh O
, O
machine O
learning O
, O
deep O
learning. O
[SEP] O
A. O
Kesimpulan O
Penelitian O
ini O
bermanfaat O
sebagai O
potensi O
awal O
untuk O
membantu O
pengumpulan O
data O
tanaman O
pangan O
komoditas O
jagung O
menjadi O
lebih O
baik O
lagi. O
Dengan O
keunggulan O
metode O
penginderaan B-METODE
jauh I-METODE
, O
diharapkan O
dapat O
membantu O
pengumpulan O
data O
tanaman O
pangan O
pada O
area O
yang O
sulit O
dijangkau O
; O
tanpa O
pengaruh O
kondisi O
yang O
tak O
terduga O
; O
waktu O
, O
tenaga O
, O
dan O
biaya O
yang O
lebih O
sedikit O
dengan O
potensi O
peningkatan O
akurasi O
yang O
lebih O
tinggi O
lagi O
di O
masa O
yang O
akan O
datang. O
Adapun O
kesimpulan O
yang O
dapat O
diperoleh O
dari O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
adalah O
sebagai O
berikut. O
1. O
Menjawab O
tujuan O
pertama O
, O
dari O
hasil O
eksperimen O
yang O
dilakukan O
didapatkan O
fitur O
penciri O
terbaik O
lahan O
jagung O
untuk O
citra O
satelit O
Sentinel-2 O
adalah O
RGB O
dengan O
kategori O
very O
low O
; O
NIR O
, O
SWIR O
1 O
, O
dan O
SWIR O
2 O
kategori O
low O
sebagai O
fitur O
dasar O
; O
dan O
indeks O
komposit O
NDVI O
berada O
di O
kategori O
high O
, O
BSI O
high O
, O
dan O
NDWI O
low. O
Sedangkan O
untuk O
citra O
satelit O
Landsat-8 O
adalah O
RGB O
berada O
pada O
kategori O
very O
low O
; O
NIR O
, O
SWIR O
1 O
, O
dan O
SWIR O
2 O
low O
sebagai O
fitur O
dasar O
; O
dan O
indeks O
komposit O
EVI O
berkategori O
high O
, O
BSI O
medium O
, O
dan O
NDWI O
low. O
2. O
Menjawab O
tujuan O
kedua O
, O
model O
untuk O
mengklasifikasikan O
lahan O
jagung O
adalah O
metode O
random O
forest O
pada O
citra B-METODE
Sentinel-2 I-METODE
dengan O
accuracy B-METODE
, I-METODE
precision I-METODE
, I-METODE
recall I-METODE
, I-METODE
dan I-METODE
F1-score I-METODE
tertinggi. O
terbaik O
3. O
Menjawab O
tujuan O
ketiga O
, O
dari O
model O
klasifikasi O
terbaik O
, O
yaitu O
random O
forest O
dengan O
citra O
satelit O
Sentinel-2 O
didapatkan O
estimasi O
luas O
lahan O
jagung O
seluas O
73752,31 O
ha O
dengan O
nilai O
MAE O
sebesar O
1160,769 O
dan O
RMSE O
sebesar O
1507,073. O
B. O
Saran O
7 O
/ O
8 O
sebagai O
suatu O
kelas O
yang O
bisa O
Penelitian O
ini O
berfokus O
pada O
mendeteksi O
lahan O
jagung O
di O
Kabupaten O
Lamongan. O
Penelitian O
ini O
masih O
memiliki O
banyak O
keterbatasan O
dan O
kekurangan. O
Mulai O
dari O
ketersediaan O
indeks O
komposit O
yang O
masih O
terbatas O
dan O
belum O
dapat O
membedakan O
lahan O
jagung O
, O
sawah O
, O
dan O
hutan O
dengan O
pasti. O
Dari O
hasil O
eksperimen O
, O
diperoleh O
bahwa O
hasil O
estimasi O
overestimate O
yang O
diakibatkan O
titik O
sampel O
yang O
digunakan O
masih O
terbatas O
, O
di O
mana O
jika O
menggunakan O
titik O
, O
daerah O
sekitar O
titik O
akan O
teridentifikasi O
saja O
mengakibatkan O
kesalahan O
klasifikasi. O
Sehingga O
diharapkan O
pada O
penelitian O
selanjutnya O
dapat O
menggunakan O
polygon O
sebagai O
sampelnya O
atau O
jika O
tetap O
menggunakan O
titik O
, O
bisa O
memberikan O
tambahan O
pada O
kelas O
yang O
bukan O
teridentifikasi O
kelas O
jagung. O
Kemudian O
dilakukan O
juga O
ground O
checking O
untuk O
memastikan O
apakah O
benar O
yang O
diteliti O
tanaman O
jagung O
atau O
bukan. O
Selain O
itu O
hasil O
yang O
overestimate O
dikarenakan O
fase O
jagung O
panen O
menyerupai O
kelas O
tanah O
, O
sehingga O
menyebabkan O
kesalahan O
klasifikasi O
yang O
sebenarnya O
tanah O
tapi O
diklasifikasikan O
menjadi O
jagung. O
Jadi O
sebaiknya O
untuk O
melakukan O
klasifikasi O
jagung O
hanya O
pada O
satu O
waktu O
saja O
, O
lebih O
baik O
fase O
panen O
jagung O
tidak O
diikutkan. O
titik O
Selanjutnya O
untuk O
metode O
deep O
learning O
CNN O
yang O
digunakan O
masih O
terbatas O
pada O
satu O
dimensi O
saja O
untuk O
mempelajari O
piksel O
, O
direkomendasikan O
untuk O
mencoba O
model O
CNN O
dengan O
dua O
dimensi O
agar O
fitur O
spasial O
seperti O
distribusi O
warna O
menjadi O
lebih O
robust O
lagi. O
tingkatan O
spektral O
pada O
fitur O
Penelitian O
ini O
hanya O
berfokus O
pada O
data O
satu O
waktu O
saja O
, O
sedangkan O
tumbuhan O
setiap O
harinya O
selalu O
tumbuh O
dan O
berkembang. O
Oleh O
karena O
itu O
untuk O
penelitian O
selanjutnya O
dapat O
dipertimbangkan O
fitur O
multitemporal O
untuk O
melihat O
apakah O
ada O
efek O
perubahan O
waktu O
terhadap O
hasil O
klasifikasi O
lahan O
jagung. O
Terakhir O
, O
untuk O
penelitian O
selanjutnya O
dapat O
berfokus O
pada O
usia O
tanam O
, O
produktivitas O
tanaman O
jagung O
, O
sesuai O
kebutuhan O
publikasi O
Statistik O
Pertanian. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O

Pembangunan O
Aplikasi O
Penghitungan O
Sumber-Sumber O
Pertumbuhan O
Output O
Muh. O
Adriansyah O
( O
221810431 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Budiasih O
Ringkasan— O
Pertumbuhan O
ekonomi O
dapat O
diukur O
melalui O
penghitungan O
pertumbuhan O
produk O
/ O
output. O
Penghitungan O
output O
dapat O
didefinisikan O
sebagai O
fungsi O
dari O
capital O
, O
labor O
, O
serta O
Total O
Factor O
Productivity O
( O
TFP O
) O
. O
TFP O
merupakan O
semua O
faktor O
yang O
mempengaruhi O
tingkat O
produktivitas O
selain O
dari O
faktor O
modal O
dan O
tenaga O
kerja. O
Penghitungan O
sumber O
pertumbuhan O
output O
dilakukan O
menggunakan O
metode O
Growth O
Accounting O
Model O
( O
GAM O
) O
. O
Aplikasi O
yang O
akan O
dibangun O
ini O
akan O
membantu B-TUJUAN
pengguna I-TUJUAN
dalam I-TUJUAN
melakukan I-TUJUAN
penghitungan I-TUJUAN
nilai I-TUJUAN
TFP I-TUJUAN
serta I-TUJUAN
sumber I-TUJUAN
pertumbuhan I-TUJUAN
output I-TUJUAN
lainnya I-TUJUAN
dengan I-TUJUAN
mudah I-TUJUAN
dan I-TUJUAN
akurat. I-TUJUAN
Pembangunan O
aplikasi O
yang O
dilakukan O
menggunakan O
metode B-METODE
Waterfall I-METODE
yang O
berbasis O
desktop O
dan O
akan O
dilanjutkan O
dengan O
pengujian O
kelayakan O
aplikasi O
serta O
uji O
kesesuaian O
hasil O
menggunakan O
data O
dari O
penelitian O
sebelumnya. O
Kata O
Kunci— O
TFP O
, O
Waterfall O
, O
Aplikasi O
, O
Pertumbuhan O
Output O
, O
Growth O
Accounting O
Model. O
[SEP] O
Proses B-TEMUAN
Aplikasi I-TEMUAN
pembangunan I-TEMUAN
Penghitungan I-TEMUAN
Sumber-Sumber I-TEMUAN
Pertumbuhan I-TEMUAN
Output I-TEMUAN
masih I-TEMUAN
belum I-TEMUAN
selesai. I-TEMUAN
Sejauh O
ini O
proses O
pembangunan O
Aplikasi O
Penghitungan O
Sumber-Sumber O
Pertumbuhan O
Output O
masih O
mencapai O
tahap O
Pengkodingan. O
Masih O
terdapat O
beberapa O
kesalahan O
dalam O
coding O
sehingga O
aplikasi O
belum O
berjalan O
secara O
maksimal. O

Pembangunan O
Aplikasi O
Penghitungan O
Sumber-Sumber O
Pertumbuhan O
Output O
Muh. O
Adriansyah O
( O
221810431 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Budiasih O
Ringkasan— O
Pertumbuhan O
ekonomi O
dapat O
diukur O
melalui O
penghitungan O
pertumbuhan O
produk O
/ O
output. O
Penghitungan O
output O
dapat O
didefinisikan O
sebagai O
fungsi O
dari O
capital O
, O
labor O
, O
serta O
Total O
Factor O
Productivity O
( O
TFP O
) O
. O
TFP O
merupakan O
semua O
faktor O
yang O
mempengaruhi O
tingkat O
produktivitas O
selain O
dari O
faktor O
modal O
dan O
tenaga O
kerja. O
Penghitungan O
sumber O
pertumbuhan O
output O
dilakukan O
menggunakan O
metode O
Growth O
Accounting O
Model O
( O
GAM O
) O
. O
Aplikasi O
yang O
akan O
dibangun O
ini O
akan O
membantu B-TUJUAN
pengguna I-TUJUAN
dalam I-TUJUAN
melakukan I-TUJUAN
penghitungan I-TUJUAN
nilai I-TUJUAN
TFP I-TUJUAN
serta I-TUJUAN
sumber I-TUJUAN
pertumbuhan I-TUJUAN
output I-TUJUAN
lainnya I-TUJUAN
dengan I-TUJUAN
mudah I-TUJUAN
dan I-TUJUAN
akurat. I-TUJUAN
Pembangunan O
aplikasi O
yang O
dilakukan O
menggunakan O
metode B-METODE
Waterfall I-METODE
yang O
berbasis O
desktop O
dan O
akan O
dilanjutkan O
dengan O
pengujian O
kelayakan O
aplikasi O
serta O
uji O
kesesuaian O
hasil O
menggunakan O
data O
dari O
penelitian O
sebelumnya. O
Kata O
Kunci— O
TFP O
, O
Waterfall O
, O
Aplikasi O
, O
Pertumbuhan O
Output O
, O
Growth O
Accounting O
Model. O
[SEP] O
Proses B-TEMUAN
Aplikasi I-TEMUAN
pembangunan I-TEMUAN
Penghitungan I-TEMUAN
Sumber-Sumber I-TEMUAN
Pertumbuhan I-TEMUAN
Output I-TEMUAN
masih I-TEMUAN
belum I-TEMUAN
selesai. I-TEMUAN
Sejauh O
ini O
proses O
pembangunan O
Aplikasi O
Penghitungan O
Sumber-Sumber O
Pertumbuhan O
Output O
masih O
mencapai O
tahap O
Pengkodingan. O
Masih O
terdapat O
beberapa O
kesalahan O
dalam O
coding O
sehingga O
aplikasi O
belum O
berjalan O
secara O
maksimal. O

Pembangunan O
Aplikasi O
Penghitungan O
Sumber-Sumber O
Pertumbuhan O
Output O
Muh. O
Adriansyah O
( O
221810431 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Budiasih O
Ringkasan— O
Pertumbuhan O
ekonomi O
dapat O
diukur O
melalui O
penghitungan O
pertumbuhan O
produk O
/ O
output. O
Penghitungan O
output O
dapat O
didefinisikan O
sebagai O
fungsi O
dari O
capital O
, O
labor O
, O
serta O
Total O
Factor O
Productivity O
( O
TFP O
) O
. O
TFP O
merupakan O
semua O
faktor O
yang O
mempengaruhi O
tingkat O
produktivitas O
selain O
dari O
faktor O
modal O
dan O
tenaga O
kerja. O
Penghitungan O
sumber O
pertumbuhan O
output O
dilakukan O
menggunakan O
metode O
Growth O
Accounting O
Model O
( O
GAM O
) O
. O
Aplikasi O
yang O
akan O
dibangun O
ini O
akan O
membantu B-TUJUAN
pengguna I-TUJUAN
dalam I-TUJUAN
melakukan I-TUJUAN
penghitungan I-TUJUAN
nilai I-TUJUAN
TFP I-TUJUAN
serta I-TUJUAN
sumber I-TUJUAN
pertumbuhan I-TUJUAN
output I-TUJUAN
lainnya I-TUJUAN
dengan I-TUJUAN
mudah I-TUJUAN
dan I-TUJUAN
akurat. I-TUJUAN
Pembangunan O
aplikasi O
yang O
dilakukan O
menggunakan O
metode B-METODE
Waterfall I-METODE
yang O
berbasis O
desktop O
dan O
akan O
dilanjutkan O
dengan O
pengujian O
kelayakan O
aplikasi O
serta O
uji O
kesesuaian O
hasil O
menggunakan O
data O
dari O
penelitian O
sebelumnya. O
Kata O
Kunci— O
TFP O
, O
Waterfall O
, O
Aplikasi O
, O
Pertumbuhan O
Output O
, O
Growth O
Accounting O
Model. O
[SEP] O
Proses B-TEMUAN
Aplikasi I-TEMUAN
pembangunan I-TEMUAN
Penghitungan I-TEMUAN
Sumber-Sumber I-TEMUAN
Pertumbuhan I-TEMUAN
Output I-TEMUAN
masih I-TEMUAN
belum I-TEMUAN
selesai. I-TEMUAN
Sejauh O
ini O
proses O
pembangunan O
Aplikasi O
Penghitungan O
Sumber-Sumber O
Pertumbuhan O
Output O
masih O
mencapai O
tahap O
Pengkodingan. O
Masih O
terdapat O
beberapa O
kesalahan O
dalam O
coding O
sehingga O
aplikasi O
belum O
berjalan O
secara O
maksimal. O

Prediksi O
Tren O
Harga O
Cryptocurrency O
Menggunakan O
Deep O
Learning O
LSTM O
Muchammad O
Gagah O
Agum O
Fanani O
( O
221810429 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
SST O
, O
M.Si O
Ringkasan— O
Cryptocurrency O
merupakan O
sejenis O
aset O
digital O
yang O
dibuat O
berdasarkan O
protokol O
dan O
teknologi O
seperti O
blockchain O
, O
yang O
berjalan O
di O
desentralisasi O
jaringan O
dan O
membuat O
transaksi O
imenjadi O
aman O
serta O
sulit O
untuk O
dipalsukan. O
Saat O
ini O
cryptocurrency O
sering O
diperdagangkan O
oleh O
para O
investor O
maupun O
trader. O
Tantangan O
terbesar O
dalam O
perdagangan O
kripto O
adalah O
tingkat O
volatilitas O
yang O
tinggi. O
Terdapat O
cara O
alternatif O
yang O
ditawarkan O
oleh O
peneliti O
, O
yaitu O
mengembangkan O
model O
LSTM O
dengan O
menggunakan O
fitur O
teknikal O
indikator. O
Adapun O
tujuan O
dari O
penelitian O
ini O
adalah O
melakukan B-TUJUAN
feature I-TUJUAN
selection I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
RF-RFE I-TUJUAN
, I-TUJUAN
SVM-RFE I-TUJUAN
, I-TUJUAN
XGB-RFE I-TUJUAN
dan I-TUJUAN
Boruta. I-TUJUAN
Kemudian O
melakukan O
modifikasi O
pada O
model O
LSTM O
dan O
melakukan O
tuning O
hyperparameter O
menggunakan O
GridSearchCV. O
Penelitian O
ini O
menggunakan O
data O
Bitcoin O
dan O
Ethereum O
dengan O
timeframe O
60 O
menit. O
Model O
yang O
dimodifikasi O
dengan O
menghilangkan O
layer O
batch O
normalization O
dan O
menambahkan O
5 O
layer O
dense O
telah O
mampu O
meningkatkan O
performa O
model O
baik O
pada O
data O
bitcoin O
maupun O
data O
ethereum O
yang O
ditandai O
dengan O
meningkatnya O
akurasi O
dan O
menurunnya O
runtime O
pelatihan O
model. O
Dari O
penelitian O
ini O
, O
model B-TEMUAN
dengan I-TEMUAN
feature I-TEMUAN
selection I-TEMUAN
Boruta I-TEMUAN
memiliki I-TEMUAN
performa I-TEMUAN
terbaik I-TEMUAN
pada I-TEMUAN
data I-TEMUAN
Bitcoin I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
66.29 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
sedangkan I-TEMUAN
model I-TEMUAN
dengan I-TEMUAN
feature I-TEMUAN
selection I-TEMUAN
RF- I-TEMUAN
RFE I-TEMUAN
memiliki I-TEMUAN
performa I-TEMUAN
terbaik I-TEMUAN
pada I-TEMUAN
data I-TEMUAN
Ethereum I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
64.35 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Kata O
Kunci— O
Bitcoin O
, O
Boruta O
, O
Deep O
Learning O
, O
Kripto O
, O
LSTM O
, O
RFE O
[SEP] O
dengan O
menghilangkan O
Model O
LSTM O
telah O
dibangun O
dengan O
menggunakan O
fitur O
yang O
diperoleh O
dari O
4 O
metode O
feature O
selection O
, O
yaitu O
RF- O
RFE O
, O
Boruta O
, O
SVM-RFE O
, O
dan O
XGB-RFE. O
Dari O
keempat O
metode O
yang O
ada O
, O
metode O
Boruta O
menunjukkan O
performa O
terbaik O
pada O
data O
Bitcoin. O
Sedangkan O
, O
metode O
RF-RFE O
terbaik O
pada O
data O
Ethereum. O
menunjukkan O
performa O
Kemudian O
batch O
normalization O
, O
menambahkan O
5 O
dense O
layer O
, O
dan O
melakukan O
simulasi O
hyperparameter O
pada O
model O
LSTM O
terbukti O
dapat O
meningkatkan O
akurasi O
model O
dan O
mengurangi O
runtime O
pelatihan O
model. O
Metode O
selection O
Boruta O
memperoleh O
akurasi B-METODE
tertinggi O
pada O
data O
Bitcoin O
dengan O
akurasi O
pengujian O
66,29 O
% O
dan O
runtime O
pelatihan O
selama O
149.1 O
detik. O
Sedangkan O
metode O
feature O
selection O
RF-RFE O
memperoleh O
akurasi O
tertinggi O
pada O
data O
Ethereum O
dengan O
feature O
layer O
7 O
/ O
8 O
akurasi O
pengujian O
64,35 O
% O
dan O
runtime O
pelatihan O
selama O
156.2 O
detik. O
B. O
Saran O
Pada O
penelitian O
mendatang O
, O
peneliti O
menyarankan O
lebih O
banyak O
kombinasi O
nilai O
pada O
menggunakan O
hyperparameter O
, O
tuning O
menggunakan O
hyperparameter O
yang O
lain O
seperti O
randomsearch O
ataupun O
Bayesian O
Optimization O
, O
menggunakan O
metode O
lainnya O
seperti O
CNN-LSTM O
, O
dan O
melanjutkan O
penelitian O
ini O
dengan O
mengimplementasikan O
ke O
dalam O
robot O
trading. O
metode O

Prediksi O
Tren O
Harga O
Cryptocurrency O
Menggunakan O
Deep O
Learning O
LSTM O
Muchammad O
Gagah O
Agum O
Fanani O
( O
221810429 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
SST O
, O
M.Si O
Ringkasan— O
Cryptocurrency O
merupakan O
sejenis O
aset O
digital O
yang O
dibuat O
berdasarkan O
protokol O
dan O
teknologi O
seperti O
blockchain O
, O
yang O
berjalan O
di O
desentralisasi O
jaringan O
dan O
membuat O
transaksi O
imenjadi O
aman O
serta O
sulit O
untuk O
dipalsukan. O
Saat O
ini O
cryptocurrency O
sering O
diperdagangkan O
oleh O
para O
investor O
maupun O
trader. O
Tantangan O
terbesar O
dalam O
perdagangan O
kripto O
adalah O
tingkat O
volatilitas O
yang O
tinggi. O
Terdapat O
cara O
alternatif O
yang O
ditawarkan O
oleh O
peneliti O
, O
yaitu O
mengembangkan O
model O
LSTM O
dengan O
menggunakan O
fitur O
teknikal O
indikator. O
Adapun O
tujuan O
dari O
penelitian O
ini O
adalah O
melakukan B-TUJUAN
feature I-TUJUAN
selection I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
RF-RFE I-TUJUAN
, I-TUJUAN
SVM-RFE I-TUJUAN
, I-TUJUAN
XGB-RFE I-TUJUAN
dan I-TUJUAN
Boruta. I-TUJUAN
Kemudian O
melakukan O
modifikasi O
pada O
model O
LSTM O
dan O
melakukan O
tuning O
hyperparameter O
menggunakan O
GridSearchCV. O
Penelitian O
ini O
menggunakan O
data O
Bitcoin O
dan O
Ethereum O
dengan O
timeframe O
60 O
menit. O
Model O
yang O
dimodifikasi O
dengan O
menghilangkan O
layer O
batch O
normalization O
dan O
menambahkan O
5 O
layer O
dense O
telah O
mampu O
meningkatkan O
performa O
model O
baik O
pada O
data O
bitcoin O
maupun O
data O
ethereum O
yang O
ditandai O
dengan O
meningkatnya O
akurasi O
dan O
menurunnya O
runtime O
pelatihan O
model. O
Dari O
penelitian O
ini O
, O
model B-TEMUAN
dengan I-TEMUAN
feature I-TEMUAN
selection I-TEMUAN
Boruta I-TEMUAN
memiliki I-TEMUAN
performa I-TEMUAN
terbaik I-TEMUAN
pada I-TEMUAN
data I-TEMUAN
Bitcoin I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
66.29 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
sedangkan I-TEMUAN
model I-TEMUAN
dengan I-TEMUAN
feature I-TEMUAN
selection I-TEMUAN
RF- I-TEMUAN
RFE I-TEMUAN
memiliki I-TEMUAN
performa I-TEMUAN
terbaik I-TEMUAN
pada I-TEMUAN
data I-TEMUAN
Ethereum I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
64.35 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Kata O
Kunci— O
Bitcoin O
, O
Boruta O
, O
Deep O
Learning O
, O
Kripto O
, O
LSTM O
, O
RFE O
[SEP] O
dengan O
menghilangkan O
Model O
LSTM O
telah O
dibangun O
dengan O
menggunakan O
fitur O
yang O
diperoleh O
dari O
4 O
metode O
feature O
selection O
, O
yaitu O
RF- O
RFE O
, O
Boruta O
, O
SVM-RFE O
, O
dan O
XGB-RFE. O
Dari O
keempat O
metode O
yang O
ada O
, O
metode O
Boruta O
menunjukkan O
performa O
terbaik O
pada O
data O
Bitcoin. O
Sedangkan O
, O
metode O
RF-RFE O
terbaik O
pada O
data O
Ethereum. O
menunjukkan O
performa O
Kemudian O
batch O
normalization O
, O
menambahkan O
5 O
dense O
layer O
, O
dan O
melakukan O
simulasi O
hyperparameter O
pada O
model O
LSTM O
terbukti O
dapat O
meningkatkan O
akurasi O
model O
dan O
mengurangi O
runtime O
pelatihan O
model. O
Metode O
selection O
Boruta O
memperoleh O
akurasi B-METODE
tertinggi O
pada O
data O
Bitcoin O
dengan O
akurasi O
pengujian O
66,29 O
% O
dan O
runtime O
pelatihan O
selama O
149.1 O
detik. O
Sedangkan O
metode O
feature O
selection O
RF-RFE O
memperoleh O
akurasi O
tertinggi O
pada O
data O
Ethereum O
dengan O
feature O
layer O
7 O
/ O
8 O
akurasi O
pengujian O
64,35 O
% O
dan O
runtime O
pelatihan O
selama O
156.2 O
detik. O
B. O
Saran O
Pada O
penelitian O
mendatang O
, O
peneliti O
menyarankan O
lebih O
banyak O
kombinasi O
nilai O
pada O
menggunakan O
hyperparameter O
, O
tuning O
menggunakan O
hyperparameter O
yang O
lain O
seperti O
randomsearch O
ataupun O
Bayesian O
Optimization O
, O
menggunakan O
metode O
lainnya O
seperti O
CNN-LSTM O
, O
dan O
melanjutkan O
penelitian O
ini O
dengan O
mengimplementasikan O
ke O
dalam O
robot O
trading. O
metode O

Prediksi O
Tren O
Harga O
Cryptocurrency O
Menggunakan O
Deep O
Learning O
LSTM O
Muchammad O
Gagah O
Agum O
Fanani O
( O
221810429 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
SST O
, O
M.Si O
Ringkasan— O
Cryptocurrency O
merupakan O
sejenis O
aset O
digital O
yang O
dibuat O
berdasarkan O
protokol O
dan O
teknologi O
seperti O
blockchain O
, O
yang O
berjalan O
di O
desentralisasi O
jaringan O
dan O
membuat O
transaksi O
imenjadi O
aman O
serta O
sulit O
untuk O
dipalsukan. O
Saat O
ini O
cryptocurrency O
sering O
diperdagangkan O
oleh O
para O
investor O
maupun O
trader. O
Tantangan O
terbesar O
dalam O
perdagangan O
kripto O
adalah O
tingkat O
volatilitas O
yang O
tinggi. O
Terdapat O
cara O
alternatif O
yang O
ditawarkan O
oleh O
peneliti O
, O
yaitu O
mengembangkan O
model O
LSTM O
dengan O
menggunakan O
fitur O
teknikal O
indikator. O
Adapun O
tujuan O
dari O
penelitian O
ini O
adalah O
melakukan B-TUJUAN
feature I-TUJUAN
selection I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
RF-RFE I-TUJUAN
, I-TUJUAN
SVM-RFE I-TUJUAN
, I-TUJUAN
XGB-RFE I-TUJUAN
dan I-TUJUAN
Boruta. I-TUJUAN
Kemudian O
melakukan O
modifikasi O
pada O
model O
LSTM O
dan O
melakukan O
tuning O
hyperparameter O
menggunakan O
GridSearchCV. O
Penelitian O
ini O
menggunakan O
data O
Bitcoin O
dan O
Ethereum O
dengan O
timeframe O
60 O
menit. O
Model O
yang O
dimodifikasi O
dengan O
menghilangkan O
layer O
batch O
normalization O
dan O
menambahkan O
5 O
layer O
dense O
telah O
mampu O
meningkatkan O
performa O
model O
baik O
pada O
data O
bitcoin O
maupun O
data O
ethereum O
yang O
ditandai O
dengan O
meningkatnya O
akurasi O
dan O
menurunnya O
runtime O
pelatihan O
model. O
Dari O
penelitian O
ini O
, O
model B-TEMUAN
dengan I-TEMUAN
feature I-TEMUAN
selection I-TEMUAN
Boruta I-TEMUAN
memiliki I-TEMUAN
performa I-TEMUAN
terbaik I-TEMUAN
pada I-TEMUAN
data I-TEMUAN
Bitcoin I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
66.29 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
sedangkan I-TEMUAN
model I-TEMUAN
dengan I-TEMUAN
feature I-TEMUAN
selection I-TEMUAN
RF- I-TEMUAN
RFE I-TEMUAN
memiliki I-TEMUAN
performa I-TEMUAN
terbaik I-TEMUAN
pada I-TEMUAN
data I-TEMUAN
Ethereum I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
64.35 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Kata O
Kunci— O
Bitcoin O
, O
Boruta O
, O
Deep O
Learning O
, O
Kripto O
, O
LSTM O
, O
RFE O
[SEP] O
dengan O
menghilangkan O
Model O
LSTM O
telah O
dibangun O
dengan O
menggunakan O
fitur O
yang O
diperoleh O
dari O
4 O
metode O
feature O
selection O
, O
yaitu O
RF- O
RFE O
, O
Boruta O
, O
SVM-RFE O
, O
dan O
XGB-RFE. O
Dari O
keempat O
metode O
yang O
ada O
, O
metode O
Boruta O
menunjukkan O
performa O
terbaik O
pada O
data O
Bitcoin. O
Sedangkan O
, O
metode O
RF-RFE O
terbaik O
pada O
data O
Ethereum. O
menunjukkan O
performa O
Kemudian O
batch O
normalization O
, O
menambahkan O
5 O
dense O
layer O
, O
dan O
melakukan O
simulasi O
hyperparameter O
pada O
model O
LSTM O
terbukti O
dapat O
meningkatkan O
akurasi O
model O
dan O
mengurangi O
runtime O
pelatihan O
model. O
Metode O
selection O
Boruta O
memperoleh O
akurasi B-METODE
tertinggi O
pada O
data O
Bitcoin O
dengan O
akurasi O
pengujian O
66,29 O
% O
dan O
runtime O
pelatihan O
selama O
149.1 O
detik. O
Sedangkan O
metode O
feature O
selection O
RF-RFE O
memperoleh O
akurasi O
tertinggi O
pada O
data O
Ethereum O
dengan O
feature O
layer O
7 O
/ O
8 O
akurasi O
pengujian O
64,35 O
% O
dan O
runtime O
pelatihan O
selama O
156.2 O
detik. O
B. O
Saran O
Pada O
penelitian O
mendatang O
, O
peneliti O
menyarankan O
lebih O
banyak O
kombinasi O
nilai O
pada O
menggunakan O
hyperparameter O
, O
tuning O
menggunakan O
hyperparameter O
yang O
lain O
seperti O
randomsearch O
ataupun O
Bayesian O
Optimization O
, O
menggunakan O
metode O
lainnya O
seperti O
CNN-LSTM O
, O
dan O
melanjutkan O
penelitian O
ini O
dengan O
mengimplementasikan O
ke O
dalam O
robot O
trading. O
metode O

Pengembangan O
Sistem O
Informasi O
Manajemen O
Penilaian O
Kinerja O
Pengawas O
Mitra O
Statistik O
( O
Studi O
Kasus O
: O
BPS O
Kabupaten O
Jember O
) O
Mochamad O
Izza O
Zulfikar O
Sya’roni O
( O
221810422 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Andri O
Yudhi O
Supriadi O
, O
S.E. O
, O
M.E. O
Ringkasan— O
BPS O
adalah O
lembaga O
pemerintahan O
non O
kementerian O
yang O
bertanggung O
jawab O
langsung O
kepada O
Presiden. O
Salah O
satu O
peranan O
BPS O
adalah O
menyediakan O
kebutuhan O
data O
bagi O
pemerintah O
dan O
masyarakat. O
Pemenuhan O
data O
dapat O
dilakukan O
melalui O
survei O
dan O
sensus. O
Keberhasilan O
BPS O
dalam O
menjalankan O
suatu O
kegiatan O
dipengaruhi O
oleh O
kinerja O
masing- O
masing O
pegawai O
yang O
terlibat O
dalam O
kegiatan O
tersebut. O
Untuk O
mengetahui O
kinerja O
pegawai O
, O
diperlukan O
sistem O
penilaian O
yang O
objektif. O
Penelitian O
[ O
1 O
] O
menghasilkan O
sistem O
informasi O
yang O
dapat O
melakukan O
penilaian O
kepada O
mitra O
statistik O
serta O
dapat O
melakukan O
manajemen O
kegiatan O
yang O
akan O
dilaksanakan O
oleh O
BPS O
Kabupaten O
Jember. O
Pada O
sistem O
tersebut O
tidak O
terdapat O
sistem O
penilaian O
untuk O
pengawas O
kegiatan. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
akan O
mengembangkan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
serta I-TUJUAN
membuat I-TUJUAN
sistem I-TUJUAN
penilaian I-TUJUAN
untuk I-TUJUAN
pengawas I-TUJUAN
kegiatan. I-TUJUAN
Metode O
yang O
digunakan O
dalam O
pengembangan O
sistem O
informasi O
adalah O
SDLC B-METODE
dengan I-METODE
model I-METODE
waterfall. I-METODE
Sedangkan O
untuk O
sistem O
penilaian O
digunakan O
metode B-METODE
SMARTER I-METODE
dengan O
pembobot O
ROC O
yang O
diaplikasikan O
untuk O
sistem B-TEMUAN
menunjukkan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
positif I-TEMUAN
sehingga I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
dikatakan I-TEMUAN
sudah I-TEMUAN
berkerja I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
layak I-TEMUAN
untuk I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci— O
simpentra O
, O
roc O
, O
smarter O
, O
penilaian O
, O
360 O
7 O
kriteria. O
Evaluasi O
pada O
[SEP] O
Berdasarkan O
hasil O
penelitian O
dari O
sistem O
yang O
telah O
dikembangkan O
, O
dapat O
ditarik O
beberapa O
kesimpulan O
sebagai O
berikut. O
• O
Sistem B-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
telah I-TEMUAN
memenuhi I-TEMUAN
tujuan I-TEMUAN
dari I-TEMUAN
penelitian I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
dapat I-TEMUAN
menilai I-TEMUAN
pengawas I-TEMUAN
mitra I-TEMUAN
statistik. I-TEMUAN
• O
Penilaian O
memanfaatkan O
metode O
performa O
360 O
dan O
sudah O
terstandardisasi O
sehingga O
dapat O
dibandingkan O
apple O
to O
apple O
untuk O
setiap O
pengawas O
, O
serta O
terdapat O
pemeringkatan O
• O
Sistem O
yang O
dikembangkan O
telah O
memperbaiki O
kesalahan-kesalahan O
minor O
yang O
terjadi O
pada O
sistem O
sebelumnya O
, O
serta O
terdapat O
laporan O
kegiatan O
dan O
penilaian O
pengawas. O
• O
Pengujian O
blackbox O
dan O
System O
Usability O
Scale O
( O
SUS O
) O
mendapatkan O
hasil O
yang O
positif O
, O
berarti O
sistem O
dapat O
berjalan O
dengan O
baik O
dan O
layak O
digunakan O
oleh O
pengguna. O
Namun O
demikian O
, O
terdapat O
beberapa O
saran O
dari O
peneliti O
agar O
penelitian O
dapat O
disempurnakan O
pada O
penelitian O
selanjutnya. O
Berikut O
merupakan O
saran O
peneliti O
untuk O
penelitian O
selanjutnya. O
• O
Agar O
dapat O
diakses O
darimana O
saja O
dengan O
mudah O
, O
perlu O
dikembangkan O
aplikasi O
SIMPENTRA O
berbasis O
android. O
terdapat O
kekurangan O
pada O
penggunaan O
sistem. O
Pengguna O
merasa O
• O
Berdasarkan O
pengujian O
SUS O
saat O
ini O
, O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
sistem O
terlalu O
kompleks O
sehingga O
memerlukan O
bantuan O
dan O
perlu O
banyak O
belajar O
sebelum O
menggunakan O
aplikasi. O
• O
Perlu O
dibuatkan O
panduan O
penggunaan O
yang O
user O
friendly O
dan O
dilakukan O
sosialisasi O
sebelum O
mengimplementasikan O
aplikasi O
SIMPENTRA. O
• O
Untuk O
penelitian O
selanjutnya O
, O
penilaian O
dapat O
diperluas O
tidak O
hanya O
untuk O
kegiatan O
teknis. O

Pengembangan O
Sistem O
Informasi O
Manajemen O
Penilaian O
Kinerja O
Pengawas O
Mitra O
Statistik O
( O
Studi O
Kasus O
: O
BPS O
Kabupaten O
Jember O
) O
Mochamad O
Izza O
Zulfikar O
Sya’roni O
( O
221810422 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Andri O
Yudhi O
Supriadi O
, O
S.E. O
, O
M.E. O
Ringkasan— O
BPS O
adalah O
lembaga O
pemerintahan O
non O
kementerian O
yang O
bertanggung O
jawab O
langsung O
kepada O
Presiden. O
Salah O
satu O
peranan O
BPS O
adalah O
menyediakan O
kebutuhan O
data O
bagi O
pemerintah O
dan O
masyarakat. O
Pemenuhan O
data O
dapat O
dilakukan O
melalui O
survei O
dan O
sensus. O
Keberhasilan O
BPS O
dalam O
menjalankan O
suatu O
kegiatan O
dipengaruhi O
oleh O
kinerja O
masing- O
masing O
pegawai O
yang O
terlibat O
dalam O
kegiatan O
tersebut. O
Untuk O
mengetahui O
kinerja O
pegawai O
, O
diperlukan O
sistem O
penilaian O
yang O
objektif. O
Penelitian O
[ O
1 O
] O
menghasilkan O
sistem O
informasi O
yang O
dapat O
melakukan O
penilaian O
kepada O
mitra O
statistik O
serta O
dapat O
melakukan O
manajemen O
kegiatan O
yang O
akan O
dilaksanakan O
oleh O
BPS O
Kabupaten O
Jember. O
Pada O
sistem O
tersebut O
tidak O
terdapat O
sistem O
penilaian O
untuk O
pengawas O
kegiatan. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
akan O
mengembangkan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
serta I-TUJUAN
membuat I-TUJUAN
sistem I-TUJUAN
penilaian I-TUJUAN
untuk I-TUJUAN
pengawas I-TUJUAN
kegiatan. I-TUJUAN
Metode O
yang O
digunakan O
dalam O
pengembangan O
sistem O
informasi O
adalah O
SDLC B-METODE
dengan I-METODE
model I-METODE
waterfall. I-METODE
Sedangkan O
untuk O
sistem O
penilaian O
digunakan O
metode B-METODE
SMARTER I-METODE
dengan O
pembobot O
ROC O
yang O
diaplikasikan O
untuk O
sistem B-TEMUAN
menunjukkan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
positif I-TEMUAN
sehingga I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
dikatakan I-TEMUAN
sudah I-TEMUAN
berkerja I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
layak I-TEMUAN
untuk I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci— O
simpentra O
, O
roc O
, O
smarter O
, O
penilaian O
, O
360 O
7 O
kriteria. O
Evaluasi O
pada O
[SEP] O
Berdasarkan O
hasil O
penelitian O
dari O
sistem O
yang O
telah O
dikembangkan O
, O
dapat O
ditarik O
beberapa O
kesimpulan O
sebagai O
berikut. O
• O
Sistem B-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
telah I-TEMUAN
memenuhi I-TEMUAN
tujuan I-TEMUAN
dari I-TEMUAN
penelitian I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
dapat I-TEMUAN
menilai I-TEMUAN
pengawas I-TEMUAN
mitra I-TEMUAN
statistik. I-TEMUAN
• O
Penilaian O
memanfaatkan O
metode O
performa O
360 O
dan O
sudah O
terstandardisasi O
sehingga O
dapat O
dibandingkan O
apple O
to O
apple O
untuk O
setiap O
pengawas O
, O
serta O
terdapat O
pemeringkatan O
• O
Sistem O
yang O
dikembangkan O
telah O
memperbaiki O
kesalahan-kesalahan O
minor O
yang O
terjadi O
pada O
sistem O
sebelumnya O
, O
serta O
terdapat O
laporan O
kegiatan O
dan O
penilaian O
pengawas. O
• O
Pengujian O
blackbox O
dan O
System O
Usability O
Scale O
( O
SUS O
) O
mendapatkan O
hasil O
yang O
positif O
, O
berarti O
sistem O
dapat O
berjalan O
dengan O
baik O
dan O
layak O
digunakan O
oleh O
pengguna. O
Namun O
demikian O
, O
terdapat O
beberapa O
saran O
dari O
peneliti O
agar O
penelitian O
dapat O
disempurnakan O
pada O
penelitian O
selanjutnya. O
Berikut O
merupakan O
saran O
peneliti O
untuk O
penelitian O
selanjutnya. O
• O
Agar O
dapat O
diakses O
darimana O
saja O
dengan O
mudah O
, O
perlu O
dikembangkan O
aplikasi O
SIMPENTRA O
berbasis O
android. O
terdapat O
kekurangan O
pada O
penggunaan O
sistem. O
Pengguna O
merasa O
• O
Berdasarkan O
pengujian O
SUS O
saat O
ini O
, O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
sistem O
terlalu O
kompleks O
sehingga O
memerlukan O
bantuan O
dan O
perlu O
banyak O
belajar O
sebelum O
menggunakan O
aplikasi. O
• O
Perlu O
dibuatkan O
panduan O
penggunaan O
yang O
user O
friendly O
dan O
dilakukan O
sosialisasi O
sebelum O
mengimplementasikan O
aplikasi O
SIMPENTRA. O
• O
Untuk O
penelitian O
selanjutnya O
, O
penilaian O
dapat O
diperluas O
tidak O
hanya O
untuk O
kegiatan O
teknis. O

Pengembangan O
Sistem O
Informasi O
Manajemen O
Penilaian O
Kinerja O
Pengawas O
Mitra O
Statistik O
( O
Studi O
Kasus O
: O
BPS O
Kabupaten O
Jember O
) O
Mochamad O
Izza O
Zulfikar O
Sya’roni O
( O
221810422 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Andri O
Yudhi O
Supriadi O
, O
S.E. O
, O
M.E. O
Ringkasan— O
BPS O
adalah O
lembaga O
pemerintahan O
non O
kementerian O
yang O
bertanggung O
jawab O
langsung O
kepada O
Presiden. O
Salah O
satu O
peranan O
BPS O
adalah O
menyediakan O
kebutuhan O
data O
bagi O
pemerintah O
dan O
masyarakat. O
Pemenuhan O
data O
dapat O
dilakukan O
melalui O
survei O
dan O
sensus. O
Keberhasilan O
BPS O
dalam O
menjalankan O
suatu O
kegiatan O
dipengaruhi O
oleh O
kinerja O
masing- O
masing O
pegawai O
yang O
terlibat O
dalam O
kegiatan O
tersebut. O
Untuk O
mengetahui O
kinerja O
pegawai O
, O
diperlukan O
sistem O
penilaian O
yang O
objektif. O
Penelitian O
[ O
1 O
] O
menghasilkan O
sistem O
informasi O
yang O
dapat O
melakukan O
penilaian O
kepada O
mitra O
statistik O
serta O
dapat O
melakukan O
manajemen O
kegiatan O
yang O
akan O
dilaksanakan O
oleh O
BPS O
Kabupaten O
Jember. O
Pada O
sistem O
tersebut O
tidak O
terdapat O
sistem O
penilaian O
untuk O
pengawas O
kegiatan. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
akan O
mengembangkan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
serta I-TUJUAN
membuat I-TUJUAN
sistem I-TUJUAN
penilaian I-TUJUAN
untuk I-TUJUAN
pengawas I-TUJUAN
kegiatan. I-TUJUAN
Metode O
yang O
digunakan O
dalam O
pengembangan O
sistem O
informasi O
adalah O
SDLC B-METODE
dengan I-METODE
model I-METODE
waterfall. I-METODE
Sedangkan O
untuk O
sistem O
penilaian O
digunakan O
metode B-METODE
SMARTER I-METODE
dengan O
pembobot O
ROC O
yang O
diaplikasikan O
untuk O
sistem B-TEMUAN
menunjukkan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
positif I-TEMUAN
sehingga I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
dikatakan I-TEMUAN
sudah I-TEMUAN
berkerja I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
layak I-TEMUAN
untuk I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci— O
simpentra O
, O
roc O
, O
smarter O
, O
penilaian O
, O
360 O
7 O
kriteria. O
Evaluasi O
pada O
[SEP] O
Berdasarkan O
hasil O
penelitian O
dari O
sistem O
yang O
telah O
dikembangkan O
, O
dapat O
ditarik O
beberapa O
kesimpulan O
sebagai O
berikut. O
• O
Sistem B-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
telah I-TEMUAN
memenuhi I-TEMUAN
tujuan I-TEMUAN
dari I-TEMUAN
penelitian I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
dapat I-TEMUAN
menilai I-TEMUAN
pengawas I-TEMUAN
mitra I-TEMUAN
statistik. I-TEMUAN
• O
Penilaian O
memanfaatkan O
metode O
performa O
360 O
dan O
sudah O
terstandardisasi O
sehingga O
dapat O
dibandingkan O
apple O
to O
apple O
untuk O
setiap O
pengawas O
, O
serta O
terdapat O
pemeringkatan O
• O
Sistem O
yang O
dikembangkan O
telah O
memperbaiki O
kesalahan-kesalahan O
minor O
yang O
terjadi O
pada O
sistem O
sebelumnya O
, O
serta O
terdapat O
laporan O
kegiatan O
dan O
penilaian O
pengawas. O
• O
Pengujian O
blackbox O
dan O
System O
Usability O
Scale O
( O
SUS O
) O
mendapatkan O
hasil O
yang O
positif O
, O
berarti O
sistem O
dapat O
berjalan O
dengan O
baik O
dan O
layak O
digunakan O
oleh O
pengguna. O
Namun O
demikian O
, O
terdapat O
beberapa O
saran O
dari O
peneliti O
agar O
penelitian O
dapat O
disempurnakan O
pada O
penelitian O
selanjutnya. O
Berikut O
merupakan O
saran O
peneliti O
untuk O
penelitian O
selanjutnya. O
• O
Agar O
dapat O
diakses O
darimana O
saja O
dengan O
mudah O
, O
perlu O
dikembangkan O
aplikasi O
SIMPENTRA O
berbasis O
android. O
terdapat O
kekurangan O
pada O
penggunaan O
sistem. O
Pengguna O
merasa O
• O
Berdasarkan O
pengujian O
SUS O
saat O
ini O
, O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
sistem O
terlalu O
kompleks O
sehingga O
memerlukan O
bantuan O
dan O
perlu O
banyak O
belajar O
sebelum O
menggunakan O
aplikasi. O
• O
Perlu O
dibuatkan O
panduan O
penggunaan O
yang O
user O
friendly O
dan O
dilakukan O
sosialisasi O
sebelum O
mengimplementasikan O
aplikasi O
SIMPENTRA. O
• O
Untuk O
penelitian O
selanjutnya O
, O
penilaian O
dapat O
diperluas O
tidak O
hanya O
untuk O
kegiatan O
teknis. O

Survei O
BPS O
di O
Daerah O
Remote O
Mochamad O
Diaz O
Ilyasa O
( O
221810421 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Yuliana O
Ria O
Uli O
Sitanggang O
, O
S.Si. O
, O
M.Si. O
Ringkasan— O
Penarikan O
sampel O
di O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
dilakukan O
secara O
otomatis O
menggunakan O
sistem O
berbasis O
web O
yang O
telah O
disediakan. O
Namun O
, O
sistem O
tersebut O
tidak O
dapat O
menjangkau O
daerah O
remote. O
Daerah O
remote O
merupakan O
daerah O
yang O
memiliki O
keterbatasan O
dalam O
mengakses O
jaringan O
internet O
dengan O
baik. O
Sehingga O
dalam O
kegiatan O
penarikan O
sampel O
di O
daerah O
remote O
, O
petugas O
melakukan O
perhitungan O
secara O
manual O
menggunakan O
lembar O
kerja O
berupa O
kertas O
atau O
menyusun O
rumus O
pada O
aplikasi O
Microsoft O
Excel O
secara O
mandiri. O
Namun O
, O
cara O
tersebut O
bergantung O
pada O
pengetahuan O
serta O
keahlian O
petugas O
, O
sehingga O
dikhawatirkan O
menimbulkan O
hasil O
yang O
tidak O
konsisten O
, O
menimbulkan O
human O
error O
, O
serta O
membutuhkan O
waktu O
yang O
lama O
, O
terutama O
penarikan O
sampel O
dengan O
metode O
cukup O
probability O
sampling. O
Untuk O
mengatasi O
masalah O
tersebut O
peneliti O
melakukan B-TUJUAN
perancangan I-TUJUAN
dan I-TUJUAN
pembangunan I-TUJUAN
sistem I-TUJUAN
penarikan I-TUJUAN
sampel I-TUJUAN
berbasis I-TUJUAN
android I-TUJUAN
untuk I-TUJUAN
survei I-TUJUAN
BPS I-TUJUAN
di I-TUJUAN
daerah I-TUJUAN
remote I-TUJUAN
menggunakan O
metode B-METODE
system I-METODE
development I-METODE
life I-METODE
cycle. I-METODE
Selanjutnya O
dilakukan O
evaluasi O
terhadap O
sistem O
menggunakan O
metode B-METODE
black I-METODE
box I-METODE
testing I-METODE
dan O
system B-METODE
usability I-METODE
scale I-METODE
dengan O
hasil O
bahwa O
semua B-TEMUAN
fitur I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
harapan I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
dan I-TEMUAN
masuk I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
baik. I-TEMUAN
Kata O
Kunci— O
Daerah O
remote O
, O
penarikan O
sampel O
, O
android. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
didapatkan O
beberapa O
kesimpulan O
meliputi. O
1. O
Telah B-TEMUAN
dilakukan I-TEMUAN
perancangan I-TEMUAN
sistem I-TEMUAN
penarikan I-TEMUAN
sampel I-TEMUAN
berbasis I-TEMUAN
android I-TEMUAN
untuk I-TEMUAN
menunjang I-TEMUAN
kegiatan I-TEMUAN
survei I-TEMUAN
BPS I-TEMUAN
di I-TEMUAN
daerah I-TEMUAN
remote. I-TEMUAN
Perancangan O
tersebut O
meliputi O
rancangan O
arsitektur O
, O
proses O
bisnis O
, O
diagram O
use O
case O
, O
diagram O
aktivitas O
, O
rancangan O
basis O
data O
, O
rancangan O
antarmuka O
, O
dan O
rancangan O
algoritma O
sistem O
usulan. O
2. O
Telah O
dilakukan O
implementasi O
rancangan O
sistem O
usulan O
menggunakan O
metode B-METODE
system I-METODE
development I-METODE
life I-METODE
cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
pendekatan I-METODE
waterfall. I-METODE
Hasil O
dari O
implementasi O
sistem O
berupa O
sistem O
penarikan O
sampel O
berbasis O
android. O
3. O
Telah O
dilakukan O
uji O
evaluasi O
terhadap O
sistem O
menggunakan O
black B-METODE
box I-METODE
testing I-METODE
dan I-METODE
system I-METODE
usability I-METODE
scale. I-METODE
Berdasarkan O
hasil O
evaluasi O
didapatkan O
bahwa O
semua O
fitur O
pada O
sistem O
penarikan O
sampel O
telah O
berjalan O
sesuai O
dengan O
kebutuhan O
yang O
diharapkan. O
Selain O
itu O
, O
sistem B-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
dan I-TEMUAN
masuk I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
baik. I-TEMUAN
4. O
Implementasi O
dari O
sistem O
yang O
telah O
dibangun O
mampu O
meningkatkan O
efisiensi O
kegiatan O
penarikan O
sampel. O
Berdasarkan O
hasil O
survei O
tambahan O
, O
didapatkan O
bahwa O
sistem O
yang O
telah O
dibangun O
dapat O
mempercepat O
kegiatan O
penarikan O
sampel. O
Selain O
itu O
, O
sistem O
telah O
mengintegrasikan O
kegiatan O
penarikan O
sampel O
, O
pengolahan O
daftar O
kerangka O
sampel O
, O
dan O
mengelola O
data O
kegiatan O
penarikan O
sampel O
menjadi O
satu O
proses O
bisnis O
yang O
saling O
terkait. O
Adapun O
beberapa O
saran O
hasil O
dari O
penelitian O
yang O
telah O
dilakukan O
yang O
mungkin O
berguna O
di O
masa O
yang O
akan O
datang O
, O
sebagai O
berikut. O
1. O
Perlu O
mengoptimalkan O
cara O
menggunakan O
sistem O
serta O
memaksimalkan O
fitur O
bantuan O
terhadap O
pengguna O
dalam O
menggunakan O
sistem. O
Hal O
tersebut O
berkaitan O
dengan O
skor O
SUS O
pada O
item O
nomor O
10 O
yang O
memiliki O
nilai O
sehingga O
mengindikasikan O
bahwa O
pengguna O
perlu O
upaya O
lebih O
dalam O
membiasakan O
diri O
terhadap O
sistem. O
dokumentasi O
cenderung O
rendah O
, O
tentang O
2. O
Membuat O
tampilan O
sistem O
lebih O
menarik O
dan O
sederhana O
agar O
lebih O
mudah O
dipahami. O
3. O
Mengimplementasikan O
penggunaan O
thread-handler O
dalam O
pemrograman O
sistem O
untuk O
mempercepat O
pengelolaan O
data O
pada O
sistem. O
4. O
Mengembangkan O
fitur O
unduh O
data O
kegiatan O
penarikan O
sampel O
berbentuk O
file O
berekstensi O
Microsoft O
Excel. O

Survei O
BPS O
di O
Daerah O
Remote O
Mochamad O
Diaz O
Ilyasa O
( O
221810421 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Yuliana O
Ria O
Uli O
Sitanggang O
, O
S.Si. O
, O
M.Si. O
Ringkasan— O
Penarikan O
sampel O
di O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
dilakukan O
secara O
otomatis O
menggunakan O
sistem O
berbasis O
web O
yang O
telah O
disediakan. O
Namun O
, O
sistem O
tersebut O
tidak O
dapat O
menjangkau O
daerah O
remote. O
Daerah O
remote O
merupakan O
daerah O
yang O
memiliki O
keterbatasan O
dalam O
mengakses O
jaringan O
internet O
dengan O
baik. O
Sehingga O
dalam O
kegiatan O
penarikan O
sampel O
di O
daerah O
remote O
, O
petugas O
melakukan O
perhitungan O
secara O
manual O
menggunakan O
lembar O
kerja O
berupa O
kertas O
atau O
menyusun O
rumus O
pada O
aplikasi O
Microsoft O
Excel O
secara O
mandiri. O
Namun O
, O
cara O
tersebut O
bergantung O
pada O
pengetahuan O
serta O
keahlian O
petugas O
, O
sehingga O
dikhawatirkan O
menimbulkan O
hasil O
yang O
tidak O
konsisten O
, O
menimbulkan O
human O
error O
, O
serta O
membutuhkan O
waktu O
yang O
lama O
, O
terutama O
penarikan O
sampel O
dengan O
metode O
cukup O
probability O
sampling. O
Untuk O
mengatasi O
masalah O
tersebut O
peneliti O
melakukan B-TUJUAN
perancangan I-TUJUAN
dan I-TUJUAN
pembangunan I-TUJUAN
sistem I-TUJUAN
penarikan I-TUJUAN
sampel I-TUJUAN
berbasis I-TUJUAN
android I-TUJUAN
untuk I-TUJUAN
survei I-TUJUAN
BPS I-TUJUAN
di I-TUJUAN
daerah I-TUJUAN
remote I-TUJUAN
menggunakan O
metode B-METODE
system I-METODE
development I-METODE
life I-METODE
cycle. I-METODE
Selanjutnya O
dilakukan O
evaluasi O
terhadap O
sistem O
menggunakan O
metode B-METODE
black I-METODE
box I-METODE
testing I-METODE
dan O
system B-METODE
usability I-METODE
scale I-METODE
dengan O
hasil O
bahwa O
semua B-TEMUAN
fitur I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
harapan I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
dan I-TEMUAN
masuk I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
baik. I-TEMUAN
Kata O
Kunci— O
Daerah O
remote O
, O
penarikan O
sampel O
, O
android. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
didapatkan O
beberapa O
kesimpulan O
meliputi. O
1. O
Telah B-TEMUAN
dilakukan I-TEMUAN
perancangan I-TEMUAN
sistem I-TEMUAN
penarikan I-TEMUAN
sampel I-TEMUAN
berbasis I-TEMUAN
android I-TEMUAN
untuk I-TEMUAN
menunjang I-TEMUAN
kegiatan I-TEMUAN
survei I-TEMUAN
BPS I-TEMUAN
di I-TEMUAN
daerah I-TEMUAN
remote. I-TEMUAN
Perancangan O
tersebut O
meliputi O
rancangan O
arsitektur O
, O
proses O
bisnis O
, O
diagram O
use O
case O
, O
diagram O
aktivitas O
, O
rancangan O
basis O
data O
, O
rancangan O
antarmuka O
, O
dan O
rancangan O
algoritma O
sistem O
usulan. O
2. O
Telah O
dilakukan O
implementasi O
rancangan O
sistem O
usulan O
menggunakan O
metode B-METODE
system I-METODE
development I-METODE
life I-METODE
cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
pendekatan I-METODE
waterfall. I-METODE
Hasil O
dari O
implementasi O
sistem O
berupa O
sistem O
penarikan O
sampel O
berbasis O
android. O
3. O
Telah O
dilakukan O
uji O
evaluasi O
terhadap O
sistem O
menggunakan O
black B-METODE
box I-METODE
testing I-METODE
dan I-METODE
system I-METODE
usability I-METODE
scale. I-METODE
Berdasarkan O
hasil O
evaluasi O
didapatkan O
bahwa O
semua O
fitur O
pada O
sistem O
penarikan O
sampel O
telah O
berjalan O
sesuai O
dengan O
kebutuhan O
yang O
diharapkan. O
Selain O
itu O
, O
sistem B-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
dan I-TEMUAN
masuk I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
baik. I-TEMUAN
4. O
Implementasi O
dari O
sistem O
yang O
telah O
dibangun O
mampu O
meningkatkan O
efisiensi O
kegiatan O
penarikan O
sampel. O
Berdasarkan O
hasil O
survei O
tambahan O
, O
didapatkan O
bahwa O
sistem O
yang O
telah O
dibangun O
dapat O
mempercepat O
kegiatan O
penarikan O
sampel. O
Selain O
itu O
, O
sistem O
telah O
mengintegrasikan O
kegiatan O
penarikan O
sampel O
, O
pengolahan O
daftar O
kerangka O
sampel O
, O
dan O
mengelola O
data O
kegiatan O
penarikan O
sampel O
menjadi O
satu O
proses O
bisnis O
yang O
saling O
terkait. O
Adapun O
beberapa O
saran O
hasil O
dari O
penelitian O
yang O
telah O
dilakukan O
yang O
mungkin O
berguna O
di O
masa O
yang O
akan O
datang O
, O
sebagai O
berikut. O
1. O
Perlu O
mengoptimalkan O
cara O
menggunakan O
sistem O
serta O
memaksimalkan O
fitur O
bantuan O
terhadap O
pengguna O
dalam O
menggunakan O
sistem. O
Hal O
tersebut O
berkaitan O
dengan O
skor O
SUS O
pada O
item O
nomor O
10 O
yang O
memiliki O
nilai O
sehingga O
mengindikasikan O
bahwa O
pengguna O
perlu O
upaya O
lebih O
dalam O
membiasakan O
diri O
terhadap O
sistem. O
dokumentasi O
cenderung O
rendah O
, O
tentang O
2. O
Membuat O
tampilan O
sistem O
lebih O
menarik O
dan O
sederhana O
agar O
lebih O
mudah O
dipahami. O
3. O
Mengimplementasikan O
penggunaan O
thread-handler O
dalam O
pemrograman O
sistem O
untuk O
mempercepat O
pengelolaan O
data O
pada O
sistem. O
4. O
Mengembangkan O
fitur O
unduh O
data O
kegiatan O
penarikan O
sampel O
berbentuk O
file O
berekstensi O
Microsoft O
Excel. O

Survei O
BPS O
di O
Daerah O
Remote O
Mochamad O
Diaz O
Ilyasa O
( O
221810421 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Yuliana O
Ria O
Uli O
Sitanggang O
, O
S.Si. O
, O
M.Si. O
Ringkasan— O
Penarikan O
sampel O
di O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
dilakukan O
secara O
otomatis O
menggunakan O
sistem O
berbasis O
web O
yang O
telah O
disediakan. O
Namun O
, O
sistem O
tersebut O
tidak O
dapat O
menjangkau O
daerah O
remote. O
Daerah O
remote O
merupakan O
daerah O
yang O
memiliki O
keterbatasan O
dalam O
mengakses O
jaringan O
internet O
dengan O
baik. O
Sehingga O
dalam O
kegiatan O
penarikan O
sampel O
di O
daerah O
remote O
, O
petugas O
melakukan O
perhitungan O
secara O
manual O
menggunakan O
lembar O
kerja O
berupa O
kertas O
atau O
menyusun O
rumus O
pada O
aplikasi O
Microsoft O
Excel O
secara O
mandiri. O
Namun O
, O
cara O
tersebut O
bergantung O
pada O
pengetahuan O
serta O
keahlian O
petugas O
, O
sehingga O
dikhawatirkan O
menimbulkan O
hasil O
yang O
tidak O
konsisten O
, O
menimbulkan O
human O
error O
, O
serta O
membutuhkan O
waktu O
yang O
lama O
, O
terutama O
penarikan O
sampel O
dengan O
metode O
cukup O
probability O
sampling. O
Untuk O
mengatasi O
masalah O
tersebut O
peneliti O
melakukan B-TUJUAN
perancangan I-TUJUAN
dan I-TUJUAN
pembangunan I-TUJUAN
sistem I-TUJUAN
penarikan I-TUJUAN
sampel I-TUJUAN
berbasis I-TUJUAN
android I-TUJUAN
untuk I-TUJUAN
survei I-TUJUAN
BPS I-TUJUAN
di I-TUJUAN
daerah I-TUJUAN
remote I-TUJUAN
menggunakan O
metode B-METODE
system I-METODE
development I-METODE
life I-METODE
cycle. I-METODE
Selanjutnya O
dilakukan O
evaluasi O
terhadap O
sistem O
menggunakan O
metode B-METODE
black I-METODE
box I-METODE
testing I-METODE
dan O
system B-METODE
usability I-METODE
scale I-METODE
dengan O
hasil O
bahwa O
semua B-TEMUAN
fitur I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
harapan I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
dan I-TEMUAN
masuk I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
baik. I-TEMUAN
Kata O
Kunci— O
Daerah O
remote O
, O
penarikan O
sampel O
, O
android. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
didapatkan O
beberapa O
kesimpulan O
meliputi. O
1. O
Telah B-TEMUAN
dilakukan I-TEMUAN
perancangan I-TEMUAN
sistem I-TEMUAN
penarikan I-TEMUAN
sampel I-TEMUAN
berbasis I-TEMUAN
android I-TEMUAN
untuk I-TEMUAN
menunjang I-TEMUAN
kegiatan I-TEMUAN
survei I-TEMUAN
BPS I-TEMUAN
di I-TEMUAN
daerah I-TEMUAN
remote. I-TEMUAN
Perancangan O
tersebut O
meliputi O
rancangan O
arsitektur O
, O
proses O
bisnis O
, O
diagram O
use O
case O
, O
diagram O
aktivitas O
, O
rancangan O
basis O
data O
, O
rancangan O
antarmuka O
, O
dan O
rancangan O
algoritma O
sistem O
usulan. O
2. O
Telah O
dilakukan O
implementasi O
rancangan O
sistem O
usulan O
menggunakan O
metode B-METODE
system I-METODE
development I-METODE
life I-METODE
cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
pendekatan I-METODE
waterfall. I-METODE
Hasil O
dari O
implementasi O
sistem O
berupa O
sistem O
penarikan O
sampel O
berbasis O
android. O
3. O
Telah O
dilakukan O
uji O
evaluasi O
terhadap O
sistem O
menggunakan O
black B-METODE
box I-METODE
testing I-METODE
dan I-METODE
system I-METODE
usability I-METODE
scale. I-METODE
Berdasarkan O
hasil O
evaluasi O
didapatkan O
bahwa O
semua O
fitur O
pada O
sistem O
penarikan O
sampel O
telah O
berjalan O
sesuai O
dengan O
kebutuhan O
yang O
diharapkan. O
Selain O
itu O
, O
sistem B-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
dan I-TEMUAN
masuk I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
baik. I-TEMUAN
4. O
Implementasi O
dari O
sistem O
yang O
telah O
dibangun O
mampu O
meningkatkan O
efisiensi O
kegiatan O
penarikan O
sampel. O
Berdasarkan O
hasil O
survei O
tambahan O
, O
didapatkan O
bahwa O
sistem O
yang O
telah O
dibangun O
dapat O
mempercepat O
kegiatan O
penarikan O
sampel. O
Selain O
itu O
, O
sistem O
telah O
mengintegrasikan O
kegiatan O
penarikan O
sampel O
, O
pengolahan O
daftar O
kerangka O
sampel O
, O
dan O
mengelola O
data O
kegiatan O
penarikan O
sampel O
menjadi O
satu O
proses O
bisnis O
yang O
saling O
terkait. O
Adapun O
beberapa O
saran O
hasil O
dari O
penelitian O
yang O
telah O
dilakukan O
yang O
mungkin O
berguna O
di O
masa O
yang O
akan O
datang O
, O
sebagai O
berikut. O
1. O
Perlu O
mengoptimalkan O
cara O
menggunakan O
sistem O
serta O
memaksimalkan O
fitur O
bantuan O
terhadap O
pengguna O
dalam O
menggunakan O
sistem. O
Hal O
tersebut O
berkaitan O
dengan O
skor O
SUS O
pada O
item O
nomor O
10 O
yang O
memiliki O
nilai O
sehingga O
mengindikasikan O
bahwa O
pengguna O
perlu O
upaya O
lebih O
dalam O
membiasakan O
diri O
terhadap O
sistem. O
dokumentasi O
cenderung O
rendah O
, O
tentang O
2. O
Membuat O
tampilan O
sistem O
lebih O
menarik O
dan O
sederhana O
agar O
lebih O
mudah O
dipahami. O
3. O
Mengimplementasikan O
penggunaan O
thread-handler O
dalam O
pemrograman O
sistem O
untuk O
mempercepat O
pengelolaan O
data O
pada O
sistem. O
4. O
Mengembangkan O
fitur O
unduh O
data O
kegiatan O
penarikan O
sampel O
berbentuk O
file O
berekstensi O
Microsoft O
Excel. O

Survei O
BPS O
di O
Daerah O
Remote O
Mochamad O
Diaz O
Ilyasa O
( O
221810421 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Yuliana O
Ria O
Uli O
Sitanggang O
, O
S.Si. O
, O
M.Si. O
Ringkasan— O
Penarikan O
sampel O
di O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
dilakukan O
secara O
otomatis O
menggunakan O
sistem O
berbasis O
web O
yang O
telah O
disediakan. O
Namun O
, O
sistem O
tersebut O
tidak O
dapat O
menjangkau O
daerah O
remote. O
Daerah O
remote O
merupakan O
daerah O
yang O
memiliki O
keterbatasan O
dalam O
mengakses O
jaringan O
internet O
dengan O
baik. O
Sehingga O
dalam O
kegiatan O
penarikan O
sampel O
di O
daerah O
remote O
, O
petugas O
melakukan O
perhitungan O
secara O
manual O
menggunakan O
lembar O
kerja O
berupa O
kertas O
atau O
menyusun O
rumus O
pada O
aplikasi O
Microsoft O
Excel O
secara O
mandiri. O
Namun O
, O
cara O
tersebut O
bergantung O
pada O
pengetahuan O
serta O
keahlian O
petugas O
, O
sehingga O
dikhawatirkan O
menimbulkan O
hasil O
yang O
tidak O
konsisten O
, O
menimbulkan O
human O
error O
, O
serta O
membutuhkan O
waktu O
yang O
lama O
, O
terutama O
penarikan O
sampel O
dengan O
metode O
cukup O
probability O
sampling. O
Untuk O
mengatasi O
masalah O
tersebut O
peneliti O
melakukan B-TUJUAN
perancangan I-TUJUAN
dan I-TUJUAN
pembangunan I-TUJUAN
sistem I-TUJUAN
penarikan I-TUJUAN
sampel I-TUJUAN
berbasis I-TUJUAN
android I-TUJUAN
untuk I-TUJUAN
survei I-TUJUAN
BPS I-TUJUAN
di I-TUJUAN
daerah I-TUJUAN
remote I-TUJUAN
menggunakan O
metode B-METODE
system I-METODE
development I-METODE
life I-METODE
cycle. I-METODE
Selanjutnya O
dilakukan O
evaluasi O
terhadap O
sistem O
menggunakan O
metode B-METODE
black I-METODE
box I-METODE
testing I-METODE
dan O
system B-METODE
usability I-METODE
scale I-METODE
dengan O
hasil O
bahwa O
semua B-TEMUAN
fitur I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
harapan I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
dan I-TEMUAN
masuk I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
baik. I-TEMUAN
Kata O
Kunci— O
Daerah O
remote O
, O
penarikan O
sampel O
, O
android. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
didapatkan O
beberapa O
kesimpulan O
meliputi. O
1. O
Telah B-TEMUAN
dilakukan I-TEMUAN
perancangan I-TEMUAN
sistem I-TEMUAN
penarikan I-TEMUAN
sampel I-TEMUAN
berbasis I-TEMUAN
android I-TEMUAN
untuk I-TEMUAN
menunjang I-TEMUAN
kegiatan I-TEMUAN
survei I-TEMUAN
BPS I-TEMUAN
di I-TEMUAN
daerah I-TEMUAN
remote. I-TEMUAN
Perancangan O
tersebut O
meliputi O
rancangan O
arsitektur O
, O
proses O
bisnis O
, O
diagram O
use O
case O
, O
diagram O
aktivitas O
, O
rancangan O
basis O
data O
, O
rancangan O
antarmuka O
, O
dan O
rancangan O
algoritma O
sistem O
usulan. O
2. O
Telah O
dilakukan O
implementasi O
rancangan O
sistem O
usulan O
menggunakan O
metode B-METODE
system I-METODE
development I-METODE
life I-METODE
cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
pendekatan I-METODE
waterfall. I-METODE
Hasil O
dari O
implementasi O
sistem O
berupa O
sistem O
penarikan O
sampel O
berbasis O
android. O
3. O
Telah O
dilakukan O
uji O
evaluasi O
terhadap O
sistem O
menggunakan O
black B-METODE
box I-METODE
testing I-METODE
dan I-METODE
system I-METODE
usability I-METODE
scale. I-METODE
Berdasarkan O
hasil O
evaluasi O
didapatkan O
bahwa O
semua O
fitur O
pada O
sistem O
penarikan O
sampel O
telah O
berjalan O
sesuai O
dengan O
kebutuhan O
yang O
diharapkan. O
Selain O
itu O
, O
sistem B-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
dan I-TEMUAN
masuk I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
baik. I-TEMUAN
4. O
Implementasi O
dari O
sistem O
yang O
telah O
dibangun O
mampu O
meningkatkan O
efisiensi O
kegiatan O
penarikan O
sampel. O
Berdasarkan O
hasil O
survei O
tambahan O
, O
didapatkan O
bahwa O
sistem O
yang O
telah O
dibangun O
dapat O
mempercepat O
kegiatan O
penarikan O
sampel. O
Selain O
itu O
, O
sistem O
telah O
mengintegrasikan O
kegiatan O
penarikan O
sampel O
, O
pengolahan O
daftar O
kerangka O
sampel O
, O
dan O
mengelola O
data O
kegiatan O
penarikan O
sampel O
menjadi O
satu O
proses O
bisnis O
yang O
saling O
terkait. O
Adapun O
beberapa O
saran O
hasil O
dari O
penelitian O
yang O
telah O
dilakukan O
yang O
mungkin O
berguna O
di O
masa O
yang O
akan O
datang O
, O
sebagai O
berikut. O
1. O
Perlu O
mengoptimalkan O
cara O
menggunakan O
sistem O
serta O
memaksimalkan O
fitur O
bantuan O
terhadap O
pengguna O
dalam O
menggunakan O
sistem. O
Hal O
tersebut O
berkaitan O
dengan O
skor O
SUS O
pada O
item O
nomor O
10 O
yang O
memiliki O
nilai O
sehingga O
mengindikasikan O
bahwa O
pengguna O
perlu O
upaya O
lebih O
dalam O
membiasakan O
diri O
terhadap O
sistem. O
dokumentasi O
cenderung O
rendah O
, O
tentang O
2. O
Membuat O
tampilan O
sistem O
lebih O
menarik O
dan O
sederhana O
agar O
lebih O
mudah O
dipahami. O
3. O
Mengimplementasikan O
penggunaan O
thread-handler O
dalam O
pemrograman O
sistem O
untuk O
mempercepat O
pengelolaan O
data O
pada O
sistem. O
4. O
Mengembangkan O
fitur O
unduh O
data O
kegiatan O
penarikan O
sampel O
berbentuk O
file O
berekstensi O
Microsoft O
Excel. O

Rancang O
Bangun O
Aplikasi O
Dashboard O
Dinamis O
Small O
Area O
Estimation O
( O
SAE O
) O
BPS O
Modul O
Front O
End O
Berbasis O
Web O
Miftahuddin O
( O
221810418 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Margaretha O
Ari O
Anggorowati O
, O
S.Kom. O
, O
M.T O
Ringkasan— O
Selama O
ini O
BPS O
telah O
melakukan O
berbagai O
riset O
terkait O
metode O
Small O
Area O
Estimation O
( O
SAE O
) O
. O
Hasil O
dari O
riset-riset O
tersebut O
telah O
diimplementasikan O
dan O
tersedia O
dalam O
bentuk O
package O
di O
R. O
Akan O
tetapi O
, O
hasil O
dari O
riset O
tersebut O
belum O
tersedia O
paket O
knowledge O
yang O
dapat O
dibagikan O
dan O
ditindak O
lanjuti O
dalam O
masa O
yang O
akan O
datang. O
Selain O
itu O
, O
diperlukan O
adanya O
media O
yang O
dapat O
mensimulasikan O
hasil O
dari O
riset O
tersebut. O
Penggunaan O
aplikasi O
berbasis O
CLI O
dalam O
bentuk O
R O
script O
dirasa O
kurang O
efisien O
terutama O
bagi O
pengguna O
yang O
belum O
terbiasa O
atau O
bahkan O
tidak O
mengenal O
bahasa O
pemrograman O
R. O
Berdasarkan O
permasalahan O
tersebut O
, O
penelitian O
ini O
bertujuan O
untuk O
mengumpulkan B-TUJUAN
hasil I-TUJUAN
riset I-TUJUAN
tersebut I-TUJUAN
dan I-TUJUAN
mengamplikasikannya I-TUJUAN
dengan I-TUJUAN
membuat I-TUJUAN
sistem I-TUJUAN
aplikasi I-TUJUAN
dashboard I-TUJUAN
dinamis I-TUJUAN
SAE I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
Penelitian O
ini O
berfokus O
pada O
pembuatan O
modul O
front O
end O
dari O
aplikasi O
tersebut. O
Modul O
dibangun O
dengan O
menggunakan B-METODE
metode I-METODE
SDLC I-METODE
dengan I-METODE
model I-METODE
prototipe. I-METODE
Metode O
ini O
terdiri O
dari O
tahapan O
requirement O
analysis O
, O
ptototype O
design O
, O
development O
, O
testing O
, O
dan O
maintenance. O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
, I-TEMUAN
aplikasi I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
memenuhi I-TEMUAN
kebutuhan I-TEMUAN
dan I-TEMUAN
sudah I-TEMUAN
layak I-TEMUAN
untuk I-TEMUAN
digunakan. I-TEMUAN
Kata O
Kunci— O
Dashboard O
, O
SAE O
, O
Dinamis O
, O
BPS O
, O
front O
end. O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
maka O
dapat O
dijabarkan O
menjadi O
beberapa O
poin O
simpulan O
sebagai O
berikut O
: O
1. O
Pada O
penelitian O
ini O
, O
telah B-TEMUAN
berhasil I-TEMUAN
dirancang I-TEMUAN
dan I-TEMUAN
dibangun I-TEMUAN
aplikasi I-TEMUAN
dashboard I-TEMUAN
dinamis I-TEMUAN
SAE I-TEMUAN
BPS I-TEMUAN
khususnya I-TEMUAN
pada I-TEMUAN
modul I-TEMUAN
front I-TEMUAN
end. I-TEMUAN
2. O
Sistem O
yang O
dibangun O
telah O
menyediakan O
fasilitas O
untuk O
mendokumentasikan O
dan O
mengelola O
daftar O
package O
R O
SAE O
yang O
dikembangkan O
oleh O
BPS. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
3. O
Sistem O
yang O
dibangun O
telah O
menyediakan O
fasilitas O
untuk O
melakukan O
simulasi O
menggunakan O
package O
R O
SAE O
yang O
dikembangkan O
oleh O
BPS O
dan O
memvisualisasikan O
hasil O
simulasi O
dalam O
bentuk O
dashboard. O
4. O
Berdasarkan O
hasil O
evaluasi O
system O
diperoleh O
hasil O
pengujian O
SUS B-METODE
sebesar O
85 O
dimana O
termasuk O
dalam O
kategori O
acceptable O
dan O
excellent. O
B. O
Saran O
Dalam O
rangka O
pengembangan O
lebih O
lanjut O
pada O
aplikasi O
dashboard O
dinamis O
SAE O
BPS O
berbasis O
web O
, O
terdapat O
beberapa O
saran O
dari O
sisi O
front O
end O
agar O
kedepannya O
aplikasi O
ini O
dapat O
memberikan O
pengalaman O
yang O
lebih O
baik O
lagi O
bagi O
para O
penggunanya. O
Berikut O
adalah O
beberapa O
poin O
yang O
disarankan O
: O
1. O
Terdapat O
beberapa O
bagian O
yang O
perlu O
dilakukan O
optimasi O
seperti O
performa O
dan O
aksesibilitas O
untuk O
meningkatkan O
pengalaman O
pengguna. O
2. O
Pelu O
penambahan O
testing O
otomatis O
agar O
aplikasi O
yang O
telah O
dibangun O
dapat O
bertahan O
lebih O
lama O
dan O
mudah O
untuk O
dikembangkan. O
3. O
Perlu O
melakukan O
optimasi O
kode O
untuk O
beberapa O
komponen O
, O
4. O
Terdapat O
dimana O
kendala O
seperti O
penggunaan O
reusable O
komponen. O
ketika O
package O
, O
ingin O
mengimputkan O
tidak O
memahami O
package O
yang O
ingin O
ditambahkan. O
Sehingga O
perlu O
adanya O
system O
pengajuan O
package O
agar O
informasi O
package O
yang O
dimasud O
dapat O
dibuat O
oleh O
author O
package. O
admin O
namun O
informasi O

Rancang O
Bangun O
Aplikasi O
Dashboard O
Dinamis O
Small O
Area O
Estimation O
( O
SAE O
) O
BPS O
Modul O
Front O
End O
Berbasis O
Web O
Miftahuddin O
( O
221810418 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Margaretha O
Ari O
Anggorowati O
, O
S.Kom. O
, O
M.T O
Ringkasan— O
Selama O
ini O
BPS O
telah O
melakukan O
berbagai O
riset O
terkait O
metode O
Small O
Area O
Estimation O
( O
SAE O
) O
. O
Hasil O
dari O
riset-riset O
tersebut O
telah O
diimplementasikan O
dan O
tersedia O
dalam O
bentuk O
package O
di O
R. O
Akan O
tetapi O
, O
hasil O
dari O
riset O
tersebut O
belum O
tersedia O
paket O
knowledge O
yang O
dapat O
dibagikan O
dan O
ditindak O
lanjuti O
dalam O
masa O
yang O
akan O
datang. O
Selain O
itu O
, O
diperlukan O
adanya O
media O
yang O
dapat O
mensimulasikan O
hasil O
dari O
riset O
tersebut. O
Penggunaan O
aplikasi O
berbasis O
CLI O
dalam O
bentuk O
R O
script O
dirasa O
kurang O
efisien O
terutama O
bagi O
pengguna O
yang O
belum O
terbiasa O
atau O
bahkan O
tidak O
mengenal O
bahasa O
pemrograman O
R. O
Berdasarkan O
permasalahan O
tersebut O
, O
penelitian O
ini O
bertujuan O
untuk O
mengumpulkan B-TUJUAN
hasil I-TUJUAN
riset I-TUJUAN
tersebut I-TUJUAN
dan I-TUJUAN
mengamplikasikannya I-TUJUAN
dengan I-TUJUAN
membuat I-TUJUAN
sistem I-TUJUAN
aplikasi I-TUJUAN
dashboard I-TUJUAN
dinamis I-TUJUAN
SAE I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
Penelitian O
ini O
berfokus O
pada O
pembuatan O
modul O
front O
end O
dari O
aplikasi O
tersebut. O
Modul O
dibangun O
dengan O
menggunakan B-METODE
metode I-METODE
SDLC I-METODE
dengan I-METODE
model I-METODE
prototipe. I-METODE
Metode O
ini O
terdiri O
dari O
tahapan O
requirement O
analysis O
, O
ptototype O
design O
, O
development O
, O
testing O
, O
dan O
maintenance. O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
, I-TEMUAN
aplikasi I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
memenuhi I-TEMUAN
kebutuhan I-TEMUAN
dan I-TEMUAN
sudah I-TEMUAN
layak I-TEMUAN
untuk I-TEMUAN
digunakan. I-TEMUAN
Kata O
Kunci— O
Dashboard O
, O
SAE O
, O
Dinamis O
, O
BPS O
, O
front O
end. O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
maka O
dapat O
dijabarkan O
menjadi O
beberapa O
poin O
simpulan O
sebagai O
berikut O
: O
1. O
Pada O
penelitian O
ini O
, O
telah B-TEMUAN
berhasil I-TEMUAN
dirancang I-TEMUAN
dan I-TEMUAN
dibangun I-TEMUAN
aplikasi I-TEMUAN
dashboard I-TEMUAN
dinamis I-TEMUAN
SAE I-TEMUAN
BPS I-TEMUAN
khususnya I-TEMUAN
pada I-TEMUAN
modul I-TEMUAN
front I-TEMUAN
end. I-TEMUAN
2. O
Sistem O
yang O
dibangun O
telah O
menyediakan O
fasilitas O
untuk O
mendokumentasikan O
dan O
mengelola O
daftar O
package O
R O
SAE O
yang O
dikembangkan O
oleh O
BPS. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
3. O
Sistem O
yang O
dibangun O
telah O
menyediakan O
fasilitas O
untuk O
melakukan O
simulasi O
menggunakan O
package O
R O
SAE O
yang O
dikembangkan O
oleh O
BPS O
dan O
memvisualisasikan O
hasil O
simulasi O
dalam O
bentuk O
dashboard. O
4. O
Berdasarkan O
hasil O
evaluasi O
system O
diperoleh O
hasil O
pengujian O
SUS B-METODE
sebesar O
85 O
dimana O
termasuk O
dalam O
kategori O
acceptable O
dan O
excellent. O
B. O
Saran O
Dalam O
rangka O
pengembangan O
lebih O
lanjut O
pada O
aplikasi O
dashboard O
dinamis O
SAE O
BPS O
berbasis O
web O
, O
terdapat O
beberapa O
saran O
dari O
sisi O
front O
end O
agar O
kedepannya O
aplikasi O
ini O
dapat O
memberikan O
pengalaman O
yang O
lebih O
baik O
lagi O
bagi O
para O
penggunanya. O
Berikut O
adalah O
beberapa O
poin O
yang O
disarankan O
: O
1. O
Terdapat O
beberapa O
bagian O
yang O
perlu O
dilakukan O
optimasi O
seperti O
performa O
dan O
aksesibilitas O
untuk O
meningkatkan O
pengalaman O
pengguna. O
2. O
Pelu O
penambahan O
testing O
otomatis O
agar O
aplikasi O
yang O
telah O
dibangun O
dapat O
bertahan O
lebih O
lama O
dan O
mudah O
untuk O
dikembangkan. O
3. O
Perlu O
melakukan O
optimasi O
kode O
untuk O
beberapa O
komponen O
, O
4. O
Terdapat O
dimana O
kendala O
seperti O
penggunaan O
reusable O
komponen. O
ketika O
package O
, O
ingin O
mengimputkan O
tidak O
memahami O
package O
yang O
ingin O
ditambahkan. O
Sehingga O
perlu O
adanya O
system O
pengajuan O
package O
agar O
informasi O
package O
yang O
dimasud O
dapat O
dibuat O
oleh O
author O
package. O
admin O
namun O
informasi O

Rancang O
Bangun O
Aplikasi O
Dashboard O
Dinamis O
Small O
Area O
Estimation O
( O
SAE O
) O
BPS O
Modul O
Front O
End O
Berbasis O
Web O
Miftahuddin O
( O
221810418 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Margaretha O
Ari O
Anggorowati O
, O
S.Kom. O
, O
M.T O
Ringkasan— O
Selama O
ini O
BPS O
telah O
melakukan O
berbagai O
riset O
terkait O
metode O
Small O
Area O
Estimation O
( O
SAE O
) O
. O
Hasil O
dari O
riset-riset O
tersebut O
telah O
diimplementasikan O
dan O
tersedia O
dalam O
bentuk O
package O
di O
R. O
Akan O
tetapi O
, O
hasil O
dari O
riset O
tersebut O
belum O
tersedia O
paket O
knowledge O
yang O
dapat O
dibagikan O
dan O
ditindak O
lanjuti O
dalam O
masa O
yang O
akan O
datang. O
Selain O
itu O
, O
diperlukan O
adanya O
media O
yang O
dapat O
mensimulasikan O
hasil O
dari O
riset O
tersebut. O
Penggunaan O
aplikasi O
berbasis O
CLI O
dalam O
bentuk O
R O
script O
dirasa O
kurang O
efisien O
terutama O
bagi O
pengguna O
yang O
belum O
terbiasa O
atau O
bahkan O
tidak O
mengenal O
bahasa O
pemrograman O
R. O
Berdasarkan O
permasalahan O
tersebut O
, O
penelitian O
ini O
bertujuan O
untuk O
mengumpulkan B-TUJUAN
hasil I-TUJUAN
riset I-TUJUAN
tersebut I-TUJUAN
dan I-TUJUAN
mengamplikasikannya I-TUJUAN
dengan I-TUJUAN
membuat I-TUJUAN
sistem I-TUJUAN
aplikasi I-TUJUAN
dashboard I-TUJUAN
dinamis I-TUJUAN
SAE I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
Penelitian O
ini O
berfokus O
pada O
pembuatan O
modul O
front O
end O
dari O
aplikasi O
tersebut. O
Modul O
dibangun O
dengan O
menggunakan B-METODE
metode I-METODE
SDLC I-METODE
dengan I-METODE
model I-METODE
prototipe. I-METODE
Metode O
ini O
terdiri O
dari O
tahapan O
requirement O
analysis O
, O
ptototype O
design O
, O
development O
, O
testing O
, O
dan O
maintenance. O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
, I-TEMUAN
aplikasi I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
memenuhi I-TEMUAN
kebutuhan I-TEMUAN
dan I-TEMUAN
sudah I-TEMUAN
layak I-TEMUAN
untuk I-TEMUAN
digunakan. I-TEMUAN
Kata O
Kunci— O
Dashboard O
, O
SAE O
, O
Dinamis O
, O
BPS O
, O
front O
end. O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
maka O
dapat O
dijabarkan O
menjadi O
beberapa O
poin O
simpulan O
sebagai O
berikut O
: O
1. O
Pada O
penelitian O
ini O
, O
telah B-TEMUAN
berhasil I-TEMUAN
dirancang I-TEMUAN
dan I-TEMUAN
dibangun I-TEMUAN
aplikasi I-TEMUAN
dashboard I-TEMUAN
dinamis I-TEMUAN
SAE I-TEMUAN
BPS I-TEMUAN
khususnya I-TEMUAN
pada I-TEMUAN
modul I-TEMUAN
front I-TEMUAN
end. I-TEMUAN
2. O
Sistem O
yang O
dibangun O
telah O
menyediakan O
fasilitas O
untuk O
mendokumentasikan O
dan O
mengelola O
daftar O
package O
R O
SAE O
yang O
dikembangkan O
oleh O
BPS. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
3. O
Sistem O
yang O
dibangun O
telah O
menyediakan O
fasilitas O
untuk O
melakukan O
simulasi O
menggunakan O
package O
R O
SAE O
yang O
dikembangkan O
oleh O
BPS O
dan O
memvisualisasikan O
hasil O
simulasi O
dalam O
bentuk O
dashboard. O
4. O
Berdasarkan O
hasil O
evaluasi O
system O
diperoleh O
hasil O
pengujian O
SUS B-METODE
sebesar O
85 O
dimana O
termasuk O
dalam O
kategori O
acceptable O
dan O
excellent. O
B. O
Saran O
Dalam O
rangka O
pengembangan O
lebih O
lanjut O
pada O
aplikasi O
dashboard O
dinamis O
SAE O
BPS O
berbasis O
web O
, O
terdapat O
beberapa O
saran O
dari O
sisi O
front O
end O
agar O
kedepannya O
aplikasi O
ini O
dapat O
memberikan O
pengalaman O
yang O
lebih O
baik O
lagi O
bagi O
para O
penggunanya. O
Berikut O
adalah O
beberapa O
poin O
yang O
disarankan O
: O
1. O
Terdapat O
beberapa O
bagian O
yang O
perlu O
dilakukan O
optimasi O
seperti O
performa O
dan O
aksesibilitas O
untuk O
meningkatkan O
pengalaman O
pengguna. O
2. O
Pelu O
penambahan O
testing O
otomatis O
agar O
aplikasi O
yang O
telah O
dibangun O
dapat O
bertahan O
lebih O
lama O
dan O
mudah O
untuk O
dikembangkan. O
3. O
Perlu O
melakukan O
optimasi O
kode O
untuk O
beberapa O
komponen O
, O
4. O
Terdapat O
dimana O
kendala O
seperti O
penggunaan O
reusable O
komponen. O
ketika O
package O
, O
ingin O
mengimputkan O
tidak O
memahami O
package O
yang O
ingin O
ditambahkan. O
Sehingga O
perlu O
adanya O
system O
pengajuan O
package O
agar O
informasi O
package O
yang O
dimasud O
dapat O
dibuat O
oleh O
author O
package. O
admin O
namun O
informasi O

Basic O
Emotion O
Masyarakat O
Pada O
Masa O
Pandemi O
COVID-19 O
di O
Media O
Sosial O
Twitter O
Dengan O
Metode O
LSTM-FastText O
Meytry O
Petronella O
Purba O
( O
221810417 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Yuliagnis O
Transver O
Wijaya O
, O
S.ST O
, O
M.Sc O
Ringkasan— O
Kebijakan O
pembatasan O
kegiatan O
publik O
yang O
diterapkan O
saat O
pandemi O
, O
menimbulkan O
efek O
negatif O
yang O
berkaitan O
dengan O
emosi O
dan O
kesehatan O
mental O
masyarakat O
di O
berbagai O
lapisan. O
Kestabilan O
emosi O
merupakan O
proxy O
indicator O
dalam O
mengukur O
kesehatan O
mental. O
Pandemi O
mengakibatkan O
berbagai O
respon O
psikologis O
salah O
satunya O
adalah O
respon O
emosi. O
Maka O
dari O
itu O
sangat O
penting O
untuk O
mengetahui O
emosi O
apa O
saja O
yang O
paling O
mendominasi O
di O
tengah O
masyarakat. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
dilakukan O
untuk O
menginformasikan B-TUJUAN
basic I-TUJUAN
emotion I-TUJUAN
twitter I-TUJUAN
dengan I-TUJUAN
masyarakat I-TUJUAN
pada I-TUJUAN
postingan I-TUJUAN
media I-TUJUAN
sosial I-TUJUAN
menggunakan I-TUJUAN
serta I-TUJUAN
model I-TUJUAN
mengimplementasikannya I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
salah I-TUJUAN
satu I-TUJUAN
algoritma I-TUJUAN
pembelajaran I-TUJUAN
mendalam I-TUJUAN
yaitu I-TUJUAN
Long I-TUJUAN
Short I-TUJUAN
Term I-TUJUAN
Memory I-TUJUAN
( I-TUJUAN
LSTM I-TUJUAN
) I-TUJUAN
dengan I-TUJUAN
word I-TUJUAN
embedding I-TUJUAN
FastText. I-TUJUAN
Penelitian B-TEMUAN
ini I-TEMUAN
berhasil I-TEMUAN
menemukan I-TEMUAN
basic I-TEMUAN
emotion I-TEMUAN
masyarakat I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
dominan I-TEMUAN
adalah I-TEMUAN
kategori I-TEMUAN
emosi I-TEMUAN
bahagia. I-TEMUAN
Dan O
berdasarkan O
model O
yang O
telah O
dibangun O
LSTM-FastText O
, O
menghasilkan O
akurasi B-METODE
sebesar O
99.24 O
% O
dan O
loss B-METODE
sebesar O
0.0264. O
Hal O
ini O
menggambarkan O
bahwa O
error O
yang O
sangat O
kecil O
terjadi O
dalam O
pengklasifikasian O
data O
test. O
Dan O
model B-TEMUAN
ini I-TEMUAN
sudah I-TEMUAN
baik I-TEMUAN
digunakan I-TEMUAN
dalam I-TEMUAN
menganalisis I-TEMUAN
basic I-TEMUAN
emotion I-TEMUAN
masyarakat I-TEMUAN
pada I-TEMUAN
masa I-TEMUAN
pandemi I-TEMUAN
covid-19 I-TEMUAN
pada I-TEMUAN
media I-TEMUAN
sosial I-TEMUAN
Twitter. I-TEMUAN
Ekman O
, O
emosi O
Kata O
Kunci— O
LSTM O
, O
Twitter O
, O
Basic O
Emotion O
, O
FastText.. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
yang O
telah O
diuraikan O
sebelumnya O
, O
dapat O
ditarik O
beberapa O
kesimpulan O
dari O
penelitian O
ini O
yaitu O
: O
1. O
Basic O
emotion O
yang O
dirasakan O
masyarakat O
pada O
masa O
pandemi O
COVID-19 O
di O
media O
sosial O
Twitter O
, O
dapat O
ditemukan O
dari O
hasil O
labelling O
pada O
4527. O
Hasil O
dari O
labelling O
menggambarkan O
bahwa O
basic B-TEMUAN
emotion I-TEMUAN
masyarakat I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
mendominasi I-TEMUAN
selama I-TEMUAN
rentang I-TEMUAN
waktu I-TEMUAN
penelitian I-TEMUAN
adalah I-TEMUAN
basic I-TEMUAN
emotion I-TEMUAN
dengan I-TEMUAN
kategori I-TEMUAN
emosi I-TEMUAN
bahagia. I-TEMUAN
Sedangkan I-TEMUAN
basic I-TEMUAN
emotion I-TEMUAN
masyarakat I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
minoritas I-TEMUAN
adalah I-TEMUAN
emosi I-TEMUAN
terkejut. I-TEMUAN
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
2. O
Terdapat O
pengaruh O
penambahan O
dataset O
pada O
performa O
model O
LSTM-FastText. O
Test O
Accuracy O
, O
Val O
Accuracy O
, O
dari O
model O
yang O
dibentuk O
mengalami O
kenaikan O
, O
sedangkan O
Val O
Loss O
dan O
Test O
Loss O
dari O
model O
mengalami O
penurunan O
, O
dan O
hal O
tersebut O
menandakan O
peningkatan O
pada O
performa O
model O
setelah O
proses O
penambahan O
dataset. O
Dan O
berdasarkan O
penelitian O
yang O
berhasil O
dilakukan O
, O
terdapat O
beberapa O
saran O
yang O
bisa O
diterapkan O
dan O
diaplikasikan O
untuk O
mendukung O
pengembangan O
penelitian O
ini O
selanjutnya O
yaitu O
: O
1. O
Melakukan O
penambahan O
dengan O
menambah O
rentang O
waktu O
untuk O
data O
tweet O
yang O
akan O
discraping. O
dataset O
atau O
2. O
Menambahkan O
sumber O
data O
scraping O
melalui O
media O
sosial O
selain O
Twitter. O
3. O
Menggunakan O
metode O
klasifikasi O
yang O
lain O
sehingga O
dapat O
diperoleh O
hasil O
klasifikasi O
yang O
lebih O
bervariasi. O
4. O
Menambahkan O
variasi O
kata O
kunci O
dalam O
proses O
scraping. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O

Basic O
Emotion O
Masyarakat O
Pada O
Masa O
Pandemi O
COVID-19 O
di O
Media O
Sosial O
Twitter O
Dengan O
Metode O
LSTM-FastText O
Meytry O
Petronella O
Purba O
( O
221810417 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Yuliagnis O
Transver O
Wijaya O
, O
S.ST O
, O
M.Sc O
Ringkasan— O
Kebijakan O
pembatasan O
kegiatan O
publik O
yang O
diterapkan O
saat O
pandemi O
, O
menimbulkan O
efek O
negatif O
yang O
berkaitan O
dengan O
emosi O
dan O
kesehatan O
mental O
masyarakat O
di O
berbagai O
lapisan. O
Kestabilan O
emosi O
merupakan O
proxy O
indicator O
dalam O
mengukur O
kesehatan O
mental. O
Pandemi O
mengakibatkan O
berbagai O
respon O
psikologis O
salah O
satunya O
adalah O
respon O
emosi. O
Maka O
dari O
itu O
sangat O
penting O
untuk O
mengetahui O
emosi O
apa O
saja O
yang O
paling O
mendominasi O
di O
tengah O
masyarakat. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
dilakukan O
untuk O
menginformasikan B-TUJUAN
basic I-TUJUAN
emotion I-TUJUAN
twitter I-TUJUAN
dengan I-TUJUAN
masyarakat I-TUJUAN
pada I-TUJUAN
postingan I-TUJUAN
media I-TUJUAN
sosial I-TUJUAN
menggunakan I-TUJUAN
serta I-TUJUAN
model I-TUJUAN
mengimplementasikannya I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
salah I-TUJUAN
satu I-TUJUAN
algoritma I-TUJUAN
pembelajaran I-TUJUAN
mendalam I-TUJUAN
yaitu I-TUJUAN
Long I-TUJUAN
Short I-TUJUAN
Term I-TUJUAN
Memory I-TUJUAN
( I-TUJUAN
LSTM I-TUJUAN
) I-TUJUAN
dengan I-TUJUAN
word I-TUJUAN
embedding I-TUJUAN
FastText. I-TUJUAN
Penelitian B-TEMUAN
ini I-TEMUAN
berhasil I-TEMUAN
menemukan I-TEMUAN
basic I-TEMUAN
emotion I-TEMUAN
masyarakat I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
dominan I-TEMUAN
adalah I-TEMUAN
kategori I-TEMUAN
emosi I-TEMUAN
bahagia. I-TEMUAN
Dan O
berdasarkan O
model O
yang O
telah O
dibangun O
LSTM-FastText O
, O
menghasilkan O
akurasi B-METODE
sebesar O
99.24 O
% O
dan O
loss B-METODE
sebesar O
0.0264. O
Hal O
ini O
menggambarkan O
bahwa O
error O
yang O
sangat O
kecil O
terjadi O
dalam O
pengklasifikasian O
data O
test. O
Dan O
model B-TEMUAN
ini I-TEMUAN
sudah I-TEMUAN
baik I-TEMUAN
digunakan I-TEMUAN
dalam I-TEMUAN
menganalisis I-TEMUAN
basic I-TEMUAN
emotion I-TEMUAN
masyarakat I-TEMUAN
pada I-TEMUAN
masa I-TEMUAN
pandemi I-TEMUAN
covid-19 I-TEMUAN
pada I-TEMUAN
media I-TEMUAN
sosial I-TEMUAN
Twitter. I-TEMUAN
Ekman O
, O
emosi O
Kata O
Kunci— O
LSTM O
, O
Twitter O
, O
Basic O
Emotion O
, O
FastText.. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
yang O
telah O
diuraikan O
sebelumnya O
, O
dapat O
ditarik O
beberapa O
kesimpulan O
dari O
penelitian O
ini O
yaitu O
: O
1. O
Basic O
emotion O
yang O
dirasakan O
masyarakat O
pada O
masa O
pandemi O
COVID-19 O
di O
media O
sosial O
Twitter O
, O
dapat O
ditemukan O
dari O
hasil O
labelling O
pada O
4527. O
Hasil O
dari O
labelling O
menggambarkan O
bahwa O
basic B-TEMUAN
emotion I-TEMUAN
masyarakat I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
mendominasi I-TEMUAN
selama I-TEMUAN
rentang I-TEMUAN
waktu I-TEMUAN
penelitian I-TEMUAN
adalah I-TEMUAN
basic I-TEMUAN
emotion I-TEMUAN
dengan I-TEMUAN
kategori I-TEMUAN
emosi I-TEMUAN
bahagia. I-TEMUAN
Sedangkan I-TEMUAN
basic I-TEMUAN
emotion I-TEMUAN
masyarakat I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
minoritas I-TEMUAN
adalah I-TEMUAN
emosi I-TEMUAN
terkejut. I-TEMUAN
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
2. O
Terdapat O
pengaruh O
penambahan O
dataset O
pada O
performa O
model O
LSTM-FastText. O
Test O
Accuracy O
, O
Val O
Accuracy O
, O
dari O
model O
yang O
dibentuk O
mengalami O
kenaikan O
, O
sedangkan O
Val O
Loss O
dan O
Test O
Loss O
dari O
model O
mengalami O
penurunan O
, O
dan O
hal O
tersebut O
menandakan O
peningkatan O
pada O
performa O
model O
setelah O
proses O
penambahan O
dataset. O
Dan O
berdasarkan O
penelitian O
yang O
berhasil O
dilakukan O
, O
terdapat O
beberapa O
saran O
yang O
bisa O
diterapkan O
dan O
diaplikasikan O
untuk O
mendukung O
pengembangan O
penelitian O
ini O
selanjutnya O
yaitu O
: O
1. O
Melakukan O
penambahan O
dengan O
menambah O
rentang O
waktu O
untuk O
data O
tweet O
yang O
akan O
discraping. O
dataset O
atau O
2. O
Menambahkan O
sumber O
data O
scraping O
melalui O
media O
sosial O
selain O
Twitter. O
3. O
Menggunakan O
metode O
klasifikasi O
yang O
lain O
sehingga O
dapat O
diperoleh O
hasil O
klasifikasi O
yang O
lebih O
bervariasi. O
4. O
Menambahkan O
variasi O
kata O
kunci O
dalam O
proses O
scraping. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O

Basic O
Emotion O
Masyarakat O
Pada O
Masa O
Pandemi O
COVID-19 O
di O
Media O
Sosial O
Twitter O
Dengan O
Metode O
LSTM-FastText O
Meytry O
Petronella O
Purba O
( O
221810417 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Yuliagnis O
Transver O
Wijaya O
, O
S.ST O
, O
M.Sc O
Ringkasan— O
Kebijakan O
pembatasan O
kegiatan O
publik O
yang O
diterapkan O
saat O
pandemi O
, O
menimbulkan O
efek O
negatif O
yang O
berkaitan O
dengan O
emosi O
dan O
kesehatan O
mental O
masyarakat O
di O
berbagai O
lapisan. O
Kestabilan O
emosi O
merupakan O
proxy O
indicator O
dalam O
mengukur O
kesehatan O
mental. O
Pandemi O
mengakibatkan O
berbagai O
respon O
psikologis O
salah O
satunya O
adalah O
respon O
emosi. O
Maka O
dari O
itu O
sangat O
penting O
untuk O
mengetahui O
emosi O
apa O
saja O
yang O
paling O
mendominasi O
di O
tengah O
masyarakat. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
dilakukan O
untuk O
menginformasikan B-TUJUAN
basic I-TUJUAN
emotion I-TUJUAN
twitter I-TUJUAN
dengan I-TUJUAN
masyarakat I-TUJUAN
pada I-TUJUAN
postingan I-TUJUAN
media I-TUJUAN
sosial I-TUJUAN
menggunakan I-TUJUAN
serta I-TUJUAN
model I-TUJUAN
mengimplementasikannya I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
salah I-TUJUAN
satu I-TUJUAN
algoritma I-TUJUAN
pembelajaran I-TUJUAN
mendalam I-TUJUAN
yaitu I-TUJUAN
Long I-TUJUAN
Short I-TUJUAN
Term I-TUJUAN
Memory I-TUJUAN
( I-TUJUAN
LSTM I-TUJUAN
) I-TUJUAN
dengan I-TUJUAN
word I-TUJUAN
embedding I-TUJUAN
FastText. I-TUJUAN
Penelitian B-TEMUAN
ini I-TEMUAN
berhasil I-TEMUAN
menemukan I-TEMUAN
basic I-TEMUAN
emotion I-TEMUAN
masyarakat I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
dominan I-TEMUAN
adalah I-TEMUAN
kategori I-TEMUAN
emosi I-TEMUAN
bahagia. I-TEMUAN
Dan O
berdasarkan O
model O
yang O
telah O
dibangun O
LSTM-FastText O
, O
menghasilkan O
akurasi B-METODE
sebesar O
99.24 O
% O
dan O
loss B-METODE
sebesar O
0.0264. O
Hal O
ini O
menggambarkan O
bahwa O
error O
yang O
sangat O
kecil O
terjadi O
dalam O
pengklasifikasian O
data O
test. O
Dan O
model B-TEMUAN
ini I-TEMUAN
sudah I-TEMUAN
baik I-TEMUAN
digunakan I-TEMUAN
dalam I-TEMUAN
menganalisis I-TEMUAN
basic I-TEMUAN
emotion I-TEMUAN
masyarakat I-TEMUAN
pada I-TEMUAN
masa I-TEMUAN
pandemi I-TEMUAN
covid-19 I-TEMUAN
pada I-TEMUAN
media I-TEMUAN
sosial I-TEMUAN
Twitter. I-TEMUAN
Ekman O
, O
emosi O
Kata O
Kunci— O
LSTM O
, O
Twitter O
, O
Basic O
Emotion O
, O
FastText.. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
yang O
telah O
diuraikan O
sebelumnya O
, O
dapat O
ditarik O
beberapa O
kesimpulan O
dari O
penelitian O
ini O
yaitu O
: O
1. O
Basic O
emotion O
yang O
dirasakan O
masyarakat O
pada O
masa O
pandemi O
COVID-19 O
di O
media O
sosial O
Twitter O
, O
dapat O
ditemukan O
dari O
hasil O
labelling O
pada O
4527. O
Hasil O
dari O
labelling O
menggambarkan O
bahwa O
basic B-TEMUAN
emotion I-TEMUAN
masyarakat I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
mendominasi I-TEMUAN
selama I-TEMUAN
rentang I-TEMUAN
waktu I-TEMUAN
penelitian I-TEMUAN
adalah I-TEMUAN
basic I-TEMUAN
emotion I-TEMUAN
dengan I-TEMUAN
kategori I-TEMUAN
emosi I-TEMUAN
bahagia. I-TEMUAN
Sedangkan I-TEMUAN
basic I-TEMUAN
emotion I-TEMUAN
masyarakat I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
minoritas I-TEMUAN
adalah I-TEMUAN
emosi I-TEMUAN
terkejut. I-TEMUAN
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
2. O
Terdapat O
pengaruh O
penambahan O
dataset O
pada O
performa O
model O
LSTM-FastText. O
Test O
Accuracy O
, O
Val O
Accuracy O
, O
dari O
model O
yang O
dibentuk O
mengalami O
kenaikan O
, O
sedangkan O
Val O
Loss O
dan O
Test O
Loss O
dari O
model O
mengalami O
penurunan O
, O
dan O
hal O
tersebut O
menandakan O
peningkatan O
pada O
performa O
model O
setelah O
proses O
penambahan O
dataset. O
Dan O
berdasarkan O
penelitian O
yang O
berhasil O
dilakukan O
, O
terdapat O
beberapa O
saran O
yang O
bisa O
diterapkan O
dan O
diaplikasikan O
untuk O
mendukung O
pengembangan O
penelitian O
ini O
selanjutnya O
yaitu O
: O
1. O
Melakukan O
penambahan O
dengan O
menambah O
rentang O
waktu O
untuk O
data O
tweet O
yang O
akan O
discraping. O
dataset O
atau O
2. O
Menambahkan O
sumber O
data O
scraping O
melalui O
media O
sosial O
selain O
Twitter. O
3. O
Menggunakan O
metode O
klasifikasi O
yang O
lain O
sehingga O
dapat O
diperoleh O
hasil O
klasifikasi O
yang O
lebih O
bervariasi. O
4. O
Menambahkan O
variasi O
kata O
kunci O
dalam O
proses O
scraping. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O

Pengukuran O
Kematangan O
E-learning O
di O
Politeknik O
Statistika O
STIS O
Maudy O
Insan O
Tania O
( O
221810414 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I. O
e-learning O
kini O
Ringkasan—Teknologi O
sudah O
menjadi O
kebutuhan O
dalam O
proses O
pembelajaran O
di O
perguruan O
tinggi. O
Pengetahuan O
terkait O
kondisi O
e-learning O
yang O
sedang O
berjalan O
diperlukan O
untuk O
pembentukan O
saran O
perbaikan O
agar O
penggunaan O
e-learning O
yang O
berkelanjutan O
dengan O
kualitas O
yang O
baik O
dapat O
dicapai O
oleh O
institusi. O
Hal O
tersebut O
dapat O
diperoleh O
dengan O
melakukan O
evaluasi O
terhadap O
e-learning. O
Evaluasi O
pada O
penelitian O
ini O
dilakukan O
dengan O
menggunakan O
e-learning O
Maturity O
model O
Pengumpulan O
data O
dilakukan O
dengan O
menggunakan O
studi O
dokumentasi O
dan O
survei B-METODE
dengan I-METODE
self- I-METODE
administrated I-METODE
questionnaire I-METODE
kepada O
responden O
yang O
dipilih O
dengan O
metode B-METODE
purposive I-METODE
sampling. I-METODE
Berdasarkan O
hasil O
penelitian O
, O
kematangan B-TEMUAN
e-learning I-TEMUAN
di I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS I-TEMUAN
berada I-TEMUAN
di I-TEMUAN
level I-TEMUAN
3 I-TEMUAN
yang I-TEMUAN
mengindikasikan I-TEMUAN
hasil I-TEMUAN
dari I-TEMUAN
praktik I-TEMUAN
e-learning I-TEMUAN
sudah I-TEMUAN
terlihat I-TEMUAN
di I-TEMUAN
organisasi I-TEMUAN
, I-TEMUAN
namun I-TEMUAN
diperlukan I-TEMUAN
upaya I-TEMUAN
untuk I-TEMUAN
menuangkan I-TEMUAN
praktik I-TEMUAN
e-learning I-TEMUAN
dalam I-TEMUAN
dokumentasi I-TEMUAN
formal I-TEMUAN
untuk I-TEMUAN
memastikan I-TEMUAN
keberlanjutan I-TEMUAN
e-learning I-TEMUAN
di I-TEMUAN
organisasi. I-TEMUAN
Kata O
Kunci— O
e-learning O
, O
kematangan O
, O
eMM O
( O
eMM O
) O
. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
, O
kematangan B-TEMUAN
e-learning I-TEMUAN
di I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS I-TEMUAN
berada I-TEMUAN
di I-TEMUAN
level I-TEMUAN
3 I-TEMUAN
yang I-TEMUAN
mengindikasikan I-TEMUAN
hasil I-TEMUAN
dari I-TEMUAN
praktik I-TEMUAN
e-learning I-TEMUAN
sudah I-TEMUAN
terlihat I-TEMUAN
di I-TEMUAN
organisasi I-TEMUAN
, I-TEMUAN
namun I-TEMUAN
diperlukan I-TEMUAN
upaya I-TEMUAN
untuk I-TEMUAN
menuangkan I-TEMUAN
praktik I-TEMUAN
e-learning I-TEMUAN
dalam I-TEMUAN
dokumentasi I-TEMUAN
formal I-TEMUAN
untuk I-TEMUAN
memastikan I-TEMUAN
keberlanjutan I-TEMUAN
e-learning I-TEMUAN
di I-TEMUAN
organisasi. I-TEMUAN
Dimensi O
delivery O
merupakan O
dimensi O
dengan O
skor O
yang O
paling O
baik O
sementara O
7 O
/ O
8 O
dimensi O
management O
memiliki O
skor O
terendah O
dibanding O
dimensi O
lainnya. O
Hal O
tersebut O
menunjukkan O
penyampaian O
pembelajaran O
melalui O
e-learning O
di O
Politeknik O
Statistika O
STIS O
sudah O
baik O
namun O
pemantauan O
dan O
kontrol O
dari O
hasil O
yang O
ingin O
dicapai O
dari O
penerapan O
e-learning O
masih O
belum O
optimal. O
Melalui B-TUJUAN
pengukuran I-TUJUAN
kematangan I-TUJUAN
ini I-TUJUAN
dibangun I-TUJUAN
rekomendasi I-TUJUAN
dalam I-TUJUAN
upaya I-TUJUAN
meningkatkan I-TUJUAN
kualitas I-TUJUAN
e-learning I-TUJUAN
di I-TUJUAN
institusi. I-TUJUAN
Rekomendasi O
yang O
dihasilkan O
adalah O
sebagai O
berikut O
: O
1. O
Melakukan O
kegiatan O
monitoring O
dan O
evaluasi O
secara O
rutin O
terhadap O
saluran O
komunikasi O
yang O
digunakan O
pada O
e- O
learning O
dan O
penggunaan O
yang O
berkelanjutan O
dari O
sumber O
daya O
e-learning O
di O
institusi O
2. O
Mengumpulkan O
umpan O
balik O
dari O
mahasiswa O
, O
dosen O
dan O
tenaga O
pendidik O
mengenai O
pengalaman O
e-learning O
mereka O
di O
institusi. O
Khususnya O
mengenai O
saluran O
komunikasi O
yang O
digunakan O
pada O
e-learning O
, O
sistem O
ujian O
yang O
dilakukan O
dengan O
e-learning O
, O
efektivitas O
prosedur O
dan O
standar O
e-learning O
yang O
berlaku O
di O
institusi O
, O
fasilitas O
perpustakaan O
online O
dalam O
mendukung O
e- O
learning O
, O
dan O
tujuan O
strategis O
dan O
operasional O
e-learning O
institusi. O
penjadwalan O
e-learning O
, O
pada O
3. O
Melaksanakan O
analisis O
cost-benefit O
saat O
merencanakan O
alokasi O
sumber O
daya O
dan O
aktivitas O
pada O
saluran O
komunikasi O
, O
aktivitas O
, O
dan O
proyek O
yang O
dilakukan O
pada O
e-learning. O
4. O
Memberikan O
insentif O
atau O
penghargaan O
kepada O
dosen O
dan O
tenaga O
pendidik O
yang O
menciptakan O
sumber O
daya O
e-learning O
berkelanjutan O
dan O
mengadakan O
pembelajaran O
pada O
e- O
learning O
dengan O
inovatif. O
5. O
Merumuskan O
standar O
, O
perencanaan O
, O
dan O
kebijakan O
terkait O
standar O
dan O
pedoman O
dalam O
melakukan O
perkuliahan O
dengan O
e-learning O
, O
aspek O
teknis O
dan O
pedagogis O
yang O
perlu O
diperhatikan O
selama O
melaksanakan O
perkuliahan O
dengan O
e- O
learning O
, O
dan O
pedoman O
dalam O
menggunakan O
sumber O
daya O
e-learning O
secara O
berkelanjutan. O
Dokumentasi O
tersebut O
diperlukan O
untuk O
menjamin O
keberlanjutan O
e-learning O
di O
institusi. O
Dari O
penelitian O
ini O
dapat O
dilihat O
bahwa O
, O
dari O
10 O
proses O
eMM O
rekomendasi-rekomendasi O
yang O
diukur O
dapat O
disusun O
perbaikan O
untuk O
memahami O
kekuatan O
dan O
kelemahan O
yang O
ada O
pada O
aspek-aspek O
e-learning O
yang O
sedang O
berjalan O
di O
institusi. O
Rekomendasi O
tersebut O
dapat O
dijadikan O
road O
map O
bagi O
institusi O
untuk O
meningkatkan O
kualitas O
e-learning O
dengan O
memperbaiki O
aspek O
yang O
masih O
kurang O
agar O
tercipta O
budaya O
perbaikan O
yang O
berkelanjutan O
di O
institusi. O
Pada O
penelitian O
selanjutnya O
dapat O
elearning O
dengan O
dilakukan O
pengukuran O
kematangan O
jika O
lengkap O
, O
menggunakan O
35 O
proses O
eMM O
memungkinkan O
dilakukan O
pengambilan O
data O
untuk O
mengukur O
887 O
praktik O
/ O
pertanyaan O
yang O
ada. O
secara O

Pengukuran O
Kematangan O
E-learning O
di O
Politeknik O
Statistika O
STIS O
Maudy O
Insan O
Tania O
( O
221810414 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I. O
e-learning O
kini O
Ringkasan—Teknologi O
sudah O
menjadi O
kebutuhan O
dalam O
proses O
pembelajaran O
di O
perguruan O
tinggi. O
Pengetahuan O
terkait O
kondisi O
e-learning O
yang O
sedang O
berjalan O
diperlukan O
untuk O
pembentukan O
saran O
perbaikan O
agar O
penggunaan O
e-learning O
yang O
berkelanjutan O
dengan O
kualitas O
yang O
baik O
dapat O
dicapai O
oleh O
institusi. O
Hal O
tersebut O
dapat O
diperoleh O
dengan O
melakukan O
evaluasi O
terhadap O
e-learning. O
Evaluasi O
pada O
penelitian O
ini O
dilakukan O
dengan O
menggunakan O
e-learning O
Maturity O
model O
Pengumpulan O
data O
dilakukan O
dengan O
menggunakan O
studi O
dokumentasi O
dan O
survei B-METODE
dengan I-METODE
self- I-METODE
administrated I-METODE
questionnaire I-METODE
kepada O
responden O
yang O
dipilih O
dengan O
metode B-METODE
purposive I-METODE
sampling. I-METODE
Berdasarkan O
hasil O
penelitian O
, O
kematangan B-TEMUAN
e-learning I-TEMUAN
di I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS I-TEMUAN
berada I-TEMUAN
di I-TEMUAN
level I-TEMUAN
3 I-TEMUAN
yang I-TEMUAN
mengindikasikan I-TEMUAN
hasil I-TEMUAN
dari I-TEMUAN
praktik I-TEMUAN
e-learning I-TEMUAN
sudah I-TEMUAN
terlihat I-TEMUAN
di I-TEMUAN
organisasi I-TEMUAN
, I-TEMUAN
namun I-TEMUAN
diperlukan I-TEMUAN
upaya I-TEMUAN
untuk I-TEMUAN
menuangkan I-TEMUAN
praktik I-TEMUAN
e-learning I-TEMUAN
dalam I-TEMUAN
dokumentasi I-TEMUAN
formal I-TEMUAN
untuk I-TEMUAN
memastikan I-TEMUAN
keberlanjutan I-TEMUAN
e-learning I-TEMUAN
di I-TEMUAN
organisasi. I-TEMUAN
Kata O
Kunci— O
e-learning O
, O
kematangan O
, O
eMM O
( O
eMM O
) O
. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
, O
kematangan B-TEMUAN
e-learning I-TEMUAN
di I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS I-TEMUAN
berada I-TEMUAN
di I-TEMUAN
level I-TEMUAN
3 I-TEMUAN
yang I-TEMUAN
mengindikasikan I-TEMUAN
hasil I-TEMUAN
dari I-TEMUAN
praktik I-TEMUAN
e-learning I-TEMUAN
sudah I-TEMUAN
terlihat I-TEMUAN
di I-TEMUAN
organisasi I-TEMUAN
, I-TEMUAN
namun I-TEMUAN
diperlukan I-TEMUAN
upaya I-TEMUAN
untuk I-TEMUAN
menuangkan I-TEMUAN
praktik I-TEMUAN
e-learning I-TEMUAN
dalam I-TEMUAN
dokumentasi I-TEMUAN
formal I-TEMUAN
untuk I-TEMUAN
memastikan I-TEMUAN
keberlanjutan I-TEMUAN
e-learning I-TEMUAN
di I-TEMUAN
organisasi. I-TEMUAN
Dimensi O
delivery O
merupakan O
dimensi O
dengan O
skor O
yang O
paling O
baik O
sementara O
7 O
/ O
8 O
dimensi O
management O
memiliki O
skor O
terendah O
dibanding O
dimensi O
lainnya. O
Hal O
tersebut O
menunjukkan O
penyampaian O
pembelajaran O
melalui O
e-learning O
di O
Politeknik O
Statistika O
STIS O
sudah O
baik O
namun O
pemantauan O
dan O
kontrol O
dari O
hasil O
yang O
ingin O
dicapai O
dari O
penerapan O
e-learning O
masih O
belum O
optimal. O
Melalui B-TUJUAN
pengukuran I-TUJUAN
kematangan I-TUJUAN
ini I-TUJUAN
dibangun I-TUJUAN
rekomendasi I-TUJUAN
dalam I-TUJUAN
upaya I-TUJUAN
meningkatkan I-TUJUAN
kualitas I-TUJUAN
e-learning I-TUJUAN
di I-TUJUAN
institusi. I-TUJUAN
Rekomendasi O
yang O
dihasilkan O
adalah O
sebagai O
berikut O
: O
1. O
Melakukan O
kegiatan O
monitoring O
dan O
evaluasi O
secara O
rutin O
terhadap O
saluran O
komunikasi O
yang O
digunakan O
pada O
e- O
learning O
dan O
penggunaan O
yang O
berkelanjutan O
dari O
sumber O
daya O
e-learning O
di O
institusi O
2. O
Mengumpulkan O
umpan O
balik O
dari O
mahasiswa O
, O
dosen O
dan O
tenaga O
pendidik O
mengenai O
pengalaman O
e-learning O
mereka O
di O
institusi. O
Khususnya O
mengenai O
saluran O
komunikasi O
yang O
digunakan O
pada O
e-learning O
, O
sistem O
ujian O
yang O
dilakukan O
dengan O
e-learning O
, O
efektivitas O
prosedur O
dan O
standar O
e-learning O
yang O
berlaku O
di O
institusi O
, O
fasilitas O
perpustakaan O
online O
dalam O
mendukung O
e- O
learning O
, O
dan O
tujuan O
strategis O
dan O
operasional O
e-learning O
institusi. O
penjadwalan O
e-learning O
, O
pada O
3. O
Melaksanakan O
analisis O
cost-benefit O
saat O
merencanakan O
alokasi O
sumber O
daya O
dan O
aktivitas O
pada O
saluran O
komunikasi O
, O
aktivitas O
, O
dan O
proyek O
yang O
dilakukan O
pada O
e-learning. O
4. O
Memberikan O
insentif O
atau O
penghargaan O
kepada O
dosen O
dan O
tenaga O
pendidik O
yang O
menciptakan O
sumber O
daya O
e-learning O
berkelanjutan O
dan O
mengadakan O
pembelajaran O
pada O
e- O
learning O
dengan O
inovatif. O
5. O
Merumuskan O
standar O
, O
perencanaan O
, O
dan O
kebijakan O
terkait O
standar O
dan O
pedoman O
dalam O
melakukan O
perkuliahan O
dengan O
e-learning O
, O
aspek O
teknis O
dan O
pedagogis O
yang O
perlu O
diperhatikan O
selama O
melaksanakan O
perkuliahan O
dengan O
e- O
learning O
, O
dan O
pedoman O
dalam O
menggunakan O
sumber O
daya O
e-learning O
secara O
berkelanjutan. O
Dokumentasi O
tersebut O
diperlukan O
untuk O
menjamin O
keberlanjutan O
e-learning O
di O
institusi. O
Dari O
penelitian O
ini O
dapat O
dilihat O
bahwa O
, O
dari O
10 O
proses O
eMM O
rekomendasi-rekomendasi O
yang O
diukur O
dapat O
disusun O
perbaikan O
untuk O
memahami O
kekuatan O
dan O
kelemahan O
yang O
ada O
pada O
aspek-aspek O
e-learning O
yang O
sedang O
berjalan O
di O
institusi. O
Rekomendasi O
tersebut O
dapat O
dijadikan O
road O
map O
bagi O
institusi O
untuk O
meningkatkan O
kualitas O
e-learning O
dengan O
memperbaiki O
aspek O
yang O
masih O
kurang O
agar O
tercipta O
budaya O
perbaikan O
yang O
berkelanjutan O
di O
institusi. O
Pada O
penelitian O
selanjutnya O
dapat O
elearning O
dengan O
dilakukan O
pengukuran O
kematangan O
jika O
lengkap O
, O
menggunakan O
35 O
proses O
eMM O
memungkinkan O
dilakukan O
pengambilan O
data O
untuk O
mengukur O
887 O
praktik O
/ O
pertanyaan O
yang O
ada. O
secara O

Pengukuran O
Kematangan O
E-learning O
di O
Politeknik O
Statistika O
STIS O
Maudy O
Insan O
Tania O
( O
221810414 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I. O
e-learning O
kini O
Ringkasan—Teknologi O
sudah O
menjadi O
kebutuhan O
dalam O
proses O
pembelajaran O
di O
perguruan O
tinggi. O
Pengetahuan O
terkait O
kondisi O
e-learning O
yang O
sedang O
berjalan O
diperlukan O
untuk O
pembentukan O
saran O
perbaikan O
agar O
penggunaan O
e-learning O
yang O
berkelanjutan O
dengan O
kualitas O
yang O
baik O
dapat O
dicapai O
oleh O
institusi. O
Hal O
tersebut O
dapat O
diperoleh O
dengan O
melakukan O
evaluasi O
terhadap O
e-learning. O
Evaluasi O
pada O
penelitian O
ini O
dilakukan O
dengan O
menggunakan O
e-learning O
Maturity O
model O
Pengumpulan O
data O
dilakukan O
dengan O
menggunakan O
studi O
dokumentasi O
dan O
survei B-METODE
dengan I-METODE
self- I-METODE
administrated I-METODE
questionnaire I-METODE
kepada O
responden O
yang O
dipilih O
dengan O
metode B-METODE
purposive I-METODE
sampling. I-METODE
Berdasarkan O
hasil O
penelitian O
, O
kematangan B-TEMUAN
e-learning I-TEMUAN
di I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS I-TEMUAN
berada I-TEMUAN
di I-TEMUAN
level I-TEMUAN
3 I-TEMUAN
yang I-TEMUAN
mengindikasikan I-TEMUAN
hasil I-TEMUAN
dari I-TEMUAN
praktik I-TEMUAN
e-learning I-TEMUAN
sudah I-TEMUAN
terlihat I-TEMUAN
di I-TEMUAN
organisasi I-TEMUAN
, I-TEMUAN
namun I-TEMUAN
diperlukan I-TEMUAN
upaya I-TEMUAN
untuk I-TEMUAN
menuangkan I-TEMUAN
praktik I-TEMUAN
e-learning I-TEMUAN
dalam I-TEMUAN
dokumentasi I-TEMUAN
formal I-TEMUAN
untuk I-TEMUAN
memastikan I-TEMUAN
keberlanjutan I-TEMUAN
e-learning I-TEMUAN
di I-TEMUAN
organisasi. I-TEMUAN
Kata O
Kunci— O
e-learning O
, O
kematangan O
, O
eMM O
( O
eMM O
) O
. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
, O
kematangan B-TEMUAN
e-learning I-TEMUAN
di I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS I-TEMUAN
berada I-TEMUAN
di I-TEMUAN
level I-TEMUAN
3 I-TEMUAN
yang I-TEMUAN
mengindikasikan I-TEMUAN
hasil I-TEMUAN
dari I-TEMUAN
praktik I-TEMUAN
e-learning I-TEMUAN
sudah I-TEMUAN
terlihat I-TEMUAN
di I-TEMUAN
organisasi I-TEMUAN
, I-TEMUAN
namun I-TEMUAN
diperlukan I-TEMUAN
upaya I-TEMUAN
untuk I-TEMUAN
menuangkan I-TEMUAN
praktik I-TEMUAN
e-learning I-TEMUAN
dalam I-TEMUAN
dokumentasi I-TEMUAN
formal I-TEMUAN
untuk I-TEMUAN
memastikan I-TEMUAN
keberlanjutan I-TEMUAN
e-learning I-TEMUAN
di I-TEMUAN
organisasi. I-TEMUAN
Dimensi O
delivery O
merupakan O
dimensi O
dengan O
skor O
yang O
paling O
baik O
sementara O
7 O
/ O
8 O
dimensi O
management O
memiliki O
skor O
terendah O
dibanding O
dimensi O
lainnya. O
Hal O
tersebut O
menunjukkan O
penyampaian O
pembelajaran O
melalui O
e-learning O
di O
Politeknik O
Statistika O
STIS O
sudah O
baik O
namun O
pemantauan O
dan O
kontrol O
dari O
hasil O
yang O
ingin O
dicapai O
dari O
penerapan O
e-learning O
masih O
belum O
optimal. O
Melalui B-TUJUAN
pengukuran I-TUJUAN
kematangan I-TUJUAN
ini I-TUJUAN
dibangun I-TUJUAN
rekomendasi I-TUJUAN
dalam I-TUJUAN
upaya I-TUJUAN
meningkatkan I-TUJUAN
kualitas I-TUJUAN
e-learning I-TUJUAN
di I-TUJUAN
institusi. I-TUJUAN
Rekomendasi O
yang O
dihasilkan O
adalah O
sebagai O
berikut O
: O
1. O
Melakukan O
kegiatan O
monitoring O
dan O
evaluasi O
secara O
rutin O
terhadap O
saluran O
komunikasi O
yang O
digunakan O
pada O
e- O
learning O
dan O
penggunaan O
yang O
berkelanjutan O
dari O
sumber O
daya O
e-learning O
di O
institusi O
2. O
Mengumpulkan O
umpan O
balik O
dari O
mahasiswa O
, O
dosen O
dan O
tenaga O
pendidik O
mengenai O
pengalaman O
e-learning O
mereka O
di O
institusi. O
Khususnya O
mengenai O
saluran O
komunikasi O
yang O
digunakan O
pada O
e-learning O
, O
sistem O
ujian O
yang O
dilakukan O
dengan O
e-learning O
, O
efektivitas O
prosedur O
dan O
standar O
e-learning O
yang O
berlaku O
di O
institusi O
, O
fasilitas O
perpustakaan O
online O
dalam O
mendukung O
e- O
learning O
, O
dan O
tujuan O
strategis O
dan O
operasional O
e-learning O
institusi. O
penjadwalan O
e-learning O
, O
pada O
3. O
Melaksanakan O
analisis O
cost-benefit O
saat O
merencanakan O
alokasi O
sumber O
daya O
dan O
aktivitas O
pada O
saluran O
komunikasi O
, O
aktivitas O
, O
dan O
proyek O
yang O
dilakukan O
pada O
e-learning. O
4. O
Memberikan O
insentif O
atau O
penghargaan O
kepada O
dosen O
dan O
tenaga O
pendidik O
yang O
menciptakan O
sumber O
daya O
e-learning O
berkelanjutan O
dan O
mengadakan O
pembelajaran O
pada O
e- O
learning O
dengan O
inovatif. O
5. O
Merumuskan O
standar O
, O
perencanaan O
, O
dan O
kebijakan O
terkait O
standar O
dan O
pedoman O
dalam O
melakukan O
perkuliahan O
dengan O
e-learning O
, O
aspek O
teknis O
dan O
pedagogis O
yang O
perlu O
diperhatikan O
selama O
melaksanakan O
perkuliahan O
dengan O
e- O
learning O
, O
dan O
pedoman O
dalam O
menggunakan O
sumber O
daya O
e-learning O
secara O
berkelanjutan. O
Dokumentasi O
tersebut O
diperlukan O
untuk O
menjamin O
keberlanjutan O
e-learning O
di O
institusi. O
Dari O
penelitian O
ini O
dapat O
dilihat O
bahwa O
, O
dari O
10 O
proses O
eMM O
rekomendasi-rekomendasi O
yang O
diukur O
dapat O
disusun O
perbaikan O
untuk O
memahami O
kekuatan O
dan O
kelemahan O
yang O
ada O
pada O
aspek-aspek O
e-learning O
yang O
sedang O
berjalan O
di O
institusi. O
Rekomendasi O
tersebut O
dapat O
dijadikan O
road O
map O
bagi O
institusi O
untuk O
meningkatkan O
kualitas O
e-learning O
dengan O
memperbaiki O
aspek O
yang O
masih O
kurang O
agar O
tercipta O
budaya O
perbaikan O
yang O
berkelanjutan O
di O
institusi. O
Pada O
penelitian O
selanjutnya O
dapat O
elearning O
dengan O
dilakukan O
pengukuran O
kematangan O
jika O
lengkap O
, O
menggunakan O
35 O
proses O
eMM O
memungkinkan O
dilakukan O
pengambilan O
data O
untuk O
mengukur O
887 O
praktik O
/ O
pertanyaan O
yang O
ada. O
secara O

Pembangunan O
Sistem O
Informasi O
Pengagendaan O
Surat O
Berbasis O
Web O
Studi O
Kasus O
BPS O
Kota O
Serang O
Mardiningtyas O
Bayu O
Sulthani O
( O
221810412 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Lya O
Huliyyatus O
Suadaa O
, O
S.S.T. O
, O
M. O
T. O
salah O
Ringkasan— O
Dalam O
proses O
administrasi O
perkantoran O
, O
surat O
merupakan O
satu O
alat O
penting O
yang O
mendukung O
terlaksananya O
kegiatan O
kerja O
secara O
professional. O
Kegiatan O
Operasional O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
Kota O
Serang O
sehari- O
harinya O
tidak O
sedikit O
menerbitkan O
surat. O
Di O
BPS O
Kota O
Serang O
terdapat O
suatu O
sistem O
persuratan O
yang O
agendanya O
diatur O
dan O
dikelola O
oleh O
subbagian O
tata O
usaha. O
Akan O
tetapi O
sistem O
tersebut O
memiliki O
banyak O
kekurangan O
karena O
masih O
menggunakan O
spreadsheet O
( O
excel O
) O
yang O
dimodifikasi. O
Kekurangan O
tersebut O
diantaranya O
akses O
pada O
satu O
waktu O
terbatas O
, O
hak O
akses O
informasi O
kurang O
jelas O
, O
dan O
pengarsipan O
surat O
yang O
kurang O
tertata. O
Oleh O
karena O
itu O
dalam O
penelitian O
ini O
dibangun O
suatu O
sistem O
berbasis O
web O
yang O
dapat O
mengatasi O
masalah O
tersebut. O
Sistem O
yang O
dibuat O
bertujuan O
untuk O
meningkatkan B-METODE
efisiensi I-METODE
kerja I-METODE
yang I-METODE
ada I-METODE
, I-METODE
memperjelas I-METODE
batas I-METODE
aksesnya I-METODE
, I-METODE
dan I-METODE
memudahkan I-METODE
pengarsipan I-METODE
surat I-METODE
yang I-METODE
tercatat. I-METODE
Kata O
Kunci— O
Agenda O
Surat O
, O
Web O
, O
Sistem O
, O
Tata O
Usaha. O
[SEP] O
Berdasarkan O
penelitian O
yang O
diperoleh O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
telah O
dilakukan O
, O
1. O
Hasil O
analisis O
terhadap O
sistem O
pengagendaan O
surat O
BPS O
Kota O
Serang O
yang O
sedang O
berjalan O
menujukkan O
adanya O
permasalahan O
berikut O
: O
• O
Dokumen O
agenda O
pada O
system O
tidak O
dapat O
diakses O
secara O
simultan O
oleh O
banyak O
orang. O
• O
Hak O
akses O
pengguna O
yang O
belum O
jelas O
batasannya. O
• O
Pengarsipan O
surat O
yang O
kurang O
tertata. O
2. O
Untuk O
mengatasi O
masalah O
tersebut O
, O
dalam O
penelitian O
ini O
dibangun B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
pengagendaan I-TUJUAN
surat I-TUJUAN
baru I-TUJUAN
yang I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
3. O
Dibutuhkan O
dua O
kali O
iterasi O
pada O
penelitian O
ini O
karena O
hasil O
uji O
pada O
iterasi O
pertama O
kurang O
baik O
4. O
Sistem B-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
oleh I-TEMUAN
semua I-TEMUAN
pegawai I-TEMUAN
BPS I-TEMUAN
Kota I-TEMUAN
Serang I-TEMUAN
dengan I-TEMUAN
Batasan I-TEMUAN
akses I-TEMUAN
informasi I-TEMUAN
yang I-TEMUAN
jelas. I-TEMUAN

Pembangunan O
Sistem O
Informasi O
Pengagendaan O
Surat O
Berbasis O
Web O
Studi O
Kasus O
BPS O
Kota O
Serang O
Mardiningtyas O
Bayu O
Sulthani O
( O
221810412 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Lya O
Huliyyatus O
Suadaa O
, O
S.S.T. O
, O
M. O
T. O
salah O
Ringkasan— O
Dalam O
proses O
administrasi O
perkantoran O
, O
surat O
merupakan O
satu O
alat O
penting O
yang O
mendukung O
terlaksananya O
kegiatan O
kerja O
secara O
professional. O
Kegiatan O
Operasional O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
Kota O
Serang O
sehari- O
harinya O
tidak O
sedikit O
menerbitkan O
surat. O
Di O
BPS O
Kota O
Serang O
terdapat O
suatu O
sistem O
persuratan O
yang O
agendanya O
diatur O
dan O
dikelola O
oleh O
subbagian O
tata O
usaha. O
Akan O
tetapi O
sistem O
tersebut O
memiliki O
banyak O
kekurangan O
karena O
masih O
menggunakan O
spreadsheet O
( O
excel O
) O
yang O
dimodifikasi. O
Kekurangan O
tersebut O
diantaranya O
akses O
pada O
satu O
waktu O
terbatas O
, O
hak O
akses O
informasi O
kurang O
jelas O
, O
dan O
pengarsipan O
surat O
yang O
kurang O
tertata. O
Oleh O
karena O
itu O
dalam O
penelitian O
ini O
dibangun O
suatu O
sistem O
berbasis O
web O
yang O
dapat O
mengatasi O
masalah O
tersebut. O
Sistem O
yang O
dibuat O
bertujuan O
untuk O
meningkatkan B-METODE
efisiensi I-METODE
kerja I-METODE
yang I-METODE
ada I-METODE
, I-METODE
memperjelas I-METODE
batas I-METODE
aksesnya I-METODE
, I-METODE
dan I-METODE
memudahkan I-METODE
pengarsipan I-METODE
surat I-METODE
yang I-METODE
tercatat. I-METODE
Kata O
Kunci— O
Agenda O
Surat O
, O
Web O
, O
Sistem O
, O
Tata O
Usaha. O
[SEP] O
Berdasarkan O
penelitian O
yang O
diperoleh O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
telah O
dilakukan O
, O
1. O
Hasil O
analisis O
terhadap O
sistem O
pengagendaan O
surat O
BPS O
Kota O
Serang O
yang O
sedang O
berjalan O
menujukkan O
adanya O
permasalahan O
berikut O
: O
• O
Dokumen O
agenda O
pada O
system O
tidak O
dapat O
diakses O
secara O
simultan O
oleh O
banyak O
orang. O
• O
Hak O
akses O
pengguna O
yang O
belum O
jelas O
batasannya. O
• O
Pengarsipan O
surat O
yang O
kurang O
tertata. O
2. O
Untuk O
mengatasi O
masalah O
tersebut O
, O
dalam O
penelitian O
ini O
dibangun B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
pengagendaan I-TUJUAN
surat I-TUJUAN
baru I-TUJUAN
yang I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
3. O
Dibutuhkan O
dua O
kali O
iterasi O
pada O
penelitian O
ini O
karena O
hasil O
uji O
pada O
iterasi O
pertama O
kurang O
baik O
4. O
Sistem B-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
oleh I-TEMUAN
semua I-TEMUAN
pegawai I-TEMUAN
BPS I-TEMUAN
Kota I-TEMUAN
Serang I-TEMUAN
dengan I-TEMUAN
Batasan I-TEMUAN
akses I-TEMUAN
informasi I-TEMUAN
yang I-TEMUAN
jelas. I-TEMUAN

Pembangunan O
Sistem O
Informasi O
Pengagendaan O
Surat O
Berbasis O
Web O
Studi O
Kasus O
BPS O
Kota O
Serang O
Mardiningtyas O
Bayu O
Sulthani O
( O
221810412 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Lya O
Huliyyatus O
Suadaa O
, O
S.S.T. O
, O
M. O
T. O
salah O
Ringkasan— O
Dalam O
proses O
administrasi O
perkantoran O
, O
surat O
merupakan O
satu O
alat O
penting O
yang O
mendukung O
terlaksananya O
kegiatan O
kerja O
secara O
professional. O
Kegiatan O
Operasional O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
Kota O
Serang O
sehari- O
harinya O
tidak O
sedikit O
menerbitkan O
surat. O
Di O
BPS O
Kota O
Serang O
terdapat O
suatu O
sistem O
persuratan O
yang O
agendanya O
diatur O
dan O
dikelola O
oleh O
subbagian O
tata O
usaha. O
Akan O
tetapi O
sistem O
tersebut O
memiliki O
banyak O
kekurangan O
karena O
masih O
menggunakan O
spreadsheet O
( O
excel O
) O
yang O
dimodifikasi. O
Kekurangan O
tersebut O
diantaranya O
akses O
pada O
satu O
waktu O
terbatas O
, O
hak O
akses O
informasi O
kurang O
jelas O
, O
dan O
pengarsipan O
surat O
yang O
kurang O
tertata. O
Oleh O
karena O
itu O
dalam O
penelitian O
ini O
dibangun O
suatu O
sistem O
berbasis O
web O
yang O
dapat O
mengatasi O
masalah O
tersebut. O
Sistem O
yang O
dibuat O
bertujuan O
untuk O
meningkatkan B-METODE
efisiensi I-METODE
kerja I-METODE
yang I-METODE
ada I-METODE
, I-METODE
memperjelas I-METODE
batas I-METODE
aksesnya I-METODE
, I-METODE
dan I-METODE
memudahkan I-METODE
pengarsipan I-METODE
surat I-METODE
yang I-METODE
tercatat. I-METODE
Kata O
Kunci— O
Agenda O
Surat O
, O
Web O
, O
Sistem O
, O
Tata O
Usaha. O
[SEP] O
Berdasarkan O
penelitian O
yang O
diperoleh O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
telah O
dilakukan O
, O
1. O
Hasil O
analisis O
terhadap O
sistem O
pengagendaan O
surat O
BPS O
Kota O
Serang O
yang O
sedang O
berjalan O
menujukkan O
adanya O
permasalahan O
berikut O
: O
• O
Dokumen O
agenda O
pada O
system O
tidak O
dapat O
diakses O
secara O
simultan O
oleh O
banyak O
orang. O
• O
Hak O
akses O
pengguna O
yang O
belum O
jelas O
batasannya. O
• O
Pengarsipan O
surat O
yang O
kurang O
tertata. O
2. O
Untuk O
mengatasi O
masalah O
tersebut O
, O
dalam O
penelitian O
ini O
dibangun B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
pengagendaan I-TUJUAN
surat I-TUJUAN
baru I-TUJUAN
yang I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
3. O
Dibutuhkan O
dua O
kali O
iterasi O
pada O
penelitian O
ini O
karena O
hasil O
uji O
pada O
iterasi O
pertama O
kurang O
baik O
4. O
Sistem B-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
oleh I-TEMUAN
semua I-TEMUAN
pegawai I-TEMUAN
BPS I-TEMUAN
Kota I-TEMUAN
Serang I-TEMUAN
dengan I-TEMUAN
Batasan I-TEMUAN
akses I-TEMUAN
informasi I-TEMUAN
yang I-TEMUAN
jelas. I-TEMUAN

Pembangunan O
Sistem O
Informasi O
Pengagendaan O
Surat O
Berbasis O
Web O
Studi O
Kasus O
BPS O
Kota O
Serang O
Mardiningtyas O
Bayu O
Sulthani O
( O
221810412 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Lya O
Huliyyatus O
Suadaa O
, O
S.S.T. O
, O
M. O
T. O
salah O
Ringkasan— O
Dalam O
proses O
administrasi O
perkantoran O
, O
surat O
merupakan O
satu O
alat O
penting O
yang O
mendukung O
terlaksananya O
kegiatan O
kerja O
secara O
professional. O
Kegiatan O
Operasional O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
Kota O
Serang O
sehari- O
harinya O
tidak O
sedikit O
menerbitkan O
surat. O
Di O
BPS O
Kota O
Serang O
terdapat O
suatu O
sistem O
persuratan O
yang O
agendanya O
diatur O
dan O
dikelola O
oleh O
subbagian O
tata O
usaha. O
Akan O
tetapi O
sistem O
tersebut O
memiliki O
banyak O
kekurangan O
karena O
masih O
menggunakan O
spreadsheet O
( O
excel O
) O
yang O
dimodifikasi. O
Kekurangan O
tersebut O
diantaranya O
akses O
pada O
satu O
waktu O
terbatas O
, O
hak O
akses O
informasi O
kurang O
jelas O
, O
dan O
pengarsipan O
surat O
yang O
kurang O
tertata. O
Oleh O
karena O
itu O
dalam O
penelitian O
ini O
dibangun O
suatu O
sistem O
berbasis O
web O
yang O
dapat O
mengatasi O
masalah O
tersebut. O
Sistem O
yang O
dibuat O
bertujuan O
untuk O
meningkatkan B-METODE
efisiensi I-METODE
kerja I-METODE
yang I-METODE
ada I-METODE
, I-METODE
memperjelas I-METODE
batas I-METODE
aksesnya I-METODE
, I-METODE
dan I-METODE
memudahkan I-METODE
pengarsipan I-METODE
surat I-METODE
yang I-METODE
tercatat. I-METODE
Kata O
Kunci— O
Agenda O
Surat O
, O
Web O
, O
Sistem O
, O
Tata O
Usaha. O
[SEP] O
Berdasarkan O
penelitian O
yang O
diperoleh O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
telah O
dilakukan O
, O
1. O
Hasil O
analisis O
terhadap O
sistem O
pengagendaan O
surat O
BPS O
Kota O
Serang O
yang O
sedang O
berjalan O
menujukkan O
adanya O
permasalahan O
berikut O
: O
• O
Dokumen O
agenda O
pada O
system O
tidak O
dapat O
diakses O
secara O
simultan O
oleh O
banyak O
orang. O
• O
Hak O
akses O
pengguna O
yang O
belum O
jelas O
batasannya. O
• O
Pengarsipan O
surat O
yang O
kurang O
tertata. O
2. O
Untuk O
mengatasi O
masalah O
tersebut O
, O
dalam O
penelitian O
ini O
dibangun B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
pengagendaan I-TUJUAN
surat I-TUJUAN
baru I-TUJUAN
yang I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
3. O
Dibutuhkan O
dua O
kali O
iterasi O
pada O
penelitian O
ini O
karena O
hasil O
uji O
pada O
iterasi O
pertama O
kurang O
baik O
4. O
Sistem B-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
oleh I-TEMUAN
semua I-TEMUAN
pegawai I-TEMUAN
BPS I-TEMUAN
Kota I-TEMUAN
Serang I-TEMUAN
dengan I-TEMUAN
Batasan I-TEMUAN
akses I-TEMUAN
informasi I-TEMUAN
yang I-TEMUAN
jelas. I-TEMUAN

Pengembangan O
Sistem O
Informasi O
Persuratan O
Berbasis O
Web O
di O
Biro O
Humas O
dan O
Hukum O
BPS O
M. O
Hafiz O
Al O
Ihsan O
( O
221810407 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph.D. O
Ringkasan— O
Biro O
Humas O
dan O
Hukum O
merupakan O
salah O
satu O
unit O
kerja O
di O
bawah O
sekretariat O
utama O
di O
BPS. O
Biro O
Humas O
dan O
Hukum O
juga O
melakukan O
pengelolaan O
surat O
dalam O
menjalankan O
kegiatannya. O
Saat O
ini O
, O
pengelolaan O
data O
surat O
di O
Biro O
Humas O
dan O
Hukum O
dilakukan O
menggunakan O
Google O
Sheets. O
Pengelolaan O
dengan O
Google O
Sheets O
dianggap O
belum O
efisien O
karena O
surat O
dalam O
setahun O
cukup O
banyak. O
Penomoran O
surat O
juga O
masih O
disusun O
secara O
manual O
oleh O
pegawai. O
Pegawai O
yang O
ingin O
mengajukan O
surat O
keluar O
harus O
menyusun O
nomor O
surat O
dengan O
cara O
mengakses O
secara O
langsung O
database O
surat O
dan O
melihat O
urutan O
nomor O
surat O
terakhir O
di O
hari O
tersebut. O
Dokumentasi O
surat O
di O
Biro O
Humas O
dan O
Hukum O
juga O
belum O
berjalan O
dengan O
baik O
karena O
pegawai O
sering O
tidak O
melakukan O
pemindaian O
surat O
yang O
digunakan O
sebagai O
bahan O
arsip. O
Penelitian O
ini O
bertujuan O
untuk O
menyelesaikan B-TUJUAN
masalah I-TUJUAN
di I-TUJUAN
atas I-TUJUAN
dengan I-TUJUAN
cara I-TUJUAN
mengembangkan I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
persuratan I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
Metode O
pengembangan O
sistem O
yang O
dilakukan O
adalah O
SDLC B-METODE
dengan I-METODE
model I-METODE
waterfall. I-METODE
Metode O
evaluasi O
yang O
digunakan O
dalam O
penelitian O
ini O
adalah O
Black B-METODE
Box I-METODE
Testing I-METODE
dan I-METODE
USE I-METODE
Questionnaire. I-METODE
Hasil B-TEMUAN
dari I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
adalah I-TEMUAN
sistem I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
bernama I-TEMUAN
Sistem I-TEMUAN
Persuratan I-TEMUAN
Biro I-TEMUAN
Humas I-TEMUAN
dan I-TEMUAN
Hukum I-TEMUAN
BPS. I-TEMUAN
Evaluasi B-TEMUAN
sistem I-TEMUAN
dengan I-TEMUAN
USE I-TEMUAN
Questionnaire I-TEMUAN
mendapatkan I-TEMUAN
tingkat I-TEMUAN
usability I-TEMUAN
lebih I-TEMUAN
besar I-TEMUAN
dari I-TEMUAN
80 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
dimensi I-TEMUAN
kegunaan I-TEMUAN
, I-TEMUAN
kemudahan I-TEMUAN
penggunaan I-TEMUAN
, I-TEMUAN
kemudahan I-TEMUAN
dipelajari I-TEMUAN
dan I-TEMUAN
kepuasan I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
tingkat I-TEMUAN
usability I-TEMUAN
untuk I-TEMUAN
setiap I-TEMUAN
dimensi I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
baik I-TEMUAN
sekali. I-TEMUAN
Kata O
Kunci— O
Dokumentasi O
, O
Surat O
, O
SDLC O
, O
Waterfall O
, O
USE O
Questionnaire. O
[SEP] O
Berdasarkan O
hasil O
dari O
penelitian O
yang O
telah O
dilakukan O
, O
kesimpulan O
dalam O
penelitian O
ini O
adalah O
sebagai O
berikut. O
1. O
dan O
data O
surat O
, O
penggolongan O
penomoran O
Permasalahan O
secara O
umum O
dalam O
sistem O
persuratan O
di O
Biro O
Humas O
dan O
Hukum O
BPS O
, O
yaitu O
pengelolaan O
surat O
yang O
kurang O
efisien. O
Pengelolaan O
surat O
tersebut O
meliputi O
kegiatan O
seperti O
pencatatan O
atau O
dokumentasi O
surat O
, O
atau O
penyimpanan O
surat O
, O
pengklasifikasian O
surat. O
Penyusunan O
nomor O
surat O
masih O
dilakukan O
secara O
manual O
oleh O
pegawai O
dan O
dokumentasi O
surat O
belum O
berjalan O
dengan O
baik. O
Penelitian O
ini O
menghasilkan B-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
persuratan I-TEMUAN
Biro I-TEMUAN
Humas I-TEMUAN
dan I-TEMUAN
Hukum I-TEMUAN
BPS I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
sebagai I-TEMUAN
solusi I-TEMUAN
dalam I-TEMUAN
mengatasi I-TEMUAN
masalah I-TEMUAN
dalam I-TEMUAN
pengelolaan I-TEMUAN
surat I-TEMUAN
di I-TEMUAN
Biro I-TEMUAN
Humas I-TEMUAN
dan I-TEMUAN
Hukum I-TEMUAN
BPS. I-TEMUAN
Evaluasi B-TEMUAN
sistem I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
setiap I-TEMUAN
fungsi I-TEMUAN
yang I-TEMUAN
diuji I-TEMUAN
telah I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
Sistem I-TEMUAN
persuratan I-TEMUAN
Biro I-TEMUAN
Humas I-TEMUAN
dan I-TEMUAN
Hukum I-TEMUAN
BPS I-TEMUAN
mendapatkan I-TEMUAN
tingkat I-TEMUAN
usability I-TEMUAN
sebesar I-TEMUAN
88,89 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
dimensi I-TEMUAN
kegunaan I-TEMUAN
, I-TEMUAN
85,05 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
dimensi I-TEMUAN
kemudahan I-TEMUAN
penggunaan I-TEMUAN
, I-TEMUAN
85 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
dimensi I-TEMUAN
kemudahan I-TEMUAN
dipelajari I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
86,67 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
dimensi I-TEMUAN
kepuasan. I-TEMUAN
Berdasarkan I-TEMUAN
hasil I-TEMUAN
tersebut I-TEMUAN
, I-TEMUAN
tingkat I-TEMUAN
usability I-TEMUAN
untuk I-TEMUAN
setiap I-TEMUAN
dimensi I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
baik I-TEMUAN
sekali I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
bahwa I-TEMUAN
Sistem I-TEMUAN
Persuratan I-TEMUAN
Biro I-TEMUAN
Humas I-TEMUAN
dan I-TEMUAN
Hukum I-TEMUAN
BPS I-TEMUAN
sangat I-TEMUAN
berguna I-TEMUAN
, I-TEMUAN
mudah I-TEMUAN
2. O
3. O
4. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
untuk O
digunakan O
, O
mudah O
untuk O
dipelajari O
dan O
responden O
merasa O
puas O
dengan O
Sistem O
Persuratan O
Biro O
Humas O
dan O
Hukum O
BPS. O
Beberapa O
saran O
yang O
dapat O
dilakukan O
untuk O
penelitian O
2. O
selanjutnya O
adalah O
sebagai O
berikut. O
1. O
Melakukan O
implementasi O
server O
side O
datatables O
dalam O
tabel O
– O
tabel O
yang O
menampilkan O
data O
surat O
yang O
bertujuan O
untuk O
mempercepat O
proses O
menampilkan O
data O
ke O
dalam O
tabel. O
Pengembangan O
penyusunan O
nomor O
surat O
secara O
otomatis O
untuk O
surat O
lainnya. O
Surat O
lainnya O
tersebut O
terdiri O
dari O
tiga O
surat O
, O
yaitu O
nota O
kesepahaman O
, O
perjanjian O
kerjasama O
, O
dan O
berita O
acara. O
Pengembangan O
validasi O
untuk O
pembuktian O
bahwa O
petugas O
telah O
menyelesaikan O
penugasan O
surat O
masuk O
dan O
notifikasi O
pengingat O
untuk O
petugas O
yang O
belum O
melakukan O
penugasan O
surat O
masuk. O
3. O
4. O
Melakukan O
pembagian O
kontrol O
akses O
terhadap O
pengguna O
dengan O
role O
admin O
seperti O
menambahkan O
role O
baru O
yang O
dikhususkan O
untuk O
mengelola O
data O
surat. O
Hal O
tersebut O
dilakukan O
untuk O
mengetahui O
perbedaan O
kebutuhan O
data O
antara O
administrator O
sistem O
dan O
tim O
persuratan O
Biro O
Humas O
dan O
Hukum O
BPS. O

Pengembangan O
Sistem O
Informasi O
Persuratan O
Berbasis O
Web O
di O
Biro O
Humas O
dan O
Hukum O
BPS O
M. O
Hafiz O
Al O
Ihsan O
( O
221810407 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph.D. O
Ringkasan— O
Biro O
Humas O
dan O
Hukum O
merupakan O
salah O
satu O
unit O
kerja O
di O
bawah O
sekretariat O
utama O
di O
BPS. O
Biro O
Humas O
dan O
Hukum O
juga O
melakukan O
pengelolaan O
surat O
dalam O
menjalankan O
kegiatannya. O
Saat O
ini O
, O
pengelolaan O
data O
surat O
di O
Biro O
Humas O
dan O
Hukum O
dilakukan O
menggunakan O
Google O
Sheets. O
Pengelolaan O
dengan O
Google O
Sheets O
dianggap O
belum O
efisien O
karena O
surat O
dalam O
setahun O
cukup O
banyak. O
Penomoran O
surat O
juga O
masih O
disusun O
secara O
manual O
oleh O
pegawai. O
Pegawai O
yang O
ingin O
mengajukan O
surat O
keluar O
harus O
menyusun O
nomor O
surat O
dengan O
cara O
mengakses O
secara O
langsung O
database O
surat O
dan O
melihat O
urutan O
nomor O
surat O
terakhir O
di O
hari O
tersebut. O
Dokumentasi O
surat O
di O
Biro O
Humas O
dan O
Hukum O
juga O
belum O
berjalan O
dengan O
baik O
karena O
pegawai O
sering O
tidak O
melakukan O
pemindaian O
surat O
yang O
digunakan O
sebagai O
bahan O
arsip. O
Penelitian O
ini O
bertujuan O
untuk O
menyelesaikan B-TUJUAN
masalah I-TUJUAN
di I-TUJUAN
atas I-TUJUAN
dengan I-TUJUAN
cara I-TUJUAN
mengembangkan I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
persuratan I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
Metode O
pengembangan O
sistem O
yang O
dilakukan O
adalah O
SDLC B-METODE
dengan I-METODE
model I-METODE
waterfall. I-METODE
Metode O
evaluasi O
yang O
digunakan O
dalam O
penelitian O
ini O
adalah O
Black B-METODE
Box I-METODE
Testing I-METODE
dan I-METODE
USE I-METODE
Questionnaire. I-METODE
Hasil B-TEMUAN
dari I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
adalah I-TEMUAN
sistem I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
bernama I-TEMUAN
Sistem I-TEMUAN
Persuratan I-TEMUAN
Biro I-TEMUAN
Humas I-TEMUAN
dan I-TEMUAN
Hukum I-TEMUAN
BPS. I-TEMUAN
Evaluasi B-TEMUAN
sistem I-TEMUAN
dengan I-TEMUAN
USE I-TEMUAN
Questionnaire I-TEMUAN
mendapatkan I-TEMUAN
tingkat I-TEMUAN
usability I-TEMUAN
lebih I-TEMUAN
besar I-TEMUAN
dari I-TEMUAN
80 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
dimensi I-TEMUAN
kegunaan I-TEMUAN
, I-TEMUAN
kemudahan I-TEMUAN
penggunaan I-TEMUAN
, I-TEMUAN
kemudahan I-TEMUAN
dipelajari I-TEMUAN
dan I-TEMUAN
kepuasan I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
tingkat I-TEMUAN
usability I-TEMUAN
untuk I-TEMUAN
setiap I-TEMUAN
dimensi I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
baik I-TEMUAN
sekali. I-TEMUAN
Kata O
Kunci— O
Dokumentasi O
, O
Surat O
, O
SDLC O
, O
Waterfall O
, O
USE O
Questionnaire. O
[SEP] O
Berdasarkan O
hasil O
dari O
penelitian O
yang O
telah O
dilakukan O
, O
kesimpulan O
dalam O
penelitian O
ini O
adalah O
sebagai O
berikut. O
1. O
dan O
data O
surat O
, O
penggolongan O
penomoran O
Permasalahan O
secara O
umum O
dalam O
sistem O
persuratan O
di O
Biro O
Humas O
dan O
Hukum O
BPS O
, O
yaitu O
pengelolaan O
surat O
yang O
kurang O
efisien. O
Pengelolaan O
surat O
tersebut O
meliputi O
kegiatan O
seperti O
pencatatan O
atau O
dokumentasi O
surat O
, O
atau O
penyimpanan O
surat O
, O
pengklasifikasian O
surat. O
Penyusunan O
nomor O
surat O
masih O
dilakukan O
secara O
manual O
oleh O
pegawai O
dan O
dokumentasi O
surat O
belum O
berjalan O
dengan O
baik. O
Penelitian O
ini O
menghasilkan B-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
persuratan I-TEMUAN
Biro I-TEMUAN
Humas I-TEMUAN
dan I-TEMUAN
Hukum I-TEMUAN
BPS I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
sebagai I-TEMUAN
solusi I-TEMUAN
dalam I-TEMUAN
mengatasi I-TEMUAN
masalah I-TEMUAN
dalam I-TEMUAN
pengelolaan I-TEMUAN
surat I-TEMUAN
di I-TEMUAN
Biro I-TEMUAN
Humas I-TEMUAN
dan I-TEMUAN
Hukum I-TEMUAN
BPS. I-TEMUAN
Evaluasi B-TEMUAN
sistem I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
setiap I-TEMUAN
fungsi I-TEMUAN
yang I-TEMUAN
diuji I-TEMUAN
telah I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
Sistem I-TEMUAN
persuratan I-TEMUAN
Biro I-TEMUAN
Humas I-TEMUAN
dan I-TEMUAN
Hukum I-TEMUAN
BPS I-TEMUAN
mendapatkan I-TEMUAN
tingkat I-TEMUAN
usability I-TEMUAN
sebesar I-TEMUAN
88,89 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
dimensi I-TEMUAN
kegunaan I-TEMUAN
, I-TEMUAN
85,05 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
dimensi I-TEMUAN
kemudahan I-TEMUAN
penggunaan I-TEMUAN
, I-TEMUAN
85 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
dimensi I-TEMUAN
kemudahan I-TEMUAN
dipelajari I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
86,67 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
dimensi I-TEMUAN
kepuasan. I-TEMUAN
Berdasarkan I-TEMUAN
hasil I-TEMUAN
tersebut I-TEMUAN
, I-TEMUAN
tingkat I-TEMUAN
usability I-TEMUAN
untuk I-TEMUAN
setiap I-TEMUAN
dimensi I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
baik I-TEMUAN
sekali I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
bahwa I-TEMUAN
Sistem I-TEMUAN
Persuratan I-TEMUAN
Biro I-TEMUAN
Humas I-TEMUAN
dan I-TEMUAN
Hukum I-TEMUAN
BPS I-TEMUAN
sangat I-TEMUAN
berguna I-TEMUAN
, I-TEMUAN
mudah I-TEMUAN
2. O
3. O
4. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
untuk O
digunakan O
, O
mudah O
untuk O
dipelajari O
dan O
responden O
merasa O
puas O
dengan O
Sistem O
Persuratan O
Biro O
Humas O
dan O
Hukum O
BPS. O
Beberapa O
saran O
yang O
dapat O
dilakukan O
untuk O
penelitian O
2. O
selanjutnya O
adalah O
sebagai O
berikut. O
1. O
Melakukan O
implementasi O
server O
side O
datatables O
dalam O
tabel O
– O
tabel O
yang O
menampilkan O
data O
surat O
yang O
bertujuan O
untuk O
mempercepat O
proses O
menampilkan O
data O
ke O
dalam O
tabel. O
Pengembangan O
penyusunan O
nomor O
surat O
secara O
otomatis O
untuk O
surat O
lainnya. O
Surat O
lainnya O
tersebut O
terdiri O
dari O
tiga O
surat O
, O
yaitu O
nota O
kesepahaman O
, O
perjanjian O
kerjasama O
, O
dan O
berita O
acara. O
Pengembangan O
validasi O
untuk O
pembuktian O
bahwa O
petugas O
telah O
menyelesaikan O
penugasan O
surat O
masuk O
dan O
notifikasi O
pengingat O
untuk O
petugas O
yang O
belum O
melakukan O
penugasan O
surat O
masuk. O
3. O
4. O
Melakukan O
pembagian O
kontrol O
akses O
terhadap O
pengguna O
dengan O
role O
admin O
seperti O
menambahkan O
role O
baru O
yang O
dikhususkan O
untuk O
mengelola O
data O
surat. O
Hal O
tersebut O
dilakukan O
untuk O
mengetahui O
perbedaan O
kebutuhan O
data O
antara O
administrator O
sistem O
dan O
tim O
persuratan O
Biro O
Humas O
dan O
Hukum O
BPS. O

Pengembangan O
Sistem O
Informasi O
Persuratan O
Berbasis O
Web O
di O
Biro O
Humas O
dan O
Hukum O
BPS O
M. O
Hafiz O
Al O
Ihsan O
( O
221810407 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph.D. O
Ringkasan— O
Biro O
Humas O
dan O
Hukum O
merupakan O
salah O
satu O
unit O
kerja O
di O
bawah O
sekretariat O
utama O
di O
BPS. O
Biro O
Humas O
dan O
Hukum O
juga O
melakukan O
pengelolaan O
surat O
dalam O
menjalankan O
kegiatannya. O
Saat O
ini O
, O
pengelolaan O
data O
surat O
di O
Biro O
Humas O
dan O
Hukum O
dilakukan O
menggunakan O
Google O
Sheets. O
Pengelolaan O
dengan O
Google O
Sheets O
dianggap O
belum O
efisien O
karena O
surat O
dalam O
setahun O
cukup O
banyak. O
Penomoran O
surat O
juga O
masih O
disusun O
secara O
manual O
oleh O
pegawai. O
Pegawai O
yang O
ingin O
mengajukan O
surat O
keluar O
harus O
menyusun O
nomor O
surat O
dengan O
cara O
mengakses O
secara O
langsung O
database O
surat O
dan O
melihat O
urutan O
nomor O
surat O
terakhir O
di O
hari O
tersebut. O
Dokumentasi O
surat O
di O
Biro O
Humas O
dan O
Hukum O
juga O
belum O
berjalan O
dengan O
baik O
karena O
pegawai O
sering O
tidak O
melakukan O
pemindaian O
surat O
yang O
digunakan O
sebagai O
bahan O
arsip. O
Penelitian O
ini O
bertujuan O
untuk O
menyelesaikan B-TUJUAN
masalah I-TUJUAN
di I-TUJUAN
atas I-TUJUAN
dengan I-TUJUAN
cara I-TUJUAN
mengembangkan I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
persuratan I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
Metode O
pengembangan O
sistem O
yang O
dilakukan O
adalah O
SDLC B-METODE
dengan I-METODE
model I-METODE
waterfall. I-METODE
Metode O
evaluasi O
yang O
digunakan O
dalam O
penelitian O
ini O
adalah O
Black B-METODE
Box I-METODE
Testing I-METODE
dan I-METODE
USE I-METODE
Questionnaire. I-METODE
Hasil B-TEMUAN
dari I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
adalah I-TEMUAN
sistem I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
bernama I-TEMUAN
Sistem I-TEMUAN
Persuratan I-TEMUAN
Biro I-TEMUAN
Humas I-TEMUAN
dan I-TEMUAN
Hukum I-TEMUAN
BPS. I-TEMUAN
Evaluasi B-TEMUAN
sistem I-TEMUAN
dengan I-TEMUAN
USE I-TEMUAN
Questionnaire I-TEMUAN
mendapatkan I-TEMUAN
tingkat I-TEMUAN
usability I-TEMUAN
lebih I-TEMUAN
besar I-TEMUAN
dari I-TEMUAN
80 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
dimensi I-TEMUAN
kegunaan I-TEMUAN
, I-TEMUAN
kemudahan I-TEMUAN
penggunaan I-TEMUAN
, I-TEMUAN
kemudahan I-TEMUAN
dipelajari I-TEMUAN
dan I-TEMUAN
kepuasan I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
tingkat I-TEMUAN
usability I-TEMUAN
untuk I-TEMUAN
setiap I-TEMUAN
dimensi I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
baik I-TEMUAN
sekali. I-TEMUAN
Kata O
Kunci— O
Dokumentasi O
, O
Surat O
, O
SDLC O
, O
Waterfall O
, O
USE O
Questionnaire. O
[SEP] O
Berdasarkan O
hasil O
dari O
penelitian O
yang O
telah O
dilakukan O
, O
kesimpulan O
dalam O
penelitian O
ini O
adalah O
sebagai O
berikut. O
1. O
dan O
data O
surat O
, O
penggolongan O
penomoran O
Permasalahan O
secara O
umum O
dalam O
sistem O
persuratan O
di O
Biro O
Humas O
dan O
Hukum O
BPS O
, O
yaitu O
pengelolaan O
surat O
yang O
kurang O
efisien. O
Pengelolaan O
surat O
tersebut O
meliputi O
kegiatan O
seperti O
pencatatan O
atau O
dokumentasi O
surat O
, O
atau O
penyimpanan O
surat O
, O
pengklasifikasian O
surat. O
Penyusunan O
nomor O
surat O
masih O
dilakukan O
secara O
manual O
oleh O
pegawai O
dan O
dokumentasi O
surat O
belum O
berjalan O
dengan O
baik. O
Penelitian O
ini O
menghasilkan B-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
persuratan I-TEMUAN
Biro I-TEMUAN
Humas I-TEMUAN
dan I-TEMUAN
Hukum I-TEMUAN
BPS I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
sebagai I-TEMUAN
solusi I-TEMUAN
dalam I-TEMUAN
mengatasi I-TEMUAN
masalah I-TEMUAN
dalam I-TEMUAN
pengelolaan I-TEMUAN
surat I-TEMUAN
di I-TEMUAN
Biro I-TEMUAN
Humas I-TEMUAN
dan I-TEMUAN
Hukum I-TEMUAN
BPS. I-TEMUAN
Evaluasi B-TEMUAN
sistem I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
setiap I-TEMUAN
fungsi I-TEMUAN
yang I-TEMUAN
diuji I-TEMUAN
telah I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
Sistem I-TEMUAN
persuratan I-TEMUAN
Biro I-TEMUAN
Humas I-TEMUAN
dan I-TEMUAN
Hukum I-TEMUAN
BPS I-TEMUAN
mendapatkan I-TEMUAN
tingkat I-TEMUAN
usability I-TEMUAN
sebesar I-TEMUAN
88,89 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
dimensi I-TEMUAN
kegunaan I-TEMUAN
, I-TEMUAN
85,05 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
dimensi I-TEMUAN
kemudahan I-TEMUAN
penggunaan I-TEMUAN
, I-TEMUAN
85 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
dimensi I-TEMUAN
kemudahan I-TEMUAN
dipelajari I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
86,67 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
dimensi I-TEMUAN
kepuasan. I-TEMUAN
Berdasarkan I-TEMUAN
hasil I-TEMUAN
tersebut I-TEMUAN
, I-TEMUAN
tingkat I-TEMUAN
usability I-TEMUAN
untuk I-TEMUAN
setiap I-TEMUAN
dimensi I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
baik I-TEMUAN
sekali I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
bahwa I-TEMUAN
Sistem I-TEMUAN
Persuratan I-TEMUAN
Biro I-TEMUAN
Humas I-TEMUAN
dan I-TEMUAN
Hukum I-TEMUAN
BPS I-TEMUAN
sangat I-TEMUAN
berguna I-TEMUAN
, I-TEMUAN
mudah I-TEMUAN
2. O
3. O
4. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
untuk O
digunakan O
, O
mudah O
untuk O
dipelajari O
dan O
responden O
merasa O
puas O
dengan O
Sistem O
Persuratan O
Biro O
Humas O
dan O
Hukum O
BPS. O
Beberapa O
saran O
yang O
dapat O
dilakukan O
untuk O
penelitian O
2. O
selanjutnya O
adalah O
sebagai O
berikut. O
1. O
Melakukan O
implementasi O
server O
side O
datatables O
dalam O
tabel O
– O
tabel O
yang O
menampilkan O
data O
surat O
yang O
bertujuan O
untuk O
mempercepat O
proses O
menampilkan O
data O
ke O
dalam O
tabel. O
Pengembangan O
penyusunan O
nomor O
surat O
secara O
otomatis O
untuk O
surat O
lainnya. O
Surat O
lainnya O
tersebut O
terdiri O
dari O
tiga O
surat O
, O
yaitu O
nota O
kesepahaman O
, O
perjanjian O
kerjasama O
, O
dan O
berita O
acara. O
Pengembangan O
validasi O
untuk O
pembuktian O
bahwa O
petugas O
telah O
menyelesaikan O
penugasan O
surat O
masuk O
dan O
notifikasi O
pengingat O
untuk O
petugas O
yang O
belum O
melakukan O
penugasan O
surat O
masuk. O
3. O
4. O
Melakukan O
pembagian O
kontrol O
akses O
terhadap O
pengguna O
dengan O
role O
admin O
seperti O
menambahkan O
role O
baru O
yang O
dikhususkan O
untuk O
mengelola O
data O
surat. O
Hal O
tersebut O
dilakukan O
untuk O
mengetahui O
perbedaan O
kebutuhan O
data O
antara O
administrator O
sistem O
dan O
tim O
persuratan O
Biro O
Humas O
dan O
Hukum O
BPS. O

Pengembangan O
Sistem O
Informasi O
Persuratan O
Berbasis O
Web O
di O
Biro O
Humas O
dan O
Hukum O
BPS O
M. O
Hafiz O
Al O
Ihsan O
( O
221810407 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph.D. O
Ringkasan— O
Biro O
Humas O
dan O
Hukum O
merupakan O
salah O
satu O
unit O
kerja O
di O
bawah O
sekretariat O
utama O
di O
BPS. O
Biro O
Humas O
dan O
Hukum O
juga O
melakukan O
pengelolaan O
surat O
dalam O
menjalankan O
kegiatannya. O
Saat O
ini O
, O
pengelolaan O
data O
surat O
di O
Biro O
Humas O
dan O
Hukum O
dilakukan O
menggunakan O
Google O
Sheets. O
Pengelolaan O
dengan O
Google O
Sheets O
dianggap O
belum O
efisien O
karena O
surat O
dalam O
setahun O
cukup O
banyak. O
Penomoran O
surat O
juga O
masih O
disusun O
secara O
manual O
oleh O
pegawai. O
Pegawai O
yang O
ingin O
mengajukan O
surat O
keluar O
harus O
menyusun O
nomor O
surat O
dengan O
cara O
mengakses O
secara O
langsung O
database O
surat O
dan O
melihat O
urutan O
nomor O
surat O
terakhir O
di O
hari O
tersebut. O
Dokumentasi O
surat O
di O
Biro O
Humas O
dan O
Hukum O
juga O
belum O
berjalan O
dengan O
baik O
karena O
pegawai O
sering O
tidak O
melakukan O
pemindaian O
surat O
yang O
digunakan O
sebagai O
bahan O
arsip. O
Penelitian O
ini O
bertujuan O
untuk O
menyelesaikan B-TUJUAN
masalah I-TUJUAN
di I-TUJUAN
atas I-TUJUAN
dengan I-TUJUAN
cara I-TUJUAN
mengembangkan I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
persuratan I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
Metode O
pengembangan O
sistem O
yang O
dilakukan O
adalah O
SDLC B-METODE
dengan I-METODE
model I-METODE
waterfall. I-METODE
Metode O
evaluasi O
yang O
digunakan O
dalam O
penelitian O
ini O
adalah O
Black B-METODE
Box I-METODE
Testing I-METODE
dan I-METODE
USE I-METODE
Questionnaire. I-METODE
Hasil B-TEMUAN
dari I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
adalah I-TEMUAN
sistem I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
bernama I-TEMUAN
Sistem I-TEMUAN
Persuratan I-TEMUAN
Biro I-TEMUAN
Humas I-TEMUAN
dan I-TEMUAN
Hukum I-TEMUAN
BPS. I-TEMUAN
Evaluasi B-TEMUAN
sistem I-TEMUAN
dengan I-TEMUAN
USE I-TEMUAN
Questionnaire I-TEMUAN
mendapatkan I-TEMUAN
tingkat I-TEMUAN
usability I-TEMUAN
lebih I-TEMUAN
besar I-TEMUAN
dari I-TEMUAN
80 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
dimensi I-TEMUAN
kegunaan I-TEMUAN
, I-TEMUAN
kemudahan I-TEMUAN
penggunaan I-TEMUAN
, I-TEMUAN
kemudahan I-TEMUAN
dipelajari I-TEMUAN
dan I-TEMUAN
kepuasan I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
tingkat I-TEMUAN
usability I-TEMUAN
untuk I-TEMUAN
setiap I-TEMUAN
dimensi I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
baik I-TEMUAN
sekali. I-TEMUAN
Kata O
Kunci— O
Dokumentasi O
, O
Surat O
, O
SDLC O
, O
Waterfall O
, O
USE O
Questionnaire. O
[SEP] O
Berdasarkan O
hasil O
dari O
penelitian O
yang O
telah O
dilakukan O
, O
kesimpulan O
dalam O
penelitian O
ini O
adalah O
sebagai O
berikut. O
1. O
dan O
data O
surat O
, O
penggolongan O
penomoran O
Permasalahan O
secara O
umum O
dalam O
sistem O
persuratan O
di O
Biro O
Humas O
dan O
Hukum O
BPS O
, O
yaitu O
pengelolaan O
surat O
yang O
kurang O
efisien. O
Pengelolaan O
surat O
tersebut O
meliputi O
kegiatan O
seperti O
pencatatan O
atau O
dokumentasi O
surat O
, O
atau O
penyimpanan O
surat O
, O
pengklasifikasian O
surat. O
Penyusunan O
nomor O
surat O
masih O
dilakukan O
secara O
manual O
oleh O
pegawai O
dan O
dokumentasi O
surat O
belum O
berjalan O
dengan O
baik. O
Penelitian O
ini O
menghasilkan B-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
persuratan I-TEMUAN
Biro I-TEMUAN
Humas I-TEMUAN
dan I-TEMUAN
Hukum I-TEMUAN
BPS I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
sebagai I-TEMUAN
solusi I-TEMUAN
dalam I-TEMUAN
mengatasi I-TEMUAN
masalah I-TEMUAN
dalam I-TEMUAN
pengelolaan I-TEMUAN
surat I-TEMUAN
di I-TEMUAN
Biro I-TEMUAN
Humas I-TEMUAN
dan I-TEMUAN
Hukum I-TEMUAN
BPS. I-TEMUAN
Evaluasi B-TEMUAN
sistem I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
setiap I-TEMUAN
fungsi I-TEMUAN
yang I-TEMUAN
diuji I-TEMUAN
telah I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
Sistem I-TEMUAN
persuratan I-TEMUAN
Biro I-TEMUAN
Humas I-TEMUAN
dan I-TEMUAN
Hukum I-TEMUAN
BPS I-TEMUAN
mendapatkan I-TEMUAN
tingkat I-TEMUAN
usability I-TEMUAN
sebesar I-TEMUAN
88,89 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
dimensi I-TEMUAN
kegunaan I-TEMUAN
, I-TEMUAN
85,05 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
dimensi I-TEMUAN
kemudahan I-TEMUAN
penggunaan I-TEMUAN
, I-TEMUAN
85 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
dimensi I-TEMUAN
kemudahan I-TEMUAN
dipelajari I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
86,67 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
dimensi I-TEMUAN
kepuasan. I-TEMUAN
Berdasarkan I-TEMUAN
hasil I-TEMUAN
tersebut I-TEMUAN
, I-TEMUAN
tingkat I-TEMUAN
usability I-TEMUAN
untuk I-TEMUAN
setiap I-TEMUAN
dimensi I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
baik I-TEMUAN
sekali I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
bahwa I-TEMUAN
Sistem I-TEMUAN
Persuratan I-TEMUAN
Biro I-TEMUAN
Humas I-TEMUAN
dan I-TEMUAN
Hukum I-TEMUAN
BPS I-TEMUAN
sangat I-TEMUAN
berguna I-TEMUAN
, I-TEMUAN
mudah I-TEMUAN
2. O
3. O
4. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
untuk O
digunakan O
, O
mudah O
untuk O
dipelajari O
dan O
responden O
merasa O
puas O
dengan O
Sistem O
Persuratan O
Biro O
Humas O
dan O
Hukum O
BPS. O
Beberapa O
saran O
yang O
dapat O
dilakukan O
untuk O
penelitian O
2. O
selanjutnya O
adalah O
sebagai O
berikut. O
1. O
Melakukan O
implementasi O
server O
side O
datatables O
dalam O
tabel O
– O
tabel O
yang O
menampilkan O
data O
surat O
yang O
bertujuan O
untuk O
mempercepat O
proses O
menampilkan O
data O
ke O
dalam O
tabel. O
Pengembangan O
penyusunan O
nomor O
surat O
secara O
otomatis O
untuk O
surat O
lainnya. O
Surat O
lainnya O
tersebut O
terdiri O
dari O
tiga O
surat O
, O
yaitu O
nota O
kesepahaman O
, O
perjanjian O
kerjasama O
, O
dan O
berita O
acara. O
Pengembangan O
validasi O
untuk O
pembuktian O
bahwa O
petugas O
telah O
menyelesaikan O
penugasan O
surat O
masuk O
dan O
notifikasi O
pengingat O
untuk O
petugas O
yang O
belum O
melakukan O
penugasan O
surat O
masuk. O
3. O
4. O
Melakukan O
pembagian O
kontrol O
akses O
terhadap O
pengguna O
dengan O
role O
admin O
seperti O
menambahkan O
role O
baru O
yang O
dikhususkan O
untuk O
mengelola O
data O
surat. O
Hal O
tersebut O
dilakukan O
untuk O
mengetahui O
perbedaan O
kebutuhan O
data O
antara O
administrator O
sistem O
dan O
tim O
persuratan O
Biro O
Humas O
dan O
Hukum O
BPS. O

Perancangan O
Sistem O
Informasi O
Pengelolaan O
dan O
Legalisir O
Ijazah O
dan O
Transkrip O
Nilai O
Berbasis O
Website O
Studi O
Kasus O
Politeknik O
Statistika O
STIS O
M. O
Zikri O
( O
221810404 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Erna O
Nurmawati O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Sistem O
Informasi O
Legalisir O
merupakan O
sistem O
yang O
dirancang O
untuk O
membantu O
Bagian O
Administrasi O
Akademik O
dan O
Kemahasiswaan O
Politeknik O
Statistika O
STIS O
dalam O
pengelolaan O
permintaan O
ijazah O
dan O
transkrip O
nilai O
asli O
dan O
permintaan O
legalisir O
ijazah O
dan O
transkrip O
nilai. O
Proses O
permintaan O
legalisir O
ijazah O
saat O
ini O
masih O
dilakukan O
melalui O
media O
surat O
elektronik O
sehingga O
membutuhkan O
waktu O
yang O
cukup O
lama. O
Metode B-METODE
prototype I-METODE
dipilih O
sebagai O
metode O
yang O
digunakan O
untuk O
pengembangan O
sistem O
karena O
memiliki O
keunggulan O
seperti O
adanya O
pengguna O
dan O
pengembang O
sistem O
berperan O
aktif O
dalam O
proses O
pengembangan O
sistem. O
Selain O
mempermudah O
dan O
mengotomasi O
alur O
proses O
permintaan O
legalisir O
ijazah O
, O
aplikasi O
juga O
dirancang O
agar O
alumni O
dapat O
memonitor O
proses O
legalisir O
ijazah O
yang O
diajukan. O
Kata O
Kunci— O
Ijazah O
, O
Transkrip O
nilai O
, O
Alumni O
, O
Prototype. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
dan O
dari O
hasil O
penelitian O
dapat O
ditarik O
kesimpulan O
sebagai O
berikut O
1. O
peneliti O
telah O
berhasil O
membangun B-TUJUAN
Sistem I-TUJUAN
Informasi I-TUJUAN
Pengelolaan I-TUJUAN
dan I-TUJUAN
Legalisir I-TUJUAN
Ijazah I-TUJUAN
dan I-TUJUAN
Transkrip I-TUJUAN
Nilai I-TUJUAN
berbasis I-TUJUAN
website. I-TUJUAN
Sistem B-TEMUAN
telah I-TEMUAN
dapat I-TEMUAN
memfasilitasi I-TEMUAN
permohonan I-TEMUAN
dan I-TEMUAN
monitoring I-TEMUAN
permohonan I-TEMUAN
untuk I-TEMUAN
alumni I-TEMUAN
, I-TEMUAN
sistem I-TEMUAN
juga I-TEMUAN
telah I-TEMUAN
mengintegrasikan I-TEMUAN
database I-TEMUAN
dokumen I-TEMUAN
alumni I-TEMUAN
sehingga I-TEMUAN
proses I-TEMUAN
pencarian I-TEMUAN
dokumen I-TEMUAN
lebih I-TEMUAN
cepat. I-TEMUAN
2. O
Sistem O
informasi O
yang O
dibangun O
telah O
dilakukan O
evaluasi O
dengan O
hasil O
evaluasi O
dengan O
uji B-METODE
coba I-METODE
black I-METODE
box I-METODE
yang O
menunjukkan O
bahwa O
semua O
fungsi O
pada O
sistem O
berjalan O
dengan O
baik O
, O
evaluasi O
dengan O
kuesioner B-METODE
SUS I-METODE
( I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
) I-METODE
yang O
memberikan O
hasil O
yang O
artinya O
sistem. O
Adapun O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
dan O
pengembangan O
selanjutnya O
adalah O
pengintegrasian O
sistem O
dengan O
login O
akun O
sipadu O
, O
dan O
sistem O
tanda O
tangan O
digital O
sehingga O
lebih O
legalisir O
terotomatisasi. O
akan O
menjadi O
pemrosesan O

Perancangan O
Sistem O
Informasi O
Pengelolaan O
dan O
Legalisir O
Ijazah O
dan O
Transkrip O
Nilai O
Berbasis O
Website O
Studi O
Kasus O
Politeknik O
Statistika O
STIS O
M. O
Zikri O
( O
221810404 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Erna O
Nurmawati O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Sistem O
Informasi O
Legalisir O
merupakan O
sistem O
yang O
dirancang O
untuk O
membantu O
Bagian O
Administrasi O
Akademik O
dan O
Kemahasiswaan O
Politeknik O
Statistika O
STIS O
dalam O
pengelolaan O
permintaan O
ijazah O
dan O
transkrip O
nilai O
asli O
dan O
permintaan O
legalisir O
ijazah O
dan O
transkrip O
nilai. O
Proses O
permintaan O
legalisir O
ijazah O
saat O
ini O
masih O
dilakukan O
melalui O
media O
surat O
elektronik O
sehingga O
membutuhkan O
waktu O
yang O
cukup O
lama. O
Metode B-METODE
prototype I-METODE
dipilih O
sebagai O
metode O
yang O
digunakan O
untuk O
pengembangan O
sistem O
karena O
memiliki O
keunggulan O
seperti O
adanya O
pengguna O
dan O
pengembang O
sistem O
berperan O
aktif O
dalam O
proses O
pengembangan O
sistem. O
Selain O
mempermudah O
dan O
mengotomasi O
alur O
proses O
permintaan O
legalisir O
ijazah O
, O
aplikasi O
juga O
dirancang O
agar O
alumni O
dapat O
memonitor O
proses O
legalisir O
ijazah O
yang O
diajukan. O
Kata O
Kunci— O
Ijazah O
, O
Transkrip O
nilai O
, O
Alumni O
, O
Prototype. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
dan O
dari O
hasil O
penelitian O
dapat O
ditarik O
kesimpulan O
sebagai O
berikut O
1. O
peneliti O
telah O
berhasil O
membangun B-TUJUAN
Sistem I-TUJUAN
Informasi I-TUJUAN
Pengelolaan I-TUJUAN
dan I-TUJUAN
Legalisir I-TUJUAN
Ijazah I-TUJUAN
dan I-TUJUAN
Transkrip I-TUJUAN
Nilai I-TUJUAN
berbasis I-TUJUAN
website. I-TUJUAN
Sistem B-TEMUAN
telah I-TEMUAN
dapat I-TEMUAN
memfasilitasi I-TEMUAN
permohonan I-TEMUAN
dan I-TEMUAN
monitoring I-TEMUAN
permohonan I-TEMUAN
untuk I-TEMUAN
alumni I-TEMUAN
, I-TEMUAN
sistem I-TEMUAN
juga I-TEMUAN
telah I-TEMUAN
mengintegrasikan I-TEMUAN
database I-TEMUAN
dokumen I-TEMUAN
alumni I-TEMUAN
sehingga I-TEMUAN
proses I-TEMUAN
pencarian I-TEMUAN
dokumen I-TEMUAN
lebih I-TEMUAN
cepat. I-TEMUAN
2. O
Sistem O
informasi O
yang O
dibangun O
telah O
dilakukan O
evaluasi O
dengan O
hasil O
evaluasi O
dengan O
uji B-METODE
coba I-METODE
black I-METODE
box I-METODE
yang O
menunjukkan O
bahwa O
semua O
fungsi O
pada O
sistem O
berjalan O
dengan O
baik O
, O
evaluasi O
dengan O
kuesioner B-METODE
SUS I-METODE
( I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
) I-METODE
yang O
memberikan O
hasil O
yang O
artinya O
sistem. O
Adapun O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
dan O
pengembangan O
selanjutnya O
adalah O
pengintegrasian O
sistem O
dengan O
login O
akun O
sipadu O
, O
dan O
sistem O
tanda O
tangan O
digital O
sehingga O
lebih O
legalisir O
terotomatisasi. O
akan O
menjadi O
pemrosesan O

Perancangan O
Sistem O
Informasi O
Pengelolaan O
dan O
Legalisir O
Ijazah O
dan O
Transkrip O
Nilai O
Berbasis O
Website O
Studi O
Kasus O
Politeknik O
Statistika O
STIS O
M. O
Zikri O
( O
221810404 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Erna O
Nurmawati O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Sistem O
Informasi O
Legalisir O
merupakan O
sistem O
yang O
dirancang O
untuk O
membantu O
Bagian O
Administrasi O
Akademik O
dan O
Kemahasiswaan O
Politeknik O
Statistika O
STIS O
dalam O
pengelolaan O
permintaan O
ijazah O
dan O
transkrip O
nilai O
asli O
dan O
permintaan O
legalisir O
ijazah O
dan O
transkrip O
nilai. O
Proses O
permintaan O
legalisir O
ijazah O
saat O
ini O
masih O
dilakukan O
melalui O
media O
surat O
elektronik O
sehingga O
membutuhkan O
waktu O
yang O
cukup O
lama. O
Metode B-METODE
prototype I-METODE
dipilih O
sebagai O
metode O
yang O
digunakan O
untuk O
pengembangan O
sistem O
karena O
memiliki O
keunggulan O
seperti O
adanya O
pengguna O
dan O
pengembang O
sistem O
berperan O
aktif O
dalam O
proses O
pengembangan O
sistem. O
Selain O
mempermudah O
dan O
mengotomasi O
alur O
proses O
permintaan O
legalisir O
ijazah O
, O
aplikasi O
juga O
dirancang O
agar O
alumni O
dapat O
memonitor O
proses O
legalisir O
ijazah O
yang O
diajukan. O
Kata O
Kunci— O
Ijazah O
, O
Transkrip O
nilai O
, O
Alumni O
, O
Prototype. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
dan O
dari O
hasil O
penelitian O
dapat O
ditarik O
kesimpulan O
sebagai O
berikut O
1. O
peneliti O
telah O
berhasil O
membangun B-TUJUAN
Sistem I-TUJUAN
Informasi I-TUJUAN
Pengelolaan I-TUJUAN
dan I-TUJUAN
Legalisir I-TUJUAN
Ijazah I-TUJUAN
dan I-TUJUAN
Transkrip I-TUJUAN
Nilai I-TUJUAN
berbasis I-TUJUAN
website. I-TUJUAN
Sistem B-TEMUAN
telah I-TEMUAN
dapat I-TEMUAN
memfasilitasi I-TEMUAN
permohonan I-TEMUAN
dan I-TEMUAN
monitoring I-TEMUAN
permohonan I-TEMUAN
untuk I-TEMUAN
alumni I-TEMUAN
, I-TEMUAN
sistem I-TEMUAN
juga I-TEMUAN
telah I-TEMUAN
mengintegrasikan I-TEMUAN
database I-TEMUAN
dokumen I-TEMUAN
alumni I-TEMUAN
sehingga I-TEMUAN
proses I-TEMUAN
pencarian I-TEMUAN
dokumen I-TEMUAN
lebih I-TEMUAN
cepat. I-TEMUAN
2. O
Sistem O
informasi O
yang O
dibangun O
telah O
dilakukan O
evaluasi O
dengan O
hasil O
evaluasi O
dengan O
uji B-METODE
coba I-METODE
black I-METODE
box I-METODE
yang O
menunjukkan O
bahwa O
semua O
fungsi O
pada O
sistem O
berjalan O
dengan O
baik O
, O
evaluasi O
dengan O
kuesioner B-METODE
SUS I-METODE
( I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
) I-METODE
yang O
memberikan O
hasil O
yang O
artinya O
sistem. O
Adapun O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
dan O
pengembangan O
selanjutnya O
adalah O
pengintegrasian O
sistem O
dengan O
login O
akun O
sipadu O
, O
dan O
sistem O
tanda O
tangan O
digital O
sehingga O
lebih O
legalisir O
terotomatisasi. O
akan O
menjadi O
pemrosesan O

Perancangan O
Sistem O
Informasi O
Pengelolaan O
dan O
Legalisir O
Ijazah O
dan O
Transkrip O
Nilai O
Berbasis O
Website O
Studi O
Kasus O
Politeknik O
Statistika O
STIS O
M. O
Zikri O
( O
221810404 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Erna O
Nurmawati O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Sistem O
Informasi O
Legalisir O
merupakan O
sistem O
yang O
dirancang O
untuk O
membantu O
Bagian O
Administrasi O
Akademik O
dan O
Kemahasiswaan O
Politeknik O
Statistika O
STIS O
dalam O
pengelolaan O
permintaan O
ijazah O
dan O
transkrip O
nilai O
asli O
dan O
permintaan O
legalisir O
ijazah O
dan O
transkrip O
nilai. O
Proses O
permintaan O
legalisir O
ijazah O
saat O
ini O
masih O
dilakukan O
melalui O
media O
surat O
elektronik O
sehingga O
membutuhkan O
waktu O
yang O
cukup O
lama. O
Metode B-METODE
prototype I-METODE
dipilih O
sebagai O
metode O
yang O
digunakan O
untuk O
pengembangan O
sistem O
karena O
memiliki O
keunggulan O
seperti O
adanya O
pengguna O
dan O
pengembang O
sistem O
berperan O
aktif O
dalam O
proses O
pengembangan O
sistem. O
Selain O
mempermudah O
dan O
mengotomasi O
alur O
proses O
permintaan O
legalisir O
ijazah O
, O
aplikasi O
juga O
dirancang O
agar O
alumni O
dapat O
memonitor O
proses O
legalisir O
ijazah O
yang O
diajukan. O
Kata O
Kunci— O
Ijazah O
, O
Transkrip O
nilai O
, O
Alumni O
, O
Prototype. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
dan O
dari O
hasil O
penelitian O
dapat O
ditarik O
kesimpulan O
sebagai O
berikut O
1. O
peneliti O
telah O
berhasil O
membangun B-TUJUAN
Sistem I-TUJUAN
Informasi I-TUJUAN
Pengelolaan I-TUJUAN
dan I-TUJUAN
Legalisir I-TUJUAN
Ijazah I-TUJUAN
dan I-TUJUAN
Transkrip I-TUJUAN
Nilai I-TUJUAN
berbasis I-TUJUAN
website. I-TUJUAN
Sistem B-TEMUAN
telah I-TEMUAN
dapat I-TEMUAN
memfasilitasi I-TEMUAN
permohonan I-TEMUAN
dan I-TEMUAN
monitoring I-TEMUAN
permohonan I-TEMUAN
untuk I-TEMUAN
alumni I-TEMUAN
, I-TEMUAN
sistem I-TEMUAN
juga I-TEMUAN
telah I-TEMUAN
mengintegrasikan I-TEMUAN
database I-TEMUAN
dokumen I-TEMUAN
alumni I-TEMUAN
sehingga I-TEMUAN
proses I-TEMUAN
pencarian I-TEMUAN
dokumen I-TEMUAN
lebih I-TEMUAN
cepat. I-TEMUAN
2. O
Sistem O
informasi O
yang O
dibangun O
telah O
dilakukan O
evaluasi O
dengan O
hasil O
evaluasi O
dengan O
uji B-METODE
coba I-METODE
black I-METODE
box I-METODE
yang O
menunjukkan O
bahwa O
semua O
fungsi O
pada O
sistem O
berjalan O
dengan O
baik O
, O
evaluasi O
dengan O
kuesioner B-METODE
SUS I-METODE
( I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
) I-METODE
yang O
memberikan O
hasil O
yang O
artinya O
sistem. O
Adapun O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
dan O
pengembangan O
selanjutnya O
adalah O
pengintegrasian O
sistem O
dengan O
login O
akun O
sipadu O
, O
dan O
sistem O
tanda O
tangan O
digital O
sehingga O
lebih O
legalisir O
terotomatisasi. O
akan O
menjadi O
pemrosesan O

Pembangunan O
R O
Package O
pada O
Optimum O
Benchmarking O
Model O
Fay-Herriot O
Multivariat O
untuk O
Small O
Area O
Estimation O
Muhammad O
Yasqi O
Imanda O
( O
221810403 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Azka O
Ubaidillah O
Ringkasan— O
Pada O
area O
kecil O
ada O
suatu O
metode O
yang O
dapat O
digunakan O
selain O
penambahan O
sampel O
yaitu O
penerapan O
metode B-METODE
Small I-METODE
Area I-METODE
Estimation I-METODE
( I-METODE
SAE I-METODE
) I-METODE
. O
Salah O
satu O
metode O
estimasi O
dalam O
SAE O
adalah O
Empirical O
Best O
Linear O
Unbiased O
Prediction O
( O
EBLUP O
) O
. O
SAE O
dengan O
metode O
estimasi O
EBLUP O
disebut O
juga O
model O
Fay- O
Herriot. O
Dengan O
memanfaatkan O
korelasi O
antar O
variabel O
, O
model O
Fay-Herriot O
Multivariat O
lebih O
baik O
dibandingkan O
Model O
Univariatnya O
karena O
dengan O
mempertimbangkan O
korelasi O
antar O
variabel O
dapat O
meningkatkan O
performa O
hasil O
estimasi. O
Namun O
, O
estimasi O
tidak O
langsung O
dari O
SAE O
memiliki O
konsekuensi O
dimana O
saat O
hasil O
estimasi O
tidak O
langsung O
area O
kecil O
diagregasikan O
, O
belum O
tentu O
sesuai O
dengan O
estimasi O
langsung O
pada O
area O
yang O
lebih O
besar. O
Salah O
satu O
solusi O
untuk O
memperoleh O
kekonsistensian O
, O
yaitu O
dengan O
sebuah O
teknik O
yang O
disebut O
dengan O
benchmarking. O
Dalam O
penelitian O
ini O
, O
metode O
yang O
diambil O
adalah O
optimum B-METODE
benchmarking I-METODE
karena O
tidak O
mengalami O
kelemahan O
seperti O
faktor O
pengali O
yang O
digunakan O
sama O
untuk O
semua O
penduga O
dan O
juga O
tidak O
konsisten O
secara O
desain. O
Untuk O
mempermudah O
penggunaannya O
, O
peneliti O
mengembangkan B-TUJUAN
optimum I-TUJUAN
benchmarking I-TUJUAN
model I-TUJUAN
Fay-Herriot I-TUJUAN
multivariat I-TUJUAN
ini I-TUJUAN
dalam I-TUJUAN
bentuk I-TUJUAN
R I-TUJUAN
package I-TUJUAN
, O
yang O
telah O
diupload O
ke O
CRAN O
dengan O
nama O
package O
“msaeOB”. O
Kata O
Kunci— O
SAE O
, O
Fay-Herriot O
Multivariat O
, O
Optimum O
benchmarking O
, O
R O
package. O
Dalam O
SAE O
, O
terdapat O
beberapa O
metode O
estimasi O
yang O
bisa O
dilakukan O
, O
salah O
satu O
di O
antaranya O
adalah O
Empirical O
Best O
Linear O
Unbiased O
Prediction O
( O
EBLUP O
) O
. O
SAE O
dengan O
metode O
estimasi O
EBLUP O
disebut O
juga O
model O
Fay-Herriot. O
Tidak O
sedikit O
variabel- O
variabel O
yang O
diterbitkan O
melalui O
hasil O
survei O
BPS O
misalnya O
rata-rata O
pengeluaran O
rumah O
tangga O
per O
kapita O
makanan O
dan O
rata-rata O
pengeluaran O
rumah O
tangga O
per O
kapita O
non-makanan O
, O
memiliki O
korelasi O
yang O
kuat O
[ O
2 O
] O
. O
Dengan O
memanfaatkan O
korelasi O
antar O
variabel O
, O
mengindikasikan O
bahwa O
model O
multivariat O
lebih O
baik O
dibandingkan O
model O
univariat O
karena O
dengan O
mempertimbangkan O
korelasi O
antar O
variabel O
dapat O
meningkatkan O
performa O
hasil O
estimasi O
[ O
3 O
] O
. O
Penggunaan O
metode O
SAE O
untuk O
estimasi O
tidak O
langsung O
memiliki O
konsekuensi O
di O
mana O
saat O
hasil O
estimasi O
tidak O
langsung O
dari O
area O
kecil O
diagregasikan O
, O
belum O
tentu O
sesuai O
hasilnya O
dengan O
estimasi O
langsung O
pada O
area O
yang O
lebih O
besar O
[ O
4 O
] O
. O
Hal O
ini O
menimbulkan O
masalah O
karena O
SAE O
sebagai O
official O
statistics O
harus O
dapat O
memberikan O
hasil O
yang O
konsisten O
dan O
lebih O
efisien O
saat O
hasil O
yang O
didapatkan O
di O
area O
kecil O
diagregasikan. O
Terdapat O
salah O
satu O
solusi O
untuk O
memperoleh O
kekonsistensian O
tersebut O
, O
yaitu O
dengan O
sebuah O
teknik O
yang O
disebut O
dengan O
benchmarking O
[ O
4 O
] O
. O
[SEP] O
7.1. O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
didapatkan O
beberapa O
kesimpula O
sebagai O
berikut O
: O
1. O
Estimasi O
dan O
MSE O
metode O
optimum O
benchmarking O
telah O
berhasil O
model O
Fay-Herriot O
multivariat O
dibangun. O
2. O
R B-TEMUAN
package I-TEMUAN
untuk I-TEMUAN
metode I-TEMUAN
optimum I-TEMUAN
benchmarking I-TEMUAN
model I-TEMUAN
Fay-Herriot I-TEMUAN
multivariat I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
dengan I-TEMUAN
nama I-TEMUAN
“msaeOB” I-TEMUAN
dan O
dapat O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
diakses O
pada O
situs O
CRAN O
melalui O
https O
: O
/ O
/ O
cran.r- O
project.org O
/ O
web O
/ O
packages O
/ O
msaeOB O
/ O
3. O
R O
package O
telah O
berhasil O
diimplementasikan O
pada O
data O
bangkitan. O
hasil O
dan O
pembahasan O
Saran O
serta O
Berdasarkan O
kesimpulan O
, O
penulis O
memberikan O
beberapa O
saran O
sebaga O
berikut O
: O
1. O
Metode O
optimum O
benchmarking O
model O
Fay- O
Herriot O
multivariat O
sebagai O
salah O
satu O
dari O
lima O
metode O
benchmarking O
telah O
berhasil O
dibangun O
dua O
metode O
secara O
multivariat. O
Namun O
, O
benchmarking O
You-Rao O
Benchmarking O
dan O
augmented O
Benchmarking O
itu O
, O
dapat O
belum O
dikembangkan. O
Maka O
dari O
dikembangkan O
dua O
metode O
secara O
multivariat. O
lainnya O
lainnya O
yaitu O
2. O
Model O
multivariat O
yang O
digunakan O
pada O
penelitian O
terbatas O
pada O
Model O
Fay-Herriot O
ini O
masih O
Multivariat O
yang O
metode O
estimasinya O
meggunakan O
EBLUP. O
Sedangkan O
masih O
banyak O
metode O
estimasi O
lain O
yang O
dapat O
dikembangkan O
secara O
multivariat O
misalnya O
Empirical O
Bayes O
( O
EB O
) O
dan O
Hierarchical O
Bayes O
( O
HB O
) O
. O

Pembangunan O
R O
Package O
pada O
Optimum O
Benchmarking O
Model O
Fay-Herriot O
Multivariat O
untuk O
Small O
Area O
Estimation O
Muhammad O
Yasqi O
Imanda O
( O
221810403 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Azka O
Ubaidillah O
Ringkasan— O
Pada O
area O
kecil O
ada O
suatu O
metode O
yang O
dapat O
digunakan O
selain O
penambahan O
sampel O
yaitu O
penerapan O
metode B-METODE
Small I-METODE
Area I-METODE
Estimation I-METODE
( I-METODE
SAE I-METODE
) I-METODE
. O
Salah O
satu O
metode O
estimasi O
dalam O
SAE O
adalah O
Empirical O
Best O
Linear O
Unbiased O
Prediction O
( O
EBLUP O
) O
. O
SAE O
dengan O
metode O
estimasi O
EBLUP O
disebut O
juga O
model O
Fay- O
Herriot. O
Dengan O
memanfaatkan O
korelasi O
antar O
variabel O
, O
model O
Fay-Herriot O
Multivariat O
lebih O
baik O
dibandingkan O
Model O
Univariatnya O
karena O
dengan O
mempertimbangkan O
korelasi O
antar O
variabel O
dapat O
meningkatkan O
performa O
hasil O
estimasi. O
Namun O
, O
estimasi O
tidak O
langsung O
dari O
SAE O
memiliki O
konsekuensi O
dimana O
saat O
hasil O
estimasi O
tidak O
langsung O
area O
kecil O
diagregasikan O
, O
belum O
tentu O
sesuai O
dengan O
estimasi O
langsung O
pada O
area O
yang O
lebih O
besar. O
Salah O
satu O
solusi O
untuk O
memperoleh O
kekonsistensian O
, O
yaitu O
dengan O
sebuah O
teknik O
yang O
disebut O
dengan O
benchmarking. O
Dalam O
penelitian O
ini O
, O
metode O
yang O
diambil O
adalah O
optimum B-METODE
benchmarking I-METODE
karena O
tidak O
mengalami O
kelemahan O
seperti O
faktor O
pengali O
yang O
digunakan O
sama O
untuk O
semua O
penduga O
dan O
juga O
tidak O
konsisten O
secara O
desain. O
Untuk O
mempermudah O
penggunaannya O
, O
peneliti O
mengembangkan B-TUJUAN
optimum I-TUJUAN
benchmarking I-TUJUAN
model I-TUJUAN
Fay-Herriot I-TUJUAN
multivariat I-TUJUAN
ini I-TUJUAN
dalam I-TUJUAN
bentuk I-TUJUAN
R I-TUJUAN
package I-TUJUAN
, O
yang O
telah O
diupload O
ke O
CRAN O
dengan O
nama O
package O
“msaeOB”. O
Kata O
Kunci— O
SAE O
, O
Fay-Herriot O
Multivariat O
, O
Optimum O
benchmarking O
, O
R O
package. O
Dalam O
SAE O
, O
terdapat O
beberapa O
metode O
estimasi O
yang O
bisa O
dilakukan O
, O
salah O
satu O
di O
antaranya O
adalah O
Empirical O
Best O
Linear O
Unbiased O
Prediction O
( O
EBLUP O
) O
. O
SAE O
dengan O
metode O
estimasi O
EBLUP O
disebut O
juga O
model O
Fay-Herriot. O
Tidak O
sedikit O
variabel- O
variabel O
yang O
diterbitkan O
melalui O
hasil O
survei O
BPS O
misalnya O
rata-rata O
pengeluaran O
rumah O
tangga O
per O
kapita O
makanan O
dan O
rata-rata O
pengeluaran O
rumah O
tangga O
per O
kapita O
non-makanan O
, O
memiliki O
korelasi O
yang O
kuat O
[ O
2 O
] O
. O
Dengan O
memanfaatkan O
korelasi O
antar O
variabel O
, O
mengindikasikan O
bahwa O
model O
multivariat O
lebih O
baik O
dibandingkan O
model O
univariat O
karena O
dengan O
mempertimbangkan O
korelasi O
antar O
variabel O
dapat O
meningkatkan O
performa O
hasil O
estimasi O
[ O
3 O
] O
. O
Penggunaan O
metode O
SAE O
untuk O
estimasi O
tidak O
langsung O
memiliki O
konsekuensi O
di O
mana O
saat O
hasil O
estimasi O
tidak O
langsung O
dari O
area O
kecil O
diagregasikan O
, O
belum O
tentu O
sesuai O
hasilnya O
dengan O
estimasi O
langsung O
pada O
area O
yang O
lebih O
besar O
[ O
4 O
] O
. O
Hal O
ini O
menimbulkan O
masalah O
karena O
SAE O
sebagai O
official O
statistics O
harus O
dapat O
memberikan O
hasil O
yang O
konsisten O
dan O
lebih O
efisien O
saat O
hasil O
yang O
didapatkan O
di O
area O
kecil O
diagregasikan. O
Terdapat O
salah O
satu O
solusi O
untuk O
memperoleh O
kekonsistensian O
tersebut O
, O
yaitu O
dengan O
sebuah O
teknik O
yang O
disebut O
dengan O
benchmarking O
[ O
4 O
] O
. O
[SEP] O
7.1. O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
didapatkan O
beberapa O
kesimpula O
sebagai O
berikut O
: O
1. O
Estimasi O
dan O
MSE O
metode O
optimum O
benchmarking O
telah O
berhasil O
model O
Fay-Herriot O
multivariat O
dibangun. O
2. O
R B-TEMUAN
package I-TEMUAN
untuk I-TEMUAN
metode I-TEMUAN
optimum I-TEMUAN
benchmarking I-TEMUAN
model I-TEMUAN
Fay-Herriot I-TEMUAN
multivariat I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
dengan I-TEMUAN
nama I-TEMUAN
“msaeOB” I-TEMUAN
dan O
dapat O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
diakses O
pada O
situs O
CRAN O
melalui O
https O
: O
/ O
/ O
cran.r- O
project.org O
/ O
web O
/ O
packages O
/ O
msaeOB O
/ O
3. O
R O
package O
telah O
berhasil O
diimplementasikan O
pada O
data O
bangkitan. O
hasil O
dan O
pembahasan O
Saran O
serta O
Berdasarkan O
kesimpulan O
, O
penulis O
memberikan O
beberapa O
saran O
sebaga O
berikut O
: O
1. O
Metode O
optimum O
benchmarking O
model O
Fay- O
Herriot O
multivariat O
sebagai O
salah O
satu O
dari O
lima O
metode O
benchmarking O
telah O
berhasil O
dibangun O
dua O
metode O
secara O
multivariat. O
Namun O
, O
benchmarking O
You-Rao O
Benchmarking O
dan O
augmented O
Benchmarking O
itu O
, O
dapat O
belum O
dikembangkan. O
Maka O
dari O
dikembangkan O
dua O
metode O
secara O
multivariat. O
lainnya O
lainnya O
yaitu O
2. O
Model O
multivariat O
yang O
digunakan O
pada O
penelitian O
terbatas O
pada O
Model O
Fay-Herriot O
ini O
masih O
Multivariat O
yang O
metode O
estimasinya O
meggunakan O
EBLUP. O
Sedangkan O
masih O
banyak O
metode O
estimasi O
lain O
yang O
dapat O
dikembangkan O
secara O
multivariat O
misalnya O
Empirical O
Bayes O
( O
EB O
) O
dan O
Hierarchical O
Bayes O
( O
HB O
) O
. O

Pemanfaatan O
Data O
Situs O
Properti O
Untuk O
Analisis O
Dampak O
Pada O
Saat O
Pandemi O
Terhadap O
Sektor O
Properti O
Studi O
Kasus O
: O
Provinsi O
DKI O
Jakarta O
M. O
Tharif O
Arkandana O
( O
221810402 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Setia O
Pramana O
, O
Ph.D. O
Ringkasan— O
Sejak O
pandemi O
COVID-19 O
yang O
dialami O
negara O
Indonesia O
, O
kondisi O
ekonomi O
di O
Indonesia O
menurun O
khususnya O
di O
sektor O
properti O
tetapi O
jika O
dilihat O
dari O
nilai O
distribusi O
kategori O
sektor O
real O
estat O
di O
tahun O
2020 O
semasa O
pandemi O
kontribusinya O
mengalami O
kenaikan O
menjadi O
6,31 O
% O
setelah O
turun O
sebesar O
5,94 O
% O
di O
tahun O
2019. O
Dampak O
pandemi O
juga O
memengaruhi O
pasar O
properti O
yaitu O
didapat O
nilai O
pertumbuhan O
IHP O
( O
Indeks O
Harga O
Properti O
) O
yang O
turun O
seiring O
tahun O
, O
tetapi O
di O
kota O
besar O
seperti O
DKI O
Jakarta O
tidak O
berpengaruh O
terhadap O
kondisi O
pandemi. O
Dewasa O
ini O
, O
Big O
Data O
sangat O
berperan O
aktif O
untuk O
menghasilkan O
statistik O
yang O
bermanfaat O
dan O
dapat O
berpotensi O
untuk O
membantu O
pengumpulan O
data O
Official O
Statistics. O
Seperti O
data O
dari O
salah O
satu O
situs O
web O
properti O
terbesar O
di O
Indonesia O
yaitu O
rumah123.com. O
Penelitian O
ini O
bertujuan O
untuk O
membangun O
dashboard O
visualisasi O
serta O
membuat B-TUJUAN
model I-TUJUAN
prediksi I-TUJUAN
dengan I-TUJUAN
algoritma I-TUJUAN
machine I-TUJUAN
learning I-TUJUAN
harga I-TUJUAN
jual I-TUJUAN
rumah I-TUJUAN
dan I-TUJUAN
apartemen I-TUJUAN
yang I-TUJUAN
bisa I-TUJUAN
dijadikan I-TUJUAN
acuan I-TUJUAN
untuk I-TUJUAN
investor I-TUJUAN
maupun I-TUJUAN
masyarakat I-TUJUAN
untuk I-TUJUAN
membeli I-TUJUAN
atau I-TUJUAN
menjual I-TUJUAN
properti I-TUJUAN
di I-TUJUAN
kemudian I-TUJUAN
hari I-TUJUAN
atau I-TUJUAN
semasa I-TUJUAN
pandemi. I-TUJUAN
Berdasarkan O
data O
situs O
properti O
rumah123.com O
kondisi O
penayangan O
iklan O
pada O
saat O
pandemi O
sangat O
berpengaruh O
yang O
mana O
penayangan O
tertinggi O
pada O
saat O
PSBB O
Mikro. O
Hasil O
evaluasi O
terbaik O
model O
prediksi O
dihasilkan O
nilai O
performa O
model O
dihasilkan O
oleh O
algoritma O
Random O
Forest O
Regression O
yaitu O
dengan O
nilai O
R2-Score B-METODE
sebesar O
0,39 O
; O
MAPE B-METODE
sebesar O
0,75 O
untuk O
model O
prediksi O
harga O
jual O
rumah O
, O
kemudian O
untuk O
model O
prediksi O
harga O
jual O
apartemen O
dengan O
nilai O
R2-Score B-METODE
sebesar O
0,78 O
; O
MAPE B-METODE
sebesar O
0,3. O
Kata O
Kunci— O
pandemi O
, O
Big O
Data O
, O
Situs O
Properti O
, O
Prediksi O
, O
Machine O
Learning O
, O
dashboard O
visualisasi. O
[SEP] O
properti O
menghasilkan O
iklan O
pada O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
penelitian O
ini O
, O
terdapat O
beberapa O
kesimpulan O
yang O
dapat O
disimpulkan O
diantaranya O
: O
1. O
Kondisi O
jumlah O
dan O
harga O
dari O
tayangan O
iklan O
pada O
kondisi O
situs O
penayangan O
sangat O
berpengaruh O
yang O
mana O
penayangan O
tertinggi O
pada O
saat O
PSBB O
Mikro. O
Kemudian O
untuk O
kondisi O
harga O
properti O
pada O
saat O
pandemi O
banyak O
dari O
tipe O
properti O
menunjukkan O
median O
harga O
yang O
konstan O
di O
tahun O
2021 O
, O
dan O
memiliki O
tren O
yang O
naik O
turun O
di O
tahun O
2020. O
saat O
pandemi O
bahwa O
2. O
Dashboard O
visualisasi O
telah O
berhasil O
dibangun O
dengan O
menggunakan O
aplikasi O
Power O
BI O
dan O
diteribitkan O
atau O
dilaporkan O
dalam O
bentuk O
situs O
web O
yang O
bisa O
diakses O
oleh O
pengguna. O
3. O
Model B-TEMUAN
prediksi I-TEMUAN
harga I-TEMUAN
jual I-TEMUAN
rumah I-TEMUAN
dan I-TEMUAN
apartemen I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibuat I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
beberapa I-TEMUAN
metode I-TEMUAN
machine I-TEMUAN
learning I-TEMUAN
, O
dengan O
evaluasi O
performa O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
on O
Advances O
V. O
S. O
Rana O
, O
J. O
Mondal O
, O
A. O
Sharma O
, O
and O
I. O
Kashyap O
, O
“House O
Price O
Prediction O
Using O
Optimal O
Regression O
Techniques O
, O
” O
in O
2020 O
2nd O
International O
Conference O
in O
Computing O
, O
Communication O
Control O
and O
Networking O
( O
ICACCCN O
) O
, O
Dec. O
2020 O
, O
pp. O
203–208. O
doi O
: O
10.1109 O
/ O
ICACCCN51052.2020.9362864. O
W. O
C. O
F. O
Mariel O
, O
Khairunnisah O
, O
S. O
B. O
Panuntun O
, O
and O
S. O
Pramana O
, O
“Utilization O
of O
Big O
Data O
through O
Digital O
Platform O
to O
Support O
Property O
Sector O
Development O
Data O
, O
” O
ICACSIS O
Conference O
2021 O
, O
2021. O
A. O
Basong O
and O
dan O
H. O
Hermansah O
Tagala O
, O
“Identifikasi O
Faktor O
yang O
Mempengaruhi O
Nilai O
Jual O
Lahan O
dan O
Bangunan O
Pada O
Perumahan O
Tipe O
Sederhana.” O
M. O
Rakhra O
et O
al. O
, O
“Crop O
Price O
Prediction O
Using O
Random O
Forest O
and O
Decision O
Tree O
Regression O
: O
-A O
Review O
, O
” O
Materials O
Today O
: O
Proceedings O
, O
Apr. O
2021 O
, O
doi O
: O
10.1016 O
/ O
j.matpr.2021.03.261. O
E. O
Febrion O
Rahayuningtyas O
, O
F. O
Novia O
Rahayu O
, O
Y. O
Azhar O
, O
and O
I. O
Artikel O
, O
“Prediksi O
Harga O
Rumah O
Menggunakan O
General O
Regression O
Neural O
Network O
, O
” O
Jurnal O
Informatika O
, O
vol. O
8 O
, O
no. O
1 O
, O
pp. O
59–66 O
, O
2021 O
, O
[ O
Online O
] O
. O
Available O
: O
https O
: O
/ O
/ O
archive.ics.uci.edu O
/ O
ml O
/ O
datasets O
/ O
Real O
A. O
Saiful O
, O
S. O
Andryana O
, O
and O
A. O
Gunaryati O
, O
“Prediksi O
Harga O
Rumah O
Menggunakan O
Web O
Scrapping O
dan O
Machine O
Learning O
Dengan O
Algoritma O
Linear O
Regression O
, O
” O
Jurnal O
Teknik O
Informatika O
dan O
Sistem O
Informasi O
, O
vol. O
8 O
, O
no. O
No.1 O
, O
pp. O
41–50 O
, O
2021 O
, O
[ O
Online O
] O
. O
Available O
: O
http O
: O
/ O
/ O
jurnal.mdp.ac.id O
G. O
N. O
Ayuni O
and O
D. O
Fitrianah O
, O
“Penerapan O
Metode O
Regresi O
Linear O
Untuk O
Prediksi O
Penjualan O
Properti O
pada O
PT O
XYZ O
, O
” O
Jurnal O
Telematika O
, O
vol. O
14 O
, O
no. O
2 O
, O
pp. O
79–85 O
, O
2019. O
B. O
Chen O
, O
L. O
Xing O
, O
X. O
Wang O
, O
J. O
Qin O
, O
and O
N. O
Zheng O
, O
“Robust O
learning O
with O
Kernel O
mean O
p-power O
error O
loss O
, O
” O
IEEE O
Transactions O
on O
Cybernetics O
, O
vol. O
48 O
, O
no. O
7 O
, O
pp. O
2101–2113 O
, O
Jul. O
2018 O
, O
doi O
: O
10.1109 O
/ O
TCYB.2017.2727278. O
C. O
J. O
Willmott O
and O
K. O
Matsuura O
, O
“Advantages O
of O
the O
mean O
absolute O
error O
( O
MAE O
) O
over O
the O
root O
mean O
square O
error O
( O
RMSE O
) O
in O
assessing O
average O
model O
performance O
, O
” O
Climate O
Research O
, O
vol. O
30 O
, O
no. O
1 O
, O
pp. O
79–82 O
, O
Dec. O
2005 O
, O
doi O
: O
10.3354 O
/ O
CR030079. O
M. O
Mercadier O
and O
J.-P. O
Lardy O
, O
“Credit O
Spread O
Approximation O
and O
Improvement O
using O
Random O
Forest O
Regression O
, O
” O
2021. O
“Pemprov O
DKI O
Jakarta O
Percepat O
Perizinan O
Properti O
, O
Ini O
Pandangan O
REI O
Bisnis.com.” O
https O
: O
/ O
/ O
ekonomi.bisnis.com O
/ O
read O
/ O
20210210 O
/ O
47 O
/ O
1354933 O
/ O
pemprov- O
dki-jakarta-percepat-perizinan-properti-ini-pandangan-rei O
( O
accessed O
Jun. O
21 O
, O
2022 O
) O
. O
Y. O
Wang O
, O
“House-price O
Prediction O
Based O
on O
OLS O
Linear O
Regression O
and O
Random O
Forest O
, O
” O
ACM O
International O
Conference O
Proceeding O
Series O
, O
pp. O
89–93 O
, O
Feb. O
2021 O
, O
doi O
: O
10.1145 O
/ O
3456126.3456139. O
I. O
Luthfiana O
Mulyahati O
, O
“Implementasi O
Machine O
Learning O
Prediksi O
Harga O
Sewa O
Apartemen O
Menggunakan O
Algoritma O
Random O
Forest O
Melalui O
Framework O
Website O
Flask O
Python O
, O
” O
Universitas O
Islam O
Indonesia O
, O
DI O
Yogyakarta O
, O
2020. O
Ekonomi O
- O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O
[ O
16 O
] O
[ O
17 O
] O
[ O
18 O
] O
[ O
19 O
] O
[ O
20 O
] O
[ O
21 O
] O
[ O
22 O
] O
[ O
23 O
] O
[ O
24 O
] O
model B-TEMUAN
terbaik I-TEMUAN
dihasilkan I-TEMUAN
oleh I-TEMUAN
algoritma I-TEMUAN
Random I-TEMUAN
Forest I-TEMUAN
Regression I-TEMUAN
yaitu I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
R2-Score I-TEMUAN
sebesar I-TEMUAN
0,35 I-TEMUAN
; I-TEMUAN
MAPE I-TEMUAN
sebesar I-TEMUAN
1,39 I-TEMUAN
; I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
81.676,15 I-TEMUAN
; I-TEMUAN
dan I-TEMUAN
MAE I-TEMUAN
sebesar I-TEMUAN
2.645.009.770,36 I-TEMUAN
untuk I-TEMUAN
model I-TEMUAN
prediksi I-TEMUAN
harga I-TEMUAN
jual I-TEMUAN
rumah I-TEMUAN
, I-TEMUAN
kemudian I-TEMUAN
untuk I-TEMUAN
model I-TEMUAN
prediksi I-TEMUAN
harga I-TEMUAN
jual I-TEMUAN
apartemen I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
R2-Score I-TEMUAN
sebesar I-TEMUAN
0,67 I-TEMUAN
; I-TEMUAN
MAPE I-TEMUAN
sebesar I-TEMUAN
2,24 I-TEMUAN
; I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
19.412,88 I-TEMUAN
; I-TEMUAN
dan I-TEMUAN
MAE I-TEMUAN
sebesar I-TEMUAN
231.693.918,17. I-TEMUAN
4. O
Faktor O
yang O
paling O
mempengaruhi O
harga O
jual O
rumah O
berdasarkan O
nilai O
variable O
importance O
yaitu O
faktor O
luas O
area O
dengan O
nilai O
variable O
importance O
sebesar O
yang O
variable O
0,275 O
, O
mempengaruhi O
harga O
jual O
apartemen O
adalah O
luas O
bangunan O
dengan O
nilai O
variable O
importance O
sebesar O
0,4. O
importance O
sedangkan O
B. O
Saran O
Saran O
yang O
dapat O
penulis O
berikan O
untuk O
penelitian O
variabel O
berikutnya O
yaitu O
: O
1. O
Menambahkan O
variabel O
lain O
pada O
pembentukan O
model O
atau O
seperti O
keterdekatan O
dengan O
lokasi O
yang O
berpengaruh O
dll. O
2. O
Sumber O
data O
yang O
didapatkan O
harap O
ditambahkan O
, O
tidak O
hanya O
satu O
situs O
properti O
saja O
sehingga O
data O
beragam O
dan O
lebih O
banyak. O
pendukung O
kecamatan O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O

Pemanfaatan O
Data O
Situs O
Properti O
Untuk O
Analisis O
Dampak O
Pada O
Saat O
Pandemi O
Terhadap O
Sektor O
Properti O
Studi O
Kasus O
: O
Provinsi O
DKI O
Jakarta O
M. O
Tharif O
Arkandana O
( O
221810402 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Setia O
Pramana O
, O
Ph.D. O
Ringkasan— O
Sejak O
pandemi O
COVID-19 O
yang O
dialami O
negara O
Indonesia O
, O
kondisi O
ekonomi O
di O
Indonesia O
menurun O
khususnya O
di O
sektor O
properti O
tetapi O
jika O
dilihat O
dari O
nilai O
distribusi O
kategori O
sektor O
real O
estat O
di O
tahun O
2020 O
semasa O
pandemi O
kontribusinya O
mengalami O
kenaikan O
menjadi O
6,31 O
% O
setelah O
turun O
sebesar O
5,94 O
% O
di O
tahun O
2019. O
Dampak O
pandemi O
juga O
memengaruhi O
pasar O
properti O
yaitu O
didapat O
nilai O
pertumbuhan O
IHP O
( O
Indeks O
Harga O
Properti O
) O
yang O
turun O
seiring O
tahun O
, O
tetapi O
di O
kota O
besar O
seperti O
DKI O
Jakarta O
tidak O
berpengaruh O
terhadap O
kondisi O
pandemi. O
Dewasa O
ini O
, O
Big O
Data O
sangat O
berperan O
aktif O
untuk O
menghasilkan O
statistik O
yang O
bermanfaat O
dan O
dapat O
berpotensi O
untuk O
membantu O
pengumpulan O
data O
Official O
Statistics. O
Seperti O
data O
dari O
salah O
satu O
situs O
web O
properti O
terbesar O
di O
Indonesia O
yaitu O
rumah123.com. O
Penelitian O
ini O
bertujuan O
untuk O
membangun O
dashboard O
visualisasi O
serta O
membuat B-TUJUAN
model I-TUJUAN
prediksi I-TUJUAN
dengan I-TUJUAN
algoritma I-TUJUAN
machine I-TUJUAN
learning I-TUJUAN
harga I-TUJUAN
jual I-TUJUAN
rumah I-TUJUAN
dan I-TUJUAN
apartemen I-TUJUAN
yang I-TUJUAN
bisa I-TUJUAN
dijadikan I-TUJUAN
acuan I-TUJUAN
untuk I-TUJUAN
investor I-TUJUAN
maupun I-TUJUAN
masyarakat I-TUJUAN
untuk I-TUJUAN
membeli I-TUJUAN
atau I-TUJUAN
menjual I-TUJUAN
properti I-TUJUAN
di I-TUJUAN
kemudian I-TUJUAN
hari I-TUJUAN
atau I-TUJUAN
semasa I-TUJUAN
pandemi. I-TUJUAN
Berdasarkan O
data O
situs O
properti O
rumah123.com O
kondisi O
penayangan O
iklan O
pada O
saat O
pandemi O
sangat O
berpengaruh O
yang O
mana O
penayangan O
tertinggi O
pada O
saat O
PSBB O
Mikro. O
Hasil O
evaluasi O
terbaik O
model O
prediksi O
dihasilkan O
nilai O
performa O
model O
dihasilkan O
oleh O
algoritma O
Random O
Forest O
Regression O
yaitu O
dengan O
nilai O
R2-Score B-METODE
sebesar O
0,39 O
; O
MAPE B-METODE
sebesar O
0,75 O
untuk O
model O
prediksi O
harga O
jual O
rumah O
, O
kemudian O
untuk O
model O
prediksi O
harga O
jual O
apartemen O
dengan O
nilai O
R2-Score B-METODE
sebesar O
0,78 O
; O
MAPE B-METODE
sebesar O
0,3. O
Kata O
Kunci— O
pandemi O
, O
Big O
Data O
, O
Situs O
Properti O
, O
Prediksi O
, O
Machine O
Learning O
, O
dashboard O
visualisasi. O
[SEP] O
properti O
menghasilkan O
iklan O
pada O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
penelitian O
ini O
, O
terdapat O
beberapa O
kesimpulan O
yang O
dapat O
disimpulkan O
diantaranya O
: O
1. O
Kondisi O
jumlah O
dan O
harga O
dari O
tayangan O
iklan O
pada O
kondisi O
situs O
penayangan O
sangat O
berpengaruh O
yang O
mana O
penayangan O
tertinggi O
pada O
saat O
PSBB O
Mikro. O
Kemudian O
untuk O
kondisi O
harga O
properti O
pada O
saat O
pandemi O
banyak O
dari O
tipe O
properti O
menunjukkan O
median O
harga O
yang O
konstan O
di O
tahun O
2021 O
, O
dan O
memiliki O
tren O
yang O
naik O
turun O
di O
tahun O
2020. O
saat O
pandemi O
bahwa O
2. O
Dashboard O
visualisasi O
telah O
berhasil O
dibangun O
dengan O
menggunakan O
aplikasi O
Power O
BI O
dan O
diteribitkan O
atau O
dilaporkan O
dalam O
bentuk O
situs O
web O
yang O
bisa O
diakses O
oleh O
pengguna. O
3. O
Model B-TEMUAN
prediksi I-TEMUAN
harga I-TEMUAN
jual I-TEMUAN
rumah I-TEMUAN
dan I-TEMUAN
apartemen I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibuat I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
beberapa I-TEMUAN
metode I-TEMUAN
machine I-TEMUAN
learning I-TEMUAN
, O
dengan O
evaluasi O
performa O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
on O
Advances O
V. O
S. O
Rana O
, O
J. O
Mondal O
, O
A. O
Sharma O
, O
and O
I. O
Kashyap O
, O
“House O
Price O
Prediction O
Using O
Optimal O
Regression O
Techniques O
, O
” O
in O
2020 O
2nd O
International O
Conference O
in O
Computing O
, O
Communication O
Control O
and O
Networking O
( O
ICACCCN O
) O
, O
Dec. O
2020 O
, O
pp. O
203–208. O
doi O
: O
10.1109 O
/ O
ICACCCN51052.2020.9362864. O
W. O
C. O
F. O
Mariel O
, O
Khairunnisah O
, O
S. O
B. O
Panuntun O
, O
and O
S. O
Pramana O
, O
“Utilization O
of O
Big O
Data O
through O
Digital O
Platform O
to O
Support O
Property O
Sector O
Development O
Data O
, O
” O
ICACSIS O
Conference O
2021 O
, O
2021. O
A. O
Basong O
and O
dan O
H. O
Hermansah O
Tagala O
, O
“Identifikasi O
Faktor O
yang O
Mempengaruhi O
Nilai O
Jual O
Lahan O
dan O
Bangunan O
Pada O
Perumahan O
Tipe O
Sederhana.” O
M. O
Rakhra O
et O
al. O
, O
“Crop O
Price O
Prediction O
Using O
Random O
Forest O
and O
Decision O
Tree O
Regression O
: O
-A O
Review O
, O
” O
Materials O
Today O
: O
Proceedings O
, O
Apr. O
2021 O
, O
doi O
: O
10.1016 O
/ O
j.matpr.2021.03.261. O
E. O
Febrion O
Rahayuningtyas O
, O
F. O
Novia O
Rahayu O
, O
Y. O
Azhar O
, O
and O
I. O
Artikel O
, O
“Prediksi O
Harga O
Rumah O
Menggunakan O
General O
Regression O
Neural O
Network O
, O
” O
Jurnal O
Informatika O
, O
vol. O
8 O
, O
no. O
1 O
, O
pp. O
59–66 O
, O
2021 O
, O
[ O
Online O
] O
. O
Available O
: O
https O
: O
/ O
/ O
archive.ics.uci.edu O
/ O
ml O
/ O
datasets O
/ O
Real O
A. O
Saiful O
, O
S. O
Andryana O
, O
and O
A. O
Gunaryati O
, O
“Prediksi O
Harga O
Rumah O
Menggunakan O
Web O
Scrapping O
dan O
Machine O
Learning O
Dengan O
Algoritma O
Linear O
Regression O
, O
” O
Jurnal O
Teknik O
Informatika O
dan O
Sistem O
Informasi O
, O
vol. O
8 O
, O
no. O
No.1 O
, O
pp. O
41–50 O
, O
2021 O
, O
[ O
Online O
] O
. O
Available O
: O
http O
: O
/ O
/ O
jurnal.mdp.ac.id O
G. O
N. O
Ayuni O
and O
D. O
Fitrianah O
, O
“Penerapan O
Metode O
Regresi O
Linear O
Untuk O
Prediksi O
Penjualan O
Properti O
pada O
PT O
XYZ O
, O
” O
Jurnal O
Telematika O
, O
vol. O
14 O
, O
no. O
2 O
, O
pp. O
79–85 O
, O
2019. O
B. O
Chen O
, O
L. O
Xing O
, O
X. O
Wang O
, O
J. O
Qin O
, O
and O
N. O
Zheng O
, O
“Robust O
learning O
with O
Kernel O
mean O
p-power O
error O
loss O
, O
” O
IEEE O
Transactions O
on O
Cybernetics O
, O
vol. O
48 O
, O
no. O
7 O
, O
pp. O
2101–2113 O
, O
Jul. O
2018 O
, O
doi O
: O
10.1109 O
/ O
TCYB.2017.2727278. O
C. O
J. O
Willmott O
and O
K. O
Matsuura O
, O
“Advantages O
of O
the O
mean O
absolute O
error O
( O
MAE O
) O
over O
the O
root O
mean O
square O
error O
( O
RMSE O
) O
in O
assessing O
average O
model O
performance O
, O
” O
Climate O
Research O
, O
vol. O
30 O
, O
no. O
1 O
, O
pp. O
79–82 O
, O
Dec. O
2005 O
, O
doi O
: O
10.3354 O
/ O
CR030079. O
M. O
Mercadier O
and O
J.-P. O
Lardy O
, O
“Credit O
Spread O
Approximation O
and O
Improvement O
using O
Random O
Forest O
Regression O
, O
” O
2021. O
“Pemprov O
DKI O
Jakarta O
Percepat O
Perizinan O
Properti O
, O
Ini O
Pandangan O
REI O
Bisnis.com.” O
https O
: O
/ O
/ O
ekonomi.bisnis.com O
/ O
read O
/ O
20210210 O
/ O
47 O
/ O
1354933 O
/ O
pemprov- O
dki-jakarta-percepat-perizinan-properti-ini-pandangan-rei O
( O
accessed O
Jun. O
21 O
, O
2022 O
) O
. O
Y. O
Wang O
, O
“House-price O
Prediction O
Based O
on O
OLS O
Linear O
Regression O
and O
Random O
Forest O
, O
” O
ACM O
International O
Conference O
Proceeding O
Series O
, O
pp. O
89–93 O
, O
Feb. O
2021 O
, O
doi O
: O
10.1145 O
/ O
3456126.3456139. O
I. O
Luthfiana O
Mulyahati O
, O
“Implementasi O
Machine O
Learning O
Prediksi O
Harga O
Sewa O
Apartemen O
Menggunakan O
Algoritma O
Random O
Forest O
Melalui O
Framework O
Website O
Flask O
Python O
, O
” O
Universitas O
Islam O
Indonesia O
, O
DI O
Yogyakarta O
, O
2020. O
Ekonomi O
- O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O
[ O
16 O
] O
[ O
17 O
] O
[ O
18 O
] O
[ O
19 O
] O
[ O
20 O
] O
[ O
21 O
] O
[ O
22 O
] O
[ O
23 O
] O
[ O
24 O
] O
model B-TEMUAN
terbaik I-TEMUAN
dihasilkan I-TEMUAN
oleh I-TEMUAN
algoritma I-TEMUAN
Random I-TEMUAN
Forest I-TEMUAN
Regression I-TEMUAN
yaitu I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
R2-Score I-TEMUAN
sebesar I-TEMUAN
0,35 I-TEMUAN
; I-TEMUAN
MAPE I-TEMUAN
sebesar I-TEMUAN
1,39 I-TEMUAN
; I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
81.676,15 I-TEMUAN
; I-TEMUAN
dan I-TEMUAN
MAE I-TEMUAN
sebesar I-TEMUAN
2.645.009.770,36 I-TEMUAN
untuk I-TEMUAN
model I-TEMUAN
prediksi I-TEMUAN
harga I-TEMUAN
jual I-TEMUAN
rumah I-TEMUAN
, I-TEMUAN
kemudian I-TEMUAN
untuk I-TEMUAN
model I-TEMUAN
prediksi I-TEMUAN
harga I-TEMUAN
jual I-TEMUAN
apartemen I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
R2-Score I-TEMUAN
sebesar I-TEMUAN
0,67 I-TEMUAN
; I-TEMUAN
MAPE I-TEMUAN
sebesar I-TEMUAN
2,24 I-TEMUAN
; I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
19.412,88 I-TEMUAN
; I-TEMUAN
dan I-TEMUAN
MAE I-TEMUAN
sebesar I-TEMUAN
231.693.918,17. I-TEMUAN
4. O
Faktor O
yang O
paling O
mempengaruhi O
harga O
jual O
rumah O
berdasarkan O
nilai O
variable O
importance O
yaitu O
faktor O
luas O
area O
dengan O
nilai O
variable O
importance O
sebesar O
yang O
variable O
0,275 O
, O
mempengaruhi O
harga O
jual O
apartemen O
adalah O
luas O
bangunan O
dengan O
nilai O
variable O
importance O
sebesar O
0,4. O
importance O
sedangkan O
B. O
Saran O
Saran O
yang O
dapat O
penulis O
berikan O
untuk O
penelitian O
variabel O
berikutnya O
yaitu O
: O
1. O
Menambahkan O
variabel O
lain O
pada O
pembentukan O
model O
atau O
seperti O
keterdekatan O
dengan O
lokasi O
yang O
berpengaruh O
dll. O
2. O
Sumber O
data O
yang O
didapatkan O
harap O
ditambahkan O
, O
tidak O
hanya O
satu O
situs O
properti O
saja O
sehingga O
data O
beragam O
dan O
lebih O
banyak. O
pendukung O
kecamatan O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O

Pemanfaatan O
Data O
Situs O
Properti O
Untuk O
Analisis O
Dampak O
Pada O
Saat O
Pandemi O
Terhadap O
Sektor O
Properti O
Studi O
Kasus O
: O
Provinsi O
DKI O
Jakarta O
M. O
Tharif O
Arkandana O
( O
221810402 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Setia O
Pramana O
, O
Ph.D. O
Ringkasan— O
Sejak O
pandemi O
COVID-19 O
yang O
dialami O
negara O
Indonesia O
, O
kondisi O
ekonomi O
di O
Indonesia O
menurun O
khususnya O
di O
sektor O
properti O
tetapi O
jika O
dilihat O
dari O
nilai O
distribusi O
kategori O
sektor O
real O
estat O
di O
tahun O
2020 O
semasa O
pandemi O
kontribusinya O
mengalami O
kenaikan O
menjadi O
6,31 O
% O
setelah O
turun O
sebesar O
5,94 O
% O
di O
tahun O
2019. O
Dampak O
pandemi O
juga O
memengaruhi O
pasar O
properti O
yaitu O
didapat O
nilai O
pertumbuhan O
IHP O
( O
Indeks O
Harga O
Properti O
) O
yang O
turun O
seiring O
tahun O
, O
tetapi O
di O
kota O
besar O
seperti O
DKI O
Jakarta O
tidak O
berpengaruh O
terhadap O
kondisi O
pandemi. O
Dewasa O
ini O
, O
Big O
Data O
sangat O
berperan O
aktif O
untuk O
menghasilkan O
statistik O
yang O
bermanfaat O
dan O
dapat O
berpotensi O
untuk O
membantu O
pengumpulan O
data O
Official O
Statistics. O
Seperti O
data O
dari O
salah O
satu O
situs O
web O
properti O
terbesar O
di O
Indonesia O
yaitu O
rumah123.com. O
Penelitian O
ini O
bertujuan O
untuk O
membangun O
dashboard O
visualisasi O
serta O
membuat B-TUJUAN
model I-TUJUAN
prediksi I-TUJUAN
dengan I-TUJUAN
algoritma I-TUJUAN
machine I-TUJUAN
learning I-TUJUAN
harga I-TUJUAN
jual I-TUJUAN
rumah I-TUJUAN
dan I-TUJUAN
apartemen I-TUJUAN
yang I-TUJUAN
bisa I-TUJUAN
dijadikan I-TUJUAN
acuan I-TUJUAN
untuk I-TUJUAN
investor I-TUJUAN
maupun I-TUJUAN
masyarakat I-TUJUAN
untuk I-TUJUAN
membeli I-TUJUAN
atau I-TUJUAN
menjual I-TUJUAN
properti I-TUJUAN
di I-TUJUAN
kemudian I-TUJUAN
hari I-TUJUAN
atau I-TUJUAN
semasa I-TUJUAN
pandemi. I-TUJUAN
Berdasarkan O
data O
situs O
properti O
rumah123.com O
kondisi O
penayangan O
iklan O
pada O
saat O
pandemi O
sangat O
berpengaruh O
yang O
mana O
penayangan O
tertinggi O
pada O
saat O
PSBB O
Mikro. O
Hasil O
evaluasi O
terbaik O
model O
prediksi O
dihasilkan O
nilai O
performa O
model O
dihasilkan O
oleh O
algoritma O
Random O
Forest O
Regression O
yaitu O
dengan O
nilai O
R2-Score B-METODE
sebesar O
0,39 O
; O
MAPE B-METODE
sebesar O
0,75 O
untuk O
model O
prediksi O
harga O
jual O
rumah O
, O
kemudian O
untuk O
model O
prediksi O
harga O
jual O
apartemen O
dengan O
nilai O
R2-Score B-METODE
sebesar O
0,78 O
; O
MAPE B-METODE
sebesar O
0,3. O
Kata O
Kunci— O
pandemi O
, O
Big O
Data O
, O
Situs O
Properti O
, O
Prediksi O
, O
Machine O
Learning O
, O
dashboard O
visualisasi. O
[SEP] O
properti O
menghasilkan O
iklan O
pada O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
penelitian O
ini O
, O
terdapat O
beberapa O
kesimpulan O
yang O
dapat O
disimpulkan O
diantaranya O
: O
1. O
Kondisi O
jumlah O
dan O
harga O
dari O
tayangan O
iklan O
pada O
kondisi O
situs O
penayangan O
sangat O
berpengaruh O
yang O
mana O
penayangan O
tertinggi O
pada O
saat O
PSBB O
Mikro. O
Kemudian O
untuk O
kondisi O
harga O
properti O
pada O
saat O
pandemi O
banyak O
dari O
tipe O
properti O
menunjukkan O
median O
harga O
yang O
konstan O
di O
tahun O
2021 O
, O
dan O
memiliki O
tren O
yang O
naik O
turun O
di O
tahun O
2020. O
saat O
pandemi O
bahwa O
2. O
Dashboard O
visualisasi O
telah O
berhasil O
dibangun O
dengan O
menggunakan O
aplikasi O
Power O
BI O
dan O
diteribitkan O
atau O
dilaporkan O
dalam O
bentuk O
situs O
web O
yang O
bisa O
diakses O
oleh O
pengguna. O
3. O
Model B-TEMUAN
prediksi I-TEMUAN
harga I-TEMUAN
jual I-TEMUAN
rumah I-TEMUAN
dan I-TEMUAN
apartemen I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibuat I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
beberapa I-TEMUAN
metode I-TEMUAN
machine I-TEMUAN
learning I-TEMUAN
, O
dengan O
evaluasi O
performa O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
on O
Advances O
V. O
S. O
Rana O
, O
J. O
Mondal O
, O
A. O
Sharma O
, O
and O
I. O
Kashyap O
, O
“House O
Price O
Prediction O
Using O
Optimal O
Regression O
Techniques O
, O
” O
in O
2020 O
2nd O
International O
Conference O
in O
Computing O
, O
Communication O
Control O
and O
Networking O
( O
ICACCCN O
) O
, O
Dec. O
2020 O
, O
pp. O
203–208. O
doi O
: O
10.1109 O
/ O
ICACCCN51052.2020.9362864. O
W. O
C. O
F. O
Mariel O
, O
Khairunnisah O
, O
S. O
B. O
Panuntun O
, O
and O
S. O
Pramana O
, O
“Utilization O
of O
Big O
Data O
through O
Digital O
Platform O
to O
Support O
Property O
Sector O
Development O
Data O
, O
” O
ICACSIS O
Conference O
2021 O
, O
2021. O
A. O
Basong O
and O
dan O
H. O
Hermansah O
Tagala O
, O
“Identifikasi O
Faktor O
yang O
Mempengaruhi O
Nilai O
Jual O
Lahan O
dan O
Bangunan O
Pada O
Perumahan O
Tipe O
Sederhana.” O
M. O
Rakhra O
et O
al. O
, O
“Crop O
Price O
Prediction O
Using O
Random O
Forest O
and O
Decision O
Tree O
Regression O
: O
-A O
Review O
, O
” O
Materials O
Today O
: O
Proceedings O
, O
Apr. O
2021 O
, O
doi O
: O
10.1016 O
/ O
j.matpr.2021.03.261. O
E. O
Febrion O
Rahayuningtyas O
, O
F. O
Novia O
Rahayu O
, O
Y. O
Azhar O
, O
and O
I. O
Artikel O
, O
“Prediksi O
Harga O
Rumah O
Menggunakan O
General O
Regression O
Neural O
Network O
, O
” O
Jurnal O
Informatika O
, O
vol. O
8 O
, O
no. O
1 O
, O
pp. O
59–66 O
, O
2021 O
, O
[ O
Online O
] O
. O
Available O
: O
https O
: O
/ O
/ O
archive.ics.uci.edu O
/ O
ml O
/ O
datasets O
/ O
Real O
A. O
Saiful O
, O
S. O
Andryana O
, O
and O
A. O
Gunaryati O
, O
“Prediksi O
Harga O
Rumah O
Menggunakan O
Web O
Scrapping O
dan O
Machine O
Learning O
Dengan O
Algoritma O
Linear O
Regression O
, O
” O
Jurnal O
Teknik O
Informatika O
dan O
Sistem O
Informasi O
, O
vol. O
8 O
, O
no. O
No.1 O
, O
pp. O
41–50 O
, O
2021 O
, O
[ O
Online O
] O
. O
Available O
: O
http O
: O
/ O
/ O
jurnal.mdp.ac.id O
G. O
N. O
Ayuni O
and O
D. O
Fitrianah O
, O
“Penerapan O
Metode O
Regresi O
Linear O
Untuk O
Prediksi O
Penjualan O
Properti O
pada O
PT O
XYZ O
, O
” O
Jurnal O
Telematika O
, O
vol. O
14 O
, O
no. O
2 O
, O
pp. O
79–85 O
, O
2019. O
B. O
Chen O
, O
L. O
Xing O
, O
X. O
Wang O
, O
J. O
Qin O
, O
and O
N. O
Zheng O
, O
“Robust O
learning O
with O
Kernel O
mean O
p-power O
error O
loss O
, O
” O
IEEE O
Transactions O
on O
Cybernetics O
, O
vol. O
48 O
, O
no. O
7 O
, O
pp. O
2101–2113 O
, O
Jul. O
2018 O
, O
doi O
: O
10.1109 O
/ O
TCYB.2017.2727278. O
C. O
J. O
Willmott O
and O
K. O
Matsuura O
, O
“Advantages O
of O
the O
mean O
absolute O
error O
( O
MAE O
) O
over O
the O
root O
mean O
square O
error O
( O
RMSE O
) O
in O
assessing O
average O
model O
performance O
, O
” O
Climate O
Research O
, O
vol. O
30 O
, O
no. O
1 O
, O
pp. O
79–82 O
, O
Dec. O
2005 O
, O
doi O
: O
10.3354 O
/ O
CR030079. O
M. O
Mercadier O
and O
J.-P. O
Lardy O
, O
“Credit O
Spread O
Approximation O
and O
Improvement O
using O
Random O
Forest O
Regression O
, O
” O
2021. O
“Pemprov O
DKI O
Jakarta O
Percepat O
Perizinan O
Properti O
, O
Ini O
Pandangan O
REI O
Bisnis.com.” O
https O
: O
/ O
/ O
ekonomi.bisnis.com O
/ O
read O
/ O
20210210 O
/ O
47 O
/ O
1354933 O
/ O
pemprov- O
dki-jakarta-percepat-perizinan-properti-ini-pandangan-rei O
( O
accessed O
Jun. O
21 O
, O
2022 O
) O
. O
Y. O
Wang O
, O
“House-price O
Prediction O
Based O
on O
OLS O
Linear O
Regression O
and O
Random O
Forest O
, O
” O
ACM O
International O
Conference O
Proceeding O
Series O
, O
pp. O
89–93 O
, O
Feb. O
2021 O
, O
doi O
: O
10.1145 O
/ O
3456126.3456139. O
I. O
Luthfiana O
Mulyahati O
, O
“Implementasi O
Machine O
Learning O
Prediksi O
Harga O
Sewa O
Apartemen O
Menggunakan O
Algoritma O
Random O
Forest O
Melalui O
Framework O
Website O
Flask O
Python O
, O
” O
Universitas O
Islam O
Indonesia O
, O
DI O
Yogyakarta O
, O
2020. O
Ekonomi O
- O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O
[ O
16 O
] O
[ O
17 O
] O
[ O
18 O
] O
[ O
19 O
] O
[ O
20 O
] O
[ O
21 O
] O
[ O
22 O
] O
[ O
23 O
] O
[ O
24 O
] O
model B-TEMUAN
terbaik I-TEMUAN
dihasilkan I-TEMUAN
oleh I-TEMUAN
algoritma I-TEMUAN
Random I-TEMUAN
Forest I-TEMUAN
Regression I-TEMUAN
yaitu I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
R2-Score I-TEMUAN
sebesar I-TEMUAN
0,35 I-TEMUAN
; I-TEMUAN
MAPE I-TEMUAN
sebesar I-TEMUAN
1,39 I-TEMUAN
; I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
81.676,15 I-TEMUAN
; I-TEMUAN
dan I-TEMUAN
MAE I-TEMUAN
sebesar I-TEMUAN
2.645.009.770,36 I-TEMUAN
untuk I-TEMUAN
model I-TEMUAN
prediksi I-TEMUAN
harga I-TEMUAN
jual I-TEMUAN
rumah I-TEMUAN
, I-TEMUAN
kemudian I-TEMUAN
untuk I-TEMUAN
model I-TEMUAN
prediksi I-TEMUAN
harga I-TEMUAN
jual I-TEMUAN
apartemen I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
R2-Score I-TEMUAN
sebesar I-TEMUAN
0,67 I-TEMUAN
; I-TEMUAN
MAPE I-TEMUAN
sebesar I-TEMUAN
2,24 I-TEMUAN
; I-TEMUAN
RMSE I-TEMUAN
sebesar I-TEMUAN
19.412,88 I-TEMUAN
; I-TEMUAN
dan I-TEMUAN
MAE I-TEMUAN
sebesar I-TEMUAN
231.693.918,17. I-TEMUAN
4. O
Faktor O
yang O
paling O
mempengaruhi O
harga O
jual O
rumah O
berdasarkan O
nilai O
variable O
importance O
yaitu O
faktor O
luas O
area O
dengan O
nilai O
variable O
importance O
sebesar O
yang O
variable O
0,275 O
, O
mempengaruhi O
harga O
jual O
apartemen O
adalah O
luas O
bangunan O
dengan O
nilai O
variable O
importance O
sebesar O
0,4. O
importance O
sedangkan O
B. O
Saran O
Saran O
yang O
dapat O
penulis O
berikan O
untuk O
penelitian O
variabel O
berikutnya O
yaitu O
: O
1. O
Menambahkan O
variabel O
lain O
pada O
pembentukan O
model O
atau O
seperti O
keterdekatan O
dengan O
lokasi O
yang O
berpengaruh O
dll. O
2. O
Sumber O
data O
yang O
didapatkan O
harap O
ditambahkan O
, O
tidak O
hanya O
satu O
situs O
properti O
saja O
sehingga O
data O
beragam O
dan O
lebih O
banyak. O
pendukung O
kecamatan O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O

PEMBANGUNAN O
SISTEM O
INFORMASI O
DESA O
CINTA O
STATISTIK O
( O
DESA O
CANTIK O
) O
BERBASIS O
WEB O
( O
Studi O
kasus O
: O
Nagari O
Sijunjung O
, O
Kecamatan O
Sijunjung O
, O
Kabupaten O
Sijunjung O
) O
M. O
Irsyad O
Hadi O
( O
221810398 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M. O
Stat O
kunci O
merupakan O
Ringkasan—Desa O
keberhasilan O
pembangunan O
dalam O
peningkatan O
kesejahteraan O
masyarakat O
secara O
langsung. O
Banyak O
faktor O
yang O
perlu O
diperhatikan O
oleh O
desa O
, O
salah O
satunya O
adalah O
kualitas O
sistem O
birokrasi O
di O
dalamnya. O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
mencetuskan O
sebuah O
program O
untuk O
membantu O
desa O
dalam O
mengembangkan O
sistem O
birokrasi O
mereka. O
Program O
ini O
disebut O
Desa O
Cantik O
atau O
bisa O
juga O
disebut O
dengan O
Desa O
Cinta O
Statistik O
, O
Namun O
, O
program O
tersebut O
belum O
memiliki O
wadah O
yang O
dapat O
digunakan O
aparatur O
desa O
untuk O
menyukseskan O
program O
tersebut O
, O
seperti O
sebuah O
website O
yang O
dapat O
menampung O
data-data O
ini O
bertujuan O
untuk O
membangun B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
Desa I-TUJUAN
Cinta I-TUJUAN
Statistik I-TUJUAN
( I-TUJUAN
Desa I-TUJUAN
cantik I-TUJUAN
) I-TUJUAN
berbasis I-TUJUAN
website. I-TUJUAN
Metode O
perancangan O
sistem O
yang O
digunakan O
adalah O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
. O
Diharapkan O
dari O
pembangunan O
sistem O
ini O
dapat O
membantu O
Nagari O
Sijunjung O
, O
Kabupaten O
Sijunjung O
menjadi O
lebih O
terkelola O
dengan O
baik O
dan O
membantu O
untuk O
mewujudkan O
Satu O
Data O
Indonesia O
nantinya. O
sebuah O
desa. O
Penelitian O
Kata O
Kunci— O
Sistem O
Informasi O
, O
Desa O
Cantik O
, O
Desa O
Cinta O
Statistik O
, O
Website. O
[SEP] O
Kesimpulan O
Kesimpulan O
yang O
didapatkan O
pada O
pembangunan O
sistem O
yang O
telah O
dilakukan O
adalah O
sebagai O
berikut O
: O
1. O
Aplikasi B-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
telah I-TEMUAN
mampu I-TEMUAN
menjadi I-TEMUAN
website I-TEMUAN
desa I-TEMUAN
yang I-TEMUAN
dinamis I-TEMUAN
dan I-TEMUAN
mampu I-TEMUAN
menjawab I-TEMUAN
kebutuhan I-TEMUAN
fungsional I-TEMUAN
dan I-TEMUAN
non-fungsional I-TEMUAN
berdasarkan I-TEMUAN
analisa I-TEMUAN
kebutuhan I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dilakukan I-TEMUAN
2. O
Evaluasi O
pada O
aplikasi O
menggunakan O
pengujian O
Black B-METODE
Box I-METODE
Testing I-METODE
menunjukkan O
fungsi-fungsi B-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibuat I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Kemudian O
pengujian O
dengan O
SUS B-METODE
, O
diperoleh B-TEMUAN
skor I-TEMUAN
sebesar I-TEMUAN
83,75 I-TEMUAN
sehingga I-TEMUAN
dapat I-TEMUAN
disimpulkan I-TEMUAN
bahwa I-TEMUAN
aplikasi I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
dapat I-TEMUAN
diterapkan I-TEMUAN
di I-TEMUAN
kantor I-TEMUAN
Nagari I-TEMUAN
Sijunjung. I-TEMUAN
Saran O
Berikut O
ini O
merupakan O
saran O
dan O
masukan O
yang O
diperoleh O
baik O
dari O
penulisan O
maupun O
dari O
pihak O
lain. O
Saran O
dan O
masukan O
ini O
diharapkan O
dapat O
digunakan O
untuk O
menyempurnakan O
Aplikasi O
Desa O
Cinta O
Statistik O
Sijunjung O
sebagai O
penelitian O
kedepannya. O
1. O
Pengembangan O
tampilan O
baik O
antarmuka O
maupun O
visualisasi O
diperbaiki O
agar O
sesuai O
dengan O
perkembangan O
teknologi. O
2. O
Pembuatan O
panduan O
penggunaan O
sistem O
pada O
bagian O
operator O
3. O
Fitur O
yang O
memungkinkan O
pengunjung O
web O
( O
pemerintah O
dan O
masyarakat O
) O
dapat O
mengunduh O
data O
yang O
berasal O
dari O
website O
Desa O
Cantik O
Sijunjung. O
4. O
Fitur O
yang O
dapat O
menampilkan O
pemasukan O
dan O
pengeluaran O
keuangan O
Nagari O
Sijunjung. O
5. O
Fitur O
yang O
dapat O
mendeskripsikan O
visualisasi O
data. O
6. O
Pengembangan O
pada O
fitur O
deskripsi O
desa O
sehingga O
tampilan O
antarmuka O
menarik O
untuk O
dilihat O
oleh O
viewer. O
tampilan O
dari O
8 O
/ O
9 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

PEMBANGUNAN O
SISTEM O
INFORMASI O
DESA O
CINTA O
STATISTIK O
( O
DESA O
CANTIK O
) O
BERBASIS O
WEB O
( O
Studi O
kasus O
: O
Nagari O
Sijunjung O
, O
Kecamatan O
Sijunjung O
, O
Kabupaten O
Sijunjung O
) O
M. O
Irsyad O
Hadi O
( O
221810398 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M. O
Stat O
kunci O
merupakan O
Ringkasan—Desa O
keberhasilan O
pembangunan O
dalam O
peningkatan O
kesejahteraan O
masyarakat O
secara O
langsung. O
Banyak O
faktor O
yang O
perlu O
diperhatikan O
oleh O
desa O
, O
salah O
satunya O
adalah O
kualitas O
sistem O
birokrasi O
di O
dalamnya. O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
mencetuskan O
sebuah O
program O
untuk O
membantu O
desa O
dalam O
mengembangkan O
sistem O
birokrasi O
mereka. O
Program O
ini O
disebut O
Desa O
Cantik O
atau O
bisa O
juga O
disebut O
dengan O
Desa O
Cinta O
Statistik O
, O
Namun O
, O
program O
tersebut O
belum O
memiliki O
wadah O
yang O
dapat O
digunakan O
aparatur O
desa O
untuk O
menyukseskan O
program O
tersebut O
, O
seperti O
sebuah O
website O
yang O
dapat O
menampung O
data-data O
ini O
bertujuan O
untuk O
membangun B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
Desa I-TUJUAN
Cinta I-TUJUAN
Statistik I-TUJUAN
( I-TUJUAN
Desa I-TUJUAN
cantik I-TUJUAN
) I-TUJUAN
berbasis I-TUJUAN
website. I-TUJUAN
Metode O
perancangan O
sistem O
yang O
digunakan O
adalah O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
. O
Diharapkan O
dari O
pembangunan O
sistem O
ini O
dapat O
membantu O
Nagari O
Sijunjung O
, O
Kabupaten O
Sijunjung O
menjadi O
lebih O
terkelola O
dengan O
baik O
dan O
membantu O
untuk O
mewujudkan O
Satu O
Data O
Indonesia O
nantinya. O
sebuah O
desa. O
Penelitian O
Kata O
Kunci— O
Sistem O
Informasi O
, O
Desa O
Cantik O
, O
Desa O
Cinta O
Statistik O
, O
Website. O
[SEP] O
Kesimpulan O
Kesimpulan O
yang O
didapatkan O
pada O
pembangunan O
sistem O
yang O
telah O
dilakukan O
adalah O
sebagai O
berikut O
: O
1. O
Aplikasi B-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
telah I-TEMUAN
mampu I-TEMUAN
menjadi I-TEMUAN
website I-TEMUAN
desa I-TEMUAN
yang I-TEMUAN
dinamis I-TEMUAN
dan I-TEMUAN
mampu I-TEMUAN
menjawab I-TEMUAN
kebutuhan I-TEMUAN
fungsional I-TEMUAN
dan I-TEMUAN
non-fungsional I-TEMUAN
berdasarkan I-TEMUAN
analisa I-TEMUAN
kebutuhan I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dilakukan I-TEMUAN
2. O
Evaluasi O
pada O
aplikasi O
menggunakan O
pengujian O
Black B-METODE
Box I-METODE
Testing I-METODE
menunjukkan O
fungsi-fungsi B-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibuat I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Kemudian O
pengujian O
dengan O
SUS B-METODE
, O
diperoleh B-TEMUAN
skor I-TEMUAN
sebesar I-TEMUAN
83,75 I-TEMUAN
sehingga I-TEMUAN
dapat I-TEMUAN
disimpulkan I-TEMUAN
bahwa I-TEMUAN
aplikasi I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
dapat I-TEMUAN
diterapkan I-TEMUAN
di I-TEMUAN
kantor I-TEMUAN
Nagari I-TEMUAN
Sijunjung. I-TEMUAN
Saran O
Berikut O
ini O
merupakan O
saran O
dan O
masukan O
yang O
diperoleh O
baik O
dari O
penulisan O
maupun O
dari O
pihak O
lain. O
Saran O
dan O
masukan O
ini O
diharapkan O
dapat O
digunakan O
untuk O
menyempurnakan O
Aplikasi O
Desa O
Cinta O
Statistik O
Sijunjung O
sebagai O
penelitian O
kedepannya. O
1. O
Pengembangan O
tampilan O
baik O
antarmuka O
maupun O
visualisasi O
diperbaiki O
agar O
sesuai O
dengan O
perkembangan O
teknologi. O
2. O
Pembuatan O
panduan O
penggunaan O
sistem O
pada O
bagian O
operator O
3. O
Fitur O
yang O
memungkinkan O
pengunjung O
web O
( O
pemerintah O
dan O
masyarakat O
) O
dapat O
mengunduh O
data O
yang O
berasal O
dari O
website O
Desa O
Cantik O
Sijunjung. O
4. O
Fitur O
yang O
dapat O
menampilkan O
pemasukan O
dan O
pengeluaran O
keuangan O
Nagari O
Sijunjung. O
5. O
Fitur O
yang O
dapat O
mendeskripsikan O
visualisasi O
data. O
6. O
Pengembangan O
pada O
fitur O
deskripsi O
desa O
sehingga O
tampilan O
antarmuka O
menarik O
untuk O
dilihat O
oleh O
viewer. O
tampilan O
dari O
8 O
/ O
9 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

PEMBANGUNAN O
SISTEM O
INFORMASI O
DESA O
CINTA O
STATISTIK O
( O
DESA O
CANTIK O
) O
BERBASIS O
WEB O
( O
Studi O
kasus O
: O
Nagari O
Sijunjung O
, O
Kecamatan O
Sijunjung O
, O
Kabupaten O
Sijunjung O
) O
M. O
Irsyad O
Hadi O
( O
221810398 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M. O
Stat O
kunci O
merupakan O
Ringkasan—Desa O
keberhasilan O
pembangunan O
dalam O
peningkatan O
kesejahteraan O
masyarakat O
secara O
langsung. O
Banyak O
faktor O
yang O
perlu O
diperhatikan O
oleh O
desa O
, O
salah O
satunya O
adalah O
kualitas O
sistem O
birokrasi O
di O
dalamnya. O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
mencetuskan O
sebuah O
program O
untuk O
membantu O
desa O
dalam O
mengembangkan O
sistem O
birokrasi O
mereka. O
Program O
ini O
disebut O
Desa O
Cantik O
atau O
bisa O
juga O
disebut O
dengan O
Desa O
Cinta O
Statistik O
, O
Namun O
, O
program O
tersebut O
belum O
memiliki O
wadah O
yang O
dapat O
digunakan O
aparatur O
desa O
untuk O
menyukseskan O
program O
tersebut O
, O
seperti O
sebuah O
website O
yang O
dapat O
menampung O
data-data O
ini O
bertujuan O
untuk O
membangun B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
Desa I-TUJUAN
Cinta I-TUJUAN
Statistik I-TUJUAN
( I-TUJUAN
Desa I-TUJUAN
cantik I-TUJUAN
) I-TUJUAN
berbasis I-TUJUAN
website. I-TUJUAN
Metode O
perancangan O
sistem O
yang O
digunakan O
adalah O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
. O
Diharapkan O
dari O
pembangunan O
sistem O
ini O
dapat O
membantu O
Nagari O
Sijunjung O
, O
Kabupaten O
Sijunjung O
menjadi O
lebih O
terkelola O
dengan O
baik O
dan O
membantu O
untuk O
mewujudkan O
Satu O
Data O
Indonesia O
nantinya. O
sebuah O
desa. O
Penelitian O
Kata O
Kunci— O
Sistem O
Informasi O
, O
Desa O
Cantik O
, O
Desa O
Cinta O
Statistik O
, O
Website. O
[SEP] O
Kesimpulan O
Kesimpulan O
yang O
didapatkan O
pada O
pembangunan O
sistem O
yang O
telah O
dilakukan O
adalah O
sebagai O
berikut O
: O
1. O
Aplikasi B-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
telah I-TEMUAN
mampu I-TEMUAN
menjadi I-TEMUAN
website I-TEMUAN
desa I-TEMUAN
yang I-TEMUAN
dinamis I-TEMUAN
dan I-TEMUAN
mampu I-TEMUAN
menjawab I-TEMUAN
kebutuhan I-TEMUAN
fungsional I-TEMUAN
dan I-TEMUAN
non-fungsional I-TEMUAN
berdasarkan I-TEMUAN
analisa I-TEMUAN
kebutuhan I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dilakukan I-TEMUAN
2. O
Evaluasi O
pada O
aplikasi O
menggunakan O
pengujian O
Black B-METODE
Box I-METODE
Testing I-METODE
menunjukkan O
fungsi-fungsi B-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibuat I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Kemudian O
pengujian O
dengan O
SUS B-METODE
, O
diperoleh B-TEMUAN
skor I-TEMUAN
sebesar I-TEMUAN
83,75 I-TEMUAN
sehingga I-TEMUAN
dapat I-TEMUAN
disimpulkan I-TEMUAN
bahwa I-TEMUAN
aplikasi I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
dapat I-TEMUAN
diterapkan I-TEMUAN
di I-TEMUAN
kantor I-TEMUAN
Nagari I-TEMUAN
Sijunjung. I-TEMUAN
Saran O
Berikut O
ini O
merupakan O
saran O
dan O
masukan O
yang O
diperoleh O
baik O
dari O
penulisan O
maupun O
dari O
pihak O
lain. O
Saran O
dan O
masukan O
ini O
diharapkan O
dapat O
digunakan O
untuk O
menyempurnakan O
Aplikasi O
Desa O
Cinta O
Statistik O
Sijunjung O
sebagai O
penelitian O
kedepannya. O
1. O
Pengembangan O
tampilan O
baik O
antarmuka O
maupun O
visualisasi O
diperbaiki O
agar O
sesuai O
dengan O
perkembangan O
teknologi. O
2. O
Pembuatan O
panduan O
penggunaan O
sistem O
pada O
bagian O
operator O
3. O
Fitur O
yang O
memungkinkan O
pengunjung O
web O
( O
pemerintah O
dan O
masyarakat O
) O
dapat O
mengunduh O
data O
yang O
berasal O
dari O
website O
Desa O
Cantik O
Sijunjung. O
4. O
Fitur O
yang O
dapat O
menampilkan O
pemasukan O
dan O
pengeluaran O
keuangan O
Nagari O
Sijunjung. O
5. O
Fitur O
yang O
dapat O
mendeskripsikan O
visualisasi O
data. O
6. O
Pengembangan O
pada O
fitur O
deskripsi O
desa O
sehingga O
tampilan O
antarmuka O
menarik O
untuk O
dilihat O
oleh O
viewer. O
tampilan O
dari O
8 O
/ O
9 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

PEMBANGUNAN O
SISTEM O
INFORMASI O
DESA O
CINTA O
STATISTIK O
( O
DESA O
CANTIK O
) O
BERBASIS O
WEB O
( O
Studi O
kasus O
: O
Nagari O
Sijunjung O
, O
Kecamatan O
Sijunjung O
, O
Kabupaten O
Sijunjung O
) O
M. O
Irsyad O
Hadi O
( O
221810398 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M. O
Stat O
kunci O
merupakan O
Ringkasan—Desa O
keberhasilan O
pembangunan O
dalam O
peningkatan O
kesejahteraan O
masyarakat O
secara O
langsung. O
Banyak O
faktor O
yang O
perlu O
diperhatikan O
oleh O
desa O
, O
salah O
satunya O
adalah O
kualitas O
sistem O
birokrasi O
di O
dalamnya. O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
mencetuskan O
sebuah O
program O
untuk O
membantu O
desa O
dalam O
mengembangkan O
sistem O
birokrasi O
mereka. O
Program O
ini O
disebut O
Desa O
Cantik O
atau O
bisa O
juga O
disebut O
dengan O
Desa O
Cinta O
Statistik O
, O
Namun O
, O
program O
tersebut O
belum O
memiliki O
wadah O
yang O
dapat O
digunakan O
aparatur O
desa O
untuk O
menyukseskan O
program O
tersebut O
, O
seperti O
sebuah O
website O
yang O
dapat O
menampung O
data-data O
ini O
bertujuan O
untuk O
membangun B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
Desa I-TUJUAN
Cinta I-TUJUAN
Statistik I-TUJUAN
( I-TUJUAN
Desa I-TUJUAN
cantik I-TUJUAN
) I-TUJUAN
berbasis I-TUJUAN
website. I-TUJUAN
Metode O
perancangan O
sistem O
yang O
digunakan O
adalah O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
. O
Diharapkan O
dari O
pembangunan O
sistem O
ini O
dapat O
membantu O
Nagari O
Sijunjung O
, O
Kabupaten O
Sijunjung O
menjadi O
lebih O
terkelola O
dengan O
baik O
dan O
membantu O
untuk O
mewujudkan O
Satu O
Data O
Indonesia O
nantinya. O
sebuah O
desa. O
Penelitian O
Kata O
Kunci— O
Sistem O
Informasi O
, O
Desa O
Cantik O
, O
Desa O
Cinta O
Statistik O
, O
Website. O
[SEP] O
Kesimpulan O
Kesimpulan O
yang O
didapatkan O
pada O
pembangunan O
sistem O
yang O
telah O
dilakukan O
adalah O
sebagai O
berikut O
: O
1. O
Aplikasi B-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
telah I-TEMUAN
mampu I-TEMUAN
menjadi I-TEMUAN
website I-TEMUAN
desa I-TEMUAN
yang I-TEMUAN
dinamis I-TEMUAN
dan I-TEMUAN
mampu I-TEMUAN
menjawab I-TEMUAN
kebutuhan I-TEMUAN
fungsional I-TEMUAN
dan I-TEMUAN
non-fungsional I-TEMUAN
berdasarkan I-TEMUAN
analisa I-TEMUAN
kebutuhan I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dilakukan I-TEMUAN
2. O
Evaluasi O
pada O
aplikasi O
menggunakan O
pengujian O
Black B-METODE
Box I-METODE
Testing I-METODE
menunjukkan O
fungsi-fungsi B-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibuat I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Kemudian O
pengujian O
dengan O
SUS B-METODE
, O
diperoleh B-TEMUAN
skor I-TEMUAN
sebesar I-TEMUAN
83,75 I-TEMUAN
sehingga I-TEMUAN
dapat I-TEMUAN
disimpulkan I-TEMUAN
bahwa I-TEMUAN
aplikasi I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
dapat I-TEMUAN
diterapkan I-TEMUAN
di I-TEMUAN
kantor I-TEMUAN
Nagari I-TEMUAN
Sijunjung. I-TEMUAN
Saran O
Berikut O
ini O
merupakan O
saran O
dan O
masukan O
yang O
diperoleh O
baik O
dari O
penulisan O
maupun O
dari O
pihak O
lain. O
Saran O
dan O
masukan O
ini O
diharapkan O
dapat O
digunakan O
untuk O
menyempurnakan O
Aplikasi O
Desa O
Cinta O
Statistik O
Sijunjung O
sebagai O
penelitian O
kedepannya. O
1. O
Pengembangan O
tampilan O
baik O
antarmuka O
maupun O
visualisasi O
diperbaiki O
agar O
sesuai O
dengan O
perkembangan O
teknologi. O
2. O
Pembuatan O
panduan O
penggunaan O
sistem O
pada O
bagian O
operator O
3. O
Fitur O
yang O
memungkinkan O
pengunjung O
web O
( O
pemerintah O
dan O
masyarakat O
) O
dapat O
mengunduh O
data O
yang O
berasal O
dari O
website O
Desa O
Cantik O
Sijunjung. O
4. O
Fitur O
yang O
dapat O
menampilkan O
pemasukan O
dan O
pengeluaran O
keuangan O
Nagari O
Sijunjung. O
5. O
Fitur O
yang O
dapat O
mendeskripsikan O
visualisasi O
data. O
6. O
Pengembangan O
pada O
fitur O
deskripsi O
desa O
sehingga O
tampilan O
antarmuka O
menarik O
untuk O
dilihat O
oleh O
viewer. O
tampilan O
dari O
8 O
/ O
9 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Pembangunan O
Pipeline O
untuk O
Imputasi O
Komponen O
CIF O
pada O
Data O
Impor O
Indonesia O
M. O
Baital O
Salsabil O
( O
221810397 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Rani O
Nooraeni O
, O
S.ST O
, O
M.Stat O
Ringkasan— O
Data O
impor O
biasanya O
disajikan O
dalam O
bentuk O
CIF O
yang O
terdiri O
dari O
tiga O
komponen O
, O
yaitu O
FOB O
, O
insurance O
, O
dan O
freight. O
Penyajian O
data O
impor O
dalam O
bentuk O
setiap O
komponennya O
juga O
diperlukan O
, O
tetapi O
sebagian O
besar O
nilai O
ketiga O
komponen O
CIF O
tidak O
tersedia. O
Proses O
imputasi O
menjadi O
salah O
satu O
solusi O
dalam O
mengatasi O
permasalahan O
tersebut O
, O
dalam O
melakukan O
proses O
imputasi O
ini O
diperlukan O
tahapan O
yang O
sistematis O
dan O
otomatis O
karena O
berhadapan O
dengan O
data O
kegiatan O
impor O
yang O
dihasilkan O
setiap O
tahun O
dengan O
ukuran O
data O
berskala O
besar. O
Dengan O
demikian O
, O
penelitian O
ini O
bertujuan O
untuk O
membangun B-TUJUAN
pipeline I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
melakukan I-TUJUAN
imputasi I-TUJUAN
terhadap I-TUJUAN
ketiga I-TUJUAN
komponen I-TUJUAN
CIF I-TUJUAN
secara I-TUJUAN
efektif I-TUJUAN
dan I-TUJUAN
otomatis. I-TUJUAN
Data O
yang O
digunakan O
merupakan O
data O
impor O
Indonesia O
selama O
tahun O
2019. O
Pada O
penelitian O
ini O
dibangun O
sebuah O
pipeline O
sebagai O
alur O
preprocessing O
untuk O
membuat O
model O
yang O
digunakan O
untuk O
menghitung O
nilai O
komponen O
CIF. O
Random B-TEMUAN
Forest I-TEMUAN
diterapkan I-TEMUAN
dalam I-TEMUAN
progam I-TEMUAN
imputasi I-TEMUAN
komponen I-TEMUAN
CIF I-TEMUAN
berbasis I-TEMUAN
R I-TEMUAN
sebagai I-TEMUAN
model I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dibandingkan I-TEMUAN
Gradient I-TEMUAN
Boosting I-TEMUAN
berdasarkan I-TEMUAN
RMSE I-TEMUAN
, I-TEMUAN
MAE I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
beberapa I-TEMUAN
nilai I-TEMUAN
statistik. I-TEMUAN
Kata O
Kunci—pipeline O
, O
preprocessing O
, O
imputasi O
, O
CIF. O
[SEP] O
Berdasarkan O
pembahasan O
di O
atas O
, O
kesimpulan O
yang O
diperoleh O
dari O
penelitian O
ini O
adalah O
sebagai O
berikut O
: O
1. O
Pipeline O
yang O
dibentuk O
dapat O
digunakan O
untuk O
melakukan O
imputasi O
komponen O
CIF O
pada O
data O
impor. O
Adapun O
tahap O
pengolahan O
data O
terdiri O
dari O
beberapa O
tahap O
preprocessing O
yaitu O
, O
validasi O
data O
, O
menghapus O
outliers O
, O
encoding O
, O
dan O
normalisasi O
, O
membuat O
model O
machine O
learning O
dengan O
Random O
Forest O
, O
dan O
menghitung O
proporsi O
komponen O
CIF O
, O
sehingga O
dapat O
menghasilkan O
nilai O
imputasi O
pada O
komponen O
CIF. O
2. O
Model O
Random O
Forests O
memberikan O
hasil O
yang O
lebih O
baik O
dalam O
mengimputasi O
ketiga O
nilai O
komponen O
CIF O
dibandingkan O
dengan O
model O
Gradient O
Boosting. O
Hal O
ini O
ditunjukan O
oleh O
nilai O
RMSE B-METODE
dan I-METODE
MAE I-METODE
pada O
model O
Random O
Forests O
yang O
lebih O
rendah O
daripada O
model O
Gradient O
Boosting. O
Selain O
itu O
, O
nilai O
statistik O
yang O
dihasilkan O
dari O
juga O
simulasi O
proses O
mendukung O
bahwa O
Random O
Forest O
lebih O
baik O
daripada O
Gradient O
Boosting O
dalam O
menghitung O
ketiga O
nilai O
komponen O
CIF. O
imputasi O
Penghitungan O
menggunakan O
proporsi O
berdasarkan O
nilai O
hasil O
estimasi O
Random O
Forest O
baik O
secara O
langsung O
maupun O
dengan O
PCA O
juga O
memberikan O
nilai O
RMSE B-METODE
dan I-METODE
MAE I-METODE
yang O
lebih O
rendah. O
imputasi O
nilai O
3. O
Progam O
imputasi O
yang O
dibangun O
berperan O
sebagai O
sistem O
untuk O
menghitung O
nilai O
komponen O
CIF O
yang O
tidak O
tersedia O
dalam O
data O
yang O
dimiliki O
oleh O
pengguna. O
Adapun O
saran O
yang O
dapat O
diberikan O
pada O
penelitian O
ini O
untuk O
penelitian O
selanjutnya O
yaitu O
: O
1. O
Menambahkan O
atau O
menggunakaan O
variabel O
lain O
yang O
mungkin O
dapat O
memengaruhi O
ketiga O
nilai O
komponen O
agar O
dapat O
CIF O
memberikan O
hasil O
prediksi O
yang O
lebih O
baik O
, O
seperti O
kode O
pelabuhan O
dan O
kode O
fasilitas. O
tambahan O
informasi O
sebagai O
2. O
Mengembangkan O
tahapan O
preprocessing O
pada O
pipeline O
, O
misalnya O
tetap O
menggunakan O
dokumen O
yang O
memiliki O
lebih O
dari O
satu O
barang O
di O
dalamnya O
dengan O
mempertimbangkan O
barang O
yang O
lebih O
banyak O
di O
dalam O
dokumen O
tersebut. O
3. O
Menggunakan O
bahasa O
pemrogaman O
yang O
dapat O
mengatasi O
jumlah O
data O
yang O
sangat O
besar O
dan O
lebih O
cepat O
agar O
sistem O
atau O
aplikasi O
yang O
dihasilkan O
memberikan O
performa O
yang O
lebih O
baik O
, O
seperti O
Python. O

Pembangunan O
Pipeline O
untuk O
Imputasi O
Komponen O
CIF O
pada O
Data O
Impor O
Indonesia O
M. O
Baital O
Salsabil O
( O
221810397 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Rani O
Nooraeni O
, O
S.ST O
, O
M.Stat O
Ringkasan— O
Data O
impor O
biasanya O
disajikan O
dalam O
bentuk O
CIF O
yang O
terdiri O
dari O
tiga O
komponen O
, O
yaitu O
FOB O
, O
insurance O
, O
dan O
freight. O
Penyajian O
data O
impor O
dalam O
bentuk O
setiap O
komponennya O
juga O
diperlukan O
, O
tetapi O
sebagian O
besar O
nilai O
ketiga O
komponen O
CIF O
tidak O
tersedia. O
Proses O
imputasi O
menjadi O
salah O
satu O
solusi O
dalam O
mengatasi O
permasalahan O
tersebut O
, O
dalam O
melakukan O
proses O
imputasi O
ini O
diperlukan O
tahapan O
yang O
sistematis O
dan O
otomatis O
karena O
berhadapan O
dengan O
data O
kegiatan O
impor O
yang O
dihasilkan O
setiap O
tahun O
dengan O
ukuran O
data O
berskala O
besar. O
Dengan O
demikian O
, O
penelitian O
ini O
bertujuan O
untuk O
membangun B-TUJUAN
pipeline I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
melakukan I-TUJUAN
imputasi I-TUJUAN
terhadap I-TUJUAN
ketiga I-TUJUAN
komponen I-TUJUAN
CIF I-TUJUAN
secara I-TUJUAN
efektif I-TUJUAN
dan I-TUJUAN
otomatis. I-TUJUAN
Data O
yang O
digunakan O
merupakan O
data O
impor O
Indonesia O
selama O
tahun O
2019. O
Pada O
penelitian O
ini O
dibangun O
sebuah O
pipeline O
sebagai O
alur O
preprocessing O
untuk O
membuat O
model O
yang O
digunakan O
untuk O
menghitung O
nilai O
komponen O
CIF. O
Random B-TEMUAN
Forest I-TEMUAN
diterapkan I-TEMUAN
dalam I-TEMUAN
progam I-TEMUAN
imputasi I-TEMUAN
komponen I-TEMUAN
CIF I-TEMUAN
berbasis I-TEMUAN
R I-TEMUAN
sebagai I-TEMUAN
model I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dibandingkan I-TEMUAN
Gradient I-TEMUAN
Boosting I-TEMUAN
berdasarkan I-TEMUAN
RMSE I-TEMUAN
, I-TEMUAN
MAE I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
beberapa I-TEMUAN
nilai I-TEMUAN
statistik. I-TEMUAN
Kata O
Kunci—pipeline O
, O
preprocessing O
, O
imputasi O
, O
CIF. O
[SEP] O
Berdasarkan O
pembahasan O
di O
atas O
, O
kesimpulan O
yang O
diperoleh O
dari O
penelitian O
ini O
adalah O
sebagai O
berikut O
: O
1. O
Pipeline O
yang O
dibentuk O
dapat O
digunakan O
untuk O
melakukan O
imputasi O
komponen O
CIF O
pada O
data O
impor. O
Adapun O
tahap O
pengolahan O
data O
terdiri O
dari O
beberapa O
tahap O
preprocessing O
yaitu O
, O
validasi O
data O
, O
menghapus O
outliers O
, O
encoding O
, O
dan O
normalisasi O
, O
membuat O
model O
machine O
learning O
dengan O
Random O
Forest O
, O
dan O
menghitung O
proporsi O
komponen O
CIF O
, O
sehingga O
dapat O
menghasilkan O
nilai O
imputasi O
pada O
komponen O
CIF. O
2. O
Model O
Random O
Forests O
memberikan O
hasil O
yang O
lebih O
baik O
dalam O
mengimputasi O
ketiga O
nilai O
komponen O
CIF O
dibandingkan O
dengan O
model O
Gradient O
Boosting. O
Hal O
ini O
ditunjukan O
oleh O
nilai O
RMSE B-METODE
dan I-METODE
MAE I-METODE
pada O
model O
Random O
Forests O
yang O
lebih O
rendah O
daripada O
model O
Gradient O
Boosting. O
Selain O
itu O
, O
nilai O
statistik O
yang O
dihasilkan O
dari O
juga O
simulasi O
proses O
mendukung O
bahwa O
Random O
Forest O
lebih O
baik O
daripada O
Gradient O
Boosting O
dalam O
menghitung O
ketiga O
nilai O
komponen O
CIF. O
imputasi O
Penghitungan O
menggunakan O
proporsi O
berdasarkan O
nilai O
hasil O
estimasi O
Random O
Forest O
baik O
secara O
langsung O
maupun O
dengan O
PCA O
juga O
memberikan O
nilai O
RMSE B-METODE
dan I-METODE
MAE I-METODE
yang O
lebih O
rendah. O
imputasi O
nilai O
3. O
Progam O
imputasi O
yang O
dibangun O
berperan O
sebagai O
sistem O
untuk O
menghitung O
nilai O
komponen O
CIF O
yang O
tidak O
tersedia O
dalam O
data O
yang O
dimiliki O
oleh O
pengguna. O
Adapun O
saran O
yang O
dapat O
diberikan O
pada O
penelitian O
ini O
untuk O
penelitian O
selanjutnya O
yaitu O
: O
1. O
Menambahkan O
atau O
menggunakaan O
variabel O
lain O
yang O
mungkin O
dapat O
memengaruhi O
ketiga O
nilai O
komponen O
agar O
dapat O
CIF O
memberikan O
hasil O
prediksi O
yang O
lebih O
baik O
, O
seperti O
kode O
pelabuhan O
dan O
kode O
fasilitas. O
tambahan O
informasi O
sebagai O
2. O
Mengembangkan O
tahapan O
preprocessing O
pada O
pipeline O
, O
misalnya O
tetap O
menggunakan O
dokumen O
yang O
memiliki O
lebih O
dari O
satu O
barang O
di O
dalamnya O
dengan O
mempertimbangkan O
barang O
yang O
lebih O
banyak O
di O
dalam O
dokumen O
tersebut. O
3. O
Menggunakan O
bahasa O
pemrogaman O
yang O
dapat O
mengatasi O
jumlah O
data O
yang O
sangat O
besar O
dan O
lebih O
cepat O
agar O
sistem O
atau O
aplikasi O
yang O
dihasilkan O
memberikan O
performa O
yang O
lebih O
baik O
, O
seperti O
Python. O

Pembangunan O
Pipeline O
untuk O
Imputasi O
Komponen O
CIF O
pada O
Data O
Impor O
Indonesia O
M. O
Baital O
Salsabil O
( O
221810397 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Rani O
Nooraeni O
, O
S.ST O
, O
M.Stat O
Ringkasan— O
Data O
impor O
biasanya O
disajikan O
dalam O
bentuk O
CIF O
yang O
terdiri O
dari O
tiga O
komponen O
, O
yaitu O
FOB O
, O
insurance O
, O
dan O
freight. O
Penyajian O
data O
impor O
dalam O
bentuk O
setiap O
komponennya O
juga O
diperlukan O
, O
tetapi O
sebagian O
besar O
nilai O
ketiga O
komponen O
CIF O
tidak O
tersedia. O
Proses O
imputasi O
menjadi O
salah O
satu O
solusi O
dalam O
mengatasi O
permasalahan O
tersebut O
, O
dalam O
melakukan O
proses O
imputasi O
ini O
diperlukan O
tahapan O
yang O
sistematis O
dan O
otomatis O
karena O
berhadapan O
dengan O
data O
kegiatan O
impor O
yang O
dihasilkan O
setiap O
tahun O
dengan O
ukuran O
data O
berskala O
besar. O
Dengan O
demikian O
, O
penelitian O
ini O
bertujuan O
untuk O
membangun B-TUJUAN
pipeline I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
melakukan I-TUJUAN
imputasi I-TUJUAN
terhadap I-TUJUAN
ketiga I-TUJUAN
komponen I-TUJUAN
CIF I-TUJUAN
secara I-TUJUAN
efektif I-TUJUAN
dan I-TUJUAN
otomatis. I-TUJUAN
Data O
yang O
digunakan O
merupakan O
data O
impor O
Indonesia O
selama O
tahun O
2019. O
Pada O
penelitian O
ini O
dibangun O
sebuah O
pipeline O
sebagai O
alur O
preprocessing O
untuk O
membuat O
model O
yang O
digunakan O
untuk O
menghitung O
nilai O
komponen O
CIF. O
Random B-TEMUAN
Forest I-TEMUAN
diterapkan I-TEMUAN
dalam I-TEMUAN
progam I-TEMUAN
imputasi I-TEMUAN
komponen I-TEMUAN
CIF I-TEMUAN
berbasis I-TEMUAN
R I-TEMUAN
sebagai I-TEMUAN
model I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dibandingkan I-TEMUAN
Gradient I-TEMUAN
Boosting I-TEMUAN
berdasarkan I-TEMUAN
RMSE I-TEMUAN
, I-TEMUAN
MAE I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
beberapa I-TEMUAN
nilai I-TEMUAN
statistik. I-TEMUAN
Kata O
Kunci—pipeline O
, O
preprocessing O
, O
imputasi O
, O
CIF. O
[SEP] O
Berdasarkan O
pembahasan O
di O
atas O
, O
kesimpulan O
yang O
diperoleh O
dari O
penelitian O
ini O
adalah O
sebagai O
berikut O
: O
1. O
Pipeline O
yang O
dibentuk O
dapat O
digunakan O
untuk O
melakukan O
imputasi O
komponen O
CIF O
pada O
data O
impor. O
Adapun O
tahap O
pengolahan O
data O
terdiri O
dari O
beberapa O
tahap O
preprocessing O
yaitu O
, O
validasi O
data O
, O
menghapus O
outliers O
, O
encoding O
, O
dan O
normalisasi O
, O
membuat O
model O
machine O
learning O
dengan O
Random O
Forest O
, O
dan O
menghitung O
proporsi O
komponen O
CIF O
, O
sehingga O
dapat O
menghasilkan O
nilai O
imputasi O
pada O
komponen O
CIF. O
2. O
Model O
Random O
Forests O
memberikan O
hasil O
yang O
lebih O
baik O
dalam O
mengimputasi O
ketiga O
nilai O
komponen O
CIF O
dibandingkan O
dengan O
model O
Gradient O
Boosting. O
Hal O
ini O
ditunjukan O
oleh O
nilai O
RMSE B-METODE
dan I-METODE
MAE I-METODE
pada O
model O
Random O
Forests O
yang O
lebih O
rendah O
daripada O
model O
Gradient O
Boosting. O
Selain O
itu O
, O
nilai O
statistik O
yang O
dihasilkan O
dari O
juga O
simulasi O
proses O
mendukung O
bahwa O
Random O
Forest O
lebih O
baik O
daripada O
Gradient O
Boosting O
dalam O
menghitung O
ketiga O
nilai O
komponen O
CIF. O
imputasi O
Penghitungan O
menggunakan O
proporsi O
berdasarkan O
nilai O
hasil O
estimasi O
Random O
Forest O
baik O
secara O
langsung O
maupun O
dengan O
PCA O
juga O
memberikan O
nilai O
RMSE B-METODE
dan I-METODE
MAE I-METODE
yang O
lebih O
rendah. O
imputasi O
nilai O
3. O
Progam O
imputasi O
yang O
dibangun O
berperan O
sebagai O
sistem O
untuk O
menghitung O
nilai O
komponen O
CIF O
yang O
tidak O
tersedia O
dalam O
data O
yang O
dimiliki O
oleh O
pengguna. O
Adapun O
saran O
yang O
dapat O
diberikan O
pada O
penelitian O
ini O
untuk O
penelitian O
selanjutnya O
yaitu O
: O
1. O
Menambahkan O
atau O
menggunakaan O
variabel O
lain O
yang O
mungkin O
dapat O
memengaruhi O
ketiga O
nilai O
komponen O
agar O
dapat O
CIF O
memberikan O
hasil O
prediksi O
yang O
lebih O
baik O
, O
seperti O
kode O
pelabuhan O
dan O
kode O
fasilitas. O
tambahan O
informasi O
sebagai O
2. O
Mengembangkan O
tahapan O
preprocessing O
pada O
pipeline O
, O
misalnya O
tetap O
menggunakan O
dokumen O
yang O
memiliki O
lebih O
dari O
satu O
barang O
di O
dalamnya O
dengan O
mempertimbangkan O
barang O
yang O
lebih O
banyak O
di O
dalam O
dokumen O
tersebut. O
3. O
Menggunakan O
bahasa O
pemrogaman O
yang O
dapat O
mengatasi O
jumlah O
data O
yang O
sangat O
besar O
dan O
lebih O
cepat O
agar O
sistem O
atau O
aplikasi O
yang O
dihasilkan O
memberikan O
performa O
yang O
lebih O
baik O
, O
seperti O
Python. O

Pembangunan O
Package O
R O
Model O
Kekar O
Berbasis O
Distribusi-t O
untuk O
Small O
Area O
Estimation O
dengan O
Peubah O
Respon O
yang O
Mengandung O
Outlier O
M. O
Aris O
Munandar O
( O
221810396 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Cucu O
Sumarni O
SST. O
, O
M.Si. O
FH O
berkinerja O
Ringkasan— O
Model O
Small B-METODE
Area I-METODE
Estimation I-METODE
( I-METODE
SAE I-METODE
) I-METODE
digunakan O
oleh O
ahli O
statistik O
untuk O
mendapatkan O
statistika O
area O
kecil O
karena O
metode O
ini O
lebih O
efeisein O
daripada O
metode O
pendugaan O
langsung. O
Pada O
model O
FH O
umumnya O
komponen O
pengaruh O
acak O
dan O
galat O
penarikan O
contoh O
diasumsikan O
memiliki O
sebaran O
normal O
, O
namun O
sebaran O
ini O
sangat O
sensitif O
terhadap O
pencilan O
( O
outlier O
) O
, O
Model O
buruk O
mungkin O
dalammendapatkan O
prediktor O
EBLUP O
ketika O
data O
mengandung O
pencilan. O
Karena O
masalah O
tersebut O
maka O
digunakan O
metode B-METODE
Kekar I-METODE
untuk O
menyelesaikan O
masalah O
kehilangan O
beberapa O
informasi O
penting O
dan O
menghasilkan O
perkiraan O
yang O
tidak O
akurat O
karena O
membuang O
outlier O
ataupun O
menggunakan O
metode O
transformasi. O
Model O
Kekar O
yang O
dapat O
digunakan O
untuk O
menyelesaikan O
masalah O
ini O
seperti O
menggunakan O
fungsi O
Heber O
atau O
mengganti O
asumsi O
normalitas O
dengan O
sebaran-t. O
Untuk O
memudakan O
penggunaan O
dalam O
mengaplikasikan O
model O
yang O
dibentuk O
, O
maka O
dibuat B-TUJUAN
suatu I-TUJUAN
Package I-TUJUAN
Model I-TUJUAN
Kekar I-TUJUAN
Berbasis I-TUJUAN
sebaran-t I-TUJUAN
untukSmall I-TUJUAN
Area I-TUJUAN
Estimation I-TUJUAN
Dengan I-TUJUAN
Peubah I-TUJUAN
Respon I-TUJUAN
yang I-TUJUAN
Mengandung I-TUJUAN
Outlier. I-TUJUAN
Kata O
Kunci— O
SAE O
, O
Distribusi-t O
, O
Kekar O
Huber O
, O
pencilan O
, O
R. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
dapat O
diambil O
kesimpulan O
sebagai O
berikut O
: O
1. O
Data O
yang O
memiliki O
pencilan O
dapat O
diestimasi O
menggunakan O
model O
kekar O
berbasis O
sebaran-t. O
2. O
Package B-TEMUAN
R I-TEMUAN
Model I-TEMUAN
Kekar I-TEMUAN
Berbasis I-TEMUAN
Sebaran-t I-TEMUAN
berhasil I-TEMUAN
dibangun. I-TEMUAN

Pembangunan O
Package O
R O
Model O
Kekar O
Berbasis O
Distribusi-t O
untuk O
Small O
Area O
Estimation O
dengan O
Peubah O
Respon O
yang O
Mengandung O
Outlier O
M. O
Aris O
Munandar O
( O
221810396 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Cucu O
Sumarni O
SST. O
, O
M.Si. O
FH O
berkinerja O
Ringkasan— O
Model O
Small B-METODE
Area I-METODE
Estimation I-METODE
( I-METODE
SAE I-METODE
) I-METODE
digunakan O
oleh O
ahli O
statistik O
untuk O
mendapatkan O
statistika O
area O
kecil O
karena O
metode O
ini O
lebih O
efeisein O
daripada O
metode O
pendugaan O
langsung. O
Pada O
model O
FH O
umumnya O
komponen O
pengaruh O
acak O
dan O
galat O
penarikan O
contoh O
diasumsikan O
memiliki O
sebaran O
normal O
, O
namun O
sebaran O
ini O
sangat O
sensitif O
terhadap O
pencilan O
( O
outlier O
) O
, O
Model O
buruk O
mungkin O
dalammendapatkan O
prediktor O
EBLUP O
ketika O
data O
mengandung O
pencilan. O
Karena O
masalah O
tersebut O
maka O
digunakan O
metode B-METODE
Kekar I-METODE
untuk O
menyelesaikan O
masalah O
kehilangan O
beberapa O
informasi O
penting O
dan O
menghasilkan O
perkiraan O
yang O
tidak O
akurat O
karena O
membuang O
outlier O
ataupun O
menggunakan O
metode O
transformasi. O
Model O
Kekar O
yang O
dapat O
digunakan O
untuk O
menyelesaikan O
masalah O
ini O
seperti O
menggunakan O
fungsi O
Heber O
atau O
mengganti O
asumsi O
normalitas O
dengan O
sebaran-t. O
Untuk O
memudakan O
penggunaan O
dalam O
mengaplikasikan O
model O
yang O
dibentuk O
, O
maka O
dibuat B-TUJUAN
suatu I-TUJUAN
Package I-TUJUAN
Model I-TUJUAN
Kekar I-TUJUAN
Berbasis I-TUJUAN
sebaran-t I-TUJUAN
untukSmall I-TUJUAN
Area I-TUJUAN
Estimation I-TUJUAN
Dengan I-TUJUAN
Peubah I-TUJUAN
Respon I-TUJUAN
yang I-TUJUAN
Mengandung I-TUJUAN
Outlier. I-TUJUAN
Kata O
Kunci— O
SAE O
, O
Distribusi-t O
, O
Kekar O
Huber O
, O
pencilan O
, O
R. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
dapat O
diambil O
kesimpulan O
sebagai O
berikut O
: O
1. O
Data O
yang O
memiliki O
pencilan O
dapat O
diestimasi O
menggunakan O
model O
kekar O
berbasis O
sebaran-t. O
2. O
Package B-TEMUAN
R I-TEMUAN
Model I-TEMUAN
Kekar I-TEMUAN
Berbasis I-TEMUAN
Sebaran-t I-TEMUAN
berhasil I-TEMUAN
dibangun. I-TEMUAN

Pembangunan O
Package O
R O
Model O
Kekar O
Berbasis O
Distribusi-t O
untuk O
Small O
Area O
Estimation O
dengan O
Peubah O
Respon O
yang O
Mengandung O
Outlier O
M. O
Aris O
Munandar O
( O
221810396 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Cucu O
Sumarni O
SST. O
, O
M.Si. O
FH O
berkinerja O
Ringkasan— O
Model O
Small B-METODE
Area I-METODE
Estimation I-METODE
( I-METODE
SAE I-METODE
) I-METODE
digunakan O
oleh O
ahli O
statistik O
untuk O
mendapatkan O
statistika O
area O
kecil O
karena O
metode O
ini O
lebih O
efeisein O
daripada O
metode O
pendugaan O
langsung. O
Pada O
model O
FH O
umumnya O
komponen O
pengaruh O
acak O
dan O
galat O
penarikan O
contoh O
diasumsikan O
memiliki O
sebaran O
normal O
, O
namun O
sebaran O
ini O
sangat O
sensitif O
terhadap O
pencilan O
( O
outlier O
) O
, O
Model O
buruk O
mungkin O
dalammendapatkan O
prediktor O
EBLUP O
ketika O
data O
mengandung O
pencilan. O
Karena O
masalah O
tersebut O
maka O
digunakan O
metode B-METODE
Kekar I-METODE
untuk O
menyelesaikan O
masalah O
kehilangan O
beberapa O
informasi O
penting O
dan O
menghasilkan O
perkiraan O
yang O
tidak O
akurat O
karena O
membuang O
outlier O
ataupun O
menggunakan O
metode O
transformasi. O
Model O
Kekar O
yang O
dapat O
digunakan O
untuk O
menyelesaikan O
masalah O
ini O
seperti O
menggunakan O
fungsi O
Heber O
atau O
mengganti O
asumsi O
normalitas O
dengan O
sebaran-t. O
Untuk O
memudakan O
penggunaan O
dalam O
mengaplikasikan O
model O
yang O
dibentuk O
, O
maka O
dibuat B-TUJUAN
suatu I-TUJUAN
Package I-TUJUAN
Model I-TUJUAN
Kekar I-TUJUAN
Berbasis I-TUJUAN
sebaran-t I-TUJUAN
untukSmall I-TUJUAN
Area I-TUJUAN
Estimation I-TUJUAN
Dengan I-TUJUAN
Peubah I-TUJUAN
Respon I-TUJUAN
yang I-TUJUAN
Mengandung I-TUJUAN
Outlier. I-TUJUAN
Kata O
Kunci— O
SAE O
, O
Distribusi-t O
, O
Kekar O
Huber O
, O
pencilan O
, O
R. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
dapat O
diambil O
kesimpulan O
sebagai O
berikut O
: O
1. O
Data O
yang O
memiliki O
pencilan O
dapat O
diestimasi O
menggunakan O
model O
kekar O
berbasis O
sebaran-t. O
2. O
Package B-TEMUAN
R I-TEMUAN
Model I-TEMUAN
Kekar I-TEMUAN
Berbasis I-TEMUAN
Sebaran-t I-TEMUAN
berhasil I-TEMUAN
dibangun. I-TEMUAN

Pembangunan O
Package O
R O
Model O
Kekar O
Berbasis O
Distribusi-t O
untuk O
Small O
Area O
Estimation O
dengan O
Peubah O
Respon O
yang O
Mengandung O
Outlier O
M. O
Aris O
Munandar O
( O
221810396 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Cucu O
Sumarni O
SST. O
, O
M.Si. O
FH O
berkinerja O
Ringkasan— O
Model O
Small B-METODE
Area I-METODE
Estimation I-METODE
( I-METODE
SAE I-METODE
) I-METODE
digunakan O
oleh O
ahli O
statistik O
untuk O
mendapatkan O
statistika O
area O
kecil O
karena O
metode O
ini O
lebih O
efeisein O
daripada O
metode O
pendugaan O
langsung. O
Pada O
model O
FH O
umumnya O
komponen O
pengaruh O
acak O
dan O
galat O
penarikan O
contoh O
diasumsikan O
memiliki O
sebaran O
normal O
, O
namun O
sebaran O
ini O
sangat O
sensitif O
terhadap O
pencilan O
( O
outlier O
) O
, O
Model O
buruk O
mungkin O
dalammendapatkan O
prediktor O
EBLUP O
ketika O
data O
mengandung O
pencilan. O
Karena O
masalah O
tersebut O
maka O
digunakan O
metode B-METODE
Kekar I-METODE
untuk O
menyelesaikan O
masalah O
kehilangan O
beberapa O
informasi O
penting O
dan O
menghasilkan O
perkiraan O
yang O
tidak O
akurat O
karena O
membuang O
outlier O
ataupun O
menggunakan O
metode O
transformasi. O
Model O
Kekar O
yang O
dapat O
digunakan O
untuk O
menyelesaikan O
masalah O
ini O
seperti O
menggunakan O
fungsi O
Heber O
atau O
mengganti O
asumsi O
normalitas O
dengan O
sebaran-t. O
Untuk O
memudakan O
penggunaan O
dalam O
mengaplikasikan O
model O
yang O
dibentuk O
, O
maka O
dibuat B-TUJUAN
suatu I-TUJUAN
Package I-TUJUAN
Model I-TUJUAN
Kekar I-TUJUAN
Berbasis I-TUJUAN
sebaran-t I-TUJUAN
untukSmall I-TUJUAN
Area I-TUJUAN
Estimation I-TUJUAN
Dengan I-TUJUAN
Peubah I-TUJUAN
Respon I-TUJUAN
yang I-TUJUAN
Mengandung I-TUJUAN
Outlier. I-TUJUAN
Kata O
Kunci— O
SAE O
, O
Distribusi-t O
, O
Kekar O
Huber O
, O
pencilan O
, O
R. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
dapat O
diambil O
kesimpulan O
sebagai O
berikut O
: O
1. O
Data O
yang O
memiliki O
pencilan O
dapat O
diestimasi O
menggunakan O
model O
kekar O
berbasis O
sebaran-t. O
2. O
Package B-TEMUAN
R I-TEMUAN
Model I-TEMUAN
Kekar I-TEMUAN
Berbasis I-TEMUAN
Sebaran-t I-TEMUAN
berhasil I-TEMUAN
dibangun. I-TEMUAN

Pengembangan O
Sistem O
Informasi O
Manajemen O
Mitra O
Statistik O
Studi O
Kasus O
: O
BPS O
Kota O
Padang O
Panjang O
M O
Nabil O
Syukri O
( O
221810394 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A. O
Ringkasan— O
BPS O
dalam O
melaksanakan O
tugasnya O
seringkali O
membutuhkan O
tenaga O
kerja O
tambahan O
yang O
disebut O
“Mitra O
Statistik”. O
Dalam O
proses O
perekrutannya O
, O
BPS O
Kota O
Padang O
Panjang O
menyebar O
formulir O
pendaftaran O
berupa O
kertas O
atau O
menggunakan O
google O
form. O
Di O
dalam O
formulir O
, O
calon O
mitra O
statistik O
akan O
mengisi O
20 O
jenis O
data O
diri. O
Tidak O
sedikit O
dari O
mitra O
statistik O
yang O
mengikuti O
lebih O
dari O
satu O
kali O
survei O
ataupun O
sensus. O
Namun O
, O
setiap O
kali O
ingin O
mendaftarkan O
diri O
ke O
sebuah O
survei O
atau O
sensus O
, O
mitra O
statistik O
harus O
selalu O
mengisi O
formulir O
yang O
cukup O
banyak O
tersebut. O
Ini O
disebabkan O
belum O
adanya O
sebuah O
sistem O
informasi O
yang O
berfungsi O
untuk O
menampung O
data O
diri O
mitra O
statistik O
menggunakan O
sebuah O
database. O
Sistem B-TUJUAN
informasi I-TUJUAN
ini I-TUJUAN
juga I-TUJUAN
dapat I-TUJUAN
digunakan I-TUJUAN
untuk I-TUJUAN
menampung I-TUJUAN
track I-TUJUAN
record I-TUJUAN
seorang I-TUJUAN
mitra I-TUJUAN
statistik I-TUJUAN
sehingga I-TUJUAN
untuk I-TUJUAN
pelaksanaan I-TUJUAN
survei I-TUJUAN
atau I-TUJUAN
sensus I-TUJUAN
berikutnya O
, O
BPS O
Kota O
Padang O
Panjang O
dapat O
menggunakan O
data O
tersebut O
untuk O
menyeleksi O
mitra O
statistik. O
Metode O
pengembangan O
sistem O
yang O
digunakan O
adalah O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
pendekatan I-METODE
waterfall. I-METODE
Kata O
Kunci— O
Sistem O
Informasi O
Manajemen O
, O
Mitra O
Statistik O
, O
Survei O
, O
SDLC O
, O
Waterfall. O
[SEP] O
sistem O
diatas O
maka O
dapat O
1. O
Sistem O
informasi O
mitra O
statistik O
ini O
diharapkan O
mampu O
membantu O
BPS O
Kota O
Padang O
Panjang O
dalam O
melaksanakan O
kerjasama O
dengan O
mitra O
statistik. O
2. O
Pengujian O
sistem O
akan O
dilakukan O
menggunakan O
Blackbos B-METODE
Testing I-METODE
dan I-METODE
SUS. I-METODE
Makalah O
Seminar O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
Setelah O
ini O
penulis O
akan O
melanjutkan O
pengerjaan O
sistem O
sebagai O
berikut O
: O
1. B-TEMUAN
Memperbaiki I-TEMUAN
tampilan I-TEMUAN
sistem. I-TEMUAN
2. I-TEMUAN
Menambahkan I-TEMUAN
user I-TEMUAN
role I-TEMUAN
admin I-TEMUAN
untuk I-TEMUAN
mengatur I-TEMUAN
user. I-TEMUAN
3. I-TEMUAN
Menyelesaikan I-TEMUAN
fitur I-TEMUAN
yang I-TEMUAN
belum I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
dikarenakan I-TEMUAN
masih I-TEMUAN
terkendala I-TEMUAN
oleh I-TEMUAN
beberapa I-TEMUAN
error I-TEMUAN
yang I-TEMUAN
belum I-TEMUAN
terselesaikan. I-TEMUAN

Pengembangan O
Sistem O
Informasi O
Manajemen O
Mitra O
Statistik O
Studi O
Kasus O
: O
BPS O
Kota O
Padang O
Panjang O
M O
Nabil O
Syukri O
( O
221810394 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A. O
Ringkasan— O
BPS O
dalam O
melaksanakan O
tugasnya O
seringkali O
membutuhkan O
tenaga O
kerja O
tambahan O
yang O
disebut O
“Mitra O
Statistik”. O
Dalam O
proses O
perekrutannya O
, O
BPS O
Kota O
Padang O
Panjang O
menyebar O
formulir O
pendaftaran O
berupa O
kertas O
atau O
menggunakan O
google O
form. O
Di O
dalam O
formulir O
, O
calon O
mitra O
statistik O
akan O
mengisi O
20 O
jenis O
data O
diri. O
Tidak O
sedikit O
dari O
mitra O
statistik O
yang O
mengikuti O
lebih O
dari O
satu O
kali O
survei O
ataupun O
sensus. O
Namun O
, O
setiap O
kali O
ingin O
mendaftarkan O
diri O
ke O
sebuah O
survei O
atau O
sensus O
, O
mitra O
statistik O
harus O
selalu O
mengisi O
formulir O
yang O
cukup O
banyak O
tersebut. O
Ini O
disebabkan O
belum O
adanya O
sebuah O
sistem O
informasi O
yang O
berfungsi O
untuk O
menampung O
data O
diri O
mitra O
statistik O
menggunakan O
sebuah O
database. O
Sistem B-TUJUAN
informasi I-TUJUAN
ini I-TUJUAN
juga I-TUJUAN
dapat I-TUJUAN
digunakan I-TUJUAN
untuk I-TUJUAN
menampung I-TUJUAN
track I-TUJUAN
record I-TUJUAN
seorang I-TUJUAN
mitra I-TUJUAN
statistik I-TUJUAN
sehingga I-TUJUAN
untuk I-TUJUAN
pelaksanaan I-TUJUAN
survei I-TUJUAN
atau I-TUJUAN
sensus I-TUJUAN
berikutnya O
, O
BPS O
Kota O
Padang O
Panjang O
dapat O
menggunakan O
data O
tersebut O
untuk O
menyeleksi O
mitra O
statistik. O
Metode O
pengembangan O
sistem O
yang O
digunakan O
adalah O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
pendekatan I-METODE
waterfall. I-METODE
Kata O
Kunci— O
Sistem O
Informasi O
Manajemen O
, O
Mitra O
Statistik O
, O
Survei O
, O
SDLC O
, O
Waterfall. O
[SEP] O
sistem O
diatas O
maka O
dapat O
1. O
Sistem O
informasi O
mitra O
statistik O
ini O
diharapkan O
mampu O
membantu O
BPS O
Kota O
Padang O
Panjang O
dalam O
melaksanakan O
kerjasama O
dengan O
mitra O
statistik. O
2. O
Pengujian O
sistem O
akan O
dilakukan O
menggunakan O
Blackbos B-METODE
Testing I-METODE
dan I-METODE
SUS. I-METODE
Makalah O
Seminar O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
Setelah O
ini O
penulis O
akan O
melanjutkan O
pengerjaan O
sistem O
sebagai O
berikut O
: O
1. B-TEMUAN
Memperbaiki I-TEMUAN
tampilan I-TEMUAN
sistem. I-TEMUAN
2. I-TEMUAN
Menambahkan I-TEMUAN
user I-TEMUAN
role I-TEMUAN
admin I-TEMUAN
untuk I-TEMUAN
mengatur I-TEMUAN
user. I-TEMUAN
3. I-TEMUAN
Menyelesaikan I-TEMUAN
fitur I-TEMUAN
yang I-TEMUAN
belum I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
dikarenakan I-TEMUAN
masih I-TEMUAN
terkendala I-TEMUAN
oleh I-TEMUAN
beberapa I-TEMUAN
error I-TEMUAN
yang I-TEMUAN
belum I-TEMUAN
terselesaikan. I-TEMUAN

Pengembangan O
Sistem O
Informasi O
Manajemen O
Mitra O
Statistik O
Studi O
Kasus O
: O
BPS O
Kota O
Padang O
Panjang O
M O
Nabil O
Syukri O
( O
221810394 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A. O
Ringkasan— O
BPS O
dalam O
melaksanakan O
tugasnya O
seringkali O
membutuhkan O
tenaga O
kerja O
tambahan O
yang O
disebut O
“Mitra O
Statistik”. O
Dalam O
proses O
perekrutannya O
, O
BPS O
Kota O
Padang O
Panjang O
menyebar O
formulir O
pendaftaran O
berupa O
kertas O
atau O
menggunakan O
google O
form. O
Di O
dalam O
formulir O
, O
calon O
mitra O
statistik O
akan O
mengisi O
20 O
jenis O
data O
diri. O
Tidak O
sedikit O
dari O
mitra O
statistik O
yang O
mengikuti O
lebih O
dari O
satu O
kali O
survei O
ataupun O
sensus. O
Namun O
, O
setiap O
kali O
ingin O
mendaftarkan O
diri O
ke O
sebuah O
survei O
atau O
sensus O
, O
mitra O
statistik O
harus O
selalu O
mengisi O
formulir O
yang O
cukup O
banyak O
tersebut. O
Ini O
disebabkan O
belum O
adanya O
sebuah O
sistem O
informasi O
yang O
berfungsi O
untuk O
menampung O
data O
diri O
mitra O
statistik O
menggunakan O
sebuah O
database. O
Sistem B-TUJUAN
informasi I-TUJUAN
ini I-TUJUAN
juga I-TUJUAN
dapat I-TUJUAN
digunakan I-TUJUAN
untuk I-TUJUAN
menampung I-TUJUAN
track I-TUJUAN
record I-TUJUAN
seorang I-TUJUAN
mitra I-TUJUAN
statistik I-TUJUAN
sehingga I-TUJUAN
untuk I-TUJUAN
pelaksanaan I-TUJUAN
survei I-TUJUAN
atau I-TUJUAN
sensus I-TUJUAN
berikutnya O
, O
BPS O
Kota O
Padang O
Panjang O
dapat O
menggunakan O
data O
tersebut O
untuk O
menyeleksi O
mitra O
statistik. O
Metode O
pengembangan O
sistem O
yang O
digunakan O
adalah O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
pendekatan I-METODE
waterfall. I-METODE
Kata O
Kunci— O
Sistem O
Informasi O
Manajemen O
, O
Mitra O
Statistik O
, O
Survei O
, O
SDLC O
, O
Waterfall. O
[SEP] O
sistem O
diatas O
maka O
dapat O
1. O
Sistem O
informasi O
mitra O
statistik O
ini O
diharapkan O
mampu O
membantu O
BPS O
Kota O
Padang O
Panjang O
dalam O
melaksanakan O
kerjasama O
dengan O
mitra O
statistik. O
2. O
Pengujian O
sistem O
akan O
dilakukan O
menggunakan O
Blackbos B-METODE
Testing I-METODE
dan I-METODE
SUS. I-METODE
Makalah O
Seminar O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
Setelah O
ini O
penulis O
akan O
melanjutkan O
pengerjaan O
sistem O
sebagai O
berikut O
: O
1. B-TEMUAN
Memperbaiki I-TEMUAN
tampilan I-TEMUAN
sistem. I-TEMUAN
2. I-TEMUAN
Menambahkan I-TEMUAN
user I-TEMUAN
role I-TEMUAN
admin I-TEMUAN
untuk I-TEMUAN
mengatur I-TEMUAN
user. I-TEMUAN
3. I-TEMUAN
Menyelesaikan I-TEMUAN
fitur I-TEMUAN
yang I-TEMUAN
belum I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
dikarenakan I-TEMUAN
masih I-TEMUAN
terkendala I-TEMUAN
oleh I-TEMUAN
beberapa I-TEMUAN
error I-TEMUAN
yang I-TEMUAN
belum I-TEMUAN
terselesaikan. I-TEMUAN

Pengembangan O
Sistem O
Informasi O
Manajemen O
Mitra O
Statistik O
Studi O
Kasus O
: O
BPS O
Kota O
Padang O
Panjang O
M O
Nabil O
Syukri O
( O
221810394 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A. O
Ringkasan— O
BPS O
dalam O
melaksanakan O
tugasnya O
seringkali O
membutuhkan O
tenaga O
kerja O
tambahan O
yang O
disebut O
“Mitra O
Statistik”. O
Dalam O
proses O
perekrutannya O
, O
BPS O
Kota O
Padang O
Panjang O
menyebar O
formulir O
pendaftaran O
berupa O
kertas O
atau O
menggunakan O
google O
form. O
Di O
dalam O
formulir O
, O
calon O
mitra O
statistik O
akan O
mengisi O
20 O
jenis O
data O
diri. O
Tidak O
sedikit O
dari O
mitra O
statistik O
yang O
mengikuti O
lebih O
dari O
satu O
kali O
survei O
ataupun O
sensus. O
Namun O
, O
setiap O
kali O
ingin O
mendaftarkan O
diri O
ke O
sebuah O
survei O
atau O
sensus O
, O
mitra O
statistik O
harus O
selalu O
mengisi O
formulir O
yang O
cukup O
banyak O
tersebut. O
Ini O
disebabkan O
belum O
adanya O
sebuah O
sistem O
informasi O
yang O
berfungsi O
untuk O
menampung O
data O
diri O
mitra O
statistik O
menggunakan O
sebuah O
database. O
Sistem B-TUJUAN
informasi I-TUJUAN
ini I-TUJUAN
juga I-TUJUAN
dapat I-TUJUAN
digunakan I-TUJUAN
untuk I-TUJUAN
menampung I-TUJUAN
track I-TUJUAN
record I-TUJUAN
seorang I-TUJUAN
mitra I-TUJUAN
statistik I-TUJUAN
sehingga I-TUJUAN
untuk I-TUJUAN
pelaksanaan I-TUJUAN
survei I-TUJUAN
atau I-TUJUAN
sensus I-TUJUAN
berikutnya O
, O
BPS O
Kota O
Padang O
Panjang O
dapat O
menggunakan O
data O
tersebut O
untuk O
menyeleksi O
mitra O
statistik. O
Metode O
pengembangan O
sistem O
yang O
digunakan O
adalah O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
pendekatan I-METODE
waterfall. I-METODE
Kata O
Kunci— O
Sistem O
Informasi O
Manajemen O
, O
Mitra O
Statistik O
, O
Survei O
, O
SDLC O
, O
Waterfall. O
[SEP] O
sistem O
diatas O
maka O
dapat O
1. O
Sistem O
informasi O
mitra O
statistik O
ini O
diharapkan O
mampu O
membantu O
BPS O
Kota O
Padang O
Panjang O
dalam O
melaksanakan O
kerjasama O
dengan O
mitra O
statistik. O
2. O
Pengujian O
sistem O
akan O
dilakukan O
menggunakan O
Blackbos B-METODE
Testing I-METODE
dan I-METODE
SUS. I-METODE
Makalah O
Seminar O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
Setelah O
ini O
penulis O
akan O
melanjutkan O
pengerjaan O
sistem O
sebagai O
berikut O
: O
1. B-TEMUAN
Memperbaiki I-TEMUAN
tampilan I-TEMUAN
sistem. I-TEMUAN
2. I-TEMUAN
Menambahkan I-TEMUAN
user I-TEMUAN
role I-TEMUAN
admin I-TEMUAN
untuk I-TEMUAN
mengatur I-TEMUAN
user. I-TEMUAN
3. I-TEMUAN
Menyelesaikan I-TEMUAN
fitur I-TEMUAN
yang I-TEMUAN
belum I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
dikarenakan I-TEMUAN
masih I-TEMUAN
terkendala I-TEMUAN
oleh I-TEMUAN
beberapa I-TEMUAN
error I-TEMUAN
yang I-TEMUAN
belum I-TEMUAN
terselesaikan. I-TEMUAN

Penghitungan O
Luas O
Lahan O
Sawah O
Menggunakan O
Citra O
Satelit O
Sentinel-2 O
untuk O
Mengestimasi O
Produksi O
Padi O
( O
Studi O
di O
Provinsi O
Jawa O
Timur O
) O
Lukman O
Dary O
Ilyasa O
( O
221810392 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Ernawati O
Pasaribu O
S.Si. O
, O
M.E. O
Ringkasan— O
Beras O
merupakan O
bahan O
pangan O
utama O
bagi O
Indonesia. O
BPS O
menggunakan O
sebagian O
besar O
penduduk O
Kerangka O
Sampel O
Area O
( O
KSA O
) O
sebagai O
metode O
yang O
digunakan O
untuk O
memonitoring O
tanaman O
pangan O
, O
seperti O
produksi O
padi. O
Namun O
, O
KSA O
membutuhkan O
sumber O
daya O
yang O
besar O
, O
baik O
dari O
segi O
biaya O
atau O
tenaga O
; O
rentan O
terhadap O
kondisi O
tidak O
terduga O
, O
seperti O
bencana O
alam O
atau O
pandemi O
; O
serta O
adanya O
keterbatasan O
dalam O
mencakup O
wilayah O
yang O
sulit O
dijangkau. O
Metode O
penginderaan B-METODE
jauh I-METODE
digunakan O
sebagai O
pendekatan O
alternatif O
yang O
lebih O
efisien O
dari O
segi O
biaya O
dan O
tenaga. O
Penelitian O
ini O
berfokus O
pada O
pemanfaatan B-TUJUAN
data I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
Sentinel-2 I-TUJUAN
untuk I-TUJUAN
menghitung I-TUJUAN
luas I-TUJUAN
lahan I-TUJUAN
sawah I-TUJUAN
dari I-TUJUAN
hasil I-TUJUAN
klasifikasi I-TUJUAN
dengan I-TUJUAN
metode I-TUJUAN
Random I-TUJUAN
Forest I-TUJUAN
berdasarkan I-TUJUAN
beberapa I-TUJUAN
indeks I-TUJUAN
komposit. I-TUJUAN
Penelitian O
ini O
sekaligus O
menerapkan O
model O
MGWR-SAR O
untuk O
mengestimasi O
produksi O
padi O
di O
Provinsi O
Jawa O
Timur O
tahun O
2020. O
Hasil O
penelitian O
menunjukan O
akurasi B-TEMUAN
metode I-TEMUAN
Random I-TEMUAN
Forest I-TEMUAN
mencapai I-TEMUAN
96,94 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
untuk I-TEMUAN
mengestimasi I-TEMUAN
produksi I-TEMUAN
padi I-TEMUAN
adalah I-TEMUAN
MGWR-SAR I-TEMUAN
( I-TEMUAN
0 I-TEMUAN
, I-TEMUAN
kc I-TEMUAN
, I-TEMUAN
kv I-TEMUAN
) I-TEMUAN
dengan I-TEMUAN
fungsi I-TEMUAN
kernel I-TEMUAN
dan I-TEMUAN
tipe I-TEMUAN
pembobot I-TEMUAN
berturut-turut I-TEMUAN
adalah I-TEMUAN
adaptive I-TEMUAN
bisquare I-TEMUAN
dan I-TEMUAN
adaptive I-TEMUAN
gaussian. I-TEMUAN
Kata O
Kunci— O
penginderaan O
jauh O
, O
estimasi O
, O
luas O
lahan O
sawah O
, O
produksi O
padi O
, O
MGWR-SAR. O
[SEP] O
Penelitian O
ini O
memanfaatkan B-TUJUAN
data I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
Sentinel-2 I-TUJUAN
resolusi I-TUJUAN
10 I-TUJUAN
meter I-TUJUAN
untuk I-TUJUAN
menghitung I-TUJUAN
luas I-TUJUAN
lahan I-TUJUAN
sawah. I-TUJUAN
Proses O
klasifikasi O
menggunakan O
metode O
random O
forest O
menghasilkan O
nilai O
overall O
accuracy O
yang O
baik O
, O
yaitu O
sekitar O
96,94 O
% O
. O
Cross O
validation O
sudah O
digunakan O
untuk O
menghindari O
terjadinya O
overfitting. O
Luas O
masing-masing O
kelas O
dapat O
dihitung O
berdasarkan O
model O
klasifikasi O
yang O
dibuat O
dengan O
cara O
menghitung O
jumlah O
piksel O
dan O
dikonversi O
ke O
dalam O
satuan O
hektar. O
Luas B-TEMUAN
lahan I-TEMUAN
sawah I-TEMUAN
untuk I-TEMUAN
Provinsi I-TEMUAN
Jawa I-TEMUAN
Timur I-TEMUAN
pada I-TEMUAN
tahun I-TEMUAN
2020 I-TEMUAN
adalah I-TEMUAN
1.258.725,69 I-TEMUAN
ha. I-TEMUAN
Nilai O
overall O
accuracy B-METODE
dan O
f-1 B-METODE
score I-METODE
dapat O
dikatakan O
bagus O
sehingga O
metode O
Random O
Forest O
cocok O
untuk O
digunakan O
dalam O
klasifikasi O
lahan. O
Model O
terbaik O
untuk O
mengestimasi O
produksi O
padi O
adalah O
MGWR-SAR O
( O
0 O
, O
kc O
, O
kv O
) O
dengan O
fungsi O
kernel O
dan O
tipe O
pembobot O
berturut-turut O
adalah O
adaptive O
bisquare O
dan O
adaptive O
gaussian O
karena O
memiliki O
nilai O
AICc O
, O
RSS O
, O
dan O
CV O
yang O
kecil O
serta O
jumlah O
parameter O
signifikan O
yang O
terbanyak. O
Model O
MGWR- O
SAR O
berarti O
bahwa O
nilai O
variabel O
produksi O
padi O
pada O
suatu O
kabupaten O
/ O
kota O
akan O
dipengaruhi O
oleh O
kabupaten O
/ O
kota O
lainnya O
yang O
berdekatan O
dan O
juga O
dipengaruhi O
oleh O
karakteristik O
kabupaten O
/ O
kota O
tersebut. O
Sehingga O
kontribusi O
masing-masing O
variabel O
independen O
terhadap O
variabel O
dependen O
akan O
berbeda O
pada O
tiap O
wilayah. O

Penghitungan O
Luas O
Lahan O
Sawah O
Menggunakan O
Citra O
Satelit O
Sentinel-2 O
untuk O
Mengestimasi O
Produksi O
Padi O
( O
Studi O
di O
Provinsi O
Jawa O
Timur O
) O
Lukman O
Dary O
Ilyasa O
( O
221810392 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Ernawati O
Pasaribu O
S.Si. O
, O
M.E. O
Ringkasan— O
Beras O
merupakan O
bahan O
pangan O
utama O
bagi O
Indonesia. O
BPS O
menggunakan O
sebagian O
besar O
penduduk O
Kerangka O
Sampel O
Area O
( O
KSA O
) O
sebagai O
metode O
yang O
digunakan O
untuk O
memonitoring O
tanaman O
pangan O
, O
seperti O
produksi O
padi. O
Namun O
, O
KSA O
membutuhkan O
sumber O
daya O
yang O
besar O
, O
baik O
dari O
segi O
biaya O
atau O
tenaga O
; O
rentan O
terhadap O
kondisi O
tidak O
terduga O
, O
seperti O
bencana O
alam O
atau O
pandemi O
; O
serta O
adanya O
keterbatasan O
dalam O
mencakup O
wilayah O
yang O
sulit O
dijangkau. O
Metode O
penginderaan B-METODE
jauh I-METODE
digunakan O
sebagai O
pendekatan O
alternatif O
yang O
lebih O
efisien O
dari O
segi O
biaya O
dan O
tenaga. O
Penelitian O
ini O
berfokus O
pada O
pemanfaatan B-TUJUAN
data I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
Sentinel-2 I-TUJUAN
untuk I-TUJUAN
menghitung I-TUJUAN
luas I-TUJUAN
lahan I-TUJUAN
sawah I-TUJUAN
dari I-TUJUAN
hasil I-TUJUAN
klasifikasi I-TUJUAN
dengan I-TUJUAN
metode I-TUJUAN
Random I-TUJUAN
Forest I-TUJUAN
berdasarkan I-TUJUAN
beberapa I-TUJUAN
indeks I-TUJUAN
komposit. I-TUJUAN
Penelitian O
ini O
sekaligus O
menerapkan O
model O
MGWR-SAR O
untuk O
mengestimasi O
produksi O
padi O
di O
Provinsi O
Jawa O
Timur O
tahun O
2020. O
Hasil O
penelitian O
menunjukan O
akurasi B-TEMUAN
metode I-TEMUAN
Random I-TEMUAN
Forest I-TEMUAN
mencapai I-TEMUAN
96,94 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
untuk I-TEMUAN
mengestimasi I-TEMUAN
produksi I-TEMUAN
padi I-TEMUAN
adalah I-TEMUAN
MGWR-SAR I-TEMUAN
( I-TEMUAN
0 I-TEMUAN
, I-TEMUAN
kc I-TEMUAN
, I-TEMUAN
kv I-TEMUAN
) I-TEMUAN
dengan I-TEMUAN
fungsi I-TEMUAN
kernel I-TEMUAN
dan I-TEMUAN
tipe I-TEMUAN
pembobot I-TEMUAN
berturut-turut I-TEMUAN
adalah I-TEMUAN
adaptive I-TEMUAN
bisquare I-TEMUAN
dan I-TEMUAN
adaptive I-TEMUAN
gaussian. I-TEMUAN
Kata O
Kunci— O
penginderaan O
jauh O
, O
estimasi O
, O
luas O
lahan O
sawah O
, O
produksi O
padi O
, O
MGWR-SAR. O
[SEP] O
Penelitian O
ini O
memanfaatkan B-TUJUAN
data I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
Sentinel-2 I-TUJUAN
resolusi I-TUJUAN
10 I-TUJUAN
meter I-TUJUAN
untuk I-TUJUAN
menghitung I-TUJUAN
luas I-TUJUAN
lahan I-TUJUAN
sawah. I-TUJUAN
Proses O
klasifikasi O
menggunakan O
metode O
random O
forest O
menghasilkan O
nilai O
overall O
accuracy O
yang O
baik O
, O
yaitu O
sekitar O
96,94 O
% O
. O
Cross O
validation O
sudah O
digunakan O
untuk O
menghindari O
terjadinya O
overfitting. O
Luas O
masing-masing O
kelas O
dapat O
dihitung O
berdasarkan O
model O
klasifikasi O
yang O
dibuat O
dengan O
cara O
menghitung O
jumlah O
piksel O
dan O
dikonversi O
ke O
dalam O
satuan O
hektar. O
Luas B-TEMUAN
lahan I-TEMUAN
sawah I-TEMUAN
untuk I-TEMUAN
Provinsi I-TEMUAN
Jawa I-TEMUAN
Timur I-TEMUAN
pada I-TEMUAN
tahun I-TEMUAN
2020 I-TEMUAN
adalah I-TEMUAN
1.258.725,69 I-TEMUAN
ha. I-TEMUAN
Nilai O
overall O
accuracy B-METODE
dan O
f-1 B-METODE
score I-METODE
dapat O
dikatakan O
bagus O
sehingga O
metode O
Random O
Forest O
cocok O
untuk O
digunakan O
dalam O
klasifikasi O
lahan. O
Model O
terbaik O
untuk O
mengestimasi O
produksi O
padi O
adalah O
MGWR-SAR O
( O
0 O
, O
kc O
, O
kv O
) O
dengan O
fungsi O
kernel O
dan O
tipe O
pembobot O
berturut-turut O
adalah O
adaptive O
bisquare O
dan O
adaptive O
gaussian O
karena O
memiliki O
nilai O
AICc O
, O
RSS O
, O
dan O
CV O
yang O
kecil O
serta O
jumlah O
parameter O
signifikan O
yang O
terbanyak. O
Model O
MGWR- O
SAR O
berarti O
bahwa O
nilai O
variabel O
produksi O
padi O
pada O
suatu O
kabupaten O
/ O
kota O
akan O
dipengaruhi O
oleh O
kabupaten O
/ O
kota O
lainnya O
yang O
berdekatan O
dan O
juga O
dipengaruhi O
oleh O
karakteristik O
kabupaten O
/ O
kota O
tersebut. O
Sehingga O
kontribusi O
masing-masing O
variabel O
independen O
terhadap O
variabel O
dependen O
akan O
berbeda O
pada O
tiap O
wilayah. O

Penghitungan O
Luas O
Lahan O
Sawah O
Menggunakan O
Citra O
Satelit O
Sentinel-2 O
untuk O
Mengestimasi O
Produksi O
Padi O
( O
Studi O
di O
Provinsi O
Jawa O
Timur O
) O
Lukman O
Dary O
Ilyasa O
( O
221810392 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Ernawati O
Pasaribu O
S.Si. O
, O
M.E. O
Ringkasan— O
Beras O
merupakan O
bahan O
pangan O
utama O
bagi O
Indonesia. O
BPS O
menggunakan O
sebagian O
besar O
penduduk O
Kerangka O
Sampel O
Area O
( O
KSA O
) O
sebagai O
metode O
yang O
digunakan O
untuk O
memonitoring O
tanaman O
pangan O
, O
seperti O
produksi O
padi. O
Namun O
, O
KSA O
membutuhkan O
sumber O
daya O
yang O
besar O
, O
baik O
dari O
segi O
biaya O
atau O
tenaga O
; O
rentan O
terhadap O
kondisi O
tidak O
terduga O
, O
seperti O
bencana O
alam O
atau O
pandemi O
; O
serta O
adanya O
keterbatasan O
dalam O
mencakup O
wilayah O
yang O
sulit O
dijangkau. O
Metode O
penginderaan B-METODE
jauh I-METODE
digunakan O
sebagai O
pendekatan O
alternatif O
yang O
lebih O
efisien O
dari O
segi O
biaya O
dan O
tenaga. O
Penelitian O
ini O
berfokus O
pada O
pemanfaatan B-TUJUAN
data I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
Sentinel-2 I-TUJUAN
untuk I-TUJUAN
menghitung I-TUJUAN
luas I-TUJUAN
lahan I-TUJUAN
sawah I-TUJUAN
dari I-TUJUAN
hasil I-TUJUAN
klasifikasi I-TUJUAN
dengan I-TUJUAN
metode I-TUJUAN
Random I-TUJUAN
Forest I-TUJUAN
berdasarkan I-TUJUAN
beberapa I-TUJUAN
indeks I-TUJUAN
komposit. I-TUJUAN
Penelitian O
ini O
sekaligus O
menerapkan O
model O
MGWR-SAR O
untuk O
mengestimasi O
produksi O
padi O
di O
Provinsi O
Jawa O
Timur O
tahun O
2020. O
Hasil O
penelitian O
menunjukan O
akurasi B-TEMUAN
metode I-TEMUAN
Random I-TEMUAN
Forest I-TEMUAN
mencapai I-TEMUAN
96,94 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
untuk I-TEMUAN
mengestimasi I-TEMUAN
produksi I-TEMUAN
padi I-TEMUAN
adalah I-TEMUAN
MGWR-SAR I-TEMUAN
( I-TEMUAN
0 I-TEMUAN
, I-TEMUAN
kc I-TEMUAN
, I-TEMUAN
kv I-TEMUAN
) I-TEMUAN
dengan I-TEMUAN
fungsi I-TEMUAN
kernel I-TEMUAN
dan I-TEMUAN
tipe I-TEMUAN
pembobot I-TEMUAN
berturut-turut I-TEMUAN
adalah I-TEMUAN
adaptive I-TEMUAN
bisquare I-TEMUAN
dan I-TEMUAN
adaptive I-TEMUAN
gaussian. I-TEMUAN
Kata O
Kunci— O
penginderaan O
jauh O
, O
estimasi O
, O
luas O
lahan O
sawah O
, O
produksi O
padi O
, O
MGWR-SAR. O
[SEP] O
Penelitian O
ini O
memanfaatkan B-TUJUAN
data I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
Sentinel-2 I-TUJUAN
resolusi I-TUJUAN
10 I-TUJUAN
meter I-TUJUAN
untuk I-TUJUAN
menghitung I-TUJUAN
luas I-TUJUAN
lahan I-TUJUAN
sawah. I-TUJUAN
Proses O
klasifikasi O
menggunakan O
metode O
random O
forest O
menghasilkan O
nilai O
overall O
accuracy O
yang O
baik O
, O
yaitu O
sekitar O
96,94 O
% O
. O
Cross O
validation O
sudah O
digunakan O
untuk O
menghindari O
terjadinya O
overfitting. O
Luas O
masing-masing O
kelas O
dapat O
dihitung O
berdasarkan O
model O
klasifikasi O
yang O
dibuat O
dengan O
cara O
menghitung O
jumlah O
piksel O
dan O
dikonversi O
ke O
dalam O
satuan O
hektar. O
Luas B-TEMUAN
lahan I-TEMUAN
sawah I-TEMUAN
untuk I-TEMUAN
Provinsi I-TEMUAN
Jawa I-TEMUAN
Timur I-TEMUAN
pada I-TEMUAN
tahun I-TEMUAN
2020 I-TEMUAN
adalah I-TEMUAN
1.258.725,69 I-TEMUAN
ha. I-TEMUAN
Nilai O
overall O
accuracy B-METODE
dan O
f-1 B-METODE
score I-METODE
dapat O
dikatakan O
bagus O
sehingga O
metode O
Random O
Forest O
cocok O
untuk O
digunakan O
dalam O
klasifikasi O
lahan. O
Model O
terbaik O
untuk O
mengestimasi O
produksi O
padi O
adalah O
MGWR-SAR O
( O
0 O
, O
kc O
, O
kv O
) O
dengan O
fungsi O
kernel O
dan O
tipe O
pembobot O
berturut-turut O
adalah O
adaptive O
bisquare O
dan O
adaptive O
gaussian O
karena O
memiliki O
nilai O
AICc O
, O
RSS O
, O
dan O
CV O
yang O
kecil O
serta O
jumlah O
parameter O
signifikan O
yang O
terbanyak. O
Model O
MGWR- O
SAR O
berarti O
bahwa O
nilai O
variabel O
produksi O
padi O
pada O
suatu O
kabupaten O
/ O
kota O
akan O
dipengaruhi O
oleh O
kabupaten O
/ O
kota O
lainnya O
yang O
berdekatan O
dan O
juga O
dipengaruhi O
oleh O
karakteristik O
kabupaten O
/ O
kota O
tersebut. O
Sehingga O
kontribusi O
masing-masing O
variabel O
independen O
terhadap O
variabel O
dependen O
akan O
berbeda O
pada O
tiap O
wilayah. O

Penghitungan O
Luas O
Lahan O
Sawah O
Menggunakan O
Citra O
Satelit O
Sentinel-2 O
untuk O
Mengestimasi O
Produksi O
Padi O
( O
Studi O
di O
Provinsi O
Jawa O
Timur O
) O
Lukman O
Dary O
Ilyasa O
( O
221810392 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Ernawati O
Pasaribu O
S.Si. O
, O
M.E. O
Ringkasan— O
Beras O
merupakan O
bahan O
pangan O
utama O
bagi O
Indonesia. O
BPS O
menggunakan O
sebagian O
besar O
penduduk O
Kerangka O
Sampel O
Area O
( O
KSA O
) O
sebagai O
metode O
yang O
digunakan O
untuk O
memonitoring O
tanaman O
pangan O
, O
seperti O
produksi O
padi. O
Namun O
, O
KSA O
membutuhkan O
sumber O
daya O
yang O
besar O
, O
baik O
dari O
segi O
biaya O
atau O
tenaga O
; O
rentan O
terhadap O
kondisi O
tidak O
terduga O
, O
seperti O
bencana O
alam O
atau O
pandemi O
; O
serta O
adanya O
keterbatasan O
dalam O
mencakup O
wilayah O
yang O
sulit O
dijangkau. O
Metode O
penginderaan B-METODE
jauh I-METODE
digunakan O
sebagai O
pendekatan O
alternatif O
yang O
lebih O
efisien O
dari O
segi O
biaya O
dan O
tenaga. O
Penelitian O
ini O
berfokus O
pada O
pemanfaatan B-TUJUAN
data I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
Sentinel-2 I-TUJUAN
untuk I-TUJUAN
menghitung I-TUJUAN
luas I-TUJUAN
lahan I-TUJUAN
sawah I-TUJUAN
dari I-TUJUAN
hasil I-TUJUAN
klasifikasi I-TUJUAN
dengan I-TUJUAN
metode I-TUJUAN
Random I-TUJUAN
Forest I-TUJUAN
berdasarkan I-TUJUAN
beberapa I-TUJUAN
indeks I-TUJUAN
komposit. I-TUJUAN
Penelitian O
ini O
sekaligus O
menerapkan O
model O
MGWR-SAR O
untuk O
mengestimasi O
produksi O
padi O
di O
Provinsi O
Jawa O
Timur O
tahun O
2020. O
Hasil O
penelitian O
menunjukan O
akurasi B-TEMUAN
metode I-TEMUAN
Random I-TEMUAN
Forest I-TEMUAN
mencapai I-TEMUAN
96,94 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
untuk I-TEMUAN
mengestimasi I-TEMUAN
produksi I-TEMUAN
padi I-TEMUAN
adalah I-TEMUAN
MGWR-SAR I-TEMUAN
( I-TEMUAN
0 I-TEMUAN
, I-TEMUAN
kc I-TEMUAN
, I-TEMUAN
kv I-TEMUAN
) I-TEMUAN
dengan I-TEMUAN
fungsi I-TEMUAN
kernel I-TEMUAN
dan I-TEMUAN
tipe I-TEMUAN
pembobot I-TEMUAN
berturut-turut I-TEMUAN
adalah I-TEMUAN
adaptive I-TEMUAN
bisquare I-TEMUAN
dan I-TEMUAN
adaptive I-TEMUAN
gaussian. I-TEMUAN
Kata O
Kunci— O
penginderaan O
jauh O
, O
estimasi O
, O
luas O
lahan O
sawah O
, O
produksi O
padi O
, O
MGWR-SAR. O
[SEP] O
Penelitian O
ini O
memanfaatkan B-TUJUAN
data I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
Sentinel-2 I-TUJUAN
resolusi I-TUJUAN
10 I-TUJUAN
meter I-TUJUAN
untuk I-TUJUAN
menghitung I-TUJUAN
luas I-TUJUAN
lahan I-TUJUAN
sawah. I-TUJUAN
Proses O
klasifikasi O
menggunakan O
metode O
random O
forest O
menghasilkan O
nilai O
overall O
accuracy O
yang O
baik O
, O
yaitu O
sekitar O
96,94 O
% O
. O
Cross O
validation O
sudah O
digunakan O
untuk O
menghindari O
terjadinya O
overfitting. O
Luas O
masing-masing O
kelas O
dapat O
dihitung O
berdasarkan O
model O
klasifikasi O
yang O
dibuat O
dengan O
cara O
menghitung O
jumlah O
piksel O
dan O
dikonversi O
ke O
dalam O
satuan O
hektar. O
Luas B-TEMUAN
lahan I-TEMUAN
sawah I-TEMUAN
untuk I-TEMUAN
Provinsi I-TEMUAN
Jawa I-TEMUAN
Timur I-TEMUAN
pada I-TEMUAN
tahun I-TEMUAN
2020 I-TEMUAN
adalah I-TEMUAN
1.258.725,69 I-TEMUAN
ha. I-TEMUAN
Nilai O
overall O
accuracy B-METODE
dan O
f-1 B-METODE
score I-METODE
dapat O
dikatakan O
bagus O
sehingga O
metode O
Random O
Forest O
cocok O
untuk O
digunakan O
dalam O
klasifikasi O
lahan. O
Model O
terbaik O
untuk O
mengestimasi O
produksi O
padi O
adalah O
MGWR-SAR O
( O
0 O
, O
kc O
, O
kv O
) O
dengan O
fungsi O
kernel O
dan O
tipe O
pembobot O
berturut-turut O
adalah O
adaptive O
bisquare O
dan O
adaptive O
gaussian O
karena O
memiliki O
nilai O
AICc O
, O
RSS O
, O
dan O
CV O
yang O
kecil O
serta O
jumlah O
parameter O
signifikan O
yang O
terbanyak. O
Model O
MGWR- O
SAR O
berarti O
bahwa O
nilai O
variabel O
produksi O
padi O
pada O
suatu O
kabupaten O
/ O
kota O
akan O
dipengaruhi O
oleh O
kabupaten O
/ O
kota O
lainnya O
yang O
berdekatan O
dan O
juga O
dipengaruhi O
oleh O
karakteristik O
kabupaten O
/ O
kota O
tersebut. O
Sehingga O
kontribusi O
masing-masing O
variabel O
independen O
terhadap O
variabel O
dependen O
akan O
berbeda O
pada O
tiap O
wilayah. O

Komparasi O
Feature O
Selection O
dan O
Support O
Vector O
Regression O
dengan O
Particle O
Swarm O
Optimization O
Studi O
Kasus O
: O
Particulate O
Matter O
2,5 O
di O
Kota O
Surabaya O
Lara O
Ayu O
Cahyaningtyas O
( O
221810386 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
, O
SST O
, O
M.Si O
Ringkasan— O
Surabaya O
merupakan O
kota O
besar O
di O
Indonesia O
yang O
padat O
industri. O
Sehingga O
pembuangan O
limbah O
dan O
bahan O
bakar O
yang O
terus-menerus O
akan O
menimbulkan O
polusi O
udara. O
Salah O
satu O
indikator O
tingkat O
polusi O
udara O
adalah O
Particulate O
Matter O
2.5 O
( O
PM2.5 O
) O
, O
merupakan O
partikel O
halus O
di O
udara O
yang O
dapat O
mengganggu O
kesehatan O
manusia. O
Penelitian O
ini O
berfokus O
pada O
pembentukan B-TUJUAN
model I-TUJUAN
prediksi I-TUJUAN
PM2.5 I-TUJUAN
dengan I-TUJUAN
mempertimbangkan I-TUJUAN
faktor I-TUJUAN
lain I-TUJUAN
, I-TUJUAN
yaitu I-TUJUAN
data I-TUJUAN
kecepatan I-TUJUAN
angin I-TUJUAN
, I-TUJUAN
suhu I-TUJUAN
udara I-TUJUAN
, I-TUJUAN
kelembapan I-TUJUAN
udara I-TUJUAN
, I-TUJUAN
titik I-TUJUAN
embun I-TUJUAN
, I-TUJUAN
tekanan I-TUJUAN
udara I-TUJUAN
, I-TUJUAN
indeks I-TUJUAN
UV I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
jarak I-TUJUAN
pandang. I-TUJUAN
Data O
dikumpulkan O
dengan O
teknik B-METODE
web I-METODE
scraping I-METODE
menggunakan O
bahasa O
pemrograman O
Python O
dan O
library O
BeautifulSoup. O
Seleksi O
variabel O
dilakukan O
dengan O
menggunakan O
metode O
Recursive O
Feature O
Elimination O
( O
RFE O
) O
, O
Multivariate O
Adaptive O
Regression O
Splines O
( O
MARS O
) O
, O
Random O
Forest O
( O
RF O
) O
, O
dan O
Boruta O
Feature O
Selection. O
Pembentukan O
model O
prediksi O
dilakukan O
dengan O
metode O
Support O
Vector O
Regression O
( O
SVR O
) O
dan O
metode O
hibrida O
SVR O
dengan O
Particle O
Swarm O
Optimization O
( O
PSO O
) O
. O
Kernel O
yang O
digunakan O
dalam O
penelitian O
ini O
adalah O
Radial O
Basis O
Function O
( O
RBF O
) O
. O
Model O
yang O
diperoleh O
dilakukan O
evaluasi O
hasil O
prediksi O
dengan O
melihat O
nilai O
RMSE B-METODE
, I-METODE
MAPE I-METODE
, I-METODE
AIC I-METODE
, I-METODE
RSE I-METODE
, I-METODE
dan I-METODE
MAE I-METODE
yang O
terkecil. O
Model O
yang O
terbaik O
adalah O
model O
RF-SVR- O
PSO O
dengan O
nilai O
RMSE O
, O
MAPE O
, O
AIC O
, O
RSE O
, O
dan O
MAE O
terkecil O
, O
model O
tersebut O
dapat O
direkomendasikan O
untuk O
digunakan O
sebagai O
PM2.5 O
di O
Kota O
Surabaya. O
Kata O
Kunci— O
SVR O
, O
PSO O
, O
PM2.5 O
, O
Feature O
Selection. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
maka O
dapat O
disimpulkan O
beberapa O
hal O
sebagai O
berikut O
: O
1. O
Data O
yang O
digunakan O
dalam O
penelitian O
ini O
memiliki O
pola O
yang O
fluktuatif O
terutama O
pada O
data O
PM2.5. O
Sehingga O
data O
tersebut O
cocok O
digunakan O
dengan O
metode O
SVR. O
2. O
Feature O
selection O
mampu O
memberikan O
hasil O
akurasi O
yang O
baik. O
Pada O
penelitian O
ini O
, O
feature O
selection O
yang O
disarankan O
untuk O
digunakan O
adalah O
Random O
Forest. O
3. O
Model B-TEMUAN
SVR I-TEMUAN
dengan I-TEMUAN
optimasi I-TEMUAN
menghasilkan I-TEMUAN
hasil I-TEMUAN
prediksi I-TEMUAN
untuk I-TEMUAN
masa I-TEMUAN
depan I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
jika I-TEMUAN
dibandingkan I-TEMUAN
dengan I-TEMUAN
model I-TEMUAN
SVR I-TEMUAN
tanpa I-TEMUAN
optimasi. I-TEMUAN
Oleh I-TEMUAN
karena I-TEMUAN
itu I-TEMUAN
, I-TEMUAN
model I-TEMUAN
SVR I-TEMUAN
dengan I-TEMUAN
optimasi I-TEMUAN
PSO I-TEMUAN
lebih I-TEMUAN
disarankan I-TEMUAN
untuk I-TEMUAN
digunakan I-TEMUAN
dalam I-TEMUAN
data I-TEMUAN
ini. I-TEMUAN
4. O
Model O
RF-SVR-PSO O
lebih O
di O
sarankan O
untuk O
digunakan O
sebagai O
model O
prediksi O
PM2.5 O
di O
Kota O
Surabaya. O
Hal O
tersebut O
dikarenakan O
model O
memiliki O
nilai O
RMSE O
, O
MAE O
, O
MAPE O
, O
AIC O
, O
dan O
RSE O
yang O
lebih O
kecil O
dibanding O
dengan O
model O
lainnya. O
Nilai O
tersebut O
merupakan O
nilai O
kesalahan O
hasil O
prediksi O
, O
semakin O
kecil O
nilai O
kesalahan O
suatu O
prediksi O
maka O
semakin O
bagus O
model O
yang O
digunakan. O

Komparasi O
Feature O
Selection O
dan O
Support O
Vector O
Regression O
dengan O
Particle O
Swarm O
Optimization O
Studi O
Kasus O
: O
Particulate O
Matter O
2,5 O
di O
Kota O
Surabaya O
Lara O
Ayu O
Cahyaningtyas O
( O
221810386 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
, O
SST O
, O
M.Si O
Ringkasan— O
Surabaya O
merupakan O
kota O
besar O
di O
Indonesia O
yang O
padat O
industri. O
Sehingga O
pembuangan O
limbah O
dan O
bahan O
bakar O
yang O
terus-menerus O
akan O
menimbulkan O
polusi O
udara. O
Salah O
satu O
indikator O
tingkat O
polusi O
udara O
adalah O
Particulate O
Matter O
2.5 O
( O
PM2.5 O
) O
, O
merupakan O
partikel O
halus O
di O
udara O
yang O
dapat O
mengganggu O
kesehatan O
manusia. O
Penelitian O
ini O
berfokus O
pada O
pembentukan B-TUJUAN
model I-TUJUAN
prediksi I-TUJUAN
PM2.5 I-TUJUAN
dengan I-TUJUAN
mempertimbangkan I-TUJUAN
faktor I-TUJUAN
lain I-TUJUAN
, I-TUJUAN
yaitu I-TUJUAN
data I-TUJUAN
kecepatan I-TUJUAN
angin I-TUJUAN
, I-TUJUAN
suhu I-TUJUAN
udara I-TUJUAN
, I-TUJUAN
kelembapan I-TUJUAN
udara I-TUJUAN
, I-TUJUAN
titik I-TUJUAN
embun I-TUJUAN
, I-TUJUAN
tekanan I-TUJUAN
udara I-TUJUAN
, I-TUJUAN
indeks I-TUJUAN
UV I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
jarak I-TUJUAN
pandang. I-TUJUAN
Data O
dikumpulkan O
dengan O
teknik B-METODE
web I-METODE
scraping I-METODE
menggunakan O
bahasa O
pemrograman O
Python O
dan O
library O
BeautifulSoup. O
Seleksi O
variabel O
dilakukan O
dengan O
menggunakan O
metode O
Recursive O
Feature O
Elimination O
( O
RFE O
) O
, O
Multivariate O
Adaptive O
Regression O
Splines O
( O
MARS O
) O
, O
Random O
Forest O
( O
RF O
) O
, O
dan O
Boruta O
Feature O
Selection. O
Pembentukan O
model O
prediksi O
dilakukan O
dengan O
metode O
Support O
Vector O
Regression O
( O
SVR O
) O
dan O
metode O
hibrida O
SVR O
dengan O
Particle O
Swarm O
Optimization O
( O
PSO O
) O
. O
Kernel O
yang O
digunakan O
dalam O
penelitian O
ini O
adalah O
Radial O
Basis O
Function O
( O
RBF O
) O
. O
Model O
yang O
diperoleh O
dilakukan O
evaluasi O
hasil O
prediksi O
dengan O
melihat O
nilai O
RMSE B-METODE
, I-METODE
MAPE I-METODE
, I-METODE
AIC I-METODE
, I-METODE
RSE I-METODE
, I-METODE
dan I-METODE
MAE I-METODE
yang O
terkecil. O
Model O
yang O
terbaik O
adalah O
model O
RF-SVR- O
PSO O
dengan O
nilai O
RMSE O
, O
MAPE O
, O
AIC O
, O
RSE O
, O
dan O
MAE O
terkecil O
, O
model O
tersebut O
dapat O
direkomendasikan O
untuk O
digunakan O
sebagai O
PM2.5 O
di O
Kota O
Surabaya. O
Kata O
Kunci— O
SVR O
, O
PSO O
, O
PM2.5 O
, O
Feature O
Selection. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
maka O
dapat O
disimpulkan O
beberapa O
hal O
sebagai O
berikut O
: O
1. O
Data O
yang O
digunakan O
dalam O
penelitian O
ini O
memiliki O
pola O
yang O
fluktuatif O
terutama O
pada O
data O
PM2.5. O
Sehingga O
data O
tersebut O
cocok O
digunakan O
dengan O
metode O
SVR. O
2. O
Feature O
selection O
mampu O
memberikan O
hasil O
akurasi O
yang O
baik. O
Pada O
penelitian O
ini O
, O
feature O
selection O
yang O
disarankan O
untuk O
digunakan O
adalah O
Random O
Forest. O
3. O
Model B-TEMUAN
SVR I-TEMUAN
dengan I-TEMUAN
optimasi I-TEMUAN
menghasilkan I-TEMUAN
hasil I-TEMUAN
prediksi I-TEMUAN
untuk I-TEMUAN
masa I-TEMUAN
depan I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
jika I-TEMUAN
dibandingkan I-TEMUAN
dengan I-TEMUAN
model I-TEMUAN
SVR I-TEMUAN
tanpa I-TEMUAN
optimasi. I-TEMUAN
Oleh I-TEMUAN
karena I-TEMUAN
itu I-TEMUAN
, I-TEMUAN
model I-TEMUAN
SVR I-TEMUAN
dengan I-TEMUAN
optimasi I-TEMUAN
PSO I-TEMUAN
lebih I-TEMUAN
disarankan I-TEMUAN
untuk I-TEMUAN
digunakan I-TEMUAN
dalam I-TEMUAN
data I-TEMUAN
ini. I-TEMUAN
4. O
Model O
RF-SVR-PSO O
lebih O
di O
sarankan O
untuk O
digunakan O
sebagai O
model O
prediksi O
PM2.5 O
di O
Kota O
Surabaya. O
Hal O
tersebut O
dikarenakan O
model O
memiliki O
nilai O
RMSE O
, O
MAE O
, O
MAPE O
, O
AIC O
, O
dan O
RSE O
yang O
lebih O
kecil O
dibanding O
dengan O
model O
lainnya. O
Nilai O
tersebut O
merupakan O
nilai O
kesalahan O
hasil O
prediksi O
, O
semakin O
kecil O
nilai O
kesalahan O
suatu O
prediksi O
maka O
semakin O
bagus O
model O
yang O
digunakan. O

Komparasi O
Feature O
Selection O
dan O
Support O
Vector O
Regression O
dengan O
Particle O
Swarm O
Optimization O
Studi O
Kasus O
: O
Particulate O
Matter O
2,5 O
di O
Kota O
Surabaya O
Lara O
Ayu O
Cahyaningtyas O
( O
221810386 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
, O
SST O
, O
M.Si O
Ringkasan— O
Surabaya O
merupakan O
kota O
besar O
di O
Indonesia O
yang O
padat O
industri. O
Sehingga O
pembuangan O
limbah O
dan O
bahan O
bakar O
yang O
terus-menerus O
akan O
menimbulkan O
polusi O
udara. O
Salah O
satu O
indikator O
tingkat O
polusi O
udara O
adalah O
Particulate O
Matter O
2.5 O
( O
PM2.5 O
) O
, O
merupakan O
partikel O
halus O
di O
udara O
yang O
dapat O
mengganggu O
kesehatan O
manusia. O
Penelitian O
ini O
berfokus O
pada O
pembentukan B-TUJUAN
model I-TUJUAN
prediksi I-TUJUAN
PM2.5 I-TUJUAN
dengan I-TUJUAN
mempertimbangkan I-TUJUAN
faktor I-TUJUAN
lain I-TUJUAN
, I-TUJUAN
yaitu I-TUJUAN
data I-TUJUAN
kecepatan I-TUJUAN
angin I-TUJUAN
, I-TUJUAN
suhu I-TUJUAN
udara I-TUJUAN
, I-TUJUAN
kelembapan I-TUJUAN
udara I-TUJUAN
, I-TUJUAN
titik I-TUJUAN
embun I-TUJUAN
, I-TUJUAN
tekanan I-TUJUAN
udara I-TUJUAN
, I-TUJUAN
indeks I-TUJUAN
UV I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
jarak I-TUJUAN
pandang. I-TUJUAN
Data O
dikumpulkan O
dengan O
teknik B-METODE
web I-METODE
scraping I-METODE
menggunakan O
bahasa O
pemrograman O
Python O
dan O
library O
BeautifulSoup. O
Seleksi O
variabel O
dilakukan O
dengan O
menggunakan O
metode O
Recursive O
Feature O
Elimination O
( O
RFE O
) O
, O
Multivariate O
Adaptive O
Regression O
Splines O
( O
MARS O
) O
, O
Random O
Forest O
( O
RF O
) O
, O
dan O
Boruta O
Feature O
Selection. O
Pembentukan O
model O
prediksi O
dilakukan O
dengan O
metode O
Support O
Vector O
Regression O
( O
SVR O
) O
dan O
metode O
hibrida O
SVR O
dengan O
Particle O
Swarm O
Optimization O
( O
PSO O
) O
. O
Kernel O
yang O
digunakan O
dalam O
penelitian O
ini O
adalah O
Radial O
Basis O
Function O
( O
RBF O
) O
. O
Model O
yang O
diperoleh O
dilakukan O
evaluasi O
hasil O
prediksi O
dengan O
melihat O
nilai O
RMSE B-METODE
, I-METODE
MAPE I-METODE
, I-METODE
AIC I-METODE
, I-METODE
RSE I-METODE
, I-METODE
dan I-METODE
MAE I-METODE
yang O
terkecil. O
Model O
yang O
terbaik O
adalah O
model O
RF-SVR- O
PSO O
dengan O
nilai O
RMSE O
, O
MAPE O
, O
AIC O
, O
RSE O
, O
dan O
MAE O
terkecil O
, O
model O
tersebut O
dapat O
direkomendasikan O
untuk O
digunakan O
sebagai O
PM2.5 O
di O
Kota O
Surabaya. O
Kata O
Kunci— O
SVR O
, O
PSO O
, O
PM2.5 O
, O
Feature O
Selection. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
maka O
dapat O
disimpulkan O
beberapa O
hal O
sebagai O
berikut O
: O
1. O
Data O
yang O
digunakan O
dalam O
penelitian O
ini O
memiliki O
pola O
yang O
fluktuatif O
terutama O
pada O
data O
PM2.5. O
Sehingga O
data O
tersebut O
cocok O
digunakan O
dengan O
metode O
SVR. O
2. O
Feature O
selection O
mampu O
memberikan O
hasil O
akurasi O
yang O
baik. O
Pada O
penelitian O
ini O
, O
feature O
selection O
yang O
disarankan O
untuk O
digunakan O
adalah O
Random O
Forest. O
3. O
Model B-TEMUAN
SVR I-TEMUAN
dengan I-TEMUAN
optimasi I-TEMUAN
menghasilkan I-TEMUAN
hasil I-TEMUAN
prediksi I-TEMUAN
untuk I-TEMUAN
masa I-TEMUAN
depan I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
jika I-TEMUAN
dibandingkan I-TEMUAN
dengan I-TEMUAN
model I-TEMUAN
SVR I-TEMUAN
tanpa I-TEMUAN
optimasi. I-TEMUAN
Oleh I-TEMUAN
karena I-TEMUAN
itu I-TEMUAN
, I-TEMUAN
model I-TEMUAN
SVR I-TEMUAN
dengan I-TEMUAN
optimasi I-TEMUAN
PSO I-TEMUAN
lebih I-TEMUAN
disarankan I-TEMUAN
untuk I-TEMUAN
digunakan I-TEMUAN
dalam I-TEMUAN
data I-TEMUAN
ini. I-TEMUAN
4. O
Model O
RF-SVR-PSO O
lebih O
di O
sarankan O
untuk O
digunakan O
sebagai O
model O
prediksi O
PM2.5 O
di O
Kota O
Surabaya. O
Hal O
tersebut O
dikarenakan O
model O
memiliki O
nilai O
RMSE O
, O
MAE O
, O
MAPE O
, O
AIC O
, O
dan O
RSE O
yang O
lebih O
kecil O
dibanding O
dengan O
model O
lainnya. O
Nilai O
tersebut O
merupakan O
nilai O
kesalahan O
hasil O
prediksi O
, O
semakin O
kecil O
nilai O
kesalahan O
suatu O
prediksi O
maka O
semakin O
bagus O
model O
yang O
digunakan. O

Komparasi O
Feature O
Selection O
dan O
Support O
Vector O
Regression O
dengan O
Particle O
Swarm O
Optimization O
Studi O
Kasus O
: O
Particulate O
Matter O
2,5 O
di O
Kota O
Surabaya O
Lara O
Ayu O
Cahyaningtyas O
( O
221810386 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
, O
SST O
, O
M.Si O
Ringkasan— O
Surabaya O
merupakan O
kota O
besar O
di O
Indonesia O
yang O
padat O
industri. O
Sehingga O
pembuangan O
limbah O
dan O
bahan O
bakar O
yang O
terus-menerus O
akan O
menimbulkan O
polusi O
udara. O
Salah O
satu O
indikator O
tingkat O
polusi O
udara O
adalah O
Particulate O
Matter O
2.5 O
( O
PM2.5 O
) O
, O
merupakan O
partikel O
halus O
di O
udara O
yang O
dapat O
mengganggu O
kesehatan O
manusia. O
Penelitian O
ini O
berfokus O
pada O
pembentukan B-TUJUAN
model I-TUJUAN
prediksi I-TUJUAN
PM2.5 I-TUJUAN
dengan I-TUJUAN
mempertimbangkan I-TUJUAN
faktor I-TUJUAN
lain I-TUJUAN
, I-TUJUAN
yaitu I-TUJUAN
data I-TUJUAN
kecepatan I-TUJUAN
angin I-TUJUAN
, I-TUJUAN
suhu I-TUJUAN
udara I-TUJUAN
, I-TUJUAN
kelembapan I-TUJUAN
udara I-TUJUAN
, I-TUJUAN
titik I-TUJUAN
embun I-TUJUAN
, I-TUJUAN
tekanan I-TUJUAN
udara I-TUJUAN
, I-TUJUAN
indeks I-TUJUAN
UV I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
jarak I-TUJUAN
pandang. I-TUJUAN
Data O
dikumpulkan O
dengan O
teknik B-METODE
web I-METODE
scraping I-METODE
menggunakan O
bahasa O
pemrograman O
Python O
dan O
library O
BeautifulSoup. O
Seleksi O
variabel O
dilakukan O
dengan O
menggunakan O
metode O
Recursive O
Feature O
Elimination O
( O
RFE O
) O
, O
Multivariate O
Adaptive O
Regression O
Splines O
( O
MARS O
) O
, O
Random O
Forest O
( O
RF O
) O
, O
dan O
Boruta O
Feature O
Selection. O
Pembentukan O
model O
prediksi O
dilakukan O
dengan O
metode O
Support O
Vector O
Regression O
( O
SVR O
) O
dan O
metode O
hibrida O
SVR O
dengan O
Particle O
Swarm O
Optimization O
( O
PSO O
) O
. O
Kernel O
yang O
digunakan O
dalam O
penelitian O
ini O
adalah O
Radial O
Basis O
Function O
( O
RBF O
) O
. O
Model O
yang O
diperoleh O
dilakukan O
evaluasi O
hasil O
prediksi O
dengan O
melihat O
nilai O
RMSE B-METODE
, I-METODE
MAPE I-METODE
, I-METODE
AIC I-METODE
, I-METODE
RSE I-METODE
, I-METODE
dan I-METODE
MAE I-METODE
yang O
terkecil. O
Model O
yang O
terbaik O
adalah O
model O
RF-SVR- O
PSO O
dengan O
nilai O
RMSE O
, O
MAPE O
, O
AIC O
, O
RSE O
, O
dan O
MAE O
terkecil O
, O
model O
tersebut O
dapat O
direkomendasikan O
untuk O
digunakan O
sebagai O
PM2.5 O
di O
Kota O
Surabaya. O
Kata O
Kunci— O
SVR O
, O
PSO O
, O
PM2.5 O
, O
Feature O
Selection. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
maka O
dapat O
disimpulkan O
beberapa O
hal O
sebagai O
berikut O
: O
1. O
Data O
yang O
digunakan O
dalam O
penelitian O
ini O
memiliki O
pola O
yang O
fluktuatif O
terutama O
pada O
data O
PM2.5. O
Sehingga O
data O
tersebut O
cocok O
digunakan O
dengan O
metode O
SVR. O
2. O
Feature O
selection O
mampu O
memberikan O
hasil O
akurasi O
yang O
baik. O
Pada O
penelitian O
ini O
, O
feature O
selection O
yang O
disarankan O
untuk O
digunakan O
adalah O
Random O
Forest. O
3. O
Model B-TEMUAN
SVR I-TEMUAN
dengan I-TEMUAN
optimasi I-TEMUAN
menghasilkan I-TEMUAN
hasil I-TEMUAN
prediksi I-TEMUAN
untuk I-TEMUAN
masa I-TEMUAN
depan I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
jika I-TEMUAN
dibandingkan I-TEMUAN
dengan I-TEMUAN
model I-TEMUAN
SVR I-TEMUAN
tanpa I-TEMUAN
optimasi. I-TEMUAN
Oleh I-TEMUAN
karena I-TEMUAN
itu I-TEMUAN
, I-TEMUAN
model I-TEMUAN
SVR I-TEMUAN
dengan I-TEMUAN
optimasi I-TEMUAN
PSO I-TEMUAN
lebih I-TEMUAN
disarankan I-TEMUAN
untuk I-TEMUAN
digunakan I-TEMUAN
dalam I-TEMUAN
data I-TEMUAN
ini. I-TEMUAN
4. O
Model O
RF-SVR-PSO O
lebih O
di O
sarankan O
untuk O
digunakan O
sebagai O
model O
prediksi O
PM2.5 O
di O
Kota O
Surabaya. O
Hal O
tersebut O
dikarenakan O
model O
memiliki O
nilai O
RMSE O
, O
MAE O
, O
MAPE O
, O
AIC O
, O
dan O
RSE O
yang O
lebih O
kecil O
dibanding O
dengan O
model O
lainnya. O
Nilai O
tersebut O
merupakan O
nilai O
kesalahan O
hasil O
prediksi O
, O
semakin O
kecil O
nilai O
kesalahan O
suatu O
prediksi O
maka O
semakin O
bagus O
model O
yang O
digunakan. O

Implementasi O
dan O
Evaluasi O
Visualisasi O
Data O
Interaktif O
PDRB O
dengan O
Analisis O
Shift O
Share O
dan O
Location O
Quotient O
PDRB O
Sumatera O
Utara O
Menurut O
Lapangan O
Usaha O
Krisbana O
Togar O
Sianturi O
( O
221810378 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T. O
, O
S O
M.T. O
Ringkasan— O
Setiap O
tahunnya O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
mengeluarkan O
publikasi O
Tinjauan O
Produk O
Domestik O
Regional O
Bruto O
( O
PDRB O
) O
Kabupaten O
/ O
Kota O
Se-Sumatera O
Utara O
Menurut O
Lapangan O
Usaha. O
Publikasi O
tersebut O
berisi O
perkembangan O
dari O
17 O
sektor O
lapangan O
usaha O
dan O
visualisasinya. O
Namun O
, O
visualisasi O
yang O
ada O
hanya O
berbentuk O
infografis O
, O
sedangkan O
data O
yang O
ada O
memiliki O
dimensi O
/ O
variabel O
yang O
cukup O
besar. O
Berdasarkan O
hal O
itu O
peneliti O
ingin O
mengimplementasikan B-TEMUAN
visualisasi I-TEMUAN
data I-TEMUAN
interaktif I-TEMUAN
publikasi I-TEMUAN
PDRB I-TEMUAN
pada I-TEMUAN
VISDAT I-TEMUAN
PDRB I-TEMUAN
agar I-TEMUAN
memudahkan I-TEMUAN
pengguna I-TEMUAN
dalam I-TEMUAN
memahami I-TEMUAN
data. I-TEMUAN
Evaluasi O
terhadap O
VISDAT O
PDRB O
juga O
dilakukan O
untuk O
mengetahui O
penilaian O
pengguna O
terhadap O
visualisasi O
data O
interaktif O
yang O
dilakukan O
berdasarkan O
indikator O
penilaian O
yang O
telah O
ditentukan. O
Hasil O
dari O
evaluasi O
visualisasi B-TEMUAN
data O
interaktif O
yaitu O
visualisasi O
data O
Choropleth B-TEMUAN
Map I-TEMUAN
, I-TEMUAN
Bar I-TEMUAN
Chart I-TEMUAN
, I-TEMUAN
Tree I-TEMUAN
Map I-TEMUAN
, I-TEMUAN
Pie I-TEMUAN
Chart I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
Line I-TEMUAN
Chart I-TEMUAN
tergolong O
kategori O
Best O
Imaginable O
Visualization O
, O
sedangkan O
visualisasi O
data O
Sankey O
Diagram O
tergolong O
kategori O
Excellent O
Visualization. O
Penilaian O
terhadap O
visualisasi O
data O
terbaik O
terhadap O
data O
kategorik O
publikasi O
PDRB O
secara O
berturut-turut O
Bar O
Chart O
, O
Tree O
Map O
, O
Pie O
Chart O
, O
dan O
Sankey O
Diagram. O
Sehingga O
dapat O
disimpulkan O
bahwa O
visualisasi B-TEMUAN
data I-TEMUAN
kategorik I-TEMUAN
terbaik I-TEMUAN
yaitu I-TEMUAN
visualisasi I-TEMUAN
data I-TEMUAN
Bar I-TEMUAN
Chart I-TEMUAN
dan I-TEMUAN
Tree I-TEMUAN
Map. I-TEMUAN
Kata O
Kunci— O
visualisasi O
data O
, O
PDRB O
, O
evaluasi O
, O
location O
quotient O
, O
shift O
share. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
maka O
dapat O
diambil O
kesimpulan O
sebagai O
berikut O
: O
1. O
2. O
3. O
Best O
tergolong O
Implementasi O
visualisasi O
data O
interaktif O
terhadap O
publikasi O
Tinjauan O
PDRB O
melalui O
6 O
jenis O
visualisasi O
data O
telah O
dilakukan. O
Evaluasi O
terhadap O
VISDAT O
PDRB O
dengan O
8 O
indikator O
telah O
dilakukan. O
Choropleth O
Map O
tergolong O
kategori O
Best O
Imaginable O
Visualization. O
Begitu O
pula O
dengan O
visualisasi O
data O
Bar O
Chart O
, O
Tree O
Map O
, O
dan O
Line O
Chart O
juga O
Imaginable O
kategori O
ini O
berdasarkan O
skor O
yang O
Visualization. O
Hasil O
diperoleh O
masing-masing O
visualisasi O
data O
tersebut O
bernilai O
lebih O
dari O
85. O
Sedangkan O
visualisasi O
data O
Sankey O
Diagram O
tergolong O
kategori O
Excellent O
Visualization O
karena O
mendapat O
skor O
antara O
73 O
– O
85. O
Penilaian B-TEMUAN
terhadap I-TEMUAN
visualisasi I-TEMUAN
data I-TEMUAN
terbaik I-TEMUAN
terhadap I-TEMUAN
data I-TEMUAN
kategorik I-TEMUAN
publikasi I-TEMUAN
Tinjauan I-TEMUAN
PDRB I-TEMUAN
secara I-TEMUAN
berturut-turut I-TEMUAN
Bar I-TEMUAN
Chart I-TEMUAN
, I-TEMUAN
Tree I-TEMUAN
Map I-TEMUAN
, I-TEMUAN
Pie I-TEMUAN
Chart I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
terakhir I-TEMUAN
disimpulkan I-TEMUAN
bahwa I-TEMUAN
visualisasi I-TEMUAN
data I-TEMUAN
kategorik I-TEMUAN
terbaik I-TEMUAN
pada I-TEMUAN
VISDAT I-TEMUAN
PDRB I-TEMUAN
menurut I-TEMUAN
penilaian I-TEMUAN
pengguna I-TEMUAN
yaitu I-TEMUAN
visualisasi I-TEMUAN
data I-TEMUAN
Bar I-TEMUAN
Chart I-TEMUAN
dan I-TEMUAN
Tree I-TEMUAN
Map. I-TEMUAN
Sankey O
Diagram. O
Sehingga O
Berdasarkan O
penelitian O
yang O
dilakukan O
, O
peneliti O
menyadari O
masih O
terdapat O
beberapa O
kekurangan O
yang O
menjadi O
kelemahan O
dari O
penelitian O
ini. O
Berikut O
adalah O
beberapa O
saran O
yang O
diberikan O
oleh O
peneliti O
: O
1. O
Membuat O
basis O
data O
untuk O
penyimpanan O
data-data O
publikasi O
Tinjauan O
PDRB O
Kabupaten O
/ O
Kota O
Se O
Sumatera O
Utara O
yang O
diterbitkan O
oleh O
BPS. O
2. O
Visualisasi O
data O
pada O
VISDAT O
PDRB O
dapat O
terhubung O
dengan O
basis O
data O
publikasi O
Tinjauan O
PDRB O
agar O
visualisasi O
dapat O
diperbarui O
secara O
otomatis O
ketika O
data O
PDRB O
pada O
basis O
data O
diperbarui. O
3. O
Jenis O
visualisasi O
data O
pada O
VISDAT O
PDRB O
ditambah O
dan O
analisis O
pada O
data O
PDRB O
juga O
ditambah O
seperti O
indeks O
williamson O
dan O
topologi O
klassen. O

Implementasi O
dan O
Evaluasi O
Visualisasi O
Data O
Interaktif O
PDRB O
dengan O
Analisis O
Shift O
Share O
dan O
Location O
Quotient O
PDRB O
Sumatera O
Utara O
Menurut O
Lapangan O
Usaha O
Krisbana O
Togar O
Sianturi O
( O
221810378 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T. O
, O
S O
M.T. O
Ringkasan— O
Setiap O
tahunnya O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
mengeluarkan O
publikasi O
Tinjauan O
Produk O
Domestik O
Regional O
Bruto O
( O
PDRB O
) O
Kabupaten O
/ O
Kota O
Se-Sumatera O
Utara O
Menurut O
Lapangan O
Usaha. O
Publikasi O
tersebut O
berisi O
perkembangan O
dari O
17 O
sektor O
lapangan O
usaha O
dan O
visualisasinya. O
Namun O
, O
visualisasi O
yang O
ada O
hanya O
berbentuk O
infografis O
, O
sedangkan O
data O
yang O
ada O
memiliki O
dimensi O
/ O
variabel O
yang O
cukup O
besar. O
Berdasarkan O
hal O
itu O
peneliti O
ingin O
mengimplementasikan B-TEMUAN
visualisasi I-TEMUAN
data I-TEMUAN
interaktif I-TEMUAN
publikasi I-TEMUAN
PDRB I-TEMUAN
pada I-TEMUAN
VISDAT I-TEMUAN
PDRB I-TEMUAN
agar I-TEMUAN
memudahkan I-TEMUAN
pengguna I-TEMUAN
dalam I-TEMUAN
memahami I-TEMUAN
data. I-TEMUAN
Evaluasi O
terhadap O
VISDAT O
PDRB O
juga O
dilakukan O
untuk O
mengetahui O
penilaian O
pengguna O
terhadap O
visualisasi O
data O
interaktif O
yang O
dilakukan O
berdasarkan O
indikator O
penilaian O
yang O
telah O
ditentukan. O
Hasil O
dari O
evaluasi O
visualisasi B-TEMUAN
data O
interaktif O
yaitu O
visualisasi O
data O
Choropleth B-TEMUAN
Map I-TEMUAN
, I-TEMUAN
Bar I-TEMUAN
Chart I-TEMUAN
, I-TEMUAN
Tree I-TEMUAN
Map I-TEMUAN
, I-TEMUAN
Pie I-TEMUAN
Chart I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
Line I-TEMUAN
Chart I-TEMUAN
tergolong O
kategori O
Best O
Imaginable O
Visualization O
, O
sedangkan O
visualisasi O
data O
Sankey O
Diagram O
tergolong O
kategori O
Excellent O
Visualization. O
Penilaian O
terhadap O
visualisasi O
data O
terbaik O
terhadap O
data O
kategorik O
publikasi O
PDRB O
secara O
berturut-turut O
Bar O
Chart O
, O
Tree O
Map O
, O
Pie O
Chart O
, O
dan O
Sankey O
Diagram. O
Sehingga O
dapat O
disimpulkan O
bahwa O
visualisasi B-TEMUAN
data I-TEMUAN
kategorik I-TEMUAN
terbaik I-TEMUAN
yaitu I-TEMUAN
visualisasi I-TEMUAN
data I-TEMUAN
Bar I-TEMUAN
Chart I-TEMUAN
dan I-TEMUAN
Tree I-TEMUAN
Map. I-TEMUAN
Kata O
Kunci— O
visualisasi O
data O
, O
PDRB O
, O
evaluasi O
, O
location O
quotient O
, O
shift O
share. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
maka O
dapat O
diambil O
kesimpulan O
sebagai O
berikut O
: O
1. O
2. O
3. O
Best O
tergolong O
Implementasi O
visualisasi O
data O
interaktif O
terhadap O
publikasi O
Tinjauan O
PDRB O
melalui O
6 O
jenis O
visualisasi O
data O
telah O
dilakukan. O
Evaluasi O
terhadap O
VISDAT O
PDRB O
dengan O
8 O
indikator O
telah O
dilakukan. O
Choropleth O
Map O
tergolong O
kategori O
Best O
Imaginable O
Visualization. O
Begitu O
pula O
dengan O
visualisasi O
data O
Bar O
Chart O
, O
Tree O
Map O
, O
dan O
Line O
Chart O
juga O
Imaginable O
kategori O
ini O
berdasarkan O
skor O
yang O
Visualization. O
Hasil O
diperoleh O
masing-masing O
visualisasi O
data O
tersebut O
bernilai O
lebih O
dari O
85. O
Sedangkan O
visualisasi O
data O
Sankey O
Diagram O
tergolong O
kategori O
Excellent O
Visualization O
karena O
mendapat O
skor O
antara O
73 O
– O
85. O
Penilaian B-TEMUAN
terhadap I-TEMUAN
visualisasi I-TEMUAN
data I-TEMUAN
terbaik I-TEMUAN
terhadap I-TEMUAN
data I-TEMUAN
kategorik I-TEMUAN
publikasi I-TEMUAN
Tinjauan I-TEMUAN
PDRB I-TEMUAN
secara I-TEMUAN
berturut-turut I-TEMUAN
Bar I-TEMUAN
Chart I-TEMUAN
, I-TEMUAN
Tree I-TEMUAN
Map I-TEMUAN
, I-TEMUAN
Pie I-TEMUAN
Chart I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
terakhir I-TEMUAN
disimpulkan I-TEMUAN
bahwa I-TEMUAN
visualisasi I-TEMUAN
data I-TEMUAN
kategorik I-TEMUAN
terbaik I-TEMUAN
pada I-TEMUAN
VISDAT I-TEMUAN
PDRB I-TEMUAN
menurut I-TEMUAN
penilaian I-TEMUAN
pengguna I-TEMUAN
yaitu I-TEMUAN
visualisasi I-TEMUAN
data I-TEMUAN
Bar I-TEMUAN
Chart I-TEMUAN
dan I-TEMUAN
Tree I-TEMUAN
Map. I-TEMUAN
Sankey O
Diagram. O
Sehingga O
Berdasarkan O
penelitian O
yang O
dilakukan O
, O
peneliti O
menyadari O
masih O
terdapat O
beberapa O
kekurangan O
yang O
menjadi O
kelemahan O
dari O
penelitian O
ini. O
Berikut O
adalah O
beberapa O
saran O
yang O
diberikan O
oleh O
peneliti O
: O
1. O
Membuat O
basis O
data O
untuk O
penyimpanan O
data-data O
publikasi O
Tinjauan O
PDRB O
Kabupaten O
/ O
Kota O
Se O
Sumatera O
Utara O
yang O
diterbitkan O
oleh O
BPS. O
2. O
Visualisasi O
data O
pada O
VISDAT O
PDRB O
dapat O
terhubung O
dengan O
basis O
data O
publikasi O
Tinjauan O
PDRB O
agar O
visualisasi O
dapat O
diperbarui O
secara O
otomatis O
ketika O
data O
PDRB O
pada O
basis O
data O
diperbarui. O
3. O
Jenis O
visualisasi O
data O
pada O
VISDAT O
PDRB O
ditambah O
dan O
analisis O
pada O
data O
PDRB O
juga O
ditambah O
seperti O
indeks O
williamson O
dan O
topologi O
klassen. O

Peringkasan O
Teks O
Otomatis O
secara O
Ekstraktif O
pada O
Dokumen O
Abstrak O
Skripsi O
Komang O
Uning O
Sari O
Devi O
( O
221810377 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Lya O
Hulliyyatus O
Suadaa O
, O
S.S.T. O
, O
M.T. O
Ringkasan—Peningkatan O
informasi O
yang O
semakin O
banyak O
menyebabkan O
seseorang O
sulit O
untuk O
membaca O
keseluruhan O
infor- O
masi O
yang O
ada. O
Salah O
satu O
informasi O
yang O
akan O
terus O
meningkat O
setiap O
tahun O
adalah O
dokumen O
skripsi. O
Peningkatan O
ini O
dapat O
menyebabkan O
pemenuhan O
informasi O
skripsi O
yang O
sesuai O
ke- O
butuhan O
menjadi O
lama. O
Untuk O
itu O
, O
penelitian O
ini O
bertujuan O
membangun B-TUJUAN
model I-TUJUAN
yang I-TUJUAN
berguna I-TUJUAN
untuk I-TUJUAN
menyediakan I-TUJUAN
ringkasan I-TUJUAN
dari I-TUJUAN
dokumen I-TUJUAN
skripsi I-TUJUAN
dengan I-TUJUAN
melakukan I-TUJUAN
peringkasan I-TUJUAN
otomatis I-TUJUAN
secara I-TUJUAN
ekstraktif I-TUJUAN
pada I-TUJUAN
abstrak I-TUJUAN
skripsi. I-TUJUAN
Ringkasan O
ini O
dapat O
diaplikasikan O
sebagai O
snippet O
pada O
suatu O
mesin O
pencarian O
skripsi. O
Metode O
yang O
peneliti O
gunakan O
untuk O
membangun O
model O
per- O
ingkasan O
adalah O
metode B-METODE
unsupervised I-METODE
( I-METODE
Lead-3 I-METODE
dan I-METODE
Textrank I-METODE
) I-METODE
dan I-METODE
supervised I-METODE
( I-METODE
SVM I-METODE
dan I-METODE
SBERT I-METODE
) I-METODE
. O
Selain O
membangun O
model O
, O
peneliti O
juga O
membangun O
dataset O
peringkasan O
teks O
berbahasa O
Indonesia O
yang O
terdiri O
dari O
abstrak O
skripsi O
dan O
ringkasannya O
dengan O
nilai O
inter-rater O
reliability O
sebesar O
0.801. O
Diperoleh B-TEMUAN
eval- I-TEMUAN
uasi I-TEMUAN
model I-TEMUAN
berdasarkan I-TEMUAN
nilai I-TEMUAN
ROUGE I-TEMUAN
yaitu I-TEMUAN
SBERT I-TEMUAN
meringkas I-TEMUAN
teks I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
ROUGE-1 I-TEMUAN
, I-TEMUAN
ROUGE-2 I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
ROUGE- I-TEMUAN
L I-TEMUAN
berturut-turut I-TEMUAN
0.545 I-TEMUAN
, I-TEMUAN
0.433 I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
0.474. I-TEMUAN
Selain O
itu O
, O
berdasarkan O
human O
evaluation O
, O
SBERT O
menghasilkan O
skor O
tertinggi O
pada O
ketiga O
dimensi O
kualitas O
yaitu O
focus O
, O
structure O
and O
coherence O
, O
dan O
referential O
clarity. O
Kata O
Kunci—Peringkasan O
teks O
, O
Ekstraktif O
, O
SBERT O
, O
NLP O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
diambil O
kesimpulan O
sebagai O
berikut. O
1 O
) O
Dataset O
atau O
korpus O
yang O
telah O
dibangun O
memiliki O
inter- O
rater O
reliability O
yang O
cukup O
tinggi O
yang O
berarti O
kualitas O
dataset O
atau O
korpus O
baik O
digunakan O
untuk O
penelitian O
selanjutnya. O
2 O
) O
Di O
antara O
metode O
unsupervised O
, O
berdasarkan O
nilai O
ROUGE O
, O
Lead-3 O
menghasilkan O
akurasi O
lebih O
baik O
dari O
semua O
kondisi O
model O
Textrank. O
Berdasarkan O
nilai O
human O
evaluation O
, O
Textrank O
lebih O
baik O
pada O
ketiga O
dimensi O
, O
focus O
, O
structure O
and O
coherence O
, O
dan O
referential O
clarity O
dari O
model O
Lead-3. O
3 O
) O
Di O
antara O
metode O
supervised O
, O
berdasarkan O
nilai O
ROUGE O
dan O
hasil O
human O
evaluation O
, O
SBERT O
menghasilkan O
akurasi O
lebih O
baik O
dari O
SVM. O
4 O
) O
Di O
antara O
semua O
kondisi O
model O
Textrank O
, O
berdasarkan O
ni- O
lai O
ROUGE O
model O
Textrank O
tanpa O
stemming O
dan O
penghi- O
langan O
stopwords O
memiliki O
akurasi O
yang O
baik. O
5 O
) O
Secara O
keseluruhan O
model O
peringkasan O
teks O
, O
SBERT O
merupakan O
model O
terbaik O
yang O
dapat O
diaplikasikan O
se- O
bagai O
snippet O
generation O
pada O
mesin O
pencarian O
skripsi O
SIPADU-STIS. O
Adapun O
beberapa O
saran O
pada O
penelitian O
ini O
, O
yaitu O
menam- O
bahkan O
dataset O
dan O
beberapa O
fitur O
untuk O
meningkatkan O
akurasi O
pelatihan O
model O
machine O
learning. O

Peringkasan O
Teks O
Otomatis O
secara O
Ekstraktif O
pada O
Dokumen O
Abstrak O
Skripsi O
Komang O
Uning O
Sari O
Devi O
( O
221810377 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Lya O
Hulliyyatus O
Suadaa O
, O
S.S.T. O
, O
M.T. O
Ringkasan—Peningkatan O
informasi O
yang O
semakin O
banyak O
menyebabkan O
seseorang O
sulit O
untuk O
membaca O
keseluruhan O
infor- O
masi O
yang O
ada. O
Salah O
satu O
informasi O
yang O
akan O
terus O
meningkat O
setiap O
tahun O
adalah O
dokumen O
skripsi. O
Peningkatan O
ini O
dapat O
menyebabkan O
pemenuhan O
informasi O
skripsi O
yang O
sesuai O
ke- O
butuhan O
menjadi O
lama. O
Untuk O
itu O
, O
penelitian O
ini O
bertujuan O
membangun B-TUJUAN
model I-TUJUAN
yang I-TUJUAN
berguna I-TUJUAN
untuk I-TUJUAN
menyediakan I-TUJUAN
ringkasan I-TUJUAN
dari I-TUJUAN
dokumen I-TUJUAN
skripsi I-TUJUAN
dengan I-TUJUAN
melakukan I-TUJUAN
peringkasan I-TUJUAN
otomatis I-TUJUAN
secara I-TUJUAN
ekstraktif I-TUJUAN
pada I-TUJUAN
abstrak I-TUJUAN
skripsi. I-TUJUAN
Ringkasan O
ini O
dapat O
diaplikasikan O
sebagai O
snippet O
pada O
suatu O
mesin O
pencarian O
skripsi. O
Metode O
yang O
peneliti O
gunakan O
untuk O
membangun O
model O
per- O
ingkasan O
adalah O
metode B-METODE
unsupervised I-METODE
( I-METODE
Lead-3 I-METODE
dan I-METODE
Textrank I-METODE
) I-METODE
dan I-METODE
supervised I-METODE
( I-METODE
SVM I-METODE
dan I-METODE
SBERT I-METODE
) I-METODE
. O
Selain O
membangun O
model O
, O
peneliti O
juga O
membangun O
dataset O
peringkasan O
teks O
berbahasa O
Indonesia O
yang O
terdiri O
dari O
abstrak O
skripsi O
dan O
ringkasannya O
dengan O
nilai O
inter-rater O
reliability O
sebesar O
0.801. O
Diperoleh B-TEMUAN
eval- I-TEMUAN
uasi I-TEMUAN
model I-TEMUAN
berdasarkan I-TEMUAN
nilai I-TEMUAN
ROUGE I-TEMUAN
yaitu I-TEMUAN
SBERT I-TEMUAN
meringkas I-TEMUAN
teks I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
ROUGE-1 I-TEMUAN
, I-TEMUAN
ROUGE-2 I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
ROUGE- I-TEMUAN
L I-TEMUAN
berturut-turut I-TEMUAN
0.545 I-TEMUAN
, I-TEMUAN
0.433 I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
0.474. I-TEMUAN
Selain O
itu O
, O
berdasarkan O
human O
evaluation O
, O
SBERT O
menghasilkan O
skor O
tertinggi O
pada O
ketiga O
dimensi O
kualitas O
yaitu O
focus O
, O
structure O
and O
coherence O
, O
dan O
referential O
clarity. O
Kata O
Kunci—Peringkasan O
teks O
, O
Ekstraktif O
, O
SBERT O
, O
NLP O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
diambil O
kesimpulan O
sebagai O
berikut. O
1 O
) O
Dataset O
atau O
korpus O
yang O
telah O
dibangun O
memiliki O
inter- O
rater O
reliability O
yang O
cukup O
tinggi O
yang O
berarti O
kualitas O
dataset O
atau O
korpus O
baik O
digunakan O
untuk O
penelitian O
selanjutnya. O
2 O
) O
Di O
antara O
metode O
unsupervised O
, O
berdasarkan O
nilai O
ROUGE O
, O
Lead-3 O
menghasilkan O
akurasi O
lebih O
baik O
dari O
semua O
kondisi O
model O
Textrank. O
Berdasarkan O
nilai O
human O
evaluation O
, O
Textrank O
lebih O
baik O
pada O
ketiga O
dimensi O
, O
focus O
, O
structure O
and O
coherence O
, O
dan O
referential O
clarity O
dari O
model O
Lead-3. O
3 O
) O
Di O
antara O
metode O
supervised O
, O
berdasarkan O
nilai O
ROUGE O
dan O
hasil O
human O
evaluation O
, O
SBERT O
menghasilkan O
akurasi O
lebih O
baik O
dari O
SVM. O
4 O
) O
Di O
antara O
semua O
kondisi O
model O
Textrank O
, O
berdasarkan O
ni- O
lai O
ROUGE O
model O
Textrank O
tanpa O
stemming O
dan O
penghi- O
langan O
stopwords O
memiliki O
akurasi O
yang O
baik. O
5 O
) O
Secara O
keseluruhan O
model O
peringkasan O
teks O
, O
SBERT O
merupakan O
model O
terbaik O
yang O
dapat O
diaplikasikan O
se- O
bagai O
snippet O
generation O
pada O
mesin O
pencarian O
skripsi O
SIPADU-STIS. O
Adapun O
beberapa O
saran O
pada O
penelitian O
ini O
, O
yaitu O
menam- O
bahkan O
dataset O
dan O
beberapa O
fitur O
untuk O
meningkatkan O
akurasi O
pelatihan O
model O
machine O
learning. O

Peringkasan O
Teks O
Otomatis O
secara O
Ekstraktif O
pada O
Dokumen O
Abstrak O
Skripsi O
Komang O
Uning O
Sari O
Devi O
( O
221810377 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Lya O
Hulliyyatus O
Suadaa O
, O
S.S.T. O
, O
M.T. O
Ringkasan—Peningkatan O
informasi O
yang O
semakin O
banyak O
menyebabkan O
seseorang O
sulit O
untuk O
membaca O
keseluruhan O
infor- O
masi O
yang O
ada. O
Salah O
satu O
informasi O
yang O
akan O
terus O
meningkat O
setiap O
tahun O
adalah O
dokumen O
skripsi. O
Peningkatan O
ini O
dapat O
menyebabkan O
pemenuhan O
informasi O
skripsi O
yang O
sesuai O
ke- O
butuhan O
menjadi O
lama. O
Untuk O
itu O
, O
penelitian O
ini O
bertujuan O
membangun B-TUJUAN
model I-TUJUAN
yang I-TUJUAN
berguna I-TUJUAN
untuk I-TUJUAN
menyediakan I-TUJUAN
ringkasan I-TUJUAN
dari I-TUJUAN
dokumen I-TUJUAN
skripsi I-TUJUAN
dengan I-TUJUAN
melakukan I-TUJUAN
peringkasan I-TUJUAN
otomatis I-TUJUAN
secara I-TUJUAN
ekstraktif I-TUJUAN
pada I-TUJUAN
abstrak I-TUJUAN
skripsi. I-TUJUAN
Ringkasan O
ini O
dapat O
diaplikasikan O
sebagai O
snippet O
pada O
suatu O
mesin O
pencarian O
skripsi. O
Metode O
yang O
peneliti O
gunakan O
untuk O
membangun O
model O
per- O
ingkasan O
adalah O
metode B-METODE
unsupervised I-METODE
( I-METODE
Lead-3 I-METODE
dan I-METODE
Textrank I-METODE
) I-METODE
dan I-METODE
supervised I-METODE
( I-METODE
SVM I-METODE
dan I-METODE
SBERT I-METODE
) I-METODE
. O
Selain O
membangun O
model O
, O
peneliti O
juga O
membangun O
dataset O
peringkasan O
teks O
berbahasa O
Indonesia O
yang O
terdiri O
dari O
abstrak O
skripsi O
dan O
ringkasannya O
dengan O
nilai O
inter-rater O
reliability O
sebesar O
0.801. O
Diperoleh B-TEMUAN
eval- I-TEMUAN
uasi I-TEMUAN
model I-TEMUAN
berdasarkan I-TEMUAN
nilai I-TEMUAN
ROUGE I-TEMUAN
yaitu I-TEMUAN
SBERT I-TEMUAN
meringkas I-TEMUAN
teks I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
ROUGE-1 I-TEMUAN
, I-TEMUAN
ROUGE-2 I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
ROUGE- I-TEMUAN
L I-TEMUAN
berturut-turut I-TEMUAN
0.545 I-TEMUAN
, I-TEMUAN
0.433 I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
0.474. I-TEMUAN
Selain O
itu O
, O
berdasarkan O
human O
evaluation O
, O
SBERT O
menghasilkan O
skor O
tertinggi O
pada O
ketiga O
dimensi O
kualitas O
yaitu O
focus O
, O
structure O
and O
coherence O
, O
dan O
referential O
clarity. O
Kata O
Kunci—Peringkasan O
teks O
, O
Ekstraktif O
, O
SBERT O
, O
NLP O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
diambil O
kesimpulan O
sebagai O
berikut. O
1 O
) O
Dataset O
atau O
korpus O
yang O
telah O
dibangun O
memiliki O
inter- O
rater O
reliability O
yang O
cukup O
tinggi O
yang O
berarti O
kualitas O
dataset O
atau O
korpus O
baik O
digunakan O
untuk O
penelitian O
selanjutnya. O
2 O
) O
Di O
antara O
metode O
unsupervised O
, O
berdasarkan O
nilai O
ROUGE O
, O
Lead-3 O
menghasilkan O
akurasi O
lebih O
baik O
dari O
semua O
kondisi O
model O
Textrank. O
Berdasarkan O
nilai O
human O
evaluation O
, O
Textrank O
lebih O
baik O
pada O
ketiga O
dimensi O
, O
focus O
, O
structure O
and O
coherence O
, O
dan O
referential O
clarity O
dari O
model O
Lead-3. O
3 O
) O
Di O
antara O
metode O
supervised O
, O
berdasarkan O
nilai O
ROUGE O
dan O
hasil O
human O
evaluation O
, O
SBERT O
menghasilkan O
akurasi O
lebih O
baik O
dari O
SVM. O
4 O
) O
Di O
antara O
semua O
kondisi O
model O
Textrank O
, O
berdasarkan O
ni- O
lai O
ROUGE O
model O
Textrank O
tanpa O
stemming O
dan O
penghi- O
langan O
stopwords O
memiliki O
akurasi O
yang O
baik. O
5 O
) O
Secara O
keseluruhan O
model O
peringkasan O
teks O
, O
SBERT O
merupakan O
model O
terbaik O
yang O
dapat O
diaplikasikan O
se- O
bagai O
snippet O
generation O
pada O
mesin O
pencarian O
skripsi O
SIPADU-STIS. O
Adapun O
beberapa O
saran O
pada O
penelitian O
ini O
, O
yaitu O
menam- O
bahkan O
dataset O
dan O
beberapa O
fitur O
untuk O
meningkatkan O
akurasi O
pelatihan O
model O
machine O
learning. O

Peringkasan O
Teks O
Otomatis O
secara O
Ekstraktif O
pada O
Dokumen O
Abstrak O
Skripsi O
Komang O
Uning O
Sari O
Devi O
( O
221810377 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Lya O
Hulliyyatus O
Suadaa O
, O
S.S.T. O
, O
M.T. O
Ringkasan—Peningkatan O
informasi O
yang O
semakin O
banyak O
menyebabkan O
seseorang O
sulit O
untuk O
membaca O
keseluruhan O
infor- O
masi O
yang O
ada. O
Salah O
satu O
informasi O
yang O
akan O
terus O
meningkat O
setiap O
tahun O
adalah O
dokumen O
skripsi. O
Peningkatan O
ini O
dapat O
menyebabkan O
pemenuhan O
informasi O
skripsi O
yang O
sesuai O
ke- O
butuhan O
menjadi O
lama. O
Untuk O
itu O
, O
penelitian O
ini O
bertujuan O
membangun B-TUJUAN
model I-TUJUAN
yang I-TUJUAN
berguna I-TUJUAN
untuk I-TUJUAN
menyediakan I-TUJUAN
ringkasan I-TUJUAN
dari I-TUJUAN
dokumen I-TUJUAN
skripsi I-TUJUAN
dengan I-TUJUAN
melakukan I-TUJUAN
peringkasan I-TUJUAN
otomatis I-TUJUAN
secara I-TUJUAN
ekstraktif I-TUJUAN
pada I-TUJUAN
abstrak I-TUJUAN
skripsi. I-TUJUAN
Ringkasan O
ini O
dapat O
diaplikasikan O
sebagai O
snippet O
pada O
suatu O
mesin O
pencarian O
skripsi. O
Metode O
yang O
peneliti O
gunakan O
untuk O
membangun O
model O
per- O
ingkasan O
adalah O
metode B-METODE
unsupervised I-METODE
( I-METODE
Lead-3 I-METODE
dan I-METODE
Textrank I-METODE
) I-METODE
dan I-METODE
supervised I-METODE
( I-METODE
SVM I-METODE
dan I-METODE
SBERT I-METODE
) I-METODE
. O
Selain O
membangun O
model O
, O
peneliti O
juga O
membangun O
dataset O
peringkasan O
teks O
berbahasa O
Indonesia O
yang O
terdiri O
dari O
abstrak O
skripsi O
dan O
ringkasannya O
dengan O
nilai O
inter-rater O
reliability O
sebesar O
0.801. O
Diperoleh B-TEMUAN
eval- I-TEMUAN
uasi I-TEMUAN
model I-TEMUAN
berdasarkan I-TEMUAN
nilai I-TEMUAN
ROUGE I-TEMUAN
yaitu I-TEMUAN
SBERT I-TEMUAN
meringkas I-TEMUAN
teks I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
ROUGE-1 I-TEMUAN
, I-TEMUAN
ROUGE-2 I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
ROUGE- I-TEMUAN
L I-TEMUAN
berturut-turut I-TEMUAN
0.545 I-TEMUAN
, I-TEMUAN
0.433 I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
0.474. I-TEMUAN
Selain O
itu O
, O
berdasarkan O
human O
evaluation O
, O
SBERT O
menghasilkan O
skor O
tertinggi O
pada O
ketiga O
dimensi O
kualitas O
yaitu O
focus O
, O
structure O
and O
coherence O
, O
dan O
referential O
clarity. O
Kata O
Kunci—Peringkasan O
teks O
, O
Ekstraktif O
, O
SBERT O
, O
NLP O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
diambil O
kesimpulan O
sebagai O
berikut. O
1 O
) O
Dataset O
atau O
korpus O
yang O
telah O
dibangun O
memiliki O
inter- O
rater O
reliability O
yang O
cukup O
tinggi O
yang O
berarti O
kualitas O
dataset O
atau O
korpus O
baik O
digunakan O
untuk O
penelitian O
selanjutnya. O
2 O
) O
Di O
antara O
metode O
unsupervised O
, O
berdasarkan O
nilai O
ROUGE O
, O
Lead-3 O
menghasilkan O
akurasi O
lebih O
baik O
dari O
semua O
kondisi O
model O
Textrank. O
Berdasarkan O
nilai O
human O
evaluation O
, O
Textrank O
lebih O
baik O
pada O
ketiga O
dimensi O
, O
focus O
, O
structure O
and O
coherence O
, O
dan O
referential O
clarity O
dari O
model O
Lead-3. O
3 O
) O
Di O
antara O
metode O
supervised O
, O
berdasarkan O
nilai O
ROUGE O
dan O
hasil O
human O
evaluation O
, O
SBERT O
menghasilkan O
akurasi O
lebih O
baik O
dari O
SVM. O
4 O
) O
Di O
antara O
semua O
kondisi O
model O
Textrank O
, O
berdasarkan O
ni- O
lai O
ROUGE O
model O
Textrank O
tanpa O
stemming O
dan O
penghi- O
langan O
stopwords O
memiliki O
akurasi O
yang O
baik. O
5 O
) O
Secara O
keseluruhan O
model O
peringkasan O
teks O
, O
SBERT O
merupakan O
model O
terbaik O
yang O
dapat O
diaplikasikan O
se- O
bagai O
snippet O
generation O
pada O
mesin O
pencarian O
skripsi O
SIPADU-STIS. O
Adapun O
beberapa O
saran O
pada O
penelitian O
ini O
, O
yaitu O
menam- O
bahkan O
dataset O
dan O
beberapa O
fitur O
untuk O
meningkatkan O
akurasi O
pelatihan O
model O
machine O
learning. O

Penyusunan O
Indeks O
Inklusi O
Keuangan O
Nasional O
Dan O
Regional O
Indonesia O
Menggunakan O
Metode O
Two O
Stage O
Principal O
Component O
Analysis O
Kiran O
Aldi O
Pangumbanan O
Hasibuan O
( O
221810376 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Nasrudin O
, O
S.Si O
, O
ME O
Ringkasan— O
Akses O
ke O
layanan O
keuangan O
sangat O
penting O
untuk O
upaya O
pembangunan. O
Sistem O
keuangan O
inklusif O
memungkinkan O
akses O
luas O
ke O
layanan O
keuangan O
, O
tanpa O
hambatan O
harga O
atau O
non-harga O
dalam O
penggunaannya O
yang O
mana O
sangat O
memungkinkan O
untuk O
menguntungkan O
orang O
miskin O
dan O
kelompok O
kurang O
beruntung O
lainnya. O
Namun O
demikian O
, O
konsep O
dan O
ukuran O
dari O
inklusi O
keuangan O
tampaknya O
sulit O
dipahami. O
Selain O
itu O
, O
upaya O
untuk O
mengukur O
inklusi O
keuangan O
melalui O
indeks O
multidimensi O
di O
Indonesia O
masih O
langka O
dan O
tidak O
lengkap. O
Sehingga O
Penelitian O
ini O
bertujuan O
untuk O
mengisi B-TUJUAN
kesenjangan I-TUJUAN
tersebut. I-TUJUAN
Dengan I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
principal I-TUJUAN
component I-TUJUAN
analysis I-TUJUAN
dua I-TUJUAN
tahap I-TUJUAN
untuk I-TUJUAN
membangun I-TUJUAN
indeks I-TUJUAN
Inklusi I-TUJUAN
Keuangan I-TUJUAN
di I-TUJUAN
Indonesia I-TUJUAN
dan I-TUJUAN
regional I-TUJUAN
Indonesia. I-TUJUAN
Data O
yang O
digunakan O
merupakan O
data O
sekunder O
yang O
bersumber O
dari O
Bank O
Indonesia O
( O
BI O
) O
dan O
Lembaga O
Penjamin O
Simpanan O
( O
LPS O
) O
. O
Penelitian O
ini O
menemukan O
bahwa O
dimensi B-TEMUAN
akses I-TEMUAN
merupakan I-TEMUAN
dimensi I-TEMUAN
terpenting I-TEMUAN
dalam I-TEMUAN
mendefinisikan I-TEMUAN
indeks I-TEMUAN
inklusi I-TEMUAN
kauangan I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
, I-TEMUAN
diikuti I-TEMUAN
oleh I-TEMUAN
dimensi I-TEMUAN
ketersediaan I-TEMUAN
dan I-TEMUAN
penggunaan. I-TEMUAN
Hasil O
yang O
sama O
juga O
berlaku O
di O
tingkat O
regional O
Indonesia O
( O
Sumatera O
, O
Jawa O
, O
Bali O
& O
Nusa O
Tenggara O
, O
Kalimantan O
, O
Sulawesi O
, O
Maluku O
& O
Papua O
) O
. O
Kata O
Kunci— O
Indeks O
Inklusi O
Keuangan O
, O
Principal O
Component O
Analysis O
, O
Layanan O
Keuangan O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
yang O
diperoleh O
dari O
penelitian O
ini O
, O
didapatkan O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Indikator O
yang O
digunakan O
pada O
dimensi O
akses O
, O
ketersediaan O
dan O
penggunaan O
pada O
Indonesia O
maupun O
regional O
Indonesia O
telah O
ditentukan O
seusai O
pada O
Tabel O
II O
dan O
Tabel O
III. O
2. O
Hasil O
perthitungan O
nilai O
indeks O
Inklusi O
Keuangan O
Indonesia O
dengan O
metode B-METODE
analisis I-METODE
komponen I-METODE
utama I-METODE
dua O
tahap O
menunjukkan O
tren O
positif O
selama O
Sembilan O
tahun O
terakhir. O
3. O
Dimensi O
terpenting O
dalam O
mendefinisikan O
indeks O
inklusi O
keuangan O
di O
Indonesia O
adalah O
akses O
( O
access O
) O
diikuti O
dengan O
ketersediaan O
( O
availability O
) O
dan O
penggunaan O
( O
usage O
) O
. O
Hasil O
yang O
sama O
juga O
berlaku O
bagi O
regional O
Indonesia. O
inklusi O
keuangan O
indeks O
indeks O
4. O
Dashboard O
visualisasi O
data O
indeks O
inklusi O
keuangan O
di O
telah O
menampilkan O
visualisasi O
yang O
Indoneisa O
interaktif O
yang O
mana O
memudahkan O
pengguna O
dalam O
menganalisis O
perkembangan O
indeks O
inklusi O
keuangan O
Indonesia O
dan O
regional O
Indonesia. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
B. O
Saran O
Berdasarkan O
hasil O
implementasi O
perhitungan O
indeks O
inklusi O
keuangan O
pada O
Inonesia O
dan O
regional O
Indonesia O
, O
mungkin O
hal O
tersebut O
tidak O
berlaku O
untuk O
provinsi-provinsi O
bahkan O
kabupaten O
/ O
kota O
di O
Indonesia O
yang O
mana O
secara O
ekonomi O
dan O
sosial O
yang O
bersifat O
heterogen. O
Oleh O
karena O
itu O
, O
studi O
di O
tingkat O
kabupaten O
/ O
kota O
akan O
memberikann O
wawasan O
yanng O
lebih O
luas O
dari O
perspektif O
kebijakan. O
tingkat O
provinsi O
bahkan O
sampai O
Karena O
masih O
adanya O
keterbatasan O
data O
yang O
dapat O
dikumpulkan O
oleh O
peneliti O
sehingga O
perlu O
dilakukan O
integrasi O
secara O
langsung O
dengan O
sistem O
secara O
keseluruhan O
dengan O
big O
data O
dari O
lembaga O
keuangan O
di O
Indonesia O
seperti O
Bank O
Indonesia O
( O
BI O
) O
maupun O
Otoritas O
Jasa O
Keuangan O
( O
OJK O
) O
. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O

Penyusunan O
Indeks O
Inklusi O
Keuangan O
Nasional O
Dan O
Regional O
Indonesia O
Menggunakan O
Metode O
Two O
Stage O
Principal O
Component O
Analysis O
Kiran O
Aldi O
Pangumbanan O
Hasibuan O
( O
221810376 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Nasrudin O
, O
S.Si O
, O
ME O
Ringkasan— O
Akses O
ke O
layanan O
keuangan O
sangat O
penting O
untuk O
upaya O
pembangunan. O
Sistem O
keuangan O
inklusif O
memungkinkan O
akses O
luas O
ke O
layanan O
keuangan O
, O
tanpa O
hambatan O
harga O
atau O
non-harga O
dalam O
penggunaannya O
yang O
mana O
sangat O
memungkinkan O
untuk O
menguntungkan O
orang O
miskin O
dan O
kelompok O
kurang O
beruntung O
lainnya. O
Namun O
demikian O
, O
konsep O
dan O
ukuran O
dari O
inklusi O
keuangan O
tampaknya O
sulit O
dipahami. O
Selain O
itu O
, O
upaya O
untuk O
mengukur O
inklusi O
keuangan O
melalui O
indeks O
multidimensi O
di O
Indonesia O
masih O
langka O
dan O
tidak O
lengkap. O
Sehingga O
Penelitian O
ini O
bertujuan O
untuk O
mengisi B-TUJUAN
kesenjangan I-TUJUAN
tersebut. I-TUJUAN
Dengan I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
principal I-TUJUAN
component I-TUJUAN
analysis I-TUJUAN
dua I-TUJUAN
tahap I-TUJUAN
untuk I-TUJUAN
membangun I-TUJUAN
indeks I-TUJUAN
Inklusi I-TUJUAN
Keuangan I-TUJUAN
di I-TUJUAN
Indonesia I-TUJUAN
dan I-TUJUAN
regional I-TUJUAN
Indonesia. I-TUJUAN
Data O
yang O
digunakan O
merupakan O
data O
sekunder O
yang O
bersumber O
dari O
Bank O
Indonesia O
( O
BI O
) O
dan O
Lembaga O
Penjamin O
Simpanan O
( O
LPS O
) O
. O
Penelitian O
ini O
menemukan O
bahwa O
dimensi B-TEMUAN
akses I-TEMUAN
merupakan I-TEMUAN
dimensi I-TEMUAN
terpenting I-TEMUAN
dalam I-TEMUAN
mendefinisikan I-TEMUAN
indeks I-TEMUAN
inklusi I-TEMUAN
kauangan I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
, I-TEMUAN
diikuti I-TEMUAN
oleh I-TEMUAN
dimensi I-TEMUAN
ketersediaan I-TEMUAN
dan I-TEMUAN
penggunaan. I-TEMUAN
Hasil O
yang O
sama O
juga O
berlaku O
di O
tingkat O
regional O
Indonesia O
( O
Sumatera O
, O
Jawa O
, O
Bali O
& O
Nusa O
Tenggara O
, O
Kalimantan O
, O
Sulawesi O
, O
Maluku O
& O
Papua O
) O
. O
Kata O
Kunci— O
Indeks O
Inklusi O
Keuangan O
, O
Principal O
Component O
Analysis O
, O
Layanan O
Keuangan O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
yang O
diperoleh O
dari O
penelitian O
ini O
, O
didapatkan O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Indikator O
yang O
digunakan O
pada O
dimensi O
akses O
, O
ketersediaan O
dan O
penggunaan O
pada O
Indonesia O
maupun O
regional O
Indonesia O
telah O
ditentukan O
seusai O
pada O
Tabel O
II O
dan O
Tabel O
III. O
2. O
Hasil O
perthitungan O
nilai O
indeks O
Inklusi O
Keuangan O
Indonesia O
dengan O
metode B-METODE
analisis I-METODE
komponen I-METODE
utama I-METODE
dua O
tahap O
menunjukkan O
tren O
positif O
selama O
Sembilan O
tahun O
terakhir. O
3. O
Dimensi O
terpenting O
dalam O
mendefinisikan O
indeks O
inklusi O
keuangan O
di O
Indonesia O
adalah O
akses O
( O
access O
) O
diikuti O
dengan O
ketersediaan O
( O
availability O
) O
dan O
penggunaan O
( O
usage O
) O
. O
Hasil O
yang O
sama O
juga O
berlaku O
bagi O
regional O
Indonesia. O
inklusi O
keuangan O
indeks O
indeks O
4. O
Dashboard O
visualisasi O
data O
indeks O
inklusi O
keuangan O
di O
telah O
menampilkan O
visualisasi O
yang O
Indoneisa O
interaktif O
yang O
mana O
memudahkan O
pengguna O
dalam O
menganalisis O
perkembangan O
indeks O
inklusi O
keuangan O
Indonesia O
dan O
regional O
Indonesia. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
B. O
Saran O
Berdasarkan O
hasil O
implementasi O
perhitungan O
indeks O
inklusi O
keuangan O
pada O
Inonesia O
dan O
regional O
Indonesia O
, O
mungkin O
hal O
tersebut O
tidak O
berlaku O
untuk O
provinsi-provinsi O
bahkan O
kabupaten O
/ O
kota O
di O
Indonesia O
yang O
mana O
secara O
ekonomi O
dan O
sosial O
yang O
bersifat O
heterogen. O
Oleh O
karena O
itu O
, O
studi O
di O
tingkat O
kabupaten O
/ O
kota O
akan O
memberikann O
wawasan O
yanng O
lebih O
luas O
dari O
perspektif O
kebijakan. O
tingkat O
provinsi O
bahkan O
sampai O
Karena O
masih O
adanya O
keterbatasan O
data O
yang O
dapat O
dikumpulkan O
oleh O
peneliti O
sehingga O
perlu O
dilakukan O
integrasi O
secara O
langsung O
dengan O
sistem O
secara O
keseluruhan O
dengan O
big O
data O
dari O
lembaga O
keuangan O
di O
Indonesia O
seperti O
Bank O
Indonesia O
( O
BI O
) O
maupun O
Otoritas O
Jasa O
Keuangan O
( O
OJK O
) O
. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O

Penyusunan O
Indeks O
Inklusi O
Keuangan O
Nasional O
Dan O
Regional O
Indonesia O
Menggunakan O
Metode O
Two O
Stage O
Principal O
Component O
Analysis O
Kiran O
Aldi O
Pangumbanan O
Hasibuan O
( O
221810376 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Nasrudin O
, O
S.Si O
, O
ME O
Ringkasan— O
Akses O
ke O
layanan O
keuangan O
sangat O
penting O
untuk O
upaya O
pembangunan. O
Sistem O
keuangan O
inklusif O
memungkinkan O
akses O
luas O
ke O
layanan O
keuangan O
, O
tanpa O
hambatan O
harga O
atau O
non-harga O
dalam O
penggunaannya O
yang O
mana O
sangat O
memungkinkan O
untuk O
menguntungkan O
orang O
miskin O
dan O
kelompok O
kurang O
beruntung O
lainnya. O
Namun O
demikian O
, O
konsep O
dan O
ukuran O
dari O
inklusi O
keuangan O
tampaknya O
sulit O
dipahami. O
Selain O
itu O
, O
upaya O
untuk O
mengukur O
inklusi O
keuangan O
melalui O
indeks O
multidimensi O
di O
Indonesia O
masih O
langka O
dan O
tidak O
lengkap. O
Sehingga O
Penelitian O
ini O
bertujuan O
untuk O
mengisi B-TUJUAN
kesenjangan I-TUJUAN
tersebut. I-TUJUAN
Dengan I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
principal I-TUJUAN
component I-TUJUAN
analysis I-TUJUAN
dua I-TUJUAN
tahap I-TUJUAN
untuk I-TUJUAN
membangun I-TUJUAN
indeks I-TUJUAN
Inklusi I-TUJUAN
Keuangan I-TUJUAN
di I-TUJUAN
Indonesia I-TUJUAN
dan I-TUJUAN
regional I-TUJUAN
Indonesia. I-TUJUAN
Data O
yang O
digunakan O
merupakan O
data O
sekunder O
yang O
bersumber O
dari O
Bank O
Indonesia O
( O
BI O
) O
dan O
Lembaga O
Penjamin O
Simpanan O
( O
LPS O
) O
. O
Penelitian O
ini O
menemukan O
bahwa O
dimensi B-TEMUAN
akses I-TEMUAN
merupakan I-TEMUAN
dimensi I-TEMUAN
terpenting I-TEMUAN
dalam I-TEMUAN
mendefinisikan I-TEMUAN
indeks I-TEMUAN
inklusi I-TEMUAN
kauangan I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
, I-TEMUAN
diikuti I-TEMUAN
oleh I-TEMUAN
dimensi I-TEMUAN
ketersediaan I-TEMUAN
dan I-TEMUAN
penggunaan. I-TEMUAN
Hasil O
yang O
sama O
juga O
berlaku O
di O
tingkat O
regional O
Indonesia O
( O
Sumatera O
, O
Jawa O
, O
Bali O
& O
Nusa O
Tenggara O
, O
Kalimantan O
, O
Sulawesi O
, O
Maluku O
& O
Papua O
) O
. O
Kata O
Kunci— O
Indeks O
Inklusi O
Keuangan O
, O
Principal O
Component O
Analysis O
, O
Layanan O
Keuangan O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
yang O
diperoleh O
dari O
penelitian O
ini O
, O
didapatkan O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Indikator O
yang O
digunakan O
pada O
dimensi O
akses O
, O
ketersediaan O
dan O
penggunaan O
pada O
Indonesia O
maupun O
regional O
Indonesia O
telah O
ditentukan O
seusai O
pada O
Tabel O
II O
dan O
Tabel O
III. O
2. O
Hasil O
perthitungan O
nilai O
indeks O
Inklusi O
Keuangan O
Indonesia O
dengan O
metode B-METODE
analisis I-METODE
komponen I-METODE
utama I-METODE
dua O
tahap O
menunjukkan O
tren O
positif O
selama O
Sembilan O
tahun O
terakhir. O
3. O
Dimensi O
terpenting O
dalam O
mendefinisikan O
indeks O
inklusi O
keuangan O
di O
Indonesia O
adalah O
akses O
( O
access O
) O
diikuti O
dengan O
ketersediaan O
( O
availability O
) O
dan O
penggunaan O
( O
usage O
) O
. O
Hasil O
yang O
sama O
juga O
berlaku O
bagi O
regional O
Indonesia. O
inklusi O
keuangan O
indeks O
indeks O
4. O
Dashboard O
visualisasi O
data O
indeks O
inklusi O
keuangan O
di O
telah O
menampilkan O
visualisasi O
yang O
Indoneisa O
interaktif O
yang O
mana O
memudahkan O
pengguna O
dalam O
menganalisis O
perkembangan O
indeks O
inklusi O
keuangan O
Indonesia O
dan O
regional O
Indonesia. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
B. O
Saran O
Berdasarkan O
hasil O
implementasi O
perhitungan O
indeks O
inklusi O
keuangan O
pada O
Inonesia O
dan O
regional O
Indonesia O
, O
mungkin O
hal O
tersebut O
tidak O
berlaku O
untuk O
provinsi-provinsi O
bahkan O
kabupaten O
/ O
kota O
di O
Indonesia O
yang O
mana O
secara O
ekonomi O
dan O
sosial O
yang O
bersifat O
heterogen. O
Oleh O
karena O
itu O
, O
studi O
di O
tingkat O
kabupaten O
/ O
kota O
akan O
memberikann O
wawasan O
yanng O
lebih O
luas O
dari O
perspektif O
kebijakan. O
tingkat O
provinsi O
bahkan O
sampai O
Karena O
masih O
adanya O
keterbatasan O
data O
yang O
dapat O
dikumpulkan O
oleh O
peneliti O
sehingga O
perlu O
dilakukan O
integrasi O
secara O
langsung O
dengan O
sistem O
secara O
keseluruhan O
dengan O
big O
data O
dari O
lembaga O
keuangan O
di O
Indonesia O
seperti O
Bank O
Indonesia O
( O
BI O
) O
maupun O
Otoritas O
Jasa O
Keuangan O
( O
OJK O
) O
. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O

R O
Package O
Model O
Generalized O
Poisson O
untuk O
Small O
Area O
Estimation O
dengan O
Metode O
Hierarchical O
Bayes O
Studi O
Kasus O
: O
Data O
Kematian O
Bayi O
SDKI O
2017 O
Joice O
Evangelista O
Lase O
( O
221810359 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Azka O
Ubaidillah O
, O
SST O
, O
M. O
Si. O
diatasi O
penambahan O
tanpa O
melakukan O
Ringkasan— O
Ukuran O
sampel O
yang O
tidak O
mencukupi O
untuk O
area O
kecil O
dalam O
survei O
dapat O
menghasilkan O
pendugaan O
langsung O
yang O
kurang O
reliable O
karena O
memiliki O
standard O
error O
yang O
besar. O
Hal O
ini O
dapat O
sampel O
menggunakan O
Small B-METODE
Area I-METODE
Estimation. I-METODE
Selain O
itu O
, O
pada O
survei O
seringkali O
dijumpai O
data O
cacah O
yang O
tidak O
cocok O
diestimasi O
dengan O
model O
umum O
Small O
Area O
Estimation O
, O
yaitu O
model O
klasik O
Fay-Herriot O
, O
sehingga O
dibutuhkan O
model O
lain O
yang O
sesuai O
dengan O
kondisi O
data. O
Regresi O
Poisson O
umum O
digunakan O
untuk O
estimasi O
data O
cacah O
, O
namun O
data O
yang O
ditemukan O
seringkali O
melanggar O
asumsi O
equidispersi O
pada O
Poisson. O
Penelitian O
ini O
mengkaji B-TUJUAN
penerapan I-TUJUAN
model I-TUJUAN
Generalized I-TUJUAN
Poisson I-TUJUAN
untuk I-TUJUAN
Small I-TUJUAN
Area I-TUJUAN
Estimation. I-TUJUAN
Model O
Generalized O
Poisson O
mampu O
mengatasi O
kondisi O
pelanggaran O
asumsi O
equidispersi. O
Pendugaan O
parameter O
dengan O
metode O
Hierarchical O
Bayes O
cocok O
untuk O
pengolahan O
data O
cacah O
dan O
unggul O
dalam O
perhitungan O
yang O
kompleks. O
Model O
kemudian O
diimplementasikan O
dalam O
bentuk O
R B-TEMUAN
Package I-TEMUAN
‘saeHB.gpois’ I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
diakses I-TEMUAN
pada I-TEMUAN
http I-TEMUAN
: I-TEMUAN
/ I-TEMUAN
/ I-TEMUAN
cran.r-project.org I-TEMUAN
/ I-TEMUAN
package=saeHB. I-TEMUAN
gpois. I-TEMUAN
Package O
kemudian O
dievaluasi O
dengan O
uji B-METODE
validitas I-METODE
, O
kegunaan O
, O
dan O
studi O
kasus. O
Hasil B-TEMUAN
evaluasi I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
package I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
telah I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
yang I-TEMUAN
diharapkan I-TEMUAN
dan I-TEMUAN
layak I-TEMUAN
digunakan. I-TEMUAN
Kata O
Kunci— O
Small O
Area O
Estimation O
, O
Generalized O
Poisson O
, O
Hierarchical O
Bayes O
, O
R O
Package. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dikerjakan O
sampai O
saat O
ini O
, O
model B-TEMUAN
Generalized I-TEMUAN
Poisson I-TEMUAN
untuk I-TEMUAN
SAE I-TEMUAN
dengan I-TEMUAN
metode I-TEMUAN
HB I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
dan I-TEMUAN
diimplementasikan I-TEMUAN
dalam I-TEMUAN
bentuk I-TEMUAN
R I-TEMUAN
Package I-TEMUAN
bernama I-TEMUAN
‘saeHB.gpois’ I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diakses I-TEMUAN
pada I-TEMUAN
http I-TEMUAN
: I-TEMUAN
/ I-TEMUAN
/ I-TEMUAN
cran.r-project.org I-TEMUAN
/ I-TEMUAN
package=saeHB.gpois. I-TEMUAN
Uji B-METODE
validitas I-METODE
dengan O
menggunakan O
data O
bangkitan O
telah O
dilakukan O
dan O
menunjukkan O
bahwa O
algoritma B-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
Uji B-METODE
SUS I-METODE
yang O
dilakukan O
juga O
sudah O
menunjukkan O
bahwa O
R B-TEMUAN
Package I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Model O
SAE O
HB O
Generalized O
Poisson O
pada O
R O
Package O
‘saeHB.gpois’ O
telah O
diterapkan O
pada O
studi O
kasus O
, O
yaitu O
pendugaan O
terhadap O
nilai O
AKB O
dari O
SDKI O
2017 O
dengan O
data O
penyerta O
dari O
PODES O
2018. O
Pendugaan O
dilakukan O
pada O
level O
provinsi O
dengan O
periode O
perhitungan O
pendugaan O
langsung O
5 O
tahun O
dan O
10 O
tahun. O
Hasil O
pendugaan O
menunjukkan O
pendugaan O
dengan O
SAE O
menghasilkan O
nilai O
RSE O
kurang O
dari O
25 O
% O
untuk O
semua O
level O
provinsi O
baik O
pada O
periode O
5 O
tahun O
maupun O
10 O
tahun. O
Pendugaan O
yang O
dihasilkan O
oleh O
model O
SAE O
HB O
Generalized O
Poisson O
juga O
memberikan O
hasil O
pendugaan O
yang O
lebih O
efisien O
untuk O
masing-masing O
periode O
dibandingkan O
dengan O
pendugaan O
langsung O
dan O
model O
SAE O
HB O
Poisson. O
Model O
Generalized O
Poisson O
merupakan O
model O
yang O
dikembangkan O
untuk O
mengatasi O
overdispersi O
dan O
underdispersi O
pada O
data. O
Namun O
dibutuhkan O
pengembangan O
lagi O
untuk O
menyempurnakan O
model O
ini. O
Misalnya O
, O
terkait O
update O
atau O
7 O
/ O
8 O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
18 O
] O
Ruliana O
, O
P. O
Hendikawati O
, O
and O
A. O
Agoesanto O
, O
“Pemodelan O
Generalized O
Poisson O
Regression O
( O
Gpr O
) O
Untuk O
Mengatasi O
Pelanggaran O
Equidispersi O
Pada O
Regresi O
Poisson O
Kasus O
Campak O
Di O
Kota O
Semarang O
Tahun O
2013 O
, O
” O
UNNES O
Journal O
of O
Mathematics O
, O
vol. O
5 O
, O
no. O
1 O
, O
pp. O
39–46 O
, O
2016. O
[ O
19 O
] O
Rahmadeni O
and O
N. O
Sari O
, O
“Solusi O
Overdispersi O
Menggunakan O
Generalized O
Poisson O
Regression O
( O
Studi O
Kasus O
: O
Penderita O
HIV O
di O
Provinsi O
Riau O
) O
, O
” O
Jurnal O
Sains O
Matematika O
dan O
Statistika O
, O
vol. O
4 O
, O
no. O
2 O
, O
pp. O
28–36 O
, O
2018. O
[ O
20 O
] O
I. O
Ntzoufras O
, O
Bayesian O
Modeling O
Using O
WinBUGS. O
Hoboken O
, O
NJ O
, O
USA O
: O
John O
Wiley O
& O
Sons O
, O
Inc. O
, O
2009. O
doi O
: O
10.1002 O
/ O
9780470434567. O
[ O
21 O
] O
A. O
Ubaidillah O
, O
“Small O
Area O
Estimation O
Dengan O
Pendekatan O
Hierarchical O
Bayesian O
Neural O
Network O
untuk O
Pemetaan O
Kemiskinan O
di O
Kota O
Jambi O
, O
” O
Thesis O
, O
Institut O
Teknologi O
Sepuluh O
November O
, O
Surabaya O
, O
2014. O
[ O
22 O
] O
J. O
W. O
Hardin O
and O
J. O
M. O
Hilbe O
, O
Generalized O
linear O
models O
and O
extensions O
, O
2nd O
ed. O
Stata O
Press O
, O
2007. O
[ O
23 O
] O
A. O
Melliana O
, O
Y. O
Setyorini O
, O
H. O
Eko O
, O
S. O
Rosi O
, O
and O
Purhadi O
, O
“The O
Comparison O
Of O
Generalized O
Poisson O
Regression O
And O
Negative O
Binomial O
Reression O
Methods O
In O
Overcoming O
Overdispersion O
, O
” O
International O
Journal O
of O
Scientific O
& O
Technology O
Research O
, O
vol. O
2 O
, O
pp. O
255–258 O
, O
2013. O
[ O
24 O
] O
H. O
Zamani O
and O
N. O
Ismail O
, O
“Functional O
Form O
for O
the O
Generalized O
Poisson O
Regression O
Model O
, O
” O
Communications O
in O
Statistics O
- O
Theory O
and O
Methods O
, O
vol. O
41 O
, O
no. O
20 O
, O
pp. O
3666–3675 O
, O
Oct. O
2012 O
, O
doi O
: O
10.1080 O
/ O
03610926.2011.564742. O
[ O
25 O
] O
G. O
Wang O
, O
“Bayesian O
regression O
models O
for O
ecological O
count O
data O
in O
PyMC3 O
, O
” O
Ecological O
Informatics O
, O
vol. O
63 O
, O
Jul. O
2021 O
, O
doi O
: O
10.1016 O
/ O
j.ecoinf.2021.101301. O
[ O
26 O
] O
V. O
K. O
Vaishnavi O
, O
Design O
Science O
Research O
Methods O
and O
Patterns. O
Auerbach O
Publications O
, O
2007. O
doi O
: O
10.1201 O
/ O
9781420059335. O
[ O
27 O
] O
Z. O
Sharfina O
and O
H. O
B. O
Santoso O
, O
“An O
Indonesian O
adaptation O
of O
the O
System O
Usability O
Scale O
( O
SUS O
) O
, O
” O
in O
2016 O
International O
Conference O
on O
Advanced O
Computer O
Science O
and O
Information O
Systems O
( O
ICACSIS O
) O
, O
Oct. O
2016 O
, O
pp. O
145–148. O
doi O
: O
10.1109 O
/ O
ICACSIS.2016.7872776. O
[ O
28 O
] O
U. O
Ependi O
, O
T. O
B. O
Kurniawan O
, O
and O
F. O
Panjaitan O
, O
“SYSTEM O
USABILITY O
SCALE O
VS O
HEURISTIC O
EVALUATION O
: O
A O
REVIEW O
, O
” O
Simetris O
: O
Jurnal O
Teknik O
Mesin O
, O
Elektro O
dan O
Ilmu O
Komputer O
, O
vol. O
10 O
, O
no. O
1 O
, O
pp. O
65– O
74 O
, O
Apr. O
2019 O
, O
doi O
: O
10.24176 O
/ O
simet.v10i1.2725. O
[ O
29 O
] O
M. O
Elkasabi O
, O
“Calculating O
fertility O
and O
childhood O
mortality O
rates O
from O
survey O
data O
using O
the O
DHS.rates O
R O
package O
, O
” O
PLOS O
ONE O
, O
vol. O
14 O
, O
no. O
5 O
, O
p. O
e0216403 O
, O
May O
2019 O
, O
doi O
: O
10.1371 O
/ O
journal.pone.0216403. O
[ O
30 O
] O
BKKBN O
, O
BPS O
, O
Kemenkes O
, O
and O
ICF O
, O
“Indonesia O
Demographic O
and O
Health O
Survey O
2017 O
National O
Population O
and O
Family O
Planning O
Board O
Jakarta O
, O
Indonesia O
Statistics O
Indonesia O
Jakarta O
, O
Indonesia O
Ministry O
of O
Health O
Jakarta O
, O
Indonesia O
The O
DHS O
Program O
ICF O
Rockville O
, O
Maryland O
, O
USA O
, O
” O
Jakarta O
, O
2018. O
[ O
Online O
] O
. O
Available O
: O
www.DHSprogram.com. O
pembaruan O
nilai O
α. O
Selain O
itu O
, O
diperlukan O
model O
untuk O
mengatasi O
kasus O
excess O
zero O
pada O
data. O
Pengembangan O
model O
zero-inflated O
pada O
model O
Generalized O
Poisson O
, O
atau O
umum O
dikenal O
sebagai O
model O
ZIGP O
( O
Zero O
Inflated O
Generalized O
Poisson O
) O
dapat O
diterapkan O
ke O
dalam O
model O
SAE O
untuk O
penelitian O
selanjutnya. O
Sementara O
untuk O
studi O
kasus O
, O
pemilihan O
variabel O
penyerta O
yang O
digunakan O
dapat O
dilakukan O
dengan O
lebih O
baik O
lagi O
sehingga O
menghasilkan O
model O
dan O
hasil O
estimasi O
yang O
lebih O
baik. O

R O
Package O
Model O
Generalized O
Poisson O
untuk O
Small O
Area O
Estimation O
dengan O
Metode O
Hierarchical O
Bayes O
Studi O
Kasus O
: O
Data O
Kematian O
Bayi O
SDKI O
2017 O
Joice O
Evangelista O
Lase O
( O
221810359 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Azka O
Ubaidillah O
, O
SST O
, O
M. O
Si. O
diatasi O
penambahan O
tanpa O
melakukan O
Ringkasan— O
Ukuran O
sampel O
yang O
tidak O
mencukupi O
untuk O
area O
kecil O
dalam O
survei O
dapat O
menghasilkan O
pendugaan O
langsung O
yang O
kurang O
reliable O
karena O
memiliki O
standard O
error O
yang O
besar. O
Hal O
ini O
dapat O
sampel O
menggunakan O
Small B-METODE
Area I-METODE
Estimation. I-METODE
Selain O
itu O
, O
pada O
survei O
seringkali O
dijumpai O
data O
cacah O
yang O
tidak O
cocok O
diestimasi O
dengan O
model O
umum O
Small O
Area O
Estimation O
, O
yaitu O
model O
klasik O
Fay-Herriot O
, O
sehingga O
dibutuhkan O
model O
lain O
yang O
sesuai O
dengan O
kondisi O
data. O
Regresi O
Poisson O
umum O
digunakan O
untuk O
estimasi O
data O
cacah O
, O
namun O
data O
yang O
ditemukan O
seringkali O
melanggar O
asumsi O
equidispersi O
pada O
Poisson. O
Penelitian O
ini O
mengkaji B-TUJUAN
penerapan I-TUJUAN
model I-TUJUAN
Generalized I-TUJUAN
Poisson I-TUJUAN
untuk I-TUJUAN
Small I-TUJUAN
Area I-TUJUAN
Estimation. I-TUJUAN
Model O
Generalized O
Poisson O
mampu O
mengatasi O
kondisi O
pelanggaran O
asumsi O
equidispersi. O
Pendugaan O
parameter O
dengan O
metode O
Hierarchical O
Bayes O
cocok O
untuk O
pengolahan O
data O
cacah O
dan O
unggul O
dalam O
perhitungan O
yang O
kompleks. O
Model O
kemudian O
diimplementasikan O
dalam O
bentuk O
R B-TEMUAN
Package I-TEMUAN
‘saeHB.gpois’ I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
diakses I-TEMUAN
pada I-TEMUAN
http I-TEMUAN
: I-TEMUAN
/ I-TEMUAN
/ I-TEMUAN
cran.r-project.org I-TEMUAN
/ I-TEMUAN
package=saeHB. I-TEMUAN
gpois. I-TEMUAN
Package O
kemudian O
dievaluasi O
dengan O
uji B-METODE
validitas I-METODE
, O
kegunaan O
, O
dan O
studi O
kasus. O
Hasil B-TEMUAN
evaluasi I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
package I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
telah I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
yang I-TEMUAN
diharapkan I-TEMUAN
dan I-TEMUAN
layak I-TEMUAN
digunakan. I-TEMUAN
Kata O
Kunci— O
Small O
Area O
Estimation O
, O
Generalized O
Poisson O
, O
Hierarchical O
Bayes O
, O
R O
Package. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dikerjakan O
sampai O
saat O
ini O
, O
model B-TEMUAN
Generalized I-TEMUAN
Poisson I-TEMUAN
untuk I-TEMUAN
SAE I-TEMUAN
dengan I-TEMUAN
metode I-TEMUAN
HB I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
dan I-TEMUAN
diimplementasikan I-TEMUAN
dalam I-TEMUAN
bentuk I-TEMUAN
R I-TEMUAN
Package I-TEMUAN
bernama I-TEMUAN
‘saeHB.gpois’ I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diakses I-TEMUAN
pada I-TEMUAN
http I-TEMUAN
: I-TEMUAN
/ I-TEMUAN
/ I-TEMUAN
cran.r-project.org I-TEMUAN
/ I-TEMUAN
package=saeHB.gpois. I-TEMUAN
Uji B-METODE
validitas I-METODE
dengan O
menggunakan O
data O
bangkitan O
telah O
dilakukan O
dan O
menunjukkan O
bahwa O
algoritma B-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
Uji B-METODE
SUS I-METODE
yang O
dilakukan O
juga O
sudah O
menunjukkan O
bahwa O
R B-TEMUAN
Package I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Model O
SAE O
HB O
Generalized O
Poisson O
pada O
R O
Package O
‘saeHB.gpois’ O
telah O
diterapkan O
pada O
studi O
kasus O
, O
yaitu O
pendugaan O
terhadap O
nilai O
AKB O
dari O
SDKI O
2017 O
dengan O
data O
penyerta O
dari O
PODES O
2018. O
Pendugaan O
dilakukan O
pada O
level O
provinsi O
dengan O
periode O
perhitungan O
pendugaan O
langsung O
5 O
tahun O
dan O
10 O
tahun. O
Hasil O
pendugaan O
menunjukkan O
pendugaan O
dengan O
SAE O
menghasilkan O
nilai O
RSE O
kurang O
dari O
25 O
% O
untuk O
semua O
level O
provinsi O
baik O
pada O
periode O
5 O
tahun O
maupun O
10 O
tahun. O
Pendugaan O
yang O
dihasilkan O
oleh O
model O
SAE O
HB O
Generalized O
Poisson O
juga O
memberikan O
hasil O
pendugaan O
yang O
lebih O
efisien O
untuk O
masing-masing O
periode O
dibandingkan O
dengan O
pendugaan O
langsung O
dan O
model O
SAE O
HB O
Poisson. O
Model O
Generalized O
Poisson O
merupakan O
model O
yang O
dikembangkan O
untuk O
mengatasi O
overdispersi O
dan O
underdispersi O
pada O
data. O
Namun O
dibutuhkan O
pengembangan O
lagi O
untuk O
menyempurnakan O
model O
ini. O
Misalnya O
, O
terkait O
update O
atau O
7 O
/ O
8 O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
18 O
] O
Ruliana O
, O
P. O
Hendikawati O
, O
and O
A. O
Agoesanto O
, O
“Pemodelan O
Generalized O
Poisson O
Regression O
( O
Gpr O
) O
Untuk O
Mengatasi O
Pelanggaran O
Equidispersi O
Pada O
Regresi O
Poisson O
Kasus O
Campak O
Di O
Kota O
Semarang O
Tahun O
2013 O
, O
” O
UNNES O
Journal O
of O
Mathematics O
, O
vol. O
5 O
, O
no. O
1 O
, O
pp. O
39–46 O
, O
2016. O
[ O
19 O
] O
Rahmadeni O
and O
N. O
Sari O
, O
“Solusi O
Overdispersi O
Menggunakan O
Generalized O
Poisson O
Regression O
( O
Studi O
Kasus O
: O
Penderita O
HIV O
di O
Provinsi O
Riau O
) O
, O
” O
Jurnal O
Sains O
Matematika O
dan O
Statistika O
, O
vol. O
4 O
, O
no. O
2 O
, O
pp. O
28–36 O
, O
2018. O
[ O
20 O
] O
I. O
Ntzoufras O
, O
Bayesian O
Modeling O
Using O
WinBUGS. O
Hoboken O
, O
NJ O
, O
USA O
: O
John O
Wiley O
& O
Sons O
, O
Inc. O
, O
2009. O
doi O
: O
10.1002 O
/ O
9780470434567. O
[ O
21 O
] O
A. O
Ubaidillah O
, O
“Small O
Area O
Estimation O
Dengan O
Pendekatan O
Hierarchical O
Bayesian O
Neural O
Network O
untuk O
Pemetaan O
Kemiskinan O
di O
Kota O
Jambi O
, O
” O
Thesis O
, O
Institut O
Teknologi O
Sepuluh O
November O
, O
Surabaya O
, O
2014. O
[ O
22 O
] O
J. O
W. O
Hardin O
and O
J. O
M. O
Hilbe O
, O
Generalized O
linear O
models O
and O
extensions O
, O
2nd O
ed. O
Stata O
Press O
, O
2007. O
[ O
23 O
] O
A. O
Melliana O
, O
Y. O
Setyorini O
, O
H. O
Eko O
, O
S. O
Rosi O
, O
and O
Purhadi O
, O
“The O
Comparison O
Of O
Generalized O
Poisson O
Regression O
And O
Negative O
Binomial O
Reression O
Methods O
In O
Overcoming O
Overdispersion O
, O
” O
International O
Journal O
of O
Scientific O
& O
Technology O
Research O
, O
vol. O
2 O
, O
pp. O
255–258 O
, O
2013. O
[ O
24 O
] O
H. O
Zamani O
and O
N. O
Ismail O
, O
“Functional O
Form O
for O
the O
Generalized O
Poisson O
Regression O
Model O
, O
” O
Communications O
in O
Statistics O
- O
Theory O
and O
Methods O
, O
vol. O
41 O
, O
no. O
20 O
, O
pp. O
3666–3675 O
, O
Oct. O
2012 O
, O
doi O
: O
10.1080 O
/ O
03610926.2011.564742. O
[ O
25 O
] O
G. O
Wang O
, O
“Bayesian O
regression O
models O
for O
ecological O
count O
data O
in O
PyMC3 O
, O
” O
Ecological O
Informatics O
, O
vol. O
63 O
, O
Jul. O
2021 O
, O
doi O
: O
10.1016 O
/ O
j.ecoinf.2021.101301. O
[ O
26 O
] O
V. O
K. O
Vaishnavi O
, O
Design O
Science O
Research O
Methods O
and O
Patterns. O
Auerbach O
Publications O
, O
2007. O
doi O
: O
10.1201 O
/ O
9781420059335. O
[ O
27 O
] O
Z. O
Sharfina O
and O
H. O
B. O
Santoso O
, O
“An O
Indonesian O
adaptation O
of O
the O
System O
Usability O
Scale O
( O
SUS O
) O
, O
” O
in O
2016 O
International O
Conference O
on O
Advanced O
Computer O
Science O
and O
Information O
Systems O
( O
ICACSIS O
) O
, O
Oct. O
2016 O
, O
pp. O
145–148. O
doi O
: O
10.1109 O
/ O
ICACSIS.2016.7872776. O
[ O
28 O
] O
U. O
Ependi O
, O
T. O
B. O
Kurniawan O
, O
and O
F. O
Panjaitan O
, O
“SYSTEM O
USABILITY O
SCALE O
VS O
HEURISTIC O
EVALUATION O
: O
A O
REVIEW O
, O
” O
Simetris O
: O
Jurnal O
Teknik O
Mesin O
, O
Elektro O
dan O
Ilmu O
Komputer O
, O
vol. O
10 O
, O
no. O
1 O
, O
pp. O
65– O
74 O
, O
Apr. O
2019 O
, O
doi O
: O
10.24176 O
/ O
simet.v10i1.2725. O
[ O
29 O
] O
M. O
Elkasabi O
, O
“Calculating O
fertility O
and O
childhood O
mortality O
rates O
from O
survey O
data O
using O
the O
DHS.rates O
R O
package O
, O
” O
PLOS O
ONE O
, O
vol. O
14 O
, O
no. O
5 O
, O
p. O
e0216403 O
, O
May O
2019 O
, O
doi O
: O
10.1371 O
/ O
journal.pone.0216403. O
[ O
30 O
] O
BKKBN O
, O
BPS O
, O
Kemenkes O
, O
and O
ICF O
, O
“Indonesia O
Demographic O
and O
Health O
Survey O
2017 O
National O
Population O
and O
Family O
Planning O
Board O
Jakarta O
, O
Indonesia O
Statistics O
Indonesia O
Jakarta O
, O
Indonesia O
Ministry O
of O
Health O
Jakarta O
, O
Indonesia O
The O
DHS O
Program O
ICF O
Rockville O
, O
Maryland O
, O
USA O
, O
” O
Jakarta O
, O
2018. O
[ O
Online O
] O
. O
Available O
: O
www.DHSprogram.com. O
pembaruan O
nilai O
α. O
Selain O
itu O
, O
diperlukan O
model O
untuk O
mengatasi O
kasus O
excess O
zero O
pada O
data. O
Pengembangan O
model O
zero-inflated O
pada O
model O
Generalized O
Poisson O
, O
atau O
umum O
dikenal O
sebagai O
model O
ZIGP O
( O
Zero O
Inflated O
Generalized O
Poisson O
) O
dapat O
diterapkan O
ke O
dalam O
model O
SAE O
untuk O
penelitian O
selanjutnya. O
Sementara O
untuk O
studi O
kasus O
, O
pemilihan O
variabel O
penyerta O
yang O
digunakan O
dapat O
dilakukan O
dengan O
lebih O
baik O
lagi O
sehingga O
menghasilkan O
model O
dan O
hasil O
estimasi O
yang O
lebih O
baik. O

Rancang O
Bangun O
Dashboard O
Dinamis O
Small O
Area O
Estimation O
( O
SAE O
) O
BPS O
Modul O
Backend O
Jafar O
Husaini O
Aziz O
( O
221810354 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Margaretha O
Ari O
Anggorowati O
, O
S.Kom. O
, O
M.T O
Ringkasan O
— O
BPS O
telah O
melakukan O
berbagai O
riset O
dalam O
mengembangkan O
metode O
Small O
Area O
Estimation O
( O
SAE O
) O
. O
Hasil O
riset-riset O
yang O
telah O
dilakukan O
tersebut O
banyak O
yang O
telah O
diimplementasikan O
dalam O
bentuk O
R O
package O
dan O
saling O
terpisah O
antar O
riset O
satu O
dengan O
lainnya O
, O
sehingga O
belum O
terintegrasi O
sebagai O
satu O
bagian O
yang O
utuh O
sebagai O
produk O
BPS. O
Berdasarkan O
masalah O
tersebut O
, O
penelitian O
ini O
bertujuan O
untuk O
memberikan B-TUJUAN
solusi I-TUJUAN
berupa I-TUJUAN
dashboard I-TUJUAN
dinamis I-TUJUAN
yang I-TUJUAN
memanfaatkan I-TUJUAN
R I-TUJUAN
package I-TUJUAN
hasil I-TUJUAN
riset-riset I-TUJUAN
tersebut I-TUJUAN
untuk I-TUJUAN
melakukan I-TUJUAN
estimasi I-TUJUAN
kemudian I-TUJUAN
memvisualisasikan I-TUJUAN
hasilnya. I-TUJUAN
Penelitian O
ini O
hanya O
berfokus O
pada O
pembuatan O
modul O
backend O
yang O
mengembangkan O
backend O
services O
dan O
R O
services. O
Metode O
pengembangan O
sistem O
yang O
digunakan O
dalam O
penelitian O
ini O
adalah O
Rapid B-METODE
Application I-METODE
Development I-METODE
atau I-METODE
RAD. I-METODE
Hasil B-TEMUAN
dari I-TEMUAN
kedua I-TEMUAN
services I-TEMUAN
tersebut I-TEMUAN
berupa I-TEMUAN
API I-TEMUAN
endpoint. I-TEMUAN
Backend I-TEMUAN
service I-TEMUAN
menghasilkan I-TEMUAN
57 I-TEMUAN
endpoint I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
fungsi I-TEMUAN
mulai I-TEMUAN
dari I-TEMUAN
autentikasi I-TEMUAN
, I-TEMUAN
hingga I-TEMUAN
pembuatan I-TEMUAN
project. I-TEMUAN
Lalu I-TEMUAN
R I-TEMUAN
service I-TEMUAN
menghasilkan I-TEMUAN
159 I-TEMUAN
endpoint I-TEMUAN
yang I-TEMUAN
berisi I-TEMUAN
implementasi I-TEMUAN
method I-TEMUAN
dari I-TEMUAN
R I-TEMUAN
package I-TEMUAN
SAE I-TEMUAN
, I-TEMUAN
informasi I-TEMUAN
method I-TEMUAN
, I-TEMUAN
form I-TEMUAN
dinamis I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
beberapa I-TEMUAN
endpoint I-TEMUAN
tambahan I-TEMUAN
untuk I-TEMUAN
pengolahan I-TEMUAN
data I-TEMUAN
seperti I-TEMUAN
membuat I-TEMUAN
geoJSON I-TEMUAN
dari I-TEMUAN
wilayah I-TEMUAN
di I-TEMUAN
Indonesia. I-TEMUAN
Kata O
Kunci— O
Dashboard O
, O
Small O
Area O
Estimation O
, O
Backend O
[SEP] O
A. O
Kesimpulan O
Kesimpulan O
yang O
didapatkan O
pada O
pembangunan O
sistem O
ini O
adalah O
: O
1. O
Hasil B-TEMUAN
dari I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
adalah I-TEMUAN
dua I-TEMUAN
services I-TEMUAN
yaitu I-TEMUAN
Backend I-TEMUAN
Service I-TEMUAN
dan I-TEMUAN
R I-TEMUAN
services. I-TEMUAN
Backend O
Services O
merupakan O
ser- O
vice O
yang O
bertujuan O
untuk O
mengatur O
logic O
yang O
ada O
pada O
aplikasi O
, O
mulai O
dari O
autentikasi O
, O
pembuatan O
project O
, O
dash- O
board O
, O
data O
, O
dan O
simulasi. O
R O
service O
adalah O
service O
yang O
berfungsi O
sebagai O
service O
pengolahan O
data O
yang O
bertujuan O
untuk O
melakukan O
estimasi O
SAE O
menggunakan O
R O
package O
implementasi O
SAE. O
PUT O
, O
dan O
DELETE. O
Backend O
2. O
Hasil O
dari O
kedua O
service O
tersebut O
berupa O
API O
endpoint O
yang O
dapat O
diakses O
dengan O
HTTP O
method O
seperti O
GET O
, O
POST O
, O
Service O
menghasilkan O
57 O
endpoint O
yang O
memiliki O
fungsi O
mulai O
dari O
autentikasi O
, O
hingga O
pembuatan O
project. O
Lalu O
R O
service O
menghasilkan O
159 O
endpoint O
yang O
berisi O
implementasi O
method O
dari O
R O
package O
SAE O
, O
informasi O
method O
, O
form O
dinamis O
, O
dan O
beberapa O
endpoint O
tambahan O
untuk O
pen- O
golahan O
data O
seperti O
membuat O
geoJSON O
dari O
wilayah O
di O
Indonesia. O
B. O
Saran O
Sistem O
yang O
dibangun O
masih O
memiliki O
kekurangan O
, O
sehingga O
masih O
butuh O
disempurnakan O
lagi O
dan O
penambahan O
fitur-fitur O
tambahan. O
Berikut O
adalah O
beberapa O
saran O
dari O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
peneliti O
kedepannya O
maupun O
kepada O
pengguna O
sistem O
: O
terhadap O
pengembangan O
sistem O
ini O
dan O
SAE O
1. O
Perlu O
adanya O
kajian O
lebih O
lanjut O
terhadap O
performa O
dari O
semua O
R O
package O
SAE O
dengan O
membandingkan O
waktu O
dan O
resource O
yang O
digunakan O
, O
serta O
hasil O
yang O
didapat. O
2. O
Perlu O
adanya O
optimasi O
terhadap O
R O
service O
sehingga O
dapat O
memproses O
request O
lebih O
banyak O
, O
seperti O
penam- O
bahan O
worker O
atau O
melakukan O
horizontal O
scaling. O
3. O
Pengembangan O
R O
package O
SAE O
sebaiknya O
dilakukan O
secara O
kolektif O
dalam O
suatu O
package O
, O
sehingga O
hasilnya O
lebih O
terstruktur O
, O
meminimalisir O
error O
, O
dan O
juga O
mem- O
permudah O
dalam O
development O
, O
serta O
project O
dapat O
dikembangkan O
terus-menerus. O

Rancang O
Bangun O
Dashboard O
Dinamis O
Small O
Area O
Estimation O
( O
SAE O
) O
BPS O
Modul O
Backend O
Jafar O
Husaini O
Aziz O
( O
221810354 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Margaretha O
Ari O
Anggorowati O
, O
S.Kom. O
, O
M.T O
Ringkasan O
— O
BPS O
telah O
melakukan O
berbagai O
riset O
dalam O
mengembangkan O
metode O
Small O
Area O
Estimation O
( O
SAE O
) O
. O
Hasil O
riset-riset O
yang O
telah O
dilakukan O
tersebut O
banyak O
yang O
telah O
diimplementasikan O
dalam O
bentuk O
R O
package O
dan O
saling O
terpisah O
antar O
riset O
satu O
dengan O
lainnya O
, O
sehingga O
belum O
terintegrasi O
sebagai O
satu O
bagian O
yang O
utuh O
sebagai O
produk O
BPS. O
Berdasarkan O
masalah O
tersebut O
, O
penelitian O
ini O
bertujuan O
untuk O
memberikan B-TUJUAN
solusi I-TUJUAN
berupa I-TUJUAN
dashboard I-TUJUAN
dinamis I-TUJUAN
yang I-TUJUAN
memanfaatkan I-TUJUAN
R I-TUJUAN
package I-TUJUAN
hasil I-TUJUAN
riset-riset I-TUJUAN
tersebut I-TUJUAN
untuk I-TUJUAN
melakukan I-TUJUAN
estimasi I-TUJUAN
kemudian I-TUJUAN
memvisualisasikan I-TUJUAN
hasilnya. I-TUJUAN
Penelitian O
ini O
hanya O
berfokus O
pada O
pembuatan O
modul O
backend O
yang O
mengembangkan O
backend O
services O
dan O
R O
services. O
Metode O
pengembangan O
sistem O
yang O
digunakan O
dalam O
penelitian O
ini O
adalah O
Rapid B-METODE
Application I-METODE
Development I-METODE
atau I-METODE
RAD. I-METODE
Hasil B-TEMUAN
dari I-TEMUAN
kedua I-TEMUAN
services I-TEMUAN
tersebut I-TEMUAN
berupa I-TEMUAN
API I-TEMUAN
endpoint. I-TEMUAN
Backend I-TEMUAN
service I-TEMUAN
menghasilkan I-TEMUAN
57 I-TEMUAN
endpoint I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
fungsi I-TEMUAN
mulai I-TEMUAN
dari I-TEMUAN
autentikasi I-TEMUAN
, I-TEMUAN
hingga I-TEMUAN
pembuatan I-TEMUAN
project. I-TEMUAN
Lalu I-TEMUAN
R I-TEMUAN
service I-TEMUAN
menghasilkan I-TEMUAN
159 I-TEMUAN
endpoint I-TEMUAN
yang I-TEMUAN
berisi I-TEMUAN
implementasi I-TEMUAN
method I-TEMUAN
dari I-TEMUAN
R I-TEMUAN
package I-TEMUAN
SAE I-TEMUAN
, I-TEMUAN
informasi I-TEMUAN
method I-TEMUAN
, I-TEMUAN
form I-TEMUAN
dinamis I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
beberapa I-TEMUAN
endpoint I-TEMUAN
tambahan I-TEMUAN
untuk I-TEMUAN
pengolahan I-TEMUAN
data I-TEMUAN
seperti I-TEMUAN
membuat I-TEMUAN
geoJSON I-TEMUAN
dari I-TEMUAN
wilayah I-TEMUAN
di I-TEMUAN
Indonesia. I-TEMUAN
Kata O
Kunci— O
Dashboard O
, O
Small O
Area O
Estimation O
, O
Backend O
[SEP] O
A. O
Kesimpulan O
Kesimpulan O
yang O
didapatkan O
pada O
pembangunan O
sistem O
ini O
adalah O
: O
1. O
Hasil B-TEMUAN
dari I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
adalah I-TEMUAN
dua I-TEMUAN
services I-TEMUAN
yaitu I-TEMUAN
Backend I-TEMUAN
Service I-TEMUAN
dan I-TEMUAN
R I-TEMUAN
services. I-TEMUAN
Backend O
Services O
merupakan O
ser- O
vice O
yang O
bertujuan O
untuk O
mengatur O
logic O
yang O
ada O
pada O
aplikasi O
, O
mulai O
dari O
autentikasi O
, O
pembuatan O
project O
, O
dash- O
board O
, O
data O
, O
dan O
simulasi. O
R O
service O
adalah O
service O
yang O
berfungsi O
sebagai O
service O
pengolahan O
data O
yang O
bertujuan O
untuk O
melakukan O
estimasi O
SAE O
menggunakan O
R O
package O
implementasi O
SAE. O
PUT O
, O
dan O
DELETE. O
Backend O
2. O
Hasil O
dari O
kedua O
service O
tersebut O
berupa O
API O
endpoint O
yang O
dapat O
diakses O
dengan O
HTTP O
method O
seperti O
GET O
, O
POST O
, O
Service O
menghasilkan O
57 O
endpoint O
yang O
memiliki O
fungsi O
mulai O
dari O
autentikasi O
, O
hingga O
pembuatan O
project. O
Lalu O
R O
service O
menghasilkan O
159 O
endpoint O
yang O
berisi O
implementasi O
method O
dari O
R O
package O
SAE O
, O
informasi O
method O
, O
form O
dinamis O
, O
dan O
beberapa O
endpoint O
tambahan O
untuk O
pen- O
golahan O
data O
seperti O
membuat O
geoJSON O
dari O
wilayah O
di O
Indonesia. O
B. O
Saran O
Sistem O
yang O
dibangun O
masih O
memiliki O
kekurangan O
, O
sehingga O
masih O
butuh O
disempurnakan O
lagi O
dan O
penambahan O
fitur-fitur O
tambahan. O
Berikut O
adalah O
beberapa O
saran O
dari O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
peneliti O
kedepannya O
maupun O
kepada O
pengguna O
sistem O
: O
terhadap O
pengembangan O
sistem O
ini O
dan O
SAE O
1. O
Perlu O
adanya O
kajian O
lebih O
lanjut O
terhadap O
performa O
dari O
semua O
R O
package O
SAE O
dengan O
membandingkan O
waktu O
dan O
resource O
yang O
digunakan O
, O
serta O
hasil O
yang O
didapat. O
2. O
Perlu O
adanya O
optimasi O
terhadap O
R O
service O
sehingga O
dapat O
memproses O
request O
lebih O
banyak O
, O
seperti O
penam- O
bahan O
worker O
atau O
melakukan O
horizontal O
scaling. O
3. O
Pengembangan O
R O
package O
SAE O
sebaiknya O
dilakukan O
secara O
kolektif O
dalam O
suatu O
package O
, O
sehingga O
hasilnya O
lebih O
terstruktur O
, O
meminimalisir O
error O
, O
dan O
juga O
mem- O
permudah O
dalam O
development O
, O
serta O
project O
dapat O
dikembangkan O
terus-menerus. O

Rancang O
Bangun O
Dashboard O
Dinamis O
Small O
Area O
Estimation O
( O
SAE O
) O
BPS O
Modul O
Backend O
Jafar O
Husaini O
Aziz O
( O
221810354 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Margaretha O
Ari O
Anggorowati O
, O
S.Kom. O
, O
M.T O
Ringkasan O
— O
BPS O
telah O
melakukan O
berbagai O
riset O
dalam O
mengembangkan O
metode O
Small O
Area O
Estimation O
( O
SAE O
) O
. O
Hasil O
riset-riset O
yang O
telah O
dilakukan O
tersebut O
banyak O
yang O
telah O
diimplementasikan O
dalam O
bentuk O
R O
package O
dan O
saling O
terpisah O
antar O
riset O
satu O
dengan O
lainnya O
, O
sehingga O
belum O
terintegrasi O
sebagai O
satu O
bagian O
yang O
utuh O
sebagai O
produk O
BPS. O
Berdasarkan O
masalah O
tersebut O
, O
penelitian O
ini O
bertujuan O
untuk O
memberikan B-TUJUAN
solusi I-TUJUAN
berupa I-TUJUAN
dashboard I-TUJUAN
dinamis I-TUJUAN
yang I-TUJUAN
memanfaatkan I-TUJUAN
R I-TUJUAN
package I-TUJUAN
hasil I-TUJUAN
riset-riset I-TUJUAN
tersebut I-TUJUAN
untuk I-TUJUAN
melakukan I-TUJUAN
estimasi I-TUJUAN
kemudian I-TUJUAN
memvisualisasikan I-TUJUAN
hasilnya. I-TUJUAN
Penelitian O
ini O
hanya O
berfokus O
pada O
pembuatan O
modul O
backend O
yang O
mengembangkan O
backend O
services O
dan O
R O
services. O
Metode O
pengembangan O
sistem O
yang O
digunakan O
dalam O
penelitian O
ini O
adalah O
Rapid B-METODE
Application I-METODE
Development I-METODE
atau I-METODE
RAD. I-METODE
Hasil B-TEMUAN
dari I-TEMUAN
kedua I-TEMUAN
services I-TEMUAN
tersebut I-TEMUAN
berupa I-TEMUAN
API I-TEMUAN
endpoint. I-TEMUAN
Backend I-TEMUAN
service I-TEMUAN
menghasilkan I-TEMUAN
57 I-TEMUAN
endpoint I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
fungsi I-TEMUAN
mulai I-TEMUAN
dari I-TEMUAN
autentikasi I-TEMUAN
, I-TEMUAN
hingga I-TEMUAN
pembuatan I-TEMUAN
project. I-TEMUAN
Lalu I-TEMUAN
R I-TEMUAN
service I-TEMUAN
menghasilkan I-TEMUAN
159 I-TEMUAN
endpoint I-TEMUAN
yang I-TEMUAN
berisi I-TEMUAN
implementasi I-TEMUAN
method I-TEMUAN
dari I-TEMUAN
R I-TEMUAN
package I-TEMUAN
SAE I-TEMUAN
, I-TEMUAN
informasi I-TEMUAN
method I-TEMUAN
, I-TEMUAN
form I-TEMUAN
dinamis I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
beberapa I-TEMUAN
endpoint I-TEMUAN
tambahan I-TEMUAN
untuk I-TEMUAN
pengolahan I-TEMUAN
data I-TEMUAN
seperti I-TEMUAN
membuat I-TEMUAN
geoJSON I-TEMUAN
dari I-TEMUAN
wilayah I-TEMUAN
di I-TEMUAN
Indonesia. I-TEMUAN
Kata O
Kunci— O
Dashboard O
, O
Small O
Area O
Estimation O
, O
Backend O
[SEP] O
A. O
Kesimpulan O
Kesimpulan O
yang O
didapatkan O
pada O
pembangunan O
sistem O
ini O
adalah O
: O
1. O
Hasil B-TEMUAN
dari I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
adalah I-TEMUAN
dua I-TEMUAN
services I-TEMUAN
yaitu I-TEMUAN
Backend I-TEMUAN
Service I-TEMUAN
dan I-TEMUAN
R I-TEMUAN
services. I-TEMUAN
Backend O
Services O
merupakan O
ser- O
vice O
yang O
bertujuan O
untuk O
mengatur O
logic O
yang O
ada O
pada O
aplikasi O
, O
mulai O
dari O
autentikasi O
, O
pembuatan O
project O
, O
dash- O
board O
, O
data O
, O
dan O
simulasi. O
R O
service O
adalah O
service O
yang O
berfungsi O
sebagai O
service O
pengolahan O
data O
yang O
bertujuan O
untuk O
melakukan O
estimasi O
SAE O
menggunakan O
R O
package O
implementasi O
SAE. O
PUT O
, O
dan O
DELETE. O
Backend O
2. O
Hasil O
dari O
kedua O
service O
tersebut O
berupa O
API O
endpoint O
yang O
dapat O
diakses O
dengan O
HTTP O
method O
seperti O
GET O
, O
POST O
, O
Service O
menghasilkan O
57 O
endpoint O
yang O
memiliki O
fungsi O
mulai O
dari O
autentikasi O
, O
hingga O
pembuatan O
project. O
Lalu O
R O
service O
menghasilkan O
159 O
endpoint O
yang O
berisi O
implementasi O
method O
dari O
R O
package O
SAE O
, O
informasi O
method O
, O
form O
dinamis O
, O
dan O
beberapa O
endpoint O
tambahan O
untuk O
pen- O
golahan O
data O
seperti O
membuat O
geoJSON O
dari O
wilayah O
di O
Indonesia. O
B. O
Saran O
Sistem O
yang O
dibangun O
masih O
memiliki O
kekurangan O
, O
sehingga O
masih O
butuh O
disempurnakan O
lagi O
dan O
penambahan O
fitur-fitur O
tambahan. O
Berikut O
adalah O
beberapa O
saran O
dari O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
peneliti O
kedepannya O
maupun O
kepada O
pengguna O
sistem O
: O
terhadap O
pengembangan O
sistem O
ini O
dan O
SAE O
1. O
Perlu O
adanya O
kajian O
lebih O
lanjut O
terhadap O
performa O
dari O
semua O
R O
package O
SAE O
dengan O
membandingkan O
waktu O
dan O
resource O
yang O
digunakan O
, O
serta O
hasil O
yang O
didapat. O
2. O
Perlu O
adanya O
optimasi O
terhadap O
R O
service O
sehingga O
dapat O
memproses O
request O
lebih O
banyak O
, O
seperti O
penam- O
bahan O
worker O
atau O
melakukan O
horizontal O
scaling. O
3. O
Pengembangan O
R O
package O
SAE O
sebaiknya O
dilakukan O
secara O
kolektif O
dalam O
suatu O
package O
, O
sehingga O
hasilnya O
lebih O
terstruktur O
, O
meminimalisir O
error O
, O
dan O
juga O
mem- O
permudah O
dalam O
development O
, O
serta O
project O
dapat O
dikembangkan O
terus-menerus. O

Segmentasi O
Geografis O
dengan O
Fuzzy O
K-Prototype O
pada O
Data O
Marketplace O
Indonesia O
Irvan O
Permana O
Bustami O
( O
221810350 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Setia O
Pramana O
, O
Ph.D O
Ringkasan— O
Marketplace O
merupakan O
situs O
web O
yang O
menyediakan O
tempat O
secara O
daring O
untuk O
para O
pelaku O
usaha O
untuk O
menjual O
produknya O
di O
situs O
web O
tersebut. O
Perkembangan O
marketplace O
di O
Indonesia O
dapat O
dikatakan O
bergerak O
sangat O
cepat. O
Indonesia O
merupakan O
negara O
yang O
paling O
besar O
kenaikan O
indeks O
volume O
penelusuran O
untuk O
kueri O
terkait O
pedagang O
dan O
penjual O
yaitu O
sebesar O
18 O
kali O
sejak O
tahun O
2017. O
Setiap B-TUJUAN
wilayah I-TUJUAN
mempunyai I-TUJUAN
karakteristik I-TUJUAN
marketplace I-TUJUAN
yang I-TUJUAN
menarik I-TUJUAN
untuk I-TUJUAN
dianalisis I-TUJUAN
sehingga I-TUJUAN
segmentasi I-TUJUAN
geografis I-TUJUAN
akan I-TUJUAN
dilakukan. I-TUJUAN
Data O
bersumber O
dari O
salah O
satu O
marketplace O
di O
Indonesia O
dan O
diambil O
dengan O
metode O
web O
scraping. O
Metode O
analisis O
yang O
digunakan O
adalah O
analisis O
deskriptif O
dan O
analisis O
klaster. O
Analisis B-METODE
deskriptif I-METODE
yang O
digunakan O
bertujuan O
untuk O
melihat O
gambaran O
dari O
beberapa O
atau O
semua O
variabel O
yang O
ada. O
Analisis B-METODE
klaster I-METODE
digunakan O
untuk O
melihat O
segmentasi O
geografis O
dari O
data O
toko O
dan O
produk O
di O
suatu O
wilayah O
tertentu. O
Toko O
pada O
marketplace O
paling O
banyak O
berasal O
dari O
Pulau O
Jawa. O
Web B-METODE
scraping I-METODE
juga O
sudah O
dilakukan O
untuk O
mendapatkan O
data O
produk. O
Hasil B-TEMUAN
dari I-TEMUAN
analisis I-TEMUAN
klaster I-TEMUAN
didapatkan I-TEMUAN
empat I-TEMUAN
klaster I-TEMUAN
baik I-TEMUAN
untuk I-TEMUAN
data I-TEMUAN
produk I-TEMUAN
maupun I-TEMUAN
toko I-TEMUAN
di I-TEMUAN
Provinsi I-TEMUAN
DKI I-TEMUAN
Jakarta. I-TEMUAN
Adapun I-TEMUAN
profil I-TEMUAN
masing-masing I-TEMUAN
kabupaten I-TEMUAN
/ I-TEMUAN
kota I-TEMUAN
di I-TEMUAN
DKI I-TEMUAN
Jakarta I-TEMUAN
dapat I-TEMUAN
terlihat I-TEMUAN
pada I-TEMUAN
kategori I-TEMUAN
produknya. I-TEMUAN
Jakarta O
Barat O
menjual O
produk O
Pertukangan O
, O
Jakarta O
Pusat O
menjual O
produk O
Elektronik O
, O
Jakarta O
Selatan O
menjual O
produk O
Makanan O
& O
Minuman O
, O
Jakarta O
Timur O
menjual O
produk O
Kesehatan O
, O
Jakarta O
Utara O
menjual O
produk O
Otomotif O
, O
dan O
Kepulauan O
Seribu O
menjual O
produk O
pakaian. O
Kata O
Kunci— O
marketplace O
, O
web O
scraping O
, O
segmentasi O
, O
klaster. O
[SEP] O
2. O
Jumlah O
toko O
yang O
terdapat O
pada O
marketplace O
setelah O
dilakukan O
preprocessing O
adalah O
10.462.386 O
toko. O
Jumlah O
produk O
dari O
1.000.000 O
toko O
yang O
sudah O
dilakukan O
sampling O
adalah O
48.828.357 O
produk. O
Marketplace O
didirikan O
pada O
Juli O
2009 O
dan O
mulai O
tahun O
2014 O
dengan O
terkenal O
pada O
pertengahan O
pertambahan O
toko O
paling O
besar O
terjadi O
pada O
Oktober O
2018. O
Mayoritas O
, O
toko O
pada O
marketplace O
berasal O
dari O
Pulau O
Jawa O
dengan O
Provinsi O
DKI O
Jakarta O
yang O
merupakan O
asal O
provinsi O
dari O
toko O
yang O
paling O
banyak O
berada. O
3. O
Proses O
web O
scraping O
untuk O
data O
produk O
sudah O
dibangun O
dengan O
bahasa O
JavaScript. O
4. O
Terdapat O
empat O
klaster O
baik O
untuk O
toko O
maupun O
produk. O
Klaster O
toko O
1 O
adalah O
toko O
yang O
menjual O
barang-barang O
yang O
laris. O
Toko O
2 O
adalah O
toko O
dengan O
produk O
yang O
paling O
sering O
dijual O
di O
marketplace. O
Toko O
3 O
adalah O
toko O
yang O
menjual O
produk O
yang O
cukup O
laku O
di O
pasar O
tetapi O
harga O
produk O
rendah. O
Toko O
4 O
adalah O
toko O
yang O
menjual O
barang-barang O
elektronik. O
Adapun O
produk O
1 O
dan O
produk O
4 O
adalah O
produk O
yang O
laku O
di O
pasaran O
dengan O
harga O
produk O
1 O
lebih O
murah O
dibandingkan O
produk O
4. O
Produk O
2 O
dan O
3 O
adalah O
produk O
yang O
kurang O
laku O
di O
pasaran O
dan O
kurang O
direkomendasikan O
untuk O
dijual O
di O
marketplace O
dengan O
harga O
produk O
2 O
lebih O
tinggi O
harganya O
dibandingkan O
produk O
profil O
masing-masing O
kabupaten O
/ O
kota O
di O
DKI O
Jakarta O
dapat O
terlihat O
pada O
kategori O
produknya. O
Jakarta O
Barat O
menjual O
produk O
Pertukangan O
, O
Jakarta O
Pusat O
menjual O
produk O
Elektronik O
, O
Jakarta O
Selatan O
menjual O
produk O
Makanan O
& O
Minuman O
, O
Jakarta O
Timur O
menjual O
produk O
Kesehatan O
, O
Jakarta O
Utara O
menjual O
produk O
Otomotif O
, O
dan O
Kepulauan O
Seribu O
menjual O
produk O
pakaian. O
Adapun O
3. O
B. O
Saran O
Makalah O
Seminar O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
Untuk O
penelitian O
selanjutnya O
, O
pencirian O
dari O
toko O
dapat O
dilakukan O
klasifikasi O
dikarenakan O
89 O
% O
atau O
sekitar O
9 O
dari O
10 O
toko O
menjual O
barang O
yang O
konsisten O
sehingga O
toko O
dapat O
dikenali O
dari O
produk O
yang O
dijual O
dan O
dapat O
dilakukan O
klasifikasi. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O
[ O
16 O
] O
[ O
17 O
] O
[ O
18 O
] O
[ O
19 O
] O
[ O
20 O
] O

Segmentasi O
Geografis O
dengan O
Fuzzy O
K-Prototype O
pada O
Data O
Marketplace O
Indonesia O
Irvan O
Permana O
Bustami O
( O
221810350 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Setia O
Pramana O
, O
Ph.D O
Ringkasan— O
Marketplace O
merupakan O
situs O
web O
yang O
menyediakan O
tempat O
secara O
daring O
untuk O
para O
pelaku O
usaha O
untuk O
menjual O
produknya O
di O
situs O
web O
tersebut. O
Perkembangan O
marketplace O
di O
Indonesia O
dapat O
dikatakan O
bergerak O
sangat O
cepat. O
Indonesia O
merupakan O
negara O
yang O
paling O
besar O
kenaikan O
indeks O
volume O
penelusuran O
untuk O
kueri O
terkait O
pedagang O
dan O
penjual O
yaitu O
sebesar O
18 O
kali O
sejak O
tahun O
2017. O
Setiap B-TUJUAN
wilayah I-TUJUAN
mempunyai I-TUJUAN
karakteristik I-TUJUAN
marketplace I-TUJUAN
yang I-TUJUAN
menarik I-TUJUAN
untuk I-TUJUAN
dianalisis I-TUJUAN
sehingga I-TUJUAN
segmentasi I-TUJUAN
geografis I-TUJUAN
akan I-TUJUAN
dilakukan. I-TUJUAN
Data O
bersumber O
dari O
salah O
satu O
marketplace O
di O
Indonesia O
dan O
diambil O
dengan O
metode O
web O
scraping. O
Metode O
analisis O
yang O
digunakan O
adalah O
analisis O
deskriptif O
dan O
analisis O
klaster. O
Analisis B-METODE
deskriptif I-METODE
yang O
digunakan O
bertujuan O
untuk O
melihat O
gambaran O
dari O
beberapa O
atau O
semua O
variabel O
yang O
ada. O
Analisis B-METODE
klaster I-METODE
digunakan O
untuk O
melihat O
segmentasi O
geografis O
dari O
data O
toko O
dan O
produk O
di O
suatu O
wilayah O
tertentu. O
Toko O
pada O
marketplace O
paling O
banyak O
berasal O
dari O
Pulau O
Jawa. O
Web B-METODE
scraping I-METODE
juga O
sudah O
dilakukan O
untuk O
mendapatkan O
data O
produk. O
Hasil B-TEMUAN
dari I-TEMUAN
analisis I-TEMUAN
klaster I-TEMUAN
didapatkan I-TEMUAN
empat I-TEMUAN
klaster I-TEMUAN
baik I-TEMUAN
untuk I-TEMUAN
data I-TEMUAN
produk I-TEMUAN
maupun I-TEMUAN
toko I-TEMUAN
di I-TEMUAN
Provinsi I-TEMUAN
DKI I-TEMUAN
Jakarta. I-TEMUAN
Adapun I-TEMUAN
profil I-TEMUAN
masing-masing I-TEMUAN
kabupaten I-TEMUAN
/ I-TEMUAN
kota I-TEMUAN
di I-TEMUAN
DKI I-TEMUAN
Jakarta I-TEMUAN
dapat I-TEMUAN
terlihat I-TEMUAN
pada I-TEMUAN
kategori I-TEMUAN
produknya. I-TEMUAN
Jakarta O
Barat O
menjual O
produk O
Pertukangan O
, O
Jakarta O
Pusat O
menjual O
produk O
Elektronik O
, O
Jakarta O
Selatan O
menjual O
produk O
Makanan O
& O
Minuman O
, O
Jakarta O
Timur O
menjual O
produk O
Kesehatan O
, O
Jakarta O
Utara O
menjual O
produk O
Otomotif O
, O
dan O
Kepulauan O
Seribu O
menjual O
produk O
pakaian. O
Kata O
Kunci— O
marketplace O
, O
web O
scraping O
, O
segmentasi O
, O
klaster. O
[SEP] O
2. O
Jumlah O
toko O
yang O
terdapat O
pada O
marketplace O
setelah O
dilakukan O
preprocessing O
adalah O
10.462.386 O
toko. O
Jumlah O
produk O
dari O
1.000.000 O
toko O
yang O
sudah O
dilakukan O
sampling O
adalah O
48.828.357 O
produk. O
Marketplace O
didirikan O
pada O
Juli O
2009 O
dan O
mulai O
tahun O
2014 O
dengan O
terkenal O
pada O
pertengahan O
pertambahan O
toko O
paling O
besar O
terjadi O
pada O
Oktober O
2018. O
Mayoritas O
, O
toko O
pada O
marketplace O
berasal O
dari O
Pulau O
Jawa O
dengan O
Provinsi O
DKI O
Jakarta O
yang O
merupakan O
asal O
provinsi O
dari O
toko O
yang O
paling O
banyak O
berada. O
3. O
Proses O
web O
scraping O
untuk O
data O
produk O
sudah O
dibangun O
dengan O
bahasa O
JavaScript. O
4. O
Terdapat O
empat O
klaster O
baik O
untuk O
toko O
maupun O
produk. O
Klaster O
toko O
1 O
adalah O
toko O
yang O
menjual O
barang-barang O
yang O
laris. O
Toko O
2 O
adalah O
toko O
dengan O
produk O
yang O
paling O
sering O
dijual O
di O
marketplace. O
Toko O
3 O
adalah O
toko O
yang O
menjual O
produk O
yang O
cukup O
laku O
di O
pasar O
tetapi O
harga O
produk O
rendah. O
Toko O
4 O
adalah O
toko O
yang O
menjual O
barang-barang O
elektronik. O
Adapun O
produk O
1 O
dan O
produk O
4 O
adalah O
produk O
yang O
laku O
di O
pasaran O
dengan O
harga O
produk O
1 O
lebih O
murah O
dibandingkan O
produk O
4. O
Produk O
2 O
dan O
3 O
adalah O
produk O
yang O
kurang O
laku O
di O
pasaran O
dan O
kurang O
direkomendasikan O
untuk O
dijual O
di O
marketplace O
dengan O
harga O
produk O
2 O
lebih O
tinggi O
harganya O
dibandingkan O
produk O
profil O
masing-masing O
kabupaten O
/ O
kota O
di O
DKI O
Jakarta O
dapat O
terlihat O
pada O
kategori O
produknya. O
Jakarta O
Barat O
menjual O
produk O
Pertukangan O
, O
Jakarta O
Pusat O
menjual O
produk O
Elektronik O
, O
Jakarta O
Selatan O
menjual O
produk O
Makanan O
& O
Minuman O
, O
Jakarta O
Timur O
menjual O
produk O
Kesehatan O
, O
Jakarta O
Utara O
menjual O
produk O
Otomotif O
, O
dan O
Kepulauan O
Seribu O
menjual O
produk O
pakaian. O
Adapun O
3. O
B. O
Saran O
Makalah O
Seminar O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
Untuk O
penelitian O
selanjutnya O
, O
pencirian O
dari O
toko O
dapat O
dilakukan O
klasifikasi O
dikarenakan O
89 O
% O
atau O
sekitar O
9 O
dari O
10 O
toko O
menjual O
barang O
yang O
konsisten O
sehingga O
toko O
dapat O
dikenali O
dari O
produk O
yang O
dijual O
dan O
dapat O
dilakukan O
klasifikasi. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O
[ O
16 O
] O
[ O
17 O
] O
[ O
18 O
] O
[ O
19 O
] O
[ O
20 O
] O

Segmentasi O
Geografis O
dengan O
Fuzzy O
K-Prototype O
pada O
Data O
Marketplace O
Indonesia O
Irvan O
Permana O
Bustami O
( O
221810350 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Setia O
Pramana O
, O
Ph.D O
Ringkasan— O
Marketplace O
merupakan O
situs O
web O
yang O
menyediakan O
tempat O
secara O
daring O
untuk O
para O
pelaku O
usaha O
untuk O
menjual O
produknya O
di O
situs O
web O
tersebut. O
Perkembangan O
marketplace O
di O
Indonesia O
dapat O
dikatakan O
bergerak O
sangat O
cepat. O
Indonesia O
merupakan O
negara O
yang O
paling O
besar O
kenaikan O
indeks O
volume O
penelusuran O
untuk O
kueri O
terkait O
pedagang O
dan O
penjual O
yaitu O
sebesar O
18 O
kali O
sejak O
tahun O
2017. O
Setiap B-TUJUAN
wilayah I-TUJUAN
mempunyai I-TUJUAN
karakteristik I-TUJUAN
marketplace I-TUJUAN
yang I-TUJUAN
menarik I-TUJUAN
untuk I-TUJUAN
dianalisis I-TUJUAN
sehingga I-TUJUAN
segmentasi I-TUJUAN
geografis I-TUJUAN
akan I-TUJUAN
dilakukan. I-TUJUAN
Data O
bersumber O
dari O
salah O
satu O
marketplace O
di O
Indonesia O
dan O
diambil O
dengan O
metode O
web O
scraping. O
Metode O
analisis O
yang O
digunakan O
adalah O
analisis O
deskriptif O
dan O
analisis O
klaster. O
Analisis B-METODE
deskriptif I-METODE
yang O
digunakan O
bertujuan O
untuk O
melihat O
gambaran O
dari O
beberapa O
atau O
semua O
variabel O
yang O
ada. O
Analisis B-METODE
klaster I-METODE
digunakan O
untuk O
melihat O
segmentasi O
geografis O
dari O
data O
toko O
dan O
produk O
di O
suatu O
wilayah O
tertentu. O
Toko O
pada O
marketplace O
paling O
banyak O
berasal O
dari O
Pulau O
Jawa. O
Web B-METODE
scraping I-METODE
juga O
sudah O
dilakukan O
untuk O
mendapatkan O
data O
produk. O
Hasil B-TEMUAN
dari I-TEMUAN
analisis I-TEMUAN
klaster I-TEMUAN
didapatkan I-TEMUAN
empat I-TEMUAN
klaster I-TEMUAN
baik I-TEMUAN
untuk I-TEMUAN
data I-TEMUAN
produk I-TEMUAN
maupun I-TEMUAN
toko I-TEMUAN
di I-TEMUAN
Provinsi I-TEMUAN
DKI I-TEMUAN
Jakarta. I-TEMUAN
Adapun I-TEMUAN
profil I-TEMUAN
masing-masing I-TEMUAN
kabupaten I-TEMUAN
/ I-TEMUAN
kota I-TEMUAN
di I-TEMUAN
DKI I-TEMUAN
Jakarta I-TEMUAN
dapat I-TEMUAN
terlihat I-TEMUAN
pada I-TEMUAN
kategori I-TEMUAN
produknya. I-TEMUAN
Jakarta O
Barat O
menjual O
produk O
Pertukangan O
, O
Jakarta O
Pusat O
menjual O
produk O
Elektronik O
, O
Jakarta O
Selatan O
menjual O
produk O
Makanan O
& O
Minuman O
, O
Jakarta O
Timur O
menjual O
produk O
Kesehatan O
, O
Jakarta O
Utara O
menjual O
produk O
Otomotif O
, O
dan O
Kepulauan O
Seribu O
menjual O
produk O
pakaian. O
Kata O
Kunci— O
marketplace O
, O
web O
scraping O
, O
segmentasi O
, O
klaster. O
[SEP] O
2. O
Jumlah O
toko O
yang O
terdapat O
pada O
marketplace O
setelah O
dilakukan O
preprocessing O
adalah O
10.462.386 O
toko. O
Jumlah O
produk O
dari O
1.000.000 O
toko O
yang O
sudah O
dilakukan O
sampling O
adalah O
48.828.357 O
produk. O
Marketplace O
didirikan O
pada O
Juli O
2009 O
dan O
mulai O
tahun O
2014 O
dengan O
terkenal O
pada O
pertengahan O
pertambahan O
toko O
paling O
besar O
terjadi O
pada O
Oktober O
2018. O
Mayoritas O
, O
toko O
pada O
marketplace O
berasal O
dari O
Pulau O
Jawa O
dengan O
Provinsi O
DKI O
Jakarta O
yang O
merupakan O
asal O
provinsi O
dari O
toko O
yang O
paling O
banyak O
berada. O
3. O
Proses O
web O
scraping O
untuk O
data O
produk O
sudah O
dibangun O
dengan O
bahasa O
JavaScript. O
4. O
Terdapat O
empat O
klaster O
baik O
untuk O
toko O
maupun O
produk. O
Klaster O
toko O
1 O
adalah O
toko O
yang O
menjual O
barang-barang O
yang O
laris. O
Toko O
2 O
adalah O
toko O
dengan O
produk O
yang O
paling O
sering O
dijual O
di O
marketplace. O
Toko O
3 O
adalah O
toko O
yang O
menjual O
produk O
yang O
cukup O
laku O
di O
pasar O
tetapi O
harga O
produk O
rendah. O
Toko O
4 O
adalah O
toko O
yang O
menjual O
barang-barang O
elektronik. O
Adapun O
produk O
1 O
dan O
produk O
4 O
adalah O
produk O
yang O
laku O
di O
pasaran O
dengan O
harga O
produk O
1 O
lebih O
murah O
dibandingkan O
produk O
4. O
Produk O
2 O
dan O
3 O
adalah O
produk O
yang O
kurang O
laku O
di O
pasaran O
dan O
kurang O
direkomendasikan O
untuk O
dijual O
di O
marketplace O
dengan O
harga O
produk O
2 O
lebih O
tinggi O
harganya O
dibandingkan O
produk O
profil O
masing-masing O
kabupaten O
/ O
kota O
di O
DKI O
Jakarta O
dapat O
terlihat O
pada O
kategori O
produknya. O
Jakarta O
Barat O
menjual O
produk O
Pertukangan O
, O
Jakarta O
Pusat O
menjual O
produk O
Elektronik O
, O
Jakarta O
Selatan O
menjual O
produk O
Makanan O
& O
Minuman O
, O
Jakarta O
Timur O
menjual O
produk O
Kesehatan O
, O
Jakarta O
Utara O
menjual O
produk O
Otomotif O
, O
dan O
Kepulauan O
Seribu O
menjual O
produk O
pakaian. O
Adapun O
3. O
B. O
Saran O
Makalah O
Seminar O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
Untuk O
penelitian O
selanjutnya O
, O
pencirian O
dari O
toko O
dapat O
dilakukan O
klasifikasi O
dikarenakan O
89 O
% O
atau O
sekitar O
9 O
dari O
10 O
toko O
menjual O
barang O
yang O
konsisten O
sehingga O
toko O
dapat O
dikenali O
dari O
produk O
yang O
dijual O
dan O
dapat O
dilakukan O
klasifikasi. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O
[ O
16 O
] O
[ O
17 O
] O
[ O
18 O
] O
[ O
19 O
] O
[ O
20 O
] O

Implementasi O
Algoritma O
Latent O
Dirichlet O
Allocation O
, O
Cosine O
Similarity O
, O
dan O
SVM O
dalam O
Analisis O
Sentimen O
berbasis O
Aspek O
pada O
Ulasan O
Pelanggan O
Akomodasi O
Studi O
Kasus O
: O
Labuan O
Bajo O
Intan O
Kemala O
( O
221810343 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Alfatihah O
R.M.N.S.P. O
Munaf O
, O
SST O
, O
M.Si O
Ringkasan— O
Labuan O
Bajo O
merupakan O
satu O
dari O
lima O
destinasi O
wisata O
super O
prioritas O
yang O
fokus O
dikembangkan O
pemerintah O
pada O
tahun O
2021. O
BPS O
melalui O
publikasi O
Statistik O
Hotel O
dan O
Akomodasi O
Lainnya O
di O
Indonesia O
telah O
menyediakan O
data O
ketersediaan O
usaha O
akomodasi O
Indonesia O
, O
namun O
diperlukan O
juga O
informasi O
tambahan O
terkait O
kualitas O
jasa O
akomodasi O
yang O
ditawarkan. O
Sehingga O
dilakukan B-TUJUAN
analisis I-TUJUAN
sentimen I-TUJUAN
berbasis I-TUJUAN
aspek I-TUJUAN
pada I-TUJUAN
data I-TUJUAN
ulasan I-TUJUAN
pelanggan I-TUJUAN
akomodasi I-TUJUAN
berbahasa I-TUJUAN
Indonesia I-TUJUAN
hasil I-TUJUAN
scraping I-TUJUAN
website I-TUJUAN
Tripadvisor. I-TUJUAN
Aspek O
akomodasi O
terdiri O
dari O
pelayanan O
, O
lingkungan O
, O
lokasi O
, O
dan O
pengalaman. O
Penelitian O
dimulai O
dengan O
pemodelan O
topik O
menggunakan O
Latent O
Dirichlet O
Allocation O
( O
LDA O
) O
. O
Kemudian O
dengan O
algoritma O
Cosine O
Similarity O
dan O
pembobot O
TF-IDF O
dilakukan O
pengukuran O
kesamaan O
untuk O
mengkategorikan O
hasil O
pemodelan O
topik O
ke O
dalam O
empat O
aspek O
akomodasi. O
sentimen O
menggunakan O
algoritma O
SVM O
dan O
pembobot O
TF-IDF. O
Pemodelan O
topik O
berhasil O
mengekstrak O
5 O
topik. O
Model B-TEMUAN
klasifikasi I-TEMUAN
sentimen I-TEMUAN
menunjukkan I-TEMUAN
performa I-TEMUAN
yang I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
89 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Kualitas I-TEMUAN
pada I-TEMUAN
keempat I-TEMUAN
aspek I-TEMUAN
akomodasi I-TEMUAN
sudah I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
sentimen I-TEMUAN
mayoritas I-TEMUAN
positif. I-TEMUAN
Analisis O
kecocokan O
data O
scraping O
dengan O
direktori O
VHTL O
BPS O
menunjukkan O
potensi O
pemanfaatan O
big O
data O
pada O
website O
Tripadvisor O
cukup O
besar O
dengan O
persentase O
kecocokan O
68,9 O
% O
. O
pengklasifikasian O
Dilanjutkan O
Kata O
Kunci— O
sentimen O
, O
aspek O
, O
LDA O
, O
cosine O
similarity O
, O
SVM. O
[SEP] O
A. O
Kesimpulan O
Terdapat O
5 O
topik O
yang O
sering O
diperbincangkan O
pengunjung O
akomodasi O
di O
kawasan O
Labuan O
Bajo O
antara O
lain O
pelayanan O
staf O
dan O
makanan O
, O
lingkungan O
sekitar O
akomodasi O
, O
pelayanan O
kamar O
, O
lokasi O
akomodasi O
, O
serta O
aksesibilitas. O
Algoritma O
SVM O
kernel O
Linear O
dapat O
melakukan O
kategorisasi O
sentimen B-METODE
dengan O
cukup O
baik O
dimana O
kinerja O
model O
memiliki O
tingkat O
akurasi B-METODE
89 O
% O
, O
presisi B-METODE
94 O
% O
, O
recall B-METODE
92 O
% O
, O
dan O
F1-score B-METODE
93 O
% O
. O
Secara O
keseluruhan O
, O
aspek O
pelayanan O
, O
lingkungan O
, O
dan O
lokasi O
memiliki O
respon O
positif O
yang O
lebih O
banyak O
dibanding O
respon O
negatif. O
Hal O
ini O
menunjukkan O
kualitas O
pelayanan O
jasa O
akomodasi O
di O
kawasan O
Labuan O
Bajo O
sudah O
cukup O
baik. O
Pemanfaatan O
big O
data O
pada O
website O
Tripadvisor O
memiliki O
potensi O
yang O
cukup O
besar O
dimana O
data O
hasil O
scraping O
informasi O
akomodasi O
memiliki O
kecocokan O
dengan O
data O
direktori O
VHTL O
BPS O
2020 O
sebesar O
68,9 O
% O
. O
B. O
Saran O
Dalam O
rangka O
pengembangan O
pariwisata O
di O
Labuan O
Bajo O
, O
pemerintah O
dapat O
fokus O
pada O
peningkatan O
infrastruktur O
jaringan O
internet O
, O
ketersediaan O
air O
bersih O
, O
dan O
pemasangan O
lampu O
jalan O
, O
serta O
solusi O
untuk O
melestarikan O
pantai O
di O
daerah O
Labuan O
Bajo O
terutama O
terkait O
permasalahan O
sampah. O
Usaha O
akomodasi O
yang O
tidak O
cocok O
dengan O
direktori O
VHTL O
BPS O
dapat O
dijadikan O
sebagai O
temuan O
baru O
yang O
perlu O
ditelusuri O
kebenaran O
dan O
keberadaan O
usaha O
tersebut. O
Untuk O
penelitian O
kedepan O
, O
analisis O
dapat O
diperluas O
untuk O
ulasan O
selain O
berbahasa O
Indonesia O
seperti O
bahasa O
Inggris. O
Lalu O
agar O
dapat O
menghemat O
biaya O
( O
waktu O
dan O
tenaga O
) O
pada O
pengolahan O
data O
yang O
cukup O
banyak O
, O
penelitian O
selanjutnya O
dapat O
mencoba O
menggunakan O
pendekatan O
yang O
lain O
seperti O
pendekatan O
lexicon. O
Selain O
itu O
, O
pada O
analisis O
kecocokan O
data O
penelitian O
selanjutnya O
dapat O
menggunakan O
algoritma O
similarity O
measurement O
lain O
yang O
dapat O
menutupi O
kekurangan O
algoritma O
cosine O
similarity O
dan O
lebih O
advanced O
seperti O
ts-ss O
, O
dsb. O

Implementasi O
Algoritma O
Latent O
Dirichlet O
Allocation O
, O
Cosine O
Similarity O
, O
dan O
SVM O
dalam O
Analisis O
Sentimen O
berbasis O
Aspek O
pada O
Ulasan O
Pelanggan O
Akomodasi O
Studi O
Kasus O
: O
Labuan O
Bajo O
Intan O
Kemala O
( O
221810343 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Alfatihah O
R.M.N.S.P. O
Munaf O
, O
SST O
, O
M.Si O
Ringkasan— O
Labuan O
Bajo O
merupakan O
satu O
dari O
lima O
destinasi O
wisata O
super O
prioritas O
yang O
fokus O
dikembangkan O
pemerintah O
pada O
tahun O
2021. O
BPS O
melalui O
publikasi O
Statistik O
Hotel O
dan O
Akomodasi O
Lainnya O
di O
Indonesia O
telah O
menyediakan O
data O
ketersediaan O
usaha O
akomodasi O
Indonesia O
, O
namun O
diperlukan O
juga O
informasi O
tambahan O
terkait O
kualitas O
jasa O
akomodasi O
yang O
ditawarkan. O
Sehingga O
dilakukan B-TUJUAN
analisis I-TUJUAN
sentimen I-TUJUAN
berbasis I-TUJUAN
aspek I-TUJUAN
pada I-TUJUAN
data I-TUJUAN
ulasan I-TUJUAN
pelanggan I-TUJUAN
akomodasi I-TUJUAN
berbahasa I-TUJUAN
Indonesia I-TUJUAN
hasil I-TUJUAN
scraping I-TUJUAN
website I-TUJUAN
Tripadvisor. I-TUJUAN
Aspek O
akomodasi O
terdiri O
dari O
pelayanan O
, O
lingkungan O
, O
lokasi O
, O
dan O
pengalaman. O
Penelitian O
dimulai O
dengan O
pemodelan O
topik O
menggunakan O
Latent O
Dirichlet O
Allocation O
( O
LDA O
) O
. O
Kemudian O
dengan O
algoritma O
Cosine O
Similarity O
dan O
pembobot O
TF-IDF O
dilakukan O
pengukuran O
kesamaan O
untuk O
mengkategorikan O
hasil O
pemodelan O
topik O
ke O
dalam O
empat O
aspek O
akomodasi. O
sentimen O
menggunakan O
algoritma O
SVM O
dan O
pembobot O
TF-IDF. O
Pemodelan O
topik O
berhasil O
mengekstrak O
5 O
topik. O
Model B-TEMUAN
klasifikasi I-TEMUAN
sentimen I-TEMUAN
menunjukkan I-TEMUAN
performa I-TEMUAN
yang I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
89 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Kualitas I-TEMUAN
pada I-TEMUAN
keempat I-TEMUAN
aspek I-TEMUAN
akomodasi I-TEMUAN
sudah I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
sentimen I-TEMUAN
mayoritas I-TEMUAN
positif. I-TEMUAN
Analisis O
kecocokan O
data O
scraping O
dengan O
direktori O
VHTL O
BPS O
menunjukkan O
potensi O
pemanfaatan O
big O
data O
pada O
website O
Tripadvisor O
cukup O
besar O
dengan O
persentase O
kecocokan O
68,9 O
% O
. O
pengklasifikasian O
Dilanjutkan O
Kata O
Kunci— O
sentimen O
, O
aspek O
, O
LDA O
, O
cosine O
similarity O
, O
SVM. O
[SEP] O
A. O
Kesimpulan O
Terdapat O
5 O
topik O
yang O
sering O
diperbincangkan O
pengunjung O
akomodasi O
di O
kawasan O
Labuan O
Bajo O
antara O
lain O
pelayanan O
staf O
dan O
makanan O
, O
lingkungan O
sekitar O
akomodasi O
, O
pelayanan O
kamar O
, O
lokasi O
akomodasi O
, O
serta O
aksesibilitas. O
Algoritma O
SVM O
kernel O
Linear O
dapat O
melakukan O
kategorisasi O
sentimen B-METODE
dengan O
cukup O
baik O
dimana O
kinerja O
model O
memiliki O
tingkat O
akurasi B-METODE
89 O
% O
, O
presisi B-METODE
94 O
% O
, O
recall B-METODE
92 O
% O
, O
dan O
F1-score B-METODE
93 O
% O
. O
Secara O
keseluruhan O
, O
aspek O
pelayanan O
, O
lingkungan O
, O
dan O
lokasi O
memiliki O
respon O
positif O
yang O
lebih O
banyak O
dibanding O
respon O
negatif. O
Hal O
ini O
menunjukkan O
kualitas O
pelayanan O
jasa O
akomodasi O
di O
kawasan O
Labuan O
Bajo O
sudah O
cukup O
baik. O
Pemanfaatan O
big O
data O
pada O
website O
Tripadvisor O
memiliki O
potensi O
yang O
cukup O
besar O
dimana O
data O
hasil O
scraping O
informasi O
akomodasi O
memiliki O
kecocokan O
dengan O
data O
direktori O
VHTL O
BPS O
2020 O
sebesar O
68,9 O
% O
. O
B. O
Saran O
Dalam O
rangka O
pengembangan O
pariwisata O
di O
Labuan O
Bajo O
, O
pemerintah O
dapat O
fokus O
pada O
peningkatan O
infrastruktur O
jaringan O
internet O
, O
ketersediaan O
air O
bersih O
, O
dan O
pemasangan O
lampu O
jalan O
, O
serta O
solusi O
untuk O
melestarikan O
pantai O
di O
daerah O
Labuan O
Bajo O
terutama O
terkait O
permasalahan O
sampah. O
Usaha O
akomodasi O
yang O
tidak O
cocok O
dengan O
direktori O
VHTL O
BPS O
dapat O
dijadikan O
sebagai O
temuan O
baru O
yang O
perlu O
ditelusuri O
kebenaran O
dan O
keberadaan O
usaha O
tersebut. O
Untuk O
penelitian O
kedepan O
, O
analisis O
dapat O
diperluas O
untuk O
ulasan O
selain O
berbahasa O
Indonesia O
seperti O
bahasa O
Inggris. O
Lalu O
agar O
dapat O
menghemat O
biaya O
( O
waktu O
dan O
tenaga O
) O
pada O
pengolahan O
data O
yang O
cukup O
banyak O
, O
penelitian O
selanjutnya O
dapat O
mencoba O
menggunakan O
pendekatan O
yang O
lain O
seperti O
pendekatan O
lexicon. O
Selain O
itu O
, O
pada O
analisis O
kecocokan O
data O
penelitian O
selanjutnya O
dapat O
menggunakan O
algoritma O
similarity O
measurement O
lain O
yang O
dapat O
menutupi O
kekurangan O
algoritma O
cosine O
similarity O
dan O
lebih O
advanced O
seperti O
ts-ss O
, O
dsb. O

Implementasi O
Algoritma O
Latent O
Dirichlet O
Allocation O
, O
Cosine O
Similarity O
, O
dan O
SVM O
dalam O
Analisis O
Sentimen O
berbasis O
Aspek O
pada O
Ulasan O
Pelanggan O
Akomodasi O
Studi O
Kasus O
: O
Labuan O
Bajo O
Intan O
Kemala O
( O
221810343 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Alfatihah O
R.M.N.S.P. O
Munaf O
, O
SST O
, O
M.Si O
Ringkasan— O
Labuan O
Bajo O
merupakan O
satu O
dari O
lima O
destinasi O
wisata O
super O
prioritas O
yang O
fokus O
dikembangkan O
pemerintah O
pada O
tahun O
2021. O
BPS O
melalui O
publikasi O
Statistik O
Hotel O
dan O
Akomodasi O
Lainnya O
di O
Indonesia O
telah O
menyediakan O
data O
ketersediaan O
usaha O
akomodasi O
Indonesia O
, O
namun O
diperlukan O
juga O
informasi O
tambahan O
terkait O
kualitas O
jasa O
akomodasi O
yang O
ditawarkan. O
Sehingga O
dilakukan B-TUJUAN
analisis I-TUJUAN
sentimen I-TUJUAN
berbasis I-TUJUAN
aspek I-TUJUAN
pada I-TUJUAN
data I-TUJUAN
ulasan I-TUJUAN
pelanggan I-TUJUAN
akomodasi I-TUJUAN
berbahasa I-TUJUAN
Indonesia I-TUJUAN
hasil I-TUJUAN
scraping I-TUJUAN
website I-TUJUAN
Tripadvisor. I-TUJUAN
Aspek O
akomodasi O
terdiri O
dari O
pelayanan O
, O
lingkungan O
, O
lokasi O
, O
dan O
pengalaman. O
Penelitian O
dimulai O
dengan O
pemodelan O
topik O
menggunakan O
Latent O
Dirichlet O
Allocation O
( O
LDA O
) O
. O
Kemudian O
dengan O
algoritma O
Cosine O
Similarity O
dan O
pembobot O
TF-IDF O
dilakukan O
pengukuran O
kesamaan O
untuk O
mengkategorikan O
hasil O
pemodelan O
topik O
ke O
dalam O
empat O
aspek O
akomodasi. O
sentimen O
menggunakan O
algoritma O
SVM O
dan O
pembobot O
TF-IDF. O
Pemodelan O
topik O
berhasil O
mengekstrak O
5 O
topik. O
Model B-TEMUAN
klasifikasi I-TEMUAN
sentimen I-TEMUAN
menunjukkan I-TEMUAN
performa I-TEMUAN
yang I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
89 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Kualitas I-TEMUAN
pada I-TEMUAN
keempat I-TEMUAN
aspek I-TEMUAN
akomodasi I-TEMUAN
sudah I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
sentimen I-TEMUAN
mayoritas I-TEMUAN
positif. I-TEMUAN
Analisis O
kecocokan O
data O
scraping O
dengan O
direktori O
VHTL O
BPS O
menunjukkan O
potensi O
pemanfaatan O
big O
data O
pada O
website O
Tripadvisor O
cukup O
besar O
dengan O
persentase O
kecocokan O
68,9 O
% O
. O
pengklasifikasian O
Dilanjutkan O
Kata O
Kunci— O
sentimen O
, O
aspek O
, O
LDA O
, O
cosine O
similarity O
, O
SVM. O
[SEP] O
A. O
Kesimpulan O
Terdapat O
5 O
topik O
yang O
sering O
diperbincangkan O
pengunjung O
akomodasi O
di O
kawasan O
Labuan O
Bajo O
antara O
lain O
pelayanan O
staf O
dan O
makanan O
, O
lingkungan O
sekitar O
akomodasi O
, O
pelayanan O
kamar O
, O
lokasi O
akomodasi O
, O
serta O
aksesibilitas. O
Algoritma O
SVM O
kernel O
Linear O
dapat O
melakukan O
kategorisasi O
sentimen B-METODE
dengan O
cukup O
baik O
dimana O
kinerja O
model O
memiliki O
tingkat O
akurasi B-METODE
89 O
% O
, O
presisi B-METODE
94 O
% O
, O
recall B-METODE
92 O
% O
, O
dan O
F1-score B-METODE
93 O
% O
. O
Secara O
keseluruhan O
, O
aspek O
pelayanan O
, O
lingkungan O
, O
dan O
lokasi O
memiliki O
respon O
positif O
yang O
lebih O
banyak O
dibanding O
respon O
negatif. O
Hal O
ini O
menunjukkan O
kualitas O
pelayanan O
jasa O
akomodasi O
di O
kawasan O
Labuan O
Bajo O
sudah O
cukup O
baik. O
Pemanfaatan O
big O
data O
pada O
website O
Tripadvisor O
memiliki O
potensi O
yang O
cukup O
besar O
dimana O
data O
hasil O
scraping O
informasi O
akomodasi O
memiliki O
kecocokan O
dengan O
data O
direktori O
VHTL O
BPS O
2020 O
sebesar O
68,9 O
% O
. O
B. O
Saran O
Dalam O
rangka O
pengembangan O
pariwisata O
di O
Labuan O
Bajo O
, O
pemerintah O
dapat O
fokus O
pada O
peningkatan O
infrastruktur O
jaringan O
internet O
, O
ketersediaan O
air O
bersih O
, O
dan O
pemasangan O
lampu O
jalan O
, O
serta O
solusi O
untuk O
melestarikan O
pantai O
di O
daerah O
Labuan O
Bajo O
terutama O
terkait O
permasalahan O
sampah. O
Usaha O
akomodasi O
yang O
tidak O
cocok O
dengan O
direktori O
VHTL O
BPS O
dapat O
dijadikan O
sebagai O
temuan O
baru O
yang O
perlu O
ditelusuri O
kebenaran O
dan O
keberadaan O
usaha O
tersebut. O
Untuk O
penelitian O
kedepan O
, O
analisis O
dapat O
diperluas O
untuk O
ulasan O
selain O
berbahasa O
Indonesia O
seperti O
bahasa O
Inggris. O
Lalu O
agar O
dapat O
menghemat O
biaya O
( O
waktu O
dan O
tenaga O
) O
pada O
pengolahan O
data O
yang O
cukup O
banyak O
, O
penelitian O
selanjutnya O
dapat O
mencoba O
menggunakan O
pendekatan O
yang O
lain O
seperti O
pendekatan O
lexicon. O
Selain O
itu O
, O
pada O
analisis O
kecocokan O
data O
penelitian O
selanjutnya O
dapat O
menggunakan O
algoritma O
similarity O
measurement O
lain O
yang O
dapat O
menutupi O
kekurangan O
algoritma O
cosine O
similarity O
dan O
lebih O
advanced O
seperti O
ts-ss O
, O
dsb. O

Model O
Conditional-GAN O
dalam O
Pembangkitan O
Data O
Sintetis O
untuk O
Segmentasi O
Iffati O
Uzma O
( O
221810335 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Rani O
Nooraeni O
, O
S.ST O
, O
M.Stat O
Network O
Generative O
Adversarial O
Ringkasan— O
Keterbatasan O
jumlah O
data O
training O
pada O
kasus O
learning O
memengaruhi O
performa O
model O
yang O
kajian O
deep O
dihasilkan. O
Hal O
ini O
karena O
terbatasnya O
data O
bisa O
menyebabkan O
overfit O
sehingga O
model O
tidak O
dapat O
bekerja O
dengan O
baik. O
Conditional O
( O
cGAN O
) O
diperkenalkan O
untuk O
membangkitkan O
data O
sintetis O
dengan O
mempertimbangkan O
kondisi O
tertentu. O
Segmentasi O
, O
merupakan O
salah O
satu O
bentuk O
analisis O
gambar O
paling O
mendasar. O
Sehingga O
tujuan O
penelitian O
ini O
adalah O
membangkitkan B-TUJUAN
data I-TUJUAN
sintetis I-TUJUAN
dengan I-TUJUAN
cGAN I-TUJUAN
untuk I-TUJUAN
mendapatkan I-TUJUAN
data I-TUJUAN
training I-TUJUAN
tambahan I-TUJUAN
sehingga I-TUJUAN
dapat I-TUJUAN
mengoptimalkan I-TUJUAN
model I-TUJUAN
segmentasi.. I-TUJUAN
Model B-METODE
Conditional I-METODE
GAN I-METODE
dan I-METODE
CNN I-METODE
Arsitektur I-METODE
U-Net I-METODE
dan I-METODE
FCN I-METODE
menggunakan I-METODE
dataset I-METODE
MNIST I-METODE
Fashion I-METODE
, I-METODE
MNIST I-METODE
digit I-METODE
, I-METODE
dan I-METODE
oxford I-METODE
IIIT I-METODE
Pet. I-METODE
Hasil O
penelitian O
diperoleh O
bahwa O
penerapan B-TEMUAN
metode I-TEMUAN
cGAN I-TEMUAN
berhasil I-TEMUAN
membangkitkan I-TEMUAN
data I-TEMUAN
gambar I-TEMUAN
sintetis I-TEMUAN
baru I-TEMUAN
yang I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
mengikuti I-TEMUAN
gambar I-TEMUAN
asli I-TEMUAN
seiring I-TEMUAN
dengan I-TEMUAN
proses I-TEMUAN
pelatihan. I-TEMUAN
Kenambahan O
data O
sintetis O
bangkitan O
dengan O
cGAN O
berpengaruh O
baik O
pada O
loss O
dan O
akurasi O
validasi O
, O
namun O
belum O
menunjukkan O
pengaruh O
yang O
baik O
untuk O
indikator O
evaluasi O
lain. O
Hal O
ini O
dapat O
disebabkan O
karena O
data O
sintetis O
yang O
belum O
terlalu O
mirip O
dengan O
data O
sebenarnya. O
Kata O
Kunci—deep O
learning O
, O
keterbatasan O
data O
, O
cGAN O
, O
CNN O
, O
segmentasi O
[SEP] O
tambahan O
TABEL O
II O
Perbandingan O
Segmentasi O
dengan O
dan O
tanpa O
Data O
Tambahan O
FCN O
Tanpa O
Data O
Tambahan O
Dengan O
Data O
Tambahan O
Dari O
penelitian O
yang O
telah O
dilakukan O
, O
diperoleh O
kesimpulan O
sebagai O
berikut O
: O
1. B-METODE
Metode I-METODE
cGAN I-METODE
dapat O
membangkitkan O
data O
sintesis O
dengan O
baik O
melalui O
proses O
pelatihan. O
Data O
yang O
lebih O
kompleks O
membutuhkan O
pelatihan O
dengan O
proses O
perulangan O
lebih O
banyak O
2. O
Penambahan B-TEMUAN
data I-TEMUAN
sintetis I-TEMUAN
bangkitan I-TEMUAN
dengan I-TEMUAN
cGAN I-TEMUAN
berpengaruh I-TEMUAN
baik I-TEMUAN
pada I-TEMUAN
loss I-TEMUAN
dan I-TEMUAN
akurasi I-TEMUAN
validasi I-TEMUAN
, I-TEMUAN
namun I-TEMUAN
sebaliknya I-TEMUAN
untuk I-TEMUAN
indikator I-TEMUAN
evaluasi I-TEMUAN
lain. I-TEMUAN
Artinya I-TEMUAN
terdapat I-TEMUAN
pengaruh I-TEMUAN
dari I-TEMUAN
penmbahan I-TEMUAN
data I-TEMUAN
sintetis I-TEMUAN
meski I-TEMUAN
belum I-TEMUAN
pada I-TEMUAN
semua I-TEMUAN
indikator I-TEMUAN
evaluasi. I-TEMUAN
Hal I-TEMUAN
ini I-TEMUAN
dapat I-TEMUAN
disebabkan I-TEMUAN
karena I-TEMUAN
data I-TEMUAN
sintetis I-TEMUAN
yang I-TEMUAN
belum I-TEMUAN
cukup I-TEMUAN
mirip I-TEMUAN
dengan I-TEMUAN
data I-TEMUAN
sebenarnya. I-TEMUAN
Untuk O
penelitian O
selanjutnya O
, O
dapat O
mengoptimalkan O
pembangkitan O
data O
sintetis O
lebih O
lanjut O
seperti O
dengan O
menyesuaikan O
parameter O
atau O
struktur O
model O
yang O
dibuat. O

Model O
Conditional-GAN O
dalam O
Pembangkitan O
Data O
Sintetis O
untuk O
Segmentasi O
Iffati O
Uzma O
( O
221810335 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Rani O
Nooraeni O
, O
S.ST O
, O
M.Stat O
Network O
Generative O
Adversarial O
Ringkasan— O
Keterbatasan O
jumlah O
data O
training O
pada O
kasus O
learning O
memengaruhi O
performa O
model O
yang O
kajian O
deep O
dihasilkan. O
Hal O
ini O
karena O
terbatasnya O
data O
bisa O
menyebabkan O
overfit O
sehingga O
model O
tidak O
dapat O
bekerja O
dengan O
baik. O
Conditional O
( O
cGAN O
) O
diperkenalkan O
untuk O
membangkitkan O
data O
sintetis O
dengan O
mempertimbangkan O
kondisi O
tertentu. O
Segmentasi O
, O
merupakan O
salah O
satu O
bentuk O
analisis O
gambar O
paling O
mendasar. O
Sehingga O
tujuan O
penelitian O
ini O
adalah O
membangkitkan B-TUJUAN
data I-TUJUAN
sintetis I-TUJUAN
dengan I-TUJUAN
cGAN I-TUJUAN
untuk I-TUJUAN
mendapatkan I-TUJUAN
data I-TUJUAN
training I-TUJUAN
tambahan I-TUJUAN
sehingga I-TUJUAN
dapat I-TUJUAN
mengoptimalkan I-TUJUAN
model I-TUJUAN
segmentasi.. I-TUJUAN
Model B-METODE
Conditional I-METODE
GAN I-METODE
dan I-METODE
CNN I-METODE
Arsitektur I-METODE
U-Net I-METODE
dan I-METODE
FCN I-METODE
menggunakan I-METODE
dataset I-METODE
MNIST I-METODE
Fashion I-METODE
, I-METODE
MNIST I-METODE
digit I-METODE
, I-METODE
dan I-METODE
oxford I-METODE
IIIT I-METODE
Pet. I-METODE
Hasil O
penelitian O
diperoleh O
bahwa O
penerapan B-TEMUAN
metode I-TEMUAN
cGAN I-TEMUAN
berhasil I-TEMUAN
membangkitkan I-TEMUAN
data I-TEMUAN
gambar I-TEMUAN
sintetis I-TEMUAN
baru I-TEMUAN
yang I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
mengikuti I-TEMUAN
gambar I-TEMUAN
asli I-TEMUAN
seiring I-TEMUAN
dengan I-TEMUAN
proses I-TEMUAN
pelatihan. I-TEMUAN
Kenambahan O
data O
sintetis O
bangkitan O
dengan O
cGAN O
berpengaruh O
baik O
pada O
loss O
dan O
akurasi O
validasi O
, O
namun O
belum O
menunjukkan O
pengaruh O
yang O
baik O
untuk O
indikator O
evaluasi O
lain. O
Hal O
ini O
dapat O
disebabkan O
karena O
data O
sintetis O
yang O
belum O
terlalu O
mirip O
dengan O
data O
sebenarnya. O
Kata O
Kunci—deep O
learning O
, O
keterbatasan O
data O
, O
cGAN O
, O
CNN O
, O
segmentasi O
[SEP] O
tambahan O
TABEL O
II O
Perbandingan O
Segmentasi O
dengan O
dan O
tanpa O
Data O
Tambahan O
FCN O
Tanpa O
Data O
Tambahan O
Dengan O
Data O
Tambahan O
Dari O
penelitian O
yang O
telah O
dilakukan O
, O
diperoleh O
kesimpulan O
sebagai O
berikut O
: O
1. B-METODE
Metode I-METODE
cGAN I-METODE
dapat O
membangkitkan O
data O
sintesis O
dengan O
baik O
melalui O
proses O
pelatihan. O
Data O
yang O
lebih O
kompleks O
membutuhkan O
pelatihan O
dengan O
proses O
perulangan O
lebih O
banyak O
2. O
Penambahan B-TEMUAN
data I-TEMUAN
sintetis I-TEMUAN
bangkitan I-TEMUAN
dengan I-TEMUAN
cGAN I-TEMUAN
berpengaruh I-TEMUAN
baik I-TEMUAN
pada I-TEMUAN
loss I-TEMUAN
dan I-TEMUAN
akurasi I-TEMUAN
validasi I-TEMUAN
, I-TEMUAN
namun I-TEMUAN
sebaliknya I-TEMUAN
untuk I-TEMUAN
indikator I-TEMUAN
evaluasi I-TEMUAN
lain. I-TEMUAN
Artinya I-TEMUAN
terdapat I-TEMUAN
pengaruh I-TEMUAN
dari I-TEMUAN
penmbahan I-TEMUAN
data I-TEMUAN
sintetis I-TEMUAN
meski I-TEMUAN
belum I-TEMUAN
pada I-TEMUAN
semua I-TEMUAN
indikator I-TEMUAN
evaluasi. I-TEMUAN
Hal I-TEMUAN
ini I-TEMUAN
dapat I-TEMUAN
disebabkan I-TEMUAN
karena I-TEMUAN
data I-TEMUAN
sintetis I-TEMUAN
yang I-TEMUAN
belum I-TEMUAN
cukup I-TEMUAN
mirip I-TEMUAN
dengan I-TEMUAN
data I-TEMUAN
sebenarnya. I-TEMUAN
Untuk O
penelitian O
selanjutnya O
, O
dapat O
mengoptimalkan O
pembangkitan O
data O
sintetis O
lebih O
lanjut O
seperti O
dengan O
menyesuaikan O
parameter O
atau O
struktur O
model O
yang O
dibuat. O

Model O
Conditional-GAN O
dalam O
Pembangkitan O
Data O
Sintetis O
untuk O
Segmentasi O
Iffati O
Uzma O
( O
221810335 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Rani O
Nooraeni O
, O
S.ST O
, O
M.Stat O
Network O
Generative O
Adversarial O
Ringkasan— O
Keterbatasan O
jumlah O
data O
training O
pada O
kasus O
learning O
memengaruhi O
performa O
model O
yang O
kajian O
deep O
dihasilkan. O
Hal O
ini O
karena O
terbatasnya O
data O
bisa O
menyebabkan O
overfit O
sehingga O
model O
tidak O
dapat O
bekerja O
dengan O
baik. O
Conditional O
( O
cGAN O
) O
diperkenalkan O
untuk O
membangkitkan O
data O
sintetis O
dengan O
mempertimbangkan O
kondisi O
tertentu. O
Segmentasi O
, O
merupakan O
salah O
satu O
bentuk O
analisis O
gambar O
paling O
mendasar. O
Sehingga O
tujuan O
penelitian O
ini O
adalah O
membangkitkan B-TUJUAN
data I-TUJUAN
sintetis I-TUJUAN
dengan I-TUJUAN
cGAN I-TUJUAN
untuk I-TUJUAN
mendapatkan I-TUJUAN
data I-TUJUAN
training I-TUJUAN
tambahan I-TUJUAN
sehingga I-TUJUAN
dapat I-TUJUAN
mengoptimalkan I-TUJUAN
model I-TUJUAN
segmentasi.. I-TUJUAN
Model B-METODE
Conditional I-METODE
GAN I-METODE
dan I-METODE
CNN I-METODE
Arsitektur I-METODE
U-Net I-METODE
dan I-METODE
FCN I-METODE
menggunakan I-METODE
dataset I-METODE
MNIST I-METODE
Fashion I-METODE
, I-METODE
MNIST I-METODE
digit I-METODE
, I-METODE
dan I-METODE
oxford I-METODE
IIIT I-METODE
Pet. I-METODE
Hasil O
penelitian O
diperoleh O
bahwa O
penerapan B-TEMUAN
metode I-TEMUAN
cGAN I-TEMUAN
berhasil I-TEMUAN
membangkitkan I-TEMUAN
data I-TEMUAN
gambar I-TEMUAN
sintetis I-TEMUAN
baru I-TEMUAN
yang I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
mengikuti I-TEMUAN
gambar I-TEMUAN
asli I-TEMUAN
seiring I-TEMUAN
dengan I-TEMUAN
proses I-TEMUAN
pelatihan. I-TEMUAN
Kenambahan O
data O
sintetis O
bangkitan O
dengan O
cGAN O
berpengaruh O
baik O
pada O
loss O
dan O
akurasi O
validasi O
, O
namun O
belum O
menunjukkan O
pengaruh O
yang O
baik O
untuk O
indikator O
evaluasi O
lain. O
Hal O
ini O
dapat O
disebabkan O
karena O
data O
sintetis O
yang O
belum O
terlalu O
mirip O
dengan O
data O
sebenarnya. O
Kata O
Kunci—deep O
learning O
, O
keterbatasan O
data O
, O
cGAN O
, O
CNN O
, O
segmentasi O
[SEP] O
tambahan O
TABEL O
II O
Perbandingan O
Segmentasi O
dengan O
dan O
tanpa O
Data O
Tambahan O
FCN O
Tanpa O
Data O
Tambahan O
Dengan O
Data O
Tambahan O
Dari O
penelitian O
yang O
telah O
dilakukan O
, O
diperoleh O
kesimpulan O
sebagai O
berikut O
: O
1. B-METODE
Metode I-METODE
cGAN I-METODE
dapat O
membangkitkan O
data O
sintesis O
dengan O
baik O
melalui O
proses O
pelatihan. O
Data O
yang O
lebih O
kompleks O
membutuhkan O
pelatihan O
dengan O
proses O
perulangan O
lebih O
banyak O
2. O
Penambahan B-TEMUAN
data I-TEMUAN
sintetis I-TEMUAN
bangkitan I-TEMUAN
dengan I-TEMUAN
cGAN I-TEMUAN
berpengaruh I-TEMUAN
baik I-TEMUAN
pada I-TEMUAN
loss I-TEMUAN
dan I-TEMUAN
akurasi I-TEMUAN
validasi I-TEMUAN
, I-TEMUAN
namun I-TEMUAN
sebaliknya I-TEMUAN
untuk I-TEMUAN
indikator I-TEMUAN
evaluasi I-TEMUAN
lain. I-TEMUAN
Artinya I-TEMUAN
terdapat I-TEMUAN
pengaruh I-TEMUAN
dari I-TEMUAN
penmbahan I-TEMUAN
data I-TEMUAN
sintetis I-TEMUAN
meski I-TEMUAN
belum I-TEMUAN
pada I-TEMUAN
semua I-TEMUAN
indikator I-TEMUAN
evaluasi. I-TEMUAN
Hal I-TEMUAN
ini I-TEMUAN
dapat I-TEMUAN
disebabkan I-TEMUAN
karena I-TEMUAN
data I-TEMUAN
sintetis I-TEMUAN
yang I-TEMUAN
belum I-TEMUAN
cukup I-TEMUAN
mirip I-TEMUAN
dengan I-TEMUAN
data I-TEMUAN
sebenarnya. I-TEMUAN
Untuk O
penelitian O
selanjutnya O
, O
dapat O
mengoptimalkan O
pembangkitan O
data O
sintetis O
lebih O
lanjut O
seperti O
dengan O
menyesuaikan O
parameter O
atau O
struktur O
model O
yang O
dibuat. O

Model O
Conditional-GAN O
dalam O
Pembangkitan O
Data O
Sintetis O
untuk O
Segmentasi O
Iffati O
Uzma O
( O
221810335 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Rani O
Nooraeni O
, O
S.ST O
, O
M.Stat O
Network O
Generative O
Adversarial O
Ringkasan— O
Keterbatasan O
jumlah O
data O
training O
pada O
kasus O
learning O
memengaruhi O
performa O
model O
yang O
kajian O
deep O
dihasilkan. O
Hal O
ini O
karena O
terbatasnya O
data O
bisa O
menyebabkan O
overfit O
sehingga O
model O
tidak O
dapat O
bekerja O
dengan O
baik. O
Conditional O
( O
cGAN O
) O
diperkenalkan O
untuk O
membangkitkan O
data O
sintetis O
dengan O
mempertimbangkan O
kondisi O
tertentu. O
Segmentasi O
, O
merupakan O
salah O
satu O
bentuk O
analisis O
gambar O
paling O
mendasar. O
Sehingga O
tujuan O
penelitian O
ini O
adalah O
membangkitkan B-TUJUAN
data I-TUJUAN
sintetis I-TUJUAN
dengan I-TUJUAN
cGAN I-TUJUAN
untuk I-TUJUAN
mendapatkan I-TUJUAN
data I-TUJUAN
training I-TUJUAN
tambahan I-TUJUAN
sehingga I-TUJUAN
dapat I-TUJUAN
mengoptimalkan I-TUJUAN
model I-TUJUAN
segmentasi.. I-TUJUAN
Model B-METODE
Conditional I-METODE
GAN I-METODE
dan I-METODE
CNN I-METODE
Arsitektur I-METODE
U-Net I-METODE
dan I-METODE
FCN I-METODE
menggunakan I-METODE
dataset I-METODE
MNIST I-METODE
Fashion I-METODE
, I-METODE
MNIST I-METODE
digit I-METODE
, I-METODE
dan I-METODE
oxford I-METODE
IIIT I-METODE
Pet. I-METODE
Hasil O
penelitian O
diperoleh O
bahwa O
penerapan B-TEMUAN
metode I-TEMUAN
cGAN I-TEMUAN
berhasil I-TEMUAN
membangkitkan I-TEMUAN
data I-TEMUAN
gambar I-TEMUAN
sintetis I-TEMUAN
baru I-TEMUAN
yang I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
mengikuti I-TEMUAN
gambar I-TEMUAN
asli I-TEMUAN
seiring I-TEMUAN
dengan I-TEMUAN
proses I-TEMUAN
pelatihan. I-TEMUAN
Kenambahan O
data O
sintetis O
bangkitan O
dengan O
cGAN O
berpengaruh O
baik O
pada O
loss O
dan O
akurasi O
validasi O
, O
namun O
belum O
menunjukkan O
pengaruh O
yang O
baik O
untuk O
indikator O
evaluasi O
lain. O
Hal O
ini O
dapat O
disebabkan O
karena O
data O
sintetis O
yang O
belum O
terlalu O
mirip O
dengan O
data O
sebenarnya. O
Kata O
Kunci—deep O
learning O
, O
keterbatasan O
data O
, O
cGAN O
, O
CNN O
, O
segmentasi O
[SEP] O
tambahan O
TABEL O
II O
Perbandingan O
Segmentasi O
dengan O
dan O
tanpa O
Data O
Tambahan O
FCN O
Tanpa O
Data O
Tambahan O
Dengan O
Data O
Tambahan O
Dari O
penelitian O
yang O
telah O
dilakukan O
, O
diperoleh O
kesimpulan O
sebagai O
berikut O
: O
1. B-METODE
Metode I-METODE
cGAN I-METODE
dapat O
membangkitkan O
data O
sintesis O
dengan O
baik O
melalui O
proses O
pelatihan. O
Data O
yang O
lebih O
kompleks O
membutuhkan O
pelatihan O
dengan O
proses O
perulangan O
lebih O
banyak O
2. O
Penambahan B-TEMUAN
data I-TEMUAN
sintetis I-TEMUAN
bangkitan I-TEMUAN
dengan I-TEMUAN
cGAN I-TEMUAN
berpengaruh I-TEMUAN
baik I-TEMUAN
pada I-TEMUAN
loss I-TEMUAN
dan I-TEMUAN
akurasi I-TEMUAN
validasi I-TEMUAN
, I-TEMUAN
namun I-TEMUAN
sebaliknya I-TEMUAN
untuk I-TEMUAN
indikator I-TEMUAN
evaluasi I-TEMUAN
lain. I-TEMUAN
Artinya I-TEMUAN
terdapat I-TEMUAN
pengaruh I-TEMUAN
dari I-TEMUAN
penmbahan I-TEMUAN
data I-TEMUAN
sintetis I-TEMUAN
meski I-TEMUAN
belum I-TEMUAN
pada I-TEMUAN
semua I-TEMUAN
indikator I-TEMUAN
evaluasi. I-TEMUAN
Hal I-TEMUAN
ini I-TEMUAN
dapat I-TEMUAN
disebabkan I-TEMUAN
karena I-TEMUAN
data I-TEMUAN
sintetis I-TEMUAN
yang I-TEMUAN
belum I-TEMUAN
cukup I-TEMUAN
mirip I-TEMUAN
dengan I-TEMUAN
data I-TEMUAN
sebenarnya. I-TEMUAN
Untuk O
penelitian O
selanjutnya O
, O
dapat O
mengoptimalkan O
pembangkitan O
data O
sintetis O
lebih O
lanjut O
seperti O
dengan O
menyesuaikan O
parameter O
atau O
struktur O
model O
yang O
dibuat. O

Model O
Conditional-GAN O
dalam O
Pembangkitan O
Data O
Sintetis O
untuk O
Segmentasi O
Iffati O
Uzma O
( O
221810335 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Rani O
Nooraeni O
, O
S.ST O
, O
M.Stat O
Network O
Generative O
Adversarial O
Ringkasan— O
Keterbatasan O
jumlah O
data O
training O
pada O
kasus O
learning O
memengaruhi O
performa O
model O
yang O
kajian O
deep O
dihasilkan. O
Hal O
ini O
karena O
terbatasnya O
data O
bisa O
menyebabkan O
overfit O
sehingga O
model O
tidak O
dapat O
bekerja O
dengan O
baik. O
Conditional O
( O
cGAN O
) O
diperkenalkan O
untuk O
membangkitkan O
data O
sintetis O
dengan O
mempertimbangkan O
kondisi O
tertentu. O
Segmentasi O
, O
merupakan O
salah O
satu O
bentuk O
analisis O
gambar O
paling O
mendasar. O
Sehingga O
tujuan O
penelitian O
ini O
adalah O
membangkitkan B-TUJUAN
data I-TUJUAN
sintetis I-TUJUAN
dengan I-TUJUAN
cGAN I-TUJUAN
untuk I-TUJUAN
mendapatkan I-TUJUAN
data I-TUJUAN
training I-TUJUAN
tambahan I-TUJUAN
sehingga I-TUJUAN
dapat I-TUJUAN
mengoptimalkan I-TUJUAN
model I-TUJUAN
segmentasi.. I-TUJUAN
Model B-METODE
Conditional I-METODE
GAN I-METODE
dan I-METODE
CNN I-METODE
Arsitektur I-METODE
U-Net I-METODE
dan I-METODE
FCN I-METODE
menggunakan I-METODE
dataset I-METODE
MNIST I-METODE
Fashion I-METODE
, I-METODE
MNIST I-METODE
digit I-METODE
, I-METODE
dan I-METODE
oxford I-METODE
IIIT I-METODE
Pet. I-METODE
Hasil O
penelitian O
diperoleh O
bahwa O
penerapan B-TEMUAN
metode I-TEMUAN
cGAN I-TEMUAN
berhasil I-TEMUAN
membangkitkan I-TEMUAN
data I-TEMUAN
gambar I-TEMUAN
sintetis I-TEMUAN
baru I-TEMUAN
yang I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
mengikuti I-TEMUAN
gambar I-TEMUAN
asli I-TEMUAN
seiring I-TEMUAN
dengan I-TEMUAN
proses I-TEMUAN
pelatihan. I-TEMUAN
Kenambahan O
data O
sintetis O
bangkitan O
dengan O
cGAN O
berpengaruh O
baik O
pada O
loss O
dan O
akurasi O
validasi O
, O
namun O
belum O
menunjukkan O
pengaruh O
yang O
baik O
untuk O
indikator O
evaluasi O
lain. O
Hal O
ini O
dapat O
disebabkan O
karena O
data O
sintetis O
yang O
belum O
terlalu O
mirip O
dengan O
data O
sebenarnya. O
Kata O
Kunci—deep O
learning O
, O
keterbatasan O
data O
, O
cGAN O
, O
CNN O
, O
segmentasi O
[SEP] O
tambahan O
TABEL O
II O
Perbandingan O
Segmentasi O
dengan O
dan O
tanpa O
Data O
Tambahan O
FCN O
Tanpa O
Data O
Tambahan O
Dengan O
Data O
Tambahan O
Dari O
penelitian O
yang O
telah O
dilakukan O
, O
diperoleh O
kesimpulan O
sebagai O
berikut O
: O
1. B-METODE
Metode I-METODE
cGAN I-METODE
dapat O
membangkitkan O
data O
sintesis O
dengan O
baik O
melalui O
proses O
pelatihan. O
Data O
yang O
lebih O
kompleks O
membutuhkan O
pelatihan O
dengan O
proses O
perulangan O
lebih O
banyak O
2. O
Penambahan B-TEMUAN
data I-TEMUAN
sintetis I-TEMUAN
bangkitan I-TEMUAN
dengan I-TEMUAN
cGAN I-TEMUAN
berpengaruh I-TEMUAN
baik I-TEMUAN
pada I-TEMUAN
loss I-TEMUAN
dan I-TEMUAN
akurasi I-TEMUAN
validasi I-TEMUAN
, I-TEMUAN
namun I-TEMUAN
sebaliknya I-TEMUAN
untuk I-TEMUAN
indikator I-TEMUAN
evaluasi I-TEMUAN
lain. I-TEMUAN
Artinya I-TEMUAN
terdapat I-TEMUAN
pengaruh I-TEMUAN
dari I-TEMUAN
penmbahan I-TEMUAN
data I-TEMUAN
sintetis I-TEMUAN
meski I-TEMUAN
belum I-TEMUAN
pada I-TEMUAN
semua I-TEMUAN
indikator I-TEMUAN
evaluasi. I-TEMUAN
Hal I-TEMUAN
ini I-TEMUAN
dapat I-TEMUAN
disebabkan I-TEMUAN
karena I-TEMUAN
data I-TEMUAN
sintetis I-TEMUAN
yang I-TEMUAN
belum I-TEMUAN
cukup I-TEMUAN
mirip I-TEMUAN
dengan I-TEMUAN
data I-TEMUAN
sebenarnya. I-TEMUAN
Untuk O
penelitian O
selanjutnya O
, O
dapat O
mengoptimalkan O
pembangkitan O
data O
sintetis O
lebih O
lanjut O
seperti O
dengan O
menyesuaikan O
parameter O
atau O
struktur O
model O
yang O
dibuat. O

Nowcasting O
Jumlah O
Penumpang O
Pesawat O
di O
Bandara O
Ngurah O
Rai O
Menggunakan O
Google O
Trends O
I O
Putu O
Juni O
Adi O
Widianata O
( O
221810333 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I O
Ringkasan— O
Data O
jumlah O
penumpang O
pesawat O
merupakan O
hal O
yang O
penting O
terkait O
kebijakan O
yang O
akan O
dilakukan O
oleh O
pengelola O
bandara O
dan O
pemerintah. O
Kebijakan O
tersebut O
berkaitan O
dengan O
peningkatan O
fasilitas O
dan O
kapasitas O
dari O
bandara O
dan O
sektor-sektor O
lain O
yang O
terdampak O
seperti O
sektor O
transportasi O
dan O
industri O
pariwisata. O
Suatu O
kebijakan O
yang O
diambil O
akan O
lebih O
baik O
jika O
data O
yang O
digunakan O
sangat O
dekat O
dengan O
waktu O
pengambilan O
keputusan O
kebijakan. O
Oleh O
karena O
itu O
, O
diperlukan B-TUJUAN
teknik I-TUJUAN
untuk I-TUJUAN
melakukan I-TUJUAN
peramalan I-TUJUAN
yang I-TUJUAN
sangat I-TUJUAN
dekat I-TUJUAN
dengan I-TUJUAN
kondisi I-TUJUAN
terkini I-TUJUAN
dari I-TUJUAN
jumlah I-TUJUAN
penumpang I-TUJUAN
pesawat I-TUJUAN
yaitu I-TUJUAN
nowcasting. I-TUJUAN
Salah O
satu O
sumber O
data O
yang O
dapat O
digunakan O
untuk O
nowcasting O
adalah O
data O
google O
trends. O
Pada O
penelitian O
ini O
dilakukan O
identifikasi O
kata O
kunci O
relevan O
yang O
digunakan O
untuk O
nowcasting O
, O
pembentukan O
model O
nowcasting O
, O
dan O
pencarian O
model O
terbaik O
untuk O
nowcasting O
jumlah O
penumpang O
pesawat. O
Metode B-METODE
nowcasting I-METODE
yang O
digunakan O
adalah O
SARIMAX O
dan O
multilayer O
perceptron. O
Pada O
penelitian O
ini O
dihasilkan B-TEMUAN
lima I-TEMUAN
kata I-TEMUAN
kunci I-TEMUAN
relevan I-TEMUAN
untuk I-TEMUAN
keberangkatan I-TEMUAN
domestik I-TEMUAN
dan I-TEMUAN
dua I-TEMUAN
untuk I-TEMUAN
keberangkatan I-TEMUAN
internasional. I-TEMUAN
Pada I-TEMUAN
pemodelan I-TEMUAN
nowcasting I-TEMUAN
dihasilkan I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
untuk I-TEMUAN
nowcasting I-TEMUAN
keberangkatan I-TEMUAN
domestik I-TEMUAN
yaitu I-TEMUAN
multilayer I-TEMUAN
untuk I-TEMUAN
keberangkatan I-TEMUAN
sedangkan I-TEMUAN
internasional I-TEMUAN
dihasilkan I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
yaitu I-TEMUAN
SARIMAX. I-TEMUAN
perceptron O
, O
Kata O
Kunci— O
Nowcasting O
, O
google O
penumpang O
pesawat O
, O
multilayer O
perceptron O
trends O
, O
SARIMAX O
, O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
maka O
dapat O
disimpulkan O
beberapa O
hal O
yaitu O
1. O
Diperoleh O
kata O
kunci O
pencarian O
yang O
relevan O
dengan O
data O
jumlah O
penumpang O
pesawat O
untuk O
keberangkatan O
domestik O
yaitu O
“tiket” O
, O
“web O
check O
in” O
, O
“trip” O
, O
“booking” O
, O
dan O
“check O
in O
online” O
dan O
untuk O
keberangkatan O
internasional O
yaitu O
“batik O
air O
check O
in” O
dan O
“scoot”. O
2. O
Metode O
SARIMAX O
dan O
multilayer O
perceptron O
dapat O
digunakan O
untuk O
melakukan O
nowcasting O
jumlah O
penumpang O
pesawat O
keberangkatan O
domestik O
dan O
internasional O
dengan O
hasil O
yang O
baik. O
Model B-TEMUAN
terbaik I-TEMUAN
untuk I-TEMUAN
nowcasting I-TEMUAN
jumlah I-TEMUAN
penumpang I-TEMUAN
pesawat I-TEMUAN
keberangkatan I-TEMUAN
domestik I-TEMUAN
adalah I-TEMUAN
neural I-TEMUAN
network I-TEMUAN
arsitektur I-TEMUAN
multilayer I-TEMUAN
perceptron I-TEMUAN
dengan I-TEMUAN
MLP- I-TEMUAN
sigmoid I-TEMUAN
yaitu I-TEMUAN
tidak I-TEMUAN
menerapkan I-TEMUAN
fungsi I-TEMUAN
aktivasi I-TEMUAN
sigmoid I-TEMUAN
logistik I-TEMUAN
pada I-TEMUAN
output I-TEMUAN
neuron I-TEMUAN
, I-TEMUAN
satu I-TEMUAN
hidden I-TEMUAN
layer I-TEMUAN
dengan I-TEMUAN
tiga I-TEMUAN
neuron I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
menggunakan I-TEMUAN
tiga I-TEMUAN
variabel I-TEMUAN
GT I-TEMUAN
yaitu I-TEMUAN
“booking” I-TEMUAN
, I-TEMUAN
“check I-TEMUAN
in I-TEMUAN
online” I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
“web I-TEMUAN
check I-TEMUAN
in”. I-TEMUAN
Untuk I-TEMUAN
keberangkatan I-TEMUAN
SARIMAX I-TEMUAN
terbaik I-TEMUAN
internasional I-TEMUAN
, I-TEMUAN
model I-TEMUAN
( I-TEMUAN
0,1,0 I-TEMUAN
) I-TEMUAN
( I-TEMUAN
0,0,1 I-TEMUAN
) I-TEMUAN
12 I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
variabel I-TEMUAN
GT I-TEMUAN
“scoot”. I-TEMUAN
3. O
Berdasarkan O
hasil O
penelitian O
ini O
diketahui O
bahwa O
google O
trends O
memiliki O
potensi O
untuk O
digunakan O
dalam O
nowcasting O
jumlah O
penumpang O
pesawat O
keberangkatan O
domestik O
dan O
internasional. O
Dari O
hasil O
nowcasting O
dapat O
dimanfaatkan O
untuk O
melihat O
laju O
pertumbuhan O
jumlah O
penumpang O
pesawat O
yang O
dilihat O
dari O
data O
hasil O
nowcasting O
dibandingkan O
dengan O
adalah O
8 O
/ O
9 O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
determinants O
of O
air O
passenger O
traffic O
at O
Turkish O
airports O
, O
” O
J. O
Air O
Transp. O
Manag. O
, O
vol. O
86 O
, O
2020 O
, O
doi O
: O
10.1016 O
/ O
j.jairtraman.2020.101818. O
[ O
24 O
] O
M. O
Ray O
, O
R. O
R. O
Kumar O
, O
and O
K. O
Sinha O
, O
“Improved O
ARIMAX O
model O
based O
on O
ANN O
and O
SVM O
approaches O
for O
forecasting O
rice O
yield O
using O
weather O
variables O
, O
” O
Indian O
J. O
Agric. O
Sci. O
88 O
, O
no. O
December O
, O
2018. O
[ O
25 O
] O
R. O
K. O
Paul O
, O
“ARIMAX-GARCH-WAVELET O
model O
for O
forecasting O
volatile O
data O
, O
” O
vol. O
10 O
, O
pp. O
243–252 O
, O
2015 O
, O
doi O
: O
10.3233 O
/ O
MAS-150328. O
[ O
26 O
] O
J. O
Heaton O
, O
Introduction O
to O
neural O
networks O
with O
Java. O
Heaton O
Research O
, O
Inc. O
, O
2008. O
[ O
27 O
] O
L. O
Fausett O
, O
“Fundamentals O
of O
neural O
networks O
: O
architectures O
, O
algorithms O
, O
and O
applications.” O
Prentice-Hall O
, O
Inc. O
, O
1994. O
periode O
terakhir O
dari O
data O
aktual O
untuk O
dapat O
digunakan O
sebagai O
informasi O
dan O
rekomendasi O
untuk O
kebijakan O
pengelola O
bandara O
dan O
pemerintah. O

Nowcasting O
Jumlah O
Penumpang O
Pesawat O
di O
Bandara O
Ngurah O
Rai O
Menggunakan O
Google O
Trends O
I O
Putu O
Juni O
Adi O
Widianata O
( O
221810333 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I O
Ringkasan— O
Data O
jumlah O
penumpang O
pesawat O
merupakan O
hal O
yang O
penting O
terkait O
kebijakan O
yang O
akan O
dilakukan O
oleh O
pengelola O
bandara O
dan O
pemerintah. O
Kebijakan O
tersebut O
berkaitan O
dengan O
peningkatan O
fasilitas O
dan O
kapasitas O
dari O
bandara O
dan O
sektor-sektor O
lain O
yang O
terdampak O
seperti O
sektor O
transportasi O
dan O
industri O
pariwisata. O
Suatu O
kebijakan O
yang O
diambil O
akan O
lebih O
baik O
jika O
data O
yang O
digunakan O
sangat O
dekat O
dengan O
waktu O
pengambilan O
keputusan O
kebijakan. O
Oleh O
karena O
itu O
, O
diperlukan B-TUJUAN
teknik I-TUJUAN
untuk I-TUJUAN
melakukan I-TUJUAN
peramalan I-TUJUAN
yang I-TUJUAN
sangat I-TUJUAN
dekat I-TUJUAN
dengan I-TUJUAN
kondisi I-TUJUAN
terkini I-TUJUAN
dari I-TUJUAN
jumlah I-TUJUAN
penumpang I-TUJUAN
pesawat I-TUJUAN
yaitu I-TUJUAN
nowcasting. I-TUJUAN
Salah O
satu O
sumber O
data O
yang O
dapat O
digunakan O
untuk O
nowcasting O
adalah O
data O
google O
trends. O
Pada O
penelitian O
ini O
dilakukan O
identifikasi O
kata O
kunci O
relevan O
yang O
digunakan O
untuk O
nowcasting O
, O
pembentukan O
model O
nowcasting O
, O
dan O
pencarian O
model O
terbaik O
untuk O
nowcasting O
jumlah O
penumpang O
pesawat. O
Metode B-METODE
nowcasting I-METODE
yang O
digunakan O
adalah O
SARIMAX O
dan O
multilayer O
perceptron. O
Pada O
penelitian O
ini O
dihasilkan B-TEMUAN
lima I-TEMUAN
kata I-TEMUAN
kunci I-TEMUAN
relevan I-TEMUAN
untuk I-TEMUAN
keberangkatan I-TEMUAN
domestik I-TEMUAN
dan I-TEMUAN
dua I-TEMUAN
untuk I-TEMUAN
keberangkatan I-TEMUAN
internasional. I-TEMUAN
Pada I-TEMUAN
pemodelan I-TEMUAN
nowcasting I-TEMUAN
dihasilkan I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
untuk I-TEMUAN
nowcasting I-TEMUAN
keberangkatan I-TEMUAN
domestik I-TEMUAN
yaitu I-TEMUAN
multilayer I-TEMUAN
untuk I-TEMUAN
keberangkatan I-TEMUAN
sedangkan I-TEMUAN
internasional I-TEMUAN
dihasilkan I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
yaitu I-TEMUAN
SARIMAX. I-TEMUAN
perceptron O
, O
Kata O
Kunci— O
Nowcasting O
, O
google O
penumpang O
pesawat O
, O
multilayer O
perceptron O
trends O
, O
SARIMAX O
, O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
maka O
dapat O
disimpulkan O
beberapa O
hal O
yaitu O
1. O
Diperoleh O
kata O
kunci O
pencarian O
yang O
relevan O
dengan O
data O
jumlah O
penumpang O
pesawat O
untuk O
keberangkatan O
domestik O
yaitu O
“tiket” O
, O
“web O
check O
in” O
, O
“trip” O
, O
“booking” O
, O
dan O
“check O
in O
online” O
dan O
untuk O
keberangkatan O
internasional O
yaitu O
“batik O
air O
check O
in” O
dan O
“scoot”. O
2. O
Metode O
SARIMAX O
dan O
multilayer O
perceptron O
dapat O
digunakan O
untuk O
melakukan O
nowcasting O
jumlah O
penumpang O
pesawat O
keberangkatan O
domestik O
dan O
internasional O
dengan O
hasil O
yang O
baik. O
Model B-TEMUAN
terbaik I-TEMUAN
untuk I-TEMUAN
nowcasting I-TEMUAN
jumlah I-TEMUAN
penumpang I-TEMUAN
pesawat I-TEMUAN
keberangkatan I-TEMUAN
domestik I-TEMUAN
adalah I-TEMUAN
neural I-TEMUAN
network I-TEMUAN
arsitektur I-TEMUAN
multilayer I-TEMUAN
perceptron I-TEMUAN
dengan I-TEMUAN
MLP- I-TEMUAN
sigmoid I-TEMUAN
yaitu I-TEMUAN
tidak I-TEMUAN
menerapkan I-TEMUAN
fungsi I-TEMUAN
aktivasi I-TEMUAN
sigmoid I-TEMUAN
logistik I-TEMUAN
pada I-TEMUAN
output I-TEMUAN
neuron I-TEMUAN
, I-TEMUAN
satu I-TEMUAN
hidden I-TEMUAN
layer I-TEMUAN
dengan I-TEMUAN
tiga I-TEMUAN
neuron I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
menggunakan I-TEMUAN
tiga I-TEMUAN
variabel I-TEMUAN
GT I-TEMUAN
yaitu I-TEMUAN
“booking” I-TEMUAN
, I-TEMUAN
“check I-TEMUAN
in I-TEMUAN
online” I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
“web I-TEMUAN
check I-TEMUAN
in”. I-TEMUAN
Untuk I-TEMUAN
keberangkatan I-TEMUAN
SARIMAX I-TEMUAN
terbaik I-TEMUAN
internasional I-TEMUAN
, I-TEMUAN
model I-TEMUAN
( I-TEMUAN
0,1,0 I-TEMUAN
) I-TEMUAN
( I-TEMUAN
0,0,1 I-TEMUAN
) I-TEMUAN
12 I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
variabel I-TEMUAN
GT I-TEMUAN
“scoot”. I-TEMUAN
3. O
Berdasarkan O
hasil O
penelitian O
ini O
diketahui O
bahwa O
google O
trends O
memiliki O
potensi O
untuk O
digunakan O
dalam O
nowcasting O
jumlah O
penumpang O
pesawat O
keberangkatan O
domestik O
dan O
internasional. O
Dari O
hasil O
nowcasting O
dapat O
dimanfaatkan O
untuk O
melihat O
laju O
pertumbuhan O
jumlah O
penumpang O
pesawat O
yang O
dilihat O
dari O
data O
hasil O
nowcasting O
dibandingkan O
dengan O
adalah O
8 O
/ O
9 O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
determinants O
of O
air O
passenger O
traffic O
at O
Turkish O
airports O
, O
” O
J. O
Air O
Transp. O
Manag. O
, O
vol. O
86 O
, O
2020 O
, O
doi O
: O
10.1016 O
/ O
j.jairtraman.2020.101818. O
[ O
24 O
] O
M. O
Ray O
, O
R. O
R. O
Kumar O
, O
and O
K. O
Sinha O
, O
“Improved O
ARIMAX O
model O
based O
on O
ANN O
and O
SVM O
approaches O
for O
forecasting O
rice O
yield O
using O
weather O
variables O
, O
” O
Indian O
J. O
Agric. O
Sci. O
88 O
, O
no. O
December O
, O
2018. O
[ O
25 O
] O
R. O
K. O
Paul O
, O
“ARIMAX-GARCH-WAVELET O
model O
for O
forecasting O
volatile O
data O
, O
” O
vol. O
10 O
, O
pp. O
243–252 O
, O
2015 O
, O
doi O
: O
10.3233 O
/ O
MAS-150328. O
[ O
26 O
] O
J. O
Heaton O
, O
Introduction O
to O
neural O
networks O
with O
Java. O
Heaton O
Research O
, O
Inc. O
, O
2008. O
[ O
27 O
] O
L. O
Fausett O
, O
“Fundamentals O
of O
neural O
networks O
: O
architectures O
, O
algorithms O
, O
and O
applications.” O
Prentice-Hall O
, O
Inc. O
, O
1994. O
periode O
terakhir O
dari O
data O
aktual O
untuk O
dapat O
digunakan O
sebagai O
informasi O
dan O
rekomendasi O
untuk O
kebijakan O
pengelola O
bandara O
dan O
pemerintah. O

Nowcasting O
Jumlah O
Penumpang O
Pesawat O
di O
Bandara O
Ngurah O
Rai O
Menggunakan O
Google O
Trends O
I O
Putu O
Juni O
Adi O
Widianata O
( O
221810333 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I O
Ringkasan— O
Data O
jumlah O
penumpang O
pesawat O
merupakan O
hal O
yang O
penting O
terkait O
kebijakan O
yang O
akan O
dilakukan O
oleh O
pengelola O
bandara O
dan O
pemerintah. O
Kebijakan O
tersebut O
berkaitan O
dengan O
peningkatan O
fasilitas O
dan O
kapasitas O
dari O
bandara O
dan O
sektor-sektor O
lain O
yang O
terdampak O
seperti O
sektor O
transportasi O
dan O
industri O
pariwisata. O
Suatu O
kebijakan O
yang O
diambil O
akan O
lebih O
baik O
jika O
data O
yang O
digunakan O
sangat O
dekat O
dengan O
waktu O
pengambilan O
keputusan O
kebijakan. O
Oleh O
karena O
itu O
, O
diperlukan B-TUJUAN
teknik I-TUJUAN
untuk I-TUJUAN
melakukan I-TUJUAN
peramalan I-TUJUAN
yang I-TUJUAN
sangat I-TUJUAN
dekat I-TUJUAN
dengan I-TUJUAN
kondisi I-TUJUAN
terkini I-TUJUAN
dari I-TUJUAN
jumlah I-TUJUAN
penumpang I-TUJUAN
pesawat I-TUJUAN
yaitu I-TUJUAN
nowcasting. I-TUJUAN
Salah O
satu O
sumber O
data O
yang O
dapat O
digunakan O
untuk O
nowcasting O
adalah O
data O
google O
trends. O
Pada O
penelitian O
ini O
dilakukan O
identifikasi O
kata O
kunci O
relevan O
yang O
digunakan O
untuk O
nowcasting O
, O
pembentukan O
model O
nowcasting O
, O
dan O
pencarian O
model O
terbaik O
untuk O
nowcasting O
jumlah O
penumpang O
pesawat. O
Metode B-METODE
nowcasting I-METODE
yang O
digunakan O
adalah O
SARIMAX O
dan O
multilayer O
perceptron. O
Pada O
penelitian O
ini O
dihasilkan B-TEMUAN
lima I-TEMUAN
kata I-TEMUAN
kunci I-TEMUAN
relevan I-TEMUAN
untuk I-TEMUAN
keberangkatan I-TEMUAN
domestik I-TEMUAN
dan I-TEMUAN
dua I-TEMUAN
untuk I-TEMUAN
keberangkatan I-TEMUAN
internasional. I-TEMUAN
Pada I-TEMUAN
pemodelan I-TEMUAN
nowcasting I-TEMUAN
dihasilkan I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
untuk I-TEMUAN
nowcasting I-TEMUAN
keberangkatan I-TEMUAN
domestik I-TEMUAN
yaitu I-TEMUAN
multilayer I-TEMUAN
untuk I-TEMUAN
keberangkatan I-TEMUAN
sedangkan I-TEMUAN
internasional I-TEMUAN
dihasilkan I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
yaitu I-TEMUAN
SARIMAX. I-TEMUAN
perceptron O
, O
Kata O
Kunci— O
Nowcasting O
, O
google O
penumpang O
pesawat O
, O
multilayer O
perceptron O
trends O
, O
SARIMAX O
, O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
maka O
dapat O
disimpulkan O
beberapa O
hal O
yaitu O
1. O
Diperoleh O
kata O
kunci O
pencarian O
yang O
relevan O
dengan O
data O
jumlah O
penumpang O
pesawat O
untuk O
keberangkatan O
domestik O
yaitu O
“tiket” O
, O
“web O
check O
in” O
, O
“trip” O
, O
“booking” O
, O
dan O
“check O
in O
online” O
dan O
untuk O
keberangkatan O
internasional O
yaitu O
“batik O
air O
check O
in” O
dan O
“scoot”. O
2. O
Metode O
SARIMAX O
dan O
multilayer O
perceptron O
dapat O
digunakan O
untuk O
melakukan O
nowcasting O
jumlah O
penumpang O
pesawat O
keberangkatan O
domestik O
dan O
internasional O
dengan O
hasil O
yang O
baik. O
Model B-TEMUAN
terbaik I-TEMUAN
untuk I-TEMUAN
nowcasting I-TEMUAN
jumlah I-TEMUAN
penumpang I-TEMUAN
pesawat I-TEMUAN
keberangkatan I-TEMUAN
domestik I-TEMUAN
adalah I-TEMUAN
neural I-TEMUAN
network I-TEMUAN
arsitektur I-TEMUAN
multilayer I-TEMUAN
perceptron I-TEMUAN
dengan I-TEMUAN
MLP- I-TEMUAN
sigmoid I-TEMUAN
yaitu I-TEMUAN
tidak I-TEMUAN
menerapkan I-TEMUAN
fungsi I-TEMUAN
aktivasi I-TEMUAN
sigmoid I-TEMUAN
logistik I-TEMUAN
pada I-TEMUAN
output I-TEMUAN
neuron I-TEMUAN
, I-TEMUAN
satu I-TEMUAN
hidden I-TEMUAN
layer I-TEMUAN
dengan I-TEMUAN
tiga I-TEMUAN
neuron I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
menggunakan I-TEMUAN
tiga I-TEMUAN
variabel I-TEMUAN
GT I-TEMUAN
yaitu I-TEMUAN
“booking” I-TEMUAN
, I-TEMUAN
“check I-TEMUAN
in I-TEMUAN
online” I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
“web I-TEMUAN
check I-TEMUAN
in”. I-TEMUAN
Untuk I-TEMUAN
keberangkatan I-TEMUAN
SARIMAX I-TEMUAN
terbaik I-TEMUAN
internasional I-TEMUAN
, I-TEMUAN
model I-TEMUAN
( I-TEMUAN
0,1,0 I-TEMUAN
) I-TEMUAN
( I-TEMUAN
0,0,1 I-TEMUAN
) I-TEMUAN
12 I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
variabel I-TEMUAN
GT I-TEMUAN
“scoot”. I-TEMUAN
3. O
Berdasarkan O
hasil O
penelitian O
ini O
diketahui O
bahwa O
google O
trends O
memiliki O
potensi O
untuk O
digunakan O
dalam O
nowcasting O
jumlah O
penumpang O
pesawat O
keberangkatan O
domestik O
dan O
internasional. O
Dari O
hasil O
nowcasting O
dapat O
dimanfaatkan O
untuk O
melihat O
laju O
pertumbuhan O
jumlah O
penumpang O
pesawat O
yang O
dilihat O
dari O
data O
hasil O
nowcasting O
dibandingkan O
dengan O
adalah O
8 O
/ O
9 O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
determinants O
of O
air O
passenger O
traffic O
at O
Turkish O
airports O
, O
” O
J. O
Air O
Transp. O
Manag. O
, O
vol. O
86 O
, O
2020 O
, O
doi O
: O
10.1016 O
/ O
j.jairtraman.2020.101818. O
[ O
24 O
] O
M. O
Ray O
, O
R. O
R. O
Kumar O
, O
and O
K. O
Sinha O
, O
“Improved O
ARIMAX O
model O
based O
on O
ANN O
and O
SVM O
approaches O
for O
forecasting O
rice O
yield O
using O
weather O
variables O
, O
” O
Indian O
J. O
Agric. O
Sci. O
88 O
, O
no. O
December O
, O
2018. O
[ O
25 O
] O
R. O
K. O
Paul O
, O
“ARIMAX-GARCH-WAVELET O
model O
for O
forecasting O
volatile O
data O
, O
” O
vol. O
10 O
, O
pp. O
243–252 O
, O
2015 O
, O
doi O
: O
10.3233 O
/ O
MAS-150328. O
[ O
26 O
] O
J. O
Heaton O
, O
Introduction O
to O
neural O
networks O
with O
Java. O
Heaton O
Research O
, O
Inc. O
, O
2008. O
[ O
27 O
] O
L. O
Fausett O
, O
“Fundamentals O
of O
neural O
networks O
: O
architectures O
, O
algorithms O
, O
and O
applications.” O
Prentice-Hall O
, O
Inc. O
, O
1994. O
periode O
terakhir O
dari O
data O
aktual O
untuk O
dapat O
digunakan O
sebagai O
informasi O
dan O
rekomendasi O
untuk O
kebijakan O
pengelola O
bandara O
dan O
pemerintah. O

Pembangunan O
R O
Package O
Model O
Zero O
Inflated O
Negative O
Binomial O
pada O
Small O
Area O
Estimation O
dengan O
Pendekatan O
Hierarchical O
Bayes O
Hayun O
( O
221810327 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Azka O
Ubaidillah O
, O
SST O
, O
M.Si O
Ringkasan—BPS O
merupakan O
lembaga O
negara O
yang O
berperan O
sebagai O
penyedia O
data O
utama O
dan O
juga O
penyedia O
data O
bagi O
indikator O
SDGs. O
Pengumpulan O
data O
statistik O
oleh O
BPS O
dilakukan O
melalui O
kegiatan O
seperti O
sensus O
, O
survei O
dan O
kompilasi O
data O
administrasi. O
Survei O
menjadi O
kegiatan O
andalan O
dari O
BPS O
karena O
lebih O
efektif O
dan O
efisien. O
Pada O
beberapa O
kondisi O
, O
survei O
memiliki O
kelemahan O
pada O
saat O
ukuran O
sampel O
kecil O
yang O
menghasilkan O
pendugaan O
langsung O
yang O
tidak O
dapat O
diandalkan. O
Disamping O
itu O
, O
terdapat O
tantangan O
terhadap O
penyajian O
indikator O
SDGs O
dengan O
disagregasi O
data O
terlebih O
lagi O
pada O
level O
wilayah O
kabupaten O
/ O
kota. O
SAE O
menjadi O
solusi O
untuk O
mengatasi O
tantangan O
tersebut. O
Selain O
itu O
, O
BPS O
juga O
banyak O
menghasilkan O
data O
survei O
berupa O
data O
count O
yang O
mana O
data O
ini O
juga O
banyak O
ditemui O
pada O
data O
indikator O
SDGs. O
Permasalahan O
yang O
muncul O
pada O
data O
count O
berupa O
kondisi O
excess O
zero O
dan O
terjadinya O
overdispersi. O
Penulis O
mengajukan O
model O
Zero O
Inflated O
Negative O
Binomial O
pada O
Small B-METODE
Area I-METODE
Estimation I-METODE
dengan O
Pendekatan O
Hierarchical O
Bayes O
untuk O
mengatasi O
masalah O
tersebut. O
Agar O
memudahkan O
pengguna O
dalam O
mengimplementasikan O
model O
yang O
dibentuk O
, O
penulis O
membangun B-TUJUAN
suatu I-TUJUAN
R I-TUJUAN
package I-TUJUAN
dengan I-TUJUAN
nama I-TUJUAN
package I-TUJUAN
‘saeHB.zinb’. I-TUJUAN
Package O
‘saeHB.zinb’ O
yang O
dibangun O
juga O
telah O
dievaluasi O
menggunakan O
uji B-METODE
usability I-METODE
, I-METODE
simulasi I-METODE
dan I-METODE
studi I-METODE
kasus I-METODE
yang O
dilakukan. O
Hasil B-TEMUAN
evaluasi I-TEMUAN
menunjukan I-TEMUAN
bahwa I-TEMUAN
R I-TEMUAN
package I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
sesuai I-TEMUAN
output I-TEMUAN
yang I-TEMUAN
diharapkan I-TEMUAN
dan I-TEMUAN
layak I-TEMUAN
digunakan I-TEMUAN
Kata O
Kunci— O
SAE O
, O
Hierarchical O
Bayes O
, O
Zero O
Inflated O
Negative O
Binomial O
, O
R O
[SEP] O
Dari O
hasil O
dan O
pembahasan O
, O
dapat O
disimpulkan O
bahwa O
: O
1. O
Model B-TEMUAN
Zero I-TEMUAN
Inflated I-TEMUAN
Negative I-TEMUAN
Binomial I-TEMUAN
pada I-TEMUAN
Small I-TEMUAN
Area I-TEMUAN
Estimation I-TEMUAN
dengan I-TEMUAN
Pendekatan I-TEMUAN
Hierarchical I-TEMUAN
Bayes I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
dan I-TEMUAN
diberi I-TEMUAN
nama I-TEMUAN
model I-TEMUAN
SAEHB-ZINB. I-TEMUAN
2. I-TEMUAN
R I-TEMUAN
package I-TEMUAN
yang I-TEMUAN
mengimplementasikan I-TEMUAN
model I-TEMUAN
SAEHB- I-TEMUAN
ZINB I-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
dengan I-TEMUAN
nama I-TEMUAN
‘saeHB.zinb’ I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diakses I-TEMUAN
melalui I-TEMUAN
situs I-TEMUAN
CRAN I-TEMUAN
atau I-TEMUAN
melalui I-TEMUAN
tautan I-TEMUAN
berikut I-TEMUAN
https I-TEMUAN
: I-TEMUAN
/ I-TEMUAN
/ I-TEMUAN
cran.r-project.org I-TEMUAN
/ I-TEMUAN
package=saeHB.zinb. I-TEMUAN
Berdasarkan I-TEMUAN
uji I-TEMUAN
usability I-TEMUAN
yang I-TEMUAN
dilakukan I-TEMUAN
, I-TEMUAN
R I-TEMUAN
package I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
3. I-TEMUAN
Berdasarkan I-TEMUAN
hasil I-TEMUAN
simulasi I-TEMUAN
dengan I-TEMUAN
jumlah I-TEMUAN
domain I-TEMUAN
berbeda I-TEMUAN
model I-TEMUAN
SAEHB-ZINB I-TEMUAN
menghasilkan I-TEMUAN
penduga I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
efisien I-TEMUAN
, I-TEMUAN
presisi I-TEMUAN
dan I-TEMUAN
akurat I-TEMUAN
jika I-TEMUAN
dibandingkan I-TEMUAN
penduga I-TEMUAN
dari I-TEMUAN
model I-TEMUAN
SAEHB-NB I-TEMUAN
4. O
Pada O
pendugaan O
AKB O
level O
kabupaten O
/ O
kota O
di O
Pulau O
Sulawesi O
, O
model O
SAEHB-ZINB O
menghasilkan O
penduga O
dengan O
MSE B-METODE
lebih O
baik O
jika O
dibandingkan O
dengan O
penduga O
dari O
pendugaan O
langsung O
maupun O
model O
SAEHB-NB. O
Saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
selanjutnya O
yaitu O
sebagai O
berikut O
: O
1. O
Perlu O
dilakukan O
kajian O
lebih O
lanjut O
pada O
data O
studi O
kasus O
terkait O
Relative O
Standard O
Error O
( O
RSE O
) O
baik O
untuk O
Estimasi O
langsung O
maupun O
model O
SAEHB-NB O
dan O
SAEHB-ZINB O
karena O
pada O
data O
studi O
kasus O
ditemui O
nilai O
RSE O
yang O
sangat O
besar. O
Oleh O
karena O
itu O
, O
diperlukan O
kajian O
lebih O
lanjut O
terhadap O
model O
yang O
telah O
dibentuk O
sehingga O
dapat O
menghasilkan O
RSE O
yang O
kecil. O
2. O
Memilih O
variabel O
penyerta O
yang O
lain O
untuk O
melakukan O
estimasi O
Angka O
Kematian O
Bayi O
, O
agar O
mendapatkan O
nilai O
estimasi O
yang O
lebih O
baik. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Pembangunan O
R O
Package O
Model O
Zero O
Inflated O
Negative O
Binomial O
pada O
Small O
Area O
Estimation O
dengan O
Pendekatan O
Hierarchical O
Bayes O
Hayun O
( O
221810327 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Azka O
Ubaidillah O
, O
SST O
, O
M.Si O
Ringkasan—BPS O
merupakan O
lembaga O
negara O
yang O
berperan O
sebagai O
penyedia O
data O
utama O
dan O
juga O
penyedia O
data O
bagi O
indikator O
SDGs. O
Pengumpulan O
data O
statistik O
oleh O
BPS O
dilakukan O
melalui O
kegiatan O
seperti O
sensus O
, O
survei O
dan O
kompilasi O
data O
administrasi. O
Survei O
menjadi O
kegiatan O
andalan O
dari O
BPS O
karena O
lebih O
efektif O
dan O
efisien. O
Pada O
beberapa O
kondisi O
, O
survei O
memiliki O
kelemahan O
pada O
saat O
ukuran O
sampel O
kecil O
yang O
menghasilkan O
pendugaan O
langsung O
yang O
tidak O
dapat O
diandalkan. O
Disamping O
itu O
, O
terdapat O
tantangan O
terhadap O
penyajian O
indikator O
SDGs O
dengan O
disagregasi O
data O
terlebih O
lagi O
pada O
level O
wilayah O
kabupaten O
/ O
kota. O
SAE O
menjadi O
solusi O
untuk O
mengatasi O
tantangan O
tersebut. O
Selain O
itu O
, O
BPS O
juga O
banyak O
menghasilkan O
data O
survei O
berupa O
data O
count O
yang O
mana O
data O
ini O
juga O
banyak O
ditemui O
pada O
data O
indikator O
SDGs. O
Permasalahan O
yang O
muncul O
pada O
data O
count O
berupa O
kondisi O
excess O
zero O
dan O
terjadinya O
overdispersi. O
Penulis O
mengajukan O
model O
Zero O
Inflated O
Negative O
Binomial O
pada O
Small B-METODE
Area I-METODE
Estimation I-METODE
dengan O
Pendekatan O
Hierarchical O
Bayes O
untuk O
mengatasi O
masalah O
tersebut. O
Agar O
memudahkan O
pengguna O
dalam O
mengimplementasikan O
model O
yang O
dibentuk O
, O
penulis O
membangun B-TUJUAN
suatu I-TUJUAN
R I-TUJUAN
package I-TUJUAN
dengan I-TUJUAN
nama I-TUJUAN
package I-TUJUAN
‘saeHB.zinb’. I-TUJUAN
Package O
‘saeHB.zinb’ O
yang O
dibangun O
juga O
telah O
dievaluasi O
menggunakan O
uji B-METODE
usability I-METODE
, I-METODE
simulasi I-METODE
dan I-METODE
studi I-METODE
kasus I-METODE
yang O
dilakukan. O
Hasil B-TEMUAN
evaluasi I-TEMUAN
menunjukan I-TEMUAN
bahwa I-TEMUAN
R I-TEMUAN
package I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
sesuai I-TEMUAN
output I-TEMUAN
yang I-TEMUAN
diharapkan I-TEMUAN
dan I-TEMUAN
layak I-TEMUAN
digunakan I-TEMUAN
Kata O
Kunci— O
SAE O
, O
Hierarchical O
Bayes O
, O
Zero O
Inflated O
Negative O
Binomial O
, O
R O
[SEP] O
Dari O
hasil O
dan O
pembahasan O
, O
dapat O
disimpulkan O
bahwa O
: O
1. O
Model B-TEMUAN
Zero I-TEMUAN
Inflated I-TEMUAN
Negative I-TEMUAN
Binomial I-TEMUAN
pada I-TEMUAN
Small I-TEMUAN
Area I-TEMUAN
Estimation I-TEMUAN
dengan I-TEMUAN
Pendekatan I-TEMUAN
Hierarchical I-TEMUAN
Bayes I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
dan I-TEMUAN
diberi I-TEMUAN
nama I-TEMUAN
model I-TEMUAN
SAEHB-ZINB. I-TEMUAN
2. I-TEMUAN
R I-TEMUAN
package I-TEMUAN
yang I-TEMUAN
mengimplementasikan I-TEMUAN
model I-TEMUAN
SAEHB- I-TEMUAN
ZINB I-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
dengan I-TEMUAN
nama I-TEMUAN
‘saeHB.zinb’ I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diakses I-TEMUAN
melalui I-TEMUAN
situs I-TEMUAN
CRAN I-TEMUAN
atau I-TEMUAN
melalui I-TEMUAN
tautan I-TEMUAN
berikut I-TEMUAN
https I-TEMUAN
: I-TEMUAN
/ I-TEMUAN
/ I-TEMUAN
cran.r-project.org I-TEMUAN
/ I-TEMUAN
package=saeHB.zinb. I-TEMUAN
Berdasarkan I-TEMUAN
uji I-TEMUAN
usability I-TEMUAN
yang I-TEMUAN
dilakukan I-TEMUAN
, I-TEMUAN
R I-TEMUAN
package I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
3. I-TEMUAN
Berdasarkan I-TEMUAN
hasil I-TEMUAN
simulasi I-TEMUAN
dengan I-TEMUAN
jumlah I-TEMUAN
domain I-TEMUAN
berbeda I-TEMUAN
model I-TEMUAN
SAEHB-ZINB I-TEMUAN
menghasilkan I-TEMUAN
penduga I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
efisien I-TEMUAN
, I-TEMUAN
presisi I-TEMUAN
dan I-TEMUAN
akurat I-TEMUAN
jika I-TEMUAN
dibandingkan I-TEMUAN
penduga I-TEMUAN
dari I-TEMUAN
model I-TEMUAN
SAEHB-NB I-TEMUAN
4. O
Pada O
pendugaan O
AKB O
level O
kabupaten O
/ O
kota O
di O
Pulau O
Sulawesi O
, O
model O
SAEHB-ZINB O
menghasilkan O
penduga O
dengan O
MSE B-METODE
lebih O
baik O
jika O
dibandingkan O
dengan O
penduga O
dari O
pendugaan O
langsung O
maupun O
model O
SAEHB-NB. O
Saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
selanjutnya O
yaitu O
sebagai O
berikut O
: O
1. O
Perlu O
dilakukan O
kajian O
lebih O
lanjut O
pada O
data O
studi O
kasus O
terkait O
Relative O
Standard O
Error O
( O
RSE O
) O
baik O
untuk O
Estimasi O
langsung O
maupun O
model O
SAEHB-NB O
dan O
SAEHB-ZINB O
karena O
pada O
data O
studi O
kasus O
ditemui O
nilai O
RSE O
yang O
sangat O
besar. O
Oleh O
karena O
itu O
, O
diperlukan O
kajian O
lebih O
lanjut O
terhadap O
model O
yang O
telah O
dibentuk O
sehingga O
dapat O
menghasilkan O
RSE O
yang O
kecil. O
2. O
Memilih O
variabel O
penyerta O
yang O
lain O
untuk O
melakukan O
estimasi O
Angka O
Kematian O
Bayi O
, O
agar O
mendapatkan O
nilai O
estimasi O
yang O
lebih O
baik. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Pembangunan O
R O
Package O
Model O
Zero O
Inflated O
Negative O
Binomial O
pada O
Small O
Area O
Estimation O
dengan O
Pendekatan O
Hierarchical O
Bayes O
Hayun O
( O
221810327 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Azka O
Ubaidillah O
, O
SST O
, O
M.Si O
Ringkasan—BPS O
merupakan O
lembaga O
negara O
yang O
berperan O
sebagai O
penyedia O
data O
utama O
dan O
juga O
penyedia O
data O
bagi O
indikator O
SDGs. O
Pengumpulan O
data O
statistik O
oleh O
BPS O
dilakukan O
melalui O
kegiatan O
seperti O
sensus O
, O
survei O
dan O
kompilasi O
data O
administrasi. O
Survei O
menjadi O
kegiatan O
andalan O
dari O
BPS O
karena O
lebih O
efektif O
dan O
efisien. O
Pada O
beberapa O
kondisi O
, O
survei O
memiliki O
kelemahan O
pada O
saat O
ukuran O
sampel O
kecil O
yang O
menghasilkan O
pendugaan O
langsung O
yang O
tidak O
dapat O
diandalkan. O
Disamping O
itu O
, O
terdapat O
tantangan O
terhadap O
penyajian O
indikator O
SDGs O
dengan O
disagregasi O
data O
terlebih O
lagi O
pada O
level O
wilayah O
kabupaten O
/ O
kota. O
SAE O
menjadi O
solusi O
untuk O
mengatasi O
tantangan O
tersebut. O
Selain O
itu O
, O
BPS O
juga O
banyak O
menghasilkan O
data O
survei O
berupa O
data O
count O
yang O
mana O
data O
ini O
juga O
banyak O
ditemui O
pada O
data O
indikator O
SDGs. O
Permasalahan O
yang O
muncul O
pada O
data O
count O
berupa O
kondisi O
excess O
zero O
dan O
terjadinya O
overdispersi. O
Penulis O
mengajukan O
model O
Zero O
Inflated O
Negative O
Binomial O
pada O
Small B-METODE
Area I-METODE
Estimation I-METODE
dengan O
Pendekatan O
Hierarchical O
Bayes O
untuk O
mengatasi O
masalah O
tersebut. O
Agar O
memudahkan O
pengguna O
dalam O
mengimplementasikan O
model O
yang O
dibentuk O
, O
penulis O
membangun B-TUJUAN
suatu I-TUJUAN
R I-TUJUAN
package I-TUJUAN
dengan I-TUJUAN
nama I-TUJUAN
package I-TUJUAN
‘saeHB.zinb’. I-TUJUAN
Package O
‘saeHB.zinb’ O
yang O
dibangun O
juga O
telah O
dievaluasi O
menggunakan O
uji B-METODE
usability I-METODE
, I-METODE
simulasi I-METODE
dan I-METODE
studi I-METODE
kasus I-METODE
yang O
dilakukan. O
Hasil B-TEMUAN
evaluasi I-TEMUAN
menunjukan I-TEMUAN
bahwa I-TEMUAN
R I-TEMUAN
package I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
sesuai I-TEMUAN
output I-TEMUAN
yang I-TEMUAN
diharapkan I-TEMUAN
dan I-TEMUAN
layak I-TEMUAN
digunakan I-TEMUAN
Kata O
Kunci— O
SAE O
, O
Hierarchical O
Bayes O
, O
Zero O
Inflated O
Negative O
Binomial O
, O
R O
[SEP] O
Dari O
hasil O
dan O
pembahasan O
, O
dapat O
disimpulkan O
bahwa O
: O
1. O
Model B-TEMUAN
Zero I-TEMUAN
Inflated I-TEMUAN
Negative I-TEMUAN
Binomial I-TEMUAN
pada I-TEMUAN
Small I-TEMUAN
Area I-TEMUAN
Estimation I-TEMUAN
dengan I-TEMUAN
Pendekatan I-TEMUAN
Hierarchical I-TEMUAN
Bayes I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
dan I-TEMUAN
diberi I-TEMUAN
nama I-TEMUAN
model I-TEMUAN
SAEHB-ZINB. I-TEMUAN
2. I-TEMUAN
R I-TEMUAN
package I-TEMUAN
yang I-TEMUAN
mengimplementasikan I-TEMUAN
model I-TEMUAN
SAEHB- I-TEMUAN
ZINB I-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
dengan I-TEMUAN
nama I-TEMUAN
‘saeHB.zinb’ I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diakses I-TEMUAN
melalui I-TEMUAN
situs I-TEMUAN
CRAN I-TEMUAN
atau I-TEMUAN
melalui I-TEMUAN
tautan I-TEMUAN
berikut I-TEMUAN
https I-TEMUAN
: I-TEMUAN
/ I-TEMUAN
/ I-TEMUAN
cran.r-project.org I-TEMUAN
/ I-TEMUAN
package=saeHB.zinb. I-TEMUAN
Berdasarkan I-TEMUAN
uji I-TEMUAN
usability I-TEMUAN
yang I-TEMUAN
dilakukan I-TEMUAN
, I-TEMUAN
R I-TEMUAN
package I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
3. I-TEMUAN
Berdasarkan I-TEMUAN
hasil I-TEMUAN
simulasi I-TEMUAN
dengan I-TEMUAN
jumlah I-TEMUAN
domain I-TEMUAN
berbeda I-TEMUAN
model I-TEMUAN
SAEHB-ZINB I-TEMUAN
menghasilkan I-TEMUAN
penduga I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
efisien I-TEMUAN
, I-TEMUAN
presisi I-TEMUAN
dan I-TEMUAN
akurat I-TEMUAN
jika I-TEMUAN
dibandingkan I-TEMUAN
penduga I-TEMUAN
dari I-TEMUAN
model I-TEMUAN
SAEHB-NB I-TEMUAN
4. O
Pada O
pendugaan O
AKB O
level O
kabupaten O
/ O
kota O
di O
Pulau O
Sulawesi O
, O
model O
SAEHB-ZINB O
menghasilkan O
penduga O
dengan O
MSE B-METODE
lebih O
baik O
jika O
dibandingkan O
dengan O
penduga O
dari O
pendugaan O
langsung O
maupun O
model O
SAEHB-NB. O
Saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
selanjutnya O
yaitu O
sebagai O
berikut O
: O
1. O
Perlu O
dilakukan O
kajian O
lebih O
lanjut O
pada O
data O
studi O
kasus O
terkait O
Relative O
Standard O
Error O
( O
RSE O
) O
baik O
untuk O
Estimasi O
langsung O
maupun O
model O
SAEHB-NB O
dan O
SAEHB-ZINB O
karena O
pada O
data O
studi O
kasus O
ditemui O
nilai O
RSE O
yang O
sangat O
besar. O
Oleh O
karena O
itu O
, O
diperlukan O
kajian O
lebih O
lanjut O
terhadap O
model O
yang O
telah O
dibentuk O
sehingga O
dapat O
menghasilkan O
RSE O
yang O
kecil. O
2. O
Memilih O
variabel O
penyerta O
yang O
lain O
untuk O
melakukan O
estimasi O
Angka O
Kematian O
Bayi O
, O
agar O
mendapatkan O
nilai O
estimasi O
yang O
lebih O
baik. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Pembangunan O
R O
Package O
Model O
Zero O
Inflated O
Negative O
Binomial O
pada O
Small O
Area O
Estimation O
dengan O
Pendekatan O
Hierarchical O
Bayes O
Hayun O
( O
221810327 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Azka O
Ubaidillah O
, O
SST O
, O
M.Si O
Ringkasan—BPS O
merupakan O
lembaga O
negara O
yang O
berperan O
sebagai O
penyedia O
data O
utama O
dan O
juga O
penyedia O
data O
bagi O
indikator O
SDGs. O
Pengumpulan O
data O
statistik O
oleh O
BPS O
dilakukan O
melalui O
kegiatan O
seperti O
sensus O
, O
survei O
dan O
kompilasi O
data O
administrasi. O
Survei O
menjadi O
kegiatan O
andalan O
dari O
BPS O
karena O
lebih O
efektif O
dan O
efisien. O
Pada O
beberapa O
kondisi O
, O
survei O
memiliki O
kelemahan O
pada O
saat O
ukuran O
sampel O
kecil O
yang O
menghasilkan O
pendugaan O
langsung O
yang O
tidak O
dapat O
diandalkan. O
Disamping O
itu O
, O
terdapat O
tantangan O
terhadap O
penyajian O
indikator O
SDGs O
dengan O
disagregasi O
data O
terlebih O
lagi O
pada O
level O
wilayah O
kabupaten O
/ O
kota. O
SAE O
menjadi O
solusi O
untuk O
mengatasi O
tantangan O
tersebut. O
Selain O
itu O
, O
BPS O
juga O
banyak O
menghasilkan O
data O
survei O
berupa O
data O
count O
yang O
mana O
data O
ini O
juga O
banyak O
ditemui O
pada O
data O
indikator O
SDGs. O
Permasalahan O
yang O
muncul O
pada O
data O
count O
berupa O
kondisi O
excess O
zero O
dan O
terjadinya O
overdispersi. O
Penulis O
mengajukan O
model O
Zero O
Inflated O
Negative O
Binomial O
pada O
Small B-METODE
Area I-METODE
Estimation I-METODE
dengan O
Pendekatan O
Hierarchical O
Bayes O
untuk O
mengatasi O
masalah O
tersebut. O
Agar O
memudahkan O
pengguna O
dalam O
mengimplementasikan O
model O
yang O
dibentuk O
, O
penulis O
membangun B-TUJUAN
suatu I-TUJUAN
R I-TUJUAN
package I-TUJUAN
dengan I-TUJUAN
nama I-TUJUAN
package I-TUJUAN
‘saeHB.zinb’. I-TUJUAN
Package O
‘saeHB.zinb’ O
yang O
dibangun O
juga O
telah O
dievaluasi O
menggunakan O
uji B-METODE
usability I-METODE
, I-METODE
simulasi I-METODE
dan I-METODE
studi I-METODE
kasus I-METODE
yang O
dilakukan. O
Hasil B-TEMUAN
evaluasi I-TEMUAN
menunjukan I-TEMUAN
bahwa I-TEMUAN
R I-TEMUAN
package I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
sesuai I-TEMUAN
output I-TEMUAN
yang I-TEMUAN
diharapkan I-TEMUAN
dan I-TEMUAN
layak I-TEMUAN
digunakan I-TEMUAN
Kata O
Kunci— O
SAE O
, O
Hierarchical O
Bayes O
, O
Zero O
Inflated O
Negative O
Binomial O
, O
R O
[SEP] O
Dari O
hasil O
dan O
pembahasan O
, O
dapat O
disimpulkan O
bahwa O
: O
1. O
Model B-TEMUAN
Zero I-TEMUAN
Inflated I-TEMUAN
Negative I-TEMUAN
Binomial I-TEMUAN
pada I-TEMUAN
Small I-TEMUAN
Area I-TEMUAN
Estimation I-TEMUAN
dengan I-TEMUAN
Pendekatan I-TEMUAN
Hierarchical I-TEMUAN
Bayes I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
dan I-TEMUAN
diberi I-TEMUAN
nama I-TEMUAN
model I-TEMUAN
SAEHB-ZINB. I-TEMUAN
2. I-TEMUAN
R I-TEMUAN
package I-TEMUAN
yang I-TEMUAN
mengimplementasikan I-TEMUAN
model I-TEMUAN
SAEHB- I-TEMUAN
ZINB I-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
dengan I-TEMUAN
nama I-TEMUAN
‘saeHB.zinb’ I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diakses I-TEMUAN
melalui I-TEMUAN
situs I-TEMUAN
CRAN I-TEMUAN
atau I-TEMUAN
melalui I-TEMUAN
tautan I-TEMUAN
berikut I-TEMUAN
https I-TEMUAN
: I-TEMUAN
/ I-TEMUAN
/ I-TEMUAN
cran.r-project.org I-TEMUAN
/ I-TEMUAN
package=saeHB.zinb. I-TEMUAN
Berdasarkan I-TEMUAN
uji I-TEMUAN
usability I-TEMUAN
yang I-TEMUAN
dilakukan I-TEMUAN
, I-TEMUAN
R I-TEMUAN
package I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
3. I-TEMUAN
Berdasarkan I-TEMUAN
hasil I-TEMUAN
simulasi I-TEMUAN
dengan I-TEMUAN
jumlah I-TEMUAN
domain I-TEMUAN
berbeda I-TEMUAN
model I-TEMUAN
SAEHB-ZINB I-TEMUAN
menghasilkan I-TEMUAN
penduga I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
efisien I-TEMUAN
, I-TEMUAN
presisi I-TEMUAN
dan I-TEMUAN
akurat I-TEMUAN
jika I-TEMUAN
dibandingkan I-TEMUAN
penduga I-TEMUAN
dari I-TEMUAN
model I-TEMUAN
SAEHB-NB I-TEMUAN
4. O
Pada O
pendugaan O
AKB O
level O
kabupaten O
/ O
kota O
di O
Pulau O
Sulawesi O
, O
model O
SAEHB-ZINB O
menghasilkan O
penduga O
dengan O
MSE B-METODE
lebih O
baik O
jika O
dibandingkan O
dengan O
penduga O
dari O
pendugaan O
langsung O
maupun O
model O
SAEHB-NB. O
Saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
selanjutnya O
yaitu O
sebagai O
berikut O
: O
1. O
Perlu O
dilakukan O
kajian O
lebih O
lanjut O
pada O
data O
studi O
kasus O
terkait O
Relative O
Standard O
Error O
( O
RSE O
) O
baik O
untuk O
Estimasi O
langsung O
maupun O
model O
SAEHB-NB O
dan O
SAEHB-ZINB O
karena O
pada O
data O
studi O
kasus O
ditemui O
nilai O
RSE O
yang O
sangat O
besar. O
Oleh O
karena O
itu O
, O
diperlukan O
kajian O
lebih O
lanjut O
terhadap O
model O
yang O
telah O
dibentuk O
sehingga O
dapat O
menghasilkan O
RSE O
yang O
kecil. O
2. O
Memilih O
variabel O
penyerta O
yang O
lain O
untuk O
melakukan O
estimasi O
Angka O
Kematian O
Bayi O
, O
agar O
mendapatkan O
nilai O
estimasi O
yang O
lebih O
baik. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Kajian O
Penerapan O
Jarak O
Euclidean O
, O
Manhattan O
, O
Minkowski O
, O
dan O
Chebyshev O
pada O
Algoritma O
Clustering O
K-Prototype O
Ghitha O
Nurfalah O
( O
221810318 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Rani O
Nooraeni O
, O
S.ST O
, O
M.Stat O
Ringkasan— O
Clustering B-METODE
merupakan O
teknik O
data O
mining O
yang O
bertujuan O
mengelompokkan O
data O
yang O
memiliki O
kemiripan O
kedalam O
satu O
klaster O
, O
semakin O
tinggi O
tingkat O
kemiripan O
dalam O
satu O
klaster O
semakin O
baik O
hasil O
clustering O
yang O
dihasilkan. O
Kemiripan O
data O
tersebut O
diukur O
menggunakan O
fungsi O
jarak O
, O
sehingga O
memilih O
fungsi O
jarak O
yang O
tepat O
sangatlah O
penting O
dalam O
clustering. O
K-Prototype O
( O
KP O
) O
adalah O
algoritma O
clustering O
untuk O
data O
campuran O
yang O
telah O
banyak O
digunakan O
, O
pengembangan O
algoritma O
lainnya O
dari O
K-Prototype O
yang O
terkenal O
adalah O
Fuzzy O
K- O
Prototype O
( O
FKP O
) O
dan O
Genetic O
Algorithm O
K-Prototype O
( O
GAFKP O
) O
. O
Namun O
ketiga O
algoritma O
tersebut O
hanya O
menggunakan O
jarak O
Euclidean O
dalam O
mengukur O
kesamaan O
datanya. O
Oleh O
karena O
itu O
, O
dalam O
penelitian O
ini O
dilakukan B-TUJUAN
penerapan I-TUJUAN
jarak I-TUJUAN
Euclidean I-TUJUAN
, I-TUJUAN
Manhattan I-TUJUAN
, I-TUJUAN
Minkowski I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
Chebyshev I-TUJUAN
pada I-TUJUAN
ketiga I-TUJUAN
algoritma I-TUJUAN
tersebut I-TUJUAN
untuk I-TUJUAN
memperoleh I-TUJUAN
kombinasi I-TUJUAN
jarak I-TUJUAN
dan I-TUJUAN
algoritma I-TUJUAN
yang I-TUJUAN
memberikan I-TUJUAN
hasil I-TUJUAN
clustering I-TUJUAN
yang I-TUJUAN
lebih I-TUJUAN
baik. I-TUJUAN
Hasil B-TEMUAN
penelitian I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
diantara I-TEMUAN
seluruh I-TEMUAN
kombinasi I-TEMUAN
jarak I-TEMUAN
dan I-TEMUAN
algoritma I-TEMUAN
clustering I-TEMUAN
, I-TEMUAN
algoritma I-TEMUAN
Fuzzy I-TEMUAN
K-Prototype I-TEMUAN
dengan I-TEMUAN
jarak I-TEMUAN
Euclidean I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
berdasarkan I-TEMUAN
metode I-TEMUAN
evaluasi I-TEMUAN
akurasi I-TEMUAN
dan I-TEMUAN
indeks I-TEMUAN
CV. I-TEMUAN
Kata O
Kunci— O
Clustering O
, O
KP O
, O
FKP O
, O
GAFKP O
, O
pengukuran O
jarak. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
jarak O
Euclidean O
, O
disimpulkan O
bahwa O
dari O
penerapan O
Manhattan O
, O
Minkowski O
, O
dan O
Chebyshev O
pada O
algoritma O
K- O
Prototype O
, O
Fuzzy O
K-Prototype O
, O
dan O
Genetic O
Algorithm O
K- O
Prototype O
diperoleh O
kombinasi O
jarak O
dan O
algoritma O
terbaik O
berdasarkan O
hasil O
evaluasi O
akurasi O
, O
indeks O
CV O
, O
dan O
waktu O
komputasi. O
Algoritma O
dan O
jarak O
terbaik O
yang O
diperoleh O
yaitu O
algoritma O
Fuzzy O
K-Prototype O
dengan O
jarak O
Euclidean. O
Selanjutnya O
, O
dilakukan O
penerapan O
algoritma O
terbaik O
Fuzzy O
K-Prototype O
dengan O
jarak O
Euclidean O
untuk O
melakukan O
clustering O
pada O
data O
Podes O
Provinsi O
Papua O
Barat O
tahun O
2020. O
Data O
yang O
terdiri O
dari O
1985 O
desa O
/ O
kelurahan O
tersebut O
kemudian O
dikelompokkan O
kedalam O
5 O
klaster. O
Hasil O
dari O
clustering O
dan O
identifikasi O
karakteristik O
menunjukkan O
bahwa O
klaster O
1 O
merupakan O
desa O
tertinggal O
yang O
terdiri O
dari O
8 O
desa O
atau O
sekitar O
0,40 O
% O
dari O
jumlah O
desa O
di O
Provinsi O
Papua O
Barat O
, O
klaster O
2 O
merupakan O
desa O
mandiri O
yang O
terdiri O
dari O
539 O
desa O
atau O
sekitar O
27,15 O
% O
, O
klaster O
3 O
merupakan O
desa O
berkembang O
yang O
terdiri O
dari O
34 O
desa O
atau O
sekitar O
1,71 O
% O
, O
klaster O
4 O
merupakan O
desa O
sangat O
tertinggal O
dengan O
jumlah O
anggota O
terbanyak O
, O
yaitu O
1365 O
desa O
atau O
sekitar O
68,76 O
% O
, O
dan O
klaster O
5 O
merupakan O
desa O
maju O
yang O
terdiri O
dari O
39 O
desa O
atau O
sekitar O
1,96 O
% O
. O
Hasil O
clustering O
tahun O
2020 O
menunjukkan O
bahwa O
Provinsi O
Papua O
Barat O
didominasi O
oleh O
desa O
sangat O
tertinggal. O

Kajian O
Penerapan O
Jarak O
Euclidean O
, O
Manhattan O
, O
Minkowski O
, O
dan O
Chebyshev O
pada O
Algoritma O
Clustering O
K-Prototype O
Ghitha O
Nurfalah O
( O
221810318 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Rani O
Nooraeni O
, O
S.ST O
, O
M.Stat O
Ringkasan— O
Clustering B-METODE
merupakan O
teknik O
data O
mining O
yang O
bertujuan O
mengelompokkan O
data O
yang O
memiliki O
kemiripan O
kedalam O
satu O
klaster O
, O
semakin O
tinggi O
tingkat O
kemiripan O
dalam O
satu O
klaster O
semakin O
baik O
hasil O
clustering O
yang O
dihasilkan. O
Kemiripan O
data O
tersebut O
diukur O
menggunakan O
fungsi O
jarak O
, O
sehingga O
memilih O
fungsi O
jarak O
yang O
tepat O
sangatlah O
penting O
dalam O
clustering. O
K-Prototype O
( O
KP O
) O
adalah O
algoritma O
clustering O
untuk O
data O
campuran O
yang O
telah O
banyak O
digunakan O
, O
pengembangan O
algoritma O
lainnya O
dari O
K-Prototype O
yang O
terkenal O
adalah O
Fuzzy O
K- O
Prototype O
( O
FKP O
) O
dan O
Genetic O
Algorithm O
K-Prototype O
( O
GAFKP O
) O
. O
Namun O
ketiga O
algoritma O
tersebut O
hanya O
menggunakan O
jarak O
Euclidean O
dalam O
mengukur O
kesamaan O
datanya. O
Oleh O
karena O
itu O
, O
dalam O
penelitian O
ini O
dilakukan B-TUJUAN
penerapan I-TUJUAN
jarak I-TUJUAN
Euclidean I-TUJUAN
, I-TUJUAN
Manhattan I-TUJUAN
, I-TUJUAN
Minkowski I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
Chebyshev I-TUJUAN
pada I-TUJUAN
ketiga I-TUJUAN
algoritma I-TUJUAN
tersebut I-TUJUAN
untuk I-TUJUAN
memperoleh I-TUJUAN
kombinasi I-TUJUAN
jarak I-TUJUAN
dan I-TUJUAN
algoritma I-TUJUAN
yang I-TUJUAN
memberikan I-TUJUAN
hasil I-TUJUAN
clustering I-TUJUAN
yang I-TUJUAN
lebih I-TUJUAN
baik. I-TUJUAN
Hasil B-TEMUAN
penelitian I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
diantara I-TEMUAN
seluruh I-TEMUAN
kombinasi I-TEMUAN
jarak I-TEMUAN
dan I-TEMUAN
algoritma I-TEMUAN
clustering I-TEMUAN
, I-TEMUAN
algoritma I-TEMUAN
Fuzzy I-TEMUAN
K-Prototype I-TEMUAN
dengan I-TEMUAN
jarak I-TEMUAN
Euclidean I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
berdasarkan I-TEMUAN
metode I-TEMUAN
evaluasi I-TEMUAN
akurasi I-TEMUAN
dan I-TEMUAN
indeks I-TEMUAN
CV. I-TEMUAN
Kata O
Kunci— O
Clustering O
, O
KP O
, O
FKP O
, O
GAFKP O
, O
pengukuran O
jarak. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
jarak O
Euclidean O
, O
disimpulkan O
bahwa O
dari O
penerapan O
Manhattan O
, O
Minkowski O
, O
dan O
Chebyshev O
pada O
algoritma O
K- O
Prototype O
, O
Fuzzy O
K-Prototype O
, O
dan O
Genetic O
Algorithm O
K- O
Prototype O
diperoleh O
kombinasi O
jarak O
dan O
algoritma O
terbaik O
berdasarkan O
hasil O
evaluasi O
akurasi O
, O
indeks O
CV O
, O
dan O
waktu O
komputasi. O
Algoritma O
dan O
jarak O
terbaik O
yang O
diperoleh O
yaitu O
algoritma O
Fuzzy O
K-Prototype O
dengan O
jarak O
Euclidean. O
Selanjutnya O
, O
dilakukan O
penerapan O
algoritma O
terbaik O
Fuzzy O
K-Prototype O
dengan O
jarak O
Euclidean O
untuk O
melakukan O
clustering O
pada O
data O
Podes O
Provinsi O
Papua O
Barat O
tahun O
2020. O
Data O
yang O
terdiri O
dari O
1985 O
desa O
/ O
kelurahan O
tersebut O
kemudian O
dikelompokkan O
kedalam O
5 O
klaster. O
Hasil O
dari O
clustering O
dan O
identifikasi O
karakteristik O
menunjukkan O
bahwa O
klaster O
1 O
merupakan O
desa O
tertinggal O
yang O
terdiri O
dari O
8 O
desa O
atau O
sekitar O
0,40 O
% O
dari O
jumlah O
desa O
di O
Provinsi O
Papua O
Barat O
, O
klaster O
2 O
merupakan O
desa O
mandiri O
yang O
terdiri O
dari O
539 O
desa O
atau O
sekitar O
27,15 O
% O
, O
klaster O
3 O
merupakan O
desa O
berkembang O
yang O
terdiri O
dari O
34 O
desa O
atau O
sekitar O
1,71 O
% O
, O
klaster O
4 O
merupakan O
desa O
sangat O
tertinggal O
dengan O
jumlah O
anggota O
terbanyak O
, O
yaitu O
1365 O
desa O
atau O
sekitar O
68,76 O
% O
, O
dan O
klaster O
5 O
merupakan O
desa O
maju O
yang O
terdiri O
dari O
39 O
desa O
atau O
sekitar O
1,96 O
% O
. O
Hasil O
clustering O
tahun O
2020 O
menunjukkan O
bahwa O
Provinsi O
Papua O
Barat O
didominasi O
oleh O
desa O
sangat O
tertinggal. O

Kajian O
Penerapan O
Jarak O
Euclidean O
, O
Manhattan O
, O
Minkowski O
, O
dan O
Chebyshev O
pada O
Algoritma O
Clustering O
K-Prototype O
Ghitha O
Nurfalah O
( O
221810318 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Rani O
Nooraeni O
, O
S.ST O
, O
M.Stat O
Ringkasan— O
Clustering B-METODE
merupakan O
teknik O
data O
mining O
yang O
bertujuan O
mengelompokkan O
data O
yang O
memiliki O
kemiripan O
kedalam O
satu O
klaster O
, O
semakin O
tinggi O
tingkat O
kemiripan O
dalam O
satu O
klaster O
semakin O
baik O
hasil O
clustering O
yang O
dihasilkan. O
Kemiripan O
data O
tersebut O
diukur O
menggunakan O
fungsi O
jarak O
, O
sehingga O
memilih O
fungsi O
jarak O
yang O
tepat O
sangatlah O
penting O
dalam O
clustering. O
K-Prototype O
( O
KP O
) O
adalah O
algoritma O
clustering O
untuk O
data O
campuran O
yang O
telah O
banyak O
digunakan O
, O
pengembangan O
algoritma O
lainnya O
dari O
K-Prototype O
yang O
terkenal O
adalah O
Fuzzy O
K- O
Prototype O
( O
FKP O
) O
dan O
Genetic O
Algorithm O
K-Prototype O
( O
GAFKP O
) O
. O
Namun O
ketiga O
algoritma O
tersebut O
hanya O
menggunakan O
jarak O
Euclidean O
dalam O
mengukur O
kesamaan O
datanya. O
Oleh O
karena O
itu O
, O
dalam O
penelitian O
ini O
dilakukan B-TUJUAN
penerapan I-TUJUAN
jarak I-TUJUAN
Euclidean I-TUJUAN
, I-TUJUAN
Manhattan I-TUJUAN
, I-TUJUAN
Minkowski I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
Chebyshev I-TUJUAN
pada I-TUJUAN
ketiga I-TUJUAN
algoritma I-TUJUAN
tersebut I-TUJUAN
untuk I-TUJUAN
memperoleh I-TUJUAN
kombinasi I-TUJUAN
jarak I-TUJUAN
dan I-TUJUAN
algoritma I-TUJUAN
yang I-TUJUAN
memberikan I-TUJUAN
hasil I-TUJUAN
clustering I-TUJUAN
yang I-TUJUAN
lebih I-TUJUAN
baik. I-TUJUAN
Hasil B-TEMUAN
penelitian I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
diantara I-TEMUAN
seluruh I-TEMUAN
kombinasi I-TEMUAN
jarak I-TEMUAN
dan I-TEMUAN
algoritma I-TEMUAN
clustering I-TEMUAN
, I-TEMUAN
algoritma I-TEMUAN
Fuzzy I-TEMUAN
K-Prototype I-TEMUAN
dengan I-TEMUAN
jarak I-TEMUAN
Euclidean I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
berdasarkan I-TEMUAN
metode I-TEMUAN
evaluasi I-TEMUAN
akurasi I-TEMUAN
dan I-TEMUAN
indeks I-TEMUAN
CV. I-TEMUAN
Kata O
Kunci— O
Clustering O
, O
KP O
, O
FKP O
, O
GAFKP O
, O
pengukuran O
jarak. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
jarak O
Euclidean O
, O
disimpulkan O
bahwa O
dari O
penerapan O
Manhattan O
, O
Minkowski O
, O
dan O
Chebyshev O
pada O
algoritma O
K- O
Prototype O
, O
Fuzzy O
K-Prototype O
, O
dan O
Genetic O
Algorithm O
K- O
Prototype O
diperoleh O
kombinasi O
jarak O
dan O
algoritma O
terbaik O
berdasarkan O
hasil O
evaluasi O
akurasi O
, O
indeks O
CV O
, O
dan O
waktu O
komputasi. O
Algoritma O
dan O
jarak O
terbaik O
yang O
diperoleh O
yaitu O
algoritma O
Fuzzy O
K-Prototype O
dengan O
jarak O
Euclidean. O
Selanjutnya O
, O
dilakukan O
penerapan O
algoritma O
terbaik O
Fuzzy O
K-Prototype O
dengan O
jarak O
Euclidean O
untuk O
melakukan O
clustering O
pada O
data O
Podes O
Provinsi O
Papua O
Barat O
tahun O
2020. O
Data O
yang O
terdiri O
dari O
1985 O
desa O
/ O
kelurahan O
tersebut O
kemudian O
dikelompokkan O
kedalam O
5 O
klaster. O
Hasil O
dari O
clustering O
dan O
identifikasi O
karakteristik O
menunjukkan O
bahwa O
klaster O
1 O
merupakan O
desa O
tertinggal O
yang O
terdiri O
dari O
8 O
desa O
atau O
sekitar O
0,40 O
% O
dari O
jumlah O
desa O
di O
Provinsi O
Papua O
Barat O
, O
klaster O
2 O
merupakan O
desa O
mandiri O
yang O
terdiri O
dari O
539 O
desa O
atau O
sekitar O
27,15 O
% O
, O
klaster O
3 O
merupakan O
desa O
berkembang O
yang O
terdiri O
dari O
34 O
desa O
atau O
sekitar O
1,71 O
% O
, O
klaster O
4 O
merupakan O
desa O
sangat O
tertinggal O
dengan O
jumlah O
anggota O
terbanyak O
, O
yaitu O
1365 O
desa O
atau O
sekitar O
68,76 O
% O
, O
dan O
klaster O
5 O
merupakan O
desa O
maju O
yang O
terdiri O
dari O
39 O
desa O
atau O
sekitar O
1,96 O
% O
. O
Hasil O
clustering O
tahun O
2020 O
menunjukkan O
bahwa O
Provinsi O
Papua O
Barat O
didominasi O
oleh O
desa O
sangat O
tertinggal. O

Analisis O
Kegunaan O
Teknologi O
Blockchain O
pada O
Manajemen O
Rantai O
Pasok O
Studi O
Kasus O
: O
Rantai O
Pasok O
Beras O
Gaberiel O
( O
221810314 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
M.T. O
teknologi O
blockchain O
merupakan O
Ringkasan— O
teknologi O
penyimpanan O
berbasis O
buku O
besar O
yang O
terdistribusi O
menjamin O
transparansi O
, O
keamanan O
, O
dan O
keterlacakan. O
teknologi O
blockchain O
mempunyai O
kelebihan O
yaitu O
penyimpanan O
yang O
tidak O
dapat O
diubah O
, O
terdesentralisasi O
, O
dan O
menyediakan O
keterlusuran. O
Masalah O
dalam O
rantai O
pasok O
beras O
adalah O
ketersediaan O
stok O
beras O
di O
seluruh O
daerah O
secara O
tepat O
waktu O
, O
ini O
dapat O
diantisipasi O
dengan O
melaporkan O
setiap O
transaksi O
kepada O
pihak O
berwenang O
, O
ini O
berkaitan O
dengan O
penimbunan O
yang O
kerap O
dilakukan. O
Setiap O
pelaku O
rantai O
pasok O
menyimpan O
data O
transaksi O
mereka O
masing- O
masing. O
Blockchain O
dapat O
meminimalkan O
kemungkinan O
penimbunan O
, O
meningkatkan O
transparansi O
dalam O
rantai O
pasok. O
Data O
dalam O
rantai O
pasok O
mudah O
dimodifikasi O
, O
karena O
transaksi O
tidak O
dibukukan O
secara O
global O
sehingga O
tidak O
ada O
transparansi. O
ini O
menggunakan O
metode B-METODE
DSRM I-METODE
, O
dimulai O
dari O
Penelitian O
menganalisis O
sistem O
berbasis O
blockchain O
, O
menganalisis O
kebutuhan O
sistem O
dan O
menerapkannya. O
Penelitian O
menghasilkan O
sistem O
penyimpanan O
transaksi O
serta O
penelusuran O
berbasis O
blockchain. O
Fitur O
yang O
dikembangkan O
adalah O
standarisasi O
data O
transaksi O
, O
penyimpanan O
yang O
immutable O
, O
dan O
penelusuran. O
Penelitian O
ini O
berhasil O
membangun B-TUJUAN
sistem I-TUJUAN
rantai I-TUJUAN
pasok I-TUJUAN
beras I-TUJUAN
berbasis I-TUJUAN
teknologi I-TUJUAN
blockchain I-TUJUAN
yang I-TUJUAN
mendukung I-TUJUAN
standarisasi I-TUJUAN
data I-TUJUAN
, I-TUJUAN
transparansi I-TUJUAN
, I-TUJUAN
keterlacakan I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
penyimpanan I-TUJUAN
yang I-TUJUAN
immutable. I-TUJUAN
terkini O
, O
merancang O
sistem O
Kata O
Kunci—Blockchain O
, O
rantai O
pasok O
, O
keterlacakan O
, O
transparansi O
, O
immutable. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
berikut O
hal-hal O
yang O
menjadi O
kesimpulan O
penelitian O
ini O
: O
1. O
Sistem B-TEMUAN
rantai I-TEMUAN
pasok I-TEMUAN
beras I-TEMUAN
berbasis I-TEMUAN
teknologi I-TEMUAN
blockchain I-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
dan I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
menjalankan I-TEMUAN
teknologi I-TEMUAN
blockchain I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
untuk I-TEMUAN
mengatur I-TEMUAN
transaksi I-TEMUAN
masuk I-TEMUAN
lalu I-TEMUAN
diolah I-TEMUAN
menjadi I-TEMUAN
rantai I-TEMUAN
jaringan I-TEMUAN
blockchain I-TEMUAN
2. O
Data O
yang O
disimpan O
pada O
sistem O
rantai O
pasok O
beras O
berbasis O
teknologi O
blockchain O
sudah O
mencakup O
rincian O
yang O
diinginkan O
yaitu O
alamat O
pembeli O
, O
jumlah O
yang O
dijual O
dalam O
kilogram O
, O
harga O
jual O
per O
satuan O
kilogram O
, O
dan O
merk O
beras O
yang O
dijual. O
Setiap O
data O
transaksi O
yang O
disimpan O
harus O
memiliki O
keempat O
rincian O
ini. O
3. O
Sistem O
rantai O
pasok O
beras O
berbasis O
teknologi O
blockchain O
berhasil O
menciptakan O
system O
yang O
transparan O
dengan O
segala O
transaksi O
dapat O
dilihat O
secara O
umum O
4. O
Sistem O
rantai O
pasok O
beras O
berbasis O
teknologi O
blockchain O
berhasil O
menyediakan O
fitur O
keterlacakan O
bagis O
setiap O
transaksi O
yang O
dimasukkan O
kedalam O
jaringan O
blockchain O
, O
hasil O
pencarian O
dengan O
fitur O
ini O
menghasilkan O
rincian O
transaksi O
yang O
berisi O
alamat O
penjual O
beras O
, O
pembeli O
beras O
, O
jumlah O
yang O
dijual O
, O
serta O
merk O
beras O
yang O
dijual O
5. O
Sistem O
teknologi O
rantai O
pasok O
beras O
berbasis O
blockchain O
penyimpanan O
berhasil O
menciptakan O
transaksi O
yang O
tidak O
bisa O
diubah O
( O
immutable O
) O
dan O
disimpan O
pada O
penyimpanan O
awan. O
Berdasarkan O
kesimpulan O
yang O
didapatkan O
, O
terdapat O
beberapa O
saran O
yang O
diberikan O
peneliti O
untuk O
penelitian O
kedepannya O
: O
1. O
Mencoba O
mengembangkan O
sistem O
rantai O
pasok O
berbasis O
teknologi O
blockchain O
dengan O
memanfaatkan O
smart O
contract O
sehingga O
tidak O
hanya O
dilaporkan O
tetapi O
dilakukan O
langsung O
pada O
sistem. O
transaksi O
2. O
Mencoba O
mengkombinasikan O
rantai O
pasok O
dan O
teknologi O
blockchain O
dengan O
teknologi O
pendukung O
lainnya O
untuk O
meningkatkan O
akurasi O
dan O
kemudahan O
dalam O
penggunaan O
system O
seperti O
RFID O
dan O
ERP. O

Analisis O
Kegunaan O
Teknologi O
Blockchain O
pada O
Manajemen O
Rantai O
Pasok O
Studi O
Kasus O
: O
Rantai O
Pasok O
Beras O
Gaberiel O
( O
221810314 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
M.T. O
teknologi O
blockchain O
merupakan O
Ringkasan— O
teknologi O
penyimpanan O
berbasis O
buku O
besar O
yang O
terdistribusi O
menjamin O
transparansi O
, O
keamanan O
, O
dan O
keterlacakan. O
teknologi O
blockchain O
mempunyai O
kelebihan O
yaitu O
penyimpanan O
yang O
tidak O
dapat O
diubah O
, O
terdesentralisasi O
, O
dan O
menyediakan O
keterlusuran. O
Masalah O
dalam O
rantai O
pasok O
beras O
adalah O
ketersediaan O
stok O
beras O
di O
seluruh O
daerah O
secara O
tepat O
waktu O
, O
ini O
dapat O
diantisipasi O
dengan O
melaporkan O
setiap O
transaksi O
kepada O
pihak O
berwenang O
, O
ini O
berkaitan O
dengan O
penimbunan O
yang O
kerap O
dilakukan. O
Setiap O
pelaku O
rantai O
pasok O
menyimpan O
data O
transaksi O
mereka O
masing- O
masing. O
Blockchain O
dapat O
meminimalkan O
kemungkinan O
penimbunan O
, O
meningkatkan O
transparansi O
dalam O
rantai O
pasok. O
Data O
dalam O
rantai O
pasok O
mudah O
dimodifikasi O
, O
karena O
transaksi O
tidak O
dibukukan O
secara O
global O
sehingga O
tidak O
ada O
transparansi. O
ini O
menggunakan O
metode B-METODE
DSRM I-METODE
, O
dimulai O
dari O
Penelitian O
menganalisis O
sistem O
berbasis O
blockchain O
, O
menganalisis O
kebutuhan O
sistem O
dan O
menerapkannya. O
Penelitian O
menghasilkan O
sistem O
penyimpanan O
transaksi O
serta O
penelusuran O
berbasis O
blockchain. O
Fitur O
yang O
dikembangkan O
adalah O
standarisasi O
data O
transaksi O
, O
penyimpanan O
yang O
immutable O
, O
dan O
penelusuran. O
Penelitian O
ini O
berhasil O
membangun B-TUJUAN
sistem I-TUJUAN
rantai I-TUJUAN
pasok I-TUJUAN
beras I-TUJUAN
berbasis I-TUJUAN
teknologi I-TUJUAN
blockchain I-TUJUAN
yang I-TUJUAN
mendukung I-TUJUAN
standarisasi I-TUJUAN
data I-TUJUAN
, I-TUJUAN
transparansi I-TUJUAN
, I-TUJUAN
keterlacakan I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
penyimpanan I-TUJUAN
yang I-TUJUAN
immutable. I-TUJUAN
terkini O
, O
merancang O
sistem O
Kata O
Kunci—Blockchain O
, O
rantai O
pasok O
, O
keterlacakan O
, O
transparansi O
, O
immutable. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
berikut O
hal-hal O
yang O
menjadi O
kesimpulan O
penelitian O
ini O
: O
1. O
Sistem B-TEMUAN
rantai I-TEMUAN
pasok I-TEMUAN
beras I-TEMUAN
berbasis I-TEMUAN
teknologi I-TEMUAN
blockchain I-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
dan I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
menjalankan I-TEMUAN
teknologi I-TEMUAN
blockchain I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
untuk I-TEMUAN
mengatur I-TEMUAN
transaksi I-TEMUAN
masuk I-TEMUAN
lalu I-TEMUAN
diolah I-TEMUAN
menjadi I-TEMUAN
rantai I-TEMUAN
jaringan I-TEMUAN
blockchain I-TEMUAN
2. O
Data O
yang O
disimpan O
pada O
sistem O
rantai O
pasok O
beras O
berbasis O
teknologi O
blockchain O
sudah O
mencakup O
rincian O
yang O
diinginkan O
yaitu O
alamat O
pembeli O
, O
jumlah O
yang O
dijual O
dalam O
kilogram O
, O
harga O
jual O
per O
satuan O
kilogram O
, O
dan O
merk O
beras O
yang O
dijual. O
Setiap O
data O
transaksi O
yang O
disimpan O
harus O
memiliki O
keempat O
rincian O
ini. O
3. O
Sistem O
rantai O
pasok O
beras O
berbasis O
teknologi O
blockchain O
berhasil O
menciptakan O
system O
yang O
transparan O
dengan O
segala O
transaksi O
dapat O
dilihat O
secara O
umum O
4. O
Sistem O
rantai O
pasok O
beras O
berbasis O
teknologi O
blockchain O
berhasil O
menyediakan O
fitur O
keterlacakan O
bagis O
setiap O
transaksi O
yang O
dimasukkan O
kedalam O
jaringan O
blockchain O
, O
hasil O
pencarian O
dengan O
fitur O
ini O
menghasilkan O
rincian O
transaksi O
yang O
berisi O
alamat O
penjual O
beras O
, O
pembeli O
beras O
, O
jumlah O
yang O
dijual O
, O
serta O
merk O
beras O
yang O
dijual O
5. O
Sistem O
teknologi O
rantai O
pasok O
beras O
berbasis O
blockchain O
penyimpanan O
berhasil O
menciptakan O
transaksi O
yang O
tidak O
bisa O
diubah O
( O
immutable O
) O
dan O
disimpan O
pada O
penyimpanan O
awan. O
Berdasarkan O
kesimpulan O
yang O
didapatkan O
, O
terdapat O
beberapa O
saran O
yang O
diberikan O
peneliti O
untuk O
penelitian O
kedepannya O
: O
1. O
Mencoba O
mengembangkan O
sistem O
rantai O
pasok O
berbasis O
teknologi O
blockchain O
dengan O
memanfaatkan O
smart O
contract O
sehingga O
tidak O
hanya O
dilaporkan O
tetapi O
dilakukan O
langsung O
pada O
sistem. O
transaksi O
2. O
Mencoba O
mengkombinasikan O
rantai O
pasok O
dan O
teknologi O
blockchain O
dengan O
teknologi O
pendukung O
lainnya O
untuk O
meningkatkan O
akurasi O
dan O
kemudahan O
dalam O
penggunaan O
system O
seperti O
RFID O
dan O
ERP. O

Analisis O
Kegunaan O
Teknologi O
Blockchain O
pada O
Manajemen O
Rantai O
Pasok O
Studi O
Kasus O
: O
Rantai O
Pasok O
Beras O
Gaberiel O
( O
221810314 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
M.T. O
teknologi O
blockchain O
merupakan O
Ringkasan— O
teknologi O
penyimpanan O
berbasis O
buku O
besar O
yang O
terdistribusi O
menjamin O
transparansi O
, O
keamanan O
, O
dan O
keterlacakan. O
teknologi O
blockchain O
mempunyai O
kelebihan O
yaitu O
penyimpanan O
yang O
tidak O
dapat O
diubah O
, O
terdesentralisasi O
, O
dan O
menyediakan O
keterlusuran. O
Masalah O
dalam O
rantai O
pasok O
beras O
adalah O
ketersediaan O
stok O
beras O
di O
seluruh O
daerah O
secara O
tepat O
waktu O
, O
ini O
dapat O
diantisipasi O
dengan O
melaporkan O
setiap O
transaksi O
kepada O
pihak O
berwenang O
, O
ini O
berkaitan O
dengan O
penimbunan O
yang O
kerap O
dilakukan. O
Setiap O
pelaku O
rantai O
pasok O
menyimpan O
data O
transaksi O
mereka O
masing- O
masing. O
Blockchain O
dapat O
meminimalkan O
kemungkinan O
penimbunan O
, O
meningkatkan O
transparansi O
dalam O
rantai O
pasok. O
Data O
dalam O
rantai O
pasok O
mudah O
dimodifikasi O
, O
karena O
transaksi O
tidak O
dibukukan O
secara O
global O
sehingga O
tidak O
ada O
transparansi. O
ini O
menggunakan O
metode B-METODE
DSRM I-METODE
, O
dimulai O
dari O
Penelitian O
menganalisis O
sistem O
berbasis O
blockchain O
, O
menganalisis O
kebutuhan O
sistem O
dan O
menerapkannya. O
Penelitian O
menghasilkan O
sistem O
penyimpanan O
transaksi O
serta O
penelusuran O
berbasis O
blockchain. O
Fitur O
yang O
dikembangkan O
adalah O
standarisasi O
data O
transaksi O
, O
penyimpanan O
yang O
immutable O
, O
dan O
penelusuran. O
Penelitian O
ini O
berhasil O
membangun B-TUJUAN
sistem I-TUJUAN
rantai I-TUJUAN
pasok I-TUJUAN
beras I-TUJUAN
berbasis I-TUJUAN
teknologi I-TUJUAN
blockchain I-TUJUAN
yang I-TUJUAN
mendukung I-TUJUAN
standarisasi I-TUJUAN
data I-TUJUAN
, I-TUJUAN
transparansi I-TUJUAN
, I-TUJUAN
keterlacakan I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
penyimpanan I-TUJUAN
yang I-TUJUAN
immutable. I-TUJUAN
terkini O
, O
merancang O
sistem O
Kata O
Kunci—Blockchain O
, O
rantai O
pasok O
, O
keterlacakan O
, O
transparansi O
, O
immutable. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
berikut O
hal-hal O
yang O
menjadi O
kesimpulan O
penelitian O
ini O
: O
1. O
Sistem B-TEMUAN
rantai I-TEMUAN
pasok I-TEMUAN
beras I-TEMUAN
berbasis I-TEMUAN
teknologi I-TEMUAN
blockchain I-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
dan I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
menjalankan I-TEMUAN
teknologi I-TEMUAN
blockchain I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
untuk I-TEMUAN
mengatur I-TEMUAN
transaksi I-TEMUAN
masuk I-TEMUAN
lalu I-TEMUAN
diolah I-TEMUAN
menjadi I-TEMUAN
rantai I-TEMUAN
jaringan I-TEMUAN
blockchain I-TEMUAN
2. O
Data O
yang O
disimpan O
pada O
sistem O
rantai O
pasok O
beras O
berbasis O
teknologi O
blockchain O
sudah O
mencakup O
rincian O
yang O
diinginkan O
yaitu O
alamat O
pembeli O
, O
jumlah O
yang O
dijual O
dalam O
kilogram O
, O
harga O
jual O
per O
satuan O
kilogram O
, O
dan O
merk O
beras O
yang O
dijual. O
Setiap O
data O
transaksi O
yang O
disimpan O
harus O
memiliki O
keempat O
rincian O
ini. O
3. O
Sistem O
rantai O
pasok O
beras O
berbasis O
teknologi O
blockchain O
berhasil O
menciptakan O
system O
yang O
transparan O
dengan O
segala O
transaksi O
dapat O
dilihat O
secara O
umum O
4. O
Sistem O
rantai O
pasok O
beras O
berbasis O
teknologi O
blockchain O
berhasil O
menyediakan O
fitur O
keterlacakan O
bagis O
setiap O
transaksi O
yang O
dimasukkan O
kedalam O
jaringan O
blockchain O
, O
hasil O
pencarian O
dengan O
fitur O
ini O
menghasilkan O
rincian O
transaksi O
yang O
berisi O
alamat O
penjual O
beras O
, O
pembeli O
beras O
, O
jumlah O
yang O
dijual O
, O
serta O
merk O
beras O
yang O
dijual O
5. O
Sistem O
teknologi O
rantai O
pasok O
beras O
berbasis O
blockchain O
penyimpanan O
berhasil O
menciptakan O
transaksi O
yang O
tidak O
bisa O
diubah O
( O
immutable O
) O
dan O
disimpan O
pada O
penyimpanan O
awan. O
Berdasarkan O
kesimpulan O
yang O
didapatkan O
, O
terdapat O
beberapa O
saran O
yang O
diberikan O
peneliti O
untuk O
penelitian O
kedepannya O
: O
1. O
Mencoba O
mengembangkan O
sistem O
rantai O
pasok O
berbasis O
teknologi O
blockchain O
dengan O
memanfaatkan O
smart O
contract O
sehingga O
tidak O
hanya O
dilaporkan O
tetapi O
dilakukan O
langsung O
pada O
sistem. O
transaksi O
2. O
Mencoba O
mengkombinasikan O
rantai O
pasok O
dan O
teknologi O
blockchain O
dengan O
teknologi O
pendukung O
lainnya O
untuk O
meningkatkan O
akurasi O
dan O
kemudahan O
dalam O
penggunaan O
system O
seperti O
RFID O
dan O
ERP. O

Aplikasi O
Sistem O
Informasi O
Layanan O
Kemahasiswaan O
Berbasis O
Web O
( O
Studi O
Kasus O
: O
Bagian O
Administrasi O
Akademik O
dan O
Kemahasiswaan O
Politeknik O
Statistika O
STIS O
) O
Fikri O
Septrian O
Anggara O
( O
221810306 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
maghfiroh O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Bagian O
Administrasi O
Akademik O
dan O
Kemahasiswaan O
( O
BAAK O
) O
merupakan O
salah O
satu O
unsur O
pelaksana O
administrasi O
Politeknik O
Statistika O
STIS O
dan O
memiliki O
tanggung O
jawab O
salah O
satunya O
layanan O
kemahasiswaan. O
Proses O
pelayananan O
di O
bagian O
kemahasiswaan O
masih O
dilakukan O
secara O
manual O
contohnya O
pada O
layanan O
Surat O
Permintaan O
Data O
( O
SPD O
) O
dan O
Surat O
Keterangan O
Mahasiswa O
( O
SKM O
) O
. O
Permintaan O
layanan O
dilakukan O
melalui O
email O
atau O
langsung O
di O
ruang O
BAAK O
, O
proses O
pengulasan O
permintaan O
layanan O
tersebut O
belum O
terkomputerisasi O
sehingga O
rentan O
kesalahan O
dan O
tidak O
efisien O
serta O
progres O
persetujuan O
tidak O
termonitor O
oleh O
pengguna. O
Penelitian O
ini O
bertujuan O
untuk O
merancang B-TUJUAN
dan I-TUJUAN
membangun I-TUJUAN
layanan I-TUJUAN
kemahasiswaan I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
progresif I-TUJUAN
dengan I-TUJUAN
harapan I-TUJUAN
mampu I-TUJUAN
memenuhi I-TUJUAN
kebutuhan I-TUJUAN
proses I-TUJUAN
bisnis I-TUJUAN
kemahasiswaan I-TUJUAN
BAAK. I-TUJUAN
Pengembangan O
sistem O
informasi O
ini O
dilakukan O
menggunakan O
metode B-METODE
eXtreme I-METODE
Programming I-METODE
modifikasi I-METODE
dan I-METODE
RESTful I-METODE
MSOAM. I-METODE
Berdasarkan O
hasil O
evaluasi O
, O
diketahui B-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
mengimplementasikan I-TEMUAN
proses I-TEMUAN
bisnis I-TEMUAN
usulan I-TEMUAN
layanan I-TEMUAN
SPD I-TEMUAN
dan I-TEMUAN
SKM I-TEMUAN
, I-TEMUAN
telah I-TEMUAN
memenuhi I-TEMUAN
90,77 I-TEMUAN
% I-TEMUAN
kriteria I-TEMUAN
penerimaan I-TEMUAN
kebutuhan I-TEMUAN
pengguna I-TEMUAN
, I-TEMUAN
memenuhi I-TEMUAN
syarat I-TEMUAN
PWA I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
memenuhi I-TEMUAN
4 I-TEMUAN
prinsip I-TEMUAN
inti I-TEMUAN
service-orientation I-TEMUAN
dan I-TEMUAN
prinsip I-TEMUAN
reusability. I-TEMUAN
informasi O
sistem O
Kata O
Kunci— O
Sistem O
Informasi O
, O
BAAK O
, O
eXtreme O
Programming O
, O
Progressive O
Web O
Apps O
, O
RESTful O
MSOAM O
, O
Service-Oriented O
Architecture O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
ditarik O
kesimpulan O
dari O
hasil O
dan O
pembahasan O
penelitian O
sebagai O
berikut. O
1. O
Sistem B-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
mampu I-TEMUAN
memenuhi I-TEMUAN
kebutuhan I-TEMUAN
proses I-TEMUAN
bisnis I-TEMUAN
layanana I-TEMUAN
Kemahasiswaan I-TEMUAN
SPD I-TEMUAN
dan I-TEMUAN
SKM I-TEMUAN
BAAK. I-TEMUAN
Namun I-TEMUAN
dari I-TEMUAN
sisi I-TEMUAN
kebutuhan I-TEMUAN
pengguna I-TEMUAN
, I-TEMUAN
sistem I-TEMUAN
mampu I-TEMUAN
memenuhi I-TEMUAN
75 I-TEMUAN
% I-TEMUAN
kebutuhan I-TEMUAN
pengguna I-TEMUAN
dan I-TEMUAN
memenuhi I-TEMUAN
90,77 I-TEMUAN
% I-TEMUAN
kriteria I-TEMUAN
penerimaan I-TEMUAN
sistem. I-TEMUAN
2. O
Sistem O
telah O
yang O
dibangun O
telah O
memiliki O
interoperabilitas O
dan O
kegunaan O
ulang O
karena O
sudah O
mengadopsi O
Service-Oriented O
Architecture. O
Selama O
perancangan O
arsitektur O
, O
peneliti O
telah O
mengaplikasikan O
prinsip O
utama O
service-orientation O
yaitu O
autonomy O
, O
abstraction O
, O
formal O
contract O
, O
loose O
coupling. O
Gambar O
16 O
Pemenuhan O
syarat O
PWA O
Evaluasi O
syarat O
implementasi O
dan O
karakteristik O
desain O
Prinsip O
Service- O
orientation O
Autonomous O
Service O
contract O
dirancang O
berdasarkan O
dekomposisi O
proses O
bisnsi O
menjadi O
satu O
aksi. O
Setiap O
aksi O
yang O
berbeda O
diasosiasikan O
dengan O
satu O
kapabilitas O
dan O
satu O
kapabilitas O
yang O
berbeda O
dimiliki O
oleh O
satu O
service O
sehingga O
tidak O
ada O
tumpang O
tindih O
kapabilitas. O
Deployment O
tidak O
termasuk O
pada O
penelitian O
ini O
, O
namun O
service O
dirancang O
untuk O
bisa O
dideploy O
pada O
lingkungan O
yang O
independen. O
( O
bisa O
menggunakan O
containerization O
) O
Service O
contract O
individu O
service O
telah O
dirancang O
pada O
tahap O
service O
oriented O
design. O
Konteks O
fungsionalitas O
tidak O
bergantung O
pada O
logika O
bisnis O
, O
contohnya O
pada O
pembuatan O
surat O
, O
service O
surat O
memiliki O
syarat O
body O
request O
yang O
general. O
Tidak O
spesifik O
pada O
SPD O
dan O
SKM. O
Service O
mengabstraksi O
informasi O
mengenai O
teknologi O
, O
logika O
dan O
fungsi. O
Konteks O
fungsionalitas O
terdapat O
pada O
daftar O
service O
contract O
masing O
masing O
service. O
Syarat O
untuk O
bisa O
menggunakan O
kapabilitas O
ialah O
menggunakan O
metode O
HTTP O
standar O
dan O
media O
type O
sederhana. O
Loose O
coupling O
Abstraction O
3. O
Sistem O
sudah O
memenuhi O
syarat O
PWA. O
Saran O
yang O
bisa O
peneliti O
berikan O
untuk O
penelitian O
selanjutnya O
ialah O
menggunakan O
Test-Driven O
Development O
saat O
pembangunan O
menggunakan O
metode O
pengembangan O
XP. O
Menggunakan O
metode O
yang O
sudah O
ada O
dalam O
mengevaluasi O
User O
Interface O
seperti O
SUS O
, O
Cognitive O
Walkthrough O
, O
dst. O
Menggunakan O
metode O
yang O
sudah O
ada O
dalam O
mengevaluasi O
arsitektur O
SOA O
seperti O
ATAM. O
Menggunakan O
diagram O
standar O
dalam O
mendefinisikan O
arsitektur O
seperti O
SOAML. O

Aplikasi O
Sistem O
Informasi O
Layanan O
Kemahasiswaan O
Berbasis O
Web O
( O
Studi O
Kasus O
: O
Bagian O
Administrasi O
Akademik O
dan O
Kemahasiswaan O
Politeknik O
Statistika O
STIS O
) O
Fikri O
Septrian O
Anggara O
( O
221810306 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
maghfiroh O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Bagian O
Administrasi O
Akademik O
dan O
Kemahasiswaan O
( O
BAAK O
) O
merupakan O
salah O
satu O
unsur O
pelaksana O
administrasi O
Politeknik O
Statistika O
STIS O
dan O
memiliki O
tanggung O
jawab O
salah O
satunya O
layanan O
kemahasiswaan. O
Proses O
pelayananan O
di O
bagian O
kemahasiswaan O
masih O
dilakukan O
secara O
manual O
contohnya O
pada O
layanan O
Surat O
Permintaan O
Data O
( O
SPD O
) O
dan O
Surat O
Keterangan O
Mahasiswa O
( O
SKM O
) O
. O
Permintaan O
layanan O
dilakukan O
melalui O
email O
atau O
langsung O
di O
ruang O
BAAK O
, O
proses O
pengulasan O
permintaan O
layanan O
tersebut O
belum O
terkomputerisasi O
sehingga O
rentan O
kesalahan O
dan O
tidak O
efisien O
serta O
progres O
persetujuan O
tidak O
termonitor O
oleh O
pengguna. O
Penelitian O
ini O
bertujuan O
untuk O
merancang B-TUJUAN
dan I-TUJUAN
membangun I-TUJUAN
layanan I-TUJUAN
kemahasiswaan I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
progresif I-TUJUAN
dengan I-TUJUAN
harapan I-TUJUAN
mampu I-TUJUAN
memenuhi I-TUJUAN
kebutuhan I-TUJUAN
proses I-TUJUAN
bisnis I-TUJUAN
kemahasiswaan I-TUJUAN
BAAK. I-TUJUAN
Pengembangan O
sistem O
informasi O
ini O
dilakukan O
menggunakan O
metode B-METODE
eXtreme I-METODE
Programming I-METODE
modifikasi I-METODE
dan I-METODE
RESTful I-METODE
MSOAM. I-METODE
Berdasarkan O
hasil O
evaluasi O
, O
diketahui B-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
mengimplementasikan I-TEMUAN
proses I-TEMUAN
bisnis I-TEMUAN
usulan I-TEMUAN
layanan I-TEMUAN
SPD I-TEMUAN
dan I-TEMUAN
SKM I-TEMUAN
, I-TEMUAN
telah I-TEMUAN
memenuhi I-TEMUAN
90,77 I-TEMUAN
% I-TEMUAN
kriteria I-TEMUAN
penerimaan I-TEMUAN
kebutuhan I-TEMUAN
pengguna I-TEMUAN
, I-TEMUAN
memenuhi I-TEMUAN
syarat I-TEMUAN
PWA I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
memenuhi I-TEMUAN
4 I-TEMUAN
prinsip I-TEMUAN
inti I-TEMUAN
service-orientation I-TEMUAN
dan I-TEMUAN
prinsip I-TEMUAN
reusability. I-TEMUAN
informasi O
sistem O
Kata O
Kunci— O
Sistem O
Informasi O
, O
BAAK O
, O
eXtreme O
Programming O
, O
Progressive O
Web O
Apps O
, O
RESTful O
MSOAM O
, O
Service-Oriented O
Architecture O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
ditarik O
kesimpulan O
dari O
hasil O
dan O
pembahasan O
penelitian O
sebagai O
berikut. O
1. O
Sistem B-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
mampu I-TEMUAN
memenuhi I-TEMUAN
kebutuhan I-TEMUAN
proses I-TEMUAN
bisnis I-TEMUAN
layanana I-TEMUAN
Kemahasiswaan I-TEMUAN
SPD I-TEMUAN
dan I-TEMUAN
SKM I-TEMUAN
BAAK. I-TEMUAN
Namun I-TEMUAN
dari I-TEMUAN
sisi I-TEMUAN
kebutuhan I-TEMUAN
pengguna I-TEMUAN
, I-TEMUAN
sistem I-TEMUAN
mampu I-TEMUAN
memenuhi I-TEMUAN
75 I-TEMUAN
% I-TEMUAN
kebutuhan I-TEMUAN
pengguna I-TEMUAN
dan I-TEMUAN
memenuhi I-TEMUAN
90,77 I-TEMUAN
% I-TEMUAN
kriteria I-TEMUAN
penerimaan I-TEMUAN
sistem. I-TEMUAN
2. O
Sistem O
telah O
yang O
dibangun O
telah O
memiliki O
interoperabilitas O
dan O
kegunaan O
ulang O
karena O
sudah O
mengadopsi O
Service-Oriented O
Architecture. O
Selama O
perancangan O
arsitektur O
, O
peneliti O
telah O
mengaplikasikan O
prinsip O
utama O
service-orientation O
yaitu O
autonomy O
, O
abstraction O
, O
formal O
contract O
, O
loose O
coupling. O
Gambar O
16 O
Pemenuhan O
syarat O
PWA O
Evaluasi O
syarat O
implementasi O
dan O
karakteristik O
desain O
Prinsip O
Service- O
orientation O
Autonomous O
Service O
contract O
dirancang O
berdasarkan O
dekomposisi O
proses O
bisnsi O
menjadi O
satu O
aksi. O
Setiap O
aksi O
yang O
berbeda O
diasosiasikan O
dengan O
satu O
kapabilitas O
dan O
satu O
kapabilitas O
yang O
berbeda O
dimiliki O
oleh O
satu O
service O
sehingga O
tidak O
ada O
tumpang O
tindih O
kapabilitas. O
Deployment O
tidak O
termasuk O
pada O
penelitian O
ini O
, O
namun O
service O
dirancang O
untuk O
bisa O
dideploy O
pada O
lingkungan O
yang O
independen. O
( O
bisa O
menggunakan O
containerization O
) O
Service O
contract O
individu O
service O
telah O
dirancang O
pada O
tahap O
service O
oriented O
design. O
Konteks O
fungsionalitas O
tidak O
bergantung O
pada O
logika O
bisnis O
, O
contohnya O
pada O
pembuatan O
surat O
, O
service O
surat O
memiliki O
syarat O
body O
request O
yang O
general. O
Tidak O
spesifik O
pada O
SPD O
dan O
SKM. O
Service O
mengabstraksi O
informasi O
mengenai O
teknologi O
, O
logika O
dan O
fungsi. O
Konteks O
fungsionalitas O
terdapat O
pada O
daftar O
service O
contract O
masing O
masing O
service. O
Syarat O
untuk O
bisa O
menggunakan O
kapabilitas O
ialah O
menggunakan O
metode O
HTTP O
standar O
dan O
media O
type O
sederhana. O
Loose O
coupling O
Abstraction O
3. O
Sistem O
sudah O
memenuhi O
syarat O
PWA. O
Saran O
yang O
bisa O
peneliti O
berikan O
untuk O
penelitian O
selanjutnya O
ialah O
menggunakan O
Test-Driven O
Development O
saat O
pembangunan O
menggunakan O
metode O
pengembangan O
XP. O
Menggunakan O
metode O
yang O
sudah O
ada O
dalam O
mengevaluasi O
User O
Interface O
seperti O
SUS O
, O
Cognitive O
Walkthrough O
, O
dst. O
Menggunakan O
metode O
yang O
sudah O
ada O
dalam O
mengevaluasi O
arsitektur O
SOA O
seperti O
ATAM. O
Menggunakan O
diagram O
standar O
dalam O
mendefinisikan O
arsitektur O
seperti O
SOAML. O

Aplikasi O
Sistem O
Informasi O
Layanan O
Kemahasiswaan O
Berbasis O
Web O
( O
Studi O
Kasus O
: O
Bagian O
Administrasi O
Akademik O
dan O
Kemahasiswaan O
Politeknik O
Statistika O
STIS O
) O
Fikri O
Septrian O
Anggara O
( O
221810306 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
maghfiroh O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Bagian O
Administrasi O
Akademik O
dan O
Kemahasiswaan O
( O
BAAK O
) O
merupakan O
salah O
satu O
unsur O
pelaksana O
administrasi O
Politeknik O
Statistika O
STIS O
dan O
memiliki O
tanggung O
jawab O
salah O
satunya O
layanan O
kemahasiswaan. O
Proses O
pelayananan O
di O
bagian O
kemahasiswaan O
masih O
dilakukan O
secara O
manual O
contohnya O
pada O
layanan O
Surat O
Permintaan O
Data O
( O
SPD O
) O
dan O
Surat O
Keterangan O
Mahasiswa O
( O
SKM O
) O
. O
Permintaan O
layanan O
dilakukan O
melalui O
email O
atau O
langsung O
di O
ruang O
BAAK O
, O
proses O
pengulasan O
permintaan O
layanan O
tersebut O
belum O
terkomputerisasi O
sehingga O
rentan O
kesalahan O
dan O
tidak O
efisien O
serta O
progres O
persetujuan O
tidak O
termonitor O
oleh O
pengguna. O
Penelitian O
ini O
bertujuan O
untuk O
merancang B-TUJUAN
dan I-TUJUAN
membangun I-TUJUAN
layanan I-TUJUAN
kemahasiswaan I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
progresif I-TUJUAN
dengan I-TUJUAN
harapan I-TUJUAN
mampu I-TUJUAN
memenuhi I-TUJUAN
kebutuhan I-TUJUAN
proses I-TUJUAN
bisnis I-TUJUAN
kemahasiswaan I-TUJUAN
BAAK. I-TUJUAN
Pengembangan O
sistem O
informasi O
ini O
dilakukan O
menggunakan O
metode B-METODE
eXtreme I-METODE
Programming I-METODE
modifikasi I-METODE
dan I-METODE
RESTful I-METODE
MSOAM. I-METODE
Berdasarkan O
hasil O
evaluasi O
, O
diketahui B-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
mengimplementasikan I-TEMUAN
proses I-TEMUAN
bisnis I-TEMUAN
usulan I-TEMUAN
layanan I-TEMUAN
SPD I-TEMUAN
dan I-TEMUAN
SKM I-TEMUAN
, I-TEMUAN
telah I-TEMUAN
memenuhi I-TEMUAN
90,77 I-TEMUAN
% I-TEMUAN
kriteria I-TEMUAN
penerimaan I-TEMUAN
kebutuhan I-TEMUAN
pengguna I-TEMUAN
, I-TEMUAN
memenuhi I-TEMUAN
syarat I-TEMUAN
PWA I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
memenuhi I-TEMUAN
4 I-TEMUAN
prinsip I-TEMUAN
inti I-TEMUAN
service-orientation I-TEMUAN
dan I-TEMUAN
prinsip I-TEMUAN
reusability. I-TEMUAN
informasi O
sistem O
Kata O
Kunci— O
Sistem O
Informasi O
, O
BAAK O
, O
eXtreme O
Programming O
, O
Progressive O
Web O
Apps O
, O
RESTful O
MSOAM O
, O
Service-Oriented O
Architecture O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
ditarik O
kesimpulan O
dari O
hasil O
dan O
pembahasan O
penelitian O
sebagai O
berikut. O
1. O
Sistem B-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
mampu I-TEMUAN
memenuhi I-TEMUAN
kebutuhan I-TEMUAN
proses I-TEMUAN
bisnis I-TEMUAN
layanana I-TEMUAN
Kemahasiswaan I-TEMUAN
SPD I-TEMUAN
dan I-TEMUAN
SKM I-TEMUAN
BAAK. I-TEMUAN
Namun I-TEMUAN
dari I-TEMUAN
sisi I-TEMUAN
kebutuhan I-TEMUAN
pengguna I-TEMUAN
, I-TEMUAN
sistem I-TEMUAN
mampu I-TEMUAN
memenuhi I-TEMUAN
75 I-TEMUAN
% I-TEMUAN
kebutuhan I-TEMUAN
pengguna I-TEMUAN
dan I-TEMUAN
memenuhi I-TEMUAN
90,77 I-TEMUAN
% I-TEMUAN
kriteria I-TEMUAN
penerimaan I-TEMUAN
sistem. I-TEMUAN
2. O
Sistem O
telah O
yang O
dibangun O
telah O
memiliki O
interoperabilitas O
dan O
kegunaan O
ulang O
karena O
sudah O
mengadopsi O
Service-Oriented O
Architecture. O
Selama O
perancangan O
arsitektur O
, O
peneliti O
telah O
mengaplikasikan O
prinsip O
utama O
service-orientation O
yaitu O
autonomy O
, O
abstraction O
, O
formal O
contract O
, O
loose O
coupling. O
Gambar O
16 O
Pemenuhan O
syarat O
PWA O
Evaluasi O
syarat O
implementasi O
dan O
karakteristik O
desain O
Prinsip O
Service- O
orientation O
Autonomous O
Service O
contract O
dirancang O
berdasarkan O
dekomposisi O
proses O
bisnsi O
menjadi O
satu O
aksi. O
Setiap O
aksi O
yang O
berbeda O
diasosiasikan O
dengan O
satu O
kapabilitas O
dan O
satu O
kapabilitas O
yang O
berbeda O
dimiliki O
oleh O
satu O
service O
sehingga O
tidak O
ada O
tumpang O
tindih O
kapabilitas. O
Deployment O
tidak O
termasuk O
pada O
penelitian O
ini O
, O
namun O
service O
dirancang O
untuk O
bisa O
dideploy O
pada O
lingkungan O
yang O
independen. O
( O
bisa O
menggunakan O
containerization O
) O
Service O
contract O
individu O
service O
telah O
dirancang O
pada O
tahap O
service O
oriented O
design. O
Konteks O
fungsionalitas O
tidak O
bergantung O
pada O
logika O
bisnis O
, O
contohnya O
pada O
pembuatan O
surat O
, O
service O
surat O
memiliki O
syarat O
body O
request O
yang O
general. O
Tidak O
spesifik O
pada O
SPD O
dan O
SKM. O
Service O
mengabstraksi O
informasi O
mengenai O
teknologi O
, O
logika O
dan O
fungsi. O
Konteks O
fungsionalitas O
terdapat O
pada O
daftar O
service O
contract O
masing O
masing O
service. O
Syarat O
untuk O
bisa O
menggunakan O
kapabilitas O
ialah O
menggunakan O
metode O
HTTP O
standar O
dan O
media O
type O
sederhana. O
Loose O
coupling O
Abstraction O
3. O
Sistem O
sudah O
memenuhi O
syarat O
PWA. O
Saran O
yang O
bisa O
peneliti O
berikan O
untuk O
penelitian O
selanjutnya O
ialah O
menggunakan O
Test-Driven O
Development O
saat O
pembangunan O
menggunakan O
metode O
pengembangan O
XP. O
Menggunakan O
metode O
yang O
sudah O
ada O
dalam O
mengevaluasi O
User O
Interface O
seperti O
SUS O
, O
Cognitive O
Walkthrough O
, O
dst. O
Menggunakan O
metode O
yang O
sudah O
ada O
dalam O
mengevaluasi O
arsitektur O
SOA O
seperti O
ATAM. O
Menggunakan O
diagram O
standar O
dalam O
mendefinisikan O
arsitektur O
seperti O
SOAML. O

Perancangan O
Prototipe O
Web O
Diseminasi O
Sensus O
Pertanian O
2023 O
dengan O
Responsive O
Web O
Design O
Faturrokhman O
( O
221810300 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
SST. O
, O
M.T. O
Ringkasan— O
Setelah O
pelaksanaan O
cacah O
lengkap O
dalam O
kegiatan O
Sensus O
Pertanian O
2023 O
( O
ST2023 O
) O
, O
BPS O
( O
Badan O
Pusat O
Statistik O
) O
berkewajiban O
untuk O
menyajikan O
data O
yang O
telah O
diperoleh O
melalui O
diseminasi O
data O
, O
salah O
satunya O
dengan O
situs O
web. O
Maka O
dari O
itu O
, O
diperlukan O
web O
diseminasi O
ST2023 O
yang O
memiliki O
desain O
modern O
dan O
responsif O
di O
semua O
ukuran O
layar. O
Namun O
, O
web O
diseminasi O
sensus O
sebelumnya O
, O
ST2013 O
, O
hanya O
mendapatkan O
hasil O
usability O
testing O
sebesar O
66,19 O
% O
dan O
pengguna O
perangkat O
seluler O
kesulitan O
dalam O
melihat O
informasi O
di O
dalam O
web. O
Untuk O
mengatasi O
masalah O
tersebut O
, O
peneliti O
melakukan B-TUJUAN
penelitian I-TUJUAN
untuk I-TUJUAN
merancang I-TUJUAN
prototipe I-TUJUAN
web I-TUJUAN
diseminasi I-TUJUAN
ST2023 I-TUJUAN
yang I-TUJUAN
responsif I-TUJUAN
menggunakan I-TUJUAN
teknik I-TUJUAN
Responsive I-TUJUAN
Web I-TUJUAN
Design. I-TUJUAN
Prototipe O
kemudian O
dievaluasi O
menggunakan O
usability B-METODE
testing I-METODE
dan O
mendapatkan O
hasil O
sebesar O
81,64 O
% O
. O
Uji B-METODE
coba I-METODE
responsif I-METODE
dan I-METODE
kompatibilitas I-METODE
pada O
berbagai O
browser O
juga O
telah O
dilaksanakan O
dan O
mendapatkan O
hasil O
bahwa O
prototipe B-TEMUAN
sudah I-TEMUAN
responsif I-TEMUAN
di I-TEMUAN
semua I-TEMUAN
ukuran I-TEMUAN
layar I-TEMUAN
dan I-TEMUAN
tampil I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
di I-TEMUAN
sebagian I-TEMUAN
besar I-TEMUAN
browser I-TEMUAN
di I-TEMUAN
perangkat I-TEMUAN
yang I-TEMUAN
berbeda. I-TEMUAN
Kata O
Kunci— O
Prototipe O
, O
Diseminasi O
, O
Sensus O
Pertanian O
2023 O
, O
Responsive O
Web O
Design O
, O
Mobile-First O
Design O
[SEP] O
Penelitian O
ini O
sudah O
mencapai O
tahap O
akhir O
dan O
telah O
dapat O
ditarik O
kesimpulan O
dari O
hasil O
penelitian O
dengan O
menjawab O
tujuan O
penelitian O
sebagai O
berikut. O
1. O
Evaluasi B-TEMUAN
heuristik I-TEMUAN
telah I-TEMUAN
dilakukan I-TEMUAN
untuk I-TEMUAN
mengevaluasi I-TEMUAN
tingkat I-TEMUAN
kegunaan I-TEMUAN
dari I-TEMUAN
web I-TEMUAN
diseminasi I-TEMUAN
ST2013 I-TEMUAN
dan I-TEMUAN
didapatkan I-TEMUAN
hasil I-TEMUAN
sebesar I-TEMUAN
66,19 I-TEMUAN
% I-TEMUAN
yang I-TEMUAN
tergolong I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
Sedang. I-TEMUAN
Berdasarkan I-TEMUAN
komentar I-TEMUAN
dari I-TEMUAN
evaluator I-TEMUAN
, I-TEMUAN
web I-TEMUAN
diseminasi I-TEMUAN
ST2013 I-TEMUAN
belum I-TEMUAN
responsif I-TEMUAN
ketika I-TEMUAN
diakses I-TEMUAN
melalui I-TEMUAN
perangkat I-TEMUAN
seluler I-TEMUAN
; I-TEMUAN
terdapat I-TEMUAN
beberapa I-TEMUAN
masalah I-TEMUAN
dalam I-TEMUAN
antarmuka I-TEMUAN
web I-TEMUAN
seperti I-TEMUAN
pemilihan I-TEMUAN
warna I-TEMUAN
, I-TEMUAN
ukuran I-TEMUAN
huruf I-TEMUAN
, I-TEMUAN
tertutup I-TEMUAN
dengan I-TEMUAN
ruang I-TEMUAN
kosong I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
komponen I-TEMUAN
yang I-TEMUAN
komponen I-TEMUAN
lainnya I-TEMUAN
; I-TEMUAN
serta I-TEMUAN
kotak I-TEMUAN
pencarian I-TEMUAN
yang I-TEMUAN
belum I-TEMUAN
ada. I-TEMUAN
2. O
Telah O
dirancang O
dan O
dibangun O
sebuah O
Prototipe O
Web O
Diseminasi O
ST2023 O
dengan O
tampilan O
antarmuka O
yang O
lebih O
modern O
dan O
responsif O
, O
tanpa O
membangun O
back-end O
dan O
database. O
Pembangunan O
prototipe O
menggunakan O
teknik O
Responsive O
Web O
Design O
dan O
Mobile O
First O
Design O
untuk O
memastikan O
prototipe O
dapat O
diakses O
dengan O
nyaman O
oleh O
pengguna O
perangkat O
seluler. O
Prototipe O
menampilkan O
semua O
fungsi O
yang O
sudah O
tersedia O
dalam O
sistem O
sebelumnya O
dan O
menambahkan O
beberapa O
lainnya O
yang O
dapat O
meningkatkan O
kepuasan O
pengguna. O
Data O
yang O
ditampilkan O
dalam O
prototipe O
bersumber O
dari O
web O
diseminasi O
ST2013 O
dan O
dari O
Tim O
AGRO O
ST2023. O
Pengujian O
responsivitas O
menggunakan O
dua O
tools O
dari O
Google O
dan O
mendapatkan O
hasil O
bahwa O
prototipe O
web O
sudah O
responsif O
di O
berbagai O
macam O
fungsi O
3. O
Prototipe O
Web O
ST2023 O
telah O
melalui O
serangkaian O
evaluasi O
dan O
uji O
coba. O
Evaluasi O
heuristik O
untuk O
mengetahui O
tingkat O
kegunaan O
prototipe O
mendapatkan O
hasil O
sebesar O
81,64 O
% O
dan O
tergolong O
dalam O
kategori O
Bagus O
, O
meningkat O
jika O
dibandingkan O
dengan O
hasil O
evaluasi O
web O
ST2013. O
QUIS O
untuk O
mengetahui O
tingkat O
kepuasan O
pengguna O
terhadap O
prototipe O
mendapatkan O
hasil O
sebesar O
8,03 O
atau O
pengguna O
merasa O
sudah O
cukup O
puas O
dengan O
tampilan O
antarmuka O
prototipe. O
Uji O
coba O
kompatibilitas O
browser O
menunjukkan O
bahwa O
Prototipe O
Web O
ST2023 O
dapat O
tampil O
dengan O
sesuai O
pada O
sebagian O
besar O
browser O
di O
perangkat O
yang O
berbeda. O
Saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
selanjutnya O
adalah O
sebagai O
berikut. O
1. O
Performa O
prototipe O
web O
ST2023 O
menurut O
PSI O
di O
perangkat O
mobile O
masih O
dalam O
kategori O
warna O
oranye O
, O
yang O
artinya O
masih O
bisa O
ditingkatkan O
lagi. O
2. O
Membangun O
back-end O
dan O
memasukkan O
database O
ke O
bagian O
front-end O
yang O
sudah O
dibuat. O

Perancangan O
Prototipe O
Web O
Diseminasi O
Sensus O
Pertanian O
2023 O
dengan O
Responsive O
Web O
Design O
Faturrokhman O
( O
221810300 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
SST. O
, O
M.T. O
Ringkasan— O
Setelah O
pelaksanaan O
cacah O
lengkap O
dalam O
kegiatan O
Sensus O
Pertanian O
2023 O
( O
ST2023 O
) O
, O
BPS O
( O
Badan O
Pusat O
Statistik O
) O
berkewajiban O
untuk O
menyajikan O
data O
yang O
telah O
diperoleh O
melalui O
diseminasi O
data O
, O
salah O
satunya O
dengan O
situs O
web. O
Maka O
dari O
itu O
, O
diperlukan O
web O
diseminasi O
ST2023 O
yang O
memiliki O
desain O
modern O
dan O
responsif O
di O
semua O
ukuran O
layar. O
Namun O
, O
web O
diseminasi O
sensus O
sebelumnya O
, O
ST2013 O
, O
hanya O
mendapatkan O
hasil O
usability O
testing O
sebesar O
66,19 O
% O
dan O
pengguna O
perangkat O
seluler O
kesulitan O
dalam O
melihat O
informasi O
di O
dalam O
web. O
Untuk O
mengatasi O
masalah O
tersebut O
, O
peneliti O
melakukan B-TUJUAN
penelitian I-TUJUAN
untuk I-TUJUAN
merancang I-TUJUAN
prototipe I-TUJUAN
web I-TUJUAN
diseminasi I-TUJUAN
ST2023 I-TUJUAN
yang I-TUJUAN
responsif I-TUJUAN
menggunakan I-TUJUAN
teknik I-TUJUAN
Responsive I-TUJUAN
Web I-TUJUAN
Design. I-TUJUAN
Prototipe O
kemudian O
dievaluasi O
menggunakan O
usability B-METODE
testing I-METODE
dan O
mendapatkan O
hasil O
sebesar O
81,64 O
% O
. O
Uji B-METODE
coba I-METODE
responsif I-METODE
dan I-METODE
kompatibilitas I-METODE
pada O
berbagai O
browser O
juga O
telah O
dilaksanakan O
dan O
mendapatkan O
hasil O
bahwa O
prototipe B-TEMUAN
sudah I-TEMUAN
responsif I-TEMUAN
di I-TEMUAN
semua I-TEMUAN
ukuran I-TEMUAN
layar I-TEMUAN
dan I-TEMUAN
tampil I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
di I-TEMUAN
sebagian I-TEMUAN
besar I-TEMUAN
browser I-TEMUAN
di I-TEMUAN
perangkat I-TEMUAN
yang I-TEMUAN
berbeda. I-TEMUAN
Kata O
Kunci— O
Prototipe O
, O
Diseminasi O
, O
Sensus O
Pertanian O
2023 O
, O
Responsive O
Web O
Design O
, O
Mobile-First O
Design O
[SEP] O
Penelitian O
ini O
sudah O
mencapai O
tahap O
akhir O
dan O
telah O
dapat O
ditarik O
kesimpulan O
dari O
hasil O
penelitian O
dengan O
menjawab O
tujuan O
penelitian O
sebagai O
berikut. O
1. O
Evaluasi B-TEMUAN
heuristik I-TEMUAN
telah I-TEMUAN
dilakukan I-TEMUAN
untuk I-TEMUAN
mengevaluasi I-TEMUAN
tingkat I-TEMUAN
kegunaan I-TEMUAN
dari I-TEMUAN
web I-TEMUAN
diseminasi I-TEMUAN
ST2013 I-TEMUAN
dan I-TEMUAN
didapatkan I-TEMUAN
hasil I-TEMUAN
sebesar I-TEMUAN
66,19 I-TEMUAN
% I-TEMUAN
yang I-TEMUAN
tergolong I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
Sedang. I-TEMUAN
Berdasarkan I-TEMUAN
komentar I-TEMUAN
dari I-TEMUAN
evaluator I-TEMUAN
, I-TEMUAN
web I-TEMUAN
diseminasi I-TEMUAN
ST2013 I-TEMUAN
belum I-TEMUAN
responsif I-TEMUAN
ketika I-TEMUAN
diakses I-TEMUAN
melalui I-TEMUAN
perangkat I-TEMUAN
seluler I-TEMUAN
; I-TEMUAN
terdapat I-TEMUAN
beberapa I-TEMUAN
masalah I-TEMUAN
dalam I-TEMUAN
antarmuka I-TEMUAN
web I-TEMUAN
seperti I-TEMUAN
pemilihan I-TEMUAN
warna I-TEMUAN
, I-TEMUAN
ukuran I-TEMUAN
huruf I-TEMUAN
, I-TEMUAN
tertutup I-TEMUAN
dengan I-TEMUAN
ruang I-TEMUAN
kosong I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
komponen I-TEMUAN
yang I-TEMUAN
komponen I-TEMUAN
lainnya I-TEMUAN
; I-TEMUAN
serta I-TEMUAN
kotak I-TEMUAN
pencarian I-TEMUAN
yang I-TEMUAN
belum I-TEMUAN
ada. I-TEMUAN
2. O
Telah O
dirancang O
dan O
dibangun O
sebuah O
Prototipe O
Web O
Diseminasi O
ST2023 O
dengan O
tampilan O
antarmuka O
yang O
lebih O
modern O
dan O
responsif O
, O
tanpa O
membangun O
back-end O
dan O
database. O
Pembangunan O
prototipe O
menggunakan O
teknik O
Responsive O
Web O
Design O
dan O
Mobile O
First O
Design O
untuk O
memastikan O
prototipe O
dapat O
diakses O
dengan O
nyaman O
oleh O
pengguna O
perangkat O
seluler. O
Prototipe O
menampilkan O
semua O
fungsi O
yang O
sudah O
tersedia O
dalam O
sistem O
sebelumnya O
dan O
menambahkan O
beberapa O
lainnya O
yang O
dapat O
meningkatkan O
kepuasan O
pengguna. O
Data O
yang O
ditampilkan O
dalam O
prototipe O
bersumber O
dari O
web O
diseminasi O
ST2013 O
dan O
dari O
Tim O
AGRO O
ST2023. O
Pengujian O
responsivitas O
menggunakan O
dua O
tools O
dari O
Google O
dan O
mendapatkan O
hasil O
bahwa O
prototipe O
web O
sudah O
responsif O
di O
berbagai O
macam O
fungsi O
3. O
Prototipe O
Web O
ST2023 O
telah O
melalui O
serangkaian O
evaluasi O
dan O
uji O
coba. O
Evaluasi O
heuristik O
untuk O
mengetahui O
tingkat O
kegunaan O
prototipe O
mendapatkan O
hasil O
sebesar O
81,64 O
% O
dan O
tergolong O
dalam O
kategori O
Bagus O
, O
meningkat O
jika O
dibandingkan O
dengan O
hasil O
evaluasi O
web O
ST2013. O
QUIS O
untuk O
mengetahui O
tingkat O
kepuasan O
pengguna O
terhadap O
prototipe O
mendapatkan O
hasil O
sebesar O
8,03 O
atau O
pengguna O
merasa O
sudah O
cukup O
puas O
dengan O
tampilan O
antarmuka O
prototipe. O
Uji O
coba O
kompatibilitas O
browser O
menunjukkan O
bahwa O
Prototipe O
Web O
ST2023 O
dapat O
tampil O
dengan O
sesuai O
pada O
sebagian O
besar O
browser O
di O
perangkat O
yang O
berbeda. O
Saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
selanjutnya O
adalah O
sebagai O
berikut. O
1. O
Performa O
prototipe O
web O
ST2023 O
menurut O
PSI O
di O
perangkat O
mobile O
masih O
dalam O
kategori O
warna O
oranye O
, O
yang O
artinya O
masih O
bisa O
ditingkatkan O
lagi. O
2. O
Membangun O
back-end O
dan O
memasukkan O
database O
ke O
bagian O
front-end O
yang O
sudah O
dibuat. O

Perancangan O
Prototipe O
Web O
Diseminasi O
Sensus O
Pertanian O
2023 O
dengan O
Responsive O
Web O
Design O
Faturrokhman O
( O
221810300 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
SST. O
, O
M.T. O
Ringkasan— O
Setelah O
pelaksanaan O
cacah O
lengkap O
dalam O
kegiatan O
Sensus O
Pertanian O
2023 O
( O
ST2023 O
) O
, O
BPS O
( O
Badan O
Pusat O
Statistik O
) O
berkewajiban O
untuk O
menyajikan O
data O
yang O
telah O
diperoleh O
melalui O
diseminasi O
data O
, O
salah O
satunya O
dengan O
situs O
web. O
Maka O
dari O
itu O
, O
diperlukan O
web O
diseminasi O
ST2023 O
yang O
memiliki O
desain O
modern O
dan O
responsif O
di O
semua O
ukuran O
layar. O
Namun O
, O
web O
diseminasi O
sensus O
sebelumnya O
, O
ST2013 O
, O
hanya O
mendapatkan O
hasil O
usability O
testing O
sebesar O
66,19 O
% O
dan O
pengguna O
perangkat O
seluler O
kesulitan O
dalam O
melihat O
informasi O
di O
dalam O
web. O
Untuk O
mengatasi O
masalah O
tersebut O
, O
peneliti O
melakukan B-TUJUAN
penelitian I-TUJUAN
untuk I-TUJUAN
merancang I-TUJUAN
prototipe I-TUJUAN
web I-TUJUAN
diseminasi I-TUJUAN
ST2023 I-TUJUAN
yang I-TUJUAN
responsif I-TUJUAN
menggunakan I-TUJUAN
teknik I-TUJUAN
Responsive I-TUJUAN
Web I-TUJUAN
Design. I-TUJUAN
Prototipe O
kemudian O
dievaluasi O
menggunakan O
usability B-METODE
testing I-METODE
dan O
mendapatkan O
hasil O
sebesar O
81,64 O
% O
. O
Uji B-METODE
coba I-METODE
responsif I-METODE
dan I-METODE
kompatibilitas I-METODE
pada O
berbagai O
browser O
juga O
telah O
dilaksanakan O
dan O
mendapatkan O
hasil O
bahwa O
prototipe B-TEMUAN
sudah I-TEMUAN
responsif I-TEMUAN
di I-TEMUAN
semua I-TEMUAN
ukuran I-TEMUAN
layar I-TEMUAN
dan I-TEMUAN
tampil I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
di I-TEMUAN
sebagian I-TEMUAN
besar I-TEMUAN
browser I-TEMUAN
di I-TEMUAN
perangkat I-TEMUAN
yang I-TEMUAN
berbeda. I-TEMUAN
Kata O
Kunci— O
Prototipe O
, O
Diseminasi O
, O
Sensus O
Pertanian O
2023 O
, O
Responsive O
Web O
Design O
, O
Mobile-First O
Design O
[SEP] O
Penelitian O
ini O
sudah O
mencapai O
tahap O
akhir O
dan O
telah O
dapat O
ditarik O
kesimpulan O
dari O
hasil O
penelitian O
dengan O
menjawab O
tujuan O
penelitian O
sebagai O
berikut. O
1. O
Evaluasi B-TEMUAN
heuristik I-TEMUAN
telah I-TEMUAN
dilakukan I-TEMUAN
untuk I-TEMUAN
mengevaluasi I-TEMUAN
tingkat I-TEMUAN
kegunaan I-TEMUAN
dari I-TEMUAN
web I-TEMUAN
diseminasi I-TEMUAN
ST2013 I-TEMUAN
dan I-TEMUAN
didapatkan I-TEMUAN
hasil I-TEMUAN
sebesar I-TEMUAN
66,19 I-TEMUAN
% I-TEMUAN
yang I-TEMUAN
tergolong I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
Sedang. I-TEMUAN
Berdasarkan I-TEMUAN
komentar I-TEMUAN
dari I-TEMUAN
evaluator I-TEMUAN
, I-TEMUAN
web I-TEMUAN
diseminasi I-TEMUAN
ST2013 I-TEMUAN
belum I-TEMUAN
responsif I-TEMUAN
ketika I-TEMUAN
diakses I-TEMUAN
melalui I-TEMUAN
perangkat I-TEMUAN
seluler I-TEMUAN
; I-TEMUAN
terdapat I-TEMUAN
beberapa I-TEMUAN
masalah I-TEMUAN
dalam I-TEMUAN
antarmuka I-TEMUAN
web I-TEMUAN
seperti I-TEMUAN
pemilihan I-TEMUAN
warna I-TEMUAN
, I-TEMUAN
ukuran I-TEMUAN
huruf I-TEMUAN
, I-TEMUAN
tertutup I-TEMUAN
dengan I-TEMUAN
ruang I-TEMUAN
kosong I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
komponen I-TEMUAN
yang I-TEMUAN
komponen I-TEMUAN
lainnya I-TEMUAN
; I-TEMUAN
serta I-TEMUAN
kotak I-TEMUAN
pencarian I-TEMUAN
yang I-TEMUAN
belum I-TEMUAN
ada. I-TEMUAN
2. O
Telah O
dirancang O
dan O
dibangun O
sebuah O
Prototipe O
Web O
Diseminasi O
ST2023 O
dengan O
tampilan O
antarmuka O
yang O
lebih O
modern O
dan O
responsif O
, O
tanpa O
membangun O
back-end O
dan O
database. O
Pembangunan O
prototipe O
menggunakan O
teknik O
Responsive O
Web O
Design O
dan O
Mobile O
First O
Design O
untuk O
memastikan O
prototipe O
dapat O
diakses O
dengan O
nyaman O
oleh O
pengguna O
perangkat O
seluler. O
Prototipe O
menampilkan O
semua O
fungsi O
yang O
sudah O
tersedia O
dalam O
sistem O
sebelumnya O
dan O
menambahkan O
beberapa O
lainnya O
yang O
dapat O
meningkatkan O
kepuasan O
pengguna. O
Data O
yang O
ditampilkan O
dalam O
prototipe O
bersumber O
dari O
web O
diseminasi O
ST2013 O
dan O
dari O
Tim O
AGRO O
ST2023. O
Pengujian O
responsivitas O
menggunakan O
dua O
tools O
dari O
Google O
dan O
mendapatkan O
hasil O
bahwa O
prototipe O
web O
sudah O
responsif O
di O
berbagai O
macam O
fungsi O
3. O
Prototipe O
Web O
ST2023 O
telah O
melalui O
serangkaian O
evaluasi O
dan O
uji O
coba. O
Evaluasi O
heuristik O
untuk O
mengetahui O
tingkat O
kegunaan O
prototipe O
mendapatkan O
hasil O
sebesar O
81,64 O
% O
dan O
tergolong O
dalam O
kategori O
Bagus O
, O
meningkat O
jika O
dibandingkan O
dengan O
hasil O
evaluasi O
web O
ST2013. O
QUIS O
untuk O
mengetahui O
tingkat O
kepuasan O
pengguna O
terhadap O
prototipe O
mendapatkan O
hasil O
sebesar O
8,03 O
atau O
pengguna O
merasa O
sudah O
cukup O
puas O
dengan O
tampilan O
antarmuka O
prototipe. O
Uji O
coba O
kompatibilitas O
browser O
menunjukkan O
bahwa O
Prototipe O
Web O
ST2023 O
dapat O
tampil O
dengan O
sesuai O
pada O
sebagian O
besar O
browser O
di O
perangkat O
yang O
berbeda. O
Saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
selanjutnya O
adalah O
sebagai O
berikut. O
1. O
Performa O
prototipe O
web O
ST2023 O
menurut O
PSI O
di O
perangkat O
mobile O
masih O
dalam O
kategori O
warna O
oranye O
, O
yang O
artinya O
masih O
bisa O
ditingkatkan O
lagi. O
2. O
Membangun O
back-end O
dan O
memasukkan O
database O
ke O
bagian O
front-end O
yang O
sudah O
dibuat. O

Visualisasi O
dan O
Diseminasi O
Data O
Blok O
Sensus O
dan O
Sistem O
Lingkungan O
Setempat O
Berbasis O
Android O
Fatkhul O
Mukhlish O
Al-haq O
( O
221810299 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Andri O
Yudhi O
Supriadi O
S.E. O
, O
M.E. O
Ringkasan— O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
memiliki O
arah O
perubahan O
untuk O
memanfaatkan O
Satuan O
Lingkungan O
Setempat O
( O
SLS O
) O
sebagai O
enumeration O
area. O
Saat O
ini O
hal O
tersebut O
sedang O
dikaji O
oleh O
BPS. O
Tersedianya O
Data O
Master O
serta O
Data O
Peta O
baik O
Blok O
Sensus O
maupun O
SLS O
di O
basis O
data O
yang O
hanya O
dapat O
diakses O
oleh O
SDM O
dengan O
keahlian O
khusus. O
Proses O
penggantian O
sampel O
hanya O
menggunakan O
informasi O
tabular O
saja. O
Perlu O
informasi O
spasial O
untuk O
mengatasi O
permasalahan O
yang O
terjadi. O
Penulis O
Membangun B-TUJUAN
aplikasi I-TUJUAN
atau I-TUJUAN
sistem I-TUJUAN
yang I-TUJUAN
memuat I-TUJUAN
Visualisasi I-TUJUAN
data I-TUJUAN
BS I-TUJUAN
dan I-TUJUAN
SLS. I-TUJUAN
Tujuannya O
adalah O
untuk O
memudahkan O
pengguna O
untuk O
melihat O
data O
secara O
geospasial O
dan O
menjadi O
salah O
satu O
rujukan O
dari O
sisi O
geospasial O
pada O
saat O
penggantian O
sampel. O
Hasil B-TEMUAN
sementara I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
adalah I-TEMUAN
pemrograman I-TEMUAN
dari I-TEMUAN
sisi I-TEMUAN
backend I-TEMUAN
sudah I-TEMUAN
selesai. I-TEMUAN
Query I-TEMUAN
untuk I-TEMUAN
blok I-TEMUAN
sensus I-TEMUAN
dan I-TEMUAN
SLS I-TEMUAN
pun I-TEMUAN
sudah I-TEMUAN
berjalan. I-TEMUAN
Namun I-TEMUAN
pemrograman I-TEMUAN
dari I-TEMUAN
sisi I-TEMUAN
frontend I-TEMUAN
belum I-TEMUAN
selesai I-TEMUAN
dilakukan I-TEMUAN
dan I-TEMUAN
harapannya I-TEMUAN
agar I-TEMUAN
cepat I-TEMUAN
terselesaikan. I-TEMUAN
Kata O
Kunci— O
Blok O
Sensus O
, O
Android O
, O
SLS O
, O
Visualisasi O
, O
BPS O
, O
Spasial. O
[SEP] O
berdasarkan O
hasil O
penelitian O
yang O
dilakukan O
, O
diperoleh O
kesimpulan O
sebagai O
berikut O
: O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
1. O
Solusi O
dari O
masalah O
yang O
telah O
dijelaskan O
adalah O
dibangunnya O
Sistem O
Visualisasi O
Data O
Blok O
Sensus O
dan O
SLS O
berbasis O
Android. O
2. O
Sistem O
yang O
dibangun O
dapat O
digunakan O
oleh O
Fungsi O
PKS O
, O
BPS O
Provinsi O
, O
BPS O
Kabupaten O
/ O
Kote. O
3. O
Saat O
ini O
pembangunan O
sistem O
sudah O
selesai O
pada O
tahap O
pengembangan O
backend. O
Target O
dan O
rencana O
kedepannya O
adalah O
: O
1. O
Menyelesaikan O
pembangunan O
sistem O
dari O
sisi O
frontend. O
2. O
Melakukan O
pengujian O
pada O
sistem O
dengan O
Black B-METODE
Box I-METODE
Testing I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale. I-METODE

Visualisasi O
dan O
Diseminasi O
Data O
Blok O
Sensus O
dan O
Sistem O
Lingkungan O
Setempat O
Berbasis O
Android O
Fatkhul O
Mukhlish O
Al-haq O
( O
221810299 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Andri O
Yudhi O
Supriadi O
S.E. O
, O
M.E. O
Ringkasan— O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
memiliki O
arah O
perubahan O
untuk O
memanfaatkan O
Satuan O
Lingkungan O
Setempat O
( O
SLS O
) O
sebagai O
enumeration O
area. O
Saat O
ini O
hal O
tersebut O
sedang O
dikaji O
oleh O
BPS. O
Tersedianya O
Data O
Master O
serta O
Data O
Peta O
baik O
Blok O
Sensus O
maupun O
SLS O
di O
basis O
data O
yang O
hanya O
dapat O
diakses O
oleh O
SDM O
dengan O
keahlian O
khusus. O
Proses O
penggantian O
sampel O
hanya O
menggunakan O
informasi O
tabular O
saja. O
Perlu O
informasi O
spasial O
untuk O
mengatasi O
permasalahan O
yang O
terjadi. O
Penulis O
Membangun B-TUJUAN
aplikasi I-TUJUAN
atau I-TUJUAN
sistem I-TUJUAN
yang I-TUJUAN
memuat I-TUJUAN
Visualisasi I-TUJUAN
data I-TUJUAN
BS I-TUJUAN
dan I-TUJUAN
SLS. I-TUJUAN
Tujuannya O
adalah O
untuk O
memudahkan O
pengguna O
untuk O
melihat O
data O
secara O
geospasial O
dan O
menjadi O
salah O
satu O
rujukan O
dari O
sisi O
geospasial O
pada O
saat O
penggantian O
sampel. O
Hasil B-TEMUAN
sementara I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
adalah I-TEMUAN
pemrograman I-TEMUAN
dari I-TEMUAN
sisi I-TEMUAN
backend I-TEMUAN
sudah I-TEMUAN
selesai. I-TEMUAN
Query I-TEMUAN
untuk I-TEMUAN
blok I-TEMUAN
sensus I-TEMUAN
dan I-TEMUAN
SLS I-TEMUAN
pun I-TEMUAN
sudah I-TEMUAN
berjalan. I-TEMUAN
Namun I-TEMUAN
pemrograman I-TEMUAN
dari I-TEMUAN
sisi I-TEMUAN
frontend I-TEMUAN
belum I-TEMUAN
selesai I-TEMUAN
dilakukan I-TEMUAN
dan I-TEMUAN
harapannya I-TEMUAN
agar I-TEMUAN
cepat I-TEMUAN
terselesaikan. I-TEMUAN
Kata O
Kunci— O
Blok O
Sensus O
, O
Android O
, O
SLS O
, O
Visualisasi O
, O
BPS O
, O
Spasial. O
[SEP] O
berdasarkan O
hasil O
penelitian O
yang O
dilakukan O
, O
diperoleh O
kesimpulan O
sebagai O
berikut O
: O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
1. O
Solusi O
dari O
masalah O
yang O
telah O
dijelaskan O
adalah O
dibangunnya O
Sistem O
Visualisasi O
Data O
Blok O
Sensus O
dan O
SLS O
berbasis O
Android. O
2. O
Sistem O
yang O
dibangun O
dapat O
digunakan O
oleh O
Fungsi O
PKS O
, O
BPS O
Provinsi O
, O
BPS O
Kabupaten O
/ O
Kote. O
3. O
Saat O
ini O
pembangunan O
sistem O
sudah O
selesai O
pada O
tahap O
pengembangan O
backend. O
Target O
dan O
rencana O
kedepannya O
adalah O
: O
1. O
Menyelesaikan O
pembangunan O
sistem O
dari O
sisi O
frontend. O
2. O
Melakukan O
pengujian O
pada O
sistem O
dengan O
Black B-METODE
Box I-METODE
Testing I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale. I-METODE

Visualisasi O
dan O
Diseminasi O
Data O
Blok O
Sensus O
dan O
Sistem O
Lingkungan O
Setempat O
Berbasis O
Android O
Fatkhul O
Mukhlish O
Al-haq O
( O
221810299 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Andri O
Yudhi O
Supriadi O
S.E. O
, O
M.E. O
Ringkasan— O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
memiliki O
arah O
perubahan O
untuk O
memanfaatkan O
Satuan O
Lingkungan O
Setempat O
( O
SLS O
) O
sebagai O
enumeration O
area. O
Saat O
ini O
hal O
tersebut O
sedang O
dikaji O
oleh O
BPS. O
Tersedianya O
Data O
Master O
serta O
Data O
Peta O
baik O
Blok O
Sensus O
maupun O
SLS O
di O
basis O
data O
yang O
hanya O
dapat O
diakses O
oleh O
SDM O
dengan O
keahlian O
khusus. O
Proses O
penggantian O
sampel O
hanya O
menggunakan O
informasi O
tabular O
saja. O
Perlu O
informasi O
spasial O
untuk O
mengatasi O
permasalahan O
yang O
terjadi. O
Penulis O
Membangun B-TUJUAN
aplikasi I-TUJUAN
atau I-TUJUAN
sistem I-TUJUAN
yang I-TUJUAN
memuat I-TUJUAN
Visualisasi I-TUJUAN
data I-TUJUAN
BS I-TUJUAN
dan I-TUJUAN
SLS. I-TUJUAN
Tujuannya O
adalah O
untuk O
memudahkan O
pengguna O
untuk O
melihat O
data O
secara O
geospasial O
dan O
menjadi O
salah O
satu O
rujukan O
dari O
sisi O
geospasial O
pada O
saat O
penggantian O
sampel. O
Hasil B-TEMUAN
sementara I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
adalah I-TEMUAN
pemrograman I-TEMUAN
dari I-TEMUAN
sisi I-TEMUAN
backend I-TEMUAN
sudah I-TEMUAN
selesai. I-TEMUAN
Query I-TEMUAN
untuk I-TEMUAN
blok I-TEMUAN
sensus I-TEMUAN
dan I-TEMUAN
SLS I-TEMUAN
pun I-TEMUAN
sudah I-TEMUAN
berjalan. I-TEMUAN
Namun I-TEMUAN
pemrograman I-TEMUAN
dari I-TEMUAN
sisi I-TEMUAN
frontend I-TEMUAN
belum I-TEMUAN
selesai I-TEMUAN
dilakukan I-TEMUAN
dan I-TEMUAN
harapannya I-TEMUAN
agar I-TEMUAN
cepat I-TEMUAN
terselesaikan. I-TEMUAN
Kata O
Kunci— O
Blok O
Sensus O
, O
Android O
, O
SLS O
, O
Visualisasi O
, O
BPS O
, O
Spasial. O
[SEP] O
berdasarkan O
hasil O
penelitian O
yang O
dilakukan O
, O
diperoleh O
kesimpulan O
sebagai O
berikut O
: O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
1. O
Solusi O
dari O
masalah O
yang O
telah O
dijelaskan O
adalah O
dibangunnya O
Sistem O
Visualisasi O
Data O
Blok O
Sensus O
dan O
SLS O
berbasis O
Android. O
2. O
Sistem O
yang O
dibangun O
dapat O
digunakan O
oleh O
Fungsi O
PKS O
, O
BPS O
Provinsi O
, O
BPS O
Kabupaten O
/ O
Kote. O
3. O
Saat O
ini O
pembangunan O
sistem O
sudah O
selesai O
pada O
tahap O
pengembangan O
backend. O
Target O
dan O
rencana O
kedepannya O
adalah O
: O
1. O
Menyelesaikan O
pembangunan O
sistem O
dari O
sisi O
frontend. O
2. O
Melakukan O
pengujian O
pada O
sistem O
dengan O
Black B-METODE
Box I-METODE
Testing I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale. I-METODE

Visualisasi O
dan O
Diseminasi O
Data O
Blok O
Sensus O
dan O
Sistem O
Lingkungan O
Setempat O
Berbasis O
Android O
Fatkhul O
Mukhlish O
Al-haq O
( O
221810299 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Andri O
Yudhi O
Supriadi O
S.E. O
, O
M.E. O
Ringkasan— O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
memiliki O
arah O
perubahan O
untuk O
memanfaatkan O
Satuan O
Lingkungan O
Setempat O
( O
SLS O
) O
sebagai O
enumeration O
area. O
Saat O
ini O
hal O
tersebut O
sedang O
dikaji O
oleh O
BPS. O
Tersedianya O
Data O
Master O
serta O
Data O
Peta O
baik O
Blok O
Sensus O
maupun O
SLS O
di O
basis O
data O
yang O
hanya O
dapat O
diakses O
oleh O
SDM O
dengan O
keahlian O
khusus. O
Proses O
penggantian O
sampel O
hanya O
menggunakan O
informasi O
tabular O
saja. O
Perlu O
informasi O
spasial O
untuk O
mengatasi O
permasalahan O
yang O
terjadi. O
Penulis O
Membangun B-TUJUAN
aplikasi I-TUJUAN
atau I-TUJUAN
sistem I-TUJUAN
yang I-TUJUAN
memuat I-TUJUAN
Visualisasi I-TUJUAN
data I-TUJUAN
BS I-TUJUAN
dan I-TUJUAN
SLS. I-TUJUAN
Tujuannya O
adalah O
untuk O
memudahkan O
pengguna O
untuk O
melihat O
data O
secara O
geospasial O
dan O
menjadi O
salah O
satu O
rujukan O
dari O
sisi O
geospasial O
pada O
saat O
penggantian O
sampel. O
Hasil B-TEMUAN
sementara I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
adalah I-TEMUAN
pemrograman I-TEMUAN
dari I-TEMUAN
sisi I-TEMUAN
backend I-TEMUAN
sudah I-TEMUAN
selesai. I-TEMUAN
Query I-TEMUAN
untuk I-TEMUAN
blok I-TEMUAN
sensus I-TEMUAN
dan I-TEMUAN
SLS I-TEMUAN
pun I-TEMUAN
sudah I-TEMUAN
berjalan. I-TEMUAN
Namun I-TEMUAN
pemrograman I-TEMUAN
dari I-TEMUAN
sisi I-TEMUAN
frontend I-TEMUAN
belum I-TEMUAN
selesai I-TEMUAN
dilakukan I-TEMUAN
dan I-TEMUAN
harapannya I-TEMUAN
agar I-TEMUAN
cepat I-TEMUAN
terselesaikan. I-TEMUAN
Kata O
Kunci— O
Blok O
Sensus O
, O
Android O
, O
SLS O
, O
Visualisasi O
, O
BPS O
, O
Spasial. O
[SEP] O
berdasarkan O
hasil O
penelitian O
yang O
dilakukan O
, O
diperoleh O
kesimpulan O
sebagai O
berikut O
: O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
1. O
Solusi O
dari O
masalah O
yang O
telah O
dijelaskan O
adalah O
dibangunnya O
Sistem O
Visualisasi O
Data O
Blok O
Sensus O
dan O
SLS O
berbasis O
Android. O
2. O
Sistem O
yang O
dibangun O
dapat O
digunakan O
oleh O
Fungsi O
PKS O
, O
BPS O
Provinsi O
, O
BPS O
Kabupaten O
/ O
Kote. O
3. O
Saat O
ini O
pembangunan O
sistem O
sudah O
selesai O
pada O
tahap O
pengembangan O
backend. O
Target O
dan O
rencana O
kedepannya O
adalah O
: O
1. O
Menyelesaikan O
pembangunan O
sistem O
dari O
sisi O
frontend. O
2. O
Melakukan O
pengujian O
pada O
sistem O
dengan O
Black B-METODE
Box I-METODE
Testing I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale. I-METODE

Pemetaan O
Kerawanan O
Banjir O
DAS O
Barito O
Tahun O
2020 O
Berdasarkan O
Analisis O
Regresi O
Logistik O
Biner O
Faradilla O
Anastasya O
( O
221810293 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I. O
Ringkasan— O
Menurut O
DIBI O
( O
Database O
Pengelolaan O
Data O
dan O
Informasi O
Bencana O
Indonesia O
) O
Provinsi O
Kalimantan O
Selatan O
menjadi O
daerah O
langganan O
banjir. O
Padahal O
jika O
dilihat O
dari O
kondisi O
geografis O
, O
Pulau O
Kalimantan O
seharusnya O
bukan O
termasuk O
daerah O
yang O
rawan O
banjir. O
Bencana O
banjir O
tersebut O
telah O
melumpuhkan O
kegiatan O
perekonomian O
, O
menghancurkan O
harta O
benda O
, O
bahkan O
menghilangkan O
nyawa. O
Sehingga O
dalam O
upaya O
ini O
bertujuan O
untuk O
mitigasi B-TUJUAN
bencana I-TUJUAN
banjir I-TUJUAN
, I-TUJUAN
penelitian I-TUJUAN
mengidentifikasian I-TUJUAN
signifikan I-TUJUAN
parameter-parameter I-TUJUAN
mempengaruhi I-TUJUAN
kejadian I-TUJUAN
banjir I-TUJUAN
di I-TUJUAN
DAS I-TUJUAN
Barito I-TUJUAN
menggunakan I-TUJUAN
analisis I-TUJUAN
regresi I-TUJUAN
logistik I-TUJUAN
biner. I-TUJUAN
Periode O
pengamatan O
kejadian O
banjir O
di O
DAS O
Barito O
dilakukan O
sepanjang O
tahun O
2020. O
Tujuan O
penelitian O
selanjutnya O
adalah O
memetakan O
tingkat O
kerawanan O
banjir O
di O
DAS O
Barito. O
Peneliti O
menerapkan O
metode B-METODE
scoring I-METODE
dengan O
cara O
memberikan O
bobot O
pada O
parameter O
yang O
berpengaruh O
secara O
signifikan O
terhadap O
banjir O
dan O
memberikan O
nilai O
setiap O
kelas O
dari O
masing-masing O
parameter O
tersebut. O
Kemudian O
dilakukan O
overlay O
terhadap O
parameter-parameter O
yang O
signifikan O
mempengaruhi O
banjir. O
yang O
Kata O
Kunci— O
Banjir O
, O
Regresi O
Logistik O
, O
Scoring O
, O
Overlay O
, O
DAS O
Barito O
[SEP] O
A. O
Kesimpulan O
Adapun O
kesimpulan O
yang O
diperoleh O
dari O
penelitian O
ini O
adalah O
sebagai O
berikut O
: O
tutupan O
1. O
Hasil B-TEMUAN
analisis I-TEMUAN
regresi I-TEMUAN
logistik I-TEMUAN
biner I-TEMUAN
menunjukkan I-TEMUAN
sungai I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
bahwa I-TEMUAN
ketinggian I-TEMUAN
lahan I-TEMUAN
berpengaruh I-TEMUAN
secara I-TEMUAN
signifikan I-TEMUAN
terhadap I-TEMUAN
kejadian I-TEMUAN
banjir I-TEMUAN
di I-TEMUAN
DAS I-TEMUAN
Barito I-TEMUAN
sepanjang I-TEMUAN
tahun I-TEMUAN
2020. I-TEMUAN
lahan I-TEMUAN
, I-TEMUAN
kerapatan I-TEMUAN
2. O
DAS O
Barito O
didominasi O
oleh O
tingkat O
kerawanan O
rendah O
yaitu O
52,93 O
% O
dari O
wilayah O
penelitian O
yang O
tersebar O
di O
Kabupaten O
Murung O
Raya O
dan O
Kabupaten O
Barito O
Utara. O
Kemudian O
disusul O
oleh O
tingkat O
kerawanan O
tinggi O
yaitu O
23,62 O
% O
dari O
wilayah O
penelitian O
yang O
tersebar O
di O
Kabupaten O
Barito O
Selatan O
, O
Kabupaten O
Barito O
Timur O
, O
Kabupaten O
Hulu O
Sungai O
Utara O
, O
Kabupaten O
Hulu O
Sungai O
Selatan O
, O
Kabupaten O
Tapin O
, O
Kabupaten O
Barito O
Kuala O
, O
Kota O
Banjarmasin O
, O
dan O
Kota O
Banjarbaru. O
Sedangkan O
tingkat O
kerawanan O
sedang O
yang O
memiliki O
luasan O
yang O
paling O
kecil O
yaitu O
23,46 O
% O
dari O
wilayah O
penelitian O
yang O
tersebar O
di O
Kabupaten O
Balangan O
, O
Tabalong O
, O
Kabupaten O
Kabupaten O
Hulu O
Sungai O
Tengah O
, O
dan O
Kabupaten O
Banjar. O
B. O
Saran O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
seperti O
analisis O
regresi O
poisson O
, O
analisis O
regresi O
binomial O
negatif O
, O
dan O
lain-lain. O
2. O
Penelitian O
ini O
hanya O
mengkaji O
tentang O
kerawanan O
banjir O
, O
untuk O
penelitian O
selanjutnya O
disarankan O
dapat O
mengkaji O
tentang O
pembuatan O
peta O
kedalaman O
banjir O
dan O
peta O
kecepatan O
banjir. O

Pemetaan O
Kerawanan O
Banjir O
DAS O
Barito O
Tahun O
2020 O
Berdasarkan O
Analisis O
Regresi O
Logistik O
Biner O
Faradilla O
Anastasya O
( O
221810293 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I. O
Ringkasan— O
Menurut O
DIBI O
( O
Database O
Pengelolaan O
Data O
dan O
Informasi O
Bencana O
Indonesia O
) O
Provinsi O
Kalimantan O
Selatan O
menjadi O
daerah O
langganan O
banjir. O
Padahal O
jika O
dilihat O
dari O
kondisi O
geografis O
, O
Pulau O
Kalimantan O
seharusnya O
bukan O
termasuk O
daerah O
yang O
rawan O
banjir. O
Bencana O
banjir O
tersebut O
telah O
melumpuhkan O
kegiatan O
perekonomian O
, O
menghancurkan O
harta O
benda O
, O
bahkan O
menghilangkan O
nyawa. O
Sehingga O
dalam O
upaya O
ini O
bertujuan O
untuk O
mitigasi B-TUJUAN
bencana I-TUJUAN
banjir I-TUJUAN
, I-TUJUAN
penelitian I-TUJUAN
mengidentifikasian I-TUJUAN
signifikan I-TUJUAN
parameter-parameter I-TUJUAN
mempengaruhi I-TUJUAN
kejadian I-TUJUAN
banjir I-TUJUAN
di I-TUJUAN
DAS I-TUJUAN
Barito I-TUJUAN
menggunakan I-TUJUAN
analisis I-TUJUAN
regresi I-TUJUAN
logistik I-TUJUAN
biner. I-TUJUAN
Periode O
pengamatan O
kejadian O
banjir O
di O
DAS O
Barito O
dilakukan O
sepanjang O
tahun O
2020. O
Tujuan O
penelitian O
selanjutnya O
adalah O
memetakan O
tingkat O
kerawanan O
banjir O
di O
DAS O
Barito. O
Peneliti O
menerapkan O
metode B-METODE
scoring I-METODE
dengan O
cara O
memberikan O
bobot O
pada O
parameter O
yang O
berpengaruh O
secara O
signifikan O
terhadap O
banjir O
dan O
memberikan O
nilai O
setiap O
kelas O
dari O
masing-masing O
parameter O
tersebut. O
Kemudian O
dilakukan O
overlay O
terhadap O
parameter-parameter O
yang O
signifikan O
mempengaruhi O
banjir. O
yang O
Kata O
Kunci— O
Banjir O
, O
Regresi O
Logistik O
, O
Scoring O
, O
Overlay O
, O
DAS O
Barito O
[SEP] O
A. O
Kesimpulan O
Adapun O
kesimpulan O
yang O
diperoleh O
dari O
penelitian O
ini O
adalah O
sebagai O
berikut O
: O
tutupan O
1. O
Hasil B-TEMUAN
analisis I-TEMUAN
regresi I-TEMUAN
logistik I-TEMUAN
biner I-TEMUAN
menunjukkan I-TEMUAN
sungai I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
bahwa I-TEMUAN
ketinggian I-TEMUAN
lahan I-TEMUAN
berpengaruh I-TEMUAN
secara I-TEMUAN
signifikan I-TEMUAN
terhadap I-TEMUAN
kejadian I-TEMUAN
banjir I-TEMUAN
di I-TEMUAN
DAS I-TEMUAN
Barito I-TEMUAN
sepanjang I-TEMUAN
tahun I-TEMUAN
2020. I-TEMUAN
lahan I-TEMUAN
, I-TEMUAN
kerapatan I-TEMUAN
2. O
DAS O
Barito O
didominasi O
oleh O
tingkat O
kerawanan O
rendah O
yaitu O
52,93 O
% O
dari O
wilayah O
penelitian O
yang O
tersebar O
di O
Kabupaten O
Murung O
Raya O
dan O
Kabupaten O
Barito O
Utara. O
Kemudian O
disusul O
oleh O
tingkat O
kerawanan O
tinggi O
yaitu O
23,62 O
% O
dari O
wilayah O
penelitian O
yang O
tersebar O
di O
Kabupaten O
Barito O
Selatan O
, O
Kabupaten O
Barito O
Timur O
, O
Kabupaten O
Hulu O
Sungai O
Utara O
, O
Kabupaten O
Hulu O
Sungai O
Selatan O
, O
Kabupaten O
Tapin O
, O
Kabupaten O
Barito O
Kuala O
, O
Kota O
Banjarmasin O
, O
dan O
Kota O
Banjarbaru. O
Sedangkan O
tingkat O
kerawanan O
sedang O
yang O
memiliki O
luasan O
yang O
paling O
kecil O
yaitu O
23,46 O
% O
dari O
wilayah O
penelitian O
yang O
tersebar O
di O
Kabupaten O
Balangan O
, O
Tabalong O
, O
Kabupaten O
Kabupaten O
Hulu O
Sungai O
Tengah O
, O
dan O
Kabupaten O
Banjar. O
B. O
Saran O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
seperti O
analisis O
regresi O
poisson O
, O
analisis O
regresi O
binomial O
negatif O
, O
dan O
lain-lain. O
2. O
Penelitian O
ini O
hanya O
mengkaji O
tentang O
kerawanan O
banjir O
, O
untuk O
penelitian O
selanjutnya O
disarankan O
dapat O
mengkaji O
tentang O
pembuatan O
peta O
kedalaman O
banjir O
dan O
peta O
kecepatan O
banjir. O

Pemetaan O
Kerawanan O
Banjir O
DAS O
Barito O
Tahun O
2020 O
Berdasarkan O
Analisis O
Regresi O
Logistik O
Biner O
Faradilla O
Anastasya O
( O
221810293 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I. O
Ringkasan— O
Menurut O
DIBI O
( O
Database O
Pengelolaan O
Data O
dan O
Informasi O
Bencana O
Indonesia O
) O
Provinsi O
Kalimantan O
Selatan O
menjadi O
daerah O
langganan O
banjir. O
Padahal O
jika O
dilihat O
dari O
kondisi O
geografis O
, O
Pulau O
Kalimantan O
seharusnya O
bukan O
termasuk O
daerah O
yang O
rawan O
banjir. O
Bencana O
banjir O
tersebut O
telah O
melumpuhkan O
kegiatan O
perekonomian O
, O
menghancurkan O
harta O
benda O
, O
bahkan O
menghilangkan O
nyawa. O
Sehingga O
dalam O
upaya O
ini O
bertujuan O
untuk O
mitigasi B-TUJUAN
bencana I-TUJUAN
banjir I-TUJUAN
, I-TUJUAN
penelitian I-TUJUAN
mengidentifikasian I-TUJUAN
signifikan I-TUJUAN
parameter-parameter I-TUJUAN
mempengaruhi I-TUJUAN
kejadian I-TUJUAN
banjir I-TUJUAN
di I-TUJUAN
DAS I-TUJUAN
Barito I-TUJUAN
menggunakan I-TUJUAN
analisis I-TUJUAN
regresi I-TUJUAN
logistik I-TUJUAN
biner. I-TUJUAN
Periode O
pengamatan O
kejadian O
banjir O
di O
DAS O
Barito O
dilakukan O
sepanjang O
tahun O
2020. O
Tujuan O
penelitian O
selanjutnya O
adalah O
memetakan O
tingkat O
kerawanan O
banjir O
di O
DAS O
Barito. O
Peneliti O
menerapkan O
metode B-METODE
scoring I-METODE
dengan O
cara O
memberikan O
bobot O
pada O
parameter O
yang O
berpengaruh O
secara O
signifikan O
terhadap O
banjir O
dan O
memberikan O
nilai O
setiap O
kelas O
dari O
masing-masing O
parameter O
tersebut. O
Kemudian O
dilakukan O
overlay O
terhadap O
parameter-parameter O
yang O
signifikan O
mempengaruhi O
banjir. O
yang O
Kata O
Kunci— O
Banjir O
, O
Regresi O
Logistik O
, O
Scoring O
, O
Overlay O
, O
DAS O
Barito O
[SEP] O
A. O
Kesimpulan O
Adapun O
kesimpulan O
yang O
diperoleh O
dari O
penelitian O
ini O
adalah O
sebagai O
berikut O
: O
tutupan O
1. O
Hasil B-TEMUAN
analisis I-TEMUAN
regresi I-TEMUAN
logistik I-TEMUAN
biner I-TEMUAN
menunjukkan I-TEMUAN
sungai I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
bahwa I-TEMUAN
ketinggian I-TEMUAN
lahan I-TEMUAN
berpengaruh I-TEMUAN
secara I-TEMUAN
signifikan I-TEMUAN
terhadap I-TEMUAN
kejadian I-TEMUAN
banjir I-TEMUAN
di I-TEMUAN
DAS I-TEMUAN
Barito I-TEMUAN
sepanjang I-TEMUAN
tahun I-TEMUAN
2020. I-TEMUAN
lahan I-TEMUAN
, I-TEMUAN
kerapatan I-TEMUAN
2. O
DAS O
Barito O
didominasi O
oleh O
tingkat O
kerawanan O
rendah O
yaitu O
52,93 O
% O
dari O
wilayah O
penelitian O
yang O
tersebar O
di O
Kabupaten O
Murung O
Raya O
dan O
Kabupaten O
Barito O
Utara. O
Kemudian O
disusul O
oleh O
tingkat O
kerawanan O
tinggi O
yaitu O
23,62 O
% O
dari O
wilayah O
penelitian O
yang O
tersebar O
di O
Kabupaten O
Barito O
Selatan O
, O
Kabupaten O
Barito O
Timur O
, O
Kabupaten O
Hulu O
Sungai O
Utara O
, O
Kabupaten O
Hulu O
Sungai O
Selatan O
, O
Kabupaten O
Tapin O
, O
Kabupaten O
Barito O
Kuala O
, O
Kota O
Banjarmasin O
, O
dan O
Kota O
Banjarbaru. O
Sedangkan O
tingkat O
kerawanan O
sedang O
yang O
memiliki O
luasan O
yang O
paling O
kecil O
yaitu O
23,46 O
% O
dari O
wilayah O
penelitian O
yang O
tersebar O
di O
Kabupaten O
Balangan O
, O
Tabalong O
, O
Kabupaten O
Kabupaten O
Hulu O
Sungai O
Tengah O
, O
dan O
Kabupaten O
Banjar. O
B. O
Saran O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
seperti O
analisis O
regresi O
poisson O
, O
analisis O
regresi O
binomial O
negatif O
, O
dan O
lain-lain. O
2. O
Penelitian O
ini O
hanya O
mengkaji O
tentang O
kerawanan O
banjir O
, O
untuk O
penelitian O
selanjutnya O
disarankan O
dapat O
mengkaji O
tentang O
pembuatan O
peta O
kedalaman O
banjir O
dan O
peta O
kecepatan O
banjir. O

Kasus O
Kekerasan O
Seksual O
Terhadap O
Perempuan O
dan O
Anak O
Berdasarkan O
Teks O
Berita O
Online O
Berbahasa O
Indonesia O
Studi O
Kasus O
: O
Berita O
Okezone.com O
dan O
Detik.com O
Fani O
Visara O
( O
221810291 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Nucke O
Widowati O
Kusumo O
Projo O
, O
S.Si O
, O
M.Sc O
, O
Ph.D O
Penelitian O
kasus-kasus O
pemerkosaan. O
Ringkasan— O
Sejak O
tahun O
2017 O
, O
kekerasan O
terhadap O
anak O
paling O
banyak O
terjadi O
pada O
jenis O
kekerasan O
seksual O
yakni O
lebih O
dari O
7.000 O
kasus O
di O
setiap O
tahunnya. O
Dalam O
kurun O
waktu O
2017- O
2020 O
, O
pemerkosaan O
menjadi O
salah O
satu O
jenis O
kekerasan O
seksual O
dengan O
kasus O
terbanyak. O
Big O
data O
dapat O
menjadi O
sumber O
data O
yang O
cukup O
up O
to O
date O
untuk O
digunakan O
dalam O
memperoleh O
informasi O
ini O
memanfaatkan O
Big O
data O
berupa O
berita O
Okezone.com O
dan O
Detik.com O
dengan O
tujuan O
untuk O
menganalisis B-TUJUAN
tren I-TUJUAN
pemberitaan I-TUJUAN
, I-TUJUAN
identifikasi I-TUJUAN
dan I-TUJUAN
pengelompokkan I-TUJUAN
karakteristik I-TUJUAN
kasus I-TUJUAN
pada I-TUJUAN
berita- I-TUJUAN
berita I-TUJUAN
pemerkosaan I-TUJUAN
terhadap I-TUJUAN
perempuan I-TUJUAN
dan I-TUJUAN
anak. I-TUJUAN
Penelitian O
ini O
diawali O
dengan O
melakukan O
web B-METODE
scraping I-METODE
berita O
online O
dan O
dilanjutkan O
dengan O
menerapkan O
model B-METODE
NER I-METODE
BiLSTM-CNNs I-METODE
untuk O
mengekstraksi O
informasi O
karakteristik O
kasus O
dalam O
berita O
tersebut. O
Kemudian O
dari O
informasi O
tersebut O
, O
akan O
dilakukan O
pengelompokkan B-METODE
menggunakan I-METODE
K-Means. I-METODE
Hasil O
penelitian O
menunjukkan O
bahwa O
tahun B-TEMUAN
2017-2021 I-TEMUAN
, I-TEMUAN
jumlah I-TEMUAN
berita I-TEMUAN
mengenai I-TEMUAN
pemerkosaan I-TEMUAN
terhadap I-TEMUAN
perempuan I-TEMUAN
dan I-TEMUAN
anak I-TEMUAN
terus I-TEMUAN
meningkat. I-TEMUAN
Pada I-TEMUAN
hasil I-TEMUAN
ekstraksi I-TEMUAN
diketahui I-TEMUAN
bahwa I-TEMUAN
pemerkosaan I-TEMUAN
terhadap I-TEMUAN
perempuan I-TEMUAN
dan I-TEMUAN
anak I-TEMUAN
paling I-TEMUAN
banyak I-TEMUAN
terjadi I-TEMUAN
di I-TEMUAN
Jawa I-TEMUAN
Timur I-TEMUAN
yaitu I-TEMUAN
249 I-TEMUAN
kasus. I-TEMUAN
Proses I-TEMUAN
pengelompokkan I-TEMUAN
menghasilkan I-TEMUAN
dua I-TEMUAN
cluster I-TEMUAN
yaitu I-TEMUAN
cluster I-TEMUAN
pertama I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
rata-rata I-TEMUAN
umur I-TEMUAN
pelaku I-TEMUAN
22-23 I-TEMUAN
tahun I-TEMUAN
, I-TEMUAN
sedangkan I-TEMUAN
cluster I-TEMUAN
kedua I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
rata-rata I-TEMUAN
umur I-TEMUAN
pelaku I-TEMUAN
46-47 I-TEMUAN
tahun. I-TEMUAN
Kedua I-TEMUAN
cluster I-TEMUAN
tersebut I-TEMUAN
memiliki I-TEMUAN
rata-rata I-TEMUAN
umur I-TEMUAN
korban I-TEMUAN
16-17 I-TEMUAN
tahun. I-TEMUAN
Dengan O
demikian O
, O
disimpulkan O
bahwa O
berita B-TEMUAN
online I-TEMUAN
berpotensi I-TEMUAN
untuk I-TEMUAN
digunakan I-TEMUAN
sebagai I-TEMUAN
sumber I-TEMUAN
data I-TEMUAN
kasus I-TEMUAN
kekerasan I-TEMUAN
seksual I-TEMUAN
dan I-TEMUAN
mampu I-TEMUAN
memberikan I-TEMUAN
gambaran I-TEMUAN
informasi I-TEMUAN
karakteristik I-TEMUAN
kasus-kasus I-TEMUAN
pemerkosaan I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
terjadi. I-TEMUAN
Kata O
Kunci— O
berita O
online O
, O
text O
mining O
, O
pemerkosaan O
anak O
, O
pemerkosaan O
perempuan O
[SEP] O
Pada O
penelitian O
ini O
, O
dapat O
diambil O
beberapa O
kesimpulan O
antara O
lain O
: O
terkait O
kasus O
pemerkosaan O
1. O
Web B-METODE
scraping I-METODE
telah O
dilakukan O
untuk O
mengambil O
artikel O
berita O
online O
terhadap O
perempuan O
dan O
anak O
sebagai O
salah O
satu O
jenis O
kekerasan O
seksual. O
Hasil O
scraping O
menunjukkan O
bahwa O
sejak O
tahun O
2017 O
sampai B-TEMUAN
tahun I-TEMUAN
2021 I-TEMUAN
, I-TEMUAN
jumlah I-TEMUAN
berita I-TEMUAN
mengenai I-TEMUAN
pemerkosaan I-TEMUAN
terus I-TEMUAN
mengalami I-TEMUAN
peningkatan. I-TEMUAN
terhadap O
perempuan O
dan O
anak O
2. O
Ekstraksi O
terhadap O
informasi O
kasus O
pemerkosaan O
perempuan O
dan O
anak O
dengan O
model B-TEMUAN
NER I-TEMUAN
BiLSTM-CNNs I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dilakukan I-TEMUAN
dan I-TEMUAN
memperoleh I-TEMUAN
f1-scores I-TEMUAN
sebesar I-TEMUAN
76,76 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Dari O
hasil O
ekstraksi O
ditunjukkan O
bahwa O
kasus O
pemerkosaan O
terhadap O
perempuan O
dan O
anak O
paling O
banyak O
terjadi O
di O
Provinsi O
Jawa O
Timur O
sebanyak O
249 O
kasus. O
Pada O
hasil O
ekstraksi O
juga O
ditunjukkan O
bahwa O
kasus O
pemerkosaan O
paling O
banyak O
dilakukan O
oleh O
pelaku O
dengan O
umur O
18-24 O
tahun O
yakni O
sebanyak O
550 O
orang. O
Sementara O
itu O
, O
hasil O
ekstraksi O
menunjukkan O
bahwa O
kasus O
pemerkosaan O
paling O
banyak O
memakan O
korban O
yang O
berumur O
13-17 O
tahun O
yaitu O
sebanyak O
538 O
orang. O
3. O
Clustering O
dilakukan O
menggunakan O
K-Means O
dengan O
jumlah O
cluster O
optimal O
berjumlah O
2. O
Cluster B-TEMUAN
1 I-TEMUAN
terdiri I-TEMUAN
dari I-TEMUAN
196 I-TEMUAN
berita I-TEMUAN
yang I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
rata-rata I-TEMUAN
umur I-TEMUAN
pelaku I-TEMUAN
yaitu I-TEMUAN
sekitar I-TEMUAN
46-47 I-TEMUAN
tahun I-TEMUAN
, I-TEMUAN
sedangkan I-TEMUAN
cluster I-TEMUAN
2 I-TEMUAN
terdiri I-TEMUAN
dari I-TEMUAN
276 I-TEMUAN
berita I-TEMUAN
yang I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
rata-rata I-TEMUAN
umur I-TEMUAN
pelaku I-TEMUAN
yaitu I-TEMUAN
sekitar I-TEMUAN
22-23 I-TEMUAN
tahun. I-TEMUAN
Umur O
korban O
di O
antara O
kedua O
cluster O
tersebut O
hampir O
sama O
yakni O
memiliki O
rataan O
umur O
16 O
hingga O
17 O
tahun. O
Dari O
penelitian O
yang O
telah O
dilakukan O
, O
terdapat O
beberapa O
saran O
yang O
dapat O
diterapkan O
untuk O
penelitian O
selanjutnya O
antara O
lain O
: O
1. O
Dalam O
penelitian O
ini O
, O
tahap O
penghapusan O
data O
artikel O
berita O
yang O
tidak O
relevan O
dilakukan O
secara O
manual. O
Untuk O
penelitian O
selanjutnya O
, O
sebaiknya O
tahap O
tersebut O
dapat O
dilakukan O
dengan O
menggunakan O
metode O
machine O
learning O
, O
seperti O
Naïve O
Bayes-Semi O
Supervised O
Learning O
dan O
Support O
Vector O
Machine O
( O
SVM O
) O
. O
2. O
Penelitian O
ini O
masih O
belum O
berhasil O
mengekstraksi O
tempat O
kejadian O
dan O
hubungan O
pelaku O
dengan O
korban O
karena O
pemodelan O
NER O
dengan O
BiLSTM-CNNs O
masih O
belum O
cukup O
berhasil O
menemukan O
pola O
kata O
untuk O
entitas-entitas O
tersebut O
di O
tiap O
beritanya. O
Untuk O
penelitian O
selanjutnya O
, O
diharapkan O
dapat O
meningkatkan O
performa O
model O
NER O
dengan O
menggunakan O
word O
embedding O
lain O
seperti O
tuning O
, O
dan O
FastText O
, O
melakukan O
hyperparameter O
menambah O
data O
training O
yang O
akan O
digunakan. O

Kasus O
Kekerasan O
Seksual O
Terhadap O
Perempuan O
dan O
Anak O
Berdasarkan O
Teks O
Berita O
Online O
Berbahasa O
Indonesia O
Studi O
Kasus O
: O
Berita O
Okezone.com O
dan O
Detik.com O
Fani O
Visara O
( O
221810291 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Nucke O
Widowati O
Kusumo O
Projo O
, O
S.Si O
, O
M.Sc O
, O
Ph.D O
Penelitian O
kasus-kasus O
pemerkosaan. O
Ringkasan— O
Sejak O
tahun O
2017 O
, O
kekerasan O
terhadap O
anak O
paling O
banyak O
terjadi O
pada O
jenis O
kekerasan O
seksual O
yakni O
lebih O
dari O
7.000 O
kasus O
di O
setiap O
tahunnya. O
Dalam O
kurun O
waktu O
2017- O
2020 O
, O
pemerkosaan O
menjadi O
salah O
satu O
jenis O
kekerasan O
seksual O
dengan O
kasus O
terbanyak. O
Big O
data O
dapat O
menjadi O
sumber O
data O
yang O
cukup O
up O
to O
date O
untuk O
digunakan O
dalam O
memperoleh O
informasi O
ini O
memanfaatkan O
Big O
data O
berupa O
berita O
Okezone.com O
dan O
Detik.com O
dengan O
tujuan O
untuk O
menganalisis B-TUJUAN
tren I-TUJUAN
pemberitaan I-TUJUAN
, I-TUJUAN
identifikasi I-TUJUAN
dan I-TUJUAN
pengelompokkan I-TUJUAN
karakteristik I-TUJUAN
kasus I-TUJUAN
pada I-TUJUAN
berita- I-TUJUAN
berita I-TUJUAN
pemerkosaan I-TUJUAN
terhadap I-TUJUAN
perempuan I-TUJUAN
dan I-TUJUAN
anak. I-TUJUAN
Penelitian O
ini O
diawali O
dengan O
melakukan O
web B-METODE
scraping I-METODE
berita O
online O
dan O
dilanjutkan O
dengan O
menerapkan O
model B-METODE
NER I-METODE
BiLSTM-CNNs I-METODE
untuk O
mengekstraksi O
informasi O
karakteristik O
kasus O
dalam O
berita O
tersebut. O
Kemudian O
dari O
informasi O
tersebut O
, O
akan O
dilakukan O
pengelompokkan B-METODE
menggunakan I-METODE
K-Means. I-METODE
Hasil O
penelitian O
menunjukkan O
bahwa O
tahun B-TEMUAN
2017-2021 I-TEMUAN
, I-TEMUAN
jumlah I-TEMUAN
berita I-TEMUAN
mengenai I-TEMUAN
pemerkosaan I-TEMUAN
terhadap I-TEMUAN
perempuan I-TEMUAN
dan I-TEMUAN
anak I-TEMUAN
terus I-TEMUAN
meningkat. I-TEMUAN
Pada I-TEMUAN
hasil I-TEMUAN
ekstraksi I-TEMUAN
diketahui I-TEMUAN
bahwa I-TEMUAN
pemerkosaan I-TEMUAN
terhadap I-TEMUAN
perempuan I-TEMUAN
dan I-TEMUAN
anak I-TEMUAN
paling I-TEMUAN
banyak I-TEMUAN
terjadi I-TEMUAN
di I-TEMUAN
Jawa I-TEMUAN
Timur I-TEMUAN
yaitu I-TEMUAN
249 I-TEMUAN
kasus. I-TEMUAN
Proses I-TEMUAN
pengelompokkan I-TEMUAN
menghasilkan I-TEMUAN
dua I-TEMUAN
cluster I-TEMUAN
yaitu I-TEMUAN
cluster I-TEMUAN
pertama I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
rata-rata I-TEMUAN
umur I-TEMUAN
pelaku I-TEMUAN
22-23 I-TEMUAN
tahun I-TEMUAN
, I-TEMUAN
sedangkan I-TEMUAN
cluster I-TEMUAN
kedua I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
rata-rata I-TEMUAN
umur I-TEMUAN
pelaku I-TEMUAN
46-47 I-TEMUAN
tahun. I-TEMUAN
Kedua I-TEMUAN
cluster I-TEMUAN
tersebut I-TEMUAN
memiliki I-TEMUAN
rata-rata I-TEMUAN
umur I-TEMUAN
korban I-TEMUAN
16-17 I-TEMUAN
tahun. I-TEMUAN
Dengan O
demikian O
, O
disimpulkan O
bahwa O
berita B-TEMUAN
online I-TEMUAN
berpotensi I-TEMUAN
untuk I-TEMUAN
digunakan I-TEMUAN
sebagai I-TEMUAN
sumber I-TEMUAN
data I-TEMUAN
kasus I-TEMUAN
kekerasan I-TEMUAN
seksual I-TEMUAN
dan I-TEMUAN
mampu I-TEMUAN
memberikan I-TEMUAN
gambaran I-TEMUAN
informasi I-TEMUAN
karakteristik I-TEMUAN
kasus-kasus I-TEMUAN
pemerkosaan I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
terjadi. I-TEMUAN
Kata O
Kunci— O
berita O
online O
, O
text O
mining O
, O
pemerkosaan O
anak O
, O
pemerkosaan O
perempuan O
[SEP] O
Pada O
penelitian O
ini O
, O
dapat O
diambil O
beberapa O
kesimpulan O
antara O
lain O
: O
terkait O
kasus O
pemerkosaan O
1. O
Web B-METODE
scraping I-METODE
telah O
dilakukan O
untuk O
mengambil O
artikel O
berita O
online O
terhadap O
perempuan O
dan O
anak O
sebagai O
salah O
satu O
jenis O
kekerasan O
seksual. O
Hasil O
scraping O
menunjukkan O
bahwa O
sejak O
tahun O
2017 O
sampai B-TEMUAN
tahun I-TEMUAN
2021 I-TEMUAN
, I-TEMUAN
jumlah I-TEMUAN
berita I-TEMUAN
mengenai I-TEMUAN
pemerkosaan I-TEMUAN
terus I-TEMUAN
mengalami I-TEMUAN
peningkatan. I-TEMUAN
terhadap O
perempuan O
dan O
anak O
2. O
Ekstraksi O
terhadap O
informasi O
kasus O
pemerkosaan O
perempuan O
dan O
anak O
dengan O
model B-TEMUAN
NER I-TEMUAN
BiLSTM-CNNs I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dilakukan I-TEMUAN
dan I-TEMUAN
memperoleh I-TEMUAN
f1-scores I-TEMUAN
sebesar I-TEMUAN
76,76 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Dari O
hasil O
ekstraksi O
ditunjukkan O
bahwa O
kasus O
pemerkosaan O
terhadap O
perempuan O
dan O
anak O
paling O
banyak O
terjadi O
di O
Provinsi O
Jawa O
Timur O
sebanyak O
249 O
kasus. O
Pada O
hasil O
ekstraksi O
juga O
ditunjukkan O
bahwa O
kasus O
pemerkosaan O
paling O
banyak O
dilakukan O
oleh O
pelaku O
dengan O
umur O
18-24 O
tahun O
yakni O
sebanyak O
550 O
orang. O
Sementara O
itu O
, O
hasil O
ekstraksi O
menunjukkan O
bahwa O
kasus O
pemerkosaan O
paling O
banyak O
memakan O
korban O
yang O
berumur O
13-17 O
tahun O
yaitu O
sebanyak O
538 O
orang. O
3. O
Clustering O
dilakukan O
menggunakan O
K-Means O
dengan O
jumlah O
cluster O
optimal O
berjumlah O
2. O
Cluster B-TEMUAN
1 I-TEMUAN
terdiri I-TEMUAN
dari I-TEMUAN
196 I-TEMUAN
berita I-TEMUAN
yang I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
rata-rata I-TEMUAN
umur I-TEMUAN
pelaku I-TEMUAN
yaitu I-TEMUAN
sekitar I-TEMUAN
46-47 I-TEMUAN
tahun I-TEMUAN
, I-TEMUAN
sedangkan I-TEMUAN
cluster I-TEMUAN
2 I-TEMUAN
terdiri I-TEMUAN
dari I-TEMUAN
276 I-TEMUAN
berita I-TEMUAN
yang I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
rata-rata I-TEMUAN
umur I-TEMUAN
pelaku I-TEMUAN
yaitu I-TEMUAN
sekitar I-TEMUAN
22-23 I-TEMUAN
tahun. I-TEMUAN
Umur O
korban O
di O
antara O
kedua O
cluster O
tersebut O
hampir O
sama O
yakni O
memiliki O
rataan O
umur O
16 O
hingga O
17 O
tahun. O
Dari O
penelitian O
yang O
telah O
dilakukan O
, O
terdapat O
beberapa O
saran O
yang O
dapat O
diterapkan O
untuk O
penelitian O
selanjutnya O
antara O
lain O
: O
1. O
Dalam O
penelitian O
ini O
, O
tahap O
penghapusan O
data O
artikel O
berita O
yang O
tidak O
relevan O
dilakukan O
secara O
manual. O
Untuk O
penelitian O
selanjutnya O
, O
sebaiknya O
tahap O
tersebut O
dapat O
dilakukan O
dengan O
menggunakan O
metode O
machine O
learning O
, O
seperti O
Naïve O
Bayes-Semi O
Supervised O
Learning O
dan O
Support O
Vector O
Machine O
( O
SVM O
) O
. O
2. O
Penelitian O
ini O
masih O
belum O
berhasil O
mengekstraksi O
tempat O
kejadian O
dan O
hubungan O
pelaku O
dengan O
korban O
karena O
pemodelan O
NER O
dengan O
BiLSTM-CNNs O
masih O
belum O
cukup O
berhasil O
menemukan O
pola O
kata O
untuk O
entitas-entitas O
tersebut O
di O
tiap O
beritanya. O
Untuk O
penelitian O
selanjutnya O
, O
diharapkan O
dapat O
meningkatkan O
performa O
model O
NER O
dengan O
menggunakan O
word O
embedding O
lain O
seperti O
tuning O
, O
dan O
FastText O
, O
melakukan O
hyperparameter O
menambah O
data O
training O
yang O
akan O
digunakan. O

Kasus O
Kekerasan O
Seksual O
Terhadap O
Perempuan O
dan O
Anak O
Berdasarkan O
Teks O
Berita O
Online O
Berbahasa O
Indonesia O
Studi O
Kasus O
: O
Berita O
Okezone.com O
dan O
Detik.com O
Fani O
Visara O
( O
221810291 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Nucke O
Widowati O
Kusumo O
Projo O
, O
S.Si O
, O
M.Sc O
, O
Ph.D O
Penelitian O
kasus-kasus O
pemerkosaan. O
Ringkasan— O
Sejak O
tahun O
2017 O
, O
kekerasan O
terhadap O
anak O
paling O
banyak O
terjadi O
pada O
jenis O
kekerasan O
seksual O
yakni O
lebih O
dari O
7.000 O
kasus O
di O
setiap O
tahunnya. O
Dalam O
kurun O
waktu O
2017- O
2020 O
, O
pemerkosaan O
menjadi O
salah O
satu O
jenis O
kekerasan O
seksual O
dengan O
kasus O
terbanyak. O
Big O
data O
dapat O
menjadi O
sumber O
data O
yang O
cukup O
up O
to O
date O
untuk O
digunakan O
dalam O
memperoleh O
informasi O
ini O
memanfaatkan O
Big O
data O
berupa O
berita O
Okezone.com O
dan O
Detik.com O
dengan O
tujuan O
untuk O
menganalisis B-TUJUAN
tren I-TUJUAN
pemberitaan I-TUJUAN
, I-TUJUAN
identifikasi I-TUJUAN
dan I-TUJUAN
pengelompokkan I-TUJUAN
karakteristik I-TUJUAN
kasus I-TUJUAN
pada I-TUJUAN
berita- I-TUJUAN
berita I-TUJUAN
pemerkosaan I-TUJUAN
terhadap I-TUJUAN
perempuan I-TUJUAN
dan I-TUJUAN
anak. I-TUJUAN
Penelitian O
ini O
diawali O
dengan O
melakukan O
web B-METODE
scraping I-METODE
berita O
online O
dan O
dilanjutkan O
dengan O
menerapkan O
model B-METODE
NER I-METODE
BiLSTM-CNNs I-METODE
untuk O
mengekstraksi O
informasi O
karakteristik O
kasus O
dalam O
berita O
tersebut. O
Kemudian O
dari O
informasi O
tersebut O
, O
akan O
dilakukan O
pengelompokkan B-METODE
menggunakan I-METODE
K-Means. I-METODE
Hasil O
penelitian O
menunjukkan O
bahwa O
tahun B-TEMUAN
2017-2021 I-TEMUAN
, I-TEMUAN
jumlah I-TEMUAN
berita I-TEMUAN
mengenai I-TEMUAN
pemerkosaan I-TEMUAN
terhadap I-TEMUAN
perempuan I-TEMUAN
dan I-TEMUAN
anak I-TEMUAN
terus I-TEMUAN
meningkat. I-TEMUAN
Pada I-TEMUAN
hasil I-TEMUAN
ekstraksi I-TEMUAN
diketahui I-TEMUAN
bahwa I-TEMUAN
pemerkosaan I-TEMUAN
terhadap I-TEMUAN
perempuan I-TEMUAN
dan I-TEMUAN
anak I-TEMUAN
paling I-TEMUAN
banyak I-TEMUAN
terjadi I-TEMUAN
di I-TEMUAN
Jawa I-TEMUAN
Timur I-TEMUAN
yaitu I-TEMUAN
249 I-TEMUAN
kasus. I-TEMUAN
Proses I-TEMUAN
pengelompokkan I-TEMUAN
menghasilkan I-TEMUAN
dua I-TEMUAN
cluster I-TEMUAN
yaitu I-TEMUAN
cluster I-TEMUAN
pertama I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
rata-rata I-TEMUAN
umur I-TEMUAN
pelaku I-TEMUAN
22-23 I-TEMUAN
tahun I-TEMUAN
, I-TEMUAN
sedangkan I-TEMUAN
cluster I-TEMUAN
kedua I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
rata-rata I-TEMUAN
umur I-TEMUAN
pelaku I-TEMUAN
46-47 I-TEMUAN
tahun. I-TEMUAN
Kedua I-TEMUAN
cluster I-TEMUAN
tersebut I-TEMUAN
memiliki I-TEMUAN
rata-rata I-TEMUAN
umur I-TEMUAN
korban I-TEMUAN
16-17 I-TEMUAN
tahun. I-TEMUAN
Dengan O
demikian O
, O
disimpulkan O
bahwa O
berita B-TEMUAN
online I-TEMUAN
berpotensi I-TEMUAN
untuk I-TEMUAN
digunakan I-TEMUAN
sebagai I-TEMUAN
sumber I-TEMUAN
data I-TEMUAN
kasus I-TEMUAN
kekerasan I-TEMUAN
seksual I-TEMUAN
dan I-TEMUAN
mampu I-TEMUAN
memberikan I-TEMUAN
gambaran I-TEMUAN
informasi I-TEMUAN
karakteristik I-TEMUAN
kasus-kasus I-TEMUAN
pemerkosaan I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
terjadi. I-TEMUAN
Kata O
Kunci— O
berita O
online O
, O
text O
mining O
, O
pemerkosaan O
anak O
, O
pemerkosaan O
perempuan O
[SEP] O
Pada O
penelitian O
ini O
, O
dapat O
diambil O
beberapa O
kesimpulan O
antara O
lain O
: O
terkait O
kasus O
pemerkosaan O
1. O
Web B-METODE
scraping I-METODE
telah O
dilakukan O
untuk O
mengambil O
artikel O
berita O
online O
terhadap O
perempuan O
dan O
anak O
sebagai O
salah O
satu O
jenis O
kekerasan O
seksual. O
Hasil O
scraping O
menunjukkan O
bahwa O
sejak O
tahun O
2017 O
sampai B-TEMUAN
tahun I-TEMUAN
2021 I-TEMUAN
, I-TEMUAN
jumlah I-TEMUAN
berita I-TEMUAN
mengenai I-TEMUAN
pemerkosaan I-TEMUAN
terus I-TEMUAN
mengalami I-TEMUAN
peningkatan. I-TEMUAN
terhadap O
perempuan O
dan O
anak O
2. O
Ekstraksi O
terhadap O
informasi O
kasus O
pemerkosaan O
perempuan O
dan O
anak O
dengan O
model B-TEMUAN
NER I-TEMUAN
BiLSTM-CNNs I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dilakukan I-TEMUAN
dan I-TEMUAN
memperoleh I-TEMUAN
f1-scores I-TEMUAN
sebesar I-TEMUAN
76,76 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Dari O
hasil O
ekstraksi O
ditunjukkan O
bahwa O
kasus O
pemerkosaan O
terhadap O
perempuan O
dan O
anak O
paling O
banyak O
terjadi O
di O
Provinsi O
Jawa O
Timur O
sebanyak O
249 O
kasus. O
Pada O
hasil O
ekstraksi O
juga O
ditunjukkan O
bahwa O
kasus O
pemerkosaan O
paling O
banyak O
dilakukan O
oleh O
pelaku O
dengan O
umur O
18-24 O
tahun O
yakni O
sebanyak O
550 O
orang. O
Sementara O
itu O
, O
hasil O
ekstraksi O
menunjukkan O
bahwa O
kasus O
pemerkosaan O
paling O
banyak O
memakan O
korban O
yang O
berumur O
13-17 O
tahun O
yaitu O
sebanyak O
538 O
orang. O
3. O
Clustering O
dilakukan O
menggunakan O
K-Means O
dengan O
jumlah O
cluster O
optimal O
berjumlah O
2. O
Cluster B-TEMUAN
1 I-TEMUAN
terdiri I-TEMUAN
dari I-TEMUAN
196 I-TEMUAN
berita I-TEMUAN
yang I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
rata-rata I-TEMUAN
umur I-TEMUAN
pelaku I-TEMUAN
yaitu I-TEMUAN
sekitar I-TEMUAN
46-47 I-TEMUAN
tahun I-TEMUAN
, I-TEMUAN
sedangkan I-TEMUAN
cluster I-TEMUAN
2 I-TEMUAN
terdiri I-TEMUAN
dari I-TEMUAN
276 I-TEMUAN
berita I-TEMUAN
yang I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
rata-rata I-TEMUAN
umur I-TEMUAN
pelaku I-TEMUAN
yaitu I-TEMUAN
sekitar I-TEMUAN
22-23 I-TEMUAN
tahun. I-TEMUAN
Umur O
korban O
di O
antara O
kedua O
cluster O
tersebut O
hampir O
sama O
yakni O
memiliki O
rataan O
umur O
16 O
hingga O
17 O
tahun. O
Dari O
penelitian O
yang O
telah O
dilakukan O
, O
terdapat O
beberapa O
saran O
yang O
dapat O
diterapkan O
untuk O
penelitian O
selanjutnya O
antara O
lain O
: O
1. O
Dalam O
penelitian O
ini O
, O
tahap O
penghapusan O
data O
artikel O
berita O
yang O
tidak O
relevan O
dilakukan O
secara O
manual. O
Untuk O
penelitian O
selanjutnya O
, O
sebaiknya O
tahap O
tersebut O
dapat O
dilakukan O
dengan O
menggunakan O
metode O
machine O
learning O
, O
seperti O
Naïve O
Bayes-Semi O
Supervised O
Learning O
dan O
Support O
Vector O
Machine O
( O
SVM O
) O
. O
2. O
Penelitian O
ini O
masih O
belum O
berhasil O
mengekstraksi O
tempat O
kejadian O
dan O
hubungan O
pelaku O
dengan O
korban O
karena O
pemodelan O
NER O
dengan O
BiLSTM-CNNs O
masih O
belum O
cukup O
berhasil O
menemukan O
pola O
kata O
untuk O
entitas-entitas O
tersebut O
di O
tiap O
beritanya. O
Untuk O
penelitian O
selanjutnya O
, O
diharapkan O
dapat O
meningkatkan O
performa O
model O
NER O
dengan O
menggunakan O
word O
embedding O
lain O
seperti O
tuning O
, O
dan O
FastText O
, O
melakukan O
hyperparameter O
menambah O
data O
training O
yang O
akan O
digunakan. O

Kasus O
Kekerasan O
Seksual O
Terhadap O
Perempuan O
dan O
Anak O
Berdasarkan O
Teks O
Berita O
Online O
Berbahasa O
Indonesia O
Studi O
Kasus O
: O
Berita O
Okezone.com O
dan O
Detik.com O
Fani O
Visara O
( O
221810291 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Nucke O
Widowati O
Kusumo O
Projo O
, O
S.Si O
, O
M.Sc O
, O
Ph.D O
Penelitian O
kasus-kasus O
pemerkosaan. O
Ringkasan— O
Sejak O
tahun O
2017 O
, O
kekerasan O
terhadap O
anak O
paling O
banyak O
terjadi O
pada O
jenis O
kekerasan O
seksual O
yakni O
lebih O
dari O
7.000 O
kasus O
di O
setiap O
tahunnya. O
Dalam O
kurun O
waktu O
2017- O
2020 O
, O
pemerkosaan O
menjadi O
salah O
satu O
jenis O
kekerasan O
seksual O
dengan O
kasus O
terbanyak. O
Big O
data O
dapat O
menjadi O
sumber O
data O
yang O
cukup O
up O
to O
date O
untuk O
digunakan O
dalam O
memperoleh O
informasi O
ini O
memanfaatkan O
Big O
data O
berupa O
berita O
Okezone.com O
dan O
Detik.com O
dengan O
tujuan O
untuk O
menganalisis B-TUJUAN
tren I-TUJUAN
pemberitaan I-TUJUAN
, I-TUJUAN
identifikasi I-TUJUAN
dan I-TUJUAN
pengelompokkan I-TUJUAN
karakteristik I-TUJUAN
kasus I-TUJUAN
pada I-TUJUAN
berita- I-TUJUAN
berita I-TUJUAN
pemerkosaan I-TUJUAN
terhadap I-TUJUAN
perempuan I-TUJUAN
dan I-TUJUAN
anak. I-TUJUAN
Penelitian O
ini O
diawali O
dengan O
melakukan O
web B-METODE
scraping I-METODE
berita O
online O
dan O
dilanjutkan O
dengan O
menerapkan O
model B-METODE
NER I-METODE
BiLSTM-CNNs I-METODE
untuk O
mengekstraksi O
informasi O
karakteristik O
kasus O
dalam O
berita O
tersebut. O
Kemudian O
dari O
informasi O
tersebut O
, O
akan O
dilakukan O
pengelompokkan B-METODE
menggunakan I-METODE
K-Means. I-METODE
Hasil O
penelitian O
menunjukkan O
bahwa O
tahun B-TEMUAN
2017-2021 I-TEMUAN
, I-TEMUAN
jumlah I-TEMUAN
berita I-TEMUAN
mengenai I-TEMUAN
pemerkosaan I-TEMUAN
terhadap I-TEMUAN
perempuan I-TEMUAN
dan I-TEMUAN
anak I-TEMUAN
terus I-TEMUAN
meningkat. I-TEMUAN
Pada I-TEMUAN
hasil I-TEMUAN
ekstraksi I-TEMUAN
diketahui I-TEMUAN
bahwa I-TEMUAN
pemerkosaan I-TEMUAN
terhadap I-TEMUAN
perempuan I-TEMUAN
dan I-TEMUAN
anak I-TEMUAN
paling I-TEMUAN
banyak I-TEMUAN
terjadi I-TEMUAN
di I-TEMUAN
Jawa I-TEMUAN
Timur I-TEMUAN
yaitu I-TEMUAN
249 I-TEMUAN
kasus. I-TEMUAN
Proses I-TEMUAN
pengelompokkan I-TEMUAN
menghasilkan I-TEMUAN
dua I-TEMUAN
cluster I-TEMUAN
yaitu I-TEMUAN
cluster I-TEMUAN
pertama I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
rata-rata I-TEMUAN
umur I-TEMUAN
pelaku I-TEMUAN
22-23 I-TEMUAN
tahun I-TEMUAN
, I-TEMUAN
sedangkan I-TEMUAN
cluster I-TEMUAN
kedua I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
rata-rata I-TEMUAN
umur I-TEMUAN
pelaku I-TEMUAN
46-47 I-TEMUAN
tahun. I-TEMUAN
Kedua I-TEMUAN
cluster I-TEMUAN
tersebut I-TEMUAN
memiliki I-TEMUAN
rata-rata I-TEMUAN
umur I-TEMUAN
korban I-TEMUAN
16-17 I-TEMUAN
tahun. I-TEMUAN
Dengan O
demikian O
, O
disimpulkan O
bahwa O
berita B-TEMUAN
online I-TEMUAN
berpotensi I-TEMUAN
untuk I-TEMUAN
digunakan I-TEMUAN
sebagai I-TEMUAN
sumber I-TEMUAN
data I-TEMUAN
kasus I-TEMUAN
kekerasan I-TEMUAN
seksual I-TEMUAN
dan I-TEMUAN
mampu I-TEMUAN
memberikan I-TEMUAN
gambaran I-TEMUAN
informasi I-TEMUAN
karakteristik I-TEMUAN
kasus-kasus I-TEMUAN
pemerkosaan I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
terjadi. I-TEMUAN
Kata O
Kunci— O
berita O
online O
, O
text O
mining O
, O
pemerkosaan O
anak O
, O
pemerkosaan O
perempuan O
[SEP] O
Pada O
penelitian O
ini O
, O
dapat O
diambil O
beberapa O
kesimpulan O
antara O
lain O
: O
terkait O
kasus O
pemerkosaan O
1. O
Web B-METODE
scraping I-METODE
telah O
dilakukan O
untuk O
mengambil O
artikel O
berita O
online O
terhadap O
perempuan O
dan O
anak O
sebagai O
salah O
satu O
jenis O
kekerasan O
seksual. O
Hasil O
scraping O
menunjukkan O
bahwa O
sejak O
tahun O
2017 O
sampai B-TEMUAN
tahun I-TEMUAN
2021 I-TEMUAN
, I-TEMUAN
jumlah I-TEMUAN
berita I-TEMUAN
mengenai I-TEMUAN
pemerkosaan I-TEMUAN
terus I-TEMUAN
mengalami I-TEMUAN
peningkatan. I-TEMUAN
terhadap O
perempuan O
dan O
anak O
2. O
Ekstraksi O
terhadap O
informasi O
kasus O
pemerkosaan O
perempuan O
dan O
anak O
dengan O
model B-TEMUAN
NER I-TEMUAN
BiLSTM-CNNs I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dilakukan I-TEMUAN
dan I-TEMUAN
memperoleh I-TEMUAN
f1-scores I-TEMUAN
sebesar I-TEMUAN
76,76 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Dari O
hasil O
ekstraksi O
ditunjukkan O
bahwa O
kasus O
pemerkosaan O
terhadap O
perempuan O
dan O
anak O
paling O
banyak O
terjadi O
di O
Provinsi O
Jawa O
Timur O
sebanyak O
249 O
kasus. O
Pada O
hasil O
ekstraksi O
juga O
ditunjukkan O
bahwa O
kasus O
pemerkosaan O
paling O
banyak O
dilakukan O
oleh O
pelaku O
dengan O
umur O
18-24 O
tahun O
yakni O
sebanyak O
550 O
orang. O
Sementara O
itu O
, O
hasil O
ekstraksi O
menunjukkan O
bahwa O
kasus O
pemerkosaan O
paling O
banyak O
memakan O
korban O
yang O
berumur O
13-17 O
tahun O
yaitu O
sebanyak O
538 O
orang. O
3. O
Clustering O
dilakukan O
menggunakan O
K-Means O
dengan O
jumlah O
cluster O
optimal O
berjumlah O
2. O
Cluster B-TEMUAN
1 I-TEMUAN
terdiri I-TEMUAN
dari I-TEMUAN
196 I-TEMUAN
berita I-TEMUAN
yang I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
rata-rata I-TEMUAN
umur I-TEMUAN
pelaku I-TEMUAN
yaitu I-TEMUAN
sekitar I-TEMUAN
46-47 I-TEMUAN
tahun I-TEMUAN
, I-TEMUAN
sedangkan I-TEMUAN
cluster I-TEMUAN
2 I-TEMUAN
terdiri I-TEMUAN
dari I-TEMUAN
276 I-TEMUAN
berita I-TEMUAN
yang I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
rata-rata I-TEMUAN
umur I-TEMUAN
pelaku I-TEMUAN
yaitu I-TEMUAN
sekitar I-TEMUAN
22-23 I-TEMUAN
tahun. I-TEMUAN
Umur O
korban O
di O
antara O
kedua O
cluster O
tersebut O
hampir O
sama O
yakni O
memiliki O
rataan O
umur O
16 O
hingga O
17 O
tahun. O
Dari O
penelitian O
yang O
telah O
dilakukan O
, O
terdapat O
beberapa O
saran O
yang O
dapat O
diterapkan O
untuk O
penelitian O
selanjutnya O
antara O
lain O
: O
1. O
Dalam O
penelitian O
ini O
, O
tahap O
penghapusan O
data O
artikel O
berita O
yang O
tidak O
relevan O
dilakukan O
secara O
manual. O
Untuk O
penelitian O
selanjutnya O
, O
sebaiknya O
tahap O
tersebut O
dapat O
dilakukan O
dengan O
menggunakan O
metode O
machine O
learning O
, O
seperti O
Naïve O
Bayes-Semi O
Supervised O
Learning O
dan O
Support O
Vector O
Machine O
( O
SVM O
) O
. O
2. O
Penelitian O
ini O
masih O
belum O
berhasil O
mengekstraksi O
tempat O
kejadian O
dan O
hubungan O
pelaku O
dengan O
korban O
karena O
pemodelan O
NER O
dengan O
BiLSTM-CNNs O
masih O
belum O
cukup O
berhasil O
menemukan O
pola O
kata O
untuk O
entitas-entitas O
tersebut O
di O
tiap O
beritanya. O
Untuk O
penelitian O
selanjutnya O
, O
diharapkan O
dapat O
meningkatkan O
performa O
model O
NER O
dengan O
menggunakan O
word O
embedding O
lain O
seperti O
tuning O
, O
dan O
FastText O
, O
melakukan O
hyperparameter O
menambah O
data O
training O
yang O
akan O
digunakan. O

Simulasi O
Penyebaran O
Penyakit O
Malaria O
Menggunakan O
Agent-Based O
Modelling O
Studi O
Kasus O
di O
Kabupaten O
Mimika O
, O
Papua O
Fakhri O
Hidayat O
( O
221810288 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Tiodora O
Hadumaon O
Siagian O
M.Pop.Hum.Res O
Ringkasan— O
Malaria O
masih O
menjadi O
salah O
satu O
penyakit O
endemis O
di O
Indonesia O
, O
khususnya O
di O
Kabupaten O
Mimika O
, O
Papua. O
Penelitian O
ini O
mengusulkan B-TUJUAN
penggunaan I-TUJUAN
agent-based I-TUJUAN
modelling I-TUJUAN
atau I-TUJUAN
ABM. I-TUJUAN
ABM I-TUJUAN
definisikan I-TUJUAN
sebagai I-TUJUAN
teknik I-TUJUAN
pemodelan I-TUJUAN
simulasi I-TUJUAN
dimana I-TUJUAN
sebuah I-TUJUAN
sistem I-TUJUAN
dimodelkan I-TUJUAN
sebagai I-TUJUAN
kumpulan I-TUJUAN
agen I-TUJUAN
dan I-TUJUAN
hubungan I-TUJUAN
di I-TUJUAN
antara I-TUJUAN
mereka. I-TUJUAN
Dalam O
penelitian O
ini O
, O
tahap O
awal O
penelitian O
adalah O
menentukan O
agen O
yang O
terlibat O
, O
interaksi O
antar O
agen O
, O
menganalisis O
atribut O
dan O
perilaku O
agen O
serta O
analis O
faktor O
lingkungan. O
Model B-METODE
epidemi I-METODE
SEIRS I-METODE
yang O
membagi O
agen O
dalam O
4 O
kategori O
kesehatan O
( O
Susceptible O
, O
Exposed O
, O
Infected O
, O
Recovered O
) O
digunakan O
dalam O
penelitian O
ini. O
Verifikasi O
model O
dilakukan O
dengan O
menguji O
sensitivitas O
model O
terhadap O
parameter O
yang O
ada O
, O
juga O
untuk O
menentukan O
nilai O
beberapa O
parameter. O
Validasi O
model O
dilakukan O
dengan O
membandingkan O
output O
simulasi O
dengan O
data O
aktual O
dari O
dinas O
kesehatan O
Provinsi O
Papua. O
Hasil O
dari O
penelitian O
ini O
menunjukkan O
bahwa O
simulasi B-TEMUAN
penyebaran I-TEMUAN
penyakit I-TEMUAN
malaria I-TEMUAN
dipengaruhi I-TEMUAN
beberapa I-TEMUAN
faktor I-TEMUAN
seperti I-TEMUAN
atribut I-TEMUAN
dan I-TEMUAN
perilaku I-TEMUAN
agen I-TEMUAN
, I-TEMUAN
nilai I-TEMUAN
parameter I-TEMUAN
yang I-TEMUAN
digunakan I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
faktor I-TEMUAN
lingkungan. I-TEMUAN
Evaluasi O
model O
menunjukkan O
pola O
peningkatan O
kasus O
yang O
sama O
antara O
data O
aktual O
dan O
data O
simulasi. O
Kata O
Kunci— O
Endemi O
, O
Malaria O
, O
ABM O
, O
Mimika O
, O
Papua. O
[SEP] O
Gambar O
8 O
Rata-rata O
per O
Bulan O
MMR O
Nyamuk O
A. O
Kesimpulan O
Gambar O
8 O
menunjukkan O
rata-rata O
mortality O
rate O
nyamuk O
bulanan. O
Perlu O
diperhatikan O
berdasarkan O
persamaan O
( O
2 O
) O
, O
MMR O
tertinggi O
berkisar O
pada O
bulan O
Oktober O
hingga O
April O
dimana O
suhu O
pada O
bulan O
tersebut O
terbilang O
tinggi O
dengan O
kelembapan O
yang O
rendah O
, O
dan O
MMR O
terendah O
berkisar O
pada O
bulan O
Mei O
hingga O
September O
dimana O
suhu O
pada O
bulan O
tersebut O
terbilang O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
maka O
dapat O
diambil O
kesimpulan O
sebagai O
berikut O
: O
1. O
Hasil O
analisis O
perilaku O
dan O
kebutuhan O
agen O
pada O
model O
ABM O
untuk O
simulasi O
penyebaran O
penyakit O
malaria O
di O
Kabupaten O
Mimika O
telah O
berhasil O
dilakukan. B-TEMUAN
Terdapat I-TEMUAN
dua I-TEMUAN
agen I-TEMUAN
yang I-TEMUAN
digunakan I-TEMUAN
dalam I-TEMUAN
model I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
agen I-TEMUAN
nyamuk I-TEMUAN
7 I-TEMUAN
/ I-TEMUAN
8 I-TEMUAN
sebagai I-TEMUAN
vektor I-TEMUAN
penularan I-TEMUAN
dan I-TEMUAN
agen I-TEMUAN
manusia I-TEMUAN
sebagai I-TEMUAN
host. I-TEMUAN
Lingkungan I-TEMUAN
pada I-TEMUAN
model I-TEMUAN
dibuat I-TEMUAN
berdasarkan I-TEMUAN
data I-TEMUAN
spasial I-TEMUAN
Kabupaten I-TEMUAN
Mimika. I-TEMUAN
2. B-METODE
Simulasi I-METODE
Model I-METODE
ABM I-METODE
berhasil O
dilakukan O
dengan O
menggunakan O
beberapa O
parameter O
, O
di O
antaranya O
adalah O
suhu O
dan O
kelembapan O
yang O
menentukan O
mortality O
rate O
harian O
pada O
nyamuk. O
Berdasarkan O
hasil O
simulasi O
ditemui O
bahwa O
mortality O
rate O
harian O
nyamuk O
tertinggi O
berada O
pada O
bulan O
Oktober O
hingga O
April O
dimana O
suhu O
pada O
bulan O
tersebut O
terbilang O
tinggi O
dengan O
kelembapan O
yang O
rendah O
, O
dan O
MMR O
terendah O
berada O
pada O
bulan O
Mei O
hingga O
September O
dimana O
suhu O
pada O
bulan O
tersebut O
terbilang O
rendah O
dengan O
kelembapan O
yang O
tinggi. O
3. O
Verifikasi O
dan O
validasi O
model O
ABM O
berhasil O
dilakukan. O
Verifikasi O
model O
membuktikan O
model O
sensitif O
terhadap O
perubahan O
parameter O
, O
dan O
melalui O
verifikasi O
pula O
ditentukan O
nilai O
parameter O
yang O
tidak O
diketahui. O
Validasi O
model O
membuktikan O
hasil O
simulasi O
kasus O
malaria O
memiliki O
kesamaan O
dengan O
data O
aktual O
kasus O
malaria. O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
validasi I-TEMUAN
tersebut I-TEMUAN
model I-TEMUAN
yang I-TEMUAN
terbentuk I-TEMUAN
mampu I-TEMUAN
untuk I-TEMUAN
menggambarkan I-TEMUAN
laju I-TEMUAN
pertumbuhan I-TEMUAN
kasus I-TEMUAN
malaria I-TEMUAN
di I-TEMUAN
Kabupaten I-TEMUAN
Mimika. I-TEMUAN
B. O
Saran O
Saran O
pada O
penelitian O
ini O
difokuskan O
pada O
pemerintah O
dan O
penelitian O
selanjutnya. O
Saran-saran O
yang O
dapat O
diberikan O
penulis O
adalah O
sebagai O
berikut O
: O
1. O
Untuk O
pemerintah O
hendaknya O
memberikan O
perhatian O
lebih O
serius O
kepada O
penyakit O
malaria O
terutama O
pada O
daerah O
dengan O
endemisitas O
tinggi O
seperti O
Kabupaten O
Mimika O
, O
Papua O
, O
terutama O
pada O
periode O
waktu O
dengan O
tingkat O
mortality O
rate O
harian O
nyamuk O
yang O
rendah. O
Pemerintah O
juga O
disarankan O
agar O
melengkapi O
data O
kasus O
malaria O
guna O
mempermudah O
pengawasan O
terkait O
penyakit O
ini O
, O
serta O
memberikan O
publikasi O
yang O
lengkap O
terhadap O
data O
kasus O
malaria. O
2. O
Untuk O
penelitian O
selanjutnya O
disarankan O
agar O
cakupan O
penelitian O
dapat O
diperkecil O
sehingga O
didapatkan O
hasil O
yang O
lebih O
akurat O
dan O
presisi. O
Kemudian O
disarankan O
pula O
untuk O
mengumpulkan O
data O
kasus O
malaria O
yang O
lebih O
lengkap O
agar O
validasi O
dapat O
dilakukan O
menggunakan O
metode O
empiris O
dapat O
sehingga O
dipertanggungjawabkan O
secara O
ilmiah. O
Disarankan O
pula O
untuk O
menggunakan O
parameter O
yang O
lebih O
lengkap O
agar O
hasil O
yang O
didapatkan O
mampu O
merepresentasikan O
dunia O
nyata O
dengan O
lebih O
baik. O
didapatkan O
yang O
hasil O

Simulasi O
Penyebaran O
Penyakit O
Malaria O
Menggunakan O
Agent-Based O
Modelling O
Studi O
Kasus O
di O
Kabupaten O
Mimika O
, O
Papua O
Fakhri O
Hidayat O
( O
221810288 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Tiodora O
Hadumaon O
Siagian O
M.Pop.Hum.Res O
Ringkasan— O
Malaria O
masih O
menjadi O
salah O
satu O
penyakit O
endemis O
di O
Indonesia O
, O
khususnya O
di O
Kabupaten O
Mimika O
, O
Papua. O
Penelitian O
ini O
mengusulkan B-TUJUAN
penggunaan I-TUJUAN
agent-based I-TUJUAN
modelling I-TUJUAN
atau I-TUJUAN
ABM. I-TUJUAN
ABM I-TUJUAN
definisikan I-TUJUAN
sebagai I-TUJUAN
teknik I-TUJUAN
pemodelan I-TUJUAN
simulasi I-TUJUAN
dimana I-TUJUAN
sebuah I-TUJUAN
sistem I-TUJUAN
dimodelkan I-TUJUAN
sebagai I-TUJUAN
kumpulan I-TUJUAN
agen I-TUJUAN
dan I-TUJUAN
hubungan I-TUJUAN
di I-TUJUAN
antara I-TUJUAN
mereka. I-TUJUAN
Dalam O
penelitian O
ini O
, O
tahap O
awal O
penelitian O
adalah O
menentukan O
agen O
yang O
terlibat O
, O
interaksi O
antar O
agen O
, O
menganalisis O
atribut O
dan O
perilaku O
agen O
serta O
analis O
faktor O
lingkungan. O
Model B-METODE
epidemi I-METODE
SEIRS I-METODE
yang O
membagi O
agen O
dalam O
4 O
kategori O
kesehatan O
( O
Susceptible O
, O
Exposed O
, O
Infected O
, O
Recovered O
) O
digunakan O
dalam O
penelitian O
ini. O
Verifikasi O
model O
dilakukan O
dengan O
menguji O
sensitivitas O
model O
terhadap O
parameter O
yang O
ada O
, O
juga O
untuk O
menentukan O
nilai O
beberapa O
parameter. O
Validasi O
model O
dilakukan O
dengan O
membandingkan O
output O
simulasi O
dengan O
data O
aktual O
dari O
dinas O
kesehatan O
Provinsi O
Papua. O
Hasil O
dari O
penelitian O
ini O
menunjukkan O
bahwa O
simulasi B-TEMUAN
penyebaran I-TEMUAN
penyakit I-TEMUAN
malaria I-TEMUAN
dipengaruhi I-TEMUAN
beberapa I-TEMUAN
faktor I-TEMUAN
seperti I-TEMUAN
atribut I-TEMUAN
dan I-TEMUAN
perilaku I-TEMUAN
agen I-TEMUAN
, I-TEMUAN
nilai I-TEMUAN
parameter I-TEMUAN
yang I-TEMUAN
digunakan I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
faktor I-TEMUAN
lingkungan. I-TEMUAN
Evaluasi O
model O
menunjukkan O
pola O
peningkatan O
kasus O
yang O
sama O
antara O
data O
aktual O
dan O
data O
simulasi. O
Kata O
Kunci— O
Endemi O
, O
Malaria O
, O
ABM O
, O
Mimika O
, O
Papua. O
[SEP] O
Gambar O
8 O
Rata-rata O
per O
Bulan O
MMR O
Nyamuk O
A. O
Kesimpulan O
Gambar O
8 O
menunjukkan O
rata-rata O
mortality O
rate O
nyamuk O
bulanan. O
Perlu O
diperhatikan O
berdasarkan O
persamaan O
( O
2 O
) O
, O
MMR O
tertinggi O
berkisar O
pada O
bulan O
Oktober O
hingga O
April O
dimana O
suhu O
pada O
bulan O
tersebut O
terbilang O
tinggi O
dengan O
kelembapan O
yang O
rendah O
, O
dan O
MMR O
terendah O
berkisar O
pada O
bulan O
Mei O
hingga O
September O
dimana O
suhu O
pada O
bulan O
tersebut O
terbilang O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
maka O
dapat O
diambil O
kesimpulan O
sebagai O
berikut O
: O
1. O
Hasil O
analisis O
perilaku O
dan O
kebutuhan O
agen O
pada O
model O
ABM O
untuk O
simulasi O
penyebaran O
penyakit O
malaria O
di O
Kabupaten O
Mimika O
telah O
berhasil O
dilakukan. B-TEMUAN
Terdapat I-TEMUAN
dua I-TEMUAN
agen I-TEMUAN
yang I-TEMUAN
digunakan I-TEMUAN
dalam I-TEMUAN
model I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
agen I-TEMUAN
nyamuk I-TEMUAN
7 I-TEMUAN
/ I-TEMUAN
8 I-TEMUAN
sebagai I-TEMUAN
vektor I-TEMUAN
penularan I-TEMUAN
dan I-TEMUAN
agen I-TEMUAN
manusia I-TEMUAN
sebagai I-TEMUAN
host. I-TEMUAN
Lingkungan I-TEMUAN
pada I-TEMUAN
model I-TEMUAN
dibuat I-TEMUAN
berdasarkan I-TEMUAN
data I-TEMUAN
spasial I-TEMUAN
Kabupaten I-TEMUAN
Mimika. I-TEMUAN
2. B-METODE
Simulasi I-METODE
Model I-METODE
ABM I-METODE
berhasil O
dilakukan O
dengan O
menggunakan O
beberapa O
parameter O
, O
di O
antaranya O
adalah O
suhu O
dan O
kelembapan O
yang O
menentukan O
mortality O
rate O
harian O
pada O
nyamuk. O
Berdasarkan O
hasil O
simulasi O
ditemui O
bahwa O
mortality O
rate O
harian O
nyamuk O
tertinggi O
berada O
pada O
bulan O
Oktober O
hingga O
April O
dimana O
suhu O
pada O
bulan O
tersebut O
terbilang O
tinggi O
dengan O
kelembapan O
yang O
rendah O
, O
dan O
MMR O
terendah O
berada O
pada O
bulan O
Mei O
hingga O
September O
dimana O
suhu O
pada O
bulan O
tersebut O
terbilang O
rendah O
dengan O
kelembapan O
yang O
tinggi. O
3. O
Verifikasi O
dan O
validasi O
model O
ABM O
berhasil O
dilakukan. O
Verifikasi O
model O
membuktikan O
model O
sensitif O
terhadap O
perubahan O
parameter O
, O
dan O
melalui O
verifikasi O
pula O
ditentukan O
nilai O
parameter O
yang O
tidak O
diketahui. O
Validasi O
model O
membuktikan O
hasil O
simulasi O
kasus O
malaria O
memiliki O
kesamaan O
dengan O
data O
aktual O
kasus O
malaria. O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
validasi I-TEMUAN
tersebut I-TEMUAN
model I-TEMUAN
yang I-TEMUAN
terbentuk I-TEMUAN
mampu I-TEMUAN
untuk I-TEMUAN
menggambarkan I-TEMUAN
laju I-TEMUAN
pertumbuhan I-TEMUAN
kasus I-TEMUAN
malaria I-TEMUAN
di I-TEMUAN
Kabupaten I-TEMUAN
Mimika. I-TEMUAN
B. O
Saran O
Saran O
pada O
penelitian O
ini O
difokuskan O
pada O
pemerintah O
dan O
penelitian O
selanjutnya. O
Saran-saran O
yang O
dapat O
diberikan O
penulis O
adalah O
sebagai O
berikut O
: O
1. O
Untuk O
pemerintah O
hendaknya O
memberikan O
perhatian O
lebih O
serius O
kepada O
penyakit O
malaria O
terutama O
pada O
daerah O
dengan O
endemisitas O
tinggi O
seperti O
Kabupaten O
Mimika O
, O
Papua O
, O
terutama O
pada O
periode O
waktu O
dengan O
tingkat O
mortality O
rate O
harian O
nyamuk O
yang O
rendah. O
Pemerintah O
juga O
disarankan O
agar O
melengkapi O
data O
kasus O
malaria O
guna O
mempermudah O
pengawasan O
terkait O
penyakit O
ini O
, O
serta O
memberikan O
publikasi O
yang O
lengkap O
terhadap O
data O
kasus O
malaria. O
2. O
Untuk O
penelitian O
selanjutnya O
disarankan O
agar O
cakupan O
penelitian O
dapat O
diperkecil O
sehingga O
didapatkan O
hasil O
yang O
lebih O
akurat O
dan O
presisi. O
Kemudian O
disarankan O
pula O
untuk O
mengumpulkan O
data O
kasus O
malaria O
yang O
lebih O
lengkap O
agar O
validasi O
dapat O
dilakukan O
menggunakan O
metode O
empiris O
dapat O
sehingga O
dipertanggungjawabkan O
secara O
ilmiah. O
Disarankan O
pula O
untuk O
menggunakan O
parameter O
yang O
lebih O
lengkap O
agar O
hasil O
yang O
didapatkan O
mampu O
merepresentasikan O
dunia O
nyata O
dengan O
lebih O
baik. O
didapatkan O
yang O
hasil O

Simulasi O
Penyebaran O
Penyakit O
Malaria O
Menggunakan O
Agent-Based O
Modelling O
Studi O
Kasus O
di O
Kabupaten O
Mimika O
, O
Papua O
Fakhri O
Hidayat O
( O
221810288 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Tiodora O
Hadumaon O
Siagian O
M.Pop.Hum.Res O
Ringkasan— O
Malaria O
masih O
menjadi O
salah O
satu O
penyakit O
endemis O
di O
Indonesia O
, O
khususnya O
di O
Kabupaten O
Mimika O
, O
Papua. O
Penelitian O
ini O
mengusulkan B-TUJUAN
penggunaan I-TUJUAN
agent-based I-TUJUAN
modelling I-TUJUAN
atau I-TUJUAN
ABM. I-TUJUAN
ABM I-TUJUAN
definisikan I-TUJUAN
sebagai I-TUJUAN
teknik I-TUJUAN
pemodelan I-TUJUAN
simulasi I-TUJUAN
dimana I-TUJUAN
sebuah I-TUJUAN
sistem I-TUJUAN
dimodelkan I-TUJUAN
sebagai I-TUJUAN
kumpulan I-TUJUAN
agen I-TUJUAN
dan I-TUJUAN
hubungan I-TUJUAN
di I-TUJUAN
antara I-TUJUAN
mereka. I-TUJUAN
Dalam O
penelitian O
ini O
, O
tahap O
awal O
penelitian O
adalah O
menentukan O
agen O
yang O
terlibat O
, O
interaksi O
antar O
agen O
, O
menganalisis O
atribut O
dan O
perilaku O
agen O
serta O
analis O
faktor O
lingkungan. O
Model B-METODE
epidemi I-METODE
SEIRS I-METODE
yang O
membagi O
agen O
dalam O
4 O
kategori O
kesehatan O
( O
Susceptible O
, O
Exposed O
, O
Infected O
, O
Recovered O
) O
digunakan O
dalam O
penelitian O
ini. O
Verifikasi O
model O
dilakukan O
dengan O
menguji O
sensitivitas O
model O
terhadap O
parameter O
yang O
ada O
, O
juga O
untuk O
menentukan O
nilai O
beberapa O
parameter. O
Validasi O
model O
dilakukan O
dengan O
membandingkan O
output O
simulasi O
dengan O
data O
aktual O
dari O
dinas O
kesehatan O
Provinsi O
Papua. O
Hasil O
dari O
penelitian O
ini O
menunjukkan O
bahwa O
simulasi B-TEMUAN
penyebaran I-TEMUAN
penyakit I-TEMUAN
malaria I-TEMUAN
dipengaruhi I-TEMUAN
beberapa I-TEMUAN
faktor I-TEMUAN
seperti I-TEMUAN
atribut I-TEMUAN
dan I-TEMUAN
perilaku I-TEMUAN
agen I-TEMUAN
, I-TEMUAN
nilai I-TEMUAN
parameter I-TEMUAN
yang I-TEMUAN
digunakan I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
faktor I-TEMUAN
lingkungan. I-TEMUAN
Evaluasi O
model O
menunjukkan O
pola O
peningkatan O
kasus O
yang O
sama O
antara O
data O
aktual O
dan O
data O
simulasi. O
Kata O
Kunci— O
Endemi O
, O
Malaria O
, O
ABM O
, O
Mimika O
, O
Papua. O
[SEP] O
Gambar O
8 O
Rata-rata O
per O
Bulan O
MMR O
Nyamuk O
A. O
Kesimpulan O
Gambar O
8 O
menunjukkan O
rata-rata O
mortality O
rate O
nyamuk O
bulanan. O
Perlu O
diperhatikan O
berdasarkan O
persamaan O
( O
2 O
) O
, O
MMR O
tertinggi O
berkisar O
pada O
bulan O
Oktober O
hingga O
April O
dimana O
suhu O
pada O
bulan O
tersebut O
terbilang O
tinggi O
dengan O
kelembapan O
yang O
rendah O
, O
dan O
MMR O
terendah O
berkisar O
pada O
bulan O
Mei O
hingga O
September O
dimana O
suhu O
pada O
bulan O
tersebut O
terbilang O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
maka O
dapat O
diambil O
kesimpulan O
sebagai O
berikut O
: O
1. O
Hasil O
analisis O
perilaku O
dan O
kebutuhan O
agen O
pada O
model O
ABM O
untuk O
simulasi O
penyebaran O
penyakit O
malaria O
di O
Kabupaten O
Mimika O
telah O
berhasil O
dilakukan. B-TEMUAN
Terdapat I-TEMUAN
dua I-TEMUAN
agen I-TEMUAN
yang I-TEMUAN
digunakan I-TEMUAN
dalam I-TEMUAN
model I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
agen I-TEMUAN
nyamuk I-TEMUAN
7 I-TEMUAN
/ I-TEMUAN
8 I-TEMUAN
sebagai I-TEMUAN
vektor I-TEMUAN
penularan I-TEMUAN
dan I-TEMUAN
agen I-TEMUAN
manusia I-TEMUAN
sebagai I-TEMUAN
host. I-TEMUAN
Lingkungan I-TEMUAN
pada I-TEMUAN
model I-TEMUAN
dibuat I-TEMUAN
berdasarkan I-TEMUAN
data I-TEMUAN
spasial I-TEMUAN
Kabupaten I-TEMUAN
Mimika. I-TEMUAN
2. B-METODE
Simulasi I-METODE
Model I-METODE
ABM I-METODE
berhasil O
dilakukan O
dengan O
menggunakan O
beberapa O
parameter O
, O
di O
antaranya O
adalah O
suhu O
dan O
kelembapan O
yang O
menentukan O
mortality O
rate O
harian O
pada O
nyamuk. O
Berdasarkan O
hasil O
simulasi O
ditemui O
bahwa O
mortality O
rate O
harian O
nyamuk O
tertinggi O
berada O
pada O
bulan O
Oktober O
hingga O
April O
dimana O
suhu O
pada O
bulan O
tersebut O
terbilang O
tinggi O
dengan O
kelembapan O
yang O
rendah O
, O
dan O
MMR O
terendah O
berada O
pada O
bulan O
Mei O
hingga O
September O
dimana O
suhu O
pada O
bulan O
tersebut O
terbilang O
rendah O
dengan O
kelembapan O
yang O
tinggi. O
3. O
Verifikasi O
dan O
validasi O
model O
ABM O
berhasil O
dilakukan. O
Verifikasi O
model O
membuktikan O
model O
sensitif O
terhadap O
perubahan O
parameter O
, O
dan O
melalui O
verifikasi O
pula O
ditentukan O
nilai O
parameter O
yang O
tidak O
diketahui. O
Validasi O
model O
membuktikan O
hasil O
simulasi O
kasus O
malaria O
memiliki O
kesamaan O
dengan O
data O
aktual O
kasus O
malaria. O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
validasi I-TEMUAN
tersebut I-TEMUAN
model I-TEMUAN
yang I-TEMUAN
terbentuk I-TEMUAN
mampu I-TEMUAN
untuk I-TEMUAN
menggambarkan I-TEMUAN
laju I-TEMUAN
pertumbuhan I-TEMUAN
kasus I-TEMUAN
malaria I-TEMUAN
di I-TEMUAN
Kabupaten I-TEMUAN
Mimika. I-TEMUAN
B. O
Saran O
Saran O
pada O
penelitian O
ini O
difokuskan O
pada O
pemerintah O
dan O
penelitian O
selanjutnya. O
Saran-saran O
yang O
dapat O
diberikan O
penulis O
adalah O
sebagai O
berikut O
: O
1. O
Untuk O
pemerintah O
hendaknya O
memberikan O
perhatian O
lebih O
serius O
kepada O
penyakit O
malaria O
terutama O
pada O
daerah O
dengan O
endemisitas O
tinggi O
seperti O
Kabupaten O
Mimika O
, O
Papua O
, O
terutama O
pada O
periode O
waktu O
dengan O
tingkat O
mortality O
rate O
harian O
nyamuk O
yang O
rendah. O
Pemerintah O
juga O
disarankan O
agar O
melengkapi O
data O
kasus O
malaria O
guna O
mempermudah O
pengawasan O
terkait O
penyakit O
ini O
, O
serta O
memberikan O
publikasi O
yang O
lengkap O
terhadap O
data O
kasus O
malaria. O
2. O
Untuk O
penelitian O
selanjutnya O
disarankan O
agar O
cakupan O
penelitian O
dapat O
diperkecil O
sehingga O
didapatkan O
hasil O
yang O
lebih O
akurat O
dan O
presisi. O
Kemudian O
disarankan O
pula O
untuk O
mengumpulkan O
data O
kasus O
malaria O
yang O
lebih O
lengkap O
agar O
validasi O
dapat O
dilakukan O
menggunakan O
metode O
empiris O
dapat O
sehingga O
dipertanggungjawabkan O
secara O
ilmiah. O
Disarankan O
pula O
untuk O
menggunakan O
parameter O
yang O
lebih O
lengkap O
agar O
hasil O
yang O
didapatkan O
mampu O
merepresentasikan O
dunia O
nyata O
dengan O
lebih O
baik. O
didapatkan O
yang O
hasil O

Analisis O
Ulasan O
Akomodasi O
di O
Labuan O
Bajo O
berdasarkan O
Karakteristik O
Pengulas O
Studi O
Kasus O
: O
situs O
TripAdvisor O
Fahmi O
Reza O
Nugraha O
( O
221810280 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Alfatihah O
R.M.N.S.P. O
Munaf O
, O
SST O
, O
M.Si O
lama O
Ringkasan—Belum O
ini O
, O
untuk O
mengembangkan O
pariwisata O
baru O
di O
Indonesia O
, O
Pemerintah O
memperkenalkan O
program O
Destinasi O
Super O
Prioritas O
( O
DSP O
) O
. O
Labuan O
Bajo O
, O
salah O
satu O
dari O
DSP O
gencar O
dilakukan O
pengembangan O
oleh O
pemerintah. O
Salah O
satu O
cara O
untuk O
mengembangkan O
pariwisata O
di O
Labuan O
Bajo O
adalah O
dengan O
melakukan O
evaluasi. O
Akomodasi O
sebagai O
tempat O
penginapan O
memiliki O
peran O
penting O
dalam O
perkembangan O
pariwisata. O
Sehingga O
, O
akomodasi O
di O
Labuan O
Bajo O
juga O
perlu O
dievaluasi. O
Evaluasi B-METODE
akomodasi O
dapat O
dilakukan O
dengan O
memanfaatkan O
User O
Generated O
Content O
yang O
ada O
pada O
TripAdvisor. O
Penelitian O
ini O
mendapatkan B-TUJUAN
insight I-TUJUAN
baru I-TUJUAN
mengenai I-TUJUAN
pengaruh I-TUJUAN
karakteristik I-TUJUAN
pengulas I-TUJUAN
akomodasi I-TUJUAN
di I-TUJUAN
Labuan I-TUJUAN
Bajo I-TUJUAN
terhadap I-TUJUAN
penilaiannya. I-TUJUAN
Metode O
yang O
digunakan O
adalah O
regresi O
logistik B-METODE
ordinal I-METODE
dan O
topic B-METODE
modelling I-METODE
dengan O
LDA. B-TEMUAN
Hasil I-TEMUAN
dari I-TEMUAN
penelitian I-TEMUAN
tipe I-TEMUAN
perjalanan I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
pengalaman I-TEMUAN
pengulas I-TEMUAN
mempengaruhi I-TEMUAN
penilaian I-TEMUAN
pengulas I-TEMUAN
terhadap I-TEMUAN
akomodasi I-TEMUAN
di I-TEMUAN
Labuan I-TEMUAN
Bajo. I-TEMUAN
Juga I-TEMUAN
ditemukan I-TEMUAN
beberapa I-TEMUAN
perbedaan I-TEMUAN
topik I-TEMUAN
pembicaraan I-TEMUAN
dalam I-TEMUAN
ulasan I-TEMUAN
akomodasi I-TEMUAN
di I-TEMUAN
Labuan I-TEMUAN
Bajo I-TEMUAN
berdasarkan I-TEMUAN
bahasa I-TEMUAN
dan I-TEMUAN
tipe I-TEMUAN
perjalanan I-TEMUAN
pengulas. I-TEMUAN
Selain O
itu O
, O
matching O
data O
akomodasi O
di O
Labuan O
Bajo O
yang O
ada O
pada O
TripAdvisor O
dan O
direktori O
BPS O
dilakukan O
untuk O
melihat O
potensi O
pemanfaatan O
big O
data. O
ini O
menemukan O
bahwa O
variabel O
bahasa O
, O
Kata O
Kunci— O
LDA O
, O
regresi O
logistik O
ordinal O
, O
cosine O
similarity O
, O
karakteristik O
pengulas O
, O
akomodasi O
[SEP] O
Berdasarkan O
hasil O
yang O
telah O
didapatkan O
, O
terdapat O
beberapa O
kesimpulan O
yang O
dapat O
dituliskan O
, O
1. O
Dari O
132 O
akomodasi O
yang O
ada O
pada O
situs O
TripAdvisor O
, O
terdapat O
90 O
data O
akomodasi O
yang O
sama O
dengan O
yang O
ada O
di O
Badan O
Pusat O
Statistik. O
Sisa O
42 O
akomodasi O
ini O
tidak O
dapat O
diidentifikasi O
status O
keaktifan O
usahanya. O
Sehingga O
, O
pemanfaatan O
direktori O
menggunakan O
situs O
TripAdvisor O
masih O
belum O
bisa O
dimanfaatkan. O
2. O
Variabel O
bahasa O
, O
tipe O
perjalanan O
, O
dan O
pengalaman O
pengulas O
mempengaruhi O
penilaian O
pengulas O
terhadap O
akomodasi O
di O
Labuan O
Bajo. O
3. O
Aktivitas O
rekreasi O
seperti O
diving O
dan O
pemandangan O
di O
akomodasi O
menjadi O
nilai O
jual O
bagi O
akomodasi O
di O
Labuan O
Bajo O
, O
Sedangkan O
kondisi O
kamar O
mandi O
menjadi O
aspek O
negatif O
bagi O
akomodasi O
di O
Labuan O
Bajo. O
4. O
Beberapa O
kelompok O
pengulas O
berdasarkan O
bahasa O
, O
memiliki O
topik O
pembicaraan O
yang O
unik O
, O
misalnya O
kelompok O
pengulas O
berbahasa O
Italia O
membahas O
mengenai O
struktur O
bangunan O
akomodasi. O
Sementara O
kelompok O
pengulas O
berbahasa O
Prancis O
pada O
salah O
satu O
topiknya O
membicarakan O
ulasan O
pengulas O
sebelumnya O
, O
seperti O
setuju O
atau O
tidak O
setuju O
terhadap O
pernyataan O
pengulas O
sebelumnya. O
Ini O
mengindikasikan O
bahwa O
kelompok O
pengulas O
berbahasa O
Prancis O
membaca O
ulasan O
terlebih O
dahulu O
sebelum O
memilih O
akomodasi. O
5. O
Beberapa O
kelompok O
pengulas O
berdasarkan O
tipe O
perjalanan O
, O
memiliki O
topik O
pembicaraan O
yang O
juga O
unik O
, O
teman O
misalnya O
kelompok O
perjalanan O
bersama O
( O
shuttle O
) O
. O
mengeluhkan O
Sementara O
, O
tidak O
membahas O
aktivitas O
rekreasi O
, O
Ini O
mengindikasikan O
bahwa O
kelompok O
perjalanan O
bisnis O
fokus O
dengan O
pekerjaannya O
dan O
tidak O
memiliki O
tujuan O
untuk O
berlibur. O
layanan O
perjalanan O
fasilitas O
kelompok O
bisnis O
, O
antar O

Analisis O
Ulasan O
Akomodasi O
di O
Labuan O
Bajo O
berdasarkan O
Karakteristik O
Pengulas O
Studi O
Kasus O
: O
situs O
TripAdvisor O
Fahmi O
Reza O
Nugraha O
( O
221810280 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Alfatihah O
R.M.N.S.P. O
Munaf O
, O
SST O
, O
M.Si O
lama O
Ringkasan—Belum O
ini O
, O
untuk O
mengembangkan O
pariwisata O
baru O
di O
Indonesia O
, O
Pemerintah O
memperkenalkan O
program O
Destinasi O
Super O
Prioritas O
( O
DSP O
) O
. O
Labuan O
Bajo O
, O
salah O
satu O
dari O
DSP O
gencar O
dilakukan O
pengembangan O
oleh O
pemerintah. O
Salah O
satu O
cara O
untuk O
mengembangkan O
pariwisata O
di O
Labuan O
Bajo O
adalah O
dengan O
melakukan O
evaluasi. O
Akomodasi O
sebagai O
tempat O
penginapan O
memiliki O
peran O
penting O
dalam O
perkembangan O
pariwisata. O
Sehingga O
, O
akomodasi O
di O
Labuan O
Bajo O
juga O
perlu O
dievaluasi. O
Evaluasi B-METODE
akomodasi O
dapat O
dilakukan O
dengan O
memanfaatkan O
User O
Generated O
Content O
yang O
ada O
pada O
TripAdvisor. O
Penelitian O
ini O
mendapatkan B-TUJUAN
insight I-TUJUAN
baru I-TUJUAN
mengenai I-TUJUAN
pengaruh I-TUJUAN
karakteristik I-TUJUAN
pengulas I-TUJUAN
akomodasi I-TUJUAN
di I-TUJUAN
Labuan I-TUJUAN
Bajo I-TUJUAN
terhadap I-TUJUAN
penilaiannya. I-TUJUAN
Metode O
yang O
digunakan O
adalah O
regresi O
logistik B-METODE
ordinal I-METODE
dan O
topic B-METODE
modelling I-METODE
dengan O
LDA. B-TEMUAN
Hasil I-TEMUAN
dari I-TEMUAN
penelitian I-TEMUAN
tipe I-TEMUAN
perjalanan I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
pengalaman I-TEMUAN
pengulas I-TEMUAN
mempengaruhi I-TEMUAN
penilaian I-TEMUAN
pengulas I-TEMUAN
terhadap I-TEMUAN
akomodasi I-TEMUAN
di I-TEMUAN
Labuan I-TEMUAN
Bajo. I-TEMUAN
Juga I-TEMUAN
ditemukan I-TEMUAN
beberapa I-TEMUAN
perbedaan I-TEMUAN
topik I-TEMUAN
pembicaraan I-TEMUAN
dalam I-TEMUAN
ulasan I-TEMUAN
akomodasi I-TEMUAN
di I-TEMUAN
Labuan I-TEMUAN
Bajo I-TEMUAN
berdasarkan I-TEMUAN
bahasa I-TEMUAN
dan I-TEMUAN
tipe I-TEMUAN
perjalanan I-TEMUAN
pengulas. I-TEMUAN
Selain O
itu O
, O
matching O
data O
akomodasi O
di O
Labuan O
Bajo O
yang O
ada O
pada O
TripAdvisor O
dan O
direktori O
BPS O
dilakukan O
untuk O
melihat O
potensi O
pemanfaatan O
big O
data. O
ini O
menemukan O
bahwa O
variabel O
bahasa O
, O
Kata O
Kunci— O
LDA O
, O
regresi O
logistik O
ordinal O
, O
cosine O
similarity O
, O
karakteristik O
pengulas O
, O
akomodasi O
[SEP] O
Berdasarkan O
hasil O
yang O
telah O
didapatkan O
, O
terdapat O
beberapa O
kesimpulan O
yang O
dapat O
dituliskan O
, O
1. O
Dari O
132 O
akomodasi O
yang O
ada O
pada O
situs O
TripAdvisor O
, O
terdapat O
90 O
data O
akomodasi O
yang O
sama O
dengan O
yang O
ada O
di O
Badan O
Pusat O
Statistik. O
Sisa O
42 O
akomodasi O
ini O
tidak O
dapat O
diidentifikasi O
status O
keaktifan O
usahanya. O
Sehingga O
, O
pemanfaatan O
direktori O
menggunakan O
situs O
TripAdvisor O
masih O
belum O
bisa O
dimanfaatkan. O
2. O
Variabel O
bahasa O
, O
tipe O
perjalanan O
, O
dan O
pengalaman O
pengulas O
mempengaruhi O
penilaian O
pengulas O
terhadap O
akomodasi O
di O
Labuan O
Bajo. O
3. O
Aktivitas O
rekreasi O
seperti O
diving O
dan O
pemandangan O
di O
akomodasi O
menjadi O
nilai O
jual O
bagi O
akomodasi O
di O
Labuan O
Bajo O
, O
Sedangkan O
kondisi O
kamar O
mandi O
menjadi O
aspek O
negatif O
bagi O
akomodasi O
di O
Labuan O
Bajo. O
4. O
Beberapa O
kelompok O
pengulas O
berdasarkan O
bahasa O
, O
memiliki O
topik O
pembicaraan O
yang O
unik O
, O
misalnya O
kelompok O
pengulas O
berbahasa O
Italia O
membahas O
mengenai O
struktur O
bangunan O
akomodasi. O
Sementara O
kelompok O
pengulas O
berbahasa O
Prancis O
pada O
salah O
satu O
topiknya O
membicarakan O
ulasan O
pengulas O
sebelumnya O
, O
seperti O
setuju O
atau O
tidak O
setuju O
terhadap O
pernyataan O
pengulas O
sebelumnya. O
Ini O
mengindikasikan O
bahwa O
kelompok O
pengulas O
berbahasa O
Prancis O
membaca O
ulasan O
terlebih O
dahulu O
sebelum O
memilih O
akomodasi. O
5. O
Beberapa O
kelompok O
pengulas O
berdasarkan O
tipe O
perjalanan O
, O
memiliki O
topik O
pembicaraan O
yang O
juga O
unik O
, O
teman O
misalnya O
kelompok O
perjalanan O
bersama O
( O
shuttle O
) O
. O
mengeluhkan O
Sementara O
, O
tidak O
membahas O
aktivitas O
rekreasi O
, O
Ini O
mengindikasikan O
bahwa O
kelompok O
perjalanan O
bisnis O
fokus O
dengan O
pekerjaannya O
dan O
tidak O
memiliki O
tujuan O
untuk O
berlibur. O
layanan O
perjalanan O
fasilitas O
kelompok O
bisnis O
, O
antar O

Analisis O
Ulasan O
Akomodasi O
di O
Labuan O
Bajo O
berdasarkan O
Karakteristik O
Pengulas O
Studi O
Kasus O
: O
situs O
TripAdvisor O
Fahmi O
Reza O
Nugraha O
( O
221810280 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Alfatihah O
R.M.N.S.P. O
Munaf O
, O
SST O
, O
M.Si O
lama O
Ringkasan—Belum O
ini O
, O
untuk O
mengembangkan O
pariwisata O
baru O
di O
Indonesia O
, O
Pemerintah O
memperkenalkan O
program O
Destinasi O
Super O
Prioritas O
( O
DSP O
) O
. O
Labuan O
Bajo O
, O
salah O
satu O
dari O
DSP O
gencar O
dilakukan O
pengembangan O
oleh O
pemerintah. O
Salah O
satu O
cara O
untuk O
mengembangkan O
pariwisata O
di O
Labuan O
Bajo O
adalah O
dengan O
melakukan O
evaluasi. O
Akomodasi O
sebagai O
tempat O
penginapan O
memiliki O
peran O
penting O
dalam O
perkembangan O
pariwisata. O
Sehingga O
, O
akomodasi O
di O
Labuan O
Bajo O
juga O
perlu O
dievaluasi. O
Evaluasi B-METODE
akomodasi O
dapat O
dilakukan O
dengan O
memanfaatkan O
User O
Generated O
Content O
yang O
ada O
pada O
TripAdvisor. O
Penelitian O
ini O
mendapatkan B-TUJUAN
insight I-TUJUAN
baru I-TUJUAN
mengenai I-TUJUAN
pengaruh I-TUJUAN
karakteristik I-TUJUAN
pengulas I-TUJUAN
akomodasi I-TUJUAN
di I-TUJUAN
Labuan I-TUJUAN
Bajo I-TUJUAN
terhadap I-TUJUAN
penilaiannya. I-TUJUAN
Metode O
yang O
digunakan O
adalah O
regresi O
logistik B-METODE
ordinal I-METODE
dan O
topic B-METODE
modelling I-METODE
dengan O
LDA. B-TEMUAN
Hasil I-TEMUAN
dari I-TEMUAN
penelitian I-TEMUAN
tipe I-TEMUAN
perjalanan I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
pengalaman I-TEMUAN
pengulas I-TEMUAN
mempengaruhi I-TEMUAN
penilaian I-TEMUAN
pengulas I-TEMUAN
terhadap I-TEMUAN
akomodasi I-TEMUAN
di I-TEMUAN
Labuan I-TEMUAN
Bajo. I-TEMUAN
Juga I-TEMUAN
ditemukan I-TEMUAN
beberapa I-TEMUAN
perbedaan I-TEMUAN
topik I-TEMUAN
pembicaraan I-TEMUAN
dalam I-TEMUAN
ulasan I-TEMUAN
akomodasi I-TEMUAN
di I-TEMUAN
Labuan I-TEMUAN
Bajo I-TEMUAN
berdasarkan I-TEMUAN
bahasa I-TEMUAN
dan I-TEMUAN
tipe I-TEMUAN
perjalanan I-TEMUAN
pengulas. I-TEMUAN
Selain O
itu O
, O
matching O
data O
akomodasi O
di O
Labuan O
Bajo O
yang O
ada O
pada O
TripAdvisor O
dan O
direktori O
BPS O
dilakukan O
untuk O
melihat O
potensi O
pemanfaatan O
big O
data. O
ini O
menemukan O
bahwa O
variabel O
bahasa O
, O
Kata O
Kunci— O
LDA O
, O
regresi O
logistik O
ordinal O
, O
cosine O
similarity O
, O
karakteristik O
pengulas O
, O
akomodasi O
[SEP] O
Berdasarkan O
hasil O
yang O
telah O
didapatkan O
, O
terdapat O
beberapa O
kesimpulan O
yang O
dapat O
dituliskan O
, O
1. O
Dari O
132 O
akomodasi O
yang O
ada O
pada O
situs O
TripAdvisor O
, O
terdapat O
90 O
data O
akomodasi O
yang O
sama O
dengan O
yang O
ada O
di O
Badan O
Pusat O
Statistik. O
Sisa O
42 O
akomodasi O
ini O
tidak O
dapat O
diidentifikasi O
status O
keaktifan O
usahanya. O
Sehingga O
, O
pemanfaatan O
direktori O
menggunakan O
situs O
TripAdvisor O
masih O
belum O
bisa O
dimanfaatkan. O
2. O
Variabel O
bahasa O
, O
tipe O
perjalanan O
, O
dan O
pengalaman O
pengulas O
mempengaruhi O
penilaian O
pengulas O
terhadap O
akomodasi O
di O
Labuan O
Bajo. O
3. O
Aktivitas O
rekreasi O
seperti O
diving O
dan O
pemandangan O
di O
akomodasi O
menjadi O
nilai O
jual O
bagi O
akomodasi O
di O
Labuan O
Bajo O
, O
Sedangkan O
kondisi O
kamar O
mandi O
menjadi O
aspek O
negatif O
bagi O
akomodasi O
di O
Labuan O
Bajo. O
4. O
Beberapa O
kelompok O
pengulas O
berdasarkan O
bahasa O
, O
memiliki O
topik O
pembicaraan O
yang O
unik O
, O
misalnya O
kelompok O
pengulas O
berbahasa O
Italia O
membahas O
mengenai O
struktur O
bangunan O
akomodasi. O
Sementara O
kelompok O
pengulas O
berbahasa O
Prancis O
pada O
salah O
satu O
topiknya O
membicarakan O
ulasan O
pengulas O
sebelumnya O
, O
seperti O
setuju O
atau O
tidak O
setuju O
terhadap O
pernyataan O
pengulas O
sebelumnya. O
Ini O
mengindikasikan O
bahwa O
kelompok O
pengulas O
berbahasa O
Prancis O
membaca O
ulasan O
terlebih O
dahulu O
sebelum O
memilih O
akomodasi. O
5. O
Beberapa O
kelompok O
pengulas O
berdasarkan O
tipe O
perjalanan O
, O
memiliki O
topik O
pembicaraan O
yang O
juga O
unik O
, O
teman O
misalnya O
kelompok O
perjalanan O
bersama O
( O
shuttle O
) O
. O
mengeluhkan O
Sementara O
, O
tidak O
membahas O
aktivitas O
rekreasi O
, O
Ini O
mengindikasikan O
bahwa O
kelompok O
perjalanan O
bisnis O
fokus O
dengan O
pekerjaannya O
dan O
tidak O
memiliki O
tujuan O
untuk O
berlibur. O
layanan O
perjalanan O
fasilitas O
kelompok O
bisnis O
, O
antar O

Pembangunan O
Paket O
Program O
R O
Pendugaan O
Area O
Kecil O
Metode O
M-Quantile O
dan O
Sintetik O
M-Quantile O
Fadila O
Ahmad O
( O
221810278 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Ika O
Yuni O
Wulansari O
SST O
, O
M.Stat. O
Ringkasan— O
Survei O
yang O
didesain O
untuk O
mengestimasi O
suatu O
wilayah O
tidak O
bisa O
digunakan O
untuk O
mengestimasi O
wilayah O
dibawahnya O
karena O
tidak O
memiliki O
ketepatan O
( O
presisi O
) O
yang O
memadai O
akibat O
tidak O
cukupnya O
ukuran O
sampel. O
Alternatif O
solusi O
yang O
bisa O
digunakan O
adalah O
pendugaan B-METODE
area I-METODE
kecil. I-METODE
Saat O
ini O
terdapat O
banyak O
metode O
pendugaan O
area O
kecil O
salah O
satunya O
adalah O
metode B-METODE
M- I-METODE
Quantile. I-METODE
Metode O
ini O
unggul O
untuk O
menangani O
data O
tidak O
berdistribusi O
normal O
dan O
terdapat O
pencilan. O
Wilayah O
dengan O
jumlah O
sampel O
nol O
/ O
nirsampel O
dapat O
diestimasi O
dengan O
metode O
Sintetik O
M-Quantile. O
Data O
yang O
digunakan O
dalam O
penelitian O
ini O
adalah O
data O
simulasi O
dan O
data O
studi O
kasus. O
Data O
studi O
kasus O
yang O
digunakan O
adalah O
pengeluaran O
rata-rata O
per O
kapita. O
Karakteristik O
pada O
pengeluaran O
rata-rata O
per O
kapita O
adalah O
tidak O
normal O
dan O
mengandung O
banyak O
pencilan O
sehingga O
cocok O
sebagai O
studi O
kasus. O
Pada O
penelitian O
ini O
, O
dibangun B-TUJUAN
algoritma I-TUJUAN
dari I-TUJUAN
metode I-TUJUAN
M-Quantile I-TUJUAN
dan I-TUJUAN
Sintetik I-TUJUAN
M-Quantile I-TUJUAN
dalam I-TUJUAN
bentuk I-TUJUAN
paket I-TUJUAN
program I-TUJUAN
R. I-TUJUAN
Paket B-TEMUAN
program I-TEMUAN
R I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
hasil I-TEMUAN
estimasi I-TEMUAN
M-Quantile I-TEMUAN
dan I-TEMUAN
Sintetik I-TEMUAN
M-Quantile I-TEMUAN
lebih I-TEMUAN
presisi I-TEMUAN
daripada I-TEMUAN
penduga I-TEMUAN
langsung I-TEMUAN
dan I-TEMUAN
EBLUP-FH. I-TEMUAN
Kata O
Kunci— O
Pengeluaran O
rata-rata O
per O
kapita O
, O
M-Quantile O
, O
Sintetik O
M-Quantile. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
didapatkan O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Estimasi O
pendugaan O
area O
kecil O
metode O
M-Quantile O
telah O
terbukti O
dapat O
meningkatkan O
kekekaran O
pada O
data O
yang O
tidak O
berdistribusi O
normal O
dan O
terdapat O
pencilan O
dibandingkan O
dengan O
estimasi O
langsung O
maupun O
EBLUP- O
FH. O
Wilayah O
nirsampel O
telah O
berhasil O
diestimasi O
dengan O
metode O
Sintetik O
M-Quantile. O
2. O
Paket B-TEMUAN
program I-TEMUAN
R I-TEMUAN
metode I-TEMUAN
M-Quantile I-TEMUAN
dan I-TEMUAN
Sintetik I-TEMUAN
M- I-TEMUAN
Quantile I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
dengan I-TEMUAN
nama I-TEMUAN
‘mqsae’ I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diakses I-TEMUAN
pada I-TEMUAN
laman I-TEMUAN
web I-TEMUAN
github I-TEMUAN
melalui I-TEMUAN
link I-TEMUAN
berikut I-TEMUAN
: I-TEMUAN
https I-TEMUAN
: I-TEMUAN
/ I-TEMUAN
/ I-TEMUAN
github.com I-TEMUAN
/ I-TEMUAN
fadilaahmad I-TEMUAN
/ I-TEMUAN
mquantile I-TEMUAN
3. O
Paket O
program O
berhasil O
diimplementasikan O
pada O
data O
simulasi O
dan O
data O
studi O
kasus. O
‘mqsae’ O
telah O
R O

Pembangunan O
Paket O
Program O
R O
Pendugaan O
Area O
Kecil O
Metode O
M-Quantile O
dan O
Sintetik O
M-Quantile O
Fadila O
Ahmad O
( O
221810278 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Ika O
Yuni O
Wulansari O
SST O
, O
M.Stat. O
Ringkasan— O
Survei O
yang O
didesain O
untuk O
mengestimasi O
suatu O
wilayah O
tidak O
bisa O
digunakan O
untuk O
mengestimasi O
wilayah O
dibawahnya O
karena O
tidak O
memiliki O
ketepatan O
( O
presisi O
) O
yang O
memadai O
akibat O
tidak O
cukupnya O
ukuran O
sampel. O
Alternatif O
solusi O
yang O
bisa O
digunakan O
adalah O
pendugaan B-METODE
area I-METODE
kecil. I-METODE
Saat O
ini O
terdapat O
banyak O
metode O
pendugaan O
area O
kecil O
salah O
satunya O
adalah O
metode B-METODE
M- I-METODE
Quantile. I-METODE
Metode O
ini O
unggul O
untuk O
menangani O
data O
tidak O
berdistribusi O
normal O
dan O
terdapat O
pencilan. O
Wilayah O
dengan O
jumlah O
sampel O
nol O
/ O
nirsampel O
dapat O
diestimasi O
dengan O
metode O
Sintetik O
M-Quantile. O
Data O
yang O
digunakan O
dalam O
penelitian O
ini O
adalah O
data O
simulasi O
dan O
data O
studi O
kasus. O
Data O
studi O
kasus O
yang O
digunakan O
adalah O
pengeluaran O
rata-rata O
per O
kapita. O
Karakteristik O
pada O
pengeluaran O
rata-rata O
per O
kapita O
adalah O
tidak O
normal O
dan O
mengandung O
banyak O
pencilan O
sehingga O
cocok O
sebagai O
studi O
kasus. O
Pada O
penelitian O
ini O
, O
dibangun B-TUJUAN
algoritma I-TUJUAN
dari I-TUJUAN
metode I-TUJUAN
M-Quantile I-TUJUAN
dan I-TUJUAN
Sintetik I-TUJUAN
M-Quantile I-TUJUAN
dalam I-TUJUAN
bentuk I-TUJUAN
paket I-TUJUAN
program I-TUJUAN
R. I-TUJUAN
Paket B-TEMUAN
program I-TEMUAN
R I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
hasil I-TEMUAN
estimasi I-TEMUAN
M-Quantile I-TEMUAN
dan I-TEMUAN
Sintetik I-TEMUAN
M-Quantile I-TEMUAN
lebih I-TEMUAN
presisi I-TEMUAN
daripada I-TEMUAN
penduga I-TEMUAN
langsung I-TEMUAN
dan I-TEMUAN
EBLUP-FH. I-TEMUAN
Kata O
Kunci— O
Pengeluaran O
rata-rata O
per O
kapita O
, O
M-Quantile O
, O
Sintetik O
M-Quantile. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
didapatkan O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Estimasi O
pendugaan O
area O
kecil O
metode O
M-Quantile O
telah O
terbukti O
dapat O
meningkatkan O
kekekaran O
pada O
data O
yang O
tidak O
berdistribusi O
normal O
dan O
terdapat O
pencilan O
dibandingkan O
dengan O
estimasi O
langsung O
maupun O
EBLUP- O
FH. O
Wilayah O
nirsampel O
telah O
berhasil O
diestimasi O
dengan O
metode O
Sintetik O
M-Quantile. O
2. O
Paket B-TEMUAN
program I-TEMUAN
R I-TEMUAN
metode I-TEMUAN
M-Quantile I-TEMUAN
dan I-TEMUAN
Sintetik I-TEMUAN
M- I-TEMUAN
Quantile I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
dengan I-TEMUAN
nama I-TEMUAN
‘mqsae’ I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diakses I-TEMUAN
pada I-TEMUAN
laman I-TEMUAN
web I-TEMUAN
github I-TEMUAN
melalui I-TEMUAN
link I-TEMUAN
berikut I-TEMUAN
: I-TEMUAN
https I-TEMUAN
: I-TEMUAN
/ I-TEMUAN
/ I-TEMUAN
github.com I-TEMUAN
/ I-TEMUAN
fadilaahmad I-TEMUAN
/ I-TEMUAN
mquantile I-TEMUAN
3. O
Paket O
program O
berhasil O
diimplementasikan O
pada O
data O
simulasi O
dan O
data O
studi O
kasus. O
‘mqsae’ O
telah O
R O

Pembangunan O
Paket O
Program O
R O
Pendugaan O
Area O
Kecil O
Metode O
M-Quantile O
dan O
Sintetik O
M-Quantile O
Fadila O
Ahmad O
( O
221810278 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Ika O
Yuni O
Wulansari O
SST O
, O
M.Stat. O
Ringkasan— O
Survei O
yang O
didesain O
untuk O
mengestimasi O
suatu O
wilayah O
tidak O
bisa O
digunakan O
untuk O
mengestimasi O
wilayah O
dibawahnya O
karena O
tidak O
memiliki O
ketepatan O
( O
presisi O
) O
yang O
memadai O
akibat O
tidak O
cukupnya O
ukuran O
sampel. O
Alternatif O
solusi O
yang O
bisa O
digunakan O
adalah O
pendugaan B-METODE
area I-METODE
kecil. I-METODE
Saat O
ini O
terdapat O
banyak O
metode O
pendugaan O
area O
kecil O
salah O
satunya O
adalah O
metode B-METODE
M- I-METODE
Quantile. I-METODE
Metode O
ini O
unggul O
untuk O
menangani O
data O
tidak O
berdistribusi O
normal O
dan O
terdapat O
pencilan. O
Wilayah O
dengan O
jumlah O
sampel O
nol O
/ O
nirsampel O
dapat O
diestimasi O
dengan O
metode O
Sintetik O
M-Quantile. O
Data O
yang O
digunakan O
dalam O
penelitian O
ini O
adalah O
data O
simulasi O
dan O
data O
studi O
kasus. O
Data O
studi O
kasus O
yang O
digunakan O
adalah O
pengeluaran O
rata-rata O
per O
kapita. O
Karakteristik O
pada O
pengeluaran O
rata-rata O
per O
kapita O
adalah O
tidak O
normal O
dan O
mengandung O
banyak O
pencilan O
sehingga O
cocok O
sebagai O
studi O
kasus. O
Pada O
penelitian O
ini O
, O
dibangun B-TUJUAN
algoritma I-TUJUAN
dari I-TUJUAN
metode I-TUJUAN
M-Quantile I-TUJUAN
dan I-TUJUAN
Sintetik I-TUJUAN
M-Quantile I-TUJUAN
dalam I-TUJUAN
bentuk I-TUJUAN
paket I-TUJUAN
program I-TUJUAN
R. I-TUJUAN
Paket B-TEMUAN
program I-TEMUAN
R I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
hasil I-TEMUAN
estimasi I-TEMUAN
M-Quantile I-TEMUAN
dan I-TEMUAN
Sintetik I-TEMUAN
M-Quantile I-TEMUAN
lebih I-TEMUAN
presisi I-TEMUAN
daripada I-TEMUAN
penduga I-TEMUAN
langsung I-TEMUAN
dan I-TEMUAN
EBLUP-FH. I-TEMUAN
Kata O
Kunci— O
Pengeluaran O
rata-rata O
per O
kapita O
, O
M-Quantile O
, O
Sintetik O
M-Quantile. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
didapatkan O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Estimasi O
pendugaan O
area O
kecil O
metode O
M-Quantile O
telah O
terbukti O
dapat O
meningkatkan O
kekekaran O
pada O
data O
yang O
tidak O
berdistribusi O
normal O
dan O
terdapat O
pencilan O
dibandingkan O
dengan O
estimasi O
langsung O
maupun O
EBLUP- O
FH. O
Wilayah O
nirsampel O
telah O
berhasil O
diestimasi O
dengan O
metode O
Sintetik O
M-Quantile. O
2. O
Paket B-TEMUAN
program I-TEMUAN
R I-TEMUAN
metode I-TEMUAN
M-Quantile I-TEMUAN
dan I-TEMUAN
Sintetik I-TEMUAN
M- I-TEMUAN
Quantile I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
dengan I-TEMUAN
nama I-TEMUAN
‘mqsae’ I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diakses I-TEMUAN
pada I-TEMUAN
laman I-TEMUAN
web I-TEMUAN
github I-TEMUAN
melalui I-TEMUAN
link I-TEMUAN
berikut I-TEMUAN
: I-TEMUAN
https I-TEMUAN
: I-TEMUAN
/ I-TEMUAN
/ I-TEMUAN
github.com I-TEMUAN
/ I-TEMUAN
fadilaahmad I-TEMUAN
/ I-TEMUAN
mquantile I-TEMUAN
3. O
Paket O
program O
berhasil O
diimplementasikan O
pada O
data O
simulasi O
dan O
data O
studi O
kasus. O
‘mqsae’ O
telah O
R O

Pembangunan O
Paket O
Program O
R O
Pendugaan O
Area O
Kecil O
Metode O
M-Quantile O
dan O
Sintetik O
M-Quantile O
Fadila O
Ahmad O
( O
221810278 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Ika O
Yuni O
Wulansari O
SST O
, O
M.Stat. O
Ringkasan— O
Survei O
yang O
didesain O
untuk O
mengestimasi O
suatu O
wilayah O
tidak O
bisa O
digunakan O
untuk O
mengestimasi O
wilayah O
dibawahnya O
karena O
tidak O
memiliki O
ketepatan O
( O
presisi O
) O
yang O
memadai O
akibat O
tidak O
cukupnya O
ukuran O
sampel. O
Alternatif O
solusi O
yang O
bisa O
digunakan O
adalah O
pendugaan B-METODE
area I-METODE
kecil. I-METODE
Saat O
ini O
terdapat O
banyak O
metode O
pendugaan O
area O
kecil O
salah O
satunya O
adalah O
metode B-METODE
M- I-METODE
Quantile. I-METODE
Metode O
ini O
unggul O
untuk O
menangani O
data O
tidak O
berdistribusi O
normal O
dan O
terdapat O
pencilan. O
Wilayah O
dengan O
jumlah O
sampel O
nol O
/ O
nirsampel O
dapat O
diestimasi O
dengan O
metode O
Sintetik O
M-Quantile. O
Data O
yang O
digunakan O
dalam O
penelitian O
ini O
adalah O
data O
simulasi O
dan O
data O
studi O
kasus. O
Data O
studi O
kasus O
yang O
digunakan O
adalah O
pengeluaran O
rata-rata O
per O
kapita. O
Karakteristik O
pada O
pengeluaran O
rata-rata O
per O
kapita O
adalah O
tidak O
normal O
dan O
mengandung O
banyak O
pencilan O
sehingga O
cocok O
sebagai O
studi O
kasus. O
Pada O
penelitian O
ini O
, O
dibangun B-TUJUAN
algoritma I-TUJUAN
dari I-TUJUAN
metode I-TUJUAN
M-Quantile I-TUJUAN
dan I-TUJUAN
Sintetik I-TUJUAN
M-Quantile I-TUJUAN
dalam I-TUJUAN
bentuk I-TUJUAN
paket I-TUJUAN
program I-TUJUAN
R. I-TUJUAN
Paket B-TEMUAN
program I-TEMUAN
R I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
hasil I-TEMUAN
estimasi I-TEMUAN
M-Quantile I-TEMUAN
dan I-TEMUAN
Sintetik I-TEMUAN
M-Quantile I-TEMUAN
lebih I-TEMUAN
presisi I-TEMUAN
daripada I-TEMUAN
penduga I-TEMUAN
langsung I-TEMUAN
dan I-TEMUAN
EBLUP-FH. I-TEMUAN
Kata O
Kunci— O
Pengeluaran O
rata-rata O
per O
kapita O
, O
M-Quantile O
, O
Sintetik O
M-Quantile. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
didapatkan O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Estimasi O
pendugaan O
area O
kecil O
metode O
M-Quantile O
telah O
terbukti O
dapat O
meningkatkan O
kekekaran O
pada O
data O
yang O
tidak O
berdistribusi O
normal O
dan O
terdapat O
pencilan O
dibandingkan O
dengan O
estimasi O
langsung O
maupun O
EBLUP- O
FH. O
Wilayah O
nirsampel O
telah O
berhasil O
diestimasi O
dengan O
metode O
Sintetik O
M-Quantile. O
2. O
Paket B-TEMUAN
program I-TEMUAN
R I-TEMUAN
metode I-TEMUAN
M-Quantile I-TEMUAN
dan I-TEMUAN
Sintetik I-TEMUAN
M- I-TEMUAN
Quantile I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
dengan I-TEMUAN
nama I-TEMUAN
‘mqsae’ I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diakses I-TEMUAN
pada I-TEMUAN
laman I-TEMUAN
web I-TEMUAN
github I-TEMUAN
melalui I-TEMUAN
link I-TEMUAN
berikut I-TEMUAN
: I-TEMUAN
https I-TEMUAN
: I-TEMUAN
/ I-TEMUAN
/ I-TEMUAN
github.com I-TEMUAN
/ I-TEMUAN
fadilaahmad I-TEMUAN
/ I-TEMUAN
mquantile I-TEMUAN
3. O
Paket O
program O
berhasil O
diimplementasikan O
pada O
data O
simulasi O
dan O
data O
studi O
kasus. O
‘mqsae’ O
telah O
R O

Pembangunan O
Sistem O
Informasi O
E-Canteen O
Berbasis O
Web O
Mobile O
di O
Politeknik O
Statistika O
STIS O
Erik O
Rihendri O
Candra O
Adifa O
( O
221810270 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
SST O
, O
MT O
Permasalahan O
umum O
yang O
ditemukan O
di O
kantin O
Politeknik O
Statistika O
STIS O
diantaranya O
waktu O
tunggu O
antrean O
yang O
cukup O
lama O
, O
ketersediaan O
stok O
makanan O
terbatas O
, O
dan O
kebutuhan O
rekapitulasi O
penjualan O
yang O
akurat. O
Arahan O
digitalisasi O
UMKM O
oleh O
pemerintah O
memberikan O
peluang O
bagi O
Politeknik O
Statistika O
STIS O
untuk O
mengubah O
sistem O
kantin O
menjadi O
terdigitalisasi. O
Sistem B-TUJUAN
yang I-TUJUAN
dibangun I-TUJUAN
memungkinkan I-TUJUAN
pembeli I-TUJUAN
untuk I-TUJUAN
mengetahui I-TUJUAN
informasi I-TUJUAN
ketersediaan I-TUJUAN
menu I-TUJUAN
dan I-TUJUAN
melakukan I-TUJUAN
pememesan I-TUJUAN
menu I-TUJUAN
makan I-TUJUAN
sebelum I-TUJUAN
tiba I-TUJUAN
di I-TUJUAN
kantin. I-TUJUAN
Pembeli O
juga O
dapat O
memberikan O
penilaian O
dan O
saran O
baik O
terhadap O
menu O
makanan O
dan O
pelayanan O
sebagai O
bahan O
masukan O
atau O
evaluasi. O
Dari O
sisi O
penjual O
juga O
memperoleh O
keuntungan O
dengan O
adanya O
rekapitulasi O
dan O
statistik O
penjualan O
secara O
otomatis. O
Metode O
pembangunan O
sistem O
yang O
digunakan O
adalah O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
pendekatan I-METODE
Waterfall. I-METODE
Hasil B-TEMUAN
pengujian I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
semua I-TEMUAN
fungsi I-TEMUAN
yang I-TEMUAN
diharapkan I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Skor I-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
berada I-TEMUAN
di I-TEMUAN
angka I-TEMUAN
74,64 I-TEMUAN
yang I-TEMUAN
menunjukkan I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Hasil I-TEMUAN
pengujian I-TEMUAN
Post-Study I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Questionnaire I-TEMUAN
( I-TEMUAN
PSSUQ I-TEMUAN
) I-TEMUAN
juga I-TEMUAN
menunjukkan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
baik I-TEMUAN
pada I-TEMUAN
indikator I-TEMUAN
system I-TEMUAN
usefulness I-TEMUAN
, I-TEMUAN
information I-TEMUAN
quality I-TEMUAN
dan I-TEMUAN
overall I-TEMUAN
satisfaction. I-TEMUAN
Kata O
Kunci—E-Canteen O
, O
SDLC O
Waterfall O
, O
Black O
box O
, O
SUS O
, O
PSSUQ. O
[SEP] O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
Kesimpulan O
yang O
diperoleh O
dari O
hasil O
penelitian O
[ O
13 O
] O
mengenai O
pemesanan O
di O
kantin O
adalah O
sebagai O
berikut. O
1 O
Telah B-TUJUAN
dirancang I-TUJUAN
sistem I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
melakukan I-TUJUAN
proses I-TUJUAN
pemesanan I-TUJUAN
, I-TUJUAN
rekapitulasi I-TUJUAN
penjualan I-TUJUAN
dan I-TUJUAN
penilaian. I-TUJUAN
Perancangan I-TUJUAN
meliputi I-TUJUAN
proses I-TUJUAN
bisnis I-TUJUAN
, I-TUJUAN
penggolongan I-TUJUAN
pengguna I-TUJUAN
, I-TUJUAN
diagram I-TUJUAN
use I-TUJUAN
case I-TUJUAN
, I-TUJUAN
diagram I-TUJUAN
aktivitas I-TUJUAN
, I-TUJUAN
basis I-TUJUAN
data I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
antarmuka I-TUJUAN
dari I-TUJUAN
sistem I-TUJUAN
usulan. I-TUJUAN
2 O
Implementasi O
yang O
dilakukan O
berdasarkan O
hasil O
rancangan O
telah O
menghasilkan O
sistem O
pemesanan O
di O
kantin. O
Implementasi O
pembangunan O
telah O
dilakukan O
menggunakan O
metode B-METODE
SDLC I-METODE
dengan I-METODE
pendekatan I-METODE
waterfall. I-METODE
3 O
Sistem O
yang O
dibangun O
telah O
diuji O
dan O
dilakukan O
evaluasi O
menggunakan O
black O
box O
testing O
, O
system O
usability O
scale O
, O
system O
usability O
questionnaire. O
dan O
post-study O
Berdasarkan O
secara O
evaluasi O
keseluruhan O
sistem O
yang O
dibangun O
dapat O
diterima O
dengan O
baik O
oleh O
pengguna. O
didapatkan O
hasil O
[ O
14 O
] O
[ O
15 O
] O
[ O
16 O
] O
[ O
17 O
] O
[ O
18 O
] O
[ O
19 O
] O
[ O
20 O
] O
[ O
21 O
] O
B O
Saran O
Terdapat O
beberapa O
saran O
yang O
mungkin O
berguna O
untuk O
penelitian O
atau O
pengembangan O
sistem O
selanjutnya. O
1 O
Melakukan O
redesign O
tampilan O
halaman O
antarmuka O
pengguna O
sehingga O
pengguna O
dapat O
lebih O
nyaman O
dalam O
menggunakan O
aplikasi. O
terhadap O
2 O
Mengembangkan O
chatbot O
pada O
fitur O
chat O
penjual O
dan O
mengintegrasikan O
dengan O
teknologi O
natural O
language O
, O
sehingga O
jawaban O
yang O
diberikan O
oleh O
fitur O
chatbot O
yang O
sudah O
dibuat O
dapat O
lebih O
akurat. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Pembangunan O
Sistem O
Informasi O
E-Canteen O
Berbasis O
Web O
Mobile O
di O
Politeknik O
Statistika O
STIS O
Erik O
Rihendri O
Candra O
Adifa O
( O
221810270 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
SST O
, O
MT O
Permasalahan O
umum O
yang O
ditemukan O
di O
kantin O
Politeknik O
Statistika O
STIS O
diantaranya O
waktu O
tunggu O
antrean O
yang O
cukup O
lama O
, O
ketersediaan O
stok O
makanan O
terbatas O
, O
dan O
kebutuhan O
rekapitulasi O
penjualan O
yang O
akurat. O
Arahan O
digitalisasi O
UMKM O
oleh O
pemerintah O
memberikan O
peluang O
bagi O
Politeknik O
Statistika O
STIS O
untuk O
mengubah O
sistem O
kantin O
menjadi O
terdigitalisasi. O
Sistem B-TUJUAN
yang I-TUJUAN
dibangun I-TUJUAN
memungkinkan I-TUJUAN
pembeli I-TUJUAN
untuk I-TUJUAN
mengetahui I-TUJUAN
informasi I-TUJUAN
ketersediaan I-TUJUAN
menu I-TUJUAN
dan I-TUJUAN
melakukan I-TUJUAN
pememesan I-TUJUAN
menu I-TUJUAN
makan I-TUJUAN
sebelum I-TUJUAN
tiba I-TUJUAN
di I-TUJUAN
kantin. I-TUJUAN
Pembeli O
juga O
dapat O
memberikan O
penilaian O
dan O
saran O
baik O
terhadap O
menu O
makanan O
dan O
pelayanan O
sebagai O
bahan O
masukan O
atau O
evaluasi. O
Dari O
sisi O
penjual O
juga O
memperoleh O
keuntungan O
dengan O
adanya O
rekapitulasi O
dan O
statistik O
penjualan O
secara O
otomatis. O
Metode O
pembangunan O
sistem O
yang O
digunakan O
adalah O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
pendekatan I-METODE
Waterfall. I-METODE
Hasil B-TEMUAN
pengujian I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
semua I-TEMUAN
fungsi I-TEMUAN
yang I-TEMUAN
diharapkan I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Skor I-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
berada I-TEMUAN
di I-TEMUAN
angka I-TEMUAN
74,64 I-TEMUAN
yang I-TEMUAN
menunjukkan I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Hasil I-TEMUAN
pengujian I-TEMUAN
Post-Study I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Questionnaire I-TEMUAN
( I-TEMUAN
PSSUQ I-TEMUAN
) I-TEMUAN
juga I-TEMUAN
menunjukkan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
baik I-TEMUAN
pada I-TEMUAN
indikator I-TEMUAN
system I-TEMUAN
usefulness I-TEMUAN
, I-TEMUAN
information I-TEMUAN
quality I-TEMUAN
dan I-TEMUAN
overall I-TEMUAN
satisfaction. I-TEMUAN
Kata O
Kunci—E-Canteen O
, O
SDLC O
Waterfall O
, O
Black O
box O
, O
SUS O
, O
PSSUQ. O
[SEP] O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
Kesimpulan O
yang O
diperoleh O
dari O
hasil O
penelitian O
[ O
13 O
] O
mengenai O
pemesanan O
di O
kantin O
adalah O
sebagai O
berikut. O
1 O
Telah B-TUJUAN
dirancang I-TUJUAN
sistem I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
melakukan I-TUJUAN
proses I-TUJUAN
pemesanan I-TUJUAN
, I-TUJUAN
rekapitulasi I-TUJUAN
penjualan I-TUJUAN
dan I-TUJUAN
penilaian. I-TUJUAN
Perancangan I-TUJUAN
meliputi I-TUJUAN
proses I-TUJUAN
bisnis I-TUJUAN
, I-TUJUAN
penggolongan I-TUJUAN
pengguna I-TUJUAN
, I-TUJUAN
diagram I-TUJUAN
use I-TUJUAN
case I-TUJUAN
, I-TUJUAN
diagram I-TUJUAN
aktivitas I-TUJUAN
, I-TUJUAN
basis I-TUJUAN
data I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
antarmuka I-TUJUAN
dari I-TUJUAN
sistem I-TUJUAN
usulan. I-TUJUAN
2 O
Implementasi O
yang O
dilakukan O
berdasarkan O
hasil O
rancangan O
telah O
menghasilkan O
sistem O
pemesanan O
di O
kantin. O
Implementasi O
pembangunan O
telah O
dilakukan O
menggunakan O
metode B-METODE
SDLC I-METODE
dengan I-METODE
pendekatan I-METODE
waterfall. I-METODE
3 O
Sistem O
yang O
dibangun O
telah O
diuji O
dan O
dilakukan O
evaluasi O
menggunakan O
black O
box O
testing O
, O
system O
usability O
scale O
, O
system O
usability O
questionnaire. O
dan O
post-study O
Berdasarkan O
secara O
evaluasi O
keseluruhan O
sistem O
yang O
dibangun O
dapat O
diterima O
dengan O
baik O
oleh O
pengguna. O
didapatkan O
hasil O
[ O
14 O
] O
[ O
15 O
] O
[ O
16 O
] O
[ O
17 O
] O
[ O
18 O
] O
[ O
19 O
] O
[ O
20 O
] O
[ O
21 O
] O
B O
Saran O
Terdapat O
beberapa O
saran O
yang O
mungkin O
berguna O
untuk O
penelitian O
atau O
pengembangan O
sistem O
selanjutnya. O
1 O
Melakukan O
redesign O
tampilan O
halaman O
antarmuka O
pengguna O
sehingga O
pengguna O
dapat O
lebih O
nyaman O
dalam O
menggunakan O
aplikasi. O
terhadap O
2 O
Mengembangkan O
chatbot O
pada O
fitur O
chat O
penjual O
dan O
mengintegrasikan O
dengan O
teknologi O
natural O
language O
, O
sehingga O
jawaban O
yang O
diberikan O
oleh O
fitur O
chatbot O
yang O
sudah O
dibuat O
dapat O
lebih O
akurat. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Pembangunan O
Sistem O
Informasi O
E-Canteen O
Berbasis O
Web O
Mobile O
di O
Politeknik O
Statistika O
STIS O
Erik O
Rihendri O
Candra O
Adifa O
( O
221810270 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
SST O
, O
MT O
Permasalahan O
umum O
yang O
ditemukan O
di O
kantin O
Politeknik O
Statistika O
STIS O
diantaranya O
waktu O
tunggu O
antrean O
yang O
cukup O
lama O
, O
ketersediaan O
stok O
makanan O
terbatas O
, O
dan O
kebutuhan O
rekapitulasi O
penjualan O
yang O
akurat. O
Arahan O
digitalisasi O
UMKM O
oleh O
pemerintah O
memberikan O
peluang O
bagi O
Politeknik O
Statistika O
STIS O
untuk O
mengubah O
sistem O
kantin O
menjadi O
terdigitalisasi. O
Sistem B-TUJUAN
yang I-TUJUAN
dibangun I-TUJUAN
memungkinkan I-TUJUAN
pembeli I-TUJUAN
untuk I-TUJUAN
mengetahui I-TUJUAN
informasi I-TUJUAN
ketersediaan I-TUJUAN
menu I-TUJUAN
dan I-TUJUAN
melakukan I-TUJUAN
pememesan I-TUJUAN
menu I-TUJUAN
makan I-TUJUAN
sebelum I-TUJUAN
tiba I-TUJUAN
di I-TUJUAN
kantin. I-TUJUAN
Pembeli O
juga O
dapat O
memberikan O
penilaian O
dan O
saran O
baik O
terhadap O
menu O
makanan O
dan O
pelayanan O
sebagai O
bahan O
masukan O
atau O
evaluasi. O
Dari O
sisi O
penjual O
juga O
memperoleh O
keuntungan O
dengan O
adanya O
rekapitulasi O
dan O
statistik O
penjualan O
secara O
otomatis. O
Metode O
pembangunan O
sistem O
yang O
digunakan O
adalah O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
pendekatan I-METODE
Waterfall. I-METODE
Hasil B-TEMUAN
pengujian I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
semua I-TEMUAN
fungsi I-TEMUAN
yang I-TEMUAN
diharapkan I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Skor I-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
berada I-TEMUAN
di I-TEMUAN
angka I-TEMUAN
74,64 I-TEMUAN
yang I-TEMUAN
menunjukkan I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Hasil I-TEMUAN
pengujian I-TEMUAN
Post-Study I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Questionnaire I-TEMUAN
( I-TEMUAN
PSSUQ I-TEMUAN
) I-TEMUAN
juga I-TEMUAN
menunjukkan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
baik I-TEMUAN
pada I-TEMUAN
indikator I-TEMUAN
system I-TEMUAN
usefulness I-TEMUAN
, I-TEMUAN
information I-TEMUAN
quality I-TEMUAN
dan I-TEMUAN
overall I-TEMUAN
satisfaction. I-TEMUAN
Kata O
Kunci—E-Canteen O
, O
SDLC O
Waterfall O
, O
Black O
box O
, O
SUS O
, O
PSSUQ. O
[SEP] O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
Kesimpulan O
yang O
diperoleh O
dari O
hasil O
penelitian O
[ O
13 O
] O
mengenai O
pemesanan O
di O
kantin O
adalah O
sebagai O
berikut. O
1 O
Telah B-TUJUAN
dirancang I-TUJUAN
sistem I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
melakukan I-TUJUAN
proses I-TUJUAN
pemesanan I-TUJUAN
, I-TUJUAN
rekapitulasi I-TUJUAN
penjualan I-TUJUAN
dan I-TUJUAN
penilaian. I-TUJUAN
Perancangan I-TUJUAN
meliputi I-TUJUAN
proses I-TUJUAN
bisnis I-TUJUAN
, I-TUJUAN
penggolongan I-TUJUAN
pengguna I-TUJUAN
, I-TUJUAN
diagram I-TUJUAN
use I-TUJUAN
case I-TUJUAN
, I-TUJUAN
diagram I-TUJUAN
aktivitas I-TUJUAN
, I-TUJUAN
basis I-TUJUAN
data I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
antarmuka I-TUJUAN
dari I-TUJUAN
sistem I-TUJUAN
usulan. I-TUJUAN
2 O
Implementasi O
yang O
dilakukan O
berdasarkan O
hasil O
rancangan O
telah O
menghasilkan O
sistem O
pemesanan O
di O
kantin. O
Implementasi O
pembangunan O
telah O
dilakukan O
menggunakan O
metode B-METODE
SDLC I-METODE
dengan I-METODE
pendekatan I-METODE
waterfall. I-METODE
3 O
Sistem O
yang O
dibangun O
telah O
diuji O
dan O
dilakukan O
evaluasi O
menggunakan O
black O
box O
testing O
, O
system O
usability O
scale O
, O
system O
usability O
questionnaire. O
dan O
post-study O
Berdasarkan O
secara O
evaluasi O
keseluruhan O
sistem O
yang O
dibangun O
dapat O
diterima O
dengan O
baik O
oleh O
pengguna. O
didapatkan O
hasil O
[ O
14 O
] O
[ O
15 O
] O
[ O
16 O
] O
[ O
17 O
] O
[ O
18 O
] O
[ O
19 O
] O
[ O
20 O
] O
[ O
21 O
] O
B O
Saran O
Terdapat O
beberapa O
saran O
yang O
mungkin O
berguna O
untuk O
penelitian O
atau O
pengembangan O
sistem O
selanjutnya. O
1 O
Melakukan O
redesign O
tampilan O
halaman O
antarmuka O
pengguna O
sehingga O
pengguna O
dapat O
lebih O
nyaman O
dalam O
menggunakan O
aplikasi. O
terhadap O
2 O
Mengembangkan O
chatbot O
pada O
fitur O
chat O
penjual O
dan O
mengintegrasikan O
dengan O
teknologi O
natural O
language O
, O
sehingga O
jawaban O
yang O
diberikan O
oleh O
fitur O
chatbot O
yang O
sudah O
dibuat O
dapat O
lebih O
akurat. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Pembangunan O
Sistem O
Informasi O
E-Canteen O
Berbasis O
Web O
Mobile O
di O
Politeknik O
Statistika O
STIS O
Erik O
Rihendri O
Candra O
Adifa O
( O
221810270 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
SST O
, O
MT O
Permasalahan O
umum O
yang O
ditemukan O
di O
kantin O
Politeknik O
Statistika O
STIS O
diantaranya O
waktu O
tunggu O
antrean O
yang O
cukup O
lama O
, O
ketersediaan O
stok O
makanan O
terbatas O
, O
dan O
kebutuhan O
rekapitulasi O
penjualan O
yang O
akurat. O
Arahan O
digitalisasi O
UMKM O
oleh O
pemerintah O
memberikan O
peluang O
bagi O
Politeknik O
Statistika O
STIS O
untuk O
mengubah O
sistem O
kantin O
menjadi O
terdigitalisasi. O
Sistem B-TUJUAN
yang I-TUJUAN
dibangun I-TUJUAN
memungkinkan I-TUJUAN
pembeli I-TUJUAN
untuk I-TUJUAN
mengetahui I-TUJUAN
informasi I-TUJUAN
ketersediaan I-TUJUAN
menu I-TUJUAN
dan I-TUJUAN
melakukan I-TUJUAN
pememesan I-TUJUAN
menu I-TUJUAN
makan I-TUJUAN
sebelum I-TUJUAN
tiba I-TUJUAN
di I-TUJUAN
kantin. I-TUJUAN
Pembeli O
juga O
dapat O
memberikan O
penilaian O
dan O
saran O
baik O
terhadap O
menu O
makanan O
dan O
pelayanan O
sebagai O
bahan O
masukan O
atau O
evaluasi. O
Dari O
sisi O
penjual O
juga O
memperoleh O
keuntungan O
dengan O
adanya O
rekapitulasi O
dan O
statistik O
penjualan O
secara O
otomatis. O
Metode O
pembangunan O
sistem O
yang O
digunakan O
adalah O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
pendekatan I-METODE
Waterfall. I-METODE
Hasil B-TEMUAN
pengujian I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
semua I-TEMUAN
fungsi I-TEMUAN
yang I-TEMUAN
diharapkan I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Skor I-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
berada I-TEMUAN
di I-TEMUAN
angka I-TEMUAN
74,64 I-TEMUAN
yang I-TEMUAN
menunjukkan I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Hasil I-TEMUAN
pengujian I-TEMUAN
Post-Study I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Questionnaire I-TEMUAN
( I-TEMUAN
PSSUQ I-TEMUAN
) I-TEMUAN
juga I-TEMUAN
menunjukkan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
baik I-TEMUAN
pada I-TEMUAN
indikator I-TEMUAN
system I-TEMUAN
usefulness I-TEMUAN
, I-TEMUAN
information I-TEMUAN
quality I-TEMUAN
dan I-TEMUAN
overall I-TEMUAN
satisfaction. I-TEMUAN
Kata O
Kunci—E-Canteen O
, O
SDLC O
Waterfall O
, O
Black O
box O
, O
SUS O
, O
PSSUQ. O
[SEP] O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
Kesimpulan O
yang O
diperoleh O
dari O
hasil O
penelitian O
[ O
13 O
] O
mengenai O
pemesanan O
di O
kantin O
adalah O
sebagai O
berikut. O
1 O
Telah B-TUJUAN
dirancang I-TUJUAN
sistem I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
melakukan I-TUJUAN
proses I-TUJUAN
pemesanan I-TUJUAN
, I-TUJUAN
rekapitulasi I-TUJUAN
penjualan I-TUJUAN
dan I-TUJUAN
penilaian. I-TUJUAN
Perancangan I-TUJUAN
meliputi I-TUJUAN
proses I-TUJUAN
bisnis I-TUJUAN
, I-TUJUAN
penggolongan I-TUJUAN
pengguna I-TUJUAN
, I-TUJUAN
diagram I-TUJUAN
use I-TUJUAN
case I-TUJUAN
, I-TUJUAN
diagram I-TUJUAN
aktivitas I-TUJUAN
, I-TUJUAN
basis I-TUJUAN
data I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
antarmuka I-TUJUAN
dari I-TUJUAN
sistem I-TUJUAN
usulan. I-TUJUAN
2 O
Implementasi O
yang O
dilakukan O
berdasarkan O
hasil O
rancangan O
telah O
menghasilkan O
sistem O
pemesanan O
di O
kantin. O
Implementasi O
pembangunan O
telah O
dilakukan O
menggunakan O
metode B-METODE
SDLC I-METODE
dengan I-METODE
pendekatan I-METODE
waterfall. I-METODE
3 O
Sistem O
yang O
dibangun O
telah O
diuji O
dan O
dilakukan O
evaluasi O
menggunakan O
black O
box O
testing O
, O
system O
usability O
scale O
, O
system O
usability O
questionnaire. O
dan O
post-study O
Berdasarkan O
secara O
evaluasi O
keseluruhan O
sistem O
yang O
dibangun O
dapat O
diterima O
dengan O
baik O
oleh O
pengguna. O
didapatkan O
hasil O
[ O
14 O
] O
[ O
15 O
] O
[ O
16 O
] O
[ O
17 O
] O
[ O
18 O
] O
[ O
19 O
] O
[ O
20 O
] O
[ O
21 O
] O
B O
Saran O
Terdapat O
beberapa O
saran O
yang O
mungkin O
berguna O
untuk O
penelitian O
atau O
pengembangan O
sistem O
selanjutnya. O
1 O
Melakukan O
redesign O
tampilan O
halaman O
antarmuka O
pengguna O
sehingga O
pengguna O
dapat O
lebih O
nyaman O
dalam O
menggunakan O
aplikasi. O
terhadap O
2 O
Mengembangkan O
chatbot O
pada O
fitur O
chat O
penjual O
dan O
mengintegrasikan O
dengan O
teknologi O
natural O
language O
, O
sehingga O
jawaban O
yang O
diberikan O
oleh O
fitur O
chatbot O
yang O
sudah O
dibuat O
dapat O
lebih O
akurat. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Pembangunan O
Sistem O
Informasi O
E-Canteen O
Berbasis O
Web O
Mobile O
di O
Politeknik O
Statistika O
STIS O
Erik O
Rihendri O
Candra O
Adifa O
( O
221810270 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
SST O
, O
MT O
Permasalahan O
umum O
yang O
ditemukan O
di O
kantin O
Politeknik O
Statistika O
STIS O
diantaranya O
waktu O
tunggu O
antrean O
yang O
cukup O
lama O
, O
ketersediaan O
stok O
makanan O
terbatas O
, O
dan O
kebutuhan O
rekapitulasi O
penjualan O
yang O
akurat. O
Arahan O
digitalisasi O
UMKM O
oleh O
pemerintah O
memberikan O
peluang O
bagi O
Politeknik O
Statistika O
STIS O
untuk O
mengubah O
sistem O
kantin O
menjadi O
terdigitalisasi. O
Sistem B-TUJUAN
yang I-TUJUAN
dibangun I-TUJUAN
memungkinkan I-TUJUAN
pembeli I-TUJUAN
untuk I-TUJUAN
mengetahui I-TUJUAN
informasi I-TUJUAN
ketersediaan I-TUJUAN
menu I-TUJUAN
dan I-TUJUAN
melakukan I-TUJUAN
pememesan I-TUJUAN
menu I-TUJUAN
makan I-TUJUAN
sebelum I-TUJUAN
tiba I-TUJUAN
di I-TUJUAN
kantin. I-TUJUAN
Pembeli O
juga O
dapat O
memberikan O
penilaian O
dan O
saran O
baik O
terhadap O
menu O
makanan O
dan O
pelayanan O
sebagai O
bahan O
masukan O
atau O
evaluasi. O
Dari O
sisi O
penjual O
juga O
memperoleh O
keuntungan O
dengan O
adanya O
rekapitulasi O
dan O
statistik O
penjualan O
secara O
otomatis. O
Metode O
pembangunan O
sistem O
yang O
digunakan O
adalah O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
pendekatan I-METODE
Waterfall. I-METODE
Hasil B-TEMUAN
pengujian I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
semua I-TEMUAN
fungsi I-TEMUAN
yang I-TEMUAN
diharapkan I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Skor I-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
berada I-TEMUAN
di I-TEMUAN
angka I-TEMUAN
74,64 I-TEMUAN
yang I-TEMUAN
menunjukkan I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Hasil I-TEMUAN
pengujian I-TEMUAN
Post-Study I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Questionnaire I-TEMUAN
( I-TEMUAN
PSSUQ I-TEMUAN
) I-TEMUAN
juga I-TEMUAN
menunjukkan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
baik I-TEMUAN
pada I-TEMUAN
indikator I-TEMUAN
system I-TEMUAN
usefulness I-TEMUAN
, I-TEMUAN
information I-TEMUAN
quality I-TEMUAN
dan I-TEMUAN
overall I-TEMUAN
satisfaction. I-TEMUAN
Kata O
Kunci—E-Canteen O
, O
SDLC O
Waterfall O
, O
Black O
box O
, O
SUS O
, O
PSSUQ. O
[SEP] O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
Kesimpulan O
yang O
diperoleh O
dari O
hasil O
penelitian O
[ O
13 O
] O
mengenai O
pemesanan O
di O
kantin O
adalah O
sebagai O
berikut. O
1 O
Telah B-TUJUAN
dirancang I-TUJUAN
sistem I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
melakukan I-TUJUAN
proses I-TUJUAN
pemesanan I-TUJUAN
, I-TUJUAN
rekapitulasi I-TUJUAN
penjualan I-TUJUAN
dan I-TUJUAN
penilaian. I-TUJUAN
Perancangan I-TUJUAN
meliputi I-TUJUAN
proses I-TUJUAN
bisnis I-TUJUAN
, I-TUJUAN
penggolongan I-TUJUAN
pengguna I-TUJUAN
, I-TUJUAN
diagram I-TUJUAN
use I-TUJUAN
case I-TUJUAN
, I-TUJUAN
diagram I-TUJUAN
aktivitas I-TUJUAN
, I-TUJUAN
basis I-TUJUAN
data I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
antarmuka I-TUJUAN
dari I-TUJUAN
sistem I-TUJUAN
usulan. I-TUJUAN
2 O
Implementasi O
yang O
dilakukan O
berdasarkan O
hasil O
rancangan O
telah O
menghasilkan O
sistem O
pemesanan O
di O
kantin. O
Implementasi O
pembangunan O
telah O
dilakukan O
menggunakan O
metode B-METODE
SDLC I-METODE
dengan I-METODE
pendekatan I-METODE
waterfall. I-METODE
3 O
Sistem O
yang O
dibangun O
telah O
diuji O
dan O
dilakukan O
evaluasi O
menggunakan O
black O
box O
testing O
, O
system O
usability O
scale O
, O
system O
usability O
questionnaire. O
dan O
post-study O
Berdasarkan O
secara O
evaluasi O
keseluruhan O
sistem O
yang O
dibangun O
dapat O
diterima O
dengan O
baik O
oleh O
pengguna. O
didapatkan O
hasil O
[ O
14 O
] O
[ O
15 O
] O
[ O
16 O
] O
[ O
17 O
] O
[ O
18 O
] O
[ O
19 O
] O
[ O
20 O
] O
[ O
21 O
] O
B O
Saran O
Terdapat O
beberapa O
saran O
yang O
mungkin O
berguna O
untuk O
penelitian O
atau O
pengembangan O
sistem O
selanjutnya. O
1 O
Melakukan O
redesign O
tampilan O
halaman O
antarmuka O
pengguna O
sehingga O
pengguna O
dapat O
lebih O
nyaman O
dalam O
menggunakan O
aplikasi. O
terhadap O
2 O
Mengembangkan O
chatbot O
pada O
fitur O
chat O
penjual O
dan O
mengintegrasikan O
dengan O
teknologi O
natural O
language O
, O
sehingga O
jawaban O
yang O
diberikan O
oleh O
fitur O
chatbot O
yang O
sudah O
dibuat O
dapat O
lebih O
akurat. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Pemanfaatan O
Citra O
Jalan O
dengan O
Google O
Street O
View O
dalam O
Melihat O
Ruang O
Terbuka O
Hijau O
dan O
Hubungannya O
dengan O
Tingkat O
Kemiskinan O
( O
Studi O
Kasus O
pada O
Kota O
Bandung O
) O
Emir O
Luthfi O
( O
221810266 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Setia O
Pramana O
, O
Ph.D O
Ringkasan— O
Penggunaan O
citra O
jalan O
memiliki O
banyak O
manfaat O
dengan O
sumbernya O
yang O
populer O
yaitu O
Google O
Street O
View O
( O
GSV O
) O
. O
Dengan O
salah O
satu O
metode O
pengolahannya O
menggunakan O
segmentasi B-METODE
semantik I-METODE
yang O
dapat O
mengklasifikasikan O
setiap O
piksel O
sesuai O
dengan O
kategori O
dari O
model O
pre-trained O
PSPNet O
yang O
digunakan. O
Green O
View O
Index O
( O
GVI O
) O
menjadi O
salah O
satu O
trend O
penelitian O
segmentasi O
semantik O
dalam O
melihat O
Ruang O
Terbuka O
Hijau O
berdasarkan O
persepsi O
manusia O
dari O
suatu O
daerah. O
RTH O
memberikan O
daya O
tarik O
lebih O
kepada O
penduduk O
yang O
tinggal O
di O
sekitarnya. O
GVI O
yang O
diperoleh O
dapat O
menangkap O
RTH O
yang O
lebih O
tinggi O
dibandingkan O
data O
RTH O
Kota O
Bandung O
yang O
memberikan O
nilai O
dengan O
rata-rata O
22,5 O
% O
. O
Selain O
itu O
, O
Facebook O
Relatif O
Wealth O
Index O
( O
RWI O
) O
sebagai O
indikator O
geospatial O
big O
data O
juga O
digunakan O
dalam O
melihat O
hubungan O
dengan O
tingkat O
kemiskinan. O
Persentase O
penduduk O
miskin O
digunakan O
sebagai O
tingkat O
kemiskinan. O
Dalam O
menggambarkan O
pendekatan O
pengaruh O
antar O
variabel O
dilakukan O
dengan O
analisis B-METODE
regresi I-METODE
spasial I-METODE
dengan O
model O
regresi O
Spatial O
Autoregressive O
( O
SAR O
) O
yang O
lebih O
baik O
daripada O
regresi O
OLS O
pada O
model O
yang O
digunakan. O
GVI O
memiliki O
hubungan O
yang O
negatif O
terhadap O
tingkat O
kemiskinan O
, O
sedangkan O
RWI O
tidak O
berpengaruh O
signifikan O
terhadapnya. O
Kata O
Kunci— O
Citra O
Jalan O
, O
Segmentasi O
Semantik O
, O
GVI O
, O
RWI O
, O
Tingkat O
Kemiskinan. O
[SEP] O
- O
Green O
View O
Index O
( O
GVI O
) O
yang O
dihasilkan O
dalam O
menangkap B-TUJUAN
Ruang I-TUJUAN
Terbuka I-TUJUAN
Hijau I-TUJUAN
( I-TUJUAN
RTH I-TUJUAN
) I-TUJUAN
berdasarkan I-TUJUAN
citra I-TUJUAN
jalan I-TUJUAN
Google I-TUJUAN
Street I-TUJUAN
View I-TUJUAN
( I-TUJUAN
GSV I-TUJUAN
) I-TUJUAN
dengan I-TUJUAN
tahun I-TUJUAN
referensi I-TUJUAN
akhir I-TUJUAN
2021 I-TUJUAN
pada I-TUJUAN
kota I-TUJUAN
Bandung I-TUJUAN
menghasilkan O
GVI B-TEMUAN
dengan I-TEMUAN
rata-rata I-TEMUAN
sebesar I-TEMUAN
22,48 I-TEMUAN
% I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
menangkap I-TEMUAN
kekosongan I-TEMUAN
pada I-TEMUAN
data I-TEMUAN
RTH I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
pada I-TEMUAN
tahun I-TEMUAN
2020 I-TEMUAN
hanya I-TEMUAN
sebesar I-TEMUAN
12,25 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
- O
GVI O
memiliki O
hubungan O
yang O
negatif O
dan O
signifikan O
terhadap O
persentase O
penduduk O
miskin O
yang O
sesuai O
dengan O
hasil O
penelitian O
sebelumnya O
dengan O
asumsi O
bahwa O
daerah O
yang O
hijau O
banyak O
ditinggali O
oleh O
orang-orang O
yang O
berpenghasilan O
tinggi. O
- O
Relative O
Wealth O
Index O
( O
RWI O
) O
yang O
dihasilkan O
oleh O
Facebook O
sebagai O
estimasi O
kemiskinan O
multidimensional O
memiliki O
hubungan O
atau O
pengaruh O
yang O
tidak O
signifikan O
terhadap O
persentase O
penduduk O
miskin O
pada O
kota O
Bandung O
karena O
RWI O
yang O
memandang O
kemiskinan O
dari O
segi O
infrastruktur O
pelayanan O
yang O
tersedia O
dan O
kesejahteraan O
yang O
berbeda O
dengan O
persentase O
penduduk O
miskin. O
2. O
Saran O
- O
Bagi O
pemerintah O
, O
terkhususnya O
dinas O
DPKP3 O
untuk O
melakukan O
pembaruan O
data O
RTH O
secara O
lengkap O
sehingga O
dapat O
dibandingkan O
secara O
lebih O
riil O
dengan O
kajian O
GVI O
maupun O
hasil O
pengolahan O
potensi O
big O
data O
RTH O
lainya. O
- O
Bagi O
penjual O
properti O
, O
dapat O
mempertimbangkan O
lokasi O
penjualan O
properti O
yang O
mereka O
dengan O
tingkat O
kehijauan O
untuk O
meningkatkan O
daya O
beli. O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
- O
Pada O
penelitian O
selanjutnya O
, O
teknik O
pengolahan O
dapat O
dievaluasi O
lebih O
baik O
lagi O
dan O
dapat O
digunakan O
untuk O
melihat O
karakteristik O
lingkungan O
lainnya O
, O
seperti O
bangunan O
, O
kondisi O
jalan O
, O
dan O
lain-lain. O
Beijing O
, O
” O
ISPRS O
Int. O
J. O
Geo-Information O
, O
vol. O
7 O
, O
no. O
3 O
, O
2018. O
[ O
13 O
] O
M. O
Taqwa O
and O
A. O
Taufik O
, O
Statistika O
dengan O
R. O
Yogyakarta O
: O
Deepublish O
, O
2019. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O

Pemanfaatan O
Citra O
Jalan O
dengan O
Google O
Street O
View O
dalam O
Melihat O
Ruang O
Terbuka O
Hijau O
dan O
Hubungannya O
dengan O
Tingkat O
Kemiskinan O
( O
Studi O
Kasus O
pada O
Kota O
Bandung O
) O
Emir O
Luthfi O
( O
221810266 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Setia O
Pramana O
, O
Ph.D O
Ringkasan— O
Penggunaan O
citra O
jalan O
memiliki O
banyak O
manfaat O
dengan O
sumbernya O
yang O
populer O
yaitu O
Google O
Street O
View O
( O
GSV O
) O
. O
Dengan O
salah O
satu O
metode O
pengolahannya O
menggunakan O
segmentasi B-METODE
semantik I-METODE
yang O
dapat O
mengklasifikasikan O
setiap O
piksel O
sesuai O
dengan O
kategori O
dari O
model O
pre-trained O
PSPNet O
yang O
digunakan. O
Green O
View O
Index O
( O
GVI O
) O
menjadi O
salah O
satu O
trend O
penelitian O
segmentasi O
semantik O
dalam O
melihat O
Ruang O
Terbuka O
Hijau O
berdasarkan O
persepsi O
manusia O
dari O
suatu O
daerah. O
RTH O
memberikan O
daya O
tarik O
lebih O
kepada O
penduduk O
yang O
tinggal O
di O
sekitarnya. O
GVI O
yang O
diperoleh O
dapat O
menangkap O
RTH O
yang O
lebih O
tinggi O
dibandingkan O
data O
RTH O
Kota O
Bandung O
yang O
memberikan O
nilai O
dengan O
rata-rata O
22,5 O
% O
. O
Selain O
itu O
, O
Facebook O
Relatif O
Wealth O
Index O
( O
RWI O
) O
sebagai O
indikator O
geospatial O
big O
data O
juga O
digunakan O
dalam O
melihat O
hubungan O
dengan O
tingkat O
kemiskinan. O
Persentase O
penduduk O
miskin O
digunakan O
sebagai O
tingkat O
kemiskinan. O
Dalam O
menggambarkan O
pendekatan O
pengaruh O
antar O
variabel O
dilakukan O
dengan O
analisis B-METODE
regresi I-METODE
spasial I-METODE
dengan O
model O
regresi O
Spatial O
Autoregressive O
( O
SAR O
) O
yang O
lebih O
baik O
daripada O
regresi O
OLS O
pada O
model O
yang O
digunakan. O
GVI O
memiliki O
hubungan O
yang O
negatif O
terhadap O
tingkat O
kemiskinan O
, O
sedangkan O
RWI O
tidak O
berpengaruh O
signifikan O
terhadapnya. O
Kata O
Kunci— O
Citra O
Jalan O
, O
Segmentasi O
Semantik O
, O
GVI O
, O
RWI O
, O
Tingkat O
Kemiskinan. O
[SEP] O
- O
Green O
View O
Index O
( O
GVI O
) O
yang O
dihasilkan O
dalam O
menangkap B-TUJUAN
Ruang I-TUJUAN
Terbuka I-TUJUAN
Hijau I-TUJUAN
( I-TUJUAN
RTH I-TUJUAN
) I-TUJUAN
berdasarkan I-TUJUAN
citra I-TUJUAN
jalan I-TUJUAN
Google I-TUJUAN
Street I-TUJUAN
View I-TUJUAN
( I-TUJUAN
GSV I-TUJUAN
) I-TUJUAN
dengan I-TUJUAN
tahun I-TUJUAN
referensi I-TUJUAN
akhir I-TUJUAN
2021 I-TUJUAN
pada I-TUJUAN
kota I-TUJUAN
Bandung I-TUJUAN
menghasilkan O
GVI B-TEMUAN
dengan I-TEMUAN
rata-rata I-TEMUAN
sebesar I-TEMUAN
22,48 I-TEMUAN
% I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
menangkap I-TEMUAN
kekosongan I-TEMUAN
pada I-TEMUAN
data I-TEMUAN
RTH I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
pada I-TEMUAN
tahun I-TEMUAN
2020 I-TEMUAN
hanya I-TEMUAN
sebesar I-TEMUAN
12,25 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
- O
GVI O
memiliki O
hubungan O
yang O
negatif O
dan O
signifikan O
terhadap O
persentase O
penduduk O
miskin O
yang O
sesuai O
dengan O
hasil O
penelitian O
sebelumnya O
dengan O
asumsi O
bahwa O
daerah O
yang O
hijau O
banyak O
ditinggali O
oleh O
orang-orang O
yang O
berpenghasilan O
tinggi. O
- O
Relative O
Wealth O
Index O
( O
RWI O
) O
yang O
dihasilkan O
oleh O
Facebook O
sebagai O
estimasi O
kemiskinan O
multidimensional O
memiliki O
hubungan O
atau O
pengaruh O
yang O
tidak O
signifikan O
terhadap O
persentase O
penduduk O
miskin O
pada O
kota O
Bandung O
karena O
RWI O
yang O
memandang O
kemiskinan O
dari O
segi O
infrastruktur O
pelayanan O
yang O
tersedia O
dan O
kesejahteraan O
yang O
berbeda O
dengan O
persentase O
penduduk O
miskin. O
2. O
Saran O
- O
Bagi O
pemerintah O
, O
terkhususnya O
dinas O
DPKP3 O
untuk O
melakukan O
pembaruan O
data O
RTH O
secara O
lengkap O
sehingga O
dapat O
dibandingkan O
secara O
lebih O
riil O
dengan O
kajian O
GVI O
maupun O
hasil O
pengolahan O
potensi O
big O
data O
RTH O
lainya. O
- O
Bagi O
penjual O
properti O
, O
dapat O
mempertimbangkan O
lokasi O
penjualan O
properti O
yang O
mereka O
dengan O
tingkat O
kehijauan O
untuk O
meningkatkan O
daya O
beli. O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
- O
Pada O
penelitian O
selanjutnya O
, O
teknik O
pengolahan O
dapat O
dievaluasi O
lebih O
baik O
lagi O
dan O
dapat O
digunakan O
untuk O
melihat O
karakteristik O
lingkungan O
lainnya O
, O
seperti O
bangunan O
, O
kondisi O
jalan O
, O
dan O
lain-lain. O
Beijing O
, O
” O
ISPRS O
Int. O
J. O
Geo-Information O
, O
vol. O
7 O
, O
no. O
3 O
, O
2018. O
[ O
13 O
] O
M. O
Taqwa O
and O
A. O
Taufik O
, O
Statistika O
dengan O
R. O
Yogyakarta O
: O
Deepublish O
, O
2019. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O

Pemanfaatan O
Citra O
Jalan O
dengan O
Google O
Street O
View O
dalam O
Melihat O
Ruang O
Terbuka O
Hijau O
dan O
Hubungannya O
dengan O
Tingkat O
Kemiskinan O
( O
Studi O
Kasus O
pada O
Kota O
Bandung O
) O
Emir O
Luthfi O
( O
221810266 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Setia O
Pramana O
, O
Ph.D O
Ringkasan— O
Penggunaan O
citra O
jalan O
memiliki O
banyak O
manfaat O
dengan O
sumbernya O
yang O
populer O
yaitu O
Google O
Street O
View O
( O
GSV O
) O
. O
Dengan O
salah O
satu O
metode O
pengolahannya O
menggunakan O
segmentasi B-METODE
semantik I-METODE
yang O
dapat O
mengklasifikasikan O
setiap O
piksel O
sesuai O
dengan O
kategori O
dari O
model O
pre-trained O
PSPNet O
yang O
digunakan. O
Green O
View O
Index O
( O
GVI O
) O
menjadi O
salah O
satu O
trend O
penelitian O
segmentasi O
semantik O
dalam O
melihat O
Ruang O
Terbuka O
Hijau O
berdasarkan O
persepsi O
manusia O
dari O
suatu O
daerah. O
RTH O
memberikan O
daya O
tarik O
lebih O
kepada O
penduduk O
yang O
tinggal O
di O
sekitarnya. O
GVI O
yang O
diperoleh O
dapat O
menangkap O
RTH O
yang O
lebih O
tinggi O
dibandingkan O
data O
RTH O
Kota O
Bandung O
yang O
memberikan O
nilai O
dengan O
rata-rata O
22,5 O
% O
. O
Selain O
itu O
, O
Facebook O
Relatif O
Wealth O
Index O
( O
RWI O
) O
sebagai O
indikator O
geospatial O
big O
data O
juga O
digunakan O
dalam O
melihat O
hubungan O
dengan O
tingkat O
kemiskinan. O
Persentase O
penduduk O
miskin O
digunakan O
sebagai O
tingkat O
kemiskinan. O
Dalam O
menggambarkan O
pendekatan O
pengaruh O
antar O
variabel O
dilakukan O
dengan O
analisis B-METODE
regresi I-METODE
spasial I-METODE
dengan O
model O
regresi O
Spatial O
Autoregressive O
( O
SAR O
) O
yang O
lebih O
baik O
daripada O
regresi O
OLS O
pada O
model O
yang O
digunakan. O
GVI O
memiliki O
hubungan O
yang O
negatif O
terhadap O
tingkat O
kemiskinan O
, O
sedangkan O
RWI O
tidak O
berpengaruh O
signifikan O
terhadapnya. O
Kata O
Kunci— O
Citra O
Jalan O
, O
Segmentasi O
Semantik O
, O
GVI O
, O
RWI O
, O
Tingkat O
Kemiskinan. O
[SEP] O
- O
Green O
View O
Index O
( O
GVI O
) O
yang O
dihasilkan O
dalam O
menangkap B-TUJUAN
Ruang I-TUJUAN
Terbuka I-TUJUAN
Hijau I-TUJUAN
( I-TUJUAN
RTH I-TUJUAN
) I-TUJUAN
berdasarkan I-TUJUAN
citra I-TUJUAN
jalan I-TUJUAN
Google I-TUJUAN
Street I-TUJUAN
View I-TUJUAN
( I-TUJUAN
GSV I-TUJUAN
) I-TUJUAN
dengan I-TUJUAN
tahun I-TUJUAN
referensi I-TUJUAN
akhir I-TUJUAN
2021 I-TUJUAN
pada I-TUJUAN
kota I-TUJUAN
Bandung I-TUJUAN
menghasilkan O
GVI B-TEMUAN
dengan I-TEMUAN
rata-rata I-TEMUAN
sebesar I-TEMUAN
22,48 I-TEMUAN
% I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
menangkap I-TEMUAN
kekosongan I-TEMUAN
pada I-TEMUAN
data I-TEMUAN
RTH I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
pada I-TEMUAN
tahun I-TEMUAN
2020 I-TEMUAN
hanya I-TEMUAN
sebesar I-TEMUAN
12,25 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
- O
GVI O
memiliki O
hubungan O
yang O
negatif O
dan O
signifikan O
terhadap O
persentase O
penduduk O
miskin O
yang O
sesuai O
dengan O
hasil O
penelitian O
sebelumnya O
dengan O
asumsi O
bahwa O
daerah O
yang O
hijau O
banyak O
ditinggali O
oleh O
orang-orang O
yang O
berpenghasilan O
tinggi. O
- O
Relative O
Wealth O
Index O
( O
RWI O
) O
yang O
dihasilkan O
oleh O
Facebook O
sebagai O
estimasi O
kemiskinan O
multidimensional O
memiliki O
hubungan O
atau O
pengaruh O
yang O
tidak O
signifikan O
terhadap O
persentase O
penduduk O
miskin O
pada O
kota O
Bandung O
karena O
RWI O
yang O
memandang O
kemiskinan O
dari O
segi O
infrastruktur O
pelayanan O
yang O
tersedia O
dan O
kesejahteraan O
yang O
berbeda O
dengan O
persentase O
penduduk O
miskin. O
2. O
Saran O
- O
Bagi O
pemerintah O
, O
terkhususnya O
dinas O
DPKP3 O
untuk O
melakukan O
pembaruan O
data O
RTH O
secara O
lengkap O
sehingga O
dapat O
dibandingkan O
secara O
lebih O
riil O
dengan O
kajian O
GVI O
maupun O
hasil O
pengolahan O
potensi O
big O
data O
RTH O
lainya. O
- O
Bagi O
penjual O
properti O
, O
dapat O
mempertimbangkan O
lokasi O
penjualan O
properti O
yang O
mereka O
dengan O
tingkat O
kehijauan O
untuk O
meningkatkan O
daya O
beli. O
7 O
/ O
8 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
- O
Pada O
penelitian O
selanjutnya O
, O
teknik O
pengolahan O
dapat O
dievaluasi O
lebih O
baik O
lagi O
dan O
dapat O
digunakan O
untuk O
melihat O
karakteristik O
lingkungan O
lainnya O
, O
seperti O
bangunan O
, O
kondisi O
jalan O
, O
dan O
lain-lain. O
Beijing O
, O
” O
ISPRS O
Int. O
J. O
Geo-Information O
, O
vol. O
7 O
, O
no. O
3 O
, O
2018. O
[ O
13 O
] O
M. O
Taqwa O
and O
A. O
Taufik O
, O
Statistika O
dengan O
R. O
Yogyakarta O
: O
Deepublish O
, O
2019. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O

Analisis O
Respons O
Publik O
Terhadap O
Pinjaman O
Online O
di O
Indonesia O
Melalui O
Data O
Twitter O
Selama O
Pandemi O
Covid-19 O
Elsa O
Kartika O
Vitriani O
Marpaung O
( O
221810262 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Nucke O
Widowati O
Kusumo O
Projo O
S.Si O
, O
M.Sc O
, O
Ph.D O
Ringkasan— O
Pinjaman O
online O
merupakan O
produk O
keuangan O
berbasis O
digital O
yang O
diharapkan O
pemerintah O
dapat O
bertumbuh O
sebagai O
alternatif O
sumber O
pembiayaan O
baru O
bagi O
masyarakat. O
Pada O
tahun O
2020 O
, O
terjadinya O
pandemi O
covid-19 O
mengakibatkan O
melemahnya O
ekonomi O
masyarakat O
sehingga O
permintaan O
akan O
pinjaman O
online O
meningkat. O
Dengan O
memanfaatkan O
data O
dari O
media O
sosial O
Twitter O
, O
penelitian O
ini O
bertujuan O
untuk O
mendapatkan B-TUJUAN
informasi I-TUJUAN
mengenai I-TUJUAN
pandangan I-TUJUAN
masyarakat I-TUJUAN
terhadap I-TUJUAN
pinjaman I-TUJUAN
online I-TUJUAN
di I-TUJUAN
Indonesia I-TUJUAN
selama I-TUJUAN
pandemi I-TUJUAN
covid-19 I-TUJUAN
dan I-TUJUAN
topik I-TUJUAN
yang I-TUJUAN
ramai I-TUJUAN
dibicarakan I-TUJUAN
masyarakat I-TUJUAN
terkait I-TUJUAN
pinjaman I-TUJUAN
online. I-TUJUAN
Selanjutnya O
dilakukan O
analisis B-METODE
sentimen I-METODE
menggunakan O
Support O
Vector O
Machine O
( O
SVM O
) O
dan O
topic B-METODE
modelling I-METODE
menggunakan O
Latent O
Dirichlet O
Allocation O
( O
LDA O
) O
pada O
tweet O
terkait O
pinjaman O
online O
yang O
dikumpulkan O
dalam O
periode O
waktu O
2 O
Maret O
2020 O
hingga O
31 O
Desember O
2021. O
Hasil B-TEMUAN
analisis I-TEMUAN
sentimen I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
publik I-TEMUAN
khususnya I-TEMUAN
pengguna I-TEMUAN
Twitter I-TEMUAN
lebih I-TEMUAN
banyak I-TEMUAN
memberikan I-TEMUAN
respon I-TEMUAN
negatif I-TEMUAN
terhadap I-TEMUAN
pinjaman I-TEMUAN
online I-TEMUAN
selama I-TEMUAN
pandemi I-TEMUAN
covid-19. I-TEMUAN
Kemudian I-TEMUAN
terdapat I-TEMUAN
5 I-TEMUAN
topik I-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
dari I-TEMUAN
tweet I-TEMUAN
bersentimen I-TEMUAN
positif I-TEMUAN
yang I-TEMUAN
kelimanya I-TEMUAN
membicarakan I-TEMUAN
layanan I-TEMUAN
pinjaman I-TEMUAN
online I-TEMUAN
Tunaiku. I-TEMUAN
tentang O
promosi O
Sedangkan O
terdapat O
12 O
topik O
yang O
dihasilkan O
dari O
tweet O
bersentimen O
negatif O
yang O
secara O
umum O
menggambarkan O
masalah O
, O
kejahatan O
, O
serta O
keluhan O
dari O
masyarakat O
terkait O
pinjaman O
online O
ilegal. O
Kata O
Kunci— O
Pinjaman O
Online O
, O
SVM O
, O
Topic O
Modelling O
, O
LDA O
, O
Twitter. O
[SEP] O
Berdasarkan O
hasil O
pembahasan O
pada O
bab O
sebelumnya O
, O
telah O
dilakukan O
analisis O
respons O
publik O
terhadap O
pinjaman O
online O
di O
Indonesia O
melalui O
data O
twitter O
selama O
pandemic O
covid-19. O
Sehingga O
didapatkan O
kesimpulan O
sebagai O
berikut O
: O
1. O
Pandangan B-TEMUAN
masyarakat I-TEMUAN
terhadap I-TEMUAN
pinjaman I-TEMUAN
online I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
selama I-TEMUAN
pandemi I-TEMUAN
covid-19 I-TEMUAN
didominasi I-TEMUAN
dengan I-TEMUAN
respons I-TEMUAN
negatif I-TEMUAN
yang I-TEMUAN
diungkapkan I-TEMUAN
masyarakat I-TEMUAN
melalui I-TEMUAN
tweet I-TEMUAN
di I-TEMUAN
Twitter. I-TEMUAN
Analisis I-TEMUAN
sentimen I-TEMUAN
dengan I-TEMUAN
support I-TEMUAN
vector I-TEMUAN
machine I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
terdapat I-TEMUAN
98,32 I-TEMUAN
% I-TEMUAN
tweet I-TEMUAN
yang I-TEMUAN
bersentimen I-TEMUAN
negatif. I-TEMUAN
Masyarakat I-TEMUAN
terhadap I-TEMUAN
lebih I-TEMUAN
banyak I-TEMUAN
membicarakan I-TEMUAN
keluhan I-TEMUAN
pinjaman I-TEMUAN
online I-TEMUAN
ilegal I-TEMUAN
dari I-TEMUAN
pada I-TEMUAN
manfaat I-TEMUAN
dari I-TEMUAN
kehadiran I-TEMUAN
pinjaman I-TEMUAN
online I-TEMUAN
legal I-TEMUAN
di I-TEMUAN
Indonesia. I-TEMUAN
Keluhan I-TEMUAN
yang I-TEMUAN
banyak I-TEMUAN
disampaikan I-TEMUAN
masyarakat I-TEMUAN
yaitu I-TEMUAN
terkait I-TEMUAN
penipuan I-TEMUAN
bunga I-TEMUAN
pinjaman I-TEMUAN
dan I-TEMUAN
denda I-TEMUAN
yang I-TEMUAN
besar I-TEMUAN
ketika I-TEMUAN
terlambat I-TEMUAN
membayar I-TEMUAN
cicilan I-TEMUAN
, I-TEMUAN
pencurian I-TEMUAN
data I-TEMUAN
pribadi I-TEMUAN
seperti I-TEMUAN
kontak I-TEMUAN
dan I-TEMUAN
foto-foto I-TEMUAN
pribadi I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
penagihan I-TEMUAN
hutang I-TEMUAN
yang I-TEMUAN
penuh I-TEMUAN
ancaman I-TEMUAN
dan I-TEMUAN
intimidasi I-TEMUAN
dari I-TEMUAN
debt I-TEMUAN
collector. I-TEMUAN
topik O
yang O
2. O
Hasil O
dari O
analisis O
topic O
modelling O
dengan O
metode O
LDA O
pada O
tweet O
bersentimen O
positif O
diperoleh O
jumlah O
topik O
sebanyak O
5 O
topik O
dengan O
coherence O
score O
sebesar O
0,3979. O
Dari O
kelima O
topik O
pada O
tweet O
bersentimen O
ramai O
positif O
ditunjukkan O
bahwa O
dibicarakan O
adalah O
terkait O
promosi O
layanan O
pinjaman O
online O
Tunaiku. O
Kemudian O
pada O
tweet O
bersentimen O
negatif O
diperoleh O
jumlah O
topik O
sebanyak O
12 O
topik O
dengan O
coherence O
score O
sebesar O
0,4100. O
Dari O
kedua O
belas O
umum O
menggambarkan O
kerugian O
yang O
diakibatkan O
oleh O
pinjaman O
online O
ilegal O
yang O
ditunjukan O
melalui O
topik O
tentang O
pelaporan O
kejahatan O
pinjaman O
online O
ilegal O
, O
korban O
hutang O
pinjaman O
online O
, O
pencurian O
data O
dan O
nomor O
hp O
, O
dikejar-kejar O
pinjaman O
online O
, O
penipuan O
pinjaman O
online O
, O
dan O
Indonesia O
darurat O
pinjaman O
online. O
Sehingga O
secara O
keseluruhan O
, O
opini O
mengenai O
kondisi O
pinjaman O
online O
saat O
ini O
lebih O
mengarah O
ke O
bentuk O
kejahatan O
digital O
daripada O
sumber O
pendanaan O
bagi O
masyarakat. O
dihasilkan O
secara O
topik O
yang O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Analisis O
Respons O
Publik O
Terhadap O
Pinjaman O
Online O
di O
Indonesia O
Melalui O
Data O
Twitter O
Selama O
Pandemi O
Covid-19 O
Elsa O
Kartika O
Vitriani O
Marpaung O
( O
221810262 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Nucke O
Widowati O
Kusumo O
Projo O
S.Si O
, O
M.Sc O
, O
Ph.D O
Ringkasan— O
Pinjaman O
online O
merupakan O
produk O
keuangan O
berbasis O
digital O
yang O
diharapkan O
pemerintah O
dapat O
bertumbuh O
sebagai O
alternatif O
sumber O
pembiayaan O
baru O
bagi O
masyarakat. O
Pada O
tahun O
2020 O
, O
terjadinya O
pandemi O
covid-19 O
mengakibatkan O
melemahnya O
ekonomi O
masyarakat O
sehingga O
permintaan O
akan O
pinjaman O
online O
meningkat. O
Dengan O
memanfaatkan O
data O
dari O
media O
sosial O
Twitter O
, O
penelitian O
ini O
bertujuan O
untuk O
mendapatkan B-TUJUAN
informasi I-TUJUAN
mengenai I-TUJUAN
pandangan I-TUJUAN
masyarakat I-TUJUAN
terhadap I-TUJUAN
pinjaman I-TUJUAN
online I-TUJUAN
di I-TUJUAN
Indonesia I-TUJUAN
selama I-TUJUAN
pandemi I-TUJUAN
covid-19 I-TUJUAN
dan I-TUJUAN
topik I-TUJUAN
yang I-TUJUAN
ramai I-TUJUAN
dibicarakan I-TUJUAN
masyarakat I-TUJUAN
terkait I-TUJUAN
pinjaman I-TUJUAN
online. I-TUJUAN
Selanjutnya O
dilakukan O
analisis B-METODE
sentimen I-METODE
menggunakan O
Support O
Vector O
Machine O
( O
SVM O
) O
dan O
topic B-METODE
modelling I-METODE
menggunakan O
Latent O
Dirichlet O
Allocation O
( O
LDA O
) O
pada O
tweet O
terkait O
pinjaman O
online O
yang O
dikumpulkan O
dalam O
periode O
waktu O
2 O
Maret O
2020 O
hingga O
31 O
Desember O
2021. O
Hasil B-TEMUAN
analisis I-TEMUAN
sentimen I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
publik I-TEMUAN
khususnya I-TEMUAN
pengguna I-TEMUAN
Twitter I-TEMUAN
lebih I-TEMUAN
banyak I-TEMUAN
memberikan I-TEMUAN
respon I-TEMUAN
negatif I-TEMUAN
terhadap I-TEMUAN
pinjaman I-TEMUAN
online I-TEMUAN
selama I-TEMUAN
pandemi I-TEMUAN
covid-19. I-TEMUAN
Kemudian I-TEMUAN
terdapat I-TEMUAN
5 I-TEMUAN
topik I-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
dari I-TEMUAN
tweet I-TEMUAN
bersentimen I-TEMUAN
positif I-TEMUAN
yang I-TEMUAN
kelimanya I-TEMUAN
membicarakan I-TEMUAN
layanan I-TEMUAN
pinjaman I-TEMUAN
online I-TEMUAN
Tunaiku. I-TEMUAN
tentang O
promosi O
Sedangkan O
terdapat O
12 O
topik O
yang O
dihasilkan O
dari O
tweet O
bersentimen O
negatif O
yang O
secara O
umum O
menggambarkan O
masalah O
, O
kejahatan O
, O
serta O
keluhan O
dari O
masyarakat O
terkait O
pinjaman O
online O
ilegal. O
Kata O
Kunci— O
Pinjaman O
Online O
, O
SVM O
, O
Topic O
Modelling O
, O
LDA O
, O
Twitter. O
[SEP] O
Berdasarkan O
hasil O
pembahasan O
pada O
bab O
sebelumnya O
, O
telah O
dilakukan O
analisis O
respons O
publik O
terhadap O
pinjaman O
online O
di O
Indonesia O
melalui O
data O
twitter O
selama O
pandemic O
covid-19. O
Sehingga O
didapatkan O
kesimpulan O
sebagai O
berikut O
: O
1. O
Pandangan B-TEMUAN
masyarakat I-TEMUAN
terhadap I-TEMUAN
pinjaman I-TEMUAN
online I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
selama I-TEMUAN
pandemi I-TEMUAN
covid-19 I-TEMUAN
didominasi I-TEMUAN
dengan I-TEMUAN
respons I-TEMUAN
negatif I-TEMUAN
yang I-TEMUAN
diungkapkan I-TEMUAN
masyarakat I-TEMUAN
melalui I-TEMUAN
tweet I-TEMUAN
di I-TEMUAN
Twitter. I-TEMUAN
Analisis I-TEMUAN
sentimen I-TEMUAN
dengan I-TEMUAN
support I-TEMUAN
vector I-TEMUAN
machine I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
terdapat I-TEMUAN
98,32 I-TEMUAN
% I-TEMUAN
tweet I-TEMUAN
yang I-TEMUAN
bersentimen I-TEMUAN
negatif. I-TEMUAN
Masyarakat I-TEMUAN
terhadap I-TEMUAN
lebih I-TEMUAN
banyak I-TEMUAN
membicarakan I-TEMUAN
keluhan I-TEMUAN
pinjaman I-TEMUAN
online I-TEMUAN
ilegal I-TEMUAN
dari I-TEMUAN
pada I-TEMUAN
manfaat I-TEMUAN
dari I-TEMUAN
kehadiran I-TEMUAN
pinjaman I-TEMUAN
online I-TEMUAN
legal I-TEMUAN
di I-TEMUAN
Indonesia. I-TEMUAN
Keluhan I-TEMUAN
yang I-TEMUAN
banyak I-TEMUAN
disampaikan I-TEMUAN
masyarakat I-TEMUAN
yaitu I-TEMUAN
terkait I-TEMUAN
penipuan I-TEMUAN
bunga I-TEMUAN
pinjaman I-TEMUAN
dan I-TEMUAN
denda I-TEMUAN
yang I-TEMUAN
besar I-TEMUAN
ketika I-TEMUAN
terlambat I-TEMUAN
membayar I-TEMUAN
cicilan I-TEMUAN
, I-TEMUAN
pencurian I-TEMUAN
data I-TEMUAN
pribadi I-TEMUAN
seperti I-TEMUAN
kontak I-TEMUAN
dan I-TEMUAN
foto-foto I-TEMUAN
pribadi I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
penagihan I-TEMUAN
hutang I-TEMUAN
yang I-TEMUAN
penuh I-TEMUAN
ancaman I-TEMUAN
dan I-TEMUAN
intimidasi I-TEMUAN
dari I-TEMUAN
debt I-TEMUAN
collector. I-TEMUAN
topik O
yang O
2. O
Hasil O
dari O
analisis O
topic O
modelling O
dengan O
metode O
LDA O
pada O
tweet O
bersentimen O
positif O
diperoleh O
jumlah O
topik O
sebanyak O
5 O
topik O
dengan O
coherence O
score O
sebesar O
0,3979. O
Dari O
kelima O
topik O
pada O
tweet O
bersentimen O
ramai O
positif O
ditunjukkan O
bahwa O
dibicarakan O
adalah O
terkait O
promosi O
layanan O
pinjaman O
online O
Tunaiku. O
Kemudian O
pada O
tweet O
bersentimen O
negatif O
diperoleh O
jumlah O
topik O
sebanyak O
12 O
topik O
dengan O
coherence O
score O
sebesar O
0,4100. O
Dari O
kedua O
belas O
umum O
menggambarkan O
kerugian O
yang O
diakibatkan O
oleh O
pinjaman O
online O
ilegal O
yang O
ditunjukan O
melalui O
topik O
tentang O
pelaporan O
kejahatan O
pinjaman O
online O
ilegal O
, O
korban O
hutang O
pinjaman O
online O
, O
pencurian O
data O
dan O
nomor O
hp O
, O
dikejar-kejar O
pinjaman O
online O
, O
penipuan O
pinjaman O
online O
, O
dan O
Indonesia O
darurat O
pinjaman O
online. O
Sehingga O
secara O
keseluruhan O
, O
opini O
mengenai O
kondisi O
pinjaman O
online O
saat O
ini O
lebih O
mengarah O
ke O
bentuk O
kejahatan O
digital O
daripada O
sumber O
pendanaan O
bagi O
masyarakat. O
dihasilkan O
secara O
topik O
yang O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Analisis O
Respons O
Publik O
Terhadap O
Pinjaman O
Online O
di O
Indonesia O
Melalui O
Data O
Twitter O
Selama O
Pandemi O
Covid-19 O
Elsa O
Kartika O
Vitriani O
Marpaung O
( O
221810262 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Nucke O
Widowati O
Kusumo O
Projo O
S.Si O
, O
M.Sc O
, O
Ph.D O
Ringkasan— O
Pinjaman O
online O
merupakan O
produk O
keuangan O
berbasis O
digital O
yang O
diharapkan O
pemerintah O
dapat O
bertumbuh O
sebagai O
alternatif O
sumber O
pembiayaan O
baru O
bagi O
masyarakat. O
Pada O
tahun O
2020 O
, O
terjadinya O
pandemi O
covid-19 O
mengakibatkan O
melemahnya O
ekonomi O
masyarakat O
sehingga O
permintaan O
akan O
pinjaman O
online O
meningkat. O
Dengan O
memanfaatkan O
data O
dari O
media O
sosial O
Twitter O
, O
penelitian O
ini O
bertujuan O
untuk O
mendapatkan B-TUJUAN
informasi I-TUJUAN
mengenai I-TUJUAN
pandangan I-TUJUAN
masyarakat I-TUJUAN
terhadap I-TUJUAN
pinjaman I-TUJUAN
online I-TUJUAN
di I-TUJUAN
Indonesia I-TUJUAN
selama I-TUJUAN
pandemi I-TUJUAN
covid-19 I-TUJUAN
dan I-TUJUAN
topik I-TUJUAN
yang I-TUJUAN
ramai I-TUJUAN
dibicarakan I-TUJUAN
masyarakat I-TUJUAN
terkait I-TUJUAN
pinjaman I-TUJUAN
online. I-TUJUAN
Selanjutnya O
dilakukan O
analisis B-METODE
sentimen I-METODE
menggunakan O
Support O
Vector O
Machine O
( O
SVM O
) O
dan O
topic B-METODE
modelling I-METODE
menggunakan O
Latent O
Dirichlet O
Allocation O
( O
LDA O
) O
pada O
tweet O
terkait O
pinjaman O
online O
yang O
dikumpulkan O
dalam O
periode O
waktu O
2 O
Maret O
2020 O
hingga O
31 O
Desember O
2021. O
Hasil B-TEMUAN
analisis I-TEMUAN
sentimen I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
publik I-TEMUAN
khususnya I-TEMUAN
pengguna I-TEMUAN
Twitter I-TEMUAN
lebih I-TEMUAN
banyak I-TEMUAN
memberikan I-TEMUAN
respon I-TEMUAN
negatif I-TEMUAN
terhadap I-TEMUAN
pinjaman I-TEMUAN
online I-TEMUAN
selama I-TEMUAN
pandemi I-TEMUAN
covid-19. I-TEMUAN
Kemudian I-TEMUAN
terdapat I-TEMUAN
5 I-TEMUAN
topik I-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
dari I-TEMUAN
tweet I-TEMUAN
bersentimen I-TEMUAN
positif I-TEMUAN
yang I-TEMUAN
kelimanya I-TEMUAN
membicarakan I-TEMUAN
layanan I-TEMUAN
pinjaman I-TEMUAN
online I-TEMUAN
Tunaiku. I-TEMUAN
tentang O
promosi O
Sedangkan O
terdapat O
12 O
topik O
yang O
dihasilkan O
dari O
tweet O
bersentimen O
negatif O
yang O
secara O
umum O
menggambarkan O
masalah O
, O
kejahatan O
, O
serta O
keluhan O
dari O
masyarakat O
terkait O
pinjaman O
online O
ilegal. O
Kata O
Kunci— O
Pinjaman O
Online O
, O
SVM O
, O
Topic O
Modelling O
, O
LDA O
, O
Twitter. O
[SEP] O
Berdasarkan O
hasil O
pembahasan O
pada O
bab O
sebelumnya O
, O
telah O
dilakukan O
analisis O
respons O
publik O
terhadap O
pinjaman O
online O
di O
Indonesia O
melalui O
data O
twitter O
selama O
pandemic O
covid-19. O
Sehingga O
didapatkan O
kesimpulan O
sebagai O
berikut O
: O
1. O
Pandangan B-TEMUAN
masyarakat I-TEMUAN
terhadap I-TEMUAN
pinjaman I-TEMUAN
online I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
selama I-TEMUAN
pandemi I-TEMUAN
covid-19 I-TEMUAN
didominasi I-TEMUAN
dengan I-TEMUAN
respons I-TEMUAN
negatif I-TEMUAN
yang I-TEMUAN
diungkapkan I-TEMUAN
masyarakat I-TEMUAN
melalui I-TEMUAN
tweet I-TEMUAN
di I-TEMUAN
Twitter. I-TEMUAN
Analisis I-TEMUAN
sentimen I-TEMUAN
dengan I-TEMUAN
support I-TEMUAN
vector I-TEMUAN
machine I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
terdapat I-TEMUAN
98,32 I-TEMUAN
% I-TEMUAN
tweet I-TEMUAN
yang I-TEMUAN
bersentimen I-TEMUAN
negatif. I-TEMUAN
Masyarakat I-TEMUAN
terhadap I-TEMUAN
lebih I-TEMUAN
banyak I-TEMUAN
membicarakan I-TEMUAN
keluhan I-TEMUAN
pinjaman I-TEMUAN
online I-TEMUAN
ilegal I-TEMUAN
dari I-TEMUAN
pada I-TEMUAN
manfaat I-TEMUAN
dari I-TEMUAN
kehadiran I-TEMUAN
pinjaman I-TEMUAN
online I-TEMUAN
legal I-TEMUAN
di I-TEMUAN
Indonesia. I-TEMUAN
Keluhan I-TEMUAN
yang I-TEMUAN
banyak I-TEMUAN
disampaikan I-TEMUAN
masyarakat I-TEMUAN
yaitu I-TEMUAN
terkait I-TEMUAN
penipuan I-TEMUAN
bunga I-TEMUAN
pinjaman I-TEMUAN
dan I-TEMUAN
denda I-TEMUAN
yang I-TEMUAN
besar I-TEMUAN
ketika I-TEMUAN
terlambat I-TEMUAN
membayar I-TEMUAN
cicilan I-TEMUAN
, I-TEMUAN
pencurian I-TEMUAN
data I-TEMUAN
pribadi I-TEMUAN
seperti I-TEMUAN
kontak I-TEMUAN
dan I-TEMUAN
foto-foto I-TEMUAN
pribadi I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
penagihan I-TEMUAN
hutang I-TEMUAN
yang I-TEMUAN
penuh I-TEMUAN
ancaman I-TEMUAN
dan I-TEMUAN
intimidasi I-TEMUAN
dari I-TEMUAN
debt I-TEMUAN
collector. I-TEMUAN
topik O
yang O
2. O
Hasil O
dari O
analisis O
topic O
modelling O
dengan O
metode O
LDA O
pada O
tweet O
bersentimen O
positif O
diperoleh O
jumlah O
topik O
sebanyak O
5 O
topik O
dengan O
coherence O
score O
sebesar O
0,3979. O
Dari O
kelima O
topik O
pada O
tweet O
bersentimen O
ramai O
positif O
ditunjukkan O
bahwa O
dibicarakan O
adalah O
terkait O
promosi O
layanan O
pinjaman O
online O
Tunaiku. O
Kemudian O
pada O
tweet O
bersentimen O
negatif O
diperoleh O
jumlah O
topik O
sebanyak O
12 O
topik O
dengan O
coherence O
score O
sebesar O
0,4100. O
Dari O
kedua O
belas O
umum O
menggambarkan O
kerugian O
yang O
diakibatkan O
oleh O
pinjaman O
online O
ilegal O
yang O
ditunjukan O
melalui O
topik O
tentang O
pelaporan O
kejahatan O
pinjaman O
online O
ilegal O
, O
korban O
hutang O
pinjaman O
online O
, O
pencurian O
data O
dan O
nomor O
hp O
, O
dikejar-kejar O
pinjaman O
online O
, O
penipuan O
pinjaman O
online O
, O
dan O
Indonesia O
darurat O
pinjaman O
online. O
Sehingga O
secara O
keseluruhan O
, O
opini O
mengenai O
kondisi O
pinjaman O
online O
saat O
ini O
lebih O
mengarah O
ke O
bentuk O
kejahatan O
digital O
daripada O
sumber O
pendanaan O
bagi O
masyarakat. O
dihasilkan O
secara O
topik O
yang O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Analisis O
Respons O
Publik O
Terhadap O
Pinjaman O
Online O
di O
Indonesia O
Melalui O
Data O
Twitter O
Selama O
Pandemi O
Covid-19 O
Elsa O
Kartika O
Vitriani O
Marpaung O
( O
221810262 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Nucke O
Widowati O
Kusumo O
Projo O
S.Si O
, O
M.Sc O
, O
Ph.D O
Ringkasan— O
Pinjaman O
online O
merupakan O
produk O
keuangan O
berbasis O
digital O
yang O
diharapkan O
pemerintah O
dapat O
bertumbuh O
sebagai O
alternatif O
sumber O
pembiayaan O
baru O
bagi O
masyarakat. O
Pada O
tahun O
2020 O
, O
terjadinya O
pandemi O
covid-19 O
mengakibatkan O
melemahnya O
ekonomi O
masyarakat O
sehingga O
permintaan O
akan O
pinjaman O
online O
meningkat. O
Dengan O
memanfaatkan O
data O
dari O
media O
sosial O
Twitter O
, O
penelitian O
ini O
bertujuan O
untuk O
mendapatkan B-TUJUAN
informasi I-TUJUAN
mengenai I-TUJUAN
pandangan I-TUJUAN
masyarakat I-TUJUAN
terhadap I-TUJUAN
pinjaman I-TUJUAN
online I-TUJUAN
di I-TUJUAN
Indonesia I-TUJUAN
selama I-TUJUAN
pandemi I-TUJUAN
covid-19 I-TUJUAN
dan I-TUJUAN
topik I-TUJUAN
yang I-TUJUAN
ramai I-TUJUAN
dibicarakan I-TUJUAN
masyarakat I-TUJUAN
terkait I-TUJUAN
pinjaman I-TUJUAN
online. I-TUJUAN
Selanjutnya O
dilakukan O
analisis B-METODE
sentimen I-METODE
menggunakan O
Support O
Vector O
Machine O
( O
SVM O
) O
dan O
topic B-METODE
modelling I-METODE
menggunakan O
Latent O
Dirichlet O
Allocation O
( O
LDA O
) O
pada O
tweet O
terkait O
pinjaman O
online O
yang O
dikumpulkan O
dalam O
periode O
waktu O
2 O
Maret O
2020 O
hingga O
31 O
Desember O
2021. O
Hasil B-TEMUAN
analisis I-TEMUAN
sentimen I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
publik I-TEMUAN
khususnya I-TEMUAN
pengguna I-TEMUAN
Twitter I-TEMUAN
lebih I-TEMUAN
banyak I-TEMUAN
memberikan I-TEMUAN
respon I-TEMUAN
negatif I-TEMUAN
terhadap I-TEMUAN
pinjaman I-TEMUAN
online I-TEMUAN
selama I-TEMUAN
pandemi I-TEMUAN
covid-19. I-TEMUAN
Kemudian I-TEMUAN
terdapat I-TEMUAN
5 I-TEMUAN
topik I-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
dari I-TEMUAN
tweet I-TEMUAN
bersentimen I-TEMUAN
positif I-TEMUAN
yang I-TEMUAN
kelimanya I-TEMUAN
membicarakan I-TEMUAN
layanan I-TEMUAN
pinjaman I-TEMUAN
online I-TEMUAN
Tunaiku. I-TEMUAN
tentang O
promosi O
Sedangkan O
terdapat O
12 O
topik O
yang O
dihasilkan O
dari O
tweet O
bersentimen O
negatif O
yang O
secara O
umum O
menggambarkan O
masalah O
, O
kejahatan O
, O
serta O
keluhan O
dari O
masyarakat O
terkait O
pinjaman O
online O
ilegal. O
Kata O
Kunci— O
Pinjaman O
Online O
, O
SVM O
, O
Topic O
Modelling O
, O
LDA O
, O
Twitter. O
[SEP] O
Berdasarkan O
hasil O
pembahasan O
pada O
bab O
sebelumnya O
, O
telah O
dilakukan O
analisis O
respons O
publik O
terhadap O
pinjaman O
online O
di O
Indonesia O
melalui O
data O
twitter O
selama O
pandemic O
covid-19. O
Sehingga O
didapatkan O
kesimpulan O
sebagai O
berikut O
: O
1. O
Pandangan B-TEMUAN
masyarakat I-TEMUAN
terhadap I-TEMUAN
pinjaman I-TEMUAN
online I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
selama I-TEMUAN
pandemi I-TEMUAN
covid-19 I-TEMUAN
didominasi I-TEMUAN
dengan I-TEMUAN
respons I-TEMUAN
negatif I-TEMUAN
yang I-TEMUAN
diungkapkan I-TEMUAN
masyarakat I-TEMUAN
melalui I-TEMUAN
tweet I-TEMUAN
di I-TEMUAN
Twitter. I-TEMUAN
Analisis I-TEMUAN
sentimen I-TEMUAN
dengan I-TEMUAN
support I-TEMUAN
vector I-TEMUAN
machine I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
terdapat I-TEMUAN
98,32 I-TEMUAN
% I-TEMUAN
tweet I-TEMUAN
yang I-TEMUAN
bersentimen I-TEMUAN
negatif. I-TEMUAN
Masyarakat I-TEMUAN
terhadap I-TEMUAN
lebih I-TEMUAN
banyak I-TEMUAN
membicarakan I-TEMUAN
keluhan I-TEMUAN
pinjaman I-TEMUAN
online I-TEMUAN
ilegal I-TEMUAN
dari I-TEMUAN
pada I-TEMUAN
manfaat I-TEMUAN
dari I-TEMUAN
kehadiran I-TEMUAN
pinjaman I-TEMUAN
online I-TEMUAN
legal I-TEMUAN
di I-TEMUAN
Indonesia. I-TEMUAN
Keluhan I-TEMUAN
yang I-TEMUAN
banyak I-TEMUAN
disampaikan I-TEMUAN
masyarakat I-TEMUAN
yaitu I-TEMUAN
terkait I-TEMUAN
penipuan I-TEMUAN
bunga I-TEMUAN
pinjaman I-TEMUAN
dan I-TEMUAN
denda I-TEMUAN
yang I-TEMUAN
besar I-TEMUAN
ketika I-TEMUAN
terlambat I-TEMUAN
membayar I-TEMUAN
cicilan I-TEMUAN
, I-TEMUAN
pencurian I-TEMUAN
data I-TEMUAN
pribadi I-TEMUAN
seperti I-TEMUAN
kontak I-TEMUAN
dan I-TEMUAN
foto-foto I-TEMUAN
pribadi I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
penagihan I-TEMUAN
hutang I-TEMUAN
yang I-TEMUAN
penuh I-TEMUAN
ancaman I-TEMUAN
dan I-TEMUAN
intimidasi I-TEMUAN
dari I-TEMUAN
debt I-TEMUAN
collector. I-TEMUAN
topik O
yang O
2. O
Hasil O
dari O
analisis O
topic O
modelling O
dengan O
metode O
LDA O
pada O
tweet O
bersentimen O
positif O
diperoleh O
jumlah O
topik O
sebanyak O
5 O
topik O
dengan O
coherence O
score O
sebesar O
0,3979. O
Dari O
kelima O
topik O
pada O
tweet O
bersentimen O
ramai O
positif O
ditunjukkan O
bahwa O
dibicarakan O
adalah O
terkait O
promosi O
layanan O
pinjaman O
online O
Tunaiku. O
Kemudian O
pada O
tweet O
bersentimen O
negatif O
diperoleh O
jumlah O
topik O
sebanyak O
12 O
topik O
dengan O
coherence O
score O
sebesar O
0,4100. O
Dari O
kedua O
belas O
umum O
menggambarkan O
kerugian O
yang O
diakibatkan O
oleh O
pinjaman O
online O
ilegal O
yang O
ditunjukan O
melalui O
topik O
tentang O
pelaporan O
kejahatan O
pinjaman O
online O
ilegal O
, O
korban O
hutang O
pinjaman O
online O
, O
pencurian O
data O
dan O
nomor O
hp O
, O
dikejar-kejar O
pinjaman O
online O
, O
penipuan O
pinjaman O
online O
, O
dan O
Indonesia O
darurat O
pinjaman O
online. O
Sehingga O
secara O
keseluruhan O
, O
opini O
mengenai O
kondisi O
pinjaman O
online O
saat O
ini O
lebih O
mengarah O
ke O
bentuk O
kejahatan O
digital O
daripada O
sumber O
pendanaan O
bagi O
masyarakat. O
dihasilkan O
secara O
topik O
yang O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Pembangunan O
Sistem O
Informasi O
Manajemen O
Risiko O
Berbasis O
Web O
di O
Badan O
Pusat O
Statistik O
Elisa O
Imania O
( O
221810261 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Novianto O
Budi O
Kurniawan O
, O
S.ST. O
, O
M.T. O
( O
SPBE O
) O
Ringkasan—BPS O
sebagai O
instansi O
penyelenggara O
Sistem O
Pemerintahan O
Berbasis O
Elektronik O
berpeluang O
menghadapi O
kemungkinan O
ketidakpastian O
atau O
risiko O
dari O
faktor O
internal O
maupun O
eksternal. O
Manajemen O
risiko O
dilakukan O
untuk O
mencegah O
atau O
meminimalkan O
dampak O
risiko. O
Tahun O
2020 O
BPS O
sudah O
melaksanakan O
manajemen O
risiko O
untuk O
SP O
2020 O
, O
namun O
masih O
terbatas O
pada O
identifikasi O
daftar O
risiko O
, O
peluang O
kejadian O
, O
dan O
dampak O
risiko. O
Dalam O
pelaksanaannya O
, O
proses O
manajemen O
risiko O
dikerjakan O
secara O
manual O
menggunakan O
Ms.Excel O
atau O
Ms.Word O
, O
sehingga O
butuh O
waktu O
yang O
relatif O
lama O
untuk O
memperoleh O
informasi O
yang O
dibutuhkan. O
Pada O
Desember O
2020 O
, O
BPS O
sudah O
menerbitkan O
Surat O
Edaran O
mengenai O
panduan O
manajemen O
risiko O
SPBE. O
Namun O
dalam O
praktiknya O
, O
pedoman O
ini O
belum O
diimplementasikan O
secara O
menyeluruh O
dalam O
pengelolaan O
manajemen O
risiko O
di O
BPS. O
Berdasarkan O
permasalahan O
tersebut O
, O
maka O
melalui O
penelitian O
ini O
dilakukan B-TUJUAN
pembangunan I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
yang I-TUJUAN
mampu I-TUJUAN
mengelola I-TUJUAN
dan I-TUJUAN
mendokumentasikan I-TUJUAN
seluruh I-TUJUAN
proses I-TUJUAN
manajemen I-TUJUAN
risiko I-TUJUAN
sesuai I-TUJUAN
dengan I-TUJUAN
panduan I-TUJUAN
yang I-TUJUAN
diterbitkan. I-TUJUAN
Pembangunan O
sistem O
akan O
dilakukan O
menggunakan O
metode B-METODE
SDLC I-METODE
model I-METODE
prototype. I-METODE
Pengujian O
sistem O
dilakukan O
menggunakan O
black-box B-METODE
testing I-METODE
dan O
SUS B-METODE
dengan O
hasil O
yang O
menunjukkan O
bahwa O
sistem B-TEMUAN
berfungsi I-TEMUAN
sebagaimana I-TEMUAN
diharapkan I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci— O
Manajemen O
Risiko O
, O
SPBE O
, O
SDLC O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
ditarik O
beberapa O
kesimpulan O
bahwa O
permasalahan O
utama O
yang O
terjadi O
pada O
proses O
manajemen O
risiko O
di O
BPS O
adalah O
pelaksanaan O
manajemen O
risiko O
SPBE O
yang O
belum O
optimal O
dan O
belum O
sesuai O
dengan O
panduan O
manajemen O
risiko O
SPBE O
yang O
telah O
diterbitkan O
melalui O
Surat O
Edaran O
Kepala O
BPS O
Nomor O
B- O
591 O
/ O
03000 O
/ O
12 O
/ O
2020. O
Untuk O
mengatasi O
permasalahan O
tersebut O
telah O
dibangun B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
manajemen I-TUJUAN
risiko I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
Sistem O
ini O
dibangun O
berdasarkan O
panduan O
yang O
telah O
diterbitkan O
melaui O
Surat O
Edaran O
Kepala O
BPS O
yang O
telah O
disebutkan O
dengan O
menggunakan O
metode B-METODE
SDLC I-METODE
model I-METODE
prototype. I-METODE
Sistem B-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
dengan I-TEMUAN
fitur-fitur I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
untuk I-TEMUAN
menetapkan I-TEMUAN
konteks I-TEMUAN
risiko I-TEMUAN
terutama I-TEMUAN
dapat I-TEMUAN
menetapkan I-TEMUAN
kategori I-TEMUAN
risiko I-TEMUAN
dan I-TEMUAN
area I-TEMUAN
dampak I-TEMUAN
risiko I-TEMUAN
beserta I-TEMUAN
dengan I-TEMUAN
kriteria I-TEMUAN
dan I-TEMUAN
selera I-TEMUAN
risikonya I-TEMUAN
, I-TEMUAN
dapat I-TEMUAN
melakukan I-TEMUAN
penilaian I-TEMUAN
risiko I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
untuk I-TEMUAN
mengidentifikasi I-TEMUAN
lalu I-TEMUAN
menentukan I-TEMUAN
besaran I-TEMUAN
risiko I-TEMUAN
, I-TEMUAN
keputusan I-TEMUAN
penanganan I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
prioritas I-TEMUAN
dari I-TEMUAN
risiko. I-TEMUAN
Lalu O
sistem O
informasi O
yang O
berhasil O
dibangun O
juga O
dapat O
digunakan O
untuk O
membuat O
rencana O
penanganan O
terhadap O
risiko O
yang O
perlu O
ditangani O
serta O
membuat O
laporan O
pemantauan O
dari O
risiko O
yang O
telah O
ditangani O
sebelumnya. O
dibangun O
Sistem O
risiko O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
tersebut. B-TEMUAN
Hasil I-TEMUAN
pengujian I-TEMUAN
menggunakan I-TEMUAN
black-box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
fitur-fitur I-TEMUAN
yang I-TEMUAN
terdapat I-TEMUAN
dalam I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
Adapun I-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
yang I-TEMUAN
dilakukan I-TEMUAN
menggunakan I-TEMUAN
kuesioner I-TEMUAN
SUS I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
rata-rata I-TEMUAN
skor I-TEMUAN
SUS I-TEMUAN
dari I-TEMUAN
10 I-TEMUAN
orang I-TEMUAN
responden I-TEMUAN
sebasar I-TEMUAN
70,5 I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
sistem I-TEMUAN
tersebut I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Adapun O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
dan O
pengembangan O
sistem O
selanjutnya O
adalah O
menambhakan O
fitur O
tambahan O
berupa O
panduan O
bagi O
pengguna O
untuk O
mempelajari O
alur O
kerja O
pada O
sistem O
, O
menambah O
fitur O
untuk O
memonitor O
kapan O
dan O
oleh O
siapa O
suatu O
data O
manajemen O
risiko O
diusulkan O
atau O
diberi O
persetujuan O
dan O
memberikan O
notifikasi O
kepada O
pihak-pihak O
terkait O
apabila O
terdapat O
risiko O
yang O
telah O
atau O
perlu O
diberi O
persetujuan O
, O
serta O
menambahkan O
fitur O
yang O
dapat O
digunakan O
untuk O
memfilter O
penerapan O
manajemen O
risiko O
berdasarkan O
periode O
tertentu O
agar O
pihak-pihak O
pelaksana O
manajemen O
risiko O
dapat O
fokus O
pada O
risiko-risiko O
yang O
perlu O
dimitigasi O
pada O
periode O
tertentu. O

Pembangunan O
Sistem O
Informasi O
Manajemen O
Risiko O
Berbasis O
Web O
di O
Badan O
Pusat O
Statistik O
Elisa O
Imania O
( O
221810261 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Novianto O
Budi O
Kurniawan O
, O
S.ST. O
, O
M.T. O
( O
SPBE O
) O
Ringkasan—BPS O
sebagai O
instansi O
penyelenggara O
Sistem O
Pemerintahan O
Berbasis O
Elektronik O
berpeluang O
menghadapi O
kemungkinan O
ketidakpastian O
atau O
risiko O
dari O
faktor O
internal O
maupun O
eksternal. O
Manajemen O
risiko O
dilakukan O
untuk O
mencegah O
atau O
meminimalkan O
dampak O
risiko. O
Tahun O
2020 O
BPS O
sudah O
melaksanakan O
manajemen O
risiko O
untuk O
SP O
2020 O
, O
namun O
masih O
terbatas O
pada O
identifikasi O
daftar O
risiko O
, O
peluang O
kejadian O
, O
dan O
dampak O
risiko. O
Dalam O
pelaksanaannya O
, O
proses O
manajemen O
risiko O
dikerjakan O
secara O
manual O
menggunakan O
Ms.Excel O
atau O
Ms.Word O
, O
sehingga O
butuh O
waktu O
yang O
relatif O
lama O
untuk O
memperoleh O
informasi O
yang O
dibutuhkan. O
Pada O
Desember O
2020 O
, O
BPS O
sudah O
menerbitkan O
Surat O
Edaran O
mengenai O
panduan O
manajemen O
risiko O
SPBE. O
Namun O
dalam O
praktiknya O
, O
pedoman O
ini O
belum O
diimplementasikan O
secara O
menyeluruh O
dalam O
pengelolaan O
manajemen O
risiko O
di O
BPS. O
Berdasarkan O
permasalahan O
tersebut O
, O
maka O
melalui O
penelitian O
ini O
dilakukan B-TUJUAN
pembangunan I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
yang I-TUJUAN
mampu I-TUJUAN
mengelola I-TUJUAN
dan I-TUJUAN
mendokumentasikan I-TUJUAN
seluruh I-TUJUAN
proses I-TUJUAN
manajemen I-TUJUAN
risiko I-TUJUAN
sesuai I-TUJUAN
dengan I-TUJUAN
panduan I-TUJUAN
yang I-TUJUAN
diterbitkan. I-TUJUAN
Pembangunan O
sistem O
akan O
dilakukan O
menggunakan O
metode B-METODE
SDLC I-METODE
model I-METODE
prototype. I-METODE
Pengujian O
sistem O
dilakukan O
menggunakan O
black-box B-METODE
testing I-METODE
dan O
SUS B-METODE
dengan O
hasil O
yang O
menunjukkan O
bahwa O
sistem B-TEMUAN
berfungsi I-TEMUAN
sebagaimana I-TEMUAN
diharapkan I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci— O
Manajemen O
Risiko O
, O
SPBE O
, O
SDLC O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
ditarik O
beberapa O
kesimpulan O
bahwa O
permasalahan O
utama O
yang O
terjadi O
pada O
proses O
manajemen O
risiko O
di O
BPS O
adalah O
pelaksanaan O
manajemen O
risiko O
SPBE O
yang O
belum O
optimal O
dan O
belum O
sesuai O
dengan O
panduan O
manajemen O
risiko O
SPBE O
yang O
telah O
diterbitkan O
melalui O
Surat O
Edaran O
Kepala O
BPS O
Nomor O
B- O
591 O
/ O
03000 O
/ O
12 O
/ O
2020. O
Untuk O
mengatasi O
permasalahan O
tersebut O
telah O
dibangun B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
manajemen I-TUJUAN
risiko I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
Sistem O
ini O
dibangun O
berdasarkan O
panduan O
yang O
telah O
diterbitkan O
melaui O
Surat O
Edaran O
Kepala O
BPS O
yang O
telah O
disebutkan O
dengan O
menggunakan O
metode B-METODE
SDLC I-METODE
model I-METODE
prototype. I-METODE
Sistem B-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
dengan I-TEMUAN
fitur-fitur I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
untuk I-TEMUAN
menetapkan I-TEMUAN
konteks I-TEMUAN
risiko I-TEMUAN
terutama I-TEMUAN
dapat I-TEMUAN
menetapkan I-TEMUAN
kategori I-TEMUAN
risiko I-TEMUAN
dan I-TEMUAN
area I-TEMUAN
dampak I-TEMUAN
risiko I-TEMUAN
beserta I-TEMUAN
dengan I-TEMUAN
kriteria I-TEMUAN
dan I-TEMUAN
selera I-TEMUAN
risikonya I-TEMUAN
, I-TEMUAN
dapat I-TEMUAN
melakukan I-TEMUAN
penilaian I-TEMUAN
risiko I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
untuk I-TEMUAN
mengidentifikasi I-TEMUAN
lalu I-TEMUAN
menentukan I-TEMUAN
besaran I-TEMUAN
risiko I-TEMUAN
, I-TEMUAN
keputusan I-TEMUAN
penanganan I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
prioritas I-TEMUAN
dari I-TEMUAN
risiko. I-TEMUAN
Lalu O
sistem O
informasi O
yang O
berhasil O
dibangun O
juga O
dapat O
digunakan O
untuk O
membuat O
rencana O
penanganan O
terhadap O
risiko O
yang O
perlu O
ditangani O
serta O
membuat O
laporan O
pemantauan O
dari O
risiko O
yang O
telah O
ditangani O
sebelumnya. O
dibangun O
Sistem O
risiko O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
tersebut. B-TEMUAN
Hasil I-TEMUAN
pengujian I-TEMUAN
menggunakan I-TEMUAN
black-box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
fitur-fitur I-TEMUAN
yang I-TEMUAN
terdapat I-TEMUAN
dalam I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
Adapun I-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
yang I-TEMUAN
dilakukan I-TEMUAN
menggunakan I-TEMUAN
kuesioner I-TEMUAN
SUS I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
rata-rata I-TEMUAN
skor I-TEMUAN
SUS I-TEMUAN
dari I-TEMUAN
10 I-TEMUAN
orang I-TEMUAN
responden I-TEMUAN
sebasar I-TEMUAN
70,5 I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
sistem I-TEMUAN
tersebut I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Adapun O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
dan O
pengembangan O
sistem O
selanjutnya O
adalah O
menambhakan O
fitur O
tambahan O
berupa O
panduan O
bagi O
pengguna O
untuk O
mempelajari O
alur O
kerja O
pada O
sistem O
, O
menambah O
fitur O
untuk O
memonitor O
kapan O
dan O
oleh O
siapa O
suatu O
data O
manajemen O
risiko O
diusulkan O
atau O
diberi O
persetujuan O
dan O
memberikan O
notifikasi O
kepada O
pihak-pihak O
terkait O
apabila O
terdapat O
risiko O
yang O
telah O
atau O
perlu O
diberi O
persetujuan O
, O
serta O
menambahkan O
fitur O
yang O
dapat O
digunakan O
untuk O
memfilter O
penerapan O
manajemen O
risiko O
berdasarkan O
periode O
tertentu O
agar O
pihak-pihak O
pelaksana O
manajemen O
risiko O
dapat O
fokus O
pada O
risiko-risiko O
yang O
perlu O
dimitigasi O
pada O
periode O
tertentu. O

Pembangunan O
Sistem O
Informasi O
Manajemen O
Risiko O
Berbasis O
Web O
di O
Badan O
Pusat O
Statistik O
Elisa O
Imania O
( O
221810261 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Novianto O
Budi O
Kurniawan O
, O
S.ST. O
, O
M.T. O
( O
SPBE O
) O
Ringkasan—BPS O
sebagai O
instansi O
penyelenggara O
Sistem O
Pemerintahan O
Berbasis O
Elektronik O
berpeluang O
menghadapi O
kemungkinan O
ketidakpastian O
atau O
risiko O
dari O
faktor O
internal O
maupun O
eksternal. O
Manajemen O
risiko O
dilakukan O
untuk O
mencegah O
atau O
meminimalkan O
dampak O
risiko. O
Tahun O
2020 O
BPS O
sudah O
melaksanakan O
manajemen O
risiko O
untuk O
SP O
2020 O
, O
namun O
masih O
terbatas O
pada O
identifikasi O
daftar O
risiko O
, O
peluang O
kejadian O
, O
dan O
dampak O
risiko. O
Dalam O
pelaksanaannya O
, O
proses O
manajemen O
risiko O
dikerjakan O
secara O
manual O
menggunakan O
Ms.Excel O
atau O
Ms.Word O
, O
sehingga O
butuh O
waktu O
yang O
relatif O
lama O
untuk O
memperoleh O
informasi O
yang O
dibutuhkan. O
Pada O
Desember O
2020 O
, O
BPS O
sudah O
menerbitkan O
Surat O
Edaran O
mengenai O
panduan O
manajemen O
risiko O
SPBE. O
Namun O
dalam O
praktiknya O
, O
pedoman O
ini O
belum O
diimplementasikan O
secara O
menyeluruh O
dalam O
pengelolaan O
manajemen O
risiko O
di O
BPS. O
Berdasarkan O
permasalahan O
tersebut O
, O
maka O
melalui O
penelitian O
ini O
dilakukan B-TUJUAN
pembangunan I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
yang I-TUJUAN
mampu I-TUJUAN
mengelola I-TUJUAN
dan I-TUJUAN
mendokumentasikan I-TUJUAN
seluruh I-TUJUAN
proses I-TUJUAN
manajemen I-TUJUAN
risiko I-TUJUAN
sesuai I-TUJUAN
dengan I-TUJUAN
panduan I-TUJUAN
yang I-TUJUAN
diterbitkan. I-TUJUAN
Pembangunan O
sistem O
akan O
dilakukan O
menggunakan O
metode B-METODE
SDLC I-METODE
model I-METODE
prototype. I-METODE
Pengujian O
sistem O
dilakukan O
menggunakan O
black-box B-METODE
testing I-METODE
dan O
SUS B-METODE
dengan O
hasil O
yang O
menunjukkan O
bahwa O
sistem B-TEMUAN
berfungsi I-TEMUAN
sebagaimana I-TEMUAN
diharapkan I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci— O
Manajemen O
Risiko O
, O
SPBE O
, O
SDLC O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
ditarik O
beberapa O
kesimpulan O
bahwa O
permasalahan O
utama O
yang O
terjadi O
pada O
proses O
manajemen O
risiko O
di O
BPS O
adalah O
pelaksanaan O
manajemen O
risiko O
SPBE O
yang O
belum O
optimal O
dan O
belum O
sesuai O
dengan O
panduan O
manajemen O
risiko O
SPBE O
yang O
telah O
diterbitkan O
melalui O
Surat O
Edaran O
Kepala O
BPS O
Nomor O
B- O
591 O
/ O
03000 O
/ O
12 O
/ O
2020. O
Untuk O
mengatasi O
permasalahan O
tersebut O
telah O
dibangun B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
manajemen I-TUJUAN
risiko I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
Sistem O
ini O
dibangun O
berdasarkan O
panduan O
yang O
telah O
diterbitkan O
melaui O
Surat O
Edaran O
Kepala O
BPS O
yang O
telah O
disebutkan O
dengan O
menggunakan O
metode B-METODE
SDLC I-METODE
model I-METODE
prototype. I-METODE
Sistem B-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
dengan I-TEMUAN
fitur-fitur I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
untuk I-TEMUAN
menetapkan I-TEMUAN
konteks I-TEMUAN
risiko I-TEMUAN
terutama I-TEMUAN
dapat I-TEMUAN
menetapkan I-TEMUAN
kategori I-TEMUAN
risiko I-TEMUAN
dan I-TEMUAN
area I-TEMUAN
dampak I-TEMUAN
risiko I-TEMUAN
beserta I-TEMUAN
dengan I-TEMUAN
kriteria I-TEMUAN
dan I-TEMUAN
selera I-TEMUAN
risikonya I-TEMUAN
, I-TEMUAN
dapat I-TEMUAN
melakukan I-TEMUAN
penilaian I-TEMUAN
risiko I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
untuk I-TEMUAN
mengidentifikasi I-TEMUAN
lalu I-TEMUAN
menentukan I-TEMUAN
besaran I-TEMUAN
risiko I-TEMUAN
, I-TEMUAN
keputusan I-TEMUAN
penanganan I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
prioritas I-TEMUAN
dari I-TEMUAN
risiko. I-TEMUAN
Lalu O
sistem O
informasi O
yang O
berhasil O
dibangun O
juga O
dapat O
digunakan O
untuk O
membuat O
rencana O
penanganan O
terhadap O
risiko O
yang O
perlu O
ditangani O
serta O
membuat O
laporan O
pemantauan O
dari O
risiko O
yang O
telah O
ditangani O
sebelumnya. O
dibangun O
Sistem O
risiko O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
tersebut. B-TEMUAN
Hasil I-TEMUAN
pengujian I-TEMUAN
menggunakan I-TEMUAN
black-box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
fitur-fitur I-TEMUAN
yang I-TEMUAN
terdapat I-TEMUAN
dalam I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
Adapun I-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
yang I-TEMUAN
dilakukan I-TEMUAN
menggunakan I-TEMUAN
kuesioner I-TEMUAN
SUS I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
rata-rata I-TEMUAN
skor I-TEMUAN
SUS I-TEMUAN
dari I-TEMUAN
10 I-TEMUAN
orang I-TEMUAN
responden I-TEMUAN
sebasar I-TEMUAN
70,5 I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
sistem I-TEMUAN
tersebut I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Adapun O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
dan O
pengembangan O
sistem O
selanjutnya O
adalah O
menambhakan O
fitur O
tambahan O
berupa O
panduan O
bagi O
pengguna O
untuk O
mempelajari O
alur O
kerja O
pada O
sistem O
, O
menambah O
fitur O
untuk O
memonitor O
kapan O
dan O
oleh O
siapa O
suatu O
data O
manajemen O
risiko O
diusulkan O
atau O
diberi O
persetujuan O
dan O
memberikan O
notifikasi O
kepada O
pihak-pihak O
terkait O
apabila O
terdapat O
risiko O
yang O
telah O
atau O
perlu O
diberi O
persetujuan O
, O
serta O
menambahkan O
fitur O
yang O
dapat O
digunakan O
untuk O
memfilter O
penerapan O
manajemen O
risiko O
berdasarkan O
periode O
tertentu O
agar O
pihak-pihak O
pelaksana O
manajemen O
risiko O
dapat O
fokus O
pada O
risiko-risiko O
yang O
perlu O
dimitigasi O
pada O
periode O
tertentu. O

Pembangunan O
Sistem O
Informasi O
Manajemen O
Risiko O
Berbasis O
Web O
di O
Badan O
Pusat O
Statistik O
Elisa O
Imania O
( O
221810261 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Novianto O
Budi O
Kurniawan O
, O
S.ST. O
, O
M.T. O
( O
SPBE O
) O
Ringkasan—BPS O
sebagai O
instansi O
penyelenggara O
Sistem O
Pemerintahan O
Berbasis O
Elektronik O
berpeluang O
menghadapi O
kemungkinan O
ketidakpastian O
atau O
risiko O
dari O
faktor O
internal O
maupun O
eksternal. O
Manajemen O
risiko O
dilakukan O
untuk O
mencegah O
atau O
meminimalkan O
dampak O
risiko. O
Tahun O
2020 O
BPS O
sudah O
melaksanakan O
manajemen O
risiko O
untuk O
SP O
2020 O
, O
namun O
masih O
terbatas O
pada O
identifikasi O
daftar O
risiko O
, O
peluang O
kejadian O
, O
dan O
dampak O
risiko. O
Dalam O
pelaksanaannya O
, O
proses O
manajemen O
risiko O
dikerjakan O
secara O
manual O
menggunakan O
Ms.Excel O
atau O
Ms.Word O
, O
sehingga O
butuh O
waktu O
yang O
relatif O
lama O
untuk O
memperoleh O
informasi O
yang O
dibutuhkan. O
Pada O
Desember O
2020 O
, O
BPS O
sudah O
menerbitkan O
Surat O
Edaran O
mengenai O
panduan O
manajemen O
risiko O
SPBE. O
Namun O
dalam O
praktiknya O
, O
pedoman O
ini O
belum O
diimplementasikan O
secara O
menyeluruh O
dalam O
pengelolaan O
manajemen O
risiko O
di O
BPS. O
Berdasarkan O
permasalahan O
tersebut O
, O
maka O
melalui O
penelitian O
ini O
dilakukan B-TUJUAN
pembangunan I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
yang I-TUJUAN
mampu I-TUJUAN
mengelola I-TUJUAN
dan I-TUJUAN
mendokumentasikan I-TUJUAN
seluruh I-TUJUAN
proses I-TUJUAN
manajemen I-TUJUAN
risiko I-TUJUAN
sesuai I-TUJUAN
dengan I-TUJUAN
panduan I-TUJUAN
yang I-TUJUAN
diterbitkan. I-TUJUAN
Pembangunan O
sistem O
akan O
dilakukan O
menggunakan O
metode B-METODE
SDLC I-METODE
model I-METODE
prototype. I-METODE
Pengujian O
sistem O
dilakukan O
menggunakan O
black-box B-METODE
testing I-METODE
dan O
SUS B-METODE
dengan O
hasil O
yang O
menunjukkan O
bahwa O
sistem B-TEMUAN
berfungsi I-TEMUAN
sebagaimana I-TEMUAN
diharapkan I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci— O
Manajemen O
Risiko O
, O
SPBE O
, O
SDLC O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
ditarik O
beberapa O
kesimpulan O
bahwa O
permasalahan O
utama O
yang O
terjadi O
pada O
proses O
manajemen O
risiko O
di O
BPS O
adalah O
pelaksanaan O
manajemen O
risiko O
SPBE O
yang O
belum O
optimal O
dan O
belum O
sesuai O
dengan O
panduan O
manajemen O
risiko O
SPBE O
yang O
telah O
diterbitkan O
melalui O
Surat O
Edaran O
Kepala O
BPS O
Nomor O
B- O
591 O
/ O
03000 O
/ O
12 O
/ O
2020. O
Untuk O
mengatasi O
permasalahan O
tersebut O
telah O
dibangun B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
manajemen I-TUJUAN
risiko I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
Sistem O
ini O
dibangun O
berdasarkan O
panduan O
yang O
telah O
diterbitkan O
melaui O
Surat O
Edaran O
Kepala O
BPS O
yang O
telah O
disebutkan O
dengan O
menggunakan O
metode B-METODE
SDLC I-METODE
model I-METODE
prototype. I-METODE
Sistem B-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
dengan I-TEMUAN
fitur-fitur I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
untuk I-TEMUAN
menetapkan I-TEMUAN
konteks I-TEMUAN
risiko I-TEMUAN
terutama I-TEMUAN
dapat I-TEMUAN
menetapkan I-TEMUAN
kategori I-TEMUAN
risiko I-TEMUAN
dan I-TEMUAN
area I-TEMUAN
dampak I-TEMUAN
risiko I-TEMUAN
beserta I-TEMUAN
dengan I-TEMUAN
kriteria I-TEMUAN
dan I-TEMUAN
selera I-TEMUAN
risikonya I-TEMUAN
, I-TEMUAN
dapat I-TEMUAN
melakukan I-TEMUAN
penilaian I-TEMUAN
risiko I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
untuk I-TEMUAN
mengidentifikasi I-TEMUAN
lalu I-TEMUAN
menentukan I-TEMUAN
besaran I-TEMUAN
risiko I-TEMUAN
, I-TEMUAN
keputusan I-TEMUAN
penanganan I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
prioritas I-TEMUAN
dari I-TEMUAN
risiko. I-TEMUAN
Lalu O
sistem O
informasi O
yang O
berhasil O
dibangun O
juga O
dapat O
digunakan O
untuk O
membuat O
rencana O
penanganan O
terhadap O
risiko O
yang O
perlu O
ditangani O
serta O
membuat O
laporan O
pemantauan O
dari O
risiko O
yang O
telah O
ditangani O
sebelumnya. O
dibangun O
Sistem O
risiko O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
tersebut. B-TEMUAN
Hasil I-TEMUAN
pengujian I-TEMUAN
menggunakan I-TEMUAN
black-box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
fitur-fitur I-TEMUAN
yang I-TEMUAN
terdapat I-TEMUAN
dalam I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
Adapun I-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
yang I-TEMUAN
dilakukan I-TEMUAN
menggunakan I-TEMUAN
kuesioner I-TEMUAN
SUS I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
rata-rata I-TEMUAN
skor I-TEMUAN
SUS I-TEMUAN
dari I-TEMUAN
10 I-TEMUAN
orang I-TEMUAN
responden I-TEMUAN
sebasar I-TEMUAN
70,5 I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
sistem I-TEMUAN
tersebut I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Adapun O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
dan O
pengembangan O
sistem O
selanjutnya O
adalah O
menambhakan O
fitur O
tambahan O
berupa O
panduan O
bagi O
pengguna O
untuk O
mempelajari O
alur O
kerja O
pada O
sistem O
, O
menambah O
fitur O
untuk O
memonitor O
kapan O
dan O
oleh O
siapa O
suatu O
data O
manajemen O
risiko O
diusulkan O
atau O
diberi O
persetujuan O
dan O
memberikan O
notifikasi O
kepada O
pihak-pihak O
terkait O
apabila O
terdapat O
risiko O
yang O
telah O
atau O
perlu O
diberi O
persetujuan O
, O
serta O
menambahkan O
fitur O
yang O
dapat O
digunakan O
untuk O
memfilter O
penerapan O
manajemen O
risiko O
berdasarkan O
periode O
tertentu O
agar O
pihak-pihak O
pelaksana O
manajemen O
risiko O
dapat O
fokus O
pada O
risiko-risiko O
yang O
perlu O
dimitigasi O
pada O
periode O
tertentu. O

Pemodelan O
Prediksi O
Harga O
Saham O
Menggunakan O
Long-Short O
Term O
Memory O
: O
Studi O
Empiris O
pada O
Saham O
Bank O
Rakyat O
Indonesia O
Eko O
Putra O
Wahyuddin O
( O
221810259 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
, O
M.Si O
( O
kurs O
) O
. O
Selain O
Ringkasan— O
Pemodelan O
untuk O
memprediksi O
harga O
saham O
merupakan O
topik O
yang O
menarik O
untuk O
dibahas O
di O
ranah O
akademik. O
Model O
yang O
digunakan O
beragam O
, O
mulai O
dari O
model O
berbasis O
statistik O
, O
machine O
learning O
, O
hingga O
deep O
learning. O
Variabel O
independen O
yang O
digunakan O
juga O
beragam O
, O
yaitu O
history O
harga O
saham O
, O
teknikal O
indikator O
dan O
nilai O
tukar O
mata O
uang O
juga O
metode O
yang O
itu O
, O
berkembang O
menggunakan O
data O
sentimen O
sebagai O
variabel O
independen. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
akan O
menggunakan B-TUJUAN
history I-TUJUAN
harga I-TUJUAN
saham I-TUJUAN
, I-TUJUAN
10 I-TUJUAN
teknikal I-TUJUAN
indikator I-TUJUAN
, I-TUJUAN
kurs I-TUJUAN
rupiah I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
sentimen I-TUJUAN
data I-TUJUAN
berita I-TUJUAN
untuk I-TUJUAN
memprediksi I-TUJUAN
harga I-TUJUAN
saham I-TUJUAN
Bank I-TUJUAN
Rakyat I-TUJUAN
Indonesia I-TUJUAN
dan O
kemudian O
akan O
membandingkan O
kombinasi O
variabel O
mana O
yang O
paling O
baik O
untuk O
digunakan. O
Model O
yang O
digunakan O
adalah O
model O
berbasis O
deep O
learning O
yaitu O
Long-Short B-METODE
Term I-METODE
Memory. I-METODE
Selain O
itu O
akan O
dilakukan O
hyperparameter O
optimization O
dan O
walk O
forward O
validation O
untuk O
memperoleh O
model O
terbaik O
dari O
setiap O
kombinasi O
variabel O
sehingga O
perbandingan O
model O
yang O
dilakukan O
tidak O
menjadi O
bias. O
Model B-TEMUAN
terbaik I-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
adalah I-TEMUAN
model I-TEMUAN
dengan I-TEMUAN
variabel I-TEMUAN
history I-TEMUAN
harga I-TEMUAN
saham I-TEMUAN
dan I-TEMUAN
sentimen I-TEMUAN
skor I-TEMUAN
dengan I-TEMUAN
RMSE I-TEMUAN
pada I-TEMUAN
data I-TEMUAN
testing I-TEMUAN
sebesar I-TEMUAN
96.61 I-TEMUAN
dan I-TEMUAN
MAE I-TEMUAN
sebesar I-TEMUAN
86.97. I-TEMUAN
Kata O
Kunci— O
prediksi O
saham O
, O
nilai O
tukar O
mata O
uang O
, O
sentimen O
analisis O
, O
hyperparameter O
optimization O
, O
walk O
forward O
validation. O
[SEP] O
Berdasarkan O
hasil O
yang O
diperoleh O
, O
berikut O
beberapa O
hal O
yang O
dapat O
disimpulkan. O
1. O
Dengan O
menggunakan O
model O
VADER O
, O
sentimen O
data O
berita O
yang O
berkaitan O
dengan O
BRI O
cenderung O
ke O
arah O
positif O
dengan O
hanya O
1,056 O
( O
7.89 O
% O
) O
dari O
13,406 O
berita O
yang O
sentimen O
skornya O
di O
bawah O
0. O
2. O
Dalam O
memprediksi O
harga O
saham O
BRI O
, O
penambahan O
teknikal O
indikator O
tidak O
membuat O
model O
menjadi O
lebih O
baik. O
3. O
Setiap O
kombinasi O
variabel O
memiliki O
hyperparameter O
yang O
berbeda-beda O
untuk O
mencapai O
performa O
terbaiknya. O
Oleh O
karena O
itu O
sangat O
perlu O
untuk O
melakukan O
hyperparameter O
optimization O
sebelum O
menentukan O
pengaruh O
setiap O
variabel O
dalam O
pemodelan O
sehingga O
hasil O
yang O
diperoleh O
tidak O
akan O
bias. O
4. O
Kombinasi O
variabel O
terbaik O
untuk O
memprediksi O
harga O
saham O
BRI O
adalah O
𝐾𝑉2 O
dengan O
variabel O
history O
harga O
saham O
dan O
sentimen O
skor. O
Pada O
data O
testing O
model O
𝐾𝑉2 O
memiliki O
RMSE B-METODE
sebesar O
96.61 O
dan O
MAE B-METODE
sebesar O
86.97. O
Penambahan O
sentimen O
skor O
pada O
model O
𝐾𝑉2 O
, O
dapat O
menurunkan O
RMSE B-METODE
sebesar O
39.55 O
% O
jika O
dibandingkan O
dengan O
model O
𝐾𝑉1 O
yang O
hanya O
menggunakan O
history O
harga O
saham. O
5. O
Model O
time O
series O
akan O
semakin O
baik O
jika O
model O
tersebut O
dilatih O
setiap O
datanya O
bertambah. O
Penelitian O
yang O
dilakukan O
dapat O
dikembangkan O
lebih O
jauh O
lagi. O
Misalnya O
dengan O
melihat O
teknikal O
indikator O
mana O
saja O
yang O
tidak O
baik O
untuk O
digunakan O
dalam O
memprediksi O
harga O
saham. O
Selain O
itu O
bisa O
juga O
dengan O
melakukan O
simulasi O
jual O
beli O
saham O
BRI O
dengan O
memanfaatkan O
model O
𝐾𝑉2 O
sehingga O
bisa O
diketahui O
berapa O
keutungan O
ataupun O
kerugian O
yang O
mungkin O
diperoleh O
ketika O
keputusan O
untuk O
membeli O
atau O
menjual O
didasarkan O
pada O
prediksi O
model O
tersebut. O

Pemodelan O
Prediksi O
Harga O
Saham O
Menggunakan O
Long-Short O
Term O
Memory O
: O
Studi O
Empiris O
pada O
Saham O
Bank O
Rakyat O
Indonesia O
Eko O
Putra O
Wahyuddin O
( O
221810259 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
, O
M.Si O
( O
kurs O
) O
. O
Selain O
Ringkasan— O
Pemodelan O
untuk O
memprediksi O
harga O
saham O
merupakan O
topik O
yang O
menarik O
untuk O
dibahas O
di O
ranah O
akademik. O
Model O
yang O
digunakan O
beragam O
, O
mulai O
dari O
model O
berbasis O
statistik O
, O
machine O
learning O
, O
hingga O
deep O
learning. O
Variabel O
independen O
yang O
digunakan O
juga O
beragam O
, O
yaitu O
history O
harga O
saham O
, O
teknikal O
indikator O
dan O
nilai O
tukar O
mata O
uang O
juga O
metode O
yang O
itu O
, O
berkembang O
menggunakan O
data O
sentimen O
sebagai O
variabel O
independen. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
akan O
menggunakan B-TUJUAN
history I-TUJUAN
harga I-TUJUAN
saham I-TUJUAN
, I-TUJUAN
10 I-TUJUAN
teknikal I-TUJUAN
indikator I-TUJUAN
, I-TUJUAN
kurs I-TUJUAN
rupiah I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
sentimen I-TUJUAN
data I-TUJUAN
berita I-TUJUAN
untuk I-TUJUAN
memprediksi I-TUJUAN
harga I-TUJUAN
saham I-TUJUAN
Bank I-TUJUAN
Rakyat I-TUJUAN
Indonesia I-TUJUAN
dan O
kemudian O
akan O
membandingkan O
kombinasi O
variabel O
mana O
yang O
paling O
baik O
untuk O
digunakan. O
Model O
yang O
digunakan O
adalah O
model O
berbasis O
deep O
learning O
yaitu O
Long-Short B-METODE
Term I-METODE
Memory. I-METODE
Selain O
itu O
akan O
dilakukan O
hyperparameter O
optimization O
dan O
walk O
forward O
validation O
untuk O
memperoleh O
model O
terbaik O
dari O
setiap O
kombinasi O
variabel O
sehingga O
perbandingan O
model O
yang O
dilakukan O
tidak O
menjadi O
bias. O
Model B-TEMUAN
terbaik I-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
adalah I-TEMUAN
model I-TEMUAN
dengan I-TEMUAN
variabel I-TEMUAN
history I-TEMUAN
harga I-TEMUAN
saham I-TEMUAN
dan I-TEMUAN
sentimen I-TEMUAN
skor I-TEMUAN
dengan I-TEMUAN
RMSE I-TEMUAN
pada I-TEMUAN
data I-TEMUAN
testing I-TEMUAN
sebesar I-TEMUAN
96.61 I-TEMUAN
dan I-TEMUAN
MAE I-TEMUAN
sebesar I-TEMUAN
86.97. I-TEMUAN
Kata O
Kunci— O
prediksi O
saham O
, O
nilai O
tukar O
mata O
uang O
, O
sentimen O
analisis O
, O
hyperparameter O
optimization O
, O
walk O
forward O
validation. O
[SEP] O
Berdasarkan O
hasil O
yang O
diperoleh O
, O
berikut O
beberapa O
hal O
yang O
dapat O
disimpulkan. O
1. O
Dengan O
menggunakan O
model O
VADER O
, O
sentimen O
data O
berita O
yang O
berkaitan O
dengan O
BRI O
cenderung O
ke O
arah O
positif O
dengan O
hanya O
1,056 O
( O
7.89 O
% O
) O
dari O
13,406 O
berita O
yang O
sentimen O
skornya O
di O
bawah O
0. O
2. O
Dalam O
memprediksi O
harga O
saham O
BRI O
, O
penambahan O
teknikal O
indikator O
tidak O
membuat O
model O
menjadi O
lebih O
baik. O
3. O
Setiap O
kombinasi O
variabel O
memiliki O
hyperparameter O
yang O
berbeda-beda O
untuk O
mencapai O
performa O
terbaiknya. O
Oleh O
karena O
itu O
sangat O
perlu O
untuk O
melakukan O
hyperparameter O
optimization O
sebelum O
menentukan O
pengaruh O
setiap O
variabel O
dalam O
pemodelan O
sehingga O
hasil O
yang O
diperoleh O
tidak O
akan O
bias. O
4. O
Kombinasi O
variabel O
terbaik O
untuk O
memprediksi O
harga O
saham O
BRI O
adalah O
𝐾𝑉2 O
dengan O
variabel O
history O
harga O
saham O
dan O
sentimen O
skor. O
Pada O
data O
testing O
model O
𝐾𝑉2 O
memiliki O
RMSE B-METODE
sebesar O
96.61 O
dan O
MAE B-METODE
sebesar O
86.97. O
Penambahan O
sentimen O
skor O
pada O
model O
𝐾𝑉2 O
, O
dapat O
menurunkan O
RMSE B-METODE
sebesar O
39.55 O
% O
jika O
dibandingkan O
dengan O
model O
𝐾𝑉1 O
yang O
hanya O
menggunakan O
history O
harga O
saham. O
5. O
Model O
time O
series O
akan O
semakin O
baik O
jika O
model O
tersebut O
dilatih O
setiap O
datanya O
bertambah. O
Penelitian O
yang O
dilakukan O
dapat O
dikembangkan O
lebih O
jauh O
lagi. O
Misalnya O
dengan O
melihat O
teknikal O
indikator O
mana O
saja O
yang O
tidak O
baik O
untuk O
digunakan O
dalam O
memprediksi O
harga O
saham. O
Selain O
itu O
bisa O
juga O
dengan O
melakukan O
simulasi O
jual O
beli O
saham O
BRI O
dengan O
memanfaatkan O
model O
𝐾𝑉2 O
sehingga O
bisa O
diketahui O
berapa O
keutungan O
ataupun O
kerugian O
yang O
mungkin O
diperoleh O
ketika O
keputusan O
untuk O
membeli O
atau O
menjual O
didasarkan O
pada O
prediksi O
model O
tersebut. O

Pemodelan O
Prediksi O
Harga O
Saham O
Menggunakan O
Long-Short O
Term O
Memory O
: O
Studi O
Empiris O
pada O
Saham O
Bank O
Rakyat O
Indonesia O
Eko O
Putra O
Wahyuddin O
( O
221810259 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
, O
M.Si O
( O
kurs O
) O
. O
Selain O
Ringkasan— O
Pemodelan O
untuk O
memprediksi O
harga O
saham O
merupakan O
topik O
yang O
menarik O
untuk O
dibahas O
di O
ranah O
akademik. O
Model O
yang O
digunakan O
beragam O
, O
mulai O
dari O
model O
berbasis O
statistik O
, O
machine O
learning O
, O
hingga O
deep O
learning. O
Variabel O
independen O
yang O
digunakan O
juga O
beragam O
, O
yaitu O
history O
harga O
saham O
, O
teknikal O
indikator O
dan O
nilai O
tukar O
mata O
uang O
juga O
metode O
yang O
itu O
, O
berkembang O
menggunakan O
data O
sentimen O
sebagai O
variabel O
independen. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
akan O
menggunakan B-TUJUAN
history I-TUJUAN
harga I-TUJUAN
saham I-TUJUAN
, I-TUJUAN
10 I-TUJUAN
teknikal I-TUJUAN
indikator I-TUJUAN
, I-TUJUAN
kurs I-TUJUAN
rupiah I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
sentimen I-TUJUAN
data I-TUJUAN
berita I-TUJUAN
untuk I-TUJUAN
memprediksi I-TUJUAN
harga I-TUJUAN
saham I-TUJUAN
Bank I-TUJUAN
Rakyat I-TUJUAN
Indonesia I-TUJUAN
dan O
kemudian O
akan O
membandingkan O
kombinasi O
variabel O
mana O
yang O
paling O
baik O
untuk O
digunakan. O
Model O
yang O
digunakan O
adalah O
model O
berbasis O
deep O
learning O
yaitu O
Long-Short B-METODE
Term I-METODE
Memory. I-METODE
Selain O
itu O
akan O
dilakukan O
hyperparameter O
optimization O
dan O
walk O
forward O
validation O
untuk O
memperoleh O
model O
terbaik O
dari O
setiap O
kombinasi O
variabel O
sehingga O
perbandingan O
model O
yang O
dilakukan O
tidak O
menjadi O
bias. O
Model B-TEMUAN
terbaik I-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
adalah I-TEMUAN
model I-TEMUAN
dengan I-TEMUAN
variabel I-TEMUAN
history I-TEMUAN
harga I-TEMUAN
saham I-TEMUAN
dan I-TEMUAN
sentimen I-TEMUAN
skor I-TEMUAN
dengan I-TEMUAN
RMSE I-TEMUAN
pada I-TEMUAN
data I-TEMUAN
testing I-TEMUAN
sebesar I-TEMUAN
96.61 I-TEMUAN
dan I-TEMUAN
MAE I-TEMUAN
sebesar I-TEMUAN
86.97. I-TEMUAN
Kata O
Kunci— O
prediksi O
saham O
, O
nilai O
tukar O
mata O
uang O
, O
sentimen O
analisis O
, O
hyperparameter O
optimization O
, O
walk O
forward O
validation. O
[SEP] O
Berdasarkan O
hasil O
yang O
diperoleh O
, O
berikut O
beberapa O
hal O
yang O
dapat O
disimpulkan. O
1. O
Dengan O
menggunakan O
model O
VADER O
, O
sentimen O
data O
berita O
yang O
berkaitan O
dengan O
BRI O
cenderung O
ke O
arah O
positif O
dengan O
hanya O
1,056 O
( O
7.89 O
% O
) O
dari O
13,406 O
berita O
yang O
sentimen O
skornya O
di O
bawah O
0. O
2. O
Dalam O
memprediksi O
harga O
saham O
BRI O
, O
penambahan O
teknikal O
indikator O
tidak O
membuat O
model O
menjadi O
lebih O
baik. O
3. O
Setiap O
kombinasi O
variabel O
memiliki O
hyperparameter O
yang O
berbeda-beda O
untuk O
mencapai O
performa O
terbaiknya. O
Oleh O
karena O
itu O
sangat O
perlu O
untuk O
melakukan O
hyperparameter O
optimization O
sebelum O
menentukan O
pengaruh O
setiap O
variabel O
dalam O
pemodelan O
sehingga O
hasil O
yang O
diperoleh O
tidak O
akan O
bias. O
4. O
Kombinasi O
variabel O
terbaik O
untuk O
memprediksi O
harga O
saham O
BRI O
adalah O
𝐾𝑉2 O
dengan O
variabel O
history O
harga O
saham O
dan O
sentimen O
skor. O
Pada O
data O
testing O
model O
𝐾𝑉2 O
memiliki O
RMSE B-METODE
sebesar O
96.61 O
dan O
MAE B-METODE
sebesar O
86.97. O
Penambahan O
sentimen O
skor O
pada O
model O
𝐾𝑉2 O
, O
dapat O
menurunkan O
RMSE B-METODE
sebesar O
39.55 O
% O
jika O
dibandingkan O
dengan O
model O
𝐾𝑉1 O
yang O
hanya O
menggunakan O
history O
harga O
saham. O
5. O
Model O
time O
series O
akan O
semakin O
baik O
jika O
model O
tersebut O
dilatih O
setiap O
datanya O
bertambah. O
Penelitian O
yang O
dilakukan O
dapat O
dikembangkan O
lebih O
jauh O
lagi. O
Misalnya O
dengan O
melihat O
teknikal O
indikator O
mana O
saja O
yang O
tidak O
baik O
untuk O
digunakan O
dalam O
memprediksi O
harga O
saham. O
Selain O
itu O
bisa O
juga O
dengan O
melakukan O
simulasi O
jual O
beli O
saham O
BRI O
dengan O
memanfaatkan O
model O
𝐾𝑉2 O
sehingga O
bisa O
diketahui O
berapa O
keutungan O
ataupun O
kerugian O
yang O
mungkin O
diperoleh O
ketika O
keputusan O
untuk O
membeli O
atau O
menjual O
didasarkan O
pada O
prediksi O
model O
tersebut. O

Penambahan O
Fitur O
Ubah O
Kode O
Amatan O
dan O
Pemanfaatan O
Web O
Service O
pada O
Sistem O
Sampling O
Ubinan O
Komoditas O
Padi O
Edo O
Finmansyah O
Akbar O
( O
221810256 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Erna O
Nurmawati O
, O
S.S.T O
, O
M.T. O
Ringkasan— O
Penyediaan O
data O
pertanian O
merupakan O
tanggung O
jawab O
dari O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
. O
BPS O
menyediakan O
data O
produksi O
padi O
dengan O
melaksanakan O
survei O
ubinan O
tanaman O
padi O
berbasis O
Kerangka O
Sampel O
Area O
( O
KSA O
) O
. O
Kegiatan O
survei O
ubinan O
berbasis O
KSA O
dilakukan O
setiap O
bulan O
, O
hasil O
dari O
KSA O
merupakan O
input O
dari O
Sistem O
Sampling O
Ubinan O
Komoditas O
Padi O
untuk O
dilakukan O
penyusunan O
kerangka O
sampel O
dan O
penarikan O
sampel O
oleh O
Subdit O
Pengembangan O
Kerangka O
Sampel O
( O
Subdit O
PKS O
) O
. O
Pada O
sistem O
yang O
berjalan O
saat O
ini O
, O
hasil O
KSA O
perlu O
dilakukan O
proses O
ubah O
kode O
amatan O
padi O
oleh O
Subdit O
Tanaman O
Pangan O
dan O
data O
preparation O
oleh O
Subdit O
PKS O
secara O
manual O
sebelum O
akhirnya O
diunggah O
ke O
dalam O
Sistem O
Sampling O
Ubinan O
Komoditas O
Padi. O
Hasil O
penarikan O
sampel O
oleh O
Sistem O
Sampling O
Ubinan O
Komoditas O
Padi O
akan O
dikirim O
ke O
Subdit O
Integrasi O
Pengolahan O
Data O
( O
Subdit O
IPD O
) O
kemudian O
diunggah O
ke O
dalam O
Sistem O
CAPI O
Ubinan O
Padi. O
Terdapat O
beberapa O
proses O
yang O
dinilai O
kurang O
efisien O
oleh O
Subdit O
PKS O
pada O
sistem O
berjalan. O
Proses O
pengiriman O
data O
pada O
sistem O
KSA O
melalui O
email O
, O
ubah O
kode O
amatan O
padi O
oleh O
Subdit O
Tanaman O
Pangan O
, O
pengiriman O
hasil O
ubah O
kode O
amatan O
padi O
melalui O
email O
, O
proses O
data O
preparation O
menggunakan O
bantuan O
aplikasi O
tambahan O
, O
serta O
pengiriman O
dokumen O
sampel O
dari O
Sistem O
Sampling O
Ubinan O
Komoditas O
Padi O
menuju O
Sistem O
CAPI O
Ubinan O
yang O
semuanya O
masih O
dilakukan O
secara O
manual O
merupakan O
penyebab O
ketidakefisienan O
proses O
bisnis O
yang O
ada O
saat O
ini. O
Oleh O
karena O
itu O
perlu O
sebuah O
perbaikan O
dalam O
alur O
proses O
data O
hasil O
ubinan. O
Sistem O
yang O
saat O
ini O
tidak O
saling O
terintegrasi O
membuat O
proses O
dilakukan O
secara O
manual. O
Solusi O
yang O
diberikan O
dalam O
penelitian O
ini O
berupa O
penambahan B-TUJUAN
fitur I-TUJUAN
untuk I-TUJUAN
proses I-TUJUAN
ubah I-TUJUAN
kode I-TUJUAN
amatan I-TUJUAN
padi I-TUJUAN
dan I-TUJUAN
data I-TUJUAN
preparation I-TUJUAN
pada I-TUJUAN
Sistem I-TUJUAN
Sampling I-TUJUAN
Ubinan I-TUJUAN
Komoditas I-TUJUAN
Padi I-TUJUAN
serta I-TUJUAN
rekomendasi I-TUJUAN
pemanfaatan I-TUJUAN
web I-TUJUAN
service I-TUJUAN
untuk I-TUJUAN
integrasi I-TUJUAN
antar I-TUJUAN
sistem I-TUJUAN
( I-TUJUAN
Sistem I-TUJUAN
KSA I-TUJUAN
, I-TUJUAN
Sistem I-TUJUAN
Sampling I-TUJUAN
Ubinan I-TUJUAN
Komoditas I-TUJUAN
Padi I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
Sistem I-TUJUAN
CAPI I-TUJUAN
Ubinan I-TUJUAN
) I-TUJUAN
. O
Kata O
Kunci— O
BPS O
, O
Sistem O
, O
KSA O
, O
Web O
Service O
, O
Ubinan O
[SEP] O
Berdasarkan O
penelitian O
yang O
sudah O
dilakukan O
, O
diperoleh O
beberapa O
kesimpulan O
sebagai O
berikut. O
1. O
Penambahan B-TEMUAN
fitur I-TEMUAN
ubah I-TEMUAN
kode I-TEMUAN
amatan I-TEMUAN
padi I-TEMUAN
dan I-TEMUAN
data I-TEMUAN
preparation I-TEMUAN
pada I-TEMUAN
Sistem I-TEMUAN
Sampling I-TEMUAN
Ubinan I-TEMUAN
Komoditas I-TEMUAN
Padi I-TEMUAN
dapat I-TEMUAN
membantu I-TEMUAN
petugas I-TEMUAN
dalam I-TEMUAN
melakukan I-TEMUAN
kegiatan I-TEMUAN
tersebut. I-TEMUAN
2. O
Sistem O
menyediakan O
rekomendasi O
rancangan O
arsitektur O
pada O
Sistem O
KSA O
menuju O
Sistem O
Sampling O
Ubinan O

Penambahan O
Fitur O
Ubah O
Kode O
Amatan O
dan O
Pemanfaatan O
Web O
Service O
pada O
Sistem O
Sampling O
Ubinan O
Komoditas O
Padi O
Edo O
Finmansyah O
Akbar O
( O
221810256 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Erna O
Nurmawati O
, O
S.S.T O
, O
M.T. O
Ringkasan— O
Penyediaan O
data O
pertanian O
merupakan O
tanggung O
jawab O
dari O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
. O
BPS O
menyediakan O
data O
produksi O
padi O
dengan O
melaksanakan O
survei O
ubinan O
tanaman O
padi O
berbasis O
Kerangka O
Sampel O
Area O
( O
KSA O
) O
. O
Kegiatan O
survei O
ubinan O
berbasis O
KSA O
dilakukan O
setiap O
bulan O
, O
hasil O
dari O
KSA O
merupakan O
input O
dari O
Sistem O
Sampling O
Ubinan O
Komoditas O
Padi O
untuk O
dilakukan O
penyusunan O
kerangka O
sampel O
dan O
penarikan O
sampel O
oleh O
Subdit O
Pengembangan O
Kerangka O
Sampel O
( O
Subdit O
PKS O
) O
. O
Pada O
sistem O
yang O
berjalan O
saat O
ini O
, O
hasil O
KSA O
perlu O
dilakukan O
proses O
ubah O
kode O
amatan O
padi O
oleh O
Subdit O
Tanaman O
Pangan O
dan O
data O
preparation O
oleh O
Subdit O
PKS O
secara O
manual O
sebelum O
akhirnya O
diunggah O
ke O
dalam O
Sistem O
Sampling O
Ubinan O
Komoditas O
Padi. O
Hasil O
penarikan O
sampel O
oleh O
Sistem O
Sampling O
Ubinan O
Komoditas O
Padi O
akan O
dikirim O
ke O
Subdit O
Integrasi O
Pengolahan O
Data O
( O
Subdit O
IPD O
) O
kemudian O
diunggah O
ke O
dalam O
Sistem O
CAPI O
Ubinan O
Padi. O
Terdapat O
beberapa O
proses O
yang O
dinilai O
kurang O
efisien O
oleh O
Subdit O
PKS O
pada O
sistem O
berjalan. O
Proses O
pengiriman O
data O
pada O
sistem O
KSA O
melalui O
email O
, O
ubah O
kode O
amatan O
padi O
oleh O
Subdit O
Tanaman O
Pangan O
, O
pengiriman O
hasil O
ubah O
kode O
amatan O
padi O
melalui O
email O
, O
proses O
data O
preparation O
menggunakan O
bantuan O
aplikasi O
tambahan O
, O
serta O
pengiriman O
dokumen O
sampel O
dari O
Sistem O
Sampling O
Ubinan O
Komoditas O
Padi O
menuju O
Sistem O
CAPI O
Ubinan O
yang O
semuanya O
masih O
dilakukan O
secara O
manual O
merupakan O
penyebab O
ketidakefisienan O
proses O
bisnis O
yang O
ada O
saat O
ini. O
Oleh O
karena O
itu O
perlu O
sebuah O
perbaikan O
dalam O
alur O
proses O
data O
hasil O
ubinan. O
Sistem O
yang O
saat O
ini O
tidak O
saling O
terintegrasi O
membuat O
proses O
dilakukan O
secara O
manual. O
Solusi O
yang O
diberikan O
dalam O
penelitian O
ini O
berupa O
penambahan B-TUJUAN
fitur I-TUJUAN
untuk I-TUJUAN
proses I-TUJUAN
ubah I-TUJUAN
kode I-TUJUAN
amatan I-TUJUAN
padi I-TUJUAN
dan I-TUJUAN
data I-TUJUAN
preparation I-TUJUAN
pada I-TUJUAN
Sistem I-TUJUAN
Sampling I-TUJUAN
Ubinan I-TUJUAN
Komoditas I-TUJUAN
Padi I-TUJUAN
serta I-TUJUAN
rekomendasi I-TUJUAN
pemanfaatan I-TUJUAN
web I-TUJUAN
service I-TUJUAN
untuk I-TUJUAN
integrasi I-TUJUAN
antar I-TUJUAN
sistem I-TUJUAN
( I-TUJUAN
Sistem I-TUJUAN
KSA I-TUJUAN
, I-TUJUAN
Sistem I-TUJUAN
Sampling I-TUJUAN
Ubinan I-TUJUAN
Komoditas I-TUJUAN
Padi I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
Sistem I-TUJUAN
CAPI I-TUJUAN
Ubinan I-TUJUAN
) I-TUJUAN
. O
Kata O
Kunci— O
BPS O
, O
Sistem O
, O
KSA O
, O
Web O
Service O
, O
Ubinan O
[SEP] O
Berdasarkan O
penelitian O
yang O
sudah O
dilakukan O
, O
diperoleh O
beberapa O
kesimpulan O
sebagai O
berikut. O
1. O
Penambahan B-TEMUAN
fitur I-TEMUAN
ubah I-TEMUAN
kode I-TEMUAN
amatan I-TEMUAN
padi I-TEMUAN
dan I-TEMUAN
data I-TEMUAN
preparation I-TEMUAN
pada I-TEMUAN
Sistem I-TEMUAN
Sampling I-TEMUAN
Ubinan I-TEMUAN
Komoditas I-TEMUAN
Padi I-TEMUAN
dapat I-TEMUAN
membantu I-TEMUAN
petugas I-TEMUAN
dalam I-TEMUAN
melakukan I-TEMUAN
kegiatan I-TEMUAN
tersebut. I-TEMUAN
2. O
Sistem O
menyediakan O
rekomendasi O
rancangan O
arsitektur O
pada O
Sistem O
KSA O
menuju O
Sistem O
Sampling O
Ubinan O

Penambahan O
Fitur O
Ubah O
Kode O
Amatan O
dan O
Pemanfaatan O
Web O
Service O
pada O
Sistem O
Sampling O
Ubinan O
Komoditas O
Padi O
Edo O
Finmansyah O
Akbar O
( O
221810256 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Erna O
Nurmawati O
, O
S.S.T O
, O
M.T. O
Ringkasan— O
Penyediaan O
data O
pertanian O
merupakan O
tanggung O
jawab O
dari O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
. O
BPS O
menyediakan O
data O
produksi O
padi O
dengan O
melaksanakan O
survei O
ubinan O
tanaman O
padi O
berbasis O
Kerangka O
Sampel O
Area O
( O
KSA O
) O
. O
Kegiatan O
survei O
ubinan O
berbasis O
KSA O
dilakukan O
setiap O
bulan O
, O
hasil O
dari O
KSA O
merupakan O
input O
dari O
Sistem O
Sampling O
Ubinan O
Komoditas O
Padi O
untuk O
dilakukan O
penyusunan O
kerangka O
sampel O
dan O
penarikan O
sampel O
oleh O
Subdit O
Pengembangan O
Kerangka O
Sampel O
( O
Subdit O
PKS O
) O
. O
Pada O
sistem O
yang O
berjalan O
saat O
ini O
, O
hasil O
KSA O
perlu O
dilakukan O
proses O
ubah O
kode O
amatan O
padi O
oleh O
Subdit O
Tanaman O
Pangan O
dan O
data O
preparation O
oleh O
Subdit O
PKS O
secara O
manual O
sebelum O
akhirnya O
diunggah O
ke O
dalam O
Sistem O
Sampling O
Ubinan O
Komoditas O
Padi. O
Hasil O
penarikan O
sampel O
oleh O
Sistem O
Sampling O
Ubinan O
Komoditas O
Padi O
akan O
dikirim O
ke O
Subdit O
Integrasi O
Pengolahan O
Data O
( O
Subdit O
IPD O
) O
kemudian O
diunggah O
ke O
dalam O
Sistem O
CAPI O
Ubinan O
Padi. O
Terdapat O
beberapa O
proses O
yang O
dinilai O
kurang O
efisien O
oleh O
Subdit O
PKS O
pada O
sistem O
berjalan. O
Proses O
pengiriman O
data O
pada O
sistem O
KSA O
melalui O
email O
, O
ubah O
kode O
amatan O
padi O
oleh O
Subdit O
Tanaman O
Pangan O
, O
pengiriman O
hasil O
ubah O
kode O
amatan O
padi O
melalui O
email O
, O
proses O
data O
preparation O
menggunakan O
bantuan O
aplikasi O
tambahan O
, O
serta O
pengiriman O
dokumen O
sampel O
dari O
Sistem O
Sampling O
Ubinan O
Komoditas O
Padi O
menuju O
Sistem O
CAPI O
Ubinan O
yang O
semuanya O
masih O
dilakukan O
secara O
manual O
merupakan O
penyebab O
ketidakefisienan O
proses O
bisnis O
yang O
ada O
saat O
ini. O
Oleh O
karena O
itu O
perlu O
sebuah O
perbaikan O
dalam O
alur O
proses O
data O
hasil O
ubinan. O
Sistem O
yang O
saat O
ini O
tidak O
saling O
terintegrasi O
membuat O
proses O
dilakukan O
secara O
manual. O
Solusi O
yang O
diberikan O
dalam O
penelitian O
ini O
berupa O
penambahan B-TUJUAN
fitur I-TUJUAN
untuk I-TUJUAN
proses I-TUJUAN
ubah I-TUJUAN
kode I-TUJUAN
amatan I-TUJUAN
padi I-TUJUAN
dan I-TUJUAN
data I-TUJUAN
preparation I-TUJUAN
pada I-TUJUAN
Sistem I-TUJUAN
Sampling I-TUJUAN
Ubinan I-TUJUAN
Komoditas I-TUJUAN
Padi I-TUJUAN
serta I-TUJUAN
rekomendasi I-TUJUAN
pemanfaatan I-TUJUAN
web I-TUJUAN
service I-TUJUAN
untuk I-TUJUAN
integrasi I-TUJUAN
antar I-TUJUAN
sistem I-TUJUAN
( I-TUJUAN
Sistem I-TUJUAN
KSA I-TUJUAN
, I-TUJUAN
Sistem I-TUJUAN
Sampling I-TUJUAN
Ubinan I-TUJUAN
Komoditas I-TUJUAN
Padi I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
Sistem I-TUJUAN
CAPI I-TUJUAN
Ubinan I-TUJUAN
) I-TUJUAN
. O
Kata O
Kunci— O
BPS O
, O
Sistem O
, O
KSA O
, O
Web O
Service O
, O
Ubinan O
[SEP] O
Berdasarkan O
penelitian O
yang O
sudah O
dilakukan O
, O
diperoleh O
beberapa O
kesimpulan O
sebagai O
berikut. O
1. O
Penambahan B-TEMUAN
fitur I-TEMUAN
ubah I-TEMUAN
kode I-TEMUAN
amatan I-TEMUAN
padi I-TEMUAN
dan I-TEMUAN
data I-TEMUAN
preparation I-TEMUAN
pada I-TEMUAN
Sistem I-TEMUAN
Sampling I-TEMUAN
Ubinan I-TEMUAN
Komoditas I-TEMUAN
Padi I-TEMUAN
dapat I-TEMUAN
membantu I-TEMUAN
petugas I-TEMUAN
dalam I-TEMUAN
melakukan I-TEMUAN
kegiatan I-TEMUAN
tersebut. I-TEMUAN
2. O
Sistem O
menyediakan O
rekomendasi O
rancangan O
arsitektur O
pada O
Sistem O
KSA O
menuju O
Sistem O
Sampling O
Ubinan O

dan O
Pembangunan O
Visualisasi O
Data O
Menggunakan O
Sistem O
Informasi O
Geografis O
Studi O
Kasus O
: O
BPS O
Provinsi O
Riau O
Dimas O
Al-khusuufi O
( O
221810245 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Rindang O
Bangun O
Prasetyo O
, O
S.S.T O
, O
M.Si O
Ringkasan— O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
dituntut O
untuk O
mengembangkan O
sistem O
informasi O
statistik O
dan O
meningkatkan O
penyebarluasan O
informasi O
statistik. O
Tak O
terkecuali O
BPS O
Provinsi O
Riau. O
Salah O
satu O
cara O
yang O
efektif O
dalam O
penyebarluasan O
informasi O
tersebut O
adalah O
melalui O
visualisasi O
data O
menggunakan O
peta O
tematik. O
Berdasarkan O
hasil O
wawancara O
dengan O
salah O
satu O
staf O
Integrasi O
Pengolahan O
dan O
Diseminasi O
Statistik O
( O
IPDS O
) O
BPS O
Provinsi O
Riau O
, O
visualisasi O
data O
saat O
ini O
hanya O
berupa O
tabel O
dan O
grafik. O
Belum O
ada O
sistem O
yang O
dikhususkan O
untuk O
membuat O
dan O
menampilkan O
peta O
tematik. O
Selain O
itu O
, O
BPS O
Provinsi O
Riau O
ingin O
agar O
pengguna O
dapat O
membuat O
peta O
tematik O
secara O
mandiri. O
Penelitian O
ini O
telah O
berhasil O
membangun B-TUJUAN
sistem I-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
dalam I-TUJUAN
bentuk I-TUJUAN
peta I-TUJUAN
tematik I-TUJUAN
dan I-TUJUAN
sistem I-TUJUAN
dapat I-TUJUAN
memvisualisasikan I-TUJUAN
data I-TUJUAN
yang I-TUJUAN
bersumber I-TUJUAN
dari I-TUJUAN
BPS I-TUJUAN
Provinsi I-TUJUAN
Riau I-TUJUAN
dan I-TUJUAN
yang I-TUJUAN
bersumber I-TUJUAN
dari I-TUJUAN
pengguna I-TUJUAN
itu I-TUJUAN
sendiri. I-TUJUAN
Berdasarkan O
hasil O
uji B-METODE
black-box I-METODE
, I-METODE
15 B-TEMUAN
skenario I-TEMUAN
pengujian I-TEMUAN
telah I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
sukses. I-TEMUAN
Sedangkan O
pada O
pengujian O
usabilitas B-METODE
SUS I-METODE
, O
dari B-TEMUAN
10 I-TEMUAN
yang I-TEMUAN
rata-rata I-TEMUAN
responden I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
sudah I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
didapatkan I-TEMUAN
sebesar I-TEMUAN
72,5 I-TEMUAN
Kata O
Kunci— O
Peta O
Tematik O
, O
Visualisasi O
Data O
, O
Black-box O
, O
SUS O
[SEP] O
7.1. O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
yang O
telah O
dipaparkan O
, O
maka O
dapat O
disimpulkan O
sebagai O
berikut. O
1. O
Peneliti O
telah O
berhasil B-TUJUAN
membangun I-TUJUAN
sistem I-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
dalam I-TUJUAN
bentuk I-TUJUAN
peta I-TUJUAN
tematik. I-TUJUAN
a. O
Pada B-TEMUAN
pengujian I-TEMUAN
black-box I-TEMUAN
, I-TEMUAN
setiap I-TEMUAN
skenario I-TEMUAN
pengujian I-TEMUAN
fungsi I-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
sukses. I-TEMUAN
b. O
Pada B-TEMUAN
pengujian I-TEMUAN
usabilitas I-TEMUAN
SUS I-TEMUAN
, I-TEMUAN
didapatkan I-TEMUAN
rata-rata I-TEMUAN
skor I-TEMUAN
sebesar I-TEMUAN
72,5. I-TEMUAN
Hal I-TEMUAN
ini I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
berada I-TEMUAN
pada I-TEMUAN
rentang I-TEMUAN
OK. I-TEMUAN
2. O
Sistem O
fitur O
telah O
menyediakan O
yang O
memungkinkan O
untuk O
memvisualisasikan O
data O
baik O
data O
BPS O
Provinsi O
Riau O
maupun O
data O
yang O
dientri O
oleh O
pengguna. O
pengguna O
7.2. O
Saran O
sistem O
ini O
masih O
Pembangunan O
terdapat O
kekurangan. O
Sistem O
ini O
masih O
dapat O
dikembangkan O
lebih O
lanjut O
untuk O
memenuhi O
kebutuhan-kebutuhan O
di O
masa O
yang O
akan O
datang. O
Berikut O
beberapa O
saran O
dari O
penulis O
untuk O
pengembangan O
lebih O
lanjut. O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
1. O
Menyediakan O
fitur O
analisis O
spasial. O
2. O
Peningkatan O
level O
visualisasi O
data O
hingga O
level O
kecamatan O
atau O
desa. O

dan O
Pembangunan O
Visualisasi O
Data O
Menggunakan O
Sistem O
Informasi O
Geografis O
Studi O
Kasus O
: O
BPS O
Provinsi O
Riau O
Dimas O
Al-khusuufi O
( O
221810245 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Rindang O
Bangun O
Prasetyo O
, O
S.S.T O
, O
M.Si O
Ringkasan— O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
dituntut O
untuk O
mengembangkan O
sistem O
informasi O
statistik O
dan O
meningkatkan O
penyebarluasan O
informasi O
statistik. O
Tak O
terkecuali O
BPS O
Provinsi O
Riau. O
Salah O
satu O
cara O
yang O
efektif O
dalam O
penyebarluasan O
informasi O
tersebut O
adalah O
melalui O
visualisasi O
data O
menggunakan O
peta O
tematik. O
Berdasarkan O
hasil O
wawancara O
dengan O
salah O
satu O
staf O
Integrasi O
Pengolahan O
dan O
Diseminasi O
Statistik O
( O
IPDS O
) O
BPS O
Provinsi O
Riau O
, O
visualisasi O
data O
saat O
ini O
hanya O
berupa O
tabel O
dan O
grafik. O
Belum O
ada O
sistem O
yang O
dikhususkan O
untuk O
membuat O
dan O
menampilkan O
peta O
tematik. O
Selain O
itu O
, O
BPS O
Provinsi O
Riau O
ingin O
agar O
pengguna O
dapat O
membuat O
peta O
tematik O
secara O
mandiri. O
Penelitian O
ini O
telah O
berhasil O
membangun B-TUJUAN
sistem I-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
dalam I-TUJUAN
bentuk I-TUJUAN
peta I-TUJUAN
tematik I-TUJUAN
dan I-TUJUAN
sistem I-TUJUAN
dapat I-TUJUAN
memvisualisasikan I-TUJUAN
data I-TUJUAN
yang I-TUJUAN
bersumber I-TUJUAN
dari I-TUJUAN
BPS I-TUJUAN
Provinsi I-TUJUAN
Riau I-TUJUAN
dan I-TUJUAN
yang I-TUJUAN
bersumber I-TUJUAN
dari I-TUJUAN
pengguna I-TUJUAN
itu I-TUJUAN
sendiri. I-TUJUAN
Berdasarkan O
hasil O
uji B-METODE
black-box I-METODE
, I-METODE
15 B-TEMUAN
skenario I-TEMUAN
pengujian I-TEMUAN
telah I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
sukses. I-TEMUAN
Sedangkan O
pada O
pengujian O
usabilitas B-METODE
SUS I-METODE
, O
dari B-TEMUAN
10 I-TEMUAN
yang I-TEMUAN
rata-rata I-TEMUAN
responden I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
sudah I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
didapatkan I-TEMUAN
sebesar I-TEMUAN
72,5 I-TEMUAN
Kata O
Kunci— O
Peta O
Tematik O
, O
Visualisasi O
Data O
, O
Black-box O
, O
SUS O
[SEP] O
7.1. O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
yang O
telah O
dipaparkan O
, O
maka O
dapat O
disimpulkan O
sebagai O
berikut. O
1. O
Peneliti O
telah O
berhasil B-TUJUAN
membangun I-TUJUAN
sistem I-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
dalam I-TUJUAN
bentuk I-TUJUAN
peta I-TUJUAN
tematik. I-TUJUAN
a. O
Pada B-TEMUAN
pengujian I-TEMUAN
black-box I-TEMUAN
, I-TEMUAN
setiap I-TEMUAN
skenario I-TEMUAN
pengujian I-TEMUAN
fungsi I-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
sukses. I-TEMUAN
b. O
Pada B-TEMUAN
pengujian I-TEMUAN
usabilitas I-TEMUAN
SUS I-TEMUAN
, I-TEMUAN
didapatkan I-TEMUAN
rata-rata I-TEMUAN
skor I-TEMUAN
sebesar I-TEMUAN
72,5. I-TEMUAN
Hal I-TEMUAN
ini I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
berada I-TEMUAN
pada I-TEMUAN
rentang I-TEMUAN
OK. I-TEMUAN
2. O
Sistem O
fitur O
telah O
menyediakan O
yang O
memungkinkan O
untuk O
memvisualisasikan O
data O
baik O
data O
BPS O
Provinsi O
Riau O
maupun O
data O
yang O
dientri O
oleh O
pengguna. O
pengguna O
7.2. O
Saran O
sistem O
ini O
masih O
Pembangunan O
terdapat O
kekurangan. O
Sistem O
ini O
masih O
dapat O
dikembangkan O
lebih O
lanjut O
untuk O
memenuhi O
kebutuhan-kebutuhan O
di O
masa O
yang O
akan O
datang. O
Berikut O
beberapa O
saran O
dari O
penulis O
untuk O
pengembangan O
lebih O
lanjut. O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
1. O
Menyediakan O
fitur O
analisis O
spasial. O
2. O
Peningkatan O
level O
visualisasi O
data O
hingga O
level O
kecamatan O
atau O
desa. O

dan O
Pembangunan O
Visualisasi O
Data O
Menggunakan O
Sistem O
Informasi O
Geografis O
Studi O
Kasus O
: O
BPS O
Provinsi O
Riau O
Dimas O
Al-khusuufi O
( O
221810245 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Rindang O
Bangun O
Prasetyo O
, O
S.S.T O
, O
M.Si O
Ringkasan— O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
dituntut O
untuk O
mengembangkan O
sistem O
informasi O
statistik O
dan O
meningkatkan O
penyebarluasan O
informasi O
statistik. O
Tak O
terkecuali O
BPS O
Provinsi O
Riau. O
Salah O
satu O
cara O
yang O
efektif O
dalam O
penyebarluasan O
informasi O
tersebut O
adalah O
melalui O
visualisasi O
data O
menggunakan O
peta O
tematik. O
Berdasarkan O
hasil O
wawancara O
dengan O
salah O
satu O
staf O
Integrasi O
Pengolahan O
dan O
Diseminasi O
Statistik O
( O
IPDS O
) O
BPS O
Provinsi O
Riau O
, O
visualisasi O
data O
saat O
ini O
hanya O
berupa O
tabel O
dan O
grafik. O
Belum O
ada O
sistem O
yang O
dikhususkan O
untuk O
membuat O
dan O
menampilkan O
peta O
tematik. O
Selain O
itu O
, O
BPS O
Provinsi O
Riau O
ingin O
agar O
pengguna O
dapat O
membuat O
peta O
tematik O
secara O
mandiri. O
Penelitian O
ini O
telah O
berhasil O
membangun B-TUJUAN
sistem I-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
dalam I-TUJUAN
bentuk I-TUJUAN
peta I-TUJUAN
tematik I-TUJUAN
dan I-TUJUAN
sistem I-TUJUAN
dapat I-TUJUAN
memvisualisasikan I-TUJUAN
data I-TUJUAN
yang I-TUJUAN
bersumber I-TUJUAN
dari I-TUJUAN
BPS I-TUJUAN
Provinsi I-TUJUAN
Riau I-TUJUAN
dan I-TUJUAN
yang I-TUJUAN
bersumber I-TUJUAN
dari I-TUJUAN
pengguna I-TUJUAN
itu I-TUJUAN
sendiri. I-TUJUAN
Berdasarkan O
hasil O
uji B-METODE
black-box I-METODE
, I-METODE
15 B-TEMUAN
skenario I-TEMUAN
pengujian I-TEMUAN
telah I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
sukses. I-TEMUAN
Sedangkan O
pada O
pengujian O
usabilitas B-METODE
SUS I-METODE
, O
dari B-TEMUAN
10 I-TEMUAN
yang I-TEMUAN
rata-rata I-TEMUAN
responden I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
sudah I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
didapatkan I-TEMUAN
sebesar I-TEMUAN
72,5 I-TEMUAN
Kata O
Kunci— O
Peta O
Tematik O
, O
Visualisasi O
Data O
, O
Black-box O
, O
SUS O
[SEP] O
7.1. O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
yang O
telah O
dipaparkan O
, O
maka O
dapat O
disimpulkan O
sebagai O
berikut. O
1. O
Peneliti O
telah O
berhasil B-TUJUAN
membangun I-TUJUAN
sistem I-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
dalam I-TUJUAN
bentuk I-TUJUAN
peta I-TUJUAN
tematik. I-TUJUAN
a. O
Pada B-TEMUAN
pengujian I-TEMUAN
black-box I-TEMUAN
, I-TEMUAN
setiap I-TEMUAN
skenario I-TEMUAN
pengujian I-TEMUAN
fungsi I-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
sukses. I-TEMUAN
b. O
Pada B-TEMUAN
pengujian I-TEMUAN
usabilitas I-TEMUAN
SUS I-TEMUAN
, I-TEMUAN
didapatkan I-TEMUAN
rata-rata I-TEMUAN
skor I-TEMUAN
sebesar I-TEMUAN
72,5. I-TEMUAN
Hal I-TEMUAN
ini I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
berada I-TEMUAN
pada I-TEMUAN
rentang I-TEMUAN
OK. I-TEMUAN
2. O
Sistem O
fitur O
telah O
menyediakan O
yang O
memungkinkan O
untuk O
memvisualisasikan O
data O
baik O
data O
BPS O
Provinsi O
Riau O
maupun O
data O
yang O
dientri O
oleh O
pengguna. O
pengguna O
7.2. O
Saran O
sistem O
ini O
masih O
Pembangunan O
terdapat O
kekurangan. O
Sistem O
ini O
masih O
dapat O
dikembangkan O
lebih O
lanjut O
untuk O
memenuhi O
kebutuhan-kebutuhan O
di O
masa O
yang O
akan O
datang. O
Berikut O
beberapa O
saran O
dari O
penulis O
untuk O
pengembangan O
lebih O
lanjut. O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
1. O
Menyediakan O
fitur O
analisis O
spasial. O
2. O
Peningkatan O
level O
visualisasi O
data O
hingga O
level O
kecamatan O
atau O
desa. O

dan O
Pembangunan O
Visualisasi O
Data O
Menggunakan O
Sistem O
Informasi O
Geografis O
Studi O
Kasus O
: O
BPS O
Provinsi O
Riau O
Dimas O
Al-khusuufi O
( O
221810245 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Rindang O
Bangun O
Prasetyo O
, O
S.S.T O
, O
M.Si O
Ringkasan— O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
dituntut O
untuk O
mengembangkan O
sistem O
informasi O
statistik O
dan O
meningkatkan O
penyebarluasan O
informasi O
statistik. O
Tak O
terkecuali O
BPS O
Provinsi O
Riau. O
Salah O
satu O
cara O
yang O
efektif O
dalam O
penyebarluasan O
informasi O
tersebut O
adalah O
melalui O
visualisasi O
data O
menggunakan O
peta O
tematik. O
Berdasarkan O
hasil O
wawancara O
dengan O
salah O
satu O
staf O
Integrasi O
Pengolahan O
dan O
Diseminasi O
Statistik O
( O
IPDS O
) O
BPS O
Provinsi O
Riau O
, O
visualisasi O
data O
saat O
ini O
hanya O
berupa O
tabel O
dan O
grafik. O
Belum O
ada O
sistem O
yang O
dikhususkan O
untuk O
membuat O
dan O
menampilkan O
peta O
tematik. O
Selain O
itu O
, O
BPS O
Provinsi O
Riau O
ingin O
agar O
pengguna O
dapat O
membuat O
peta O
tematik O
secara O
mandiri. O
Penelitian O
ini O
telah O
berhasil O
membangun B-TUJUAN
sistem I-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
dalam I-TUJUAN
bentuk I-TUJUAN
peta I-TUJUAN
tematik I-TUJUAN
dan I-TUJUAN
sistem I-TUJUAN
dapat I-TUJUAN
memvisualisasikan I-TUJUAN
data I-TUJUAN
yang I-TUJUAN
bersumber I-TUJUAN
dari I-TUJUAN
BPS I-TUJUAN
Provinsi I-TUJUAN
Riau I-TUJUAN
dan I-TUJUAN
yang I-TUJUAN
bersumber I-TUJUAN
dari I-TUJUAN
pengguna I-TUJUAN
itu I-TUJUAN
sendiri. I-TUJUAN
Berdasarkan O
hasil O
uji B-METODE
black-box I-METODE
, I-METODE
15 B-TEMUAN
skenario I-TEMUAN
pengujian I-TEMUAN
telah I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
sukses. I-TEMUAN
Sedangkan O
pada O
pengujian O
usabilitas B-METODE
SUS I-METODE
, O
dari B-TEMUAN
10 I-TEMUAN
yang I-TEMUAN
rata-rata I-TEMUAN
responden I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
sudah I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
didapatkan I-TEMUAN
sebesar I-TEMUAN
72,5 I-TEMUAN
Kata O
Kunci— O
Peta O
Tematik O
, O
Visualisasi O
Data O
, O
Black-box O
, O
SUS O
[SEP] O
7.1. O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
yang O
telah O
dipaparkan O
, O
maka O
dapat O
disimpulkan O
sebagai O
berikut. O
1. O
Peneliti O
telah O
berhasil B-TUJUAN
membangun I-TUJUAN
sistem I-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
dalam I-TUJUAN
bentuk I-TUJUAN
peta I-TUJUAN
tematik. I-TUJUAN
a. O
Pada B-TEMUAN
pengujian I-TEMUAN
black-box I-TEMUAN
, I-TEMUAN
setiap I-TEMUAN
skenario I-TEMUAN
pengujian I-TEMUAN
fungsi I-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
sukses. I-TEMUAN
b. O
Pada B-TEMUAN
pengujian I-TEMUAN
usabilitas I-TEMUAN
SUS I-TEMUAN
, I-TEMUAN
didapatkan I-TEMUAN
rata-rata I-TEMUAN
skor I-TEMUAN
sebesar I-TEMUAN
72,5. I-TEMUAN
Hal I-TEMUAN
ini I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
berada I-TEMUAN
pada I-TEMUAN
rentang I-TEMUAN
OK. I-TEMUAN
2. O
Sistem O
fitur O
telah O
menyediakan O
yang O
memungkinkan O
untuk O
memvisualisasikan O
data O
baik O
data O
BPS O
Provinsi O
Riau O
maupun O
data O
yang O
dientri O
oleh O
pengguna. O
pengguna O
7.2. O
Saran O
sistem O
ini O
masih O
Pembangunan O
terdapat O
kekurangan. O
Sistem O
ini O
masih O
dapat O
dikembangkan O
lebih O
lanjut O
untuk O
memenuhi O
kebutuhan-kebutuhan O
di O
masa O
yang O
akan O
datang. O
Berikut O
beberapa O
saran O
dari O
penulis O
untuk O
pengembangan O
lebih O
lanjut. O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
1. O
Menyediakan O
fitur O
analisis O
spasial. O
2. O
Peningkatan O
level O
visualisasi O
data O
hingga O
level O
kecamatan O
atau O
desa. O

Kajian O
Metode O
Convolutional O
Neural O
Network O
pada O
Klasifikasi O
Gender O
dengan O
Deteksi O
Wajah O
Desi O
Kristiyani O
( O
221810237 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
SST O
, O
M.Si O
Ringkasan— O
Computer O
Vision O
merupakan O
sub O
bidang O
keilmuan O
dari O
Artificial O
Intelligence O
yang O
digunakan O
untuk O
mengakuisisi O
, O
mengolah O
, O
memahami O
, O
mengambil O
informasi O
, O
dan O
membuat O
keputusan. O
Bidang O
tersebut O
dapat O
digunakan O
untuk O
mengolah O
citra O
wajah O
seseorang O
yang O
tertangkap O
kamera O
dan O
membuat O
keputusan O
tentang O
identitas O
gendernya. O
Permasalahan O
sensitivitas O
gender O
sering O
terjadi O
pada O
toilet O
wanita O
karena O
belum O
ada O
inisiasi O
sistem O
keamanan O
dan O
kenyamanan. O
Sedangkan O
penelitian O
ini O
mengusulkan B-TUJUAN
pembuatan I-TUJUAN
model I-TUJUAN
klasifikasi I-TUJUAN
gender I-TUJUAN
dengan I-TUJUAN
metode I-TUJUAN
Convolutional I-TUJUAN
Neural I-TUJUAN
Network I-TUJUAN
program I-TUJUAN
klasifikasinya I-TUJUAN
secara I-TUJUAN
real-time I-TUJUAN
yang I-TUJUAN
diujikan I-TUJUAN
dengan I-TUJUAN
skenario I-TUJUAN
atribut I-TUJUAN
pada I-TUJUAN
wajah. I-TUJUAN
Melalui O
dataset O
STIS60-WIKI O
dan O
bahasa O
pemrograman O
Python O
, O
penelitian O
ini O
berhasil B-TEMUAN
membuat I-TEMUAN
model I-TEMUAN
serta I-TEMUAN
program I-TEMUAN
klasifikasi I-TEMUAN
gender I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Akurasi I-TEMUAN
model I-TEMUAN
pada I-TEMUAN
data I-TEMUAN
testing I-TEMUAN
mencapai I-TEMUAN
95 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
akurasi I-TEMUAN
prediksi I-TEMUAN
gender I-TEMUAN
pada I-TEMUAN
program I-TEMUAN
secara I-TEMUAN
real-time I-TEMUAN
menunjukkan I-TEMUAN
angka I-TEMUAN
yang I-TEMUAN
cukup I-TEMUAN
memuaskan I-TEMUAN
pada I-TEMUAN
berbagai I-TEMUAN
skenario I-TEMUAN
atribut I-TEMUAN
wajah. I-TEMUAN
Harapannya O
, O
usulan O
ini O
dapat O
dikembangkan O
lagi O
menjadi O
sistem O
keamanan O
dan O
kenyamanan O
toilet O
wanita O
sebagai O
kontribusi O
dalam O
dunia O
pendidikan O
maupun O
teknologi. O
( O
CNN O
) O
serta O
Kata O
Kunci— O
CNN O
, O
Computer O
Vision O
, O
klasifikasi O
gender O
, O
program O
klasifikasi O
gender O
secara O
real-time. O
[SEP] O
berhasil O
ditentukan O
Hyperparameter O
CNN B-METODE
untuk O
mendapatkan O
model O
yang O
terbaik. O
Hasilnya O
diperoleh O
bahwa O
model B-TEMUAN
CNN I-TEMUAN
yang I-TEMUAN
diusulkan I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
daripada I-TEMUAN
arsitektur I-TEMUAN
Yann I-TEMUAN
Lecun I-TEMUAN
et I-TEMUAN
al. I-TEMUAN
, I-TEMUAN
Shang I-TEMUAN
Sung I-TEMUAN
Liew I-TEMUAN
et I-TEMUAN
al. I-TEMUAN
, I-TEMUAN
maupun I-TEMUAN
Fadhlan I-TEMUAN
Hafizhelmi I-TEMUAN
Kamaru I-TEMUAN
Zaman. I-TEMUAN
Akurasi O
pada O
pelatihan O
dan O
validasi O
model O
tersebut O
mencapai O
96 O
% O
. O
Sedangkan O
akurasi O
pada O
pengujian O
, O
presisi B-METODE
, I-METODE
recall I-METODE
, I-METODE
dan I-METODE
F1-score I-METODE
mencapai O
95 O
% O
. O
Berdasarkan O
uji O
coba O
variasi O
skenario O
pada O
wajah O
, O
sudah O
dapat O
digunakan O
untuk O
memprediksi O
gender O
pada O
program O
klasifikasi O
secara O
real-time O
dengan O
akurasi O
yang O
cukup O
baik. O
Output O
program O
menunjukkan O
bahwa O
nilai O
FPS O
yang O
dihasilkan O
sudah O
cukup O
cepat O
menangkap O
gambar O
secara O
real-time O
kurang O
dari O
20 O
FPS. O
Skenario O
pengujian O
program O
secara O
real-time O
mampu O
melakukan O
proses O
klasifikasi O
gender O
dengan O
baik O
pada O
setiap O
responden. O
Akurasi O
pada O
program O
klasifikasi O
mampu O
mencapai O
angka O
di O
atas O
90 O
% O
pada O
skenario O
wajah O
tanpa O
atribut O
apapun. O
Sedangkan O
pada O
skenario O
wajah O
dengan O
atribut O
juga O
menghasilkan O
akurasi O
yang O
cukup O
baik O
dalam O
memprediksi O
gender. O
Namun O
terdapat O
beberapa O
kegagalan O
klasifikasi O
gender O
ketika O
skenario O
diujikan O
pada O
wajah O
dengan O
atribut O
tertentu. O
Kemudian O
program O
klasifikasi O
gender O
secara O
real-time O
diilustrasikan O
penerapannya O
sebagai O
inisiasi O
sistem O
keamanan O
dan O
kenyamanan O
pada O
toilet O
wanita O
Pada O
penelitian O
selanjutnya O
, O
disarankan O
untuk O
menambah O
dataset O
gambar O
dengan O
pengumpulan O
sendiri O
( O
own O
dataset O
) O
dari O
berbagai O
sudut O
wajah O
maupun O
kombinasi O
dengan O
dataset O
dari O
internet. O
Sehingga O
dapat O
meningkatkan O
akurasi O
pada O
proses O
pelatihan O
dan O
pengujian O
data. O
Kemudian O
prioritas O
kebersihan O
toilet O
menjadi O
hal O
utama O
yang O
harus O
diperhatikan O
oleh O
pihak O
berwenang O
dalam O
pengelolaan O
dan O
pembangunan O
tempat O
umum O
di O
Indonesia. O
Namun O
ketika O
hal O
tersebut O
dapat O
terwujud O
, O
juga O
perlu O
isu O
mengenai O
keamanan O
dan O
kenyamanan O
dipertimbangkan. O
Dengan O
demikian O
, O
harapan O
akan O
sensitivitas O
dan O
responsif O
gender O
dapat O
tercapai O
dengan O
baik. O
Implementasi O
sistem O
keamanan O
toilet O
wanita O
tersebut O
dapat O
dikembangkan O
pada O
penelitian O
selanjutnya. O
Usulan O
penggunaan O
embedded O
system O
seperti O
Raspberry O
Pi O
dapat O
menggantikan O
kamera O
webcam O
dalam O
proses O
deteksi O
wajah. O
Sehingga O
bisa O
menjadi O
sistem O
monitoring O
untuk O
dimanfaatkan O
pada O
toilet O
wanita O
di O
kemudian O
hari. O

Kajian O
Metode O
Convolutional O
Neural O
Network O
pada O
Klasifikasi O
Gender O
dengan O
Deteksi O
Wajah O
Desi O
Kristiyani O
( O
221810237 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
SST O
, O
M.Si O
Ringkasan— O
Computer O
Vision O
merupakan O
sub O
bidang O
keilmuan O
dari O
Artificial O
Intelligence O
yang O
digunakan O
untuk O
mengakuisisi O
, O
mengolah O
, O
memahami O
, O
mengambil O
informasi O
, O
dan O
membuat O
keputusan. O
Bidang O
tersebut O
dapat O
digunakan O
untuk O
mengolah O
citra O
wajah O
seseorang O
yang O
tertangkap O
kamera O
dan O
membuat O
keputusan O
tentang O
identitas O
gendernya. O
Permasalahan O
sensitivitas O
gender O
sering O
terjadi O
pada O
toilet O
wanita O
karena O
belum O
ada O
inisiasi O
sistem O
keamanan O
dan O
kenyamanan. O
Sedangkan O
penelitian O
ini O
mengusulkan B-TUJUAN
pembuatan I-TUJUAN
model I-TUJUAN
klasifikasi I-TUJUAN
gender I-TUJUAN
dengan I-TUJUAN
metode I-TUJUAN
Convolutional I-TUJUAN
Neural I-TUJUAN
Network I-TUJUAN
program I-TUJUAN
klasifikasinya I-TUJUAN
secara I-TUJUAN
real-time I-TUJUAN
yang I-TUJUAN
diujikan I-TUJUAN
dengan I-TUJUAN
skenario I-TUJUAN
atribut I-TUJUAN
pada I-TUJUAN
wajah. I-TUJUAN
Melalui O
dataset O
STIS60-WIKI O
dan O
bahasa O
pemrograman O
Python O
, O
penelitian O
ini O
berhasil B-TEMUAN
membuat I-TEMUAN
model I-TEMUAN
serta I-TEMUAN
program I-TEMUAN
klasifikasi I-TEMUAN
gender I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Akurasi I-TEMUAN
model I-TEMUAN
pada I-TEMUAN
data I-TEMUAN
testing I-TEMUAN
mencapai I-TEMUAN
95 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
akurasi I-TEMUAN
prediksi I-TEMUAN
gender I-TEMUAN
pada I-TEMUAN
program I-TEMUAN
secara I-TEMUAN
real-time I-TEMUAN
menunjukkan I-TEMUAN
angka I-TEMUAN
yang I-TEMUAN
cukup I-TEMUAN
memuaskan I-TEMUAN
pada I-TEMUAN
berbagai I-TEMUAN
skenario I-TEMUAN
atribut I-TEMUAN
wajah. I-TEMUAN
Harapannya O
, O
usulan O
ini O
dapat O
dikembangkan O
lagi O
menjadi O
sistem O
keamanan O
dan O
kenyamanan O
toilet O
wanita O
sebagai O
kontribusi O
dalam O
dunia O
pendidikan O
maupun O
teknologi. O
( O
CNN O
) O
serta O
Kata O
Kunci— O
CNN O
, O
Computer O
Vision O
, O
klasifikasi O
gender O
, O
program O
klasifikasi O
gender O
secara O
real-time. O
[SEP] O
berhasil O
ditentukan O
Hyperparameter O
CNN B-METODE
untuk O
mendapatkan O
model O
yang O
terbaik. O
Hasilnya O
diperoleh O
bahwa O
model B-TEMUAN
CNN I-TEMUAN
yang I-TEMUAN
diusulkan I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
daripada I-TEMUAN
arsitektur I-TEMUAN
Yann I-TEMUAN
Lecun I-TEMUAN
et I-TEMUAN
al. I-TEMUAN
, I-TEMUAN
Shang I-TEMUAN
Sung I-TEMUAN
Liew I-TEMUAN
et I-TEMUAN
al. I-TEMUAN
, I-TEMUAN
maupun I-TEMUAN
Fadhlan I-TEMUAN
Hafizhelmi I-TEMUAN
Kamaru I-TEMUAN
Zaman. I-TEMUAN
Akurasi O
pada O
pelatihan O
dan O
validasi O
model O
tersebut O
mencapai O
96 O
% O
. O
Sedangkan O
akurasi O
pada O
pengujian O
, O
presisi B-METODE
, I-METODE
recall I-METODE
, I-METODE
dan I-METODE
F1-score I-METODE
mencapai O
95 O
% O
. O
Berdasarkan O
uji O
coba O
variasi O
skenario O
pada O
wajah O
, O
sudah O
dapat O
digunakan O
untuk O
memprediksi O
gender O
pada O
program O
klasifikasi O
secara O
real-time O
dengan O
akurasi O
yang O
cukup O
baik. O
Output O
program O
menunjukkan O
bahwa O
nilai O
FPS O
yang O
dihasilkan O
sudah O
cukup O
cepat O
menangkap O
gambar O
secara O
real-time O
kurang O
dari O
20 O
FPS. O
Skenario O
pengujian O
program O
secara O
real-time O
mampu O
melakukan O
proses O
klasifikasi O
gender O
dengan O
baik O
pada O
setiap O
responden. O
Akurasi O
pada O
program O
klasifikasi O
mampu O
mencapai O
angka O
di O
atas O
90 O
% O
pada O
skenario O
wajah O
tanpa O
atribut O
apapun. O
Sedangkan O
pada O
skenario O
wajah O
dengan O
atribut O
juga O
menghasilkan O
akurasi O
yang O
cukup O
baik O
dalam O
memprediksi O
gender. O
Namun O
terdapat O
beberapa O
kegagalan O
klasifikasi O
gender O
ketika O
skenario O
diujikan O
pada O
wajah O
dengan O
atribut O
tertentu. O
Kemudian O
program O
klasifikasi O
gender O
secara O
real-time O
diilustrasikan O
penerapannya O
sebagai O
inisiasi O
sistem O
keamanan O
dan O
kenyamanan O
pada O
toilet O
wanita O
Pada O
penelitian O
selanjutnya O
, O
disarankan O
untuk O
menambah O
dataset O
gambar O
dengan O
pengumpulan O
sendiri O
( O
own O
dataset O
) O
dari O
berbagai O
sudut O
wajah O
maupun O
kombinasi O
dengan O
dataset O
dari O
internet. O
Sehingga O
dapat O
meningkatkan O
akurasi O
pada O
proses O
pelatihan O
dan O
pengujian O
data. O
Kemudian O
prioritas O
kebersihan O
toilet O
menjadi O
hal O
utama O
yang O
harus O
diperhatikan O
oleh O
pihak O
berwenang O
dalam O
pengelolaan O
dan O
pembangunan O
tempat O
umum O
di O
Indonesia. O
Namun O
ketika O
hal O
tersebut O
dapat O
terwujud O
, O
juga O
perlu O
isu O
mengenai O
keamanan O
dan O
kenyamanan O
dipertimbangkan. O
Dengan O
demikian O
, O
harapan O
akan O
sensitivitas O
dan O
responsif O
gender O
dapat O
tercapai O
dengan O
baik. O
Implementasi O
sistem O
keamanan O
toilet O
wanita O
tersebut O
dapat O
dikembangkan O
pada O
penelitian O
selanjutnya. O
Usulan O
penggunaan O
embedded O
system O
seperti O
Raspberry O
Pi O
dapat O
menggantikan O
kamera O
webcam O
dalam O
proses O
deteksi O
wajah. O
Sehingga O
bisa O
menjadi O
sistem O
monitoring O
untuk O
dimanfaatkan O
pada O
toilet O
wanita O
di O
kemudian O
hari. O

Kajian O
Metode O
Convolutional O
Neural O
Network O
pada O
Klasifikasi O
Gender O
dengan O
Deteksi O
Wajah O
Desi O
Kristiyani O
( O
221810237 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
SST O
, O
M.Si O
Ringkasan— O
Computer O
Vision O
merupakan O
sub O
bidang O
keilmuan O
dari O
Artificial O
Intelligence O
yang O
digunakan O
untuk O
mengakuisisi O
, O
mengolah O
, O
memahami O
, O
mengambil O
informasi O
, O
dan O
membuat O
keputusan. O
Bidang O
tersebut O
dapat O
digunakan O
untuk O
mengolah O
citra O
wajah O
seseorang O
yang O
tertangkap O
kamera O
dan O
membuat O
keputusan O
tentang O
identitas O
gendernya. O
Permasalahan O
sensitivitas O
gender O
sering O
terjadi O
pada O
toilet O
wanita O
karena O
belum O
ada O
inisiasi O
sistem O
keamanan O
dan O
kenyamanan. O
Sedangkan O
penelitian O
ini O
mengusulkan B-TUJUAN
pembuatan I-TUJUAN
model I-TUJUAN
klasifikasi I-TUJUAN
gender I-TUJUAN
dengan I-TUJUAN
metode I-TUJUAN
Convolutional I-TUJUAN
Neural I-TUJUAN
Network I-TUJUAN
program I-TUJUAN
klasifikasinya I-TUJUAN
secara I-TUJUAN
real-time I-TUJUAN
yang I-TUJUAN
diujikan I-TUJUAN
dengan I-TUJUAN
skenario I-TUJUAN
atribut I-TUJUAN
pada I-TUJUAN
wajah. I-TUJUAN
Melalui O
dataset O
STIS60-WIKI O
dan O
bahasa O
pemrograman O
Python O
, O
penelitian O
ini O
berhasil B-TEMUAN
membuat I-TEMUAN
model I-TEMUAN
serta I-TEMUAN
program I-TEMUAN
klasifikasi I-TEMUAN
gender I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Akurasi I-TEMUAN
model I-TEMUAN
pada I-TEMUAN
data I-TEMUAN
testing I-TEMUAN
mencapai I-TEMUAN
95 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
akurasi I-TEMUAN
prediksi I-TEMUAN
gender I-TEMUAN
pada I-TEMUAN
program I-TEMUAN
secara I-TEMUAN
real-time I-TEMUAN
menunjukkan I-TEMUAN
angka I-TEMUAN
yang I-TEMUAN
cukup I-TEMUAN
memuaskan I-TEMUAN
pada I-TEMUAN
berbagai I-TEMUAN
skenario I-TEMUAN
atribut I-TEMUAN
wajah. I-TEMUAN
Harapannya O
, O
usulan O
ini O
dapat O
dikembangkan O
lagi O
menjadi O
sistem O
keamanan O
dan O
kenyamanan O
toilet O
wanita O
sebagai O
kontribusi O
dalam O
dunia O
pendidikan O
maupun O
teknologi. O
( O
CNN O
) O
serta O
Kata O
Kunci— O
CNN O
, O
Computer O
Vision O
, O
klasifikasi O
gender O
, O
program O
klasifikasi O
gender O
secara O
real-time. O
[SEP] O
berhasil O
ditentukan O
Hyperparameter O
CNN B-METODE
untuk O
mendapatkan O
model O
yang O
terbaik. O
Hasilnya O
diperoleh O
bahwa O
model B-TEMUAN
CNN I-TEMUAN
yang I-TEMUAN
diusulkan I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
daripada I-TEMUAN
arsitektur I-TEMUAN
Yann I-TEMUAN
Lecun I-TEMUAN
et I-TEMUAN
al. I-TEMUAN
, I-TEMUAN
Shang I-TEMUAN
Sung I-TEMUAN
Liew I-TEMUAN
et I-TEMUAN
al. I-TEMUAN
, I-TEMUAN
maupun I-TEMUAN
Fadhlan I-TEMUAN
Hafizhelmi I-TEMUAN
Kamaru I-TEMUAN
Zaman. I-TEMUAN
Akurasi O
pada O
pelatihan O
dan O
validasi O
model O
tersebut O
mencapai O
96 O
% O
. O
Sedangkan O
akurasi O
pada O
pengujian O
, O
presisi B-METODE
, I-METODE
recall I-METODE
, I-METODE
dan I-METODE
F1-score I-METODE
mencapai O
95 O
% O
. O
Berdasarkan O
uji O
coba O
variasi O
skenario O
pada O
wajah O
, O
sudah O
dapat O
digunakan O
untuk O
memprediksi O
gender O
pada O
program O
klasifikasi O
secara O
real-time O
dengan O
akurasi O
yang O
cukup O
baik. O
Output O
program O
menunjukkan O
bahwa O
nilai O
FPS O
yang O
dihasilkan O
sudah O
cukup O
cepat O
menangkap O
gambar O
secara O
real-time O
kurang O
dari O
20 O
FPS. O
Skenario O
pengujian O
program O
secara O
real-time O
mampu O
melakukan O
proses O
klasifikasi O
gender O
dengan O
baik O
pada O
setiap O
responden. O
Akurasi O
pada O
program O
klasifikasi O
mampu O
mencapai O
angka O
di O
atas O
90 O
% O
pada O
skenario O
wajah O
tanpa O
atribut O
apapun. O
Sedangkan O
pada O
skenario O
wajah O
dengan O
atribut O
juga O
menghasilkan O
akurasi O
yang O
cukup O
baik O
dalam O
memprediksi O
gender. O
Namun O
terdapat O
beberapa O
kegagalan O
klasifikasi O
gender O
ketika O
skenario O
diujikan O
pada O
wajah O
dengan O
atribut O
tertentu. O
Kemudian O
program O
klasifikasi O
gender O
secara O
real-time O
diilustrasikan O
penerapannya O
sebagai O
inisiasi O
sistem O
keamanan O
dan O
kenyamanan O
pada O
toilet O
wanita O
Pada O
penelitian O
selanjutnya O
, O
disarankan O
untuk O
menambah O
dataset O
gambar O
dengan O
pengumpulan O
sendiri O
( O
own O
dataset O
) O
dari O
berbagai O
sudut O
wajah O
maupun O
kombinasi O
dengan O
dataset O
dari O
internet. O
Sehingga O
dapat O
meningkatkan O
akurasi O
pada O
proses O
pelatihan O
dan O
pengujian O
data. O
Kemudian O
prioritas O
kebersihan O
toilet O
menjadi O
hal O
utama O
yang O
harus O
diperhatikan O
oleh O
pihak O
berwenang O
dalam O
pengelolaan O
dan O
pembangunan O
tempat O
umum O
di O
Indonesia. O
Namun O
ketika O
hal O
tersebut O
dapat O
terwujud O
, O
juga O
perlu O
isu O
mengenai O
keamanan O
dan O
kenyamanan O
dipertimbangkan. O
Dengan O
demikian O
, O
harapan O
akan O
sensitivitas O
dan O
responsif O
gender O
dapat O
tercapai O
dengan O
baik. O
Implementasi O
sistem O
keamanan O
toilet O
wanita O
tersebut O
dapat O
dikembangkan O
pada O
penelitian O
selanjutnya. O
Usulan O
penggunaan O
embedded O
system O
seperti O
Raspberry O
Pi O
dapat O
menggantikan O
kamera O
webcam O
dalam O
proses O
deteksi O
wajah. O
Sehingga O
bisa O
menjadi O
sistem O
monitoring O
untuk O
dimanfaatkan O
pada O
toilet O
wanita O
di O
kemudian O
hari. O

Pembangunan O
Sistem O
Informasi O
Penentuan O
Dosen O
Pembimbing O
Skripsi O
Program O
Studi O
Komputasi O
Statistik O
Politeknik O
Statistika O
STIS O
Dedy O
Saputra O
Siregar O
( O
221810234 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Rindang O
Bangun O
Prasetyo O
, O
S.S.T. O
, O
M.Si. O
Ringkasan— O
Skripsi O
merupakan O
mata O
kuliah O
wajib O
dari O
kurikulum O
pendidikan O
di O
Polstat-STIS. O
Bahkan O
, O
skripsi O
ini O
menjadi O
salah O
satu O
persyaratan O
penting O
bagi O
mahasiswa O
untuk O
dapat O
dinyatakan O
lulus O
dan O
memperoleh O
gelar O
sarjana O
sains O
terapan O
( O
D-III O
, O
D-IV O
) O
. O
Dalam O
alur O
pengerjaannya O
terdapat O
tahapan O
pemilihan O
dosen O
pembimbing O
skripsi O
oleh O
mahasiswa. O
Saat O
ini O
, O
belum O
ada O
satupun O
sistem O
informasi O
yang O
khusus O
digunakan O
untuk O
kegiatan O
tersebut. O
Seluruh O
pekerjaan O
masih O
dilakukan O
secara O
manual O
dengan O
menggunakan O
bantuan O
Google O
Sheets. O
Proses O
pengerjaan O
yang O
secara O
manual O
dinilai O
tidak O
efektif O
, O
efisien O
dan O
rentan O
terhadap O
human O
error O
, O
terutama O
dalam O
perekapan O
, O
matching O
, O
dan O
updating O
data. O
Solusi O
yang O
ditawarkan O
adalah B-TUJUAN
membangun I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
yang I-TUJUAN
sudah I-TUJUAN
terotomatisasi I-TUJUAN
dalam I-TUJUAN
setiap I-TUJUAN
pekerjaan I-TUJUAN
, I-TUJUAN
terutama I-TUJUAN
dalam I-TUJUAN
perekapan I-TUJUAN
, I-TUJUAN
matching I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
updating I-TUJUAN
data. I-TUJUAN
Sistem O
ini O
diharapkan O
mampu O
meningkatkan O
efektifitas O
dan O
efisiensi O
sistem O
dan O
dapat O
mengurangi O
human O
error. O
Pengembangan O
sistem O
menggunakan B-METODE
metode I-METODE
SDLC I-METODE
waterfall I-METODE
dengan O
alasan O
karena O
kebutuhan O
sistem O
sudah O
cukup O
spesifik O
di O
awal O
pengembangan. O
Berdasarkan O
hasil O
pengujian O
Blackbox B-METODE
dan O
survei B-METODE
SUS I-METODE
diperoleh O
bahwa O
fitur B-TEMUAN
utama I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci— O
Skripsi O
, O
Dosen O
Pembimbing O
Skripsi O
, O
Perekapan O
, O
Matching O
, O
Updating O
, O
Efisiensi O
. O
[SEP] O
Kesimpulan O
yang O
didapatkan O
dari O
penelitian O
ini O
adalah O
sebagai O
berikut O
: O
1. O
Permasalahan O
yang O
terdapat O
pada O
kegiatan O
penentuan O
dosen O
pembimbing O
skripsi O
selama O
ini O
terletak O
pada O
proses O
yang O
masih O
dilakukan O
secara O
manual O
sehingga O
pekerjaan O
menjadi O
kurang O
efektif O
dan O
efisien O
, O
serta O
rawan O
terhadap O
human O
error O
, O
terutama O
pada O
proses O
perekapan O
, O
matching O
, O
dan O
updating O
data O
hasil O
pemilihan. O
2. O
Solusi O
yang O
ditawarkan O
atas O
permasalahan O
tersebut O
adalah O
dengan O
membangun B-TUJUAN
sebuah I-TUJUAN
aplikasi I-TUJUAN
sistem I-TUJUAN
penentuan I-TUJUAN
dosen I-TUJUAN
pembimbing I-TUJUAN
skripsi I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
3. O
Pembangunan O
aplikasi O
sistem O
dilakukan O
dengan O
mengikuti O
metode B-METODE
SDLC I-METODE
iterative I-METODE
model I-METODE
yang O
dimulai O
dari O
perencanaan B-METODE
sistem I-METODE
, I-METODE
analisis I-METODE
sistem I-METODE
, I-METODE
desain I-METODE
sistem I-METODE
, I-METODE
implementasi I-METODE
sistem I-METODE
, I-METODE
pengujian I-METODE
dan I-METODE
evaluasi I-METODE
sistem. I-METODE
4. O
Pengujian O
sistem O
menggunakan O
Blackbox B-METODE
Testing I-METODE
menghasilkan O
bahwa O
masih B-TEMUAN
terdapat I-TEMUAN
satu I-TEMUAN
fitur I-TEMUAN
yang I-TEMUAN
belum I-TEMUAN
berfungsi I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
harapan I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
fitur I-TEMUAN
“Akhiri I-TEMUAN
Vote”. I-TEMUAN
5. O
Evaluasi O
sistem O
menggunakan O
kuesioner B-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
kepada O
12 O
orang O
mahasiswa O
komputasi O
statistik O
tingkat O
akhir O
menunjukkan O
bahwa O
sistem B-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
dengan I-TEMUAN
perolehan I-TEMUAN
skor I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
74,79. I-TEMUAN
Adapun O
beberapa O
saran O
darit O
penulis O
untuk O
penelitian O
selanjutnya O
adalah O
sebagai O
berikut. O
7 O
/ O
8 O
Makalah O
Seminar O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
1. O
Berdasarkan O
hasil O
evaluasi O
sistem O
yang O
telah O
dilakukan O
, O
terdapat O
saran O
agar O
tampilan O
pada O
halaman O
dosen O
dibuat O
lebih O
mudah O
dipahami O
oleh O
pengguna. O
2. O
Saran O
dari O
penulis O
sendiri O
agar O
fitur O
voting O
lebih O
dimaksimalkan O
lagi O
, O
seperti O
tampilannya O
dibuat O
lebih O
informatif O
dengan O
menyediakan O
semacam O
fitur O
obrolan O
atau O
update O
status O
di O
ruang O
voting O
, O
diperuntukkan O
untuk O
mahasiswa O
yang O
melakukan O
diskusi O
, O
sebagai O
media O
untuk O
menyampaikan O
argumentasi O
agar O
dia O
dapat O
dipilih O
oleh O
pengguna O
yang O
ingin O
mengikuti O
voting. O
3. O
Sangat O
bagus O
sekali O
jika O
aplikasi O
ini O
mendukung O
sistem O
dosen O
kepada O
pemberian O
rekomendasi O
pilihan O
mahasiswa. O
Hal O
itu O
dapat O
berfungsi O
untuk O
mempercepat O
mahasiswa O
dalam O
menentukan O
pilihan O
dosen O
dan O
juga O
bisa O
digunakan O
untuk O
menentukan O
dosen O
pembimbing O
bagi O
mahasiswa O
yang O
belum O
sempat O
atau O
tidak O
mau O
melakukan O
pemilihan O
dosen. O
Gambar O
9. O
Time O
Line O
Pengerjaan O
Skripsi O

Pembangunan O
Sistem O
Informasi O
Penentuan O
Dosen O
Pembimbing O
Skripsi O
Program O
Studi O
Komputasi O
Statistik O
Politeknik O
Statistika O
STIS O
Dedy O
Saputra O
Siregar O
( O
221810234 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Rindang O
Bangun O
Prasetyo O
, O
S.S.T. O
, O
M.Si. O
Ringkasan— O
Skripsi O
merupakan O
mata O
kuliah O
wajib O
dari O
kurikulum O
pendidikan O
di O
Polstat-STIS. O
Bahkan O
, O
skripsi O
ini O
menjadi O
salah O
satu O
persyaratan O
penting O
bagi O
mahasiswa O
untuk O
dapat O
dinyatakan O
lulus O
dan O
memperoleh O
gelar O
sarjana O
sains O
terapan O
( O
D-III O
, O
D-IV O
) O
. O
Dalam O
alur O
pengerjaannya O
terdapat O
tahapan O
pemilihan O
dosen O
pembimbing O
skripsi O
oleh O
mahasiswa. O
Saat O
ini O
, O
belum O
ada O
satupun O
sistem O
informasi O
yang O
khusus O
digunakan O
untuk O
kegiatan O
tersebut. O
Seluruh O
pekerjaan O
masih O
dilakukan O
secara O
manual O
dengan O
menggunakan O
bantuan O
Google O
Sheets. O
Proses O
pengerjaan O
yang O
secara O
manual O
dinilai O
tidak O
efektif O
, O
efisien O
dan O
rentan O
terhadap O
human O
error O
, O
terutama O
dalam O
perekapan O
, O
matching O
, O
dan O
updating O
data. O
Solusi O
yang O
ditawarkan O
adalah B-TUJUAN
membangun I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
yang I-TUJUAN
sudah I-TUJUAN
terotomatisasi I-TUJUAN
dalam I-TUJUAN
setiap I-TUJUAN
pekerjaan I-TUJUAN
, I-TUJUAN
terutama I-TUJUAN
dalam I-TUJUAN
perekapan I-TUJUAN
, I-TUJUAN
matching I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
updating I-TUJUAN
data. I-TUJUAN
Sistem O
ini O
diharapkan O
mampu O
meningkatkan O
efektifitas O
dan O
efisiensi O
sistem O
dan O
dapat O
mengurangi O
human O
error. O
Pengembangan O
sistem O
menggunakan B-METODE
metode I-METODE
SDLC I-METODE
waterfall I-METODE
dengan O
alasan O
karena O
kebutuhan O
sistem O
sudah O
cukup O
spesifik O
di O
awal O
pengembangan. O
Berdasarkan O
hasil O
pengujian O
Blackbox B-METODE
dan O
survei B-METODE
SUS I-METODE
diperoleh O
bahwa O
fitur B-TEMUAN
utama I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci— O
Skripsi O
, O
Dosen O
Pembimbing O
Skripsi O
, O
Perekapan O
, O
Matching O
, O
Updating O
, O
Efisiensi O
. O
[SEP] O
Kesimpulan O
yang O
didapatkan O
dari O
penelitian O
ini O
adalah O
sebagai O
berikut O
: O
1. O
Permasalahan O
yang O
terdapat O
pada O
kegiatan O
penentuan O
dosen O
pembimbing O
skripsi O
selama O
ini O
terletak O
pada O
proses O
yang O
masih O
dilakukan O
secara O
manual O
sehingga O
pekerjaan O
menjadi O
kurang O
efektif O
dan O
efisien O
, O
serta O
rawan O
terhadap O
human O
error O
, O
terutama O
pada O
proses O
perekapan O
, O
matching O
, O
dan O
updating O
data O
hasil O
pemilihan. O
2. O
Solusi O
yang O
ditawarkan O
atas O
permasalahan O
tersebut O
adalah O
dengan O
membangun B-TUJUAN
sebuah I-TUJUAN
aplikasi I-TUJUAN
sistem I-TUJUAN
penentuan I-TUJUAN
dosen I-TUJUAN
pembimbing I-TUJUAN
skripsi I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
3. O
Pembangunan O
aplikasi O
sistem O
dilakukan O
dengan O
mengikuti O
metode B-METODE
SDLC I-METODE
iterative I-METODE
model I-METODE
yang O
dimulai O
dari O
perencanaan B-METODE
sistem I-METODE
, I-METODE
analisis I-METODE
sistem I-METODE
, I-METODE
desain I-METODE
sistem I-METODE
, I-METODE
implementasi I-METODE
sistem I-METODE
, I-METODE
pengujian I-METODE
dan I-METODE
evaluasi I-METODE
sistem. I-METODE
4. O
Pengujian O
sistem O
menggunakan O
Blackbox B-METODE
Testing I-METODE
menghasilkan O
bahwa O
masih B-TEMUAN
terdapat I-TEMUAN
satu I-TEMUAN
fitur I-TEMUAN
yang I-TEMUAN
belum I-TEMUAN
berfungsi I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
harapan I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
fitur I-TEMUAN
“Akhiri I-TEMUAN
Vote”. I-TEMUAN
5. O
Evaluasi O
sistem O
menggunakan O
kuesioner B-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
kepada O
12 O
orang O
mahasiswa O
komputasi O
statistik O
tingkat O
akhir O
menunjukkan O
bahwa O
sistem B-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
dengan I-TEMUAN
perolehan I-TEMUAN
skor I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
74,79. I-TEMUAN
Adapun O
beberapa O
saran O
darit O
penulis O
untuk O
penelitian O
selanjutnya O
adalah O
sebagai O
berikut. O
7 O
/ O
8 O
Makalah O
Seminar O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
1. O
Berdasarkan O
hasil O
evaluasi O
sistem O
yang O
telah O
dilakukan O
, O
terdapat O
saran O
agar O
tampilan O
pada O
halaman O
dosen O
dibuat O
lebih O
mudah O
dipahami O
oleh O
pengguna. O
2. O
Saran O
dari O
penulis O
sendiri O
agar O
fitur O
voting O
lebih O
dimaksimalkan O
lagi O
, O
seperti O
tampilannya O
dibuat O
lebih O
informatif O
dengan O
menyediakan O
semacam O
fitur O
obrolan O
atau O
update O
status O
di O
ruang O
voting O
, O
diperuntukkan O
untuk O
mahasiswa O
yang O
melakukan O
diskusi O
, O
sebagai O
media O
untuk O
menyampaikan O
argumentasi O
agar O
dia O
dapat O
dipilih O
oleh O
pengguna O
yang O
ingin O
mengikuti O
voting. O
3. O
Sangat O
bagus O
sekali O
jika O
aplikasi O
ini O
mendukung O
sistem O
dosen O
kepada O
pemberian O
rekomendasi O
pilihan O
mahasiswa. O
Hal O
itu O
dapat O
berfungsi O
untuk O
mempercepat O
mahasiswa O
dalam O
menentukan O
pilihan O
dosen O
dan O
juga O
bisa O
digunakan O
untuk O
menentukan O
dosen O
pembimbing O
bagi O
mahasiswa O
yang O
belum O
sempat O
atau O
tidak O
mau O
melakukan O
pemilihan O
dosen. O
Gambar O
9. O
Time O
Line O
Pengerjaan O
Skripsi O

Pembangunan O
Sistem O
Informasi O
Penentuan O
Dosen O
Pembimbing O
Skripsi O
Program O
Studi O
Komputasi O
Statistik O
Politeknik O
Statistika O
STIS O
Dedy O
Saputra O
Siregar O
( O
221810234 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Rindang O
Bangun O
Prasetyo O
, O
S.S.T. O
, O
M.Si. O
Ringkasan— O
Skripsi O
merupakan O
mata O
kuliah O
wajib O
dari O
kurikulum O
pendidikan O
di O
Polstat-STIS. O
Bahkan O
, O
skripsi O
ini O
menjadi O
salah O
satu O
persyaratan O
penting O
bagi O
mahasiswa O
untuk O
dapat O
dinyatakan O
lulus O
dan O
memperoleh O
gelar O
sarjana O
sains O
terapan O
( O
D-III O
, O
D-IV O
) O
. O
Dalam O
alur O
pengerjaannya O
terdapat O
tahapan O
pemilihan O
dosen O
pembimbing O
skripsi O
oleh O
mahasiswa. O
Saat O
ini O
, O
belum O
ada O
satupun O
sistem O
informasi O
yang O
khusus O
digunakan O
untuk O
kegiatan O
tersebut. O
Seluruh O
pekerjaan O
masih O
dilakukan O
secara O
manual O
dengan O
menggunakan O
bantuan O
Google O
Sheets. O
Proses O
pengerjaan O
yang O
secara O
manual O
dinilai O
tidak O
efektif O
, O
efisien O
dan O
rentan O
terhadap O
human O
error O
, O
terutama O
dalam O
perekapan O
, O
matching O
, O
dan O
updating O
data. O
Solusi O
yang O
ditawarkan O
adalah B-TUJUAN
membangun I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
yang I-TUJUAN
sudah I-TUJUAN
terotomatisasi I-TUJUAN
dalam I-TUJUAN
setiap I-TUJUAN
pekerjaan I-TUJUAN
, I-TUJUAN
terutama I-TUJUAN
dalam I-TUJUAN
perekapan I-TUJUAN
, I-TUJUAN
matching I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
updating I-TUJUAN
data. I-TUJUAN
Sistem O
ini O
diharapkan O
mampu O
meningkatkan O
efektifitas O
dan O
efisiensi O
sistem O
dan O
dapat O
mengurangi O
human O
error. O
Pengembangan O
sistem O
menggunakan B-METODE
metode I-METODE
SDLC I-METODE
waterfall I-METODE
dengan O
alasan O
karena O
kebutuhan O
sistem O
sudah O
cukup O
spesifik O
di O
awal O
pengembangan. O
Berdasarkan O
hasil O
pengujian O
Blackbox B-METODE
dan O
survei B-METODE
SUS I-METODE
diperoleh O
bahwa O
fitur B-TEMUAN
utama I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci— O
Skripsi O
, O
Dosen O
Pembimbing O
Skripsi O
, O
Perekapan O
, O
Matching O
, O
Updating O
, O
Efisiensi O
. O
[SEP] O
Kesimpulan O
yang O
didapatkan O
dari O
penelitian O
ini O
adalah O
sebagai O
berikut O
: O
1. O
Permasalahan O
yang O
terdapat O
pada O
kegiatan O
penentuan O
dosen O
pembimbing O
skripsi O
selama O
ini O
terletak O
pada O
proses O
yang O
masih O
dilakukan O
secara O
manual O
sehingga O
pekerjaan O
menjadi O
kurang O
efektif O
dan O
efisien O
, O
serta O
rawan O
terhadap O
human O
error O
, O
terutama O
pada O
proses O
perekapan O
, O
matching O
, O
dan O
updating O
data O
hasil O
pemilihan. O
2. O
Solusi O
yang O
ditawarkan O
atas O
permasalahan O
tersebut O
adalah O
dengan O
membangun B-TUJUAN
sebuah I-TUJUAN
aplikasi I-TUJUAN
sistem I-TUJUAN
penentuan I-TUJUAN
dosen I-TUJUAN
pembimbing I-TUJUAN
skripsi I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
3. O
Pembangunan O
aplikasi O
sistem O
dilakukan O
dengan O
mengikuti O
metode B-METODE
SDLC I-METODE
iterative I-METODE
model I-METODE
yang O
dimulai O
dari O
perencanaan B-METODE
sistem I-METODE
, I-METODE
analisis I-METODE
sistem I-METODE
, I-METODE
desain I-METODE
sistem I-METODE
, I-METODE
implementasi I-METODE
sistem I-METODE
, I-METODE
pengujian I-METODE
dan I-METODE
evaluasi I-METODE
sistem. I-METODE
4. O
Pengujian O
sistem O
menggunakan O
Blackbox B-METODE
Testing I-METODE
menghasilkan O
bahwa O
masih B-TEMUAN
terdapat I-TEMUAN
satu I-TEMUAN
fitur I-TEMUAN
yang I-TEMUAN
belum I-TEMUAN
berfungsi I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
harapan I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
fitur I-TEMUAN
“Akhiri I-TEMUAN
Vote”. I-TEMUAN
5. O
Evaluasi O
sistem O
menggunakan O
kuesioner B-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
kepada O
12 O
orang O
mahasiswa O
komputasi O
statistik O
tingkat O
akhir O
menunjukkan O
bahwa O
sistem B-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
dengan I-TEMUAN
perolehan I-TEMUAN
skor I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
74,79. I-TEMUAN
Adapun O
beberapa O
saran O
darit O
penulis O
untuk O
penelitian O
selanjutnya O
adalah O
sebagai O
berikut. O
7 O
/ O
8 O
Makalah O
Seminar O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
1. O
Berdasarkan O
hasil O
evaluasi O
sistem O
yang O
telah O
dilakukan O
, O
terdapat O
saran O
agar O
tampilan O
pada O
halaman O
dosen O
dibuat O
lebih O
mudah O
dipahami O
oleh O
pengguna. O
2. O
Saran O
dari O
penulis O
sendiri O
agar O
fitur O
voting O
lebih O
dimaksimalkan O
lagi O
, O
seperti O
tampilannya O
dibuat O
lebih O
informatif O
dengan O
menyediakan O
semacam O
fitur O
obrolan O
atau O
update O
status O
di O
ruang O
voting O
, O
diperuntukkan O
untuk O
mahasiswa O
yang O
melakukan O
diskusi O
, O
sebagai O
media O
untuk O
menyampaikan O
argumentasi O
agar O
dia O
dapat O
dipilih O
oleh O
pengguna O
yang O
ingin O
mengikuti O
voting. O
3. O
Sangat O
bagus O
sekali O
jika O
aplikasi O
ini O
mendukung O
sistem O
dosen O
kepada O
pemberian O
rekomendasi O
pilihan O
mahasiswa. O
Hal O
itu O
dapat O
berfungsi O
untuk O
mempercepat O
mahasiswa O
dalam O
menentukan O
pilihan O
dosen O
dan O
juga O
bisa O
digunakan O
untuk O
menentukan O
dosen O
pembimbing O
bagi O
mahasiswa O
yang O
belum O
sempat O
atau O
tidak O
mau O
melakukan O
pemilihan O
dosen. O
Gambar O
9. O
Time O
Line O
Pengerjaan O
Skripsi O

Pembangunan O
Sistem O
Informasi O
Penentuan O
Dosen O
Pembimbing O
Skripsi O
Program O
Studi O
Komputasi O
Statistik O
Politeknik O
Statistika O
STIS O
Dedy O
Saputra O
Siregar O
( O
221810234 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Rindang O
Bangun O
Prasetyo O
, O
S.S.T. O
, O
M.Si. O
Ringkasan— O
Skripsi O
merupakan O
mata O
kuliah O
wajib O
dari O
kurikulum O
pendidikan O
di O
Polstat-STIS. O
Bahkan O
, O
skripsi O
ini O
menjadi O
salah O
satu O
persyaratan O
penting O
bagi O
mahasiswa O
untuk O
dapat O
dinyatakan O
lulus O
dan O
memperoleh O
gelar O
sarjana O
sains O
terapan O
( O
D-III O
, O
D-IV O
) O
. O
Dalam O
alur O
pengerjaannya O
terdapat O
tahapan O
pemilihan O
dosen O
pembimbing O
skripsi O
oleh O
mahasiswa. O
Saat O
ini O
, O
belum O
ada O
satupun O
sistem O
informasi O
yang O
khusus O
digunakan O
untuk O
kegiatan O
tersebut. O
Seluruh O
pekerjaan O
masih O
dilakukan O
secara O
manual O
dengan O
menggunakan O
bantuan O
Google O
Sheets. O
Proses O
pengerjaan O
yang O
secara O
manual O
dinilai O
tidak O
efektif O
, O
efisien O
dan O
rentan O
terhadap O
human O
error O
, O
terutama O
dalam O
perekapan O
, O
matching O
, O
dan O
updating O
data. O
Solusi O
yang O
ditawarkan O
adalah B-TUJUAN
membangun I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
yang I-TUJUAN
sudah I-TUJUAN
terotomatisasi I-TUJUAN
dalam I-TUJUAN
setiap I-TUJUAN
pekerjaan I-TUJUAN
, I-TUJUAN
terutama I-TUJUAN
dalam I-TUJUAN
perekapan I-TUJUAN
, I-TUJUAN
matching I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
updating I-TUJUAN
data. I-TUJUAN
Sistem O
ini O
diharapkan O
mampu O
meningkatkan O
efektifitas O
dan O
efisiensi O
sistem O
dan O
dapat O
mengurangi O
human O
error. O
Pengembangan O
sistem O
menggunakan B-METODE
metode I-METODE
SDLC I-METODE
waterfall I-METODE
dengan O
alasan O
karena O
kebutuhan O
sistem O
sudah O
cukup O
spesifik O
di O
awal O
pengembangan. O
Berdasarkan O
hasil O
pengujian O
Blackbox B-METODE
dan O
survei B-METODE
SUS I-METODE
diperoleh O
bahwa O
fitur B-TEMUAN
utama I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci— O
Skripsi O
, O
Dosen O
Pembimbing O
Skripsi O
, O
Perekapan O
, O
Matching O
, O
Updating O
, O
Efisiensi O
. O
[SEP] O
Kesimpulan O
yang O
didapatkan O
dari O
penelitian O
ini O
adalah O
sebagai O
berikut O
: O
1. O
Permasalahan O
yang O
terdapat O
pada O
kegiatan O
penentuan O
dosen O
pembimbing O
skripsi O
selama O
ini O
terletak O
pada O
proses O
yang O
masih O
dilakukan O
secara O
manual O
sehingga O
pekerjaan O
menjadi O
kurang O
efektif O
dan O
efisien O
, O
serta O
rawan O
terhadap O
human O
error O
, O
terutama O
pada O
proses O
perekapan O
, O
matching O
, O
dan O
updating O
data O
hasil O
pemilihan. O
2. O
Solusi O
yang O
ditawarkan O
atas O
permasalahan O
tersebut O
adalah O
dengan O
membangun B-TUJUAN
sebuah I-TUJUAN
aplikasi I-TUJUAN
sistem I-TUJUAN
penentuan I-TUJUAN
dosen I-TUJUAN
pembimbing I-TUJUAN
skripsi I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
3. O
Pembangunan O
aplikasi O
sistem O
dilakukan O
dengan O
mengikuti O
metode B-METODE
SDLC I-METODE
iterative I-METODE
model I-METODE
yang O
dimulai O
dari O
perencanaan B-METODE
sistem I-METODE
, I-METODE
analisis I-METODE
sistem I-METODE
, I-METODE
desain I-METODE
sistem I-METODE
, I-METODE
implementasi I-METODE
sistem I-METODE
, I-METODE
pengujian I-METODE
dan I-METODE
evaluasi I-METODE
sistem. I-METODE
4. O
Pengujian O
sistem O
menggunakan O
Blackbox B-METODE
Testing I-METODE
menghasilkan O
bahwa O
masih B-TEMUAN
terdapat I-TEMUAN
satu I-TEMUAN
fitur I-TEMUAN
yang I-TEMUAN
belum I-TEMUAN
berfungsi I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
harapan I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
fitur I-TEMUAN
“Akhiri I-TEMUAN
Vote”. I-TEMUAN
5. O
Evaluasi O
sistem O
menggunakan O
kuesioner B-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
kepada O
12 O
orang O
mahasiswa O
komputasi O
statistik O
tingkat O
akhir O
menunjukkan O
bahwa O
sistem B-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
dengan I-TEMUAN
perolehan I-TEMUAN
skor I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
74,79. I-TEMUAN
Adapun O
beberapa O
saran O
darit O
penulis O
untuk O
penelitian O
selanjutnya O
adalah O
sebagai O
berikut. O
7 O
/ O
8 O
Makalah O
Seminar O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
1. O
Berdasarkan O
hasil O
evaluasi O
sistem O
yang O
telah O
dilakukan O
, O
terdapat O
saran O
agar O
tampilan O
pada O
halaman O
dosen O
dibuat O
lebih O
mudah O
dipahami O
oleh O
pengguna. O
2. O
Saran O
dari O
penulis O
sendiri O
agar O
fitur O
voting O
lebih O
dimaksimalkan O
lagi O
, O
seperti O
tampilannya O
dibuat O
lebih O
informatif O
dengan O
menyediakan O
semacam O
fitur O
obrolan O
atau O
update O
status O
di O
ruang O
voting O
, O
diperuntukkan O
untuk O
mahasiswa O
yang O
melakukan O
diskusi O
, O
sebagai O
media O
untuk O
menyampaikan O
argumentasi O
agar O
dia O
dapat O
dipilih O
oleh O
pengguna O
yang O
ingin O
mengikuti O
voting. O
3. O
Sangat O
bagus O
sekali O
jika O
aplikasi O
ini O
mendukung O
sistem O
dosen O
kepada O
pemberian O
rekomendasi O
pilihan O
mahasiswa. O
Hal O
itu O
dapat O
berfungsi O
untuk O
mempercepat O
mahasiswa O
dalam O
menentukan O
pilihan O
dosen O
dan O
juga O
bisa O
digunakan O
untuk O
menentukan O
dosen O
pembimbing O
bagi O
mahasiswa O
yang O
belum O
sempat O
atau O
tidak O
mau O
melakukan O
pemilihan O
dosen. O
Gambar O
9. O
Time O
Line O
Pengerjaan O
Skripsi O

Perbandingan O
Model O
CNNs-LSTM O
NER O
( O
Named O
Entity O
Recognition O
) O
dengan O
Bi-LSTMs-CRF O
NER O
pada O
Ekstraksi O
Entitas O
Data O
Kasus O
Narkoba O
dari O
Berita O
Online O
di O
Indonesia O
Daris O
Azhar O
( O
221810233 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
, O
SST O
, O
M.Si O
Ringkasan— O
Penelitian O
terkait O
penerapan O
NER O
berbahasa O
Indonesia O
pada O
domain O
tertentu O
masih O
terbilang O
belum O
banyak O
dilakukan. O
Salah O
satunya O
adalah O
penerapan O
NER O
dengan O
domain O
kasus O
narkoba. O
Ketersediaan O
data O
kasus O
narkoba O
BNN O
yang O
belum O
up-to-date O
serta O
publikasi O
laporan O
kasus O
narkoba O
di O
Indonesia O
yang O
hanya O
dimuat O
satu O
tahun O
sekali O
memberikan O
celah O
untuk O
memanfaatkan O
NER O
guna O
mendapatkan O
data O
kasus O
narkoba O
dengan O
mengekstrak O
entitas O
terkait O
dengan O
kasus O
narkoba O
menggunakan O
sumber O
data O
berita O
online. O
Penelitian O
ini O
bertujuan O
untuk O
memanfaatkan B-TUJUAN
situs I-TUJUAN
berita I-TUJUAN
online I-TUJUAN
untuk I-TUJUAN
dijadikan I-TUJUAN
sebagai I-TUJUAN
sumber I-TUJUAN
data I-TUJUAN
dalam I-TUJUAN
memperoleh I-TUJUAN
informasi I-TUJUAN
terkait I-TUJUAN
kasus I-TUJUAN
narkoba I-TUJUAN
di I-TUJUAN
Indonesia. I-TUJUAN
Selain O
itu O
, O
penelitian O
ini O
juga O
membangun O
model O
NER B-METODE
untuk O
mengekstrak O
informasi O
dari O
teks O
berita O
yang O
telah O
diperoleh. O
Model O
NER B-METODE
utama O
pada O
penelitian O
ini O
karena O
mampu O
menggunakan O
menghasilkan O
performa O
yang O
baik O
serta O
hanya O
membutuhkan O
waktu O
komputasi O
yang O
singkat. O
Sedangkan O
, O
model O
NER B-METODE
baseline O
menggunakan O
arsitektur B-METODE
Bi-LSTM-CRF I-METODE
karena O
mudah O
diimplementasikan O
menggunakan O
framework. O
Model B-TEMUAN
utama I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
menghasilkan I-TEMUAN
performa I-TEMUAN
( I-TEMUAN
F1-score I-TEMUAN
) I-TEMUAN
sebesar I-TEMUAN
82,54 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Sedangkan I-TEMUAN
model I-TEMUAN
baseline I-TEMUAN
hanya I-TEMUAN
menghasilkan I-TEMUAN
performa I-TEMUAN
( I-TEMUAN
F1-score I-TEMUAN
) I-TEMUAN
sebesar I-TEMUAN
69,67 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
arsitektur O
CNNs-LSTM O
Kata O
Kunci— O
Named O
Entity O
Recognition O
, O
domain O
kasus O
narkoba O
, O
CNNs-LSTM O
, O
Bi-LSTMs-CRF O
, O
penerapan O
NER. O
[SEP] O
Berdasarkan O
hasil O
pemaparan O
dan O
hasil O
pembahasan O
di O
atas O
, O
dapat O
disimpulkan O
bahwa O
sumber O
berita O
online O
terkait O
kasus O
narkoba O
di O
Indonesia O
telah O
berhasil O
dikumpulkan O
dengan O
menggunakan O
metode B-METODE
web I-METODE
scraping I-METODE
untuk O
digunakan O
sebagai O
sumber O
dalam O
memperoleh O
informasi O
terkait O
kasus O
narkoba O
di O
Indonesia. O
Situs O
berita O
online O
yang O
digunakan O
adalah O
situs O
Okezone. O
Selain O
itu O
, O
model O
CNNs-LSTM B-METODE
NER I-METODE
( O
NER O
utama O
) O
telah O
dengan O
melakukan O
hyperparameters O
tuning O
pada O
proses O
pemodelannya. O
Model O
Bi- B-METODE
LSTMs-CRF I-METODE
NER I-METODE
( O
NER O
baseline O
) O
yang O
dibangun O
dengan O
menggunakan O
framework O
Flair O
hanya O
mampu O
menghasilkan O
performa O
NER O
dengan O
nilai O
F1-score B-METODE
sebesar O
69,67 O
% O
. O
Performa O
tersebut O
jauh O
berada O
di O
bawah O
dari O
performa O
yang O
dihasilkan O
oleh O
model O
NER O
utama O
, O
yaitu O
sebesar O
82,54 O
% O
. O
Dengan O
demikian O
, O
performa B-TEMUAN
model I-TEMUAN
NER I-TEMUAN
utama I-TEMUAN
mampu I-TEMUAN
melebihi I-TEMUAN
performa I-TEMUAN
model I-TEMUAN
NER I-TEMUAN
baseline I-TEMUAN
secara I-TEMUAN
signifikan. I-TEMUAN
dibangun I-TEMUAN
berhasil O
dan O
Berdasarkan O
kesimpulan O
dari O
hasil O
penelitian O
ini O
, O
maka O
saran O
yang O
dapat O
diajukan O
oleh O
penulis O
diantaranya O
adalah O
menambah O
situs O
berita O
online O
yang O
digunakan O
sebagai O
sumber O
data O
, O
penggunaan O
metode O
easy O
data O
augmentation O
pada O
dataset O
dengan O
harapan O
model O
yang O
dihasilakan O
menjadi O
lebih O
general O
, O
7 O
/ O
8 O
tahapan O
filtering O
secara O
otomatis O
pada O
pengembangan O
model O
selanjutnya O
, O
penambahan O
opsi O
pada O
bagian O
hyperparameters O
tuning O
, O
melakukan O
penelitian O
lebih O
lanjut O
sehingga O
dapat O
menghasilkan O
data-data O
kasus O
narkoba O
yang O
layak O
untuk O
dipublikasikan O
, O
dan O
mempertimbangkan O
kelengkapan O
serta O
kualitas O
dari O
informasi-informasi O
terkait O
kasus O
narkoba O
di O
Indonesia O
yang O
tersedia O
di O
berbagai O
sumber O
situs O
berita O
online. O

Perbandingan O
Model O
CNNs-LSTM O
NER O
( O
Named O
Entity O
Recognition O
) O
dengan O
Bi-LSTMs-CRF O
NER O
pada O
Ekstraksi O
Entitas O
Data O
Kasus O
Narkoba O
dari O
Berita O
Online O
di O
Indonesia O
Daris O
Azhar O
( O
221810233 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
, O
SST O
, O
M.Si O
Ringkasan— O
Penelitian O
terkait O
penerapan O
NER O
berbahasa O
Indonesia O
pada O
domain O
tertentu O
masih O
terbilang O
belum O
banyak O
dilakukan. O
Salah O
satunya O
adalah O
penerapan O
NER O
dengan O
domain O
kasus O
narkoba. O
Ketersediaan O
data O
kasus O
narkoba O
BNN O
yang O
belum O
up-to-date O
serta O
publikasi O
laporan O
kasus O
narkoba O
di O
Indonesia O
yang O
hanya O
dimuat O
satu O
tahun O
sekali O
memberikan O
celah O
untuk O
memanfaatkan O
NER O
guna O
mendapatkan O
data O
kasus O
narkoba O
dengan O
mengekstrak O
entitas O
terkait O
dengan O
kasus O
narkoba O
menggunakan O
sumber O
data O
berita O
online. O
Penelitian O
ini O
bertujuan O
untuk O
memanfaatkan B-TUJUAN
situs I-TUJUAN
berita I-TUJUAN
online I-TUJUAN
untuk I-TUJUAN
dijadikan I-TUJUAN
sebagai I-TUJUAN
sumber I-TUJUAN
data I-TUJUAN
dalam I-TUJUAN
memperoleh I-TUJUAN
informasi I-TUJUAN
terkait I-TUJUAN
kasus I-TUJUAN
narkoba I-TUJUAN
di I-TUJUAN
Indonesia. I-TUJUAN
Selain O
itu O
, O
penelitian O
ini O
juga O
membangun O
model O
NER B-METODE
untuk O
mengekstrak O
informasi O
dari O
teks O
berita O
yang O
telah O
diperoleh. O
Model O
NER B-METODE
utama O
pada O
penelitian O
ini O
karena O
mampu O
menggunakan O
menghasilkan O
performa O
yang O
baik O
serta O
hanya O
membutuhkan O
waktu O
komputasi O
yang O
singkat. O
Sedangkan O
, O
model O
NER B-METODE
baseline O
menggunakan O
arsitektur B-METODE
Bi-LSTM-CRF I-METODE
karena O
mudah O
diimplementasikan O
menggunakan O
framework. O
Model B-TEMUAN
utama I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
menghasilkan I-TEMUAN
performa I-TEMUAN
( I-TEMUAN
F1-score I-TEMUAN
) I-TEMUAN
sebesar I-TEMUAN
82,54 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Sedangkan I-TEMUAN
model I-TEMUAN
baseline I-TEMUAN
hanya I-TEMUAN
menghasilkan I-TEMUAN
performa I-TEMUAN
( I-TEMUAN
F1-score I-TEMUAN
) I-TEMUAN
sebesar I-TEMUAN
69,67 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
arsitektur O
CNNs-LSTM O
Kata O
Kunci— O
Named O
Entity O
Recognition O
, O
domain O
kasus O
narkoba O
, O
CNNs-LSTM O
, O
Bi-LSTMs-CRF O
, O
penerapan O
NER. O
[SEP] O
Berdasarkan O
hasil O
pemaparan O
dan O
hasil O
pembahasan O
di O
atas O
, O
dapat O
disimpulkan O
bahwa O
sumber O
berita O
online O
terkait O
kasus O
narkoba O
di O
Indonesia O
telah O
berhasil O
dikumpulkan O
dengan O
menggunakan O
metode B-METODE
web I-METODE
scraping I-METODE
untuk O
digunakan O
sebagai O
sumber O
dalam O
memperoleh O
informasi O
terkait O
kasus O
narkoba O
di O
Indonesia. O
Situs O
berita O
online O
yang O
digunakan O
adalah O
situs O
Okezone. O
Selain O
itu O
, O
model O
CNNs-LSTM B-METODE
NER I-METODE
( O
NER O
utama O
) O
telah O
dengan O
melakukan O
hyperparameters O
tuning O
pada O
proses O
pemodelannya. O
Model O
Bi- B-METODE
LSTMs-CRF I-METODE
NER I-METODE
( O
NER O
baseline O
) O
yang O
dibangun O
dengan O
menggunakan O
framework O
Flair O
hanya O
mampu O
menghasilkan O
performa O
NER O
dengan O
nilai O
F1-score B-METODE
sebesar O
69,67 O
% O
. O
Performa O
tersebut O
jauh O
berada O
di O
bawah O
dari O
performa O
yang O
dihasilkan O
oleh O
model O
NER O
utama O
, O
yaitu O
sebesar O
82,54 O
% O
. O
Dengan O
demikian O
, O
performa B-TEMUAN
model I-TEMUAN
NER I-TEMUAN
utama I-TEMUAN
mampu I-TEMUAN
melebihi I-TEMUAN
performa I-TEMUAN
model I-TEMUAN
NER I-TEMUAN
baseline I-TEMUAN
secara I-TEMUAN
signifikan. I-TEMUAN
dibangun I-TEMUAN
berhasil O
dan O
Berdasarkan O
kesimpulan O
dari O
hasil O
penelitian O
ini O
, O
maka O
saran O
yang O
dapat O
diajukan O
oleh O
penulis O
diantaranya O
adalah O
menambah O
situs O
berita O
online O
yang O
digunakan O
sebagai O
sumber O
data O
, O
penggunaan O
metode O
easy O
data O
augmentation O
pada O
dataset O
dengan O
harapan O
model O
yang O
dihasilakan O
menjadi O
lebih O
general O
, O
7 O
/ O
8 O
tahapan O
filtering O
secara O
otomatis O
pada O
pengembangan O
model O
selanjutnya O
, O
penambahan O
opsi O
pada O
bagian O
hyperparameters O
tuning O
, O
melakukan O
penelitian O
lebih O
lanjut O
sehingga O
dapat O
menghasilkan O
data-data O
kasus O
narkoba O
yang O
layak O
untuk O
dipublikasikan O
, O
dan O
mempertimbangkan O
kelengkapan O
serta O
kualitas O
dari O
informasi-informasi O
terkait O
kasus O
narkoba O
di O
Indonesia O
yang O
tersedia O
di O
berbagai O
sumber O
situs O
berita O
online. O

Perbandingan O
Model O
CNNs-LSTM O
NER O
( O
Named O
Entity O
Recognition O
) O
dengan O
Bi-LSTMs-CRF O
NER O
pada O
Ekstraksi O
Entitas O
Data O
Kasus O
Narkoba O
dari O
Berita O
Online O
di O
Indonesia O
Daris O
Azhar O
( O
221810233 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
, O
SST O
, O
M.Si O
Ringkasan— O
Penelitian O
terkait O
penerapan O
NER O
berbahasa O
Indonesia O
pada O
domain O
tertentu O
masih O
terbilang O
belum O
banyak O
dilakukan. O
Salah O
satunya O
adalah O
penerapan O
NER O
dengan O
domain O
kasus O
narkoba. O
Ketersediaan O
data O
kasus O
narkoba O
BNN O
yang O
belum O
up-to-date O
serta O
publikasi O
laporan O
kasus O
narkoba O
di O
Indonesia O
yang O
hanya O
dimuat O
satu O
tahun O
sekali O
memberikan O
celah O
untuk O
memanfaatkan O
NER O
guna O
mendapatkan O
data O
kasus O
narkoba O
dengan O
mengekstrak O
entitas O
terkait O
dengan O
kasus O
narkoba O
menggunakan O
sumber O
data O
berita O
online. O
Penelitian O
ini O
bertujuan O
untuk O
memanfaatkan B-TUJUAN
situs I-TUJUAN
berita I-TUJUAN
online I-TUJUAN
untuk I-TUJUAN
dijadikan I-TUJUAN
sebagai I-TUJUAN
sumber I-TUJUAN
data I-TUJUAN
dalam I-TUJUAN
memperoleh I-TUJUAN
informasi I-TUJUAN
terkait I-TUJUAN
kasus I-TUJUAN
narkoba I-TUJUAN
di I-TUJUAN
Indonesia. I-TUJUAN
Selain O
itu O
, O
penelitian O
ini O
juga O
membangun O
model O
NER B-METODE
untuk O
mengekstrak O
informasi O
dari O
teks O
berita O
yang O
telah O
diperoleh. O
Model O
NER B-METODE
utama O
pada O
penelitian O
ini O
karena O
mampu O
menggunakan O
menghasilkan O
performa O
yang O
baik O
serta O
hanya O
membutuhkan O
waktu O
komputasi O
yang O
singkat. O
Sedangkan O
, O
model O
NER B-METODE
baseline O
menggunakan O
arsitektur B-METODE
Bi-LSTM-CRF I-METODE
karena O
mudah O
diimplementasikan O
menggunakan O
framework. O
Model B-TEMUAN
utama I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
menghasilkan I-TEMUAN
performa I-TEMUAN
( I-TEMUAN
F1-score I-TEMUAN
) I-TEMUAN
sebesar I-TEMUAN
82,54 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Sedangkan I-TEMUAN
model I-TEMUAN
baseline I-TEMUAN
hanya I-TEMUAN
menghasilkan I-TEMUAN
performa I-TEMUAN
( I-TEMUAN
F1-score I-TEMUAN
) I-TEMUAN
sebesar I-TEMUAN
69,67 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
arsitektur O
CNNs-LSTM O
Kata O
Kunci— O
Named O
Entity O
Recognition O
, O
domain O
kasus O
narkoba O
, O
CNNs-LSTM O
, O
Bi-LSTMs-CRF O
, O
penerapan O
NER. O
[SEP] O
Berdasarkan O
hasil O
pemaparan O
dan O
hasil O
pembahasan O
di O
atas O
, O
dapat O
disimpulkan O
bahwa O
sumber O
berita O
online O
terkait O
kasus O
narkoba O
di O
Indonesia O
telah O
berhasil O
dikumpulkan O
dengan O
menggunakan O
metode B-METODE
web I-METODE
scraping I-METODE
untuk O
digunakan O
sebagai O
sumber O
dalam O
memperoleh O
informasi O
terkait O
kasus O
narkoba O
di O
Indonesia. O
Situs O
berita O
online O
yang O
digunakan O
adalah O
situs O
Okezone. O
Selain O
itu O
, O
model O
CNNs-LSTM B-METODE
NER I-METODE
( O
NER O
utama O
) O
telah O
dengan O
melakukan O
hyperparameters O
tuning O
pada O
proses O
pemodelannya. O
Model O
Bi- B-METODE
LSTMs-CRF I-METODE
NER I-METODE
( O
NER O
baseline O
) O
yang O
dibangun O
dengan O
menggunakan O
framework O
Flair O
hanya O
mampu O
menghasilkan O
performa O
NER O
dengan O
nilai O
F1-score B-METODE
sebesar O
69,67 O
% O
. O
Performa O
tersebut O
jauh O
berada O
di O
bawah O
dari O
performa O
yang O
dihasilkan O
oleh O
model O
NER O
utama O
, O
yaitu O
sebesar O
82,54 O
% O
. O
Dengan O
demikian O
, O
performa B-TEMUAN
model I-TEMUAN
NER I-TEMUAN
utama I-TEMUAN
mampu I-TEMUAN
melebihi I-TEMUAN
performa I-TEMUAN
model I-TEMUAN
NER I-TEMUAN
baseline I-TEMUAN
secara I-TEMUAN
signifikan. I-TEMUAN
dibangun I-TEMUAN
berhasil O
dan O
Berdasarkan O
kesimpulan O
dari O
hasil O
penelitian O
ini O
, O
maka O
saran O
yang O
dapat O
diajukan O
oleh O
penulis O
diantaranya O
adalah O
menambah O
situs O
berita O
online O
yang O
digunakan O
sebagai O
sumber O
data O
, O
penggunaan O
metode O
easy O
data O
augmentation O
pada O
dataset O
dengan O
harapan O
model O
yang O
dihasilakan O
menjadi O
lebih O
general O
, O
7 O
/ O
8 O
tahapan O
filtering O
secara O
otomatis O
pada O
pengembangan O
model O
selanjutnya O
, O
penambahan O
opsi O
pada O
bagian O
hyperparameters O
tuning O
, O
melakukan O
penelitian O
lebih O
lanjut O
sehingga O
dapat O
menghasilkan O
data-data O
kasus O
narkoba O
yang O
layak O
untuk O
dipublikasikan O
, O
dan O
mempertimbangkan O
kelengkapan O
serta O
kualitas O
dari O
informasi-informasi O
terkait O
kasus O
narkoba O
di O
Indonesia O
yang O
tersedia O
di O
berbagai O
sumber O
situs O
berita O
online. O

Perbandingan O
Model O
CNNs-LSTM O
NER O
( O
Named O
Entity O
Recognition O
) O
dengan O
Bi-LSTMs-CRF O
NER O
pada O
Ekstraksi O
Entitas O
Data O
Kasus O
Narkoba O
dari O
Berita O
Online O
di O
Indonesia O
Daris O
Azhar O
( O
221810233 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
, O
SST O
, O
M.Si O
Ringkasan— O
Penelitian O
terkait O
penerapan O
NER O
berbahasa O
Indonesia O
pada O
domain O
tertentu O
masih O
terbilang O
belum O
banyak O
dilakukan. O
Salah O
satunya O
adalah O
penerapan O
NER O
dengan O
domain O
kasus O
narkoba. O
Ketersediaan O
data O
kasus O
narkoba O
BNN O
yang O
belum O
up-to-date O
serta O
publikasi O
laporan O
kasus O
narkoba O
di O
Indonesia O
yang O
hanya O
dimuat O
satu O
tahun O
sekali O
memberikan O
celah O
untuk O
memanfaatkan O
NER O
guna O
mendapatkan O
data O
kasus O
narkoba O
dengan O
mengekstrak O
entitas O
terkait O
dengan O
kasus O
narkoba O
menggunakan O
sumber O
data O
berita O
online. O
Penelitian O
ini O
bertujuan O
untuk O
memanfaatkan B-TUJUAN
situs I-TUJUAN
berita I-TUJUAN
online I-TUJUAN
untuk I-TUJUAN
dijadikan I-TUJUAN
sebagai I-TUJUAN
sumber I-TUJUAN
data I-TUJUAN
dalam I-TUJUAN
memperoleh I-TUJUAN
informasi I-TUJUAN
terkait I-TUJUAN
kasus I-TUJUAN
narkoba I-TUJUAN
di I-TUJUAN
Indonesia. I-TUJUAN
Selain O
itu O
, O
penelitian O
ini O
juga O
membangun O
model O
NER B-METODE
untuk O
mengekstrak O
informasi O
dari O
teks O
berita O
yang O
telah O
diperoleh. O
Model O
NER B-METODE
utama O
pada O
penelitian O
ini O
karena O
mampu O
menggunakan O
menghasilkan O
performa O
yang O
baik O
serta O
hanya O
membutuhkan O
waktu O
komputasi O
yang O
singkat. O
Sedangkan O
, O
model O
NER B-METODE
baseline O
menggunakan O
arsitektur B-METODE
Bi-LSTM-CRF I-METODE
karena O
mudah O
diimplementasikan O
menggunakan O
framework. O
Model B-TEMUAN
utama I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
menghasilkan I-TEMUAN
performa I-TEMUAN
( I-TEMUAN
F1-score I-TEMUAN
) I-TEMUAN
sebesar I-TEMUAN
82,54 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Sedangkan I-TEMUAN
model I-TEMUAN
baseline I-TEMUAN
hanya I-TEMUAN
menghasilkan I-TEMUAN
performa I-TEMUAN
( I-TEMUAN
F1-score I-TEMUAN
) I-TEMUAN
sebesar I-TEMUAN
69,67 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
arsitektur O
CNNs-LSTM O
Kata O
Kunci— O
Named O
Entity O
Recognition O
, O
domain O
kasus O
narkoba O
, O
CNNs-LSTM O
, O
Bi-LSTMs-CRF O
, O
penerapan O
NER. O
[SEP] O
Berdasarkan O
hasil O
pemaparan O
dan O
hasil O
pembahasan O
di O
atas O
, O
dapat O
disimpulkan O
bahwa O
sumber O
berita O
online O
terkait O
kasus O
narkoba O
di O
Indonesia O
telah O
berhasil O
dikumpulkan O
dengan O
menggunakan O
metode B-METODE
web I-METODE
scraping I-METODE
untuk O
digunakan O
sebagai O
sumber O
dalam O
memperoleh O
informasi O
terkait O
kasus O
narkoba O
di O
Indonesia. O
Situs O
berita O
online O
yang O
digunakan O
adalah O
situs O
Okezone. O
Selain O
itu O
, O
model O
CNNs-LSTM B-METODE
NER I-METODE
( O
NER O
utama O
) O
telah O
dengan O
melakukan O
hyperparameters O
tuning O
pada O
proses O
pemodelannya. O
Model O
Bi- B-METODE
LSTMs-CRF I-METODE
NER I-METODE
( O
NER O
baseline O
) O
yang O
dibangun O
dengan O
menggunakan O
framework O
Flair O
hanya O
mampu O
menghasilkan O
performa O
NER O
dengan O
nilai O
F1-score B-METODE
sebesar O
69,67 O
% O
. O
Performa O
tersebut O
jauh O
berada O
di O
bawah O
dari O
performa O
yang O
dihasilkan O
oleh O
model O
NER O
utama O
, O
yaitu O
sebesar O
82,54 O
% O
. O
Dengan O
demikian O
, O
performa B-TEMUAN
model I-TEMUAN
NER I-TEMUAN
utama I-TEMUAN
mampu I-TEMUAN
melebihi I-TEMUAN
performa I-TEMUAN
model I-TEMUAN
NER I-TEMUAN
baseline I-TEMUAN
secara I-TEMUAN
signifikan. I-TEMUAN
dibangun I-TEMUAN
berhasil O
dan O
Berdasarkan O
kesimpulan O
dari O
hasil O
penelitian O
ini O
, O
maka O
saran O
yang O
dapat O
diajukan O
oleh O
penulis O
diantaranya O
adalah O
menambah O
situs O
berita O
online O
yang O
digunakan O
sebagai O
sumber O
data O
, O
penggunaan O
metode O
easy O
data O
augmentation O
pada O
dataset O
dengan O
harapan O
model O
yang O
dihasilakan O
menjadi O
lebih O
general O
, O
7 O
/ O
8 O
tahapan O
filtering O
secara O
otomatis O
pada O
pengembangan O
model O
selanjutnya O
, O
penambahan O
opsi O
pada O
bagian O
hyperparameters O
tuning O
, O
melakukan O
penelitian O
lebih O
lanjut O
sehingga O
dapat O
menghasilkan O
data-data O
kasus O
narkoba O
yang O
layak O
untuk O
dipublikasikan O
, O
dan O
mempertimbangkan O
kelengkapan O
serta O
kualitas O
dari O
informasi-informasi O
terkait O
kasus O
narkoba O
di O
Indonesia O
yang O
tersedia O
di O
berbagai O
sumber O
situs O
berita O
online. O

Kajian O
Implementasi O
Modern O
Honey O
Network O
( O
MHN O
) O
untuk O
Deteksi O
Serangan O
Jaringan O
Komputer O
Daniel O
Novendri O
Situmorang O
( O
221810232 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
MT O
Ringkasan— O
Kemajuan O
teknologi O
saat O
ini O
mendatangkan O
banyak O
kemudahan O
bagi O
para O
pengguna O
internet. O
Hal O
ini O
membuat O
internet O
menjadi O
sangat O
penting O
dalam O
kehidupan O
dan O
menjadi O
media O
utama O
dalam O
pertukaran O
informasi. O
Seiring O
dengan O
perkembangan O
itu O
, O
keamanan O
sebuah O
sistem O
jaringan O
menjadi O
aktivitas O
sangat O
penting O
mengingat O
banyaknya O
peretasan O
yang O
terjadi O
, O
sehingga O
diperlukan O
suatu O
usaha O
untuk O
menjamin O
keamanan O
suatu O
sistem. O
Ada O
banyak O
sistem O
yang O
dapat O
mendeteksi O
serangan O
, O
dan O
penelitian O
ini O
menggunakan O
Modern O
Honey O
Network O
( O
MHN O
) O
. O
Honeypot O
adalah O
sistem O
yang O
dibangun O
menyerupai O
sistem O
yang O
asli O
dengan O
tujuan O
untuk O
diserang O
, O
sehingga O
sistem O
yang O
asli O
tetap O
aman O
dan O
terhindar O
dari O
serangan. O
Dionaea O
merupakan O
Honeypot O
yang O
bersifat O
low O
interaction O
yang O
berfungsi O
untuk O
menangkap O
data O
serangan. O
Aktivitas O
monitoring O
juga O
menjadi O
permasalahan O
besar O
ketika O
data O
yang O
diolah O
sangat O
banyak O
sementara O
alat O
analisis O
yang O
digunakan O
tidak O
memadai. O
Setelah O
MHN O
dan O
Dionaea O
Honeypot O
berhasil O
diimplementasikan O
, O
dilakukan O
simulasi O
apakah O
Honeypot O
dapat O
mendeteksi O
serangan O
yang O
dilakukan O
oleh O
peneliti. O
Jenis O
serangan O
yang O
dilakukan O
adalah O
port O
scanning O
scanning O
dan O
eksploitasi O
menggunakan O
Nmap O
dan O
eksploitasi O
layanan O
menggunakan O
Metasploit O
Framework. O
Berdasarkan O
hasil O
pengujian O
, O
MHN B-TEMUAN
dapat I-TEMUAN
mendeteksi I-TEMUAN
serangan I-TEMUAN
terhadap I-TEMUAN
jaringan I-TEMUAN
komputer. I-TEMUAN
Setelah I-TEMUAN
data I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
Splunk. I-TEMUAN
Visualisasi I-TEMUAN
data I-TEMUAN
serangan I-TEMUAN
tersebut I-TEMUAN
akan I-TEMUAN
membantu I-TEMUAN
administrator I-TEMUAN
dalam I-TEMUAN
melakukan I-TEMUAN
monitoring I-TEMUAN
dan I-TEMUAN
analisis I-TEMUAN
data. I-TEMUAN
serangan I-TEMUAN
untuk I-TEMUAN
mengetahui I-TEMUAN
data I-TEMUAN
divisualisasikan I-TEMUAN
layanan. I-TEMUAN
Simulasi O
serangan O
port O
terkumpul O
, O
keamanan O
serangan O
jaringan O
Kata O
Kunci— O
MHN. O
Honeypot O
, O
dionaea O
, O
splunk O
, O
keamanan O
jaringan O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
yang O
telah O
dijelaskan O
pada O
bab O
sebelumnya O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan. O
1. O
Berdasarkan O
hasil O
pengujian O
yang O
dilakukan O
, O
sistem O
Modern B-METODE
Honey I-METODE
Network I-METODE
( I-METODE
MHN I-METODE
) I-METODE
dapat O
mendeteksi B-TUJUAN
serangan I-TUJUAN
atau I-TUJUAN
aktivitas I-TUJUAN
mencurigakan I-TUJUAN
terhadap I-TUJUAN
jaringan I-TUJUAN
dengan I-TUJUAN
beberapa I-TUJUAN
atribut I-TUJUAN
, I-TUJUAN
antara I-TUJUAN
lain I-TUJUAN
IP I-TUJUAN
address I-TUJUAN
, I-TUJUAN
tanggal I-TUJUAN
serangan I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
port I-TUJUAN
yang I-TUJUAN
diakses I-TUJUAN
oleh I-TUJUAN
penyerang I-TUJUAN
( I-TUJUAN
attacker I-TUJUAN
) I-TUJUAN
. O
Penggunaan B-TEMUAN
Honeypot I-TEMUAN
dapat I-TEMUAN
menunjang I-TEMUAN
keamanan I-TEMUAN
jaringan I-TEMUAN
, I-TEMUAN
namun I-TEMUAN
Honeypot I-TEMUAN
tidak I-TEMUAN
dapat I-TEMUAN
melindungi I-TEMUAN
sistem I-TEMUAN
operasi I-TEMUAN
secara I-TEMUAN
langsung. I-TEMUAN
Splunk I-TEMUAN
dapat I-TEMUAN
memvisualisasikan I-TEMUAN
data I-TEMUAN
serangan I-TEMUAN
yang I-TEMUAN
diambil I-TEMUAN
dari I-TEMUAN
MHN I-TEMUAN
server I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
bentuk I-TEMUAN
grafik I-TEMUAN
dan I-TEMUAN
dashboard. I-TEMUAN
Hasil O
dari O
visualisasi O
ini O
dapat O
dilakukan O
analisis O
data O
lebih O
dalam O
untuk O
mendapatkan O
informasi O
baru. O
Hal O
ini O
akan O
membantu O
administrator O
dalam O
melakukan O
monitoring O
dan O
analisis O
data. O
2. O

Kajian O
Implementasi O
Modern O
Honey O
Network O
( O
MHN O
) O
untuk O
Deteksi O
Serangan O
Jaringan O
Komputer O
Daniel O
Novendri O
Situmorang O
( O
221810232 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
MT O
Ringkasan— O
Kemajuan O
teknologi O
saat O
ini O
mendatangkan O
banyak O
kemudahan O
bagi O
para O
pengguna O
internet. O
Hal O
ini O
membuat O
internet O
menjadi O
sangat O
penting O
dalam O
kehidupan O
dan O
menjadi O
media O
utama O
dalam O
pertukaran O
informasi. O
Seiring O
dengan O
perkembangan O
itu O
, O
keamanan O
sebuah O
sistem O
jaringan O
menjadi O
aktivitas O
sangat O
penting O
mengingat O
banyaknya O
peretasan O
yang O
terjadi O
, O
sehingga O
diperlukan O
suatu O
usaha O
untuk O
menjamin O
keamanan O
suatu O
sistem. O
Ada O
banyak O
sistem O
yang O
dapat O
mendeteksi O
serangan O
, O
dan O
penelitian O
ini O
menggunakan O
Modern O
Honey O
Network O
( O
MHN O
) O
. O
Honeypot O
adalah O
sistem O
yang O
dibangun O
menyerupai O
sistem O
yang O
asli O
dengan O
tujuan O
untuk O
diserang O
, O
sehingga O
sistem O
yang O
asli O
tetap O
aman O
dan O
terhindar O
dari O
serangan. O
Dionaea O
merupakan O
Honeypot O
yang O
bersifat O
low O
interaction O
yang O
berfungsi O
untuk O
menangkap O
data O
serangan. O
Aktivitas O
monitoring O
juga O
menjadi O
permasalahan O
besar O
ketika O
data O
yang O
diolah O
sangat O
banyak O
sementara O
alat O
analisis O
yang O
digunakan O
tidak O
memadai. O
Setelah O
MHN O
dan O
Dionaea O
Honeypot O
berhasil O
diimplementasikan O
, O
dilakukan O
simulasi O
apakah O
Honeypot O
dapat O
mendeteksi O
serangan O
yang O
dilakukan O
oleh O
peneliti. O
Jenis O
serangan O
yang O
dilakukan O
adalah O
port O
scanning O
scanning O
dan O
eksploitasi O
menggunakan O
Nmap O
dan O
eksploitasi O
layanan O
menggunakan O
Metasploit O
Framework. O
Berdasarkan O
hasil O
pengujian O
, O
MHN B-TEMUAN
dapat I-TEMUAN
mendeteksi I-TEMUAN
serangan I-TEMUAN
terhadap I-TEMUAN
jaringan I-TEMUAN
komputer. I-TEMUAN
Setelah I-TEMUAN
data I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
Splunk. I-TEMUAN
Visualisasi I-TEMUAN
data I-TEMUAN
serangan I-TEMUAN
tersebut I-TEMUAN
akan I-TEMUAN
membantu I-TEMUAN
administrator I-TEMUAN
dalam I-TEMUAN
melakukan I-TEMUAN
monitoring I-TEMUAN
dan I-TEMUAN
analisis I-TEMUAN
data. I-TEMUAN
serangan I-TEMUAN
untuk I-TEMUAN
mengetahui I-TEMUAN
data I-TEMUAN
divisualisasikan I-TEMUAN
layanan. I-TEMUAN
Simulasi O
serangan O
port O
terkumpul O
, O
keamanan O
serangan O
jaringan O
Kata O
Kunci— O
MHN. O
Honeypot O
, O
dionaea O
, O
splunk O
, O
keamanan O
jaringan O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
yang O
telah O
dijelaskan O
pada O
bab O
sebelumnya O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan. O
1. O
Berdasarkan O
hasil O
pengujian O
yang O
dilakukan O
, O
sistem O
Modern B-METODE
Honey I-METODE
Network I-METODE
( I-METODE
MHN I-METODE
) I-METODE
dapat O
mendeteksi B-TUJUAN
serangan I-TUJUAN
atau I-TUJUAN
aktivitas I-TUJUAN
mencurigakan I-TUJUAN
terhadap I-TUJUAN
jaringan I-TUJUAN
dengan I-TUJUAN
beberapa I-TUJUAN
atribut I-TUJUAN
, I-TUJUAN
antara I-TUJUAN
lain I-TUJUAN
IP I-TUJUAN
address I-TUJUAN
, I-TUJUAN
tanggal I-TUJUAN
serangan I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
port I-TUJUAN
yang I-TUJUAN
diakses I-TUJUAN
oleh I-TUJUAN
penyerang I-TUJUAN
( I-TUJUAN
attacker I-TUJUAN
) I-TUJUAN
. O
Penggunaan B-TEMUAN
Honeypot I-TEMUAN
dapat I-TEMUAN
menunjang I-TEMUAN
keamanan I-TEMUAN
jaringan I-TEMUAN
, I-TEMUAN
namun I-TEMUAN
Honeypot I-TEMUAN
tidak I-TEMUAN
dapat I-TEMUAN
melindungi I-TEMUAN
sistem I-TEMUAN
operasi I-TEMUAN
secara I-TEMUAN
langsung. I-TEMUAN
Splunk I-TEMUAN
dapat I-TEMUAN
memvisualisasikan I-TEMUAN
data I-TEMUAN
serangan I-TEMUAN
yang I-TEMUAN
diambil I-TEMUAN
dari I-TEMUAN
MHN I-TEMUAN
server I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
bentuk I-TEMUAN
grafik I-TEMUAN
dan I-TEMUAN
dashboard. I-TEMUAN
Hasil O
dari O
visualisasi O
ini O
dapat O
dilakukan O
analisis O
data O
lebih O
dalam O
untuk O
mendapatkan O
informasi O
baru. O
Hal O
ini O
akan O
membantu O
administrator O
dalam O
melakukan O
monitoring O
dan O
analisis O
data. O
2. O

Kajian O
Implementasi O
Modern O
Honey O
Network O
( O
MHN O
) O
untuk O
Deteksi O
Serangan O
Jaringan O
Komputer O
Daniel O
Novendri O
Situmorang O
( O
221810232 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
MT O
Ringkasan— O
Kemajuan O
teknologi O
saat O
ini O
mendatangkan O
banyak O
kemudahan O
bagi O
para O
pengguna O
internet. O
Hal O
ini O
membuat O
internet O
menjadi O
sangat O
penting O
dalam O
kehidupan O
dan O
menjadi O
media O
utama O
dalam O
pertukaran O
informasi. O
Seiring O
dengan O
perkembangan O
itu O
, O
keamanan O
sebuah O
sistem O
jaringan O
menjadi O
aktivitas O
sangat O
penting O
mengingat O
banyaknya O
peretasan O
yang O
terjadi O
, O
sehingga O
diperlukan O
suatu O
usaha O
untuk O
menjamin O
keamanan O
suatu O
sistem. O
Ada O
banyak O
sistem O
yang O
dapat O
mendeteksi O
serangan O
, O
dan O
penelitian O
ini O
menggunakan O
Modern O
Honey O
Network O
( O
MHN O
) O
. O
Honeypot O
adalah O
sistem O
yang O
dibangun O
menyerupai O
sistem O
yang O
asli O
dengan O
tujuan O
untuk O
diserang O
, O
sehingga O
sistem O
yang O
asli O
tetap O
aman O
dan O
terhindar O
dari O
serangan. O
Dionaea O
merupakan O
Honeypot O
yang O
bersifat O
low O
interaction O
yang O
berfungsi O
untuk O
menangkap O
data O
serangan. O
Aktivitas O
monitoring O
juga O
menjadi O
permasalahan O
besar O
ketika O
data O
yang O
diolah O
sangat O
banyak O
sementara O
alat O
analisis O
yang O
digunakan O
tidak O
memadai. O
Setelah O
MHN O
dan O
Dionaea O
Honeypot O
berhasil O
diimplementasikan O
, O
dilakukan O
simulasi O
apakah O
Honeypot O
dapat O
mendeteksi O
serangan O
yang O
dilakukan O
oleh O
peneliti. O
Jenis O
serangan O
yang O
dilakukan O
adalah O
port O
scanning O
scanning O
dan O
eksploitasi O
menggunakan O
Nmap O
dan O
eksploitasi O
layanan O
menggunakan O
Metasploit O
Framework. O
Berdasarkan O
hasil O
pengujian O
, O
MHN B-TEMUAN
dapat I-TEMUAN
mendeteksi I-TEMUAN
serangan I-TEMUAN
terhadap I-TEMUAN
jaringan I-TEMUAN
komputer. I-TEMUAN
Setelah I-TEMUAN
data I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
Splunk. I-TEMUAN
Visualisasi I-TEMUAN
data I-TEMUAN
serangan I-TEMUAN
tersebut I-TEMUAN
akan I-TEMUAN
membantu I-TEMUAN
administrator I-TEMUAN
dalam I-TEMUAN
melakukan I-TEMUAN
monitoring I-TEMUAN
dan I-TEMUAN
analisis I-TEMUAN
data. I-TEMUAN
serangan I-TEMUAN
untuk I-TEMUAN
mengetahui I-TEMUAN
data I-TEMUAN
divisualisasikan I-TEMUAN
layanan. I-TEMUAN
Simulasi O
serangan O
port O
terkumpul O
, O
keamanan O
serangan O
jaringan O
Kata O
Kunci— O
MHN. O
Honeypot O
, O
dionaea O
, O
splunk O
, O
keamanan O
jaringan O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
yang O
telah O
dijelaskan O
pada O
bab O
sebelumnya O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan. O
1. O
Berdasarkan O
hasil O
pengujian O
yang O
dilakukan O
, O
sistem O
Modern B-METODE
Honey I-METODE
Network I-METODE
( I-METODE
MHN I-METODE
) I-METODE
dapat O
mendeteksi B-TUJUAN
serangan I-TUJUAN
atau I-TUJUAN
aktivitas I-TUJUAN
mencurigakan I-TUJUAN
terhadap I-TUJUAN
jaringan I-TUJUAN
dengan I-TUJUAN
beberapa I-TUJUAN
atribut I-TUJUAN
, I-TUJUAN
antara I-TUJUAN
lain I-TUJUAN
IP I-TUJUAN
address I-TUJUAN
, I-TUJUAN
tanggal I-TUJUAN
serangan I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
port I-TUJUAN
yang I-TUJUAN
diakses I-TUJUAN
oleh I-TUJUAN
penyerang I-TUJUAN
( I-TUJUAN
attacker I-TUJUAN
) I-TUJUAN
. O
Penggunaan B-TEMUAN
Honeypot I-TEMUAN
dapat I-TEMUAN
menunjang I-TEMUAN
keamanan I-TEMUAN
jaringan I-TEMUAN
, I-TEMUAN
namun I-TEMUAN
Honeypot I-TEMUAN
tidak I-TEMUAN
dapat I-TEMUAN
melindungi I-TEMUAN
sistem I-TEMUAN
operasi I-TEMUAN
secara I-TEMUAN
langsung. I-TEMUAN
Splunk I-TEMUAN
dapat I-TEMUAN
memvisualisasikan I-TEMUAN
data I-TEMUAN
serangan I-TEMUAN
yang I-TEMUAN
diambil I-TEMUAN
dari I-TEMUAN
MHN I-TEMUAN
server I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
bentuk I-TEMUAN
grafik I-TEMUAN
dan I-TEMUAN
dashboard. I-TEMUAN
Hasil O
dari O
visualisasi O
ini O
dapat O
dilakukan O
analisis O
data O
lebih O
dalam O
untuk O
mendapatkan O
informasi O
baru. O
Hal O
ini O
akan O
membantu O
administrator O
dalam O
melakukan O
monitoring O
dan O
analisis O
data. O
2. O

Kajian O
Implementasi O
Modern O
Honey O
Network O
( O
MHN O
) O
untuk O
Deteksi O
Serangan O
Jaringan O
Komputer O
Daniel O
Novendri O
Situmorang O
( O
221810232 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
MT O
Ringkasan— O
Kemajuan O
teknologi O
saat O
ini O
mendatangkan O
banyak O
kemudahan O
bagi O
para O
pengguna O
internet. O
Hal O
ini O
membuat O
internet O
menjadi O
sangat O
penting O
dalam O
kehidupan O
dan O
menjadi O
media O
utama O
dalam O
pertukaran O
informasi. O
Seiring O
dengan O
perkembangan O
itu O
, O
keamanan O
sebuah O
sistem O
jaringan O
menjadi O
aktivitas O
sangat O
penting O
mengingat O
banyaknya O
peretasan O
yang O
terjadi O
, O
sehingga O
diperlukan O
suatu O
usaha O
untuk O
menjamin O
keamanan O
suatu O
sistem. O
Ada O
banyak O
sistem O
yang O
dapat O
mendeteksi O
serangan O
, O
dan O
penelitian O
ini O
menggunakan O
Modern O
Honey O
Network O
( O
MHN O
) O
. O
Honeypot O
adalah O
sistem O
yang O
dibangun O
menyerupai O
sistem O
yang O
asli O
dengan O
tujuan O
untuk O
diserang O
, O
sehingga O
sistem O
yang O
asli O
tetap O
aman O
dan O
terhindar O
dari O
serangan. O
Dionaea O
merupakan O
Honeypot O
yang O
bersifat O
low O
interaction O
yang O
berfungsi O
untuk O
menangkap O
data O
serangan. O
Aktivitas O
monitoring O
juga O
menjadi O
permasalahan O
besar O
ketika O
data O
yang O
diolah O
sangat O
banyak O
sementara O
alat O
analisis O
yang O
digunakan O
tidak O
memadai. O
Setelah O
MHN O
dan O
Dionaea O
Honeypot O
berhasil O
diimplementasikan O
, O
dilakukan O
simulasi O
apakah O
Honeypot O
dapat O
mendeteksi O
serangan O
yang O
dilakukan O
oleh O
peneliti. O
Jenis O
serangan O
yang O
dilakukan O
adalah O
port O
scanning O
scanning O
dan O
eksploitasi O
menggunakan O
Nmap O
dan O
eksploitasi O
layanan O
menggunakan O
Metasploit O
Framework. O
Berdasarkan O
hasil O
pengujian O
, O
MHN B-TEMUAN
dapat I-TEMUAN
mendeteksi I-TEMUAN
serangan I-TEMUAN
terhadap I-TEMUAN
jaringan I-TEMUAN
komputer. I-TEMUAN
Setelah I-TEMUAN
data I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
Splunk. I-TEMUAN
Visualisasi I-TEMUAN
data I-TEMUAN
serangan I-TEMUAN
tersebut I-TEMUAN
akan I-TEMUAN
membantu I-TEMUAN
administrator I-TEMUAN
dalam I-TEMUAN
melakukan I-TEMUAN
monitoring I-TEMUAN
dan I-TEMUAN
analisis I-TEMUAN
data. I-TEMUAN
serangan I-TEMUAN
untuk I-TEMUAN
mengetahui I-TEMUAN
data I-TEMUAN
divisualisasikan I-TEMUAN
layanan. I-TEMUAN
Simulasi O
serangan O
port O
terkumpul O
, O
keamanan O
serangan O
jaringan O
Kata O
Kunci— O
MHN. O
Honeypot O
, O
dionaea O
, O
splunk O
, O
keamanan O
jaringan O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
yang O
telah O
dijelaskan O
pada O
bab O
sebelumnya O
, O
berikut O
adalah O
beberapa O
hal O
yang O
dapat O
disimpulkan. O
1. O
Berdasarkan O
hasil O
pengujian O
yang O
dilakukan O
, O
sistem O
Modern B-METODE
Honey I-METODE
Network I-METODE
( I-METODE
MHN I-METODE
) I-METODE
dapat O
mendeteksi B-TUJUAN
serangan I-TUJUAN
atau I-TUJUAN
aktivitas I-TUJUAN
mencurigakan I-TUJUAN
terhadap I-TUJUAN
jaringan I-TUJUAN
dengan I-TUJUAN
beberapa I-TUJUAN
atribut I-TUJUAN
, I-TUJUAN
antara I-TUJUAN
lain I-TUJUAN
IP I-TUJUAN
address I-TUJUAN
, I-TUJUAN
tanggal I-TUJUAN
serangan I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
port I-TUJUAN
yang I-TUJUAN
diakses I-TUJUAN
oleh I-TUJUAN
penyerang I-TUJUAN
( I-TUJUAN
attacker I-TUJUAN
) I-TUJUAN
. O
Penggunaan B-TEMUAN
Honeypot I-TEMUAN
dapat I-TEMUAN
menunjang I-TEMUAN
keamanan I-TEMUAN
jaringan I-TEMUAN
, I-TEMUAN
namun I-TEMUAN
Honeypot I-TEMUAN
tidak I-TEMUAN
dapat I-TEMUAN
melindungi I-TEMUAN
sistem I-TEMUAN
operasi I-TEMUAN
secara I-TEMUAN
langsung. I-TEMUAN
Splunk I-TEMUAN
dapat I-TEMUAN
memvisualisasikan I-TEMUAN
data I-TEMUAN
serangan I-TEMUAN
yang I-TEMUAN
diambil I-TEMUAN
dari I-TEMUAN
MHN I-TEMUAN
server I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
bentuk I-TEMUAN
grafik I-TEMUAN
dan I-TEMUAN
dashboard. I-TEMUAN
Hasil O
dari O
visualisasi O
ini O
dapat O
dilakukan O
analisis O
data O
lebih O
dalam O
untuk O
mendapatkan O
informasi O
baru. O
Hal O
ini O
akan O
membantu O
administrator O
dalam O
melakukan O
monitoring O
dan O
analisis O
data. O
2. O

Analisis O
Sentimen O
Berbasis O
Aspek O
Pada O
Destinasi O
Wisata O
di O
Indonesia O
Berdasarkan O
Review O
Pengguna O
Google O
Maps O
Studi O
Kasus O
: O
Taman O
Nasional O
Bromo O
Tengger O
Semeru O
Cynthia O
As O
Bahri O
( O
221810227 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Lya O
Hulliyyatus O
Suadaa O
, O
S.S.T. O
, O
M.T. O
Ringkasan—Keberadaan O
teknologi O
mampu O
mempengaruhi O
dan O
membentuk O
pola O
perilaku O
seseorang O
saat O
merencanakan O
wisata O
, O
sedang O
berwisata O
dan O
setelah O
berwisata. O
Review O
yang O
diberikan O
oleh O
pengunjung O
terhadap O
destinasi O
wisata O
dapat O
dimanfaatkan O
sebagai O
bahan O
evaluasi O
untuk O
peningkatan O
kualitas O
destinasi O
wisata O
serta O
menjadi O
faktor O
penentu O
bagi O
wisatawan O
lain O
untuk O
berkunjung O
ataupun O
bagi O
wisatawan O
lama O
untuk O
berkunjung O
kembali. O
Proses O
pemanfaatan O
review O
tersebut O
dapat O
dilakukan O
dengan O
menilai O
aspek-aspek O
yang O
terdapat O
pada O
destinasi O
wisata O
berdasarkan O
ulasan O
dari O
pengunjung. O
Penelitian O
ini O
bertujuan O
untuk O
melakukan B-TUJUAN
analisis I-TUJUAN
sentimen I-TUJUAN
berbasis I-TUJUAN
aspek I-TUJUAN
pada I-TUJUAN
salah I-TUJUAN
satu I-TUJUAN
destinasi I-TUJUAN
wisata I-TUJUAN
di I-TUJUAN
Indonesia I-TUJUAN
yaitu I-TUJUAN
Taman I-TUJUAN
Nasional I-TUJUAN
Bromo I-TUJUAN
Tengger I-TUJUAN
Semeru I-TUJUAN
berdasarkan I-TUJUAN
review I-TUJUAN
dari I-TUJUAN
pengguna I-TUJUAN
Google I-TUJUAN
Maps. I-TUJUAN
Aspek O
yang O
digunakan O
diantaranya O
atraksi O
, O
fasilitas O
, O
akses O
, O
dan O
harga. O
Model O
klasifikasi B-METODE
sentimen I-METODE
yang O
digunakan O
adalah O
model O
machine O
learning O
yang O
terdiri O
dari O
SVM O
, O
Complement O
Naïve O
Bayes O
, O
Logistic O
Regression O
, O
dan O
transfer O
learning O
dari O
pre-trained O
BERT O
, O
IndoBERT O
, O
dan O
mBERT. O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
eksperimen I-TEMUAN
, I-TEMUAN
transfer I-TEMUAN
learning I-TEMUAN
dari I-TEMUAN
model I-TEMUAN
IndoBERT I-TEMUAN
mencapai I-TEMUAN
performa I-TEMUAN
terbaik I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
dan I-TEMUAN
F1-Score I-TEMUAN
masing-masing I-TEMUAN
sebesar I-TEMUAN
91.48 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
71.56 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Selain O
itu O
, O
diantara O
model O
machine O
learning O
yang O
digunakan O
, O
model O
SVM O
memberikan O
hasil O
terbaik O
dengan O
nilai O
akurasi B-METODE
sebesar O
89.16 O
% O
dan O
F1-Score B-METODE
sebesar O
62.23 O
% O
. O
Kata O
Kunci— O
Analisis O
Sentimen O
Berbasis O
Aspek O
, O
Google O
Maps O
Review O
, O
Machine O
Learning O
, O
Transfer O
Learning O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
yang O
telah O
diuraikan O
diatas O
, O
didapatkan O
beberapa O
kesimpulan O
yaitu O
: O
1. O
Dari O
semua O
data O
review O
yang O
didapatkan O
dari O
Google O
Maps O
, O
label O
“positif” O
lebih O
banyak O
ditemukan O
pada O
aspek O
Atraksi. O
Sedangkan O
untuk O
aspek O
lainnya O
memiliki O
label O
“none” O
sebagai O
label O
mayoritas. O
2. O
Hasil O
yang O
didapatkan O
dari O
pembangunan O
model O
analisis O
berbasis O
aspek O
pada O
data O
review O
pengguna O
Google O
Maps O
untuk O
destinasi O
wisata O
Taman O
Nasional O
Bromo O
Tengger O
Semeru O
yaitu O
model O
transfer O
learning O
dari O
pre-trained O
model O
lebih O
baik O
daripada O
model O
machine O
learning. O
3. O
Model B-TEMUAN
terbaik I-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
pada I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
adalah I-TEMUAN
fine-tuned I-TEMUAN
IndoBERT I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
akurasi I-TEMUAN
model I-TEMUAN
sebesar I-TEMUAN
91.48 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
F1-Score I-TEMUAN
sebesar I-TEMUAN
71.56 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
saran O
yang O
dapat O
diterapkan O
pada O
penelitian O
selanjutnya O
adalah O
sebagai O
berikut O
: O
1. O
Penelitian O
keterbatasan O
ini O
mengalami O
saat O
mengumpulkan O
data O
review O
pengguna O
pada O
Google O
Maps O
dengan O
metode O
web O
scraping O
yang O
hanya O
mampu O
mengambil O
sedikit O
data. O
Untuk O
kedepannya O
disarankan O
dapat O
mengumpulkan O
data O
review O
pengguna O
pada O
Google O
Maps O
lebih O
banyak O
lagi O
dengan O
menggunakan O
metode O
lainnya. O
2. O
Menerapkan O
metode O
resampling O
yang O
dapat O
digunakan O
untuk O
tipe O
data O
multilabel-multiclass O
untuk O
mengatasi O
ketidakseimbangan O
untuk O
masing-masing O
sentimen O
di O
setiap O
aspek. O
dataset O
3. O
Penelitian O
ini O
menggunakan O
model O
IndoBERT O
Base O
yang O
merupakan O
model O
standar O
dari O
IndoBERT. O
Untuk O
penelitian O
selanjutnya O
dapat O
mencoba O
menggunakan O
model O
yang O
lebih O
besar O
seperti O
model O
IndoBERT O
Large. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Analisis O
Sentimen O
Berbasis O
Aspek O
Pada O
Destinasi O
Wisata O
di O
Indonesia O
Berdasarkan O
Review O
Pengguna O
Google O
Maps O
Studi O
Kasus O
: O
Taman O
Nasional O
Bromo O
Tengger O
Semeru O
Cynthia O
As O
Bahri O
( O
221810227 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Lya O
Hulliyyatus O
Suadaa O
, O
S.S.T. O
, O
M.T. O
Ringkasan—Keberadaan O
teknologi O
mampu O
mempengaruhi O
dan O
membentuk O
pola O
perilaku O
seseorang O
saat O
merencanakan O
wisata O
, O
sedang O
berwisata O
dan O
setelah O
berwisata. O
Review O
yang O
diberikan O
oleh O
pengunjung O
terhadap O
destinasi O
wisata O
dapat O
dimanfaatkan O
sebagai O
bahan O
evaluasi O
untuk O
peningkatan O
kualitas O
destinasi O
wisata O
serta O
menjadi O
faktor O
penentu O
bagi O
wisatawan O
lain O
untuk O
berkunjung O
ataupun O
bagi O
wisatawan O
lama O
untuk O
berkunjung O
kembali. O
Proses O
pemanfaatan O
review O
tersebut O
dapat O
dilakukan O
dengan O
menilai O
aspek-aspek O
yang O
terdapat O
pada O
destinasi O
wisata O
berdasarkan O
ulasan O
dari O
pengunjung. O
Penelitian O
ini O
bertujuan O
untuk O
melakukan B-TUJUAN
analisis I-TUJUAN
sentimen I-TUJUAN
berbasis I-TUJUAN
aspek I-TUJUAN
pada I-TUJUAN
salah I-TUJUAN
satu I-TUJUAN
destinasi I-TUJUAN
wisata I-TUJUAN
di I-TUJUAN
Indonesia I-TUJUAN
yaitu I-TUJUAN
Taman I-TUJUAN
Nasional I-TUJUAN
Bromo I-TUJUAN
Tengger I-TUJUAN
Semeru I-TUJUAN
berdasarkan I-TUJUAN
review I-TUJUAN
dari I-TUJUAN
pengguna I-TUJUAN
Google I-TUJUAN
Maps. I-TUJUAN
Aspek O
yang O
digunakan O
diantaranya O
atraksi O
, O
fasilitas O
, O
akses O
, O
dan O
harga. O
Model O
klasifikasi B-METODE
sentimen I-METODE
yang O
digunakan O
adalah O
model O
machine O
learning O
yang O
terdiri O
dari O
SVM O
, O
Complement O
Naïve O
Bayes O
, O
Logistic O
Regression O
, O
dan O
transfer O
learning O
dari O
pre-trained O
BERT O
, O
IndoBERT O
, O
dan O
mBERT. O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
eksperimen I-TEMUAN
, I-TEMUAN
transfer I-TEMUAN
learning I-TEMUAN
dari I-TEMUAN
model I-TEMUAN
IndoBERT I-TEMUAN
mencapai I-TEMUAN
performa I-TEMUAN
terbaik I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
dan I-TEMUAN
F1-Score I-TEMUAN
masing-masing I-TEMUAN
sebesar I-TEMUAN
91.48 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
71.56 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Selain O
itu O
, O
diantara O
model O
machine O
learning O
yang O
digunakan O
, O
model O
SVM O
memberikan O
hasil O
terbaik O
dengan O
nilai O
akurasi B-METODE
sebesar O
89.16 O
% O
dan O
F1-Score B-METODE
sebesar O
62.23 O
% O
. O
Kata O
Kunci— O
Analisis O
Sentimen O
Berbasis O
Aspek O
, O
Google O
Maps O
Review O
, O
Machine O
Learning O
, O
Transfer O
Learning O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
yang O
telah O
diuraikan O
diatas O
, O
didapatkan O
beberapa O
kesimpulan O
yaitu O
: O
1. O
Dari O
semua O
data O
review O
yang O
didapatkan O
dari O
Google O
Maps O
, O
label O
“positif” O
lebih O
banyak O
ditemukan O
pada O
aspek O
Atraksi. O
Sedangkan O
untuk O
aspek O
lainnya O
memiliki O
label O
“none” O
sebagai O
label O
mayoritas. O
2. O
Hasil O
yang O
didapatkan O
dari O
pembangunan O
model O
analisis O
berbasis O
aspek O
pada O
data O
review O
pengguna O
Google O
Maps O
untuk O
destinasi O
wisata O
Taman O
Nasional O
Bromo O
Tengger O
Semeru O
yaitu O
model O
transfer O
learning O
dari O
pre-trained O
model O
lebih O
baik O
daripada O
model O
machine O
learning. O
3. O
Model B-TEMUAN
terbaik I-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
pada I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
adalah I-TEMUAN
fine-tuned I-TEMUAN
IndoBERT I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
akurasi I-TEMUAN
model I-TEMUAN
sebesar I-TEMUAN
91.48 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
F1-Score I-TEMUAN
sebesar I-TEMUAN
71.56 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
saran O
yang O
dapat O
diterapkan O
pada O
penelitian O
selanjutnya O
adalah O
sebagai O
berikut O
: O
1. O
Penelitian O
keterbatasan O
ini O
mengalami O
saat O
mengumpulkan O
data O
review O
pengguna O
pada O
Google O
Maps O
dengan O
metode O
web O
scraping O
yang O
hanya O
mampu O
mengambil O
sedikit O
data. O
Untuk O
kedepannya O
disarankan O
dapat O
mengumpulkan O
data O
review O
pengguna O
pada O
Google O
Maps O
lebih O
banyak O
lagi O
dengan O
menggunakan O
metode O
lainnya. O
2. O
Menerapkan O
metode O
resampling O
yang O
dapat O
digunakan O
untuk O
tipe O
data O
multilabel-multiclass O
untuk O
mengatasi O
ketidakseimbangan O
untuk O
masing-masing O
sentimen O
di O
setiap O
aspek. O
dataset O
3. O
Penelitian O
ini O
menggunakan O
model O
IndoBERT O
Base O
yang O
merupakan O
model O
standar O
dari O
IndoBERT. O
Untuk O
penelitian O
selanjutnya O
dapat O
mencoba O
menggunakan O
model O
yang O
lebih O
besar O
seperti O
model O
IndoBERT O
Large. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Analisis O
Sentimen O
Berbasis O
Aspek O
Pada O
Destinasi O
Wisata O
di O
Indonesia O
Berdasarkan O
Review O
Pengguna O
Google O
Maps O
Studi O
Kasus O
: O
Taman O
Nasional O
Bromo O
Tengger O
Semeru O
Cynthia O
As O
Bahri O
( O
221810227 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Lya O
Hulliyyatus O
Suadaa O
, O
S.S.T. O
, O
M.T. O
Ringkasan—Keberadaan O
teknologi O
mampu O
mempengaruhi O
dan O
membentuk O
pola O
perilaku O
seseorang O
saat O
merencanakan O
wisata O
, O
sedang O
berwisata O
dan O
setelah O
berwisata. O
Review O
yang O
diberikan O
oleh O
pengunjung O
terhadap O
destinasi O
wisata O
dapat O
dimanfaatkan O
sebagai O
bahan O
evaluasi O
untuk O
peningkatan O
kualitas O
destinasi O
wisata O
serta O
menjadi O
faktor O
penentu O
bagi O
wisatawan O
lain O
untuk O
berkunjung O
ataupun O
bagi O
wisatawan O
lama O
untuk O
berkunjung O
kembali. O
Proses O
pemanfaatan O
review O
tersebut O
dapat O
dilakukan O
dengan O
menilai O
aspek-aspek O
yang O
terdapat O
pada O
destinasi O
wisata O
berdasarkan O
ulasan O
dari O
pengunjung. O
Penelitian O
ini O
bertujuan O
untuk O
melakukan B-TUJUAN
analisis I-TUJUAN
sentimen I-TUJUAN
berbasis I-TUJUAN
aspek I-TUJUAN
pada I-TUJUAN
salah I-TUJUAN
satu I-TUJUAN
destinasi I-TUJUAN
wisata I-TUJUAN
di I-TUJUAN
Indonesia I-TUJUAN
yaitu I-TUJUAN
Taman I-TUJUAN
Nasional I-TUJUAN
Bromo I-TUJUAN
Tengger I-TUJUAN
Semeru I-TUJUAN
berdasarkan I-TUJUAN
review I-TUJUAN
dari I-TUJUAN
pengguna I-TUJUAN
Google I-TUJUAN
Maps. I-TUJUAN
Aspek O
yang O
digunakan O
diantaranya O
atraksi O
, O
fasilitas O
, O
akses O
, O
dan O
harga. O
Model O
klasifikasi B-METODE
sentimen I-METODE
yang O
digunakan O
adalah O
model O
machine O
learning O
yang O
terdiri O
dari O
SVM O
, O
Complement O
Naïve O
Bayes O
, O
Logistic O
Regression O
, O
dan O
transfer O
learning O
dari O
pre-trained O
BERT O
, O
IndoBERT O
, O
dan O
mBERT. O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
eksperimen I-TEMUAN
, I-TEMUAN
transfer I-TEMUAN
learning I-TEMUAN
dari I-TEMUAN
model I-TEMUAN
IndoBERT I-TEMUAN
mencapai I-TEMUAN
performa I-TEMUAN
terbaik I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
dan I-TEMUAN
F1-Score I-TEMUAN
masing-masing I-TEMUAN
sebesar I-TEMUAN
91.48 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
71.56 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Selain O
itu O
, O
diantara O
model O
machine O
learning O
yang O
digunakan O
, O
model O
SVM O
memberikan O
hasil O
terbaik O
dengan O
nilai O
akurasi B-METODE
sebesar O
89.16 O
% O
dan O
F1-Score B-METODE
sebesar O
62.23 O
% O
. O
Kata O
Kunci— O
Analisis O
Sentimen O
Berbasis O
Aspek O
, O
Google O
Maps O
Review O
, O
Machine O
Learning O
, O
Transfer O
Learning O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
yang O
telah O
diuraikan O
diatas O
, O
didapatkan O
beberapa O
kesimpulan O
yaitu O
: O
1. O
Dari O
semua O
data O
review O
yang O
didapatkan O
dari O
Google O
Maps O
, O
label O
“positif” O
lebih O
banyak O
ditemukan O
pada O
aspek O
Atraksi. O
Sedangkan O
untuk O
aspek O
lainnya O
memiliki O
label O
“none” O
sebagai O
label O
mayoritas. O
2. O
Hasil O
yang O
didapatkan O
dari O
pembangunan O
model O
analisis O
berbasis O
aspek O
pada O
data O
review O
pengguna O
Google O
Maps O
untuk O
destinasi O
wisata O
Taman O
Nasional O
Bromo O
Tengger O
Semeru O
yaitu O
model O
transfer O
learning O
dari O
pre-trained O
model O
lebih O
baik O
daripada O
model O
machine O
learning. O
3. O
Model B-TEMUAN
terbaik I-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
pada I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
adalah I-TEMUAN
fine-tuned I-TEMUAN
IndoBERT I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
akurasi I-TEMUAN
model I-TEMUAN
sebesar I-TEMUAN
91.48 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
F1-Score I-TEMUAN
sebesar I-TEMUAN
71.56 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
saran O
yang O
dapat O
diterapkan O
pada O
penelitian O
selanjutnya O
adalah O
sebagai O
berikut O
: O
1. O
Penelitian O
keterbatasan O
ini O
mengalami O
saat O
mengumpulkan O
data O
review O
pengguna O
pada O
Google O
Maps O
dengan O
metode O
web O
scraping O
yang O
hanya O
mampu O
mengambil O
sedikit O
data. O
Untuk O
kedepannya O
disarankan O
dapat O
mengumpulkan O
data O
review O
pengguna O
pada O
Google O
Maps O
lebih O
banyak O
lagi O
dengan O
menggunakan O
metode O
lainnya. O
2. O
Menerapkan O
metode O
resampling O
yang O
dapat O
digunakan O
untuk O
tipe O
data O
multilabel-multiclass O
untuk O
mengatasi O
ketidakseimbangan O
untuk O
masing-masing O
sentimen O
di O
setiap O
aspek. O
dataset O
3. O
Penelitian O
ini O
menggunakan O
model O
IndoBERT O
Base O
yang O
merupakan O
model O
standar O
dari O
IndoBERT. O
Untuk O
penelitian O
selanjutnya O
dapat O
mencoba O
menggunakan O
model O
yang O
lebih O
besar O
seperti O
model O
IndoBERT O
Large. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Peremajaan O
Antarmuka O
SIMDIKLAT O
dengan O
Metode O
User-Centered O
Design O
( O
UCD O
) O
Chory O
Ayu O
Zulfaida O
( O
221810224 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Pusat O
Pendidikan O
dan O
Pelatihan O
( O
Pusdiklat O
) O
Badan O
Pusat O
Statistik O
yang O
berkedudukan O
sebagai O
pelaksana O
dan O
penyelenggara O
diklat O
membangun O
SIMDIKLAT O
sebagai O
sarana O
pengelolaan O
kegiatan O
diklat. O
Berdasarkan O
wawancara O
dengan O
staf O
Bagian O
Umum O
Pusdiklat O
BPS O
, O
Pusdiklat O
BPS O
mengusulkan O
untuk O
melakukan O
peremajaan O
antarmuka O
SIMDIKLAT. O
Untuk O
menganalisis O
permasalahan O
secara O
lebih O
jauh O
, O
penelitian O
diawali O
dengan O
evaluasi O
heuristik O
antarmuka O
SIMDIKLAT O
dan O
mendapatkan O
hasil O
bahwa O
antarmuka O
SIMDIKLAT O
melanggar O
aturan O
usability O
Nielsen O
sehingga O
tujuan O
dari O
penelitian O
ini O
adalah O
melakukan B-TUJUAN
peremajaan I-TUJUAN
antarmuka I-TUJUAN
SIMDIKLAT I-TUJUAN
guna I-TUJUAN
meningkatkan I-TUJUAN
usability I-TUJUAN
antarmuka I-TUJUAN
pengguna I-TUJUAN
SIMDIKLAT. I-TUJUAN
Peremajaan O
dilakukan O
pada O
antarmuka O
peran O
Peserta O
Diklat. O
Penelitian O
dilakukan O
dengan O
menggunakan O
metode B-METODE
User- I-METODE
Centered I-METODE
Design I-METODE
melalui O
3 O
kali O
iterasi. O
Hasil O
dari O
iterasi O
ke-1 O
berupa O
wireframe O
, O
iterasi O
ke-2 O
berupa O
mockup O
, O
dan O
iterasi O
ke-3 O
berupa O
prototype. O
Setelah B-TEMUAN
dilakukan I-TEMUAN
3 I-TEMUAN
kali I-TEMUAN
iterasi I-TEMUAN
, I-TEMUAN
evaluasi I-TEMUAN
heuristik I-TEMUAN
kembali I-TEMUAN
dilakukan I-TEMUAN
pada I-TEMUAN
hasil I-TEMUAN
desain I-TEMUAN
antarmuka I-TEMUAN
dan I-TEMUAN
mendapatkan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
jauh I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
daripada I-TEMUAN
antarmuka I-TEMUAN
SIMDIKLAT I-TEMUAN
yang I-TEMUAN
mana I-TEMUAN
sebelumnya I-TEMUAN
terdapat I-TEMUAN
8 I-TEMUAN
major I-TEMUAN
usability I-TEMUAN
problem I-TEMUAN
turun I-TEMUAN
menjadi I-TEMUAN
2 I-TEMUAN
minor I-TEMUAN
usability I-TEMUAN
problem. I-TEMUAN
Kata O
Kunci— O
Pusdiklat O
, O
Peserta O
Diklat O
, O
Evaluasi O
Heuristik O
, O
Peremajaan O
[SEP] O
Penelitian O
ini O
merupakan O
penelitan O
mengenai O
peremajaan B-TUJUAN
antarmuka I-TUJUAN
SIMDIKLAT I-TUJUAN
, O
yang O
diawali O
dengan O
melakukan O
wawancara O
kepada O
subject O
matter O
yaitu O
Pusdiklat O
BPS. O
Pusdiklat O
BPS O
mengusulkan O
adanya O
peremajaan O
antarmuka O
SIMDIKLAT. O
Oleh O
karena O
itu O
untuk O
memperjelas O
masalah O
pada O
antarmuka O
SIMDIKLAT O
, O
peneliti O
melakukan O
evaluasi O
heuristik O
dengan O
pengguna O
antarmuka O
didapatkan O
SIMDIKLAT O
SIMDIKLAT O
melanggar O
10 O
aturan O
heuristik O
Nielsen. O
Selanjutnya O
dilakukan O
peremajaan O
menggunakan O
UCD B-METODE
( I-METODE
User-Centered I-METODE
Design I-METODE
) I-METODE
pada O
antarmuka O
Peserta O
Diklat. O
bahwa O
dan O
Hasil O
pada O
evaluasi O
heuristik O
awal O
didapat O
bahwa O
8 O
dari O
10 O
aturan O
heuristik O
Nielsen O
masuk O
pada O
kategori O
major O
usability O
problem O
, O
sedangkan O
pada O
hasil O
peremajaan O
didapat O
bahwa O
hanya O
2 O
dari O
10 O
aturan O
heuristik O
Nielsen O
masuk O
pada O
kategori O
minor O
usability O
problem O
yaitu O
Help O
Users O
Recognize O
, O
Diagnose O
, O
and O
Recover O
from O
Errors O
dan O
Error O
Prevention. O
Selain O
formative O
evaluation O
pada B-TEMUAN
iterasi I-TEMUAN
ke-3 I-TEMUAN
menyatakan I-TEMUAN
bahwa I-TEMUAN
pengguna I-TEMUAN
menyetujui I-TEMUAN
antarmuka I-TEMUAN
SIMDIKLAT. I-TEMUAN
Berdasarkan I-TEMUAN
hasil I-TEMUAN
tersebut I-TEMUAN
, I-TEMUAN
peremajaan I-TEMUAN
antarmuka I-TEMUAN
SIMDIKLAT I-TEMUAN
berhasil I-TEMUAN
dilaksanakan I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
memperbaiki I-TEMUAN
usability I-TEMUAN
antarmuka I-TEMUAN
pengguna I-TEMUAN
berdasarkan I-TEMUAN
10 I-TEMUAN
aturan I-TEMUAN
heuristik I-TEMUAN
Nielsen. I-TEMUAN
Usability I-TEMUAN
membaik I-TEMUAN
dengan I-TEMUAN
tanda I-TEMUAN
hanya I-TEMUAN
2 I-TEMUAN
aturan I-TEMUAN
saja I-TEMUAN
yang I-TEMUAN
terlanggar I-TEMUAN
dengan I-TEMUAN
kategori I-TEMUAN
minor I-TEMUAN
problem. I-TEMUAN
itu O
, O
dari O
hasil O
prototype O
desain O
hasil O
B. O
Saran O
kita O
untuk O
penelitian O
Kekurangan O
penelitian O
selanjutnya O
adalah O
penggunaan O
metode O
User-Centered O
Design O
membutuhkan O
waktu O
yang O
cukup O
lama O
dalam O
pelaksanaannya. O
Metode O
UCD O
dapat O
memberikan O
hasil O
yang O
sangat O
relevan O
kepada O
pengguna O
namun O
sebaiknya O
diperkirakan O
mengenai O
macam O
pengguna O
yang O
dimaksud O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
beserta O
waktu O
yang O
ditentukan O
untuk O
melaksanakan O
penelitian. O
C. O
Perubahan O
yang O
terjadi O
penelitian O
Sebelumnya O
, O
untuk O
melakukan O
3 O
iterasi O
dimana O
iterasi O
ke-3 O
merupakan O
code- O
based O
prototype. O
Hal O
tersebut O
diubah O
mengingat O
ketidakcukupan O
waktu O
dalam O
pengembangan O
program O
setelah O
iterasi O
ke-2. O
direncanakan O

Peremajaan O
Antarmuka O
SIMDIKLAT O
dengan O
Metode O
User-Centered O
Design O
( O
UCD O
) O
Chory O
Ayu O
Zulfaida O
( O
221810224 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Pusat O
Pendidikan O
dan O
Pelatihan O
( O
Pusdiklat O
) O
Badan O
Pusat O
Statistik O
yang O
berkedudukan O
sebagai O
pelaksana O
dan O
penyelenggara O
diklat O
membangun O
SIMDIKLAT O
sebagai O
sarana O
pengelolaan O
kegiatan O
diklat. O
Berdasarkan O
wawancara O
dengan O
staf O
Bagian O
Umum O
Pusdiklat O
BPS O
, O
Pusdiklat O
BPS O
mengusulkan O
untuk O
melakukan O
peremajaan O
antarmuka O
SIMDIKLAT. O
Untuk O
menganalisis O
permasalahan O
secara O
lebih O
jauh O
, O
penelitian O
diawali O
dengan O
evaluasi O
heuristik O
antarmuka O
SIMDIKLAT O
dan O
mendapatkan O
hasil O
bahwa O
antarmuka O
SIMDIKLAT O
melanggar O
aturan O
usability O
Nielsen O
sehingga O
tujuan O
dari O
penelitian O
ini O
adalah O
melakukan B-TUJUAN
peremajaan I-TUJUAN
antarmuka I-TUJUAN
SIMDIKLAT I-TUJUAN
guna I-TUJUAN
meningkatkan I-TUJUAN
usability I-TUJUAN
antarmuka I-TUJUAN
pengguna I-TUJUAN
SIMDIKLAT. I-TUJUAN
Peremajaan O
dilakukan O
pada O
antarmuka O
peran O
Peserta O
Diklat. O
Penelitian O
dilakukan O
dengan O
menggunakan O
metode B-METODE
User- I-METODE
Centered I-METODE
Design I-METODE
melalui O
3 O
kali O
iterasi. O
Hasil O
dari O
iterasi O
ke-1 O
berupa O
wireframe O
, O
iterasi O
ke-2 O
berupa O
mockup O
, O
dan O
iterasi O
ke-3 O
berupa O
prototype. O
Setelah B-TEMUAN
dilakukan I-TEMUAN
3 I-TEMUAN
kali I-TEMUAN
iterasi I-TEMUAN
, I-TEMUAN
evaluasi I-TEMUAN
heuristik I-TEMUAN
kembali I-TEMUAN
dilakukan I-TEMUAN
pada I-TEMUAN
hasil I-TEMUAN
desain I-TEMUAN
antarmuka I-TEMUAN
dan I-TEMUAN
mendapatkan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
jauh I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
daripada I-TEMUAN
antarmuka I-TEMUAN
SIMDIKLAT I-TEMUAN
yang I-TEMUAN
mana I-TEMUAN
sebelumnya I-TEMUAN
terdapat I-TEMUAN
8 I-TEMUAN
major I-TEMUAN
usability I-TEMUAN
problem I-TEMUAN
turun I-TEMUAN
menjadi I-TEMUAN
2 I-TEMUAN
minor I-TEMUAN
usability I-TEMUAN
problem. I-TEMUAN
Kata O
Kunci— O
Pusdiklat O
, O
Peserta O
Diklat O
, O
Evaluasi O
Heuristik O
, O
Peremajaan O
[SEP] O
Penelitian O
ini O
merupakan O
penelitan O
mengenai O
peremajaan B-TUJUAN
antarmuka I-TUJUAN
SIMDIKLAT I-TUJUAN
, O
yang O
diawali O
dengan O
melakukan O
wawancara O
kepada O
subject O
matter O
yaitu O
Pusdiklat O
BPS. O
Pusdiklat O
BPS O
mengusulkan O
adanya O
peremajaan O
antarmuka O
SIMDIKLAT. O
Oleh O
karena O
itu O
untuk O
memperjelas O
masalah O
pada O
antarmuka O
SIMDIKLAT O
, O
peneliti O
melakukan O
evaluasi O
heuristik O
dengan O
pengguna O
antarmuka O
didapatkan O
SIMDIKLAT O
SIMDIKLAT O
melanggar O
10 O
aturan O
heuristik O
Nielsen. O
Selanjutnya O
dilakukan O
peremajaan O
menggunakan O
UCD B-METODE
( I-METODE
User-Centered I-METODE
Design I-METODE
) I-METODE
pada O
antarmuka O
Peserta O
Diklat. O
bahwa O
dan O
Hasil O
pada O
evaluasi O
heuristik O
awal O
didapat O
bahwa O
8 O
dari O
10 O
aturan O
heuristik O
Nielsen O
masuk O
pada O
kategori O
major O
usability O
problem O
, O
sedangkan O
pada O
hasil O
peremajaan O
didapat O
bahwa O
hanya O
2 O
dari O
10 O
aturan O
heuristik O
Nielsen O
masuk O
pada O
kategori O
minor O
usability O
problem O
yaitu O
Help O
Users O
Recognize O
, O
Diagnose O
, O
and O
Recover O
from O
Errors O
dan O
Error O
Prevention. O
Selain O
formative O
evaluation O
pada B-TEMUAN
iterasi I-TEMUAN
ke-3 I-TEMUAN
menyatakan I-TEMUAN
bahwa I-TEMUAN
pengguna I-TEMUAN
menyetujui I-TEMUAN
antarmuka I-TEMUAN
SIMDIKLAT. I-TEMUAN
Berdasarkan I-TEMUAN
hasil I-TEMUAN
tersebut I-TEMUAN
, I-TEMUAN
peremajaan I-TEMUAN
antarmuka I-TEMUAN
SIMDIKLAT I-TEMUAN
berhasil I-TEMUAN
dilaksanakan I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
memperbaiki I-TEMUAN
usability I-TEMUAN
antarmuka I-TEMUAN
pengguna I-TEMUAN
berdasarkan I-TEMUAN
10 I-TEMUAN
aturan I-TEMUAN
heuristik I-TEMUAN
Nielsen. I-TEMUAN
Usability I-TEMUAN
membaik I-TEMUAN
dengan I-TEMUAN
tanda I-TEMUAN
hanya I-TEMUAN
2 I-TEMUAN
aturan I-TEMUAN
saja I-TEMUAN
yang I-TEMUAN
terlanggar I-TEMUAN
dengan I-TEMUAN
kategori I-TEMUAN
minor I-TEMUAN
problem. I-TEMUAN
itu O
, O
dari O
hasil O
prototype O
desain O
hasil O
B. O
Saran O
kita O
untuk O
penelitian O
Kekurangan O
penelitian O
selanjutnya O
adalah O
penggunaan O
metode O
User-Centered O
Design O
membutuhkan O
waktu O
yang O
cukup O
lama O
dalam O
pelaksanaannya. O
Metode O
UCD O
dapat O
memberikan O
hasil O
yang O
sangat O
relevan O
kepada O
pengguna O
namun O
sebaiknya O
diperkirakan O
mengenai O
macam O
pengguna O
yang O
dimaksud O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
beserta O
waktu O
yang O
ditentukan O
untuk O
melaksanakan O
penelitian. O
C. O
Perubahan O
yang O
terjadi O
penelitian O
Sebelumnya O
, O
untuk O
melakukan O
3 O
iterasi O
dimana O
iterasi O
ke-3 O
merupakan O
code- O
based O
prototype. O
Hal O
tersebut O
diubah O
mengingat O
ketidakcukupan O
waktu O
dalam O
pengembangan O
program O
setelah O
iterasi O
ke-2. O
direncanakan O

Peremajaan O
Antarmuka O
SIMDIKLAT O
dengan O
Metode O
User-Centered O
Design O
( O
UCD O
) O
Chory O
Ayu O
Zulfaida O
( O
221810224 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Pusat O
Pendidikan O
dan O
Pelatihan O
( O
Pusdiklat O
) O
Badan O
Pusat O
Statistik O
yang O
berkedudukan O
sebagai O
pelaksana O
dan O
penyelenggara O
diklat O
membangun O
SIMDIKLAT O
sebagai O
sarana O
pengelolaan O
kegiatan O
diklat. O
Berdasarkan O
wawancara O
dengan O
staf O
Bagian O
Umum O
Pusdiklat O
BPS O
, O
Pusdiklat O
BPS O
mengusulkan O
untuk O
melakukan O
peremajaan O
antarmuka O
SIMDIKLAT. O
Untuk O
menganalisis O
permasalahan O
secara O
lebih O
jauh O
, O
penelitian O
diawali O
dengan O
evaluasi O
heuristik O
antarmuka O
SIMDIKLAT O
dan O
mendapatkan O
hasil O
bahwa O
antarmuka O
SIMDIKLAT O
melanggar O
aturan O
usability O
Nielsen O
sehingga O
tujuan O
dari O
penelitian O
ini O
adalah O
melakukan B-TUJUAN
peremajaan I-TUJUAN
antarmuka I-TUJUAN
SIMDIKLAT I-TUJUAN
guna I-TUJUAN
meningkatkan I-TUJUAN
usability I-TUJUAN
antarmuka I-TUJUAN
pengguna I-TUJUAN
SIMDIKLAT. I-TUJUAN
Peremajaan O
dilakukan O
pada O
antarmuka O
peran O
Peserta O
Diklat. O
Penelitian O
dilakukan O
dengan O
menggunakan O
metode B-METODE
User- I-METODE
Centered I-METODE
Design I-METODE
melalui O
3 O
kali O
iterasi. O
Hasil O
dari O
iterasi O
ke-1 O
berupa O
wireframe O
, O
iterasi O
ke-2 O
berupa O
mockup O
, O
dan O
iterasi O
ke-3 O
berupa O
prototype. O
Setelah B-TEMUAN
dilakukan I-TEMUAN
3 I-TEMUAN
kali I-TEMUAN
iterasi I-TEMUAN
, I-TEMUAN
evaluasi I-TEMUAN
heuristik I-TEMUAN
kembali I-TEMUAN
dilakukan I-TEMUAN
pada I-TEMUAN
hasil I-TEMUAN
desain I-TEMUAN
antarmuka I-TEMUAN
dan I-TEMUAN
mendapatkan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
jauh I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
daripada I-TEMUAN
antarmuka I-TEMUAN
SIMDIKLAT I-TEMUAN
yang I-TEMUAN
mana I-TEMUAN
sebelumnya I-TEMUAN
terdapat I-TEMUAN
8 I-TEMUAN
major I-TEMUAN
usability I-TEMUAN
problem I-TEMUAN
turun I-TEMUAN
menjadi I-TEMUAN
2 I-TEMUAN
minor I-TEMUAN
usability I-TEMUAN
problem. I-TEMUAN
Kata O
Kunci— O
Pusdiklat O
, O
Peserta O
Diklat O
, O
Evaluasi O
Heuristik O
, O
Peremajaan O
[SEP] O
Penelitian O
ini O
merupakan O
penelitan O
mengenai O
peremajaan B-TUJUAN
antarmuka I-TUJUAN
SIMDIKLAT I-TUJUAN
, O
yang O
diawali O
dengan O
melakukan O
wawancara O
kepada O
subject O
matter O
yaitu O
Pusdiklat O
BPS. O
Pusdiklat O
BPS O
mengusulkan O
adanya O
peremajaan O
antarmuka O
SIMDIKLAT. O
Oleh O
karena O
itu O
untuk O
memperjelas O
masalah O
pada O
antarmuka O
SIMDIKLAT O
, O
peneliti O
melakukan O
evaluasi O
heuristik O
dengan O
pengguna O
antarmuka O
didapatkan O
SIMDIKLAT O
SIMDIKLAT O
melanggar O
10 O
aturan O
heuristik O
Nielsen. O
Selanjutnya O
dilakukan O
peremajaan O
menggunakan O
UCD B-METODE
( I-METODE
User-Centered I-METODE
Design I-METODE
) I-METODE
pada O
antarmuka O
Peserta O
Diklat. O
bahwa O
dan O
Hasil O
pada O
evaluasi O
heuristik O
awal O
didapat O
bahwa O
8 O
dari O
10 O
aturan O
heuristik O
Nielsen O
masuk O
pada O
kategori O
major O
usability O
problem O
, O
sedangkan O
pada O
hasil O
peremajaan O
didapat O
bahwa O
hanya O
2 O
dari O
10 O
aturan O
heuristik O
Nielsen O
masuk O
pada O
kategori O
minor O
usability O
problem O
yaitu O
Help O
Users O
Recognize O
, O
Diagnose O
, O
and O
Recover O
from O
Errors O
dan O
Error O
Prevention. O
Selain O
formative O
evaluation O
pada B-TEMUAN
iterasi I-TEMUAN
ke-3 I-TEMUAN
menyatakan I-TEMUAN
bahwa I-TEMUAN
pengguna I-TEMUAN
menyetujui I-TEMUAN
antarmuka I-TEMUAN
SIMDIKLAT. I-TEMUAN
Berdasarkan I-TEMUAN
hasil I-TEMUAN
tersebut I-TEMUAN
, I-TEMUAN
peremajaan I-TEMUAN
antarmuka I-TEMUAN
SIMDIKLAT I-TEMUAN
berhasil I-TEMUAN
dilaksanakan I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
memperbaiki I-TEMUAN
usability I-TEMUAN
antarmuka I-TEMUAN
pengguna I-TEMUAN
berdasarkan I-TEMUAN
10 I-TEMUAN
aturan I-TEMUAN
heuristik I-TEMUAN
Nielsen. I-TEMUAN
Usability I-TEMUAN
membaik I-TEMUAN
dengan I-TEMUAN
tanda I-TEMUAN
hanya I-TEMUAN
2 I-TEMUAN
aturan I-TEMUAN
saja I-TEMUAN
yang I-TEMUAN
terlanggar I-TEMUAN
dengan I-TEMUAN
kategori I-TEMUAN
minor I-TEMUAN
problem. I-TEMUAN
itu O
, O
dari O
hasil O
prototype O
desain O
hasil O
B. O
Saran O
kita O
untuk O
penelitian O
Kekurangan O
penelitian O
selanjutnya O
adalah O
penggunaan O
metode O
User-Centered O
Design O
membutuhkan O
waktu O
yang O
cukup O
lama O
dalam O
pelaksanaannya. O
Metode O
UCD O
dapat O
memberikan O
hasil O
yang O
sangat O
relevan O
kepada O
pengguna O
namun O
sebaiknya O
diperkirakan O
mengenai O
macam O
pengguna O
yang O
dimaksud O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
beserta O
waktu O
yang O
ditentukan O
untuk O
melaksanakan O
penelitian. O
C. O
Perubahan O
yang O
terjadi O
penelitian O
Sebelumnya O
, O
untuk O
melakukan O
3 O
iterasi O
dimana O
iterasi O
ke-3 O
merupakan O
code- O
based O
prototype. O
Hal O
tersebut O
diubah O
mengingat O
ketidakcukupan O
waktu O
dalam O
pengembangan O
program O
setelah O
iterasi O
ke-2. O
direncanakan O

Peremajaan O
Antarmuka O
SIMDIKLAT O
dengan O
Metode O
User-Centered O
Design O
( O
UCD O
) O
Chory O
Ayu O
Zulfaida O
( O
221810224 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Pusat O
Pendidikan O
dan O
Pelatihan O
( O
Pusdiklat O
) O
Badan O
Pusat O
Statistik O
yang O
berkedudukan O
sebagai O
pelaksana O
dan O
penyelenggara O
diklat O
membangun O
SIMDIKLAT O
sebagai O
sarana O
pengelolaan O
kegiatan O
diklat. O
Berdasarkan O
wawancara O
dengan O
staf O
Bagian O
Umum O
Pusdiklat O
BPS O
, O
Pusdiklat O
BPS O
mengusulkan O
untuk O
melakukan O
peremajaan O
antarmuka O
SIMDIKLAT. O
Untuk O
menganalisis O
permasalahan O
secara O
lebih O
jauh O
, O
penelitian O
diawali O
dengan O
evaluasi O
heuristik O
antarmuka O
SIMDIKLAT O
dan O
mendapatkan O
hasil O
bahwa O
antarmuka O
SIMDIKLAT O
melanggar O
aturan O
usability O
Nielsen O
sehingga O
tujuan O
dari O
penelitian O
ini O
adalah O
melakukan B-TUJUAN
peremajaan I-TUJUAN
antarmuka I-TUJUAN
SIMDIKLAT I-TUJUAN
guna I-TUJUAN
meningkatkan I-TUJUAN
usability I-TUJUAN
antarmuka I-TUJUAN
pengguna I-TUJUAN
SIMDIKLAT. I-TUJUAN
Peremajaan O
dilakukan O
pada O
antarmuka O
peran O
Peserta O
Diklat. O
Penelitian O
dilakukan O
dengan O
menggunakan O
metode B-METODE
User- I-METODE
Centered I-METODE
Design I-METODE
melalui O
3 O
kali O
iterasi. O
Hasil O
dari O
iterasi O
ke-1 O
berupa O
wireframe O
, O
iterasi O
ke-2 O
berupa O
mockup O
, O
dan O
iterasi O
ke-3 O
berupa O
prototype. O
Setelah B-TEMUAN
dilakukan I-TEMUAN
3 I-TEMUAN
kali I-TEMUAN
iterasi I-TEMUAN
, I-TEMUAN
evaluasi I-TEMUAN
heuristik I-TEMUAN
kembali I-TEMUAN
dilakukan I-TEMUAN
pada I-TEMUAN
hasil I-TEMUAN
desain I-TEMUAN
antarmuka I-TEMUAN
dan I-TEMUAN
mendapatkan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
jauh I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
daripada I-TEMUAN
antarmuka I-TEMUAN
SIMDIKLAT I-TEMUAN
yang I-TEMUAN
mana I-TEMUAN
sebelumnya I-TEMUAN
terdapat I-TEMUAN
8 I-TEMUAN
major I-TEMUAN
usability I-TEMUAN
problem I-TEMUAN
turun I-TEMUAN
menjadi I-TEMUAN
2 I-TEMUAN
minor I-TEMUAN
usability I-TEMUAN
problem. I-TEMUAN
Kata O
Kunci— O
Pusdiklat O
, O
Peserta O
Diklat O
, O
Evaluasi O
Heuristik O
, O
Peremajaan O
[SEP] O
Penelitian O
ini O
merupakan O
penelitan O
mengenai O
peremajaan B-TUJUAN
antarmuka I-TUJUAN
SIMDIKLAT I-TUJUAN
, O
yang O
diawali O
dengan O
melakukan O
wawancara O
kepada O
subject O
matter O
yaitu O
Pusdiklat O
BPS. O
Pusdiklat O
BPS O
mengusulkan O
adanya O
peremajaan O
antarmuka O
SIMDIKLAT. O
Oleh O
karena O
itu O
untuk O
memperjelas O
masalah O
pada O
antarmuka O
SIMDIKLAT O
, O
peneliti O
melakukan O
evaluasi O
heuristik O
dengan O
pengguna O
antarmuka O
didapatkan O
SIMDIKLAT O
SIMDIKLAT O
melanggar O
10 O
aturan O
heuristik O
Nielsen. O
Selanjutnya O
dilakukan O
peremajaan O
menggunakan O
UCD B-METODE
( I-METODE
User-Centered I-METODE
Design I-METODE
) I-METODE
pada O
antarmuka O
Peserta O
Diklat. O
bahwa O
dan O
Hasil O
pada O
evaluasi O
heuristik O
awal O
didapat O
bahwa O
8 O
dari O
10 O
aturan O
heuristik O
Nielsen O
masuk O
pada O
kategori O
major O
usability O
problem O
, O
sedangkan O
pada O
hasil O
peremajaan O
didapat O
bahwa O
hanya O
2 O
dari O
10 O
aturan O
heuristik O
Nielsen O
masuk O
pada O
kategori O
minor O
usability O
problem O
yaitu O
Help O
Users O
Recognize O
, O
Diagnose O
, O
and O
Recover O
from O
Errors O
dan O
Error O
Prevention. O
Selain O
formative O
evaluation O
pada B-TEMUAN
iterasi I-TEMUAN
ke-3 I-TEMUAN
menyatakan I-TEMUAN
bahwa I-TEMUAN
pengguna I-TEMUAN
menyetujui I-TEMUAN
antarmuka I-TEMUAN
SIMDIKLAT. I-TEMUAN
Berdasarkan I-TEMUAN
hasil I-TEMUAN
tersebut I-TEMUAN
, I-TEMUAN
peremajaan I-TEMUAN
antarmuka I-TEMUAN
SIMDIKLAT I-TEMUAN
berhasil I-TEMUAN
dilaksanakan I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
memperbaiki I-TEMUAN
usability I-TEMUAN
antarmuka I-TEMUAN
pengguna I-TEMUAN
berdasarkan I-TEMUAN
10 I-TEMUAN
aturan I-TEMUAN
heuristik I-TEMUAN
Nielsen. I-TEMUAN
Usability I-TEMUAN
membaik I-TEMUAN
dengan I-TEMUAN
tanda I-TEMUAN
hanya I-TEMUAN
2 I-TEMUAN
aturan I-TEMUAN
saja I-TEMUAN
yang I-TEMUAN
terlanggar I-TEMUAN
dengan I-TEMUAN
kategori I-TEMUAN
minor I-TEMUAN
problem. I-TEMUAN
itu O
, O
dari O
hasil O
prototype O
desain O
hasil O
B. O
Saran O
kita O
untuk O
penelitian O
Kekurangan O
penelitian O
selanjutnya O
adalah O
penggunaan O
metode O
User-Centered O
Design O
membutuhkan O
waktu O
yang O
cukup O
lama O
dalam O
pelaksanaannya. O
Metode O
UCD O
dapat O
memberikan O
hasil O
yang O
sangat O
relevan O
kepada O
pengguna O
namun O
sebaiknya O
diperkirakan O
mengenai O
macam O
pengguna O
yang O
dimaksud O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
beserta O
waktu O
yang O
ditentukan O
untuk O
melaksanakan O
penelitian. O
C. O
Perubahan O
yang O
terjadi O
penelitian O
Sebelumnya O
, O
untuk O
melakukan O
3 O
iterasi O
dimana O
iterasi O
ke-3 O
merupakan O
code- O
based O
prototype. O
Hal O
tersebut O
diubah O
mengingat O
ketidakcukupan O
waktu O
dalam O
pengembangan O
program O
setelah O
iterasi O
ke-2. O
direncanakan O

Perancangan O
Kembali O
Antarmuka O
Web O
BPS O
dengan O
Pendekatan O
User O
Centered O
Design O
Chairunnisa O
Fauzia O
Samu O
( O
221810220 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
SST O
, O
MT O
Ringkasan— O
Pada O
tahun O
2021 O
, O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
menyelenggarakan O
Survei O
Kepuasan O
Pengguna O
Website O
( O
SKPW O
) O
. O
Hasil O
SKPW O
menunjukkan O
bahwa O
aspek O
pelayanan O
website O
BPS O
secara O
keseluruhan O
berada O
dalam O
kategori O
baik O
, O
namun O
masih O
ada O
beberapa O
aspek O
yang O
nilai O
kepuasannya O
masih O
kurang O
, O
di O
antaranya O
yaitu O
kemudahan O
navigasi O
, O
kemudahan O
mencari O
produk O
, O
ketertarikan O
tampilan O
website O
, O
dan O
ketepatan O
penyusunan O
tata O
letak. O
Berdasarkan O
hasil O
SKPW O
2021 O
, O
pengguna O
menyatakan O
bahwa O
aspek-aspek O
pelayanan O
tersebut O
penting O
, O
namun O
pada O
website O
BPS O
saat O
ini O
masih O
belum O
memuaskan. O
Oleh O
karena O
itu O
, O
perlu B-TUJUAN
adanya I-TUJUAN
perancangan I-TUJUAN
user I-TUJUAN
interface I-TUJUAN
website I-TUJUAN
BPS I-TUJUAN
yang I-TUJUAN
baru I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
memuaskan I-TUJUAN
pengguna I-TUJUAN
website I-TUJUAN
sesuai I-TUJUAN
dengan I-TUJUAN
harapan I-TUJUAN
pengguna. I-TUJUAN
Metode O
yang O
digunakan O
dalam O
penelitian O
ini O
adalah O
User B-METODE
Centered I-METODE
Design I-METODE
( I-METODE
UCD I-METODE
) I-METODE
dengan O
menggunakan O
User B-METODE
Experience I-METODE
Questionnaire I-METODE
( I-METODE
UEQ I-METODE
) I-METODE
sebagai O
metode O
evaluasi. O
Selain O
itu O
, O
dilakukan O
juga O
evaluasi O
kepuasan O
pengguna O
terhadap O
rancangan O
antarmuka O
yang O
baru O
untuk O
dibandingkan O
dengan O
SKPW O
2021. O
Agar O
ukuran O
kepuasan O
pengguna O
yang O
dihasilkan O
dapat O
dibandingkan O
dengan O
hasil O
evaluasi O
SKPW O
2021 O
, O
digunakan O
metode O
analisis O
kepuasan O
yang O
sama O
dengan O
yang O
digunakan O
di O
SKPW O
2021 O
yaitu O
Importance B-METODE
Performance I-METODE
Analysis I-METODE
( I-METODE
IPA I-METODE
) I-METODE
. O
User O
interface O
baru O
yang O
dirancang O
telah O
melalui O
proses O
perancangan O
dan O
evaluasi O
ke O
pengguna O
masing-masing O
sebanyak O
dua O
kali O
iterasi O
dengan O
hasil O
evaluasi O
terakhir O
yaitu O
tingkat B-TEMUAN
kepuasan I-TEMUAN
seluruh I-TEMUAN
aspek I-TEMUAN
pelayanan I-TEMUAN
yang I-TEMUAN
menjadi I-TEMUAN
cakupan I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
telah I-TEMUAN
mengalami I-TEMUAN
peningkatan I-TEMUAN
dibandingkan I-TEMUAN
dengan I-TEMUAN
hasil I-TEMUAN
SKPW I-TEMUAN
2021. I-TEMUAN
Kata O
Kunci— O
User O
Interface O
, O
Website O
, O
User O
Centered O
Design O
, O
User O
Experience O
Questionnaire O
, O
Importance O
Performance O
Analysis O
[SEP] O
Berdasarkan O
hasil O
dari O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
ditarik O
sejumlah O
kesimpulan O
antara O
lain O
: O
• O
Telah B-TEMUAN
dilakukan I-TEMUAN
perancangan I-TEMUAN
kembali I-TEMUAN
user I-TEMUAN
interface I-TEMUAN
beberapa I-TEMUAN
halaman I-TEMUAN
website I-TEMUAN
BPS I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
User I-TEMUAN
Centered I-TEMUAN
Design I-TEMUAN
dengan I-TEMUAN
Survei I-TEMUAN
Kepuasan I-TEMUAN
Pengguna I-TEMUAN
Website I-TEMUAN
BPS I-TEMUAN
2021 I-TEMUAN
sebagai I-TEMUAN
dasar I-TEMUAN
prioritas I-TEMUAN
halaman I-TEMUAN
yang I-TEMUAN
dilakukan I-TEMUAN
perancangan I-TEMUAN
kembali I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
halaman I-TEMUAN
beranda I-TEMUAN
, I-TEMUAN
publikasi I-TEMUAN
, I-TEMUAN
berita I-TEMUAN
resmi I-TEMUAN
statistik I-TEMUAN
, I-TEMUAN
senarai I-TEMUAN
rencana I-TEMUAN
terbit I-TEMUAN
, I-TEMUAN
tabel I-TEMUAN
statistik I-TEMUAN
, I-TEMUAN
infografis I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
berita I-TEMUAN
kegiatan. I-TEMUAN

Perancangan O
Kembali O
Antarmuka O
Web O
BPS O
dengan O
Pendekatan O
User O
Centered O
Design O
Chairunnisa O
Fauzia O
Samu O
( O
221810220 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
SST O
, O
MT O
Ringkasan— O
Pada O
tahun O
2021 O
, O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
menyelenggarakan O
Survei O
Kepuasan O
Pengguna O
Website O
( O
SKPW O
) O
. O
Hasil O
SKPW O
menunjukkan O
bahwa O
aspek O
pelayanan O
website O
BPS O
secara O
keseluruhan O
berada O
dalam O
kategori O
baik O
, O
namun O
masih O
ada O
beberapa O
aspek O
yang O
nilai O
kepuasannya O
masih O
kurang O
, O
di O
antaranya O
yaitu O
kemudahan O
navigasi O
, O
kemudahan O
mencari O
produk O
, O
ketertarikan O
tampilan O
website O
, O
dan O
ketepatan O
penyusunan O
tata O
letak. O
Berdasarkan O
hasil O
SKPW O
2021 O
, O
pengguna O
menyatakan O
bahwa O
aspek-aspek O
pelayanan O
tersebut O
penting O
, O
namun O
pada O
website O
BPS O
saat O
ini O
masih O
belum O
memuaskan. O
Oleh O
karena O
itu O
, O
perlu B-TUJUAN
adanya I-TUJUAN
perancangan I-TUJUAN
user I-TUJUAN
interface I-TUJUAN
website I-TUJUAN
BPS I-TUJUAN
yang I-TUJUAN
baru I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
memuaskan I-TUJUAN
pengguna I-TUJUAN
website I-TUJUAN
sesuai I-TUJUAN
dengan I-TUJUAN
harapan I-TUJUAN
pengguna. I-TUJUAN
Metode O
yang O
digunakan O
dalam O
penelitian O
ini O
adalah O
User B-METODE
Centered I-METODE
Design I-METODE
( I-METODE
UCD I-METODE
) I-METODE
dengan O
menggunakan O
User B-METODE
Experience I-METODE
Questionnaire I-METODE
( I-METODE
UEQ I-METODE
) I-METODE
sebagai O
metode O
evaluasi. O
Selain O
itu O
, O
dilakukan O
juga O
evaluasi O
kepuasan O
pengguna O
terhadap O
rancangan O
antarmuka O
yang O
baru O
untuk O
dibandingkan O
dengan O
SKPW O
2021. O
Agar O
ukuran O
kepuasan O
pengguna O
yang O
dihasilkan O
dapat O
dibandingkan O
dengan O
hasil O
evaluasi O
SKPW O
2021 O
, O
digunakan O
metode O
analisis O
kepuasan O
yang O
sama O
dengan O
yang O
digunakan O
di O
SKPW O
2021 O
yaitu O
Importance B-METODE
Performance I-METODE
Analysis I-METODE
( I-METODE
IPA I-METODE
) I-METODE
. O
User O
interface O
baru O
yang O
dirancang O
telah O
melalui O
proses O
perancangan O
dan O
evaluasi O
ke O
pengguna O
masing-masing O
sebanyak O
dua O
kali O
iterasi O
dengan O
hasil O
evaluasi O
terakhir O
yaitu O
tingkat B-TEMUAN
kepuasan I-TEMUAN
seluruh I-TEMUAN
aspek I-TEMUAN
pelayanan I-TEMUAN
yang I-TEMUAN
menjadi I-TEMUAN
cakupan I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
telah I-TEMUAN
mengalami I-TEMUAN
peningkatan I-TEMUAN
dibandingkan I-TEMUAN
dengan I-TEMUAN
hasil I-TEMUAN
SKPW I-TEMUAN
2021. I-TEMUAN
Kata O
Kunci— O
User O
Interface O
, O
Website O
, O
User O
Centered O
Design O
, O
User O
Experience O
Questionnaire O
, O
Importance O
Performance O
Analysis O
[SEP] O
Berdasarkan O
hasil O
dari O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
ditarik O
sejumlah O
kesimpulan O
antara O
lain O
: O
• O
Telah B-TEMUAN
dilakukan I-TEMUAN
perancangan I-TEMUAN
kembali I-TEMUAN
user I-TEMUAN
interface I-TEMUAN
beberapa I-TEMUAN
halaman I-TEMUAN
website I-TEMUAN
BPS I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
User I-TEMUAN
Centered I-TEMUAN
Design I-TEMUAN
dengan I-TEMUAN
Survei I-TEMUAN
Kepuasan I-TEMUAN
Pengguna I-TEMUAN
Website I-TEMUAN
BPS I-TEMUAN
2021 I-TEMUAN
sebagai I-TEMUAN
dasar I-TEMUAN
prioritas I-TEMUAN
halaman I-TEMUAN
yang I-TEMUAN
dilakukan I-TEMUAN
perancangan I-TEMUAN
kembali I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
halaman I-TEMUAN
beranda I-TEMUAN
, I-TEMUAN
publikasi I-TEMUAN
, I-TEMUAN
berita I-TEMUAN
resmi I-TEMUAN
statistik I-TEMUAN
, I-TEMUAN
senarai I-TEMUAN
rencana I-TEMUAN
terbit I-TEMUAN
, I-TEMUAN
tabel I-TEMUAN
statistik I-TEMUAN
, I-TEMUAN
infografis I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
berita I-TEMUAN
kegiatan. I-TEMUAN

Perancangan O
Kembali O
Antarmuka O
Web O
BPS O
dengan O
Pendekatan O
User O
Centered O
Design O
Chairunnisa O
Fauzia O
Samu O
( O
221810220 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
SST O
, O
MT O
Ringkasan— O
Pada O
tahun O
2021 O
, O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
menyelenggarakan O
Survei O
Kepuasan O
Pengguna O
Website O
( O
SKPW O
) O
. O
Hasil O
SKPW O
menunjukkan O
bahwa O
aspek O
pelayanan O
website O
BPS O
secara O
keseluruhan O
berada O
dalam O
kategori O
baik O
, O
namun O
masih O
ada O
beberapa O
aspek O
yang O
nilai O
kepuasannya O
masih O
kurang O
, O
di O
antaranya O
yaitu O
kemudahan O
navigasi O
, O
kemudahan O
mencari O
produk O
, O
ketertarikan O
tampilan O
website O
, O
dan O
ketepatan O
penyusunan O
tata O
letak. O
Berdasarkan O
hasil O
SKPW O
2021 O
, O
pengguna O
menyatakan O
bahwa O
aspek-aspek O
pelayanan O
tersebut O
penting O
, O
namun O
pada O
website O
BPS O
saat O
ini O
masih O
belum O
memuaskan. O
Oleh O
karena O
itu O
, O
perlu B-TUJUAN
adanya I-TUJUAN
perancangan I-TUJUAN
user I-TUJUAN
interface I-TUJUAN
website I-TUJUAN
BPS I-TUJUAN
yang I-TUJUAN
baru I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
memuaskan I-TUJUAN
pengguna I-TUJUAN
website I-TUJUAN
sesuai I-TUJUAN
dengan I-TUJUAN
harapan I-TUJUAN
pengguna. I-TUJUAN
Metode O
yang O
digunakan O
dalam O
penelitian O
ini O
adalah O
User B-METODE
Centered I-METODE
Design I-METODE
( I-METODE
UCD I-METODE
) I-METODE
dengan O
menggunakan O
User B-METODE
Experience I-METODE
Questionnaire I-METODE
( I-METODE
UEQ I-METODE
) I-METODE
sebagai O
metode O
evaluasi. O
Selain O
itu O
, O
dilakukan O
juga O
evaluasi O
kepuasan O
pengguna O
terhadap O
rancangan O
antarmuka O
yang O
baru O
untuk O
dibandingkan O
dengan O
SKPW O
2021. O
Agar O
ukuran O
kepuasan O
pengguna O
yang O
dihasilkan O
dapat O
dibandingkan O
dengan O
hasil O
evaluasi O
SKPW O
2021 O
, O
digunakan O
metode O
analisis O
kepuasan O
yang O
sama O
dengan O
yang O
digunakan O
di O
SKPW O
2021 O
yaitu O
Importance B-METODE
Performance I-METODE
Analysis I-METODE
( I-METODE
IPA I-METODE
) I-METODE
. O
User O
interface O
baru O
yang O
dirancang O
telah O
melalui O
proses O
perancangan O
dan O
evaluasi O
ke O
pengguna O
masing-masing O
sebanyak O
dua O
kali O
iterasi O
dengan O
hasil O
evaluasi O
terakhir O
yaitu O
tingkat B-TEMUAN
kepuasan I-TEMUAN
seluruh I-TEMUAN
aspek I-TEMUAN
pelayanan I-TEMUAN
yang I-TEMUAN
menjadi I-TEMUAN
cakupan I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
telah I-TEMUAN
mengalami I-TEMUAN
peningkatan I-TEMUAN
dibandingkan I-TEMUAN
dengan I-TEMUAN
hasil I-TEMUAN
SKPW I-TEMUAN
2021. I-TEMUAN
Kata O
Kunci— O
User O
Interface O
, O
Website O
, O
User O
Centered O
Design O
, O
User O
Experience O
Questionnaire O
, O
Importance O
Performance O
Analysis O
[SEP] O
Berdasarkan O
hasil O
dari O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
ditarik O
sejumlah O
kesimpulan O
antara O
lain O
: O
• O
Telah B-TEMUAN
dilakukan I-TEMUAN
perancangan I-TEMUAN
kembali I-TEMUAN
user I-TEMUAN
interface I-TEMUAN
beberapa I-TEMUAN
halaman I-TEMUAN
website I-TEMUAN
BPS I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
User I-TEMUAN
Centered I-TEMUAN
Design I-TEMUAN
dengan I-TEMUAN
Survei I-TEMUAN
Kepuasan I-TEMUAN
Pengguna I-TEMUAN
Website I-TEMUAN
BPS I-TEMUAN
2021 I-TEMUAN
sebagai I-TEMUAN
dasar I-TEMUAN
prioritas I-TEMUAN
halaman I-TEMUAN
yang I-TEMUAN
dilakukan I-TEMUAN
perancangan I-TEMUAN
kembali I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
halaman I-TEMUAN
beranda I-TEMUAN
, I-TEMUAN
publikasi I-TEMUAN
, I-TEMUAN
berita I-TEMUAN
resmi I-TEMUAN
statistik I-TEMUAN
, I-TEMUAN
senarai I-TEMUAN
rencana I-TEMUAN
terbit I-TEMUAN
, I-TEMUAN
tabel I-TEMUAN
statistik I-TEMUAN
, I-TEMUAN
infografis I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
berita I-TEMUAN
kegiatan. I-TEMUAN

Perancangan O
Kembali O
Antarmuka O
Web O
BPS O
dengan O
Pendekatan O
User O
Centered O
Design O
Chairunnisa O
Fauzia O
Samu O
( O
221810220 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
SST O
, O
MT O
Ringkasan— O
Pada O
tahun O
2021 O
, O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
menyelenggarakan O
Survei O
Kepuasan O
Pengguna O
Website O
( O
SKPW O
) O
. O
Hasil O
SKPW O
menunjukkan O
bahwa O
aspek O
pelayanan O
website O
BPS O
secara O
keseluruhan O
berada O
dalam O
kategori O
baik O
, O
namun O
masih O
ada O
beberapa O
aspek O
yang O
nilai O
kepuasannya O
masih O
kurang O
, O
di O
antaranya O
yaitu O
kemudahan O
navigasi O
, O
kemudahan O
mencari O
produk O
, O
ketertarikan O
tampilan O
website O
, O
dan O
ketepatan O
penyusunan O
tata O
letak. O
Berdasarkan O
hasil O
SKPW O
2021 O
, O
pengguna O
menyatakan O
bahwa O
aspek-aspek O
pelayanan O
tersebut O
penting O
, O
namun O
pada O
website O
BPS O
saat O
ini O
masih O
belum O
memuaskan. O
Oleh O
karena O
itu O
, O
perlu B-TUJUAN
adanya I-TUJUAN
perancangan I-TUJUAN
user I-TUJUAN
interface I-TUJUAN
website I-TUJUAN
BPS I-TUJUAN
yang I-TUJUAN
baru I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
memuaskan I-TUJUAN
pengguna I-TUJUAN
website I-TUJUAN
sesuai I-TUJUAN
dengan I-TUJUAN
harapan I-TUJUAN
pengguna. I-TUJUAN
Metode O
yang O
digunakan O
dalam O
penelitian O
ini O
adalah O
User B-METODE
Centered I-METODE
Design I-METODE
( I-METODE
UCD I-METODE
) I-METODE
dengan O
menggunakan O
User B-METODE
Experience I-METODE
Questionnaire I-METODE
( I-METODE
UEQ I-METODE
) I-METODE
sebagai O
metode O
evaluasi. O
Selain O
itu O
, O
dilakukan O
juga O
evaluasi O
kepuasan O
pengguna O
terhadap O
rancangan O
antarmuka O
yang O
baru O
untuk O
dibandingkan O
dengan O
SKPW O
2021. O
Agar O
ukuran O
kepuasan O
pengguna O
yang O
dihasilkan O
dapat O
dibandingkan O
dengan O
hasil O
evaluasi O
SKPW O
2021 O
, O
digunakan O
metode O
analisis O
kepuasan O
yang O
sama O
dengan O
yang O
digunakan O
di O
SKPW O
2021 O
yaitu O
Importance B-METODE
Performance I-METODE
Analysis I-METODE
( I-METODE
IPA I-METODE
) I-METODE
. O
User O
interface O
baru O
yang O
dirancang O
telah O
melalui O
proses O
perancangan O
dan O
evaluasi O
ke O
pengguna O
masing-masing O
sebanyak O
dua O
kali O
iterasi O
dengan O
hasil O
evaluasi O
terakhir O
yaitu O
tingkat B-TEMUAN
kepuasan I-TEMUAN
seluruh I-TEMUAN
aspek I-TEMUAN
pelayanan I-TEMUAN
yang I-TEMUAN
menjadi I-TEMUAN
cakupan I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
telah I-TEMUAN
mengalami I-TEMUAN
peningkatan I-TEMUAN
dibandingkan I-TEMUAN
dengan I-TEMUAN
hasil I-TEMUAN
SKPW I-TEMUAN
2021. I-TEMUAN
Kata O
Kunci— O
User O
Interface O
, O
Website O
, O
User O
Centered O
Design O
, O
User O
Experience O
Questionnaire O
, O
Importance O
Performance O
Analysis O
[SEP] O
Berdasarkan O
hasil O
dari O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
ditarik O
sejumlah O
kesimpulan O
antara O
lain O
: O
• O
Telah B-TEMUAN
dilakukan I-TEMUAN
perancangan I-TEMUAN
kembali I-TEMUAN
user I-TEMUAN
interface I-TEMUAN
beberapa I-TEMUAN
halaman I-TEMUAN
website I-TEMUAN
BPS I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
User I-TEMUAN
Centered I-TEMUAN
Design I-TEMUAN
dengan I-TEMUAN
Survei I-TEMUAN
Kepuasan I-TEMUAN
Pengguna I-TEMUAN
Website I-TEMUAN
BPS I-TEMUAN
2021 I-TEMUAN
sebagai I-TEMUAN
dasar I-TEMUAN
prioritas I-TEMUAN
halaman I-TEMUAN
yang I-TEMUAN
dilakukan I-TEMUAN
perancangan I-TEMUAN
kembali I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
halaman I-TEMUAN
beranda I-TEMUAN
, I-TEMUAN
publikasi I-TEMUAN
, I-TEMUAN
berita I-TEMUAN
resmi I-TEMUAN
statistik I-TEMUAN
, I-TEMUAN
senarai I-TEMUAN
rencana I-TEMUAN
terbit I-TEMUAN
, I-TEMUAN
tabel I-TEMUAN
statistik I-TEMUAN
, I-TEMUAN
infografis I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
berita I-TEMUAN
kegiatan. I-TEMUAN

Perancangan O
Kembali O
Antarmuka O
Web O
BPS O
dengan O
Pendekatan O
User O
Centered O
Design O
Chairunnisa O
Fauzia O
Samu O
( O
221810220 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
SST O
, O
MT O
Ringkasan— O
Pada O
tahun O
2021 O
, O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
menyelenggarakan O
Survei O
Kepuasan O
Pengguna O
Website O
( O
SKPW O
) O
. O
Hasil O
SKPW O
menunjukkan O
bahwa O
aspek O
pelayanan O
website O
BPS O
secara O
keseluruhan O
berada O
dalam O
kategori O
baik O
, O
namun O
masih O
ada O
beberapa O
aspek O
yang O
nilai O
kepuasannya O
masih O
kurang O
, O
di O
antaranya O
yaitu O
kemudahan O
navigasi O
, O
kemudahan O
mencari O
produk O
, O
ketertarikan O
tampilan O
website O
, O
dan O
ketepatan O
penyusunan O
tata O
letak. O
Berdasarkan O
hasil O
SKPW O
2021 O
, O
pengguna O
menyatakan O
bahwa O
aspek-aspek O
pelayanan O
tersebut O
penting O
, O
namun O
pada O
website O
BPS O
saat O
ini O
masih O
belum O
memuaskan. O
Oleh O
karena O
itu O
, O
perlu B-TUJUAN
adanya I-TUJUAN
perancangan I-TUJUAN
user I-TUJUAN
interface I-TUJUAN
website I-TUJUAN
BPS I-TUJUAN
yang I-TUJUAN
baru I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
memuaskan I-TUJUAN
pengguna I-TUJUAN
website I-TUJUAN
sesuai I-TUJUAN
dengan I-TUJUAN
harapan I-TUJUAN
pengguna. I-TUJUAN
Metode O
yang O
digunakan O
dalam O
penelitian O
ini O
adalah O
User B-METODE
Centered I-METODE
Design I-METODE
( I-METODE
UCD I-METODE
) I-METODE
dengan O
menggunakan O
User B-METODE
Experience I-METODE
Questionnaire I-METODE
( I-METODE
UEQ I-METODE
) I-METODE
sebagai O
metode O
evaluasi. O
Selain O
itu O
, O
dilakukan O
juga O
evaluasi O
kepuasan O
pengguna O
terhadap O
rancangan O
antarmuka O
yang O
baru O
untuk O
dibandingkan O
dengan O
SKPW O
2021. O
Agar O
ukuran O
kepuasan O
pengguna O
yang O
dihasilkan O
dapat O
dibandingkan O
dengan O
hasil O
evaluasi O
SKPW O
2021 O
, O
digunakan O
metode O
analisis O
kepuasan O
yang O
sama O
dengan O
yang O
digunakan O
di O
SKPW O
2021 O
yaitu O
Importance B-METODE
Performance I-METODE
Analysis I-METODE
( I-METODE
IPA I-METODE
) I-METODE
. O
User O
interface O
baru O
yang O
dirancang O
telah O
melalui O
proses O
perancangan O
dan O
evaluasi O
ke O
pengguna O
masing-masing O
sebanyak O
dua O
kali O
iterasi O
dengan O
hasil O
evaluasi O
terakhir O
yaitu O
tingkat B-TEMUAN
kepuasan I-TEMUAN
seluruh I-TEMUAN
aspek I-TEMUAN
pelayanan I-TEMUAN
yang I-TEMUAN
menjadi I-TEMUAN
cakupan I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
telah I-TEMUAN
mengalami I-TEMUAN
peningkatan I-TEMUAN
dibandingkan I-TEMUAN
dengan I-TEMUAN
hasil I-TEMUAN
SKPW I-TEMUAN
2021. I-TEMUAN
Kata O
Kunci— O
User O
Interface O
, O
Website O
, O
User O
Centered O
Design O
, O
User O
Experience O
Questionnaire O
, O
Importance O
Performance O
Analysis O
[SEP] O
Berdasarkan O
hasil O
dari O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
ditarik O
sejumlah O
kesimpulan O
antara O
lain O
: O
• O
Telah B-TEMUAN
dilakukan I-TEMUAN
perancangan I-TEMUAN
kembali I-TEMUAN
user I-TEMUAN
interface I-TEMUAN
beberapa I-TEMUAN
halaman I-TEMUAN
website I-TEMUAN
BPS I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
User I-TEMUAN
Centered I-TEMUAN
Design I-TEMUAN
dengan I-TEMUAN
Survei I-TEMUAN
Kepuasan I-TEMUAN
Pengguna I-TEMUAN
Website I-TEMUAN
BPS I-TEMUAN
2021 I-TEMUAN
sebagai I-TEMUAN
dasar I-TEMUAN
prioritas I-TEMUAN
halaman I-TEMUAN
yang I-TEMUAN
dilakukan I-TEMUAN
perancangan I-TEMUAN
kembali I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
halaman I-TEMUAN
beranda I-TEMUAN
, I-TEMUAN
publikasi I-TEMUAN
, I-TEMUAN
berita I-TEMUAN
resmi I-TEMUAN
statistik I-TEMUAN
, I-TEMUAN
senarai I-TEMUAN
rencana I-TEMUAN
terbit I-TEMUAN
, I-TEMUAN
tabel I-TEMUAN
statistik I-TEMUAN
, I-TEMUAN
infografis I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
berita I-TEMUAN
kegiatan. I-TEMUAN

Pembangunan O
Sistem O
Informasi O
Forum O
Diskusi O
Mahasiswa O
Berbasis O
Web O
Bernaldo O
Napitupulu O
( O
221810213 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
SST O
, O
MT O
Ringkasan—Diskusi O
yang O
dilakukan O
antar O
mahasiswa O
mengalami O
kesulitan O
, O
seperti O
mahasiswa O
hanya O
mengandalkan O
orang O
yang O
dikenal O
, O
kesulitan O
mencari O
teman O
diskusi O
, O
sebagian O
mahasiswa O
malu O
bertanya O
secara O
langsung O
kepada O
dosen. O
Hasil O
diskusi O
belum O
terdokumentasikan O
sehingga O
mahasiswa O
lain O
yang O
sedang O
mengalami O
kesulitan O
memahami O
materi O
perkuliahan O
dan O
sedang O
mencari O
pertanyaan O
yang O
sama O
tidak O
memperolehnya. O
Pada O
penelitian O
ini O
dilakukan O
pembangunan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
forum I-TUJUAN
diskusi I-TUJUAN
mahasiswa I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
digunakan I-TUJUAN
sebagai I-TUJUAN
sarana I-TUJUAN
untuk I-TUJUAN
melakukan I-TUJUAN
diskusi I-TUJUAN
antar I-TUJUAN
mahasiswa. I-TUJUAN
Pembangunan O
yang O
dilakukan O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
waterfall. I-METODE
Sistem O
dibangun O
berbasis O
web O
menggunakan O
bahasa O
pemrograman O
PHP O
dengan O
framework O
Laravel O
, O
javascript O
dengan O
VueJs O
dan O
MySQL O
sebagai O
DBMS. O
Evaluasi O
pembangunan O
sistem O
forum O
diskusi O
dilakukan O
dengan O
metode B-METODE
black I-METODE
box I-METODE
testing I-METODE
dan I-METODE
SUS. I-METODE
Hasil B-TEMUAN
pengujian I-TEMUAN
menggunakan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
hasil I-TEMUAN
SUS I-TEMUAN
menyatakan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
forum I-TEMUAN
diskusi I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
sebesar I-TEMUAN
78,59 I-TEMUAN
dapat I-TEMUAN
dikategorikan I-TEMUAN
baik. I-TEMUAN
Kata O
Kunci— O
forum O
diskusi O
, O
SDLC O
, O
Laravel O
, O
VueJs O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
ditarik O
beberapa O
kesimpulan O
sebagai O
berikut. O
1. O
Telah B-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
forum I-TEMUAN
diskusi I-TEMUAN
mahasiswa I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
di I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS. I-TEMUAN
2. O
Hasil B-TEMUAN
pengujian I-TEMUAN
dengan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
, I-TEMUAN
semua I-TEMUAN
fitur I-TEMUAN
telah I-TEMUAN
berfungsi I-TEMUAN
dan I-TEMUAN
berhasil I-TEMUAN
dijalankan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
3. O
Hasil B-TEMUAN
evaluasi I-TEMUAN
dengan I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
mendapatkan I-TEMUAN
rata-rata I-TEMUAN
78.59 I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Dari O
penelitian O
yang O
telah O
dilakukan O
, O
saran O
yang O
peneliti O
usulkan O
untuk O
dapat O
digunakan O
pada O
penelitian O
selanjutnya O
adalah O
sebagai O
berikut. O
1. O
Perlu O
dilakukan O
pengembangan O
sistem O
forum O
diskusi O
berbasis O
android. O
2. O
Menambahkan O
fitur O
notifikasi O
saat O
terjadi O
interaksi O
memberikan O
dukungan O
naik O
atau O
tanggapan O
pada O
pengguna O
yang O
diberikan O
dukungan O
atau O
tanggapan. O
3. O
Menambahkan O
fitur O
ikuti O
dan O
mengikuti O
agar O
terjadi O
interaksi O
antar O
mahasiswa O
yang O
lebih O
banyak. O
4. O
Menambahkan O
aktor O
dosen O
pada O
sistem. O

Pembangunan O
Sistem O
Informasi O
Forum O
Diskusi O
Mahasiswa O
Berbasis O
Web O
Bernaldo O
Napitupulu O
( O
221810213 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
SST O
, O
MT O
Ringkasan—Diskusi O
yang O
dilakukan O
antar O
mahasiswa O
mengalami O
kesulitan O
, O
seperti O
mahasiswa O
hanya O
mengandalkan O
orang O
yang O
dikenal O
, O
kesulitan O
mencari O
teman O
diskusi O
, O
sebagian O
mahasiswa O
malu O
bertanya O
secara O
langsung O
kepada O
dosen. O
Hasil O
diskusi O
belum O
terdokumentasikan O
sehingga O
mahasiswa O
lain O
yang O
sedang O
mengalami O
kesulitan O
memahami O
materi O
perkuliahan O
dan O
sedang O
mencari O
pertanyaan O
yang O
sama O
tidak O
memperolehnya. O
Pada O
penelitian O
ini O
dilakukan O
pembangunan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
forum I-TUJUAN
diskusi I-TUJUAN
mahasiswa I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
digunakan I-TUJUAN
sebagai I-TUJUAN
sarana I-TUJUAN
untuk I-TUJUAN
melakukan I-TUJUAN
diskusi I-TUJUAN
antar I-TUJUAN
mahasiswa. I-TUJUAN
Pembangunan O
yang O
dilakukan O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
waterfall. I-METODE
Sistem O
dibangun O
berbasis O
web O
menggunakan O
bahasa O
pemrograman O
PHP O
dengan O
framework O
Laravel O
, O
javascript O
dengan O
VueJs O
dan O
MySQL O
sebagai O
DBMS. O
Evaluasi O
pembangunan O
sistem O
forum O
diskusi O
dilakukan O
dengan O
metode B-METODE
black I-METODE
box I-METODE
testing I-METODE
dan I-METODE
SUS. I-METODE
Hasil B-TEMUAN
pengujian I-TEMUAN
menggunakan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
hasil I-TEMUAN
SUS I-TEMUAN
menyatakan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
forum I-TEMUAN
diskusi I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
sebesar I-TEMUAN
78,59 I-TEMUAN
dapat I-TEMUAN
dikategorikan I-TEMUAN
baik. I-TEMUAN
Kata O
Kunci— O
forum O
diskusi O
, O
SDLC O
, O
Laravel O
, O
VueJs O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
ditarik O
beberapa O
kesimpulan O
sebagai O
berikut. O
1. O
Telah B-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
forum I-TEMUAN
diskusi I-TEMUAN
mahasiswa I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
di I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS. I-TEMUAN
2. O
Hasil B-TEMUAN
pengujian I-TEMUAN
dengan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
, I-TEMUAN
semua I-TEMUAN
fitur I-TEMUAN
telah I-TEMUAN
berfungsi I-TEMUAN
dan I-TEMUAN
berhasil I-TEMUAN
dijalankan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
3. O
Hasil B-TEMUAN
evaluasi I-TEMUAN
dengan I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
mendapatkan I-TEMUAN
rata-rata I-TEMUAN
78.59 I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Dari O
penelitian O
yang O
telah O
dilakukan O
, O
saran O
yang O
peneliti O
usulkan O
untuk O
dapat O
digunakan O
pada O
penelitian O
selanjutnya O
adalah O
sebagai O
berikut. O
1. O
Perlu O
dilakukan O
pengembangan O
sistem O
forum O
diskusi O
berbasis O
android. O
2. O
Menambahkan O
fitur O
notifikasi O
saat O
terjadi O
interaksi O
memberikan O
dukungan O
naik O
atau O
tanggapan O
pada O
pengguna O
yang O
diberikan O
dukungan O
atau O
tanggapan. O
3. O
Menambahkan O
fitur O
ikuti O
dan O
mengikuti O
agar O
terjadi O
interaksi O
antar O
mahasiswa O
yang O
lebih O
banyak. O
4. O
Menambahkan O
aktor O
dosen O
pada O
sistem. O

Pembangunan O
Sistem O
Informasi O
Forum O
Diskusi O
Mahasiswa O
Berbasis O
Web O
Bernaldo O
Napitupulu O
( O
221810213 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
SST O
, O
MT O
Ringkasan—Diskusi O
yang O
dilakukan O
antar O
mahasiswa O
mengalami O
kesulitan O
, O
seperti O
mahasiswa O
hanya O
mengandalkan O
orang O
yang O
dikenal O
, O
kesulitan O
mencari O
teman O
diskusi O
, O
sebagian O
mahasiswa O
malu O
bertanya O
secara O
langsung O
kepada O
dosen. O
Hasil O
diskusi O
belum O
terdokumentasikan O
sehingga O
mahasiswa O
lain O
yang O
sedang O
mengalami O
kesulitan O
memahami O
materi O
perkuliahan O
dan O
sedang O
mencari O
pertanyaan O
yang O
sama O
tidak O
memperolehnya. O
Pada O
penelitian O
ini O
dilakukan O
pembangunan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
forum I-TUJUAN
diskusi I-TUJUAN
mahasiswa I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
digunakan I-TUJUAN
sebagai I-TUJUAN
sarana I-TUJUAN
untuk I-TUJUAN
melakukan I-TUJUAN
diskusi I-TUJUAN
antar I-TUJUAN
mahasiswa. I-TUJUAN
Pembangunan O
yang O
dilakukan O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
waterfall. I-METODE
Sistem O
dibangun O
berbasis O
web O
menggunakan O
bahasa O
pemrograman O
PHP O
dengan O
framework O
Laravel O
, O
javascript O
dengan O
VueJs O
dan O
MySQL O
sebagai O
DBMS. O
Evaluasi O
pembangunan O
sistem O
forum O
diskusi O
dilakukan O
dengan O
metode B-METODE
black I-METODE
box I-METODE
testing I-METODE
dan I-METODE
SUS. I-METODE
Hasil B-TEMUAN
pengujian I-TEMUAN
menggunakan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
hasil I-TEMUAN
SUS I-TEMUAN
menyatakan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
forum I-TEMUAN
diskusi I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
sebesar I-TEMUAN
78,59 I-TEMUAN
dapat I-TEMUAN
dikategorikan I-TEMUAN
baik. I-TEMUAN
Kata O
Kunci— O
forum O
diskusi O
, O
SDLC O
, O
Laravel O
, O
VueJs O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
ditarik O
beberapa O
kesimpulan O
sebagai O
berikut. O
1. O
Telah B-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
forum I-TEMUAN
diskusi I-TEMUAN
mahasiswa I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
di I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS. I-TEMUAN
2. O
Hasil B-TEMUAN
pengujian I-TEMUAN
dengan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
, I-TEMUAN
semua I-TEMUAN
fitur I-TEMUAN
telah I-TEMUAN
berfungsi I-TEMUAN
dan I-TEMUAN
berhasil I-TEMUAN
dijalankan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
3. O
Hasil B-TEMUAN
evaluasi I-TEMUAN
dengan I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
mendapatkan I-TEMUAN
rata-rata I-TEMUAN
78.59 I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Dari O
penelitian O
yang O
telah O
dilakukan O
, O
saran O
yang O
peneliti O
usulkan O
untuk O
dapat O
digunakan O
pada O
penelitian O
selanjutnya O
adalah O
sebagai O
berikut. O
1. O
Perlu O
dilakukan O
pengembangan O
sistem O
forum O
diskusi O
berbasis O
android. O
2. O
Menambahkan O
fitur O
notifikasi O
saat O
terjadi O
interaksi O
memberikan O
dukungan O
naik O
atau O
tanggapan O
pada O
pengguna O
yang O
diberikan O
dukungan O
atau O
tanggapan. O
3. O
Menambahkan O
fitur O
ikuti O
dan O
mengikuti O
agar O
terjadi O
interaksi O
antar O
mahasiswa O
yang O
lebih O
banyak. O
4. O
Menambahkan O
aktor O
dosen O
pada O
sistem. O

Pembangunan O
Sistem O
Informasi O
Forum O
Diskusi O
Mahasiswa O
Berbasis O
Web O
Bernaldo O
Napitupulu O
( O
221810213 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
SST O
, O
MT O
Ringkasan—Diskusi O
yang O
dilakukan O
antar O
mahasiswa O
mengalami O
kesulitan O
, O
seperti O
mahasiswa O
hanya O
mengandalkan O
orang O
yang O
dikenal O
, O
kesulitan O
mencari O
teman O
diskusi O
, O
sebagian O
mahasiswa O
malu O
bertanya O
secara O
langsung O
kepada O
dosen. O
Hasil O
diskusi O
belum O
terdokumentasikan O
sehingga O
mahasiswa O
lain O
yang O
sedang O
mengalami O
kesulitan O
memahami O
materi O
perkuliahan O
dan O
sedang O
mencari O
pertanyaan O
yang O
sama O
tidak O
memperolehnya. O
Pada O
penelitian O
ini O
dilakukan O
pembangunan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
forum I-TUJUAN
diskusi I-TUJUAN
mahasiswa I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
digunakan I-TUJUAN
sebagai I-TUJUAN
sarana I-TUJUAN
untuk I-TUJUAN
melakukan I-TUJUAN
diskusi I-TUJUAN
antar I-TUJUAN
mahasiswa. I-TUJUAN
Pembangunan O
yang O
dilakukan O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
waterfall. I-METODE
Sistem O
dibangun O
berbasis O
web O
menggunakan O
bahasa O
pemrograman O
PHP O
dengan O
framework O
Laravel O
, O
javascript O
dengan O
VueJs O
dan O
MySQL O
sebagai O
DBMS. O
Evaluasi O
pembangunan O
sistem O
forum O
diskusi O
dilakukan O
dengan O
metode B-METODE
black I-METODE
box I-METODE
testing I-METODE
dan I-METODE
SUS. I-METODE
Hasil B-TEMUAN
pengujian I-TEMUAN
menggunakan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
hasil I-TEMUAN
SUS I-TEMUAN
menyatakan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
forum I-TEMUAN
diskusi I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
sebesar I-TEMUAN
78,59 I-TEMUAN
dapat I-TEMUAN
dikategorikan I-TEMUAN
baik. I-TEMUAN
Kata O
Kunci— O
forum O
diskusi O
, O
SDLC O
, O
Laravel O
, O
VueJs O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
ditarik O
beberapa O
kesimpulan O
sebagai O
berikut. O
1. O
Telah B-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
forum I-TEMUAN
diskusi I-TEMUAN
mahasiswa I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
di I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS. I-TEMUAN
2. O
Hasil B-TEMUAN
pengujian I-TEMUAN
dengan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
, I-TEMUAN
semua I-TEMUAN
fitur I-TEMUAN
telah I-TEMUAN
berfungsi I-TEMUAN
dan I-TEMUAN
berhasil I-TEMUAN
dijalankan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
3. O
Hasil B-TEMUAN
evaluasi I-TEMUAN
dengan I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
mendapatkan I-TEMUAN
rata-rata I-TEMUAN
78.59 I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Dari O
penelitian O
yang O
telah O
dilakukan O
, O
saran O
yang O
peneliti O
usulkan O
untuk O
dapat O
digunakan O
pada O
penelitian O
selanjutnya O
adalah O
sebagai O
berikut. O
1. O
Perlu O
dilakukan O
pengembangan O
sistem O
forum O
diskusi O
berbasis O
android. O
2. O
Menambahkan O
fitur O
notifikasi O
saat O
terjadi O
interaksi O
memberikan O
dukungan O
naik O
atau O
tanggapan O
pada O
pengguna O
yang O
diberikan O
dukungan O
atau O
tanggapan. O
3. O
Menambahkan O
fitur O
ikuti O
dan O
mengikuti O
agar O
terjadi O
interaksi O
antar O
mahasiswa O
yang O
lebih O
banyak. O
4. O
Menambahkan O
aktor O
dosen O
pada O
sistem. O

Pembangunan O
Sistem O
Informasi O
Forum O
Diskusi O
Mahasiswa O
Berbasis O
Web O
Bernaldo O
Napitupulu O
( O
221810213 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
SST O
, O
MT O
Ringkasan—Diskusi O
yang O
dilakukan O
antar O
mahasiswa O
mengalami O
kesulitan O
, O
seperti O
mahasiswa O
hanya O
mengandalkan O
orang O
yang O
dikenal O
, O
kesulitan O
mencari O
teman O
diskusi O
, O
sebagian O
mahasiswa O
malu O
bertanya O
secara O
langsung O
kepada O
dosen. O
Hasil O
diskusi O
belum O
terdokumentasikan O
sehingga O
mahasiswa O
lain O
yang O
sedang O
mengalami O
kesulitan O
memahami O
materi O
perkuliahan O
dan O
sedang O
mencari O
pertanyaan O
yang O
sama O
tidak O
memperolehnya. O
Pada O
penelitian O
ini O
dilakukan O
pembangunan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
forum I-TUJUAN
diskusi I-TUJUAN
mahasiswa I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
digunakan I-TUJUAN
sebagai I-TUJUAN
sarana I-TUJUAN
untuk I-TUJUAN
melakukan I-TUJUAN
diskusi I-TUJUAN
antar I-TUJUAN
mahasiswa. I-TUJUAN
Pembangunan O
yang O
dilakukan O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
waterfall. I-METODE
Sistem O
dibangun O
berbasis O
web O
menggunakan O
bahasa O
pemrograman O
PHP O
dengan O
framework O
Laravel O
, O
javascript O
dengan O
VueJs O
dan O
MySQL O
sebagai O
DBMS. O
Evaluasi O
pembangunan O
sistem O
forum O
diskusi O
dilakukan O
dengan O
metode B-METODE
black I-METODE
box I-METODE
testing I-METODE
dan I-METODE
SUS. I-METODE
Hasil B-TEMUAN
pengujian I-TEMUAN
menggunakan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
hasil I-TEMUAN
SUS I-TEMUAN
menyatakan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
forum I-TEMUAN
diskusi I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
sebesar I-TEMUAN
78,59 I-TEMUAN
dapat I-TEMUAN
dikategorikan I-TEMUAN
baik. I-TEMUAN
Kata O
Kunci— O
forum O
diskusi O
, O
SDLC O
, O
Laravel O
, O
VueJs O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
ditarik O
beberapa O
kesimpulan O
sebagai O
berikut. O
1. O
Telah B-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
forum I-TEMUAN
diskusi I-TEMUAN
mahasiswa I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
di I-TEMUAN
Politeknik I-TEMUAN
Statistika I-TEMUAN
STIS. I-TEMUAN
2. O
Hasil B-TEMUAN
pengujian I-TEMUAN
dengan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
, I-TEMUAN
semua I-TEMUAN
fitur I-TEMUAN
telah I-TEMUAN
berfungsi I-TEMUAN
dan I-TEMUAN
berhasil I-TEMUAN
dijalankan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
3. O
Hasil B-TEMUAN
evaluasi I-TEMUAN
dengan I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
mendapatkan I-TEMUAN
rata-rata I-TEMUAN
78.59 I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Dari O
penelitian O
yang O
telah O
dilakukan O
, O
saran O
yang O
peneliti O
usulkan O
untuk O
dapat O
digunakan O
pada O
penelitian O
selanjutnya O
adalah O
sebagai O
berikut. O
1. O
Perlu O
dilakukan O
pengembangan O
sistem O
forum O
diskusi O
berbasis O
android. O
2. O
Menambahkan O
fitur O
notifikasi O
saat O
terjadi O
interaksi O
memberikan O
dukungan O
naik O
atau O
tanggapan O
pada O
pengguna O
yang O
diberikan O
dukungan O
atau O
tanggapan. O
3. O
Menambahkan O
fitur O
ikuti O
dan O
mengikuti O
agar O
terjadi O
interaksi O
antar O
mahasiswa O
yang O
lebih O
banyak. O
4. O
Menambahkan O
aktor O
dosen O
pada O
sistem. O

Pembangunan O
Aplikasi O
Marketplace O
Untuk O
Mahasiswa O
Politeknik O
Statistika O
STIS O
Berbasis O
Web O
Ashabul O
Kahfi O
Sipahutar O
( O
221810198 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
Sulistiadi O
, O
Ph.D. O
Ringkasan—Marketplace O
adalah O
bagian O
dari O
e-commerce O
yang O
digunakan O
sebagai O
tempat O
untuk O
aktivitas O
bisnis O
dan O
transaksi O
antara O
pembeli O
dan O
penjual O
secara O
online. O
Sistem O
jual O
beli O
online O
yang O
digunakan O
mahasiswa O
Polstat O
STIS O
saat O
ini O
masih O
bisa O
diakses O
oleh O
setiap O
orang O
sehingga O
dinilai O
kurang O
terpercaya. O
Dalam O
kegiatan O
jual O
beli O
antar O
mahasiswa O
, O
kegiatan O
promosi O
dan O
pencarian O
informasi O
penjualan O
yang O
dilakukan O
saat O
ini O
hanya O
melalui O
media O
sosial O
dan O
media O
cetak O
yang O
memiliki O
beberapa O
kelemahan O
seperti O
informasi O
yang O
tidak O
tersampaikan O
ke O
seluruh O
mahasiswa O
dan O
adanya O
biaya O
untuk O
pencetakan O
sehingga O
dinilai O
kurang O
efektif O
dan O
efisien. O
Berdasarkan O
permasalahan O
tersebut O
, O
diperlukan O
pengembangan B-TUJUAN
sebuah I-TUJUAN
sistem I-TUJUAN
jual I-TUJUAN
beli I-TUJUAN
online I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
untuk I-TUJUAN
mahasiswa I-TUJUAN
Polstat I-TUJUAN
STIS I-TUJUAN
yang I-TUJUAN
terpercaya I-TUJUAN
dan I-TUJUAN
mampu I-TUJUAN
membuat I-TUJUAN
proses I-TUJUAN
promosi I-TUJUAN
dan I-TUJUAN
pencarian I-TUJUAN
informasi I-TUJUAN
tersebut I-TUJUAN
menjadi I-TUJUAN
lebih I-TUJUAN
efektif I-TUJUAN
dan I-TUJUAN
efisien. I-TUJUAN
Metode O
pengembangan O
system O
yang O
digunakan O
adalah O
SDLC B-METODE
model I-METODE
waterfall. I-METODE
Dari O
hasil O
pengujian O
dengan O
blackbox B-METODE
dan O
evaluasi O
dengan O
kuesioner B-METODE
PSSUQ I-METODE
didapatkan O
hasil O
bahwa O
sistem B-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
bisa I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci— O
Marketplace O
, O
terpercaya O
, O
promosi O
, O
informasi. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
didapat O
kesimpulan O
sebagai O
berikut. O
1 O
) O
Permasalahan O
yang O
terjadi O
pada O
kegiatan O
jual O
beli O
yang O
terjadi O
antar O
mahasiswa O
Polstat O
STIS O
terletak O
pada O
penggunaan O
sistem O
jual O
beli O
online O
yang O
kurang O
terpercaya O
serta O
proses O
promosi O
dan O
pencarian O
informasi O
penjualan O
antar O
mahasiswa O
yang O
tidak O
efektif O
dan O
tidak O
efisien. O
2 O
) O
Solusi O
yang O
ditawarkan O
untuk O
masalah O
tersebut O
yaitu O
dengan O
mengembangkan B-TUJUAN
aplikasi I-TUJUAN
marketplace I-TUJUAN
untuk I-TUJUAN
mahasiswa I-TUJUAN
Polstat I-TUJUAN
STIS I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
3 O
) O
Pembangunan O
telah O
sistem O
dengan O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
waterfall I-METODE
yang O
terdiri O
dari O
analisis O
kebutuhan O
, O
desain O
sistem O
, O
implementasi O
sistem O
, O
pengujian O
sistem O
dan O
pemeliharaan. O
dilakukan O
4 O
) O
Hasil B-TEMUAN
pengujian I-TEMUAN
menggunakan I-TEMUAN
blackbox I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
seluruh I-TEMUAN
fungsi I-TEMUAN
pada I-TEMUAN
aplikasi I-TEMUAN
sudah I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
baik O
sesuai O
dengan O
harapan. O
Adapun O
hasil O
evaluasi O
menggunakan O
kuesioner O
PSSUQ O
menunjukkan O
bahwa O
kepuasan B-TEMUAN
pengguna I-TEMUAN
untuk I-TEMUAN
aspek I-TEMUAN
kegunaan I-TEMUAN
dalam I-TEMUAN
menggunakan I-TEMUAN
aplikasi I-TEMUAN
dinyatakan I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
rata- I-TEMUAN
rata I-TEMUAN
2,97. I-TEMUAN
Kemudian I-TEMUAN
untuk I-TEMUAN
aspek I-TEMUAN
kualitas I-TEMUAN
informasi I-TEMUAN
pada I-TEMUAN
aplikasi I-TEMUAN
sudah I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
2,96. I-TEMUAN
Selanjutnya O
pada O
aspek B-TEMUAN
kualitas I-TEMUAN
tampilan I-TEMUAN
antarmuka I-TEMUAN
dari I-TEMUAN
aplikasi I-TEMUAN
masih I-TEMUAN
kurang I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
3,02 I-TEMUAN
sehingga I-TEMUAN
masih I-TEMUAN
perlu I-TEMUAN
perbaikan I-TEMUAN
atau I-TEMUAN
pengembangan. I-TEMUAN
Secara B-TEMUAN
keseluruhan I-TEMUAN
aplikasi I-TEMUAN
marketplace I-TEMUAN
sudah I-TEMUAN
bisa I-TEMUAN
diterima I-TEMUAN
pengguna I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
2,98. I-TEMUAN
Adapun O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
berikutnya O
adalah O
sebagai O
berikut. O
1. O
Berdasarkan O
hasil O
evaluasi O
, O
diperlukan O
perbaikan O
atau O
pengembangan O
untuk O
tampilan O
antarmuka O
aplikasi O
agar O
lebih O
menarik O
dan O
responsif. O
2. O
Dari O
hasil O
wawancara O
identifikasi O
kebutuhan O
pengguna O
, O
masih O
ada O
beberapa O
fitur O
yang O
belum O
diterapkan O
pada O
aplikasi O
yaitu O
fitur O
grafik O
penjualan O
, O
pemberian O
diskon O
atau O
promo O
, O
iklan O
produk O
, O
lihat O
jumlah O
pengunjung O
toko O
, O
rekomendasi O
pencarian O
, O
pemberian O
voucher O
, O
transaksi O
dengan O
thirdparty. O
3. O
Dari O
hasil O
evaluasi O
juga O
terdapat O
masukan O
oleh O
responden O
, O
diantaranya O
yaitu O
menambahkan O
fitur O
ubah O
password O
, O
fitur O
lupa O
password O
, O
fitur O
tombol O
kembali O
, O
fitur O
pemilihan O
alamat O
pemesanan O
, O
fitur O
pemberian O
alasan O
pembatalan O
pemesanan O
dan O
alasan O
penolakan O
pesanan O
, O
fitur O
sort O
by O
rating O
, O
fitur O
loading O
screen O
, O
sidebar O
daftar O
kategori O
, O
subkategori O
untuk O
kategori O
dan O
fitur O
notifikasi. O
4. O
Saran O
dari O
penulis O
adalah O
mengoptimalkan O
kode O
program O
agar O
lebih O
singkat O
, O
efisien O
dan O
efektif O
serta O
strukturnya O
mudah O
untuk O
dipahami. O

Pembangunan O
Aplikasi O
Marketplace O
Untuk O
Mahasiswa O
Politeknik O
Statistika O
STIS O
Berbasis O
Web O
Ashabul O
Kahfi O
Sipahutar O
( O
221810198 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
Sulistiadi O
, O
Ph.D. O
Ringkasan—Marketplace O
adalah O
bagian O
dari O
e-commerce O
yang O
digunakan O
sebagai O
tempat O
untuk O
aktivitas O
bisnis O
dan O
transaksi O
antara O
pembeli O
dan O
penjual O
secara O
online. O
Sistem O
jual O
beli O
online O
yang O
digunakan O
mahasiswa O
Polstat O
STIS O
saat O
ini O
masih O
bisa O
diakses O
oleh O
setiap O
orang O
sehingga O
dinilai O
kurang O
terpercaya. O
Dalam O
kegiatan O
jual O
beli O
antar O
mahasiswa O
, O
kegiatan O
promosi O
dan O
pencarian O
informasi O
penjualan O
yang O
dilakukan O
saat O
ini O
hanya O
melalui O
media O
sosial O
dan O
media O
cetak O
yang O
memiliki O
beberapa O
kelemahan O
seperti O
informasi O
yang O
tidak O
tersampaikan O
ke O
seluruh O
mahasiswa O
dan O
adanya O
biaya O
untuk O
pencetakan O
sehingga O
dinilai O
kurang O
efektif O
dan O
efisien. O
Berdasarkan O
permasalahan O
tersebut O
, O
diperlukan O
pengembangan B-TUJUAN
sebuah I-TUJUAN
sistem I-TUJUAN
jual I-TUJUAN
beli I-TUJUAN
online I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
untuk I-TUJUAN
mahasiswa I-TUJUAN
Polstat I-TUJUAN
STIS I-TUJUAN
yang I-TUJUAN
terpercaya I-TUJUAN
dan I-TUJUAN
mampu I-TUJUAN
membuat I-TUJUAN
proses I-TUJUAN
promosi I-TUJUAN
dan I-TUJUAN
pencarian I-TUJUAN
informasi I-TUJUAN
tersebut I-TUJUAN
menjadi I-TUJUAN
lebih I-TUJUAN
efektif I-TUJUAN
dan I-TUJUAN
efisien. I-TUJUAN
Metode O
pengembangan O
system O
yang O
digunakan O
adalah O
SDLC B-METODE
model I-METODE
waterfall. I-METODE
Dari O
hasil O
pengujian O
dengan O
blackbox B-METODE
dan O
evaluasi O
dengan O
kuesioner B-METODE
PSSUQ I-METODE
didapatkan O
hasil O
bahwa O
sistem B-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
bisa I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci— O
Marketplace O
, O
terpercaya O
, O
promosi O
, O
informasi. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
didapat O
kesimpulan O
sebagai O
berikut. O
1 O
) O
Permasalahan O
yang O
terjadi O
pada O
kegiatan O
jual O
beli O
yang O
terjadi O
antar O
mahasiswa O
Polstat O
STIS O
terletak O
pada O
penggunaan O
sistem O
jual O
beli O
online O
yang O
kurang O
terpercaya O
serta O
proses O
promosi O
dan O
pencarian O
informasi O
penjualan O
antar O
mahasiswa O
yang O
tidak O
efektif O
dan O
tidak O
efisien. O
2 O
) O
Solusi O
yang O
ditawarkan O
untuk O
masalah O
tersebut O
yaitu O
dengan O
mengembangkan B-TUJUAN
aplikasi I-TUJUAN
marketplace I-TUJUAN
untuk I-TUJUAN
mahasiswa I-TUJUAN
Polstat I-TUJUAN
STIS I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
3 O
) O
Pembangunan O
telah O
sistem O
dengan O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
waterfall I-METODE
yang O
terdiri O
dari O
analisis O
kebutuhan O
, O
desain O
sistem O
, O
implementasi O
sistem O
, O
pengujian O
sistem O
dan O
pemeliharaan. O
dilakukan O
4 O
) O
Hasil B-TEMUAN
pengujian I-TEMUAN
menggunakan I-TEMUAN
blackbox I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
seluruh I-TEMUAN
fungsi I-TEMUAN
pada I-TEMUAN
aplikasi I-TEMUAN
sudah I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
baik O
sesuai O
dengan O
harapan. O
Adapun O
hasil O
evaluasi O
menggunakan O
kuesioner O
PSSUQ O
menunjukkan O
bahwa O
kepuasan B-TEMUAN
pengguna I-TEMUAN
untuk I-TEMUAN
aspek I-TEMUAN
kegunaan I-TEMUAN
dalam I-TEMUAN
menggunakan I-TEMUAN
aplikasi I-TEMUAN
dinyatakan I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
rata- I-TEMUAN
rata I-TEMUAN
2,97. I-TEMUAN
Kemudian I-TEMUAN
untuk I-TEMUAN
aspek I-TEMUAN
kualitas I-TEMUAN
informasi I-TEMUAN
pada I-TEMUAN
aplikasi I-TEMUAN
sudah I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
2,96. I-TEMUAN
Selanjutnya O
pada O
aspek B-TEMUAN
kualitas I-TEMUAN
tampilan I-TEMUAN
antarmuka I-TEMUAN
dari I-TEMUAN
aplikasi I-TEMUAN
masih I-TEMUAN
kurang I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
3,02 I-TEMUAN
sehingga I-TEMUAN
masih I-TEMUAN
perlu I-TEMUAN
perbaikan I-TEMUAN
atau I-TEMUAN
pengembangan. I-TEMUAN
Secara B-TEMUAN
keseluruhan I-TEMUAN
aplikasi I-TEMUAN
marketplace I-TEMUAN
sudah I-TEMUAN
bisa I-TEMUAN
diterima I-TEMUAN
pengguna I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
2,98. I-TEMUAN
Adapun O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
berikutnya O
adalah O
sebagai O
berikut. O
1. O
Berdasarkan O
hasil O
evaluasi O
, O
diperlukan O
perbaikan O
atau O
pengembangan O
untuk O
tampilan O
antarmuka O
aplikasi O
agar O
lebih O
menarik O
dan O
responsif. O
2. O
Dari O
hasil O
wawancara O
identifikasi O
kebutuhan O
pengguna O
, O
masih O
ada O
beberapa O
fitur O
yang O
belum O
diterapkan O
pada O
aplikasi O
yaitu O
fitur O
grafik O
penjualan O
, O
pemberian O
diskon O
atau O
promo O
, O
iklan O
produk O
, O
lihat O
jumlah O
pengunjung O
toko O
, O
rekomendasi O
pencarian O
, O
pemberian O
voucher O
, O
transaksi O
dengan O
thirdparty. O
3. O
Dari O
hasil O
evaluasi O
juga O
terdapat O
masukan O
oleh O
responden O
, O
diantaranya O
yaitu O
menambahkan O
fitur O
ubah O
password O
, O
fitur O
lupa O
password O
, O
fitur O
tombol O
kembali O
, O
fitur O
pemilihan O
alamat O
pemesanan O
, O
fitur O
pemberian O
alasan O
pembatalan O
pemesanan O
dan O
alasan O
penolakan O
pesanan O
, O
fitur O
sort O
by O
rating O
, O
fitur O
loading O
screen O
, O
sidebar O
daftar O
kategori O
, O
subkategori O
untuk O
kategori O
dan O
fitur O
notifikasi. O
4. O
Saran O
dari O
penulis O
adalah O
mengoptimalkan O
kode O
program O
agar O
lebih O
singkat O
, O
efisien O
dan O
efektif O
serta O
strukturnya O
mudah O
untuk O
dipahami. O

Pembangunan O
Aplikasi O
Marketplace O
Untuk O
Mahasiswa O
Politeknik O
Statistika O
STIS O
Berbasis O
Web O
Ashabul O
Kahfi O
Sipahutar O
( O
221810198 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
Sulistiadi O
, O
Ph.D. O
Ringkasan—Marketplace O
adalah O
bagian O
dari O
e-commerce O
yang O
digunakan O
sebagai O
tempat O
untuk O
aktivitas O
bisnis O
dan O
transaksi O
antara O
pembeli O
dan O
penjual O
secara O
online. O
Sistem O
jual O
beli O
online O
yang O
digunakan O
mahasiswa O
Polstat O
STIS O
saat O
ini O
masih O
bisa O
diakses O
oleh O
setiap O
orang O
sehingga O
dinilai O
kurang O
terpercaya. O
Dalam O
kegiatan O
jual O
beli O
antar O
mahasiswa O
, O
kegiatan O
promosi O
dan O
pencarian O
informasi O
penjualan O
yang O
dilakukan O
saat O
ini O
hanya O
melalui O
media O
sosial O
dan O
media O
cetak O
yang O
memiliki O
beberapa O
kelemahan O
seperti O
informasi O
yang O
tidak O
tersampaikan O
ke O
seluruh O
mahasiswa O
dan O
adanya O
biaya O
untuk O
pencetakan O
sehingga O
dinilai O
kurang O
efektif O
dan O
efisien. O
Berdasarkan O
permasalahan O
tersebut O
, O
diperlukan O
pengembangan B-TUJUAN
sebuah I-TUJUAN
sistem I-TUJUAN
jual I-TUJUAN
beli I-TUJUAN
online I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
untuk I-TUJUAN
mahasiswa I-TUJUAN
Polstat I-TUJUAN
STIS I-TUJUAN
yang I-TUJUAN
terpercaya I-TUJUAN
dan I-TUJUAN
mampu I-TUJUAN
membuat I-TUJUAN
proses I-TUJUAN
promosi I-TUJUAN
dan I-TUJUAN
pencarian I-TUJUAN
informasi I-TUJUAN
tersebut I-TUJUAN
menjadi I-TUJUAN
lebih I-TUJUAN
efektif I-TUJUAN
dan I-TUJUAN
efisien. I-TUJUAN
Metode O
pengembangan O
system O
yang O
digunakan O
adalah O
SDLC B-METODE
model I-METODE
waterfall. I-METODE
Dari O
hasil O
pengujian O
dengan O
blackbox B-METODE
dan O
evaluasi O
dengan O
kuesioner B-METODE
PSSUQ I-METODE
didapatkan O
hasil O
bahwa O
sistem B-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
bisa I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci— O
Marketplace O
, O
terpercaya O
, O
promosi O
, O
informasi. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
didapat O
kesimpulan O
sebagai O
berikut. O
1 O
) O
Permasalahan O
yang O
terjadi O
pada O
kegiatan O
jual O
beli O
yang O
terjadi O
antar O
mahasiswa O
Polstat O
STIS O
terletak O
pada O
penggunaan O
sistem O
jual O
beli O
online O
yang O
kurang O
terpercaya O
serta O
proses O
promosi O
dan O
pencarian O
informasi O
penjualan O
antar O
mahasiswa O
yang O
tidak O
efektif O
dan O
tidak O
efisien. O
2 O
) O
Solusi O
yang O
ditawarkan O
untuk O
masalah O
tersebut O
yaitu O
dengan O
mengembangkan B-TUJUAN
aplikasi I-TUJUAN
marketplace I-TUJUAN
untuk I-TUJUAN
mahasiswa I-TUJUAN
Polstat I-TUJUAN
STIS I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
3 O
) O
Pembangunan O
telah O
sistem O
dengan O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
waterfall I-METODE
yang O
terdiri O
dari O
analisis O
kebutuhan O
, O
desain O
sistem O
, O
implementasi O
sistem O
, O
pengujian O
sistem O
dan O
pemeliharaan. O
dilakukan O
4 O
) O
Hasil B-TEMUAN
pengujian I-TEMUAN
menggunakan I-TEMUAN
blackbox I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
seluruh I-TEMUAN
fungsi I-TEMUAN
pada I-TEMUAN
aplikasi I-TEMUAN
sudah I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
baik O
sesuai O
dengan O
harapan. O
Adapun O
hasil O
evaluasi O
menggunakan O
kuesioner O
PSSUQ O
menunjukkan O
bahwa O
kepuasan B-TEMUAN
pengguna I-TEMUAN
untuk I-TEMUAN
aspek I-TEMUAN
kegunaan I-TEMUAN
dalam I-TEMUAN
menggunakan I-TEMUAN
aplikasi I-TEMUAN
dinyatakan I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
rata- I-TEMUAN
rata I-TEMUAN
2,97. I-TEMUAN
Kemudian I-TEMUAN
untuk I-TEMUAN
aspek I-TEMUAN
kualitas I-TEMUAN
informasi I-TEMUAN
pada I-TEMUAN
aplikasi I-TEMUAN
sudah I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
2,96. I-TEMUAN
Selanjutnya O
pada O
aspek B-TEMUAN
kualitas I-TEMUAN
tampilan I-TEMUAN
antarmuka I-TEMUAN
dari I-TEMUAN
aplikasi I-TEMUAN
masih I-TEMUAN
kurang I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
3,02 I-TEMUAN
sehingga I-TEMUAN
masih I-TEMUAN
perlu I-TEMUAN
perbaikan I-TEMUAN
atau I-TEMUAN
pengembangan. I-TEMUAN
Secara B-TEMUAN
keseluruhan I-TEMUAN
aplikasi I-TEMUAN
marketplace I-TEMUAN
sudah I-TEMUAN
bisa I-TEMUAN
diterima I-TEMUAN
pengguna I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
2,98. I-TEMUAN
Adapun O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
berikutnya O
adalah O
sebagai O
berikut. O
1. O
Berdasarkan O
hasil O
evaluasi O
, O
diperlukan O
perbaikan O
atau O
pengembangan O
untuk O
tampilan O
antarmuka O
aplikasi O
agar O
lebih O
menarik O
dan O
responsif. O
2. O
Dari O
hasil O
wawancara O
identifikasi O
kebutuhan O
pengguna O
, O
masih O
ada O
beberapa O
fitur O
yang O
belum O
diterapkan O
pada O
aplikasi O
yaitu O
fitur O
grafik O
penjualan O
, O
pemberian O
diskon O
atau O
promo O
, O
iklan O
produk O
, O
lihat O
jumlah O
pengunjung O
toko O
, O
rekomendasi O
pencarian O
, O
pemberian O
voucher O
, O
transaksi O
dengan O
thirdparty. O
3. O
Dari O
hasil O
evaluasi O
juga O
terdapat O
masukan O
oleh O
responden O
, O
diantaranya O
yaitu O
menambahkan O
fitur O
ubah O
password O
, O
fitur O
lupa O
password O
, O
fitur O
tombol O
kembali O
, O
fitur O
pemilihan O
alamat O
pemesanan O
, O
fitur O
pemberian O
alasan O
pembatalan O
pemesanan O
dan O
alasan O
penolakan O
pesanan O
, O
fitur O
sort O
by O
rating O
, O
fitur O
loading O
screen O
, O
sidebar O
daftar O
kategori O
, O
subkategori O
untuk O
kategori O
dan O
fitur O
notifikasi. O
4. O
Saran O
dari O
penulis O
adalah O
mengoptimalkan O
kode O
program O
agar O
lebih O
singkat O
, O
efisien O
dan O
efektif O
serta O
strukturnya O
mudah O
untuk O
dipahami. O

Pembangunan O
Aplikasi O
Marketplace O
Untuk O
Mahasiswa O
Politeknik O
Statistika O
STIS O
Berbasis O
Web O
Ashabul O
Kahfi O
Sipahutar O
( O
221810198 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
Sulistiadi O
, O
Ph.D. O
Ringkasan—Marketplace O
adalah O
bagian O
dari O
e-commerce O
yang O
digunakan O
sebagai O
tempat O
untuk O
aktivitas O
bisnis O
dan O
transaksi O
antara O
pembeli O
dan O
penjual O
secara O
online. O
Sistem O
jual O
beli O
online O
yang O
digunakan O
mahasiswa O
Polstat O
STIS O
saat O
ini O
masih O
bisa O
diakses O
oleh O
setiap O
orang O
sehingga O
dinilai O
kurang O
terpercaya. O
Dalam O
kegiatan O
jual O
beli O
antar O
mahasiswa O
, O
kegiatan O
promosi O
dan O
pencarian O
informasi O
penjualan O
yang O
dilakukan O
saat O
ini O
hanya O
melalui O
media O
sosial O
dan O
media O
cetak O
yang O
memiliki O
beberapa O
kelemahan O
seperti O
informasi O
yang O
tidak O
tersampaikan O
ke O
seluruh O
mahasiswa O
dan O
adanya O
biaya O
untuk O
pencetakan O
sehingga O
dinilai O
kurang O
efektif O
dan O
efisien. O
Berdasarkan O
permasalahan O
tersebut O
, O
diperlukan O
pengembangan B-TUJUAN
sebuah I-TUJUAN
sistem I-TUJUAN
jual I-TUJUAN
beli I-TUJUAN
online I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
untuk I-TUJUAN
mahasiswa I-TUJUAN
Polstat I-TUJUAN
STIS I-TUJUAN
yang I-TUJUAN
terpercaya I-TUJUAN
dan I-TUJUAN
mampu I-TUJUAN
membuat I-TUJUAN
proses I-TUJUAN
promosi I-TUJUAN
dan I-TUJUAN
pencarian I-TUJUAN
informasi I-TUJUAN
tersebut I-TUJUAN
menjadi I-TUJUAN
lebih I-TUJUAN
efektif I-TUJUAN
dan I-TUJUAN
efisien. I-TUJUAN
Metode O
pengembangan O
system O
yang O
digunakan O
adalah O
SDLC B-METODE
model I-METODE
waterfall. I-METODE
Dari O
hasil O
pengujian O
dengan O
blackbox B-METODE
dan O
evaluasi O
dengan O
kuesioner B-METODE
PSSUQ I-METODE
didapatkan O
hasil O
bahwa O
sistem B-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
bisa I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci— O
Marketplace O
, O
terpercaya O
, O
promosi O
, O
informasi. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
didapat O
kesimpulan O
sebagai O
berikut. O
1 O
) O
Permasalahan O
yang O
terjadi O
pada O
kegiatan O
jual O
beli O
yang O
terjadi O
antar O
mahasiswa O
Polstat O
STIS O
terletak O
pada O
penggunaan O
sistem O
jual O
beli O
online O
yang O
kurang O
terpercaya O
serta O
proses O
promosi O
dan O
pencarian O
informasi O
penjualan O
antar O
mahasiswa O
yang O
tidak O
efektif O
dan O
tidak O
efisien. O
2 O
) O
Solusi O
yang O
ditawarkan O
untuk O
masalah O
tersebut O
yaitu O
dengan O
mengembangkan B-TUJUAN
aplikasi I-TUJUAN
marketplace I-TUJUAN
untuk I-TUJUAN
mahasiswa I-TUJUAN
Polstat I-TUJUAN
STIS I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
3 O
) O
Pembangunan O
telah O
sistem O
dengan O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
waterfall I-METODE
yang O
terdiri O
dari O
analisis O
kebutuhan O
, O
desain O
sistem O
, O
implementasi O
sistem O
, O
pengujian O
sistem O
dan O
pemeliharaan. O
dilakukan O
4 O
) O
Hasil B-TEMUAN
pengujian I-TEMUAN
menggunakan I-TEMUAN
blackbox I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
seluruh I-TEMUAN
fungsi I-TEMUAN
pada I-TEMUAN
aplikasi I-TEMUAN
sudah I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
baik O
sesuai O
dengan O
harapan. O
Adapun O
hasil O
evaluasi O
menggunakan O
kuesioner O
PSSUQ O
menunjukkan O
bahwa O
kepuasan B-TEMUAN
pengguna I-TEMUAN
untuk I-TEMUAN
aspek I-TEMUAN
kegunaan I-TEMUAN
dalam I-TEMUAN
menggunakan I-TEMUAN
aplikasi I-TEMUAN
dinyatakan I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
rata- I-TEMUAN
rata I-TEMUAN
2,97. I-TEMUAN
Kemudian I-TEMUAN
untuk I-TEMUAN
aspek I-TEMUAN
kualitas I-TEMUAN
informasi I-TEMUAN
pada I-TEMUAN
aplikasi I-TEMUAN
sudah I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
2,96. I-TEMUAN
Selanjutnya O
pada O
aspek B-TEMUAN
kualitas I-TEMUAN
tampilan I-TEMUAN
antarmuka I-TEMUAN
dari I-TEMUAN
aplikasi I-TEMUAN
masih I-TEMUAN
kurang I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
3,02 I-TEMUAN
sehingga I-TEMUAN
masih I-TEMUAN
perlu I-TEMUAN
perbaikan I-TEMUAN
atau I-TEMUAN
pengembangan. I-TEMUAN
Secara B-TEMUAN
keseluruhan I-TEMUAN
aplikasi I-TEMUAN
marketplace I-TEMUAN
sudah I-TEMUAN
bisa I-TEMUAN
diterima I-TEMUAN
pengguna I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
2,98. I-TEMUAN
Adapun O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
berikutnya O
adalah O
sebagai O
berikut. O
1. O
Berdasarkan O
hasil O
evaluasi O
, O
diperlukan O
perbaikan O
atau O
pengembangan O
untuk O
tampilan O
antarmuka O
aplikasi O
agar O
lebih O
menarik O
dan O
responsif. O
2. O
Dari O
hasil O
wawancara O
identifikasi O
kebutuhan O
pengguna O
, O
masih O
ada O
beberapa O
fitur O
yang O
belum O
diterapkan O
pada O
aplikasi O
yaitu O
fitur O
grafik O
penjualan O
, O
pemberian O
diskon O
atau O
promo O
, O
iklan O
produk O
, O
lihat O
jumlah O
pengunjung O
toko O
, O
rekomendasi O
pencarian O
, O
pemberian O
voucher O
, O
transaksi O
dengan O
thirdparty. O
3. O
Dari O
hasil O
evaluasi O
juga O
terdapat O
masukan O
oleh O
responden O
, O
diantaranya O
yaitu O
menambahkan O
fitur O
ubah O
password O
, O
fitur O
lupa O
password O
, O
fitur O
tombol O
kembali O
, O
fitur O
pemilihan O
alamat O
pemesanan O
, O
fitur O
pemberian O
alasan O
pembatalan O
pemesanan O
dan O
alasan O
penolakan O
pesanan O
, O
fitur O
sort O
by O
rating O
, O
fitur O
loading O
screen O
, O
sidebar O
daftar O
kategori O
, O
subkategori O
untuk O
kategori O
dan O
fitur O
notifikasi. O
4. O
Saran O
dari O
penulis O
adalah O
mengoptimalkan O
kode O
program O
agar O
lebih O
singkat O
, O
efisien O
dan O
efektif O
serta O
strukturnya O
mudah O
untuk O
dipahami. O

Pengembangan O
Sistem O
Informasi O
Manajemen O
Sarana O
dan O
Prasarana O
pada O
Bagian O
Rumah O
Tangga O
Biro O
Umum O
BPS O
RI O
dengan O
Teknologi O
Progressive O
Web O
Apps O
( O
PWA O
) O
Ariq O
Rizaldi O
Fadhlurrahman O
( O
221810196 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph.D. O
rekapitulasi O
Ringkasan— O
Bagian O
Rumah O
Tangga O
menurut O
Peraturan O
BPS O
Nomor O
7 O
Tahun O
2020 O
tentang O
Organisasi O
dan O
Tata O
Kerja O
BPS O
pada O
Pasal O
26 O
mempunyai O
tugas O
melaksanakan O
urusan O
dalam O
, O
pemeliharaan O
kantor O
, O
pemeliharaan O
perlengkapan O
, O
keamanan O
, O
dan O
ketertiban. O
Namun O
, O
dalam O
pelaksanaannya O
terdapat O
beberapa O
permasalahan O
yang O
terjadi O
, O
seperti O
pengajuan O
laporan O
kerusakan O
masih O
dengan O
metode O
konvensional O
, O
sehingga O
pengguna O
tidak O
dapat O
mengetahui O
status O
progress O
dan O
proses O
pencatatan O
serta O
yang O
masih O
menggunakan O
Microsoft O
Excel. O
Untuk O
mengatasi O
masalah O
tersebut O
, O
dalam O
penelitian O
ini O
akan O
dikembangkan B-TUJUAN
sebuah I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
manajemen I-TUJUAN
sarana I-TUJUAN
dan I-TUJUAN
prasarana I-TUJUAN
dengan I-TUJUAN
teknologi I-TUJUAN
Progressive I-TUJUAN
Web I-TUJUAN
Apps I-TUJUAN
( I-TUJUAN
PWA I-TUJUAN
) I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
menyelesaikan I-TUJUAN
permasalahan I-TUJUAN
pada I-TUJUAN
bagian I-TUJUAN
Rumah I-TUJUAN
Tangga I-TUJUAN
Biro I-TUJUAN
Umum I-TUJUAN
BPS I-TUJUAN
RI. I-TUJUAN
Metode O
pengembangan O
sistem O
yang O
digunakan O
adalah O
action O
research O
dengan O
pendekatan O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
dengan I-METODE
model I-METODE
prototype. I-METODE
Pada O
penelitian O
ini O
telah O
dilakukan O
implementasi O
menggunakan O
framework O
Java O
Spring O
Boot O
versi O
2.7 O
dan O
framework O
Vue O
JS O
versi O
3.0. O
Untuk O
metode O
pengujian O
yang O
akan O
digunakan O
adalah O
metode B-METODE
Blackbox I-METODE
testing I-METODE
dan O
Questionnaire B-METODE
for I-METODE
User I-METODE
Interaction I-METODE
Satisfaction I-METODE
( I-METODE
QUIS I-METODE
) I-METODE
. O
Pada O
pengujian B-TEMUAN
metode I-TEMUAN
Blackbox I-TEMUAN
testing I-TEMUAN
hasil I-TEMUAN
fungsi I-TEMUAN
sudah I-TEMUAN
sesuai I-TEMUAN
harapan I-TEMUAN
dan I-TEMUAN
untuk I-TEMUAN
hasil I-TEMUAN
QUIS I-TEMUAN
mendapat I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
7,1 I-TEMUAN
yang I-TEMUAN
artinya I-TEMUAN
pengguna I-TEMUAN
cukup I-TEMUAN
puas I-TEMUAN
terhadap I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dikembangkan. I-TEMUAN
Kata O
Kunci— O
Sistem O
Informasi O
, O
Sarana O
dan O
Prasarana O
, O
Progressive O
Web O
Apps O
, O
Prototype O
[SEP] O
Nilai O
( O
4 O
) O
6,8 O
7,6 O
6,9 O
7,2 O
7,2 O
7 O
7,1 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
2 O
] O
A. O
Setiawan O
, O
D.S. O
Rusdianto O
, O
dan O
A.P. O
Kharisma O
, O
“Pengembangan O
Sistem O
Pelaporan O
Gangguan O
Berbasis O
Web O
dengan O
menggunakan O
Teknologi O
Progressive O
Web O
Application O
( O
Studi O
Kasus O
: O
Unit O
IT O
PT. O
Kereta O
Api O
Indonesia O
Daerah O
Operasi O
III O
Cirebon O
) O
, O
” O
Jurnal O
Pengembangan O
Teknologi O
Informasi O
dan O
Ilmu O
Komputer O
, O
voI. O
3 O
, O
no. O
5 O
, O
pp. O
4194-4203 O
, O
Mei O
2019. O
[ O
3 O
] O
D. O
Firdausy O
, O
S. O
Wicaksono O
, O
dan O
F. O
Pradana O
, O
“Pengembangan O
Sistem O
Informasi O
Manajemen O
Pelaporan O
Sarana O
dan O
Prasarana O
Studi O
pada O
Fakultas O
Ilmu O
Komputer O
Universitas O
Brawijaya.” O
Jurnal O
Pengembangan O
Teknologi O
Informasi O
dan O
Ilmu O
Komputer O
, O
vol. O
2 O
, O
no. O
11 O
, O
pp. O
5365-5374 O
, O
Juli O
2018. O
[ O
4 O
] O
R.W. O
Sari O
, O
W. O
Handiwidjojo O
, O
dan O
L. O
Ernawati O
, O
“Sistem O
Informasi O
Pelaporan O
dan O
Penanganan O
Kerusakan O
Fasilitas O
Kelas O
Studi O
Kasus O
: O
Universitas O
Kristen O
Duta O
Wacana O
, O
” O
Jurnal O
Terapan O
Teknologi O
Informasi O
( O
JUTEI O
) O
, O
vol. O
3 O
, O
no. O
2 O
, O
pp. O
137–146 O
, O
Juli O
2021. O
[ O
5 O
] O
G. O
Gurung O
, O
R. O
Shah O
, O
dan O
D.P. O
Jaiswal O
, O
" O
Software O
Development O
Life O
Cycle O
Models-A O
Comparative O
Study O
, O
" O
International O
Journal O
of O
Scientific O
Research O
in O
Computer O
Science O
, O
Engineering O
and O
Information O
Technology O
( O
IJSRCSEIT O
) O
, O
vol. O
6 O
Issue O
4 O
, O
pp. O
30-37 O
, O
Agustus O
2020. O
[ O
6 O
] O
Syarif O
, O
M. O
Pengembangan O
Sistem O
Informasi O
Manajemen O
Bagian O
Rumah O
Tangga O
BPS O
RI O
[ O
Skripsi O
] O
. O
Politeknik O
Statistika O
STIS O
, O
2019 O
[ O
7 O
] O
R. O
S. O
Pressman O
, O
Software O
Engineering O
: O
A O
Practitioner’s O
Aproach O
( O
7th O
ed. O
) O
. O
McGraw-Hill O
, O
2010 O
analisis O
1. O
Berdasarkan O
dilakukan O
mulai O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
selama O
ini O
, O
dapat O
diambil O
beberapa O
kesimpulan O
sementara O
sebagai O
berikut. O
dari O
yang O
pelaporan O
kerusakan O
, O
permintaaan O
peminjaman O
dan O
servis O
kendaraan O
serta O
arus O
stok O
barang O
di O
gudang O
terdapat O
permasalahan O
pada O
metode O
dan O
proses O
bisnis O
yang O
saat O
ini O
dilakukan O
dimana O
kurang O
efisiennya O
proses O
yang O
ada O
saat O
ini O
dalam O
pemantauan O
dan O
pemeliharaan O
serta O
proses O
pencatatan O
dan O
perekapan O
pada O
bagian O
Rumah O
Tangga O
Biro O
Umum O
BPS O
RI O
. O
2. O
Telah O
dikembangkan O
sistem O
informasi O
manajemen O
sarana O
dan O
prasarana O
berbasis O
PWA O
dalam O
tujuan O
menjadi O
solusi O
dari O
permasalahan O
yang O
ada. O
3. O
Hasil B-TEMUAN
evaluasi I-TEMUAN
sistem I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
black-box I-TEMUAN
testing I-TEMUAN
dan I-TEMUAN
QUIS. I-TEMUAN
Hasil I-TEMUAN
pengujian I-TEMUAN
dengan I-TEMUAN
black-box I-TEMUAN
testing I-TEMUAN
telah I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
sesuai I-TEMUAN
hasil I-TEMUAN
QUIS I-TEMUAN
menyatakan I-TEMUAN
dengan I-TEMUAN
pengguna I-TEMUAN
telah I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
pada I-TEMUAN
dikembangkan I-TEMUAN
dalam I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
7,1. I-TEMUAN
keinginan O
cukup O
serta O
puas O
Saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
serta O
pengembangan O
aplikasi O
selanjutnya O
yaitu O
sebagai O
berikut. O
1. O
Berdasarkan O
hasil O
QUIS O
, O
masih O
terdapat O
hal O
yang O
perlu O
ditingkatkan O
khususnya O
pada O
bagian O
terminologi O
dan O
sistem O
informasi. O
2. O
Sistem O
yang O
telah O
menggunakan O
teknologi O
PWA O
dapat O
dikembangkan O
lagi O
dengan O
session O
login O
yang O
disimpan O
pada O
service O
worker O
agar O
sistem O
dapat O
berjalan O
semakin O
cepat O
walau O
dalam O
keadaan O
offline. O
3. O
Menambahkan O
fitur O
chat O
agar O
pengguna O
semakin O
mudah O
dalam O
berinteraksi O
dengan O
bagian O
Rumah O
Tangga O
sehingga O
meningkatkan O
kualitas O
layanan O
yang O
tersedia. O

Pengembangan O
Sistem O
Informasi O
Manajemen O
Sarana O
dan O
Prasarana O
pada O
Bagian O
Rumah O
Tangga O
Biro O
Umum O
BPS O
RI O
dengan O
Teknologi O
Progressive O
Web O
Apps O
( O
PWA O
) O
Ariq O
Rizaldi O
Fadhlurrahman O
( O
221810196 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph.D. O
rekapitulasi O
Ringkasan— O
Bagian O
Rumah O
Tangga O
menurut O
Peraturan O
BPS O
Nomor O
7 O
Tahun O
2020 O
tentang O
Organisasi O
dan O
Tata O
Kerja O
BPS O
pada O
Pasal O
26 O
mempunyai O
tugas O
melaksanakan O
urusan O
dalam O
, O
pemeliharaan O
kantor O
, O
pemeliharaan O
perlengkapan O
, O
keamanan O
, O
dan O
ketertiban. O
Namun O
, O
dalam O
pelaksanaannya O
terdapat O
beberapa O
permasalahan O
yang O
terjadi O
, O
seperti O
pengajuan O
laporan O
kerusakan O
masih O
dengan O
metode O
konvensional O
, O
sehingga O
pengguna O
tidak O
dapat O
mengetahui O
status O
progress O
dan O
proses O
pencatatan O
serta O
yang O
masih O
menggunakan O
Microsoft O
Excel. O
Untuk O
mengatasi O
masalah O
tersebut O
, O
dalam O
penelitian O
ini O
akan O
dikembangkan B-TUJUAN
sebuah I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
manajemen I-TUJUAN
sarana I-TUJUAN
dan I-TUJUAN
prasarana I-TUJUAN
dengan I-TUJUAN
teknologi I-TUJUAN
Progressive I-TUJUAN
Web I-TUJUAN
Apps I-TUJUAN
( I-TUJUAN
PWA I-TUJUAN
) I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
menyelesaikan I-TUJUAN
permasalahan I-TUJUAN
pada I-TUJUAN
bagian I-TUJUAN
Rumah I-TUJUAN
Tangga I-TUJUAN
Biro I-TUJUAN
Umum I-TUJUAN
BPS I-TUJUAN
RI. I-TUJUAN
Metode O
pengembangan O
sistem O
yang O
digunakan O
adalah O
action O
research O
dengan O
pendekatan O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
dengan I-METODE
model I-METODE
prototype. I-METODE
Pada O
penelitian O
ini O
telah O
dilakukan O
implementasi O
menggunakan O
framework O
Java O
Spring O
Boot O
versi O
2.7 O
dan O
framework O
Vue O
JS O
versi O
3.0. O
Untuk O
metode O
pengujian O
yang O
akan O
digunakan O
adalah O
metode B-METODE
Blackbox I-METODE
testing I-METODE
dan O
Questionnaire B-METODE
for I-METODE
User I-METODE
Interaction I-METODE
Satisfaction I-METODE
( I-METODE
QUIS I-METODE
) I-METODE
. O
Pada O
pengujian B-TEMUAN
metode I-TEMUAN
Blackbox I-TEMUAN
testing I-TEMUAN
hasil I-TEMUAN
fungsi I-TEMUAN
sudah I-TEMUAN
sesuai I-TEMUAN
harapan I-TEMUAN
dan I-TEMUAN
untuk I-TEMUAN
hasil I-TEMUAN
QUIS I-TEMUAN
mendapat I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
7,1 I-TEMUAN
yang I-TEMUAN
artinya I-TEMUAN
pengguna I-TEMUAN
cukup I-TEMUAN
puas I-TEMUAN
terhadap I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dikembangkan. I-TEMUAN
Kata O
Kunci— O
Sistem O
Informasi O
, O
Sarana O
dan O
Prasarana O
, O
Progressive O
Web O
Apps O
, O
Prototype O
[SEP] O
Nilai O
( O
4 O
) O
6,8 O
7,6 O
6,9 O
7,2 O
7,2 O
7 O
7,1 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
2 O
] O
A. O
Setiawan O
, O
D.S. O
Rusdianto O
, O
dan O
A.P. O
Kharisma O
, O
“Pengembangan O
Sistem O
Pelaporan O
Gangguan O
Berbasis O
Web O
dengan O
menggunakan O
Teknologi O
Progressive O
Web O
Application O
( O
Studi O
Kasus O
: O
Unit O
IT O
PT. O
Kereta O
Api O
Indonesia O
Daerah O
Operasi O
III O
Cirebon O
) O
, O
” O
Jurnal O
Pengembangan O
Teknologi O
Informasi O
dan O
Ilmu O
Komputer O
, O
voI. O
3 O
, O
no. O
5 O
, O
pp. O
4194-4203 O
, O
Mei O
2019. O
[ O
3 O
] O
D. O
Firdausy O
, O
S. O
Wicaksono O
, O
dan O
F. O
Pradana O
, O
“Pengembangan O
Sistem O
Informasi O
Manajemen O
Pelaporan O
Sarana O
dan O
Prasarana O
Studi O
pada O
Fakultas O
Ilmu O
Komputer O
Universitas O
Brawijaya.” O
Jurnal O
Pengembangan O
Teknologi O
Informasi O
dan O
Ilmu O
Komputer O
, O
vol. O
2 O
, O
no. O
11 O
, O
pp. O
5365-5374 O
, O
Juli O
2018. O
[ O
4 O
] O
R.W. O
Sari O
, O
W. O
Handiwidjojo O
, O
dan O
L. O
Ernawati O
, O
“Sistem O
Informasi O
Pelaporan O
dan O
Penanganan O
Kerusakan O
Fasilitas O
Kelas O
Studi O
Kasus O
: O
Universitas O
Kristen O
Duta O
Wacana O
, O
” O
Jurnal O
Terapan O
Teknologi O
Informasi O
( O
JUTEI O
) O
, O
vol. O
3 O
, O
no. O
2 O
, O
pp. O
137–146 O
, O
Juli O
2021. O
[ O
5 O
] O
G. O
Gurung O
, O
R. O
Shah O
, O
dan O
D.P. O
Jaiswal O
, O
" O
Software O
Development O
Life O
Cycle O
Models-A O
Comparative O
Study O
, O
" O
International O
Journal O
of O
Scientific O
Research O
in O
Computer O
Science O
, O
Engineering O
and O
Information O
Technology O
( O
IJSRCSEIT O
) O
, O
vol. O
6 O
Issue O
4 O
, O
pp. O
30-37 O
, O
Agustus O
2020. O
[ O
6 O
] O
Syarif O
, O
M. O
Pengembangan O
Sistem O
Informasi O
Manajemen O
Bagian O
Rumah O
Tangga O
BPS O
RI O
[ O
Skripsi O
] O
. O
Politeknik O
Statistika O
STIS O
, O
2019 O
[ O
7 O
] O
R. O
S. O
Pressman O
, O
Software O
Engineering O
: O
A O
Practitioner’s O
Aproach O
( O
7th O
ed. O
) O
. O
McGraw-Hill O
, O
2010 O
analisis O
1. O
Berdasarkan O
dilakukan O
mulai O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
selama O
ini O
, O
dapat O
diambil O
beberapa O
kesimpulan O
sementara O
sebagai O
berikut. O
dari O
yang O
pelaporan O
kerusakan O
, O
permintaaan O
peminjaman O
dan O
servis O
kendaraan O
serta O
arus O
stok O
barang O
di O
gudang O
terdapat O
permasalahan O
pada O
metode O
dan O
proses O
bisnis O
yang O
saat O
ini O
dilakukan O
dimana O
kurang O
efisiennya O
proses O
yang O
ada O
saat O
ini O
dalam O
pemantauan O
dan O
pemeliharaan O
serta O
proses O
pencatatan O
dan O
perekapan O
pada O
bagian O
Rumah O
Tangga O
Biro O
Umum O
BPS O
RI O
. O
2. O
Telah O
dikembangkan O
sistem O
informasi O
manajemen O
sarana O
dan O
prasarana O
berbasis O
PWA O
dalam O
tujuan O
menjadi O
solusi O
dari O
permasalahan O
yang O
ada. O
3. O
Hasil B-TEMUAN
evaluasi I-TEMUAN
sistem I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
black-box I-TEMUAN
testing I-TEMUAN
dan I-TEMUAN
QUIS. I-TEMUAN
Hasil I-TEMUAN
pengujian I-TEMUAN
dengan I-TEMUAN
black-box I-TEMUAN
testing I-TEMUAN
telah I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
sesuai I-TEMUAN
hasil I-TEMUAN
QUIS I-TEMUAN
menyatakan I-TEMUAN
dengan I-TEMUAN
pengguna I-TEMUAN
telah I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
pada I-TEMUAN
dikembangkan I-TEMUAN
dalam I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
7,1. I-TEMUAN
keinginan O
cukup O
serta O
puas O
Saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
serta O
pengembangan O
aplikasi O
selanjutnya O
yaitu O
sebagai O
berikut. O
1. O
Berdasarkan O
hasil O
QUIS O
, O
masih O
terdapat O
hal O
yang O
perlu O
ditingkatkan O
khususnya O
pada O
bagian O
terminologi O
dan O
sistem O
informasi. O
2. O
Sistem O
yang O
telah O
menggunakan O
teknologi O
PWA O
dapat O
dikembangkan O
lagi O
dengan O
session O
login O
yang O
disimpan O
pada O
service O
worker O
agar O
sistem O
dapat O
berjalan O
semakin O
cepat O
walau O
dalam O
keadaan O
offline. O
3. O
Menambahkan O
fitur O
chat O
agar O
pengguna O
semakin O
mudah O
dalam O
berinteraksi O
dengan O
bagian O
Rumah O
Tangga O
sehingga O
meningkatkan O
kualitas O
layanan O
yang O
tersedia. O

Pengembangan O
Sistem O
Informasi O
Manajemen O
Sarana O
dan O
Prasarana O
pada O
Bagian O
Rumah O
Tangga O
Biro O
Umum O
BPS O
RI O
dengan O
Teknologi O
Progressive O
Web O
Apps O
( O
PWA O
) O
Ariq O
Rizaldi O
Fadhlurrahman O
( O
221810196 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph.D. O
rekapitulasi O
Ringkasan— O
Bagian O
Rumah O
Tangga O
menurut O
Peraturan O
BPS O
Nomor O
7 O
Tahun O
2020 O
tentang O
Organisasi O
dan O
Tata O
Kerja O
BPS O
pada O
Pasal O
26 O
mempunyai O
tugas O
melaksanakan O
urusan O
dalam O
, O
pemeliharaan O
kantor O
, O
pemeliharaan O
perlengkapan O
, O
keamanan O
, O
dan O
ketertiban. O
Namun O
, O
dalam O
pelaksanaannya O
terdapat O
beberapa O
permasalahan O
yang O
terjadi O
, O
seperti O
pengajuan O
laporan O
kerusakan O
masih O
dengan O
metode O
konvensional O
, O
sehingga O
pengguna O
tidak O
dapat O
mengetahui O
status O
progress O
dan O
proses O
pencatatan O
serta O
yang O
masih O
menggunakan O
Microsoft O
Excel. O
Untuk O
mengatasi O
masalah O
tersebut O
, O
dalam O
penelitian O
ini O
akan O
dikembangkan B-TUJUAN
sebuah I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
manajemen I-TUJUAN
sarana I-TUJUAN
dan I-TUJUAN
prasarana I-TUJUAN
dengan I-TUJUAN
teknologi I-TUJUAN
Progressive I-TUJUAN
Web I-TUJUAN
Apps I-TUJUAN
( I-TUJUAN
PWA I-TUJUAN
) I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
menyelesaikan I-TUJUAN
permasalahan I-TUJUAN
pada I-TUJUAN
bagian I-TUJUAN
Rumah I-TUJUAN
Tangga I-TUJUAN
Biro I-TUJUAN
Umum I-TUJUAN
BPS I-TUJUAN
RI. I-TUJUAN
Metode O
pengembangan O
sistem O
yang O
digunakan O
adalah O
action O
research O
dengan O
pendekatan O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
dengan I-METODE
model I-METODE
prototype. I-METODE
Pada O
penelitian O
ini O
telah O
dilakukan O
implementasi O
menggunakan O
framework O
Java O
Spring O
Boot O
versi O
2.7 O
dan O
framework O
Vue O
JS O
versi O
3.0. O
Untuk O
metode O
pengujian O
yang O
akan O
digunakan O
adalah O
metode B-METODE
Blackbox I-METODE
testing I-METODE
dan O
Questionnaire B-METODE
for I-METODE
User I-METODE
Interaction I-METODE
Satisfaction I-METODE
( I-METODE
QUIS I-METODE
) I-METODE
. O
Pada O
pengujian B-TEMUAN
metode I-TEMUAN
Blackbox I-TEMUAN
testing I-TEMUAN
hasil I-TEMUAN
fungsi I-TEMUAN
sudah I-TEMUAN
sesuai I-TEMUAN
harapan I-TEMUAN
dan I-TEMUAN
untuk I-TEMUAN
hasil I-TEMUAN
QUIS I-TEMUAN
mendapat I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
7,1 I-TEMUAN
yang I-TEMUAN
artinya I-TEMUAN
pengguna I-TEMUAN
cukup I-TEMUAN
puas I-TEMUAN
terhadap I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dikembangkan. I-TEMUAN
Kata O
Kunci— O
Sistem O
Informasi O
, O
Sarana O
dan O
Prasarana O
, O
Progressive O
Web O
Apps O
, O
Prototype O
[SEP] O
Nilai O
( O
4 O
) O
6,8 O
7,6 O
6,9 O
7,2 O
7,2 O
7 O
7,1 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
2 O
] O
A. O
Setiawan O
, O
D.S. O
Rusdianto O
, O
dan O
A.P. O
Kharisma O
, O
“Pengembangan O
Sistem O
Pelaporan O
Gangguan O
Berbasis O
Web O
dengan O
menggunakan O
Teknologi O
Progressive O
Web O
Application O
( O
Studi O
Kasus O
: O
Unit O
IT O
PT. O
Kereta O
Api O
Indonesia O
Daerah O
Operasi O
III O
Cirebon O
) O
, O
” O
Jurnal O
Pengembangan O
Teknologi O
Informasi O
dan O
Ilmu O
Komputer O
, O
voI. O
3 O
, O
no. O
5 O
, O
pp. O
4194-4203 O
, O
Mei O
2019. O
[ O
3 O
] O
D. O
Firdausy O
, O
S. O
Wicaksono O
, O
dan O
F. O
Pradana O
, O
“Pengembangan O
Sistem O
Informasi O
Manajemen O
Pelaporan O
Sarana O
dan O
Prasarana O
Studi O
pada O
Fakultas O
Ilmu O
Komputer O
Universitas O
Brawijaya.” O
Jurnal O
Pengembangan O
Teknologi O
Informasi O
dan O
Ilmu O
Komputer O
, O
vol. O
2 O
, O
no. O
11 O
, O
pp. O
5365-5374 O
, O
Juli O
2018. O
[ O
4 O
] O
R.W. O
Sari O
, O
W. O
Handiwidjojo O
, O
dan O
L. O
Ernawati O
, O
“Sistem O
Informasi O
Pelaporan O
dan O
Penanganan O
Kerusakan O
Fasilitas O
Kelas O
Studi O
Kasus O
: O
Universitas O
Kristen O
Duta O
Wacana O
, O
” O
Jurnal O
Terapan O
Teknologi O
Informasi O
( O
JUTEI O
) O
, O
vol. O
3 O
, O
no. O
2 O
, O
pp. O
137–146 O
, O
Juli O
2021. O
[ O
5 O
] O
G. O
Gurung O
, O
R. O
Shah O
, O
dan O
D.P. O
Jaiswal O
, O
" O
Software O
Development O
Life O
Cycle O
Models-A O
Comparative O
Study O
, O
" O
International O
Journal O
of O
Scientific O
Research O
in O
Computer O
Science O
, O
Engineering O
and O
Information O
Technology O
( O
IJSRCSEIT O
) O
, O
vol. O
6 O
Issue O
4 O
, O
pp. O
30-37 O
, O
Agustus O
2020. O
[ O
6 O
] O
Syarif O
, O
M. O
Pengembangan O
Sistem O
Informasi O
Manajemen O
Bagian O
Rumah O
Tangga O
BPS O
RI O
[ O
Skripsi O
] O
. O
Politeknik O
Statistika O
STIS O
, O
2019 O
[ O
7 O
] O
R. O
S. O
Pressman O
, O
Software O
Engineering O
: O
A O
Practitioner’s O
Aproach O
( O
7th O
ed. O
) O
. O
McGraw-Hill O
, O
2010 O
analisis O
1. O
Berdasarkan O
dilakukan O
mulai O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
selama O
ini O
, O
dapat O
diambil O
beberapa O
kesimpulan O
sementara O
sebagai O
berikut. O
dari O
yang O
pelaporan O
kerusakan O
, O
permintaaan O
peminjaman O
dan O
servis O
kendaraan O
serta O
arus O
stok O
barang O
di O
gudang O
terdapat O
permasalahan O
pada O
metode O
dan O
proses O
bisnis O
yang O
saat O
ini O
dilakukan O
dimana O
kurang O
efisiennya O
proses O
yang O
ada O
saat O
ini O
dalam O
pemantauan O
dan O
pemeliharaan O
serta O
proses O
pencatatan O
dan O
perekapan O
pada O
bagian O
Rumah O
Tangga O
Biro O
Umum O
BPS O
RI O
. O
2. O
Telah O
dikembangkan O
sistem O
informasi O
manajemen O
sarana O
dan O
prasarana O
berbasis O
PWA O
dalam O
tujuan O
menjadi O
solusi O
dari O
permasalahan O
yang O
ada. O
3. O
Hasil B-TEMUAN
evaluasi I-TEMUAN
sistem I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
black-box I-TEMUAN
testing I-TEMUAN
dan I-TEMUAN
QUIS. I-TEMUAN
Hasil I-TEMUAN
pengujian I-TEMUAN
dengan I-TEMUAN
black-box I-TEMUAN
testing I-TEMUAN
telah I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
sesuai I-TEMUAN
hasil I-TEMUAN
QUIS I-TEMUAN
menyatakan I-TEMUAN
dengan I-TEMUAN
pengguna I-TEMUAN
telah I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
pada I-TEMUAN
dikembangkan I-TEMUAN
dalam I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
7,1. I-TEMUAN
keinginan O
cukup O
serta O
puas O
Saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
serta O
pengembangan O
aplikasi O
selanjutnya O
yaitu O
sebagai O
berikut. O
1. O
Berdasarkan O
hasil O
QUIS O
, O
masih O
terdapat O
hal O
yang O
perlu O
ditingkatkan O
khususnya O
pada O
bagian O
terminologi O
dan O
sistem O
informasi. O
2. O
Sistem O
yang O
telah O
menggunakan O
teknologi O
PWA O
dapat O
dikembangkan O
lagi O
dengan O
session O
login O
yang O
disimpan O
pada O
service O
worker O
agar O
sistem O
dapat O
berjalan O
semakin O
cepat O
walau O
dalam O
keadaan O
offline. O
3. O
Menambahkan O
fitur O
chat O
agar O
pengguna O
semakin O
mudah O
dalam O
berinteraksi O
dengan O
bagian O
Rumah O
Tangga O
sehingga O
meningkatkan O
kualitas O
layanan O
yang O
tersedia. O

Pembangunan O
R O
Package O
Untuk O
Model O
Spatial O
Fay- O
Herriot O
dengan O
Pendekatan O
Hierarchical O
Bayes O
Studi O
Kasus O
: O
Persentase O
Penduduk O
yang O
Mengalami O
Keluhan O
Kesehatan O
di O
Provinsi O
Papua O
dan O
Papua O
Barat O
Tahun O
2021 O
Arina O
Mana O
Sikana O
( O
221810195 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Azka O
Ubaidillah O
, O
SST O
, O
M.Si O
Ringkasan— O
Dalam O
Small O
Area O
Estimation O
, O
pengaruh O
acak O
dari O
area O
kecil O
yang O
berdekatan O
secara O
geografis O
dimungkinkan O
untuk O
menunjukkan O
pola O
spasial. O
Salah O
satu O
contohnya O
adalah O
pada O
penyebaran O
penyakit. O
Dalam O
kondisi O
tersebut O
, O
model O
spasial O
dipertimbangkan O
sebagai O
alternatif O
dari O
Fay-Herriot O
Model O
yang O
mengasumsikan O
pengaruh O
acak O
area O
yang O
independen. O
Spatial O
Fay-Herriot O
Model O
diketahui O
dapat O
menghasilkan O
penduga O
yang O
lebih O
presisi O
pada O
saat O
terdapat O
autokorelasi O
spasial O
pada O
pengaruh O
acak O
area. O
Salah O
satu O
model O
spasial O
yang O
menghasilkan O
penduga O
yang O
lebih O
presisi O
pada O
Small B-METODE
Area I-METODE
Estimation I-METODE
adalah O
model O
( O
SAR O
) O
. O
Pendekatan O
Hierarchical O
Bayes O
pada O
Small O
Area O
Estimation O
sangat O
berguna O
pada O
model O
yang O
kompleks O
dan O
memungkinkan O
untuk O
pengembangan O
distribusi O
selain O
distribusi O
Normal. O
Selain O
itu O
, O
adanya O
suatu O
aplikasi O
statistik O
akan O
mempermudah O
pengguna O
untuk O
melakukan O
analisis. O
Penelitian O
ini O
dilakukan O
untuk O
membangun B-TUJUAN
R I-TUJUAN
Package I-TUJUAN
pada I-TUJUAN
Spatial I-TUJUAN
Fay-Herriot I-TUJUAN
Model I-TUJUAN
dengan I-TUJUAN
pendekatan I-TUJUAN
Hierarchical I-TUJUAN
Bayes. I-TUJUAN
R B-TEMUAN
Package I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
diberi I-TEMUAN
nama I-TEMUAN
‘saeHB.spatial’ I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diakses I-TEMUAN
pada I-TEMUAN
https I-TEMUAN
: I-TEMUAN
/ I-TEMUAN
/ I-TEMUAN
cran.r- I-TEMUAN
project.org I-TEMUAN
/ I-TEMUAN
package=saeHB.spatial. I-TEMUAN
R O
Package O
yang O
dibangun O
telah O
dilakukan O
uji B-METODE
validitas I-METODE
dan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
, O
serta O
diterapkan O
pada O
data O
studi O
kasus. O
Simultaneous O
Autoregressive O
Kata O
Kunci— O
Small O
Area O
Estimation O
, O
Simultaneous O
Autoregressive O
, O
Spatial O
Fay-Herriot O
, O
Hierarchical O
Bayes O
, O
R O
Package. O
[SEP] O
A. O
Kesimpulan O
Pendugaan O
secara O
tidak O
langsung O
dengan O
memanfaatkan O
suatu O
variabel O
penyerta O
melalui O
sebuah O
model O
merupakan O
teknik O
pendugaan O
karakteristik O
area O
kecil O
yang O
dapat O
mengatasi O
permasalahan O
ukuran O
sampel O
area O
kecil O
yang O
tidak O
cukup O
besar O
untuk O
menghasilkan O
penduga O
langsung O
yang O
presisi. O
Spatial O
Fay-Herriot O
Model O
dipertimbangkan O
sebagai O
alternatif O
untuk O
Fay-Herriot O
Model O
ketika O
terdapat O
korelasi O
antar O
pengaruh O
acak O
area. O
Penggunaan O
pendekatan O
Hierarchical O
Bayes O
pada O
Spatial O
7 O
/ O
8 O
Fay-Herriot O
Model O
akan O
memungkinkan O
pengembangan O
model O
untuk O
data O
berdistribusi O
selain O
distribusi O
Normal. O
pada O
dapat O
diakses O
dibangun O
Spatial O
Fay-Herriot O
Model O
yang O
mengikuti O
proses O
Simultaneous O
Autoregressive O
( O
SAR O
) O
dengan O
pendekatan O
Hierarchical O
Bayes O
berhasil O
diimplementasikan O
menjadi O
sebuah O
R O
Package O
Bernama O
‘saeHB.spatial’. O
R O
Package O
yang O
https O
: O
/ O
/ O
cran.r- O
telah O
project.org O
/ O
package=saeHB.spatial. O
Dari O
evaluasi O
terhadap O
package O
yang O
telah O
dibangun O
diperoleh O
bahwa O
output O
yang O
dihasilkan O
sudah O
sesuai O
, O
yaitu O
ditunjukkan O
dari O
nilai O
MSE B-METODE
hasil O
pendugaan O
menggunakan O
package O
‘saeHB.spatial’ O
yang O
lebih O
kecil O
dibandingkan O
Fay-Herriot O
Model O
pendekatan O
EBLUP. O
Berdasarkan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
, O
package O
yang O
dibangun O
dapat O
diterima O
oleh O
pengguna. O
Selain O
itu O
, O
implementasi O
Spatial O
Fay-Herriot O
Model O
pendekatan O
Hierarchical O
Bayes O
pada O
data O
BPS O
menghasilkan O
penduga O
yang O
lebih O
presisi O
dibandingkan O
penduga O
langsung. O
hasil O
B. O
Saran O
Beberapa O
saran O
yang O
diberikan O
penulis O
adalah O
sebagai O
berikut O
1. O
R O
Package O
yang O
dibangun O
baru O
menyediakan O
function O
untuk O
Spatial O
SAR O
Fay-Herriot O
Model O
pendekatan O
Hierarchical O
Bayes O
untuk O
data O
berdistribusi O
Normal. O
Selanjutnya O
dapat O
dikembangkan O
Spatial O
Fay-Herriot O
Model O
pendekatan O
Hierarchical O
Bayes O
untuk O
data O
berdistribusi O
selain O
distribusi O
Normal O
dan O
model O
spasial O
selain O
Simultaneous O
Autoregressive O
( O
SAR O
) O
. O
2. O
Pemilihan O
variabel O
penyerta O
pada O
studi O
kasus O
dapat O
dilakukan O
dengan O
lebih O
baik O
, O
agar O
hasil O
pendugaan O
Spatial O
SAR O
Fay-Herriot O
Model O
pendekatan O
Hierarchical O
Bayes O
menjadi O
lebih O
baik. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O

Pembangunan O
R O
Package O
Untuk O
Model O
Spatial O
Fay- O
Herriot O
dengan O
Pendekatan O
Hierarchical O
Bayes O
Studi O
Kasus O
: O
Persentase O
Penduduk O
yang O
Mengalami O
Keluhan O
Kesehatan O
di O
Provinsi O
Papua O
dan O
Papua O
Barat O
Tahun O
2021 O
Arina O
Mana O
Sikana O
( O
221810195 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Azka O
Ubaidillah O
, O
SST O
, O
M.Si O
Ringkasan— O
Dalam O
Small O
Area O
Estimation O
, O
pengaruh O
acak O
dari O
area O
kecil O
yang O
berdekatan O
secara O
geografis O
dimungkinkan O
untuk O
menunjukkan O
pola O
spasial. O
Salah O
satu O
contohnya O
adalah O
pada O
penyebaran O
penyakit. O
Dalam O
kondisi O
tersebut O
, O
model O
spasial O
dipertimbangkan O
sebagai O
alternatif O
dari O
Fay-Herriot O
Model O
yang O
mengasumsikan O
pengaruh O
acak O
area O
yang O
independen. O
Spatial O
Fay-Herriot O
Model O
diketahui O
dapat O
menghasilkan O
penduga O
yang O
lebih O
presisi O
pada O
saat O
terdapat O
autokorelasi O
spasial O
pada O
pengaruh O
acak O
area. O
Salah O
satu O
model O
spasial O
yang O
menghasilkan O
penduga O
yang O
lebih O
presisi O
pada O
Small B-METODE
Area I-METODE
Estimation I-METODE
adalah O
model O
( O
SAR O
) O
. O
Pendekatan O
Hierarchical O
Bayes O
pada O
Small O
Area O
Estimation O
sangat O
berguna O
pada O
model O
yang O
kompleks O
dan O
memungkinkan O
untuk O
pengembangan O
distribusi O
selain O
distribusi O
Normal. O
Selain O
itu O
, O
adanya O
suatu O
aplikasi O
statistik O
akan O
mempermudah O
pengguna O
untuk O
melakukan O
analisis. O
Penelitian O
ini O
dilakukan O
untuk O
membangun B-TUJUAN
R I-TUJUAN
Package I-TUJUAN
pada I-TUJUAN
Spatial I-TUJUAN
Fay-Herriot I-TUJUAN
Model I-TUJUAN
dengan I-TUJUAN
pendekatan I-TUJUAN
Hierarchical I-TUJUAN
Bayes. I-TUJUAN
R B-TEMUAN
Package I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
diberi I-TEMUAN
nama I-TEMUAN
‘saeHB.spatial’ I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diakses I-TEMUAN
pada I-TEMUAN
https I-TEMUAN
: I-TEMUAN
/ I-TEMUAN
/ I-TEMUAN
cran.r- I-TEMUAN
project.org I-TEMUAN
/ I-TEMUAN
package=saeHB.spatial. I-TEMUAN
R O
Package O
yang O
dibangun O
telah O
dilakukan O
uji B-METODE
validitas I-METODE
dan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
, O
serta O
diterapkan O
pada O
data O
studi O
kasus. O
Simultaneous O
Autoregressive O
Kata O
Kunci— O
Small O
Area O
Estimation O
, O
Simultaneous O
Autoregressive O
, O
Spatial O
Fay-Herriot O
, O
Hierarchical O
Bayes O
, O
R O
Package. O
[SEP] O
A. O
Kesimpulan O
Pendugaan O
secara O
tidak O
langsung O
dengan O
memanfaatkan O
suatu O
variabel O
penyerta O
melalui O
sebuah O
model O
merupakan O
teknik O
pendugaan O
karakteristik O
area O
kecil O
yang O
dapat O
mengatasi O
permasalahan O
ukuran O
sampel O
area O
kecil O
yang O
tidak O
cukup O
besar O
untuk O
menghasilkan O
penduga O
langsung O
yang O
presisi. O
Spatial O
Fay-Herriot O
Model O
dipertimbangkan O
sebagai O
alternatif O
untuk O
Fay-Herriot O
Model O
ketika O
terdapat O
korelasi O
antar O
pengaruh O
acak O
area. O
Penggunaan O
pendekatan O
Hierarchical O
Bayes O
pada O
Spatial O
7 O
/ O
8 O
Fay-Herriot O
Model O
akan O
memungkinkan O
pengembangan O
model O
untuk O
data O
berdistribusi O
selain O
distribusi O
Normal. O
pada O
dapat O
diakses O
dibangun O
Spatial O
Fay-Herriot O
Model O
yang O
mengikuti O
proses O
Simultaneous O
Autoregressive O
( O
SAR O
) O
dengan O
pendekatan O
Hierarchical O
Bayes O
berhasil O
diimplementasikan O
menjadi O
sebuah O
R O
Package O
Bernama O
‘saeHB.spatial’. O
R O
Package O
yang O
https O
: O
/ O
/ O
cran.r- O
telah O
project.org O
/ O
package=saeHB.spatial. O
Dari O
evaluasi O
terhadap O
package O
yang O
telah O
dibangun O
diperoleh O
bahwa O
output O
yang O
dihasilkan O
sudah O
sesuai O
, O
yaitu O
ditunjukkan O
dari O
nilai O
MSE B-METODE
hasil O
pendugaan O
menggunakan O
package O
‘saeHB.spatial’ O
yang O
lebih O
kecil O
dibandingkan O
Fay-Herriot O
Model O
pendekatan O
EBLUP. O
Berdasarkan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
, O
package O
yang O
dibangun O
dapat O
diterima O
oleh O
pengguna. O
Selain O
itu O
, O
implementasi O
Spatial O
Fay-Herriot O
Model O
pendekatan O
Hierarchical O
Bayes O
pada O
data O
BPS O
menghasilkan O
penduga O
yang O
lebih O
presisi O
dibandingkan O
penduga O
langsung. O
hasil O
B. O
Saran O
Beberapa O
saran O
yang O
diberikan O
penulis O
adalah O
sebagai O
berikut O
1. O
R O
Package O
yang O
dibangun O
baru O
menyediakan O
function O
untuk O
Spatial O
SAR O
Fay-Herriot O
Model O
pendekatan O
Hierarchical O
Bayes O
untuk O
data O
berdistribusi O
Normal. O
Selanjutnya O
dapat O
dikembangkan O
Spatial O
Fay-Herriot O
Model O
pendekatan O
Hierarchical O
Bayes O
untuk O
data O
berdistribusi O
selain O
distribusi O
Normal O
dan O
model O
spasial O
selain O
Simultaneous O
Autoregressive O
( O
SAR O
) O
. O
2. O
Pemilihan O
variabel O
penyerta O
pada O
studi O
kasus O
dapat O
dilakukan O
dengan O
lebih O
baik O
, O
agar O
hasil O
pendugaan O
Spatial O
SAR O
Fay-Herriot O
Model O
pendekatan O
Hierarchical O
Bayes O
menjadi O
lebih O
baik. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O

Pembangunan O
R O
Package O
Untuk O
Model O
Spatial O
Fay- O
Herriot O
dengan O
Pendekatan O
Hierarchical O
Bayes O
Studi O
Kasus O
: O
Persentase O
Penduduk O
yang O
Mengalami O
Keluhan O
Kesehatan O
di O
Provinsi O
Papua O
dan O
Papua O
Barat O
Tahun O
2021 O
Arina O
Mana O
Sikana O
( O
221810195 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Azka O
Ubaidillah O
, O
SST O
, O
M.Si O
Ringkasan— O
Dalam O
Small O
Area O
Estimation O
, O
pengaruh O
acak O
dari O
area O
kecil O
yang O
berdekatan O
secara O
geografis O
dimungkinkan O
untuk O
menunjukkan O
pola O
spasial. O
Salah O
satu O
contohnya O
adalah O
pada O
penyebaran O
penyakit. O
Dalam O
kondisi O
tersebut O
, O
model O
spasial O
dipertimbangkan O
sebagai O
alternatif O
dari O
Fay-Herriot O
Model O
yang O
mengasumsikan O
pengaruh O
acak O
area O
yang O
independen. O
Spatial O
Fay-Herriot O
Model O
diketahui O
dapat O
menghasilkan O
penduga O
yang O
lebih O
presisi O
pada O
saat O
terdapat O
autokorelasi O
spasial O
pada O
pengaruh O
acak O
area. O
Salah O
satu O
model O
spasial O
yang O
menghasilkan O
penduga O
yang O
lebih O
presisi O
pada O
Small B-METODE
Area I-METODE
Estimation I-METODE
adalah O
model O
( O
SAR O
) O
. O
Pendekatan O
Hierarchical O
Bayes O
pada O
Small O
Area O
Estimation O
sangat O
berguna O
pada O
model O
yang O
kompleks O
dan O
memungkinkan O
untuk O
pengembangan O
distribusi O
selain O
distribusi O
Normal. O
Selain O
itu O
, O
adanya O
suatu O
aplikasi O
statistik O
akan O
mempermudah O
pengguna O
untuk O
melakukan O
analisis. O
Penelitian O
ini O
dilakukan O
untuk O
membangun B-TUJUAN
R I-TUJUAN
Package I-TUJUAN
pada I-TUJUAN
Spatial I-TUJUAN
Fay-Herriot I-TUJUAN
Model I-TUJUAN
dengan I-TUJUAN
pendekatan I-TUJUAN
Hierarchical I-TUJUAN
Bayes. I-TUJUAN
R B-TEMUAN
Package I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
diberi I-TEMUAN
nama I-TEMUAN
‘saeHB.spatial’ I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diakses I-TEMUAN
pada I-TEMUAN
https I-TEMUAN
: I-TEMUAN
/ I-TEMUAN
/ I-TEMUAN
cran.r- I-TEMUAN
project.org I-TEMUAN
/ I-TEMUAN
package=saeHB.spatial. I-TEMUAN
R O
Package O
yang O
dibangun O
telah O
dilakukan O
uji B-METODE
validitas I-METODE
dan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
, O
serta O
diterapkan O
pada O
data O
studi O
kasus. O
Simultaneous O
Autoregressive O
Kata O
Kunci— O
Small O
Area O
Estimation O
, O
Simultaneous O
Autoregressive O
, O
Spatial O
Fay-Herriot O
, O
Hierarchical O
Bayes O
, O
R O
Package. O
[SEP] O
A. O
Kesimpulan O
Pendugaan O
secara O
tidak O
langsung O
dengan O
memanfaatkan O
suatu O
variabel O
penyerta O
melalui O
sebuah O
model O
merupakan O
teknik O
pendugaan O
karakteristik O
area O
kecil O
yang O
dapat O
mengatasi O
permasalahan O
ukuran O
sampel O
area O
kecil O
yang O
tidak O
cukup O
besar O
untuk O
menghasilkan O
penduga O
langsung O
yang O
presisi. O
Spatial O
Fay-Herriot O
Model O
dipertimbangkan O
sebagai O
alternatif O
untuk O
Fay-Herriot O
Model O
ketika O
terdapat O
korelasi O
antar O
pengaruh O
acak O
area. O
Penggunaan O
pendekatan O
Hierarchical O
Bayes O
pada O
Spatial O
7 O
/ O
8 O
Fay-Herriot O
Model O
akan O
memungkinkan O
pengembangan O
model O
untuk O
data O
berdistribusi O
selain O
distribusi O
Normal. O
pada O
dapat O
diakses O
dibangun O
Spatial O
Fay-Herriot O
Model O
yang O
mengikuti O
proses O
Simultaneous O
Autoregressive O
( O
SAR O
) O
dengan O
pendekatan O
Hierarchical O
Bayes O
berhasil O
diimplementasikan O
menjadi O
sebuah O
R O
Package O
Bernama O
‘saeHB.spatial’. O
R O
Package O
yang O
https O
: O
/ O
/ O
cran.r- O
telah O
project.org O
/ O
package=saeHB.spatial. O
Dari O
evaluasi O
terhadap O
package O
yang O
telah O
dibangun O
diperoleh O
bahwa O
output O
yang O
dihasilkan O
sudah O
sesuai O
, O
yaitu O
ditunjukkan O
dari O
nilai O
MSE B-METODE
hasil O
pendugaan O
menggunakan O
package O
‘saeHB.spatial’ O
yang O
lebih O
kecil O
dibandingkan O
Fay-Herriot O
Model O
pendekatan O
EBLUP. O
Berdasarkan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
, O
package O
yang O
dibangun O
dapat O
diterima O
oleh O
pengguna. O
Selain O
itu O
, O
implementasi O
Spatial O
Fay-Herriot O
Model O
pendekatan O
Hierarchical O
Bayes O
pada O
data O
BPS O
menghasilkan O
penduga O
yang O
lebih O
presisi O
dibandingkan O
penduga O
langsung. O
hasil O
B. O
Saran O
Beberapa O
saran O
yang O
diberikan O
penulis O
adalah O
sebagai O
berikut O
1. O
R O
Package O
yang O
dibangun O
baru O
menyediakan O
function O
untuk O
Spatial O
SAR O
Fay-Herriot O
Model O
pendekatan O
Hierarchical O
Bayes O
untuk O
data O
berdistribusi O
Normal. O
Selanjutnya O
dapat O
dikembangkan O
Spatial O
Fay-Herriot O
Model O
pendekatan O
Hierarchical O
Bayes O
untuk O
data O
berdistribusi O
selain O
distribusi O
Normal O
dan O
model O
spasial O
selain O
Simultaneous O
Autoregressive O
( O
SAR O
) O
. O
2. O
Pemilihan O
variabel O
penyerta O
pada O
studi O
kasus O
dapat O
dilakukan O
dengan O
lebih O
baik O
, O
agar O
hasil O
pendugaan O
Spatial O
SAR O
Fay-Herriot O
Model O
pendekatan O
Hierarchical O
Bayes O
menjadi O
lebih O
baik. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O

Pembangunan O
Aplikasi O
Visualisasi O
Inter-Regional O
Input-Output O
( O
IRIO O
) O
Berbasis O
Web O
Annisa O
Putri O
Anggraini O
( O
221810183 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Anugerah O
Karta O
Monika O
, O
S.Si. O
, O
M.E. O
Ringkasan— O
Salah O
satu O
data O
yang O
disajikan O
oleh O
BPS O
adalah O
data O
Inter-Regional O
Input-Output O
( O
IRIO O
) O
. O
Saat O
ini O
penyajian O
data O
IRIO O
masih O
terbatas O
dalam O
bentuk O
tabel O
dan O
buku O
elektronik O
publikasi O
yang O
perlu O
diunduh O
melalui O
situs O
web O
BPS. O
Penyajian O
menggunakan O
tabel O
dapat O
menampilkan O
data O
secara O
rinci O
dan O
spesifik O
, O
namun O
juga O
memiliki O
kelemahan O
yaitu O
dapat O
membuat O
pengguna O
data O
kesulitan O
dalam O
membaca O
dan O
memahami O
data O
, O
terlebih O
lagi O
data O
IRIO O
memuat O
angka O
yang O
sangat O
banyak O
karena O
berisi O
data O
input-output O
seluruh O
provinsi O
di O
Indonesia. O
Di O
sisi O
lain O
, O
penyajian O
data O
yang O
tidak O
interaktif O
dapat O
menyulitkan O
pengguna O
data O
yang O
ingin O
melakukan O
perbandingan O
antar O
wilayah O
maupun O
antar O
sektor O
menggunakan O
data O
IRIO. O
Penelitian O
ini O
dilakukan O
untuk O
mengatasi O
permasalahan O
tersebut O
, O
yaitu O
dengan O
membangun B-TUJUAN
sebuah I-TUJUAN
aplikasi I-TUJUAN
yang I-TUJUAN
mampu I-TUJUAN
memvisualisasikan I-TUJUAN
data I-TUJUAN
IRIO I-TUJUAN
ke I-TUJUAN
dalam I-TUJUAN
bentuk I-TUJUAN
peta I-TUJUAN
dan I-TUJUAN
grafik I-TUJUAN
interaktif. I-TUJUAN
Metode O
pembangunan O
aplikasi O
yang O
digunakan O
dalam O
penelitian O
adalah O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
Waterfall. I-METODE
Dari O
hasil O
penelitian O
ini O
dihasilkan B-TEMUAN
sebuah I-TEMUAN
aplikasi I-TEMUAN
visualisasi I-TEMUAN
IRIO I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
menyajikan I-TEMUAN
data I-TEMUAN
IRIO I-TEMUAN
secara I-TEMUAN
interaktif I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
meningkatkan I-TEMUAN
efisiensi I-TEMUAN
dan I-TEMUAN
efektifitas I-TEMUAN
penyajian I-TEMUAN
data I-TEMUAN
IRIO. I-TEMUAN
Semua O
fitur O
pada O
aplikasi O
telah O
sesuai O
berdasarkan O
hasil O
penguji B-METODE
Black I-METODE
Box. I-METODE
Serta O
diperoleh O
skor O
sebesar O
78,003 O
dari O
hasil O
evaluasi O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
yang O
menunjukkan O
bahwa O
aplikasi B-TEMUAN
telah I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci— O
Visualisasi O
Data O
, O
IRIO O
, O
SDLC O
, O
Web O
[SEP] O
Kesimpulan O
yang O
dapat O
diambil O
berdasarkan O
pembangunan O
sistem O
yang O
telah O
dilakukan O
sebagai O
berikut O
: O
1. O
Telah O
dilakukan O
pembangunan O
sebuah O
aplikasi O
visualisasi O
IRIO O
berbasis O
web O
yang O
berfokus O
pada O
penyajian O
data O
IRIO O
yang O
lebih O
interaktif O
dan O
berdasarkan O
hasil O
evaluasi O
pada O
aplikasi O
yang O
dibangun O
, O
skor B-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
78,003 I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
aplikasi I-TEMUAN
telah I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
2. O
Terdapat O
tiga O
dashboard O
yang O
ditampilkan O
pada O
aplikasi O
, O
yaitu O
dashboard O
IRIO O
yang O
berisi O
seluruh O
variabel O
IRIO O
, O
dashboard O
Struktur O
Output O
yang O
berisi O
perbandingan O
antara O
permintaan O
intraregional O
dan O
interregional O
, O
dan O
dashboard O
Angka O
Pengganda O
yang O
berisi O
angka O
pengganda O
pendapatan O
( O
income O
multiplier O
) O
dan O
angka O
pengganda O
output O
( O
output O
mulitiplier O
) O
di O
tiap O
kategori O
lapangan O
usaha O
per O
provinsi O
yang O
dipilih. O
3. O
Aplikasi O
yang O
dibangun O
juga O
dilengkapi O
dengan O
fitur O
pengelolaan O
visualisasi O
sehingga O
bentuk O
visualisasi O
yang O
ditampilkan O
dapat O
menyesuaikan O
dengan O
perubahan O
kebutuhan O
visualisasi O
di O
masa O
depan. O
Beberapa O
saran O
dari O
peneliti O
yang O
dapat O
digunakan O
pada O
penelitian O
selanjutnya O
adalah O
: O
1. O
Membangun O
sistem O
visualisasi O
IRIO O
dengan O
basis O
data O
yang O
terintegrasi O
langsung O
dengan O
basis O
data O
BPS O
dengan O
menggunakan O
API O
milik O
BPS. O
Namun O
untuk O
melakukan O
hal O
tersebut O
diperlukan O
proses O
cleaning O
data O
dalam O
alur O
proses O
bisnis. O
2. O
Menambahkan O
fitur O
yang O
dapat O
memberikan O
interpretasi O
atas O
visualisasi O
data O
yang O
ditampilkan O
, O
dapat O
berupa O
narasi O
singkat O
yang O
dapat O
di-generate O
secara O
otomatis O
sesuai O
filter O
yang O
dipilih O
oleh O
pengguna. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Pembangunan O
Aplikasi O
Visualisasi O
Inter-Regional O
Input-Output O
( O
IRIO O
) O
Berbasis O
Web O
Annisa O
Putri O
Anggraini O
( O
221810183 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Anugerah O
Karta O
Monika O
, O
S.Si. O
, O
M.E. O
Ringkasan— O
Salah O
satu O
data O
yang O
disajikan O
oleh O
BPS O
adalah O
data O
Inter-Regional O
Input-Output O
( O
IRIO O
) O
. O
Saat O
ini O
penyajian O
data O
IRIO O
masih O
terbatas O
dalam O
bentuk O
tabel O
dan O
buku O
elektronik O
publikasi O
yang O
perlu O
diunduh O
melalui O
situs O
web O
BPS. O
Penyajian O
menggunakan O
tabel O
dapat O
menampilkan O
data O
secara O
rinci O
dan O
spesifik O
, O
namun O
juga O
memiliki O
kelemahan O
yaitu O
dapat O
membuat O
pengguna O
data O
kesulitan O
dalam O
membaca O
dan O
memahami O
data O
, O
terlebih O
lagi O
data O
IRIO O
memuat O
angka O
yang O
sangat O
banyak O
karena O
berisi O
data O
input-output O
seluruh O
provinsi O
di O
Indonesia. O
Di O
sisi O
lain O
, O
penyajian O
data O
yang O
tidak O
interaktif O
dapat O
menyulitkan O
pengguna O
data O
yang O
ingin O
melakukan O
perbandingan O
antar O
wilayah O
maupun O
antar O
sektor O
menggunakan O
data O
IRIO. O
Penelitian O
ini O
dilakukan O
untuk O
mengatasi O
permasalahan O
tersebut O
, O
yaitu O
dengan O
membangun B-TUJUAN
sebuah I-TUJUAN
aplikasi I-TUJUAN
yang I-TUJUAN
mampu I-TUJUAN
memvisualisasikan I-TUJUAN
data I-TUJUAN
IRIO I-TUJUAN
ke I-TUJUAN
dalam I-TUJUAN
bentuk I-TUJUAN
peta I-TUJUAN
dan I-TUJUAN
grafik I-TUJUAN
interaktif. I-TUJUAN
Metode O
pembangunan O
aplikasi O
yang O
digunakan O
dalam O
penelitian O
adalah O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
Waterfall. I-METODE
Dari O
hasil O
penelitian O
ini O
dihasilkan B-TEMUAN
sebuah I-TEMUAN
aplikasi I-TEMUAN
visualisasi I-TEMUAN
IRIO I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
menyajikan I-TEMUAN
data I-TEMUAN
IRIO I-TEMUAN
secara I-TEMUAN
interaktif I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
meningkatkan I-TEMUAN
efisiensi I-TEMUAN
dan I-TEMUAN
efektifitas I-TEMUAN
penyajian I-TEMUAN
data I-TEMUAN
IRIO. I-TEMUAN
Semua O
fitur O
pada O
aplikasi O
telah O
sesuai O
berdasarkan O
hasil O
penguji B-METODE
Black I-METODE
Box. I-METODE
Serta O
diperoleh O
skor O
sebesar O
78,003 O
dari O
hasil O
evaluasi O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
yang O
menunjukkan O
bahwa O
aplikasi B-TEMUAN
telah I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci— O
Visualisasi O
Data O
, O
IRIO O
, O
SDLC O
, O
Web O
[SEP] O
Kesimpulan O
yang O
dapat O
diambil O
berdasarkan O
pembangunan O
sistem O
yang O
telah O
dilakukan O
sebagai O
berikut O
: O
1. O
Telah O
dilakukan O
pembangunan O
sebuah O
aplikasi O
visualisasi O
IRIO O
berbasis O
web O
yang O
berfokus O
pada O
penyajian O
data O
IRIO O
yang O
lebih O
interaktif O
dan O
berdasarkan O
hasil O
evaluasi O
pada O
aplikasi O
yang O
dibangun O
, O
skor B-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
78,003 I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
aplikasi I-TEMUAN
telah I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
2. O
Terdapat O
tiga O
dashboard O
yang O
ditampilkan O
pada O
aplikasi O
, O
yaitu O
dashboard O
IRIO O
yang O
berisi O
seluruh O
variabel O
IRIO O
, O
dashboard O
Struktur O
Output O
yang O
berisi O
perbandingan O
antara O
permintaan O
intraregional O
dan O
interregional O
, O
dan O
dashboard O
Angka O
Pengganda O
yang O
berisi O
angka O
pengganda O
pendapatan O
( O
income O
multiplier O
) O
dan O
angka O
pengganda O
output O
( O
output O
mulitiplier O
) O
di O
tiap O
kategori O
lapangan O
usaha O
per O
provinsi O
yang O
dipilih. O
3. O
Aplikasi O
yang O
dibangun O
juga O
dilengkapi O
dengan O
fitur O
pengelolaan O
visualisasi O
sehingga O
bentuk O
visualisasi O
yang O
ditampilkan O
dapat O
menyesuaikan O
dengan O
perubahan O
kebutuhan O
visualisasi O
di O
masa O
depan. O
Beberapa O
saran O
dari O
peneliti O
yang O
dapat O
digunakan O
pada O
penelitian O
selanjutnya O
adalah O
: O
1. O
Membangun O
sistem O
visualisasi O
IRIO O
dengan O
basis O
data O
yang O
terintegrasi O
langsung O
dengan O
basis O
data O
BPS O
dengan O
menggunakan O
API O
milik O
BPS. O
Namun O
untuk O
melakukan O
hal O
tersebut O
diperlukan O
proses O
cleaning O
data O
dalam O
alur O
proses O
bisnis. O
2. O
Menambahkan O
fitur O
yang O
dapat O
memberikan O
interpretasi O
atas O
visualisasi O
data O
yang O
ditampilkan O
, O
dapat O
berupa O
narasi O
singkat O
yang O
dapat O
di-generate O
secara O
otomatis O
sesuai O
filter O
yang O
dipilih O
oleh O
pengguna. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Pembangunan O
Aplikasi O
Visualisasi O
Inter-Regional O
Input-Output O
( O
IRIO O
) O
Berbasis O
Web O
Annisa O
Putri O
Anggraini O
( O
221810183 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Anugerah O
Karta O
Monika O
, O
S.Si. O
, O
M.E. O
Ringkasan— O
Salah O
satu O
data O
yang O
disajikan O
oleh O
BPS O
adalah O
data O
Inter-Regional O
Input-Output O
( O
IRIO O
) O
. O
Saat O
ini O
penyajian O
data O
IRIO O
masih O
terbatas O
dalam O
bentuk O
tabel O
dan O
buku O
elektronik O
publikasi O
yang O
perlu O
diunduh O
melalui O
situs O
web O
BPS. O
Penyajian O
menggunakan O
tabel O
dapat O
menampilkan O
data O
secara O
rinci O
dan O
spesifik O
, O
namun O
juga O
memiliki O
kelemahan O
yaitu O
dapat O
membuat O
pengguna O
data O
kesulitan O
dalam O
membaca O
dan O
memahami O
data O
, O
terlebih O
lagi O
data O
IRIO O
memuat O
angka O
yang O
sangat O
banyak O
karena O
berisi O
data O
input-output O
seluruh O
provinsi O
di O
Indonesia. O
Di O
sisi O
lain O
, O
penyajian O
data O
yang O
tidak O
interaktif O
dapat O
menyulitkan O
pengguna O
data O
yang O
ingin O
melakukan O
perbandingan O
antar O
wilayah O
maupun O
antar O
sektor O
menggunakan O
data O
IRIO. O
Penelitian O
ini O
dilakukan O
untuk O
mengatasi O
permasalahan O
tersebut O
, O
yaitu O
dengan O
membangun B-TUJUAN
sebuah I-TUJUAN
aplikasi I-TUJUAN
yang I-TUJUAN
mampu I-TUJUAN
memvisualisasikan I-TUJUAN
data I-TUJUAN
IRIO I-TUJUAN
ke I-TUJUAN
dalam I-TUJUAN
bentuk I-TUJUAN
peta I-TUJUAN
dan I-TUJUAN
grafik I-TUJUAN
interaktif. I-TUJUAN
Metode O
pembangunan O
aplikasi O
yang O
digunakan O
dalam O
penelitian O
adalah O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
Waterfall. I-METODE
Dari O
hasil O
penelitian O
ini O
dihasilkan B-TEMUAN
sebuah I-TEMUAN
aplikasi I-TEMUAN
visualisasi I-TEMUAN
IRIO I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
menyajikan I-TEMUAN
data I-TEMUAN
IRIO I-TEMUAN
secara I-TEMUAN
interaktif I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
meningkatkan I-TEMUAN
efisiensi I-TEMUAN
dan I-TEMUAN
efektifitas I-TEMUAN
penyajian I-TEMUAN
data I-TEMUAN
IRIO. I-TEMUAN
Semua O
fitur O
pada O
aplikasi O
telah O
sesuai O
berdasarkan O
hasil O
penguji B-METODE
Black I-METODE
Box. I-METODE
Serta O
diperoleh O
skor O
sebesar O
78,003 O
dari O
hasil O
evaluasi O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
yang O
menunjukkan O
bahwa O
aplikasi B-TEMUAN
telah I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci— O
Visualisasi O
Data O
, O
IRIO O
, O
SDLC O
, O
Web O
[SEP] O
Kesimpulan O
yang O
dapat O
diambil O
berdasarkan O
pembangunan O
sistem O
yang O
telah O
dilakukan O
sebagai O
berikut O
: O
1. O
Telah O
dilakukan O
pembangunan O
sebuah O
aplikasi O
visualisasi O
IRIO O
berbasis O
web O
yang O
berfokus O
pada O
penyajian O
data O
IRIO O
yang O
lebih O
interaktif O
dan O
berdasarkan O
hasil O
evaluasi O
pada O
aplikasi O
yang O
dibangun O
, O
skor B-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
78,003 I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
aplikasi I-TEMUAN
telah I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
2. O
Terdapat O
tiga O
dashboard O
yang O
ditampilkan O
pada O
aplikasi O
, O
yaitu O
dashboard O
IRIO O
yang O
berisi O
seluruh O
variabel O
IRIO O
, O
dashboard O
Struktur O
Output O
yang O
berisi O
perbandingan O
antara O
permintaan O
intraregional O
dan O
interregional O
, O
dan O
dashboard O
Angka O
Pengganda O
yang O
berisi O
angka O
pengganda O
pendapatan O
( O
income O
multiplier O
) O
dan O
angka O
pengganda O
output O
( O
output O
mulitiplier O
) O
di O
tiap O
kategori O
lapangan O
usaha O
per O
provinsi O
yang O
dipilih. O
3. O
Aplikasi O
yang O
dibangun O
juga O
dilengkapi O
dengan O
fitur O
pengelolaan O
visualisasi O
sehingga O
bentuk O
visualisasi O
yang O
ditampilkan O
dapat O
menyesuaikan O
dengan O
perubahan O
kebutuhan O
visualisasi O
di O
masa O
depan. O
Beberapa O
saran O
dari O
peneliti O
yang O
dapat O
digunakan O
pada O
penelitian O
selanjutnya O
adalah O
: O
1. O
Membangun O
sistem O
visualisasi O
IRIO O
dengan O
basis O
data O
yang O
terintegrasi O
langsung O
dengan O
basis O
data O
BPS O
dengan O
menggunakan O
API O
milik O
BPS. O
Namun O
untuk O
melakukan O
hal O
tersebut O
diperlukan O
proses O
cleaning O
data O
dalam O
alur O
proses O
bisnis. O
2. O
Menambahkan O
fitur O
yang O
dapat O
memberikan O
interpretasi O
atas O
visualisasi O
data O
yang O
ditampilkan O
, O
dapat O
berupa O
narasi O
singkat O
yang O
dapat O
di-generate O
secara O
otomatis O
sesuai O
filter O
yang O
dipilih O
oleh O
pengguna. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Pembangunan O
Aplikasi O
Visualisasi O
Inter-Regional O
Input-Output O
( O
IRIO O
) O
Berbasis O
Web O
Annisa O
Putri O
Anggraini O
( O
221810183 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Anugerah O
Karta O
Monika O
, O
S.Si. O
, O
M.E. O
Ringkasan— O
Salah O
satu O
data O
yang O
disajikan O
oleh O
BPS O
adalah O
data O
Inter-Regional O
Input-Output O
( O
IRIO O
) O
. O
Saat O
ini O
penyajian O
data O
IRIO O
masih O
terbatas O
dalam O
bentuk O
tabel O
dan O
buku O
elektronik O
publikasi O
yang O
perlu O
diunduh O
melalui O
situs O
web O
BPS. O
Penyajian O
menggunakan O
tabel O
dapat O
menampilkan O
data O
secara O
rinci O
dan O
spesifik O
, O
namun O
juga O
memiliki O
kelemahan O
yaitu O
dapat O
membuat O
pengguna O
data O
kesulitan O
dalam O
membaca O
dan O
memahami O
data O
, O
terlebih O
lagi O
data O
IRIO O
memuat O
angka O
yang O
sangat O
banyak O
karena O
berisi O
data O
input-output O
seluruh O
provinsi O
di O
Indonesia. O
Di O
sisi O
lain O
, O
penyajian O
data O
yang O
tidak O
interaktif O
dapat O
menyulitkan O
pengguna O
data O
yang O
ingin O
melakukan O
perbandingan O
antar O
wilayah O
maupun O
antar O
sektor O
menggunakan O
data O
IRIO. O
Penelitian O
ini O
dilakukan O
untuk O
mengatasi O
permasalahan O
tersebut O
, O
yaitu O
dengan O
membangun B-TUJUAN
sebuah I-TUJUAN
aplikasi I-TUJUAN
yang I-TUJUAN
mampu I-TUJUAN
memvisualisasikan I-TUJUAN
data I-TUJUAN
IRIO I-TUJUAN
ke I-TUJUAN
dalam I-TUJUAN
bentuk I-TUJUAN
peta I-TUJUAN
dan I-TUJUAN
grafik I-TUJUAN
interaktif. I-TUJUAN
Metode O
pembangunan O
aplikasi O
yang O
digunakan O
dalam O
penelitian O
adalah O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
Waterfall. I-METODE
Dari O
hasil O
penelitian O
ini O
dihasilkan B-TEMUAN
sebuah I-TEMUAN
aplikasi I-TEMUAN
visualisasi I-TEMUAN
IRIO I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
menyajikan I-TEMUAN
data I-TEMUAN
IRIO I-TEMUAN
secara I-TEMUAN
interaktif I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
meningkatkan I-TEMUAN
efisiensi I-TEMUAN
dan I-TEMUAN
efektifitas I-TEMUAN
penyajian I-TEMUAN
data I-TEMUAN
IRIO. I-TEMUAN
Semua O
fitur O
pada O
aplikasi O
telah O
sesuai O
berdasarkan O
hasil O
penguji B-METODE
Black I-METODE
Box. I-METODE
Serta O
diperoleh O
skor O
sebesar O
78,003 O
dari O
hasil O
evaluasi O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
yang O
menunjukkan O
bahwa O
aplikasi B-TEMUAN
telah I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci— O
Visualisasi O
Data O
, O
IRIO O
, O
SDLC O
, O
Web O
[SEP] O
Kesimpulan O
yang O
dapat O
diambil O
berdasarkan O
pembangunan O
sistem O
yang O
telah O
dilakukan O
sebagai O
berikut O
: O
1. O
Telah O
dilakukan O
pembangunan O
sebuah O
aplikasi O
visualisasi O
IRIO O
berbasis O
web O
yang O
berfokus O
pada O
penyajian O
data O
IRIO O
yang O
lebih O
interaktif O
dan O
berdasarkan O
hasil O
evaluasi O
pada O
aplikasi O
yang O
dibangun O
, O
skor B-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
78,003 I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
aplikasi I-TEMUAN
telah I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
2. O
Terdapat O
tiga O
dashboard O
yang O
ditampilkan O
pada O
aplikasi O
, O
yaitu O
dashboard O
IRIO O
yang O
berisi O
seluruh O
variabel O
IRIO O
, O
dashboard O
Struktur O
Output O
yang O
berisi O
perbandingan O
antara O
permintaan O
intraregional O
dan O
interregional O
, O
dan O
dashboard O
Angka O
Pengganda O
yang O
berisi O
angka O
pengganda O
pendapatan O
( O
income O
multiplier O
) O
dan O
angka O
pengganda O
output O
( O
output O
mulitiplier O
) O
di O
tiap O
kategori O
lapangan O
usaha O
per O
provinsi O
yang O
dipilih. O
3. O
Aplikasi O
yang O
dibangun O
juga O
dilengkapi O
dengan O
fitur O
pengelolaan O
visualisasi O
sehingga O
bentuk O
visualisasi O
yang O
ditampilkan O
dapat O
menyesuaikan O
dengan O
perubahan O
kebutuhan O
visualisasi O
di O
masa O
depan. O
Beberapa O
saran O
dari O
peneliti O
yang O
dapat O
digunakan O
pada O
penelitian O
selanjutnya O
adalah O
: O
1. O
Membangun O
sistem O
visualisasi O
IRIO O
dengan O
basis O
data O
yang O
terintegrasi O
langsung O
dengan O
basis O
data O
BPS O
dengan O
menggunakan O
API O
milik O
BPS. O
Namun O
untuk O
melakukan O
hal O
tersebut O
diperlukan O
proses O
cleaning O
data O
dalam O
alur O
proses O
bisnis. O
2. O
Menambahkan O
fitur O
yang O
dapat O
memberikan O
interpretasi O
atas O
visualisasi O
data O
yang O
ditampilkan O
, O
dapat O
berupa O
narasi O
singkat O
yang O
dapat O
di-generate O
secara O
otomatis O
sesuai O
filter O
yang O
dipilih O
oleh O
pengguna. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Deteksi O
Hate O
Speech O
Berbahasa O
Indonesia O
pada O
Imbalanced O
Dataset O
( O
Studi O
Kasus O
: O
Komentar O
pada O
kompas.com O
Seputar O
Covid-19 O
) O
Almira O
Diva O
Sanya O
( O
221810155 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Lya O
Hulliyyatus O
Suadaa O
, O
SST. O
, O
MT. O
Ringkasan—Di O
era O
teknologi O
saat O
ini O
, O
masyarakat O
bisa O
mem- O
peroleh O
informasi O
secara O
cepat O
, O
up O
to O
date O
, O
serta O
dalam O
jumlah O
banyak O
dengan O
mengakses O
berita O
secara O
online. O
Kolom O
komentar O
biasanya O
disediakan O
sebagai O
fitur O
dalam O
online O
news O
untuk O
menyampaikan O
kritik O
, O
saran O
, O
dan O
pendapat O
terhadap O
suatu O
berita. O
Kemudahan O
ini O
merupakan O
bentuk O
kebebasan O
berek- O
spresi O
dan O
berpendapat O
bagi O
setiap O
orang. O
Namun O
, O
hal O
tersebut O
dapat O
meningkatkan O
peluang O
pengguna O
untuk O
mengekspresikan O
kebencian O
mereka O
pada O
kolom O
komentar. O
Maraknya O
postingan O
berisi O
hate O
speech O
perlu O
diatasi O
dengan O
pendeteksian O
hate O
speech O
secara O
otomatis. O
Namun O
, O
ada O
ketidakseimbangan O
antara O
jumlah O
komentar O
yang O
memuat O
hate O
speech O
dengan O
komentar O
yang O
bukan O
merupakan O
hate O
speech. O
Oleh O
karena O
itu O
, O
dalam O
penelitian O
ini O
pendeteksian B-TUJUAN
hate I-TUJUAN
speech I-TUJUAN
berbahasa I-TUJUAN
Indonesia I-TUJUAN
pada I-TUJUAN
komentar I-TUJUAN
dilakukan I-TUJUAN
dengan I-TUJUAN
beberapa I-TUJUAN
kondisi I-TUJUAN
imbalanced I-TUJUAN
dataset. I-TUJUAN
Model O
yang O
digunakan O
dalam O
penelitian O
ini O
adalah O
model O
SVM O
, O
SVM O
dengan O
berbagai O
metode O
resampling O
, O
fine-tuned O
IndoBERT O
, O
dan O
fine-tuned O
mBERT. O
Berdasarkan O
hasil O
yang O
diperoleh O
, O
keadaan O
imbalanced O
dapat O
menurunkan O
kinerja O
SVM O
dan O
model O
fine- O
tuned. O
Selain O
itu O
, O
pada O
kondisi O
imbalanced O
dataset O
, O
fine-tuned O
IndoBERT O
dapat O
menangkap O
konteks O
kalimat O
lebih O
baik O
dari O
pada O
SVM. O
Kemudian O
, O
dengan O
penerapan O
strategi O
oversampling O
pada O
SVM O
dapat O
meningkatkan O
kinerja O
SVM O
untuk O
kondisi O
imbalanced O
dataset. O
Kombinasi B-TEMUAN
model I-TEMUAN
SVM I-TEMUAN
dan I-TEMUAN
SMOTE I-TEMUAN
mem- I-TEMUAN
berikan I-TEMUAN
performa I-TEMUAN
terbaik I-TEMUAN
dalam I-TEMUAN
menangani I-TEMUAN
masalah I-TEMUAN
imbalanced I-TEMUAN
dataset. I-TEMUAN
Kata O
Kunci—Bahasa O
Indonesia O
, O
Imbalanced O
Dataset O
, O
Hate O
Speech O
, O
Komentar O
Online O
News O
, O
Klasifikasi O
Teks O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
dalam O
penelitian O
ini O
, O
terdapat O
beberapa O
kesimpulan O
yang O
diperoleh O
: O
1 O
) O
Telah O
dibangun O
dataset O
untuk O
mendeteksi O
hate O
speech O
pada O
online O
news O
berbahasa O
Indonesia. O
2 O
) O
Telah O
dilakukan O
pembangunan O
model O
deteksi O
hate O
speech O
menggunakan O
SVM O
, O
fine-tuned O
indoBERT O
, O
dan O
mBERT O
pada O
pendekatan O
beberapa O
kondisi O
imbalanced O
dataset. O
Beberapa O
teknik O
resampling O
pada O
SVM O
telah O
diterapkan O
untuk O
mengatasi O
permasalahan O
imbalanced O
tersebut. O
3 O
) O
Telah O
dilakukan O
evaluasi O
kinerja O
model O
pendeteksian O
hate O
speech O
menggunakan O
SVM O
, O
fine-tuned O
IndoBERT O
imbalanced O
dan O
mBERT O
dengan O
beberapa O
kondisi O
dataset. O
Berdasarkan O
hasil O
evaluasi O
, O
kondisi O
imbalanced O
dapat O
menurunkan O
kinerja O
model O
SVM O
, O
fine-tuned O
In- O
doBERT O
dan O
mbERT. O
Selain O
itu O
, O
fine-tuned O
IndoBERT O
dapat O
menangkap O
konteks O
kalimat O
lebih O
baik O
daripada O
SVM O
, O
karena O
telah O
dilatih O
pada O
dataset O
dengan O
vocab- O
ulary O
yang O
lebih O
besar. O
Berdasarkan O
hasil O
eksperimen O
sebelum O
pembangunan O
model O
SVM O
, O
penerapan O
metode O
oversampling O
dan O
undersampling O
dapat O
menangani O
per- O
masalahan O
imbalanced O
dataset. O
Penggunaaan O
SMOTE O
sebagai O
strategi O
dari O
oversampling B-METODE
menunjukkan O
per- O
forma O
terbaik O
, O
dengan O
F1-score B-METODE
sebesar O
0.9590 O
sehingga O
teknik O
SMOTE O
telah O
bagus O
dijadikan O
sebagai O
metode O
resampling O
untuk O
mengatasi O
permasalahan O
imbalanced O
dataset O
pada O
pendeteksian O
hate O
speech. O
Disisi O
lain O
, O
Tomek B-METODE
Link I-METODE
Removal I-METODE
menghasilkan O
F1-score B-METODE
terburuk O
sebagai O
tanda O
bahwa O
penurunan O
jumlah O
data O
dalam O
im- O
balanced O
dataset O
tidak O
dianjurkan. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
Penelitian O
ini O
menggunakan O
pengambilan O
sampel O
acak O
untuk O
memenuhi O
beberapa O
kondisi O
imbalanced O
dataset O
dengan O
men- O
gurangi O
jumlah O
total O
kumpulan O
data. O
Namun O
, O
proses O
ini O
hanya O
dapat O
mewakili O
metode O
random O
undersampling O
yang O
berkin- O
erja O
lebih O
buruk O
dari O
metode O
oversampling O
dalam O
eksperimen O
ini. O
Saran O
pada O
penelitian O
selanjutnya O
, O
untuk O
mendapatkan O
dataset O
yang O
seimbang O
, O
disarankan O
untuk O
melakukan O
over- O
sampling O
dengan O
prosedur O
augmentasi O
khusus O
untuk O
teks O
data O
, O
seperti O
parafrase O
untuk O
menambah O
jumlah O
data O
pada O
kelas O
mi- O
noritas O
dengan O
memanfaatkan O
text O
generation O
untuk O
mengatasi O
kasus O
imbalanced O
dataset. O

Deteksi O
Hate O
Speech O
Berbahasa O
Indonesia O
pada O
Imbalanced O
Dataset O
( O
Studi O
Kasus O
: O
Komentar O
pada O
kompas.com O
Seputar O
Covid-19 O
) O
Almira O
Diva O
Sanya O
( O
221810155 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Lya O
Hulliyyatus O
Suadaa O
, O
SST. O
, O
MT. O
Ringkasan—Di O
era O
teknologi O
saat O
ini O
, O
masyarakat O
bisa O
mem- O
peroleh O
informasi O
secara O
cepat O
, O
up O
to O
date O
, O
serta O
dalam O
jumlah O
banyak O
dengan O
mengakses O
berita O
secara O
online. O
Kolom O
komentar O
biasanya O
disediakan O
sebagai O
fitur O
dalam O
online O
news O
untuk O
menyampaikan O
kritik O
, O
saran O
, O
dan O
pendapat O
terhadap O
suatu O
berita. O
Kemudahan O
ini O
merupakan O
bentuk O
kebebasan O
berek- O
spresi O
dan O
berpendapat O
bagi O
setiap O
orang. O
Namun O
, O
hal O
tersebut O
dapat O
meningkatkan O
peluang O
pengguna O
untuk O
mengekspresikan O
kebencian O
mereka O
pada O
kolom O
komentar. O
Maraknya O
postingan O
berisi O
hate O
speech O
perlu O
diatasi O
dengan O
pendeteksian O
hate O
speech O
secara O
otomatis. O
Namun O
, O
ada O
ketidakseimbangan O
antara O
jumlah O
komentar O
yang O
memuat O
hate O
speech O
dengan O
komentar O
yang O
bukan O
merupakan O
hate O
speech. O
Oleh O
karena O
itu O
, O
dalam O
penelitian O
ini O
pendeteksian B-TUJUAN
hate I-TUJUAN
speech I-TUJUAN
berbahasa I-TUJUAN
Indonesia I-TUJUAN
pada I-TUJUAN
komentar I-TUJUAN
dilakukan I-TUJUAN
dengan I-TUJUAN
beberapa I-TUJUAN
kondisi I-TUJUAN
imbalanced I-TUJUAN
dataset. I-TUJUAN
Model O
yang O
digunakan O
dalam O
penelitian O
ini O
adalah O
model O
SVM O
, O
SVM O
dengan O
berbagai O
metode O
resampling O
, O
fine-tuned O
IndoBERT O
, O
dan O
fine-tuned O
mBERT. O
Berdasarkan O
hasil O
yang O
diperoleh O
, O
keadaan O
imbalanced O
dapat O
menurunkan O
kinerja O
SVM O
dan O
model O
fine- O
tuned. O
Selain O
itu O
, O
pada O
kondisi O
imbalanced O
dataset O
, O
fine-tuned O
IndoBERT O
dapat O
menangkap O
konteks O
kalimat O
lebih O
baik O
dari O
pada O
SVM. O
Kemudian O
, O
dengan O
penerapan O
strategi O
oversampling O
pada O
SVM O
dapat O
meningkatkan O
kinerja O
SVM O
untuk O
kondisi O
imbalanced O
dataset. O
Kombinasi B-TEMUAN
model I-TEMUAN
SVM I-TEMUAN
dan I-TEMUAN
SMOTE I-TEMUAN
mem- I-TEMUAN
berikan I-TEMUAN
performa I-TEMUAN
terbaik I-TEMUAN
dalam I-TEMUAN
menangani I-TEMUAN
masalah I-TEMUAN
imbalanced I-TEMUAN
dataset. I-TEMUAN
Kata O
Kunci—Bahasa O
Indonesia O
, O
Imbalanced O
Dataset O
, O
Hate O
Speech O
, O
Komentar O
Online O
News O
, O
Klasifikasi O
Teks O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
dalam O
penelitian O
ini O
, O
terdapat O
beberapa O
kesimpulan O
yang O
diperoleh O
: O
1 O
) O
Telah O
dibangun O
dataset O
untuk O
mendeteksi O
hate O
speech O
pada O
online O
news O
berbahasa O
Indonesia. O
2 O
) O
Telah O
dilakukan O
pembangunan O
model O
deteksi O
hate O
speech O
menggunakan O
SVM O
, O
fine-tuned O
indoBERT O
, O
dan O
mBERT O
pada O
pendekatan O
beberapa O
kondisi O
imbalanced O
dataset. O
Beberapa O
teknik O
resampling O
pada O
SVM O
telah O
diterapkan O
untuk O
mengatasi O
permasalahan O
imbalanced O
tersebut. O
3 O
) O
Telah O
dilakukan O
evaluasi O
kinerja O
model O
pendeteksian O
hate O
speech O
menggunakan O
SVM O
, O
fine-tuned O
IndoBERT O
imbalanced O
dan O
mBERT O
dengan O
beberapa O
kondisi O
dataset. O
Berdasarkan O
hasil O
evaluasi O
, O
kondisi O
imbalanced O
dapat O
menurunkan O
kinerja O
model O
SVM O
, O
fine-tuned O
In- O
doBERT O
dan O
mbERT. O
Selain O
itu O
, O
fine-tuned O
IndoBERT O
dapat O
menangkap O
konteks O
kalimat O
lebih O
baik O
daripada O
SVM O
, O
karena O
telah O
dilatih O
pada O
dataset O
dengan O
vocab- O
ulary O
yang O
lebih O
besar. O
Berdasarkan O
hasil O
eksperimen O
sebelum O
pembangunan O
model O
SVM O
, O
penerapan O
metode O
oversampling O
dan O
undersampling O
dapat O
menangani O
per- O
masalahan O
imbalanced O
dataset. O
Penggunaaan O
SMOTE O
sebagai O
strategi O
dari O
oversampling B-METODE
menunjukkan O
per- O
forma O
terbaik O
, O
dengan O
F1-score B-METODE
sebesar O
0.9590 O
sehingga O
teknik O
SMOTE O
telah O
bagus O
dijadikan O
sebagai O
metode O
resampling O
untuk O
mengatasi O
permasalahan O
imbalanced O
dataset O
pada O
pendeteksian O
hate O
speech. O
Disisi O
lain O
, O
Tomek B-METODE
Link I-METODE
Removal I-METODE
menghasilkan O
F1-score B-METODE
terburuk O
sebagai O
tanda O
bahwa O
penurunan O
jumlah O
data O
dalam O
im- O
balanced O
dataset O
tidak O
dianjurkan. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
Penelitian O
ini O
menggunakan O
pengambilan O
sampel O
acak O
untuk O
memenuhi O
beberapa O
kondisi O
imbalanced O
dataset O
dengan O
men- O
gurangi O
jumlah O
total O
kumpulan O
data. O
Namun O
, O
proses O
ini O
hanya O
dapat O
mewakili O
metode O
random O
undersampling O
yang O
berkin- O
erja O
lebih O
buruk O
dari O
metode O
oversampling O
dalam O
eksperimen O
ini. O
Saran O
pada O
penelitian O
selanjutnya O
, O
untuk O
mendapatkan O
dataset O
yang O
seimbang O
, O
disarankan O
untuk O
melakukan O
over- O
sampling O
dengan O
prosedur O
augmentasi O
khusus O
untuk O
teks O
data O
, O
seperti O
parafrase O
untuk O
menambah O
jumlah O
data O
pada O
kelas O
mi- O
noritas O
dengan O
memanfaatkan O
text O
generation O
untuk O
mengatasi O
kasus O
imbalanced O
dataset. O

Pengembangan O
Package O
R O
untuk O
Fuzzy O
ART O
K- O
Means O
Clustering O
Technique O
( O
FAKMCT O
) O
Studi O
Kasus O
: O
Indikator O
Kota O
Berkelanjutan O
Alfi O
Nurrahmah O
( O
221810140 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
S.ST O
, O
M.Si O
Ringkasan— O
Pengembangan O
metode B-METODE
clustering I-METODE
semakin O
bermacam-macam O
dan O
berdasarkan O
penelitian O
Xu O
dan O
Tian O
( O
2015 O
) O
salah O
satu O
metode O
clustering O
berbasis O
model O
jaringan O
syaraf O
( O
neural O
network O
) O
adalah O
Adaptive O
Resonance O
Theory O
( O
ART O
) O
. O
Metode O
ART O
dikembangkan O
oleh O
oleh O
Carpenter O
dan O
Grossberg O
( O
1987 O
) O
untuk O
mengatasi O
permasalahan O
plasticity O
stability O
dilemma O
pada O
Artificial O
Neural O
Network O
( O
ANN O
) O
. O
Sengupta O
, O
Ghosh O
, O
dan O
Dan O
( O
2011 O
) O
serta O
Othman O
et O
al. O
, O
( O
2011 O
) O
membuat O
kajian O
mengenai O
sebuah O
metode O
hybrid O
clustering O
dengan O
integrasi O
metode O
K- O
Means O
pada O
arsitektur O
metode O
Fuzzy O
ART O
atau O
disebut O
dengan O
Fuzzy B-METODE
ART I-METODE
K-Means I-METODE
Clustering I-METODE
Technique I-METODE
( I-METODE
FAKMCT I-METODE
) I-METODE
. O
Belum O
ada O
penerapan O
metode B-METODE
FAKMCT I-METODE
pada O
package O
R. O
Penelitian O
ini O
telah O
berhasil O
mengembangkan B-TUJUAN
package I-TUJUAN
R I-TUJUAN
‘fakmct’ I-TUJUAN
dan O
telah O
tersedia O
pada O
situs O
Comprehensive O
R O
Archive O
Network O
( O
CRAN O
) O
melalui O
https O
: O
/ O
/ O
CRAN.R-project.org O
/ O
package=fakmct. O
Implementasi O
package O
‘fakmct’ O
dilakukan O
pada O
data O
bangkitan O
berdistribusi O
multivariate O
normal. O
Sementara O
itu O
, O
untuk O
hasil O
clustering O
data O
studi O
kasus O
didapatkan O
4 O
cluster O
yang O
terbentuk O
dengan O
masing- O
masing O
berukuran O
10 O
, O
8 O
, O
13 O
, O
dan O
3 O
yang O
dinamakan O
wilayah O
maju O
, O
potensial O
, O
tertekan O
dan O
tertinggal. O
Dimensi O
indikator-indikator O
kota O
berkelanjutan O
juga O
berpengaruh O
pada O
cluster O
yang O
berbeda. O
Kata O
Kunci— O
Fuzzy O
ART O
, O
K-Means O
, O
Clustering O
, O
Package O
R O
, O
Adaptive O
Resonance O
Theory O
, O
Indikator O
Kota O
Berkelanjutan O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
berikut O
merupakan O
kesimpulan O
yang O
dapat O
diambil O
dari O
penelitian O
ini O
: O
1. O
Algoritma O
hybrid O
clustering O
dengan O
integrasi O
metode O
K- O
Means O
pada O
arsitektur O
metode O
Fuzzy O
ART O
atau O
disebut O
dengan O
Fuzzy O
ART O
K-Means O
Clustering O
Technique O
( O
FAKMCT O
) O
yang O
diusulkan O
oleh O
Sengupta O
et O
al. O
, O
( O
2011 O
) O
telah B-TEMUAN
berhasil I-TEMUAN
dikembangkan I-TEMUAN
dalam I-TEMUAN
package I-TEMUAN
R I-TEMUAN
‘fakmct’ I-TEMUAN
dan I-TEMUAN
telah I-TEMUAN
tersedia I-TEMUAN
pada I-TEMUAN
situs I-TEMUAN
Comprehensive I-TEMUAN
R I-TEMUAN
Archive I-TEMUAN
Network I-TEMUAN
https I-TEMUAN
: I-TEMUAN
/ I-TEMUAN
/ I-TEMUAN
CRAN.R- I-TEMUAN
( I-TEMUAN
CRAN I-TEMUAN
) I-TEMUAN
melalui I-TEMUAN
project.org I-TEMUAN
/ I-TEMUAN
package=fakmct. I-TEMUAN
Berdasarkan O
uji B-METODE
validitas I-METODE
dengan O
pendekatan O
metode O
K-Means O
dan O
menggunakan O
data O
telah O
IRIS O
, O
package O
R O
yang O
dikembangkan O
menghasilkan O
output O
yang O
sesuai O
dengan O
clustering O
menggunakan O
Matlab. O
berikut O
link O
2. O
Implementasi O
package O
‘fakmct’ O
pada O
data O
bangkitan O
berdistribusi O
multivariate O
normal O
menghasilkan O
parameter O
optimum O
yang O
berbeda O
untuk O
tiga O
dataset. O
Sementara O
itu O
, O
untuk O
hasil O
clustering O
data O
studi O
kasus O
dengan O
parameter O
optimal O
didapatkan O
4 O
cluster O
yang O
terbentuk O
dengan O
masing O
masing O
berukuran O
10 O
, O
8 O
, O
13 O
, O
dan O
3 O
di O
mana O
berdasarkan O
penelitian O
Pratiwi O
( O
2018 O
) O
cluster O
3 O
, O
cluster O
2 O
, O
cluster O
1 O
dan O
cluster O
4 O
secara O
berurutan O
dinamakan O
wilayah O
maju O
, O
potensial O
, O
tertekan O
dan O
tertinggal. O
Cluster O
1 O
memiliki O
kondisi O
dimensi-dimensi O
pembentuk O
indikator O
kota O
berkelanjutan O
yang O
paling O
baik O
di O
antara O
ke-3 O
lainnya. O
Sementara O
itu O
, O
wilayah O
potensial O
atau O
cluster O
2 O
yang O
diikuti O
oleh O
cluster O
1 O
berada O
dalam O
kondisi O
menengah O
dan O
dapat O
berpotensi O
untuk O
menjadi O
wilayah O
maju O
jika O
kelemahan O
setiap O
dimensinya O
dapat O
teratasi. O
Sedangkan O
untuk O
cluster O
4 O
atau O
wilayah O
tertinggal O
, O
yaitu O
Maluku O
, O
Papua O
Barat O
dan O
Sulawesi O
Utara O
masih O
terdapat O
beberapa O
ketertinggalan O
dalam O
sektor O
pendidikan O
, O
partisipasi O
angkatan O
kerja O
, O
serta O
tingkat O
kriminalitas O
yang O
masih O
sangat O
tinggi. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
B. O
Saran O
Dengan O
hasil O
dan O
kesimpulan O
dari O
penelitian O
yang O
telah O
dilakukan O
, O
peneliti O
memberikan O
beberapa O
saran O
sebagai O
berikut O
: O
1. O
Package O
R O
yang O
dibuat O
masih O
memiliki O
keterbatasan O
diantaranya O
untuk O
data O
yang O
berkorelasi O
kurang O
cocok O
menggunakan O
jarak O
Euclidean O
sehingga O
untuk O
pengembangan O
selanjutnya O
dapat O
ditambahkan O
pilihan O
jarak O
lain O
yang O
lebih O
sesuai. O
Selain O
itu O
, O
algoritma O
FAKMCT O
belum O
mengatasi O
secara O
maksimal O
masalah O
urutan O
data O
observasi O
yang O
sensitif O
terhadap O
model O
clustering. O
Hal O
ini O
dapat O
diatasi O
dengan O
penambahan O
pre-ordering O
menggunakan O
visual O
assessment O
of O
cluster O
tendency O
( O
VAT O
) O
sehingga O
performa O
cluster O
yang O
dihasilkan O
akan O
lebih O
baik. O
2. O
Terdapat O
potensi O
untuk O
provinsi-provinsi O
yang O
berada O
pada O
cluster O
2 O
dan O
1 O
sebagai O
calon O
Ibu O
Kota O
Kawasan O
metropolitan. O
Hal O
ini O
sejalan O
dengan O
proyek O
RPJMN O
di O
mana O
diperlukan O
kolaborasi O
yang O
maksimal O
dalam O
menuntaskan O
masalah-masalah O
fasilitas O
pelayanan O
perumahan O
yang O
layak O
, O
akses O
transportasi O
umum O
yang O
nyaman O
, O
tingkat O
pendidikan O
baik O
, O
kualitas O
lingkungan O
baik O
, O
tingkat O
kriminalitas O
yang O
rendah O
, O
dan O
partisipasi O
angkatan O
kerja O
yang O
maksimal O
, O
serta O
untuk O
menanggulangi O
risiko O
bencana. O
terkait O

Pengembangan O
Package O
R O
untuk O
Fuzzy O
ART O
K- O
Means O
Clustering O
Technique O
( O
FAKMCT O
) O
Studi O
Kasus O
: O
Indikator O
Kota O
Berkelanjutan O
Alfi O
Nurrahmah O
( O
221810140 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
S.ST O
, O
M.Si O
Ringkasan— O
Pengembangan O
metode B-METODE
clustering I-METODE
semakin O
bermacam-macam O
dan O
berdasarkan O
penelitian O
Xu O
dan O
Tian O
( O
2015 O
) O
salah O
satu O
metode O
clustering O
berbasis O
model O
jaringan O
syaraf O
( O
neural O
network O
) O
adalah O
Adaptive O
Resonance O
Theory O
( O
ART O
) O
. O
Metode O
ART O
dikembangkan O
oleh O
oleh O
Carpenter O
dan O
Grossberg O
( O
1987 O
) O
untuk O
mengatasi O
permasalahan O
plasticity O
stability O
dilemma O
pada O
Artificial O
Neural O
Network O
( O
ANN O
) O
. O
Sengupta O
, O
Ghosh O
, O
dan O
Dan O
( O
2011 O
) O
serta O
Othman O
et O
al. O
, O
( O
2011 O
) O
membuat O
kajian O
mengenai O
sebuah O
metode O
hybrid O
clustering O
dengan O
integrasi O
metode O
K- O
Means O
pada O
arsitektur O
metode O
Fuzzy O
ART O
atau O
disebut O
dengan O
Fuzzy B-METODE
ART I-METODE
K-Means I-METODE
Clustering I-METODE
Technique I-METODE
( I-METODE
FAKMCT I-METODE
) I-METODE
. O
Belum O
ada O
penerapan O
metode B-METODE
FAKMCT I-METODE
pada O
package O
R. O
Penelitian O
ini O
telah O
berhasil O
mengembangkan B-TUJUAN
package I-TUJUAN
R I-TUJUAN
‘fakmct’ I-TUJUAN
dan O
telah O
tersedia O
pada O
situs O
Comprehensive O
R O
Archive O
Network O
( O
CRAN O
) O
melalui O
https O
: O
/ O
/ O
CRAN.R-project.org O
/ O
package=fakmct. O
Implementasi O
package O
‘fakmct’ O
dilakukan O
pada O
data O
bangkitan O
berdistribusi O
multivariate O
normal. O
Sementara O
itu O
, O
untuk O
hasil O
clustering O
data O
studi O
kasus O
didapatkan O
4 O
cluster O
yang O
terbentuk O
dengan O
masing- O
masing O
berukuran O
10 O
, O
8 O
, O
13 O
, O
dan O
3 O
yang O
dinamakan O
wilayah O
maju O
, O
potensial O
, O
tertekan O
dan O
tertinggal. O
Dimensi O
indikator-indikator O
kota O
berkelanjutan O
juga O
berpengaruh O
pada O
cluster O
yang O
berbeda. O
Kata O
Kunci— O
Fuzzy O
ART O
, O
K-Means O
, O
Clustering O
, O
Package O
R O
, O
Adaptive O
Resonance O
Theory O
, O
Indikator O
Kota O
Berkelanjutan O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
berikut O
merupakan O
kesimpulan O
yang O
dapat O
diambil O
dari O
penelitian O
ini O
: O
1. O
Algoritma O
hybrid O
clustering O
dengan O
integrasi O
metode O
K- O
Means O
pada O
arsitektur O
metode O
Fuzzy O
ART O
atau O
disebut O
dengan O
Fuzzy O
ART O
K-Means O
Clustering O
Technique O
( O
FAKMCT O
) O
yang O
diusulkan O
oleh O
Sengupta O
et O
al. O
, O
( O
2011 O
) O
telah B-TEMUAN
berhasil I-TEMUAN
dikembangkan I-TEMUAN
dalam I-TEMUAN
package I-TEMUAN
R I-TEMUAN
‘fakmct’ I-TEMUAN
dan I-TEMUAN
telah I-TEMUAN
tersedia I-TEMUAN
pada I-TEMUAN
situs I-TEMUAN
Comprehensive I-TEMUAN
R I-TEMUAN
Archive I-TEMUAN
Network I-TEMUAN
https I-TEMUAN
: I-TEMUAN
/ I-TEMUAN
/ I-TEMUAN
CRAN.R- I-TEMUAN
( I-TEMUAN
CRAN I-TEMUAN
) I-TEMUAN
melalui I-TEMUAN
project.org I-TEMUAN
/ I-TEMUAN
package=fakmct. I-TEMUAN
Berdasarkan O
uji B-METODE
validitas I-METODE
dengan O
pendekatan O
metode O
K-Means O
dan O
menggunakan O
data O
telah O
IRIS O
, O
package O
R O
yang O
dikembangkan O
menghasilkan O
output O
yang O
sesuai O
dengan O
clustering O
menggunakan O
Matlab. O
berikut O
link O
2. O
Implementasi O
package O
‘fakmct’ O
pada O
data O
bangkitan O
berdistribusi O
multivariate O
normal O
menghasilkan O
parameter O
optimum O
yang O
berbeda O
untuk O
tiga O
dataset. O
Sementara O
itu O
, O
untuk O
hasil O
clustering O
data O
studi O
kasus O
dengan O
parameter O
optimal O
didapatkan O
4 O
cluster O
yang O
terbentuk O
dengan O
masing O
masing O
berukuran O
10 O
, O
8 O
, O
13 O
, O
dan O
3 O
di O
mana O
berdasarkan O
penelitian O
Pratiwi O
( O
2018 O
) O
cluster O
3 O
, O
cluster O
2 O
, O
cluster O
1 O
dan O
cluster O
4 O
secara O
berurutan O
dinamakan O
wilayah O
maju O
, O
potensial O
, O
tertekan O
dan O
tertinggal. O
Cluster O
1 O
memiliki O
kondisi O
dimensi-dimensi O
pembentuk O
indikator O
kota O
berkelanjutan O
yang O
paling O
baik O
di O
antara O
ke-3 O
lainnya. O
Sementara O
itu O
, O
wilayah O
potensial O
atau O
cluster O
2 O
yang O
diikuti O
oleh O
cluster O
1 O
berada O
dalam O
kondisi O
menengah O
dan O
dapat O
berpotensi O
untuk O
menjadi O
wilayah O
maju O
jika O
kelemahan O
setiap O
dimensinya O
dapat O
teratasi. O
Sedangkan O
untuk O
cluster O
4 O
atau O
wilayah O
tertinggal O
, O
yaitu O
Maluku O
, O
Papua O
Barat O
dan O
Sulawesi O
Utara O
masih O
terdapat O
beberapa O
ketertinggalan O
dalam O
sektor O
pendidikan O
, O
partisipasi O
angkatan O
kerja O
, O
serta O
tingkat O
kriminalitas O
yang O
masih O
sangat O
tinggi. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
B. O
Saran O
Dengan O
hasil O
dan O
kesimpulan O
dari O
penelitian O
yang O
telah O
dilakukan O
, O
peneliti O
memberikan O
beberapa O
saran O
sebagai O
berikut O
: O
1. O
Package O
R O
yang O
dibuat O
masih O
memiliki O
keterbatasan O
diantaranya O
untuk O
data O
yang O
berkorelasi O
kurang O
cocok O
menggunakan O
jarak O
Euclidean O
sehingga O
untuk O
pengembangan O
selanjutnya O
dapat O
ditambahkan O
pilihan O
jarak O
lain O
yang O
lebih O
sesuai. O
Selain O
itu O
, O
algoritma O
FAKMCT O
belum O
mengatasi O
secara O
maksimal O
masalah O
urutan O
data O
observasi O
yang O
sensitif O
terhadap O
model O
clustering. O
Hal O
ini O
dapat O
diatasi O
dengan O
penambahan O
pre-ordering O
menggunakan O
visual O
assessment O
of O
cluster O
tendency O
( O
VAT O
) O
sehingga O
performa O
cluster O
yang O
dihasilkan O
akan O
lebih O
baik. O
2. O
Terdapat O
potensi O
untuk O
provinsi-provinsi O
yang O
berada O
pada O
cluster O
2 O
dan O
1 O
sebagai O
calon O
Ibu O
Kota O
Kawasan O
metropolitan. O
Hal O
ini O
sejalan O
dengan O
proyek O
RPJMN O
di O
mana O
diperlukan O
kolaborasi O
yang O
maksimal O
dalam O
menuntaskan O
masalah-masalah O
fasilitas O
pelayanan O
perumahan O
yang O
layak O
, O
akses O
transportasi O
umum O
yang O
nyaman O
, O
tingkat O
pendidikan O
baik O
, O
kualitas O
lingkungan O
baik O
, O
tingkat O
kriminalitas O
yang O
rendah O
, O
dan O
partisipasi O
angkatan O
kerja O
yang O
maksimal O
, O
serta O
untuk O
menanggulangi O
risiko O
bencana. O
terkait O

Analysis O
dan O
Topic O
Modeling O
terhadap O
Ulasan O
Aplikasi O
PeduliLindungi O
menggunakan O
Transformer-based O
Model O
Aldias O
Irvan O
Nugraha O
( O
221810138 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
, O
S.ST. O
, O
M.Si. O
Ringkasan— O
PeduliLindungi O
merupakan O
alat O
pendukung O
pelacakan O
kontak O
yang O
menjadi O
komponen O
utama O
dari O
strategi O
komprehensif O
untuk O
mengendalikan O
penyebaran O
COVID-19 O
di O
Indonesia. O
Atas O
dasar O
inilah O
, O
penting O
dilakukan B-TUJUAN
evaluasi I-TUJUAN
dan I-TUJUAN
peningkatan I-TUJUAN
kualitas I-TUJUAN
aplikasi I-TUJUAN
melalui I-TUJUAN
berbagai I-TUJUAN
metode I-TUJUAN
ekstraksi I-TUJUAN
informasi I-TUJUAN
, I-TUJUAN
seperti I-TUJUAN
sentiment I-TUJUAN
analysis I-TUJUAN
dan I-TUJUAN
topic I-TUJUAN
modeling. I-TUJUAN
Model O
ekstraksi O
informasi O
yang O
populer O
digunakan O
masih O
memiliki O
kekurangan O
sehingga O
peneliti O
menggunakan O
model O
BERT O
dengan O
berbagai O
perbedaan O
perlakuan O
data O
preprocessing O
dan O
teknik O
BERTopic O
sebagai O
solusi O
pemetaan O
topik O
yang O
ramai O
dibicarakan O
pengguna. O
Hasil O
penelitian O
memperlihatkan O
bahwa O
perlakuan O
data O
preprocessing O
terbaik O
mencapai O
nilai O
tertinggi O
di O
setiap O
matriks O
evaluasi O
, O
tetapi O
perlakuan O
data O
preprocessing O
yang O
berlebihan O
justru O
berdampak O
negatif O
pada O
kinerja O
model. O
Light B-TEMUAN
preprocessing I-TEMUAN
pada I-TEMUAN
dataset I-TEMUAN
bahasa I-TEMUAN
Inggris I-TEMUAN
memberikan I-TEMUAN
accuracy I-TEMUAN
89,77 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
precision I-TEMUAN
89,86 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
recall I-TEMUAN
89,77 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
f1-score I-TEMUAN
89,79 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
sedangkan I-TEMUAN
dataset I-TEMUAN
Indonesia I-TEMUAN
mendapatkan I-TEMUAN
accuracy I-TEMUAN
84,01 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
precision I-TEMUAN
83,67 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
recall I-TEMUAN
84,42 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
f1-score I-TEMUAN
83,83 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Sementara O
itu O
, O
hasil B-TEMUAN
topic I-TEMUAN
modeling I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
meskipun I-TEMUAN
ada I-TEMUAN
pendapat I-TEMUAN
positif I-TEMUAN
tentang I-TEMUAN
aplikasi I-TEMUAN
, I-TEMUAN
masih I-TEMUAN
ditemukan I-TEMUAN
ketidak I-TEMUAN
puasan I-TEMUAN
pengguna I-TEMUAN
terhadap I-TEMUAN
beberapa I-TEMUAN
masalah I-TEMUAN
terkait I-TEMUAN
baterai I-TEMUAN
dan I-TEMUAN
lokasi I-TEMUAN
, I-TEMUAN
sertifikat I-TEMUAN
vaksin I-TEMUAN
, I-TEMUAN
kode I-TEMUAN
OTP I-TEMUAN
, I-TEMUAN
update I-TEMUAN
aplikasi I-TEMUAN
, I-TEMUAN
input I-TEMUAN
tanggal I-TEMUAN
lahir I-TEMUAN
, I-TEMUAN
performa I-TEMUAN
lambat I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
ketersediaan I-TEMUAN
versi I-TEMUAN
internasional. I-TEMUAN
Kata O
Kunci— O
Sentiment O
Analysis O
, O
Topic O
Modeling O
, O
PeduliLindungi O
, O
BERT O
, O
BERTopic. O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
percobaan O
yang O
telah O
dilakukan O
, O
peneliti O
tujuan O
penelitian O
dan O
memperoleh O
berhasil O
menjawab O
kesimpulan O
sebagai O
berikut O
: O
1 O
) O
Hasil O
perlakuan O
data O
preparation O
terbaik O
kedua O
bahasa O
yang O
diperoleh O
memperlihatkan O
keduanya O
mencapai O
nilai O
tertinggi O
pada O
setiap O
matriks O
evaluasi O
, O
etapi O
perlakuan O
data O
preprocessing O
yang O
berlebihan O
justru O
berdampak O
negatif O
pada O
kinerja O
model. O
Berikut O
adalah O
model O
terbaik O
yang O
dihasilkan O
: O
a O
) O
Dataset O
asli O
berbahasa O
Inggris O
dengan O
light O
preprocessing O
yang O
memperoleh O
nilai O
accuracy B-METODE
89,77 O
% O
, O
precision B-METODE
89,86 O
% O
, O
recall B-METODE
89,77 O
% O
, O
dan O
f1- B-METODE
score I-METODE
89,79 O
% O
, O
sedangkan O
dataset O
berbahasa O
Indonesia O
dengan O
light O
preprocessing O
mendapat O
nilai O
accuracy O
84,01 O
% O
, O
precision O
83,67 O
% O
, O
recall O
84,42 O
% O
, O
dan O
f1-score O
83,83 O
% O
. O
alternatif O
tanpa O
preprocessing O
yang O
memperoleh O
nilai O
accuracy O
94,06 O
% O
, O
precision O
94,20 O
% O
, O
recall O
94,06 O
% O
, O
dan O
f1- O
sedangkan O
dataset O
berbahasa O
score O
94,06 O
% O
, O
berbahasa O
Inggris O
b O
) O
Dataset O
7 O
/ O
8 O
Indonesia O
tanpa O
preprocessing O
mendapat O
nilai O
accuracy O
87,42 O
% O
, O
precision O
87,49 O
% O
, O
recall O
87,42 O
% O
, O
dan O
f1-score O
87,44 O
% O
. O
2 O
) O
Analisis O
topic B-METODE
modeling I-METODE
dengan O
teknik O
BERTopic O
menunjukkan O
bahwa O
meskipun O
terdapat O
opini O
positif O
terkait O
aplikasi O
pada O
sentimen O
positif O
, O
masih O
banyak O
ketidakpuasan O
ditemukan O
pengguna O
atas O
berbagai O
permasalahan O
pada O
sentimen O
negatif O
dan O
netral O
meliputi O
baterai O
dan O
lokasi O
, O
sertifikat O
vaksin O
, O
kode O
OTP O
, O
update O
aplikasi O
, O
input O
tanggal O
lahir O
, O
performa O
lambat O
, O
dan O
ketersediaan O
versi O
internasional. O
pembicaraan O
tentang O
B. O
Saran O
Berikut O
adalah O
beberapa O
masukan O
untuk O
penelitian O
selanjutnya O
: O
1 O
) O
Penentuan O
hyperparameter O
model O
BERT O
dapat O
menggunakan O
teknik O
tuning O
yang O
lebih O
advance O
, O
salah O
satunya O
dengan O
memanfaatkan O
library O
Ray O
Tune. O
2 O
) O
Penggunaan O
matriks O
evaluasi O
yang O
berbeda O
seperti O
Matthew’s O
correlation O
coefficient O
pada O
sentiment O
analysis O
yang O
ramah O
terhadap O
imbalanced O
data O
serta O
Normalized O
Pointwise O
Mutual O
Information O
( O
NPMI O
) O
untuk O
evaluasi O
jumlah O
topik O
pada O
topic O
modeling. O
3 O
) O
Pembahasan O
lebih O
lanjut O
mengenai O
data O
balancing O
terutama O
pada O
data O
teks O
serta O
deteksi O
ulasan O
yang O
mengandung O
majas O
satire. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O

Analysis O
dan O
Topic O
Modeling O
terhadap O
Ulasan O
Aplikasi O
PeduliLindungi O
menggunakan O
Transformer-based O
Model O
Aldias O
Irvan O
Nugraha O
( O
221810138 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
, O
S.ST. O
, O
M.Si. O
Ringkasan— O
PeduliLindungi O
merupakan O
alat O
pendukung O
pelacakan O
kontak O
yang O
menjadi O
komponen O
utama O
dari O
strategi O
komprehensif O
untuk O
mengendalikan O
penyebaran O
COVID-19 O
di O
Indonesia. O
Atas O
dasar O
inilah O
, O
penting O
dilakukan B-TUJUAN
evaluasi I-TUJUAN
dan I-TUJUAN
peningkatan I-TUJUAN
kualitas I-TUJUAN
aplikasi I-TUJUAN
melalui I-TUJUAN
berbagai I-TUJUAN
metode I-TUJUAN
ekstraksi I-TUJUAN
informasi I-TUJUAN
, I-TUJUAN
seperti I-TUJUAN
sentiment I-TUJUAN
analysis I-TUJUAN
dan I-TUJUAN
topic I-TUJUAN
modeling. I-TUJUAN
Model O
ekstraksi O
informasi O
yang O
populer O
digunakan O
masih O
memiliki O
kekurangan O
sehingga O
peneliti O
menggunakan O
model O
BERT O
dengan O
berbagai O
perbedaan O
perlakuan O
data O
preprocessing O
dan O
teknik O
BERTopic O
sebagai O
solusi O
pemetaan O
topik O
yang O
ramai O
dibicarakan O
pengguna. O
Hasil O
penelitian O
memperlihatkan O
bahwa O
perlakuan O
data O
preprocessing O
terbaik O
mencapai O
nilai O
tertinggi O
di O
setiap O
matriks O
evaluasi O
, O
tetapi O
perlakuan O
data O
preprocessing O
yang O
berlebihan O
justru O
berdampak O
negatif O
pada O
kinerja O
model. O
Light B-TEMUAN
preprocessing I-TEMUAN
pada I-TEMUAN
dataset I-TEMUAN
bahasa I-TEMUAN
Inggris I-TEMUAN
memberikan I-TEMUAN
accuracy I-TEMUAN
89,77 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
precision I-TEMUAN
89,86 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
recall I-TEMUAN
89,77 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
f1-score I-TEMUAN
89,79 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
sedangkan I-TEMUAN
dataset I-TEMUAN
Indonesia I-TEMUAN
mendapatkan I-TEMUAN
accuracy I-TEMUAN
84,01 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
precision I-TEMUAN
83,67 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
recall I-TEMUAN
84,42 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
f1-score I-TEMUAN
83,83 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Sementara O
itu O
, O
hasil B-TEMUAN
topic I-TEMUAN
modeling I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
meskipun I-TEMUAN
ada I-TEMUAN
pendapat I-TEMUAN
positif I-TEMUAN
tentang I-TEMUAN
aplikasi I-TEMUAN
, I-TEMUAN
masih I-TEMUAN
ditemukan I-TEMUAN
ketidak I-TEMUAN
puasan I-TEMUAN
pengguna I-TEMUAN
terhadap I-TEMUAN
beberapa I-TEMUAN
masalah I-TEMUAN
terkait I-TEMUAN
baterai I-TEMUAN
dan I-TEMUAN
lokasi I-TEMUAN
, I-TEMUAN
sertifikat I-TEMUAN
vaksin I-TEMUAN
, I-TEMUAN
kode I-TEMUAN
OTP I-TEMUAN
, I-TEMUAN
update I-TEMUAN
aplikasi I-TEMUAN
, I-TEMUAN
input I-TEMUAN
tanggal I-TEMUAN
lahir I-TEMUAN
, I-TEMUAN
performa I-TEMUAN
lambat I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
ketersediaan I-TEMUAN
versi I-TEMUAN
internasional. I-TEMUAN
Kata O
Kunci— O
Sentiment O
Analysis O
, O
Topic O
Modeling O
, O
PeduliLindungi O
, O
BERT O
, O
BERTopic. O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
percobaan O
yang O
telah O
dilakukan O
, O
peneliti O
tujuan O
penelitian O
dan O
memperoleh O
berhasil O
menjawab O
kesimpulan O
sebagai O
berikut O
: O
1 O
) O
Hasil O
perlakuan O
data O
preparation O
terbaik O
kedua O
bahasa O
yang O
diperoleh O
memperlihatkan O
keduanya O
mencapai O
nilai O
tertinggi O
pada O
setiap O
matriks O
evaluasi O
, O
etapi O
perlakuan O
data O
preprocessing O
yang O
berlebihan O
justru O
berdampak O
negatif O
pada O
kinerja O
model. O
Berikut O
adalah O
model O
terbaik O
yang O
dihasilkan O
: O
a O
) O
Dataset O
asli O
berbahasa O
Inggris O
dengan O
light O
preprocessing O
yang O
memperoleh O
nilai O
accuracy B-METODE
89,77 O
% O
, O
precision B-METODE
89,86 O
% O
, O
recall B-METODE
89,77 O
% O
, O
dan O
f1- B-METODE
score I-METODE
89,79 O
% O
, O
sedangkan O
dataset O
berbahasa O
Indonesia O
dengan O
light O
preprocessing O
mendapat O
nilai O
accuracy O
84,01 O
% O
, O
precision O
83,67 O
% O
, O
recall O
84,42 O
% O
, O
dan O
f1-score O
83,83 O
% O
. O
alternatif O
tanpa O
preprocessing O
yang O
memperoleh O
nilai O
accuracy O
94,06 O
% O
, O
precision O
94,20 O
% O
, O
recall O
94,06 O
% O
, O
dan O
f1- O
sedangkan O
dataset O
berbahasa O
score O
94,06 O
% O
, O
berbahasa O
Inggris O
b O
) O
Dataset O
7 O
/ O
8 O
Indonesia O
tanpa O
preprocessing O
mendapat O
nilai O
accuracy O
87,42 O
% O
, O
precision O
87,49 O
% O
, O
recall O
87,42 O
% O
, O
dan O
f1-score O
87,44 O
% O
. O
2 O
) O
Analisis O
topic B-METODE
modeling I-METODE
dengan O
teknik O
BERTopic O
menunjukkan O
bahwa O
meskipun O
terdapat O
opini O
positif O
terkait O
aplikasi O
pada O
sentimen O
positif O
, O
masih O
banyak O
ketidakpuasan O
ditemukan O
pengguna O
atas O
berbagai O
permasalahan O
pada O
sentimen O
negatif O
dan O
netral O
meliputi O
baterai O
dan O
lokasi O
, O
sertifikat O
vaksin O
, O
kode O
OTP O
, O
update O
aplikasi O
, O
input O
tanggal O
lahir O
, O
performa O
lambat O
, O
dan O
ketersediaan O
versi O
internasional. O
pembicaraan O
tentang O
B. O
Saran O
Berikut O
adalah O
beberapa O
masukan O
untuk O
penelitian O
selanjutnya O
: O
1 O
) O
Penentuan O
hyperparameter O
model O
BERT O
dapat O
menggunakan O
teknik O
tuning O
yang O
lebih O
advance O
, O
salah O
satunya O
dengan O
memanfaatkan O
library O
Ray O
Tune. O
2 O
) O
Penggunaan O
matriks O
evaluasi O
yang O
berbeda O
seperti O
Matthew’s O
correlation O
coefficient O
pada O
sentiment O
analysis O
yang O
ramah O
terhadap O
imbalanced O
data O
serta O
Normalized O
Pointwise O
Mutual O
Information O
( O
NPMI O
) O
untuk O
evaluasi O
jumlah O
topik O
pada O
topic O
modeling. O
3 O
) O
Pembahasan O
lebih O
lanjut O
mengenai O
data O
balancing O
terutama O
pada O
data O
teks O
serta O
deteksi O
ulasan O
yang O
mengandung O
majas O
satire. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O

Analysis O
dan O
Topic O
Modeling O
terhadap O
Ulasan O
Aplikasi O
PeduliLindungi O
menggunakan O
Transformer-based O
Model O
Aldias O
Irvan O
Nugraha O
( O
221810138 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
, O
S.ST. O
, O
M.Si. O
Ringkasan— O
PeduliLindungi O
merupakan O
alat O
pendukung O
pelacakan O
kontak O
yang O
menjadi O
komponen O
utama O
dari O
strategi O
komprehensif O
untuk O
mengendalikan O
penyebaran O
COVID-19 O
di O
Indonesia. O
Atas O
dasar O
inilah O
, O
penting O
dilakukan B-TUJUAN
evaluasi I-TUJUAN
dan I-TUJUAN
peningkatan I-TUJUAN
kualitas I-TUJUAN
aplikasi I-TUJUAN
melalui I-TUJUAN
berbagai I-TUJUAN
metode I-TUJUAN
ekstraksi I-TUJUAN
informasi I-TUJUAN
, I-TUJUAN
seperti I-TUJUAN
sentiment I-TUJUAN
analysis I-TUJUAN
dan I-TUJUAN
topic I-TUJUAN
modeling. I-TUJUAN
Model O
ekstraksi O
informasi O
yang O
populer O
digunakan O
masih O
memiliki O
kekurangan O
sehingga O
peneliti O
menggunakan O
model O
BERT O
dengan O
berbagai O
perbedaan O
perlakuan O
data O
preprocessing O
dan O
teknik O
BERTopic O
sebagai O
solusi O
pemetaan O
topik O
yang O
ramai O
dibicarakan O
pengguna. O
Hasil O
penelitian O
memperlihatkan O
bahwa O
perlakuan O
data O
preprocessing O
terbaik O
mencapai O
nilai O
tertinggi O
di O
setiap O
matriks O
evaluasi O
, O
tetapi O
perlakuan O
data O
preprocessing O
yang O
berlebihan O
justru O
berdampak O
negatif O
pada O
kinerja O
model. O
Light B-TEMUAN
preprocessing I-TEMUAN
pada I-TEMUAN
dataset I-TEMUAN
bahasa I-TEMUAN
Inggris I-TEMUAN
memberikan I-TEMUAN
accuracy I-TEMUAN
89,77 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
precision I-TEMUAN
89,86 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
recall I-TEMUAN
89,77 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
f1-score I-TEMUAN
89,79 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
sedangkan I-TEMUAN
dataset I-TEMUAN
Indonesia I-TEMUAN
mendapatkan I-TEMUAN
accuracy I-TEMUAN
84,01 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
precision I-TEMUAN
83,67 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
recall I-TEMUAN
84,42 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
f1-score I-TEMUAN
83,83 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Sementara O
itu O
, O
hasil B-TEMUAN
topic I-TEMUAN
modeling I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
meskipun I-TEMUAN
ada I-TEMUAN
pendapat I-TEMUAN
positif I-TEMUAN
tentang I-TEMUAN
aplikasi I-TEMUAN
, I-TEMUAN
masih I-TEMUAN
ditemukan I-TEMUAN
ketidak I-TEMUAN
puasan I-TEMUAN
pengguna I-TEMUAN
terhadap I-TEMUAN
beberapa I-TEMUAN
masalah I-TEMUAN
terkait I-TEMUAN
baterai I-TEMUAN
dan I-TEMUAN
lokasi I-TEMUAN
, I-TEMUAN
sertifikat I-TEMUAN
vaksin I-TEMUAN
, I-TEMUAN
kode I-TEMUAN
OTP I-TEMUAN
, I-TEMUAN
update I-TEMUAN
aplikasi I-TEMUAN
, I-TEMUAN
input I-TEMUAN
tanggal I-TEMUAN
lahir I-TEMUAN
, I-TEMUAN
performa I-TEMUAN
lambat I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
ketersediaan I-TEMUAN
versi I-TEMUAN
internasional. I-TEMUAN
Kata O
Kunci— O
Sentiment O
Analysis O
, O
Topic O
Modeling O
, O
PeduliLindungi O
, O
BERT O
, O
BERTopic. O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
percobaan O
yang O
telah O
dilakukan O
, O
peneliti O
tujuan O
penelitian O
dan O
memperoleh O
berhasil O
menjawab O
kesimpulan O
sebagai O
berikut O
: O
1 O
) O
Hasil O
perlakuan O
data O
preparation O
terbaik O
kedua O
bahasa O
yang O
diperoleh O
memperlihatkan O
keduanya O
mencapai O
nilai O
tertinggi O
pada O
setiap O
matriks O
evaluasi O
, O
etapi O
perlakuan O
data O
preprocessing O
yang O
berlebihan O
justru O
berdampak O
negatif O
pada O
kinerja O
model. O
Berikut O
adalah O
model O
terbaik O
yang O
dihasilkan O
: O
a O
) O
Dataset O
asli O
berbahasa O
Inggris O
dengan O
light O
preprocessing O
yang O
memperoleh O
nilai O
accuracy B-METODE
89,77 O
% O
, O
precision B-METODE
89,86 O
% O
, O
recall B-METODE
89,77 O
% O
, O
dan O
f1- B-METODE
score I-METODE
89,79 O
% O
, O
sedangkan O
dataset O
berbahasa O
Indonesia O
dengan O
light O
preprocessing O
mendapat O
nilai O
accuracy O
84,01 O
% O
, O
precision O
83,67 O
% O
, O
recall O
84,42 O
% O
, O
dan O
f1-score O
83,83 O
% O
. O
alternatif O
tanpa O
preprocessing O
yang O
memperoleh O
nilai O
accuracy O
94,06 O
% O
, O
precision O
94,20 O
% O
, O
recall O
94,06 O
% O
, O
dan O
f1- O
sedangkan O
dataset O
berbahasa O
score O
94,06 O
% O
, O
berbahasa O
Inggris O
b O
) O
Dataset O
7 O
/ O
8 O
Indonesia O
tanpa O
preprocessing O
mendapat O
nilai O
accuracy O
87,42 O
% O
, O
precision O
87,49 O
% O
, O
recall O
87,42 O
% O
, O
dan O
f1-score O
87,44 O
% O
. O
2 O
) O
Analisis O
topic B-METODE
modeling I-METODE
dengan O
teknik O
BERTopic O
menunjukkan O
bahwa O
meskipun O
terdapat O
opini O
positif O
terkait O
aplikasi O
pada O
sentimen O
positif O
, O
masih O
banyak O
ketidakpuasan O
ditemukan O
pengguna O
atas O
berbagai O
permasalahan O
pada O
sentimen O
negatif O
dan O
netral O
meliputi O
baterai O
dan O
lokasi O
, O
sertifikat O
vaksin O
, O
kode O
OTP O
, O
update O
aplikasi O
, O
input O
tanggal O
lahir O
, O
performa O
lambat O
, O
dan O
ketersediaan O
versi O
internasional. O
pembicaraan O
tentang O
B. O
Saran O
Berikut O
adalah O
beberapa O
masukan O
untuk O
penelitian O
selanjutnya O
: O
1 O
) O
Penentuan O
hyperparameter O
model O
BERT O
dapat O
menggunakan O
teknik O
tuning O
yang O
lebih O
advance O
, O
salah O
satunya O
dengan O
memanfaatkan O
library O
Ray O
Tune. O
2 O
) O
Penggunaan O
matriks O
evaluasi O
yang O
berbeda O
seperti O
Matthew’s O
correlation O
coefficient O
pada O
sentiment O
analysis O
yang O
ramah O
terhadap O
imbalanced O
data O
serta O
Normalized O
Pointwise O
Mutual O
Information O
( O
NPMI O
) O
untuk O
evaluasi O
jumlah O
topik O
pada O
topic O
modeling. O
3 O
) O
Pembahasan O
lebih O
lanjut O
mengenai O
data O
balancing O
terutama O
pada O
data O
teks O
serta O
deteksi O
ulasan O
yang O
mengandung O
majas O
satire. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O

Visualisasi O
Data O
Rumah O
Tangga O
Dan O
Keluarga O
Hasil O
Sensus O
Penduduk O
Dan O
Survei O
Berbasis O
WebGIS O
Studi O
Kasus O
Kecamatan O
Salem O
, O
Brebes O
, O
Jawa O
Tengah O
Aldi O
Hamidi O
Lubis O
( O
221810137 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M.Stat. O
Ringkasan—Kegiatan O
sensus O
dan O
survei O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
menghasilkan O
pelbagai O
data O
, O
antara O
lain O
adalah O
data O
rumah O
tangga O
dan O
keluarga. O
Sensus O
penduduk O
2020 O
dilaksanakan O
oleh O
BPS O
dengan O
pendekatan O
keluarga O
sebagai O
unit O
pendataan O
, O
akan O
tetapi O
survei-survei O
di O
BPS O
dan O
analisis O
statistik O
sebagian O
besar O
menggunakan O
pendekatan O
rumah O
tangga. O
Oleh O
karena O
itu O
, O
BPS O
saat O
ini O
mengelola O
data O
rumah O
tangga O
dan O
keluarga O
secara O
bersamaan. O
Aplikasi O
Iframe O
( O
sistem O
pengolahan O
kerangka O
sampel O
) O
BPS O
terkait O
fungsi O
pengelolaan O
database O
rumah O
tangga O
masih O
perlu O
dikembangkan O
, O
salah O
satunya O
karena O
belum O
adanya O
visualisasi O
data. O
Hal O
tersebut O
menjadi O
permasalahan O
penelitian O
ini O
karena O
belum O
ada O
aplikasi O
yang O
mengembangkan O
Iframe O
guna O
mengelola O
data O
rumah O
tangga O
dan O
keluarga O
secara O
bersamaan O
oleh O
BPS. O
Peneliti O
ingin O
membangun B-TUJUAN
sebuah I-TUJUAN
aplikasi I-TUJUAN
berbasis I-TUJUAN
webGIS I-TUJUAN
( I-TUJUAN
web I-TUJUAN
Geographic I-TUJUAN
Information I-TUJUAN
System I-TUJUAN
) I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
memvisualisasikan I-TUJUAN
data I-TUJUAN
rumah I-TUJUAN
tangga I-TUJUAN
dan I-TUJUAN
keluarga I-TUJUAN
hasil I-TUJUAN
sensus I-TUJUAN
penduduk I-TUJUAN
dan I-TUJUAN
survei I-TUJUAN
serta I-TUJUAN
fitur I-TUJUAN
lainnya I-TUJUAN
sesuai I-TUJUAN
dengan I-TUJUAN
kebutuhan I-TUJUAN
pengguna. I-TUJUAN
Aplikasi O
dibangun O
dengan O
metode B-METODE
Rapid I-METODE
Application I-METODE
Development I-METODE
( I-METODE
RAD I-METODE
) I-METODE
. O
Adapun B-TEMUAN
pengguna I-TEMUAN
aplikasi I-TEMUAN
ini I-TEMUAN
adalah I-TEMUAN
BPS I-TEMUAN
Pusat I-TEMUAN
, I-TEMUAN
Provinsi I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
Kabupaten I-TEMUAN
/ I-TEMUAN
Kota I-TEMUAN
yang I-TEMUAN
masing-masing I-TEMUAN
memiliki I-TEMUAN
role I-TEMUAN
guna I-TEMUAN
membatasi I-TEMUAN
akses I-TEMUAN
pengguna I-TEMUAN
terhadap I-TEMUAN
data. I-TEMUAN
Kata O
Kunci—Visualisasi O
, O
Data O
Rumah O
Tangga O
dan O
Keluarga O
, O
WebGIS O
, O
Rapid O
Application O
Development O
( O
RAD O
) O
. O
[SEP] O
Gambar O
14. O
Contoh O
Hasil O
Perbandingan O
Suatu O
Blok O
Sensus O
6. O
Fitur O
Kontrol O
Hak O
Akses O
Pengguna O
Setiap O
pengguna O
memiliki O
satu O
role O
yang O
akan O
membatasi O
hak O
akses O
mereka O
ke O
peta O
serta O
data O
rumah O
tersebut O
dibedakan O
tangga O
dan O
keluarga. O
Role O
berdasarkan O
wilayah O
kerja O
statistik O
( O
pusat O
yang O
mencakup O
seluruh O
wilayah O
Indonesia O
, O
provinsi O
dan O
kabupaten O
/ O
kota O
) O
masing-masing O
pengguna. O
D. O
Hasil O
Cutover O
1 O
) O
Black-box B-METODE
Testing I-METODE
Pengujian O
black-box O
pada O
aplikasi O
dilakukan O
oleh O
peneliti O
sendiri. O
Penguji O
melakukan O
19 O
skenario O
terkait O
pengujian O
setiap O
fitur O
dengan O
melakukan O
langkah O
tertentu O
aplikasi O
Kesimpulan O
dari O
penelitian O
ini O
adalah O
sebagai O
berikut. O
1. O
Perancangan O
aplikasi O
telah O
dilakukan O
yang O
terdiri O
dari O
rancangan O
proses O
bisnis O
usulan O
, O
role O
dan O
hak O
akses O
pengguna O
, O
diagram O
use O
case O
, O
database O
, O
dan O
antarmuka O
pengguna. O
2. O
Pembangunan O
dan O
menghasilkan O
aplikasi O
webGIS O
yang O
dapat O
melakukan O
visualisasi O
data O
rumah O
tangga O
dan O
keluarga O
hasil O
sensus O
penduduk O
dan O
survei O
BPS O
dalam O
bentuk O
peta O
blok O
sensus O
secara O
spesifik O
dan O
detail O
serta O
dinamis O
yang O
dapat O
melakukan O
kueri O
ke O
database O
dan O
fitur O
lainnya O
sesuai O
kebutuhan O
pengguna O
, O
yaitu O
BPS. O
Adapun O
metode O
yang O
digunakan O
dalam O
pembangunan O
aplikasi O
adalah O
Rapid O
Application O
Development O
( O
RAD O
) O
. O
dilakukan O
telah O
3. O
Pengujian O
aplikasi O
yang O
dilakukan O
dengan O
black-box O
testing O
menunjukkan O
bahwa O
setiap O
fitur O
yang O
terdapat O
pada O
aplikasi O
sudah O
berjalan O
sesuai O
harapan. O
Adapun O
hasil O
evaluasi O
menggunakan O
SUS B-METODE
dengan O
responden O
11 O
orang O
mendapat O
skor O
rata-rata O
sebesar O
73,64 O
dengan O
kesimpulan B-TEMUAN
aplikasi I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Saran O
yang O
dapat O
peneliti O
berikan O
adalah O
membuat O
fitur O
untuk O
menghapus O
suatu O
data O
dengan O
NIK O
yang O
tidak O
aktif O
lagi O
fitur O
yang O
karena O
kasus O
meninggal O
dunia O
; O
membuat O
8 O
/ O
9 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
memungkinkan O
untuk O
menambahkan O
variabel O
baru O
untuk O
divisualisasikan O
; O
penggunaan O
teknologi O
web O
socket O
untuk O
time O
; O
menampilkan O
memberikan O
notifikasi O
secara O
real O
ringkasan O
data O
rumah O
tangga O
dan O
keluarga O
dalam O
bentuk O
angka O
dan O
grafik. O

Visualisasi O
Data O
Rumah O
Tangga O
Dan O
Keluarga O
Hasil O
Sensus O
Penduduk O
Dan O
Survei O
Berbasis O
WebGIS O
Studi O
Kasus O
Kecamatan O
Salem O
, O
Brebes O
, O
Jawa O
Tengah O
Aldi O
Hamidi O
Lubis O
( O
221810137 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M.Stat. O
Ringkasan—Kegiatan O
sensus O
dan O
survei O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
menghasilkan O
pelbagai O
data O
, O
antara O
lain O
adalah O
data O
rumah O
tangga O
dan O
keluarga. O
Sensus O
penduduk O
2020 O
dilaksanakan O
oleh O
BPS O
dengan O
pendekatan O
keluarga O
sebagai O
unit O
pendataan O
, O
akan O
tetapi O
survei-survei O
di O
BPS O
dan O
analisis O
statistik O
sebagian O
besar O
menggunakan O
pendekatan O
rumah O
tangga. O
Oleh O
karena O
itu O
, O
BPS O
saat O
ini O
mengelola O
data O
rumah O
tangga O
dan O
keluarga O
secara O
bersamaan. O
Aplikasi O
Iframe O
( O
sistem O
pengolahan O
kerangka O
sampel O
) O
BPS O
terkait O
fungsi O
pengelolaan O
database O
rumah O
tangga O
masih O
perlu O
dikembangkan O
, O
salah O
satunya O
karena O
belum O
adanya O
visualisasi O
data. O
Hal O
tersebut O
menjadi O
permasalahan O
penelitian O
ini O
karena O
belum O
ada O
aplikasi O
yang O
mengembangkan O
Iframe O
guna O
mengelola O
data O
rumah O
tangga O
dan O
keluarga O
secara O
bersamaan O
oleh O
BPS. O
Peneliti O
ingin O
membangun B-TUJUAN
sebuah I-TUJUAN
aplikasi I-TUJUAN
berbasis I-TUJUAN
webGIS I-TUJUAN
( I-TUJUAN
web I-TUJUAN
Geographic I-TUJUAN
Information I-TUJUAN
System I-TUJUAN
) I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
memvisualisasikan I-TUJUAN
data I-TUJUAN
rumah I-TUJUAN
tangga I-TUJUAN
dan I-TUJUAN
keluarga I-TUJUAN
hasil I-TUJUAN
sensus I-TUJUAN
penduduk I-TUJUAN
dan I-TUJUAN
survei I-TUJUAN
serta I-TUJUAN
fitur I-TUJUAN
lainnya I-TUJUAN
sesuai I-TUJUAN
dengan I-TUJUAN
kebutuhan I-TUJUAN
pengguna. I-TUJUAN
Aplikasi O
dibangun O
dengan O
metode B-METODE
Rapid I-METODE
Application I-METODE
Development I-METODE
( I-METODE
RAD I-METODE
) I-METODE
. O
Adapun B-TEMUAN
pengguna I-TEMUAN
aplikasi I-TEMUAN
ini I-TEMUAN
adalah I-TEMUAN
BPS I-TEMUAN
Pusat I-TEMUAN
, I-TEMUAN
Provinsi I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
Kabupaten I-TEMUAN
/ I-TEMUAN
Kota I-TEMUAN
yang I-TEMUAN
masing-masing I-TEMUAN
memiliki I-TEMUAN
role I-TEMUAN
guna I-TEMUAN
membatasi I-TEMUAN
akses I-TEMUAN
pengguna I-TEMUAN
terhadap I-TEMUAN
data. I-TEMUAN
Kata O
Kunci—Visualisasi O
, O
Data O
Rumah O
Tangga O
dan O
Keluarga O
, O
WebGIS O
, O
Rapid O
Application O
Development O
( O
RAD O
) O
. O
[SEP] O
Gambar O
14. O
Contoh O
Hasil O
Perbandingan O
Suatu O
Blok O
Sensus O
6. O
Fitur O
Kontrol O
Hak O
Akses O
Pengguna O
Setiap O
pengguna O
memiliki O
satu O
role O
yang O
akan O
membatasi O
hak O
akses O
mereka O
ke O
peta O
serta O
data O
rumah O
tersebut O
dibedakan O
tangga O
dan O
keluarga. O
Role O
berdasarkan O
wilayah O
kerja O
statistik O
( O
pusat O
yang O
mencakup O
seluruh O
wilayah O
Indonesia O
, O
provinsi O
dan O
kabupaten O
/ O
kota O
) O
masing-masing O
pengguna. O
D. O
Hasil O
Cutover O
1 O
) O
Black-box B-METODE
Testing I-METODE
Pengujian O
black-box O
pada O
aplikasi O
dilakukan O
oleh O
peneliti O
sendiri. O
Penguji O
melakukan O
19 O
skenario O
terkait O
pengujian O
setiap O
fitur O
dengan O
melakukan O
langkah O
tertentu O
aplikasi O
Kesimpulan O
dari O
penelitian O
ini O
adalah O
sebagai O
berikut. O
1. O
Perancangan O
aplikasi O
telah O
dilakukan O
yang O
terdiri O
dari O
rancangan O
proses O
bisnis O
usulan O
, O
role O
dan O
hak O
akses O
pengguna O
, O
diagram O
use O
case O
, O
database O
, O
dan O
antarmuka O
pengguna. O
2. O
Pembangunan O
dan O
menghasilkan O
aplikasi O
webGIS O
yang O
dapat O
melakukan O
visualisasi O
data O
rumah O
tangga O
dan O
keluarga O
hasil O
sensus O
penduduk O
dan O
survei O
BPS O
dalam O
bentuk O
peta O
blok O
sensus O
secara O
spesifik O
dan O
detail O
serta O
dinamis O
yang O
dapat O
melakukan O
kueri O
ke O
database O
dan O
fitur O
lainnya O
sesuai O
kebutuhan O
pengguna O
, O
yaitu O
BPS. O
Adapun O
metode O
yang O
digunakan O
dalam O
pembangunan O
aplikasi O
adalah O
Rapid O
Application O
Development O
( O
RAD O
) O
. O
dilakukan O
telah O
3. O
Pengujian O
aplikasi O
yang O
dilakukan O
dengan O
black-box O
testing O
menunjukkan O
bahwa O
setiap O
fitur O
yang O
terdapat O
pada O
aplikasi O
sudah O
berjalan O
sesuai O
harapan. O
Adapun O
hasil O
evaluasi O
menggunakan O
SUS B-METODE
dengan O
responden O
11 O
orang O
mendapat O
skor O
rata-rata O
sebesar O
73,64 O
dengan O
kesimpulan B-TEMUAN
aplikasi I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Saran O
yang O
dapat O
peneliti O
berikan O
adalah O
membuat O
fitur O
untuk O
menghapus O
suatu O
data O
dengan O
NIK O
yang O
tidak O
aktif O
lagi O
fitur O
yang O
karena O
kasus O
meninggal O
dunia O
; O
membuat O
8 O
/ O
9 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
memungkinkan O
untuk O
menambahkan O
variabel O
baru O
untuk O
divisualisasikan O
; O
penggunaan O
teknologi O
web O
socket O
untuk O
time O
; O
menampilkan O
memberikan O
notifikasi O
secara O
real O
ringkasan O
data O
rumah O
tangga O
dan O
keluarga O
dalam O
bentuk O
angka O
dan O
grafik. O

Visualisasi O
Data O
Rumah O
Tangga O
Dan O
Keluarga O
Hasil O
Sensus O
Penduduk O
Dan O
Survei O
Berbasis O
WebGIS O
Studi O
Kasus O
Kecamatan O
Salem O
, O
Brebes O
, O
Jawa O
Tengah O
Aldi O
Hamidi O
Lubis O
( O
221810137 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M.Stat. O
Ringkasan—Kegiatan O
sensus O
dan O
survei O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
menghasilkan O
pelbagai O
data O
, O
antara O
lain O
adalah O
data O
rumah O
tangga O
dan O
keluarga. O
Sensus O
penduduk O
2020 O
dilaksanakan O
oleh O
BPS O
dengan O
pendekatan O
keluarga O
sebagai O
unit O
pendataan O
, O
akan O
tetapi O
survei-survei O
di O
BPS O
dan O
analisis O
statistik O
sebagian O
besar O
menggunakan O
pendekatan O
rumah O
tangga. O
Oleh O
karena O
itu O
, O
BPS O
saat O
ini O
mengelola O
data O
rumah O
tangga O
dan O
keluarga O
secara O
bersamaan. O
Aplikasi O
Iframe O
( O
sistem O
pengolahan O
kerangka O
sampel O
) O
BPS O
terkait O
fungsi O
pengelolaan O
database O
rumah O
tangga O
masih O
perlu O
dikembangkan O
, O
salah O
satunya O
karena O
belum O
adanya O
visualisasi O
data. O
Hal O
tersebut O
menjadi O
permasalahan O
penelitian O
ini O
karena O
belum O
ada O
aplikasi O
yang O
mengembangkan O
Iframe O
guna O
mengelola O
data O
rumah O
tangga O
dan O
keluarga O
secara O
bersamaan O
oleh O
BPS. O
Peneliti O
ingin O
membangun B-TUJUAN
sebuah I-TUJUAN
aplikasi I-TUJUAN
berbasis I-TUJUAN
webGIS I-TUJUAN
( I-TUJUAN
web I-TUJUAN
Geographic I-TUJUAN
Information I-TUJUAN
System I-TUJUAN
) I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
memvisualisasikan I-TUJUAN
data I-TUJUAN
rumah I-TUJUAN
tangga I-TUJUAN
dan I-TUJUAN
keluarga I-TUJUAN
hasil I-TUJUAN
sensus I-TUJUAN
penduduk I-TUJUAN
dan I-TUJUAN
survei I-TUJUAN
serta I-TUJUAN
fitur I-TUJUAN
lainnya I-TUJUAN
sesuai I-TUJUAN
dengan I-TUJUAN
kebutuhan I-TUJUAN
pengguna. I-TUJUAN
Aplikasi O
dibangun O
dengan O
metode B-METODE
Rapid I-METODE
Application I-METODE
Development I-METODE
( I-METODE
RAD I-METODE
) I-METODE
. O
Adapun B-TEMUAN
pengguna I-TEMUAN
aplikasi I-TEMUAN
ini I-TEMUAN
adalah I-TEMUAN
BPS I-TEMUAN
Pusat I-TEMUAN
, I-TEMUAN
Provinsi I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
Kabupaten I-TEMUAN
/ I-TEMUAN
Kota I-TEMUAN
yang I-TEMUAN
masing-masing I-TEMUAN
memiliki I-TEMUAN
role I-TEMUAN
guna I-TEMUAN
membatasi I-TEMUAN
akses I-TEMUAN
pengguna I-TEMUAN
terhadap I-TEMUAN
data. I-TEMUAN
Kata O
Kunci—Visualisasi O
, O
Data O
Rumah O
Tangga O
dan O
Keluarga O
, O
WebGIS O
, O
Rapid O
Application O
Development O
( O
RAD O
) O
. O
[SEP] O
Gambar O
14. O
Contoh O
Hasil O
Perbandingan O
Suatu O
Blok O
Sensus O
6. O
Fitur O
Kontrol O
Hak O
Akses O
Pengguna O
Setiap O
pengguna O
memiliki O
satu O
role O
yang O
akan O
membatasi O
hak O
akses O
mereka O
ke O
peta O
serta O
data O
rumah O
tersebut O
dibedakan O
tangga O
dan O
keluarga. O
Role O
berdasarkan O
wilayah O
kerja O
statistik O
( O
pusat O
yang O
mencakup O
seluruh O
wilayah O
Indonesia O
, O
provinsi O
dan O
kabupaten O
/ O
kota O
) O
masing-masing O
pengguna. O
D. O
Hasil O
Cutover O
1 O
) O
Black-box B-METODE
Testing I-METODE
Pengujian O
black-box O
pada O
aplikasi O
dilakukan O
oleh O
peneliti O
sendiri. O
Penguji O
melakukan O
19 O
skenario O
terkait O
pengujian O
setiap O
fitur O
dengan O
melakukan O
langkah O
tertentu O
aplikasi O
Kesimpulan O
dari O
penelitian O
ini O
adalah O
sebagai O
berikut. O
1. O
Perancangan O
aplikasi O
telah O
dilakukan O
yang O
terdiri O
dari O
rancangan O
proses O
bisnis O
usulan O
, O
role O
dan O
hak O
akses O
pengguna O
, O
diagram O
use O
case O
, O
database O
, O
dan O
antarmuka O
pengguna. O
2. O
Pembangunan O
dan O
menghasilkan O
aplikasi O
webGIS O
yang O
dapat O
melakukan O
visualisasi O
data O
rumah O
tangga O
dan O
keluarga O
hasil O
sensus O
penduduk O
dan O
survei O
BPS O
dalam O
bentuk O
peta O
blok O
sensus O
secara O
spesifik O
dan O
detail O
serta O
dinamis O
yang O
dapat O
melakukan O
kueri O
ke O
database O
dan O
fitur O
lainnya O
sesuai O
kebutuhan O
pengguna O
, O
yaitu O
BPS. O
Adapun O
metode O
yang O
digunakan O
dalam O
pembangunan O
aplikasi O
adalah O
Rapid O
Application O
Development O
( O
RAD O
) O
. O
dilakukan O
telah O
3. O
Pengujian O
aplikasi O
yang O
dilakukan O
dengan O
black-box O
testing O
menunjukkan O
bahwa O
setiap O
fitur O
yang O
terdapat O
pada O
aplikasi O
sudah O
berjalan O
sesuai O
harapan. O
Adapun O
hasil O
evaluasi O
menggunakan O
SUS B-METODE
dengan O
responden O
11 O
orang O
mendapat O
skor O
rata-rata O
sebesar O
73,64 O
dengan O
kesimpulan B-TEMUAN
aplikasi I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Saran O
yang O
dapat O
peneliti O
berikan O
adalah O
membuat O
fitur O
untuk O
menghapus O
suatu O
data O
dengan O
NIK O
yang O
tidak O
aktif O
lagi O
fitur O
yang O
karena O
kasus O
meninggal O
dunia O
; O
membuat O
8 O
/ O
9 O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
memungkinkan O
untuk O
menambahkan O
variabel O
baru O
untuk O
divisualisasikan O
; O
penggunaan O
teknologi O
web O
socket O
untuk O
time O
; O
menampilkan O
memberikan O
notifikasi O
secara O
real O
ringkasan O
data O
rumah O
tangga O
dan O
keluarga O
dalam O
bentuk O
angka O
dan O
grafik. O

Kajian O
Perbandingan O
Microsoft O
SQL O
Server O
Dan O
Hyperledger O
Fabric O
Studi O
Kasus O
Database O
Kepegawaian O
BPS O
Akhmad O
Fadil O
Mubarok O
( O
221810129 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
SST O
, O
MT O
yang O
sistemnya O
blockchain O
terdistribusi O
, O
Ringkasan— O
Perkembangan O
teknologi O
memunculkan O
berbagai O
teknologi O
baru O
, O
salah O
satunya O
adalah O
blockchain. O
Melalui O
shared O
ledger O
, O
blockchain O
berkembang O
menjadi O
teknologi O
yang O
dapat O
digunakan O
untuk O
menyimpan O
data O
seperti O
halnya O
database. O
Dengan O
juga O
menyediakan O
high O
availability O
melalui O
fault O
tolerance. O
Akan O
tetapi O
, O
blockchain O
sebagai O
database O
masih O
memiliki O
batasan O
, O
salah O
satunya O
adalah O
throughput O
yang O
rendah. O
Contoh O
blockchain O
yang O
dapat O
digunakan O
selayaknya O
database O
adalah O
Hyperledger O
Fabric O
, O
tetapi O
terbatasnya O
perbandingan O
Hyperledger O
Fabric O
dan O
Microsoft O
SQL O
Server O
mengakibatkan O
ketidakjelasan O
keandalan O
Hyperledger O
Fabric O
sebagai O
database O
untuk O
alternatif O
dari O
Microsoft O
SQL O
Server. O
Oleh O
karena O
itu O
, O
peneliti O
melakukan B-TUJUAN
kajian I-TUJUAN
membandingkan I-TUJUAN
Microsoft I-TUJUAN
SQL I-TUJUAN
Server I-TUJUAN
dan I-TUJUAN
Hyperledger I-TUJUAN
Fabric I-TUJUAN
dari I-TUJUAN
segi I-TUJUAN
fitur I-TUJUAN
dan I-TUJUAN
performa. I-TUJUAN
Perbandingan O
fitur O
dilakukan O
dengan O
membandingkan O
karakteristik O
baik O
kekurangan O
maupun O
kelebihan O
platform O
pengujian O
, O
sedangkan O
performa O
dilakukan O
dengan O
membandingkan O
waktu O
eksekusi O
tiap O
operasi O
pengujian. O
Pengujian O
kueri O
Hyperledger O
Fabric O
dilakukan O
melalui O
CLI B-METODE
dan O
CouchDB. B-METODE
Dari O
penelitian O
ini O
, O
diketahui B-TEMUAN
bahwa I-TEMUAN
setiap I-TEMUAN
platform I-TEMUAN
mempunyai I-TEMUAN
karakteristik I-TEMUAN
unik I-TEMUAN
yang I-TEMUAN
menjadikan I-TEMUAN
keunggulan I-TEMUAN
dan I-TEMUAN
kelemahan I-TEMUAN
dari I-TEMUAN
setiap I-TEMUAN
platform I-TEMUAN
pengujian. I-TEMUAN
Selain I-TEMUAN
itu I-TEMUAN
, I-TEMUAN
Microsoft I-TEMUAN
SQL I-TEMUAN
Server I-TEMUAN
menghasilkan I-TEMUAN
performa I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
unggul I-TEMUAN
dibandingkan I-TEMUAN
Hyperledger I-TEMUAN
Fabric I-TEMUAN
secara I-TEMUAN
keseluruhan I-TEMUAN
pengujian I-TEMUAN
performa. I-TEMUAN
Oleh O
karena O
itu O
, O
diperlukan O
pengembangan O
lebih O
lanjut O
bagi O
implementasi O
blockchain O
sebagai O
database O
sebelum O
digunakan O
sebagai O
alternatif O
Microsoft O
SQL O
Server. O
Kata O
Kunci— O
Blockchain O
, O
Database O
, O
Microsoft O
SQL O
Server O
, O
Hyperledger O
Fabric O
[SEP] O
1. O
Berdasarkan O
kajian O
terhadap O
fitur O
yang O
dimiliki O
platform O
pengujian O
, O
Hyperledger O
Fabric O
memberikan O
keunggulan O
berupa O
arsitekturnya O
yang O
terdistribusi O
sehingga O
semua O
peer O
memiliki O
salinan O
data O
yang O
sama O
, O
untuk O
serta O
menyimpan O
data O
dengan O
struktur O
tidak O
pasti O
tanpa O
perlu O
mendefinisikan O
skema O
data O
ataupun O
saat O
data O
memiliki O
missing O
value. O
Selain O
itu O
, O
Hyperledger O
Fabric O
bersifat O
yang O
memungkinkan O
schema-less O
Makalah O
Seminar O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
open O
source O
sehingga O
konfigurasi O
dapat O
disesuaikan O
dengan O
penggunaannya. O
Sementara O
itu O
, O
Microsoft O
SQL O
terpusat O
memudahkan O
Server O
pengorganisasian O
akses O
data O
yang O
ada O
, O
serta O
dengan O
menggunakan O
pendefinisian O
constraint O
di O
awal O
dapat O
menyediakan O
integritas O
data O
yang O
tinggi. O
kontrol O
dengan O
2. O
Percobaan O
kueri O
telah O
dilakukan O
pada O
kedua O
platform O
dengan O
operasi O
create O
, O
delete O
dan O
read O
dengan O
jumlah O
data O
penelitian O
mencapai O
20.000 O
data O
untuk O
melihat O
perbandingan O
kinerja O
performa O
dari O
Microsoft O
SQL O
Server O
dan O
Hyperledger O
Fabric O
berdasarkan O
waktu O
eksekusi. O
Berdasarkan O
percobaan O
tersebut O
, O
didapatkan O
hasil O
bahwa O
untuk O
jumlah O
data O
mencapai O
20.000 O
data O
, O
Microsoft O
SQL O
Server O
lebih O
unggul O
daripada O
Hyperledger O
Fabric O
di O
operasi O
create O
, O
delete O
, O
dan O
read O
dengan O
kueri O
sederhana. O
Akan O
tetapi O
, O
CouchDB O
, O
sebagai O
state O
Fabric O
, O
mampu O
mengimbangi O
dan O
bahkan O
menyaingi O
Microsoft O
SQL O
Server O
dalam O
kueri O
tidak O
sederhana. O
Oleh O
karena O
itu O
, O
secara O
keseluruhan O
performa O
Hyperledger O
Fabric O
masih O
belum O
mampu O
menandingi O
performa O
Microsoft O
SQL O
Server O
dari O
segi O
waktu O
eksekusi O
untuk O
jumlah O
data O
tersebut. O
database O
Hyperledger O
3. O
Hyperledger O
Fabric O
terbukti O
mampu O
menyediakan O
crash O
fault O
tolerance. O
Oleh O
karena O
itu O
, O
Hyperledger O
Fabric O
terbukti O
mampu O
menyediakan O
high O
availability O
melalui O
fault O
tolerance O
yang O
dimilikinya. O
Beberapa O
saran O
terkait O
penelitian O
yang O
dapat O
dijadikan O
bahan O
untuk O
penelitian O
lebih O
lanjut O
adalah O
sebagai O
berikut. O
1. O
Pada O
penelitian O
ini O
, O
peneliti O
melakukan O
penelitian O
menggunakan O
Hyperledger O
Fabric O
dan O
Microsoft O
SQL O
Server O
dengan O
konfigurasi O
versi O
default O
atau O
bawaan. O
Penelitian O
dapat O
dikembangkan O
dengan O
menggunakan O
versi O
paling O
optimal O
dari O
kedua O
platform O
tersebut O
dimana O
Hyperledger O
Fabric O
dapat O
dikonfigurasi O
dan O
dioptimalkan O
seperti O
pada O
Hyperledger O
Fabric++ O
yang O
menggunakan O
reordering O
dan O
early O
abort O
[ O
20 O
] O
, O
serta O
melakukan O
kustomisasi O
pada O
konfigurasi O
Hyperledger O
Fabric O
yang O
digunakan O
sesuai O
dengan O
kebutuhan O
pengguna. O
2. O
Arsitektur O
Hyperledger O
Fabric O
yang O
digunakan O
dalam O
penelitian O
services O
dan O
ini O
memisahkan O
orderer O
organization. O
Penelitian O
dapat O
dilanjutkan O
dengan O
melihat O
bagaimana O
performa O
saat O
orderer O
service O
dan O
organization O
terdapat O
dalam O
server O
yang O
sama. O
Orderer O
service O
sendiri O
yang O
merupakan O
berhubungan O
dengan O
ledger O
yang O
dilakukan O
oleh O
orderer O
node. O
pengurutan O
transaksi O
proses O
3. O
Percobaan O
dilakukan O
pada O
server O
dengan O
sistem O
operasi O
Ubuntu O
yang O
mana O
Microsoft O
SQL O
Server O
seharusnya O
lebih O
optimal O
apabila O
dijalankan O
di O
server O
dengan O
sistem O
operasi O
Windows. O
Penelitian O
dapat O
dikembangkan O
dengan O
melihat O
apakah O
dengan O
environment O
berbeda O
akan O
mendapatkan O
hasil O
yang O
sama. O
4. O
Dikarenakan O
penelitian O
ini O
hanya O
menggunakan O
server O
berspesifikasi O
2 O
CPU O
, O
4GB O
RAM O
, O
dan O
30GB O
storage O
yang O
mana O
spesifikasi O
tersebut O
belum O
mampu O
untuk O
data O
yang O
8 O
/ O
9 O
besar O
, O
maka O
percobaan O
dapat O
dilakukan O
dengan O
meningkatkan O
spesifikasi O
server O
untuk O
pengujian O
pada O
data O
dengan O
jumlah O
yang O
besar. O

Kajian O
Perbandingan O
Microsoft O
SQL O
Server O
Dan O
Hyperledger O
Fabric O
Studi O
Kasus O
Database O
Kepegawaian O
BPS O
Akhmad O
Fadil O
Mubarok O
( O
221810129 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
, O
SST O
, O
MT O
yang O
sistemnya O
blockchain O
terdistribusi O
, O
Ringkasan— O
Perkembangan O
teknologi O
memunculkan O
berbagai O
teknologi O
baru O
, O
salah O
satunya O
adalah O
blockchain. O
Melalui O
shared O
ledger O
, O
blockchain O
berkembang O
menjadi O
teknologi O
yang O
dapat O
digunakan O
untuk O
menyimpan O
data O
seperti O
halnya O
database. O
Dengan O
juga O
menyediakan O
high O
availability O
melalui O
fault O
tolerance. O
Akan O
tetapi O
, O
blockchain O
sebagai O
database O
masih O
memiliki O
batasan O
, O
salah O
satunya O
adalah O
throughput O
yang O
rendah. O
Contoh O
blockchain O
yang O
dapat O
digunakan O
selayaknya O
database O
adalah O
Hyperledger O
Fabric O
, O
tetapi O
terbatasnya O
perbandingan O
Hyperledger O
Fabric O
dan O
Microsoft O
SQL O
Server O
mengakibatkan O
ketidakjelasan O
keandalan O
Hyperledger O
Fabric O
sebagai O
database O
untuk O
alternatif O
dari O
Microsoft O
SQL O
Server. O
Oleh O
karena O
itu O
, O
peneliti O
melakukan B-TUJUAN
kajian I-TUJUAN
membandingkan I-TUJUAN
Microsoft I-TUJUAN
SQL I-TUJUAN
Server I-TUJUAN
dan I-TUJUAN
Hyperledger I-TUJUAN
Fabric I-TUJUAN
dari I-TUJUAN
segi I-TUJUAN
fitur I-TUJUAN
dan I-TUJUAN
performa. I-TUJUAN
Perbandingan O
fitur O
dilakukan O
dengan O
membandingkan O
karakteristik O
baik O
kekurangan O
maupun O
kelebihan O
platform O
pengujian O
, O
sedangkan O
performa O
dilakukan O
dengan O
membandingkan O
waktu O
eksekusi O
tiap O
operasi O
pengujian. O
Pengujian O
kueri O
Hyperledger O
Fabric O
dilakukan O
melalui O
CLI B-METODE
dan O
CouchDB. B-METODE
Dari O
penelitian O
ini O
, O
diketahui B-TEMUAN
bahwa I-TEMUAN
setiap I-TEMUAN
platform I-TEMUAN
mempunyai I-TEMUAN
karakteristik I-TEMUAN
unik I-TEMUAN
yang I-TEMUAN
menjadikan I-TEMUAN
keunggulan I-TEMUAN
dan I-TEMUAN
kelemahan I-TEMUAN
dari I-TEMUAN
setiap I-TEMUAN
platform I-TEMUAN
pengujian. I-TEMUAN
Selain I-TEMUAN
itu I-TEMUAN
, I-TEMUAN
Microsoft I-TEMUAN
SQL I-TEMUAN
Server I-TEMUAN
menghasilkan I-TEMUAN
performa I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
unggul I-TEMUAN
dibandingkan I-TEMUAN
Hyperledger I-TEMUAN
Fabric I-TEMUAN
secara I-TEMUAN
keseluruhan I-TEMUAN
pengujian I-TEMUAN
performa. I-TEMUAN
Oleh O
karena O
itu O
, O
diperlukan O
pengembangan O
lebih O
lanjut O
bagi O
implementasi O
blockchain O
sebagai O
database O
sebelum O
digunakan O
sebagai O
alternatif O
Microsoft O
SQL O
Server. O
Kata O
Kunci— O
Blockchain O
, O
Database O
, O
Microsoft O
SQL O
Server O
, O
Hyperledger O
Fabric O
[SEP] O
1. O
Berdasarkan O
kajian O
terhadap O
fitur O
yang O
dimiliki O
platform O
pengujian O
, O
Hyperledger O
Fabric O
memberikan O
keunggulan O
berupa O
arsitekturnya O
yang O
terdistribusi O
sehingga O
semua O
peer O
memiliki O
salinan O
data O
yang O
sama O
, O
untuk O
serta O
menyimpan O
data O
dengan O
struktur O
tidak O
pasti O
tanpa O
perlu O
mendefinisikan O
skema O
data O
ataupun O
saat O
data O
memiliki O
missing O
value. O
Selain O
itu O
, O
Hyperledger O
Fabric O
bersifat O
yang O
memungkinkan O
schema-less O
Makalah O
Seminar O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
open O
source O
sehingga O
konfigurasi O
dapat O
disesuaikan O
dengan O
penggunaannya. O
Sementara O
itu O
, O
Microsoft O
SQL O
terpusat O
memudahkan O
Server O
pengorganisasian O
akses O
data O
yang O
ada O
, O
serta O
dengan O
menggunakan O
pendefinisian O
constraint O
di O
awal O
dapat O
menyediakan O
integritas O
data O
yang O
tinggi. O
kontrol O
dengan O
2. O
Percobaan O
kueri O
telah O
dilakukan O
pada O
kedua O
platform O
dengan O
operasi O
create O
, O
delete O
dan O
read O
dengan O
jumlah O
data O
penelitian O
mencapai O
20.000 O
data O
untuk O
melihat O
perbandingan O
kinerja O
performa O
dari O
Microsoft O
SQL O
Server O
dan O
Hyperledger O
Fabric O
berdasarkan O
waktu O
eksekusi. O
Berdasarkan O
percobaan O
tersebut O
, O
didapatkan O
hasil O
bahwa O
untuk O
jumlah O
data O
mencapai O
20.000 O
data O
, O
Microsoft O
SQL O
Server O
lebih O
unggul O
daripada O
Hyperledger O
Fabric O
di O
operasi O
create O
, O
delete O
, O
dan O
read O
dengan O
kueri O
sederhana. O
Akan O
tetapi O
, O
CouchDB O
, O
sebagai O
state O
Fabric O
, O
mampu O
mengimbangi O
dan O
bahkan O
menyaingi O
Microsoft O
SQL O
Server O
dalam O
kueri O
tidak O
sederhana. O
Oleh O
karena O
itu O
, O
secara O
keseluruhan O
performa O
Hyperledger O
Fabric O
masih O
belum O
mampu O
menandingi O
performa O
Microsoft O
SQL O
Server O
dari O
segi O
waktu O
eksekusi O
untuk O
jumlah O
data O
tersebut. O
database O
Hyperledger O
3. O
Hyperledger O
Fabric O
terbukti O
mampu O
menyediakan O
crash O
fault O
tolerance. O
Oleh O
karena O
itu O
, O
Hyperledger O
Fabric O
terbukti O
mampu O
menyediakan O
high O
availability O
melalui O
fault O
tolerance O
yang O
dimilikinya. O
Beberapa O
saran O
terkait O
penelitian O
yang O
dapat O
dijadikan O
bahan O
untuk O
penelitian O
lebih O
lanjut O
adalah O
sebagai O
berikut. O
1. O
Pada O
penelitian O
ini O
, O
peneliti O
melakukan O
penelitian O
menggunakan O
Hyperledger O
Fabric O
dan O
Microsoft O
SQL O
Server O
dengan O
konfigurasi O
versi O
default O
atau O
bawaan. O
Penelitian O
dapat O
dikembangkan O
dengan O
menggunakan O
versi O
paling O
optimal O
dari O
kedua O
platform O
tersebut O
dimana O
Hyperledger O
Fabric O
dapat O
dikonfigurasi O
dan O
dioptimalkan O
seperti O
pada O
Hyperledger O
Fabric++ O
yang O
menggunakan O
reordering O
dan O
early O
abort O
[ O
20 O
] O
, O
serta O
melakukan O
kustomisasi O
pada O
konfigurasi O
Hyperledger O
Fabric O
yang O
digunakan O
sesuai O
dengan O
kebutuhan O
pengguna. O
2. O
Arsitektur O
Hyperledger O
Fabric O
yang O
digunakan O
dalam O
penelitian O
services O
dan O
ini O
memisahkan O
orderer O
organization. O
Penelitian O
dapat O
dilanjutkan O
dengan O
melihat O
bagaimana O
performa O
saat O
orderer O
service O
dan O
organization O
terdapat O
dalam O
server O
yang O
sama. O
Orderer O
service O
sendiri O
yang O
merupakan O
berhubungan O
dengan O
ledger O
yang O
dilakukan O
oleh O
orderer O
node. O
pengurutan O
transaksi O
proses O
3. O
Percobaan O
dilakukan O
pada O
server O
dengan O
sistem O
operasi O
Ubuntu O
yang O
mana O
Microsoft O
SQL O
Server O
seharusnya O
lebih O
optimal O
apabila O
dijalankan O
di O
server O
dengan O
sistem O
operasi O
Windows. O
Penelitian O
dapat O
dikembangkan O
dengan O
melihat O
apakah O
dengan O
environment O
berbeda O
akan O
mendapatkan O
hasil O
yang O
sama. O
4. O
Dikarenakan O
penelitian O
ini O
hanya O
menggunakan O
server O
berspesifikasi O
2 O
CPU O
, O
4GB O
RAM O
, O
dan O
30GB O
storage O
yang O
mana O
spesifikasi O
tersebut O
belum O
mampu O
untuk O
data O
yang O
8 O
/ O
9 O
besar O
, O
maka O
percobaan O
dapat O
dilakukan O
dengan O
meningkatkan O
spesifikasi O
server O
untuk O
pengujian O
pada O
data O
dengan O
jumlah O
yang O
besar. O

Model O
Kesuksesan O
Sistem O
Informasi O
DeLone O
& O
McLean O
dalam O
Analisis O
Kesuksesan O
SIPADU O
Web O
Portal O
Mahasiswa O
Politeknik O
Statistika O
STIS O
Ajeng O
Wahyu O
Tri O
Yulinda O
( O
221810128 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph. O
D. O
Ringkasan— O
Sistem O
Informasi O
Terpadu O
STIS O
( O
SIPADU-STIS O
) O
merupakan O
sistem O
informasi O
yang O
digunakan O
oleh O
mahasiswa O
, O
dosen O
, O
serta O
pegawai O
Politeknik O
Statistika O
STIS O
untuk O
menunjang O
penyelenggaraan O
kegiatan O
akademik O
di O
kampus. O
SIPADU-STIS O
dikembangkan O
pada O
tahun O
2010 O
dan O
telah O
digunakan O
sebagai O
sistem O
informasi O
utama O
di O
Politeknik O
Statistika O
STIS O
hingga O
saat O
ini. O
SIPADU-STIS O
terdiri O
atas O
berbagai O
unit O
, O
salah O
satunya O
SIPADU O
Web O
Portal O
Mahasiswa O
yang O
digunakan O
mahasiswa O
untuk O
mengakses O
jadwal O
, O
nilai O
, O
absensi O
, O
maupun O
pengerjaan O
skripsi O
dan O
tugas O
akhir. O
Suatu O
sistem O
informasi O
yang O
telah O
diimplementasikan O
, O
pada O
dasarnya O
memerlukan O
evaluasi O
mengenai O
kesuksesan O
implementasi O
sistem O
informasi O
pengembangan O
berikutnya. O
Namun O
, O
belum O
pernah O
dilakukan B-TUJUAN
penelitian I-TUJUAN
secara I-TUJUAN
khusus I-TUJUAN
mengenai I-TUJUAN
kesuksesan I-TUJUAN
SIPADU I-TUJUAN
Web I-TUJUAN
Portal I-TUJUAN
Mahasiswa I-TUJUAN
dan I-TUJUAN
faktor-faktor I-TUJUAN
yang I-TUJUAN
memengaruhinya I-TUJUAN
sebagai I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
akademik. I-TUJUAN
Kriteria O
kesuksesan O
sistem O
informasi O
dalam O
penelitian O
ini O
mengacu O
pada O
Model B-METODE
Kesuksesan I-METODE
sistem I-METODE
informasi I-METODE
DeLone I-METODE
& I-METODE
McLean. I-METODE
Variabel O
yang O
diteliti O
meliputi O
kualitas O
sistem O
, O
kualitas O
informasi O
, O
kualitas O
layanan O
, O
kepuasan O
pengguna O
, O
serta O
manfaat-manfaat O
bersih. O
Hasil B-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
adalah I-TEMUAN
seluruh I-TEMUAN
variabel I-TEMUAN
prediktor I-TEMUAN
terbukti I-TEMUAN
berpengaruh I-TEMUAN
positif I-TEMUAN
dan I-TEMUAN
signifikan I-TEMUAN
dan I-TEMUAN
memberikan I-TEMUAN
validasi I-TEMUAN
pada I-TEMUAN
Model I-TEMUAN
Kesuksesan I-TEMUAN
Sistem I-TEMUAN
Informasi I-TEMUAN
DeLone I-TEMUAN
& I-TEMUAN
McLean. I-TEMUAN
sebagai O
bahan O
acuan O
Kata O
Kunci— O
Sistem O
Informasi O
, O
SIPADU O
STIS O
, O
DeLone O
dan O
McLean O
, O
Model O
Kesuksesan O
Sistem O
Informasi O
[SEP] O
Berdasarkan O
hasil O
analisis O
statistik O
yang O
telah O
dilakukan O
dapat O
ditarik O
kesimpulan O
sebagai O
berikut. O
1. O
SIPADU B-TEMUAN
Web I-TEMUAN
Portal I-TEMUAN
Mahasiswa I-TEMUAN
tergolong I-TEMUAN
Sangat I-TEMUAN
Sukses I-TEMUAN
diterapkan I-TEMUAN
sebagai I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
akademik I-TEMUAN
dengan I-TEMUAN
persentase I-TEMUAN
kesuksesan I-TEMUAN
82.06 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
2. O
Kualitas O
sistem O
terbukti O
berpengaruh O
positif O
dan O
signifikan O
terhadap O
Kepuasan O
Pengguna O
dengan O
nilai O
7 O
/ O
8 O
koefisiensi B-TEMUAN
jalur I-TEMUAN
sebesar I-TEMUAN
0.340 I-TEMUAN
dan I-TEMUAN
T-Statistics I-TEMUAN
sebesar I-TEMUAN
5.643. I-TEMUAN
Kualitas I-TEMUAN
informasi I-TEMUAN
terbukti I-TEMUAN
berpengaruh I-TEMUAN
positif I-TEMUAN
dan I-TEMUAN
signifikan I-TEMUAN
terhadap I-TEMUAN
Kepuasan I-TEMUAN
Pengguna I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
koefisien I-TEMUAN
jalur I-TEMUAN
sebesar I-TEMUAN
0.350 I-TEMUAN
dan I-TEMUAN
T-Statistics I-TEMUAN
sebesar I-TEMUAN
7.628. I-TEMUAN
Kualitas I-TEMUAN
layanan I-TEMUAN
terbukti I-TEMUAN
berpengaruh I-TEMUAN
positif I-TEMUAN
dan I-TEMUAN
signifikan I-TEMUAN
terhadap I-TEMUAN
Kepuasan I-TEMUAN
Pengguna I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
koefisien I-TEMUAN
jalur I-TEMUAN
sebesar I-TEMUAN
0.232 I-TEMUAN
dan I-TEMUAN
T- I-TEMUAN
Statistics I-TEMUAN
sebesar I-TEMUAN
4.913. I-TEMUAN
3. O
Kepuasan O
Pengguna O
terbukti O
berpengaruh O
positif O
dan O
signifikan O
terhadap O
Manfaat O
Bersih O
dengan O
nilai O
koefisien O
jalur O
sebesar O
0.649 O
dan O
T-Statistics O
sebesar O
17.902. O
Rekomendasi O
yang O
dapat O
diberikan O
berdasarkan O
penelitian O
ini O
adalah O
sebagai O
berikut. O
1. O
Untuk O
meningkatkan O
kesuksesan O
SIPADU O
Web O
Portal O
Mahasiswa O
berdasarkan O
Kepuasan O
Pengguna O
dan O
Manfaat O
Bersih O
dapat O
dilakukan O
dengan O
meningkatkan O
Kualitas O
Sistem O
melalui O
peningkatan O
keandalan O
sistem O
, O
waktu O
respons O
, O
serta O
kemudahan O
akses O
, O
kemudahan O
penggunaan O
, O
peningkatan O
keamanan O
data O
pengguna. O
pengguna O
, O
diterima O
yang O
2. O
Untuk O
meningkatkan O
kesuksesan O
SIPADU O
Web O
Portal O
Mahasiswa O
berdasarkan O
Kepuasan O
Pengguna O
dan O
dapat O
yang O
Manfaat O
Bersih O
dilakukan O
dengan O
meningkatkan O
kualitas O
informasi O
yang O
disajikan O
melalui O
informasi O
yang O
lebih O
lengkap O
, O
mudah O
dipahami O
, O
aktual O
, O
akurat O
, O
serta O
hadir O
dalam O
format O
yang O
sesuai O
dengan O
harapan O
pengguna. O
pengguna O
, O
diterima O
yang O
diterima O
3. O
Untuk O
meningkatkan O
kesuksesan O
SIPADU O
Web O
Portal O
Mahasiswa O
berdasarkan O
Kepuasan O
Pengguna O
dan O
Manfaat O
Bersih O
dapat O
dilakukan O
dengan O
meningkatkan O
Kualitas O
Layanan O
yang O
disediakan O
pengelola O
SIPADU O
Web O
Portal O
Mahasiswa O
baik O
, O
melalui O
jaminan O
memberikan O
yang O
berorientasi O
pada O
mahasiswa O
, O
serta O
meningkatkan O
responsivitas. O
lebih O
empati O
pemberian O
pengguna O
, O
pelayanan O
dengan O
yang O
Saran O
yang O
diberikan O
untuk O
penelitian O
selanjutnya O
adalah O
sebagai O
berikut. O
1. O
Dalam O
melakukan O
penelitian O
lanjutan O
, O
scope O
atau O
cakupan O
penelitian O
dapat O
diperluas O
menjadi O
penelitian O
kesuksesan O
pada O
SIPADU-STIS O
secara O
keseluruhan. O
Dalam O
hal O
ini O
mencakup O
berbagai O
unit O
SIPADU O
yang O
digunakan O
oleh O
dosen O
maupun O
pegawai. O
2. O
Data O
yang O
dikumpulkan O
dapat O
diperbesar O
jumlahnya O
serta O
melakukan O
segmentasi O
pengguna O
agar O
hasil O
penelitian O
dapat O
lebih O
detail. O

Model O
Kesuksesan O
Sistem O
Informasi O
DeLone O
& O
McLean O
dalam O
Analisis O
Kesuksesan O
SIPADU O
Web O
Portal O
Mahasiswa O
Politeknik O
Statistika O
STIS O
Ajeng O
Wahyu O
Tri O
Yulinda O
( O
221810128 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph. O
D. O
Ringkasan— O
Sistem O
Informasi O
Terpadu O
STIS O
( O
SIPADU-STIS O
) O
merupakan O
sistem O
informasi O
yang O
digunakan O
oleh O
mahasiswa O
, O
dosen O
, O
serta O
pegawai O
Politeknik O
Statistika O
STIS O
untuk O
menunjang O
penyelenggaraan O
kegiatan O
akademik O
di O
kampus. O
SIPADU-STIS O
dikembangkan O
pada O
tahun O
2010 O
dan O
telah O
digunakan O
sebagai O
sistem O
informasi O
utama O
di O
Politeknik O
Statistika O
STIS O
hingga O
saat O
ini. O
SIPADU-STIS O
terdiri O
atas O
berbagai O
unit O
, O
salah O
satunya O
SIPADU O
Web O
Portal O
Mahasiswa O
yang O
digunakan O
mahasiswa O
untuk O
mengakses O
jadwal O
, O
nilai O
, O
absensi O
, O
maupun O
pengerjaan O
skripsi O
dan O
tugas O
akhir. O
Suatu O
sistem O
informasi O
yang O
telah O
diimplementasikan O
, O
pada O
dasarnya O
memerlukan O
evaluasi O
mengenai O
kesuksesan O
implementasi O
sistem O
informasi O
pengembangan O
berikutnya. O
Namun O
, O
belum O
pernah O
dilakukan B-TUJUAN
penelitian I-TUJUAN
secara I-TUJUAN
khusus I-TUJUAN
mengenai I-TUJUAN
kesuksesan I-TUJUAN
SIPADU I-TUJUAN
Web I-TUJUAN
Portal I-TUJUAN
Mahasiswa I-TUJUAN
dan I-TUJUAN
faktor-faktor I-TUJUAN
yang I-TUJUAN
memengaruhinya I-TUJUAN
sebagai I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
akademik. I-TUJUAN
Kriteria O
kesuksesan O
sistem O
informasi O
dalam O
penelitian O
ini O
mengacu O
pada O
Model B-METODE
Kesuksesan I-METODE
sistem I-METODE
informasi I-METODE
DeLone I-METODE
& I-METODE
McLean. I-METODE
Variabel O
yang O
diteliti O
meliputi O
kualitas O
sistem O
, O
kualitas O
informasi O
, O
kualitas O
layanan O
, O
kepuasan O
pengguna O
, O
serta O
manfaat-manfaat O
bersih. O
Hasil B-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
adalah I-TEMUAN
seluruh I-TEMUAN
variabel I-TEMUAN
prediktor I-TEMUAN
terbukti I-TEMUAN
berpengaruh I-TEMUAN
positif I-TEMUAN
dan I-TEMUAN
signifikan I-TEMUAN
dan I-TEMUAN
memberikan I-TEMUAN
validasi I-TEMUAN
pada I-TEMUAN
Model I-TEMUAN
Kesuksesan I-TEMUAN
Sistem I-TEMUAN
Informasi I-TEMUAN
DeLone I-TEMUAN
& I-TEMUAN
McLean. I-TEMUAN
sebagai O
bahan O
acuan O
Kata O
Kunci— O
Sistem O
Informasi O
, O
SIPADU O
STIS O
, O
DeLone O
dan O
McLean O
, O
Model O
Kesuksesan O
Sistem O
Informasi O
[SEP] O
Berdasarkan O
hasil O
analisis O
statistik O
yang O
telah O
dilakukan O
dapat O
ditarik O
kesimpulan O
sebagai O
berikut. O
1. O
SIPADU B-TEMUAN
Web I-TEMUAN
Portal I-TEMUAN
Mahasiswa I-TEMUAN
tergolong I-TEMUAN
Sangat I-TEMUAN
Sukses I-TEMUAN
diterapkan I-TEMUAN
sebagai I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
akademik I-TEMUAN
dengan I-TEMUAN
persentase I-TEMUAN
kesuksesan I-TEMUAN
82.06 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
2. O
Kualitas O
sistem O
terbukti O
berpengaruh O
positif O
dan O
signifikan O
terhadap O
Kepuasan O
Pengguna O
dengan O
nilai O
7 O
/ O
8 O
koefisiensi B-TEMUAN
jalur I-TEMUAN
sebesar I-TEMUAN
0.340 I-TEMUAN
dan I-TEMUAN
T-Statistics I-TEMUAN
sebesar I-TEMUAN
5.643. I-TEMUAN
Kualitas I-TEMUAN
informasi I-TEMUAN
terbukti I-TEMUAN
berpengaruh I-TEMUAN
positif I-TEMUAN
dan I-TEMUAN
signifikan I-TEMUAN
terhadap I-TEMUAN
Kepuasan I-TEMUAN
Pengguna I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
koefisien I-TEMUAN
jalur I-TEMUAN
sebesar I-TEMUAN
0.350 I-TEMUAN
dan I-TEMUAN
T-Statistics I-TEMUAN
sebesar I-TEMUAN
7.628. I-TEMUAN
Kualitas I-TEMUAN
layanan I-TEMUAN
terbukti I-TEMUAN
berpengaruh I-TEMUAN
positif I-TEMUAN
dan I-TEMUAN
signifikan I-TEMUAN
terhadap I-TEMUAN
Kepuasan I-TEMUAN
Pengguna I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
koefisien I-TEMUAN
jalur I-TEMUAN
sebesar I-TEMUAN
0.232 I-TEMUAN
dan I-TEMUAN
T- I-TEMUAN
Statistics I-TEMUAN
sebesar I-TEMUAN
4.913. I-TEMUAN
3. O
Kepuasan O
Pengguna O
terbukti O
berpengaruh O
positif O
dan O
signifikan O
terhadap O
Manfaat O
Bersih O
dengan O
nilai O
koefisien O
jalur O
sebesar O
0.649 O
dan O
T-Statistics O
sebesar O
17.902. O
Rekomendasi O
yang O
dapat O
diberikan O
berdasarkan O
penelitian O
ini O
adalah O
sebagai O
berikut. O
1. O
Untuk O
meningkatkan O
kesuksesan O
SIPADU O
Web O
Portal O
Mahasiswa O
berdasarkan O
Kepuasan O
Pengguna O
dan O
Manfaat O
Bersih O
dapat O
dilakukan O
dengan O
meningkatkan O
Kualitas O
Sistem O
melalui O
peningkatan O
keandalan O
sistem O
, O
waktu O
respons O
, O
serta O
kemudahan O
akses O
, O
kemudahan O
penggunaan O
, O
peningkatan O
keamanan O
data O
pengguna. O
pengguna O
, O
diterima O
yang O
2. O
Untuk O
meningkatkan O
kesuksesan O
SIPADU O
Web O
Portal O
Mahasiswa O
berdasarkan O
Kepuasan O
Pengguna O
dan O
dapat O
yang O
Manfaat O
Bersih O
dilakukan O
dengan O
meningkatkan O
kualitas O
informasi O
yang O
disajikan O
melalui O
informasi O
yang O
lebih O
lengkap O
, O
mudah O
dipahami O
, O
aktual O
, O
akurat O
, O
serta O
hadir O
dalam O
format O
yang O
sesuai O
dengan O
harapan O
pengguna. O
pengguna O
, O
diterima O
yang O
diterima O
3. O
Untuk O
meningkatkan O
kesuksesan O
SIPADU O
Web O
Portal O
Mahasiswa O
berdasarkan O
Kepuasan O
Pengguna O
dan O
Manfaat O
Bersih O
dapat O
dilakukan O
dengan O
meningkatkan O
Kualitas O
Layanan O
yang O
disediakan O
pengelola O
SIPADU O
Web O
Portal O
Mahasiswa O
baik O
, O
melalui O
jaminan O
memberikan O
yang O
berorientasi O
pada O
mahasiswa O
, O
serta O
meningkatkan O
responsivitas. O
lebih O
empati O
pemberian O
pengguna O
, O
pelayanan O
dengan O
yang O
Saran O
yang O
diberikan O
untuk O
penelitian O
selanjutnya O
adalah O
sebagai O
berikut. O
1. O
Dalam O
melakukan O
penelitian O
lanjutan O
, O
scope O
atau O
cakupan O
penelitian O
dapat O
diperluas O
menjadi O
penelitian O
kesuksesan O
pada O
SIPADU-STIS O
secara O
keseluruhan. O
Dalam O
hal O
ini O
mencakup O
berbagai O
unit O
SIPADU O
yang O
digunakan O
oleh O
dosen O
maupun O
pegawai. O
2. O
Data O
yang O
dikumpulkan O
dapat O
diperbesar O
jumlahnya O
serta O
melakukan O
segmentasi O
pengguna O
agar O
hasil O
penelitian O
dapat O
lebih O
detail. O

Model O
Kesuksesan O
Sistem O
Informasi O
DeLone O
& O
McLean O
dalam O
Analisis O
Kesuksesan O
SIPADU O
Web O
Portal O
Mahasiswa O
Politeknik O
Statistika O
STIS O
Ajeng O
Wahyu O
Tri O
Yulinda O
( O
221810128 O
, O
4SI2 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph. O
D. O
Ringkasan— O
Sistem O
Informasi O
Terpadu O
STIS O
( O
SIPADU-STIS O
) O
merupakan O
sistem O
informasi O
yang O
digunakan O
oleh O
mahasiswa O
, O
dosen O
, O
serta O
pegawai O
Politeknik O
Statistika O
STIS O
untuk O
menunjang O
penyelenggaraan O
kegiatan O
akademik O
di O
kampus. O
SIPADU-STIS O
dikembangkan O
pada O
tahun O
2010 O
dan O
telah O
digunakan O
sebagai O
sistem O
informasi O
utama O
di O
Politeknik O
Statistika O
STIS O
hingga O
saat O
ini. O
SIPADU-STIS O
terdiri O
atas O
berbagai O
unit O
, O
salah O
satunya O
SIPADU O
Web O
Portal O
Mahasiswa O
yang O
digunakan O
mahasiswa O
untuk O
mengakses O
jadwal O
, O
nilai O
, O
absensi O
, O
maupun O
pengerjaan O
skripsi O
dan O
tugas O
akhir. O
Suatu O
sistem O
informasi O
yang O
telah O
diimplementasikan O
, O
pada O
dasarnya O
memerlukan O
evaluasi O
mengenai O
kesuksesan O
implementasi O
sistem O
informasi O
pengembangan O
berikutnya. O
Namun O
, O
belum O
pernah O
dilakukan B-TUJUAN
penelitian I-TUJUAN
secara I-TUJUAN
khusus I-TUJUAN
mengenai I-TUJUAN
kesuksesan I-TUJUAN
SIPADU I-TUJUAN
Web I-TUJUAN
Portal I-TUJUAN
Mahasiswa I-TUJUAN
dan I-TUJUAN
faktor-faktor I-TUJUAN
yang I-TUJUAN
memengaruhinya I-TUJUAN
sebagai I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
akademik. I-TUJUAN
Kriteria O
kesuksesan O
sistem O
informasi O
dalam O
penelitian O
ini O
mengacu O
pada O
Model B-METODE
Kesuksesan I-METODE
sistem I-METODE
informasi I-METODE
DeLone I-METODE
& I-METODE
McLean. I-METODE
Variabel O
yang O
diteliti O
meliputi O
kualitas O
sistem O
, O
kualitas O
informasi O
, O
kualitas O
layanan O
, O
kepuasan O
pengguna O
, O
serta O
manfaat-manfaat O
bersih. O
Hasil B-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
adalah I-TEMUAN
seluruh I-TEMUAN
variabel I-TEMUAN
prediktor I-TEMUAN
terbukti I-TEMUAN
berpengaruh I-TEMUAN
positif I-TEMUAN
dan I-TEMUAN
signifikan I-TEMUAN
dan I-TEMUAN
memberikan I-TEMUAN
validasi I-TEMUAN
pada I-TEMUAN
Model I-TEMUAN
Kesuksesan I-TEMUAN
Sistem I-TEMUAN
Informasi I-TEMUAN
DeLone I-TEMUAN
& I-TEMUAN
McLean. I-TEMUAN
sebagai O
bahan O
acuan O
Kata O
Kunci— O
Sistem O
Informasi O
, O
SIPADU O
STIS O
, O
DeLone O
dan O
McLean O
, O
Model O
Kesuksesan O
Sistem O
Informasi O
[SEP] O
Berdasarkan O
hasil O
analisis O
statistik O
yang O
telah O
dilakukan O
dapat O
ditarik O
kesimpulan O
sebagai O
berikut. O
1. O
SIPADU B-TEMUAN
Web I-TEMUAN
Portal I-TEMUAN
Mahasiswa I-TEMUAN
tergolong I-TEMUAN
Sangat I-TEMUAN
Sukses I-TEMUAN
diterapkan I-TEMUAN
sebagai I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
akademik I-TEMUAN
dengan I-TEMUAN
persentase I-TEMUAN
kesuksesan I-TEMUAN
82.06 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
2. O
Kualitas O
sistem O
terbukti O
berpengaruh O
positif O
dan O
signifikan O
terhadap O
Kepuasan O
Pengguna O
dengan O
nilai O
7 O
/ O
8 O
koefisiensi B-TEMUAN
jalur I-TEMUAN
sebesar I-TEMUAN
0.340 I-TEMUAN
dan I-TEMUAN
T-Statistics I-TEMUAN
sebesar I-TEMUAN
5.643. I-TEMUAN
Kualitas I-TEMUAN
informasi I-TEMUAN
terbukti I-TEMUAN
berpengaruh I-TEMUAN
positif I-TEMUAN
dan I-TEMUAN
signifikan I-TEMUAN
terhadap I-TEMUAN
Kepuasan I-TEMUAN
Pengguna I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
koefisien I-TEMUAN
jalur I-TEMUAN
sebesar I-TEMUAN
0.350 I-TEMUAN
dan I-TEMUAN
T-Statistics I-TEMUAN
sebesar I-TEMUAN
7.628. I-TEMUAN
Kualitas I-TEMUAN
layanan I-TEMUAN
terbukti I-TEMUAN
berpengaruh I-TEMUAN
positif I-TEMUAN
dan I-TEMUAN
signifikan I-TEMUAN
terhadap I-TEMUAN
Kepuasan I-TEMUAN
Pengguna I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
koefisien I-TEMUAN
jalur I-TEMUAN
sebesar I-TEMUAN
0.232 I-TEMUAN
dan I-TEMUAN
T- I-TEMUAN
Statistics I-TEMUAN
sebesar I-TEMUAN
4.913. I-TEMUAN
3. O
Kepuasan O
Pengguna O
terbukti O
berpengaruh O
positif O
dan O
signifikan O
terhadap O
Manfaat O
Bersih O
dengan O
nilai O
koefisien O
jalur O
sebesar O
0.649 O
dan O
T-Statistics O
sebesar O
17.902. O
Rekomendasi O
yang O
dapat O
diberikan O
berdasarkan O
penelitian O
ini O
adalah O
sebagai O
berikut. O
1. O
Untuk O
meningkatkan O
kesuksesan O
SIPADU O
Web O
Portal O
Mahasiswa O
berdasarkan O
Kepuasan O
Pengguna O
dan O
Manfaat O
Bersih O
dapat O
dilakukan O
dengan O
meningkatkan O
Kualitas O
Sistem O
melalui O
peningkatan O
keandalan O
sistem O
, O
waktu O
respons O
, O
serta O
kemudahan O
akses O
, O
kemudahan O
penggunaan O
, O
peningkatan O
keamanan O
data O
pengguna. O
pengguna O
, O
diterima O
yang O
2. O
Untuk O
meningkatkan O
kesuksesan O
SIPADU O
Web O
Portal O
Mahasiswa O
berdasarkan O
Kepuasan O
Pengguna O
dan O
dapat O
yang O
Manfaat O
Bersih O
dilakukan O
dengan O
meningkatkan O
kualitas O
informasi O
yang O
disajikan O
melalui O
informasi O
yang O
lebih O
lengkap O
, O
mudah O
dipahami O
, O
aktual O
, O
akurat O
, O
serta O
hadir O
dalam O
format O
yang O
sesuai O
dengan O
harapan O
pengguna. O
pengguna O
, O
diterima O
yang O
diterima O
3. O
Untuk O
meningkatkan O
kesuksesan O
SIPADU O
Web O
Portal O
Mahasiswa O
berdasarkan O
Kepuasan O
Pengguna O
dan O
Manfaat O
Bersih O
dapat O
dilakukan O
dengan O
meningkatkan O
Kualitas O
Layanan O
yang O
disediakan O
pengelola O
SIPADU O
Web O
Portal O
Mahasiswa O
baik O
, O
melalui O
jaminan O
memberikan O
yang O
berorientasi O
pada O
mahasiswa O
, O
serta O
meningkatkan O
responsivitas. O
lebih O
empati O
pemberian O
pengguna O
, O
pelayanan O
dengan O
yang O
Saran O
yang O
diberikan O
untuk O
penelitian O
selanjutnya O
adalah O
sebagai O
berikut. O
1. O
Dalam O
melakukan O
penelitian O
lanjutan O
, O
scope O
atau O
cakupan O
penelitian O
dapat O
diperluas O
menjadi O
penelitian O
kesuksesan O
pada O
SIPADU-STIS O
secara O
keseluruhan. O
Dalam O
hal O
ini O
mencakup O
berbagai O
unit O
SIPADU O
yang O
digunakan O
oleh O
dosen O
maupun O
pegawai. O
2. O
Data O
yang O
dikumpulkan O
dapat O
diperbesar O
jumlahnya O
serta O
melakukan O
segmentasi O
pengguna O
agar O
hasil O
penelitian O
dapat O
lebih O
detail. O

Optimasi O
Parameter O
ST-DBSCAN O
dengan O
KNN O
dan O
Algoritma O
Genetika O
Studi O
Kasus O
: O
Data O
Bencana O
Alam O
di O
Pulau O
Jawa O
2021 O
Aisyah O
Nur O
Fahira O
( O
221810126 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Rani O
Nooraeni O
S.ST O
, O
M.Stat O
Ringkasan. O
Spatio O
Temporal O
DBSCAN O
( O
ST-DBSCAN O
) O
adalah O
metode O
yang O
dapat O
diterapkan O
pada O
data O
spasial O
yang O
diikuti O
dengan O
atribut O
temporal. O
Hasil O
dari O
ST-DBSCAN O
tergantung O
pada O
penentuan O
awal O
tiga O
parameter. O
Inisial O
parameter O
yang O
tidak O
optimal O
menyebabkan O
hasil O
pengelompokan O
dengan O
ST- O
DBSCAN O
tidak O
mencapai O
solusi O
yang O
global O
optimum. O
Penelitian O
ini O
bertujuan O
untuk O
mengoptimalkan B-TUJUAN
penentuan I-TUJUAN
parameter I-TUJUAN
awal I-TUJUAN
pada I-TUJUAN
ST-DBSCAN I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
k I-TUJUAN
Nearest I-TUJUAN
neighborhood I-TUJUAN
dan I-TUJUAN
Algoritma I-TUJUAN
Genetika I-TUJUAN
yang I-TUJUAN
diuji I-TUJUAN
menggunakan I-TUJUAN
data I-TUJUAN
simulasi I-TUJUAN
kemudian I-TUJUAN
diterapkan I-TUJUAN
dalam I-TUJUAN
pengelompokan I-TUJUAN
wilayah I-TUJUAN
bencana I-TUJUAN
alam. I-TUJUAN
Hasil O
yang O
didapatkan O
adalah O
pemilihan O
parameter O
yang O
dioptimasi O
menggunakan O
algoritma O
genetika O
menghasilkan O
cluster O
dengan O
koefisien O
CDbw O
terbesar O
pada O
perbandingan O
evaluasi O
dengan O
data O
uji O
coba O
skala O
kecil. O
Hasil O
clustering B-METODE
dengan O
menggunakan O
metode O
ST-DBSCAN O
pencarian O
parameter O
local O
mean O
menghasilkan O
22 O
cluster O
dengan O
6 O
cluster O
besar O
dan O
16 O
cluster O
kecil. O
Cluster O
menunjukkan O
pola O
kejadian O
spatio-temporal O
berupa O
reappearing O
untuk O
daerah O
Jawa O
Barat O
dan O
track O
pada O
periode O
Januari O
hingga O
April. O
Kata O
Kunci— O
ST-DBSCAN O
, O
optimasi O
parameter O
, O
KNN O
, O
algoritma O
genetika. O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
simulasi O
yang O
dilakukan O
, O
kesimpulan O
sementara O
yang O
didapatkan O
adalah O
sebagai O
berikut O
: O
1 O
) O
Hasil B-TEMUAN
clustering I-TEMUAN
data I-TEMUAN
simulasi I-TEMUAN
menunjukkan I-TEMUAN
metode I-TEMUAN
DBSCAN I-TEMUAN
unggul I-TEMUAN
pada I-TEMUAN
koefisien I-TEMUAN
silhouette I-TEMUAN
dan I-TEMUAN
indeks I-TEMUAN
CDbw. I-TEMUAN
Penggunaan O
local O
mean O
KNN O
dalam O
pencarian O
koefisien O
parameter O
menyebabkan O
terjadi O
karena O
silhouette O
pencarian O
parameter O
menggunakan O
local O
mean O
menyebabkan O
epsilon O
menjadi O
lebih O
rendah. O
Epsilon O
yang O
kecil O
dapat O
mendeteksi O
lebih O
banyak O
noise O
sehingga O
menyebabkan O
kesalahan O
pada O
perhitungan O
koefisien O
silhouette. O
lebih O
rendah O
, O
hal O
ini O
algoritma O
2 O
) O
Untuk O
data O
skala O
kecil O
, O
perulangan O
dengan O
lebih O
kurang O
50 O
% O
data O
sudah O
dapat O
ditangani O
dengan O
baik O
oleh O
KNN-GA-ST-DBSCAN. O
Dibandingkan O
dengan O
pencarian O
parameter O
dengan O
k- O
distance O
KNN O
dan O
local O
mean O
KNN O
, O
KNN-GA-ST- O
DBSCAN O
menghasilkan O
cluster O
dengan O
indeks O
CDbw O
terbesar O
diantara O
ketiganya. O
pencarian O
parameter O
3 O
) O
Hasil B-TEMUAN
clustering I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
ST- I-TEMUAN
DBSCAN I-TEMUAN
local I-TEMUAN
mean I-TEMUAN
menghasilkan I-TEMUAN
22 I-TEMUAN
cluster I-TEMUAN
dengan I-TEMUAN
6 I-TEMUAN
cluster I-TEMUAN
besar I-TEMUAN
dan I-TEMUAN
16 I-TEMUAN
cluster I-TEMUAN
kecil. I-TEMUAN
Cluster O
dengan O
anggota O
terbanyak O
yaitu O
cluster O
2 O
menunjukkan O
pola O
kejadian O
spatio- O
temporal O
berupa O
reappearing O
untuk O
daerah O
Jawa O
Barat O
dan O
track O
pada O
periode O
Januari O
hingga O
April. O
Gambar O
4. O
Pemetaan O
pola O
bencana O
alam O
untuk O
cluster O
2 O
dengan O
periode O
30 O
hari O
Cluster O
2 O
merupakan O
kejadian O
bencana O
alam O
yang O
terjadi O
di O
sekitar O
Banten O
, O
Jakarta O
, O
dan O
Jawa O
Barat. O
Berdasarkan O
gambar O
7 O
terlihat O
bahwa O
terdapat O
pola O
spatio-temporal O
pada O
cluster O
2. O
Terdapat O
pola O
reappearing O
pada O
wilayah O
Jawa O
Barat O
, O
karena O
bencana O
alam O
yang O
terjadi O
selama O
14 O
periode O
memiliki O
perbedaan O
intensitas O
kejadian O
seperti O
pada O
periode O
8 O
dan O
periode O
14. O
Intensitas O
kejadian O
tidak O
muncul O
pada O
jangka O
waktu O
yang O
sama O
sehingga O
pola O
yang O
reappearing O
tersebut O
bertipe O
B. O
Saran O
Saran O
yang O
dapat O
diberikan O
adalah O
sebagai O
berikut O
1. O
Untuk O
Pemerintah O
, O
titik O
pola O
bencana O
di O
Pulau O
Jawa O
bergerak O
secara O
track O
untuk O
perido O
Januari O
hingga O
April O
sehingga O
dapat O
diketahui O
tindakan O
preventif O
kedepannya. O
2. O
Untuk O
pengembangan O
selanjutnya O
, O
metode O
yang O
diajukan O
masih O
belum O
baik O
dan O
pengkodean O
belum O
efisien. O
Kemudian O
masih O
terdapat O
parameter O
yang O
belum O
dilakukan O
secara O
otomatis. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O

Optimasi O
Parameter O
ST-DBSCAN O
dengan O
KNN O
dan O
Algoritma O
Genetika O
Studi O
Kasus O
: O
Data O
Bencana O
Alam O
di O
Pulau O
Jawa O
2021 O
Aisyah O
Nur O
Fahira O
( O
221810126 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Rani O
Nooraeni O
S.ST O
, O
M.Stat O
Ringkasan. O
Spatio O
Temporal O
DBSCAN O
( O
ST-DBSCAN O
) O
adalah O
metode O
yang O
dapat O
diterapkan O
pada O
data O
spasial O
yang O
diikuti O
dengan O
atribut O
temporal. O
Hasil O
dari O
ST-DBSCAN O
tergantung O
pada O
penentuan O
awal O
tiga O
parameter. O
Inisial O
parameter O
yang O
tidak O
optimal O
menyebabkan O
hasil O
pengelompokan O
dengan O
ST- O
DBSCAN O
tidak O
mencapai O
solusi O
yang O
global O
optimum. O
Penelitian O
ini O
bertujuan O
untuk O
mengoptimalkan B-TUJUAN
penentuan I-TUJUAN
parameter I-TUJUAN
awal I-TUJUAN
pada I-TUJUAN
ST-DBSCAN I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
k I-TUJUAN
Nearest I-TUJUAN
neighborhood I-TUJUAN
dan I-TUJUAN
Algoritma I-TUJUAN
Genetika I-TUJUAN
yang I-TUJUAN
diuji I-TUJUAN
menggunakan I-TUJUAN
data I-TUJUAN
simulasi I-TUJUAN
kemudian I-TUJUAN
diterapkan I-TUJUAN
dalam I-TUJUAN
pengelompokan I-TUJUAN
wilayah I-TUJUAN
bencana I-TUJUAN
alam. I-TUJUAN
Hasil O
yang O
didapatkan O
adalah O
pemilihan O
parameter O
yang O
dioptimasi O
menggunakan O
algoritma O
genetika O
menghasilkan O
cluster O
dengan O
koefisien O
CDbw O
terbesar O
pada O
perbandingan O
evaluasi O
dengan O
data O
uji O
coba O
skala O
kecil. O
Hasil O
clustering B-METODE
dengan O
menggunakan O
metode O
ST-DBSCAN O
pencarian O
parameter O
local O
mean O
menghasilkan O
22 O
cluster O
dengan O
6 O
cluster O
besar O
dan O
16 O
cluster O
kecil. O
Cluster O
menunjukkan O
pola O
kejadian O
spatio-temporal O
berupa O
reappearing O
untuk O
daerah O
Jawa O
Barat O
dan O
track O
pada O
periode O
Januari O
hingga O
April. O
Kata O
Kunci— O
ST-DBSCAN O
, O
optimasi O
parameter O
, O
KNN O
, O
algoritma O
genetika. O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
simulasi O
yang O
dilakukan O
, O
kesimpulan O
sementara O
yang O
didapatkan O
adalah O
sebagai O
berikut O
: O
1 O
) O
Hasil B-TEMUAN
clustering I-TEMUAN
data I-TEMUAN
simulasi I-TEMUAN
menunjukkan I-TEMUAN
metode I-TEMUAN
DBSCAN I-TEMUAN
unggul I-TEMUAN
pada I-TEMUAN
koefisien I-TEMUAN
silhouette I-TEMUAN
dan I-TEMUAN
indeks I-TEMUAN
CDbw. I-TEMUAN
Penggunaan O
local O
mean O
KNN O
dalam O
pencarian O
koefisien O
parameter O
menyebabkan O
terjadi O
karena O
silhouette O
pencarian O
parameter O
menggunakan O
local O
mean O
menyebabkan O
epsilon O
menjadi O
lebih O
rendah. O
Epsilon O
yang O
kecil O
dapat O
mendeteksi O
lebih O
banyak O
noise O
sehingga O
menyebabkan O
kesalahan O
pada O
perhitungan O
koefisien O
silhouette. O
lebih O
rendah O
, O
hal O
ini O
algoritma O
2 O
) O
Untuk O
data O
skala O
kecil O
, O
perulangan O
dengan O
lebih O
kurang O
50 O
% O
data O
sudah O
dapat O
ditangani O
dengan O
baik O
oleh O
KNN-GA-ST-DBSCAN. O
Dibandingkan O
dengan O
pencarian O
parameter O
dengan O
k- O
distance O
KNN O
dan O
local O
mean O
KNN O
, O
KNN-GA-ST- O
DBSCAN O
menghasilkan O
cluster O
dengan O
indeks O
CDbw O
terbesar O
diantara O
ketiganya. O
pencarian O
parameter O
3 O
) O
Hasil B-TEMUAN
clustering I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
ST- I-TEMUAN
DBSCAN I-TEMUAN
local I-TEMUAN
mean I-TEMUAN
menghasilkan I-TEMUAN
22 I-TEMUAN
cluster I-TEMUAN
dengan I-TEMUAN
6 I-TEMUAN
cluster I-TEMUAN
besar I-TEMUAN
dan I-TEMUAN
16 I-TEMUAN
cluster I-TEMUAN
kecil. I-TEMUAN
Cluster O
dengan O
anggota O
terbanyak O
yaitu O
cluster O
2 O
menunjukkan O
pola O
kejadian O
spatio- O
temporal O
berupa O
reappearing O
untuk O
daerah O
Jawa O
Barat O
dan O
track O
pada O
periode O
Januari O
hingga O
April. O
Gambar O
4. O
Pemetaan O
pola O
bencana O
alam O
untuk O
cluster O
2 O
dengan O
periode O
30 O
hari O
Cluster O
2 O
merupakan O
kejadian O
bencana O
alam O
yang O
terjadi O
di O
sekitar O
Banten O
, O
Jakarta O
, O
dan O
Jawa O
Barat. O
Berdasarkan O
gambar O
7 O
terlihat O
bahwa O
terdapat O
pola O
spatio-temporal O
pada O
cluster O
2. O
Terdapat O
pola O
reappearing O
pada O
wilayah O
Jawa O
Barat O
, O
karena O
bencana O
alam O
yang O
terjadi O
selama O
14 O
periode O
memiliki O
perbedaan O
intensitas O
kejadian O
seperti O
pada O
periode O
8 O
dan O
periode O
14. O
Intensitas O
kejadian O
tidak O
muncul O
pada O
jangka O
waktu O
yang O
sama O
sehingga O
pola O
yang O
reappearing O
tersebut O
bertipe O
B. O
Saran O
Saran O
yang O
dapat O
diberikan O
adalah O
sebagai O
berikut O
1. O
Untuk O
Pemerintah O
, O
titik O
pola O
bencana O
di O
Pulau O
Jawa O
bergerak O
secara O
track O
untuk O
perido O
Januari O
hingga O
April O
sehingga O
dapat O
diketahui O
tindakan O
preventif O
kedepannya. O
2. O
Untuk O
pengembangan O
selanjutnya O
, O
metode O
yang O
diajukan O
masih O
belum O
baik O
dan O
pengkodean O
belum O
efisien. O
Kemudian O
masih O
terdapat O
parameter O
yang O
belum O
dilakukan O
secara O
otomatis. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O

Optimasi O
Parameter O
ST-DBSCAN O
dengan O
KNN O
dan O
Algoritma O
Genetika O
Studi O
Kasus O
: O
Data O
Bencana O
Alam O
di O
Pulau O
Jawa O
2021 O
Aisyah O
Nur O
Fahira O
( O
221810126 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Rani O
Nooraeni O
S.ST O
, O
M.Stat O
Ringkasan. O
Spatio O
Temporal O
DBSCAN O
( O
ST-DBSCAN O
) O
adalah O
metode O
yang O
dapat O
diterapkan O
pada O
data O
spasial O
yang O
diikuti O
dengan O
atribut O
temporal. O
Hasil O
dari O
ST-DBSCAN O
tergantung O
pada O
penentuan O
awal O
tiga O
parameter. O
Inisial O
parameter O
yang O
tidak O
optimal O
menyebabkan O
hasil O
pengelompokan O
dengan O
ST- O
DBSCAN O
tidak O
mencapai O
solusi O
yang O
global O
optimum. O
Penelitian O
ini O
bertujuan O
untuk O
mengoptimalkan B-TUJUAN
penentuan I-TUJUAN
parameter I-TUJUAN
awal I-TUJUAN
pada I-TUJUAN
ST-DBSCAN I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
k I-TUJUAN
Nearest I-TUJUAN
neighborhood I-TUJUAN
dan I-TUJUAN
Algoritma I-TUJUAN
Genetika I-TUJUAN
yang I-TUJUAN
diuji I-TUJUAN
menggunakan I-TUJUAN
data I-TUJUAN
simulasi I-TUJUAN
kemudian I-TUJUAN
diterapkan I-TUJUAN
dalam I-TUJUAN
pengelompokan I-TUJUAN
wilayah I-TUJUAN
bencana I-TUJUAN
alam. I-TUJUAN
Hasil O
yang O
didapatkan O
adalah O
pemilihan O
parameter O
yang O
dioptimasi O
menggunakan O
algoritma O
genetika O
menghasilkan O
cluster O
dengan O
koefisien O
CDbw O
terbesar O
pada O
perbandingan O
evaluasi O
dengan O
data O
uji O
coba O
skala O
kecil. O
Hasil O
clustering B-METODE
dengan O
menggunakan O
metode O
ST-DBSCAN O
pencarian O
parameter O
local O
mean O
menghasilkan O
22 O
cluster O
dengan O
6 O
cluster O
besar O
dan O
16 O
cluster O
kecil. O
Cluster O
menunjukkan O
pola O
kejadian O
spatio-temporal O
berupa O
reappearing O
untuk O
daerah O
Jawa O
Barat O
dan O
track O
pada O
periode O
Januari O
hingga O
April. O
Kata O
Kunci— O
ST-DBSCAN O
, O
optimasi O
parameter O
, O
KNN O
, O
algoritma O
genetika. O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
simulasi O
yang O
dilakukan O
, O
kesimpulan O
sementara O
yang O
didapatkan O
adalah O
sebagai O
berikut O
: O
1 O
) O
Hasil B-TEMUAN
clustering I-TEMUAN
data I-TEMUAN
simulasi I-TEMUAN
menunjukkan I-TEMUAN
metode I-TEMUAN
DBSCAN I-TEMUAN
unggul I-TEMUAN
pada I-TEMUAN
koefisien I-TEMUAN
silhouette I-TEMUAN
dan I-TEMUAN
indeks I-TEMUAN
CDbw. I-TEMUAN
Penggunaan O
local O
mean O
KNN O
dalam O
pencarian O
koefisien O
parameter O
menyebabkan O
terjadi O
karena O
silhouette O
pencarian O
parameter O
menggunakan O
local O
mean O
menyebabkan O
epsilon O
menjadi O
lebih O
rendah. O
Epsilon O
yang O
kecil O
dapat O
mendeteksi O
lebih O
banyak O
noise O
sehingga O
menyebabkan O
kesalahan O
pada O
perhitungan O
koefisien O
silhouette. O
lebih O
rendah O
, O
hal O
ini O
algoritma O
2 O
) O
Untuk O
data O
skala O
kecil O
, O
perulangan O
dengan O
lebih O
kurang O
50 O
% O
data O
sudah O
dapat O
ditangani O
dengan O
baik O
oleh O
KNN-GA-ST-DBSCAN. O
Dibandingkan O
dengan O
pencarian O
parameter O
dengan O
k- O
distance O
KNN O
dan O
local O
mean O
KNN O
, O
KNN-GA-ST- O
DBSCAN O
menghasilkan O
cluster O
dengan O
indeks O
CDbw O
terbesar O
diantara O
ketiganya. O
pencarian O
parameter O
3 O
) O
Hasil B-TEMUAN
clustering I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
ST- I-TEMUAN
DBSCAN I-TEMUAN
local I-TEMUAN
mean I-TEMUAN
menghasilkan I-TEMUAN
22 I-TEMUAN
cluster I-TEMUAN
dengan I-TEMUAN
6 I-TEMUAN
cluster I-TEMUAN
besar I-TEMUAN
dan I-TEMUAN
16 I-TEMUAN
cluster I-TEMUAN
kecil. I-TEMUAN
Cluster O
dengan O
anggota O
terbanyak O
yaitu O
cluster O
2 O
menunjukkan O
pola O
kejadian O
spatio- O
temporal O
berupa O
reappearing O
untuk O
daerah O
Jawa O
Barat O
dan O
track O
pada O
periode O
Januari O
hingga O
April. O
Gambar O
4. O
Pemetaan O
pola O
bencana O
alam O
untuk O
cluster O
2 O
dengan O
periode O
30 O
hari O
Cluster O
2 O
merupakan O
kejadian O
bencana O
alam O
yang O
terjadi O
di O
sekitar O
Banten O
, O
Jakarta O
, O
dan O
Jawa O
Barat. O
Berdasarkan O
gambar O
7 O
terlihat O
bahwa O
terdapat O
pola O
spatio-temporal O
pada O
cluster O
2. O
Terdapat O
pola O
reappearing O
pada O
wilayah O
Jawa O
Barat O
, O
karena O
bencana O
alam O
yang O
terjadi O
selama O
14 O
periode O
memiliki O
perbedaan O
intensitas O
kejadian O
seperti O
pada O
periode O
8 O
dan O
periode O
14. O
Intensitas O
kejadian O
tidak O
muncul O
pada O
jangka O
waktu O
yang O
sama O
sehingga O
pola O
yang O
reappearing O
tersebut O
bertipe O
B. O
Saran O
Saran O
yang O
dapat O
diberikan O
adalah O
sebagai O
berikut O
1. O
Untuk O
Pemerintah O
, O
titik O
pola O
bencana O
di O
Pulau O
Jawa O
bergerak O
secara O
track O
untuk O
perido O
Januari O
hingga O
April O
sehingga O
dapat O
diketahui O
tindakan O
preventif O
kedepannya. O
2. O
Untuk O
pengembangan O
selanjutnya O
, O
metode O
yang O
diajukan O
masih O
belum O
baik O
dan O
pengkodean O
belum O
efisien. O
Kemudian O
masih O
terdapat O
parameter O
yang O
belum O
dilakukan O
secara O
otomatis. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O

Pembangunan O
Sistem O
Informasi O
Seleksi O
Mitra O
Statistik O
BPS O
Kabupaten O
Jember O
Ainur O
Rahma O
( O
221810125 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A. O
Ringkasan— O
Pembangunan O
sistem O
informasi O
seleksi O
mitra O
statistik O
BPS O
Kabupaten O
Jember O
bertujuan O
membangun B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
seleksi I-TUJUAN
mitra I-TUJUAN
statistik I-TUJUAN
secara I-TUJUAN
terintegrasi I-TUJUAN
tahap I-TUJUAN
administrasi I-TUJUAN
, I-TUJUAN
tes I-TUJUAN
tulis I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
wawancara I-TUJUAN
, I-TUJUAN
menyediakan I-TUJUAN
basis I-TUJUAN
data I-TUJUAN
calon I-TUJUAN
mitra I-TUJUAN
statistik I-TUJUAN
yang I-TUJUAN
mengikuti I-TUJUAN
kegiatan I-TUJUAN
seleksi I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
pengujian I-TUJUAN
sistem I-TUJUAN
yang I-TUJUAN
dibangun. I-TUJUAN
Metode O
yang O
digunakan O
meliputi O
studi O
pustaka O
, O
wawancara O
, O
dan O
pengumpulan O
kuesioner. O
Pembangunan O
sistem O
informasi O
seleksi O
mitra O
statistik O
“SIMISTAT” O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
Waterfall I-METODE
dengan O
tahapan O
analisis O
kebutuhan O
, O
desain O
, O
pembuatan O
kode O
program O
, O
dan O
pengujian O
dengan O
evaluasi O
sistem O
Black B-METODE
Box I-METODE
Testing I-METODE
dan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Dihasilkan O
: O
1 B-TEMUAN
) I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
seleksi I-TEMUAN
mitra I-TEMUAN
statistik I-TEMUAN
terintegrasi I-TEMUAN
pada I-TEMUAN
tahapan I-TEMUAN
administrasi I-TEMUAN
, I-TEMUAN
tes I-TEMUAN
tulis I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
tes I-TEMUAN
wawancara I-TEMUAN
; I-TEMUAN
2 I-TEMUAN
) I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
seleksi I-TEMUAN
mitra I-TEMUAN
statistik I-TEMUAN
menyediakan I-TEMUAN
basis I-TEMUAN
data I-TEMUAN
calon I-TEMUAN
mitra I-TEMUAN
yang I-TEMUAN
mengikuti I-TEMUAN
kegiatan I-TEMUAN
seleksi I-TEMUAN
; I-TEMUAN
3 I-TEMUAN
) I-TEMUAN
berdasarkan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
fungsi I-TEMUAN
atau I-TEMUAN
fitur I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
berhasil I-TEMUAN
dioperasikan I-TEMUAN
; I-TEMUAN
4 I-TEMUAN
) I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
“SIMISTAT” I-TEMUAN
sebesar I-TEMUAN
74 I-TEMUAN
pada I-TEMUAN
grade I-TEMUAN
B I-TEMUAN
, I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
pengguna I-TEMUAN
dengan I-TEMUAN
kategori I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
good. I-TEMUAN
Kata O
Kunci— O
BPS O
, O
Kabupaten O
Jember O
, O
mitra O
statistik O
, O
SDLC O
, O
sistem O
informasi O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
dapat O
diambil O
kesimpulan O
sebagai O
berikut O
: O
1. O
Sistem O
informasi O
seleksi O
mitra O
statistik O
“SIMISTAT” O
dapat O
mengintegrasikan B-TUJUAN
tahapan I-TUJUAN
administrasi I-TUJUAN
, I-TUJUAN
tes I-TUJUAN
tulis I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
tes I-TUJUAN
wawancara I-TUJUAN
pada I-TUJUAN
seleksi I-TUJUAN
mitra I-TUJUAN
statistik I-TUJUAN
di I-TUJUAN
BPS I-TUJUAN
Kabupaten I-TUJUAN
Jember. I-TUJUAN
2. O
Sistem O
informasi O
seleksi O
mitra O
statistik O
“SIMISTAT” O
berbasis O
web O
menyediakan O
basis O
data O
calon O
mitra O
statistik O
untuk O
kegiatan O
seleksi O
mitra O
statistik O
di O
BPS O
Kabupaten O
Jember O
sehingga O
pengisian O
data O
hanya O
dilakukan O
sekali. O
3. O
Hasil B-TEMUAN
pengujian I-TEMUAN
menggunakan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
menyatakan I-TEMUAN
bahwa I-TEMUAN
fungsi I-TEMUAN
atau I-TEMUAN
fitur I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
berhasil I-TEMUAN
dijalankan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
4. B-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
seleksi I-TEMUAN
mitra I-TEMUAN
statistik I-TEMUAN
“SIMISTAT” I-TEMUAN
memberikan I-TEMUAN
grade I-TEMUAN
B I-TEMUAN
dengan I-TEMUAN
rata-rata I-TEMUAN
sebesar I-TEMUAN
74 I-TEMUAN
sehingga I-TEMUAN
berada I-TEMUAN
pada I-TEMUAN
kategori I-TEMUAN
good I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O

Pembangunan O
Sistem O
Informasi O
Seleksi O
Mitra O
Statistik O
BPS O
Kabupaten O
Jember O
Ainur O
Rahma O
( O
221810125 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A. O
Ringkasan— O
Pembangunan O
sistem O
informasi O
seleksi O
mitra O
statistik O
BPS O
Kabupaten O
Jember O
bertujuan O
membangun B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
seleksi I-TUJUAN
mitra I-TUJUAN
statistik I-TUJUAN
secara I-TUJUAN
terintegrasi I-TUJUAN
tahap I-TUJUAN
administrasi I-TUJUAN
, I-TUJUAN
tes I-TUJUAN
tulis I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
wawancara I-TUJUAN
, I-TUJUAN
menyediakan I-TUJUAN
basis I-TUJUAN
data I-TUJUAN
calon I-TUJUAN
mitra I-TUJUAN
statistik I-TUJUAN
yang I-TUJUAN
mengikuti I-TUJUAN
kegiatan I-TUJUAN
seleksi I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
pengujian I-TUJUAN
sistem I-TUJUAN
yang I-TUJUAN
dibangun. I-TUJUAN
Metode O
yang O
digunakan O
meliputi O
studi O
pustaka O
, O
wawancara O
, O
dan O
pengumpulan O
kuesioner. O
Pembangunan O
sistem O
informasi O
seleksi O
mitra O
statistik O
“SIMISTAT” O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
Waterfall I-METODE
dengan O
tahapan O
analisis O
kebutuhan O
, O
desain O
, O
pembuatan O
kode O
program O
, O
dan O
pengujian O
dengan O
evaluasi O
sistem O
Black B-METODE
Box I-METODE
Testing I-METODE
dan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Dihasilkan O
: O
1 B-TEMUAN
) I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
seleksi I-TEMUAN
mitra I-TEMUAN
statistik I-TEMUAN
terintegrasi I-TEMUAN
pada I-TEMUAN
tahapan I-TEMUAN
administrasi I-TEMUAN
, I-TEMUAN
tes I-TEMUAN
tulis I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
tes I-TEMUAN
wawancara I-TEMUAN
; I-TEMUAN
2 I-TEMUAN
) I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
seleksi I-TEMUAN
mitra I-TEMUAN
statistik I-TEMUAN
menyediakan I-TEMUAN
basis I-TEMUAN
data I-TEMUAN
calon I-TEMUAN
mitra I-TEMUAN
yang I-TEMUAN
mengikuti I-TEMUAN
kegiatan I-TEMUAN
seleksi I-TEMUAN
; I-TEMUAN
3 I-TEMUAN
) I-TEMUAN
berdasarkan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
fungsi I-TEMUAN
atau I-TEMUAN
fitur I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
berhasil I-TEMUAN
dioperasikan I-TEMUAN
; I-TEMUAN
4 I-TEMUAN
) I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
“SIMISTAT” I-TEMUAN
sebesar I-TEMUAN
74 I-TEMUAN
pada I-TEMUAN
grade I-TEMUAN
B I-TEMUAN
, I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
pengguna I-TEMUAN
dengan I-TEMUAN
kategori I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
good. I-TEMUAN
Kata O
Kunci— O
BPS O
, O
Kabupaten O
Jember O
, O
mitra O
statistik O
, O
SDLC O
, O
sistem O
informasi O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
dapat O
diambil O
kesimpulan O
sebagai O
berikut O
: O
1. O
Sistem O
informasi O
seleksi O
mitra O
statistik O
“SIMISTAT” O
dapat O
mengintegrasikan B-TUJUAN
tahapan I-TUJUAN
administrasi I-TUJUAN
, I-TUJUAN
tes I-TUJUAN
tulis I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
tes I-TUJUAN
wawancara I-TUJUAN
pada I-TUJUAN
seleksi I-TUJUAN
mitra I-TUJUAN
statistik I-TUJUAN
di I-TUJUAN
BPS I-TUJUAN
Kabupaten I-TUJUAN
Jember. I-TUJUAN
2. O
Sistem O
informasi O
seleksi O
mitra O
statistik O
“SIMISTAT” O
berbasis O
web O
menyediakan O
basis O
data O
calon O
mitra O
statistik O
untuk O
kegiatan O
seleksi O
mitra O
statistik O
di O
BPS O
Kabupaten O
Jember O
sehingga O
pengisian O
data O
hanya O
dilakukan O
sekali. O
3. O
Hasil B-TEMUAN
pengujian I-TEMUAN
menggunakan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
menyatakan I-TEMUAN
bahwa I-TEMUAN
fungsi I-TEMUAN
atau I-TEMUAN
fitur I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
berhasil I-TEMUAN
dijalankan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
4. B-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
seleksi I-TEMUAN
mitra I-TEMUAN
statistik I-TEMUAN
“SIMISTAT” I-TEMUAN
memberikan I-TEMUAN
grade I-TEMUAN
B I-TEMUAN
dengan I-TEMUAN
rata-rata I-TEMUAN
sebesar I-TEMUAN
74 I-TEMUAN
sehingga I-TEMUAN
berada I-TEMUAN
pada I-TEMUAN
kategori I-TEMUAN
good I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O

Pembangunan O
Sistem O
Informasi O
Seleksi O
Mitra O
Statistik O
BPS O
Kabupaten O
Jember O
Ainur O
Rahma O
( O
221810125 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A. O
Ringkasan— O
Pembangunan O
sistem O
informasi O
seleksi O
mitra O
statistik O
BPS O
Kabupaten O
Jember O
bertujuan O
membangun B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
seleksi I-TUJUAN
mitra I-TUJUAN
statistik I-TUJUAN
secara I-TUJUAN
terintegrasi I-TUJUAN
tahap I-TUJUAN
administrasi I-TUJUAN
, I-TUJUAN
tes I-TUJUAN
tulis I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
wawancara I-TUJUAN
, I-TUJUAN
menyediakan I-TUJUAN
basis I-TUJUAN
data I-TUJUAN
calon I-TUJUAN
mitra I-TUJUAN
statistik I-TUJUAN
yang I-TUJUAN
mengikuti I-TUJUAN
kegiatan I-TUJUAN
seleksi I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
pengujian I-TUJUAN
sistem I-TUJUAN
yang I-TUJUAN
dibangun. I-TUJUAN
Metode O
yang O
digunakan O
meliputi O
studi O
pustaka O
, O
wawancara O
, O
dan O
pengumpulan O
kuesioner. O
Pembangunan O
sistem O
informasi O
seleksi O
mitra O
statistik O
“SIMISTAT” O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
Waterfall I-METODE
dengan O
tahapan O
analisis O
kebutuhan O
, O
desain O
, O
pembuatan O
kode O
program O
, O
dan O
pengujian O
dengan O
evaluasi O
sistem O
Black B-METODE
Box I-METODE
Testing I-METODE
dan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Dihasilkan O
: O
1 B-TEMUAN
) I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
seleksi I-TEMUAN
mitra I-TEMUAN
statistik I-TEMUAN
terintegrasi I-TEMUAN
pada I-TEMUAN
tahapan I-TEMUAN
administrasi I-TEMUAN
, I-TEMUAN
tes I-TEMUAN
tulis I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
tes I-TEMUAN
wawancara I-TEMUAN
; I-TEMUAN
2 I-TEMUAN
) I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
seleksi I-TEMUAN
mitra I-TEMUAN
statistik I-TEMUAN
menyediakan I-TEMUAN
basis I-TEMUAN
data I-TEMUAN
calon I-TEMUAN
mitra I-TEMUAN
yang I-TEMUAN
mengikuti I-TEMUAN
kegiatan I-TEMUAN
seleksi I-TEMUAN
; I-TEMUAN
3 I-TEMUAN
) I-TEMUAN
berdasarkan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
fungsi I-TEMUAN
atau I-TEMUAN
fitur I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
berhasil I-TEMUAN
dioperasikan I-TEMUAN
; I-TEMUAN
4 I-TEMUAN
) I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
“SIMISTAT” I-TEMUAN
sebesar I-TEMUAN
74 I-TEMUAN
pada I-TEMUAN
grade I-TEMUAN
B I-TEMUAN
, I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
pengguna I-TEMUAN
dengan I-TEMUAN
kategori I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
good. I-TEMUAN
Kata O
Kunci— O
BPS O
, O
Kabupaten O
Jember O
, O
mitra O
statistik O
, O
SDLC O
, O
sistem O
informasi O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
dapat O
diambil O
kesimpulan O
sebagai O
berikut O
: O
1. O
Sistem O
informasi O
seleksi O
mitra O
statistik O
“SIMISTAT” O
dapat O
mengintegrasikan B-TUJUAN
tahapan I-TUJUAN
administrasi I-TUJUAN
, I-TUJUAN
tes I-TUJUAN
tulis I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
tes I-TUJUAN
wawancara I-TUJUAN
pada I-TUJUAN
seleksi I-TUJUAN
mitra I-TUJUAN
statistik I-TUJUAN
di I-TUJUAN
BPS I-TUJUAN
Kabupaten I-TUJUAN
Jember. I-TUJUAN
2. O
Sistem O
informasi O
seleksi O
mitra O
statistik O
“SIMISTAT” O
berbasis O
web O
menyediakan O
basis O
data O
calon O
mitra O
statistik O
untuk O
kegiatan O
seleksi O
mitra O
statistik O
di O
BPS O
Kabupaten O
Jember O
sehingga O
pengisian O
data O
hanya O
dilakukan O
sekali. O
3. O
Hasil B-TEMUAN
pengujian I-TEMUAN
menggunakan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
menyatakan I-TEMUAN
bahwa I-TEMUAN
fungsi I-TEMUAN
atau I-TEMUAN
fitur I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
berhasil I-TEMUAN
dijalankan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
4. B-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
seleksi I-TEMUAN
mitra I-TEMUAN
statistik I-TEMUAN
“SIMISTAT” I-TEMUAN
memberikan I-TEMUAN
grade I-TEMUAN
B I-TEMUAN
dengan I-TEMUAN
rata-rata I-TEMUAN
sebesar I-TEMUAN
74 I-TEMUAN
sehingga I-TEMUAN
berada I-TEMUAN
pada I-TEMUAN
kategori I-TEMUAN
good I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O

Pembangunan O
Sistem O
Informasi O
Seleksi O
Mitra O
Statistik O
BPS O
Kabupaten O
Jember O
Ainur O
Rahma O
( O
221810125 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A. O
Ringkasan— O
Pembangunan O
sistem O
informasi O
seleksi O
mitra O
statistik O
BPS O
Kabupaten O
Jember O
bertujuan O
membangun B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
seleksi I-TUJUAN
mitra I-TUJUAN
statistik I-TUJUAN
secara I-TUJUAN
terintegrasi I-TUJUAN
tahap I-TUJUAN
administrasi I-TUJUAN
, I-TUJUAN
tes I-TUJUAN
tulis I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
wawancara I-TUJUAN
, I-TUJUAN
menyediakan I-TUJUAN
basis I-TUJUAN
data I-TUJUAN
calon I-TUJUAN
mitra I-TUJUAN
statistik I-TUJUAN
yang I-TUJUAN
mengikuti I-TUJUAN
kegiatan I-TUJUAN
seleksi I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
pengujian I-TUJUAN
sistem I-TUJUAN
yang I-TUJUAN
dibangun. I-TUJUAN
Metode O
yang O
digunakan O
meliputi O
studi O
pustaka O
, O
wawancara O
, O
dan O
pengumpulan O
kuesioner. O
Pembangunan O
sistem O
informasi O
seleksi O
mitra O
statistik O
“SIMISTAT” O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
Waterfall I-METODE
dengan O
tahapan O
analisis O
kebutuhan O
, O
desain O
, O
pembuatan O
kode O
program O
, O
dan O
pengujian O
dengan O
evaluasi O
sistem O
Black B-METODE
Box I-METODE
Testing I-METODE
dan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Dihasilkan O
: O
1 B-TEMUAN
) I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
seleksi I-TEMUAN
mitra I-TEMUAN
statistik I-TEMUAN
terintegrasi I-TEMUAN
pada I-TEMUAN
tahapan I-TEMUAN
administrasi I-TEMUAN
, I-TEMUAN
tes I-TEMUAN
tulis I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
tes I-TEMUAN
wawancara I-TEMUAN
; I-TEMUAN
2 I-TEMUAN
) I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
seleksi I-TEMUAN
mitra I-TEMUAN
statistik I-TEMUAN
menyediakan I-TEMUAN
basis I-TEMUAN
data I-TEMUAN
calon I-TEMUAN
mitra I-TEMUAN
yang I-TEMUAN
mengikuti I-TEMUAN
kegiatan I-TEMUAN
seleksi I-TEMUAN
; I-TEMUAN
3 I-TEMUAN
) I-TEMUAN
berdasarkan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
fungsi I-TEMUAN
atau I-TEMUAN
fitur I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
berhasil I-TEMUAN
dioperasikan I-TEMUAN
; I-TEMUAN
4 I-TEMUAN
) I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
“SIMISTAT” I-TEMUAN
sebesar I-TEMUAN
74 I-TEMUAN
pada I-TEMUAN
grade I-TEMUAN
B I-TEMUAN
, I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
pengguna I-TEMUAN
dengan I-TEMUAN
kategori I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
good. I-TEMUAN
Kata O
Kunci— O
BPS O
, O
Kabupaten O
Jember O
, O
mitra O
statistik O
, O
SDLC O
, O
sistem O
informasi O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
dapat O
diambil O
kesimpulan O
sebagai O
berikut O
: O
1. O
Sistem O
informasi O
seleksi O
mitra O
statistik O
“SIMISTAT” O
dapat O
mengintegrasikan B-TUJUAN
tahapan I-TUJUAN
administrasi I-TUJUAN
, I-TUJUAN
tes I-TUJUAN
tulis I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
tes I-TUJUAN
wawancara I-TUJUAN
pada I-TUJUAN
seleksi I-TUJUAN
mitra I-TUJUAN
statistik I-TUJUAN
di I-TUJUAN
BPS I-TUJUAN
Kabupaten I-TUJUAN
Jember. I-TUJUAN
2. O
Sistem O
informasi O
seleksi O
mitra O
statistik O
“SIMISTAT” O
berbasis O
web O
menyediakan O
basis O
data O
calon O
mitra O
statistik O
untuk O
kegiatan O
seleksi O
mitra O
statistik O
di O
BPS O
Kabupaten O
Jember O
sehingga O
pengisian O
data O
hanya O
dilakukan O
sekali. O
3. O
Hasil B-TEMUAN
pengujian I-TEMUAN
menggunakan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
menyatakan I-TEMUAN
bahwa I-TEMUAN
fungsi I-TEMUAN
atau I-TEMUAN
fitur I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
berhasil I-TEMUAN
dijalankan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
4. B-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
seleksi I-TEMUAN
mitra I-TEMUAN
statistik I-TEMUAN
“SIMISTAT” I-TEMUAN
memberikan I-TEMUAN
grade I-TEMUAN
B I-TEMUAN
dengan I-TEMUAN
rata-rata I-TEMUAN
sebesar I-TEMUAN
74 I-TEMUAN
sehingga I-TEMUAN
berada I-TEMUAN
pada I-TEMUAN
kategori I-TEMUAN
good I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O

Pembangunan O
Sistem O
Informasi O
Seleksi O
Mitra O
Statistik O
BPS O
Kabupaten O
Jember O
Ainur O
Rahma O
( O
221810125 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A. O
Ringkasan— O
Pembangunan O
sistem O
informasi O
seleksi O
mitra O
statistik O
BPS O
Kabupaten O
Jember O
bertujuan O
membangun B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
seleksi I-TUJUAN
mitra I-TUJUAN
statistik I-TUJUAN
secara I-TUJUAN
terintegrasi I-TUJUAN
tahap I-TUJUAN
administrasi I-TUJUAN
, I-TUJUAN
tes I-TUJUAN
tulis I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
wawancara I-TUJUAN
, I-TUJUAN
menyediakan I-TUJUAN
basis I-TUJUAN
data I-TUJUAN
calon I-TUJUAN
mitra I-TUJUAN
statistik I-TUJUAN
yang I-TUJUAN
mengikuti I-TUJUAN
kegiatan I-TUJUAN
seleksi I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
pengujian I-TUJUAN
sistem I-TUJUAN
yang I-TUJUAN
dibangun. I-TUJUAN
Metode O
yang O
digunakan O
meliputi O
studi O
pustaka O
, O
wawancara O
, O
dan O
pengumpulan O
kuesioner. O
Pembangunan O
sistem O
informasi O
seleksi O
mitra O
statistik O
“SIMISTAT” O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
Waterfall I-METODE
dengan O
tahapan O
analisis O
kebutuhan O
, O
desain O
, O
pembuatan O
kode O
program O
, O
dan O
pengujian O
dengan O
evaluasi O
sistem O
Black B-METODE
Box I-METODE
Testing I-METODE
dan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Dihasilkan O
: O
1 B-TEMUAN
) I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
seleksi I-TEMUAN
mitra I-TEMUAN
statistik I-TEMUAN
terintegrasi I-TEMUAN
pada I-TEMUAN
tahapan I-TEMUAN
administrasi I-TEMUAN
, I-TEMUAN
tes I-TEMUAN
tulis I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
tes I-TEMUAN
wawancara I-TEMUAN
; I-TEMUAN
2 I-TEMUAN
) I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
seleksi I-TEMUAN
mitra I-TEMUAN
statistik I-TEMUAN
menyediakan I-TEMUAN
basis I-TEMUAN
data I-TEMUAN
calon I-TEMUAN
mitra I-TEMUAN
yang I-TEMUAN
mengikuti I-TEMUAN
kegiatan I-TEMUAN
seleksi I-TEMUAN
; I-TEMUAN
3 I-TEMUAN
) I-TEMUAN
berdasarkan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
fungsi I-TEMUAN
atau I-TEMUAN
fitur I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
berhasil I-TEMUAN
dioperasikan I-TEMUAN
; I-TEMUAN
4 I-TEMUAN
) I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
“SIMISTAT” I-TEMUAN
sebesar I-TEMUAN
74 I-TEMUAN
pada I-TEMUAN
grade I-TEMUAN
B I-TEMUAN
, I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
pengguna I-TEMUAN
dengan I-TEMUAN
kategori I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
good. I-TEMUAN
Kata O
Kunci— O
BPS O
, O
Kabupaten O
Jember O
, O
mitra O
statistik O
, O
SDLC O
, O
sistem O
informasi O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
dapat O
diambil O
kesimpulan O
sebagai O
berikut O
: O
1. O
Sistem O
informasi O
seleksi O
mitra O
statistik O
“SIMISTAT” O
dapat O
mengintegrasikan B-TUJUAN
tahapan I-TUJUAN
administrasi I-TUJUAN
, I-TUJUAN
tes I-TUJUAN
tulis I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
tes I-TUJUAN
wawancara I-TUJUAN
pada I-TUJUAN
seleksi I-TUJUAN
mitra I-TUJUAN
statistik I-TUJUAN
di I-TUJUAN
BPS I-TUJUAN
Kabupaten I-TUJUAN
Jember. I-TUJUAN
2. O
Sistem O
informasi O
seleksi O
mitra O
statistik O
“SIMISTAT” O
berbasis O
web O
menyediakan O
basis O
data O
calon O
mitra O
statistik O
untuk O
kegiatan O
seleksi O
mitra O
statistik O
di O
BPS O
Kabupaten O
Jember O
sehingga O
pengisian O
data O
hanya O
dilakukan O
sekali. O
3. O
Hasil B-TEMUAN
pengujian I-TEMUAN
menggunakan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
menyatakan I-TEMUAN
bahwa I-TEMUAN
fungsi I-TEMUAN
atau I-TEMUAN
fitur I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
berhasil I-TEMUAN
dijalankan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
4. B-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
seleksi I-TEMUAN
mitra I-TEMUAN
statistik I-TEMUAN
“SIMISTAT” I-TEMUAN
memberikan I-TEMUAN
grade I-TEMUAN
B I-TEMUAN
dengan I-TEMUAN
rata-rata I-TEMUAN
sebesar I-TEMUAN
74 I-TEMUAN
sehingga I-TEMUAN
berada I-TEMUAN
pada I-TEMUAN
kategori I-TEMUAN
good I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O

Pembangunan O
Sistem O
Informasi O
Seleksi O
Mitra O
Statistik O
BPS O
Kabupaten O
Jember O
Ainur O
Rahma O
( O
221810125 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A. O
Ringkasan— O
Pembangunan O
sistem O
informasi O
seleksi O
mitra O
statistik O
BPS O
Kabupaten O
Jember O
bertujuan O
membangun B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
seleksi I-TUJUAN
mitra I-TUJUAN
statistik I-TUJUAN
secara I-TUJUAN
terintegrasi I-TUJUAN
tahap I-TUJUAN
administrasi I-TUJUAN
, I-TUJUAN
tes I-TUJUAN
tulis I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
wawancara I-TUJUAN
, I-TUJUAN
menyediakan I-TUJUAN
basis I-TUJUAN
data I-TUJUAN
calon I-TUJUAN
mitra I-TUJUAN
statistik I-TUJUAN
yang I-TUJUAN
mengikuti I-TUJUAN
kegiatan I-TUJUAN
seleksi I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
pengujian I-TUJUAN
sistem I-TUJUAN
yang I-TUJUAN
dibangun. I-TUJUAN
Metode O
yang O
digunakan O
meliputi O
studi O
pustaka O
, O
wawancara O
, O
dan O
pengumpulan O
kuesioner. O
Pembangunan O
sistem O
informasi O
seleksi O
mitra O
statistik O
“SIMISTAT” O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
Waterfall I-METODE
dengan O
tahapan O
analisis O
kebutuhan O
, O
desain O
, O
pembuatan O
kode O
program O
, O
dan O
pengujian O
dengan O
evaluasi O
sistem O
Black B-METODE
Box I-METODE
Testing I-METODE
dan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Dihasilkan O
: O
1 B-TEMUAN
) I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
seleksi I-TEMUAN
mitra I-TEMUAN
statistik I-TEMUAN
terintegrasi I-TEMUAN
pada I-TEMUAN
tahapan I-TEMUAN
administrasi I-TEMUAN
, I-TEMUAN
tes I-TEMUAN
tulis I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
tes I-TEMUAN
wawancara I-TEMUAN
; I-TEMUAN
2 I-TEMUAN
) I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
seleksi I-TEMUAN
mitra I-TEMUAN
statistik I-TEMUAN
menyediakan I-TEMUAN
basis I-TEMUAN
data I-TEMUAN
calon I-TEMUAN
mitra I-TEMUAN
yang I-TEMUAN
mengikuti I-TEMUAN
kegiatan I-TEMUAN
seleksi I-TEMUAN
; I-TEMUAN
3 I-TEMUAN
) I-TEMUAN
berdasarkan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
menunjukkan I-TEMUAN
fungsi I-TEMUAN
atau I-TEMUAN
fitur I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
berhasil I-TEMUAN
dioperasikan I-TEMUAN
; I-TEMUAN
4 I-TEMUAN
) I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
“SIMISTAT” I-TEMUAN
sebesar I-TEMUAN
74 I-TEMUAN
pada I-TEMUAN
grade I-TEMUAN
B I-TEMUAN
, I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
pengguna I-TEMUAN
dengan I-TEMUAN
kategori I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
good. I-TEMUAN
Kata O
Kunci— O
BPS O
, O
Kabupaten O
Jember O
, O
mitra O
statistik O
, O
SDLC O
, O
sistem O
informasi O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
dapat O
diambil O
kesimpulan O
sebagai O
berikut O
: O
1. O
Sistem O
informasi O
seleksi O
mitra O
statistik O
“SIMISTAT” O
dapat O
mengintegrasikan B-TUJUAN
tahapan I-TUJUAN
administrasi I-TUJUAN
, I-TUJUAN
tes I-TUJUAN
tulis I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
tes I-TUJUAN
wawancara I-TUJUAN
pada I-TUJUAN
seleksi I-TUJUAN
mitra I-TUJUAN
statistik I-TUJUAN
di I-TUJUAN
BPS I-TUJUAN
Kabupaten I-TUJUAN
Jember. I-TUJUAN
2. O
Sistem O
informasi O
seleksi O
mitra O
statistik O
“SIMISTAT” O
berbasis O
web O
menyediakan O
basis O
data O
calon O
mitra O
statistik O
untuk O
kegiatan O
seleksi O
mitra O
statistik O
di O
BPS O
Kabupaten O
Jember O
sehingga O
pengisian O
data O
hanya O
dilakukan O
sekali. O
3. O
Hasil B-TEMUAN
pengujian I-TEMUAN
menggunakan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
menyatakan I-TEMUAN
bahwa I-TEMUAN
fungsi I-TEMUAN
atau I-TEMUAN
fitur I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
berhasil I-TEMUAN
dijalankan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
4. B-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
seleksi I-TEMUAN
mitra I-TEMUAN
statistik I-TEMUAN
“SIMISTAT” I-TEMUAN
memberikan I-TEMUAN
grade I-TEMUAN
B I-TEMUAN
dengan I-TEMUAN
rata-rata I-TEMUAN
sebesar I-TEMUAN
74 I-TEMUAN
sehingga I-TEMUAN
berada I-TEMUAN
pada I-TEMUAN
kategori I-TEMUAN
good I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O

dan O
Estimasi O
Lahan O
Perkebunan O
Karet O
dengan O
Machine O
Learning O
dan O
Deep O
Learning O
Pendekatan O
Remote O
Sensing O
Studi O
Kasus O
: O
Kabupaten O
Musi O
Banyuasin O
, O
Provinsi O
Sumatera O
Selatan O
Ahmad O
Azam O
Izudin O
( O
221810117 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
SST O
, O
M.Si O
Ringkasan— O
Karet O
merupakan O
salah O
satu O
hasil O
komoditas O
perkebunan O
Indonesia O
yang O
menyumbangkan O
sebesar O
28,9 O
persen O
kebutuhan O
karet O
di O
dunia. O
Tingginya O
tingkat O
produksi O
karet O
Indonesia O
, O
dikarenakan O
memiliki O
luas O
tanaman O
menghasilkan O
yang O
terbesar O
di O
dunia. O
Pendataan O
lahan O
perkebunan O
karet O
hanya O
didapatkan O
melalui O
Survei O
Perusahaan O
Perkebunan O
( O
SKB O
) O
yang O
masih O
memiliki O
keterbatasan. O
Remote O
sensing O
dapat O
menjadi O
alternatif O
pengumpulan O
data O
lahan O
perkebunan O
karet O
karena O
dapat O
menghemat O
tenaga O
, O
biaya O
, O
dan O
waktu. O
Penelitian O
ini O
bertujuan O
untuk O
mendeteksi B-TUJUAN
lahan I-TUJUAN
perkebunan I-TUJUAN
karet I-TUJUAN
di I-TUJUAN
Kabupaten I-TUJUAN
Musi I-TUJUAN
Banyuasin I-TUJUAN
, I-TUJUAN
Provinsi I-TUJUAN
Sumatera I-TUJUAN
Selatan I-TUJUAN
indeks O
komposit. O
menggunakan O
pita O
multispektral O
dan O
Pengambilan O
sampel O
data O
citra B-METODE
satelit I-METODE
dari I-METODE
Sentinel-2 I-METODE
dan I-METODE
Landsat-8 I-METODE
masing-masing O
sebanyak O
1400 O
titik O
yang O
terbagi O
menjadi O
tujuh O
kelas O
tutupan O
lahan. O
Penciri O
lahan O
perkebunan O
karet O
mempunyai O
nilai O
NDVI O
, O
EVI-2 O
, O
dan O
ARVI O
yang O
lebih O
rendah O
serta O
lebih O
tinggi O
pada O
nilai O
NDBI O
dan O
NDWI O
daripada O
kelas O
perkebunan O
nonkaret O
dan O
hutan. O
Penelitian O
ini O
juga O
membandingkan O
metode O
machine O
learning O
dengan O
metode O
deep O
learning O
untuk O
mendapatkan O
model O
pengklasifikasian O
terbaik. O
Hasil B-TEMUAN
penelitian I-TEMUAN
menunjukan I-TEMUAN
metode I-TEMUAN
machine I-TEMUAN
learning I-TEMUAN
model I-TEMUAN
random I-TEMUAN
forest I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
terbaik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
F1-score I-TEMUAN
sebesar I-TEMUAN
92,56 I-TEMUAN
persen. I-TEMUAN
Kata O
Kunci— O
karet O
, O
remote O
sensing O
, O
citra O
satelit O
, O
machine O
learning. O
[SEP] O
A. O
Kesimpulan O
Penelitian O
ini O
mampu O
mendeteksi B-TUJUAN
lahan I-TUJUAN
perkebunan I-TUJUAN
karet I-TUJUAN
termasuk I-TUJUAN
wilayah I-TUJUAN
yang I-TUJUAN
sulit I-TUJUAN
dijangkau I-TUJUAN
atau I-TUJUAN
menurut I-TUJUAN
batas I-TUJUAN
wilayah I-TUJUAN
penelitian. I-TUJUAN
Kemudian O
, O
penelitian B-TEMUAN
ini I-TEMUAN
menghasilkan I-TEMUAN
estimasi I-TEMUAN
luas I-TEMUAN
perkebunan I-TEMUAN
karet I-TEMUAN
dengan I-TEMUAN
tenaga I-TEMUAN
, I-TEMUAN
waktu I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
biaya I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
sedikit. I-TEMUAN
Berdasarkan O
hasil O
dan O
pembahasan O
yang O
dijelaskan O
sebelumnya O
, O
beberapa O
hal O
yang O
dapat O
disimpulkan. O
1 O
) O
Menjawab O
tujuan O
penelitian O
untuk O
pertama O
mengidentifikasi O
fitur O
penciri O
lahan O
perkebunan O
karet O
terhadap O
kedua O
citra O
satelit O
baik O
Sentinel-2 O
maupun O
Landsat-8 O
terdiri O
dari O
indeks O
vegetasi O
( O
NDVI O
, O
EVI-2 O
, O
dan O
ARVI O
) O
yang O
memiliki O
nilai O
lebih O
rendah O
, O
namun O
memiliki O
nilai O
yang O
lebih O
tinggi O
pada O
NDBI O
dan O
NDWI O
daripada O
kelas O
perkebunan O
nonkaret O
ataupun O
hutan. O
2 O
) O
Menjawab O
tujuan O
kedua O
penelitian O
untuk O
mendapat O
model O
klasifikasi O
terbaik O
dalam O
mendeteksi O
lahan O
perkebunan O
karet O
, O
berhasil O
diperoleh O
model O
random O
forest O
pada O
citra O
satelit O
Sentinel-2 O
yang O
memiliki O
resolusi O
spasial O
lebih O
tinggi O
menunjukkan O
performa O
nilai O
akurasi B-METODE
, I-METODE
presisi I-METODE
, I-METODE
recall I-METODE
, I-METODE
dan I-METODE
F1- I-METODE
score I-METODE
yang O
tertinggi O
, O
yaitu O
akurasi O
sebesar O
92,57 O
persen O
dan O
F1-score O
sebesar O
92,56 O
persen. O
3 O
) O
Menjawab O
tujuan O
ketiga O
penelitian O
untuk O
mengestimasi O
luas O
lahan O
perkebunan O
karet O
menggunakan O
model O
terbaik O
random O
forest O
, O
didapatkan B-TEMUAN
hasil I-TEMUAN
estimasi I-TEMUAN
luas I-TEMUAN
perkebunan I-TEMUAN
karet I-TEMUAN
di I-TEMUAN
kabupaten I-TEMUAN
Musi I-TEMUAN
Banyuasin I-TEMUAN
tahun I-TEMUAN
2019 I-TEMUAN
seluas I-TEMUAN
230.146,16 I-TEMUAN
Ha I-TEMUAN
pada I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
Sentinel-2. I-TEMUAN
B. O
Saran O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
terdapat O
beberapa O
saran O
yang O
dapat O
diajukan. O
1 O
) O
Untuk O
penelitian O
selanjutnya O
, O
melakukan O
post O
classification O
processing O
, O
karena O
masih O
banyak O
piksel O
hasil O
klasifikasi O
tutupan O
lahan O
yang O
tidak O
sesuai O
pada O
kelas O
yang O
seharusnya. O
tengah-tengah O
Misalnya O
perkebunan O
nonkaret O
awan O
yang O
terklasifikasi O
menjadi O
piksel O
perkebunan O
karet. O
terdapat O
piksel O
hutan O
di O
atau O
bayangan O
2 O
) O
Untuk O
pengembangan O
lebih O
lanjut O
dari O
penelitian O
ini O
, O
dapat O
membedakan O
hasil O
klasifikasi O
perkebunan O
karet O
menjadi O
tiga O
sesuai O
dengan O
data O
yang O
dikumpulkan O
oleh O
BPS O
, O
yaitu O
belum O
menghasilkan O
, O
menghasilkan O
, O
dan O
tua O
atau O
rusak O
dengan O
melakukan O
estimasi O
usia O
tanam O
dengan O
identifikasi O
perubahan O
multitemporal O
pada O
data O
citra O
satelit. O
3 O
) O
Untuk O
mendapatkan O
ketepatan O
batas O
wilayah O
administrasi O
, O
integrasi O
atau O
instansi O
pemerintah O
perlu O
melakukan O
kesepakatan O
bersama O
mengenai O
shapefile O
batas O
wilayah O
administrasi O
yang O
digunakan O
untuk O
kepentingan O
masing- O
masing O
instansi. O

dan O
Estimasi O
Lahan O
Perkebunan O
Karet O
dengan O
Machine O
Learning O
dan O
Deep O
Learning O
Pendekatan O
Remote O
Sensing O
Studi O
Kasus O
: O
Kabupaten O
Musi O
Banyuasin O
, O
Provinsi O
Sumatera O
Selatan O
Ahmad O
Azam O
Izudin O
( O
221810117 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
SST O
, O
M.Si O
Ringkasan— O
Karet O
merupakan O
salah O
satu O
hasil O
komoditas O
perkebunan O
Indonesia O
yang O
menyumbangkan O
sebesar O
28,9 O
persen O
kebutuhan O
karet O
di O
dunia. O
Tingginya O
tingkat O
produksi O
karet O
Indonesia O
, O
dikarenakan O
memiliki O
luas O
tanaman O
menghasilkan O
yang O
terbesar O
di O
dunia. O
Pendataan O
lahan O
perkebunan O
karet O
hanya O
didapatkan O
melalui O
Survei O
Perusahaan O
Perkebunan O
( O
SKB O
) O
yang O
masih O
memiliki O
keterbatasan. O
Remote O
sensing O
dapat O
menjadi O
alternatif O
pengumpulan O
data O
lahan O
perkebunan O
karet O
karena O
dapat O
menghemat O
tenaga O
, O
biaya O
, O
dan O
waktu. O
Penelitian O
ini O
bertujuan O
untuk O
mendeteksi B-TUJUAN
lahan I-TUJUAN
perkebunan I-TUJUAN
karet I-TUJUAN
di I-TUJUAN
Kabupaten I-TUJUAN
Musi I-TUJUAN
Banyuasin I-TUJUAN
, I-TUJUAN
Provinsi I-TUJUAN
Sumatera I-TUJUAN
Selatan I-TUJUAN
indeks O
komposit. O
menggunakan O
pita O
multispektral O
dan O
Pengambilan O
sampel O
data O
citra B-METODE
satelit I-METODE
dari I-METODE
Sentinel-2 I-METODE
dan I-METODE
Landsat-8 I-METODE
masing-masing O
sebanyak O
1400 O
titik O
yang O
terbagi O
menjadi O
tujuh O
kelas O
tutupan O
lahan. O
Penciri O
lahan O
perkebunan O
karet O
mempunyai O
nilai O
NDVI O
, O
EVI-2 O
, O
dan O
ARVI O
yang O
lebih O
rendah O
serta O
lebih O
tinggi O
pada O
nilai O
NDBI O
dan O
NDWI O
daripada O
kelas O
perkebunan O
nonkaret O
dan O
hutan. O
Penelitian O
ini O
juga O
membandingkan O
metode O
machine O
learning O
dengan O
metode O
deep O
learning O
untuk O
mendapatkan O
model O
pengklasifikasian O
terbaik. O
Hasil B-TEMUAN
penelitian I-TEMUAN
menunjukan I-TEMUAN
metode I-TEMUAN
machine I-TEMUAN
learning I-TEMUAN
model I-TEMUAN
random I-TEMUAN
forest I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
terbaik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
F1-score I-TEMUAN
sebesar I-TEMUAN
92,56 I-TEMUAN
persen. I-TEMUAN
Kata O
Kunci— O
karet O
, O
remote O
sensing O
, O
citra O
satelit O
, O
machine O
learning. O
[SEP] O
A. O
Kesimpulan O
Penelitian O
ini O
mampu O
mendeteksi B-TUJUAN
lahan I-TUJUAN
perkebunan I-TUJUAN
karet I-TUJUAN
termasuk I-TUJUAN
wilayah I-TUJUAN
yang I-TUJUAN
sulit I-TUJUAN
dijangkau I-TUJUAN
atau I-TUJUAN
menurut I-TUJUAN
batas I-TUJUAN
wilayah I-TUJUAN
penelitian. I-TUJUAN
Kemudian O
, O
penelitian B-TEMUAN
ini I-TEMUAN
menghasilkan I-TEMUAN
estimasi I-TEMUAN
luas I-TEMUAN
perkebunan I-TEMUAN
karet I-TEMUAN
dengan I-TEMUAN
tenaga I-TEMUAN
, I-TEMUAN
waktu I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
biaya I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
sedikit. I-TEMUAN
Berdasarkan O
hasil O
dan O
pembahasan O
yang O
dijelaskan O
sebelumnya O
, O
beberapa O
hal O
yang O
dapat O
disimpulkan. O
1 O
) O
Menjawab O
tujuan O
penelitian O
untuk O
pertama O
mengidentifikasi O
fitur O
penciri O
lahan O
perkebunan O
karet O
terhadap O
kedua O
citra O
satelit O
baik O
Sentinel-2 O
maupun O
Landsat-8 O
terdiri O
dari O
indeks O
vegetasi O
( O
NDVI O
, O
EVI-2 O
, O
dan O
ARVI O
) O
yang O
memiliki O
nilai O
lebih O
rendah O
, O
namun O
memiliki O
nilai O
yang O
lebih O
tinggi O
pada O
NDBI O
dan O
NDWI O
daripada O
kelas O
perkebunan O
nonkaret O
ataupun O
hutan. O
2 O
) O
Menjawab O
tujuan O
kedua O
penelitian O
untuk O
mendapat O
model O
klasifikasi O
terbaik O
dalam O
mendeteksi O
lahan O
perkebunan O
karet O
, O
berhasil O
diperoleh O
model O
random O
forest O
pada O
citra O
satelit O
Sentinel-2 O
yang O
memiliki O
resolusi O
spasial O
lebih O
tinggi O
menunjukkan O
performa O
nilai O
akurasi B-METODE
, I-METODE
presisi I-METODE
, I-METODE
recall I-METODE
, I-METODE
dan I-METODE
F1- I-METODE
score I-METODE
yang O
tertinggi O
, O
yaitu O
akurasi O
sebesar O
92,57 O
persen O
dan O
F1-score O
sebesar O
92,56 O
persen. O
3 O
) O
Menjawab O
tujuan O
ketiga O
penelitian O
untuk O
mengestimasi O
luas O
lahan O
perkebunan O
karet O
menggunakan O
model O
terbaik O
random O
forest O
, O
didapatkan B-TEMUAN
hasil I-TEMUAN
estimasi I-TEMUAN
luas I-TEMUAN
perkebunan I-TEMUAN
karet I-TEMUAN
di I-TEMUAN
kabupaten I-TEMUAN
Musi I-TEMUAN
Banyuasin I-TEMUAN
tahun I-TEMUAN
2019 I-TEMUAN
seluas I-TEMUAN
230.146,16 I-TEMUAN
Ha I-TEMUAN
pada I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
Sentinel-2. I-TEMUAN
B. O
Saran O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
terdapat O
beberapa O
saran O
yang O
dapat O
diajukan. O
1 O
) O
Untuk O
penelitian O
selanjutnya O
, O
melakukan O
post O
classification O
processing O
, O
karena O
masih O
banyak O
piksel O
hasil O
klasifikasi O
tutupan O
lahan O
yang O
tidak O
sesuai O
pada O
kelas O
yang O
seharusnya. O
tengah-tengah O
Misalnya O
perkebunan O
nonkaret O
awan O
yang O
terklasifikasi O
menjadi O
piksel O
perkebunan O
karet. O
terdapat O
piksel O
hutan O
di O
atau O
bayangan O
2 O
) O
Untuk O
pengembangan O
lebih O
lanjut O
dari O
penelitian O
ini O
, O
dapat O
membedakan O
hasil O
klasifikasi O
perkebunan O
karet O
menjadi O
tiga O
sesuai O
dengan O
data O
yang O
dikumpulkan O
oleh O
BPS O
, O
yaitu O
belum O
menghasilkan O
, O
menghasilkan O
, O
dan O
tua O
atau O
rusak O
dengan O
melakukan O
estimasi O
usia O
tanam O
dengan O
identifikasi O
perubahan O
multitemporal O
pada O
data O
citra O
satelit. O
3 O
) O
Untuk O
mendapatkan O
ketepatan O
batas O
wilayah O
administrasi O
, O
integrasi O
atau O
instansi O
pemerintah O
perlu O
melakukan O
kesepakatan O
bersama O
mengenai O
shapefile O
batas O
wilayah O
administrasi O
yang O
digunakan O
untuk O
kepentingan O
masing- O
masing O
instansi. O

dan O
Estimasi O
Lahan O
Perkebunan O
Karet O
dengan O
Machine O
Learning O
dan O
Deep O
Learning O
Pendekatan O
Remote O
Sensing O
Studi O
Kasus O
: O
Kabupaten O
Musi O
Banyuasin O
, O
Provinsi O
Sumatera O
Selatan O
Ahmad O
Azam O
Izudin O
( O
221810117 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
SST O
, O
M.Si O
Ringkasan— O
Karet O
merupakan O
salah O
satu O
hasil O
komoditas O
perkebunan O
Indonesia O
yang O
menyumbangkan O
sebesar O
28,9 O
persen O
kebutuhan O
karet O
di O
dunia. O
Tingginya O
tingkat O
produksi O
karet O
Indonesia O
, O
dikarenakan O
memiliki O
luas O
tanaman O
menghasilkan O
yang O
terbesar O
di O
dunia. O
Pendataan O
lahan O
perkebunan O
karet O
hanya O
didapatkan O
melalui O
Survei O
Perusahaan O
Perkebunan O
( O
SKB O
) O
yang O
masih O
memiliki O
keterbatasan. O
Remote O
sensing O
dapat O
menjadi O
alternatif O
pengumpulan O
data O
lahan O
perkebunan O
karet O
karena O
dapat O
menghemat O
tenaga O
, O
biaya O
, O
dan O
waktu. O
Penelitian O
ini O
bertujuan O
untuk O
mendeteksi B-TUJUAN
lahan I-TUJUAN
perkebunan I-TUJUAN
karet I-TUJUAN
di I-TUJUAN
Kabupaten I-TUJUAN
Musi I-TUJUAN
Banyuasin I-TUJUAN
, I-TUJUAN
Provinsi I-TUJUAN
Sumatera I-TUJUAN
Selatan I-TUJUAN
indeks O
komposit. O
menggunakan O
pita O
multispektral O
dan O
Pengambilan O
sampel O
data O
citra B-METODE
satelit I-METODE
dari I-METODE
Sentinel-2 I-METODE
dan I-METODE
Landsat-8 I-METODE
masing-masing O
sebanyak O
1400 O
titik O
yang O
terbagi O
menjadi O
tujuh O
kelas O
tutupan O
lahan. O
Penciri O
lahan O
perkebunan O
karet O
mempunyai O
nilai O
NDVI O
, O
EVI-2 O
, O
dan O
ARVI O
yang O
lebih O
rendah O
serta O
lebih O
tinggi O
pada O
nilai O
NDBI O
dan O
NDWI O
daripada O
kelas O
perkebunan O
nonkaret O
dan O
hutan. O
Penelitian O
ini O
juga O
membandingkan O
metode O
machine O
learning O
dengan O
metode O
deep O
learning O
untuk O
mendapatkan O
model O
pengklasifikasian O
terbaik. O
Hasil B-TEMUAN
penelitian I-TEMUAN
menunjukan I-TEMUAN
metode I-TEMUAN
machine I-TEMUAN
learning I-TEMUAN
model I-TEMUAN
random I-TEMUAN
forest I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
terbaik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
F1-score I-TEMUAN
sebesar I-TEMUAN
92,56 I-TEMUAN
persen. I-TEMUAN
Kata O
Kunci— O
karet O
, O
remote O
sensing O
, O
citra O
satelit O
, O
machine O
learning. O
[SEP] O
A. O
Kesimpulan O
Penelitian O
ini O
mampu O
mendeteksi B-TUJUAN
lahan I-TUJUAN
perkebunan I-TUJUAN
karet I-TUJUAN
termasuk I-TUJUAN
wilayah I-TUJUAN
yang I-TUJUAN
sulit I-TUJUAN
dijangkau I-TUJUAN
atau I-TUJUAN
menurut I-TUJUAN
batas I-TUJUAN
wilayah I-TUJUAN
penelitian. I-TUJUAN
Kemudian O
, O
penelitian B-TEMUAN
ini I-TEMUAN
menghasilkan I-TEMUAN
estimasi I-TEMUAN
luas I-TEMUAN
perkebunan I-TEMUAN
karet I-TEMUAN
dengan I-TEMUAN
tenaga I-TEMUAN
, I-TEMUAN
waktu I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
biaya I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
sedikit. I-TEMUAN
Berdasarkan O
hasil O
dan O
pembahasan O
yang O
dijelaskan O
sebelumnya O
, O
beberapa O
hal O
yang O
dapat O
disimpulkan. O
1 O
) O
Menjawab O
tujuan O
penelitian O
untuk O
pertama O
mengidentifikasi O
fitur O
penciri O
lahan O
perkebunan O
karet O
terhadap O
kedua O
citra O
satelit O
baik O
Sentinel-2 O
maupun O
Landsat-8 O
terdiri O
dari O
indeks O
vegetasi O
( O
NDVI O
, O
EVI-2 O
, O
dan O
ARVI O
) O
yang O
memiliki O
nilai O
lebih O
rendah O
, O
namun O
memiliki O
nilai O
yang O
lebih O
tinggi O
pada O
NDBI O
dan O
NDWI O
daripada O
kelas O
perkebunan O
nonkaret O
ataupun O
hutan. O
2 O
) O
Menjawab O
tujuan O
kedua O
penelitian O
untuk O
mendapat O
model O
klasifikasi O
terbaik O
dalam O
mendeteksi O
lahan O
perkebunan O
karet O
, O
berhasil O
diperoleh O
model O
random O
forest O
pada O
citra O
satelit O
Sentinel-2 O
yang O
memiliki O
resolusi O
spasial O
lebih O
tinggi O
menunjukkan O
performa O
nilai O
akurasi B-METODE
, I-METODE
presisi I-METODE
, I-METODE
recall I-METODE
, I-METODE
dan I-METODE
F1- I-METODE
score I-METODE
yang O
tertinggi O
, O
yaitu O
akurasi O
sebesar O
92,57 O
persen O
dan O
F1-score O
sebesar O
92,56 O
persen. O
3 O
) O
Menjawab O
tujuan O
ketiga O
penelitian O
untuk O
mengestimasi O
luas O
lahan O
perkebunan O
karet O
menggunakan O
model O
terbaik O
random O
forest O
, O
didapatkan B-TEMUAN
hasil I-TEMUAN
estimasi I-TEMUAN
luas I-TEMUAN
perkebunan I-TEMUAN
karet I-TEMUAN
di I-TEMUAN
kabupaten I-TEMUAN
Musi I-TEMUAN
Banyuasin I-TEMUAN
tahun I-TEMUAN
2019 I-TEMUAN
seluas I-TEMUAN
230.146,16 I-TEMUAN
Ha I-TEMUAN
pada I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
Sentinel-2. I-TEMUAN
B. O
Saran O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
terdapat O
beberapa O
saran O
yang O
dapat O
diajukan. O
1 O
) O
Untuk O
penelitian O
selanjutnya O
, O
melakukan O
post O
classification O
processing O
, O
karena O
masih O
banyak O
piksel O
hasil O
klasifikasi O
tutupan O
lahan O
yang O
tidak O
sesuai O
pada O
kelas O
yang O
seharusnya. O
tengah-tengah O
Misalnya O
perkebunan O
nonkaret O
awan O
yang O
terklasifikasi O
menjadi O
piksel O
perkebunan O
karet. O
terdapat O
piksel O
hutan O
di O
atau O
bayangan O
2 O
) O
Untuk O
pengembangan O
lebih O
lanjut O
dari O
penelitian O
ini O
, O
dapat O
membedakan O
hasil O
klasifikasi O
perkebunan O
karet O
menjadi O
tiga O
sesuai O
dengan O
data O
yang O
dikumpulkan O
oleh O
BPS O
, O
yaitu O
belum O
menghasilkan O
, O
menghasilkan O
, O
dan O
tua O
atau O
rusak O
dengan O
melakukan O
estimasi O
usia O
tanam O
dengan O
identifikasi O
perubahan O
multitemporal O
pada O
data O
citra O
satelit. O
3 O
) O
Untuk O
mendapatkan O
ketepatan O
batas O
wilayah O
administrasi O
, O
integrasi O
atau O
instansi O
pemerintah O
perlu O
melakukan O
kesepakatan O
bersama O
mengenai O
shapefile O
batas O
wilayah O
administrasi O
yang O
digunakan O
untuk O
kepentingan O
masing- O
masing O
instansi. O

dan O
Estimasi O
Lahan O
Perkebunan O
Karet O
dengan O
Machine O
Learning O
dan O
Deep O
Learning O
Pendekatan O
Remote O
Sensing O
Studi O
Kasus O
: O
Kabupaten O
Musi O
Banyuasin O
, O
Provinsi O
Sumatera O
Selatan O
Ahmad O
Azam O
Izudin O
( O
221810117 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
SST O
, O
M.Si O
Ringkasan— O
Karet O
merupakan O
salah O
satu O
hasil O
komoditas O
perkebunan O
Indonesia O
yang O
menyumbangkan O
sebesar O
28,9 O
persen O
kebutuhan O
karet O
di O
dunia. O
Tingginya O
tingkat O
produksi O
karet O
Indonesia O
, O
dikarenakan O
memiliki O
luas O
tanaman O
menghasilkan O
yang O
terbesar O
di O
dunia. O
Pendataan O
lahan O
perkebunan O
karet O
hanya O
didapatkan O
melalui O
Survei O
Perusahaan O
Perkebunan O
( O
SKB O
) O
yang O
masih O
memiliki O
keterbatasan. O
Remote O
sensing O
dapat O
menjadi O
alternatif O
pengumpulan O
data O
lahan O
perkebunan O
karet O
karena O
dapat O
menghemat O
tenaga O
, O
biaya O
, O
dan O
waktu. O
Penelitian O
ini O
bertujuan O
untuk O
mendeteksi B-TUJUAN
lahan I-TUJUAN
perkebunan I-TUJUAN
karet I-TUJUAN
di I-TUJUAN
Kabupaten I-TUJUAN
Musi I-TUJUAN
Banyuasin I-TUJUAN
, I-TUJUAN
Provinsi I-TUJUAN
Sumatera I-TUJUAN
Selatan I-TUJUAN
indeks O
komposit. O
menggunakan O
pita O
multispektral O
dan O
Pengambilan O
sampel O
data O
citra B-METODE
satelit I-METODE
dari I-METODE
Sentinel-2 I-METODE
dan I-METODE
Landsat-8 I-METODE
masing-masing O
sebanyak O
1400 O
titik O
yang O
terbagi O
menjadi O
tujuh O
kelas O
tutupan O
lahan. O
Penciri O
lahan O
perkebunan O
karet O
mempunyai O
nilai O
NDVI O
, O
EVI-2 O
, O
dan O
ARVI O
yang O
lebih O
rendah O
serta O
lebih O
tinggi O
pada O
nilai O
NDBI O
dan O
NDWI O
daripada O
kelas O
perkebunan O
nonkaret O
dan O
hutan. O
Penelitian O
ini O
juga O
membandingkan O
metode O
machine O
learning O
dengan O
metode O
deep O
learning O
untuk O
mendapatkan O
model O
pengklasifikasian O
terbaik. O
Hasil B-TEMUAN
penelitian I-TEMUAN
menunjukan I-TEMUAN
metode I-TEMUAN
machine I-TEMUAN
learning I-TEMUAN
model I-TEMUAN
random I-TEMUAN
forest I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
terbaik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
F1-score I-TEMUAN
sebesar I-TEMUAN
92,56 I-TEMUAN
persen. I-TEMUAN
Kata O
Kunci— O
karet O
, O
remote O
sensing O
, O
citra O
satelit O
, O
machine O
learning. O
[SEP] O
A. O
Kesimpulan O
Penelitian O
ini O
mampu O
mendeteksi B-TUJUAN
lahan I-TUJUAN
perkebunan I-TUJUAN
karet I-TUJUAN
termasuk I-TUJUAN
wilayah I-TUJUAN
yang I-TUJUAN
sulit I-TUJUAN
dijangkau I-TUJUAN
atau I-TUJUAN
menurut I-TUJUAN
batas I-TUJUAN
wilayah I-TUJUAN
penelitian. I-TUJUAN
Kemudian O
, O
penelitian B-TEMUAN
ini I-TEMUAN
menghasilkan I-TEMUAN
estimasi I-TEMUAN
luas I-TEMUAN
perkebunan I-TEMUAN
karet I-TEMUAN
dengan I-TEMUAN
tenaga I-TEMUAN
, I-TEMUAN
waktu I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
biaya I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
sedikit. I-TEMUAN
Berdasarkan O
hasil O
dan O
pembahasan O
yang O
dijelaskan O
sebelumnya O
, O
beberapa O
hal O
yang O
dapat O
disimpulkan. O
1 O
) O
Menjawab O
tujuan O
penelitian O
untuk O
pertama O
mengidentifikasi O
fitur O
penciri O
lahan O
perkebunan O
karet O
terhadap O
kedua O
citra O
satelit O
baik O
Sentinel-2 O
maupun O
Landsat-8 O
terdiri O
dari O
indeks O
vegetasi O
( O
NDVI O
, O
EVI-2 O
, O
dan O
ARVI O
) O
yang O
memiliki O
nilai O
lebih O
rendah O
, O
namun O
memiliki O
nilai O
yang O
lebih O
tinggi O
pada O
NDBI O
dan O
NDWI O
daripada O
kelas O
perkebunan O
nonkaret O
ataupun O
hutan. O
2 O
) O
Menjawab O
tujuan O
kedua O
penelitian O
untuk O
mendapat O
model O
klasifikasi O
terbaik O
dalam O
mendeteksi O
lahan O
perkebunan O
karet O
, O
berhasil O
diperoleh O
model O
random O
forest O
pada O
citra O
satelit O
Sentinel-2 O
yang O
memiliki O
resolusi O
spasial O
lebih O
tinggi O
menunjukkan O
performa O
nilai O
akurasi B-METODE
, I-METODE
presisi I-METODE
, I-METODE
recall I-METODE
, I-METODE
dan I-METODE
F1- I-METODE
score I-METODE
yang O
tertinggi O
, O
yaitu O
akurasi O
sebesar O
92,57 O
persen O
dan O
F1-score O
sebesar O
92,56 O
persen. O
3 O
) O
Menjawab O
tujuan O
ketiga O
penelitian O
untuk O
mengestimasi O
luas O
lahan O
perkebunan O
karet O
menggunakan O
model O
terbaik O
random O
forest O
, O
didapatkan B-TEMUAN
hasil I-TEMUAN
estimasi I-TEMUAN
luas I-TEMUAN
perkebunan I-TEMUAN
karet I-TEMUAN
di I-TEMUAN
kabupaten I-TEMUAN
Musi I-TEMUAN
Banyuasin I-TEMUAN
tahun I-TEMUAN
2019 I-TEMUAN
seluas I-TEMUAN
230.146,16 I-TEMUAN
Ha I-TEMUAN
pada I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
Sentinel-2. I-TEMUAN
B. O
Saran O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
terdapat O
beberapa O
saran O
yang O
dapat O
diajukan. O
1 O
) O
Untuk O
penelitian O
selanjutnya O
, O
melakukan O
post O
classification O
processing O
, O
karena O
masih O
banyak O
piksel O
hasil O
klasifikasi O
tutupan O
lahan O
yang O
tidak O
sesuai O
pada O
kelas O
yang O
seharusnya. O
tengah-tengah O
Misalnya O
perkebunan O
nonkaret O
awan O
yang O
terklasifikasi O
menjadi O
piksel O
perkebunan O
karet. O
terdapat O
piksel O
hutan O
di O
atau O
bayangan O
2 O
) O
Untuk O
pengembangan O
lebih O
lanjut O
dari O
penelitian O
ini O
, O
dapat O
membedakan O
hasil O
klasifikasi O
perkebunan O
karet O
menjadi O
tiga O
sesuai O
dengan O
data O
yang O
dikumpulkan O
oleh O
BPS O
, O
yaitu O
belum O
menghasilkan O
, O
menghasilkan O
, O
dan O
tua O
atau O
rusak O
dengan O
melakukan O
estimasi O
usia O
tanam O
dengan O
identifikasi O
perubahan O
multitemporal O
pada O
data O
citra O
satelit. O
3 O
) O
Untuk O
mendapatkan O
ketepatan O
batas O
wilayah O
administrasi O
, O
integrasi O
atau O
instansi O
pemerintah O
perlu O
melakukan O
kesepakatan O
bersama O
mengenai O
shapefile O
batas O
wilayah O
administrasi O
yang O
digunakan O
untuk O
kepentingan O
masing- O
masing O
instansi. O

Pengembangan O
Sistem O
Ujian O
di O
Politeknik O
Statistika O
STIS O
: O
Modul O
Pengerjaan O
Ujian O
Ahmad O
Arfan O
Arsyad O
( O
221810116 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
S.S.T. O
, O
M.T.I. O
Ringkasan— O
Kehadiran O
pandemi O
memaksa O
mekanisme O
pembelajaran O
dan O
ujian O
harus O
diselenggarakan O
secara O
daring. O
Keadaan O
ini O
menjadi O
alasan O
pembangunan O
sistem O
ujian. O
Sayangnya O
sistem O
ujian O
yang O
sudah O
ada O
tidak O
mencakup O
proses O
pengerjaan O
ujian. O
Beberapa O
dosen O
berinisiatif O
menyelenggarakan O
ujian O
menggunakan O
sistem O
Google O
Form O
atau O
TCExam O
juga O
masih O
memiliki O
kekurangan. O
Untuk O
itu O
perlu O
dikembangkan B-TUJUAN
sistem I-TUJUAN
ujian I-TUJUAN
yang I-TUJUAN
mencakup I-TUJUAN
pengerjaan I-TUJUAN
ujian. I-TUJUAN
Sistem O
ujian O
yang O
mencakup O
fitur O
pengerjaan O
ujian O
diharuskan O
juga O
menghadirkan O
fitur O
input O
soal. O
Jawaban O
dari O
pengerjaan O
ujian O
juga O
bisa O
penilaian. O
dimanfaatkan O
Pengembangan O
sistem O
mengikuti O
tahapan B-METODE
Software I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
dengan I-METODE
model I-METODE
parallel I-METODE
development. I-METODE
Sistem O
juga O
telah O
dilakukan O
evaluasi O
menggunakan O
metode B-METODE
PSSUQ I-METODE
dan O
mendapat O
nilai O
Overall:2,12 O
dengan O
rincian O
SysQual:2,03 O
InfoQual:2,22 O
dan O
IntQual:2,13. O
Semua O
skala O
pengujian O
di O
bawah O
batas O
atas O
yang O
ditentukan O
sehingga O
bisa O
sistem O
usulan O
bisa O
dikategorikan O
baik. O
untuk O
menghadirkan O
fitur O
Kata O
Kunci— O
CBT O
, O
sistem O
ujian O
, O
parallel O
development. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
telah O
dibuat B-TUJUAN
sistem I-TUJUAN
ujian I-TUJUAN
di I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS I-TUJUAN
yang I-TUJUAN
mencakup I-TUJUAN
fitur I-TUJUAN
: I-TUJUAN
pengerjaan I-TUJUAN
ujian I-TUJUAN
untuk I-TUJUAN
mahasiswa I-TUJUAN
, I-TUJUAN
input I-TUJUAN
soal I-TUJUAN
untuk I-TUJUAN
dosen I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
penilaian I-TUJUAN
jawaban I-TUJUAN
ujian I-TUJUAN
untuk I-TUJUAN
dosen. I-TUJUAN
Sistem B-TEMUAN
juga I-TEMUAN
telah I-TEMUAN
dilakukan I-TEMUAN
evaluasi I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
PSSUQ I-TEMUAN
dan I-TEMUAN
mendapat I-TEMUAN
nilai I-TEMUAN
Overall:2,12 I-TEMUAN
dengan I-TEMUAN
rincian I-TEMUAN
skala I-TEMUAN
SysQual:2,03 I-TEMUAN
InfoQual:2,22 I-TEMUAN
dan I-TEMUAN
IntQual:2,13. I-TEMUAN
Semua O
skala O
pengujian O
berada O
di O
bawah O
batas O
atas O
yang O
ditentukan O
sehingga O
sistem O
usulan O
bisa O
dikategorikan O
baik. O

Pengembangan O
Sistem O
Ujian O
di O
Politeknik O
Statistika O
STIS O
: O
Modul O
Pengerjaan O
Ujian O
Ahmad O
Arfan O
Arsyad O
( O
221810116 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
S.S.T. O
, O
M.T.I. O
Ringkasan— O
Kehadiran O
pandemi O
memaksa O
mekanisme O
pembelajaran O
dan O
ujian O
harus O
diselenggarakan O
secara O
daring. O
Keadaan O
ini O
menjadi O
alasan O
pembangunan O
sistem O
ujian. O
Sayangnya O
sistem O
ujian O
yang O
sudah O
ada O
tidak O
mencakup O
proses O
pengerjaan O
ujian. O
Beberapa O
dosen O
berinisiatif O
menyelenggarakan O
ujian O
menggunakan O
sistem O
Google O
Form O
atau O
TCExam O
juga O
masih O
memiliki O
kekurangan. O
Untuk O
itu O
perlu O
dikembangkan B-TUJUAN
sistem I-TUJUAN
ujian I-TUJUAN
yang I-TUJUAN
mencakup I-TUJUAN
pengerjaan I-TUJUAN
ujian. I-TUJUAN
Sistem O
ujian O
yang O
mencakup O
fitur O
pengerjaan O
ujian O
diharuskan O
juga O
menghadirkan O
fitur O
input O
soal. O
Jawaban O
dari O
pengerjaan O
ujian O
juga O
bisa O
penilaian. O
dimanfaatkan O
Pengembangan O
sistem O
mengikuti O
tahapan B-METODE
Software I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
dengan I-METODE
model I-METODE
parallel I-METODE
development. I-METODE
Sistem O
juga O
telah O
dilakukan O
evaluasi O
menggunakan O
metode B-METODE
PSSUQ I-METODE
dan O
mendapat O
nilai O
Overall:2,12 O
dengan O
rincian O
SysQual:2,03 O
InfoQual:2,22 O
dan O
IntQual:2,13. O
Semua O
skala O
pengujian O
di O
bawah O
batas O
atas O
yang O
ditentukan O
sehingga O
bisa O
sistem O
usulan O
bisa O
dikategorikan O
baik. O
untuk O
menghadirkan O
fitur O
Kata O
Kunci— O
CBT O
, O
sistem O
ujian O
, O
parallel O
development. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
telah O
dibuat B-TUJUAN
sistem I-TUJUAN
ujian I-TUJUAN
di I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS I-TUJUAN
yang I-TUJUAN
mencakup I-TUJUAN
fitur I-TUJUAN
: I-TUJUAN
pengerjaan I-TUJUAN
ujian I-TUJUAN
untuk I-TUJUAN
mahasiswa I-TUJUAN
, I-TUJUAN
input I-TUJUAN
soal I-TUJUAN
untuk I-TUJUAN
dosen I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
penilaian I-TUJUAN
jawaban I-TUJUAN
ujian I-TUJUAN
untuk I-TUJUAN
dosen. I-TUJUAN
Sistem B-TEMUAN
juga I-TEMUAN
telah I-TEMUAN
dilakukan I-TEMUAN
evaluasi I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
PSSUQ I-TEMUAN
dan I-TEMUAN
mendapat I-TEMUAN
nilai I-TEMUAN
Overall:2,12 I-TEMUAN
dengan I-TEMUAN
rincian I-TEMUAN
skala I-TEMUAN
SysQual:2,03 I-TEMUAN
InfoQual:2,22 I-TEMUAN
dan I-TEMUAN
IntQual:2,13. I-TEMUAN
Semua O
skala O
pengujian O
berada O
di O
bawah O
batas O
atas O
yang O
ditentukan O
sehingga O
sistem O
usulan O
bisa O
dikategorikan O
baik. O

Pengembangan O
Sistem O
Ujian O
di O
Politeknik O
Statistika O
STIS O
: O
Modul O
Pengerjaan O
Ujian O
Ahmad O
Arfan O
Arsyad O
( O
221810116 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
S.S.T. O
, O
M.T.I. O
Ringkasan— O
Kehadiran O
pandemi O
memaksa O
mekanisme O
pembelajaran O
dan O
ujian O
harus O
diselenggarakan O
secara O
daring. O
Keadaan O
ini O
menjadi O
alasan O
pembangunan O
sistem O
ujian. O
Sayangnya O
sistem O
ujian O
yang O
sudah O
ada O
tidak O
mencakup O
proses O
pengerjaan O
ujian. O
Beberapa O
dosen O
berinisiatif O
menyelenggarakan O
ujian O
menggunakan O
sistem O
Google O
Form O
atau O
TCExam O
juga O
masih O
memiliki O
kekurangan. O
Untuk O
itu O
perlu O
dikembangkan B-TUJUAN
sistem I-TUJUAN
ujian I-TUJUAN
yang I-TUJUAN
mencakup I-TUJUAN
pengerjaan I-TUJUAN
ujian. I-TUJUAN
Sistem O
ujian O
yang O
mencakup O
fitur O
pengerjaan O
ujian O
diharuskan O
juga O
menghadirkan O
fitur O
input O
soal. O
Jawaban O
dari O
pengerjaan O
ujian O
juga O
bisa O
penilaian. O
dimanfaatkan O
Pengembangan O
sistem O
mengikuti O
tahapan B-METODE
Software I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
dengan I-METODE
model I-METODE
parallel I-METODE
development. I-METODE
Sistem O
juga O
telah O
dilakukan O
evaluasi O
menggunakan O
metode B-METODE
PSSUQ I-METODE
dan O
mendapat O
nilai O
Overall:2,12 O
dengan O
rincian O
SysQual:2,03 O
InfoQual:2,22 O
dan O
IntQual:2,13. O
Semua O
skala O
pengujian O
di O
bawah O
batas O
atas O
yang O
ditentukan O
sehingga O
bisa O
sistem O
usulan O
bisa O
dikategorikan O
baik. O
untuk O
menghadirkan O
fitur O
Kata O
Kunci— O
CBT O
, O
sistem O
ujian O
, O
parallel O
development. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
telah O
dibuat B-TUJUAN
sistem I-TUJUAN
ujian I-TUJUAN
di I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS I-TUJUAN
yang I-TUJUAN
mencakup I-TUJUAN
fitur I-TUJUAN
: I-TUJUAN
pengerjaan I-TUJUAN
ujian I-TUJUAN
untuk I-TUJUAN
mahasiswa I-TUJUAN
, I-TUJUAN
input I-TUJUAN
soal I-TUJUAN
untuk I-TUJUAN
dosen I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
penilaian I-TUJUAN
jawaban I-TUJUAN
ujian I-TUJUAN
untuk I-TUJUAN
dosen. I-TUJUAN
Sistem B-TEMUAN
juga I-TEMUAN
telah I-TEMUAN
dilakukan I-TEMUAN
evaluasi I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
PSSUQ I-TEMUAN
dan I-TEMUAN
mendapat I-TEMUAN
nilai I-TEMUAN
Overall:2,12 I-TEMUAN
dengan I-TEMUAN
rincian I-TEMUAN
skala I-TEMUAN
SysQual:2,03 I-TEMUAN
InfoQual:2,22 I-TEMUAN
dan I-TEMUAN
IntQual:2,13. I-TEMUAN
Semua O
skala O
pengujian O
berada O
di O
bawah O
batas O
atas O
yang O
ditentukan O
sehingga O
sistem O
usulan O
bisa O
dikategorikan O
baik. O

Pengembangan O
Sistem O
Ujian O
di O
Politeknik O
Statistika O
STIS O
: O
Modul O
Pengerjaan O
Ujian O
Ahmad O
Arfan O
Arsyad O
( O
221810116 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
S.S.T. O
, O
M.T.I. O
Ringkasan— O
Kehadiran O
pandemi O
memaksa O
mekanisme O
pembelajaran O
dan O
ujian O
harus O
diselenggarakan O
secara O
daring. O
Keadaan O
ini O
menjadi O
alasan O
pembangunan O
sistem O
ujian. O
Sayangnya O
sistem O
ujian O
yang O
sudah O
ada O
tidak O
mencakup O
proses O
pengerjaan O
ujian. O
Beberapa O
dosen O
berinisiatif O
menyelenggarakan O
ujian O
menggunakan O
sistem O
Google O
Form O
atau O
TCExam O
juga O
masih O
memiliki O
kekurangan. O
Untuk O
itu O
perlu O
dikembangkan B-TUJUAN
sistem I-TUJUAN
ujian I-TUJUAN
yang I-TUJUAN
mencakup I-TUJUAN
pengerjaan I-TUJUAN
ujian. I-TUJUAN
Sistem O
ujian O
yang O
mencakup O
fitur O
pengerjaan O
ujian O
diharuskan O
juga O
menghadirkan O
fitur O
input O
soal. O
Jawaban O
dari O
pengerjaan O
ujian O
juga O
bisa O
penilaian. O
dimanfaatkan O
Pengembangan O
sistem O
mengikuti O
tahapan B-METODE
Software I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
dengan I-METODE
model I-METODE
parallel I-METODE
development. I-METODE
Sistem O
juga O
telah O
dilakukan O
evaluasi O
menggunakan O
metode B-METODE
PSSUQ I-METODE
dan O
mendapat O
nilai O
Overall:2,12 O
dengan O
rincian O
SysQual:2,03 O
InfoQual:2,22 O
dan O
IntQual:2,13. O
Semua O
skala O
pengujian O
di O
bawah O
batas O
atas O
yang O
ditentukan O
sehingga O
bisa O
sistem O
usulan O
bisa O
dikategorikan O
baik. O
untuk O
menghadirkan O
fitur O
Kata O
Kunci— O
CBT O
, O
sistem O
ujian O
, O
parallel O
development. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
telah O
dibuat B-TUJUAN
sistem I-TUJUAN
ujian I-TUJUAN
di I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS I-TUJUAN
yang I-TUJUAN
mencakup I-TUJUAN
fitur I-TUJUAN
: I-TUJUAN
pengerjaan I-TUJUAN
ujian I-TUJUAN
untuk I-TUJUAN
mahasiswa I-TUJUAN
, I-TUJUAN
input I-TUJUAN
soal I-TUJUAN
untuk I-TUJUAN
dosen I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
penilaian I-TUJUAN
jawaban I-TUJUAN
ujian I-TUJUAN
untuk I-TUJUAN
dosen. I-TUJUAN
Sistem B-TEMUAN
juga I-TEMUAN
telah I-TEMUAN
dilakukan I-TEMUAN
evaluasi I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
PSSUQ I-TEMUAN
dan I-TEMUAN
mendapat I-TEMUAN
nilai I-TEMUAN
Overall:2,12 I-TEMUAN
dengan I-TEMUAN
rincian I-TEMUAN
skala I-TEMUAN
SysQual:2,03 I-TEMUAN
InfoQual:2,22 I-TEMUAN
dan I-TEMUAN
IntQual:2,13. I-TEMUAN
Semua O
skala O
pengujian O
berada O
di O
bawah O
batas O
atas O
yang O
ditentukan O
sehingga O
sistem O
usulan O
bisa O
dikategorikan O
baik. O

Pengembangan O
Sistem O
Ujian O
di O
Politeknik O
Statistika O
STIS O
: O
Modul O
Pengerjaan O
Ujian O
Ahmad O
Arfan O
Arsyad O
( O
221810116 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
S.S.T. O
, O
M.T.I. O
Ringkasan— O
Kehadiran O
pandemi O
memaksa O
mekanisme O
pembelajaran O
dan O
ujian O
harus O
diselenggarakan O
secara O
daring. O
Keadaan O
ini O
menjadi O
alasan O
pembangunan O
sistem O
ujian. O
Sayangnya O
sistem O
ujian O
yang O
sudah O
ada O
tidak O
mencakup O
proses O
pengerjaan O
ujian. O
Beberapa O
dosen O
berinisiatif O
menyelenggarakan O
ujian O
menggunakan O
sistem O
Google O
Form O
atau O
TCExam O
juga O
masih O
memiliki O
kekurangan. O
Untuk O
itu O
perlu O
dikembangkan B-TUJUAN
sistem I-TUJUAN
ujian I-TUJUAN
yang I-TUJUAN
mencakup I-TUJUAN
pengerjaan I-TUJUAN
ujian. I-TUJUAN
Sistem O
ujian O
yang O
mencakup O
fitur O
pengerjaan O
ujian O
diharuskan O
juga O
menghadirkan O
fitur O
input O
soal. O
Jawaban O
dari O
pengerjaan O
ujian O
juga O
bisa O
penilaian. O
dimanfaatkan O
Pengembangan O
sistem O
mengikuti O
tahapan B-METODE
Software I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
dengan I-METODE
model I-METODE
parallel I-METODE
development. I-METODE
Sistem O
juga O
telah O
dilakukan O
evaluasi O
menggunakan O
metode B-METODE
PSSUQ I-METODE
dan O
mendapat O
nilai O
Overall:2,12 O
dengan O
rincian O
SysQual:2,03 O
InfoQual:2,22 O
dan O
IntQual:2,13. O
Semua O
skala O
pengujian O
di O
bawah O
batas O
atas O
yang O
ditentukan O
sehingga O
bisa O
sistem O
usulan O
bisa O
dikategorikan O
baik. O
untuk O
menghadirkan O
fitur O
Kata O
Kunci— O
CBT O
, O
sistem O
ujian O
, O
parallel O
development. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
telah O
dibuat B-TUJUAN
sistem I-TUJUAN
ujian I-TUJUAN
di I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS I-TUJUAN
yang I-TUJUAN
mencakup I-TUJUAN
fitur I-TUJUAN
: I-TUJUAN
pengerjaan I-TUJUAN
ujian I-TUJUAN
untuk I-TUJUAN
mahasiswa I-TUJUAN
, I-TUJUAN
input I-TUJUAN
soal I-TUJUAN
untuk I-TUJUAN
dosen I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
penilaian I-TUJUAN
jawaban I-TUJUAN
ujian I-TUJUAN
untuk I-TUJUAN
dosen. I-TUJUAN
Sistem B-TEMUAN
juga I-TEMUAN
telah I-TEMUAN
dilakukan I-TEMUAN
evaluasi I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
PSSUQ I-TEMUAN
dan I-TEMUAN
mendapat I-TEMUAN
nilai I-TEMUAN
Overall:2,12 I-TEMUAN
dengan I-TEMUAN
rincian I-TEMUAN
skala I-TEMUAN
SysQual:2,03 I-TEMUAN
InfoQual:2,22 I-TEMUAN
dan I-TEMUAN
IntQual:2,13. I-TEMUAN
Semua O
skala O
pengujian O
berada O
di O
bawah O
batas O
atas O
yang O
ditentukan O
sehingga O
sistem O
usulan O
bisa O
dikategorikan O
baik. O

Penerapan O
Sentiment O
Analysis O
dan O
Latent O
Dirichlet O
Allocation O
terhadap O
Tweet O
Masyarakat O
Mengenai O
Vaksin O
Covid-19 O
Periode O
Gelombang O
Kedua O
Covid-19 O
di O
Indonesia O
Adi O
Habibi O
Harahap O
( O
221810097 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
SST O
, O
M.Si O
Program O
vaksinasi O
dilakukan O
pada O
tanggal O
13 O
Januari O
2021. O
Pelaksanaan O
vaksinasi O
mendapatkan O
respon O
dari O
masyarakat O
terutama O
di O
twitter. O
Twitter O
merupakan O
media O
sosial O
yang O
banyak O
digunakan O
untuk O
mengungkapkan O
respon O
dan O
pandangan O
terhadap O
hal-hal O
yang O
up O
to O
date. O
Melalui O
twitter O
masyarakat O
, O
dapat O
diketahui B-TUJUAN
bagaimana I-TUJUAN
respon I-TUJUAN
dan I-TUJUAN
opini I-TUJUAN
mengenai I-TUJUAN
vaksin I-TUJUAN
Covid-19. I-TUJUAN
Untuk O
menganalisis O
data O
twitter O
, O
digunakan O
metode B-METODE
sentiment I-METODE
analysis I-METODE
untuk O
mengungkap O
respon O
baik O
positif O
, O
negatif O
, O
dan O
netral O
serta O
latent O
dirichlet O
allocation O
untuk O
mengetahui O
perbincangan O
masyarakt. O
Hasil B-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
sentiment I-TEMUAN
analysis I-TEMUAN
masyarakat I-TEMUAN
cenderung I-TEMUAN
merespon I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
seperti I-TEMUAN
mendukung I-TEMUAN
kebijakan I-TEMUAN
vaksinasi I-TEMUAN
dan I-TEMUAN
mengharapkan I-TEMUAN
pandemi I-TEMUAN
segera I-TEMUAN
berakhir. I-TEMUAN
Akan O
tetapi O
terdapat O
masyarakat O
yang O
merespon O
secara O
negatif O
dengan O
menganggap O
vaksin O
memiliki O
efek O
negatif O
yang O
fatal O
serta O
adanya O
berita O
hoak. O
Kemudian O
masyarakat O
yang O
merespon O
netral O
cenderung O
menginformasikan O
hal-hal O
yang O
berkaitan O
dengan O
vaksin O
seperti O
menginformasikan O
kedatangan O
vaksin O
ke O
Indonesia. O
Kata O
Kunci— O
vaksin O
, O
gelombang O
kedua O
, O
masyarakat O
, O
twitter O
, O
sentiment O
analysis O
, O
topic O
modeling O
[SEP] O
Berdasarkan O
hasil O
pembahasan O
pada O
bab O
sebelumnya O
, O
telah O
dilakukan O
analisis B-METODE
sentimen I-METODE
dan I-METODE
topic I-METODE
modeling I-METODE
dengan O
menerapkan O
tweet O
masyarakat O
mengenai O
vaksin O
COVID-19 O
pada O
gelombang O
kedua O
COVID-19 O
di O
Indonesia. O
Sehingga O
kesimpulan O
didapatkan O
kesimpulan O
sebagai O
berikut. O
latent O
dirichlet O
allocation O
terhadap O
7 O
/ O
8 O
1. O
Penerapan O
metode O
VADER O
untuk O
melakukan O
sentiment O
analysis O
dan O
Latent O
Dirichlet O
Allocation O
untuk O
melakukan O
topic O
modeling O
merupakan O
metode O
yang O
sangat O
berguna O
membantu O
mengetahui O
respon O
dan O
opini O
masyatakat O
mengenai O
vaksin O
covid-19. O
2. O
Dari O
hasil O
analisis B-METODE
sentimen I-METODE
diketahui O
bahwa O
sentimen B-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
dominan I-TEMUAN
pada I-TEMUAN
saat I-TEMUAN
terjadinya I-TEMUAN
gelombang I-TEMUAN
kedua I-TEMUAN
covid-19 I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
adalah I-TEMUAN
sentimen I-TEMUAN
positif. I-TEMUAN
Adapun O
untuk O
perbincangan O
masyarakat O
yang O
ada O
di O
twitter O
mengenai O
vaksin O
covid-19 O
berdasarkan O
responnya. O
Untuk O
respon O
masyarakat O
yang O
memiliki O
sentimen O
positif O
membahas O
8 O
topik O
dimana O
ada O
3 O
kategori O
umum O
yakni O
adanya O
dukungan O
terhadap O
pelaksanaan O
program O
vaksinasi O
yang O
sudah O
dilakukan O
oleh O
pemerintah O
, O
masyarakat O
agar O
pandemi O
covid-19 O
segera O
berakhir O
dan O
dapat O
melakukan O
aktivitas O
normal O
, O
dan O
efektivitas O
vaksin O
yang O
dapat O
dipercayai O
masyarakat O
untuk O
meningkatkan O
kekebalan O
tubuh. O
Kemudian O
respon O
masyarakat O
yang O
memiliki O
sentimen O
negatif O
membahas O
3 O
topik O
yang O
paling O
umum O
yakni O
adanya O
misinformasi O
dan O
berita O
hoaks O
yang O
beredar O
mengenai O
vaksin O
covid-19. O
Sejalan O
dengan O
Laporan O
Isu O
Hoaks O
yang O
dilakukan O
oleh O
Kominfo O
, O
terdapat O
sekitar O
278 O
kasus O
misinformasi O
dan O
berita O
hoaks O
mengenai O
covid-19 O
dan O
vaksin O
covid-19. O
Kemudian O
masyarakat O
membahas O
tentang O
efek O
negatif O
yang O
diakibatkan O
oleh O
penggunaan O
vaksin O
covid-19. O
Hal O
itu O
dikarenakan O
banyak O
isu O
yang O
meninggal O
karena O
penggunaan O
vaksin. O
Masyarakat O
yang O
merespon O
negatif O
juga O
resah O
karena O
adanya O
isu O
vaksin O
yang O
harus O
berbayar O
dan O
relatif O
tidak O
murah O
bagi O
masyarakat. O
Terakhir O
untuk O
masyarakat O
yang O
berespon O
secara O
netral O
membahas O
tentang O
kegiatan O
pemerintah O
dalam O
melaksanakan O
program O
vaksinasi O
serta O
hal-hal O
yang O
dilakukan O
terkait O
uji O
klinis O
vaksin. O
Selain O
itu O
juga O
membahas O
tentang O
himbauan-himbauan O
yang O
diinformasikan O
oleh O
pemerintah O
untuk O
tetap O
menaati O
peraturan O
beserta O
protokol O
kesehatan. O
7.2 O
Saran O
Dalam O
penelitian O
ini O
masih O
banyak O
yang O
harus O
diperbaiki O
dan O
dikembangkan. O
Adapun O
saran O
untuk O
penelitian O
ini O
: O
1. O
Filtering O
lokasi O
yang O
dilakukan O
yakni O
dengan O
mengidentifikasi O
lokasi O
yang O
ada O
pada O
profil O
akun. O
Pada O
kenyataannya O
tidak O
semua O
akun O
mencantumkan O
atribut O
lokasi O
bahkan O
ada O
lokasi O
yang O
sembarang O
dibuat O
oleh O
pengguna. O
Sehingga O
saran O
untuk O
penelitian O
selanjutnya O
adalah O
menggunakan O
sebuah O
metode O
lain O
yang O
tidak O
berdasarkan O
profil O
akun. O
2. O
Penelitian O
selanjutnya O
diharapkan O
dapat O
menggunakan O
metode O
sentiment O
analysis O
dan O
pemodelan O
topik O
yang O
lain O
sehingga O
dapat O
dibandingkan O
hasil O
akurasinya. O

Penerapan O
Sentiment O
Analysis O
dan O
Latent O
Dirichlet O
Allocation O
terhadap O
Tweet O
Masyarakat O
Mengenai O
Vaksin O
Covid-19 O
Periode O
Gelombang O
Kedua O
Covid-19 O
di O
Indonesia O
Adi O
Habibi O
Harahap O
( O
221810097 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
SST O
, O
M.Si O
Program O
vaksinasi O
dilakukan O
pada O
tanggal O
13 O
Januari O
2021. O
Pelaksanaan O
vaksinasi O
mendapatkan O
respon O
dari O
masyarakat O
terutama O
di O
twitter. O
Twitter O
merupakan O
media O
sosial O
yang O
banyak O
digunakan O
untuk O
mengungkapkan O
respon O
dan O
pandangan O
terhadap O
hal-hal O
yang O
up O
to O
date. O
Melalui O
twitter O
masyarakat O
, O
dapat O
diketahui B-TUJUAN
bagaimana I-TUJUAN
respon I-TUJUAN
dan I-TUJUAN
opini I-TUJUAN
mengenai I-TUJUAN
vaksin I-TUJUAN
Covid-19. I-TUJUAN
Untuk O
menganalisis O
data O
twitter O
, O
digunakan O
metode B-METODE
sentiment I-METODE
analysis I-METODE
untuk O
mengungkap O
respon O
baik O
positif O
, O
negatif O
, O
dan O
netral O
serta O
latent O
dirichlet O
allocation O
untuk O
mengetahui O
perbincangan O
masyarakt. O
Hasil B-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
sentiment I-TEMUAN
analysis I-TEMUAN
masyarakat I-TEMUAN
cenderung I-TEMUAN
merespon I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
seperti I-TEMUAN
mendukung I-TEMUAN
kebijakan I-TEMUAN
vaksinasi I-TEMUAN
dan I-TEMUAN
mengharapkan I-TEMUAN
pandemi I-TEMUAN
segera I-TEMUAN
berakhir. I-TEMUAN
Akan O
tetapi O
terdapat O
masyarakat O
yang O
merespon O
secara O
negatif O
dengan O
menganggap O
vaksin O
memiliki O
efek O
negatif O
yang O
fatal O
serta O
adanya O
berita O
hoak. O
Kemudian O
masyarakat O
yang O
merespon O
netral O
cenderung O
menginformasikan O
hal-hal O
yang O
berkaitan O
dengan O
vaksin O
seperti O
menginformasikan O
kedatangan O
vaksin O
ke O
Indonesia. O
Kata O
Kunci— O
vaksin O
, O
gelombang O
kedua O
, O
masyarakat O
, O
twitter O
, O
sentiment O
analysis O
, O
topic O
modeling O
[SEP] O
Berdasarkan O
hasil O
pembahasan O
pada O
bab O
sebelumnya O
, O
telah O
dilakukan O
analisis B-METODE
sentimen I-METODE
dan I-METODE
topic I-METODE
modeling I-METODE
dengan O
menerapkan O
tweet O
masyarakat O
mengenai O
vaksin O
COVID-19 O
pada O
gelombang O
kedua O
COVID-19 O
di O
Indonesia. O
Sehingga O
kesimpulan O
didapatkan O
kesimpulan O
sebagai O
berikut. O
latent O
dirichlet O
allocation O
terhadap O
7 O
/ O
8 O
1. O
Penerapan O
metode O
VADER O
untuk O
melakukan O
sentiment O
analysis O
dan O
Latent O
Dirichlet O
Allocation O
untuk O
melakukan O
topic O
modeling O
merupakan O
metode O
yang O
sangat O
berguna O
membantu O
mengetahui O
respon O
dan O
opini O
masyatakat O
mengenai O
vaksin O
covid-19. O
2. O
Dari O
hasil O
analisis B-METODE
sentimen I-METODE
diketahui O
bahwa O
sentimen B-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
dominan I-TEMUAN
pada I-TEMUAN
saat I-TEMUAN
terjadinya I-TEMUAN
gelombang I-TEMUAN
kedua I-TEMUAN
covid-19 I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
adalah I-TEMUAN
sentimen I-TEMUAN
positif. I-TEMUAN
Adapun O
untuk O
perbincangan O
masyarakat O
yang O
ada O
di O
twitter O
mengenai O
vaksin O
covid-19 O
berdasarkan O
responnya. O
Untuk O
respon O
masyarakat O
yang O
memiliki O
sentimen O
positif O
membahas O
8 O
topik O
dimana O
ada O
3 O
kategori O
umum O
yakni O
adanya O
dukungan O
terhadap O
pelaksanaan O
program O
vaksinasi O
yang O
sudah O
dilakukan O
oleh O
pemerintah O
, O
masyarakat O
agar O
pandemi O
covid-19 O
segera O
berakhir O
dan O
dapat O
melakukan O
aktivitas O
normal O
, O
dan O
efektivitas O
vaksin O
yang O
dapat O
dipercayai O
masyarakat O
untuk O
meningkatkan O
kekebalan O
tubuh. O
Kemudian O
respon O
masyarakat O
yang O
memiliki O
sentimen O
negatif O
membahas O
3 O
topik O
yang O
paling O
umum O
yakni O
adanya O
misinformasi O
dan O
berita O
hoaks O
yang O
beredar O
mengenai O
vaksin O
covid-19. O
Sejalan O
dengan O
Laporan O
Isu O
Hoaks O
yang O
dilakukan O
oleh O
Kominfo O
, O
terdapat O
sekitar O
278 O
kasus O
misinformasi O
dan O
berita O
hoaks O
mengenai O
covid-19 O
dan O
vaksin O
covid-19. O
Kemudian O
masyarakat O
membahas O
tentang O
efek O
negatif O
yang O
diakibatkan O
oleh O
penggunaan O
vaksin O
covid-19. O
Hal O
itu O
dikarenakan O
banyak O
isu O
yang O
meninggal O
karena O
penggunaan O
vaksin. O
Masyarakat O
yang O
merespon O
negatif O
juga O
resah O
karena O
adanya O
isu O
vaksin O
yang O
harus O
berbayar O
dan O
relatif O
tidak O
murah O
bagi O
masyarakat. O
Terakhir O
untuk O
masyarakat O
yang O
berespon O
secara O
netral O
membahas O
tentang O
kegiatan O
pemerintah O
dalam O
melaksanakan O
program O
vaksinasi O
serta O
hal-hal O
yang O
dilakukan O
terkait O
uji O
klinis O
vaksin. O
Selain O
itu O
juga O
membahas O
tentang O
himbauan-himbauan O
yang O
diinformasikan O
oleh O
pemerintah O
untuk O
tetap O
menaati O
peraturan O
beserta O
protokol O
kesehatan. O
7.2 O
Saran O
Dalam O
penelitian O
ini O
masih O
banyak O
yang O
harus O
diperbaiki O
dan O
dikembangkan. O
Adapun O
saran O
untuk O
penelitian O
ini O
: O
1. O
Filtering O
lokasi O
yang O
dilakukan O
yakni O
dengan O
mengidentifikasi O
lokasi O
yang O
ada O
pada O
profil O
akun. O
Pada O
kenyataannya O
tidak O
semua O
akun O
mencantumkan O
atribut O
lokasi O
bahkan O
ada O
lokasi O
yang O
sembarang O
dibuat O
oleh O
pengguna. O
Sehingga O
saran O
untuk O
penelitian O
selanjutnya O
adalah O
menggunakan O
sebuah O
metode O
lain O
yang O
tidak O
berdasarkan O
profil O
akun. O
2. O
Penelitian O
selanjutnya O
diharapkan O
dapat O
menggunakan O
metode O
sentiment O
analysis O
dan O
pemodelan O
topik O
yang O
lain O
sehingga O
dapat O
dibandingkan O
hasil O
akurasinya. O

Penerapan O
Sentiment O
Analysis O
dan O
Latent O
Dirichlet O
Allocation O
terhadap O
Tweet O
Masyarakat O
Mengenai O
Vaksin O
Covid-19 O
Periode O
Gelombang O
Kedua O
Covid-19 O
di O
Indonesia O
Adi O
Habibi O
Harahap O
( O
221810097 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
SST O
, O
M.Si O
Program O
vaksinasi O
dilakukan O
pada O
tanggal O
13 O
Januari O
2021. O
Pelaksanaan O
vaksinasi O
mendapatkan O
respon O
dari O
masyarakat O
terutama O
di O
twitter. O
Twitter O
merupakan O
media O
sosial O
yang O
banyak O
digunakan O
untuk O
mengungkapkan O
respon O
dan O
pandangan O
terhadap O
hal-hal O
yang O
up O
to O
date. O
Melalui O
twitter O
masyarakat O
, O
dapat O
diketahui B-TUJUAN
bagaimana I-TUJUAN
respon I-TUJUAN
dan I-TUJUAN
opini I-TUJUAN
mengenai I-TUJUAN
vaksin I-TUJUAN
Covid-19. I-TUJUAN
Untuk O
menganalisis O
data O
twitter O
, O
digunakan O
metode B-METODE
sentiment I-METODE
analysis I-METODE
untuk O
mengungkap O
respon O
baik O
positif O
, O
negatif O
, O
dan O
netral O
serta O
latent O
dirichlet O
allocation O
untuk O
mengetahui O
perbincangan O
masyarakt. O
Hasil B-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
sentiment I-TEMUAN
analysis I-TEMUAN
masyarakat I-TEMUAN
cenderung I-TEMUAN
merespon I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
seperti I-TEMUAN
mendukung I-TEMUAN
kebijakan I-TEMUAN
vaksinasi I-TEMUAN
dan I-TEMUAN
mengharapkan I-TEMUAN
pandemi I-TEMUAN
segera I-TEMUAN
berakhir. I-TEMUAN
Akan O
tetapi O
terdapat O
masyarakat O
yang O
merespon O
secara O
negatif O
dengan O
menganggap O
vaksin O
memiliki O
efek O
negatif O
yang O
fatal O
serta O
adanya O
berita O
hoak. O
Kemudian O
masyarakat O
yang O
merespon O
netral O
cenderung O
menginformasikan O
hal-hal O
yang O
berkaitan O
dengan O
vaksin O
seperti O
menginformasikan O
kedatangan O
vaksin O
ke O
Indonesia. O
Kata O
Kunci— O
vaksin O
, O
gelombang O
kedua O
, O
masyarakat O
, O
twitter O
, O
sentiment O
analysis O
, O
topic O
modeling O
[SEP] O
Berdasarkan O
hasil O
pembahasan O
pada O
bab O
sebelumnya O
, O
telah O
dilakukan O
analisis B-METODE
sentimen I-METODE
dan I-METODE
topic I-METODE
modeling I-METODE
dengan O
menerapkan O
tweet O
masyarakat O
mengenai O
vaksin O
COVID-19 O
pada O
gelombang O
kedua O
COVID-19 O
di O
Indonesia. O
Sehingga O
kesimpulan O
didapatkan O
kesimpulan O
sebagai O
berikut. O
latent O
dirichlet O
allocation O
terhadap O
7 O
/ O
8 O
1. O
Penerapan O
metode O
VADER O
untuk O
melakukan O
sentiment O
analysis O
dan O
Latent O
Dirichlet O
Allocation O
untuk O
melakukan O
topic O
modeling O
merupakan O
metode O
yang O
sangat O
berguna O
membantu O
mengetahui O
respon O
dan O
opini O
masyatakat O
mengenai O
vaksin O
covid-19. O
2. O
Dari O
hasil O
analisis B-METODE
sentimen I-METODE
diketahui O
bahwa O
sentimen B-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
dominan I-TEMUAN
pada I-TEMUAN
saat I-TEMUAN
terjadinya I-TEMUAN
gelombang I-TEMUAN
kedua I-TEMUAN
covid-19 I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
adalah I-TEMUAN
sentimen I-TEMUAN
positif. I-TEMUAN
Adapun O
untuk O
perbincangan O
masyarakat O
yang O
ada O
di O
twitter O
mengenai O
vaksin O
covid-19 O
berdasarkan O
responnya. O
Untuk O
respon O
masyarakat O
yang O
memiliki O
sentimen O
positif O
membahas O
8 O
topik O
dimana O
ada O
3 O
kategori O
umum O
yakni O
adanya O
dukungan O
terhadap O
pelaksanaan O
program O
vaksinasi O
yang O
sudah O
dilakukan O
oleh O
pemerintah O
, O
masyarakat O
agar O
pandemi O
covid-19 O
segera O
berakhir O
dan O
dapat O
melakukan O
aktivitas O
normal O
, O
dan O
efektivitas O
vaksin O
yang O
dapat O
dipercayai O
masyarakat O
untuk O
meningkatkan O
kekebalan O
tubuh. O
Kemudian O
respon O
masyarakat O
yang O
memiliki O
sentimen O
negatif O
membahas O
3 O
topik O
yang O
paling O
umum O
yakni O
adanya O
misinformasi O
dan O
berita O
hoaks O
yang O
beredar O
mengenai O
vaksin O
covid-19. O
Sejalan O
dengan O
Laporan O
Isu O
Hoaks O
yang O
dilakukan O
oleh O
Kominfo O
, O
terdapat O
sekitar O
278 O
kasus O
misinformasi O
dan O
berita O
hoaks O
mengenai O
covid-19 O
dan O
vaksin O
covid-19. O
Kemudian O
masyarakat O
membahas O
tentang O
efek O
negatif O
yang O
diakibatkan O
oleh O
penggunaan O
vaksin O
covid-19. O
Hal O
itu O
dikarenakan O
banyak O
isu O
yang O
meninggal O
karena O
penggunaan O
vaksin. O
Masyarakat O
yang O
merespon O
negatif O
juga O
resah O
karena O
adanya O
isu O
vaksin O
yang O
harus O
berbayar O
dan O
relatif O
tidak O
murah O
bagi O
masyarakat. O
Terakhir O
untuk O
masyarakat O
yang O
berespon O
secara O
netral O
membahas O
tentang O
kegiatan O
pemerintah O
dalam O
melaksanakan O
program O
vaksinasi O
serta O
hal-hal O
yang O
dilakukan O
terkait O
uji O
klinis O
vaksin. O
Selain O
itu O
juga O
membahas O
tentang O
himbauan-himbauan O
yang O
diinformasikan O
oleh O
pemerintah O
untuk O
tetap O
menaati O
peraturan O
beserta O
protokol O
kesehatan. O
7.2 O
Saran O
Dalam O
penelitian O
ini O
masih O
banyak O
yang O
harus O
diperbaiki O
dan O
dikembangkan. O
Adapun O
saran O
untuk O
penelitian O
ini O
: O
1. O
Filtering O
lokasi O
yang O
dilakukan O
yakni O
dengan O
mengidentifikasi O
lokasi O
yang O
ada O
pada O
profil O
akun. O
Pada O
kenyataannya O
tidak O
semua O
akun O
mencantumkan O
atribut O
lokasi O
bahkan O
ada O
lokasi O
yang O
sembarang O
dibuat O
oleh O
pengguna. O
Sehingga O
saran O
untuk O
penelitian O
selanjutnya O
adalah O
menggunakan O
sebuah O
metode O
lain O
yang O
tidak O
berdasarkan O
profil O
akun. O
2. O
Penelitian O
selanjutnya O
diharapkan O
dapat O
menggunakan O
metode O
sentiment O
analysis O
dan O
pemodelan O
topik O
yang O
lain O
sehingga O
dapat O
dibandingkan O
hasil O
akurasinya. O

Penerapan O
Metode O
Resampling O
Pada O
Klasifikasi O
Imbalanced O
Data O
Biner O
Status O
Ketertinggalan O
Desa O
Di O
Jawa O
Timur O
Hasran O
Nawira O
( O
221709732 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Sukim O
SST O
, O
M.Si O
Ringkasan— O
Kesenjangan O
pembangunan O
merupakan O
masalah O
yang O
masih O
perlu O
diperhatikan O
di O
Indonesia O
yang O
diperlihatkan O
dengan O
masih O
adanya O
desa O
tertinggal. O
Jawa O
Timur O
merupakan O
provinsi O
dengan O
jumlah O
desa O
terbanyak O
kedua O
di O
Indonesia O
dengan O
jumlah O
desa O
sebanyak O
8499 O
desa O
tahun O
2014. O
Penelitian O
ini O
bertujuan O
untuk O
mengklasifikasikan B-TUJUAN
desa I-TUJUAN
tertinggal I-TUJUAN
berdasarkan I-TUJUAN
lima I-TUJUAN
kabupaten I-TUJUAN
yang I-TUJUAN
memiliki I-TUJUAN
persentase I-TUJUAN
desa I-TUJUAN
tertinggal I-TUJUAN
tertinggi I-TUJUAN
di I-TUJUAN
Jawa I-TUJUAN
Timur I-TUJUAN
memakai I-TUJUAN
data I-TUJUAN
Potensi I-TUJUAN
Desa I-TUJUAN
2014 I-TUJUAN
, I-TUJUAN
jumlahnya I-TUJUAN
sebanyak I-TUJUAN
1122 I-TUJUAN
desa I-TUJUAN
, I-TUJUAN
116 I-TUJUAN
desa I-TUJUAN
termasuk I-TUJUAN
kategori I-TUJUAN
desa I-TUJUAN
tertinggal. I-TUJUAN
Komposisi O
data O
yang O
tidak O
seimbang O
( O
imbalanced O
) O
merupakan O
masalah O
ketika O
mengklasifikasikan O
data O
yang O
mengakibatkan O
prediksi O
menjadi O
tidak O
tepat O
, O
masalah O
ini O
bisa O
teratasi O
memakai O
teknik O
resampling O
data O
seperti B-METODE
Tomek I-METODE
Links I-METODE
, I-METODE
ENN I-METODE
, I-METODE
SMOTE I-METODE
, O
dan O
Kombinasinya. O
Metode O
klasifikasi B-METODE
yang O
digunakan O
yaitu O
Random O
Forest O
dan O
XGboost. O
Hasil O
klasifikasi B-METODE
data O
imbalanced O
serta O
data O
balanced O
dan O
feature O
importance O
serta O
data O
keseluruhan O
yang O
memperlihatkan O
bahwa O
dengan B-TEMUAN
teknik I-TEMUAN
resampling I-TEMUAN
dan I-TEMUAN
metode I-TEMUAN
XGboost I-TEMUAN
dan I-TEMUAN
Random I-TEMUAN
Forest I-TEMUAN
mampu I-TEMUAN
menghasilkan I-TEMUAN
nilai I-TEMUAN
F1-score I-TEMUAN
dan I-TEMUAN
AUC I-TEMUAN
yang I-TEMUAN
meningkat I-TEMUAN
setelah I-TEMUAN
balancing I-TEMUAN
data I-TEMUAN
diterapkan. I-TEMUAN
Selanjutnya O
diperoleh O
hasil O
klasifikasi O
terbaik O
menggunakan O
feature O
importance O
dengan O
metode O
XGboost O
dan O
SMOTE-ENN. O
Kata O
Kunci— O
Desa O
Tertinggal O
, O
Imbalanced O
Data O
, O
Resampling O
, O
XGboost O
, O
Random O
Forest. O
[SEP] O
1. O
Model O
klasifikasi O
terbaik O
untuk O
data O
podes O
2014 O
menggunakan O
seluruh O
variabel O
dengan O
metode O
resampling O
dan O
kombinasinya O
memakai O
metode O
klasifikasi O
Random O
Forest O
dan O
XGboost O
didapatkan B-TEMUAN
model I-TEMUAN
klasifikasi I-TEMUAN
terbaik I-TEMUAN
yakni I-TEMUAN
menggunakan I-TEMUAN
XGboost I-TEMUAN
dengan I-TEMUAN
teknik I-TEMUAN
resampling I-TEMUAN
SMOTE I-TEMUAN
SMOTE O
, O
ENN O
, O
Tomek-link O
2. O
Model O
klasifikasi O
terbaik O
untuk O
data O
podes O
2014 O
menggunakan O
importance O
variabel O
dengan O
metode O
resampling O
dan O
kombinasinya O
memakai O
metode O
klasifikasi O
Random O
Forest O
dan O
XGboost O
didapatkan O
model O
klasifikasi O
terbaik O
yakni O
menggunakan O
XGboost O
dengan O
teknik O
resampling O
SMOTE-ENN. O
SMOTE O
, O
ENN O
, O
Tomek-link O
Gambar O
7. O
Nilai O
SHAP O
Perubahan O
Status O
Desa O
Tertinggal O
Menjadi O
Tidak O
Tertinggal O
2018-2020. O
3. O
Perbandingan O
Model O
klasifikasi O
terbaik O
menggunakan O
seluruh O
variabel O
dan O
hanya O
importance O
variabel O
terbaik O
yakni O
dengan O
didapatkan O
model O
yang O
menggunakan O
klasifikasi O
XGboost O
dengan O
teknik O
resampling O
SMOTE-ENN O
pada O
importance O
variabel O
karena O
memiliki O
nilai O
F1-score B-METODE
dan I-METODE
AUC I-METODE
yang O
lebih O
8 O
/ O
9 O
tinggi O
serta O
kedua O
model O
juga O
termasuk O
dalam O
good O
classification. O
4. O
Variabel O
mengklasifikasikan O
desa O
sebagai O
desa O
tertinggal O
yang O
mengakibatkan O
model O
gagal O
 O
Rasio O
tempat O
praktek O
bidan O
dengan O
jumlahpenduduk O
ijka O
rasionya O
lebih O
dari O
0.01 O
dan O
kurang O
dari O
0.1 O
 O
Rasio O
keluarga O
pengguna O
listrik O
dengan O
jumlah O
rumah O
tangga O
jika O
rasionya O
lebih O
dari O
81 O
 O
Rasio O
Pos O
Kesehatan O
Desa O
dengan O
jumlah O
penduduk O
jika O
nilai O
rasio O
kurang O
dari O
0.05 O
dan O
diatas O
0. O
 O
Rasio O
toko O
kelontong O
dengan O
jumlah O
 O
penduduk O
jika O
nilainya O
lebih O
dari O
0.5 O
Jarak O
kantor O
kepala O
desa O
/ O
lurah O
ke O
kantor O
camat O
per O
kilometer O
jika O
jarak O
kurang O
dari O
5 O
km O
5. O
Ditahun O
2020 O
jmlah O
desa O
yang O
mengalami O
status O
perubahan O
dari O
desa O
tertinggal O
di O
2018 O
menjadi O
desa O
tidak O
tertinggal O
di O
tahun O
2020 O
ada O
sebanyak O
67 O
desa O
, O
sedangkan O
perubahan O
desa O
tidak O
tertinggal O
menjadi O
tertinggal O
di O
2020 O
ada O
sebanyak O
25 O
desa O
Desa O
dengan O
perubahan O
dari O
desa O
tertinggal O
ke O
desa O
tidak O
tertinggal O
disebabkan O
oleh O
beberapa O
faktor O
diantaranya O
 O
Penurunan O
rasio O
tempat O
praktik O
bidan O
, O
 O
Kenaikan O
rasio O
keluarga O
pengguna O
listrik O
 O
Kenaikan O
rasio O
toko O
kelontong. O
Desa O
dengan O
perubahan O
dari O
desa O
tidak O
tertinggal O
ke O
desa O
tertinggal O
disebabkan O
oleh O
beberapa O
faktor O
diantaranya O
 O
Penurunan O
rasio O
pos O
kesehatan O
desa O
, O
 O
Penurunan O
rasio O
toko O
kelontong O
 O
Penambahan O
jarak O
kantor O
kepala O
desa O
/ O
lurah O
ke O
kantor O
camat O

Penerapan O
Metode O
Resampling O
Pada O
Klasifikasi O
Imbalanced O
Data O
Biner O
Status O
Ketertinggalan O
Desa O
Di O
Jawa O
Timur O
Hasran O
Nawira O
( O
221709732 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Sukim O
SST O
, O
M.Si O
Ringkasan— O
Kesenjangan O
pembangunan O
merupakan O
masalah O
yang O
masih O
perlu O
diperhatikan O
di O
Indonesia O
yang O
diperlihatkan O
dengan O
masih O
adanya O
desa O
tertinggal. O
Jawa O
Timur O
merupakan O
provinsi O
dengan O
jumlah O
desa O
terbanyak O
kedua O
di O
Indonesia O
dengan O
jumlah O
desa O
sebanyak O
8499 O
desa O
tahun O
2014. O
Penelitian O
ini O
bertujuan O
untuk O
mengklasifikasikan B-TUJUAN
desa I-TUJUAN
tertinggal I-TUJUAN
berdasarkan I-TUJUAN
lima I-TUJUAN
kabupaten I-TUJUAN
yang I-TUJUAN
memiliki I-TUJUAN
persentase I-TUJUAN
desa I-TUJUAN
tertinggal I-TUJUAN
tertinggi I-TUJUAN
di I-TUJUAN
Jawa I-TUJUAN
Timur I-TUJUAN
memakai I-TUJUAN
data I-TUJUAN
Potensi I-TUJUAN
Desa I-TUJUAN
2014 I-TUJUAN
, I-TUJUAN
jumlahnya I-TUJUAN
sebanyak I-TUJUAN
1122 I-TUJUAN
desa I-TUJUAN
, I-TUJUAN
116 I-TUJUAN
desa I-TUJUAN
termasuk I-TUJUAN
kategori I-TUJUAN
desa I-TUJUAN
tertinggal. I-TUJUAN
Komposisi O
data O
yang O
tidak O
seimbang O
( O
imbalanced O
) O
merupakan O
masalah O
ketika O
mengklasifikasikan O
data O
yang O
mengakibatkan O
prediksi O
menjadi O
tidak O
tepat O
, O
masalah O
ini O
bisa O
teratasi O
memakai O
teknik O
resampling O
data O
seperti B-METODE
Tomek I-METODE
Links I-METODE
, I-METODE
ENN I-METODE
, I-METODE
SMOTE I-METODE
, O
dan O
Kombinasinya. O
Metode O
klasifikasi B-METODE
yang O
digunakan O
yaitu O
Random O
Forest O
dan O
XGboost. O
Hasil O
klasifikasi B-METODE
data O
imbalanced O
serta O
data O
balanced O
dan O
feature O
importance O
serta O
data O
keseluruhan O
yang O
memperlihatkan O
bahwa O
dengan B-TEMUAN
teknik I-TEMUAN
resampling I-TEMUAN
dan I-TEMUAN
metode I-TEMUAN
XGboost I-TEMUAN
dan I-TEMUAN
Random I-TEMUAN
Forest I-TEMUAN
mampu I-TEMUAN
menghasilkan I-TEMUAN
nilai I-TEMUAN
F1-score I-TEMUAN
dan I-TEMUAN
AUC I-TEMUAN
yang I-TEMUAN
meningkat I-TEMUAN
setelah I-TEMUAN
balancing I-TEMUAN
data I-TEMUAN
diterapkan. I-TEMUAN
Selanjutnya O
diperoleh O
hasil O
klasifikasi O
terbaik O
menggunakan O
feature O
importance O
dengan O
metode O
XGboost O
dan O
SMOTE-ENN. O
Kata O
Kunci— O
Desa O
Tertinggal O
, O
Imbalanced O
Data O
, O
Resampling O
, O
XGboost O
, O
Random O
Forest. O
[SEP] O
1. O
Model O
klasifikasi O
terbaik O
untuk O
data O
podes O
2014 O
menggunakan O
seluruh O
variabel O
dengan O
metode O
resampling O
dan O
kombinasinya O
memakai O
metode O
klasifikasi O
Random O
Forest O
dan O
XGboost O
didapatkan B-TEMUAN
model I-TEMUAN
klasifikasi I-TEMUAN
terbaik I-TEMUAN
yakni I-TEMUAN
menggunakan I-TEMUAN
XGboost I-TEMUAN
dengan I-TEMUAN
teknik I-TEMUAN
resampling I-TEMUAN
SMOTE I-TEMUAN
SMOTE O
, O
ENN O
, O
Tomek-link O
2. O
Model O
klasifikasi O
terbaik O
untuk O
data O
podes O
2014 O
menggunakan O
importance O
variabel O
dengan O
metode O
resampling O
dan O
kombinasinya O
memakai O
metode O
klasifikasi O
Random O
Forest O
dan O
XGboost O
didapatkan O
model O
klasifikasi O
terbaik O
yakni O
menggunakan O
XGboost O
dengan O
teknik O
resampling O
SMOTE-ENN. O
SMOTE O
, O
ENN O
, O
Tomek-link O
Gambar O
7. O
Nilai O
SHAP O
Perubahan O
Status O
Desa O
Tertinggal O
Menjadi O
Tidak O
Tertinggal O
2018-2020. O
3. O
Perbandingan O
Model O
klasifikasi O
terbaik O
menggunakan O
seluruh O
variabel O
dan O
hanya O
importance O
variabel O
terbaik O
yakni O
dengan O
didapatkan O
model O
yang O
menggunakan O
klasifikasi O
XGboost O
dengan O
teknik O
resampling O
SMOTE-ENN O
pada O
importance O
variabel O
karena O
memiliki O
nilai O
F1-score B-METODE
dan I-METODE
AUC I-METODE
yang O
lebih O
8 O
/ O
9 O
tinggi O
serta O
kedua O
model O
juga O
termasuk O
dalam O
good O
classification. O
4. O
Variabel O
mengklasifikasikan O
desa O
sebagai O
desa O
tertinggal O
yang O
mengakibatkan O
model O
gagal O
 O
Rasio O
tempat O
praktek O
bidan O
dengan O
jumlahpenduduk O
ijka O
rasionya O
lebih O
dari O
0.01 O
dan O
kurang O
dari O
0.1 O
 O
Rasio O
keluarga O
pengguna O
listrik O
dengan O
jumlah O
rumah O
tangga O
jika O
rasionya O
lebih O
dari O
81 O
 O
Rasio O
Pos O
Kesehatan O
Desa O
dengan O
jumlah O
penduduk O
jika O
nilai O
rasio O
kurang O
dari O
0.05 O
dan O
diatas O
0. O
 O
Rasio O
toko O
kelontong O
dengan O
jumlah O
 O
penduduk O
jika O
nilainya O
lebih O
dari O
0.5 O
Jarak O
kantor O
kepala O
desa O
/ O
lurah O
ke O
kantor O
camat O
per O
kilometer O
jika O
jarak O
kurang O
dari O
5 O
km O
5. O
Ditahun O
2020 O
jmlah O
desa O
yang O
mengalami O
status O
perubahan O
dari O
desa O
tertinggal O
di O
2018 O
menjadi O
desa O
tidak O
tertinggal O
di O
tahun O
2020 O
ada O
sebanyak O
67 O
desa O
, O
sedangkan O
perubahan O
desa O
tidak O
tertinggal O
menjadi O
tertinggal O
di O
2020 O
ada O
sebanyak O
25 O
desa O
Desa O
dengan O
perubahan O
dari O
desa O
tertinggal O
ke O
desa O
tidak O
tertinggal O
disebabkan O
oleh O
beberapa O
faktor O
diantaranya O
 O
Penurunan O
rasio O
tempat O
praktik O
bidan O
, O
 O
Kenaikan O
rasio O
keluarga O
pengguna O
listrik O
 O
Kenaikan O
rasio O
toko O
kelontong. O
Desa O
dengan O
perubahan O
dari O
desa O
tidak O
tertinggal O
ke O
desa O
tertinggal O
disebabkan O
oleh O
beberapa O
faktor O
diantaranya O
 O
Penurunan O
rasio O
pos O
kesehatan O
desa O
, O
 O
Penurunan O
rasio O
toko O
kelontong O
 O
Penambahan O
jarak O
kantor O
kepala O
desa O
/ O
lurah O
ke O
kantor O
camat O

Penerapan O
Metode O
Resampling O
Pada O
Klasifikasi O
Imbalanced O
Data O
Biner O
Status O
Ketertinggalan O
Desa O
Di O
Jawa O
Timur O
Hasran O
Nawira O
( O
221709732 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Sukim O
SST O
, O
M.Si O
Ringkasan— O
Kesenjangan O
pembangunan O
merupakan O
masalah O
yang O
masih O
perlu O
diperhatikan O
di O
Indonesia O
yang O
diperlihatkan O
dengan O
masih O
adanya O
desa O
tertinggal. O
Jawa O
Timur O
merupakan O
provinsi O
dengan O
jumlah O
desa O
terbanyak O
kedua O
di O
Indonesia O
dengan O
jumlah O
desa O
sebanyak O
8499 O
desa O
tahun O
2014. O
Penelitian O
ini O
bertujuan O
untuk O
mengklasifikasikan B-TUJUAN
desa I-TUJUAN
tertinggal I-TUJUAN
berdasarkan I-TUJUAN
lima I-TUJUAN
kabupaten I-TUJUAN
yang I-TUJUAN
memiliki I-TUJUAN
persentase I-TUJUAN
desa I-TUJUAN
tertinggal I-TUJUAN
tertinggi I-TUJUAN
di I-TUJUAN
Jawa I-TUJUAN
Timur I-TUJUAN
memakai I-TUJUAN
data I-TUJUAN
Potensi I-TUJUAN
Desa I-TUJUAN
2014 I-TUJUAN
, I-TUJUAN
jumlahnya I-TUJUAN
sebanyak I-TUJUAN
1122 I-TUJUAN
desa I-TUJUAN
, I-TUJUAN
116 I-TUJUAN
desa I-TUJUAN
termasuk I-TUJUAN
kategori I-TUJUAN
desa I-TUJUAN
tertinggal. I-TUJUAN
Komposisi O
data O
yang O
tidak O
seimbang O
( O
imbalanced O
) O
merupakan O
masalah O
ketika O
mengklasifikasikan O
data O
yang O
mengakibatkan O
prediksi O
menjadi O
tidak O
tepat O
, O
masalah O
ini O
bisa O
teratasi O
memakai O
teknik O
resampling O
data O
seperti B-METODE
Tomek I-METODE
Links I-METODE
, I-METODE
ENN I-METODE
, I-METODE
SMOTE I-METODE
, O
dan O
Kombinasinya. O
Metode O
klasifikasi B-METODE
yang O
digunakan O
yaitu O
Random O
Forest O
dan O
XGboost. O
Hasil O
klasifikasi B-METODE
data O
imbalanced O
serta O
data O
balanced O
dan O
feature O
importance O
serta O
data O
keseluruhan O
yang O
memperlihatkan O
bahwa O
dengan B-TEMUAN
teknik I-TEMUAN
resampling I-TEMUAN
dan I-TEMUAN
metode I-TEMUAN
XGboost I-TEMUAN
dan I-TEMUAN
Random I-TEMUAN
Forest I-TEMUAN
mampu I-TEMUAN
menghasilkan I-TEMUAN
nilai I-TEMUAN
F1-score I-TEMUAN
dan I-TEMUAN
AUC I-TEMUAN
yang I-TEMUAN
meningkat I-TEMUAN
setelah I-TEMUAN
balancing I-TEMUAN
data I-TEMUAN
diterapkan. I-TEMUAN
Selanjutnya O
diperoleh O
hasil O
klasifikasi O
terbaik O
menggunakan O
feature O
importance O
dengan O
metode O
XGboost O
dan O
SMOTE-ENN. O
Kata O
Kunci— O
Desa O
Tertinggal O
, O
Imbalanced O
Data O
, O
Resampling O
, O
XGboost O
, O
Random O
Forest. O
[SEP] O
1. O
Model O
klasifikasi O
terbaik O
untuk O
data O
podes O
2014 O
menggunakan O
seluruh O
variabel O
dengan O
metode O
resampling O
dan O
kombinasinya O
memakai O
metode O
klasifikasi O
Random O
Forest O
dan O
XGboost O
didapatkan B-TEMUAN
model I-TEMUAN
klasifikasi I-TEMUAN
terbaik I-TEMUAN
yakni I-TEMUAN
menggunakan I-TEMUAN
XGboost I-TEMUAN
dengan I-TEMUAN
teknik I-TEMUAN
resampling I-TEMUAN
SMOTE I-TEMUAN
SMOTE O
, O
ENN O
, O
Tomek-link O
2. O
Model O
klasifikasi O
terbaik O
untuk O
data O
podes O
2014 O
menggunakan O
importance O
variabel O
dengan O
metode O
resampling O
dan O
kombinasinya O
memakai O
metode O
klasifikasi O
Random O
Forest O
dan O
XGboost O
didapatkan O
model O
klasifikasi O
terbaik O
yakni O
menggunakan O
XGboost O
dengan O
teknik O
resampling O
SMOTE-ENN. O
SMOTE O
, O
ENN O
, O
Tomek-link O
Gambar O
7. O
Nilai O
SHAP O
Perubahan O
Status O
Desa O
Tertinggal O
Menjadi O
Tidak O
Tertinggal O
2018-2020. O
3. O
Perbandingan O
Model O
klasifikasi O
terbaik O
menggunakan O
seluruh O
variabel O
dan O
hanya O
importance O
variabel O
terbaik O
yakni O
dengan O
didapatkan O
model O
yang O
menggunakan O
klasifikasi O
XGboost O
dengan O
teknik O
resampling O
SMOTE-ENN O
pada O
importance O
variabel O
karena O
memiliki O
nilai O
F1-score B-METODE
dan I-METODE
AUC I-METODE
yang O
lebih O
8 O
/ O
9 O
tinggi O
serta O
kedua O
model O
juga O
termasuk O
dalam O
good O
classification. O
4. O
Variabel O
mengklasifikasikan O
desa O
sebagai O
desa O
tertinggal O
yang O
mengakibatkan O
model O
gagal O
 O
Rasio O
tempat O
praktek O
bidan O
dengan O
jumlahpenduduk O
ijka O
rasionya O
lebih O
dari O
0.01 O
dan O
kurang O
dari O
0.1 O
 O
Rasio O
keluarga O
pengguna O
listrik O
dengan O
jumlah O
rumah O
tangga O
jika O
rasionya O
lebih O
dari O
81 O
 O
Rasio O
Pos O
Kesehatan O
Desa O
dengan O
jumlah O
penduduk O
jika O
nilai O
rasio O
kurang O
dari O
0.05 O
dan O
diatas O
0. O
 O
Rasio O
toko O
kelontong O
dengan O
jumlah O
 O
penduduk O
jika O
nilainya O
lebih O
dari O
0.5 O
Jarak O
kantor O
kepala O
desa O
/ O
lurah O
ke O
kantor O
camat O
per O
kilometer O
jika O
jarak O
kurang O
dari O
5 O
km O
5. O
Ditahun O
2020 O
jmlah O
desa O
yang O
mengalami O
status O
perubahan O
dari O
desa O
tertinggal O
di O
2018 O
menjadi O
desa O
tidak O
tertinggal O
di O
tahun O
2020 O
ada O
sebanyak O
67 O
desa O
, O
sedangkan O
perubahan O
desa O
tidak O
tertinggal O
menjadi O
tertinggal O
di O
2020 O
ada O
sebanyak O
25 O
desa O
Desa O
dengan O
perubahan O
dari O
desa O
tertinggal O
ke O
desa O
tidak O
tertinggal O
disebabkan O
oleh O
beberapa O
faktor O
diantaranya O
 O
Penurunan O
rasio O
tempat O
praktik O
bidan O
, O
 O
Kenaikan O
rasio O
keluarga O
pengguna O
listrik O
 O
Kenaikan O
rasio O
toko O
kelontong. O
Desa O
dengan O
perubahan O
dari O
desa O
tidak O
tertinggal O
ke O
desa O
tertinggal O
disebabkan O
oleh O
beberapa O
faktor O
diantaranya O
 O
Penurunan O
rasio O
pos O
kesehatan O
desa O
, O
 O
Penurunan O
rasio O
toko O
kelontong O
 O
Penambahan O
jarak O
kantor O
kepala O
desa O
/ O
lurah O
ke O
kantor O
camat O

Implementasi O
Pengenalan O
Tulisan O
Tangan O
Pada O
Entri O
Data O
Survei O
Angkatan O
Kerja O
Nasional O
( O
SAKERNAS O
) O
Yusron O
Farid O
Mustafa O
( O
221710082 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Penggunaan O
Paper O
and O
Pencil O
Interviewing O
( O
PAPI O
) O
di O
BPS O
memerlukan O
kegiatan O
entri O
data O
secara O
manual O
yang O
tidak O
lepas O
dari O
kemampuan O
manusia O
untuk O
mengenali O
tulisan O
tangan. O
Bagi O
komputer O
, O
pengenalan O
tulisan O
tangan O
merupakan O
pekerjaan O
yang O
rumit O
sehingga O
memerlukan O
algoritme O
yang O
kompleks. O
Convolutional O
Neural O
Network O
( O
CNN O
) O
merupakan O
algoritme O
yang O
dapat O
mengakomodasi O
kompleksitas O
pengenalan O
tulisan O
tangan. O
Penelitian O
ini O
bermaksud O
untuk O
melakukan B-TUJUAN
kajian I-TUJUAN
mengenai I-TUJUAN
implementasi I-TUJUAN
model I-TUJUAN
pengenalan I-TUJUAN
tulisan I-TUJUAN
tangan I-TUJUAN
menggunakan I-TUJUAN
CNN I-TUJUAN
dalam I-TUJUAN
mengenali I-TUJUAN
tulisan I-TUJUAN
tangan I-TUJUAN
pada I-TUJUAN
kegiatan I-TUJUAN
entri I-TUJUAN
data I-TUJUAN
kuesioner I-TUJUAN
PAPI. I-TUJUAN
Model O
pengenalan O
tulisan O
tangan O
dibangun O
menggunakan O
dataset O
EMNIST O
secara O
terpisah O
sesuai O
jenis O
karakter O
dan O
memberikan O
akurasi B-METODE
89 O
% O
untuk O
karakter O
berupa O
huruf O
dan O
angka O
, O
95 O
% O
untuk O
karakter O
berupa O
huruf O
, O
dan O
99 O
% O
untuk O
karakter O
berupa O
angka. O
Implementasi O
pengenalan O
tulisan O
tangan O
pada O
image O
kuesioner O
menunjukkan O
hasil O
yang O
cukup O
baik O
dengan O
akurasi O
83,33 O
% O
. O
Namun O
, O
terdapat O
temuan O
masalah O
pada O
proses O
segmentasi O
karakter O
dimana O
karakter O
tidak O
tersegmentasi O
secara O
benar O
dikarenakan O
garis O
tulisan O
yang O
bersambung O
pada O
karakter O
yang O
seharusnya O
terpisah O
dan O
karakter O
yang O
terputus O
padahal O
seharusnya O
tergabung. O
Hasil O
kajian O
yang O
didapat O
diharapkan O
dapat O
menjadi O
pertimbangan O
mengenai O
metode O
entri O
data O
yang O
digunakan O
BPS O
selanjutnya. O
Kata O
Kunci— O
Pengenalan O
Tulisan O
Tangan O
, O
Convolutional O
Neural O
Network O
, O
Entri O
Data. O
[SEP] O
Telah B-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
tiga I-TEMUAN
model I-TEMUAN
pengenalan I-TEMUAN
tulisan I-TEMUAN
tangan I-TEMUAN
menggunakan I-TEMUAN
CNN I-TEMUAN
untuk I-TEMUAN
mengenali I-TEMUAN
isian I-TEMUAN
pada I-TEMUAN
kuesioner I-TEMUAN
SAKERNAS I-TEMUAN
2020. I-TEMUAN
Saat I-TEMUAN
akurasi I-TEMUAN
model I-TEMUAN
di I-TEMUAN
tes I-TEMUAN
menggunakan I-TEMUAN
data I-TEMUAN
uji I-TEMUAN
EMNIST I-TEMUAN
, I-TEMUAN
model I-TEMUAN
untuk I-TEMUAN
mengenali I-TEMUAN
isian I-TEMUAN
huruf I-TEMUAN
mempunyai I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
95 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
model I-TEMUAN
untuk I-TEMUAN
mengenali I-TEMUAN
isian I-TEMUAN
angka I-TEMUAN
mempunyai I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
99 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
model I-TEMUAN
untuk I-TEMUAN
mengenali I-TEMUAN
isian I-TEMUAN
baik I-TEMUAN
huruf I-TEMUAN
maupun I-TEMUAN
angka I-TEMUAN
mempunyai I-TEMUAN
akurasi I-TEMUAN
89 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Saat O
model O
diimplementasikan O
pada O
image O
kuesioner O
, O
hasil O
pengenalan O
karakter O
yang O
dihasilkan O
sudah O
cukup O
akurat O
yaitu O
sebesar O
83.33 O
% O
. O
Pada O
proses O
segmentasi O
karakter O
, O
secara O
keseluruhan O
didapatkan O
akurasi O
sebesar O
82.85 O
% O
. O
Pada O
isian O
terbuka O
, O
terdapat O
temuan O
pada O
proses O
segmentasi O
dimana O
beberapa O
karakter O
yang O
seharusnya O
terpisah O
tergabung O
menjadi O
satu O
karakter O
karena O
garis O
tulisan O
antar O
karakter-karakter O
tersebut O
menyatu O
atau O
tidak O
memiliki O
ruang O
kosong O
sebagai O
pemisahnya O
sehingga O
akurasi O
yang O
didapatkan O
sebesar O
75.76 O
% O
. O
Sedangkan O
pada O
isian O
tertutup O
, O
proses O
segmentasi O
terkendala O
pada O
karakter O
yang O
terputus O
sehingga O
didapatkan O
akurasi O
97.32 O
% O
. O
Selain O
itu O
, O
hal O
tersebut O
dapat O
dikarenakan O
parameter O
image O
preprocessing O
yang O
kurang O
baik O
atau O
kualitas O
input O
image O
yang O
buruk. O
Oleh O
karena O
itu O
, O
perlu O
diperhatikan O
pula O
mengenai O
perangkat O
yang O
digunakan O
untuk O
proses O
scanning O
kuesioner O
dan O
kondisi O
dari O
kuesioner O
yang O
digunakan. O

Implementasi O
Pengenalan O
Tulisan O
Tangan O
Pada O
Entri O
Data O
Survei O
Angkatan O
Kerja O
Nasional O
( O
SAKERNAS O
) O
Yusron O
Farid O
Mustafa O
( O
221710082 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Penggunaan O
Paper O
and O
Pencil O
Interviewing O
( O
PAPI O
) O
di O
BPS O
memerlukan O
kegiatan O
entri O
data O
secara O
manual O
yang O
tidak O
lepas O
dari O
kemampuan O
manusia O
untuk O
mengenali O
tulisan O
tangan. O
Bagi O
komputer O
, O
pengenalan O
tulisan O
tangan O
merupakan O
pekerjaan O
yang O
rumit O
sehingga O
memerlukan O
algoritme O
yang O
kompleks. O
Convolutional O
Neural O
Network O
( O
CNN O
) O
merupakan O
algoritme O
yang O
dapat O
mengakomodasi O
kompleksitas O
pengenalan O
tulisan O
tangan. O
Penelitian O
ini O
bermaksud O
untuk O
melakukan B-TUJUAN
kajian I-TUJUAN
mengenai I-TUJUAN
implementasi I-TUJUAN
model I-TUJUAN
pengenalan I-TUJUAN
tulisan I-TUJUAN
tangan I-TUJUAN
menggunakan I-TUJUAN
CNN I-TUJUAN
dalam I-TUJUAN
mengenali I-TUJUAN
tulisan I-TUJUAN
tangan I-TUJUAN
pada I-TUJUAN
kegiatan I-TUJUAN
entri I-TUJUAN
data I-TUJUAN
kuesioner I-TUJUAN
PAPI. I-TUJUAN
Model O
pengenalan O
tulisan O
tangan O
dibangun O
menggunakan O
dataset O
EMNIST O
secara O
terpisah O
sesuai O
jenis O
karakter O
dan O
memberikan O
akurasi B-METODE
89 O
% O
untuk O
karakter O
berupa O
huruf O
dan O
angka O
, O
95 O
% O
untuk O
karakter O
berupa O
huruf O
, O
dan O
99 O
% O
untuk O
karakter O
berupa O
angka. O
Implementasi O
pengenalan O
tulisan O
tangan O
pada O
image O
kuesioner O
menunjukkan O
hasil O
yang O
cukup O
baik O
dengan O
akurasi O
83,33 O
% O
. O
Namun O
, O
terdapat O
temuan O
masalah O
pada O
proses O
segmentasi O
karakter O
dimana O
karakter O
tidak O
tersegmentasi O
secara O
benar O
dikarenakan O
garis O
tulisan O
yang O
bersambung O
pada O
karakter O
yang O
seharusnya O
terpisah O
dan O
karakter O
yang O
terputus O
padahal O
seharusnya O
tergabung. O
Hasil O
kajian O
yang O
didapat O
diharapkan O
dapat O
menjadi O
pertimbangan O
mengenai O
metode O
entri O
data O
yang O
digunakan O
BPS O
selanjutnya. O
Kata O
Kunci— O
Pengenalan O
Tulisan O
Tangan O
, O
Convolutional O
Neural O
Network O
, O
Entri O
Data. O
[SEP] O
Telah B-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
tiga I-TEMUAN
model I-TEMUAN
pengenalan I-TEMUAN
tulisan I-TEMUAN
tangan I-TEMUAN
menggunakan I-TEMUAN
CNN I-TEMUAN
untuk I-TEMUAN
mengenali I-TEMUAN
isian I-TEMUAN
pada I-TEMUAN
kuesioner I-TEMUAN
SAKERNAS I-TEMUAN
2020. I-TEMUAN
Saat I-TEMUAN
akurasi I-TEMUAN
model I-TEMUAN
di I-TEMUAN
tes I-TEMUAN
menggunakan I-TEMUAN
data I-TEMUAN
uji I-TEMUAN
EMNIST I-TEMUAN
, I-TEMUAN
model I-TEMUAN
untuk I-TEMUAN
mengenali I-TEMUAN
isian I-TEMUAN
huruf I-TEMUAN
mempunyai I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
95 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
model I-TEMUAN
untuk I-TEMUAN
mengenali I-TEMUAN
isian I-TEMUAN
angka I-TEMUAN
mempunyai I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
99 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
model I-TEMUAN
untuk I-TEMUAN
mengenali I-TEMUAN
isian I-TEMUAN
baik I-TEMUAN
huruf I-TEMUAN
maupun I-TEMUAN
angka I-TEMUAN
mempunyai I-TEMUAN
akurasi I-TEMUAN
89 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Saat O
model O
diimplementasikan O
pada O
image O
kuesioner O
, O
hasil O
pengenalan O
karakter O
yang O
dihasilkan O
sudah O
cukup O
akurat O
yaitu O
sebesar O
83.33 O
% O
. O
Pada O
proses O
segmentasi O
karakter O
, O
secara O
keseluruhan O
didapatkan O
akurasi O
sebesar O
82.85 O
% O
. O
Pada O
isian O
terbuka O
, O
terdapat O
temuan O
pada O
proses O
segmentasi O
dimana O
beberapa O
karakter O
yang O
seharusnya O
terpisah O
tergabung O
menjadi O
satu O
karakter O
karena O
garis O
tulisan O
antar O
karakter-karakter O
tersebut O
menyatu O
atau O
tidak O
memiliki O
ruang O
kosong O
sebagai O
pemisahnya O
sehingga O
akurasi O
yang O
didapatkan O
sebesar O
75.76 O
% O
. O
Sedangkan O
pada O
isian O
tertutup O
, O
proses O
segmentasi O
terkendala O
pada O
karakter O
yang O
terputus O
sehingga O
didapatkan O
akurasi O
97.32 O
% O
. O
Selain O
itu O
, O
hal O
tersebut O
dapat O
dikarenakan O
parameter O
image O
preprocessing O
yang O
kurang O
baik O
atau O
kualitas O
input O
image O
yang O
buruk. O
Oleh O
karena O
itu O
, O
perlu O
diperhatikan O
pula O
mengenai O
perangkat O
yang O
digunakan O
untuk O
proses O
scanning O
kuesioner O
dan O
kondisi O
dari O
kuesioner O
yang O
digunakan. O

Implementasi O
Pengenalan O
Tulisan O
Tangan O
Pada O
Entri O
Data O
Survei O
Angkatan O
Kerja O
Nasional O
( O
SAKERNAS O
) O
Yusron O
Farid O
Mustafa O
( O
221710082 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Penggunaan O
Paper O
and O
Pencil O
Interviewing O
( O
PAPI O
) O
di O
BPS O
memerlukan O
kegiatan O
entri O
data O
secara O
manual O
yang O
tidak O
lepas O
dari O
kemampuan O
manusia O
untuk O
mengenali O
tulisan O
tangan. O
Bagi O
komputer O
, O
pengenalan O
tulisan O
tangan O
merupakan O
pekerjaan O
yang O
rumit O
sehingga O
memerlukan O
algoritme O
yang O
kompleks. O
Convolutional O
Neural O
Network O
( O
CNN O
) O
merupakan O
algoritme O
yang O
dapat O
mengakomodasi O
kompleksitas O
pengenalan O
tulisan O
tangan. O
Penelitian O
ini O
bermaksud O
untuk O
melakukan B-TUJUAN
kajian I-TUJUAN
mengenai I-TUJUAN
implementasi I-TUJUAN
model I-TUJUAN
pengenalan I-TUJUAN
tulisan I-TUJUAN
tangan I-TUJUAN
menggunakan I-TUJUAN
CNN I-TUJUAN
dalam I-TUJUAN
mengenali I-TUJUAN
tulisan I-TUJUAN
tangan I-TUJUAN
pada I-TUJUAN
kegiatan I-TUJUAN
entri I-TUJUAN
data I-TUJUAN
kuesioner I-TUJUAN
PAPI. I-TUJUAN
Model O
pengenalan O
tulisan O
tangan O
dibangun O
menggunakan O
dataset O
EMNIST O
secara O
terpisah O
sesuai O
jenis O
karakter O
dan O
memberikan O
akurasi B-METODE
89 O
% O
untuk O
karakter O
berupa O
huruf O
dan O
angka O
, O
95 O
% O
untuk O
karakter O
berupa O
huruf O
, O
dan O
99 O
% O
untuk O
karakter O
berupa O
angka. O
Implementasi O
pengenalan O
tulisan O
tangan O
pada O
image O
kuesioner O
menunjukkan O
hasil O
yang O
cukup O
baik O
dengan O
akurasi O
83,33 O
% O
. O
Namun O
, O
terdapat O
temuan O
masalah O
pada O
proses O
segmentasi O
karakter O
dimana O
karakter O
tidak O
tersegmentasi O
secara O
benar O
dikarenakan O
garis O
tulisan O
yang O
bersambung O
pada O
karakter O
yang O
seharusnya O
terpisah O
dan O
karakter O
yang O
terputus O
padahal O
seharusnya O
tergabung. O
Hasil O
kajian O
yang O
didapat O
diharapkan O
dapat O
menjadi O
pertimbangan O
mengenai O
metode O
entri O
data O
yang O
digunakan O
BPS O
selanjutnya. O
Kata O
Kunci— O
Pengenalan O
Tulisan O
Tangan O
, O
Convolutional O
Neural O
Network O
, O
Entri O
Data. O
[SEP] O
Telah B-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
tiga I-TEMUAN
model I-TEMUAN
pengenalan I-TEMUAN
tulisan I-TEMUAN
tangan I-TEMUAN
menggunakan I-TEMUAN
CNN I-TEMUAN
untuk I-TEMUAN
mengenali I-TEMUAN
isian I-TEMUAN
pada I-TEMUAN
kuesioner I-TEMUAN
SAKERNAS I-TEMUAN
2020. I-TEMUAN
Saat I-TEMUAN
akurasi I-TEMUAN
model I-TEMUAN
di I-TEMUAN
tes I-TEMUAN
menggunakan I-TEMUAN
data I-TEMUAN
uji I-TEMUAN
EMNIST I-TEMUAN
, I-TEMUAN
model I-TEMUAN
untuk I-TEMUAN
mengenali I-TEMUAN
isian I-TEMUAN
huruf I-TEMUAN
mempunyai I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
95 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
model I-TEMUAN
untuk I-TEMUAN
mengenali I-TEMUAN
isian I-TEMUAN
angka I-TEMUAN
mempunyai I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
99 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
model I-TEMUAN
untuk I-TEMUAN
mengenali I-TEMUAN
isian I-TEMUAN
baik I-TEMUAN
huruf I-TEMUAN
maupun I-TEMUAN
angka I-TEMUAN
mempunyai I-TEMUAN
akurasi I-TEMUAN
89 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Saat O
model O
diimplementasikan O
pada O
image O
kuesioner O
, O
hasil O
pengenalan O
karakter O
yang O
dihasilkan O
sudah O
cukup O
akurat O
yaitu O
sebesar O
83.33 O
% O
. O
Pada O
proses O
segmentasi O
karakter O
, O
secara O
keseluruhan O
didapatkan O
akurasi O
sebesar O
82.85 O
% O
. O
Pada O
isian O
terbuka O
, O
terdapat O
temuan O
pada O
proses O
segmentasi O
dimana O
beberapa O
karakter O
yang O
seharusnya O
terpisah O
tergabung O
menjadi O
satu O
karakter O
karena O
garis O
tulisan O
antar O
karakter-karakter O
tersebut O
menyatu O
atau O
tidak O
memiliki O
ruang O
kosong O
sebagai O
pemisahnya O
sehingga O
akurasi O
yang O
didapatkan O
sebesar O
75.76 O
% O
. O
Sedangkan O
pada O
isian O
tertutup O
, O
proses O
segmentasi O
terkendala O
pada O
karakter O
yang O
terputus O
sehingga O
didapatkan O
akurasi O
97.32 O
% O
. O
Selain O
itu O
, O
hal O
tersebut O
dapat O
dikarenakan O
parameter O
image O
preprocessing O
yang O
kurang O
baik O
atau O
kualitas O
input O
image O
yang O
buruk. O
Oleh O
karena O
itu O
, O
perlu O
diperhatikan O
pula O
mengenai O
perangkat O
yang O
digunakan O
untuk O
proses O
scanning O
kuesioner O
dan O
kondisi O
dari O
kuesioner O
yang O
digunakan. O

Perkebunan O
Kelapa O
Sawit O
di O
Indonesia O
Menggunakan O
Citra O
Satelit O
Optik O
Sentinel-2 O
dan O
Landsat-8 O
Studi O
Kasus O
: O
Kabupaten O
Rokan O
Hulu O
, O
Provinsi O
Riau O
Yunita O
Nurmasari O
( O
221710079 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
, O
SST. O
, O
MT. O
kelapa O
perkebunan O
Ringkasan— O
Sebagai O
produsen O
minyak O
sawit O
terbesar O
di O
lebih O
banyak O
dunia O
, O
Indonesia O
menyediakan O
pasokan O
global O
daripada O
gabungan O
seluruh O
negara-negara O
lain. O
Oleh O
karena O
itu O
, O
Indonesia O
membutuhkan O
informasi O
yang O
akurat O
dan O
andal O
dalam O
memantau O
sawit. O
Metode O
penginderaan O
jauh O
merupakan O
salah O
satu O
pendekatan O
yang O
menjanjikan O
dikarenakan O
efisiensi O
sumber O
dayanya O
dalam O
hal O
tenaga O
, O
biaya O
, O
dan O
waktu O
dibandingkan O
dengan O
survei O
konvensional. O
Penelitian O
ini O
bertujuan O
mendeteksi B-TUJUAN
perkebunan I-TUJUAN
kelapa I-TUJUAN
sawit I-TUJUAN
melalui I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
multispektral I-TUJUAN
di I-TUJUAN
Kabupaten I-TUJUAN
Rokan I-TUJUAN
Hulu I-TUJUAN
, I-TUJUAN
Riau I-TUJUAN
, I-TUJUAN
salah I-TUJUAN
satu I-TUJUAN
produsen I-TUJUAN
minyak I-TUJUAN
sawit I-TUJUAN
terbesar I-TUJUAN
di I-TUJUAN
Indonesia. I-TUJUAN
Data O
diambil O
dari O
dua O
satelit B-METODE
optik I-METODE
beresolusi I-METODE
menengah I-METODE
Sentinel-2 I-METODE
dan I-METODE
Landsat-8 I-METODE
yang O
terdiri O
dari O
1.800 O
titik O
yang O
diklasifikasikan O
ke O
dalam O
6 O
kelas O
tutupan O
lahan. O
Penelitian O
ini O
membandingkan O
performa O
metode O
klasifikasi B-METODE
machine O
learning O
Random O
Forest O
, O
serta O
deep O
learning O
arsitektur O
Multi O
Layer O
Perceptron O
( O
MLP O
) O
dan O
Convolutional O
Neural O
Network O
( O
CNN O
) O
. O
Dengan O
penggunaan O
pita O
multispektral O
dan O
indeks O
diperoleh O
komposit O
pengklasifikasi O
92 O
% O
. O
Penelitian O
ini O
bermanfaat O
bagi O
pemerintah O
dalam O
membantu O
menyediakan O
data O
pendukung O
statistik O
perkebunan O
yang O
lebih O
efisien. O
antarkelas O
, O
akurasi O
mencapai O
sebagai O
terbaik O
dengan O
penciri O
fitur O
Kata O
Kunci— O
Penginderaan O
jauh O
, O
kelapa O
sawit O
, O
Random O
Forest O
, O
Multi O
Layer O
Perceptron O
, O
Convolutional O
Neural O
Network. O
[SEP] O
3,1E20 O
2,6E20 O
8,9E22 O
7,5E22 O
0,3103 O
0,3112 O
A. O
Kesimpulan O

Perkebunan O
Kelapa O
Sawit O
di O
Indonesia O
Menggunakan O
Citra O
Satelit O
Optik O
Sentinel-2 O
dan O
Landsat-8 O
Studi O
Kasus O
: O
Kabupaten O
Rokan O
Hulu O
, O
Provinsi O
Riau O
Yunita O
Nurmasari O
( O
221710079 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
, O
SST. O
, O
MT. O
kelapa O
perkebunan O
Ringkasan— O
Sebagai O
produsen O
minyak O
sawit O
terbesar O
di O
lebih O
banyak O
dunia O
, O
Indonesia O
menyediakan O
pasokan O
global O
daripada O
gabungan O
seluruh O
negara-negara O
lain. O
Oleh O
karena O
itu O
, O
Indonesia O
membutuhkan O
informasi O
yang O
akurat O
dan O
andal O
dalam O
memantau O
sawit. O
Metode O
penginderaan O
jauh O
merupakan O
salah O
satu O
pendekatan O
yang O
menjanjikan O
dikarenakan O
efisiensi O
sumber O
dayanya O
dalam O
hal O
tenaga O
, O
biaya O
, O
dan O
waktu O
dibandingkan O
dengan O
survei O
konvensional. O
Penelitian O
ini O
bertujuan O
mendeteksi B-TUJUAN
perkebunan I-TUJUAN
kelapa I-TUJUAN
sawit I-TUJUAN
melalui I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
multispektral I-TUJUAN
di I-TUJUAN
Kabupaten I-TUJUAN
Rokan I-TUJUAN
Hulu I-TUJUAN
, I-TUJUAN
Riau I-TUJUAN
, I-TUJUAN
salah I-TUJUAN
satu I-TUJUAN
produsen I-TUJUAN
minyak I-TUJUAN
sawit I-TUJUAN
terbesar I-TUJUAN
di I-TUJUAN
Indonesia. I-TUJUAN
Data O
diambil O
dari O
dua O
satelit B-METODE
optik I-METODE
beresolusi I-METODE
menengah I-METODE
Sentinel-2 I-METODE
dan I-METODE
Landsat-8 I-METODE
yang O
terdiri O
dari O
1.800 O
titik O
yang O
diklasifikasikan O
ke O
dalam O
6 O
kelas O
tutupan O
lahan. O
Penelitian O
ini O
membandingkan O
performa O
metode O
klasifikasi B-METODE
machine O
learning O
Random O
Forest O
, O
serta O
deep O
learning O
arsitektur O
Multi O
Layer O
Perceptron O
( O
MLP O
) O
dan O
Convolutional O
Neural O
Network O
( O
CNN O
) O
. O
Dengan O
penggunaan O
pita O
multispektral O
dan O
indeks O
diperoleh O
komposit O
pengklasifikasi O
92 O
% O
. O
Penelitian O
ini O
bermanfaat O
bagi O
pemerintah O
dalam O
membantu O
menyediakan O
data O
pendukung O
statistik O
perkebunan O
yang O
lebih O
efisien. O
antarkelas O
, O
akurasi O
mencapai O
sebagai O
terbaik O
dengan O
penciri O
fitur O
Kata O
Kunci— O
Penginderaan O
jauh O
, O
kelapa O
sawit O
, O
Random O
Forest O
, O
Multi O
Layer O
Perceptron O
, O
Convolutional O
Neural O
Network. O
[SEP] O
3,1E20 O
2,6E20 O
8,9E22 O
7,5E22 O
0,3103 O
0,3112 O
A. O
Kesimpulan O

Perkebunan O
Kelapa O
Sawit O
di O
Indonesia O
Menggunakan O
Citra O
Satelit O
Optik O
Sentinel-2 O
dan O
Landsat-8 O
Studi O
Kasus O
: O
Kabupaten O
Rokan O
Hulu O
, O
Provinsi O
Riau O
Yunita O
Nurmasari O
( O
221710079 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
, O
SST. O
, O
MT. O
kelapa O
perkebunan O
Ringkasan— O
Sebagai O
produsen O
minyak O
sawit O
terbesar O
di O
lebih O
banyak O
dunia O
, O
Indonesia O
menyediakan O
pasokan O
global O
daripada O
gabungan O
seluruh O
negara-negara O
lain. O
Oleh O
karena O
itu O
, O
Indonesia O
membutuhkan O
informasi O
yang O
akurat O
dan O
andal O
dalam O
memantau O
sawit. O
Metode O
penginderaan O
jauh O
merupakan O
salah O
satu O
pendekatan O
yang O
menjanjikan O
dikarenakan O
efisiensi O
sumber O
dayanya O
dalam O
hal O
tenaga O
, O
biaya O
, O
dan O
waktu O
dibandingkan O
dengan O
survei O
konvensional. O
Penelitian O
ini O
bertujuan O
mendeteksi B-TUJUAN
perkebunan I-TUJUAN
kelapa I-TUJUAN
sawit I-TUJUAN
melalui I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
multispektral I-TUJUAN
di I-TUJUAN
Kabupaten I-TUJUAN
Rokan I-TUJUAN
Hulu I-TUJUAN
, I-TUJUAN
Riau I-TUJUAN
, I-TUJUAN
salah I-TUJUAN
satu I-TUJUAN
produsen I-TUJUAN
minyak I-TUJUAN
sawit I-TUJUAN
terbesar I-TUJUAN
di I-TUJUAN
Indonesia. I-TUJUAN
Data O
diambil O
dari O
dua O
satelit B-METODE
optik I-METODE
beresolusi I-METODE
menengah I-METODE
Sentinel-2 I-METODE
dan I-METODE
Landsat-8 I-METODE
yang O
terdiri O
dari O
1.800 O
titik O
yang O
diklasifikasikan O
ke O
dalam O
6 O
kelas O
tutupan O
lahan. O
Penelitian O
ini O
membandingkan O
performa O
metode O
klasifikasi B-METODE
machine O
learning O
Random O
Forest O
, O
serta O
deep O
learning O
arsitektur O
Multi O
Layer O
Perceptron O
( O
MLP O
) O
dan O
Convolutional O
Neural O
Network O
( O
CNN O
) O
. O
Dengan O
penggunaan O
pita O
multispektral O
dan O
indeks O
diperoleh O
komposit O
pengklasifikasi O
92 O
% O
. O
Penelitian O
ini O
bermanfaat O
bagi O
pemerintah O
dalam O
membantu O
menyediakan O
data O
pendukung O
statistik O
perkebunan O
yang O
lebih O
efisien. O
antarkelas O
, O
akurasi O
mencapai O
sebagai O
terbaik O
dengan O
penciri O
fitur O
Kata O
Kunci— O
Penginderaan O
jauh O
, O
kelapa O
sawit O
, O
Random O
Forest O
, O
Multi O
Layer O
Perceptron O
, O
Convolutional O
Neural O
Network. O
[SEP] O
3,1E20 O
2,6E20 O
8,9E22 O
7,5E22 O
0,3103 O
0,3112 O
A. O
Kesimpulan O

Penerapan O
Data-Driven O
Untuk O
Pengelompokkan O
Rumah O
Tangga O
Miskin O
di O
D.I. O
Yogyakarta O
Tahun O
2019 O
Yanuar O
Krisna O
Pamuja O
( O
221710064 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Takdir O
, O
S.ST. O
, O
M.T. O
Ringkasan—Pengolahan O
data O
secara O
objektif O
( O
Data-driven O
) O
dapat O
dimanfaatkan O
untuk O
mengukur O
tingkat O
kemiskinan O
rumah O
tangga O
dengan O
berbasiskan O
data O
Susenas O
Kor. O
Peneliti O
mencoba O
untuk O
mengelompokkan B-TUJUAN
rumah I-TUJUAN
tangga I-TUJUAN
berdasarkan I-TUJUAN
keadaan I-TUJUAN
sosial I-TUJUAN
ekonominya I-TUJUAN
dengan I-TUJUAN
melakukan I-TUJUAN
teknik I-TUJUAN
data I-TUJUAN
mining I-TUJUAN
yaitu I-TUJUAN
metode I-TUJUAN
clustering I-TUJUAN
menggunakan I-TUJUAN
K-prototype I-TUJUAN
serta O
dilakukan O
seleksi O
atribut O
untuk O
menemukan O
atribut O
yang O
paling O
relevan O
dan O
berpengaruh O
terhadap O
proses O
clustering B-METODE
menggunakan O
algoritma O
Unsupervised O
Spectral O
Features O
Selection O
Method O
( O
USFSM O
) O
. O
Dari O
proses O
seleksi O
atribut O
, O
dari O
356 O
atribut O
terseleksi O
analisis B-METODE
klaster I-METODE
46 O
atribut O
yang O
paling O
relevan. O
menunjukkan O
terbentuknya B-TEMUAN
dua I-TEMUAN
klaster I-TEMUAN
yang I-TEMUAN
terdiri I-TEMUAN
dari I-TEMUAN
889 I-TEMUAN
rumah I-TEMUAN
tangga I-TEMUAN
miskin I-TEMUAN
dan I-TEMUAN
2845 I-TEMUAN
rumah I-TEMUAN
tangga I-TEMUAN
tidak I-TEMUAN
miskin. I-TEMUAN
Karena O
jumlah O
kelompok O
dan O
klasifikasi O
kemiskinan O
dari O
BPS O
sama O
, O
maka O
dapat O
diukur O
akurasi O
dari O
proses O
clustering O
yaitu O
sama O
sebesar O
77,21 O
% O
atau O
2883 O
rumah O
pengklasifikasiannya O
. O
tangga O
yang O
Hasil O
Kata O
Kunci— O
Data-driven O
, O
kemiskinan O
, O
clustering O
, O
seleksi O
atribut. O
[SEP] O
Berdasarkan O
penelitian O
yang O
sudah O
dilakukan O
, O
kombinasi O
dari O
algoritma O
USFSM O
dan O
metode O
K-prototype O
dalam O
mengelompokkan O
objek O
berdasarkan O
kemiripannya O
( O
clustering O
) O
sudah O
cukup O
baik. O
Dataset O
ujicoba O
menunjukkan O
ACC O
mengalami O
kenaikan O
nilai O
jika O
USFSM O
diterapkan O
sebagai O
preprocessing O
datanya O
sebelum O
dilakukan O
proses O
clustering. B-METODE
USFSM O
dengan O
pengambilan O
sampel O
acak O
diterapkan O
untuk O
menemukan O
fitur O
relevan O
dari O
data O
Susenas O
yang O
selanjutnya O
akan O
dilakukan O
teknik O
data O
mining O
sesuai O
dengan O
metode O
penelitian O
yang O
sudah O
dibuat. O
Kesimpulan O
yang O
dapat O
diambil O
dari O
penelitian O
ini O
antara O
lain O
bahwa O
hasil B-TEMUAN
simulasi I-TEMUAN
seleksi I-TEMUAN
atribut I-TEMUAN
menggunakan I-TEMUAN
algoritma I-TEMUAN
USFSM I-TEMUAN
terpilih I-TEMUAN
46 I-TEMUAN
atribut I-TEMUAN
relevan I-TEMUAN
dari I-TEMUAN
total I-TEMUAN
356 I-TEMUAN
atribut. I-TEMUAN
Atribut O
tersebut O
terpilih O
juga O
karena O
hasil O
evaluasi O
menggunakan O
CVC O
dan O
total O
cost O
untuk O
tiap O
percobaan O
seleksi O
atributnya. O
Kemudian O
ditentukan O
jumlah O
klaster O
yang O
akan O
digunakan O
yaitu O
sebanyak O
2 O
klaster O
berdasarkan O
metode O
k-elbow. O
Dimana O
dari O
hasil O
algoritma O
K-prototype O
untuk O
proses O
clustering O
dapat O
terbentuk O
klaster O
pertama O
berisi O
889 O
rumah O
tangga O
yang O
bisa O
dikategorikan O
miskin O
dan O
2845 O
rumah O
tangga O
di O
klaster O
kedua O
yang O
dikategorikan O
tidak O
miskin O
berdasarkan O
hasil O
analisis O
karakteristik O
dari O
tiap O
atribut O
kedua O
cluster O
tersebut. O
Dari O
kedua O
cluster O
yang O
terbentuk O
dapat O
dilakukan O
benchmarking O
terhadap O
penentuan O
rumah O
tangga O
miskin O
versi O
BPS O
menggunakan O
garis O
kemiskinan. O
Hasil O
perbandingan O
kedua O
metode O
klasifikasi O
menunjukkan O
akurasi O
yang O
didapat O
dari O
metode B-TEMUAN
K-prototype I-TEMUAN
sebesar I-TEMUAN
77,21 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
yang I-TEMUAN
artinya I-TEMUAN
terdapat I-TEMUAN
2883 I-TEMUAN
rumah I-TEMUAN
tangga I-TEMUAN
yang I-TEMUAN
dikelompokkan I-TEMUAN
secara I-TEMUAN
tepat I-TEMUAN
atau I-TEMUAN
sama I-TEMUAN
terhadap I-TEMUAN
klasifikasi I-TEMUAN
BPS. I-TEMUAN
Adapun O
saran O
untuk O
penelitian O
selanjutnya O
, O
diharapkan O
bisa O
memakai O
algoritma O
clustering O
yang O
berbeda O
dengan O
penelitian O
ini O
, O
atau O
membandingkan O
algoritma O
dalam O
penelitian O
ini O
dengan O
algoritma O
yang O
akan O
dikaji O
dalam O
penelitian O
selanjutnya. O
Kemudian O
dapat O
dilakukan O
kajian O
terhadap O
cakupan O
yang O
lebih O
luas O
, O
misalnya O
tingkat O
nasional O
untuk O
mendapatkan O
informasi O
lebih O
bagus O
dan O
merata. O
Karena O
data- O
driven O
sendiri O
bergantung O
penuh O
pada O
data O
yang O
dipakai O
dalam O
penelitian O
, O
sehingga O
cakupan O
penelitian O
yang O
berbeda O
akan O
menghasilkan O
pengelompokkan O
yang O
berbeda O
pula. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O

Penerapan O
Data-Driven O
Untuk O
Pengelompokkan O
Rumah O
Tangga O
Miskin O
di O
D.I. O
Yogyakarta O
Tahun O
2019 O
Yanuar O
Krisna O
Pamuja O
( O
221710064 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Takdir O
, O
S.ST. O
, O
M.T. O
Ringkasan—Pengolahan O
data O
secara O
objektif O
( O
Data-driven O
) O
dapat O
dimanfaatkan O
untuk O
mengukur O
tingkat O
kemiskinan O
rumah O
tangga O
dengan O
berbasiskan O
data O
Susenas O
Kor. O
Peneliti O
mencoba O
untuk O
mengelompokkan B-TUJUAN
rumah I-TUJUAN
tangga I-TUJUAN
berdasarkan I-TUJUAN
keadaan I-TUJUAN
sosial I-TUJUAN
ekonominya I-TUJUAN
dengan I-TUJUAN
melakukan I-TUJUAN
teknik I-TUJUAN
data I-TUJUAN
mining I-TUJUAN
yaitu I-TUJUAN
metode I-TUJUAN
clustering I-TUJUAN
menggunakan I-TUJUAN
K-prototype I-TUJUAN
serta O
dilakukan O
seleksi O
atribut O
untuk O
menemukan O
atribut O
yang O
paling O
relevan O
dan O
berpengaruh O
terhadap O
proses O
clustering B-METODE
menggunakan O
algoritma O
Unsupervised O
Spectral O
Features O
Selection O
Method O
( O
USFSM O
) O
. O
Dari O
proses O
seleksi O
atribut O
, O
dari O
356 O
atribut O
terseleksi O
analisis B-METODE
klaster I-METODE
46 O
atribut O
yang O
paling O
relevan. O
menunjukkan O
terbentuknya B-TEMUAN
dua I-TEMUAN
klaster I-TEMUAN
yang I-TEMUAN
terdiri I-TEMUAN
dari I-TEMUAN
889 I-TEMUAN
rumah I-TEMUAN
tangga I-TEMUAN
miskin I-TEMUAN
dan I-TEMUAN
2845 I-TEMUAN
rumah I-TEMUAN
tangga I-TEMUAN
tidak I-TEMUAN
miskin. I-TEMUAN
Karena O
jumlah O
kelompok O
dan O
klasifikasi O
kemiskinan O
dari O
BPS O
sama O
, O
maka O
dapat O
diukur O
akurasi O
dari O
proses O
clustering O
yaitu O
sama O
sebesar O
77,21 O
% O
atau O
2883 O
rumah O
pengklasifikasiannya O
. O
tangga O
yang O
Hasil O
Kata O
Kunci— O
Data-driven O
, O
kemiskinan O
, O
clustering O
, O
seleksi O
atribut. O
[SEP] O
Berdasarkan O
penelitian O
yang O
sudah O
dilakukan O
, O
kombinasi O
dari O
algoritma O
USFSM O
dan O
metode O
K-prototype O
dalam O
mengelompokkan O
objek O
berdasarkan O
kemiripannya O
( O
clustering O
) O
sudah O
cukup O
baik. O
Dataset O
ujicoba O
menunjukkan O
ACC O
mengalami O
kenaikan O
nilai O
jika O
USFSM O
diterapkan O
sebagai O
preprocessing O
datanya O
sebelum O
dilakukan O
proses O
clustering. B-METODE
USFSM O
dengan O
pengambilan O
sampel O
acak O
diterapkan O
untuk O
menemukan O
fitur O
relevan O
dari O
data O
Susenas O
yang O
selanjutnya O
akan O
dilakukan O
teknik O
data O
mining O
sesuai O
dengan O
metode O
penelitian O
yang O
sudah O
dibuat. O
Kesimpulan O
yang O
dapat O
diambil O
dari O
penelitian O
ini O
antara O
lain O
bahwa O
hasil B-TEMUAN
simulasi I-TEMUAN
seleksi I-TEMUAN
atribut I-TEMUAN
menggunakan I-TEMUAN
algoritma I-TEMUAN
USFSM I-TEMUAN
terpilih I-TEMUAN
46 I-TEMUAN
atribut I-TEMUAN
relevan I-TEMUAN
dari I-TEMUAN
total I-TEMUAN
356 I-TEMUAN
atribut. I-TEMUAN
Atribut O
tersebut O
terpilih O
juga O
karena O
hasil O
evaluasi O
menggunakan O
CVC O
dan O
total O
cost O
untuk O
tiap O
percobaan O
seleksi O
atributnya. O
Kemudian O
ditentukan O
jumlah O
klaster O
yang O
akan O
digunakan O
yaitu O
sebanyak O
2 O
klaster O
berdasarkan O
metode O
k-elbow. O
Dimana O
dari O
hasil O
algoritma O
K-prototype O
untuk O
proses O
clustering O
dapat O
terbentuk O
klaster O
pertama O
berisi O
889 O
rumah O
tangga O
yang O
bisa O
dikategorikan O
miskin O
dan O
2845 O
rumah O
tangga O
di O
klaster O
kedua O
yang O
dikategorikan O
tidak O
miskin O
berdasarkan O
hasil O
analisis O
karakteristik O
dari O
tiap O
atribut O
kedua O
cluster O
tersebut. O
Dari O
kedua O
cluster O
yang O
terbentuk O
dapat O
dilakukan O
benchmarking O
terhadap O
penentuan O
rumah O
tangga O
miskin O
versi O
BPS O
menggunakan O
garis O
kemiskinan. O
Hasil O
perbandingan O
kedua O
metode O
klasifikasi O
menunjukkan O
akurasi O
yang O
didapat O
dari O
metode B-TEMUAN
K-prototype I-TEMUAN
sebesar I-TEMUAN
77,21 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
yang I-TEMUAN
artinya I-TEMUAN
terdapat I-TEMUAN
2883 I-TEMUAN
rumah I-TEMUAN
tangga I-TEMUAN
yang I-TEMUAN
dikelompokkan I-TEMUAN
secara I-TEMUAN
tepat I-TEMUAN
atau I-TEMUAN
sama I-TEMUAN
terhadap I-TEMUAN
klasifikasi I-TEMUAN
BPS. I-TEMUAN
Adapun O
saran O
untuk O
penelitian O
selanjutnya O
, O
diharapkan O
bisa O
memakai O
algoritma O
clustering O
yang O
berbeda O
dengan O
penelitian O
ini O
, O
atau O
membandingkan O
algoritma O
dalam O
penelitian O
ini O
dengan O
algoritma O
yang O
akan O
dikaji O
dalam O
penelitian O
selanjutnya. O
Kemudian O
dapat O
dilakukan O
kajian O
terhadap O
cakupan O
yang O
lebih O
luas O
, O
misalnya O
tingkat O
nasional O
untuk O
mendapatkan O
informasi O
lebih O
bagus O
dan O
merata. O
Karena O
data- O
driven O
sendiri O
bergantung O
penuh O
pada O
data O
yang O
dipakai O
dalam O
penelitian O
, O
sehingga O
cakupan O
penelitian O
yang O
berbeda O
akan O
menghasilkan O
pengelompokkan O
yang O
berbeda O
pula. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O

Penerapan O
Data-Driven O
Untuk O
Pengelompokkan O
Rumah O
Tangga O
Miskin O
di O
D.I. O
Yogyakarta O
Tahun O
2019 O
Yanuar O
Krisna O
Pamuja O
( O
221710064 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Takdir O
, O
S.ST. O
, O
M.T. O
Ringkasan—Pengolahan O
data O
secara O
objektif O
( O
Data-driven O
) O
dapat O
dimanfaatkan O
untuk O
mengukur O
tingkat O
kemiskinan O
rumah O
tangga O
dengan O
berbasiskan O
data O
Susenas O
Kor. O
Peneliti O
mencoba O
untuk O
mengelompokkan B-TUJUAN
rumah I-TUJUAN
tangga I-TUJUAN
berdasarkan I-TUJUAN
keadaan I-TUJUAN
sosial I-TUJUAN
ekonominya I-TUJUAN
dengan I-TUJUAN
melakukan I-TUJUAN
teknik I-TUJUAN
data I-TUJUAN
mining I-TUJUAN
yaitu I-TUJUAN
metode I-TUJUAN
clustering I-TUJUAN
menggunakan I-TUJUAN
K-prototype I-TUJUAN
serta O
dilakukan O
seleksi O
atribut O
untuk O
menemukan O
atribut O
yang O
paling O
relevan O
dan O
berpengaruh O
terhadap O
proses O
clustering B-METODE
menggunakan O
algoritma O
Unsupervised O
Spectral O
Features O
Selection O
Method O
( O
USFSM O
) O
. O
Dari O
proses O
seleksi O
atribut O
, O
dari O
356 O
atribut O
terseleksi O
analisis B-METODE
klaster I-METODE
46 O
atribut O
yang O
paling O
relevan. O
menunjukkan O
terbentuknya B-TEMUAN
dua I-TEMUAN
klaster I-TEMUAN
yang I-TEMUAN
terdiri I-TEMUAN
dari I-TEMUAN
889 I-TEMUAN
rumah I-TEMUAN
tangga I-TEMUAN
miskin I-TEMUAN
dan I-TEMUAN
2845 I-TEMUAN
rumah I-TEMUAN
tangga I-TEMUAN
tidak I-TEMUAN
miskin. I-TEMUAN
Karena O
jumlah O
kelompok O
dan O
klasifikasi O
kemiskinan O
dari O
BPS O
sama O
, O
maka O
dapat O
diukur O
akurasi O
dari O
proses O
clustering O
yaitu O
sama O
sebesar O
77,21 O
% O
atau O
2883 O
rumah O
pengklasifikasiannya O
. O
tangga O
yang O
Hasil O
Kata O
Kunci— O
Data-driven O
, O
kemiskinan O
, O
clustering O
, O
seleksi O
atribut. O
[SEP] O
Berdasarkan O
penelitian O
yang O
sudah O
dilakukan O
, O
kombinasi O
dari O
algoritma O
USFSM O
dan O
metode O
K-prototype O
dalam O
mengelompokkan O
objek O
berdasarkan O
kemiripannya O
( O
clustering O
) O
sudah O
cukup O
baik. O
Dataset O
ujicoba O
menunjukkan O
ACC O
mengalami O
kenaikan O
nilai O
jika O
USFSM O
diterapkan O
sebagai O
preprocessing O
datanya O
sebelum O
dilakukan O
proses O
clustering. B-METODE
USFSM O
dengan O
pengambilan O
sampel O
acak O
diterapkan O
untuk O
menemukan O
fitur O
relevan O
dari O
data O
Susenas O
yang O
selanjutnya O
akan O
dilakukan O
teknik O
data O
mining O
sesuai O
dengan O
metode O
penelitian O
yang O
sudah O
dibuat. O
Kesimpulan O
yang O
dapat O
diambil O
dari O
penelitian O
ini O
antara O
lain O
bahwa O
hasil B-TEMUAN
simulasi I-TEMUAN
seleksi I-TEMUAN
atribut I-TEMUAN
menggunakan I-TEMUAN
algoritma I-TEMUAN
USFSM I-TEMUAN
terpilih I-TEMUAN
46 I-TEMUAN
atribut I-TEMUAN
relevan I-TEMUAN
dari I-TEMUAN
total I-TEMUAN
356 I-TEMUAN
atribut. I-TEMUAN
Atribut O
tersebut O
terpilih O
juga O
karena O
hasil O
evaluasi O
menggunakan O
CVC O
dan O
total O
cost O
untuk O
tiap O
percobaan O
seleksi O
atributnya. O
Kemudian O
ditentukan O
jumlah O
klaster O
yang O
akan O
digunakan O
yaitu O
sebanyak O
2 O
klaster O
berdasarkan O
metode O
k-elbow. O
Dimana O
dari O
hasil O
algoritma O
K-prototype O
untuk O
proses O
clustering O
dapat O
terbentuk O
klaster O
pertama O
berisi O
889 O
rumah O
tangga O
yang O
bisa O
dikategorikan O
miskin O
dan O
2845 O
rumah O
tangga O
di O
klaster O
kedua O
yang O
dikategorikan O
tidak O
miskin O
berdasarkan O
hasil O
analisis O
karakteristik O
dari O
tiap O
atribut O
kedua O
cluster O
tersebut. O
Dari O
kedua O
cluster O
yang O
terbentuk O
dapat O
dilakukan O
benchmarking O
terhadap O
penentuan O
rumah O
tangga O
miskin O
versi O
BPS O
menggunakan O
garis O
kemiskinan. O
Hasil O
perbandingan O
kedua O
metode O
klasifikasi O
menunjukkan O
akurasi O
yang O
didapat O
dari O
metode B-TEMUAN
K-prototype I-TEMUAN
sebesar I-TEMUAN
77,21 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
yang I-TEMUAN
artinya I-TEMUAN
terdapat I-TEMUAN
2883 I-TEMUAN
rumah I-TEMUAN
tangga I-TEMUAN
yang I-TEMUAN
dikelompokkan I-TEMUAN
secara I-TEMUAN
tepat I-TEMUAN
atau I-TEMUAN
sama I-TEMUAN
terhadap I-TEMUAN
klasifikasi I-TEMUAN
BPS. I-TEMUAN
Adapun O
saran O
untuk O
penelitian O
selanjutnya O
, O
diharapkan O
bisa O
memakai O
algoritma O
clustering O
yang O
berbeda O
dengan O
penelitian O
ini O
, O
atau O
membandingkan O
algoritma O
dalam O
penelitian O
ini O
dengan O
algoritma O
yang O
akan O
dikaji O
dalam O
penelitian O
selanjutnya. O
Kemudian O
dapat O
dilakukan O
kajian O
terhadap O
cakupan O
yang O
lebih O
luas O
, O
misalnya O
tingkat O
nasional O
untuk O
mendapatkan O
informasi O
lebih O
bagus O
dan O
merata. O
Karena O
data- O
driven O
sendiri O
bergantung O
penuh O
pada O
data O
yang O
dipakai O
dalam O
penelitian O
, O
sehingga O
cakupan O
penelitian O
yang O
berbeda O
akan O
menghasilkan O
pengelompokkan O
yang O
berbeda O
pula. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O

Package O
R O
untuk O
Small O
Area O
Estimation O
Pendekatan O
Nonparametrik O
Berbasis O
Kernel O
Nadaraya-Watson O
Wicak O
Surya O
Hasani O
( O
221710052 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Azka O
Ubaidillah O
, O
SST. O
, O
M.Si O
Ringkasan— O
Keterbatasan O
sampel O
pada O
kegiatan O
survei O
menjadi O
kendala O
untuk O
menyediakan O
data O
pada O
domain O
dan O
wilayah O
yang O
lebih O
kecil. O
Small B-METODE
Area I-METODE
Estimation I-METODE
( I-METODE
SAE I-METODE
) I-METODE
dapat O
dilakukan O
untuk O
mengatasi O
permasalahan O
ini. O
Tetapi O
teknik O
estimasi O
tak O
langsung O
ini O
memerlukan O
asumsi O
hubungan O
linier O
antara O
rataan O
area O
kecil O
dengan O
variabel O
penyerta. O
Masalah O
tersebut O
dapat O
diatasi O
dengan O
pendekatan O
nonparametrik O
, O
salah O
satu O
pendekatan O
nonparametrik O
yang O
dapat O
digunakan O
yaitu O
dengan O
menggunakan O
basis O
Kernel O
Nadaraya-Watson. O
Untuk O
memudahkan O
dalam O
pengimplementasian O
, O
peneliti B-TUJUAN
membangun I-TUJUAN
suatu I-TUJUAN
Package I-TUJUAN
R I-TUJUAN
untuk I-TUJUAN
Small I-TUJUAN
Area I-TUJUAN
Estimation I-TUJUAN
pendekatan I-TUJUAN
nonparametrik I-TUJUAN
berbasis I-TUJUAN
Kernel I-TUJUAN
Nadaraya-Watson I-TUJUAN
dengan O
nama O
package O
“saekernel”. O
Dimana O
hasilnya B-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
package I-TEMUAN
“saekernel” I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
sesuai I-TEMUAN
dan I-TEMUAN
layak I-TEMUAN
untuk I-TEMUAN
digunakan. I-TEMUAN
Package O
yang O
telah O
dibangun O
juga O
diterapkan O
pada O
survei O
BPS O
, O
yaitu O
untuk O
menduga O
pengeluaran O
perkapita O
pada O
tingkat O
kecamatan O
di O
Provinsi O
D.I.Yogyakarta O
berdasarkan O
data O
Survei O
Sosial O
Ekonomi O
Nasional O
( O
SUSENAS O
) O
Maret O
2019. O
Kata O
Kunci— O
Small O
Area O
Estimation O
( O
SAE O
) O
, O
Nonparametrik O
, O
Kernel O
Nadaraya-Watson O
, O
Package O
R O
, O
saekernel. O
[SEP] O
7.1 O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
diperoleh O
beberapa O
kesimpulan O
yaitu O
: O
1. O
Model O
SAE O
Kernel O
merupakan O
suatu O
penerapan O
dari O
model O
SAE O
Fay-Herriot O
pendekatan O
dimana O
nonparametrik O
dan O
menggunakan O
Kernel O
Nadaraya- O
Watson O
sebagai O
basis O
pendekatannya. O
dilakukan O
2. O
Estimasi O
MSE B-METODE
pada O
SAE O
Kernel O
tidak O
dapat O
dilakukan O
perhitungannya O
sehingga O
estimasi O
MSE O
pada O
SAE O
Kernel O
dilakukan O
dengan O
pendekatan O
Bootstrap. O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
3. O
Package O
Area O
Small O
pendekatan O
nonparametrik O
berbasis O
Kernel O
Nadaraya-Watson O
berhasil O
dibangun O
dan O
dapat O
diakses O
pada O
CRAN O
dengan O
nama O
“saekernel”. O
Estimation O
4. O
Small O
Area O
Estimation O
pendekatan O
nonparametrik O
berbasis O
Kernel O
Nadaraya-Watson O
dapat O
diterapkan O
pada O
data O
BPS O
, O
yaitu O
untuk O
mengestimasi O
pengeluaran O
per O
kapita O
level O
kecamatan O
di O
Provinsi O
D.I.Yogyakarta. O
Dimana O
SAE B-TEMUAN
Kernel I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dibandingkan I-TEMUAN
model I-TEMUAN
parametrik I-TEMUAN
SAE I-TEMUAN
Fay-Herriot I-TEMUAN
dan I-TEMUAN
Estimasi I-TEMUAN
Langsung I-TEMUAN
pada I-TEMUAN
pola I-TEMUAN
hubungan I-TEMUAN
data I-TEMUAN
yang I-TEMUAN
tidak I-TEMUAN
linier. I-TEMUAN
Hal I-TEMUAN
ini I-TEMUAN
ditunjukkan I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
MSE I-TEMUAN
SAE I-TEMUAN
Kernel I-TEMUAN
dengan I-TEMUAN
pendekatan I-TEMUAN
bootstrap I-TEMUAN
memiliki I-TEMUAN
nilai I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
kecil I-TEMUAN
dibandingakan I-TEMUAN
MSE I-TEMUAN
SAE I-TEMUAN
Fay-Herriot I-TEMUAN
dan I-TEMUAN
MSE I-TEMUAN
estimasi I-TEMUAN
langsung. I-TEMUAN
7.2 O
Saran O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
penulis O
memberikan O
saran O
yaitu O
sebagai O
berikut O
: O
1. O
Mengembangkan O
package O
“saekernel” O
dengan O
menggunakan O
model O
Multivariat. O
lainnya O
2. O
Menggunakan O
basis O
dalam O
pendekatan O
nonparametrik O
pada O
Small O
Area O
Estimation O
( O
SAE O
) O
. O

Package O
R O
untuk O
Small O
Area O
Estimation O
Pendekatan O
Nonparametrik O
Berbasis O
Kernel O
Nadaraya-Watson O
Wicak O
Surya O
Hasani O
( O
221710052 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Azka O
Ubaidillah O
, O
SST. O
, O
M.Si O
Ringkasan— O
Keterbatasan O
sampel O
pada O
kegiatan O
survei O
menjadi O
kendala O
untuk O
menyediakan O
data O
pada O
domain O
dan O
wilayah O
yang O
lebih O
kecil. O
Small B-METODE
Area I-METODE
Estimation I-METODE
( I-METODE
SAE I-METODE
) I-METODE
dapat O
dilakukan O
untuk O
mengatasi O
permasalahan O
ini. O
Tetapi O
teknik O
estimasi O
tak O
langsung O
ini O
memerlukan O
asumsi O
hubungan O
linier O
antara O
rataan O
area O
kecil O
dengan O
variabel O
penyerta. O
Masalah O
tersebut O
dapat O
diatasi O
dengan O
pendekatan O
nonparametrik O
, O
salah O
satu O
pendekatan O
nonparametrik O
yang O
dapat O
digunakan O
yaitu O
dengan O
menggunakan O
basis O
Kernel O
Nadaraya-Watson. O
Untuk O
memudahkan O
dalam O
pengimplementasian O
, O
peneliti B-TUJUAN
membangun I-TUJUAN
suatu I-TUJUAN
Package I-TUJUAN
R I-TUJUAN
untuk I-TUJUAN
Small I-TUJUAN
Area I-TUJUAN
Estimation I-TUJUAN
pendekatan I-TUJUAN
nonparametrik I-TUJUAN
berbasis I-TUJUAN
Kernel I-TUJUAN
Nadaraya-Watson I-TUJUAN
dengan O
nama O
package O
“saekernel”. O
Dimana O
hasilnya B-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
package I-TEMUAN
“saekernel” I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
sesuai I-TEMUAN
dan I-TEMUAN
layak I-TEMUAN
untuk I-TEMUAN
digunakan. I-TEMUAN
Package O
yang O
telah O
dibangun O
juga O
diterapkan O
pada O
survei O
BPS O
, O
yaitu O
untuk O
menduga O
pengeluaran O
perkapita O
pada O
tingkat O
kecamatan O
di O
Provinsi O
D.I.Yogyakarta O
berdasarkan O
data O
Survei O
Sosial O
Ekonomi O
Nasional O
( O
SUSENAS O
) O
Maret O
2019. O
Kata O
Kunci— O
Small O
Area O
Estimation O
( O
SAE O
) O
, O
Nonparametrik O
, O
Kernel O
Nadaraya-Watson O
, O
Package O
R O
, O
saekernel. O
[SEP] O
7.1 O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
diperoleh O
beberapa O
kesimpulan O
yaitu O
: O
1. O
Model O
SAE O
Kernel O
merupakan O
suatu O
penerapan O
dari O
model O
SAE O
Fay-Herriot O
pendekatan O
dimana O
nonparametrik O
dan O
menggunakan O
Kernel O
Nadaraya- O
Watson O
sebagai O
basis O
pendekatannya. O
dilakukan O
2. O
Estimasi O
MSE B-METODE
pada O
SAE O
Kernel O
tidak O
dapat O
dilakukan O
perhitungannya O
sehingga O
estimasi O
MSE O
pada O
SAE O
Kernel O
dilakukan O
dengan O
pendekatan O
Bootstrap. O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
3. O
Package O
Area O
Small O
pendekatan O
nonparametrik O
berbasis O
Kernel O
Nadaraya-Watson O
berhasil O
dibangun O
dan O
dapat O
diakses O
pada O
CRAN O
dengan O
nama O
“saekernel”. O
Estimation O
4. O
Small O
Area O
Estimation O
pendekatan O
nonparametrik O
berbasis O
Kernel O
Nadaraya-Watson O
dapat O
diterapkan O
pada O
data O
BPS O
, O
yaitu O
untuk O
mengestimasi O
pengeluaran O
per O
kapita O
level O
kecamatan O
di O
Provinsi O
D.I.Yogyakarta. O
Dimana O
SAE B-TEMUAN
Kernel I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dibandingkan I-TEMUAN
model I-TEMUAN
parametrik I-TEMUAN
SAE I-TEMUAN
Fay-Herriot I-TEMUAN
dan I-TEMUAN
Estimasi I-TEMUAN
Langsung I-TEMUAN
pada I-TEMUAN
pola I-TEMUAN
hubungan I-TEMUAN
data I-TEMUAN
yang I-TEMUAN
tidak I-TEMUAN
linier. I-TEMUAN
Hal I-TEMUAN
ini I-TEMUAN
ditunjukkan I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
MSE I-TEMUAN
SAE I-TEMUAN
Kernel I-TEMUAN
dengan I-TEMUAN
pendekatan I-TEMUAN
bootstrap I-TEMUAN
memiliki I-TEMUAN
nilai I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
kecil I-TEMUAN
dibandingakan I-TEMUAN
MSE I-TEMUAN
SAE I-TEMUAN
Fay-Herriot I-TEMUAN
dan I-TEMUAN
MSE I-TEMUAN
estimasi I-TEMUAN
langsung. I-TEMUAN
7.2 O
Saran O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
penulis O
memberikan O
saran O
yaitu O
sebagai O
berikut O
: O
1. O
Mengembangkan O
package O
“saekernel” O
dengan O
menggunakan O
model O
Multivariat. O
lainnya O
2. O
Menggunakan O
basis O
dalam O
pendekatan O
nonparametrik O
pada O
Small O
Area O
Estimation O
( O
SAE O
) O
. O

Package O
R O
untuk O
Small O
Area O
Estimation O
Pendekatan O
Nonparametrik O
Berbasis O
Kernel O
Nadaraya-Watson O
Wicak O
Surya O
Hasani O
( O
221710052 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Azka O
Ubaidillah O
, O
SST. O
, O
M.Si O
Ringkasan— O
Keterbatasan O
sampel O
pada O
kegiatan O
survei O
menjadi O
kendala O
untuk O
menyediakan O
data O
pada O
domain O
dan O
wilayah O
yang O
lebih O
kecil. O
Small B-METODE
Area I-METODE
Estimation I-METODE
( I-METODE
SAE I-METODE
) I-METODE
dapat O
dilakukan O
untuk O
mengatasi O
permasalahan O
ini. O
Tetapi O
teknik O
estimasi O
tak O
langsung O
ini O
memerlukan O
asumsi O
hubungan O
linier O
antara O
rataan O
area O
kecil O
dengan O
variabel O
penyerta. O
Masalah O
tersebut O
dapat O
diatasi O
dengan O
pendekatan O
nonparametrik O
, O
salah O
satu O
pendekatan O
nonparametrik O
yang O
dapat O
digunakan O
yaitu O
dengan O
menggunakan O
basis O
Kernel O
Nadaraya-Watson. O
Untuk O
memudahkan O
dalam O
pengimplementasian O
, O
peneliti B-TUJUAN
membangun I-TUJUAN
suatu I-TUJUAN
Package I-TUJUAN
R I-TUJUAN
untuk I-TUJUAN
Small I-TUJUAN
Area I-TUJUAN
Estimation I-TUJUAN
pendekatan I-TUJUAN
nonparametrik I-TUJUAN
berbasis I-TUJUAN
Kernel I-TUJUAN
Nadaraya-Watson I-TUJUAN
dengan O
nama O
package O
“saekernel”. O
Dimana O
hasilnya B-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
package I-TEMUAN
“saekernel” I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
sesuai I-TEMUAN
dan I-TEMUAN
layak I-TEMUAN
untuk I-TEMUAN
digunakan. I-TEMUAN
Package O
yang O
telah O
dibangun O
juga O
diterapkan O
pada O
survei O
BPS O
, O
yaitu O
untuk O
menduga O
pengeluaran O
perkapita O
pada O
tingkat O
kecamatan O
di O
Provinsi O
D.I.Yogyakarta O
berdasarkan O
data O
Survei O
Sosial O
Ekonomi O
Nasional O
( O
SUSENAS O
) O
Maret O
2019. O
Kata O
Kunci— O
Small O
Area O
Estimation O
( O
SAE O
) O
, O
Nonparametrik O
, O
Kernel O
Nadaraya-Watson O
, O
Package O
R O
, O
saekernel. O
[SEP] O
7.1 O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
diperoleh O
beberapa O
kesimpulan O
yaitu O
: O
1. O
Model O
SAE O
Kernel O
merupakan O
suatu O
penerapan O
dari O
model O
SAE O
Fay-Herriot O
pendekatan O
dimana O
nonparametrik O
dan O
menggunakan O
Kernel O
Nadaraya- O
Watson O
sebagai O
basis O
pendekatannya. O
dilakukan O
2. O
Estimasi O
MSE B-METODE
pada O
SAE O
Kernel O
tidak O
dapat O
dilakukan O
perhitungannya O
sehingga O
estimasi O
MSE O
pada O
SAE O
Kernel O
dilakukan O
dengan O
pendekatan O
Bootstrap. O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
3. O
Package O
Area O
Small O
pendekatan O
nonparametrik O
berbasis O
Kernel O
Nadaraya-Watson O
berhasil O
dibangun O
dan O
dapat O
diakses O
pada O
CRAN O
dengan O
nama O
“saekernel”. O
Estimation O
4. O
Small O
Area O
Estimation O
pendekatan O
nonparametrik O
berbasis O
Kernel O
Nadaraya-Watson O
dapat O
diterapkan O
pada O
data O
BPS O
, O
yaitu O
untuk O
mengestimasi O
pengeluaran O
per O
kapita O
level O
kecamatan O
di O
Provinsi O
D.I.Yogyakarta. O
Dimana O
SAE B-TEMUAN
Kernel I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dibandingkan I-TEMUAN
model I-TEMUAN
parametrik I-TEMUAN
SAE I-TEMUAN
Fay-Herriot I-TEMUAN
dan I-TEMUAN
Estimasi I-TEMUAN
Langsung I-TEMUAN
pada I-TEMUAN
pola I-TEMUAN
hubungan I-TEMUAN
data I-TEMUAN
yang I-TEMUAN
tidak I-TEMUAN
linier. I-TEMUAN
Hal I-TEMUAN
ini I-TEMUAN
ditunjukkan I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
MSE I-TEMUAN
SAE I-TEMUAN
Kernel I-TEMUAN
dengan I-TEMUAN
pendekatan I-TEMUAN
bootstrap I-TEMUAN
memiliki I-TEMUAN
nilai I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
kecil I-TEMUAN
dibandingakan I-TEMUAN
MSE I-TEMUAN
SAE I-TEMUAN
Fay-Herriot I-TEMUAN
dan I-TEMUAN
MSE I-TEMUAN
estimasi I-TEMUAN
langsung. I-TEMUAN
7.2 O
Saran O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
penulis O
memberikan O
saran O
yaitu O
sebagai O
berikut O
: O
1. O
Mengembangkan O
package O
“saekernel” O
dengan O
menggunakan O
model O
Multivariat. O
lainnya O
2. O
Menggunakan O
basis O
dalam O
pendekatan O
nonparametrik O
pada O
Small O
Area O
Estimation O
( O
SAE O
) O
. O

Package O
R O
untuk O
Small O
Area O
Estimation O
Pendekatan O
Nonparametrik O
Berbasis O
Kernel O
Nadaraya-Watson O
Wicak O
Surya O
Hasani O
( O
221710052 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Azka O
Ubaidillah O
, O
SST. O
, O
M.Si O
Ringkasan— O
Keterbatasan O
sampel O
pada O
kegiatan O
survei O
menjadi O
kendala O
untuk O
menyediakan O
data O
pada O
domain O
dan O
wilayah O
yang O
lebih O
kecil. O
Small B-METODE
Area I-METODE
Estimation I-METODE
( I-METODE
SAE I-METODE
) I-METODE
dapat O
dilakukan O
untuk O
mengatasi O
permasalahan O
ini. O
Tetapi O
teknik O
estimasi O
tak O
langsung O
ini O
memerlukan O
asumsi O
hubungan O
linier O
antara O
rataan O
area O
kecil O
dengan O
variabel O
penyerta. O
Masalah O
tersebut O
dapat O
diatasi O
dengan O
pendekatan O
nonparametrik O
, O
salah O
satu O
pendekatan O
nonparametrik O
yang O
dapat O
digunakan O
yaitu O
dengan O
menggunakan O
basis O
Kernel O
Nadaraya-Watson. O
Untuk O
memudahkan O
dalam O
pengimplementasian O
, O
peneliti B-TUJUAN
membangun I-TUJUAN
suatu I-TUJUAN
Package I-TUJUAN
R I-TUJUAN
untuk I-TUJUAN
Small I-TUJUAN
Area I-TUJUAN
Estimation I-TUJUAN
pendekatan I-TUJUAN
nonparametrik I-TUJUAN
berbasis I-TUJUAN
Kernel I-TUJUAN
Nadaraya-Watson I-TUJUAN
dengan O
nama O
package O
“saekernel”. O
Dimana O
hasilnya B-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
package I-TEMUAN
“saekernel” I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
sesuai I-TEMUAN
dan I-TEMUAN
layak I-TEMUAN
untuk I-TEMUAN
digunakan. I-TEMUAN
Package O
yang O
telah O
dibangun O
juga O
diterapkan O
pada O
survei O
BPS O
, O
yaitu O
untuk O
menduga O
pengeluaran O
perkapita O
pada O
tingkat O
kecamatan O
di O
Provinsi O
D.I.Yogyakarta O
berdasarkan O
data O
Survei O
Sosial O
Ekonomi O
Nasional O
( O
SUSENAS O
) O
Maret O
2019. O
Kata O
Kunci— O
Small O
Area O
Estimation O
( O
SAE O
) O
, O
Nonparametrik O
, O
Kernel O
Nadaraya-Watson O
, O
Package O
R O
, O
saekernel. O
[SEP] O
7.1 O
Kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
bagian O
sebelumnya O
, O
diperoleh O
beberapa O
kesimpulan O
yaitu O
: O
1. O
Model O
SAE O
Kernel O
merupakan O
suatu O
penerapan O
dari O
model O
SAE O
Fay-Herriot O
pendekatan O
dimana O
nonparametrik O
dan O
menggunakan O
Kernel O
Nadaraya- O
Watson O
sebagai O
basis O
pendekatannya. O
dilakukan O
2. O
Estimasi O
MSE B-METODE
pada O
SAE O
Kernel O
tidak O
dapat O
dilakukan O
perhitungannya O
sehingga O
estimasi O
MSE O
pada O
SAE O
Kernel O
dilakukan O
dengan O
pendekatan O
Bootstrap. O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
3. O
Package O
Area O
Small O
pendekatan O
nonparametrik O
berbasis O
Kernel O
Nadaraya-Watson O
berhasil O
dibangun O
dan O
dapat O
diakses O
pada O
CRAN O
dengan O
nama O
“saekernel”. O
Estimation O
4. O
Small O
Area O
Estimation O
pendekatan O
nonparametrik O
berbasis O
Kernel O
Nadaraya-Watson O
dapat O
diterapkan O
pada O
data O
BPS O
, O
yaitu O
untuk O
mengestimasi O
pengeluaran O
per O
kapita O
level O
kecamatan O
di O
Provinsi O
D.I.Yogyakarta. O
Dimana O
SAE B-TEMUAN
Kernel I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dibandingkan I-TEMUAN
model I-TEMUAN
parametrik I-TEMUAN
SAE I-TEMUAN
Fay-Herriot I-TEMUAN
dan I-TEMUAN
Estimasi I-TEMUAN
Langsung I-TEMUAN
pada I-TEMUAN
pola I-TEMUAN
hubungan I-TEMUAN
data I-TEMUAN
yang I-TEMUAN
tidak I-TEMUAN
linier. I-TEMUAN
Hal I-TEMUAN
ini I-TEMUAN
ditunjukkan I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
MSE I-TEMUAN
SAE I-TEMUAN
Kernel I-TEMUAN
dengan I-TEMUAN
pendekatan I-TEMUAN
bootstrap I-TEMUAN
memiliki I-TEMUAN
nilai I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
kecil I-TEMUAN
dibandingakan I-TEMUAN
MSE I-TEMUAN
SAE I-TEMUAN
Fay-Herriot I-TEMUAN
dan I-TEMUAN
MSE I-TEMUAN
estimasi I-TEMUAN
langsung. I-TEMUAN
7.2 O
Saran O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
penulis O
memberikan O
saran O
yaitu O
sebagai O
berikut O
: O
1. O
Mengembangkan O
package O
“saekernel” O
dengan O
menggunakan O
model O
Multivariat. O
lainnya O
2. O
Menggunakan O
basis O
dalam O
pendekatan O
nonparametrik O
pada O
Small O
Area O
Estimation O
( O
SAE O
) O
. O

Penerapan O
Safe O
Exam O
Browser O
dalam O
Ujian O
dengan O
Sistem O
Ujian O
BYOD O
Di O
Politeknik O
Statistika O
STIS O
Verry O
Fitra O
Nata O
Rahman O
( O
221710038 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
SST O
, O
MT O
Ringkasan— O
Evaluasi O
merupakan O
hal O
yang O
penting O
dalam O
proses O
pembelajaran O
, O
salah O
satu O
bentuk O
evaluasi O
tersebut O
adalah O
pelaksanaan O
ujian. O
Dalam O
keadaan O
pembelajaran O
daring O
selama O
pandemi O
yang O
dilakukan O
oleh O
Politeknik O
Statistika O
STIS O
menggunakan O
bantuan O
Learning O
Management O
System O
( O
LMS O
) O
. O
Namun O
diperlukan O
suatu O
sistem O
ujian O
yang O
pada O
penerapannya O
mampu O
memberi O
evaluasi O
pembelajaran O
yang O
baik O
dengan O
menjamin O
keamanan O
ujian O
untuk O
memberikan O
hasil O
yang O
sesuai O
seperti O
pada O
keadaan O
pembelajaran O
luring. O
Safe O
Exam O
Browser O
merupakan O
aplikasi O
bantu O
untuk O
mengamankan O
ujian O
daring O
yang O
dapat O
mengakses O
web O
dengan O
tampilan O
layar O
penuh. O
Safe O
Exam O
Browser O
bisa O
dipadukan O
dengan O
LMS O
untuk O
ingin O
menyelenggarakan O
ujian O
daring. O
Untuk O
mengkaji B-TUJUAN
tentang I-TUJUAN
penerapan I-TUJUAN
Safe I-TUJUAN
Exam I-TUJUAN
Browser I-TUJUAN
dalam I-TUJUAN
ujian I-TUJUAN
dengan I-TUJUAN
sistem I-TUJUAN
ujian I-TUJUAN
Bring I-TUJUAN
Your I-TUJUAN
Own I-TUJUAN
Device I-TUJUAN
( I-TUJUAN
BYOD I-TUJUAN
) I-TUJUAN
di I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS. I-TUJUAN
Pada O
penelitian O
ini O
, O
model O
ujian O
akan O
dibangun O
berdasarkan O
data O
observasi O
yang O
diperoleh O
dan O
hasil O
evaluasi O
yang O
didapat O
dari O
penetration B-METODE
testing. I-METODE
Hasil O
dari O
penelitian O
ini O
diharapkan O
dapat O
menjadi O
rekomendasi O
dalam O
model O
pelakasanaan O
ujian O
secara O
daring O
dan O
selanjutnya O
bisa O
digunakan O
sebagai O
pengganti O
ujian O
menggunakan O
kertas O
pada O
ujian O
luring O
Politeknik O
Statistika O
STIS. O
itu O
peneliti O
Kata O
Kunci— O
Safe O
Exam O
Browser O
, O
Learning O
Management O
System O
, O
Penetration O
testing O
, O
BYOD O
, O
Ujian O
Daring O
, O
[SEP] O
Dari O
hasil O
penelitian O
ini O
menghasilkan O
model B-TEMUAN
ujian I-TEMUAN
BYOD I-TEMUAN
yang I-TEMUAN
aman I-TEMUAN
dan I-TEMUAN
bisa I-TEMUAN
direkomendasikan I-TEMUAN
untuk I-TEMUAN
ujian I-TEMUAN
BYOD I-TEMUAN
di I-TEMUAN
STIS I-TEMUAN
dengan O
beberapa O
catatan O
diantaranya O
adalah O
sebagai O
berikut O
: O
a. O
Jenis O
Ujian O
yang O
digunakan O
adalah O
ujian O
yang O
sifatnya O
teoritis O
/ O
hanya O
berupa O
essay O
/ O
pilihan O
ganda O
sehingga O
memudahkan O
input O
jawaban O
b. O
Untuk O
ujian O
BYOD O
yang O
sifatnya O
jarak O
jauh O
( O
UJJ O
) O
perlu O
merancang O
regulasi O
terkait O
pengawasan O
lewat O
seperti O
posisi O
kamera O
dan O
pemeriksaan O
sebelum O
ujian O
zoom O
c. O
Model O
Ujian O
BYOD O
bisa O
dikombinasikan O
dengan O
LMS O
apapun O
termasuk O
LMS O
dari O
STIS O
sendiri O
yaitu O
TCEXAM O
maupun O
ujj.stis.ac.id O
, O
namun O
untuk O
BYOD O
yang O
sifatnya O
jarak O
jauh O
lebih O
direkomendasikan O
menggunakan O
LMS O
moodle O
karena O
terdapat O
plugin O
SEB O
yang O
memudahkan O
dan O
memitigasi O
kecurangan O
yang O
kurang O
bisa O
dipantau O
karena O
diawasi O
lewat O
zoom O
, O
sehingga O
lebih O
efektif. O

Penerapan O
Safe O
Exam O
Browser O
dalam O
Ujian O
dengan O
Sistem O
Ujian O
BYOD O
Di O
Politeknik O
Statistika O
STIS O
Verry O
Fitra O
Nata O
Rahman O
( O
221710038 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
SST O
, O
MT O
Ringkasan— O
Evaluasi O
merupakan O
hal O
yang O
penting O
dalam O
proses O
pembelajaran O
, O
salah O
satu O
bentuk O
evaluasi O
tersebut O
adalah O
pelaksanaan O
ujian. O
Dalam O
keadaan O
pembelajaran O
daring O
selama O
pandemi O
yang O
dilakukan O
oleh O
Politeknik O
Statistika O
STIS O
menggunakan O
bantuan O
Learning O
Management O
System O
( O
LMS O
) O
. O
Namun O
diperlukan O
suatu O
sistem O
ujian O
yang O
pada O
penerapannya O
mampu O
memberi O
evaluasi O
pembelajaran O
yang O
baik O
dengan O
menjamin O
keamanan O
ujian O
untuk O
memberikan O
hasil O
yang O
sesuai O
seperti O
pada O
keadaan O
pembelajaran O
luring. O
Safe O
Exam O
Browser O
merupakan O
aplikasi O
bantu O
untuk O
mengamankan O
ujian O
daring O
yang O
dapat O
mengakses O
web O
dengan O
tampilan O
layar O
penuh. O
Safe O
Exam O
Browser O
bisa O
dipadukan O
dengan O
LMS O
untuk O
ingin O
menyelenggarakan O
ujian O
daring. O
Untuk O
mengkaji B-TUJUAN
tentang I-TUJUAN
penerapan I-TUJUAN
Safe I-TUJUAN
Exam I-TUJUAN
Browser I-TUJUAN
dalam I-TUJUAN
ujian I-TUJUAN
dengan I-TUJUAN
sistem I-TUJUAN
ujian I-TUJUAN
Bring I-TUJUAN
Your I-TUJUAN
Own I-TUJUAN
Device I-TUJUAN
( I-TUJUAN
BYOD I-TUJUAN
) I-TUJUAN
di I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS. I-TUJUAN
Pada O
penelitian O
ini O
, O
model O
ujian O
akan O
dibangun O
berdasarkan O
data O
observasi O
yang O
diperoleh O
dan O
hasil O
evaluasi O
yang O
didapat O
dari O
penetration B-METODE
testing. I-METODE
Hasil O
dari O
penelitian O
ini O
diharapkan O
dapat O
menjadi O
rekomendasi O
dalam O
model O
pelakasanaan O
ujian O
secara O
daring O
dan O
selanjutnya O
bisa O
digunakan O
sebagai O
pengganti O
ujian O
menggunakan O
kertas O
pada O
ujian O
luring O
Politeknik O
Statistika O
STIS. O
itu O
peneliti O
Kata O
Kunci— O
Safe O
Exam O
Browser O
, O
Learning O
Management O
System O
, O
Penetration O
testing O
, O
BYOD O
, O
Ujian O
Daring O
, O
[SEP] O
Dari O
hasil O
penelitian O
ini O
menghasilkan O
model B-TEMUAN
ujian I-TEMUAN
BYOD I-TEMUAN
yang I-TEMUAN
aman I-TEMUAN
dan I-TEMUAN
bisa I-TEMUAN
direkomendasikan I-TEMUAN
untuk I-TEMUAN
ujian I-TEMUAN
BYOD I-TEMUAN
di I-TEMUAN
STIS I-TEMUAN
dengan O
beberapa O
catatan O
diantaranya O
adalah O
sebagai O
berikut O
: O
a. O
Jenis O
Ujian O
yang O
digunakan O
adalah O
ujian O
yang O
sifatnya O
teoritis O
/ O
hanya O
berupa O
essay O
/ O
pilihan O
ganda O
sehingga O
memudahkan O
input O
jawaban O
b. O
Untuk O
ujian O
BYOD O
yang O
sifatnya O
jarak O
jauh O
( O
UJJ O
) O
perlu O
merancang O
regulasi O
terkait O
pengawasan O
lewat O
seperti O
posisi O
kamera O
dan O
pemeriksaan O
sebelum O
ujian O
zoom O
c. O
Model O
Ujian O
BYOD O
bisa O
dikombinasikan O
dengan O
LMS O
apapun O
termasuk O
LMS O
dari O
STIS O
sendiri O
yaitu O
TCEXAM O
maupun O
ujj.stis.ac.id O
, O
namun O
untuk O
BYOD O
yang O
sifatnya O
jarak O
jauh O
lebih O
direkomendasikan O
menggunakan O
LMS O
moodle O
karena O
terdapat O
plugin O
SEB O
yang O
memudahkan O
dan O
memitigasi O
kecurangan O
yang O
kurang O
bisa O
dipantau O
karena O
diawasi O
lewat O
zoom O
, O
sehingga O
lebih O
efektif. O

Penerapan O
Safe O
Exam O
Browser O
dalam O
Ujian O
dengan O
Sistem O
Ujian O
BYOD O
Di O
Politeknik O
Statistika O
STIS O
Verry O
Fitra O
Nata O
Rahman O
( O
221710038 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
SST O
, O
MT O
Ringkasan— O
Evaluasi O
merupakan O
hal O
yang O
penting O
dalam O
proses O
pembelajaran O
, O
salah O
satu O
bentuk O
evaluasi O
tersebut O
adalah O
pelaksanaan O
ujian. O
Dalam O
keadaan O
pembelajaran O
daring O
selama O
pandemi O
yang O
dilakukan O
oleh O
Politeknik O
Statistika O
STIS O
menggunakan O
bantuan O
Learning O
Management O
System O
( O
LMS O
) O
. O
Namun O
diperlukan O
suatu O
sistem O
ujian O
yang O
pada O
penerapannya O
mampu O
memberi O
evaluasi O
pembelajaran O
yang O
baik O
dengan O
menjamin O
keamanan O
ujian O
untuk O
memberikan O
hasil O
yang O
sesuai O
seperti O
pada O
keadaan O
pembelajaran O
luring. O
Safe O
Exam O
Browser O
merupakan O
aplikasi O
bantu O
untuk O
mengamankan O
ujian O
daring O
yang O
dapat O
mengakses O
web O
dengan O
tampilan O
layar O
penuh. O
Safe O
Exam O
Browser O
bisa O
dipadukan O
dengan O
LMS O
untuk O
ingin O
menyelenggarakan O
ujian O
daring. O
Untuk O
mengkaji B-TUJUAN
tentang I-TUJUAN
penerapan I-TUJUAN
Safe I-TUJUAN
Exam I-TUJUAN
Browser I-TUJUAN
dalam I-TUJUAN
ujian I-TUJUAN
dengan I-TUJUAN
sistem I-TUJUAN
ujian I-TUJUAN
Bring I-TUJUAN
Your I-TUJUAN
Own I-TUJUAN
Device I-TUJUAN
( I-TUJUAN
BYOD I-TUJUAN
) I-TUJUAN
di I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS. I-TUJUAN
Pada O
penelitian O
ini O
, O
model O
ujian O
akan O
dibangun O
berdasarkan O
data O
observasi O
yang O
diperoleh O
dan O
hasil O
evaluasi O
yang O
didapat O
dari O
penetration B-METODE
testing. I-METODE
Hasil O
dari O
penelitian O
ini O
diharapkan O
dapat O
menjadi O
rekomendasi O
dalam O
model O
pelakasanaan O
ujian O
secara O
daring O
dan O
selanjutnya O
bisa O
digunakan O
sebagai O
pengganti O
ujian O
menggunakan O
kertas O
pada O
ujian O
luring O
Politeknik O
Statistika O
STIS. O
itu O
peneliti O
Kata O
Kunci— O
Safe O
Exam O
Browser O
, O
Learning O
Management O
System O
, O
Penetration O
testing O
, O
BYOD O
, O
Ujian O
Daring O
, O
[SEP] O
Dari O
hasil O
penelitian O
ini O
menghasilkan O
model B-TEMUAN
ujian I-TEMUAN
BYOD I-TEMUAN
yang I-TEMUAN
aman I-TEMUAN
dan I-TEMUAN
bisa I-TEMUAN
direkomendasikan I-TEMUAN
untuk I-TEMUAN
ujian I-TEMUAN
BYOD I-TEMUAN
di I-TEMUAN
STIS I-TEMUAN
dengan O
beberapa O
catatan O
diantaranya O
adalah O
sebagai O
berikut O
: O
a. O
Jenis O
Ujian O
yang O
digunakan O
adalah O
ujian O
yang O
sifatnya O
teoritis O
/ O
hanya O
berupa O
essay O
/ O
pilihan O
ganda O
sehingga O
memudahkan O
input O
jawaban O
b. O
Untuk O
ujian O
BYOD O
yang O
sifatnya O
jarak O
jauh O
( O
UJJ O
) O
perlu O
merancang O
regulasi O
terkait O
pengawasan O
lewat O
seperti O
posisi O
kamera O
dan O
pemeriksaan O
sebelum O
ujian O
zoom O
c. O
Model O
Ujian O
BYOD O
bisa O
dikombinasikan O
dengan O
LMS O
apapun O
termasuk O
LMS O
dari O
STIS O
sendiri O
yaitu O
TCEXAM O
maupun O
ujj.stis.ac.id O
, O
namun O
untuk O
BYOD O
yang O
sifatnya O
jarak O
jauh O
lebih O
direkomendasikan O
menggunakan O
LMS O
moodle O
karena O
terdapat O
plugin O
SEB O
yang O
memudahkan O
dan O
memitigasi O
kecurangan O
yang O
kurang O
bisa O
dipantau O
karena O
diawasi O
lewat O
zoom O
, O
sehingga O
lebih O
efektif. O

Luas O
Area O
Tanam O
Padi O
dengan O
Deep O
Learning O
pada O
Citra O
Satelit O
Resolusi O
Menengah O
Sentinel-2 O
dan O
Landsat-8 O
, O
Studi O
Kasus O
di O
Kabupaten O
Nganjuk O
, O
Jawa O
Timur O
Terry O
Devara O
Tri O
Saadi O
( O
221710028 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
, O
SST O
, O
MT. O
Ringkasan— O
Pada O
tahun O
2018 O
, O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
telah O
memperkenalkan O
metode O
Kerangka O
Sampel O
Area O
( O
KSA O
) O
untuk O
melakukan O
estimasi O
area O
produksi O
padi O
, O
di O
mana O
prosesnya O
masih O
membutuhkan O
sumber O
daya O
manusia. O
Penelitian O
ini O
membahas B-METODE
mengenai I-METODE
pemanfaatan I-METODE
data I-METODE
penginderaan I-METODE
jauh I-METODE
, I-METODE
khususnya I-METODE
citra I-METODE
satelit I-METODE
Sentinel-2 I-METODE
dan I-METODE
Landsat-8 I-METODE
, I-METODE
sebagai I-METODE
pendekatan I-METODE
alternatif I-METODE
yang I-METODE
lebih I-METODE
murah I-METODE
dari I-METODE
sisi I-METODE
tenaga. I-METODE
Penelitian O
ini O
berfokus O
pada O
penentuan O
fitur O
pita O
spektral O
dan O
indeks O
komposit O
citra O
dengan O
pemanfaatan O
metode O
deep O
learning O
untuk O
mendeteksi O
area O
tanam O
padi O
di O
Kabupaten O
Nganjuk O
, O
Jawa O
Timur. O
Selain O
itu O
penelitian O
ini O
bertujuan O
untuk O
membuat O
model O
pengklasifikasian O
terbaik O
, O
sekaligus O
melakukan O
estimasi O
area O
tanam O
padi. O
Hasil O
penelitian O
menunjukan O
model B-TEMUAN
CNN I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
terbaik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
f1-score I-TEMUAN
sebesar I-TEMUAN
97,16 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Kata O
Kunci— O
penginderaan O
jauh O
, O
deteksi O
padi O
, O
deep O
learning O
[SEP] O
Dalam O
penelitian O
ini O
, O
simulasi O
dan O
eksperimen O
mengenai O
pemanfaatan O
deep O
learning O
dalam O
melakukan O
pendeteksian O
area O
tanam O
padi O
pada O
citra O
satelit O
resolusi O
menengah. O
Dari O
simulasi O
yang O
dijalankan O
, O
dapat O
disarikan O
beberapa O
poin O
penting O
yakni O
: O
( O
1 O
) O
fitur O
yang O
digunakan O
sudah O
dapat O
membedakan O
kelas O
dengan O
cukup O
baik O
, O
terutama O
Normalized O
Difference O
Vegetation O
Index O
dan O
Enhanced O
Vegetation O
Index O
dalam O
membedakan O
kelas O
sawah O
; O
( O
2 O
) O
model O
Convolution O
Neural O
Network O
1 O
Dimension O
memberikan O
performa O
terbaik O
, O
baik O
pada O
seluruh O
kelas O
yang O
digunakan O
maupun O
khusus O
pada O
kelas O
sawah O
dengan O
nilai O
f1-score B-METODE
sebesar O
97,16 O
% O
, O
dan O
hasil O
klasifikasi O
pada O
citra B-METODE
satelit I-METODE
Sentinel I-METODE
2 I-METODE
yang O
memiliki O
spatial O
resolution O
lebih O
tinggi O
menunjukkan O
performa O
yang O
lebih O
baik O
; O
( O
3 O
) O
dengan O
mengasumsikan O
bahwa O
hasil O
Kerangka O
Sampel O
Area O
merupakan O
representasi O
dari O
ground O
truth O
, O
estimasi B-TEMUAN
luas I-TEMUAN
lahan I-TEMUAN
tanam I-TEMUAN
padi I-TEMUAN
pada I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
resolusi I-TEMUAN
menengah I-TEMUAN
menggunakan I-TEMUAN
deep I-TEMUAN
learning I-TEMUAN
menunjukkan I-TEMUAN
akurasi I-TEMUAN
yang I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
yaitu I-TEMUAN
seluas I-TEMUAN
66.230,51 I-TEMUAN
hektar. I-TEMUAN
B. O
Saran O
Hal O
yang O
perlu O
dipertimbangkan O
adalah O
, O
karena O
pada O
penelitian O
ini O
menggunakan O
citra O
satelit O
Sentinel O
2 O
dan O
Landsat O
8 O
, O
band O
yang O
digunakan O
hanyalah O
band O
yang O
terdapat O
pada O
kedua O
satelit. O
Sentinel O
2 O
masih O
memiliki O
beberapa O
band O
yang O
tidak O
digunakan O
dalam O
penelitian O
ini. O
Band O
red-edge O
yang O
terdapat O
pada O
Sentinel O
2 O
menunjukkan O
korelasi O
antara O
indeks O
sangat O
komposit O
dengan O
karakteristik O
vegetasi O
yang O
dipengaruhi O
dengan O
band O
lain O
yang O
digunakan O
sebagai O
kombinasi O
[ O
21 O
] O
. O
Selain O
itu O
, O
penelitian O
ini O
berfokus O
pada O
mempelajari O
pixel O
, O
direkomendasikan O
juga O
untuk O
mencoba O
model O
deep O
learning O
lain O
seperti O
Convolution O
Neural O
Network O
2 O
Dimension O
yang O
dapat O
menggali O
fitur O
spasial O
seperti O
distribusi O
warna O
yang O
membuat O
model O
ini O
lebih O
robust O
pada O
data O
dengan O
fitur O
spasial. O
Untuk O
penelitian O
berikutnya O
dapat O
berfokus O
pada O
usia O
tanam O
dan O
produktivitas O
tanaman O
padi O
, O
sesuai O
kebutuhan O
publikasi O
Statistik O
Pertanian O
dan O
perlu O
dipertimbangkan O
juga O
penggunaan O
data O
multi O
temporal. O
tingkatan O
spektral O
pada O
fitur O

Luas O
Area O
Tanam O
Padi O
dengan O
Deep O
Learning O
pada O
Citra O
Satelit O
Resolusi O
Menengah O
Sentinel-2 O
dan O
Landsat-8 O
, O
Studi O
Kasus O
di O
Kabupaten O
Nganjuk O
, O
Jawa O
Timur O
Terry O
Devara O
Tri O
Saadi O
( O
221710028 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
, O
SST O
, O
MT. O
Ringkasan— O
Pada O
tahun O
2018 O
, O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
telah O
memperkenalkan O
metode O
Kerangka O
Sampel O
Area O
( O
KSA O
) O
untuk O
melakukan O
estimasi O
area O
produksi O
padi O
, O
di O
mana O
prosesnya O
masih O
membutuhkan O
sumber O
daya O
manusia. O
Penelitian O
ini O
membahas B-METODE
mengenai I-METODE
pemanfaatan I-METODE
data I-METODE
penginderaan I-METODE
jauh I-METODE
, I-METODE
khususnya I-METODE
citra I-METODE
satelit I-METODE
Sentinel-2 I-METODE
dan I-METODE
Landsat-8 I-METODE
, I-METODE
sebagai I-METODE
pendekatan I-METODE
alternatif I-METODE
yang I-METODE
lebih I-METODE
murah I-METODE
dari I-METODE
sisi I-METODE
tenaga. I-METODE
Penelitian O
ini O
berfokus O
pada O
penentuan O
fitur O
pita O
spektral O
dan O
indeks O
komposit O
citra O
dengan O
pemanfaatan O
metode O
deep O
learning O
untuk O
mendeteksi O
area O
tanam O
padi O
di O
Kabupaten O
Nganjuk O
, O
Jawa O
Timur. O
Selain O
itu O
penelitian O
ini O
bertujuan O
untuk O
membuat O
model O
pengklasifikasian O
terbaik O
, O
sekaligus O
melakukan O
estimasi O
area O
tanam O
padi. O
Hasil O
penelitian O
menunjukan O
model B-TEMUAN
CNN I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
terbaik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
f1-score I-TEMUAN
sebesar I-TEMUAN
97,16 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Kata O
Kunci— O
penginderaan O
jauh O
, O
deteksi O
padi O
, O
deep O
learning O
[SEP] O
Dalam O
penelitian O
ini O
, O
simulasi O
dan O
eksperimen O
mengenai O
pemanfaatan O
deep O
learning O
dalam O
melakukan O
pendeteksian O
area O
tanam O
padi O
pada O
citra O
satelit O
resolusi O
menengah. O
Dari O
simulasi O
yang O
dijalankan O
, O
dapat O
disarikan O
beberapa O
poin O
penting O
yakni O
: O
( O
1 O
) O
fitur O
yang O
digunakan O
sudah O
dapat O
membedakan O
kelas O
dengan O
cukup O
baik O
, O
terutama O
Normalized O
Difference O
Vegetation O
Index O
dan O
Enhanced O
Vegetation O
Index O
dalam O
membedakan O
kelas O
sawah O
; O
( O
2 O
) O
model O
Convolution O
Neural O
Network O
1 O
Dimension O
memberikan O
performa O
terbaik O
, O
baik O
pada O
seluruh O
kelas O
yang O
digunakan O
maupun O
khusus O
pada O
kelas O
sawah O
dengan O
nilai O
f1-score B-METODE
sebesar O
97,16 O
% O
, O
dan O
hasil O
klasifikasi O
pada O
citra B-METODE
satelit I-METODE
Sentinel I-METODE
2 I-METODE
yang O
memiliki O
spatial O
resolution O
lebih O
tinggi O
menunjukkan O
performa O
yang O
lebih O
baik O
; O
( O
3 O
) O
dengan O
mengasumsikan O
bahwa O
hasil O
Kerangka O
Sampel O
Area O
merupakan O
representasi O
dari O
ground O
truth O
, O
estimasi B-TEMUAN
luas I-TEMUAN
lahan I-TEMUAN
tanam I-TEMUAN
padi I-TEMUAN
pada I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
resolusi I-TEMUAN
menengah I-TEMUAN
menggunakan I-TEMUAN
deep I-TEMUAN
learning I-TEMUAN
menunjukkan I-TEMUAN
akurasi I-TEMUAN
yang I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
yaitu I-TEMUAN
seluas I-TEMUAN
66.230,51 I-TEMUAN
hektar. I-TEMUAN
B. O
Saran O
Hal O
yang O
perlu O
dipertimbangkan O
adalah O
, O
karena O
pada O
penelitian O
ini O
menggunakan O
citra O
satelit O
Sentinel O
2 O
dan O
Landsat O
8 O
, O
band O
yang O
digunakan O
hanyalah O
band O
yang O
terdapat O
pada O
kedua O
satelit. O
Sentinel O
2 O
masih O
memiliki O
beberapa O
band O
yang O
tidak O
digunakan O
dalam O
penelitian O
ini. O
Band O
red-edge O
yang O
terdapat O
pada O
Sentinel O
2 O
menunjukkan O
korelasi O
antara O
indeks O
sangat O
komposit O
dengan O
karakteristik O
vegetasi O
yang O
dipengaruhi O
dengan O
band O
lain O
yang O
digunakan O
sebagai O
kombinasi O
[ O
21 O
] O
. O
Selain O
itu O
, O
penelitian O
ini O
berfokus O
pada O
mempelajari O
pixel O
, O
direkomendasikan O
juga O
untuk O
mencoba O
model O
deep O
learning O
lain O
seperti O
Convolution O
Neural O
Network O
2 O
Dimension O
yang O
dapat O
menggali O
fitur O
spasial O
seperti O
distribusi O
warna O
yang O
membuat O
model O
ini O
lebih O
robust O
pada O
data O
dengan O
fitur O
spasial. O
Untuk O
penelitian O
berikutnya O
dapat O
berfokus O
pada O
usia O
tanam O
dan O
produktivitas O
tanaman O
padi O
, O
sesuai O
kebutuhan O
publikasi O
Statistik O
Pertanian O
dan O
perlu O
dipertimbangkan O
juga O
penggunaan O
data O
multi O
temporal. O
tingkatan O
spektral O
pada O
fitur O

Luas O
Area O
Tanam O
Padi O
dengan O
Deep O
Learning O
pada O
Citra O
Satelit O
Resolusi O
Menengah O
Sentinel-2 O
dan O
Landsat-8 O
, O
Studi O
Kasus O
di O
Kabupaten O
Nganjuk O
, O
Jawa O
Timur O
Terry O
Devara O
Tri O
Saadi O
( O
221710028 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
, O
SST O
, O
MT. O
Ringkasan— O
Pada O
tahun O
2018 O
, O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
telah O
memperkenalkan O
metode O
Kerangka O
Sampel O
Area O
( O
KSA O
) O
untuk O
melakukan O
estimasi O
area O
produksi O
padi O
, O
di O
mana O
prosesnya O
masih O
membutuhkan O
sumber O
daya O
manusia. O
Penelitian O
ini O
membahas B-METODE
mengenai I-METODE
pemanfaatan I-METODE
data I-METODE
penginderaan I-METODE
jauh I-METODE
, I-METODE
khususnya I-METODE
citra I-METODE
satelit I-METODE
Sentinel-2 I-METODE
dan I-METODE
Landsat-8 I-METODE
, I-METODE
sebagai I-METODE
pendekatan I-METODE
alternatif I-METODE
yang I-METODE
lebih I-METODE
murah I-METODE
dari I-METODE
sisi I-METODE
tenaga. I-METODE
Penelitian O
ini O
berfokus O
pada O
penentuan O
fitur O
pita O
spektral O
dan O
indeks O
komposit O
citra O
dengan O
pemanfaatan O
metode O
deep O
learning O
untuk O
mendeteksi O
area O
tanam O
padi O
di O
Kabupaten O
Nganjuk O
, O
Jawa O
Timur. O
Selain O
itu O
penelitian O
ini O
bertujuan O
untuk O
membuat O
model O
pengklasifikasian O
terbaik O
, O
sekaligus O
melakukan O
estimasi O
area O
tanam O
padi. O
Hasil O
penelitian O
menunjukan O
model B-TEMUAN
CNN I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
terbaik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
f1-score I-TEMUAN
sebesar I-TEMUAN
97,16 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Kata O
Kunci— O
penginderaan O
jauh O
, O
deteksi O
padi O
, O
deep O
learning O
[SEP] O
Dalam O
penelitian O
ini O
, O
simulasi O
dan O
eksperimen O
mengenai O
pemanfaatan O
deep O
learning O
dalam O
melakukan O
pendeteksian O
area O
tanam O
padi O
pada O
citra O
satelit O
resolusi O
menengah. O
Dari O
simulasi O
yang O
dijalankan O
, O
dapat O
disarikan O
beberapa O
poin O
penting O
yakni O
: O
( O
1 O
) O
fitur O
yang O
digunakan O
sudah O
dapat O
membedakan O
kelas O
dengan O
cukup O
baik O
, O
terutama O
Normalized O
Difference O
Vegetation O
Index O
dan O
Enhanced O
Vegetation O
Index O
dalam O
membedakan O
kelas O
sawah O
; O
( O
2 O
) O
model O
Convolution O
Neural O
Network O
1 O
Dimension O
memberikan O
performa O
terbaik O
, O
baik O
pada O
seluruh O
kelas O
yang O
digunakan O
maupun O
khusus O
pada O
kelas O
sawah O
dengan O
nilai O
f1-score B-METODE
sebesar O
97,16 O
% O
, O
dan O
hasil O
klasifikasi O
pada O
citra B-METODE
satelit I-METODE
Sentinel I-METODE
2 I-METODE
yang O
memiliki O
spatial O
resolution O
lebih O
tinggi O
menunjukkan O
performa O
yang O
lebih O
baik O
; O
( O
3 O
) O
dengan O
mengasumsikan O
bahwa O
hasil O
Kerangka O
Sampel O
Area O
merupakan O
representasi O
dari O
ground O
truth O
, O
estimasi B-TEMUAN
luas I-TEMUAN
lahan I-TEMUAN
tanam I-TEMUAN
padi I-TEMUAN
pada I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
resolusi I-TEMUAN
menengah I-TEMUAN
menggunakan I-TEMUAN
deep I-TEMUAN
learning I-TEMUAN
menunjukkan I-TEMUAN
akurasi I-TEMUAN
yang I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
yaitu I-TEMUAN
seluas I-TEMUAN
66.230,51 I-TEMUAN
hektar. I-TEMUAN
B. O
Saran O
Hal O
yang O
perlu O
dipertimbangkan O
adalah O
, O
karena O
pada O
penelitian O
ini O
menggunakan O
citra O
satelit O
Sentinel O
2 O
dan O
Landsat O
8 O
, O
band O
yang O
digunakan O
hanyalah O
band O
yang O
terdapat O
pada O
kedua O
satelit. O
Sentinel O
2 O
masih O
memiliki O
beberapa O
band O
yang O
tidak O
digunakan O
dalam O
penelitian O
ini. O
Band O
red-edge O
yang O
terdapat O
pada O
Sentinel O
2 O
menunjukkan O
korelasi O
antara O
indeks O
sangat O
komposit O
dengan O
karakteristik O
vegetasi O
yang O
dipengaruhi O
dengan O
band O
lain O
yang O
digunakan O
sebagai O
kombinasi O
[ O
21 O
] O
. O
Selain O
itu O
, O
penelitian O
ini O
berfokus O
pada O
mempelajari O
pixel O
, O
direkomendasikan O
juga O
untuk O
mencoba O
model O
deep O
learning O
lain O
seperti O
Convolution O
Neural O
Network O
2 O
Dimension O
yang O
dapat O
menggali O
fitur O
spasial O
seperti O
distribusi O
warna O
yang O
membuat O
model O
ini O
lebih O
robust O
pada O
data O
dengan O
fitur O
spasial. O
Untuk O
penelitian O
berikutnya O
dapat O
berfokus O
pada O
usia O
tanam O
dan O
produktivitas O
tanaman O
padi O
, O
sesuai O
kebutuhan O
publikasi O
Statistik O
Pertanian O
dan O
perlu O
dipertimbangkan O
juga O
penggunaan O
data O
multi O
temporal. O
tingkatan O
spektral O
pada O
fitur O

Algoritma O
Support O
Vector O
Machine O
dalam O
Penentuan O
Tingkat O
Kemacetan O
pada O
Data O
Jejaring O
Sosial O
Twitter O
Studi O
Kasus O
: O
Provinsi O
DKI O
Jakarta O
Syifa O
Rizqi O
Qatrunnada O
( O
221710026 O
, O
4 O
SD O
2 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
SST O
, O
M.Si O
zaman O
sekarang O
Ringkasan— O
Masyarakat O
sering O
mencurahkan O
keluhan O
mengenai O
permasalahan O
yang O
mereka O
hadapi O
melalui O
sosial O
media O
, O
salah O
satunya O
adalah O
sosial O
media O
Twitter O
. O
Setiap O
tweet O
publik O
yang O
diekspos O
dapat O
direkam O
oleh O
Twitter O
, O
sehingga O
datanya O
dapat O
digunakan O
untuk O
dianalisis. O
Twitter O
dapat O
memberi O
kita O
berbagai O
jenis O
informasi. O
Salah O
satu O
informasi O
yang O
dapat O
diperoleh O
dari O
Twitter O
adalah O
informasi O
tentang O
kondisi O
lalu O
lintas. O
Di O
kota O
besar O
seperti O
Jakarta O
, O
kemacetan O
lalu O
lintas O
menjadi O
persoalan O
yang O
kerap O
dibicarakan. O
Kemacetan O
sangat O
menghambat O
masyarakat O
dalam O
melakukan O
mobilitas. O
Tersendatnya O
arus O
lalu O
lintas O
dapat O
memberikan O
dampak O
buruk O
terhadap O
perekonomian O
, O
terutama O
dari O
segi O
bahan O
bakar O
yang O
digunakan. O
Warga O
DKI O
Jakarta O
menggunakan O
Twitter O
sebagai O
media O
sosial O
untuk O
bertukar O
informasi O
tentang O
kondisi O
lalu O
lintas. O
Biasanya O
warga O
Jakarta O
menggunakan O
akun O
dan O
@ O
TMCPoldaMetro O
, O
@ O
RadioElshinta O
, O
@ O
lewatmana O
, O
@ O
SonoraFM92 O
untuk O
memberikan O
informasi O
tentang O
kondisi O
lalu O
lintas O
di O
sekitar O
mereka. O
Kata O
Kunci— O
Twitter O
, O
Kemacetan O
, O
Klasifikasi O
, O
SVM O
, O
Support O
Vector O
Machine O
[SEP] O
Berdasarkan O
pemaparan O
hasil O
dan O
pembahasan O
sebelumnya O
, O
dapat O
disimpulkan O
bahwa O
: O
1. O
Klasifikasi B-METODE
menggunakan O
Support O
Vector O
Machine O
dapat O
bekerja O
dengan O
baik O
untuk O
mengklasifikasikan O
kemacetan O
di O
DKI O
Jakarta. O
2. O
Tweet O
terkait O
kemacetan O
menunjukkan O
bahwa O
kemacetan O
terjadi O
pada O
hari O
dan O
jam O
kerja. O
3. O
Proporsi O
tweet O
terkait O
kemacetan O
harian O
tertinggi O
terjadi O
di O
hari O
Selasa O
, O
3 O
Maret O
2020 O
dengan O
proporsi O
tweet O
sebesar O
43,90. O
Sedangkan O
proporsi O
tweet O
kemacetan O
harian O
terendah O
pada O
bulan O
Maret O
2020 O
terjadi O
pada O
hari O
Sabtu O
, O
28 O
Maret O
2020 O
dengan O
proporsi O
tweet O
sebesar O
1,52. O
4. O
Berdasarkan O
proporsi O
tweet O
kemacetan O
harian O
tertinggi O
( O
3 O
Maret O
2020 O
) O
, O
Jakarta O
Selatan O
merupakan O
kota O
yang O
memiliki O
jumlah O
tweet O
terbanyak O
terkait O
informasi O
lalu O
lintas O
dan O
juga O
memiliki O
proporsi O
tweet O
kemacetan O
tertinggi. O
Di O
hari O
yang O
sama O
, O
tweet O
terendah O
dimiliki O
oleh O
kota O
Jakarta O
Barat O
, O
yaitu O
sebesar O
24 O
tweet. O
Namun O
untuk O
proporsi O
tweet O
kemacetan O
terendah O
dimiliki O
oleh O
Jakarta O
Utara O
, O
yaitu O
sebesar O
18,75. O
Adapun O
saran O
untuk O
pengembangan O
dari O
penelitian O
ini O
adalah O
sebagai O
berikut O
: O
1. O
Akurasi O
perwilayah O
perlu O
diperhitungkan. O
Jika O
langsung O
diambil O
memungkinkan O
, O
dalam O
scraping O
longitude O
dan O
latitude-nya. O
2. O
Penambahan O
data O
1 O
bulan O
maju O
dan O
1 O
bulan O
mundur O
untuk O
melihat O
perubahan O
pola O
kemacetan O
lalu O
lintas O
karena O
pandemi O
Covid-19. O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Chatbot O
Halo O
WARKOP O
dengan O
Metode O
TF-IDF O
dan O
Cosine O
Similarity O
Sukma O
Nirmala O
Dewi O
( O
221710021 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
Ph.D O
Ringkasan— O
Warung O
Kompetensi O
Pegawai O
( O
WARKOP O
) O
Pusdiklat O
BPS O
merupakan O
platform O
pengembangan O
Sumber O
Daya O
Manusia O
( O
SDM O
) O
menggunakan O
berbagai O
metode O
pembelajaran O
dengan O
mengoptimalkan O
teknologi. O
Pengunjung O
WARKOP O
bervariasi O
baik O
dari O
pihak O
internal O
maupun O
eksternal O
BPS. O
Pertanyaan O
yang O
ditanyakan O
oleh O
pengunjung O
web O
WARKOP O
bervariasi O
meskipun O
topik O
pertanyaannya O
tidak O
jauh O
berbeda. O
Kesamaan O
topik O
pertanyaan O
yang O
muncul O
menyebabkan O
admin O
WARKOP O
menjawab O
pertanyaan O
yang O
sama O
secara O
berulang. O
Selain O
itu O
, O
pertanyaan O
yang O
muncul O
tidak O
dapat O
selalu O
terjawab O
dikarenakan O
kurangnya O
SDM. O
Oleh O
karena O
itu O
, O
fitur O
Chatbot O
Halo O
WARKOP O
dibuat. O
Fitur O
chatbot O
dibuat O
dengan O
menggunakan O
metode B-METODE
TF-IDF I-METODE
dan I-METODE
Cosine I-METODE
Similarity. I-METODE
Pada O
pengujian O
sistem O
didapatkan O
hasil O
SUS B-METODE
bahwa O
sistem B-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
precision I-TEMUAN
sebesar I-TEMUAN
90.45 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
recall I-TEMUAN
sebesar I-TEMUAN
100 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Kata O
Kunci— O
WARKOP O
, O
Pusdiklat O
, O
TF-IDF O
, O
Cosine O
Similarity O
, O
Chatbot. O
[SEP] O
Bagian O
ini O
berisi O
uraian O
kesimpulan O
dari O
hasil O
penelitian O
dan O
pembahasan O
, O
berikut O
saran O
penelitian. O
Berdasarkan O
pemaparan O
sistem O
diatas O
maka O
dapat O
disimpulkan O
: O
1. O
Metode B-METODE
TF-IDF I-METODE
dan I-METODE
Cosine I-METODE
similarity I-METODE
berhasil O
diterapkan O
pada O
sistem O
dengan O
precision O
90.45 O
% O
dan O
recall O
sebesar O
100 O
% O
. O
2. O
Sistem O
untuk O
mengelola O
pertanyaan O
dan O
jawaban O
berhasil O
dibuat O
dan O
telah O
diuji O
menggunakan O
SUS B-METODE
dengan O
hasil O
akhir O
diterima O
oleh O
pengguna. O
Adapun O
kekurangan O
dari O
penelitian O
ini O
adalah O
sebagai O
berikut O
1. O
Chatbot O
masih O
belum O
dapat O
memahami O
pertanyaan O
dengan O
makna O
serupa O
tetapi O
kalimat O
pertanyaan O
berbeda O
yang O
tidak O
mengandung O
kata O
kunci. O
2. O
Pada O
chatbot O
belum O
bisa O
diterapkan O
metode O
deep O
learning O
sebab O
jumlah O
data O
awal O
belum O
terpenuhi. O
3. O
Halaman O
chat O
room O
masih O
belum O
dapat O
ditampilkan O
dalam O
mode O
widget O
javascript O
sehingga O
belum O
dapat O
ditampilkan O
langsung O
dalam O
web O
WARKOP. O
Berikut O
saran O
pada O
penelitian O
ini O
: O
1. O
Pada O
penelitian O
selanjutnya O
diharapkan O
dapat O
menerapkan O
metode O
deep O
learning O
agar O
chatbot O
mengerti O
pertanyaan O
dengan O
kalimat O
berbeda O
namun O
konteks O
yang O
sama. O
2. O
Pada O
penelitian O
selanjutnya O
halaman O
chat O
room O
dapat O
ditampilkan O
langsung O
dalam O
web O
WARKOP. O

Chatbot O
Halo O
WARKOP O
dengan O
Metode O
TF-IDF O
dan O
Cosine O
Similarity O
Sukma O
Nirmala O
Dewi O
( O
221710021 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
Ph.D O
Ringkasan— O
Warung O
Kompetensi O
Pegawai O
( O
WARKOP O
) O
Pusdiklat O
BPS O
merupakan O
platform O
pengembangan O
Sumber O
Daya O
Manusia O
( O
SDM O
) O
menggunakan O
berbagai O
metode O
pembelajaran O
dengan O
mengoptimalkan O
teknologi. O
Pengunjung O
WARKOP O
bervariasi O
baik O
dari O
pihak O
internal O
maupun O
eksternal O
BPS. O
Pertanyaan O
yang O
ditanyakan O
oleh O
pengunjung O
web O
WARKOP O
bervariasi O
meskipun O
topik O
pertanyaannya O
tidak O
jauh O
berbeda. O
Kesamaan O
topik O
pertanyaan O
yang O
muncul O
menyebabkan O
admin O
WARKOP O
menjawab O
pertanyaan O
yang O
sama O
secara O
berulang. O
Selain O
itu O
, O
pertanyaan O
yang O
muncul O
tidak O
dapat O
selalu O
terjawab O
dikarenakan O
kurangnya O
SDM. O
Oleh O
karena O
itu O
, O
fitur O
Chatbot O
Halo O
WARKOP O
dibuat. O
Fitur O
chatbot O
dibuat O
dengan O
menggunakan O
metode B-METODE
TF-IDF I-METODE
dan I-METODE
Cosine I-METODE
Similarity. I-METODE
Pada O
pengujian O
sistem O
didapatkan O
hasil O
SUS B-METODE
bahwa O
sistem B-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
, I-TEMUAN
serta I-TEMUAN
precision I-TEMUAN
sebesar I-TEMUAN
90.45 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
recall I-TEMUAN
sebesar I-TEMUAN
100 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Kata O
Kunci— O
WARKOP O
, O
Pusdiklat O
, O
TF-IDF O
, O
Cosine O
Similarity O
, O
Chatbot. O
[SEP] O
Bagian O
ini O
berisi O
uraian O
kesimpulan O
dari O
hasil O
penelitian O
dan O
pembahasan O
, O
berikut O
saran O
penelitian. O
Berdasarkan O
pemaparan O
sistem O
diatas O
maka O
dapat O
disimpulkan O
: O
1. O
Metode B-METODE
TF-IDF I-METODE
dan I-METODE
Cosine I-METODE
similarity I-METODE
berhasil O
diterapkan O
pada O
sistem O
dengan O
precision O
90.45 O
% O
dan O
recall O
sebesar O
100 O
% O
. O
2. O
Sistem O
untuk O
mengelola O
pertanyaan O
dan O
jawaban O
berhasil O
dibuat O
dan O
telah O
diuji O
menggunakan O
SUS B-METODE
dengan O
hasil O
akhir O
diterima O
oleh O
pengguna. O
Adapun O
kekurangan O
dari O
penelitian O
ini O
adalah O
sebagai O
berikut O
1. O
Chatbot O
masih O
belum O
dapat O
memahami O
pertanyaan O
dengan O
makna O
serupa O
tetapi O
kalimat O
pertanyaan O
berbeda O
yang O
tidak O
mengandung O
kata O
kunci. O
2. O
Pada O
chatbot O
belum O
bisa O
diterapkan O
metode O
deep O
learning O
sebab O
jumlah O
data O
awal O
belum O
terpenuhi. O
3. O
Halaman O
chat O
room O
masih O
belum O
dapat O
ditampilkan O
dalam O
mode O
widget O
javascript O
sehingga O
belum O
dapat O
ditampilkan O
langsung O
dalam O
web O
WARKOP. O
Berikut O
saran O
pada O
penelitian O
ini O
: O
1. O
Pada O
penelitian O
selanjutnya O
diharapkan O
dapat O
menerapkan O
metode O
deep O
learning O
agar O
chatbot O
mengerti O
pertanyaan O
dengan O
kalimat O
berbeda O
namun O
konteks O
yang O
sama. O
2. O
Pada O
penelitian O
selanjutnya O
halaman O
chat O
room O
dapat O
ditampilkan O
langsung O
dalam O
web O
WARKOP. O

Clustering O
Kerentanan O
Sosial O
terhadap O
Bencana O
Alam O
Menggunakan O
Geographically O
Weighted O
Principal O
Components O
Analysis O
dan O
Fuzzy O
Geographically O
Weighted O
Clustering O
( O
Studi O
kasus O
di O
seluruh O
kabupaten O
/ O
kota O
di O
Indonesia O
tahun O
2019 O
) O
Sufyan O
Aziz O
Prabaswara O
( O
221710020 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Yuliagnis O
Transver O
Wijaya O
Ringkasan— O
Indonesia O
merupakan O
negara O
dengan O
jumlah O
bencana O
alam O
yang O
banyak. O
Bencana O
alam O
yang O
ada O
dapat O
menyebabkan O
berbagai O
risiko O
pada O
masyarakat. O
Besarnya O
risiko O
yang O
harus O
diderita O
oleh O
masyarakat O
dapat O
dilihat O
dari O
tingkat O
kerentanan O
sosial O
terhadap O
bencana O
alam O
di O
wilahnya. O
Semakin O
tinggi O
tingkat O
kerentanan O
suatu O
daerah O
, O
semakin O
tinggi O
juga O
risiko O
yang O
akan O
didapatkan. O
Indonesia O
memiliki O
letak O
geografis O
yang O
bermacam-macam O
yang O
mana O
menyebabkan O
kerentanan O
sosial O
tiap O
daerah O
di O
Indonesia O
berbeda-beda. O
Oleh O
karena O
itu O
perlu O
dilakukan O
penelitian O
untuk O
mengetahui B-TUJUAN
gambaran I-TUJUAN
mengenai I-TUJUAN
kerentanan I-TUJUAN
sosial I-TUJUAN
di I-TUJUAN
seluruh I-TUJUAN
Indonesia. I-TUJUAN
Penelitian O
ini O
meneliti O
tentang O
persebaran O
kerentanan O
sosial O
yang O
ada O
di O
Indonesia O
menggunakan O
metode O
Geographically O
Weighted O
Principal O
Components O
Analysis O
( O
GWPCA O
) O
dan O
juga O
melakukan O
clustering B-METODE
yaitu O
dengan O
menerapkan O
Fuzzy O
Geographically O
Weighted O
Clustering O
( O
FGWC O
) O
menggunakan O
optimasi O
Particle O
Swarm O
Optimization O
( O
PSO O
) O
. O
Hasil B-TEMUAN
yang I-TEMUAN
didapatkan I-TEMUAN
dari I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
adalah I-TEMUAN
gambaran I-TEMUAN
kerentanan I-TEMUAN
sosial I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
di I-TEMUAN
seluruh I-TEMUAN
Indonesia I-TEMUAN
dalam I-TEMUAN
tinggi I-TEMUAN
dan I-TEMUAN
rendah I-TEMUAN
kerentanan. I-TEMUAN
Kata O
Kunci— O
Bencana O
alam O
, O
kerentanan O
sosial O
, O
GWPCA O
, O
FGWC-PSO. O
[SEP] O
Dari O
hasil O
pembahasan O
yang O
ada O
di O
atas O
, O
terdapat O
beberapa O
kesimpulan O
yang O
di O
peroleh O
, O
yaitu O
: O
Dari O
hasil O
peta O
yang O
ada O
, O
dengan O
melihat O
hasil O
cluster O
maka O
daerah B-TEMUAN
kerentanan I-TEMUAN
sosial I-TEMUAN
yang I-TEMUAN
tinggi I-TEMUAN
berada I-TEMUAN
di I-TEMUAN
sekitar I-TEMUAN
Kalimantan I-TEMUAN
sebelah I-TEMUAN
timur I-TEMUAN
, I-TEMUAN
Jawa I-TEMUAN
, I-TEMUAN
Sulawesi I-TEMUAN
Utara I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
beberapa I-TEMUAN
daerah I-TEMUAN
di I-TEMUAN
Papua. I-TEMUAN
Persebaran O
kerentanan O
sosial O
yang O
dapat O
dilihat O
di O
peta O
memiliki O
pola O
yang O
mengelompok O
yang O
menyebabkan O
adanya O
kesamaan O
karakteristik O
pada O
daerah O
yang O
berdekatan. O
Dari O
penelitian O
yang O
sudah O
di O
dilakukan O
ini O
, O
terdapat O
saran O
untuk O
penelitian O
kedepannya O
, O
yaitu O
: O
1. O
Peneliti O
hanya O
menggunakan O
beberapa O
variabel O
saja O
dalam O
ini O
dapat O
pembentukan O
kerentanan O
sosial O
, O
variabel O
7 O
/ O
8 O
ditambahkan O
sesuai O
dengan O
variabel O
pembentuk O
kerentanan O
sosial O
yang O
ada. O
2. O
Dalam O
melakukan O
clustering O
FGWC O
– O
PSO O
, O
peneliti O
menggunakan O
parameter O
yang O
sama O
untuk O
tiap O
clusternya O
, O
maka O
dari O
itu O
dapat O
ditambahkan O
parameter O
yang O
berbeda- O
beda O
untuk O
mendapatkan O
cluster O
terbaik. O
3. O
Untuk O
pemerintah O
atau O
pemangku O
kebijakan O
, O
dengan O
menggunakan O
parameter O
cluster O
yang O
sudah O
konsisten O
, O
dapat O
digunakan O
untuk O
membuat O
kebijakan-kebijakan O
yang O
sesuai O
untuk O
meningkatkan O
kualitas O
dari O
sarana O
maupun O
prasarana O
untuk O
mengurangi O
kerentanan O
sosial O
yang O
ada O
pada O
daerah-daerah O
yang O
merupakan O
wilayah O
dengan O
tingkat O
kerentanan O
sosial O
yang O
tinggi. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O

Clustering O
Kerentanan O
Sosial O
terhadap O
Bencana O
Alam O
Menggunakan O
Geographically O
Weighted O
Principal O
Components O
Analysis O
dan O
Fuzzy O
Geographically O
Weighted O
Clustering O
( O
Studi O
kasus O
di O
seluruh O
kabupaten O
/ O
kota O
di O
Indonesia O
tahun O
2019 O
) O
Sufyan O
Aziz O
Prabaswara O
( O
221710020 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Yuliagnis O
Transver O
Wijaya O
Ringkasan— O
Indonesia O
merupakan O
negara O
dengan O
jumlah O
bencana O
alam O
yang O
banyak. O
Bencana O
alam O
yang O
ada O
dapat O
menyebabkan O
berbagai O
risiko O
pada O
masyarakat. O
Besarnya O
risiko O
yang O
harus O
diderita O
oleh O
masyarakat O
dapat O
dilihat O
dari O
tingkat O
kerentanan O
sosial O
terhadap O
bencana O
alam O
di O
wilahnya. O
Semakin O
tinggi O
tingkat O
kerentanan O
suatu O
daerah O
, O
semakin O
tinggi O
juga O
risiko O
yang O
akan O
didapatkan. O
Indonesia O
memiliki O
letak O
geografis O
yang O
bermacam-macam O
yang O
mana O
menyebabkan O
kerentanan O
sosial O
tiap O
daerah O
di O
Indonesia O
berbeda-beda. O
Oleh O
karena O
itu O
perlu O
dilakukan O
penelitian O
untuk O
mengetahui B-TUJUAN
gambaran I-TUJUAN
mengenai I-TUJUAN
kerentanan I-TUJUAN
sosial I-TUJUAN
di I-TUJUAN
seluruh I-TUJUAN
Indonesia. I-TUJUAN
Penelitian O
ini O
meneliti O
tentang O
persebaran O
kerentanan O
sosial O
yang O
ada O
di O
Indonesia O
menggunakan O
metode O
Geographically O
Weighted O
Principal O
Components O
Analysis O
( O
GWPCA O
) O
dan O
juga O
melakukan O
clustering B-METODE
yaitu O
dengan O
menerapkan O
Fuzzy O
Geographically O
Weighted O
Clustering O
( O
FGWC O
) O
menggunakan O
optimasi O
Particle O
Swarm O
Optimization O
( O
PSO O
) O
. O
Hasil B-TEMUAN
yang I-TEMUAN
didapatkan I-TEMUAN
dari I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
adalah I-TEMUAN
gambaran I-TEMUAN
kerentanan I-TEMUAN
sosial I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
di I-TEMUAN
seluruh I-TEMUAN
Indonesia I-TEMUAN
dalam I-TEMUAN
tinggi I-TEMUAN
dan I-TEMUAN
rendah I-TEMUAN
kerentanan. I-TEMUAN
Kata O
Kunci— O
Bencana O
alam O
, O
kerentanan O
sosial O
, O
GWPCA O
, O
FGWC-PSO. O
[SEP] O
Dari O
hasil O
pembahasan O
yang O
ada O
di O
atas O
, O
terdapat O
beberapa O
kesimpulan O
yang O
di O
peroleh O
, O
yaitu O
: O
Dari O
hasil O
peta O
yang O
ada O
, O
dengan O
melihat O
hasil O
cluster O
maka O
daerah B-TEMUAN
kerentanan I-TEMUAN
sosial I-TEMUAN
yang I-TEMUAN
tinggi I-TEMUAN
berada I-TEMUAN
di I-TEMUAN
sekitar I-TEMUAN
Kalimantan I-TEMUAN
sebelah I-TEMUAN
timur I-TEMUAN
, I-TEMUAN
Jawa I-TEMUAN
, I-TEMUAN
Sulawesi I-TEMUAN
Utara I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
beberapa I-TEMUAN
daerah I-TEMUAN
di I-TEMUAN
Papua. I-TEMUAN
Persebaran O
kerentanan O
sosial O
yang O
dapat O
dilihat O
di O
peta O
memiliki O
pola O
yang O
mengelompok O
yang O
menyebabkan O
adanya O
kesamaan O
karakteristik O
pada O
daerah O
yang O
berdekatan. O
Dari O
penelitian O
yang O
sudah O
di O
dilakukan O
ini O
, O
terdapat O
saran O
untuk O
penelitian O
kedepannya O
, O
yaitu O
: O
1. O
Peneliti O
hanya O
menggunakan O
beberapa O
variabel O
saja O
dalam O
ini O
dapat O
pembentukan O
kerentanan O
sosial O
, O
variabel O
7 O
/ O
8 O
ditambahkan O
sesuai O
dengan O
variabel O
pembentuk O
kerentanan O
sosial O
yang O
ada. O
2. O
Dalam O
melakukan O
clustering O
FGWC O
– O
PSO O
, O
peneliti O
menggunakan O
parameter O
yang O
sama O
untuk O
tiap O
clusternya O
, O
maka O
dari O
itu O
dapat O
ditambahkan O
parameter O
yang O
berbeda- O
beda O
untuk O
mendapatkan O
cluster O
terbaik. O
3. O
Untuk O
pemerintah O
atau O
pemangku O
kebijakan O
, O
dengan O
menggunakan O
parameter O
cluster O
yang O
sudah O
konsisten O
, O
dapat O
digunakan O
untuk O
membuat O
kebijakan-kebijakan O
yang O
sesuai O
untuk O
meningkatkan O
kualitas O
dari O
sarana O
maupun O
prasarana O
untuk O
mengurangi O
kerentanan O
sosial O
yang O
ada O
pada O
daerah-daerah O
yang O
merupakan O
wilayah O
dengan O
tingkat O
kerentanan O
sosial O
yang O
tinggi. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O

Clustering O
Kerentanan O
Sosial O
terhadap O
Bencana O
Alam O
Menggunakan O
Geographically O
Weighted O
Principal O
Components O
Analysis O
dan O
Fuzzy O
Geographically O
Weighted O
Clustering O
( O
Studi O
kasus O
di O
seluruh O
kabupaten O
/ O
kota O
di O
Indonesia O
tahun O
2019 O
) O
Sufyan O
Aziz O
Prabaswara O
( O
221710020 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Yuliagnis O
Transver O
Wijaya O
Ringkasan— O
Indonesia O
merupakan O
negara O
dengan O
jumlah O
bencana O
alam O
yang O
banyak. O
Bencana O
alam O
yang O
ada O
dapat O
menyebabkan O
berbagai O
risiko O
pada O
masyarakat. O
Besarnya O
risiko O
yang O
harus O
diderita O
oleh O
masyarakat O
dapat O
dilihat O
dari O
tingkat O
kerentanan O
sosial O
terhadap O
bencana O
alam O
di O
wilahnya. O
Semakin O
tinggi O
tingkat O
kerentanan O
suatu O
daerah O
, O
semakin O
tinggi O
juga O
risiko O
yang O
akan O
didapatkan. O
Indonesia O
memiliki O
letak O
geografis O
yang O
bermacam-macam O
yang O
mana O
menyebabkan O
kerentanan O
sosial O
tiap O
daerah O
di O
Indonesia O
berbeda-beda. O
Oleh O
karena O
itu O
perlu O
dilakukan O
penelitian O
untuk O
mengetahui B-TUJUAN
gambaran I-TUJUAN
mengenai I-TUJUAN
kerentanan I-TUJUAN
sosial I-TUJUAN
di I-TUJUAN
seluruh I-TUJUAN
Indonesia. I-TUJUAN
Penelitian O
ini O
meneliti O
tentang O
persebaran O
kerentanan O
sosial O
yang O
ada O
di O
Indonesia O
menggunakan O
metode O
Geographically O
Weighted O
Principal O
Components O
Analysis O
( O
GWPCA O
) O
dan O
juga O
melakukan O
clustering B-METODE
yaitu O
dengan O
menerapkan O
Fuzzy O
Geographically O
Weighted O
Clustering O
( O
FGWC O
) O
menggunakan O
optimasi O
Particle O
Swarm O
Optimization O
( O
PSO O
) O
. O
Hasil B-TEMUAN
yang I-TEMUAN
didapatkan I-TEMUAN
dari I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
adalah I-TEMUAN
gambaran I-TEMUAN
kerentanan I-TEMUAN
sosial I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
di I-TEMUAN
seluruh I-TEMUAN
Indonesia I-TEMUAN
dalam I-TEMUAN
tinggi I-TEMUAN
dan I-TEMUAN
rendah I-TEMUAN
kerentanan. I-TEMUAN
Kata O
Kunci— O
Bencana O
alam O
, O
kerentanan O
sosial O
, O
GWPCA O
, O
FGWC-PSO. O
[SEP] O
Dari O
hasil O
pembahasan O
yang O
ada O
di O
atas O
, O
terdapat O
beberapa O
kesimpulan O
yang O
di O
peroleh O
, O
yaitu O
: O
Dari O
hasil O
peta O
yang O
ada O
, O
dengan O
melihat O
hasil O
cluster O
maka O
daerah B-TEMUAN
kerentanan I-TEMUAN
sosial I-TEMUAN
yang I-TEMUAN
tinggi I-TEMUAN
berada I-TEMUAN
di I-TEMUAN
sekitar I-TEMUAN
Kalimantan I-TEMUAN
sebelah I-TEMUAN
timur I-TEMUAN
, I-TEMUAN
Jawa I-TEMUAN
, I-TEMUAN
Sulawesi I-TEMUAN
Utara I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
beberapa I-TEMUAN
daerah I-TEMUAN
di I-TEMUAN
Papua. I-TEMUAN
Persebaran O
kerentanan O
sosial O
yang O
dapat O
dilihat O
di O
peta O
memiliki O
pola O
yang O
mengelompok O
yang O
menyebabkan O
adanya O
kesamaan O
karakteristik O
pada O
daerah O
yang O
berdekatan. O
Dari O
penelitian O
yang O
sudah O
di O
dilakukan O
ini O
, O
terdapat O
saran O
untuk O
penelitian O
kedepannya O
, O
yaitu O
: O
1. O
Peneliti O
hanya O
menggunakan O
beberapa O
variabel O
saja O
dalam O
ini O
dapat O
pembentukan O
kerentanan O
sosial O
, O
variabel O
7 O
/ O
8 O
ditambahkan O
sesuai O
dengan O
variabel O
pembentuk O
kerentanan O
sosial O
yang O
ada. O
2. O
Dalam O
melakukan O
clustering O
FGWC O
– O
PSO O
, O
peneliti O
menggunakan O
parameter O
yang O
sama O
untuk O
tiap O
clusternya O
, O
maka O
dari O
itu O
dapat O
ditambahkan O
parameter O
yang O
berbeda- O
beda O
untuk O
mendapatkan O
cluster O
terbaik. O
3. O
Untuk O
pemerintah O
atau O
pemangku O
kebijakan O
, O
dengan O
menggunakan O
parameter O
cluster O
yang O
sudah O
konsisten O
, O
dapat O
digunakan O
untuk O
membuat O
kebijakan-kebijakan O
yang O
sesuai O
untuk O
meningkatkan O
kualitas O
dari O
sarana O
maupun O
prasarana O
untuk O
mengurangi O
kerentanan O
sosial O
yang O
ada O
pada O
daerah-daerah O
yang O
merupakan O
wilayah O
dengan O
tingkat O
kerentanan O
sosial O
yang O
tinggi. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O

Big O
Data O
pada O
Small O
Area O
Estimation O
Rata-Rata O
Pengeluaran O
per O
Kapita O
( O
Studi O
Kasus O
: O
Provinsi O
Daerah O
Istimewa O
Yogyakarta O
) O
Shinta O
Mahaputri O
Hakim O
( O
221710013 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Azka O
Ubaidillah O
, O
S.S.T. O
, O
M.Si. O
Ringkasan— O
Indonesia O
sebagai O
negara O
yang O
menganut O
sistem O
pemerintahan O
desentralisasi O
, O
tentunya O
penting O
bagi O
pemerintah O
untuk O
mengetahui O
gambaran O
wilayah O
melalui O
data O
dalam O
mewujudkan O
pembangunan O
daerah O
otonom. O
Salah O
satu O
tolak O
ukur O
keberhasilan O
pembangunan O
tersebut O
diukur O
melalui O
IPM O
yang O
salah O
satu O
komponennya O
adalah O
pengeluaran O
per O
kapita. O
Akan O
tetapi O
, O
estimasi O
pengeluaran O
per O
kapita O
tingkat O
kecamatan O
sulit O
dilakukan O
karena O
kurangnya O
sampel. O
SAE B-METODE
sebagai O
salah O
satu O
solusi O
BPS O
dalam O
melakukan O
estimasi O
pada O
wilayah O
kecil. O
Biasanya O
, O
BPS O
memanfaatkan O
data O
Podes O
sebagai O
variabel O
penyerta O
dalam O
SAE O
, O
akan O
tetapi O
pengumpulan O
data O
Podes O
hanya O
dilakukan O
tiga O
kali O
dalam O
sepuluh O
tahun O
sehingga O
terkadang O
hasil O
estimasi O
SAE O
menjadi O
out O
of O
date. O
Penelitian O
ini O
bertujuan O
untuk O
mengkaji B-TUJUAN
penggunaan I-TUJUAN
big I-TUJUAN
data I-TUJUAN
( I-TUJUAN
dalam I-TUJUAN
hal I-TUJUAN
ini I-TUJUAN
hasil I-TUJUAN
olahan I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
) I-TUJUAN
sebagai I-TUJUAN
variabel I-TUJUAN
penyerta I-TUJUAN
untuk I-TUJUAN
estimasi I-TUJUAN
rata-rata I-TUJUAN
pengeluaran I-TUJUAN
per I-TUJUAN
kapita I-TUJUAN
dengan I-TUJUAN
membandingkan I-TUJUAN
tiga I-TUJUAN
model I-TUJUAN
SAE I-TUJUAN
berdasarkan I-TUJUAN
variabel I-TUJUAN
penyertanya I-TUJUAN
yaitu I-TUJUAN
Podes I-TUJUAN
, I-TUJUAN
olahan I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
kombinasi I-TUJUAN
citra I-TUJUAN
satelit-Podes. I-TUJUAN
Hasil O
Estimasi O
menunjukkan O
variabel B-TEMUAN
penyerta I-TEMUAN
olahan I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
menghasilkan I-TEMUAN
nilai I-TEMUAN
MSE I-TEMUAN
dan I-TEMUAN
RSE I-TEMUAN
lebih I-TEMUAN
kecil I-TEMUAN
daripada I-TEMUAN
variabel I-TEMUAN
penyerta I-TEMUAN
data I-TEMUAN
Podes. I-TEMUAN
Sedangkan O
MSE B-METODE
dan I-METODE
RSE I-METODE
paling O
kecil O
dihasilkan O
pada O
variabel O
kombinasi O
citra B-METODE
satelit-Podes. I-METODE
Dengan O
demikian O
, O
big B-TEMUAN
data I-TEMUAN
hasil I-TEMUAN
olahan I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
berpotensi I-TEMUAN
sebagai I-TEMUAN
alternatif I-TEMUAN
variabel I-TEMUAN
penyerta I-TEMUAN
dalam I-TEMUAN
SAE I-TEMUAN
karena I-TEMUAN
tersedia I-TEMUAN
secara I-TEMUAN
berkala I-TEMUAN
, I-TEMUAN
mencakup I-TEMUAN
hingga I-TEMUAN
level I-TEMUAN
kecil I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
biaya I-TEMUAN
lebih I-TEMUAN
rendah. I-TEMUAN
Kata O
Kunci— O
big O
data O
, O
citra O
satelit O
, O
Pengeluaran O
per O
Kapita O
, O
Small O
Area O
Estimation. O
[SEP] O
Hasil B-TEMUAN
estimasi I-TEMUAN
rata-rata I-TEMUAN
pengeluaran I-TEMUAN
per I-TEMUAN
kapita I-TEMUAN
pada I-TEMUAN
77 I-TEMUAN
kecamatan I-TEMUAN
didapatkan I-TEMUAN
pada I-TEMUAN
tiga I-TEMUAN
model I-TEMUAN
SAE I-TEMUAN
EBLUP-FH I-TEMUAN
berdasarkan I-TEMUAN
variabel I-TEMUAN
penyertanya I-TEMUAN
, I-TEMUAN
Pada I-TEMUAN
SAE I-TEMUAN
EBLUP-FH I-TEMUAN
dengan I-TEMUAN
variabel I-TEMUAN
penyerta I-TEMUAN
olahan I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
didapatkan I-TEMUAN
rata- I-TEMUAN
rata I-TEMUAN
hasil I-TEMUAN
estimasi I-TEMUAN
sebesar I-TEMUAN
Rp I-TEMUAN
1.141.200 I-TEMUAN
, I-TEMUAN
- I-TEMUAN
dengan I-TEMUAN
variabel I-TEMUAN
penyerta I-TEMUAN
data I-TEMUAN
Podes I-TEMUAN
sebesar I-TEMUAN
Rp I-TEMUAN
1.152.700 I-TEMUAN
, I-TEMUAN
- I-TEMUAN
dengan I-TEMUAN
variabel I-TEMUAN
penyerta I-TEMUAN
kombinasi I-TEMUAN
citra I-TEMUAN
satelit-Podes I-TEMUAN
sebesar I-TEMUAN
Rp I-TEMUAN
1.144.200 I-TEMUAN
, I-TEMUAN
- I-TEMUAN
Selain O
itu O
, O
MSE B-METODE
dan O
RSE B-TEMUAN
SAE O
EBLUP-FH O
lebih O
kecil O
daripada O
estimasi O
langsung O
, O
Ditinjau O
dari O
penggunaan O
variabel O
penyerta O
, O
MSE O
dan O
RSE O
pada O
SAE O
dengan O
variabel O
hasil O
olahan O
citra O
satelit O
terlihat O
lebih O
kecil O
daripada O
SAE O
variabel O
penyerta O
Podes O
, O
sedangkan O
MSE O
dan O
RSE O
paling O
kecil O
dihasilkan O
pada O
model O
SAE O
EBLUP O
FH O
dengan O
variabel O
penyerta O
kombinasi O
citra O
satelit-Podes O
, O
Hal B-TEMUAN
ini I-TEMUAN
membuktikan I-TEMUAN
adanya I-TEMUAN
potensi I-TEMUAN
penggunaan I-TEMUAN
big I-TEMUAN
data I-TEMUAN
khususnya I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
sebagai I-TEMUAN
variabel I-TEMUAN
penyerta I-TEMUAN
SAE I-TEMUAN
dikarenakan I-TEMUAN
mampu I-TEMUAN
memantau I-TEMUAN
perubahan I-TEMUAN
lebih I-TEMUAN
cepat I-TEMUAN
yang I-TEMUAN
ditangkap I-TEMUAN
pada I-TEMUAN
permukaan I-TEMUAN
bumi I-TEMUAN
, O
Selain O
itu O
, O
citra O
satelit O
dari O
segi O
biaya O
, O
waktu O
, O
dan O
tenaga O
yang O
dikeluarkan O
relatif O
lebih O
rendah O
dari O
pada O
pengumpulan O
data O
secara O
konvensional O
, O
Selain O
itu O
, O
saran O
perbaikan O
bagi O
penelitian O
selanjutnya O
, O
Sebelum O
mengolah O
citra O
satelit O
untuk O
menghasilkan O
variabel O
penyerta O
, O
perlu O
dilakukan O
preprocessing O
yang O
lebih O
baik O
lagi O
supaya O
mendapatkan O
informasi O
yang O
lebih O
baik O
serta O
perlu O
melakukan O
pengkajian O
lebih O
lanjut O
terkait O
variabel O
hasil O
citra O
satelit O
yang O
akan O
digunakan O
sebagai O
variabel O
penyerta O
pada O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
SAE O
, O
Kemudian O
mencari O
ukuran O
yang O
lebih O
baik O
dalam O
merepresentasikan O
nilai O
variabel O
pada O
zonal O
statistics O
, O
Dilakukan O
eksplorasi O
lebih O
lanjut O
terkait O
sumber O
big O
data O
citra O
satelit O
yang O
dapat O
menggambarkan O
proksi O
penduga O
, O
dalam O
penelitian O
ini O
adalah O
rata-rata O
pengeluaran O
per O
kapita. O

Big O
Data O
pada O
Small O
Area O
Estimation O
Rata-Rata O
Pengeluaran O
per O
Kapita O
( O
Studi O
Kasus O
: O
Provinsi O
Daerah O
Istimewa O
Yogyakarta O
) O
Shinta O
Mahaputri O
Hakim O
( O
221710013 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Azka O
Ubaidillah O
, O
S.S.T. O
, O
M.Si. O
Ringkasan— O
Indonesia O
sebagai O
negara O
yang O
menganut O
sistem O
pemerintahan O
desentralisasi O
, O
tentunya O
penting O
bagi O
pemerintah O
untuk O
mengetahui O
gambaran O
wilayah O
melalui O
data O
dalam O
mewujudkan O
pembangunan O
daerah O
otonom. O
Salah O
satu O
tolak O
ukur O
keberhasilan O
pembangunan O
tersebut O
diukur O
melalui O
IPM O
yang O
salah O
satu O
komponennya O
adalah O
pengeluaran O
per O
kapita. O
Akan O
tetapi O
, O
estimasi O
pengeluaran O
per O
kapita O
tingkat O
kecamatan O
sulit O
dilakukan O
karena O
kurangnya O
sampel. O
SAE B-METODE
sebagai O
salah O
satu O
solusi O
BPS O
dalam O
melakukan O
estimasi O
pada O
wilayah O
kecil. O
Biasanya O
, O
BPS O
memanfaatkan O
data O
Podes O
sebagai O
variabel O
penyerta O
dalam O
SAE O
, O
akan O
tetapi O
pengumpulan O
data O
Podes O
hanya O
dilakukan O
tiga O
kali O
dalam O
sepuluh O
tahun O
sehingga O
terkadang O
hasil O
estimasi O
SAE O
menjadi O
out O
of O
date. O
Penelitian O
ini O
bertujuan O
untuk O
mengkaji B-TUJUAN
penggunaan I-TUJUAN
big I-TUJUAN
data I-TUJUAN
( I-TUJUAN
dalam I-TUJUAN
hal I-TUJUAN
ini I-TUJUAN
hasil I-TUJUAN
olahan I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
) I-TUJUAN
sebagai I-TUJUAN
variabel I-TUJUAN
penyerta I-TUJUAN
untuk I-TUJUAN
estimasi I-TUJUAN
rata-rata I-TUJUAN
pengeluaran I-TUJUAN
per I-TUJUAN
kapita I-TUJUAN
dengan I-TUJUAN
membandingkan I-TUJUAN
tiga I-TUJUAN
model I-TUJUAN
SAE I-TUJUAN
berdasarkan I-TUJUAN
variabel I-TUJUAN
penyertanya I-TUJUAN
yaitu I-TUJUAN
Podes I-TUJUAN
, I-TUJUAN
olahan I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
kombinasi I-TUJUAN
citra I-TUJUAN
satelit-Podes. I-TUJUAN
Hasil O
Estimasi O
menunjukkan O
variabel B-TEMUAN
penyerta I-TEMUAN
olahan I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
menghasilkan I-TEMUAN
nilai I-TEMUAN
MSE I-TEMUAN
dan I-TEMUAN
RSE I-TEMUAN
lebih I-TEMUAN
kecil I-TEMUAN
daripada I-TEMUAN
variabel I-TEMUAN
penyerta I-TEMUAN
data I-TEMUAN
Podes. I-TEMUAN
Sedangkan O
MSE B-METODE
dan I-METODE
RSE I-METODE
paling O
kecil O
dihasilkan O
pada O
variabel O
kombinasi O
citra B-METODE
satelit-Podes. I-METODE
Dengan O
demikian O
, O
big B-TEMUAN
data I-TEMUAN
hasil I-TEMUAN
olahan I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
berpotensi I-TEMUAN
sebagai I-TEMUAN
alternatif I-TEMUAN
variabel I-TEMUAN
penyerta I-TEMUAN
dalam I-TEMUAN
SAE I-TEMUAN
karena I-TEMUAN
tersedia I-TEMUAN
secara I-TEMUAN
berkala I-TEMUAN
, I-TEMUAN
mencakup I-TEMUAN
hingga I-TEMUAN
level I-TEMUAN
kecil I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
biaya I-TEMUAN
lebih I-TEMUAN
rendah. I-TEMUAN
Kata O
Kunci— O
big O
data O
, O
citra O
satelit O
, O
Pengeluaran O
per O
Kapita O
, O
Small O
Area O
Estimation. O
[SEP] O
Hasil B-TEMUAN
estimasi I-TEMUAN
rata-rata I-TEMUAN
pengeluaran I-TEMUAN
per I-TEMUAN
kapita I-TEMUAN
pada I-TEMUAN
77 I-TEMUAN
kecamatan I-TEMUAN
didapatkan I-TEMUAN
pada I-TEMUAN
tiga I-TEMUAN
model I-TEMUAN
SAE I-TEMUAN
EBLUP-FH I-TEMUAN
berdasarkan I-TEMUAN
variabel I-TEMUAN
penyertanya I-TEMUAN
, I-TEMUAN
Pada I-TEMUAN
SAE I-TEMUAN
EBLUP-FH I-TEMUAN
dengan I-TEMUAN
variabel I-TEMUAN
penyerta I-TEMUAN
olahan I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
didapatkan I-TEMUAN
rata- I-TEMUAN
rata I-TEMUAN
hasil I-TEMUAN
estimasi I-TEMUAN
sebesar I-TEMUAN
Rp I-TEMUAN
1.141.200 I-TEMUAN
, I-TEMUAN
- I-TEMUAN
dengan I-TEMUAN
variabel I-TEMUAN
penyerta I-TEMUAN
data I-TEMUAN
Podes I-TEMUAN
sebesar I-TEMUAN
Rp I-TEMUAN
1.152.700 I-TEMUAN
, I-TEMUAN
- I-TEMUAN
dengan I-TEMUAN
variabel I-TEMUAN
penyerta I-TEMUAN
kombinasi I-TEMUAN
citra I-TEMUAN
satelit-Podes I-TEMUAN
sebesar I-TEMUAN
Rp I-TEMUAN
1.144.200 I-TEMUAN
, I-TEMUAN
- I-TEMUAN
Selain O
itu O
, O
MSE B-METODE
dan O
RSE B-TEMUAN
SAE O
EBLUP-FH O
lebih O
kecil O
daripada O
estimasi O
langsung O
, O
Ditinjau O
dari O
penggunaan O
variabel O
penyerta O
, O
MSE O
dan O
RSE O
pada O
SAE O
dengan O
variabel O
hasil O
olahan O
citra O
satelit O
terlihat O
lebih O
kecil O
daripada O
SAE O
variabel O
penyerta O
Podes O
, O
sedangkan O
MSE O
dan O
RSE O
paling O
kecil O
dihasilkan O
pada O
model O
SAE O
EBLUP O
FH O
dengan O
variabel O
penyerta O
kombinasi O
citra O
satelit-Podes O
, O
Hal B-TEMUAN
ini I-TEMUAN
membuktikan I-TEMUAN
adanya I-TEMUAN
potensi I-TEMUAN
penggunaan I-TEMUAN
big I-TEMUAN
data I-TEMUAN
khususnya I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
sebagai I-TEMUAN
variabel I-TEMUAN
penyerta I-TEMUAN
SAE I-TEMUAN
dikarenakan I-TEMUAN
mampu I-TEMUAN
memantau I-TEMUAN
perubahan I-TEMUAN
lebih I-TEMUAN
cepat I-TEMUAN
yang I-TEMUAN
ditangkap I-TEMUAN
pada I-TEMUAN
permukaan I-TEMUAN
bumi I-TEMUAN
, O
Selain O
itu O
, O
citra O
satelit O
dari O
segi O
biaya O
, O
waktu O
, O
dan O
tenaga O
yang O
dikeluarkan O
relatif O
lebih O
rendah O
dari O
pada O
pengumpulan O
data O
secara O
konvensional O
, O
Selain O
itu O
, O
saran O
perbaikan O
bagi O
penelitian O
selanjutnya O
, O
Sebelum O
mengolah O
citra O
satelit O
untuk O
menghasilkan O
variabel O
penyerta O
, O
perlu O
dilakukan O
preprocessing O
yang O
lebih O
baik O
lagi O
supaya O
mendapatkan O
informasi O
yang O
lebih O
baik O
serta O
perlu O
melakukan O
pengkajian O
lebih O
lanjut O
terkait O
variabel O
hasil O
citra O
satelit O
yang O
akan O
digunakan O
sebagai O
variabel O
penyerta O
pada O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
SAE O
, O
Kemudian O
mencari O
ukuran O
yang O
lebih O
baik O
dalam O
merepresentasikan O
nilai O
variabel O
pada O
zonal O
statistics O
, O
Dilakukan O
eksplorasi O
lebih O
lanjut O
terkait O
sumber O
big O
data O
citra O
satelit O
yang O
dapat O
menggambarkan O
proksi O
penduga O
, O
dalam O
penelitian O
ini O
adalah O
rata-rata O
pengeluaran O
per O
kapita. O

Big O
Data O
pada O
Small O
Area O
Estimation O
Rata-Rata O
Pengeluaran O
per O
Kapita O
( O
Studi O
Kasus O
: O
Provinsi O
Daerah O
Istimewa O
Yogyakarta O
) O
Shinta O
Mahaputri O
Hakim O
( O
221710013 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Azka O
Ubaidillah O
, O
S.S.T. O
, O
M.Si. O
Ringkasan— O
Indonesia O
sebagai O
negara O
yang O
menganut O
sistem O
pemerintahan O
desentralisasi O
, O
tentunya O
penting O
bagi O
pemerintah O
untuk O
mengetahui O
gambaran O
wilayah O
melalui O
data O
dalam O
mewujudkan O
pembangunan O
daerah O
otonom. O
Salah O
satu O
tolak O
ukur O
keberhasilan O
pembangunan O
tersebut O
diukur O
melalui O
IPM O
yang O
salah O
satu O
komponennya O
adalah O
pengeluaran O
per O
kapita. O
Akan O
tetapi O
, O
estimasi O
pengeluaran O
per O
kapita O
tingkat O
kecamatan O
sulit O
dilakukan O
karena O
kurangnya O
sampel. O
SAE B-METODE
sebagai O
salah O
satu O
solusi O
BPS O
dalam O
melakukan O
estimasi O
pada O
wilayah O
kecil. O
Biasanya O
, O
BPS O
memanfaatkan O
data O
Podes O
sebagai O
variabel O
penyerta O
dalam O
SAE O
, O
akan O
tetapi O
pengumpulan O
data O
Podes O
hanya O
dilakukan O
tiga O
kali O
dalam O
sepuluh O
tahun O
sehingga O
terkadang O
hasil O
estimasi O
SAE O
menjadi O
out O
of O
date. O
Penelitian O
ini O
bertujuan O
untuk O
mengkaji B-TUJUAN
penggunaan I-TUJUAN
big I-TUJUAN
data I-TUJUAN
( I-TUJUAN
dalam I-TUJUAN
hal I-TUJUAN
ini I-TUJUAN
hasil I-TUJUAN
olahan I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
) I-TUJUAN
sebagai I-TUJUAN
variabel I-TUJUAN
penyerta I-TUJUAN
untuk I-TUJUAN
estimasi I-TUJUAN
rata-rata I-TUJUAN
pengeluaran I-TUJUAN
per I-TUJUAN
kapita I-TUJUAN
dengan I-TUJUAN
membandingkan I-TUJUAN
tiga I-TUJUAN
model I-TUJUAN
SAE I-TUJUAN
berdasarkan I-TUJUAN
variabel I-TUJUAN
penyertanya I-TUJUAN
yaitu I-TUJUAN
Podes I-TUJUAN
, I-TUJUAN
olahan I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
kombinasi I-TUJUAN
citra I-TUJUAN
satelit-Podes. I-TUJUAN
Hasil O
Estimasi O
menunjukkan O
variabel B-TEMUAN
penyerta I-TEMUAN
olahan I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
menghasilkan I-TEMUAN
nilai I-TEMUAN
MSE I-TEMUAN
dan I-TEMUAN
RSE I-TEMUAN
lebih I-TEMUAN
kecil I-TEMUAN
daripada I-TEMUAN
variabel I-TEMUAN
penyerta I-TEMUAN
data I-TEMUAN
Podes. I-TEMUAN
Sedangkan O
MSE B-METODE
dan I-METODE
RSE I-METODE
paling O
kecil O
dihasilkan O
pada O
variabel O
kombinasi O
citra B-METODE
satelit-Podes. I-METODE
Dengan O
demikian O
, O
big B-TEMUAN
data I-TEMUAN
hasil I-TEMUAN
olahan I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
berpotensi I-TEMUAN
sebagai I-TEMUAN
alternatif I-TEMUAN
variabel I-TEMUAN
penyerta I-TEMUAN
dalam I-TEMUAN
SAE I-TEMUAN
karena I-TEMUAN
tersedia I-TEMUAN
secara I-TEMUAN
berkala I-TEMUAN
, I-TEMUAN
mencakup I-TEMUAN
hingga I-TEMUAN
level I-TEMUAN
kecil I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
biaya I-TEMUAN
lebih I-TEMUAN
rendah. I-TEMUAN
Kata O
Kunci— O
big O
data O
, O
citra O
satelit O
, O
Pengeluaran O
per O
Kapita O
, O
Small O
Area O
Estimation. O
[SEP] O
Hasil B-TEMUAN
estimasi I-TEMUAN
rata-rata I-TEMUAN
pengeluaran I-TEMUAN
per I-TEMUAN
kapita I-TEMUAN
pada I-TEMUAN
77 I-TEMUAN
kecamatan I-TEMUAN
didapatkan I-TEMUAN
pada I-TEMUAN
tiga I-TEMUAN
model I-TEMUAN
SAE I-TEMUAN
EBLUP-FH I-TEMUAN
berdasarkan I-TEMUAN
variabel I-TEMUAN
penyertanya I-TEMUAN
, I-TEMUAN
Pada I-TEMUAN
SAE I-TEMUAN
EBLUP-FH I-TEMUAN
dengan I-TEMUAN
variabel I-TEMUAN
penyerta I-TEMUAN
olahan I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
didapatkan I-TEMUAN
rata- I-TEMUAN
rata I-TEMUAN
hasil I-TEMUAN
estimasi I-TEMUAN
sebesar I-TEMUAN
Rp I-TEMUAN
1.141.200 I-TEMUAN
, I-TEMUAN
- I-TEMUAN
dengan I-TEMUAN
variabel I-TEMUAN
penyerta I-TEMUAN
data I-TEMUAN
Podes I-TEMUAN
sebesar I-TEMUAN
Rp I-TEMUAN
1.152.700 I-TEMUAN
, I-TEMUAN
- I-TEMUAN
dengan I-TEMUAN
variabel I-TEMUAN
penyerta I-TEMUAN
kombinasi I-TEMUAN
citra I-TEMUAN
satelit-Podes I-TEMUAN
sebesar I-TEMUAN
Rp I-TEMUAN
1.144.200 I-TEMUAN
, I-TEMUAN
- I-TEMUAN
Selain O
itu O
, O
MSE B-METODE
dan O
RSE B-TEMUAN
SAE O
EBLUP-FH O
lebih O
kecil O
daripada O
estimasi O
langsung O
, O
Ditinjau O
dari O
penggunaan O
variabel O
penyerta O
, O
MSE O
dan O
RSE O
pada O
SAE O
dengan O
variabel O
hasil O
olahan O
citra O
satelit O
terlihat O
lebih O
kecil O
daripada O
SAE O
variabel O
penyerta O
Podes O
, O
sedangkan O
MSE O
dan O
RSE O
paling O
kecil O
dihasilkan O
pada O
model O
SAE O
EBLUP O
FH O
dengan O
variabel O
penyerta O
kombinasi O
citra O
satelit-Podes O
, O
Hal B-TEMUAN
ini I-TEMUAN
membuktikan I-TEMUAN
adanya I-TEMUAN
potensi I-TEMUAN
penggunaan I-TEMUAN
big I-TEMUAN
data I-TEMUAN
khususnya I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
sebagai I-TEMUAN
variabel I-TEMUAN
penyerta I-TEMUAN
SAE I-TEMUAN
dikarenakan I-TEMUAN
mampu I-TEMUAN
memantau I-TEMUAN
perubahan I-TEMUAN
lebih I-TEMUAN
cepat I-TEMUAN
yang I-TEMUAN
ditangkap I-TEMUAN
pada I-TEMUAN
permukaan I-TEMUAN
bumi I-TEMUAN
, O
Selain O
itu O
, O
citra O
satelit O
dari O
segi O
biaya O
, O
waktu O
, O
dan O
tenaga O
yang O
dikeluarkan O
relatif O
lebih O
rendah O
dari O
pada O
pengumpulan O
data O
secara O
konvensional O
, O
Selain O
itu O
, O
saran O
perbaikan O
bagi O
penelitian O
selanjutnya O
, O
Sebelum O
mengolah O
citra O
satelit O
untuk O
menghasilkan O
variabel O
penyerta O
, O
perlu O
dilakukan O
preprocessing O
yang O
lebih O
baik O
lagi O
supaya O
mendapatkan O
informasi O
yang O
lebih O
baik O
serta O
perlu O
melakukan O
pengkajian O
lebih O
lanjut O
terkait O
variabel O
hasil O
citra O
satelit O
yang O
akan O
digunakan O
sebagai O
variabel O
penyerta O
pada O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
SAE O
, O
Kemudian O
mencari O
ukuran O
yang O
lebih O
baik O
dalam O
merepresentasikan O
nilai O
variabel O
pada O
zonal O
statistics O
, O
Dilakukan O
eksplorasi O
lebih O
lanjut O
terkait O
sumber O
big O
data O
citra O
satelit O
yang O
dapat O
menggambarkan O
proksi O
penduga O
, O
dalam O
penelitian O
ini O
adalah O
rata-rata O
pengeluaran O
per O
kapita. O

Big O
Data O
pada O
Small O
Area O
Estimation O
Rata-Rata O
Pengeluaran O
per O
Kapita O
( O
Studi O
Kasus O
: O
Provinsi O
Daerah O
Istimewa O
Yogyakarta O
) O
Shinta O
Mahaputri O
Hakim O
( O
221710013 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Azka O
Ubaidillah O
, O
S.S.T. O
, O
M.Si. O
Ringkasan— O
Indonesia O
sebagai O
negara O
yang O
menganut O
sistem O
pemerintahan O
desentralisasi O
, O
tentunya O
penting O
bagi O
pemerintah O
untuk O
mengetahui O
gambaran O
wilayah O
melalui O
data O
dalam O
mewujudkan O
pembangunan O
daerah O
otonom. O
Salah O
satu O
tolak O
ukur O
keberhasilan O
pembangunan O
tersebut O
diukur O
melalui O
IPM O
yang O
salah O
satu O
komponennya O
adalah O
pengeluaran O
per O
kapita. O
Akan O
tetapi O
, O
estimasi O
pengeluaran O
per O
kapita O
tingkat O
kecamatan O
sulit O
dilakukan O
karena O
kurangnya O
sampel. O
SAE B-METODE
sebagai O
salah O
satu O
solusi O
BPS O
dalam O
melakukan O
estimasi O
pada O
wilayah O
kecil. O
Biasanya O
, O
BPS O
memanfaatkan O
data O
Podes O
sebagai O
variabel O
penyerta O
dalam O
SAE O
, O
akan O
tetapi O
pengumpulan O
data O
Podes O
hanya O
dilakukan O
tiga O
kali O
dalam O
sepuluh O
tahun O
sehingga O
terkadang O
hasil O
estimasi O
SAE O
menjadi O
out O
of O
date. O
Penelitian O
ini O
bertujuan O
untuk O
mengkaji B-TUJUAN
penggunaan I-TUJUAN
big I-TUJUAN
data I-TUJUAN
( I-TUJUAN
dalam I-TUJUAN
hal I-TUJUAN
ini I-TUJUAN
hasil I-TUJUAN
olahan I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
) I-TUJUAN
sebagai I-TUJUAN
variabel I-TUJUAN
penyerta I-TUJUAN
untuk I-TUJUAN
estimasi I-TUJUAN
rata-rata I-TUJUAN
pengeluaran I-TUJUAN
per I-TUJUAN
kapita I-TUJUAN
dengan I-TUJUAN
membandingkan I-TUJUAN
tiga I-TUJUAN
model I-TUJUAN
SAE I-TUJUAN
berdasarkan I-TUJUAN
variabel I-TUJUAN
penyertanya I-TUJUAN
yaitu I-TUJUAN
Podes I-TUJUAN
, I-TUJUAN
olahan I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
, I-TUJUAN
dan I-TUJUAN
kombinasi I-TUJUAN
citra I-TUJUAN
satelit-Podes. I-TUJUAN
Hasil O
Estimasi O
menunjukkan O
variabel B-TEMUAN
penyerta I-TEMUAN
olahan I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
menghasilkan I-TEMUAN
nilai I-TEMUAN
MSE I-TEMUAN
dan I-TEMUAN
RSE I-TEMUAN
lebih I-TEMUAN
kecil I-TEMUAN
daripada I-TEMUAN
variabel I-TEMUAN
penyerta I-TEMUAN
data I-TEMUAN
Podes. I-TEMUAN
Sedangkan O
MSE B-METODE
dan I-METODE
RSE I-METODE
paling O
kecil O
dihasilkan O
pada O
variabel O
kombinasi O
citra B-METODE
satelit-Podes. I-METODE
Dengan O
demikian O
, O
big B-TEMUAN
data I-TEMUAN
hasil I-TEMUAN
olahan I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
berpotensi I-TEMUAN
sebagai I-TEMUAN
alternatif I-TEMUAN
variabel I-TEMUAN
penyerta I-TEMUAN
dalam I-TEMUAN
SAE I-TEMUAN
karena I-TEMUAN
tersedia I-TEMUAN
secara I-TEMUAN
berkala I-TEMUAN
, I-TEMUAN
mencakup I-TEMUAN
hingga I-TEMUAN
level I-TEMUAN
kecil I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
biaya I-TEMUAN
lebih I-TEMUAN
rendah. I-TEMUAN
Kata O
Kunci— O
big O
data O
, O
citra O
satelit O
, O
Pengeluaran O
per O
Kapita O
, O
Small O
Area O
Estimation. O
[SEP] O
Hasil B-TEMUAN
estimasi I-TEMUAN
rata-rata I-TEMUAN
pengeluaran I-TEMUAN
per I-TEMUAN
kapita I-TEMUAN
pada I-TEMUAN
77 I-TEMUAN
kecamatan I-TEMUAN
didapatkan I-TEMUAN
pada I-TEMUAN
tiga I-TEMUAN
model I-TEMUAN
SAE I-TEMUAN
EBLUP-FH I-TEMUAN
berdasarkan I-TEMUAN
variabel I-TEMUAN
penyertanya I-TEMUAN
, I-TEMUAN
Pada I-TEMUAN
SAE I-TEMUAN
EBLUP-FH I-TEMUAN
dengan I-TEMUAN
variabel I-TEMUAN
penyerta I-TEMUAN
olahan I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
didapatkan I-TEMUAN
rata- I-TEMUAN
rata I-TEMUAN
hasil I-TEMUAN
estimasi I-TEMUAN
sebesar I-TEMUAN
Rp I-TEMUAN
1.141.200 I-TEMUAN
, I-TEMUAN
- I-TEMUAN
dengan I-TEMUAN
variabel I-TEMUAN
penyerta I-TEMUAN
data I-TEMUAN
Podes I-TEMUAN
sebesar I-TEMUAN
Rp I-TEMUAN
1.152.700 I-TEMUAN
, I-TEMUAN
- I-TEMUAN
dengan I-TEMUAN
variabel I-TEMUAN
penyerta I-TEMUAN
kombinasi I-TEMUAN
citra I-TEMUAN
satelit-Podes I-TEMUAN
sebesar I-TEMUAN
Rp I-TEMUAN
1.144.200 I-TEMUAN
, I-TEMUAN
- I-TEMUAN
Selain O
itu O
, O
MSE B-METODE
dan O
RSE B-TEMUAN
SAE O
EBLUP-FH O
lebih O
kecil O
daripada O
estimasi O
langsung O
, O
Ditinjau O
dari O
penggunaan O
variabel O
penyerta O
, O
MSE O
dan O
RSE O
pada O
SAE O
dengan O
variabel O
hasil O
olahan O
citra O
satelit O
terlihat O
lebih O
kecil O
daripada O
SAE O
variabel O
penyerta O
Podes O
, O
sedangkan O
MSE O
dan O
RSE O
paling O
kecil O
dihasilkan O
pada O
model O
SAE O
EBLUP O
FH O
dengan O
variabel O
penyerta O
kombinasi O
citra O
satelit-Podes O
, O
Hal B-TEMUAN
ini I-TEMUAN
membuktikan I-TEMUAN
adanya I-TEMUAN
potensi I-TEMUAN
penggunaan I-TEMUAN
big I-TEMUAN
data I-TEMUAN
khususnya I-TEMUAN
citra I-TEMUAN
satelit I-TEMUAN
sebagai I-TEMUAN
variabel I-TEMUAN
penyerta I-TEMUAN
SAE I-TEMUAN
dikarenakan I-TEMUAN
mampu I-TEMUAN
memantau I-TEMUAN
perubahan I-TEMUAN
lebih I-TEMUAN
cepat I-TEMUAN
yang I-TEMUAN
ditangkap I-TEMUAN
pada I-TEMUAN
permukaan I-TEMUAN
bumi I-TEMUAN
, O
Selain O
itu O
, O
citra O
satelit O
dari O
segi O
biaya O
, O
waktu O
, O
dan O
tenaga O
yang O
dikeluarkan O
relatif O
lebih O
rendah O
dari O
pada O
pengumpulan O
data O
secara O
konvensional O
, O
Selain O
itu O
, O
saran O
perbaikan O
bagi O
penelitian O
selanjutnya O
, O
Sebelum O
mengolah O
citra O
satelit O
untuk O
menghasilkan O
variabel O
penyerta O
, O
perlu O
dilakukan O
preprocessing O
yang O
lebih O
baik O
lagi O
supaya O
mendapatkan O
informasi O
yang O
lebih O
baik O
serta O
perlu O
melakukan O
pengkajian O
lebih O
lanjut O
terkait O
variabel O
hasil O
citra O
satelit O
yang O
akan O
digunakan O
sebagai O
variabel O
penyerta O
pada O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
SAE O
, O
Kemudian O
mencari O
ukuran O
yang O
lebih O
baik O
dalam O
merepresentasikan O
nilai O
variabel O
pada O
zonal O
statistics O
, O
Dilakukan O
eksplorasi O
lebih O
lanjut O
terkait O
sumber O
big O
data O
citra O
satelit O
yang O
dapat O
menggambarkan O
proksi O
penduga O
, O
dalam O
penelitian O
ini O
adalah O
rata-rata O
pengeluaran O
per O
kapita. O

Kembali O
Antarmuka O
Pengguna O
Aplikasi O
Romantik O
Online O
dengan O
Metode O
User-Centered O
Design O
Shiddaq O
Quthbuddin O
Pajriannor O
( O
221710011 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
Ringkasan—Aplikasi O
Romantik O
Online O
adalah O
aplikasi O
berba- O
sis O
web O
untuk O
pengelolaan O
rekomendasi O
kegiatan O
statistik. O
Rekomendasi O
kegiatan O
statistik O
merupakan O
salah O
satu O
layanan O
utama O
dari O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
kepada O
penyelenggara O
kegiatan O
statistik. O
Dalam O
proses O
pembuatan O
aplikasi O
ternyata O
hanya O
berfokus O
pada O
kegunaan O
fungsi O
aplikasi O
akan O
tetapi O
antarmukanya O
tidak O
diperhatikan. O
Oleh O
karena O
itu O
peneliti O
akan O
melakukan B-TUJUAN
perancangan I-TUJUAN
kembali I-TUJUAN
antarmuka I-TUJUAN
aplikasi I-TUJUAN
romantik I-TUJUAN
online I-TUJUAN
dengan I-TUJUAN
melibatkan I-TUJUAN
pengguna. I-TUJUAN
Berdasarkan O
hasil O
evalu- O
asi O
antarmuka O
lama O
dengan O
menggunakan O
kuesioner B-METODE
evaluasi I-METODE
heuristik I-METODE
dan O
QUIS B-METODE
dapat O
dikatakan O
bahwa O
aplikasi O
masih O
perlu O
dikembangkan O
antarmukanya O
serta O
antarmukanya O
termasuk O
kategori O
buruk. O
Proses O
perancangan O
antarmuka O
menggunakan O
metode B-METODE
user-centered I-METODE
design I-METODE
, O
dimana O
solusi O
desain O
akan O
di- O
lakukan O
secara O
bertahap O
yaitu O
iterasi O
pertama O
wireframe O
low O
fidelity O
, O
kemudian O
iterasi O
kedua O
wireframe O
high O
fidelity O
dan O
iterasi O
terakhir O
prototype. O
Hasil O
penelitian O
ini O
adalah O
rancangan O
desain O
antarmuka O
baru O
berupa O
prototype. O
Pada B-TEMUAN
evaluasi I-TEMUAN
antarmuka I-TEMUAN
baru I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
kepuasan I-TEMUAN
pengguna I-TEMUAN
telah I-TEMUAN
meningkat I-TEMUAN
serta I-TEMUAN
masalah I-TEMUAN
pada I-TEMUAN
indikator-indikator I-TEMUAN
usability I-TEMUAN
pada I-TEMUAN
antarmuka I-TEMUAN
baru I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dari I-TEMUAN
antarmuka I-TEMUAN
lama. I-TEMUAN
Kata O
Kunci—Evaluasi O
Heuristik O
, O
User-Centered O
Design O
, O
Ro- O
mantik O
Online. O
[SEP] O
Pada O
hasil O
evaluasi O
awal O
ditemukan O
bahwa O
dapat O
disim- O
pulkan O
pengguna O
kesulitan O
dalam O
menggunakan O
aplikasi O
dan O
antarmukanya O
masih O
perlu O
dikembangkan. O
Sehingga O
dilakukan O
Gambar O
8. O
Grafik O
Perbandingan O
Hasil O
Evaluasi O
Heuristik O
Antarmuka O
Lama O
dan O
Baru O
perancangan O
kembali O
antarmuka O
dengan O
metode B-METODE
UCD. I-METODE
Dalam O
proses O
perancangan O
akan O
dilakukan O
sebanyak O
tiga O
kali O
iterasi O
UCD O
yaitu O
iterasi O
yang O
pertama O
solusi O
desain O
berbentuk O
wire- O
frame O
low O
fidelity O
, O
kemudian O
pada O
iterasi O
berikutnya O
solusi O
desain O
berbentuk O
wireframe O
high O
fidelity O
, O
dan O
pada O
iterasi O
terakhir O
solusi O
desain O
berbentuk O
prototype. O
Pada B-TEMUAN
hasil I-TEMUAN
akhir I-TEMUAN
dapat I-TEMUAN
dilihat I-TEMUAN
bahwa I-TEMUAN
rancangan I-TEMUAN
antarmuka I-TEMUAN
dapat I-TEMUAN
meningkatkan I-TEMUAN
kepuasan I-TEMUAN
pengguna I-TEMUAN
dan I-TEMUAN
mengurangi I-TEMUAN
masalah I-TEMUAN
pada I-TEMUAN
indikator- I-TEMUAN
indikator I-TEMUAN
usability I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
UCD. I-TEMUAN

Kembali O
Antarmuka O
Pengguna O
Aplikasi O
Romantik O
Online O
dengan O
Metode O
User-Centered O
Design O
Shiddaq O
Quthbuddin O
Pajriannor O
( O
221710011 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
Ringkasan—Aplikasi O
Romantik O
Online O
adalah O
aplikasi O
berba- O
sis O
web O
untuk O
pengelolaan O
rekomendasi O
kegiatan O
statistik. O
Rekomendasi O
kegiatan O
statistik O
merupakan O
salah O
satu O
layanan O
utama O
dari O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
kepada O
penyelenggara O
kegiatan O
statistik. O
Dalam O
proses O
pembuatan O
aplikasi O
ternyata O
hanya O
berfokus O
pada O
kegunaan O
fungsi O
aplikasi O
akan O
tetapi O
antarmukanya O
tidak O
diperhatikan. O
Oleh O
karena O
itu O
peneliti O
akan O
melakukan B-TUJUAN
perancangan I-TUJUAN
kembali I-TUJUAN
antarmuka I-TUJUAN
aplikasi I-TUJUAN
romantik I-TUJUAN
online I-TUJUAN
dengan I-TUJUAN
melibatkan I-TUJUAN
pengguna. I-TUJUAN
Berdasarkan O
hasil O
evalu- O
asi O
antarmuka O
lama O
dengan O
menggunakan O
kuesioner B-METODE
evaluasi I-METODE
heuristik I-METODE
dan O
QUIS B-METODE
dapat O
dikatakan O
bahwa O
aplikasi O
masih O
perlu O
dikembangkan O
antarmukanya O
serta O
antarmukanya O
termasuk O
kategori O
buruk. O
Proses O
perancangan O
antarmuka O
menggunakan O
metode B-METODE
user-centered I-METODE
design I-METODE
, O
dimana O
solusi O
desain O
akan O
di- O
lakukan O
secara O
bertahap O
yaitu O
iterasi O
pertama O
wireframe O
low O
fidelity O
, O
kemudian O
iterasi O
kedua O
wireframe O
high O
fidelity O
dan O
iterasi O
terakhir O
prototype. O
Hasil O
penelitian O
ini O
adalah O
rancangan O
desain O
antarmuka O
baru O
berupa O
prototype. O
Pada B-TEMUAN
evaluasi I-TEMUAN
antarmuka I-TEMUAN
baru I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
kepuasan I-TEMUAN
pengguna I-TEMUAN
telah I-TEMUAN
meningkat I-TEMUAN
serta I-TEMUAN
masalah I-TEMUAN
pada I-TEMUAN
indikator-indikator I-TEMUAN
usability I-TEMUAN
pada I-TEMUAN
antarmuka I-TEMUAN
baru I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dari I-TEMUAN
antarmuka I-TEMUAN
lama. I-TEMUAN
Kata O
Kunci—Evaluasi O
Heuristik O
, O
User-Centered O
Design O
, O
Ro- O
mantik O
Online. O
[SEP] O
Pada O
hasil O
evaluasi O
awal O
ditemukan O
bahwa O
dapat O
disim- O
pulkan O
pengguna O
kesulitan O
dalam O
menggunakan O
aplikasi O
dan O
antarmukanya O
masih O
perlu O
dikembangkan. O
Sehingga O
dilakukan O
Gambar O
8. O
Grafik O
Perbandingan O
Hasil O
Evaluasi O
Heuristik O
Antarmuka O
Lama O
dan O
Baru O
perancangan O
kembali O
antarmuka O
dengan O
metode B-METODE
UCD. I-METODE
Dalam O
proses O
perancangan O
akan O
dilakukan O
sebanyak O
tiga O
kali O
iterasi O
UCD O
yaitu O
iterasi O
yang O
pertama O
solusi O
desain O
berbentuk O
wire- O
frame O
low O
fidelity O
, O
kemudian O
pada O
iterasi O
berikutnya O
solusi O
desain O
berbentuk O
wireframe O
high O
fidelity O
, O
dan O
pada O
iterasi O
terakhir O
solusi O
desain O
berbentuk O
prototype. O
Pada B-TEMUAN
hasil I-TEMUAN
akhir I-TEMUAN
dapat I-TEMUAN
dilihat I-TEMUAN
bahwa I-TEMUAN
rancangan I-TEMUAN
antarmuka I-TEMUAN
dapat I-TEMUAN
meningkatkan I-TEMUAN
kepuasan I-TEMUAN
pengguna I-TEMUAN
dan I-TEMUAN
mengurangi I-TEMUAN
masalah I-TEMUAN
pada I-TEMUAN
indikator- I-TEMUAN
indikator I-TEMUAN
usability I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
UCD. I-TEMUAN

Kembali O
Antarmuka O
Pengguna O
Aplikasi O
Romantik O
Online O
dengan O
Metode O
User-Centered O
Design O
Shiddaq O
Quthbuddin O
Pajriannor O
( O
221710011 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
Ringkasan—Aplikasi O
Romantik O
Online O
adalah O
aplikasi O
berba- O
sis O
web O
untuk O
pengelolaan O
rekomendasi O
kegiatan O
statistik. O
Rekomendasi O
kegiatan O
statistik O
merupakan O
salah O
satu O
layanan O
utama O
dari O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
kepada O
penyelenggara O
kegiatan O
statistik. O
Dalam O
proses O
pembuatan O
aplikasi O
ternyata O
hanya O
berfokus O
pada O
kegunaan O
fungsi O
aplikasi O
akan O
tetapi O
antarmukanya O
tidak O
diperhatikan. O
Oleh O
karena O
itu O
peneliti O
akan O
melakukan B-TUJUAN
perancangan I-TUJUAN
kembali I-TUJUAN
antarmuka I-TUJUAN
aplikasi I-TUJUAN
romantik I-TUJUAN
online I-TUJUAN
dengan I-TUJUAN
melibatkan I-TUJUAN
pengguna. I-TUJUAN
Berdasarkan O
hasil O
evalu- O
asi O
antarmuka O
lama O
dengan O
menggunakan O
kuesioner B-METODE
evaluasi I-METODE
heuristik I-METODE
dan O
QUIS B-METODE
dapat O
dikatakan O
bahwa O
aplikasi O
masih O
perlu O
dikembangkan O
antarmukanya O
serta O
antarmukanya O
termasuk O
kategori O
buruk. O
Proses O
perancangan O
antarmuka O
menggunakan O
metode B-METODE
user-centered I-METODE
design I-METODE
, O
dimana O
solusi O
desain O
akan O
di- O
lakukan O
secara O
bertahap O
yaitu O
iterasi O
pertama O
wireframe O
low O
fidelity O
, O
kemudian O
iterasi O
kedua O
wireframe O
high O
fidelity O
dan O
iterasi O
terakhir O
prototype. O
Hasil O
penelitian O
ini O
adalah O
rancangan O
desain O
antarmuka O
baru O
berupa O
prototype. O
Pada B-TEMUAN
evaluasi I-TEMUAN
antarmuka I-TEMUAN
baru I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
kepuasan I-TEMUAN
pengguna I-TEMUAN
telah I-TEMUAN
meningkat I-TEMUAN
serta I-TEMUAN
masalah I-TEMUAN
pada I-TEMUAN
indikator-indikator I-TEMUAN
usability I-TEMUAN
pada I-TEMUAN
antarmuka I-TEMUAN
baru I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dari I-TEMUAN
antarmuka I-TEMUAN
lama. I-TEMUAN
Kata O
Kunci—Evaluasi O
Heuristik O
, O
User-Centered O
Design O
, O
Ro- O
mantik O
Online. O
[SEP] O
Pada O
hasil O
evaluasi O
awal O
ditemukan O
bahwa O
dapat O
disim- O
pulkan O
pengguna O
kesulitan O
dalam O
menggunakan O
aplikasi O
dan O
antarmukanya O
masih O
perlu O
dikembangkan. O
Sehingga O
dilakukan O
Gambar O
8. O
Grafik O
Perbandingan O
Hasil O
Evaluasi O
Heuristik O
Antarmuka O
Lama O
dan O
Baru O
perancangan O
kembali O
antarmuka O
dengan O
metode B-METODE
UCD. I-METODE
Dalam O
proses O
perancangan O
akan O
dilakukan O
sebanyak O
tiga O
kali O
iterasi O
UCD O
yaitu O
iterasi O
yang O
pertama O
solusi O
desain O
berbentuk O
wire- O
frame O
low O
fidelity O
, O
kemudian O
pada O
iterasi O
berikutnya O
solusi O
desain O
berbentuk O
wireframe O
high O
fidelity O
, O
dan O
pada O
iterasi O
terakhir O
solusi O
desain O
berbentuk O
prototype. O
Pada B-TEMUAN
hasil I-TEMUAN
akhir I-TEMUAN
dapat I-TEMUAN
dilihat I-TEMUAN
bahwa I-TEMUAN
rancangan I-TEMUAN
antarmuka I-TEMUAN
dapat I-TEMUAN
meningkatkan I-TEMUAN
kepuasan I-TEMUAN
pengguna I-TEMUAN
dan I-TEMUAN
mengurangi I-TEMUAN
masalah I-TEMUAN
pada I-TEMUAN
indikator- I-TEMUAN
indikator I-TEMUAN
usability I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
UCD. I-TEMUAN

Kembali O
Antarmuka O
Pengguna O
Aplikasi O
Romantik O
Online O
dengan O
Metode O
User-Centered O
Design O
Shiddaq O
Quthbuddin O
Pajriannor O
( O
221710011 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
Ringkasan—Aplikasi O
Romantik O
Online O
adalah O
aplikasi O
berba- O
sis O
web O
untuk O
pengelolaan O
rekomendasi O
kegiatan O
statistik. O
Rekomendasi O
kegiatan O
statistik O
merupakan O
salah O
satu O
layanan O
utama O
dari O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
kepada O
penyelenggara O
kegiatan O
statistik. O
Dalam O
proses O
pembuatan O
aplikasi O
ternyata O
hanya O
berfokus O
pada O
kegunaan O
fungsi O
aplikasi O
akan O
tetapi O
antarmukanya O
tidak O
diperhatikan. O
Oleh O
karena O
itu O
peneliti O
akan O
melakukan B-TUJUAN
perancangan I-TUJUAN
kembali I-TUJUAN
antarmuka I-TUJUAN
aplikasi I-TUJUAN
romantik I-TUJUAN
online I-TUJUAN
dengan I-TUJUAN
melibatkan I-TUJUAN
pengguna. I-TUJUAN
Berdasarkan O
hasil O
evalu- O
asi O
antarmuka O
lama O
dengan O
menggunakan O
kuesioner B-METODE
evaluasi I-METODE
heuristik I-METODE
dan O
QUIS B-METODE
dapat O
dikatakan O
bahwa O
aplikasi O
masih O
perlu O
dikembangkan O
antarmukanya O
serta O
antarmukanya O
termasuk O
kategori O
buruk. O
Proses O
perancangan O
antarmuka O
menggunakan O
metode B-METODE
user-centered I-METODE
design I-METODE
, O
dimana O
solusi O
desain O
akan O
di- O
lakukan O
secara O
bertahap O
yaitu O
iterasi O
pertama O
wireframe O
low O
fidelity O
, O
kemudian O
iterasi O
kedua O
wireframe O
high O
fidelity O
dan O
iterasi O
terakhir O
prototype. O
Hasil O
penelitian O
ini O
adalah O
rancangan O
desain O
antarmuka O
baru O
berupa O
prototype. O
Pada B-TEMUAN
evaluasi I-TEMUAN
antarmuka I-TEMUAN
baru I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
kepuasan I-TEMUAN
pengguna I-TEMUAN
telah I-TEMUAN
meningkat I-TEMUAN
serta I-TEMUAN
masalah I-TEMUAN
pada I-TEMUAN
indikator-indikator I-TEMUAN
usability I-TEMUAN
pada I-TEMUAN
antarmuka I-TEMUAN
baru I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dari I-TEMUAN
antarmuka I-TEMUAN
lama. I-TEMUAN
Kata O
Kunci—Evaluasi O
Heuristik O
, O
User-Centered O
Design O
, O
Ro- O
mantik O
Online. O
[SEP] O
Pada O
hasil O
evaluasi O
awal O
ditemukan O
bahwa O
dapat O
disim- O
pulkan O
pengguna O
kesulitan O
dalam O
menggunakan O
aplikasi O
dan O
antarmukanya O
masih O
perlu O
dikembangkan. O
Sehingga O
dilakukan O
Gambar O
8. O
Grafik O
Perbandingan O
Hasil O
Evaluasi O
Heuristik O
Antarmuka O
Lama O
dan O
Baru O
perancangan O
kembali O
antarmuka O
dengan O
metode B-METODE
UCD. I-METODE
Dalam O
proses O
perancangan O
akan O
dilakukan O
sebanyak O
tiga O
kali O
iterasi O
UCD O
yaitu O
iterasi O
yang O
pertama O
solusi O
desain O
berbentuk O
wire- O
frame O
low O
fidelity O
, O
kemudian O
pada O
iterasi O
berikutnya O
solusi O
desain O
berbentuk O
wireframe O
high O
fidelity O
, O
dan O
pada O
iterasi O
terakhir O
solusi O
desain O
berbentuk O
prototype. O
Pada B-TEMUAN
hasil I-TEMUAN
akhir I-TEMUAN
dapat I-TEMUAN
dilihat I-TEMUAN
bahwa I-TEMUAN
rancangan I-TEMUAN
antarmuka I-TEMUAN
dapat I-TEMUAN
meningkatkan I-TEMUAN
kepuasan I-TEMUAN
pengguna I-TEMUAN
dan I-TEMUAN
mengurangi I-TEMUAN
masalah I-TEMUAN
pada I-TEMUAN
indikator- I-TEMUAN
indikator I-TEMUAN
usability I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
UCD. I-TEMUAN

Teknlogi O
Single O
Sign O
On O
Untuk O
Sistem O
Autentikasi O
Satu O
Pintu O
Studi O
Kasus O
: O
Politeknik O
Statistika O
STIS O
Setyo O
Dwi O
Saputra O
( O
221710008 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
SST O
, O
MT O
Ringkasan— O
Single O
Sign O
On O
adalah O
suatu O
sistem O
yang O
memungkinkan O
pengguna O
dapat O
masuk O
ke O
berbagai O
aplikasi O
dengan O
menggunakan O
satu O
user O
credential O
( O
username O
dan O
password O
) O
. O
Penerepan O
SSO O
di O
lingkungan O
Polstat O
STIS O
diperlukan O
karena O
terdapat O
berbagai O
macam O
aplikasi O
dengan O
sistem O
autentikasi O
yang O
berbeda-beda. O
SSO O
juga O
dapat O
berguna O
untuk O
memudahkan O
pengembang O
baru O
ketika O
akan O
membangun O
aplikasinya O
sehingga O
dapat O
dipusatkan O
menjadi O
sistem O
autentikasi O
satu O
pintu. O
Polstat O
STIS O
memiliki O
tiga O
layanan O
autentikasi O
yang O
juga O
digunakan O
oleh O
aplikasi O
dan O
layanan O
lain O
utnuk O
keperluan O
autentikasi O
mereka O
, O
yakni O
Layanan O
SIPADU O
, O
Google O
Suite O
for O
Education O
, O
dan O
Active O
Directory. O
Berdasarkan O
analisis O
permasalahan O
dan O
kebutuhan O
sistem O
kemudian O
dibangun O
SSO O
menggunakan O
CAS O
dan O
LDAP. O
Pembangunan O
SSO O
denggan O
basis O
LDAP O
dapat O
digunakan O
untuk O
lingkungan O
jaringan O
Polstat O
STIS. O
Sistem O
SSO O
kemudian O
diuji O
dengan O
JMeter B-METODE
dan I-METODE
AB I-METODE
didapatkan O
kesimpulan O
bahwa O
sistem B-TEMUAN
dapat I-TEMUAN
menerima I-TEMUAN
akses I-TEMUAN
bersamaan I-TEMUAN
sampai I-TEMUAN
100 I-TEMUAN
pengguna. I-TEMUAN
Namun O
untuk O
mengoptimalkan O
kinerja O
, O
dapat O
diberikan O
pengaturan O
jeda O
minimal O
100 O
ms. O
Kemudian O
berdasarkan O
kerangka O
TOE O
, O
disimpulkan O
bahwa O
lingkungan O
Polstat O
STIS O
dapat O
mengadopsi O
penerapan O
teknologi O
SSO. O
Kata O
Kunci— O
SSO O
( O
Central O
Authentication O
Service O
) O
, O
LDAP O
( O
Lightweight O
Directory O
Access O
Protocol O
) O
, O
autentikasi O
, O
TOE O
Framework. O
( O
Single O
Sign O
On O
) O
, O
CAS O
[SEP] O
a. O
Kesimpulan O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
dapat O
disimpulkan O
bahwa O
peneitian O
ini O
dapat O
mencapai O
tujuan O
penelitian O
utama O
yaitu O
melakukan B-TUJUAN
kajian I-TUJUAN
penerapan I-TUJUAN
Single I-TUJUAN
Sign I-TUJUAN
On I-TUJUAN
untuk I-TUJUAN
lingkungan I-TUJUAN
Polstat I-TUJUAN
STIS. I-TUJUAN
a. O
Setelah O
dilakukan O
analisis O
dan O
permaslahan O
ditemukan O
satu O
kandidat O
SSO O
dengan O
melalui O
Uji O
Kelayakan O
yaitu O
pembuatan O
SSO O
dengan O
SIPADU O
dan O
AD O
digabung O
serta O
untuk O
Layanan O
Google O
masih O
tetap O
dipakai. O
Dari O
analisis O
tersebut O
kemudian O
dihasilkan O
kesimpulan O
untuk O
melakukan O
percobaan O
pembangunan O
sistem O
SSO O
menggunakan O
CAS O
dan O
berbasis O
LDAP. O
b. O
Percobaan O
pembangunan O
CAS O
dan O
LDAP O
sudah O
dapat O
dilakukan O
dengan O
mengkaji O
kebutuhan O
sistem O
dan O
menyesuaikan O
dengan O
keadaan O
Polstat O
STIS. O
Penerapan O
LDAP O
untuk O
AD O
dilakukan O
dengan O
percobaan O
autentikasi O
masuk O
ke O
computer O
lab O
dan O
hasilnya O
berhasil. O
Kemudian O
LDAP O
digunakan O
untuk O
autentikasi O
dan O
manajemen O
pengguna O
yang O
nantinya O
akan O
digunakan O
oleh O
aplikasi O
lain O
seperti O
SIPADU. O
CAS O
dibuat O
halaman O
portal O
untuk O
memudahkan O
proses O
autentikasi O
SSO O
dan O
penggunaan O
layanan O
yang O
terikat O
dengannya. O
c. O
Pengujian O
terhadap O
pembangunan O
CAS O
dan O
LDAP O
dilakukan O
dengan O
dua O
cara O
yaitu O
pengujian O
performa O
dan O
menggunakan O
kerangka B-METODE
TOE. I-METODE
Dari O
pengujian O
performa O
didapatkan O
hasil O
bahwa O
untuk O
memaksimalkan O
sistem O
, O
pengguna O
harus O
diberi O
jeda O
dalam O
mengakses O
halaman O
secara O
bersamaan. O
Namun O
jika O
tidak O
diberi O
jeda O
tidak O
masalah O
, O
hanya O
saja O
waktu O
respon O
akan O
sedikit O
lebih O
lama. O
b. O
Saran O
Berikut O
beberapa O
saran O
yang O
dapat O
digunakan O
untuk O
dasar O
penelitian O
atau O
kajian O
berikutnya O
: O
a. O
Mengimplementasikan O
kajian O
SSO O
menggunakan O
CAS O
dan O
LDAP O
di O
lingkungan O
jaringan O
Polstat O
STIS O
yang O
asli O
bersamaan O
dengan O
dilakukan O
pengujian O
lebih O
lengkap O
seperti O
koneksi O
WiFi. O
b. O
Membangun O
pengelolaan O
CAS O
keperluan O
penambahan O
layanan O
kedalam O
SSO O
agar O
dapat O
dilakukan O
secara O
dinamis. O
untuk O

Teknlogi O
Single O
Sign O
On O
Untuk O
Sistem O
Autentikasi O
Satu O
Pintu O
Studi O
Kasus O
: O
Politeknik O
Statistika O
STIS O
Setyo O
Dwi O
Saputra O
( O
221710008 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
SST O
, O
MT O
Ringkasan— O
Single O
Sign O
On O
adalah O
suatu O
sistem O
yang O
memungkinkan O
pengguna O
dapat O
masuk O
ke O
berbagai O
aplikasi O
dengan O
menggunakan O
satu O
user O
credential O
( O
username O
dan O
password O
) O
. O
Penerepan O
SSO O
di O
lingkungan O
Polstat O
STIS O
diperlukan O
karena O
terdapat O
berbagai O
macam O
aplikasi O
dengan O
sistem O
autentikasi O
yang O
berbeda-beda. O
SSO O
juga O
dapat O
berguna O
untuk O
memudahkan O
pengembang O
baru O
ketika O
akan O
membangun O
aplikasinya O
sehingga O
dapat O
dipusatkan O
menjadi O
sistem O
autentikasi O
satu O
pintu. O
Polstat O
STIS O
memiliki O
tiga O
layanan O
autentikasi O
yang O
juga O
digunakan O
oleh O
aplikasi O
dan O
layanan O
lain O
utnuk O
keperluan O
autentikasi O
mereka O
, O
yakni O
Layanan O
SIPADU O
, O
Google O
Suite O
for O
Education O
, O
dan O
Active O
Directory. O
Berdasarkan O
analisis O
permasalahan O
dan O
kebutuhan O
sistem O
kemudian O
dibangun O
SSO O
menggunakan O
CAS O
dan O
LDAP. O
Pembangunan O
SSO O
denggan O
basis O
LDAP O
dapat O
digunakan O
untuk O
lingkungan O
jaringan O
Polstat O
STIS. O
Sistem O
SSO O
kemudian O
diuji O
dengan O
JMeter B-METODE
dan I-METODE
AB I-METODE
didapatkan O
kesimpulan O
bahwa O
sistem B-TEMUAN
dapat I-TEMUAN
menerima I-TEMUAN
akses I-TEMUAN
bersamaan I-TEMUAN
sampai I-TEMUAN
100 I-TEMUAN
pengguna. I-TEMUAN
Namun O
untuk O
mengoptimalkan O
kinerja O
, O
dapat O
diberikan O
pengaturan O
jeda O
minimal O
100 O
ms. O
Kemudian O
berdasarkan O
kerangka O
TOE O
, O
disimpulkan O
bahwa O
lingkungan O
Polstat O
STIS O
dapat O
mengadopsi O
penerapan O
teknologi O
SSO. O
Kata O
Kunci— O
SSO O
( O
Central O
Authentication O
Service O
) O
, O
LDAP O
( O
Lightweight O
Directory O
Access O
Protocol O
) O
, O
autentikasi O
, O
TOE O
Framework. O
( O
Single O
Sign O
On O
) O
, O
CAS O
[SEP] O
a. O
Kesimpulan O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
dapat O
disimpulkan O
bahwa O
peneitian O
ini O
dapat O
mencapai O
tujuan O
penelitian O
utama O
yaitu O
melakukan B-TUJUAN
kajian I-TUJUAN
penerapan I-TUJUAN
Single I-TUJUAN
Sign I-TUJUAN
On I-TUJUAN
untuk I-TUJUAN
lingkungan I-TUJUAN
Polstat I-TUJUAN
STIS. I-TUJUAN
a. O
Setelah O
dilakukan O
analisis O
dan O
permaslahan O
ditemukan O
satu O
kandidat O
SSO O
dengan O
melalui O
Uji O
Kelayakan O
yaitu O
pembuatan O
SSO O
dengan O
SIPADU O
dan O
AD O
digabung O
serta O
untuk O
Layanan O
Google O
masih O
tetap O
dipakai. O
Dari O
analisis O
tersebut O
kemudian O
dihasilkan O
kesimpulan O
untuk O
melakukan O
percobaan O
pembangunan O
sistem O
SSO O
menggunakan O
CAS O
dan O
berbasis O
LDAP. O
b. O
Percobaan O
pembangunan O
CAS O
dan O
LDAP O
sudah O
dapat O
dilakukan O
dengan O
mengkaji O
kebutuhan O
sistem O
dan O
menyesuaikan O
dengan O
keadaan O
Polstat O
STIS. O
Penerapan O
LDAP O
untuk O
AD O
dilakukan O
dengan O
percobaan O
autentikasi O
masuk O
ke O
computer O
lab O
dan O
hasilnya O
berhasil. O
Kemudian O
LDAP O
digunakan O
untuk O
autentikasi O
dan O
manajemen O
pengguna O
yang O
nantinya O
akan O
digunakan O
oleh O
aplikasi O
lain O
seperti O
SIPADU. O
CAS O
dibuat O
halaman O
portal O
untuk O
memudahkan O
proses O
autentikasi O
SSO O
dan O
penggunaan O
layanan O
yang O
terikat O
dengannya. O
c. O
Pengujian O
terhadap O
pembangunan O
CAS O
dan O
LDAP O
dilakukan O
dengan O
dua O
cara O
yaitu O
pengujian O
performa O
dan O
menggunakan O
kerangka B-METODE
TOE. I-METODE
Dari O
pengujian O
performa O
didapatkan O
hasil O
bahwa O
untuk O
memaksimalkan O
sistem O
, O
pengguna O
harus O
diberi O
jeda O
dalam O
mengakses O
halaman O
secara O
bersamaan. O
Namun O
jika O
tidak O
diberi O
jeda O
tidak O
masalah O
, O
hanya O
saja O
waktu O
respon O
akan O
sedikit O
lebih O
lama. O
b. O
Saran O
Berikut O
beberapa O
saran O
yang O
dapat O
digunakan O
untuk O
dasar O
penelitian O
atau O
kajian O
berikutnya O
: O
a. O
Mengimplementasikan O
kajian O
SSO O
menggunakan O
CAS O
dan O
LDAP O
di O
lingkungan O
jaringan O
Polstat O
STIS O
yang O
asli O
bersamaan O
dengan O
dilakukan O
pengujian O
lebih O
lengkap O
seperti O
koneksi O
WiFi. O
b. O
Membangun O
pengelolaan O
CAS O
keperluan O
penambahan O
layanan O
kedalam O
SSO O
agar O
dapat O
dilakukan O
secara O
dinamis. O
untuk O

Web O
National O
Quality O
Assurance O
Framework O
( O
NQAF O
) O
di O
Badan O
Pusat O
Statistik O
Satrio O
Waskitho O
( O
221710003 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Margaretha O
Ari O
Anggorowati O
, O
M.T. O
Ringkasan— O
National O
Quality O
Assurance O
Framework O
( O
NQAF O
) O
merupakan O
pedoman O
atau O
instrumen O
yang O
digunakan O
untuk O
menjamin O
kepercayaan O
dan O
kualitas O
produk O
statistik O
, O
serta O
meyakinkan O
bahwa O
official O
statistics O
dapat O
tetap O
relevan. O
NQAF O
menjadi O
wujud O
implementasi O
dari O
penjaminan O
kualitas O
( O
quality O
assurance O
, O
QA O
) O
pada O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
dan O
instansi O
terkait O
yang O
terlibat O
di O
dalam O
Sistem O
Statistik O
Nasional. O
BPS O
diharapkan O
dapat O
berperan O
dalam O
pelaksanaan O
penjaminan O
kualitas O
terhadap O
kegiatan O
produksi O
data O
statistik O
yang O
dilakukan O
kementerian O
dan O
lembaga O
lain. O
Untuk O
itu O
diperlukan B-TUJUAN
web I-TUJUAN
NQAF I-TUJUAN
terkait I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
menjadi I-TUJUAN
penjaminan I-TUJUAN
kualitas I-TUJUAN
serta I-TUJUAN
media I-TUJUAN
terintegrasinya I-TUJUAN
instrumen- I-TUJUAN
instrumen I-TUJUAN
penjaminan I-TUJUAN
kualitas I-TUJUAN
yang I-TUJUAN
dimiliki I-TUJUAN
BPS. I-TUJUAN
Pada O
penelitian O
ini O
, O
pembangunan O
web O
menerapkan O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
metode I-METODE
Agile I-METODE
dengan I-METODE
pendekatan I-METODE
Extreme I-METODE
Programming I-METODE
( I-METODE
XP I-METODE
) I-METODE
dan O
pengujian O
web O
menggunakan O
Black B-METODE
Box I-METODE
Testing I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Hasil B-TEMUAN
dari I-TEMUAN
penelitian I-TEMUAN
informasi I-TEMUAN
tentang I-TEMUAN
penjaminan I-TEMUAN
kualitas I-TEMUAN
pada I-TEMUAN
Sistem I-TEMUAN
Statistik I-TEMUAN
Nasional I-TEMUAN
melalui I-TEMUAN
web I-TEMUAN
NQAF I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
diakses I-TEMUAN
oleh I-TEMUAN
internal I-TEMUAN
dan I-TEMUAN
eksternal I-TEMUAN
BPS I-TEMUAN
serta I-TEMUAN
instrumen I-TEMUAN
penjaminan I-TEMUAN
kualitas I-TEMUAN
yang I-TEMUAN
terintegrasi I-TEMUAN
dan I-TEMUAN
terstruktur. I-TEMUAN
Kata O
Kunci— O
penjaminan O
kualitas O
, O
NQAF O
, O
official O
statistics O
, O
ini O
diharapkan O
dapat O
tersaji O
tempat O
penyajian O
informasi O
Sistem O
Statistik O
Nasional O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
terkait O
pembangunan O
web O
, O
dapat O
diperoleh O
kesimpulan O
di O
antaranya O
: O
1. O
Pada B-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
telah I-TEMUAN
dirancang I-TEMUAN
dan I-TEMUAN
dibangun I-TEMUAN
web I-TEMUAN
National I-TEMUAN
Quality I-TEMUAN
Assurance I-TEMUAN
Framework I-TEMUAN
( I-TEMUAN
NQAF I-TEMUAN
) I-TEMUAN
BPS I-TEMUAN
dan I-TEMUAN
berdasarkan I-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
sistem I-TEMUAN
diperoleh I-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
77,5 I-TEMUAN
yang I-TEMUAN
masuk I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
acceptable I-TEMUAN
dan I-TEMUAN
good. I-TEMUAN
2. O
Web O
National O
Quality O
Assurance O
Framework O
( O
NQAF O
) O
BPS O
telah O
dibangun O
sesuai O
dengan O
kebutuhan O
, O
yaitu O
dapat O
mengintegrasikan O
instrumen O
penjaminan O
kualitas O
yang O
dimiliki O
BPS O
, O
dapat O
menyajikan O
dan O
memperbarui O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
informasi O
terkait O
penjaminan O
kualitas O
yang O
dilakukan O
oleh O
BPS O
dan O
kementerian O
/ O
lembaga O
, O
serta O
dapat O
melakukan O
pengelolaan O
informasi O
seperti O
mengubah O
, O
menambahkan O
, O
dan O
menghapus O
informasi. O
3. O
Pada O
penelitian O
ini O
telah O
dibangun O
subsistem O
pengelolaan O
akun O
, O
berita O
, O
galeri O
, O
dan O
pertanyaan O
terkait O
informasi O
kegiatan O
NQAF O
di O
BPS. O
B. O
Saran O
Berdasarkan O
hasil O
yang O
telah O
diperoleh O
dalam O
penelitian O
ini O
, O
berikut O
merupakan O
saran O
yang O
dapat O
menjadi O
pertimbangan O
untuk O
penelitian O
yang O
akan O
datang O
dan O
juga O
bagi O
pengguna. O
1. O
Sistem O
ini O
dapat O
dikembangkan O
lebih O
lanjut O
sehingga O
mampu O
terintegrasi O
dengan O
sistem O
lainnya O
yang O
telah O
ada O
di O
BPS O
, O
seperti O
Metadata O
Management O
System O
( O
MMS O
) O
maupun O
Integreted O
Collection O
System O
( O
ICS O
) O
. O
integrasi O
terhadap O
web O
lebih O
pengukuran O
kualitas O
mandiri O
khususnya O
terkait O
pertukaran O
data O
dan O
sinkronisasi O
tahapan. O
2. O
Perlu O
adanya O
lanjut O
3. O
Hasil O
SUS O
menunjukkan O
bahwa O
pertanyaan O
nomor O
10 O
menjadi O
skor O
rata-rata O
terendah O
yang O
berarti O
pengguna O
membutuhkan O
waktu O
lebih O
untuk O
mempelajari O
terkait O
sistem O
yang O
telah O
dibangun. O
Sehingga O
diperlukan O
tambahan O
konten O
petunjuk O
operasional O
untuk O
dapat O
membantu O
pengguna O
dalam O
mengoperasikan O
web. O
4. O
Pengguna O
disarankan O
untuk O
mengakses O
web O
NQAF O
menggunakan O
web O
browser O
, O
seperti O
Google O
Chrome O
, O
Microsoft O
Edge O
, O
Mozilla O
Firefox O
, O
Opera O
dan O
aplikasi O
sejenis O
lainnya O
dengan O
versi O
yang O
paling O
mutakhir. O

Web O
National O
Quality O
Assurance O
Framework O
( O
NQAF O
) O
di O
Badan O
Pusat O
Statistik O
Satrio O
Waskitho O
( O
221710003 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Margaretha O
Ari O
Anggorowati O
, O
M.T. O
Ringkasan— O
National O
Quality O
Assurance O
Framework O
( O
NQAF O
) O
merupakan O
pedoman O
atau O
instrumen O
yang O
digunakan O
untuk O
menjamin O
kepercayaan O
dan O
kualitas O
produk O
statistik O
, O
serta O
meyakinkan O
bahwa O
official O
statistics O
dapat O
tetap O
relevan. O
NQAF O
menjadi O
wujud O
implementasi O
dari O
penjaminan O
kualitas O
( O
quality O
assurance O
, O
QA O
) O
pada O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
dan O
instansi O
terkait O
yang O
terlibat O
di O
dalam O
Sistem O
Statistik O
Nasional. O
BPS O
diharapkan O
dapat O
berperan O
dalam O
pelaksanaan O
penjaminan O
kualitas O
terhadap O
kegiatan O
produksi O
data O
statistik O
yang O
dilakukan O
kementerian O
dan O
lembaga O
lain. O
Untuk O
itu O
diperlukan B-TUJUAN
web I-TUJUAN
NQAF I-TUJUAN
terkait I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
menjadi I-TUJUAN
penjaminan I-TUJUAN
kualitas I-TUJUAN
serta I-TUJUAN
media I-TUJUAN
terintegrasinya I-TUJUAN
instrumen- I-TUJUAN
instrumen I-TUJUAN
penjaminan I-TUJUAN
kualitas I-TUJUAN
yang I-TUJUAN
dimiliki I-TUJUAN
BPS. I-TUJUAN
Pada O
penelitian O
ini O
, O
pembangunan O
web O
menerapkan O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
metode I-METODE
Agile I-METODE
dengan I-METODE
pendekatan I-METODE
Extreme I-METODE
Programming I-METODE
( I-METODE
XP I-METODE
) I-METODE
dan O
pengujian O
web O
menggunakan O
Black B-METODE
Box I-METODE
Testing I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Hasil B-TEMUAN
dari I-TEMUAN
penelitian I-TEMUAN
informasi I-TEMUAN
tentang I-TEMUAN
penjaminan I-TEMUAN
kualitas I-TEMUAN
pada I-TEMUAN
Sistem I-TEMUAN
Statistik I-TEMUAN
Nasional I-TEMUAN
melalui I-TEMUAN
web I-TEMUAN
NQAF I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
diakses I-TEMUAN
oleh I-TEMUAN
internal I-TEMUAN
dan I-TEMUAN
eksternal I-TEMUAN
BPS I-TEMUAN
serta I-TEMUAN
instrumen I-TEMUAN
penjaminan I-TEMUAN
kualitas I-TEMUAN
yang I-TEMUAN
terintegrasi I-TEMUAN
dan I-TEMUAN
terstruktur. I-TEMUAN
Kata O
Kunci— O
penjaminan O
kualitas O
, O
NQAF O
, O
official O
statistics O
, O
ini O
diharapkan O
dapat O
tersaji O
tempat O
penyajian O
informasi O
Sistem O
Statistik O
Nasional O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
terkait O
pembangunan O
web O
, O
dapat O
diperoleh O
kesimpulan O
di O
antaranya O
: O
1. O
Pada B-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
telah I-TEMUAN
dirancang I-TEMUAN
dan I-TEMUAN
dibangun I-TEMUAN
web I-TEMUAN
National I-TEMUAN
Quality I-TEMUAN
Assurance I-TEMUAN
Framework I-TEMUAN
( I-TEMUAN
NQAF I-TEMUAN
) I-TEMUAN
BPS I-TEMUAN
dan I-TEMUAN
berdasarkan I-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
sistem I-TEMUAN
diperoleh I-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
77,5 I-TEMUAN
yang I-TEMUAN
masuk I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
acceptable I-TEMUAN
dan I-TEMUAN
good. I-TEMUAN
2. O
Web O
National O
Quality O
Assurance O
Framework O
( O
NQAF O
) O
BPS O
telah O
dibangun O
sesuai O
dengan O
kebutuhan O
, O
yaitu O
dapat O
mengintegrasikan O
instrumen O
penjaminan O
kualitas O
yang O
dimiliki O
BPS O
, O
dapat O
menyajikan O
dan O
memperbarui O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
informasi O
terkait O
penjaminan O
kualitas O
yang O
dilakukan O
oleh O
BPS O
dan O
kementerian O
/ O
lembaga O
, O
serta O
dapat O
melakukan O
pengelolaan O
informasi O
seperti O
mengubah O
, O
menambahkan O
, O
dan O
menghapus O
informasi. O
3. O
Pada O
penelitian O
ini O
telah O
dibangun O
subsistem O
pengelolaan O
akun O
, O
berita O
, O
galeri O
, O
dan O
pertanyaan O
terkait O
informasi O
kegiatan O
NQAF O
di O
BPS. O
B. O
Saran O
Berdasarkan O
hasil O
yang O
telah O
diperoleh O
dalam O
penelitian O
ini O
, O
berikut O
merupakan O
saran O
yang O
dapat O
menjadi O
pertimbangan O
untuk O
penelitian O
yang O
akan O
datang O
dan O
juga O
bagi O
pengguna. O
1. O
Sistem O
ini O
dapat O
dikembangkan O
lebih O
lanjut O
sehingga O
mampu O
terintegrasi O
dengan O
sistem O
lainnya O
yang O
telah O
ada O
di O
BPS O
, O
seperti O
Metadata O
Management O
System O
( O
MMS O
) O
maupun O
Integreted O
Collection O
System O
( O
ICS O
) O
. O
integrasi O
terhadap O
web O
lebih O
pengukuran O
kualitas O
mandiri O
khususnya O
terkait O
pertukaran O
data O
dan O
sinkronisasi O
tahapan. O
2. O
Perlu O
adanya O
lanjut O
3. O
Hasil O
SUS O
menunjukkan O
bahwa O
pertanyaan O
nomor O
10 O
menjadi O
skor O
rata-rata O
terendah O
yang O
berarti O
pengguna O
membutuhkan O
waktu O
lebih O
untuk O
mempelajari O
terkait O
sistem O
yang O
telah O
dibangun. O
Sehingga O
diperlukan O
tambahan O
konten O
petunjuk O
operasional O
untuk O
dapat O
membantu O
pengguna O
dalam O
mengoperasikan O
web. O
4. O
Pengguna O
disarankan O
untuk O
mengakses O
web O
NQAF O
menggunakan O
web O
browser O
, O
seperti O
Google O
Chrome O
, O
Microsoft O
Edge O
, O
Mozilla O
Firefox O
, O
Opera O
dan O
aplikasi O
sejenis O
lainnya O
dengan O
versi O
yang O
paling O
mutakhir. O

Web O
National O
Quality O
Assurance O
Framework O
( O
NQAF O
) O
di O
Badan O
Pusat O
Statistik O
Satrio O
Waskitho O
( O
221710003 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Margaretha O
Ari O
Anggorowati O
, O
M.T. O
Ringkasan— O
National O
Quality O
Assurance O
Framework O
( O
NQAF O
) O
merupakan O
pedoman O
atau O
instrumen O
yang O
digunakan O
untuk O
menjamin O
kepercayaan O
dan O
kualitas O
produk O
statistik O
, O
serta O
meyakinkan O
bahwa O
official O
statistics O
dapat O
tetap O
relevan. O
NQAF O
menjadi O
wujud O
implementasi O
dari O
penjaminan O
kualitas O
( O
quality O
assurance O
, O
QA O
) O
pada O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
dan O
instansi O
terkait O
yang O
terlibat O
di O
dalam O
Sistem O
Statistik O
Nasional. O
BPS O
diharapkan O
dapat O
berperan O
dalam O
pelaksanaan O
penjaminan O
kualitas O
terhadap O
kegiatan O
produksi O
data O
statistik O
yang O
dilakukan O
kementerian O
dan O
lembaga O
lain. O
Untuk O
itu O
diperlukan B-TUJUAN
web I-TUJUAN
NQAF I-TUJUAN
terkait I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
menjadi I-TUJUAN
penjaminan I-TUJUAN
kualitas I-TUJUAN
serta I-TUJUAN
media I-TUJUAN
terintegrasinya I-TUJUAN
instrumen- I-TUJUAN
instrumen I-TUJUAN
penjaminan I-TUJUAN
kualitas I-TUJUAN
yang I-TUJUAN
dimiliki I-TUJUAN
BPS. I-TUJUAN
Pada O
penelitian O
ini O
, O
pembangunan O
web O
menerapkan O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
metode I-METODE
Agile I-METODE
dengan I-METODE
pendekatan I-METODE
Extreme I-METODE
Programming I-METODE
( I-METODE
XP I-METODE
) I-METODE
dan O
pengujian O
web O
menggunakan O
Black B-METODE
Box I-METODE
Testing I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Hasil B-TEMUAN
dari I-TEMUAN
penelitian I-TEMUAN
informasi I-TEMUAN
tentang I-TEMUAN
penjaminan I-TEMUAN
kualitas I-TEMUAN
pada I-TEMUAN
Sistem I-TEMUAN
Statistik I-TEMUAN
Nasional I-TEMUAN
melalui I-TEMUAN
web I-TEMUAN
NQAF I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
diakses I-TEMUAN
oleh I-TEMUAN
internal I-TEMUAN
dan I-TEMUAN
eksternal I-TEMUAN
BPS I-TEMUAN
serta I-TEMUAN
instrumen I-TEMUAN
penjaminan I-TEMUAN
kualitas I-TEMUAN
yang I-TEMUAN
terintegrasi I-TEMUAN
dan I-TEMUAN
terstruktur. I-TEMUAN
Kata O
Kunci— O
penjaminan O
kualitas O
, O
NQAF O
, O
official O
statistics O
, O
ini O
diharapkan O
dapat O
tersaji O
tempat O
penyajian O
informasi O
Sistem O
Statistik O
Nasional O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
terkait O
pembangunan O
web O
, O
dapat O
diperoleh O
kesimpulan O
di O
antaranya O
: O
1. O
Pada B-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
telah I-TEMUAN
dirancang I-TEMUAN
dan I-TEMUAN
dibangun I-TEMUAN
web I-TEMUAN
National I-TEMUAN
Quality I-TEMUAN
Assurance I-TEMUAN
Framework I-TEMUAN
( I-TEMUAN
NQAF I-TEMUAN
) I-TEMUAN
BPS I-TEMUAN
dan I-TEMUAN
berdasarkan I-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
sistem I-TEMUAN
diperoleh I-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
77,5 I-TEMUAN
yang I-TEMUAN
masuk I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
acceptable I-TEMUAN
dan I-TEMUAN
good. I-TEMUAN
2. O
Web O
National O
Quality O
Assurance O
Framework O
( O
NQAF O
) O
BPS O
telah O
dibangun O
sesuai O
dengan O
kebutuhan O
, O
yaitu O
dapat O
mengintegrasikan O
instrumen O
penjaminan O
kualitas O
yang O
dimiliki O
BPS O
, O
dapat O
menyajikan O
dan O
memperbarui O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
informasi O
terkait O
penjaminan O
kualitas O
yang O
dilakukan O
oleh O
BPS O
dan O
kementerian O
/ O
lembaga O
, O
serta O
dapat O
melakukan O
pengelolaan O
informasi O
seperti O
mengubah O
, O
menambahkan O
, O
dan O
menghapus O
informasi. O
3. O
Pada O
penelitian O
ini O
telah O
dibangun O
subsistem O
pengelolaan O
akun O
, O
berita O
, O
galeri O
, O
dan O
pertanyaan O
terkait O
informasi O
kegiatan O
NQAF O
di O
BPS. O
B. O
Saran O
Berdasarkan O
hasil O
yang O
telah O
diperoleh O
dalam O
penelitian O
ini O
, O
berikut O
merupakan O
saran O
yang O
dapat O
menjadi O
pertimbangan O
untuk O
penelitian O
yang O
akan O
datang O
dan O
juga O
bagi O
pengguna. O
1. O
Sistem O
ini O
dapat O
dikembangkan O
lebih O
lanjut O
sehingga O
mampu O
terintegrasi O
dengan O
sistem O
lainnya O
yang O
telah O
ada O
di O
BPS O
, O
seperti O
Metadata O
Management O
System O
( O
MMS O
) O
maupun O
Integreted O
Collection O
System O
( O
ICS O
) O
. O
integrasi O
terhadap O
web O
lebih O
pengukuran O
kualitas O
mandiri O
khususnya O
terkait O
pertukaran O
data O
dan O
sinkronisasi O
tahapan. O
2. O
Perlu O
adanya O
lanjut O
3. O
Hasil O
SUS O
menunjukkan O
bahwa O
pertanyaan O
nomor O
10 O
menjadi O
skor O
rata-rata O
terendah O
yang O
berarti O
pengguna O
membutuhkan O
waktu O
lebih O
untuk O
mempelajari O
terkait O
sistem O
yang O
telah O
dibangun. O
Sehingga O
diperlukan O
tambahan O
konten O
petunjuk O
operasional O
untuk O
dapat O
membantu O
pengguna O
dalam O
mengoperasikan O
web. O
4. O
Pengguna O
disarankan O
untuk O
mengakses O
web O
NQAF O
menggunakan O
web O
browser O
, O
seperti O
Google O
Chrome O
, O
Microsoft O
Edge O
, O
Mozilla O
Firefox O
, O
Opera O
dan O
aplikasi O
sejenis O
lainnya O
dengan O
versi O
yang O
paling O
mutakhir. O

Web O
National O
Quality O
Assurance O
Framework O
( O
NQAF O
) O
di O
Badan O
Pusat O
Statistik O
Satrio O
Waskitho O
( O
221710003 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Margaretha O
Ari O
Anggorowati O
, O
M.T. O
Ringkasan— O
National O
Quality O
Assurance O
Framework O
( O
NQAF O
) O
merupakan O
pedoman O
atau O
instrumen O
yang O
digunakan O
untuk O
menjamin O
kepercayaan O
dan O
kualitas O
produk O
statistik O
, O
serta O
meyakinkan O
bahwa O
official O
statistics O
dapat O
tetap O
relevan. O
NQAF O
menjadi O
wujud O
implementasi O
dari O
penjaminan O
kualitas O
( O
quality O
assurance O
, O
QA O
) O
pada O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
dan O
instansi O
terkait O
yang O
terlibat O
di O
dalam O
Sistem O
Statistik O
Nasional. O
BPS O
diharapkan O
dapat O
berperan O
dalam O
pelaksanaan O
penjaminan O
kualitas O
terhadap O
kegiatan O
produksi O
data O
statistik O
yang O
dilakukan O
kementerian O
dan O
lembaga O
lain. O
Untuk O
itu O
diperlukan B-TUJUAN
web I-TUJUAN
NQAF I-TUJUAN
terkait I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
menjadi I-TUJUAN
penjaminan I-TUJUAN
kualitas I-TUJUAN
serta I-TUJUAN
media I-TUJUAN
terintegrasinya I-TUJUAN
instrumen- I-TUJUAN
instrumen I-TUJUAN
penjaminan I-TUJUAN
kualitas I-TUJUAN
yang I-TUJUAN
dimiliki I-TUJUAN
BPS. I-TUJUAN
Pada O
penelitian O
ini O
, O
pembangunan O
web O
menerapkan O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
metode I-METODE
Agile I-METODE
dengan I-METODE
pendekatan I-METODE
Extreme I-METODE
Programming I-METODE
( I-METODE
XP I-METODE
) I-METODE
dan O
pengujian O
web O
menggunakan O
Black B-METODE
Box I-METODE
Testing I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Hasil B-TEMUAN
dari I-TEMUAN
penelitian I-TEMUAN
informasi I-TEMUAN
tentang I-TEMUAN
penjaminan I-TEMUAN
kualitas I-TEMUAN
pada I-TEMUAN
Sistem I-TEMUAN
Statistik I-TEMUAN
Nasional I-TEMUAN
melalui I-TEMUAN
web I-TEMUAN
NQAF I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
diakses I-TEMUAN
oleh I-TEMUAN
internal I-TEMUAN
dan I-TEMUAN
eksternal I-TEMUAN
BPS I-TEMUAN
serta I-TEMUAN
instrumen I-TEMUAN
penjaminan I-TEMUAN
kualitas I-TEMUAN
yang I-TEMUAN
terintegrasi I-TEMUAN
dan I-TEMUAN
terstruktur. I-TEMUAN
Kata O
Kunci— O
penjaminan O
kualitas O
, O
NQAF O
, O
official O
statistics O
, O
ini O
diharapkan O
dapat O
tersaji O
tempat O
penyajian O
informasi O
Sistem O
Statistik O
Nasional O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
terkait O
pembangunan O
web O
, O
dapat O
diperoleh O
kesimpulan O
di O
antaranya O
: O
1. O
Pada B-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
telah I-TEMUAN
dirancang I-TEMUAN
dan I-TEMUAN
dibangun I-TEMUAN
web I-TEMUAN
National I-TEMUAN
Quality I-TEMUAN
Assurance I-TEMUAN
Framework I-TEMUAN
( I-TEMUAN
NQAF I-TEMUAN
) I-TEMUAN
BPS I-TEMUAN
dan I-TEMUAN
berdasarkan I-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
sistem I-TEMUAN
diperoleh I-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
77,5 I-TEMUAN
yang I-TEMUAN
masuk I-TEMUAN
ke I-TEMUAN
dalam I-TEMUAN
kategori I-TEMUAN
acceptable I-TEMUAN
dan I-TEMUAN
good. I-TEMUAN
2. O
Web O
National O
Quality O
Assurance O
Framework O
( O
NQAF O
) O
BPS O
telah O
dibangun O
sesuai O
dengan O
kebutuhan O
, O
yaitu O
dapat O
mengintegrasikan O
instrumen O
penjaminan O
kualitas O
yang O
dimiliki O
BPS O
, O
dapat O
menyajikan O
dan O
memperbarui O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
informasi O
terkait O
penjaminan O
kualitas O
yang O
dilakukan O
oleh O
BPS O
dan O
kementerian O
/ O
lembaga O
, O
serta O
dapat O
melakukan O
pengelolaan O
informasi O
seperti O
mengubah O
, O
menambahkan O
, O
dan O
menghapus O
informasi. O
3. O
Pada O
penelitian O
ini O
telah O
dibangun O
subsistem O
pengelolaan O
akun O
, O
berita O
, O
galeri O
, O
dan O
pertanyaan O
terkait O
informasi O
kegiatan O
NQAF O
di O
BPS. O
B. O
Saran O
Berdasarkan O
hasil O
yang O
telah O
diperoleh O
dalam O
penelitian O
ini O
, O
berikut O
merupakan O
saran O
yang O
dapat O
menjadi O
pertimbangan O
untuk O
penelitian O
yang O
akan O
datang O
dan O
juga O
bagi O
pengguna. O
1. O
Sistem O
ini O
dapat O
dikembangkan O
lebih O
lanjut O
sehingga O
mampu O
terintegrasi O
dengan O
sistem O
lainnya O
yang O
telah O
ada O
di O
BPS O
, O
seperti O
Metadata O
Management O
System O
( O
MMS O
) O
maupun O
Integreted O
Collection O
System O
( O
ICS O
) O
. O
integrasi O
terhadap O
web O
lebih O
pengukuran O
kualitas O
mandiri O
khususnya O
terkait O
pertukaran O
data O
dan O
sinkronisasi O
tahapan. O
2. O
Perlu O
adanya O
lanjut O
3. O
Hasil O
SUS O
menunjukkan O
bahwa O
pertanyaan O
nomor O
10 O
menjadi O
skor O
rata-rata O
terendah O
yang O
berarti O
pengguna O
membutuhkan O
waktu O
lebih O
untuk O
mempelajari O
terkait O
sistem O
yang O
telah O
dibangun. O
Sehingga O
diperlukan O
tambahan O
konten O
petunjuk O
operasional O
untuk O
dapat O
membantu O
pengguna O
dalam O
mengoperasikan O
web. O
4. O
Pengguna O
disarankan O
untuk O
mengakses O
web O
NQAF O
menggunakan O
web O
browser O
, O
seperti O
Google O
Chrome O
, O
Microsoft O
Edge O
, O
Mozilla O
Firefox O
, O
Opera O
dan O
aplikasi O
sejenis O
lainnya O
dengan O
versi O
yang O
paling O
mutakhir. O

Aplikasi O
Peringkasan O
Dokumen O
Berita O
Otomatis O
Menggunakan O
Metode O
Latent O
Semantic O
Analysis O
dan O
Cross O
Latent O
Semantic O
Analysis O
Salim O
Satriajati O
( O
221709994 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Kemajuan O
teknologi O
informasi O
dan O
komunikasi O
saat O
ini O
menyebabkan O
akses O
terhadap O
berita O
menjadi O
lebih O
cepat. O
Hal O
tersebut O
dimanfaatkan O
oleh O
Biro O
Hubungan O
Masyarakat O
Badan O
Pusat O
Statistik O
( O
Humas O
BPS O
) O
dalam O
menunjang O
kinerjanya O
dengan O
melakukan O
pengumpulan O
berita O
dan O
meringkas O
berita O
dari O
media O
daring. O
Namun O
, O
dalam O
meringkas O
berita O
, O
Humas O
BPS O
perlu O
membaca O
seluruh O
berita O
tersebut O
satu O
per O
satu O
sehingga O
kurang O
efektif O
dan O
efisien. O
Untuk O
mengatasi O
permasalahan O
tersebut O
, O
maka O
dalam O
penelitian O
ini O
akan O
dirancang B-TUJUAN
sebuah I-TUJUAN
aplikasi I-TUJUAN
peringkasan I-TUJUAN
teks I-TUJUAN
pada I-TUJUAN
artikel I-TUJUAN
berita I-TUJUAN
berbahasa I-TUJUAN
Indonesia I-TUJUAN
secara I-TUJUAN
otomatis. I-TUJUAN
Di O
samping O
peringkasan O
teks O
, O
dalam O
penelitian O
ini O
juga O
akan O
dibangun O
sebuah O
modul O
pengumpul O
berita O
untuk O
mendapatkan O
berita O
dari O
media O
daring. O
Pembuatan O
peringkasan O
teks O
otomatis O
dalam O
penelitian O
ini O
menggunakan O
metode B-METODE
Latent I-METODE
Semantic I-METODE
Analysis I-METODE
( I-METODE
LSA I-METODE
) I-METODE
dan I-METODE
Cross I-METODE
Latent I-METODE
Semantic I-METODE
Analysis I-METODE
( I-METODE
CLSA I-METODE
) I-METODE
. O
Berdasarkan O
evaluasi O
hasil O
peringkasan O
teks O
otomatis O
menggunakan O
ROUGE B-METODE
, O
metode B-METODE
peringkasan I-METODE
CLSA I-METODE
dengan O
metode O
pemilihan O
kalimat O
avesvd O
adalah O
yang O
terbaik O
dengan O
rata-rata O
nilai O
f1-score B-METODE
ROUGE-1 I-METODE
0.51892 O
, O
ROUGE-2 B-METODE
0.42842 O
dan O
ROUGE-L B-METODE
0.54177. O
Selanjutnya O
, O
metode O
tersebut O
diimplementasikan O
pada O
aplikasi. O
terbaik O
Kata O
Kunci— O
berita O
, O
peringkasan O
, O
LSA O
, O
CLSA O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
penelitian O
ini O
, O
dapat O
ditarik O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Modul O
pengumpul O
berita O
untuk O
mendapatkan O
berita O
dari O
media O
daring O
berhasil O
dibuat O
dengan O
menggunakan O
web O
framework O
Flask. O
teks O
rata-rata O
nilai O
2. B-TEMUAN
Peringkasan I-TEMUAN
secara I-TEMUAN
otomatis I-TEMUAN
berhasil I-TEMUAN
dibuat. I-TEMUAN
Berdasarkan I-TEMUAN
evaluasi I-TEMUAN
hasil I-TEMUAN
peringkasan I-TEMUAN
teks I-TEMUAN
otomatis I-TEMUAN
menggunakan I-TEMUAN
ROUGE I-TEMUAN
, I-TEMUAN
metode I-TEMUAN
peringkasan I-TEMUAN
CLSA I-TEMUAN
dengan I-TEMUAN
metode I-TEMUAN
pemilihan I-TEMUAN
kalimat I-TEMUAN
avesvd I-TEMUAN
adalah I-TEMUAN
yang I-TEMUAN
terbaik I-TEMUAN
f1-score I-TEMUAN
ROUGE-1 I-TEMUAN
0.51892 I-TEMUAN
, I-TEMUAN
dengan I-TEMUAN
ROUGE-2 I-TEMUAN
0.42842 I-TEMUAN
dan I-TEMUAN
ROUGE-L I-TEMUAN
0.54177. I-TEMUAN
Selanjutnya I-TEMUAN
, I-TEMUAN
metode I-TEMUAN
terbaik I-TEMUAN
tersebut I-TEMUAN
diimplementasikan I-TEMUAN
pada I-TEMUAN
aplikasi. I-TEMUAN
3. O
Aplikasi B-TEMUAN
antar I-TEMUAN
muka I-TEMUAN
peringkasan I-TEMUAN
teks I-TEMUAN
otomatis I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
berhasil I-TEMUAN
diimplementasikan I-TEMUAN
serta I-TEMUAN
diintegrasikan I-TEMUAN
dengan I-TEMUAN
modul I-TEMUAN
pengumpul I-TEMUAN
berita I-TEMUAN
untuk I-TEMUAN
mendapatkan I-TEMUAN
berita I-TEMUAN
berdasarkan I-TEMUAN
kata I-TEMUAN
kunci I-TEMUAN
dari I-TEMUAN
situs I-TEMUAN
media I-TEMUAN
daring. I-TEMUAN

Aplikasi O
Peringkasan O
Dokumen O
Berita O
Otomatis O
Menggunakan O
Metode O
Latent O
Semantic O
Analysis O
dan O
Cross O
Latent O
Semantic O
Analysis O
Salim O
Satriajati O
( O
221709994 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Kemajuan O
teknologi O
informasi O
dan O
komunikasi O
saat O
ini O
menyebabkan O
akses O
terhadap O
berita O
menjadi O
lebih O
cepat. O
Hal O
tersebut O
dimanfaatkan O
oleh O
Biro O
Hubungan O
Masyarakat O
Badan O
Pusat O
Statistik O
( O
Humas O
BPS O
) O
dalam O
menunjang O
kinerjanya O
dengan O
melakukan O
pengumpulan O
berita O
dan O
meringkas O
berita O
dari O
media O
daring. O
Namun O
, O
dalam O
meringkas O
berita O
, O
Humas O
BPS O
perlu O
membaca O
seluruh O
berita O
tersebut O
satu O
per O
satu O
sehingga O
kurang O
efektif O
dan O
efisien. O
Untuk O
mengatasi O
permasalahan O
tersebut O
, O
maka O
dalam O
penelitian O
ini O
akan O
dirancang B-TUJUAN
sebuah I-TUJUAN
aplikasi I-TUJUAN
peringkasan I-TUJUAN
teks I-TUJUAN
pada I-TUJUAN
artikel I-TUJUAN
berita I-TUJUAN
berbahasa I-TUJUAN
Indonesia I-TUJUAN
secara I-TUJUAN
otomatis. I-TUJUAN
Di O
samping O
peringkasan O
teks O
, O
dalam O
penelitian O
ini O
juga O
akan O
dibangun O
sebuah O
modul O
pengumpul O
berita O
untuk O
mendapatkan O
berita O
dari O
media O
daring. O
Pembuatan O
peringkasan O
teks O
otomatis O
dalam O
penelitian O
ini O
menggunakan O
metode B-METODE
Latent I-METODE
Semantic I-METODE
Analysis I-METODE
( I-METODE
LSA I-METODE
) I-METODE
dan I-METODE
Cross I-METODE
Latent I-METODE
Semantic I-METODE
Analysis I-METODE
( I-METODE
CLSA I-METODE
) I-METODE
. O
Berdasarkan O
evaluasi O
hasil O
peringkasan O
teks O
otomatis O
menggunakan O
ROUGE B-METODE
, O
metode B-METODE
peringkasan I-METODE
CLSA I-METODE
dengan O
metode O
pemilihan O
kalimat O
avesvd O
adalah O
yang O
terbaik O
dengan O
rata-rata O
nilai O
f1-score B-METODE
ROUGE-1 I-METODE
0.51892 O
, O
ROUGE-2 B-METODE
0.42842 O
dan O
ROUGE-L B-METODE
0.54177. O
Selanjutnya O
, O
metode O
tersebut O
diimplementasikan O
pada O
aplikasi. O
terbaik O
Kata O
Kunci— O
berita O
, O
peringkasan O
, O
LSA O
, O
CLSA O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
penelitian O
ini O
, O
dapat O
ditarik O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Modul O
pengumpul O
berita O
untuk O
mendapatkan O
berita O
dari O
media O
daring O
berhasil O
dibuat O
dengan O
menggunakan O
web O
framework O
Flask. O
teks O
rata-rata O
nilai O
2. B-TEMUAN
Peringkasan I-TEMUAN
secara I-TEMUAN
otomatis I-TEMUAN
berhasil I-TEMUAN
dibuat. I-TEMUAN
Berdasarkan I-TEMUAN
evaluasi I-TEMUAN
hasil I-TEMUAN
peringkasan I-TEMUAN
teks I-TEMUAN
otomatis I-TEMUAN
menggunakan I-TEMUAN
ROUGE I-TEMUAN
, I-TEMUAN
metode I-TEMUAN
peringkasan I-TEMUAN
CLSA I-TEMUAN
dengan I-TEMUAN
metode I-TEMUAN
pemilihan I-TEMUAN
kalimat I-TEMUAN
avesvd I-TEMUAN
adalah I-TEMUAN
yang I-TEMUAN
terbaik I-TEMUAN
f1-score I-TEMUAN
ROUGE-1 I-TEMUAN
0.51892 I-TEMUAN
, I-TEMUAN
dengan I-TEMUAN
ROUGE-2 I-TEMUAN
0.42842 I-TEMUAN
dan I-TEMUAN
ROUGE-L I-TEMUAN
0.54177. I-TEMUAN
Selanjutnya I-TEMUAN
, I-TEMUAN
metode I-TEMUAN
terbaik I-TEMUAN
tersebut I-TEMUAN
diimplementasikan I-TEMUAN
pada I-TEMUAN
aplikasi. I-TEMUAN
3. O
Aplikasi B-TEMUAN
antar I-TEMUAN
muka I-TEMUAN
peringkasan I-TEMUAN
teks I-TEMUAN
otomatis I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
berhasil I-TEMUAN
diimplementasikan I-TEMUAN
serta I-TEMUAN
diintegrasikan I-TEMUAN
dengan I-TEMUAN
modul I-TEMUAN
pengumpul I-TEMUAN
berita I-TEMUAN
untuk I-TEMUAN
mendapatkan I-TEMUAN
berita I-TEMUAN
berdasarkan I-TEMUAN
kata I-TEMUAN
kunci I-TEMUAN
dari I-TEMUAN
situs I-TEMUAN
media I-TEMUAN
daring. I-TEMUAN

Aplikasi O
Peringkasan O
Dokumen O
Berita O
Otomatis O
Menggunakan O
Metode O
Latent O
Semantic O
Analysis O
dan O
Cross O
Latent O
Semantic O
Analysis O
Salim O
Satriajati O
( O
221709994 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Kemajuan O
teknologi O
informasi O
dan O
komunikasi O
saat O
ini O
menyebabkan O
akses O
terhadap O
berita O
menjadi O
lebih O
cepat. O
Hal O
tersebut O
dimanfaatkan O
oleh O
Biro O
Hubungan O
Masyarakat O
Badan O
Pusat O
Statistik O
( O
Humas O
BPS O
) O
dalam O
menunjang O
kinerjanya O
dengan O
melakukan O
pengumpulan O
berita O
dan O
meringkas O
berita O
dari O
media O
daring. O
Namun O
, O
dalam O
meringkas O
berita O
, O
Humas O
BPS O
perlu O
membaca O
seluruh O
berita O
tersebut O
satu O
per O
satu O
sehingga O
kurang O
efektif O
dan O
efisien. O
Untuk O
mengatasi O
permasalahan O
tersebut O
, O
maka O
dalam O
penelitian O
ini O
akan O
dirancang B-TUJUAN
sebuah I-TUJUAN
aplikasi I-TUJUAN
peringkasan I-TUJUAN
teks I-TUJUAN
pada I-TUJUAN
artikel I-TUJUAN
berita I-TUJUAN
berbahasa I-TUJUAN
Indonesia I-TUJUAN
secara I-TUJUAN
otomatis. I-TUJUAN
Di O
samping O
peringkasan O
teks O
, O
dalam O
penelitian O
ini O
juga O
akan O
dibangun O
sebuah O
modul O
pengumpul O
berita O
untuk O
mendapatkan O
berita O
dari O
media O
daring. O
Pembuatan O
peringkasan O
teks O
otomatis O
dalam O
penelitian O
ini O
menggunakan O
metode B-METODE
Latent I-METODE
Semantic I-METODE
Analysis I-METODE
( I-METODE
LSA I-METODE
) I-METODE
dan I-METODE
Cross I-METODE
Latent I-METODE
Semantic I-METODE
Analysis I-METODE
( I-METODE
CLSA I-METODE
) I-METODE
. O
Berdasarkan O
evaluasi O
hasil O
peringkasan O
teks O
otomatis O
menggunakan O
ROUGE B-METODE
, O
metode B-METODE
peringkasan I-METODE
CLSA I-METODE
dengan O
metode O
pemilihan O
kalimat O
avesvd O
adalah O
yang O
terbaik O
dengan O
rata-rata O
nilai O
f1-score B-METODE
ROUGE-1 I-METODE
0.51892 O
, O
ROUGE-2 B-METODE
0.42842 O
dan O
ROUGE-L B-METODE
0.54177. O
Selanjutnya O
, O
metode O
tersebut O
diimplementasikan O
pada O
aplikasi. O
terbaik O
Kata O
Kunci— O
berita O
, O
peringkasan O
, O
LSA O
, O
CLSA O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
penelitian O
ini O
, O
dapat O
ditarik O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Modul O
pengumpul O
berita O
untuk O
mendapatkan O
berita O
dari O
media O
daring O
berhasil O
dibuat O
dengan O
menggunakan O
web O
framework O
Flask. O
teks O
rata-rata O
nilai O
2. B-TEMUAN
Peringkasan I-TEMUAN
secara I-TEMUAN
otomatis I-TEMUAN
berhasil I-TEMUAN
dibuat. I-TEMUAN
Berdasarkan I-TEMUAN
evaluasi I-TEMUAN
hasil I-TEMUAN
peringkasan I-TEMUAN
teks I-TEMUAN
otomatis I-TEMUAN
menggunakan I-TEMUAN
ROUGE I-TEMUAN
, I-TEMUAN
metode I-TEMUAN
peringkasan I-TEMUAN
CLSA I-TEMUAN
dengan I-TEMUAN
metode I-TEMUAN
pemilihan I-TEMUAN
kalimat I-TEMUAN
avesvd I-TEMUAN
adalah I-TEMUAN
yang I-TEMUAN
terbaik I-TEMUAN
f1-score I-TEMUAN
ROUGE-1 I-TEMUAN
0.51892 I-TEMUAN
, I-TEMUAN
dengan I-TEMUAN
ROUGE-2 I-TEMUAN
0.42842 I-TEMUAN
dan I-TEMUAN
ROUGE-L I-TEMUAN
0.54177. I-TEMUAN
Selanjutnya I-TEMUAN
, I-TEMUAN
metode I-TEMUAN
terbaik I-TEMUAN
tersebut I-TEMUAN
diimplementasikan I-TEMUAN
pada I-TEMUAN
aplikasi. I-TEMUAN
3. O
Aplikasi B-TEMUAN
antar I-TEMUAN
muka I-TEMUAN
peringkasan I-TEMUAN
teks I-TEMUAN
otomatis I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
berhasil I-TEMUAN
diimplementasikan I-TEMUAN
serta I-TEMUAN
diintegrasikan I-TEMUAN
dengan I-TEMUAN
modul I-TEMUAN
pengumpul I-TEMUAN
berita I-TEMUAN
untuk I-TEMUAN
mendapatkan I-TEMUAN
berita I-TEMUAN
berdasarkan I-TEMUAN
kata I-TEMUAN
kunci I-TEMUAN
dari I-TEMUAN
situs I-TEMUAN
media I-TEMUAN
daring. I-TEMUAN

Aplikasi O
Peringkasan O
Dokumen O
Berita O
Otomatis O
Menggunakan O
Metode O
Latent O
Semantic O
Analysis O
dan O
Cross O
Latent O
Semantic O
Analysis O
Salim O
Satriajati O
( O
221709994 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Kemajuan O
teknologi O
informasi O
dan O
komunikasi O
saat O
ini O
menyebabkan O
akses O
terhadap O
berita O
menjadi O
lebih O
cepat. O
Hal O
tersebut O
dimanfaatkan O
oleh O
Biro O
Hubungan O
Masyarakat O
Badan O
Pusat O
Statistik O
( O
Humas O
BPS O
) O
dalam O
menunjang O
kinerjanya O
dengan O
melakukan O
pengumpulan O
berita O
dan O
meringkas O
berita O
dari O
media O
daring. O
Namun O
, O
dalam O
meringkas O
berita O
, O
Humas O
BPS O
perlu O
membaca O
seluruh O
berita O
tersebut O
satu O
per O
satu O
sehingga O
kurang O
efektif O
dan O
efisien. O
Untuk O
mengatasi O
permasalahan O
tersebut O
, O
maka O
dalam O
penelitian O
ini O
akan O
dirancang B-TUJUAN
sebuah I-TUJUAN
aplikasi I-TUJUAN
peringkasan I-TUJUAN
teks I-TUJUAN
pada I-TUJUAN
artikel I-TUJUAN
berita I-TUJUAN
berbahasa I-TUJUAN
Indonesia I-TUJUAN
secara I-TUJUAN
otomatis. I-TUJUAN
Di O
samping O
peringkasan O
teks O
, O
dalam O
penelitian O
ini O
juga O
akan O
dibangun O
sebuah O
modul O
pengumpul O
berita O
untuk O
mendapatkan O
berita O
dari O
media O
daring. O
Pembuatan O
peringkasan O
teks O
otomatis O
dalam O
penelitian O
ini O
menggunakan O
metode B-METODE
Latent I-METODE
Semantic I-METODE
Analysis I-METODE
( I-METODE
LSA I-METODE
) I-METODE
dan I-METODE
Cross I-METODE
Latent I-METODE
Semantic I-METODE
Analysis I-METODE
( I-METODE
CLSA I-METODE
) I-METODE
. O
Berdasarkan O
evaluasi O
hasil O
peringkasan O
teks O
otomatis O
menggunakan O
ROUGE B-METODE
, O
metode B-METODE
peringkasan I-METODE
CLSA I-METODE
dengan O
metode O
pemilihan O
kalimat O
avesvd O
adalah O
yang O
terbaik O
dengan O
rata-rata O
nilai O
f1-score B-METODE
ROUGE-1 I-METODE
0.51892 O
, O
ROUGE-2 B-METODE
0.42842 O
dan O
ROUGE-L B-METODE
0.54177. O
Selanjutnya O
, O
metode O
tersebut O
diimplementasikan O
pada O
aplikasi. O
terbaik O
Kata O
Kunci— O
berita O
, O
peringkasan O
, O
LSA O
, O
CLSA O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
penelitian O
ini O
, O
dapat O
ditarik O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Modul O
pengumpul O
berita O
untuk O
mendapatkan O
berita O
dari O
media O
daring O
berhasil O
dibuat O
dengan O
menggunakan O
web O
framework O
Flask. O
teks O
rata-rata O
nilai O
2. B-TEMUAN
Peringkasan I-TEMUAN
secara I-TEMUAN
otomatis I-TEMUAN
berhasil I-TEMUAN
dibuat. I-TEMUAN
Berdasarkan I-TEMUAN
evaluasi I-TEMUAN
hasil I-TEMUAN
peringkasan I-TEMUAN
teks I-TEMUAN
otomatis I-TEMUAN
menggunakan I-TEMUAN
ROUGE I-TEMUAN
, I-TEMUAN
metode I-TEMUAN
peringkasan I-TEMUAN
CLSA I-TEMUAN
dengan I-TEMUAN
metode I-TEMUAN
pemilihan I-TEMUAN
kalimat I-TEMUAN
avesvd I-TEMUAN
adalah I-TEMUAN
yang I-TEMUAN
terbaik I-TEMUAN
f1-score I-TEMUAN
ROUGE-1 I-TEMUAN
0.51892 I-TEMUAN
, I-TEMUAN
dengan I-TEMUAN
ROUGE-2 I-TEMUAN
0.42842 I-TEMUAN
dan I-TEMUAN
ROUGE-L I-TEMUAN
0.54177. I-TEMUAN
Selanjutnya I-TEMUAN
, I-TEMUAN
metode I-TEMUAN
terbaik I-TEMUAN
tersebut I-TEMUAN
diimplementasikan I-TEMUAN
pada I-TEMUAN
aplikasi. I-TEMUAN
3. O
Aplikasi B-TEMUAN
antar I-TEMUAN
muka I-TEMUAN
peringkasan I-TEMUAN
teks I-TEMUAN
otomatis I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
berhasil I-TEMUAN
diimplementasikan I-TEMUAN
serta I-TEMUAN
diintegrasikan I-TEMUAN
dengan I-TEMUAN
modul I-TEMUAN
pengumpul I-TEMUAN
berita I-TEMUAN
untuk I-TEMUAN
mendapatkan I-TEMUAN
berita I-TEMUAN
berdasarkan I-TEMUAN
kata I-TEMUAN
kunci I-TEMUAN
dari I-TEMUAN
situs I-TEMUAN
media I-TEMUAN
daring. I-TEMUAN

Aplikasi O
Peringkasan O
Dokumen O
Berita O
Otomatis O
Menggunakan O
Metode O
Latent O
Semantic O
Analysis O
dan O
Cross O
Latent O
Semantic O
Analysis O
Salim O
Satriajati O
( O
221709994 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Kemajuan O
teknologi O
informasi O
dan O
komunikasi O
saat O
ini O
menyebabkan O
akses O
terhadap O
berita O
menjadi O
lebih O
cepat. O
Hal O
tersebut O
dimanfaatkan O
oleh O
Biro O
Hubungan O
Masyarakat O
Badan O
Pusat O
Statistik O
( O
Humas O
BPS O
) O
dalam O
menunjang O
kinerjanya O
dengan O
melakukan O
pengumpulan O
berita O
dan O
meringkas O
berita O
dari O
media O
daring. O
Namun O
, O
dalam O
meringkas O
berita O
, O
Humas O
BPS O
perlu O
membaca O
seluruh O
berita O
tersebut O
satu O
per O
satu O
sehingga O
kurang O
efektif O
dan O
efisien. O
Untuk O
mengatasi O
permasalahan O
tersebut O
, O
maka O
dalam O
penelitian O
ini O
akan O
dirancang B-TUJUAN
sebuah I-TUJUAN
aplikasi I-TUJUAN
peringkasan I-TUJUAN
teks I-TUJUAN
pada I-TUJUAN
artikel I-TUJUAN
berita I-TUJUAN
berbahasa I-TUJUAN
Indonesia I-TUJUAN
secara I-TUJUAN
otomatis. I-TUJUAN
Di O
samping O
peringkasan O
teks O
, O
dalam O
penelitian O
ini O
juga O
akan O
dibangun O
sebuah O
modul O
pengumpul O
berita O
untuk O
mendapatkan O
berita O
dari O
media O
daring. O
Pembuatan O
peringkasan O
teks O
otomatis O
dalam O
penelitian O
ini O
menggunakan O
metode B-METODE
Latent I-METODE
Semantic I-METODE
Analysis I-METODE
( I-METODE
LSA I-METODE
) I-METODE
dan I-METODE
Cross I-METODE
Latent I-METODE
Semantic I-METODE
Analysis I-METODE
( I-METODE
CLSA I-METODE
) I-METODE
. O
Berdasarkan O
evaluasi O
hasil O
peringkasan O
teks O
otomatis O
menggunakan O
ROUGE B-METODE
, O
metode B-METODE
peringkasan I-METODE
CLSA I-METODE
dengan O
metode O
pemilihan O
kalimat O
avesvd O
adalah O
yang O
terbaik O
dengan O
rata-rata O
nilai O
f1-score B-METODE
ROUGE-1 I-METODE
0.51892 O
, O
ROUGE-2 B-METODE
0.42842 O
dan O
ROUGE-L B-METODE
0.54177. O
Selanjutnya O
, O
metode O
tersebut O
diimplementasikan O
pada O
aplikasi. O
terbaik O
Kata O
Kunci— O
berita O
, O
peringkasan O
, O
LSA O
, O
CLSA O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
penelitian O
ini O
, O
dapat O
ditarik O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Modul O
pengumpul O
berita O
untuk O
mendapatkan O
berita O
dari O
media O
daring O
berhasil O
dibuat O
dengan O
menggunakan O
web O
framework O
Flask. O
teks O
rata-rata O
nilai O
2. B-TEMUAN
Peringkasan I-TEMUAN
secara I-TEMUAN
otomatis I-TEMUAN
berhasil I-TEMUAN
dibuat. I-TEMUAN
Berdasarkan I-TEMUAN
evaluasi I-TEMUAN
hasil I-TEMUAN
peringkasan I-TEMUAN
teks I-TEMUAN
otomatis I-TEMUAN
menggunakan I-TEMUAN
ROUGE I-TEMUAN
, I-TEMUAN
metode I-TEMUAN
peringkasan I-TEMUAN
CLSA I-TEMUAN
dengan I-TEMUAN
metode I-TEMUAN
pemilihan I-TEMUAN
kalimat I-TEMUAN
avesvd I-TEMUAN
adalah I-TEMUAN
yang I-TEMUAN
terbaik I-TEMUAN
f1-score I-TEMUAN
ROUGE-1 I-TEMUAN
0.51892 I-TEMUAN
, I-TEMUAN
dengan I-TEMUAN
ROUGE-2 I-TEMUAN
0.42842 I-TEMUAN
dan I-TEMUAN
ROUGE-L I-TEMUAN
0.54177. I-TEMUAN
Selanjutnya I-TEMUAN
, I-TEMUAN
metode I-TEMUAN
terbaik I-TEMUAN
tersebut I-TEMUAN
diimplementasikan I-TEMUAN
pada I-TEMUAN
aplikasi. I-TEMUAN
3. O
Aplikasi B-TEMUAN
antar I-TEMUAN
muka I-TEMUAN
peringkasan I-TEMUAN
teks I-TEMUAN
otomatis I-TEMUAN
berbasis I-TEMUAN
web I-TEMUAN
berhasil I-TEMUAN
diimplementasikan I-TEMUAN
serta I-TEMUAN
diintegrasikan I-TEMUAN
dengan I-TEMUAN
modul I-TEMUAN
pengumpul I-TEMUAN
berita I-TEMUAN
untuk I-TEMUAN
mendapatkan I-TEMUAN
berita I-TEMUAN
berdasarkan I-TEMUAN
kata I-TEMUAN
kunci I-TEMUAN
dari I-TEMUAN
situs I-TEMUAN
media I-TEMUAN
daring. I-TEMUAN

Named O
Entity O
Recognition O
( O
NER O
) O
melalui O
Twitter O
pada O
SpaCy O
Bahasa O
Indonesia O
( O
Studi O
Kasus O
: O
Gangguan O
Listrik O
di O
Daerah O
Istimewa O
Yogyakarta O
) O
Rizka O
Maulida O
Yanti O
( O
221709980 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
SST O
, O
MT O
terkait O
gangguan O
Ringkasan— O
SpaCy O
merupakan O
tools O
yang O
dapat O
menangani O
masalah O
Natural O
Language O
Processing O
( O
NLP O
) O
dengan O
efisien O
, O
salah O
satunya O
adalah O
Named B-METODE
Entity I-METODE
Recognition I-METODE
( I-METODE
NER I-METODE
) I-METODE
. O
NER O
digunakan O
untuk O
mengekstrak O
dan O
mengidentifikasi O
entitas O
bernama O
pada O
suatu O
teks. O
Namun O
, O
sejauh O
ini O
SpaCy O
belum O
merilis O
pre-train O
model O
NER O
untuk O
Bahasa O
Indonesia O
secara O
resmi. O
Di O
sisi O
lain O
, O
berdasarkan O
laporan O
statistik O
PLN O
tahun O
2019 O
, O
Provinsi O
D.I. O
Yogyakarta O
merupakan O
provinsi O
yang O
sering O
mengalami O
gangguan O
listrik O
serta O
banyak O
ditemukannya O
keluhan O
masyarakat O
di O
Twitter O
terkait O
gangguan O
listrik O
yang O
terjadi O
di O
provinsi O
tersebut. O
Dikarenakan O
belum O
ditemukannya O
penelitian O
ekstraksi O
informasi O
jarang O
ditemukannya O
penelitian O
tentang O
NER O
dengan O
menggunakan O
ini O
akan O
SpaCy O
Bahasa O
Indonesia. O
Maka O
pada O
penelitian B-TUJUAN
dilakukan I-TUJUAN
ekstraksi I-TUJUAN
informasi I-TUJUAN
terkait I-TUJUAN
gangguan I-TUJUAN
listrik I-TUJUAN
di I-TUJUAN
Provinsi I-TUJUAN
D.I. I-TUJUAN
Yogyakarta I-TUJUAN
melalui I-TUJUAN
Twitter I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
SpaCy I-TUJUAN
Bahasa I-TUJUAN
Indonesia. I-TUJUAN
Penelitian B-TEMUAN
ini I-TEMUAN
menghasilkan I-TEMUAN
performa I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
hasil I-TEMUAN
perhitungan I-TEMUAN
precision I-TEMUAN
95.52 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
recall I-TEMUAN
93.27 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
f1-score I-TEMUAN
94.38 I-TEMUAN
% I-TEMUAN
.. I-TEMUAN
Kemudian O
, O
dilakukan O
pemetaan O
berdasarkan O
entitas O
lokasi O
yang O
terdapat O
dalam O
tweet O
terkait O
gangguan O
listrik. O
Dari O
proses O
tersebut O
didapat O
bahwa O
jumlah B-TEMUAN
lokasi I-TEMUAN
yang I-TEMUAN
tersebutkan I-TEMUAN
di I-TEMUAN
tweet I-TEMUAN
terkait I-TEMUAN
gangguan I-TEMUAN
listrik I-TEMUAN
tertinggi I-TEMUAN
berasal I-TEMUAN
dari I-TEMUAN
Kabupaten I-TEMUAN
Sleman I-TEMUAN
, I-TEMUAN
sedangkan I-TEMUAN
jumlah I-TEMUAN
terendah I-TEMUAN
berasal I-TEMUAN
dari I-TEMUAN
Kabupaten I-TEMUAN
Gunung I-TEMUAN
Kidul. I-TEMUAN
Lalu O
, O
bulan O
yang O
paling O
banyak O
mengalami O
gangguan O
listrik O
adalah O
Bulan O
Maret O
2020 O
, O
sedangkan O
yang O
paling O
sedikit O
adalah O
Bulan O
Juli O
2020. O
serta O
masih O
listrik O
Kata O
Kunci— O
Information O
Extraction O
, O
NER O
, O
SpaCy O
, O
Twitter O
, O
Gangguan O
Listrik. O
[SEP] O
Indonesia O
( O
NER O
) O
Bahasa O
1. O
Telah O
berhasil O
dibangun O
model O
Name O
Entity O
Recognition O
dengan O
menggunakan O
library O
SpaCy. O
Entitas O
pada O
tweet O
terkait O
gangguan O
listrik O
yang O
telah O
berhasil O
diekstraksi O
adalah O
entitas O
lokasi O
, O
dengan O
label O
B-LOC O
dan O
I-LOC. O
Proses O
pelabelan O
sudah O
disesuaikan O
dengan O
format O
SpaCy O
seperti O
sebagai O
berikut O
: O
Train_data O
= O
[ O
( O
" O
Free O
Text O
1 O
" O
, O
entities O
: O
{ O
[ O
( O
start O
, O
end O
, O
" O
TAG O
1 O
" O
) O
, O
( O
start O
, O
end O
, O
" O
TAG O
2 O
" O
) O
, O
( O
start O
, O
end O
, O
" O
TAG O
3 O
" O
) O
] O
} O
) O
2. O
Model O
Name O
Entity O
Recognition O
( O
NER O
) O
yang O
dibangun O
dan O
digunakan O
untuk O
klasifikasi O
tweet O
terkait O
gangguan O
listrik O
menghasilkan O
performa O
hasil O
yang O
baik O
dengan O
hasil O
perhitungan O
precision B-METODE
95.52 O
% O
, O
recall B-METODE
93.27 O
% O
, O
dan O
f1-score B-METODE
94.38 O
% O
. O
tweet O
3. O
Jumlah O
lokasi O
yang O
lokasi O
yang O
tersebutkan O
di O
terkait O
gangguan O
listrik O
tertinggi O
berasal O
dari O
Kabupaten O
Sleman O
dengan O
jumlah O
sebesar O
2.736 O
lokasi. O
Sedangkan O
terkait O
jumlah O
gangguan O
listrik O
terendah O
berasal O
dari O
Kabupaten O
Gunung O
Kidul O
dengan O
jumlah O
sebesar O
225 O
lokasi. O
4. O
Bulan O
Maret O
2020 O
merupakan O
bulan O
yang O
paling O
banyak O
mengalami O
gangguan O
listrik. O
Sedangkan O
, O
Bulan O
Juli O
2020 O
merupakan O
bulan O
yang O
paling O
sedikit O
mengalami O
gangguan O
listrik. O
tersebutkan O
di O
tweet O

Named O
Entity O
Recognition O
( O
NER O
) O
melalui O
Twitter O
pada O
SpaCy O
Bahasa O
Indonesia O
( O
Studi O
Kasus O
: O
Gangguan O
Listrik O
di O
Daerah O
Istimewa O
Yogyakarta O
) O
Rizka O
Maulida O
Yanti O
( O
221709980 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
SST O
, O
MT O
terkait O
gangguan O
Ringkasan— O
SpaCy O
merupakan O
tools O
yang O
dapat O
menangani O
masalah O
Natural O
Language O
Processing O
( O
NLP O
) O
dengan O
efisien O
, O
salah O
satunya O
adalah O
Named B-METODE
Entity I-METODE
Recognition I-METODE
( I-METODE
NER I-METODE
) I-METODE
. O
NER O
digunakan O
untuk O
mengekstrak O
dan O
mengidentifikasi O
entitas O
bernama O
pada O
suatu O
teks. O
Namun O
, O
sejauh O
ini O
SpaCy O
belum O
merilis O
pre-train O
model O
NER O
untuk O
Bahasa O
Indonesia O
secara O
resmi. O
Di O
sisi O
lain O
, O
berdasarkan O
laporan O
statistik O
PLN O
tahun O
2019 O
, O
Provinsi O
D.I. O
Yogyakarta O
merupakan O
provinsi O
yang O
sering O
mengalami O
gangguan O
listrik O
serta O
banyak O
ditemukannya O
keluhan O
masyarakat O
di O
Twitter O
terkait O
gangguan O
listrik O
yang O
terjadi O
di O
provinsi O
tersebut. O
Dikarenakan O
belum O
ditemukannya O
penelitian O
ekstraksi O
informasi O
jarang O
ditemukannya O
penelitian O
tentang O
NER O
dengan O
menggunakan O
ini O
akan O
SpaCy O
Bahasa O
Indonesia. O
Maka O
pada O
penelitian B-TUJUAN
dilakukan I-TUJUAN
ekstraksi I-TUJUAN
informasi I-TUJUAN
terkait I-TUJUAN
gangguan I-TUJUAN
listrik I-TUJUAN
di I-TUJUAN
Provinsi I-TUJUAN
D.I. I-TUJUAN
Yogyakarta I-TUJUAN
melalui I-TUJUAN
Twitter I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
SpaCy I-TUJUAN
Bahasa I-TUJUAN
Indonesia. I-TUJUAN
Penelitian B-TEMUAN
ini I-TEMUAN
menghasilkan I-TEMUAN
performa I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
hasil I-TEMUAN
perhitungan I-TEMUAN
precision I-TEMUAN
95.52 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
recall I-TEMUAN
93.27 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
f1-score I-TEMUAN
94.38 I-TEMUAN
% I-TEMUAN
.. I-TEMUAN
Kemudian O
, O
dilakukan O
pemetaan O
berdasarkan O
entitas O
lokasi O
yang O
terdapat O
dalam O
tweet O
terkait O
gangguan O
listrik. O
Dari O
proses O
tersebut O
didapat O
bahwa O
jumlah B-TEMUAN
lokasi I-TEMUAN
yang I-TEMUAN
tersebutkan I-TEMUAN
di I-TEMUAN
tweet I-TEMUAN
terkait I-TEMUAN
gangguan I-TEMUAN
listrik I-TEMUAN
tertinggi I-TEMUAN
berasal I-TEMUAN
dari I-TEMUAN
Kabupaten I-TEMUAN
Sleman I-TEMUAN
, I-TEMUAN
sedangkan I-TEMUAN
jumlah I-TEMUAN
terendah I-TEMUAN
berasal I-TEMUAN
dari I-TEMUAN
Kabupaten I-TEMUAN
Gunung I-TEMUAN
Kidul. I-TEMUAN
Lalu O
, O
bulan O
yang O
paling O
banyak O
mengalami O
gangguan O
listrik O
adalah O
Bulan O
Maret O
2020 O
, O
sedangkan O
yang O
paling O
sedikit O
adalah O
Bulan O
Juli O
2020. O
serta O
masih O
listrik O
Kata O
Kunci— O
Information O
Extraction O
, O
NER O
, O
SpaCy O
, O
Twitter O
, O
Gangguan O
Listrik. O
[SEP] O
Indonesia O
( O
NER O
) O
Bahasa O
1. O
Telah O
berhasil O
dibangun O
model O
Name O
Entity O
Recognition O
dengan O
menggunakan O
library O
SpaCy. O
Entitas O
pada O
tweet O
terkait O
gangguan O
listrik O
yang O
telah O
berhasil O
diekstraksi O
adalah O
entitas O
lokasi O
, O
dengan O
label O
B-LOC O
dan O
I-LOC. O
Proses O
pelabelan O
sudah O
disesuaikan O
dengan O
format O
SpaCy O
seperti O
sebagai O
berikut O
: O
Train_data O
= O
[ O
( O
" O
Free O
Text O
1 O
" O
, O
entities O
: O
{ O
[ O
( O
start O
, O
end O
, O
" O
TAG O
1 O
" O
) O
, O
( O
start O
, O
end O
, O
" O
TAG O
2 O
" O
) O
, O
( O
start O
, O
end O
, O
" O
TAG O
3 O
" O
) O
] O
} O
) O
2. O
Model O
Name O
Entity O
Recognition O
( O
NER O
) O
yang O
dibangun O
dan O
digunakan O
untuk O
klasifikasi O
tweet O
terkait O
gangguan O
listrik O
menghasilkan O
performa O
hasil O
yang O
baik O
dengan O
hasil O
perhitungan O
precision B-METODE
95.52 O
% O
, O
recall B-METODE
93.27 O
% O
, O
dan O
f1-score B-METODE
94.38 O
% O
. O
tweet O
3. O
Jumlah O
lokasi O
yang O
lokasi O
yang O
tersebutkan O
di O
terkait O
gangguan O
listrik O
tertinggi O
berasal O
dari O
Kabupaten O
Sleman O
dengan O
jumlah O
sebesar O
2.736 O
lokasi. O
Sedangkan O
terkait O
jumlah O
gangguan O
listrik O
terendah O
berasal O
dari O
Kabupaten O
Gunung O
Kidul O
dengan O
jumlah O
sebesar O
225 O
lokasi. O
4. O
Bulan O
Maret O
2020 O
merupakan O
bulan O
yang O
paling O
banyak O
mengalami O
gangguan O
listrik. O
Sedangkan O
, O
Bulan O
Juli O
2020 O
merupakan O
bulan O
yang O
paling O
sedikit O
mengalami O
gangguan O
listrik. O
tersebutkan O
di O
tweet O

Named O
Entity O
Recognition O
( O
NER O
) O
melalui O
Twitter O
pada O
SpaCy O
Bahasa O
Indonesia O
( O
Studi O
Kasus O
: O
Gangguan O
Listrik O
di O
Daerah O
Istimewa O
Yogyakarta O
) O
Rizka O
Maulida O
Yanti O
( O
221709980 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
SST O
, O
MT O
terkait O
gangguan O
Ringkasan— O
SpaCy O
merupakan O
tools O
yang O
dapat O
menangani O
masalah O
Natural O
Language O
Processing O
( O
NLP O
) O
dengan O
efisien O
, O
salah O
satunya O
adalah O
Named B-METODE
Entity I-METODE
Recognition I-METODE
( I-METODE
NER I-METODE
) I-METODE
. O
NER O
digunakan O
untuk O
mengekstrak O
dan O
mengidentifikasi O
entitas O
bernama O
pada O
suatu O
teks. O
Namun O
, O
sejauh O
ini O
SpaCy O
belum O
merilis O
pre-train O
model O
NER O
untuk O
Bahasa O
Indonesia O
secara O
resmi. O
Di O
sisi O
lain O
, O
berdasarkan O
laporan O
statistik O
PLN O
tahun O
2019 O
, O
Provinsi O
D.I. O
Yogyakarta O
merupakan O
provinsi O
yang O
sering O
mengalami O
gangguan O
listrik O
serta O
banyak O
ditemukannya O
keluhan O
masyarakat O
di O
Twitter O
terkait O
gangguan O
listrik O
yang O
terjadi O
di O
provinsi O
tersebut. O
Dikarenakan O
belum O
ditemukannya O
penelitian O
ekstraksi O
informasi O
jarang O
ditemukannya O
penelitian O
tentang O
NER O
dengan O
menggunakan O
ini O
akan O
SpaCy O
Bahasa O
Indonesia. O
Maka O
pada O
penelitian B-TUJUAN
dilakukan I-TUJUAN
ekstraksi I-TUJUAN
informasi I-TUJUAN
terkait I-TUJUAN
gangguan I-TUJUAN
listrik I-TUJUAN
di I-TUJUAN
Provinsi I-TUJUAN
D.I. I-TUJUAN
Yogyakarta I-TUJUAN
melalui I-TUJUAN
Twitter I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
SpaCy I-TUJUAN
Bahasa I-TUJUAN
Indonesia. I-TUJUAN
Penelitian B-TEMUAN
ini I-TEMUAN
menghasilkan I-TEMUAN
performa I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
hasil I-TEMUAN
perhitungan I-TEMUAN
precision I-TEMUAN
95.52 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
recall I-TEMUAN
93.27 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
f1-score I-TEMUAN
94.38 I-TEMUAN
% I-TEMUAN
.. I-TEMUAN
Kemudian O
, O
dilakukan O
pemetaan O
berdasarkan O
entitas O
lokasi O
yang O
terdapat O
dalam O
tweet O
terkait O
gangguan O
listrik. O
Dari O
proses O
tersebut O
didapat O
bahwa O
jumlah B-TEMUAN
lokasi I-TEMUAN
yang I-TEMUAN
tersebutkan I-TEMUAN
di I-TEMUAN
tweet I-TEMUAN
terkait I-TEMUAN
gangguan I-TEMUAN
listrik I-TEMUAN
tertinggi I-TEMUAN
berasal I-TEMUAN
dari I-TEMUAN
Kabupaten I-TEMUAN
Sleman I-TEMUAN
, I-TEMUAN
sedangkan I-TEMUAN
jumlah I-TEMUAN
terendah I-TEMUAN
berasal I-TEMUAN
dari I-TEMUAN
Kabupaten I-TEMUAN
Gunung I-TEMUAN
Kidul. I-TEMUAN
Lalu O
, O
bulan O
yang O
paling O
banyak O
mengalami O
gangguan O
listrik O
adalah O
Bulan O
Maret O
2020 O
, O
sedangkan O
yang O
paling O
sedikit O
adalah O
Bulan O
Juli O
2020. O
serta O
masih O
listrik O
Kata O
Kunci— O
Information O
Extraction O
, O
NER O
, O
SpaCy O
, O
Twitter O
, O
Gangguan O
Listrik. O
[SEP] O
Indonesia O
( O
NER O
) O
Bahasa O
1. O
Telah O
berhasil O
dibangun O
model O
Name O
Entity O
Recognition O
dengan O
menggunakan O
library O
SpaCy. O
Entitas O
pada O
tweet O
terkait O
gangguan O
listrik O
yang O
telah O
berhasil O
diekstraksi O
adalah O
entitas O
lokasi O
, O
dengan O
label O
B-LOC O
dan O
I-LOC. O
Proses O
pelabelan O
sudah O
disesuaikan O
dengan O
format O
SpaCy O
seperti O
sebagai O
berikut O
: O
Train_data O
= O
[ O
( O
" O
Free O
Text O
1 O
" O
, O
entities O
: O
{ O
[ O
( O
start O
, O
end O
, O
" O
TAG O
1 O
" O
) O
, O
( O
start O
, O
end O
, O
" O
TAG O
2 O
" O
) O
, O
( O
start O
, O
end O
, O
" O
TAG O
3 O
" O
) O
] O
} O
) O
2. O
Model O
Name O
Entity O
Recognition O
( O
NER O
) O
yang O
dibangun O
dan O
digunakan O
untuk O
klasifikasi O
tweet O
terkait O
gangguan O
listrik O
menghasilkan O
performa O
hasil O
yang O
baik O
dengan O
hasil O
perhitungan O
precision B-METODE
95.52 O
% O
, O
recall B-METODE
93.27 O
% O
, O
dan O
f1-score B-METODE
94.38 O
% O
. O
tweet O
3. O
Jumlah O
lokasi O
yang O
lokasi O
yang O
tersebutkan O
di O
terkait O
gangguan O
listrik O
tertinggi O
berasal O
dari O
Kabupaten O
Sleman O
dengan O
jumlah O
sebesar O
2.736 O
lokasi. O
Sedangkan O
terkait O
jumlah O
gangguan O
listrik O
terendah O
berasal O
dari O
Kabupaten O
Gunung O
Kidul O
dengan O
jumlah O
sebesar O
225 O
lokasi. O
4. O
Bulan O
Maret O
2020 O
merupakan O
bulan O
yang O
paling O
banyak O
mengalami O
gangguan O
listrik. O
Sedangkan O
, O
Bulan O
Juli O
2020 O
merupakan O
bulan O
yang O
paling O
sedikit O
mengalami O
gangguan O
listrik. O
tersebutkan O
di O
tweet O

Speech O
to O
Text O
Bahasa O
Indonesia O
dalam O
Survei O
BPS O
Risandha O
Reza O
El O
Kariem O
( O
221709977 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
S.S.T. O
, O
M. O
Si. O
Ringkasan— O
Wawancara O
dan O
kuesioner O
merupakan O
teknik O
pengumpulan O
informasi O
dalam O
survei O
Badan O
Pusat O
Statistik. O
Pengumpulan O
data O
ini O
memiliki O
masalah O
pada O
waktu O
pencatatan O
teknologi O
dan O
keterbukaan O
narasumber. O
Perkembangan O
berdampak O
dalam O
perbaikan O
pengumpulan O
data O
survei. O
Solusi O
dari O
masalah O
pengumpulan O
data O
adalah O
pembangunan B-TUJUAN
sistem I-TUJUAN
pengenalan I-TUJUAN
suara I-TUJUAN
membantu I-TUJUAN
penulisan I-TUJUAN
otomatis I-TUJUAN
dengan I-TUJUAN
suara I-TUJUAN
narasumber I-TUJUAN
dengan I-TUJUAN
pemanfaatan I-TUJUAN
sistem I-TUJUAN
Speech I-TUJUAN
to I-TUJUAN
Text. I-TUJUAN
Hasil O
penulisan O
dapat O
secara O
langsung O
dengan O
penyesuaian O
entitas O
pertanyaanya. O
Pendefinisian O
dengan O
pemanfaatan O
Named B-METODE
Entity I-METODE
Recognition I-METODE
yang O
merupakan O
penerapan O
ilmu O
natural O
language O
processing. O
Hasil O
uji O
coba O
dengan O
menggunakan O
dua O
puluh O
jawaban O
narasumber O
dari O
rekaman O
pertanyaan O
kuesioner O
Survei O
Sosial O
Ekonomi O
Nasional O
pada O
blok O
tiga O
ringkasan O
dan O
blok O
empat O
keterangan O
demografi O
menjadi O
teks O
tulisan O
dengan O
akurasi O
kata O
sebesar O
94.5 O
% O
. O
Pembagian O
50 O
% O
data O
teks O
hasil O
sebagai O
data O
train O
dan O
testing O
dalam O
Named O
Entity O
Recognition. O
Uji B-TEMUAN
coba I-TEMUAN
teks I-TEMUAN
hasil I-TEMUAN
data I-TEMUAN
testing I-TEMUAN
untuk I-TEMUAN
pendefinisian I-TEMUAN
kata I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
entitas I-TEMUAN
pertanyaan I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
100 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
suara O
hasil O
suara O
Kata O
Kunci— O
pengumpulan O
data O
, O
BPS O
, O
SUSENAS O
, O
Speech O
to O
Text O
, O
Named O
Entity O
Recognition O
, O
natural O
language O
processing. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
disimpulkan O
bahwa O
, O
1. O
Pendekatan O
Speech B-METODE
to I-METODE
Text I-METODE
dengan O
bahasa O
indonesia O
dapat O
dilakukan O
dengan O
akurasi O
perkata O
sebesar O
94.5 O
% O
. O
Kesalahan O
terjadi O
pada O
awal O
kata O
tidak O
terekam O
, O
yaitu O
saat O
pengucapan O
sistem O
tidak O
dapat O
menerima O
sinyal O
suara O
dari O
rekaman. O
Kesalahan O
terjadi O
pada O
pengucapan O
kata O
yang O
mirip O
terdengar O
dan O
dengan O
pola O
kata O
di O
depannya O
, O
seperti O
pengucapan O
satu O
nama O
tertulis O
satu O
enam. O
Kesalahan O
terbanyak O
pada O
bagian O
penulisan O
nama O
, O
salah O
pengejaan O
dan O
menuliskan O
dengan O
kata O
yang O
mirip. O
juga O
2. O
Model O
data O
train O
dengan O
menggunakan O
50 O
% O
data O
training O
menunjukkan O
data O
train O
dapat O
digunakan O
sebagai O
model O
NER B-METODE
melalui O
grafik. O
Angka O
loss O
pada O
tiga O
iterasi O
terakhir O
sebesar O
9.8 O
, O
13.3 O
, O
dan O
11.5. O
Angka O
loss O
pada O
tiga O
iterasi O
awal O
sebesar O
1596.5 O
, O
1502 O
, O
dan O
1599. O
Terjadi O
penurunan O
signifikan O
dan O
nilai O
iterasi O
akhir O
merupakan O
nilai O
dengan O
loss O
rendah O
sehingga O
dapat O
dijadikan O
model. O
Pada O
iterasi O
ke O
100 O
telah O
menunjukkan O
model O
konvergen O
menuju O
satu O
nilai O
dengan O
nilai O
terakhir O
11.5. O
terdefinisi O
3. O
Pendekatan O
testing O
menggunakan O
model O
NER O
pada O
pendefinisian O
kata O
teks O
hasil O
dengan O
penyesuain O
entitas O
pertanyaanya O
dapat O
dilakukan O
dengan O
akurasi O
100 O
% O
. O
Data O
dapat O
sesuai O
dengan O
keterangan O
pertanyaanya. O
Uraian O
di O
atas O
menunjukkan O
bahwa O
teknik O
pengumpulan O
data O
dengan O
melakukan O
perekaman O
suara O
dengan O
memanfaatkan O
Speech O
to O
Text O
dapat O
dilakukan O
dan O
jawaban O
narasumber O
dapat O
didefinisikan O
sesuai O
entitas O
pertanyaanya O
pembuatan O
model O
Named O
Entity O
dengan O
Recognition. O
bantuan O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
Peniliti O
menyarankan O
untuk O
melakukan O
pengemabangan O
penilitian O
ini O
utamanya O
dalam O
pertanyaan O
berulang O
dan O
validasi O
otomatis. O
Peneliti O
menyarankan O
untuk O
melakukan O
pengembangan O
metode O
pengumpulan O
data O
utamanya O
pada O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
sebagai O
lembaga O
yang O
berhubungan O
secara O
langsung O
dengan O
pengumpulan O
data O
, O
perkembangan O
teknologi O
yang O
berkembang O
akan O
memudahkan O
dalam O
pengumpulan O
data O
serta O
meringankan O
beban O
kerja. O
Penelitian O
ini O
selanjutnya O
dapat O
dikembangkangkan O
dalam O
bentuk O
sistem O
dengan O
tampilan O
user O
interface O
dapat O
dalam O
bentuk O
tampilan O
web O
maupun O
aplikasi O
yang O
memudahkan O
dalam O
melakukan O
proses O
yang O
ada O
pada O
sistem O
yang O
telah O
dibangun. O

Speech O
to O
Text O
Bahasa O
Indonesia O
dalam O
Survei O
BPS O
Risandha O
Reza O
El O
Kariem O
( O
221709977 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
S.S.T. O
, O
M. O
Si. O
Ringkasan— O
Wawancara O
dan O
kuesioner O
merupakan O
teknik O
pengumpulan O
informasi O
dalam O
survei O
Badan O
Pusat O
Statistik. O
Pengumpulan O
data O
ini O
memiliki O
masalah O
pada O
waktu O
pencatatan O
teknologi O
dan O
keterbukaan O
narasumber. O
Perkembangan O
berdampak O
dalam O
perbaikan O
pengumpulan O
data O
survei. O
Solusi O
dari O
masalah O
pengumpulan O
data O
adalah O
pembangunan B-TUJUAN
sistem I-TUJUAN
pengenalan I-TUJUAN
suara I-TUJUAN
membantu I-TUJUAN
penulisan I-TUJUAN
otomatis I-TUJUAN
dengan I-TUJUAN
suara I-TUJUAN
narasumber I-TUJUAN
dengan I-TUJUAN
pemanfaatan I-TUJUAN
sistem I-TUJUAN
Speech I-TUJUAN
to I-TUJUAN
Text. I-TUJUAN
Hasil O
penulisan O
dapat O
secara O
langsung O
dengan O
penyesuaian O
entitas O
pertanyaanya. O
Pendefinisian O
dengan O
pemanfaatan O
Named B-METODE
Entity I-METODE
Recognition I-METODE
yang O
merupakan O
penerapan O
ilmu O
natural O
language O
processing. O
Hasil O
uji O
coba O
dengan O
menggunakan O
dua O
puluh O
jawaban O
narasumber O
dari O
rekaman O
pertanyaan O
kuesioner O
Survei O
Sosial O
Ekonomi O
Nasional O
pada O
blok O
tiga O
ringkasan O
dan O
blok O
empat O
keterangan O
demografi O
menjadi O
teks O
tulisan O
dengan O
akurasi O
kata O
sebesar O
94.5 O
% O
. O
Pembagian O
50 O
% O
data O
teks O
hasil O
sebagai O
data O
train O
dan O
testing O
dalam O
Named O
Entity O
Recognition. O
Uji B-TEMUAN
coba I-TEMUAN
teks I-TEMUAN
hasil I-TEMUAN
data I-TEMUAN
testing I-TEMUAN
untuk I-TEMUAN
pendefinisian I-TEMUAN
kata I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
entitas I-TEMUAN
pertanyaan I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
100 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
suara O
hasil O
suara O
Kata O
Kunci— O
pengumpulan O
data O
, O
BPS O
, O
SUSENAS O
, O
Speech O
to O
Text O
, O
Named O
Entity O
Recognition O
, O
natural O
language O
processing. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
disimpulkan O
bahwa O
, O
1. O
Pendekatan O
Speech B-METODE
to I-METODE
Text I-METODE
dengan O
bahasa O
indonesia O
dapat O
dilakukan O
dengan O
akurasi O
perkata O
sebesar O
94.5 O
% O
. O
Kesalahan O
terjadi O
pada O
awal O
kata O
tidak O
terekam O
, O
yaitu O
saat O
pengucapan O
sistem O
tidak O
dapat O
menerima O
sinyal O
suara O
dari O
rekaman. O
Kesalahan O
terjadi O
pada O
pengucapan O
kata O
yang O
mirip O
terdengar O
dan O
dengan O
pola O
kata O
di O
depannya O
, O
seperti O
pengucapan O
satu O
nama O
tertulis O
satu O
enam. O
Kesalahan O
terbanyak O
pada O
bagian O
penulisan O
nama O
, O
salah O
pengejaan O
dan O
menuliskan O
dengan O
kata O
yang O
mirip. O
juga O
2. O
Model O
data O
train O
dengan O
menggunakan O
50 O
% O
data O
training O
menunjukkan O
data O
train O
dapat O
digunakan O
sebagai O
model O
NER B-METODE
melalui O
grafik. O
Angka O
loss O
pada O
tiga O
iterasi O
terakhir O
sebesar O
9.8 O
, O
13.3 O
, O
dan O
11.5. O
Angka O
loss O
pada O
tiga O
iterasi O
awal O
sebesar O
1596.5 O
, O
1502 O
, O
dan O
1599. O
Terjadi O
penurunan O
signifikan O
dan O
nilai O
iterasi O
akhir O
merupakan O
nilai O
dengan O
loss O
rendah O
sehingga O
dapat O
dijadikan O
model. O
Pada O
iterasi O
ke O
100 O
telah O
menunjukkan O
model O
konvergen O
menuju O
satu O
nilai O
dengan O
nilai O
terakhir O
11.5. O
terdefinisi O
3. O
Pendekatan O
testing O
menggunakan O
model O
NER O
pada O
pendefinisian O
kata O
teks O
hasil O
dengan O
penyesuain O
entitas O
pertanyaanya O
dapat O
dilakukan O
dengan O
akurasi O
100 O
% O
. O
Data O
dapat O
sesuai O
dengan O
keterangan O
pertanyaanya. O
Uraian O
di O
atas O
menunjukkan O
bahwa O
teknik O
pengumpulan O
data O
dengan O
melakukan O
perekaman O
suara O
dengan O
memanfaatkan O
Speech O
to O
Text O
dapat O
dilakukan O
dan O
jawaban O
narasumber O
dapat O
didefinisikan O
sesuai O
entitas O
pertanyaanya O
pembuatan O
model O
Named O
Entity O
dengan O
Recognition. O
bantuan O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
Peniliti O
menyarankan O
untuk O
melakukan O
pengemabangan O
penilitian O
ini O
utamanya O
dalam O
pertanyaan O
berulang O
dan O
validasi O
otomatis. O
Peneliti O
menyarankan O
untuk O
melakukan O
pengembangan O
metode O
pengumpulan O
data O
utamanya O
pada O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
sebagai O
lembaga O
yang O
berhubungan O
secara O
langsung O
dengan O
pengumpulan O
data O
, O
perkembangan O
teknologi O
yang O
berkembang O
akan O
memudahkan O
dalam O
pengumpulan O
data O
serta O
meringankan O
beban O
kerja. O
Penelitian O
ini O
selanjutnya O
dapat O
dikembangkangkan O
dalam O
bentuk O
sistem O
dengan O
tampilan O
user O
interface O
dapat O
dalam O
bentuk O
tampilan O
web O
maupun O
aplikasi O
yang O
memudahkan O
dalam O
melakukan O
proses O
yang O
ada O
pada O
sistem O
yang O
telah O
dibangun. O

Speech O
to O
Text O
Bahasa O
Indonesia O
dalam O
Survei O
BPS O
Risandha O
Reza O
El O
Kariem O
( O
221709977 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
S.S.T. O
, O
M. O
Si. O
Ringkasan— O
Wawancara O
dan O
kuesioner O
merupakan O
teknik O
pengumpulan O
informasi O
dalam O
survei O
Badan O
Pusat O
Statistik. O
Pengumpulan O
data O
ini O
memiliki O
masalah O
pada O
waktu O
pencatatan O
teknologi O
dan O
keterbukaan O
narasumber. O
Perkembangan O
berdampak O
dalam O
perbaikan O
pengumpulan O
data O
survei. O
Solusi O
dari O
masalah O
pengumpulan O
data O
adalah O
pembangunan B-TUJUAN
sistem I-TUJUAN
pengenalan I-TUJUAN
suara I-TUJUAN
membantu I-TUJUAN
penulisan I-TUJUAN
otomatis I-TUJUAN
dengan I-TUJUAN
suara I-TUJUAN
narasumber I-TUJUAN
dengan I-TUJUAN
pemanfaatan I-TUJUAN
sistem I-TUJUAN
Speech I-TUJUAN
to I-TUJUAN
Text. I-TUJUAN
Hasil O
penulisan O
dapat O
secara O
langsung O
dengan O
penyesuaian O
entitas O
pertanyaanya. O
Pendefinisian O
dengan O
pemanfaatan O
Named B-METODE
Entity I-METODE
Recognition I-METODE
yang O
merupakan O
penerapan O
ilmu O
natural O
language O
processing. O
Hasil O
uji O
coba O
dengan O
menggunakan O
dua O
puluh O
jawaban O
narasumber O
dari O
rekaman O
pertanyaan O
kuesioner O
Survei O
Sosial O
Ekonomi O
Nasional O
pada O
blok O
tiga O
ringkasan O
dan O
blok O
empat O
keterangan O
demografi O
menjadi O
teks O
tulisan O
dengan O
akurasi O
kata O
sebesar O
94.5 O
% O
. O
Pembagian O
50 O
% O
data O
teks O
hasil O
sebagai O
data O
train O
dan O
testing O
dalam O
Named O
Entity O
Recognition. O
Uji B-TEMUAN
coba I-TEMUAN
teks I-TEMUAN
hasil I-TEMUAN
data I-TEMUAN
testing I-TEMUAN
untuk I-TEMUAN
pendefinisian I-TEMUAN
kata I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
entitas I-TEMUAN
pertanyaan I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
100 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
suara O
hasil O
suara O
Kata O
Kunci— O
pengumpulan O
data O
, O
BPS O
, O
SUSENAS O
, O
Speech O
to O
Text O
, O
Named O
Entity O
Recognition O
, O
natural O
language O
processing. O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
disimpulkan O
bahwa O
, O
1. O
Pendekatan O
Speech B-METODE
to I-METODE
Text I-METODE
dengan O
bahasa O
indonesia O
dapat O
dilakukan O
dengan O
akurasi O
perkata O
sebesar O
94.5 O
% O
. O
Kesalahan O
terjadi O
pada O
awal O
kata O
tidak O
terekam O
, O
yaitu O
saat O
pengucapan O
sistem O
tidak O
dapat O
menerima O
sinyal O
suara O
dari O
rekaman. O
Kesalahan O
terjadi O
pada O
pengucapan O
kata O
yang O
mirip O
terdengar O
dan O
dengan O
pola O
kata O
di O
depannya O
, O
seperti O
pengucapan O
satu O
nama O
tertulis O
satu O
enam. O
Kesalahan O
terbanyak O
pada O
bagian O
penulisan O
nama O
, O
salah O
pengejaan O
dan O
menuliskan O
dengan O
kata O
yang O
mirip. O
juga O
2. O
Model O
data O
train O
dengan O
menggunakan O
50 O
% O
data O
training O
menunjukkan O
data O
train O
dapat O
digunakan O
sebagai O
model O
NER B-METODE
melalui O
grafik. O
Angka O
loss O
pada O
tiga O
iterasi O
terakhir O
sebesar O
9.8 O
, O
13.3 O
, O
dan O
11.5. O
Angka O
loss O
pada O
tiga O
iterasi O
awal O
sebesar O
1596.5 O
, O
1502 O
, O
dan O
1599. O
Terjadi O
penurunan O
signifikan O
dan O
nilai O
iterasi O
akhir O
merupakan O
nilai O
dengan O
loss O
rendah O
sehingga O
dapat O
dijadikan O
model. O
Pada O
iterasi O
ke O
100 O
telah O
menunjukkan O
model O
konvergen O
menuju O
satu O
nilai O
dengan O
nilai O
terakhir O
11.5. O
terdefinisi O
3. O
Pendekatan O
testing O
menggunakan O
model O
NER O
pada O
pendefinisian O
kata O
teks O
hasil O
dengan O
penyesuain O
entitas O
pertanyaanya O
dapat O
dilakukan O
dengan O
akurasi O
100 O
% O
. O
Data O
dapat O
sesuai O
dengan O
keterangan O
pertanyaanya. O
Uraian O
di O
atas O
menunjukkan O
bahwa O
teknik O
pengumpulan O
data O
dengan O
melakukan O
perekaman O
suara O
dengan O
memanfaatkan O
Speech O
to O
Text O
dapat O
dilakukan O
dan O
jawaban O
narasumber O
dapat O
didefinisikan O
sesuai O
entitas O
pertanyaanya O
pembuatan O
model O
Named O
Entity O
dengan O
Recognition. O
bantuan O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
Peniliti O
menyarankan O
untuk O
melakukan O
pengemabangan O
penilitian O
ini O
utamanya O
dalam O
pertanyaan O
berulang O
dan O
validasi O
otomatis. O
Peneliti O
menyarankan O
untuk O
melakukan O
pengembangan O
metode O
pengumpulan O
data O
utamanya O
pada O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
sebagai O
lembaga O
yang O
berhubungan O
secara O
langsung O
dengan O
pengumpulan O
data O
, O
perkembangan O
teknologi O
yang O
berkembang O
akan O
memudahkan O
dalam O
pengumpulan O
data O
serta O
meringankan O
beban O
kerja. O
Penelitian O
ini O
selanjutnya O
dapat O
dikembangkangkan O
dalam O
bentuk O
sistem O
dengan O
tampilan O
user O
interface O
dapat O
dalam O
bentuk O
tampilan O
web O
maupun O
aplikasi O
yang O
memudahkan O
dalam O
melakukan O
proses O
yang O
ada O
pada O
sistem O
yang O
telah O
dibangun. O

Luas O
Lahan O
Perkebunan O
Karet O
dengan O
Metode O
Penginderaan O
Jauh O
dan O
Machine O
Learning O
Studi O
Kasus O
: O
Kabupaten O
PALI O
, O
Provinsi O
Sumatera O
Selatan O
Renata O
Pradita O
( O
221709965 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
, O
SST. O
MT. O
salah O
Ringkasan— O
Karet O
merupakan O
satu O
komoditas O
perkebunan O
utama O
di O
Indonesia O
dengan O
produksi O
tahunan O
3,4 O
juta O
ton. O
Tingginya O
produksi O
karet O
didukung O
oleh O
luasnya O
lahan O
ini O
metode O
pendataan O
perkebunan O
karet O
Indonesia. O
Saat O
perkebunan O
karet O
Indonesia O
masih O
memiliki O
beberapa O
keterbatasan O
yaitu O
diperlukannya O
tenaga O
, O
biaya O
pelaksanaan O
, O
dan O
waktu O
yang O
sangat O
besar O
yang O
salah O
satunya O
menyebabkan O
adanya O
lag-update O
selama O
satu O
tahun O
dalam O
publikasinya. O
Hal O
ini O
membuka O
peluang O
untuk O
eksplorasi O
alternatif O
metode O
baru O
dalam O
pendataan O
perkebunan O
karet O
Indonesia. O
Teknologi O
remote B-METODE
sensing I-METODE
merupakan O
salah O
satu O
alternatif O
solusi O
yang O
sangat O
potensial O
untuk O
dipertimbangkan. O
Penelitian O
ini O
bertujuan O
untuk O
mengidentifikasi O
fitur O
terbaik O
untuk O
mengenali O
citra O
lahan O
perkebunan O
karet O
, O
mengidentifikasi O
model O
klasifikasi O
terbaik O
dalam O
mendeteksi O
lahan O
perkebunan O
karet O
dan O
mengestimasi B-TUJUAN
luas I-TUJUAN
lahan I-TUJUAN
perkebunan I-TUJUAN
karet I-TUJUAN
dengan I-TUJUAN
mengambil I-TUJUAN
studi I-TUJUAN
kasus I-TUJUAN
di I-TUJUAN
Kabupaten I-TUJUAN
Penukal I-TUJUAN
Abab I-TUJUAN
Lematang I-TUJUAN
Ilir I-TUJUAN
( I-TUJUAN
PALI I-TUJUAN
) I-TUJUAN
, I-TUJUAN
salah I-TUJUAN
satu I-TUJUAN
daerah I-TUJUAN
penghasil I-TUJUAN
karet I-TUJUAN
di I-TUJUAN
Provinsi I-TUJUAN
Sumatera I-TUJUAN
Selatan. I-TUJUAN
Untuk O
ini O
membangun O
mengimplementasikan O
dan O
membandingkan O
metode O
machine O
learning O
Classification O
and O
Regression O
Trees O
( O
CART O
) O
dan O
Random O
Forest O
( O
RF O
) O
. O
klasifikasi O
, O
penelitian O
model O
Kata O
Kunci— O
Karet O
, O
Remote O
Sensing O
, O
Citra O
Satelit O
, O
Machine O
Learning. O
[SEP] O
Dibandingkan O
dengan O
hasil O
yang O
diperoleh O
saat O
seminar O
, O
dilakukan O
penambahan O
sampel O
area O
, O
yang O
sebelumnya O
hanya O
berjumlah O
sebanyak O
155.513 O
piksel O
menjadi O
sebanyak O
780.474 O
piksel O
sehingga O
hasil O
yang O
diperoleh O
pada O
penelitian O
ini O
dapat O
menjadi O
lebih O
representatif. O
Menjawab O
tujuan O
pertama O
penelitian O
, O
berhasil O
dilakukan O
pengidentifikasian O
fitur O
terbaik O
untuk O
mengenali O
citra O
lahan O
perkebunan O
karet O
terhadap O
kedua O
citra B-METODE
satelit. I-METODE
Pada O
citra O
Sentinel O
2 O
Multispectral O
Instrument O
Level O
2A O
, O
diperoleh O
hasil O
bahwa O
Pita O
Vegetation O
Red O
Ege O
( O
B6 O
) O
, O
Vegetation O
Red O
Edge O
( O
B7 O
) O
, O
Near O
Infrared O
/ O
NIR O
( O
B8 O
) O
, O
Vegetation O
Red O
Edge O
( O
B8A O
) O
, O
Shortwave O
Infrared O
/ O
SWIR O
( O
B11 O
) O
, O
dan O
Indeks O
Komposit O
EVI O
adalah O
fitur O
terbaik O
karena O
mampu O
mengenali O
/ O
membedakan O
citra O
lahan O
Karet O
dari O
citra O
Hutan O
, O
Bangunan O
, O
Tanah O
, O
dan O
Badan O
Air. O
Sedangkan O
fitur O
terbaik O
dari O
citra O
Landsat O
8 O
Surface O
Reflectance O
Tier O
1 O
hanyalah O
Pita O
Near O
Infrared O
/ O
NIR O
( O
B5 O
) O
karena O
hanya O
fitur O
inilah O
yang O
mampu O
membedakan O
citra O
lahan O
Karet O
dari O
citra O
Hutan O
, O
Bangunan O
, O
Tanah O
, O
dan O
Badan O
Air. O
Karena O
tidak O
ada O
satupun O
fitur O
yang O
mampu O
membedakan O
citra O
lahan O
perkebunan O
Karet O
dan O
Perkebunan O
Non O
Karet O
pada O
kedua O
citra O
satelit O
, O
dapat O
disimpulkan O
bahwa O
citra O
satelit O
masih O
membutuhkan O
fitur O
baru O
yang O
perlu O
ditambahkan O
agar O
mampu O
membedakan O
citra O
lahan O
Karet O
dengan O
citra O
Perkebunan O
Non O
Karet O
, O
sehingga O
diperlukan O
penelitian O
lebih O
lanjut O
untuk O
menambahkan O
fitur O
baru O
yang O
sesuai O
terhadap O
citra O
satelit O
tersebut. O
Lalu O
menjawab O
tujuan O
kedua O
penelitian O
, O
berhasil O
dilakukan O
pengidentifikasian O
model O
klasifikasi O
terbaik O
dalam O
mendeteksi O
lahan O
perkebunan O
karet O
yaitu O
model O
Random O
Forest O
pada O
citra O
Sentinel O
2 O
Multispectral O
Instrument O
Level O
2A O
dengan O
Accuracy B-METODE
, I-METODE
Precision I-METODE
, I-METODE
Recall I-METODE
, I-METODE
dan I-METODE
F1 I-METODE
Score I-METODE
senilai O
97,07 O
% O
, O
97,11 O
% O
, O
97,07 O
% O
, O
dan O
97,07 O
% O
. O
Kemudian O
menjawab O
tujuan O
ketiga O
penelitian O
, O
berhasil O
diperoleh O
estimasi B-METODE
luas B-TEMUAN
lahan I-TEMUAN
perkebunan I-TEMUAN
karet I-TEMUAN
di I-TEMUAN
Kabupaten I-TEMUAN
Penukal I-TEMUAN
Abab I-TEMUAN
Lematang I-TEMUAN
Ilir I-TEMUAN
( I-TEMUAN
PALI I-TEMUAN
) I-TEMUAN
seluas I-TEMUAN
105.566 I-TEMUAN
Ha I-TEMUAN
dari O
model O
klasifikasi O
Random O
Forest. O
B. O
Saran O
Berdasarkan O
hasil O
penelitian O
ini O
, O
terbuka O
peluang O
untuk O
melakukan O
penelitian O
berupa O
pembangunan O
indeks O
komposit O
baru O
yang O
mampu O
membedakan O
citra O
dari O
masing-masing O
kelas O
tutupan O
lahan. O
Untuk O
penelitian O
selanjutnya O
, O
dapat O
berfokus O
pada O
estimasi O
usia O
tanam O
dan O
produktivitas O
tanaman O
karet O
sesuai O
kebutuhan O
publikasi O
Statistik O
Karet O
Indonesia O
, O
misalnya O
dengan O
mengidentifikasi O
perubahan O
multitemporal O
pada O
citra O
satelit. O

Luas O
Lahan O
Perkebunan O
Karet O
dengan O
Metode O
Penginderaan O
Jauh O
dan O
Machine O
Learning O
Studi O
Kasus O
: O
Kabupaten O
PALI O
, O
Provinsi O
Sumatera O
Selatan O
Renata O
Pradita O
( O
221709965 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
, O
SST. O
MT. O
salah O
Ringkasan— O
Karet O
merupakan O
satu O
komoditas O
perkebunan O
utama O
di O
Indonesia O
dengan O
produksi O
tahunan O
3,4 O
juta O
ton. O
Tingginya O
produksi O
karet O
didukung O
oleh O
luasnya O
lahan O
ini O
metode O
pendataan O
perkebunan O
karet O
Indonesia. O
Saat O
perkebunan O
karet O
Indonesia O
masih O
memiliki O
beberapa O
keterbatasan O
yaitu O
diperlukannya O
tenaga O
, O
biaya O
pelaksanaan O
, O
dan O
waktu O
yang O
sangat O
besar O
yang O
salah O
satunya O
menyebabkan O
adanya O
lag-update O
selama O
satu O
tahun O
dalam O
publikasinya. O
Hal O
ini O
membuka O
peluang O
untuk O
eksplorasi O
alternatif O
metode O
baru O
dalam O
pendataan O
perkebunan O
karet O
Indonesia. O
Teknologi O
remote B-METODE
sensing I-METODE
merupakan O
salah O
satu O
alternatif O
solusi O
yang O
sangat O
potensial O
untuk O
dipertimbangkan. O
Penelitian O
ini O
bertujuan O
untuk O
mengidentifikasi O
fitur O
terbaik O
untuk O
mengenali O
citra O
lahan O
perkebunan O
karet O
, O
mengidentifikasi O
model O
klasifikasi O
terbaik O
dalam O
mendeteksi O
lahan O
perkebunan O
karet O
dan O
mengestimasi B-TUJUAN
luas I-TUJUAN
lahan I-TUJUAN
perkebunan I-TUJUAN
karet I-TUJUAN
dengan I-TUJUAN
mengambil I-TUJUAN
studi I-TUJUAN
kasus I-TUJUAN
di I-TUJUAN
Kabupaten I-TUJUAN
Penukal I-TUJUAN
Abab I-TUJUAN
Lematang I-TUJUAN
Ilir I-TUJUAN
( I-TUJUAN
PALI I-TUJUAN
) I-TUJUAN
, I-TUJUAN
salah I-TUJUAN
satu I-TUJUAN
daerah I-TUJUAN
penghasil I-TUJUAN
karet I-TUJUAN
di I-TUJUAN
Provinsi I-TUJUAN
Sumatera I-TUJUAN
Selatan. I-TUJUAN
Untuk O
ini O
membangun O
mengimplementasikan O
dan O
membandingkan O
metode O
machine O
learning O
Classification O
and O
Regression O
Trees O
( O
CART O
) O
dan O
Random O
Forest O
( O
RF O
) O
. O
klasifikasi O
, O
penelitian O
model O
Kata O
Kunci— O
Karet O
, O
Remote O
Sensing O
, O
Citra O
Satelit O
, O
Machine O
Learning. O
[SEP] O
Dibandingkan O
dengan O
hasil O
yang O
diperoleh O
saat O
seminar O
, O
dilakukan O
penambahan O
sampel O
area O
, O
yang O
sebelumnya O
hanya O
berjumlah O
sebanyak O
155.513 O
piksel O
menjadi O
sebanyak O
780.474 O
piksel O
sehingga O
hasil O
yang O
diperoleh O
pada O
penelitian O
ini O
dapat O
menjadi O
lebih O
representatif. O
Menjawab O
tujuan O
pertama O
penelitian O
, O
berhasil O
dilakukan O
pengidentifikasian O
fitur O
terbaik O
untuk O
mengenali O
citra O
lahan O
perkebunan O
karet O
terhadap O
kedua O
citra B-METODE
satelit. I-METODE
Pada O
citra O
Sentinel O
2 O
Multispectral O
Instrument O
Level O
2A O
, O
diperoleh O
hasil O
bahwa O
Pita O
Vegetation O
Red O
Ege O
( O
B6 O
) O
, O
Vegetation O
Red O
Edge O
( O
B7 O
) O
, O
Near O
Infrared O
/ O
NIR O
( O
B8 O
) O
, O
Vegetation O
Red O
Edge O
( O
B8A O
) O
, O
Shortwave O
Infrared O
/ O
SWIR O
( O
B11 O
) O
, O
dan O
Indeks O
Komposit O
EVI O
adalah O
fitur O
terbaik O
karena O
mampu O
mengenali O
/ O
membedakan O
citra O
lahan O
Karet O
dari O
citra O
Hutan O
, O
Bangunan O
, O
Tanah O
, O
dan O
Badan O
Air. O
Sedangkan O
fitur O
terbaik O
dari O
citra O
Landsat O
8 O
Surface O
Reflectance O
Tier O
1 O
hanyalah O
Pita O
Near O
Infrared O
/ O
NIR O
( O
B5 O
) O
karena O
hanya O
fitur O
inilah O
yang O
mampu O
membedakan O
citra O
lahan O
Karet O
dari O
citra O
Hutan O
, O
Bangunan O
, O
Tanah O
, O
dan O
Badan O
Air. O
Karena O
tidak O
ada O
satupun O
fitur O
yang O
mampu O
membedakan O
citra O
lahan O
perkebunan O
Karet O
dan O
Perkebunan O
Non O
Karet O
pada O
kedua O
citra O
satelit O
, O
dapat O
disimpulkan O
bahwa O
citra O
satelit O
masih O
membutuhkan O
fitur O
baru O
yang O
perlu O
ditambahkan O
agar O
mampu O
membedakan O
citra O
lahan O
Karet O
dengan O
citra O
Perkebunan O
Non O
Karet O
, O
sehingga O
diperlukan O
penelitian O
lebih O
lanjut O
untuk O
menambahkan O
fitur O
baru O
yang O
sesuai O
terhadap O
citra O
satelit O
tersebut. O
Lalu O
menjawab O
tujuan O
kedua O
penelitian O
, O
berhasil O
dilakukan O
pengidentifikasian O
model O
klasifikasi O
terbaik O
dalam O
mendeteksi O
lahan O
perkebunan O
karet O
yaitu O
model O
Random O
Forest O
pada O
citra O
Sentinel O
2 O
Multispectral O
Instrument O
Level O
2A O
dengan O
Accuracy B-METODE
, I-METODE
Precision I-METODE
, I-METODE
Recall I-METODE
, I-METODE
dan I-METODE
F1 I-METODE
Score I-METODE
senilai O
97,07 O
% O
, O
97,11 O
% O
, O
97,07 O
% O
, O
dan O
97,07 O
% O
. O
Kemudian O
menjawab O
tujuan O
ketiga O
penelitian O
, O
berhasil O
diperoleh O
estimasi B-METODE
luas B-TEMUAN
lahan I-TEMUAN
perkebunan I-TEMUAN
karet I-TEMUAN
di I-TEMUAN
Kabupaten I-TEMUAN
Penukal I-TEMUAN
Abab I-TEMUAN
Lematang I-TEMUAN
Ilir I-TEMUAN
( I-TEMUAN
PALI I-TEMUAN
) I-TEMUAN
seluas I-TEMUAN
105.566 I-TEMUAN
Ha I-TEMUAN
dari O
model O
klasifikasi O
Random O
Forest. O
B. O
Saran O
Berdasarkan O
hasil O
penelitian O
ini O
, O
terbuka O
peluang O
untuk O
melakukan O
penelitian O
berupa O
pembangunan O
indeks O
komposit O
baru O
yang O
mampu O
membedakan O
citra O
dari O
masing-masing O
kelas O
tutupan O
lahan. O
Untuk O
penelitian O
selanjutnya O
, O
dapat O
berfokus O
pada O
estimasi O
usia O
tanam O
dan O
produktivitas O
tanaman O
karet O
sesuai O
kebutuhan O
publikasi O
Statistik O
Karet O
Indonesia O
, O
misalnya O
dengan O
mengidentifikasi O
perubahan O
multitemporal O
pada O
citra O
satelit. O

Luas O
Lahan O
Perkebunan O
Karet O
dengan O
Metode O
Penginderaan O
Jauh O
dan O
Machine O
Learning O
Studi O
Kasus O
: O
Kabupaten O
PALI O
, O
Provinsi O
Sumatera O
Selatan O
Renata O
Pradita O
( O
221709965 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Eng. O
Arie O
Wahyu O
Wijayanto O
, O
SST. O
MT. O
salah O
Ringkasan— O
Karet O
merupakan O
satu O
komoditas O
perkebunan O
utama O
di O
Indonesia O
dengan O
produksi O
tahunan O
3,4 O
juta O
ton. O
Tingginya O
produksi O
karet O
didukung O
oleh O
luasnya O
lahan O
ini O
metode O
pendataan O
perkebunan O
karet O
Indonesia. O
Saat O
perkebunan O
karet O
Indonesia O
masih O
memiliki O
beberapa O
keterbatasan O
yaitu O
diperlukannya O
tenaga O
, O
biaya O
pelaksanaan O
, O
dan O
waktu O
yang O
sangat O
besar O
yang O
salah O
satunya O
menyebabkan O
adanya O
lag-update O
selama O
satu O
tahun O
dalam O
publikasinya. O
Hal O
ini O
membuka O
peluang O
untuk O
eksplorasi O
alternatif O
metode O
baru O
dalam O
pendataan O
perkebunan O
karet O
Indonesia. O
Teknologi O
remote B-METODE
sensing I-METODE
merupakan O
salah O
satu O
alternatif O
solusi O
yang O
sangat O
potensial O
untuk O
dipertimbangkan. O
Penelitian O
ini O
bertujuan O
untuk O
mengidentifikasi O
fitur O
terbaik O
untuk O
mengenali O
citra O
lahan O
perkebunan O
karet O
, O
mengidentifikasi O
model O
klasifikasi O
terbaik O
dalam O
mendeteksi O
lahan O
perkebunan O
karet O
dan O
mengestimasi B-TUJUAN
luas I-TUJUAN
lahan I-TUJUAN
perkebunan I-TUJUAN
karet I-TUJUAN
dengan I-TUJUAN
mengambil I-TUJUAN
studi I-TUJUAN
kasus I-TUJUAN
di I-TUJUAN
Kabupaten I-TUJUAN
Penukal I-TUJUAN
Abab I-TUJUAN
Lematang I-TUJUAN
Ilir I-TUJUAN
( I-TUJUAN
PALI I-TUJUAN
) I-TUJUAN
, I-TUJUAN
salah I-TUJUAN
satu I-TUJUAN
daerah I-TUJUAN
penghasil I-TUJUAN
karet I-TUJUAN
di I-TUJUAN
Provinsi I-TUJUAN
Sumatera I-TUJUAN
Selatan. I-TUJUAN
Untuk O
ini O
membangun O
mengimplementasikan O
dan O
membandingkan O
metode O
machine O
learning O
Classification O
and O
Regression O
Trees O
( O
CART O
) O
dan O
Random O
Forest O
( O
RF O
) O
. O
klasifikasi O
, O
penelitian O
model O
Kata O
Kunci— O
Karet O
, O
Remote O
Sensing O
, O
Citra O
Satelit O
, O
Machine O
Learning. O
[SEP] O
Dibandingkan O
dengan O
hasil O
yang O
diperoleh O
saat O
seminar O
, O
dilakukan O
penambahan O
sampel O
area O
, O
yang O
sebelumnya O
hanya O
berjumlah O
sebanyak O
155.513 O
piksel O
menjadi O
sebanyak O
780.474 O
piksel O
sehingga O
hasil O
yang O
diperoleh O
pada O
penelitian O
ini O
dapat O
menjadi O
lebih O
representatif. O
Menjawab O
tujuan O
pertama O
penelitian O
, O
berhasil O
dilakukan O
pengidentifikasian O
fitur O
terbaik O
untuk O
mengenali O
citra O
lahan O
perkebunan O
karet O
terhadap O
kedua O
citra B-METODE
satelit. I-METODE
Pada O
citra O
Sentinel O
2 O
Multispectral O
Instrument O
Level O
2A O
, O
diperoleh O
hasil O
bahwa O
Pita O
Vegetation O
Red O
Ege O
( O
B6 O
) O
, O
Vegetation O
Red O
Edge O
( O
B7 O
) O
, O
Near O
Infrared O
/ O
NIR O
( O
B8 O
) O
, O
Vegetation O
Red O
Edge O
( O
B8A O
) O
, O
Shortwave O
Infrared O
/ O
SWIR O
( O
B11 O
) O
, O
dan O
Indeks O
Komposit O
EVI O
adalah O
fitur O
terbaik O
karena O
mampu O
mengenali O
/ O
membedakan O
citra O
lahan O
Karet O
dari O
citra O
Hutan O
, O
Bangunan O
, O
Tanah O
, O
dan O
Badan O
Air. O
Sedangkan O
fitur O
terbaik O
dari O
citra O
Landsat O
8 O
Surface O
Reflectance O
Tier O
1 O
hanyalah O
Pita O
Near O
Infrared O
/ O
NIR O
( O
B5 O
) O
karena O
hanya O
fitur O
inilah O
yang O
mampu O
membedakan O
citra O
lahan O
Karet O
dari O
citra O
Hutan O
, O
Bangunan O
, O
Tanah O
, O
dan O
Badan O
Air. O
Karena O
tidak O
ada O
satupun O
fitur O
yang O
mampu O
membedakan O
citra O
lahan O
perkebunan O
Karet O
dan O
Perkebunan O
Non O
Karet O
pada O
kedua O
citra O
satelit O
, O
dapat O
disimpulkan O
bahwa O
citra O
satelit O
masih O
membutuhkan O
fitur O
baru O
yang O
perlu O
ditambahkan O
agar O
mampu O
membedakan O
citra O
lahan O
Karet O
dengan O
citra O
Perkebunan O
Non O
Karet O
, O
sehingga O
diperlukan O
penelitian O
lebih O
lanjut O
untuk O
menambahkan O
fitur O
baru O
yang O
sesuai O
terhadap O
citra O
satelit O
tersebut. O
Lalu O
menjawab O
tujuan O
kedua O
penelitian O
, O
berhasil O
dilakukan O
pengidentifikasian O
model O
klasifikasi O
terbaik O
dalam O
mendeteksi O
lahan O
perkebunan O
karet O
yaitu O
model O
Random O
Forest O
pada O
citra O
Sentinel O
2 O
Multispectral O
Instrument O
Level O
2A O
dengan O
Accuracy B-METODE
, I-METODE
Precision I-METODE
, I-METODE
Recall I-METODE
, I-METODE
dan I-METODE
F1 I-METODE
Score I-METODE
senilai O
97,07 O
% O
, O
97,11 O
% O
, O
97,07 O
% O
, O
dan O
97,07 O
% O
. O
Kemudian O
menjawab O
tujuan O
ketiga O
penelitian O
, O
berhasil O
diperoleh O
estimasi B-METODE
luas B-TEMUAN
lahan I-TEMUAN
perkebunan I-TEMUAN
karet I-TEMUAN
di I-TEMUAN
Kabupaten I-TEMUAN
Penukal I-TEMUAN
Abab I-TEMUAN
Lematang I-TEMUAN
Ilir I-TEMUAN
( I-TEMUAN
PALI I-TEMUAN
) I-TEMUAN
seluas I-TEMUAN
105.566 I-TEMUAN
Ha I-TEMUAN
dari O
model O
klasifikasi O
Random O
Forest. O
B. O
Saran O
Berdasarkan O
hasil O
penelitian O
ini O
, O
terbuka O
peluang O
untuk O
melakukan O
penelitian O
berupa O
pembangunan O
indeks O
komposit O
baru O
yang O
mampu O
membedakan O
citra O
dari O
masing-masing O
kelas O
tutupan O
lahan. O
Untuk O
penelitian O
selanjutnya O
, O
dapat O
berfokus O
pada O
estimasi O
usia O
tanam O
dan O
produktivitas O
tanaman O
karet O
sesuai O
kebutuhan O
publikasi O
Statistik O
Karet O
Indonesia O
, O
misalnya O
dengan O
mengidentifikasi O
perubahan O
multitemporal O
pada O
citra O
satelit. O

Daerah O
Rawan O
Tanah O
Longsor O
dengan O
Penginderaan O
Jauh O
dan O
Sistem O
Informasi O
Geografis O
Studi O
Kasus O
: O
Kabupaten O
Lahat O
, O
Sumatera O
Selatan O
Ratu O
Kintan O
Karina O
( O
221709962 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
tanah O
Ringkasan— O
Berdasarkan O
IRBI O
2013 O
dan O
2018 O
Kabupaten O
Lahat O
merupakan O
salah O
satu O
kabupaten O
yang O
mempunyai O
risiko O
bencana O
tanah O
longsor O
yang O
tinggi. O
Cukup O
tingginya O
kejadian O
bencana O
tanah O
longsor O
di O
Kabupaten O
Lahat O
ini O
menyebabkan O
perlunya O
kesiapsiagaan O
mengenai O
bencana O
longsor. O
Sehingga O
penelitian O
ini O
bertujuan O
untuk O
memetakan B-TUJUAN
daerah I-TUJUAN
rawan I-TUJUAN
tanah I-TUJUAN
longsor I-TUJUAN
dengan I-TUJUAN
memanfaatkan I-TUJUAN
penginderaan I-TUJUAN
jauh I-TUJUAN
dan I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
geografis I-TUJUAN
, I-TUJUAN
serta I-TUJUAN
membandingkan I-TUJUAN
hasil I-TUJUAN
kerawanan I-TUJUAN
dari I-TUJUAN
BNPB. I-TUJUAN
Penelitian O
ini O
menggunakan O
parameter O
curah O
hujan O
, O
kemiringan O
lereng O
, O
arah O
lereng O
, O
penggunaan O
lahan O
, O
dan O
geologi. O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
bahwa I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
jumlah I-TEMUAN
ranking I-TEMUAN
, I-TEMUAN
metode I-TEMUAN
ketergantungan I-TEMUAN
ranking I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
perbandingan I-TEMUAN
pasangan I-TEMUAN
( I-TEMUAN
AHP I-TEMUAN
) I-TEMUAN
menghasilkan I-TEMUAN
perbedaan I-TEMUAN
jumlah I-TEMUAN
desa I-TEMUAN
untuk I-TEMUAN
tiap I-TEMUAN
kelas I-TEMUAN
kerawanan. I-TEMUAN
Jika O
dilihat O
dari O
akurasinya O
metode B-METODE
ketergantungan I-METODE
ranking I-METODE
memperoleh O
hasil O
yang O
lebih O
baik O
dibandingkan O
dengan O
metode B-METODE
jumlah I-METODE
ranking I-METODE
dan I-METODE
AHP I-METODE
yaitu O
sebesar O
70.03 O
% O
untuk O
akurasi O
keseluruhan O
dan O
46.66 O
% O
untuk O
akurasi B-METODE
kappa. I-METODE
Kata O
Kunci— O
Tanah O
Longsor O
, O
Pemetaan O
, O
Kerawanan O
, O
Penginderaan O
Jauh. O
[SEP] O
Berdasarkan O
hasil O
diatas O
dapat O
diperoleh O
kesimpulan O
bahwa O
dengan O
menggunakan O
metode O
jumlah O
ranking O
terdapat O
148 O
desa O
masuk O
ke O
kerawanan O
rendah O
, O
228 O
desa O
masuk O
ke O
kerawanan O
sedang O
, O
dan O
1 O
desa O
masuk O
ke O
kerawanan O
tinggi. O
Kemudian O
dengan O
menggunakan O
metode O
ketergantungan O
ranking O
terdapat O
199 O
desa O
masuk O
ke O
kerawanan O
rendah O
, O
174 O
desa O
masuk O
ke O
kerawanan O
sedang O
, O
dan O
4 O
desa O
masuk O
kerawanan O
tinggi. O
Sedangkan O
dengan O
menggunakan O
metode O
perbandingan O
pasangan O
( O
AHP O
) O
terdapat O
187 O
desa O
masuk O
ke O
kerawanan O
rendah O
, O
186 O
desa O
masuk O
ke O
kerawanan O
sedang O
, O
dan O
4 O
desa O
masuk O
ke O
kerawanan O
tinggi. O
Kemudian O
dari O
hasil O
akurasi O
ketiga O
metode O
tersebut O
dapat O
disimpulkan O
bahwa O
metode O
ketergantungan O
ranking O
lebih O
baik O
dari O
metode O
Jumlah O
Ranking O
dan O
AHP O
dalam O
kasus O
penelitian O
ini O
, O
karena O
metode B-TEMUAN
ketergantungan I-TEMUAN
ranking I-TEMUAN
memiliki I-TEMUAN
akurasi I-TEMUAN
yg I-TEMUAN
lebih I-TEMUAN
tinggi I-TEMUAN
dari I-TEMUAN
kedua I-TEMUAN
metode I-TEMUAN
tersebut I-TEMUAN
yaitu I-TEMUAN
sebesar I-TEMUAN
70.03 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
akurasi I-TEMUAN
keseluruhan I-TEMUAN
dan I-TEMUAN
46.66 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
akurasi I-TEMUAN
kappa. I-TEMUAN
Sedangkan I-TEMUAN
metode I-TEMUAN
jumlah I-TEMUAN
ranking I-TEMUAN
dan I-TEMUAN
metode I-TEMUAN
AHP I-TEMUAN
memiliki I-TEMUAN
keakurasian I-TEMUAN
berturut-turut I-TEMUAN
adalah I-TEMUAN
sebesar I-TEMUAN
67.90 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
69.23 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
akurasi I-TEMUAN
keseluruhan I-TEMUAN
serta I-TEMUAN
44.18 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
45.35 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
akurasi I-TEMUAN
kappa. I-TEMUAN
Kemudian O
berdasarkan O
kesimpulan O
diatas O
dapat O
diperoleh O
beberapa O
saran O
sebagai O
berikut. O
1 O
) O
BPBD O
Provinsi O
Sumatera O
Selatan O
dan O
BNPB O
disarankan O
telah O
menerapkan O
Sistem O
Penginderaan O
Jauh O
untuk O
memperoleh O
parameter-parameter O
yang O
akan O
digunakan O
untuk O
lebih O
menghemat O
biaya O
dan O
waktu O
agar O
dapat O
lebih O
mudah O
memberikan O
terkini O
mengenai O
pembaharuan O
kerawanan O
tanah O
longsor. O
informasi O
yang O
7 O
/ O
8 O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
2 O
) O
penelitian O
Untuk O
dapat O
mencoba O
selanjutnya O
menggunakan O
parameter-parameter O
yang O
sama O
yang O
digunakan O
oleh O
BNPB O
sebelumnya O
agar O
dapat O
diharapkan O
memberikan O
hasil O
yang O
lebih O
akurat. O
Serta O
dapat O
menggunakan O
metode O
pembobotan O
yang O
telah O
dilakukan O
pengembangan O
seperti O
pengembangan O
metode O
perbandingan O
pasangan O
yaitu O
metode O
Fuzzy O
Analytical O
Hierarchy O
process O
( O
F-AHP O
) O
, O
dan O
sejenisnya. O

Daerah O
Rawan O
Tanah O
Longsor O
dengan O
Penginderaan O
Jauh O
dan O
Sistem O
Informasi O
Geografis O
Studi O
Kasus O
: O
Kabupaten O
Lahat O
, O
Sumatera O
Selatan O
Ratu O
Kintan O
Karina O
( O
221709962 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
tanah O
Ringkasan— O
Berdasarkan O
IRBI O
2013 O
dan O
2018 O
Kabupaten O
Lahat O
merupakan O
salah O
satu O
kabupaten O
yang O
mempunyai O
risiko O
bencana O
tanah O
longsor O
yang O
tinggi. O
Cukup O
tingginya O
kejadian O
bencana O
tanah O
longsor O
di O
Kabupaten O
Lahat O
ini O
menyebabkan O
perlunya O
kesiapsiagaan O
mengenai O
bencana O
longsor. O
Sehingga O
penelitian O
ini O
bertujuan O
untuk O
memetakan B-TUJUAN
daerah I-TUJUAN
rawan I-TUJUAN
tanah I-TUJUAN
longsor I-TUJUAN
dengan I-TUJUAN
memanfaatkan I-TUJUAN
penginderaan I-TUJUAN
jauh I-TUJUAN
dan I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
geografis I-TUJUAN
, I-TUJUAN
serta I-TUJUAN
membandingkan I-TUJUAN
hasil I-TUJUAN
kerawanan I-TUJUAN
dari I-TUJUAN
BNPB. I-TUJUAN
Penelitian O
ini O
menggunakan O
parameter O
curah O
hujan O
, O
kemiringan O
lereng O
, O
arah O
lereng O
, O
penggunaan O
lahan O
, O
dan O
geologi. O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
bahwa I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
jumlah I-TEMUAN
ranking I-TEMUAN
, I-TEMUAN
metode I-TEMUAN
ketergantungan I-TEMUAN
ranking I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
perbandingan I-TEMUAN
pasangan I-TEMUAN
( I-TEMUAN
AHP I-TEMUAN
) I-TEMUAN
menghasilkan I-TEMUAN
perbedaan I-TEMUAN
jumlah I-TEMUAN
desa I-TEMUAN
untuk I-TEMUAN
tiap I-TEMUAN
kelas I-TEMUAN
kerawanan. I-TEMUAN
Jika O
dilihat O
dari O
akurasinya O
metode B-METODE
ketergantungan I-METODE
ranking I-METODE
memperoleh O
hasil O
yang O
lebih O
baik O
dibandingkan O
dengan O
metode B-METODE
jumlah I-METODE
ranking I-METODE
dan I-METODE
AHP I-METODE
yaitu O
sebesar O
70.03 O
% O
untuk O
akurasi O
keseluruhan O
dan O
46.66 O
% O
untuk O
akurasi B-METODE
kappa. I-METODE
Kata O
Kunci— O
Tanah O
Longsor O
, O
Pemetaan O
, O
Kerawanan O
, O
Penginderaan O
Jauh. O
[SEP] O
Berdasarkan O
hasil O
diatas O
dapat O
diperoleh O
kesimpulan O
bahwa O
dengan O
menggunakan O
metode O
jumlah O
ranking O
terdapat O
148 O
desa O
masuk O
ke O
kerawanan O
rendah O
, O
228 O
desa O
masuk O
ke O
kerawanan O
sedang O
, O
dan O
1 O
desa O
masuk O
ke O
kerawanan O
tinggi. O
Kemudian O
dengan O
menggunakan O
metode O
ketergantungan O
ranking O
terdapat O
199 O
desa O
masuk O
ke O
kerawanan O
rendah O
, O
174 O
desa O
masuk O
ke O
kerawanan O
sedang O
, O
dan O
4 O
desa O
masuk O
kerawanan O
tinggi. O
Sedangkan O
dengan O
menggunakan O
metode O
perbandingan O
pasangan O
( O
AHP O
) O
terdapat O
187 O
desa O
masuk O
ke O
kerawanan O
rendah O
, O
186 O
desa O
masuk O
ke O
kerawanan O
sedang O
, O
dan O
4 O
desa O
masuk O
ke O
kerawanan O
tinggi. O
Kemudian O
dari O
hasil O
akurasi O
ketiga O
metode O
tersebut O
dapat O
disimpulkan O
bahwa O
metode O
ketergantungan O
ranking O
lebih O
baik O
dari O
metode O
Jumlah O
Ranking O
dan O
AHP O
dalam O
kasus O
penelitian O
ini O
, O
karena O
metode B-TEMUAN
ketergantungan I-TEMUAN
ranking I-TEMUAN
memiliki I-TEMUAN
akurasi I-TEMUAN
yg I-TEMUAN
lebih I-TEMUAN
tinggi I-TEMUAN
dari I-TEMUAN
kedua I-TEMUAN
metode I-TEMUAN
tersebut I-TEMUAN
yaitu I-TEMUAN
sebesar I-TEMUAN
70.03 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
akurasi I-TEMUAN
keseluruhan I-TEMUAN
dan I-TEMUAN
46.66 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
akurasi I-TEMUAN
kappa. I-TEMUAN
Sedangkan I-TEMUAN
metode I-TEMUAN
jumlah I-TEMUAN
ranking I-TEMUAN
dan I-TEMUAN
metode I-TEMUAN
AHP I-TEMUAN
memiliki I-TEMUAN
keakurasian I-TEMUAN
berturut-turut I-TEMUAN
adalah I-TEMUAN
sebesar I-TEMUAN
67.90 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
69.23 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
akurasi I-TEMUAN
keseluruhan I-TEMUAN
serta I-TEMUAN
44.18 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
45.35 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
akurasi I-TEMUAN
kappa. I-TEMUAN
Kemudian O
berdasarkan O
kesimpulan O
diatas O
dapat O
diperoleh O
beberapa O
saran O
sebagai O
berikut. O
1 O
) O
BPBD O
Provinsi O
Sumatera O
Selatan O
dan O
BNPB O
disarankan O
telah O
menerapkan O
Sistem O
Penginderaan O
Jauh O
untuk O
memperoleh O
parameter-parameter O
yang O
akan O
digunakan O
untuk O
lebih O
menghemat O
biaya O
dan O
waktu O
agar O
dapat O
lebih O
mudah O
memberikan O
terkini O
mengenai O
pembaharuan O
kerawanan O
tanah O
longsor. O
informasi O
yang O
7 O
/ O
8 O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
2 O
) O
penelitian O
Untuk O
dapat O
mencoba O
selanjutnya O
menggunakan O
parameter-parameter O
yang O
sama O
yang O
digunakan O
oleh O
BNPB O
sebelumnya O
agar O
dapat O
diharapkan O
memberikan O
hasil O
yang O
lebih O
akurat. O
Serta O
dapat O
menggunakan O
metode O
pembobotan O
yang O
telah O
dilakukan O
pengembangan O
seperti O
pengembangan O
metode O
perbandingan O
pasangan O
yaitu O
metode O
Fuzzy O
Analytical O
Hierarchy O
process O
( O
F-AHP O
) O
, O
dan O
sejenisnya. O

Daerah O
Rawan O
Tanah O
Longsor O
dengan O
Penginderaan O
Jauh O
dan O
Sistem O
Informasi O
Geografis O
Studi O
Kasus O
: O
Kabupaten O
Lahat O
, O
Sumatera O
Selatan O
Ratu O
Kintan O
Karina O
( O
221709962 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
tanah O
Ringkasan— O
Berdasarkan O
IRBI O
2013 O
dan O
2018 O
Kabupaten O
Lahat O
merupakan O
salah O
satu O
kabupaten O
yang O
mempunyai O
risiko O
bencana O
tanah O
longsor O
yang O
tinggi. O
Cukup O
tingginya O
kejadian O
bencana O
tanah O
longsor O
di O
Kabupaten O
Lahat O
ini O
menyebabkan O
perlunya O
kesiapsiagaan O
mengenai O
bencana O
longsor. O
Sehingga O
penelitian O
ini O
bertujuan O
untuk O
memetakan B-TUJUAN
daerah I-TUJUAN
rawan I-TUJUAN
tanah I-TUJUAN
longsor I-TUJUAN
dengan I-TUJUAN
memanfaatkan I-TUJUAN
penginderaan I-TUJUAN
jauh I-TUJUAN
dan I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
geografis I-TUJUAN
, I-TUJUAN
serta I-TUJUAN
membandingkan I-TUJUAN
hasil I-TUJUAN
kerawanan I-TUJUAN
dari I-TUJUAN
BNPB. I-TUJUAN
Penelitian O
ini O
menggunakan O
parameter O
curah O
hujan O
, O
kemiringan O
lereng O
, O
arah O
lereng O
, O
penggunaan O
lahan O
, O
dan O
geologi. O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
bahwa I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
jumlah I-TEMUAN
ranking I-TEMUAN
, I-TEMUAN
metode I-TEMUAN
ketergantungan I-TEMUAN
ranking I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
perbandingan I-TEMUAN
pasangan I-TEMUAN
( I-TEMUAN
AHP I-TEMUAN
) I-TEMUAN
menghasilkan I-TEMUAN
perbedaan I-TEMUAN
jumlah I-TEMUAN
desa I-TEMUAN
untuk I-TEMUAN
tiap I-TEMUAN
kelas I-TEMUAN
kerawanan. I-TEMUAN
Jika O
dilihat O
dari O
akurasinya O
metode B-METODE
ketergantungan I-METODE
ranking I-METODE
memperoleh O
hasil O
yang O
lebih O
baik O
dibandingkan O
dengan O
metode B-METODE
jumlah I-METODE
ranking I-METODE
dan I-METODE
AHP I-METODE
yaitu O
sebesar O
70.03 O
% O
untuk O
akurasi O
keseluruhan O
dan O
46.66 O
% O
untuk O
akurasi B-METODE
kappa. I-METODE
Kata O
Kunci— O
Tanah O
Longsor O
, O
Pemetaan O
, O
Kerawanan O
, O
Penginderaan O
Jauh. O
[SEP] O
Berdasarkan O
hasil O
diatas O
dapat O
diperoleh O
kesimpulan O
bahwa O
dengan O
menggunakan O
metode O
jumlah O
ranking O
terdapat O
148 O
desa O
masuk O
ke O
kerawanan O
rendah O
, O
228 O
desa O
masuk O
ke O
kerawanan O
sedang O
, O
dan O
1 O
desa O
masuk O
ke O
kerawanan O
tinggi. O
Kemudian O
dengan O
menggunakan O
metode O
ketergantungan O
ranking O
terdapat O
199 O
desa O
masuk O
ke O
kerawanan O
rendah O
, O
174 O
desa O
masuk O
ke O
kerawanan O
sedang O
, O
dan O
4 O
desa O
masuk O
kerawanan O
tinggi. O
Sedangkan O
dengan O
menggunakan O
metode O
perbandingan O
pasangan O
( O
AHP O
) O
terdapat O
187 O
desa O
masuk O
ke O
kerawanan O
rendah O
, O
186 O
desa O
masuk O
ke O
kerawanan O
sedang O
, O
dan O
4 O
desa O
masuk O
ke O
kerawanan O
tinggi. O
Kemudian O
dari O
hasil O
akurasi O
ketiga O
metode O
tersebut O
dapat O
disimpulkan O
bahwa O
metode O
ketergantungan O
ranking O
lebih O
baik O
dari O
metode O
Jumlah O
Ranking O
dan O
AHP O
dalam O
kasus O
penelitian O
ini O
, O
karena O
metode B-TEMUAN
ketergantungan I-TEMUAN
ranking I-TEMUAN
memiliki I-TEMUAN
akurasi I-TEMUAN
yg I-TEMUAN
lebih I-TEMUAN
tinggi I-TEMUAN
dari I-TEMUAN
kedua I-TEMUAN
metode I-TEMUAN
tersebut I-TEMUAN
yaitu I-TEMUAN
sebesar I-TEMUAN
70.03 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
akurasi I-TEMUAN
keseluruhan I-TEMUAN
dan I-TEMUAN
46.66 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
akurasi I-TEMUAN
kappa. I-TEMUAN
Sedangkan I-TEMUAN
metode I-TEMUAN
jumlah I-TEMUAN
ranking I-TEMUAN
dan I-TEMUAN
metode I-TEMUAN
AHP I-TEMUAN
memiliki I-TEMUAN
keakurasian I-TEMUAN
berturut-turut I-TEMUAN
adalah I-TEMUAN
sebesar I-TEMUAN
67.90 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
69.23 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
akurasi I-TEMUAN
keseluruhan I-TEMUAN
serta I-TEMUAN
44.18 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
45.35 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
akurasi I-TEMUAN
kappa. I-TEMUAN
Kemudian O
berdasarkan O
kesimpulan O
diatas O
dapat O
diperoleh O
beberapa O
saran O
sebagai O
berikut. O
1 O
) O
BPBD O
Provinsi O
Sumatera O
Selatan O
dan O
BNPB O
disarankan O
telah O
menerapkan O
Sistem O
Penginderaan O
Jauh O
untuk O
memperoleh O
parameter-parameter O
yang O
akan O
digunakan O
untuk O
lebih O
menghemat O
biaya O
dan O
waktu O
agar O
dapat O
lebih O
mudah O
memberikan O
terkini O
mengenai O
pembaharuan O
kerawanan O
tanah O
longsor. O
informasi O
yang O
7 O
/ O
8 O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
2 O
) O
penelitian O
Untuk O
dapat O
mencoba O
selanjutnya O
menggunakan O
parameter-parameter O
yang O
sama O
yang O
digunakan O
oleh O
BNPB O
sebelumnya O
agar O
dapat O
diharapkan O
memberikan O
hasil O
yang O
lebih O
akurat. O
Serta O
dapat O
menggunakan O
metode O
pembobotan O
yang O
telah O
dilakukan O
pengembangan O
seperti O
pengembangan O
metode O
perbandingan O
pasangan O
yaitu O
metode O
Fuzzy O
Analytical O
Hierarchy O
process O
( O
F-AHP O
) O
, O
dan O
sejenisnya. O

Daerah O
Rawan O
Tanah O
Longsor O
dengan O
Penginderaan O
Jauh O
dan O
Sistem O
Informasi O
Geografis O
Studi O
Kasus O
: O
Kabupaten O
Lahat O
, O
Sumatera O
Selatan O
Ratu O
Kintan O
Karina O
( O
221709962 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
tanah O
Ringkasan— O
Berdasarkan O
IRBI O
2013 O
dan O
2018 O
Kabupaten O
Lahat O
merupakan O
salah O
satu O
kabupaten O
yang O
mempunyai O
risiko O
bencana O
tanah O
longsor O
yang O
tinggi. O
Cukup O
tingginya O
kejadian O
bencana O
tanah O
longsor O
di O
Kabupaten O
Lahat O
ini O
menyebabkan O
perlunya O
kesiapsiagaan O
mengenai O
bencana O
longsor. O
Sehingga O
penelitian O
ini O
bertujuan O
untuk O
memetakan B-TUJUAN
daerah I-TUJUAN
rawan I-TUJUAN
tanah I-TUJUAN
longsor I-TUJUAN
dengan I-TUJUAN
memanfaatkan I-TUJUAN
penginderaan I-TUJUAN
jauh I-TUJUAN
dan I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
geografis I-TUJUAN
, I-TUJUAN
serta I-TUJUAN
membandingkan I-TUJUAN
hasil I-TUJUAN
kerawanan I-TUJUAN
dari I-TUJUAN
BNPB. I-TUJUAN
Penelitian O
ini O
menggunakan O
parameter O
curah O
hujan O
, O
kemiringan O
lereng O
, O
arah O
lereng O
, O
penggunaan O
lahan O
, O
dan O
geologi. O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
bahwa I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
jumlah I-TEMUAN
ranking I-TEMUAN
, I-TEMUAN
metode I-TEMUAN
ketergantungan I-TEMUAN
ranking I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
perbandingan I-TEMUAN
pasangan I-TEMUAN
( I-TEMUAN
AHP I-TEMUAN
) I-TEMUAN
menghasilkan I-TEMUAN
perbedaan I-TEMUAN
jumlah I-TEMUAN
desa I-TEMUAN
untuk I-TEMUAN
tiap I-TEMUAN
kelas I-TEMUAN
kerawanan. I-TEMUAN
Jika O
dilihat O
dari O
akurasinya O
metode B-METODE
ketergantungan I-METODE
ranking I-METODE
memperoleh O
hasil O
yang O
lebih O
baik O
dibandingkan O
dengan O
metode B-METODE
jumlah I-METODE
ranking I-METODE
dan I-METODE
AHP I-METODE
yaitu O
sebesar O
70.03 O
% O
untuk O
akurasi O
keseluruhan O
dan O
46.66 O
% O
untuk O
akurasi B-METODE
kappa. I-METODE
Kata O
Kunci— O
Tanah O
Longsor O
, O
Pemetaan O
, O
Kerawanan O
, O
Penginderaan O
Jauh. O
[SEP] O
Berdasarkan O
hasil O
diatas O
dapat O
diperoleh O
kesimpulan O
bahwa O
dengan O
menggunakan O
metode O
jumlah O
ranking O
terdapat O
148 O
desa O
masuk O
ke O
kerawanan O
rendah O
, O
228 O
desa O
masuk O
ke O
kerawanan O
sedang O
, O
dan O
1 O
desa O
masuk O
ke O
kerawanan O
tinggi. O
Kemudian O
dengan O
menggunakan O
metode O
ketergantungan O
ranking O
terdapat O
199 O
desa O
masuk O
ke O
kerawanan O
rendah O
, O
174 O
desa O
masuk O
ke O
kerawanan O
sedang O
, O
dan O
4 O
desa O
masuk O
kerawanan O
tinggi. O
Sedangkan O
dengan O
menggunakan O
metode O
perbandingan O
pasangan O
( O
AHP O
) O
terdapat O
187 O
desa O
masuk O
ke O
kerawanan O
rendah O
, O
186 O
desa O
masuk O
ke O
kerawanan O
sedang O
, O
dan O
4 O
desa O
masuk O
ke O
kerawanan O
tinggi. O
Kemudian O
dari O
hasil O
akurasi O
ketiga O
metode O
tersebut O
dapat O
disimpulkan O
bahwa O
metode O
ketergantungan O
ranking O
lebih O
baik O
dari O
metode O
Jumlah O
Ranking O
dan O
AHP O
dalam O
kasus O
penelitian O
ini O
, O
karena O
metode B-TEMUAN
ketergantungan I-TEMUAN
ranking I-TEMUAN
memiliki I-TEMUAN
akurasi I-TEMUAN
yg I-TEMUAN
lebih I-TEMUAN
tinggi I-TEMUAN
dari I-TEMUAN
kedua I-TEMUAN
metode I-TEMUAN
tersebut I-TEMUAN
yaitu I-TEMUAN
sebesar I-TEMUAN
70.03 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
akurasi I-TEMUAN
keseluruhan I-TEMUAN
dan I-TEMUAN
46.66 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
akurasi I-TEMUAN
kappa. I-TEMUAN
Sedangkan I-TEMUAN
metode I-TEMUAN
jumlah I-TEMUAN
ranking I-TEMUAN
dan I-TEMUAN
metode I-TEMUAN
AHP I-TEMUAN
memiliki I-TEMUAN
keakurasian I-TEMUAN
berturut-turut I-TEMUAN
adalah I-TEMUAN
sebesar I-TEMUAN
67.90 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
69.23 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
akurasi I-TEMUAN
keseluruhan I-TEMUAN
serta I-TEMUAN
44.18 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
45.35 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
akurasi I-TEMUAN
kappa. I-TEMUAN
Kemudian O
berdasarkan O
kesimpulan O
diatas O
dapat O
diperoleh O
beberapa O
saran O
sebagai O
berikut. O
1 O
) O
BPBD O
Provinsi O
Sumatera O
Selatan O
dan O
BNPB O
disarankan O
telah O
menerapkan O
Sistem O
Penginderaan O
Jauh O
untuk O
memperoleh O
parameter-parameter O
yang O
akan O
digunakan O
untuk O
lebih O
menghemat O
biaya O
dan O
waktu O
agar O
dapat O
lebih O
mudah O
memberikan O
terkini O
mengenai O
pembaharuan O
kerawanan O
tanah O
longsor. O
informasi O
yang O
7 O
/ O
8 O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
2 O
) O
penelitian O
Untuk O
dapat O
mencoba O
selanjutnya O
menggunakan O
parameter-parameter O
yang O
sama O
yang O
digunakan O
oleh O
BNPB O
sebelumnya O
agar O
dapat O
diharapkan O
memberikan O
hasil O
yang O
lebih O
akurat. O
Serta O
dapat O
menggunakan O
metode O
pembobotan O
yang O
telah O
dilakukan O
pengembangan O
seperti O
pengembangan O
metode O
perbandingan O
pasangan O
yaitu O
metode O
Fuzzy O
Analytical O
Hierarchy O
process O
( O
F-AHP O
) O
, O
dan O
sejenisnya. O

Pergerakan O
Manusia O
Melalui O
Passive O
Mobile O
Positioning O
Data O
( O
MPD O
) O
Saat O
Pandemi O
COVID-19 O
di O
Indonesia O
Ratriani O
Retno O
Wardani O
( O
221709961 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Setia O
Pramana O
, O
Ph.D. O
Ringkasan— O
Indonesia O
terdampak O
pandemi O
COVID-19 O
mulai O
tahun O
2020. O
Berbagai O
kebijakan O
guna O
menurunkan O
angka O
kasus O
COVID-19 O
terus O
diupayakan O
pemerintah. O
Namun O
kenyataannya O
banyak O
masyarakat O
yang O
mengabaikan O
kebijakan O
tersebut O
hingga O
akhirnya O
pemerintah O
membuat O
sebuah O
aplikasi O
berbasis O
GPS O
dan O
bluetooth O
untuk O
memantau O
pergerakan O
manusia. O
GPS O
merupakan O
jenis O
MPD B-METODE
yang O
bersifat O
aktif. O
Penelitian O
ini O
dilakukan O
untuk O
mendeteksi B-TUJUAN
daerah I-TUJUAN
tempat I-TUJUAN
tinggal I-TUJUAN
dan I-TUJUAN
pergerakan I-TUJUAN
manusia I-TUJUAN
saat I-TUJUAN
pandemi I-TUJUAN
COVID-19 I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
MPD I-TUJUAN
yang O
bersifat O
pasif O
yaitu O
data O
Call O
Detail O
Records O
( O
CDR O
) O
. O
Dengan O
adanya O
penelitian O
ini O
diharapkan O
dapat O
membantu O
mengatasi O
kekurangan O
yang O
ada O
pada O
GPS O
dan O
bluetooth O
dalam O
mendeteksi O
pergerakan O
manusia. O
Hasil B-TEMUAN
yang I-TEMUAN
didapatkan I-TEMUAN
, I-TEMUAN
algoritma I-TEMUAN
yang I-TEMUAN
dibentuk I-TEMUAN
dengan I-TEMUAN
memanfaatkan I-TEMUAN
MPD I-TEMUAN
mampu I-TEMUAN
mendeteksi I-TEMUAN
daerah I-TEMUAN
tempat I-TEMUAN
tinggal I-TEMUAN
dan I-TEMUAN
pergerakan I-TEMUAN
manusia I-TEMUAN
dalam I-TEMUAN
wilayah I-TEMUAN
tertentu. I-TEMUAN
Pergerakan I-TEMUAN
pada I-TEMUAN
level I-TEMUAN
kecamatan I-TEMUAN
, I-TEMUAN
dapat I-TEMUAN
berpotensi I-TEMUAN
menjadi I-TEMUAN
pemicu I-TEMUAN
penularan I-TEMUAN
COVID-19. I-TEMUAN
Pergerakan O
yang O
terdeteksi O
dalam O
menunjukkan O
mengendalikan O
pergerakan O
manusia O
dinilai O
cukup O
berhasil. O
pemerintah O
kebijakan O
bahwa O
Kata O
Kunci— O
Human O
mobility O
, O
Mobile O
Positioning O
Data O
, O
Call O
Detail O
Records O
, O
Reverse O
Geocoding O
, O
Origin O
Destination. O
[SEP] O
Algoritma B-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
dengan I-TEMUAN
memanfaatkan I-TEMUAN
MPD I-TEMUAN
mampu I-TEMUAN
mendeteksi I-TEMUAN
daerah I-TEMUAN
tempat I-TEMUAN
tinggal. I-TEMUAN
Pengguna O
telepon O
selular O
dominan O
bertempat O
tinggal O
di O
Kecamatan O
Depok O
( O
Sleman O
) O
. O
Dilihat O
dari O
kecamatan O
daerah O
tempat O
tinggal O
pengguna O
, O
banyaknya O
pengguna O
yang O
move O
ke O
luar O
kecamatan O
tinggal O
cenderung O
menurun. O
Sebaliknya O
, O
daerah O
banyaknya O
pengguna O
yang O
stay O
di O
kecamatan O
daerah O
tempat O
tinggal O
cenderung O
meningkat. O
tempat O
Algoritma B-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
dengan I-TEMUAN
memanfaatkan I-TEMUAN
MPD I-TEMUAN
juga I-TEMUAN
mampu I-TEMUAN
mendeteksi I-TEMUAN
pergerakan I-TEMUAN
manusia I-TEMUAN
dalam I-TEMUAN
wilayah I-TEMUAN
tertentu. I-TEMUAN
Dengan O
data O
sampel O
yang O
ada O
, O
didapatkan O
bahwa O
pergerakan O
di O
dalam O
Provinsi O
DIY O
, O
pergerakan O
dari O
Provinsi O
Jawa O
Tengah O
menuju O
DIY O
dan O
sebaliknya O
juga O
cukup O
tinggi. O
Kemudian O
pada O
level O
kabupaten O
/ O
kota O
, O
pergerakan O
di O
dalam O
Kabupaten O
Sleman O
, O
Klaten O
, O
maupun O
antar O
Kabupaten O
Sleman O
& O
Klaten O
terpantau O
cukup O
tinggi. O
Hal O
ini O
dapat O
disebabkan O
karena O
kondisi O
geografis O
antara O
kedua O
provinsi O
dan O
kabupaten O
tersebut O
yang O
saling O
berdekatan. O
Pergerakan O
pada O
level O
yang O
paling O
kecil O
( O
kecamatan O
) O
juga O
dapat O
berpotensi O
menjadi O
salah O
satu O
pemicu O
penularan O
COVID-19. O
Gambar O
18. O
Pergerakan O
manusia O
pada O
level O
kecamatan O
saat O
periode O
ke-4 O

Pergerakan O
Manusia O
Melalui O
Passive O
Mobile O
Positioning O
Data O
( O
MPD O
) O
Saat O
Pandemi O
COVID-19 O
di O
Indonesia O
Ratriani O
Retno O
Wardani O
( O
221709961 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Setia O
Pramana O
, O
Ph.D. O
Ringkasan— O
Indonesia O
terdampak O
pandemi O
COVID-19 O
mulai O
tahun O
2020. O
Berbagai O
kebijakan O
guna O
menurunkan O
angka O
kasus O
COVID-19 O
terus O
diupayakan O
pemerintah. O
Namun O
kenyataannya O
banyak O
masyarakat O
yang O
mengabaikan O
kebijakan O
tersebut O
hingga O
akhirnya O
pemerintah O
membuat O
sebuah O
aplikasi O
berbasis O
GPS O
dan O
bluetooth O
untuk O
memantau O
pergerakan O
manusia. O
GPS O
merupakan O
jenis O
MPD B-METODE
yang O
bersifat O
aktif. O
Penelitian O
ini O
dilakukan O
untuk O
mendeteksi B-TUJUAN
daerah I-TUJUAN
tempat I-TUJUAN
tinggal I-TUJUAN
dan I-TUJUAN
pergerakan I-TUJUAN
manusia I-TUJUAN
saat I-TUJUAN
pandemi I-TUJUAN
COVID-19 I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
MPD I-TUJUAN
yang O
bersifat O
pasif O
yaitu O
data O
Call O
Detail O
Records O
( O
CDR O
) O
. O
Dengan O
adanya O
penelitian O
ini O
diharapkan O
dapat O
membantu O
mengatasi O
kekurangan O
yang O
ada O
pada O
GPS O
dan O
bluetooth O
dalam O
mendeteksi O
pergerakan O
manusia. O
Hasil B-TEMUAN
yang I-TEMUAN
didapatkan I-TEMUAN
, I-TEMUAN
algoritma I-TEMUAN
yang I-TEMUAN
dibentuk I-TEMUAN
dengan I-TEMUAN
memanfaatkan I-TEMUAN
MPD I-TEMUAN
mampu I-TEMUAN
mendeteksi I-TEMUAN
daerah I-TEMUAN
tempat I-TEMUAN
tinggal I-TEMUAN
dan I-TEMUAN
pergerakan I-TEMUAN
manusia I-TEMUAN
dalam I-TEMUAN
wilayah I-TEMUAN
tertentu. I-TEMUAN
Pergerakan I-TEMUAN
pada I-TEMUAN
level I-TEMUAN
kecamatan I-TEMUAN
, I-TEMUAN
dapat I-TEMUAN
berpotensi I-TEMUAN
menjadi I-TEMUAN
pemicu I-TEMUAN
penularan I-TEMUAN
COVID-19. I-TEMUAN
Pergerakan O
yang O
terdeteksi O
dalam O
menunjukkan O
mengendalikan O
pergerakan O
manusia O
dinilai O
cukup O
berhasil. O
pemerintah O
kebijakan O
bahwa O
Kata O
Kunci— O
Human O
mobility O
, O
Mobile O
Positioning O
Data O
, O
Call O
Detail O
Records O
, O
Reverse O
Geocoding O
, O
Origin O
Destination. O
[SEP] O
Algoritma B-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
dengan I-TEMUAN
memanfaatkan I-TEMUAN
MPD I-TEMUAN
mampu I-TEMUAN
mendeteksi I-TEMUAN
daerah I-TEMUAN
tempat I-TEMUAN
tinggal. I-TEMUAN
Pengguna O
telepon O
selular O
dominan O
bertempat O
tinggal O
di O
Kecamatan O
Depok O
( O
Sleman O
) O
. O
Dilihat O
dari O
kecamatan O
daerah O
tempat O
tinggal O
pengguna O
, O
banyaknya O
pengguna O
yang O
move O
ke O
luar O
kecamatan O
tinggal O
cenderung O
menurun. O
Sebaliknya O
, O
daerah O
banyaknya O
pengguna O
yang O
stay O
di O
kecamatan O
daerah O
tempat O
tinggal O
cenderung O
meningkat. O
tempat O
Algoritma B-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
dengan I-TEMUAN
memanfaatkan I-TEMUAN
MPD I-TEMUAN
juga I-TEMUAN
mampu I-TEMUAN
mendeteksi I-TEMUAN
pergerakan I-TEMUAN
manusia I-TEMUAN
dalam I-TEMUAN
wilayah I-TEMUAN
tertentu. I-TEMUAN
Dengan O
data O
sampel O
yang O
ada O
, O
didapatkan O
bahwa O
pergerakan O
di O
dalam O
Provinsi O
DIY O
, O
pergerakan O
dari O
Provinsi O
Jawa O
Tengah O
menuju O
DIY O
dan O
sebaliknya O
juga O
cukup O
tinggi. O
Kemudian O
pada O
level O
kabupaten O
/ O
kota O
, O
pergerakan O
di O
dalam O
Kabupaten O
Sleman O
, O
Klaten O
, O
maupun O
antar O
Kabupaten O
Sleman O
& O
Klaten O
terpantau O
cukup O
tinggi. O
Hal O
ini O
dapat O
disebabkan O
karena O
kondisi O
geografis O
antara O
kedua O
provinsi O
dan O
kabupaten O
tersebut O
yang O
saling O
berdekatan. O
Pergerakan O
pada O
level O
yang O
paling O
kecil O
( O
kecamatan O
) O
juga O
dapat O
berpotensi O
menjadi O
salah O
satu O
pemicu O
penularan O
COVID-19. O
Gambar O
18. O
Pergerakan O
manusia O
pada O
level O
kecamatan O
saat O
periode O
ke-4 O

Pergerakan O
Manusia O
Melalui O
Passive O
Mobile O
Positioning O
Data O
( O
MPD O
) O
Saat O
Pandemi O
COVID-19 O
di O
Indonesia O
Ratriani O
Retno O
Wardani O
( O
221709961 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Setia O
Pramana O
, O
Ph.D. O
Ringkasan— O
Indonesia O
terdampak O
pandemi O
COVID-19 O
mulai O
tahun O
2020. O
Berbagai O
kebijakan O
guna O
menurunkan O
angka O
kasus O
COVID-19 O
terus O
diupayakan O
pemerintah. O
Namun O
kenyataannya O
banyak O
masyarakat O
yang O
mengabaikan O
kebijakan O
tersebut O
hingga O
akhirnya O
pemerintah O
membuat O
sebuah O
aplikasi O
berbasis O
GPS O
dan O
bluetooth O
untuk O
memantau O
pergerakan O
manusia. O
GPS O
merupakan O
jenis O
MPD B-METODE
yang O
bersifat O
aktif. O
Penelitian O
ini O
dilakukan O
untuk O
mendeteksi B-TUJUAN
daerah I-TUJUAN
tempat I-TUJUAN
tinggal I-TUJUAN
dan I-TUJUAN
pergerakan I-TUJUAN
manusia I-TUJUAN
saat I-TUJUAN
pandemi I-TUJUAN
COVID-19 I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
MPD I-TUJUAN
yang O
bersifat O
pasif O
yaitu O
data O
Call O
Detail O
Records O
( O
CDR O
) O
. O
Dengan O
adanya O
penelitian O
ini O
diharapkan O
dapat O
membantu O
mengatasi O
kekurangan O
yang O
ada O
pada O
GPS O
dan O
bluetooth O
dalam O
mendeteksi O
pergerakan O
manusia. O
Hasil B-TEMUAN
yang I-TEMUAN
didapatkan I-TEMUAN
, I-TEMUAN
algoritma I-TEMUAN
yang I-TEMUAN
dibentuk I-TEMUAN
dengan I-TEMUAN
memanfaatkan I-TEMUAN
MPD I-TEMUAN
mampu I-TEMUAN
mendeteksi I-TEMUAN
daerah I-TEMUAN
tempat I-TEMUAN
tinggal I-TEMUAN
dan I-TEMUAN
pergerakan I-TEMUAN
manusia I-TEMUAN
dalam I-TEMUAN
wilayah I-TEMUAN
tertentu. I-TEMUAN
Pergerakan I-TEMUAN
pada I-TEMUAN
level I-TEMUAN
kecamatan I-TEMUAN
, I-TEMUAN
dapat I-TEMUAN
berpotensi I-TEMUAN
menjadi I-TEMUAN
pemicu I-TEMUAN
penularan I-TEMUAN
COVID-19. I-TEMUAN
Pergerakan O
yang O
terdeteksi O
dalam O
menunjukkan O
mengendalikan O
pergerakan O
manusia O
dinilai O
cukup O
berhasil. O
pemerintah O
kebijakan O
bahwa O
Kata O
Kunci— O
Human O
mobility O
, O
Mobile O
Positioning O
Data O
, O
Call O
Detail O
Records O
, O
Reverse O
Geocoding O
, O
Origin O
Destination. O
[SEP] O
Algoritma B-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
dengan I-TEMUAN
memanfaatkan I-TEMUAN
MPD I-TEMUAN
mampu I-TEMUAN
mendeteksi I-TEMUAN
daerah I-TEMUAN
tempat I-TEMUAN
tinggal. I-TEMUAN
Pengguna O
telepon O
selular O
dominan O
bertempat O
tinggal O
di O
Kecamatan O
Depok O
( O
Sleman O
) O
. O
Dilihat O
dari O
kecamatan O
daerah O
tempat O
tinggal O
pengguna O
, O
banyaknya O
pengguna O
yang O
move O
ke O
luar O
kecamatan O
tinggal O
cenderung O
menurun. O
Sebaliknya O
, O
daerah O
banyaknya O
pengguna O
yang O
stay O
di O
kecamatan O
daerah O
tempat O
tinggal O
cenderung O
meningkat. O
tempat O
Algoritma B-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
dengan I-TEMUAN
memanfaatkan I-TEMUAN
MPD I-TEMUAN
juga I-TEMUAN
mampu I-TEMUAN
mendeteksi I-TEMUAN
pergerakan I-TEMUAN
manusia I-TEMUAN
dalam I-TEMUAN
wilayah I-TEMUAN
tertentu. I-TEMUAN
Dengan O
data O
sampel O
yang O
ada O
, O
didapatkan O
bahwa O
pergerakan O
di O
dalam O
Provinsi O
DIY O
, O
pergerakan O
dari O
Provinsi O
Jawa O
Tengah O
menuju O
DIY O
dan O
sebaliknya O
juga O
cukup O
tinggi. O
Kemudian O
pada O
level O
kabupaten O
/ O
kota O
, O
pergerakan O
di O
dalam O
Kabupaten O
Sleman O
, O
Klaten O
, O
maupun O
antar O
Kabupaten O
Sleman O
& O
Klaten O
terpantau O
cukup O
tinggi. O
Hal O
ini O
dapat O
disebabkan O
karena O
kondisi O
geografis O
antara O
kedua O
provinsi O
dan O
kabupaten O
tersebut O
yang O
saling O
berdekatan. O
Pergerakan O
pada O
level O
yang O
paling O
kecil O
( O
kecamatan O
) O
juga O
dapat O
berpotensi O
menjadi O
salah O
satu O
pemicu O
penularan O
COVID-19. O
Gambar O
18. O
Pergerakan O
manusia O
pada O
level O
kecamatan O
saat O
periode O
ke-4 O

Bangun O
Knowledge O
Management O
System O
Berbasis O
Web O
di O
Subdirektorat O
Pengembangan O
Kerangka O
Sampel O
BPS O
Nuzul O
Izzati O
Arifin O
( O
221709929 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
S O
, O
Ph.D O
dan O
pengembangan O
Ringkasan— O
Subdirektorat O
Pengembangan O
Kerangka O
Sampel O
( O
subdit O
PKS O
) O
memiliki O
tugas O
dan O
fungsi O
untuk O
pemeliharaan O
melaksanakan O
kerangka O
sampel O
bidang O
statistik O
sosial O
, O
produksi O
, O
serta O
distribusi O
dan O
jasa. O
Dalam O
menjalankan O
tugas O
tersebut O
, O
subdit O
PKS O
mengalami O
permasalahan O
baik O
dari O
proses O
kegiatan O
survei O
, O
dokumen O
mengenai O
survei O
, O
pelaporan O
hasil O
survei O
, O
maupun O
proses O
pengajuan O
pertanyaan. O
Hal O
ini O
disebabkan O
karena O
tidak O
adanya O
media O
untuk O
mendokumentasikan O
setiap O
kegiatan O
di O
subdit O
PKS. O
Maka O
dari O
itu O
, O
untuk O
mengatasi O
permasalahan O
tersebut O
, O
knowledge O
peneliti O
merancang B-TUJUAN
management I-TUJUAN
system I-TUJUAN
( I-TUJUAN
KMS I-TUJUAN
) I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
di I-TUJUAN
subdit I-TUJUAN
PKS. I-TUJUAN
Sistem O
tersebut O
dibangun O
menggunakan O
metode B-METODE
FAST. I-METODE
Sistem O
yang O
telah O
dibangun O
akan O
dievaluasi O
dengan O
3 O
( O
tiga O
) O
metode O
yakni O
black B-METODE
box I-METODE
testing I-METODE
, I-METODE
uji I-METODE
SUS I-METODE
, I-METODE
dan I-METODE
uji I-METODE
QUIS. I-METODE
Berdasarkan O
hasil O
uji O
evaluasi O
sistem O
, O
dapat B-TEMUAN
disimpulkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
layak I-TEMUAN
digunakan I-TEMUAN
karena I-TEMUAN
fungsi-fungsi I-TEMUAN
di I-TEMUAN
dalam I-TEMUAN
sistem I-TEMUAN
sudah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan I-TEMUAN
pengguna. I-TEMUAN
dan O
membangun O
Kata O
Kunci— O
KMS O
, O
PKS O
, O
Sistem O
, O
Web O
[SEP] O
A. O
Kesimpulan O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
uji I-TEMUAN
SUS I-TEMUAN
di I-TEMUAN
atas I-TEMUAN
dapat I-TEMUAN
dilihat I-TEMUAN
bahwa I-TEMUAN
rata- I-TEMUAN
rata I-TEMUAN
nilai I-TEMUAN
SUS I-TEMUAN
nya I-TEMUAN
adalah I-TEMUAN
84,5. I-TEMUAN
Hal I-TEMUAN
ini I-TEMUAN
menandakan I-TEMUAN
bahwa I-TEMUAN
fungsi-fungsi I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
di I-TEMUAN
dalam I-TEMUAN
sistem I-TEMUAN
ini I-TEMUAN
sudah I-TEMUAN
layak I-TEMUAN
digunakan I-TEMUAN
sesuai O
dengan O
peran O
masing-masing O
aktor O
tersebut O
meskipun O
masih O
terdapat O
penamaan O
yang O
tidak O
konsisten. O
Menurut O
dapat O
merepresentasikan O
fungsi O
yang O
ada O
pada O
sistem O
dengan O
kebutuhan O
pengguna O
sistem. O
pengujian O
peneliti O
, O
telah O
hasil O
ini O
3. O
QUIS O
( O
Questionnaire O
for O
User O
Interface O
Satisfaction O
) O
tampilan O
layar O
, O
QUIS O
bertujuan O
untuk O
mengevaluasi O
kepuasan O
pengguna O
terhadap O
aspek-aspek O
interaksi O
manusia O
dengan O
sistem O
komputer. O
Aspek O
tersebut O
terdiri O
dari O
aspek O
keseluruhan O
sistem O
, O
terminologi O
dan O
sistem O
informasi O
, O
kemudahan O
mempelajari O
sistem O
, O
kinerja O
sistem O
, O
dan O
antar O
muka O
pengguna. O
Responden O
pada O
evaluasi O
ini O
sama O
dengan O
responden O
pada O
uji O
SUS. O
Nilai O
QUIS O
didapatkan O
dari O
rata-rata O
seluruh O
aspek O
dimana O
nilai O
setiap O
aspeknya O
merupakan O
rata- O
rata O
tiap O
pernyataan O
yang O
memiliki O
rentang O
dari O
0-9. O
Berikut O
hasil O
uji O
QUIS O
pada O
penelitian O
ini. O
TABEL O
III O
QUESTIONNAIRE O
FOR O
USER O
INTERFACE O
SATISFACTION O
seluruh O
aspek O
sebesar O
7,6. O
Hal O
Berdasarkan O
hasil O
QUIS O
Pada O
Tabel O
23 O
dapat O
dilihat O
bahwa O
rata-rata O
total O
dari O
ini O
menandakan O
bahwa O
pengguna O
merasa O
cukup O
puas O
terhadap O
tampilan O
dan O
fungsi O
pada O
sistem O
yang O
telah O
dibangun. O
Meskipun O
tata O
letak O
informasi O
pada O
sistem O
ini O
masih O
kurang O
proporsional O
, O
Namun O
istilah O
yang O
digunakan O
pada O
sistem O
ini O
mudah O
dipahami O
dan O
sistem O
ini O
termasuk O
sistem O
yang O
mudah O
untuk O
dipelajari. O
dilakukan O
Berdasarkan O
hasil O
analisis O
, O
rancangan O
dan O
implementasi O
yang O
telah O
Peneliti O
bab-bab O
menyimpulkan O
sebagai O
berikut O
: O
1. O
sebelumnya O
, O
pada O
Penelitian O
ini O
telah O
berjalan O
sesuai O
dengan O
tujuan O
yang O
diharapkan O
, O
baik O
dari O
tujuan O
umum O
maupun O
tujuan O
khususnya O
yakni O
merancang B-TUJUAN
dan I-TUJUAN
membangun I-TUJUAN
Knowledge I-TUJUAN
Management I-TUJUAN
System I-TUJUAN
( I-TUJUAN
KMS I-TUJUAN
) I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
untuk I-TUJUAN
subdit I-TUJUAN
PKS. I-TUJUAN
Dimana O
, O
sistem O
ini O
dapat O
menjadi O
sarana O
berbagi O
informasi O
dan O
dapat O
mendokumentasikan O
setiap O
proses O
bisnis O
di O
subdit O
PKS O
dan O
dapat O
menyediakan O
solusi O
dari O
permasalahan O
yang O
sering O
ditanyakan O
oleh O
pihak O
terkait O
topik O
serta O
menyediakan O
fasilitas O
dengan O
berbagai O
upload O
/ O
download O
dokumen. O
Sistem B-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
dapat I-TEMUAN
dikatakan I-TEMUAN
layak I-TEMUAN
digunakan I-TEMUAN
karena I-TEMUAN
fungsi-fungsi I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
sudah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan. I-TEMUAN
Hal I-TEMUAN
ini I-TEMUAN
dapat I-TEMUAN
dilihat I-TEMUAN
dari I-TEMUAN
hasil I-TEMUAN
uji I-TEMUAN
evaluasi I-TEMUAN
sistem. I-TEMUAN
Saran O
Berdasarkan O
dari O
hasil O
evaluasi O
sistem O
dapat O
dikatakan O
bahwa O
sistem O
yang O
telah O
dibangun O
peneliti O
sudah O
baik. O
Fungsi O
atau O
fitur O
di O
dalam O
sistem O
juga O
sudah O
berjalan O
sesuai O
dengan O
yang O
diharapkan O
dan O
sesuai O
dengan O
kebutuhan O
pengguna. O
Namun O
masih O
diperlukan O
perbaikan O
terhadap O
tampilan O
sistem O
dimana O
tampilan O
pada O
sistem O
ini O
masih O
kurang O
responsif O
dan O
tata O
letak O
informasi O
yang O
kurang O
proporsional. O
Selain O
itu O
, O
penggunaan O
kata-kata O
didalam O
sistem O
masih O
kurang O
konsisten. O
Maka O
dari O
itu O
, O
diharapkan O
adanya O
pengembangan O
/ O
perbaikan O
sistem O
agar O
sistem O
ini O
lebih O
menarik O
sehingga O
lebih O
sering O
digunakan. O
2. O
B. O

Bangun O
Knowledge O
Management O
System O
Berbasis O
Web O
di O
Subdirektorat O
Pengembangan O
Kerangka O
Sampel O
BPS O
Nuzul O
Izzati O
Arifin O
( O
221709929 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
S O
, O
Ph.D O
dan O
pengembangan O
Ringkasan— O
Subdirektorat O
Pengembangan O
Kerangka O
Sampel O
( O
subdit O
PKS O
) O
memiliki O
tugas O
dan O
fungsi O
untuk O
pemeliharaan O
melaksanakan O
kerangka O
sampel O
bidang O
statistik O
sosial O
, O
produksi O
, O
serta O
distribusi O
dan O
jasa. O
Dalam O
menjalankan O
tugas O
tersebut O
, O
subdit O
PKS O
mengalami O
permasalahan O
baik O
dari O
proses O
kegiatan O
survei O
, O
dokumen O
mengenai O
survei O
, O
pelaporan O
hasil O
survei O
, O
maupun O
proses O
pengajuan O
pertanyaan. O
Hal O
ini O
disebabkan O
karena O
tidak O
adanya O
media O
untuk O
mendokumentasikan O
setiap O
kegiatan O
di O
subdit O
PKS. O
Maka O
dari O
itu O
, O
untuk O
mengatasi O
permasalahan O
tersebut O
, O
knowledge O
peneliti O
merancang B-TUJUAN
management I-TUJUAN
system I-TUJUAN
( I-TUJUAN
KMS I-TUJUAN
) I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
di I-TUJUAN
subdit I-TUJUAN
PKS. I-TUJUAN
Sistem O
tersebut O
dibangun O
menggunakan O
metode B-METODE
FAST. I-METODE
Sistem O
yang O
telah O
dibangun O
akan O
dievaluasi O
dengan O
3 O
( O
tiga O
) O
metode O
yakni O
black B-METODE
box I-METODE
testing I-METODE
, I-METODE
uji I-METODE
SUS I-METODE
, I-METODE
dan I-METODE
uji I-METODE
QUIS. I-METODE
Berdasarkan O
hasil O
uji O
evaluasi O
sistem O
, O
dapat B-TEMUAN
disimpulkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
layak I-TEMUAN
digunakan I-TEMUAN
karena I-TEMUAN
fungsi-fungsi I-TEMUAN
di I-TEMUAN
dalam I-TEMUAN
sistem I-TEMUAN
sudah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan I-TEMUAN
pengguna. I-TEMUAN
dan O
membangun O
Kata O
Kunci— O
KMS O
, O
PKS O
, O
Sistem O
, O
Web O
[SEP] O
A. O
Kesimpulan O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
uji I-TEMUAN
SUS I-TEMUAN
di I-TEMUAN
atas I-TEMUAN
dapat I-TEMUAN
dilihat I-TEMUAN
bahwa I-TEMUAN
rata- I-TEMUAN
rata I-TEMUAN
nilai I-TEMUAN
SUS I-TEMUAN
nya I-TEMUAN
adalah I-TEMUAN
84,5. I-TEMUAN
Hal I-TEMUAN
ini I-TEMUAN
menandakan I-TEMUAN
bahwa I-TEMUAN
fungsi-fungsi I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
di I-TEMUAN
dalam I-TEMUAN
sistem I-TEMUAN
ini I-TEMUAN
sudah I-TEMUAN
layak I-TEMUAN
digunakan I-TEMUAN
sesuai O
dengan O
peran O
masing-masing O
aktor O
tersebut O
meskipun O
masih O
terdapat O
penamaan O
yang O
tidak O
konsisten. O
Menurut O
dapat O
merepresentasikan O
fungsi O
yang O
ada O
pada O
sistem O
dengan O
kebutuhan O
pengguna O
sistem. O
pengujian O
peneliti O
, O
telah O
hasil O
ini O
3. O
QUIS O
( O
Questionnaire O
for O
User O
Interface O
Satisfaction O
) O
tampilan O
layar O
, O
QUIS O
bertujuan O
untuk O
mengevaluasi O
kepuasan O
pengguna O
terhadap O
aspek-aspek O
interaksi O
manusia O
dengan O
sistem O
komputer. O
Aspek O
tersebut O
terdiri O
dari O
aspek O
keseluruhan O
sistem O
, O
terminologi O
dan O
sistem O
informasi O
, O
kemudahan O
mempelajari O
sistem O
, O
kinerja O
sistem O
, O
dan O
antar O
muka O
pengguna. O
Responden O
pada O
evaluasi O
ini O
sama O
dengan O
responden O
pada O
uji O
SUS. O
Nilai O
QUIS O
didapatkan O
dari O
rata-rata O
seluruh O
aspek O
dimana O
nilai O
setiap O
aspeknya O
merupakan O
rata- O
rata O
tiap O
pernyataan O
yang O
memiliki O
rentang O
dari O
0-9. O
Berikut O
hasil O
uji O
QUIS O
pada O
penelitian O
ini. O
TABEL O
III O
QUESTIONNAIRE O
FOR O
USER O
INTERFACE O
SATISFACTION O
seluruh O
aspek O
sebesar O
7,6. O
Hal O
Berdasarkan O
hasil O
QUIS O
Pada O
Tabel O
23 O
dapat O
dilihat O
bahwa O
rata-rata O
total O
dari O
ini O
menandakan O
bahwa O
pengguna O
merasa O
cukup O
puas O
terhadap O
tampilan O
dan O
fungsi O
pada O
sistem O
yang O
telah O
dibangun. O
Meskipun O
tata O
letak O
informasi O
pada O
sistem O
ini O
masih O
kurang O
proporsional O
, O
Namun O
istilah O
yang O
digunakan O
pada O
sistem O
ini O
mudah O
dipahami O
dan O
sistem O
ini O
termasuk O
sistem O
yang O
mudah O
untuk O
dipelajari. O
dilakukan O
Berdasarkan O
hasil O
analisis O
, O
rancangan O
dan O
implementasi O
yang O
telah O
Peneliti O
bab-bab O
menyimpulkan O
sebagai O
berikut O
: O
1. O
sebelumnya O
, O
pada O
Penelitian O
ini O
telah O
berjalan O
sesuai O
dengan O
tujuan O
yang O
diharapkan O
, O
baik O
dari O
tujuan O
umum O
maupun O
tujuan O
khususnya O
yakni O
merancang B-TUJUAN
dan I-TUJUAN
membangun I-TUJUAN
Knowledge I-TUJUAN
Management I-TUJUAN
System I-TUJUAN
( I-TUJUAN
KMS I-TUJUAN
) I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
untuk I-TUJUAN
subdit I-TUJUAN
PKS. I-TUJUAN
Dimana O
, O
sistem O
ini O
dapat O
menjadi O
sarana O
berbagi O
informasi O
dan O
dapat O
mendokumentasikan O
setiap O
proses O
bisnis O
di O
subdit O
PKS O
dan O
dapat O
menyediakan O
solusi O
dari O
permasalahan O
yang O
sering O
ditanyakan O
oleh O
pihak O
terkait O
topik O
serta O
menyediakan O
fasilitas O
dengan O
berbagai O
upload O
/ O
download O
dokumen. O
Sistem B-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
dapat I-TEMUAN
dikatakan I-TEMUAN
layak I-TEMUAN
digunakan I-TEMUAN
karena I-TEMUAN
fungsi-fungsi I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
sudah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan. I-TEMUAN
Hal I-TEMUAN
ini I-TEMUAN
dapat I-TEMUAN
dilihat I-TEMUAN
dari I-TEMUAN
hasil I-TEMUAN
uji I-TEMUAN
evaluasi I-TEMUAN
sistem. I-TEMUAN
Saran O
Berdasarkan O
dari O
hasil O
evaluasi O
sistem O
dapat O
dikatakan O
bahwa O
sistem O
yang O
telah O
dibangun O
peneliti O
sudah O
baik. O
Fungsi O
atau O
fitur O
di O
dalam O
sistem O
juga O
sudah O
berjalan O
sesuai O
dengan O
yang O
diharapkan O
dan O
sesuai O
dengan O
kebutuhan O
pengguna. O
Namun O
masih O
diperlukan O
perbaikan O
terhadap O
tampilan O
sistem O
dimana O
tampilan O
pada O
sistem O
ini O
masih O
kurang O
responsif O
dan O
tata O
letak O
informasi O
yang O
kurang O
proporsional. O
Selain O
itu O
, O
penggunaan O
kata-kata O
didalam O
sistem O
masih O
kurang O
konsisten. O
Maka O
dari O
itu O
, O
diharapkan O
adanya O
pengembangan O
/ O
perbaikan O
sistem O
agar O
sistem O
ini O
lebih O
menarik O
sehingga O
lebih O
sering O
digunakan. O
2. O
B. O

Bangun O
Knowledge O
Management O
System O
Berbasis O
Web O
di O
Subdirektorat O
Pengembangan O
Kerangka O
Sampel O
BPS O
Nuzul O
Izzati O
Arifin O
( O
221709929 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
S O
, O
Ph.D O
dan O
pengembangan O
Ringkasan— O
Subdirektorat O
Pengembangan O
Kerangka O
Sampel O
( O
subdit O
PKS O
) O
memiliki O
tugas O
dan O
fungsi O
untuk O
pemeliharaan O
melaksanakan O
kerangka O
sampel O
bidang O
statistik O
sosial O
, O
produksi O
, O
serta O
distribusi O
dan O
jasa. O
Dalam O
menjalankan O
tugas O
tersebut O
, O
subdit O
PKS O
mengalami O
permasalahan O
baik O
dari O
proses O
kegiatan O
survei O
, O
dokumen O
mengenai O
survei O
, O
pelaporan O
hasil O
survei O
, O
maupun O
proses O
pengajuan O
pertanyaan. O
Hal O
ini O
disebabkan O
karena O
tidak O
adanya O
media O
untuk O
mendokumentasikan O
setiap O
kegiatan O
di O
subdit O
PKS. O
Maka O
dari O
itu O
, O
untuk O
mengatasi O
permasalahan O
tersebut O
, O
knowledge O
peneliti O
merancang B-TUJUAN
management I-TUJUAN
system I-TUJUAN
( I-TUJUAN
KMS I-TUJUAN
) I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
di I-TUJUAN
subdit I-TUJUAN
PKS. I-TUJUAN
Sistem O
tersebut O
dibangun O
menggunakan O
metode B-METODE
FAST. I-METODE
Sistem O
yang O
telah O
dibangun O
akan O
dievaluasi O
dengan O
3 O
( O
tiga O
) O
metode O
yakni O
black B-METODE
box I-METODE
testing I-METODE
, I-METODE
uji I-METODE
SUS I-METODE
, I-METODE
dan I-METODE
uji I-METODE
QUIS. I-METODE
Berdasarkan O
hasil O
uji O
evaluasi O
sistem O
, O
dapat B-TEMUAN
disimpulkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
layak I-TEMUAN
digunakan I-TEMUAN
karena I-TEMUAN
fungsi-fungsi I-TEMUAN
di I-TEMUAN
dalam I-TEMUAN
sistem I-TEMUAN
sudah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan I-TEMUAN
pengguna. I-TEMUAN
dan O
membangun O
Kata O
Kunci— O
KMS O
, O
PKS O
, O
Sistem O
, O
Web O
[SEP] O
A. O
Kesimpulan O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
uji I-TEMUAN
SUS I-TEMUAN
di I-TEMUAN
atas I-TEMUAN
dapat I-TEMUAN
dilihat I-TEMUAN
bahwa I-TEMUAN
rata- I-TEMUAN
rata I-TEMUAN
nilai I-TEMUAN
SUS I-TEMUAN
nya I-TEMUAN
adalah I-TEMUAN
84,5. I-TEMUAN
Hal I-TEMUAN
ini I-TEMUAN
menandakan I-TEMUAN
bahwa I-TEMUAN
fungsi-fungsi I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
di I-TEMUAN
dalam I-TEMUAN
sistem I-TEMUAN
ini I-TEMUAN
sudah I-TEMUAN
layak I-TEMUAN
digunakan I-TEMUAN
sesuai O
dengan O
peran O
masing-masing O
aktor O
tersebut O
meskipun O
masih O
terdapat O
penamaan O
yang O
tidak O
konsisten. O
Menurut O
dapat O
merepresentasikan O
fungsi O
yang O
ada O
pada O
sistem O
dengan O
kebutuhan O
pengguna O
sistem. O
pengujian O
peneliti O
, O
telah O
hasil O
ini O
3. O
QUIS O
( O
Questionnaire O
for O
User O
Interface O
Satisfaction O
) O
tampilan O
layar O
, O
QUIS O
bertujuan O
untuk O
mengevaluasi O
kepuasan O
pengguna O
terhadap O
aspek-aspek O
interaksi O
manusia O
dengan O
sistem O
komputer. O
Aspek O
tersebut O
terdiri O
dari O
aspek O
keseluruhan O
sistem O
, O
terminologi O
dan O
sistem O
informasi O
, O
kemudahan O
mempelajari O
sistem O
, O
kinerja O
sistem O
, O
dan O
antar O
muka O
pengguna. O
Responden O
pada O
evaluasi O
ini O
sama O
dengan O
responden O
pada O
uji O
SUS. O
Nilai O
QUIS O
didapatkan O
dari O
rata-rata O
seluruh O
aspek O
dimana O
nilai O
setiap O
aspeknya O
merupakan O
rata- O
rata O
tiap O
pernyataan O
yang O
memiliki O
rentang O
dari O
0-9. O
Berikut O
hasil O
uji O
QUIS O
pada O
penelitian O
ini. O
TABEL O
III O
QUESTIONNAIRE O
FOR O
USER O
INTERFACE O
SATISFACTION O
seluruh O
aspek O
sebesar O
7,6. O
Hal O
Berdasarkan O
hasil O
QUIS O
Pada O
Tabel O
23 O
dapat O
dilihat O
bahwa O
rata-rata O
total O
dari O
ini O
menandakan O
bahwa O
pengguna O
merasa O
cukup O
puas O
terhadap O
tampilan O
dan O
fungsi O
pada O
sistem O
yang O
telah O
dibangun. O
Meskipun O
tata O
letak O
informasi O
pada O
sistem O
ini O
masih O
kurang O
proporsional O
, O
Namun O
istilah O
yang O
digunakan O
pada O
sistem O
ini O
mudah O
dipahami O
dan O
sistem O
ini O
termasuk O
sistem O
yang O
mudah O
untuk O
dipelajari. O
dilakukan O
Berdasarkan O
hasil O
analisis O
, O
rancangan O
dan O
implementasi O
yang O
telah O
Peneliti O
bab-bab O
menyimpulkan O
sebagai O
berikut O
: O
1. O
sebelumnya O
, O
pada O
Penelitian O
ini O
telah O
berjalan O
sesuai O
dengan O
tujuan O
yang O
diharapkan O
, O
baik O
dari O
tujuan O
umum O
maupun O
tujuan O
khususnya O
yakni O
merancang B-TUJUAN
dan I-TUJUAN
membangun I-TUJUAN
Knowledge I-TUJUAN
Management I-TUJUAN
System I-TUJUAN
( I-TUJUAN
KMS I-TUJUAN
) I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
untuk I-TUJUAN
subdit I-TUJUAN
PKS. I-TUJUAN
Dimana O
, O
sistem O
ini O
dapat O
menjadi O
sarana O
berbagi O
informasi O
dan O
dapat O
mendokumentasikan O
setiap O
proses O
bisnis O
di O
subdit O
PKS O
dan O
dapat O
menyediakan O
solusi O
dari O
permasalahan O
yang O
sering O
ditanyakan O
oleh O
pihak O
terkait O
topik O
serta O
menyediakan O
fasilitas O
dengan O
berbagai O
upload O
/ O
download O
dokumen. O
Sistem B-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
dapat I-TEMUAN
dikatakan I-TEMUAN
layak I-TEMUAN
digunakan I-TEMUAN
karena I-TEMUAN
fungsi-fungsi I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
sudah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan. I-TEMUAN
Hal I-TEMUAN
ini I-TEMUAN
dapat I-TEMUAN
dilihat I-TEMUAN
dari I-TEMUAN
hasil I-TEMUAN
uji I-TEMUAN
evaluasi I-TEMUAN
sistem. I-TEMUAN
Saran O
Berdasarkan O
dari O
hasil O
evaluasi O
sistem O
dapat O
dikatakan O
bahwa O
sistem O
yang O
telah O
dibangun O
peneliti O
sudah O
baik. O
Fungsi O
atau O
fitur O
di O
dalam O
sistem O
juga O
sudah O
berjalan O
sesuai O
dengan O
yang O
diharapkan O
dan O
sesuai O
dengan O
kebutuhan O
pengguna. O
Namun O
masih O
diperlukan O
perbaikan O
terhadap O
tampilan O
sistem O
dimana O
tampilan O
pada O
sistem O
ini O
masih O
kurang O
responsif O
dan O
tata O
letak O
informasi O
yang O
kurang O
proporsional. O
Selain O
itu O
, O
penggunaan O
kata-kata O
didalam O
sistem O
masih O
kurang O
konsisten. O
Maka O
dari O
itu O
, O
diharapkan O
adanya O
pengembangan O
/ O
perbaikan O
sistem O
agar O
sistem O
ini O
lebih O
menarik O
sehingga O
lebih O
sering O
digunakan. O
2. O
B. O

Bangun O
Knowledge O
Management O
System O
Berbasis O
Web O
di O
Subdirektorat O
Pengembangan O
Kerangka O
Sampel O
BPS O
Nuzul O
Izzati O
Arifin O
( O
221709929 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
S O
, O
Ph.D O
dan O
pengembangan O
Ringkasan— O
Subdirektorat O
Pengembangan O
Kerangka O
Sampel O
( O
subdit O
PKS O
) O
memiliki O
tugas O
dan O
fungsi O
untuk O
pemeliharaan O
melaksanakan O
kerangka O
sampel O
bidang O
statistik O
sosial O
, O
produksi O
, O
serta O
distribusi O
dan O
jasa. O
Dalam O
menjalankan O
tugas O
tersebut O
, O
subdit O
PKS O
mengalami O
permasalahan O
baik O
dari O
proses O
kegiatan O
survei O
, O
dokumen O
mengenai O
survei O
, O
pelaporan O
hasil O
survei O
, O
maupun O
proses O
pengajuan O
pertanyaan. O
Hal O
ini O
disebabkan O
karena O
tidak O
adanya O
media O
untuk O
mendokumentasikan O
setiap O
kegiatan O
di O
subdit O
PKS. O
Maka O
dari O
itu O
, O
untuk O
mengatasi O
permasalahan O
tersebut O
, O
knowledge O
peneliti O
merancang B-TUJUAN
management I-TUJUAN
system I-TUJUAN
( I-TUJUAN
KMS I-TUJUAN
) I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
di I-TUJUAN
subdit I-TUJUAN
PKS. I-TUJUAN
Sistem O
tersebut O
dibangun O
menggunakan O
metode B-METODE
FAST. I-METODE
Sistem O
yang O
telah O
dibangun O
akan O
dievaluasi O
dengan O
3 O
( O
tiga O
) O
metode O
yakni O
black B-METODE
box I-METODE
testing I-METODE
, I-METODE
uji I-METODE
SUS I-METODE
, I-METODE
dan I-METODE
uji I-METODE
QUIS. I-METODE
Berdasarkan O
hasil O
uji O
evaluasi O
sistem O
, O
dapat B-TEMUAN
disimpulkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
layak I-TEMUAN
digunakan I-TEMUAN
karena I-TEMUAN
fungsi-fungsi I-TEMUAN
di I-TEMUAN
dalam I-TEMUAN
sistem I-TEMUAN
sudah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan I-TEMUAN
pengguna. I-TEMUAN
dan O
membangun O
Kata O
Kunci— O
KMS O
, O
PKS O
, O
Sistem O
, O
Web O
[SEP] O
A. O
Kesimpulan O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
uji I-TEMUAN
SUS I-TEMUAN
di I-TEMUAN
atas I-TEMUAN
dapat I-TEMUAN
dilihat I-TEMUAN
bahwa I-TEMUAN
rata- I-TEMUAN
rata I-TEMUAN
nilai I-TEMUAN
SUS I-TEMUAN
nya I-TEMUAN
adalah I-TEMUAN
84,5. I-TEMUAN
Hal I-TEMUAN
ini I-TEMUAN
menandakan I-TEMUAN
bahwa I-TEMUAN
fungsi-fungsi I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
di I-TEMUAN
dalam I-TEMUAN
sistem I-TEMUAN
ini I-TEMUAN
sudah I-TEMUAN
layak I-TEMUAN
digunakan I-TEMUAN
sesuai O
dengan O
peran O
masing-masing O
aktor O
tersebut O
meskipun O
masih O
terdapat O
penamaan O
yang O
tidak O
konsisten. O
Menurut O
dapat O
merepresentasikan O
fungsi O
yang O
ada O
pada O
sistem O
dengan O
kebutuhan O
pengguna O
sistem. O
pengujian O
peneliti O
, O
telah O
hasil O
ini O
3. O
QUIS O
( O
Questionnaire O
for O
User O
Interface O
Satisfaction O
) O
tampilan O
layar O
, O
QUIS O
bertujuan O
untuk O
mengevaluasi O
kepuasan O
pengguna O
terhadap O
aspek-aspek O
interaksi O
manusia O
dengan O
sistem O
komputer. O
Aspek O
tersebut O
terdiri O
dari O
aspek O
keseluruhan O
sistem O
, O
terminologi O
dan O
sistem O
informasi O
, O
kemudahan O
mempelajari O
sistem O
, O
kinerja O
sistem O
, O
dan O
antar O
muka O
pengguna. O
Responden O
pada O
evaluasi O
ini O
sama O
dengan O
responden O
pada O
uji O
SUS. O
Nilai O
QUIS O
didapatkan O
dari O
rata-rata O
seluruh O
aspek O
dimana O
nilai O
setiap O
aspeknya O
merupakan O
rata- O
rata O
tiap O
pernyataan O
yang O
memiliki O
rentang O
dari O
0-9. O
Berikut O
hasil O
uji O
QUIS O
pada O
penelitian O
ini. O
TABEL O
III O
QUESTIONNAIRE O
FOR O
USER O
INTERFACE O
SATISFACTION O
seluruh O
aspek O
sebesar O
7,6. O
Hal O
Berdasarkan O
hasil O
QUIS O
Pada O
Tabel O
23 O
dapat O
dilihat O
bahwa O
rata-rata O
total O
dari O
ini O
menandakan O
bahwa O
pengguna O
merasa O
cukup O
puas O
terhadap O
tampilan O
dan O
fungsi O
pada O
sistem O
yang O
telah O
dibangun. O
Meskipun O
tata O
letak O
informasi O
pada O
sistem O
ini O
masih O
kurang O
proporsional O
, O
Namun O
istilah O
yang O
digunakan O
pada O
sistem O
ini O
mudah O
dipahami O
dan O
sistem O
ini O
termasuk O
sistem O
yang O
mudah O
untuk O
dipelajari. O
dilakukan O
Berdasarkan O
hasil O
analisis O
, O
rancangan O
dan O
implementasi O
yang O
telah O
Peneliti O
bab-bab O
menyimpulkan O
sebagai O
berikut O
: O
1. O
sebelumnya O
, O
pada O
Penelitian O
ini O
telah O
berjalan O
sesuai O
dengan O
tujuan O
yang O
diharapkan O
, O
baik O
dari O
tujuan O
umum O
maupun O
tujuan O
khususnya O
yakni O
merancang B-TUJUAN
dan I-TUJUAN
membangun I-TUJUAN
Knowledge I-TUJUAN
Management I-TUJUAN
System I-TUJUAN
( I-TUJUAN
KMS I-TUJUAN
) I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
untuk I-TUJUAN
subdit I-TUJUAN
PKS. I-TUJUAN
Dimana O
, O
sistem O
ini O
dapat O
menjadi O
sarana O
berbagi O
informasi O
dan O
dapat O
mendokumentasikan O
setiap O
proses O
bisnis O
di O
subdit O
PKS O
dan O
dapat O
menyediakan O
solusi O
dari O
permasalahan O
yang O
sering O
ditanyakan O
oleh O
pihak O
terkait O
topik O
serta O
menyediakan O
fasilitas O
dengan O
berbagai O
upload O
/ O
download O
dokumen. O
Sistem B-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibangun I-TEMUAN
dapat I-TEMUAN
dikatakan I-TEMUAN
layak I-TEMUAN
digunakan I-TEMUAN
karena I-TEMUAN
fungsi-fungsi I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
sudah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan. I-TEMUAN
Hal I-TEMUAN
ini I-TEMUAN
dapat I-TEMUAN
dilihat I-TEMUAN
dari I-TEMUAN
hasil I-TEMUAN
uji I-TEMUAN
evaluasi I-TEMUAN
sistem. I-TEMUAN
Saran O
Berdasarkan O
dari O
hasil O
evaluasi O
sistem O
dapat O
dikatakan O
bahwa O
sistem O
yang O
telah O
dibangun O
peneliti O
sudah O
baik. O
Fungsi O
atau O
fitur O
di O
dalam O
sistem O
juga O
sudah O
berjalan O
sesuai O
dengan O
yang O
diharapkan O
dan O
sesuai O
dengan O
kebutuhan O
pengguna. O
Namun O
masih O
diperlukan O
perbaikan O
terhadap O
tampilan O
sistem O
dimana O
tampilan O
pada O
sistem O
ini O
masih O
kurang O
responsif O
dan O
tata O
letak O
informasi O
yang O
kurang O
proporsional. O
Selain O
itu O
, O
penggunaan O
kata-kata O
didalam O
sistem O
masih O
kurang O
konsisten. O
Maka O
dari O
itu O
, O
diharapkan O
adanya O
pengembangan O
/ O
perbaikan O
sistem O
agar O
sistem O
ini O
lebih O
menarik O
sehingga O
lebih O
sering O
digunakan. O
2. O
B. O

Sistem O
Informasi O
Pemberian O
Rekomendasi O
Tugas O
Belajar O
Jenjang O
Pendidikan O
Strata O
2 O
dan O
Strata O
3 O
di O
BPS O
Nurul O
Ni’mah O
( O
221709926 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
Sulistiadi O
, O
Ph.D. O
Ringkasan— O
Dalam O
meningkatkan O
kualitas O
pegawai O
melalui O
pendidikan O
, O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
dibantu O
Pusat O
Pendidikan O
dan O
Pelatihan O
( O
Pusdiklat O
) O
, O
salah O
satunya O
melalui O
program O
Tugas O
Belajar O
( O
TB O
) O
jenjang O
pendidikan O
Strata O
2 O
( O
S-2 O
) O
dan O
Strata O
3 O
( O
S-3 O
) O
. O
Realisasi O
pegawai O
BPS O
yang O
mendaftarkan O
diri O
sebagai O
calon O
peserta O
TB O
cenderung O
menurun. O
Untuk O
mengantisipasi O
hal O
tersebut O
, O
serta O
memudahkan O
dalam O
pemberian O
rekomendasi O
kepada O
pegawai O
yang O
diusulkan O
oleh O
pejabat O
eselon O
II O
, O
diperlukan O
suatu O
sistem O
informasi O
pemberian O
rekomendasi O
TB O
S-2 O
dan O
S-3. O
Penelitian O
ini O
bertujuan O
untuk O
mengembangkan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
pemberian I-TUJUAN
rekomendasi I-TUJUAN
kepada I-TUJUAN
pegawai I-TUJUAN
yang I-TUJUAN
sangat I-TUJUAN
direkomendasikan I-TUJUAN
, I-TUJUAN
cukup I-TUJUAN
direkomendasikan I-TUJUAN
, I-TUJUAN
atau I-TUJUAN
tidak I-TUJUAN
direkomendasikan I-TUJUAN
untuk I-TUJUAN
dapat I-TUJUAN
melanjutkan I-TUJUAN
pendidikan I-TUJUAN
ke I-TUJUAN
jenjang I-TUJUAN
S-2 I-TUJUAN
dan I-TUJUAN
S-3 I-TUJUAN
dengan I-TUJUAN
program I-TUJUAN
TB. I-TUJUAN
Pengambilan O
keputusan O
rekomendasi O
menggunakan O
metode B-METODE
Fuzzy I-METODE
Analytic I-METODE
Hierarchy I-METODE
Process I-METODE
( I-METODE
Fuzzy I-METODE
AHP I-METODE
) I-METODE
dengan O
kriteria O
dan O
subkriteria O
penilaian O
beserta O
bobotnya O
dapat O
diubah O
oleh O
pihak O
tertentu. O
Sistem O
dibangun O
dengan O
metode B-METODE
Framework I-METODE
for I-METODE
the I-METODE
Application I-METODE
of I-METODE
Systems I-METODE
Thinking I-METODE
( I-METODE
FAST I-METODE
) I-METODE
. O
Sistem O
dievaluasi O
dengan O
black B-METODE
box I-METODE
testing I-METODE
dengan O
hasil O
semua O
fungsi O
berjalan O
baik O
dan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
dengan O
hasil O
80,71 O
yang O
artinya O
sistem O
dapat O
diterima O
dengan O
baik O
oleh O
pengguna. O
Dengan O
adanya O
sistem O
ini O
diharapkan O
dapat O
membantu O
seleksi O
pegawai O
yang O
mengajukan O
diri O
serta O
memberikan O
kesempatan O
kepada O
pegawai O
yang O
dinilai O
layak O
untuk O
melanjutkan O
pendidikan O
dengan O
TB O
jenjang O
S-2 O
dan O
S-3 O
secara O
efisien O
dan O
mengurangi O
subjektivitas. O
Kata O
Kunci— O
Rekomendasi O
, O
tugas O
belajar O
, O
Fuzzy O
AHP O
, O
kriteria O
, O
subkriteria. O
[SEP] O
Berdasarkan O
penelitian O
selama O
ini O
dapat O
ditarik O
kesimpulan O
sementara O
dari O
hasil O
penelitian O
dan O
pembahasan O
sebagai O
berikut. O
7 O
/ O
8 O
Gambar O
12. O
Implementasi O
tampilan O
antarmuka O
data O
kriteria O
( O
atas O
) O
dan O
pembobotan O
kriteria O
( O
bawah O
) O
Gambar O
13. O
Implementasi O
tampilan O
antarmuka O
penilaian O
calon O
peserta O
Gambar O
14. O
Implementasi O
tampilan O
antarmuka O
input O
penilaian O
calon O
peserta O
G. O
Pengujian O
Sistem O
Informasi O
Sistem O
informasi O
diuji O
coba O
dengan O
menggunakan O
metode O
Black O
box O
testing O
dan O
SUS. O
Black O
box O
testing O
bertujuan O
untuk O
menguji O
fungsionalitas O
sistem O
tanpa O
melihat O
struktur O
kode O
internal O
dan O
informasi O
detail O
dari O
perangkat O
lunak O
yang O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
8 O
] O
Pusat O
Pendidikan O
dan O
Pelatihan O
Badan O
Pusat O
Statistik. O
( O
2020 O
, O
5 O
) O
. O
Penawaran O
Beasiswa O
S2 O
dan O
S3 O
APBN O
BPS O
Tahun O
2020. O
[ O
Online O
] O
. O
Available O
: O
https O
: O
/ O
/ O
www.pusdiklat-bps.id O
/ O
web O
/ O
berita O
/ O
26. O
[ O
9 O
] O
Pusat O
Pendidikan O
dan O
Pelatihan O
Badan O
Pusat O
Statistik. O
( O
2020 O
, O
5 O
) O
. O
Perpanjangan O
Batas O
Waktu O
Beasiswa O
S2 O
dan O
S3 O
APBN O
BPS O
Tahun O
2020. O
[ O
Online O
] O
. O
Available O
: O
https O
: O
/ O
/ O
www.pusdiklat-bps.id O
/ O
web O
/ O
berita O
/ O
28. O
[ O
10 O
] O
Pusat O
Pendidikan O
dan O
Pelatihan O
Badan O
Pusat O
Statistik. O
( O
2020 O
, O
6 O
) O
. O
Perpanjangan O
Batas O
Waktu O
Pendaftaran O
Beasiswa O
S2 O
dan O
S3 O
APBN O
BPS O
Tahun O
2020. O
[ O
Online O
] O
. O
Available O
: O
https O
: O
/ O
/ O
www.pusdiklat O
/ O
bps.id O
/ O
web O
/ O
berita O
/ O
34. O
[ O
11 O
] O
Badan O
Pusat O
Statistik O
, O
“Peraturan O
Kepala O
BPS O
Nomor O
48 O
Tahun O
2012 O
tentang O
Tugas O
Belajar O
, O
Izin O
Belajar O
, O
dan O
Kenaikan O
Pangkat O
Penyesuaian O
Ijazah O
Pegawai O
Negeri O
Sipil O
di O
Lingkungan O
Badan O
Pusat O
Statistik O
, O
” O
[ O
Online O
] O
. O
Available O
: O
https O
: O
/ O
/ O
jdih.bps.go.id O
/ O
files O
/ O
produk_hukum O
/ O
perka O
/ O
P0 O
82 O
01248.pdf. O
[ O
12 O
] O
J. O
F. O
Chen O
, O
H. O
N. O
Shieh O
, O
and O
Q. O
H. O
Do O
, O
“Evaluating O
teaching O
performance O
based O
on O
fuzzy O
AHP O
and O
comprehensive O
evaluation O
approach O
, O
” O
Applied O
Soft O
Computing O
, O
vol. O
28 O
, O
pp. O
100-108 O
, O
March O
2015. O
[ O
13 O
] O
A. O
Emrouznejad O
and O
W. O
Ho O
, O
Analytic O
Hierarchy O
Process O
and O
Fuzzy O
Set O
Theory O
in O
Fuzzy O
Analytic O
Hierarchy O
Process O
, O
pp. O
1-10 O
, O
Boca O
Raton O
: O
CRC O
Press O
, O
Taylor O
& O
Francis O
Group O
, O
2017. O
[ O
14 O
] O
I. O
Afifah O
, O
“Sistem O
Pendukung O
Keputusan O
Rekomendasi O
Kenaikan O
Jabatan O
Dosen O
UIN O
Maulana O
Malik O
Ibrahim O
Malang O
dengan O
metode O
Fuzzy O
AHP O
, O
” O
B.S. O
thesis O
, O
Fak. O
Sains O
dan O
Teknologi O
, O
Jurusan O
Teknik O
Informatika O
, O
Universitas O
Islam O
Negeri O
Maulana O
Malik O
Ibrahim O
, O
Malang O
, O
Indonesia. O
2018. O
[ O
Online O
] O
. O
Available O
: O
http O
: O
/ O
/ O
etheses.uin-malang.ac.id O
/ O
12558 O
/ O
1 O
/ O
14650 O
029.pdf. O
[ O
15 O
] O
R.R.N. O
Ramadhanty O
, O
Y. O
Anang O
, O
Y. O
Watanabe O
, O
and O
M. O
Takahashi O
, O
An O
Assessment O
of O
the O
Survey’s O
Officer O
Performance O
Using O
AHP O
, O
Proceedings O
of O
the O
17th O
Asian O
Network O
for O
Quality O
Congress O
2019 O
, O
Thailand O
, O
October O
2019. O
[ O
Online O
] O
. O
Available O
: O
https O
: O
/ O
/ O
stis.ac.id O
/ O
sipadu O
/ O
pegawai O
/ O
upload_jurnal O
/ O
file_1600073035.pdf. O
[ O
16 O
] O
A. O
Faisol O
, O
M. O
A. O
Muslim O
, O
and O
H. O
Suyono O
, O
“Komparasi O
Fuzzy O
AHP O
dengan O
AHP O
pada O
Sistem O
Pendukung O
Keputusan O
Investasi O
Properti O
, O
” O
in O
Jurnal O
Electrics O
, O
Electronics O
, O
Communications O
, O
Controls O
, O
Informatics O
, O
Systems O
( O
EECCIS O
) O
Universitas O
Brawijaya O
, O
Vol. O
8 O
, O
No. O
2 O
, O
pp. O
123-128 O
, O
Dec. O
2014. O
[ O
Online O
] O
. O
Available O
: O
https O
: O
/ O
/ O
jurnaleeccis.ub.ac.id O
/ O
index.php O
/ O
eeccis O
/ O
article O
/ O
download O
/ O
249 O
/ O
219. O
[ O
17 O
] O
A. O
Ozdagoglu O
and O
G. O
Ozdagoglu O
, O
“Comparison O
of O
AHP O
and O
Fuzzy O
AHP O
for O
The O
Multi-criteria O
Decision O
Making O
Process O
with O
Linguistic O
Evaluations” O
, O
Istanbul O
Ticaret O
Üniversitesi O
Fen O
Bilimleri O
Dergisi O
, O
pp. O
65- O
85 O
, O
2007. O
[ O
18 O
] O
D. O
Y. O
Chang O
, O
“Theory O
and O
Methodology O
: O
Applications O
of O
the O
extent O
analysis O
method O
on O
fuzzy O
AHP O
, O
” O
European O
Journal O
of O
Operational O
Research O
, O
vol. O
9 O
, O
pp. O
649-655 O
, O
Dec. O
1996. O
[ O
19 O
] O
J. O
L. O
Whitten O
and O
L. O
D. O
Bentley O
, O
Systems O
Analysis O
& O
Design O
Methods. O
New O
York O
: O
McGraw-Hill O
/ O
Irwin O
, O
2007. O
1. O
Berdasarkan O
analisis O
yang O
dilakukan O
pada O
proses O
pemberian O
rekomendasi O
kepada O
calon O
peserta O
Tugas O
Belajar O
terdapat O
celah O
risiko O
pengambilan O
keputusan O
dengan O
subjektivitas O
yang O
itu O
diperlukan O
pengembangan O
Sistem O
Informasi O
Pemberian O
Rekomendasi O
Tugas O
Belajar O
Jenjang O
Pendidikan O
S-2 O
dan O
S-3 O
di O
BPS O
Berbasis O
Web O
menggunakan O
Metode O
Fuzzy O
AHP. O
tinggi. O
Oleh O
karena O
2. O
Telah O
dibangun O
sistem O
pemberian O
rekomendasi O
yang O
dapat O
menilai O
calon O
peserta O
Tugas O
Belajar O
menggunakan O
indikator O
berupa O
kriteria O
dan O
subkriteria O
yang O
digunakan O
pada O
metode O
Fuzzy O
AHP O
yang O
didasarkan O
pada O
Persyaratan O
Tugas O
Belajar O
dalam O
Perka O
BPS O
Nomor O
48 O
tahun O
2012 O
, O
Surat O
Penawaran O
Beasiswa O
APBN O
BPS O
Tahun O
2020 O
, O
serta O
penyesuaian O
dengan O
kebutuhan O
melalui O
wawancara. O
Indikator O
kriteria O
dan O
subkriteria O
penilaian O
beserta O
bobotnya O
pada O
sistem O
informasi O
bersifat O
dinamis O
atau O
dapat O
diubah O
oleh O
pihak O
tertentu. O
Sebagai O
inisiasi O
, O
terdapat O
4 O
kriteria O
dan O
16 O
subkriteria. O
3. O
4. O
Sistem O
informasi O
dengan O
menggunakan O
metode O
Fuzzy O
AHP O
dapat O
memberikan O
keputusan O
terhadap O
calon O
peserta O
Tugas O
Belajar O
berupa O
sangat O
direkomendasikan O
, O
cukup O
direkomendasikan O
, O
dan O
tidak O
direkomendasikan. O
5. O
Telah O
dibangun O
sistem O
informasi O
pemberian O
rekomendasi O
berbasis O
web O
dengan O
hasil O
evaluasi O
dengan O
uji O
coba O
black O
box O
yang O
menunjukkan O
semua O
fungsi O
pada O
sistem O
berjalan O
dengan O
baik O
, O
evaluasi B-TEMUAN
dengan I-TEMUAN
kuesioner I-TEMUAN
SUS I-TEMUAN
( I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
) I-TEMUAN
yang I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
80,71 I-TEMUAN
yang I-TEMUAN
artinya I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
dan I-TEMUAN
layak I-TEMUAN
untuk I-TEMUAN
digunakan. I-TEMUAN
Saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
selanjutnya O
yaitu O
diharapkan O
pengembangan O
sistem O
dikolaborasikan O
dengan O
data O
kepegawaian O
maupun O
Simdiklat O
BPS O
sehingga O
beberapa O
data O
atau O
isian O
dapat O
terisi O
secara O
otomatis O
, O
serta O
dapat O
diujicobakan O
dengan O
persyaratan O
beasiswa O
APBN O
BPS O
periode O
terbaru. O

Sistem O
Informasi O
Pemberian O
Rekomendasi O
Tugas O
Belajar O
Jenjang O
Pendidikan O
Strata O
2 O
dan O
Strata O
3 O
di O
BPS O
Nurul O
Ni’mah O
( O
221709926 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
Sulistiadi O
, O
Ph.D. O
Ringkasan— O
Dalam O
meningkatkan O
kualitas O
pegawai O
melalui O
pendidikan O
, O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
dibantu O
Pusat O
Pendidikan O
dan O
Pelatihan O
( O
Pusdiklat O
) O
, O
salah O
satunya O
melalui O
program O
Tugas O
Belajar O
( O
TB O
) O
jenjang O
pendidikan O
Strata O
2 O
( O
S-2 O
) O
dan O
Strata O
3 O
( O
S-3 O
) O
. O
Realisasi O
pegawai O
BPS O
yang O
mendaftarkan O
diri O
sebagai O
calon O
peserta O
TB O
cenderung O
menurun. O
Untuk O
mengantisipasi O
hal O
tersebut O
, O
serta O
memudahkan O
dalam O
pemberian O
rekomendasi O
kepada O
pegawai O
yang O
diusulkan O
oleh O
pejabat O
eselon O
II O
, O
diperlukan O
suatu O
sistem O
informasi O
pemberian O
rekomendasi O
TB O
S-2 O
dan O
S-3. O
Penelitian O
ini O
bertujuan O
untuk O
mengembangkan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
pemberian I-TUJUAN
rekomendasi I-TUJUAN
kepada I-TUJUAN
pegawai I-TUJUAN
yang I-TUJUAN
sangat I-TUJUAN
direkomendasikan I-TUJUAN
, I-TUJUAN
cukup I-TUJUAN
direkomendasikan I-TUJUAN
, I-TUJUAN
atau I-TUJUAN
tidak I-TUJUAN
direkomendasikan I-TUJUAN
untuk I-TUJUAN
dapat I-TUJUAN
melanjutkan I-TUJUAN
pendidikan I-TUJUAN
ke I-TUJUAN
jenjang I-TUJUAN
S-2 I-TUJUAN
dan I-TUJUAN
S-3 I-TUJUAN
dengan I-TUJUAN
program I-TUJUAN
TB. I-TUJUAN
Pengambilan O
keputusan O
rekomendasi O
menggunakan O
metode B-METODE
Fuzzy I-METODE
Analytic I-METODE
Hierarchy I-METODE
Process I-METODE
( I-METODE
Fuzzy I-METODE
AHP I-METODE
) I-METODE
dengan O
kriteria O
dan O
subkriteria O
penilaian O
beserta O
bobotnya O
dapat O
diubah O
oleh O
pihak O
tertentu. O
Sistem O
dibangun O
dengan O
metode B-METODE
Framework I-METODE
for I-METODE
the I-METODE
Application I-METODE
of I-METODE
Systems I-METODE
Thinking I-METODE
( I-METODE
FAST I-METODE
) I-METODE
. O
Sistem O
dievaluasi O
dengan O
black B-METODE
box I-METODE
testing I-METODE
dengan O
hasil O
semua O
fungsi O
berjalan O
baik O
dan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
dengan O
hasil O
80,71 O
yang O
artinya O
sistem O
dapat O
diterima O
dengan O
baik O
oleh O
pengguna. O
Dengan O
adanya O
sistem O
ini O
diharapkan O
dapat O
membantu O
seleksi O
pegawai O
yang O
mengajukan O
diri O
serta O
memberikan O
kesempatan O
kepada O
pegawai O
yang O
dinilai O
layak O
untuk O
melanjutkan O
pendidikan O
dengan O
TB O
jenjang O
S-2 O
dan O
S-3 O
secara O
efisien O
dan O
mengurangi O
subjektivitas. O
Kata O
Kunci— O
Rekomendasi O
, O
tugas O
belajar O
, O
Fuzzy O
AHP O
, O
kriteria O
, O
subkriteria. O
[SEP] O
Berdasarkan O
penelitian O
selama O
ini O
dapat O
ditarik O
kesimpulan O
sementara O
dari O
hasil O
penelitian O
dan O
pembahasan O
sebagai O
berikut. O
7 O
/ O
8 O
Gambar O
12. O
Implementasi O
tampilan O
antarmuka O
data O
kriteria O
( O
atas O
) O
dan O
pembobotan O
kriteria O
( O
bawah O
) O
Gambar O
13. O
Implementasi O
tampilan O
antarmuka O
penilaian O
calon O
peserta O
Gambar O
14. O
Implementasi O
tampilan O
antarmuka O
input O
penilaian O
calon O
peserta O
G. O
Pengujian O
Sistem O
Informasi O
Sistem O
informasi O
diuji O
coba O
dengan O
menggunakan O
metode O
Black O
box O
testing O
dan O
SUS. O
Black O
box O
testing O
bertujuan O
untuk O
menguji O
fungsionalitas O
sistem O
tanpa O
melihat O
struktur O
kode O
internal O
dan O
informasi O
detail O
dari O
perangkat O
lunak O
yang O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
8 O
] O
Pusat O
Pendidikan O
dan O
Pelatihan O
Badan O
Pusat O
Statistik. O
( O
2020 O
, O
5 O
) O
. O
Penawaran O
Beasiswa O
S2 O
dan O
S3 O
APBN O
BPS O
Tahun O
2020. O
[ O
Online O
] O
. O
Available O
: O
https O
: O
/ O
/ O
www.pusdiklat-bps.id O
/ O
web O
/ O
berita O
/ O
26. O
[ O
9 O
] O
Pusat O
Pendidikan O
dan O
Pelatihan O
Badan O
Pusat O
Statistik. O
( O
2020 O
, O
5 O
) O
. O
Perpanjangan O
Batas O
Waktu O
Beasiswa O
S2 O
dan O
S3 O
APBN O
BPS O
Tahun O
2020. O
[ O
Online O
] O
. O
Available O
: O
https O
: O
/ O
/ O
www.pusdiklat-bps.id O
/ O
web O
/ O
berita O
/ O
28. O
[ O
10 O
] O
Pusat O
Pendidikan O
dan O
Pelatihan O
Badan O
Pusat O
Statistik. O
( O
2020 O
, O
6 O
) O
. O
Perpanjangan O
Batas O
Waktu O
Pendaftaran O
Beasiswa O
S2 O
dan O
S3 O
APBN O
BPS O
Tahun O
2020. O
[ O
Online O
] O
. O
Available O
: O
https O
: O
/ O
/ O
www.pusdiklat O
/ O
bps.id O
/ O
web O
/ O
berita O
/ O
34. O
[ O
11 O
] O
Badan O
Pusat O
Statistik O
, O
“Peraturan O
Kepala O
BPS O
Nomor O
48 O
Tahun O
2012 O
tentang O
Tugas O
Belajar O
, O
Izin O
Belajar O
, O
dan O
Kenaikan O
Pangkat O
Penyesuaian O
Ijazah O
Pegawai O
Negeri O
Sipil O
di O
Lingkungan O
Badan O
Pusat O
Statistik O
, O
” O
[ O
Online O
] O
. O
Available O
: O
https O
: O
/ O
/ O
jdih.bps.go.id O
/ O
files O
/ O
produk_hukum O
/ O
perka O
/ O
P0 O
82 O
01248.pdf. O
[ O
12 O
] O
J. O
F. O
Chen O
, O
H. O
N. O
Shieh O
, O
and O
Q. O
H. O
Do O
, O
“Evaluating O
teaching O
performance O
based O
on O
fuzzy O
AHP O
and O
comprehensive O
evaluation O
approach O
, O
” O
Applied O
Soft O
Computing O
, O
vol. O
28 O
, O
pp. O
100-108 O
, O
March O
2015. O
[ O
13 O
] O
A. O
Emrouznejad O
and O
W. O
Ho O
, O
Analytic O
Hierarchy O
Process O
and O
Fuzzy O
Set O
Theory O
in O
Fuzzy O
Analytic O
Hierarchy O
Process O
, O
pp. O
1-10 O
, O
Boca O
Raton O
: O
CRC O
Press O
, O
Taylor O
& O
Francis O
Group O
, O
2017. O
[ O
14 O
] O
I. O
Afifah O
, O
“Sistem O
Pendukung O
Keputusan O
Rekomendasi O
Kenaikan O
Jabatan O
Dosen O
UIN O
Maulana O
Malik O
Ibrahim O
Malang O
dengan O
metode O
Fuzzy O
AHP O
, O
” O
B.S. O
thesis O
, O
Fak. O
Sains O
dan O
Teknologi O
, O
Jurusan O
Teknik O
Informatika O
, O
Universitas O
Islam O
Negeri O
Maulana O
Malik O
Ibrahim O
, O
Malang O
, O
Indonesia. O
2018. O
[ O
Online O
] O
. O
Available O
: O
http O
: O
/ O
/ O
etheses.uin-malang.ac.id O
/ O
12558 O
/ O
1 O
/ O
14650 O
029.pdf. O
[ O
15 O
] O
R.R.N. O
Ramadhanty O
, O
Y. O
Anang O
, O
Y. O
Watanabe O
, O
and O
M. O
Takahashi O
, O
An O
Assessment O
of O
the O
Survey’s O
Officer O
Performance O
Using O
AHP O
, O
Proceedings O
of O
the O
17th O
Asian O
Network O
for O
Quality O
Congress O
2019 O
, O
Thailand O
, O
October O
2019. O
[ O
Online O
] O
. O
Available O
: O
https O
: O
/ O
/ O
stis.ac.id O
/ O
sipadu O
/ O
pegawai O
/ O
upload_jurnal O
/ O
file_1600073035.pdf. O
[ O
16 O
] O
A. O
Faisol O
, O
M. O
A. O
Muslim O
, O
and O
H. O
Suyono O
, O
“Komparasi O
Fuzzy O
AHP O
dengan O
AHP O
pada O
Sistem O
Pendukung O
Keputusan O
Investasi O
Properti O
, O
” O
in O
Jurnal O
Electrics O
, O
Electronics O
, O
Communications O
, O
Controls O
, O
Informatics O
, O
Systems O
( O
EECCIS O
) O
Universitas O
Brawijaya O
, O
Vol. O
8 O
, O
No. O
2 O
, O
pp. O
123-128 O
, O
Dec. O
2014. O
[ O
Online O
] O
. O
Available O
: O
https O
: O
/ O
/ O
jurnaleeccis.ub.ac.id O
/ O
index.php O
/ O
eeccis O
/ O
article O
/ O
download O
/ O
249 O
/ O
219. O
[ O
17 O
] O
A. O
Ozdagoglu O
and O
G. O
Ozdagoglu O
, O
“Comparison O
of O
AHP O
and O
Fuzzy O
AHP O
for O
The O
Multi-criteria O
Decision O
Making O
Process O
with O
Linguistic O
Evaluations” O
, O
Istanbul O
Ticaret O
Üniversitesi O
Fen O
Bilimleri O
Dergisi O
, O
pp. O
65- O
85 O
, O
2007. O
[ O
18 O
] O
D. O
Y. O
Chang O
, O
“Theory O
and O
Methodology O
: O
Applications O
of O
the O
extent O
analysis O
method O
on O
fuzzy O
AHP O
, O
” O
European O
Journal O
of O
Operational O
Research O
, O
vol. O
9 O
, O
pp. O
649-655 O
, O
Dec. O
1996. O
[ O
19 O
] O
J. O
L. O
Whitten O
and O
L. O
D. O
Bentley O
, O
Systems O
Analysis O
& O
Design O
Methods. O
New O
York O
: O
McGraw-Hill O
/ O
Irwin O
, O
2007. O
1. O
Berdasarkan O
analisis O
yang O
dilakukan O
pada O
proses O
pemberian O
rekomendasi O
kepada O
calon O
peserta O
Tugas O
Belajar O
terdapat O
celah O
risiko O
pengambilan O
keputusan O
dengan O
subjektivitas O
yang O
itu O
diperlukan O
pengembangan O
Sistem O
Informasi O
Pemberian O
Rekomendasi O
Tugas O
Belajar O
Jenjang O
Pendidikan O
S-2 O
dan O
S-3 O
di O
BPS O
Berbasis O
Web O
menggunakan O
Metode O
Fuzzy O
AHP. O
tinggi. O
Oleh O
karena O
2. O
Telah O
dibangun O
sistem O
pemberian O
rekomendasi O
yang O
dapat O
menilai O
calon O
peserta O
Tugas O
Belajar O
menggunakan O
indikator O
berupa O
kriteria O
dan O
subkriteria O
yang O
digunakan O
pada O
metode O
Fuzzy O
AHP O
yang O
didasarkan O
pada O
Persyaratan O
Tugas O
Belajar O
dalam O
Perka O
BPS O
Nomor O
48 O
tahun O
2012 O
, O
Surat O
Penawaran O
Beasiswa O
APBN O
BPS O
Tahun O
2020 O
, O
serta O
penyesuaian O
dengan O
kebutuhan O
melalui O
wawancara. O
Indikator O
kriteria O
dan O
subkriteria O
penilaian O
beserta O
bobotnya O
pada O
sistem O
informasi O
bersifat O
dinamis O
atau O
dapat O
diubah O
oleh O
pihak O
tertentu. O
Sebagai O
inisiasi O
, O
terdapat O
4 O
kriteria O
dan O
16 O
subkriteria. O
3. O
4. O
Sistem O
informasi O
dengan O
menggunakan O
metode O
Fuzzy O
AHP O
dapat O
memberikan O
keputusan O
terhadap O
calon O
peserta O
Tugas O
Belajar O
berupa O
sangat O
direkomendasikan O
, O
cukup O
direkomendasikan O
, O
dan O
tidak O
direkomendasikan. O
5. O
Telah O
dibangun O
sistem O
informasi O
pemberian O
rekomendasi O
berbasis O
web O
dengan O
hasil O
evaluasi O
dengan O
uji O
coba O
black O
box O
yang O
menunjukkan O
semua O
fungsi O
pada O
sistem O
berjalan O
dengan O
baik O
, O
evaluasi B-TEMUAN
dengan I-TEMUAN
kuesioner I-TEMUAN
SUS I-TEMUAN
( I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
) I-TEMUAN
yang I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
80,71 I-TEMUAN
yang I-TEMUAN
artinya I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
dan I-TEMUAN
layak I-TEMUAN
untuk I-TEMUAN
digunakan. I-TEMUAN
Saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
selanjutnya O
yaitu O
diharapkan O
pengembangan O
sistem O
dikolaborasikan O
dengan O
data O
kepegawaian O
maupun O
Simdiklat O
BPS O
sehingga O
beberapa O
data O
atau O
isian O
dapat O
terisi O
secara O
otomatis O
, O
serta O
dapat O
diujicobakan O
dengan O
persyaratan O
beasiswa O
APBN O
BPS O
periode O
terbaru. O

Sistem O
Informasi O
Pemberian O
Rekomendasi O
Tugas O
Belajar O
Jenjang O
Pendidikan O
Strata O
2 O
dan O
Strata O
3 O
di O
BPS O
Nurul O
Ni’mah O
( O
221709926 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
Sulistiadi O
, O
Ph.D. O
Ringkasan— O
Dalam O
meningkatkan O
kualitas O
pegawai O
melalui O
pendidikan O
, O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
dibantu O
Pusat O
Pendidikan O
dan O
Pelatihan O
( O
Pusdiklat O
) O
, O
salah O
satunya O
melalui O
program O
Tugas O
Belajar O
( O
TB O
) O
jenjang O
pendidikan O
Strata O
2 O
( O
S-2 O
) O
dan O
Strata O
3 O
( O
S-3 O
) O
. O
Realisasi O
pegawai O
BPS O
yang O
mendaftarkan O
diri O
sebagai O
calon O
peserta O
TB O
cenderung O
menurun. O
Untuk O
mengantisipasi O
hal O
tersebut O
, O
serta O
memudahkan O
dalam O
pemberian O
rekomendasi O
kepada O
pegawai O
yang O
diusulkan O
oleh O
pejabat O
eselon O
II O
, O
diperlukan O
suatu O
sistem O
informasi O
pemberian O
rekomendasi O
TB O
S-2 O
dan O
S-3. O
Penelitian O
ini O
bertujuan O
untuk O
mengembangkan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
pemberian I-TUJUAN
rekomendasi I-TUJUAN
kepada I-TUJUAN
pegawai I-TUJUAN
yang I-TUJUAN
sangat I-TUJUAN
direkomendasikan I-TUJUAN
, I-TUJUAN
cukup I-TUJUAN
direkomendasikan I-TUJUAN
, I-TUJUAN
atau I-TUJUAN
tidak I-TUJUAN
direkomendasikan I-TUJUAN
untuk I-TUJUAN
dapat I-TUJUAN
melanjutkan I-TUJUAN
pendidikan I-TUJUAN
ke I-TUJUAN
jenjang I-TUJUAN
S-2 I-TUJUAN
dan I-TUJUAN
S-3 I-TUJUAN
dengan I-TUJUAN
program I-TUJUAN
TB. I-TUJUAN
Pengambilan O
keputusan O
rekomendasi O
menggunakan O
metode B-METODE
Fuzzy I-METODE
Analytic I-METODE
Hierarchy I-METODE
Process I-METODE
( I-METODE
Fuzzy I-METODE
AHP I-METODE
) I-METODE
dengan O
kriteria O
dan O
subkriteria O
penilaian O
beserta O
bobotnya O
dapat O
diubah O
oleh O
pihak O
tertentu. O
Sistem O
dibangun O
dengan O
metode B-METODE
Framework I-METODE
for I-METODE
the I-METODE
Application I-METODE
of I-METODE
Systems I-METODE
Thinking I-METODE
( I-METODE
FAST I-METODE
) I-METODE
. O
Sistem O
dievaluasi O
dengan O
black B-METODE
box I-METODE
testing I-METODE
dengan O
hasil O
semua O
fungsi O
berjalan O
baik O
dan O
System B-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
dengan O
hasil O
80,71 O
yang O
artinya O
sistem O
dapat O
diterima O
dengan O
baik O
oleh O
pengguna. O
Dengan O
adanya O
sistem O
ini O
diharapkan O
dapat O
membantu O
seleksi O
pegawai O
yang O
mengajukan O
diri O
serta O
memberikan O
kesempatan O
kepada O
pegawai O
yang O
dinilai O
layak O
untuk O
melanjutkan O
pendidikan O
dengan O
TB O
jenjang O
S-2 O
dan O
S-3 O
secara O
efisien O
dan O
mengurangi O
subjektivitas. O
Kata O
Kunci— O
Rekomendasi O
, O
tugas O
belajar O
, O
Fuzzy O
AHP O
, O
kriteria O
, O
subkriteria. O
[SEP] O
Berdasarkan O
penelitian O
selama O
ini O
dapat O
ditarik O
kesimpulan O
sementara O
dari O
hasil O
penelitian O
dan O
pembahasan O
sebagai O
berikut. O
7 O
/ O
8 O
Gambar O
12. O
Implementasi O
tampilan O
antarmuka O
data O
kriteria O
( O
atas O
) O
dan O
pembobotan O
kriteria O
( O
bawah O
) O
Gambar O
13. O
Implementasi O
tampilan O
antarmuka O
penilaian O
calon O
peserta O
Gambar O
14. O
Implementasi O
tampilan O
antarmuka O
input O
penilaian O
calon O
peserta O
G. O
Pengujian O
Sistem O
Informasi O
Sistem O
informasi O
diuji O
coba O
dengan O
menggunakan O
metode O
Black O
box O
testing O
dan O
SUS. O
Black O
box O
testing O
bertujuan O
untuk O
menguji O
fungsionalitas O
sistem O
tanpa O
melihat O
struktur O
kode O
internal O
dan O
informasi O
detail O
dari O
perangkat O
lunak O
yang O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
8 O
] O
Pusat O
Pendidikan O
dan O
Pelatihan O
Badan O
Pusat O
Statistik. O
( O
2020 O
, O
5 O
) O
. O
Penawaran O
Beasiswa O
S2 O
dan O
S3 O
APBN O
BPS O
Tahun O
2020. O
[ O
Online O
] O
. O
Available O
: O
https O
: O
/ O
/ O
www.pusdiklat-bps.id O
/ O
web O
/ O
berita O
/ O
26. O
[ O
9 O
] O
Pusat O
Pendidikan O
dan O
Pelatihan O
Badan O
Pusat O
Statistik. O
( O
2020 O
, O
5 O
) O
. O
Perpanjangan O
Batas O
Waktu O
Beasiswa O
S2 O
dan O
S3 O
APBN O
BPS O
Tahun O
2020. O
[ O
Online O
] O
. O
Available O
: O
https O
: O
/ O
/ O
www.pusdiklat-bps.id O
/ O
web O
/ O
berita O
/ O
28. O
[ O
10 O
] O
Pusat O
Pendidikan O
dan O
Pelatihan O
Badan O
Pusat O
Statistik. O
( O
2020 O
, O
6 O
) O
. O
Perpanjangan O
Batas O
Waktu O
Pendaftaran O
Beasiswa O
S2 O
dan O
S3 O
APBN O
BPS O
Tahun O
2020. O
[ O
Online O
] O
. O
Available O
: O
https O
: O
/ O
/ O
www.pusdiklat O
/ O
bps.id O
/ O
web O
/ O
berita O
/ O
34. O
[ O
11 O
] O
Badan O
Pusat O
Statistik O
, O
“Peraturan O
Kepala O
BPS O
Nomor O
48 O
Tahun O
2012 O
tentang O
Tugas O
Belajar O
, O
Izin O
Belajar O
, O
dan O
Kenaikan O
Pangkat O
Penyesuaian O
Ijazah O
Pegawai O
Negeri O
Sipil O
di O
Lingkungan O
Badan O
Pusat O
Statistik O
, O
” O
[ O
Online O
] O
. O
Available O
: O
https O
: O
/ O
/ O
jdih.bps.go.id O
/ O
files O
/ O
produk_hukum O
/ O
perka O
/ O
P0 O
82 O
01248.pdf. O
[ O
12 O
] O
J. O
F. O
Chen O
, O
H. O
N. O
Shieh O
, O
and O
Q. O
H. O
Do O
, O
“Evaluating O
teaching O
performance O
based O
on O
fuzzy O
AHP O
and O
comprehensive O
evaluation O
approach O
, O
” O
Applied O
Soft O
Computing O
, O
vol. O
28 O
, O
pp. O
100-108 O
, O
March O
2015. O
[ O
13 O
] O
A. O
Emrouznejad O
and O
W. O
Ho O
, O
Analytic O
Hierarchy O
Process O
and O
Fuzzy O
Set O
Theory O
in O
Fuzzy O
Analytic O
Hierarchy O
Process O
, O
pp. O
1-10 O
, O
Boca O
Raton O
: O
CRC O
Press O
, O
Taylor O
& O
Francis O
Group O
, O
2017. O
[ O
14 O
] O
I. O
Afifah O
, O
“Sistem O
Pendukung O
Keputusan O
Rekomendasi O
Kenaikan O
Jabatan O
Dosen O
UIN O
Maulana O
Malik O
Ibrahim O
Malang O
dengan O
metode O
Fuzzy O
AHP O
, O
” O
B.S. O
thesis O
, O
Fak. O
Sains O
dan O
Teknologi O
, O
Jurusan O
Teknik O
Informatika O
, O
Universitas O
Islam O
Negeri O
Maulana O
Malik O
Ibrahim O
, O
Malang O
, O
Indonesia. O
2018. O
[ O
Online O
] O
. O
Available O
: O
http O
: O
/ O
/ O
etheses.uin-malang.ac.id O
/ O
12558 O
/ O
1 O
/ O
14650 O
029.pdf. O
[ O
15 O
] O
R.R.N. O
Ramadhanty O
, O
Y. O
Anang O
, O
Y. O
Watanabe O
, O
and O
M. O
Takahashi O
, O
An O
Assessment O
of O
the O
Survey’s O
Officer O
Performance O
Using O
AHP O
, O
Proceedings O
of O
the O
17th O
Asian O
Network O
for O
Quality O
Congress O
2019 O
, O
Thailand O
, O
October O
2019. O
[ O
Online O
] O
. O
Available O
: O
https O
: O
/ O
/ O
stis.ac.id O
/ O
sipadu O
/ O
pegawai O
/ O
upload_jurnal O
/ O
file_1600073035.pdf. O
[ O
16 O
] O
A. O
Faisol O
, O
M. O
A. O
Muslim O
, O
and O
H. O
Suyono O
, O
“Komparasi O
Fuzzy O
AHP O
dengan O
AHP O
pada O
Sistem O
Pendukung O
Keputusan O
Investasi O
Properti O
, O
” O
in O
Jurnal O
Electrics O
, O
Electronics O
, O
Communications O
, O
Controls O
, O
Informatics O
, O
Systems O
( O
EECCIS O
) O
Universitas O
Brawijaya O
, O
Vol. O
8 O
, O
No. O
2 O
, O
pp. O
123-128 O
, O
Dec. O
2014. O
[ O
Online O
] O
. O
Available O
: O
https O
: O
/ O
/ O
jurnaleeccis.ub.ac.id O
/ O
index.php O
/ O
eeccis O
/ O
article O
/ O
download O
/ O
249 O
/ O
219. O
[ O
17 O
] O
A. O
Ozdagoglu O
and O
G. O
Ozdagoglu O
, O
“Comparison O
of O
AHP O
and O
Fuzzy O
AHP O
for O
The O
Multi-criteria O
Decision O
Making O
Process O
with O
Linguistic O
Evaluations” O
, O
Istanbul O
Ticaret O
Üniversitesi O
Fen O
Bilimleri O
Dergisi O
, O
pp. O
65- O
85 O
, O
2007. O
[ O
18 O
] O
D. O
Y. O
Chang O
, O
“Theory O
and O
Methodology O
: O
Applications O
of O
the O
extent O
analysis O
method O
on O
fuzzy O
AHP O
, O
” O
European O
Journal O
of O
Operational O
Research O
, O
vol. O
9 O
, O
pp. O
649-655 O
, O
Dec. O
1996. O
[ O
19 O
] O
J. O
L. O
Whitten O
and O
L. O
D. O
Bentley O
, O
Systems O
Analysis O
& O
Design O
Methods. O
New O
York O
: O
McGraw-Hill O
/ O
Irwin O
, O
2007. O
1. O
Berdasarkan O
analisis O
yang O
dilakukan O
pada O
proses O
pemberian O
rekomendasi O
kepada O
calon O
peserta O
Tugas O
Belajar O
terdapat O
celah O
risiko O
pengambilan O
keputusan O
dengan O
subjektivitas O
yang O
itu O
diperlukan O
pengembangan O
Sistem O
Informasi O
Pemberian O
Rekomendasi O
Tugas O
Belajar O
Jenjang O
Pendidikan O
S-2 O
dan O
S-3 O
di O
BPS O
Berbasis O
Web O
menggunakan O
Metode O
Fuzzy O
AHP. O
tinggi. O
Oleh O
karena O
2. O
Telah O
dibangun O
sistem O
pemberian O
rekomendasi O
yang O
dapat O
menilai O
calon O
peserta O
Tugas O
Belajar O
menggunakan O
indikator O
berupa O
kriteria O
dan O
subkriteria O
yang O
digunakan O
pada O
metode O
Fuzzy O
AHP O
yang O
didasarkan O
pada O
Persyaratan O
Tugas O
Belajar O
dalam O
Perka O
BPS O
Nomor O
48 O
tahun O
2012 O
, O
Surat O
Penawaran O
Beasiswa O
APBN O
BPS O
Tahun O
2020 O
, O
serta O
penyesuaian O
dengan O
kebutuhan O
melalui O
wawancara. O
Indikator O
kriteria O
dan O
subkriteria O
penilaian O
beserta O
bobotnya O
pada O
sistem O
informasi O
bersifat O
dinamis O
atau O
dapat O
diubah O
oleh O
pihak O
tertentu. O
Sebagai O
inisiasi O
, O
terdapat O
4 O
kriteria O
dan O
16 O
subkriteria. O
3. O
4. O
Sistem O
informasi O
dengan O
menggunakan O
metode O
Fuzzy O
AHP O
dapat O
memberikan O
keputusan O
terhadap O
calon O
peserta O
Tugas O
Belajar O
berupa O
sangat O
direkomendasikan O
, O
cukup O
direkomendasikan O
, O
dan O
tidak O
direkomendasikan. O
5. O
Telah O
dibangun O
sistem O
informasi O
pemberian O
rekomendasi O
berbasis O
web O
dengan O
hasil O
evaluasi O
dengan O
uji O
coba O
black O
box O
yang O
menunjukkan O
semua O
fungsi O
pada O
sistem O
berjalan O
dengan O
baik O
, O
evaluasi B-TEMUAN
dengan I-TEMUAN
kuesioner I-TEMUAN
SUS I-TEMUAN
( I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
) I-TEMUAN
yang I-TEMUAN
memberikan I-TEMUAN
hasil I-TEMUAN
80,71 I-TEMUAN
yang I-TEMUAN
artinya I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
dan I-TEMUAN
layak I-TEMUAN
untuk I-TEMUAN
digunakan. I-TEMUAN
Saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
selanjutnya O
yaitu O
diharapkan O
pengembangan O
sistem O
dikolaborasikan O
dengan O
data O
kepegawaian O
maupun O
Simdiklat O
BPS O
sehingga O
beberapa O
data O
atau O
isian O
dapat O
terisi O
secara O
otomatis O
, O
serta O
dapat O
diujicobakan O
dengan O
persyaratan O
beasiswa O
APBN O
BPS O
periode O
terbaru. O

Sistem O
Peringatan O
Dini O
Dropout O
Politeknik O
Statistika O
STIS O
Menggunakan O
Analytic O
Hierarchy O
Process O
Naflah O
Ariqah O
( O
221709883 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph.D. O
Ringkasan— O
Sebagai O
lembaga O
pendidikan O
tinggi O
, O
Politeknik O
Statistika O
STIS O
juga O
menghadapi O
permasalahan O
yang O
sama O
seperti O
perguruan O
tinggi O
pada O
umumnya O
, O
yaitu O
mahasiswa O
tinggal O
kelas O
dan O
dropout. O
Untuk O
mengatasi O
masalah O
tersebut O
, O
penelitian O
ini O
mengajukan O
Dropout O
Early O
Warning O
System O
( O
DEWS O
) O
atau O
sistem O
peringatan O
dini O
dropout O
yang O
dapat O
memberikan O
peringatan O
dini O
dropout O
dan O
tinggal O
kelas. O
Dengan O
sistem O
ini O
institusi O
untuk O
memprediksi O
diharapkan O
dapat O
membantu O
mahasiswa O
yang O
berpotensi O
untuk O
dropout O
atau O
tinggal O
kelas. O
Tujuan O
dari O
pembuatan O
sistem O
ini O
yaitu O
untuk O
membantu B-TUJUAN
dosen I-TUJUAN
pembimbing I-TUJUAN
akademik I-TUJUAN
serta I-TUJUAN
pemangku I-TUJUAN
keputusan I-TUJUAN
Polstat I-TUJUAN
STIS I-TUJUAN
dalam O
mengetahui O
potensi O
dropout O
mahasiswa. O
Potensi O
mahasiswa O
dropout O
dan O
tinggal O
kelas O
diukur O
melalui O
sebuah O
skor O
potensi O
yang O
didapatkan O
dari O
hasil O
penilaian O
5 O
kriteria O
yaitu O
nilai O
IP O
, O
jenis O
kelamin O
, O
faktor O
ekonomi O
, O
poin O
pelanggaran O
, O
dan O
catatan O
tinggal O
kelas. O
Hasil O
prediksi O
disajikan O
dalam O
tiga O
kategori O
yaitu O
potensi O
rendah O
, O
potensi O
sedang O
, O
dan O
potensi O
tinggi O
yang O
dihitung O
dari O
hasil O
perhitungan O
pembobotan O
dengan O
menggunakan O
proses O
hierarki O
analitik O
atau O
Analytical B-METODE
Hierarchy I-METODE
Process I-METODE
( I-METODE
AHP I-METODE
) I-METODE
. I-METODE
Uji O
coba O
sistem O
menggunakan O
uji B-METODE
Black I-METODE
Box I-METODE
dan O
evaluasi O
metode O
perhitungan O
menggunakan O
confusion B-METODE
matrix. I-METODE
Kata O
Kunci— O
Dropout O
, O
AHP O
, O
Pendidikan O
, O
DEWS O
[SEP] O
Berdasarkan O
penelitian O
yang O
sudah O
dilakukan O
, O
diperoleh O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Telah B-TEMUAN
berhasil I-TEMUAN
membuat I-TEMUAN
model I-TEMUAN
prediksi I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
AHP I-TEMUAN
yang I-TEMUAN
menghasilkan I-TEMUAN
hasil I-TEMUAN
prediksi I-TEMUAN
mahasiswa I-TEMUAN
yang I-TEMUAN
berpotensi I-TEMUAN
dropout I-TEMUAN
dan I-TEMUAN
tinggal I-TEMUAN
kelas I-TEMUAN
hingga I-TEMUAN
menghasilkan I-TEMUAN
skor I-TEMUAN
potensi I-TEMUAN
mahasiswa I-TEMUAN
untuk I-TEMUAN
dropout I-TEMUAN
dan I-TEMUAN
tinggal I-TEMUAN
kelas. I-TEMUAN
2. O
Telah O
dibangun O
sebuah O
sistem O
informasi O
peringatan O
dini O
dropout O
dan O
tinggal O
kelas O
mahasiswa O
menggunakan O
metode B-TEMUAN
AHP I-TEMUAN
untuk I-TEMUAN
menghasilkan I-TEMUAN
skor I-TEMUAN
yang I-TEMUAN
dibagi I-TEMUAN
menjadi I-TEMUAN
3 I-TEMUAN
kategori I-TEMUAN
potensi I-TEMUAN
yaitu I-TEMUAN
potensi I-TEMUAN
rendah I-TEMUAN
, I-TEMUAN
potensi I-TEMUAN
sedang I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
potensi I-TEMUAN
tinggi I-TEMUAN
untuk I-TEMUAN
dropout I-TEMUAN
dan I-TEMUAN
tinggal I-TEMUAN
kelas. I-TEMUAN
3. O
Telah O
dibangun O
sistem O
yang O
mampu O
memberikan O
informasi O
potensi O
dropout O
dan O
tinggal O
kelas O
mahasiswa O
yang O
dapat O
digunakan O
sebagai O
bahan O
evaluasi. O
7.2. O
Saran O
Integrasi O
sistem O
dengan O
Sipadu O
Polstat O
STIS O
Berdasarkan O
hasil O
uji O
coba O
dan O
evaluasi O
, O
diperoleh O
beberapa O
saran O
yang O
dapat O
digunakan O
untuk O
penelitian O
selanjutnya O
yaitu O
: O
1. O
2. O
Pembuatan O
fungsi O
untuk O
memberikan O
kriteria O
secara O
dinamis O
agar O
sistem O
ini O
dapat O
mengikuti O
perubahan- O
perubahan O
kriteria O
dalam O
menentukan O
mahasiswa O
yang O
berpotensi O
untuk O
dropout O
dan O
tinggal O
kelas. O
3. O
Menggunakan O
nilai O
ujian O
PMB O
untuk O
digunakan O
sebagai O
salah O
satu O
kriteria O
dalam O
penilaian O
potensi O
dropout O
mahasiswa O
yang O
baru O
masuk. O
4. O
Memperkuat O
akurasi O
penilaian O
baik O
dari O
sisi O
penentuan O
prioritas O
ataupun O
pemilihan O
kriteria O
agar O
7 O
/ O
8 O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
lebih O
tepat O
dalam O
memprediksi O
mahasiswa O
yang O
berpotensi O
dropout O
dan O
tinggal O
kelas. O

Sistem O
Peringatan O
Dini O
Dropout O
Politeknik O
Statistika O
STIS O
Menggunakan O
Analytic O
Hierarchy O
Process O
Naflah O
Ariqah O
( O
221709883 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph.D. O
Ringkasan— O
Sebagai O
lembaga O
pendidikan O
tinggi O
, O
Politeknik O
Statistika O
STIS O
juga O
menghadapi O
permasalahan O
yang O
sama O
seperti O
perguruan O
tinggi O
pada O
umumnya O
, O
yaitu O
mahasiswa O
tinggal O
kelas O
dan O
dropout. O
Untuk O
mengatasi O
masalah O
tersebut O
, O
penelitian O
ini O
mengajukan O
Dropout O
Early O
Warning O
System O
( O
DEWS O
) O
atau O
sistem O
peringatan O
dini O
dropout O
yang O
dapat O
memberikan O
peringatan O
dini O
dropout O
dan O
tinggal O
kelas. O
Dengan O
sistem O
ini O
institusi O
untuk O
memprediksi O
diharapkan O
dapat O
membantu O
mahasiswa O
yang O
berpotensi O
untuk O
dropout O
atau O
tinggal O
kelas. O
Tujuan O
dari O
pembuatan O
sistem O
ini O
yaitu O
untuk O
membantu B-TUJUAN
dosen I-TUJUAN
pembimbing I-TUJUAN
akademik I-TUJUAN
serta I-TUJUAN
pemangku I-TUJUAN
keputusan I-TUJUAN
Polstat I-TUJUAN
STIS I-TUJUAN
dalam O
mengetahui O
potensi O
dropout O
mahasiswa. O
Potensi O
mahasiswa O
dropout O
dan O
tinggal O
kelas O
diukur O
melalui O
sebuah O
skor O
potensi O
yang O
didapatkan O
dari O
hasil O
penilaian O
5 O
kriteria O
yaitu O
nilai O
IP O
, O
jenis O
kelamin O
, O
faktor O
ekonomi O
, O
poin O
pelanggaran O
, O
dan O
catatan O
tinggal O
kelas. O
Hasil O
prediksi O
disajikan O
dalam O
tiga O
kategori O
yaitu O
potensi O
rendah O
, O
potensi O
sedang O
, O
dan O
potensi O
tinggi O
yang O
dihitung O
dari O
hasil O
perhitungan O
pembobotan O
dengan O
menggunakan O
proses O
hierarki O
analitik O
atau O
Analytical B-METODE
Hierarchy I-METODE
Process I-METODE
( I-METODE
AHP I-METODE
) I-METODE
. I-METODE
Uji O
coba O
sistem O
menggunakan O
uji B-METODE
Black I-METODE
Box I-METODE
dan O
evaluasi O
metode O
perhitungan O
menggunakan O
confusion B-METODE
matrix. I-METODE
Kata O
Kunci— O
Dropout O
, O
AHP O
, O
Pendidikan O
, O
DEWS O
[SEP] O
Berdasarkan O
penelitian O
yang O
sudah O
dilakukan O
, O
diperoleh O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Telah B-TEMUAN
berhasil I-TEMUAN
membuat I-TEMUAN
model I-TEMUAN
prediksi I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
AHP I-TEMUAN
yang I-TEMUAN
menghasilkan I-TEMUAN
hasil I-TEMUAN
prediksi I-TEMUAN
mahasiswa I-TEMUAN
yang I-TEMUAN
berpotensi I-TEMUAN
dropout I-TEMUAN
dan I-TEMUAN
tinggal I-TEMUAN
kelas I-TEMUAN
hingga I-TEMUAN
menghasilkan I-TEMUAN
skor I-TEMUAN
potensi I-TEMUAN
mahasiswa I-TEMUAN
untuk I-TEMUAN
dropout I-TEMUAN
dan I-TEMUAN
tinggal I-TEMUAN
kelas. I-TEMUAN
2. O
Telah O
dibangun O
sebuah O
sistem O
informasi O
peringatan O
dini O
dropout O
dan O
tinggal O
kelas O
mahasiswa O
menggunakan O
metode B-TEMUAN
AHP I-TEMUAN
untuk I-TEMUAN
menghasilkan I-TEMUAN
skor I-TEMUAN
yang I-TEMUAN
dibagi I-TEMUAN
menjadi I-TEMUAN
3 I-TEMUAN
kategori I-TEMUAN
potensi I-TEMUAN
yaitu I-TEMUAN
potensi I-TEMUAN
rendah I-TEMUAN
, I-TEMUAN
potensi I-TEMUAN
sedang I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
potensi I-TEMUAN
tinggi I-TEMUAN
untuk I-TEMUAN
dropout I-TEMUAN
dan I-TEMUAN
tinggal I-TEMUAN
kelas. I-TEMUAN
3. O
Telah O
dibangun O
sistem O
yang O
mampu O
memberikan O
informasi O
potensi O
dropout O
dan O
tinggal O
kelas O
mahasiswa O
yang O
dapat O
digunakan O
sebagai O
bahan O
evaluasi. O
7.2. O
Saran O
Integrasi O
sistem O
dengan O
Sipadu O
Polstat O
STIS O
Berdasarkan O
hasil O
uji O
coba O
dan O
evaluasi O
, O
diperoleh O
beberapa O
saran O
yang O
dapat O
digunakan O
untuk O
penelitian O
selanjutnya O
yaitu O
: O
1. O
2. O
Pembuatan O
fungsi O
untuk O
memberikan O
kriteria O
secara O
dinamis O
agar O
sistem O
ini O
dapat O
mengikuti O
perubahan- O
perubahan O
kriteria O
dalam O
menentukan O
mahasiswa O
yang O
berpotensi O
untuk O
dropout O
dan O
tinggal O
kelas. O
3. O
Menggunakan O
nilai O
ujian O
PMB O
untuk O
digunakan O
sebagai O
salah O
satu O
kriteria O
dalam O
penilaian O
potensi O
dropout O
mahasiswa O
yang O
baru O
masuk. O
4. O
Memperkuat O
akurasi O
penilaian O
baik O
dari O
sisi O
penentuan O
prioritas O
ataupun O
pemilihan O
kriteria O
agar O
7 O
/ O
8 O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
lebih O
tepat O
dalam O
memprediksi O
mahasiswa O
yang O
berpotensi O
dropout O
dan O
tinggal O
kelas. O

Sistem O
Peringatan O
Dini O
Dropout O
Politeknik O
Statistika O
STIS O
Menggunakan O
Analytic O
Hierarchy O
Process O
Naflah O
Ariqah O
( O
221709883 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph.D. O
Ringkasan— O
Sebagai O
lembaga O
pendidikan O
tinggi O
, O
Politeknik O
Statistika O
STIS O
juga O
menghadapi O
permasalahan O
yang O
sama O
seperti O
perguruan O
tinggi O
pada O
umumnya O
, O
yaitu O
mahasiswa O
tinggal O
kelas O
dan O
dropout. O
Untuk O
mengatasi O
masalah O
tersebut O
, O
penelitian O
ini O
mengajukan O
Dropout O
Early O
Warning O
System O
( O
DEWS O
) O
atau O
sistem O
peringatan O
dini O
dropout O
yang O
dapat O
memberikan O
peringatan O
dini O
dropout O
dan O
tinggal O
kelas. O
Dengan O
sistem O
ini O
institusi O
untuk O
memprediksi O
diharapkan O
dapat O
membantu O
mahasiswa O
yang O
berpotensi O
untuk O
dropout O
atau O
tinggal O
kelas. O
Tujuan O
dari O
pembuatan O
sistem O
ini O
yaitu O
untuk O
membantu B-TUJUAN
dosen I-TUJUAN
pembimbing I-TUJUAN
akademik I-TUJUAN
serta I-TUJUAN
pemangku I-TUJUAN
keputusan I-TUJUAN
Polstat I-TUJUAN
STIS I-TUJUAN
dalam O
mengetahui O
potensi O
dropout O
mahasiswa. O
Potensi O
mahasiswa O
dropout O
dan O
tinggal O
kelas O
diukur O
melalui O
sebuah O
skor O
potensi O
yang O
didapatkan O
dari O
hasil O
penilaian O
5 O
kriteria O
yaitu O
nilai O
IP O
, O
jenis O
kelamin O
, O
faktor O
ekonomi O
, O
poin O
pelanggaran O
, O
dan O
catatan O
tinggal O
kelas. O
Hasil O
prediksi O
disajikan O
dalam O
tiga O
kategori O
yaitu O
potensi O
rendah O
, O
potensi O
sedang O
, O
dan O
potensi O
tinggi O
yang O
dihitung O
dari O
hasil O
perhitungan O
pembobotan O
dengan O
menggunakan O
proses O
hierarki O
analitik O
atau O
Analytical B-METODE
Hierarchy I-METODE
Process I-METODE
( I-METODE
AHP I-METODE
) I-METODE
. I-METODE
Uji O
coba O
sistem O
menggunakan O
uji B-METODE
Black I-METODE
Box I-METODE
dan O
evaluasi O
metode O
perhitungan O
menggunakan O
confusion B-METODE
matrix. I-METODE
Kata O
Kunci— O
Dropout O
, O
AHP O
, O
Pendidikan O
, O
DEWS O
[SEP] O
Berdasarkan O
penelitian O
yang O
sudah O
dilakukan O
, O
diperoleh O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Telah B-TEMUAN
berhasil I-TEMUAN
membuat I-TEMUAN
model I-TEMUAN
prediksi I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
AHP I-TEMUAN
yang I-TEMUAN
menghasilkan I-TEMUAN
hasil I-TEMUAN
prediksi I-TEMUAN
mahasiswa I-TEMUAN
yang I-TEMUAN
berpotensi I-TEMUAN
dropout I-TEMUAN
dan I-TEMUAN
tinggal I-TEMUAN
kelas I-TEMUAN
hingga I-TEMUAN
menghasilkan I-TEMUAN
skor I-TEMUAN
potensi I-TEMUAN
mahasiswa I-TEMUAN
untuk I-TEMUAN
dropout I-TEMUAN
dan I-TEMUAN
tinggal I-TEMUAN
kelas. I-TEMUAN
2. O
Telah O
dibangun O
sebuah O
sistem O
informasi O
peringatan O
dini O
dropout O
dan O
tinggal O
kelas O
mahasiswa O
menggunakan O
metode B-TEMUAN
AHP I-TEMUAN
untuk I-TEMUAN
menghasilkan I-TEMUAN
skor I-TEMUAN
yang I-TEMUAN
dibagi I-TEMUAN
menjadi I-TEMUAN
3 I-TEMUAN
kategori I-TEMUAN
potensi I-TEMUAN
yaitu I-TEMUAN
potensi I-TEMUAN
rendah I-TEMUAN
, I-TEMUAN
potensi I-TEMUAN
sedang I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
potensi I-TEMUAN
tinggi I-TEMUAN
untuk I-TEMUAN
dropout I-TEMUAN
dan I-TEMUAN
tinggal I-TEMUAN
kelas. I-TEMUAN
3. O
Telah O
dibangun O
sistem O
yang O
mampu O
memberikan O
informasi O
potensi O
dropout O
dan O
tinggal O
kelas O
mahasiswa O
yang O
dapat O
digunakan O
sebagai O
bahan O
evaluasi. O
7.2. O
Saran O
Integrasi O
sistem O
dengan O
Sipadu O
Polstat O
STIS O
Berdasarkan O
hasil O
uji O
coba O
dan O
evaluasi O
, O
diperoleh O
beberapa O
saran O
yang O
dapat O
digunakan O
untuk O
penelitian O
selanjutnya O
yaitu O
: O
1. O
2. O
Pembuatan O
fungsi O
untuk O
memberikan O
kriteria O
secara O
dinamis O
agar O
sistem O
ini O
dapat O
mengikuti O
perubahan- O
perubahan O
kriteria O
dalam O
menentukan O
mahasiswa O
yang O
berpotensi O
untuk O
dropout O
dan O
tinggal O
kelas. O
3. O
Menggunakan O
nilai O
ujian O
PMB O
untuk O
digunakan O
sebagai O
salah O
satu O
kriteria O
dalam O
penilaian O
potensi O
dropout O
mahasiswa O
yang O
baru O
masuk. O
4. O
Memperkuat O
akurasi O
penilaian O
baik O
dari O
sisi O
penentuan O
prioritas O
ataupun O
pemilihan O
kriteria O
agar O
7 O
/ O
8 O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
lebih O
tepat O
dalam O
memprediksi O
mahasiswa O
yang O
berpotensi O
dropout O
dan O
tinggal O
kelas. O

Respon O
Publik O
Terhadap O
Pelaksanaan O
Program O
Pemulihan O
Ekonomi O
Nasional O
Melalui O
Data O
Twitter O
Nadiah O
„Ainayya O
Sholihah O
( O
221709878 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Nucke O
Widowati O
Kusumo O
Projo O
, O
S.Si O
, O
M.Sc O
, O
Ph.D. O
( O
WHO O
) O
Ringkasan—World O
Health O
Organization O
telah O
menetapkan O
bahwa O
COVID-19 O
merupakan O
pandemi O
yang O
telah O
menyebar O
ke O
seluruh O
dunia O
dan O
menyebabkan O
berbagai O
masalah O
diberbagai O
bidang O
[ O
1 O
] O
. O
Di O
Indonesia O
, O
kebijakan O
PP O
23 O
/ O
2020 O
tentang O
Pelaksanaan O
Program O
Pemulihan O
Ekonomi O
Nasional O
( O
PEN O
) O
ditetapkan O
sebagai O
solusi O
untuk O
mengatasi O
masalah O
dibidang O
ekonomi. O
Selanjutnya O
dilakukan B-TUJUAN
analisis I-TUJUAN
respon I-TUJUAN
publik I-TUJUAN
sebagai I-TUJUAN
bahan I-TUJUAN
penyempurnaan I-TUJUAN
kebijakan I-TUJUAN
tersebut. O
Hasilnya O
yaitu O
dari O
data O
hasil O
scraping B-METODE
twitter O
diketahui O
bahwa O
respon O
publik O
tinggi O
hanya O
pada O
tanggal O
ditetapkannya O
kebijakan O
tersebut O
, O
lalu O
pada O
tanggal-tanggal O
selanjutnya O
jumlah O
tweet O
cenderung O
konstan. O
Selanjutnya O
, O
dilakukan O
analisis B-METODE
sentimen I-METODE
dengan O
Multinomial O
NBC. O
Hasilnya B-TEMUAN
menunjukan I-TEMUAN
bahwa I-TEMUAN
tweet I-TEMUAN
mengenai I-TEMUAN
Program I-TEMUAN
PEN I-TEMUAN
didominasi I-TEMUAN
oleh I-TEMUAN
opini I-TEMUAN
netral. I-TEMUAN
Kemudian O
, O
diperoleh O
empat O
topik O
yang O
diperoleh O
dari O
topic B-METODE
modelling I-METODE
yang O
menjadi O
tren O
percakapan O
di O
twitter O
mengenai O
Program O
PEN O
yaitu O
tweet O
berupa O
laporan O
penyerahan O
bantuan O
di O
daerah O
, O
Program B-TEMUAN
PEN I-TEMUAN
UMKM I-TEMUAN
dan I-TEMUAN
padat I-TEMUAN
karya I-TEMUAN
mendukung I-TEMUAN
pemulihan I-TEMUAN
laporan I-TEMUAN
pelaksanaan I-TEMUAN
padat I-TEMUAN
karya I-TEMUAN
mangrove I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
tweet I-TEMUAN
yang I-TEMUAN
tidak I-TEMUAN
berhubungan I-TEMUAN
dengan I-TEMUAN
Program I-TEMUAN
PEN. I-TEMUAN
ekonomi O
, O
Kata O
Kunci— O
twitter O
, O
program O
PEN O
, O
analisis O
sentimen O
, O
topic O
modelling. O
[SEP] O
Setelah O
melakukan O
analisis B-METODE
deskriptif I-METODE
, I-METODE
analisis I-METODE
sentimen I-METODE
, I-METODE
dan I-METODE
topic I-METODE
modelling I-METODE
, O
maka O
didapat O
beberpaa O
kesimpulan O
yaitu O
1. O
Respon O
publik O
mengenai O
tweet O
Program O
PEN O
hanya O
tinggi O
pada O
tanggal O
ditetapkannya O
kebijakan O
tersebut. O
Sedangkan O
pada O
tanggal-tanggal O
selanjutnya O
, O
jumlahnya O
tweet O
cenderung O
konstan. O
Lima O
username O
dengan O
terbanyak O
memiliki O
nama O
yang O
menunjukan O
bahwa O
mereka O
adalah O
akun O
pribadi. O
Gambar O
14. O
Visualisasi O
topic O
modelling O
menggunakan O
pyLDAvis O
Bagian O
1 O
Gambar O
15. O
Visualisasi O
topic O
modelling O
menggunakan O
pyLDAvis O
Bagian O
2. O
2. O
Hasil O
analisis O
sentimen O
menunjukan O
bahwa O
tweet O
Program O
PEN O
didominasi O
oleh O
opini O
netral. O
Hal O
ini O
berarti O
, O
mayoritas O
pengguna O
twitter O
hanya O
menyerap O
informasi O
mengenai O
PEN O
melalui O
berita O
dan O
membuat O
tweet O
berupa O
progress O
pelaksanaan O
Program O
PEN. O
3. O
Data O
tweet O
tentang O
Program O
PEN O
terdiri O
dari O
tiga O
topik O
menurut O
hasil O
skor O
koherensi O
topic O
modelling. O
Berikut O
merupakan O
empat O
topik O
yang O
dibentuk O
menggunakan O
metode O
( O
Latent O
Dirichlet O
Allocation O
) O
: O
 B-TEMUAN
Topik I-TEMUAN
1 I-TEMUAN
( I-TEMUAN
Laporan I-TEMUAN
penyerahan I-TEMUAN
bantuan I-TEMUAN
di I-TEMUAN
daerah I-TEMUAN
) I-TEMUAN
 I-TEMUAN
Topik I-TEMUAN
2 I-TEMUAN
( I-TEMUAN
Program I-TEMUAN
PEN I-TEMUAN
UMKM I-TEMUAN
dan I-TEMUAN
padat I-TEMUAN
karya I-TEMUAN
topic I-TEMUAN
modelling I-TEMUAN
LDA I-TEMUAN
mendukung I-TEMUAN
pemulihan I-TEMUAN
ekonomi I-TEMUAN
) I-TEMUAN
 I-TEMUAN
Topik I-TEMUAN
3 I-TEMUAN
mangrove I-TEMUAN
) I-TEMUAN
( I-TEMUAN
Laporan I-TEMUAN
pelaksanaan I-TEMUAN
padat I-TEMUAN
karya I-TEMUAN
 I-TEMUAN
Topik I-TEMUAN
4 I-TEMUAN
( I-TEMUAN
tweet I-TEMUAN
yang I-TEMUAN
tidak I-TEMUAN
berhubungan I-TEMUAN
dengan I-TEMUAN
program I-TEMUAN
PEN I-TEMUAN
) I-TEMUAN
Peneliti O
menyarankan O
pemerintah O
untuk O
segera O
menyempurnakan O
kebijakan O
Pelaksanaan O
Program O
PEN. O
Hal O
tersebut O
karena O
banyak O
tweet O
dengan O
opini O
negatif O
yang O
menyebutkan O
bahwa O
bantuan O
yang O
diberikan O
belum O
tepat O
sasaran O
, O
yang O
ditandai O
dengan O
kata O
pada O
word O
cloud O
tweet O
berlabel O
negatif O
pada O
Gambar O
9 O
seperti O
„korupsi‟ O
, O
„cair‟ O
, O
„mohon‟ O
, O
dst. O

Respon O
Publik O
Terhadap O
Pelaksanaan O
Program O
Pemulihan O
Ekonomi O
Nasional O
Melalui O
Data O
Twitter O
Nadiah O
„Ainayya O
Sholihah O
( O
221709878 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Nucke O
Widowati O
Kusumo O
Projo O
, O
S.Si O
, O
M.Sc O
, O
Ph.D. O
( O
WHO O
) O
Ringkasan—World O
Health O
Organization O
telah O
menetapkan O
bahwa O
COVID-19 O
merupakan O
pandemi O
yang O
telah O
menyebar O
ke O
seluruh O
dunia O
dan O
menyebabkan O
berbagai O
masalah O
diberbagai O
bidang O
[ O
1 O
] O
. O
Di O
Indonesia O
, O
kebijakan O
PP O
23 O
/ O
2020 O
tentang O
Pelaksanaan O
Program O
Pemulihan O
Ekonomi O
Nasional O
( O
PEN O
) O
ditetapkan O
sebagai O
solusi O
untuk O
mengatasi O
masalah O
dibidang O
ekonomi. O
Selanjutnya O
dilakukan B-TUJUAN
analisis I-TUJUAN
respon I-TUJUAN
publik I-TUJUAN
sebagai I-TUJUAN
bahan I-TUJUAN
penyempurnaan I-TUJUAN
kebijakan I-TUJUAN
tersebut. O
Hasilnya O
yaitu O
dari O
data O
hasil O
scraping B-METODE
twitter O
diketahui O
bahwa O
respon O
publik O
tinggi O
hanya O
pada O
tanggal O
ditetapkannya O
kebijakan O
tersebut O
, O
lalu O
pada O
tanggal-tanggal O
selanjutnya O
jumlah O
tweet O
cenderung O
konstan. O
Selanjutnya O
, O
dilakukan O
analisis B-METODE
sentimen I-METODE
dengan O
Multinomial O
NBC. O
Hasilnya B-TEMUAN
menunjukan I-TEMUAN
bahwa I-TEMUAN
tweet I-TEMUAN
mengenai I-TEMUAN
Program I-TEMUAN
PEN I-TEMUAN
didominasi I-TEMUAN
oleh I-TEMUAN
opini I-TEMUAN
netral. I-TEMUAN
Kemudian O
, O
diperoleh O
empat O
topik O
yang O
diperoleh O
dari O
topic B-METODE
modelling I-METODE
yang O
menjadi O
tren O
percakapan O
di O
twitter O
mengenai O
Program O
PEN O
yaitu O
tweet O
berupa O
laporan O
penyerahan O
bantuan O
di O
daerah O
, O
Program B-TEMUAN
PEN I-TEMUAN
UMKM I-TEMUAN
dan I-TEMUAN
padat I-TEMUAN
karya I-TEMUAN
mendukung I-TEMUAN
pemulihan I-TEMUAN
laporan I-TEMUAN
pelaksanaan I-TEMUAN
padat I-TEMUAN
karya I-TEMUAN
mangrove I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
tweet I-TEMUAN
yang I-TEMUAN
tidak I-TEMUAN
berhubungan I-TEMUAN
dengan I-TEMUAN
Program I-TEMUAN
PEN. I-TEMUAN
ekonomi O
, O
Kata O
Kunci— O
twitter O
, O
program O
PEN O
, O
analisis O
sentimen O
, O
topic O
modelling. O
[SEP] O
Setelah O
melakukan O
analisis B-METODE
deskriptif I-METODE
, I-METODE
analisis I-METODE
sentimen I-METODE
, I-METODE
dan I-METODE
topic I-METODE
modelling I-METODE
, O
maka O
didapat O
beberpaa O
kesimpulan O
yaitu O
1. O
Respon O
publik O
mengenai O
tweet O
Program O
PEN O
hanya O
tinggi O
pada O
tanggal O
ditetapkannya O
kebijakan O
tersebut. O
Sedangkan O
pada O
tanggal-tanggal O
selanjutnya O
, O
jumlahnya O
tweet O
cenderung O
konstan. O
Lima O
username O
dengan O
terbanyak O
memiliki O
nama O
yang O
menunjukan O
bahwa O
mereka O
adalah O
akun O
pribadi. O
Gambar O
14. O
Visualisasi O
topic O
modelling O
menggunakan O
pyLDAvis O
Bagian O
1 O
Gambar O
15. O
Visualisasi O
topic O
modelling O
menggunakan O
pyLDAvis O
Bagian O
2. O
2. O
Hasil O
analisis O
sentimen O
menunjukan O
bahwa O
tweet O
Program O
PEN O
didominasi O
oleh O
opini O
netral. O
Hal O
ini O
berarti O
, O
mayoritas O
pengguna O
twitter O
hanya O
menyerap O
informasi O
mengenai O
PEN O
melalui O
berita O
dan O
membuat O
tweet O
berupa O
progress O
pelaksanaan O
Program O
PEN. O
3. O
Data O
tweet O
tentang O
Program O
PEN O
terdiri O
dari O
tiga O
topik O
menurut O
hasil O
skor O
koherensi O
topic O
modelling. O
Berikut O
merupakan O
empat O
topik O
yang O
dibentuk O
menggunakan O
metode O
( O
Latent O
Dirichlet O
Allocation O
) O
: O
 B-TEMUAN
Topik I-TEMUAN
1 I-TEMUAN
( I-TEMUAN
Laporan I-TEMUAN
penyerahan I-TEMUAN
bantuan I-TEMUAN
di I-TEMUAN
daerah I-TEMUAN
) I-TEMUAN
 I-TEMUAN
Topik I-TEMUAN
2 I-TEMUAN
( I-TEMUAN
Program I-TEMUAN
PEN I-TEMUAN
UMKM I-TEMUAN
dan I-TEMUAN
padat I-TEMUAN
karya I-TEMUAN
topic I-TEMUAN
modelling I-TEMUAN
LDA I-TEMUAN
mendukung I-TEMUAN
pemulihan I-TEMUAN
ekonomi I-TEMUAN
) I-TEMUAN
 I-TEMUAN
Topik I-TEMUAN
3 I-TEMUAN
mangrove I-TEMUAN
) I-TEMUAN
( I-TEMUAN
Laporan I-TEMUAN
pelaksanaan I-TEMUAN
padat I-TEMUAN
karya I-TEMUAN
 I-TEMUAN
Topik I-TEMUAN
4 I-TEMUAN
( I-TEMUAN
tweet I-TEMUAN
yang I-TEMUAN
tidak I-TEMUAN
berhubungan I-TEMUAN
dengan I-TEMUAN
program I-TEMUAN
PEN I-TEMUAN
) I-TEMUAN
Peneliti O
menyarankan O
pemerintah O
untuk O
segera O
menyempurnakan O
kebijakan O
Pelaksanaan O
Program O
PEN. O
Hal O
tersebut O
karena O
banyak O
tweet O
dengan O
opini O
negatif O
yang O
menyebutkan O
bahwa O
bantuan O
yang O
diberikan O
belum O
tepat O
sasaran O
, O
yang O
ditandai O
dengan O
kata O
pada O
word O
cloud O
tweet O
berlabel O
negatif O
pada O
Gambar O
9 O
seperti O
„korupsi‟ O
, O
„cair‟ O
, O
„mohon‟ O
, O
dst. O

Respon O
Publik O
Terhadap O
Pelaksanaan O
Program O
Pemulihan O
Ekonomi O
Nasional O
Melalui O
Data O
Twitter O
Nadiah O
„Ainayya O
Sholihah O
( O
221709878 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Nucke O
Widowati O
Kusumo O
Projo O
, O
S.Si O
, O
M.Sc O
, O
Ph.D. O
( O
WHO O
) O
Ringkasan—World O
Health O
Organization O
telah O
menetapkan O
bahwa O
COVID-19 O
merupakan O
pandemi O
yang O
telah O
menyebar O
ke O
seluruh O
dunia O
dan O
menyebabkan O
berbagai O
masalah O
diberbagai O
bidang O
[ O
1 O
] O
. O
Di O
Indonesia O
, O
kebijakan O
PP O
23 O
/ O
2020 O
tentang O
Pelaksanaan O
Program O
Pemulihan O
Ekonomi O
Nasional O
( O
PEN O
) O
ditetapkan O
sebagai O
solusi O
untuk O
mengatasi O
masalah O
dibidang O
ekonomi. O
Selanjutnya O
dilakukan B-TUJUAN
analisis I-TUJUAN
respon I-TUJUAN
publik I-TUJUAN
sebagai I-TUJUAN
bahan I-TUJUAN
penyempurnaan I-TUJUAN
kebijakan I-TUJUAN
tersebut. O
Hasilnya O
yaitu O
dari O
data O
hasil O
scraping B-METODE
twitter O
diketahui O
bahwa O
respon O
publik O
tinggi O
hanya O
pada O
tanggal O
ditetapkannya O
kebijakan O
tersebut O
, O
lalu O
pada O
tanggal-tanggal O
selanjutnya O
jumlah O
tweet O
cenderung O
konstan. O
Selanjutnya O
, O
dilakukan O
analisis B-METODE
sentimen I-METODE
dengan O
Multinomial O
NBC. O
Hasilnya B-TEMUAN
menunjukan I-TEMUAN
bahwa I-TEMUAN
tweet I-TEMUAN
mengenai I-TEMUAN
Program I-TEMUAN
PEN I-TEMUAN
didominasi I-TEMUAN
oleh I-TEMUAN
opini I-TEMUAN
netral. I-TEMUAN
Kemudian O
, O
diperoleh O
empat O
topik O
yang O
diperoleh O
dari O
topic B-METODE
modelling I-METODE
yang O
menjadi O
tren O
percakapan O
di O
twitter O
mengenai O
Program O
PEN O
yaitu O
tweet O
berupa O
laporan O
penyerahan O
bantuan O
di O
daerah O
, O
Program B-TEMUAN
PEN I-TEMUAN
UMKM I-TEMUAN
dan I-TEMUAN
padat I-TEMUAN
karya I-TEMUAN
mendukung I-TEMUAN
pemulihan I-TEMUAN
laporan I-TEMUAN
pelaksanaan I-TEMUAN
padat I-TEMUAN
karya I-TEMUAN
mangrove I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
tweet I-TEMUAN
yang I-TEMUAN
tidak I-TEMUAN
berhubungan I-TEMUAN
dengan I-TEMUAN
Program I-TEMUAN
PEN. I-TEMUAN
ekonomi O
, O
Kata O
Kunci— O
twitter O
, O
program O
PEN O
, O
analisis O
sentimen O
, O
topic O
modelling. O
[SEP] O
Setelah O
melakukan O
analisis B-METODE
deskriptif I-METODE
, I-METODE
analisis I-METODE
sentimen I-METODE
, I-METODE
dan I-METODE
topic I-METODE
modelling I-METODE
, O
maka O
didapat O
beberpaa O
kesimpulan O
yaitu O
1. O
Respon O
publik O
mengenai O
tweet O
Program O
PEN O
hanya O
tinggi O
pada O
tanggal O
ditetapkannya O
kebijakan O
tersebut. O
Sedangkan O
pada O
tanggal-tanggal O
selanjutnya O
, O
jumlahnya O
tweet O
cenderung O
konstan. O
Lima O
username O
dengan O
terbanyak O
memiliki O
nama O
yang O
menunjukan O
bahwa O
mereka O
adalah O
akun O
pribadi. O
Gambar O
14. O
Visualisasi O
topic O
modelling O
menggunakan O
pyLDAvis O
Bagian O
1 O
Gambar O
15. O
Visualisasi O
topic O
modelling O
menggunakan O
pyLDAvis O
Bagian O
2. O
2. O
Hasil O
analisis O
sentimen O
menunjukan O
bahwa O
tweet O
Program O
PEN O
didominasi O
oleh O
opini O
netral. O
Hal O
ini O
berarti O
, O
mayoritas O
pengguna O
twitter O
hanya O
menyerap O
informasi O
mengenai O
PEN O
melalui O
berita O
dan O
membuat O
tweet O
berupa O
progress O
pelaksanaan O
Program O
PEN. O
3. O
Data O
tweet O
tentang O
Program O
PEN O
terdiri O
dari O
tiga O
topik O
menurut O
hasil O
skor O
koherensi O
topic O
modelling. O
Berikut O
merupakan O
empat O
topik O
yang O
dibentuk O
menggunakan O
metode O
( O
Latent O
Dirichlet O
Allocation O
) O
: O
 B-TEMUAN
Topik I-TEMUAN
1 I-TEMUAN
( I-TEMUAN
Laporan I-TEMUAN
penyerahan I-TEMUAN
bantuan I-TEMUAN
di I-TEMUAN
daerah I-TEMUAN
) I-TEMUAN
 I-TEMUAN
Topik I-TEMUAN
2 I-TEMUAN
( I-TEMUAN
Program I-TEMUAN
PEN I-TEMUAN
UMKM I-TEMUAN
dan I-TEMUAN
padat I-TEMUAN
karya I-TEMUAN
topic I-TEMUAN
modelling I-TEMUAN
LDA I-TEMUAN
mendukung I-TEMUAN
pemulihan I-TEMUAN
ekonomi I-TEMUAN
) I-TEMUAN
 I-TEMUAN
Topik I-TEMUAN
3 I-TEMUAN
mangrove I-TEMUAN
) I-TEMUAN
( I-TEMUAN
Laporan I-TEMUAN
pelaksanaan I-TEMUAN
padat I-TEMUAN
karya I-TEMUAN
 I-TEMUAN
Topik I-TEMUAN
4 I-TEMUAN
( I-TEMUAN
tweet I-TEMUAN
yang I-TEMUAN
tidak I-TEMUAN
berhubungan I-TEMUAN
dengan I-TEMUAN
program I-TEMUAN
PEN I-TEMUAN
) I-TEMUAN
Peneliti O
menyarankan O
pemerintah O
untuk O
segera O
menyempurnakan O
kebijakan O
Pelaksanaan O
Program O
PEN. O
Hal O
tersebut O
karena O
banyak O
tweet O
dengan O
opini O
negatif O
yang O
menyebutkan O
bahwa O
bantuan O
yang O
diberikan O
belum O
tepat O
sasaran O
, O
yang O
ditandai O
dengan O
kata O
pada O
word O
cloud O
tweet O
berlabel O
negatif O
pada O
Gambar O
9 O
seperti O
„korupsi‟ O
, O
„cair‟ O
, O
„mohon‟ O
, O
dst. O

Respon O
Publik O
Terhadap O
Pelaksanaan O
Program O
Pemulihan O
Ekonomi O
Nasional O
Melalui O
Data O
Twitter O
Nadiah O
„Ainayya O
Sholihah O
( O
221709878 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Nucke O
Widowati O
Kusumo O
Projo O
, O
S.Si O
, O
M.Sc O
, O
Ph.D. O
( O
WHO O
) O
Ringkasan—World O
Health O
Organization O
telah O
menetapkan O
bahwa O
COVID-19 O
merupakan O
pandemi O
yang O
telah O
menyebar O
ke O
seluruh O
dunia O
dan O
menyebabkan O
berbagai O
masalah O
diberbagai O
bidang O
[ O
1 O
] O
. O
Di O
Indonesia O
, O
kebijakan O
PP O
23 O
/ O
2020 O
tentang O
Pelaksanaan O
Program O
Pemulihan O
Ekonomi O
Nasional O
( O
PEN O
) O
ditetapkan O
sebagai O
solusi O
untuk O
mengatasi O
masalah O
dibidang O
ekonomi. O
Selanjutnya O
dilakukan B-TUJUAN
analisis I-TUJUAN
respon I-TUJUAN
publik I-TUJUAN
sebagai I-TUJUAN
bahan I-TUJUAN
penyempurnaan I-TUJUAN
kebijakan I-TUJUAN
tersebut. O
Hasilnya O
yaitu O
dari O
data O
hasil O
scraping B-METODE
twitter O
diketahui O
bahwa O
respon O
publik O
tinggi O
hanya O
pada O
tanggal O
ditetapkannya O
kebijakan O
tersebut O
, O
lalu O
pada O
tanggal-tanggal O
selanjutnya O
jumlah O
tweet O
cenderung O
konstan. O
Selanjutnya O
, O
dilakukan O
analisis B-METODE
sentimen I-METODE
dengan O
Multinomial O
NBC. O
Hasilnya B-TEMUAN
menunjukan I-TEMUAN
bahwa I-TEMUAN
tweet I-TEMUAN
mengenai I-TEMUAN
Program I-TEMUAN
PEN I-TEMUAN
didominasi I-TEMUAN
oleh I-TEMUAN
opini I-TEMUAN
netral. I-TEMUAN
Kemudian O
, O
diperoleh O
empat O
topik O
yang O
diperoleh O
dari O
topic B-METODE
modelling I-METODE
yang O
menjadi O
tren O
percakapan O
di O
twitter O
mengenai O
Program O
PEN O
yaitu O
tweet O
berupa O
laporan O
penyerahan O
bantuan O
di O
daerah O
, O
Program B-TEMUAN
PEN I-TEMUAN
UMKM I-TEMUAN
dan I-TEMUAN
padat I-TEMUAN
karya I-TEMUAN
mendukung I-TEMUAN
pemulihan I-TEMUAN
laporan I-TEMUAN
pelaksanaan I-TEMUAN
padat I-TEMUAN
karya I-TEMUAN
mangrove I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
tweet I-TEMUAN
yang I-TEMUAN
tidak I-TEMUAN
berhubungan I-TEMUAN
dengan I-TEMUAN
Program I-TEMUAN
PEN. I-TEMUAN
ekonomi O
, O
Kata O
Kunci— O
twitter O
, O
program O
PEN O
, O
analisis O
sentimen O
, O
topic O
modelling. O
[SEP] O
Setelah O
melakukan O
analisis B-METODE
deskriptif I-METODE
, I-METODE
analisis I-METODE
sentimen I-METODE
, I-METODE
dan I-METODE
topic I-METODE
modelling I-METODE
, O
maka O
didapat O
beberpaa O
kesimpulan O
yaitu O
1. O
Respon O
publik O
mengenai O
tweet O
Program O
PEN O
hanya O
tinggi O
pada O
tanggal O
ditetapkannya O
kebijakan O
tersebut. O
Sedangkan O
pada O
tanggal-tanggal O
selanjutnya O
, O
jumlahnya O
tweet O
cenderung O
konstan. O
Lima O
username O
dengan O
terbanyak O
memiliki O
nama O
yang O
menunjukan O
bahwa O
mereka O
adalah O
akun O
pribadi. O
Gambar O
14. O
Visualisasi O
topic O
modelling O
menggunakan O
pyLDAvis O
Bagian O
1 O
Gambar O
15. O
Visualisasi O
topic O
modelling O
menggunakan O
pyLDAvis O
Bagian O
2. O
2. O
Hasil O
analisis O
sentimen O
menunjukan O
bahwa O
tweet O
Program O
PEN O
didominasi O
oleh O
opini O
netral. O
Hal O
ini O
berarti O
, O
mayoritas O
pengguna O
twitter O
hanya O
menyerap O
informasi O
mengenai O
PEN O
melalui O
berita O
dan O
membuat O
tweet O
berupa O
progress O
pelaksanaan O
Program O
PEN. O
3. O
Data O
tweet O
tentang O
Program O
PEN O
terdiri O
dari O
tiga O
topik O
menurut O
hasil O
skor O
koherensi O
topic O
modelling. O
Berikut O
merupakan O
empat O
topik O
yang O
dibentuk O
menggunakan O
metode O
( O
Latent O
Dirichlet O
Allocation O
) O
: O
 B-TEMUAN
Topik I-TEMUAN
1 I-TEMUAN
( I-TEMUAN
Laporan I-TEMUAN
penyerahan I-TEMUAN
bantuan I-TEMUAN
di I-TEMUAN
daerah I-TEMUAN
) I-TEMUAN
 I-TEMUAN
Topik I-TEMUAN
2 I-TEMUAN
( I-TEMUAN
Program I-TEMUAN
PEN I-TEMUAN
UMKM I-TEMUAN
dan I-TEMUAN
padat I-TEMUAN
karya I-TEMUAN
topic I-TEMUAN
modelling I-TEMUAN
LDA I-TEMUAN
mendukung I-TEMUAN
pemulihan I-TEMUAN
ekonomi I-TEMUAN
) I-TEMUAN
 I-TEMUAN
Topik I-TEMUAN
3 I-TEMUAN
mangrove I-TEMUAN
) I-TEMUAN
( I-TEMUAN
Laporan I-TEMUAN
pelaksanaan I-TEMUAN
padat I-TEMUAN
karya I-TEMUAN
 I-TEMUAN
Topik I-TEMUAN
4 I-TEMUAN
( I-TEMUAN
tweet I-TEMUAN
yang I-TEMUAN
tidak I-TEMUAN
berhubungan I-TEMUAN
dengan I-TEMUAN
program I-TEMUAN
PEN I-TEMUAN
) I-TEMUAN
Peneliti O
menyarankan O
pemerintah O
untuk O
segera O
menyempurnakan O
kebijakan O
Pelaksanaan O
Program O
PEN. O
Hal O
tersebut O
karena O
banyak O
tweet O
dengan O
opini O
negatif O
yang O
menyebutkan O
bahwa O
bantuan O
yang O
diberikan O
belum O
tepat O
sasaran O
, O
yang O
ditandai O
dengan O
kata O
pada O
word O
cloud O
tweet O
berlabel O
negatif O
pada O
Gambar O
9 O
seperti O
„korupsi‟ O
, O
„cair‟ O
, O
„mohon‟ O
, O
dst. O

Metode O
Neural O
Machine O
Translation O
Berdasarkan O
Parameter O
Neural O
Network O
( O
Studi O
Kasus O
: O
Bahasa O
Jerman O
– O
Inggris O
) O
Muhammad O
Yusuf O
Aristyanto O
( O
221709870 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
, O
S.ST. O
, O
M.Si. O
Ringkasan—Manusia O
sebagai O
makhluk O
sosial O
yang O
selalu O
ingin O
berhubungan O
dengan O
manusia O
lainnya O
memaksa O
manusia O
untuk O
saling O
berkomunikasi. O
Di O
sinilah O
peran O
bahasa O
menjadi O
amat O
penting O
, O
karena O
dengan O
dengan O
adanya O
bahasa O
, O
kita O
bisa O
dengan O
mudah O
mengerti O
apa O
yang O
ingin O
disampaikan O
oleh O
orang O
lain. O
Untuk O
itu O
, O
perlu O
adanya O
media O
yang O
dapat O
membantu O
memahami O
berbagai O
bahasa O
di O
dunia O
, O
salah O
satunya O
adalah O
mesin O
penerjemah. O
Salah O
satu O
metode O
yang O
dapat O
digunakan O
untuk O
membuat O
mesin O
penerjemah O
adalah O
Neural B-METODE
Machine I-METODE
Translation I-METODE
( I-METODE
NMT I-METODE
) I-METODE
. O
NMT O
yang O
sekarang O
sudah O
ada O
masih O
memiliki O
berbagai O
kekurangan O
dan O
perlu O
dilakukan O
pengembangan O
lebih O
jauh. O
Diantaranya O
pada O
masalah O
overfitting O
yang O
membuat O
modelnya O
kurang O
bisa O
melakukan O
generalisasi O
pada O
data O
lain O
yang O
diujikan. O
Banyak O
hal O
yang O
mempengaruhi O
performa O
dari O
NMT O
tersebut O
, O
salah O
satunya O
adalah O
ukuran O
parameter O
yang O
digunakan O
dan O
arsitektur O
model O
yang O
digunakan. O
Namun O
belum O
ada O
ukuran O
pasti O
yang O
dapat O
digunakan O
untuk O
menghasilkan O
model O
dengan O
performa O
yang O
terbaik. O
Sehingga O
penelitian O
ini O
bertujuan O
untuk O
mengembangkan B-TUJUAN
arsitektur I-TUJUAN
model I-TUJUAN
NMT I-TUJUAN
dan I-TUJUAN
melakukan I-TUJUAN
simulasi I-TUJUAN
pada I-TUJUAN
masing-masing I-TUJUAN
parameter I-TUJUAN
Neural I-TUJUAN
Network I-TUJUAN
dan I-TUJUAN
ukuran I-TUJUAN
pada I-TUJUAN
arsitektur I-TUJUAN
modelnya I-TUJUAN
, O
antara O
lain O
batch O
size O
, O
epoch O
, O
optimizer O
, O
activation O
function O
, O
dan O
dropout O
rate. O
Hasil O
yang O
didapatkan O
adalah O
model B-TEMUAN
pengembangan I-TEMUAN
dapat I-TEMUAN
mengatasi I-TEMUAN
masalah I-TEMUAN
overfitting I-TEMUAN
dari I-TEMUAN
model I-TEMUAN
sebelumnya I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
72,24 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
skor I-TEMUAN
BLEU I-TEMUAN
sebesar I-TEMUAN
45,83 I-TEMUAN
% I-TEMUAN
yang I-TEMUAN
dilakukan I-TEMUAN
pada I-TEMUAN
data I-TEMUAN
uji I-TEMUAN
lainnya. I-TEMUAN
Kata O
Kunci—Arsitektur O
, O
Neural O
Network O
, O
NMT O
, O
Parameter O
[SEP] O
Model O
yang O
telah O
dikembangkan O
dengan O
penambahan O
callbacks O
, O
layer O
dropout O
, O
dan O
metode O
cross O
validation O
dapat O
mengatasi O
overfit O
pada O
model O
dasar. O
Sehingga O
mendapatkan O
akurasi B-METODE
sebesar O
72,24 O
% O
dan O
skor O
BLEU B-METODE
sebesar O
45,83 O
% O
pada O
data O
test. O
Kemudian O
hasil O
dari O
simulasi O
hyperparameter O
antara O
lain O
mendapatkan O
ukuran O
dari O
masing-masing O
hyperparameter O
sebagai O
berikut O
, O
batch O
size O
( O
64 O
) O
, O
epoch O
( O
10 O
) O
, O
optimizer O
( O
SGD O
) O
, O
activation O
function O
( O
SoftMax O
) O
, O
dan O
dropout O
rate O
( O
0,2 O
) O
. O
Yang O
terakhir O
, O
implementasi O
model O
dan O
hyperparameter O
terbaik O
pada O
dataset O
Bahasa O
Spanyol-Inggris O
menghasilkan O
skor O
BLEU O
yang O
sangat O
mirip O
dengan O
dataset O
Bahasa O
Jerman-Inggris O
, O
yakni O
0,453146 O
pada O
data O
train O
dan O
0,457280 O
data O
test. O
B. O
Saran O
Peneliti O
sadar O
kalau O
penelitian O
ini O
jauh O
dari O
kata O
sempurna O
, O
oleh O
karena O
itu O
, O
di O
sini O
peneliti O
akan O
memberikan O
beberapa O
saran O
antara O
lain O
menambahkan O
jumlah O
sampel O
, O
menggunakan O
lebih O
banyak O
kombinasi O
nilai O
pada O
hyperparameter O
, O
dan O
menambahkan O
layer O
lain O
, O
misalnya O
Flatten O
dan O
Dense O
, O
untuk O
meningkatkan O
performa O
model. O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Metode O
Neural O
Machine O
Translation O
Berdasarkan O
Parameter O
Neural O
Network O
( O
Studi O
Kasus O
: O
Bahasa O
Jerman O
– O
Inggris O
) O
Muhammad O
Yusuf O
Aristyanto O
( O
221709870 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
, O
S.ST. O
, O
M.Si. O
Ringkasan—Manusia O
sebagai O
makhluk O
sosial O
yang O
selalu O
ingin O
berhubungan O
dengan O
manusia O
lainnya O
memaksa O
manusia O
untuk O
saling O
berkomunikasi. O
Di O
sinilah O
peran O
bahasa O
menjadi O
amat O
penting O
, O
karena O
dengan O
dengan O
adanya O
bahasa O
, O
kita O
bisa O
dengan O
mudah O
mengerti O
apa O
yang O
ingin O
disampaikan O
oleh O
orang O
lain. O
Untuk O
itu O
, O
perlu O
adanya O
media O
yang O
dapat O
membantu O
memahami O
berbagai O
bahasa O
di O
dunia O
, O
salah O
satunya O
adalah O
mesin O
penerjemah. O
Salah O
satu O
metode O
yang O
dapat O
digunakan O
untuk O
membuat O
mesin O
penerjemah O
adalah O
Neural B-METODE
Machine I-METODE
Translation I-METODE
( I-METODE
NMT I-METODE
) I-METODE
. O
NMT O
yang O
sekarang O
sudah O
ada O
masih O
memiliki O
berbagai O
kekurangan O
dan O
perlu O
dilakukan O
pengembangan O
lebih O
jauh. O
Diantaranya O
pada O
masalah O
overfitting O
yang O
membuat O
modelnya O
kurang O
bisa O
melakukan O
generalisasi O
pada O
data O
lain O
yang O
diujikan. O
Banyak O
hal O
yang O
mempengaruhi O
performa O
dari O
NMT O
tersebut O
, O
salah O
satunya O
adalah O
ukuran O
parameter O
yang O
digunakan O
dan O
arsitektur O
model O
yang O
digunakan. O
Namun O
belum O
ada O
ukuran O
pasti O
yang O
dapat O
digunakan O
untuk O
menghasilkan O
model O
dengan O
performa O
yang O
terbaik. O
Sehingga O
penelitian O
ini O
bertujuan O
untuk O
mengembangkan B-TUJUAN
arsitektur I-TUJUAN
model I-TUJUAN
NMT I-TUJUAN
dan I-TUJUAN
melakukan I-TUJUAN
simulasi I-TUJUAN
pada I-TUJUAN
masing-masing I-TUJUAN
parameter I-TUJUAN
Neural I-TUJUAN
Network I-TUJUAN
dan I-TUJUAN
ukuran I-TUJUAN
pada I-TUJUAN
arsitektur I-TUJUAN
modelnya I-TUJUAN
, O
antara O
lain O
batch O
size O
, O
epoch O
, O
optimizer O
, O
activation O
function O
, O
dan O
dropout O
rate. O
Hasil O
yang O
didapatkan O
adalah O
model B-TEMUAN
pengembangan I-TEMUAN
dapat I-TEMUAN
mengatasi I-TEMUAN
masalah I-TEMUAN
overfitting I-TEMUAN
dari I-TEMUAN
model I-TEMUAN
sebelumnya I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
72,24 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
skor I-TEMUAN
BLEU I-TEMUAN
sebesar I-TEMUAN
45,83 I-TEMUAN
% I-TEMUAN
yang I-TEMUAN
dilakukan I-TEMUAN
pada I-TEMUAN
data I-TEMUAN
uji I-TEMUAN
lainnya. I-TEMUAN
Kata O
Kunci—Arsitektur O
, O
Neural O
Network O
, O
NMT O
, O
Parameter O
[SEP] O
Model O
yang O
telah O
dikembangkan O
dengan O
penambahan O
callbacks O
, O
layer O
dropout O
, O
dan O
metode O
cross O
validation O
dapat O
mengatasi O
overfit O
pada O
model O
dasar. O
Sehingga O
mendapatkan O
akurasi B-METODE
sebesar O
72,24 O
% O
dan O
skor O
BLEU B-METODE
sebesar O
45,83 O
% O
pada O
data O
test. O
Kemudian O
hasil O
dari O
simulasi O
hyperparameter O
antara O
lain O
mendapatkan O
ukuran O
dari O
masing-masing O
hyperparameter O
sebagai O
berikut O
, O
batch O
size O
( O
64 O
) O
, O
epoch O
( O
10 O
) O
, O
optimizer O
( O
SGD O
) O
, O
activation O
function O
( O
SoftMax O
) O
, O
dan O
dropout O
rate O
( O
0,2 O
) O
. O
Yang O
terakhir O
, O
implementasi O
model O
dan O
hyperparameter O
terbaik O
pada O
dataset O
Bahasa O
Spanyol-Inggris O
menghasilkan O
skor O
BLEU O
yang O
sangat O
mirip O
dengan O
dataset O
Bahasa O
Jerman-Inggris O
, O
yakni O
0,453146 O
pada O
data O
train O
dan O
0,457280 O
data O
test. O
B. O
Saran O
Peneliti O
sadar O
kalau O
penelitian O
ini O
jauh O
dari O
kata O
sempurna O
, O
oleh O
karena O
itu O
, O
di O
sini O
peneliti O
akan O
memberikan O
beberapa O
saran O
antara O
lain O
menambahkan O
jumlah O
sampel O
, O
menggunakan O
lebih O
banyak O
kombinasi O
nilai O
pada O
hyperparameter O
, O
dan O
menambahkan O
layer O
lain O
, O
misalnya O
Flatten O
dan O
Dense O
, O
untuk O
meningkatkan O
performa O
model. O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Metode O
Neural O
Machine O
Translation O
Berdasarkan O
Parameter O
Neural O
Network O
( O
Studi O
Kasus O
: O
Bahasa O
Jerman O
– O
Inggris O
) O
Muhammad O
Yusuf O
Aristyanto O
( O
221709870 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
, O
S.ST. O
, O
M.Si. O
Ringkasan—Manusia O
sebagai O
makhluk O
sosial O
yang O
selalu O
ingin O
berhubungan O
dengan O
manusia O
lainnya O
memaksa O
manusia O
untuk O
saling O
berkomunikasi. O
Di O
sinilah O
peran O
bahasa O
menjadi O
amat O
penting O
, O
karena O
dengan O
dengan O
adanya O
bahasa O
, O
kita O
bisa O
dengan O
mudah O
mengerti O
apa O
yang O
ingin O
disampaikan O
oleh O
orang O
lain. O
Untuk O
itu O
, O
perlu O
adanya O
media O
yang O
dapat O
membantu O
memahami O
berbagai O
bahasa O
di O
dunia O
, O
salah O
satunya O
adalah O
mesin O
penerjemah. O
Salah O
satu O
metode O
yang O
dapat O
digunakan O
untuk O
membuat O
mesin O
penerjemah O
adalah O
Neural B-METODE
Machine I-METODE
Translation I-METODE
( I-METODE
NMT I-METODE
) I-METODE
. O
NMT O
yang O
sekarang O
sudah O
ada O
masih O
memiliki O
berbagai O
kekurangan O
dan O
perlu O
dilakukan O
pengembangan O
lebih O
jauh. O
Diantaranya O
pada O
masalah O
overfitting O
yang O
membuat O
modelnya O
kurang O
bisa O
melakukan O
generalisasi O
pada O
data O
lain O
yang O
diujikan. O
Banyak O
hal O
yang O
mempengaruhi O
performa O
dari O
NMT O
tersebut O
, O
salah O
satunya O
adalah O
ukuran O
parameter O
yang O
digunakan O
dan O
arsitektur O
model O
yang O
digunakan. O
Namun O
belum O
ada O
ukuran O
pasti O
yang O
dapat O
digunakan O
untuk O
menghasilkan O
model O
dengan O
performa O
yang O
terbaik. O
Sehingga O
penelitian O
ini O
bertujuan O
untuk O
mengembangkan B-TUJUAN
arsitektur I-TUJUAN
model I-TUJUAN
NMT I-TUJUAN
dan I-TUJUAN
melakukan I-TUJUAN
simulasi I-TUJUAN
pada I-TUJUAN
masing-masing I-TUJUAN
parameter I-TUJUAN
Neural I-TUJUAN
Network I-TUJUAN
dan I-TUJUAN
ukuran I-TUJUAN
pada I-TUJUAN
arsitektur I-TUJUAN
modelnya I-TUJUAN
, O
antara O
lain O
batch O
size O
, O
epoch O
, O
optimizer O
, O
activation O
function O
, O
dan O
dropout O
rate. O
Hasil O
yang O
didapatkan O
adalah O
model B-TEMUAN
pengembangan I-TEMUAN
dapat I-TEMUAN
mengatasi I-TEMUAN
masalah I-TEMUAN
overfitting I-TEMUAN
dari I-TEMUAN
model I-TEMUAN
sebelumnya I-TEMUAN
dengan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
72,24 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
skor I-TEMUAN
BLEU I-TEMUAN
sebesar I-TEMUAN
45,83 I-TEMUAN
% I-TEMUAN
yang I-TEMUAN
dilakukan I-TEMUAN
pada I-TEMUAN
data I-TEMUAN
uji I-TEMUAN
lainnya. I-TEMUAN
Kata O
Kunci—Arsitektur O
, O
Neural O
Network O
, O
NMT O
, O
Parameter O
[SEP] O
Model O
yang O
telah O
dikembangkan O
dengan O
penambahan O
callbacks O
, O
layer O
dropout O
, O
dan O
metode O
cross O
validation O
dapat O
mengatasi O
overfit O
pada O
model O
dasar. O
Sehingga O
mendapatkan O
akurasi B-METODE
sebesar O
72,24 O
% O
dan O
skor O
BLEU B-METODE
sebesar O
45,83 O
% O
pada O
data O
test. O
Kemudian O
hasil O
dari O
simulasi O
hyperparameter O
antara O
lain O
mendapatkan O
ukuran O
dari O
masing-masing O
hyperparameter O
sebagai O
berikut O
, O
batch O
size O
( O
64 O
) O
, O
epoch O
( O
10 O
) O
, O
optimizer O
( O
SGD O
) O
, O
activation O
function O
( O
SoftMax O
) O
, O
dan O
dropout O
rate O
( O
0,2 O
) O
. O
Yang O
terakhir O
, O
implementasi O
model O
dan O
hyperparameter O
terbaik O
pada O
dataset O
Bahasa O
Spanyol-Inggris O
menghasilkan O
skor O
BLEU O
yang O
sangat O
mirip O
dengan O
dataset O
Bahasa O
Jerman-Inggris O
, O
yakni O
0,453146 O
pada O
data O
train O
dan O
0,457280 O
data O
test. O
B. O
Saran O
Peneliti O
sadar O
kalau O
penelitian O
ini O
jauh O
dari O
kata O
sempurna O
, O
oleh O
karena O
itu O
, O
di O
sini O
peneliti O
akan O
memberikan O
beberapa O
saran O
antara O
lain O
menambahkan O
jumlah O
sampel O
, O
menggunakan O
lebih O
banyak O
kombinasi O
nilai O
pada O
hyperparameter O
, O
dan O
menambahkan O
layer O
lain O
, O
misalnya O
Flatten O
dan O
Dense O
, O
untuk O
meningkatkan O
performa O
model. O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Topic O
Modelling O
dalam O
Pengelompokan O
Topik O
Dokumen O
Knowledge O
Management O
Badan O
Pusat O
Statistik O
RI O
Muhammad O
Yunus O
Hendrawan O
( O
221709869 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Nucke O
Widowati O
Kusumo O
Projo O
, O
S.Si. O
, O
M.Sc. O
, O
Ph.D. O
Pengelolaan O
Ringkasan— O
pengetahuan O
( O
knowledge O
management O
) O
merupakan O
aktivitas O
penting O
dalam O
meningkatkan O
kualitas O
suatu O
organisasi. O
Sebagai O
salah O
satu O
upaya O
meningkatkan O
kualitas O
dan O
efisiensi O
proses O
bisnis O
kerja O
, O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
telah O
turut O
mengimplementasikannya O
melalui O
knowledge O
management O
system. O
Untuk O
mempermudah O
pengguna O
sistem O
tersebut O
mengakses O
dokumen O
dan O
pengetahuan O
, O
perlu O
dilakukan O
pengelompokan O
terhadap O
dokumen O
berdasarkan O
topik O
yang O
implementasi O
metode O
dimuat. O
Penelitian O
pemodelan B-TUJUAN
topik I-TUJUAN
LSA I-TUJUAN
dan I-TUJUAN
LDA I-TUJUAN
untuk I-TUJUAN
menentukan I-TUJUAN
teknik I-TUJUAN
pengelompokan I-TUJUAN
yang I-TUJUAN
baik. I-TUJUAN
Dari O
hasil O
implementasi O
, O
diketahui O
bahwa O
model B-TEMUAN
LDA I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
Mallet I-TEMUAN
menghasilkan I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
yaitu I-TEMUAN
25 I-TEMUAN
kelompok I-TEMUAN
topik I-TEMUAN
dengan I-TEMUAN
coherence I-TEMUAN
score I-TEMUAN
sebesar I-TEMUAN
0.4803. I-TEMUAN
Model O
LDA O
terbaik O
tersebut O
kemudian O
berhasil O
diimplementasikan O
dalam O
bentuk O
RESTful O
web O
service O
untuk O
membantu O
memberikan O
pelayanan O
dalam O
fungsi O
preprocessing O
dan O
rekomendasi O
topik O
pada O
dokumen O
yang O
masuk O
ke O
dalam O
Knowledge O
Management O
System O
BPS. O
ini O
menerapkan O
Kata O
Kunci— O
KMS O
, O
Topic O
Modelling O
, O
LSA O
, O
LDA O
, O
Mallet O
[SEP] O
Melalui O
penelitian O
ini O
kesimpulan O
yang O
dapat O
diambil O
adalah O
bahwa O
dokumen B-TEMUAN
pada I-TEMUAN
Knowledge I-TEMUAN
Management I-TEMUAN
System I-TEMUAN
BPS I-TEMUAN
topik. I-TEMUAN
dapat I-TEMUAN
dikelompokkan I-TEMUAN
melalui I-TEMUAN
metode I-TEMUAN
pemodelan I-TEMUAN
Berdasarkan O
evaluasi O
terhadap O
penggunaan O
metode O
pemodelan O
, O
model O
LDA B-METODE
dengan O
menggunakan O
Mallet O
menghasilkan O
model O
terbaik O
dengan O
coherence O
score O
sebesar O
0.4803 O
untuk O
25 O
kelompok O
topik O
yang O
tersebar O
dengan O
lebih O
baik. O
Model O
ini O
kemudian O
dapat O
direkomendasikan O
untuk O
diimplementasikan O
pada O
dokumen O
KMS O
BPS. O
Model O
yang O
didapat O
dalam O
penelitian O
ini O
juga O
telah O
diimplementasikan O
dalam O
bentuk O
fungsi O
pada O
RESTful O
Web O
Service O
menggunakan O
microframework O
Flask O
pada O
bahasa O
pemrograman O
python. O
Service O
untuk O
tahapan O
preprocessing O
data O
teks O
akan O
menghasilkan O
korpus O
data O
yang O
telah O
siap O
digunakan O
untuk O
pengolahan O
data O
teks O
selanjutnya O
, O
sedangkan O
service O
untuk O
fungsi O
rekomendasi O
topik O
akan O
memberikan O
rekomendasi O
kelompok O
topik O
yang O
dimuat O
oleh O
dokumen O
knowledge O
management O
sebagai O
dasar O
pengelompokan O
dokumen O
KMS O
BPS. O
Dokumentasi O
terkait O
pembangunan O
web O
service O
tersebut O
juga O
telah O
dimuat O
menggunakan O
Swagger O
UI O
untuk O
memberikan O
kemudahan O
implementasi O
bagi O
pengguna. O
Adapun O
saran O
untuk O
penelitian O
selanjutnya O
yaitu O
: O
1. O
Menggunakan O
data O
dokumen O
pengetahuan O
dan O
lebih O
informasi O
knowledge O
management O
yang O
banyak O
dan O
terkini O
untuk O
menangkap O
informasi O
kelompok O
topik O
yang O
lebih O
beragam. O
2. O
Mengembangkan O
metode O
atau O
fungsi O
yang O
dapat O
melakukan O
pemodelan O
kembali O
setiap O
ada O
dokumen O
baru O
yang O
dimasukkan O
ke O
dalam O
basis O
data O
Knowledge O
Management O
System O
BPS. O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Topic O
Modelling O
dalam O
Pengelompokan O
Topik O
Dokumen O
Knowledge O
Management O
Badan O
Pusat O
Statistik O
RI O
Muhammad O
Yunus O
Hendrawan O
( O
221709869 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Nucke O
Widowati O
Kusumo O
Projo O
, O
S.Si. O
, O
M.Sc. O
, O
Ph.D. O
Pengelolaan O
Ringkasan— O
pengetahuan O
( O
knowledge O
management O
) O
merupakan O
aktivitas O
penting O
dalam O
meningkatkan O
kualitas O
suatu O
organisasi. O
Sebagai O
salah O
satu O
upaya O
meningkatkan O
kualitas O
dan O
efisiensi O
proses O
bisnis O
kerja O
, O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
telah O
turut O
mengimplementasikannya O
melalui O
knowledge O
management O
system. O
Untuk O
mempermudah O
pengguna O
sistem O
tersebut O
mengakses O
dokumen O
dan O
pengetahuan O
, O
perlu O
dilakukan O
pengelompokan O
terhadap O
dokumen O
berdasarkan O
topik O
yang O
implementasi O
metode O
dimuat. O
Penelitian O
pemodelan B-TUJUAN
topik I-TUJUAN
LSA I-TUJUAN
dan I-TUJUAN
LDA I-TUJUAN
untuk I-TUJUAN
menentukan I-TUJUAN
teknik I-TUJUAN
pengelompokan I-TUJUAN
yang I-TUJUAN
baik. I-TUJUAN
Dari O
hasil O
implementasi O
, O
diketahui O
bahwa O
model B-TEMUAN
LDA I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
Mallet I-TEMUAN
menghasilkan I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
yaitu I-TEMUAN
25 I-TEMUAN
kelompok I-TEMUAN
topik I-TEMUAN
dengan I-TEMUAN
coherence I-TEMUAN
score I-TEMUAN
sebesar I-TEMUAN
0.4803. I-TEMUAN
Model O
LDA O
terbaik O
tersebut O
kemudian O
berhasil O
diimplementasikan O
dalam O
bentuk O
RESTful O
web O
service O
untuk O
membantu O
memberikan O
pelayanan O
dalam O
fungsi O
preprocessing O
dan O
rekomendasi O
topik O
pada O
dokumen O
yang O
masuk O
ke O
dalam O
Knowledge O
Management O
System O
BPS. O
ini O
menerapkan O
Kata O
Kunci— O
KMS O
, O
Topic O
Modelling O
, O
LSA O
, O
LDA O
, O
Mallet O
[SEP] O
Melalui O
penelitian O
ini O
kesimpulan O
yang O
dapat O
diambil O
adalah O
bahwa O
dokumen B-TEMUAN
pada I-TEMUAN
Knowledge I-TEMUAN
Management I-TEMUAN
System I-TEMUAN
BPS I-TEMUAN
topik. I-TEMUAN
dapat I-TEMUAN
dikelompokkan I-TEMUAN
melalui I-TEMUAN
metode I-TEMUAN
pemodelan I-TEMUAN
Berdasarkan O
evaluasi O
terhadap O
penggunaan O
metode O
pemodelan O
, O
model O
LDA B-METODE
dengan O
menggunakan O
Mallet O
menghasilkan O
model O
terbaik O
dengan O
coherence O
score O
sebesar O
0.4803 O
untuk O
25 O
kelompok O
topik O
yang O
tersebar O
dengan O
lebih O
baik. O
Model O
ini O
kemudian O
dapat O
direkomendasikan O
untuk O
diimplementasikan O
pada O
dokumen O
KMS O
BPS. O
Model O
yang O
didapat O
dalam O
penelitian O
ini O
juga O
telah O
diimplementasikan O
dalam O
bentuk O
fungsi O
pada O
RESTful O
Web O
Service O
menggunakan O
microframework O
Flask O
pada O
bahasa O
pemrograman O
python. O
Service O
untuk O
tahapan O
preprocessing O
data O
teks O
akan O
menghasilkan O
korpus O
data O
yang O
telah O
siap O
digunakan O
untuk O
pengolahan O
data O
teks O
selanjutnya O
, O
sedangkan O
service O
untuk O
fungsi O
rekomendasi O
topik O
akan O
memberikan O
rekomendasi O
kelompok O
topik O
yang O
dimuat O
oleh O
dokumen O
knowledge O
management O
sebagai O
dasar O
pengelompokan O
dokumen O
KMS O
BPS. O
Dokumentasi O
terkait O
pembangunan O
web O
service O
tersebut O
juga O
telah O
dimuat O
menggunakan O
Swagger O
UI O
untuk O
memberikan O
kemudahan O
implementasi O
bagi O
pengguna. O
Adapun O
saran O
untuk O
penelitian O
selanjutnya O
yaitu O
: O
1. O
Menggunakan O
data O
dokumen O
pengetahuan O
dan O
lebih O
informasi O
knowledge O
management O
yang O
banyak O
dan O
terkini O
untuk O
menangkap O
informasi O
kelompok O
topik O
yang O
lebih O
beragam. O
2. O
Mengembangkan O
metode O
atau O
fungsi O
yang O
dapat O
melakukan O
pemodelan O
kembali O
setiap O
ada O
dokumen O
baru O
yang O
dimasukkan O
ke O
dalam O
basis O
data O
Knowledge O
Management O
System O
BPS. O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Topic O
Modelling O
dalam O
Pengelompokan O
Topik O
Dokumen O
Knowledge O
Management O
Badan O
Pusat O
Statistik O
RI O
Muhammad O
Yunus O
Hendrawan O
( O
221709869 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Nucke O
Widowati O
Kusumo O
Projo O
, O
S.Si. O
, O
M.Sc. O
, O
Ph.D. O
Pengelolaan O
Ringkasan— O
pengetahuan O
( O
knowledge O
management O
) O
merupakan O
aktivitas O
penting O
dalam O
meningkatkan O
kualitas O
suatu O
organisasi. O
Sebagai O
salah O
satu O
upaya O
meningkatkan O
kualitas O
dan O
efisiensi O
proses O
bisnis O
kerja O
, O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
telah O
turut O
mengimplementasikannya O
melalui O
knowledge O
management O
system. O
Untuk O
mempermudah O
pengguna O
sistem O
tersebut O
mengakses O
dokumen O
dan O
pengetahuan O
, O
perlu O
dilakukan O
pengelompokan O
terhadap O
dokumen O
berdasarkan O
topik O
yang O
implementasi O
metode O
dimuat. O
Penelitian O
pemodelan B-TUJUAN
topik I-TUJUAN
LSA I-TUJUAN
dan I-TUJUAN
LDA I-TUJUAN
untuk I-TUJUAN
menentukan I-TUJUAN
teknik I-TUJUAN
pengelompokan I-TUJUAN
yang I-TUJUAN
baik. I-TUJUAN
Dari O
hasil O
implementasi O
, O
diketahui O
bahwa O
model B-TEMUAN
LDA I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
Mallet I-TEMUAN
menghasilkan I-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
yaitu I-TEMUAN
25 I-TEMUAN
kelompok I-TEMUAN
topik I-TEMUAN
dengan I-TEMUAN
coherence I-TEMUAN
score I-TEMUAN
sebesar I-TEMUAN
0.4803. I-TEMUAN
Model O
LDA O
terbaik O
tersebut O
kemudian O
berhasil O
diimplementasikan O
dalam O
bentuk O
RESTful O
web O
service O
untuk O
membantu O
memberikan O
pelayanan O
dalam O
fungsi O
preprocessing O
dan O
rekomendasi O
topik O
pada O
dokumen O
yang O
masuk O
ke O
dalam O
Knowledge O
Management O
System O
BPS. O
ini O
menerapkan O
Kata O
Kunci— O
KMS O
, O
Topic O
Modelling O
, O
LSA O
, O
LDA O
, O
Mallet O
[SEP] O
Melalui O
penelitian O
ini O
kesimpulan O
yang O
dapat O
diambil O
adalah O
bahwa O
dokumen B-TEMUAN
pada I-TEMUAN
Knowledge I-TEMUAN
Management I-TEMUAN
System I-TEMUAN
BPS I-TEMUAN
topik. I-TEMUAN
dapat I-TEMUAN
dikelompokkan I-TEMUAN
melalui I-TEMUAN
metode I-TEMUAN
pemodelan I-TEMUAN
Berdasarkan O
evaluasi O
terhadap O
penggunaan O
metode O
pemodelan O
, O
model O
LDA B-METODE
dengan O
menggunakan O
Mallet O
menghasilkan O
model O
terbaik O
dengan O
coherence O
score O
sebesar O
0.4803 O
untuk O
25 O
kelompok O
topik O
yang O
tersebar O
dengan O
lebih O
baik. O
Model O
ini O
kemudian O
dapat O
direkomendasikan O
untuk O
diimplementasikan O
pada O
dokumen O
KMS O
BPS. O
Model O
yang O
didapat O
dalam O
penelitian O
ini O
juga O
telah O
diimplementasikan O
dalam O
bentuk O
fungsi O
pada O
RESTful O
Web O
Service O
menggunakan O
microframework O
Flask O
pada O
bahasa O
pemrograman O
python. O
Service O
untuk O
tahapan O
preprocessing O
data O
teks O
akan O
menghasilkan O
korpus O
data O
yang O
telah O
siap O
digunakan O
untuk O
pengolahan O
data O
teks O
selanjutnya O
, O
sedangkan O
service O
untuk O
fungsi O
rekomendasi O
topik O
akan O
memberikan O
rekomendasi O
kelompok O
topik O
yang O
dimuat O
oleh O
dokumen O
knowledge O
management O
sebagai O
dasar O
pengelompokan O
dokumen O
KMS O
BPS. O
Dokumentasi O
terkait O
pembangunan O
web O
service O
tersebut O
juga O
telah O
dimuat O
menggunakan O
Swagger O
UI O
untuk O
memberikan O
kemudahan O
implementasi O
bagi O
pengguna. O
Adapun O
saran O
untuk O
penelitian O
selanjutnya O
yaitu O
: O
1. O
Menggunakan O
data O
dokumen O
pengetahuan O
dan O
lebih O
informasi O
knowledge O
management O
yang O
banyak O
dan O
terkini O
untuk O
menangkap O
informasi O
kelompok O
topik O
yang O
lebih O
beragam. O
2. O
Mengembangkan O
metode O
atau O
fungsi O
yang O
dapat O
melakukan O
pemodelan O
kembali O
setiap O
ada O
dokumen O
baru O
yang O
dimasukkan O
ke O
dalam O
basis O
data O
Knowledge O
Management O
System O
BPS. O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Pengembangan O
Sistem O
Pencatatan O
Pelanggaran O
Online O
Menggunakan O
QR O
Code O
Berbasis O
Android O
Studi O
Kasus O
Politeknik O
Statistika O
STIS O
Muhammad O
Sayyid O
Shabir O
( O
221709866 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
Ringkasan—Panjangnya O
alur O
proses O
bisnis O
membuat O
alur O
pen- O
catatan O
pelanggaran O
di O
STIS O
menjadi O
cukup O
rumit. O
Butuh O
waktu O
minimal O
dua O
hari O
hingga O
data O
pelanggaran O
masuk O
ke O
dalam O
sistem O
SIPADU. O
Selain O
itu O
, O
tahapan O
rekapitulasi O
dan O
input O
data O
pelanggaran O
rentan O
terjadi O
human O
error. O
Untuk O
itu O
dibutuhkan O
sistem O
yang O
dapat O
meningkatkan O
efisiensi O
dalam O
pelaksanaan O
pencatatan O
pelanggaran O
mahasiswa O
di O
STIS. O
Pembangunan O
sis- O
tem O
pencatatan O
pelanggaran O
berbasis O
Android O
dan O
Web O
dibu- O
tuhkan O
untuk O
menciptakan O
efisiensi O
dari O
sistem O
pencatatan O
terse- O
but. O
Untuk O
itu O
dalam O
penelitian O
kali O
ini O
penulis O
ingin O
mengem- B-TUJUAN
bangkan I-TUJUAN
sebuah I-TUJUAN
sistem I-TUJUAN
pencatatan I-TUJUAN
pelanggaran I-TUJUAN
yang I-TUJUAN
sudah I-TUJUAN
ada I-TUJUAN
agar I-TUJUAN
lebih I-TUJUAN
efisien I-TUJUAN
dalam I-TUJUAN
melakukan I-TUJUAN
pencatatan I-TUJUAN
pelanggaran I-TUJUAN
mahasiswa I-TUJUAN
di I-TUJUAN
STIS I-TUJUAN
yang I-TUJUAN
berbasis I-TUJUAN
android I-TUJUAN
dengan I-TUJUAN
memanfaatkan I-TUJUAN
teknologi I-TUJUAN
scanner I-TUJUAN
dan I-TUJUAN
QR I-TUJUAN
Code I-TUJUAN
yang O
nantinya O
terdapat O
pada O
badge O
mahasiswa O
STIS O
dan O
juga O
aplikasi O
berbasis O
web O
yang O
dapat O
digunakan O
oleh O
pegawai O
BAAK O
untuk O
menambahkan O
nilai O
sanksi O
pelanggaran O
mahasiswa. O
Adapun O
sistem O
akan O
dibangun O
dengan O
menggunakan O
framework O
Flutter O
untuk O
pembangunan O
aplikasi O
android O
dan O
memanfaatkan O
MySql O
sebagai O
manajemen O
basis O
data O
serta O
menggunakan O
smartphone O
berbasis O
Android O
sebagai O
alat O
untuk O
pencatatan O
pelanggaran. O
Kata O
Kunci—Aplikasi O
Android O
, O
QR O
Code O
, O
Flutter O
, O
Pencatatan O
Pelanggaran. O
[SEP] O
Terjadi O
beberapa O
perubahan O
analsis O
kebutuhan O
pada O
proposal O
penelitian O
dan O
makalah O
penelitian. O
Pada O
proposal O
penelitian O
analisis O
kebutuhan O
berfokus O
pada O
pembagunan O
aplikasi O
android O
yang O
dapat O
melakukan O
pencatatan O
pelanggaran O
dan O
terintegrasi O
dengan O
SIPADU. O
Namun O
, O
pada O
saat O
penelitian O
sedang O
berjalan O
, O
kampus O
STIS O
membuat O
Peraturan O
Direktur O
No. O
3 O
Tahun O
2020. O
Dimana O
draf O
peraturan O
tersebut O
mengatur O
tentang O
kode O
etik O
dan O
tata O
tertib O
mahasiswa O
STIS. O
Sehingga O
draf O
peraturan O
tersebut O
juga O
mempengaruhi O
dari O
analisis O
kebutuhan O
pada O
penelitian O
ini. O
Adanya O
permintaan O
pembangunan O
sistem O
berbasis O
web O
ditu- O
jukan O
untuk O
membuat O
sebuah O
sistem O
yang O
mempunyai O
tujuan O
utama O
untuk O
menambahkan O
poin O
pelanggaran O
ke O
dalam O
data O
pencatatan O
pelanggaran O
yang O
ada O
, O
dimana O
hak O
untuk O
penamba- O
han O
poin O
pelanggaran O
ini O
hanya O
dimiliki O
oleh O
pegawai O
BAAK O
yang O
ditugaskan. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
Saat O
ini O
, O
pembangunan O
aplikasi O
android O
sudah O
dilakukan O
evaluasi O
sistem O
dengan O
menggunakan O
BlackBox-Testing B-METODE
dan I-METODE
SUS.Untuk I-METODE
pengujian B-TEMUAN
BlackBox-Testing I-TEMUAN
aplikasi I-TEMUAN
android I-TEMUAN
un- I-TEMUAN
tuk I-TEMUAN
pengguna I-TEMUAN
pegawai I-TEMUAN
dan I-TEMUAN
anggota I-TEMUAN
SPD I-TEMUAN
didapat I-TEMUAN
kesimpulan I-TEMUAN
bahwa I-TEMUAN
aplikasi I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
harapan I-TEMUAN
, I-TEMUAN
dimana I-TEMUAN
fitur I-TEMUAN
maupun I-TEMUAN
fungsi I-TEMUAN
dari I-TEMUAN
setiap I-TEMUAN
menu I-TEMUAN
maupun I-TEMUAN
objek I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
tujuan I-TEMUAN
perancan- I-TEMUAN
gan. I-TEMUAN
Dari I-TEMUAN
evaluasi I-TEMUAN
yang I-TEMUAN
dilakukan I-TEMUAN
, I-TEMUAN
didapat I-TEMUAN
nilai I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
83,125. I-TEMUAN
Hasil O
penelitian O
hingga O
saat O
ini O
berupa O
pengembangan O
ap- O
likasi O
android O
dan O
aplikasi O
web. O
Aplikasi O
android O
yang O
diban- O
gun O
sudah O
dapat O
menjalankan O
fungsinya O
sebagai O
sistem O
untuk O
pencatatan O
pelanggaran O
dengan O
memanfaatkan O
fitur O
pemindai O
QR O
Code O
dan O
mengirimkan O
data O
pelanggaran O
tersebut O
kedalam O
server. O
Untuk O
aplikasi O
web O
yang O
dibangun O
sudah O
dapat O
men- O
jalankan O
fungsi O
utamanya O
yaitu O
menambahkan O
nilai O
sanksi O
pelanggaran. O

Pengembangan O
Sistem O
Pencatatan O
Pelanggaran O
Online O
Menggunakan O
QR O
Code O
Berbasis O
Android O
Studi O
Kasus O
Politeknik O
Statistika O
STIS O
Muhammad O
Sayyid O
Shabir O
( O
221709866 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
Ringkasan—Panjangnya O
alur O
proses O
bisnis O
membuat O
alur O
pen- O
catatan O
pelanggaran O
di O
STIS O
menjadi O
cukup O
rumit. O
Butuh O
waktu O
minimal O
dua O
hari O
hingga O
data O
pelanggaran O
masuk O
ke O
dalam O
sistem O
SIPADU. O
Selain O
itu O
, O
tahapan O
rekapitulasi O
dan O
input O
data O
pelanggaran O
rentan O
terjadi O
human O
error. O
Untuk O
itu O
dibutuhkan O
sistem O
yang O
dapat O
meningkatkan O
efisiensi O
dalam O
pelaksanaan O
pencatatan O
pelanggaran O
mahasiswa O
di O
STIS. O
Pembangunan O
sis- O
tem O
pencatatan O
pelanggaran O
berbasis O
Android O
dan O
Web O
dibu- O
tuhkan O
untuk O
menciptakan O
efisiensi O
dari O
sistem O
pencatatan O
terse- O
but. O
Untuk O
itu O
dalam O
penelitian O
kali O
ini O
penulis O
ingin O
mengem- B-TUJUAN
bangkan I-TUJUAN
sebuah I-TUJUAN
sistem I-TUJUAN
pencatatan I-TUJUAN
pelanggaran I-TUJUAN
yang I-TUJUAN
sudah I-TUJUAN
ada I-TUJUAN
agar I-TUJUAN
lebih I-TUJUAN
efisien I-TUJUAN
dalam I-TUJUAN
melakukan I-TUJUAN
pencatatan I-TUJUAN
pelanggaran I-TUJUAN
mahasiswa I-TUJUAN
di I-TUJUAN
STIS I-TUJUAN
yang I-TUJUAN
berbasis I-TUJUAN
android I-TUJUAN
dengan I-TUJUAN
memanfaatkan I-TUJUAN
teknologi I-TUJUAN
scanner I-TUJUAN
dan I-TUJUAN
QR I-TUJUAN
Code I-TUJUAN
yang O
nantinya O
terdapat O
pada O
badge O
mahasiswa O
STIS O
dan O
juga O
aplikasi O
berbasis O
web O
yang O
dapat O
digunakan O
oleh O
pegawai O
BAAK O
untuk O
menambahkan O
nilai O
sanksi O
pelanggaran O
mahasiswa. O
Adapun O
sistem O
akan O
dibangun O
dengan O
menggunakan O
framework O
Flutter O
untuk O
pembangunan O
aplikasi O
android O
dan O
memanfaatkan O
MySql O
sebagai O
manajemen O
basis O
data O
serta O
menggunakan O
smartphone O
berbasis O
Android O
sebagai O
alat O
untuk O
pencatatan O
pelanggaran. O
Kata O
Kunci—Aplikasi O
Android O
, O
QR O
Code O
, O
Flutter O
, O
Pencatatan O
Pelanggaran. O
[SEP] O
Terjadi O
beberapa O
perubahan O
analsis O
kebutuhan O
pada O
proposal O
penelitian O
dan O
makalah O
penelitian. O
Pada O
proposal O
penelitian O
analisis O
kebutuhan O
berfokus O
pada O
pembagunan O
aplikasi O
android O
yang O
dapat O
melakukan O
pencatatan O
pelanggaran O
dan O
terintegrasi O
dengan O
SIPADU. O
Namun O
, O
pada O
saat O
penelitian O
sedang O
berjalan O
, O
kampus O
STIS O
membuat O
Peraturan O
Direktur O
No. O
3 O
Tahun O
2020. O
Dimana O
draf O
peraturan O
tersebut O
mengatur O
tentang O
kode O
etik O
dan O
tata O
tertib O
mahasiswa O
STIS. O
Sehingga O
draf O
peraturan O
tersebut O
juga O
mempengaruhi O
dari O
analisis O
kebutuhan O
pada O
penelitian O
ini. O
Adanya O
permintaan O
pembangunan O
sistem O
berbasis O
web O
ditu- O
jukan O
untuk O
membuat O
sebuah O
sistem O
yang O
mempunyai O
tujuan O
utama O
untuk O
menambahkan O
poin O
pelanggaran O
ke O
dalam O
data O
pencatatan O
pelanggaran O
yang O
ada O
, O
dimana O
hak O
untuk O
penamba- O
han O
poin O
pelanggaran O
ini O
hanya O
dimiliki O
oleh O
pegawai O
BAAK O
yang O
ditugaskan. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
Saat O
ini O
, O
pembangunan O
aplikasi O
android O
sudah O
dilakukan O
evaluasi O
sistem O
dengan O
menggunakan O
BlackBox-Testing B-METODE
dan I-METODE
SUS.Untuk I-METODE
pengujian B-TEMUAN
BlackBox-Testing I-TEMUAN
aplikasi I-TEMUAN
android I-TEMUAN
un- I-TEMUAN
tuk I-TEMUAN
pengguna I-TEMUAN
pegawai I-TEMUAN
dan I-TEMUAN
anggota I-TEMUAN
SPD I-TEMUAN
didapat I-TEMUAN
kesimpulan I-TEMUAN
bahwa I-TEMUAN
aplikasi I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
harapan I-TEMUAN
, I-TEMUAN
dimana I-TEMUAN
fitur I-TEMUAN
maupun I-TEMUAN
fungsi I-TEMUAN
dari I-TEMUAN
setiap I-TEMUAN
menu I-TEMUAN
maupun I-TEMUAN
objek I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
tujuan I-TEMUAN
perancan- I-TEMUAN
gan. I-TEMUAN
Dari I-TEMUAN
evaluasi I-TEMUAN
yang I-TEMUAN
dilakukan I-TEMUAN
, I-TEMUAN
didapat I-TEMUAN
nilai I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
83,125. I-TEMUAN
Hasil O
penelitian O
hingga O
saat O
ini O
berupa O
pengembangan O
ap- O
likasi O
android O
dan O
aplikasi O
web. O
Aplikasi O
android O
yang O
diban- O
gun O
sudah O
dapat O
menjalankan O
fungsinya O
sebagai O
sistem O
untuk O
pencatatan O
pelanggaran O
dengan O
memanfaatkan O
fitur O
pemindai O
QR O
Code O
dan O
mengirimkan O
data O
pelanggaran O
tersebut O
kedalam O
server. O
Untuk O
aplikasi O
web O
yang O
dibangun O
sudah O
dapat O
men- O
jalankan O
fungsi O
utamanya O
yaitu O
menambahkan O
nilai O
sanksi O
pelanggaran. O

Pengembangan O
Sistem O
Pencatatan O
Pelanggaran O
Online O
Menggunakan O
QR O
Code O
Berbasis O
Android O
Studi O
Kasus O
Politeknik O
Statistika O
STIS O
Muhammad O
Sayyid O
Shabir O
( O
221709866 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
Ringkasan—Panjangnya O
alur O
proses O
bisnis O
membuat O
alur O
pen- O
catatan O
pelanggaran O
di O
STIS O
menjadi O
cukup O
rumit. O
Butuh O
waktu O
minimal O
dua O
hari O
hingga O
data O
pelanggaran O
masuk O
ke O
dalam O
sistem O
SIPADU. O
Selain O
itu O
, O
tahapan O
rekapitulasi O
dan O
input O
data O
pelanggaran O
rentan O
terjadi O
human O
error. O
Untuk O
itu O
dibutuhkan O
sistem O
yang O
dapat O
meningkatkan O
efisiensi O
dalam O
pelaksanaan O
pencatatan O
pelanggaran O
mahasiswa O
di O
STIS. O
Pembangunan O
sis- O
tem O
pencatatan O
pelanggaran O
berbasis O
Android O
dan O
Web O
dibu- O
tuhkan O
untuk O
menciptakan O
efisiensi O
dari O
sistem O
pencatatan O
terse- O
but. O
Untuk O
itu O
dalam O
penelitian O
kali O
ini O
penulis O
ingin O
mengem- B-TUJUAN
bangkan I-TUJUAN
sebuah I-TUJUAN
sistem I-TUJUAN
pencatatan I-TUJUAN
pelanggaran I-TUJUAN
yang I-TUJUAN
sudah I-TUJUAN
ada I-TUJUAN
agar I-TUJUAN
lebih I-TUJUAN
efisien I-TUJUAN
dalam I-TUJUAN
melakukan I-TUJUAN
pencatatan I-TUJUAN
pelanggaran I-TUJUAN
mahasiswa I-TUJUAN
di I-TUJUAN
STIS I-TUJUAN
yang I-TUJUAN
berbasis I-TUJUAN
android I-TUJUAN
dengan I-TUJUAN
memanfaatkan I-TUJUAN
teknologi I-TUJUAN
scanner I-TUJUAN
dan I-TUJUAN
QR I-TUJUAN
Code I-TUJUAN
yang O
nantinya O
terdapat O
pada O
badge O
mahasiswa O
STIS O
dan O
juga O
aplikasi O
berbasis O
web O
yang O
dapat O
digunakan O
oleh O
pegawai O
BAAK O
untuk O
menambahkan O
nilai O
sanksi O
pelanggaran O
mahasiswa. O
Adapun O
sistem O
akan O
dibangun O
dengan O
menggunakan O
framework O
Flutter O
untuk O
pembangunan O
aplikasi O
android O
dan O
memanfaatkan O
MySql O
sebagai O
manajemen O
basis O
data O
serta O
menggunakan O
smartphone O
berbasis O
Android O
sebagai O
alat O
untuk O
pencatatan O
pelanggaran. O
Kata O
Kunci—Aplikasi O
Android O
, O
QR O
Code O
, O
Flutter O
, O
Pencatatan O
Pelanggaran. O
[SEP] O
Terjadi O
beberapa O
perubahan O
analsis O
kebutuhan O
pada O
proposal O
penelitian O
dan O
makalah O
penelitian. O
Pada O
proposal O
penelitian O
analisis O
kebutuhan O
berfokus O
pada O
pembagunan O
aplikasi O
android O
yang O
dapat O
melakukan O
pencatatan O
pelanggaran O
dan O
terintegrasi O
dengan O
SIPADU. O
Namun O
, O
pada O
saat O
penelitian O
sedang O
berjalan O
, O
kampus O
STIS O
membuat O
Peraturan O
Direktur O
No. O
3 O
Tahun O
2020. O
Dimana O
draf O
peraturan O
tersebut O
mengatur O
tentang O
kode O
etik O
dan O
tata O
tertib O
mahasiswa O
STIS. O
Sehingga O
draf O
peraturan O
tersebut O
juga O
mempengaruhi O
dari O
analisis O
kebutuhan O
pada O
penelitian O
ini. O
Adanya O
permintaan O
pembangunan O
sistem O
berbasis O
web O
ditu- O
jukan O
untuk O
membuat O
sebuah O
sistem O
yang O
mempunyai O
tujuan O
utama O
untuk O
menambahkan O
poin O
pelanggaran O
ke O
dalam O
data O
pencatatan O
pelanggaran O
yang O
ada O
, O
dimana O
hak O
untuk O
penamba- O
han O
poin O
pelanggaran O
ini O
hanya O
dimiliki O
oleh O
pegawai O
BAAK O
yang O
ditugaskan. O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
Saat O
ini O
, O
pembangunan O
aplikasi O
android O
sudah O
dilakukan O
evaluasi O
sistem O
dengan O
menggunakan O
BlackBox-Testing B-METODE
dan I-METODE
SUS.Untuk I-METODE
pengujian B-TEMUAN
BlackBox-Testing I-TEMUAN
aplikasi I-TEMUAN
android I-TEMUAN
un- I-TEMUAN
tuk I-TEMUAN
pengguna I-TEMUAN
pegawai I-TEMUAN
dan I-TEMUAN
anggota I-TEMUAN
SPD I-TEMUAN
didapat I-TEMUAN
kesimpulan I-TEMUAN
bahwa I-TEMUAN
aplikasi I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
harapan I-TEMUAN
, I-TEMUAN
dimana I-TEMUAN
fitur I-TEMUAN
maupun I-TEMUAN
fungsi I-TEMUAN
dari I-TEMUAN
setiap I-TEMUAN
menu I-TEMUAN
maupun I-TEMUAN
objek I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
tujuan I-TEMUAN
perancan- I-TEMUAN
gan. I-TEMUAN
Dari I-TEMUAN
evaluasi I-TEMUAN
yang I-TEMUAN
dilakukan I-TEMUAN
, I-TEMUAN
didapat I-TEMUAN
nilai I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
83,125. I-TEMUAN
Hasil O
penelitian O
hingga O
saat O
ini O
berupa O
pengembangan O
ap- O
likasi O
android O
dan O
aplikasi O
web. O
Aplikasi O
android O
yang O
diban- O
gun O
sudah O
dapat O
menjalankan O
fungsinya O
sebagai O
sistem O
untuk O
pencatatan O
pelanggaran O
dengan O
memanfaatkan O
fitur O
pemindai O
QR O
Code O
dan O
mengirimkan O
data O
pelanggaran O
tersebut O
kedalam O
server. O
Untuk O
aplikasi O
web O
yang O
dibangun O
sudah O
dapat O
men- O
jalankan O
fungsi O
utamanya O
yaitu O
menambahkan O
nilai O
sanksi O
pelanggaran. O

Sistem O
Informasi O
Manajemen O
, O
Administrasi O
, O
Monitoring O
, O
dan O
Evaluasi O
Anggaran O
Politeknik O
Statistika O
STIS O
Modul O
E-Loket O
Permintaan O
Dana O
Muhammad O
Rizqi O
Aulia O
Rahman O
( O
221709865 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
Ringkasan— O
Kegiatan O
administrasi O
keuangan O
yang O
dilakukan O
oleh O
Politeknik O
Statistika O
STIS O
masih O
dilakukan O
secara O
manual O
yaitu O
pada O
pencatatan O
perubahan O
Petunjuk O
Operasional O
Kegiatan O
( O
POK O
) O
dan O
permintaan O
dana O
oleh O
unit. O
Perubahan O
POK O
yang O
dilakukan O
menggunakan O
aplikasi O
SAKTI O
( O
Kemenkeu O
) O
tidak O
dapat O
menampilkan O
riwayat O
perubahan O
sampai O
level O
terkecil. O
Sistem O
yang O
telah O
dikembangkan O
sebelumnya O
hanya O
dapat O
menampilkan O
riwayat O
perubahan O
terakhir. O
Sistem O
juga O
hanya O
dapat O
diakses O
oleh O
petugas O
BAU O
, O
sedangkan O
beberapa O
fiturnya O
dapat O
dimanfaatkan O
oleh O
unit O
tambahan O
diperlukan. O
Permintaan O
anggaran O
secara O
manual O
menyebabkan O
prosesnya O
tidak O
dapat O
dipantau O
secara O
langsung O
baik O
oleh O
unit O
, O
petugas O
maupun O
pimpinan. O
Untuk O
mengatasinya O
E-loket O
akan O
ditambahkan O
pada O
sistem. O
Selain O
untuk O
pemantauan O
, O
E-loket O
juga O
dapat O
mengirimkan O
notifikasi O
surel O
kepada O
unit O
sehingga O
unit O
segera O
tahu O
ketika O
permintaannya O
ditolak O
atau O
telah O
selesai. O
Pengembangan O
sistem O
menggunakan O
metode B-METODE
SDLC I-METODE
waterfall I-METODE
, O
NodeJs O
, O
Express O
, O
serta O
basis O
data O
MongoDB. O
Hasil B-TEMUAN
uji I-TEMUAN
15 I-TEMUAN
skenario I-TEMUAN
black-box I-TEMUAN
menunjukkan I-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
baik I-TEMUAN
, I-TEMUAN
namun I-TEMUAN
pengujian I-TEMUAN
SUS I-TEMUAN
hanya I-TEMUAN
mendapatkan I-TEMUAN
skor I-TEMUAN
64,8 I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
sistem I-TEMUAN
masih I-TEMUAN
belum I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
untuk I-TEMUAN
digunakan I-TEMUAN
dan I-TEMUAN
perlu I-TEMUAN
dilakukan I-TEMUAN
perbaikan. I-TEMUAN
sehingga O
user O
Kata O
Kunci— O
sistem O
informasi O
keuangan O
, O
POK O
, O
permintaan O
dana O
, O
E-loket O
[SEP] O
Perubahan O
model O
user O
dapat O
membuat O
unit O
, O
pimpinan O
, O
dan O
petugas O
mengakses O
sistem O
menggunakan O
user O
baru. O
Unit O
telah O
dapat O
melakukan O
permintaan O
dana O
menggunakan O
sistem O
dan O
melihat O
sejauh O
mana O
prosesnya O
serta O
dapat O
melihat O
grafik O
realisasi O
unitnya O
masing-masing. O
Pimpinan O
dan O
petugas O
BAU O
dapat O
melihat O
daftar O
permintaan O
dana O
dan O
grafik O
realisasi O
semua O
unit. O
Petugas O
BAU O
juga O
telah O
dapat O
memproses O
permintaan O
dana O
sesuai O
dengan O
role O
yang O
dimiliki. O
Ketika O
permintaan O
dana O
6 O
/ O
7 O
Gambar O
10. O
Tampilan O
dashboard O
tab O
pengajuan O
Gambar O
11. O
Contoh O
tampilan O
formulir O
petugas O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
3 O
] O
H. O
Rakhmanto O
, O
“Pengembangan O
Sistem O
Informasi O
Akuntansi O
dan O
Pengelolaan O
Keuangan O
Modul O
Penganggaran O
Berbasis O
Web O
Menggunakan O
Teknologi O
Java O
dan O
PosgreSQL O
, O
” O
Jurnal O
Teknik O
ITS O
, O
vol. O
1 O
, O
no. O
September O
, O
pp. O
417-420 O
, O
2012. O
[ O
4 O
] O
A. O
Rohman O
and O
I. O
y. O
B O
, O
“Aplikasi O
Asisten O
Praktikum O
Menggunakan O
NodeJs O
dan O
Database O
MongoDB O
( O
Studi O
Kasus O
Lab O
Stmik O
Akakom O
) O
, O
” O
in O
Seminar O
Riset O
Teknologi O
Informasi O
( O
SRITI O
) O
, O
Yogyakarta O
, O
2016. O
[ O
5 O
] O
M. O
Rizsky O
, O
S. O
A. O
Wicaksono O
and O
M. O
C. O
Saputra O
, O
“Pengembangan O
Sistem O
Informasi O
Keuangan O
( O
Studi O
Kasus O
: O
KB O
& O
TK O
Permata O
Iman O
Malang O
) O
, O
” O
Jurnal O
Pengembangan O
Teknologi O
Informasi O
dan O
Ilmu O
Komputer O
, O
vol. O
2 O
, O
no. O
12 O
, O
pp. O
7039-7049 O
, O
2018. O
[ O
6 O
] O
M. O
Shamad O
and O
A. O
Ghofar O
, O
“Pembangunan O
Sistem O
Informasi O
Manajemen O
Administrasi O
, O
Monitoring O
, O
dan O
Evaluasi O
Anggaran O
STIS O
, O
” O
Sekolah O
Tinggi O
Ilmu O
Statistik O
, O
Jakarta O
Timur O
, O
2017. O
[ O
7 O
] O
D. O
P. O
Pop O
and O
A. O
Altar O
, O
“Designing O
an O
MVC O
Model O
for O
Rapid O
Web O
Application O
Development O
, O
” O
Procedia O
Eng. O
, O
vol. O
69 O
, O
pp. O
1172–1179 O
, O
2014 O
, O
doi O
: O
10.1016 O
/ O
j.proeng.2014.03.106. O
[ O
8 O
] O
A. O
Firdaus O
, O
S. O
Widodo O
, O
A. O
Sutrisman O
, O
S. O
G. O
F. O
Nasution O
and O
R. O
Mardiana O
, O
“Rancang O
Bangun O
Sistem O
Informasi O
Perpustakaan O
Menggunakan O
Web O
Service O
pada O
Jurusan O
Teknik O
Komputer O
POLSRI O
, O
” O
jurnal O
Informanika O
, O
vol. O
5 O
, O
no. O
2 O
, O
pp. O
81-87 O
, O
2019. O
[ O
9 O
] O
H. O
F. O
Bachri O
, O
B. O
Priyambadha O
and O
D. O
S. O
Rusdianto O
, O
“Pengembangan O
Aplikasi O
Manajemen O
Event O
Berbasis O
Web O
( O
Studi O
Kasus O
: O
Fakultas O
Ilmu O
Administrasi O
Universitas O
Brawijaya O
Malang O
) O
, O
” O
Jurnal O
Pengembangan O
Teknologi O
Informasi O
dan O
Ilmu O
Komputer O
, O
vol. O
2 O
, O
no. O
12 O
, O
pp. O
6752-6760 O
, O
2018. O
[ O
10 O
] O
S. O
Rahayu O
and O
P. O
A. O
Rahayu O
, O
“Perancangan O
Sistem O
Informasi O
Pengelolaan O
Keuangan O
Berbasis O
Web O
Di O
Sekolah O
Menengah O
Kejuruan O
Islam O
Atturmudziyyah O
Garut O
, O
” O
Jurnal O
Algoritma O
Sekolah O
Tinggi O
Teknologi O
Garut O
, O
vol. O
14 O
, O
no. O
2 O
, O
pp. O
538-545 O
, O
2017. O
[ O
11 O
] O
K. O
H. O
Pambudi O
dan O
H. O
Adam O
, O
“Analisis O
Dimensi O
Kesuksesan O
Implementasi O
Sistem O
Aplikasi O
Keuangan O
Tingkat O
Instansi O
( O
SAKTI O
) O
pada O
Satuan O
Kerja O
Wilayah O
Provinsi O
Jawa O
Timur O
dengan O
Pendekatan O
Delone O
and O
Mclean O
Information O
System O
Success O
Model O
, O
” O
Jurnal O
Ilmiah O
Mahasiswa O
FEB O
Universitas O
Brawijawya O
, O
vol. O
6 O
, O
no. O
2 O
, O
2018. O
[ O
12 O
] O
Z. O
Sharfina O
and O
H. O
B. O
Santoso O
, O
“An O
Indonesian O
Adaptation O
of O
the O
System O
Usability O
Scale O
, O
” O
in O
ICACSIS O
, O
Jakarta O
, O
2016. O
[ O
13 O
] O
J. O
R. O
Lewis O
and O
J. O
Sauro O
, O
“The O
Factor O
Structure O
of O
the O
System O
Usability O
Scale O
, O
” O
in O
International O
Conference O
( O
HCII O
) O
, O
San O
Diego O
, O
2009. O
[ O
14 O
] O
J. O
Brooke O
, O
“SUS O
: O
A O
quick O
and O
dirty O
usability O
scale O
, O
” O
in O
Usability O
Evaluation O
in O
Industry O
, O
London O
, O
Taylor O
and O
Francis O
, O
1995 O
, O
pp. O
189-194. O
[ O
15 O
] O
I. O
Aprilia. O
H. O
N. O
, O
P. O
I. O
Santoso O
dan O
R. O
Ferdiana O
, O
“Pengujian O
Usability O
Website O
Menggunakan O
System O
Usability O
Scale O
, O
” O
IPTEK-KOM O
, O
vol. O
17 O
, O
no. O
1 O
, O
pp. O
31-38 O
, O
2015. O
[ O
16 O
] O
M. O
E. O
Khan O
dan O
F. O
Khan O
, O
“A O
Comparative O
Study O
of O
White O
Box O
, O
Black O
Box O
and O
Grey O
Box O
Testing O
Techniques O
, O
” O
( O
IJACSA O
) O
International O
Journal O
of O
Advanced O
Computer O
Science O
and O
Applications O
, O
vol. O
3 O
, O
no. O
6 O
, O
pp. O
12-15 O
, O
2012. O
[ O
17 O
] O
S. O
Nidhra O
dan O
J. O
Dondeti O
, O
“Black O
Box O
and O
White O
Box O
Testing O
Techniques O
–A O
Literature O
Review O
, O
” O
International O
Journal O
of O
Embedded O
Systems O
and O
Applications O
( O
IJESA O
) O
, O
vol. O
2 O
, O
no. O
2 O
, O
pp. O
29-50 O
, O
2012. O
telah O
selesai O
maupun O
ditolak O
oleh O
petugas O
, O
sistem O
telah O
dapat O
mengirimkan O
pemberitahuan O
kepada O
unit O
melalui O
surel. O
E-Loket O
yang O
dibuat O
sudah O
dapat O
mengatasi O
permasalahan O
pemantauan O
proses O
permintaan O
dana O
, O
mulai O
dari O
pengusulan O
kegiatan O
yang O
akan O
dilaksanakan O
sampai O
pembayaran O
diterima O
oleh O
unit. O
Pengujian O
yang O
dilakukan O
menggunakan O
uji O
black- O
box O
mendapatkan O
hasil O
yang O
baik O
, O
namun O
pengujian O
menggunakan O
SUS O
mendapatkan O
hasil O
yang O
kurang O
baik O
, O
sehingga O
sistem O
masih O
perlu O
diperbaiki. O
Maka O
dari O
itu O
, O
penulis O
akan O
mencoba O
memperbaiki O
sistem O
berdasarkan O
masukan O
dan O
tanggapan O
dari O
pengguna O
pada O
pengujian O
yang O
telah O
dilakukan O
agar O
sistem O
lebih O
dapat O
diterima. O
Penjelasan O
sistem O
juga O
harus O
dilakukan O
secara O
rinci O
dan O
lengkap O
agar O
pengguna O
dapat O
memahami O
cara O
menggunakan O
sistem O
dengan O
baik. O
B. O
Saran O
Saran O
yang O
dapat O
penulis O
sampaikan O
untuk O
pengembang O
dan O
peneliti O
selanjutnya O
adalah O
1. O
Proses O
revisi O
yang O
dilakukan O
di O
luar O
sistem O
dapat O
menimbulkan O
human O
error O
karena O
masih O
melibatkan O
manusia. O
Error O
yang O
muncul O
dapat O
dikurangi O
dengan O
melakukan O
integrasi O
sistem O
dengan O
sistem O
lain O
yang O
digunakan O
untuk O
melakukan O
revisi. O
Hal O
ini O
tentunya O
tidak O
mudah O
karena O
kemungkinan O
besar O
, O
sistem O
lain O
tersebut O
memiliki O
arsitektur O
yang O
berbeda O
dengan O
sistem O
ini. O
Namun O
integrasi O
sistem O
patut O
dipertimbangkan O
karena O
revisi O
POK O
sering O
dilakukan O
dan O
merupakan O
salah O
satu O
hal O
penting O
dalam O
kegiatan O
pengelolaan O
POK. O
2. O
Bagian O
front-end O
masih O
menggunakan O
view O
engine O
handlebars O
yang O
sederhana O
dan O
kurang O
fleksibel. O
Jika O
memungkinkan O
untuk O
penelitian O
selanjutnya O
bagian O
tersebut O
diganti O
menggunakan O
react O
atau O
vue O
yang O
lebih O
fleksibel O
dan O
memiliki O
library O
pendukung O
sehingga O
dapat O
mengatasi O
pemrograman O
lanjut O
dan O
tampilan O
yang O
lebih O
dinamis. O
Selain O
itu O
source O
code O
menjadi O
lebih O
rapi O
serta O
pengembang O
lebih O
mudah O
melakukan O
maintenance O
pada O
fungsi-fungsi O
yang O
ada. O
tingkat O
3. O
E-loket O
yang O
penulis O
kembangkan O
masih O
terbatas O
pada O
pemantauan O
proses O
permintaan O
dana O
dan O
pengiriman O
notifikasi O
kepada O
unit. O
Untuk O
penelitian O
selanjutnya O
bisa O
dikembangkan O
fitur O
lain O
seperti O
pembacaan O
dokumen O
keuangan O
yang O
dibutuhkan O
, O
formulir O
yang O
lebih O
dinamis O
, O
atau O
integrasi O
dengan O
sistem O
informasi O
yang O
lain O
, O

Kajian O
Perbandingan O
pada O
Klasifikasi O
Sentimen O
Twitter O
Multi-kelas O
Berbahasa O
Indonesia O
yang O
Tidak O
Seimbang O
dengan O
Support O
Vector O
Machine O
( O
SVM O
) O
M. O
Rizki O
( O
221709863 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
SST O
, O
M.Si O
Ringkasan— O
Analisis B-METODE
sentimen I-METODE
Twitter O
telah O
menjadi O
penelitian O
yang O
penting O
dan O
menarik O
banyak O
pihak O
, O
baik O
dibidang O
keilmuan O
maupun O
non O
keilmuan. O
Hal O
ini O
dikarenakan O
Twitter O
merupakan O
salah O
satu O
penyedia O
data O
teks O
mentah O
terbesar O
saat O
ini O
di O
mana O
orang O
bebas O
beropini O
mengenai O
suatu O
hal. O
Namun O
, O
permasalahan O
ketidakseimbangan O
data O
pada O
analisis O
ini O
cenderung O
jarang O
diatasi. O
Membangun O
model O
pada O
data O
yang O
tidak O
seimbang O
akan O
menghasilkan O
performa O
yang O
bias O
, O
karena O
hanya O
akan O
cenderung O
mengklasifikasi O
data O
pada O
kelas O
dengan O
data O
yang O
lebih O
banyak O
( O
mayor O
) O
. O
Oleh O
karenanya O
, O
pada O
penelitian O
ini O
, O
kami O
bertujuan O
untuk O
menghubungkan B-TUJUAN
pembelajaran I-TUJUAN
mengenai I-TUJUAN
ketidakseimbangan I-TUJUAN
data I-TUJUAN
dengan I-TUJUAN
analisis I-TUJUAN
sentimen. I-TUJUAN
Penelitian O
ini O
meliputi O
tiga O
metode B-METODE
resampling I-METODE
: O
SMOTE O
, O
Tomek O
Link O
, O
SMOTTomek O
; O
algoritma O
klasifikasi B-METODE
Multi-kelas O
SVM O
dengan O
pendekatan O
One O
vs O
Rest O
( O
OVR O
) O
dan O
One O
vs O
One O
( O
OVO O
) O
; O
Kernel O
RBF O
dan O
Linier O
; O
dan O
penggunaan O
beberapa O
dataset O
Twitter O
multi-kelas O
berbahasa O
Indonesia O
, O
termasuk O
dataset O
sentimen O
masyarakat O
di O
Twitter O
mengenai O
pelayanan O
PT O
KAI. O
Kata O
Kunci— O
Imbalance O
data O
, O
Multi-kelas O
SVM O
, O
SMOTE O
, O
Tomek O
Link O
, O
SMOTTomek. O
[SEP] O
Kesimpulan O
: O
1. O
Berdasarkan O
hasil O
dari O
perbandingan O
teknik O
resampling O
, O
teknik O
resampling O
terbaik O
ketika O
diterapkan O
pada O
klasifikasi O
teks O
Twitter O
multikelas O
berbahasa O
Indonesia O
yang O
tidak O
seimbang O
adalah O
SMOTE O
, O
diikuti O
oleh O
SMOTTomek O
, O
dan O
Tomek O
Link. O
Namun O
, O
dari O
beberapa O
teknik O
resampling O
tersebut O
, O
teknik O
resampling O
yang O
memberikan O
nilai O
yang O
signifikan O
terhadap O
SVM O
OVA O
adalah O
SMOTE O
, O
sedangkan O
terhadap O
SVM O
OVO O
adalah O
SMOTE O
dan O
SMOTTomek O
, O
Ketiga O
teknik O
resampling O
terbukti O
dapat O
menaikkan O
performa O
model O
di O
banyak O
kasus O
data O
teks O
tidak O
seimbang. O
2. O
Berdasarkan O
hasil O
dari O
perbandingan O
kernel O
antara O
kernel O
RBF O
dan O
linier O
, O
kernel O
terbaik O
yang O
digunakan O
pada O
model O
klasifikasi O
SVM O
ketika O
melakukan O
klasifikasi O
teks O
Twitter O
multikelas O
berbahasa O
Indonesia O
yang O
tidak O
seimbang O
adalah O
kernel O
linier. O
Di O
banyak O
kasus O
data O
, O
performa O
model O
yang O
dihasilkan O
menggunakan O
kernel O
linier O
memiliki O
nilai O
yang O
lebih O
baik O
dibandingkan O
ketika O
menggunakan O
kernel O
RBF. O
Hal O
ini O
terlihat O
dari O
perbandingan O
jumlah O
ranking O
yang O
didominasi O
oleh O
kernel O
linier. O
Namun O
, O
kami O
menemukan O
bahwa O
antara O
kernel O
linier O
dan O
RBF O
, O
tidak O
terdapat O
perbedaan O
nilai O
yang O
signifikan O
, O
kecuali O
pada O
model O
data O
Original O
dan O
model O
data O
Tomek O
Link. O
Pada O
SMOTE O
dan O
SMOTTomek O
, O
tidak O
terdapat O
perbedaan O
nilai O
yang O
signifikan O
antara O
kedua O
kernel O
ini. O
3. O
Berdasarkan O
hasil O
dari O
perbandingan O
teknik O
binerisasi O
, O
teknik O
binerisasi O
OVA O
memberikan O
performa O
yang O
lebih O
baik O
dibandingkan O
teknik O
binerisasi O
OVO O
di O
berbagai O
kasus O
data O
teks O
Twitter O
multikelas O
tidak O
seimbang O
ketika O
diterapkan O
pada O
algoritma O
klasifikasi O
SVM. O
Hal O
ini O
terlihat O
dari O
perbandingan O
jumlah O
rank O
yang O
dihasilkan O
oleh O
teknik O
binerisasi O
OVA O
yang O
mendominasi O
dibandingkan O
dengan O
teknik O
binerisasi O
OVO. O
Namun O
, O
antara O
kedua O
teknik O
binerisasi O
, O
tidak O
terdapat O
perbedaan O
nilai O
yang O
signifikan O
, O
kecuali O
pada O
nilai O
F1-Score B-METODE
pada O
model O
data O
Original O
dan O
Tomek O
Link O
, O
serta O
nilai O
G- O
Mean O
pada O
model O
data O
Original. O
4. O
Model B-TEMUAN
terbaik I-TEMUAN
pada I-TEMUAN
studi I-TEMUAN
kasus I-TEMUAN
klasifikasi I-TEMUAN
data I-TEMUAN
sentimen I-TEMUAN
multikelas I-TEMUAN
KAI I-TEMUAN
yang I-TEMUAN
tidak I-TEMUAN
seimbang I-TEMUAN
adalah I-TEMUAN
dengan I-TEMUAN
menerapkan I-TEMUAN
SMOTE I-TEMUAN
pada I-TEMUAN
data I-TEMUAN
, I-TEMUAN
baik I-TEMUAN
pada I-TEMUAN
model I-TEMUAN
SVM I-TEMUAN
OVA I-TEMUAN
maupun I-TEMUAN
SVM I-TEMUAN
OVO. I-TEMUAN
Nilai B-TEMUAN
performa I-TEMUAN
terbaik I-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
adalah I-TEMUAN
61.2 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
F1-Score I-TEMUAN
dan I-TEMUAN
70.2 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
geometric I-TEMUAN
mean. I-TEMUAN
Model I-TEMUAN
ini I-TEMUAN
meningkatkan I-TEMUAN
sekitar I-TEMUAN
4 I-TEMUAN
% I-TEMUAN
-5 I-TEMUAN
% I-TEMUAN
dari I-TEMUAN
model I-TEMUAN
data I-TEMUAN
Original I-TEMUAN
( I-TEMUAN
tanpa I-TEMUAN
resampling I-TEMUAN
) I-TEMUAN
. I-TEMUAN
Saran O
: O
1. O
Sejak O
pada O
penelitian O
teknik O
resampling O
untuk O
mengatasi O
ketidakseimbangan O
data O
, O
selanjutnya O
untuk O
disarankan O
untuk O
penelitian O
ini O
menggunakan O
8 O
/ O
9 O
Makalah O
Seminar O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
classification O
using O
SVM O
: O
A O
comparative O
study O
, O
” O
Decis. O
Support O
Syst. O
, O
doi O
: O
no. O
10.1016 O
/ O
j.dss.2009.07.011. O
191–201 O
, O
2009 O
, O
vol. O
pp. O
48 O
, O
1 O
, O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
R. O
Moraes O
, O
J. O
F. O
Valiati O
, O
and O
W. O
P. O
Gavião O
Neto O
, O
“Unbalanced O
sentiment O
classification O
: O
an O
assessment O
of O
ANN O
in O
the O
context O
of O
sampling O
the O
majority O
class O
, O
” O
PeerJ O
, O
vol. O
6 O
, O
pp. O
1–15 O
, O
2018 O
, O
doi O
: O
10.7287 O
/ O
peerj.preprints.26618. O
B. O
Krawczyk O
, O
B. O
T. O
McInnes O
, O
and O
A. O
Cano O
, O
“Sentiment O
classification O
from O
multi-class O
imbalanced O
twitter O
data O
using O
binarization O
, O
” O
Lect. O
Notes O
Comput. O
Sci. O
( O
including O
Subser. O
Lect. O
Notes O
Artif. O
Intell. O
Lect. O
Notes O
Bioinformatics O
) O
, O
vol. O
10334 O
LNCS O
, O
pp. O
26–37 O
, O
2017 O
, O
doi O
: O
10.1007 O
/ O
978-3-319-59650-1_3. O
H. O
Sain O
and O
S. O
W. O
Purnami O
, O
“Combine O
Sampling O
Support O
Vector O
Machine O
for O
Imbalanced O
Data O
Classification O
, O
” O
Procedia O
Comput. O
Sci. O
, O
vol. O
72 O
, O
pp. O
59–66 O
, O
2015 O
, O
doi O
: O
10.1016 O
/ O
j.procs.2015.12.105. O
J. O
Demšar O
, O
“Statistical O
comparisons O
of O
classifiers O
over O
multiple O
data O
sets O
, O
” O
J. O
Mach. O
Learn. O
Res. O
, O
vol. O
7 O
, O
pp. O
1–30 O
, O
2006. O
penggunaan O
melakukan O
ketidakseimbangan O
data O
ensambel O
( O
algorithmic O
sensitive O
learning. O
teknik O
penanganan O
lainnya O
, O
seperti O
metode O
level O
) O
dan O
metode O
cost- O
2. O
Pada O
penelitian O
ini O
, O
penggunaan O
teknik O
binerisasi O
yang O
digunakan O
adalah O
OVA O
dan O
OVO O
, O
di O
mana O
kedua O
teknik O
ini O
merupakan O
dua O
dari O
tiga O
teknik O
binerisasi O
yang O
ada O
saat O
ini. O
Oleh O
karenanya O
, O
penelitian O
selanjutnya O
disarankan O
untuk O
menggunakan O
teknik O
binerisasi O
directed O
acyclic O
graph O
SVM O
( O
DAGSVM O
) O
ketika O
memetakan O
kelas O
multikelas O
ke O
dalam O
bentuk O
biner. O
3. O
Pada O
penelitian O
ini O
, O
kami O
berfokus O
pada O
kajian O
membandingkan O
metode O
yang O
diterapkan O
pada O
SVM O
ketika O
menghadapi O
kasus O
dataset O
Twitter O
multikelas O
berbahasa O
Indonesia O
yang O
tidak O
seimbang. O
Pada O
penelitian O
di O
masa O
depan O
, O
disarankan O
untuk O
melakukan O
studi O
untuk O
melihat O
apakah O
model O
terbaik O
yang O
mengatasi O
ketidakseimbangan O
dan O
mangatasi O
indikasi O
overfitting O
yang O
diakibatkan O
data O
tidak O
seimbang. O
didapat O
sudah O
dapat O
terdiri O
dari O
4. O
Pada O
penelitian O
ini O
, O
jumlah O
kelas O
pada O
dataset O
yang O
digunakan O
tiga O
kelas. O
penelitian O
selanjutnya O
disarankan O
untuk O
menggunakan O
dataset O
dengan O
jumlah O
kelas O
lebih O
dari O
tiga O
, O
untuk O
melihat O
bagaimana O
perbandingan O
hasil O
yang O
dihasilkan O
untuk O
setiap O
model. O

Kajian O
Perbandingan O
pada O
Klasifikasi O
Sentimen O
Twitter O
Multi-kelas O
Berbahasa O
Indonesia O
yang O
Tidak O
Seimbang O
dengan O
Support O
Vector O
Machine O
( O
SVM O
) O
M. O
Rizki O
( O
221709863 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
SST O
, O
M.Si O
Ringkasan— O
Analisis B-METODE
sentimen I-METODE
Twitter O
telah O
menjadi O
penelitian O
yang O
penting O
dan O
menarik O
banyak O
pihak O
, O
baik O
dibidang O
keilmuan O
maupun O
non O
keilmuan. O
Hal O
ini O
dikarenakan O
Twitter O
merupakan O
salah O
satu O
penyedia O
data O
teks O
mentah O
terbesar O
saat O
ini O
di O
mana O
orang O
bebas O
beropini O
mengenai O
suatu O
hal. O
Namun O
, O
permasalahan O
ketidakseimbangan O
data O
pada O
analisis O
ini O
cenderung O
jarang O
diatasi. O
Membangun O
model O
pada O
data O
yang O
tidak O
seimbang O
akan O
menghasilkan O
performa O
yang O
bias O
, O
karena O
hanya O
akan O
cenderung O
mengklasifikasi O
data O
pada O
kelas O
dengan O
data O
yang O
lebih O
banyak O
( O
mayor O
) O
. O
Oleh O
karenanya O
, O
pada O
penelitian O
ini O
, O
kami O
bertujuan O
untuk O
menghubungkan B-TUJUAN
pembelajaran I-TUJUAN
mengenai I-TUJUAN
ketidakseimbangan I-TUJUAN
data I-TUJUAN
dengan I-TUJUAN
analisis I-TUJUAN
sentimen. I-TUJUAN
Penelitian O
ini O
meliputi O
tiga O
metode B-METODE
resampling I-METODE
: O
SMOTE O
, O
Tomek O
Link O
, O
SMOTTomek O
; O
algoritma O
klasifikasi B-METODE
Multi-kelas O
SVM O
dengan O
pendekatan O
One O
vs O
Rest O
( O
OVR O
) O
dan O
One O
vs O
One O
( O
OVO O
) O
; O
Kernel O
RBF O
dan O
Linier O
; O
dan O
penggunaan O
beberapa O
dataset O
Twitter O
multi-kelas O
berbahasa O
Indonesia O
, O
termasuk O
dataset O
sentimen O
masyarakat O
di O
Twitter O
mengenai O
pelayanan O
PT O
KAI. O
Kata O
Kunci— O
Imbalance O
data O
, O
Multi-kelas O
SVM O
, O
SMOTE O
, O
Tomek O
Link O
, O
SMOTTomek. O
[SEP] O
Kesimpulan O
: O
1. O
Berdasarkan O
hasil O
dari O
perbandingan O
teknik O
resampling O
, O
teknik O
resampling O
terbaik O
ketika O
diterapkan O
pada O
klasifikasi O
teks O
Twitter O
multikelas O
berbahasa O
Indonesia O
yang O
tidak O
seimbang O
adalah O
SMOTE O
, O
diikuti O
oleh O
SMOTTomek O
, O
dan O
Tomek O
Link. O
Namun O
, O
dari O
beberapa O
teknik O
resampling O
tersebut O
, O
teknik O
resampling O
yang O
memberikan O
nilai O
yang O
signifikan O
terhadap O
SVM O
OVA O
adalah O
SMOTE O
, O
sedangkan O
terhadap O
SVM O
OVO O
adalah O
SMOTE O
dan O
SMOTTomek O
, O
Ketiga O
teknik O
resampling O
terbukti O
dapat O
menaikkan O
performa O
model O
di O
banyak O
kasus O
data O
teks O
tidak O
seimbang. O
2. O
Berdasarkan O
hasil O
dari O
perbandingan O
kernel O
antara O
kernel O
RBF O
dan O
linier O
, O
kernel O
terbaik O
yang O
digunakan O
pada O
model O
klasifikasi O
SVM O
ketika O
melakukan O
klasifikasi O
teks O
Twitter O
multikelas O
berbahasa O
Indonesia O
yang O
tidak O
seimbang O
adalah O
kernel O
linier. O
Di O
banyak O
kasus O
data O
, O
performa O
model O
yang O
dihasilkan O
menggunakan O
kernel O
linier O
memiliki O
nilai O
yang O
lebih O
baik O
dibandingkan O
ketika O
menggunakan O
kernel O
RBF. O
Hal O
ini O
terlihat O
dari O
perbandingan O
jumlah O
ranking O
yang O
didominasi O
oleh O
kernel O
linier. O
Namun O
, O
kami O
menemukan O
bahwa O
antara O
kernel O
linier O
dan O
RBF O
, O
tidak O
terdapat O
perbedaan O
nilai O
yang O
signifikan O
, O
kecuali O
pada O
model O
data O
Original O
dan O
model O
data O
Tomek O
Link. O
Pada O
SMOTE O
dan O
SMOTTomek O
, O
tidak O
terdapat O
perbedaan O
nilai O
yang O
signifikan O
antara O
kedua O
kernel O
ini. O
3. O
Berdasarkan O
hasil O
dari O
perbandingan O
teknik O
binerisasi O
, O
teknik O
binerisasi O
OVA O
memberikan O
performa O
yang O
lebih O
baik O
dibandingkan O
teknik O
binerisasi O
OVO O
di O
berbagai O
kasus O
data O
teks O
Twitter O
multikelas O
tidak O
seimbang O
ketika O
diterapkan O
pada O
algoritma O
klasifikasi O
SVM. O
Hal O
ini O
terlihat O
dari O
perbandingan O
jumlah O
rank O
yang O
dihasilkan O
oleh O
teknik O
binerisasi O
OVA O
yang O
mendominasi O
dibandingkan O
dengan O
teknik O
binerisasi O
OVO. O
Namun O
, O
antara O
kedua O
teknik O
binerisasi O
, O
tidak O
terdapat O
perbedaan O
nilai O
yang O
signifikan O
, O
kecuali O
pada O
nilai O
F1-Score B-METODE
pada O
model O
data O
Original O
dan O
Tomek O
Link O
, O
serta O
nilai O
G- O
Mean O
pada O
model O
data O
Original. O
4. O
Model B-TEMUAN
terbaik I-TEMUAN
pada I-TEMUAN
studi I-TEMUAN
kasus I-TEMUAN
klasifikasi I-TEMUAN
data I-TEMUAN
sentimen I-TEMUAN
multikelas I-TEMUAN
KAI I-TEMUAN
yang I-TEMUAN
tidak I-TEMUAN
seimbang I-TEMUAN
adalah I-TEMUAN
dengan I-TEMUAN
menerapkan I-TEMUAN
SMOTE I-TEMUAN
pada I-TEMUAN
data I-TEMUAN
, I-TEMUAN
baik I-TEMUAN
pada I-TEMUAN
model I-TEMUAN
SVM I-TEMUAN
OVA I-TEMUAN
maupun I-TEMUAN
SVM I-TEMUAN
OVO. I-TEMUAN
Nilai B-TEMUAN
performa I-TEMUAN
terbaik I-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
adalah I-TEMUAN
61.2 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
F1-Score I-TEMUAN
dan I-TEMUAN
70.2 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
geometric I-TEMUAN
mean. I-TEMUAN
Model I-TEMUAN
ini I-TEMUAN
meningkatkan I-TEMUAN
sekitar I-TEMUAN
4 I-TEMUAN
% I-TEMUAN
-5 I-TEMUAN
% I-TEMUAN
dari I-TEMUAN
model I-TEMUAN
data I-TEMUAN
Original I-TEMUAN
( I-TEMUAN
tanpa I-TEMUAN
resampling I-TEMUAN
) I-TEMUAN
. I-TEMUAN
Saran O
: O
1. O
Sejak O
pada O
penelitian O
teknik O
resampling O
untuk O
mengatasi O
ketidakseimbangan O
data O
, O
selanjutnya O
untuk O
disarankan O
untuk O
penelitian O
ini O
menggunakan O
8 O
/ O
9 O
Makalah O
Seminar O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
classification O
using O
SVM O
: O
A O
comparative O
study O
, O
” O
Decis. O
Support O
Syst. O
, O
doi O
: O
no. O
10.1016 O
/ O
j.dss.2009.07.011. O
191–201 O
, O
2009 O
, O
vol. O
pp. O
48 O
, O
1 O
, O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
R. O
Moraes O
, O
J. O
F. O
Valiati O
, O
and O
W. O
P. O
Gavião O
Neto O
, O
“Unbalanced O
sentiment O
classification O
: O
an O
assessment O
of O
ANN O
in O
the O
context O
of O
sampling O
the O
majority O
class O
, O
” O
PeerJ O
, O
vol. O
6 O
, O
pp. O
1–15 O
, O
2018 O
, O
doi O
: O
10.7287 O
/ O
peerj.preprints.26618. O
B. O
Krawczyk O
, O
B. O
T. O
McInnes O
, O
and O
A. O
Cano O
, O
“Sentiment O
classification O
from O
multi-class O
imbalanced O
twitter O
data O
using O
binarization O
, O
” O
Lect. O
Notes O
Comput. O
Sci. O
( O
including O
Subser. O
Lect. O
Notes O
Artif. O
Intell. O
Lect. O
Notes O
Bioinformatics O
) O
, O
vol. O
10334 O
LNCS O
, O
pp. O
26–37 O
, O
2017 O
, O
doi O
: O
10.1007 O
/ O
978-3-319-59650-1_3. O
H. O
Sain O
and O
S. O
W. O
Purnami O
, O
“Combine O
Sampling O
Support O
Vector O
Machine O
for O
Imbalanced O
Data O
Classification O
, O
” O
Procedia O
Comput. O
Sci. O
, O
vol. O
72 O
, O
pp. O
59–66 O
, O
2015 O
, O
doi O
: O
10.1016 O
/ O
j.procs.2015.12.105. O
J. O
Demšar O
, O
“Statistical O
comparisons O
of O
classifiers O
over O
multiple O
data O
sets O
, O
” O
J. O
Mach. O
Learn. O
Res. O
, O
vol. O
7 O
, O
pp. O
1–30 O
, O
2006. O
penggunaan O
melakukan O
ketidakseimbangan O
data O
ensambel O
( O
algorithmic O
sensitive O
learning. O
teknik O
penanganan O
lainnya O
, O
seperti O
metode O
level O
) O
dan O
metode O
cost- O
2. O
Pada O
penelitian O
ini O
, O
penggunaan O
teknik O
binerisasi O
yang O
digunakan O
adalah O
OVA O
dan O
OVO O
, O
di O
mana O
kedua O
teknik O
ini O
merupakan O
dua O
dari O
tiga O
teknik O
binerisasi O
yang O
ada O
saat O
ini. O
Oleh O
karenanya O
, O
penelitian O
selanjutnya O
disarankan O
untuk O
menggunakan O
teknik O
binerisasi O
directed O
acyclic O
graph O
SVM O
( O
DAGSVM O
) O
ketika O
memetakan O
kelas O
multikelas O
ke O
dalam O
bentuk O
biner. O
3. O
Pada O
penelitian O
ini O
, O
kami O
berfokus O
pada O
kajian O
membandingkan O
metode O
yang O
diterapkan O
pada O
SVM O
ketika O
menghadapi O
kasus O
dataset O
Twitter O
multikelas O
berbahasa O
Indonesia O
yang O
tidak O
seimbang. O
Pada O
penelitian O
di O
masa O
depan O
, O
disarankan O
untuk O
melakukan O
studi O
untuk O
melihat O
apakah O
model O
terbaik O
yang O
mengatasi O
ketidakseimbangan O
dan O
mangatasi O
indikasi O
overfitting O
yang O
diakibatkan O
data O
tidak O
seimbang. O
didapat O
sudah O
dapat O
terdiri O
dari O
4. O
Pada O
penelitian O
ini O
, O
jumlah O
kelas O
pada O
dataset O
yang O
digunakan O
tiga O
kelas. O
penelitian O
selanjutnya O
disarankan O
untuk O
menggunakan O
dataset O
dengan O
jumlah O
kelas O
lebih O
dari O
tiga O
, O
untuk O
melihat O
bagaimana O
perbandingan O
hasil O
yang O
dihasilkan O
untuk O
setiap O
model. O

Sistem O
Penarikan O
Sampel O
Berbasis O
Web O
pada O
Survei O
Ubinan O
Komoditas O
Padi O
Muhammad O
Qadri O
( O
221709860 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph.D. O
Ringkasan— O
Penyediaan O
data O
produksi O
beras O
merupakan O
tanggung O
jawab O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
sebagai O
lembaga O
statistik O
negara. O
Untuk O
menghasilkan O
data O
tersebut O
, O
BPS O
memerlukan O
data O
produktivitas O
padi O
yang O
diperoleh O
melalui O
survei O
ubinan. O
Desain O
sampling O
survei O
ubinan O
padi O
menggunakan O
hasil O
amatan O
Kerangka O
Sampel O
Area O
( O
KSA O
) O
berupa O
subsegmen O
wilayah. O
Penarikan O
sampel O
subsegmen O
pada O
sistem O
berjalan O
masih O
bersifat O
manual O
sehingga O
dinilai O
tidak O
efisien. O
Selain O
itu O
, O
proses O
pengajuan O
sampel O
tambahan O
dari O
daerah O
juga O
masih O
dilakukan O
melalui O
email O
sehingga O
kurang O
dapat O
dipantau O
tersebut O
, O
perkembangannya. O
Berdasarkan O
diperlukan B-TUJUAN
sistem I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
yang I-TUJUAN
mampu I-TUJUAN
sebuah I-TUJUAN
meningkatkan I-TUJUAN
efisiensi I-TUJUAN
pekerjaan I-TUJUAN
yang I-TUJUAN
terkait I-TUJUAN
dengan I-TUJUAN
sampel I-TUJUAN
pada I-TUJUAN
survei I-TUJUAN
ubinan I-TUJUAN
padi. I-TUJUAN
Metode O
pengembangan O
sistem O
yang O
digunakan O
adalah O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
model I-METODE
Iterative I-METODE
Waterfall I-METODE
dengan O
alasan O
karena O
kebutuhan O
sistem O
sudah O
cukup O
spesifik O
di O
sistem O
menggunakan O
bahasa O
pemrograman O
PHP O
dan O
JavaScript O
serta O
PostgreSQL O
sebagai O
sistem O
manajemen O
basis O
data. O
Pengujian O
dan O
evaluasi O
sistem O
menggunakan O
teknik B-METODE
Black-Box I-METODE
dan I-METODE
kuesioner I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
dengan O
hasil O
bahwa O
sistem B-TEMUAN
berfungsi I-TEMUAN
sesuai I-TEMUAN
harapan I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
pengguna. I-TEMUAN
awal O
pengembangan. O
permasalahan O
Implementasi O
Kata O
Kunci— O
Penarikan O
Sampel O
, O
Survei O
Ubinan O
, O
Efisiensi O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
didapat O
kes- O
impulan O
sebagai O
berikut. O
1 O
) O
Permasalahan O
yang O
terjadi O
pada O
penarikan O
sampel O
survei O
ubinan O
padi O
selama O
ini O
terletak O
pada O
proses O
yang O
tidak O
efisien O
dan O
rawan O
terhadap O
human O
error. O
2 O
) O
Solusi O
yang O
ditawarkan O
untuk O
permasalah O
tersebut O
adalah O
dengan O
mengembangkan B-TUJUAN
sistem I-TUJUAN
penarikan I-TUJUAN
sampel I-TUJUAN
survei I-TUJUAN
ubinan I-TUJUAN
padi I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
3 O
) O
Pengembangan O
sistem O
telah O
dilakukan O
dengan O
metode B-METODE
SDLC I-METODE
model I-METODE
terdiri O
dari O
perencanaan O
, O
analisis O
, O
perancangan O
, O
implementasi O
, O
pen- O
gujian O
, O
dan O
pemeliharaan. O
iterative O
waterfall O
yang O
4 O
) O
Hasil B-TEMUAN
dari I-TEMUAN
pengujian I-TEMUAN
sistem I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
pen- I-TEMUAN
gujian I-TEMUAN
black-box I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
setiap I-TEMUAN
fungsi I-TEMUAN
yang I-TEMUAN
dibuat I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
harapan. I-TEMUAN
Adapun I-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
sistem I-TEMUAN
menggunakan I-TEMUAN
kuesioner I-TEMUAN
SUS I-TEMUAN
kepada I-TEMUAN
delapan I-TEMUAN
orang I-TEMUAN
pegawai I-TEMUAN
BPS I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
rata-rata I-TEMUAN
skor I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
76,25. I-TEMUAN
Adapun O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
selan- O
jutnya O
adalah O
sebagai O
berikut. O
1 O
) O
Berdasarkan O
evaluasi O
sistem O
oleh O
pengguna O
terdapat O
masukan O
agar O
dilakukan O
sinkronisasi O
antara O
sistem O
penarikan O
sampel O
survei O
ubinan O
padi O
dengan O
sistem O
penarikan O
sampel O
survei O
ubinan O
palawija O
karena O
pengguna O
kedua O
sistem O
tersebut O
sebagian O
besar O
sama. O
2 O
) O
Selain O
itu O
, O
terdapat O
masukan O
pula O
agar O
sampel O
subsegmen O
yang O
terpilih O
divisualisasikan O
dalam O
bentuk O
geospasial. O
Dengan O
demikian O
, O
BPS O
provinsi O
maupun O
BPS O
kabu- O
paten O
/ O
kota O
dapat O
melihat O
dengan O
mudah O
posisi O
sampel O
secara O
geografis. O

Sistem O
Penarikan O
Sampel O
Berbasis O
Web O
pada O
Survei O
Ubinan O
Komoditas O
Padi O
Muhammad O
Qadri O
( O
221709860 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph.D. O
Ringkasan— O
Penyediaan O
data O
produksi O
beras O
merupakan O
tanggung O
jawab O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
sebagai O
lembaga O
statistik O
negara. O
Untuk O
menghasilkan O
data O
tersebut O
, O
BPS O
memerlukan O
data O
produktivitas O
padi O
yang O
diperoleh O
melalui O
survei O
ubinan. O
Desain O
sampling O
survei O
ubinan O
padi O
menggunakan O
hasil O
amatan O
Kerangka O
Sampel O
Area O
( O
KSA O
) O
berupa O
subsegmen O
wilayah. O
Penarikan O
sampel O
subsegmen O
pada O
sistem O
berjalan O
masih O
bersifat O
manual O
sehingga O
dinilai O
tidak O
efisien. O
Selain O
itu O
, O
proses O
pengajuan O
sampel O
tambahan O
dari O
daerah O
juga O
masih O
dilakukan O
melalui O
email O
sehingga O
kurang O
dapat O
dipantau O
tersebut O
, O
perkembangannya. O
Berdasarkan O
diperlukan B-TUJUAN
sistem I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
yang I-TUJUAN
mampu I-TUJUAN
sebuah I-TUJUAN
meningkatkan I-TUJUAN
efisiensi I-TUJUAN
pekerjaan I-TUJUAN
yang I-TUJUAN
terkait I-TUJUAN
dengan I-TUJUAN
sampel I-TUJUAN
pada I-TUJUAN
survei I-TUJUAN
ubinan I-TUJUAN
padi. I-TUJUAN
Metode O
pengembangan O
sistem O
yang O
digunakan O
adalah O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
model I-METODE
Iterative I-METODE
Waterfall I-METODE
dengan O
alasan O
karena O
kebutuhan O
sistem O
sudah O
cukup O
spesifik O
di O
sistem O
menggunakan O
bahasa O
pemrograman O
PHP O
dan O
JavaScript O
serta O
PostgreSQL O
sebagai O
sistem O
manajemen O
basis O
data. O
Pengujian O
dan O
evaluasi O
sistem O
menggunakan O
teknik B-METODE
Black-Box I-METODE
dan I-METODE
kuesioner I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
dengan O
hasil O
bahwa O
sistem B-TEMUAN
berfungsi I-TEMUAN
sesuai I-TEMUAN
harapan I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
pengguna. I-TEMUAN
awal O
pengembangan. O
permasalahan O
Implementasi O
Kata O
Kunci— O
Penarikan O
Sampel O
, O
Survei O
Ubinan O
, O
Efisiensi O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
didapat O
kes- O
impulan O
sebagai O
berikut. O
1 O
) O
Permasalahan O
yang O
terjadi O
pada O
penarikan O
sampel O
survei O
ubinan O
padi O
selama O
ini O
terletak O
pada O
proses O
yang O
tidak O
efisien O
dan O
rawan O
terhadap O
human O
error. O
2 O
) O
Solusi O
yang O
ditawarkan O
untuk O
permasalah O
tersebut O
adalah O
dengan O
mengembangkan B-TUJUAN
sistem I-TUJUAN
penarikan I-TUJUAN
sampel I-TUJUAN
survei I-TUJUAN
ubinan I-TUJUAN
padi I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
3 O
) O
Pengembangan O
sistem O
telah O
dilakukan O
dengan O
metode B-METODE
SDLC I-METODE
model I-METODE
terdiri O
dari O
perencanaan O
, O
analisis O
, O
perancangan O
, O
implementasi O
, O
pen- O
gujian O
, O
dan O
pemeliharaan. O
iterative O
waterfall O
yang O
4 O
) O
Hasil B-TEMUAN
dari I-TEMUAN
pengujian I-TEMUAN
sistem I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
pen- I-TEMUAN
gujian I-TEMUAN
black-box I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
setiap I-TEMUAN
fungsi I-TEMUAN
yang I-TEMUAN
dibuat I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
harapan. I-TEMUAN
Adapun I-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
sistem I-TEMUAN
menggunakan I-TEMUAN
kuesioner I-TEMUAN
SUS I-TEMUAN
kepada I-TEMUAN
delapan I-TEMUAN
orang I-TEMUAN
pegawai I-TEMUAN
BPS I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
rata-rata I-TEMUAN
skor I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
76,25. I-TEMUAN
Adapun O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
selan- O
jutnya O
adalah O
sebagai O
berikut. O
1 O
) O
Berdasarkan O
evaluasi O
sistem O
oleh O
pengguna O
terdapat O
masukan O
agar O
dilakukan O
sinkronisasi O
antara O
sistem O
penarikan O
sampel O
survei O
ubinan O
padi O
dengan O
sistem O
penarikan O
sampel O
survei O
ubinan O
palawija O
karena O
pengguna O
kedua O
sistem O
tersebut O
sebagian O
besar O
sama. O
2 O
) O
Selain O
itu O
, O
terdapat O
masukan O
pula O
agar O
sampel O
subsegmen O
yang O
terpilih O
divisualisasikan O
dalam O
bentuk O
geospasial. O
Dengan O
demikian O
, O
BPS O
provinsi O
maupun O
BPS O
kabu- O
paten O
/ O
kota O
dapat O
melihat O
dengan O
mudah O
posisi O
sampel O
secara O
geografis. O

Sistem O
Penarikan O
Sampel O
Berbasis O
Web O
pada O
Survei O
Ubinan O
Komoditas O
Padi O
Muhammad O
Qadri O
( O
221709860 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph.D. O
Ringkasan— O
Penyediaan O
data O
produksi O
beras O
merupakan O
tanggung O
jawab O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
sebagai O
lembaga O
statistik O
negara. O
Untuk O
menghasilkan O
data O
tersebut O
, O
BPS O
memerlukan O
data O
produktivitas O
padi O
yang O
diperoleh O
melalui O
survei O
ubinan. O
Desain O
sampling O
survei O
ubinan O
padi O
menggunakan O
hasil O
amatan O
Kerangka O
Sampel O
Area O
( O
KSA O
) O
berupa O
subsegmen O
wilayah. O
Penarikan O
sampel O
subsegmen O
pada O
sistem O
berjalan O
masih O
bersifat O
manual O
sehingga O
dinilai O
tidak O
efisien. O
Selain O
itu O
, O
proses O
pengajuan O
sampel O
tambahan O
dari O
daerah O
juga O
masih O
dilakukan O
melalui O
email O
sehingga O
kurang O
dapat O
dipantau O
tersebut O
, O
perkembangannya. O
Berdasarkan O
diperlukan B-TUJUAN
sistem I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
yang I-TUJUAN
mampu I-TUJUAN
sebuah I-TUJUAN
meningkatkan I-TUJUAN
efisiensi I-TUJUAN
pekerjaan I-TUJUAN
yang I-TUJUAN
terkait I-TUJUAN
dengan I-TUJUAN
sampel I-TUJUAN
pada I-TUJUAN
survei I-TUJUAN
ubinan I-TUJUAN
padi. I-TUJUAN
Metode O
pengembangan O
sistem O
yang O
digunakan O
adalah O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
model I-METODE
Iterative I-METODE
Waterfall I-METODE
dengan O
alasan O
karena O
kebutuhan O
sistem O
sudah O
cukup O
spesifik O
di O
sistem O
menggunakan O
bahasa O
pemrograman O
PHP O
dan O
JavaScript O
serta O
PostgreSQL O
sebagai O
sistem O
manajemen O
basis O
data. O
Pengujian O
dan O
evaluasi O
sistem O
menggunakan O
teknik B-METODE
Black-Box I-METODE
dan I-METODE
kuesioner I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
dengan O
hasil O
bahwa O
sistem B-TEMUAN
berfungsi I-TEMUAN
sesuai I-TEMUAN
harapan I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
pengguna. I-TEMUAN
awal O
pengembangan. O
permasalahan O
Implementasi O
Kata O
Kunci— O
Penarikan O
Sampel O
, O
Survei O
Ubinan O
, O
Efisiensi O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
didapat O
kes- O
impulan O
sebagai O
berikut. O
1 O
) O
Permasalahan O
yang O
terjadi O
pada O
penarikan O
sampel O
survei O
ubinan O
padi O
selama O
ini O
terletak O
pada O
proses O
yang O
tidak O
efisien O
dan O
rawan O
terhadap O
human O
error. O
2 O
) O
Solusi O
yang O
ditawarkan O
untuk O
permasalah O
tersebut O
adalah O
dengan O
mengembangkan B-TUJUAN
sistem I-TUJUAN
penarikan I-TUJUAN
sampel I-TUJUAN
survei I-TUJUAN
ubinan I-TUJUAN
padi I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
3 O
) O
Pengembangan O
sistem O
telah O
dilakukan O
dengan O
metode B-METODE
SDLC I-METODE
model I-METODE
terdiri O
dari O
perencanaan O
, O
analisis O
, O
perancangan O
, O
implementasi O
, O
pen- O
gujian O
, O
dan O
pemeliharaan. O
iterative O
waterfall O
yang O
4 O
) O
Hasil B-TEMUAN
dari I-TEMUAN
pengujian I-TEMUAN
sistem I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
pen- I-TEMUAN
gujian I-TEMUAN
black-box I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
setiap I-TEMUAN
fungsi I-TEMUAN
yang I-TEMUAN
dibuat I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
harapan. I-TEMUAN
Adapun I-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
sistem I-TEMUAN
menggunakan I-TEMUAN
kuesioner I-TEMUAN
SUS I-TEMUAN
kepada I-TEMUAN
delapan I-TEMUAN
orang I-TEMUAN
pegawai I-TEMUAN
BPS I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
rata-rata I-TEMUAN
skor I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
76,25. I-TEMUAN
Adapun O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
selan- O
jutnya O
adalah O
sebagai O
berikut. O
1 O
) O
Berdasarkan O
evaluasi O
sistem O
oleh O
pengguna O
terdapat O
masukan O
agar O
dilakukan O
sinkronisasi O
antara O
sistem O
penarikan O
sampel O
survei O
ubinan O
padi O
dengan O
sistem O
penarikan O
sampel O
survei O
ubinan O
palawija O
karena O
pengguna O
kedua O
sistem O
tersebut O
sebagian O
besar O
sama. O
2 O
) O
Selain O
itu O
, O
terdapat O
masukan O
pula O
agar O
sampel O
subsegmen O
yang O
terpilih O
divisualisasikan O
dalam O
bentuk O
geospasial. O
Dengan O
demikian O
, O
BPS O
provinsi O
maupun O
BPS O
kabu- O
paten O
/ O
kota O
dapat O
melihat O
dengan O
mudah O
posisi O
sampel O
secara O
geografis. O

Sistem O
Penarikan O
Sampel O
Berbasis O
Web O
pada O
Survei O
Ubinan O
Komoditas O
Padi O
Muhammad O
Qadri O
( O
221709860 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
, O
Ph.D. O
Ringkasan— O
Penyediaan O
data O
produksi O
beras O
merupakan O
tanggung O
jawab O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
sebagai O
lembaga O
statistik O
negara. O
Untuk O
menghasilkan O
data O
tersebut O
, O
BPS O
memerlukan O
data O
produktivitas O
padi O
yang O
diperoleh O
melalui O
survei O
ubinan. O
Desain O
sampling O
survei O
ubinan O
padi O
menggunakan O
hasil O
amatan O
Kerangka O
Sampel O
Area O
( O
KSA O
) O
berupa O
subsegmen O
wilayah. O
Penarikan O
sampel O
subsegmen O
pada O
sistem O
berjalan O
masih O
bersifat O
manual O
sehingga O
dinilai O
tidak O
efisien. O
Selain O
itu O
, O
proses O
pengajuan O
sampel O
tambahan O
dari O
daerah O
juga O
masih O
dilakukan O
melalui O
email O
sehingga O
kurang O
dapat O
dipantau O
tersebut O
, O
perkembangannya. O
Berdasarkan O
diperlukan B-TUJUAN
sistem I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
yang I-TUJUAN
mampu I-TUJUAN
sebuah I-TUJUAN
meningkatkan I-TUJUAN
efisiensi I-TUJUAN
pekerjaan I-TUJUAN
yang I-TUJUAN
terkait I-TUJUAN
dengan I-TUJUAN
sampel I-TUJUAN
pada I-TUJUAN
survei I-TUJUAN
ubinan I-TUJUAN
padi. I-TUJUAN
Metode O
pengembangan O
sistem O
yang O
digunakan O
adalah O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
model I-METODE
Iterative I-METODE
Waterfall I-METODE
dengan O
alasan O
karena O
kebutuhan O
sistem O
sudah O
cukup O
spesifik O
di O
sistem O
menggunakan O
bahasa O
pemrograman O
PHP O
dan O
JavaScript O
serta O
PostgreSQL O
sebagai O
sistem O
manajemen O
basis O
data. O
Pengujian O
dan O
evaluasi O
sistem O
menggunakan O
teknik B-METODE
Black-Box I-METODE
dan I-METODE
kuesioner I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
dengan O
hasil O
bahwa O
sistem B-TEMUAN
berfungsi I-TEMUAN
sesuai I-TEMUAN
harapan I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
pengguna. I-TEMUAN
awal O
pengembangan. O
permasalahan O
Implementasi O
Kata O
Kunci— O
Penarikan O
Sampel O
, O
Survei O
Ubinan O
, O
Efisiensi O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
didapat O
kes- O
impulan O
sebagai O
berikut. O
1 O
) O
Permasalahan O
yang O
terjadi O
pada O
penarikan O
sampel O
survei O
ubinan O
padi O
selama O
ini O
terletak O
pada O
proses O
yang O
tidak O
efisien O
dan O
rawan O
terhadap O
human O
error. O
2 O
) O
Solusi O
yang O
ditawarkan O
untuk O
permasalah O
tersebut O
adalah O
dengan O
mengembangkan B-TUJUAN
sistem I-TUJUAN
penarikan I-TUJUAN
sampel I-TUJUAN
survei I-TUJUAN
ubinan I-TUJUAN
padi I-TUJUAN
berbasis I-TUJUAN
web. I-TUJUAN
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
3 O
) O
Pengembangan O
sistem O
telah O
dilakukan O
dengan O
metode B-METODE
SDLC I-METODE
model I-METODE
terdiri O
dari O
perencanaan O
, O
analisis O
, O
perancangan O
, O
implementasi O
, O
pen- O
gujian O
, O
dan O
pemeliharaan. O
iterative O
waterfall O
yang O
4 O
) O
Hasil B-TEMUAN
dari I-TEMUAN
pengujian I-TEMUAN
sistem I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
pen- I-TEMUAN
gujian I-TEMUAN
black-box I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
setiap I-TEMUAN
fungsi I-TEMUAN
yang I-TEMUAN
dibuat I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
harapan. I-TEMUAN
Adapun I-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
sistem I-TEMUAN
menggunakan I-TEMUAN
kuesioner I-TEMUAN
SUS I-TEMUAN
kepada I-TEMUAN
delapan I-TEMUAN
orang I-TEMUAN
pegawai I-TEMUAN
BPS I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
rata-rata I-TEMUAN
skor I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
76,25. I-TEMUAN
Adapun O
saran O
yang O
dapat O
diberikan O
untuk O
penelitian O
selan- O
jutnya O
adalah O
sebagai O
berikut. O
1 O
) O
Berdasarkan O
evaluasi O
sistem O
oleh O
pengguna O
terdapat O
masukan O
agar O
dilakukan O
sinkronisasi O
antara O
sistem O
penarikan O
sampel O
survei O
ubinan O
padi O
dengan O
sistem O
penarikan O
sampel O
survei O
ubinan O
palawija O
karena O
pengguna O
kedua O
sistem O
tersebut O
sebagian O
besar O
sama. O
2 O
) O
Selain O
itu O
, O
terdapat O
masukan O
pula O
agar O
sampel O
subsegmen O
yang O
terpilih O
divisualisasikan O
dalam O
bentuk O
geospasial. O
Dengan O
demikian O
, O
BPS O
provinsi O
maupun O
BPS O
kabu- O
paten O
/ O
kota O
dapat O
melihat O
dengan O
mudah O
posisi O
sampel O
secara O
geografis. O

Identifikasi O
Tweet O
spam O
pada O
Twitter O
Menggunakan O
Algoritma O
Support O
vector O
machine O
dan O
Naïve O
bayes O
Muhammad O
Firli O
( O
221709853 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Spam O
merupakan O
tindakan O
penyalahgunaan O
yang O
selain O
merugikan O
juga O
membahayakan. O
Keberadaan O
Spam O
pada O
Twitter O
juga O
dapat O
mempengaruhi O
data O
Twitter O
yang O
dapat O
dimanfaatkan O
dalam O
penelitian. O
Sehingga O
dibutuhkan O
alat O
ataupun O
informasi O
yang O
memungkinkan O
kita O
untuk O
mendeteksi O
keberadaan O
Tweet O
spam O
sehingga O
dapat O
menghindari O
Spam. O
Oleh O
karena O
itu O
disusunlah O
penelitian O
ini O
dengan O
tujuan O
untuk O
membangun B-TUJUAN
model I-TUJUAN
pengklasifikasian I-TUJUAN
Tweet I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
Support I-TUJUAN
vector I-TUJUAN
machine I-TUJUAN
dan I-TUJUAN
Naïve I-TUJUAN
bayes I-TUJUAN
dalam I-TUJUAN
mendeteksi I-TUJUAN
Tweet I-TUJUAN
ke I-TUJUAN
dalam I-TUJUAN
kelas I-TUJUAN
Spam I-TUJUAN
dan I-TUJUAN
bukan I-TUJUAN
Spam I-TUJUAN
dan I-TUJUAN
membandingkan I-TUJUAN
hasil I-TUJUAN
kedua I-TUJUAN
metode I-TUJUAN
klasifikasi I-TUJUAN
tersebut I-TUJUAN
, I-TUJUAN
guna I-TUJUAN
melihat I-TUJUAN
metode I-TUJUAN
mana I-TUJUAN
yang I-TUJUAN
lebih I-TUJUAN
efektif. I-TUJUAN
Selain O
itu O
dibutuhkan O
juga O
informasi O
tentang O
metode O
Preprocessing O
apa O
yang O
paling O
mampu O
membersihkan O
data O
Twitter O
sehingga O
dapat O
meningkatkan O
analisis B-METODE
klasifikasi I-METODE
yang O
dilakukan. O
Dari O
penelitian O
yang O
dilakukan O
kombinasi B-TEMUAN
metode I-TEMUAN
preprocessing I-TEMUAN
menggunakan I-TEMUAN
algoritma I-TEMUAN
python I-TEMUAN
dan I-TEMUAN
metode I-TEMUAN
analisis I-TEMUAN
support I-TEMUAN
vector I-TEMUAN
machine I-TEMUAN
menjadi I-TEMUAN
kombinasi I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
tingkat I-TEMUAN
akurasi I-TEMUAN
tertinggi I-TEMUAN
pada I-TEMUAN
kedua I-TEMUAN
data I-TEMUAN
yaitu I-TEMUAN
sebesar I-TEMUAN
88,847 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
84.894 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Kata O
Kunci— O
Spam O
, O
Twitter O
, O
Support O
vector O
machine O
, O
Naive O
Bayes O
, O
Preprocessing. O
[SEP] O
Dari O
penelitian O
yang O
dilakukan O
dapat O
disimpulkan O
bahwa O
data B-TEMUAN
tweet I-TEMUAN
yang I-TEMUAN
didapatkan I-TEMUAN
dari I-TEMUAN
proses I-TEMUAN
scrapping I-TEMUAN
cenderung I-TEMUAN
didominasi I-TEMUAN
oleh I-TEMUAN
kata-kata I-TEMUAN
yang I-TEMUAN
berhubungan I-TEMUAN
dengan I-TEMUAN
kata I-TEMUAN
kunci I-TEMUAN
yang I-TEMUAN
berkaitan I-TEMUAN
dan I-TEMUAN
kata-kata I-TEMUAN
umum I-TEMUAN
atau I-TEMUAN
konjungsi. I-TEMUAN
Selain O
itu O
dari O
hasil O
perhitungan O
yang O
dilakukan O
dapat O
ditarik O
kesimpulan O
bahwa O
metode O
preprocessing O
lebih O
efektif O
dalam O
menggunakan O
algoritma O
python O
melakukan O
program O
rapidminer. O
Hal O
ini O
dibuktikan O
dari O
hasil O
penelitian O
yang O
mana O
pada O
data O
dan O
metode O
klasifikasi O
yang O
sama O
metode O
preprocessing O
algoritma O
python O
memiliki O
nilai O
akurasi O
yang O
tinggi O
yaitu O
berkisar O
diantara O
82,454 O
% O
hingga O
lebih O
preprocessing O
dibandingkan O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
pengklasifikasian O
dalam O
melakukan O
88,847 O
% O
, O
dibandingkan O
metode O
operator O
rapidminer O
yang O
hanya O
memiliki O
nilai O
akurasi O
diantara O
66,594 O
% O
hingga O
77,117 O
% O
. O
Kesimpulan O
berikutnya O
yang O
dapat O
diambil O
adalah O
metode O
pengklasifikasian O
Support O
vector O
machine O
lebih O
efektif O
Spam O
dibandingkan O
metode O
Naïve O
bayes O
, O
hal O
ini O
ditunjukan O
oleh O
nilai O
akurasi O
pada O
metode O
pengklasifikasian O
SVM O
lebih O
tinggi O
yaitu O
berkisar O
antara O
70,561 O
% O
hingga O
88,847 O
% O
dibandingkan O
metode O
NB O
menghasilkan O
nilai O
akurasi O
diantara O
66,594 O
% O
hingga O
84,266 O
% O
dan O
pada O
data O
dan O
metode O
preprocessing O
yang O
sama O
metode O
SVM O
selalu O
memiliki O
nilai O
akurasi O
dan O
f-measure O
yang O
lebih O
tinggi O
dibandingkan O
metode O
NB. O
Dari O
seluruh O
kombinasi O
penggunaan O
metode O
preprocessing O
dan O
metode O
klasifikasi O
dapat O
disimpulkan O
kombinasi O
antara O
metode O
prerpocessing O
menggunakan O
algoritma O
python O
dan O
metode O
klasifikai O
SVM O
memberikan O
nilai O
akurasi O
tertinggi O
pada O
masing-masing O
data O
yaitu O
sebesar O
88,847 O
% O
dan O
84,894 O
% O

Identifikasi O
Tweet O
spam O
pada O
Twitter O
Menggunakan O
Algoritma O
Support O
vector O
machine O
dan O
Naïve O
bayes O
Muhammad O
Firli O
( O
221709853 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Spam O
merupakan O
tindakan O
penyalahgunaan O
yang O
selain O
merugikan O
juga O
membahayakan. O
Keberadaan O
Spam O
pada O
Twitter O
juga O
dapat O
mempengaruhi O
data O
Twitter O
yang O
dapat O
dimanfaatkan O
dalam O
penelitian. O
Sehingga O
dibutuhkan O
alat O
ataupun O
informasi O
yang O
memungkinkan O
kita O
untuk O
mendeteksi O
keberadaan O
Tweet O
spam O
sehingga O
dapat O
menghindari O
Spam. O
Oleh O
karena O
itu O
disusunlah O
penelitian O
ini O
dengan O
tujuan O
untuk O
membangun B-TUJUAN
model I-TUJUAN
pengklasifikasian I-TUJUAN
Tweet I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
Support I-TUJUAN
vector I-TUJUAN
machine I-TUJUAN
dan I-TUJUAN
Naïve I-TUJUAN
bayes I-TUJUAN
dalam I-TUJUAN
mendeteksi I-TUJUAN
Tweet I-TUJUAN
ke I-TUJUAN
dalam I-TUJUAN
kelas I-TUJUAN
Spam I-TUJUAN
dan I-TUJUAN
bukan I-TUJUAN
Spam I-TUJUAN
dan I-TUJUAN
membandingkan I-TUJUAN
hasil I-TUJUAN
kedua I-TUJUAN
metode I-TUJUAN
klasifikasi I-TUJUAN
tersebut I-TUJUAN
, I-TUJUAN
guna I-TUJUAN
melihat I-TUJUAN
metode I-TUJUAN
mana I-TUJUAN
yang I-TUJUAN
lebih I-TUJUAN
efektif. I-TUJUAN
Selain O
itu O
dibutuhkan O
juga O
informasi O
tentang O
metode O
Preprocessing O
apa O
yang O
paling O
mampu O
membersihkan O
data O
Twitter O
sehingga O
dapat O
meningkatkan O
analisis B-METODE
klasifikasi I-METODE
yang O
dilakukan. O
Dari O
penelitian O
yang O
dilakukan O
kombinasi B-TEMUAN
metode I-TEMUAN
preprocessing I-TEMUAN
menggunakan I-TEMUAN
algoritma I-TEMUAN
python I-TEMUAN
dan I-TEMUAN
metode I-TEMUAN
analisis I-TEMUAN
support I-TEMUAN
vector I-TEMUAN
machine I-TEMUAN
menjadi I-TEMUAN
kombinasi I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
tingkat I-TEMUAN
akurasi I-TEMUAN
tertinggi I-TEMUAN
pada I-TEMUAN
kedua I-TEMUAN
data I-TEMUAN
yaitu I-TEMUAN
sebesar I-TEMUAN
88,847 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
84.894 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Kata O
Kunci— O
Spam O
, O
Twitter O
, O
Support O
vector O
machine O
, O
Naive O
Bayes O
, O
Preprocessing. O
[SEP] O
Dari O
penelitian O
yang O
dilakukan O
dapat O
disimpulkan O
bahwa O
data B-TEMUAN
tweet I-TEMUAN
yang I-TEMUAN
didapatkan I-TEMUAN
dari I-TEMUAN
proses I-TEMUAN
scrapping I-TEMUAN
cenderung I-TEMUAN
didominasi I-TEMUAN
oleh I-TEMUAN
kata-kata I-TEMUAN
yang I-TEMUAN
berhubungan I-TEMUAN
dengan I-TEMUAN
kata I-TEMUAN
kunci I-TEMUAN
yang I-TEMUAN
berkaitan I-TEMUAN
dan I-TEMUAN
kata-kata I-TEMUAN
umum I-TEMUAN
atau I-TEMUAN
konjungsi. I-TEMUAN
Selain O
itu O
dari O
hasil O
perhitungan O
yang O
dilakukan O
dapat O
ditarik O
kesimpulan O
bahwa O
metode O
preprocessing O
lebih O
efektif O
dalam O
menggunakan O
algoritma O
python O
melakukan O
program O
rapidminer. O
Hal O
ini O
dibuktikan O
dari O
hasil O
penelitian O
yang O
mana O
pada O
data O
dan O
metode O
klasifikasi O
yang O
sama O
metode O
preprocessing O
algoritma O
python O
memiliki O
nilai O
akurasi O
yang O
tinggi O
yaitu O
berkisar O
diantara O
82,454 O
% O
hingga O
lebih O
preprocessing O
dibandingkan O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
pengklasifikasian O
dalam O
melakukan O
88,847 O
% O
, O
dibandingkan O
metode O
operator O
rapidminer O
yang O
hanya O
memiliki O
nilai O
akurasi O
diantara O
66,594 O
% O
hingga O
77,117 O
% O
. O
Kesimpulan O
berikutnya O
yang O
dapat O
diambil O
adalah O
metode O
pengklasifikasian O
Support O
vector O
machine O
lebih O
efektif O
Spam O
dibandingkan O
metode O
Naïve O
bayes O
, O
hal O
ini O
ditunjukan O
oleh O
nilai O
akurasi O
pada O
metode O
pengklasifikasian O
SVM O
lebih O
tinggi O
yaitu O
berkisar O
antara O
70,561 O
% O
hingga O
88,847 O
% O
dibandingkan O
metode O
NB O
menghasilkan O
nilai O
akurasi O
diantara O
66,594 O
% O
hingga O
84,266 O
% O
dan O
pada O
data O
dan O
metode O
preprocessing O
yang O
sama O
metode O
SVM O
selalu O
memiliki O
nilai O
akurasi O
dan O
f-measure O
yang O
lebih O
tinggi O
dibandingkan O
metode O
NB. O
Dari O
seluruh O
kombinasi O
penggunaan O
metode O
preprocessing O
dan O
metode O
klasifikasi O
dapat O
disimpulkan O
kombinasi O
antara O
metode O
prerpocessing O
menggunakan O
algoritma O
python O
dan O
metode O
klasifikai O
SVM O
memberikan O
nilai O
akurasi O
tertinggi O
pada O
masing-masing O
data O
yaitu O
sebesar O
88,847 O
% O
dan O
84,894 O
% O

Identifikasi O
Tweet O
spam O
pada O
Twitter O
Menggunakan O
Algoritma O
Support O
vector O
machine O
dan O
Naïve O
bayes O
Muhammad O
Firli O
( O
221709853 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Spam O
merupakan O
tindakan O
penyalahgunaan O
yang O
selain O
merugikan O
juga O
membahayakan. O
Keberadaan O
Spam O
pada O
Twitter O
juga O
dapat O
mempengaruhi O
data O
Twitter O
yang O
dapat O
dimanfaatkan O
dalam O
penelitian. O
Sehingga O
dibutuhkan O
alat O
ataupun O
informasi O
yang O
memungkinkan O
kita O
untuk O
mendeteksi O
keberadaan O
Tweet O
spam O
sehingga O
dapat O
menghindari O
Spam. O
Oleh O
karena O
itu O
disusunlah O
penelitian O
ini O
dengan O
tujuan O
untuk O
membangun B-TUJUAN
model I-TUJUAN
pengklasifikasian I-TUJUAN
Tweet I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
Support I-TUJUAN
vector I-TUJUAN
machine I-TUJUAN
dan I-TUJUAN
Naïve I-TUJUAN
bayes I-TUJUAN
dalam I-TUJUAN
mendeteksi I-TUJUAN
Tweet I-TUJUAN
ke I-TUJUAN
dalam I-TUJUAN
kelas I-TUJUAN
Spam I-TUJUAN
dan I-TUJUAN
bukan I-TUJUAN
Spam I-TUJUAN
dan I-TUJUAN
membandingkan I-TUJUAN
hasil I-TUJUAN
kedua I-TUJUAN
metode I-TUJUAN
klasifikasi I-TUJUAN
tersebut I-TUJUAN
, I-TUJUAN
guna I-TUJUAN
melihat I-TUJUAN
metode I-TUJUAN
mana I-TUJUAN
yang I-TUJUAN
lebih I-TUJUAN
efektif. I-TUJUAN
Selain O
itu O
dibutuhkan O
juga O
informasi O
tentang O
metode O
Preprocessing O
apa O
yang O
paling O
mampu O
membersihkan O
data O
Twitter O
sehingga O
dapat O
meningkatkan O
analisis B-METODE
klasifikasi I-METODE
yang O
dilakukan. O
Dari O
penelitian O
yang O
dilakukan O
kombinasi B-TEMUAN
metode I-TEMUAN
preprocessing I-TEMUAN
menggunakan I-TEMUAN
algoritma I-TEMUAN
python I-TEMUAN
dan I-TEMUAN
metode I-TEMUAN
analisis I-TEMUAN
support I-TEMUAN
vector I-TEMUAN
machine I-TEMUAN
menjadi I-TEMUAN
kombinasi I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
tingkat I-TEMUAN
akurasi I-TEMUAN
tertinggi I-TEMUAN
pada I-TEMUAN
kedua I-TEMUAN
data I-TEMUAN
yaitu I-TEMUAN
sebesar I-TEMUAN
88,847 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
84.894 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Kata O
Kunci— O
Spam O
, O
Twitter O
, O
Support O
vector O
machine O
, O
Naive O
Bayes O
, O
Preprocessing. O
[SEP] O
Dari O
penelitian O
yang O
dilakukan O
dapat O
disimpulkan O
bahwa O
data B-TEMUAN
tweet I-TEMUAN
yang I-TEMUAN
didapatkan I-TEMUAN
dari I-TEMUAN
proses I-TEMUAN
scrapping I-TEMUAN
cenderung I-TEMUAN
didominasi I-TEMUAN
oleh I-TEMUAN
kata-kata I-TEMUAN
yang I-TEMUAN
berhubungan I-TEMUAN
dengan I-TEMUAN
kata I-TEMUAN
kunci I-TEMUAN
yang I-TEMUAN
berkaitan I-TEMUAN
dan I-TEMUAN
kata-kata I-TEMUAN
umum I-TEMUAN
atau I-TEMUAN
konjungsi. I-TEMUAN
Selain O
itu O
dari O
hasil O
perhitungan O
yang O
dilakukan O
dapat O
ditarik O
kesimpulan O
bahwa O
metode O
preprocessing O
lebih O
efektif O
dalam O
menggunakan O
algoritma O
python O
melakukan O
program O
rapidminer. O
Hal O
ini O
dibuktikan O
dari O
hasil O
penelitian O
yang O
mana O
pada O
data O
dan O
metode O
klasifikasi O
yang O
sama O
metode O
preprocessing O
algoritma O
python O
memiliki O
nilai O
akurasi O
yang O
tinggi O
yaitu O
berkisar O
diantara O
82,454 O
% O
hingga O
lebih O
preprocessing O
dibandingkan O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
pengklasifikasian O
dalam O
melakukan O
88,847 O
% O
, O
dibandingkan O
metode O
operator O
rapidminer O
yang O
hanya O
memiliki O
nilai O
akurasi O
diantara O
66,594 O
% O
hingga O
77,117 O
% O
. O
Kesimpulan O
berikutnya O
yang O
dapat O
diambil O
adalah O
metode O
pengklasifikasian O
Support O
vector O
machine O
lebih O
efektif O
Spam O
dibandingkan O
metode O
Naïve O
bayes O
, O
hal O
ini O
ditunjukan O
oleh O
nilai O
akurasi O
pada O
metode O
pengklasifikasian O
SVM O
lebih O
tinggi O
yaitu O
berkisar O
antara O
70,561 O
% O
hingga O
88,847 O
% O
dibandingkan O
metode O
NB O
menghasilkan O
nilai O
akurasi O
diantara O
66,594 O
% O
hingga O
84,266 O
% O
dan O
pada O
data O
dan O
metode O
preprocessing O
yang O
sama O
metode O
SVM O
selalu O
memiliki O
nilai O
akurasi O
dan O
f-measure O
yang O
lebih O
tinggi O
dibandingkan O
metode O
NB. O
Dari O
seluruh O
kombinasi O
penggunaan O
metode O
preprocessing O
dan O
metode O
klasifikasi O
dapat O
disimpulkan O
kombinasi O
antara O
metode O
prerpocessing O
menggunakan O
algoritma O
python O
dan O
metode O
klasifikai O
SVM O
memberikan O
nilai O
akurasi O
tertinggi O
pada O
masing-masing O
data O
yaitu O
sebesar O
88,847 O
% O
dan O
84,894 O
% O

Identifikasi O
Tweet O
spam O
pada O
Twitter O
Menggunakan O
Algoritma O
Support O
vector O
machine O
dan O
Naïve O
bayes O
Muhammad O
Firli O
( O
221709853 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Spam O
merupakan O
tindakan O
penyalahgunaan O
yang O
selain O
merugikan O
juga O
membahayakan. O
Keberadaan O
Spam O
pada O
Twitter O
juga O
dapat O
mempengaruhi O
data O
Twitter O
yang O
dapat O
dimanfaatkan O
dalam O
penelitian. O
Sehingga O
dibutuhkan O
alat O
ataupun O
informasi O
yang O
memungkinkan O
kita O
untuk O
mendeteksi O
keberadaan O
Tweet O
spam O
sehingga O
dapat O
menghindari O
Spam. O
Oleh O
karena O
itu O
disusunlah O
penelitian O
ini O
dengan O
tujuan O
untuk O
membangun B-TUJUAN
model I-TUJUAN
pengklasifikasian I-TUJUAN
Tweet I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
Support I-TUJUAN
vector I-TUJUAN
machine I-TUJUAN
dan I-TUJUAN
Naïve I-TUJUAN
bayes I-TUJUAN
dalam I-TUJUAN
mendeteksi I-TUJUAN
Tweet I-TUJUAN
ke I-TUJUAN
dalam I-TUJUAN
kelas I-TUJUAN
Spam I-TUJUAN
dan I-TUJUAN
bukan I-TUJUAN
Spam I-TUJUAN
dan I-TUJUAN
membandingkan I-TUJUAN
hasil I-TUJUAN
kedua I-TUJUAN
metode I-TUJUAN
klasifikasi I-TUJUAN
tersebut I-TUJUAN
, I-TUJUAN
guna I-TUJUAN
melihat I-TUJUAN
metode I-TUJUAN
mana I-TUJUAN
yang I-TUJUAN
lebih I-TUJUAN
efektif. I-TUJUAN
Selain O
itu O
dibutuhkan O
juga O
informasi O
tentang O
metode O
Preprocessing O
apa O
yang O
paling O
mampu O
membersihkan O
data O
Twitter O
sehingga O
dapat O
meningkatkan O
analisis B-METODE
klasifikasi I-METODE
yang O
dilakukan. O
Dari O
penelitian O
yang O
dilakukan O
kombinasi B-TEMUAN
metode I-TEMUAN
preprocessing I-TEMUAN
menggunakan I-TEMUAN
algoritma I-TEMUAN
python I-TEMUAN
dan I-TEMUAN
metode I-TEMUAN
analisis I-TEMUAN
support I-TEMUAN
vector I-TEMUAN
machine I-TEMUAN
menjadi I-TEMUAN
kombinasi I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
tingkat I-TEMUAN
akurasi I-TEMUAN
tertinggi I-TEMUAN
pada I-TEMUAN
kedua I-TEMUAN
data I-TEMUAN
yaitu I-TEMUAN
sebesar I-TEMUAN
88,847 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
84.894 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Kata O
Kunci— O
Spam O
, O
Twitter O
, O
Support O
vector O
machine O
, O
Naive O
Bayes O
, O
Preprocessing. O
[SEP] O
Dari O
penelitian O
yang O
dilakukan O
dapat O
disimpulkan O
bahwa O
data B-TEMUAN
tweet I-TEMUAN
yang I-TEMUAN
didapatkan I-TEMUAN
dari I-TEMUAN
proses I-TEMUAN
scrapping I-TEMUAN
cenderung I-TEMUAN
didominasi I-TEMUAN
oleh I-TEMUAN
kata-kata I-TEMUAN
yang I-TEMUAN
berhubungan I-TEMUAN
dengan I-TEMUAN
kata I-TEMUAN
kunci I-TEMUAN
yang I-TEMUAN
berkaitan I-TEMUAN
dan I-TEMUAN
kata-kata I-TEMUAN
umum I-TEMUAN
atau I-TEMUAN
konjungsi. I-TEMUAN
Selain O
itu O
dari O
hasil O
perhitungan O
yang O
dilakukan O
dapat O
ditarik O
kesimpulan O
bahwa O
metode O
preprocessing O
lebih O
efektif O
dalam O
menggunakan O
algoritma O
python O
melakukan O
program O
rapidminer. O
Hal O
ini O
dibuktikan O
dari O
hasil O
penelitian O
yang O
mana O
pada O
data O
dan O
metode O
klasifikasi O
yang O
sama O
metode O
preprocessing O
algoritma O
python O
memiliki O
nilai O
akurasi O
yang O
tinggi O
yaitu O
berkisar O
diantara O
82,454 O
% O
hingga O
lebih O
preprocessing O
dibandingkan O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
pengklasifikasian O
dalam O
melakukan O
88,847 O
% O
, O
dibandingkan O
metode O
operator O
rapidminer O
yang O
hanya O
memiliki O
nilai O
akurasi O
diantara O
66,594 O
% O
hingga O
77,117 O
% O
. O
Kesimpulan O
berikutnya O
yang O
dapat O
diambil O
adalah O
metode O
pengklasifikasian O
Support O
vector O
machine O
lebih O
efektif O
Spam O
dibandingkan O
metode O
Naïve O
bayes O
, O
hal O
ini O
ditunjukan O
oleh O
nilai O
akurasi O
pada O
metode O
pengklasifikasian O
SVM O
lebih O
tinggi O
yaitu O
berkisar O
antara O
70,561 O
% O
hingga O
88,847 O
% O
dibandingkan O
metode O
NB O
menghasilkan O
nilai O
akurasi O
diantara O
66,594 O
% O
hingga O
84,266 O
% O
dan O
pada O
data O
dan O
metode O
preprocessing O
yang O
sama O
metode O
SVM O
selalu O
memiliki O
nilai O
akurasi O
dan O
f-measure O
yang O
lebih O
tinggi O
dibandingkan O
metode O
NB. O
Dari O
seluruh O
kombinasi O
penggunaan O
metode O
preprocessing O
dan O
metode O
klasifikasi O
dapat O
disimpulkan O
kombinasi O
antara O
metode O
prerpocessing O
menggunakan O
algoritma O
python O
dan O
metode O
klasifikai O
SVM O
memberikan O
nilai O
akurasi O
tertinggi O
pada O
masing-masing O
data O
yaitu O
sebesar O
88,847 O
% O
dan O
84,894 O
% O

Sistem O
Penarikan O
Sampel O
Pengganti O
dan O
Sampel O
Tambahan O
Survei O
Ubinan O
Komoditas O
Palawija O
Berbasis O
Web O
Muhammad O
Azmil O
Mubarrok O
( O
221709848 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A. O
Ringkasan— O
Survei O
Ubinan O
Tanaman O
Pangan O
Komoditas O
Palawija O
merupakan O
salah O
satu O
survei O
yang O
dilaksanakan O
oleh O
BPS O
RI O
dengan O
tujuan O
memperoleh O
informasi O
mengenai O
produktivitas O
tanaman O
pangan O
komoditas O
palawija. O
Dalam O
pelaksanaan O
survei O
terdapat O
beberapa O
kondisi O
dimana O
kerangka O
sampel O
yang O
telah O
terpilih O
menjadi O
sampel O
harus O
mengalami O
penggantian O
maupun O
penambahan O
sampel. O
Proses O
penggantian O
dan O
penambahan O
sampel O
ini O
dinilai O
belum O
efisien O
dan O
rentan O
terjadi O
human O
error O
baik O
dalam O
proses O
pemilihan O
usulan O
sampel O
, O
pengajuan O
dan O
pengiriman O
dokumen O
, O
hingga O
penulisan O
script O
untuk O
memeriksa O
usulan O
sampel. O
Untuk O
mengatasi O
masalah O
tersebut O
peneliti B-TUJUAN
merancang I-TUJUAN
dan I-TUJUAN
membangun I-TUJUAN
sistem I-TUJUAN
penarikan I-TUJUAN
sampel I-TUJUAN
pengganti I-TUJUAN
dan I-TUJUAN
sampel I-TUJUAN
tambahan I-TUJUAN
survei I-TUJUAN
ubinan I-TUJUAN
komoditas I-TUJUAN
palawija I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
deengan O
metode B-METODE
Rapid I-METODE
Application I-METODE
Development I-METODE
( I-METODE
RAD I-METODE
) I-METODE
. O
Evaluasi O
terhadap O
sistem O
yang O
dibangun O
dilakukan O
menggunakan O
metode B-METODE
black I-METODE
box I-METODE
testing I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Hasil B-TEMUAN
evaluasi I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci— O
survei O
ubinan O
, O
palawija O
, O
penarikan O
sampel O
, O
pengajuan O
sampel O
, O
sistem. O
[SEP] O
Kesimpulan O
yang O
didapatkan O
dari O
hasil O
penelitian O
mengenai O
penarikan O
sampel O
pengganti O
dan O
sampel O
tambahan O
Survei O
Ubinan O
Komoditas O
Palawija O
adalah O
sebagai O
berikut. O
1. O
Telah B-TEMUAN
dirancang I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
melakukan I-TEMUAN
proses I-TEMUAN
penarikan I-TEMUAN
, I-TEMUAN
pengajuan I-TEMUAN
, I-TEMUAN
hingga I-TEMUAN
persetujuan I-TEMUAN
pada I-TEMUAN
sampel I-TEMUAN
pengganti I-TEMUAN
dan I-TEMUAN
sampel I-TEMUAN
tambahan I-TEMUAN
survei I-TEMUAN
ubinan I-TEMUAN
palawija. I-TEMUAN
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
2. O
Implementasi O
yang O
dilakukan O
berdasarkan O
hasil O
rancangan O
telah O
menghasilkan O
sistem O
penarikan O
sampel O
pengganti O
dan O
sampel O
tambahan. O
Implementasi O
dari O
pembangunan O
sistem O
telah O
dilakukan O
dengan O
metode O
Rapid O
Application O
Development. O
3. O
Evaluasi B-TEMUAN
dilakukan I-TEMUAN
dengan I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
, I-TEMUAN
Black I-TEMUAN
Box I-TEMUAN
Testing I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
melihat I-TEMUAN
kesesuaian I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
dengan I-TEMUAN
dokumen I-TEMUAN
Software I-TEMUAN
Requirement I-TEMUAN
Spesification. I-TEMUAN
Berdasarkan I-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
tersebut I-TEMUAN
didapatkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
, I-TEMUAN
setiap I-TEMUAN
fungsi I-TEMUAN
dalam I-TEMUAN
sistem I-TEMUAN
sudah I-TEMUAN
berjalan I-TEMUAN
sebagaimana I-TEMUAN
yang I-TEMUAN
diharapkan I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan I-TEMUAN
pengguna. I-TEMUAN
Saran O
yang O
dapat O
peneliti O
berikan O
yang O
mungkin O
berguna O
untuk O
pengembangan O
sistem O
dan O
penelitian O
selanjutnya. O
1. O
Berdasarkan O
hasil O
SUS O
diketahui O
bahwa O
pada O
pernyataan O
nomor O
4 O
dan O
nomor O
10 O
menunjukkan O
bahwa O
pengguna O
masih O
membutuhkan O
bantuan O
dari O
tekisi O
serta O
perlu O
ini. O
membiasakan O
diri O
untuk O
menggunakan O
sistem O
Sehingga O
perlu O
dilakukan O
penambahan O
fungsi O
atau O
dokumen O
yang O
dapat O
membantu O
pengguna O
sistem. O
2. O
Melakukan O
sinkronisasi O
dengan O
sistem O
penarikan O
sampel O
Survei O
Ubinan O
Komoditas O
Padi O
berbasis O
Kerangka O
Sampel O
Area O
( O
SUB-KSA O
) O
karena O
antara O
pengguna O
sistem O
survei O
ubinan O
palawija O
dan O
SUB-KSA O
sebagian O
besar O
sama. O

Sistem O
Penarikan O
Sampel O
Pengganti O
dan O
Sampel O
Tambahan O
Survei O
Ubinan O
Komoditas O
Palawija O
Berbasis O
Web O
Muhammad O
Azmil O
Mubarrok O
( O
221709848 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A. O
Ringkasan— O
Survei O
Ubinan O
Tanaman O
Pangan O
Komoditas O
Palawija O
merupakan O
salah O
satu O
survei O
yang O
dilaksanakan O
oleh O
BPS O
RI O
dengan O
tujuan O
memperoleh O
informasi O
mengenai O
produktivitas O
tanaman O
pangan O
komoditas O
palawija. O
Dalam O
pelaksanaan O
survei O
terdapat O
beberapa O
kondisi O
dimana O
kerangka O
sampel O
yang O
telah O
terpilih O
menjadi O
sampel O
harus O
mengalami O
penggantian O
maupun O
penambahan O
sampel. O
Proses O
penggantian O
dan O
penambahan O
sampel O
ini O
dinilai O
belum O
efisien O
dan O
rentan O
terjadi O
human O
error O
baik O
dalam O
proses O
pemilihan O
usulan O
sampel O
, O
pengajuan O
dan O
pengiriman O
dokumen O
, O
hingga O
penulisan O
script O
untuk O
memeriksa O
usulan O
sampel. O
Untuk O
mengatasi O
masalah O
tersebut O
peneliti B-TUJUAN
merancang I-TUJUAN
dan I-TUJUAN
membangun I-TUJUAN
sistem I-TUJUAN
penarikan I-TUJUAN
sampel I-TUJUAN
pengganti I-TUJUAN
dan I-TUJUAN
sampel I-TUJUAN
tambahan I-TUJUAN
survei I-TUJUAN
ubinan I-TUJUAN
komoditas I-TUJUAN
palawija I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
deengan O
metode B-METODE
Rapid I-METODE
Application I-METODE
Development I-METODE
( I-METODE
RAD I-METODE
) I-METODE
. O
Evaluasi O
terhadap O
sistem O
yang O
dibangun O
dilakukan O
menggunakan O
metode B-METODE
black I-METODE
box I-METODE
testing I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Hasil B-TEMUAN
evaluasi I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci— O
survei O
ubinan O
, O
palawija O
, O
penarikan O
sampel O
, O
pengajuan O
sampel O
, O
sistem. O
[SEP] O
Kesimpulan O
yang O
didapatkan O
dari O
hasil O
penelitian O
mengenai O
penarikan O
sampel O
pengganti O
dan O
sampel O
tambahan O
Survei O
Ubinan O
Komoditas O
Palawija O
adalah O
sebagai O
berikut. O
1. O
Telah B-TEMUAN
dirancang I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
melakukan I-TEMUAN
proses I-TEMUAN
penarikan I-TEMUAN
, I-TEMUAN
pengajuan I-TEMUAN
, I-TEMUAN
hingga I-TEMUAN
persetujuan I-TEMUAN
pada I-TEMUAN
sampel I-TEMUAN
pengganti I-TEMUAN
dan I-TEMUAN
sampel I-TEMUAN
tambahan I-TEMUAN
survei I-TEMUAN
ubinan I-TEMUAN
palawija. I-TEMUAN
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
2. O
Implementasi O
yang O
dilakukan O
berdasarkan O
hasil O
rancangan O
telah O
menghasilkan O
sistem O
penarikan O
sampel O
pengganti O
dan O
sampel O
tambahan. O
Implementasi O
dari O
pembangunan O
sistem O
telah O
dilakukan O
dengan O
metode O
Rapid O
Application O
Development. O
3. O
Evaluasi B-TEMUAN
dilakukan I-TEMUAN
dengan I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
, I-TEMUAN
Black I-TEMUAN
Box I-TEMUAN
Testing I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
melihat I-TEMUAN
kesesuaian I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
dengan I-TEMUAN
dokumen I-TEMUAN
Software I-TEMUAN
Requirement I-TEMUAN
Spesification. I-TEMUAN
Berdasarkan I-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
tersebut I-TEMUAN
didapatkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
, I-TEMUAN
setiap I-TEMUAN
fungsi I-TEMUAN
dalam I-TEMUAN
sistem I-TEMUAN
sudah I-TEMUAN
berjalan I-TEMUAN
sebagaimana I-TEMUAN
yang I-TEMUAN
diharapkan I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan I-TEMUAN
pengguna. I-TEMUAN
Saran O
yang O
dapat O
peneliti O
berikan O
yang O
mungkin O
berguna O
untuk O
pengembangan O
sistem O
dan O
penelitian O
selanjutnya. O
1. O
Berdasarkan O
hasil O
SUS O
diketahui O
bahwa O
pada O
pernyataan O
nomor O
4 O
dan O
nomor O
10 O
menunjukkan O
bahwa O
pengguna O
masih O
membutuhkan O
bantuan O
dari O
tekisi O
serta O
perlu O
ini. O
membiasakan O
diri O
untuk O
menggunakan O
sistem O
Sehingga O
perlu O
dilakukan O
penambahan O
fungsi O
atau O
dokumen O
yang O
dapat O
membantu O
pengguna O
sistem. O
2. O
Melakukan O
sinkronisasi O
dengan O
sistem O
penarikan O
sampel O
Survei O
Ubinan O
Komoditas O
Padi O
berbasis O
Kerangka O
Sampel O
Area O
( O
SUB-KSA O
) O
karena O
antara O
pengguna O
sistem O
survei O
ubinan O
palawija O
dan O
SUB-KSA O
sebagian O
besar O
sama. O

Sistem O
Penarikan O
Sampel O
Pengganti O
dan O
Sampel O
Tambahan O
Survei O
Ubinan O
Komoditas O
Palawija O
Berbasis O
Web O
Muhammad O
Azmil O
Mubarrok O
( O
221709848 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A. O
Ringkasan— O
Survei O
Ubinan O
Tanaman O
Pangan O
Komoditas O
Palawija O
merupakan O
salah O
satu O
survei O
yang O
dilaksanakan O
oleh O
BPS O
RI O
dengan O
tujuan O
memperoleh O
informasi O
mengenai O
produktivitas O
tanaman O
pangan O
komoditas O
palawija. O
Dalam O
pelaksanaan O
survei O
terdapat O
beberapa O
kondisi O
dimana O
kerangka O
sampel O
yang O
telah O
terpilih O
menjadi O
sampel O
harus O
mengalami O
penggantian O
maupun O
penambahan O
sampel. O
Proses O
penggantian O
dan O
penambahan O
sampel O
ini O
dinilai O
belum O
efisien O
dan O
rentan O
terjadi O
human O
error O
baik O
dalam O
proses O
pemilihan O
usulan O
sampel O
, O
pengajuan O
dan O
pengiriman O
dokumen O
, O
hingga O
penulisan O
script O
untuk O
memeriksa O
usulan O
sampel. O
Untuk O
mengatasi O
masalah O
tersebut O
peneliti B-TUJUAN
merancang I-TUJUAN
dan I-TUJUAN
membangun I-TUJUAN
sistem I-TUJUAN
penarikan I-TUJUAN
sampel I-TUJUAN
pengganti I-TUJUAN
dan I-TUJUAN
sampel I-TUJUAN
tambahan I-TUJUAN
survei I-TUJUAN
ubinan I-TUJUAN
komoditas I-TUJUAN
palawija I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
deengan O
metode B-METODE
Rapid I-METODE
Application I-METODE
Development I-METODE
( I-METODE
RAD I-METODE
) I-METODE
. O
Evaluasi O
terhadap O
sistem O
yang O
dibangun O
dilakukan O
menggunakan O
metode B-METODE
black I-METODE
box I-METODE
testing I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Hasil B-TEMUAN
evaluasi I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci— O
survei O
ubinan O
, O
palawija O
, O
penarikan O
sampel O
, O
pengajuan O
sampel O
, O
sistem. O
[SEP] O
Kesimpulan O
yang O
didapatkan O
dari O
hasil O
penelitian O
mengenai O
penarikan O
sampel O
pengganti O
dan O
sampel O
tambahan O
Survei O
Ubinan O
Komoditas O
Palawija O
adalah O
sebagai O
berikut. O
1. O
Telah B-TEMUAN
dirancang I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
melakukan I-TEMUAN
proses I-TEMUAN
penarikan I-TEMUAN
, I-TEMUAN
pengajuan I-TEMUAN
, I-TEMUAN
hingga I-TEMUAN
persetujuan I-TEMUAN
pada I-TEMUAN
sampel I-TEMUAN
pengganti I-TEMUAN
dan I-TEMUAN
sampel I-TEMUAN
tambahan I-TEMUAN
survei I-TEMUAN
ubinan I-TEMUAN
palawija. I-TEMUAN
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
2. O
Implementasi O
yang O
dilakukan O
berdasarkan O
hasil O
rancangan O
telah O
menghasilkan O
sistem O
penarikan O
sampel O
pengganti O
dan O
sampel O
tambahan. O
Implementasi O
dari O
pembangunan O
sistem O
telah O
dilakukan O
dengan O
metode O
Rapid O
Application O
Development. O
3. O
Evaluasi B-TEMUAN
dilakukan I-TEMUAN
dengan I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
, I-TEMUAN
Black I-TEMUAN
Box I-TEMUAN
Testing I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
melihat I-TEMUAN
kesesuaian I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
dengan I-TEMUAN
dokumen I-TEMUAN
Software I-TEMUAN
Requirement I-TEMUAN
Spesification. I-TEMUAN
Berdasarkan I-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
tersebut I-TEMUAN
didapatkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
, I-TEMUAN
setiap I-TEMUAN
fungsi I-TEMUAN
dalam I-TEMUAN
sistem I-TEMUAN
sudah I-TEMUAN
berjalan I-TEMUAN
sebagaimana I-TEMUAN
yang I-TEMUAN
diharapkan I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan I-TEMUAN
pengguna. I-TEMUAN
Saran O
yang O
dapat O
peneliti O
berikan O
yang O
mungkin O
berguna O
untuk O
pengembangan O
sistem O
dan O
penelitian O
selanjutnya. O
1. O
Berdasarkan O
hasil O
SUS O
diketahui O
bahwa O
pada O
pernyataan O
nomor O
4 O
dan O
nomor O
10 O
menunjukkan O
bahwa O
pengguna O
masih O
membutuhkan O
bantuan O
dari O
tekisi O
serta O
perlu O
ini. O
membiasakan O
diri O
untuk O
menggunakan O
sistem O
Sehingga O
perlu O
dilakukan O
penambahan O
fungsi O
atau O
dokumen O
yang O
dapat O
membantu O
pengguna O
sistem. O
2. O
Melakukan O
sinkronisasi O
dengan O
sistem O
penarikan O
sampel O
Survei O
Ubinan O
Komoditas O
Padi O
berbasis O
Kerangka O
Sampel O
Area O
( O
SUB-KSA O
) O
karena O
antara O
pengguna O
sistem O
survei O
ubinan O
palawija O
dan O
SUB-KSA O
sebagian O
besar O
sama. O

Sistem O
Penarikan O
Sampel O
Pengganti O
dan O
Sampel O
Tambahan O
Survei O
Ubinan O
Komoditas O
Palawija O
Berbasis O
Web O
Muhammad O
Azmil O
Mubarrok O
( O
221709848 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A. O
Ringkasan— O
Survei O
Ubinan O
Tanaman O
Pangan O
Komoditas O
Palawija O
merupakan O
salah O
satu O
survei O
yang O
dilaksanakan O
oleh O
BPS O
RI O
dengan O
tujuan O
memperoleh O
informasi O
mengenai O
produktivitas O
tanaman O
pangan O
komoditas O
palawija. O
Dalam O
pelaksanaan O
survei O
terdapat O
beberapa O
kondisi O
dimana O
kerangka O
sampel O
yang O
telah O
terpilih O
menjadi O
sampel O
harus O
mengalami O
penggantian O
maupun O
penambahan O
sampel. O
Proses O
penggantian O
dan O
penambahan O
sampel O
ini O
dinilai O
belum O
efisien O
dan O
rentan O
terjadi O
human O
error O
baik O
dalam O
proses O
pemilihan O
usulan O
sampel O
, O
pengajuan O
dan O
pengiriman O
dokumen O
, O
hingga O
penulisan O
script O
untuk O
memeriksa O
usulan O
sampel. O
Untuk O
mengatasi O
masalah O
tersebut O
peneliti B-TUJUAN
merancang I-TUJUAN
dan I-TUJUAN
membangun I-TUJUAN
sistem I-TUJUAN
penarikan I-TUJUAN
sampel I-TUJUAN
pengganti I-TUJUAN
dan I-TUJUAN
sampel I-TUJUAN
tambahan I-TUJUAN
survei I-TUJUAN
ubinan I-TUJUAN
komoditas I-TUJUAN
palawija I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
deengan O
metode B-METODE
Rapid I-METODE
Application I-METODE
Development I-METODE
( I-METODE
RAD I-METODE
) I-METODE
. O
Evaluasi O
terhadap O
sistem O
yang O
dibangun O
dilakukan O
menggunakan O
metode B-METODE
black I-METODE
box I-METODE
testing I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Hasil B-TEMUAN
evaluasi I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan I-TEMUAN
pengguna. I-TEMUAN
Kata O
Kunci— O
survei O
ubinan O
, O
palawija O
, O
penarikan O
sampel O
, O
pengajuan O
sampel O
, O
sistem. O
[SEP] O
Kesimpulan O
yang O
didapatkan O
dari O
hasil O
penelitian O
mengenai O
penarikan O
sampel O
pengganti O
dan O
sampel O
tambahan O
Survei O
Ubinan O
Komoditas O
Palawija O
adalah O
sebagai O
berikut. O
1. O
Telah B-TEMUAN
dirancang I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
melakukan I-TEMUAN
proses I-TEMUAN
penarikan I-TEMUAN
, I-TEMUAN
pengajuan I-TEMUAN
, I-TEMUAN
hingga I-TEMUAN
persetujuan I-TEMUAN
pada I-TEMUAN
sampel I-TEMUAN
pengganti I-TEMUAN
dan I-TEMUAN
sampel I-TEMUAN
tambahan I-TEMUAN
survei I-TEMUAN
ubinan I-TEMUAN
palawija. I-TEMUAN
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
2. O
Implementasi O
yang O
dilakukan O
berdasarkan O
hasil O
rancangan O
telah O
menghasilkan O
sistem O
penarikan O
sampel O
pengganti O
dan O
sampel O
tambahan. O
Implementasi O
dari O
pembangunan O
sistem O
telah O
dilakukan O
dengan O
metode O
Rapid O
Application O
Development. O
3. O
Evaluasi B-TEMUAN
dilakukan I-TEMUAN
dengan I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
, I-TEMUAN
Black I-TEMUAN
Box I-TEMUAN
Testing I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
melihat I-TEMUAN
kesesuaian I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
dengan I-TEMUAN
dokumen I-TEMUAN
Software I-TEMUAN
Requirement I-TEMUAN
Spesification. I-TEMUAN
Berdasarkan I-TEMUAN
hasil I-TEMUAN
evaluasi I-TEMUAN
tersebut I-TEMUAN
didapatkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
, I-TEMUAN
setiap I-TEMUAN
fungsi I-TEMUAN
dalam I-TEMUAN
sistem I-TEMUAN
sudah I-TEMUAN
berjalan I-TEMUAN
sebagaimana I-TEMUAN
yang I-TEMUAN
diharapkan I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan I-TEMUAN
pengguna. I-TEMUAN
Saran O
yang O
dapat O
peneliti O
berikan O
yang O
mungkin O
berguna O
untuk O
pengembangan O
sistem O
dan O
penelitian O
selanjutnya. O
1. O
Berdasarkan O
hasil O
SUS O
diketahui O
bahwa O
pada O
pernyataan O
nomor O
4 O
dan O
nomor O
10 O
menunjukkan O
bahwa O
pengguna O
masih O
membutuhkan O
bantuan O
dari O
tekisi O
serta O
perlu O
ini. O
membiasakan O
diri O
untuk O
menggunakan O
sistem O
Sehingga O
perlu O
dilakukan O
penambahan O
fungsi O
atau O
dokumen O
yang O
dapat O
membantu O
pengguna O
sistem. O
2. O
Melakukan O
sinkronisasi O
dengan O
sistem O
penarikan O
sampel O
Survei O
Ubinan O
Komoditas O
Padi O
berbasis O
Kerangka O
Sampel O
Area O
( O
SUB-KSA O
) O
karena O
antara O
pengguna O
sistem O
survei O
ubinan O
palawija O
dan O
SUB-KSA O
sebagian O
besar O
sama. O

Potensi O
Fraud O
dalam O
Pengadaan O
Barang O
/ O
Jasa O
dengan O
Pendekatan O
Machine O
Learning O
Studi O
Kasus O
: O
Tahun O
Anggaran O
2018-2020 O
Muhammad O
Alif O
Taufiqulhakim O
( O
221709845 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M.Stat. O
Ringkasan— O
Kasus O
tindak O
pidana O
korupsi O
, O
penyalahgunaan O
aset O
, O
dan O
pernyataan O
palsu O
merupakan O
beberapa O
contoh O
bentuk O
terjadinya O
fraud O
dalam O
lingkup O
publik. O
Berdasarkan O
data O
dari O
KPK O
, O
sejak O
tahun O
2004 O
hingga O
2020 O
terdapat O
total O
224 O
kasus O
Tindak O
Pidana O
Korupsi O
( O
TPK O
) O
yang O
tergolong O
dalam O
perkara O
Pengadaan O
Barang O
/ O
Jasa. O
Melihat O
fakta O
, O
bahwa O
masih O
banyak O
terjadi O
TPK O
dalam O
perkara O
Pengadaan O
Barang O
/ O
Jasa O
di O
pemerintahan O
meskipun O
telah O
diterapkannya O
e-Procurement O
melalui O
Layanan O
Pengadaan O
Secara O
Elektronik O
( O
LPSE O
) O
yang O
dikelola O
oleh O
Lembaga O
Kebijakan O
Pengadaan O
Barang O
/ O
Jasa O
Pemerintah O
( O
LKPP O
) O
. O
Dalam O
penelitian O
ini O
penulis O
melakukan O
scraping B-METODE
pada O
situs O
web O
LPSE O
untuk O
memperoleh O
data O
kegiatan O
Pengadaan O
Barang O
/ O
Jasa O
dari O
periode O
tahun O
2018-2020. O
Data O
yang O
telah O
diperoleh O
untuk O
selanjutnya O
diolah O
dengan O
bantuan O
metode O
Machine O
Learning O
guna O
mendeteksi O
potensi O
adanya O
fraud. O
Berdasarkan O
pada O
hasil O
pengerjaan O
penelitian O
yang O
dilakukan O
penulis O
, O
digunakan O
model O
Clustering B-METODE
, O
Decision O
Tree O
dan O
Association B-METODE
Rules I-METODE
dengan O
disertai O
oleh O
implementasi O
metode B-METODE
scoring I-METODE
oleh O
opentender.net O
terhadap O
beberapa O
indikator O
dalam O
melakukan O
pendeteksian O
pada O
potensi O
adanya O
fraud O
dalam O
kegiatan O
Pengadaan O
Barang O
/ O
Jasa. O
Kata O
Kunci— O
fraud O
, O
Pengadaan O
barang O
/ O
jasa O
, O
Machine O
Learning. O
[SEP] O
Dalam O
rangka O
mendeteksi B-TUJUAN
potensi I-TUJUAN
keberadaan I-TUJUAN
fraud I-TUJUAN
dalam I-TUJUAN
kegiatan I-TUJUAN
pengadaan I-TUJUAN
barang I-TUJUAN
/ I-TUJUAN
jasa I-TUJUAN
di I-TUJUAN
pemerintahan I-TUJUAN
dapat O
cukup O
terbantu O
dengan O
menerapkan O
indikator-indikator O
yang O
dirilis O
oleh O
ICW O
dalam O
platform O
opentender.net. O
Ditambah O
lagi O
dengan O
cara O
dikolaborasikan O
dengan O
beberapa O
metode O
Machine O
Learning O
dan O
Data O
Mining O
yang O
tepat O
sehingga O
dapat O
dilakukan O
pengkajian O
secara O
indikator- O
indikator O
apa O
saja O
yang O
dapat O
dijadikan O
acuan O
dalam O
langkah O
awal O
mendeteksi O
potensi O
fraud O
tersebut. O
Performa B-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
metode I-TEMUAN
Decision I-TEMUAN
Tree I-TEMUAN
yang I-TEMUAN
diterapkan I-TEMUAN
penulis I-TEMUAN
sudah I-TEMUAN
cukup I-TEMUAN
memuaskan I-TEMUAN
dengan I-TEMUAN
tingkat I-TEMUAN
akurasi I-TEMUAN
yang I-TEMUAN
mencapai I-TEMUAN
97,42 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
hanya O
saja O
masih O
banyak O
hal O
yang O
dapat O
ditingkatkan O
guna O
memperoleh O
hasil O
yang O
lebih O
baik O
, O
akurat O
dan O
signifikan O
untuk O
dapat O
mendeteksi O
adanya O
potensi O
fraud O
dengan O
kajian O
dan O
penelitian O
yang O
lebih O
mendalam. O
lebih O
mendalam O
mengenai O
Proses O
penelitian O
penulis O
cukup O
terhambat O
dengan O
minimnya O
data O
riil O
untuk O
melakukan O
konfirmasi O
tentang O
fraud O
yang O
benar- O
benar O
terjadi O
dalam O
kegiatan O
pengadaan O
barang O
/ O
jasa O
pemerintah O
sehingga O
model O
belum O
dapat O
benar-benar O
dinyatakan O
valid. O
Hal O
ini O
semoga O
dapat O
lebih O
baik O
di O
masa O
depan O
bersamaan O
dengan O
pengembangan O
yang O
dapat O
dilakukan O
pada O
penelitian O
mendatang O
dengan O
menerapkan O
model O
dan O
algoritma O
yang O
ada O
ke O
dalam O
suatu O
sistem O
informasi O
yang O
memberikan O
suatu O
deteksi O
dan O
peringatan O
awal O
mengenai O
adanya O
potensi O
terjadinya O
fraud. O

Potensi O
Fraud O
dalam O
Pengadaan O
Barang O
/ O
Jasa O
dengan O
Pendekatan O
Machine O
Learning O
Studi O
Kasus O
: O
Tahun O
Anggaran O
2018-2020 O
Muhammad O
Alif O
Taufiqulhakim O
( O
221709845 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M.Stat. O
Ringkasan— O
Kasus O
tindak O
pidana O
korupsi O
, O
penyalahgunaan O
aset O
, O
dan O
pernyataan O
palsu O
merupakan O
beberapa O
contoh O
bentuk O
terjadinya O
fraud O
dalam O
lingkup O
publik. O
Berdasarkan O
data O
dari O
KPK O
, O
sejak O
tahun O
2004 O
hingga O
2020 O
terdapat O
total O
224 O
kasus O
Tindak O
Pidana O
Korupsi O
( O
TPK O
) O
yang O
tergolong O
dalam O
perkara O
Pengadaan O
Barang O
/ O
Jasa. O
Melihat O
fakta O
, O
bahwa O
masih O
banyak O
terjadi O
TPK O
dalam O
perkara O
Pengadaan O
Barang O
/ O
Jasa O
di O
pemerintahan O
meskipun O
telah O
diterapkannya O
e-Procurement O
melalui O
Layanan O
Pengadaan O
Secara O
Elektronik O
( O
LPSE O
) O
yang O
dikelola O
oleh O
Lembaga O
Kebijakan O
Pengadaan O
Barang O
/ O
Jasa O
Pemerintah O
( O
LKPP O
) O
. O
Dalam O
penelitian O
ini O
penulis O
melakukan O
scraping B-METODE
pada O
situs O
web O
LPSE O
untuk O
memperoleh O
data O
kegiatan O
Pengadaan O
Barang O
/ O
Jasa O
dari O
periode O
tahun O
2018-2020. O
Data O
yang O
telah O
diperoleh O
untuk O
selanjutnya O
diolah O
dengan O
bantuan O
metode O
Machine O
Learning O
guna O
mendeteksi O
potensi O
adanya O
fraud. O
Berdasarkan O
pada O
hasil O
pengerjaan O
penelitian O
yang O
dilakukan O
penulis O
, O
digunakan O
model O
Clustering B-METODE
, O
Decision O
Tree O
dan O
Association B-METODE
Rules I-METODE
dengan O
disertai O
oleh O
implementasi O
metode B-METODE
scoring I-METODE
oleh O
opentender.net O
terhadap O
beberapa O
indikator O
dalam O
melakukan O
pendeteksian O
pada O
potensi O
adanya O
fraud O
dalam O
kegiatan O
Pengadaan O
Barang O
/ O
Jasa. O
Kata O
Kunci— O
fraud O
, O
Pengadaan O
barang O
/ O
jasa O
, O
Machine O
Learning. O
[SEP] O
Dalam O
rangka O
mendeteksi B-TUJUAN
potensi I-TUJUAN
keberadaan I-TUJUAN
fraud I-TUJUAN
dalam I-TUJUAN
kegiatan I-TUJUAN
pengadaan I-TUJUAN
barang I-TUJUAN
/ I-TUJUAN
jasa I-TUJUAN
di I-TUJUAN
pemerintahan I-TUJUAN
dapat O
cukup O
terbantu O
dengan O
menerapkan O
indikator-indikator O
yang O
dirilis O
oleh O
ICW O
dalam O
platform O
opentender.net. O
Ditambah O
lagi O
dengan O
cara O
dikolaborasikan O
dengan O
beberapa O
metode O
Machine O
Learning O
dan O
Data O
Mining O
yang O
tepat O
sehingga O
dapat O
dilakukan O
pengkajian O
secara O
indikator- O
indikator O
apa O
saja O
yang O
dapat O
dijadikan O
acuan O
dalam O
langkah O
awal O
mendeteksi O
potensi O
fraud O
tersebut. O
Performa B-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
metode I-TEMUAN
Decision I-TEMUAN
Tree I-TEMUAN
yang I-TEMUAN
diterapkan I-TEMUAN
penulis I-TEMUAN
sudah I-TEMUAN
cukup I-TEMUAN
memuaskan I-TEMUAN
dengan I-TEMUAN
tingkat I-TEMUAN
akurasi I-TEMUAN
yang I-TEMUAN
mencapai I-TEMUAN
97,42 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
hanya O
saja O
masih O
banyak O
hal O
yang O
dapat O
ditingkatkan O
guna O
memperoleh O
hasil O
yang O
lebih O
baik O
, O
akurat O
dan O
signifikan O
untuk O
dapat O
mendeteksi O
adanya O
potensi O
fraud O
dengan O
kajian O
dan O
penelitian O
yang O
lebih O
mendalam. O
lebih O
mendalam O
mengenai O
Proses O
penelitian O
penulis O
cukup O
terhambat O
dengan O
minimnya O
data O
riil O
untuk O
melakukan O
konfirmasi O
tentang O
fraud O
yang O
benar- O
benar O
terjadi O
dalam O
kegiatan O
pengadaan O
barang O
/ O
jasa O
pemerintah O
sehingga O
model O
belum O
dapat O
benar-benar O
dinyatakan O
valid. O
Hal O
ini O
semoga O
dapat O
lebih O
baik O
di O
masa O
depan O
bersamaan O
dengan O
pengembangan O
yang O
dapat O
dilakukan O
pada O
penelitian O
mendatang O
dengan O
menerapkan O
model O
dan O
algoritma O
yang O
ada O
ke O
dalam O
suatu O
sistem O
informasi O
yang O
memberikan O
suatu O
deteksi O
dan O
peringatan O
awal O
mengenai O
adanya O
potensi O
terjadinya O
fraud. O

Potensi O
Fraud O
dalam O
Pengadaan O
Barang O
/ O
Jasa O
dengan O
Pendekatan O
Machine O
Learning O
Studi O
Kasus O
: O
Tahun O
Anggaran O
2018-2020 O
Muhammad O
Alif O
Taufiqulhakim O
( O
221709845 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M.Stat. O
Ringkasan— O
Kasus O
tindak O
pidana O
korupsi O
, O
penyalahgunaan O
aset O
, O
dan O
pernyataan O
palsu O
merupakan O
beberapa O
contoh O
bentuk O
terjadinya O
fraud O
dalam O
lingkup O
publik. O
Berdasarkan O
data O
dari O
KPK O
, O
sejak O
tahun O
2004 O
hingga O
2020 O
terdapat O
total O
224 O
kasus O
Tindak O
Pidana O
Korupsi O
( O
TPK O
) O
yang O
tergolong O
dalam O
perkara O
Pengadaan O
Barang O
/ O
Jasa. O
Melihat O
fakta O
, O
bahwa O
masih O
banyak O
terjadi O
TPK O
dalam O
perkara O
Pengadaan O
Barang O
/ O
Jasa O
di O
pemerintahan O
meskipun O
telah O
diterapkannya O
e-Procurement O
melalui O
Layanan O
Pengadaan O
Secara O
Elektronik O
( O
LPSE O
) O
yang O
dikelola O
oleh O
Lembaga O
Kebijakan O
Pengadaan O
Barang O
/ O
Jasa O
Pemerintah O
( O
LKPP O
) O
. O
Dalam O
penelitian O
ini O
penulis O
melakukan O
scraping B-METODE
pada O
situs O
web O
LPSE O
untuk O
memperoleh O
data O
kegiatan O
Pengadaan O
Barang O
/ O
Jasa O
dari O
periode O
tahun O
2018-2020. O
Data O
yang O
telah O
diperoleh O
untuk O
selanjutnya O
diolah O
dengan O
bantuan O
metode O
Machine O
Learning O
guna O
mendeteksi O
potensi O
adanya O
fraud. O
Berdasarkan O
pada O
hasil O
pengerjaan O
penelitian O
yang O
dilakukan O
penulis O
, O
digunakan O
model O
Clustering B-METODE
, O
Decision O
Tree O
dan O
Association B-METODE
Rules I-METODE
dengan O
disertai O
oleh O
implementasi O
metode B-METODE
scoring I-METODE
oleh O
opentender.net O
terhadap O
beberapa O
indikator O
dalam O
melakukan O
pendeteksian O
pada O
potensi O
adanya O
fraud O
dalam O
kegiatan O
Pengadaan O
Barang O
/ O
Jasa. O
Kata O
Kunci— O
fraud O
, O
Pengadaan O
barang O
/ O
jasa O
, O
Machine O
Learning. O
[SEP] O
Dalam O
rangka O
mendeteksi B-TUJUAN
potensi I-TUJUAN
keberadaan I-TUJUAN
fraud I-TUJUAN
dalam I-TUJUAN
kegiatan I-TUJUAN
pengadaan I-TUJUAN
barang I-TUJUAN
/ I-TUJUAN
jasa I-TUJUAN
di I-TUJUAN
pemerintahan I-TUJUAN
dapat O
cukup O
terbantu O
dengan O
menerapkan O
indikator-indikator O
yang O
dirilis O
oleh O
ICW O
dalam O
platform O
opentender.net. O
Ditambah O
lagi O
dengan O
cara O
dikolaborasikan O
dengan O
beberapa O
metode O
Machine O
Learning O
dan O
Data O
Mining O
yang O
tepat O
sehingga O
dapat O
dilakukan O
pengkajian O
secara O
indikator- O
indikator O
apa O
saja O
yang O
dapat O
dijadikan O
acuan O
dalam O
langkah O
awal O
mendeteksi O
potensi O
fraud O
tersebut. O
Performa B-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
metode I-TEMUAN
Decision I-TEMUAN
Tree I-TEMUAN
yang I-TEMUAN
diterapkan I-TEMUAN
penulis I-TEMUAN
sudah I-TEMUAN
cukup I-TEMUAN
memuaskan I-TEMUAN
dengan I-TEMUAN
tingkat I-TEMUAN
akurasi I-TEMUAN
yang I-TEMUAN
mencapai I-TEMUAN
97,42 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
hanya O
saja O
masih O
banyak O
hal O
yang O
dapat O
ditingkatkan O
guna O
memperoleh O
hasil O
yang O
lebih O
baik O
, O
akurat O
dan O
signifikan O
untuk O
dapat O
mendeteksi O
adanya O
potensi O
fraud O
dengan O
kajian O
dan O
penelitian O
yang O
lebih O
mendalam. O
lebih O
mendalam O
mengenai O
Proses O
penelitian O
penulis O
cukup O
terhambat O
dengan O
minimnya O
data O
riil O
untuk O
melakukan O
konfirmasi O
tentang O
fraud O
yang O
benar- O
benar O
terjadi O
dalam O
kegiatan O
pengadaan O
barang O
/ O
jasa O
pemerintah O
sehingga O
model O
belum O
dapat O
benar-benar O
dinyatakan O
valid. O
Hal O
ini O
semoga O
dapat O
lebih O
baik O
di O
masa O
depan O
bersamaan O
dengan O
pengembangan O
yang O
dapat O
dilakukan O
pada O
penelitian O
mendatang O
dengan O
menerapkan O
model O
dan O
algoritma O
yang O
ada O
ke O
dalam O
suatu O
sistem O
informasi O
yang O
memberikan O
suatu O
deteksi O
dan O
peringatan O
awal O
mengenai O
adanya O
potensi O
terjadinya O
fraud. O

Informasi O
Manajemen O
Keuangan O
Monitoring O
Penggunaan O
Anggaran O
Politeknik O
Statistika O
STIS O
Moh. O
Rifki O
Arif O
( O
221709837 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
MT O
Ringkasan—Selama O
ini O
aplikasi O
SIMAMOV O
digunakan O
hanya O
dikhususkan O
untuk O
membantu O
pekerjaan O
petugas O
BAU. O
Penelitian O
ini O
bertujuan O
agar B-METODE
aplikasi I-METODE
SIMAMOV I-METODE
dapat I-METODE
digunakan I-METODE
oleh I-METODE
seluruh I-METODE
pegawai I-METODE
sehingga I-METODE
dapat I-METODE
mempermudah I-METODE
dalam I-METODE
proses I-METODE
manajemen I-METODE
keuangan. I-METODE
Beberapa O
penyesuaian O
yang O
harus O
dilakukan O
sebelum O
sistem O
dapat O
diimplementasikan O
yaitu O
penambahan O
fitur O
e-loket O
, O
menampilkan O
POK O
menurut O
unit O
dan O
role O
petugas O
, O
dan O
menambahkan O
fitur O
riwayat O
detail. O
Selain O
itu O
juga O
dilakukan O
penyesuaian O
lainnya O
seperti O
penambahan O
pilihan O
tahun O
anggaran O
di O
halaman O
POK O
, O
memperbaiki O
bugs O
, O
dan O
penyesuaian O
format O
POK. O
Namun O
fitur O
e-loket O
tidak O
akan O
dibahas O
melainkan O
hanya O
menambahkan O
fitur O
input O
realisasi O
pada O
e-loket O
bendahara. O
Pengembangan O
sistem O
ini O
menggunakan O
metode B-METODE
RAD I-METODE
dengan O
metode O
pengumpulan O
data O
wawancara. O
Fitur O
riwayat O
detail O
telah O
dapat O
menampilkan O
riwayat O
perubahan O
yang O
terjadi O
pada O
detail. O
POK O
telah O
dapat O
disesuaikan O
menurut O
unit O
dan O
role O
yang O
telah O
ditentukan. O
Input O
realisasi O
telah O
ditambahkan O
pada O
e- O
loket O
bendahara. O
Bugs O
unggah O
telah O
dapat O
diperbaiki O
diikuti O
dengan O
penyesuaian O
format O
POK. O
Hasil B-TEMUAN
pengujian I-TEMUAN
diketahui I-TEMUAN
bahwa I-TEMUAN
semua I-TEMUAN
fungsi I-TEMUAN
telah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
harapan I-TEMUAN
namun I-TEMUAN
perlu I-TEMUAN
sosialisasi I-TEMUAN
terlebih I-TEMUAN
dahulu I-TEMUAN
sebelum I-TEMUAN
sistem I-TEMUAN
digunakan. I-TEMUAN
Kata O
Kunci— O
Sistem O
Informasi O
, O
Anggaran O
, O
Manajemen O
, O
POK O
[SEP] O
Fitur O
riwayat O
perubahan O
detail O
pada O
POK O
telah O
dapat O
diterapkan O
dan O
telah O
dapat O
menampilkan O
perubahan O
yang O
terjadi O
pada O
detail O
POK O
meskipun O
perubahan O
detail O
tidak O
dapat O
teridentifikasi O
secara O
otomatis O
dan O
masih O
memerlukan O
penyesuaian O
secara O
manual O
oleh O
binagram O
karena O
perubahan O
tidak O
dilakukan O
pada O
aplikasi O
yang O
sama. O
Menu O
pilihan O
unit O
pada O
detail O
POK O
telah O
ditambahkan O
dan O
dapat O
digunakan O
oleh O
admin O
sehingga O
tampilan O
pengelolaan O
POK O
sudah O
dapat O
disesuaikan O
berdasarkan O
unit O
dan O
role O
yang O
telah O
ditentukan. O
Input O
realisasi O
telah O
dapat O
ditambahkan O
ke O
loket O
bendahara O
dan O
dapat O
berfungsi O
dengan O
baik O
sehingga O
bendahara O
dapat O
langsung O
mengisi O
realisasi O
tanpa O
harus O
mencari O
detail O
tersebut O
pada O
halaman O
POK O
entri. O
Bugs O
dan O
validasi O
dokumen O
POK O
telah O
diperbaiki O
dan O
format O
POK O
telah O
disesuaikan O
dengan O
POK O
yang O
baru. O
Hasil O
pengujian O
blackbox B-METODE
yang O
dilakukan O
didapatkan O
bahwa O
semua B-TEMUAN
fungsi I-TEMUAN
sudah I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
sebagaimana I-TEMUAN
mestinya I-TEMUAN
sehingga I-TEMUAN
aplikasi I-TEMUAN
ini I-TEMUAN
sudah I-TEMUAN
layak I-TEMUAN
untuk I-TEMUAN
digunakan. I-TEMUAN
Namun O
, O
hasil O
pengujian O
SUS B-METODE
yang O
diperoleh O
tidak O
sesuai O
dengan O
harapan. O
Dari B-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
diketahui I-TEMUAN
bahwa I-TEMUAN
kurangnya I-TEMUAN
sosialisasi I-TEMUAN
tentang I-TEMUAN
sistem I-TEMUAN
baru I-TEMUAN
tersebutlah I-TEMUAN
yang I-TEMUAN
mengakibatkan I-TEMUAN
kecilnya I-TEMUAN
skor I-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
yaitu I-TEMUAN
64,8. I-TEMUAN
Hal I-TEMUAN
tersebut I-TEMUAN
dapat I-TEMUAN
diketahui I-TEMUAN
dari I-TEMUAN
pengguna I-TEMUAN
yang I-TEMUAN
mengalami I-TEMUAN
kesulitan I-TEMUAN
dalam I-TEMUAN
memahami I-TEMUAN
cara I-TEMUAN
kerja I-TEMUAN
dari I-TEMUAN
sistem I-TEMUAN
tersebut I-TEMUAN
sehingga I-TEMUAN
sebaiknya I-TEMUAN
dilakukan I-TEMUAN
sosialisasi I-TEMUAN
terlebih I-TEMUAN
dahulu I-TEMUAN
sebelum I-TEMUAN
diterapkan. I-TEMUAN

Informasi O
Manajemen O
Keuangan O
Monitoring O
Penggunaan O
Anggaran O
Politeknik O
Statistika O
STIS O
Moh. O
Rifki O
Arif O
( O
221709837 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
MT O
Ringkasan—Selama O
ini O
aplikasi O
SIMAMOV O
digunakan O
hanya O
dikhususkan O
untuk O
membantu O
pekerjaan O
petugas O
BAU. O
Penelitian O
ini O
bertujuan O
agar B-METODE
aplikasi I-METODE
SIMAMOV I-METODE
dapat I-METODE
digunakan I-METODE
oleh I-METODE
seluruh I-METODE
pegawai I-METODE
sehingga I-METODE
dapat I-METODE
mempermudah I-METODE
dalam I-METODE
proses I-METODE
manajemen I-METODE
keuangan. I-METODE
Beberapa O
penyesuaian O
yang O
harus O
dilakukan O
sebelum O
sistem O
dapat O
diimplementasikan O
yaitu O
penambahan O
fitur O
e-loket O
, O
menampilkan O
POK O
menurut O
unit O
dan O
role O
petugas O
, O
dan O
menambahkan O
fitur O
riwayat O
detail. O
Selain O
itu O
juga O
dilakukan O
penyesuaian O
lainnya O
seperti O
penambahan O
pilihan O
tahun O
anggaran O
di O
halaman O
POK O
, O
memperbaiki O
bugs O
, O
dan O
penyesuaian O
format O
POK. O
Namun O
fitur O
e-loket O
tidak O
akan O
dibahas O
melainkan O
hanya O
menambahkan O
fitur O
input O
realisasi O
pada O
e-loket O
bendahara. O
Pengembangan O
sistem O
ini O
menggunakan O
metode B-METODE
RAD I-METODE
dengan O
metode O
pengumpulan O
data O
wawancara. O
Fitur O
riwayat O
detail O
telah O
dapat O
menampilkan O
riwayat O
perubahan O
yang O
terjadi O
pada O
detail. O
POK O
telah O
dapat O
disesuaikan O
menurut O
unit O
dan O
role O
yang O
telah O
ditentukan. O
Input O
realisasi O
telah O
ditambahkan O
pada O
e- O
loket O
bendahara. O
Bugs O
unggah O
telah O
dapat O
diperbaiki O
diikuti O
dengan O
penyesuaian O
format O
POK. O
Hasil B-TEMUAN
pengujian I-TEMUAN
diketahui I-TEMUAN
bahwa I-TEMUAN
semua I-TEMUAN
fungsi I-TEMUAN
telah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
harapan I-TEMUAN
namun I-TEMUAN
perlu I-TEMUAN
sosialisasi I-TEMUAN
terlebih I-TEMUAN
dahulu I-TEMUAN
sebelum I-TEMUAN
sistem I-TEMUAN
digunakan. I-TEMUAN
Kata O
Kunci— O
Sistem O
Informasi O
, O
Anggaran O
, O
Manajemen O
, O
POK O
[SEP] O
Fitur O
riwayat O
perubahan O
detail O
pada O
POK O
telah O
dapat O
diterapkan O
dan O
telah O
dapat O
menampilkan O
perubahan O
yang O
terjadi O
pada O
detail O
POK O
meskipun O
perubahan O
detail O
tidak O
dapat O
teridentifikasi O
secara O
otomatis O
dan O
masih O
memerlukan O
penyesuaian O
secara O
manual O
oleh O
binagram O
karena O
perubahan O
tidak O
dilakukan O
pada O
aplikasi O
yang O
sama. O
Menu O
pilihan O
unit O
pada O
detail O
POK O
telah O
ditambahkan O
dan O
dapat O
digunakan O
oleh O
admin O
sehingga O
tampilan O
pengelolaan O
POK O
sudah O
dapat O
disesuaikan O
berdasarkan O
unit O
dan O
role O
yang O
telah O
ditentukan. O
Input O
realisasi O
telah O
dapat O
ditambahkan O
ke O
loket O
bendahara O
dan O
dapat O
berfungsi O
dengan O
baik O
sehingga O
bendahara O
dapat O
langsung O
mengisi O
realisasi O
tanpa O
harus O
mencari O
detail O
tersebut O
pada O
halaman O
POK O
entri. O
Bugs O
dan O
validasi O
dokumen O
POK O
telah O
diperbaiki O
dan O
format O
POK O
telah O
disesuaikan O
dengan O
POK O
yang O
baru. O
Hasil O
pengujian O
blackbox B-METODE
yang O
dilakukan O
didapatkan O
bahwa O
semua B-TEMUAN
fungsi I-TEMUAN
sudah I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
sebagaimana I-TEMUAN
mestinya I-TEMUAN
sehingga I-TEMUAN
aplikasi I-TEMUAN
ini I-TEMUAN
sudah I-TEMUAN
layak I-TEMUAN
untuk I-TEMUAN
digunakan. I-TEMUAN
Namun O
, O
hasil O
pengujian O
SUS B-METODE
yang O
diperoleh O
tidak O
sesuai O
dengan O
harapan. O
Dari B-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
diketahui I-TEMUAN
bahwa I-TEMUAN
kurangnya I-TEMUAN
sosialisasi I-TEMUAN
tentang I-TEMUAN
sistem I-TEMUAN
baru I-TEMUAN
tersebutlah I-TEMUAN
yang I-TEMUAN
mengakibatkan I-TEMUAN
kecilnya I-TEMUAN
skor I-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
yaitu I-TEMUAN
64,8. I-TEMUAN
Hal I-TEMUAN
tersebut I-TEMUAN
dapat I-TEMUAN
diketahui I-TEMUAN
dari I-TEMUAN
pengguna I-TEMUAN
yang I-TEMUAN
mengalami I-TEMUAN
kesulitan I-TEMUAN
dalam I-TEMUAN
memahami I-TEMUAN
cara I-TEMUAN
kerja I-TEMUAN
dari I-TEMUAN
sistem I-TEMUAN
tersebut I-TEMUAN
sehingga I-TEMUAN
sebaiknya I-TEMUAN
dilakukan I-TEMUAN
sosialisasi I-TEMUAN
terlebih I-TEMUAN
dahulu I-TEMUAN
sebelum I-TEMUAN
diterapkan. I-TEMUAN

Informasi O
Manajemen O
Keuangan O
Monitoring O
Penggunaan O
Anggaran O
Politeknik O
Statistika O
STIS O
Moh. O
Rifki O
Arif O
( O
221709837 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
MT O
Ringkasan—Selama O
ini O
aplikasi O
SIMAMOV O
digunakan O
hanya O
dikhususkan O
untuk O
membantu O
pekerjaan O
petugas O
BAU. O
Penelitian O
ini O
bertujuan O
agar B-METODE
aplikasi I-METODE
SIMAMOV I-METODE
dapat I-METODE
digunakan I-METODE
oleh I-METODE
seluruh I-METODE
pegawai I-METODE
sehingga I-METODE
dapat I-METODE
mempermudah I-METODE
dalam I-METODE
proses I-METODE
manajemen I-METODE
keuangan. I-METODE
Beberapa O
penyesuaian O
yang O
harus O
dilakukan O
sebelum O
sistem O
dapat O
diimplementasikan O
yaitu O
penambahan O
fitur O
e-loket O
, O
menampilkan O
POK O
menurut O
unit O
dan O
role O
petugas O
, O
dan O
menambahkan O
fitur O
riwayat O
detail. O
Selain O
itu O
juga O
dilakukan O
penyesuaian O
lainnya O
seperti O
penambahan O
pilihan O
tahun O
anggaran O
di O
halaman O
POK O
, O
memperbaiki O
bugs O
, O
dan O
penyesuaian O
format O
POK. O
Namun O
fitur O
e-loket O
tidak O
akan O
dibahas O
melainkan O
hanya O
menambahkan O
fitur O
input O
realisasi O
pada O
e-loket O
bendahara. O
Pengembangan O
sistem O
ini O
menggunakan O
metode B-METODE
RAD I-METODE
dengan O
metode O
pengumpulan O
data O
wawancara. O
Fitur O
riwayat O
detail O
telah O
dapat O
menampilkan O
riwayat O
perubahan O
yang O
terjadi O
pada O
detail. O
POK O
telah O
dapat O
disesuaikan O
menurut O
unit O
dan O
role O
yang O
telah O
ditentukan. O
Input O
realisasi O
telah O
ditambahkan O
pada O
e- O
loket O
bendahara. O
Bugs O
unggah O
telah O
dapat O
diperbaiki O
diikuti O
dengan O
penyesuaian O
format O
POK. O
Hasil B-TEMUAN
pengujian I-TEMUAN
diketahui I-TEMUAN
bahwa I-TEMUAN
semua I-TEMUAN
fungsi I-TEMUAN
telah I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
harapan I-TEMUAN
namun I-TEMUAN
perlu I-TEMUAN
sosialisasi I-TEMUAN
terlebih I-TEMUAN
dahulu I-TEMUAN
sebelum I-TEMUAN
sistem I-TEMUAN
digunakan. I-TEMUAN
Kata O
Kunci— O
Sistem O
Informasi O
, O
Anggaran O
, O
Manajemen O
, O
POK O
[SEP] O
Fitur O
riwayat O
perubahan O
detail O
pada O
POK O
telah O
dapat O
diterapkan O
dan O
telah O
dapat O
menampilkan O
perubahan O
yang O
terjadi O
pada O
detail O
POK O
meskipun O
perubahan O
detail O
tidak O
dapat O
teridentifikasi O
secara O
otomatis O
dan O
masih O
memerlukan O
penyesuaian O
secara O
manual O
oleh O
binagram O
karena O
perubahan O
tidak O
dilakukan O
pada O
aplikasi O
yang O
sama. O
Menu O
pilihan O
unit O
pada O
detail O
POK O
telah O
ditambahkan O
dan O
dapat O
digunakan O
oleh O
admin O
sehingga O
tampilan O
pengelolaan O
POK O
sudah O
dapat O
disesuaikan O
berdasarkan O
unit O
dan O
role O
yang O
telah O
ditentukan. O
Input O
realisasi O
telah O
dapat O
ditambahkan O
ke O
loket O
bendahara O
dan O
dapat O
berfungsi O
dengan O
baik O
sehingga O
bendahara O
dapat O
langsung O
mengisi O
realisasi O
tanpa O
harus O
mencari O
detail O
tersebut O
pada O
halaman O
POK O
entri. O
Bugs O
dan O
validasi O
dokumen O
POK O
telah O
diperbaiki O
dan O
format O
POK O
telah O
disesuaikan O
dengan O
POK O
yang O
baru. O
Hasil O
pengujian O
blackbox B-METODE
yang O
dilakukan O
didapatkan O
bahwa O
semua B-TEMUAN
fungsi I-TEMUAN
sudah I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
sebagaimana I-TEMUAN
mestinya I-TEMUAN
sehingga I-TEMUAN
aplikasi I-TEMUAN
ini I-TEMUAN
sudah I-TEMUAN
layak I-TEMUAN
untuk I-TEMUAN
digunakan. I-TEMUAN
Namun O
, O
hasil O
pengujian O
SUS B-METODE
yang O
diperoleh O
tidak O
sesuai O
dengan O
harapan. O
Dari B-TEMUAN
hasil I-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
diketahui I-TEMUAN
bahwa I-TEMUAN
kurangnya I-TEMUAN
sosialisasi I-TEMUAN
tentang I-TEMUAN
sistem I-TEMUAN
baru I-TEMUAN
tersebutlah I-TEMUAN
yang I-TEMUAN
mengakibatkan I-TEMUAN
kecilnya I-TEMUAN
skor I-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
yaitu I-TEMUAN
64,8. I-TEMUAN
Hal I-TEMUAN
tersebut I-TEMUAN
dapat I-TEMUAN
diketahui I-TEMUAN
dari I-TEMUAN
pengguna I-TEMUAN
yang I-TEMUAN
mengalami I-TEMUAN
kesulitan I-TEMUAN
dalam I-TEMUAN
memahami I-TEMUAN
cara I-TEMUAN
kerja I-TEMUAN
dari I-TEMUAN
sistem I-TEMUAN
tersebut I-TEMUAN
sehingga I-TEMUAN
sebaiknya I-TEMUAN
dilakukan I-TEMUAN
sosialisasi I-TEMUAN
terlebih I-TEMUAN
dahulu I-TEMUAN
sebelum I-TEMUAN
diterapkan. I-TEMUAN

Kesiapan O
Pemanfaatan O
Data O
Google O
Maps O
untuk O
Pemenuhan O
Variabel O
Jumlah O
dan O
Jarak O
Infrastruktur O
pada O
Data O
Potensi O
Desa O
( O
Studi O
Kasus O
Kota O
Yogyakarta O
) O
Masyitah O
Ayuning O
Setyo O
( O
221709818 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M.Stat O
jumlah O
dan O
Ringkasan— O
Salah O
satu O
Official O
Statistics O
yang O
dipublikasikan O
oleh O
Badan O
Pusat O
Statistik O
adalah O
Statistik O
Potensi O
Desa O
( O
PODES O
) O
. O
Pada O
kuesioner O
PODES O
, O
salah O
satu O
pertanyaan O
yang O
banyak O
ditanyakan O
adalah O
mengenai O
jarak O
infrastruktur O
dalam O
suatu O
desa. O
Variabel O
ini O
diperlukan O
untuk O
penyusunan O
berbagai O
indeks O
sehingga O
di-update O
setiap O
tahunnya O
di O
luar O
tahun O
pendataan O
PODES. O
Tersedianya O
Big O
Data O
memiliki O
potensi O
untuk O
memudahkan O
pemutakhiran O
data O
PODES. O
Pada O
penelitian O
sebelumnya O
, O
Google O
Maps O
sebagai O
suatu O
Big O
Data O
, O
disebutkan O
dapat O
menjadi O
sumber O
pengisian O
data O
PODES. O
Penelitian O
ini O
mengkaji O
lebih O
dalam O
terkait O
proses O
yang O
perlu O
diperhatikan O
jika O
menggunakan O
Google O
Maps O
sebagai O
sumber O
data O
dari O
Official O
Statistics O
, O
serta O
menganalisis O
keakuratan O
data O
yang O
dihasilkan O
oleh O
Google O
Maps. O
Pada O
penelitian O
ini O
dibangun O
Web O
untuk O
mengumpulkan O
data O
infrastruktur O
di O
Kota O
Yogyakarta O
dari O
Google O
Maps. O
Pada O
penelitian O
yang O
dilakukan O
, O
ditemukan O
bahwa O
proses O
pengumpulan O
dan O
pre-processing O
data O
membutuhkan O
waktu O
dan O
proses O
yang O
lama O
dan O
memiliki O
akurasi O
data O
yang O
masih O
sangat O
rendah O
dalam O
mengestimasi O
jumlah O
infrastruktur O
per O
desa. O
Akurasi O
dari O
titik O
koordinat O
Google O
Maps O
sudah O
baik O
, O
namun O
variabel O
jarak O
yang O
diinformasikan O
oleh O
Google O
Maps O
perlu O
diteliti O
lebih O
lanjut O
ke O
lapangan. O
Dari O
hasil O
penelitian O
, O
disimpulkan B-TEMUAN
bahwa I-TEMUAN
data I-TEMUAN
Google I-TEMUAN
Maps I-TEMUAN
belum I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
sebagai I-TEMUAN
sumber I-TEMUAN
data I-TEMUAN
untuk I-TEMUAN
pengisian I-TEMUAN
variabel I-TEMUAN
jumlah I-TEMUAN
dan I-TEMUAN
jarak I-TEMUAN
infrastruktur I-TEMUAN
pada I-TEMUAN
PODES. I-TEMUAN
Scraper O
menggunakan O
Bahasa O
Python O
Kata O
Kunci— O
Big O
Data O
, O
Google O
Maps O
, O
Official O
Statistics O
, O
PODES O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
diatas O
, O
sesuai O
dengan O
tujuan O
penelitian O
untuk O
mengetahui B-TUJUAN
tingkat I-TUJUAN
akurasi I-TUJUAN
data I-TUJUAN
Google I-TUJUAN
Maps I-TUJUAN
, O
setelah O
dilakukan O
perbandingan B-METODE
dengan I-METODE
data I-METODE
PODES I-METODE
dan I-METODE
data I-METODE
Geotagging I-METODE
dapat O
disimpulkan O
bahwa O
akurasi O
data O
Google O
Maps O
dalam O
mengestimasi O
jumlah O
infrastruktur O
per O
desa O
secara O
umum O
masih O
rendah O
, O
yakni O
pada O
rentang O
27 O
hingga O
59 O
persen O
kecuali O
pada O
Infrastruktur O
Kesehatan O
dan O
Tempat O
Ibadah O
yang O
mencapai O
akurasi O
pada O
rentang O
61 O
hingga O
71 O
persen. O
Dalam O
proses O
pengumpulan O
data O
Google O
Maps O
membutuhkan O
durasi O
yang O
cukup O
lama O
serta O
perangkat O
dan O
koneksi O
internet O
yang O
memadai. O
Proses O
pre- O
processing O
data O
untuk O
menjadikan O
data O
Google O
Maps O
fit O
to O
use O
membutuhkan O
waktu O
dan O
tenaga O
yang O
banyak O
karena O
beberapa O
tahapan O
harus O
dilakukan O
secara O
manual O
dan O
penuh O
ketelitian. O
Proses O
pre-processing O
juga O
menghasilkan O
data O
yang O
bersifat O
subjektif O
dari O
peneliti O
dalam O
mengidentifikasi O
infrastruktur O
pada O
Google O
Maps. O
Kemudian O
, O
dalam O
memenuhi O
variabel O
jumlah O
infrastruktur O
puskesmas O
dan O
pasar O
data O
Google O
Maps O
belum O
dapat O
mengelompokkan O
secara O
langsung O
infrastruktur O
berdasarkan O
fasilitas O
dan O
bangunannya O
, O
untuk O
menggunakannya O
diperlukan O
identifikasi O
dari O
peneliti O
apakah O
infrastruktur O
puskesmas O
yang O
dikumpulkan O
oleh O
web-scraper O
merupakan O
puskesmas O
pembantu O
atau O
merupakan O
puskesmas O
dengan O
fasilitas O
rawat O
inap O
atau O
tidak O
dan O
mengidentifikasi O
apakah O
data O
pasar O
yang O
dikumpulkan O
memiliki O
bangunan O
tetap O
atau O
tidak. O
Kemudian O
, O
ditemukan O
bahwa O
titik O
koordinat O
data O
Google O
Maps O
sangat O
akurat O
, O
tetapi O
untuk O
informasi O
variabel O
sebuah O
14 O
/ O
15 O
Gambar O
24. O
Sebaran O
jarak O
antara O
koordinat O
data O
Google O
Maps O
dengan O
Geotagging O
. O
Berdasarkan O
gambar O
24 O
terlihat O
bahwa O
sebaran O
selisih O
jarak O
dominan O
berada O
pada O
rentang O
1.500 O
hingga O
3.000 O
meter O
dan O
sebanyak O
90,92 O
persen O
hasil O
selisih O
antara O
data O
Geotagging O
dengan O
data O
Google O
Maps O
bernilai O
positif O
, O
yang O
artinya O
nilai O
jarak O
pada O
Google O
Maps O
cenderung O
lebih O
kecil O
daripada O
jarak O
pada O
data O
Geotagging. O
Dan O
hanya O
terdapat O
1,98 O
persen O
yang O
memiliki O
selisih O
pada O
rentang O
0-100 O
meter. O
Namun O
, O
berdasarkan O
penelitian O
yang O
dilakukan O
oleh O
[ O
10 O
] O
yang O
melakukan O
perbandingan O
jarak O
dari O
algoritma O
haversine O
, O
Google O
Maps O
API O
, O
dan O
jarak O
sebenarnya O
yang O
dihitung O
menggunakan O
odometer O
kendaraan O
bermotor O
pada O
6 O
objek O
, O
menemukan O
bahwa O
MAPE O
( O
Mean O
Absolute O
Error O
) O
dari O
Google O
Maps O
lebih O
rendah O
( O
11 O
persen O
) O
dibandingkan O
dengan O
MAPE O
dari O
algoritma O
Haversine O
( O
33 O
persen O
) O
. O
Dimana O
hal O
ini O
dikarenakan O
pada O
algortima O
haversine O
mengambil O
garis O
lurus O
dalam O
perhitungan O
jarak O
sedangkan O
Google O
Maps O
API O
mengikuti O
rute O
jalan O
terpendek O
dan O
hampir O
sama O
menyerupai O
perhitungan O
secara O
real O
[ O
10 O
] O
. O
Berdasarkan O
penelitian O
[ O
10 O
] O
tersebut O
, O
terdapat O
peluang O
data O
jarak O
dari O
Google O
Maps O
memiliki O
akurasi O
yang O
cukup O
baik O
, O
namun O
harus O
dilakukan O
penelitian O
ke O
lapangan O
untuk O
membandingkan O
jarak O
yang O
sebenarnya O
dengan O
jarak O
pada O
Google O
Maps O
dikarenakan O
penelitian O
[ O
10 O
] O
baru O
dilakukan O
untuk O
6 O
objek O
saja. O
6.8 O
Rekomendasi O
untuk O
Penggunaan O
Data O
Google O
Maps O
dalam O
Pemenuhan O
Variabel O
Jumlah O
dan O
Jarak O
Infrastruktur O
pada O
PODES O
Berikut O
ini O
diuraikan O
beberapa O
rekomendasi O
yang O
bisa O
dilakukan O
jika O
ingin O
menggunakan O
data O
dari O
Google O
Maps O
dalam O
pemenuhan O
variabel O
jumlah O
dan O
jarak O
infrastruktur O
pada O
PODES O
agar O
dapat O
meningkatkan O
akurasi O
data O
: O
1 O
) O
Penggunaan O
Google O
Maps O
API O
Berdasarkan O
kajian O
Praktik O
Kerja O
Lapangan O
Politeknik O
Statistika O
STIS O
diketahui O
bahwa O
pengumpulan O
data O
menggunakan O
Google O
Maps O
API O
menunjukkan O
keunggulan O
yang O
lebih O
banyak O
dibandingkan O
metode O
web-scraping O
[ O
7 O
] O
. O
Keunggulan O
tersebut O
diantaranya O
adalah O
durasi O
waktu O
pengumpulan O
data O
yang O
lebih O
singkat O
( O
5-10 O
detik O
per O
infrastruktur O
) O
, O
tidak O
membutuhkan O
komputer O
dengan O
spesifikasi O
yang O
tinggi O
, O
tidak O
membutuhkan O
koneksi O
internet O
yang O
cepat O
, O
dan O
data O
dapat O
dikumpulkan O
dengan O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
jarak O
yang O
disediakan O
oleh O
Google O
Maps O
perlu O
penelitian O
lebih O
lanjut O
ke O
lapangan. O
Berdasarkan O
temuan-temuan O
tersebut O
, O
dapat O
disimpulkan O
bahwa O
data O
Google O
Maps O
belum O
direkomedasikan O
digunakan O
sebagai O
sumber O
data O
dalam O
pengisian O
variabel O
jumlah O
infrastruktur O
, O
meskipun O
untuk O
infrastruktur O
kesehatan O
dan O
tempat O
ibadah O
cukup O
baik O
, O
namun O
persentase O
kesesuaian O
tertinggi O
hanya O
71 O
persen O
, O
sehingga O
belum O
disarankan. O
Sedangkan O
untuk O
variabel O
jarak O
infrastruktur O
, O
karena O
akurasi O
titik O
koordinat O
yang O
sangat O
baik O
, O
pengisian O
variabel O
jarak O
dapat O
diisi O
melalui O
penghitungan O
jarak O
menggunakan O
algoritma O
Haversine. O
Untuk O
penelitian O
selanjutnya O
peneliti O
menyarankan O
untuk O
mengkaji O
perbandingan O
tingkat O
akurasi O
data O
Google O
Maps O
untuk O
pemenuhan O
variabel O
jarak O
infrastruktur O
PODES O
antara O
wilayah O
Kabupaten O
dan O
Kota O
, O
mengkaji O
tingkat O
akurasi O
data O
Google O
Maps O
untuk O
pemenuhan O
variabel O
jumlah O
dan O
jarak O
infrastruktur O
PODES O
pada O
wilayah O
dengan O
penetrasi O
internet O
yang O
rendah O
, O
dan O
mengatasi O
keterbatasan O
penelitian O
untuk O
mengetahui O
tingkat O
akurasi O
data O
Google O
Maps O
dalam O
pemenuhan O
variabel O
jumlah O
infrastruktur O
pada O
kelompok O
yang O
memiliki O
jumlah O
infrastruktur O
diatas O
empat O
puluh O
per O
desanya. O
jumlah O
dan O
BPS O
, O
2018. O

Kesiapan O
Pemanfaatan O
Data O
Google O
Maps O
untuk O
Pemenuhan O
Variabel O
Jumlah O
dan O
Jarak O
Infrastruktur O
pada O
Data O
Potensi O
Desa O
( O
Studi O
Kasus O
Kota O
Yogyakarta O
) O
Masyitah O
Ayuning O
Setyo O
( O
221709818 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M.Stat O
jumlah O
dan O
Ringkasan— O
Salah O
satu O
Official O
Statistics O
yang O
dipublikasikan O
oleh O
Badan O
Pusat O
Statistik O
adalah O
Statistik O
Potensi O
Desa O
( O
PODES O
) O
. O
Pada O
kuesioner O
PODES O
, O
salah O
satu O
pertanyaan O
yang O
banyak O
ditanyakan O
adalah O
mengenai O
jarak O
infrastruktur O
dalam O
suatu O
desa. O
Variabel O
ini O
diperlukan O
untuk O
penyusunan O
berbagai O
indeks O
sehingga O
di-update O
setiap O
tahunnya O
di O
luar O
tahun O
pendataan O
PODES. O
Tersedianya O
Big O
Data O
memiliki O
potensi O
untuk O
memudahkan O
pemutakhiran O
data O
PODES. O
Pada O
penelitian O
sebelumnya O
, O
Google O
Maps O
sebagai O
suatu O
Big O
Data O
, O
disebutkan O
dapat O
menjadi O
sumber O
pengisian O
data O
PODES. O
Penelitian O
ini O
mengkaji O
lebih O
dalam O
terkait O
proses O
yang O
perlu O
diperhatikan O
jika O
menggunakan O
Google O
Maps O
sebagai O
sumber O
data O
dari O
Official O
Statistics O
, O
serta O
menganalisis O
keakuratan O
data O
yang O
dihasilkan O
oleh O
Google O
Maps. O
Pada O
penelitian O
ini O
dibangun O
Web O
untuk O
mengumpulkan O
data O
infrastruktur O
di O
Kota O
Yogyakarta O
dari O
Google O
Maps. O
Pada O
penelitian O
yang O
dilakukan O
, O
ditemukan O
bahwa O
proses O
pengumpulan O
dan O
pre-processing O
data O
membutuhkan O
waktu O
dan O
proses O
yang O
lama O
dan O
memiliki O
akurasi O
data O
yang O
masih O
sangat O
rendah O
dalam O
mengestimasi O
jumlah O
infrastruktur O
per O
desa. O
Akurasi O
dari O
titik O
koordinat O
Google O
Maps O
sudah O
baik O
, O
namun O
variabel O
jarak O
yang O
diinformasikan O
oleh O
Google O
Maps O
perlu O
diteliti O
lebih O
lanjut O
ke O
lapangan. O
Dari O
hasil O
penelitian O
, O
disimpulkan B-TEMUAN
bahwa I-TEMUAN
data I-TEMUAN
Google I-TEMUAN
Maps I-TEMUAN
belum I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
sebagai I-TEMUAN
sumber I-TEMUAN
data I-TEMUAN
untuk I-TEMUAN
pengisian I-TEMUAN
variabel I-TEMUAN
jumlah I-TEMUAN
dan I-TEMUAN
jarak I-TEMUAN
infrastruktur I-TEMUAN
pada I-TEMUAN
PODES. I-TEMUAN
Scraper O
menggunakan O
Bahasa O
Python O
Kata O
Kunci— O
Big O
Data O
, O
Google O
Maps O
, O
Official O
Statistics O
, O
PODES O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
diatas O
, O
sesuai O
dengan O
tujuan O
penelitian O
untuk O
mengetahui B-TUJUAN
tingkat I-TUJUAN
akurasi I-TUJUAN
data I-TUJUAN
Google I-TUJUAN
Maps I-TUJUAN
, O
setelah O
dilakukan O
perbandingan B-METODE
dengan I-METODE
data I-METODE
PODES I-METODE
dan I-METODE
data I-METODE
Geotagging I-METODE
dapat O
disimpulkan O
bahwa O
akurasi O
data O
Google O
Maps O
dalam O
mengestimasi O
jumlah O
infrastruktur O
per O
desa O
secara O
umum O
masih O
rendah O
, O
yakni O
pada O
rentang O
27 O
hingga O
59 O
persen O
kecuali O
pada O
Infrastruktur O
Kesehatan O
dan O
Tempat O
Ibadah O
yang O
mencapai O
akurasi O
pada O
rentang O
61 O
hingga O
71 O
persen. O
Dalam O
proses O
pengumpulan O
data O
Google O
Maps O
membutuhkan O
durasi O
yang O
cukup O
lama O
serta O
perangkat O
dan O
koneksi O
internet O
yang O
memadai. O
Proses O
pre- O
processing O
data O
untuk O
menjadikan O
data O
Google O
Maps O
fit O
to O
use O
membutuhkan O
waktu O
dan O
tenaga O
yang O
banyak O
karena O
beberapa O
tahapan O
harus O
dilakukan O
secara O
manual O
dan O
penuh O
ketelitian. O
Proses O
pre-processing O
juga O
menghasilkan O
data O
yang O
bersifat O
subjektif O
dari O
peneliti O
dalam O
mengidentifikasi O
infrastruktur O
pada O
Google O
Maps. O
Kemudian O
, O
dalam O
memenuhi O
variabel O
jumlah O
infrastruktur O
puskesmas O
dan O
pasar O
data O
Google O
Maps O
belum O
dapat O
mengelompokkan O
secara O
langsung O
infrastruktur O
berdasarkan O
fasilitas O
dan O
bangunannya O
, O
untuk O
menggunakannya O
diperlukan O
identifikasi O
dari O
peneliti O
apakah O
infrastruktur O
puskesmas O
yang O
dikumpulkan O
oleh O
web-scraper O
merupakan O
puskesmas O
pembantu O
atau O
merupakan O
puskesmas O
dengan O
fasilitas O
rawat O
inap O
atau O
tidak O
dan O
mengidentifikasi O
apakah O
data O
pasar O
yang O
dikumpulkan O
memiliki O
bangunan O
tetap O
atau O
tidak. O
Kemudian O
, O
ditemukan O
bahwa O
titik O
koordinat O
data O
Google O
Maps O
sangat O
akurat O
, O
tetapi O
untuk O
informasi O
variabel O
sebuah O
14 O
/ O
15 O
Gambar O
24. O
Sebaran O
jarak O
antara O
koordinat O
data O
Google O
Maps O
dengan O
Geotagging O
. O
Berdasarkan O
gambar O
24 O
terlihat O
bahwa O
sebaran O
selisih O
jarak O
dominan O
berada O
pada O
rentang O
1.500 O
hingga O
3.000 O
meter O
dan O
sebanyak O
90,92 O
persen O
hasil O
selisih O
antara O
data O
Geotagging O
dengan O
data O
Google O
Maps O
bernilai O
positif O
, O
yang O
artinya O
nilai O
jarak O
pada O
Google O
Maps O
cenderung O
lebih O
kecil O
daripada O
jarak O
pada O
data O
Geotagging. O
Dan O
hanya O
terdapat O
1,98 O
persen O
yang O
memiliki O
selisih O
pada O
rentang O
0-100 O
meter. O
Namun O
, O
berdasarkan O
penelitian O
yang O
dilakukan O
oleh O
[ O
10 O
] O
yang O
melakukan O
perbandingan O
jarak O
dari O
algoritma O
haversine O
, O
Google O
Maps O
API O
, O
dan O
jarak O
sebenarnya O
yang O
dihitung O
menggunakan O
odometer O
kendaraan O
bermotor O
pada O
6 O
objek O
, O
menemukan O
bahwa O
MAPE O
( O
Mean O
Absolute O
Error O
) O
dari O
Google O
Maps O
lebih O
rendah O
( O
11 O
persen O
) O
dibandingkan O
dengan O
MAPE O
dari O
algoritma O
Haversine O
( O
33 O
persen O
) O
. O
Dimana O
hal O
ini O
dikarenakan O
pada O
algortima O
haversine O
mengambil O
garis O
lurus O
dalam O
perhitungan O
jarak O
sedangkan O
Google O
Maps O
API O
mengikuti O
rute O
jalan O
terpendek O
dan O
hampir O
sama O
menyerupai O
perhitungan O
secara O
real O
[ O
10 O
] O
. O
Berdasarkan O
penelitian O
[ O
10 O
] O
tersebut O
, O
terdapat O
peluang O
data O
jarak O
dari O
Google O
Maps O
memiliki O
akurasi O
yang O
cukup O
baik O
, O
namun O
harus O
dilakukan O
penelitian O
ke O
lapangan O
untuk O
membandingkan O
jarak O
yang O
sebenarnya O
dengan O
jarak O
pada O
Google O
Maps O
dikarenakan O
penelitian O
[ O
10 O
] O
baru O
dilakukan O
untuk O
6 O
objek O
saja. O
6.8 O
Rekomendasi O
untuk O
Penggunaan O
Data O
Google O
Maps O
dalam O
Pemenuhan O
Variabel O
Jumlah O
dan O
Jarak O
Infrastruktur O
pada O
PODES O
Berikut O
ini O
diuraikan O
beberapa O
rekomendasi O
yang O
bisa O
dilakukan O
jika O
ingin O
menggunakan O
data O
dari O
Google O
Maps O
dalam O
pemenuhan O
variabel O
jumlah O
dan O
jarak O
infrastruktur O
pada O
PODES O
agar O
dapat O
meningkatkan O
akurasi O
data O
: O
1 O
) O
Penggunaan O
Google O
Maps O
API O
Berdasarkan O
kajian O
Praktik O
Kerja O
Lapangan O
Politeknik O
Statistika O
STIS O
diketahui O
bahwa O
pengumpulan O
data O
menggunakan O
Google O
Maps O
API O
menunjukkan O
keunggulan O
yang O
lebih O
banyak O
dibandingkan O
metode O
web-scraping O
[ O
7 O
] O
. O
Keunggulan O
tersebut O
diantaranya O
adalah O
durasi O
waktu O
pengumpulan O
data O
yang O
lebih O
singkat O
( O
5-10 O
detik O
per O
infrastruktur O
) O
, O
tidak O
membutuhkan O
komputer O
dengan O
spesifikasi O
yang O
tinggi O
, O
tidak O
membutuhkan O
koneksi O
internet O
yang O
cepat O
, O
dan O
data O
dapat O
dikumpulkan O
dengan O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
jarak O
yang O
disediakan O
oleh O
Google O
Maps O
perlu O
penelitian O
lebih O
lanjut O
ke O
lapangan. O
Berdasarkan O
temuan-temuan O
tersebut O
, O
dapat O
disimpulkan O
bahwa O
data O
Google O
Maps O
belum O
direkomedasikan O
digunakan O
sebagai O
sumber O
data O
dalam O
pengisian O
variabel O
jumlah O
infrastruktur O
, O
meskipun O
untuk O
infrastruktur O
kesehatan O
dan O
tempat O
ibadah O
cukup O
baik O
, O
namun O
persentase O
kesesuaian O
tertinggi O
hanya O
71 O
persen O
, O
sehingga O
belum O
disarankan. O
Sedangkan O
untuk O
variabel O
jarak O
infrastruktur O
, O
karena O
akurasi O
titik O
koordinat O
yang O
sangat O
baik O
, O
pengisian O
variabel O
jarak O
dapat O
diisi O
melalui O
penghitungan O
jarak O
menggunakan O
algoritma O
Haversine. O
Untuk O
penelitian O
selanjutnya O
peneliti O
menyarankan O
untuk O
mengkaji O
perbandingan O
tingkat O
akurasi O
data O
Google O
Maps O
untuk O
pemenuhan O
variabel O
jarak O
infrastruktur O
PODES O
antara O
wilayah O
Kabupaten O
dan O
Kota O
, O
mengkaji O
tingkat O
akurasi O
data O
Google O
Maps O
untuk O
pemenuhan O
variabel O
jumlah O
dan O
jarak O
infrastruktur O
PODES O
pada O
wilayah O
dengan O
penetrasi O
internet O
yang O
rendah O
, O
dan O
mengatasi O
keterbatasan O
penelitian O
untuk O
mengetahui O
tingkat O
akurasi O
data O
Google O
Maps O
dalam O
pemenuhan O
variabel O
jumlah O
infrastruktur O
pada O
kelompok O
yang O
memiliki O
jumlah O
infrastruktur O
diatas O
empat O
puluh O
per O
desanya. O
jumlah O
dan O
BPS O
, O
2018. O

Mobilitas O
Penduduk O
DKI O
Jakarta O
Menggunakan O
Agent-Based O
Modeling O
Marko O
Januarta O
Putra O
Mulyowidodo O
( O
221709813 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Tiodora O
Hadumaon O
Siagian O
, O
M.Pop.Hum.Res. O
Ringkasan— O
Salah O
satu O
bentuk O
mobilitas O
non O
permanen O
yang O
berkembang O
pesat O
saat O
ini O
di O
kota-kota O
besar O
di O
Indonesia O
adalah O
kegiatan O
komuter O
atau O
nglaju. O
Banyaknya O
penduduk O
yang O
tinggal O
di O
wilayah O
peri O
urban O
menjadi O
penglaju O
menjadikan O
kegiatan O
komuter O
ini O
berdampak O
pada O
pembangunan O
wilayah O
, O
khususnya O
untuk O
penyediaan O
transportasi O
yang O
beragam O
dan O
memadai. O
Sebagai O
wilayah O
ibukota O
, O
Provinsi O
DKI O
Jakarta O
tentu O
memiliki O
banyak O
penglaju O
sehingga O
dipandang O
perlu O
mewujudkan O
smart O
mobility O
sebagai O
salah O
satu O
program O
Smart O
City O
di O
DKI O
Jakarta. O
Untuk O
itu O
penelitian O
ini O
melakukan B-TUJUAN
simulasi I-TUJUAN
mobilitas I-TUJUAN
penduduk I-TUJUAN
DKI I-TUJUAN
Jakarta I-TUJUAN
menggunakan I-TUJUAN
Agent-Based I-TUJUAN
Modeling. I-TUJUAN
Simulasi O
yang O
dilakukan O
adalah O
simulasi B-METODE
aktivitas I-METODE
mobilitas O
dari O
rumah O
ke O
kantor O
dan O
sekolah. O
Simulasi O
yang O
dibangun O
berhasil O
disesuaikan O
dengan O
jenis O
kegiatan O
utama O
penduduk O
komuter O
serta O
waktu O
kegiatan O
yang O
terdapat O
pada O
publikasi O
Statistik O
Komuter O
Jabodetabek O
2019. O
Kemudian O
dilakukan O
perbandingan O
dengan O
data O
empiris O
berupa O
data O
dari O
media O
sosial O
Twitter O
menunjukkan O
bahwa O
big B-TEMUAN
data I-TEMUAN
memiliki I-TEMUAN
potensi I-TEMUAN
untuk I-TEMUAN
dimanfaatkan I-TEMUAN
untuk I-TEMUAN
studi I-TEMUAN
kependudukan. I-TEMUAN
Diharapkan O
hasil O
penelitian O
ini O
dapat O
membantu O
dalam O
perencanaan O
dan O
pengambilan O
dasar O
kebijakan O
penyediaan O
transportasi O
di O
DKI O
Jakarta O
yang O
lebih O
efisien O
, O
efektif O
dan O
memadai. O
Komunikasi O
, O
Informatika O
dan O
Statistik O
Provinsi O
DKI O
Jakarta O
, O
masih O
banyak O
warga O
ibukota O
yang O
menganggap O
memiliki O
kendaraan O
pribadi O
masih O
jauh O
lebih O
efektif O
dalam O
menunjang O
mobilitas O
sehari-hari O
, O
walaupun O
sudah O
tersedia O
banyak O
moda O
transportasi O
massal. O
Sebagaimana O
dapat O
dilihat O
pada O
Gambar O
1 O
, O
jumlah O
kendaraan O
bermotor O
di O
provinsi O
DKI O
Jakarta O
tahun O
2019 O
naik O
sebesar O
0,7 O
persen O
, O
tepatnya O
sebanyak O
77.158 O
kendaraan O
dibanding O
jumlah O
kendaraan O
bermotor O
ini O
menimbulkan O
masalah O
karena O
pertumbuhan O
jumlah O
kendaraan O
tidak O
seimbang O
dengan O
laju O
pertumbuhan O
jalan. O
Tentu O
masalah O
ini O
berdampak O
pada O
kelancaran O
aktivitas O
komuter O
bagai O
masyarakat O
di O
DKI O
Jakarta. O
sebelumnya. O
[ O
3 O
] O
Peningkatan O
tahun O
11.762.763 O
11.839.921 O
11.274.597 O
Kata O
Kunci— O
Mobilitas O
, O
Transportasi O
, O
Agent-Based O
Modeling O
, O
Simulasi O
2017 O
2018 O
2019 O
[SEP] O
2. O
3. O
Kesimpulan O
yang O
diperoleh O
dari O
penelitian O
ini O
yaitu O
1. O
Simulasi O
berhasil O
dilakukan O
dengan O
menyesuaikan O
Statistik O
Komuter O
Jabodetabek O
2019 O
, O
yaitu O
pada O
sebaran O
jenis O
aktivitas O
dan O
waktu O
kegiatan O
aktivitas O
utama O
komuter. O
Data O
hasil O
pemodelan O
mobilitas O
penduduk O
DKI O
Jakarta O
ditampilkan O
dengan O
grafik-grafik. O
Diperoleh O
bahwa O
jumlah O
penduduk O
komuter O
tertinggi O
selama O
mobilitas O
agen O
menuju O
tempat O
aktivitas O
berlangsung O
terdapat O
pada O
kecamatan O
Jagakarsa. O
Validasi B-METODE
dengan O
memanfaatkan O
big O
data O
berhasil O
dilakukan O
pada O
data O
tempat O
tinggal O
agen O
dengan O
membandingkan O
data O
hasil O
simulasi O
dengan O
data O
dari O
media O
sosial O
Twitter. O
Diperoleh O
bahwa O
distribusi O
tempat O
tinggal O
agen O
menyerupai O
distribusi O
kepadatan O
tweet O
pada O
masing-masing O
kota O
administrasi O
di O
DKI O
Jakarta. O
Saran O
yang O
bisa O
diberikan O
penulis O
yaitu O
1. O
Untuk O
pemerintah O
, O
agar O
dapat O
meningkatkan O
fasilitan O
serta O
sarana O
dan O
prasarana O
transportasi O
mengingat O
pentingnya O
hal O
tersebut O
bagi O
kegiatan O
komuter O
untuk O
melakukan O
mobilitas O
ke O
tampat O
aktivitasnya O
masing- O
masing. O
Hal O
ini O
untuk O
mendorong O
efektivitas O
dan O
efisiensi O
setiap O
moda O
transportasi O
terutama O
di O
kota O
besar O
seperti O
DKI O
Jakarta. O
keadaan O
mobilitas O
2. O
Untuk O
penelitian O
selanjutnya O
agar O
dapat O
memasukkan O
input O
data O
moda O
transportasi O
yang O
bervariasi O
untuk O
penduduk O
menggambarkan O
serealistis O
mungkin. O
Selain O
itu O
penelitian O
selanjutnya O
dapat O
menggunakan O
data O
validasi O
yang O
bersumber O
dari O
statistic O
resmi O
( O
official O
statistics O
) O
guna O
memastikan O
data O
hasil O
simulasi O
memang O
sudah O
mewakili O
keadaan O
atau O
fenomena O
yang O
sebenarnya O

Mobilitas O
Penduduk O
DKI O
Jakarta O
Menggunakan O
Agent-Based O
Modeling O
Marko O
Januarta O
Putra O
Mulyowidodo O
( O
221709813 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Tiodora O
Hadumaon O
Siagian O
, O
M.Pop.Hum.Res. O
Ringkasan— O
Salah O
satu O
bentuk O
mobilitas O
non O
permanen O
yang O
berkembang O
pesat O
saat O
ini O
di O
kota-kota O
besar O
di O
Indonesia O
adalah O
kegiatan O
komuter O
atau O
nglaju. O
Banyaknya O
penduduk O
yang O
tinggal O
di O
wilayah O
peri O
urban O
menjadi O
penglaju O
menjadikan O
kegiatan O
komuter O
ini O
berdampak O
pada O
pembangunan O
wilayah O
, O
khususnya O
untuk O
penyediaan O
transportasi O
yang O
beragam O
dan O
memadai. O
Sebagai O
wilayah O
ibukota O
, O
Provinsi O
DKI O
Jakarta O
tentu O
memiliki O
banyak O
penglaju O
sehingga O
dipandang O
perlu O
mewujudkan O
smart O
mobility O
sebagai O
salah O
satu O
program O
Smart O
City O
di O
DKI O
Jakarta. O
Untuk O
itu O
penelitian O
ini O
melakukan B-TUJUAN
simulasi I-TUJUAN
mobilitas I-TUJUAN
penduduk I-TUJUAN
DKI I-TUJUAN
Jakarta I-TUJUAN
menggunakan I-TUJUAN
Agent-Based I-TUJUAN
Modeling. I-TUJUAN
Simulasi O
yang O
dilakukan O
adalah O
simulasi B-METODE
aktivitas I-METODE
mobilitas O
dari O
rumah O
ke O
kantor O
dan O
sekolah. O
Simulasi O
yang O
dibangun O
berhasil O
disesuaikan O
dengan O
jenis O
kegiatan O
utama O
penduduk O
komuter O
serta O
waktu O
kegiatan O
yang O
terdapat O
pada O
publikasi O
Statistik O
Komuter O
Jabodetabek O
2019. O
Kemudian O
dilakukan O
perbandingan O
dengan O
data O
empiris O
berupa O
data O
dari O
media O
sosial O
Twitter O
menunjukkan O
bahwa O
big B-TEMUAN
data I-TEMUAN
memiliki I-TEMUAN
potensi I-TEMUAN
untuk I-TEMUAN
dimanfaatkan I-TEMUAN
untuk I-TEMUAN
studi I-TEMUAN
kependudukan. I-TEMUAN
Diharapkan O
hasil O
penelitian O
ini O
dapat O
membantu O
dalam O
perencanaan O
dan O
pengambilan O
dasar O
kebijakan O
penyediaan O
transportasi O
di O
DKI O
Jakarta O
yang O
lebih O
efisien O
, O
efektif O
dan O
memadai. O
Komunikasi O
, O
Informatika O
dan O
Statistik O
Provinsi O
DKI O
Jakarta O
, O
masih O
banyak O
warga O
ibukota O
yang O
menganggap O
memiliki O
kendaraan O
pribadi O
masih O
jauh O
lebih O
efektif O
dalam O
menunjang O
mobilitas O
sehari-hari O
, O
walaupun O
sudah O
tersedia O
banyak O
moda O
transportasi O
massal. O
Sebagaimana O
dapat O
dilihat O
pada O
Gambar O
1 O
, O
jumlah O
kendaraan O
bermotor O
di O
provinsi O
DKI O
Jakarta O
tahun O
2019 O
naik O
sebesar O
0,7 O
persen O
, O
tepatnya O
sebanyak O
77.158 O
kendaraan O
dibanding O
jumlah O
kendaraan O
bermotor O
ini O
menimbulkan O
masalah O
karena O
pertumbuhan O
jumlah O
kendaraan O
tidak O
seimbang O
dengan O
laju O
pertumbuhan O
jalan. O
Tentu O
masalah O
ini O
berdampak O
pada O
kelancaran O
aktivitas O
komuter O
bagai O
masyarakat O
di O
DKI O
Jakarta. O
sebelumnya. O
[ O
3 O
] O
Peningkatan O
tahun O
11.762.763 O
11.839.921 O
11.274.597 O
Kata O
Kunci— O
Mobilitas O
, O
Transportasi O
, O
Agent-Based O
Modeling O
, O
Simulasi O
2017 O
2018 O
2019 O
[SEP] O
2. O
3. O
Kesimpulan O
yang O
diperoleh O
dari O
penelitian O
ini O
yaitu O
1. O
Simulasi O
berhasil O
dilakukan O
dengan O
menyesuaikan O
Statistik O
Komuter O
Jabodetabek O
2019 O
, O
yaitu O
pada O
sebaran O
jenis O
aktivitas O
dan O
waktu O
kegiatan O
aktivitas O
utama O
komuter. O
Data O
hasil O
pemodelan O
mobilitas O
penduduk O
DKI O
Jakarta O
ditampilkan O
dengan O
grafik-grafik. O
Diperoleh O
bahwa O
jumlah O
penduduk O
komuter O
tertinggi O
selama O
mobilitas O
agen O
menuju O
tempat O
aktivitas O
berlangsung O
terdapat O
pada O
kecamatan O
Jagakarsa. O
Validasi B-METODE
dengan O
memanfaatkan O
big O
data O
berhasil O
dilakukan O
pada O
data O
tempat O
tinggal O
agen O
dengan O
membandingkan O
data O
hasil O
simulasi O
dengan O
data O
dari O
media O
sosial O
Twitter. O
Diperoleh O
bahwa O
distribusi O
tempat O
tinggal O
agen O
menyerupai O
distribusi O
kepadatan O
tweet O
pada O
masing-masing O
kota O
administrasi O
di O
DKI O
Jakarta. O
Saran O
yang O
bisa O
diberikan O
penulis O
yaitu O
1. O
Untuk O
pemerintah O
, O
agar O
dapat O
meningkatkan O
fasilitan O
serta O
sarana O
dan O
prasarana O
transportasi O
mengingat O
pentingnya O
hal O
tersebut O
bagi O
kegiatan O
komuter O
untuk O
melakukan O
mobilitas O
ke O
tampat O
aktivitasnya O
masing- O
masing. O
Hal O
ini O
untuk O
mendorong O
efektivitas O
dan O
efisiensi O
setiap O
moda O
transportasi O
terutama O
di O
kota O
besar O
seperti O
DKI O
Jakarta. O
keadaan O
mobilitas O
2. O
Untuk O
penelitian O
selanjutnya O
agar O
dapat O
memasukkan O
input O
data O
moda O
transportasi O
yang O
bervariasi O
untuk O
penduduk O
menggambarkan O
serealistis O
mungkin. O
Selain O
itu O
penelitian O
selanjutnya O
dapat O
menggunakan O
data O
validasi O
yang O
bersumber O
dari O
statistic O
resmi O
( O
official O
statistics O
) O
guna O
memastikan O
data O
hasil O
simulasi O
memang O
sudah O
mewakili O
keadaan O
atau O
fenomena O
yang O
sebenarnya O

Arsitektur O
Penyimpanan O
Data O
pada O
Infrastruktur O
Big O
Data O
untuk O
Official O
Statistik O
di O
BPS O
Malkan O
Ihwani O
( O
221709806 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Takdir O
, O
SST. O
, O
M.T. O
dua O
, O
bagian O
penyimpanan O
menjadi O
Ringkasan— O
BPS O
sudah O
mulai O
menerapkan O
big O
data O
dalam O
memperoleh O
official O
satunya O
dengan O
statistiknya. O
Salah O
melakukan O
crawling O
/ O
scrapping O
data O
pada O
beberapa O
web. O
BPS O
sudah O
memiliki O
infrastruktur O
big O
data O
pada O
bagian O
pengumpulan O
( O
collection O
) O
, O
namun O
perlu O
ditemukan O
arsitektur O
dengan O
teknologi O
yang O
tepat O
pada O
bagian O
penyimpanannya. O
Tim O
terkait O
di O
BPS O
merancang O
yaitu O
penyimpanan O
untuk O
OLTP O
dan O
OLAP. O
Penelitian O
ini O
berfokus O
pada O
bagian O
penyimpanan O
untuk O
OLTP. O
Teknologi O
usulan O
peneliti O
adalah O
Apache O
Ignite O
, O
namun O
teknologi O
tersebut O
masih O
implementasinya O
untuk O
bisa O
memenuhi O
harus O
dicari O
pola O
kebutuhan O
pada O
bagian O
penyimpanan O
untuk O
OLTP O
di O
BPS. O
Berdasarkan O
hal O
tersebut O
, O
maka O
dilakukanlah O
penelitian O
ini O
yang O
memiliki O
tujuan O
utama O
untuk O
mendapatkan B-TUJUAN
gambaran I-TUJUAN
mengenai I-TUJUAN
bagaimana I-TUJUAN
arsitektur I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
Apache I-TUJUAN
Ignite I-TUJUAN
dalam I-TUJUAN
memenuhi I-TUJUAN
kebutuhan I-TUJUAN
pada I-TUJUAN
bagian I-TUJUAN
penyimpanan I-TUJUAN
untuk I-TUJUAN
OLTP I-TUJUAN
di I-TUJUAN
BPS. I-TUJUAN
Terdapat O
empat O
skenario O
arsitektur O
yang O
dirancang O
pada O
penelitian O
ini. O
Keempat O
skenario O
tersebut O
diimplementasikan O
pada O
prototype O
infrastruktur. B-TEMUAN
Hasil I-TEMUAN
evaluasi I-TEMUAN
keempat I-TEMUAN
skenario I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
arsitektur I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
Apache I-TEMUAN
Ignite I-TEMUAN
bisa I-TEMUAN
memenuhi I-TEMUAN
kebutuhan I-TEMUAN
pada I-TEMUAN
bagian I-TEMUAN
penyimpanan I-TEMUAN
untuk I-TEMUAN
OLTP I-TEMUAN
di I-TEMUAN
BPS. I-TEMUAN
Kata O
Kunci— O
Big O
Data O
, O
Penyimpanan O
Big O
Data O
, O
Arsitektur O
Penyimpanan O
Data O
, O
OLTP. O
[SEP] O
hasil O
didapatkan O
Berdasarkan O
beberapa O
penelitian O
, O
kesimpulan O
untuk O
menjawab O
tujuan O
penelitian O
yang O
dijabarkan O
sebagai O
berikut O
: O
1. O
Terdapat O
empat O
skenario O
arsitektur O
yang O
dirancang O
pada O
penelitian O
ini O
untuk O
memberikan O
gambaran O
bagaimana O
arsitektur O
dengan O
menggunakan O
teknologi O
Apache B-METODE
Ignite I-METODE
dalam O
memenuhi O
kebutuhan O
pada O
bagian O
penyimpanan O
untuk O
OLTP O
di O
BPS. O
7 O
/ O
8 O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
Data O
, O
” O
vol. O
7 O
, O
no. O
2 O
, O
2018. O
Y. O
H. O
Partogi O
, O
A. O
Bhawiyuga O
, O
and O
A. O
Basuki O
, O
“Rancang O
Bangun O
Infrastruktur O
Pemrosesan O
Big O
Data O
Menggunakan O
Apache O
Drill O
( O
Studi O
Kasus O
: O
SIRCLO O
) O
, O
” O
J. O
Pengemb. O
Teknol. O
Inf. O
dan O
Ilmu O
Komput. O
Univ. O
Brawijaya O
, O
vol. O
2 O
, O
no. O
3 O
, O
pp. O
951–957 O
, O
2018. O
Oracle O
, O
“What O
is O
Online O
Transaction O
Processing O
( O
OLTP O
) O
| O
Oracle.” O
https O
: O
/ O
/ O
www.oracle.com O
/ O
database O
/ O
what-is-oltp O
/ O
( O
accessed O
Jul. O
02 O
, O
2021 O
) O
. O
Oracle O
, O
“Transaction O
throughput.” O
https O
: O
/ O
/ O
docs.oracle.com O
/ O
cd O
/ O
E17276_01 O
/ O
html O
/ O
programmer_reference O
/ O
transapp_throughput.html O
( O
accessed O
Jul. O
02 O
, O
2021 O
) O
. O
2. O
Skenario-skenario O
tersebut O
berhasil O
diimplementasikan O
pada O
prototype O
infrastruktur O
dengan O
menggunakan O
satu O
komputer O
fisik O
yang O
dipecah O
menjadi O
beberapa O
virtual O
machine. O
3. O
Hasil O
evaluasi O
skenario-skenario O
tersebut O
menunjukkan O
bahwa O
arsitektur O
dengan O
menggunakan O
teknologi O
Apache O
Ignite O
bisa O
memenuhi O
kebutuhan O
pada O
bagian O
penyimpanan O
untuk O
OLTP O
di O
BPS. O
Berikut O
merupakan O
gambaran O
mengenai O
bagaimana O
arsitektur O
dengan O
menggunakan O
Apache O
Ignite O
dalam O
memenuhi O
kebutuhan O
pada O
bagian O
penyimpanan O
untuk O
OLTP O
di O
BPS O
: O
 O
Performa O
write O
ditingkatkan O
dengan O
menambahkan O
node O
server O
pada O
cluster O
, O
sehingga O
untuk O
mendapatkan O
performa O
write O
yang O
diinginkan O
bisa O
dilakukan O
dengan O
menambahkan O
/ O
mengurangi O
jumlah O
node O
server O
pada O
suatu O
cluster. O
bisa O
 O
Kapasitas O
penyimpanan O
data O
bisa O
ditingkatkan O
dengan O
menambah O
node O
server O
pada O
cluster O
, O
sehingga O
kapasitas O
penyimpanan O
data O
yang O
diinginkan O
bisa O
dilakukan O
dengan O
menambahkan O
/ O
mengurangi O
jumlah O
node O
server O
pada O
suatu O
cluster. O
mendapatkan O
untuk O
 O
Data O
terstruktur O
maupun O
tidak O
terstruktur O
bisa O
disimpan O
pada O
Apache O
Ignite. O
 O
Ketersediaan O
data O
terjamin O
selama O
jumlah O
node O
server O
yang O
bermasalah O
pada O
suatu O
cluster O
tidak O
melebihi O
jumlah O
backup. O
Jaminan O
ketersediaan O
data O
bisa O
diatur O
dengan O
menambah O
/ O
mengurangi O
jumlah O
backup. O
 O
Apache O
Ignite O
bisa O
menangani O
node O
server O
dengan O
spesifikasi O
yang O
berbeda-beda O
pada O
sistem O
terdistribusinya. O
Pendistribusian O
datanya O
bisa O
diatur O
dengan O
menggunakan O
node O
filter. O
Proses O
entri O
data O
tetap O
bisa O
berlanjut O
ketika O
ada O
node O
server O
yang O
penuh O
terlebih O
dahulu. O
Node O
server O
yang O
penuh O
akan O
menjadi O
tidak O
aktif O
, O
tetapi O
bisa O
diaktifkan O
kembali O
dan O
keseluruhan O
data O
yang O
telah O
disimpan O
tetap O
tersedia O
secara O
utuh. O

Arsitektur O
Penyimpanan O
Data O
pada O
Infrastruktur O
Big O
Data O
untuk O
Official O
Statistik O
di O
BPS O
Malkan O
Ihwani O
( O
221709806 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Takdir O
, O
SST. O
, O
M.T. O
dua O
, O
bagian O
penyimpanan O
menjadi O
Ringkasan— O
BPS O
sudah O
mulai O
menerapkan O
big O
data O
dalam O
memperoleh O
official O
satunya O
dengan O
statistiknya. O
Salah O
melakukan O
crawling O
/ O
scrapping O
data O
pada O
beberapa O
web. O
BPS O
sudah O
memiliki O
infrastruktur O
big O
data O
pada O
bagian O
pengumpulan O
( O
collection O
) O
, O
namun O
perlu O
ditemukan O
arsitektur O
dengan O
teknologi O
yang O
tepat O
pada O
bagian O
penyimpanannya. O
Tim O
terkait O
di O
BPS O
merancang O
yaitu O
penyimpanan O
untuk O
OLTP O
dan O
OLAP. O
Penelitian O
ini O
berfokus O
pada O
bagian O
penyimpanan O
untuk O
OLTP. O
Teknologi O
usulan O
peneliti O
adalah O
Apache O
Ignite O
, O
namun O
teknologi O
tersebut O
masih O
implementasinya O
untuk O
bisa O
memenuhi O
harus O
dicari O
pola O
kebutuhan O
pada O
bagian O
penyimpanan O
untuk O
OLTP O
di O
BPS. O
Berdasarkan O
hal O
tersebut O
, O
maka O
dilakukanlah O
penelitian O
ini O
yang O
memiliki O
tujuan O
utama O
untuk O
mendapatkan B-TUJUAN
gambaran I-TUJUAN
mengenai I-TUJUAN
bagaimana I-TUJUAN
arsitektur I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
Apache I-TUJUAN
Ignite I-TUJUAN
dalam I-TUJUAN
memenuhi I-TUJUAN
kebutuhan I-TUJUAN
pada I-TUJUAN
bagian I-TUJUAN
penyimpanan I-TUJUAN
untuk I-TUJUAN
OLTP I-TUJUAN
di I-TUJUAN
BPS. I-TUJUAN
Terdapat O
empat O
skenario O
arsitektur O
yang O
dirancang O
pada O
penelitian O
ini. O
Keempat O
skenario O
tersebut O
diimplementasikan O
pada O
prototype O
infrastruktur. B-TEMUAN
Hasil I-TEMUAN
evaluasi I-TEMUAN
keempat I-TEMUAN
skenario I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
arsitektur I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
Apache I-TEMUAN
Ignite I-TEMUAN
bisa I-TEMUAN
memenuhi I-TEMUAN
kebutuhan I-TEMUAN
pada I-TEMUAN
bagian I-TEMUAN
penyimpanan I-TEMUAN
untuk I-TEMUAN
OLTP I-TEMUAN
di I-TEMUAN
BPS. I-TEMUAN
Kata O
Kunci— O
Big O
Data O
, O
Penyimpanan O
Big O
Data O
, O
Arsitektur O
Penyimpanan O
Data O
, O
OLTP. O
[SEP] O
hasil O
didapatkan O
Berdasarkan O
beberapa O
penelitian O
, O
kesimpulan O
untuk O
menjawab O
tujuan O
penelitian O
yang O
dijabarkan O
sebagai O
berikut O
: O
1. O
Terdapat O
empat O
skenario O
arsitektur O
yang O
dirancang O
pada O
penelitian O
ini O
untuk O
memberikan O
gambaran O
bagaimana O
arsitektur O
dengan O
menggunakan O
teknologi O
Apache B-METODE
Ignite I-METODE
dalam O
memenuhi O
kebutuhan O
pada O
bagian O
penyimpanan O
untuk O
OLTP O
di O
BPS. O
7 O
/ O
8 O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
Data O
, O
” O
vol. O
7 O
, O
no. O
2 O
, O
2018. O
Y. O
H. O
Partogi O
, O
A. O
Bhawiyuga O
, O
and O
A. O
Basuki O
, O
“Rancang O
Bangun O
Infrastruktur O
Pemrosesan O
Big O
Data O
Menggunakan O
Apache O
Drill O
( O
Studi O
Kasus O
: O
SIRCLO O
) O
, O
” O
J. O
Pengemb. O
Teknol. O
Inf. O
dan O
Ilmu O
Komput. O
Univ. O
Brawijaya O
, O
vol. O
2 O
, O
no. O
3 O
, O
pp. O
951–957 O
, O
2018. O
Oracle O
, O
“What O
is O
Online O
Transaction O
Processing O
( O
OLTP O
) O
| O
Oracle.” O
https O
: O
/ O
/ O
www.oracle.com O
/ O
database O
/ O
what-is-oltp O
/ O
( O
accessed O
Jul. O
02 O
, O
2021 O
) O
. O
Oracle O
, O
“Transaction O
throughput.” O
https O
: O
/ O
/ O
docs.oracle.com O
/ O
cd O
/ O
E17276_01 O
/ O
html O
/ O
programmer_reference O
/ O
transapp_throughput.html O
( O
accessed O
Jul. O
02 O
, O
2021 O
) O
. O
2. O
Skenario-skenario O
tersebut O
berhasil O
diimplementasikan O
pada O
prototype O
infrastruktur O
dengan O
menggunakan O
satu O
komputer O
fisik O
yang O
dipecah O
menjadi O
beberapa O
virtual O
machine. O
3. O
Hasil O
evaluasi O
skenario-skenario O
tersebut O
menunjukkan O
bahwa O
arsitektur O
dengan O
menggunakan O
teknologi O
Apache O
Ignite O
bisa O
memenuhi O
kebutuhan O
pada O
bagian O
penyimpanan O
untuk O
OLTP O
di O
BPS. O
Berikut O
merupakan O
gambaran O
mengenai O
bagaimana O
arsitektur O
dengan O
menggunakan O
Apache O
Ignite O
dalam O
memenuhi O
kebutuhan O
pada O
bagian O
penyimpanan O
untuk O
OLTP O
di O
BPS O
: O
 O
Performa O
write O
ditingkatkan O
dengan O
menambahkan O
node O
server O
pada O
cluster O
, O
sehingga O
untuk O
mendapatkan O
performa O
write O
yang O
diinginkan O
bisa O
dilakukan O
dengan O
menambahkan O
/ O
mengurangi O
jumlah O
node O
server O
pada O
suatu O
cluster. O
bisa O
 O
Kapasitas O
penyimpanan O
data O
bisa O
ditingkatkan O
dengan O
menambah O
node O
server O
pada O
cluster O
, O
sehingga O
kapasitas O
penyimpanan O
data O
yang O
diinginkan O
bisa O
dilakukan O
dengan O
menambahkan O
/ O
mengurangi O
jumlah O
node O
server O
pada O
suatu O
cluster. O
mendapatkan O
untuk O
 O
Data O
terstruktur O
maupun O
tidak O
terstruktur O
bisa O
disimpan O
pada O
Apache O
Ignite. O
 O
Ketersediaan O
data O
terjamin O
selama O
jumlah O
node O
server O
yang O
bermasalah O
pada O
suatu O
cluster O
tidak O
melebihi O
jumlah O
backup. O
Jaminan O
ketersediaan O
data O
bisa O
diatur O
dengan O
menambah O
/ O
mengurangi O
jumlah O
backup. O
 O
Apache O
Ignite O
bisa O
menangani O
node O
server O
dengan O
spesifikasi O
yang O
berbeda-beda O
pada O
sistem O
terdistribusinya. O
Pendistribusian O
datanya O
bisa O
diatur O
dengan O
menggunakan O
node O
filter. O
Proses O
entri O
data O
tetap O
bisa O
berlanjut O
ketika O
ada O
node O
server O
yang O
penuh O
terlebih O
dahulu. O
Node O
server O
yang O
penuh O
akan O
menjadi O
tidak O
aktif O
, O
tetapi O
bisa O
diaktifkan O
kembali O
dan O
keseluruhan O
data O
yang O
telah O
disimpan O
tetap O
tersedia O
secara O
utuh. O

Package O
R O
Seasonal O
Generalized O
Space O
Time O
Autoregressive O
dan O
Impelementasinya O
pada O
Peramalan O
Produksi O
Padi O
di O
Sumatera O
Selatan O
Ringkasan—space O
M. O
Yoga O
Satria O
Utama O
( O
221709801 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Ernawati O
Pasaribu O
suatu O
model O
yang O
time O
merupakan O
menggabungkan O
unsur O
dependensi O
waktu O
dan O
lokasi O
pada O
deret O
waktu. O
Dewasa O
ini O
pemodelan O
space O
time O
telah O
dapat O
dilakukan O
dengan O
aplikasi O
R. O
Salah O
satu O
library O
R O
yang O
dapat O
digunakan O
untuk O
pemodelan O
space O
time O
adalah O
package O
“gstar” O
yang O
dapat O
mempermudah O
pemodelan O
Generalized O
Space O
Time O
Autoregressive O
( O
GSTAR O
) O
. O
Namun O
, O
package O
tersebut O
belum O
mencakup O
unsur O
musiman O
seperti O
pada O
model O
SGSTAR O
yang O
diperkenalkan O
oleh O
Prastuti O
dan O
Suhartono. O
Oleh O
karena O
ini O
mengembangkan B-TUJUAN
package I-TUJUAN
R I-TUJUAN
untuk I-TUJUAN
pemodelan I-TUJUAN
SGSTAR. I-TUJUAN
ini O
mengimplementasikan O
package O
R O
Kemudian O
penelitian O
SGSTAR O
pada O
pemodelan O
produksi O
padi O
di O
Sumatera O
Selatan. O
Data O
yang O
digunakan O
berupa O
produksi O
padi O
berdasarkan O
kabupaten O
/ O
kota O
di O
Sumatera O
Selatan O
pada O
Januari O
2018 O
hingga O
Desember O
2020. O
Model O
SGSTAR O
terbaik O
yang O
terpilih O
pada O
produksi O
padi O
menurut O
kabupaten O
/ O
kota O
di O
Sumatera O
Selatan O
adalah O
SGSTAR O
( O
2 O
) O
( O
1 O
) O
12. O
Berdasarkan O
hasil O
pemodelan O
, O
produksi O
padi O
di O
Sumatera O
Selatan O
pada O
tahun O
2021 O
diramalkan O
mencapai O
2.504.820 O
ton O
GKG. O
Selanjutnya O
, O
penelitian O
ini O
membangun O
dashboard O
informasi O
berbasis O
web O
menggunakan O
framework O
Shiny O
telah O
untuk O
memvisualisasikan O
hasil O
dari O
model O
yang O
dikembangkan. O
itu O
, O
penelitian O
Kelemahan O
model O
STAR O
telah O
diperbaiki O
oleh O
Borovkova O
, O
dkk O
[ O
4 O
] O
melalui O
model O
Generalized O
Space O
Time O
Autoreggresive O
( O
GSTAR O
) O
. O
Banyak O
penelitian O
yang O
berkaitan O
dengan O
kajian O
terapan O
model O
GSTAR O
, O
antara O
lain O
Ruchjana O
[ O
5 O
] O
melakukan O
pemodelan O
GSTAR O
pada O
kurva O
produksi O
minyak O
bumi. O
Minfeng O
Deng O
dan O
George O
Athanasopoulos O
[ O
6 O
] O
memodelkan O
data O
turis O
domestik O
di O
Australia O
menggunakan O
model O
Space O
Time O
Autoregressive O
Integrated O
Moving O
Average O
[ O
7 O
] O
memodelkan O
data O
pariwisata O
dengan O
menggunakan O
model O
VAR-GSTAR. O
( O
STARIMA O
) O
. O
Wutsqa O
Dari O
beberapa O
kajian O
yang O
telah O
dilakukan O
masih O
terbatas O
pada O
data O
deret O
waktu O
multivariat O
yang O
stasioner O
, O
tetapi O
belum O
melibatkan O
pola O
musiman O
atau O
seasonal. O
Prastuti O
dan O
Suhartono O
[ O
8 O
] O
menambahkan O
unsur O
musiman O
kedalam O
model O
umum O
GSTAR O
dan O
mengestimasi O
parameter O
menggunakan O
metode O
Generalized O
Least O
Square O
( O
GLS O
) O
yang O
biasanya O
digunakan O
dalam O
model O
Seemingly O
Unrelated O
Regression O
( O
SUR O
) O
melalui O
model O
S-GSTAR-SUR O
atau O
lebih O
dikenal O
sebagai O
model O
SGSTAR. O
Kata O
Kunci— O
SGSTAR O
, O
Package O
R O
, O
Produksi O
Padi O
, O
Dashboard O
[SEP] O
Package O
R O
untuk O
mengimplementasikan O
model O
SGSTAR O
telah O
tersedia O
melalui O
situs O
CRAN O
berhasil O
dibangun O
dan O
https O
: O
/ O
/ O
cran.r-project.org O
/ O
package=sgstar. O
Berdasarkan O
uji B-METODE
validitas I-METODE
, O
package O
R O
yang O
dibangun O
telah O
menghasilkan O
output O
yang O
sesuai O
dengan O
pemodelan O
SGSTAR. O
Package O
ini O
dapat O
mempermudah O
dan O
mempercepat O
pengguna O
dalam O
melakukan O
pemodelan O
dengan O
metode O
SGSTAR. O
Berdasarkan O
uji B-METODE
usability I-METODE
, O
package B-TEMUAN
R I-TEMUAN
telah I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
dengan O
skor B-TEMUAN
uji I-TEMUAN
SUS I-TEMUAN
78,75. I-TEMUAN
Sedangkan O
dari O
segi O
performa O
, O
package O
ini O
dapat O
berjalan O
dengan O
baik O
dalam O
waktu O
yang O
relatif O
singkat O
untuk O
semua O
fungsi O
yang O
tersedia. O
Pemodelan O
produksi O
padi O
menurut O
kabupaten O
/ O
kota O
di O
Sumatera O
Selatan O
dengan O
SGSTAR O
( O
2 O
) O
( O
1 O
) O
12 O
merupakan O
model O
SGSTAR O
terbaik O
untuk O
melakukan O
peramalan. O
Produksi O
padi O
di O
Sumatera O
Selatan O
pada O
tahun O
2021 O
diramalkan O
mencapai O
2.504.820 O
ton O
GKG. O

Package O
R O
Seasonal O
Generalized O
Space O
Time O
Autoregressive O
dan O
Impelementasinya O
pada O
Peramalan O
Produksi O
Padi O
di O
Sumatera O
Selatan O
Ringkasan—space O
M. O
Yoga O
Satria O
Utama O
( O
221709801 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Ernawati O
Pasaribu O
suatu O
model O
yang O
time O
merupakan O
menggabungkan O
unsur O
dependensi O
waktu O
dan O
lokasi O
pada O
deret O
waktu. O
Dewasa O
ini O
pemodelan O
space O
time O
telah O
dapat O
dilakukan O
dengan O
aplikasi O
R. O
Salah O
satu O
library O
R O
yang O
dapat O
digunakan O
untuk O
pemodelan O
space O
time O
adalah O
package O
“gstar” O
yang O
dapat O
mempermudah O
pemodelan O
Generalized O
Space O
Time O
Autoregressive O
( O
GSTAR O
) O
. O
Namun O
, O
package O
tersebut O
belum O
mencakup O
unsur O
musiman O
seperti O
pada O
model O
SGSTAR O
yang O
diperkenalkan O
oleh O
Prastuti O
dan O
Suhartono. O
Oleh O
karena O
ini O
mengembangkan B-TUJUAN
package I-TUJUAN
R I-TUJUAN
untuk I-TUJUAN
pemodelan I-TUJUAN
SGSTAR. I-TUJUAN
ini O
mengimplementasikan O
package O
R O
Kemudian O
penelitian O
SGSTAR O
pada O
pemodelan O
produksi O
padi O
di O
Sumatera O
Selatan. O
Data O
yang O
digunakan O
berupa O
produksi O
padi O
berdasarkan O
kabupaten O
/ O
kota O
di O
Sumatera O
Selatan O
pada O
Januari O
2018 O
hingga O
Desember O
2020. O
Model O
SGSTAR O
terbaik O
yang O
terpilih O
pada O
produksi O
padi O
menurut O
kabupaten O
/ O
kota O
di O
Sumatera O
Selatan O
adalah O
SGSTAR O
( O
2 O
) O
( O
1 O
) O
12. O
Berdasarkan O
hasil O
pemodelan O
, O
produksi O
padi O
di O
Sumatera O
Selatan O
pada O
tahun O
2021 O
diramalkan O
mencapai O
2.504.820 O
ton O
GKG. O
Selanjutnya O
, O
penelitian O
ini O
membangun O
dashboard O
informasi O
berbasis O
web O
menggunakan O
framework O
Shiny O
telah O
untuk O
memvisualisasikan O
hasil O
dari O
model O
yang O
dikembangkan. O
itu O
, O
penelitian O
Kelemahan O
model O
STAR O
telah O
diperbaiki O
oleh O
Borovkova O
, O
dkk O
[ O
4 O
] O
melalui O
model O
Generalized O
Space O
Time O
Autoreggresive O
( O
GSTAR O
) O
. O
Banyak O
penelitian O
yang O
berkaitan O
dengan O
kajian O
terapan O
model O
GSTAR O
, O
antara O
lain O
Ruchjana O
[ O
5 O
] O
melakukan O
pemodelan O
GSTAR O
pada O
kurva O
produksi O
minyak O
bumi. O
Minfeng O
Deng O
dan O
George O
Athanasopoulos O
[ O
6 O
] O
memodelkan O
data O
turis O
domestik O
di O
Australia O
menggunakan O
model O
Space O
Time O
Autoregressive O
Integrated O
Moving O
Average O
[ O
7 O
] O
memodelkan O
data O
pariwisata O
dengan O
menggunakan O
model O
VAR-GSTAR. O
( O
STARIMA O
) O
. O
Wutsqa O
Dari O
beberapa O
kajian O
yang O
telah O
dilakukan O
masih O
terbatas O
pada O
data O
deret O
waktu O
multivariat O
yang O
stasioner O
, O
tetapi O
belum O
melibatkan O
pola O
musiman O
atau O
seasonal. O
Prastuti O
dan O
Suhartono O
[ O
8 O
] O
menambahkan O
unsur O
musiman O
kedalam O
model O
umum O
GSTAR O
dan O
mengestimasi O
parameter O
menggunakan O
metode O
Generalized O
Least O
Square O
( O
GLS O
) O
yang O
biasanya O
digunakan O
dalam O
model O
Seemingly O
Unrelated O
Regression O
( O
SUR O
) O
melalui O
model O
S-GSTAR-SUR O
atau O
lebih O
dikenal O
sebagai O
model O
SGSTAR. O
Kata O
Kunci— O
SGSTAR O
, O
Package O
R O
, O
Produksi O
Padi O
, O
Dashboard O
[SEP] O
Package O
R O
untuk O
mengimplementasikan O
model O
SGSTAR O
telah O
tersedia O
melalui O
situs O
CRAN O
berhasil O
dibangun O
dan O
https O
: O
/ O
/ O
cran.r-project.org O
/ O
package=sgstar. O
Berdasarkan O
uji B-METODE
validitas I-METODE
, O
package O
R O
yang O
dibangun O
telah O
menghasilkan O
output O
yang O
sesuai O
dengan O
pemodelan O
SGSTAR. O
Package O
ini O
dapat O
mempermudah O
dan O
mempercepat O
pengguna O
dalam O
melakukan O
pemodelan O
dengan O
metode O
SGSTAR. O
Berdasarkan O
uji B-METODE
usability I-METODE
, O
package B-TEMUAN
R I-TEMUAN
telah I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
dengan O
skor B-TEMUAN
uji I-TEMUAN
SUS I-TEMUAN
78,75. I-TEMUAN
Sedangkan O
dari O
segi O
performa O
, O
package O
ini O
dapat O
berjalan O
dengan O
baik O
dalam O
waktu O
yang O
relatif O
singkat O
untuk O
semua O
fungsi O
yang O
tersedia. O
Pemodelan O
produksi O
padi O
menurut O
kabupaten O
/ O
kota O
di O
Sumatera O
Selatan O
dengan O
SGSTAR O
( O
2 O
) O
( O
1 O
) O
12 O
merupakan O
model O
SGSTAR O
terbaik O
untuk O
melakukan O
peramalan. O
Produksi O
padi O
di O
Sumatera O
Selatan O
pada O
tahun O
2021 O
diramalkan O
mencapai O
2.504.820 O
ton O
GKG. O

Sistem O
Informasi O
Pencarian O
dan O
Penemuan O
Barang O
Hilang O
di O
Lingkungan O
Kampus O
Politeknik O
Statistika O
STIS O
M. O
Meiru O
Panca O
Rezki O
( O
221709800 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A. O
Ringkasan— O
Lost-and-found O
adalah O
fasilitas O
yang O
dimiliki O
oleh O
sebuah O
bangunan O
atau O
area O
publik O
di O
mana O
orang-orang O
mengambil O
barang O
hilang O
miliknya O
yang O
mungkin O
ditemukan O
orang O
lain. O
Politeknik O
Statistika O
STIS O
memiliki O
fasilitas O
pencarian O
dan O
penemuan O
barang O
hilang O
yang O
dijalankan O
oleh O
Fungsi O
Tata O
Usaha O
dan O
Rumah O
Tangga O
( O
Fungsi O
TU O
& O
RT O
) O
Bagian O
Administrasi O
Umum O
( O
BAU O
) O
. O
Fasilitas O
tersebut O
diperuntukkan O
bagi O
civitas O
academica O
Politeknik O
Statistika O
STIS O
untuk O
melaporkan O
kehilangan O
atau O
temuan O
barang O
di O
area O
kampus. O
Berdasarkan O
observasi O
, O
banyak O
civitas O
academica O
yang O
kehilangan O
dan O
menemukan O
barang O
di O
area O
kampus. O
Namun O
nyatanya O
fasilitas O
tersebut O
tidak O
terlalu O
banyak O
menerima O
laporan O
kehilangan O
dan O
temuan O
barang. O
Masih O
terdapat O
beberapa O
kekurangan O
dan O
masalah O
yang O
perlu O
diperbaiki O
agar O
fasilitas O
tersebut O
dapat O
berfungsi O
dengan O
semestinya. O
Maka O
penulis O
mengembangkan O
fasilitas O
dan O
mengimplementasikannya O
ke O
dalam O
bentuk O
aplikasi O
android O
dan O
web O
administrator. O
Dari O
hasil O
evaluasi B-METODE
SUS I-METODE
, O
didapatkan O
bahwa O
aplikasi B-TEMUAN
android I-TEMUAN
tersebut I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
siap I-TEMUAN
digunakan. I-TEMUAN
tersebut O
menjadi O
informasi O
sistem O
Kata O
kunci— O
sistem O
informasi O
, O
pencarian O
, O
penemuan O
, O
android O
, O
web O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
didapatkan O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
a O
) O
Berhasil O
dibangun B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
pencarian I-TUJUAN
dan I-TUJUAN
penemuan I-TUJUAN
barang I-TUJUAN
hilang I-TUJUAN
di I-TUJUAN
lingkungan I-TUJUAN
kampus I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS. I-TUJUAN
b O
) O
Telah O
dibangun O
aplikasi O
android O
Sistem O
Informasi O
Pencarian O
& O
Penemuan O
Barang O
Politeknik O
Statistika O
STIS O
( O
SIPPBar O
STIS O
) O
. O
c O
) O
Telah O
dibangun O
web O
administrator O
Sistem O
Informasi O
Pencarian O
& O
Penemuan O
Barang O
Politeknik O
Statistika O
STIS O
( O
SIPPBar O
STIS O
) O
menggunakan O
framework O
Laravel O
8. O
d O
) O
Hasil O
uji B-METODE
black-box I-METODE
testing I-METODE
menunjukkan O
dari O
seluruh B-TEMUAN
skenario I-TEMUAN
aplikasi I-TEMUAN
android I-TEMUAN
dan I-TEMUAN
web I-TEMUAN
administrator I-TEMUAN
semua I-TEMUAN
berhasil I-TEMUAN
dilakukan. I-TEMUAN
e O
) O
Hasil B-TEMUAN
evaluasi I-TEMUAN
aplikasi I-TEMUAN
android I-TEMUAN
menggunakan I-TEMUAN
SUS I-TEMUAN
mendapat I-TEMUAN
skor I-TEMUAN
76,81 I-TEMUAN
yang I-TEMUAN
artinya I-TEMUAN
aplikasi I-TEMUAN
android I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
siap I-TEMUAN
digunakan. I-TEMUAN

Sistem O
Informasi O
Pencarian O
dan O
Penemuan O
Barang O
Hilang O
di O
Lingkungan O
Kampus O
Politeknik O
Statistika O
STIS O
M. O
Meiru O
Panca O
Rezki O
( O
221709800 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A. O
Ringkasan— O
Lost-and-found O
adalah O
fasilitas O
yang O
dimiliki O
oleh O
sebuah O
bangunan O
atau O
area O
publik O
di O
mana O
orang-orang O
mengambil O
barang O
hilang O
miliknya O
yang O
mungkin O
ditemukan O
orang O
lain. O
Politeknik O
Statistika O
STIS O
memiliki O
fasilitas O
pencarian O
dan O
penemuan O
barang O
hilang O
yang O
dijalankan O
oleh O
Fungsi O
Tata O
Usaha O
dan O
Rumah O
Tangga O
( O
Fungsi O
TU O
& O
RT O
) O
Bagian O
Administrasi O
Umum O
( O
BAU O
) O
. O
Fasilitas O
tersebut O
diperuntukkan O
bagi O
civitas O
academica O
Politeknik O
Statistika O
STIS O
untuk O
melaporkan O
kehilangan O
atau O
temuan O
barang O
di O
area O
kampus. O
Berdasarkan O
observasi O
, O
banyak O
civitas O
academica O
yang O
kehilangan O
dan O
menemukan O
barang O
di O
area O
kampus. O
Namun O
nyatanya O
fasilitas O
tersebut O
tidak O
terlalu O
banyak O
menerima O
laporan O
kehilangan O
dan O
temuan O
barang. O
Masih O
terdapat O
beberapa O
kekurangan O
dan O
masalah O
yang O
perlu O
diperbaiki O
agar O
fasilitas O
tersebut O
dapat O
berfungsi O
dengan O
semestinya. O
Maka O
penulis O
mengembangkan O
fasilitas O
dan O
mengimplementasikannya O
ke O
dalam O
bentuk O
aplikasi O
android O
dan O
web O
administrator. O
Dari O
hasil O
evaluasi B-METODE
SUS I-METODE
, O
didapatkan O
bahwa O
aplikasi B-TEMUAN
android I-TEMUAN
tersebut I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
siap I-TEMUAN
digunakan. I-TEMUAN
tersebut O
menjadi O
informasi O
sistem O
Kata O
kunci— O
sistem O
informasi O
, O
pencarian O
, O
penemuan O
, O
android O
, O
web O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
didapatkan O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
a O
) O
Berhasil O
dibangun B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
pencarian I-TUJUAN
dan I-TUJUAN
penemuan I-TUJUAN
barang I-TUJUAN
hilang I-TUJUAN
di I-TUJUAN
lingkungan I-TUJUAN
kampus I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS. I-TUJUAN
b O
) O
Telah O
dibangun O
aplikasi O
android O
Sistem O
Informasi O
Pencarian O
& O
Penemuan O
Barang O
Politeknik O
Statistika O
STIS O
( O
SIPPBar O
STIS O
) O
. O
c O
) O
Telah O
dibangun O
web O
administrator O
Sistem O
Informasi O
Pencarian O
& O
Penemuan O
Barang O
Politeknik O
Statistika O
STIS O
( O
SIPPBar O
STIS O
) O
menggunakan O
framework O
Laravel O
8. O
d O
) O
Hasil O
uji B-METODE
black-box I-METODE
testing I-METODE
menunjukkan O
dari O
seluruh B-TEMUAN
skenario I-TEMUAN
aplikasi I-TEMUAN
android I-TEMUAN
dan I-TEMUAN
web I-TEMUAN
administrator I-TEMUAN
semua I-TEMUAN
berhasil I-TEMUAN
dilakukan. I-TEMUAN
e O
) O
Hasil B-TEMUAN
evaluasi I-TEMUAN
aplikasi I-TEMUAN
android I-TEMUAN
menggunakan I-TEMUAN
SUS I-TEMUAN
mendapat I-TEMUAN
skor I-TEMUAN
76,81 I-TEMUAN
yang I-TEMUAN
artinya I-TEMUAN
aplikasi I-TEMUAN
android I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
siap I-TEMUAN
digunakan. I-TEMUAN

Sistem O
Informasi O
Pencarian O
dan O
Penemuan O
Barang O
Hilang O
di O
Lingkungan O
Kampus O
Politeknik O
Statistika O
STIS O
M. O
Meiru O
Panca O
Rezki O
( O
221709800 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A. O
Ringkasan— O
Lost-and-found O
adalah O
fasilitas O
yang O
dimiliki O
oleh O
sebuah O
bangunan O
atau O
area O
publik O
di O
mana O
orang-orang O
mengambil O
barang O
hilang O
miliknya O
yang O
mungkin O
ditemukan O
orang O
lain. O
Politeknik O
Statistika O
STIS O
memiliki O
fasilitas O
pencarian O
dan O
penemuan O
barang O
hilang O
yang O
dijalankan O
oleh O
Fungsi O
Tata O
Usaha O
dan O
Rumah O
Tangga O
( O
Fungsi O
TU O
& O
RT O
) O
Bagian O
Administrasi O
Umum O
( O
BAU O
) O
. O
Fasilitas O
tersebut O
diperuntukkan O
bagi O
civitas O
academica O
Politeknik O
Statistika O
STIS O
untuk O
melaporkan O
kehilangan O
atau O
temuan O
barang O
di O
area O
kampus. O
Berdasarkan O
observasi O
, O
banyak O
civitas O
academica O
yang O
kehilangan O
dan O
menemukan O
barang O
di O
area O
kampus. O
Namun O
nyatanya O
fasilitas O
tersebut O
tidak O
terlalu O
banyak O
menerima O
laporan O
kehilangan O
dan O
temuan O
barang. O
Masih O
terdapat O
beberapa O
kekurangan O
dan O
masalah O
yang O
perlu O
diperbaiki O
agar O
fasilitas O
tersebut O
dapat O
berfungsi O
dengan O
semestinya. O
Maka O
penulis O
mengembangkan O
fasilitas O
dan O
mengimplementasikannya O
ke O
dalam O
bentuk O
aplikasi O
android O
dan O
web O
administrator. O
Dari O
hasil O
evaluasi B-METODE
SUS I-METODE
, O
didapatkan O
bahwa O
aplikasi B-TEMUAN
android I-TEMUAN
tersebut I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
siap I-TEMUAN
digunakan. I-TEMUAN
tersebut O
menjadi O
informasi O
sistem O
Kata O
kunci— O
sistem O
informasi O
, O
pencarian O
, O
penemuan O
, O
android O
, O
web O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
didapatkan O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
a O
) O
Berhasil O
dibangun B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
pencarian I-TUJUAN
dan I-TUJUAN
penemuan I-TUJUAN
barang I-TUJUAN
hilang I-TUJUAN
di I-TUJUAN
lingkungan I-TUJUAN
kampus I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS. I-TUJUAN
b O
) O
Telah O
dibangun O
aplikasi O
android O
Sistem O
Informasi O
Pencarian O
& O
Penemuan O
Barang O
Politeknik O
Statistika O
STIS O
( O
SIPPBar O
STIS O
) O
. O
c O
) O
Telah O
dibangun O
web O
administrator O
Sistem O
Informasi O
Pencarian O
& O
Penemuan O
Barang O
Politeknik O
Statistika O
STIS O
( O
SIPPBar O
STIS O
) O
menggunakan O
framework O
Laravel O
8. O
d O
) O
Hasil O
uji B-METODE
black-box I-METODE
testing I-METODE
menunjukkan O
dari O
seluruh B-TEMUAN
skenario I-TEMUAN
aplikasi I-TEMUAN
android I-TEMUAN
dan I-TEMUAN
web I-TEMUAN
administrator I-TEMUAN
semua I-TEMUAN
berhasil I-TEMUAN
dilakukan. I-TEMUAN
e O
) O
Hasil B-TEMUAN
evaluasi I-TEMUAN
aplikasi I-TEMUAN
android I-TEMUAN
menggunakan I-TEMUAN
SUS I-TEMUAN
mendapat I-TEMUAN
skor I-TEMUAN
76,81 I-TEMUAN
yang I-TEMUAN
artinya I-TEMUAN
aplikasi I-TEMUAN
android I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
siap I-TEMUAN
digunakan. I-TEMUAN

Sistem O
Informasi O
Pencarian O
dan O
Penemuan O
Barang O
Hilang O
di O
Lingkungan O
Kampus O
Politeknik O
Statistika O
STIS O
M. O
Meiru O
Panca O
Rezki O
( O
221709800 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A. O
Ringkasan— O
Lost-and-found O
adalah O
fasilitas O
yang O
dimiliki O
oleh O
sebuah O
bangunan O
atau O
area O
publik O
di O
mana O
orang-orang O
mengambil O
barang O
hilang O
miliknya O
yang O
mungkin O
ditemukan O
orang O
lain. O
Politeknik O
Statistika O
STIS O
memiliki O
fasilitas O
pencarian O
dan O
penemuan O
barang O
hilang O
yang O
dijalankan O
oleh O
Fungsi O
Tata O
Usaha O
dan O
Rumah O
Tangga O
( O
Fungsi O
TU O
& O
RT O
) O
Bagian O
Administrasi O
Umum O
( O
BAU O
) O
. O
Fasilitas O
tersebut O
diperuntukkan O
bagi O
civitas O
academica O
Politeknik O
Statistika O
STIS O
untuk O
melaporkan O
kehilangan O
atau O
temuan O
barang O
di O
area O
kampus. O
Berdasarkan O
observasi O
, O
banyak O
civitas O
academica O
yang O
kehilangan O
dan O
menemukan O
barang O
di O
area O
kampus. O
Namun O
nyatanya O
fasilitas O
tersebut O
tidak O
terlalu O
banyak O
menerima O
laporan O
kehilangan O
dan O
temuan O
barang. O
Masih O
terdapat O
beberapa O
kekurangan O
dan O
masalah O
yang O
perlu O
diperbaiki O
agar O
fasilitas O
tersebut O
dapat O
berfungsi O
dengan O
semestinya. O
Maka O
penulis O
mengembangkan O
fasilitas O
dan O
mengimplementasikannya O
ke O
dalam O
bentuk O
aplikasi O
android O
dan O
web O
administrator. O
Dari O
hasil O
evaluasi B-METODE
SUS I-METODE
, O
didapatkan O
bahwa O
aplikasi B-TEMUAN
android I-TEMUAN
tersebut I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
siap I-TEMUAN
digunakan. I-TEMUAN
tersebut O
menjadi O
informasi O
sistem O
Kata O
kunci— O
sistem O
informasi O
, O
pencarian O
, O
penemuan O
, O
android O
, O
web O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
didapatkan O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
a O
) O
Berhasil O
dibangun B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
pencarian I-TUJUAN
dan I-TUJUAN
penemuan I-TUJUAN
barang I-TUJUAN
hilang I-TUJUAN
di I-TUJUAN
lingkungan I-TUJUAN
kampus I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS. I-TUJUAN
b O
) O
Telah O
dibangun O
aplikasi O
android O
Sistem O
Informasi O
Pencarian O
& O
Penemuan O
Barang O
Politeknik O
Statistika O
STIS O
( O
SIPPBar O
STIS O
) O
. O
c O
) O
Telah O
dibangun O
web O
administrator O
Sistem O
Informasi O
Pencarian O
& O
Penemuan O
Barang O
Politeknik O
Statistika O
STIS O
( O
SIPPBar O
STIS O
) O
menggunakan O
framework O
Laravel O
8. O
d O
) O
Hasil O
uji B-METODE
black-box I-METODE
testing I-METODE
menunjukkan O
dari O
seluruh B-TEMUAN
skenario I-TEMUAN
aplikasi I-TEMUAN
android I-TEMUAN
dan I-TEMUAN
web I-TEMUAN
administrator I-TEMUAN
semua I-TEMUAN
berhasil I-TEMUAN
dilakukan. I-TEMUAN
e O
) O
Hasil B-TEMUAN
evaluasi I-TEMUAN
aplikasi I-TEMUAN
android I-TEMUAN
menggunakan I-TEMUAN
SUS I-TEMUAN
mendapat I-TEMUAN
skor I-TEMUAN
76,81 I-TEMUAN
yang I-TEMUAN
artinya I-TEMUAN
aplikasi I-TEMUAN
android I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
siap I-TEMUAN
digunakan. I-TEMUAN

Sistem O
Informasi O
Manajemen O
dan O
Penilaian O
Kinerja O
Mitra O
Statistik O
Studi O
Kasus O
: O
BPS O
Kabupaten O
Jember O
M. O
Sonny O
Aditama O
( O
221709797 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
MBA O
Ringkasan— O
BPS O
kabupaten O
/ O
kota O
dalam O
melakukan O
tugasnya O
membutuhkan O
tenaga O
kerja O
tambahan O
yang O
disebut O
Mitra O
Statistik O
, O
dalam O
kegiatan O
tersebut O
mitra O
dapat O
melaksanakan O
berbagai O
tugas O
, O
diantaranya O
yaitu O
menjadi O
petugas O
pendataan O
lapangan O
, O
pengolahan O
data O
dan O
pemetaan. O
Untuk O
menjaga O
kualitas O
data O
yang O
dihasilkan O
, O
upaya O
yang O
dapat O
dilakukan O
adalah O
menggunakan O
mitra O
yang O
berkualitas O
dan O
melakukan O
evaluasi O
kinerja O
mitra. O
Selama O
ini O
data O
mitra O
di O
tiap O
seksi O
masih O
belum O
terintegrasi O
sehingga O
terjadi O
perbedaan O
data O
mitra O
, O
selain O
itu O
ada O
peraturan O
baru O
mengenai O
keikutsertaan O
mitra O
pada O
suatu O
kegiatan O
sehingga O
diperlukan O
sistem O
agar O
lebih O
mudah O
dalam O
memilih O
mitra O
pada O
suatu O
kegiatan. O
Belum O
ada O
kriteria O
yang O
jelas O
pada O
sistem O
penilaian O
kinerja O
sehingga O
penilaian O
masih O
secara O
subjektif. O
Berdasarkan O
permasalahan O
tersebut O
, O
dilakukanlah O
pembangunan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
manajemen I-TUJUAN
dan I-TUJUAN
penilaian I-TUJUAN
kinerja I-TUJUAN
mitra I-TUJUAN
statistik I-TUJUAN
di I-TUJUAN
BPS I-TUJUAN
Kabupaten I-TUJUAN
Jember. I-TUJUAN
Metode O
pembangunan O
sistem O
yang O
digunakan O
adalah O
SDLC B-METODE
Waterfall I-METODE
serta O
pengujian O
dan O
evaluasi O
menggunakan O
Black B-METODE
Box I-METODE
Testing I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Hasil B-TEMUAN
yang I-TEMUAN
didapatkan I-TEMUAN
dari I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
yaitu I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
semua I-TEMUAN
fungsinya I-TEMUAN
sesuai I-TEMUAN
yang I-TEMUAN
diharapkan I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
75,00. I-TEMUAN
Kata O
Kunci— O
Mitra O
statistik O
, O
manajemen O
, O
penilaian O
kinerja O
, O
SMARTER. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
ditarik O
beberapa O
kesimpulan O
sebagai O
berikut. O
1. O
Telah O
berhasil O
dikembangkan O
informasi O
manajemen O
dan O
penilaian O
kinerja O
mitra O
statistik O
di O
BPS O
Kabupaten O
Jember. O
sistem O
2. O
Hasil B-TEMUAN
pengujian I-TEMUAN
dengan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
, I-TEMUAN
semua I-TEMUAN
fitur I-TEMUAN
atau I-TEMUAN
fungsi I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dijalankan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
3. O
Hasil B-TEMUAN
evaluasi I-TEMUAN
dengan I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
mendapatkan I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
75,00 I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
B. O
Saran O
Dari O
penelitian O
yang O
telah O
dilakukan O
, O
terdapat O
beberapa O
saran O
dari O
peneliti O
yang O
dapat O
digunakan O
untuk O
penelitian O
selanjutnya. O
1. O
Perlu O
untuk O
penelitian O
menentukan O
kriteria O
penilaian O
kinerja O
mitra O
statistik O
sehingga O
terdapat O
standar O
yang O
dapat O
digunakan O
oleh O
seluruh O
BPS O
kabupaten O
/ O
kota. O
dilakukan O
tersendiri O
2. O
Penilaian O
kinerja O
dilakukan O
tidak O
hanya O
pada O
mitra O
pencacahan. O
3. O
Berdasarkan O
pengujian O
SUS O
, O
item O
pernyataan O
yang O
mendapatkan O
skor O
terendah O
yaitu O
diperlukannya O
bantuan O
teknis O
untuk O
menggunakan O
sistem O
, O
sehingga O
diperlukan O
sosialisasi O
mengenai O
sistem O
sebelum O
diterapkan. O

Sistem O
Informasi O
Manajemen O
dan O
Penilaian O
Kinerja O
Mitra O
Statistik O
Studi O
Kasus O
: O
BPS O
Kabupaten O
Jember O
M. O
Sonny O
Aditama O
( O
221709797 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
MBA O
Ringkasan— O
BPS O
kabupaten O
/ O
kota O
dalam O
melakukan O
tugasnya O
membutuhkan O
tenaga O
kerja O
tambahan O
yang O
disebut O
Mitra O
Statistik O
, O
dalam O
kegiatan O
tersebut O
mitra O
dapat O
melaksanakan O
berbagai O
tugas O
, O
diantaranya O
yaitu O
menjadi O
petugas O
pendataan O
lapangan O
, O
pengolahan O
data O
dan O
pemetaan. O
Untuk O
menjaga O
kualitas O
data O
yang O
dihasilkan O
, O
upaya O
yang O
dapat O
dilakukan O
adalah O
menggunakan O
mitra O
yang O
berkualitas O
dan O
melakukan O
evaluasi O
kinerja O
mitra. O
Selama O
ini O
data O
mitra O
di O
tiap O
seksi O
masih O
belum O
terintegrasi O
sehingga O
terjadi O
perbedaan O
data O
mitra O
, O
selain O
itu O
ada O
peraturan O
baru O
mengenai O
keikutsertaan O
mitra O
pada O
suatu O
kegiatan O
sehingga O
diperlukan O
sistem O
agar O
lebih O
mudah O
dalam O
memilih O
mitra O
pada O
suatu O
kegiatan. O
Belum O
ada O
kriteria O
yang O
jelas O
pada O
sistem O
penilaian O
kinerja O
sehingga O
penilaian O
masih O
secara O
subjektif. O
Berdasarkan O
permasalahan O
tersebut O
, O
dilakukanlah O
pembangunan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
manajemen I-TUJUAN
dan I-TUJUAN
penilaian I-TUJUAN
kinerja I-TUJUAN
mitra I-TUJUAN
statistik I-TUJUAN
di I-TUJUAN
BPS I-TUJUAN
Kabupaten I-TUJUAN
Jember. I-TUJUAN
Metode O
pembangunan O
sistem O
yang O
digunakan O
adalah O
SDLC B-METODE
Waterfall I-METODE
serta O
pengujian O
dan O
evaluasi O
menggunakan O
Black B-METODE
Box I-METODE
Testing I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Hasil B-TEMUAN
yang I-TEMUAN
didapatkan I-TEMUAN
dari I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
yaitu I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
semua I-TEMUAN
fungsinya I-TEMUAN
sesuai I-TEMUAN
yang I-TEMUAN
diharapkan I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
75,00. I-TEMUAN
Kata O
Kunci— O
Mitra O
statistik O
, O
manajemen O
, O
penilaian O
kinerja O
, O
SMARTER. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
ditarik O
beberapa O
kesimpulan O
sebagai O
berikut. O
1. O
Telah O
berhasil O
dikembangkan O
informasi O
manajemen O
dan O
penilaian O
kinerja O
mitra O
statistik O
di O
BPS O
Kabupaten O
Jember. O
sistem O
2. O
Hasil B-TEMUAN
pengujian I-TEMUAN
dengan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
, I-TEMUAN
semua I-TEMUAN
fitur I-TEMUAN
atau I-TEMUAN
fungsi I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dijalankan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
3. O
Hasil B-TEMUAN
evaluasi I-TEMUAN
dengan I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
mendapatkan I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
75,00 I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
B. O
Saran O
Dari O
penelitian O
yang O
telah O
dilakukan O
, O
terdapat O
beberapa O
saran O
dari O
peneliti O
yang O
dapat O
digunakan O
untuk O
penelitian O
selanjutnya. O
1. O
Perlu O
untuk O
penelitian O
menentukan O
kriteria O
penilaian O
kinerja O
mitra O
statistik O
sehingga O
terdapat O
standar O
yang O
dapat O
digunakan O
oleh O
seluruh O
BPS O
kabupaten O
/ O
kota. O
dilakukan O
tersendiri O
2. O
Penilaian O
kinerja O
dilakukan O
tidak O
hanya O
pada O
mitra O
pencacahan. O
3. O
Berdasarkan O
pengujian O
SUS O
, O
item O
pernyataan O
yang O
mendapatkan O
skor O
terendah O
yaitu O
diperlukannya O
bantuan O
teknis O
untuk O
menggunakan O
sistem O
, O
sehingga O
diperlukan O
sosialisasi O
mengenai O
sistem O
sebelum O
diterapkan. O

Sistem O
Informasi O
Manajemen O
dan O
Penilaian O
Kinerja O
Mitra O
Statistik O
Studi O
Kasus O
: O
BPS O
Kabupaten O
Jember O
M. O
Sonny O
Aditama O
( O
221709797 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
MBA O
Ringkasan— O
BPS O
kabupaten O
/ O
kota O
dalam O
melakukan O
tugasnya O
membutuhkan O
tenaga O
kerja O
tambahan O
yang O
disebut O
Mitra O
Statistik O
, O
dalam O
kegiatan O
tersebut O
mitra O
dapat O
melaksanakan O
berbagai O
tugas O
, O
diantaranya O
yaitu O
menjadi O
petugas O
pendataan O
lapangan O
, O
pengolahan O
data O
dan O
pemetaan. O
Untuk O
menjaga O
kualitas O
data O
yang O
dihasilkan O
, O
upaya O
yang O
dapat O
dilakukan O
adalah O
menggunakan O
mitra O
yang O
berkualitas O
dan O
melakukan O
evaluasi O
kinerja O
mitra. O
Selama O
ini O
data O
mitra O
di O
tiap O
seksi O
masih O
belum O
terintegrasi O
sehingga O
terjadi O
perbedaan O
data O
mitra O
, O
selain O
itu O
ada O
peraturan O
baru O
mengenai O
keikutsertaan O
mitra O
pada O
suatu O
kegiatan O
sehingga O
diperlukan O
sistem O
agar O
lebih O
mudah O
dalam O
memilih O
mitra O
pada O
suatu O
kegiatan. O
Belum O
ada O
kriteria O
yang O
jelas O
pada O
sistem O
penilaian O
kinerja O
sehingga O
penilaian O
masih O
secara O
subjektif. O
Berdasarkan O
permasalahan O
tersebut O
, O
dilakukanlah O
pembangunan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
manajemen I-TUJUAN
dan I-TUJUAN
penilaian I-TUJUAN
kinerja I-TUJUAN
mitra I-TUJUAN
statistik I-TUJUAN
di I-TUJUAN
BPS I-TUJUAN
Kabupaten I-TUJUAN
Jember. I-TUJUAN
Metode O
pembangunan O
sistem O
yang O
digunakan O
adalah O
SDLC B-METODE
Waterfall I-METODE
serta O
pengujian O
dan O
evaluasi O
menggunakan O
Black B-METODE
Box I-METODE
Testing I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Hasil B-TEMUAN
yang I-TEMUAN
didapatkan I-TEMUAN
dari I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
yaitu I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
semua I-TEMUAN
fungsinya I-TEMUAN
sesuai I-TEMUAN
yang I-TEMUAN
diharapkan I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
75,00. I-TEMUAN
Kata O
Kunci— O
Mitra O
statistik O
, O
manajemen O
, O
penilaian O
kinerja O
, O
SMARTER. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
ditarik O
beberapa O
kesimpulan O
sebagai O
berikut. O
1. O
Telah O
berhasil O
dikembangkan O
informasi O
manajemen O
dan O
penilaian O
kinerja O
mitra O
statistik O
di O
BPS O
Kabupaten O
Jember. O
sistem O
2. O
Hasil B-TEMUAN
pengujian I-TEMUAN
dengan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
, I-TEMUAN
semua I-TEMUAN
fitur I-TEMUAN
atau I-TEMUAN
fungsi I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dijalankan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
3. O
Hasil B-TEMUAN
evaluasi I-TEMUAN
dengan I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
mendapatkan I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
75,00 I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
B. O
Saran O
Dari O
penelitian O
yang O
telah O
dilakukan O
, O
terdapat O
beberapa O
saran O
dari O
peneliti O
yang O
dapat O
digunakan O
untuk O
penelitian O
selanjutnya. O
1. O
Perlu O
untuk O
penelitian O
menentukan O
kriteria O
penilaian O
kinerja O
mitra O
statistik O
sehingga O
terdapat O
standar O
yang O
dapat O
digunakan O
oleh O
seluruh O
BPS O
kabupaten O
/ O
kota. O
dilakukan O
tersendiri O
2. O
Penilaian O
kinerja O
dilakukan O
tidak O
hanya O
pada O
mitra O
pencacahan. O
3. O
Berdasarkan O
pengujian O
SUS O
, O
item O
pernyataan O
yang O
mendapatkan O
skor O
terendah O
yaitu O
diperlukannya O
bantuan O
teknis O
untuk O
menggunakan O
sistem O
, O
sehingga O
diperlukan O
sosialisasi O
mengenai O
sistem O
sebelum O
diterapkan. O

Sistem O
Informasi O
Manajemen O
dan O
Penilaian O
Kinerja O
Mitra O
Statistik O
Studi O
Kasus O
: O
BPS O
Kabupaten O
Jember O
M. O
Sonny O
Aditama O
( O
221709797 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
MBA O
Ringkasan— O
BPS O
kabupaten O
/ O
kota O
dalam O
melakukan O
tugasnya O
membutuhkan O
tenaga O
kerja O
tambahan O
yang O
disebut O
Mitra O
Statistik O
, O
dalam O
kegiatan O
tersebut O
mitra O
dapat O
melaksanakan O
berbagai O
tugas O
, O
diantaranya O
yaitu O
menjadi O
petugas O
pendataan O
lapangan O
, O
pengolahan O
data O
dan O
pemetaan. O
Untuk O
menjaga O
kualitas O
data O
yang O
dihasilkan O
, O
upaya O
yang O
dapat O
dilakukan O
adalah O
menggunakan O
mitra O
yang O
berkualitas O
dan O
melakukan O
evaluasi O
kinerja O
mitra. O
Selama O
ini O
data O
mitra O
di O
tiap O
seksi O
masih O
belum O
terintegrasi O
sehingga O
terjadi O
perbedaan O
data O
mitra O
, O
selain O
itu O
ada O
peraturan O
baru O
mengenai O
keikutsertaan O
mitra O
pada O
suatu O
kegiatan O
sehingga O
diperlukan O
sistem O
agar O
lebih O
mudah O
dalam O
memilih O
mitra O
pada O
suatu O
kegiatan. O
Belum O
ada O
kriteria O
yang O
jelas O
pada O
sistem O
penilaian O
kinerja O
sehingga O
penilaian O
masih O
secara O
subjektif. O
Berdasarkan O
permasalahan O
tersebut O
, O
dilakukanlah O
pembangunan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
manajemen I-TUJUAN
dan I-TUJUAN
penilaian I-TUJUAN
kinerja I-TUJUAN
mitra I-TUJUAN
statistik I-TUJUAN
di I-TUJUAN
BPS I-TUJUAN
Kabupaten I-TUJUAN
Jember. I-TUJUAN
Metode O
pembangunan O
sistem O
yang O
digunakan O
adalah O
SDLC B-METODE
Waterfall I-METODE
serta O
pengujian O
dan O
evaluasi O
menggunakan O
Black B-METODE
Box I-METODE
Testing I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Hasil B-TEMUAN
yang I-TEMUAN
didapatkan I-TEMUAN
dari I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
yaitu I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
semua I-TEMUAN
fungsinya I-TEMUAN
sesuai I-TEMUAN
yang I-TEMUAN
diharapkan I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
75,00. I-TEMUAN
Kata O
Kunci— O
Mitra O
statistik O
, O
manajemen O
, O
penilaian O
kinerja O
, O
SMARTER. O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
ditarik O
beberapa O
kesimpulan O
sebagai O
berikut. O
1. O
Telah O
berhasil O
dikembangkan O
informasi O
manajemen O
dan O
penilaian O
kinerja O
mitra O
statistik O
di O
BPS O
Kabupaten O
Jember. O
sistem O
2. O
Hasil B-TEMUAN
pengujian I-TEMUAN
dengan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
, I-TEMUAN
semua I-TEMUAN
fitur I-TEMUAN
atau I-TEMUAN
fungsi I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dijalankan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
3. O
Hasil B-TEMUAN
evaluasi I-TEMUAN
dengan I-TEMUAN
System I-TEMUAN
Usability I-TEMUAN
Scale I-TEMUAN
( I-TEMUAN
SUS I-TEMUAN
) I-TEMUAN
mendapatkan I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
75,00 I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
B. O
Saran O
Dari O
penelitian O
yang O
telah O
dilakukan O
, O
terdapat O
beberapa O
saran O
dari O
peneliti O
yang O
dapat O
digunakan O
untuk O
penelitian O
selanjutnya. O
1. O
Perlu O
untuk O
penelitian O
menentukan O
kriteria O
penilaian O
kinerja O
mitra O
statistik O
sehingga O
terdapat O
standar O
yang O
dapat O
digunakan O
oleh O
seluruh O
BPS O
kabupaten O
/ O
kota. O
dilakukan O
tersendiri O
2. O
Penilaian O
kinerja O
dilakukan O
tidak O
hanya O
pada O
mitra O
pencacahan. O
3. O
Berdasarkan O
pengujian O
SUS O
, O
item O
pernyataan O
yang O
mendapatkan O
skor O
terendah O
yaitu O
diperlukannya O
bantuan O
teknis O
untuk O
menggunakan O
sistem O
, O
sehingga O
diperlukan O
sosialisasi O
mengenai O
sistem O
sebelum O
diterapkan. O

Penentuan O
Nilai O
Epsilon O
Optimal O
Pada O
Algoritma O
DMDBSCAN O
dan O
Pemetaan O
Daerah O
Rawan O
Gempa O
Bumi O
Di O
Indonesia O
Tahun O
2014-2020 O
Kamilia O
Wafa O
Pakuani O
( O
221709773 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
Ringkasan— O
Pemantauan O
wilayah O
terjadinya O
titik O
gempa O
bumi O
dapat O
dilakukan O
dengan O
mengetahui O
penyebaran O
titik O
gempa O
bumi O
yang O
tersebar O
acak O
ataupun O
mengelompok. O
Density-Based O
Spatial O
Clustering B-METODE
of O
Applications O
with O
Noise O
( O
DBSCAN O
) O
merupakan O
salah O
satu O
algoritma B-METODE
clustering I-METODE
berbasis O
kepadatan O
dari O
sejumlah O
data O
besar O
yang O
mengandung O
noise O
atau O
outlier. O
Penelitian O
sebelumnya O
telah O
memodifikasi O
Algoritma O
DBSCAN O
untuk O
mendapatkan O
nilai O
Eps O
optimal O
secara O
otomatis O
dengan O
mengadopsi O
DBSCAN O
( O
DMDBSCAN O
) O
pada O
single O
level O
density O
sesuai O
k-dist O
plot. O
Pemilihan O
parameter O
Eps O
didapatkan O
dari O
perhitungan O
perubahan O
kemiringan O
garis O
maksimal O
pada O
3 O
jarak O
tetangga O
terdekat O
dalam O
persebaran O
data. O
Namun O
, O
cara O
ini O
rentan O
terhadap O
perubahan O
kemiringan O
garis O
yang O
sangat O
jauh. O
Maka O
dari O
itu O
, O
penelitian O
ini O
melakukan B-TUJUAN
modifikasi I-TUJUAN
Algoritma I-TUJUAN
DMDBSCAN I-TUJUAN
sehingga I-TUJUAN
diharapkan I-TUJUAN
dapat I-TUJUAN
menjadi I-TUJUAN
acuan I-TUJUAN
pencarian I-TUJUAN
nilai I-TUJUAN
Eps I-TUJUAN
pada I-TUJUAN
Algoritma I-TUJUAN
DBSCAN I-TUJUAN
yang I-TUJUAN
lebih I-TUJUAN
tepat I-TUJUAN
dan I-TUJUAN
mengetahui I-TUJUAN
penyebaran I-TUJUAN
titik I-TUJUAN
gempa I-TUJUAN
bumi I-TUJUAN
di I-TUJUAN
Indonesia. I-TUJUAN
Dynamic O
Method O
Algoritma O
Kata O
Kunci— O
DBSCAN O
, O
DMDBSCAN O
, O
k-dist O
plot O
, O
gempa O
bumi O
[SEP] O
Analisis B-METODE
deskriptif I-METODE
data O
gempa O
bumi O
di O
Indonesia O
pada O
tahun O
2014-2020 O
dapat O
diketahui O
dengan O
melihat O
daerah O
dengan O
jumlah O
titik O
gempa O
bumi O
terbanyak O
dan O
daerah O
dengan O
kejadian O
gempa O
yang O
memiliki O
magnitudo O
tertinggi O
serta O
kedalaman O
terdangkal. O
Selain O
itu O
, B-TEMUAN
modifikasi I-TEMUAN
Algoritma I-TEMUAN
DMDBSCAN I-TEMUAN
untuk I-TEMUAN
mendapatkan I-TEMUAN
nilai I-TEMUAN
parameter I-TEMUAN
Eps I-TEMUAN
yang I-TEMUAN
optimal I-TEMUAN
berhasil I-TEMUAN
diterapkan I-TEMUAN
dan I-TEMUAN
menghasilkan I-TEMUAN
parameter I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
serta I-TEMUAN
dapat I-TEMUAN
memperhitungkan I-TEMUAN
nilai I-TEMUAN
k I-TEMUAN
dalam I-TEMUAN
perhitungan I-TEMUAN
k-dist I-TEMUAN
plot. I-TEMUAN
Implementasi O
modifikasi O
Algoritma O
DMDBSCAN O
juga O
berhasil O
diterapkan O
untuk O
mendapatkan O
daerah O
kerawanan O
gempa O
bumi. O
Berdasarkan O
hasil O
yang O
diperoleh O
, O
masih O
terdapat O
beberapa O
hal O
yang O
dapat O
dilakukan O
untuk O
meningkatkan O
performa O
dari O
pemilihan O
nilai O
Eps O
optimal O
seperti O
melakukan O
studi O
lanjutan O
untuk O
pencarian O
nilai O
Eps O
optimal O
karena O
penelitian O
ini O
hanya O
memodifikasi O
nilai O
slope O
pada O
rentang O
antara O
10 O
% O
hingga O
20 O
% O
, O
dilanjutkan O
dengan O
pemilihan O
nilai O
terkecil O
dari O
rentang O
tersebut. O
Penerapan O
DMDBSCAN O
dalam O
pencarian O
nilai O
Eps O
juga O
dapat O
dilakukan O
untuk O
kepadatan O
yang O
bervariasi. O
Selain O
itu O
, O
hasil O
analisis O
deskriptif O
pada O
penelitian O
ini O
dapat O
dikaitkan O
dengan O
analisis O
lainnya O
seperti O
yang O
berkaitan O
dengan O
ilmu O
geologi O
dan O
lempengan O
bumi. O

Penentuan O
Nilai O
Epsilon O
Optimal O
Pada O
Algoritma O
DMDBSCAN O
dan O
Pemetaan O
Daerah O
Rawan O
Gempa O
Bumi O
Di O
Indonesia O
Tahun O
2014-2020 O
Kamilia O
Wafa O
Pakuani O
( O
221709773 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
Ringkasan— O
Pemantauan O
wilayah O
terjadinya O
titik O
gempa O
bumi O
dapat O
dilakukan O
dengan O
mengetahui O
penyebaran O
titik O
gempa O
bumi O
yang O
tersebar O
acak O
ataupun O
mengelompok. O
Density-Based O
Spatial O
Clustering B-METODE
of O
Applications O
with O
Noise O
( O
DBSCAN O
) O
merupakan O
salah O
satu O
algoritma B-METODE
clustering I-METODE
berbasis O
kepadatan O
dari O
sejumlah O
data O
besar O
yang O
mengandung O
noise O
atau O
outlier. O
Penelitian O
sebelumnya O
telah O
memodifikasi O
Algoritma O
DBSCAN O
untuk O
mendapatkan O
nilai O
Eps O
optimal O
secara O
otomatis O
dengan O
mengadopsi O
DBSCAN O
( O
DMDBSCAN O
) O
pada O
single O
level O
density O
sesuai O
k-dist O
plot. O
Pemilihan O
parameter O
Eps O
didapatkan O
dari O
perhitungan O
perubahan O
kemiringan O
garis O
maksimal O
pada O
3 O
jarak O
tetangga O
terdekat O
dalam O
persebaran O
data. O
Namun O
, O
cara O
ini O
rentan O
terhadap O
perubahan O
kemiringan O
garis O
yang O
sangat O
jauh. O
Maka O
dari O
itu O
, O
penelitian O
ini O
melakukan B-TUJUAN
modifikasi I-TUJUAN
Algoritma I-TUJUAN
DMDBSCAN I-TUJUAN
sehingga I-TUJUAN
diharapkan I-TUJUAN
dapat I-TUJUAN
menjadi I-TUJUAN
acuan I-TUJUAN
pencarian I-TUJUAN
nilai I-TUJUAN
Eps I-TUJUAN
pada I-TUJUAN
Algoritma I-TUJUAN
DBSCAN I-TUJUAN
yang I-TUJUAN
lebih I-TUJUAN
tepat I-TUJUAN
dan I-TUJUAN
mengetahui I-TUJUAN
penyebaran I-TUJUAN
titik I-TUJUAN
gempa I-TUJUAN
bumi I-TUJUAN
di I-TUJUAN
Indonesia. I-TUJUAN
Dynamic O
Method O
Algoritma O
Kata O
Kunci— O
DBSCAN O
, O
DMDBSCAN O
, O
k-dist O
plot O
, O
gempa O
bumi O
[SEP] O
Analisis B-METODE
deskriptif I-METODE
data O
gempa O
bumi O
di O
Indonesia O
pada O
tahun O
2014-2020 O
dapat O
diketahui O
dengan O
melihat O
daerah O
dengan O
jumlah O
titik O
gempa O
bumi O
terbanyak O
dan O
daerah O
dengan O
kejadian O
gempa O
yang O
memiliki O
magnitudo O
tertinggi O
serta O
kedalaman O
terdangkal. O
Selain O
itu O
, B-TEMUAN
modifikasi I-TEMUAN
Algoritma I-TEMUAN
DMDBSCAN I-TEMUAN
untuk I-TEMUAN
mendapatkan I-TEMUAN
nilai I-TEMUAN
parameter I-TEMUAN
Eps I-TEMUAN
yang I-TEMUAN
optimal I-TEMUAN
berhasil I-TEMUAN
diterapkan I-TEMUAN
dan I-TEMUAN
menghasilkan I-TEMUAN
parameter I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
serta I-TEMUAN
dapat I-TEMUAN
memperhitungkan I-TEMUAN
nilai I-TEMUAN
k I-TEMUAN
dalam I-TEMUAN
perhitungan I-TEMUAN
k-dist I-TEMUAN
plot. I-TEMUAN
Implementasi O
modifikasi O
Algoritma O
DMDBSCAN O
juga O
berhasil O
diterapkan O
untuk O
mendapatkan O
daerah O
kerawanan O
gempa O
bumi. O
Berdasarkan O
hasil O
yang O
diperoleh O
, O
masih O
terdapat O
beberapa O
hal O
yang O
dapat O
dilakukan O
untuk O
meningkatkan O
performa O
dari O
pemilihan O
nilai O
Eps O
optimal O
seperti O
melakukan O
studi O
lanjutan O
untuk O
pencarian O
nilai O
Eps O
optimal O
karena O
penelitian O
ini O
hanya O
memodifikasi O
nilai O
slope O
pada O
rentang O
antara O
10 O
% O
hingga O
20 O
% O
, O
dilanjutkan O
dengan O
pemilihan O
nilai O
terkecil O
dari O
rentang O
tersebut. O
Penerapan O
DMDBSCAN O
dalam O
pencarian O
nilai O
Eps O
juga O
dapat O
dilakukan O
untuk O
kepadatan O
yang O
bervariasi. O
Selain O
itu O
, O
hasil O
analisis O
deskriptif O
pada O
penelitian O
ini O
dapat O
dikaitkan O
dengan O
analisis O
lainnya O
seperti O
yang O
berkaitan O
dengan O
ilmu O
geologi O
dan O
lempengan O
bumi. O

Penentuan O
Nilai O
Epsilon O
Optimal O
Pada O
Algoritma O
DMDBSCAN O
dan O
Pemetaan O
Daerah O
Rawan O
Gempa O
Bumi O
Di O
Indonesia O
Tahun O
2014-2020 O
Kamilia O
Wafa O
Pakuani O
( O
221709773 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
Ringkasan— O
Pemantauan O
wilayah O
terjadinya O
titik O
gempa O
bumi O
dapat O
dilakukan O
dengan O
mengetahui O
penyebaran O
titik O
gempa O
bumi O
yang O
tersebar O
acak O
ataupun O
mengelompok. O
Density-Based O
Spatial O
Clustering B-METODE
of O
Applications O
with O
Noise O
( O
DBSCAN O
) O
merupakan O
salah O
satu O
algoritma B-METODE
clustering I-METODE
berbasis O
kepadatan O
dari O
sejumlah O
data O
besar O
yang O
mengandung O
noise O
atau O
outlier. O
Penelitian O
sebelumnya O
telah O
memodifikasi O
Algoritma O
DBSCAN O
untuk O
mendapatkan O
nilai O
Eps O
optimal O
secara O
otomatis O
dengan O
mengadopsi O
DBSCAN O
( O
DMDBSCAN O
) O
pada O
single O
level O
density O
sesuai O
k-dist O
plot. O
Pemilihan O
parameter O
Eps O
didapatkan O
dari O
perhitungan O
perubahan O
kemiringan O
garis O
maksimal O
pada O
3 O
jarak O
tetangga O
terdekat O
dalam O
persebaran O
data. O
Namun O
, O
cara O
ini O
rentan O
terhadap O
perubahan O
kemiringan O
garis O
yang O
sangat O
jauh. O
Maka O
dari O
itu O
, O
penelitian O
ini O
melakukan B-TUJUAN
modifikasi I-TUJUAN
Algoritma I-TUJUAN
DMDBSCAN I-TUJUAN
sehingga I-TUJUAN
diharapkan I-TUJUAN
dapat I-TUJUAN
menjadi I-TUJUAN
acuan I-TUJUAN
pencarian I-TUJUAN
nilai I-TUJUAN
Eps I-TUJUAN
pada I-TUJUAN
Algoritma I-TUJUAN
DBSCAN I-TUJUAN
yang I-TUJUAN
lebih I-TUJUAN
tepat I-TUJUAN
dan I-TUJUAN
mengetahui I-TUJUAN
penyebaran I-TUJUAN
titik I-TUJUAN
gempa I-TUJUAN
bumi I-TUJUAN
di I-TUJUAN
Indonesia. I-TUJUAN
Dynamic O
Method O
Algoritma O
Kata O
Kunci— O
DBSCAN O
, O
DMDBSCAN O
, O
k-dist O
plot O
, O
gempa O
bumi O
[SEP] O
Analisis B-METODE
deskriptif I-METODE
data O
gempa O
bumi O
di O
Indonesia O
pada O
tahun O
2014-2020 O
dapat O
diketahui O
dengan O
melihat O
daerah O
dengan O
jumlah O
titik O
gempa O
bumi O
terbanyak O
dan O
daerah O
dengan O
kejadian O
gempa O
yang O
memiliki O
magnitudo O
tertinggi O
serta O
kedalaman O
terdangkal. O
Selain O
itu O
, B-TEMUAN
modifikasi I-TEMUAN
Algoritma I-TEMUAN
DMDBSCAN I-TEMUAN
untuk I-TEMUAN
mendapatkan I-TEMUAN
nilai I-TEMUAN
parameter I-TEMUAN
Eps I-TEMUAN
yang I-TEMUAN
optimal I-TEMUAN
berhasil I-TEMUAN
diterapkan I-TEMUAN
dan I-TEMUAN
menghasilkan I-TEMUAN
parameter I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
serta I-TEMUAN
dapat I-TEMUAN
memperhitungkan I-TEMUAN
nilai I-TEMUAN
k I-TEMUAN
dalam I-TEMUAN
perhitungan I-TEMUAN
k-dist I-TEMUAN
plot. I-TEMUAN
Implementasi O
modifikasi O
Algoritma O
DMDBSCAN O
juga O
berhasil O
diterapkan O
untuk O
mendapatkan O
daerah O
kerawanan O
gempa O
bumi. O
Berdasarkan O
hasil O
yang O
diperoleh O
, O
masih O
terdapat O
beberapa O
hal O
yang O
dapat O
dilakukan O
untuk O
meningkatkan O
performa O
dari O
pemilihan O
nilai O
Eps O
optimal O
seperti O
melakukan O
studi O
lanjutan O
untuk O
pencarian O
nilai O
Eps O
optimal O
karena O
penelitian O
ini O
hanya O
memodifikasi O
nilai O
slope O
pada O
rentang O
antara O
10 O
% O
hingga O
20 O
% O
, O
dilanjutkan O
dengan O
pemilihan O
nilai O
terkecil O
dari O
rentang O
tersebut. O
Penerapan O
DMDBSCAN O
dalam O
pencarian O
nilai O
Eps O
juga O
dapat O
dilakukan O
untuk O
kepadatan O
yang O
bervariasi. O
Selain O
itu O
, O
hasil O
analisis O
deskriptif O
pada O
penelitian O
ini O
dapat O
dikaitkan O
dengan O
analisis O
lainnya O
seperti O
yang O
berkaitan O
dengan O
ilmu O
geologi O
dan O
lempengan O
bumi. O

Penentuan O
Nilai O
Epsilon O
Optimal O
Pada O
Algoritma O
DMDBSCAN O
dan O
Pemetaan O
Daerah O
Rawan O
Gempa O
Bumi O
Di O
Indonesia O
Tahun O
2014-2020 O
Kamilia O
Wafa O
Pakuani O
( O
221709773 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
Ringkasan— O
Pemantauan O
wilayah O
terjadinya O
titik O
gempa O
bumi O
dapat O
dilakukan O
dengan O
mengetahui O
penyebaran O
titik O
gempa O
bumi O
yang O
tersebar O
acak O
ataupun O
mengelompok. O
Density-Based O
Spatial O
Clustering B-METODE
of O
Applications O
with O
Noise O
( O
DBSCAN O
) O
merupakan O
salah O
satu O
algoritma B-METODE
clustering I-METODE
berbasis O
kepadatan O
dari O
sejumlah O
data O
besar O
yang O
mengandung O
noise O
atau O
outlier. O
Penelitian O
sebelumnya O
telah O
memodifikasi O
Algoritma O
DBSCAN O
untuk O
mendapatkan O
nilai O
Eps O
optimal O
secara O
otomatis O
dengan O
mengadopsi O
DBSCAN O
( O
DMDBSCAN O
) O
pada O
single O
level O
density O
sesuai O
k-dist O
plot. O
Pemilihan O
parameter O
Eps O
didapatkan O
dari O
perhitungan O
perubahan O
kemiringan O
garis O
maksimal O
pada O
3 O
jarak O
tetangga O
terdekat O
dalam O
persebaran O
data. O
Namun O
, O
cara O
ini O
rentan O
terhadap O
perubahan O
kemiringan O
garis O
yang O
sangat O
jauh. O
Maka O
dari O
itu O
, O
penelitian O
ini O
melakukan B-TUJUAN
modifikasi I-TUJUAN
Algoritma I-TUJUAN
DMDBSCAN I-TUJUAN
sehingga I-TUJUAN
diharapkan I-TUJUAN
dapat I-TUJUAN
menjadi I-TUJUAN
acuan I-TUJUAN
pencarian I-TUJUAN
nilai I-TUJUAN
Eps I-TUJUAN
pada I-TUJUAN
Algoritma I-TUJUAN
DBSCAN I-TUJUAN
yang I-TUJUAN
lebih I-TUJUAN
tepat I-TUJUAN
dan I-TUJUAN
mengetahui I-TUJUAN
penyebaran I-TUJUAN
titik I-TUJUAN
gempa I-TUJUAN
bumi I-TUJUAN
di I-TUJUAN
Indonesia. I-TUJUAN
Dynamic O
Method O
Algoritma O
Kata O
Kunci— O
DBSCAN O
, O
DMDBSCAN O
, O
k-dist O
plot O
, O
gempa O
bumi O
[SEP] O
Analisis B-METODE
deskriptif I-METODE
data O
gempa O
bumi O
di O
Indonesia O
pada O
tahun O
2014-2020 O
dapat O
diketahui O
dengan O
melihat O
daerah O
dengan O
jumlah O
titik O
gempa O
bumi O
terbanyak O
dan O
daerah O
dengan O
kejadian O
gempa O
yang O
memiliki O
magnitudo O
tertinggi O
serta O
kedalaman O
terdangkal. O
Selain O
itu O
, B-TEMUAN
modifikasi I-TEMUAN
Algoritma I-TEMUAN
DMDBSCAN I-TEMUAN
untuk I-TEMUAN
mendapatkan I-TEMUAN
nilai I-TEMUAN
parameter I-TEMUAN
Eps I-TEMUAN
yang I-TEMUAN
optimal I-TEMUAN
berhasil I-TEMUAN
diterapkan I-TEMUAN
dan I-TEMUAN
menghasilkan I-TEMUAN
parameter I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
serta I-TEMUAN
dapat I-TEMUAN
memperhitungkan I-TEMUAN
nilai I-TEMUAN
k I-TEMUAN
dalam I-TEMUAN
perhitungan I-TEMUAN
k-dist I-TEMUAN
plot. I-TEMUAN
Implementasi O
modifikasi O
Algoritma O
DMDBSCAN O
juga O
berhasil O
diterapkan O
untuk O
mendapatkan O
daerah O
kerawanan O
gempa O
bumi. O
Berdasarkan O
hasil O
yang O
diperoleh O
, O
masih O
terdapat O
beberapa O
hal O
yang O
dapat O
dilakukan O
untuk O
meningkatkan O
performa O
dari O
pemilihan O
nilai O
Eps O
optimal O
seperti O
melakukan O
studi O
lanjutan O
untuk O
pencarian O
nilai O
Eps O
optimal O
karena O
penelitian O
ini O
hanya O
memodifikasi O
nilai O
slope O
pada O
rentang O
antara O
10 O
% O
hingga O
20 O
% O
, O
dilanjutkan O
dengan O
pemilihan O
nilai O
terkecil O
dari O
rentang O
tersebut. O
Penerapan O
DMDBSCAN O
dalam O
pencarian O
nilai O
Eps O
juga O
dapat O
dilakukan O
untuk O
kepadatan O
yang O
bervariasi. O
Selain O
itu O
, O
hasil O
analisis O
deskriptif O
pada O
penelitian O
ini O
dapat O
dikaitkan O
dengan O
analisis O
lainnya O
seperti O
yang O
berkaitan O
dengan O
ilmu O
geologi O
dan O
lempengan O
bumi. O

Sistem O
Penyusunan O
Lampiran O
Perka O
BPS O
tentang O
Wilkerstat O
dan O
Laporan O
Histori O
Wilayah O
Irza O
Faikar O
( O
221709757 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
M.B.A O
Ringkasan— O
Perencanaan O
dan O
pelaksanaan O
kegiatan O
statistik O
yang O
dilakukan O
BPS O
erat O
kaitannya O
dengan O
identifikasi O
wilayah O
dan O
perubahannya. O
Atas O
dasar O
itu O
, O
BPS O
daerah O
selalu O
melakukan O
pemutakhiran O
data O
wilayah O
setiap O
6 O
bulan O
sekali O
untuk O
mencatat O
informasi O
wilayah O
terbaru. O
Data O
yang O
dikumpulkan O
akan O
digunakan O
dalam O
penyusunan O
lampiran O
Perka O
Wilkerstat O
dan O
laporan O
histori O
wilayah O
oleh O
Subdit O
PPS O
BPS O
RI. O
Dalam O
pelaksanaan O
penyusunan O
tersebut O
, O
ada O
beberapa O
bagian O
yang O
dinilai O
kurang O
efisien O
dan O
berpeluang O
untuk O
dilakukan O
perbaikan O
seperti O
penggunaan O
API O
service O
untuk O
data O
wilayah O
, O
pengecekan O
hierarki O
wilayah O
, O
penyusunan O
lampiran O
Perka O
Wilkerstat O
, O
dan O
penyusunan O
laporan O
histori O
wilayah. O
Penelitian O
ini O
bertujuan O
yang O
dapat O
untuk O
melakukan B-TUJUAN
pengembangan I-TUJUAN
memudahkan I-TUJUAN
, I-TUJUAN
meningkatkan I-TUJUAN
serta I-TUJUAN
mengurangi I-TUJUAN
kesalahan I-TUJUAN
yang I-TUJUAN
mungkin I-TUJUAN
terjadi I-TUJUAN
pada I-TUJUAN
proses I-TUJUAN
penyusunan I-TUJUAN
lampiran I-TUJUAN
Perka I-TUJUAN
Wilkerstat I-TUJUAN
dan I-TUJUAN
penyusunan I-TUJUAN
laporan I-TUJUAN
histori I-TUJUAN
wilayah. I-TUJUAN
Pembangunan O
sistem O
berikut O
diharapkan O
dapat O
membantu O
Subdit O
PPS O
BPS O
RI O
untuk O
meningkatkan O
kualitas O
pekerjaannya. O
efisiensi O
, O
sistem O
Kata O
Kunci— O
Wilkerstat O
, O
Perka O
BPS O
, O
histori O
wilayah. O
[SEP] O
Kesimpulan O
yang O
didapatkan O
dari O
hasil O
penelitian O
mengenai O
sistem O
penyusunan O
lampiran O
Perka O
Wilkerstat O
dan O
laporan O
histori O
wilayah O
adalah O
sebagai O
berikut. O
2. O
1. O
Telah O
informasi O
yang O
lampiran O
Perka O
sistem O
dikembangkan O
membantu O
proses O
penyusunan O
Wilkerstat O
dan O
laporan O
histori O
wilayah. O
Implementasi O
sistem O
yang O
dikembangkan O
meliputi O
fungsi O
melihat O
dashboard O
, O
penarikan O
data O
wilayah O
dan O
histori O
wilayah O
, O
melihat O
data O
wilayah O
dan O
data O
histori O
wilayah O
, O
melihat O
dan O
mengunduh O
laporan O
histori O
lengkap O
, O
mengelola O
template O
( O
lihat O
, O
tambah O
, O
edit O
, O
dan O
hapus O
) O
, O
mengelola O
penyusunan O
( O
lihat O
, O
tambah O
, O
edit O
, O
unduh O
, O
cetak O
, O
dan O
hapus O
) O
, O
dan O
mengelola O
Perka O
( O
lihat O
, O
unggah O
, O
edit O
, O
unduh O
, O
cetak O
, O
dan O
hapus O
) O
. O
3. O
Berdasarkan O
hasil O
evaluasi B-METODE
black I-METODE
box I-METODE
testing I-METODE
, O
fungsi- B-TEMUAN
fungsi I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
dikatakan I-TEMUAN
sudah I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kondisi I-TEMUAN
yang I-TEMUAN
seharusnya. I-TEMUAN
Berdasarkan O
hasil O
evaluasi B-METODE
SUS I-METODE
, O
sistem B-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN

Sistem O
Penyusunan O
Lampiran O
Perka O
BPS O
tentang O
Wilkerstat O
dan O
Laporan O
Histori O
Wilayah O
Irza O
Faikar O
( O
221709757 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
M.B.A O
Ringkasan— O
Perencanaan O
dan O
pelaksanaan O
kegiatan O
statistik O
yang O
dilakukan O
BPS O
erat O
kaitannya O
dengan O
identifikasi O
wilayah O
dan O
perubahannya. O
Atas O
dasar O
itu O
, O
BPS O
daerah O
selalu O
melakukan O
pemutakhiran O
data O
wilayah O
setiap O
6 O
bulan O
sekali O
untuk O
mencatat O
informasi O
wilayah O
terbaru. O
Data O
yang O
dikumpulkan O
akan O
digunakan O
dalam O
penyusunan O
lampiran O
Perka O
Wilkerstat O
dan O
laporan O
histori O
wilayah O
oleh O
Subdit O
PPS O
BPS O
RI. O
Dalam O
pelaksanaan O
penyusunan O
tersebut O
, O
ada O
beberapa O
bagian O
yang O
dinilai O
kurang O
efisien O
dan O
berpeluang O
untuk O
dilakukan O
perbaikan O
seperti O
penggunaan O
API O
service O
untuk O
data O
wilayah O
, O
pengecekan O
hierarki O
wilayah O
, O
penyusunan O
lampiran O
Perka O
Wilkerstat O
, O
dan O
penyusunan O
laporan O
histori O
wilayah. O
Penelitian O
ini O
bertujuan O
yang O
dapat O
untuk O
melakukan B-TUJUAN
pengembangan I-TUJUAN
memudahkan I-TUJUAN
, I-TUJUAN
meningkatkan I-TUJUAN
serta I-TUJUAN
mengurangi I-TUJUAN
kesalahan I-TUJUAN
yang I-TUJUAN
mungkin I-TUJUAN
terjadi I-TUJUAN
pada I-TUJUAN
proses I-TUJUAN
penyusunan I-TUJUAN
lampiran I-TUJUAN
Perka I-TUJUAN
Wilkerstat I-TUJUAN
dan I-TUJUAN
penyusunan I-TUJUAN
laporan I-TUJUAN
histori I-TUJUAN
wilayah. I-TUJUAN
Pembangunan O
sistem O
berikut O
diharapkan O
dapat O
membantu O
Subdit O
PPS O
BPS O
RI O
untuk O
meningkatkan O
kualitas O
pekerjaannya. O
efisiensi O
, O
sistem O
Kata O
Kunci— O
Wilkerstat O
, O
Perka O
BPS O
, O
histori O
wilayah. O
[SEP] O
Kesimpulan O
yang O
didapatkan O
dari O
hasil O
penelitian O
mengenai O
sistem O
penyusunan O
lampiran O
Perka O
Wilkerstat O
dan O
laporan O
histori O
wilayah O
adalah O
sebagai O
berikut. O
2. O
1. O
Telah O
informasi O
yang O
lampiran O
Perka O
sistem O
dikembangkan O
membantu O
proses O
penyusunan O
Wilkerstat O
dan O
laporan O
histori O
wilayah. O
Implementasi O
sistem O
yang O
dikembangkan O
meliputi O
fungsi O
melihat O
dashboard O
, O
penarikan O
data O
wilayah O
dan O
histori O
wilayah O
, O
melihat O
data O
wilayah O
dan O
data O
histori O
wilayah O
, O
melihat O
dan O
mengunduh O
laporan O
histori O
lengkap O
, O
mengelola O
template O
( O
lihat O
, O
tambah O
, O
edit O
, O
dan O
hapus O
) O
, O
mengelola O
penyusunan O
( O
lihat O
, O
tambah O
, O
edit O
, O
unduh O
, O
cetak O
, O
dan O
hapus O
) O
, O
dan O
mengelola O
Perka O
( O
lihat O
, O
unggah O
, O
edit O
, O
unduh O
, O
cetak O
, O
dan O
hapus O
) O
. O
3. O
Berdasarkan O
hasil O
evaluasi B-METODE
black I-METODE
box I-METODE
testing I-METODE
, O
fungsi- B-TEMUAN
fungsi I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
dikatakan I-TEMUAN
sudah I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kondisi I-TEMUAN
yang I-TEMUAN
seharusnya. I-TEMUAN
Berdasarkan O
hasil O
evaluasi B-METODE
SUS I-METODE
, O
sistem B-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN

Sistem O
Penyusunan O
Lampiran O
Perka O
BPS O
tentang O
Wilkerstat O
dan O
Laporan O
Histori O
Wilayah O
Irza O
Faikar O
( O
221709757 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
M.B.A O
Ringkasan— O
Perencanaan O
dan O
pelaksanaan O
kegiatan O
statistik O
yang O
dilakukan O
BPS O
erat O
kaitannya O
dengan O
identifikasi O
wilayah O
dan O
perubahannya. O
Atas O
dasar O
itu O
, O
BPS O
daerah O
selalu O
melakukan O
pemutakhiran O
data O
wilayah O
setiap O
6 O
bulan O
sekali O
untuk O
mencatat O
informasi O
wilayah O
terbaru. O
Data O
yang O
dikumpulkan O
akan O
digunakan O
dalam O
penyusunan O
lampiran O
Perka O
Wilkerstat O
dan O
laporan O
histori O
wilayah O
oleh O
Subdit O
PPS O
BPS O
RI. O
Dalam O
pelaksanaan O
penyusunan O
tersebut O
, O
ada O
beberapa O
bagian O
yang O
dinilai O
kurang O
efisien O
dan O
berpeluang O
untuk O
dilakukan O
perbaikan O
seperti O
penggunaan O
API O
service O
untuk O
data O
wilayah O
, O
pengecekan O
hierarki O
wilayah O
, O
penyusunan O
lampiran O
Perka O
Wilkerstat O
, O
dan O
penyusunan O
laporan O
histori O
wilayah. O
Penelitian O
ini O
bertujuan O
yang O
dapat O
untuk O
melakukan B-TUJUAN
pengembangan I-TUJUAN
memudahkan I-TUJUAN
, I-TUJUAN
meningkatkan I-TUJUAN
serta I-TUJUAN
mengurangi I-TUJUAN
kesalahan I-TUJUAN
yang I-TUJUAN
mungkin I-TUJUAN
terjadi I-TUJUAN
pada I-TUJUAN
proses I-TUJUAN
penyusunan I-TUJUAN
lampiran I-TUJUAN
Perka I-TUJUAN
Wilkerstat I-TUJUAN
dan I-TUJUAN
penyusunan I-TUJUAN
laporan I-TUJUAN
histori I-TUJUAN
wilayah. I-TUJUAN
Pembangunan O
sistem O
berikut O
diharapkan O
dapat O
membantu O
Subdit O
PPS O
BPS O
RI O
untuk O
meningkatkan O
kualitas O
pekerjaannya. O
efisiensi O
, O
sistem O
Kata O
Kunci— O
Wilkerstat O
, O
Perka O
BPS O
, O
histori O
wilayah. O
[SEP] O
Kesimpulan O
yang O
didapatkan O
dari O
hasil O
penelitian O
mengenai O
sistem O
penyusunan O
lampiran O
Perka O
Wilkerstat O
dan O
laporan O
histori O
wilayah O
adalah O
sebagai O
berikut. O
2. O
1. O
Telah O
informasi O
yang O
lampiran O
Perka O
sistem O
dikembangkan O
membantu O
proses O
penyusunan O
Wilkerstat O
dan O
laporan O
histori O
wilayah. O
Implementasi O
sistem O
yang O
dikembangkan O
meliputi O
fungsi O
melihat O
dashboard O
, O
penarikan O
data O
wilayah O
dan O
histori O
wilayah O
, O
melihat O
data O
wilayah O
dan O
data O
histori O
wilayah O
, O
melihat O
dan O
mengunduh O
laporan O
histori O
lengkap O
, O
mengelola O
template O
( O
lihat O
, O
tambah O
, O
edit O
, O
dan O
hapus O
) O
, O
mengelola O
penyusunan O
( O
lihat O
, O
tambah O
, O
edit O
, O
unduh O
, O
cetak O
, O
dan O
hapus O
) O
, O
dan O
mengelola O
Perka O
( O
lihat O
, O
unggah O
, O
edit O
, O
unduh O
, O
cetak O
, O
dan O
hapus O
) O
. O
3. O
Berdasarkan O
hasil O
evaluasi B-METODE
black I-METODE
box I-METODE
testing I-METODE
, O
fungsi- B-TEMUAN
fungsi I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
dikatakan I-TEMUAN
sudah I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kondisi I-TEMUAN
yang I-TEMUAN
seharusnya. I-TEMUAN
Berdasarkan O
hasil O
evaluasi B-METODE
SUS I-METODE
, O
sistem B-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN

Sistem O
Penyusunan O
Lampiran O
Perka O
BPS O
tentang O
Wilkerstat O
dan O
Laporan O
Histori O
Wilayah O
Irza O
Faikar O
( O
221709757 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
M.B.A O
Ringkasan— O
Perencanaan O
dan O
pelaksanaan O
kegiatan O
statistik O
yang O
dilakukan O
BPS O
erat O
kaitannya O
dengan O
identifikasi O
wilayah O
dan O
perubahannya. O
Atas O
dasar O
itu O
, O
BPS O
daerah O
selalu O
melakukan O
pemutakhiran O
data O
wilayah O
setiap O
6 O
bulan O
sekali O
untuk O
mencatat O
informasi O
wilayah O
terbaru. O
Data O
yang O
dikumpulkan O
akan O
digunakan O
dalam O
penyusunan O
lampiran O
Perka O
Wilkerstat O
dan O
laporan O
histori O
wilayah O
oleh O
Subdit O
PPS O
BPS O
RI. O
Dalam O
pelaksanaan O
penyusunan O
tersebut O
, O
ada O
beberapa O
bagian O
yang O
dinilai O
kurang O
efisien O
dan O
berpeluang O
untuk O
dilakukan O
perbaikan O
seperti O
penggunaan O
API O
service O
untuk O
data O
wilayah O
, O
pengecekan O
hierarki O
wilayah O
, O
penyusunan O
lampiran O
Perka O
Wilkerstat O
, O
dan O
penyusunan O
laporan O
histori O
wilayah. O
Penelitian O
ini O
bertujuan O
yang O
dapat O
untuk O
melakukan B-TUJUAN
pengembangan I-TUJUAN
memudahkan I-TUJUAN
, I-TUJUAN
meningkatkan I-TUJUAN
serta I-TUJUAN
mengurangi I-TUJUAN
kesalahan I-TUJUAN
yang I-TUJUAN
mungkin I-TUJUAN
terjadi I-TUJUAN
pada I-TUJUAN
proses I-TUJUAN
penyusunan I-TUJUAN
lampiran I-TUJUAN
Perka I-TUJUAN
Wilkerstat I-TUJUAN
dan I-TUJUAN
penyusunan I-TUJUAN
laporan I-TUJUAN
histori I-TUJUAN
wilayah. I-TUJUAN
Pembangunan O
sistem O
berikut O
diharapkan O
dapat O
membantu O
Subdit O
PPS O
BPS O
RI O
untuk O
meningkatkan O
kualitas O
pekerjaannya. O
efisiensi O
, O
sistem O
Kata O
Kunci— O
Wilkerstat O
, O
Perka O
BPS O
, O
histori O
wilayah. O
[SEP] O
Kesimpulan O
yang O
didapatkan O
dari O
hasil O
penelitian O
mengenai O
sistem O
penyusunan O
lampiran O
Perka O
Wilkerstat O
dan O
laporan O
histori O
wilayah O
adalah O
sebagai O
berikut. O
2. O
1. O
Telah O
informasi O
yang O
lampiran O
Perka O
sistem O
dikembangkan O
membantu O
proses O
penyusunan O
Wilkerstat O
dan O
laporan O
histori O
wilayah. O
Implementasi O
sistem O
yang O
dikembangkan O
meliputi O
fungsi O
melihat O
dashboard O
, O
penarikan O
data O
wilayah O
dan O
histori O
wilayah O
, O
melihat O
data O
wilayah O
dan O
data O
histori O
wilayah O
, O
melihat O
dan O
mengunduh O
laporan O
histori O
lengkap O
, O
mengelola O
template O
( O
lihat O
, O
tambah O
, O
edit O
, O
dan O
hapus O
) O
, O
mengelola O
penyusunan O
( O
lihat O
, O
tambah O
, O
edit O
, O
unduh O
, O
cetak O
, O
dan O
hapus O
) O
, O
dan O
mengelola O
Perka O
( O
lihat O
, O
unggah O
, O
edit O
, O
unduh O
, O
cetak O
, O
dan O
hapus O
) O
. O
3. O
Berdasarkan O
hasil O
evaluasi B-METODE
black I-METODE
box I-METODE
testing I-METODE
, O
fungsi- B-TEMUAN
fungsi I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
dapat I-TEMUAN
dikatakan I-TEMUAN
sudah I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kondisi I-TEMUAN
yang I-TEMUAN
seharusnya. I-TEMUAN
Berdasarkan O
hasil O
evaluasi B-METODE
SUS I-METODE
, O
sistem B-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN

Aplikasi O
Berbasis O
Web O
untuk O
Visualisasi O
dan O
Klastering O
Data O
Updating O
Potensi O
Desa O
Kota O
Malang O
Tahun O
2019 O
Indra O
Dwi O
Wicaksono O
( O
221709749 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Sukim O
, O
SST O
, O
M.Si O
Ringkasan— O
Visualisasi O
data O
merupakan O
hal O
yang O
penting O
dalam O
menyampaikan O
pemahaman O
tentang O
isi O
data O
kepada O
masyarakat O
umum O
/ O
publik. O
Akses O
publik O
terhadap O
hasil O
pengolahan O
data O
yang O
dihasilkan O
oleh O
suatu O
instansi O
masih O
menggunakan O
media O
cetak O
dan O
dilakukan O
secara O
manual O
, O
salah O
satunya O
yaitu O
data O
Potensi O
Desa O
( O
PODES O
) O
. O
Dengan O
hadirnya O
internet O
, O
diharapkan O
akses O
data O
PODES O
untuk O
masyarakat O
semakin O
dimudahkan. O
Penelitian O
ini O
menghasilkan B-TUJUAN
suatu I-TUJUAN
aplikasi I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
untuk I-TUJUAN
mengotomasi I-TUJUAN
visualisasi I-TUJUAN
dan I-TUJUAN
klastering I-TUJUAN
data I-TUJUAN
PODES I-TUJUAN
dan I-TUJUAN
mempublikasikannya. I-TUJUAN
Data O
yang O
digunakan O
dalam O
penelitian O
ini O
yaitu O
data O
updating O
PODES O
Kota O
Malang O
Provinsi O
Jawa O
Timur O
Tahun O
2019. O
Aplikasi O
ini O
dapat O
diakses O
oleh O
admin O
dan O
guest O
/ O
masyarakat O
publik. O
Hak O
akses O
untuk O
guest O
hanya O
bisa O
melihat O
dan O
mengunduh O
data O
hasil O
visualisasi O
, O
baik O
berupa O
grafik O
, O
tabel O
ataupun O
output O
klastering. O
Selain O
bisa O
melakukan O
yang O
bisa O
dilakukan O
oleh O
guest O
, O
admin O
memiliki O
privilege O
tambahan O
, O
yaitu O
mengunggah O
raw O
data O
updating O
Podes O
2019 O
, O
registrasi O
dan O
mengelola O
staf. O
Adapun O
banyaknya O
kelurahan O
yang O
diolah O
pada O
penelitian O
ini O
adalah O
sebanyak O
57 O
kelurahan O
dengan O
8 O
( O
delapan O
) O
kategori. O
Kata O
Kunci— O
Visualisasi O
, O
aplikasi O
, O
klastering O
, O
website. O
[SEP] O
Gambar O
12. O
Activity O
diagram O
untuk O
mengunggah O
raw O
data O
updating O
PODES O
2019 O
6 O
/ O
7 O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
VIII. O
PENUTUP O
Kesimpulan O
Kesimpulan O
sementara O
yang O
dapat O
diambil O
berdasarkan O
skripsi O
Pembangunan B-TEMUAN
Aplikasi I-TEMUAN
Berbasis I-TEMUAN
Web I-TEMUAN
untuk I-TEMUAN
Visualisasi I-TEMUAN
dan I-TEMUAN
Klastering I-TEMUAN
Data I-TEMUAN
Updating I-TEMUAN
Potensi I-TEMUAN
Desa I-TEMUAN
Kota I-TEMUAN
Malang I-TEMUAN
Tahun I-TEMUAN
2019 I-TEMUAN
adalah O
sebagai O
berikut. O
1. O
Aplikasi O
berbasis O
web O
untuk O
visualisasi O
dan O
klastering O
data O
updating O
PODES O
2019 O
digunakan O
untuk O
menyajikan O
data O
updating O
PODES O
2019 O
secara O
digital O
, O
sehingga O
mudah O
lokal O
( O
PC O
/ O
laptop O
/ O
smartphone O
) O
masing-masing. O
perangkat O
diakses O
di O
2. O
Telah O
dibangun O
Aplikasi O
Visualisasi O
Data O
Updating O
PODES O
2019 O
menggunakan O
library O
chart.js O
, O
Vue.js O
dan O
modul O
matplotlib. O
3. O
Aplikasi O
visualisasi O
berbasis O
web O
untuk O
visualisasi O
data O
updating O
PODES O
2019 O
menyajikan O
visualisasi O
yang O
cukup O
baik O
bagi O
pengguna. O
Saran O
1. O
Pengembangan O
di O
server O
side O
web O
perlu O
dilakukan O
peningkatan O
, O
misalnya O
fitur O
remember O
me O
saat O
login. O
2. O
Diperlukan O
fitur O
peta O
tematik O
dan O
fitur O
data O
series O
untuk O
data O
bertipe O
numerik O
agar O
penyajian O
data O
lebih O
menarik O
dan O
lebih O
mudah O
dimonitor O
setiap O
tahunnya. O

Aplikasi O
Berbasis O
Web O
untuk O
Visualisasi O
dan O
Klastering O
Data O
Updating O
Potensi O
Desa O
Kota O
Malang O
Tahun O
2019 O
Indra O
Dwi O
Wicaksono O
( O
221709749 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Sukim O
, O
SST O
, O
M.Si O
Ringkasan— O
Visualisasi O
data O
merupakan O
hal O
yang O
penting O
dalam O
menyampaikan O
pemahaman O
tentang O
isi O
data O
kepada O
masyarakat O
umum O
/ O
publik. O
Akses O
publik O
terhadap O
hasil O
pengolahan O
data O
yang O
dihasilkan O
oleh O
suatu O
instansi O
masih O
menggunakan O
media O
cetak O
dan O
dilakukan O
secara O
manual O
, O
salah O
satunya O
yaitu O
data O
Potensi O
Desa O
( O
PODES O
) O
. O
Dengan O
hadirnya O
internet O
, O
diharapkan O
akses O
data O
PODES O
untuk O
masyarakat O
semakin O
dimudahkan. O
Penelitian O
ini O
menghasilkan B-TUJUAN
suatu I-TUJUAN
aplikasi I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
untuk I-TUJUAN
mengotomasi I-TUJUAN
visualisasi I-TUJUAN
dan I-TUJUAN
klastering I-TUJUAN
data I-TUJUAN
PODES I-TUJUAN
dan I-TUJUAN
mempublikasikannya. I-TUJUAN
Data O
yang O
digunakan O
dalam O
penelitian O
ini O
yaitu O
data O
updating O
PODES O
Kota O
Malang O
Provinsi O
Jawa O
Timur O
Tahun O
2019. O
Aplikasi O
ini O
dapat O
diakses O
oleh O
admin O
dan O
guest O
/ O
masyarakat O
publik. O
Hak O
akses O
untuk O
guest O
hanya O
bisa O
melihat O
dan O
mengunduh O
data O
hasil O
visualisasi O
, O
baik O
berupa O
grafik O
, O
tabel O
ataupun O
output O
klastering. O
Selain O
bisa O
melakukan O
yang O
bisa O
dilakukan O
oleh O
guest O
, O
admin O
memiliki O
privilege O
tambahan O
, O
yaitu O
mengunggah O
raw O
data O
updating O
Podes O
2019 O
, O
registrasi O
dan O
mengelola O
staf. O
Adapun O
banyaknya O
kelurahan O
yang O
diolah O
pada O
penelitian O
ini O
adalah O
sebanyak O
57 O
kelurahan O
dengan O
8 O
( O
delapan O
) O
kategori. O
Kata O
Kunci— O
Visualisasi O
, O
aplikasi O
, O
klastering O
, O
website. O
[SEP] O
Gambar O
12. O
Activity O
diagram O
untuk O
mengunggah O
raw O
data O
updating O
PODES O
2019 O
6 O
/ O
7 O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
VIII. O
PENUTUP O
Kesimpulan O
Kesimpulan O
sementara O
yang O
dapat O
diambil O
berdasarkan O
skripsi O
Pembangunan B-TEMUAN
Aplikasi I-TEMUAN
Berbasis I-TEMUAN
Web I-TEMUAN
untuk I-TEMUAN
Visualisasi I-TEMUAN
dan I-TEMUAN
Klastering I-TEMUAN
Data I-TEMUAN
Updating I-TEMUAN
Potensi I-TEMUAN
Desa I-TEMUAN
Kota I-TEMUAN
Malang I-TEMUAN
Tahun I-TEMUAN
2019 I-TEMUAN
adalah O
sebagai O
berikut. O
1. O
Aplikasi O
berbasis O
web O
untuk O
visualisasi O
dan O
klastering O
data O
updating O
PODES O
2019 O
digunakan O
untuk O
menyajikan O
data O
updating O
PODES O
2019 O
secara O
digital O
, O
sehingga O
mudah O
lokal O
( O
PC O
/ O
laptop O
/ O
smartphone O
) O
masing-masing. O
perangkat O
diakses O
di O
2. O
Telah O
dibangun O
Aplikasi O
Visualisasi O
Data O
Updating O
PODES O
2019 O
menggunakan O
library O
chart.js O
, O
Vue.js O
dan O
modul O
matplotlib. O
3. O
Aplikasi O
visualisasi O
berbasis O
web O
untuk O
visualisasi O
data O
updating O
PODES O
2019 O
menyajikan O
visualisasi O
yang O
cukup O
baik O
bagi O
pengguna. O
Saran O
1. O
Pengembangan O
di O
server O
side O
web O
perlu O
dilakukan O
peningkatan O
, O
misalnya O
fitur O
remember O
me O
saat O
login. O
2. O
Diperlukan O
fitur O
peta O
tematik O
dan O
fitur O
data O
series O
untuk O
data O
bertipe O
numerik O
agar O
penyajian O
data O
lebih O
menarik O
dan O
lebih O
mudah O
dimonitor O
setiap O
tahunnya. O

Mesin O
Pencari O
Data O
BPS O
Menggunakan O
Linked O
Open O
Data O
, O
Klasifikasi O
Kueri O
, O
dan O
Ekspansi O
Kueri O
Handy O
Geraldy O
( O
221709728 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
SST O
, O
MT O
Ringkasan— O
BPS O
membangun O
portal O
Indonesia O
Data O
Hub O
( O
INDAH O
) O
untuk O
mendukung O
Satu O
Data O
Indonesia O
( O
SDI O
) O
. O
Salah O
satu O
layanan O
portal O
INDAH O
adalah O
mesin O
pencari. O
Layanan O
tersebut O
sulit O
diberikan O
jika O
format O
data O
yang O
digunakan O
bervariasi. O
Penerapan B-METODE
Linked I-METODE
Open I-METODE
Data I-METODE
( I-METODE
LOD I-METODE
) I-METODE
dapat O
mengatasi O
kesulitan O
tersebut O
, O
tetapi O
pembangunan O
LOD O
dengan O
aplikasi O
berbasis O
GUI O
tidak O
efisien. O
Oleh O
karena O
itu O
, O
LOD O
akan O
digunakan O
sebagai O
basis O
pengetahuan O
mesin O
pencari O
portal O
INDAH. O
Sementara O
itu O
, O
website O
BPS O
memiliki O
fitur O
pencarian O
serupa O
dengan O
mesin O
pencari O
di O
portal O
INDAH. O
Namun O
, O
efektivitas O
pencariannya O
masih O
perlu O
ditingkatkan. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
dilakukan O
untuk O
mengembangkan B-TUJUAN
metode I-TUJUAN
transformasi I-TUJUAN
data I-TUJUAN
yang I-TUJUAN
efisien I-TUJUAN
dan I-TUJUAN
membangun I-TUJUAN
mesin I-TUJUAN
pencari I-TUJUAN
fungsi I-TUJUAN
pencarian I-TUJUAN
yang I-TUJUAN
dengan I-TUJUAN
menerapkan I-TUJUAN
LOD I-TUJUAN
dan O
meningkatkan O
efektivitas O
pencarian. O
Fungsi O
tersebut O
meliputi O
klasifikasi O
kueri O
dan O
ekspansi O
kueri. O
Hasilnya O
, O
metode O
transformasi O
data O
menjadi O
LOD B-METODE
yang O
dibangun O
dapat O
berjalan O
secara O
efisien O
( O
rata-rata O
1,86 O
detik O
/ O
tabel O
) O
dan O
mesin O
pencari O
yang O
dibangun O
dapat O
berjalan O
dengan O
baik. O
Dengan O
adanya O
fungsi O
pencarian O
, O
hasil O
yang O
diperoleh O
lebih O
baik O
, O
dilihat O
dari O
nilai O
precision O
, O
recall O
, O
dan O
relevansi O
infobox O
pada O
eksperimen O
pencarian. O
Kata O
Kunci— O
Search O
Engine O
, O
Linked O
Open O
Data O
, O
Text O
classification O
, O
Query O
Expansion O
[SEP] O
Untuk O
mengatasi O
masalah O
transformasi O
data O
menjadi O
LOD O
yang O
tidak O
efisien O
dan O
pencarian O
data O
yang O
tidak O
efektif O
, O
peneliti O
telah O
mengembangkan O
mesin O
pencari O
yang O
menerapkan O
LOD B-METODE
sebagai O
basis O
pengetahuan O
dan O
fungsi O
pencarian O
yang O
meningkatkan O
efektivitas O
pencarian O
, O
yaitu O
klasifikasi O
kueri O
dan O
ekspansi O
kueri. O
Basis O
pengetahuan O
berupa O
LOD O
diperoleh O
dari O
hasil O
transformasi O
data O
yang O
efisien O
dari O
segi O
waktu O
dan O
interaksi O
dengan O
komputer. O
Fungsi O
pencarian O
telah O
dievaluasi O
dan O
diketahui O
bahwa O
dengan O
adanya O
fungsi O
pencarian O
, O
hasil O
pencarian O
yang O
diperoleh O
lebih O
baik O
, O
dilihat O
dari O
nilai O
precision O
, O
recall O
, O
dan O
relevansi O
infobox O
pada O
eksperimen O
pencarian O
untuk O
enam O
kueri O
yang O
diberikan. O
Secara B-TEMUAN
umum I-TEMUAN
, I-TEMUAN
mesin I-TEMUAN
pencari I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
, I-TEMUAN
dilihat I-TEMUAN
dari I-TEMUAN
hasil I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing. I-TEMUAN
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Mesin O
Pencari O
Data O
BPS O
Menggunakan O
Linked O
Open O
Data O
, O
Klasifikasi O
Kueri O
, O
dan O
Ekspansi O
Kueri O
Handy O
Geraldy O
( O
221709728 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
SST O
, O
MT O
Ringkasan— O
BPS O
membangun O
portal O
Indonesia O
Data O
Hub O
( O
INDAH O
) O
untuk O
mendukung O
Satu O
Data O
Indonesia O
( O
SDI O
) O
. O
Salah O
satu O
layanan O
portal O
INDAH O
adalah O
mesin O
pencari. O
Layanan O
tersebut O
sulit O
diberikan O
jika O
format O
data O
yang O
digunakan O
bervariasi. O
Penerapan B-METODE
Linked I-METODE
Open I-METODE
Data I-METODE
( I-METODE
LOD I-METODE
) I-METODE
dapat O
mengatasi O
kesulitan O
tersebut O
, O
tetapi O
pembangunan O
LOD O
dengan O
aplikasi O
berbasis O
GUI O
tidak O
efisien. O
Oleh O
karena O
itu O
, O
LOD O
akan O
digunakan O
sebagai O
basis O
pengetahuan O
mesin O
pencari O
portal O
INDAH. O
Sementara O
itu O
, O
website O
BPS O
memiliki O
fitur O
pencarian O
serupa O
dengan O
mesin O
pencari O
di O
portal O
INDAH. O
Namun O
, O
efektivitas O
pencariannya O
masih O
perlu O
ditingkatkan. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
dilakukan O
untuk O
mengembangkan B-TUJUAN
metode I-TUJUAN
transformasi I-TUJUAN
data I-TUJUAN
yang I-TUJUAN
efisien I-TUJUAN
dan I-TUJUAN
membangun I-TUJUAN
mesin I-TUJUAN
pencari I-TUJUAN
fungsi I-TUJUAN
pencarian I-TUJUAN
yang I-TUJUAN
dengan I-TUJUAN
menerapkan I-TUJUAN
LOD I-TUJUAN
dan O
meningkatkan O
efektivitas O
pencarian. O
Fungsi O
tersebut O
meliputi O
klasifikasi O
kueri O
dan O
ekspansi O
kueri. O
Hasilnya O
, O
metode O
transformasi O
data O
menjadi O
LOD B-METODE
yang O
dibangun O
dapat O
berjalan O
secara O
efisien O
( O
rata-rata O
1,86 O
detik O
/ O
tabel O
) O
dan O
mesin O
pencari O
yang O
dibangun O
dapat O
berjalan O
dengan O
baik. O
Dengan O
adanya O
fungsi O
pencarian O
, O
hasil O
yang O
diperoleh O
lebih O
baik O
, O
dilihat O
dari O
nilai O
precision O
, O
recall O
, O
dan O
relevansi O
infobox O
pada O
eksperimen O
pencarian. O
Kata O
Kunci— O
Search O
Engine O
, O
Linked O
Open O
Data O
, O
Text O
classification O
, O
Query O
Expansion O
[SEP] O
Untuk O
mengatasi O
masalah O
transformasi O
data O
menjadi O
LOD O
yang O
tidak O
efisien O
dan O
pencarian O
data O
yang O
tidak O
efektif O
, O
peneliti O
telah O
mengembangkan O
mesin O
pencari O
yang O
menerapkan O
LOD B-METODE
sebagai O
basis O
pengetahuan O
dan O
fungsi O
pencarian O
yang O
meningkatkan O
efektivitas O
pencarian O
, O
yaitu O
klasifikasi O
kueri O
dan O
ekspansi O
kueri. O
Basis O
pengetahuan O
berupa O
LOD O
diperoleh O
dari O
hasil O
transformasi O
data O
yang O
efisien O
dari O
segi O
waktu O
dan O
interaksi O
dengan O
komputer. O
Fungsi O
pencarian O
telah O
dievaluasi O
dan O
diketahui O
bahwa O
dengan O
adanya O
fungsi O
pencarian O
, O
hasil O
pencarian O
yang O
diperoleh O
lebih O
baik O
, O
dilihat O
dari O
nilai O
precision O
, O
recall O
, O
dan O
relevansi O
infobox O
pada O
eksperimen O
pencarian O
untuk O
enam O
kueri O
yang O
diberikan. O
Secara B-TEMUAN
umum I-TEMUAN
, I-TEMUAN
mesin I-TEMUAN
pencari I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
, I-TEMUAN
dilihat I-TEMUAN
dari I-TEMUAN
hasil I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing. I-TEMUAN
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Mesin O
Pencari O
Data O
BPS O
Menggunakan O
Linked O
Open O
Data O
, O
Klasifikasi O
Kueri O
, O
dan O
Ekspansi O
Kueri O
Handy O
Geraldy O
( O
221709728 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
SST O
, O
MT O
Ringkasan— O
BPS O
membangun O
portal O
Indonesia O
Data O
Hub O
( O
INDAH O
) O
untuk O
mendukung O
Satu O
Data O
Indonesia O
( O
SDI O
) O
. O
Salah O
satu O
layanan O
portal O
INDAH O
adalah O
mesin O
pencari. O
Layanan O
tersebut O
sulit O
diberikan O
jika O
format O
data O
yang O
digunakan O
bervariasi. O
Penerapan B-METODE
Linked I-METODE
Open I-METODE
Data I-METODE
( I-METODE
LOD I-METODE
) I-METODE
dapat O
mengatasi O
kesulitan O
tersebut O
, O
tetapi O
pembangunan O
LOD O
dengan O
aplikasi O
berbasis O
GUI O
tidak O
efisien. O
Oleh O
karena O
itu O
, O
LOD O
akan O
digunakan O
sebagai O
basis O
pengetahuan O
mesin O
pencari O
portal O
INDAH. O
Sementara O
itu O
, O
website O
BPS O
memiliki O
fitur O
pencarian O
serupa O
dengan O
mesin O
pencari O
di O
portal O
INDAH. O
Namun O
, O
efektivitas O
pencariannya O
masih O
perlu O
ditingkatkan. O
Oleh O
karena O
itu O
, O
penelitian O
ini O
dilakukan O
untuk O
mengembangkan B-TUJUAN
metode I-TUJUAN
transformasi I-TUJUAN
data I-TUJUAN
yang I-TUJUAN
efisien I-TUJUAN
dan I-TUJUAN
membangun I-TUJUAN
mesin I-TUJUAN
pencari I-TUJUAN
fungsi I-TUJUAN
pencarian I-TUJUAN
yang I-TUJUAN
dengan I-TUJUAN
menerapkan I-TUJUAN
LOD I-TUJUAN
dan O
meningkatkan O
efektivitas O
pencarian. O
Fungsi O
tersebut O
meliputi O
klasifikasi O
kueri O
dan O
ekspansi O
kueri. O
Hasilnya O
, O
metode O
transformasi O
data O
menjadi O
LOD B-METODE
yang O
dibangun O
dapat O
berjalan O
secara O
efisien O
( O
rata-rata O
1,86 O
detik O
/ O
tabel O
) O
dan O
mesin O
pencari O
yang O
dibangun O
dapat O
berjalan O
dengan O
baik. O
Dengan O
adanya O
fungsi O
pencarian O
, O
hasil O
yang O
diperoleh O
lebih O
baik O
, O
dilihat O
dari O
nilai O
precision O
, O
recall O
, O
dan O
relevansi O
infobox O
pada O
eksperimen O
pencarian. O
Kata O
Kunci— O
Search O
Engine O
, O
Linked O
Open O
Data O
, O
Text O
classification O
, O
Query O
Expansion O
[SEP] O
Untuk O
mengatasi O
masalah O
transformasi O
data O
menjadi O
LOD O
yang O
tidak O
efisien O
dan O
pencarian O
data O
yang O
tidak O
efektif O
, O
peneliti O
telah O
mengembangkan O
mesin O
pencari O
yang O
menerapkan O
LOD B-METODE
sebagai O
basis O
pengetahuan O
dan O
fungsi O
pencarian O
yang O
meningkatkan O
efektivitas O
pencarian O
, O
yaitu O
klasifikasi O
kueri O
dan O
ekspansi O
kueri. O
Basis O
pengetahuan O
berupa O
LOD O
diperoleh O
dari O
hasil O
transformasi O
data O
yang O
efisien O
dari O
segi O
waktu O
dan O
interaksi O
dengan O
komputer. O
Fungsi O
pencarian O
telah O
dievaluasi O
dan O
diketahui O
bahwa O
dengan O
adanya O
fungsi O
pencarian O
, O
hasil O
pencarian O
yang O
diperoleh O
lebih O
baik O
, O
dilihat O
dari O
nilai O
precision O
, O
recall O
, O
dan O
relevansi O
infobox O
pada O
eksperimen O
pencarian O
untuk O
enam O
kueri O
yang O
diberikan. O
Secara B-TEMUAN
umum I-TEMUAN
, I-TEMUAN
mesin I-TEMUAN
pencari I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
, I-TEMUAN
dilihat I-TEMUAN
dari I-TEMUAN
hasil I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing. I-TEMUAN
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

dan O
Evaluasi O
Visualisasi O
Data O
Interaktif O
Pada O
Publikasi O
Laporan O
Bulanan O
Data O
Sosial O
Ekonomi O
Indonesia O
Hafidz O
Isa O
Nasruddin O
Lizana O
( O
221709724 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Setiap O
bulan O
( O
Badan O
Pusat O
Statistik O
) O
BPS O
mempublikasikan O
buku O
LBDSE O
Indonesia O
, O
dimana O
di O
dalam O
publikasi O
tersebut O
berisi O
perkembangan O
dari O
18 O
topik O
data O
beserta O
visualisasinya. O
Namun O
, O
visualisasi O
data O
pada O
publikasi O
LBDSE O
tidak O
lengkap O
dan O
hanya O
bersifat O
statis O
, O
sedangkan O
data O
yang O
ada O
memiliki O
dimensi O
/ O
variabel O
yang O
cukup O
besar. O
Sehingga O
peneliti O
berfikir O
untuk O
mengimplementasikan O
visualisasi O
data O
interaktif O
publikasi O
LBDSE O
pada O
SIVIS O
LBDSE O
agar O
memudahkan O
dalam O
memahami O
data-data O
nya. O
Untuk O
menilai O
keberhasilan O
tujuan O
pengimplementasian O
tersebut O
, O
peneliti O
akan O
melakukan O
evaluasi B-METODE
terhadap O
visualisasi O
data O
pada O
SIVIS O
LBDSE O
berdasarkan O
penilaian O
pengguna O
menggunakan O
8 O
indikator O
penilaian O
yang O
diadopsi O
dari O
penelitian O
terdahulu. O
Tujuan O
penelitian O
ini O
yaitu O
untuk O
mengimplementasikan B-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
interaktif I-TUJUAN
pada I-TUJUAN
data I-TUJUAN
LBDSE I-TUJUAN
, I-TUJUAN
mengevaluasi I-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
pada I-TUJUAN
SIVIS I-TUJUAN
LBDSE I-TUJUAN
, I-TUJUAN
serta I-TUJUAN
mengetahui I-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
terbaik I-TUJUAN
terhadap I-TUJUAN
data I-TUJUAN
kategorik I-TUJUAN
publikasi I-TUJUAN
LBDSE. I-TUJUAN
Dengan O
bantuan O
50 O
responden O
, O
mereka O
menilai O
bahwa O
visualisasi B-METODE
data O
pada O
SIVIS O
LBDSE O
memiliki O
keunggulan O
dan O
kekurangannya O
masing-masing O
berdasarkan O
8 O
indikator O
penilaian O
yang O
digunakan. O
Namun O
secara B-TEMUAN
keseluruhan I-TEMUAN
responden I-TEMUAN
mengurutkan I-TEMUAN
visualisasi I-TEMUAN
data I-TEMUAN
terbaik I-TEMUAN
untuk I-TEMUAN
data I-TEMUAN
kategorik I-TEMUAN
secara I-TEMUAN
berturut-turut I-TEMUAN
yaitu I-TEMUAN
, I-TEMUAN
Bar I-TEMUAN
Chart I-TEMUAN
, I-TEMUAN
Tree I-TEMUAN
Map I-TEMUAN
, I-TEMUAN
Bubble I-TEMUAN
Map I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
Pie I-TEMUAN
Chart. I-TEMUAN
Kata O
Kunci— O
Implementasi O
, O
Evaluasi O
, O
Visualisasi O
Data O
Interaktif O
, O
SIVIS O
LBDSE O
, O
Indikator O
Penilaian. O
[SEP] O
juga O
itu O
, O
peneliti O
Pada O
penelitian O
ini O
, O
peneliti O
berhasil O
mengimplementasikan B-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
interaktif I-TUJUAN
pada I-TUJUAN
data I-TUJUAN
LBDSE I-TUJUAN
melalui I-TUJUAN
6 I-TUJUAN
jenis I-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
interaktif I-TUJUAN
pada I-TUJUAN
SIVIS I-TUJUAN
LBDSE I-TUJUAN
antara O
lain O
, O
Bar O
Chart O
, O
Bubble O
Map O
, O
Tree O
Map O
, O
Line O
Chart O
, O
Pie O
Chart O
, O
dan O
Choropleth O
Map. O
Tidak O
hanya O
telah O
melakukan O
evaluasi B-METODE
terhadap O
implementasi O
visualisasi B-METODE
data O
interaktif O
tersebut. O
Dengan O
menggunakan O
8 O
indikator O
penilaian O
, O
disimpulkan O
bahwa O
visualisasi O
data O
Bar O
Chart O
, O
Line O
Chart O
, O
dan O
Choropleth O
Map O
tergolong O
ke O
dalam O
kategori O
Best O
Imaginable O
Visualization. O
Sedangkan O
3 O
visualisasi O
data O
lainnya O
yaitu O
Bubble O
Map O
, O
Tree O
Map O
, O
dan O
Pie O
Chart O
tergolong O
kategori O
Excellent O
Visualization. O
Selanjutnya O
, O
hasil O
evaluasi O
visualisasi O
data O
interaktif O
menjelaskan O
bahwa O
seluruh O
responden O
menilai O
visualisasi O
data O
terbaik O
terhadap O
data O
kategorik O
publikasi O
LBDSE O
secara O
berturut-turut O
yaitu O
Bar O
Chart O
, O
Tree O
Map O
, O
terakhir O
Pie O
Chart. O
Sehingga O
dapat O
Bubble O
Map O
, O
dan O
disimpulkan O
bahwa O
visualisasi B-TEMUAN
data I-TEMUAN
kategorik I-TEMUAN
terbaik I-TEMUAN
pada I-TEMUAN
SIVIS I-TEMUAN
LBDSE I-TEMUAN
menurut I-TEMUAN
penilaian I-TEMUAN
pengguna I-TEMUAN
yaitu I-TEMUAN
visualisasi I-TEMUAN
data I-TEMUAN
Bar I-TEMUAN
Chart. I-TEMUAN

dan O
Evaluasi O
Visualisasi O
Data O
Interaktif O
Pada O
Publikasi O
Laporan O
Bulanan O
Data O
Sosial O
Ekonomi O
Indonesia O
Hafidz O
Isa O
Nasruddin O
Lizana O
( O
221709724 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Setiap O
bulan O
( O
Badan O
Pusat O
Statistik O
) O
BPS O
mempublikasikan O
buku O
LBDSE O
Indonesia O
, O
dimana O
di O
dalam O
publikasi O
tersebut O
berisi O
perkembangan O
dari O
18 O
topik O
data O
beserta O
visualisasinya. O
Namun O
, O
visualisasi O
data O
pada O
publikasi O
LBDSE O
tidak O
lengkap O
dan O
hanya O
bersifat O
statis O
, O
sedangkan O
data O
yang O
ada O
memiliki O
dimensi O
/ O
variabel O
yang O
cukup O
besar. O
Sehingga O
peneliti O
berfikir O
untuk O
mengimplementasikan O
visualisasi O
data O
interaktif O
publikasi O
LBDSE O
pada O
SIVIS O
LBDSE O
agar O
memudahkan O
dalam O
memahami O
data-data O
nya. O
Untuk O
menilai O
keberhasilan O
tujuan O
pengimplementasian O
tersebut O
, O
peneliti O
akan O
melakukan O
evaluasi B-METODE
terhadap O
visualisasi O
data O
pada O
SIVIS O
LBDSE O
berdasarkan O
penilaian O
pengguna O
menggunakan O
8 O
indikator O
penilaian O
yang O
diadopsi O
dari O
penelitian O
terdahulu. O
Tujuan O
penelitian O
ini O
yaitu O
untuk O
mengimplementasikan B-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
interaktif I-TUJUAN
pada I-TUJUAN
data I-TUJUAN
LBDSE I-TUJUAN
, I-TUJUAN
mengevaluasi I-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
pada I-TUJUAN
SIVIS I-TUJUAN
LBDSE I-TUJUAN
, I-TUJUAN
serta I-TUJUAN
mengetahui I-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
terbaik I-TUJUAN
terhadap I-TUJUAN
data I-TUJUAN
kategorik I-TUJUAN
publikasi I-TUJUAN
LBDSE. I-TUJUAN
Dengan O
bantuan O
50 O
responden O
, O
mereka O
menilai O
bahwa O
visualisasi B-METODE
data O
pada O
SIVIS O
LBDSE O
memiliki O
keunggulan O
dan O
kekurangannya O
masing-masing O
berdasarkan O
8 O
indikator O
penilaian O
yang O
digunakan. O
Namun O
secara B-TEMUAN
keseluruhan I-TEMUAN
responden I-TEMUAN
mengurutkan I-TEMUAN
visualisasi I-TEMUAN
data I-TEMUAN
terbaik I-TEMUAN
untuk I-TEMUAN
data I-TEMUAN
kategorik I-TEMUAN
secara I-TEMUAN
berturut-turut I-TEMUAN
yaitu I-TEMUAN
, I-TEMUAN
Bar I-TEMUAN
Chart I-TEMUAN
, I-TEMUAN
Tree I-TEMUAN
Map I-TEMUAN
, I-TEMUAN
Bubble I-TEMUAN
Map I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
Pie I-TEMUAN
Chart. I-TEMUAN
Kata O
Kunci— O
Implementasi O
, O
Evaluasi O
, O
Visualisasi O
Data O
Interaktif O
, O
SIVIS O
LBDSE O
, O
Indikator O
Penilaian. O
[SEP] O
juga O
itu O
, O
peneliti O
Pada O
penelitian O
ini O
, O
peneliti O
berhasil O
mengimplementasikan B-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
interaktif I-TUJUAN
pada I-TUJUAN
data I-TUJUAN
LBDSE I-TUJUAN
melalui I-TUJUAN
6 I-TUJUAN
jenis I-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
interaktif I-TUJUAN
pada I-TUJUAN
SIVIS I-TUJUAN
LBDSE I-TUJUAN
antara O
lain O
, O
Bar O
Chart O
, O
Bubble O
Map O
, O
Tree O
Map O
, O
Line O
Chart O
, O
Pie O
Chart O
, O
dan O
Choropleth O
Map. O
Tidak O
hanya O
telah O
melakukan O
evaluasi B-METODE
terhadap O
implementasi O
visualisasi B-METODE
data O
interaktif O
tersebut. O
Dengan O
menggunakan O
8 O
indikator O
penilaian O
, O
disimpulkan O
bahwa O
visualisasi O
data O
Bar O
Chart O
, O
Line O
Chart O
, O
dan O
Choropleth O
Map O
tergolong O
ke O
dalam O
kategori O
Best O
Imaginable O
Visualization. O
Sedangkan O
3 O
visualisasi O
data O
lainnya O
yaitu O
Bubble O
Map O
, O
Tree O
Map O
, O
dan O
Pie O
Chart O
tergolong O
kategori O
Excellent O
Visualization. O
Selanjutnya O
, O
hasil O
evaluasi O
visualisasi O
data O
interaktif O
menjelaskan O
bahwa O
seluruh O
responden O
menilai O
visualisasi O
data O
terbaik O
terhadap O
data O
kategorik O
publikasi O
LBDSE O
secara O
berturut-turut O
yaitu O
Bar O
Chart O
, O
Tree O
Map O
, O
terakhir O
Pie O
Chart. O
Sehingga O
dapat O
Bubble O
Map O
, O
dan O
disimpulkan O
bahwa O
visualisasi B-TEMUAN
data I-TEMUAN
kategorik I-TEMUAN
terbaik I-TEMUAN
pada I-TEMUAN
SIVIS I-TEMUAN
LBDSE I-TEMUAN
menurut I-TEMUAN
penilaian I-TEMUAN
pengguna I-TEMUAN
yaitu I-TEMUAN
visualisasi I-TEMUAN
data I-TEMUAN
Bar I-TEMUAN
Chart. I-TEMUAN

dan O
Evaluasi O
Visualisasi O
Data O
Interaktif O
Pada O
Publikasi O
Laporan O
Bulanan O
Data O
Sosial O
Ekonomi O
Indonesia O
Hafidz O
Isa O
Nasruddin O
Lizana O
( O
221709724 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Setiap O
bulan O
( O
Badan O
Pusat O
Statistik O
) O
BPS O
mempublikasikan O
buku O
LBDSE O
Indonesia O
, O
dimana O
di O
dalam O
publikasi O
tersebut O
berisi O
perkembangan O
dari O
18 O
topik O
data O
beserta O
visualisasinya. O
Namun O
, O
visualisasi O
data O
pada O
publikasi O
LBDSE O
tidak O
lengkap O
dan O
hanya O
bersifat O
statis O
, O
sedangkan O
data O
yang O
ada O
memiliki O
dimensi O
/ O
variabel O
yang O
cukup O
besar. O
Sehingga O
peneliti O
berfikir O
untuk O
mengimplementasikan O
visualisasi O
data O
interaktif O
publikasi O
LBDSE O
pada O
SIVIS O
LBDSE O
agar O
memudahkan O
dalam O
memahami O
data-data O
nya. O
Untuk O
menilai O
keberhasilan O
tujuan O
pengimplementasian O
tersebut O
, O
peneliti O
akan O
melakukan O
evaluasi B-METODE
terhadap O
visualisasi O
data O
pada O
SIVIS O
LBDSE O
berdasarkan O
penilaian O
pengguna O
menggunakan O
8 O
indikator O
penilaian O
yang O
diadopsi O
dari O
penelitian O
terdahulu. O
Tujuan O
penelitian O
ini O
yaitu O
untuk O
mengimplementasikan B-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
interaktif I-TUJUAN
pada I-TUJUAN
data I-TUJUAN
LBDSE I-TUJUAN
, I-TUJUAN
mengevaluasi I-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
pada I-TUJUAN
SIVIS I-TUJUAN
LBDSE I-TUJUAN
, I-TUJUAN
serta I-TUJUAN
mengetahui I-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
terbaik I-TUJUAN
terhadap I-TUJUAN
data I-TUJUAN
kategorik I-TUJUAN
publikasi I-TUJUAN
LBDSE. I-TUJUAN
Dengan O
bantuan O
50 O
responden O
, O
mereka O
menilai O
bahwa O
visualisasi B-METODE
data O
pada O
SIVIS O
LBDSE O
memiliki O
keunggulan O
dan O
kekurangannya O
masing-masing O
berdasarkan O
8 O
indikator O
penilaian O
yang O
digunakan. O
Namun O
secara B-TEMUAN
keseluruhan I-TEMUAN
responden I-TEMUAN
mengurutkan I-TEMUAN
visualisasi I-TEMUAN
data I-TEMUAN
terbaik I-TEMUAN
untuk I-TEMUAN
data I-TEMUAN
kategorik I-TEMUAN
secara I-TEMUAN
berturut-turut I-TEMUAN
yaitu I-TEMUAN
, I-TEMUAN
Bar I-TEMUAN
Chart I-TEMUAN
, I-TEMUAN
Tree I-TEMUAN
Map I-TEMUAN
, I-TEMUAN
Bubble I-TEMUAN
Map I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
Pie I-TEMUAN
Chart. I-TEMUAN
Kata O
Kunci— O
Implementasi O
, O
Evaluasi O
, O
Visualisasi O
Data O
Interaktif O
, O
SIVIS O
LBDSE O
, O
Indikator O
Penilaian. O
[SEP] O
juga O
itu O
, O
peneliti O
Pada O
penelitian O
ini O
, O
peneliti O
berhasil O
mengimplementasikan B-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
interaktif I-TUJUAN
pada I-TUJUAN
data I-TUJUAN
LBDSE I-TUJUAN
melalui I-TUJUAN
6 I-TUJUAN
jenis I-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
interaktif I-TUJUAN
pada I-TUJUAN
SIVIS I-TUJUAN
LBDSE I-TUJUAN
antara O
lain O
, O
Bar O
Chart O
, O
Bubble O
Map O
, O
Tree O
Map O
, O
Line O
Chart O
, O
Pie O
Chart O
, O
dan O
Choropleth O
Map. O
Tidak O
hanya O
telah O
melakukan O
evaluasi B-METODE
terhadap O
implementasi O
visualisasi B-METODE
data O
interaktif O
tersebut. O
Dengan O
menggunakan O
8 O
indikator O
penilaian O
, O
disimpulkan O
bahwa O
visualisasi O
data O
Bar O
Chart O
, O
Line O
Chart O
, O
dan O
Choropleth O
Map O
tergolong O
ke O
dalam O
kategori O
Best O
Imaginable O
Visualization. O
Sedangkan O
3 O
visualisasi O
data O
lainnya O
yaitu O
Bubble O
Map O
, O
Tree O
Map O
, O
dan O
Pie O
Chart O
tergolong O
kategori O
Excellent O
Visualization. O
Selanjutnya O
, O
hasil O
evaluasi O
visualisasi O
data O
interaktif O
menjelaskan O
bahwa O
seluruh O
responden O
menilai O
visualisasi O
data O
terbaik O
terhadap O
data O
kategorik O
publikasi O
LBDSE O
secara O
berturut-turut O
yaitu O
Bar O
Chart O
, O
Tree O
Map O
, O
terakhir O
Pie O
Chart. O
Sehingga O
dapat O
Bubble O
Map O
, O
dan O
disimpulkan O
bahwa O
visualisasi B-TEMUAN
data I-TEMUAN
kategorik I-TEMUAN
terbaik I-TEMUAN
pada I-TEMUAN
SIVIS I-TEMUAN
LBDSE I-TEMUAN
menurut I-TEMUAN
penilaian I-TEMUAN
pengguna I-TEMUAN
yaitu I-TEMUAN
visualisasi I-TEMUAN
data I-TEMUAN
Bar I-TEMUAN
Chart. I-TEMUAN

dan O
Evaluasi O
Visualisasi O
Data O
Interaktif O
Pada O
Publikasi O
Laporan O
Bulanan O
Data O
Sosial O
Ekonomi O
Indonesia O
Hafidz O
Isa O
Nasruddin O
Lizana O
( O
221709724 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Setiap O
bulan O
( O
Badan O
Pusat O
Statistik O
) O
BPS O
mempublikasikan O
buku O
LBDSE O
Indonesia O
, O
dimana O
di O
dalam O
publikasi O
tersebut O
berisi O
perkembangan O
dari O
18 O
topik O
data O
beserta O
visualisasinya. O
Namun O
, O
visualisasi O
data O
pada O
publikasi O
LBDSE O
tidak O
lengkap O
dan O
hanya O
bersifat O
statis O
, O
sedangkan O
data O
yang O
ada O
memiliki O
dimensi O
/ O
variabel O
yang O
cukup O
besar. O
Sehingga O
peneliti O
berfikir O
untuk O
mengimplementasikan O
visualisasi O
data O
interaktif O
publikasi O
LBDSE O
pada O
SIVIS O
LBDSE O
agar O
memudahkan O
dalam O
memahami O
data-data O
nya. O
Untuk O
menilai O
keberhasilan O
tujuan O
pengimplementasian O
tersebut O
, O
peneliti O
akan O
melakukan O
evaluasi B-METODE
terhadap O
visualisasi O
data O
pada O
SIVIS O
LBDSE O
berdasarkan O
penilaian O
pengguna O
menggunakan O
8 O
indikator O
penilaian O
yang O
diadopsi O
dari O
penelitian O
terdahulu. O
Tujuan O
penelitian O
ini O
yaitu O
untuk O
mengimplementasikan B-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
interaktif I-TUJUAN
pada I-TUJUAN
data I-TUJUAN
LBDSE I-TUJUAN
, I-TUJUAN
mengevaluasi I-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
pada I-TUJUAN
SIVIS I-TUJUAN
LBDSE I-TUJUAN
, I-TUJUAN
serta I-TUJUAN
mengetahui I-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
terbaik I-TUJUAN
terhadap I-TUJUAN
data I-TUJUAN
kategorik I-TUJUAN
publikasi I-TUJUAN
LBDSE. I-TUJUAN
Dengan O
bantuan O
50 O
responden O
, O
mereka O
menilai O
bahwa O
visualisasi B-METODE
data O
pada O
SIVIS O
LBDSE O
memiliki O
keunggulan O
dan O
kekurangannya O
masing-masing O
berdasarkan O
8 O
indikator O
penilaian O
yang O
digunakan. O
Namun O
secara B-TEMUAN
keseluruhan I-TEMUAN
responden I-TEMUAN
mengurutkan I-TEMUAN
visualisasi I-TEMUAN
data I-TEMUAN
terbaik I-TEMUAN
untuk I-TEMUAN
data I-TEMUAN
kategorik I-TEMUAN
secara I-TEMUAN
berturut-turut I-TEMUAN
yaitu I-TEMUAN
, I-TEMUAN
Bar I-TEMUAN
Chart I-TEMUAN
, I-TEMUAN
Tree I-TEMUAN
Map I-TEMUAN
, I-TEMUAN
Bubble I-TEMUAN
Map I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
Pie I-TEMUAN
Chart. I-TEMUAN
Kata O
Kunci— O
Implementasi O
, O
Evaluasi O
, O
Visualisasi O
Data O
Interaktif O
, O
SIVIS O
LBDSE O
, O
Indikator O
Penilaian. O
[SEP] O
juga O
itu O
, O
peneliti O
Pada O
penelitian O
ini O
, O
peneliti O
berhasil O
mengimplementasikan B-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
interaktif I-TUJUAN
pada I-TUJUAN
data I-TUJUAN
LBDSE I-TUJUAN
melalui I-TUJUAN
6 I-TUJUAN
jenis I-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
interaktif I-TUJUAN
pada I-TUJUAN
SIVIS I-TUJUAN
LBDSE I-TUJUAN
antara O
lain O
, O
Bar O
Chart O
, O
Bubble O
Map O
, O
Tree O
Map O
, O
Line O
Chart O
, O
Pie O
Chart O
, O
dan O
Choropleth O
Map. O
Tidak O
hanya O
telah O
melakukan O
evaluasi B-METODE
terhadap O
implementasi O
visualisasi B-METODE
data O
interaktif O
tersebut. O
Dengan O
menggunakan O
8 O
indikator O
penilaian O
, O
disimpulkan O
bahwa O
visualisasi O
data O
Bar O
Chart O
, O
Line O
Chart O
, O
dan O
Choropleth O
Map O
tergolong O
ke O
dalam O
kategori O
Best O
Imaginable O
Visualization. O
Sedangkan O
3 O
visualisasi O
data O
lainnya O
yaitu O
Bubble O
Map O
, O
Tree O
Map O
, O
dan O
Pie O
Chart O
tergolong O
kategori O
Excellent O
Visualization. O
Selanjutnya O
, O
hasil O
evaluasi O
visualisasi O
data O
interaktif O
menjelaskan O
bahwa O
seluruh O
responden O
menilai O
visualisasi O
data O
terbaik O
terhadap O
data O
kategorik O
publikasi O
LBDSE O
secara O
berturut-turut O
yaitu O
Bar O
Chart O
, O
Tree O
Map O
, O
terakhir O
Pie O
Chart. O
Sehingga O
dapat O
Bubble O
Map O
, O
dan O
disimpulkan O
bahwa O
visualisasi B-TEMUAN
data I-TEMUAN
kategorik I-TEMUAN
terbaik I-TEMUAN
pada I-TEMUAN
SIVIS I-TEMUAN
LBDSE I-TEMUAN
menurut I-TEMUAN
penilaian I-TEMUAN
pengguna I-TEMUAN
yaitu I-TEMUAN
visualisasi I-TEMUAN
data I-TEMUAN
Bar I-TEMUAN
Chart. I-TEMUAN

Sistem O
Informasi O
Kontrol O
Pemeliharaan O
Barang O
Milik O
Negara O
( O
SIKOP O
BMN O
) O
Studi O
Kasus O
Pusdiklat O
Badan O
Pusat O
Statistik O
RI O
Grujs O
Farhan O
Nafis O
( O
221709721 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Takdir O
SST. O
, O
M.T. O
Ringkasan— O
Upaya O
pemeliharaan O
Barang O
Milik O
Negara O
( O
BMN O
) O
yang O
baik O
merupakan O
salah O
satu O
faktor O
penting O
guna O
mewujudkan O
optimalisasi O
pemanfaatan O
Anggaran O
Pendapatan O
dan O
Belanja O
Negara O
( O
APBN O
) O
oleh O
instansi O
pemerintah. O
Namun O
, O
masih O
terdapat O
beberapa O
permasalahan O
yang O
harus O
dihadapi O
, O
diantaranya O
: O
kuantitas O
BMN O
yang O
cukup O
banyak O
menyebabkan O
kegiatan O
pemantauan O
kondisi O
BMN O
mengalami O
hambatan O
, O
upaya O
pemeliharaan O
BMN O
oleh O
penyedia O
jasa O
yang O
masih O
belum O
terjamin O
kualitasnya O
dan O
prosedur O
permintaan O
perbaikan O
BMN O
oleh O
pegawai O
dirasa O
masih O
kurang O
efektif O
karena O
masih O
secara O
manual. O
Untuk O
mengatasi O
permasalahan O
diatas O
, O
telah O
dilakukan B-TUJUAN
penelitian I-TUJUAN
mengenai I-TUJUAN
Pengembangan I-TUJUAN
Sistem I-TUJUAN
Informasi I-TUJUAN
Kontrol I-TUJUAN
Pemeliharaan I-TUJUAN
Barang I-TUJUAN
Milik I-TUJUAN
Negara I-TUJUAN
( I-TUJUAN
SIKOP I-TUJUAN
BMN I-TUJUAN
) I-TUJUAN
dengan I-TUJUAN
tujuan I-TUJUAN
untuk I-TUJUAN
mengintegrasikan I-TUJUAN
pihak-pihak I-TUJUAN
yang I-TUJUAN
ikut I-TUJUAN
serta I-TUJUAN
dalam I-TUJUAN
upaya I-TUJUAN
pemeliharaan I-TUJUAN
BMN I-TUJUAN
, O
diantaranya O
Pegawai O
, O
KSBRT O
, O
Operator O
BMN O
, O
PPK O
, O
PP O
, O
Teknisi O
, O
dan O
Penyedia. O
Penelitian O
ini O
juga O
dilakukan O
agar O
prosedur O
pemeliharaan O
BMN O
dapat O
menjadi O
lebih O
mudah O
dan O
efektif. O
Penelitian O
ini O
dilakukan O
dengan O
mengkaji O
studi O
kasus O
yang O
ada O
pada O
Pusdiklat O
BPS O
RI. O
Hasil O
evaluasi O
sistem O
menunjukkan O
bahwa O
sistem O
usulan O
dapat O
diterima O
dengan O
cukup O
baik O
oleh O
pengguna. O
Kata O
Kunci— O
sistem O
informasi O
, O
kontrol O
pemeliharan O
, O
BMN. O
[SEP] O
Skor* O
( O
2,5 O
) O
( O
12 O
) O
90 O
100 O
77,5 O
75 O
75 O
85 O
55 O
70 O
72 O
62,5 O
47,5 O
47,5 O
Kesimpulan O
dari O
penelitian O
ini O
adalah O
telah B-TEMUAN
dilakukan I-TEMUAN
pengembangan I-TEMUAN
Sistem I-TEMUAN
Informasi I-TEMUAN
Kontrol I-TEMUAN
Pemeliharaan I-TEMUAN
Barang I-TEMUAN
Milik I-TEMUAN
Negara I-TEMUAN
( I-TEMUAN
SIKOP-BMN I-TEMUAN
) I-TEMUAN
untuk I-TEMUAN
membantu I-TEMUAN
proses I-TEMUAN
kontrol I-TEMUAN
Tahap I-TEMUAN
kegiatan I-TEMUAN
pemeliharaan I-TEMUAN
aset I-TEMUAN
BMN I-TEMUAN
di I-TEMUAN
Pusdiklat. I-TEMUAN
pengembangan O
sistem O
telah O
dilakukan O
sampai O
tahap O
evaluasi O
sistem O
dan O
dihasilkan O
skor O
agregat O
sebesar O
0,816 O
dengan O
interpretasi O
bahwa O
bisnis B-TEMUAN
proses I-TEMUAN
dan I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
usulan I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
di I-TEMUAN
buat I-TEMUAN
sangat I-TEMUAN
baik I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
dan O
skor O
rata-rata O
SUS O
sebesar O
71,5 O
yang O
mengindikasikan O
bahwa O
sistem B-TEMUAN
berada I-TEMUAN
dalam I-TEMUAN
rentang I-TEMUAN
penerimaan I-TEMUAN
yang I-TEMUAN
cukup I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Saran O
untuk O
penelitian O
selanjutnya O
adalah O
menambahkan O
modul O
tambahan O
lain O
selain O
pemeliharaan O
untuk O
meningkatkan O
fungsionalitas O
sistem O
seperti O
permintaan O
pengadaan O
langsung O
oleh O
pegawai O

Sistem O
Informasi O
Kontrol O
Pemeliharaan O
Barang O
Milik O
Negara O
( O
SIKOP O
BMN O
) O
Studi O
Kasus O
Pusdiklat O
Badan O
Pusat O
Statistik O
RI O
Grujs O
Farhan O
Nafis O
( O
221709721 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Takdir O
SST. O
, O
M.T. O
Ringkasan— O
Upaya O
pemeliharaan O
Barang O
Milik O
Negara O
( O
BMN O
) O
yang O
baik O
merupakan O
salah O
satu O
faktor O
penting O
guna O
mewujudkan O
optimalisasi O
pemanfaatan O
Anggaran O
Pendapatan O
dan O
Belanja O
Negara O
( O
APBN O
) O
oleh O
instansi O
pemerintah. O
Namun O
, O
masih O
terdapat O
beberapa O
permasalahan O
yang O
harus O
dihadapi O
, O
diantaranya O
: O
kuantitas O
BMN O
yang O
cukup O
banyak O
menyebabkan O
kegiatan O
pemantauan O
kondisi O
BMN O
mengalami O
hambatan O
, O
upaya O
pemeliharaan O
BMN O
oleh O
penyedia O
jasa O
yang O
masih O
belum O
terjamin O
kualitasnya O
dan O
prosedur O
permintaan O
perbaikan O
BMN O
oleh O
pegawai O
dirasa O
masih O
kurang O
efektif O
karena O
masih O
secara O
manual. O
Untuk O
mengatasi O
permasalahan O
diatas O
, O
telah O
dilakukan B-TUJUAN
penelitian I-TUJUAN
mengenai I-TUJUAN
Pengembangan I-TUJUAN
Sistem I-TUJUAN
Informasi I-TUJUAN
Kontrol I-TUJUAN
Pemeliharaan I-TUJUAN
Barang I-TUJUAN
Milik I-TUJUAN
Negara I-TUJUAN
( I-TUJUAN
SIKOP I-TUJUAN
BMN I-TUJUAN
) I-TUJUAN
dengan I-TUJUAN
tujuan I-TUJUAN
untuk I-TUJUAN
mengintegrasikan I-TUJUAN
pihak-pihak I-TUJUAN
yang I-TUJUAN
ikut I-TUJUAN
serta I-TUJUAN
dalam I-TUJUAN
upaya I-TUJUAN
pemeliharaan I-TUJUAN
BMN I-TUJUAN
, O
diantaranya O
Pegawai O
, O
KSBRT O
, O
Operator O
BMN O
, O
PPK O
, O
PP O
, O
Teknisi O
, O
dan O
Penyedia. O
Penelitian O
ini O
juga O
dilakukan O
agar O
prosedur O
pemeliharaan O
BMN O
dapat O
menjadi O
lebih O
mudah O
dan O
efektif. O
Penelitian O
ini O
dilakukan O
dengan O
mengkaji O
studi O
kasus O
yang O
ada O
pada O
Pusdiklat O
BPS O
RI. O
Hasil O
evaluasi O
sistem O
menunjukkan O
bahwa O
sistem O
usulan O
dapat O
diterima O
dengan O
cukup O
baik O
oleh O
pengguna. O
Kata O
Kunci— O
sistem O
informasi O
, O
kontrol O
pemeliharan O
, O
BMN. O
[SEP] O
Skor* O
( O
2,5 O
) O
( O
12 O
) O
90 O
100 O
77,5 O
75 O
75 O
85 O
55 O
70 O
72 O
62,5 O
47,5 O
47,5 O
Kesimpulan O
dari O
penelitian O
ini O
adalah O
telah B-TEMUAN
dilakukan I-TEMUAN
pengembangan I-TEMUAN
Sistem I-TEMUAN
Informasi I-TEMUAN
Kontrol I-TEMUAN
Pemeliharaan I-TEMUAN
Barang I-TEMUAN
Milik I-TEMUAN
Negara I-TEMUAN
( I-TEMUAN
SIKOP-BMN I-TEMUAN
) I-TEMUAN
untuk I-TEMUAN
membantu I-TEMUAN
proses I-TEMUAN
kontrol I-TEMUAN
Tahap I-TEMUAN
kegiatan I-TEMUAN
pemeliharaan I-TEMUAN
aset I-TEMUAN
BMN I-TEMUAN
di I-TEMUAN
Pusdiklat. I-TEMUAN
pengembangan O
sistem O
telah O
dilakukan O
sampai O
tahap O
evaluasi O
sistem O
dan O
dihasilkan O
skor O
agregat O
sebesar O
0,816 O
dengan O
interpretasi O
bahwa O
bisnis B-TEMUAN
proses I-TEMUAN
dan I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
usulan I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
di I-TEMUAN
buat I-TEMUAN
sangat I-TEMUAN
baik I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
dan O
skor O
rata-rata O
SUS O
sebesar O
71,5 O
yang O
mengindikasikan O
bahwa O
sistem B-TEMUAN
berada I-TEMUAN
dalam I-TEMUAN
rentang I-TEMUAN
penerimaan I-TEMUAN
yang I-TEMUAN
cukup I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Saran O
untuk O
penelitian O
selanjutnya O
adalah O
menambahkan O
modul O
tambahan O
lain O
selain O
pemeliharaan O
untuk O
meningkatkan O
fungsionalitas O
sistem O
seperti O
permintaan O
pengadaan O
langsung O
oleh O
pegawai O

Sistem O
Informasi O
Kontrol O
Pemeliharaan O
Barang O
Milik O
Negara O
( O
SIKOP O
BMN O
) O
Studi O
Kasus O
Pusdiklat O
Badan O
Pusat O
Statistik O
RI O
Grujs O
Farhan O
Nafis O
( O
221709721 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Takdir O
SST. O
, O
M.T. O
Ringkasan— O
Upaya O
pemeliharaan O
Barang O
Milik O
Negara O
( O
BMN O
) O
yang O
baik O
merupakan O
salah O
satu O
faktor O
penting O
guna O
mewujudkan O
optimalisasi O
pemanfaatan O
Anggaran O
Pendapatan O
dan O
Belanja O
Negara O
( O
APBN O
) O
oleh O
instansi O
pemerintah. O
Namun O
, O
masih O
terdapat O
beberapa O
permasalahan O
yang O
harus O
dihadapi O
, O
diantaranya O
: O
kuantitas O
BMN O
yang O
cukup O
banyak O
menyebabkan O
kegiatan O
pemantauan O
kondisi O
BMN O
mengalami O
hambatan O
, O
upaya O
pemeliharaan O
BMN O
oleh O
penyedia O
jasa O
yang O
masih O
belum O
terjamin O
kualitasnya O
dan O
prosedur O
permintaan O
perbaikan O
BMN O
oleh O
pegawai O
dirasa O
masih O
kurang O
efektif O
karena O
masih O
secara O
manual. O
Untuk O
mengatasi O
permasalahan O
diatas O
, O
telah O
dilakukan B-TUJUAN
penelitian I-TUJUAN
mengenai I-TUJUAN
Pengembangan I-TUJUAN
Sistem I-TUJUAN
Informasi I-TUJUAN
Kontrol I-TUJUAN
Pemeliharaan I-TUJUAN
Barang I-TUJUAN
Milik I-TUJUAN
Negara I-TUJUAN
( I-TUJUAN
SIKOP I-TUJUAN
BMN I-TUJUAN
) I-TUJUAN
dengan I-TUJUAN
tujuan I-TUJUAN
untuk I-TUJUAN
mengintegrasikan I-TUJUAN
pihak-pihak I-TUJUAN
yang I-TUJUAN
ikut I-TUJUAN
serta I-TUJUAN
dalam I-TUJUAN
upaya I-TUJUAN
pemeliharaan I-TUJUAN
BMN I-TUJUAN
, O
diantaranya O
Pegawai O
, O
KSBRT O
, O
Operator O
BMN O
, O
PPK O
, O
PP O
, O
Teknisi O
, O
dan O
Penyedia. O
Penelitian O
ini O
juga O
dilakukan O
agar O
prosedur O
pemeliharaan O
BMN O
dapat O
menjadi O
lebih O
mudah O
dan O
efektif. O
Penelitian O
ini O
dilakukan O
dengan O
mengkaji O
studi O
kasus O
yang O
ada O
pada O
Pusdiklat O
BPS O
RI. O
Hasil O
evaluasi O
sistem O
menunjukkan O
bahwa O
sistem O
usulan O
dapat O
diterima O
dengan O
cukup O
baik O
oleh O
pengguna. O
Kata O
Kunci— O
sistem O
informasi O
, O
kontrol O
pemeliharan O
, O
BMN. O
[SEP] O
Skor* O
( O
2,5 O
) O
( O
12 O
) O
90 O
100 O
77,5 O
75 O
75 O
85 O
55 O
70 O
72 O
62,5 O
47,5 O
47,5 O
Kesimpulan O
dari O
penelitian O
ini O
adalah O
telah B-TEMUAN
dilakukan I-TEMUAN
pengembangan I-TEMUAN
Sistem I-TEMUAN
Informasi I-TEMUAN
Kontrol I-TEMUAN
Pemeliharaan I-TEMUAN
Barang I-TEMUAN
Milik I-TEMUAN
Negara I-TEMUAN
( I-TEMUAN
SIKOP-BMN I-TEMUAN
) I-TEMUAN
untuk I-TEMUAN
membantu I-TEMUAN
proses I-TEMUAN
kontrol I-TEMUAN
Tahap I-TEMUAN
kegiatan I-TEMUAN
pemeliharaan I-TEMUAN
aset I-TEMUAN
BMN I-TEMUAN
di I-TEMUAN
Pusdiklat. I-TEMUAN
pengembangan O
sistem O
telah O
dilakukan O
sampai O
tahap O
evaluasi O
sistem O
dan O
dihasilkan O
skor O
agregat O
sebesar O
0,816 O
dengan O
interpretasi O
bahwa O
bisnis B-TEMUAN
proses I-TEMUAN
dan I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
usulan I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
di I-TEMUAN
buat I-TEMUAN
sangat I-TEMUAN
baik I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna I-TEMUAN
dan O
skor O
rata-rata O
SUS O
sebesar O
71,5 O
yang O
mengindikasikan O
bahwa O
sistem B-TEMUAN
berada I-TEMUAN
dalam I-TEMUAN
rentang I-TEMUAN
penerimaan I-TEMUAN
yang I-TEMUAN
cukup I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Saran O
untuk O
penelitian O
selanjutnya O
adalah O
menambahkan O
modul O
tambahan O
lain O
selain O
pemeliharaan O
untuk O
meningkatkan O
fungsionalitas O
sistem O
seperti O
permintaan O
pengadaan O
langsung O
oleh O
pegawai O

Sistem O
Informasi O
Manajemen O
Arsip O
Berbasis O
Web O
Pada O
Pusdiklat O
BPS O
Grandis O
Zahron O
Rusydi O
( O
221709719 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Arsip O
merupakan O
rekaman O
kegiatan O
atau O
peristiwa O
dalam O
berbagai O
bentuk O
yang O
dikelola O
dengan O
baik O
dan O
teliti. O
Pengelolaan O
arsip O
Pusdiklat O
BPS O
masih O
dikelola O
dengan O
menggunakan O
aplikasi O
Microsoft O
Excel O
dan O
file O
scan O
arsip O
hanya O
disimpan O
dalam O
folder O
di O
satu O
komputer O
saja O
serta O
data O
arsip O
yang O
digunakan O
belum O
terintegrasi O
antar O
pegawai O
arsip. O
Pengelolaan O
seperti O
ini O
menyebabkan O
lamanya O
dalam O
proses O
pengelolaan O
arsip O
baik O
dari O
pengumpulan O
, O
pelaporan O
, O
atau O
pencarian O
arsip O
dan O
dapat O
menyebabkan O
terjadi O
kehilangan O
data O
atau O
file O
arsip. O
Maka O
peneliti O
akan O
mengembangkan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
manajemen I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
dengan O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
prototipe I-METODE
dengan O
menggunakan O
bahasa O
pemrograman O
PHP. O
Pada O
evaluasi O
sistem O
pada O
penelitian O
ini O
menggunakan O
black B-METODE
box I-METODE
testing I-METODE
, O
SUS B-TEMUAN
, O
dan O
pencocokan O
dokumen O
SRS O
dengan O
mendapatkan O
hasil B-TEMUAN
yang I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
harapan I-TEMUAN
pengguna I-TEMUAN
dan I-TEMUAN
pada I-TEMUAN
uji I-TEMUAN
SUS I-TEMUAN
didapatkan I-TEMUAN
skor I-TEMUAN
sebesar I-TEMUAN
84.5. I-TEMUAN
Selain O
ketiga O
evaluasi O
tersebut O
, O
terdapat O
surat O
pernyataan O
dari O
pihak O
pusdiklat O
yang O
menyatakan O
bahwa O
sistem O
yang O
dibuat O
sudah O
dapat O
mengefisienkan O
pekerjaan O
dalam O
pengelolaan O
arsip O
dan O
memenuhi O
persyaratan O
yang O
diminta O
di O
Pusdiklat O
BPS. O
Kata O
Kunci— O
Arsip O
, O
web O
, O
pengelolaan O
, O
SDLC. O
[SEP] O
hingga O
analisis O
pengimplementasian O
pada O
penelitian O
ini O
, O
maka O
penelitian O
ini O
sudah O
mencakup O
sebagai O
berikut. O
VII. O
hasil O
perancangan O
1. B-TEMUAN
Sistem I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
sesuai I-TEMUAN
SRS I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
diimplementasikan I-TEMUAN
di I-TEMUAN
server I-TEMUAN
https I-TEMUAN
: I-TEMUAN
/ I-TEMUAN
/ I-TEMUAN
pusdiklat- I-TEMUAN
dengan I-TEMUAN
alamat I-TEMUAN
disepakati I-TEMUAN
dan I-TEMUAN
pusdiklat I-TEMUAN
bps.online I-TEMUAN
/ I-TEMUAN
simas I-TEMUAN
/ I-TEMUAN
. I-TEMUAN
2. O
Hasil O
evaluasi O
pada O
SUS O
didapatkan O
skor O
84.5 O
, O
sehingga O
sudah O
dapat O
dikatakan O
bahwa O
kepuasan O
pengguna O
terhadap O
sistem B-TEMUAN
ini I-TEMUAN
dikategorikan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Selain O
itu O
, O
pada O
hasil O
uji O
black O
box O
testing O
mendapatkan O
setiap B-TEMUAN
fungsi I-TEMUAN
yang I-TEMUAN
dibuat I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
ini I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
harapan I-TEMUAN
, I-TEMUAN
hal O
ini O
dikuatkan O
dengan O
pencocokan O
dokumen O
SRS O
, O
dengan O
mendapatkan O
hasil O
yang O
sesuai O
dengan O
harapan O
pengguna. O
Sementara O
itu O
, O
hasil O
evaluasi O
ini O
juga O
diperkuat O
dengan O
surat O
pernyataan O
yang O
disetujui O
oleh O
subject O
matter O
berisi O
tentang O
persetujuan O
bahwa O
sistem O
sudah O
relevan O
dan O
memiliki O
kontribusi O
pada O
pekerjaan O
serta O
memenuhi O
persyaratan O
yang O
diminta O
di O
Pusdiklat O
BPS. O
3. O
Sistem O
pada O
autentikasi O
untuk O
saat O
ini O
, O
yang O
dibutuhkan O
hanya O
dua O
level O
yaitu O
: O
admin O
dan O
pegawai O
, O
selanjutnya O
jika O
dibuat O
pengembangan O
lebih O
lanjut O
dan O
subject O
matter O
membutuhkan O
, O
akan O
dibuat O
level O
lanjutan O
sesuai O
dengan O
unit O
kerja O
masing-masing. O
4. O
Sistem O
yang O
dikembangkan O
untuk O
saat O
ini O
, O
pada O
pelaporan O
arsip O
hanya O
sesuai O
filter O
yang O
diinginkan O
, O
belum O
dapat O
memilih O
secara O
acak O
arsip O
yang O
dibutuhkan O
, O
selanjutnya O
jika O
dibuat O
pengembangan O
lebih O
lanjut O
dan O
subject O
matter O
membutuhkan O
, O
akan O
dibuat O
pelaporan O
arsip O
dengan O
memilih O
arsip O
secara O
acak O
sesuai O
yang O
dibutuhkan. O
d. O
Surat O
Pernyataan O
Gambar O
16. O
Surat O
Pernyataan O
tentang O
Pada O
gambar O
16 O
berisi O
surat O
pernyataan O
dari O
Pusdiklat O
BPS O
yang O
menyatakan O
bahwa O
sistem O
yang O
dibuat O
oleh O
peneliti O
dapat O
mengefisienkan O
pekerjaan O
dalam O
pengelolaan O
arsip O
dan O
memenuhi O
persyaratan O
yang O
diminta O
Pusdiklat O
BPS. O
8. O
Metadata O
arsip O
Pusdiklat O
BPS O
Metadata O
merupakan O
data O
yang O
menjelaskan O
isi O
, O
konteks O
, O
dan O
struktur O
arsip O
serta O
manajemen O
sepanjang O
masa. O
Metadata O
arsip O
elektronik O
dapat O
berupa O
informasi O
yang O
dibutuhkan O
untuk O
dimungkinkan O
arsip O
supaya O
jelas O
dan O
bisa O
digunakan. O
Berikut O
merupakan O
elemen O
data O
yang O
harus O
ada O
di O
dalam O
metadata O
pengelolaan O
arsip O
Pusdiklat O
BPS. O
Tipe O
Data O
Char O
Panjang O
Karakter O
45 O
Char O
40 O
No O
1. O
2. O
3. O
4. O
5. O
Nama O
Elemen O
Nomor O
arsip O
Kode O
klasifikasi O
Pencipta O
arsip O
Uraian O
Informasi O
Kurun O
waktu O
Tabel O
VI O
METADATA O
ARSIP O
PUSDIKLAT O
BPS O
Tujuan O
Penjelasan O
Memperlihatkan O
keunikan O
suatu O
item O
arsip O
Menunjukkan O
kode O
yang O
memperlihatkan O
pengelompokkan O
fungsi O
informasi O
yang O
terdapat O
dalam O
suatu O
arsip O
Memperlihatkan O
pembuat O
dari O
suatu O
arsip O
Memperjelas O
isian O
dari O
suatu O
arsip O
Berisi O
waktu O
dari O
transaksi O
yang O
tercatat O
dalam O
arsip O
Nomor O
pada O
item O
arsip O
maupun O
kode O
Kode O
yang O
disesuaikan O
dengan O
kode O
saat O
pengelolaan O
arsip O
Memperjelaskan O
seseorang O
atau O
kelompok O
atau O
organisasi O
yang O
membuat O
suatu O
arsip O
Ringkasan O
dari O
suatu O
arsip O
Text O
Tanggal O
suatu O
dokumen O
dibuat O
Date O
Char O
120 O

Sistem O
Informasi O
Manajemen O
Arsip O
Berbasis O
Web O
Pada O
Pusdiklat O
BPS O
Grandis O
Zahron O
Rusydi O
( O
221709719 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Arsip O
merupakan O
rekaman O
kegiatan O
atau O
peristiwa O
dalam O
berbagai O
bentuk O
yang O
dikelola O
dengan O
baik O
dan O
teliti. O
Pengelolaan O
arsip O
Pusdiklat O
BPS O
masih O
dikelola O
dengan O
menggunakan O
aplikasi O
Microsoft O
Excel O
dan O
file O
scan O
arsip O
hanya O
disimpan O
dalam O
folder O
di O
satu O
komputer O
saja O
serta O
data O
arsip O
yang O
digunakan O
belum O
terintegrasi O
antar O
pegawai O
arsip. O
Pengelolaan O
seperti O
ini O
menyebabkan O
lamanya O
dalam O
proses O
pengelolaan O
arsip O
baik O
dari O
pengumpulan O
, O
pelaporan O
, O
atau O
pencarian O
arsip O
dan O
dapat O
menyebabkan O
terjadi O
kehilangan O
data O
atau O
file O
arsip. O
Maka O
peneliti O
akan O
mengembangkan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
manajemen I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
dengan O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
prototipe I-METODE
dengan O
menggunakan O
bahasa O
pemrograman O
PHP. O
Pada O
evaluasi O
sistem O
pada O
penelitian O
ini O
menggunakan O
black B-METODE
box I-METODE
testing I-METODE
, O
SUS B-TEMUAN
, O
dan O
pencocokan O
dokumen O
SRS O
dengan O
mendapatkan O
hasil B-TEMUAN
yang I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
harapan I-TEMUAN
pengguna I-TEMUAN
dan I-TEMUAN
pada I-TEMUAN
uji I-TEMUAN
SUS I-TEMUAN
didapatkan I-TEMUAN
skor I-TEMUAN
sebesar I-TEMUAN
84.5. I-TEMUAN
Selain O
ketiga O
evaluasi O
tersebut O
, O
terdapat O
surat O
pernyataan O
dari O
pihak O
pusdiklat O
yang O
menyatakan O
bahwa O
sistem O
yang O
dibuat O
sudah O
dapat O
mengefisienkan O
pekerjaan O
dalam O
pengelolaan O
arsip O
dan O
memenuhi O
persyaratan O
yang O
diminta O
di O
Pusdiklat O
BPS. O
Kata O
Kunci— O
Arsip O
, O
web O
, O
pengelolaan O
, O
SDLC. O
[SEP] O
hingga O
analisis O
pengimplementasian O
pada O
penelitian O
ini O
, O
maka O
penelitian O
ini O
sudah O
mencakup O
sebagai O
berikut. O
VII. O
hasil O
perancangan O
1. B-TEMUAN
Sistem I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
sesuai I-TEMUAN
SRS I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
diimplementasikan I-TEMUAN
di I-TEMUAN
server I-TEMUAN
https I-TEMUAN
: I-TEMUAN
/ I-TEMUAN
/ I-TEMUAN
pusdiklat- I-TEMUAN
dengan I-TEMUAN
alamat I-TEMUAN
disepakati I-TEMUAN
dan I-TEMUAN
pusdiklat I-TEMUAN
bps.online I-TEMUAN
/ I-TEMUAN
simas I-TEMUAN
/ I-TEMUAN
. I-TEMUAN
2. O
Hasil O
evaluasi O
pada O
SUS O
didapatkan O
skor O
84.5 O
, O
sehingga O
sudah O
dapat O
dikatakan O
bahwa O
kepuasan O
pengguna O
terhadap O
sistem B-TEMUAN
ini I-TEMUAN
dikategorikan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Selain O
itu O
, O
pada O
hasil O
uji O
black O
box O
testing O
mendapatkan O
setiap B-TEMUAN
fungsi I-TEMUAN
yang I-TEMUAN
dibuat I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
ini I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
harapan I-TEMUAN
, I-TEMUAN
hal O
ini O
dikuatkan O
dengan O
pencocokan O
dokumen O
SRS O
, O
dengan O
mendapatkan O
hasil O
yang O
sesuai O
dengan O
harapan O
pengguna. O
Sementara O
itu O
, O
hasil O
evaluasi O
ini O
juga O
diperkuat O
dengan O
surat O
pernyataan O
yang O
disetujui O
oleh O
subject O
matter O
berisi O
tentang O
persetujuan O
bahwa O
sistem O
sudah O
relevan O
dan O
memiliki O
kontribusi O
pada O
pekerjaan O
serta O
memenuhi O
persyaratan O
yang O
diminta O
di O
Pusdiklat O
BPS. O
3. O
Sistem O
pada O
autentikasi O
untuk O
saat O
ini O
, O
yang O
dibutuhkan O
hanya O
dua O
level O
yaitu O
: O
admin O
dan O
pegawai O
, O
selanjutnya O
jika O
dibuat O
pengembangan O
lebih O
lanjut O
dan O
subject O
matter O
membutuhkan O
, O
akan O
dibuat O
level O
lanjutan O
sesuai O
dengan O
unit O
kerja O
masing-masing. O
4. O
Sistem O
yang O
dikembangkan O
untuk O
saat O
ini O
, O
pada O
pelaporan O
arsip O
hanya O
sesuai O
filter O
yang O
diinginkan O
, O
belum O
dapat O
memilih O
secara O
acak O
arsip O
yang O
dibutuhkan O
, O
selanjutnya O
jika O
dibuat O
pengembangan O
lebih O
lanjut O
dan O
subject O
matter O
membutuhkan O
, O
akan O
dibuat O
pelaporan O
arsip O
dengan O
memilih O
arsip O
secara O
acak O
sesuai O
yang O
dibutuhkan. O
d. O
Surat O
Pernyataan O
Gambar O
16. O
Surat O
Pernyataan O
tentang O
Pada O
gambar O
16 O
berisi O
surat O
pernyataan O
dari O
Pusdiklat O
BPS O
yang O
menyatakan O
bahwa O
sistem O
yang O
dibuat O
oleh O
peneliti O
dapat O
mengefisienkan O
pekerjaan O
dalam O
pengelolaan O
arsip O
dan O
memenuhi O
persyaratan O
yang O
diminta O
Pusdiklat O
BPS. O
8. O
Metadata O
arsip O
Pusdiklat O
BPS O
Metadata O
merupakan O
data O
yang O
menjelaskan O
isi O
, O
konteks O
, O
dan O
struktur O
arsip O
serta O
manajemen O
sepanjang O
masa. O
Metadata O
arsip O
elektronik O
dapat O
berupa O
informasi O
yang O
dibutuhkan O
untuk O
dimungkinkan O
arsip O
supaya O
jelas O
dan O
bisa O
digunakan. O
Berikut O
merupakan O
elemen O
data O
yang O
harus O
ada O
di O
dalam O
metadata O
pengelolaan O
arsip O
Pusdiklat O
BPS. O
Tipe O
Data O
Char O
Panjang O
Karakter O
45 O
Char O
40 O
No O
1. O
2. O
3. O
4. O
5. O
Nama O
Elemen O
Nomor O
arsip O
Kode O
klasifikasi O
Pencipta O
arsip O
Uraian O
Informasi O
Kurun O
waktu O
Tabel O
VI O
METADATA O
ARSIP O
PUSDIKLAT O
BPS O
Tujuan O
Penjelasan O
Memperlihatkan O
keunikan O
suatu O
item O
arsip O
Menunjukkan O
kode O
yang O
memperlihatkan O
pengelompokkan O
fungsi O
informasi O
yang O
terdapat O
dalam O
suatu O
arsip O
Memperlihatkan O
pembuat O
dari O
suatu O
arsip O
Memperjelas O
isian O
dari O
suatu O
arsip O
Berisi O
waktu O
dari O
transaksi O
yang O
tercatat O
dalam O
arsip O
Nomor O
pada O
item O
arsip O
maupun O
kode O
Kode O
yang O
disesuaikan O
dengan O
kode O
saat O
pengelolaan O
arsip O
Memperjelaskan O
seseorang O
atau O
kelompok O
atau O
organisasi O
yang O
membuat O
suatu O
arsip O
Ringkasan O
dari O
suatu O
arsip O
Text O
Tanggal O
suatu O
dokumen O
dibuat O
Date O
Char O
120 O

Sistem O
Informasi O
Manajemen O
Arsip O
Berbasis O
Web O
Pada O
Pusdiklat O
BPS O
Grandis O
Zahron O
Rusydi O
( O
221709719 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Arsip O
merupakan O
rekaman O
kegiatan O
atau O
peristiwa O
dalam O
berbagai O
bentuk O
yang O
dikelola O
dengan O
baik O
dan O
teliti. O
Pengelolaan O
arsip O
Pusdiklat O
BPS O
masih O
dikelola O
dengan O
menggunakan O
aplikasi O
Microsoft O
Excel O
dan O
file O
scan O
arsip O
hanya O
disimpan O
dalam O
folder O
di O
satu O
komputer O
saja O
serta O
data O
arsip O
yang O
digunakan O
belum O
terintegrasi O
antar O
pegawai O
arsip. O
Pengelolaan O
seperti O
ini O
menyebabkan O
lamanya O
dalam O
proses O
pengelolaan O
arsip O
baik O
dari O
pengumpulan O
, O
pelaporan O
, O
atau O
pencarian O
arsip O
dan O
dapat O
menyebabkan O
terjadi O
kehilangan O
data O
atau O
file O
arsip. O
Maka O
peneliti O
akan O
mengembangkan B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
manajemen I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
dengan O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
model I-METODE
prototipe I-METODE
dengan O
menggunakan O
bahasa O
pemrograman O
PHP. O
Pada O
evaluasi O
sistem O
pada O
penelitian O
ini O
menggunakan O
black B-METODE
box I-METODE
testing I-METODE
, O
SUS B-TEMUAN
, O
dan O
pencocokan O
dokumen O
SRS O
dengan O
mendapatkan O
hasil B-TEMUAN
yang I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
harapan I-TEMUAN
pengguna I-TEMUAN
dan I-TEMUAN
pada I-TEMUAN
uji I-TEMUAN
SUS I-TEMUAN
didapatkan I-TEMUAN
skor I-TEMUAN
sebesar I-TEMUAN
84.5. I-TEMUAN
Selain O
ketiga O
evaluasi O
tersebut O
, O
terdapat O
surat O
pernyataan O
dari O
pihak O
pusdiklat O
yang O
menyatakan O
bahwa O
sistem O
yang O
dibuat O
sudah O
dapat O
mengefisienkan O
pekerjaan O
dalam O
pengelolaan O
arsip O
dan O
memenuhi O
persyaratan O
yang O
diminta O
di O
Pusdiklat O
BPS. O
Kata O
Kunci— O
Arsip O
, O
web O
, O
pengelolaan O
, O
SDLC. O
[SEP] O
hingga O
analisis O
pengimplementasian O
pada O
penelitian O
ini O
, O
maka O
penelitian O
ini O
sudah O
mencakup O
sebagai O
berikut. O
VII. O
hasil O
perancangan O
1. B-TEMUAN
Sistem I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
sesuai I-TEMUAN
SRS I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
diimplementasikan I-TEMUAN
di I-TEMUAN
server I-TEMUAN
https I-TEMUAN
: I-TEMUAN
/ I-TEMUAN
/ I-TEMUAN
pusdiklat- I-TEMUAN
dengan I-TEMUAN
alamat I-TEMUAN
disepakati I-TEMUAN
dan I-TEMUAN
pusdiklat I-TEMUAN
bps.online I-TEMUAN
/ I-TEMUAN
simas I-TEMUAN
/ I-TEMUAN
. I-TEMUAN
2. O
Hasil O
evaluasi O
pada O
SUS O
didapatkan O
skor O
84.5 O
, O
sehingga O
sudah O
dapat O
dikatakan O
bahwa O
kepuasan O
pengguna O
terhadap O
sistem B-TEMUAN
ini I-TEMUAN
dikategorikan I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Selain O
itu O
, O
pada O
hasil O
uji O
black O
box O
testing O
mendapatkan O
setiap B-TEMUAN
fungsi I-TEMUAN
yang I-TEMUAN
dibuat I-TEMUAN
pada I-TEMUAN
sistem I-TEMUAN
ini I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
harapan I-TEMUAN
, I-TEMUAN
hal O
ini O
dikuatkan O
dengan O
pencocokan O
dokumen O
SRS O
, O
dengan O
mendapatkan O
hasil O
yang O
sesuai O
dengan O
harapan O
pengguna. O
Sementara O
itu O
, O
hasil O
evaluasi O
ini O
juga O
diperkuat O
dengan O
surat O
pernyataan O
yang O
disetujui O
oleh O
subject O
matter O
berisi O
tentang O
persetujuan O
bahwa O
sistem O
sudah O
relevan O
dan O
memiliki O
kontribusi O
pada O
pekerjaan O
serta O
memenuhi O
persyaratan O
yang O
diminta O
di O
Pusdiklat O
BPS. O
3. O
Sistem O
pada O
autentikasi O
untuk O
saat O
ini O
, O
yang O
dibutuhkan O
hanya O
dua O
level O
yaitu O
: O
admin O
dan O
pegawai O
, O
selanjutnya O
jika O
dibuat O
pengembangan O
lebih O
lanjut O
dan O
subject O
matter O
membutuhkan O
, O
akan O
dibuat O
level O
lanjutan O
sesuai O
dengan O
unit O
kerja O
masing-masing. O
4. O
Sistem O
yang O
dikembangkan O
untuk O
saat O
ini O
, O
pada O
pelaporan O
arsip O
hanya O
sesuai O
filter O
yang O
diinginkan O
, O
belum O
dapat O
memilih O
secara O
acak O
arsip O
yang O
dibutuhkan O
, O
selanjutnya O
jika O
dibuat O
pengembangan O
lebih O
lanjut O
dan O
subject O
matter O
membutuhkan O
, O
akan O
dibuat O
pelaporan O
arsip O
dengan O
memilih O
arsip O
secara O
acak O
sesuai O
yang O
dibutuhkan. O
d. O
Surat O
Pernyataan O
Gambar O
16. O
Surat O
Pernyataan O
tentang O
Pada O
gambar O
16 O
berisi O
surat O
pernyataan O
dari O
Pusdiklat O
BPS O
yang O
menyatakan O
bahwa O
sistem O
yang O
dibuat O
oleh O
peneliti O
dapat O
mengefisienkan O
pekerjaan O
dalam O
pengelolaan O
arsip O
dan O
memenuhi O
persyaratan O
yang O
diminta O
Pusdiklat O
BPS. O
8. O
Metadata O
arsip O
Pusdiklat O
BPS O
Metadata O
merupakan O
data O
yang O
menjelaskan O
isi O
, O
konteks O
, O
dan O
struktur O
arsip O
serta O
manajemen O
sepanjang O
masa. O
Metadata O
arsip O
elektronik O
dapat O
berupa O
informasi O
yang O
dibutuhkan O
untuk O
dimungkinkan O
arsip O
supaya O
jelas O
dan O
bisa O
digunakan. O
Berikut O
merupakan O
elemen O
data O
yang O
harus O
ada O
di O
dalam O
metadata O
pengelolaan O
arsip O
Pusdiklat O
BPS. O
Tipe O
Data O
Char O
Panjang O
Karakter O
45 O
Char O
40 O
No O
1. O
2. O
3. O
4. O
5. O
Nama O
Elemen O
Nomor O
arsip O
Kode O
klasifikasi O
Pencipta O
arsip O
Uraian O
Informasi O
Kurun O
waktu O
Tabel O
VI O
METADATA O
ARSIP O
PUSDIKLAT O
BPS O
Tujuan O
Penjelasan O
Memperlihatkan O
keunikan O
suatu O
item O
arsip O
Menunjukkan O
kode O
yang O
memperlihatkan O
pengelompokkan O
fungsi O
informasi O
yang O
terdapat O
dalam O
suatu O
arsip O
Memperlihatkan O
pembuat O
dari O
suatu O
arsip O
Memperjelas O
isian O
dari O
suatu O
arsip O
Berisi O
waktu O
dari O
transaksi O
yang O
tercatat O
dalam O
arsip O
Nomor O
pada O
item O
arsip O
maupun O
kode O
Kode O
yang O
disesuaikan O
dengan O
kode O
saat O
pengelolaan O
arsip O
Memperjelaskan O
seseorang O
atau O
kelompok O
atau O
organisasi O
yang O
membuat O
suatu O
arsip O
Ringkasan O
dari O
suatu O
arsip O
Text O
Tanggal O
suatu O
dokumen O
dibuat O
Date O
Char O
120 O

Indikasi O
Depresi O
pada O
Tweet O
Berbahasa O
Indonesia O
Menggunakan O
Lexicon O
Ganif O
Susilo O
Aji O
( O
221709711 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
S.ST O
, O
M.T.I. O
Ringkasan— O
Semakin O
berkembangnya O
zaman O
, O
kesehatan O
mental O
mulai O
diperhatikan O
terutama O
di O
kalangan O
anak O
muda. O
Hal O
tersebut O
juga O
diikuti O
oleh O
semakin O
meningkatnya O
gangguan O
kesehatan O
mental O
terutama O
depresi. O
Untuk O
menanggulangi O
masalah O
tersebut O
perlu O
dilakukan O
upaya O
dalam O
mencegah O
dan O
mengatasinya. O
Langkah O
awal O
yang O
diperlukan O
yaitu O
dengan O
cara O
mengindentifikasi O
masyarakat O
yang O
sedang O
mengalami O
gejala O
depresi O
tersebut. O
Berkembangnya O
penggunaan O
media O
sosial O
, O
salah O
satunya O
Twitter O
, O
memiliki O
potensi O
untuk O
membantu O
mengatasi O
masalah O
meningkatnya O
kasus O
depresi O
di O
Indonesia. O
Penelitian O
ini O
mencoba O
mendeteksi B-TUJUAN
indikasi I-TUJUAN
depresi I-TUJUAN
pada I-TUJUAN
tweet I-TUJUAN
berbahasa I-TUJUAN
Indonesia. I-TUJUAN
Lexicon O
LabMT O
dan O
Sentitsrength O
digunakan O
untuk O
mengklasifikasikan O
tweet O
terindikasi O
depresi O
dan O
tweet O
tidak O
terindikasi O
depresi. O
Hasil O
dari O
penelitian O
ini O
yaitu O
proporsi B-TEMUAN
pengguna I-TEMUAN
yang I-TEMUAN
terindikasi I-TEMUAN
depresi I-TEMUAN
berdasarkan I-TEMUAN
lexicon I-TEMUAN
LabMT I-TEMUAN
sebesar I-TEMUAN
7,04 I-TEMUAN
% I-TEMUAN
lebih I-TEMUAN
mendekati I-TEMUAN
prevalensi I-TEMUAN
depresi I-TEMUAN
penduduk I-TEMUAN
usia I-TEMUAN
15 I-TEMUAN
keatas I-TEMUAN
sebesar I-TEMUAN
5,9 I-TEMUAN
% I-TEMUAN
dibanding I-TEMUAN
dengan I-TEMUAN
lexicon I-TEMUAN
Sentistrength I-TEMUAN
sebesar I-TEMUAN
48,4 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Jika O
dilihat O
dari O
kata-kata O
yang O
sering O
muncul O
pada O
tweet O
yang O
terindikasi O
depresi O
berdasarkan O
LabMT O
lebih O
menggambarkan O
indikasi O
depresi O
dibanding O
yang O
dihasilkan O
oleh O
tersebut O
, O
dapat O
lexicon O
Sentistrength. O
Berdasarkan O
hasil O
disimpulkan O
bahwa O
lexicon O
LabMT O
lebih O
baik O
dalam O
mendeteksi O
indikasi O
depresi O
pada O
tweet O
berbahasa O
Indonesia. O
Kata O
Kunci— O
Depresi O
, O
Twitter O
, O
Kesehatan O
Mental O
, O
Deteksi O
, O
Lexicon. O
[SEP] O
jauh O
lebih O
sedikit O
dibanding O
Penelitian O
ini O
menunjukkan O
bahwa O
deteksi B-METODE
indikasi O
depresi O
pada O
tweet O
berbahasa O
Indonesia O
dapat O
dilakukan O
menggunakan O
lexicon O
LabMT O
dan O
Sentistrength. O
Lexicon O
LabMT O
mendeteksi O
indikasi O
depresi O
lexicon O
Sentistrength O
yaitu O
sebanyak O
5.898 O
tweet O
untuk O
LabMT O
dan O
147.336 O
untuk O
Sentistrength O
dari O
keseluruhan O
tweet O
sebanyak O
712.894 O
tweet. O
Namun O
demikian O
, O
kata-kata O
yang O
sering O
muncul O
pada O
tweet O
yang O
terindikasi O
depresi O
berdasarkan O
LabMT O
memiliki O
makna O
yang O
negatif O
dan O
lebih O
mengindikasikan O
depresi O
dibanding O
dengan O
kata-kata O
pada O
tweet O
yang O
terindikasi O
depresi O
berdasarkan O
Sentistrength. O
Persentase O
jumlah O
tweet O
yang O
terindikasi O
depresi O
per O
hari O
memiliki O
pola O
yang O
berbeda O
dari O
kedua O
lexicon. O
LabMT O
lebih O
cenderung O
menghasilkan O
pola O
dengan O
tren O
naik. O
Sedangkan O
Sentistrength O
menghasilkan O
pola O
dengan O
tren O
yang O
stabil O
atau O
konsisten. O
Persentase O
pengguna O
Twitter O
yang O
memposting O
tweet O
yang O
terindikasi O
depresi O
berdasarkan O
LabMT O
yaitu O
7,04 O
% O
. O
Angka O
tersebut O
lebih O
mendekati O
tingkat O
prevalensi O
depresi O
pada O
penduduk O
usia O
15 O
tahun O
keatas O
di O
DKI O
Jakarta O
yaitu O
sebesar O
5,9 O
% O
. O
Persentase O
pengguna O
yang O
memposting O
tweet O
terindikasi O
depresi O
berdasarkan O
Sentistrength O
jauh O
melampaui O
angka O
tersebut O
, O
yaitu O
sebesar O
48,4 O
% O
. O
Dengan O
demikian O
, O
pada O
penelitian O
ini O
lebih O
merekomendsaikan O
lexicon O
LabMT O
untuk O
digunakan O
dalam O
mendeteksi O
indikasi O
depresi O
pada O
teks O
berbahasa O
Indonesia O
di O
media O
sosial. O
Pengembangan O
lebih O
lanjut O
dalam O
penggunaan O
LabMT O
dalam O
mendeteksi O
indikasi O
depresi O
pada O
tweet O
berbahasa O
Indonesia O
bisa O
menjadi O
alat O
untuk O
mendapatkan O
data O
pendukung O
mengenai O
tingkat O
depresi O
di O
Indonesia. O
Sehingga O
monitoring O
mengenai O
tingkat O
depresi O
di O
Indonesia O
bisa O
lebih O
kerap O
dilakukan. O

Indikasi O
Depresi O
pada O
Tweet O
Berbahasa O
Indonesia O
Menggunakan O
Lexicon O
Ganif O
Susilo O
Aji O
( O
221709711 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
S.ST O
, O
M.T.I. O
Ringkasan— O
Semakin O
berkembangnya O
zaman O
, O
kesehatan O
mental O
mulai O
diperhatikan O
terutama O
di O
kalangan O
anak O
muda. O
Hal O
tersebut O
juga O
diikuti O
oleh O
semakin O
meningkatnya O
gangguan O
kesehatan O
mental O
terutama O
depresi. O
Untuk O
menanggulangi O
masalah O
tersebut O
perlu O
dilakukan O
upaya O
dalam O
mencegah O
dan O
mengatasinya. O
Langkah O
awal O
yang O
diperlukan O
yaitu O
dengan O
cara O
mengindentifikasi O
masyarakat O
yang O
sedang O
mengalami O
gejala O
depresi O
tersebut. O
Berkembangnya O
penggunaan O
media O
sosial O
, O
salah O
satunya O
Twitter O
, O
memiliki O
potensi O
untuk O
membantu O
mengatasi O
masalah O
meningkatnya O
kasus O
depresi O
di O
Indonesia. O
Penelitian O
ini O
mencoba O
mendeteksi B-TUJUAN
indikasi I-TUJUAN
depresi I-TUJUAN
pada I-TUJUAN
tweet I-TUJUAN
berbahasa I-TUJUAN
Indonesia. I-TUJUAN
Lexicon O
LabMT O
dan O
Sentitsrength O
digunakan O
untuk O
mengklasifikasikan O
tweet O
terindikasi O
depresi O
dan O
tweet O
tidak O
terindikasi O
depresi. O
Hasil O
dari O
penelitian O
ini O
yaitu O
proporsi B-TEMUAN
pengguna I-TEMUAN
yang I-TEMUAN
terindikasi I-TEMUAN
depresi I-TEMUAN
berdasarkan I-TEMUAN
lexicon I-TEMUAN
LabMT I-TEMUAN
sebesar I-TEMUAN
7,04 I-TEMUAN
% I-TEMUAN
lebih I-TEMUAN
mendekati I-TEMUAN
prevalensi I-TEMUAN
depresi I-TEMUAN
penduduk I-TEMUAN
usia I-TEMUAN
15 I-TEMUAN
keatas I-TEMUAN
sebesar I-TEMUAN
5,9 I-TEMUAN
% I-TEMUAN
dibanding I-TEMUAN
dengan I-TEMUAN
lexicon I-TEMUAN
Sentistrength I-TEMUAN
sebesar I-TEMUAN
48,4 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Jika O
dilihat O
dari O
kata-kata O
yang O
sering O
muncul O
pada O
tweet O
yang O
terindikasi O
depresi O
berdasarkan O
LabMT O
lebih O
menggambarkan O
indikasi O
depresi O
dibanding O
yang O
dihasilkan O
oleh O
tersebut O
, O
dapat O
lexicon O
Sentistrength. O
Berdasarkan O
hasil O
disimpulkan O
bahwa O
lexicon O
LabMT O
lebih O
baik O
dalam O
mendeteksi O
indikasi O
depresi O
pada O
tweet O
berbahasa O
Indonesia. O
Kata O
Kunci— O
Depresi O
, O
Twitter O
, O
Kesehatan O
Mental O
, O
Deteksi O
, O
Lexicon. O
[SEP] O
jauh O
lebih O
sedikit O
dibanding O
Penelitian O
ini O
menunjukkan O
bahwa O
deteksi B-METODE
indikasi O
depresi O
pada O
tweet O
berbahasa O
Indonesia O
dapat O
dilakukan O
menggunakan O
lexicon O
LabMT O
dan O
Sentistrength. O
Lexicon O
LabMT O
mendeteksi O
indikasi O
depresi O
lexicon O
Sentistrength O
yaitu O
sebanyak O
5.898 O
tweet O
untuk O
LabMT O
dan O
147.336 O
untuk O
Sentistrength O
dari O
keseluruhan O
tweet O
sebanyak O
712.894 O
tweet. O
Namun O
demikian O
, O
kata-kata O
yang O
sering O
muncul O
pada O
tweet O
yang O
terindikasi O
depresi O
berdasarkan O
LabMT O
memiliki O
makna O
yang O
negatif O
dan O
lebih O
mengindikasikan O
depresi O
dibanding O
dengan O
kata-kata O
pada O
tweet O
yang O
terindikasi O
depresi O
berdasarkan O
Sentistrength. O
Persentase O
jumlah O
tweet O
yang O
terindikasi O
depresi O
per O
hari O
memiliki O
pola O
yang O
berbeda O
dari O
kedua O
lexicon. O
LabMT O
lebih O
cenderung O
menghasilkan O
pola O
dengan O
tren O
naik. O
Sedangkan O
Sentistrength O
menghasilkan O
pola O
dengan O
tren O
yang O
stabil O
atau O
konsisten. O
Persentase O
pengguna O
Twitter O
yang O
memposting O
tweet O
yang O
terindikasi O
depresi O
berdasarkan O
LabMT O
yaitu O
7,04 O
% O
. O
Angka O
tersebut O
lebih O
mendekati O
tingkat O
prevalensi O
depresi O
pada O
penduduk O
usia O
15 O
tahun O
keatas O
di O
DKI O
Jakarta O
yaitu O
sebesar O
5,9 O
% O
. O
Persentase O
pengguna O
yang O
memposting O
tweet O
terindikasi O
depresi O
berdasarkan O
Sentistrength O
jauh O
melampaui O
angka O
tersebut O
, O
yaitu O
sebesar O
48,4 O
% O
. O
Dengan O
demikian O
, O
pada O
penelitian O
ini O
lebih O
merekomendsaikan O
lexicon O
LabMT O
untuk O
digunakan O
dalam O
mendeteksi O
indikasi O
depresi O
pada O
teks O
berbahasa O
Indonesia O
di O
media O
sosial. O
Pengembangan O
lebih O
lanjut O
dalam O
penggunaan O
LabMT O
dalam O
mendeteksi O
indikasi O
depresi O
pada O
tweet O
berbahasa O
Indonesia O
bisa O
menjadi O
alat O
untuk O
mendapatkan O
data O
pendukung O
mengenai O
tingkat O
depresi O
di O
Indonesia. O
Sehingga O
monitoring O
mengenai O
tingkat O
depresi O
di O
Indonesia O
bisa O
lebih O
kerap O
dilakukan. O

Kemiskinan O
di O
Indonesia O
dengan O
Menggunakan O
Metode O
Algoritma O
Decision O
Tree O
C5.0 O
Frenaldy O
Wahyudi O
Wenas O
( O
221709708 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
, O
SST O
, O
M.Si. O
Ringkasan— O
Kemiskinan O
merupakan O
masalah O
yang O
komplek O
bagi O
banyak O
negara. O
Di O
Indonesia O
, O
persentase O
kemiskinan O
di O
beberapa O
provinsi O
masih O
memerlukan O
perhatian O
serius O
dari O
ini O
bertujuan O
untuk O
pemerintah. O
Sehingga O
, O
penelitian O
mengklasifikasikan B-TUJUAN
provinsi-provinsi I-TUJUAN
di I-TUJUAN
Indonesia I-TUJUAN
ke I-TUJUAN
dalam I-TUJUAN
kategori I-TUJUAN
kemiskinan I-TUJUAN
berdasarkan I-TUJUAN
target I-TUJUAN
persentase I-TUJUAN
kemiskinan I-TUJUAN
yang I-TUJUAN
ada. I-TUJUAN
Dengan O
menggunakan O
data O
yang O
diperoleh O
dari O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
serta O
menerapkan O
metode O
klasifikasi O
Decision O
Tree O
dengan O
algoritma O
C5.0 O
dari O
variabel-variabel O
yang O
diduga O
mampu O
mengelompokkan O
kemiskinan. O
Decision O
Tree O
yang O
telah O
dibentuk O
kemudian O
dilakukan O
proses O
boosting O
sehingga O
didapatkan O
tiga O
model O
unik O
terbaik O
dengan O
error O
rate O
sebesar O
2.9 O
persen. O
Variabel-variabel O
yang O
termasuk O
ke O
dalam O
model O
tersebut O
adalah O
harapan O
hidup O
, O
persentase O
Kelompok O
Usaha O
Bersama O
( O
KUBE O
) O
, O
tingkat O
pengangguran O
terbuka O
, O
persentase O
pekerja O
tani O
di O
sektor O
informal O
, O
rata-rata O
lama O
sekolah O
, O
dan O
persentase O
penduduk O
pengguna O
ponsel. O
Berdasarkan O
hasil O
pengolahan O
dengan O
Variable O
Importance O
Measure O
, O
diperoleh O
tiga O
variabel O
yang O
berkontribusi O
besar O
dalam O
pemodelan O
ini O
yaitu O
harapan O
hidup O
, O
persentase O
sekolah O
dasar O
di O
desa O
/ O
kelurahan O
, O
dan O
persentase O
pekerja O
tani O
di O
sektor O
informal. O
Kata O
Kunci— O
Klasifikasi O
, O
kemiskinan O
, O
decision O
tree O
, O
algoritma O
C5.0 O
[SEP] O
1. O
Kesimpulan O
Berdasarkan O
pemodelan O
yang O
dilakukan O
ditemukan O
tiga O
model O
unik O
terbaik. O
Jika O
melihat O
dari O
indikator O
yang O
menjadi O
root O
node O
yakni O
Tani O
, O
HH O
dan O
KUBE O
, O
akar B-TEMUAN
permasalahan I-TEMUAN
kemiskinan I-TEMUAN
berdasarkan I-TEMUAN
pemodelan I-TEMUAN
ini I-TEMUAN
adalah I-TEMUAN
ketenagakerjaan I-TEMUAN
, I-TEMUAN
kesehatan I-TEMUAN
dan I-TEMUAN
akses I-TEMUAN
infrastruktur. I-TEMUAN
Sedikit O
berbeda O
dengan O
model O
yang O
diperoleh O
, O
berdasarkan O
Variable O
Importance O
Measure O
, O
faktor O
penentu O
kemiskinan O
adalah O
kesehatan O
, O
pendidikan O
dan O
pekerjaan O
yang O
digambarkan O
dengan O
indikator O
HH O
, O
SD O
dan O
tani. O
Selain O
itu O
, O
indikator-indikator O
yang O
tergabung O
dalam O
satu O
tree O
belum O
tentu O
akan O
memiliki O
hubungan O
yang O
kuat O
antara O
satu O
sama O
lain. O
2. O
Saran O
Untuk O
pemerintah O
, O
penerimaan O
usulan O
Bansos O
KUBE O
ada O
baiknya O
perlu O
dikaji O
ulang. O
Karena O
berdasarkan O
temuan O
yang O
ada O
, O
semakin O
banyaknya O
persentase O
penerima O
KUBE O
di O
tiap O
desa O
yang O
ada O
di O
provinsi O
tidak O
berarti O
provinsi O
tersebut O
bisa O
tergolong O
daerah O
yang O
tidak O
miskin. O
Untuk O
penelitian O
kedepannya O
, O
agar O
bisa O
menentukan O
lebih O
bisa O
memberi O
kontribusi O
indikator-indikator O
yang O
terhadap O
pemodelan O
untuk O
klasifikasi O
kemiskinan. O
Karena O
pada O
penelitian O
ini O
masih O
cukup O
banyak O
indikator O
yang O
ternyata O
tidak O
terlalu O
berperan O
penting O
dalam O
pemodelan. O
Penelitian O
ini O
hanya O
menggunakan O
satu O
metode B-METODE
klasifikasi I-METODE
saja O
, O
sehingga O
tidak O
ada O
bahan O
pembandingnya. O
Oleh O
karena O
itu O
, O
perbandingan O
dengan O
metode O
lain O
masih O
diperlukan O
untuk O
mendapatkan O
metode O
terbaik. O

Kemiskinan O
di O
Indonesia O
dengan O
Menggunakan O
Metode O
Algoritma O
Decision O
Tree O
C5.0 O
Frenaldy O
Wahyudi O
Wenas O
( O
221709708 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
, O
SST O
, O
M.Si. O
Ringkasan— O
Kemiskinan O
merupakan O
masalah O
yang O
komplek O
bagi O
banyak O
negara. O
Di O
Indonesia O
, O
persentase O
kemiskinan O
di O
beberapa O
provinsi O
masih O
memerlukan O
perhatian O
serius O
dari O
ini O
bertujuan O
untuk O
pemerintah. O
Sehingga O
, O
penelitian O
mengklasifikasikan B-TUJUAN
provinsi-provinsi I-TUJUAN
di I-TUJUAN
Indonesia I-TUJUAN
ke I-TUJUAN
dalam I-TUJUAN
kategori I-TUJUAN
kemiskinan I-TUJUAN
berdasarkan I-TUJUAN
target I-TUJUAN
persentase I-TUJUAN
kemiskinan I-TUJUAN
yang I-TUJUAN
ada. I-TUJUAN
Dengan O
menggunakan O
data O
yang O
diperoleh O
dari O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
serta O
menerapkan O
metode O
klasifikasi O
Decision O
Tree O
dengan O
algoritma O
C5.0 O
dari O
variabel-variabel O
yang O
diduga O
mampu O
mengelompokkan O
kemiskinan. O
Decision O
Tree O
yang O
telah O
dibentuk O
kemudian O
dilakukan O
proses O
boosting O
sehingga O
didapatkan O
tiga O
model O
unik O
terbaik O
dengan O
error O
rate O
sebesar O
2.9 O
persen. O
Variabel-variabel O
yang O
termasuk O
ke O
dalam O
model O
tersebut O
adalah O
harapan O
hidup O
, O
persentase O
Kelompok O
Usaha O
Bersama O
( O
KUBE O
) O
, O
tingkat O
pengangguran O
terbuka O
, O
persentase O
pekerja O
tani O
di O
sektor O
informal O
, O
rata-rata O
lama O
sekolah O
, O
dan O
persentase O
penduduk O
pengguna O
ponsel. O
Berdasarkan O
hasil O
pengolahan O
dengan O
Variable O
Importance O
Measure O
, O
diperoleh O
tiga O
variabel O
yang O
berkontribusi O
besar O
dalam O
pemodelan O
ini O
yaitu O
harapan O
hidup O
, O
persentase O
sekolah O
dasar O
di O
desa O
/ O
kelurahan O
, O
dan O
persentase O
pekerja O
tani O
di O
sektor O
informal. O
Kata O
Kunci— O
Klasifikasi O
, O
kemiskinan O
, O
decision O
tree O
, O
algoritma O
C5.0 O
[SEP] O
1. O
Kesimpulan O
Berdasarkan O
pemodelan O
yang O
dilakukan O
ditemukan O
tiga O
model O
unik O
terbaik. O
Jika O
melihat O
dari O
indikator O
yang O
menjadi O
root O
node O
yakni O
Tani O
, O
HH O
dan O
KUBE O
, O
akar B-TEMUAN
permasalahan I-TEMUAN
kemiskinan I-TEMUAN
berdasarkan I-TEMUAN
pemodelan I-TEMUAN
ini I-TEMUAN
adalah I-TEMUAN
ketenagakerjaan I-TEMUAN
, I-TEMUAN
kesehatan I-TEMUAN
dan I-TEMUAN
akses I-TEMUAN
infrastruktur. I-TEMUAN
Sedikit O
berbeda O
dengan O
model O
yang O
diperoleh O
, O
berdasarkan O
Variable O
Importance O
Measure O
, O
faktor O
penentu O
kemiskinan O
adalah O
kesehatan O
, O
pendidikan O
dan O
pekerjaan O
yang O
digambarkan O
dengan O
indikator O
HH O
, O
SD O
dan O
tani. O
Selain O
itu O
, O
indikator-indikator O
yang O
tergabung O
dalam O
satu O
tree O
belum O
tentu O
akan O
memiliki O
hubungan O
yang O
kuat O
antara O
satu O
sama O
lain. O
2. O
Saran O
Untuk O
pemerintah O
, O
penerimaan O
usulan O
Bansos O
KUBE O
ada O
baiknya O
perlu O
dikaji O
ulang. O
Karena O
berdasarkan O
temuan O
yang O
ada O
, O
semakin O
banyaknya O
persentase O
penerima O
KUBE O
di O
tiap O
desa O
yang O
ada O
di O
provinsi O
tidak O
berarti O
provinsi O
tersebut O
bisa O
tergolong O
daerah O
yang O
tidak O
miskin. O
Untuk O
penelitian O
kedepannya O
, O
agar O
bisa O
menentukan O
lebih O
bisa O
memberi O
kontribusi O
indikator-indikator O
yang O
terhadap O
pemodelan O
untuk O
klasifikasi O
kemiskinan. O
Karena O
pada O
penelitian O
ini O
masih O
cukup O
banyak O
indikator O
yang O
ternyata O
tidak O
terlalu O
berperan O
penting O
dalam O
pemodelan. O
Penelitian O
ini O
hanya O
menggunakan O
satu O
metode B-METODE
klasifikasi I-METODE
saja O
, O
sehingga O
tidak O
ada O
bahan O
pembandingnya. O
Oleh O
karena O
itu O
, O
perbandingan O
dengan O
metode O
lain O
masih O
diperlukan O
untuk O
mendapatkan O
metode O
terbaik. O

Perbandingan O
Penggunaan O
Kamus O
Normalisasi O
dalam O
Analisis O
Sentimen O
Berbahasa O
Indonesia O
Firnanda O
Zuhad O
( O
221709702 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I. O
Ringkasan— O
Normalisasi O
merupakan O
salah O
satu O
tahapan O
text O
preprocessing O
dalam O
Natural O
Language O
Processing. O
Pengaruh O
normalisasi O
dengan O
kamus O
normalisasi O
dalam O
analisis O
sentimen O
berbahasa O
Indonesia O
belum O
diketahui. O
Dengan O
membandingkan O
data O
yang O
tidak O
dinormalisasi O
dan O
data O
yang O
dinormalisasi O
dari O
beberapa O
dataset O
, O
kita O
bisa O
mengetahui B-TUJUAN
bagaimana I-TUJUAN
pengaruh I-TUJUAN
normalisasi I-TUJUAN
dengan I-TUJUAN
kamus I-TUJUAN
Colloquial I-TUJUAN
Indonesian I-TUJUAN
Lexicon I-TUJUAN
dan I-TUJUAN
modul I-TUJUAN
formalizer I-TUJUAN
pada I-TUJUAN
INANLP I-TUJUAN
dalam I-TUJUAN
analisis I-TUJUAN
sentimen. I-TUJUAN
Untuk O
menganalisis O
sentimen O
dari O
dataset O
, O
metode O
klasifikasi B-METODE
yang O
digunakan O
dalam O
membuat O
model O
adalah O
Multinomial O
Naïve O
Bayes. O
Dengan O
metode O
tersebut O
, O
dihasilkan O
performa O
dari O
delapan O
dataset O
yang O
berbeda O
berupa O
akurasi O
, O
presisi O
, O
dan O
recall. O
Dari O
data O
performa O
, O
diuji O
dengan O
menggunakan O
uji O
wilcoxon O
signed O
rank O
test O
untuk O
menentukan O
apakah O
normalisasi O
mampu O
meningkatkan O
performa O
dari O
analisis B-METODE
sentimen. I-METODE
Dari O
hasil O
uji O
hipotesis O
diperoleh O
bahwa O
hasil O
uji O
keseluruhan O
dari O
performa O
kamus O
menunjukkan O
nilai O
p-value O
kurang O
dari O
0,05. O
Dengan O
begitu O
, O
normalisasi B-TEMUAN
pada I-TEMUAN
analisis I-TEMUAN
sentimen I-TEMUAN
berbahasa I-TEMUAN
indonesia I-TEMUAN
tidak I-TEMUAN
menyebabkan I-TEMUAN
kenaikan I-TEMUAN
performa I-TEMUAN
dari I-TEMUAN
indikator I-TEMUAN
akurasi I-TEMUAN
, I-TEMUAN
presisi I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
recall. I-TEMUAN
Kata O
Kunci— O
Normalisasi O
, O
Analisis O
Sentimen O
, O
Multinomial O
Naïve O
Bayes O
, O
Preprocessing O
, O
Wilcoxon O
Signed O
Ranks O
Test. O
[SEP] O
Dari O
penelitian O
ini O
didapatkan O
hasil O
uji O
performa O
data O
yang O
tidak O
dinormalisasi O
dengan O
performa O
data O
yang O
dinormalisasi O
menggunakan O
kamus O
satu O
( O
Colloquial O
Indonesian O
Lexicon O
) O
dalam O
analisis O
sentimen O
yang O
menunjukkan O
bahwa O
bahwa O
tidak O
terdapat O
perbedaan O
performa O
yang O
signifikan O
baik O
akurasi B-METODE
, I-METODE
presisi I-METODE
, I-METODE
maupun I-METODE
recall. I-METODE
Demikian O
pula O
dengan O
hasil O
uji O
performa O
data O
yang O
tidak O
dinormalisasi O
dengan O
performa O
data O
yang O
dinormalisasi O
menggunakan O
kamus O
dua O
( O
kamus O
INANLP O
) O
dalam O
analisis O
sentimen O
menghasilkan O
kesimpulan O
yang O
sama. O
Dalam O
analisis O
, O
normalisasi O
menggunakan O
kamus O
pada O
INANLP O
tidak O
menghasilkan O
kenaikan O
performa O
yang O
besar O
sehingga O
normalisasi O
dengan O
kamus O
tersebut O
dalam O
analisis O
sentimen O
bisa O
dilakukan O
ataupun O
tidak. O
Walaupun O
demikian O
pada O
pembahasan O
sebelumnya O
, O
terlihat O
bahwa O
kata O
yang O
dinormalisasi O
didominasi O
oleh O
kata O
stopword O
sehingga O
kemunculan O
kata O
ini O
kemungkinan O
tidak O
memberikan O
dampak O
yang O
besar O
terhadap O
performa. O
Disisi O
lain O
, O
dataset O
yang O
digunakan O
dalam O
penelitian O
memiliki O
keterbatasan O
karakteristik O
sehingga O
pengaruh O
normalisasi O
ini O
dapat O
diuji O
coba O
pada O
dataset O
Makalah O
Seminar O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
lain O
yang O
memiliki O
kata O
stopword O
yang O
lebih O
sedikit O
dan O
bentuk O
kata O
tak O
baku O
lebih O
banyak. O
Dari O
hasil O
uji O
performa O
data O
yang O
dinormalisasi O
dengan O
kamus O
satu O
( O
Colloquial O
Indonesian O
Lexicon O
) O
dengan O
performa O
data O
yang O
dinormalisasi O
dengan O
kamus O
dua O
( O
INANLP O
) O
menghasilkan O
kesimpulan O
bahwa O
tidak O
terdapat O
perbedaan O
yang O
signifikan O
dari O
performa O
kedua O
kamus O
dalam O
analisis O
sentimen O
baik O
akurasi O
, O
presisi O
, O
maupun O
recall. O
Dengan O
demikian O
, O
normalisasi O
pada O
analisis O
sentimen O
menggunakan O
kamus O
satu O
ataupun O
kamus O
dua O
tetap O
menghasilkan O
performa O
yang O
tidak O
memiliki O
selisih O
yang O
besar. O

Perbandingan O
Penggunaan O
Kamus O
Normalisasi O
dalam O
Analisis O
Sentimen O
Berbahasa O
Indonesia O
Firnanda O
Zuhad O
( O
221709702 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I. O
Ringkasan— O
Normalisasi O
merupakan O
salah O
satu O
tahapan O
text O
preprocessing O
dalam O
Natural O
Language O
Processing. O
Pengaruh O
normalisasi O
dengan O
kamus O
normalisasi O
dalam O
analisis O
sentimen O
berbahasa O
Indonesia O
belum O
diketahui. O
Dengan O
membandingkan O
data O
yang O
tidak O
dinormalisasi O
dan O
data O
yang O
dinormalisasi O
dari O
beberapa O
dataset O
, O
kita O
bisa O
mengetahui B-TUJUAN
bagaimana I-TUJUAN
pengaruh I-TUJUAN
normalisasi I-TUJUAN
dengan I-TUJUAN
kamus I-TUJUAN
Colloquial I-TUJUAN
Indonesian I-TUJUAN
Lexicon I-TUJUAN
dan I-TUJUAN
modul I-TUJUAN
formalizer I-TUJUAN
pada I-TUJUAN
INANLP I-TUJUAN
dalam I-TUJUAN
analisis I-TUJUAN
sentimen. I-TUJUAN
Untuk O
menganalisis O
sentimen O
dari O
dataset O
, O
metode O
klasifikasi B-METODE
yang O
digunakan O
dalam O
membuat O
model O
adalah O
Multinomial O
Naïve O
Bayes. O
Dengan O
metode O
tersebut O
, O
dihasilkan O
performa O
dari O
delapan O
dataset O
yang O
berbeda O
berupa O
akurasi O
, O
presisi O
, O
dan O
recall. O
Dari O
data O
performa O
, O
diuji O
dengan O
menggunakan O
uji O
wilcoxon O
signed O
rank O
test O
untuk O
menentukan O
apakah O
normalisasi O
mampu O
meningkatkan O
performa O
dari O
analisis B-METODE
sentimen. I-METODE
Dari O
hasil O
uji O
hipotesis O
diperoleh O
bahwa O
hasil O
uji O
keseluruhan O
dari O
performa O
kamus O
menunjukkan O
nilai O
p-value O
kurang O
dari O
0,05. O
Dengan O
begitu O
, O
normalisasi B-TEMUAN
pada I-TEMUAN
analisis I-TEMUAN
sentimen I-TEMUAN
berbahasa I-TEMUAN
indonesia I-TEMUAN
tidak I-TEMUAN
menyebabkan I-TEMUAN
kenaikan I-TEMUAN
performa I-TEMUAN
dari I-TEMUAN
indikator I-TEMUAN
akurasi I-TEMUAN
, I-TEMUAN
presisi I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
recall. I-TEMUAN
Kata O
Kunci— O
Normalisasi O
, O
Analisis O
Sentimen O
, O
Multinomial O
Naïve O
Bayes O
, O
Preprocessing O
, O
Wilcoxon O
Signed O
Ranks O
Test. O
[SEP] O
Dari O
penelitian O
ini O
didapatkan O
hasil O
uji O
performa O
data O
yang O
tidak O
dinormalisasi O
dengan O
performa O
data O
yang O
dinormalisasi O
menggunakan O
kamus O
satu O
( O
Colloquial O
Indonesian O
Lexicon O
) O
dalam O
analisis O
sentimen O
yang O
menunjukkan O
bahwa O
bahwa O
tidak O
terdapat O
perbedaan O
performa O
yang O
signifikan O
baik O
akurasi B-METODE
, I-METODE
presisi I-METODE
, I-METODE
maupun I-METODE
recall. I-METODE
Demikian O
pula O
dengan O
hasil O
uji O
performa O
data O
yang O
tidak O
dinormalisasi O
dengan O
performa O
data O
yang O
dinormalisasi O
menggunakan O
kamus O
dua O
( O
kamus O
INANLP O
) O
dalam O
analisis O
sentimen O
menghasilkan O
kesimpulan O
yang O
sama. O
Dalam O
analisis O
, O
normalisasi O
menggunakan O
kamus O
pada O
INANLP O
tidak O
menghasilkan O
kenaikan O
performa O
yang O
besar O
sehingga O
normalisasi O
dengan O
kamus O
tersebut O
dalam O
analisis O
sentimen O
bisa O
dilakukan O
ataupun O
tidak. O
Walaupun O
demikian O
pada O
pembahasan O
sebelumnya O
, O
terlihat O
bahwa O
kata O
yang O
dinormalisasi O
didominasi O
oleh O
kata O
stopword O
sehingga O
kemunculan O
kata O
ini O
kemungkinan O
tidak O
memberikan O
dampak O
yang O
besar O
terhadap O
performa. O
Disisi O
lain O
, O
dataset O
yang O
digunakan O
dalam O
penelitian O
memiliki O
keterbatasan O
karakteristik O
sehingga O
pengaruh O
normalisasi O
ini O
dapat O
diuji O
coba O
pada O
dataset O
Makalah O
Seminar O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
lain O
yang O
memiliki O
kata O
stopword O
yang O
lebih O
sedikit O
dan O
bentuk O
kata O
tak O
baku O
lebih O
banyak. O
Dari O
hasil O
uji O
performa O
data O
yang O
dinormalisasi O
dengan O
kamus O
satu O
( O
Colloquial O
Indonesian O
Lexicon O
) O
dengan O
performa O
data O
yang O
dinormalisasi O
dengan O
kamus O
dua O
( O
INANLP O
) O
menghasilkan O
kesimpulan O
bahwa O
tidak O
terdapat O
perbedaan O
yang O
signifikan O
dari O
performa O
kedua O
kamus O
dalam O
analisis O
sentimen O
baik O
akurasi O
, O
presisi O
, O
maupun O
recall. O
Dengan O
demikian O
, O
normalisasi O
pada O
analisis O
sentimen O
menggunakan O
kamus O
satu O
ataupun O
kamus O
dua O
tetap O
menghasilkan O
performa O
yang O
tidak O
memiliki O
selisih O
yang O
besar. O

Perbandingan O
Penggunaan O
Kamus O
Normalisasi O
dalam O
Analisis O
Sentimen O
Berbahasa O
Indonesia O
Firnanda O
Zuhad O
( O
221709702 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I. O
Ringkasan— O
Normalisasi O
merupakan O
salah O
satu O
tahapan O
text O
preprocessing O
dalam O
Natural O
Language O
Processing. O
Pengaruh O
normalisasi O
dengan O
kamus O
normalisasi O
dalam O
analisis O
sentimen O
berbahasa O
Indonesia O
belum O
diketahui. O
Dengan O
membandingkan O
data O
yang O
tidak O
dinormalisasi O
dan O
data O
yang O
dinormalisasi O
dari O
beberapa O
dataset O
, O
kita O
bisa O
mengetahui B-TUJUAN
bagaimana I-TUJUAN
pengaruh I-TUJUAN
normalisasi I-TUJUAN
dengan I-TUJUAN
kamus I-TUJUAN
Colloquial I-TUJUAN
Indonesian I-TUJUAN
Lexicon I-TUJUAN
dan I-TUJUAN
modul I-TUJUAN
formalizer I-TUJUAN
pada I-TUJUAN
INANLP I-TUJUAN
dalam I-TUJUAN
analisis I-TUJUAN
sentimen. I-TUJUAN
Untuk O
menganalisis O
sentimen O
dari O
dataset O
, O
metode O
klasifikasi B-METODE
yang O
digunakan O
dalam O
membuat O
model O
adalah O
Multinomial O
Naïve O
Bayes. O
Dengan O
metode O
tersebut O
, O
dihasilkan O
performa O
dari O
delapan O
dataset O
yang O
berbeda O
berupa O
akurasi O
, O
presisi O
, O
dan O
recall. O
Dari O
data O
performa O
, O
diuji O
dengan O
menggunakan O
uji O
wilcoxon O
signed O
rank O
test O
untuk O
menentukan O
apakah O
normalisasi O
mampu O
meningkatkan O
performa O
dari O
analisis B-METODE
sentimen. I-METODE
Dari O
hasil O
uji O
hipotesis O
diperoleh O
bahwa O
hasil O
uji O
keseluruhan O
dari O
performa O
kamus O
menunjukkan O
nilai O
p-value O
kurang O
dari O
0,05. O
Dengan O
begitu O
, O
normalisasi B-TEMUAN
pada I-TEMUAN
analisis I-TEMUAN
sentimen I-TEMUAN
berbahasa I-TEMUAN
indonesia I-TEMUAN
tidak I-TEMUAN
menyebabkan I-TEMUAN
kenaikan I-TEMUAN
performa I-TEMUAN
dari I-TEMUAN
indikator I-TEMUAN
akurasi I-TEMUAN
, I-TEMUAN
presisi I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
recall. I-TEMUAN
Kata O
Kunci— O
Normalisasi O
, O
Analisis O
Sentimen O
, O
Multinomial O
Naïve O
Bayes O
, O
Preprocessing O
, O
Wilcoxon O
Signed O
Ranks O
Test. O
[SEP] O
Dari O
penelitian O
ini O
didapatkan O
hasil O
uji O
performa O
data O
yang O
tidak O
dinormalisasi O
dengan O
performa O
data O
yang O
dinormalisasi O
menggunakan O
kamus O
satu O
( O
Colloquial O
Indonesian O
Lexicon O
) O
dalam O
analisis O
sentimen O
yang O
menunjukkan O
bahwa O
bahwa O
tidak O
terdapat O
perbedaan O
performa O
yang O
signifikan O
baik O
akurasi B-METODE
, I-METODE
presisi I-METODE
, I-METODE
maupun I-METODE
recall. I-METODE
Demikian O
pula O
dengan O
hasil O
uji O
performa O
data O
yang O
tidak O
dinormalisasi O
dengan O
performa O
data O
yang O
dinormalisasi O
menggunakan O
kamus O
dua O
( O
kamus O
INANLP O
) O
dalam O
analisis O
sentimen O
menghasilkan O
kesimpulan O
yang O
sama. O
Dalam O
analisis O
, O
normalisasi O
menggunakan O
kamus O
pada O
INANLP O
tidak O
menghasilkan O
kenaikan O
performa O
yang O
besar O
sehingga O
normalisasi O
dengan O
kamus O
tersebut O
dalam O
analisis O
sentimen O
bisa O
dilakukan O
ataupun O
tidak. O
Walaupun O
demikian O
pada O
pembahasan O
sebelumnya O
, O
terlihat O
bahwa O
kata O
yang O
dinormalisasi O
didominasi O
oleh O
kata O
stopword O
sehingga O
kemunculan O
kata O
ini O
kemungkinan O
tidak O
memberikan O
dampak O
yang O
besar O
terhadap O
performa. O
Disisi O
lain O
, O
dataset O
yang O
digunakan O
dalam O
penelitian O
memiliki O
keterbatasan O
karakteristik O
sehingga O
pengaruh O
normalisasi O
ini O
dapat O
diuji O
coba O
pada O
dataset O
Makalah O
Seminar O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
lain O
yang O
memiliki O
kata O
stopword O
yang O
lebih O
sedikit O
dan O
bentuk O
kata O
tak O
baku O
lebih O
banyak. O
Dari O
hasil O
uji O
performa O
data O
yang O
dinormalisasi O
dengan O
kamus O
satu O
( O
Colloquial O
Indonesian O
Lexicon O
) O
dengan O
performa O
data O
yang O
dinormalisasi O
dengan O
kamus O
dua O
( O
INANLP O
) O
menghasilkan O
kesimpulan O
bahwa O
tidak O
terdapat O
perbedaan O
yang O
signifikan O
dari O
performa O
kedua O
kamus O
dalam O
analisis O
sentimen O
baik O
akurasi O
, O
presisi O
, O
maupun O
recall. O
Dengan O
demikian O
, O
normalisasi O
pada O
analisis O
sentimen O
menggunakan O
kamus O
satu O
ataupun O
kamus O
dua O
tetap O
menghasilkan O
performa O
yang O
tidak O
memiliki O
selisih O
yang O
besar. O

Pemanfaatan O
Telemedicine O
di O
Indonesia O
Studi O
Kasus O
: O
Laman O
Alodokter O
, O
Dokter.id O
, O
dan O
Honestdocs O
Faza O
Nur O
Fuadina O
( O
221709696 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Nucke O
Widowati O
Kusumo O
Projo O
, O
S.Si O
, O
M.Sc O
, O
Ph.D O
internet O
dan O
Ringkasan—Perkembangan O
teknologi O
di O
Indonesia O
terjadi O
di O
berbagai O
sisi O
kehidupan O
termasuk O
pada O
bidang O
kesehatan O
dengan O
adanya O
e-health. O
Pemanfaatan O
telemedicine O
sebagai O
salah O
satu O
wujud O
e-health O
di O
Indonesia O
dirasa O
masih O
awam O
di O
kalangan O
sebagian O
masyarakat O
mengingat O
keberadaannya O
tidak O
sebanyak O
e-commerce O
yang O
bergerak O
di O
sektor O
ekonomi. O
Adanya O
pandemi O
COVID-19 O
menjadi O
alasan O
terciptanya O
aturan O
pembatasan O
pergerakan O
, O
namun O
juga O
dapat O
menjadi O
alasan O
adanya O
pemanfaatan O
telemedicine O
di O
Indonesia. O
Dengan O
memanfaatkan O
data O
pada O
telemedicine O
, O
peneliti O
melihat B-TUJUAN
sejauh I-TUJUAN
mana I-TUJUAN
pemanfaatan I-TUJUAN
telemedicine I-TUJUAN
di I-TUJUAN
Indonesia I-TUJUAN
serta I-TUJUAN
melihat I-TUJUAN
fenomena I-TUJUAN
kesehatan I-TUJUAN
yang I-TUJUAN
tertangkap I-TUJUAN
pada I-TUJUAN
data I-TUJUAN
tersebut. I-TUJUAN
Analisis B-METODE
deskriptif I-METODE
dan O
text B-METODE
mining I-METODE
digunakan O
untuk O
mengetahui O
pemanfaatan O
telemedicine O
dengan O
metode B-METODE
Named I-METODE
Entity I-METODE
Recognition I-METODE
( I-METODE
NER I-METODE
) I-METODE
dan O
Latent B-METODE
Dirichlet I-METODE
Allocation I-METODE
( I-METODE
LDA I-METODE
) I-METODE
. O
Selain O
itu O
, O
dilakukan O
kajian O
literatur O
untuk O
mengidentifikasi O
potensi O
pemanfaatan O
data O
telemedicine O
dalam O
pengumpulan O
statistik O
kesehatan O
di O
Indonesia. O
Hasil O
menunjukkan O
bahwa O
: O
telemedicine B-TEMUAN
sudah I-TEMUAN
banyak I-TEMUAN
dimanfaatkan I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
, I-TEMUAN
data I-TEMUAN
telekonsultasi I-TEMUAN
klinis I-TEMUAN
dan I-TEMUAN
judul I-TEMUAN
artikel I-TEMUAN
pada I-TEMUAN
telemedicine I-TEMUAN
dapat I-TEMUAN
menghasilkan I-TEMUAN
berbagai I-TEMUAN
topik I-TEMUAN
kesehatan I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
data I-TEMUAN
telemedicine I-TEMUAN
berpotensi I-TEMUAN
untuk I-TEMUAN
dimanfaatkan I-TEMUAN
sebagai I-TEMUAN
sumber I-TEMUAN
pengumpulan I-TEMUAN
statistik I-TEMUAN
kesehatan. I-TEMUAN
Kata O
Kunci— O
telemedicine O
, O
telekonsultasi O
klinis O
, O
kesehatan O
, O
text O
mining O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
peneliti O
menarik O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
• O
Berdasarkan O
analisis O
yang O
dilakukan O
terhadap O
fitur-fiturnya O
, O
masyarakat O
sudah O
banyak O
memanfaatkan O
telemedicine O
dan O
fenomena O
COVID-19 O
tertangkap O
data O
telemedicine O
melalui O
fitur O
telekonsultasi O
klinis O
, O
artikel O
, O
serta O
obat O
dan O
penyakit. O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
• O
Topik O
kesehatan O
dapat O
dimodelkan O
menjadi O
12 O
topik O
untuk O
data O
telekonsultasi O
klinis O
dan O
14 O
topik O
untuk O
data O
artikel O
, O
serta O
menampilkan O
tren O
dari O
topik O
kesehatan O
tersebut. O
dalam O
• O
Data O
berpotensi O
telemedicine O
dimanfaatkan O
mendukung O
official O
statistics O
kesehatan O
di O
Indonesia. O
Besar O
harapan O
peneliti O
akan O
adanya O
pengembangan O
atas O
penelitian O
ini. O
Arah O
pengembangan O
tersebut O
dapat O
berupa O
pengembangan O
ruang O
lingkup O
penelitian O
seperti O
menggunakan O
telemedicine O
lainnya O
, O
atau O
dapat O
juga O
fitur O
lain. O
Selain O
itu O
dapat O
juga O
dilakukan O
pengembangan O
dengan O
menambahkan O
analisis O
tambahan O
baik O
untuk O
data O
atau O
fitur O
yang O
sama O
maupun O
yang O
berbeda O
seperti O
analisis O
isi O
artikel O
, O
analisis O
sentimen O
data O
pertanyaan O
, O
atau O
penggunaan O
kecerdasan O
buatan O
untuk O
deteksi O
penyakit. O

Pemanfaatan O
Telemedicine O
di O
Indonesia O
Studi O
Kasus O
: O
Laman O
Alodokter O
, O
Dokter.id O
, O
dan O
Honestdocs O
Faza O
Nur O
Fuadina O
( O
221709696 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Nucke O
Widowati O
Kusumo O
Projo O
, O
S.Si O
, O
M.Sc O
, O
Ph.D O
internet O
dan O
Ringkasan—Perkembangan O
teknologi O
di O
Indonesia O
terjadi O
di O
berbagai O
sisi O
kehidupan O
termasuk O
pada O
bidang O
kesehatan O
dengan O
adanya O
e-health. O
Pemanfaatan O
telemedicine O
sebagai O
salah O
satu O
wujud O
e-health O
di O
Indonesia O
dirasa O
masih O
awam O
di O
kalangan O
sebagian O
masyarakat O
mengingat O
keberadaannya O
tidak O
sebanyak O
e-commerce O
yang O
bergerak O
di O
sektor O
ekonomi. O
Adanya O
pandemi O
COVID-19 O
menjadi O
alasan O
terciptanya O
aturan O
pembatasan O
pergerakan O
, O
namun O
juga O
dapat O
menjadi O
alasan O
adanya O
pemanfaatan O
telemedicine O
di O
Indonesia. O
Dengan O
memanfaatkan O
data O
pada O
telemedicine O
, O
peneliti O
melihat B-TUJUAN
sejauh I-TUJUAN
mana I-TUJUAN
pemanfaatan I-TUJUAN
telemedicine I-TUJUAN
di I-TUJUAN
Indonesia I-TUJUAN
serta I-TUJUAN
melihat I-TUJUAN
fenomena I-TUJUAN
kesehatan I-TUJUAN
yang I-TUJUAN
tertangkap I-TUJUAN
pada I-TUJUAN
data I-TUJUAN
tersebut. I-TUJUAN
Analisis B-METODE
deskriptif I-METODE
dan O
text B-METODE
mining I-METODE
digunakan O
untuk O
mengetahui O
pemanfaatan O
telemedicine O
dengan O
metode B-METODE
Named I-METODE
Entity I-METODE
Recognition I-METODE
( I-METODE
NER I-METODE
) I-METODE
dan O
Latent B-METODE
Dirichlet I-METODE
Allocation I-METODE
( I-METODE
LDA I-METODE
) I-METODE
. O
Selain O
itu O
, O
dilakukan O
kajian O
literatur O
untuk O
mengidentifikasi O
potensi O
pemanfaatan O
data O
telemedicine O
dalam O
pengumpulan O
statistik O
kesehatan O
di O
Indonesia. O
Hasil O
menunjukkan O
bahwa O
: O
telemedicine B-TEMUAN
sudah I-TEMUAN
banyak I-TEMUAN
dimanfaatkan I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
, I-TEMUAN
data I-TEMUAN
telekonsultasi I-TEMUAN
klinis I-TEMUAN
dan I-TEMUAN
judul I-TEMUAN
artikel I-TEMUAN
pada I-TEMUAN
telemedicine I-TEMUAN
dapat I-TEMUAN
menghasilkan I-TEMUAN
berbagai I-TEMUAN
topik I-TEMUAN
kesehatan I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
data I-TEMUAN
telemedicine I-TEMUAN
berpotensi I-TEMUAN
untuk I-TEMUAN
dimanfaatkan I-TEMUAN
sebagai I-TEMUAN
sumber I-TEMUAN
pengumpulan I-TEMUAN
statistik I-TEMUAN
kesehatan. I-TEMUAN
Kata O
Kunci— O
telemedicine O
, O
telekonsultasi O
klinis O
, O
kesehatan O
, O
text O
mining O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
peneliti O
menarik O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
• O
Berdasarkan O
analisis O
yang O
dilakukan O
terhadap O
fitur-fiturnya O
, O
masyarakat O
sudah O
banyak O
memanfaatkan O
telemedicine O
dan O
fenomena O
COVID-19 O
tertangkap O
data O
telemedicine O
melalui O
fitur O
telekonsultasi O
klinis O
, O
artikel O
, O
serta O
obat O
dan O
penyakit. O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
• O
Topik O
kesehatan O
dapat O
dimodelkan O
menjadi O
12 O
topik O
untuk O
data O
telekonsultasi O
klinis O
dan O
14 O
topik O
untuk O
data O
artikel O
, O
serta O
menampilkan O
tren O
dari O
topik O
kesehatan O
tersebut. O
dalam O
• O
Data O
berpotensi O
telemedicine O
dimanfaatkan O
mendukung O
official O
statistics O
kesehatan O
di O
Indonesia. O
Besar O
harapan O
peneliti O
akan O
adanya O
pengembangan O
atas O
penelitian O
ini. O
Arah O
pengembangan O
tersebut O
dapat O
berupa O
pengembangan O
ruang O
lingkup O
penelitian O
seperti O
menggunakan O
telemedicine O
lainnya O
, O
atau O
dapat O
juga O
fitur O
lain. O
Selain O
itu O
dapat O
juga O
dilakukan O
pengembangan O
dengan O
menambahkan O
analisis O
tambahan O
baik O
untuk O
data O
atau O
fitur O
yang O
sama O
maupun O
yang O
berbeda O
seperti O
analisis O
isi O
artikel O
, O
analisis O
sentimen O
data O
pertanyaan O
, O
atau O
penggunaan O
kecerdasan O
buatan O
untuk O
deteksi O
penyakit. O

Pemanfaatan O
Telemedicine O
di O
Indonesia O
Studi O
Kasus O
: O
Laman O
Alodokter O
, O
Dokter.id O
, O
dan O
Honestdocs O
Faza O
Nur O
Fuadina O
( O
221709696 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Nucke O
Widowati O
Kusumo O
Projo O
, O
S.Si O
, O
M.Sc O
, O
Ph.D O
internet O
dan O
Ringkasan—Perkembangan O
teknologi O
di O
Indonesia O
terjadi O
di O
berbagai O
sisi O
kehidupan O
termasuk O
pada O
bidang O
kesehatan O
dengan O
adanya O
e-health. O
Pemanfaatan O
telemedicine O
sebagai O
salah O
satu O
wujud O
e-health O
di O
Indonesia O
dirasa O
masih O
awam O
di O
kalangan O
sebagian O
masyarakat O
mengingat O
keberadaannya O
tidak O
sebanyak O
e-commerce O
yang O
bergerak O
di O
sektor O
ekonomi. O
Adanya O
pandemi O
COVID-19 O
menjadi O
alasan O
terciptanya O
aturan O
pembatasan O
pergerakan O
, O
namun O
juga O
dapat O
menjadi O
alasan O
adanya O
pemanfaatan O
telemedicine O
di O
Indonesia. O
Dengan O
memanfaatkan O
data O
pada O
telemedicine O
, O
peneliti O
melihat B-TUJUAN
sejauh I-TUJUAN
mana I-TUJUAN
pemanfaatan I-TUJUAN
telemedicine I-TUJUAN
di I-TUJUAN
Indonesia I-TUJUAN
serta I-TUJUAN
melihat I-TUJUAN
fenomena I-TUJUAN
kesehatan I-TUJUAN
yang I-TUJUAN
tertangkap I-TUJUAN
pada I-TUJUAN
data I-TUJUAN
tersebut. I-TUJUAN
Analisis B-METODE
deskriptif I-METODE
dan O
text B-METODE
mining I-METODE
digunakan O
untuk O
mengetahui O
pemanfaatan O
telemedicine O
dengan O
metode B-METODE
Named I-METODE
Entity I-METODE
Recognition I-METODE
( I-METODE
NER I-METODE
) I-METODE
dan O
Latent B-METODE
Dirichlet I-METODE
Allocation I-METODE
( I-METODE
LDA I-METODE
) I-METODE
. O
Selain O
itu O
, O
dilakukan O
kajian O
literatur O
untuk O
mengidentifikasi O
potensi O
pemanfaatan O
data O
telemedicine O
dalam O
pengumpulan O
statistik O
kesehatan O
di O
Indonesia. O
Hasil O
menunjukkan O
bahwa O
: O
telemedicine B-TEMUAN
sudah I-TEMUAN
banyak I-TEMUAN
dimanfaatkan I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
, I-TEMUAN
data I-TEMUAN
telekonsultasi I-TEMUAN
klinis I-TEMUAN
dan I-TEMUAN
judul I-TEMUAN
artikel I-TEMUAN
pada I-TEMUAN
telemedicine I-TEMUAN
dapat I-TEMUAN
menghasilkan I-TEMUAN
berbagai I-TEMUAN
topik I-TEMUAN
kesehatan I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
data I-TEMUAN
telemedicine I-TEMUAN
berpotensi I-TEMUAN
untuk I-TEMUAN
dimanfaatkan I-TEMUAN
sebagai I-TEMUAN
sumber I-TEMUAN
pengumpulan I-TEMUAN
statistik I-TEMUAN
kesehatan. I-TEMUAN
Kata O
Kunci— O
telemedicine O
, O
telekonsultasi O
klinis O
, O
kesehatan O
, O
text O
mining O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
peneliti O
menarik O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
• O
Berdasarkan O
analisis O
yang O
dilakukan O
terhadap O
fitur-fiturnya O
, O
masyarakat O
sudah O
banyak O
memanfaatkan O
telemedicine O
dan O
fenomena O
COVID-19 O
tertangkap O
data O
telemedicine O
melalui O
fitur O
telekonsultasi O
klinis O
, O
artikel O
, O
serta O
obat O
dan O
penyakit. O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
• O
Topik O
kesehatan O
dapat O
dimodelkan O
menjadi O
12 O
topik O
untuk O
data O
telekonsultasi O
klinis O
dan O
14 O
topik O
untuk O
data O
artikel O
, O
serta O
menampilkan O
tren O
dari O
topik O
kesehatan O
tersebut. O
dalam O
• O
Data O
berpotensi O
telemedicine O
dimanfaatkan O
mendukung O
official O
statistics O
kesehatan O
di O
Indonesia. O
Besar O
harapan O
peneliti O
akan O
adanya O
pengembangan O
atas O
penelitian O
ini. O
Arah O
pengembangan O
tersebut O
dapat O
berupa O
pengembangan O
ruang O
lingkup O
penelitian O
seperti O
menggunakan O
telemedicine O
lainnya O
, O
atau O
dapat O
juga O
fitur O
lain. O
Selain O
itu O
dapat O
juga O
dilakukan O
pengembangan O
dengan O
menambahkan O
analisis O
tambahan O
baik O
untuk O
data O
atau O
fitur O
yang O
sama O
maupun O
yang O
berbeda O
seperti O
analisis O
isi O
artikel O
, O
analisis O
sentimen O
data O
pertanyaan O
, O
atau O
penggunaan O
kecerdasan O
buatan O
untuk O
deteksi O
penyakit. O

Pemanfaatan O
Telemedicine O
di O
Indonesia O
Studi O
Kasus O
: O
Laman O
Alodokter O
, O
Dokter.id O
, O
dan O
Honestdocs O
Faza O
Nur O
Fuadina O
( O
221709696 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Nucke O
Widowati O
Kusumo O
Projo O
, O
S.Si O
, O
M.Sc O
, O
Ph.D O
internet O
dan O
Ringkasan—Perkembangan O
teknologi O
di O
Indonesia O
terjadi O
di O
berbagai O
sisi O
kehidupan O
termasuk O
pada O
bidang O
kesehatan O
dengan O
adanya O
e-health. O
Pemanfaatan O
telemedicine O
sebagai O
salah O
satu O
wujud O
e-health O
di O
Indonesia O
dirasa O
masih O
awam O
di O
kalangan O
sebagian O
masyarakat O
mengingat O
keberadaannya O
tidak O
sebanyak O
e-commerce O
yang O
bergerak O
di O
sektor O
ekonomi. O
Adanya O
pandemi O
COVID-19 O
menjadi O
alasan O
terciptanya O
aturan O
pembatasan O
pergerakan O
, O
namun O
juga O
dapat O
menjadi O
alasan O
adanya O
pemanfaatan O
telemedicine O
di O
Indonesia. O
Dengan O
memanfaatkan O
data O
pada O
telemedicine O
, O
peneliti O
melihat B-TUJUAN
sejauh I-TUJUAN
mana I-TUJUAN
pemanfaatan I-TUJUAN
telemedicine I-TUJUAN
di I-TUJUAN
Indonesia I-TUJUAN
serta I-TUJUAN
melihat I-TUJUAN
fenomena I-TUJUAN
kesehatan I-TUJUAN
yang I-TUJUAN
tertangkap I-TUJUAN
pada I-TUJUAN
data I-TUJUAN
tersebut. I-TUJUAN
Analisis B-METODE
deskriptif I-METODE
dan O
text B-METODE
mining I-METODE
digunakan O
untuk O
mengetahui O
pemanfaatan O
telemedicine O
dengan O
metode B-METODE
Named I-METODE
Entity I-METODE
Recognition I-METODE
( I-METODE
NER I-METODE
) I-METODE
dan O
Latent B-METODE
Dirichlet I-METODE
Allocation I-METODE
( I-METODE
LDA I-METODE
) I-METODE
. O
Selain O
itu O
, O
dilakukan O
kajian O
literatur O
untuk O
mengidentifikasi O
potensi O
pemanfaatan O
data O
telemedicine O
dalam O
pengumpulan O
statistik O
kesehatan O
di O
Indonesia. O
Hasil O
menunjukkan O
bahwa O
: O
telemedicine B-TEMUAN
sudah I-TEMUAN
banyak I-TEMUAN
dimanfaatkan I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
, I-TEMUAN
data I-TEMUAN
telekonsultasi I-TEMUAN
klinis I-TEMUAN
dan I-TEMUAN
judul I-TEMUAN
artikel I-TEMUAN
pada I-TEMUAN
telemedicine I-TEMUAN
dapat I-TEMUAN
menghasilkan I-TEMUAN
berbagai I-TEMUAN
topik I-TEMUAN
kesehatan I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
data I-TEMUAN
telemedicine I-TEMUAN
berpotensi I-TEMUAN
untuk I-TEMUAN
dimanfaatkan I-TEMUAN
sebagai I-TEMUAN
sumber I-TEMUAN
pengumpulan I-TEMUAN
statistik I-TEMUAN
kesehatan. I-TEMUAN
Kata O
Kunci— O
telemedicine O
, O
telekonsultasi O
klinis O
, O
kesehatan O
, O
text O
mining O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
peneliti O
menarik O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
• O
Berdasarkan O
analisis O
yang O
dilakukan O
terhadap O
fitur-fiturnya O
, O
masyarakat O
sudah O
banyak O
memanfaatkan O
telemedicine O
dan O
fenomena O
COVID-19 O
tertangkap O
data O
telemedicine O
melalui O
fitur O
telekonsultasi O
klinis O
, O
artikel O
, O
serta O
obat O
dan O
penyakit. O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
• O
Topik O
kesehatan O
dapat O
dimodelkan O
menjadi O
12 O
topik O
untuk O
data O
telekonsultasi O
klinis O
dan O
14 O
topik O
untuk O
data O
artikel O
, O
serta O
menampilkan O
tren O
dari O
topik O
kesehatan O
tersebut. O
dalam O
• O
Data O
berpotensi O
telemedicine O
dimanfaatkan O
mendukung O
official O
statistics O
kesehatan O
di O
Indonesia. O
Besar O
harapan O
peneliti O
akan O
adanya O
pengembangan O
atas O
penelitian O
ini. O
Arah O
pengembangan O
tersebut O
dapat O
berupa O
pengembangan O
ruang O
lingkup O
penelitian O
seperti O
menggunakan O
telemedicine O
lainnya O
, O
atau O
dapat O
juga O
fitur O
lain. O
Selain O
itu O
dapat O
juga O
dilakukan O
pengembangan O
dengan O
menambahkan O
analisis O
tambahan O
baik O
untuk O
data O
atau O
fitur O
yang O
sama O
maupun O
yang O
berbeda O
seperti O
analisis O
isi O
artikel O
, O
analisis O
sentimen O
data O
pertanyaan O
, O
atau O
penggunaan O
kecerdasan O
buatan O
untuk O
deteksi O
penyakit. O

Informasi O
Gangguan O
dan O
Lokasi O
Pada O
IndiHome O
Menggunakan O
Named O
Entity O
Recognition O
( O
NER O
) O
Fauziah O
( O
221709694 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
SST O
, O
MT O
Ringkasan— O
Perkembangan O
media O
sosial O
memudahkan O
pengguna O
untuk O
berkomunikasi O
dan O
mendapatkan O
informasi. O
Twitter O
merupakan O
media O
sosial O
yang O
popular O
di O
Indonesia. O
Tweet O
yang O
dikirim O
pengguna O
Twitter O
dapat O
dijadikan O
sebagai O
sumber O
informasi. O
Suatu O
rangkaian O
proses O
diperlukan O
untuk O
mengekstrak O
informasi O
dari O
tweet. O
Pada O
penelitian O
ini O
akan O
dilakukan O
ekstraksi O
informasi O
dari O
tweet O
yang O
ditujukan O
untuk O
IndiHome O
pada O
Januari O
2020 O
hingga O
Desember O
2020 O
dengan O
mengklasifikasi O
entitas O
pada O
tweet O
dalam O
kelas-kelas O
tertentu O
menggunakan O
Named B-METODE
Entity I-METODE
Recognition I-METODE
( I-METODE
NER I-METODE
) I-METODE
pada O
spaCy. O
Informasi O
yang O
akan O
diekstrak O
adalah O
gangguan O
yang O
terjadi O
pada O
IndiHome O
dan O
lokasi O
terjadinya O
gangguan O
tersebut. O
Ekstraksi O
tersebut O
dilakukan O
untuk O
memperoleh B-TUJUAN
informasi I-TUJUAN
terkait I-TUJUAN
jenis I-TUJUAN
gangguan I-TUJUAN
apa I-TUJUAN
saja I-TUJUAN
yang I-TUJUAN
terjadi I-TUJUAN
pada I-TUJUAN
layanan I-TUJUAN
IndiHome I-TUJUAN
serta I-TUJUAN
wilayah I-TUJUAN
mana I-TUJUAN
saja I-TUJUAN
yang I-TUJUAN
mengalami I-TUJUAN
gangguan I-TUJUAN
layanan I-TUJUAN
IndiHome. I-TUJUAN
Model O
dibangun O
menggunakan O
data O
berlabel O
yang O
di-split O
menjadi O
train O
dan O
test O
data. O
Model B-TEMUAN
tersebut I-TEMUAN
menghasilkan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
86,15 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Gangguan I-TEMUAN
IndiHome I-TEMUAN
paling I-TEMUAN
banyak I-TEMUAN
terjadi I-TEMUAN
di I-TEMUAN
Pulau I-TEMUAN
Jawa I-TEMUAN
, I-TEMUAN
tepatnya I-TEMUAN
Kota I-TEMUAN
Bekasi. I-TEMUAN
Kata O
Kunci— O
Twitter O
, O
Named O
Entity O
Recognition O
( O
NER O
) O
, O
SpaCy O
, O
Gangguan O
IndiHome. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
diatas O
dapat O
disimpulkan O
bahwa O
: O
1. O
Telah O
berhasil O
dibangun O
model O
Name B-METODE
Entity I-METODE
Recognition I-METODE
( I-METODE
NER I-METODE
) I-METODE
untuk O
teks O
berbahasa O
Indonesia O
menggunakan O
spaCy O
dengan O
hasil O
akurasi B-METODE
86,15 O
% O
. O
Entitas O
berupa O
jenis O
gangguan O
dan O
lokasi O
pada O
tweet O
telah O
berhasil O
diekstraksi O
yang O
masing-masing O
diklasifikasikan O
ke O
dalam O
kelas O
tertentu O
dengan O
label O
B- O
LOC O
, O
I-LOC O
, O
G1 O
, O
G2 O
, O
G3 O
, O
G4 O
dan O
G5. O
2. O
Jenis O
gangguan O
yang O
sering O
muncul O
secara O
keseluruhan O
pada O
tahun O
2020 O
adalah O
label O
G3. O
Berdasarkan O
tiap O
bulannya O
jenis O
gangguan O
yang O
terjadi O
pada O
bulan O
Januari O
, O
Februari O
, O
Juni O
, O
Juli O
, O
Agustus O
, O
September O
dan O
November O
adalah O
label O
G3 O
yaitu O
internet O
atau O
jaringan O
mati O
, O
lost O
connection O
, O
jaringan O
tidak O
bisa O
tersambung O
, O
jaringan O
terputus O
, O
jaringan O
down O
, O
jaringan O
trouble O
dan O
jaringan O
error O
sedangkan O
bulan O
Maret O
, O
April O
, O
Mei O
, O
Oktober O
dan O
Desember O
adalah O
label O
G2 O
yaitu O
internet O
atau O
jaringan O
lelet O
/ O
lemot O
/ O
lambat. O
3. O
Pulau O
Jawa O
adalah O
lokasi O
paling O
banyak O
terjadinya O
gangguan O
IndiHome. O
Kabupaten O
atau O
kota O
di O
Pulau O
Jawa O
yang O
paling O
sering O
mengalami O
gangguan O
adalah O
Bekasi. O

Informasi O
Gangguan O
dan O
Lokasi O
Pada O
IndiHome O
Menggunakan O
Named O
Entity O
Recognition O
( O
NER O
) O
Fauziah O
( O
221709694 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
SST O
, O
MT O
Ringkasan— O
Perkembangan O
media O
sosial O
memudahkan O
pengguna O
untuk O
berkomunikasi O
dan O
mendapatkan O
informasi. O
Twitter O
merupakan O
media O
sosial O
yang O
popular O
di O
Indonesia. O
Tweet O
yang O
dikirim O
pengguna O
Twitter O
dapat O
dijadikan O
sebagai O
sumber O
informasi. O
Suatu O
rangkaian O
proses O
diperlukan O
untuk O
mengekstrak O
informasi O
dari O
tweet. O
Pada O
penelitian O
ini O
akan O
dilakukan O
ekstraksi O
informasi O
dari O
tweet O
yang O
ditujukan O
untuk O
IndiHome O
pada O
Januari O
2020 O
hingga O
Desember O
2020 O
dengan O
mengklasifikasi O
entitas O
pada O
tweet O
dalam O
kelas-kelas O
tertentu O
menggunakan O
Named B-METODE
Entity I-METODE
Recognition I-METODE
( I-METODE
NER I-METODE
) I-METODE
pada O
spaCy. O
Informasi O
yang O
akan O
diekstrak O
adalah O
gangguan O
yang O
terjadi O
pada O
IndiHome O
dan O
lokasi O
terjadinya O
gangguan O
tersebut. O
Ekstraksi O
tersebut O
dilakukan O
untuk O
memperoleh B-TUJUAN
informasi I-TUJUAN
terkait I-TUJUAN
jenis I-TUJUAN
gangguan I-TUJUAN
apa I-TUJUAN
saja I-TUJUAN
yang I-TUJUAN
terjadi I-TUJUAN
pada I-TUJUAN
layanan I-TUJUAN
IndiHome I-TUJUAN
serta I-TUJUAN
wilayah I-TUJUAN
mana I-TUJUAN
saja I-TUJUAN
yang I-TUJUAN
mengalami I-TUJUAN
gangguan I-TUJUAN
layanan I-TUJUAN
IndiHome. I-TUJUAN
Model O
dibangun O
menggunakan O
data O
berlabel O
yang O
di-split O
menjadi O
train O
dan O
test O
data. O
Model B-TEMUAN
tersebut I-TEMUAN
menghasilkan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
86,15 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Gangguan I-TEMUAN
IndiHome I-TEMUAN
paling I-TEMUAN
banyak I-TEMUAN
terjadi I-TEMUAN
di I-TEMUAN
Pulau I-TEMUAN
Jawa I-TEMUAN
, I-TEMUAN
tepatnya I-TEMUAN
Kota I-TEMUAN
Bekasi. I-TEMUAN
Kata O
Kunci— O
Twitter O
, O
Named O
Entity O
Recognition O
( O
NER O
) O
, O
SpaCy O
, O
Gangguan O
IndiHome. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
diatas O
dapat O
disimpulkan O
bahwa O
: O
1. O
Telah O
berhasil O
dibangun O
model O
Name B-METODE
Entity I-METODE
Recognition I-METODE
( I-METODE
NER I-METODE
) I-METODE
untuk O
teks O
berbahasa O
Indonesia O
menggunakan O
spaCy O
dengan O
hasil O
akurasi B-METODE
86,15 O
% O
. O
Entitas O
berupa O
jenis O
gangguan O
dan O
lokasi O
pada O
tweet O
telah O
berhasil O
diekstraksi O
yang O
masing-masing O
diklasifikasikan O
ke O
dalam O
kelas O
tertentu O
dengan O
label O
B- O
LOC O
, O
I-LOC O
, O
G1 O
, O
G2 O
, O
G3 O
, O
G4 O
dan O
G5. O
2. O
Jenis O
gangguan O
yang O
sering O
muncul O
secara O
keseluruhan O
pada O
tahun O
2020 O
adalah O
label O
G3. O
Berdasarkan O
tiap O
bulannya O
jenis O
gangguan O
yang O
terjadi O
pada O
bulan O
Januari O
, O
Februari O
, O
Juni O
, O
Juli O
, O
Agustus O
, O
September O
dan O
November O
adalah O
label O
G3 O
yaitu O
internet O
atau O
jaringan O
mati O
, O
lost O
connection O
, O
jaringan O
tidak O
bisa O
tersambung O
, O
jaringan O
terputus O
, O
jaringan O
down O
, O
jaringan O
trouble O
dan O
jaringan O
error O
sedangkan O
bulan O
Maret O
, O
April O
, O
Mei O
, O
Oktober O
dan O
Desember O
adalah O
label O
G2 O
yaitu O
internet O
atau O
jaringan O
lelet O
/ O
lemot O
/ O
lambat. O
3. O
Pulau O
Jawa O
adalah O
lokasi O
paling O
banyak O
terjadinya O
gangguan O
IndiHome. O
Kabupaten O
atau O
kota O
di O
Pulau O
Jawa O
yang O
paling O
sering O
mengalami O
gangguan O
adalah O
Bekasi. O

Informasi O
Gangguan O
dan O
Lokasi O
Pada O
IndiHome O
Menggunakan O
Named O
Entity O
Recognition O
( O
NER O
) O
Fauziah O
( O
221709694 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
SST O
, O
MT O
Ringkasan— O
Perkembangan O
media O
sosial O
memudahkan O
pengguna O
untuk O
berkomunikasi O
dan O
mendapatkan O
informasi. O
Twitter O
merupakan O
media O
sosial O
yang O
popular O
di O
Indonesia. O
Tweet O
yang O
dikirim O
pengguna O
Twitter O
dapat O
dijadikan O
sebagai O
sumber O
informasi. O
Suatu O
rangkaian O
proses O
diperlukan O
untuk O
mengekstrak O
informasi O
dari O
tweet. O
Pada O
penelitian O
ini O
akan O
dilakukan O
ekstraksi O
informasi O
dari O
tweet O
yang O
ditujukan O
untuk O
IndiHome O
pada O
Januari O
2020 O
hingga O
Desember O
2020 O
dengan O
mengklasifikasi O
entitas O
pada O
tweet O
dalam O
kelas-kelas O
tertentu O
menggunakan O
Named B-METODE
Entity I-METODE
Recognition I-METODE
( I-METODE
NER I-METODE
) I-METODE
pada O
spaCy. O
Informasi O
yang O
akan O
diekstrak O
adalah O
gangguan O
yang O
terjadi O
pada O
IndiHome O
dan O
lokasi O
terjadinya O
gangguan O
tersebut. O
Ekstraksi O
tersebut O
dilakukan O
untuk O
memperoleh B-TUJUAN
informasi I-TUJUAN
terkait I-TUJUAN
jenis I-TUJUAN
gangguan I-TUJUAN
apa I-TUJUAN
saja I-TUJUAN
yang I-TUJUAN
terjadi I-TUJUAN
pada I-TUJUAN
layanan I-TUJUAN
IndiHome I-TUJUAN
serta I-TUJUAN
wilayah I-TUJUAN
mana I-TUJUAN
saja I-TUJUAN
yang I-TUJUAN
mengalami I-TUJUAN
gangguan I-TUJUAN
layanan I-TUJUAN
IndiHome. I-TUJUAN
Model O
dibangun O
menggunakan O
data O
berlabel O
yang O
di-split O
menjadi O
train O
dan O
test O
data. O
Model B-TEMUAN
tersebut I-TEMUAN
menghasilkan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
86,15 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Gangguan I-TEMUAN
IndiHome I-TEMUAN
paling I-TEMUAN
banyak I-TEMUAN
terjadi I-TEMUAN
di I-TEMUAN
Pulau I-TEMUAN
Jawa I-TEMUAN
, I-TEMUAN
tepatnya I-TEMUAN
Kota I-TEMUAN
Bekasi. I-TEMUAN
Kata O
Kunci— O
Twitter O
, O
Named O
Entity O
Recognition O
( O
NER O
) O
, O
SpaCy O
, O
Gangguan O
IndiHome. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
diatas O
dapat O
disimpulkan O
bahwa O
: O
1. O
Telah O
berhasil O
dibangun O
model O
Name B-METODE
Entity I-METODE
Recognition I-METODE
( I-METODE
NER I-METODE
) I-METODE
untuk O
teks O
berbahasa O
Indonesia O
menggunakan O
spaCy O
dengan O
hasil O
akurasi B-METODE
86,15 O
% O
. O
Entitas O
berupa O
jenis O
gangguan O
dan O
lokasi O
pada O
tweet O
telah O
berhasil O
diekstraksi O
yang O
masing-masing O
diklasifikasikan O
ke O
dalam O
kelas O
tertentu O
dengan O
label O
B- O
LOC O
, O
I-LOC O
, O
G1 O
, O
G2 O
, O
G3 O
, O
G4 O
dan O
G5. O
2. O
Jenis O
gangguan O
yang O
sering O
muncul O
secara O
keseluruhan O
pada O
tahun O
2020 O
adalah O
label O
G3. O
Berdasarkan O
tiap O
bulannya O
jenis O
gangguan O
yang O
terjadi O
pada O
bulan O
Januari O
, O
Februari O
, O
Juni O
, O
Juli O
, O
Agustus O
, O
September O
dan O
November O
adalah O
label O
G3 O
yaitu O
internet O
atau O
jaringan O
mati O
, O
lost O
connection O
, O
jaringan O
tidak O
bisa O
tersambung O
, O
jaringan O
terputus O
, O
jaringan O
down O
, O
jaringan O
trouble O
dan O
jaringan O
error O
sedangkan O
bulan O
Maret O
, O
April O
, O
Mei O
, O
Oktober O
dan O
Desember O
adalah O
label O
G2 O
yaitu O
internet O
atau O
jaringan O
lelet O
/ O
lemot O
/ O
lambat. O
3. O
Pulau O
Jawa O
adalah O
lokasi O
paling O
banyak O
terjadinya O
gangguan O
IndiHome. O
Kabupaten O
atau O
kota O
di O
Pulau O
Jawa O
yang O
paling O
sering O
mengalami O
gangguan O
adalah O
Bekasi. O

Informasi O
Gangguan O
dan O
Lokasi O
Pada O
IndiHome O
Menggunakan O
Named O
Entity O
Recognition O
( O
NER O
) O
Fauziah O
( O
221709694 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
SST O
, O
MT O
Ringkasan— O
Perkembangan O
media O
sosial O
memudahkan O
pengguna O
untuk O
berkomunikasi O
dan O
mendapatkan O
informasi. O
Twitter O
merupakan O
media O
sosial O
yang O
popular O
di O
Indonesia. O
Tweet O
yang O
dikirim O
pengguna O
Twitter O
dapat O
dijadikan O
sebagai O
sumber O
informasi. O
Suatu O
rangkaian O
proses O
diperlukan O
untuk O
mengekstrak O
informasi O
dari O
tweet. O
Pada O
penelitian O
ini O
akan O
dilakukan O
ekstraksi O
informasi O
dari O
tweet O
yang O
ditujukan O
untuk O
IndiHome O
pada O
Januari O
2020 O
hingga O
Desember O
2020 O
dengan O
mengklasifikasi O
entitas O
pada O
tweet O
dalam O
kelas-kelas O
tertentu O
menggunakan O
Named B-METODE
Entity I-METODE
Recognition I-METODE
( I-METODE
NER I-METODE
) I-METODE
pada O
spaCy. O
Informasi O
yang O
akan O
diekstrak O
adalah O
gangguan O
yang O
terjadi O
pada O
IndiHome O
dan O
lokasi O
terjadinya O
gangguan O
tersebut. O
Ekstraksi O
tersebut O
dilakukan O
untuk O
memperoleh B-TUJUAN
informasi I-TUJUAN
terkait I-TUJUAN
jenis I-TUJUAN
gangguan I-TUJUAN
apa I-TUJUAN
saja I-TUJUAN
yang I-TUJUAN
terjadi I-TUJUAN
pada I-TUJUAN
layanan I-TUJUAN
IndiHome I-TUJUAN
serta I-TUJUAN
wilayah I-TUJUAN
mana I-TUJUAN
saja I-TUJUAN
yang I-TUJUAN
mengalami I-TUJUAN
gangguan I-TUJUAN
layanan I-TUJUAN
IndiHome. I-TUJUAN
Model O
dibangun O
menggunakan O
data O
berlabel O
yang O
di-split O
menjadi O
train O
dan O
test O
data. O
Model B-TEMUAN
tersebut I-TEMUAN
menghasilkan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
86,15 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Gangguan I-TEMUAN
IndiHome I-TEMUAN
paling I-TEMUAN
banyak I-TEMUAN
terjadi I-TEMUAN
di I-TEMUAN
Pulau I-TEMUAN
Jawa I-TEMUAN
, I-TEMUAN
tepatnya I-TEMUAN
Kota I-TEMUAN
Bekasi. I-TEMUAN
Kata O
Kunci— O
Twitter O
, O
Named O
Entity O
Recognition O
( O
NER O
) O
, O
SpaCy O
, O
Gangguan O
IndiHome. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
diatas O
dapat O
disimpulkan O
bahwa O
: O
1. O
Telah O
berhasil O
dibangun O
model O
Name B-METODE
Entity I-METODE
Recognition I-METODE
( I-METODE
NER I-METODE
) I-METODE
untuk O
teks O
berbahasa O
Indonesia O
menggunakan O
spaCy O
dengan O
hasil O
akurasi B-METODE
86,15 O
% O
. O
Entitas O
berupa O
jenis O
gangguan O
dan O
lokasi O
pada O
tweet O
telah O
berhasil O
diekstraksi O
yang O
masing-masing O
diklasifikasikan O
ke O
dalam O
kelas O
tertentu O
dengan O
label O
B- O
LOC O
, O
I-LOC O
, O
G1 O
, O
G2 O
, O
G3 O
, O
G4 O
dan O
G5. O
2. O
Jenis O
gangguan O
yang O
sering O
muncul O
secara O
keseluruhan O
pada O
tahun O
2020 O
adalah O
label O
G3. O
Berdasarkan O
tiap O
bulannya O
jenis O
gangguan O
yang O
terjadi O
pada O
bulan O
Januari O
, O
Februari O
, O
Juni O
, O
Juli O
, O
Agustus O
, O
September O
dan O
November O
adalah O
label O
G3 O
yaitu O
internet O
atau O
jaringan O
mati O
, O
lost O
connection O
, O
jaringan O
tidak O
bisa O
tersambung O
, O
jaringan O
terputus O
, O
jaringan O
down O
, O
jaringan O
trouble O
dan O
jaringan O
error O
sedangkan O
bulan O
Maret O
, O
April O
, O
Mei O
, O
Oktober O
dan O
Desember O
adalah O
label O
G2 O
yaitu O
internet O
atau O
jaringan O
lelet O
/ O
lemot O
/ O
lambat. O
3. O
Pulau O
Jawa O
adalah O
lokasi O
paling O
banyak O
terjadinya O
gangguan O
IndiHome. O
Kabupaten O
atau O
kota O
di O
Pulau O
Jawa O
yang O
paling O
sering O
mengalami O
gangguan O
adalah O
Bekasi. O

Penggunaan O
Homography O
Computer O
Vision O
dalam O
Image O
Preprocessing O
untuk O
Model O
Pengenalan O
Tulisan O
Tangan O
SUSENAS O
2020 O
Farabi O
Arsy O
Edodivano O
T. O
( O
221709682 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M.Stat O
Ringkasan— O
Dokumentasi O
digital O
menjadi O
suatu O
kebutuhan O
dalam O
berbagai O
keperluan O
data O
dan O
informasi O
yang O
terkandung O
dalam O
suatu O
dokumen. O
Dokumentasi O
digital O
dapat O
dilakukan O
dengan O
pengenalan O
karakter O
atau O
tulisan. O
Salah O
satu O
model O
pengenalan O
karakter O
atau O
tulisan O
yang O
dapat O
digunakan O
adalah O
Convolutional O
Neural O
Networks O
( O
CNN O
) O
. O
Model O
CNN O
memerlukan O
tahap O
image O
preprocessing O
agar O
dihasilkan O
akurasi O
yang O
lebih O
baik. O
Tahap O
image O
preprocessing O
dapat O
dilakukan O
menggunakan O
metode O
, O
yang O
salah O
satunya O
adalah O
homography. B-METODE
Pada O
penelitian O
ini O
digunakan O
metode O
homography O
computer O
vision O
dalam O
tahap O
image O
preprocessing O
dengan O
model O
CNN. O
Tujuan O
penelitian O
ini O
adalah O
untuk O
membandingkan B-TUJUAN
hasil I-TUJUAN
metode I-TUJUAN
homography I-TUJUAN
dengan I-TUJUAN
metode I-TUJUAN
lainnya I-TUJUAN
pada I-TUJUAN
model I-TUJUAN
yang I-TUJUAN
sama I-TUJUAN
; I-TUJUAN
dan I-TUJUAN
untuk I-TUJUAN
mengetahui I-TUJUAN
sejauh I-TUJUAN
mana I-TUJUAN
hasil I-TUJUAN
akurasi I-TUJUAN
model I-TUJUAN
yang I-TUJUAN
pada I-TUJUAN
tahap I-TUJUAN
image I-TUJUAN
preprocessing-nya I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
homography. I-TUJUAN
Penelitian O
dilakukan O
dengan O
langkah O
: O
input O
document O
( O
scanned O
/ O
images O
) O
; O
image O
preprocessing O
( O
homography O
) O
; O
dan O
perbandingan O
akurasi O
, O
dengan O
menggunakan O
dataset O
EMNIST O
untuk O
training O
data. O
Hasil O
yang O
diperoleh O
pada O
penelitian O
ini O
yaitu O
, O
metode B-TEMUAN
homography I-TEMUAN
yang I-TEMUAN
digunakan I-TEMUAN
mampu I-TEMUAN
mengatasi I-TEMUAN
masalah I-TEMUAN
perspektif I-TEMUAN
gambar.Jumlah I-TEMUAN
model O
CNN O
yang O
telah O
dibentuk O
adalah O
2 O
, O
akurasi B-TEMUAN
dari I-TEMUAN
validasi I-TEMUAN
data I-TEMUAN
actual I-TEMUAN
model I-TEMUAN
khusus I-TEMUAN
pengenalan I-TEMUAN
huruf I-TEMUAN
adalah I-TEMUAN
73 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
akurasi I-TEMUAN
model I-TEMUAN
pengenalan I-TEMUAN
angka I-TEMUAN
71 I-TEMUAN
% I-TEMUAN
dengan I-TEMUAN
menggunaka I-TEMUAN
metode I-TEMUAN
lainnya I-TEMUAN
atau I-TEMUAN
gabungan I-TEMUAN
, I-TEMUAN
sedangkan I-TEMUAN
untuk I-TEMUAN
metode I-TEMUAN
homographi I-TEMUAN
akurasi I-TEMUAN
jauh I-TEMUAN
lebih I-TEMUAN
rendah I-TEMUAN
yaitu I-TEMUAN
55 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
prediksi I-TEMUAN
huruf I-TEMUAN
dan I-TEMUAN
57 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
prediksi I-TEMUAN
angka. I-TEMUAN
Kata O
Kunci— O
Homography O
, O
Image O
Preprocessing O
, O
CNN O
, O
computer O
vision O
, O
RANSAC O
[SEP] O
Telah O
berhasil O
dilakukan O
metode B-METODE
homography I-METODE
yang O
mampu O
mengatasi O
masalah O
perspektif O
gambar. O
Hal O
tersebut O
ditunjukkan O
dengan O
homography O
matriks O
berhasil O
mentransformasikan O
7 O
/ O
8 O
gambar O
yang O
ingin O
di O
proses O
sedemikian O
rupa O
dapat O
menjadi O
sama O
seperti O
gambar O
acuan O
( O
referensi O
) O
. O
[ O
8 O
] O
Selain O
itu O
2 O
model O
CNN O
juga O
sudah O
dapat O
dibentuk O
, O
untuk O
model O
pengenalan O
CNN O
huruf O
dibentuk O
dengan O
dengan O
3 O
lapis O
Conv2D O
dengan O
masing O
masing O
kernel O
size O
3x3 O
, O
setelah O
itu O
dibentuk O
lapisan O
flatten O
dan O
Dense O
dengan O
ukuran O
64 O
, O
128 O
, O
dan O
26. O
Selain O
itu O
, O
model O
yang O
digunakan O
juga O
menggunakan O
MaxPool2D O
dengan O
pool O
size O
2x2. O
Untuk O
model O
CNN O
pengenalan O
angka O
atau O
digit O
menggunakan O
lapisan O
Conv2D O
dengan O
masing-masing O
kernel O
itu O
menggunakan O
MaxPool2D O
dengan O
ukuran O
2x2 O
dan O
model O
ini O
menggunakan O
lapisan O
flatten O
dan O
2 O
lapisan O
Dense O
dengan O
ukuran O
100 O
dan O
10. O
Masing O
– O
masing O
model O
memiliki O
akurasi O
pada O
dataset O
training O
dan O
validasi O
diatas O
98 O
% O
, O
tetapi O
saat O
model O
dicobakan O
ke O
data O
actual O
akurasi B-METODE
jauh O
lebih O
rendah O
yaitu O
untuk O
model O
CNN O
huruf O
73 O
% O
dan O
model O
CNN O
angka O
71 O
% O
dengan O
metode O
lainnya O
, O
sedangkan O
untuk O
metode O
homography O
akurasi O
model O
hanya O
55 O
% O
untuk O
pengenalan O
huruf O
dan O
57 O
% O
pengenalan O
angka. O
size O
3x3 O
, O
setelah O
Dapat O
disimpulkan O
bahwa O
metode O
homography O
hanya O
untuk O
mengatasi O
perspektif O
gambar O
serta O
titik O
atau O
koordinat O
pixel O
gambar O
yang O
tidak O
meningkatkan O
kualitas O
gambar O
secara O
signifikan. O
Sedangkan O
metode O
lainnya O
atau O
teknik O
gabungan O
dapat O
mengatasi O
kualitas O
gambar O
selain O
kemiringan O
gambar. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O

Penggunaan O
Homography O
Computer O
Vision O
dalam O
Image O
Preprocessing O
untuk O
Model O
Pengenalan O
Tulisan O
Tangan O
SUSENAS O
2020 O
Farabi O
Arsy O
Edodivano O
T. O
( O
221709682 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M.Stat O
Ringkasan— O
Dokumentasi O
digital O
menjadi O
suatu O
kebutuhan O
dalam O
berbagai O
keperluan O
data O
dan O
informasi O
yang O
terkandung O
dalam O
suatu O
dokumen. O
Dokumentasi O
digital O
dapat O
dilakukan O
dengan O
pengenalan O
karakter O
atau O
tulisan. O
Salah O
satu O
model O
pengenalan O
karakter O
atau O
tulisan O
yang O
dapat O
digunakan O
adalah O
Convolutional O
Neural O
Networks O
( O
CNN O
) O
. O
Model O
CNN O
memerlukan O
tahap O
image O
preprocessing O
agar O
dihasilkan O
akurasi O
yang O
lebih O
baik. O
Tahap O
image O
preprocessing O
dapat O
dilakukan O
menggunakan O
metode O
, O
yang O
salah O
satunya O
adalah O
homography. B-METODE
Pada O
penelitian O
ini O
digunakan O
metode O
homography O
computer O
vision O
dalam O
tahap O
image O
preprocessing O
dengan O
model O
CNN. O
Tujuan O
penelitian O
ini O
adalah O
untuk O
membandingkan B-TUJUAN
hasil I-TUJUAN
metode I-TUJUAN
homography I-TUJUAN
dengan I-TUJUAN
metode I-TUJUAN
lainnya I-TUJUAN
pada I-TUJUAN
model I-TUJUAN
yang I-TUJUAN
sama I-TUJUAN
; I-TUJUAN
dan I-TUJUAN
untuk I-TUJUAN
mengetahui I-TUJUAN
sejauh I-TUJUAN
mana I-TUJUAN
hasil I-TUJUAN
akurasi I-TUJUAN
model I-TUJUAN
yang I-TUJUAN
pada I-TUJUAN
tahap I-TUJUAN
image I-TUJUAN
preprocessing-nya I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
homography. I-TUJUAN
Penelitian O
dilakukan O
dengan O
langkah O
: O
input O
document O
( O
scanned O
/ O
images O
) O
; O
image O
preprocessing O
( O
homography O
) O
; O
dan O
perbandingan O
akurasi O
, O
dengan O
menggunakan O
dataset O
EMNIST O
untuk O
training O
data. O
Hasil O
yang O
diperoleh O
pada O
penelitian O
ini O
yaitu O
, O
metode B-TEMUAN
homography I-TEMUAN
yang I-TEMUAN
digunakan I-TEMUAN
mampu I-TEMUAN
mengatasi I-TEMUAN
masalah I-TEMUAN
perspektif I-TEMUAN
gambar.Jumlah I-TEMUAN
model O
CNN O
yang O
telah O
dibentuk O
adalah O
2 O
, O
akurasi B-TEMUAN
dari I-TEMUAN
validasi I-TEMUAN
data I-TEMUAN
actual I-TEMUAN
model I-TEMUAN
khusus I-TEMUAN
pengenalan I-TEMUAN
huruf I-TEMUAN
adalah I-TEMUAN
73 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
akurasi I-TEMUAN
model I-TEMUAN
pengenalan I-TEMUAN
angka I-TEMUAN
71 I-TEMUAN
% I-TEMUAN
dengan I-TEMUAN
menggunaka I-TEMUAN
metode I-TEMUAN
lainnya I-TEMUAN
atau I-TEMUAN
gabungan I-TEMUAN
, I-TEMUAN
sedangkan I-TEMUAN
untuk I-TEMUAN
metode I-TEMUAN
homographi I-TEMUAN
akurasi I-TEMUAN
jauh I-TEMUAN
lebih I-TEMUAN
rendah I-TEMUAN
yaitu I-TEMUAN
55 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
prediksi I-TEMUAN
huruf I-TEMUAN
dan I-TEMUAN
57 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
prediksi I-TEMUAN
angka. I-TEMUAN
Kata O
Kunci— O
Homography O
, O
Image O
Preprocessing O
, O
CNN O
, O
computer O
vision O
, O
RANSAC O
[SEP] O
Telah O
berhasil O
dilakukan O
metode B-METODE
homography I-METODE
yang O
mampu O
mengatasi O
masalah O
perspektif O
gambar. O
Hal O
tersebut O
ditunjukkan O
dengan O
homography O
matriks O
berhasil O
mentransformasikan O
7 O
/ O
8 O
gambar O
yang O
ingin O
di O
proses O
sedemikian O
rupa O
dapat O
menjadi O
sama O
seperti O
gambar O
acuan O
( O
referensi O
) O
. O
[ O
8 O
] O
Selain O
itu O
2 O
model O
CNN O
juga O
sudah O
dapat O
dibentuk O
, O
untuk O
model O
pengenalan O
CNN O
huruf O
dibentuk O
dengan O
dengan O
3 O
lapis O
Conv2D O
dengan O
masing O
masing O
kernel O
size O
3x3 O
, O
setelah O
itu O
dibentuk O
lapisan O
flatten O
dan O
Dense O
dengan O
ukuran O
64 O
, O
128 O
, O
dan O
26. O
Selain O
itu O
, O
model O
yang O
digunakan O
juga O
menggunakan O
MaxPool2D O
dengan O
pool O
size O
2x2. O
Untuk O
model O
CNN O
pengenalan O
angka O
atau O
digit O
menggunakan O
lapisan O
Conv2D O
dengan O
masing-masing O
kernel O
itu O
menggunakan O
MaxPool2D O
dengan O
ukuran O
2x2 O
dan O
model O
ini O
menggunakan O
lapisan O
flatten O
dan O
2 O
lapisan O
Dense O
dengan O
ukuran O
100 O
dan O
10. O
Masing O
– O
masing O
model O
memiliki O
akurasi O
pada O
dataset O
training O
dan O
validasi O
diatas O
98 O
% O
, O
tetapi O
saat O
model O
dicobakan O
ke O
data O
actual O
akurasi B-METODE
jauh O
lebih O
rendah O
yaitu O
untuk O
model O
CNN O
huruf O
73 O
% O
dan O
model O
CNN O
angka O
71 O
% O
dengan O
metode O
lainnya O
, O
sedangkan O
untuk O
metode O
homography O
akurasi O
model O
hanya O
55 O
% O
untuk O
pengenalan O
huruf O
dan O
57 O
% O
pengenalan O
angka. O
size O
3x3 O
, O
setelah O
Dapat O
disimpulkan O
bahwa O
metode O
homography O
hanya O
untuk O
mengatasi O
perspektif O
gambar O
serta O
titik O
atau O
koordinat O
pixel O
gambar O
yang O
tidak O
meningkatkan O
kualitas O
gambar O
secara O
signifikan. O
Sedangkan O
metode O
lainnya O
atau O
teknik O
gabungan O
dapat O
mengatasi O
kualitas O
gambar O
selain O
kemiringan O
gambar. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O

Penggunaan O
Homography O
Computer O
Vision O
dalam O
Image O
Preprocessing O
untuk O
Model O
Pengenalan O
Tulisan O
Tangan O
SUSENAS O
2020 O
Farabi O
Arsy O
Edodivano O
T. O
( O
221709682 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M.Stat O
Ringkasan— O
Dokumentasi O
digital O
menjadi O
suatu O
kebutuhan O
dalam O
berbagai O
keperluan O
data O
dan O
informasi O
yang O
terkandung O
dalam O
suatu O
dokumen. O
Dokumentasi O
digital O
dapat O
dilakukan O
dengan O
pengenalan O
karakter O
atau O
tulisan. O
Salah O
satu O
model O
pengenalan O
karakter O
atau O
tulisan O
yang O
dapat O
digunakan O
adalah O
Convolutional O
Neural O
Networks O
( O
CNN O
) O
. O
Model O
CNN O
memerlukan O
tahap O
image O
preprocessing O
agar O
dihasilkan O
akurasi O
yang O
lebih O
baik. O
Tahap O
image O
preprocessing O
dapat O
dilakukan O
menggunakan O
metode O
, O
yang O
salah O
satunya O
adalah O
homography. B-METODE
Pada O
penelitian O
ini O
digunakan O
metode O
homography O
computer O
vision O
dalam O
tahap O
image O
preprocessing O
dengan O
model O
CNN. O
Tujuan O
penelitian O
ini O
adalah O
untuk O
membandingkan B-TUJUAN
hasil I-TUJUAN
metode I-TUJUAN
homography I-TUJUAN
dengan I-TUJUAN
metode I-TUJUAN
lainnya I-TUJUAN
pada I-TUJUAN
model I-TUJUAN
yang I-TUJUAN
sama I-TUJUAN
; I-TUJUAN
dan I-TUJUAN
untuk I-TUJUAN
mengetahui I-TUJUAN
sejauh I-TUJUAN
mana I-TUJUAN
hasil I-TUJUAN
akurasi I-TUJUAN
model I-TUJUAN
yang I-TUJUAN
pada I-TUJUAN
tahap I-TUJUAN
image I-TUJUAN
preprocessing-nya I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
homography. I-TUJUAN
Penelitian O
dilakukan O
dengan O
langkah O
: O
input O
document O
( O
scanned O
/ O
images O
) O
; O
image O
preprocessing O
( O
homography O
) O
; O
dan O
perbandingan O
akurasi O
, O
dengan O
menggunakan O
dataset O
EMNIST O
untuk O
training O
data. O
Hasil O
yang O
diperoleh O
pada O
penelitian O
ini O
yaitu O
, O
metode B-TEMUAN
homography I-TEMUAN
yang I-TEMUAN
digunakan I-TEMUAN
mampu I-TEMUAN
mengatasi I-TEMUAN
masalah I-TEMUAN
perspektif I-TEMUAN
gambar.Jumlah I-TEMUAN
model O
CNN O
yang O
telah O
dibentuk O
adalah O
2 O
, O
akurasi B-TEMUAN
dari I-TEMUAN
validasi I-TEMUAN
data I-TEMUAN
actual I-TEMUAN
model I-TEMUAN
khusus I-TEMUAN
pengenalan I-TEMUAN
huruf I-TEMUAN
adalah I-TEMUAN
73 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
akurasi I-TEMUAN
model I-TEMUAN
pengenalan I-TEMUAN
angka I-TEMUAN
71 I-TEMUAN
% I-TEMUAN
dengan I-TEMUAN
menggunaka I-TEMUAN
metode I-TEMUAN
lainnya I-TEMUAN
atau I-TEMUAN
gabungan I-TEMUAN
, I-TEMUAN
sedangkan I-TEMUAN
untuk I-TEMUAN
metode I-TEMUAN
homographi I-TEMUAN
akurasi I-TEMUAN
jauh I-TEMUAN
lebih I-TEMUAN
rendah I-TEMUAN
yaitu I-TEMUAN
55 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
prediksi I-TEMUAN
huruf I-TEMUAN
dan I-TEMUAN
57 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
prediksi I-TEMUAN
angka. I-TEMUAN
Kata O
Kunci— O
Homography O
, O
Image O
Preprocessing O
, O
CNN O
, O
computer O
vision O
, O
RANSAC O
[SEP] O
Telah O
berhasil O
dilakukan O
metode B-METODE
homography I-METODE
yang O
mampu O
mengatasi O
masalah O
perspektif O
gambar. O
Hal O
tersebut O
ditunjukkan O
dengan O
homography O
matriks O
berhasil O
mentransformasikan O
7 O
/ O
8 O
gambar O
yang O
ingin O
di O
proses O
sedemikian O
rupa O
dapat O
menjadi O
sama O
seperti O
gambar O
acuan O
( O
referensi O
) O
. O
[ O
8 O
] O
Selain O
itu O
2 O
model O
CNN O
juga O
sudah O
dapat O
dibentuk O
, O
untuk O
model O
pengenalan O
CNN O
huruf O
dibentuk O
dengan O
dengan O
3 O
lapis O
Conv2D O
dengan O
masing O
masing O
kernel O
size O
3x3 O
, O
setelah O
itu O
dibentuk O
lapisan O
flatten O
dan O
Dense O
dengan O
ukuran O
64 O
, O
128 O
, O
dan O
26. O
Selain O
itu O
, O
model O
yang O
digunakan O
juga O
menggunakan O
MaxPool2D O
dengan O
pool O
size O
2x2. O
Untuk O
model O
CNN O
pengenalan O
angka O
atau O
digit O
menggunakan O
lapisan O
Conv2D O
dengan O
masing-masing O
kernel O
itu O
menggunakan O
MaxPool2D O
dengan O
ukuran O
2x2 O
dan O
model O
ini O
menggunakan O
lapisan O
flatten O
dan O
2 O
lapisan O
Dense O
dengan O
ukuran O
100 O
dan O
10. O
Masing O
– O
masing O
model O
memiliki O
akurasi O
pada O
dataset O
training O
dan O
validasi O
diatas O
98 O
% O
, O
tetapi O
saat O
model O
dicobakan O
ke O
data O
actual O
akurasi B-METODE
jauh O
lebih O
rendah O
yaitu O
untuk O
model O
CNN O
huruf O
73 O
% O
dan O
model O
CNN O
angka O
71 O
% O
dengan O
metode O
lainnya O
, O
sedangkan O
untuk O
metode O
homography O
akurasi O
model O
hanya O
55 O
% O
untuk O
pengenalan O
huruf O
dan O
57 O
% O
pengenalan O
angka. O
size O
3x3 O
, O
setelah O
Dapat O
disimpulkan O
bahwa O
metode O
homography O
hanya O
untuk O
mengatasi O
perspektif O
gambar O
serta O
titik O
atau O
koordinat O
pixel O
gambar O
yang O
tidak O
meningkatkan O
kualitas O
gambar O
secara O
signifikan. O
Sedangkan O
metode O
lainnya O
atau O
teknik O
gabungan O
dapat O
mengatasi O
kualitas O
gambar O
selain O
kemiringan O
gambar. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O

Pengembangan O
Sistem O
Informasi O
Geografis O
Pengelolaan O
dan O
Visualisasi O
Data O
Sampel O
Survei O
Fajrian O
Aidil O
Pratama O
( O
221709679 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Takdir O
, O
SST O
, O
M.T O
Ringkasan— O
Pengelolaan O
data O
sampel O
dari O
kegiatan O
survei O
non-KSA O
yang O
dilakukan O
masih O
belum O
optimal. O
Salah O
satu O
permasalahan O
yang O
timbul O
akibat O
hal O
ini O
adalah O
tidak O
adanya O
informasi O
mengenai O
respondent O
burdent O
, O
sehingga O
pengguna O
tidak O
mengetahui O
sudah O
berapa O
kali O
satu O
sampel O
terpilih O
dan O
di O
survei O
mana O
saja O
sampel O
tersebut O
terpilih. O
Hal O
ini O
bisa O
meningkatkan O
kemungkinan O
terjadinya O
non-respon. O
Selain O
itu O
, O
pengguna O
tidak O
bisa O
melakukan O
visualisasi O
sebaran O
data O
sampel O
secara O
geospasial O
sehingga O
pengguna O
tidak O
bisa O
melihat O
bagaimana O
pola O
sebaran O
sampel. O
Untuk O
membantu O
mengatasi O
permasalahan O
tersebut O
, O
melalui O
penelitian O
ini O
, O
dibangun B-TUJUAN
sebuah I-TUJUAN
SIG I-TUJUAN
pengelolaan I-TUJUAN
dan I-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
sampel I-TUJUAN
survei I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
yang I-TUJUAN
diharapkan I-TUJUAN
dapat I-TUJUAN
menangani I-TUJUAN
permasalahan I-TUJUAN
pengolahan I-TUJUAN
data I-TUJUAN
sampel I-TUJUAN
survei I-TUJUAN
non-KSA I-TUJUAN
di I-TUJUAN
BPS. I-TUJUAN
Sampai O
saat O
ini O
, O
sistem O
yang O
dibangun O
sudah O
berhasil O
dikembangkan. O
Kata O
Kunci— O
data O
visualization O
, O
gis O
, O
sampel O
, O
webgis O
, O
geospatial O
[SEP] O
7.1. O
Kesimpulan O
Berdasarkan O
analisis O
dan O
perancangan O
yang O
dilakukan O
pada O
penelitian O
ini O
, O
maka O
dapat O
disimpulkan O
: O
1. O
Sistem O
Informasi O
Geografis O
Pengelolaan O
dan O
Visualisasi O
Data O
Sampel O
Survei O
telah O
selesai O
dibangun. O
2. O
Sistem O
mampu O
menampilkan O
visualisasi O
data O
sampel O
pada O
peta O
berdasarkan O
juga O
bisa O
menghitung O
Indeks O
Moran’s O
I O
untuk O
keperluan O
analisis O
otokorelasi O
spasial O
sampel. O
input O
pengguna. O
Sistem O
3. O
Sistem O
mampu O
menyediakan O
API O
Services O
untuk O
mengintegrasikan O
data O
sampel O
ke O
sistem O
lainnya. O
4. O
Hasil O
evaluasi O
sistem O
dengan O
metode B-METODE
UAT I-METODE
telah O
dilakukan O
dan O
dihasilkan B-TEMUAN
skor I-TEMUAN
sebesar I-TEMUAN
89,72 I-TEMUAN
dengan I-TEMUAN
interpretasi I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibuat I-TEMUAN
sudah I-TEMUAN
sangat I-TEMUAN
baik. I-TEMUAN
5. O
Hasil O
evaluasi O
sistem O
dengan O
metode B-METODE
SUS I-METODE
telah O
dilakukan O
dan O
dihasilkan B-TEMUAN
skor I-TEMUAN
rata-rata I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
70,83 I-TEMUAN
yang I-TEMUAN
menandakan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibuat I-TEMUAN
berada I-TEMUAN
dalam I-TEMUAN
rentang I-TEMUAN
penerimaan I-TEMUAN
yang I-TEMUAN
cukup I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
7.2. O
Saran O
Pengembangan O
sistem O
ini O
masih O
terdapat O
beberapa O
kekurangan. O
Kekurangan O
tersebut O
diantaranya O
adalah O
sistem O
hanya O
memvisualisasikan O
data O
agregat O
dan O
data O
kategorik O
dari O
sampel O
, O
belum O
ada O
visualisasi O
proporsi O
antara O
data O
sampel O
dan O
populasi. O
Sistem O
ini O
tujuannya O
bisa O
mengelola O
data O
sampel O
dari O
berbagai O
kegiatan O
survei O
di O
BPS. O
Namun O
, O
karena O
saat O
ini O
tabel O
dirancang O
berdasarkan O
data O
yang O
tersedia O
sehingga O
perlu O
penyesuaian O
atribut O
kolom O
pada O
tabel O
sampel O
agar O
bisa O
memuat O
data O
sampel O
dari O
berbagai O
survei. O
Penelitian O
lanjutan O
diperlukan O
untuk O
mengatasi O
berbagai O
kekurangan O
tersebut. O
7 O
/ O
8 O
Makalah O
Seminar O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Pengembangan O
Sistem O
Informasi O
Geografis O
Pengelolaan O
dan O
Visualisasi O
Data O
Sampel O
Survei O
Fajrian O
Aidil O
Pratama O
( O
221709679 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Takdir O
, O
SST O
, O
M.T O
Ringkasan— O
Pengelolaan O
data O
sampel O
dari O
kegiatan O
survei O
non-KSA O
yang O
dilakukan O
masih O
belum O
optimal. O
Salah O
satu O
permasalahan O
yang O
timbul O
akibat O
hal O
ini O
adalah O
tidak O
adanya O
informasi O
mengenai O
respondent O
burdent O
, O
sehingga O
pengguna O
tidak O
mengetahui O
sudah O
berapa O
kali O
satu O
sampel O
terpilih O
dan O
di O
survei O
mana O
saja O
sampel O
tersebut O
terpilih. O
Hal O
ini O
bisa O
meningkatkan O
kemungkinan O
terjadinya O
non-respon. O
Selain O
itu O
, O
pengguna O
tidak O
bisa O
melakukan O
visualisasi O
sebaran O
data O
sampel O
secara O
geospasial O
sehingga O
pengguna O
tidak O
bisa O
melihat O
bagaimana O
pola O
sebaran O
sampel. O
Untuk O
membantu O
mengatasi O
permasalahan O
tersebut O
, O
melalui O
penelitian O
ini O
, O
dibangun B-TUJUAN
sebuah I-TUJUAN
SIG I-TUJUAN
pengelolaan I-TUJUAN
dan I-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
sampel I-TUJUAN
survei I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
yang I-TUJUAN
diharapkan I-TUJUAN
dapat I-TUJUAN
menangani I-TUJUAN
permasalahan I-TUJUAN
pengolahan I-TUJUAN
data I-TUJUAN
sampel I-TUJUAN
survei I-TUJUAN
non-KSA I-TUJUAN
di I-TUJUAN
BPS. I-TUJUAN
Sampai O
saat O
ini O
, O
sistem O
yang O
dibangun O
sudah O
berhasil O
dikembangkan. O
Kata O
Kunci— O
data O
visualization O
, O
gis O
, O
sampel O
, O
webgis O
, O
geospatial O
[SEP] O
7.1. O
Kesimpulan O
Berdasarkan O
analisis O
dan O
perancangan O
yang O
dilakukan O
pada O
penelitian O
ini O
, O
maka O
dapat O
disimpulkan O
: O
1. O
Sistem O
Informasi O
Geografis O
Pengelolaan O
dan O
Visualisasi O
Data O
Sampel O
Survei O
telah O
selesai O
dibangun. O
2. O
Sistem O
mampu O
menampilkan O
visualisasi O
data O
sampel O
pada O
peta O
berdasarkan O
juga O
bisa O
menghitung O
Indeks O
Moran’s O
I O
untuk O
keperluan O
analisis O
otokorelasi O
spasial O
sampel. O
input O
pengguna. O
Sistem O
3. O
Sistem O
mampu O
menyediakan O
API O
Services O
untuk O
mengintegrasikan O
data O
sampel O
ke O
sistem O
lainnya. O
4. O
Hasil O
evaluasi O
sistem O
dengan O
metode B-METODE
UAT I-METODE
telah O
dilakukan O
dan O
dihasilkan B-TEMUAN
skor I-TEMUAN
sebesar I-TEMUAN
89,72 I-TEMUAN
dengan I-TEMUAN
interpretasi I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibuat I-TEMUAN
sudah I-TEMUAN
sangat I-TEMUAN
baik. I-TEMUAN
5. O
Hasil O
evaluasi O
sistem O
dengan O
metode B-METODE
SUS I-METODE
telah O
dilakukan O
dan O
dihasilkan B-TEMUAN
skor I-TEMUAN
rata-rata I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
70,83 I-TEMUAN
yang I-TEMUAN
menandakan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibuat I-TEMUAN
berada I-TEMUAN
dalam I-TEMUAN
rentang I-TEMUAN
penerimaan I-TEMUAN
yang I-TEMUAN
cukup I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
7.2. O
Saran O
Pengembangan O
sistem O
ini O
masih O
terdapat O
beberapa O
kekurangan. O
Kekurangan O
tersebut O
diantaranya O
adalah O
sistem O
hanya O
memvisualisasikan O
data O
agregat O
dan O
data O
kategorik O
dari O
sampel O
, O
belum O
ada O
visualisasi O
proporsi O
antara O
data O
sampel O
dan O
populasi. O
Sistem O
ini O
tujuannya O
bisa O
mengelola O
data O
sampel O
dari O
berbagai O
kegiatan O
survei O
di O
BPS. O
Namun O
, O
karena O
saat O
ini O
tabel O
dirancang O
berdasarkan O
data O
yang O
tersedia O
sehingga O
perlu O
penyesuaian O
atribut O
kolom O
pada O
tabel O
sampel O
agar O
bisa O
memuat O
data O
sampel O
dari O
berbagai O
survei. O
Penelitian O
lanjutan O
diperlukan O
untuk O
mengatasi O
berbagai O
kekurangan O
tersebut. O
7 O
/ O
8 O
Makalah O
Seminar O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Pengembangan O
Sistem O
Informasi O
Geografis O
Pengelolaan O
dan O
Visualisasi O
Data O
Sampel O
Survei O
Fajrian O
Aidil O
Pratama O
( O
221709679 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Takdir O
, O
SST O
, O
M.T O
Ringkasan— O
Pengelolaan O
data O
sampel O
dari O
kegiatan O
survei O
non-KSA O
yang O
dilakukan O
masih O
belum O
optimal. O
Salah O
satu O
permasalahan O
yang O
timbul O
akibat O
hal O
ini O
adalah O
tidak O
adanya O
informasi O
mengenai O
respondent O
burdent O
, O
sehingga O
pengguna O
tidak O
mengetahui O
sudah O
berapa O
kali O
satu O
sampel O
terpilih O
dan O
di O
survei O
mana O
saja O
sampel O
tersebut O
terpilih. O
Hal O
ini O
bisa O
meningkatkan O
kemungkinan O
terjadinya O
non-respon. O
Selain O
itu O
, O
pengguna O
tidak O
bisa O
melakukan O
visualisasi O
sebaran O
data O
sampel O
secara O
geospasial O
sehingga O
pengguna O
tidak O
bisa O
melihat O
bagaimana O
pola O
sebaran O
sampel. O
Untuk O
membantu O
mengatasi O
permasalahan O
tersebut O
, O
melalui O
penelitian O
ini O
, O
dibangun B-TUJUAN
sebuah I-TUJUAN
SIG I-TUJUAN
pengelolaan I-TUJUAN
dan I-TUJUAN
visualisasi I-TUJUAN
data I-TUJUAN
sampel I-TUJUAN
survei I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
yang I-TUJUAN
diharapkan I-TUJUAN
dapat I-TUJUAN
menangani I-TUJUAN
permasalahan I-TUJUAN
pengolahan I-TUJUAN
data I-TUJUAN
sampel I-TUJUAN
survei I-TUJUAN
non-KSA I-TUJUAN
di I-TUJUAN
BPS. I-TUJUAN
Sampai O
saat O
ini O
, O
sistem O
yang O
dibangun O
sudah O
berhasil O
dikembangkan. O
Kata O
Kunci— O
data O
visualization O
, O
gis O
, O
sampel O
, O
webgis O
, O
geospatial O
[SEP] O
7.1. O
Kesimpulan O
Berdasarkan O
analisis O
dan O
perancangan O
yang O
dilakukan O
pada O
penelitian O
ini O
, O
maka O
dapat O
disimpulkan O
: O
1. O
Sistem O
Informasi O
Geografis O
Pengelolaan O
dan O
Visualisasi O
Data O
Sampel O
Survei O
telah O
selesai O
dibangun. O
2. O
Sistem O
mampu O
menampilkan O
visualisasi O
data O
sampel O
pada O
peta O
berdasarkan O
juga O
bisa O
menghitung O
Indeks O
Moran’s O
I O
untuk O
keperluan O
analisis O
otokorelasi O
spasial O
sampel. O
input O
pengguna. O
Sistem O
3. O
Sistem O
mampu O
menyediakan O
API O
Services O
untuk O
mengintegrasikan O
data O
sampel O
ke O
sistem O
lainnya. O
4. O
Hasil O
evaluasi O
sistem O
dengan O
metode B-METODE
UAT I-METODE
telah O
dilakukan O
dan O
dihasilkan B-TEMUAN
skor I-TEMUAN
sebesar I-TEMUAN
89,72 I-TEMUAN
dengan I-TEMUAN
interpretasi I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibuat I-TEMUAN
sudah I-TEMUAN
sangat I-TEMUAN
baik. I-TEMUAN
5. O
Hasil O
evaluasi O
sistem O
dengan O
metode B-METODE
SUS I-METODE
telah O
dilakukan O
dan O
dihasilkan B-TEMUAN
skor I-TEMUAN
rata-rata I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
70,83 I-TEMUAN
yang I-TEMUAN
menandakan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibuat I-TEMUAN
berada I-TEMUAN
dalam I-TEMUAN
rentang I-TEMUAN
penerimaan I-TEMUAN
yang I-TEMUAN
cukup I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
7.2. O
Saran O
Pengembangan O
sistem O
ini O
masih O
terdapat O
beberapa O
kekurangan. O
Kekurangan O
tersebut O
diantaranya O
adalah O
sistem O
hanya O
memvisualisasikan O
data O
agregat O
dan O
data O
kategorik O
dari O
sampel O
, O
belum O
ada O
visualisasi O
proporsi O
antara O
data O
sampel O
dan O
populasi. O
Sistem O
ini O
tujuannya O
bisa O
mengelola O
data O
sampel O
dari O
berbagai O
kegiatan O
survei O
di O
BPS. O
Namun O
, O
karena O
saat O
ini O
tabel O
dirancang O
berdasarkan O
data O
yang O
tersedia O
sehingga O
perlu O
penyesuaian O
atribut O
kolom O
pada O
tabel O
sampel O
agar O
bisa O
memuat O
data O
sampel O
dari O
berbagai O
survei. O
Penelitian O
lanjutan O
diperlukan O
untuk O
mengatasi O
berbagai O
kekurangan O
tersebut. O
7 O
/ O
8 O
Makalah O
Seminar O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Penerjemah O
Bahasa O
Isyarat O
Studi O
Kasus O
: O
Bahasa O
Isyarat O
Indonesia O
Faiq O
Zakki O
Mubarok O
( O
221709674 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
, O
S. O
ST. O
, O
M. O
Si. O
pada O
umumnya O
Ringkasan—Komunikasi O
tunarungu. O
Penyandang O
dilakukan O
menggunakan O
bahasa O
verbal O
, O
namun O
terdapat O
kelompok O
yang O
memiliki O
keterbatasan O
dalam O
berkomunikasi O
secara O
verbal O
yaitu O
penyandang O
tunarungu O
biasanya O
menggunakan O
bahasa O
isyarat O
sebagai O
alat O
untuk O
berkomunikasi. O
Permasalahannya O
adalah O
tidak O
semua O
orang O
bisa O
mengerti O
bahasa O
isyarat O
, O
dan O
tidak O
semua O
orang O
bisa O
menggunakan O
bahasa O
verbal O
sebagai O
alat O
komunikasi. O
Sehingga O
penelitian O
ini O
bertujuan O
untuk O
mengembangkan B-TUJUAN
modul I-TUJUAN
penerjemah I-TUJUAN
bahasa I-TUJUAN
isyarat I-TUJUAN
BISINDO I-TUJUAN
sebagai I-TUJUAN
penghubung I-TUJUAN
antara I-TUJUAN
masyarakat I-TUJUAN
umum I-TUJUAN
dengan I-TUJUAN
penyandang I-TUJUAN
tunarungu I-TUJUAN
sehingga I-TUJUAN
dapat I-TUJUAN
memperkuat I-TUJUAN
hubungan I-TUJUAN
interpersonal I-TUJUAN
antara I-TUJUAN
kedua I-TUJUAN
belah I-TUJUAN
pihak. I-TUJUAN
Modul O
penerjemah O
Bahasa O
Isyarat O
Indonesia O
dibangun O
dengan O
bantuan O
modul O
Mediapipe O
sebagai O
modul O
ekstraksi O
fitur O
tangan O
dan O
pose O
tubuh O
, O
dan O
pelatihan O
modul O
penerjemah O
menggunakan O
arsitektur O
LSTM. O
Berdasarkan O
hasil O
pengujian O
, O
model B-TEMUAN
LSTM I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
mendapatkan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
92,857 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
memiliki I-TEMUAN
efisiensi I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dibandingkan I-TEMUAN
model I-TEMUAN
penelitian I-TEMUAN
terdahulu. I-TEMUAN
Kata O
Kunci— O
Penerjemah O
Bahasa O
Isyarat O
, O
BISINDO O
, O
Ekstraksi O
Fitur O
, O
Mediapipe. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
yang O
telah O
dituliskan O
pada O
bagian O
sebelumnya O
, O
maka O
dapat O
ditarik O
kesimpulan O
bahwa O
modul O
Mediapipe O
dapat O
digunakan O
sebagai O
modul O
ekstraksi O
fitur O
, O
dan O
modul O
Mediapipe O
memiliki O
performa O
yang O
cukup O
baik O
, O
hal O
tersebut O
dapat O
dibuktikan O
dengan O
keberhasilan O
model O
LSTM O
dalam O
mengklasifikasikan O
gerakan O
yang O
memiliki O
arti O
bahwa O
data O
yang O
digunakan O
sebagai O
data O
latih O
merupakan O
data O
yang O
bagus. O
Selain O
itu O
, O
Model O
LSTM O
yang O
diusulkan O
pada O
penelitian O
ini O
juga O
memiliki O
performa O
yang O
cukup O
baik O
dengan O
akurasi B-METODE
testing O
sebesar O
92.857 O
% O
, O
bahkan O
model O
yang O
diusulkan O
memiliki O
performa O
yang O
lebih O
baik O
dari O
model O
yang O
telah O
diteliti O
sebelumnya O
, O
baik O
dari O
segi O
akurasi O
model O
dalam O
melakukan O
klasifikasi O
gerakan O
BISINDO O
, O
atau O
kecepatan O
pelatihan O
model. O
agar O
mengumpulkan O
dataset O
yang O
lebih O
banyak O
sehingga O
dapat O
memperluas O
kosakata O
yang O
dapat O
diterjemahkan O
oleh O
model. O
Diharapkan O
selanjutnya O
penelitian O
untuk O

Penerjemah O
Bahasa O
Isyarat O
Studi O
Kasus O
: O
Bahasa O
Isyarat O
Indonesia O
Faiq O
Zakki O
Mubarok O
( O
221709674 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
, O
S. O
ST. O
, O
M. O
Si. O
pada O
umumnya O
Ringkasan—Komunikasi O
tunarungu. O
Penyandang O
dilakukan O
menggunakan O
bahasa O
verbal O
, O
namun O
terdapat O
kelompok O
yang O
memiliki O
keterbatasan O
dalam O
berkomunikasi O
secara O
verbal O
yaitu O
penyandang O
tunarungu O
biasanya O
menggunakan O
bahasa O
isyarat O
sebagai O
alat O
untuk O
berkomunikasi. O
Permasalahannya O
adalah O
tidak O
semua O
orang O
bisa O
mengerti O
bahasa O
isyarat O
, O
dan O
tidak O
semua O
orang O
bisa O
menggunakan O
bahasa O
verbal O
sebagai O
alat O
komunikasi. O
Sehingga O
penelitian O
ini O
bertujuan O
untuk O
mengembangkan B-TUJUAN
modul I-TUJUAN
penerjemah I-TUJUAN
bahasa I-TUJUAN
isyarat I-TUJUAN
BISINDO I-TUJUAN
sebagai I-TUJUAN
penghubung I-TUJUAN
antara I-TUJUAN
masyarakat I-TUJUAN
umum I-TUJUAN
dengan I-TUJUAN
penyandang I-TUJUAN
tunarungu I-TUJUAN
sehingga I-TUJUAN
dapat I-TUJUAN
memperkuat I-TUJUAN
hubungan I-TUJUAN
interpersonal I-TUJUAN
antara I-TUJUAN
kedua I-TUJUAN
belah I-TUJUAN
pihak. I-TUJUAN
Modul O
penerjemah O
Bahasa O
Isyarat O
Indonesia O
dibangun O
dengan O
bantuan O
modul O
Mediapipe O
sebagai O
modul O
ekstraksi O
fitur O
tangan O
dan O
pose O
tubuh O
, O
dan O
pelatihan O
modul O
penerjemah O
menggunakan O
arsitektur O
LSTM. O
Berdasarkan O
hasil O
pengujian O
, O
model B-TEMUAN
LSTM I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
mendapatkan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
92,857 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
memiliki I-TEMUAN
efisiensi I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dibandingkan I-TEMUAN
model I-TEMUAN
penelitian I-TEMUAN
terdahulu. I-TEMUAN
Kata O
Kunci— O
Penerjemah O
Bahasa O
Isyarat O
, O
BISINDO O
, O
Ekstraksi O
Fitur O
, O
Mediapipe. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
yang O
telah O
dituliskan O
pada O
bagian O
sebelumnya O
, O
maka O
dapat O
ditarik O
kesimpulan O
bahwa O
modul O
Mediapipe O
dapat O
digunakan O
sebagai O
modul O
ekstraksi O
fitur O
, O
dan O
modul O
Mediapipe O
memiliki O
performa O
yang O
cukup O
baik O
, O
hal O
tersebut O
dapat O
dibuktikan O
dengan O
keberhasilan O
model O
LSTM O
dalam O
mengklasifikasikan O
gerakan O
yang O
memiliki O
arti O
bahwa O
data O
yang O
digunakan O
sebagai O
data O
latih O
merupakan O
data O
yang O
bagus. O
Selain O
itu O
, O
Model O
LSTM O
yang O
diusulkan O
pada O
penelitian O
ini O
juga O
memiliki O
performa O
yang O
cukup O
baik O
dengan O
akurasi B-METODE
testing O
sebesar O
92.857 O
% O
, O
bahkan O
model O
yang O
diusulkan O
memiliki O
performa O
yang O
lebih O
baik O
dari O
model O
yang O
telah O
diteliti O
sebelumnya O
, O
baik O
dari O
segi O
akurasi O
model O
dalam O
melakukan O
klasifikasi O
gerakan O
BISINDO O
, O
atau O
kecepatan O
pelatihan O
model. O
agar O
mengumpulkan O
dataset O
yang O
lebih O
banyak O
sehingga O
dapat O
memperluas O
kosakata O
yang O
dapat O
diterjemahkan O
oleh O
model. O
Diharapkan O
selanjutnya O
penelitian O
untuk O

Penerjemah O
Bahasa O
Isyarat O
Studi O
Kasus O
: O
Bahasa O
Isyarat O
Indonesia O
Faiq O
Zakki O
Mubarok O
( O
221709674 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
, O
S. O
ST. O
, O
M. O
Si. O
pada O
umumnya O
Ringkasan—Komunikasi O
tunarungu. O
Penyandang O
dilakukan O
menggunakan O
bahasa O
verbal O
, O
namun O
terdapat O
kelompok O
yang O
memiliki O
keterbatasan O
dalam O
berkomunikasi O
secara O
verbal O
yaitu O
penyandang O
tunarungu O
biasanya O
menggunakan O
bahasa O
isyarat O
sebagai O
alat O
untuk O
berkomunikasi. O
Permasalahannya O
adalah O
tidak O
semua O
orang O
bisa O
mengerti O
bahasa O
isyarat O
, O
dan O
tidak O
semua O
orang O
bisa O
menggunakan O
bahasa O
verbal O
sebagai O
alat O
komunikasi. O
Sehingga O
penelitian O
ini O
bertujuan O
untuk O
mengembangkan B-TUJUAN
modul I-TUJUAN
penerjemah I-TUJUAN
bahasa I-TUJUAN
isyarat I-TUJUAN
BISINDO I-TUJUAN
sebagai I-TUJUAN
penghubung I-TUJUAN
antara I-TUJUAN
masyarakat I-TUJUAN
umum I-TUJUAN
dengan I-TUJUAN
penyandang I-TUJUAN
tunarungu I-TUJUAN
sehingga I-TUJUAN
dapat I-TUJUAN
memperkuat I-TUJUAN
hubungan I-TUJUAN
interpersonal I-TUJUAN
antara I-TUJUAN
kedua I-TUJUAN
belah I-TUJUAN
pihak. I-TUJUAN
Modul O
penerjemah O
Bahasa O
Isyarat O
Indonesia O
dibangun O
dengan O
bantuan O
modul O
Mediapipe O
sebagai O
modul O
ekstraksi O
fitur O
tangan O
dan O
pose O
tubuh O
, O
dan O
pelatihan O
modul O
penerjemah O
menggunakan O
arsitektur O
LSTM. O
Berdasarkan O
hasil O
pengujian O
, O
model B-TEMUAN
LSTM I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
mendapatkan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
92,857 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
memiliki I-TEMUAN
efisiensi I-TEMUAN
yang I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dibandingkan I-TEMUAN
model I-TEMUAN
penelitian I-TEMUAN
terdahulu. I-TEMUAN
Kata O
Kunci— O
Penerjemah O
Bahasa O
Isyarat O
, O
BISINDO O
, O
Ekstraksi O
Fitur O
, O
Mediapipe. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
yang O
telah O
dituliskan O
pada O
bagian O
sebelumnya O
, O
maka O
dapat O
ditarik O
kesimpulan O
bahwa O
modul O
Mediapipe O
dapat O
digunakan O
sebagai O
modul O
ekstraksi O
fitur O
, O
dan O
modul O
Mediapipe O
memiliki O
performa O
yang O
cukup O
baik O
, O
hal O
tersebut O
dapat O
dibuktikan O
dengan O
keberhasilan O
model O
LSTM O
dalam O
mengklasifikasikan O
gerakan O
yang O
memiliki O
arti O
bahwa O
data O
yang O
digunakan O
sebagai O
data O
latih O
merupakan O
data O
yang O
bagus. O
Selain O
itu O
, O
Model O
LSTM O
yang O
diusulkan O
pada O
penelitian O
ini O
juga O
memiliki O
performa O
yang O
cukup O
baik O
dengan O
akurasi B-METODE
testing O
sebesar O
92.857 O
% O
, O
bahkan O
model O
yang O
diusulkan O
memiliki O
performa O
yang O
lebih O
baik O
dari O
model O
yang O
telah O
diteliti O
sebelumnya O
, O
baik O
dari O
segi O
akurasi O
model O
dalam O
melakukan O
klasifikasi O
gerakan O
BISINDO O
, O
atau O
kecepatan O
pelatihan O
model. O
agar O
mengumpulkan O
dataset O
yang O
lebih O
banyak O
sehingga O
dapat O
memperluas O
kosakata O
yang O
dapat O
diterjemahkan O
oleh O
model. O
Diharapkan O
selanjutnya O
penelitian O
untuk O

Package O
R O
Small O
Area O
Estimation O
Zero O
Inflated O
Poisson O
Fadheel O
Wisnu O
Utomo O
( O
221709671,4SD1 O
) O
Dosen O
Pembimbing O
: O
Ika O
Yuni O
Wulansari O
, O
S.S.T. O
, O
M. O
Stat. O
Ringkasan— O
Kebutuhan O
akan O
penggunaan O
metode B-METODE
Small I-METODE
Area I-METODE
Estimation I-METODE
( I-METODE
SAE I-METODE
) I-METODE
makin O
tinggi O
seiring O
bertambahnya O
waktu O
baik O
itu O
sektor O
pemerintah O
maupun O
sektor O
swasta. O
Dalam O
penelitian O
ini O
akan O
dibahas O
tentang O
penggunaan O
metode O
Small O
Area O
Estimation O
Zero O
Inflated O
Poisson O
( O
SAE O
ZIP O
) O
. O
Metode O
ini O
dipilih O
karena O
dianggap O
dapat O
menjelaskan O
kejadian O
dari O
keberadaan O
isian O
0 O
atau O
kosong O
pada O
data O
secara O
berlebih O
pada O
data O
count O
( O
excess O
zero O
) O
. O
Sebagai O
hasil O
akhir O
penelitian O
, O
akan O
dibangun O
package O
R O
untuk O
dipublikasikan O
agar O
manfaatnya O
lebih O
luas. O
Dalam O
proses O
pembangunannya O
, O
bangkitan O
akan O
menggunakan O
berdasarkan O
literasi O
dengan O
membangkitkan O
sebuah O
variabel O
bebas O
, O
variabel O
target O
dan O
sebuah O
variabel O
yang O
menampung O
nilai O
vardir O
( O
variance O
of O
direct O
estimation O
) O
. O
Hasil O
penelitian O
hingga O
saat O
ini O
, O
metode O
SAE O
ZIP O
memiliki O
presisi O
yang O
lebih O
baik O
ketika O
dibandinkan O
dengan O
hasil O
estimasi O
langsung O
dan O
EBLUP O
FH O
. O
Sebuah B-TEMUAN
package I-TEMUAN
R I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
dan I-TEMUAN
dipublikasi I-TEMUAN
dalam I-TEMUAN
situs I-TEMUAN
CRAN I-TEMUAN
dengan I-TEMUAN
nama I-TEMUAN
‘zipsae’ I-TEMUAN
, I-TEMUAN
publikasi O
ini O
dilakukan O
agar O
algoritma O
yang O
telah O
dibangun O
dapat O
bermanfaat O
lebih O
luas. O
Kata O
Kunci— O
Zero-Inflated O
, O
Poisson O
, O
excess O
zero O
, O
zipsae. O
data O
[SEP] O
Dari O
hasil O
penelitian O
yang O
telah O
dilakukan O
hingga O
saat O
ini O
, O
dapat O
disimpulkan O
bahwa O
: O
1. O
Metode O
estimasi O
tidak O
langsung O
Small O
Area O
Estimation O
telah O
berhasil O
( O
SAE O
ZIP O
) O
Zero-Inflated O
Poisson O
diterjemahkan O
kedalam O
bahasa O
R. O
2. O
Mengaplikasikan O
script O
yang O
telah O
dibangun O
terhadap O
data O
bangkitan O
berhasil O
dilakukan. O
3. O
Script O
yang O
telah O
dibangun O
sudah O
dikembangkan B-TUJUAN
lebih I-TUJUAN
lanjut I-TUJUAN
menjadi I-TUJUAN
suatu I-TUJUAN
package I-TUJUAN
R I-TUJUAN
dengan I-TUJUAN
nama I-TUJUAN
‘zipsae’ I-TUJUAN
dan I-TUJUAN
dapat I-TUJUAN
diunduh I-TUJUAN
melalui I-TUJUAN
situs I-TUJUAN
CRAN I-TUJUAN
atau I-TUJUAN
melalui I-TUJUAN
tautan I-TUJUAN
berikut I-TUJUAN
https I-TUJUAN
: I-TUJUAN
/ I-TUJUAN
/ I-TUJUAN
cran.r-project.org I-TUJUAN
/ I-TUJUAN
package=zipsae. I-TUJUAN
Dalam O
penyusunan O
makalah O
sidang O
ini O
terdapat O
perubahan O
ketika O
dibandingkan O
dengan O
makalah O
seminar. O
Adapun O
perubahan O
yang O
terjadi O
adalah O
perbedaan O
metode O
yang O
digunakan O
dalam O
melakukan O
estimasi O
dan O
pembangkitan O
data. O
Hal O
ini O
terjadi O
karena O
penggunaan O
metode O
estimasi O
dan O
pembangkitan O
data O
pada O
proses O
sebelumnya O
dinilai O
salah O
dan O
kurang O
tepat O
, O
sehingga O
butuh O
perbaikan O
berdasarkan O
literatur O
yang O
ada. O
6 O
/ O
7 O
Gambar O
7. O
Diagram O
baris O
resampling O
jackknife O
Pada O
gambar O
6 O
merupakan O
tangkapan O
layar O
dari O
data O
yang O
telah O
dibangkitkan O
menggunakan O
variabel O
yang O
telah O
ditetapkan O
sebelumnya. O
Dapat O
dilihat O
bahwa O
variabel O
yang O
dibangkitkan O
berjumlah O
3 O
, O
variabel O
target O
, O
variabel O
bebas O
dan O
sebuah O
variabel O
yang O
menyimpan O
nilai O
vardir O
( O
variance O
of O
direct O
estimation O
) O
. O
Setelah O
melakukan O
pembangkitan O
data O
, O
selanjutnya O
dilakukan O
estimasi O
menggunakan O
metode O
Small O
Area O
Estimation O
Zero-Inflated O
Poisson O
( O
SAE O
ZIP O
) O
. O
Adapun O
seperti O
yang O
telah O
diketahui O
bahwa O
penghitungan O
error O
pada O
SAE O
adalah O
masalah O
yang O
luar O
biasa O
[ O
5 O
] O
. O
Sehingga O
dalam O
menghitung O
Relative O
Standard O
Error O
( O
RSE O
) O
dilakukan O
pendekatan O
Jackknife O
yang O
hasilnya O
dapat O
dilihat O
dari O
gambar O
7. O
Pada O
gambar O
7 O
terdapat O
tiga O
warna O
didalam O
diagram O
garis O
yang O
merepresentasikan O
metode O
masing-masing. O
Untuk O
garis O
berwarna O
merah O
adalah O
nilai O
RSE O
yang O
didapat O
dari O
hasil O
perhitungan O
estimasi O
langsung O
, O
garis O
berwarna O
hijau O
merupakan O
nilai O
RSE O
hasil O
dari O
estimasi O
menggunakan O
metode O
Small O
Area O
Estimation O
( O
SAE O
) O
atau O
Empirical O
Best O
Linier O
Unbiased O
Prediction O
Fay-Herriot O
( O
EBLUP O
FH O
) O
. O
Sedangkan O
garis O
dengan O
warna O
biru O
adalah O
nilai O
RSE O
yang O
didapat O
dari O
hasil O
estimasi O
menggunakan O
metode O
Small O
Area O
Estimation O
Zero-Inflated O
Poisson O
( O
SAE O
ZIP O
) O
. O
Diantara O
ketiga O
metode O
, O
nilai O
RSE O
dari O
metode O
estimasi O
langsung O
atau O
direct O
estimation O
mendapat O
nilai O
tertinggi O
diantara O
dua O
metode O
lainnya. O
Meski O
beberapa O
titik O
didalam O
diagram O
tersebut O
nilainya O
terdapat O
nol. O
Selanjutnya O
, O
terdapat O
garis O
berwarna O
hijau O
didalam O
diagram. O
Jika O
kita O
lihat O
, O
garis O
hijau O
terletak O
diantara O
garis O
berwarna O
merah O
dan O
biru O
, O
dibawah O
garis O
merah O
dan O
diatas O
garis O
biru. O
Dengan O
kata O
lain O
, O
hasil O
estimasi O
yang O
dihasilkan O
melalui O
metode O
EBLUP O
FH O
lebih O
baik O
daripada O
metode O
estimasi O
langsung O
atau O
direct O
estimation O
, O
namun O
tidak O
lebih O
baik O
daripada O
metode O
estimasi O
menggunakan O
metode O
Small O
Area O
Estimation O
Zero-Inflated O
Poisson O
( O
SAE O
ZIP O
) O
. O
garis O
adalah O
Warna O
selanjutnya O
, O
yang O
merepresentasikan O
hasil O
RSE O
dari O
metode O
SAE O
ZIP. O
Garis O
biru O
terletak O
dibawah O
garis O
merah O
dan O
hijau. O
Hal O
ini O
dapat O
kita O
simpulkan O
bahwa O
metode O
SAE O
ZIP O
lebih O
baik O
daripada O
metode O
yang O
diwakilkan O
oleh O
warna O
merah O
dan O
hijau O
( O
direct O
estimate O
dan O
EBLUP O
FH O
) O
. O
biru O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
22 O
] O
Widiarti O
, O
R. O
R. O
Periwi O
, O
and O
A. O
Sutrisno O
, O
“Perbandingan O
Mean O
Squared O
Error O
( O
MSE O
) O
Metode O
Prasad-Rao O
dan O
Jiang-Lahiri-Wan O
Pada O
Pendugaan O
Area O
Kecil O
, O
” O
vol. O
2 O
, O
no. O
2502 O
, O
pp. O
56–60 O
, O
2017. O

Package O
R O
Small O
Area O
Estimation O
Zero O
Inflated O
Poisson O
Fadheel O
Wisnu O
Utomo O
( O
221709671,4SD1 O
) O
Dosen O
Pembimbing O
: O
Ika O
Yuni O
Wulansari O
, O
S.S.T. O
, O
M. O
Stat. O
Ringkasan— O
Kebutuhan O
akan O
penggunaan O
metode B-METODE
Small I-METODE
Area I-METODE
Estimation I-METODE
( I-METODE
SAE I-METODE
) I-METODE
makin O
tinggi O
seiring O
bertambahnya O
waktu O
baik O
itu O
sektor O
pemerintah O
maupun O
sektor O
swasta. O
Dalam O
penelitian O
ini O
akan O
dibahas O
tentang O
penggunaan O
metode O
Small O
Area O
Estimation O
Zero O
Inflated O
Poisson O
( O
SAE O
ZIP O
) O
. O
Metode O
ini O
dipilih O
karena O
dianggap O
dapat O
menjelaskan O
kejadian O
dari O
keberadaan O
isian O
0 O
atau O
kosong O
pada O
data O
secara O
berlebih O
pada O
data O
count O
( O
excess O
zero O
) O
. O
Sebagai O
hasil O
akhir O
penelitian O
, O
akan O
dibangun O
package O
R O
untuk O
dipublikasikan O
agar O
manfaatnya O
lebih O
luas. O
Dalam O
proses O
pembangunannya O
, O
bangkitan O
akan O
menggunakan O
berdasarkan O
literasi O
dengan O
membangkitkan O
sebuah O
variabel O
bebas O
, O
variabel O
target O
dan O
sebuah O
variabel O
yang O
menampung O
nilai O
vardir O
( O
variance O
of O
direct O
estimation O
) O
. O
Hasil O
penelitian O
hingga O
saat O
ini O
, O
metode O
SAE O
ZIP O
memiliki O
presisi O
yang O
lebih O
baik O
ketika O
dibandinkan O
dengan O
hasil O
estimasi O
langsung O
dan O
EBLUP O
FH O
. O
Sebuah B-TEMUAN
package I-TEMUAN
R I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
dan I-TEMUAN
dipublikasi I-TEMUAN
dalam I-TEMUAN
situs I-TEMUAN
CRAN I-TEMUAN
dengan I-TEMUAN
nama I-TEMUAN
‘zipsae’ I-TEMUAN
, I-TEMUAN
publikasi O
ini O
dilakukan O
agar O
algoritma O
yang O
telah O
dibangun O
dapat O
bermanfaat O
lebih O
luas. O
Kata O
Kunci— O
Zero-Inflated O
, O
Poisson O
, O
excess O
zero O
, O
zipsae. O
data O
[SEP] O
Dari O
hasil O
penelitian O
yang O
telah O
dilakukan O
hingga O
saat O
ini O
, O
dapat O
disimpulkan O
bahwa O
: O
1. O
Metode O
estimasi O
tidak O
langsung O
Small O
Area O
Estimation O
telah O
berhasil O
( O
SAE O
ZIP O
) O
Zero-Inflated O
Poisson O
diterjemahkan O
kedalam O
bahasa O
R. O
2. O
Mengaplikasikan O
script O
yang O
telah O
dibangun O
terhadap O
data O
bangkitan O
berhasil O
dilakukan. O
3. O
Script O
yang O
telah O
dibangun O
sudah O
dikembangkan B-TUJUAN
lebih I-TUJUAN
lanjut I-TUJUAN
menjadi I-TUJUAN
suatu I-TUJUAN
package I-TUJUAN
R I-TUJUAN
dengan I-TUJUAN
nama I-TUJUAN
‘zipsae’ I-TUJUAN
dan I-TUJUAN
dapat I-TUJUAN
diunduh I-TUJUAN
melalui I-TUJUAN
situs I-TUJUAN
CRAN I-TUJUAN
atau I-TUJUAN
melalui I-TUJUAN
tautan I-TUJUAN
berikut I-TUJUAN
https I-TUJUAN
: I-TUJUAN
/ I-TUJUAN
/ I-TUJUAN
cran.r-project.org I-TUJUAN
/ I-TUJUAN
package=zipsae. I-TUJUAN
Dalam O
penyusunan O
makalah O
sidang O
ini O
terdapat O
perubahan O
ketika O
dibandingkan O
dengan O
makalah O
seminar. O
Adapun O
perubahan O
yang O
terjadi O
adalah O
perbedaan O
metode O
yang O
digunakan O
dalam O
melakukan O
estimasi O
dan O
pembangkitan O
data. O
Hal O
ini O
terjadi O
karena O
penggunaan O
metode O
estimasi O
dan O
pembangkitan O
data O
pada O
proses O
sebelumnya O
dinilai O
salah O
dan O
kurang O
tepat O
, O
sehingga O
butuh O
perbaikan O
berdasarkan O
literatur O
yang O
ada. O
6 O
/ O
7 O
Gambar O
7. O
Diagram O
baris O
resampling O
jackknife O
Pada O
gambar O
6 O
merupakan O
tangkapan O
layar O
dari O
data O
yang O
telah O
dibangkitkan O
menggunakan O
variabel O
yang O
telah O
ditetapkan O
sebelumnya. O
Dapat O
dilihat O
bahwa O
variabel O
yang O
dibangkitkan O
berjumlah O
3 O
, O
variabel O
target O
, O
variabel O
bebas O
dan O
sebuah O
variabel O
yang O
menyimpan O
nilai O
vardir O
( O
variance O
of O
direct O
estimation O
) O
. O
Setelah O
melakukan O
pembangkitan O
data O
, O
selanjutnya O
dilakukan O
estimasi O
menggunakan O
metode O
Small O
Area O
Estimation O
Zero-Inflated O
Poisson O
( O
SAE O
ZIP O
) O
. O
Adapun O
seperti O
yang O
telah O
diketahui O
bahwa O
penghitungan O
error O
pada O
SAE O
adalah O
masalah O
yang O
luar O
biasa O
[ O
5 O
] O
. O
Sehingga O
dalam O
menghitung O
Relative O
Standard O
Error O
( O
RSE O
) O
dilakukan O
pendekatan O
Jackknife O
yang O
hasilnya O
dapat O
dilihat O
dari O
gambar O
7. O
Pada O
gambar O
7 O
terdapat O
tiga O
warna O
didalam O
diagram O
garis O
yang O
merepresentasikan O
metode O
masing-masing. O
Untuk O
garis O
berwarna O
merah O
adalah O
nilai O
RSE O
yang O
didapat O
dari O
hasil O
perhitungan O
estimasi O
langsung O
, O
garis O
berwarna O
hijau O
merupakan O
nilai O
RSE O
hasil O
dari O
estimasi O
menggunakan O
metode O
Small O
Area O
Estimation O
( O
SAE O
) O
atau O
Empirical O
Best O
Linier O
Unbiased O
Prediction O
Fay-Herriot O
( O
EBLUP O
FH O
) O
. O
Sedangkan O
garis O
dengan O
warna O
biru O
adalah O
nilai O
RSE O
yang O
didapat O
dari O
hasil O
estimasi O
menggunakan O
metode O
Small O
Area O
Estimation O
Zero-Inflated O
Poisson O
( O
SAE O
ZIP O
) O
. O
Diantara O
ketiga O
metode O
, O
nilai O
RSE O
dari O
metode O
estimasi O
langsung O
atau O
direct O
estimation O
mendapat O
nilai O
tertinggi O
diantara O
dua O
metode O
lainnya. O
Meski O
beberapa O
titik O
didalam O
diagram O
tersebut O
nilainya O
terdapat O
nol. O
Selanjutnya O
, O
terdapat O
garis O
berwarna O
hijau O
didalam O
diagram. O
Jika O
kita O
lihat O
, O
garis O
hijau O
terletak O
diantara O
garis O
berwarna O
merah O
dan O
biru O
, O
dibawah O
garis O
merah O
dan O
diatas O
garis O
biru. O
Dengan O
kata O
lain O
, O
hasil O
estimasi O
yang O
dihasilkan O
melalui O
metode O
EBLUP O
FH O
lebih O
baik O
daripada O
metode O
estimasi O
langsung O
atau O
direct O
estimation O
, O
namun O
tidak O
lebih O
baik O
daripada O
metode O
estimasi O
menggunakan O
metode O
Small O
Area O
Estimation O
Zero-Inflated O
Poisson O
( O
SAE O
ZIP O
) O
. O
garis O
adalah O
Warna O
selanjutnya O
, O
yang O
merepresentasikan O
hasil O
RSE O
dari O
metode O
SAE O
ZIP. O
Garis O
biru O
terletak O
dibawah O
garis O
merah O
dan O
hijau. O
Hal O
ini O
dapat O
kita O
simpulkan O
bahwa O
metode O
SAE O
ZIP O
lebih O
baik O
daripada O
metode O
yang O
diwakilkan O
oleh O
warna O
merah O
dan O
hijau O
( O
direct O
estimate O
dan O
EBLUP O
FH O
) O
. O
biru O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
22 O
] O
Widiarti O
, O
R. O
R. O
Periwi O
, O
and O
A. O
Sutrisno O
, O
“Perbandingan O
Mean O
Squared O
Error O
( O
MSE O
) O
Metode O
Prasad-Rao O
dan O
Jiang-Lahiri-Wan O
Pada O
Pendugaan O
Area O
Kecil O
, O
” O
vol. O
2 O
, O
no. O
2502 O
, O
pp. O
56–60 O
, O
2017. O

Package O
R O
Small O
Area O
Estimation O
Zero O
Inflated O
Poisson O
Fadheel O
Wisnu O
Utomo O
( O
221709671,4SD1 O
) O
Dosen O
Pembimbing O
: O
Ika O
Yuni O
Wulansari O
, O
S.S.T. O
, O
M. O
Stat. O
Ringkasan— O
Kebutuhan O
akan O
penggunaan O
metode B-METODE
Small I-METODE
Area I-METODE
Estimation I-METODE
( I-METODE
SAE I-METODE
) I-METODE
makin O
tinggi O
seiring O
bertambahnya O
waktu O
baik O
itu O
sektor O
pemerintah O
maupun O
sektor O
swasta. O
Dalam O
penelitian O
ini O
akan O
dibahas O
tentang O
penggunaan O
metode O
Small O
Area O
Estimation O
Zero O
Inflated O
Poisson O
( O
SAE O
ZIP O
) O
. O
Metode O
ini O
dipilih O
karena O
dianggap O
dapat O
menjelaskan O
kejadian O
dari O
keberadaan O
isian O
0 O
atau O
kosong O
pada O
data O
secara O
berlebih O
pada O
data O
count O
( O
excess O
zero O
) O
. O
Sebagai O
hasil O
akhir O
penelitian O
, O
akan O
dibangun O
package O
R O
untuk O
dipublikasikan O
agar O
manfaatnya O
lebih O
luas. O
Dalam O
proses O
pembangunannya O
, O
bangkitan O
akan O
menggunakan O
berdasarkan O
literasi O
dengan O
membangkitkan O
sebuah O
variabel O
bebas O
, O
variabel O
target O
dan O
sebuah O
variabel O
yang O
menampung O
nilai O
vardir O
( O
variance O
of O
direct O
estimation O
) O
. O
Hasil O
penelitian O
hingga O
saat O
ini O
, O
metode O
SAE O
ZIP O
memiliki O
presisi O
yang O
lebih O
baik O
ketika O
dibandinkan O
dengan O
hasil O
estimasi O
langsung O
dan O
EBLUP O
FH O
. O
Sebuah B-TEMUAN
package I-TEMUAN
R I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
dan I-TEMUAN
dipublikasi I-TEMUAN
dalam I-TEMUAN
situs I-TEMUAN
CRAN I-TEMUAN
dengan I-TEMUAN
nama I-TEMUAN
‘zipsae’ I-TEMUAN
, I-TEMUAN
publikasi O
ini O
dilakukan O
agar O
algoritma O
yang O
telah O
dibangun O
dapat O
bermanfaat O
lebih O
luas. O
Kata O
Kunci— O
Zero-Inflated O
, O
Poisson O
, O
excess O
zero O
, O
zipsae. O
data O
[SEP] O
Dari O
hasil O
penelitian O
yang O
telah O
dilakukan O
hingga O
saat O
ini O
, O
dapat O
disimpulkan O
bahwa O
: O
1. O
Metode O
estimasi O
tidak O
langsung O
Small O
Area O
Estimation O
telah O
berhasil O
( O
SAE O
ZIP O
) O
Zero-Inflated O
Poisson O
diterjemahkan O
kedalam O
bahasa O
R. O
2. O
Mengaplikasikan O
script O
yang O
telah O
dibangun O
terhadap O
data O
bangkitan O
berhasil O
dilakukan. O
3. O
Script O
yang O
telah O
dibangun O
sudah O
dikembangkan B-TUJUAN
lebih I-TUJUAN
lanjut I-TUJUAN
menjadi I-TUJUAN
suatu I-TUJUAN
package I-TUJUAN
R I-TUJUAN
dengan I-TUJUAN
nama I-TUJUAN
‘zipsae’ I-TUJUAN
dan I-TUJUAN
dapat I-TUJUAN
diunduh I-TUJUAN
melalui I-TUJUAN
situs I-TUJUAN
CRAN I-TUJUAN
atau I-TUJUAN
melalui I-TUJUAN
tautan I-TUJUAN
berikut I-TUJUAN
https I-TUJUAN
: I-TUJUAN
/ I-TUJUAN
/ I-TUJUAN
cran.r-project.org I-TUJUAN
/ I-TUJUAN
package=zipsae. I-TUJUAN
Dalam O
penyusunan O
makalah O
sidang O
ini O
terdapat O
perubahan O
ketika O
dibandingkan O
dengan O
makalah O
seminar. O
Adapun O
perubahan O
yang O
terjadi O
adalah O
perbedaan O
metode O
yang O
digunakan O
dalam O
melakukan O
estimasi O
dan O
pembangkitan O
data. O
Hal O
ini O
terjadi O
karena O
penggunaan O
metode O
estimasi O
dan O
pembangkitan O
data O
pada O
proses O
sebelumnya O
dinilai O
salah O
dan O
kurang O
tepat O
, O
sehingga O
butuh O
perbaikan O
berdasarkan O
literatur O
yang O
ada. O
6 O
/ O
7 O
Gambar O
7. O
Diagram O
baris O
resampling O
jackknife O
Pada O
gambar O
6 O
merupakan O
tangkapan O
layar O
dari O
data O
yang O
telah O
dibangkitkan O
menggunakan O
variabel O
yang O
telah O
ditetapkan O
sebelumnya. O
Dapat O
dilihat O
bahwa O
variabel O
yang O
dibangkitkan O
berjumlah O
3 O
, O
variabel O
target O
, O
variabel O
bebas O
dan O
sebuah O
variabel O
yang O
menyimpan O
nilai O
vardir O
( O
variance O
of O
direct O
estimation O
) O
. O
Setelah O
melakukan O
pembangkitan O
data O
, O
selanjutnya O
dilakukan O
estimasi O
menggunakan O
metode O
Small O
Area O
Estimation O
Zero-Inflated O
Poisson O
( O
SAE O
ZIP O
) O
. O
Adapun O
seperti O
yang O
telah O
diketahui O
bahwa O
penghitungan O
error O
pada O
SAE O
adalah O
masalah O
yang O
luar O
biasa O
[ O
5 O
] O
. O
Sehingga O
dalam O
menghitung O
Relative O
Standard O
Error O
( O
RSE O
) O
dilakukan O
pendekatan O
Jackknife O
yang O
hasilnya O
dapat O
dilihat O
dari O
gambar O
7. O
Pada O
gambar O
7 O
terdapat O
tiga O
warna O
didalam O
diagram O
garis O
yang O
merepresentasikan O
metode O
masing-masing. O
Untuk O
garis O
berwarna O
merah O
adalah O
nilai O
RSE O
yang O
didapat O
dari O
hasil O
perhitungan O
estimasi O
langsung O
, O
garis O
berwarna O
hijau O
merupakan O
nilai O
RSE O
hasil O
dari O
estimasi O
menggunakan O
metode O
Small O
Area O
Estimation O
( O
SAE O
) O
atau O
Empirical O
Best O
Linier O
Unbiased O
Prediction O
Fay-Herriot O
( O
EBLUP O
FH O
) O
. O
Sedangkan O
garis O
dengan O
warna O
biru O
adalah O
nilai O
RSE O
yang O
didapat O
dari O
hasil O
estimasi O
menggunakan O
metode O
Small O
Area O
Estimation O
Zero-Inflated O
Poisson O
( O
SAE O
ZIP O
) O
. O
Diantara O
ketiga O
metode O
, O
nilai O
RSE O
dari O
metode O
estimasi O
langsung O
atau O
direct O
estimation O
mendapat O
nilai O
tertinggi O
diantara O
dua O
metode O
lainnya. O
Meski O
beberapa O
titik O
didalam O
diagram O
tersebut O
nilainya O
terdapat O
nol. O
Selanjutnya O
, O
terdapat O
garis O
berwarna O
hijau O
didalam O
diagram. O
Jika O
kita O
lihat O
, O
garis O
hijau O
terletak O
diantara O
garis O
berwarna O
merah O
dan O
biru O
, O
dibawah O
garis O
merah O
dan O
diatas O
garis O
biru. O
Dengan O
kata O
lain O
, O
hasil O
estimasi O
yang O
dihasilkan O
melalui O
metode O
EBLUP O
FH O
lebih O
baik O
daripada O
metode O
estimasi O
langsung O
atau O
direct O
estimation O
, O
namun O
tidak O
lebih O
baik O
daripada O
metode O
estimasi O
menggunakan O
metode O
Small O
Area O
Estimation O
Zero-Inflated O
Poisson O
( O
SAE O
ZIP O
) O
. O
garis O
adalah O
Warna O
selanjutnya O
, O
yang O
merepresentasikan O
hasil O
RSE O
dari O
metode O
SAE O
ZIP. O
Garis O
biru O
terletak O
dibawah O
garis O
merah O
dan O
hijau. O
Hal O
ini O
dapat O
kita O
simpulkan O
bahwa O
metode O
SAE O
ZIP O
lebih O
baik O
daripada O
metode O
yang O
diwakilkan O
oleh O
warna O
merah O
dan O
hijau O
( O
direct O
estimate O
dan O
EBLUP O
FH O
) O
. O
biru O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
22 O
] O
Widiarti O
, O
R. O
R. O
Periwi O
, O
and O
A. O
Sutrisno O
, O
“Perbandingan O
Mean O
Squared O
Error O
( O
MSE O
) O
Metode O
Prasad-Rao O
dan O
Jiang-Lahiri-Wan O
Pada O
Pendugaan O
Area O
Kecil O
, O
” O
vol. O
2 O
, O
no. O
2502 O
, O
pp. O
56–60 O
, O
2017. O

Text O
Mining O
terhadap O
Perilaku O
Cyberbullying O
berdasarkan O
Karakteristik O
Demografi O
Pengguna O
Twitter O
di O
Indonesia O
Eka O
Putri O
S O
( O
221709654 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
SST. O
, O
M.Si. O
Ringkasan— O
Cyberbullying O
menjadi O
salah O
satu O
isu O
sosial O
yang O
perlu O
diperhatikan O
dalam O
penggunaan O
media O
sosial O
yang O
semakin O
meningkat O
dan O
tidak O
bisa O
dihindari. O
Media O
sosial O
sebagai O
alat O
komunikasi O
terhubung O
secara O
luas O
dengan O
siapa O
pun O
memberikan O
semakin O
banyak O
kesempatan O
untuk O
berekspresi O
dengan O
batasan O
penggunaan O
bahasa O
yang O
minim. O
Penelitian O
ini O
bertujuan O
untuk O
mengidentifikasi B-TUJUAN
teks I-TUJUAN
cyberbullying I-TUJUAN
pada I-TUJUAN
studi I-TUJUAN
kasus I-TUJUAN
Twitter I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
Lexicon I-TUJUAN
Based I-TUJUAN
dan I-TUJUAN
Multinomial I-TUJUAN
Naïve I-TUJUAN
Bayes. I-TUJUAN
Metode O
Multinomial O
Naïve O
Bayes O
dilakukan O
dengan O
teknik O
semi-supervised O
learning O
untuk O
menghasilkan O
pseudo-label O
pada O
data O
yang O
berjumlah O
banyak. O
Penelitian O
juga O
memprediksi O
karakteristik O
demografi O
pengguna O
mencakup O
gender O
dan O
kelompok O
umur. O
Untuk O
mengetahui O
gambaran O
dari O
pola O
pengelompokkan O
cyberbullying O
, O
dilakukan O
analisis B-METODE
deskriptif I-METODE
terhadap O
data O
Metode O
Multinomial O
Naïve O
Bayes O
dengan O
teknik O
semi-supervised O
learning O
menunjukkan O
akurasi O
yang O
lebih O
baik O
daripada O
metode O
Lexicon O
Based O
dalam O
mengklasifikasi O
twit O
cyberbullying. O
Hasilnya B-TEMUAN
pada I-TEMUAN
kurun I-TEMUAN
waktu I-TEMUAN
Januari I-TEMUAN
2021 I-TEMUAN
, I-TEMUAN
cyberbullying I-TEMUAN
di I-TEMUAN
Twitter I-TEMUAN
didominasi I-TEMUAN
oleh I-TEMUAN
gender I-TEMUAN
laki-laki I-TEMUAN
dan I-TEMUAN
kelompok I-TEMUAN
usia I-TEMUAN
di I-TEMUAN
bawah I-TEMUAN
30 I-TEMUAN
tahun. I-TEMUAN
twit O
yang O
sudah O
dikumpulkan. O
ini O
Kata O
Kunci— O
Cyberbullying O
, O
Text O
Mining O
, O
Klasifikasi O
, O
Multinomial O
Naïve O
Bayes O
, O
Lexicon O
Based O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
penelitian O
di O
atas O
, O
dapat O
diperoleh O
kesimpulan O
sebagai O
berikut. O
1. O
Hasil O
prediksi O
inferensi O
pengguna O
Twitter O
menujukkan O
twit O
dengan O
kata O
kunci O
cyberbullying O
dan O
minimal O
mendapat O
satu O
kali O
interaksi O
berasal O
dari O
pengguna O
yang O
didominasi O
oleh O
gender O
laki-laki O
sebanyak O
59,23 O
% O
dan O
kelompok O
kurang O
dari O
18 O
tahun O
sebanyak O
47,69 O
% O
. O
2. O
Klasifikasi B-METODE
dengan O
metode B-METODE
Lexicon I-METODE
Based I-METODE
memberikan O
akurasi O
sebesar O
51,71 O
% O
sebelum O
kata O
kunci O
dihapus. O
Selain O
untuk O
tujuan O
menyindir O
atau O
mengujar O
kebencian O
, O
kata O
7 O
/ O
8 O
Gambar O
4. O
Frekuensi O
cyberbullying O
berdasarkan O
waktu O
Gambar O
5. O
Frekuensi O
cyberbullying O
berdasarkan O
hari O
Cyberbullying O
berdasarkan O
karakteristik O
demografi O
pengguna O
Twitter O
Berdasarkan O
karakteristik O
gender O
, O
sebanyak O
65,25 O
% O
pelaku O
cyberbullying O
di O
Twitter O
yang O
mendapatkan O
minimal O
satu O
interaksi O
pada O
Januari O
2021 O
adalah O
laki-laki O
dan O
34,75 O
% O
adalah O
perempuan. O
Gambar O
6. O
menunjukkan O
twit O
cyberbullying O
berdasarkan O
gender. O
frekuensi O
Gambar O
6. O
Frekuensi O
cyberbullying O
berdasarkan O
gender O
Dari O
hasil O
visualisasi O
di O
atas O
dapat O
dilihat O
bahwa O
laki-laki O
lebih O
cenderung O
melakukan O
cyberbullying O
daripada O
wanita. O
Hal O
ini O
sejalan O
dengan O
penelitian O
yang O
menjelaskan O
bahwa O
ketika O
gender O
dipertimbangkan O
, O
terdapat O
perbedaan O
signifikan O
dalam O
kunci O
yang O
merupakan O
kata-kata O
umpatan O
juga O
digunakan O
oleh O
pengguna O
Twitter O
untuk O
mengekspresikan O
kemarahan O
, O
rasa O
sakit O
, O
kegembiraan O
, O
frustrasi O
, O
atau O
keterkejutan. O
Dengan O
tidak O
mengikutsertakan O
kata O
kunci O
cyberbullying O
, O
klasifikasi O
dengan O
metode O
Lexicon O
Based O
memberikan O
akurasi O
sebesar O
62,59 O
% O
. O
Sedangkan O
model O
Multinomial O
Naïve O
Bayes O
dengan O
teknik O
semi-supervised O
Learning O
menunjukkan O
akurasi O
yang O
paling O
baik O
sebesar O
74,64 O
% O
dalam O
megklasifikasi O
twit O
cyberbullying. O
3. O
Korelasi O
antara O
variabel O
numerik O
menunjukkan O
tidak O
ada O
korelasi O
antara O
nilai O
sentimen O
dengan O
jumlah O
interaksi. O
Positif O
atau O
negatifnya O
sentimen O
dari O
sebuah O
twit O
tidak O
ada O
hubungannya O
dengan O
seberapa O
banyak O
keterlibatan O
, O
ketertarikan O
, O
dan O
interaksi O
yang O
dia O
dapatkan. O
4. O
Perilaku O
cyberbullying O
di O
Twitter O
paling O
sering O
terjadi O
pada O
akhir O
pekan O
dan O
malam O
hari O
oleh O
gender O
laki-laki O
dan O
kelompok O
usia O
kurang O
dari O
18 O
tahun O
diikuti O
oleh O
kelompok O
usia O
19-29 O
tahun O
dengan O
perbedaan O
yang O
tidak O
signifikan. O
B. O
Saran O
Beberapa O
saran O
yang O
dapat O
dipertimbangkan O
untuk O
penelitian O
berikutnya O
adalah O
sebagai O
berikut. O
1. O
Memisahkan O
twit O
dengan O
kata O
kunci O
yang O
memiliki O
arti O
harfiah O
seperti O
nama-nama O
hewan O
yang O
tidak O
ditujukan O
untuk O
disampaikan O
dalam O
makna O
lain. O
2. O
Penambahan O
kata O
kunci O
baru O
berbahasa O
Inggris O
dengan O
mempertimbangkan O
penduduk O
semakin O
Indonesia O
kelompok O
usia O
muda O
yang O
menggunakan O
Bahasa O
Inggris O
di O
media O
sosial. O
banyaknya O
3. O
Menggunakan O
alat O
inferensi O
demografi O
lain O
yang O
mencakup O
pengguna O
Twitter O
di O
Indonesia O
mengingat O
keterbatasan O
m3inference O
yaitu O
hanya O
mengkhususkan O
32 O
bahasa O
yang O
tidak O
termasuk O
Bahasa O
Indonesia. O
Selain O
itu O
, O
pengecekan O
akurasi O
m3inference O
dalam O
penelitian O
ini O
bersifat O
lemah O
karena O
sampel O
pengguna O
dipilih O
berdasarkan O
subjektivitas O
kemudahan O
mendapatkan O
informasi. O
4. O
Menambah O
data O
manual O
labeling O
serta O
pelabelan O
dilakukan O
dengan O
kriteria O
yang O
lebih O
spesifik O
agar O
akurasi O
meningkat. O
5. O
Penggunaan O
slangword O
dan O
stopword O
dari O
Indonesia O
Lexicon O
Word O
( O
Evan O
Martua O
) O
belum O
mampu O
mengganti O
dan O
menghapus O
seluruh O
slangword O
dan O
stopword O
yang O
ada O
pada O
teks O
, O
terlihat O
dari O
banyaknya O
kata O
di O
word O
cloud O
yang O
belum O
terstandar. O
Untuk O
dapat O
perbaikan O
menggunakan O
sumber O
lain O
atau O
memodifikasi O
sumber O
data O
dengan O
menambahkan O
daftar O
kata O
pada O
kamus. O
selanjutnya O

Text O
Mining O
terhadap O
Perilaku O
Cyberbullying O
berdasarkan O
Karakteristik O
Demografi O
Pengguna O
Twitter O
di O
Indonesia O
Eka O
Putri O
S O
( O
221709654 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
SST. O
, O
M.Si. O
Ringkasan— O
Cyberbullying O
menjadi O
salah O
satu O
isu O
sosial O
yang O
perlu O
diperhatikan O
dalam O
penggunaan O
media O
sosial O
yang O
semakin O
meningkat O
dan O
tidak O
bisa O
dihindari. O
Media O
sosial O
sebagai O
alat O
komunikasi O
terhubung O
secara O
luas O
dengan O
siapa O
pun O
memberikan O
semakin O
banyak O
kesempatan O
untuk O
berekspresi O
dengan O
batasan O
penggunaan O
bahasa O
yang O
minim. O
Penelitian O
ini O
bertujuan O
untuk O
mengidentifikasi B-TUJUAN
teks I-TUJUAN
cyberbullying I-TUJUAN
pada I-TUJUAN
studi I-TUJUAN
kasus I-TUJUAN
Twitter I-TUJUAN
dengan I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
Lexicon I-TUJUAN
Based I-TUJUAN
dan I-TUJUAN
Multinomial I-TUJUAN
Naïve I-TUJUAN
Bayes. I-TUJUAN
Metode O
Multinomial O
Naïve O
Bayes O
dilakukan O
dengan O
teknik O
semi-supervised O
learning O
untuk O
menghasilkan O
pseudo-label O
pada O
data O
yang O
berjumlah O
banyak. O
Penelitian O
juga O
memprediksi O
karakteristik O
demografi O
pengguna O
mencakup O
gender O
dan O
kelompok O
umur. O
Untuk O
mengetahui O
gambaran O
dari O
pola O
pengelompokkan O
cyberbullying O
, O
dilakukan O
analisis B-METODE
deskriptif I-METODE
terhadap O
data O
Metode O
Multinomial O
Naïve O
Bayes O
dengan O
teknik O
semi-supervised O
learning O
menunjukkan O
akurasi O
yang O
lebih O
baik O
daripada O
metode O
Lexicon O
Based O
dalam O
mengklasifikasi O
twit O
cyberbullying. O
Hasilnya B-TEMUAN
pada I-TEMUAN
kurun I-TEMUAN
waktu I-TEMUAN
Januari I-TEMUAN
2021 I-TEMUAN
, I-TEMUAN
cyberbullying I-TEMUAN
di I-TEMUAN
Twitter I-TEMUAN
didominasi I-TEMUAN
oleh I-TEMUAN
gender I-TEMUAN
laki-laki I-TEMUAN
dan I-TEMUAN
kelompok I-TEMUAN
usia I-TEMUAN
di I-TEMUAN
bawah I-TEMUAN
30 I-TEMUAN
tahun. I-TEMUAN
twit O
yang O
sudah O
dikumpulkan. O
ini O
Kata O
Kunci— O
Cyberbullying O
, O
Text O
Mining O
, O
Klasifikasi O
, O
Multinomial O
Naïve O
Bayes O
, O
Lexicon O
Based O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
hasil O
penelitian O
di O
atas O
, O
dapat O
diperoleh O
kesimpulan O
sebagai O
berikut. O
1. O
Hasil O
prediksi O
inferensi O
pengguna O
Twitter O
menujukkan O
twit O
dengan O
kata O
kunci O
cyberbullying O
dan O
minimal O
mendapat O
satu O
kali O
interaksi O
berasal O
dari O
pengguna O
yang O
didominasi O
oleh O
gender O
laki-laki O
sebanyak O
59,23 O
% O
dan O
kelompok O
kurang O
dari O
18 O
tahun O
sebanyak O
47,69 O
% O
. O
2. O
Klasifikasi B-METODE
dengan O
metode B-METODE
Lexicon I-METODE
Based I-METODE
memberikan O
akurasi O
sebesar O
51,71 O
% O
sebelum O
kata O
kunci O
dihapus. O
Selain O
untuk O
tujuan O
menyindir O
atau O
mengujar O
kebencian O
, O
kata O
7 O
/ O
8 O
Gambar O
4. O
Frekuensi O
cyberbullying O
berdasarkan O
waktu O
Gambar O
5. O
Frekuensi O
cyberbullying O
berdasarkan O
hari O
Cyberbullying O
berdasarkan O
karakteristik O
demografi O
pengguna O
Twitter O
Berdasarkan O
karakteristik O
gender O
, O
sebanyak O
65,25 O
% O
pelaku O
cyberbullying O
di O
Twitter O
yang O
mendapatkan O
minimal O
satu O
interaksi O
pada O
Januari O
2021 O
adalah O
laki-laki O
dan O
34,75 O
% O
adalah O
perempuan. O
Gambar O
6. O
menunjukkan O
twit O
cyberbullying O
berdasarkan O
gender. O
frekuensi O
Gambar O
6. O
Frekuensi O
cyberbullying O
berdasarkan O
gender O
Dari O
hasil O
visualisasi O
di O
atas O
dapat O
dilihat O
bahwa O
laki-laki O
lebih O
cenderung O
melakukan O
cyberbullying O
daripada O
wanita. O
Hal O
ini O
sejalan O
dengan O
penelitian O
yang O
menjelaskan O
bahwa O
ketika O
gender O
dipertimbangkan O
, O
terdapat O
perbedaan O
signifikan O
dalam O
kunci O
yang O
merupakan O
kata-kata O
umpatan O
juga O
digunakan O
oleh O
pengguna O
Twitter O
untuk O
mengekspresikan O
kemarahan O
, O
rasa O
sakit O
, O
kegembiraan O
, O
frustrasi O
, O
atau O
keterkejutan. O
Dengan O
tidak O
mengikutsertakan O
kata O
kunci O
cyberbullying O
, O
klasifikasi O
dengan O
metode O
Lexicon O
Based O
memberikan O
akurasi O
sebesar O
62,59 O
% O
. O
Sedangkan O
model O
Multinomial O
Naïve O
Bayes O
dengan O
teknik O
semi-supervised O
Learning O
menunjukkan O
akurasi O
yang O
paling O
baik O
sebesar O
74,64 O
% O
dalam O
megklasifikasi O
twit O
cyberbullying. O
3. O
Korelasi O
antara O
variabel O
numerik O
menunjukkan O
tidak O
ada O
korelasi O
antara O
nilai O
sentimen O
dengan O
jumlah O
interaksi. O
Positif O
atau O
negatifnya O
sentimen O
dari O
sebuah O
twit O
tidak O
ada O
hubungannya O
dengan O
seberapa O
banyak O
keterlibatan O
, O
ketertarikan O
, O
dan O
interaksi O
yang O
dia O
dapatkan. O
4. O
Perilaku O
cyberbullying O
di O
Twitter O
paling O
sering O
terjadi O
pada O
akhir O
pekan O
dan O
malam O
hari O
oleh O
gender O
laki-laki O
dan O
kelompok O
usia O
kurang O
dari O
18 O
tahun O
diikuti O
oleh O
kelompok O
usia O
19-29 O
tahun O
dengan O
perbedaan O
yang O
tidak O
signifikan. O
B. O
Saran O
Beberapa O
saran O
yang O
dapat O
dipertimbangkan O
untuk O
penelitian O
berikutnya O
adalah O
sebagai O
berikut. O
1. O
Memisahkan O
twit O
dengan O
kata O
kunci O
yang O
memiliki O
arti O
harfiah O
seperti O
nama-nama O
hewan O
yang O
tidak O
ditujukan O
untuk O
disampaikan O
dalam O
makna O
lain. O
2. O
Penambahan O
kata O
kunci O
baru O
berbahasa O
Inggris O
dengan O
mempertimbangkan O
penduduk O
semakin O
Indonesia O
kelompok O
usia O
muda O
yang O
menggunakan O
Bahasa O
Inggris O
di O
media O
sosial. O
banyaknya O
3. O
Menggunakan O
alat O
inferensi O
demografi O
lain O
yang O
mencakup O
pengguna O
Twitter O
di O
Indonesia O
mengingat O
keterbatasan O
m3inference O
yaitu O
hanya O
mengkhususkan O
32 O
bahasa O
yang O
tidak O
termasuk O
Bahasa O
Indonesia. O
Selain O
itu O
, O
pengecekan O
akurasi O
m3inference O
dalam O
penelitian O
ini O
bersifat O
lemah O
karena O
sampel O
pengguna O
dipilih O
berdasarkan O
subjektivitas O
kemudahan O
mendapatkan O
informasi. O
4. O
Menambah O
data O
manual O
labeling O
serta O
pelabelan O
dilakukan O
dengan O
kriteria O
yang O
lebih O
spesifik O
agar O
akurasi O
meningkat. O
5. O
Penggunaan O
slangword O
dan O
stopword O
dari O
Indonesia O
Lexicon O
Word O
( O
Evan O
Martua O
) O
belum O
mampu O
mengganti O
dan O
menghapus O
seluruh O
slangword O
dan O
stopword O
yang O
ada O
pada O
teks O
, O
terlihat O
dari O
banyaknya O
kata O
di O
word O
cloud O
yang O
belum O
terstandar. O
Untuk O
dapat O
perbaikan O
menggunakan O
sumber O
lain O
atau O
memodifikasi O
sumber O
data O
dengan O
menambahkan O
daftar O
kata O
pada O
kamus. O
selanjutnya O

Sistem O
Informasi O
Penghitungan O
Pengeluaran O
Konsumsi O
Rumah O
Tangga O
Triwulanan O
Efriandi O
( O
221709653 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
MBA. O
cukup O
Ringkasan— O
Produk O
Domestik O
Bruto O
( O
PDB O
) O
merupakan O
salah O
satu O
indikator O
utama O
untuk O
menentukan O
pertumbuhan O
ekonomi O
suatu O
negara. O
PDB O
dapat O
dihitung O
melalui O
tiga O
pendekatan O
, O
yaitu O
pendekatan O
produksi O
, O
pendekatan O
pendapatan O
dan O
pendekatan O
satu O
komponen O
penyumbang O
PDB O
pengeluaran. O
Salah O
signifikan O
adalah O
pendekatan O
pengeluaran O
yang O
Pengeluaran O
Konsumsi O
Rumah O
Tangga O
( O
PKRT O
) O
. O
PKRT O
dihitung O
oleh O
BPS O
RI O
pada O
Subdirektorat O
Neraca O
Rumah O
Tangga O
dan O
Institusi O
Nirlaba. O
Perhitungan O
PKRT O
triwulanan O
selama O
ini O
menggunakan O
aplikasi O
Microsoft O
Excel O
, O
dimana O
dirasa O
belum O
cukup O
efisien. O
Beranjak O
dari O
permasalahan O
itu O
, O
penelitian O
ini O
dibuat O
untuk O
membangun B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
penghitungan I-TUJUAN
PKRT I-TUJUAN
triwulanan I-TUJUAN
sehingga I-TUJUAN
nantinya I-TUJUAN
akan I-TUJUAN
dibuat I-TUJUAN
sistem I-TUJUAN
penghitungan I-TUJUAN
PKRT I-TUJUAN
yang I-TUJUAN
mampu I-TUJUAN
menyelesaikan I-TUJUAN
isu I-TUJUAN
yang I-TUJUAN
ada I-TUJUAN
, I-TUJUAN
serta I-TUJUAN
efisien I-TUJUAN
dalam I-TUJUAN
pengerjaannya. I-TUJUAN
Penelitian O
ini O
menggunakan O
metode B-METODE
analisis I-METODE
permasalahan I-METODE
dan I-METODE
PIECES I-METODE
untuk O
analisa O
kebutuhan. O
Untuk O
testing O
dan O
evaluasi O
, O
peneliti O
menggunakan O
black B-METODE
box I-METODE
testing I-METODE
dan I-METODE
SUS. I-METODE
Kata O
Kunci— O
Pembangunan O
Sistem O
, O
Sistem O
Infromasi O
, O
PDB O
Pengeluaran O
, O
PKRT O
Triwulanan O
[SEP] O
Kesimpulan O
dari O
penelitian O
mengenai O
Pembangunan O
Sistem O
Informasi O
Penghitungan O
PKRT O
Triwulanan O
ini O
yaitu O
: O
1. O
Penelitian O
ini O
telah O
menghasilkan O
aplikasi B-TEMUAN
desktop I-TEMUAN
penghitungan I-TEMUAN
PKRT I-TEMUAN
triwulanan I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
menjaga I-TEMUAN
integritas I-TEMUAN
dan I-TEMUAN
keamanan I-TEMUAN
data I-TEMUAN
yang I-TEMUAN
digunakan I-TEMUAN
serta I-TEMUAN
dapat I-TEMUAN
mencatatkan I-TEMUAN
setiap I-TEMUAN
riwayat I-TEMUAN
rekonsiliasi I-TEMUAN
dilakukan. I-TEMUAN
rekonsiliasi O
2. O
Hasil B-TEMUAN
dari I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
dan I-TEMUAN
SUS I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
sesuai I-TEMUAN
harapan. I-TEMUAN
Adapun O
saran O
yang O
dapat O
peneliti O
berikan O
untuk O
penelitian O
selanjutnya O
yaitu O
: O
1. O
Penelitian O
ini O
berfokus O
pada O
hasil O
olahan O
untuk O
dikirimkan O
ke O
Subdirektorat O
Konsolidasi O
Neraca O
Pengeluaran O
, O
sehingga O
olahan O
data O
lanjutan O
masih O
belum O
tercakup O
pada O
penelitian O
ini. O
2. O
Berdasarkan O
evaluasi O
bersama O
subject O
matter O
dan O
pegawai O
yang O
terlibat O
dalam O
penghitungan O
PKRT O
triwulanan O
, O
diharapkan O
untuk O
bisa O
dikembangkan O
fitur O
untuk O
menampilkan O
data O
secara O
tahunan O
atau O
semua O
tahun O
yang O
ada O
, O
tidak O
hanya O
di O
tahun O
dan O
triwulan O
tertentu. O

Sistem O
Informasi O
Penghitungan O
Pengeluaran O
Konsumsi O
Rumah O
Tangga O
Triwulanan O
Efriandi O
( O
221709653 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
MBA. O
cukup O
Ringkasan— O
Produk O
Domestik O
Bruto O
( O
PDB O
) O
merupakan O
salah O
satu O
indikator O
utama O
untuk O
menentukan O
pertumbuhan O
ekonomi O
suatu O
negara. O
PDB O
dapat O
dihitung O
melalui O
tiga O
pendekatan O
, O
yaitu O
pendekatan O
produksi O
, O
pendekatan O
pendapatan O
dan O
pendekatan O
satu O
komponen O
penyumbang O
PDB O
pengeluaran. O
Salah O
signifikan O
adalah O
pendekatan O
pengeluaran O
yang O
Pengeluaran O
Konsumsi O
Rumah O
Tangga O
( O
PKRT O
) O
. O
PKRT O
dihitung O
oleh O
BPS O
RI O
pada O
Subdirektorat O
Neraca O
Rumah O
Tangga O
dan O
Institusi O
Nirlaba. O
Perhitungan O
PKRT O
triwulanan O
selama O
ini O
menggunakan O
aplikasi O
Microsoft O
Excel O
, O
dimana O
dirasa O
belum O
cukup O
efisien. O
Beranjak O
dari O
permasalahan O
itu O
, O
penelitian O
ini O
dibuat O
untuk O
membangun B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
penghitungan I-TUJUAN
PKRT I-TUJUAN
triwulanan I-TUJUAN
sehingga I-TUJUAN
nantinya I-TUJUAN
akan I-TUJUAN
dibuat I-TUJUAN
sistem I-TUJUAN
penghitungan I-TUJUAN
PKRT I-TUJUAN
yang I-TUJUAN
mampu I-TUJUAN
menyelesaikan I-TUJUAN
isu I-TUJUAN
yang I-TUJUAN
ada I-TUJUAN
, I-TUJUAN
serta I-TUJUAN
efisien I-TUJUAN
dalam I-TUJUAN
pengerjaannya. I-TUJUAN
Penelitian O
ini O
menggunakan O
metode B-METODE
analisis I-METODE
permasalahan I-METODE
dan I-METODE
PIECES I-METODE
untuk O
analisa O
kebutuhan. O
Untuk O
testing O
dan O
evaluasi O
, O
peneliti O
menggunakan O
black B-METODE
box I-METODE
testing I-METODE
dan I-METODE
SUS. I-METODE
Kata O
Kunci— O
Pembangunan O
Sistem O
, O
Sistem O
Infromasi O
, O
PDB O
Pengeluaran O
, O
PKRT O
Triwulanan O
[SEP] O
Kesimpulan O
dari O
penelitian O
mengenai O
Pembangunan O
Sistem O
Informasi O
Penghitungan O
PKRT O
Triwulanan O
ini O
yaitu O
: O
1. O
Penelitian O
ini O
telah O
menghasilkan O
aplikasi B-TEMUAN
desktop I-TEMUAN
penghitungan I-TEMUAN
PKRT I-TEMUAN
triwulanan I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
menjaga I-TEMUAN
integritas I-TEMUAN
dan I-TEMUAN
keamanan I-TEMUAN
data I-TEMUAN
yang I-TEMUAN
digunakan I-TEMUAN
serta I-TEMUAN
dapat I-TEMUAN
mencatatkan I-TEMUAN
setiap I-TEMUAN
riwayat I-TEMUAN
rekonsiliasi I-TEMUAN
dilakukan. I-TEMUAN
rekonsiliasi O
2. O
Hasil B-TEMUAN
dari I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
dan I-TEMUAN
SUS I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
sesuai I-TEMUAN
harapan. I-TEMUAN
Adapun O
saran O
yang O
dapat O
peneliti O
berikan O
untuk O
penelitian O
selanjutnya O
yaitu O
: O
1. O
Penelitian O
ini O
berfokus O
pada O
hasil O
olahan O
untuk O
dikirimkan O
ke O
Subdirektorat O
Konsolidasi O
Neraca O
Pengeluaran O
, O
sehingga O
olahan O
data O
lanjutan O
masih O
belum O
tercakup O
pada O
penelitian O
ini. O
2. O
Berdasarkan O
evaluasi O
bersama O
subject O
matter O
dan O
pegawai O
yang O
terlibat O
dalam O
penghitungan O
PKRT O
triwulanan O
, O
diharapkan O
untuk O
bisa O
dikembangkan O
fitur O
untuk O
menampilkan O
data O
secara O
tahunan O
atau O
semua O
tahun O
yang O
ada O
, O
tidak O
hanya O
di O
tahun O
dan O
triwulan O
tertentu. O

Sistem O
Informasi O
Penghitungan O
Pengeluaran O
Konsumsi O
Rumah O
Tangga O
Triwulanan O
Efriandi O
( O
221709653 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
MBA. O
cukup O
Ringkasan— O
Produk O
Domestik O
Bruto O
( O
PDB O
) O
merupakan O
salah O
satu O
indikator O
utama O
untuk O
menentukan O
pertumbuhan O
ekonomi O
suatu O
negara. O
PDB O
dapat O
dihitung O
melalui O
tiga O
pendekatan O
, O
yaitu O
pendekatan O
produksi O
, O
pendekatan O
pendapatan O
dan O
pendekatan O
satu O
komponen O
penyumbang O
PDB O
pengeluaran. O
Salah O
signifikan O
adalah O
pendekatan O
pengeluaran O
yang O
Pengeluaran O
Konsumsi O
Rumah O
Tangga O
( O
PKRT O
) O
. O
PKRT O
dihitung O
oleh O
BPS O
RI O
pada O
Subdirektorat O
Neraca O
Rumah O
Tangga O
dan O
Institusi O
Nirlaba. O
Perhitungan O
PKRT O
triwulanan O
selama O
ini O
menggunakan O
aplikasi O
Microsoft O
Excel O
, O
dimana O
dirasa O
belum O
cukup O
efisien. O
Beranjak O
dari O
permasalahan O
itu O
, O
penelitian O
ini O
dibuat O
untuk O
membangun B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
penghitungan I-TUJUAN
PKRT I-TUJUAN
triwulanan I-TUJUAN
sehingga I-TUJUAN
nantinya I-TUJUAN
akan I-TUJUAN
dibuat I-TUJUAN
sistem I-TUJUAN
penghitungan I-TUJUAN
PKRT I-TUJUAN
yang I-TUJUAN
mampu I-TUJUAN
menyelesaikan I-TUJUAN
isu I-TUJUAN
yang I-TUJUAN
ada I-TUJUAN
, I-TUJUAN
serta I-TUJUAN
efisien I-TUJUAN
dalam I-TUJUAN
pengerjaannya. I-TUJUAN
Penelitian O
ini O
menggunakan O
metode B-METODE
analisis I-METODE
permasalahan I-METODE
dan I-METODE
PIECES I-METODE
untuk O
analisa O
kebutuhan. O
Untuk O
testing O
dan O
evaluasi O
, O
peneliti O
menggunakan O
black B-METODE
box I-METODE
testing I-METODE
dan I-METODE
SUS. I-METODE
Kata O
Kunci— O
Pembangunan O
Sistem O
, O
Sistem O
Infromasi O
, O
PDB O
Pengeluaran O
, O
PKRT O
Triwulanan O
[SEP] O
Kesimpulan O
dari O
penelitian O
mengenai O
Pembangunan O
Sistem O
Informasi O
Penghitungan O
PKRT O
Triwulanan O
ini O
yaitu O
: O
1. O
Penelitian O
ini O
telah O
menghasilkan O
aplikasi B-TEMUAN
desktop I-TEMUAN
penghitungan I-TEMUAN
PKRT I-TEMUAN
triwulanan I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
menjaga I-TEMUAN
integritas I-TEMUAN
dan I-TEMUAN
keamanan I-TEMUAN
data I-TEMUAN
yang I-TEMUAN
digunakan I-TEMUAN
serta I-TEMUAN
dapat I-TEMUAN
mencatatkan I-TEMUAN
setiap I-TEMUAN
riwayat I-TEMUAN
rekonsiliasi I-TEMUAN
dilakukan. I-TEMUAN
rekonsiliasi O
2. O
Hasil B-TEMUAN
dari I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
dan I-TEMUAN
SUS I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
sesuai I-TEMUAN
harapan. I-TEMUAN
Adapun O
saran O
yang O
dapat O
peneliti O
berikan O
untuk O
penelitian O
selanjutnya O
yaitu O
: O
1. O
Penelitian O
ini O
berfokus O
pada O
hasil O
olahan O
untuk O
dikirimkan O
ke O
Subdirektorat O
Konsolidasi O
Neraca O
Pengeluaran O
, O
sehingga O
olahan O
data O
lanjutan O
masih O
belum O
tercakup O
pada O
penelitian O
ini. O
2. O
Berdasarkan O
evaluasi O
bersama O
subject O
matter O
dan O
pegawai O
yang O
terlibat O
dalam O
penghitungan O
PKRT O
triwulanan O
, O
diharapkan O
untuk O
bisa O
dikembangkan O
fitur O
untuk O
menampilkan O
data O
secara O
tahunan O
atau O
semua O
tahun O
yang O
ada O
, O
tidak O
hanya O
di O
tahun O
dan O
triwulan O
tertentu. O

Sistem O
Informasi O
Penghitungan O
Pengeluaran O
Konsumsi O
Rumah O
Tangga O
Triwulanan O
Efriandi O
( O
221709653 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
MBA. O
cukup O
Ringkasan— O
Produk O
Domestik O
Bruto O
( O
PDB O
) O
merupakan O
salah O
satu O
indikator O
utama O
untuk O
menentukan O
pertumbuhan O
ekonomi O
suatu O
negara. O
PDB O
dapat O
dihitung O
melalui O
tiga O
pendekatan O
, O
yaitu O
pendekatan O
produksi O
, O
pendekatan O
pendapatan O
dan O
pendekatan O
satu O
komponen O
penyumbang O
PDB O
pengeluaran. O
Salah O
signifikan O
adalah O
pendekatan O
pengeluaran O
yang O
Pengeluaran O
Konsumsi O
Rumah O
Tangga O
( O
PKRT O
) O
. O
PKRT O
dihitung O
oleh O
BPS O
RI O
pada O
Subdirektorat O
Neraca O
Rumah O
Tangga O
dan O
Institusi O
Nirlaba. O
Perhitungan O
PKRT O
triwulanan O
selama O
ini O
menggunakan O
aplikasi O
Microsoft O
Excel O
, O
dimana O
dirasa O
belum O
cukup O
efisien. O
Beranjak O
dari O
permasalahan O
itu O
, O
penelitian O
ini O
dibuat O
untuk O
membangun B-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
penghitungan I-TUJUAN
PKRT I-TUJUAN
triwulanan I-TUJUAN
sehingga I-TUJUAN
nantinya I-TUJUAN
akan I-TUJUAN
dibuat I-TUJUAN
sistem I-TUJUAN
penghitungan I-TUJUAN
PKRT I-TUJUAN
yang I-TUJUAN
mampu I-TUJUAN
menyelesaikan I-TUJUAN
isu I-TUJUAN
yang I-TUJUAN
ada I-TUJUAN
, I-TUJUAN
serta I-TUJUAN
efisien I-TUJUAN
dalam I-TUJUAN
pengerjaannya. I-TUJUAN
Penelitian O
ini O
menggunakan O
metode B-METODE
analisis I-METODE
permasalahan I-METODE
dan I-METODE
PIECES I-METODE
untuk O
analisa O
kebutuhan. O
Untuk O
testing O
dan O
evaluasi O
, O
peneliti O
menggunakan O
black B-METODE
box I-METODE
testing I-METODE
dan I-METODE
SUS. I-METODE
Kata O
Kunci— O
Pembangunan O
Sistem O
, O
Sistem O
Infromasi O
, O
PDB O
Pengeluaran O
, O
PKRT O
Triwulanan O
[SEP] O
Kesimpulan O
dari O
penelitian O
mengenai O
Pembangunan O
Sistem O
Informasi O
Penghitungan O
PKRT O
Triwulanan O
ini O
yaitu O
: O
1. O
Penelitian O
ini O
telah O
menghasilkan O
aplikasi B-TEMUAN
desktop I-TEMUAN
penghitungan I-TEMUAN
PKRT I-TEMUAN
triwulanan I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
menjaga I-TEMUAN
integritas I-TEMUAN
dan I-TEMUAN
keamanan I-TEMUAN
data I-TEMUAN
yang I-TEMUAN
digunakan I-TEMUAN
serta I-TEMUAN
dapat I-TEMUAN
mencatatkan I-TEMUAN
setiap I-TEMUAN
riwayat I-TEMUAN
rekonsiliasi I-TEMUAN
dilakukan. I-TEMUAN
rekonsiliasi O
2. O
Hasil B-TEMUAN
dari I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
dan I-TEMUAN
SUS I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
sesuai I-TEMUAN
harapan. I-TEMUAN
Adapun O
saran O
yang O
dapat O
peneliti O
berikan O
untuk O
penelitian O
selanjutnya O
yaitu O
: O
1. O
Penelitian O
ini O
berfokus O
pada O
hasil O
olahan O
untuk O
dikirimkan O
ke O
Subdirektorat O
Konsolidasi O
Neraca O
Pengeluaran O
, O
sehingga O
olahan O
data O
lanjutan O
masih O
belum O
tercakup O
pada O
penelitian O
ini. O
2. O
Berdasarkan O
evaluasi O
bersama O
subject O
matter O
dan O
pegawai O
yang O
terlibat O
dalam O
penghitungan O
PKRT O
triwulanan O
, O
diharapkan O
untuk O
bisa O
dikembangkan O
fitur O
untuk O
menampilkan O
data O
secara O
tahunan O
atau O
semua O
tahun O
yang O
ada O
, O
tidak O
hanya O
di O
tahun O
dan O
triwulan O
tertentu. O

Informasi O
Kecelakaan O
Lalu O
Lintas O
dari O
Teks O
Berita O
Online O
Berbahasa O
Indonesia O
( O
Studi O
Kasus O
: O
Provinsi O
Jawa O
Timur O
Tahun O
2020 O
) O
Dwi O
Nissa O
Ananda O
( O
221709647 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
SST. O
, O
M.Si. O
yaitu O
kelemahan O
, O
tersebut O
memiliki O
Ringkasan— O
Tingginya O
jumlah O
penduduk O
di O
Provinsi O
Jawa O
Timur O
membuat O
angka O
kecelakaan O
provinsi O
ini O
tertinggi O
di O
Indonesia. O
Korlantas O
Polri O
, O
sebagai O
penyelenggara O
fungsi O
lalu O
lintas O
memiliki O
dashboard O
Statistik O
Laka O
yang O
menyediakan O
informasi O
laka O
lantas O
per O
polda O
di O
seluruh O
Indonesia. O
Namun O
dashboard O
tidak O
menampilkan O
peta O
titik O
lokasi O
kecelakaan. O
Serta O
tampilan O
dashboard O
dalam O
format O
harian O
menyebabkan O
data O
terus O
terganti O
setiap O
harinya. O
Ini O
membuat O
publik O
kehilangan O
informasi O
historis O
untuk O
memahami O
pola O
kejadian O
kecelakaan O
di O
Jawa O
Timur O
tahun O
2020. O
Untuk O
mengatasi O
kelemahan O
data O
pada O
dashboard O
Korlantas O
Polri O
, O
diperlukan O
pendekatan O
lain. O
Berita O
online O
dapat O
menjadi O
alternatif O
pengumpulan O
data O
kecelakaan. O
Penelitian O
ini O
memanfaatkan B-TUJUAN
model I-TUJUAN
NER I-TUJUAN
dengan I-TUJUAN
pendekatan I-TUJUAN
deep I-TUJUAN
learning I-TUJUAN
BiLSTM-CNNs I-TUJUAN
untuk I-TUJUAN
mengekstraksi I-TUJUAN
informasi I-TUJUAN
kecelakaan I-TUJUAN
dari I-TUJUAN
teks I-TUJUAN
berita I-TUJUAN
online. I-TUJUAN
Diperoleh O
rata-rata O
f1-scores B-METODE
model O
NER O
dalam O
5-fold O
CV O
sebesar O
85,145 O
% O
. O
Hasil O
ekstraksi O
kecelakaan O
telah O
berhasil O
divisualisasikan O
ke O
dalam O
dashboard. O
Dibangun O
pula O
model O
decision O
tree O
untuk O
menentukan O
apakah O
kecelakaan O
berpeluang O
menimbulkan O
korban O
tewas O
, O
dengan O
rata-rata O
f1-scores B-METODE
dalam O
5- O
fold O
CV O
sebesar O
68,84 O
% O
. O
Ditemukan O
bahwa O
kecelakaan O
yang O
melibatkan O
sepeda O
motor O
berpeluang O
64 O
% O
menimbulkan O
korban O
tewas O
dan O
di-support O
dengan O
60 O
% O
sampel O
, O
sehingga O
pengendara O
sepeda O
motor O
sebaiknya O
berhati-hati O
saat O
berkendara. O
( O
termasuk O
peta O
lokasi O
) O
titik O
Kata O
Kunci— O
kecelakaan O
, O
lalu O
lintas O
, O
ekstraksi O
, O
NER O
, O
BiLSTM-CNNs O
[SEP] O
 O
Dari O
penelitian O
yang O
telah O
dilakukan O
ditarik O
kesimpulan O
: O
2. O
1. O
Telah B-TEMUAN
berhasil I-TEMUAN
dilakukan I-TEMUAN
titik I-TEMUAN
ekstraksi I-TEMUAN
tentang I-TEMUAN
: I-TEMUAN
peta I-TEMUAN
informasi I-TEMUAN
kecelakaan I-TEMUAN
lalu I-TEMUAN
lintas I-TEMUAN
dengan I-TEMUAN
model I-TEMUAN
NER I-TEMUAN
BiLSTM- I-TEMUAN
CNNs I-TEMUAN
dan I-TEMUAN
memperoleh I-TEMUAN
f1-scores I-TEMUAN
sebesar I-TEMUAN
85,145 I-TEMUAN
% I-TEMUAN
; I-TEMUAN
Informasi O
lokasi O
kecelakaan O
, O
jumlah O
korban O
menurut O
kelompok O
umur O
yang O
terlibat O
, O
jumlah O
korban O
tewas O
dan O
terluka O
, O
jumlah O
berita O
kecelakaan O
menurut O
hari O
dan O
bulan O
, O
jumlah O
berita O
kecelakaan O
menurut O
waktu O
, O
serta O
jumlah O
berita O
kecelakaan O
menurut O
jenis O
kendaraan O
yang O
terlibat O
dari O
hasil O
ekstraksi O
berita O
online O
di O
Prov. O
Jawa O
Timur O
Tahun O
2020 O
ke O
dalam O
telah O
divisualisasikan O
dashboard O
dan O
dilakukan O
analisis O
deskriptif. O
3. O
Telah O
dibuat O
pohon O
keputusan O
( O
decision O
tree O
) O
untuk O
melihat O
aturan O
yang O
menentukan O
apakah O
kecelakaan O
lalu O
lintas O
akan O
menyebabkan O
korban O
meninggal O
dunia O
atau O
tidak O
di O
Provinsi O
Jawa O
Timur O
tahun O
2020 O
dari O
hasil O
ekstraksi O
teks O
berita O
online O
dengan O
nilai O
f1- O
scores O
bahwa O
kecelakaan O
sepeda O
motor O
berpeluang O
64 O
% O
menimbulkan O
korban O
tewas O
dan O
di- O
support O
dengan O
60 O
% O
sampel O
, O
sehingga O
pengendara O
sepeda O
motor O
sebaiknya O
berhati-hati O
saat O
berkendara. O
68,84 O
% O
. O
Ditemukan O
yang O
melibatkan O
sebesar O
 O
Saran O
yang O
bisa O
diterapkan O
pada O
penelitian O
selanjutnya O
: O
1. O
Sebaiknya O
penelitian O
selanjutnya O
dapat O
membuat O
dashboard O
yang O
bisa O
melakukan O
scraping O
dan O
pemodelan O
pada O
teks O
berita O
online O
secara O
otomatis O
; O
2. O
Akan O
lebih O
baik O
bila O
ditambahkan O
sumber O
data O
lain O
untuk O
menambah O
jumlah O
perolehan O
berita O
, O
sehingga O
analisis O
bisa O
lebih O
maksimal O
; O
3. O
Penelitian O
ini O
masih O
belum O
berhasil O
mengekstraksi O
penyebab O
kecelakaan O
dikarenakan O
ambiguitas O
yang O
dialami O
peneliti O
dalam O
melakukan O
pelabelan. O
Sehingga O
penelitian O
selanjutnya O
diharapkan O
dapat O
seperti O
mengatasi O
mengelompokkan O
penyebab O
kecelakaan O
ke O
dalam O
kategori. O
ambiguitas O
tersebut O
, O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Informasi O
Kecelakaan O
Lalu O
Lintas O
dari O
Teks O
Berita O
Online O
Berbahasa O
Indonesia O
( O
Studi O
Kasus O
: O
Provinsi O
Jawa O
Timur O
Tahun O
2020 O
) O
Dwi O
Nissa O
Ananda O
( O
221709647 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
SST. O
, O
M.Si. O
yaitu O
kelemahan O
, O
tersebut O
memiliki O
Ringkasan— O
Tingginya O
jumlah O
penduduk O
di O
Provinsi O
Jawa O
Timur O
membuat O
angka O
kecelakaan O
provinsi O
ini O
tertinggi O
di O
Indonesia. O
Korlantas O
Polri O
, O
sebagai O
penyelenggara O
fungsi O
lalu O
lintas O
memiliki O
dashboard O
Statistik O
Laka O
yang O
menyediakan O
informasi O
laka O
lantas O
per O
polda O
di O
seluruh O
Indonesia. O
Namun O
dashboard O
tidak O
menampilkan O
peta O
titik O
lokasi O
kecelakaan. O
Serta O
tampilan O
dashboard O
dalam O
format O
harian O
menyebabkan O
data O
terus O
terganti O
setiap O
harinya. O
Ini O
membuat O
publik O
kehilangan O
informasi O
historis O
untuk O
memahami O
pola O
kejadian O
kecelakaan O
di O
Jawa O
Timur O
tahun O
2020. O
Untuk O
mengatasi O
kelemahan O
data O
pada O
dashboard O
Korlantas O
Polri O
, O
diperlukan O
pendekatan O
lain. O
Berita O
online O
dapat O
menjadi O
alternatif O
pengumpulan O
data O
kecelakaan. O
Penelitian O
ini O
memanfaatkan B-TUJUAN
model I-TUJUAN
NER I-TUJUAN
dengan I-TUJUAN
pendekatan I-TUJUAN
deep I-TUJUAN
learning I-TUJUAN
BiLSTM-CNNs I-TUJUAN
untuk I-TUJUAN
mengekstraksi I-TUJUAN
informasi I-TUJUAN
kecelakaan I-TUJUAN
dari I-TUJUAN
teks I-TUJUAN
berita I-TUJUAN
online. I-TUJUAN
Diperoleh O
rata-rata O
f1-scores B-METODE
model O
NER O
dalam O
5-fold O
CV O
sebesar O
85,145 O
% O
. O
Hasil O
ekstraksi O
kecelakaan O
telah O
berhasil O
divisualisasikan O
ke O
dalam O
dashboard. O
Dibangun O
pula O
model O
decision O
tree O
untuk O
menentukan O
apakah O
kecelakaan O
berpeluang O
menimbulkan O
korban O
tewas O
, O
dengan O
rata-rata O
f1-scores B-METODE
dalam O
5- O
fold O
CV O
sebesar O
68,84 O
% O
. O
Ditemukan O
bahwa O
kecelakaan O
yang O
melibatkan O
sepeda O
motor O
berpeluang O
64 O
% O
menimbulkan O
korban O
tewas O
dan O
di-support O
dengan O
60 O
% O
sampel O
, O
sehingga O
pengendara O
sepeda O
motor O
sebaiknya O
berhati-hati O
saat O
berkendara. O
( O
termasuk O
peta O
lokasi O
) O
titik O
Kata O
Kunci— O
kecelakaan O
, O
lalu O
lintas O
, O
ekstraksi O
, O
NER O
, O
BiLSTM-CNNs O
[SEP] O
 O
Dari O
penelitian O
yang O
telah O
dilakukan O
ditarik O
kesimpulan O
: O
2. O
1. O
Telah B-TEMUAN
berhasil I-TEMUAN
dilakukan I-TEMUAN
titik I-TEMUAN
ekstraksi I-TEMUAN
tentang I-TEMUAN
: I-TEMUAN
peta I-TEMUAN
informasi I-TEMUAN
kecelakaan I-TEMUAN
lalu I-TEMUAN
lintas I-TEMUAN
dengan I-TEMUAN
model I-TEMUAN
NER I-TEMUAN
BiLSTM- I-TEMUAN
CNNs I-TEMUAN
dan I-TEMUAN
memperoleh I-TEMUAN
f1-scores I-TEMUAN
sebesar I-TEMUAN
85,145 I-TEMUAN
% I-TEMUAN
; I-TEMUAN
Informasi O
lokasi O
kecelakaan O
, O
jumlah O
korban O
menurut O
kelompok O
umur O
yang O
terlibat O
, O
jumlah O
korban O
tewas O
dan O
terluka O
, O
jumlah O
berita O
kecelakaan O
menurut O
hari O
dan O
bulan O
, O
jumlah O
berita O
kecelakaan O
menurut O
waktu O
, O
serta O
jumlah O
berita O
kecelakaan O
menurut O
jenis O
kendaraan O
yang O
terlibat O
dari O
hasil O
ekstraksi O
berita O
online O
di O
Prov. O
Jawa O
Timur O
Tahun O
2020 O
ke O
dalam O
telah O
divisualisasikan O
dashboard O
dan O
dilakukan O
analisis O
deskriptif. O
3. O
Telah O
dibuat O
pohon O
keputusan O
( O
decision O
tree O
) O
untuk O
melihat O
aturan O
yang O
menentukan O
apakah O
kecelakaan O
lalu O
lintas O
akan O
menyebabkan O
korban O
meninggal O
dunia O
atau O
tidak O
di O
Provinsi O
Jawa O
Timur O
tahun O
2020 O
dari O
hasil O
ekstraksi O
teks O
berita O
online O
dengan O
nilai O
f1- O
scores O
bahwa O
kecelakaan O
sepeda O
motor O
berpeluang O
64 O
% O
menimbulkan O
korban O
tewas O
dan O
di- O
support O
dengan O
60 O
% O
sampel O
, O
sehingga O
pengendara O
sepeda O
motor O
sebaiknya O
berhati-hati O
saat O
berkendara. O
68,84 O
% O
. O
Ditemukan O
yang O
melibatkan O
sebesar O
 O
Saran O
yang O
bisa O
diterapkan O
pada O
penelitian O
selanjutnya O
: O
1. O
Sebaiknya O
penelitian O
selanjutnya O
dapat O
membuat O
dashboard O
yang O
bisa O
melakukan O
scraping O
dan O
pemodelan O
pada O
teks O
berita O
online O
secara O
otomatis O
; O
2. O
Akan O
lebih O
baik O
bila O
ditambahkan O
sumber O
data O
lain O
untuk O
menambah O
jumlah O
perolehan O
berita O
, O
sehingga O
analisis O
bisa O
lebih O
maksimal O
; O
3. O
Penelitian O
ini O
masih O
belum O
berhasil O
mengekstraksi O
penyebab O
kecelakaan O
dikarenakan O
ambiguitas O
yang O
dialami O
peneliti O
dalam O
melakukan O
pelabelan. O
Sehingga O
penelitian O
selanjutnya O
diharapkan O
dapat O
seperti O
mengatasi O
mengelompokkan O
penyebab O
kecelakaan O
ke O
dalam O
kategori. O
ambiguitas O
tersebut O
, O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Informasi O
Kecelakaan O
Lalu O
Lintas O
dari O
Teks O
Berita O
Online O
Berbahasa O
Indonesia O
( O
Studi O
Kasus O
: O
Provinsi O
Jawa O
Timur O
Tahun O
2020 O
) O
Dwi O
Nissa O
Ananda O
( O
221709647 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Budi O
Yuniarto O
, O
SST. O
, O
M.Si. O
yaitu O
kelemahan O
, O
tersebut O
memiliki O
Ringkasan— O
Tingginya O
jumlah O
penduduk O
di O
Provinsi O
Jawa O
Timur O
membuat O
angka O
kecelakaan O
provinsi O
ini O
tertinggi O
di O
Indonesia. O
Korlantas O
Polri O
, O
sebagai O
penyelenggara O
fungsi O
lalu O
lintas O
memiliki O
dashboard O
Statistik O
Laka O
yang O
menyediakan O
informasi O
laka O
lantas O
per O
polda O
di O
seluruh O
Indonesia. O
Namun O
dashboard O
tidak O
menampilkan O
peta O
titik O
lokasi O
kecelakaan. O
Serta O
tampilan O
dashboard O
dalam O
format O
harian O
menyebabkan O
data O
terus O
terganti O
setiap O
harinya. O
Ini O
membuat O
publik O
kehilangan O
informasi O
historis O
untuk O
memahami O
pola O
kejadian O
kecelakaan O
di O
Jawa O
Timur O
tahun O
2020. O
Untuk O
mengatasi O
kelemahan O
data O
pada O
dashboard O
Korlantas O
Polri O
, O
diperlukan O
pendekatan O
lain. O
Berita O
online O
dapat O
menjadi O
alternatif O
pengumpulan O
data O
kecelakaan. O
Penelitian O
ini O
memanfaatkan B-TUJUAN
model I-TUJUAN
NER I-TUJUAN
dengan I-TUJUAN
pendekatan I-TUJUAN
deep I-TUJUAN
learning I-TUJUAN
BiLSTM-CNNs I-TUJUAN
untuk I-TUJUAN
mengekstraksi I-TUJUAN
informasi I-TUJUAN
kecelakaan I-TUJUAN
dari I-TUJUAN
teks I-TUJUAN
berita I-TUJUAN
online. I-TUJUAN
Diperoleh O
rata-rata O
f1-scores B-METODE
model O
NER O
dalam O
5-fold O
CV O
sebesar O
85,145 O
% O
. O
Hasil O
ekstraksi O
kecelakaan O
telah O
berhasil O
divisualisasikan O
ke O
dalam O
dashboard. O
Dibangun O
pula O
model O
decision O
tree O
untuk O
menentukan O
apakah O
kecelakaan O
berpeluang O
menimbulkan O
korban O
tewas O
, O
dengan O
rata-rata O
f1-scores B-METODE
dalam O
5- O
fold O
CV O
sebesar O
68,84 O
% O
. O
Ditemukan O
bahwa O
kecelakaan O
yang O
melibatkan O
sepeda O
motor O
berpeluang O
64 O
% O
menimbulkan O
korban O
tewas O
dan O
di-support O
dengan O
60 O
% O
sampel O
, O
sehingga O
pengendara O
sepeda O
motor O
sebaiknya O
berhati-hati O
saat O
berkendara. O
( O
termasuk O
peta O
lokasi O
) O
titik O
Kata O
Kunci— O
kecelakaan O
, O
lalu O
lintas O
, O
ekstraksi O
, O
NER O
, O
BiLSTM-CNNs O
[SEP] O
 O
Dari O
penelitian O
yang O
telah O
dilakukan O
ditarik O
kesimpulan O
: O
2. O
1. O
Telah B-TEMUAN
berhasil I-TEMUAN
dilakukan I-TEMUAN
titik I-TEMUAN
ekstraksi I-TEMUAN
tentang I-TEMUAN
: I-TEMUAN
peta I-TEMUAN
informasi I-TEMUAN
kecelakaan I-TEMUAN
lalu I-TEMUAN
lintas I-TEMUAN
dengan I-TEMUAN
model I-TEMUAN
NER I-TEMUAN
BiLSTM- I-TEMUAN
CNNs I-TEMUAN
dan I-TEMUAN
memperoleh I-TEMUAN
f1-scores I-TEMUAN
sebesar I-TEMUAN
85,145 I-TEMUAN
% I-TEMUAN
; I-TEMUAN
Informasi O
lokasi O
kecelakaan O
, O
jumlah O
korban O
menurut O
kelompok O
umur O
yang O
terlibat O
, O
jumlah O
korban O
tewas O
dan O
terluka O
, O
jumlah O
berita O
kecelakaan O
menurut O
hari O
dan O
bulan O
, O
jumlah O
berita O
kecelakaan O
menurut O
waktu O
, O
serta O
jumlah O
berita O
kecelakaan O
menurut O
jenis O
kendaraan O
yang O
terlibat O
dari O
hasil O
ekstraksi O
berita O
online O
di O
Prov. O
Jawa O
Timur O
Tahun O
2020 O
ke O
dalam O
telah O
divisualisasikan O
dashboard O
dan O
dilakukan O
analisis O
deskriptif. O
3. O
Telah O
dibuat O
pohon O
keputusan O
( O
decision O
tree O
) O
untuk O
melihat O
aturan O
yang O
menentukan O
apakah O
kecelakaan O
lalu O
lintas O
akan O
menyebabkan O
korban O
meninggal O
dunia O
atau O
tidak O
di O
Provinsi O
Jawa O
Timur O
tahun O
2020 O
dari O
hasil O
ekstraksi O
teks O
berita O
online O
dengan O
nilai O
f1- O
scores O
bahwa O
kecelakaan O
sepeda O
motor O
berpeluang O
64 O
% O
menimbulkan O
korban O
tewas O
dan O
di- O
support O
dengan O
60 O
% O
sampel O
, O
sehingga O
pengendara O
sepeda O
motor O
sebaiknya O
berhati-hati O
saat O
berkendara. O
68,84 O
% O
. O
Ditemukan O
yang O
melibatkan O
sebesar O
 O
Saran O
yang O
bisa O
diterapkan O
pada O
penelitian O
selanjutnya O
: O
1. O
Sebaiknya O
penelitian O
selanjutnya O
dapat O
membuat O
dashboard O
yang O
bisa O
melakukan O
scraping O
dan O
pemodelan O
pada O
teks O
berita O
online O
secara O
otomatis O
; O
2. O
Akan O
lebih O
baik O
bila O
ditambahkan O
sumber O
data O
lain O
untuk O
menambah O
jumlah O
perolehan O
berita O
, O
sehingga O
analisis O
bisa O
lebih O
maksimal O
; O
3. O
Penelitian O
ini O
masih O
belum O
berhasil O
mengekstraksi O
penyebab O
kecelakaan O
dikarenakan O
ambiguitas O
yang O
dialami O
peneliti O
dalam O
melakukan O
pelabelan. O
Sehingga O
penelitian O
selanjutnya O
diharapkan O
dapat O
seperti O
mengatasi O
mengelompokkan O
penyebab O
kecelakaan O
ke O
dalam O
kategori. O
ambiguitas O
tersebut O
, O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O

Kualitas O
Website O
Politeknik O
Statistika O
STIS O
Dengan O
Pendekatan O
Webqual O
4.0 O
Donovan O
Hutapea O
( O
221709643 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
Ringkasan— O
Politeknik O
Statistika O
STIS O
merupakan O
salah O
satu O
dari O
sekian O
banyaknya O
perguruan O
tinggi O
kedinasan O
yang O
menerapkan O
teknologi O
informasi. O
Salah O
satu O
penerapannya O
adalah O
website O
Politeknik O
Statistika O
STIS O
dengan O
domain O
stis.ac.id. O
Website O
ini O
berguna O
sebagai O
pemberi O
informasi O
untuk O
internal O
dan O
eksternal O
Politeknik O
Statistika O
STIS. O
Karena O
hal O
tersebut O
, O
maka O
tujuan O
dalam O
penelitian O
ini O
yaitu O
untuk O
melakukan B-TUJUAN
analisis I-TUJUAN
kualitas I-TUJUAN
website I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS I-TUJUAN
dengan O
pendekatan O
Webqual B-METODE
4.0. I-METODE
Instrumen O
yang O
digunakan O
dalam O
analisis O
kualitas O
website O
ini O
merupakan O
penerapan O
dari O
metode O
Webqual O
4.0 O
, O
yang O
terbagi O
dalam O
3 O
dimensi O
/ O
variabel O
, O
yaitu O
variabel O
kegunaan O
informasi O
( O
information O
quality O
) O
, O
dan O
variabel O
kualitas O
interaksi O
layanan O
( O
service O
interaction O
quality O
) O
, O
dan O
mengambil O
18 O
dari O
23 O
indikator. O
Teknik O
analisis O
menggunakan O
analisis O
kesenjangan O
/ O
gap O
analysis O
dan O
importance-performance O
analysis O
( O
IPA O
) O
. O
Berdasarkan O
hasil O
analisis B-METODE
kesenjangan I-METODE
/ I-METODE
gap I-METODE
analysis I-METODE
menunjukan O
kesenjangan O
yang O
bernilai O
negatif O
yang O
artinya O
kualitas B-TEMUAN
website I-TEMUAN
masih I-TEMUAN
belum I-TEMUAN
memenuhi I-TEMUAN
keinginan I-TEMUAN
penggunanya. I-TEMUAN
Selanjutnya O
hasil O
analisis B-METODE
IPA I-METODE
( I-METODE
Importance-Performance I-METODE
Analysis I-METODE
) I-METODE
menunjukkan O
bahwa O
terdapat B-TEMUAN
2 I-TEMUAN
dari I-TEMUAN
18 I-TEMUAN
indikator I-TEMUAN
yang I-TEMUAN
perlu I-TEMUAN
dijadikan I-TEMUAN
prioritas I-TEMUAN
dalam I-TEMUAN
perbaikan I-TEMUAN
ke I-TEMUAN
depannya I-TEMUAN
yaitu I-TEMUAN
Tampilan I-TEMUAN
dan I-TEMUAN
Informasi I-TEMUAN
Tepat I-TEMUAN
Waktu. I-TEMUAN
( O
usability O
) O
, O
variabel O
kualitas O
Kata O
Kunci— O
Website O
, O
Kualitas O
Website O
, O
Webqual O
4.0 O
, O
Analisis O
Kesenjangan O
, O
Importance-Perfromance O
Analysis O
website O
yang O
dikelola O
oleh O
suatu O
organisasi O
merupakan O
gambaran O
di O
dunia O
maya O
dari O
organisasi O
itu O
sendiri O
[ O
5 O
] O
. O
Salah O
satu O
metode O
pengukuran O
kualitas O
website O
yang O
saat O
ini O
banyak O
digunakan O
yaitu O
Analisis O
Webqual O
4.0. O
[ O
6 O
] O
. O
Webqual O
pada O
dasarnya O
merupakan O
salah O
satu O
teknik O
pengukuran O
kualitas O
website O
yang O
berdasar O
pada O
persepsi O
dari O
pengguna O
akhir. O
Webqual O
mengalami O
perkembangan O
dari O
masa O
ke O
masa O
, O
dimulai O
dari O
Webqual O
1.0 O
hingga O
yang O
terbaru O
saat O
ini O
yaitu O
Webqual O
4.0. O
Webqual O
4.0 O
yang O
dicetuskan O
oleh O
Barnes O
& O
Vidgen O
pada O
tahun O
2003 O
ini O
terbagi O
dalam O
tiga O
dimensi O
/ O
variabel O
yaitu O
variabel O
kegunaan O
( O
Usability O
) O
, O
variable O
kualitas O
informasi O
( O
Information O
Quality O
) O
dan O
variable O
kualitas O
interaksi O
layanan O
( O
Service O
Interaction O
Quality O
) O
[ O
7 O
] O
, O
[ O
8 O
] O
. O
4.0 O
dalam O
Webqual O
Indikator-indikator O
dilakukan O
pengidentifikasian O
lebih O
spesifik O
guna O
mengidentifikasi O
indikator-indikator O
mana O
yang O
perlu O
diperbaiki O
dan O
yang O
sudah O
memenuhi O
harapan O
dari O
pengguna. O
Analisis O
yang O
digunakan O
yaitu O
Analisis O
Kesenjangan O
/ O
Gap O
Analysis O
dan O
Importance- O
Performance O
Analysis O
( O
IPA O
) O
. O
Referensi O
[ O
1 O
] O
menunjukkan O
bahwa O
analisis O
kesenjangan O
menghitung O
gap O
antara O
persepsi O
dan O
ekspektasi O
dari O
pengguna O
, O
sedangkan O
analisis O
IPA O
mengelompokkan O
indikator O
mana O
yang O
harus O
sudah O
memenuhi O
harapan O
dan O
yang O
masih O
perlu O
perbaikan O
lebih O
lanjut O
dilihat O
dari O
persepsi O
dan O
harapan O
dari O
pengguna. O
[SEP] O
Berdasarkan O
penelitian O
yang O
sudah O
berjalan O
sejauh O
ini O
, O
dapat O
diambil O
kesimpulan-kesimpulan O
sebagai O
berikut. O
1. O
Indikator O
Indikator O
dalam O
metode O
Webqual O
4.0 O
pada O
penelitian O
ini O
yang O
digunakan O
sebagai O
instrument O
telah O
terbukti O
validitas O
dan O
ini O
menunjukkan O
bahwa O
indikator O
dalam O
metode O
Webqual O
4.0 O
dapat O
digunakan O
dalam O
melakukan O
analisis O
lebih O
lanjut. O
reliabilitasnya. O
Hal O
2. O
Analisis O
Kesenjangan O
/ O
Gap O
Analysis O
yang O
sudah O
dilakukan O
berhasil O
memberikan O
kesimpulan O
dimana O
secara O
keseluruhan O
indikator O
kualitas O
website O
yang O
diteliti O
memiliki O
nilai O
kesenjangan O
negatif. O
Hal O
ini O
menandakan O
kualitas O
website O
Politeknik O
Statistika O
STIS O
masih O
belum O
memenuhi O
harapan O
penggunanya. O
3. O
Analisis O
IPA O
( O
Importance-Perfromance O
Analysis O
) O
yang O
telah O
dilakukan O
menunjukkan O
indikator-indikator O
apa O
saja O
yang O
telah O
memenuhi O
keinginan O
pengguna. O
Namun O
, O
masih O
terdapat O
dua O
indikator O
yaitu O
Tampilan O
dan O
Informasi O
Tepat O
Waktu O
yang O
memerlukan O
perhatian O
lebih O
agar O
dapat O
sesuai O
dengan O
keinginan O
pengguna.. O
Saran O
dari O
peneliti O
untuk O
penelitian O
terkait O
yang O
akan O
datang O
sebagai O
berikut. O
1. O
Disarankan O
melakukan O
perbaikan O
terhadap O
website O
tersebut O
berdasarkan O
hasil O
analisis O
IPA. O
Hal O
yang O
diperbaiki O
yaitu O
dalam O
hal O
tampilan O
website O
serta O
ketepatan O
waktu O
dari O
informasi O
yang O
diberikan. O
Untuk O
indikator O
tampilan O
, O
dapat O
dilakukan O
analisis O
lebih O
lanjut O
untuk O
mengetahui O
tampilan O
seperti O
apa O
yang O
diharapkan O
oleh O
pengguna. O
Sedangkan O
untuk O
indikator O
Informasi O
Tepat O
Waktu O
, O
perlu O
dilakukan O
pengkajian O
lebih O
mendalam O
untuk O
memperbaiki O
indikator O
tersebut. O
2. O
Nilai O
kesenjangan O
/ O
gap O
dari O
variabel O
kualitas O
informasi O
merupakan O
yang O
terbesar. O
Hal O
ini O
menjadi O
bahan O
pertimbangan O
ke O
depannya O
, O
dimana O
kualitas O
informasi O
yang O
disajikan O
harus O
bisa O
memenuhi O
harapan O
dari O
pengguna O
baik O
dalam O
segi O
ketepatan O
waktu O
, O
informasi O
yang O
detail O
, O
dsb. O
3. O
Untuk B-TEMUAN
penelitian I-TEMUAN
selanjutnya I-TEMUAN
dapat I-TEMUAN
menggunakan I-TEMUAN
indikator-indikator I-TEMUAN
Webqual I-TEMUAN
4.0 I-TEMUAN
yang I-TEMUAN
digunakan I-TEMUAN
karena I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
terbukti I-TEMUAN
validitas I-TEMUAN
dan I-TEMUAN
reliabilitasnya. I-TEMUAN
Disarankan O
untuk O
menggunakan O
metode O
analisis O
lain O
agar O
dapat O
melihat O
perbandingan O
hasil O
dengan O
metode O
analisis O
pada O
penelitian O
ini. O

Kualitas O
Website O
Politeknik O
Statistika O
STIS O
Dengan O
Pendekatan O
Webqual O
4.0 O
Donovan O
Hutapea O
( O
221709643 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
Ringkasan— O
Politeknik O
Statistika O
STIS O
merupakan O
salah O
satu O
dari O
sekian O
banyaknya O
perguruan O
tinggi O
kedinasan O
yang O
menerapkan O
teknologi O
informasi. O
Salah O
satu O
penerapannya O
adalah O
website O
Politeknik O
Statistika O
STIS O
dengan O
domain O
stis.ac.id. O
Website O
ini O
berguna O
sebagai O
pemberi O
informasi O
untuk O
internal O
dan O
eksternal O
Politeknik O
Statistika O
STIS. O
Karena O
hal O
tersebut O
, O
maka O
tujuan O
dalam O
penelitian O
ini O
yaitu O
untuk O
melakukan B-TUJUAN
analisis I-TUJUAN
kualitas I-TUJUAN
website I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS I-TUJUAN
dengan O
pendekatan O
Webqual B-METODE
4.0. I-METODE
Instrumen O
yang O
digunakan O
dalam O
analisis O
kualitas O
website O
ini O
merupakan O
penerapan O
dari O
metode O
Webqual O
4.0 O
, O
yang O
terbagi O
dalam O
3 O
dimensi O
/ O
variabel O
, O
yaitu O
variabel O
kegunaan O
informasi O
( O
information O
quality O
) O
, O
dan O
variabel O
kualitas O
interaksi O
layanan O
( O
service O
interaction O
quality O
) O
, O
dan O
mengambil O
18 O
dari O
23 O
indikator. O
Teknik O
analisis O
menggunakan O
analisis O
kesenjangan O
/ O
gap O
analysis O
dan O
importance-performance O
analysis O
( O
IPA O
) O
. O
Berdasarkan O
hasil O
analisis B-METODE
kesenjangan I-METODE
/ I-METODE
gap I-METODE
analysis I-METODE
menunjukan O
kesenjangan O
yang O
bernilai O
negatif O
yang O
artinya O
kualitas B-TEMUAN
website I-TEMUAN
masih I-TEMUAN
belum I-TEMUAN
memenuhi I-TEMUAN
keinginan I-TEMUAN
penggunanya. I-TEMUAN
Selanjutnya O
hasil O
analisis B-METODE
IPA I-METODE
( I-METODE
Importance-Performance I-METODE
Analysis I-METODE
) I-METODE
menunjukkan O
bahwa O
terdapat B-TEMUAN
2 I-TEMUAN
dari I-TEMUAN
18 I-TEMUAN
indikator I-TEMUAN
yang I-TEMUAN
perlu I-TEMUAN
dijadikan I-TEMUAN
prioritas I-TEMUAN
dalam I-TEMUAN
perbaikan I-TEMUAN
ke I-TEMUAN
depannya I-TEMUAN
yaitu I-TEMUAN
Tampilan I-TEMUAN
dan I-TEMUAN
Informasi I-TEMUAN
Tepat I-TEMUAN
Waktu. I-TEMUAN
( O
usability O
) O
, O
variabel O
kualitas O
Kata O
Kunci— O
Website O
, O
Kualitas O
Website O
, O
Webqual O
4.0 O
, O
Analisis O
Kesenjangan O
, O
Importance-Perfromance O
Analysis O
website O
yang O
dikelola O
oleh O
suatu O
organisasi O
merupakan O
gambaran O
di O
dunia O
maya O
dari O
organisasi O
itu O
sendiri O
[ O
5 O
] O
. O
Salah O
satu O
metode O
pengukuran O
kualitas O
website O
yang O
saat O
ini O
banyak O
digunakan O
yaitu O
Analisis O
Webqual O
4.0. O
[ O
6 O
] O
. O
Webqual O
pada O
dasarnya O
merupakan O
salah O
satu O
teknik O
pengukuran O
kualitas O
website O
yang O
berdasar O
pada O
persepsi O
dari O
pengguna O
akhir. O
Webqual O
mengalami O
perkembangan O
dari O
masa O
ke O
masa O
, O
dimulai O
dari O
Webqual O
1.0 O
hingga O
yang O
terbaru O
saat O
ini O
yaitu O
Webqual O
4.0. O
Webqual O
4.0 O
yang O
dicetuskan O
oleh O
Barnes O
& O
Vidgen O
pada O
tahun O
2003 O
ini O
terbagi O
dalam O
tiga O
dimensi O
/ O
variabel O
yaitu O
variabel O
kegunaan O
( O
Usability O
) O
, O
variable O
kualitas O
informasi O
( O
Information O
Quality O
) O
dan O
variable O
kualitas O
interaksi O
layanan O
( O
Service O
Interaction O
Quality O
) O
[ O
7 O
] O
, O
[ O
8 O
] O
. O
4.0 O
dalam O
Webqual O
Indikator-indikator O
dilakukan O
pengidentifikasian O
lebih O
spesifik O
guna O
mengidentifikasi O
indikator-indikator O
mana O
yang O
perlu O
diperbaiki O
dan O
yang O
sudah O
memenuhi O
harapan O
dari O
pengguna. O
Analisis O
yang O
digunakan O
yaitu O
Analisis O
Kesenjangan O
/ O
Gap O
Analysis O
dan O
Importance- O
Performance O
Analysis O
( O
IPA O
) O
. O
Referensi O
[ O
1 O
] O
menunjukkan O
bahwa O
analisis O
kesenjangan O
menghitung O
gap O
antara O
persepsi O
dan O
ekspektasi O
dari O
pengguna O
, O
sedangkan O
analisis O
IPA O
mengelompokkan O
indikator O
mana O
yang O
harus O
sudah O
memenuhi O
harapan O
dan O
yang O
masih O
perlu O
perbaikan O
lebih O
lanjut O
dilihat O
dari O
persepsi O
dan O
harapan O
dari O
pengguna. O
[SEP] O
Berdasarkan O
penelitian O
yang O
sudah O
berjalan O
sejauh O
ini O
, O
dapat O
diambil O
kesimpulan-kesimpulan O
sebagai O
berikut. O
1. O
Indikator O
Indikator O
dalam O
metode O
Webqual O
4.0 O
pada O
penelitian O
ini O
yang O
digunakan O
sebagai O
instrument O
telah O
terbukti O
validitas O
dan O
ini O
menunjukkan O
bahwa O
indikator O
dalam O
metode O
Webqual O
4.0 O
dapat O
digunakan O
dalam O
melakukan O
analisis O
lebih O
lanjut. O
reliabilitasnya. O
Hal O
2. O
Analisis O
Kesenjangan O
/ O
Gap O
Analysis O
yang O
sudah O
dilakukan O
berhasil O
memberikan O
kesimpulan O
dimana O
secara O
keseluruhan O
indikator O
kualitas O
website O
yang O
diteliti O
memiliki O
nilai O
kesenjangan O
negatif. O
Hal O
ini O
menandakan O
kualitas O
website O
Politeknik O
Statistika O
STIS O
masih O
belum O
memenuhi O
harapan O
penggunanya. O
3. O
Analisis O
IPA O
( O
Importance-Perfromance O
Analysis O
) O
yang O
telah O
dilakukan O
menunjukkan O
indikator-indikator O
apa O
saja O
yang O
telah O
memenuhi O
keinginan O
pengguna. O
Namun O
, O
masih O
terdapat O
dua O
indikator O
yaitu O
Tampilan O
dan O
Informasi O
Tepat O
Waktu O
yang O
memerlukan O
perhatian O
lebih O
agar O
dapat O
sesuai O
dengan O
keinginan O
pengguna.. O
Saran O
dari O
peneliti O
untuk O
penelitian O
terkait O
yang O
akan O
datang O
sebagai O
berikut. O
1. O
Disarankan O
melakukan O
perbaikan O
terhadap O
website O
tersebut O
berdasarkan O
hasil O
analisis O
IPA. O
Hal O
yang O
diperbaiki O
yaitu O
dalam O
hal O
tampilan O
website O
serta O
ketepatan O
waktu O
dari O
informasi O
yang O
diberikan. O
Untuk O
indikator O
tampilan O
, O
dapat O
dilakukan O
analisis O
lebih O
lanjut O
untuk O
mengetahui O
tampilan O
seperti O
apa O
yang O
diharapkan O
oleh O
pengguna. O
Sedangkan O
untuk O
indikator O
Informasi O
Tepat O
Waktu O
, O
perlu O
dilakukan O
pengkajian O
lebih O
mendalam O
untuk O
memperbaiki O
indikator O
tersebut. O
2. O
Nilai O
kesenjangan O
/ O
gap O
dari O
variabel O
kualitas O
informasi O
merupakan O
yang O
terbesar. O
Hal O
ini O
menjadi O
bahan O
pertimbangan O
ke O
depannya O
, O
dimana O
kualitas O
informasi O
yang O
disajikan O
harus O
bisa O
memenuhi O
harapan O
dari O
pengguna O
baik O
dalam O
segi O
ketepatan O
waktu O
, O
informasi O
yang O
detail O
, O
dsb. O
3. O
Untuk B-TEMUAN
penelitian I-TEMUAN
selanjutnya I-TEMUAN
dapat I-TEMUAN
menggunakan I-TEMUAN
indikator-indikator I-TEMUAN
Webqual I-TEMUAN
4.0 I-TEMUAN
yang I-TEMUAN
digunakan I-TEMUAN
karena I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
terbukti I-TEMUAN
validitas I-TEMUAN
dan I-TEMUAN
reliabilitasnya. I-TEMUAN
Disarankan O
untuk O
menggunakan O
metode O
analisis O
lain O
agar O
dapat O
melihat O
perbandingan O
hasil O
dengan O
metode O
analisis O
pada O
penelitian O
ini. O

Kualitas O
Website O
Politeknik O
Statistika O
STIS O
Dengan O
Pendekatan O
Webqual O
4.0 O
Donovan O
Hutapea O
( O
221709643 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
Ringkasan— O
Politeknik O
Statistika O
STIS O
merupakan O
salah O
satu O
dari O
sekian O
banyaknya O
perguruan O
tinggi O
kedinasan O
yang O
menerapkan O
teknologi O
informasi. O
Salah O
satu O
penerapannya O
adalah O
website O
Politeknik O
Statistika O
STIS O
dengan O
domain O
stis.ac.id. O
Website O
ini O
berguna O
sebagai O
pemberi O
informasi O
untuk O
internal O
dan O
eksternal O
Politeknik O
Statistika O
STIS. O
Karena O
hal O
tersebut O
, O
maka O
tujuan O
dalam O
penelitian O
ini O
yaitu O
untuk O
melakukan B-TUJUAN
analisis I-TUJUAN
kualitas I-TUJUAN
website I-TUJUAN
Politeknik I-TUJUAN
Statistika I-TUJUAN
STIS I-TUJUAN
dengan O
pendekatan O
Webqual B-METODE
4.0. I-METODE
Instrumen O
yang O
digunakan O
dalam O
analisis O
kualitas O
website O
ini O
merupakan O
penerapan O
dari O
metode O
Webqual O
4.0 O
, O
yang O
terbagi O
dalam O
3 O
dimensi O
/ O
variabel O
, O
yaitu O
variabel O
kegunaan O
informasi O
( O
information O
quality O
) O
, O
dan O
variabel O
kualitas O
interaksi O
layanan O
( O
service O
interaction O
quality O
) O
, O
dan O
mengambil O
18 O
dari O
23 O
indikator. O
Teknik O
analisis O
menggunakan O
analisis O
kesenjangan O
/ O
gap O
analysis O
dan O
importance-performance O
analysis O
( O
IPA O
) O
. O
Berdasarkan O
hasil O
analisis B-METODE
kesenjangan I-METODE
/ I-METODE
gap I-METODE
analysis I-METODE
menunjukan O
kesenjangan O
yang O
bernilai O
negatif O
yang O
artinya O
kualitas B-TEMUAN
website I-TEMUAN
masih I-TEMUAN
belum I-TEMUAN
memenuhi I-TEMUAN
keinginan I-TEMUAN
penggunanya. I-TEMUAN
Selanjutnya O
hasil O
analisis B-METODE
IPA I-METODE
( I-METODE
Importance-Performance I-METODE
Analysis I-METODE
) I-METODE
menunjukkan O
bahwa O
terdapat B-TEMUAN
2 I-TEMUAN
dari I-TEMUAN
18 I-TEMUAN
indikator I-TEMUAN
yang I-TEMUAN
perlu I-TEMUAN
dijadikan I-TEMUAN
prioritas I-TEMUAN
dalam I-TEMUAN
perbaikan I-TEMUAN
ke I-TEMUAN
depannya I-TEMUAN
yaitu I-TEMUAN
Tampilan I-TEMUAN
dan I-TEMUAN
Informasi I-TEMUAN
Tepat I-TEMUAN
Waktu. I-TEMUAN
( O
usability O
) O
, O
variabel O
kualitas O
Kata O
Kunci— O
Website O
, O
Kualitas O
Website O
, O
Webqual O
4.0 O
, O
Analisis O
Kesenjangan O
, O
Importance-Perfromance O
Analysis O
website O
yang O
dikelola O
oleh O
suatu O
organisasi O
merupakan O
gambaran O
di O
dunia O
maya O
dari O
organisasi O
itu O
sendiri O
[ O
5 O
] O
. O
Salah O
satu O
metode O
pengukuran O
kualitas O
website O
yang O
saat O
ini O
banyak O
digunakan O
yaitu O
Analisis O
Webqual O
4.0. O
[ O
6 O
] O
. O
Webqual O
pada O
dasarnya O
merupakan O
salah O
satu O
teknik O
pengukuran O
kualitas O
website O
yang O
berdasar O
pada O
persepsi O
dari O
pengguna O
akhir. O
Webqual O
mengalami O
perkembangan O
dari O
masa O
ke O
masa O
, O
dimulai O
dari O
Webqual O
1.0 O
hingga O
yang O
terbaru O
saat O
ini O
yaitu O
Webqual O
4.0. O
Webqual O
4.0 O
yang O
dicetuskan O
oleh O
Barnes O
& O
Vidgen O
pada O
tahun O
2003 O
ini O
terbagi O
dalam O
tiga O
dimensi O
/ O
variabel O
yaitu O
variabel O
kegunaan O
( O
Usability O
) O
, O
variable O
kualitas O
informasi O
( O
Information O
Quality O
) O
dan O
variable O
kualitas O
interaksi O
layanan O
( O
Service O
Interaction O
Quality O
) O
[ O
7 O
] O
, O
[ O
8 O
] O
. O
4.0 O
dalam O
Webqual O
Indikator-indikator O
dilakukan O
pengidentifikasian O
lebih O
spesifik O
guna O
mengidentifikasi O
indikator-indikator O
mana O
yang O
perlu O
diperbaiki O
dan O
yang O
sudah O
memenuhi O
harapan O
dari O
pengguna. O
Analisis O
yang O
digunakan O
yaitu O
Analisis O
Kesenjangan O
/ O
Gap O
Analysis O
dan O
Importance- O
Performance O
Analysis O
( O
IPA O
) O
. O
Referensi O
[ O
1 O
] O
menunjukkan O
bahwa O
analisis O
kesenjangan O
menghitung O
gap O
antara O
persepsi O
dan O
ekspektasi O
dari O
pengguna O
, O
sedangkan O
analisis O
IPA O
mengelompokkan O
indikator O
mana O
yang O
harus O
sudah O
memenuhi O
harapan O
dan O
yang O
masih O
perlu O
perbaikan O
lebih O
lanjut O
dilihat O
dari O
persepsi O
dan O
harapan O
dari O
pengguna. O
[SEP] O
Berdasarkan O
penelitian O
yang O
sudah O
berjalan O
sejauh O
ini O
, O
dapat O
diambil O
kesimpulan-kesimpulan O
sebagai O
berikut. O
1. O
Indikator O
Indikator O
dalam O
metode O
Webqual O
4.0 O
pada O
penelitian O
ini O
yang O
digunakan O
sebagai O
instrument O
telah O
terbukti O
validitas O
dan O
ini O
menunjukkan O
bahwa O
indikator O
dalam O
metode O
Webqual O
4.0 O
dapat O
digunakan O
dalam O
melakukan O
analisis O
lebih O
lanjut. O
reliabilitasnya. O
Hal O
2. O
Analisis O
Kesenjangan O
/ O
Gap O
Analysis O
yang O
sudah O
dilakukan O
berhasil O
memberikan O
kesimpulan O
dimana O
secara O
keseluruhan O
indikator O
kualitas O
website O
yang O
diteliti O
memiliki O
nilai O
kesenjangan O
negatif. O
Hal O
ini O
menandakan O
kualitas O
website O
Politeknik O
Statistika O
STIS O
masih O
belum O
memenuhi O
harapan O
penggunanya. O
3. O
Analisis O
IPA O
( O
Importance-Perfromance O
Analysis O
) O
yang O
telah O
dilakukan O
menunjukkan O
indikator-indikator O
apa O
saja O
yang O
telah O
memenuhi O
keinginan O
pengguna. O
Namun O
, O
masih O
terdapat O
dua O
indikator O
yaitu O
Tampilan O
dan O
Informasi O
Tepat O
Waktu O
yang O
memerlukan O
perhatian O
lebih O
agar O
dapat O
sesuai O
dengan O
keinginan O
pengguna.. O
Saran O
dari O
peneliti O
untuk O
penelitian O
terkait O
yang O
akan O
datang O
sebagai O
berikut. O
1. O
Disarankan O
melakukan O
perbaikan O
terhadap O
website O
tersebut O
berdasarkan O
hasil O
analisis O
IPA. O
Hal O
yang O
diperbaiki O
yaitu O
dalam O
hal O
tampilan O
website O
serta O
ketepatan O
waktu O
dari O
informasi O
yang O
diberikan. O
Untuk O
indikator O
tampilan O
, O
dapat O
dilakukan O
analisis O
lebih O
lanjut O
untuk O
mengetahui O
tampilan O
seperti O
apa O
yang O
diharapkan O
oleh O
pengguna. O
Sedangkan O
untuk O
indikator O
Informasi O
Tepat O
Waktu O
, O
perlu O
dilakukan O
pengkajian O
lebih O
mendalam O
untuk O
memperbaiki O
indikator O
tersebut. O
2. O
Nilai O
kesenjangan O
/ O
gap O
dari O
variabel O
kualitas O
informasi O
merupakan O
yang O
terbesar. O
Hal O
ini O
menjadi O
bahan O
pertimbangan O
ke O
depannya O
, O
dimana O
kualitas O
informasi O
yang O
disajikan O
harus O
bisa O
memenuhi O
harapan O
dari O
pengguna O
baik O
dalam O
segi O
ketepatan O
waktu O
, O
informasi O
yang O
detail O
, O
dsb. O
3. O
Untuk B-TEMUAN
penelitian I-TEMUAN
selanjutnya I-TEMUAN
dapat I-TEMUAN
menggunakan I-TEMUAN
indikator-indikator I-TEMUAN
Webqual I-TEMUAN
4.0 I-TEMUAN
yang I-TEMUAN
digunakan I-TEMUAN
karena I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
terbukti I-TEMUAN
validitas I-TEMUAN
dan I-TEMUAN
reliabilitasnya. I-TEMUAN
Disarankan O
untuk O
menggunakan O
metode O
analisis O
lain O
agar O
dapat O
melihat O
perbandingan O
hasil O
dengan O
metode O
analisis O
pada O
penelitian O
ini. O

Ulasan O
Objek O
Daya O
Tarik O
Wisata O
di O
Jawa O
Timur O
pada O
Google O
Maps O
Disya O
Pratistaning O
Ratriatmaja O
( O
221709638 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Nucke O
Widowati O
Kusumo O
Projo O
, O
S.Si. O
, O
M.Sc. O
, O
Ph.D. O
Ringkasan— O
Pandemik O
COVID-19 O
berdampak O
pada O
sektor O
pariwisata O
, O
salah O
satunya O
pada O
keberlangsungan O
Objek O
Daya O
Tarik O
Wisata O
( O
ODTW O
) O
. O
Pemerintah O
Jawa O
Timur O
dengan O
jumlah O
ODTW O
terbanyak O
membuat O
Pergub O
No. O
53 O
Tahun O
2020 O
sebagai O
upaya O
pencegahan O
penyebaran O
COVID-19 O
dengan O
protokol O
kesehatan. O
Tetapi O
masih O
banyak O
pelanggaran O
yang O
terjadi O
, O
sehingga O
perlu O
adanya O
pengawasan O
khususnya O
di O
ODTW. O
Calon O
pengunjung O
juga O
memerlukan O
informasi O
penerapan O
protokol O
kesehatan O
, O
fasilitas O
yang O
tersedia O
, O
dan O
informasi O
lainnya O
terkait O
ODTW. O
Ulasan O
pada O
Google O
Maps O
sebagai O
Big O
Data O
menyimpan O
informasi O
ODTW O
berdasarkan O
pengalaman O
pengunjung. O
Analisis B-METODE
ulasan I-METODE
berhasil O
dilakukan O
dengan O
metode O
Multinomial O
Naïve O
Bayes O
( O
MNB O
) O
, O
Term O
Frequency-Inverse O
Document O
Frequency O
( O
TF- O
IDF O
) O
, O
dan O
pseudo-labelling O
, O
serta O
asosiasi O
kata. O
Hasil O
analisis O
menunjukkan O
bahwa O
protokol O
kesehatan O
telah O
diterapkan O
, O
fasilitas O
yang O
tersedia O
telah O
baik O
, O
dan O
tidak O
terjadi O
perubahan O
ulasan O
pada O
saat O
pandemik O
di O
ODTW. O
Nilai O
Stuart-Kendall O
Tau- O
c O
menunjukkan O
hubungan O
yang O
sangat O
lemah O
dengan O
arah O
positif O
antara O
rating O
dan O
sentimen O
ulasan. O
Penghitungan O
data O
cocok O
dengan O
metode B-METODE
Haversine I-METODE
, I-METODE
Jaro I-METODE
Winkler I-METODE
, I-METODE
dan I-METODE
Levenshtein I-METODE
menunjukkan O
bahwa O
data O
hasil O
web B-METODE
scraping I-METODE
dapat O
menjadi O
bahan O
pelengkap O
data O
BPS. O
Kata O
Kunci— O
pariwisisata O
, O
COVID-19 O
, O
ulasan O
, O
Google O
Maps O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
disimpulkan O
bahwa O
, O
1. O
Analisis B-TUJUAN
sentimen I-TUJUAN
dengan I-TUJUAN
metode I-TUJUAN
MNB I-TUJUAN
+ I-TUJUAN
TF-IDF I-TUJUAN
dan I-TUJUAN
menerapkan I-TUJUAN
algoritma I-TUJUAN
pseudo-labelling I-TUJUAN
telah O
berhasil O
dilakukan O
untuk O
melabeli O
ulasan O
ODTW O
di O
Google O
Maps O
, O
2. O
Protokol O
kesehatan O
sesuai O
dengan O
Pergub O
No O
53 O
Tahun O
2020 O
telah O
diterapkan O
di O
ODTW O
Provinsi O
Jawa O
Timur O
, O
salah O
satunya O
dengan O
penggunaan O
masker O
dan O
penyediaan O
tempat O
cuci O
tangan O
dengan O
sabun O
, O
3. O
Telah O
tersedia O
fasilitas O
yang O
lengkap O
di O
ODTW O
, O
seperti O
tempat O
parkir O
masuk. O
Tetapi O
masih O
perlu O
dilakukan O
perbaikan O
fasilitas O
kamar O
mandi O
di O
ODTW O
Jawa O
Timur O
, O
4. O
Pandangan O
pengunjung O
terhadap O
ODTW O
Jawa O
Timur O
tidak O
mengalami O
perubahan O
saat O
pandemik O
, O
hal O
ini O
dapat O
dilihat O
dari O
perubahan O
sentimen. O
Sentimen O
pengunjung O
terhadap O
ODTW O
tetap O
positif O
saat O
pandemik O
, O
5. O
Penilaian O
pengunjung O
terhadap O
ODTW O
Jawa O
Timur O
mengalami O
peningkatan O
, O
dapat O
dilihat O
dari O
banyaknya O
ODTW O
dengan O
rating O
yang O
semakin O
baik O
saat O
pandemik O
, O
6. O
Penghitungan O
korelasi O
menunjukkan O
terjadi O
hubungan O
yang O
sangat O
lemah O
dengan O
arah O
positif O
antara O
rating O
dan O
sentimen O
pengunjung O
, O
Peneliti O
menyarankan O
7. O
Data O
web O
scraping O
Google O
Maps O
dapat O
berpotensi O
menjadi O
data O
pelengkap O
bagi O
BPS O
ditunjukkan O
dengan O
nilai O
match O
sebesar O
37 O
% O
. O
Dari O
uraian O
di O
atas O
menunjukkan O
bahwa O
sektor B-TEMUAN
pariwisata I-TEMUAN
, I-TEMUAN
khususnya I-TEMUAN
usaha I-TEMUAN
ODTW I-TEMUAN
menjadi I-TEMUAN
usaha I-TEMUAN
yang I-TEMUAN
potensial I-TEMUAN
saat I-TEMUAN
pandemik I-TEMUAN
dengan I-TEMUAN
tetap I-TEMUAN
menerapkan I-TEMUAN
protokol I-TEMUAN
kesehatan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
peraturan I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
dan I-TEMUAN
menyediakan I-TEMUAN
fasilitas I-TEMUAN
yang I-TEMUAN
baik I-TEMUAN
maupun I-TEMUAN
memperbaiki I-TEMUAN
fasilitas I-TEMUAN
yang I-TEMUAN
ada. I-TEMUAN
pengusaha O
agar O
memperhatikan O
kembali O
fasilitas O
yang O
tersedia O
pada O
usaha O
ODTW O
miliknya. O
Perlu O
dilakukan O
perbaikan O
atau O
renovasi O
terhadap O
fasilitas O
yang O
tersedia O
, O
khususnya O
kamar O
mandi. O
Selain O
itu O
, O
baik O
pengunjung O
maupun O
pengusaha O
harus O
tetap O
selalu O
menjaga O
penerapan O
protokol O
kesehatan O
di O
ODTW. O
Untuk O
penelitian O
selanjutnya O
dapat O
menggali O
lebih O
banyak O
informasi O
yang O
terkandung O
dalam O
ulasan O
pada O
Google O
Maps O
, O
tidak O
hanya O
tempat O
wisata. O
Hal O
ini O
mengingat O
potensi O
ulasan O
Google O
Maps O
yang O
menyimpan O
informasi O
berdasarkan O
pengalaman O
pengunjung. O
untuk O
7 O
/ O
8 O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
21 O
] O
S. O
Institute O
, O
SAS O
/ O
STAT O
9.2 O
User O
's O
Guide O
, O
Second O
Edition O
: O
: O
The O
FREQ O
Procedure O
( O
Book O
Excerpt O
) O
2nd O
Edition O
, O
United O
States O
of O
America O
: O
SAS O
Publishing O
, O
2009. O
[ O
22 O
] O
A. O
Kurniawati O
, O
S. O
Puspitodjati O
and O
S. O
Rahman O
, O
" O
Implementasi O
Algoritma O
Jaro-Winkler O
Distance O
untuk O
Membandingkan O
Kesamaan O
Dokumen O
Berbahasa O
Indonesia O
, O
" O
Universitas O
Gunadarma O
, O
Depok O
, O
2010. O
[ O
23 O
] O
D. O
P. O
Putra O
, O
" O
Pemanfaatan O
Algoritma O
Pencocokan O
String O
dalam O
Pencarian O
Kata O
Tidak O
Baku O
pada O
KBBI O
, O
" O
Sekolah O
Teknik O
Elektro O
dan O
Informatika O
, O
Bandung O
, O
2020. O
[ O
24 O
] O
J. O
Read O
, O
E. O
Mazzone O
and O
M. O
Horton O
, O
Recognition O
Errors O
and O
Recognizing O
Errors O
– O
Children O
Writing O
on O
the O
Tablet O
PC O
, O
Preston O
: O
University O
of O
Central O
Lancashire O
, O
2005. O

Ulasan O
Objek O
Daya O
Tarik O
Wisata O
di O
Jawa O
Timur O
pada O
Google O
Maps O
Disya O
Pratistaning O
Ratriatmaja O
( O
221709638 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Nucke O
Widowati O
Kusumo O
Projo O
, O
S.Si. O
, O
M.Sc. O
, O
Ph.D. O
Ringkasan— O
Pandemik O
COVID-19 O
berdampak O
pada O
sektor O
pariwisata O
, O
salah O
satunya O
pada O
keberlangsungan O
Objek O
Daya O
Tarik O
Wisata O
( O
ODTW O
) O
. O
Pemerintah O
Jawa O
Timur O
dengan O
jumlah O
ODTW O
terbanyak O
membuat O
Pergub O
No. O
53 O
Tahun O
2020 O
sebagai O
upaya O
pencegahan O
penyebaran O
COVID-19 O
dengan O
protokol O
kesehatan. O
Tetapi O
masih O
banyak O
pelanggaran O
yang O
terjadi O
, O
sehingga O
perlu O
adanya O
pengawasan O
khususnya O
di O
ODTW. O
Calon O
pengunjung O
juga O
memerlukan O
informasi O
penerapan O
protokol O
kesehatan O
, O
fasilitas O
yang O
tersedia O
, O
dan O
informasi O
lainnya O
terkait O
ODTW. O
Ulasan O
pada O
Google O
Maps O
sebagai O
Big O
Data O
menyimpan O
informasi O
ODTW O
berdasarkan O
pengalaman O
pengunjung. O
Analisis B-METODE
ulasan I-METODE
berhasil O
dilakukan O
dengan O
metode O
Multinomial O
Naïve O
Bayes O
( O
MNB O
) O
, O
Term O
Frequency-Inverse O
Document O
Frequency O
( O
TF- O
IDF O
) O
, O
dan O
pseudo-labelling O
, O
serta O
asosiasi O
kata. O
Hasil O
analisis O
menunjukkan O
bahwa O
protokol O
kesehatan O
telah O
diterapkan O
, O
fasilitas O
yang O
tersedia O
telah O
baik O
, O
dan O
tidak O
terjadi O
perubahan O
ulasan O
pada O
saat O
pandemik O
di O
ODTW. O
Nilai O
Stuart-Kendall O
Tau- O
c O
menunjukkan O
hubungan O
yang O
sangat O
lemah O
dengan O
arah O
positif O
antara O
rating O
dan O
sentimen O
ulasan. O
Penghitungan O
data O
cocok O
dengan O
metode B-METODE
Haversine I-METODE
, I-METODE
Jaro I-METODE
Winkler I-METODE
, I-METODE
dan I-METODE
Levenshtein I-METODE
menunjukkan O
bahwa O
data O
hasil O
web B-METODE
scraping I-METODE
dapat O
menjadi O
bahan O
pelengkap O
data O
BPS. O
Kata O
Kunci— O
pariwisisata O
, O
COVID-19 O
, O
ulasan O
, O
Google O
Maps O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
disimpulkan O
bahwa O
, O
1. O
Analisis B-TUJUAN
sentimen I-TUJUAN
dengan I-TUJUAN
metode I-TUJUAN
MNB I-TUJUAN
+ I-TUJUAN
TF-IDF I-TUJUAN
dan I-TUJUAN
menerapkan I-TUJUAN
algoritma I-TUJUAN
pseudo-labelling I-TUJUAN
telah O
berhasil O
dilakukan O
untuk O
melabeli O
ulasan O
ODTW O
di O
Google O
Maps O
, O
2. O
Protokol O
kesehatan O
sesuai O
dengan O
Pergub O
No O
53 O
Tahun O
2020 O
telah O
diterapkan O
di O
ODTW O
Provinsi O
Jawa O
Timur O
, O
salah O
satunya O
dengan O
penggunaan O
masker O
dan O
penyediaan O
tempat O
cuci O
tangan O
dengan O
sabun O
, O
3. O
Telah O
tersedia O
fasilitas O
yang O
lengkap O
di O
ODTW O
, O
seperti O
tempat O
parkir O
masuk. O
Tetapi O
masih O
perlu O
dilakukan O
perbaikan O
fasilitas O
kamar O
mandi O
di O
ODTW O
Jawa O
Timur O
, O
4. O
Pandangan O
pengunjung O
terhadap O
ODTW O
Jawa O
Timur O
tidak O
mengalami O
perubahan O
saat O
pandemik O
, O
hal O
ini O
dapat O
dilihat O
dari O
perubahan O
sentimen. O
Sentimen O
pengunjung O
terhadap O
ODTW O
tetap O
positif O
saat O
pandemik O
, O
5. O
Penilaian O
pengunjung O
terhadap O
ODTW O
Jawa O
Timur O
mengalami O
peningkatan O
, O
dapat O
dilihat O
dari O
banyaknya O
ODTW O
dengan O
rating O
yang O
semakin O
baik O
saat O
pandemik O
, O
6. O
Penghitungan O
korelasi O
menunjukkan O
terjadi O
hubungan O
yang O
sangat O
lemah O
dengan O
arah O
positif O
antara O
rating O
dan O
sentimen O
pengunjung O
, O
Peneliti O
menyarankan O
7. O
Data O
web O
scraping O
Google O
Maps O
dapat O
berpotensi O
menjadi O
data O
pelengkap O
bagi O
BPS O
ditunjukkan O
dengan O
nilai O
match O
sebesar O
37 O
% O
. O
Dari O
uraian O
di O
atas O
menunjukkan O
bahwa O
sektor B-TEMUAN
pariwisata I-TEMUAN
, I-TEMUAN
khususnya I-TEMUAN
usaha I-TEMUAN
ODTW I-TEMUAN
menjadi I-TEMUAN
usaha I-TEMUAN
yang I-TEMUAN
potensial I-TEMUAN
saat I-TEMUAN
pandemik I-TEMUAN
dengan I-TEMUAN
tetap I-TEMUAN
menerapkan I-TEMUAN
protokol I-TEMUAN
kesehatan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
peraturan I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
dan I-TEMUAN
menyediakan I-TEMUAN
fasilitas I-TEMUAN
yang I-TEMUAN
baik I-TEMUAN
maupun I-TEMUAN
memperbaiki I-TEMUAN
fasilitas I-TEMUAN
yang I-TEMUAN
ada. I-TEMUAN
pengusaha O
agar O
memperhatikan O
kembali O
fasilitas O
yang O
tersedia O
pada O
usaha O
ODTW O
miliknya. O
Perlu O
dilakukan O
perbaikan O
atau O
renovasi O
terhadap O
fasilitas O
yang O
tersedia O
, O
khususnya O
kamar O
mandi. O
Selain O
itu O
, O
baik O
pengunjung O
maupun O
pengusaha O
harus O
tetap O
selalu O
menjaga O
penerapan O
protokol O
kesehatan O
di O
ODTW. O
Untuk O
penelitian O
selanjutnya O
dapat O
menggali O
lebih O
banyak O
informasi O
yang O
terkandung O
dalam O
ulasan O
pada O
Google O
Maps O
, O
tidak O
hanya O
tempat O
wisata. O
Hal O
ini O
mengingat O
potensi O
ulasan O
Google O
Maps O
yang O
menyimpan O
informasi O
berdasarkan O
pengalaman O
pengunjung. O
untuk O
7 O
/ O
8 O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
21 O
] O
S. O
Institute O
, O
SAS O
/ O
STAT O
9.2 O
User O
's O
Guide O
, O
Second O
Edition O
: O
: O
The O
FREQ O
Procedure O
( O
Book O
Excerpt O
) O
2nd O
Edition O
, O
United O
States O
of O
America O
: O
SAS O
Publishing O
, O
2009. O
[ O
22 O
] O
A. O
Kurniawati O
, O
S. O
Puspitodjati O
and O
S. O
Rahman O
, O
" O
Implementasi O
Algoritma O
Jaro-Winkler O
Distance O
untuk O
Membandingkan O
Kesamaan O
Dokumen O
Berbahasa O
Indonesia O
, O
" O
Universitas O
Gunadarma O
, O
Depok O
, O
2010. O
[ O
23 O
] O
D. O
P. O
Putra O
, O
" O
Pemanfaatan O
Algoritma O
Pencocokan O
String O
dalam O
Pencarian O
Kata O
Tidak O
Baku O
pada O
KBBI O
, O
" O
Sekolah O
Teknik O
Elektro O
dan O
Informatika O
, O
Bandung O
, O
2020. O
[ O
24 O
] O
J. O
Read O
, O
E. O
Mazzone O
and O
M. O
Horton O
, O
Recognition O
Errors O
and O
Recognizing O
Errors O
– O
Children O
Writing O
on O
the O
Tablet O
PC O
, O
Preston O
: O
University O
of O
Central O
Lancashire O
, O
2005. O

Ulasan O
Objek O
Daya O
Tarik O
Wisata O
di O
Jawa O
Timur O
pada O
Google O
Maps O
Disya O
Pratistaning O
Ratriatmaja O
( O
221709638 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Nucke O
Widowati O
Kusumo O
Projo O
, O
S.Si. O
, O
M.Sc. O
, O
Ph.D. O
Ringkasan— O
Pandemik O
COVID-19 O
berdampak O
pada O
sektor O
pariwisata O
, O
salah O
satunya O
pada O
keberlangsungan O
Objek O
Daya O
Tarik O
Wisata O
( O
ODTW O
) O
. O
Pemerintah O
Jawa O
Timur O
dengan O
jumlah O
ODTW O
terbanyak O
membuat O
Pergub O
No. O
53 O
Tahun O
2020 O
sebagai O
upaya O
pencegahan O
penyebaran O
COVID-19 O
dengan O
protokol O
kesehatan. O
Tetapi O
masih O
banyak O
pelanggaran O
yang O
terjadi O
, O
sehingga O
perlu O
adanya O
pengawasan O
khususnya O
di O
ODTW. O
Calon O
pengunjung O
juga O
memerlukan O
informasi O
penerapan O
protokol O
kesehatan O
, O
fasilitas O
yang O
tersedia O
, O
dan O
informasi O
lainnya O
terkait O
ODTW. O
Ulasan O
pada O
Google O
Maps O
sebagai O
Big O
Data O
menyimpan O
informasi O
ODTW O
berdasarkan O
pengalaman O
pengunjung. O
Analisis B-METODE
ulasan I-METODE
berhasil O
dilakukan O
dengan O
metode O
Multinomial O
Naïve O
Bayes O
( O
MNB O
) O
, O
Term O
Frequency-Inverse O
Document O
Frequency O
( O
TF- O
IDF O
) O
, O
dan O
pseudo-labelling O
, O
serta O
asosiasi O
kata. O
Hasil O
analisis O
menunjukkan O
bahwa O
protokol O
kesehatan O
telah O
diterapkan O
, O
fasilitas O
yang O
tersedia O
telah O
baik O
, O
dan O
tidak O
terjadi O
perubahan O
ulasan O
pada O
saat O
pandemik O
di O
ODTW. O
Nilai O
Stuart-Kendall O
Tau- O
c O
menunjukkan O
hubungan O
yang O
sangat O
lemah O
dengan O
arah O
positif O
antara O
rating O
dan O
sentimen O
ulasan. O
Penghitungan O
data O
cocok O
dengan O
metode B-METODE
Haversine I-METODE
, I-METODE
Jaro I-METODE
Winkler I-METODE
, I-METODE
dan I-METODE
Levenshtein I-METODE
menunjukkan O
bahwa O
data O
hasil O
web B-METODE
scraping I-METODE
dapat O
menjadi O
bahan O
pelengkap O
data O
BPS. O
Kata O
Kunci— O
pariwisisata O
, O
COVID-19 O
, O
ulasan O
, O
Google O
Maps O
[SEP] O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
dapat O
disimpulkan O
bahwa O
, O
1. O
Analisis B-TUJUAN
sentimen I-TUJUAN
dengan I-TUJUAN
metode I-TUJUAN
MNB I-TUJUAN
+ I-TUJUAN
TF-IDF I-TUJUAN
dan I-TUJUAN
menerapkan I-TUJUAN
algoritma I-TUJUAN
pseudo-labelling I-TUJUAN
telah O
berhasil O
dilakukan O
untuk O
melabeli O
ulasan O
ODTW O
di O
Google O
Maps O
, O
2. O
Protokol O
kesehatan O
sesuai O
dengan O
Pergub O
No O
53 O
Tahun O
2020 O
telah O
diterapkan O
di O
ODTW O
Provinsi O
Jawa O
Timur O
, O
salah O
satunya O
dengan O
penggunaan O
masker O
dan O
penyediaan O
tempat O
cuci O
tangan O
dengan O
sabun O
, O
3. O
Telah O
tersedia O
fasilitas O
yang O
lengkap O
di O
ODTW O
, O
seperti O
tempat O
parkir O
masuk. O
Tetapi O
masih O
perlu O
dilakukan O
perbaikan O
fasilitas O
kamar O
mandi O
di O
ODTW O
Jawa O
Timur O
, O
4. O
Pandangan O
pengunjung O
terhadap O
ODTW O
Jawa O
Timur O
tidak O
mengalami O
perubahan O
saat O
pandemik O
, O
hal O
ini O
dapat O
dilihat O
dari O
perubahan O
sentimen. O
Sentimen O
pengunjung O
terhadap O
ODTW O
tetap O
positif O
saat O
pandemik O
, O
5. O
Penilaian O
pengunjung O
terhadap O
ODTW O
Jawa O
Timur O
mengalami O
peningkatan O
, O
dapat O
dilihat O
dari O
banyaknya O
ODTW O
dengan O
rating O
yang O
semakin O
baik O
saat O
pandemik O
, O
6. O
Penghitungan O
korelasi O
menunjukkan O
terjadi O
hubungan O
yang O
sangat O
lemah O
dengan O
arah O
positif O
antara O
rating O
dan O
sentimen O
pengunjung O
, O
Peneliti O
menyarankan O
7. O
Data O
web O
scraping O
Google O
Maps O
dapat O
berpotensi O
menjadi O
data O
pelengkap O
bagi O
BPS O
ditunjukkan O
dengan O
nilai O
match O
sebesar O
37 O
% O
. O
Dari O
uraian O
di O
atas O
menunjukkan O
bahwa O
sektor B-TEMUAN
pariwisata I-TEMUAN
, I-TEMUAN
khususnya I-TEMUAN
usaha I-TEMUAN
ODTW I-TEMUAN
menjadi I-TEMUAN
usaha I-TEMUAN
yang I-TEMUAN
potensial I-TEMUAN
saat I-TEMUAN
pandemik I-TEMUAN
dengan I-TEMUAN
tetap I-TEMUAN
menerapkan I-TEMUAN
protokol I-TEMUAN
kesehatan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
peraturan I-TEMUAN
yang I-TEMUAN
ada I-TEMUAN
dan I-TEMUAN
menyediakan I-TEMUAN
fasilitas I-TEMUAN
yang I-TEMUAN
baik I-TEMUAN
maupun I-TEMUAN
memperbaiki I-TEMUAN
fasilitas I-TEMUAN
yang I-TEMUAN
ada. I-TEMUAN
pengusaha O
agar O
memperhatikan O
kembali O
fasilitas O
yang O
tersedia O
pada O
usaha O
ODTW O
miliknya. O
Perlu O
dilakukan O
perbaikan O
atau O
renovasi O
terhadap O
fasilitas O
yang O
tersedia O
, O
khususnya O
kamar O
mandi. O
Selain O
itu O
, O
baik O
pengunjung O
maupun O
pengusaha O
harus O
tetap O
selalu O
menjaga O
penerapan O
protokol O
kesehatan O
di O
ODTW. O
Untuk O
penelitian O
selanjutnya O
dapat O
menggali O
lebih O
banyak O
informasi O
yang O
terkandung O
dalam O
ulasan O
pada O
Google O
Maps O
, O
tidak O
hanya O
tempat O
wisata. O
Hal O
ini O
mengingat O
potensi O
ulasan O
Google O
Maps O
yang O
menyimpan O
informasi O
berdasarkan O
pengalaman O
pengunjung. O
untuk O
7 O
/ O
8 O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
21 O
] O
S. O
Institute O
, O
SAS O
/ O
STAT O
9.2 O
User O
's O
Guide O
, O
Second O
Edition O
: O
: O
The O
FREQ O
Procedure O
( O
Book O
Excerpt O
) O
2nd O
Edition O
, O
United O
States O
of O
America O
: O
SAS O
Publishing O
, O
2009. O
[ O
22 O
] O
A. O
Kurniawati O
, O
S. O
Puspitodjati O
and O
S. O
Rahman O
, O
" O
Implementasi O
Algoritma O
Jaro-Winkler O
Distance O
untuk O
Membandingkan O
Kesamaan O
Dokumen O
Berbahasa O
Indonesia O
, O
" O
Universitas O
Gunadarma O
, O
Depok O
, O
2010. O
[ O
23 O
] O
D. O
P. O
Putra O
, O
" O
Pemanfaatan O
Algoritma O
Pencocokan O
String O
dalam O
Pencarian O
Kata O
Tidak O
Baku O
pada O
KBBI O
, O
" O
Sekolah O
Teknik O
Elektro O
dan O
Informatika O
, O
Bandung O
, O
2020. O
[ O
24 O
] O
J. O
Read O
, O
E. O
Mazzone O
and O
M. O
Horton O
, O
Recognition O
Errors O
and O
Recognizing O
Errors O
– O
Children O
Writing O
on O
the O
Tablet O
PC O
, O
Preston O
: O
University O
of O
Central O
Lancashire O
, O
2005. O

Mekanisme O
Identifikasi O
Duplikasi O
Akun O
Toko O
pada O
Pembentukan O
Repositori O
Marketplace O
untuk O
Penyusunan O
Statistik O
E-Commerce O
Dina O
Salsabila O
( O
221709635 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Takdir O
, O
SST. O
, O
M.T. O
Ringkasan— O
Saat O
ini O
BPS O
mulai O
melakukan O
pengumpulan O
data O
marketplace O
untuk O
menggambarkan O
keadaan O
e-commerce O
di O
Indonesia. O
Dalam O
proses O
pengumpulan O
data O
sering O
terjadi O
duplikasi O
data O
akun O
toko O
yang O
mempunyai O
akun O
toko O
lebih O
dari O
satu O
marketplace O
sehingga O
berdampak O
pada O
hasil O
analisis O
data O
marketplace O
menjadi O
bias. O
Untuk O
mengurangi O
duplikasi O
data O
, O
maka O
penelitian O
ini O
mengkaji B-TUJUAN
pengembangan I-TUJUAN
mekanisme I-TUJUAN
untuk I-TUJUAN
mengidentifikasi I-TUJUAN
duplikasi I-TUJUAN
akun I-TUJUAN
toko I-TUJUAN
antar I-TUJUAN
marketplace I-TUJUAN
yang I-TUJUAN
berbeda. I-TUJUAN
Algoritma O
kesamaan O
kata O
yang O
digunakan O
yaitu O
Levenshtein O
Distance O
untuk O
kesamaan O
nama O
toko O
dan O
Cosine O
Similarity O
untuk O
kesamaan O
etalase O
, O
deskripsi O
dan O
nama O
produk. O
Hasil O
pengujian O
dengan O
regresi B-METODE
logistik I-METODE
biner I-METODE
diketahui B-TEMUAN
bahwa I-TEMUAN
variabel I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
pengaruh I-TEMUAN
terbesar I-TEMUAN
terhadap I-TEMUAN
status I-TEMUAN
kesamaan I-TEMUAN
akun I-TEMUAN
toko I-TEMUAN
berturut-turut I-TEMUAN
yaitu I-TEMUAN
nama I-TEMUAN
toko I-TEMUAN
, I-TEMUAN
nama I-TEMUAN
produk I-TEMUAN
, I-TEMUAN
etalase I-TEMUAN
toko I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
deskripsi I-TEMUAN
toko. I-TEMUAN
Hasil O
prediksi O
kesamaan O
akun O
toko O
dengan O
model O
tersebut O
memiliki O
total O
akurasi B-METODE
untuk O
data O
dengan O
dan O
tanpa O
stemming O
berturut-turut O
sebesar O
96.3 O
% O
dan O
96.2 O
% O
. O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
tersebut I-TEMUAN
maka I-TEMUAN
model I-TEMUAN
ini I-TEMUAN
bisa I-TEMUAN
digunakan I-TEMUAN
untuk I-TEMUAN
memprediksi I-TEMUAN
kesamaan I-TEMUAN
akun I-TEMUAN
toko I-TEMUAN
antar I-TEMUAN
marketplace I-TEMUAN
, I-TEMUAN
sehingga I-TEMUAN
bisa I-TEMUAN
membentuk I-TEMUAN
repositori I-TEMUAN
marketplace I-TEMUAN
untuk I-TEMUAN
penyusunan I-TEMUAN
statistik I-TEMUAN
e-commerce. I-TEMUAN
Kata O
Kunci— O
Marketplace O
, O
algoritma O
kesamaan O
kata O
, O
Levenshtein O
Distance O
, O
Cosine O
Similarity O
, O
regresi O
logistik O
biner. O
[SEP] O
Berdasarkan O
pengujian O
yang O
dilakukan O
, O
terdapat O
empat O
variabel O
yang O
bisa O
digunakan O
untuk O
mengidentifikasi B-METODE
duplikasi I-METODE
berdasarkan O
kesamaan O
akun O
toko O
antar O
marketplace O
yang O
berbeda O
yaitu O
nama O
toko O
, O
etalase O
toko O
, O
deskripsi O
toko O
, O
dan O
nama O
produk. O
Hasil O
matching O
berdasarkan O
nama O
toko O
, O
didapatkan O
bahwa O
dari O
959 O
toko O
yang O
nilai O
Levenshtein B-METODE
Distance I-METODE
maksimal O
1 O
terdapat O
78.94 O
% O
toko O
yang O
dapat O
dipastikan O
kesamaan O
kepemilikannya. O
Adapun O
hasil O
matching O
berdasarkan O
nama O
produk O
, O
etalase O
, O
dan O
deskripsi O
toko O
dengan O
Cosine B-METODE
Similarity I-METODE
memiliki O
persentase O
nilai O
kemiripan O
≥ O
0.5 O
berturut-turut O
sebesar O
57-78 O
% O
, O
30-36 O
% O
, O
dan O
24-26 O
% O
. O
Hasil O
pemodelan O
dengan O
regresi O
logistik O
biner O
diketahui O
bahwa O
variabel O
yang O
memiliki O
pengaruh O
terbesar O
terhadap O
status O
kesamaan O
akun O
toko O
berturut- O
turut O
adalah O
nama O
toko O
, O
nama O
produk O
, O
etalase O
toko O
dan O
deskripsi O
toko. O
Adapun B-TEMUAN
prediksi I-TEMUAN
kesamaan I-TEMUAN
akun I-TEMUAN
toko I-TEMUAN
dengan I-TEMUAN
model I-TEMUAN
tersebut I-TEMUAN
memiliki I-TEMUAN
total I-TEMUAN
akurasi I-TEMUAN
untuk I-TEMUAN
data I-TEMUAN
dengan I-TEMUAN
dan I-TEMUAN
tanpa I-TEMUAN
stemming I-TEMUAN
berturut-turut I-TEMUAN
sebesar I-TEMUAN
96.3 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
96.2 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Terlihat O
bahwa O
perbedaan O
hasil O
untuk O
data O
dengan O
dan O
tanpa O
stemming O
tidak O
jauh O
berbeda O
, O
namun O
dengan O
adanya O
proses O
stemming O
pada O
preprocessing O
data O
dapat O
meningkatkan O
akurasi O
untuk O
prediksi O
kesamaan O
akun O
toko O
walaupun O
stemming O
membutuhkan O
waktu O
dua O
kali O
lipat O
lebih O
lama O
dibandingkan O
tanpa O
stemming. O
Adapun O
evaluasi O
dari O
model O
dengan O
menggunakan O
uji B-TEMUAN
Hosmer I-TEMUAN
and I-TEMUAN
Lemeshow I-TEMUAN
diketahui O
bahwa O
model O
telah O
cukup O
menjelaskan O
data. O
Berdasarkan O
hasil O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
tersebut O
maka O
model O
ini O
bisa O
digunakan O
untuk O
memprediksi O
kesamaan O
akun O
toko O
antar O
marketplace O
yang O
berbeda O
, O
sehingga O
bisa O
membentuk O
repositori O
marketplace O
yang O
berisi O
daftar O
toko O
yang O
unik O
sebagai O
dasar O
untuk O
penyusunan O
statistik O
e- O
commerce. O

Mekanisme O
Identifikasi O
Duplikasi O
Akun O
Toko O
pada O
Pembentukan O
Repositori O
Marketplace O
untuk O
Penyusunan O
Statistik O
E-Commerce O
Dina O
Salsabila O
( O
221709635 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Takdir O
, O
SST. O
, O
M.T. O
Ringkasan— O
Saat O
ini O
BPS O
mulai O
melakukan O
pengumpulan O
data O
marketplace O
untuk O
menggambarkan O
keadaan O
e-commerce O
di O
Indonesia. O
Dalam O
proses O
pengumpulan O
data O
sering O
terjadi O
duplikasi O
data O
akun O
toko O
yang O
mempunyai O
akun O
toko O
lebih O
dari O
satu O
marketplace O
sehingga O
berdampak O
pada O
hasil O
analisis O
data O
marketplace O
menjadi O
bias. O
Untuk O
mengurangi O
duplikasi O
data O
, O
maka O
penelitian O
ini O
mengkaji B-TUJUAN
pengembangan I-TUJUAN
mekanisme I-TUJUAN
untuk I-TUJUAN
mengidentifikasi I-TUJUAN
duplikasi I-TUJUAN
akun I-TUJUAN
toko I-TUJUAN
antar I-TUJUAN
marketplace I-TUJUAN
yang I-TUJUAN
berbeda. I-TUJUAN
Algoritma O
kesamaan O
kata O
yang O
digunakan O
yaitu O
Levenshtein O
Distance O
untuk O
kesamaan O
nama O
toko O
dan O
Cosine O
Similarity O
untuk O
kesamaan O
etalase O
, O
deskripsi O
dan O
nama O
produk. O
Hasil O
pengujian O
dengan O
regresi B-METODE
logistik I-METODE
biner I-METODE
diketahui B-TEMUAN
bahwa I-TEMUAN
variabel I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
pengaruh I-TEMUAN
terbesar I-TEMUAN
terhadap I-TEMUAN
status I-TEMUAN
kesamaan I-TEMUAN
akun I-TEMUAN
toko I-TEMUAN
berturut-turut I-TEMUAN
yaitu I-TEMUAN
nama I-TEMUAN
toko I-TEMUAN
, I-TEMUAN
nama I-TEMUAN
produk I-TEMUAN
, I-TEMUAN
etalase I-TEMUAN
toko I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
deskripsi I-TEMUAN
toko. I-TEMUAN
Hasil O
prediksi O
kesamaan O
akun O
toko O
dengan O
model O
tersebut O
memiliki O
total O
akurasi B-METODE
untuk O
data O
dengan O
dan O
tanpa O
stemming O
berturut-turut O
sebesar O
96.3 O
% O
dan O
96.2 O
% O
. O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
tersebut I-TEMUAN
maka I-TEMUAN
model I-TEMUAN
ini I-TEMUAN
bisa I-TEMUAN
digunakan I-TEMUAN
untuk I-TEMUAN
memprediksi I-TEMUAN
kesamaan I-TEMUAN
akun I-TEMUAN
toko I-TEMUAN
antar I-TEMUAN
marketplace I-TEMUAN
, I-TEMUAN
sehingga I-TEMUAN
bisa I-TEMUAN
membentuk I-TEMUAN
repositori I-TEMUAN
marketplace I-TEMUAN
untuk I-TEMUAN
penyusunan I-TEMUAN
statistik I-TEMUAN
e-commerce. I-TEMUAN
Kata O
Kunci— O
Marketplace O
, O
algoritma O
kesamaan O
kata O
, O
Levenshtein O
Distance O
, O
Cosine O
Similarity O
, O
regresi O
logistik O
biner. O
[SEP] O
Berdasarkan O
pengujian O
yang O
dilakukan O
, O
terdapat O
empat O
variabel O
yang O
bisa O
digunakan O
untuk O
mengidentifikasi B-METODE
duplikasi I-METODE
berdasarkan O
kesamaan O
akun O
toko O
antar O
marketplace O
yang O
berbeda O
yaitu O
nama O
toko O
, O
etalase O
toko O
, O
deskripsi O
toko O
, O
dan O
nama O
produk. O
Hasil O
matching O
berdasarkan O
nama O
toko O
, O
didapatkan O
bahwa O
dari O
959 O
toko O
yang O
nilai O
Levenshtein B-METODE
Distance I-METODE
maksimal O
1 O
terdapat O
78.94 O
% O
toko O
yang O
dapat O
dipastikan O
kesamaan O
kepemilikannya. O
Adapun O
hasil O
matching O
berdasarkan O
nama O
produk O
, O
etalase O
, O
dan O
deskripsi O
toko O
dengan O
Cosine B-METODE
Similarity I-METODE
memiliki O
persentase O
nilai O
kemiripan O
≥ O
0.5 O
berturut-turut O
sebesar O
57-78 O
% O
, O
30-36 O
% O
, O
dan O
24-26 O
% O
. O
Hasil O
pemodelan O
dengan O
regresi O
logistik O
biner O
diketahui O
bahwa O
variabel O
yang O
memiliki O
pengaruh O
terbesar O
terhadap O
status O
kesamaan O
akun O
toko O
berturut- O
turut O
adalah O
nama O
toko O
, O
nama O
produk O
, O
etalase O
toko O
dan O
deskripsi O
toko. O
Adapun B-TEMUAN
prediksi I-TEMUAN
kesamaan I-TEMUAN
akun I-TEMUAN
toko I-TEMUAN
dengan I-TEMUAN
model I-TEMUAN
tersebut I-TEMUAN
memiliki I-TEMUAN
total I-TEMUAN
akurasi I-TEMUAN
untuk I-TEMUAN
data I-TEMUAN
dengan I-TEMUAN
dan I-TEMUAN
tanpa I-TEMUAN
stemming I-TEMUAN
berturut-turut I-TEMUAN
sebesar I-TEMUAN
96.3 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
96.2 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Terlihat O
bahwa O
perbedaan O
hasil O
untuk O
data O
dengan O
dan O
tanpa O
stemming O
tidak O
jauh O
berbeda O
, O
namun O
dengan O
adanya O
proses O
stemming O
pada O
preprocessing O
data O
dapat O
meningkatkan O
akurasi O
untuk O
prediksi O
kesamaan O
akun O
toko O
walaupun O
stemming O
membutuhkan O
waktu O
dua O
kali O
lipat O
lebih O
lama O
dibandingkan O
tanpa O
stemming. O
Adapun O
evaluasi O
dari O
model O
dengan O
menggunakan O
uji B-TEMUAN
Hosmer I-TEMUAN
and I-TEMUAN
Lemeshow I-TEMUAN
diketahui O
bahwa O
model O
telah O
cukup O
menjelaskan O
data. O
Berdasarkan O
hasil O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
tersebut O
maka O
model O
ini O
bisa O
digunakan O
untuk O
memprediksi O
kesamaan O
akun O
toko O
antar O
marketplace O
yang O
berbeda O
, O
sehingga O
bisa O
membentuk O
repositori O
marketplace O
yang O
berisi O
daftar O
toko O
yang O
unik O
sebagai O
dasar O
untuk O
penyusunan O
statistik O
e- O
commerce. O

Mekanisme O
Identifikasi O
Duplikasi O
Akun O
Toko O
pada O
Pembentukan O
Repositori O
Marketplace O
untuk O
Penyusunan O
Statistik O
E-Commerce O
Dina O
Salsabila O
( O
221709635 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Takdir O
, O
SST. O
, O
M.T. O
Ringkasan— O
Saat O
ini O
BPS O
mulai O
melakukan O
pengumpulan O
data O
marketplace O
untuk O
menggambarkan O
keadaan O
e-commerce O
di O
Indonesia. O
Dalam O
proses O
pengumpulan O
data O
sering O
terjadi O
duplikasi O
data O
akun O
toko O
yang O
mempunyai O
akun O
toko O
lebih O
dari O
satu O
marketplace O
sehingga O
berdampak O
pada O
hasil O
analisis O
data O
marketplace O
menjadi O
bias. O
Untuk O
mengurangi O
duplikasi O
data O
, O
maka O
penelitian O
ini O
mengkaji B-TUJUAN
pengembangan I-TUJUAN
mekanisme I-TUJUAN
untuk I-TUJUAN
mengidentifikasi I-TUJUAN
duplikasi I-TUJUAN
akun I-TUJUAN
toko I-TUJUAN
antar I-TUJUAN
marketplace I-TUJUAN
yang I-TUJUAN
berbeda. I-TUJUAN
Algoritma O
kesamaan O
kata O
yang O
digunakan O
yaitu O
Levenshtein O
Distance O
untuk O
kesamaan O
nama O
toko O
dan O
Cosine O
Similarity O
untuk O
kesamaan O
etalase O
, O
deskripsi O
dan O
nama O
produk. O
Hasil O
pengujian O
dengan O
regresi B-METODE
logistik I-METODE
biner I-METODE
diketahui B-TEMUAN
bahwa I-TEMUAN
variabel I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
pengaruh I-TEMUAN
terbesar I-TEMUAN
terhadap I-TEMUAN
status I-TEMUAN
kesamaan I-TEMUAN
akun I-TEMUAN
toko I-TEMUAN
berturut-turut I-TEMUAN
yaitu I-TEMUAN
nama I-TEMUAN
toko I-TEMUAN
, I-TEMUAN
nama I-TEMUAN
produk I-TEMUAN
, I-TEMUAN
etalase I-TEMUAN
toko I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
deskripsi I-TEMUAN
toko. I-TEMUAN
Hasil O
prediksi O
kesamaan O
akun O
toko O
dengan O
model O
tersebut O
memiliki O
total O
akurasi B-METODE
untuk O
data O
dengan O
dan O
tanpa O
stemming O
berturut-turut O
sebesar O
96.3 O
% O
dan O
96.2 O
% O
. O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
tersebut I-TEMUAN
maka I-TEMUAN
model I-TEMUAN
ini I-TEMUAN
bisa I-TEMUAN
digunakan I-TEMUAN
untuk I-TEMUAN
memprediksi I-TEMUAN
kesamaan I-TEMUAN
akun I-TEMUAN
toko I-TEMUAN
antar I-TEMUAN
marketplace I-TEMUAN
, I-TEMUAN
sehingga I-TEMUAN
bisa I-TEMUAN
membentuk I-TEMUAN
repositori I-TEMUAN
marketplace I-TEMUAN
untuk I-TEMUAN
penyusunan I-TEMUAN
statistik I-TEMUAN
e-commerce. I-TEMUAN
Kata O
Kunci— O
Marketplace O
, O
algoritma O
kesamaan O
kata O
, O
Levenshtein O
Distance O
, O
Cosine O
Similarity O
, O
regresi O
logistik O
biner. O
[SEP] O
Berdasarkan O
pengujian O
yang O
dilakukan O
, O
terdapat O
empat O
variabel O
yang O
bisa O
digunakan O
untuk O
mengidentifikasi B-METODE
duplikasi I-METODE
berdasarkan O
kesamaan O
akun O
toko O
antar O
marketplace O
yang O
berbeda O
yaitu O
nama O
toko O
, O
etalase O
toko O
, O
deskripsi O
toko O
, O
dan O
nama O
produk. O
Hasil O
matching O
berdasarkan O
nama O
toko O
, O
didapatkan O
bahwa O
dari O
959 O
toko O
yang O
nilai O
Levenshtein B-METODE
Distance I-METODE
maksimal O
1 O
terdapat O
78.94 O
% O
toko O
yang O
dapat O
dipastikan O
kesamaan O
kepemilikannya. O
Adapun O
hasil O
matching O
berdasarkan O
nama O
produk O
, O
etalase O
, O
dan O
deskripsi O
toko O
dengan O
Cosine B-METODE
Similarity I-METODE
memiliki O
persentase O
nilai O
kemiripan O
≥ O
0.5 O
berturut-turut O
sebesar O
57-78 O
% O
, O
30-36 O
% O
, O
dan O
24-26 O
% O
. O
Hasil O
pemodelan O
dengan O
regresi O
logistik O
biner O
diketahui O
bahwa O
variabel O
yang O
memiliki O
pengaruh O
terbesar O
terhadap O
status O
kesamaan O
akun O
toko O
berturut- O
turut O
adalah O
nama O
toko O
, O
nama O
produk O
, O
etalase O
toko O
dan O
deskripsi O
toko. O
Adapun B-TEMUAN
prediksi I-TEMUAN
kesamaan I-TEMUAN
akun I-TEMUAN
toko I-TEMUAN
dengan I-TEMUAN
model I-TEMUAN
tersebut I-TEMUAN
memiliki I-TEMUAN
total I-TEMUAN
akurasi I-TEMUAN
untuk I-TEMUAN
data I-TEMUAN
dengan I-TEMUAN
dan I-TEMUAN
tanpa I-TEMUAN
stemming I-TEMUAN
berturut-turut I-TEMUAN
sebesar I-TEMUAN
96.3 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
96.2 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Terlihat O
bahwa O
perbedaan O
hasil O
untuk O
data O
dengan O
dan O
tanpa O
stemming O
tidak O
jauh O
berbeda O
, O
namun O
dengan O
adanya O
proses O
stemming O
pada O
preprocessing O
data O
dapat O
meningkatkan O
akurasi O
untuk O
prediksi O
kesamaan O
akun O
toko O
walaupun O
stemming O
membutuhkan O
waktu O
dua O
kali O
lipat O
lebih O
lama O
dibandingkan O
tanpa O
stemming. O
Adapun O
evaluasi O
dari O
model O
dengan O
menggunakan O
uji B-TEMUAN
Hosmer I-TEMUAN
and I-TEMUAN
Lemeshow I-TEMUAN
diketahui O
bahwa O
model O
telah O
cukup O
menjelaskan O
data. O
Berdasarkan O
hasil O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
tersebut O
maka O
model O
ini O
bisa O
digunakan O
untuk O
memprediksi O
kesamaan O
akun O
toko O
antar O
marketplace O
yang O
berbeda O
, O
sehingga O
bisa O
membentuk O
repositori O
marketplace O
yang O
berisi O
daftar O
toko O
yang O
unik O
sebagai O
dasar O
untuk O
penyusunan O
statistik O
e- O
commerce. O

Mekanisme O
Identifikasi O
Duplikasi O
Akun O
Toko O
pada O
Pembentukan O
Repositori O
Marketplace O
untuk O
Penyusunan O
Statistik O
E-Commerce O
Dina O
Salsabila O
( O
221709635 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Takdir O
, O
SST. O
, O
M.T. O
Ringkasan— O
Saat O
ini O
BPS O
mulai O
melakukan O
pengumpulan O
data O
marketplace O
untuk O
menggambarkan O
keadaan O
e-commerce O
di O
Indonesia. O
Dalam O
proses O
pengumpulan O
data O
sering O
terjadi O
duplikasi O
data O
akun O
toko O
yang O
mempunyai O
akun O
toko O
lebih O
dari O
satu O
marketplace O
sehingga O
berdampak O
pada O
hasil O
analisis O
data O
marketplace O
menjadi O
bias. O
Untuk O
mengurangi O
duplikasi O
data O
, O
maka O
penelitian O
ini O
mengkaji B-TUJUAN
pengembangan I-TUJUAN
mekanisme I-TUJUAN
untuk I-TUJUAN
mengidentifikasi I-TUJUAN
duplikasi I-TUJUAN
akun I-TUJUAN
toko I-TUJUAN
antar I-TUJUAN
marketplace I-TUJUAN
yang I-TUJUAN
berbeda. I-TUJUAN
Algoritma O
kesamaan O
kata O
yang O
digunakan O
yaitu O
Levenshtein O
Distance O
untuk O
kesamaan O
nama O
toko O
dan O
Cosine O
Similarity O
untuk O
kesamaan O
etalase O
, O
deskripsi O
dan O
nama O
produk. O
Hasil O
pengujian O
dengan O
regresi B-METODE
logistik I-METODE
biner I-METODE
diketahui B-TEMUAN
bahwa I-TEMUAN
variabel I-TEMUAN
yang I-TEMUAN
memiliki I-TEMUAN
pengaruh I-TEMUAN
terbesar I-TEMUAN
terhadap I-TEMUAN
status I-TEMUAN
kesamaan I-TEMUAN
akun I-TEMUAN
toko I-TEMUAN
berturut-turut I-TEMUAN
yaitu I-TEMUAN
nama I-TEMUAN
toko I-TEMUAN
, I-TEMUAN
nama I-TEMUAN
produk I-TEMUAN
, I-TEMUAN
etalase I-TEMUAN
toko I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
deskripsi I-TEMUAN
toko. I-TEMUAN
Hasil O
prediksi O
kesamaan O
akun O
toko O
dengan O
model O
tersebut O
memiliki O
total O
akurasi B-METODE
untuk O
data O
dengan O
dan O
tanpa O
stemming O
berturut-turut O
sebesar O
96.3 O
% O
dan O
96.2 O
% O
. O
Berdasarkan B-TEMUAN
hasil I-TEMUAN
tersebut I-TEMUAN
maka I-TEMUAN
model I-TEMUAN
ini I-TEMUAN
bisa I-TEMUAN
digunakan I-TEMUAN
untuk I-TEMUAN
memprediksi I-TEMUAN
kesamaan I-TEMUAN
akun I-TEMUAN
toko I-TEMUAN
antar I-TEMUAN
marketplace I-TEMUAN
, I-TEMUAN
sehingga I-TEMUAN
bisa I-TEMUAN
membentuk I-TEMUAN
repositori I-TEMUAN
marketplace I-TEMUAN
untuk I-TEMUAN
penyusunan I-TEMUAN
statistik I-TEMUAN
e-commerce. I-TEMUAN
Kata O
Kunci— O
Marketplace O
, O
algoritma O
kesamaan O
kata O
, O
Levenshtein O
Distance O
, O
Cosine O
Similarity O
, O
regresi O
logistik O
biner. O
[SEP] O
Berdasarkan O
pengujian O
yang O
dilakukan O
, O
terdapat O
empat O
variabel O
yang O
bisa O
digunakan O
untuk O
mengidentifikasi B-METODE
duplikasi I-METODE
berdasarkan O
kesamaan O
akun O
toko O
antar O
marketplace O
yang O
berbeda O
yaitu O
nama O
toko O
, O
etalase O
toko O
, O
deskripsi O
toko O
, O
dan O
nama O
produk. O
Hasil O
matching O
berdasarkan O
nama O
toko O
, O
didapatkan O
bahwa O
dari O
959 O
toko O
yang O
nilai O
Levenshtein B-METODE
Distance I-METODE
maksimal O
1 O
terdapat O
78.94 O
% O
toko O
yang O
dapat O
dipastikan O
kesamaan O
kepemilikannya. O
Adapun O
hasil O
matching O
berdasarkan O
nama O
produk O
, O
etalase O
, O
dan O
deskripsi O
toko O
dengan O
Cosine B-METODE
Similarity I-METODE
memiliki O
persentase O
nilai O
kemiripan O
≥ O
0.5 O
berturut-turut O
sebesar O
57-78 O
% O
, O
30-36 O
% O
, O
dan O
24-26 O
% O
. O
Hasil O
pemodelan O
dengan O
regresi O
logistik O
biner O
diketahui O
bahwa O
variabel O
yang O
memiliki O
pengaruh O
terbesar O
terhadap O
status O
kesamaan O
akun O
toko O
berturut- O
turut O
adalah O
nama O
toko O
, O
nama O
produk O
, O
etalase O
toko O
dan O
deskripsi O
toko. O
Adapun B-TEMUAN
prediksi I-TEMUAN
kesamaan I-TEMUAN
akun I-TEMUAN
toko I-TEMUAN
dengan I-TEMUAN
model I-TEMUAN
tersebut I-TEMUAN
memiliki I-TEMUAN
total I-TEMUAN
akurasi I-TEMUAN
untuk I-TEMUAN
data I-TEMUAN
dengan I-TEMUAN
dan I-TEMUAN
tanpa I-TEMUAN
stemming I-TEMUAN
berturut-turut I-TEMUAN
sebesar I-TEMUAN
96.3 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
96.2 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Terlihat O
bahwa O
perbedaan O
hasil O
untuk O
data O
dengan O
dan O
tanpa O
stemming O
tidak O
jauh O
berbeda O
, O
namun O
dengan O
adanya O
proses O
stemming O
pada O
preprocessing O
data O
dapat O
meningkatkan O
akurasi O
untuk O
prediksi O
kesamaan O
akun O
toko O
walaupun O
stemming O
membutuhkan O
waktu O
dua O
kali O
lipat O
lebih O
lama O
dibandingkan O
tanpa O
stemming. O
Adapun O
evaluasi O
dari O
model O
dengan O
menggunakan O
uji B-TEMUAN
Hosmer I-TEMUAN
and I-TEMUAN
Lemeshow I-TEMUAN
diketahui O
bahwa O
model O
telah O
cukup O
menjelaskan O
data. O
Berdasarkan O
hasil O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
tersebut O
maka O
model O
ini O
bisa O
digunakan O
untuk O
memprediksi O
kesamaan O
akun O
toko O
antar O
marketplace O
yang O
berbeda O
, O
sehingga O
bisa O
membentuk O
repositori O
marketplace O
yang O
berisi O
daftar O
toko O
yang O
unik O
sebagai O
dasar O
untuk O
penyusunan O
statistik O
e- O
commerce. O

SENTIMEN O
DAN O
TOPIK O
PEMBICARAAN O
PUBLIK O
TERHADAP O
PROGRAM O
PSBB O
DAN O
PPKM O
: O
STUDI O
KASUS O
PENGGUNA O
TWITTER O
Deni O
Rahmat O
Ramdhani O
( O
221709613 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I. O
Ringkasan— O
Pemerintah O
Indonesia O
menerapkan O
kebijakan O
untuk O
menekan O
angka O
penyebaran O
COVID-19 O
, O
yaitu O
dengan O
kebijakan O
PPSB O
dan O
PPKM. O
Indikator O
kesuksesan O
tidak O
dapat O
sepenuhnya O
dilihat O
dari O
angka O
statistik O
, O
penilaian O
tersebut O
juga O
mempertimbangkan O
masukan O
, O
diantaranya O
adalah O
dengan O
melihat O
respon O
dan O
opini O
masyarakat O
terhadap O
program O
tersebut. O
Penelitian O
ini O
mengekstraksi B-TUJUAN
informasi I-TUJUAN
mengenai I-TUJUAN
Kebijakan I-TUJUAN
PSBB I-TUJUAN
dan I-TUJUAN
PPKM I-TUJUAN
pada I-TUJUAN
media I-TUJUAN
sosial I-TUJUAN
Twitter I-TUJUAN
dengan I-TUJUAN
pendekatan I-TUJUAN
analisis I-TUJUAN
sentimen I-TUJUAN
menggunakan O
metode O
Multinomial O
Naïve O
Bayes O
untuk O
klasifikasi B-METODE
persepsi O
masyarakat O
dan O
Topic B-METODE
Modelling I-METODE
menggunakan O
metode O
Latent O
Dirichlet O
Allocation O
( O
LDA O
) O
untuk O
menentukan O
jumlah O
topik O
yang O
dibahas O
masyarakat O
beserta O
kata O
kuncinya. O
Meskipun B-TEMUAN
tweet I-TEMUAN
pada I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
didominasi I-TEMUAN
oleh I-TEMUAN
sentimen I-TEMUAN
netral I-TEMUAN
, I-TEMUAN
namun I-TEMUAN
diketahui I-TEMUAN
bahwasannya I-TEMUAN
sentimen I-TEMUAN
negatif I-TEMUAN
lebih I-TEMUAN
banyak I-TEMUAN
daripada I-TEMUAN
sentimen I-TEMUAN
positif. I-TEMUAN
Model O
klasifikasi O
yang O
terbentuk O
dari O
Multinomial O
Naïve O
Bayes O
adalah O
sebesar O
58,3 O
% O
dan O
topik O
yang O
terbentuk O
adalah O
sebanyak O
3 O
topik. O
Kata O
Kunci— O
COVID-19 O
, O
PPSB O
, O
PPKM O
, O
Sentimen O
, O
Topic O
Modelling O
[SEP] O
Berdasarkan O
hasil O
pembahasan O
pada O
bab O
sebelumnya O
, O
telah O
dilakukan O
analisis B-METODE
sentimen I-METODE
dan O
topic B-METODE
modelling I-METODE
mengenai O
Penerapan O
Kebijakan O
PSBB O
dan O
PPKM O
pada O
data O
twitter O
di O
bulan O
januari O
dan O
februari. O
Sehingga O
didapatkan O
kesimpulan O
sebagai O
berikut O
: O
1. O
Pengumpulan O
data O
sentimen O
publik O
di O
twitter O
dilakukan O
dengan O
menggunakan O
metode B-METODE
scraping I-METODE
dengan O
package O
twint O
pada O
python. O
Kemudian O
dilakukan O
tahapan O
manual O
labelling O
dan O
preprocessing O
, O
sehingga O
data B-TEMUAN
akhir I-TEMUAN
berjumlah I-TEMUAN
53.764 I-TEMUAN
data I-TEMUAN
, I-TEMUAN
terdapat I-TEMUAN
32.614 I-TEMUAN
tweet I-TEMUAN
( I-TEMUAN
60,6 I-TEMUAN
% I-TEMUAN
) I-TEMUAN
yang I-TEMUAN
berlabel I-TEMUAN
netral I-TEMUAN
( I-TEMUAN
label I-TEMUAN
0 I-TEMUAN
) I-TEMUAN
, I-TEMUAN
9.689 I-TEMUAN
tweet I-TEMUAN
( I-TEMUAN
18 I-TEMUAN
% I-TEMUAN
) I-TEMUAN
berlabel I-TEMUAN
Positif I-TEMUAN
( I-TEMUAN
label I-TEMUAN
1 I-TEMUAN
) I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
11.461 I-TEMUAN
tweet I-TEMUAN
( I-TEMUAN
21,4 I-TEMUAN
% I-TEMUAN
) I-TEMUAN
berlabel I-TEMUAN
negatif I-TEMUAN
( I-TEMUAN
label I-TEMUAN
2 I-TEMUAN
) I-TEMUAN
. I-TEMUAN
2. O
Model O
dari O
sentimen O
publik O
dengan O
Multinomial O
Naïve O
Bayes O
classifier O
menghasilkan O
akurasi O
sebesar O
58,3 O
% O
. O
3. O
Hasil B-TEMUAN
dari I-TEMUAN
analisis I-TEMUAN
topic I-TEMUAN
modelling I-TEMUAN
dengan I-TEMUAN
metode I-TEMUAN
LDA I-TEMUAN
topik I-TEMUAN
dengan I-TEMUAN
diperoleh I-TEMUAN
jumlah I-TEMUAN
coherence I-TEMUAN
score I-TEMUAN
sebesar I-TEMUAN
0.536. I-TEMUAN
Topik O
yang O
dihasilkan O
yaitu O
sebagai O
berikut O
: O
a O
) O
Topik O
1 O
: O
Pembatasan O
kebijakan O
PPKM. O
topik O
sebanyak O
3 O
Kata O
kunci O
: O
“ppkm” O
, O
“covid” O
, O
“batas” O
, O
”tekan” O
dan O
“masyarakat”. O
b O
) O
Topik O
2 O
: O
Penilaian O
masyarakat O
terhadap O
kebijakan O
PSBB O
dan O
PPKM. O
Kata O
kunci O
: O
“gagal” O
, O
“jam” O
, O
“ganti” O
, O
”rakyat” O
dan O
“tutup”. O
c O
) O
Topik O
3 O
: O
Perpanjangan O
tanggal O
pelaksanaan O
kebijakan O
PPKM O
Mikro. O
Kata O
kunci O
: O
“mikro” O
, O
“rumah” O
, O
“kota” O
, O
”panjang” O
, O
dan O
“tanggal”. O
Dalam O
penelitian O
ini O
masih O
banyak O
yang O
harus O
diperbaiki O
dan O
dikembangkan O
lagi. O
Berikut O
beberapa O
saran O
untuk O
penelitian O
ini O
: O
1. O
Pada O
penelitian O
ini O
, O
tahapan O
manual O
labelling O
dilakukan O
oleh O
3 O
orang. O
Namun O
terdapat O
kekurangan O
pada O
saat O
pemberian O
label O
karena O
adanya O
penilaian O
subjektif O
masing- O
masing O
yang O
berbeda O
, O
sehingga O
kemungkinan O
terjadi O
adanya O
pemberian O
label O
yang O
berbeda O
pada O
tweet O
yang O
sejenis. O
Oleh O
karena O
itu O
, O
pada O
penelitian O
selanjutnya O
perlu O
dilakukan O
penyamaan O
pemahaman O
terkait O
sentimen O
netral O
, O
positif O
, O
dan O
negatif O
, O
jika O
dalam O
tahap O
manual O
labelling O
dilakukan O
lebih O
dari O
1 O
orang. O
2. O
Pada O
penelitian O
ini O
, O
metode O
klasifikasi O
yang O
digunakan O
pada O
analisis O
sentimen O
hanya O
menggunakan O
Naïve O
Bayes O
classifier O
, O
namun O
metode O
ini O
tidak O
memberikan O
hasil O
akurasi O
yang O
optimal O
, O
yaitu O
58,3 O
% O
. O
Oleh O
karena O
itu O
, O
pada O
penelitian O
selanjutnya O
dapat O
melakukan O
perbandingan O
metode O
analisis O
sentimen O
dengan O
algoritma O
selain O
Naïve O
9 O
/ O
10 O
Gambar O
11. O
Kata O
yang O
relevan O
untuk O
topik O
3 O
Berdasarkan O
Gambar O
11 O
, O
kata O
yang O
paling O
sering O
muncul O
untuk O
topik O
3 O
ini O
adalah O
“mikro” O
, O
“rumah” O
, O
“kota” O
, O
”panjang” O
, O
“tanggal” O
dan O
“surabaya”. O
Kata O
“mikro” O
, O
“rumah” O
, O
“kota” O
, O
dan O
“surabaya” O
dapat O
mengindikasikan O
pembicaraan O
masyarakat O
tentang O
kebijakan O
PPKM O
berskala O
mikro O
di O
kota O
surabaya O
dan O
beberapa O
kota O
kisaran O
jawa O
lainnya O
, O
mengingat O
ini O
pertama O
kali O
diterapkan O
di O
pulau O
jawa O
dan O
bali. O
Kata O
”panjang” O
dan O
“tanggal” O
dapat O
mengindikasikan O
suatu O
sentimen O
masyarakat O
tentang O
pelaksanaan O
kebijakan O
ini O
, O
mengingat O
pada O
rentang O
waktu O
januari O
dan O
februari O
telah O
dilaksanakan O
2 O
kali O
kebijakan O
PPKM. O
TABEL O
12 O
CONTOH O
TWEET O
TOPIK O
3 O
tweet O
Udah O
psbb O
gausah O
diperpanjang2 O
perbulan O
pertanggal O
berapa. O
Langsung O
aja O
terus O
terang O
perpanjang O
berapa O
tahun. O
Biar O
jls. O
pgn O
pulang O
kerumah O
tp O
punya O
keluarga O
begini. O
ga O
pulang O
krumah O
psbb O
di O
perpanjang O
terus O
hidup O
dkosan O
terbatas O
Tiba2 O
ppkm O
, O
tiba2 O
penutupan O
tiba2 O
perpanjangan O
ppkm O
/ O
psbb O
, O
tiba2 O
dirumah O
saja O
2hari O
, O
tiba22222222 O
... O
... O
. O
cuma O
mempersulit O
mobilitas O
& O
amp O
Sedih O
wakk O
, O
ketika O
lu O
bisanya O
produktif O
di O
luar O
rumah O
trus O
di O
batasi O
dong O
jam O
malamnya. O
Eh O
ini O
malah O
di O
perpanjang O
psbb O
nya O
: O
" O
jalan O
, O
tiba2 O
psbb O
berjilid2 O
, O
Tabel O
12 O
merupakan O
contoh O
tweet O
yang O
merepresentasikan O
kata O
kunci O
yang O
terdapat O
pada O
topik O
ini. O
Pada O
topik O
3 O
ini O
memiliki O
proporsi O
yang O
terendah O
, O
yaitu O
sebesar O
14,6 O
% O
kata. O
Meskipun O
tweet O
pada O
penelitian O
ini O
didominasi O
oleh O
sentimen O
netral O
, O
namun O
dapat O
dilihat O
bahwasannya O
sentimen O
negatif O
lebih O
banyak O
daripada O
sentimen O
positif. O
Dan O
juga O
secara O
keseluruhan O
, O
topik O
yang O
dihasilkan O
tersebut O
lebih O
banyak O
mengandung O
kata-kata O
yang O
paling O
sering O
muncul O
pada O
sentimen O
negatif. O
Hal O
tersebut O
dibuktikan O
dengan O
adanya O
lampiran O
contoh O
tweet. O
Sehingga O
perlu O
adanya O
evaluasi O
pemerintah O
dalam O
menerapkan O
kebijkan O
PSBB O
dan O
PPKM O
, O
mengingat O
banyak O
aspek O
yang O
perlu O
diperhatikan O
selain O
daripada O
kesehatan O
, O
terutama O
pada O
aspek O
ekonomi O
dan O
pendidikan. O
Misalnya O
dengan O
contoh O
tweet O
“ O
@ O
KhofifahIP O
PPKM O
gak O
usah O
diterusin O
buk O
, O
kasihan O
yg O
jualan O
malam O
, O
berharap O
dapat O
satu O
atau O
dua O
pelanggan O
sekarang O
malah O
harus O
tutup O
lebih O
awal” O
, O
dapat O
mengindikasikan O
adanya O
keluhan O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
14 O
] O
[ O
15 O
] O
[ O
16 O
] O
[ O
17 O
] O
[ O
18 O
] O
media O
data O
, O
” O
J. O
Public O
Transp. O
, O
vol. O
16 O
, O
no. O
2 O
, O
pp. O
21–45 O
, O
2013 O
, O
doi O
: O
10.5038 O
/ O
2375-0901.16.2.2. O
A. O
R. O
Susanti O
, O
T. O
Djatna O
, O
and O
W. O
A. O
Kusuma O
, O
“Twitter’s O
sentiment O
analysis O
on O
GSM O
services O
using O
Multinomial O
Naïve O
Bayes O
, O
” O
Telkomnika O
( O
Telecommunication O
Comput. O
Electron. O
Control. O
, O
vol. O
15 O
, O
no. O
3 O
, O
pp. O
1354–1361 O
, O
2017 O
, O
doi O
: O
10.12928 O
/ O
TELKOMNIKA.v15i3.4284. O
K. O
Garcia O
and O
L. O
Berton O
, O
“Topic O
detection O
and O
sentiment O
analysis O
in O
Twitter O
content O
related O
to O
COVID-19 O
from O
Brazil O
and O
the O
USA O
, O
” O
Appl. O
Soft O
Comput. O
, O
vol. O
101 O
, O
p. O
107057 O
, O
2021 O
, O
doi O
: O
10.1016 O
/ O
j.asoc.2020.107057. O
Zacharias O
, O
C. O
, O
“TWINT O
- O
Twitter O
Intelligence O
Tool O
, O
” O
github.com O
, O
2019. O
https O
: O
/ O
/ O
github.com O
/ O
twintproject O
/ O
twint O
( O
accessed O
Mar. O
20 O
, O
2021 O
) O
. O
Pedregosa O
et O
al. O
, O
“Scikit-learn O
: O
Machine O
Learning O
in O
Python O
, O
” O
scikit- O
learn.org O
, O
2011. O
https O
: O
/ O
/ O
scikit- O
learn.org O
/ O
stable O
/ O
modules O
/ O
generated O
/ O
sklearn.naive_bayes.Multinomia O
lNB.html O
( O
accessed O
Mar. O
20 O
, O
2021 O
) O
. O
Ben O
Mabey O
, O
“Welcome O
to O
pyLDAvis’s O
documentation O
! O
, O
” O
pyldavis.readthedocs.io O
, O
2015. O
https O
: O
/ O
/ O
pyldavis.readthedocs.io O
/ O
en O
/ O
latest O
/ O
( O
accessed O
Mar. O
10 O
, O
2021 O
) O
. O
Bayes O
classifier O
, O
agar O
dapat O
mengetahui O
metode O
mana O
yang O
lebih O
baik O
digunakan. O
3. O
Pada O
penelitian O
ini O
, O
tweet O
yang O
bersifat O
netral O
terlalu O
mendominasi O
, O
dan O
tweet O
netral O
ini O
juga O
disertakan O
saat O
tahapan O
topic O
modelling O
, O
sehingga O
topik O
pembicaraan O
yang O
terbentuk O
kurang O
spesifik O
karena O
banyaknya O
tweet O
yang O
berupa O
berita O
atau O
yang O
bersifat O
netral. O
Oleh O
karena O
itu O
, O
tahapan O
topic O
modelling O
pada O
penelitian O
selanjutnya O
diharapkan O
dapat O
fokus O
pada O
sentimen O
positif O
dan O
negatif O
saja O
, O
agar O
dapat O
mengetahui O
topik O
pembicaraan O
dan O
bisa O
menjadi O
bahan O
perbaikan O
dari O
evaluasi O
tersebut. O
lebih O
spesifik O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O

SENTIMEN O
DAN O
TOPIK O
PEMBICARAAN O
PUBLIK O
TERHADAP O
PROGRAM O
PSBB O
DAN O
PPKM O
: O
STUDI O
KASUS O
PENGGUNA O
TWITTER O
Deni O
Rahmat O
Ramdhani O
( O
221709613 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I. O
Ringkasan— O
Pemerintah O
Indonesia O
menerapkan O
kebijakan O
untuk O
menekan O
angka O
penyebaran O
COVID-19 O
, O
yaitu O
dengan O
kebijakan O
PPSB O
dan O
PPKM. O
Indikator O
kesuksesan O
tidak O
dapat O
sepenuhnya O
dilihat O
dari O
angka O
statistik O
, O
penilaian O
tersebut O
juga O
mempertimbangkan O
masukan O
, O
diantaranya O
adalah O
dengan O
melihat O
respon O
dan O
opini O
masyarakat O
terhadap O
program O
tersebut. O
Penelitian O
ini O
mengekstraksi B-TUJUAN
informasi I-TUJUAN
mengenai I-TUJUAN
Kebijakan I-TUJUAN
PSBB I-TUJUAN
dan I-TUJUAN
PPKM I-TUJUAN
pada I-TUJUAN
media I-TUJUAN
sosial I-TUJUAN
Twitter I-TUJUAN
dengan I-TUJUAN
pendekatan I-TUJUAN
analisis I-TUJUAN
sentimen I-TUJUAN
menggunakan O
metode O
Multinomial O
Naïve O
Bayes O
untuk O
klasifikasi B-METODE
persepsi O
masyarakat O
dan O
Topic B-METODE
Modelling I-METODE
menggunakan O
metode O
Latent O
Dirichlet O
Allocation O
( O
LDA O
) O
untuk O
menentukan O
jumlah O
topik O
yang O
dibahas O
masyarakat O
beserta O
kata O
kuncinya. O
Meskipun B-TEMUAN
tweet I-TEMUAN
pada I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
didominasi I-TEMUAN
oleh I-TEMUAN
sentimen I-TEMUAN
netral I-TEMUAN
, I-TEMUAN
namun I-TEMUAN
diketahui I-TEMUAN
bahwasannya I-TEMUAN
sentimen I-TEMUAN
negatif I-TEMUAN
lebih I-TEMUAN
banyak I-TEMUAN
daripada I-TEMUAN
sentimen I-TEMUAN
positif. I-TEMUAN
Model O
klasifikasi O
yang O
terbentuk O
dari O
Multinomial O
Naïve O
Bayes O
adalah O
sebesar O
58,3 O
% O
dan O
topik O
yang O
terbentuk O
adalah O
sebanyak O
3 O
topik. O
Kata O
Kunci— O
COVID-19 O
, O
PPSB O
, O
PPKM O
, O
Sentimen O
, O
Topic O
Modelling O
[SEP] O
Berdasarkan O
hasil O
pembahasan O
pada O
bab O
sebelumnya O
, O
telah O
dilakukan O
analisis B-METODE
sentimen I-METODE
dan O
topic B-METODE
modelling I-METODE
mengenai O
Penerapan O
Kebijakan O
PSBB O
dan O
PPKM O
pada O
data O
twitter O
di O
bulan O
januari O
dan O
februari. O
Sehingga O
didapatkan O
kesimpulan O
sebagai O
berikut O
: O
1. O
Pengumpulan O
data O
sentimen O
publik O
di O
twitter O
dilakukan O
dengan O
menggunakan O
metode B-METODE
scraping I-METODE
dengan O
package O
twint O
pada O
python. O
Kemudian O
dilakukan O
tahapan O
manual O
labelling O
dan O
preprocessing O
, O
sehingga O
data B-TEMUAN
akhir I-TEMUAN
berjumlah I-TEMUAN
53.764 I-TEMUAN
data I-TEMUAN
, I-TEMUAN
terdapat I-TEMUAN
32.614 I-TEMUAN
tweet I-TEMUAN
( I-TEMUAN
60,6 I-TEMUAN
% I-TEMUAN
) I-TEMUAN
yang I-TEMUAN
berlabel I-TEMUAN
netral I-TEMUAN
( I-TEMUAN
label I-TEMUAN
0 I-TEMUAN
) I-TEMUAN
, I-TEMUAN
9.689 I-TEMUAN
tweet I-TEMUAN
( I-TEMUAN
18 I-TEMUAN
% I-TEMUAN
) I-TEMUAN
berlabel I-TEMUAN
Positif I-TEMUAN
( I-TEMUAN
label I-TEMUAN
1 I-TEMUAN
) I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
11.461 I-TEMUAN
tweet I-TEMUAN
( I-TEMUAN
21,4 I-TEMUAN
% I-TEMUAN
) I-TEMUAN
berlabel I-TEMUAN
negatif I-TEMUAN
( I-TEMUAN
label I-TEMUAN
2 I-TEMUAN
) I-TEMUAN
. I-TEMUAN
2. O
Model O
dari O
sentimen O
publik O
dengan O
Multinomial O
Naïve O
Bayes O
classifier O
menghasilkan O
akurasi O
sebesar O
58,3 O
% O
. O
3. O
Hasil B-TEMUAN
dari I-TEMUAN
analisis I-TEMUAN
topic I-TEMUAN
modelling I-TEMUAN
dengan I-TEMUAN
metode I-TEMUAN
LDA I-TEMUAN
topik I-TEMUAN
dengan I-TEMUAN
diperoleh I-TEMUAN
jumlah I-TEMUAN
coherence I-TEMUAN
score I-TEMUAN
sebesar I-TEMUAN
0.536. I-TEMUAN
Topik O
yang O
dihasilkan O
yaitu O
sebagai O
berikut O
: O
a O
) O
Topik O
1 O
: O
Pembatasan O
kebijakan O
PPKM. O
topik O
sebanyak O
3 O
Kata O
kunci O
: O
“ppkm” O
, O
“covid” O
, O
“batas” O
, O
”tekan” O
dan O
“masyarakat”. O
b O
) O
Topik O
2 O
: O
Penilaian O
masyarakat O
terhadap O
kebijakan O
PSBB O
dan O
PPKM. O
Kata O
kunci O
: O
“gagal” O
, O
“jam” O
, O
“ganti” O
, O
”rakyat” O
dan O
“tutup”. O
c O
) O
Topik O
3 O
: O
Perpanjangan O
tanggal O
pelaksanaan O
kebijakan O
PPKM O
Mikro. O
Kata O
kunci O
: O
“mikro” O
, O
“rumah” O
, O
“kota” O
, O
”panjang” O
, O
dan O
“tanggal”. O
Dalam O
penelitian O
ini O
masih O
banyak O
yang O
harus O
diperbaiki O
dan O
dikembangkan O
lagi. O
Berikut O
beberapa O
saran O
untuk O
penelitian O
ini O
: O
1. O
Pada O
penelitian O
ini O
, O
tahapan O
manual O
labelling O
dilakukan O
oleh O
3 O
orang. O
Namun O
terdapat O
kekurangan O
pada O
saat O
pemberian O
label O
karena O
adanya O
penilaian O
subjektif O
masing- O
masing O
yang O
berbeda O
, O
sehingga O
kemungkinan O
terjadi O
adanya O
pemberian O
label O
yang O
berbeda O
pada O
tweet O
yang O
sejenis. O
Oleh O
karena O
itu O
, O
pada O
penelitian O
selanjutnya O
perlu O
dilakukan O
penyamaan O
pemahaman O
terkait O
sentimen O
netral O
, O
positif O
, O
dan O
negatif O
, O
jika O
dalam O
tahap O
manual O
labelling O
dilakukan O
lebih O
dari O
1 O
orang. O
2. O
Pada O
penelitian O
ini O
, O
metode O
klasifikasi O
yang O
digunakan O
pada O
analisis O
sentimen O
hanya O
menggunakan O
Naïve O
Bayes O
classifier O
, O
namun O
metode O
ini O
tidak O
memberikan O
hasil O
akurasi O
yang O
optimal O
, O
yaitu O
58,3 O
% O
. O
Oleh O
karena O
itu O
, O
pada O
penelitian O
selanjutnya O
dapat O
melakukan O
perbandingan O
metode O
analisis O
sentimen O
dengan O
algoritma O
selain O
Naïve O
9 O
/ O
10 O
Gambar O
11. O
Kata O
yang O
relevan O
untuk O
topik O
3 O
Berdasarkan O
Gambar O
11 O
, O
kata O
yang O
paling O
sering O
muncul O
untuk O
topik O
3 O
ini O
adalah O
“mikro” O
, O
“rumah” O
, O
“kota” O
, O
”panjang” O
, O
“tanggal” O
dan O
“surabaya”. O
Kata O
“mikro” O
, O
“rumah” O
, O
“kota” O
, O
dan O
“surabaya” O
dapat O
mengindikasikan O
pembicaraan O
masyarakat O
tentang O
kebijakan O
PPKM O
berskala O
mikro O
di O
kota O
surabaya O
dan O
beberapa O
kota O
kisaran O
jawa O
lainnya O
, O
mengingat O
ini O
pertama O
kali O
diterapkan O
di O
pulau O
jawa O
dan O
bali. O
Kata O
”panjang” O
dan O
“tanggal” O
dapat O
mengindikasikan O
suatu O
sentimen O
masyarakat O
tentang O
pelaksanaan O
kebijakan O
ini O
, O
mengingat O
pada O
rentang O
waktu O
januari O
dan O
februari O
telah O
dilaksanakan O
2 O
kali O
kebijakan O
PPKM. O
TABEL O
12 O
CONTOH O
TWEET O
TOPIK O
3 O
tweet O
Udah O
psbb O
gausah O
diperpanjang2 O
perbulan O
pertanggal O
berapa. O
Langsung O
aja O
terus O
terang O
perpanjang O
berapa O
tahun. O
Biar O
jls. O
pgn O
pulang O
kerumah O
tp O
punya O
keluarga O
begini. O
ga O
pulang O
krumah O
psbb O
di O
perpanjang O
terus O
hidup O
dkosan O
terbatas O
Tiba2 O
ppkm O
, O
tiba2 O
penutupan O
tiba2 O
perpanjangan O
ppkm O
/ O
psbb O
, O
tiba2 O
dirumah O
saja O
2hari O
, O
tiba22222222 O
... O
... O
. O
cuma O
mempersulit O
mobilitas O
& O
amp O
Sedih O
wakk O
, O
ketika O
lu O
bisanya O
produktif O
di O
luar O
rumah O
trus O
di O
batasi O
dong O
jam O
malamnya. O
Eh O
ini O
malah O
di O
perpanjang O
psbb O
nya O
: O
" O
jalan O
, O
tiba2 O
psbb O
berjilid2 O
, O
Tabel O
12 O
merupakan O
contoh O
tweet O
yang O
merepresentasikan O
kata O
kunci O
yang O
terdapat O
pada O
topik O
ini. O
Pada O
topik O
3 O
ini O
memiliki O
proporsi O
yang O
terendah O
, O
yaitu O
sebesar O
14,6 O
% O
kata. O
Meskipun O
tweet O
pada O
penelitian O
ini O
didominasi O
oleh O
sentimen O
netral O
, O
namun O
dapat O
dilihat O
bahwasannya O
sentimen O
negatif O
lebih O
banyak O
daripada O
sentimen O
positif. O
Dan O
juga O
secara O
keseluruhan O
, O
topik O
yang O
dihasilkan O
tersebut O
lebih O
banyak O
mengandung O
kata-kata O
yang O
paling O
sering O
muncul O
pada O
sentimen O
negatif. O
Hal O
tersebut O
dibuktikan O
dengan O
adanya O
lampiran O
contoh O
tweet. O
Sehingga O
perlu O
adanya O
evaluasi O
pemerintah O
dalam O
menerapkan O
kebijkan O
PSBB O
dan O
PPKM O
, O
mengingat O
banyak O
aspek O
yang O
perlu O
diperhatikan O
selain O
daripada O
kesehatan O
, O
terutama O
pada O
aspek O
ekonomi O
dan O
pendidikan. O
Misalnya O
dengan O
contoh O
tweet O
“ O
@ O
KhofifahIP O
PPKM O
gak O
usah O
diterusin O
buk O
, O
kasihan O
yg O
jualan O
malam O
, O
berharap O
dapat O
satu O
atau O
dua O
pelanggan O
sekarang O
malah O
harus O
tutup O
lebih O
awal” O
, O
dapat O
mengindikasikan O
adanya O
keluhan O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
[ O
14 O
] O
[ O
15 O
] O
[ O
16 O
] O
[ O
17 O
] O
[ O
18 O
] O
media O
data O
, O
” O
J. O
Public O
Transp. O
, O
vol. O
16 O
, O
no. O
2 O
, O
pp. O
21–45 O
, O
2013 O
, O
doi O
: O
10.5038 O
/ O
2375-0901.16.2.2. O
A. O
R. O
Susanti O
, O
T. O
Djatna O
, O
and O
W. O
A. O
Kusuma O
, O
“Twitter’s O
sentiment O
analysis O
on O
GSM O
services O
using O
Multinomial O
Naïve O
Bayes O
, O
” O
Telkomnika O
( O
Telecommunication O
Comput. O
Electron. O
Control. O
, O
vol. O
15 O
, O
no. O
3 O
, O
pp. O
1354–1361 O
, O
2017 O
, O
doi O
: O
10.12928 O
/ O
TELKOMNIKA.v15i3.4284. O
K. O
Garcia O
and O
L. O
Berton O
, O
“Topic O
detection O
and O
sentiment O
analysis O
in O
Twitter O
content O
related O
to O
COVID-19 O
from O
Brazil O
and O
the O
USA O
, O
” O
Appl. O
Soft O
Comput. O
, O
vol. O
101 O
, O
p. O
107057 O
, O
2021 O
, O
doi O
: O
10.1016 O
/ O
j.asoc.2020.107057. O
Zacharias O
, O
C. O
, O
“TWINT O
- O
Twitter O
Intelligence O
Tool O
, O
” O
github.com O
, O
2019. O
https O
: O
/ O
/ O
github.com O
/ O
twintproject O
/ O
twint O
( O
accessed O
Mar. O
20 O
, O
2021 O
) O
. O
Pedregosa O
et O
al. O
, O
“Scikit-learn O
: O
Machine O
Learning O
in O
Python O
, O
” O
scikit- O
learn.org O
, O
2011. O
https O
: O
/ O
/ O
scikit- O
learn.org O
/ O
stable O
/ O
modules O
/ O
generated O
/ O
sklearn.naive_bayes.Multinomia O
lNB.html O
( O
accessed O
Mar. O
20 O
, O
2021 O
) O
. O
Ben O
Mabey O
, O
“Welcome O
to O
pyLDAvis’s O
documentation O
! O
, O
” O
pyldavis.readthedocs.io O
, O
2015. O
https O
: O
/ O
/ O
pyldavis.readthedocs.io O
/ O
en O
/ O
latest O
/ O
( O
accessed O
Mar. O
10 O
, O
2021 O
) O
. O
Bayes O
classifier O
, O
agar O
dapat O
mengetahui O
metode O
mana O
yang O
lebih O
baik O
digunakan. O
3. O
Pada O
penelitian O
ini O
, O
tweet O
yang O
bersifat O
netral O
terlalu O
mendominasi O
, O
dan O
tweet O
netral O
ini O
juga O
disertakan O
saat O
tahapan O
topic O
modelling O
, O
sehingga O
topik O
pembicaraan O
yang O
terbentuk O
kurang O
spesifik O
karena O
banyaknya O
tweet O
yang O
berupa O
berita O
atau O
yang O
bersifat O
netral. O
Oleh O
karena O
itu O
, O
tahapan O
topic O
modelling O
pada O
penelitian O
selanjutnya O
diharapkan O
dapat O
fokus O
pada O
sentimen O
positif O
dan O
negatif O
saja O
, O
agar O
dapat O
mengetahui O
topik O
pembicaraan O
dan O
bisa O
menjadi O
bahan O
perbaikan O
dari O
evaluasi O
tersebut. O
lebih O
spesifik O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O

Fitur O
Pengajuan O
dan O
Persetujuan O
Proposal O
pada O
Sistem O
Informasi O
Unit O
Kegiatan O
Mahasiswa O
Politeknik O
Statistika O
STIS O
Berbasis O
Web O
Dea O
Anisa O
Irawan O
( O
221709610 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
Sulistiadi O
, O
Ph.D. O
Ringkasan— O
Untuk O
melaksanakan O
kegiatan O
, O
UKM O
( O
Unit O
Kegiatan O
Mahasiswa O
) O
atau O
Bidang O
membutuhkan O
izin O
berdasarkan O
ketentuan O
yang O
berlaku. O
Proses O
pengajuan O
proposal O
/ O
TOR O
yang O
saat O
ini O
berlaku O
membutuhkan O
banyak O
waktu O
dan O
biaya. O
Sebelumnya O
, O
sudah O
ada O
penelitian O
yang O
membangun O
sistem O
informasi O
berbasis O
web O
untuk O
mempermudah O
manajemen O
kegiatan O
UKM O
/ O
Bidang. O
Namun O
, O
fitur O
yang O
sudah O
ada O
dirasa O
belum O
lengkap O
untuk O
menangani O
pengajuan O
dan O
persetujuan O
proposal. O
Berangkat O
dari O
permasalahan O
tersebut O
, O
peneliti O
bermaksud O
untuk O
memperbaiki B-TUJUAN
dan I-TUJUAN
/ I-TUJUAN
atau I-TUJUAN
menambahkan I-TUJUAN
fitur I-TUJUAN
pada I-TUJUAN
sistem I-TUJUAN
sesuai I-TUJUAN
dengan I-TUJUAN
kebutuhan I-TUJUAN
pengguna I-TUJUAN
, I-TUJUAN
salah I-TUJUAN
satunya I-TUJUAN
ialah I-TUJUAN
fitur I-TUJUAN
pengajuan I-TUJUAN
dan I-TUJUAN
persetujuan I-TUJUAN
proposal. I-TUJUAN
Pengembangan O
sistem O
dilakukan O
dengan O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
Iterative I-METODE
Model. I-METODE
Sistem O
dikembangkan O
berbasis O
web O
dengan O
MySQL O
sebagai O
basis O
data O
, O
Codeigniter O
3 O
sebagai O
kerangka O
kerja O
backend O
, O
dan O
Bootstrap O
sebagai O
frontend. O
Uji O
coba O
dan O
evaluasi O
sistem O
dilakukan O
dengan O
Black B-METODE
Box I-METODE
Testing I-METODE
, I-METODE
User I-METODE
Acceptance I-METODE
Testing I-METODE
( I-METODE
UAT I-METODE
) I-METODE
, I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Subsistem O
pengajuan O
tanda O
tangan O
proposal O
kegiatan O
mahasiswa O
telah O
berhasil O
dikembangkan. O
Hasil B-TEMUAN
evaluasi I-TEMUAN
menunjukkan I-TEMUAN
subsistem I-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan I-TEMUAN
pengguna I-TEMUAN
dan I-TEMUAN
subsistem I-TEMUAN
layak I-TEMUAN
untuk I-TEMUAN
digunakan. I-TEMUAN
Kata O
Kunci— O
unit O
kegiatan O
mahasiswa O
, O
persetujuan O
, O
proposal O
, O
TOR O
[SEP] O
Kesimpulan O
dari O
hasil O
penelitian O
VII. O
ini O
ialah O
subsistem O
pengajuan O
tanda O
tangan O
proposal O
kegiatan O
mahasiswa O
telah O
berhasil O
dikembangkan. O
Berdasarkan B-TEMUAN
Black I-TEMUAN
Box I-TEMUAN
Testing I-TEMUAN
, I-TEMUAN
fungsi-fungsi I-TEMUAN
di I-TEMUAN
dalam I-TEMUAN
subsistem I-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
sudah I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
Berdasarkan I-TEMUAN
User I-TEMUAN
Acceptance I-TEMUAN
Testing I-TEMUAN
( I-TEMUAN
UAT I-TEMUAN
) I-TEMUAN
, I-TEMUAN
fungsi-fungsi I-TEMUAN
di I-TEMUAN
dalam I-TEMUAN
subsistem I-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
secara I-TEMUAN
keseluruhan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan I-TEMUAN
pengguna I-TEMUAN
, O
dalam O
hal O
ini O
Pengurus O
UKM O
/ O
Bidang O
, O
Ketua O
UKM O
, O
Pengurus O
Sema O
, O
DPM O
, O
dan O
Dosen O
Pendamping O
UKM O
/ O
Bidang. O
Sedangkan O
kesesuaian O
kebutuhan O
pengguna O
lainnya O
seperti O
BAAK O
, O
BU O
, O
dan O
Wakil O
Direktur O
III O
tidak O
dapat O
diukur O
karena O
tidak O
ada O
responden O
dari O
pengguna O
tersebut. O
Berdasarkan O
( O
SUS O
) O
, O
evaluasi O
menggunakan O
System O
Usability O
Scale O
subsistem O
yang O
dikembangkan O
layak O
digunakan. O
Peneliti O
menyadari O
terdapat O
beberapa O
keterbatasan O
dari O
subsistem O
yang O
dikembangkan. O
Oleh O
karena O
itu O
, O
untuk O
penelitian O
lebih O
lanjut O
, O
sebaiknya O
menambahkan O
kebutuhan- O
kebutuhan O
dari O
pengguna O
lainnya O
yang O
terlibat O
dalam O
proses O
persetujuan O
proposal O
selain O
dari O
pengurus O
UKM O
/ O
Bidang O
dan O
pengurus O
Sema. O
Sistem O
login O
sebaiknya O
menggunakan O
otentikasi O
akun O
Sipadu O
Politeknik O
Statistika O
STIS. O
Alur O
pengajuan O
persetujuan O
proposal O
/ O
TOR O
sebaiknya O
dikaji O
lebih O
lanjut O
untuk O
menemukan O
kemungkinan O
masalah O
di O
dalam O
alur O
tersebut O
dan O
menentukan O
solusi O
untuk O
alur O
pengajuan O
persetujuan O
proposal O
/ O
TOR O
yang O
lebih O
efektif O
dan O
efisien. O
Selain O
itu O
, O
sebaiknya O
menambahkan O
berbagai O
kebutuhan O
sistem O
lainnya O
yang O
tidak O
tercakup O
di O
penelitian O
ini O
dan O
penelitian O
sebelumnya. O

Fitur O
Pengajuan O
dan O
Persetujuan O
Proposal O
pada O
Sistem O
Informasi O
Unit O
Kegiatan O
Mahasiswa O
Politeknik O
Statistika O
STIS O
Berbasis O
Web O
Dea O
Anisa O
Irawan O
( O
221709610 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
Sulistiadi O
, O
Ph.D. O
Ringkasan— O
Untuk O
melaksanakan O
kegiatan O
, O
UKM O
( O
Unit O
Kegiatan O
Mahasiswa O
) O
atau O
Bidang O
membutuhkan O
izin O
berdasarkan O
ketentuan O
yang O
berlaku. O
Proses O
pengajuan O
proposal O
/ O
TOR O
yang O
saat O
ini O
berlaku O
membutuhkan O
banyak O
waktu O
dan O
biaya. O
Sebelumnya O
, O
sudah O
ada O
penelitian O
yang O
membangun O
sistem O
informasi O
berbasis O
web O
untuk O
mempermudah O
manajemen O
kegiatan O
UKM O
/ O
Bidang. O
Namun O
, O
fitur O
yang O
sudah O
ada O
dirasa O
belum O
lengkap O
untuk O
menangani O
pengajuan O
dan O
persetujuan O
proposal. O
Berangkat O
dari O
permasalahan O
tersebut O
, O
peneliti O
bermaksud O
untuk O
memperbaiki B-TUJUAN
dan I-TUJUAN
/ I-TUJUAN
atau I-TUJUAN
menambahkan I-TUJUAN
fitur I-TUJUAN
pada I-TUJUAN
sistem I-TUJUAN
sesuai I-TUJUAN
dengan I-TUJUAN
kebutuhan I-TUJUAN
pengguna I-TUJUAN
, I-TUJUAN
salah I-TUJUAN
satunya I-TUJUAN
ialah I-TUJUAN
fitur I-TUJUAN
pengajuan I-TUJUAN
dan I-TUJUAN
persetujuan I-TUJUAN
proposal. I-TUJUAN
Pengembangan O
sistem O
dilakukan O
dengan O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
Iterative I-METODE
Model. I-METODE
Sistem O
dikembangkan O
berbasis O
web O
dengan O
MySQL O
sebagai O
basis O
data O
, O
Codeigniter O
3 O
sebagai O
kerangka O
kerja O
backend O
, O
dan O
Bootstrap O
sebagai O
frontend. O
Uji O
coba O
dan O
evaluasi O
sistem O
dilakukan O
dengan O
Black B-METODE
Box I-METODE
Testing I-METODE
, I-METODE
User I-METODE
Acceptance I-METODE
Testing I-METODE
( I-METODE
UAT I-METODE
) I-METODE
, I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Subsistem O
pengajuan O
tanda O
tangan O
proposal O
kegiatan O
mahasiswa O
telah O
berhasil O
dikembangkan. O
Hasil B-TEMUAN
evaluasi I-TEMUAN
menunjukkan I-TEMUAN
subsistem I-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan I-TEMUAN
pengguna I-TEMUAN
dan I-TEMUAN
subsistem I-TEMUAN
layak I-TEMUAN
untuk I-TEMUAN
digunakan. I-TEMUAN
Kata O
Kunci— O
unit O
kegiatan O
mahasiswa O
, O
persetujuan O
, O
proposal O
, O
TOR O
[SEP] O
Kesimpulan O
dari O
hasil O
penelitian O
VII. O
ini O
ialah O
subsistem O
pengajuan O
tanda O
tangan O
proposal O
kegiatan O
mahasiswa O
telah O
berhasil O
dikembangkan. O
Berdasarkan B-TEMUAN
Black I-TEMUAN
Box I-TEMUAN
Testing I-TEMUAN
, I-TEMUAN
fungsi-fungsi I-TEMUAN
di I-TEMUAN
dalam I-TEMUAN
subsistem I-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
sudah I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
Berdasarkan I-TEMUAN
User I-TEMUAN
Acceptance I-TEMUAN
Testing I-TEMUAN
( I-TEMUAN
UAT I-TEMUAN
) I-TEMUAN
, I-TEMUAN
fungsi-fungsi I-TEMUAN
di I-TEMUAN
dalam I-TEMUAN
subsistem I-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
secara I-TEMUAN
keseluruhan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan I-TEMUAN
pengguna I-TEMUAN
, O
dalam O
hal O
ini O
Pengurus O
UKM O
/ O
Bidang O
, O
Ketua O
UKM O
, O
Pengurus O
Sema O
, O
DPM O
, O
dan O
Dosen O
Pendamping O
UKM O
/ O
Bidang. O
Sedangkan O
kesesuaian O
kebutuhan O
pengguna O
lainnya O
seperti O
BAAK O
, O
BU O
, O
dan O
Wakil O
Direktur O
III O
tidak O
dapat O
diukur O
karena O
tidak O
ada O
responden O
dari O
pengguna O
tersebut. O
Berdasarkan O
( O
SUS O
) O
, O
evaluasi O
menggunakan O
System O
Usability O
Scale O
subsistem O
yang O
dikembangkan O
layak O
digunakan. O
Peneliti O
menyadari O
terdapat O
beberapa O
keterbatasan O
dari O
subsistem O
yang O
dikembangkan. O
Oleh O
karena O
itu O
, O
untuk O
penelitian O
lebih O
lanjut O
, O
sebaiknya O
menambahkan O
kebutuhan- O
kebutuhan O
dari O
pengguna O
lainnya O
yang O
terlibat O
dalam O
proses O
persetujuan O
proposal O
selain O
dari O
pengurus O
UKM O
/ O
Bidang O
dan O
pengurus O
Sema. O
Sistem O
login O
sebaiknya O
menggunakan O
otentikasi O
akun O
Sipadu O
Politeknik O
Statistika O
STIS. O
Alur O
pengajuan O
persetujuan O
proposal O
/ O
TOR O
sebaiknya O
dikaji O
lebih O
lanjut O
untuk O
menemukan O
kemungkinan O
masalah O
di O
dalam O
alur O
tersebut O
dan O
menentukan O
solusi O
untuk O
alur O
pengajuan O
persetujuan O
proposal O
/ O
TOR O
yang O
lebih O
efektif O
dan O
efisien. O
Selain O
itu O
, O
sebaiknya O
menambahkan O
berbagai O
kebutuhan O
sistem O
lainnya O
yang O
tidak O
tercakup O
di O
penelitian O
ini O
dan O
penelitian O
sebelumnya. O

Fitur O
Pengajuan O
dan O
Persetujuan O
Proposal O
pada O
Sistem O
Informasi O
Unit O
Kegiatan O
Mahasiswa O
Politeknik O
Statistika O
STIS O
Berbasis O
Web O
Dea O
Anisa O
Irawan O
( O
221709610 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
Sulistiadi O
, O
Ph.D. O
Ringkasan— O
Untuk O
melaksanakan O
kegiatan O
, O
UKM O
( O
Unit O
Kegiatan O
Mahasiswa O
) O
atau O
Bidang O
membutuhkan O
izin O
berdasarkan O
ketentuan O
yang O
berlaku. O
Proses O
pengajuan O
proposal O
/ O
TOR O
yang O
saat O
ini O
berlaku O
membutuhkan O
banyak O
waktu O
dan O
biaya. O
Sebelumnya O
, O
sudah O
ada O
penelitian O
yang O
membangun O
sistem O
informasi O
berbasis O
web O
untuk O
mempermudah O
manajemen O
kegiatan O
UKM O
/ O
Bidang. O
Namun O
, O
fitur O
yang O
sudah O
ada O
dirasa O
belum O
lengkap O
untuk O
menangani O
pengajuan O
dan O
persetujuan O
proposal. O
Berangkat O
dari O
permasalahan O
tersebut O
, O
peneliti O
bermaksud O
untuk O
memperbaiki B-TUJUAN
dan I-TUJUAN
/ I-TUJUAN
atau I-TUJUAN
menambahkan I-TUJUAN
fitur I-TUJUAN
pada I-TUJUAN
sistem I-TUJUAN
sesuai I-TUJUAN
dengan I-TUJUAN
kebutuhan I-TUJUAN
pengguna I-TUJUAN
, I-TUJUAN
salah I-TUJUAN
satunya I-TUJUAN
ialah I-TUJUAN
fitur I-TUJUAN
pengajuan I-TUJUAN
dan I-TUJUAN
persetujuan I-TUJUAN
proposal. I-TUJUAN
Pengembangan O
sistem O
dilakukan O
dengan O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
Iterative I-METODE
Model. I-METODE
Sistem O
dikembangkan O
berbasis O
web O
dengan O
MySQL O
sebagai O
basis O
data O
, O
Codeigniter O
3 O
sebagai O
kerangka O
kerja O
backend O
, O
dan O
Bootstrap O
sebagai O
frontend. O
Uji O
coba O
dan O
evaluasi O
sistem O
dilakukan O
dengan O
Black B-METODE
Box I-METODE
Testing I-METODE
, I-METODE
User I-METODE
Acceptance I-METODE
Testing I-METODE
( I-METODE
UAT I-METODE
) I-METODE
, I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Subsistem O
pengajuan O
tanda O
tangan O
proposal O
kegiatan O
mahasiswa O
telah O
berhasil O
dikembangkan. O
Hasil B-TEMUAN
evaluasi I-TEMUAN
menunjukkan I-TEMUAN
subsistem I-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan I-TEMUAN
pengguna I-TEMUAN
dan I-TEMUAN
subsistem I-TEMUAN
layak I-TEMUAN
untuk I-TEMUAN
digunakan. I-TEMUAN
Kata O
Kunci— O
unit O
kegiatan O
mahasiswa O
, O
persetujuan O
, O
proposal O
, O
TOR O
[SEP] O
Kesimpulan O
dari O
hasil O
penelitian O
VII. O
ini O
ialah O
subsistem O
pengajuan O
tanda O
tangan O
proposal O
kegiatan O
mahasiswa O
telah O
berhasil O
dikembangkan. O
Berdasarkan B-TEMUAN
Black I-TEMUAN
Box I-TEMUAN
Testing I-TEMUAN
, I-TEMUAN
fungsi-fungsi I-TEMUAN
di I-TEMUAN
dalam I-TEMUAN
subsistem I-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
sudah I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
Berdasarkan I-TEMUAN
User I-TEMUAN
Acceptance I-TEMUAN
Testing I-TEMUAN
( I-TEMUAN
UAT I-TEMUAN
) I-TEMUAN
, I-TEMUAN
fungsi-fungsi I-TEMUAN
di I-TEMUAN
dalam I-TEMUAN
subsistem I-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
secara I-TEMUAN
keseluruhan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan I-TEMUAN
pengguna I-TEMUAN
, O
dalam O
hal O
ini O
Pengurus O
UKM O
/ O
Bidang O
, O
Ketua O
UKM O
, O
Pengurus O
Sema O
, O
DPM O
, O
dan O
Dosen O
Pendamping O
UKM O
/ O
Bidang. O
Sedangkan O
kesesuaian O
kebutuhan O
pengguna O
lainnya O
seperti O
BAAK O
, O
BU O
, O
dan O
Wakil O
Direktur O
III O
tidak O
dapat O
diukur O
karena O
tidak O
ada O
responden O
dari O
pengguna O
tersebut. O
Berdasarkan O
( O
SUS O
) O
, O
evaluasi O
menggunakan O
System O
Usability O
Scale O
subsistem O
yang O
dikembangkan O
layak O
digunakan. O
Peneliti O
menyadari O
terdapat O
beberapa O
keterbatasan O
dari O
subsistem O
yang O
dikembangkan. O
Oleh O
karena O
itu O
, O
untuk O
penelitian O
lebih O
lanjut O
, O
sebaiknya O
menambahkan O
kebutuhan- O
kebutuhan O
dari O
pengguna O
lainnya O
yang O
terlibat O
dalam O
proses O
persetujuan O
proposal O
selain O
dari O
pengurus O
UKM O
/ O
Bidang O
dan O
pengurus O
Sema. O
Sistem O
login O
sebaiknya O
menggunakan O
otentikasi O
akun O
Sipadu O
Politeknik O
Statistika O
STIS. O
Alur O
pengajuan O
persetujuan O
proposal O
/ O
TOR O
sebaiknya O
dikaji O
lebih O
lanjut O
untuk O
menemukan O
kemungkinan O
masalah O
di O
dalam O
alur O
tersebut O
dan O
menentukan O
solusi O
untuk O
alur O
pengajuan O
persetujuan O
proposal O
/ O
TOR O
yang O
lebih O
efektif O
dan O
efisien. O
Selain O
itu O
, O
sebaiknya O
menambahkan O
berbagai O
kebutuhan O
sistem O
lainnya O
yang O
tidak O
tercakup O
di O
penelitian O
ini O
dan O
penelitian O
sebelumnya. O

Fitur O
Pengajuan O
dan O
Persetujuan O
Proposal O
pada O
Sistem O
Informasi O
Unit O
Kegiatan O
Mahasiswa O
Politeknik O
Statistika O
STIS O
Berbasis O
Web O
Dea O
Anisa O
Irawan O
( O
221709610 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Yunarso O
Anang O
Sulistiadi O
, O
Ph.D. O
Ringkasan— O
Untuk O
melaksanakan O
kegiatan O
, O
UKM O
( O
Unit O
Kegiatan O
Mahasiswa O
) O
atau O
Bidang O
membutuhkan O
izin O
berdasarkan O
ketentuan O
yang O
berlaku. O
Proses O
pengajuan O
proposal O
/ O
TOR O
yang O
saat O
ini O
berlaku O
membutuhkan O
banyak O
waktu O
dan O
biaya. O
Sebelumnya O
, O
sudah O
ada O
penelitian O
yang O
membangun O
sistem O
informasi O
berbasis O
web O
untuk O
mempermudah O
manajemen O
kegiatan O
UKM O
/ O
Bidang. O
Namun O
, O
fitur O
yang O
sudah O
ada O
dirasa O
belum O
lengkap O
untuk O
menangani O
pengajuan O
dan O
persetujuan O
proposal. O
Berangkat O
dari O
permasalahan O
tersebut O
, O
peneliti O
bermaksud O
untuk O
memperbaiki B-TUJUAN
dan I-TUJUAN
/ I-TUJUAN
atau I-TUJUAN
menambahkan I-TUJUAN
fitur I-TUJUAN
pada I-TUJUAN
sistem I-TUJUAN
sesuai I-TUJUAN
dengan I-TUJUAN
kebutuhan I-TUJUAN
pengguna I-TUJUAN
, I-TUJUAN
salah I-TUJUAN
satunya I-TUJUAN
ialah I-TUJUAN
fitur I-TUJUAN
pengajuan I-TUJUAN
dan I-TUJUAN
persetujuan I-TUJUAN
proposal. I-TUJUAN
Pengembangan O
sistem O
dilakukan O
dengan O
System B-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
Iterative I-METODE
Model. I-METODE
Sistem O
dikembangkan O
berbasis O
web O
dengan O
MySQL O
sebagai O
basis O
data O
, O
Codeigniter O
3 O
sebagai O
kerangka O
kerja O
backend O
, O
dan O
Bootstrap O
sebagai O
frontend. O
Uji O
coba O
dan O
evaluasi O
sistem O
dilakukan O
dengan O
Black B-METODE
Box I-METODE
Testing I-METODE
, I-METODE
User I-METODE
Acceptance I-METODE
Testing I-METODE
( I-METODE
UAT I-METODE
) I-METODE
, I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Subsistem O
pengajuan O
tanda O
tangan O
proposal O
kegiatan O
mahasiswa O
telah O
berhasil O
dikembangkan. O
Hasil B-TEMUAN
evaluasi I-TEMUAN
menunjukkan I-TEMUAN
subsistem I-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan I-TEMUAN
pengguna I-TEMUAN
dan I-TEMUAN
subsistem I-TEMUAN
layak I-TEMUAN
untuk I-TEMUAN
digunakan. I-TEMUAN
Kata O
Kunci— O
unit O
kegiatan O
mahasiswa O
, O
persetujuan O
, O
proposal O
, O
TOR O
[SEP] O
Kesimpulan O
dari O
hasil O
penelitian O
VII. O
ini O
ialah O
subsistem O
pengajuan O
tanda O
tangan O
proposal O
kegiatan O
mahasiswa O
telah O
berhasil O
dikembangkan. O
Berdasarkan B-TEMUAN
Black I-TEMUAN
Box I-TEMUAN
Testing I-TEMUAN
, I-TEMUAN
fungsi-fungsi I-TEMUAN
di I-TEMUAN
dalam I-TEMUAN
subsistem I-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
sudah I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
yang I-TEMUAN
diharapkan. I-TEMUAN
Berdasarkan I-TEMUAN
User I-TEMUAN
Acceptance I-TEMUAN
Testing I-TEMUAN
( I-TEMUAN
UAT I-TEMUAN
) I-TEMUAN
, I-TEMUAN
fungsi-fungsi I-TEMUAN
di I-TEMUAN
dalam I-TEMUAN
subsistem I-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
secara I-TEMUAN
keseluruhan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan I-TEMUAN
pengguna I-TEMUAN
, O
dalam O
hal O
ini O
Pengurus O
UKM O
/ O
Bidang O
, O
Ketua O
UKM O
, O
Pengurus O
Sema O
, O
DPM O
, O
dan O
Dosen O
Pendamping O
UKM O
/ O
Bidang. O
Sedangkan O
kesesuaian O
kebutuhan O
pengguna O
lainnya O
seperti O
BAAK O
, O
BU O
, O
dan O
Wakil O
Direktur O
III O
tidak O
dapat O
diukur O
karena O
tidak O
ada O
responden O
dari O
pengguna O
tersebut. O
Berdasarkan O
( O
SUS O
) O
, O
evaluasi O
menggunakan O
System O
Usability O
Scale O
subsistem O
yang O
dikembangkan O
layak O
digunakan. O
Peneliti O
menyadari O
terdapat O
beberapa O
keterbatasan O
dari O
subsistem O
yang O
dikembangkan. O
Oleh O
karena O
itu O
, O
untuk O
penelitian O
lebih O
lanjut O
, O
sebaiknya O
menambahkan O
kebutuhan- O
kebutuhan O
dari O
pengguna O
lainnya O
yang O
terlibat O
dalam O
proses O
persetujuan O
proposal O
selain O
dari O
pengurus O
UKM O
/ O
Bidang O
dan O
pengurus O
Sema. O
Sistem O
login O
sebaiknya O
menggunakan O
otentikasi O
akun O
Sipadu O
Politeknik O
Statistika O
STIS. O
Alur O
pengajuan O
persetujuan O
proposal O
/ O
TOR O
sebaiknya O
dikaji O
lebih O
lanjut O
untuk O
menemukan O
kemungkinan O
masalah O
di O
dalam O
alur O
tersebut O
dan O
menentukan O
solusi O
untuk O
alur O
pengajuan O
persetujuan O
proposal O
/ O
TOR O
yang O
lebih O
efektif O
dan O
efisien. O
Selain O
itu O
, O
sebaiknya O
menambahkan O
berbagai O
kebutuhan O
sistem O
lainnya O
yang O
tidak O
tercakup O
di O
penelitian O
ini O
dan O
penelitian O
sebelumnya. O

Sentimen O
Analysis O
dan O
Topic O
Modelling O
pada O
Tweet O
terkait O
Vaksinasi O
COVID-19 O
di O
Indonesia O
Dea O
Aditya O
( O
221709609 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I. O
COVID-19 O
di O
terkait O
vaksinasi O
Ringkasan— O
Kumpulan O
tweet O
masyarakat O
terkait O
vaksinasi O
COVID-19 O
di O
Indonesia O
dapat O
menjadi O
sumber O
knowledge O
untuk O
memberikan O
gambaran O
respon O
dan O
opini O
mereka O
terkait O
vaksinasi O
COVID-19 O
di O
Indonesia. O
Mengidentifikasi O
respon O
dan O
opini O
melalui O
media O
sosial O
Twitter O
yang O
penggunaanya O
masif O
dari O
waktu O
ke O
waktu O
tentunya O
membuat O
pola O
tweet O
semakin O
beragam O
, O
sehingga O
cukup O
sulit O
jika O
dilakukan O
dengan O
manual. O
Untuk O
menyelesaikan O
masalah O
tersebut O
, O
peneliti O
menggunakan O
pendekatan O
dengan O
text O
mining. O
yaitu O
menerapkan O
topic B-METODE
modeling I-METODE
dan O
sentiment B-METODE
analysis. I-METODE
Topic O
modeling O
dengan O
algoritma O
Latent O
Dirichlet O
Allocation O
digunakan O
memodelkan O
opini O
dari O
tweet O
masyrakat O
Indonesia. O
Selanjutnya O
, O
penggunaan O
sentiment O
analysis O
dengan O
lexicon O
based O
untuk O
mengukur O
sentimen O
/ O
respon O
tweet O
masyarakat O
terkait O
vaksinasi O
COVID-19. B-TEMUAN
Hasil I-TEMUAN
sentiment I-TEMUAN
analysis I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
respon I-TEMUAN
masyarakat I-TEMUAN
selama I-TEMUAN
perode I-TEMUAN
perdana I-TEMUAN
vaksinasi I-TEMUAN
COVID-19 I-TEMUAN
didominasi I-TEMUAN
oleh I-TEMUAN
sentimen I-TEMUAN
netral. I-TEMUAN
Walaupun O
respon O
didominasi O
sentimen O
netral O
, O
jumlah O
sentimen O
positif O
masih O
lebih O
banyak O
dari O
sentimen O
negatif. O
Kemudian O
, O
hasil B-TEMUAN
topic I-TEMUAN
modeling I-TEMUAN
menunjukkan I-TEMUAN
walaupun I-TEMUAN
program I-TEMUAN
vaksinasi I-TEMUAN
COVID-19 I-TEMUAN
sudah I-TEMUAN
dilakukan I-TEMUAN
, I-TEMUAN
opini I-TEMUAN
sebagian I-TEMUAN
masyarakat I-TEMUAN
masih I-TEMUAN
ragu I-TEMUAN
dan I-TEMUAN
menolak I-TEMUAN
terhadap I-TEMUAN
vaksinasi I-TEMUAN
COVID-19 I-TEMUAN
karena I-TEMUAN
dipengaruhi I-TEMUAN
beberapa I-TEMUAN
faktor I-TEMUAN
diantaranya O
masalah O
keamanan O
dan O
status O
kehalalan O
dari O
vaksin O
yang O
diberikan. O
Selain O
itu O
, O
model O
topik O
juga O
menangkap O
opini O
terkait O
kasus O
penyebaran O
berita O
hoax O
dan O
penipuan O
terkait O
vaksinasi O
COVID-19. O
Kata O
Kunci— O
topic O
modeling O
, O
sentiment O
analysis O
, O
coherence O
, O
knowledge O
[SEP] O
Dari O
tahapan O
penelitian O
yang O
telah O
dilakukan O
, O
berikut O
hasil O
yang O
dapat O
disimpulkan O
pada O
penelitian O
ini O
: O
1. O
Metode O
sentiment B-METODE
analysis I-METODE
dengan O
TextBlob O
dan O
topic O
modeling O
dengan O
LDA O
merupakan O
metode O
yang O
dapat O
membantu O
dalam O
mengidentifikasi B-TUJUAN
respon I-TUJUAN
dan I-TUJUAN
respon I-TUJUAN
masyarakat I-TUJUAN
terkait I-TUJUAN
vaksinasi I-TUJUAN
COVID-19 I-TUJUAN
pada I-TUJUAN
media I-TUJUAN
sosial I-TUJUAN
Twitter. I-TUJUAN
2. O
Berdasarkan O
hasil O
analisis B-METODE
sentimen I-METODE
yang O
dilakukan O
, O
dapat O
disimpulkan O
bahwa O
telah O
respon O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
masyarakat O
selama O
perode O
perdana O
vaksinasi O
COVID- O
19 O
didominasi O
oleh O
sentimen O
netral. O
Tingginya O
tingkat O
respon O
netral O
dari O
tweet O
masyarakat O
menunjukkan O
bahwa O
respon O
dari O
tweet O
masyarakat O
diperoleh O
bukan O
hanya O
dari O
mereka O
yang O
menyatakan O
apakah O
pro O
atau O
kontra O
terhadap O
wacana O
vaksinasi O
tersebut O
, O
melainkan O
juga O
banyak O
respon O
masyarakat O
lainnya O
sepeti O
pengetahuan O
, O
harapan O
, O
atau O
pendapat O
umum O
mereka O
[ O
12 O
] O
. O
Walaupun O
respon O
didominasi O
sentimen O
netral O
, O
jumlah O
sentimen O
positif O
masih O
lebih O
banyak O
dari O
sentimen O
negatif. O
Jika O
dilihat O
per O
harinya O
, O
pola O
proporsi O
sentimen O
negatif O
cenderung O
lebih O
stabil O
dibandingkan O
dengan O
sentimen O
positif O
dan O
netral O
atau O
tidak O
dapat O
diartikan O
bahwa O
sentimen O
negatif O
mengalami O
kenaikan O
atau O
penurunan O
respon O
yang O
signifikan O
setiap O
harinya. O
Rata-rata O
perubahan O
proporsi O
sentimen O
negatif O
setiap O
harinya O
sekitar O
0,04 O
% O
, O
lebih O
rendah O
dari O
rata-rata O
pada O
proporsi O
netral O
dan O
positif. O
3. O
Hasil O
penelitian O
ini O
menunjukkan O
bahwa O
pola O
sentimen O
masyarakat O
setelah O
vaksinasi O
perdana O
COVID-19 O
cenderung O
memiliki O
pola O
yang O
sama O
dengan O
hasil O
penelitian O
[ O
12 O
] O
yang O
melakukan O
analisis O
pada O
periode O
sebelum O
vaksinasi O
COVID-19. O
4. O
Hasil O
topic O
modeling O
menunjukkan O
, O
opini O
yang O
disampaikan O
masyarakat O
sebagian O
besar O
membahas O
tentang O
penilaian O
dan O
pengetahuan O
mereka O
terhadap O
vaksinasi O
COVID-19 O
di O
Indonesia. O
Penilaian O
masyarakat O
cenderung O
mengarah O
pada O
persoalan O
kemanan O
dan O
status O
kehalalan O
vaksin O
COVID-19 O
, O
serta O
terkait O
pemberian O
vaksin O
COVID-19 O
pada O
lansia. O
Adanya O
pembahasan O
kedua O
topik O
tersebut O
pada O
dua O
kelas O
sentimen O
positif O
dan O
negatif O
menunjukkan O
bahwa O
, O
persoalan O
tersebut O
masih O
pro-kontra O
di O
masyarakat. O
Selain O
itu O
, O
sebagian O
masyrakat O
masih O
ragu O
dan O
menolak O
terhadap O
vaksinasi O
COVID-19. O
Kemudian O
, O
maraknya O
berita O
hoax O
dan O
kasus O
penipuan O
terkait O
vaksinasi O
COVID-19 O
dapat O
menimbulkan O
masalah O
di O
masyarakat O
, O
sehingga O
dapat O
menghambat O
jalanya O
proses O
vaksinasi O
COVID-19 O
di O
Indonesia.. O
Penelitian O
selanjutnya O
diharapkan O
dapat O
mencari O
metode O
analisis O
sentimen O
dan O
evaluasi O
topik O
yang O
lebih O
baik O
, O
sehingga O
dapat O
meningkatkan O
hasil O
analisis. O
Kemudian O
, O
proses O
analisis O
dapat O
dilakukan O
lebih O
mendalam O
, O
seperti O
dengan O
menganalisis O
tweet O
berdasarkan O
lokasi O
dan O
mengidentifikasi O
akun O
atau O
tokoh O
yang O
paling O
berpengaruh O
dan O
banyak O
dibicarakan O
dari O
suatu O
topik. O
9 O
/ O
10 O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O
[ O
16 O
] O
[ O
17 O
] O
[ O
18 O
] O

Sentimen O
Analysis O
dan O
Topic O
Modelling O
pada O
Tweet O
terkait O
Vaksinasi O
COVID-19 O
di O
Indonesia O
Dea O
Aditya O
( O
221709609 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I. O
COVID-19 O
di O
terkait O
vaksinasi O
Ringkasan— O
Kumpulan O
tweet O
masyarakat O
terkait O
vaksinasi O
COVID-19 O
di O
Indonesia O
dapat O
menjadi O
sumber O
knowledge O
untuk O
memberikan O
gambaran O
respon O
dan O
opini O
mereka O
terkait O
vaksinasi O
COVID-19 O
di O
Indonesia. O
Mengidentifikasi O
respon O
dan O
opini O
melalui O
media O
sosial O
Twitter O
yang O
penggunaanya O
masif O
dari O
waktu O
ke O
waktu O
tentunya O
membuat O
pola O
tweet O
semakin O
beragam O
, O
sehingga O
cukup O
sulit O
jika O
dilakukan O
dengan O
manual. O
Untuk O
menyelesaikan O
masalah O
tersebut O
, O
peneliti O
menggunakan O
pendekatan O
dengan O
text O
mining. O
yaitu O
menerapkan O
topic B-METODE
modeling I-METODE
dan O
sentiment B-METODE
analysis. I-METODE
Topic O
modeling O
dengan O
algoritma O
Latent O
Dirichlet O
Allocation O
digunakan O
memodelkan O
opini O
dari O
tweet O
masyrakat O
Indonesia. O
Selanjutnya O
, O
penggunaan O
sentiment O
analysis O
dengan O
lexicon O
based O
untuk O
mengukur O
sentimen O
/ O
respon O
tweet O
masyarakat O
terkait O
vaksinasi O
COVID-19. B-TEMUAN
Hasil I-TEMUAN
sentiment I-TEMUAN
analysis I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
respon I-TEMUAN
masyarakat I-TEMUAN
selama I-TEMUAN
perode I-TEMUAN
perdana I-TEMUAN
vaksinasi I-TEMUAN
COVID-19 I-TEMUAN
didominasi I-TEMUAN
oleh I-TEMUAN
sentimen I-TEMUAN
netral. I-TEMUAN
Walaupun O
respon O
didominasi O
sentimen O
netral O
, O
jumlah O
sentimen O
positif O
masih O
lebih O
banyak O
dari O
sentimen O
negatif. O
Kemudian O
, O
hasil B-TEMUAN
topic I-TEMUAN
modeling I-TEMUAN
menunjukkan I-TEMUAN
walaupun I-TEMUAN
program I-TEMUAN
vaksinasi I-TEMUAN
COVID-19 I-TEMUAN
sudah I-TEMUAN
dilakukan I-TEMUAN
, I-TEMUAN
opini I-TEMUAN
sebagian I-TEMUAN
masyarakat I-TEMUAN
masih I-TEMUAN
ragu I-TEMUAN
dan I-TEMUAN
menolak I-TEMUAN
terhadap I-TEMUAN
vaksinasi I-TEMUAN
COVID-19 I-TEMUAN
karena I-TEMUAN
dipengaruhi I-TEMUAN
beberapa I-TEMUAN
faktor I-TEMUAN
diantaranya O
masalah O
keamanan O
dan O
status O
kehalalan O
dari O
vaksin O
yang O
diberikan. O
Selain O
itu O
, O
model O
topik O
juga O
menangkap O
opini O
terkait O
kasus O
penyebaran O
berita O
hoax O
dan O
penipuan O
terkait O
vaksinasi O
COVID-19. O
Kata O
Kunci— O
topic O
modeling O
, O
sentiment O
analysis O
, O
coherence O
, O
knowledge O
[SEP] O
Dari O
tahapan O
penelitian O
yang O
telah O
dilakukan O
, O
berikut O
hasil O
yang O
dapat O
disimpulkan O
pada O
penelitian O
ini O
: O
1. O
Metode O
sentiment B-METODE
analysis I-METODE
dengan O
TextBlob O
dan O
topic O
modeling O
dengan O
LDA O
merupakan O
metode O
yang O
dapat O
membantu O
dalam O
mengidentifikasi B-TUJUAN
respon I-TUJUAN
dan I-TUJUAN
respon I-TUJUAN
masyarakat I-TUJUAN
terkait I-TUJUAN
vaksinasi I-TUJUAN
COVID-19 I-TUJUAN
pada I-TUJUAN
media I-TUJUAN
sosial I-TUJUAN
Twitter. I-TUJUAN
2. O
Berdasarkan O
hasil O
analisis B-METODE
sentimen I-METODE
yang O
dilakukan O
, O
dapat O
disimpulkan O
bahwa O
telah O
respon O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
masyarakat O
selama O
perode O
perdana O
vaksinasi O
COVID- O
19 O
didominasi O
oleh O
sentimen O
netral. O
Tingginya O
tingkat O
respon O
netral O
dari O
tweet O
masyarakat O
menunjukkan O
bahwa O
respon O
dari O
tweet O
masyarakat O
diperoleh O
bukan O
hanya O
dari O
mereka O
yang O
menyatakan O
apakah O
pro O
atau O
kontra O
terhadap O
wacana O
vaksinasi O
tersebut O
, O
melainkan O
juga O
banyak O
respon O
masyarakat O
lainnya O
sepeti O
pengetahuan O
, O
harapan O
, O
atau O
pendapat O
umum O
mereka O
[ O
12 O
] O
. O
Walaupun O
respon O
didominasi O
sentimen O
netral O
, O
jumlah O
sentimen O
positif O
masih O
lebih O
banyak O
dari O
sentimen O
negatif. O
Jika O
dilihat O
per O
harinya O
, O
pola O
proporsi O
sentimen O
negatif O
cenderung O
lebih O
stabil O
dibandingkan O
dengan O
sentimen O
positif O
dan O
netral O
atau O
tidak O
dapat O
diartikan O
bahwa O
sentimen O
negatif O
mengalami O
kenaikan O
atau O
penurunan O
respon O
yang O
signifikan O
setiap O
harinya. O
Rata-rata O
perubahan O
proporsi O
sentimen O
negatif O
setiap O
harinya O
sekitar O
0,04 O
% O
, O
lebih O
rendah O
dari O
rata-rata O
pada O
proporsi O
netral O
dan O
positif. O
3. O
Hasil O
penelitian O
ini O
menunjukkan O
bahwa O
pola O
sentimen O
masyarakat O
setelah O
vaksinasi O
perdana O
COVID-19 O
cenderung O
memiliki O
pola O
yang O
sama O
dengan O
hasil O
penelitian O
[ O
12 O
] O
yang O
melakukan O
analisis O
pada O
periode O
sebelum O
vaksinasi O
COVID-19. O
4. O
Hasil O
topic O
modeling O
menunjukkan O
, O
opini O
yang O
disampaikan O
masyarakat O
sebagian O
besar O
membahas O
tentang O
penilaian O
dan O
pengetahuan O
mereka O
terhadap O
vaksinasi O
COVID-19 O
di O
Indonesia. O
Penilaian O
masyarakat O
cenderung O
mengarah O
pada O
persoalan O
kemanan O
dan O
status O
kehalalan O
vaksin O
COVID-19 O
, O
serta O
terkait O
pemberian O
vaksin O
COVID-19 O
pada O
lansia. O
Adanya O
pembahasan O
kedua O
topik O
tersebut O
pada O
dua O
kelas O
sentimen O
positif O
dan O
negatif O
menunjukkan O
bahwa O
, O
persoalan O
tersebut O
masih O
pro-kontra O
di O
masyarakat. O
Selain O
itu O
, O
sebagian O
masyrakat O
masih O
ragu O
dan O
menolak O
terhadap O
vaksinasi O
COVID-19. O
Kemudian O
, O
maraknya O
berita O
hoax O
dan O
kasus O
penipuan O
terkait O
vaksinasi O
COVID-19 O
dapat O
menimbulkan O
masalah O
di O
masyarakat O
, O
sehingga O
dapat O
menghambat O
jalanya O
proses O
vaksinasi O
COVID-19 O
di O
Indonesia.. O
Penelitian O
selanjutnya O
diharapkan O
dapat O
mencari O
metode O
analisis O
sentimen O
dan O
evaluasi O
topik O
yang O
lebih O
baik O
, O
sehingga O
dapat O
meningkatkan O
hasil O
analisis. O
Kemudian O
, O
proses O
analisis O
dapat O
dilakukan O
lebih O
mendalam O
, O
seperti O
dengan O
menganalisis O
tweet O
berdasarkan O
lokasi O
dan O
mengidentifikasi O
akun O
atau O
tokoh O
yang O
paling O
berpengaruh O
dan O
banyak O
dibicarakan O
dari O
suatu O
topik. O
9 O
/ O
10 O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O
[ O
16 O
] O
[ O
17 O
] O
[ O
18 O
] O

Sentimen O
Analysis O
dan O
Topic O
Modelling O
pada O
Tweet O
terkait O
Vaksinasi O
COVID-19 O
di O
Indonesia O
Dea O
Aditya O
( O
221709609 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I. O
COVID-19 O
di O
terkait O
vaksinasi O
Ringkasan— O
Kumpulan O
tweet O
masyarakat O
terkait O
vaksinasi O
COVID-19 O
di O
Indonesia O
dapat O
menjadi O
sumber O
knowledge O
untuk O
memberikan O
gambaran O
respon O
dan O
opini O
mereka O
terkait O
vaksinasi O
COVID-19 O
di O
Indonesia. O
Mengidentifikasi O
respon O
dan O
opini O
melalui O
media O
sosial O
Twitter O
yang O
penggunaanya O
masif O
dari O
waktu O
ke O
waktu O
tentunya O
membuat O
pola O
tweet O
semakin O
beragam O
, O
sehingga O
cukup O
sulit O
jika O
dilakukan O
dengan O
manual. O
Untuk O
menyelesaikan O
masalah O
tersebut O
, O
peneliti O
menggunakan O
pendekatan O
dengan O
text O
mining. O
yaitu O
menerapkan O
topic B-METODE
modeling I-METODE
dan O
sentiment B-METODE
analysis. I-METODE
Topic O
modeling O
dengan O
algoritma O
Latent O
Dirichlet O
Allocation O
digunakan O
memodelkan O
opini O
dari O
tweet O
masyrakat O
Indonesia. O
Selanjutnya O
, O
penggunaan O
sentiment O
analysis O
dengan O
lexicon O
based O
untuk O
mengukur O
sentimen O
/ O
respon O
tweet O
masyarakat O
terkait O
vaksinasi O
COVID-19. B-TEMUAN
Hasil I-TEMUAN
sentiment I-TEMUAN
analysis I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
respon I-TEMUAN
masyarakat I-TEMUAN
selama I-TEMUAN
perode I-TEMUAN
perdana I-TEMUAN
vaksinasi I-TEMUAN
COVID-19 I-TEMUAN
didominasi I-TEMUAN
oleh I-TEMUAN
sentimen I-TEMUAN
netral. I-TEMUAN
Walaupun O
respon O
didominasi O
sentimen O
netral O
, O
jumlah O
sentimen O
positif O
masih O
lebih O
banyak O
dari O
sentimen O
negatif. O
Kemudian O
, O
hasil B-TEMUAN
topic I-TEMUAN
modeling I-TEMUAN
menunjukkan I-TEMUAN
walaupun I-TEMUAN
program I-TEMUAN
vaksinasi I-TEMUAN
COVID-19 I-TEMUAN
sudah I-TEMUAN
dilakukan I-TEMUAN
, I-TEMUAN
opini I-TEMUAN
sebagian I-TEMUAN
masyarakat I-TEMUAN
masih I-TEMUAN
ragu I-TEMUAN
dan I-TEMUAN
menolak I-TEMUAN
terhadap I-TEMUAN
vaksinasi I-TEMUAN
COVID-19 I-TEMUAN
karena I-TEMUAN
dipengaruhi I-TEMUAN
beberapa I-TEMUAN
faktor I-TEMUAN
diantaranya O
masalah O
keamanan O
dan O
status O
kehalalan O
dari O
vaksin O
yang O
diberikan. O
Selain O
itu O
, O
model O
topik O
juga O
menangkap O
opini O
terkait O
kasus O
penyebaran O
berita O
hoax O
dan O
penipuan O
terkait O
vaksinasi O
COVID-19. O
Kata O
Kunci— O
topic O
modeling O
, O
sentiment O
analysis O
, O
coherence O
, O
knowledge O
[SEP] O
Dari O
tahapan O
penelitian O
yang O
telah O
dilakukan O
, O
berikut O
hasil O
yang O
dapat O
disimpulkan O
pada O
penelitian O
ini O
: O
1. O
Metode O
sentiment B-METODE
analysis I-METODE
dengan O
TextBlob O
dan O
topic O
modeling O
dengan O
LDA O
merupakan O
metode O
yang O
dapat O
membantu O
dalam O
mengidentifikasi B-TUJUAN
respon I-TUJUAN
dan I-TUJUAN
respon I-TUJUAN
masyarakat I-TUJUAN
terkait I-TUJUAN
vaksinasi I-TUJUAN
COVID-19 I-TUJUAN
pada I-TUJUAN
media I-TUJUAN
sosial I-TUJUAN
Twitter. I-TUJUAN
2. O
Berdasarkan O
hasil O
analisis B-METODE
sentimen I-METODE
yang O
dilakukan O
, O
dapat O
disimpulkan O
bahwa O
telah O
respon O
Makalah O
Sidang O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
masyarakat O
selama O
perode O
perdana O
vaksinasi O
COVID- O
19 O
didominasi O
oleh O
sentimen O
netral. O
Tingginya O
tingkat O
respon O
netral O
dari O
tweet O
masyarakat O
menunjukkan O
bahwa O
respon O
dari O
tweet O
masyarakat O
diperoleh O
bukan O
hanya O
dari O
mereka O
yang O
menyatakan O
apakah O
pro O
atau O
kontra O
terhadap O
wacana O
vaksinasi O
tersebut O
, O
melainkan O
juga O
banyak O
respon O
masyarakat O
lainnya O
sepeti O
pengetahuan O
, O
harapan O
, O
atau O
pendapat O
umum O
mereka O
[ O
12 O
] O
. O
Walaupun O
respon O
didominasi O
sentimen O
netral O
, O
jumlah O
sentimen O
positif O
masih O
lebih O
banyak O
dari O
sentimen O
negatif. O
Jika O
dilihat O
per O
harinya O
, O
pola O
proporsi O
sentimen O
negatif O
cenderung O
lebih O
stabil O
dibandingkan O
dengan O
sentimen O
positif O
dan O
netral O
atau O
tidak O
dapat O
diartikan O
bahwa O
sentimen O
negatif O
mengalami O
kenaikan O
atau O
penurunan O
respon O
yang O
signifikan O
setiap O
harinya. O
Rata-rata O
perubahan O
proporsi O
sentimen O
negatif O
setiap O
harinya O
sekitar O
0,04 O
% O
, O
lebih O
rendah O
dari O
rata-rata O
pada O
proporsi O
netral O
dan O
positif. O
3. O
Hasil O
penelitian O
ini O
menunjukkan O
bahwa O
pola O
sentimen O
masyarakat O
setelah O
vaksinasi O
perdana O
COVID-19 O
cenderung O
memiliki O
pola O
yang O
sama O
dengan O
hasil O
penelitian O
[ O
12 O
] O
yang O
melakukan O
analisis O
pada O
periode O
sebelum O
vaksinasi O
COVID-19. O
4. O
Hasil O
topic O
modeling O
menunjukkan O
, O
opini O
yang O
disampaikan O
masyarakat O
sebagian O
besar O
membahas O
tentang O
penilaian O
dan O
pengetahuan O
mereka O
terhadap O
vaksinasi O
COVID-19 O
di O
Indonesia. O
Penilaian O
masyarakat O
cenderung O
mengarah O
pada O
persoalan O
kemanan O
dan O
status O
kehalalan O
vaksin O
COVID-19 O
, O
serta O
terkait O
pemberian O
vaksin O
COVID-19 O
pada O
lansia. O
Adanya O
pembahasan O
kedua O
topik O
tersebut O
pada O
dua O
kelas O
sentimen O
positif O
dan O
negatif O
menunjukkan O
bahwa O
, O
persoalan O
tersebut O
masih O
pro-kontra O
di O
masyarakat. O
Selain O
itu O
, O
sebagian O
masyrakat O
masih O
ragu O
dan O
menolak O
terhadap O
vaksinasi O
COVID-19. O
Kemudian O
, O
maraknya O
berita O
hoax O
dan O
kasus O
penipuan O
terkait O
vaksinasi O
COVID-19 O
dapat O
menimbulkan O
masalah O
di O
masyarakat O
, O
sehingga O
dapat O
menghambat O
jalanya O
proses O
vaksinasi O
COVID-19 O
di O
Indonesia.. O
Penelitian O
selanjutnya O
diharapkan O
dapat O
mencari O
metode O
analisis O
sentimen O
dan O
evaluasi O
topik O
yang O
lebih O
baik O
, O
sehingga O
dapat O
meningkatkan O
hasil O
analisis. O
Kemudian O
, O
proses O
analisis O
dapat O
dilakukan O
lebih O
mendalam O
, O
seperti O
dengan O
menganalisis O
tweet O
berdasarkan O
lokasi O
dan O
mengidentifikasi O
akun O
atau O
tokoh O
yang O
paling O
berpengaruh O
dan O
banyak O
dibicarakan O
dari O
suatu O
topik. O
9 O
/ O
10 O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O
[ O
14 O
] O
[ O
15 O
] O
[ O
16 O
] O
[ O
17 O
] O
[ O
18 O
] O

Algoritma O
Machine O
Learning O
untuk O
Pengelompokan O
Kesejahteraan O
Sosial O
( O
Studi O
Kasus O
: O
Kawasan O
Timur O
Indonesia O
Tahun O
2019 O
) O
Danu O
Abdi O
Saputra O
( O
221709607 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Tiodora O
Hadumaon O
Siagian O
, O
M. O
Pop. O
, O
Hum. O
Res. O
Ringkasan— O
Kesejahteraan O
sosial O
merupakan O
salah O
satu O
indikator O
yang O
menggambarkan O
pembangunan O
wilayah O
di O
Indonesia. O
Berbagai O
program O
serta O
kebijakan O
telah O
dilakukan O
pemerintah O
dalam O
proses O
penyelenggaraan O
kesejahteraan O
sosial O
di O
Indonesia. O
Namun O
nyatanya O
, O
masih O
terdapat O
beberapa O
wilayah O
di O
Indonesia O
yang O
pelaksanaan O
program O
serta O
kebijakan O
kesejahteraan O
sosial O
belum O
sepenuhnya O
efektif O
dan O
tepat O
sasaran. O
Hal O
ini O
diindikasikan O
dengan O
masih O
terdapat O
enam O
belas O
provinsi O
di O
Indonesia O
yang O
persentase O
jumlah O
penduduk O
miskinnya O
di O
atas O
10 O
% O
berdasarkan O
data O
Badan O
Pusat O
Statistik O
pada O
Maret O
2020 O
dimana O
diketahui O
sembilan O
dari O
enam O
belas O
provinsi O
tersebut O
merupakan O
provinsi O
di O
wilayah O
Kawasan O
Timur O
Indonesia O
( O
KTI O
) O
. O
Selain O
itu O
, O
lima O
provinsi O
dengan O
persentase O
penduduk O
miskin O
tertinggi O
di O
Indonesia O
juga O
merupakan O
provinsi O
yang O
ada O
di O
wilayah O
KTI. O
Berdasarkan O
permasalahan O
tersebut O
, O
pada O
ini O
dilakukan B-TUJUAN
penerapan I-TUJUAN
algoritma I-TUJUAN
unsupervised I-TUJUAN
penelitian I-TUJUAN
machine I-TUJUAN
learning I-TUJUAN
yaitu I-TUJUAN
clustering I-TUJUAN
untuk I-TUJUAN
pengelompokan I-TUJUAN
kesejahteraan I-TUJUAN
sosial I-TUJUAN
pada I-TUJUAN
seluruh I-TUJUAN
kabupaten I-TUJUAN
/ I-TUJUAN
kota I-TUJUAN
di I-TUJUAN
wilayah I-TUJUAN
KTI. I-TUJUAN
Metode B-METODE
clustering I-METODE
yang O
digunakan O
merupakan O
metode O
k- O
means O
clustering O
dan O
fuzzy O
c-means O
dengan O
jumlah O
cluster O
( O
k O
) O
yaitu O
3 O
dan O
4. O
Dari O
semua O
hasil O
pengelompokan O
yang O
telah O
diperoleh O
, O
kemudian O
dilakukan O
evaluasi O
dengan O
menggunakan O
metode B-METODE
davies-bouldin I-METODE
index I-METODE
dan I-METODE
dunn I-METODE
index I-METODE
untuk O
mencari O
algoritma O
machine O
learning O
terbaik O
dalam O
penelitian O
ini. O
Hasil B-TEMUAN
pengelompokan I-TEMUAN
dari I-TEMUAN
algoritma I-TEMUAN
machine I-TEMUAN
learning I-TEMUAN
terbaik I-TEMUAN
tersebut I-TEMUAN
divisualisasikan I-TEMUAN
dalam I-TEMUAN
sebuah I-TEMUAN
dashboard I-TEMUAN
kesejahteraan I-TEMUAN
sosial I-TEMUAN
yang O
telah O
dibangun O
dengan O
menggunakan O
Bahasa O
R O
dengan O
framework O
Shiny. O
Kata O
Kunci— O
Kesejahteraan O
sosial O
, O
KTI O
, O
unsupervised O
machine O
learning O
, O
k-means O
clustering O
, O
fuzzy O
c-means. O
[SEP] O
Penelitian O
ini O
telah O
berhasil O
menerapkan B-TUJUAN
algoritma I-TUJUAN
machine I-TUJUAN
learning I-TUJUAN
untuk I-TUJUAN
pengelompokan I-TUJUAN
kesejahteraan I-TUJUAN
sosial I-TUJUAN
wilayah I-TUJUAN
KTI I-TUJUAN
tahun I-TUJUAN
2019 I-TUJUAN
dengan O
metode O
k-means O
clustering O
dan O
fuzzy O
c-means O
dengan O
jumlah O
cluster O
( O
k O
) O
yaitu O
3 O
dan O
4. O
Kemudian O
dari O
hasil O
proses O
clustering O
tersebut O
, O
dilakukan O
perbandingan O
kualitas O
hasil O
pengelompokan O
yang O
diperoleh O
dan O
didapatkan O
bahwa O
algoritma O
machine O
learning O
terbaik O
dalam O
penelitian O
ini O
adalah O
k-means O
clustering O
dengan O
jumlah O
cluster O
( O
k O
) O
sama O
dengan O
3. O
Visualisasi O
dari O
hasil O
pengelompokan O
kesejahteraan O
sosial O
dengan O
algoritma O
machine O
learning O
terbaik O
dalam O
bentuk O
dashboard O
informasi O
telah O
dibangun O
dengan O
menggunakan O
package O
Shiny. O
Dari O
hasil O
penelitian O
ini O
, O
diharapkan O
nantinya O
dapat O
dijadikan O
referensi O
bagi O
para O
pengambil O
kebijakan O
agar O
dapat O
melaksanakan O
program O
serta O
kebijakan O
kesejahteraan O
sosial O
yang O
efektif O
dan O
tepat O
sasaran O
di O
wilayah O
KTI. O
Untuk O
penelitian O
selanjutnya O
, O
diharapkan O
dapat O
mengembangkan O
penelitian O
ini O
dengan O
menambah O
dimensi O
kesejahteraan O
sosial O
yang O
belum O
tercakup O
, O
menerapkan O
metode O
clustering O
lain O
untuk O
pengelompokan O
kesejahteraan O
sosial O
, O
serta O
dapat O
mengembangkan O
dashboard O
informasi O
yang O
telah O
dibangun. O
variabel-variabel O
dari O

Algoritma O
Machine O
Learning O
untuk O
Pengelompokan O
Kesejahteraan O
Sosial O
( O
Studi O
Kasus O
: O
Kawasan O
Timur O
Indonesia O
Tahun O
2019 O
) O
Danu O
Abdi O
Saputra O
( O
221709607 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Tiodora O
Hadumaon O
Siagian O
, O
M. O
Pop. O
, O
Hum. O
Res. O
Ringkasan— O
Kesejahteraan O
sosial O
merupakan O
salah O
satu O
indikator O
yang O
menggambarkan O
pembangunan O
wilayah O
di O
Indonesia. O
Berbagai O
program O
serta O
kebijakan O
telah O
dilakukan O
pemerintah O
dalam O
proses O
penyelenggaraan O
kesejahteraan O
sosial O
di O
Indonesia. O
Namun O
nyatanya O
, O
masih O
terdapat O
beberapa O
wilayah O
di O
Indonesia O
yang O
pelaksanaan O
program O
serta O
kebijakan O
kesejahteraan O
sosial O
belum O
sepenuhnya O
efektif O
dan O
tepat O
sasaran. O
Hal O
ini O
diindikasikan O
dengan O
masih O
terdapat O
enam O
belas O
provinsi O
di O
Indonesia O
yang O
persentase O
jumlah O
penduduk O
miskinnya O
di O
atas O
10 O
% O
berdasarkan O
data O
Badan O
Pusat O
Statistik O
pada O
Maret O
2020 O
dimana O
diketahui O
sembilan O
dari O
enam O
belas O
provinsi O
tersebut O
merupakan O
provinsi O
di O
wilayah O
Kawasan O
Timur O
Indonesia O
( O
KTI O
) O
. O
Selain O
itu O
, O
lima O
provinsi O
dengan O
persentase O
penduduk O
miskin O
tertinggi O
di O
Indonesia O
juga O
merupakan O
provinsi O
yang O
ada O
di O
wilayah O
KTI. O
Berdasarkan O
permasalahan O
tersebut O
, O
pada O
ini O
dilakukan B-TUJUAN
penerapan I-TUJUAN
algoritma I-TUJUAN
unsupervised I-TUJUAN
penelitian I-TUJUAN
machine I-TUJUAN
learning I-TUJUAN
yaitu I-TUJUAN
clustering I-TUJUAN
untuk I-TUJUAN
pengelompokan I-TUJUAN
kesejahteraan I-TUJUAN
sosial I-TUJUAN
pada I-TUJUAN
seluruh I-TUJUAN
kabupaten I-TUJUAN
/ I-TUJUAN
kota I-TUJUAN
di I-TUJUAN
wilayah I-TUJUAN
KTI. I-TUJUAN
Metode B-METODE
clustering I-METODE
yang O
digunakan O
merupakan O
metode O
k- O
means O
clustering O
dan O
fuzzy O
c-means O
dengan O
jumlah O
cluster O
( O
k O
) O
yaitu O
3 O
dan O
4. O
Dari O
semua O
hasil O
pengelompokan O
yang O
telah O
diperoleh O
, O
kemudian O
dilakukan O
evaluasi O
dengan O
menggunakan O
metode B-METODE
davies-bouldin I-METODE
index I-METODE
dan I-METODE
dunn I-METODE
index I-METODE
untuk O
mencari O
algoritma O
machine O
learning O
terbaik O
dalam O
penelitian O
ini. O
Hasil B-TEMUAN
pengelompokan I-TEMUAN
dari I-TEMUAN
algoritma I-TEMUAN
machine I-TEMUAN
learning I-TEMUAN
terbaik I-TEMUAN
tersebut I-TEMUAN
divisualisasikan I-TEMUAN
dalam I-TEMUAN
sebuah I-TEMUAN
dashboard I-TEMUAN
kesejahteraan I-TEMUAN
sosial I-TEMUAN
yang O
telah O
dibangun O
dengan O
menggunakan O
Bahasa O
R O
dengan O
framework O
Shiny. O
Kata O
Kunci— O
Kesejahteraan O
sosial O
, O
KTI O
, O
unsupervised O
machine O
learning O
, O
k-means O
clustering O
, O
fuzzy O
c-means. O
[SEP] O
Penelitian O
ini O
telah O
berhasil O
menerapkan B-TUJUAN
algoritma I-TUJUAN
machine I-TUJUAN
learning I-TUJUAN
untuk I-TUJUAN
pengelompokan I-TUJUAN
kesejahteraan I-TUJUAN
sosial I-TUJUAN
wilayah I-TUJUAN
KTI I-TUJUAN
tahun I-TUJUAN
2019 I-TUJUAN
dengan O
metode O
k-means O
clustering O
dan O
fuzzy O
c-means O
dengan O
jumlah O
cluster O
( O
k O
) O
yaitu O
3 O
dan O
4. O
Kemudian O
dari O
hasil O
proses O
clustering O
tersebut O
, O
dilakukan O
perbandingan O
kualitas O
hasil O
pengelompokan O
yang O
diperoleh O
dan O
didapatkan O
bahwa O
algoritma O
machine O
learning O
terbaik O
dalam O
penelitian O
ini O
adalah O
k-means O
clustering O
dengan O
jumlah O
cluster O
( O
k O
) O
sama O
dengan O
3. O
Visualisasi O
dari O
hasil O
pengelompokan O
kesejahteraan O
sosial O
dengan O
algoritma O
machine O
learning O
terbaik O
dalam O
bentuk O
dashboard O
informasi O
telah O
dibangun O
dengan O
menggunakan O
package O
Shiny. O
Dari O
hasil O
penelitian O
ini O
, O
diharapkan O
nantinya O
dapat O
dijadikan O
referensi O
bagi O
para O
pengambil O
kebijakan O
agar O
dapat O
melaksanakan O
program O
serta O
kebijakan O
kesejahteraan O
sosial O
yang O
efektif O
dan O
tepat O
sasaran O
di O
wilayah O
KTI. O
Untuk O
penelitian O
selanjutnya O
, O
diharapkan O
dapat O
mengembangkan O
penelitian O
ini O
dengan O
menambah O
dimensi O
kesejahteraan O
sosial O
yang O
belum O
tercakup O
, O
menerapkan O
metode O
clustering O
lain O
untuk O
pengelompokan O
kesejahteraan O
sosial O
, O
serta O
dapat O
mengembangkan O
dashboard O
informasi O
yang O
telah O
dibangun. O
variabel-variabel O
dari O

Algoritma O
Machine O
Learning O
untuk O
Pengelompokan O
Kesejahteraan O
Sosial O
( O
Studi O
Kasus O
: O
Kawasan O
Timur O
Indonesia O
Tahun O
2019 O
) O
Danu O
Abdi O
Saputra O
( O
221709607 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Tiodora O
Hadumaon O
Siagian O
, O
M. O
Pop. O
, O
Hum. O
Res. O
Ringkasan— O
Kesejahteraan O
sosial O
merupakan O
salah O
satu O
indikator O
yang O
menggambarkan O
pembangunan O
wilayah O
di O
Indonesia. O
Berbagai O
program O
serta O
kebijakan O
telah O
dilakukan O
pemerintah O
dalam O
proses O
penyelenggaraan O
kesejahteraan O
sosial O
di O
Indonesia. O
Namun O
nyatanya O
, O
masih O
terdapat O
beberapa O
wilayah O
di O
Indonesia O
yang O
pelaksanaan O
program O
serta O
kebijakan O
kesejahteraan O
sosial O
belum O
sepenuhnya O
efektif O
dan O
tepat O
sasaran. O
Hal O
ini O
diindikasikan O
dengan O
masih O
terdapat O
enam O
belas O
provinsi O
di O
Indonesia O
yang O
persentase O
jumlah O
penduduk O
miskinnya O
di O
atas O
10 O
% O
berdasarkan O
data O
Badan O
Pusat O
Statistik O
pada O
Maret O
2020 O
dimana O
diketahui O
sembilan O
dari O
enam O
belas O
provinsi O
tersebut O
merupakan O
provinsi O
di O
wilayah O
Kawasan O
Timur O
Indonesia O
( O
KTI O
) O
. O
Selain O
itu O
, O
lima O
provinsi O
dengan O
persentase O
penduduk O
miskin O
tertinggi O
di O
Indonesia O
juga O
merupakan O
provinsi O
yang O
ada O
di O
wilayah O
KTI. O
Berdasarkan O
permasalahan O
tersebut O
, O
pada O
ini O
dilakukan B-TUJUAN
penerapan I-TUJUAN
algoritma I-TUJUAN
unsupervised I-TUJUAN
penelitian I-TUJUAN
machine I-TUJUAN
learning I-TUJUAN
yaitu I-TUJUAN
clustering I-TUJUAN
untuk I-TUJUAN
pengelompokan I-TUJUAN
kesejahteraan I-TUJUAN
sosial I-TUJUAN
pada I-TUJUAN
seluruh I-TUJUAN
kabupaten I-TUJUAN
/ I-TUJUAN
kota I-TUJUAN
di I-TUJUAN
wilayah I-TUJUAN
KTI. I-TUJUAN
Metode B-METODE
clustering I-METODE
yang O
digunakan O
merupakan O
metode O
k- O
means O
clustering O
dan O
fuzzy O
c-means O
dengan O
jumlah O
cluster O
( O
k O
) O
yaitu O
3 O
dan O
4. O
Dari O
semua O
hasil O
pengelompokan O
yang O
telah O
diperoleh O
, O
kemudian O
dilakukan O
evaluasi O
dengan O
menggunakan O
metode B-METODE
davies-bouldin I-METODE
index I-METODE
dan I-METODE
dunn I-METODE
index I-METODE
untuk O
mencari O
algoritma O
machine O
learning O
terbaik O
dalam O
penelitian O
ini. O
Hasil B-TEMUAN
pengelompokan I-TEMUAN
dari I-TEMUAN
algoritma I-TEMUAN
machine I-TEMUAN
learning I-TEMUAN
terbaik I-TEMUAN
tersebut I-TEMUAN
divisualisasikan I-TEMUAN
dalam I-TEMUAN
sebuah I-TEMUAN
dashboard I-TEMUAN
kesejahteraan I-TEMUAN
sosial I-TEMUAN
yang O
telah O
dibangun O
dengan O
menggunakan O
Bahasa O
R O
dengan O
framework O
Shiny. O
Kata O
Kunci— O
Kesejahteraan O
sosial O
, O
KTI O
, O
unsupervised O
machine O
learning O
, O
k-means O
clustering O
, O
fuzzy O
c-means. O
[SEP] O
Penelitian O
ini O
telah O
berhasil O
menerapkan B-TUJUAN
algoritma I-TUJUAN
machine I-TUJUAN
learning I-TUJUAN
untuk I-TUJUAN
pengelompokan I-TUJUAN
kesejahteraan I-TUJUAN
sosial I-TUJUAN
wilayah I-TUJUAN
KTI I-TUJUAN
tahun I-TUJUAN
2019 I-TUJUAN
dengan O
metode O
k-means O
clustering O
dan O
fuzzy O
c-means O
dengan O
jumlah O
cluster O
( O
k O
) O
yaitu O
3 O
dan O
4. O
Kemudian O
dari O
hasil O
proses O
clustering O
tersebut O
, O
dilakukan O
perbandingan O
kualitas O
hasil O
pengelompokan O
yang O
diperoleh O
dan O
didapatkan O
bahwa O
algoritma O
machine O
learning O
terbaik O
dalam O
penelitian O
ini O
adalah O
k-means O
clustering O
dengan O
jumlah O
cluster O
( O
k O
) O
sama O
dengan O
3. O
Visualisasi O
dari O
hasil O
pengelompokan O
kesejahteraan O
sosial O
dengan O
algoritma O
machine O
learning O
terbaik O
dalam O
bentuk O
dashboard O
informasi O
telah O
dibangun O
dengan O
menggunakan O
package O
Shiny. O
Dari O
hasil O
penelitian O
ini O
, O
diharapkan O
nantinya O
dapat O
dijadikan O
referensi O
bagi O
para O
pengambil O
kebijakan O
agar O
dapat O
melaksanakan O
program O
serta O
kebijakan O
kesejahteraan O
sosial O
yang O
efektif O
dan O
tepat O
sasaran O
di O
wilayah O
KTI. O
Untuk O
penelitian O
selanjutnya O
, O
diharapkan O
dapat O
mengembangkan O
penelitian O
ini O
dengan O
menambah O
dimensi O
kesejahteraan O
sosial O
yang O
belum O
tercakup O
, O
menerapkan O
metode O
clustering O
lain O
untuk O
pengelompokan O
kesejahteraan O
sosial O
, O
serta O
dapat O
mengembangkan O
dashboard O
informasi O
yang O
telah O
dibangun. O
variabel-variabel O
dari O

Passive O
Mobile O
Positioning O
Data O
dalam O
Statistik O
Pariwisata O
dengan O
Pendekatan O
Point O
of O
Interest O
( O
Studi O
Kasus O
: O
Daerah O
Istimewa O
Yogyakarta O
, O
Indonesia O
) O
Dandy O
Adetiar O
Al O
Rizki O
( O
221709604 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Setia O
Pramana O
Ringkasan—Statistik O
pariwisata O
resmi O
digunakan O
sebagai O
tolok O
ukur O
dalam O
pembangunan O
kepariwisataan. O
Saat O
ini O
, O
dalam O
pengumpulan O
statistik O
pariwisata O
resmi O
, O
big O
data O
dimanfaatkan O
sebagai O
sumber O
data O
lain. O
Dalam O
penelitian O
pariwisata O
, O
big O
data O
yang O
menggunakan O
teknologi O
pelacakan O
lokasi O
seperti O
Mobile O
Positioning O
Data O
( O
MPD O
) O
pada O
statistik O
pariwisata O
resmi O
masih O
sangat O
sedikit. O
Metode O
pendekatan O
dengan O
passive B-METODE
mobile I-METODE
positioning I-METODE
data I-METODE
merupakan O
metode O
yang O
menjadi O
mayoritas O
dalam O
penerapan O
MPD O
di O
sektor O
pariwisata. O
Penelitian O
ini O
, O
menyusun B-TUJUAN
dan I-TUJUAN
memaparkan I-TUJUAN
algoritme I-TUJUAN
berbasis I-TUJUAN
sampel I-TUJUAN
acak I-TUJUAN
MPD I-TUJUAN
pasif I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
mengukur I-TUJUAN
jumlah I-TUJUAN
pengunjung I-TUJUAN
wisata I-TUJUAN
dengan I-TUJUAN
pendekatan I-TUJUAN
point I-TUJUAN
of I-TUJUAN
interest I-TUJUAN
yang I-TUJUAN
mendukung I-TUJUAN
kepariwisataan I-TUJUAN
sebagai I-TUJUAN
kajian I-TUJUAN
penerapan I-TUJUAN
MPD I-TUJUAN
pasif I-TUJUAN
dalam I-TUJUAN
statistik I-TUJUAN
pariwisata. I-TUJUAN
Dengan O
mengimplementasikan O
sampel O
acak O
MPD O
pasif O
dari O
operator O
jaringan O
seluler O
dan O
proxy O
dari O
PoI O
, O
algoritme O
yang O
dibangun O
dievaluasi O
melalui O
pattern O
suitability. O
Ditunjukkan O
dari O
kesesuaian O
pola O
, O
algoritme O
dapat O
digunakan O
untuk O
mengukur O
jumlah O
pengunjung O
di O
suatu O
area O
geografis. O
Kemudian O
, O
hasil O
penerapan O
dievaluasi O
lebih O
lanjut O
dengan O
analisis O
untuk O
mengetahui O
insight O
dari O
output O
dan O
keandalan O
algoritme. O
Kata O
Kunci— O
pariwisata O
, O
big O
data O
, O
mobile O
positioning O
data O
, O
point O
of O
interest O
, O
pattern O
suitability. O
[SEP] O
Kajian O
ini O
memberikan O
pemahaman O
bahwa O
penerapan O
sampel O
acak O
MPD O
pasif O
dengan O
pendekatan O
PoI O
di O
sektor O
pariwisata O
, O
dapat O
menghasilkan O
statistik O
pariwisata O
berupa O
jumlah O
pengunjung O
dan O
kunjungan O
wisata O
di O
suatu O
area O
geografis. B-TEMUAN
Penelitian I-TEMUAN
ini I-TEMUAN
berhasil I-TEMUAN
membangun I-TEMUAN
suatu I-TEMUAN
prosedur I-TEMUAN
atau I-TEMUAN
algoritme I-TEMUAN
berdasarkan I-TEMUAN
big I-TEMUAN
data I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
mengukur I-TEMUAN
kepadatan I-TEMUAN
jumlah I-TEMUAN
pengunjung I-TEMUAN
pada I-TEMUAN
objek I-TEMUAN
atau I-TEMUAN
destinasi I-TEMUAN
wisata I-TEMUAN
hingga I-TEMUAN
tingkat I-TEMUAN
kabupaten I-TEMUAN
/ I-TEMUAN
kota I-TEMUAN
dan I-TEMUAN
mengidentifikasi I-TEMUAN
tipe I-TEMUAN
pengunjung I-TEMUAN
wisata I-TEMUAN
berdasarkan I-TEMUAN
kunjungan I-TEMUAN
pada I-TEMUAN
PoI I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
sebagai I-TEMUAN
wisatawan I-TEMUAN
nusantara I-TEMUAN
dan I-TEMUAN
pengunjung I-TEMUAN
setempat. I-TEMUAN
dan O
menggambarkan O
pengunjung O
Selanjutnya O
algoritme O
ini O
dapat O
dikembangkan O
menjadi O
algoritme O
yang O
dapat O
mendeteksi O
pengunjung O
dengan O
kunjungan O
lebih O
dari O
sekali O
di O
objek O
yang O
sama O
dalam O
hari O
yang O
sama O
, O
misalnya O
dengan O
memperhatikan O
trajectory O
atau O
lintasan O
dari O
data O
yang O
digunakan. O

Passive O
Mobile O
Positioning O
Data O
dalam O
Statistik O
Pariwisata O
dengan O
Pendekatan O
Point O
of O
Interest O
( O
Studi O
Kasus O
: O
Daerah O
Istimewa O
Yogyakarta O
, O
Indonesia O
) O
Dandy O
Adetiar O
Al O
Rizki O
( O
221709604 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Setia O
Pramana O
Ringkasan—Statistik O
pariwisata O
resmi O
digunakan O
sebagai O
tolok O
ukur O
dalam O
pembangunan O
kepariwisataan. O
Saat O
ini O
, O
dalam O
pengumpulan O
statistik O
pariwisata O
resmi O
, O
big O
data O
dimanfaatkan O
sebagai O
sumber O
data O
lain. O
Dalam O
penelitian O
pariwisata O
, O
big O
data O
yang O
menggunakan O
teknologi O
pelacakan O
lokasi O
seperti O
Mobile O
Positioning O
Data O
( O
MPD O
) O
pada O
statistik O
pariwisata O
resmi O
masih O
sangat O
sedikit. O
Metode O
pendekatan O
dengan O
passive B-METODE
mobile I-METODE
positioning I-METODE
data I-METODE
merupakan O
metode O
yang O
menjadi O
mayoritas O
dalam O
penerapan O
MPD O
di O
sektor O
pariwisata. O
Penelitian O
ini O
, O
menyusun B-TUJUAN
dan I-TUJUAN
memaparkan I-TUJUAN
algoritme I-TUJUAN
berbasis I-TUJUAN
sampel I-TUJUAN
acak I-TUJUAN
MPD I-TUJUAN
pasif I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
mengukur I-TUJUAN
jumlah I-TUJUAN
pengunjung I-TUJUAN
wisata I-TUJUAN
dengan I-TUJUAN
pendekatan I-TUJUAN
point I-TUJUAN
of I-TUJUAN
interest I-TUJUAN
yang I-TUJUAN
mendukung I-TUJUAN
kepariwisataan I-TUJUAN
sebagai I-TUJUAN
kajian I-TUJUAN
penerapan I-TUJUAN
MPD I-TUJUAN
pasif I-TUJUAN
dalam I-TUJUAN
statistik I-TUJUAN
pariwisata. I-TUJUAN
Dengan O
mengimplementasikan O
sampel O
acak O
MPD O
pasif O
dari O
operator O
jaringan O
seluler O
dan O
proxy O
dari O
PoI O
, O
algoritme O
yang O
dibangun O
dievaluasi O
melalui O
pattern O
suitability. O
Ditunjukkan O
dari O
kesesuaian O
pola O
, O
algoritme O
dapat O
digunakan O
untuk O
mengukur O
jumlah O
pengunjung O
di O
suatu O
area O
geografis. O
Kemudian O
, O
hasil O
penerapan O
dievaluasi O
lebih O
lanjut O
dengan O
analisis O
untuk O
mengetahui O
insight O
dari O
output O
dan O
keandalan O
algoritme. O
Kata O
Kunci— O
pariwisata O
, O
big O
data O
, O
mobile O
positioning O
data O
, O
point O
of O
interest O
, O
pattern O
suitability. O
[SEP] O
Kajian O
ini O
memberikan O
pemahaman O
bahwa O
penerapan O
sampel O
acak O
MPD O
pasif O
dengan O
pendekatan O
PoI O
di O
sektor O
pariwisata O
, O
dapat O
menghasilkan O
statistik O
pariwisata O
berupa O
jumlah O
pengunjung O
dan O
kunjungan O
wisata O
di O
suatu O
area O
geografis. B-TEMUAN
Penelitian I-TEMUAN
ini I-TEMUAN
berhasil I-TEMUAN
membangun I-TEMUAN
suatu I-TEMUAN
prosedur I-TEMUAN
atau I-TEMUAN
algoritme I-TEMUAN
berdasarkan I-TEMUAN
big I-TEMUAN
data I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
mengukur I-TEMUAN
kepadatan I-TEMUAN
jumlah I-TEMUAN
pengunjung I-TEMUAN
pada I-TEMUAN
objek I-TEMUAN
atau I-TEMUAN
destinasi I-TEMUAN
wisata I-TEMUAN
hingga I-TEMUAN
tingkat I-TEMUAN
kabupaten I-TEMUAN
/ I-TEMUAN
kota I-TEMUAN
dan I-TEMUAN
mengidentifikasi I-TEMUAN
tipe I-TEMUAN
pengunjung I-TEMUAN
wisata I-TEMUAN
berdasarkan I-TEMUAN
kunjungan I-TEMUAN
pada I-TEMUAN
PoI I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
sebagai I-TEMUAN
wisatawan I-TEMUAN
nusantara I-TEMUAN
dan I-TEMUAN
pengunjung I-TEMUAN
setempat. I-TEMUAN
dan O
menggambarkan O
pengunjung O
Selanjutnya O
algoritme O
ini O
dapat O
dikembangkan O
menjadi O
algoritme O
yang O
dapat O
mendeteksi O
pengunjung O
dengan O
kunjungan O
lebih O
dari O
sekali O
di O
objek O
yang O
sama O
dalam O
hari O
yang O
sama O
, O
misalnya O
dengan O
memperhatikan O
trajectory O
atau O
lintasan O
dari O
data O
yang O
digunakan. O

Passive O
Mobile O
Positioning O
Data O
dalam O
Statistik O
Pariwisata O
dengan O
Pendekatan O
Point O
of O
Interest O
( O
Studi O
Kasus O
: O
Daerah O
Istimewa O
Yogyakarta O
, O
Indonesia O
) O
Dandy O
Adetiar O
Al O
Rizki O
( O
221709604 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Setia O
Pramana O
Ringkasan—Statistik O
pariwisata O
resmi O
digunakan O
sebagai O
tolok O
ukur O
dalam O
pembangunan O
kepariwisataan. O
Saat O
ini O
, O
dalam O
pengumpulan O
statistik O
pariwisata O
resmi O
, O
big O
data O
dimanfaatkan O
sebagai O
sumber O
data O
lain. O
Dalam O
penelitian O
pariwisata O
, O
big O
data O
yang O
menggunakan O
teknologi O
pelacakan O
lokasi O
seperti O
Mobile O
Positioning O
Data O
( O
MPD O
) O
pada O
statistik O
pariwisata O
resmi O
masih O
sangat O
sedikit. O
Metode O
pendekatan O
dengan O
passive B-METODE
mobile I-METODE
positioning I-METODE
data I-METODE
merupakan O
metode O
yang O
menjadi O
mayoritas O
dalam O
penerapan O
MPD O
di O
sektor O
pariwisata. O
Penelitian O
ini O
, O
menyusun B-TUJUAN
dan I-TUJUAN
memaparkan I-TUJUAN
algoritme I-TUJUAN
berbasis I-TUJUAN
sampel I-TUJUAN
acak I-TUJUAN
MPD I-TUJUAN
pasif I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
mengukur I-TUJUAN
jumlah I-TUJUAN
pengunjung I-TUJUAN
wisata I-TUJUAN
dengan I-TUJUAN
pendekatan I-TUJUAN
point I-TUJUAN
of I-TUJUAN
interest I-TUJUAN
yang I-TUJUAN
mendukung I-TUJUAN
kepariwisataan I-TUJUAN
sebagai I-TUJUAN
kajian I-TUJUAN
penerapan I-TUJUAN
MPD I-TUJUAN
pasif I-TUJUAN
dalam I-TUJUAN
statistik I-TUJUAN
pariwisata. I-TUJUAN
Dengan O
mengimplementasikan O
sampel O
acak O
MPD O
pasif O
dari O
operator O
jaringan O
seluler O
dan O
proxy O
dari O
PoI O
, O
algoritme O
yang O
dibangun O
dievaluasi O
melalui O
pattern O
suitability. O
Ditunjukkan O
dari O
kesesuaian O
pola O
, O
algoritme O
dapat O
digunakan O
untuk O
mengukur O
jumlah O
pengunjung O
di O
suatu O
area O
geografis. O
Kemudian O
, O
hasil O
penerapan O
dievaluasi O
lebih O
lanjut O
dengan O
analisis O
untuk O
mengetahui O
insight O
dari O
output O
dan O
keandalan O
algoritme. O
Kata O
Kunci— O
pariwisata O
, O
big O
data O
, O
mobile O
positioning O
data O
, O
point O
of O
interest O
, O
pattern O
suitability. O
[SEP] O
Kajian O
ini O
memberikan O
pemahaman O
bahwa O
penerapan O
sampel O
acak O
MPD O
pasif O
dengan O
pendekatan O
PoI O
di O
sektor O
pariwisata O
, O
dapat O
menghasilkan O
statistik O
pariwisata O
berupa O
jumlah O
pengunjung O
dan O
kunjungan O
wisata O
di O
suatu O
area O
geografis. B-TEMUAN
Penelitian I-TEMUAN
ini I-TEMUAN
berhasil I-TEMUAN
membangun I-TEMUAN
suatu I-TEMUAN
prosedur I-TEMUAN
atau I-TEMUAN
algoritme I-TEMUAN
berdasarkan I-TEMUAN
big I-TEMUAN
data I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
mengukur I-TEMUAN
kepadatan I-TEMUAN
jumlah I-TEMUAN
pengunjung I-TEMUAN
pada I-TEMUAN
objek I-TEMUAN
atau I-TEMUAN
destinasi I-TEMUAN
wisata I-TEMUAN
hingga I-TEMUAN
tingkat I-TEMUAN
kabupaten I-TEMUAN
/ I-TEMUAN
kota I-TEMUAN
dan I-TEMUAN
mengidentifikasi I-TEMUAN
tipe I-TEMUAN
pengunjung I-TEMUAN
wisata I-TEMUAN
berdasarkan I-TEMUAN
kunjungan I-TEMUAN
pada I-TEMUAN
PoI I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
sebagai I-TEMUAN
wisatawan I-TEMUAN
nusantara I-TEMUAN
dan I-TEMUAN
pengunjung I-TEMUAN
setempat. I-TEMUAN
dan O
menggambarkan O
pengunjung O
Selanjutnya O
algoritme O
ini O
dapat O
dikembangkan O
menjadi O
algoritme O
yang O
dapat O
mendeteksi O
pengunjung O
dengan O
kunjungan O
lebih O
dari O
sekali O
di O
objek O
yang O
sama O
dalam O
hari O
yang O
sama O
, O
misalnya O
dengan O
memperhatikan O
trajectory O
atau O
lintasan O
dari O
data O
yang O
digunakan. O

Passive O
Mobile O
Positioning O
Data O
dalam O
Statistik O
Pariwisata O
dengan O
Pendekatan O
Point O
of O
Interest O
( O
Studi O
Kasus O
: O
Daerah O
Istimewa O
Yogyakarta O
, O
Indonesia O
) O
Dandy O
Adetiar O
Al O
Rizki O
( O
221709604 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Setia O
Pramana O
Ringkasan—Statistik O
pariwisata O
resmi O
digunakan O
sebagai O
tolok O
ukur O
dalam O
pembangunan O
kepariwisataan. O
Saat O
ini O
, O
dalam O
pengumpulan O
statistik O
pariwisata O
resmi O
, O
big O
data O
dimanfaatkan O
sebagai O
sumber O
data O
lain. O
Dalam O
penelitian O
pariwisata O
, O
big O
data O
yang O
menggunakan O
teknologi O
pelacakan O
lokasi O
seperti O
Mobile O
Positioning O
Data O
( O
MPD O
) O
pada O
statistik O
pariwisata O
resmi O
masih O
sangat O
sedikit. O
Metode O
pendekatan O
dengan O
passive B-METODE
mobile I-METODE
positioning I-METODE
data I-METODE
merupakan O
metode O
yang O
menjadi O
mayoritas O
dalam O
penerapan O
MPD O
di O
sektor O
pariwisata. O
Penelitian O
ini O
, O
menyusun B-TUJUAN
dan I-TUJUAN
memaparkan I-TUJUAN
algoritme I-TUJUAN
berbasis I-TUJUAN
sampel I-TUJUAN
acak I-TUJUAN
MPD I-TUJUAN
pasif I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
mengukur I-TUJUAN
jumlah I-TUJUAN
pengunjung I-TUJUAN
wisata I-TUJUAN
dengan I-TUJUAN
pendekatan I-TUJUAN
point I-TUJUAN
of I-TUJUAN
interest I-TUJUAN
yang I-TUJUAN
mendukung I-TUJUAN
kepariwisataan I-TUJUAN
sebagai I-TUJUAN
kajian I-TUJUAN
penerapan I-TUJUAN
MPD I-TUJUAN
pasif I-TUJUAN
dalam I-TUJUAN
statistik I-TUJUAN
pariwisata. I-TUJUAN
Dengan O
mengimplementasikan O
sampel O
acak O
MPD O
pasif O
dari O
operator O
jaringan O
seluler O
dan O
proxy O
dari O
PoI O
, O
algoritme O
yang O
dibangun O
dievaluasi O
melalui O
pattern O
suitability. O
Ditunjukkan O
dari O
kesesuaian O
pola O
, O
algoritme O
dapat O
digunakan O
untuk O
mengukur O
jumlah O
pengunjung O
di O
suatu O
area O
geografis. O
Kemudian O
, O
hasil O
penerapan O
dievaluasi O
lebih O
lanjut O
dengan O
analisis O
untuk O
mengetahui O
insight O
dari O
output O
dan O
keandalan O
algoritme. O
Kata O
Kunci— O
pariwisata O
, O
big O
data O
, O
mobile O
positioning O
data O
, O
point O
of O
interest O
, O
pattern O
suitability. O
[SEP] O
Kajian O
ini O
memberikan O
pemahaman O
bahwa O
penerapan O
sampel O
acak O
MPD O
pasif O
dengan O
pendekatan O
PoI O
di O
sektor O
pariwisata O
, O
dapat O
menghasilkan O
statistik O
pariwisata O
berupa O
jumlah O
pengunjung O
dan O
kunjungan O
wisata O
di O
suatu O
area O
geografis. B-TEMUAN
Penelitian I-TEMUAN
ini I-TEMUAN
berhasil I-TEMUAN
membangun I-TEMUAN
suatu I-TEMUAN
prosedur I-TEMUAN
atau I-TEMUAN
algoritme I-TEMUAN
berdasarkan I-TEMUAN
big I-TEMUAN
data I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
mengukur I-TEMUAN
kepadatan I-TEMUAN
jumlah I-TEMUAN
pengunjung I-TEMUAN
pada I-TEMUAN
objek I-TEMUAN
atau I-TEMUAN
destinasi I-TEMUAN
wisata I-TEMUAN
hingga I-TEMUAN
tingkat I-TEMUAN
kabupaten I-TEMUAN
/ I-TEMUAN
kota I-TEMUAN
dan I-TEMUAN
mengidentifikasi I-TEMUAN
tipe I-TEMUAN
pengunjung I-TEMUAN
wisata I-TEMUAN
berdasarkan I-TEMUAN
kunjungan I-TEMUAN
pada I-TEMUAN
PoI I-TEMUAN
, I-TEMUAN
yaitu I-TEMUAN
sebagai I-TEMUAN
wisatawan I-TEMUAN
nusantara I-TEMUAN
dan I-TEMUAN
pengunjung I-TEMUAN
setempat. I-TEMUAN
dan O
menggambarkan O
pengunjung O
Selanjutnya O
algoritme O
ini O
dapat O
dikembangkan O
menjadi O
algoritme O
yang O
dapat O
mendeteksi O
pengunjung O
dengan O
kunjungan O
lebih O
dari O
sekali O
di O
objek O
yang O
sama O
dalam O
hari O
yang O
sama O
, O
misalnya O
dengan O
memperhatikan O
trajectory O
atau O
lintasan O
dari O
data O
yang O
digunakan. O

Visualisasi O
Data O
Produk O
Domestik O
Regional O
Bruto O
( O
PDRB O
) O
dengan O
Analisis O
Shift O
Share O
dan O
Location O
Quotient O
Berbasis O
Web O
Chafri O
Fajar O
Erwandra O
( O
221709600 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Salah O
satu O
indikator O
penting O
untuk O
dapat O
mengetahui O
kondisi O
perekonomian O
pada O
suatu O
wilayah O
adalah O
Produk O
Domestik O
Regional O
Bruto O
( O
PDRB O
) O
. O
Analisis O
terhadap O
PDRB O
diperlukan O
untuk O
mengetahui O
dan O
mempelajari O
faktor- O
faktor O
penyebab O
terjadinya O
perbedaan O
dan O
fluktuasi O
ekonomi. O
Analisis O
PDRB O
yang O
sering O
dilakukan O
untuk O
perbandingan O
antar O
wilayah O
adalah O
analisis O
shift O
share O
dan O
location O
quotient. O
Penghitungan O
analisis O
tersebut O
dilakukan O
secara O
manual O
per O
satuan O
wilayah O
dan O
periode O
tertentu O
, O
sehingga O
menjadikannya O
kurang O
efisien O
karena O
jika O
ingin O
melakukan O
analisis O
terhadap O
wilayah O
dan O
periode O
lain O
maka O
perlu O
dilakukan O
penghitungan O
lagi. O
Selain O
itu O
tidak O
dapat O
membandingkan O
hasil O
antar O
wilayah O
secara O
langsung. O
Untuk O
mengatasi O
masalah O
tersebut O
, O
dibuat B-TUJUAN
sebuah I-TUJUAN
aplikasi I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
mempermudah I-TUJUAN
penghitungan I-TUJUAN
dan I-TUJUAN
dapat I-TUJUAN
memvisualisasikan I-TUJUAN
hasil I-TUJUAN
analisis I-TUJUAN
PDRB. I-TUJUAN
Metode O
yang O
digunakan O
untuk O
membangun O
aplikasi O
ini O
adalah O
SDLC B-METODE
model I-METODE
Waterfall I-METODE
yang O
kemudian O
diuji O
menggunakan O
uji B-METODE
Black I-METODE
box I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Hasil B-TEMUAN
pengujian I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
semua I-TEMUAN
fitur I-TEMUAN
pada I-TEMUAN
aplikasi I-TEMUAN
telah I-TEMUAN
sesuai I-TEMUAN
seperti I-TEMUAN
yang I-TEMUAN
diharapkan I-TEMUAN
dan I-TEMUAN
didapatkan I-TEMUAN
skor I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
86,87 I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
aplikasi I-TEMUAN
sudah I-TEMUAN
mampu I-TEMUAN
memudahkan I-TEMUAN
pengguna I-TEMUAN
dalam I-TEMUAN
melakukan I-TEMUAN
analisis I-TEMUAN
data. I-TEMUAN
Kata O
Kunci— O
Visualisasi O
Data O
, O
PDRB O
, O
Shift O
Share O
, O
Location O
Quotient O
, O
Website O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
maka O
dapat O
diambil O
kesimpulan O
sebagai O
berikut O
: O
ini O
dapat O
mengotomatisasi O
1. O
Telah B-TEMUAN
dibangun I-TEMUAN
aplikasi I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
menghitung I-TEMUAN
dan I-TEMUAN
memvisualisasikan I-TEMUAN
hasil I-TEMUAN
analisis I-TEMUAN
shift I-TEMUAN
share I-TEMUAN
dan I-TEMUAN
location I-TEMUAN
quotient I-TEMUAN
dalam I-TEMUAN
bentuk I-TEMUAN
dashboard I-TEMUAN
interaktif. I-TEMUAN
Aplikasi O
proses O
penghitungan O
analisis O
shift O
share O
dan O
location O
quotient O
, O
sehingga O
perlu O
melakukan O
penghitungan O
untuk O
mendapatkan O
hasil O
analisis. O
Selain O
itu O
hasil O
analisis O
pada O
aplikasi O
ini O
disajikan O
dalam O
bentuk O
visualisasi O
, O
sehingga O
lebih O
menarik O
dan O
memudahkan O
pengguna O
dalam O
melakukan O
analisis O
terhadap O
data O
yang O
disajikan. O
pengguna O
tidak O
2. O
Aplikasi O
pada O
penelitian O
ini O
memiliki O
fitur O
visualisasi O
data O
berupa O
bar O
chart O
, O
sankey O
diagram O
, O
pie O
chart O
, O
tree O
map O
, O
line O
chart O
, O
peta O
choropleth O
, O
dan O
Tipologi O
Klassen O
yang O
disajikan O
dalam O
dua O
macam O
dashboard O
yang O
sektor O
dan O
berbeda O
, O
yaitu O
dashboard O
kategori O
dashboard O
wilayah O
provinsi. O
Pada O
dashboard O
kategori O
sektor O
, O
data O
visualisasi O
yang O
ditampilkan O
adalah O
data O
hasil O
analisis O
dari O
seluruh O
provinsi O
berdasarkan O
sektor O
yang O
dipilih. O
Sehingga O
visualisasi O
yang O
telah O
dibuat O
pada O
dashboard O
tersebut O
dapat O
menampilkan O
dan O
membandingkan O
hasil O
analisis O
secara O
makro. O
3. O
Fitur O
visualisasi O
Tipologi O
Klassen O
yang O
telah O
dibuat O
dapat O
mengklasifikasikan O
hasil O
analisis O
kedalam O
suatu O
kuadran O
yang O
menentukan O
kondisi O
sektor O
pada O
suatu O
daerah. O
Sehingga O
dapat O
diketahui O
apakah O
sektor O
pada O
suatu O
daerah O
tersebut O
termasuk O
sektor O
prima O
, O
potensial O
, O
berkembang O
, O
atau O
terbelakang. O
4. O
Aplikasi O
yang O
dibangun O
dilengkapi O
dengan O
fitur O
pengelolaan O
data O
yang O
terdiri O
dari O
generate O
format O
, O
input O
data O
, O
dan O
hapus O
data. O
Input O
data O
dibangun O
dengan O
yang O
library O
Laravel O
memanfaatkan O
memungkinkan O
data O
untuk O
melakukan O
menggunakan O
file O
excel O
, O
sehingga O
penginputan O
data O
dalam O
jumlah O
besar O
sekaligus O
dapat O
dilakukan. O
Excel O
import O

Visualisasi O
Data O
Produk O
Domestik O
Regional O
Bruto O
( O
PDRB O
) O
dengan O
Analisis O
Shift O
Share O
dan O
Location O
Quotient O
Berbasis O
Web O
Chafri O
Fajar O
Erwandra O
( O
221709600 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Salah O
satu O
indikator O
penting O
untuk O
dapat O
mengetahui O
kondisi O
perekonomian O
pada O
suatu O
wilayah O
adalah O
Produk O
Domestik O
Regional O
Bruto O
( O
PDRB O
) O
. O
Analisis O
terhadap O
PDRB O
diperlukan O
untuk O
mengetahui O
dan O
mempelajari O
faktor- O
faktor O
penyebab O
terjadinya O
perbedaan O
dan O
fluktuasi O
ekonomi. O
Analisis O
PDRB O
yang O
sering O
dilakukan O
untuk O
perbandingan O
antar O
wilayah O
adalah O
analisis O
shift O
share O
dan O
location O
quotient. O
Penghitungan O
analisis O
tersebut O
dilakukan O
secara O
manual O
per O
satuan O
wilayah O
dan O
periode O
tertentu O
, O
sehingga O
menjadikannya O
kurang O
efisien O
karena O
jika O
ingin O
melakukan O
analisis O
terhadap O
wilayah O
dan O
periode O
lain O
maka O
perlu O
dilakukan O
penghitungan O
lagi. O
Selain O
itu O
tidak O
dapat O
membandingkan O
hasil O
antar O
wilayah O
secara O
langsung. O
Untuk O
mengatasi O
masalah O
tersebut O
, O
dibuat B-TUJUAN
sebuah I-TUJUAN
aplikasi I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
mempermudah I-TUJUAN
penghitungan I-TUJUAN
dan I-TUJUAN
dapat I-TUJUAN
memvisualisasikan I-TUJUAN
hasil I-TUJUAN
analisis I-TUJUAN
PDRB. I-TUJUAN
Metode O
yang O
digunakan O
untuk O
membangun O
aplikasi O
ini O
adalah O
SDLC B-METODE
model I-METODE
Waterfall I-METODE
yang O
kemudian O
diuji O
menggunakan O
uji B-METODE
Black I-METODE
box I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Hasil B-TEMUAN
pengujian I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
semua I-TEMUAN
fitur I-TEMUAN
pada I-TEMUAN
aplikasi I-TEMUAN
telah I-TEMUAN
sesuai I-TEMUAN
seperti I-TEMUAN
yang I-TEMUAN
diharapkan I-TEMUAN
dan I-TEMUAN
didapatkan I-TEMUAN
skor I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
86,87 I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
aplikasi I-TEMUAN
sudah I-TEMUAN
mampu I-TEMUAN
memudahkan I-TEMUAN
pengguna I-TEMUAN
dalam I-TEMUAN
melakukan I-TEMUAN
analisis I-TEMUAN
data. I-TEMUAN
Kata O
Kunci— O
Visualisasi O
Data O
, O
PDRB O
, O
Shift O
Share O
, O
Location O
Quotient O
, O
Website O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
maka O
dapat O
diambil O
kesimpulan O
sebagai O
berikut O
: O
ini O
dapat O
mengotomatisasi O
1. O
Telah B-TEMUAN
dibangun I-TEMUAN
aplikasi I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
menghitung I-TEMUAN
dan I-TEMUAN
memvisualisasikan I-TEMUAN
hasil I-TEMUAN
analisis I-TEMUAN
shift I-TEMUAN
share I-TEMUAN
dan I-TEMUAN
location I-TEMUAN
quotient I-TEMUAN
dalam I-TEMUAN
bentuk I-TEMUAN
dashboard I-TEMUAN
interaktif. I-TEMUAN
Aplikasi O
proses O
penghitungan O
analisis O
shift O
share O
dan O
location O
quotient O
, O
sehingga O
perlu O
melakukan O
penghitungan O
untuk O
mendapatkan O
hasil O
analisis. O
Selain O
itu O
hasil O
analisis O
pada O
aplikasi O
ini O
disajikan O
dalam O
bentuk O
visualisasi O
, O
sehingga O
lebih O
menarik O
dan O
memudahkan O
pengguna O
dalam O
melakukan O
analisis O
terhadap O
data O
yang O
disajikan. O
pengguna O
tidak O
2. O
Aplikasi O
pada O
penelitian O
ini O
memiliki O
fitur O
visualisasi O
data O
berupa O
bar O
chart O
, O
sankey O
diagram O
, O
pie O
chart O
, O
tree O
map O
, O
line O
chart O
, O
peta O
choropleth O
, O
dan O
Tipologi O
Klassen O
yang O
disajikan O
dalam O
dua O
macam O
dashboard O
yang O
sektor O
dan O
berbeda O
, O
yaitu O
dashboard O
kategori O
dashboard O
wilayah O
provinsi. O
Pada O
dashboard O
kategori O
sektor O
, O
data O
visualisasi O
yang O
ditampilkan O
adalah O
data O
hasil O
analisis O
dari O
seluruh O
provinsi O
berdasarkan O
sektor O
yang O
dipilih. O
Sehingga O
visualisasi O
yang O
telah O
dibuat O
pada O
dashboard O
tersebut O
dapat O
menampilkan O
dan O
membandingkan O
hasil O
analisis O
secara O
makro. O
3. O
Fitur O
visualisasi O
Tipologi O
Klassen O
yang O
telah O
dibuat O
dapat O
mengklasifikasikan O
hasil O
analisis O
kedalam O
suatu O
kuadran O
yang O
menentukan O
kondisi O
sektor O
pada O
suatu O
daerah. O
Sehingga O
dapat O
diketahui O
apakah O
sektor O
pada O
suatu O
daerah O
tersebut O
termasuk O
sektor O
prima O
, O
potensial O
, O
berkembang O
, O
atau O
terbelakang. O
4. O
Aplikasi O
yang O
dibangun O
dilengkapi O
dengan O
fitur O
pengelolaan O
data O
yang O
terdiri O
dari O
generate O
format O
, O
input O
data O
, O
dan O
hapus O
data. O
Input O
data O
dibangun O
dengan O
yang O
library O
Laravel O
memanfaatkan O
memungkinkan O
data O
untuk O
melakukan O
menggunakan O
file O
excel O
, O
sehingga O
penginputan O
data O
dalam O
jumlah O
besar O
sekaligus O
dapat O
dilakukan. O
Excel O
import O

Visualisasi O
Data O
Produk O
Domestik O
Regional O
Bruto O
( O
PDRB O
) O
dengan O
Analisis O
Shift O
Share O
dan O
Location O
Quotient O
Berbasis O
Web O
Chafri O
Fajar O
Erwandra O
( O
221709600 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Salah O
satu O
indikator O
penting O
untuk O
dapat O
mengetahui O
kondisi O
perekonomian O
pada O
suatu O
wilayah O
adalah O
Produk O
Domestik O
Regional O
Bruto O
( O
PDRB O
) O
. O
Analisis O
terhadap O
PDRB O
diperlukan O
untuk O
mengetahui O
dan O
mempelajari O
faktor- O
faktor O
penyebab O
terjadinya O
perbedaan O
dan O
fluktuasi O
ekonomi. O
Analisis O
PDRB O
yang O
sering O
dilakukan O
untuk O
perbandingan O
antar O
wilayah O
adalah O
analisis O
shift O
share O
dan O
location O
quotient. O
Penghitungan O
analisis O
tersebut O
dilakukan O
secara O
manual O
per O
satuan O
wilayah O
dan O
periode O
tertentu O
, O
sehingga O
menjadikannya O
kurang O
efisien O
karena O
jika O
ingin O
melakukan O
analisis O
terhadap O
wilayah O
dan O
periode O
lain O
maka O
perlu O
dilakukan O
penghitungan O
lagi. O
Selain O
itu O
tidak O
dapat O
membandingkan O
hasil O
antar O
wilayah O
secara O
langsung. O
Untuk O
mengatasi O
masalah O
tersebut O
, O
dibuat B-TUJUAN
sebuah I-TUJUAN
aplikasi I-TUJUAN
yang I-TUJUAN
dapat I-TUJUAN
mempermudah I-TUJUAN
penghitungan I-TUJUAN
dan I-TUJUAN
dapat I-TUJUAN
memvisualisasikan I-TUJUAN
hasil I-TUJUAN
analisis I-TUJUAN
PDRB. I-TUJUAN
Metode O
yang O
digunakan O
untuk O
membangun O
aplikasi O
ini O
adalah O
SDLC B-METODE
model I-METODE
Waterfall I-METODE
yang O
kemudian O
diuji O
menggunakan O
uji B-METODE
Black I-METODE
box I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Hasil B-TEMUAN
pengujian I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
semua I-TEMUAN
fitur I-TEMUAN
pada I-TEMUAN
aplikasi I-TEMUAN
telah I-TEMUAN
sesuai I-TEMUAN
seperti I-TEMUAN
yang I-TEMUAN
diharapkan I-TEMUAN
dan I-TEMUAN
didapatkan I-TEMUAN
skor I-TEMUAN
SUS I-TEMUAN
sebesar I-TEMUAN
86,87 I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
aplikasi I-TEMUAN
sudah I-TEMUAN
mampu I-TEMUAN
memudahkan I-TEMUAN
pengguna I-TEMUAN
dalam I-TEMUAN
melakukan I-TEMUAN
analisis I-TEMUAN
data. I-TEMUAN
Kata O
Kunci— O
Visualisasi O
Data O
, O
PDRB O
, O
Shift O
Share O
, O
Location O
Quotient O
, O
Website O
[SEP] O
Berdasarkan O
hasil O
penelitian O
yang O
telah O
dilakukan O
, O
maka O
dapat O
diambil O
kesimpulan O
sebagai O
berikut O
: O
ini O
dapat O
mengotomatisasi O
1. O
Telah B-TEMUAN
dibangun I-TEMUAN
aplikasi I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
menghitung I-TEMUAN
dan I-TEMUAN
memvisualisasikan I-TEMUAN
hasil I-TEMUAN
analisis I-TEMUAN
shift I-TEMUAN
share I-TEMUAN
dan I-TEMUAN
location I-TEMUAN
quotient I-TEMUAN
dalam I-TEMUAN
bentuk I-TEMUAN
dashboard I-TEMUAN
interaktif. I-TEMUAN
Aplikasi O
proses O
penghitungan O
analisis O
shift O
share O
dan O
location O
quotient O
, O
sehingga O
perlu O
melakukan O
penghitungan O
untuk O
mendapatkan O
hasil O
analisis. O
Selain O
itu O
hasil O
analisis O
pada O
aplikasi O
ini O
disajikan O
dalam O
bentuk O
visualisasi O
, O
sehingga O
lebih O
menarik O
dan O
memudahkan O
pengguna O
dalam O
melakukan O
analisis O
terhadap O
data O
yang O
disajikan. O
pengguna O
tidak O
2. O
Aplikasi O
pada O
penelitian O
ini O
memiliki O
fitur O
visualisasi O
data O
berupa O
bar O
chart O
, O
sankey O
diagram O
, O
pie O
chart O
, O
tree O
map O
, O
line O
chart O
, O
peta O
choropleth O
, O
dan O
Tipologi O
Klassen O
yang O
disajikan O
dalam O
dua O
macam O
dashboard O
yang O
sektor O
dan O
berbeda O
, O
yaitu O
dashboard O
kategori O
dashboard O
wilayah O
provinsi. O
Pada O
dashboard O
kategori O
sektor O
, O
data O
visualisasi O
yang O
ditampilkan O
adalah O
data O
hasil O
analisis O
dari O
seluruh O
provinsi O
berdasarkan O
sektor O
yang O
dipilih. O
Sehingga O
visualisasi O
yang O
telah O
dibuat O
pada O
dashboard O
tersebut O
dapat O
menampilkan O
dan O
membandingkan O
hasil O
analisis O
secara O
makro. O
3. O
Fitur O
visualisasi O
Tipologi O
Klassen O
yang O
telah O
dibuat O
dapat O
mengklasifikasikan O
hasil O
analisis O
kedalam O
suatu O
kuadran O
yang O
menentukan O
kondisi O
sektor O
pada O
suatu O
daerah. O
Sehingga O
dapat O
diketahui O
apakah O
sektor O
pada O
suatu O
daerah O
tersebut O
termasuk O
sektor O
prima O
, O
potensial O
, O
berkembang O
, O
atau O
terbelakang. O
4. O
Aplikasi O
yang O
dibangun O
dilengkapi O
dengan O
fitur O
pengelolaan O
data O
yang O
terdiri O
dari O
generate O
format O
, O
input O
data O
, O
dan O
hapus O
data. O
Input O
data O
dibangun O
dengan O
yang O
library O
Laravel O
memanfaatkan O
memungkinkan O
data O
untuk O
melakukan O
menggunakan O
file O
excel O
, O
sehingga O
penginputan O
data O
dalam O
jumlah O
besar O
sekaligus O
dapat O
dilakukan. O
Excel O
import O

Kembali O
Antarmuka O
Pengguna O
Web O
Portal O
Mahasiswa O
SIPADU O
STIS O
dengan O
Metode O
User O
Centered O
Design O
Banu O
Burkhairi O
( O
221709591 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
Ringkasan—Politeknik O
Statistika O
STIS O
memiliki O
sistem O
infor- O
masi O
terpadu O
yang O
bernama O
SIPADU O
STIS. O
Salah O
satu O
sub- O
sistemnya O
ialah O
Web O
Portal O
Mahasiswa O
SIPADU O
STIS O
yang O
selan- O
jutnya O
disebut O
SIPADU O
Mahasiswa. O
Walaupun O
sudah O
lama O
digu- O
nakan O
sejak O
2010 O
, O
SIPADU O
Mahasiswa O
belum O
memenuhi O
standard O
web O
design. O
Padahal O
perkembangan O
teknologi O
dalam O
web O
desain O
sudah O
semakin O
baik. O
Dari O
masalah O
tersebut O
dilakukan O
survei O
untuk O
mengetahui O
bagaimana O
penilaian O
pengguna O
terhadap O
an- O
tarmuka O
SIPADU O
Mahasiswa. O
Hasil O
mengatakan O
bahwa O
SIPADU O
Mahasiswa O
memiliki O
nilai O
dibawah O
nilai O
terbaiknya O
, O
sehingga O
dibutuhkan O
peracangan O
kembali O
antarmuka. O
Oleh O
karena O
itu O
, O
dilakukan O
perancangan O
kembali O
antarmuka O
pengguna O
SIPADU O
Mahasiswa O
dengan O
metode B-METODE
user I-METODE
centered I-METODE
design I-METODE
dan O
melakukan O
evaluasi O
hasil O
rancangan O
kembali O
antarmuka O
pengguna O
SIPADU O
Mahasiswa O
dengan O
melihat O
kepuasan O
pengguna. O
Perancangan O
akan O
dilakukan O
dengan O
tiga O
kali O
iterasi O
dengan O
membuat O
model O
prototype O
dan O
dievaluasi O
setiap O
iterasinya. O
Setelah O
rancangan O
berhasil O
dibuat O
akan O
dilakukan O
perbandingan O
antarmuka O
lama O
dan O
baru O
untuk O
mengetahui O
bagaimana O
perbandingan O
penila- O
ian O
antarmuka O
sebelum O
dan O
sesudah O
dirancang O
kembali. O
Hasil B-TEMUAN
dari I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
pun I-TEMUAN
berhasil I-TEMUAN
membuat I-TEMUAN
Perancangan I-TEMUAN
kembali I-TEMUAN
SIPADU I-TEMUAN
Mahasiswa I-TEMUAN
dengan I-TEMUAN
mendapatkan I-TEMUAN
antarmuka I-TEMUAN
barusesuai I-TEMUAN
dengan I-TEMUAN
kepuasan I-TEMUAN
pengguna I-TEMUAN
yang I-TEMUAN
berbentuk I-TEMUAN
dan I-TEMUAN
evaluasi I-TEMUAN
ter- I-TEMUAN
hadap I-TEMUAN
antarmuka I-TEMUAN
baru I-TEMUAN
dan I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
antarmuka I-TEMUAN
baru I-TEMUAN
memiliki I-TEMUAN
penilaian I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dari I-TEMUAN
antarmuka I-TEMUAN
lama. I-TEMUAN
Kata O
Kunci—Perancangan O
Kembali O
Antarmuka O
Pengguna O
, O
Web O
Portal O
Mahasiswa O
SIPADU O
STIS O
, O
User O
Centered O
Design O
[SEP] O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
Hal O
yang O
dapat O
disimpulkan O
pada O
penelitian O
ini O
adalah O
sebagai O
berikut. O
1 O
) O
Perancangan B-TUJUAN
kembali I-TUJUAN
antarmuka I-TUJUAN
web I-TUJUAN
portal I-TUJUAN
SIPADU I-TUJUAN
Mahasiswa I-TUJUAN
berhasil O
dilakukan O
dengan O
mendapatkan O
an- O
tarmuka O
baru O
sesuai O
dengan O
kepuasan O
pengguna O
yang O
berbentuk. O
2 O
) O
Evaluasi O
berhasil O
dilakukan O
terhadap O
antarmuka O
baru O
dan O
menunjukkan O
bahwa O
antarmuka O
baru O
memiliki O
pe- O
nilaian O
lebih O
baik O
dari O
antarmuka O
lama. O
Hal O
yang O
dapat O
disarankan O
pada O
penelitian O
ini O
adalah O
seba- O
gai O
berikut. O
1 O
) O
Pada O
penelitian O
selanjutnya O
dapat O
dikembangkan O
lagi O
dengan O
melakukan O
perancangan O
kembali O
dengan O
meng- O
gunakan O
probability O
sampling O
yang O
memiliki O
nilai O
bias O
lebih O
kecil O
dari O
metode O
pengambilan O
sampel O
yang O
digu- O
nakan O
pada O
penelitian O
ini. O
2 O
) O
Pembangunan O
prototype O
yang O
dapat O
dikonversikan O
ke O
berbagai O
pengembang O
pemrograman O
manapun O
, O
agar O
hasil O
rancangan O
dapat O
diterapkan O
secara O
langsung. O

Kembali O
Antarmuka O
Pengguna O
Web O
Portal O
Mahasiswa O
SIPADU O
STIS O
dengan O
Metode O
User O
Centered O
Design O
Banu O
Burkhairi O
( O
221709591 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
Ringkasan—Politeknik O
Statistika O
STIS O
memiliki O
sistem O
infor- O
masi O
terpadu O
yang O
bernama O
SIPADU O
STIS. O
Salah O
satu O
sub- O
sistemnya O
ialah O
Web O
Portal O
Mahasiswa O
SIPADU O
STIS O
yang O
selan- O
jutnya O
disebut O
SIPADU O
Mahasiswa. O
Walaupun O
sudah O
lama O
digu- O
nakan O
sejak O
2010 O
, O
SIPADU O
Mahasiswa O
belum O
memenuhi O
standard O
web O
design. O
Padahal O
perkembangan O
teknologi O
dalam O
web O
desain O
sudah O
semakin O
baik. O
Dari O
masalah O
tersebut O
dilakukan O
survei O
untuk O
mengetahui O
bagaimana O
penilaian O
pengguna O
terhadap O
an- O
tarmuka O
SIPADU O
Mahasiswa. O
Hasil O
mengatakan O
bahwa O
SIPADU O
Mahasiswa O
memiliki O
nilai O
dibawah O
nilai O
terbaiknya O
, O
sehingga O
dibutuhkan O
peracangan O
kembali O
antarmuka. O
Oleh O
karena O
itu O
, O
dilakukan O
perancangan O
kembali O
antarmuka O
pengguna O
SIPADU O
Mahasiswa O
dengan O
metode B-METODE
user I-METODE
centered I-METODE
design I-METODE
dan O
melakukan O
evaluasi O
hasil O
rancangan O
kembali O
antarmuka O
pengguna O
SIPADU O
Mahasiswa O
dengan O
melihat O
kepuasan O
pengguna. O
Perancangan O
akan O
dilakukan O
dengan O
tiga O
kali O
iterasi O
dengan O
membuat O
model O
prototype O
dan O
dievaluasi O
setiap O
iterasinya. O
Setelah O
rancangan O
berhasil O
dibuat O
akan O
dilakukan O
perbandingan O
antarmuka O
lama O
dan O
baru O
untuk O
mengetahui O
bagaimana O
perbandingan O
penila- O
ian O
antarmuka O
sebelum O
dan O
sesudah O
dirancang O
kembali. O
Hasil B-TEMUAN
dari I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
pun I-TEMUAN
berhasil I-TEMUAN
membuat I-TEMUAN
Perancangan I-TEMUAN
kembali I-TEMUAN
SIPADU I-TEMUAN
Mahasiswa I-TEMUAN
dengan I-TEMUAN
mendapatkan I-TEMUAN
antarmuka I-TEMUAN
barusesuai I-TEMUAN
dengan I-TEMUAN
kepuasan I-TEMUAN
pengguna I-TEMUAN
yang I-TEMUAN
berbentuk I-TEMUAN
dan I-TEMUAN
evaluasi I-TEMUAN
ter- I-TEMUAN
hadap I-TEMUAN
antarmuka I-TEMUAN
baru I-TEMUAN
dan I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
antarmuka I-TEMUAN
baru I-TEMUAN
memiliki I-TEMUAN
penilaian I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dari I-TEMUAN
antarmuka I-TEMUAN
lama. I-TEMUAN
Kata O
Kunci—Perancangan O
Kembali O
Antarmuka O
Pengguna O
, O
Web O
Portal O
Mahasiswa O
SIPADU O
STIS O
, O
User O
Centered O
Design O
[SEP] O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
Hal O
yang O
dapat O
disimpulkan O
pada O
penelitian O
ini O
adalah O
sebagai O
berikut. O
1 O
) O
Perancangan B-TUJUAN
kembali I-TUJUAN
antarmuka I-TUJUAN
web I-TUJUAN
portal I-TUJUAN
SIPADU I-TUJUAN
Mahasiswa I-TUJUAN
berhasil O
dilakukan O
dengan O
mendapatkan O
an- O
tarmuka O
baru O
sesuai O
dengan O
kepuasan O
pengguna O
yang O
berbentuk. O
2 O
) O
Evaluasi O
berhasil O
dilakukan O
terhadap O
antarmuka O
baru O
dan O
menunjukkan O
bahwa O
antarmuka O
baru O
memiliki O
pe- O
nilaian O
lebih O
baik O
dari O
antarmuka O
lama. O
Hal O
yang O
dapat O
disarankan O
pada O
penelitian O
ini O
adalah O
seba- O
gai O
berikut. O
1 O
) O
Pada O
penelitian O
selanjutnya O
dapat O
dikembangkan O
lagi O
dengan O
melakukan O
perancangan O
kembali O
dengan O
meng- O
gunakan O
probability O
sampling O
yang O
memiliki O
nilai O
bias O
lebih O
kecil O
dari O
metode O
pengambilan O
sampel O
yang O
digu- O
nakan O
pada O
penelitian O
ini. O
2 O
) O
Pembangunan O
prototype O
yang O
dapat O
dikonversikan O
ke O
berbagai O
pengembang O
pemrograman O
manapun O
, O
agar O
hasil O
rancangan O
dapat O
diterapkan O
secara O
langsung. O

Kembali O
Antarmuka O
Pengguna O
Web O
Portal O
Mahasiswa O
SIPADU O
STIS O
dengan O
Metode O
User O
Centered O
Design O
Banu O
Burkhairi O
( O
221709591 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Lutfi O
Rahmatuti O
Maghfiroh O
Ringkasan—Politeknik O
Statistika O
STIS O
memiliki O
sistem O
infor- O
masi O
terpadu O
yang O
bernama O
SIPADU O
STIS. O
Salah O
satu O
sub- O
sistemnya O
ialah O
Web O
Portal O
Mahasiswa O
SIPADU O
STIS O
yang O
selan- O
jutnya O
disebut O
SIPADU O
Mahasiswa. O
Walaupun O
sudah O
lama O
digu- O
nakan O
sejak O
2010 O
, O
SIPADU O
Mahasiswa O
belum O
memenuhi O
standard O
web O
design. O
Padahal O
perkembangan O
teknologi O
dalam O
web O
desain O
sudah O
semakin O
baik. O
Dari O
masalah O
tersebut O
dilakukan O
survei O
untuk O
mengetahui O
bagaimana O
penilaian O
pengguna O
terhadap O
an- O
tarmuka O
SIPADU O
Mahasiswa. O
Hasil O
mengatakan O
bahwa O
SIPADU O
Mahasiswa O
memiliki O
nilai O
dibawah O
nilai O
terbaiknya O
, O
sehingga O
dibutuhkan O
peracangan O
kembali O
antarmuka. O
Oleh O
karena O
itu O
, O
dilakukan O
perancangan O
kembali O
antarmuka O
pengguna O
SIPADU O
Mahasiswa O
dengan O
metode B-METODE
user I-METODE
centered I-METODE
design I-METODE
dan O
melakukan O
evaluasi O
hasil O
rancangan O
kembali O
antarmuka O
pengguna O
SIPADU O
Mahasiswa O
dengan O
melihat O
kepuasan O
pengguna. O
Perancangan O
akan O
dilakukan O
dengan O
tiga O
kali O
iterasi O
dengan O
membuat O
model O
prototype O
dan O
dievaluasi O
setiap O
iterasinya. O
Setelah O
rancangan O
berhasil O
dibuat O
akan O
dilakukan O
perbandingan O
antarmuka O
lama O
dan O
baru O
untuk O
mengetahui O
bagaimana O
perbandingan O
penila- O
ian O
antarmuka O
sebelum O
dan O
sesudah O
dirancang O
kembali. O
Hasil B-TEMUAN
dari I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
pun I-TEMUAN
berhasil I-TEMUAN
membuat I-TEMUAN
Perancangan I-TEMUAN
kembali I-TEMUAN
SIPADU I-TEMUAN
Mahasiswa I-TEMUAN
dengan I-TEMUAN
mendapatkan I-TEMUAN
antarmuka I-TEMUAN
barusesuai I-TEMUAN
dengan I-TEMUAN
kepuasan I-TEMUAN
pengguna I-TEMUAN
yang I-TEMUAN
berbentuk I-TEMUAN
dan I-TEMUAN
evaluasi I-TEMUAN
ter- I-TEMUAN
hadap I-TEMUAN
antarmuka I-TEMUAN
baru I-TEMUAN
dan I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
antarmuka I-TEMUAN
baru I-TEMUAN
memiliki I-TEMUAN
penilaian I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dari I-TEMUAN
antarmuka I-TEMUAN
lama. I-TEMUAN
Kata O
Kunci—Perancangan O
Kembali O
Antarmuka O
Pengguna O
, O
Web O
Portal O
Mahasiswa O
SIPADU O
STIS O
, O
User O
Centered O
Design O
[SEP] O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
Hal O
yang O
dapat O
disimpulkan O
pada O
penelitian O
ini O
adalah O
sebagai O
berikut. O
1 O
) O
Perancangan B-TUJUAN
kembali I-TUJUAN
antarmuka I-TUJUAN
web I-TUJUAN
portal I-TUJUAN
SIPADU I-TUJUAN
Mahasiswa I-TUJUAN
berhasil O
dilakukan O
dengan O
mendapatkan O
an- O
tarmuka O
baru O
sesuai O
dengan O
kepuasan O
pengguna O
yang O
berbentuk. O
2 O
) O
Evaluasi O
berhasil O
dilakukan O
terhadap O
antarmuka O
baru O
dan O
menunjukkan O
bahwa O
antarmuka O
baru O
memiliki O
pe- O
nilaian O
lebih O
baik O
dari O
antarmuka O
lama. O
Hal O
yang O
dapat O
disarankan O
pada O
penelitian O
ini O
adalah O
seba- O
gai O
berikut. O
1 O
) O
Pada O
penelitian O
selanjutnya O
dapat O
dikembangkan O
lagi O
dengan O
melakukan O
perancangan O
kembali O
dengan O
meng- O
gunakan O
probability O
sampling O
yang O
memiliki O
nilai O
bias O
lebih O
kecil O
dari O
metode O
pengambilan O
sampel O
yang O
digu- O
nakan O
pada O
penelitian O
ini. O
2 O
) O
Pembangunan O
prototype O
yang O
dapat O
dikonversikan O
ke O
berbagai O
pengembang O
pemrograman O
manapun O
, O
agar O
hasil O
rancangan O
dapat O
diterapkan O
secara O
langsung. O

Aplikasi O
Quality O
Gates O
Berbasis O
Web O
di O
Badan O
Pusat O
Statistik O
Ardyanto O
( O
221709571 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Margaretha O
Ari O
Anggorowati O
, O
M.T. O
Ringkasan— O
Badan O
Pusat O
Statistik O
merupakan O
Lembaga O
fungsi O
untuk O
Pemerintah O
Non-Kementerian O
yang O
memiliki O
melaksanakan O
tugas O
pemerintahan O
di O
bidang O
kegiatan O
statistik O
sesuai O
dengan O
ketentuan O
peraturan O
perundang-undangan. O
Sebagai O
lembaga O
penghasil O
statistik O
tentu O
saja O
penjaminan O
kualitas O
atau O
Quality O
Assurance O
dari O
statistik O
yang O
dihasilkan O
BPS O
penting O
dilakukan. O
BPS O
sendiri O
telah O
menerapkan O
Quality O
Assurance O
sejak O
tahun O
2015 O
dalam O
bentuk O
National O
Quality O
Assurance O
Framework O
( O
NQAF O
) O
dalam O
rangka O
menjamin O
kualitas O
dari O
statistik O
yang O
dihasilkan. O
Akan O
tetapi O
salah O
satu O
instrumen O
penjaminan O
kualitas O
dari O
NQAF O
yaitu O
Quality O
Gates O
( O
QG O
) O
belum O
memiliki O
aplikasi O
khusus O
untuk O
pelaksanaannya. O
Pelaksanaan O
QG O
saat O
ini O
hanya O
dibantu O
Google O
Spreadsheet. O
Pada O
penelitian O
kali O
ini O
peneliti O
membangun B-TUJUAN
aplikasi I-TUJUAN
untuk I-TUJUAN
pelaksanaan I-TUJUAN
QG I-TUJUAN
di I-TUJUAN
Badan I-TUJUAN
Pusat I-TUJUAN
Statistik. I-TUJUAN
Aplikasi O
yang O
dibangun O
menggunakan O
framework O
CodeIgniter O
versi O
4 O
dengan O
metode O
pengembangan O
yang O
diterapkan O
adalah O
metode B-METODE
Rapid I-METODE
Application I-METODE
Development. I-METODE
Selanjutnya O
dibangun O
aplikasi O
menggunakan O
Black B-METODE
Box I-METODE
Testing I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Kata O
Kunci— O
Quality O
Gates O
, O
NQAF O
, O
Quality O
Assurance O
pengujian O
telah O
yang O
[SEP] O
akan O
Pada O
bagian O
dipaparkan O
mengenai O
kesimpulan O
yang O
diperoleh O
pada O
penelitian O
ini O
dan O
saran O
untuk O
pengembangan O
penelitian O
ini O
selanjutnya O
A. O
Kesimpulan O
Kesimpulan O
yang O
didapatkan O
pada O
pembangunan O
sistem O
yang O
telah O
dilakukan O
adalah O
sebagai O
berikut O
: O
1. O
Aplikasi O
yang O
dibangun O
fokus O
untuk O
pengecekan O
kualitas O
kegiatan O
statistik O
di O
Badan O
Pusat O
Statistik O
dengan O
instrumen O
Quality O
Gates O
dan O
dapat O
berjalan O
sesuai O
aturan O
dan O
kaidah O
yang O
telah O
ditetapkan O
oleh O
BPS. O
Aplikasi O
yang O
telah O
dibangun O
juga O
telah O
mampu O
menjawab O
kebutuhan O
fungsional O
dan O
non O
fungsional O
berdasarkan O
analisis O
kebutuhan O
yang O
telah O
dilakukan. O
2. O
Aplikasi B-TEMUAN
yang I-TEMUAN
sudah I-TEMUAN
dibangun I-TEMUAN
telah I-TEMUAN
melalui I-TEMUAN
pengujian I-TEMUAN
Black I-TEMUAN
Box I-TEMUAN
Testing I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
fungsi-fungsi I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibuat I-TEMUAN
pada I-TEMUAN
aplikasi I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Pengujian I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
SUS I-TEMUAN
memperoleh I-TEMUAN
skor I-TEMUAN
sebesar I-TEMUAN
77 I-TEMUAN
sehingga I-TEMUAN
dapat I-TEMUAN
disimpulkan I-TEMUAN
bahwa I-TEMUAN
aplikasi I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
bisa I-TEMUAN
diterapkan I-TEMUAN
di I-TEMUAN
BPS. I-TEMUAN
B. O
Saran O
Aplikasi O
yang O
dibangun O
masih O
membutuhkan O
penyempurnaan-penyempuranan O
dan O
penambahan O
fitur O
untuk O
menambah O
nilai O
dari O
dari O
aplikasi O
yang O
dibangun. O
Berikut O
beberapa O
saran O
dari O
peneliti O
untuk O
pengembangan O
sistem O
ini O
kedepannya O
maupun O
saran O
dalam O
penggunaan O
aplikasi O
yang O
dibangun. O
1. O
Perlu O
dilakukan O
pengembangan O
lebih O
lanjut O
untuk O
pengguna O
eksternal O
agar O
dapat O
menampung O
kebutuhan O
dari O
pengguna O
yang O
berasal O
dari O
luar O
Badan O
Pusat O
Statistik O
mengingat O
aplikasi O
ini O
kedepannya O
direncanakan O
untuk O
juga O
melakukan O
penjaminan O
kualitas O
dari O
kegiatan O
statistik O
yang O
dilakukan. O
Pengembangan O
lebih O
lanjut O
juga O
dapat O
dilakukan O
pada O
sisi O
tampilan O
dari O
aplikasi O
yang O
dapat O
dibuat O
lebih O
responsif O
untuk O
seluruh O
ukuran O
perangkat. O
2. O
Perlu O
adanya O
integrasi O
dengan O
sistem O
yang O
sudah O
ada O
di O
Badan O
Pusat O
Statistik O
seperti O
sistem O
kepegawaian O
untuk O
mempermudah O
user. O
digunakan O
pengguna O
eksternal O
oleh O
3. O
Sebelum O
menggunakan O
aplikasi O
ini O
, O
user O
diharapkan O
memiliki O
pengetahuan O
mengenai O
Quality O
Gates O
BPS O
agar O
mendapat O
gambaran O
untuk O
setiap O
proses O
di O
dalam O
aplikasi O
ini. O
Selain O
itu O
user O
diharapkan O
untuk O
mengakses O
aplikasi O
menggunakan O
perangkat O
laptop O
atau O
komputer O
dikarenakan O
tampilan O
aplikasi O
belum O
dibuat O
responsif. O
[ O
1 O
] O
Badan O
Pusat O

Aplikasi O
Quality O
Gates O
Berbasis O
Web O
di O
Badan O
Pusat O
Statistik O
Ardyanto O
( O
221709571 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Margaretha O
Ari O
Anggorowati O
, O
M.T. O
Ringkasan— O
Badan O
Pusat O
Statistik O
merupakan O
Lembaga O
fungsi O
untuk O
Pemerintah O
Non-Kementerian O
yang O
memiliki O
melaksanakan O
tugas O
pemerintahan O
di O
bidang O
kegiatan O
statistik O
sesuai O
dengan O
ketentuan O
peraturan O
perundang-undangan. O
Sebagai O
lembaga O
penghasil O
statistik O
tentu O
saja O
penjaminan O
kualitas O
atau O
Quality O
Assurance O
dari O
statistik O
yang O
dihasilkan O
BPS O
penting O
dilakukan. O
BPS O
sendiri O
telah O
menerapkan O
Quality O
Assurance O
sejak O
tahun O
2015 O
dalam O
bentuk O
National O
Quality O
Assurance O
Framework O
( O
NQAF O
) O
dalam O
rangka O
menjamin O
kualitas O
dari O
statistik O
yang O
dihasilkan. O
Akan O
tetapi O
salah O
satu O
instrumen O
penjaminan O
kualitas O
dari O
NQAF O
yaitu O
Quality O
Gates O
( O
QG O
) O
belum O
memiliki O
aplikasi O
khusus O
untuk O
pelaksanaannya. O
Pelaksanaan O
QG O
saat O
ini O
hanya O
dibantu O
Google O
Spreadsheet. O
Pada O
penelitian O
kali O
ini O
peneliti O
membangun B-TUJUAN
aplikasi I-TUJUAN
untuk I-TUJUAN
pelaksanaan I-TUJUAN
QG I-TUJUAN
di I-TUJUAN
Badan I-TUJUAN
Pusat I-TUJUAN
Statistik. I-TUJUAN
Aplikasi O
yang O
dibangun O
menggunakan O
framework O
CodeIgniter O
versi O
4 O
dengan O
metode O
pengembangan O
yang O
diterapkan O
adalah O
metode B-METODE
Rapid I-METODE
Application I-METODE
Development. I-METODE
Selanjutnya O
dibangun O
aplikasi O
menggunakan O
Black B-METODE
Box I-METODE
Testing I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Kata O
Kunci— O
Quality O
Gates O
, O
NQAF O
, O
Quality O
Assurance O
pengujian O
telah O
yang O
[SEP] O
akan O
Pada O
bagian O
dipaparkan O
mengenai O
kesimpulan O
yang O
diperoleh O
pada O
penelitian O
ini O
dan O
saran O
untuk O
pengembangan O
penelitian O
ini O
selanjutnya O
A. O
Kesimpulan O
Kesimpulan O
yang O
didapatkan O
pada O
pembangunan O
sistem O
yang O
telah O
dilakukan O
adalah O
sebagai O
berikut O
: O
1. O
Aplikasi O
yang O
dibangun O
fokus O
untuk O
pengecekan O
kualitas O
kegiatan O
statistik O
di O
Badan O
Pusat O
Statistik O
dengan O
instrumen O
Quality O
Gates O
dan O
dapat O
berjalan O
sesuai O
aturan O
dan O
kaidah O
yang O
telah O
ditetapkan O
oleh O
BPS. O
Aplikasi O
yang O
telah O
dibangun O
juga O
telah O
mampu O
menjawab O
kebutuhan O
fungsional O
dan O
non O
fungsional O
berdasarkan O
analisis O
kebutuhan O
yang O
telah O
dilakukan. O
2. O
Aplikasi B-TEMUAN
yang I-TEMUAN
sudah I-TEMUAN
dibangun I-TEMUAN
telah I-TEMUAN
melalui I-TEMUAN
pengujian I-TEMUAN
Black I-TEMUAN
Box I-TEMUAN
Testing I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
fungsi-fungsi I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibuat I-TEMUAN
pada I-TEMUAN
aplikasi I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Pengujian I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
SUS I-TEMUAN
memperoleh I-TEMUAN
skor I-TEMUAN
sebesar I-TEMUAN
77 I-TEMUAN
sehingga I-TEMUAN
dapat I-TEMUAN
disimpulkan I-TEMUAN
bahwa I-TEMUAN
aplikasi I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
bisa I-TEMUAN
diterapkan I-TEMUAN
di I-TEMUAN
BPS. I-TEMUAN
B. O
Saran O
Aplikasi O
yang O
dibangun O
masih O
membutuhkan O
penyempurnaan-penyempuranan O
dan O
penambahan O
fitur O
untuk O
menambah O
nilai O
dari O
dari O
aplikasi O
yang O
dibangun. O
Berikut O
beberapa O
saran O
dari O
peneliti O
untuk O
pengembangan O
sistem O
ini O
kedepannya O
maupun O
saran O
dalam O
penggunaan O
aplikasi O
yang O
dibangun. O
1. O
Perlu O
dilakukan O
pengembangan O
lebih O
lanjut O
untuk O
pengguna O
eksternal O
agar O
dapat O
menampung O
kebutuhan O
dari O
pengguna O
yang O
berasal O
dari O
luar O
Badan O
Pusat O
Statistik O
mengingat O
aplikasi O
ini O
kedepannya O
direncanakan O
untuk O
juga O
melakukan O
penjaminan O
kualitas O
dari O
kegiatan O
statistik O
yang O
dilakukan. O
Pengembangan O
lebih O
lanjut O
juga O
dapat O
dilakukan O
pada O
sisi O
tampilan O
dari O
aplikasi O
yang O
dapat O
dibuat O
lebih O
responsif O
untuk O
seluruh O
ukuran O
perangkat. O
2. O
Perlu O
adanya O
integrasi O
dengan O
sistem O
yang O
sudah O
ada O
di O
Badan O
Pusat O
Statistik O
seperti O
sistem O
kepegawaian O
untuk O
mempermudah O
user. O
digunakan O
pengguna O
eksternal O
oleh O
3. O
Sebelum O
menggunakan O
aplikasi O
ini O
, O
user O
diharapkan O
memiliki O
pengetahuan O
mengenai O
Quality O
Gates O
BPS O
agar O
mendapat O
gambaran O
untuk O
setiap O
proses O
di O
dalam O
aplikasi O
ini. O
Selain O
itu O
user O
diharapkan O
untuk O
mengakses O
aplikasi O
menggunakan O
perangkat O
laptop O
atau O
komputer O
dikarenakan O
tampilan O
aplikasi O
belum O
dibuat O
responsif. O
[ O
1 O
] O
Badan O
Pusat O

Aplikasi O
Quality O
Gates O
Berbasis O
Web O
di O
Badan O
Pusat O
Statistik O
Ardyanto O
( O
221709571 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Margaretha O
Ari O
Anggorowati O
, O
M.T. O
Ringkasan— O
Badan O
Pusat O
Statistik O
merupakan O
Lembaga O
fungsi O
untuk O
Pemerintah O
Non-Kementerian O
yang O
memiliki O
melaksanakan O
tugas O
pemerintahan O
di O
bidang O
kegiatan O
statistik O
sesuai O
dengan O
ketentuan O
peraturan O
perundang-undangan. O
Sebagai O
lembaga O
penghasil O
statistik O
tentu O
saja O
penjaminan O
kualitas O
atau O
Quality O
Assurance O
dari O
statistik O
yang O
dihasilkan O
BPS O
penting O
dilakukan. O
BPS O
sendiri O
telah O
menerapkan O
Quality O
Assurance O
sejak O
tahun O
2015 O
dalam O
bentuk O
National O
Quality O
Assurance O
Framework O
( O
NQAF O
) O
dalam O
rangka O
menjamin O
kualitas O
dari O
statistik O
yang O
dihasilkan. O
Akan O
tetapi O
salah O
satu O
instrumen O
penjaminan O
kualitas O
dari O
NQAF O
yaitu O
Quality O
Gates O
( O
QG O
) O
belum O
memiliki O
aplikasi O
khusus O
untuk O
pelaksanaannya. O
Pelaksanaan O
QG O
saat O
ini O
hanya O
dibantu O
Google O
Spreadsheet. O
Pada O
penelitian O
kali O
ini O
peneliti O
membangun B-TUJUAN
aplikasi I-TUJUAN
untuk I-TUJUAN
pelaksanaan I-TUJUAN
QG I-TUJUAN
di I-TUJUAN
Badan I-TUJUAN
Pusat I-TUJUAN
Statistik. I-TUJUAN
Aplikasi O
yang O
dibangun O
menggunakan O
framework O
CodeIgniter O
versi O
4 O
dengan O
metode O
pengembangan O
yang O
diterapkan O
adalah O
metode B-METODE
Rapid I-METODE
Application I-METODE
Development. I-METODE
Selanjutnya O
dibangun O
aplikasi O
menggunakan O
Black B-METODE
Box I-METODE
Testing I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Kata O
Kunci— O
Quality O
Gates O
, O
NQAF O
, O
Quality O
Assurance O
pengujian O
telah O
yang O
[SEP] O
akan O
Pada O
bagian O
dipaparkan O
mengenai O
kesimpulan O
yang O
diperoleh O
pada O
penelitian O
ini O
dan O
saran O
untuk O
pengembangan O
penelitian O
ini O
selanjutnya O
A. O
Kesimpulan O
Kesimpulan O
yang O
didapatkan O
pada O
pembangunan O
sistem O
yang O
telah O
dilakukan O
adalah O
sebagai O
berikut O
: O
1. O
Aplikasi O
yang O
dibangun O
fokus O
untuk O
pengecekan O
kualitas O
kegiatan O
statistik O
di O
Badan O
Pusat O
Statistik O
dengan O
instrumen O
Quality O
Gates O
dan O
dapat O
berjalan O
sesuai O
aturan O
dan O
kaidah O
yang O
telah O
ditetapkan O
oleh O
BPS. O
Aplikasi O
yang O
telah O
dibangun O
juga O
telah O
mampu O
menjawab O
kebutuhan O
fungsional O
dan O
non O
fungsional O
berdasarkan O
analisis O
kebutuhan O
yang O
telah O
dilakukan. O
2. O
Aplikasi B-TEMUAN
yang I-TEMUAN
sudah I-TEMUAN
dibangun I-TEMUAN
telah I-TEMUAN
melalui I-TEMUAN
pengujian I-TEMUAN
Black I-TEMUAN
Box I-TEMUAN
Testing I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
fungsi-fungsi I-TEMUAN
yang I-TEMUAN
telah I-TEMUAN
dibuat I-TEMUAN
pada I-TEMUAN
aplikasi I-TEMUAN
dapat I-TEMUAN
berjalan I-TEMUAN
dengan I-TEMUAN
baik. I-TEMUAN
Pengujian I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
metode I-TEMUAN
SUS I-TEMUAN
memperoleh I-TEMUAN
skor I-TEMUAN
sebesar I-TEMUAN
77 I-TEMUAN
sehingga I-TEMUAN
dapat I-TEMUAN
disimpulkan I-TEMUAN
bahwa I-TEMUAN
aplikasi I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
sudah I-TEMUAN
bisa I-TEMUAN
diterapkan I-TEMUAN
di I-TEMUAN
BPS. I-TEMUAN
B. O
Saran O
Aplikasi O
yang O
dibangun O
masih O
membutuhkan O
penyempurnaan-penyempuranan O
dan O
penambahan O
fitur O
untuk O
menambah O
nilai O
dari O
dari O
aplikasi O
yang O
dibangun. O
Berikut O
beberapa O
saran O
dari O
peneliti O
untuk O
pengembangan O
sistem O
ini O
kedepannya O
maupun O
saran O
dalam O
penggunaan O
aplikasi O
yang O
dibangun. O
1. O
Perlu O
dilakukan O
pengembangan O
lebih O
lanjut O
untuk O
pengguna O
eksternal O
agar O
dapat O
menampung O
kebutuhan O
dari O
pengguna O
yang O
berasal O
dari O
luar O
Badan O
Pusat O
Statistik O
mengingat O
aplikasi O
ini O
kedepannya O
direncanakan O
untuk O
juga O
melakukan O
penjaminan O
kualitas O
dari O
kegiatan O
statistik O
yang O
dilakukan. O
Pengembangan O
lebih O
lanjut O
juga O
dapat O
dilakukan O
pada O
sisi O
tampilan O
dari O
aplikasi O
yang O
dapat O
dibuat O
lebih O
responsif O
untuk O
seluruh O
ukuran O
perangkat. O
2. O
Perlu O
adanya O
integrasi O
dengan O
sistem O
yang O
sudah O
ada O
di O
Badan O
Pusat O
Statistik O
seperti O
sistem O
kepegawaian O
untuk O
mempermudah O
user. O
digunakan O
pengguna O
eksternal O
oleh O
3. O
Sebelum O
menggunakan O
aplikasi O
ini O
, O
user O
diharapkan O
memiliki O
pengetahuan O
mengenai O
Quality O
Gates O
BPS O
agar O
mendapat O
gambaran O
untuk O
setiap O
proses O
di O
dalam O
aplikasi O
ini. O
Selain O
itu O
user O
diharapkan O
untuk O
mengakses O
aplikasi O
menggunakan O
perangkat O
laptop O
atau O
komputer O
dikarenakan O
tampilan O
aplikasi O
belum O
dibuat O
responsif. O
[ O
1 O
] O
Badan O
Pusat O

Penghitungan O
Indeks O
Harga O
Properti O
Perumahan O
dengan O
Menggunakan O
Data O
Situs O
Properti O
Anik O
Nurul O
‘Izzati O
( O
221709561 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Nucke O
Widowati O
Kusumo O
Projo O
, O
S.Si O
, O
M.Sc O
, O
Ph.D O
langsung O
Ringkasan— O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
menghitung O
Indeks O
Harga O
Properti O
Perumahan O
( O
IHPP O
) O
yang O
merupakan O
salah O
satu O
indikator O
untuk O
melihat O
pertumbuhan O
ekonomi O
di O
bidang O
properti. O
Survei O
yang O
dilakukan O
untuk O
menghitung O
IHPP O
adalah O
Survei O
Harga O
Properti O
Perumahan O
( O
SHPP O
) O
. O
Dalam O
melakukan O
survei O
, O
BPS O
masih O
menggunakan O
cara O
konvensional O
yaitu O
dengan O
wawancara O
terhadap O
perusahaan O
pengembang O
perumahan O
/ O
apartemen. O
BPS O
mengalami O
kendala O
saat O
melakukan O
survei O
, O
dilihat O
dari O
perbedaan O
jumlah O
terealisasi O
dan O
jumlah O
target O
pada O
pencacahan O
SHPP O
yang O
jauh O
berbeda. O
Penelitian O
ini O
dilakukan O
untuk O
mengatasi O
masalah O
tersebut O
dengan O
memanfaatkan B-TUJUAN
pendekatan I-TUJUAN
Big I-TUJUAN
Data. I-TUJUAN
IHPP I-TUJUAN
akan I-TUJUAN
dihitung I-TUJUAN
menggunakan I-TUJUAN
data I-TUJUAN
yang I-TUJUAN
didapatkan I-TUJUAN
dari I-TUJUAN
scraping I-TUJUAN
data I-TUJUAN
yang I-TUJUAN
dilakukan I-TUJUAN
pada I-TUJUAN
salah I-TUJUAN
satu I-TUJUAN
situs I-TUJUAN
properti I-TUJUAN
yaitu I-TUJUAN
rumah123.com. I-TUJUAN
Penghitungan O
menggunakan O
Metode B-METODE
Matched I-METODE
Model I-METODE
dan I-METODE
Metode I-METODE
Hedonik. I-METODE
IHPP O
yang O
dihasilkan O
akan O
dibandingkan O
dengan O
IHPP O
milik O
BPS. O
Berdasarkan O
nilai O
akurasi O
yang O
dihitung O
dengan O
MAPE B-METODE
, O
IHPP B-TEMUAN
dengan I-TEMUAN
penghitungan I-TEMUAN
Metode I-TEMUAN
Hedonik I-TEMUAN
menghasilkan I-TEMUAN
nilai I-TEMUAN
akurasi I-TEMUAN
terkecil I-TEMUAN
yaitu I-TEMUAN
2,69 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
properti I-TEMUAN
rumah I-TEMUAN
dan I-TEMUAN
4,75 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
properti I-TEMUAN
apartemen. I-TEMUAN
Kata O
Kunci— O
Big O
Data O
, O
IHPP O
, O
WebScraping O
, O
Properti. O
[SEP] O
Gambar O
7. O
IHPP O
Apartemen O
Pendekatan O
Situs O
Properti O
dan O
IHPP O
BPS O
A. O
Kesimpulan O
Gambar O
7 O
memperlihatkan O
IHPP O
Apartemen O
Pendekatan O
Situs O
Properti O
dan O
IHPP O
BPS. O
Dapat O
dilihat O
bahwa O
untuk O
kota O
Surabaya O
dan O
Tangerang O
, O
nilai O
indeksnya O
hampir O
sama. O
Sementara O
itu O
untuk O
kota O
Bandung O
dan O
Semarang O
, O
hasil O
penghitungan O
indeks O
dengan O
Metode O
Matched O
Model O
lebih O
kecil O
dari O
indeks O
milik O
BPS O
dan O
Metode O
Hedoniknya O
lebih O
tinggi. O
1. O
2. O
IHPP O
di O
Indonesia O
berdasarkan O
hasil O
scraping O
dari O
website O
rumah123.com O
pada O
level O
kota O
dengan O
Metode O
sudah O
dapat O
dilakukan. O
Hasil O
Matched O
Model O
penghitungan O
menunjukkan O
bahwa O
nilai O
IHPP O
secara O
umum O
lebih O
tinggi O
dari O
IHPP O
BPS. O
IHPP O
di O
Indonesia O
berdasarkan O
hasil O
scraping O
dari O
website O
rumah123.com O
pada O
level O
kota O
dengan O
Metode O
Hedonik O
sudah O
dapat O
dilakukan. O
Hasil O
penghitungan O
menunjukkan O
bahwa O
nilai O
IHPP O
secara O
umum O
hampir O
sama O
dengan O
nilai O
IHPP O
hasil O
pengitungan O
BPS. O
3. O
Nilai O
akurasi O
indeks O
yang O
dihitung O
dengan O
Metode O
Matched O
Model O
Tanpa O
Perlakuan O
, O
Metode O
Matched O
Model O
Dengan O
Perlakuan O
, O
dan O
Metode O
Hedonik O
untuk O
properti O
rumah O
dan O
apartemen O
, O
nilainya O
lebih O
kecil O
dari O
7 O
/ O
8 O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
10 O
persen O
, O
sehingga O
penghitungan O
dikatakan O
memiliki O
kemiripan. O
indeks O
dapat O
B. O
Saran O
1. O
Hasil B-TEMUAN
penelitian I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
BPS I-TEMUAN
dapat I-TEMUAN
mempertimbangkan I-TEMUAN
penggunaan I-TEMUAN
data I-TEMUAN
situs I-TEMUAN
properti I-TEMUAN
sebagai I-TEMUAN
salah I-TEMUAN
satu I-TEMUAN
sumber I-TEMUAN
penerapan I-TEMUAN
dalam I-TEMUAN
Official I-TEMUAN
Statistics. I-TEMUAN
Terutama O
dalam O
pendekatan O
menghitung O
Indeks O
Harga O
Properti O
Perumahan. O
Seperti O
untuk O
kota- O
kota O
yang O
mempunyai O
kendala O
saat O
dihitung O
IHPP-nya. O
Kota-kota O
lain O
yang O
belum O
masuk O
dalam O
penghitungan O
IHPP O
BPS O
, O
dapat O
didekati O
dengan O
kota O
yang O
datanya O
ada O
dalam O
situs O
properti. O
2. O
Mengingat O
terbatasnya O
variabel O
yang O
peneliti O
dapatkan O
dari O
data O
hasil O
scraping O
, O
pada O
penelitian O
selanjutnya O
lain O
( O
seperti O
variabel O
dapat O
ditambahkan O
variabel O
jumlah O
unit O
yang O
dibangun O
pada O
tiap O
properti O
) O
untuk O
didapatkan O
hasil O
yang O
lebih O
baik. O

Penghitungan O
Indeks O
Harga O
Properti O
Perumahan O
dengan O
Menggunakan O
Data O
Situs O
Properti O
Anik O
Nurul O
‘Izzati O
( O
221709561 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Nucke O
Widowati O
Kusumo O
Projo O
, O
S.Si O
, O
M.Sc O
, O
Ph.D O
langsung O
Ringkasan— O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
menghitung O
Indeks O
Harga O
Properti O
Perumahan O
( O
IHPP O
) O
yang O
merupakan O
salah O
satu O
indikator O
untuk O
melihat O
pertumbuhan O
ekonomi O
di O
bidang O
properti. O
Survei O
yang O
dilakukan O
untuk O
menghitung O
IHPP O
adalah O
Survei O
Harga O
Properti O
Perumahan O
( O
SHPP O
) O
. O
Dalam O
melakukan O
survei O
, O
BPS O
masih O
menggunakan O
cara O
konvensional O
yaitu O
dengan O
wawancara O
terhadap O
perusahaan O
pengembang O
perumahan O
/ O
apartemen. O
BPS O
mengalami O
kendala O
saat O
melakukan O
survei O
, O
dilihat O
dari O
perbedaan O
jumlah O
terealisasi O
dan O
jumlah O
target O
pada O
pencacahan O
SHPP O
yang O
jauh O
berbeda. O
Penelitian O
ini O
dilakukan O
untuk O
mengatasi O
masalah O
tersebut O
dengan O
memanfaatkan B-TUJUAN
pendekatan I-TUJUAN
Big I-TUJUAN
Data. I-TUJUAN
IHPP I-TUJUAN
akan I-TUJUAN
dihitung I-TUJUAN
menggunakan I-TUJUAN
data I-TUJUAN
yang I-TUJUAN
didapatkan I-TUJUAN
dari I-TUJUAN
scraping I-TUJUAN
data I-TUJUAN
yang I-TUJUAN
dilakukan I-TUJUAN
pada I-TUJUAN
salah I-TUJUAN
satu I-TUJUAN
situs I-TUJUAN
properti I-TUJUAN
yaitu I-TUJUAN
rumah123.com. I-TUJUAN
Penghitungan O
menggunakan O
Metode B-METODE
Matched I-METODE
Model I-METODE
dan I-METODE
Metode I-METODE
Hedonik. I-METODE
IHPP O
yang O
dihasilkan O
akan O
dibandingkan O
dengan O
IHPP O
milik O
BPS. O
Berdasarkan O
nilai O
akurasi O
yang O
dihitung O
dengan O
MAPE B-METODE
, O
IHPP B-TEMUAN
dengan I-TEMUAN
penghitungan I-TEMUAN
Metode I-TEMUAN
Hedonik I-TEMUAN
menghasilkan I-TEMUAN
nilai I-TEMUAN
akurasi I-TEMUAN
terkecil I-TEMUAN
yaitu I-TEMUAN
2,69 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
properti I-TEMUAN
rumah I-TEMUAN
dan I-TEMUAN
4,75 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
properti I-TEMUAN
apartemen. I-TEMUAN
Kata O
Kunci— O
Big O
Data O
, O
IHPP O
, O
WebScraping O
, O
Properti. O
[SEP] O
Gambar O
7. O
IHPP O
Apartemen O
Pendekatan O
Situs O
Properti O
dan O
IHPP O
BPS O
A. O
Kesimpulan O
Gambar O
7 O
memperlihatkan O
IHPP O
Apartemen O
Pendekatan O
Situs O
Properti O
dan O
IHPP O
BPS. O
Dapat O
dilihat O
bahwa O
untuk O
kota O
Surabaya O
dan O
Tangerang O
, O
nilai O
indeksnya O
hampir O
sama. O
Sementara O
itu O
untuk O
kota O
Bandung O
dan O
Semarang O
, O
hasil O
penghitungan O
indeks O
dengan O
Metode O
Matched O
Model O
lebih O
kecil O
dari O
indeks O
milik O
BPS O
dan O
Metode O
Hedoniknya O
lebih O
tinggi. O
1. O
2. O
IHPP O
di O
Indonesia O
berdasarkan O
hasil O
scraping O
dari O
website O
rumah123.com O
pada O
level O
kota O
dengan O
Metode O
sudah O
dapat O
dilakukan. O
Hasil O
Matched O
Model O
penghitungan O
menunjukkan O
bahwa O
nilai O
IHPP O
secara O
umum O
lebih O
tinggi O
dari O
IHPP O
BPS. O
IHPP O
di O
Indonesia O
berdasarkan O
hasil O
scraping O
dari O
website O
rumah123.com O
pada O
level O
kota O
dengan O
Metode O
Hedonik O
sudah O
dapat O
dilakukan. O
Hasil O
penghitungan O
menunjukkan O
bahwa O
nilai O
IHPP O
secara O
umum O
hampir O
sama O
dengan O
nilai O
IHPP O
hasil O
pengitungan O
BPS. O
3. O
Nilai O
akurasi O
indeks O
yang O
dihitung O
dengan O
Metode O
Matched O
Model O
Tanpa O
Perlakuan O
, O
Metode O
Matched O
Model O
Dengan O
Perlakuan O
, O
dan O
Metode O
Hedonik O
untuk O
properti O
rumah O
dan O
apartemen O
, O
nilainya O
lebih O
kecil O
dari O
7 O
/ O
8 O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
10 O
persen O
, O
sehingga O
penghitungan O
dikatakan O
memiliki O
kemiripan. O
indeks O
dapat O
B. O
Saran O
1. O
Hasil B-TEMUAN
penelitian I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
BPS I-TEMUAN
dapat I-TEMUAN
mempertimbangkan I-TEMUAN
penggunaan I-TEMUAN
data I-TEMUAN
situs I-TEMUAN
properti I-TEMUAN
sebagai I-TEMUAN
salah I-TEMUAN
satu I-TEMUAN
sumber I-TEMUAN
penerapan I-TEMUAN
dalam I-TEMUAN
Official I-TEMUAN
Statistics. I-TEMUAN
Terutama O
dalam O
pendekatan O
menghitung O
Indeks O
Harga O
Properti O
Perumahan. O
Seperti O
untuk O
kota- O
kota O
yang O
mempunyai O
kendala O
saat O
dihitung O
IHPP-nya. O
Kota-kota O
lain O
yang O
belum O
masuk O
dalam O
penghitungan O
IHPP O
BPS O
, O
dapat O
didekati O
dengan O
kota O
yang O
datanya O
ada O
dalam O
situs O
properti. O
2. O
Mengingat O
terbatasnya O
variabel O
yang O
peneliti O
dapatkan O
dari O
data O
hasil O
scraping O
, O
pada O
penelitian O
selanjutnya O
lain O
( O
seperti O
variabel O
dapat O
ditambahkan O
variabel O
jumlah O
unit O
yang O
dibangun O
pada O
tiap O
properti O
) O
untuk O
didapatkan O
hasil O
yang O
lebih O
baik. O

Penghitungan O
Indeks O
Harga O
Properti O
Perumahan O
dengan O
Menggunakan O
Data O
Situs O
Properti O
Anik O
Nurul O
‘Izzati O
( O
221709561 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Nucke O
Widowati O
Kusumo O
Projo O
, O
S.Si O
, O
M.Sc O
, O
Ph.D O
langsung O
Ringkasan— O
Badan O
Pusat O
Statistik O
( O
BPS O
) O
menghitung O
Indeks O
Harga O
Properti O
Perumahan O
( O
IHPP O
) O
yang O
merupakan O
salah O
satu O
indikator O
untuk O
melihat O
pertumbuhan O
ekonomi O
di O
bidang O
properti. O
Survei O
yang O
dilakukan O
untuk O
menghitung O
IHPP O
adalah O
Survei O
Harga O
Properti O
Perumahan O
( O
SHPP O
) O
. O
Dalam O
melakukan O
survei O
, O
BPS O
masih O
menggunakan O
cara O
konvensional O
yaitu O
dengan O
wawancara O
terhadap O
perusahaan O
pengembang O
perumahan O
/ O
apartemen. O
BPS O
mengalami O
kendala O
saat O
melakukan O
survei O
, O
dilihat O
dari O
perbedaan O
jumlah O
terealisasi O
dan O
jumlah O
target O
pada O
pencacahan O
SHPP O
yang O
jauh O
berbeda. O
Penelitian O
ini O
dilakukan O
untuk O
mengatasi O
masalah O
tersebut O
dengan O
memanfaatkan B-TUJUAN
pendekatan I-TUJUAN
Big I-TUJUAN
Data. I-TUJUAN
IHPP I-TUJUAN
akan I-TUJUAN
dihitung I-TUJUAN
menggunakan I-TUJUAN
data I-TUJUAN
yang I-TUJUAN
didapatkan I-TUJUAN
dari I-TUJUAN
scraping I-TUJUAN
data I-TUJUAN
yang I-TUJUAN
dilakukan I-TUJUAN
pada I-TUJUAN
salah I-TUJUAN
satu I-TUJUAN
situs I-TUJUAN
properti I-TUJUAN
yaitu I-TUJUAN
rumah123.com. I-TUJUAN
Penghitungan O
menggunakan O
Metode B-METODE
Matched I-METODE
Model I-METODE
dan I-METODE
Metode I-METODE
Hedonik. I-METODE
IHPP O
yang O
dihasilkan O
akan O
dibandingkan O
dengan O
IHPP O
milik O
BPS. O
Berdasarkan O
nilai O
akurasi O
yang O
dihitung O
dengan O
MAPE B-METODE
, O
IHPP B-TEMUAN
dengan I-TEMUAN
penghitungan I-TEMUAN
Metode I-TEMUAN
Hedonik I-TEMUAN
menghasilkan I-TEMUAN
nilai I-TEMUAN
akurasi I-TEMUAN
terkecil I-TEMUAN
yaitu I-TEMUAN
2,69 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
properti I-TEMUAN
rumah I-TEMUAN
dan I-TEMUAN
4,75 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
properti I-TEMUAN
apartemen. I-TEMUAN
Kata O
Kunci— O
Big O
Data O
, O
IHPP O
, O
WebScraping O
, O
Properti. O
[SEP] O
Gambar O
7. O
IHPP O
Apartemen O
Pendekatan O
Situs O
Properti O
dan O
IHPP O
BPS O
A. O
Kesimpulan O
Gambar O
7 O
memperlihatkan O
IHPP O
Apartemen O
Pendekatan O
Situs O
Properti O
dan O
IHPP O
BPS. O
Dapat O
dilihat O
bahwa O
untuk O
kota O
Surabaya O
dan O
Tangerang O
, O
nilai O
indeksnya O
hampir O
sama. O
Sementara O
itu O
untuk O
kota O
Bandung O
dan O
Semarang O
, O
hasil O
penghitungan O
indeks O
dengan O
Metode O
Matched O
Model O
lebih O
kecil O
dari O
indeks O
milik O
BPS O
dan O
Metode O
Hedoniknya O
lebih O
tinggi. O
1. O
2. O
IHPP O
di O
Indonesia O
berdasarkan O
hasil O
scraping O
dari O
website O
rumah123.com O
pada O
level O
kota O
dengan O
Metode O
sudah O
dapat O
dilakukan. O
Hasil O
Matched O
Model O
penghitungan O
menunjukkan O
bahwa O
nilai O
IHPP O
secara O
umum O
lebih O
tinggi O
dari O
IHPP O
BPS. O
IHPP O
di O
Indonesia O
berdasarkan O
hasil O
scraping O
dari O
website O
rumah123.com O
pada O
level O
kota O
dengan O
Metode O
Hedonik O
sudah O
dapat O
dilakukan. O
Hasil O
penghitungan O
menunjukkan O
bahwa O
nilai O
IHPP O
secara O
umum O
hampir O
sama O
dengan O
nilai O
IHPP O
hasil O
pengitungan O
BPS. O
3. O
Nilai O
akurasi O
indeks O
yang O
dihitung O
dengan O
Metode O
Matched O
Model O
Tanpa O
Perlakuan O
, O
Metode O
Matched O
Model O
Dengan O
Perlakuan O
, O
dan O
Metode O
Hedonik O
untuk O
properti O
rumah O
dan O
apartemen O
, O
nilainya O
lebih O
kecil O
dari O
7 O
/ O
8 O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
10 O
persen O
, O
sehingga O
penghitungan O
dikatakan O
memiliki O
kemiripan. O
indeks O
dapat O
B. O
Saran O
1. O
Hasil B-TEMUAN
penelitian I-TEMUAN
menunjukkan I-TEMUAN
bahwa I-TEMUAN
BPS I-TEMUAN
dapat I-TEMUAN
mempertimbangkan I-TEMUAN
penggunaan I-TEMUAN
data I-TEMUAN
situs I-TEMUAN
properti I-TEMUAN
sebagai I-TEMUAN
salah I-TEMUAN
satu I-TEMUAN
sumber I-TEMUAN
penerapan I-TEMUAN
dalam I-TEMUAN
Official I-TEMUAN
Statistics. I-TEMUAN
Terutama O
dalam O
pendekatan O
menghitung O
Indeks O
Harga O
Properti O
Perumahan. O
Seperti O
untuk O
kota- O
kota O
yang O
mempunyai O
kendala O
saat O
dihitung O
IHPP-nya. O
Kota-kota O
lain O
yang O
belum O
masuk O
dalam O
penghitungan O
IHPP O
BPS O
, O
dapat O
didekati O
dengan O
kota O
yang O
datanya O
ada O
dalam O
situs O
properti. O
2. O
Mengingat O
terbatasnya O
variabel O
yang O
peneliti O
dapatkan O
dari O
data O
hasil O
scraping O
, O
pada O
penelitian O
selanjutnya O
lain O
( O
seperti O
variabel O
dapat O
ditambahkan O
variabel O
jumlah O
unit O
yang O
dibangun O
pada O
tiap O
properti O
) O
untuk O
didapatkan O
hasil O
yang O
lebih O
baik. O

Blockchain O
pada O
Pelacakan O
Alur O
Pemrosesan O
Data O
Survei O
atau O
Sensus O
Anggita O
Aufa O
Fakhri O
Zaidan O
( O
221709559 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Takdir O
, O
SST. O
, O
M.T O
Ringkasan— O
Permasalahan O
nonrespons O
pada O
survei O
/ O
sensus O
yang O
dilakukan O
BPS O
menuntut O
dilakukannya O
satu O
upaya O
peningkatan O
kepercayaan O
melalui O
identifikasi O
petugas. O
Namun O
, O
dari O
segi O
teknis O
situs O
resmi O
sensus O
masih O
tersentralisasi O
dan O
masih O
belum O
dapat O
disajikannya O
transparansi O
informasi O
terkendala. O
membuat O
upaya O
peningkatan O
kepercayaan O
ini O
Blockchain O
merupakan O
teknologi O
basis O
data O
terdesentralisasi O
dan O
tidak O
dapat O
dirusak O
sehingga O
lebih O
aman. O
Tahapan O
penelitian O
ini O
mengacu O
pada O
metode O
DSRM. O
Perancangan O
sistem O
dilakukan O
dengan O
mengidentifikasi O
sistem O
berjalan O
, O
merancang O
proses O
sistem O
dengan O
menerapkan O
blockchain O
, O
menganalisis O
bisnis O
kebutuhan O
sistem O
, O
dan O
mendesain O
sistem O
menggunakan O
UML. O
Penelitian O
alur O
pemrosesan O
data O
survei O
atau O
sensus O
dengan O
memanfaatkan O
teknologi O
blockchain. O
Fitur O
yang O
berhasil O
dikembangkan O
adalah O
input O
berkas O
informasi O
petugas O
oleh O
BPS O
dan O
pencarian O
berkas O
informasi O
petugas O
untuk O
seluruh O
stakeholder O
yang O
terlibat. O
Pemanfaatan O
teknologi O
ini O
dapat O
meningkatkan O
kepercayaan O
responden. O
Smart O
contract O
berhasil O
diimplementasikan O
dan O
berfungsi O
dengan O
baik. O
Berdasarkan O
hasil O
pengujian O
sistem O
menggunakan O
black B-METODE
box I-METODE
testing I-METODE
menunjukan O
kinerja B-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan I-TEMUAN
fungsional. I-TEMUAN
ini O
menghasilkan O
rancangan O
pelacakan O
Kata O
Kunci— O
Blockchain O
, O
Alur O
Pemrosesan O
Data O
Survei O
/ O
Sensus O
, O
Sistem O
Pelacakan. O
[SEP] O
Berdasarkan O
identifikasi O
sistem O
berjalan O
dari O
pemrosesan O
data O
survei O
atau O
sensus O
oleh O
BPS O
menunjukan O
bahwa O
terdapat O
lima O
stakeholder O
yang O
terlibat O
, O
yaitu O
BPS O
Pusat O
, O
BPS O
Daerah O
, O
petugas O
cacah O
, O
pengawas O
, O
dan O
responden. O
Aktivitas O
yang O
terjadi O
dalam O
pemrosesan O
data O
survei O
atau O
sensus O
antara O
lain O
penyusunan O
kuesioner O
dan O
buku O
pedoman O
, O
pelatihan O
petugas O
lapangan O
, O
pencacahan O
, O
pengawasan O
/ O
pemeriksaan O
, O
penerimaan O
( O
batching O
) O
, O
pengelompokan O
( O
receiving O
) O
, O
penyuntingan O
/ O
penyandian O
dokumen O
, O
pengolahan O
, O
kompilasi O
dan O
tabulasi O
data O
, O
serta O
publikasi. O
( O
editing O
/ O
coding O
) O
Penelitian O
ini O
menghasilkan B-TUJUAN
rancangan I-TUJUAN
pelacakan I-TUJUAN
alur I-TUJUAN
atau I-TUJUAN
sensus I-TUJUAN
dengan I-TUJUAN
memanfaatkan I-TUJUAN
pemrosesan I-TUJUAN
survei I-TUJUAN
teknologi I-TUJUAN
blockchain. I-TUJUAN
Fitur O
yang O
berhasil O
dikembangkan O
adalah O
input O
berkas O
dari O
informasi O
petugas O
oleh O
BPS O
dan O
pencarian O
berkas O
dari O
informasi O
petugas O
oleh O
seluruh O
stakeholder O
yang O
terlibat. O
Pemanfaatan O
teknologi O
ini O
dapat O
membantu O
meningkatkan O
kepercayaan O
responden. O
Smart B-TEMUAN
contract I-TEMUAN
berhasil I-TEMUAN
diimplementasikan I-TEMUAN
dan I-TEMUAN
telah I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
sistem I-TEMUAN
menggunakan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
menunjukan I-TEMUAN
kinerja I-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan I-TEMUAN
fungsional. I-TEMUAN
Berdasarkan O
pengujian O
baik. O
hasil O
Adapun O
saran O
yang O
dapat O
digunakan O
untuk O
penelitian O
selanjutnya O
adalah O
perlu O
adanya O
implementasi O
sistem O
yang O
memanfaatkan O
teknologi O
blockchain O
untuk O
pelacakan O
alur O
pemrosesan O
data O
secara O
lengkap O
dari O
tahap O
penyusunan O
hingga O
tahap O
publikasi. O
Hal O
tersebut O
dikarenakan O
dalam O
penelitian O
ini O
teknologi O
blockchain O
hanya O
diimplementasikan O
untuk O
berkas O
informasi O
petugas O
, O
sehingga O
diharapkan O
penelitian O
selanjutnya O
dapat O
memanfaatkan O
teknologi O
blockchain O
untuk O
sistem O
keterlacakan O
tersebut. O
[ O
1 O
] O
Badan O
Pusat O

Blockchain O
pada O
Pelacakan O
Alur O
Pemrosesan O
Data O
Survei O
atau O
Sensus O
Anggita O
Aufa O
Fakhri O
Zaidan O
( O
221709559 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Takdir O
, O
SST. O
, O
M.T O
Ringkasan— O
Permasalahan O
nonrespons O
pada O
survei O
/ O
sensus O
yang O
dilakukan O
BPS O
menuntut O
dilakukannya O
satu O
upaya O
peningkatan O
kepercayaan O
melalui O
identifikasi O
petugas. O
Namun O
, O
dari O
segi O
teknis O
situs O
resmi O
sensus O
masih O
tersentralisasi O
dan O
masih O
belum O
dapat O
disajikannya O
transparansi O
informasi O
terkendala. O
membuat O
upaya O
peningkatan O
kepercayaan O
ini O
Blockchain O
merupakan O
teknologi O
basis O
data O
terdesentralisasi O
dan O
tidak O
dapat O
dirusak O
sehingga O
lebih O
aman. O
Tahapan O
penelitian O
ini O
mengacu O
pada O
metode O
DSRM. O
Perancangan O
sistem O
dilakukan O
dengan O
mengidentifikasi O
sistem O
berjalan O
, O
merancang O
proses O
sistem O
dengan O
menerapkan O
blockchain O
, O
menganalisis O
bisnis O
kebutuhan O
sistem O
, O
dan O
mendesain O
sistem O
menggunakan O
UML. O
Penelitian O
alur O
pemrosesan O
data O
survei O
atau O
sensus O
dengan O
memanfaatkan O
teknologi O
blockchain. O
Fitur O
yang O
berhasil O
dikembangkan O
adalah O
input O
berkas O
informasi O
petugas O
oleh O
BPS O
dan O
pencarian O
berkas O
informasi O
petugas O
untuk O
seluruh O
stakeholder O
yang O
terlibat. O
Pemanfaatan O
teknologi O
ini O
dapat O
meningkatkan O
kepercayaan O
responden. O
Smart O
contract O
berhasil O
diimplementasikan O
dan O
berfungsi O
dengan O
baik. O
Berdasarkan O
hasil O
pengujian O
sistem O
menggunakan O
black B-METODE
box I-METODE
testing I-METODE
menunjukan O
kinerja B-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan I-TEMUAN
fungsional. I-TEMUAN
ini O
menghasilkan O
rancangan O
pelacakan O
Kata O
Kunci— O
Blockchain O
, O
Alur O
Pemrosesan O
Data O
Survei O
/ O
Sensus O
, O
Sistem O
Pelacakan. O
[SEP] O
Berdasarkan O
identifikasi O
sistem O
berjalan O
dari O
pemrosesan O
data O
survei O
atau O
sensus O
oleh O
BPS O
menunjukan O
bahwa O
terdapat O
lima O
stakeholder O
yang O
terlibat O
, O
yaitu O
BPS O
Pusat O
, O
BPS O
Daerah O
, O
petugas O
cacah O
, O
pengawas O
, O
dan O
responden. O
Aktivitas O
yang O
terjadi O
dalam O
pemrosesan O
data O
survei O
atau O
sensus O
antara O
lain O
penyusunan O
kuesioner O
dan O
buku O
pedoman O
, O
pelatihan O
petugas O
lapangan O
, O
pencacahan O
, O
pengawasan O
/ O
pemeriksaan O
, O
penerimaan O
( O
batching O
) O
, O
pengelompokan O
( O
receiving O
) O
, O
penyuntingan O
/ O
penyandian O
dokumen O
, O
pengolahan O
, O
kompilasi O
dan O
tabulasi O
data O
, O
serta O
publikasi. O
( O
editing O
/ O
coding O
) O
Penelitian O
ini O
menghasilkan B-TUJUAN
rancangan I-TUJUAN
pelacakan I-TUJUAN
alur I-TUJUAN
atau I-TUJUAN
sensus I-TUJUAN
dengan I-TUJUAN
memanfaatkan I-TUJUAN
pemrosesan I-TUJUAN
survei I-TUJUAN
teknologi I-TUJUAN
blockchain. I-TUJUAN
Fitur O
yang O
berhasil O
dikembangkan O
adalah O
input O
berkas O
dari O
informasi O
petugas O
oleh O
BPS O
dan O
pencarian O
berkas O
dari O
informasi O
petugas O
oleh O
seluruh O
stakeholder O
yang O
terlibat. O
Pemanfaatan O
teknologi O
ini O
dapat O
membantu O
meningkatkan O
kepercayaan O
responden. O
Smart B-TEMUAN
contract I-TEMUAN
berhasil I-TEMUAN
diimplementasikan I-TEMUAN
dan I-TEMUAN
telah I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
sistem I-TEMUAN
menggunakan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
menunjukan I-TEMUAN
kinerja I-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan I-TEMUAN
fungsional. I-TEMUAN
Berdasarkan O
pengujian O
baik. O
hasil O
Adapun O
saran O
yang O
dapat O
digunakan O
untuk O
penelitian O
selanjutnya O
adalah O
perlu O
adanya O
implementasi O
sistem O
yang O
memanfaatkan O
teknologi O
blockchain O
untuk O
pelacakan O
alur O
pemrosesan O
data O
secara O
lengkap O
dari O
tahap O
penyusunan O
hingga O
tahap O
publikasi. O
Hal O
tersebut O
dikarenakan O
dalam O
penelitian O
ini O
teknologi O
blockchain O
hanya O
diimplementasikan O
untuk O
berkas O
informasi O
petugas O
, O
sehingga O
diharapkan O
penelitian O
selanjutnya O
dapat O
memanfaatkan O
teknologi O
blockchain O
untuk O
sistem O
keterlacakan O
tersebut. O
[ O
1 O
] O
Badan O
Pusat O

Blockchain O
pada O
Pelacakan O
Alur O
Pemrosesan O
Data O
Survei O
atau O
Sensus O
Anggita O
Aufa O
Fakhri O
Zaidan O
( O
221709559 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Takdir O
, O
SST. O
, O
M.T O
Ringkasan— O
Permasalahan O
nonrespons O
pada O
survei O
/ O
sensus O
yang O
dilakukan O
BPS O
menuntut O
dilakukannya O
satu O
upaya O
peningkatan O
kepercayaan O
melalui O
identifikasi O
petugas. O
Namun O
, O
dari O
segi O
teknis O
situs O
resmi O
sensus O
masih O
tersentralisasi O
dan O
masih O
belum O
dapat O
disajikannya O
transparansi O
informasi O
terkendala. O
membuat O
upaya O
peningkatan O
kepercayaan O
ini O
Blockchain O
merupakan O
teknologi O
basis O
data O
terdesentralisasi O
dan O
tidak O
dapat O
dirusak O
sehingga O
lebih O
aman. O
Tahapan O
penelitian O
ini O
mengacu O
pada O
metode O
DSRM. O
Perancangan O
sistem O
dilakukan O
dengan O
mengidentifikasi O
sistem O
berjalan O
, O
merancang O
proses O
sistem O
dengan O
menerapkan O
blockchain O
, O
menganalisis O
bisnis O
kebutuhan O
sistem O
, O
dan O
mendesain O
sistem O
menggunakan O
UML. O
Penelitian O
alur O
pemrosesan O
data O
survei O
atau O
sensus O
dengan O
memanfaatkan O
teknologi O
blockchain. O
Fitur O
yang O
berhasil O
dikembangkan O
adalah O
input O
berkas O
informasi O
petugas O
oleh O
BPS O
dan O
pencarian O
berkas O
informasi O
petugas O
untuk O
seluruh O
stakeholder O
yang O
terlibat. O
Pemanfaatan O
teknologi O
ini O
dapat O
meningkatkan O
kepercayaan O
responden. O
Smart O
contract O
berhasil O
diimplementasikan O
dan O
berfungsi O
dengan O
baik. O
Berdasarkan O
hasil O
pengujian O
sistem O
menggunakan O
black B-METODE
box I-METODE
testing I-METODE
menunjukan O
kinerja B-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan I-TEMUAN
fungsional. I-TEMUAN
ini O
menghasilkan O
rancangan O
pelacakan O
Kata O
Kunci— O
Blockchain O
, O
Alur O
Pemrosesan O
Data O
Survei O
/ O
Sensus O
, O
Sistem O
Pelacakan. O
[SEP] O
Berdasarkan O
identifikasi O
sistem O
berjalan O
dari O
pemrosesan O
data O
survei O
atau O
sensus O
oleh O
BPS O
menunjukan O
bahwa O
terdapat O
lima O
stakeholder O
yang O
terlibat O
, O
yaitu O
BPS O
Pusat O
, O
BPS O
Daerah O
, O
petugas O
cacah O
, O
pengawas O
, O
dan O
responden. O
Aktivitas O
yang O
terjadi O
dalam O
pemrosesan O
data O
survei O
atau O
sensus O
antara O
lain O
penyusunan O
kuesioner O
dan O
buku O
pedoman O
, O
pelatihan O
petugas O
lapangan O
, O
pencacahan O
, O
pengawasan O
/ O
pemeriksaan O
, O
penerimaan O
( O
batching O
) O
, O
pengelompokan O
( O
receiving O
) O
, O
penyuntingan O
/ O
penyandian O
dokumen O
, O
pengolahan O
, O
kompilasi O
dan O
tabulasi O
data O
, O
serta O
publikasi. O
( O
editing O
/ O
coding O
) O
Penelitian O
ini O
menghasilkan B-TUJUAN
rancangan I-TUJUAN
pelacakan I-TUJUAN
alur I-TUJUAN
atau I-TUJUAN
sensus I-TUJUAN
dengan I-TUJUAN
memanfaatkan I-TUJUAN
pemrosesan I-TUJUAN
survei I-TUJUAN
teknologi I-TUJUAN
blockchain. I-TUJUAN
Fitur O
yang O
berhasil O
dikembangkan O
adalah O
input O
berkas O
dari O
informasi O
petugas O
oleh O
BPS O
dan O
pencarian O
berkas O
dari O
informasi O
petugas O
oleh O
seluruh O
stakeholder O
yang O
terlibat. O
Pemanfaatan O
teknologi O
ini O
dapat O
membantu O
meningkatkan O
kepercayaan O
responden. O
Smart B-TEMUAN
contract I-TEMUAN
berhasil I-TEMUAN
diimplementasikan I-TEMUAN
dan I-TEMUAN
telah I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
sistem I-TEMUAN
menggunakan I-TEMUAN
black I-TEMUAN
box I-TEMUAN
testing I-TEMUAN
menunjukan I-TEMUAN
kinerja I-TEMUAN
sistem I-TEMUAN
telah I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
kebutuhan I-TEMUAN
fungsional. I-TEMUAN
Berdasarkan O
pengujian O
baik. O
hasil O
Adapun O
saran O
yang O
dapat O
digunakan O
untuk O
penelitian O
selanjutnya O
adalah O
perlu O
adanya O
implementasi O
sistem O
yang O
memanfaatkan O
teknologi O
blockchain O
untuk O
pelacakan O
alur O
pemrosesan O
data O
secara O
lengkap O
dari O
tahap O
penyusunan O
hingga O
tahap O
publikasi. O
Hal O
tersebut O
dikarenakan O
dalam O
penelitian O
ini O
teknologi O
blockchain O
hanya O
diimplementasikan O
untuk O
berkas O
informasi O
petugas O
, O
sehingga O
diharapkan O
penelitian O
selanjutnya O
dapat O
memanfaatkan O
teknologi O
blockchain O
untuk O
sistem O
keterlacakan O
tersebut. O
[ O
1 O
] O
Badan O
Pusat O

Sistem O
Survei O
Kebutuhan O
Data O
BPS O
: O
Modul O
Output O
dan O
Manajemen O
Pengguna O
Andre O
Fanni O
( O
221709552 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A. O
iterasi. O
sistem O
SDLC B-METODE
model O
Ringkasan— O
Penelitian O
Pengembangan O
Sistem O
SKD O
BPS O
Modul O
output O
dan O
manajemen O
pengguna O
didasarkan O
dari O
belum O
adanya O
monitoring O
kegiatan O
SKD. O
Pada O
Sistem O
berjalan O
, O
hasil O
analisis O
SKD O
hanya O
ditampilkan O
dalam O
bentuk O
tabel O
dan O
tidak O
interaktif. O
Untuk O
itu O
perlu O
adanya O
pengembangan B-TUJUAN
sistem I-TUJUAN
SKD I-TUJUAN
untuk I-TUJUAN
memperbaiki I-TUJUAN
dan I-TUJUAN
meningkatkan I-TUJUAN
kualitas I-TUJUAN
web I-TUJUAN
SKD. I-TUJUAN
Dalam O
melakukan O
pengembangan O
sistem O
survei O
kebutuhan O
data O
output O
dan O
manajemen O
pengguna O
, O
peneliti O
BPS O
modul O
menggunakan O
yii2 O
basic O
sebagai O
frame O
work O
php. O
Dalam O
melakukan O
penelitian O
ini O
, O
peneliti O
menggunakan O
metode O
Peneliti O
pengembangan O
menggunakan O
diagram O
Ishikawa O
sebagai O
metode O
analisis O
masalah O
, O
dan O
analisa B-METODE
PIECES I-METODE
untuk O
analisis O
kebutuhan. O
Selain O
itu O
juga O
, O
untuk O
melakukan O
uji O
coba O
dan O
evaluasi O
, O
peneliti O
menggunakan O
black B-METODE
box I-METODE
testing I-METODE
dan I-METODE
SUS. I-METODE
Penelitian O
ini O
juga O
rancangan O
sistem O
, O
dan O
berisikan O
prosesi O
bisnis O
usulan O
, O
implementasi O
dari O
rancangan O
sistem O
yang O
dibuat. O
Hasil O
dari O
penelitian O
ini O
berhasil O
membuat O
sistem O
dashboard O
monitoring O
kegiatan O
SKD O
yang O
mampu O
memperlihatkan O
data O
eksrim O
satker O
BPS O
berdasarkan O
provinsi O
dan O
berdasarkan O
kabupaten O
/ O
kota O
, O
berhasil O
membuat O
sistem O
manajemen O
pengguna O
SKD O
yang O
dapat O
melakukan O
penambahan O
pengguna O
baru O
, O
mengubah O
data O
pengguna O
atau O
menonaktifkan O
pengguna O
, O
dan O
telah O
berhasil O
migrasi O
sistem O
pendukung O
lain O
dalam O
kegiatan O
SKD O
seperti O
menu O
analisis O
hitung O
cepat O
, O
kritik O
dan O
saran O
, O
rekapitulasi O
pencacahan O
& O
pencapaian O
SKD O
, O
rawdata O
, O
dan O
rencana O
tindak O
lanjut O
kegiatan O
SKD. O
Kata O
Kunci— O
Survei O
Kebutuhan O
Data O
, O
yii2 O
basic O
, O
Monitoring O
, O
Manajemen O
pengguna O
, O
SDLC O
, O
SUS. O
[SEP] O
Demikian O
Makalah O
ini O
dibuat O
untuk O
menyampaikan O
hasil O
penelitian O
pengembangan O
Sistem O
SKD O
Modul O
output O
dan O
manajemen O
pengguna. O
Penelitian O
ini O
telah O
berhasil O
membuat O
dashboard O
monitoring O
, O
manajemen O
pengguna O
, O
dan O
berhasil O
migrasi O
sistem O
yang O
lama. O
Berdasarkan B-TEMUAN
dari I-TEMUAN
uji I-TEMUAN
black I-TEMUAN
box I-TEMUAN
, I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibuat I-TEMUAN
telah I-TEMUAN
berfungsi I-TEMUAN
sebagai I-TEMUAN
mana I-TEMUAN
input I-TEMUAN
yang I-TEMUAN
dilakukan I-TEMUAN
dan I-TEMUAN
berdasarkan I-TEMUAN
uji I-TEMUAN
SUS I-TEMUAN
, I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Untuk I-TEMUAN
rencana I-TEMUAN
selanjutnya I-TEMUAN
menyelesaikan I-TEMUAN
draft I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
menjadi I-TEMUAN
buku I-TEMUAN
skripsi.. I-TEMUAN

Sistem O
Survei O
Kebutuhan O
Data O
BPS O
: O
Modul O
Output O
dan O
Manajemen O
Pengguna O
Andre O
Fanni O
( O
221709552 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A. O
iterasi. O
sistem O
SDLC B-METODE
model O
Ringkasan— O
Penelitian O
Pengembangan O
Sistem O
SKD O
BPS O
Modul O
output O
dan O
manajemen O
pengguna O
didasarkan O
dari O
belum O
adanya O
monitoring O
kegiatan O
SKD. O
Pada O
Sistem O
berjalan O
, O
hasil O
analisis O
SKD O
hanya O
ditampilkan O
dalam O
bentuk O
tabel O
dan O
tidak O
interaktif. O
Untuk O
itu O
perlu O
adanya O
pengembangan B-TUJUAN
sistem I-TUJUAN
SKD I-TUJUAN
untuk I-TUJUAN
memperbaiki I-TUJUAN
dan I-TUJUAN
meningkatkan I-TUJUAN
kualitas I-TUJUAN
web I-TUJUAN
SKD. I-TUJUAN
Dalam O
melakukan O
pengembangan O
sistem O
survei O
kebutuhan O
data O
output O
dan O
manajemen O
pengguna O
, O
peneliti O
BPS O
modul O
menggunakan O
yii2 O
basic O
sebagai O
frame O
work O
php. O
Dalam O
melakukan O
penelitian O
ini O
, O
peneliti O
menggunakan O
metode O
Peneliti O
pengembangan O
menggunakan O
diagram O
Ishikawa O
sebagai O
metode O
analisis O
masalah O
, O
dan O
analisa B-METODE
PIECES I-METODE
untuk O
analisis O
kebutuhan. O
Selain O
itu O
juga O
, O
untuk O
melakukan O
uji O
coba O
dan O
evaluasi O
, O
peneliti O
menggunakan O
black B-METODE
box I-METODE
testing I-METODE
dan I-METODE
SUS. I-METODE
Penelitian O
ini O
juga O
rancangan O
sistem O
, O
dan O
berisikan O
prosesi O
bisnis O
usulan O
, O
implementasi O
dari O
rancangan O
sistem O
yang O
dibuat. O
Hasil O
dari O
penelitian O
ini O
berhasil O
membuat O
sistem O
dashboard O
monitoring O
kegiatan O
SKD O
yang O
mampu O
memperlihatkan O
data O
eksrim O
satker O
BPS O
berdasarkan O
provinsi O
dan O
berdasarkan O
kabupaten O
/ O
kota O
, O
berhasil O
membuat O
sistem O
manajemen O
pengguna O
SKD O
yang O
dapat O
melakukan O
penambahan O
pengguna O
baru O
, O
mengubah O
data O
pengguna O
atau O
menonaktifkan O
pengguna O
, O
dan O
telah O
berhasil O
migrasi O
sistem O
pendukung O
lain O
dalam O
kegiatan O
SKD O
seperti O
menu O
analisis O
hitung O
cepat O
, O
kritik O
dan O
saran O
, O
rekapitulasi O
pencacahan O
& O
pencapaian O
SKD O
, O
rawdata O
, O
dan O
rencana O
tindak O
lanjut O
kegiatan O
SKD. O
Kata O
Kunci— O
Survei O
Kebutuhan O
Data O
, O
yii2 O
basic O
, O
Monitoring O
, O
Manajemen O
pengguna O
, O
SDLC O
, O
SUS. O
[SEP] O
Demikian O
Makalah O
ini O
dibuat O
untuk O
menyampaikan O
hasil O
penelitian O
pengembangan O
Sistem O
SKD O
Modul O
output O
dan O
manajemen O
pengguna. O
Penelitian O
ini O
telah O
berhasil O
membuat O
dashboard O
monitoring O
, O
manajemen O
pengguna O
, O
dan O
berhasil O
migrasi O
sistem O
yang O
lama. O
Berdasarkan B-TEMUAN
dari I-TEMUAN
uji I-TEMUAN
black I-TEMUAN
box I-TEMUAN
, I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibuat I-TEMUAN
telah I-TEMUAN
berfungsi I-TEMUAN
sebagai I-TEMUAN
mana I-TEMUAN
input I-TEMUAN
yang I-TEMUAN
dilakukan I-TEMUAN
dan I-TEMUAN
berdasarkan I-TEMUAN
uji I-TEMUAN
SUS I-TEMUAN
, I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Untuk I-TEMUAN
rencana I-TEMUAN
selanjutnya I-TEMUAN
menyelesaikan I-TEMUAN
draft I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
menjadi I-TEMUAN
buku I-TEMUAN
skripsi.. I-TEMUAN

Sistem O
Survei O
Kebutuhan O
Data O
BPS O
: O
Modul O
Output O
dan O
Manajemen O
Pengguna O
Andre O
Fanni O
( O
221709552 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A. O
iterasi. O
sistem O
SDLC B-METODE
model O
Ringkasan— O
Penelitian O
Pengembangan O
Sistem O
SKD O
BPS O
Modul O
output O
dan O
manajemen O
pengguna O
didasarkan O
dari O
belum O
adanya O
monitoring O
kegiatan O
SKD. O
Pada O
Sistem O
berjalan O
, O
hasil O
analisis O
SKD O
hanya O
ditampilkan O
dalam O
bentuk O
tabel O
dan O
tidak O
interaktif. O
Untuk O
itu O
perlu O
adanya O
pengembangan B-TUJUAN
sistem I-TUJUAN
SKD I-TUJUAN
untuk I-TUJUAN
memperbaiki I-TUJUAN
dan I-TUJUAN
meningkatkan I-TUJUAN
kualitas I-TUJUAN
web I-TUJUAN
SKD. I-TUJUAN
Dalam O
melakukan O
pengembangan O
sistem O
survei O
kebutuhan O
data O
output O
dan O
manajemen O
pengguna O
, O
peneliti O
BPS O
modul O
menggunakan O
yii2 O
basic O
sebagai O
frame O
work O
php. O
Dalam O
melakukan O
penelitian O
ini O
, O
peneliti O
menggunakan O
metode O
Peneliti O
pengembangan O
menggunakan O
diagram O
Ishikawa O
sebagai O
metode O
analisis O
masalah O
, O
dan O
analisa B-METODE
PIECES I-METODE
untuk O
analisis O
kebutuhan. O
Selain O
itu O
juga O
, O
untuk O
melakukan O
uji O
coba O
dan O
evaluasi O
, O
peneliti O
menggunakan O
black B-METODE
box I-METODE
testing I-METODE
dan I-METODE
SUS. I-METODE
Penelitian O
ini O
juga O
rancangan O
sistem O
, O
dan O
berisikan O
prosesi O
bisnis O
usulan O
, O
implementasi O
dari O
rancangan O
sistem O
yang O
dibuat. O
Hasil O
dari O
penelitian O
ini O
berhasil O
membuat O
sistem O
dashboard O
monitoring O
kegiatan O
SKD O
yang O
mampu O
memperlihatkan O
data O
eksrim O
satker O
BPS O
berdasarkan O
provinsi O
dan O
berdasarkan O
kabupaten O
/ O
kota O
, O
berhasil O
membuat O
sistem O
manajemen O
pengguna O
SKD O
yang O
dapat O
melakukan O
penambahan O
pengguna O
baru O
, O
mengubah O
data O
pengguna O
atau O
menonaktifkan O
pengguna O
, O
dan O
telah O
berhasil O
migrasi O
sistem O
pendukung O
lain O
dalam O
kegiatan O
SKD O
seperti O
menu O
analisis O
hitung O
cepat O
, O
kritik O
dan O
saran O
, O
rekapitulasi O
pencacahan O
& O
pencapaian O
SKD O
, O
rawdata O
, O
dan O
rencana O
tindak O
lanjut O
kegiatan O
SKD. O
Kata O
Kunci— O
Survei O
Kebutuhan O
Data O
, O
yii2 O
basic O
, O
Monitoring O
, O
Manajemen O
pengguna O
, O
SDLC O
, O
SUS. O
[SEP] O
Demikian O
Makalah O
ini O
dibuat O
untuk O
menyampaikan O
hasil O
penelitian O
pengembangan O
Sistem O
SKD O
Modul O
output O
dan O
manajemen O
pengguna. O
Penelitian O
ini O
telah O
berhasil O
membuat O
dashboard O
monitoring O
, O
manajemen O
pengguna O
, O
dan O
berhasil O
migrasi O
sistem O
yang O
lama. O
Berdasarkan B-TEMUAN
dari I-TEMUAN
uji I-TEMUAN
black I-TEMUAN
box I-TEMUAN
, I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dibuat I-TEMUAN
telah I-TEMUAN
berfungsi I-TEMUAN
sebagai I-TEMUAN
mana I-TEMUAN
input I-TEMUAN
yang I-TEMUAN
dilakukan I-TEMUAN
dan I-TEMUAN
berdasarkan I-TEMUAN
uji I-TEMUAN
SUS I-TEMUAN
, I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
dikembangkan I-TEMUAN
dapat I-TEMUAN
diterima I-TEMUAN
oleh I-TEMUAN
pengguna. I-TEMUAN
Untuk I-TEMUAN
rencana I-TEMUAN
selanjutnya I-TEMUAN
menyelesaikan I-TEMUAN
draft I-TEMUAN
penelitian I-TEMUAN
ini I-TEMUAN
menjadi I-TEMUAN
buku I-TEMUAN
skripsi.. I-TEMUAN

Hoaks O
pada O
Berita O
Bahasa O
Indonesia O
Berbasis O
Teks O
Studi O
Kasus O
: O
Situs O
TurnBackHoax.id O
dan O
Detik.com O
Amanda O
Tabitha O
Bulan O
Panjaitan O
( O
221709539 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
S.ST O
, O
M.T O
informasi O
semakin O
maju O
Ringkasan—Teknologi O
tentu O
yang O
mendatangkan O
banyak O
kemudahan O
bagi O
para O
penggunanya O
, O
mulai O
dari O
kemudahan O
berkomunikasi O
, O
bertukar O
informasi O
dan O
banyak O
hal O
positif O
lainnya. O
Akan O
tetapi O
, O
kemudahan O
ini O
justru O
mempercepat O
penyebaran O
berita O
bohong O
pada O
internet. O
Hoaks O
adalah O
sesat O
dan O
berbahaya O
karena O
dapat O
menyesatkan O
persepsi O
manusia O
dengan O
cara O
memutarbalikkan O
fakta. O
Selain O
itu O
, O
berita O
palsu O
ini O
bertujuan O
untuk O
memengaruhi O
pembaca O
dengan O
menyajikan O
informasi O
yang O
salah O
sehingga O
para O
pembaca O
mempercayai O
berita O
tersebut O
dan O
mengambil O
tindakan O
berdasarkan O
berita O
tersebut. O
Oleh O
sebab O
itu O
, O
sebelum O
menyebar O
lebih O
luar O
di O
internet O
, O
dibutuhkan B-TUJUAN
suatu I-TUJUAN
sistem I-TUJUAN
cerdas I-TUJUAN
yang I-TUJUAN
bekerja I-TUJUAN
dengan I-TUJUAN
cara I-TUJUAN
mengklasifikasi I-TUJUAN
sebuah I-TUJUAN
berita I-TUJUAN
secara I-TUJUAN
cepat. I-TUJUAN
tidak O
Hal O
menyesatkan O
para O
pembacanya. O
Pada O
penelitian O
ini O
, O
dibangun O
sebuah O
web O
scraper O
untuk O
memperoleh O
data O
berita O
berbahasa O
Indonesia. O
Scraping B-METODE
data O
menghasilkan O
dua O
korpus O
yang O
kemudian O
dilakukan O
klasifikasi O
Random O
Forest O
dengan O
metrik O
akurasi O
sebagai O
metode O
evaluasi. O
Diperoleh O
tingkat O
akurasi B-METODE
kedua O
korpus O
sebesar O
88 O
% O
. O
Model O
ini O
kemudian O
diimplementasi O
dalam O
sistem O
deteksi O
hoaks O
berbasis O
web O
yang O
bertujuan O
untuk O
mempermudah O
masyarakat O
dalam O
mencari O
tahu O
kebenaran O
suatu O
berita. O
ini O
bertujuan O
agar O
berita O
bohong O
tersebut O
Kata O
Kunci—hoaks O
, O
klasifikasi O
, O
web O
scraping O
, O
data O
mining. O
[SEP] O
Berdasarkan O
pembahasan O
di O
atas O
, O
kesimpulan O
yang O
diperoleh O
pada O
penelitian O
ini O
yakni O
sebagai O
berikut O
: O
1. O
Berita-berita O
yang O
ada O
bisa O
diidentifikasi O
apakah O
merupakan O
hoaks O
atau O
fakta O
dengan O
membuat O
feature O
model O
klasifikasi O
dengan O
TF-IDF O
, O
engineering O
, O
cosine O
similarity O
, O
dan O
Random O
Forest. O
2. O
Hasil O
klasifikasi B-METODE
menggunakan O
metode O
Random B-TEMUAN
Forest I-TEMUAN
pada I-TEMUAN
kedua I-TEMUAN
korpus I-TEMUAN
menunjukkan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
88 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Hal O
ini O
menunjukkan O
bahwa O
kinerja O
metode O
yang O
diusulkan O
cukup O
handal O
untuk O
mendeteksi O
berita O
hoaks. O
3. O
Dengan O
adanya O
penambahan O
dataset O
, O
model O
yang O
dibangun O
semakin O
baik O
pula. O
Dataset O
yang O
diperoleh O
dapat O
menjadi O
bahan O
pembelajaran O
untuk O
penelitian O
selanjutnya. O
4. O
Sistem B-TEMUAN
deteksi I-TEMUAN
hoaks I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
berperan I-TEMUAN
sebagai I-TEMUAN
sistem I-TEMUAN
pendukung I-TEMUAN
keputusan I-TEMUAN
yang I-TEMUAN
berguna I-TEMUAN
untuk I-TEMUAN
menangkal I-TEMUAN
berita I-TEMUAN
hoaks I-TEMUAN
agar I-TEMUAN
tidak I-TEMUAN
menyebar I-TEMUAN
luas I-TEMUAN
di I-TEMUAN
internet. I-TEMUAN
Berdasarkan O
kesimpulan O
yang O
telah O
dijabarkan O
di O
atas O
, O
maka O
berikut O
adalah O
saran O
yang O
diberikan O
untuk O
penelitian O
yang O
akan O
datang O
: O
1. O
Mengembangkan O
sistem O
yang O
dapat O
menerima O
input O
selain O
teks O
seperti O
gambar O
, O
video O
maupun O
audio O
untuk O
dideteksi O
kebenarannya. O
2. O
Diharapkan O
peneliti O
dapat O
cara O
penelitian O
mengembangkan O
mendeteksi O
persentase O
kebenaran O
suatu O
dokumen O
berita. O
selanjutnya O
dengan O

Hoaks O
pada O
Berita O
Bahasa O
Indonesia O
Berbasis O
Teks O
Studi O
Kasus O
: O
Situs O
TurnBackHoax.id O
dan O
Detik.com O
Amanda O
Tabitha O
Bulan O
Panjaitan O
( O
221709539 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
S.ST O
, O
M.T O
informasi O
semakin O
maju O
Ringkasan—Teknologi O
tentu O
yang O
mendatangkan O
banyak O
kemudahan O
bagi O
para O
penggunanya O
, O
mulai O
dari O
kemudahan O
berkomunikasi O
, O
bertukar O
informasi O
dan O
banyak O
hal O
positif O
lainnya. O
Akan O
tetapi O
, O
kemudahan O
ini O
justru O
mempercepat O
penyebaran O
berita O
bohong O
pada O
internet. O
Hoaks O
adalah O
sesat O
dan O
berbahaya O
karena O
dapat O
menyesatkan O
persepsi O
manusia O
dengan O
cara O
memutarbalikkan O
fakta. O
Selain O
itu O
, O
berita O
palsu O
ini O
bertujuan O
untuk O
memengaruhi O
pembaca O
dengan O
menyajikan O
informasi O
yang O
salah O
sehingga O
para O
pembaca O
mempercayai O
berita O
tersebut O
dan O
mengambil O
tindakan O
berdasarkan O
berita O
tersebut. O
Oleh O
sebab O
itu O
, O
sebelum O
menyebar O
lebih O
luar O
di O
internet O
, O
dibutuhkan B-TUJUAN
suatu I-TUJUAN
sistem I-TUJUAN
cerdas I-TUJUAN
yang I-TUJUAN
bekerja I-TUJUAN
dengan I-TUJUAN
cara I-TUJUAN
mengklasifikasi I-TUJUAN
sebuah I-TUJUAN
berita I-TUJUAN
secara I-TUJUAN
cepat. I-TUJUAN
tidak O
Hal O
menyesatkan O
para O
pembacanya. O
Pada O
penelitian O
ini O
, O
dibangun O
sebuah O
web O
scraper O
untuk O
memperoleh O
data O
berita O
berbahasa O
Indonesia. O
Scraping B-METODE
data O
menghasilkan O
dua O
korpus O
yang O
kemudian O
dilakukan O
klasifikasi O
Random O
Forest O
dengan O
metrik O
akurasi O
sebagai O
metode O
evaluasi. O
Diperoleh O
tingkat O
akurasi B-METODE
kedua O
korpus O
sebesar O
88 O
% O
. O
Model O
ini O
kemudian O
diimplementasi O
dalam O
sistem O
deteksi O
hoaks O
berbasis O
web O
yang O
bertujuan O
untuk O
mempermudah O
masyarakat O
dalam O
mencari O
tahu O
kebenaran O
suatu O
berita. O
ini O
bertujuan O
agar O
berita O
bohong O
tersebut O
Kata O
Kunci—hoaks O
, O
klasifikasi O
, O
web O
scraping O
, O
data O
mining. O
[SEP] O
Berdasarkan O
pembahasan O
di O
atas O
, O
kesimpulan O
yang O
diperoleh O
pada O
penelitian O
ini O
yakni O
sebagai O
berikut O
: O
1. O
Berita-berita O
yang O
ada O
bisa O
diidentifikasi O
apakah O
merupakan O
hoaks O
atau O
fakta O
dengan O
membuat O
feature O
model O
klasifikasi O
dengan O
TF-IDF O
, O
engineering O
, O
cosine O
similarity O
, O
dan O
Random O
Forest. O
2. O
Hasil O
klasifikasi B-METODE
menggunakan O
metode O
Random B-TEMUAN
Forest I-TEMUAN
pada I-TEMUAN
kedua I-TEMUAN
korpus I-TEMUAN
menunjukkan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
88 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Hal O
ini O
menunjukkan O
bahwa O
kinerja O
metode O
yang O
diusulkan O
cukup O
handal O
untuk O
mendeteksi O
berita O
hoaks. O
3. O
Dengan O
adanya O
penambahan O
dataset O
, O
model O
yang O
dibangun O
semakin O
baik O
pula. O
Dataset O
yang O
diperoleh O
dapat O
menjadi O
bahan O
pembelajaran O
untuk O
penelitian O
selanjutnya. O
4. O
Sistem B-TEMUAN
deteksi I-TEMUAN
hoaks I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
berperan I-TEMUAN
sebagai I-TEMUAN
sistem I-TEMUAN
pendukung I-TEMUAN
keputusan I-TEMUAN
yang I-TEMUAN
berguna I-TEMUAN
untuk I-TEMUAN
menangkal I-TEMUAN
berita I-TEMUAN
hoaks I-TEMUAN
agar I-TEMUAN
tidak I-TEMUAN
menyebar I-TEMUAN
luas I-TEMUAN
di I-TEMUAN
internet. I-TEMUAN
Berdasarkan O
kesimpulan O
yang O
telah O
dijabarkan O
di O
atas O
, O
maka O
berikut O
adalah O
saran O
yang O
diberikan O
untuk O
penelitian O
yang O
akan O
datang O
: O
1. O
Mengembangkan O
sistem O
yang O
dapat O
menerima O
input O
selain O
teks O
seperti O
gambar O
, O
video O
maupun O
audio O
untuk O
dideteksi O
kebenarannya. O
2. O
Diharapkan O
peneliti O
dapat O
cara O
penelitian O
mengembangkan O
mendeteksi O
persentase O
kebenaran O
suatu O
dokumen O
berita. O
selanjutnya O
dengan O

Hoaks O
pada O
Berita O
Bahasa O
Indonesia O
Berbasis O
Teks O
Studi O
Kasus O
: O
Situs O
TurnBackHoax.id O
dan O
Detik.com O
Amanda O
Tabitha O
Bulan O
Panjaitan O
( O
221709539 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
, O
S.ST O
, O
M.T O
informasi O
semakin O
maju O
Ringkasan—Teknologi O
tentu O
yang O
mendatangkan O
banyak O
kemudahan O
bagi O
para O
penggunanya O
, O
mulai O
dari O
kemudahan O
berkomunikasi O
, O
bertukar O
informasi O
dan O
banyak O
hal O
positif O
lainnya. O
Akan O
tetapi O
, O
kemudahan O
ini O
justru O
mempercepat O
penyebaran O
berita O
bohong O
pada O
internet. O
Hoaks O
adalah O
sesat O
dan O
berbahaya O
karena O
dapat O
menyesatkan O
persepsi O
manusia O
dengan O
cara O
memutarbalikkan O
fakta. O
Selain O
itu O
, O
berita O
palsu O
ini O
bertujuan O
untuk O
memengaruhi O
pembaca O
dengan O
menyajikan O
informasi O
yang O
salah O
sehingga O
para O
pembaca O
mempercayai O
berita O
tersebut O
dan O
mengambil O
tindakan O
berdasarkan O
berita O
tersebut. O
Oleh O
sebab O
itu O
, O
sebelum O
menyebar O
lebih O
luar O
di O
internet O
, O
dibutuhkan B-TUJUAN
suatu I-TUJUAN
sistem I-TUJUAN
cerdas I-TUJUAN
yang I-TUJUAN
bekerja I-TUJUAN
dengan I-TUJUAN
cara I-TUJUAN
mengklasifikasi I-TUJUAN
sebuah I-TUJUAN
berita I-TUJUAN
secara I-TUJUAN
cepat. I-TUJUAN
tidak O
Hal O
menyesatkan O
para O
pembacanya. O
Pada O
penelitian O
ini O
, O
dibangun O
sebuah O
web O
scraper O
untuk O
memperoleh O
data O
berita O
berbahasa O
Indonesia. O
Scraping B-METODE
data O
menghasilkan O
dua O
korpus O
yang O
kemudian O
dilakukan O
klasifikasi O
Random O
Forest O
dengan O
metrik O
akurasi O
sebagai O
metode O
evaluasi. O
Diperoleh O
tingkat O
akurasi B-METODE
kedua O
korpus O
sebesar O
88 O
% O
. O
Model O
ini O
kemudian O
diimplementasi O
dalam O
sistem O
deteksi O
hoaks O
berbasis O
web O
yang O
bertujuan O
untuk O
mempermudah O
masyarakat O
dalam O
mencari O
tahu O
kebenaran O
suatu O
berita. O
ini O
bertujuan O
agar O
berita O
bohong O
tersebut O
Kata O
Kunci—hoaks O
, O
klasifikasi O
, O
web O
scraping O
, O
data O
mining. O
[SEP] O
Berdasarkan O
pembahasan O
di O
atas O
, O
kesimpulan O
yang O
diperoleh O
pada O
penelitian O
ini O
yakni O
sebagai O
berikut O
: O
1. O
Berita-berita O
yang O
ada O
bisa O
diidentifikasi O
apakah O
merupakan O
hoaks O
atau O
fakta O
dengan O
membuat O
feature O
model O
klasifikasi O
dengan O
TF-IDF O
, O
engineering O
, O
cosine O
similarity O
, O
dan O
Random O
Forest. O
2. O
Hasil O
klasifikasi B-METODE
menggunakan O
metode O
Random B-TEMUAN
Forest I-TEMUAN
pada I-TEMUAN
kedua I-TEMUAN
korpus I-TEMUAN
menunjukkan I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
88 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Hal O
ini O
menunjukkan O
bahwa O
kinerja O
metode O
yang O
diusulkan O
cukup O
handal O
untuk O
mendeteksi O
berita O
hoaks. O
3. O
Dengan O
adanya O
penambahan O
dataset O
, O
model O
yang O
dibangun O
semakin O
baik O
pula. O
Dataset O
yang O
diperoleh O
dapat O
menjadi O
bahan O
pembelajaran O
untuk O
penelitian O
selanjutnya. O
4. O
Sistem B-TEMUAN
deteksi I-TEMUAN
hoaks I-TEMUAN
yang I-TEMUAN
dibangun I-TEMUAN
berperan I-TEMUAN
sebagai I-TEMUAN
sistem I-TEMUAN
pendukung I-TEMUAN
keputusan I-TEMUAN
yang I-TEMUAN
berguna I-TEMUAN
untuk I-TEMUAN
menangkal I-TEMUAN
berita I-TEMUAN
hoaks I-TEMUAN
agar I-TEMUAN
tidak I-TEMUAN
menyebar I-TEMUAN
luas I-TEMUAN
di I-TEMUAN
internet. I-TEMUAN
Berdasarkan O
kesimpulan O
yang O
telah O
dijabarkan O
di O
atas O
, O
maka O
berikut O
adalah O
saran O
yang O
diberikan O
untuk O
penelitian O
yang O
akan O
datang O
: O
1. O
Mengembangkan O
sistem O
yang O
dapat O
menerima O
input O
selain O
teks O
seperti O
gambar O
, O
video O
maupun O
audio O
untuk O
dideteksi O
kebenarannya. O
2. O
Diharapkan O
peneliti O
dapat O
cara O
penelitian O
mengembangkan O
mendeteksi O
persentase O
kebenaran O
suatu O
dokumen O
berita. O
selanjutnya O
dengan O

Sistem O
Informasi O
Kompetensi O
Pegawai O
Pusdiklat O
Badan O
Pusat O
Statistik O
Alvin O
Pratama O
( O
221709534 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
M.Stat O
Ringkasan— O
Sesuai O
dengan O
PP O
nomor O
1 O
tahun O
2017 O
, O
setiap O
PNS O
berhak O
mengikuti O
kegiatan O
pengembangan O
kompetensi O
sekurang-kurangnya O
20 O
jam O
pelajaran O
dalam O
satu O
tahun. O
Untuk O
keperluan O
pemantauan O
perkembangan O
dari O
pengembangan O
kompetensi O
yang O
telah O
diikuti O
oleh O
setiap O
pegawai O
, O
Pusat O
Pendidikan O
dan O
Pelatihan O
BPS O
mengembangkan O
suatu O
sistem O
informasi O
berbasis O
web. O
Tujuan O
dari O
penelitian O
ini O
adalah O
menambahkan B-TUJUAN
fitur I-TUJUAN
yang I-TUJUAN
memungkinkan I-TUJUAN
pegawai I-TUJUAN
untuk I-TUJUAN
melakukan I-TUJUAN
entri I-TUJUAN
data I-TUJUAN
tentang I-TUJUAN
pengembangan I-TUJUAN
kompetensi I-TUJUAN
yang I-TUJUAN
telah I-TUJUAN
dan I-TUJUAN
akan I-TUJUAN
diikutinya. I-TUJUAN
Metode O
yang O
digunakan O
dalam O
pengembangan O
ini O
adalah O
RAD. B-METODE
Pengembangan O
sistem O
telah O
berhasil O
dilakukan O
dan O
dari O
hasil O
pengujian O
black B-METODE
box I-METODE
, I-METODE
semua B-TEMUAN
fungsi I-TEMUAN
yang I-TEMUAN
dirancang I-TEMUAN
telah I-TEMUAN
dapat I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
semestinya. I-TEMUAN
Kata O
Kunci— O
Pusdiklat O
, O
BPS O
, O
Sistem O
Informasi O
[SEP] O
Berdasarkan O
tulisan O
di O
atas O
, O
terdapat O
kesimpulan O
: O
6 O
/ O
7 O
Telah O
dilakukan O
pengembangan O
terhadap O
sistem O
yang O
tiap O
1. O
ada O
sebelumnya O
berupa O
penambahan O
menu O
bagi O
pegawai O
2. O
pada O
aplikasi B-TEMUAN
telah I-TEMUAN
berjalan I-TEMUAN
sebagaimana I-TEMUAN
mestinya. I-TEMUAN
Berdasarkan O
hasil O
pengujian O
black O
box O
, O
semua O
fungsi O

Sistem O
Informasi O
Kompetensi O
Pegawai O
Pusdiklat O
Badan O
Pusat O
Statistik O
Alvin O
Pratama O
( O
221709534 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
M.Stat O
Ringkasan— O
Sesuai O
dengan O
PP O
nomor O
1 O
tahun O
2017 O
, O
setiap O
PNS O
berhak O
mengikuti O
kegiatan O
pengembangan O
kompetensi O
sekurang-kurangnya O
20 O
jam O
pelajaran O
dalam O
satu O
tahun. O
Untuk O
keperluan O
pemantauan O
perkembangan O
dari O
pengembangan O
kompetensi O
yang O
telah O
diikuti O
oleh O
setiap O
pegawai O
, O
Pusat O
Pendidikan O
dan O
Pelatihan O
BPS O
mengembangkan O
suatu O
sistem O
informasi O
berbasis O
web. O
Tujuan O
dari O
penelitian O
ini O
adalah O
menambahkan B-TUJUAN
fitur I-TUJUAN
yang I-TUJUAN
memungkinkan I-TUJUAN
pegawai I-TUJUAN
untuk I-TUJUAN
melakukan I-TUJUAN
entri I-TUJUAN
data I-TUJUAN
tentang I-TUJUAN
pengembangan I-TUJUAN
kompetensi I-TUJUAN
yang I-TUJUAN
telah I-TUJUAN
dan I-TUJUAN
akan I-TUJUAN
diikutinya. I-TUJUAN
Metode O
yang O
digunakan O
dalam O
pengembangan O
ini O
adalah O
RAD. B-METODE
Pengembangan O
sistem O
telah O
berhasil O
dilakukan O
dan O
dari O
hasil O
pengujian O
black B-METODE
box I-METODE
, I-METODE
semua B-TEMUAN
fungsi I-TEMUAN
yang I-TEMUAN
dirancang I-TEMUAN
telah I-TEMUAN
dapat I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
semestinya. I-TEMUAN
Kata O
Kunci— O
Pusdiklat O
, O
BPS O
, O
Sistem O
Informasi O
[SEP] O
Berdasarkan O
tulisan O
di O
atas O
, O
terdapat O
kesimpulan O
: O
6 O
/ O
7 O
Telah O
dilakukan O
pengembangan O
terhadap O
sistem O
yang O
tiap O
1. O
ada O
sebelumnya O
berupa O
penambahan O
menu O
bagi O
pegawai O
2. O
pada O
aplikasi B-TEMUAN
telah I-TEMUAN
berjalan I-TEMUAN
sebagaimana I-TEMUAN
mestinya. I-TEMUAN
Berdasarkan O
hasil O
pengujian O
black O
box O
, O
semua O
fungsi O

Sistem O
Informasi O
Kompetensi O
Pegawai O
Pusdiklat O
Badan O
Pusat O
Statistik O
Alvin O
Pratama O
( O
221709534 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
M.Stat O
Ringkasan— O
Sesuai O
dengan O
PP O
nomor O
1 O
tahun O
2017 O
, O
setiap O
PNS O
berhak O
mengikuti O
kegiatan O
pengembangan O
kompetensi O
sekurang-kurangnya O
20 O
jam O
pelajaran O
dalam O
satu O
tahun. O
Untuk O
keperluan O
pemantauan O
perkembangan O
dari O
pengembangan O
kompetensi O
yang O
telah O
diikuti O
oleh O
setiap O
pegawai O
, O
Pusat O
Pendidikan O
dan O
Pelatihan O
BPS O
mengembangkan O
suatu O
sistem O
informasi O
berbasis O
web. O
Tujuan O
dari O
penelitian O
ini O
adalah O
menambahkan B-TUJUAN
fitur I-TUJUAN
yang I-TUJUAN
memungkinkan I-TUJUAN
pegawai I-TUJUAN
untuk I-TUJUAN
melakukan I-TUJUAN
entri I-TUJUAN
data I-TUJUAN
tentang I-TUJUAN
pengembangan I-TUJUAN
kompetensi I-TUJUAN
yang I-TUJUAN
telah I-TUJUAN
dan I-TUJUAN
akan I-TUJUAN
diikutinya. I-TUJUAN
Metode O
yang O
digunakan O
dalam O
pengembangan O
ini O
adalah O
RAD. B-METODE
Pengembangan O
sistem O
telah O
berhasil O
dilakukan O
dan O
dari O
hasil O
pengujian O
black B-METODE
box I-METODE
, I-METODE
semua B-TEMUAN
fungsi I-TEMUAN
yang I-TEMUAN
dirancang I-TEMUAN
telah I-TEMUAN
dapat I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
semestinya. I-TEMUAN
Kata O
Kunci— O
Pusdiklat O
, O
BPS O
, O
Sistem O
Informasi O
[SEP] O
Berdasarkan O
tulisan O
di O
atas O
, O
terdapat O
kesimpulan O
: O
6 O
/ O
7 O
Telah O
dilakukan O
pengembangan O
terhadap O
sistem O
yang O
tiap O
1. O
ada O
sebelumnya O
berupa O
penambahan O
menu O
bagi O
pegawai O
2. O
pada O
aplikasi B-TEMUAN
telah I-TEMUAN
berjalan I-TEMUAN
sebagaimana I-TEMUAN
mestinya. I-TEMUAN
Berdasarkan O
hasil O
pengujian O
black O
box O
, O
semua O
fungsi O

Sistem O
Informasi O
Kompetensi O
Pegawai O
Pusdiklat O
Badan O
Pusat O
Statistik O
Alvin O
Pratama O
( O
221709534 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
M.Stat O
Ringkasan— O
Sesuai O
dengan O
PP O
nomor O
1 O
tahun O
2017 O
, O
setiap O
PNS O
berhak O
mengikuti O
kegiatan O
pengembangan O
kompetensi O
sekurang-kurangnya O
20 O
jam O
pelajaran O
dalam O
satu O
tahun. O
Untuk O
keperluan O
pemantauan O
perkembangan O
dari O
pengembangan O
kompetensi O
yang O
telah O
diikuti O
oleh O
setiap O
pegawai O
, O
Pusat O
Pendidikan O
dan O
Pelatihan O
BPS O
mengembangkan O
suatu O
sistem O
informasi O
berbasis O
web. O
Tujuan O
dari O
penelitian O
ini O
adalah O
menambahkan B-TUJUAN
fitur I-TUJUAN
yang I-TUJUAN
memungkinkan I-TUJUAN
pegawai I-TUJUAN
untuk I-TUJUAN
melakukan I-TUJUAN
entri I-TUJUAN
data I-TUJUAN
tentang I-TUJUAN
pengembangan I-TUJUAN
kompetensi I-TUJUAN
yang I-TUJUAN
telah I-TUJUAN
dan I-TUJUAN
akan I-TUJUAN
diikutinya. I-TUJUAN
Metode O
yang O
digunakan O
dalam O
pengembangan O
ini O
adalah O
RAD. B-METODE
Pengembangan O
sistem O
telah O
berhasil O
dilakukan O
dan O
dari O
hasil O
pengujian O
black B-METODE
box I-METODE
, I-METODE
semua B-TEMUAN
fungsi I-TEMUAN
yang I-TEMUAN
dirancang I-TEMUAN
telah I-TEMUAN
dapat I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
semestinya. I-TEMUAN
Kata O
Kunci— O
Pusdiklat O
, O
BPS O
, O
Sistem O
Informasi O
[SEP] O
Berdasarkan O
tulisan O
di O
atas O
, O
terdapat O
kesimpulan O
: O
6 O
/ O
7 O
Telah O
dilakukan O
pengembangan O
terhadap O
sistem O
yang O
tiap O
1. O
ada O
sebelumnya O
berupa O
penambahan O
menu O
bagi O
pegawai O
2. O
pada O
aplikasi B-TEMUAN
telah I-TEMUAN
berjalan I-TEMUAN
sebagaimana I-TEMUAN
mestinya. I-TEMUAN
Berdasarkan O
hasil O
pengujian O
black O
box O
, O
semua O
fungsi O

Sistem O
Presensi O
Daring O
Pegawai O
BPS O
Berbasis O
Location O
Based O
Services O
Alvin O
Berliansyah O
( O
221709533 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I. O
Ringkasan— O
Kegiatan O
presensi O
merupakan O
kegiatan O
pencatatan O
kehadiran O
yang O
penting O
dilakukan O
[ O
1 O
] O
. O
BPS O
dalam O
menghadapi O
tantangan O
pandemi O
covid-19 O
menggunakan O
microsoft O
kaizala O
untuk O
presensi O
pegawainya. O
Namun O
penggunaan O
aplikasi O
kaizala O
memunculkan O
beberapa O
kendala. O
Akibatnya O
pengelolaan O
itu O
dan O
pelaksanaan O
kegiatan O
presensi O
terhambat. O
Untuk O
diperlukan B-TUJUAN
pembuatan I-TUJUAN
aplikasi I-TUJUAN
presensi I-TUJUAN
online I-TUJUAN
sendiri I-TUJUAN
yang I-TUJUAN
memenuhi I-TUJUAN
kebutuhan I-TUJUAN
presensi I-TUJUAN
pegawai I-TUJUAN
BPS. I-TUJUAN
Sistem O
diterapkan O
kedalam O
2 O
aplikasi O
yaitu O
aplikasi O
mobile O
dan O
aplikasi O
web. O
Aplikasi O
mobile O
digunakan O
untuk O
pelaksanaan O
dan O
monitoring O
, O
sedangkan O
aplikasi O
web O
digunakan O
untuk O
rekapitulasi O
presensi. O
Sistem O
yang O
dibangun O
berpotensi O
dapat O
diterima O
oleh O
pengguna O
dan O
memudahkan O
pengguna O
dalam O
menjalankan O
serta O
memonitoring O
kegiatan O
presensi O
pada O
lingkup O
pegawai O
BPS O
sesuai O
dengan O
hasil O
pengujian O
UAT B-METODE
berjenis O
blackbox B-METODE
testing I-METODE
setelah O
sistem O
selesai O
dibangun. O
Kata O
Kunci— O
Presensi O
, O
BPS O
, O
LBS O
, O
Flutter O
, O
Pegawai O
[SEP] O
Kesimpulan O
Berdasarkan O
hasil O
yang O
diperoleh O
dari O
proses O
pembangunan O
sistem O
presensi O
online O
pegawai O
dapat O
ditarik O
beberapa O
kesimpulan O
sebagai O
berikut. O
8 O
/ O
9 O
Gambar O
14. O
Tampilan O
implementasi O
kebutuhan O
non-fungsional O
F. O
Pengujian O
Sistem O
Pengujian O
sistem O
, O
penulis O
lakukan O
dengan O
UAT O
dengan O
jenis O
blackbox B-METODE
testing. I-METODE
Pengujian O
dilakukan O
dengan O
wawancara O
bersama O
responden O
menggunakan O
kuesioner. O
Penulis O
membuat O
kuesioner O
menggunakan O
dan O
melakukan O
wawancara O
pengujian O
dengan O
daring O
menggunakan O
google O
meet. O
Langkah-langkah O
pengujian O
yang O
akan O
dilakukan O
adalah O
sebagai O
berikut O
: O
googleform O
• O
Menjelaskan O
mekanisme O
, O
tujuan O
pengujian O
, O
dan O
apa O
yang O
diharapkan O
dari O
kegiatan O
pengujian. O
• O
Pemberian O
waktu O
kepada O
responden O
untuk O
mengunduh O
aplikasi O
sambil O
menanyakan O
pertanyaan O
awal O
pada O
kuesioner O
• O
Pengerjaan O
skenario O
tugas-tugas O
yang O
dicontohkan O
pada O
Tabel O
IV. O
Proses O
ini O
diawasi O
oleh O
penulis O
agar O
penulis O
dapat O
mendata O
dari O
kegiatan O
pengujian O
tersebut O
dan O
memasukkan O
data O
kedalam O
kuesioner. O
seperti O
• O
Wawancara O
singkat O
tentang O
bagaimana O
pendapat O
responden O
tentang O
sistem O
yang O
dibangun. O
• O
Penutupan. O
Dalam O
pelaksanaan O
kegiatan O
pengujian O
, O
data-data O
yang O
dicari O
adalah O
sebagai O
berikut O
: O
Identitas O
responden O
yang O
diuji O
• O
• O
Status O
apakah O
berhasil O
atau O
tidak O
penyelesaian O
tugas- O
tugas O
tersebut O
• O
Waktu O
pengerjaan O
setiap O
tugas-tugas O
• O
Penyebab O
terjadinya O
kegagalan O
penyelesaian O
tugas O
bila O
pengguna O
tidak O
bisa O
menyelesaikan O
tugas O
• O
Pendapat O
responden O
sebagai O
masukkan O
evaluasi O
TABEL O
IV. O
Hasil O
Pengujian O
Sistem O
No. O
Task O
Berhasil O
1. O
Melakukan O
login O
2. O
Melakukan O
presensi O
3. O
Memperlihatkan O
detail O
5 O
5 O
5 O
presensinya O
Tidak O
Berhasil O
0 O
0 O
0 O
Rata-rata O
Waktu O
penyelesaian O
10,2 O
detik O
6,2 O
detik O
3,2 O
detik O
• O
Sistem B-TEMUAN
presensi I-TEMUAN
online I-TEMUAN
pegawai I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
Flutter I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
dijalankan I-TEMUAN
pada I-TEMUAN
platform I-TEMUAN
Android I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
berpotensi I-TEMUAN
untuk I-TEMUAN
dijalankan I-TEMUAN
pada I-TEMUAN
platform I-TEMUAN
iOS I-TEMUAN
, I-TEMUAN
Web I-TEMUAN
, I-TEMUAN
maupun I-TEMUAN
Desktop. I-TEMUAN
Potensi O
dijalankan O
di O
perangkat O
iOS O
dengan O
cara O
mengoreksi O
ulang O
dan O
mengatur O
plugin O
flutter O
yang O
cocok O
di O
iOS O
tanpa O
perlu O
mengubah O
kode O
program. O
• O
Sistem O
yang O
dibangun O
berpotensi O
dapat O
diterima O
oleh O
pengguna O
sesuai O
dengan O
hasil O
pengujian. O
Seluruh O
responden O
berhasil O
melaksanakan O
tugas O
–tugas O
yang O
diberikan. O
• O
Sistem O
yang O
dibangun O
berpotensi O
memudahkan O
pengguna O
dalam O
menjalankan O
dan O
memonitoring O
lingkup O
pegawai O
BPS. O
kegiatan O
presensi O
pada O
Terdapat O
fitur O
monitoring O
, O
pembatasan O
lokasi O
, O
dan O
catatan O
presensi O
yang O
memperjelas O
dan O
memudahkan O
pendataan O
serta O
pengawasan O
kegiatan O
presensi. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O

Sistem O
Presensi O
Daring O
Pegawai O
BPS O
Berbasis O
Location O
Based O
Services O
Alvin O
Berliansyah O
( O
221709533 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I. O
Ringkasan— O
Kegiatan O
presensi O
merupakan O
kegiatan O
pencatatan O
kehadiran O
yang O
penting O
dilakukan O
[ O
1 O
] O
. O
BPS O
dalam O
menghadapi O
tantangan O
pandemi O
covid-19 O
menggunakan O
microsoft O
kaizala O
untuk O
presensi O
pegawainya. O
Namun O
penggunaan O
aplikasi O
kaizala O
memunculkan O
beberapa O
kendala. O
Akibatnya O
pengelolaan O
itu O
dan O
pelaksanaan O
kegiatan O
presensi O
terhambat. O
Untuk O
diperlukan B-TUJUAN
pembuatan I-TUJUAN
aplikasi I-TUJUAN
presensi I-TUJUAN
online I-TUJUAN
sendiri I-TUJUAN
yang I-TUJUAN
memenuhi I-TUJUAN
kebutuhan I-TUJUAN
presensi I-TUJUAN
pegawai I-TUJUAN
BPS. I-TUJUAN
Sistem O
diterapkan O
kedalam O
2 O
aplikasi O
yaitu O
aplikasi O
mobile O
dan O
aplikasi O
web. O
Aplikasi O
mobile O
digunakan O
untuk O
pelaksanaan O
dan O
monitoring O
, O
sedangkan O
aplikasi O
web O
digunakan O
untuk O
rekapitulasi O
presensi. O
Sistem O
yang O
dibangun O
berpotensi O
dapat O
diterima O
oleh O
pengguna O
dan O
memudahkan O
pengguna O
dalam O
menjalankan O
serta O
memonitoring O
kegiatan O
presensi O
pada O
lingkup O
pegawai O
BPS O
sesuai O
dengan O
hasil O
pengujian O
UAT B-METODE
berjenis O
blackbox B-METODE
testing I-METODE
setelah O
sistem O
selesai O
dibangun. O
Kata O
Kunci— O
Presensi O
, O
BPS O
, O
LBS O
, O
Flutter O
, O
Pegawai O
[SEP] O
Kesimpulan O
Berdasarkan O
hasil O
yang O
diperoleh O
dari O
proses O
pembangunan O
sistem O
presensi O
online O
pegawai O
dapat O
ditarik O
beberapa O
kesimpulan O
sebagai O
berikut. O
8 O
/ O
9 O
Gambar O
14. O
Tampilan O
implementasi O
kebutuhan O
non-fungsional O
F. O
Pengujian O
Sistem O
Pengujian O
sistem O
, O
penulis O
lakukan O
dengan O
UAT O
dengan O
jenis O
blackbox B-METODE
testing. I-METODE
Pengujian O
dilakukan O
dengan O
wawancara O
bersama O
responden O
menggunakan O
kuesioner. O
Penulis O
membuat O
kuesioner O
menggunakan O
dan O
melakukan O
wawancara O
pengujian O
dengan O
daring O
menggunakan O
google O
meet. O
Langkah-langkah O
pengujian O
yang O
akan O
dilakukan O
adalah O
sebagai O
berikut O
: O
googleform O
• O
Menjelaskan O
mekanisme O
, O
tujuan O
pengujian O
, O
dan O
apa O
yang O
diharapkan O
dari O
kegiatan O
pengujian. O
• O
Pemberian O
waktu O
kepada O
responden O
untuk O
mengunduh O
aplikasi O
sambil O
menanyakan O
pertanyaan O
awal O
pada O
kuesioner O
• O
Pengerjaan O
skenario O
tugas-tugas O
yang O
dicontohkan O
pada O
Tabel O
IV. O
Proses O
ini O
diawasi O
oleh O
penulis O
agar O
penulis O
dapat O
mendata O
dari O
kegiatan O
pengujian O
tersebut O
dan O
memasukkan O
data O
kedalam O
kuesioner. O
seperti O
• O
Wawancara O
singkat O
tentang O
bagaimana O
pendapat O
responden O
tentang O
sistem O
yang O
dibangun. O
• O
Penutupan. O
Dalam O
pelaksanaan O
kegiatan O
pengujian O
, O
data-data O
yang O
dicari O
adalah O
sebagai O
berikut O
: O
Identitas O
responden O
yang O
diuji O
• O
• O
Status O
apakah O
berhasil O
atau O
tidak O
penyelesaian O
tugas- O
tugas O
tersebut O
• O
Waktu O
pengerjaan O
setiap O
tugas-tugas O
• O
Penyebab O
terjadinya O
kegagalan O
penyelesaian O
tugas O
bila O
pengguna O
tidak O
bisa O
menyelesaikan O
tugas O
• O
Pendapat O
responden O
sebagai O
masukkan O
evaluasi O
TABEL O
IV. O
Hasil O
Pengujian O
Sistem O
No. O
Task O
Berhasil O
1. O
Melakukan O
login O
2. O
Melakukan O
presensi O
3. O
Memperlihatkan O
detail O
5 O
5 O
5 O
presensinya O
Tidak O
Berhasil O
0 O
0 O
0 O
Rata-rata O
Waktu O
penyelesaian O
10,2 O
detik O
6,2 O
detik O
3,2 O
detik O
• O
Sistem B-TEMUAN
presensi I-TEMUAN
online I-TEMUAN
pegawai I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
Flutter I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
dijalankan I-TEMUAN
pada I-TEMUAN
platform I-TEMUAN
Android I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
berpotensi I-TEMUAN
untuk I-TEMUAN
dijalankan I-TEMUAN
pada I-TEMUAN
platform I-TEMUAN
iOS I-TEMUAN
, I-TEMUAN
Web I-TEMUAN
, I-TEMUAN
maupun I-TEMUAN
Desktop. I-TEMUAN
Potensi O
dijalankan O
di O
perangkat O
iOS O
dengan O
cara O
mengoreksi O
ulang O
dan O
mengatur O
plugin O
flutter O
yang O
cocok O
di O
iOS O
tanpa O
perlu O
mengubah O
kode O
program. O
• O
Sistem O
yang O
dibangun O
berpotensi O
dapat O
diterima O
oleh O
pengguna O
sesuai O
dengan O
hasil O
pengujian. O
Seluruh O
responden O
berhasil O
melaksanakan O
tugas O
–tugas O
yang O
diberikan. O
• O
Sistem O
yang O
dibangun O
berpotensi O
memudahkan O
pengguna O
dalam O
menjalankan O
dan O
memonitoring O
lingkup O
pegawai O
BPS. O
kegiatan O
presensi O
pada O
Terdapat O
fitur O
monitoring O
, O
pembatasan O
lokasi O
, O
dan O
catatan O
presensi O
yang O
memperjelas O
dan O
memudahkan O
pendataan O
serta O
pengawasan O
kegiatan O
presensi. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O

Sistem O
Presensi O
Daring O
Pegawai O
BPS O
Berbasis O
Location O
Based O
Services O
Alvin O
Berliansyah O
( O
221709533 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Nori O
Wilantika O
, O
S.S.T. O
, O
M.T.I. O
Ringkasan— O
Kegiatan O
presensi O
merupakan O
kegiatan O
pencatatan O
kehadiran O
yang O
penting O
dilakukan O
[ O
1 O
] O
. O
BPS O
dalam O
menghadapi O
tantangan O
pandemi O
covid-19 O
menggunakan O
microsoft O
kaizala O
untuk O
presensi O
pegawainya. O
Namun O
penggunaan O
aplikasi O
kaizala O
memunculkan O
beberapa O
kendala. O
Akibatnya O
pengelolaan O
itu O
dan O
pelaksanaan O
kegiatan O
presensi O
terhambat. O
Untuk O
diperlukan B-TUJUAN
pembuatan I-TUJUAN
aplikasi I-TUJUAN
presensi I-TUJUAN
online I-TUJUAN
sendiri I-TUJUAN
yang I-TUJUAN
memenuhi I-TUJUAN
kebutuhan I-TUJUAN
presensi I-TUJUAN
pegawai I-TUJUAN
BPS. I-TUJUAN
Sistem O
diterapkan O
kedalam O
2 O
aplikasi O
yaitu O
aplikasi O
mobile O
dan O
aplikasi O
web. O
Aplikasi O
mobile O
digunakan O
untuk O
pelaksanaan O
dan O
monitoring O
, O
sedangkan O
aplikasi O
web O
digunakan O
untuk O
rekapitulasi O
presensi. O
Sistem O
yang O
dibangun O
berpotensi O
dapat O
diterima O
oleh O
pengguna O
dan O
memudahkan O
pengguna O
dalam O
menjalankan O
serta O
memonitoring O
kegiatan O
presensi O
pada O
lingkup O
pegawai O
BPS O
sesuai O
dengan O
hasil O
pengujian O
UAT B-METODE
berjenis O
blackbox B-METODE
testing I-METODE
setelah O
sistem O
selesai O
dibangun. O
Kata O
Kunci— O
Presensi O
, O
BPS O
, O
LBS O
, O
Flutter O
, O
Pegawai O
[SEP] O
Kesimpulan O
Berdasarkan O
hasil O
yang O
diperoleh O
dari O
proses O
pembangunan O
sistem O
presensi O
online O
pegawai O
dapat O
ditarik O
beberapa O
kesimpulan O
sebagai O
berikut. O
8 O
/ O
9 O
Gambar O
14. O
Tampilan O
implementasi O
kebutuhan O
non-fungsional O
F. O
Pengujian O
Sistem O
Pengujian O
sistem O
, O
penulis O
lakukan O
dengan O
UAT O
dengan O
jenis O
blackbox B-METODE
testing. I-METODE
Pengujian O
dilakukan O
dengan O
wawancara O
bersama O
responden O
menggunakan O
kuesioner. O
Penulis O
membuat O
kuesioner O
menggunakan O
dan O
melakukan O
wawancara O
pengujian O
dengan O
daring O
menggunakan O
google O
meet. O
Langkah-langkah O
pengujian O
yang O
akan O
dilakukan O
adalah O
sebagai O
berikut O
: O
googleform O
• O
Menjelaskan O
mekanisme O
, O
tujuan O
pengujian O
, O
dan O
apa O
yang O
diharapkan O
dari O
kegiatan O
pengujian. O
• O
Pemberian O
waktu O
kepada O
responden O
untuk O
mengunduh O
aplikasi O
sambil O
menanyakan O
pertanyaan O
awal O
pada O
kuesioner O
• O
Pengerjaan O
skenario O
tugas-tugas O
yang O
dicontohkan O
pada O
Tabel O
IV. O
Proses O
ini O
diawasi O
oleh O
penulis O
agar O
penulis O
dapat O
mendata O
dari O
kegiatan O
pengujian O
tersebut O
dan O
memasukkan O
data O
kedalam O
kuesioner. O
seperti O
• O
Wawancara O
singkat O
tentang O
bagaimana O
pendapat O
responden O
tentang O
sistem O
yang O
dibangun. O
• O
Penutupan. O
Dalam O
pelaksanaan O
kegiatan O
pengujian O
, O
data-data O
yang O
dicari O
adalah O
sebagai O
berikut O
: O
Identitas O
responden O
yang O
diuji O
• O
• O
Status O
apakah O
berhasil O
atau O
tidak O
penyelesaian O
tugas- O
tugas O
tersebut O
• O
Waktu O
pengerjaan O
setiap O
tugas-tugas O
• O
Penyebab O
terjadinya O
kegagalan O
penyelesaian O
tugas O
bila O
pengguna O
tidak O
bisa O
menyelesaikan O
tugas O
• O
Pendapat O
responden O
sebagai O
masukkan O
evaluasi O
TABEL O
IV. O
Hasil O
Pengujian O
Sistem O
No. O
Task O
Berhasil O
1. O
Melakukan O
login O
2. O
Melakukan O
presensi O
3. O
Memperlihatkan O
detail O
5 O
5 O
5 O
presensinya O
Tidak O
Berhasil O
0 O
0 O
0 O
Rata-rata O
Waktu O
penyelesaian O
10,2 O
detik O
6,2 O
detik O
3,2 O
detik O
• O
Sistem B-TEMUAN
presensi I-TEMUAN
online I-TEMUAN
pegawai I-TEMUAN
telah I-TEMUAN
berhasil I-TEMUAN
dibangun I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
Flutter I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
dijalankan I-TEMUAN
pada I-TEMUAN
platform I-TEMUAN
Android I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
berpotensi I-TEMUAN
untuk I-TEMUAN
dijalankan I-TEMUAN
pada I-TEMUAN
platform I-TEMUAN
iOS I-TEMUAN
, I-TEMUAN
Web I-TEMUAN
, I-TEMUAN
maupun I-TEMUAN
Desktop. I-TEMUAN
Potensi O
dijalankan O
di O
perangkat O
iOS O
dengan O
cara O
mengoreksi O
ulang O
dan O
mengatur O
plugin O
flutter O
yang O
cocok O
di O
iOS O
tanpa O
perlu O
mengubah O
kode O
program. O
• O
Sistem O
yang O
dibangun O
berpotensi O
dapat O
diterima O
oleh O
pengguna O
sesuai O
dengan O
hasil O
pengujian. O
Seluruh O
responden O
berhasil O
melaksanakan O
tugas O
–tugas O
yang O
diberikan. O
• O
Sistem O
yang O
dibangun O
berpotensi O
memudahkan O
pengguna O
dalam O
menjalankan O
dan O
memonitoring O
lingkup O
pegawai O
BPS. O
kegiatan O
presensi O
pada O
Terdapat O
fitur O
monitoring O
, O
pembatasan O
lokasi O
, O
dan O
catatan O
presensi O
yang O
memperjelas O
dan O
memudahkan O
pendataan O
serta O
pengawasan O
kegiatan O
presensi. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O

Berita O
Banjir O
Menggunakan O
Metode O
Support O
Vector O
Machine O
dan O
Ekstraksi O
Informasi O
Menggunakan O
Metode O
Name O
Entity O
Recognition O
pada O
Berita O
Online O
Studi O
Kasus O
: O
Situs O
Berita O
Online O
Detik.com O
Ahmad O
Nurhadi O
Ridwan O
( O
221709509 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
ini O
Penelitian O
bertujuan O
Ringkasan— O
untuk O
mengklasifikasikan B-TUJUAN
berita I-TUJUAN
banjir I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
Support I-TUJUAN
Vector I-TUJUAN
Machine I-TUJUAN
( I-TUJUAN
SVM I-TUJUAN
) I-TUJUAN
dengan O
kernel O
linear O
, O
polinomial O
, O
dan O
radial O
basis O
function O
( O
RBF O
) O
dan O
menggunakan O
proporsi O
data O
training O
dan O
data O
testing O
60 O
% O
, O
70 O
% O
, O
80 O
% O
, O
dan O
90 O
% O
. O
Pada O
pembentukan O
model O
klasifikasi B-METODE
didapatkan B-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
yaitu I-TEMUAN
model I-TEMUAN
SVM I-TEMUAN
dengan I-TEMUAN
kernel I-TEMUAN
RBF I-TEMUAN
dengan I-TEMUAN
proporsi I-TEMUAN
70 I-TEMUAN
% I-TEMUAN
menghasilkan I-TEMUAN
nilai I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
75,42 I-TEMUAN
% I-TEMUAN
. O
Kemudian O
pada O
hasil O
klasifikasi B-METODE
berita O
banjir O
, O
menggunakan O
model O
klasifikasi O
SVM O
dengan O
kernel O
RBF O
, O
akan O
dilakukan O
ekstraksi O
informasi O
tentang O
kejadian O
bencana O
banjir O
meliputi O
lokasi O
dan O
waktu O
terjadinya O
banjir. O
Selanjutnya O
, O
hasil O
ekstraksi O
informasi O
akan O
dilakukan O
pemetaan O
sehingga O
memudahkan O
interpretasi. O
Kata O
Kunci— O
klasifikasi O
, O
Support O
Vector O
Machine O
, O
ekstraksi O
informasi O
, O
berita O
online O
, O
banjir. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
didapatkan O
beberapa O
kesimpulan O
, O
yaitu O
diperoleh O
model O
yang O
terbaik O
untuk O
mengklasifikasikan O
berita O
banjir O
berdasarkan O
berita O
online O
yaitu O
model O
SVM O
dengan O
kernel O
radial O
basis O
function O
dengan O
akurasi B-METODE
sebesar O
75.42 O
% O
. O
Kemudian O
berdasarkan O
hasil O
ekstraksi O
informasi O
pada O
hasil O
klasifikasi O
didapatkan O
bahwa O
jumlah O
kejadian O
banjir O
di O
Jakarta O
meningkat O
setiap O
tahunnya O
dari O
tahun O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
2018 O
hingga O
2020 O
dan O
terjadi O
peningkatan O
jumlah O
kejadian O
banjir O
yang O
pesat O
pada O
tahun O
2020. O
Kemudian O
, O
diharapkan O
untuk O
penelitian O
selanjutnya O
supaya O
melakukan O
kajian O
perbandingan O
antara O
data O
hasil O
ekstraksi O
informasi O
, O
sebagai O
data O
kejadian O
bencana O
banjir O
, O
dengan O
data O
BPBD O
DKI O
Jakarta O
secara O
lebih O
detail. O
Diharapkan O
juga O
untuk O
melakukan O
analisis O
ekstraksi O
informasi O
lokasi O
hingga O
level O
RT O
/ O
RW O
dan O
Jalan O
sehingga O
titik O
lokasi O
yang O
didapatkan O
bisa O
lebih O
merepresentasikan O
secara O
presisi. O

Berita O
Banjir O
Menggunakan O
Metode O
Support O
Vector O
Machine O
dan O
Ekstraksi O
Informasi O
Menggunakan O
Metode O
Name O
Entity O
Recognition O
pada O
Berita O
Online O
Studi O
Kasus O
: O
Situs O
Berita O
Online O
Detik.com O
Ahmad O
Nurhadi O
Ridwan O
( O
221709509 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
ini O
Penelitian O
bertujuan O
Ringkasan— O
untuk O
mengklasifikasikan B-TUJUAN
berita I-TUJUAN
banjir I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
Support I-TUJUAN
Vector I-TUJUAN
Machine I-TUJUAN
( I-TUJUAN
SVM I-TUJUAN
) I-TUJUAN
dengan O
kernel O
linear O
, O
polinomial O
, O
dan O
radial O
basis O
function O
( O
RBF O
) O
dan O
menggunakan O
proporsi O
data O
training O
dan O
data O
testing O
60 O
% O
, O
70 O
% O
, O
80 O
% O
, O
dan O
90 O
% O
. O
Pada O
pembentukan O
model O
klasifikasi B-METODE
didapatkan B-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
yaitu I-TEMUAN
model I-TEMUAN
SVM I-TEMUAN
dengan I-TEMUAN
kernel I-TEMUAN
RBF I-TEMUAN
dengan I-TEMUAN
proporsi I-TEMUAN
70 I-TEMUAN
% I-TEMUAN
menghasilkan I-TEMUAN
nilai I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
75,42 I-TEMUAN
% I-TEMUAN
. O
Kemudian O
pada O
hasil O
klasifikasi B-METODE
berita O
banjir O
, O
menggunakan O
model O
klasifikasi O
SVM O
dengan O
kernel O
RBF O
, O
akan O
dilakukan O
ekstraksi O
informasi O
tentang O
kejadian O
bencana O
banjir O
meliputi O
lokasi O
dan O
waktu O
terjadinya O
banjir. O
Selanjutnya O
, O
hasil O
ekstraksi O
informasi O
akan O
dilakukan O
pemetaan O
sehingga O
memudahkan O
interpretasi. O
Kata O
Kunci— O
klasifikasi O
, O
Support O
Vector O
Machine O
, O
ekstraksi O
informasi O
, O
berita O
online O
, O
banjir. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
didapatkan O
beberapa O
kesimpulan O
, O
yaitu O
diperoleh O
model O
yang O
terbaik O
untuk O
mengklasifikasikan O
berita O
banjir O
berdasarkan O
berita O
online O
yaitu O
model O
SVM O
dengan O
kernel O
radial O
basis O
function O
dengan O
akurasi B-METODE
sebesar O
75.42 O
% O
. O
Kemudian O
berdasarkan O
hasil O
ekstraksi O
informasi O
pada O
hasil O
klasifikasi O
didapatkan O
bahwa O
jumlah O
kejadian O
banjir O
di O
Jakarta O
meningkat O
setiap O
tahunnya O
dari O
tahun O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
2018 O
hingga O
2020 O
dan O
terjadi O
peningkatan O
jumlah O
kejadian O
banjir O
yang O
pesat O
pada O
tahun O
2020. O
Kemudian O
, O
diharapkan O
untuk O
penelitian O
selanjutnya O
supaya O
melakukan O
kajian O
perbandingan O
antara O
data O
hasil O
ekstraksi O
informasi O
, O
sebagai O
data O
kejadian O
bencana O
banjir O
, O
dengan O
data O
BPBD O
DKI O
Jakarta O
secara O
lebih O
detail. O
Diharapkan O
juga O
untuk O
melakukan O
analisis O
ekstraksi O
informasi O
lokasi O
hingga O
level O
RT O
/ O
RW O
dan O
Jalan O
sehingga O
titik O
lokasi O
yang O
didapatkan O
bisa O
lebih O
merepresentasikan O
secara O
presisi. O

Berita O
Banjir O
Menggunakan O
Metode O
Support O
Vector O
Machine O
dan O
Ekstraksi O
Informasi O
Menggunakan O
Metode O
Name O
Entity O
Recognition O
pada O
Berita O
Online O
Studi O
Kasus O
: O
Situs O
Berita O
Online O
Detik.com O
Ahmad O
Nurhadi O
Ridwan O
( O
221709509 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Robert O
Kurniawan O
ini O
Penelitian O
bertujuan O
Ringkasan— O
untuk O
mengklasifikasikan B-TUJUAN
berita I-TUJUAN
banjir I-TUJUAN
menggunakan I-TUJUAN
metode I-TUJUAN
Support I-TUJUAN
Vector I-TUJUAN
Machine I-TUJUAN
( I-TUJUAN
SVM I-TUJUAN
) I-TUJUAN
dengan O
kernel O
linear O
, O
polinomial O
, O
dan O
radial O
basis O
function O
( O
RBF O
) O
dan O
menggunakan O
proporsi O
data O
training O
dan O
data O
testing O
60 O
% O
, O
70 O
% O
, O
80 O
% O
, O
dan O
90 O
% O
. O
Pada O
pembentukan O
model O
klasifikasi B-METODE
didapatkan B-TEMUAN
model I-TEMUAN
terbaik I-TEMUAN
yaitu I-TEMUAN
model I-TEMUAN
SVM I-TEMUAN
dengan I-TEMUAN
kernel I-TEMUAN
RBF I-TEMUAN
dengan I-TEMUAN
proporsi I-TEMUAN
70 I-TEMUAN
% I-TEMUAN
menghasilkan I-TEMUAN
nilai I-TEMUAN
akurasi I-TEMUAN
sebesar I-TEMUAN
75,42 I-TEMUAN
% I-TEMUAN
. O
Kemudian O
pada O
hasil O
klasifikasi B-METODE
berita O
banjir O
, O
menggunakan O
model O
klasifikasi O
SVM O
dengan O
kernel O
RBF O
, O
akan O
dilakukan O
ekstraksi O
informasi O
tentang O
kejadian O
bencana O
banjir O
meliputi O
lokasi O
dan O
waktu O
terjadinya O
banjir. O
Selanjutnya O
, O
hasil O
ekstraksi O
informasi O
akan O
dilakukan O
pemetaan O
sehingga O
memudahkan O
interpretasi. O
Kata O
Kunci— O
klasifikasi O
, O
Support O
Vector O
Machine O
, O
ekstraksi O
informasi O
, O
berita O
online O
, O
banjir. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
didapatkan O
beberapa O
kesimpulan O
, O
yaitu O
diperoleh O
model O
yang O
terbaik O
untuk O
mengklasifikasikan O
berita O
banjir O
berdasarkan O
berita O
online O
yaitu O
model O
SVM O
dengan O
kernel O
radial O
basis O
function O
dengan O
akurasi B-METODE
sebesar O
75.42 O
% O
. O
Kemudian O
berdasarkan O
hasil O
ekstraksi O
informasi O
pada O
hasil O
klasifikasi O
didapatkan O
bahwa O
jumlah O
kejadian O
banjir O
di O
Jakarta O
meningkat O
setiap O
tahunnya O
dari O
tahun O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
2018 O
hingga O
2020 O
dan O
terjadi O
peningkatan O
jumlah O
kejadian O
banjir O
yang O
pesat O
pada O
tahun O
2020. O
Kemudian O
, O
diharapkan O
untuk O
penelitian O
selanjutnya O
supaya O
melakukan O
kajian O
perbandingan O
antara O
data O
hasil O
ekstraksi O
informasi O
, O
sebagai O
data O
kejadian O
bencana O
banjir O
, O
dengan O
data O
BPBD O
DKI O
Jakarta O
secara O
lebih O
detail. O
Diharapkan O
juga O
untuk O
melakukan O
analisis O
ekstraksi O
informasi O
lokasi O
hingga O
level O
RT O
/ O
RW O
dan O
Jalan O
sehingga O
titik O
lokasi O
yang O
didapatkan O
bisa O
lebih O
merepresentasikan O
secara O
presisi. O

Sistem O
Survei O
Kebutuhan O
Data O
BPS O
Berbasis O
Web O
: O
Modul O
Entri O
Data O
Ahmad O
Fauzi O
Fahmi O
( O
221709507 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A O
Ringkasan— O
Survei O
Kebutuhan O
Data O
( O
SKD O
) O
adalah O
salah O
satu O
kegiatan O
di O
BPS O
( O
Badan O
Pusat O
Statistik O
) O
yang O
bertujuan O
untuk O
melakukan O
evaluasi O
dalam O
melakukan O
pelayanan O
data. O
SKD O
dilaksanakan O
oleh O
Direktorat O
Diseminasi O
Statistik O
melalui O
Subdirektorat O
Rujukan O
Statistik O
sejak O
tahun O
2005. O
Tahun O
2019 O
, O
BPS O
melakukan O
SKD O
menggunakan O
metode O
CAWI O
( O
Computer O
Aided O
Web O
Interviewing O
) O
dengan O
aplikasi O
SKD O
berbasis O
web. O
Aplikasi O
yang O
digunakan O
masih O
terdapat O
kekurangan O
yang O
menjadi O
masalah O
dalam O
pelaksanaan O
SKD. O
Dalam O
penelitian O
ini O
, O
bertujuan O
untuk O
mengatasi B-TUJUAN
kekurangan I-TUJUAN
dalam I-TUJUAN
aplikasi I-TUJUAN
web I-TUJUAN
SKD. I-TUJUAN
Pengembangan O
dilakukan O
dengan O
menggunakan O
metode B-METODE
SDLC I-METODE
( I-METODE
System I-METODE
Development I-METODE
Lyfe I-METODE
Cycle I-METODE
) I-METODE
model I-METODE
iterative. I-METODE
Sistem O
dikembangkan O
dengan O
berbasis O
web O
dengan O
menggunakan O
bahasa O
PHP O
dan O
Javascript O
sebagai O
bahasa O
pemrograman O
, O
Yii O
versi O
2 O
sebagai O
framework O
backend O
, O
Bootstrap O
versi O
4 O
sebagai O
framework O
frontend O
dan O
MySQL O
sebagai O
DBMS O
( O
Database O
Management O
System O
) O
. O
Evaluasi O
pengembangan O
aplikasi O
SKD O
dilakukan O
dengan O
menggunakan O
metode B-METODE
blackbox I-METODE
testing I-METODE
dan I-METODE
SUS. I-METODE
Hasil B-TEMUAN
pengujian I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
blackbox I-TEMUAN
testing I-TEMUAN
telah I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
sesuai I-TEMUAN
keinginan I-TEMUAN
dan I-TEMUAN
hasil I-TEMUAN
SUS I-TEMUAN
menyatakan I-TEMUAN
bahwa I-TEMUAN
aplikasi I-TEMUAN
SKD I-TEMUAN
dapat I-TEMUAN
dikategorikan I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
74,42. I-TEMUAN
Kata O
Kunci— O
Pengembangan O
, O
SKD O
, O
CAWI O
, O
Entri O
Data. O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
penelitian O
yang O
dilakukan O
, O
diperoleh O
beberapa O
kesimpulan O
sebagai O
berikut. O
1. O
Telah B-TEMUAN
dikembangkan I-TEMUAN
basis I-TEMUAN
data I-TEMUAN
aplikasi I-TEMUAN
web I-TEMUAN
SKD I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
secara I-TEMUAN
multitime. I-TEMUAN
2. O
Telah O
dikembangkan O
fitur O
form O
input O
yang O
digunakan O
sebagai O
kuesioner O
online O
SKD O
yang O
dinamis O
sehingga O
perubahan O
tidak O
dilakukan O
secara O
hardcoding. O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
3. O
Telah O
dikembangkan O
fitur O
dokumentasi O
yang O
berfungsi O
untuk O
mendokumentasikan O
kegiatan O
SKD O
periode O
sebelumnya O
terutama O
pada O
bagian O
master O
pertanyaan O
dan O
master O
jawaban O
yang O
berkaitan O
langsung O
dengan O
kuesioner O
online O
SKD. O
4. O
Telah O
dilakukan O
uji O
coba O
dan O
evaluasi O
sistem O
dengan O
menggunakan O
metode O
blackbox O
testing O
dan O
SUS. O
Hasil B-TEMUAN
pengujian I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
blackbox I-TEMUAN
testing I-TEMUAN
telah I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
sesuai I-TEMUAN
keinginan I-TEMUAN
dan I-TEMUAN
hasil I-TEMUAN
SUS I-TEMUAN
menyatakan I-TEMUAN
bahwa I-TEMUAN
aplikasi I-TEMUAN
SKD I-TEMUAN
dapat I-TEMUAN
dikategorikan I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
74,42. I-TEMUAN
B. O
Saran O
Saran O
yang O
dapat O
diberikan O
peneliti O
yang O
mungkin O
dapat O
bermanfaat O
untuk O
pengembangan O
aplikasi O
SKD O
selanjutnya. O
1. O
Dalam O
fitur O
master O
jawaban O
, O
dapat O
dikembangkan O
fitur O
untuk O
menambahkan O
jenis O
master O
jawaban. O
Saat O
ini O
untuk O
dapat O
menambahkan O
jenis O
master O
jawaban O
baru O
dilakukan O
dengan O
secara O
manual O
di O
basis O
data O
dan O
secara O
hardcoding O
di O
source O
code. O
2. O
Dalam O
penggunaan O
fitur O
pertama O
kali O
oleh O
pengguna O
, O
dapat O
menambahkan O
fitur O
tutorial O
yang O
menunjukkan O
fungsi- O
fungsi O
dari O
menu O
atau O
tombol O
yang O
ada. O

Sistem O
Survei O
Kebutuhan O
Data O
BPS O
Berbasis O
Web O
: O
Modul O
Entri O
Data O
Ahmad O
Fauzi O
Fahmi O
( O
221709507 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A O
Ringkasan— O
Survei O
Kebutuhan O
Data O
( O
SKD O
) O
adalah O
salah O
satu O
kegiatan O
di O
BPS O
( O
Badan O
Pusat O
Statistik O
) O
yang O
bertujuan O
untuk O
melakukan O
evaluasi O
dalam O
melakukan O
pelayanan O
data. O
SKD O
dilaksanakan O
oleh O
Direktorat O
Diseminasi O
Statistik O
melalui O
Subdirektorat O
Rujukan O
Statistik O
sejak O
tahun O
2005. O
Tahun O
2019 O
, O
BPS O
melakukan O
SKD O
menggunakan O
metode O
CAWI O
( O
Computer O
Aided O
Web O
Interviewing O
) O
dengan O
aplikasi O
SKD O
berbasis O
web. O
Aplikasi O
yang O
digunakan O
masih O
terdapat O
kekurangan O
yang O
menjadi O
masalah O
dalam O
pelaksanaan O
SKD. O
Dalam O
penelitian O
ini O
, O
bertujuan O
untuk O
mengatasi B-TUJUAN
kekurangan I-TUJUAN
dalam I-TUJUAN
aplikasi I-TUJUAN
web I-TUJUAN
SKD. I-TUJUAN
Pengembangan O
dilakukan O
dengan O
menggunakan O
metode B-METODE
SDLC I-METODE
( I-METODE
System I-METODE
Development I-METODE
Lyfe I-METODE
Cycle I-METODE
) I-METODE
model I-METODE
iterative. I-METODE
Sistem O
dikembangkan O
dengan O
berbasis O
web O
dengan O
menggunakan O
bahasa O
PHP O
dan O
Javascript O
sebagai O
bahasa O
pemrograman O
, O
Yii O
versi O
2 O
sebagai O
framework O
backend O
, O
Bootstrap O
versi O
4 O
sebagai O
framework O
frontend O
dan O
MySQL O
sebagai O
DBMS O
( O
Database O
Management O
System O
) O
. O
Evaluasi O
pengembangan O
aplikasi O
SKD O
dilakukan O
dengan O
menggunakan O
metode B-METODE
blackbox I-METODE
testing I-METODE
dan I-METODE
SUS. I-METODE
Hasil B-TEMUAN
pengujian I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
blackbox I-TEMUAN
testing I-TEMUAN
telah I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
sesuai I-TEMUAN
keinginan I-TEMUAN
dan I-TEMUAN
hasil I-TEMUAN
SUS I-TEMUAN
menyatakan I-TEMUAN
bahwa I-TEMUAN
aplikasi I-TEMUAN
SKD I-TEMUAN
dapat I-TEMUAN
dikategorikan I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
74,42. I-TEMUAN
Kata O
Kunci— O
Pengembangan O
, O
SKD O
, O
CAWI O
, O
Entri O
Data. O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
penelitian O
yang O
dilakukan O
, O
diperoleh O
beberapa O
kesimpulan O
sebagai O
berikut. O
1. O
Telah B-TEMUAN
dikembangkan I-TEMUAN
basis I-TEMUAN
data I-TEMUAN
aplikasi I-TEMUAN
web I-TEMUAN
SKD I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
secara I-TEMUAN
multitime. I-TEMUAN
2. O
Telah O
dikembangkan O
fitur O
form O
input O
yang O
digunakan O
sebagai O
kuesioner O
online O
SKD O
yang O
dinamis O
sehingga O
perubahan O
tidak O
dilakukan O
secara O
hardcoding. O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
3. O
Telah O
dikembangkan O
fitur O
dokumentasi O
yang O
berfungsi O
untuk O
mendokumentasikan O
kegiatan O
SKD O
periode O
sebelumnya O
terutama O
pada O
bagian O
master O
pertanyaan O
dan O
master O
jawaban O
yang O
berkaitan O
langsung O
dengan O
kuesioner O
online O
SKD. O
4. O
Telah O
dilakukan O
uji O
coba O
dan O
evaluasi O
sistem O
dengan O
menggunakan O
metode O
blackbox O
testing O
dan O
SUS. O
Hasil B-TEMUAN
pengujian I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
blackbox I-TEMUAN
testing I-TEMUAN
telah I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
sesuai I-TEMUAN
keinginan I-TEMUAN
dan I-TEMUAN
hasil I-TEMUAN
SUS I-TEMUAN
menyatakan I-TEMUAN
bahwa I-TEMUAN
aplikasi I-TEMUAN
SKD I-TEMUAN
dapat I-TEMUAN
dikategorikan I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
74,42. I-TEMUAN
B. O
Saran O
Saran O
yang O
dapat O
diberikan O
peneliti O
yang O
mungkin O
dapat O
bermanfaat O
untuk O
pengembangan O
aplikasi O
SKD O
selanjutnya. O
1. O
Dalam O
fitur O
master O
jawaban O
, O
dapat O
dikembangkan O
fitur O
untuk O
menambahkan O
jenis O
master O
jawaban. O
Saat O
ini O
untuk O
dapat O
menambahkan O
jenis O
master O
jawaban O
baru O
dilakukan O
dengan O
secara O
manual O
di O
basis O
data O
dan O
secara O
hardcoding O
di O
source O
code. O
2. O
Dalam O
penggunaan O
fitur O
pertama O
kali O
oleh O
pengguna O
, O
dapat O
menambahkan O
fitur O
tutorial O
yang O
menunjukkan O
fungsi- O
fungsi O
dari O
menu O
atau O
tombol O
yang O
ada. O

Sistem O
Survei O
Kebutuhan O
Data O
BPS O
Berbasis O
Web O
: O
Modul O
Entri O
Data O
Ahmad O
Fauzi O
Fahmi O
( O
221709507 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A O
Ringkasan— O
Survei O
Kebutuhan O
Data O
( O
SKD O
) O
adalah O
salah O
satu O
kegiatan O
di O
BPS O
( O
Badan O
Pusat O
Statistik O
) O
yang O
bertujuan O
untuk O
melakukan O
evaluasi O
dalam O
melakukan O
pelayanan O
data. O
SKD O
dilaksanakan O
oleh O
Direktorat O
Diseminasi O
Statistik O
melalui O
Subdirektorat O
Rujukan O
Statistik O
sejak O
tahun O
2005. O
Tahun O
2019 O
, O
BPS O
melakukan O
SKD O
menggunakan O
metode O
CAWI O
( O
Computer O
Aided O
Web O
Interviewing O
) O
dengan O
aplikasi O
SKD O
berbasis O
web. O
Aplikasi O
yang O
digunakan O
masih O
terdapat O
kekurangan O
yang O
menjadi O
masalah O
dalam O
pelaksanaan O
SKD. O
Dalam O
penelitian O
ini O
, O
bertujuan O
untuk O
mengatasi B-TUJUAN
kekurangan I-TUJUAN
dalam I-TUJUAN
aplikasi I-TUJUAN
web I-TUJUAN
SKD. I-TUJUAN
Pengembangan O
dilakukan O
dengan O
menggunakan O
metode B-METODE
SDLC I-METODE
( I-METODE
System I-METODE
Development I-METODE
Lyfe I-METODE
Cycle I-METODE
) I-METODE
model I-METODE
iterative. I-METODE
Sistem O
dikembangkan O
dengan O
berbasis O
web O
dengan O
menggunakan O
bahasa O
PHP O
dan O
Javascript O
sebagai O
bahasa O
pemrograman O
, O
Yii O
versi O
2 O
sebagai O
framework O
backend O
, O
Bootstrap O
versi O
4 O
sebagai O
framework O
frontend O
dan O
MySQL O
sebagai O
DBMS O
( O
Database O
Management O
System O
) O
. O
Evaluasi O
pengembangan O
aplikasi O
SKD O
dilakukan O
dengan O
menggunakan O
metode B-METODE
blackbox I-METODE
testing I-METODE
dan I-METODE
SUS. I-METODE
Hasil B-TEMUAN
pengujian I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
blackbox I-TEMUAN
testing I-TEMUAN
telah I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
sesuai I-TEMUAN
keinginan I-TEMUAN
dan I-TEMUAN
hasil I-TEMUAN
SUS I-TEMUAN
menyatakan I-TEMUAN
bahwa I-TEMUAN
aplikasi I-TEMUAN
SKD I-TEMUAN
dapat I-TEMUAN
dikategorikan I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
74,42. I-TEMUAN
Kata O
Kunci— O
Pengembangan O
, O
SKD O
, O
CAWI O
, O
Entri O
Data. O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
penelitian O
yang O
dilakukan O
, O
diperoleh O
beberapa O
kesimpulan O
sebagai O
berikut. O
1. O
Telah B-TEMUAN
dikembangkan I-TEMUAN
basis I-TEMUAN
data I-TEMUAN
aplikasi I-TEMUAN
web I-TEMUAN
SKD I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
secara I-TEMUAN
multitime. I-TEMUAN
2. O
Telah O
dikembangkan O
fitur O
form O
input O
yang O
digunakan O
sebagai O
kuesioner O
online O
SKD O
yang O
dinamis O
sehingga O
perubahan O
tidak O
dilakukan O
secara O
hardcoding. O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
3. O
Telah O
dikembangkan O
fitur O
dokumentasi O
yang O
berfungsi O
untuk O
mendokumentasikan O
kegiatan O
SKD O
periode O
sebelumnya O
terutama O
pada O
bagian O
master O
pertanyaan O
dan O
master O
jawaban O
yang O
berkaitan O
langsung O
dengan O
kuesioner O
online O
SKD. O
4. O
Telah O
dilakukan O
uji O
coba O
dan O
evaluasi O
sistem O
dengan O
menggunakan O
metode O
blackbox O
testing O
dan O
SUS. O
Hasil B-TEMUAN
pengujian I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
blackbox I-TEMUAN
testing I-TEMUAN
telah I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
sesuai I-TEMUAN
keinginan I-TEMUAN
dan I-TEMUAN
hasil I-TEMUAN
SUS I-TEMUAN
menyatakan I-TEMUAN
bahwa I-TEMUAN
aplikasi I-TEMUAN
SKD I-TEMUAN
dapat I-TEMUAN
dikategorikan I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
74,42. I-TEMUAN
B. O
Saran O
Saran O
yang O
dapat O
diberikan O
peneliti O
yang O
mungkin O
dapat O
bermanfaat O
untuk O
pengembangan O
aplikasi O
SKD O
selanjutnya. O
1. O
Dalam O
fitur O
master O
jawaban O
, O
dapat O
dikembangkan O
fitur O
untuk O
menambahkan O
jenis O
master O
jawaban. O
Saat O
ini O
untuk O
dapat O
menambahkan O
jenis O
master O
jawaban O
baru O
dilakukan O
dengan O
secara O
manual O
di O
basis O
data O
dan O
secara O
hardcoding O
di O
source O
code. O
2. O
Dalam O
penggunaan O
fitur O
pertama O
kali O
oleh O
pengguna O
, O
dapat O
menambahkan O
fitur O
tutorial O
yang O
menunjukkan O
fungsi- O
fungsi O
dari O
menu O
atau O
tombol O
yang O
ada. O

Sistem O
Survei O
Kebutuhan O
Data O
BPS O
Berbasis O
Web O
: O
Modul O
Entri O
Data O
Ahmad O
Fauzi O
Fahmi O
( O
221709507 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.B.A O
Ringkasan— O
Survei O
Kebutuhan O
Data O
( O
SKD O
) O
adalah O
salah O
satu O
kegiatan O
di O
BPS O
( O
Badan O
Pusat O
Statistik O
) O
yang O
bertujuan O
untuk O
melakukan O
evaluasi O
dalam O
melakukan O
pelayanan O
data. O
SKD O
dilaksanakan O
oleh O
Direktorat O
Diseminasi O
Statistik O
melalui O
Subdirektorat O
Rujukan O
Statistik O
sejak O
tahun O
2005. O
Tahun O
2019 O
, O
BPS O
melakukan O
SKD O
menggunakan O
metode O
CAWI O
( O
Computer O
Aided O
Web O
Interviewing O
) O
dengan O
aplikasi O
SKD O
berbasis O
web. O
Aplikasi O
yang O
digunakan O
masih O
terdapat O
kekurangan O
yang O
menjadi O
masalah O
dalam O
pelaksanaan O
SKD. O
Dalam O
penelitian O
ini O
, O
bertujuan O
untuk O
mengatasi B-TUJUAN
kekurangan I-TUJUAN
dalam I-TUJUAN
aplikasi I-TUJUAN
web I-TUJUAN
SKD. I-TUJUAN
Pengembangan O
dilakukan O
dengan O
menggunakan O
metode B-METODE
SDLC I-METODE
( I-METODE
System I-METODE
Development I-METODE
Lyfe I-METODE
Cycle I-METODE
) I-METODE
model I-METODE
iterative. I-METODE
Sistem O
dikembangkan O
dengan O
berbasis O
web O
dengan O
menggunakan O
bahasa O
PHP O
dan O
Javascript O
sebagai O
bahasa O
pemrograman O
, O
Yii O
versi O
2 O
sebagai O
framework O
backend O
, O
Bootstrap O
versi O
4 O
sebagai O
framework O
frontend O
dan O
MySQL O
sebagai O
DBMS O
( O
Database O
Management O
System O
) O
. O
Evaluasi O
pengembangan O
aplikasi O
SKD O
dilakukan O
dengan O
menggunakan O
metode B-METODE
blackbox I-METODE
testing I-METODE
dan I-METODE
SUS. I-METODE
Hasil B-TEMUAN
pengujian I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
blackbox I-TEMUAN
testing I-TEMUAN
telah I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
sesuai I-TEMUAN
keinginan I-TEMUAN
dan I-TEMUAN
hasil I-TEMUAN
SUS I-TEMUAN
menyatakan I-TEMUAN
bahwa I-TEMUAN
aplikasi I-TEMUAN
SKD I-TEMUAN
dapat I-TEMUAN
dikategorikan I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
74,42. I-TEMUAN
Kata O
Kunci— O
Pengembangan O
, O
SKD O
, O
CAWI O
, O
Entri O
Data. O
[SEP] O
A. O
Kesimpulan O
Berdasarkan O
penelitian O
yang O
dilakukan O
, O
diperoleh O
beberapa O
kesimpulan O
sebagai O
berikut. O
1. O
Telah B-TEMUAN
dikembangkan I-TEMUAN
basis I-TEMUAN
data I-TEMUAN
aplikasi I-TEMUAN
web I-TEMUAN
SKD I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
digunakan I-TEMUAN
secara I-TEMUAN
multitime. I-TEMUAN
2. O
Telah O
dikembangkan O
fitur O
form O
input O
yang O
digunakan O
sebagai O
kuesioner O
online O
SKD O
yang O
dinamis O
sehingga O
perubahan O
tidak O
dilakukan O
secara O
hardcoding. O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
3. O
Telah O
dikembangkan O
fitur O
dokumentasi O
yang O
berfungsi O
untuk O
mendokumentasikan O
kegiatan O
SKD O
periode O
sebelumnya O
terutama O
pada O
bagian O
master O
pertanyaan O
dan O
master O
jawaban O
yang O
berkaitan O
langsung O
dengan O
kuesioner O
online O
SKD. O
4. O
Telah O
dilakukan O
uji O
coba O
dan O
evaluasi O
sistem O
dengan O
menggunakan O
metode O
blackbox O
testing O
dan O
SUS. O
Hasil B-TEMUAN
pengujian I-TEMUAN
dengan I-TEMUAN
menggunakan I-TEMUAN
blackbox I-TEMUAN
testing I-TEMUAN
telah I-TEMUAN
berfungsi I-TEMUAN
dengan I-TEMUAN
baik I-TEMUAN
sesuai I-TEMUAN
keinginan I-TEMUAN
dan I-TEMUAN
hasil I-TEMUAN
SUS I-TEMUAN
menyatakan I-TEMUAN
bahwa I-TEMUAN
aplikasi I-TEMUAN
SKD I-TEMUAN
dapat I-TEMUAN
dikategorikan I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
74,42. I-TEMUAN
B. O
Saran O
Saran O
yang O
dapat O
diberikan O
peneliti O
yang O
mungkin O
dapat O
bermanfaat O
untuk O
pengembangan O
aplikasi O
SKD O
selanjutnya. O
1. O
Dalam O
fitur O
master O
jawaban O
, O
dapat O
dikembangkan O
fitur O
untuk O
menambahkan O
jenis O
master O
jawaban. O
Saat O
ini O
untuk O
dapat O
menambahkan O
jenis O
master O
jawaban O
baru O
dilakukan O
dengan O
secara O
manual O
di O
basis O
data O
dan O
secara O
hardcoding O
di O
source O
code. O
2. O
Dalam O
penggunaan O
fitur O
pertama O
kali O
oleh O
pengguna O
, O
dapat O
menambahkan O
fitur O
tutorial O
yang O
menunjukkan O
fungsi- O
fungsi O
dari O
menu O
atau O
tombol O
yang O
ada. O

Sentimen O
Publik O
Pada O
Twitter O
Terhadap O
Destinasi O
Wisata O
di O
Indonesia O
Pada O
Satu O
Tahun O
Pertama O
Terjadi O
Covid-19 O
( O
Studi O
Kasus O
Pada O
6 O
Destinasi O
Wisata O
di O
Indonesia O
) O
Ahmad O
Afif O
Adrinanta O
( O
221709505 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Yuliagnis O
Transver O
Wijaya O
Ringkasan— O
Pariwisata O
merupakan O
penunjang O
perekonomian O
Indonesia. O
Banyak O
sekali O
destinasi O
wisata O
di O
Indonesia O
yang O
sangat O
indah O
sehingga O
dapat O
mendatangkan O
berbagai O
wisatawan O
, O
baik O
dari O
nusantara O
maupun O
dari O
mancanegara. O
Namun O
, O
pada O
tahun O
2020 O
sektor O
pariwisata O
melemah O
karena O
terjadi O
pandemi O
Covid-19. O
Maka O
perlu O
dilakukan O
penelitian O
untuk O
mengetahui B-TUJUAN
bagaimana I-TUJUAN
dampak I-TUJUAN
Covid-19 I-TUJUAN
terhadap I-TUJUAN
destinasi I-TUJUAN
wisata I-TUJUAN
di I-TUJUAN
Indonesia. I-TUJUAN
Penelitian O
ini O
menggunakan O
metode B-METODE
analisis I-METODE
sentimen I-METODE
dan O
menggunakan O
polarity B-METODE
score I-METODE
dalam O
menilai O
dampaknya. O
Data O
untuk O
penelitian O
ini O
dikumpulkan O
dari O
twitter. O
Dari O
hasil O
pengumpulan O
data O
, O
tweet B-TEMUAN
dengan I-TEMUAN
sentimen I-TEMUAN
netral I-TEMUAN
masih I-TEMUAN
mendominasi I-TEMUAN
dari I-TEMUAN
keseluruhan I-TEMUAN
tweet I-TEMUAN
dengan I-TEMUAN
persentase I-TEMUAN
53 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
37 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
tweet I-TEMUAN
dengan I-TEMUAN
sentimen I-TEMUAN
positif I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
hanya I-TEMUAN
10 I-TEMUAN
% I-TEMUAN
tweet I-TEMUAN
dengan I-TEMUAN
sentimen I-TEMUAN
negatif. I-TEMUAN
Hasil O
dari O
penelitian O
ini O
adalah O
Covid- B-TEMUAN
19 I-TEMUAN
memiliki I-TEMUAN
dampak I-TEMUAN
yang I-TEMUAN
negatif I-TEMUAN
pada I-TEMUAN
3 I-TEMUAN
bulan I-TEMUAN
pertama I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
, I-TEMUAN
namun I-TEMUAN
seiring I-TEMUAN
berjalannya I-TEMUAN
waktu I-TEMUAN
rata-rata I-TEMUAN
polarity I-TEMUAN
score I-TEMUAN
bergerak I-TEMUAN
ke I-TEMUAN
arah I-TEMUAN
yang I-TEMUAN
positif I-TEMUAN
sehingga I-TEMUAN
dampak I-TEMUAN
negatif I-TEMUAN
dari I-TEMUAN
Covid-19 I-TEMUAN
semakin I-TEMUAN
lama I-TEMUAN
semakin I-TEMUAN
berkurang. I-TEMUAN
Kata O
Kunci— O
Analisis O
Sentimen O
, O
Covid-19 O
, O
Destinasi O
Wisata O
, O
Pariwisata O
[SEP] O
Dari O
hasil O
dan O
pembahasan O
yang O
sudah O
diuraikan O
diatas O
, O
terdapat O
beberapa O
kesimpulan O
yang O
didapat O
yaitu O
: O
1. O
Dari O
seluruh O
tweet O
, O
tweet B-TEMUAN
dengan I-TEMUAN
sentimen I-TEMUAN
netral I-TEMUAN
mendominasi I-TEMUAN
dengan I-TEMUAN
persentase I-TEMUAN
53 I-TEMUAN
% I-TEMUAN
kemudian I-TEMUAN
tweet I-TEMUAN
dengan I-TEMUAN
sentiment I-TEMUAN
positif I-TEMUAN
sebanyak I-TEMUAN
37 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
tweet I-TEMUAN
dengan I-TEMUAN
sentimen I-TEMUAN
negatif I-TEMUAN
hanya I-TEMUAN
sebanyak I-TEMUAN
10 I-TEMUAN
% I-TEMUAN
. O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
2. O
Hasil O
dari O
analisis O
terhadap O
dampak O
Covid-19 O
terhadap O
destinasi O
wisata O
di O
Indonesia O
menjelaskan O
bahwa O
Covid- B-TEMUAN
19 I-TEMUAN
pada I-TEMUAN
satu I-TEMUAN
tahun I-TEMUAN
pertama I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
memiliki I-TEMUAN
dampak I-TEMUAN
negatif I-TEMUAN
terhadap I-TEMUAN
destinasi I-TEMUAN
wisata I-TEMUAN
di I-TEMUAN
Indonesia. I-TEMUAN
Pada I-TEMUAN
awal I-TEMUAN
Covid-19 I-TEMUAN
, I-TEMUAN
rata-rata I-TEMUAN
polarity I-TEMUAN
score I-TEMUAN
bergerak I-TEMUAN
cenderung I-TEMUAN
kearah I-TEMUAN
negatif. I-TEMUAN
Namun I-TEMUAN
seiring I-TEMUAN
berjalannya I-TEMUAN
waktu I-TEMUAN
, I-TEMUAN
rata-rata I-TEMUAN
polarity I-TEMUAN
score I-TEMUAN
bergerak I-TEMUAN
ke I-TEMUAN
arah I-TEMUAN
yang I-TEMUAN
positif I-TEMUAN
sehingga I-TEMUAN
dampak I-TEMUAN
negatif I-TEMUAN
dari I-TEMUAN
Covid-19 I-TEMUAN
semakin I-TEMUAN
lama I-TEMUAN
semakin I-TEMUAN
berkurang. I-TEMUAN
Hal O
ini O
juga O
sejalan O
dengan O
data O
yang O
disajikan O
oleh O
BPS O
terkait O
dengan O
data O
pertumbuhan O
PDB O
di O
Indonesia O
secara O
y-on-y O
Kemudian O
berdasarkan O
penelitian O
yang O
sudah O
dilakukan O
terdapat O
beberapa O
saran O
dari O
peneliti O
untuk O
penelitian O
selanjutnya O
yaitu O
: O
1. O
Melakukan O
Pre-processing O
dengan O
lebih O
baik O
, O
agar O
karakter O
spasi O
( O
“ O
“ O
) O
tidak O
terbaca O
sebagai O
sebuah O
kata O
sehingga O
analisis O
menjadi O
lebih O
baik. O
2. O
Menggunakan O
pendekatan O
untuk O
mencari O
nilai O
polarity O
untuk O
berbagai O
bahasa O
sehingga O
tidak O
perlu O
melakukan O
penerjemahan O
ke O
bahasa O
inggris O
terlebih O
dahulu. O
3. O
Pada O
penelitian O
ini O
hanya O
menggunakan O
data O
twitter O
dengan O
rentang O
waktu O
1 O
tahun. O
Untuk O
ke O
depannya O
, O
bisa O
digunakan O
timeframe O
yang O
lebih O
panjang O
agar O
hasilnya O
lebih O
maksimal. O
4. O
Tidak O
hanya O
menggunakan O
teks O
yang O
didapat O
pada O
twitter O
, O
namun O
juga O
memasukkan O
gambar O
ke O
dalam O
analisis O
untuk O
juga O
dicari O
sentimen O
dari O
sebuah O
gambar O
yang O
ada O
di O
dalam O
sebuah O
tweet. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O

Sentimen O
Publik O
Pada O
Twitter O
Terhadap O
Destinasi O
Wisata O
di O
Indonesia O
Pada O
Satu O
Tahun O
Pertama O
Terjadi O
Covid-19 O
( O
Studi O
Kasus O
Pada O
6 O
Destinasi O
Wisata O
di O
Indonesia O
) O
Ahmad O
Afif O
Adrinanta O
( O
221709505 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Yuliagnis O
Transver O
Wijaya O
Ringkasan— O
Pariwisata O
merupakan O
penunjang O
perekonomian O
Indonesia. O
Banyak O
sekali O
destinasi O
wisata O
di O
Indonesia O
yang O
sangat O
indah O
sehingga O
dapat O
mendatangkan O
berbagai O
wisatawan O
, O
baik O
dari O
nusantara O
maupun O
dari O
mancanegara. O
Namun O
, O
pada O
tahun O
2020 O
sektor O
pariwisata O
melemah O
karena O
terjadi O
pandemi O
Covid-19. O
Maka O
perlu O
dilakukan O
penelitian O
untuk O
mengetahui B-TUJUAN
bagaimana I-TUJUAN
dampak I-TUJUAN
Covid-19 I-TUJUAN
terhadap I-TUJUAN
destinasi I-TUJUAN
wisata I-TUJUAN
di I-TUJUAN
Indonesia. I-TUJUAN
Penelitian O
ini O
menggunakan O
metode B-METODE
analisis I-METODE
sentimen I-METODE
dan O
menggunakan O
polarity B-METODE
score I-METODE
dalam O
menilai O
dampaknya. O
Data O
untuk O
penelitian O
ini O
dikumpulkan O
dari O
twitter. O
Dari O
hasil O
pengumpulan O
data O
, O
tweet B-TEMUAN
dengan I-TEMUAN
sentimen I-TEMUAN
netral I-TEMUAN
masih I-TEMUAN
mendominasi I-TEMUAN
dari I-TEMUAN
keseluruhan I-TEMUAN
tweet I-TEMUAN
dengan I-TEMUAN
persentase I-TEMUAN
53 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
37 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
tweet I-TEMUAN
dengan I-TEMUAN
sentimen I-TEMUAN
positif I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
hanya I-TEMUAN
10 I-TEMUAN
% I-TEMUAN
tweet I-TEMUAN
dengan I-TEMUAN
sentimen I-TEMUAN
negatif. I-TEMUAN
Hasil O
dari O
penelitian O
ini O
adalah O
Covid- B-TEMUAN
19 I-TEMUAN
memiliki I-TEMUAN
dampak I-TEMUAN
yang I-TEMUAN
negatif I-TEMUAN
pada I-TEMUAN
3 I-TEMUAN
bulan I-TEMUAN
pertama I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
, I-TEMUAN
namun I-TEMUAN
seiring I-TEMUAN
berjalannya I-TEMUAN
waktu I-TEMUAN
rata-rata I-TEMUAN
polarity I-TEMUAN
score I-TEMUAN
bergerak I-TEMUAN
ke I-TEMUAN
arah I-TEMUAN
yang I-TEMUAN
positif I-TEMUAN
sehingga I-TEMUAN
dampak I-TEMUAN
negatif I-TEMUAN
dari I-TEMUAN
Covid-19 I-TEMUAN
semakin I-TEMUAN
lama I-TEMUAN
semakin I-TEMUAN
berkurang. I-TEMUAN
Kata O
Kunci— O
Analisis O
Sentimen O
, O
Covid-19 O
, O
Destinasi O
Wisata O
, O
Pariwisata O
[SEP] O
Dari O
hasil O
dan O
pembahasan O
yang O
sudah O
diuraikan O
diatas O
, O
terdapat O
beberapa O
kesimpulan O
yang O
didapat O
yaitu O
: O
1. O
Dari O
seluruh O
tweet O
, O
tweet B-TEMUAN
dengan I-TEMUAN
sentimen I-TEMUAN
netral I-TEMUAN
mendominasi I-TEMUAN
dengan I-TEMUAN
persentase I-TEMUAN
53 I-TEMUAN
% I-TEMUAN
kemudian I-TEMUAN
tweet I-TEMUAN
dengan I-TEMUAN
sentiment I-TEMUAN
positif I-TEMUAN
sebanyak I-TEMUAN
37 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
tweet I-TEMUAN
dengan I-TEMUAN
sentimen I-TEMUAN
negatif I-TEMUAN
hanya I-TEMUAN
sebanyak I-TEMUAN
10 I-TEMUAN
% I-TEMUAN
. O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
2. O
Hasil O
dari O
analisis O
terhadap O
dampak O
Covid-19 O
terhadap O
destinasi O
wisata O
di O
Indonesia O
menjelaskan O
bahwa O
Covid- B-TEMUAN
19 I-TEMUAN
pada I-TEMUAN
satu I-TEMUAN
tahun I-TEMUAN
pertama I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
memiliki I-TEMUAN
dampak I-TEMUAN
negatif I-TEMUAN
terhadap I-TEMUAN
destinasi I-TEMUAN
wisata I-TEMUAN
di I-TEMUAN
Indonesia. I-TEMUAN
Pada I-TEMUAN
awal I-TEMUAN
Covid-19 I-TEMUAN
, I-TEMUAN
rata-rata I-TEMUAN
polarity I-TEMUAN
score I-TEMUAN
bergerak I-TEMUAN
cenderung I-TEMUAN
kearah I-TEMUAN
negatif. I-TEMUAN
Namun I-TEMUAN
seiring I-TEMUAN
berjalannya I-TEMUAN
waktu I-TEMUAN
, I-TEMUAN
rata-rata I-TEMUAN
polarity I-TEMUAN
score I-TEMUAN
bergerak I-TEMUAN
ke I-TEMUAN
arah I-TEMUAN
yang I-TEMUAN
positif I-TEMUAN
sehingga I-TEMUAN
dampak I-TEMUAN
negatif I-TEMUAN
dari I-TEMUAN
Covid-19 I-TEMUAN
semakin I-TEMUAN
lama I-TEMUAN
semakin I-TEMUAN
berkurang. I-TEMUAN
Hal O
ini O
juga O
sejalan O
dengan O
data O
yang O
disajikan O
oleh O
BPS O
terkait O
dengan O
data O
pertumbuhan O
PDB O
di O
Indonesia O
secara O
y-on-y O
Kemudian O
berdasarkan O
penelitian O
yang O
sudah O
dilakukan O
terdapat O
beberapa O
saran O
dari O
peneliti O
untuk O
penelitian O
selanjutnya O
yaitu O
: O
1. O
Melakukan O
Pre-processing O
dengan O
lebih O
baik O
, O
agar O
karakter O
spasi O
( O
“ O
“ O
) O
tidak O
terbaca O
sebagai O
sebuah O
kata O
sehingga O
analisis O
menjadi O
lebih O
baik. O
2. O
Menggunakan O
pendekatan O
untuk O
mencari O
nilai O
polarity O
untuk O
berbagai O
bahasa O
sehingga O
tidak O
perlu O
melakukan O
penerjemahan O
ke O
bahasa O
inggris O
terlebih O
dahulu. O
3. O
Pada O
penelitian O
ini O
hanya O
menggunakan O
data O
twitter O
dengan O
rentang O
waktu O
1 O
tahun. O
Untuk O
ke O
depannya O
, O
bisa O
digunakan O
timeframe O
yang O
lebih O
panjang O
agar O
hasilnya O
lebih O
maksimal. O
4. O
Tidak O
hanya O
menggunakan O
teks O
yang O
didapat O
pada O
twitter O
, O
namun O
juga O
memasukkan O
gambar O
ke O
dalam O
analisis O
untuk O
juga O
dicari O
sentimen O
dari O
sebuah O
gambar O
yang O
ada O
di O
dalam O
sebuah O
tweet. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O

Sentimen O
Publik O
Pada O
Twitter O
Terhadap O
Destinasi O
Wisata O
di O
Indonesia O
Pada O
Satu O
Tahun O
Pertama O
Terjadi O
Covid-19 O
( O
Studi O
Kasus O
Pada O
6 O
Destinasi O
Wisata O
di O
Indonesia O
) O
Ahmad O
Afif O
Adrinanta O
( O
221709505 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Yuliagnis O
Transver O
Wijaya O
Ringkasan— O
Pariwisata O
merupakan O
penunjang O
perekonomian O
Indonesia. O
Banyak O
sekali O
destinasi O
wisata O
di O
Indonesia O
yang O
sangat O
indah O
sehingga O
dapat O
mendatangkan O
berbagai O
wisatawan O
, O
baik O
dari O
nusantara O
maupun O
dari O
mancanegara. O
Namun O
, O
pada O
tahun O
2020 O
sektor O
pariwisata O
melemah O
karena O
terjadi O
pandemi O
Covid-19. O
Maka O
perlu O
dilakukan O
penelitian O
untuk O
mengetahui B-TUJUAN
bagaimana I-TUJUAN
dampak I-TUJUAN
Covid-19 I-TUJUAN
terhadap I-TUJUAN
destinasi I-TUJUAN
wisata I-TUJUAN
di I-TUJUAN
Indonesia. I-TUJUAN
Penelitian O
ini O
menggunakan O
metode B-METODE
analisis I-METODE
sentimen I-METODE
dan O
menggunakan O
polarity B-METODE
score I-METODE
dalam O
menilai O
dampaknya. O
Data O
untuk O
penelitian O
ini O
dikumpulkan O
dari O
twitter. O
Dari O
hasil O
pengumpulan O
data O
, O
tweet B-TEMUAN
dengan I-TEMUAN
sentimen I-TEMUAN
netral I-TEMUAN
masih I-TEMUAN
mendominasi I-TEMUAN
dari I-TEMUAN
keseluruhan I-TEMUAN
tweet I-TEMUAN
dengan I-TEMUAN
persentase I-TEMUAN
53 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
37 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
tweet I-TEMUAN
dengan I-TEMUAN
sentimen I-TEMUAN
positif I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
hanya I-TEMUAN
10 I-TEMUAN
% I-TEMUAN
tweet I-TEMUAN
dengan I-TEMUAN
sentimen I-TEMUAN
negatif. I-TEMUAN
Hasil O
dari O
penelitian O
ini O
adalah O
Covid- B-TEMUAN
19 I-TEMUAN
memiliki I-TEMUAN
dampak I-TEMUAN
yang I-TEMUAN
negatif I-TEMUAN
pada I-TEMUAN
3 I-TEMUAN
bulan I-TEMUAN
pertama I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
, I-TEMUAN
namun I-TEMUAN
seiring I-TEMUAN
berjalannya I-TEMUAN
waktu I-TEMUAN
rata-rata I-TEMUAN
polarity I-TEMUAN
score I-TEMUAN
bergerak I-TEMUAN
ke I-TEMUAN
arah I-TEMUAN
yang I-TEMUAN
positif I-TEMUAN
sehingga I-TEMUAN
dampak I-TEMUAN
negatif I-TEMUAN
dari I-TEMUAN
Covid-19 I-TEMUAN
semakin I-TEMUAN
lama I-TEMUAN
semakin I-TEMUAN
berkurang. I-TEMUAN
Kata O
Kunci— O
Analisis O
Sentimen O
, O
Covid-19 O
, O
Destinasi O
Wisata O
, O
Pariwisata O
[SEP] O
Dari O
hasil O
dan O
pembahasan O
yang O
sudah O
diuraikan O
diatas O
, O
terdapat O
beberapa O
kesimpulan O
yang O
didapat O
yaitu O
: O
1. O
Dari O
seluruh O
tweet O
, O
tweet B-TEMUAN
dengan I-TEMUAN
sentimen I-TEMUAN
netral I-TEMUAN
mendominasi I-TEMUAN
dengan I-TEMUAN
persentase I-TEMUAN
53 I-TEMUAN
% I-TEMUAN
kemudian I-TEMUAN
tweet I-TEMUAN
dengan I-TEMUAN
sentiment I-TEMUAN
positif I-TEMUAN
sebanyak I-TEMUAN
37 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
tweet I-TEMUAN
dengan I-TEMUAN
sentimen I-TEMUAN
negatif I-TEMUAN
hanya I-TEMUAN
sebanyak I-TEMUAN
10 I-TEMUAN
% I-TEMUAN
. O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
2. O
Hasil O
dari O
analisis O
terhadap O
dampak O
Covid-19 O
terhadap O
destinasi O
wisata O
di O
Indonesia O
menjelaskan O
bahwa O
Covid- B-TEMUAN
19 I-TEMUAN
pada I-TEMUAN
satu I-TEMUAN
tahun I-TEMUAN
pertama I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
memiliki I-TEMUAN
dampak I-TEMUAN
negatif I-TEMUAN
terhadap I-TEMUAN
destinasi I-TEMUAN
wisata I-TEMUAN
di I-TEMUAN
Indonesia. I-TEMUAN
Pada I-TEMUAN
awal I-TEMUAN
Covid-19 I-TEMUAN
, I-TEMUAN
rata-rata I-TEMUAN
polarity I-TEMUAN
score I-TEMUAN
bergerak I-TEMUAN
cenderung I-TEMUAN
kearah I-TEMUAN
negatif. I-TEMUAN
Namun I-TEMUAN
seiring I-TEMUAN
berjalannya I-TEMUAN
waktu I-TEMUAN
, I-TEMUAN
rata-rata I-TEMUAN
polarity I-TEMUAN
score I-TEMUAN
bergerak I-TEMUAN
ke I-TEMUAN
arah I-TEMUAN
yang I-TEMUAN
positif I-TEMUAN
sehingga I-TEMUAN
dampak I-TEMUAN
negatif I-TEMUAN
dari I-TEMUAN
Covid-19 I-TEMUAN
semakin I-TEMUAN
lama I-TEMUAN
semakin I-TEMUAN
berkurang. I-TEMUAN
Hal O
ini O
juga O
sejalan O
dengan O
data O
yang O
disajikan O
oleh O
BPS O
terkait O
dengan O
data O
pertumbuhan O
PDB O
di O
Indonesia O
secara O
y-on-y O
Kemudian O
berdasarkan O
penelitian O
yang O
sudah O
dilakukan O
terdapat O
beberapa O
saran O
dari O
peneliti O
untuk O
penelitian O
selanjutnya O
yaitu O
: O
1. O
Melakukan O
Pre-processing O
dengan O
lebih O
baik O
, O
agar O
karakter O
spasi O
( O
“ O
“ O
) O
tidak O
terbaca O
sebagai O
sebuah O
kata O
sehingga O
analisis O
menjadi O
lebih O
baik. O
2. O
Menggunakan O
pendekatan O
untuk O
mencari O
nilai O
polarity O
untuk O
berbagai O
bahasa O
sehingga O
tidak O
perlu O
melakukan O
penerjemahan O
ke O
bahasa O
inggris O
terlebih O
dahulu. O
3. O
Pada O
penelitian O
ini O
hanya O
menggunakan O
data O
twitter O
dengan O
rentang O
waktu O
1 O
tahun. O
Untuk O
ke O
depannya O
, O
bisa O
digunakan O
timeframe O
yang O
lebih O
panjang O
agar O
hasilnya O
lebih O
maksimal. O
4. O
Tidak O
hanya O
menggunakan O
teks O
yang O
didapat O
pada O
twitter O
, O
namun O
juga O
memasukkan O
gambar O
ke O
dalam O
analisis O
untuk O
juga O
dicari O
sentimen O
dari O
sebuah O
gambar O
yang O
ada O
di O
dalam O
sebuah O
tweet. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O

Sentimen O
Publik O
Pada O
Twitter O
Terhadap O
Destinasi O
Wisata O
di O
Indonesia O
Pada O
Satu O
Tahun O
Pertama O
Terjadi O
Covid-19 O
( O
Studi O
Kasus O
Pada O
6 O
Destinasi O
Wisata O
di O
Indonesia O
) O
Ahmad O
Afif O
Adrinanta O
( O
221709505 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Yuliagnis O
Transver O
Wijaya O
Ringkasan— O
Pariwisata O
merupakan O
penunjang O
perekonomian O
Indonesia. O
Banyak O
sekali O
destinasi O
wisata O
di O
Indonesia O
yang O
sangat O
indah O
sehingga O
dapat O
mendatangkan O
berbagai O
wisatawan O
, O
baik O
dari O
nusantara O
maupun O
dari O
mancanegara. O
Namun O
, O
pada O
tahun O
2020 O
sektor O
pariwisata O
melemah O
karena O
terjadi O
pandemi O
Covid-19. O
Maka O
perlu O
dilakukan O
penelitian O
untuk O
mengetahui B-TUJUAN
bagaimana I-TUJUAN
dampak I-TUJUAN
Covid-19 I-TUJUAN
terhadap I-TUJUAN
destinasi I-TUJUAN
wisata I-TUJUAN
di I-TUJUAN
Indonesia. I-TUJUAN
Penelitian O
ini O
menggunakan O
metode B-METODE
analisis I-METODE
sentimen I-METODE
dan O
menggunakan O
polarity B-METODE
score I-METODE
dalam O
menilai O
dampaknya. O
Data O
untuk O
penelitian O
ini O
dikumpulkan O
dari O
twitter. O
Dari O
hasil O
pengumpulan O
data O
, O
tweet B-TEMUAN
dengan I-TEMUAN
sentimen I-TEMUAN
netral I-TEMUAN
masih I-TEMUAN
mendominasi I-TEMUAN
dari I-TEMUAN
keseluruhan I-TEMUAN
tweet I-TEMUAN
dengan I-TEMUAN
persentase I-TEMUAN
53 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
37 I-TEMUAN
% I-TEMUAN
untuk I-TEMUAN
tweet I-TEMUAN
dengan I-TEMUAN
sentimen I-TEMUAN
positif I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
hanya I-TEMUAN
10 I-TEMUAN
% I-TEMUAN
tweet I-TEMUAN
dengan I-TEMUAN
sentimen I-TEMUAN
negatif. I-TEMUAN
Hasil O
dari O
penelitian O
ini O
adalah O
Covid- B-TEMUAN
19 I-TEMUAN
memiliki I-TEMUAN
dampak I-TEMUAN
yang I-TEMUAN
negatif I-TEMUAN
pada I-TEMUAN
3 I-TEMUAN
bulan I-TEMUAN
pertama I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
, I-TEMUAN
namun I-TEMUAN
seiring I-TEMUAN
berjalannya I-TEMUAN
waktu I-TEMUAN
rata-rata I-TEMUAN
polarity I-TEMUAN
score I-TEMUAN
bergerak I-TEMUAN
ke I-TEMUAN
arah I-TEMUAN
yang I-TEMUAN
positif I-TEMUAN
sehingga I-TEMUAN
dampak I-TEMUAN
negatif I-TEMUAN
dari I-TEMUAN
Covid-19 I-TEMUAN
semakin I-TEMUAN
lama I-TEMUAN
semakin I-TEMUAN
berkurang. I-TEMUAN
Kata O
Kunci— O
Analisis O
Sentimen O
, O
Covid-19 O
, O
Destinasi O
Wisata O
, O
Pariwisata O
[SEP] O
Dari O
hasil O
dan O
pembahasan O
yang O
sudah O
diuraikan O
diatas O
, O
terdapat O
beberapa O
kesimpulan O
yang O
didapat O
yaitu O
: O
1. O
Dari O
seluruh O
tweet O
, O
tweet B-TEMUAN
dengan I-TEMUAN
sentimen I-TEMUAN
netral I-TEMUAN
mendominasi I-TEMUAN
dengan I-TEMUAN
persentase I-TEMUAN
53 I-TEMUAN
% I-TEMUAN
kemudian I-TEMUAN
tweet I-TEMUAN
dengan I-TEMUAN
sentiment I-TEMUAN
positif I-TEMUAN
sebanyak I-TEMUAN
37 I-TEMUAN
% I-TEMUAN
dan I-TEMUAN
tweet I-TEMUAN
dengan I-TEMUAN
sentimen I-TEMUAN
negatif I-TEMUAN
hanya I-TEMUAN
sebanyak I-TEMUAN
10 I-TEMUAN
% I-TEMUAN
. O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
2. O
Hasil O
dari O
analisis O
terhadap O
dampak O
Covid-19 O
terhadap O
destinasi O
wisata O
di O
Indonesia O
menjelaskan O
bahwa O
Covid- B-TEMUAN
19 I-TEMUAN
pada I-TEMUAN
satu I-TEMUAN
tahun I-TEMUAN
pertama I-TEMUAN
di I-TEMUAN
Indonesia I-TEMUAN
memiliki I-TEMUAN
dampak I-TEMUAN
negatif I-TEMUAN
terhadap I-TEMUAN
destinasi I-TEMUAN
wisata I-TEMUAN
di I-TEMUAN
Indonesia. I-TEMUAN
Pada I-TEMUAN
awal I-TEMUAN
Covid-19 I-TEMUAN
, I-TEMUAN
rata-rata I-TEMUAN
polarity I-TEMUAN
score I-TEMUAN
bergerak I-TEMUAN
cenderung I-TEMUAN
kearah I-TEMUAN
negatif. I-TEMUAN
Namun I-TEMUAN
seiring I-TEMUAN
berjalannya I-TEMUAN
waktu I-TEMUAN
, I-TEMUAN
rata-rata I-TEMUAN
polarity I-TEMUAN
score I-TEMUAN
bergerak I-TEMUAN
ke I-TEMUAN
arah I-TEMUAN
yang I-TEMUAN
positif I-TEMUAN
sehingga I-TEMUAN
dampak I-TEMUAN
negatif I-TEMUAN
dari I-TEMUAN
Covid-19 I-TEMUAN
semakin I-TEMUAN
lama I-TEMUAN
semakin I-TEMUAN
berkurang. I-TEMUAN
Hal O
ini O
juga O
sejalan O
dengan O
data O
yang O
disajikan O
oleh O
BPS O
terkait O
dengan O
data O
pertumbuhan O
PDB O
di O
Indonesia O
secara O
y-on-y O
Kemudian O
berdasarkan O
penelitian O
yang O
sudah O
dilakukan O
terdapat O
beberapa O
saran O
dari O
peneliti O
untuk O
penelitian O
selanjutnya O
yaitu O
: O
1. O
Melakukan O
Pre-processing O
dengan O
lebih O
baik O
, O
agar O
karakter O
spasi O
( O
“ O
“ O
) O
tidak O
terbaca O
sebagai O
sebuah O
kata O
sehingga O
analisis O
menjadi O
lebih O
baik. O
2. O
Menggunakan O
pendekatan O
untuk O
mencari O
nilai O
polarity O
untuk O
berbagai O
bahasa O
sehingga O
tidak O
perlu O
melakukan O
penerjemahan O
ke O
bahasa O
inggris O
terlebih O
dahulu. O
3. O
Pada O
penelitian O
ini O
hanya O
menggunakan O
data O
twitter O
dengan O
rentang O
waktu O
1 O
tahun. O
Untuk O
ke O
depannya O
, O
bisa O
digunakan O
timeframe O
yang O
lebih O
panjang O
agar O
hasilnya O
lebih O
maksimal. O
4. O
Tidak O
hanya O
menggunakan O
teks O
yang O
didapat O
pada O
twitter O
, O
namun O
juga O
memasukkan O
gambar O
ke O
dalam O
analisis O
untuk O
juga O
dicari O
sentimen O
dari O
sebuah O
gambar O
yang O
ada O
di O
dalam O
sebuah O
tweet. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O

Efektifitas O
Influencer O
Studi O
Kasus O
: O
Kebijakan O
Pemerintah O
Agung O
Nugraha O
Marwan O
( O
221709504 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
S.S.T O
, O
M.T. O
Sentralitas O
adalah O
salah O
satu O
hal O
yang O
paling O
sering O
dipelajari O
dalam O
Social B-METODE
Network I-METODE
Analysis I-METODE
( I-METODE
SNA I-METODE
) I-METODE
. O
Salah O
satu O
tujuan O
dari O
SNA O
adalah O
untuk O
mengidentifikasi B-TUJUAN
user I-TUJUAN
atau I-TUJUAN
orang I-TUJUAN
yang I-TUJUAN
memiliki I-TUJUAN
pengaruh I-TUJUAN
kuat I-TUJUAN
pada I-TUJUAN
media I-TUJUAN
sosial. I-TUJUAN
Mengidentifikasi O
user O
yang O
memiliki O
pengaruh O
pada O
topik O
tertentu O
dinilai O
lebih O
efektif O
daripada O
mengidentifikasi O
user O
yang O
dapat O
memberikan O
pengaruh O
pada O
semua O
topik. O
Pada O
penelitian O
ini O
akan O
ditentukan O
variabel O
variabel O
yang O
dapat O
memengaruhi O
besarnya O
influence O
yang O
dapat O
diberikan O
oleh O
seorang O
user O
, O
melakukan O
perhitungan O
influence O
score O
pada O
suatu O
topik O
, O
pembangunan O
indeks O
komposit O
yang O
akan O
mempresentasikan O
besarnya O
influence O
yang O
dimiliki O
oleh O
masing O
masing O
user O
, O
dan O
melihat O
bagaimana O
pendapat O
masyarakat O
terkait O
dengan O
suatu O
topik. O
Diperoleh O
bahwa O
masyarakat B-TEMUAN
secara I-TEMUAN
umum I-TEMUAN
memberikan I-TEMUAN
feedback I-TEMUAN
positif I-TEMUAN
terkait I-TEMUAN
dengan I-TEMUAN
kebijakan I-TEMUAN
pemerintah. I-TEMUAN
Dalam O
menentukan O
besarnya O
influence O
score O
pada O
user O
dapat O
menggunakan O
10 O
variabel O
yang O
dibagi O
menjadi O
ke O
dalam O
lima O
dimensi O
yaitu O
network O
, O
quality O
, O
polarity O
, O
engagement O
, O
frequency. B-TEMUAN
Dan I-TEMUAN
didapatkan I-TEMUAN
terdapat I-TEMUAN
korelasi I-TEMUAN
lemah I-TEMUAN
namun I-TEMUAN
signifikan I-TEMUAN
antara I-TEMUAN
rangking I-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
oleh I-TEMUAN
influence I-TEMUAN
score I-TEMUAN
dan I-TEMUAN
IID I-TEMUAN
yaitu I-TEMUAN
sebesar I-TEMUAN
0,196. I-TEMUAN
Kata O
Kunci— O
user O
influence O
, O
kebijakan O
pemerintah O
, O
indeks O
komposit. O
[SEP] O
7.1 O
kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
penelitian O
yang O
telah O
diuraikan O
, O
peneliti O
mengambil O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Proporsi O
tweet O
, O
proporsi O
retweet O
, O
proporsi O
replies O
, O
proporsi O
likes O
, O
betweenness O
centrality O
, O
eigenvector O
centrality O
, O
follower- O
following O
ratio O
, O
kualitas O
dan O
polaritas O
adalah O
variabel O
untuk O
yang O
mengetahui O
besarnya O
influence O
yang O
dapat O
diberikan O
oleh O
seorang O
user O
atau O
influencer. O
In-degree O
centrality O
, O
twitter O
2. O
Berhasil O
menghasilkan O
nilai O
keefektivitasan O
influencer. O
3. O
Berhasil O
menyusun O
indeks O
komposit O
keefektivitasan O
influencer O
dengan O
terdapat O
korelasi O
lemah O
namun O
signifikan O
pada O
rangking O
yang O
dihasilkan O
oleh O
influence O
score O
dan O
Indeks O
Influence O
score O
( O
IIS O
) O
. O
4. O
Masyarakat O
secara O
umum O
memberikan O
feedback O
positif O
5. O
terkait O
dengan O
kebijakan O
pemerintah. O
Indeks O
komposit O
diklasifikasikan O
menjadi O
2 O
kelompok O
, O
kelompok O
pertama O
berjumlah O
30 O
user O
dan O
kelompok O
kedua O
berjumlah O
351 O
user. O
7.2 O
Saran O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
saran O
yang O
dapat O
diberikan O
penulis O
adalah O
sebagai O
berikut O
: O
1. O
Bagi O
pemerintah O
, O
indeks O
influence O
score O
dapat O
digunakan O
sebagai O
alat O
bantu O
dalam O
pengambilan O
keputusan O
yang O
berkaitan O
dengan O
penggunaan O
jasa O
influencer O
kebijakan O
untuk O
menyosialisasikan O
pemerintah O
2. O
Apabila O
ingin O
menyewa O
jasa O
influencer O
untuk O
sosialisasi O
influencer O
kebijakan O
pemerintah O
, O
maka O
pastikan O
tersebut O
memiliki O
kredibilitas O
dibidang O
tersebut. O
3. O
Penelitian O
selanjutnya O
perlu O
mempelajari O
lebih O
dalam O
lagi O
untuk O
penyempurnaan O
variabel-variabel O
apa O
saja O
yamg O
dapat O
digunakan O
dalam O
pengukuran O
IIS. O
4. O
Perlu O
dilakukan O
uji O
yang O
lebih O
jauh O
untuk O
menentukan O
apakah O
telah O
sesuai O
untuk O
terbentuk O
menjelaskan O
fenomena O
atau O
kejadian O
yang O
sebenarnya. O
IIS O
yang O

Efektifitas O
Influencer O
Studi O
Kasus O
: O
Kebijakan O
Pemerintah O
Agung O
Nugraha O
Marwan O
( O
221709504 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
S.S.T O
, O
M.T. O
Sentralitas O
adalah O
salah O
satu O
hal O
yang O
paling O
sering O
dipelajari O
dalam O
Social B-METODE
Network I-METODE
Analysis I-METODE
( I-METODE
SNA I-METODE
) I-METODE
. O
Salah O
satu O
tujuan O
dari O
SNA O
adalah O
untuk O
mengidentifikasi B-TUJUAN
user I-TUJUAN
atau I-TUJUAN
orang I-TUJUAN
yang I-TUJUAN
memiliki I-TUJUAN
pengaruh I-TUJUAN
kuat I-TUJUAN
pada I-TUJUAN
media I-TUJUAN
sosial. I-TUJUAN
Mengidentifikasi O
user O
yang O
memiliki O
pengaruh O
pada O
topik O
tertentu O
dinilai O
lebih O
efektif O
daripada O
mengidentifikasi O
user O
yang O
dapat O
memberikan O
pengaruh O
pada O
semua O
topik. O
Pada O
penelitian O
ini O
akan O
ditentukan O
variabel O
variabel O
yang O
dapat O
memengaruhi O
besarnya O
influence O
yang O
dapat O
diberikan O
oleh O
seorang O
user O
, O
melakukan O
perhitungan O
influence O
score O
pada O
suatu O
topik O
, O
pembangunan O
indeks O
komposit O
yang O
akan O
mempresentasikan O
besarnya O
influence O
yang O
dimiliki O
oleh O
masing O
masing O
user O
, O
dan O
melihat O
bagaimana O
pendapat O
masyarakat O
terkait O
dengan O
suatu O
topik. O
Diperoleh O
bahwa O
masyarakat B-TEMUAN
secara I-TEMUAN
umum I-TEMUAN
memberikan I-TEMUAN
feedback I-TEMUAN
positif I-TEMUAN
terkait I-TEMUAN
dengan I-TEMUAN
kebijakan I-TEMUAN
pemerintah. I-TEMUAN
Dalam O
menentukan O
besarnya O
influence O
score O
pada O
user O
dapat O
menggunakan O
10 O
variabel O
yang O
dibagi O
menjadi O
ke O
dalam O
lima O
dimensi O
yaitu O
network O
, O
quality O
, O
polarity O
, O
engagement O
, O
frequency. B-TEMUAN
Dan I-TEMUAN
didapatkan I-TEMUAN
terdapat I-TEMUAN
korelasi I-TEMUAN
lemah I-TEMUAN
namun I-TEMUAN
signifikan I-TEMUAN
antara I-TEMUAN
rangking I-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
oleh I-TEMUAN
influence I-TEMUAN
score I-TEMUAN
dan I-TEMUAN
IID I-TEMUAN
yaitu I-TEMUAN
sebesar I-TEMUAN
0,196. I-TEMUAN
Kata O
Kunci— O
user O
influence O
, O
kebijakan O
pemerintah O
, O
indeks O
komposit. O
[SEP] O
7.1 O
kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
penelitian O
yang O
telah O
diuraikan O
, O
peneliti O
mengambil O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Proporsi O
tweet O
, O
proporsi O
retweet O
, O
proporsi O
replies O
, O
proporsi O
likes O
, O
betweenness O
centrality O
, O
eigenvector O
centrality O
, O
follower- O
following O
ratio O
, O
kualitas O
dan O
polaritas O
adalah O
variabel O
untuk O
yang O
mengetahui O
besarnya O
influence O
yang O
dapat O
diberikan O
oleh O
seorang O
user O
atau O
influencer. O
In-degree O
centrality O
, O
twitter O
2. O
Berhasil O
menghasilkan O
nilai O
keefektivitasan O
influencer. O
3. O
Berhasil O
menyusun O
indeks O
komposit O
keefektivitasan O
influencer O
dengan O
terdapat O
korelasi O
lemah O
namun O
signifikan O
pada O
rangking O
yang O
dihasilkan O
oleh O
influence O
score O
dan O
Indeks O
Influence O
score O
( O
IIS O
) O
. O
4. O
Masyarakat O
secara O
umum O
memberikan O
feedback O
positif O
5. O
terkait O
dengan O
kebijakan O
pemerintah. O
Indeks O
komposit O
diklasifikasikan O
menjadi O
2 O
kelompok O
, O
kelompok O
pertama O
berjumlah O
30 O
user O
dan O
kelompok O
kedua O
berjumlah O
351 O
user. O
7.2 O
Saran O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
saran O
yang O
dapat O
diberikan O
penulis O
adalah O
sebagai O
berikut O
: O
1. O
Bagi O
pemerintah O
, O
indeks O
influence O
score O
dapat O
digunakan O
sebagai O
alat O
bantu O
dalam O
pengambilan O
keputusan O
yang O
berkaitan O
dengan O
penggunaan O
jasa O
influencer O
kebijakan O
untuk O
menyosialisasikan O
pemerintah O
2. O
Apabila O
ingin O
menyewa O
jasa O
influencer O
untuk O
sosialisasi O
influencer O
kebijakan O
pemerintah O
, O
maka O
pastikan O
tersebut O
memiliki O
kredibilitas O
dibidang O
tersebut. O
3. O
Penelitian O
selanjutnya O
perlu O
mempelajari O
lebih O
dalam O
lagi O
untuk O
penyempurnaan O
variabel-variabel O
apa O
saja O
yamg O
dapat O
digunakan O
dalam O
pengukuran O
IIS. O
4. O
Perlu O
dilakukan O
uji O
yang O
lebih O
jauh O
untuk O
menentukan O
apakah O
telah O
sesuai O
untuk O
terbentuk O
menjelaskan O
fenomena O
atau O
kejadian O
yang O
sebenarnya. O
IIS O
yang O

Efektifitas O
Influencer O
Studi O
Kasus O
: O
Kebijakan O
Pemerintah O
Agung O
Nugraha O
Marwan O
( O
221709504 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Ibnu O
Santoso O
S.S.T O
, O
M.T. O
Sentralitas O
adalah O
salah O
satu O
hal O
yang O
paling O
sering O
dipelajari O
dalam O
Social B-METODE
Network I-METODE
Analysis I-METODE
( I-METODE
SNA I-METODE
) I-METODE
. O
Salah O
satu O
tujuan O
dari O
SNA O
adalah O
untuk O
mengidentifikasi B-TUJUAN
user I-TUJUAN
atau I-TUJUAN
orang I-TUJUAN
yang I-TUJUAN
memiliki I-TUJUAN
pengaruh I-TUJUAN
kuat I-TUJUAN
pada I-TUJUAN
media I-TUJUAN
sosial. I-TUJUAN
Mengidentifikasi O
user O
yang O
memiliki O
pengaruh O
pada O
topik O
tertentu O
dinilai O
lebih O
efektif O
daripada O
mengidentifikasi O
user O
yang O
dapat O
memberikan O
pengaruh O
pada O
semua O
topik. O
Pada O
penelitian O
ini O
akan O
ditentukan O
variabel O
variabel O
yang O
dapat O
memengaruhi O
besarnya O
influence O
yang O
dapat O
diberikan O
oleh O
seorang O
user O
, O
melakukan O
perhitungan O
influence O
score O
pada O
suatu O
topik O
, O
pembangunan O
indeks O
komposit O
yang O
akan O
mempresentasikan O
besarnya O
influence O
yang O
dimiliki O
oleh O
masing O
masing O
user O
, O
dan O
melihat O
bagaimana O
pendapat O
masyarakat O
terkait O
dengan O
suatu O
topik. O
Diperoleh O
bahwa O
masyarakat B-TEMUAN
secara I-TEMUAN
umum I-TEMUAN
memberikan I-TEMUAN
feedback I-TEMUAN
positif I-TEMUAN
terkait I-TEMUAN
dengan I-TEMUAN
kebijakan I-TEMUAN
pemerintah. I-TEMUAN
Dalam O
menentukan O
besarnya O
influence O
score O
pada O
user O
dapat O
menggunakan O
10 O
variabel O
yang O
dibagi O
menjadi O
ke O
dalam O
lima O
dimensi O
yaitu O
network O
, O
quality O
, O
polarity O
, O
engagement O
, O
frequency. B-TEMUAN
Dan I-TEMUAN
didapatkan I-TEMUAN
terdapat I-TEMUAN
korelasi I-TEMUAN
lemah I-TEMUAN
namun I-TEMUAN
signifikan I-TEMUAN
antara I-TEMUAN
rangking I-TEMUAN
yang I-TEMUAN
dihasilkan I-TEMUAN
oleh I-TEMUAN
influence I-TEMUAN
score I-TEMUAN
dan I-TEMUAN
IID I-TEMUAN
yaitu I-TEMUAN
sebesar I-TEMUAN
0,196. I-TEMUAN
Kata O
Kunci— O
user O
influence O
, O
kebijakan O
pemerintah O
, O
indeks O
komposit. O
[SEP] O
7.1 O
kesimpulan O
Berdasarkan O
hasil O
dan O
pembahasan O
pada O
penelitian O
yang O
telah O
diuraikan O
, O
peneliti O
mengambil O
beberapa O
kesimpulan O
sebagai O
berikut O
: O
1. O
Proporsi O
tweet O
, O
proporsi O
retweet O
, O
proporsi O
replies O
, O
proporsi O
likes O
, O
betweenness O
centrality O
, O
eigenvector O
centrality O
, O
follower- O
following O
ratio O
, O
kualitas O
dan O
polaritas O
adalah O
variabel O
untuk O
yang O
mengetahui O
besarnya O
influence O
yang O
dapat O
diberikan O
oleh O
seorang O
user O
atau O
influencer. O
In-degree O
centrality O
, O
twitter O
2. O
Berhasil O
menghasilkan O
nilai O
keefektivitasan O
influencer. O
3. O
Berhasil O
menyusun O
indeks O
komposit O
keefektivitasan O
influencer O
dengan O
terdapat O
korelasi O
lemah O
namun O
signifikan O
pada O
rangking O
yang O
dihasilkan O
oleh O
influence O
score O
dan O
Indeks O
Influence O
score O
( O
IIS O
) O
. O
4. O
Masyarakat O
secara O
umum O
memberikan O
feedback O
positif O
5. O
terkait O
dengan O
kebijakan O
pemerintah. O
Indeks O
komposit O
diklasifikasikan O
menjadi O
2 O
kelompok O
, O
kelompok O
pertama O
berjumlah O
30 O
user O
dan O
kelompok O
kedua O
berjumlah O
351 O
user. O
7.2 O
Saran O
Berdasarkan O
penelitian O
yang O
telah O
dilakukan O
, O
saran O
yang O
dapat O
diberikan O
penulis O
adalah O
sebagai O
berikut O
: O
1. O
Bagi O
pemerintah O
, O
indeks O
influence O
score O
dapat O
digunakan O
sebagai O
alat O
bantu O
dalam O
pengambilan O
keputusan O
yang O
berkaitan O
dengan O
penggunaan O
jasa O
influencer O
kebijakan O
untuk O
menyosialisasikan O
pemerintah O
2. O
Apabila O
ingin O
menyewa O
jasa O
influencer O
untuk O
sosialisasi O
influencer O
kebijakan O
pemerintah O
, O
maka O
pastikan O
tersebut O
memiliki O
kredibilitas O
dibidang O
tersebut. O
3. O
Penelitian O
selanjutnya O
perlu O
mempelajari O
lebih O
dalam O
lagi O
untuk O
penyempurnaan O
variabel-variabel O
apa O
saja O
yamg O
dapat O
digunakan O
dalam O
pengukuran O
IIS. O
4. O
Perlu O
dilakukan O
uji O
yang O
lebih O
jauh O
untuk O
menentukan O
apakah O
telah O
sesuai O
untuk O
terbentuk O
menjelaskan O
fenomena O
atau O
kejadian O
yang O
sebenarnya. O
IIS O
yang O

Sistem O
Informasi O
Kerja O
Sama O
Protokol O
dan O
Penyiapan O
Materi O
Pimpinan O
Modul O
Admin O
dan O
Modul O
Kerja O
Sama O
Pusat O
221709496 O
, O
Adrian O
Devano O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
MT. O
Ringkasan— O
Rekapitulasi O
dan O
pelaporan O
kerja O
sama O
yang O
dilakukan O
oleh O
setiap O
satuan O
kerja O
di O
BPS O
merupakan O
salah O
satu O
tugas O
dari O
Sub O
Bagian O
Kerja O
Sama O
dan O
Hubungan O
Kelembagaan. O
Proses O
rekapitulasi O
dan O
pelaporan O
disusun O
secara O
manual O
menggunakan O
Microsoft O
Excel O
dikarenakan O
terdapat O
masalah O
pada O
Sistem O
Informasi O
Kerja O
Sama O
Protokol O
dan O
Penyiapan O
Materi O
Pimpinan O
( O
SI-KSPM O
) O
. O
Masalah B-TUJUAN
yang I-TUJUAN
terdapat I-TUJUAN
dalam I-TUJUAN
sistem I-TUJUAN
berjalan I-TUJUAN
yaitu I-TUJUAN
hasil I-TUJUAN
rekapitulasi I-TUJUAN
MoU-PKS I-TUJUAN
yang I-TUJUAN
terdapat I-TUJUAN
pada I-TUJUAN
sistem I-TUJUAN
berjalan I-TUJUAN
tidak I-TUJUAN
sesuai I-TUJUAN
dengan I-TUJUAN
kebutuhan I-TUJUAN
laporan I-TUJUAN
admin I-TUJUAN
kepada I-TUJUAN
pimpinan. I-TUJUAN
Sehingga I-TUJUAN
perlunya I-TUJUAN
dilakukan I-TUJUAN
pengembangan I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
untuk I-TUJUAN
dapat I-TUJUAN
mengatasi I-TUJUAN
masalah I-TUJUAN
tersebut. I-TUJUAN
Dalam O
mengembangkan O
ini O
, O
peneliti O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
pendekatan I-METODE
model I-METODE
waterfall I-METODE
untuk O
pengembangan O
sistem O
yang O
diaplikasikan O
menggunakan O
bahasa O
pemrograman O
PHP O
dengan O
framework O
Laravel. O
Metode O
uji O
coba O
dan O
evaluasi O
yang O
digunakan O
penulis O
dalam O
penelitian O
yaitu O
Black-Box B-METODE
Testing I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Hasil B-TEMUAN
yang I-TEMUAN
didapatkan I-TEMUAN
dari I-TEMUAN
Black- I-TEMUAN
Box I-TEMUAN
Testing I-TEMUAN
adalah I-TEMUAN
semua I-TEMUAN
fitur I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
fungsinya I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
SUS I-TEMUAN
yang I-TEMUAN
dilakukan I-TEMUAN
menghasilkan I-TEMUAN
skor I-TEMUAN
sebesar I-TEMUAN
83,93 I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
diusulkan I-TEMUAN
sudah I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
layak I-TEMUAN
digunakan. I-TEMUAN
sistem O
Kata O
Kunci— O
Pengembangan O
Sistem O
, O
Sistem O
Informasi O
, O
SDLC O
, O
Model O
Waterfall O
, O
System O
Usability O
Scale. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
kesimpulan O
yang O
dihasilkan O
penulis O
sebagai O
berikut O
: O
1. O
Sistem O
telah O
menyediakan O
laporan O
final O
MoU-PKS O
untuk O
satuan O
kerja O
di O
BPS O
RI. O
2. O
Sistem O
telah O
menampilkan O
rekap O
laporan O
MoU-PKS O
BPS O
RI O
dan O
Daerah O
dalam O
satu O
fitur. O
3. O
Sistem O
telah O
menyediakan O
pilihan O
tahun O
dan O
wilayah O
untuk O
tampilan O
grafik O
bar O
chart O
pada O
tab O
Statistik O
MoU- O
PKS. O
4. O
Sistem O
telah O
menampilkan O
rekap O
jumlah O
MoU-PKS O
secara O
berhierarki. O
5. O
Sistem O
telah O
menampilkan O
rekap O
saldo O
PKS O
secara O
berhierarki. O

Sistem O
Informasi O
Kerja O
Sama O
Protokol O
dan O
Penyiapan O
Materi O
Pimpinan O
Modul O
Admin O
dan O
Modul O
Kerja O
Sama O
Pusat O
221709496 O
, O
Adrian O
Devano O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
MT. O
Ringkasan— O
Rekapitulasi O
dan O
pelaporan O
kerja O
sama O
yang O
dilakukan O
oleh O
setiap O
satuan O
kerja O
di O
BPS O
merupakan O
salah O
satu O
tugas O
dari O
Sub O
Bagian O
Kerja O
Sama O
dan O
Hubungan O
Kelembagaan. O
Proses O
rekapitulasi O
dan O
pelaporan O
disusun O
secara O
manual O
menggunakan O
Microsoft O
Excel O
dikarenakan O
terdapat O
masalah O
pada O
Sistem O
Informasi O
Kerja O
Sama O
Protokol O
dan O
Penyiapan O
Materi O
Pimpinan O
( O
SI-KSPM O
) O
. O
Masalah B-TUJUAN
yang I-TUJUAN
terdapat I-TUJUAN
dalam I-TUJUAN
sistem I-TUJUAN
berjalan I-TUJUAN
yaitu I-TUJUAN
hasil I-TUJUAN
rekapitulasi I-TUJUAN
MoU-PKS I-TUJUAN
yang I-TUJUAN
terdapat I-TUJUAN
pada I-TUJUAN
sistem I-TUJUAN
berjalan I-TUJUAN
tidak I-TUJUAN
sesuai I-TUJUAN
dengan I-TUJUAN
kebutuhan I-TUJUAN
laporan I-TUJUAN
admin I-TUJUAN
kepada I-TUJUAN
pimpinan. I-TUJUAN
Sehingga I-TUJUAN
perlunya I-TUJUAN
dilakukan I-TUJUAN
pengembangan I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
untuk I-TUJUAN
dapat I-TUJUAN
mengatasi I-TUJUAN
masalah I-TUJUAN
tersebut. I-TUJUAN
Dalam O
mengembangkan O
ini O
, O
peneliti O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
pendekatan I-METODE
model I-METODE
waterfall I-METODE
untuk O
pengembangan O
sistem O
yang O
diaplikasikan O
menggunakan O
bahasa O
pemrograman O
PHP O
dengan O
framework O
Laravel. O
Metode O
uji O
coba O
dan O
evaluasi O
yang O
digunakan O
penulis O
dalam O
penelitian O
yaitu O
Black-Box B-METODE
Testing I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Hasil B-TEMUAN
yang I-TEMUAN
didapatkan I-TEMUAN
dari I-TEMUAN
Black- I-TEMUAN
Box I-TEMUAN
Testing I-TEMUAN
adalah I-TEMUAN
semua I-TEMUAN
fitur I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
fungsinya I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
SUS I-TEMUAN
yang I-TEMUAN
dilakukan I-TEMUAN
menghasilkan I-TEMUAN
skor I-TEMUAN
sebesar I-TEMUAN
83,93 I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
diusulkan I-TEMUAN
sudah I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
layak I-TEMUAN
digunakan. I-TEMUAN
sistem O
Kata O
Kunci— O
Pengembangan O
Sistem O
, O
Sistem O
Informasi O
, O
SDLC O
, O
Model O
Waterfall O
, O
System O
Usability O
Scale. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
kesimpulan O
yang O
dihasilkan O
penulis O
sebagai O
berikut O
: O
1. O
Sistem O
telah O
menyediakan O
laporan O
final O
MoU-PKS O
untuk O
satuan O
kerja O
di O
BPS O
RI. O
2. O
Sistem O
telah O
menampilkan O
rekap O
laporan O
MoU-PKS O
BPS O
RI O
dan O
Daerah O
dalam O
satu O
fitur. O
3. O
Sistem O
telah O
menyediakan O
pilihan O
tahun O
dan O
wilayah O
untuk O
tampilan O
grafik O
bar O
chart O
pada O
tab O
Statistik O
MoU- O
PKS. O
4. O
Sistem O
telah O
menampilkan O
rekap O
jumlah O
MoU-PKS O
secara O
berhierarki. O
5. O
Sistem O
telah O
menampilkan O
rekap O
saldo O
PKS O
secara O
berhierarki. O

Sistem O
Informasi O
Kerja O
Sama O
Protokol O
dan O
Penyiapan O
Materi O
Pimpinan O
Modul O
Admin O
dan O
Modul O
Kerja O
Sama O
Pusat O
221709496 O
, O
Adrian O
Devano O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
MT. O
Ringkasan— O
Rekapitulasi O
dan O
pelaporan O
kerja O
sama O
yang O
dilakukan O
oleh O
setiap O
satuan O
kerja O
di O
BPS O
merupakan O
salah O
satu O
tugas O
dari O
Sub O
Bagian O
Kerja O
Sama O
dan O
Hubungan O
Kelembagaan. O
Proses O
rekapitulasi O
dan O
pelaporan O
disusun O
secara O
manual O
menggunakan O
Microsoft O
Excel O
dikarenakan O
terdapat O
masalah O
pada O
Sistem O
Informasi O
Kerja O
Sama O
Protokol O
dan O
Penyiapan O
Materi O
Pimpinan O
( O
SI-KSPM O
) O
. O
Masalah B-TUJUAN
yang I-TUJUAN
terdapat I-TUJUAN
dalam I-TUJUAN
sistem I-TUJUAN
berjalan I-TUJUAN
yaitu I-TUJUAN
hasil I-TUJUAN
rekapitulasi I-TUJUAN
MoU-PKS I-TUJUAN
yang I-TUJUAN
terdapat I-TUJUAN
pada I-TUJUAN
sistem I-TUJUAN
berjalan I-TUJUAN
tidak I-TUJUAN
sesuai I-TUJUAN
dengan I-TUJUAN
kebutuhan I-TUJUAN
laporan I-TUJUAN
admin I-TUJUAN
kepada I-TUJUAN
pimpinan. I-TUJUAN
Sehingga I-TUJUAN
perlunya I-TUJUAN
dilakukan I-TUJUAN
pengembangan I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
untuk I-TUJUAN
dapat I-TUJUAN
mengatasi I-TUJUAN
masalah I-TUJUAN
tersebut. I-TUJUAN
Dalam O
mengembangkan O
ini O
, O
peneliti O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
pendekatan I-METODE
model I-METODE
waterfall I-METODE
untuk O
pengembangan O
sistem O
yang O
diaplikasikan O
menggunakan O
bahasa O
pemrograman O
PHP O
dengan O
framework O
Laravel. O
Metode O
uji O
coba O
dan O
evaluasi O
yang O
digunakan O
penulis O
dalam O
penelitian O
yaitu O
Black-Box B-METODE
Testing I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Hasil B-TEMUAN
yang I-TEMUAN
didapatkan I-TEMUAN
dari I-TEMUAN
Black- I-TEMUAN
Box I-TEMUAN
Testing I-TEMUAN
adalah I-TEMUAN
semua I-TEMUAN
fitur I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
fungsinya I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
SUS I-TEMUAN
yang I-TEMUAN
dilakukan I-TEMUAN
menghasilkan I-TEMUAN
skor I-TEMUAN
sebesar I-TEMUAN
83,93 I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
diusulkan I-TEMUAN
sudah I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
layak I-TEMUAN
digunakan. I-TEMUAN
sistem O
Kata O
Kunci— O
Pengembangan O
Sistem O
, O
Sistem O
Informasi O
, O
SDLC O
, O
Model O
Waterfall O
, O
System O
Usability O
Scale. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
kesimpulan O
yang O
dihasilkan O
penulis O
sebagai O
berikut O
: O
1. O
Sistem O
telah O
menyediakan O
laporan O
final O
MoU-PKS O
untuk O
satuan O
kerja O
di O
BPS O
RI. O
2. O
Sistem O
telah O
menampilkan O
rekap O
laporan O
MoU-PKS O
BPS O
RI O
dan O
Daerah O
dalam O
satu O
fitur. O
3. O
Sistem O
telah O
menyediakan O
pilihan O
tahun O
dan O
wilayah O
untuk O
tampilan O
grafik O
bar O
chart O
pada O
tab O
Statistik O
MoU- O
PKS. O
4. O
Sistem O
telah O
menampilkan O
rekap O
jumlah O
MoU-PKS O
secara O
berhierarki. O
5. O
Sistem O
telah O
menampilkan O
rekap O
saldo O
PKS O
secara O
berhierarki. O

Sistem O
Informasi O
Kerja O
Sama O
Protokol O
dan O
Penyiapan O
Materi O
Pimpinan O
Modul O
Admin O
dan O
Modul O
Kerja O
Sama O
Pusat O
221709496 O
, O
Adrian O
Devano O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
MT. O
Ringkasan— O
Rekapitulasi O
dan O
pelaporan O
kerja O
sama O
yang O
dilakukan O
oleh O
setiap O
satuan O
kerja O
di O
BPS O
merupakan O
salah O
satu O
tugas O
dari O
Sub O
Bagian O
Kerja O
Sama O
dan O
Hubungan O
Kelembagaan. O
Proses O
rekapitulasi O
dan O
pelaporan O
disusun O
secara O
manual O
menggunakan O
Microsoft O
Excel O
dikarenakan O
terdapat O
masalah O
pada O
Sistem O
Informasi O
Kerja O
Sama O
Protokol O
dan O
Penyiapan O
Materi O
Pimpinan O
( O
SI-KSPM O
) O
. O
Masalah B-TUJUAN
yang I-TUJUAN
terdapat I-TUJUAN
dalam I-TUJUAN
sistem I-TUJUAN
berjalan I-TUJUAN
yaitu I-TUJUAN
hasil I-TUJUAN
rekapitulasi I-TUJUAN
MoU-PKS I-TUJUAN
yang I-TUJUAN
terdapat I-TUJUAN
pada I-TUJUAN
sistem I-TUJUAN
berjalan I-TUJUAN
tidak I-TUJUAN
sesuai I-TUJUAN
dengan I-TUJUAN
kebutuhan I-TUJUAN
laporan I-TUJUAN
admin I-TUJUAN
kepada I-TUJUAN
pimpinan. I-TUJUAN
Sehingga I-TUJUAN
perlunya I-TUJUAN
dilakukan I-TUJUAN
pengembangan I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
untuk I-TUJUAN
dapat I-TUJUAN
mengatasi I-TUJUAN
masalah I-TUJUAN
tersebut. I-TUJUAN
Dalam O
mengembangkan O
ini O
, O
peneliti O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
pendekatan I-METODE
model I-METODE
waterfall I-METODE
untuk O
pengembangan O
sistem O
yang O
diaplikasikan O
menggunakan O
bahasa O
pemrograman O
PHP O
dengan O
framework O
Laravel. O
Metode O
uji O
coba O
dan O
evaluasi O
yang O
digunakan O
penulis O
dalam O
penelitian O
yaitu O
Black-Box B-METODE
Testing I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Hasil B-TEMUAN
yang I-TEMUAN
didapatkan I-TEMUAN
dari I-TEMUAN
Black- I-TEMUAN
Box I-TEMUAN
Testing I-TEMUAN
adalah I-TEMUAN
semua I-TEMUAN
fitur I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
fungsinya I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
SUS I-TEMUAN
yang I-TEMUAN
dilakukan I-TEMUAN
menghasilkan I-TEMUAN
skor I-TEMUAN
sebesar I-TEMUAN
83,93 I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
diusulkan I-TEMUAN
sudah I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
layak I-TEMUAN
digunakan. I-TEMUAN
sistem O
Kata O
Kunci— O
Pengembangan O
Sistem O
, O
Sistem O
Informasi O
, O
SDLC O
, O
Model O
Waterfall O
, O
System O
Usability O
Scale. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
kesimpulan O
yang O
dihasilkan O
penulis O
sebagai O
berikut O
: O
1. O
Sistem O
telah O
menyediakan O
laporan O
final O
MoU-PKS O
untuk O
satuan O
kerja O
di O
BPS O
RI. O
2. O
Sistem O
telah O
menampilkan O
rekap O
laporan O
MoU-PKS O
BPS O
RI O
dan O
Daerah O
dalam O
satu O
fitur. O
3. O
Sistem O
telah O
menyediakan O
pilihan O
tahun O
dan O
wilayah O
untuk O
tampilan O
grafik O
bar O
chart O
pada O
tab O
Statistik O
MoU- O
PKS. O
4. O
Sistem O
telah O
menampilkan O
rekap O
jumlah O
MoU-PKS O
secara O
berhierarki. O
5. O
Sistem O
telah O
menampilkan O
rekap O
saldo O
PKS O
secara O
berhierarki. O

Sistem O
Informasi O
Kerja O
Sama O
Protokol O
dan O
Penyiapan O
Materi O
Pimpinan O
Modul O
Admin O
dan O
Modul O
Kerja O
Sama O
Pusat O
221709496 O
, O
Adrian O
Devano O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
MT. O
Ringkasan— O
Rekapitulasi O
dan O
pelaporan O
kerja O
sama O
yang O
dilakukan O
oleh O
setiap O
satuan O
kerja O
di O
BPS O
merupakan O
salah O
satu O
tugas O
dari O
Sub O
Bagian O
Kerja O
Sama O
dan O
Hubungan O
Kelembagaan. O
Proses O
rekapitulasi O
dan O
pelaporan O
disusun O
secara O
manual O
menggunakan O
Microsoft O
Excel O
dikarenakan O
terdapat O
masalah O
pada O
Sistem O
Informasi O
Kerja O
Sama O
Protokol O
dan O
Penyiapan O
Materi O
Pimpinan O
( O
SI-KSPM O
) O
. O
Masalah B-TUJUAN
yang I-TUJUAN
terdapat I-TUJUAN
dalam I-TUJUAN
sistem I-TUJUAN
berjalan I-TUJUAN
yaitu I-TUJUAN
hasil I-TUJUAN
rekapitulasi I-TUJUAN
MoU-PKS I-TUJUAN
yang I-TUJUAN
terdapat I-TUJUAN
pada I-TUJUAN
sistem I-TUJUAN
berjalan I-TUJUAN
tidak I-TUJUAN
sesuai I-TUJUAN
dengan I-TUJUAN
kebutuhan I-TUJUAN
laporan I-TUJUAN
admin I-TUJUAN
kepada I-TUJUAN
pimpinan. I-TUJUAN
Sehingga I-TUJUAN
perlunya I-TUJUAN
dilakukan I-TUJUAN
pengembangan I-TUJUAN
sistem I-TUJUAN
informasi I-TUJUAN
untuk I-TUJUAN
dapat I-TUJUAN
mengatasi I-TUJUAN
masalah I-TUJUAN
tersebut. I-TUJUAN
Dalam O
mengembangkan O
ini O
, O
peneliti O
menggunakan O
metode B-METODE
System I-METODE
Development I-METODE
Life I-METODE
Cycle I-METODE
( I-METODE
SDLC I-METODE
) I-METODE
pendekatan I-METODE
model I-METODE
waterfall I-METODE
untuk O
pengembangan O
sistem O
yang O
diaplikasikan O
menggunakan O
bahasa O
pemrograman O
PHP O
dengan O
framework O
Laravel. O
Metode O
uji O
coba O
dan O
evaluasi O
yang O
digunakan O
penulis O
dalam O
penelitian O
yaitu O
Black-Box B-METODE
Testing I-METODE
dan I-METODE
System I-METODE
Usability I-METODE
Scale I-METODE
( I-METODE
SUS I-METODE
) I-METODE
. O
Hasil B-TEMUAN
yang I-TEMUAN
didapatkan I-TEMUAN
dari I-TEMUAN
Black- I-TEMUAN
Box I-TEMUAN
Testing I-TEMUAN
adalah I-TEMUAN
semua I-TEMUAN
fitur I-TEMUAN
berjalan I-TEMUAN
sesuai I-TEMUAN
dengan I-TEMUAN
fungsinya I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
hasil I-TEMUAN
pengujian I-TEMUAN
SUS I-TEMUAN
yang I-TEMUAN
dilakukan I-TEMUAN
menghasilkan I-TEMUAN
skor I-TEMUAN
sebesar I-TEMUAN
83,93 I-TEMUAN
yang I-TEMUAN
berarti I-TEMUAN
sistem I-TEMUAN
yang I-TEMUAN
diusulkan I-TEMUAN
sudah I-TEMUAN
baik I-TEMUAN
dan I-TEMUAN
layak I-TEMUAN
digunakan. I-TEMUAN
sistem O
Kata O
Kunci— O
Pengembangan O
Sistem O
, O
Sistem O
Informasi O
, O
SDLC O
, O
Model O
Waterfall O
, O
System O
Usability O
Scale. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
, O
kesimpulan O
yang O
dihasilkan O
penulis O
sebagai O
berikut O
: O
1. O
Sistem O
telah O
menyediakan O
laporan O
final O
MoU-PKS O
untuk O
satuan O
kerja O
di O
BPS O
RI. O
2. O
Sistem O
telah O
menampilkan O
rekap O
laporan O
MoU-PKS O
BPS O
RI O
dan O
Daerah O
dalam O
satu O
fitur. O
3. O
Sistem O
telah O
menyediakan O
pilihan O
tahun O
dan O
wilayah O
untuk O
tampilan O
grafik O
bar O
chart O
pada O
tab O
Statistik O
MoU- O
PKS. O
4. O
Sistem O
telah O
menampilkan O
rekap O
jumlah O
MoU-PKS O
secara O
berhierarki. O
5. O
Sistem O
telah O
menampilkan O
rekap O
saldo O
PKS O
secara O
berhierarki. O

Penyebaran O
Informasi O
Promosi O
Sensus O
Penduduk O
Online O
dengan O
Metode O
SNA O
dalam O
Upaya O
Komunikasi O
Pemasaran O
Studi O
Kasus O
: O
Media O
Sosial O
Twitter O
Achmad O
Fadli O
( O
221709490 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M.Stat O
atau O
Ringkasan— O
Media O
sosial O
sudah O
menjadi O
salah O
satu O
platform O
utama O
dalam O
penyebaran O
informasi O
saat O
ini. O
Dengan O
segala O
interaksi O
sosial O
yang O
mungkin O
terjadi O
di O
dalamnya O
, O
media O
sosial O
berpotensi O
menghadirkan O
keuntungan O
dalam O
komunikasi O
pemasaran O
terhadap O
produk O
event O
baru O
dengan O
mempelajari O
mekanisme O
penyebaran O
informasinya. O
Riset O
ini O
bertujuan O
untuk O
melakukan B-TUJUAN
analisis I-TUJUAN
mekanisme I-TUJUAN
dari I-TUJUAN
penyebaran I-TUJUAN
informasi I-TUJUAN
terkait I-TUJUAN
Sensus I-TUJUAN
Penduduk I-TUJUAN
Online I-TUJUAN
( I-TUJUAN
SPO I-TUJUAN
) I-TUJUAN
yang I-TUJUAN
pertama I-TUJUAN
kali I-TUJUAN
diadakan I-TUJUAN
tahun I-TUJUAN
2020 I-TUJUAN
, O
menggunakan B-METODE
metode I-METODE
Social I-METODE
Network I-METODE
Analysis I-METODE
( I-METODE
SNA I-METODE
) I-METODE
. I-METODE
Hasil B-TEMUAN
analisis I-TEMUAN
memperlihatkan I-TEMUAN
kecenderungan I-TEMUAN
dari I-TEMUAN
karakteristik I-TEMUAN
pelaku I-TEMUAN
penyebar I-TEMUAN
informasi I-TEMUAN
didominasi I-TEMUAN
oleh I-TEMUAN
user I-TEMUAN
biasa I-TEMUAN
, I-TEMUAN
dengan I-TEMUAN
mekanisme I-TEMUAN
paling I-TEMUAN
efektif I-TEMUAN
menggunakan I-TEMUAN
instansi I-TEMUAN
pemerintah I-TEMUAN
sebagai I-TEMUAN
inisiator. I-TEMUAN
Dari O
nilai O
engagement O
rate O
yang O
diperoleh O
juga O
dapat O
disimpulkan O
bahwa O
pelaku B-TEMUAN
yang I-TEMUAN
terlibat I-TEMUAN
dalam I-TEMUAN
penyebaran I-TEMUAN
informasi I-TEMUAN
SPO I-TEMUAN
sudah I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
1,077 I-TEMUAN
% I-TEMUAN
secara I-TEMUAN
keseluruhan I-TEMUAN
, O
namun O
pengaruh O
yang O
diberikan O
dapat O
ditingkatkan O
khususnya O
bagi O
user O
dengan O
banyak O
followeruntuk O
event O
lain O
ke O
depannya. O
Kata O
Kunci— O
Penyebaran O
Informasi O
, O
SNA O
, O
Media O
Sosial O
, O
Engagement. O
[SEP] O
Dengan O
tujuan O
untuk O
menganalisis B-TUJUAN
bagaimana I-TUJUAN
proses I-TUJUAN
penyebaran I-TUJUAN
informasi I-TUJUAN
di I-TUJUAN
media I-TUJUAN
sosial I-TUJUAN
mengenai I-TUJUAN
suatu I-TUJUAN
event I-TUJUAN
baru I-TUJUAN
yang I-TUJUAN
akan I-TUJUAN
dilakukan I-TUJUAN
oleh I-TUJUAN
instansi I-TUJUAN
pemerintah I-TUJUAN
, O
penulis O
telah O
berhasil O
memodelkan O
proses O
penyebaran O
informasi O
dengan O
menampilkan O
visualisasi O
dari O
mekanisme O
penyebaran O
informasi O
dari O
beberapa O
key O
player O
menggunakan O
metode B-METODE
SNA. I-METODE
Hasil O
yang O
diperoleh O
antara O
lain O
: O
● O
Karakteristik B-TEMUAN
penyebar I-TEMUAN
informasi I-TEMUAN
SPO I-TEMUAN
didominasi I-TEMUAN
dari I-TEMUAN
jenis I-TEMUAN
user I-TEMUAN
biasa I-TEMUAN
, I-TEMUAN
dengan I-TEMUAN
kebanyakan I-TEMUAN
user I-TEMUAN
memiliki I-TEMUAN
nilai I-TEMUAN
ER I-TEMUAN
= I-TEMUAN
0 I-TEMUAN
atau I-TEMUAN
tidak I-TEMUAN
memiliki I-TEMUAN
pengaruh I-TEMUAN
, I-TEMUAN
sedangkan I-TEMUAN
secara I-TEMUAN
keseluruhan I-TEMUAN
nilai I-TEMUAN
ER I-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
sudah I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
1,077 I-TEMUAN
% I-TEMUAN
. O
● O
Berdasarkan B-TEMUAN
network I-TEMUAN
yang I-TEMUAN
terbentuk I-TEMUAN
, I-TEMUAN
diperoleh I-TEMUAN
besaran I-TEMUAN
rata-rata I-TEMUAN
degree I-TEMUAN
1,239 I-TEMUAN
yang I-TEMUAN
artinya I-TEMUAN
pada I-TEMUAN
network I-TEMUAN
ini I-TEMUAN
rata-rata I-TEMUAN
1 I-TEMUAN
user I-TEMUAN
meneruskan I-TEMUAN
informasi I-TEMUAN
kepada I-TEMUAN
1 I-TEMUAN
user I-TEMUAN
lain. I-TEMUAN
Dengan I-TEMUAN
diameter I-TEMUAN
sebesar I-TEMUAN
7 I-TEMUAN
dan I-TEMUAN
modularity I-TEMUAN
0,593 I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
dikatakan I-TEMUAN
network I-TEMUAN
ini I-TEMUAN
didominasi I-TEMUAN
oleh I-TEMUAN
5 I-TEMUAN
komunitas I-TEMUAN
berdasarkan I-TEMUAN
closeness I-TEMUAN
centrality-nya. I-TEMUAN
● O
Dinilai O
dari O
besaran O
ER O
baik O
rata-rata O
maupun O
distribusinya O
, O
efektifitas O
penyebaran O
informasi O
dari O
user O
yang O
terlibat O
sudah O
cukup O
baik O
namun O
dapat O
dievaluasi O
dengan O
menaikan O
engagement O
yang O
diberikan O
baik O
oleh O
user O
dengan O
follower O
sedikit O
maupun O
oleh O
user O
yang O
memiliki O
follower O
banyak. O
Karena O
bisa O
jadi O
konten O
yang O
dilihat O
1.000 O
orang O
dan O
aktif O
memberikan O
respon O
, O
lebih O
baik O
ketimbang O
dilihat O
100.000 O
orang O
namun O
tidak O
merespon O
konten O
sama O
sekali. O
Meski O
, O
kembali O
lagi O
, O
tergantung O
objective O
atau O
tujuan O
yang O
ditetapkan. O
Atau O
sebagai O
alternatif O
bisa O
melibatkan O
public O
figure O
yang O
7 O
/ O
8 O
memiliki O
image O
dan O
engagement O
yang O
baik O
terhadap O
pengikutnya O
untuk O
memperluas O
tersebarnya O
informasi. O
● O
Mekanisme O
paling O
dengan O
optimal O
menggunakan O
akun O
instansi O
pemerintah O
sebagai O
inisiator O
, O
dimana O
kepercayaan O
publik O
terhadap O
sumber O
informasi O
yang O
disebarkan O
meningkatkan O
informasi O
tersebar. O
diperoleh O
jumlah O
Dari O
penelitian O
ini O
diperoleh O
wawasan O
mengenai O
proses O
penyebaran O
informasi O
dari O
event O
Sensus O
Penduduk O
Online O
yang O
telah O
dilakukan O
oleh O
BPS. O
Dengan O
mengetahui O
mekanisme O
dan O
nilai O
optimal O
dari O
engagement O
yang O
diberikan O
, O
organisasi O
dapat O
memahami O
karakteristik O
audiens. O
Hal O
tersebut O
dapat O
membantu O
dalam O
merumuskan O
strategi O
marketing O
yang O
baik O
dalam O
memasarkan O
event O
yang O
ingin O
diperkenalkan O
secara O
efektif O
dengan O
respons O
positif. O
Penelitian O
ini O
tentu O
tidak O
luput O
dari O
kekurangan O
dan O
sangat O
terbuka O
untuk O
dikembangkan O
dalam O
penelitian O
lebih O
lanjut. O
juga O
menyarankan O
menggunakan O
metode O
Penulis O
pengumpulan O
data O
yang O
lebih O
baik O
lagi O
, O
khususnya O
yang O
mampu O
mengurangi O
batasan O
untuk O
memperoleh O
data O
historical. O
Karena O
pada O
penelitian O
ini O
penulis O
menggunakan O
metode O
pengumpulan O
data O
yang O
bersifat O
open-source O
sehingga O
terdapat O
banyak O
keterbatasan O
dalam O
memperoleh O
data. O
Selain O
itu O
juga O
jika O
memungkinkan O
disarankan O
untuk O
membuat O
model O
figure O
mekanisme O
penyebaran O
berlaku O
sebagai O
inisiator. O
Menerapkan O
mekanisme O
ilustrasi O
lain O
seperti O
public O
figure O
sebagai O
inisiator. O
informasi O
dengan O
public O

Penyebaran O
Informasi O
Promosi O
Sensus O
Penduduk O
Online O
dengan O
Metode O
SNA O
dalam O
Upaya O
Komunikasi O
Pemasaran O
Studi O
Kasus O
: O
Media O
Sosial O
Twitter O
Achmad O
Fadli O
( O
221709490 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M.Stat O
atau O
Ringkasan— O
Media O
sosial O
sudah O
menjadi O
salah O
satu O
platform O
utama O
dalam O
penyebaran O
informasi O
saat O
ini. O
Dengan O
segala O
interaksi O
sosial O
yang O
mungkin O
terjadi O
di O
dalamnya O
, O
media O
sosial O
berpotensi O
menghadirkan O
keuntungan O
dalam O
komunikasi O
pemasaran O
terhadap O
produk O
event O
baru O
dengan O
mempelajari O
mekanisme O
penyebaran O
informasinya. O
Riset O
ini O
bertujuan O
untuk O
melakukan B-TUJUAN
analisis I-TUJUAN
mekanisme I-TUJUAN
dari I-TUJUAN
penyebaran I-TUJUAN
informasi I-TUJUAN
terkait I-TUJUAN
Sensus I-TUJUAN
Penduduk I-TUJUAN
Online I-TUJUAN
( I-TUJUAN
SPO I-TUJUAN
) I-TUJUAN
yang I-TUJUAN
pertama I-TUJUAN
kali I-TUJUAN
diadakan I-TUJUAN
tahun I-TUJUAN
2020 I-TUJUAN
, O
menggunakan B-METODE
metode I-METODE
Social I-METODE
Network I-METODE
Analysis I-METODE
( I-METODE
SNA I-METODE
) I-METODE
. I-METODE
Hasil B-TEMUAN
analisis I-TEMUAN
memperlihatkan I-TEMUAN
kecenderungan I-TEMUAN
dari I-TEMUAN
karakteristik I-TEMUAN
pelaku I-TEMUAN
penyebar I-TEMUAN
informasi I-TEMUAN
didominasi I-TEMUAN
oleh I-TEMUAN
user I-TEMUAN
biasa I-TEMUAN
, I-TEMUAN
dengan I-TEMUAN
mekanisme I-TEMUAN
paling I-TEMUAN
efektif I-TEMUAN
menggunakan I-TEMUAN
instansi I-TEMUAN
pemerintah I-TEMUAN
sebagai I-TEMUAN
inisiator. I-TEMUAN
Dari O
nilai O
engagement O
rate O
yang O
diperoleh O
juga O
dapat O
disimpulkan O
bahwa O
pelaku B-TEMUAN
yang I-TEMUAN
terlibat I-TEMUAN
dalam I-TEMUAN
penyebaran I-TEMUAN
informasi I-TEMUAN
SPO I-TEMUAN
sudah I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
1,077 I-TEMUAN
% I-TEMUAN
secara I-TEMUAN
keseluruhan I-TEMUAN
, O
namun O
pengaruh O
yang O
diberikan O
dapat O
ditingkatkan O
khususnya O
bagi O
user O
dengan O
banyak O
followeruntuk O
event O
lain O
ke O
depannya. O
Kata O
Kunci— O
Penyebaran O
Informasi O
, O
SNA O
, O
Media O
Sosial O
, O
Engagement. O
[SEP] O
Dengan O
tujuan O
untuk O
menganalisis B-TUJUAN
bagaimana I-TUJUAN
proses I-TUJUAN
penyebaran I-TUJUAN
informasi I-TUJUAN
di I-TUJUAN
media I-TUJUAN
sosial I-TUJUAN
mengenai I-TUJUAN
suatu I-TUJUAN
event I-TUJUAN
baru I-TUJUAN
yang I-TUJUAN
akan I-TUJUAN
dilakukan I-TUJUAN
oleh I-TUJUAN
instansi I-TUJUAN
pemerintah I-TUJUAN
, O
penulis O
telah O
berhasil O
memodelkan O
proses O
penyebaran O
informasi O
dengan O
menampilkan O
visualisasi O
dari O
mekanisme O
penyebaran O
informasi O
dari O
beberapa O
key O
player O
menggunakan O
metode B-METODE
SNA. I-METODE
Hasil O
yang O
diperoleh O
antara O
lain O
: O
● O
Karakteristik B-TEMUAN
penyebar I-TEMUAN
informasi I-TEMUAN
SPO I-TEMUAN
didominasi I-TEMUAN
dari I-TEMUAN
jenis I-TEMUAN
user I-TEMUAN
biasa I-TEMUAN
, I-TEMUAN
dengan I-TEMUAN
kebanyakan I-TEMUAN
user I-TEMUAN
memiliki I-TEMUAN
nilai I-TEMUAN
ER I-TEMUAN
= I-TEMUAN
0 I-TEMUAN
atau I-TEMUAN
tidak I-TEMUAN
memiliki I-TEMUAN
pengaruh I-TEMUAN
, I-TEMUAN
sedangkan I-TEMUAN
secara I-TEMUAN
keseluruhan I-TEMUAN
nilai I-TEMUAN
ER I-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
sudah I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
1,077 I-TEMUAN
% I-TEMUAN
. O
● O
Berdasarkan B-TEMUAN
network I-TEMUAN
yang I-TEMUAN
terbentuk I-TEMUAN
, I-TEMUAN
diperoleh I-TEMUAN
besaran I-TEMUAN
rata-rata I-TEMUAN
degree I-TEMUAN
1,239 I-TEMUAN
yang I-TEMUAN
artinya I-TEMUAN
pada I-TEMUAN
network I-TEMUAN
ini I-TEMUAN
rata-rata I-TEMUAN
1 I-TEMUAN
user I-TEMUAN
meneruskan I-TEMUAN
informasi I-TEMUAN
kepada I-TEMUAN
1 I-TEMUAN
user I-TEMUAN
lain. I-TEMUAN
Dengan I-TEMUAN
diameter I-TEMUAN
sebesar I-TEMUAN
7 I-TEMUAN
dan I-TEMUAN
modularity I-TEMUAN
0,593 I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
dikatakan I-TEMUAN
network I-TEMUAN
ini I-TEMUAN
didominasi I-TEMUAN
oleh I-TEMUAN
5 I-TEMUAN
komunitas I-TEMUAN
berdasarkan I-TEMUAN
closeness I-TEMUAN
centrality-nya. I-TEMUAN
● O
Dinilai O
dari O
besaran O
ER O
baik O
rata-rata O
maupun O
distribusinya O
, O
efektifitas O
penyebaran O
informasi O
dari O
user O
yang O
terlibat O
sudah O
cukup O
baik O
namun O
dapat O
dievaluasi O
dengan O
menaikan O
engagement O
yang O
diberikan O
baik O
oleh O
user O
dengan O
follower O
sedikit O
maupun O
oleh O
user O
yang O
memiliki O
follower O
banyak. O
Karena O
bisa O
jadi O
konten O
yang O
dilihat O
1.000 O
orang O
dan O
aktif O
memberikan O
respon O
, O
lebih O
baik O
ketimbang O
dilihat O
100.000 O
orang O
namun O
tidak O
merespon O
konten O
sama O
sekali. O
Meski O
, O
kembali O
lagi O
, O
tergantung O
objective O
atau O
tujuan O
yang O
ditetapkan. O
Atau O
sebagai O
alternatif O
bisa O
melibatkan O
public O
figure O
yang O
7 O
/ O
8 O
memiliki O
image O
dan O
engagement O
yang O
baik O
terhadap O
pengikutnya O
untuk O
memperluas O
tersebarnya O
informasi. O
● O
Mekanisme O
paling O
dengan O
optimal O
menggunakan O
akun O
instansi O
pemerintah O
sebagai O
inisiator O
, O
dimana O
kepercayaan O
publik O
terhadap O
sumber O
informasi O
yang O
disebarkan O
meningkatkan O
informasi O
tersebar. O
diperoleh O
jumlah O
Dari O
penelitian O
ini O
diperoleh O
wawasan O
mengenai O
proses O
penyebaran O
informasi O
dari O
event O
Sensus O
Penduduk O
Online O
yang O
telah O
dilakukan O
oleh O
BPS. O
Dengan O
mengetahui O
mekanisme O
dan O
nilai O
optimal O
dari O
engagement O
yang O
diberikan O
, O
organisasi O
dapat O
memahami O
karakteristik O
audiens. O
Hal O
tersebut O
dapat O
membantu O
dalam O
merumuskan O
strategi O
marketing O
yang O
baik O
dalam O
memasarkan O
event O
yang O
ingin O
diperkenalkan O
secara O
efektif O
dengan O
respons O
positif. O
Penelitian O
ini O
tentu O
tidak O
luput O
dari O
kekurangan O
dan O
sangat O
terbuka O
untuk O
dikembangkan O
dalam O
penelitian O
lebih O
lanjut. O
juga O
menyarankan O
menggunakan O
metode O
Penulis O
pengumpulan O
data O
yang O
lebih O
baik O
lagi O
, O
khususnya O
yang O
mampu O
mengurangi O
batasan O
untuk O
memperoleh O
data O
historical. O
Karena O
pada O
penelitian O
ini O
penulis O
menggunakan O
metode O
pengumpulan O
data O
yang O
bersifat O
open-source O
sehingga O
terdapat O
banyak O
keterbatasan O
dalam O
memperoleh O
data. O
Selain O
itu O
juga O
jika O
memungkinkan O
disarankan O
untuk O
membuat O
model O
figure O
mekanisme O
penyebaran O
berlaku O
sebagai O
inisiator. O
Menerapkan O
mekanisme O
ilustrasi O
lain O
seperti O
public O
figure O
sebagai O
inisiator. O
informasi O
dengan O
public O

Penyebaran O
Informasi O
Promosi O
Sensus O
Penduduk O
Online O
dengan O
Metode O
SNA O
dalam O
Upaya O
Komunikasi O
Pemasaran O
Studi O
Kasus O
: O
Media O
Sosial O
Twitter O
Achmad O
Fadli O
( O
221709490 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M.Stat O
atau O
Ringkasan— O
Media O
sosial O
sudah O
menjadi O
salah O
satu O
platform O
utama O
dalam O
penyebaran O
informasi O
saat O
ini. O
Dengan O
segala O
interaksi O
sosial O
yang O
mungkin O
terjadi O
di O
dalamnya O
, O
media O
sosial O
berpotensi O
menghadirkan O
keuntungan O
dalam O
komunikasi O
pemasaran O
terhadap O
produk O
event O
baru O
dengan O
mempelajari O
mekanisme O
penyebaran O
informasinya. O
Riset O
ini O
bertujuan O
untuk O
melakukan B-TUJUAN
analisis I-TUJUAN
mekanisme I-TUJUAN
dari I-TUJUAN
penyebaran I-TUJUAN
informasi I-TUJUAN
terkait I-TUJUAN
Sensus I-TUJUAN
Penduduk I-TUJUAN
Online I-TUJUAN
( I-TUJUAN
SPO I-TUJUAN
) I-TUJUAN
yang I-TUJUAN
pertama I-TUJUAN
kali I-TUJUAN
diadakan I-TUJUAN
tahun I-TUJUAN
2020 I-TUJUAN
, O
menggunakan B-METODE
metode I-METODE
Social I-METODE
Network I-METODE
Analysis I-METODE
( I-METODE
SNA I-METODE
) I-METODE
. I-METODE
Hasil B-TEMUAN
analisis I-TEMUAN
memperlihatkan I-TEMUAN
kecenderungan I-TEMUAN
dari I-TEMUAN
karakteristik I-TEMUAN
pelaku I-TEMUAN
penyebar I-TEMUAN
informasi I-TEMUAN
didominasi I-TEMUAN
oleh I-TEMUAN
user I-TEMUAN
biasa I-TEMUAN
, I-TEMUAN
dengan I-TEMUAN
mekanisme I-TEMUAN
paling I-TEMUAN
efektif I-TEMUAN
menggunakan I-TEMUAN
instansi I-TEMUAN
pemerintah I-TEMUAN
sebagai I-TEMUAN
inisiator. I-TEMUAN
Dari O
nilai O
engagement O
rate O
yang O
diperoleh O
juga O
dapat O
disimpulkan O
bahwa O
pelaku B-TEMUAN
yang I-TEMUAN
terlibat I-TEMUAN
dalam I-TEMUAN
penyebaran I-TEMUAN
informasi I-TEMUAN
SPO I-TEMUAN
sudah I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
1,077 I-TEMUAN
% I-TEMUAN
secara I-TEMUAN
keseluruhan I-TEMUAN
, O
namun O
pengaruh O
yang O
diberikan O
dapat O
ditingkatkan O
khususnya O
bagi O
user O
dengan O
banyak O
followeruntuk O
event O
lain O
ke O
depannya. O
Kata O
Kunci— O
Penyebaran O
Informasi O
, O
SNA O
, O
Media O
Sosial O
, O
Engagement. O
[SEP] O
Dengan O
tujuan O
untuk O
menganalisis B-TUJUAN
bagaimana I-TUJUAN
proses I-TUJUAN
penyebaran I-TUJUAN
informasi I-TUJUAN
di I-TUJUAN
media I-TUJUAN
sosial I-TUJUAN
mengenai I-TUJUAN
suatu I-TUJUAN
event I-TUJUAN
baru I-TUJUAN
yang I-TUJUAN
akan I-TUJUAN
dilakukan I-TUJUAN
oleh I-TUJUAN
instansi I-TUJUAN
pemerintah I-TUJUAN
, O
penulis O
telah O
berhasil O
memodelkan O
proses O
penyebaran O
informasi O
dengan O
menampilkan O
visualisasi O
dari O
mekanisme O
penyebaran O
informasi O
dari O
beberapa O
key O
player O
menggunakan O
metode B-METODE
SNA. I-METODE
Hasil O
yang O
diperoleh O
antara O
lain O
: O
● O
Karakteristik B-TEMUAN
penyebar I-TEMUAN
informasi I-TEMUAN
SPO I-TEMUAN
didominasi I-TEMUAN
dari I-TEMUAN
jenis I-TEMUAN
user I-TEMUAN
biasa I-TEMUAN
, I-TEMUAN
dengan I-TEMUAN
kebanyakan I-TEMUAN
user I-TEMUAN
memiliki I-TEMUAN
nilai I-TEMUAN
ER I-TEMUAN
= I-TEMUAN
0 I-TEMUAN
atau I-TEMUAN
tidak I-TEMUAN
memiliki I-TEMUAN
pengaruh I-TEMUAN
, I-TEMUAN
sedangkan I-TEMUAN
secara I-TEMUAN
keseluruhan I-TEMUAN
nilai I-TEMUAN
ER I-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
sudah I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
1,077 I-TEMUAN
% I-TEMUAN
. O
● O
Berdasarkan B-TEMUAN
network I-TEMUAN
yang I-TEMUAN
terbentuk I-TEMUAN
, I-TEMUAN
diperoleh I-TEMUAN
besaran I-TEMUAN
rata-rata I-TEMUAN
degree I-TEMUAN
1,239 I-TEMUAN
yang I-TEMUAN
artinya I-TEMUAN
pada I-TEMUAN
network I-TEMUAN
ini I-TEMUAN
rata-rata I-TEMUAN
1 I-TEMUAN
user I-TEMUAN
meneruskan I-TEMUAN
informasi I-TEMUAN
kepada I-TEMUAN
1 I-TEMUAN
user I-TEMUAN
lain. I-TEMUAN
Dengan I-TEMUAN
diameter I-TEMUAN
sebesar I-TEMUAN
7 I-TEMUAN
dan I-TEMUAN
modularity I-TEMUAN
0,593 I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
dikatakan I-TEMUAN
network I-TEMUAN
ini I-TEMUAN
didominasi I-TEMUAN
oleh I-TEMUAN
5 I-TEMUAN
komunitas I-TEMUAN
berdasarkan I-TEMUAN
closeness I-TEMUAN
centrality-nya. I-TEMUAN
● O
Dinilai O
dari O
besaran O
ER O
baik O
rata-rata O
maupun O
distribusinya O
, O
efektifitas O
penyebaran O
informasi O
dari O
user O
yang O
terlibat O
sudah O
cukup O
baik O
namun O
dapat O
dievaluasi O
dengan O
menaikan O
engagement O
yang O
diberikan O
baik O
oleh O
user O
dengan O
follower O
sedikit O
maupun O
oleh O
user O
yang O
memiliki O
follower O
banyak. O
Karena O
bisa O
jadi O
konten O
yang O
dilihat O
1.000 O
orang O
dan O
aktif O
memberikan O
respon O
, O
lebih O
baik O
ketimbang O
dilihat O
100.000 O
orang O
namun O
tidak O
merespon O
konten O
sama O
sekali. O
Meski O
, O
kembali O
lagi O
, O
tergantung O
objective O
atau O
tujuan O
yang O
ditetapkan. O
Atau O
sebagai O
alternatif O
bisa O
melibatkan O
public O
figure O
yang O
7 O
/ O
8 O
memiliki O
image O
dan O
engagement O
yang O
baik O
terhadap O
pengikutnya O
untuk O
memperluas O
tersebarnya O
informasi. O
● O
Mekanisme O
paling O
dengan O
optimal O
menggunakan O
akun O
instansi O
pemerintah O
sebagai O
inisiator O
, O
dimana O
kepercayaan O
publik O
terhadap O
sumber O
informasi O
yang O
disebarkan O
meningkatkan O
informasi O
tersebar. O
diperoleh O
jumlah O
Dari O
penelitian O
ini O
diperoleh O
wawasan O
mengenai O
proses O
penyebaran O
informasi O
dari O
event O
Sensus O
Penduduk O
Online O
yang O
telah O
dilakukan O
oleh O
BPS. O
Dengan O
mengetahui O
mekanisme O
dan O
nilai O
optimal O
dari O
engagement O
yang O
diberikan O
, O
organisasi O
dapat O
memahami O
karakteristik O
audiens. O
Hal O
tersebut O
dapat O
membantu O
dalam O
merumuskan O
strategi O
marketing O
yang O
baik O
dalam O
memasarkan O
event O
yang O
ingin O
diperkenalkan O
secara O
efektif O
dengan O
respons O
positif. O
Penelitian O
ini O
tentu O
tidak O
luput O
dari O
kekurangan O
dan O
sangat O
terbuka O
untuk O
dikembangkan O
dalam O
penelitian O
lebih O
lanjut. O
juga O
menyarankan O
menggunakan O
metode O
Penulis O
pengumpulan O
data O
yang O
lebih O
baik O
lagi O
, O
khususnya O
yang O
mampu O
mengurangi O
batasan O
untuk O
memperoleh O
data O
historical. O
Karena O
pada O
penelitian O
ini O
penulis O
menggunakan O
metode O
pengumpulan O
data O
yang O
bersifat O
open-source O
sehingga O
terdapat O
banyak O
keterbatasan O
dalam O
memperoleh O
data. O
Selain O
itu O
juga O
jika O
memungkinkan O
disarankan O
untuk O
membuat O
model O
figure O
mekanisme O
penyebaran O
berlaku O
sebagai O
inisiator. O
Menerapkan O
mekanisme O
ilustrasi O
lain O
seperti O
public O
figure O
sebagai O
inisiator. O
informasi O
dengan O
public O

Penyebaran O
Informasi O
Promosi O
Sensus O
Penduduk O
Online O
dengan O
Metode O
SNA O
dalam O
Upaya O
Komunikasi O
Pemasaran O
Studi O
Kasus O
: O
Media O
Sosial O
Twitter O
Achmad O
Fadli O
( O
221709490 O
, O
4SD1 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Drs. O
Waris O
Marsisno O
, O
M.Stat O
atau O
Ringkasan— O
Media O
sosial O
sudah O
menjadi O
salah O
satu O
platform O
utama O
dalam O
penyebaran O
informasi O
saat O
ini. O
Dengan O
segala O
interaksi O
sosial O
yang O
mungkin O
terjadi O
di O
dalamnya O
, O
media O
sosial O
berpotensi O
menghadirkan O
keuntungan O
dalam O
komunikasi O
pemasaran O
terhadap O
produk O
event O
baru O
dengan O
mempelajari O
mekanisme O
penyebaran O
informasinya. O
Riset O
ini O
bertujuan O
untuk O
melakukan B-TUJUAN
analisis I-TUJUAN
mekanisme I-TUJUAN
dari I-TUJUAN
penyebaran I-TUJUAN
informasi I-TUJUAN
terkait I-TUJUAN
Sensus I-TUJUAN
Penduduk I-TUJUAN
Online I-TUJUAN
( I-TUJUAN
SPO I-TUJUAN
) I-TUJUAN
yang I-TUJUAN
pertama I-TUJUAN
kali I-TUJUAN
diadakan I-TUJUAN
tahun I-TUJUAN
2020 I-TUJUAN
, O
menggunakan B-METODE
metode I-METODE
Social I-METODE
Network I-METODE
Analysis I-METODE
( I-METODE
SNA I-METODE
) I-METODE
. I-METODE
Hasil B-TEMUAN
analisis I-TEMUAN
memperlihatkan I-TEMUAN
kecenderungan I-TEMUAN
dari I-TEMUAN
karakteristik I-TEMUAN
pelaku I-TEMUAN
penyebar I-TEMUAN
informasi I-TEMUAN
didominasi I-TEMUAN
oleh I-TEMUAN
user I-TEMUAN
biasa I-TEMUAN
, I-TEMUAN
dengan I-TEMUAN
mekanisme I-TEMUAN
paling I-TEMUAN
efektif I-TEMUAN
menggunakan I-TEMUAN
instansi I-TEMUAN
pemerintah I-TEMUAN
sebagai I-TEMUAN
inisiator. I-TEMUAN
Dari O
nilai O
engagement O
rate O
yang O
diperoleh O
juga O
dapat O
disimpulkan O
bahwa O
pelaku B-TEMUAN
yang I-TEMUAN
terlibat I-TEMUAN
dalam I-TEMUAN
penyebaran I-TEMUAN
informasi I-TEMUAN
SPO I-TEMUAN
sudah I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
1,077 I-TEMUAN
% I-TEMUAN
secara I-TEMUAN
keseluruhan I-TEMUAN
, O
namun O
pengaruh O
yang O
diberikan O
dapat O
ditingkatkan O
khususnya O
bagi O
user O
dengan O
banyak O
followeruntuk O
event O
lain O
ke O
depannya. O
Kata O
Kunci— O
Penyebaran O
Informasi O
, O
SNA O
, O
Media O
Sosial O
, O
Engagement. O
[SEP] O
Dengan O
tujuan O
untuk O
menganalisis B-TUJUAN
bagaimana I-TUJUAN
proses I-TUJUAN
penyebaran I-TUJUAN
informasi I-TUJUAN
di I-TUJUAN
media I-TUJUAN
sosial I-TUJUAN
mengenai I-TUJUAN
suatu I-TUJUAN
event I-TUJUAN
baru I-TUJUAN
yang I-TUJUAN
akan I-TUJUAN
dilakukan I-TUJUAN
oleh I-TUJUAN
instansi I-TUJUAN
pemerintah I-TUJUAN
, O
penulis O
telah O
berhasil O
memodelkan O
proses O
penyebaran O
informasi O
dengan O
menampilkan O
visualisasi O
dari O
mekanisme O
penyebaran O
informasi O
dari O
beberapa O
key O
player O
menggunakan O
metode B-METODE
SNA. I-METODE
Hasil O
yang O
diperoleh O
antara O
lain O
: O
● O
Karakteristik B-TEMUAN
penyebar I-TEMUAN
informasi I-TEMUAN
SPO I-TEMUAN
didominasi I-TEMUAN
dari I-TEMUAN
jenis I-TEMUAN
user I-TEMUAN
biasa I-TEMUAN
, I-TEMUAN
dengan I-TEMUAN
kebanyakan I-TEMUAN
user I-TEMUAN
memiliki I-TEMUAN
nilai I-TEMUAN
ER I-TEMUAN
= I-TEMUAN
0 I-TEMUAN
atau I-TEMUAN
tidak I-TEMUAN
memiliki I-TEMUAN
pengaruh I-TEMUAN
, I-TEMUAN
sedangkan I-TEMUAN
secara I-TEMUAN
keseluruhan I-TEMUAN
nilai I-TEMUAN
ER I-TEMUAN
yang I-TEMUAN
diperoleh I-TEMUAN
sudah I-TEMUAN
cukup I-TEMUAN
baik I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
rata-rata I-TEMUAN
1,077 I-TEMUAN
% I-TEMUAN
. O
● O
Berdasarkan B-TEMUAN
network I-TEMUAN
yang I-TEMUAN
terbentuk I-TEMUAN
, I-TEMUAN
diperoleh I-TEMUAN
besaran I-TEMUAN
rata-rata I-TEMUAN
degree I-TEMUAN
1,239 I-TEMUAN
yang I-TEMUAN
artinya I-TEMUAN
pada I-TEMUAN
network I-TEMUAN
ini I-TEMUAN
rata-rata I-TEMUAN
1 I-TEMUAN
user I-TEMUAN
meneruskan I-TEMUAN
informasi I-TEMUAN
kepada I-TEMUAN
1 I-TEMUAN
user I-TEMUAN
lain. I-TEMUAN
Dengan I-TEMUAN
diameter I-TEMUAN
sebesar I-TEMUAN
7 I-TEMUAN
dan I-TEMUAN
modularity I-TEMUAN
0,593 I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
dikatakan I-TEMUAN
network I-TEMUAN
ini I-TEMUAN
didominasi I-TEMUAN
oleh I-TEMUAN
5 I-TEMUAN
komunitas I-TEMUAN
berdasarkan I-TEMUAN
closeness I-TEMUAN
centrality-nya. I-TEMUAN
● O
Dinilai O
dari O
besaran O
ER O
baik O
rata-rata O
maupun O
distribusinya O
, O
efektifitas O
penyebaran O
informasi O
dari O
user O
yang O
terlibat O
sudah O
cukup O
baik O
namun O
dapat O
dievaluasi O
dengan O
menaikan O
engagement O
yang O
diberikan O
baik O
oleh O
user O
dengan O
follower O
sedikit O
maupun O
oleh O
user O
yang O
memiliki O
follower O
banyak. O
Karena O
bisa O
jadi O
konten O
yang O
dilihat O
1.000 O
orang O
dan O
aktif O
memberikan O
respon O
, O
lebih O
baik O
ketimbang O
dilihat O
100.000 O
orang O
namun O
tidak O
merespon O
konten O
sama O
sekali. O
Meski O
, O
kembali O
lagi O
, O
tergantung O
objective O
atau O
tujuan O
yang O
ditetapkan. O
Atau O
sebagai O
alternatif O
bisa O
melibatkan O
public O
figure O
yang O
7 O
/ O
8 O
memiliki O
image O
dan O
engagement O
yang O
baik O
terhadap O
pengikutnya O
untuk O
memperluas O
tersebarnya O
informasi. O
● O
Mekanisme O
paling O
dengan O
optimal O
menggunakan O
akun O
instansi O
pemerintah O
sebagai O
inisiator O
, O
dimana O
kepercayaan O
publik O
terhadap O
sumber O
informasi O
yang O
disebarkan O
meningkatkan O
informasi O
tersebar. O
diperoleh O
jumlah O
Dari O
penelitian O
ini O
diperoleh O
wawasan O
mengenai O
proses O
penyebaran O
informasi O
dari O
event O
Sensus O
Penduduk O
Online O
yang O
telah O
dilakukan O
oleh O
BPS. O
Dengan O
mengetahui O
mekanisme O
dan O
nilai O
optimal O
dari O
engagement O
yang O
diberikan O
, O
organisasi O
dapat O
memahami O
karakteristik O
audiens. O
Hal O
tersebut O
dapat O
membantu O
dalam O
merumuskan O
strategi O
marketing O
yang O
baik O
dalam O
memasarkan O
event O
yang O
ingin O
diperkenalkan O
secara O
efektif O
dengan O
respons O
positif. O
Penelitian O
ini O
tentu O
tidak O
luput O
dari O
kekurangan O
dan O
sangat O
terbuka O
untuk O
dikembangkan O
dalam O
penelitian O
lebih O
lanjut. O
juga O
menyarankan O
menggunakan O
metode O
Penulis O
pengumpulan O
data O
yang O
lebih O
baik O
lagi O
, O
khususnya O
yang O
mampu O
mengurangi O
batasan O
untuk O
memperoleh O
data O
historical. O
Karena O
pada O
penelitian O
ini O
penulis O
menggunakan O
metode O
pengumpulan O
data O
yang O
bersifat O
open-source O
sehingga O
terdapat O
banyak O
keterbatasan O
dalam O
memperoleh O
data. O
Selain O
itu O
juga O
jika O
memungkinkan O
disarankan O
untuk O
membuat O
model O
figure O
mekanisme O
penyebaran O
berlaku O
sebagai O
inisiator. O
Menerapkan O
mekanisme O
ilustrasi O
lain O
seperti O
public O
figure O
sebagai O
inisiator. O
informasi O
dengan O
public O

Estimasi O
Luas O
Panen O
dan O
Produksi O
Tanaman O
Jagung O
Menggunakan O
Pendekatan O
Remote O
Sensing O
( O
Studi O
Kasus O
: O
Kabupaten O
Tuban O
, O
Jawa O
Timur O
Tahun O
2018 O
) O
Abdurrofi O
Robbani O
( O
221709488 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Takdir O
, O
SST. O
, O
M.T. O
Ringkasan— O
Tantangan O
kebutuhan O
data O
dan O
perkembangan O
teknologi O
informasi O
yang O
mana O
memberikan O
akses O
tersedianya O
sumber O
data O
melalui O
big O
data O
menjadi O
alasan O
untuk O
memanfaatkan O
penerapan O
remote B-METODE
sensing I-METODE
pada O
bidang O
pertanian O
khususnya O
tanaman O
jagung O
yang O
menjadi O
fokus O
penelitian. O
Pada O
penelitian O
ini O
dilakukan B-TUJUAN
kajian I-TUJUAN
estimasi I-TUJUAN
luas I-TUJUAN
panen I-TUJUAN
dan I-TUJUAN
produksi I-TUJUAN
tanaman I-TUJUAN
jagung I-TUJUAN
dengan I-TUJUAN
pendekatan I-TUJUAN
remote I-TUJUAN
sensing I-TUJUAN
yang I-TUJUAN
mana I-TUJUAN
bersumber I-TUJUAN
dari I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
dengan I-TUJUAN
pengolahan I-TUJUAN
menggunakan I-TUJUAN
machine I-TUJUAN
learning I-TUJUAN
untuk I-TUJUAN
mengklasifikasi I-TUJUAN
tutupan I-TUJUAN
lahan. I-TUJUAN
Pada O
estimasi O
produksi O
dilakukan O
pendeketan O
lanjutan O
menggunakan O
analisis O
regresi O
non-linear O
untuk O
dan O
diperoleh O
model O
indeks O
EVI O
polinomial O
derajat O
3 O
dengan O
nilai O
R2 B-METODE
0,309 O
dan O
RSE B-METODE
0,00245. O
Hasil B-TEMUAN
dari I-TEMUAN
penghitungan I-TEMUAN
estimasi I-TEMUAN
luas I-TEMUAN
panen I-TEMUAN
tanaman I-TEMUAN
jagung I-TEMUAN
memiliki I-TEMUAN
luas I-TEMUAN
sebesar I-TEMUAN
44.504,91 I-TEMUAN
ha I-TEMUAN
dengan I-TEMUAN
persentase I-TEMUAN
eror I-TEMUAN
8,49 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Sedangkan O
hasil B-TEMUAN
estimasi I-TEMUAN
produksi I-TEMUAN
tanaman I-TEMUAN
jagung I-TEMUAN
didapatkan I-TEMUAN
nilai I-TEMUAN
sebesar I-TEMUAN
265.149,225 I-TEMUAN
ton I-TEMUAN
dengan I-TEMUAN
persentase I-TEMUAN
eror I-TEMUAN
26,52 I-TEMUAN
% I-TEMUAN
. O
Kata O
Kunci— O
Jagung O
, O
Estimasi O
Luas O
Panen O
, O
Estimasi O
Produksi O
, O
Remote O
Sensing O
, O
Machine O
Learning O
, O
Regresi O
Non-Linear. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
yang O
tertulis O
di O
dapatkan O
model O
klasifikasi O
terbaik O
untuk O
klasifikasi B-METODE
tutupan O
lahan O
yaitu O
menggunakan O
algoritma O
Support O
Vector O
Machine O
( O
SVM O
) O
dengan O
overall O
accuracy O
sebesar O
0,941. O
Dari O
model O
tersebut O
juga O
dihitung O
luas O
area O
tiap O
kategori O
dengan O
menghitung O
jumlah O
piksel O
dan O
dikonversi O
ke O
dalam O
hektar. O
Selanjutnya O
didapatkan O
estimasi B-TEMUAN
luas I-TEMUAN
area I-TEMUAN
panen I-TEMUAN
jagung I-TEMUAN
Kabupaten I-TEMUAN
Tuban I-TEMUAN
sebesar I-TEMUAN
44.504,91 I-TEMUAN
ha I-TEMUAN
yang I-TEMUAN
mana I-TEMUAN
jika I-TEMUAN
dilakukan I-TEMUAN
perbandingan I-TEMUAN
dengan I-TEMUAN
data I-TEMUAN
rata-rata I-TEMUAN
luas I-TEMUAN
panen I-TEMUAN
BPS I-TEMUAN
terindikasi I-TEMUAN
overestimate I-TEMUAN
dengan I-TEMUAN
persentase I-TEMUAN
eror I-TEMUAN
8,49 I-TEMUAN
% I-TEMUAN
. O
Sedangkan O
pada O
penghitungan O
estimasi O
produksi O
jagung O
didapatkan O
model O
regresi O
menggunakan O
indeks O
EVI O
dengan O
nilai O
R2 O
sebesar O
0,309 O
dan O
RSE O
sebesar O
0,00245. O
Dari O
model O
tersebut O
diambil O
persamaan O
regresinya O
dan O
dilakukan O
kalkulasi O
pada O
raster O
perkebunan O
jagung O
sehingga O
didapatkan O
hasil B-TEMUAN
estimasi I-TEMUAN
produksi I-TEMUAN
tanaman I-TEMUAN
jagung I-TEMUAN
sebesar I-TEMUAN
265.149,225 I-TEMUAN
ton. I-TEMUAN
Adapun O
nilai O
estimasi O
produksi O
tersebut O
ketika O
dibandingkan O
dengan O
data O
rata-rata O
produksi O
indikasi O
satu O
kali O
panen O
BPS O
menghasilkan O
jagung O
overestimate O
dengan O
persentase O
eror O
sebesar O
26,52 O
% O
. O
Perbedaan O
nilai O
tersebut O
dapat O
terjadi O
selain O
karena O
eror O
yang O
dihasilkan O
dalam O
proses O
klasifikasi O
maupun O
model O
regresi O
yang O
7 O
/ O
8 O
agar O
memperhatikan O
dipakai O
juga O
karena O
adanya O
asumsi O
yang O
digunakan O
dalam O
penghitungan O
rata-rata O
luas O
panen O
maupun O
produksi O
tanaman O
jagung O
yang O
mana O
tidak O
memperhatikan O
akurasi O
waktu O
pencatatan O
dan O
waktu O
tanam O
jagung O
yang O
tidak O
serentak O
pada O
wilayah O
kajian. O
Hal O
ini O
bisa O
menjadi O
evaluasi O
untuk O
penelitian O
selanjutnya O
akurasi O
waktu O
dan O
memperoleh O
data O
yang O
lebih O
aktual O
sehingga O
nilai O
estimasi O
yang O
diperoleh O
bisa O
lebih O
representatif O
terhadap O
keadaan O
yang O
sebenarnya. O
Selain O
itu O
pada O
penelitian O
ini O
juga O
terdapat O
keterbatasan O
dari O
model O
regresi O
yang O
dihasilkan O
yang O
mana O
hanya O
menggunakan O
satu O
variabel O
saja O
tanpa O
memperhatikan O
variabel O
pendukung O
lainnya. O
Hal O
tersebut O
mengakibatkan O
model O
regresi O
memiliki O
nilai O
korelasi O
dan O
R2 O
yang O
rendah. O
Kedepannya O
dapat O
dilakukan O
analisis O
estimasi O
produksi O
jagung O
lainnya O
dengan O
memperhatikan O
beberapa O
variabel O
pendukung O
agar O
dapat O
meningkatkan O
akurasi O
data O
itu O
sendiri. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O

Estimasi O
Luas O
Panen O
dan O
Produksi O
Tanaman O
Jagung O
Menggunakan O
Pendekatan O
Remote O
Sensing O
( O
Studi O
Kasus O
: O
Kabupaten O
Tuban O
, O
Jawa O
Timur O
Tahun O
2018 O
) O
Abdurrofi O
Robbani O
( O
221709488 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Takdir O
, O
SST. O
, O
M.T. O
Ringkasan— O
Tantangan O
kebutuhan O
data O
dan O
perkembangan O
teknologi O
informasi O
yang O
mana O
memberikan O
akses O
tersedianya O
sumber O
data O
melalui O
big O
data O
menjadi O
alasan O
untuk O
memanfaatkan O
penerapan O
remote B-METODE
sensing I-METODE
pada O
bidang O
pertanian O
khususnya O
tanaman O
jagung O
yang O
menjadi O
fokus O
penelitian. O
Pada O
penelitian O
ini O
dilakukan B-TUJUAN
kajian I-TUJUAN
estimasi I-TUJUAN
luas I-TUJUAN
panen I-TUJUAN
dan I-TUJUAN
produksi I-TUJUAN
tanaman I-TUJUAN
jagung I-TUJUAN
dengan I-TUJUAN
pendekatan I-TUJUAN
remote I-TUJUAN
sensing I-TUJUAN
yang I-TUJUAN
mana I-TUJUAN
bersumber I-TUJUAN
dari I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
dengan I-TUJUAN
pengolahan I-TUJUAN
menggunakan I-TUJUAN
machine I-TUJUAN
learning I-TUJUAN
untuk I-TUJUAN
mengklasifikasi I-TUJUAN
tutupan I-TUJUAN
lahan. I-TUJUAN
Pada O
estimasi O
produksi O
dilakukan O
pendeketan O
lanjutan O
menggunakan O
analisis O
regresi O
non-linear O
untuk O
dan O
diperoleh O
model O
indeks O
EVI O
polinomial O
derajat O
3 O
dengan O
nilai O
R2 B-METODE
0,309 O
dan O
RSE B-METODE
0,00245. O
Hasil B-TEMUAN
dari I-TEMUAN
penghitungan I-TEMUAN
estimasi I-TEMUAN
luas I-TEMUAN
panen I-TEMUAN
tanaman I-TEMUAN
jagung I-TEMUAN
memiliki I-TEMUAN
luas I-TEMUAN
sebesar I-TEMUAN
44.504,91 I-TEMUAN
ha I-TEMUAN
dengan I-TEMUAN
persentase I-TEMUAN
eror I-TEMUAN
8,49 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Sedangkan O
hasil B-TEMUAN
estimasi I-TEMUAN
produksi I-TEMUAN
tanaman I-TEMUAN
jagung I-TEMUAN
didapatkan I-TEMUAN
nilai I-TEMUAN
sebesar I-TEMUAN
265.149,225 I-TEMUAN
ton I-TEMUAN
dengan I-TEMUAN
persentase I-TEMUAN
eror I-TEMUAN
26,52 I-TEMUAN
% I-TEMUAN
. O
Kata O
Kunci— O
Jagung O
, O
Estimasi O
Luas O
Panen O
, O
Estimasi O
Produksi O
, O
Remote O
Sensing O
, O
Machine O
Learning O
, O
Regresi O
Non-Linear. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
yang O
tertulis O
di O
dapatkan O
model O
klasifikasi O
terbaik O
untuk O
klasifikasi B-METODE
tutupan O
lahan O
yaitu O
menggunakan O
algoritma O
Support O
Vector O
Machine O
( O
SVM O
) O
dengan O
overall O
accuracy O
sebesar O
0,941. O
Dari O
model O
tersebut O
juga O
dihitung O
luas O
area O
tiap O
kategori O
dengan O
menghitung O
jumlah O
piksel O
dan O
dikonversi O
ke O
dalam O
hektar. O
Selanjutnya O
didapatkan O
estimasi B-TEMUAN
luas I-TEMUAN
area I-TEMUAN
panen I-TEMUAN
jagung I-TEMUAN
Kabupaten I-TEMUAN
Tuban I-TEMUAN
sebesar I-TEMUAN
44.504,91 I-TEMUAN
ha I-TEMUAN
yang I-TEMUAN
mana I-TEMUAN
jika I-TEMUAN
dilakukan I-TEMUAN
perbandingan I-TEMUAN
dengan I-TEMUAN
data I-TEMUAN
rata-rata I-TEMUAN
luas I-TEMUAN
panen I-TEMUAN
BPS I-TEMUAN
terindikasi I-TEMUAN
overestimate I-TEMUAN
dengan I-TEMUAN
persentase I-TEMUAN
eror I-TEMUAN
8,49 I-TEMUAN
% I-TEMUAN
. O
Sedangkan O
pada O
penghitungan O
estimasi O
produksi O
jagung O
didapatkan O
model O
regresi O
menggunakan O
indeks O
EVI O
dengan O
nilai O
R2 O
sebesar O
0,309 O
dan O
RSE O
sebesar O
0,00245. O
Dari O
model O
tersebut O
diambil O
persamaan O
regresinya O
dan O
dilakukan O
kalkulasi O
pada O
raster O
perkebunan O
jagung O
sehingga O
didapatkan O
hasil B-TEMUAN
estimasi I-TEMUAN
produksi I-TEMUAN
tanaman I-TEMUAN
jagung I-TEMUAN
sebesar I-TEMUAN
265.149,225 I-TEMUAN
ton. I-TEMUAN
Adapun O
nilai O
estimasi O
produksi O
tersebut O
ketika O
dibandingkan O
dengan O
data O
rata-rata O
produksi O
indikasi O
satu O
kali O
panen O
BPS O
menghasilkan O
jagung O
overestimate O
dengan O
persentase O
eror O
sebesar O
26,52 O
% O
. O
Perbedaan O
nilai O
tersebut O
dapat O
terjadi O
selain O
karena O
eror O
yang O
dihasilkan O
dalam O
proses O
klasifikasi O
maupun O
model O
regresi O
yang O
7 O
/ O
8 O
agar O
memperhatikan O
dipakai O
juga O
karena O
adanya O
asumsi O
yang O
digunakan O
dalam O
penghitungan O
rata-rata O
luas O
panen O
maupun O
produksi O
tanaman O
jagung O
yang O
mana O
tidak O
memperhatikan O
akurasi O
waktu O
pencatatan O
dan O
waktu O
tanam O
jagung O
yang O
tidak O
serentak O
pada O
wilayah O
kajian. O
Hal O
ini O
bisa O
menjadi O
evaluasi O
untuk O
penelitian O
selanjutnya O
akurasi O
waktu O
dan O
memperoleh O
data O
yang O
lebih O
aktual O
sehingga O
nilai O
estimasi O
yang O
diperoleh O
bisa O
lebih O
representatif O
terhadap O
keadaan O
yang O
sebenarnya. O
Selain O
itu O
pada O
penelitian O
ini O
juga O
terdapat O
keterbatasan O
dari O
model O
regresi O
yang O
dihasilkan O
yang O
mana O
hanya O
menggunakan O
satu O
variabel O
saja O
tanpa O
memperhatikan O
variabel O
pendukung O
lainnya. O
Hal O
tersebut O
mengakibatkan O
model O
regresi O
memiliki O
nilai O
korelasi O
dan O
R2 O
yang O
rendah. O
Kedepannya O
dapat O
dilakukan O
analisis O
estimasi O
produksi O
jagung O
lainnya O
dengan O
memperhatikan O
beberapa O
variabel O
pendukung O
agar O
dapat O
meningkatkan O
akurasi O
data O
itu O
sendiri. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O

Estimasi O
Luas O
Panen O
dan O
Produksi O
Tanaman O
Jagung O
Menggunakan O
Pendekatan O
Remote O
Sensing O
( O
Studi O
Kasus O
: O
Kabupaten O
Tuban O
, O
Jawa O
Timur O
Tahun O
2018 O
) O
Abdurrofi O
Robbani O
( O
221709488 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Takdir O
, O
SST. O
, O
M.T. O
Ringkasan— O
Tantangan O
kebutuhan O
data O
dan O
perkembangan O
teknologi O
informasi O
yang O
mana O
memberikan O
akses O
tersedianya O
sumber O
data O
melalui O
big O
data O
menjadi O
alasan O
untuk O
memanfaatkan O
penerapan O
remote B-METODE
sensing I-METODE
pada O
bidang O
pertanian O
khususnya O
tanaman O
jagung O
yang O
menjadi O
fokus O
penelitian. O
Pada O
penelitian O
ini O
dilakukan B-TUJUAN
kajian I-TUJUAN
estimasi I-TUJUAN
luas I-TUJUAN
panen I-TUJUAN
dan I-TUJUAN
produksi I-TUJUAN
tanaman I-TUJUAN
jagung I-TUJUAN
dengan I-TUJUAN
pendekatan I-TUJUAN
remote I-TUJUAN
sensing I-TUJUAN
yang I-TUJUAN
mana I-TUJUAN
bersumber I-TUJUAN
dari I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
dengan I-TUJUAN
pengolahan I-TUJUAN
menggunakan I-TUJUAN
machine I-TUJUAN
learning I-TUJUAN
untuk I-TUJUAN
mengklasifikasi I-TUJUAN
tutupan I-TUJUAN
lahan. I-TUJUAN
Pada O
estimasi O
produksi O
dilakukan O
pendeketan O
lanjutan O
menggunakan O
analisis O
regresi O
non-linear O
untuk O
dan O
diperoleh O
model O
indeks O
EVI O
polinomial O
derajat O
3 O
dengan O
nilai O
R2 B-METODE
0,309 O
dan O
RSE B-METODE
0,00245. O
Hasil B-TEMUAN
dari I-TEMUAN
penghitungan I-TEMUAN
estimasi I-TEMUAN
luas I-TEMUAN
panen I-TEMUAN
tanaman I-TEMUAN
jagung I-TEMUAN
memiliki I-TEMUAN
luas I-TEMUAN
sebesar I-TEMUAN
44.504,91 I-TEMUAN
ha I-TEMUAN
dengan I-TEMUAN
persentase I-TEMUAN
eror I-TEMUAN
8,49 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Sedangkan O
hasil B-TEMUAN
estimasi I-TEMUAN
produksi I-TEMUAN
tanaman I-TEMUAN
jagung I-TEMUAN
didapatkan I-TEMUAN
nilai I-TEMUAN
sebesar I-TEMUAN
265.149,225 I-TEMUAN
ton I-TEMUAN
dengan I-TEMUAN
persentase I-TEMUAN
eror I-TEMUAN
26,52 I-TEMUAN
% I-TEMUAN
. O
Kata O
Kunci— O
Jagung O
, O
Estimasi O
Luas O
Panen O
, O
Estimasi O
Produksi O
, O
Remote O
Sensing O
, O
Machine O
Learning O
, O
Regresi O
Non-Linear. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
yang O
tertulis O
di O
dapatkan O
model O
klasifikasi O
terbaik O
untuk O
klasifikasi B-METODE
tutupan O
lahan O
yaitu O
menggunakan O
algoritma O
Support O
Vector O
Machine O
( O
SVM O
) O
dengan O
overall O
accuracy O
sebesar O
0,941. O
Dari O
model O
tersebut O
juga O
dihitung O
luas O
area O
tiap O
kategori O
dengan O
menghitung O
jumlah O
piksel O
dan O
dikonversi O
ke O
dalam O
hektar. O
Selanjutnya O
didapatkan O
estimasi B-TEMUAN
luas I-TEMUAN
area I-TEMUAN
panen I-TEMUAN
jagung I-TEMUAN
Kabupaten I-TEMUAN
Tuban I-TEMUAN
sebesar I-TEMUAN
44.504,91 I-TEMUAN
ha I-TEMUAN
yang I-TEMUAN
mana I-TEMUAN
jika I-TEMUAN
dilakukan I-TEMUAN
perbandingan I-TEMUAN
dengan I-TEMUAN
data I-TEMUAN
rata-rata I-TEMUAN
luas I-TEMUAN
panen I-TEMUAN
BPS I-TEMUAN
terindikasi I-TEMUAN
overestimate I-TEMUAN
dengan I-TEMUAN
persentase I-TEMUAN
eror I-TEMUAN
8,49 I-TEMUAN
% I-TEMUAN
. O
Sedangkan O
pada O
penghitungan O
estimasi O
produksi O
jagung O
didapatkan O
model O
regresi O
menggunakan O
indeks O
EVI O
dengan O
nilai O
R2 O
sebesar O
0,309 O
dan O
RSE O
sebesar O
0,00245. O
Dari O
model O
tersebut O
diambil O
persamaan O
regresinya O
dan O
dilakukan O
kalkulasi O
pada O
raster O
perkebunan O
jagung O
sehingga O
didapatkan O
hasil B-TEMUAN
estimasi I-TEMUAN
produksi I-TEMUAN
tanaman I-TEMUAN
jagung I-TEMUAN
sebesar I-TEMUAN
265.149,225 I-TEMUAN
ton. I-TEMUAN
Adapun O
nilai O
estimasi O
produksi O
tersebut O
ketika O
dibandingkan O
dengan O
data O
rata-rata O
produksi O
indikasi O
satu O
kali O
panen O
BPS O
menghasilkan O
jagung O
overestimate O
dengan O
persentase O
eror O
sebesar O
26,52 O
% O
. O
Perbedaan O
nilai O
tersebut O
dapat O
terjadi O
selain O
karena O
eror O
yang O
dihasilkan O
dalam O
proses O
klasifikasi O
maupun O
model O
regresi O
yang O
7 O
/ O
8 O
agar O
memperhatikan O
dipakai O
juga O
karena O
adanya O
asumsi O
yang O
digunakan O
dalam O
penghitungan O
rata-rata O
luas O
panen O
maupun O
produksi O
tanaman O
jagung O
yang O
mana O
tidak O
memperhatikan O
akurasi O
waktu O
pencatatan O
dan O
waktu O
tanam O
jagung O
yang O
tidak O
serentak O
pada O
wilayah O
kajian. O
Hal O
ini O
bisa O
menjadi O
evaluasi O
untuk O
penelitian O
selanjutnya O
akurasi O
waktu O
dan O
memperoleh O
data O
yang O
lebih O
aktual O
sehingga O
nilai O
estimasi O
yang O
diperoleh O
bisa O
lebih O
representatif O
terhadap O
keadaan O
yang O
sebenarnya. O
Selain O
itu O
pada O
penelitian O
ini O
juga O
terdapat O
keterbatasan O
dari O
model O
regresi O
yang O
dihasilkan O
yang O
mana O
hanya O
menggunakan O
satu O
variabel O
saja O
tanpa O
memperhatikan O
variabel O
pendukung O
lainnya. O
Hal O
tersebut O
mengakibatkan O
model O
regresi O
memiliki O
nilai O
korelasi O
dan O
R2 O
yang O
rendah. O
Kedepannya O
dapat O
dilakukan O
analisis O
estimasi O
produksi O
jagung O
lainnya O
dengan O
memperhatikan O
beberapa O
variabel O
pendukung O
agar O
dapat O
meningkatkan O
akurasi O
data O
itu O
sendiri. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O

Estimasi O
Luas O
Panen O
dan O
Produksi O
Tanaman O
Jagung O
Menggunakan O
Pendekatan O
Remote O
Sensing O
( O
Studi O
Kasus O
: O
Kabupaten O
Tuban O
, O
Jawa O
Timur O
Tahun O
2018 O
) O
Abdurrofi O
Robbani O
( O
221709488 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Takdir O
, O
SST. O
, O
M.T. O
Ringkasan— O
Tantangan O
kebutuhan O
data O
dan O
perkembangan O
teknologi O
informasi O
yang O
mana O
memberikan O
akses O
tersedianya O
sumber O
data O
melalui O
big O
data O
menjadi O
alasan O
untuk O
memanfaatkan O
penerapan O
remote B-METODE
sensing I-METODE
pada O
bidang O
pertanian O
khususnya O
tanaman O
jagung O
yang O
menjadi O
fokus O
penelitian. O
Pada O
penelitian O
ini O
dilakukan B-TUJUAN
kajian I-TUJUAN
estimasi I-TUJUAN
luas I-TUJUAN
panen I-TUJUAN
dan I-TUJUAN
produksi I-TUJUAN
tanaman I-TUJUAN
jagung I-TUJUAN
dengan I-TUJUAN
pendekatan I-TUJUAN
remote I-TUJUAN
sensing I-TUJUAN
yang I-TUJUAN
mana I-TUJUAN
bersumber I-TUJUAN
dari I-TUJUAN
citra I-TUJUAN
satelit I-TUJUAN
dengan I-TUJUAN
pengolahan I-TUJUAN
menggunakan I-TUJUAN
machine I-TUJUAN
learning I-TUJUAN
untuk I-TUJUAN
mengklasifikasi I-TUJUAN
tutupan I-TUJUAN
lahan. I-TUJUAN
Pada O
estimasi O
produksi O
dilakukan O
pendeketan O
lanjutan O
menggunakan O
analisis O
regresi O
non-linear O
untuk O
dan O
diperoleh O
model O
indeks O
EVI O
polinomial O
derajat O
3 O
dengan O
nilai O
R2 B-METODE
0,309 O
dan O
RSE B-METODE
0,00245. O
Hasil B-TEMUAN
dari I-TEMUAN
penghitungan I-TEMUAN
estimasi I-TEMUAN
luas I-TEMUAN
panen I-TEMUAN
tanaman I-TEMUAN
jagung I-TEMUAN
memiliki I-TEMUAN
luas I-TEMUAN
sebesar I-TEMUAN
44.504,91 I-TEMUAN
ha I-TEMUAN
dengan I-TEMUAN
persentase I-TEMUAN
eror I-TEMUAN
8,49 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Sedangkan O
hasil B-TEMUAN
estimasi I-TEMUAN
produksi I-TEMUAN
tanaman I-TEMUAN
jagung I-TEMUAN
didapatkan I-TEMUAN
nilai I-TEMUAN
sebesar I-TEMUAN
265.149,225 I-TEMUAN
ton I-TEMUAN
dengan I-TEMUAN
persentase I-TEMUAN
eror I-TEMUAN
26,52 I-TEMUAN
% I-TEMUAN
. O
Kata O
Kunci— O
Jagung O
, O
Estimasi O
Luas O
Panen O
, O
Estimasi O
Produksi O
, O
Remote O
Sensing O
, O
Machine O
Learning O
, O
Regresi O
Non-Linear. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
yang O
tertulis O
di O
dapatkan O
model O
klasifikasi O
terbaik O
untuk O
klasifikasi B-METODE
tutupan O
lahan O
yaitu O
menggunakan O
algoritma O
Support O
Vector O
Machine O
( O
SVM O
) O
dengan O
overall O
accuracy O
sebesar O
0,941. O
Dari O
model O
tersebut O
juga O
dihitung O
luas O
area O
tiap O
kategori O
dengan O
menghitung O
jumlah O
piksel O
dan O
dikonversi O
ke O
dalam O
hektar. O
Selanjutnya O
didapatkan O
estimasi B-TEMUAN
luas I-TEMUAN
area I-TEMUAN
panen I-TEMUAN
jagung I-TEMUAN
Kabupaten I-TEMUAN
Tuban I-TEMUAN
sebesar I-TEMUAN
44.504,91 I-TEMUAN
ha I-TEMUAN
yang I-TEMUAN
mana I-TEMUAN
jika I-TEMUAN
dilakukan I-TEMUAN
perbandingan I-TEMUAN
dengan I-TEMUAN
data I-TEMUAN
rata-rata I-TEMUAN
luas I-TEMUAN
panen I-TEMUAN
BPS I-TEMUAN
terindikasi I-TEMUAN
overestimate I-TEMUAN
dengan I-TEMUAN
persentase I-TEMUAN
eror I-TEMUAN
8,49 I-TEMUAN
% I-TEMUAN
. O
Sedangkan O
pada O
penghitungan O
estimasi O
produksi O
jagung O
didapatkan O
model O
regresi O
menggunakan O
indeks O
EVI O
dengan O
nilai O
R2 O
sebesar O
0,309 O
dan O
RSE O
sebesar O
0,00245. O
Dari O
model O
tersebut O
diambil O
persamaan O
regresinya O
dan O
dilakukan O
kalkulasi O
pada O
raster O
perkebunan O
jagung O
sehingga O
didapatkan O
hasil B-TEMUAN
estimasi I-TEMUAN
produksi I-TEMUAN
tanaman I-TEMUAN
jagung I-TEMUAN
sebesar I-TEMUAN
265.149,225 I-TEMUAN
ton. I-TEMUAN
Adapun O
nilai O
estimasi O
produksi O
tersebut O
ketika O
dibandingkan O
dengan O
data O
rata-rata O
produksi O
indikasi O
satu O
kali O
panen O
BPS O
menghasilkan O
jagung O
overestimate O
dengan O
persentase O
eror O
sebesar O
26,52 O
% O
. O
Perbedaan O
nilai O
tersebut O
dapat O
terjadi O
selain O
karena O
eror O
yang O
dihasilkan O
dalam O
proses O
klasifikasi O
maupun O
model O
regresi O
yang O
7 O
/ O
8 O
agar O
memperhatikan O
dipakai O
juga O
karena O
adanya O
asumsi O
yang O
digunakan O
dalam O
penghitungan O
rata-rata O
luas O
panen O
maupun O
produksi O
tanaman O
jagung O
yang O
mana O
tidak O
memperhatikan O
akurasi O
waktu O
pencatatan O
dan O
waktu O
tanam O
jagung O
yang O
tidak O
serentak O
pada O
wilayah O
kajian. O
Hal O
ini O
bisa O
menjadi O
evaluasi O
untuk O
penelitian O
selanjutnya O
akurasi O
waktu O
dan O
memperoleh O
data O
yang O
lebih O
aktual O
sehingga O
nilai O
estimasi O
yang O
diperoleh O
bisa O
lebih O
representatif O
terhadap O
keadaan O
yang O
sebenarnya. O
Selain O
itu O
pada O
penelitian O
ini O
juga O
terdapat O
keterbatasan O
dari O
model O
regresi O
yang O
dihasilkan O
yang O
mana O
hanya O
menggunakan O
satu O
variabel O
saja O
tanpa O
memperhatikan O
variabel O
pendukung O
lainnya. O
Hal O
tersebut O
mengakibatkan O
model O
regresi O
memiliki O
nilai O
korelasi O
dan O
R2 O
yang O
rendah. O
Kedepannya O
dapat O
dilakukan O
analisis O
estimasi O
produksi O
jagung O
lainnya O
dengan O
memperhatikan O
beberapa O
variabel O
pendukung O
agar O
dapat O
meningkatkan O
akurasi O
data O
itu O
sendiri. O
[ O
1 O
] O
[ O
2 O
] O
[ O
3 O
] O
[ O
4 O
] O
[ O
5 O
] O
[ O
6 O
] O
[ O
7 O
] O
[ O
8 O
] O
[ O
9 O
] O
[ O
10 O
] O
[ O
11 O
] O
[ O
12 O
] O
[ O
13 O
] O

Flaming O
pada O
Kasus O
Cyberbullying O
di O
Twitter O
Menggunakan O
Algoritma O
Naïve O
Bayes O
Classifier O
Rivaldi O
( O
16.9389 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T O
, O
M.T. O
sosial O
sebagai O
Ringkasan— O
Media O
salah O
satu O
sarana O
komunikasi O
saat O
ini O
telah O
menjadi O
suatu O
kebutuhan O
untuk O
saling O
berkomunikasi O
di O
zaman O
sekarang. O
Berbagai O
platform O
tersedia O
untuk O
berkomunikasi O
dalam O
media O
sosial O
, O
salah O
satunya O
adalah O
Twitter. O
Penggunaan O
Twitter O
yang O
beragam O
oleh O
berbagai O
pengguna O
tidak O
diikuti O
oleh O
etika-etika O
yang O
baik O
dalam O
bersosial O
di O
dunia O
maya O
, O
hal O
ini O
dapat O
dilihat O
ketika O
semakin O
maraknya O
cyberbullying. O
Salah O
satu O
bentuk O
yang O
cyberbullying O
yang O
paling O
sering O
ditemukan O
dalam O
platform O
twitter O
adalah O
flaming. O
Penggunaan O
kata-kata O
kasar O
dalam O
interaksi O
sering O
ditemukan O
sehari-hari O
dalam O
twitter. O
Dengan O
maraknya O
ditemukan O
bentuk-bentuk O
flaming O
dalam O
platform O
twitter O
, O
ingin O
membangun B-TUJUAN
sebuah I-TUJUAN
model I-TUJUAN
klasifikasi I-TUJUAN
dengan I-TUJUAN
peneliti I-TUJUAN
menggunakan I-TUJUAN
dalam I-TUJUAN
algoritma I-TUJUAN
Naïve I-TUJUAN
Bayes I-TUJUAN
Classifier I-TUJUAN
mengklasifikasikan I-TUJUAN
suatu I-TUJUAN
tweet I-TUJUAN
yang I-TUJUAN
mengandung I-TUJUAN
unsur I-TUJUAN
flaming. I-TUJUAN
Tahapan O
yang O
dilakukan O
dalam O
penelitian O
ini O
meliputi O
Data O
Collection O
, O
Pre-Processing O
, O
Pembentukan O
Model O
Klasifikasi B-METODE
, O
dan O
ialah O
model O
Evaluasi. B-METODE
Kesimpulan O
yang O
dapat O
diketahui O
klasifikasi O
dengan O
menggunakan O
algoritma O
Naïve O
Bayes O
Classifier O
dalam O
mengklasifikasikan O
tweet O
yang O
mengandung O
flaming O
mendapatkan O
nilai O
akurasi B-METODE
sebesar O
56,2 O
% O
dengan O
metode O
evaluasi O
K-Fold O
Cross O
Validation. O
Selain O
itu O
perbandingan O
yang O
dilakukan O
dengan O
algoritma O
lain O
dari O
sisi O
akurasi O
serta O
runtime O
menghasilkan O
kesimpulan O
bahwa O
Naive O
Bayes O
Classifier O
lebih O
baik O
daripada O
algoritma O
lain O
yang O
menjadi O
perbandingan. O
Kata O
Kunci— O
Twitter O
, O
Cyberbullying O
, O
Flaming O
, O
Naïve O
Bayes O
Classifier. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
yang O
didapatkan O
sebelumnya O
, O
maka O
kesimpulan O
yang O
dapat O
diambil O
dalam O
penelitian O
ini O
adalah O
bahwa O
pembentukan O
model O
klasifikasi O
dengan O
algoritma O
Naïve O
Bayes O
Classifier O
berdasarkan O
data O
tweet O
yang O
sudah O
dilabeli O
dengan O
proporsi O
data O
training O
dan O
testing O
sebesar O
70:30 O
menghasilkan O
nilai O
akurasi O
sebesar O
62 O
% O
. O
Sedangkan O
dari O
hasil O
evaluasi O
model O
yang O
dibuat O
dengan O
menggunakan O
metode O
K-Fold O
Cross O
Validation O
sebanyak O
K=10 O
menghasilkan O
nilai O
evaluasi O
optimal O
dengan O
nilai O
akurasi B-TEMUAN
sebesar O
56,2 O
% O
. O
Dari O
nilai O
F-1 B-METODE
Score I-METODE
dapat O
dilihat O
bahwa O
model B-TEMUAN
klasifikasi I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dalam I-TEMUAN
mengklasifikasikan I-TEMUAN
tweet I-TEMUAN
yang I-TEMUAN
tidak I-TEMUAN
mengandung I-TEMUAN
unsur I-TEMUAN
flaming I-TEMUAN
( I-TEMUAN
64 I-TEMUAN
% I-TEMUAN
) I-TEMUAN
daripada I-TEMUAN
yang I-TEMUAN
mengandung I-TEMUAN
unsur I-TEMUAN
flaming I-TEMUAN
( I-TEMUAN
44 I-TEMUAN
% I-TEMUAN
) I-TEMUAN
. I-TEMUAN
Hal I-TEMUAN
ini I-TEMUAN
menunjukkan I-TEMUAN
model I-TEMUAN
dalam I-TEMUAN
mengklasifikasikan I-TEMUAN
tweet I-TEMUAN
yang I-TEMUAN
mengandung I-TEMUAN
flaming. I-TEMUAN
Selain O
itu O
, O
dari O
hasil O
perbandingan B-TEMUAN
dengan I-TEMUAN
algoritma I-TEMUAN
lain I-TEMUAN
seperti I-TEMUAN
Logistic I-TEMUAN
Regression I-TEMUAN
, I-TEMUAN
Support I-TEMUAN
Vector I-TEMUAN
Machine I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
Random I-TEMUAN
Forest I-TEMUAN
, I-TEMUAN
algoritma I-TEMUAN
Logistic I-TEMUAN
Regression I-TEMUAN
memiliki I-TEMUAN
tingkat I-TEMUAN
akurasi I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
tinggi I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
57,7 I-TEMUAN
% I-TEMUAN
, O
sedangkan O
Random O
belum O
cukup O
dibuat O
andal O
yang O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
Forest O
memiliki O
tingkat O
akurasi O
terendah O
dengan O
nilai O
54,9 O
% O
.. O
Dari O
kedua O
hasil O
perbandingan O
dimana O
dilihat O
dari O
sisi O
akurasi O
dan O
runtime O
masing-masing O
algoritma O
, O
algoritma O
Naive O
Bayes O
cukup O
yang O
menjadi O
perbandingan O
dalam O
penelitian O
ini. O
algoritma O
daripada O
baik O
lain O
kesimpulan O
Berdasarkan O
peneliti O
untuk O
memberikan O
penelitian-penelitian O
yang O
berkaitan O
dengan O
topik O
penelitian O
ini O
di O
masa O
depan O
sebagai O
berikut O
: O
didapatkan O
, O
acuan O
sebagai O
untuk O
saran O
yang O
1. O
Menambah O
data O
label O
dalam O
supervised O
learning O
sebagai O
acuan O
model O
klasifikasi O
untuk O
menambah O
akurasi O
model. O
2. O
Menambah O
tahapan O
dalam O
preprocessing O
seperti O
pembobotan O
adanya O
pengaruh O
emotikon O
dalam O
unsur O
flaming O
dalam O
suatu O
tweet. O
dikarenakan O
emotikon O
3. O
Menerapkan O
imbalance O
class O
pada O
jumlah O
data O
training O
untuk O
lebih O
memfokuskan O
kepada O
kelas O
atau O
kategori O
yang O
krusial O
atau O
yang O
diinginkan. O
4. O
Menggunakan O
klasifikasi. O
algoritma O
lain O
dalam O
model O

Flaming O
pada O
Kasus O
Cyberbullying O
di O
Twitter O
Menggunakan O
Algoritma O
Naïve O
Bayes O
Classifier O
Rivaldi O
( O
16.9389 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T O
, O
M.T. O
sosial O
sebagai O
Ringkasan— O
Media O
salah O
satu O
sarana O
komunikasi O
saat O
ini O
telah O
menjadi O
suatu O
kebutuhan O
untuk O
saling O
berkomunikasi O
di O
zaman O
sekarang. O
Berbagai O
platform O
tersedia O
untuk O
berkomunikasi O
dalam O
media O
sosial O
, O
salah O
satunya O
adalah O
Twitter. O
Penggunaan O
Twitter O
yang O
beragam O
oleh O
berbagai O
pengguna O
tidak O
diikuti O
oleh O
etika-etika O
yang O
baik O
dalam O
bersosial O
di O
dunia O
maya O
, O
hal O
ini O
dapat O
dilihat O
ketika O
semakin O
maraknya O
cyberbullying. O
Salah O
satu O
bentuk O
yang O
cyberbullying O
yang O
paling O
sering O
ditemukan O
dalam O
platform O
twitter O
adalah O
flaming. O
Penggunaan O
kata-kata O
kasar O
dalam O
interaksi O
sering O
ditemukan O
sehari-hari O
dalam O
twitter. O
Dengan O
maraknya O
ditemukan O
bentuk-bentuk O
flaming O
dalam O
platform O
twitter O
, O
ingin O
membangun B-TUJUAN
sebuah I-TUJUAN
model I-TUJUAN
klasifikasi I-TUJUAN
dengan I-TUJUAN
peneliti I-TUJUAN
menggunakan I-TUJUAN
dalam I-TUJUAN
algoritma I-TUJUAN
Naïve I-TUJUAN
Bayes I-TUJUAN
Classifier I-TUJUAN
mengklasifikasikan I-TUJUAN
suatu I-TUJUAN
tweet I-TUJUAN
yang I-TUJUAN
mengandung I-TUJUAN
unsur I-TUJUAN
flaming. I-TUJUAN
Tahapan O
yang O
dilakukan O
dalam O
penelitian O
ini O
meliputi O
Data O
Collection O
, O
Pre-Processing O
, O
Pembentukan O
Model O
Klasifikasi B-METODE
, O
dan O
ialah O
model O
Evaluasi. B-METODE
Kesimpulan O
yang O
dapat O
diketahui O
klasifikasi O
dengan O
menggunakan O
algoritma O
Naïve O
Bayes O
Classifier O
dalam O
mengklasifikasikan O
tweet O
yang O
mengandung O
flaming O
mendapatkan O
nilai O
akurasi B-METODE
sebesar O
56,2 O
% O
dengan O
metode O
evaluasi O
K-Fold O
Cross O
Validation. O
Selain O
itu O
perbandingan O
yang O
dilakukan O
dengan O
algoritma O
lain O
dari O
sisi O
akurasi O
serta O
runtime O
menghasilkan O
kesimpulan O
bahwa O
Naive O
Bayes O
Classifier O
lebih O
baik O
daripada O
algoritma O
lain O
yang O
menjadi O
perbandingan. O
Kata O
Kunci— O
Twitter O
, O
Cyberbullying O
, O
Flaming O
, O
Naïve O
Bayes O
Classifier. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
yang O
didapatkan O
sebelumnya O
, O
maka O
kesimpulan O
yang O
dapat O
diambil O
dalam O
penelitian O
ini O
adalah O
bahwa O
pembentukan O
model O
klasifikasi O
dengan O
algoritma O
Naïve O
Bayes O
Classifier O
berdasarkan O
data O
tweet O
yang O
sudah O
dilabeli O
dengan O
proporsi O
data O
training O
dan O
testing O
sebesar O
70:30 O
menghasilkan O
nilai O
akurasi O
sebesar O
62 O
% O
. O
Sedangkan O
dari O
hasil O
evaluasi O
model O
yang O
dibuat O
dengan O
menggunakan O
metode O
K-Fold O
Cross O
Validation O
sebanyak O
K=10 O
menghasilkan O
nilai O
evaluasi O
optimal O
dengan O
nilai O
akurasi B-TEMUAN
sebesar O
56,2 O
% O
. O
Dari O
nilai O
F-1 B-METODE
Score I-METODE
dapat O
dilihat O
bahwa O
model B-TEMUAN
klasifikasi I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dalam I-TEMUAN
mengklasifikasikan I-TEMUAN
tweet I-TEMUAN
yang I-TEMUAN
tidak I-TEMUAN
mengandung I-TEMUAN
unsur I-TEMUAN
flaming I-TEMUAN
( I-TEMUAN
64 I-TEMUAN
% I-TEMUAN
) I-TEMUAN
daripada I-TEMUAN
yang I-TEMUAN
mengandung I-TEMUAN
unsur I-TEMUAN
flaming I-TEMUAN
( I-TEMUAN
44 I-TEMUAN
% I-TEMUAN
) I-TEMUAN
. I-TEMUAN
Hal I-TEMUAN
ini I-TEMUAN
menunjukkan I-TEMUAN
model I-TEMUAN
dalam I-TEMUAN
mengklasifikasikan I-TEMUAN
tweet I-TEMUAN
yang I-TEMUAN
mengandung I-TEMUAN
flaming. I-TEMUAN
Selain O
itu O
, O
dari O
hasil O
perbandingan B-TEMUAN
dengan I-TEMUAN
algoritma I-TEMUAN
lain I-TEMUAN
seperti I-TEMUAN
Logistic I-TEMUAN
Regression I-TEMUAN
, I-TEMUAN
Support I-TEMUAN
Vector I-TEMUAN
Machine I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
Random I-TEMUAN
Forest I-TEMUAN
, I-TEMUAN
algoritma I-TEMUAN
Logistic I-TEMUAN
Regression I-TEMUAN
memiliki I-TEMUAN
tingkat I-TEMUAN
akurasi I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
tinggi I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
57,7 I-TEMUAN
% I-TEMUAN
, O
sedangkan O
Random O
belum O
cukup O
dibuat O
andal O
yang O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
Forest O
memiliki O
tingkat O
akurasi O
terendah O
dengan O
nilai O
54,9 O
% O
.. O
Dari O
kedua O
hasil O
perbandingan O
dimana O
dilihat O
dari O
sisi O
akurasi O
dan O
runtime O
masing-masing O
algoritma O
, O
algoritma O
Naive O
Bayes O
cukup O
yang O
menjadi O
perbandingan O
dalam O
penelitian O
ini. O
algoritma O
daripada O
baik O
lain O
kesimpulan O
Berdasarkan O
peneliti O
untuk O
memberikan O
penelitian-penelitian O
yang O
berkaitan O
dengan O
topik O
penelitian O
ini O
di O
masa O
depan O
sebagai O
berikut O
: O
didapatkan O
, O
acuan O
sebagai O
untuk O
saran O
yang O
1. O
Menambah O
data O
label O
dalam O
supervised O
learning O
sebagai O
acuan O
model O
klasifikasi O
untuk O
menambah O
akurasi O
model. O
2. O
Menambah O
tahapan O
dalam O
preprocessing O
seperti O
pembobotan O
adanya O
pengaruh O
emotikon O
dalam O
unsur O
flaming O
dalam O
suatu O
tweet. O
dikarenakan O
emotikon O
3. O
Menerapkan O
imbalance O
class O
pada O
jumlah O
data O
training O
untuk O
lebih O
memfokuskan O
kepada O
kelas O
atau O
kategori O
yang O
krusial O
atau O
yang O
diinginkan. O
4. O
Menggunakan O
klasifikasi. O
algoritma O
lain O
dalam O
model O

Flaming O
pada O
Kasus O
Cyberbullying O
di O
Twitter O
Menggunakan O
Algoritma O
Naïve O
Bayes O
Classifier O
Rivaldi O
( O
16.9389 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T O
, O
M.T. O
sosial O
sebagai O
Ringkasan— O
Media O
salah O
satu O
sarana O
komunikasi O
saat O
ini O
telah O
menjadi O
suatu O
kebutuhan O
untuk O
saling O
berkomunikasi O
di O
zaman O
sekarang. O
Berbagai O
platform O
tersedia O
untuk O
berkomunikasi O
dalam O
media O
sosial O
, O
salah O
satunya O
adalah O
Twitter. O
Penggunaan O
Twitter O
yang O
beragam O
oleh O
berbagai O
pengguna O
tidak O
diikuti O
oleh O
etika-etika O
yang O
baik O
dalam O
bersosial O
di O
dunia O
maya O
, O
hal O
ini O
dapat O
dilihat O
ketika O
semakin O
maraknya O
cyberbullying. O
Salah O
satu O
bentuk O
yang O
cyberbullying O
yang O
paling O
sering O
ditemukan O
dalam O
platform O
twitter O
adalah O
flaming. O
Penggunaan O
kata-kata O
kasar O
dalam O
interaksi O
sering O
ditemukan O
sehari-hari O
dalam O
twitter. O
Dengan O
maraknya O
ditemukan O
bentuk-bentuk O
flaming O
dalam O
platform O
twitter O
, O
ingin O
membangun B-TUJUAN
sebuah I-TUJUAN
model I-TUJUAN
klasifikasi I-TUJUAN
dengan I-TUJUAN
peneliti I-TUJUAN
menggunakan I-TUJUAN
dalam I-TUJUAN
algoritma I-TUJUAN
Naïve I-TUJUAN
Bayes I-TUJUAN
Classifier I-TUJUAN
mengklasifikasikan I-TUJUAN
suatu I-TUJUAN
tweet I-TUJUAN
yang I-TUJUAN
mengandung I-TUJUAN
unsur I-TUJUAN
flaming. I-TUJUAN
Tahapan O
yang O
dilakukan O
dalam O
penelitian O
ini O
meliputi O
Data O
Collection O
, O
Pre-Processing O
, O
Pembentukan O
Model O
Klasifikasi B-METODE
, O
dan O
ialah O
model O
Evaluasi. B-METODE
Kesimpulan O
yang O
dapat O
diketahui O
klasifikasi O
dengan O
menggunakan O
algoritma O
Naïve O
Bayes O
Classifier O
dalam O
mengklasifikasikan O
tweet O
yang O
mengandung O
flaming O
mendapatkan O
nilai O
akurasi B-METODE
sebesar O
56,2 O
% O
dengan O
metode O
evaluasi O
K-Fold O
Cross O
Validation. O
Selain O
itu O
perbandingan O
yang O
dilakukan O
dengan O
algoritma O
lain O
dari O
sisi O
akurasi O
serta O
runtime O
menghasilkan O
kesimpulan O
bahwa O
Naive O
Bayes O
Classifier O
lebih O
baik O
daripada O
algoritma O
lain O
yang O
menjadi O
perbandingan. O
Kata O
Kunci— O
Twitter O
, O
Cyberbullying O
, O
Flaming O
, O
Naïve O
Bayes O
Classifier. O
[SEP] O
Berdasarkan O
hasil O
dan O
pembahasan O
yang O
didapatkan O
sebelumnya O
, O
maka O
kesimpulan O
yang O
dapat O
diambil O
dalam O
penelitian O
ini O
adalah O
bahwa O
pembentukan O
model O
klasifikasi O
dengan O
algoritma O
Naïve O
Bayes O
Classifier O
berdasarkan O
data O
tweet O
yang O
sudah O
dilabeli O
dengan O
proporsi O
data O
training O
dan O
testing O
sebesar O
70:30 O
menghasilkan O
nilai O
akurasi O
sebesar O
62 O
% O
. O
Sedangkan O
dari O
hasil O
evaluasi O
model O
yang O
dibuat O
dengan O
menggunakan O
metode O
K-Fold O
Cross O
Validation O
sebanyak O
K=10 O
menghasilkan O
nilai O
evaluasi O
optimal O
dengan O
nilai O
akurasi B-TEMUAN
sebesar O
56,2 O
% O
. O
Dari O
nilai O
F-1 B-METODE
Score I-METODE
dapat O
dilihat O
bahwa O
model B-TEMUAN
klasifikasi I-TEMUAN
lebih I-TEMUAN
baik I-TEMUAN
dalam I-TEMUAN
mengklasifikasikan I-TEMUAN
tweet I-TEMUAN
yang I-TEMUAN
tidak I-TEMUAN
mengandung I-TEMUAN
unsur I-TEMUAN
flaming I-TEMUAN
( I-TEMUAN
64 I-TEMUAN
% I-TEMUAN
) I-TEMUAN
daripada I-TEMUAN
yang I-TEMUAN
mengandung I-TEMUAN
unsur I-TEMUAN
flaming I-TEMUAN
( I-TEMUAN
44 I-TEMUAN
% I-TEMUAN
) I-TEMUAN
. I-TEMUAN
Hal I-TEMUAN
ini I-TEMUAN
menunjukkan I-TEMUAN
model I-TEMUAN
dalam I-TEMUAN
mengklasifikasikan I-TEMUAN
tweet I-TEMUAN
yang I-TEMUAN
mengandung I-TEMUAN
flaming. I-TEMUAN
Selain O
itu O
, O
dari O
hasil O
perbandingan B-TEMUAN
dengan I-TEMUAN
algoritma I-TEMUAN
lain I-TEMUAN
seperti I-TEMUAN
Logistic I-TEMUAN
Regression I-TEMUAN
, I-TEMUAN
Support I-TEMUAN
Vector I-TEMUAN
Machine I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
Random I-TEMUAN
Forest I-TEMUAN
, I-TEMUAN
algoritma I-TEMUAN
Logistic I-TEMUAN
Regression I-TEMUAN
memiliki I-TEMUAN
tingkat I-TEMUAN
akurasi I-TEMUAN
yang I-TEMUAN
paling I-TEMUAN
tinggi I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
57,7 I-TEMUAN
% I-TEMUAN
, O
sedangkan O
Random O
belum O
cukup O
dibuat O
andal O
yang O
Makalah O
Skripsi O
– O
Program O
Studi O
D-IV O
Komputasi O
Statistik O
Forest O
memiliki O
tingkat O
akurasi O
terendah O
dengan O
nilai O
54,9 O
% O
.. O
Dari O
kedua O
hasil O
perbandingan O
dimana O
dilihat O
dari O
sisi O
akurasi O
dan O
runtime O
masing-masing O
algoritma O
, O
algoritma O
Naive O
Bayes O
cukup O
yang O
menjadi O
perbandingan O
dalam O
penelitian O
ini. O
algoritma O
daripada O
baik O
lain O
kesimpulan O
Berdasarkan O
peneliti O
untuk O
memberikan O
penelitian-penelitian O
yang O
berkaitan O
dengan O
topik O
penelitian O
ini O
di O
masa O
depan O
sebagai O
berikut O
: O
didapatkan O
, O
acuan O
sebagai O
untuk O
saran O
yang O
1. O
Menambah O
data O
label O
dalam O
supervised O
learning O
sebagai O
acuan O
model O
klasifikasi O
untuk O
menambah O
akurasi O
model. O
2. O
Menambah O
tahapan O
dalam O
preprocessing O
seperti O
pembobotan O
adanya O
pengaruh O
emotikon O
dalam O
unsur O
flaming O
dalam O
suatu O
tweet. O
dikarenakan O
emotikon O
3. O
Menerapkan O
imbalance O
class O
pada O
jumlah O
data O
training O
untuk O
lebih O
memfokuskan O
kepada O
kelas O
atau O
kategori O
yang O
krusial O
atau O
yang O
diinginkan. O
4. O
Menggunakan O
klasifikasi. O
algoritma O
lain O
dalam O
model O

Pengukuran O
Engagement O
Rate O
dan O
Analisis O
Sentimen O
terhadap O
Unggahan O
Akun O
Instagram O
BPS O
Luqman O
Ismail O
Abdurrahim O
( O
16.9241 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Dalam O
setiap O
unggahan O
pada O
akun O
Instagram O
BPS O
, O
hal O
yang O
paling O
penting O
untuk O
diperhatikan O
adalah O
hubungan O
antara O
viewer O
dengan O
akun O
tersebut. O
Jika O
pengunggahan O
konten O
mengabaikan O
interaksi O
dengan O
viewer O
, O
maka O
dapat O
menimbulkan O
renggangnya O
hubungan O
antara O
kedua O
belah O
pihak O
dengan O
konsekuensi O
terburuk O
yaitu O
akun O
tidak O
dapat O
dipercaya O
dan O
dianggap O
tidak O
relevan O
oleh O
masyarakat. O
Beberapa O
cara O
yang O
dapat O
digunakan O
untuk O
mengetahui O
hubungan O
instagram O
BPS O
adalah O
dengan O
viewer O
dengan O
akun O
menghitung B-TUJUAN
nilai I-TUJUAN
engagement I-TUJUAN
rate I-TUJUAN
dari I-TUJUAN
akun I-TUJUAN
tersebut I-TUJUAN
dan I-TUJUAN
melakukan I-TUJUAN
analisis I-TUJUAN
sentimen I-TUJUAN
terhadap I-TUJUAN
komentar I-TUJUAN
dari I-TUJUAN
setiap I-TUJUAN
unggahan. I-TUJUAN
Hasil O
dari O
penelitian O
ini O
adalah O
nilai B-TEMUAN
ER I-TEMUAN
BPS I-TEMUAN
termasuk I-TEMUAN
rendah I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
1,642 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Unggahan I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
menarik I-TEMUAN
banyak I-TEMUAN
viewer I-TEMUAN
adalah I-TEMUAN
ketika I-TEMUAN
diunggah I-TEMUAN
pada I-TEMUAN
hari I-TEMUAN
Rabu I-TEMUAN
, I-TEMUAN
Sabtu I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
Senin I-TEMUAN
; I-TEMUAN
dan I-TEMUAN
pada I-TEMUAN
pukul I-TEMUAN
11 I-TEMUAN
, I-TEMUAN
16 I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
18. I-TEMUAN
Sentimen I-TEMUAN
dengan I-TEMUAN
rata-rata I-TEMUAN
positif I-TEMUAN
tertinggi I-TEMUAN
jatuh I-TEMUAN
pada I-TEMUAN
unggahan I-TEMUAN
dengan I-TEMUAN
hashtags I-TEMUAN
dan I-TEMUAN
# I-TEMUAN
kiss I-TEMUAN
# I-TEMUAN
mencataindonesia. I-TEMUAN
Hasil O
penelitian O
ini O
diharapkan O
dapat O
dijadikan O
acuan O
untuk O
meningkatkan O
performa O
akun O
Instagram O
BPS. O
# O
gerakancintadata O
# O
pesonanegeri O
Kata O
Kunci— O
Engagement O
, O
Sentimen O
, O
Instagram O
, O
hashtags O
, O
BPS. O
[SEP] O
Sesuai O
dengan O
tujuan O
dari O
penelitian O
ini O
, O
didapatkan O
hasil O
sebagai O
berikut O
: O
1. O
Nilai B-TEMUAN
ER I-TEMUAN
BPS I-TEMUAN
adalah I-TEMUAN
1,642 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
yang I-TEMUAN
termasuk I-TEMUAN
dalam I-TEMUAN
Low I-TEMUAN
Engagement I-TEMUAN
Rate I-TEMUAN
2. O
Jenis O
unggahan O
yang O
dapat O
menarik O
viewer O
: O
a. O
Waktu O
yang O
bagus O
untuk O
menarik O
perhatian O
viewer O
terhadap O
unggahan O
adalah O
pada O
hari O
Rabu O
, O
Sabtu O
, O
dan O
Senin O
; O
dan O
pada O
pukul O
11 O
, O
16 O
, O
dan O
18. O
b. O
Tipe O
unggahan O
tidak O
memengaruhi O
perhatian O
viewer O
Dari O
hasil O
penelitian O
ini O
diharapkan O
dapat O
dijadikan O
acuan O
instagram O
BPS O
unggahan O
seperti O
apa O
yang O
dapat O
menarik O
viewer O
sehingga O
dapat O
meningkatkan O
performa O
akun O
instagram O
BPS. O

Pengukuran O
Engagement O
Rate O
dan O
Analisis O
Sentimen O
terhadap O
Unggahan O
Akun O
Instagram O
BPS O
Luqman O
Ismail O
Abdurrahim O
( O
16.9241 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Dalam O
setiap O
unggahan O
pada O
akun O
Instagram O
BPS O
, O
hal O
yang O
paling O
penting O
untuk O
diperhatikan O
adalah O
hubungan O
antara O
viewer O
dengan O
akun O
tersebut. O
Jika O
pengunggahan O
konten O
mengabaikan O
interaksi O
dengan O
viewer O
, O
maka O
dapat O
menimbulkan O
renggangnya O
hubungan O
antara O
kedua O
belah O
pihak O
dengan O
konsekuensi O
terburuk O
yaitu O
akun O
tidak O
dapat O
dipercaya O
dan O
dianggap O
tidak O
relevan O
oleh O
masyarakat. O
Beberapa O
cara O
yang O
dapat O
digunakan O
untuk O
mengetahui O
hubungan O
instagram O
BPS O
adalah O
dengan O
viewer O
dengan O
akun O
menghitung B-TUJUAN
nilai I-TUJUAN
engagement I-TUJUAN
rate I-TUJUAN
dari I-TUJUAN
akun I-TUJUAN
tersebut I-TUJUAN
dan I-TUJUAN
melakukan I-TUJUAN
analisis I-TUJUAN
sentimen I-TUJUAN
terhadap I-TUJUAN
komentar I-TUJUAN
dari I-TUJUAN
setiap I-TUJUAN
unggahan. I-TUJUAN
Hasil O
dari O
penelitian O
ini O
adalah O
nilai B-TEMUAN
ER I-TEMUAN
BPS I-TEMUAN
termasuk I-TEMUAN
rendah I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
1,642 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Unggahan I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
menarik I-TEMUAN
banyak I-TEMUAN
viewer I-TEMUAN
adalah I-TEMUAN
ketika I-TEMUAN
diunggah I-TEMUAN
pada I-TEMUAN
hari I-TEMUAN
Rabu I-TEMUAN
, I-TEMUAN
Sabtu I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
Senin I-TEMUAN
; I-TEMUAN
dan I-TEMUAN
pada I-TEMUAN
pukul I-TEMUAN
11 I-TEMUAN
, I-TEMUAN
16 I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
18. I-TEMUAN
Sentimen I-TEMUAN
dengan I-TEMUAN
rata-rata I-TEMUAN
positif I-TEMUAN
tertinggi I-TEMUAN
jatuh I-TEMUAN
pada I-TEMUAN
unggahan I-TEMUAN
dengan I-TEMUAN
hashtags I-TEMUAN
dan I-TEMUAN
# I-TEMUAN
kiss I-TEMUAN
# I-TEMUAN
mencataindonesia. I-TEMUAN
Hasil O
penelitian O
ini O
diharapkan O
dapat O
dijadikan O
acuan O
untuk O
meningkatkan O
performa O
akun O
Instagram O
BPS. O
# O
gerakancintadata O
# O
pesonanegeri O
Kata O
Kunci— O
Engagement O
, O
Sentimen O
, O
Instagram O
, O
hashtags O
, O
BPS. O
[SEP] O
Sesuai O
dengan O
tujuan O
dari O
penelitian O
ini O
, O
didapatkan O
hasil O
sebagai O
berikut O
: O
1. O
Nilai B-TEMUAN
ER I-TEMUAN
BPS I-TEMUAN
adalah I-TEMUAN
1,642 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
yang I-TEMUAN
termasuk I-TEMUAN
dalam I-TEMUAN
Low I-TEMUAN
Engagement I-TEMUAN
Rate I-TEMUAN
2. O
Jenis O
unggahan O
yang O
dapat O
menarik O
viewer O
: O
a. O
Waktu O
yang O
bagus O
untuk O
menarik O
perhatian O
viewer O
terhadap O
unggahan O
adalah O
pada O
hari O
Rabu O
, O
Sabtu O
, O
dan O
Senin O
; O
dan O
pada O
pukul O
11 O
, O
16 O
, O
dan O
18. O
b. O
Tipe O
unggahan O
tidak O
memengaruhi O
perhatian O
viewer O
Dari O
hasil O
penelitian O
ini O
diharapkan O
dapat O
dijadikan O
acuan O
instagram O
BPS O
unggahan O
seperti O
apa O
yang O
dapat O
menarik O
viewer O
sehingga O
dapat O
meningkatkan O
performa O
akun O
instagram O
BPS. O

Pengukuran O
Engagement O
Rate O
dan O
Analisis O
Sentimen O
terhadap O
Unggahan O
Akun O
Instagram O
BPS O
Luqman O
Ismail O
Abdurrahim O
( O
16.9241 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Farid O
Ridho O
, O
S.S.T. O
, O
M.T. O
Ringkasan— O
Dalam O
setiap O
unggahan O
pada O
akun O
Instagram O
BPS O
, O
hal O
yang O
paling O
penting O
untuk O
diperhatikan O
adalah O
hubungan O
antara O
viewer O
dengan O
akun O
tersebut. O
Jika O
pengunggahan O
konten O
mengabaikan O
interaksi O
dengan O
viewer O
, O
maka O
dapat O
menimbulkan O
renggangnya O
hubungan O
antara O
kedua O
belah O
pihak O
dengan O
konsekuensi O
terburuk O
yaitu O
akun O
tidak O
dapat O
dipercaya O
dan O
dianggap O
tidak O
relevan O
oleh O
masyarakat. O
Beberapa O
cara O
yang O
dapat O
digunakan O
untuk O
mengetahui O
hubungan O
instagram O
BPS O
adalah O
dengan O
viewer O
dengan O
akun O
menghitung B-TUJUAN
nilai I-TUJUAN
engagement I-TUJUAN
rate I-TUJUAN
dari I-TUJUAN
akun I-TUJUAN
tersebut I-TUJUAN
dan I-TUJUAN
melakukan I-TUJUAN
analisis I-TUJUAN
sentimen I-TUJUAN
terhadap I-TUJUAN
komentar I-TUJUAN
dari I-TUJUAN
setiap I-TUJUAN
unggahan. I-TUJUAN
Hasil O
dari O
penelitian O
ini O
adalah O
nilai B-TEMUAN
ER I-TEMUAN
BPS I-TEMUAN
termasuk I-TEMUAN
rendah I-TEMUAN
dengan I-TEMUAN
nilai I-TEMUAN
1,642 I-TEMUAN
% I-TEMUAN
. I-TEMUAN
Unggahan I-TEMUAN
yang I-TEMUAN
dapat I-TEMUAN
menarik I-TEMUAN
banyak I-TEMUAN
viewer I-TEMUAN
adalah I-TEMUAN
ketika I-TEMUAN
diunggah I-TEMUAN
pada I-TEMUAN
hari I-TEMUAN
Rabu I-TEMUAN
, I-TEMUAN
Sabtu I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
Senin I-TEMUAN
; I-TEMUAN
dan I-TEMUAN
pada I-TEMUAN
pukul I-TEMUAN
11 I-TEMUAN
, I-TEMUAN
16 I-TEMUAN
, I-TEMUAN
dan I-TEMUAN
18. I-TEMUAN
Sentimen I-TEMUAN
dengan I-TEMUAN
rata-rata I-TEMUAN
positif I-TEMUAN
tertinggi I-TEMUAN
jatuh I-TEMUAN
pada I-TEMUAN
unggahan I-TEMUAN
dengan I-TEMUAN
hashtags I-TEMUAN
dan I-TEMUAN
# I-TEMUAN
kiss I-TEMUAN
# I-TEMUAN
mencataindonesia. I-TEMUAN
Hasil O
penelitian O
ini O
diharapkan O
dapat O
dijadikan O
acuan O
untuk O
meningkatkan O
performa O
akun O
Instagram O
BPS. O
# O
gerakancintadata O
# O
pesonanegeri O
Kata O
Kunci— O
Engagement O
, O
Sentimen O
, O
Instagram O
, O
hashtags O
, O
BPS. O
[SEP] O
Sesuai O
dengan O
tujuan O
dari O
penelitian O
ini O
, O
didapatkan O
hasil O
sebagai O
berikut O
: O
1. O
Nilai B-TEMUAN
ER I-TEMUAN
BPS I-TEMUAN
adalah I-TEMUAN
1,642 I-TEMUAN
% I-TEMUAN
, I-TEMUAN
yang I-TEMUAN
termasuk I-TEMUAN
dalam I-TEMUAN
Low I-TEMUAN
Engagement I-TEMUAN
Rate I-TEMUAN
2. O
Jenis O
unggahan O
yang O
dapat O
menarik O
viewer O
: O
a. O
Waktu O
yang O
bagus O
untuk O
menarik O
perhatian O
viewer O
terhadap O
unggahan O
adalah O
pada O
hari O
Rabu O
, O
Sabtu O
, O
dan O
Senin O
; O
dan O
pada O
pukul O
11 O
, O
16 O
, O
dan O
18. O
b. O
Tipe O
unggahan O
tidak O
memengaruhi O
perhatian O
viewer O
Dari O
hasil O
penelitian O
ini O
diharapkan O
dapat O
dijadikan O
acuan O
instagram O
BPS O
unggahan O
seperti O
apa O
yang O
dapat O
menarik O
viewer O
sehingga O
dapat O
meningkatkan O
performa O
akun O
instagram O
BPS. O

Pengembangan O
Sistem O
Informasi O
Permintaan O
Desain O
Metodologi O
Berbasis O
Web O
pada O
Subdirektorat O
PDSS O
Bidang O
Distribusi O
dan O
Jasa O
Lanang O
Adi O
Berkah O
( O
16.9231 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.BA. O
Ringkasan— O
Subdirektorat O
Pengembangan O
Desain O
Sensus O
dan O
Survei O
( O
PDSS O
) O
merupakan O
salah O
satu O
subdirektorat O
di O
BPS O
yang O
melayani O
permintaan O
desain O
metodologi O
sensus O
maupun O
survei O
dari O
subject O
matter. O
Terdapat O
empat O
SOP O
untuk O
menghasilkan O
dokumen O
yang O
diminta O
subject O
matter. O
Dalam O
melaksanakan O
masing-masing O
SOP O
, O
PDSS O
melakukan O
pengerjaan O
dokumen O
desain O
yang O
dibutuhkan O
dengan O
cara O
manual O
yaitu O
dengan O
rapat O
surat. O
Pada O
kenyataannya O
terdapat O
beberapa O
dan O
menulis O
permasalahan O
yang O
muncul O
diantaranya O
tidak O
ada O
komunikasi O
progres O
pengerjaan O
yang O
jelas O
kepada O
subject O
matter O
mengenai O
seluruh O
dokumen O
yang O
dibuat O
PDSS O
sehingga O
subject O
matter O
mengeluhkan O
tersebut O
padahal O
PDSS O
sudah O
mengerjakan O
sesuai O
antrian O
pengerjaan. O
Selain O
itu O
terdapat O
pengetahuan O
yang O
hilang O
dari O
pengalaman O
membuat O
survei O
karena O
tidak O
ada O
sistem O
pencatatannya. O
Oleh O
untuk O
mengatasi O
karena O
permasalahan O
sistem B-TUJUAN
informasi I-TUJUAN
permintaan I-TUJUAN
desain I-TUJUAN
metodologi I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
pada I-TUJUAN
bidang I-TUJUAN
distribusi I-TUJUAN
dan I-TUJUAN
jasa I-TUJUAN
di I-TUJUAN
PDSS I-TUJUAN
menggunakan O
SDLC B-METODE
Agile I-METODE
dengan I-METODE
pendekatan I-METODE
Scrum. I-METODE
ini O
dengan O
mengembangkan O
penelitian O
tersebut O
kelambanan O
pembuatan O
dilakukan O
dokumen O
itu O
Kata O
Kunci— O
PDSS O
, O
Laporan O
progres O
, O
Manajemen O
pengetahuan O
, O
Scrum. O
[SEP] O
adalah O
dan O
berhasil B-TEMUAN
Kesimpulan I-TEMUAN
dikembangkan I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
ini I-TEMUAN
permintaan I-TEMUAN
dokumen I-TEMUAN
metodologi I-TEMUAN
pada I-TEMUAN
Subdirektorat I-TEMUAN
PDSS I-TEMUAN
yang I-TEMUAN
memberikan I-TEMUAN
informasi I-TEMUAN
progres I-TEMUAN
pengerjaan I-TEMUAN
dokumen I-TEMUAN
desain I-TEMUAN
metodologi I-TEMUAN
layak I-TEMUAN
digunakan. I-TEMUAN
Selain O
itu O
, O
manajemen O
pengetahuan O
best O
practice O
dan O
lesson O
learned O
dari O
dokumen O
yang O
telah O
dibuat O
berhasil O
dikembangkan O
dan O
layak O
digunakan. O
saran O
yaitu O
pengembangan O
menambahkan O
tampilan O
landing O
page O
yang O
lebih O
menarik O
dan O
pengembangan O
akun O
pengguna O
untuk O
satu O
subdirektorat O
kerangka O
sampel O
selaku O
partner O
kerja O
subdirektorat O
desain O
dalam O
mendesain O
survey. O
Kemudian O
menambahkan O
fitur O
filter O
pengetahuan O
berdasarkan O
jenis O
dokumen O
metodologi O
atau O
berdasarkan O
SOP O
agar O
tampilan O
semua O
pengetahuan O
menjadi O
lebih O
baik O
lagi. O
selanjutnya O
Adapun O

Pengembangan O
Sistem O
Informasi O
Permintaan O
Desain O
Metodologi O
Berbasis O
Web O
pada O
Subdirektorat O
PDSS O
Bidang O
Distribusi O
dan O
Jasa O
Lanang O
Adi O
Berkah O
( O
16.9231 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.BA. O
Ringkasan— O
Subdirektorat O
Pengembangan O
Desain O
Sensus O
dan O
Survei O
( O
PDSS O
) O
merupakan O
salah O
satu O
subdirektorat O
di O
BPS O
yang O
melayani O
permintaan O
desain O
metodologi O
sensus O
maupun O
survei O
dari O
subject O
matter. O
Terdapat O
empat O
SOP O
untuk O
menghasilkan O
dokumen O
yang O
diminta O
subject O
matter. O
Dalam O
melaksanakan O
masing-masing O
SOP O
, O
PDSS O
melakukan O
pengerjaan O
dokumen O
desain O
yang O
dibutuhkan O
dengan O
cara O
manual O
yaitu O
dengan O
rapat O
surat. O
Pada O
kenyataannya O
terdapat O
beberapa O
dan O
menulis O
permasalahan O
yang O
muncul O
diantaranya O
tidak O
ada O
komunikasi O
progres O
pengerjaan O
yang O
jelas O
kepada O
subject O
matter O
mengenai O
seluruh O
dokumen O
yang O
dibuat O
PDSS O
sehingga O
subject O
matter O
mengeluhkan O
tersebut O
padahal O
PDSS O
sudah O
mengerjakan O
sesuai O
antrian O
pengerjaan. O
Selain O
itu O
terdapat O
pengetahuan O
yang O
hilang O
dari O
pengalaman O
membuat O
survei O
karena O
tidak O
ada O
sistem O
pencatatannya. O
Oleh O
untuk O
mengatasi O
karena O
permasalahan O
sistem B-TUJUAN
informasi I-TUJUAN
permintaan I-TUJUAN
desain I-TUJUAN
metodologi I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
pada I-TUJUAN
bidang I-TUJUAN
distribusi I-TUJUAN
dan I-TUJUAN
jasa I-TUJUAN
di I-TUJUAN
PDSS I-TUJUAN
menggunakan O
SDLC B-METODE
Agile I-METODE
dengan I-METODE
pendekatan I-METODE
Scrum. I-METODE
ini O
dengan O
mengembangkan O
penelitian O
tersebut O
kelambanan O
pembuatan O
dilakukan O
dokumen O
itu O
Kata O
Kunci— O
PDSS O
, O
Laporan O
progres O
, O
Manajemen O
pengetahuan O
, O
Scrum. O
[SEP] O
adalah O
dan O
berhasil B-TEMUAN
Kesimpulan I-TEMUAN
dikembangkan I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
ini I-TEMUAN
permintaan I-TEMUAN
dokumen I-TEMUAN
metodologi I-TEMUAN
pada I-TEMUAN
Subdirektorat I-TEMUAN
PDSS I-TEMUAN
yang I-TEMUAN
memberikan I-TEMUAN
informasi I-TEMUAN
progres I-TEMUAN
pengerjaan I-TEMUAN
dokumen I-TEMUAN
desain I-TEMUAN
metodologi I-TEMUAN
layak I-TEMUAN
digunakan. I-TEMUAN
Selain O
itu O
, O
manajemen O
pengetahuan O
best O
practice O
dan O
lesson O
learned O
dari O
dokumen O
yang O
telah O
dibuat O
berhasil O
dikembangkan O
dan O
layak O
digunakan. O
saran O
yaitu O
pengembangan O
menambahkan O
tampilan O
landing O
page O
yang O
lebih O
menarik O
dan O
pengembangan O
akun O
pengguna O
untuk O
satu O
subdirektorat O
kerangka O
sampel O
selaku O
partner O
kerja O
subdirektorat O
desain O
dalam O
mendesain O
survey. O
Kemudian O
menambahkan O
fitur O
filter O
pengetahuan O
berdasarkan O
jenis O
dokumen O
metodologi O
atau O
berdasarkan O
SOP O
agar O
tampilan O
semua O
pengetahuan O
menjadi O
lebih O
baik O
lagi. O
selanjutnya O
Adapun O

Pengembangan O
Sistem O
Informasi O
Permintaan O
Desain O
Metodologi O
Berbasis O
Web O
pada O
Subdirektorat O
PDSS O
Bidang O
Distribusi O
dan O
Jasa O
Lanang O
Adi O
Berkah O
( O
16.9231 O
, O
4SI1 O
) O
Dosen O
Pembimbing O
: O
Firdaus O
, O
M.BA. O
Ringkasan— O
Subdirektorat O
Pengembangan O
Desain O
Sensus O
dan O
Survei O
( O
PDSS O
) O
merupakan O
salah O
satu O
subdirektorat O
di O
BPS O
yang O
melayani O
permintaan O
desain O
metodologi O
sensus O
maupun O
survei O
dari O
subject O
matter. O
Terdapat O
empat O
SOP O
untuk O
menghasilkan O
dokumen O
yang O
diminta O
subject O
matter. O
Dalam O
melaksanakan O
masing-masing O
SOP O
, O
PDSS O
melakukan O
pengerjaan O
dokumen O
desain O
yang O
dibutuhkan O
dengan O
cara O
manual O
yaitu O
dengan O
rapat O
surat. O
Pada O
kenyataannya O
terdapat O
beberapa O
dan O
menulis O
permasalahan O
yang O
muncul O
diantaranya O
tidak O
ada O
komunikasi O
progres O
pengerjaan O
yang O
jelas O
kepada O
subject O
matter O
mengenai O
seluruh O
dokumen O
yang O
dibuat O
PDSS O
sehingga O
subject O
matter O
mengeluhkan O
tersebut O
padahal O
PDSS O
sudah O
mengerjakan O
sesuai O
antrian O
pengerjaan. O
Selain O
itu O
terdapat O
pengetahuan O
yang O
hilang O
dari O
pengalaman O
membuat O
survei O
karena O
tidak O
ada O
sistem O
pencatatannya. O
Oleh O
untuk O
mengatasi O
karena O
permasalahan O
sistem B-TUJUAN
informasi I-TUJUAN
permintaan I-TUJUAN
desain I-TUJUAN
metodologi I-TUJUAN
berbasis I-TUJUAN
web I-TUJUAN
pada I-TUJUAN
bidang I-TUJUAN
distribusi I-TUJUAN
dan I-TUJUAN
jasa I-TUJUAN
di I-TUJUAN
PDSS I-TUJUAN
menggunakan O
SDLC B-METODE
Agile I-METODE
dengan I-METODE
pendekatan I-METODE
Scrum. I-METODE
ini O
dengan O
mengembangkan O
penelitian O
tersebut O
kelambanan O
pembuatan O
dilakukan O
dokumen O
itu O
Kata O
Kunci— O
PDSS O
, O
Laporan O
progres O
, O
Manajemen O
pengetahuan O
, O
Scrum. O
[SEP] O
adalah O
dan O
berhasil B-TEMUAN
Kesimpulan I-TEMUAN
dikembangkan I-TEMUAN
sistem I-TEMUAN
informasi I-TEMUAN
ini I-TEMUAN
permintaan I-TEMUAN
dokumen I-TEMUAN
metodologi I-TEMUAN
pada I-TEMUAN
Subdirektorat I-TEMUAN
PDSS I-TEMUAN
yang I-TEMUAN
memberikan I-TEMUAN
informasi I-TEMUAN
progres I-TEMUAN
pengerjaan I-TEMUAN
dokumen I-TEMUAN
desain I-TEMUAN
metodologi I-TEMUAN
layak I-TEMUAN
digunakan. I-TEMUAN
Selain O
itu O
, O
manajemen O
pengetahuan O
best O
practice O
dan O
lesson O
learned O
dari O
dokumen O
yang O
telah O
dibuat O
berhasil O
dikembangkan O
dan O
layak O
digunakan. O
saran O
yaitu O
pengembangan O
menambahkan O
tampilan O
landing O
page O
yang O
lebih O
menarik O
dan O
pengembangan O
akun O
pengguna O
untuk O
satu O
subdirektorat O
kerangka O
sampel O
selaku O
partner O
kerja O
subdirektorat O
desain O
dalam O
mendesain O
survey. O
Kemudian O
menambahkan O
fitur O
filter O
pengetahuan O
berdasarkan O
jenis O
dokumen O
metodologi O
atau O
berdasarkan O
SOP O
agar O
tampilan O
semua O
pengetahuan O
menjadi O
lebih O
baik O
lagi. O
selanjutnya O
Adapun O