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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Pemodelan O
Data O
Pengeluaran O
Per O
Kapita O
Rumah O
Tangga O
Provinsi O
Jawa O
Timur O
Tahun O
2021 O
dengan O
Pendekatan O
Bayesian O
Sarah O
Mutia O
( O
221910787 O
, O
4SD2 O
) O
Dosen O
Pembimbing O
: O
Dr. O
Rindang O
Bangun O
Prasetyo O
, O
S.S.T. O
, O
M.Si. O
Ringkasan— O
Pemodelan O
data O
pengeluaran O
per O
kapita O
rumah O
tangga O
sangat O
penting O
sebagai O
dasar O
pengambilan O
kebijakan O
pemerintah O
dalam O
pengentasan O
kemiskinan. O
Pemodelan O
ini O
dilakukan O
karena O
data O
pengeluaran O
per O
kapita O
rumah O
tangga O
sulit O
diperoleh O
melalui O
sensus O
sehingga O
diharapkan O
hasil O
pemodelan O
dapat O
digunakan O
untuk O
memprediksi O
nilai O
pengeluaran O
per O
kapita O
rumah O
tangga O
pada O
data O
hasil O
sensus. O
Pengeluaran O
per O
kapita O
rumah O
tangga O
memiliki O
karakteristik O
selalu O
positif O
dan O
menceng O
kanan. O
Maka O
dari O
itu