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
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

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
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
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

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
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

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
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
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

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
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

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
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
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

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
, 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

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

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

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
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
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

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
, 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

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
, 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

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
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

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

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
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

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
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
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

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

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
[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
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

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
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

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
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
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

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
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
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

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

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
, 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

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
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

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

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
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

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
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

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
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
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
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

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
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

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
, 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
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
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

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

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
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

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

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

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
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

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
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

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
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

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
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

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

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
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

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

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
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

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

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
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

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
, 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

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
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

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

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

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
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

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

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
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
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

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
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

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
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

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

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
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

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
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
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

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
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

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

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
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

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

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
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

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

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

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

, 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
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

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

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

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

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
, 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

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

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

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

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

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

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

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
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

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

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

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

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
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

, 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

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

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

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

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

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
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

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

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
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

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
, 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

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
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
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
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
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

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
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

) 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
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

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
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

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

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
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

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

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

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

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
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
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

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

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
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

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

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
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

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

, 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
, 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
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

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
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
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

, 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
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

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
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
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

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
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
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

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
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

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
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
, 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

, 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
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

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
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

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
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
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
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

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

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
, 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
) 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

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
, 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
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

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

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
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
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

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
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

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
: 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

( 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
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

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
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
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
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

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
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

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

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
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

( 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

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

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
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

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

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
, 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
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

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
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
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

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
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
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

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
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

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

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

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
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
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
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

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
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
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
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

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
] 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

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

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
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

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

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

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
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
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

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
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

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
: 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

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

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

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
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

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
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
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
, 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

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

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
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

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

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

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

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
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

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

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

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
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
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

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
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
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

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
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

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
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
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

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

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

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
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
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

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

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

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
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

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

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
[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

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
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
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
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

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
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
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

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

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
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
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
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

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
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
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
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

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

, 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

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
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
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

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
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

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

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
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

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

) 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

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

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
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
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

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

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

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

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
( 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

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
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

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

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

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
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

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
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

, 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

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
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
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
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

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

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
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
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

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

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
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
, 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

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

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

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
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

, 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

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

, 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

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
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

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
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
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
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
, 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

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

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
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

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
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

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

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

, 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
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

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
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
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

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

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
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
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
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

, 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
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
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

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
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
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
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

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
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
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

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

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

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
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
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

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

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
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
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

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

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
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
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

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
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
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

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
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

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

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
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
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
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

, 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
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
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
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

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
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

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
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
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

1. O
Klasifikasi B-METODE
menggunakan 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
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
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

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
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

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

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
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
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
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

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
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
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

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

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

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
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
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

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
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
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
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

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
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
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
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

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
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

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
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

, 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
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

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
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

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
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

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
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

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
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
, 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

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
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

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
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

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

( 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
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
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

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
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

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

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

( 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
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
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
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

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
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
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

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

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
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
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

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
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

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
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
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

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

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

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
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
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

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
, 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

. 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
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

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
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
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
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

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
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

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
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

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

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
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

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
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
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

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
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
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

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

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

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
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

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
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

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
, 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

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
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
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

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
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
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
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

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

, 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
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
, 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

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
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
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

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
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
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

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
[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
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
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
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

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

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

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
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
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

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

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
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

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

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
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
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

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
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

/ 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
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

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
, 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
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

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
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
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
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

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
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
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

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
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

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
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
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
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

) 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
, 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
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

) 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
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

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

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
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

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

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

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

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
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

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

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