INSERT : Information System and Emerging Technology Journal

Prediksi Hasil Tender Pengadaan Barang dan Jasa pada Bagian Pengadaan Barang dan Jasa Sekretariat Daerah Buleleng dengan Algoritma C5.0

I Gede Agus Krisna Perdana — 2024-12-31

Pengadaan barang dan jasa adalah salah satu program pemerintah untuk memenuhi kebutuhan akan suatu barang dan jasa oleh suatu Kementrian, Lembaga, atau Perangkat Daerah dengan melalui sebuah metode dan proses agar mencapai kesepakatan harga, waktu dan lainnya untuk memenuhi tujuan dari pengadaan barang dan jasa. di Bagian Pengadaan Barang dan Jasa Sekretariat Daerah Buleleng, setiap tahunnya terdapat paket tender yang gagal karena berbagai faktor yang menyebabkan gagalnya tujuan pembangunan kota dan menjadi isu transparansi penggunaan anggaran pemerintah yang dapat berpengaruhnya pandangan masyarakat terhadap pemerintah. Oleh karena itu datanya perlu digali lebih dalam atau data mining dengan tujuan memprediksi hasil tender sebagai manajemen risiko dalam pengadaan barang dan jasa di BPBJ Sekretariat Daerah Buleleng untuk perencanaan pengadaan barang dan jasa yang lebih efektif dan efesien. Algoritma C5.0 adalah salah satu algoritma yang dapat memproses data hasil tender dengan memproses dataset ke dalam bentuk pohon keputusan yang membentuk aturan-aturan untuk membantu dalam pengambilan keputusan dalam pengadaan tender di BPBJ Sekretariat Daerah Buleleng. Dengan tambahan metode attribute selection dan oversampling, performa terbaik yang didapatkan dari hasil pengujian 3 (tiga) jenis k-fold cross validation yaitu pada 5-fold menghasilkan performa accuracy 0.703152633, precision 0.688464330, recall 0.761427203, dan AUC score 0.703194444, pada 7-fold menghasilkan performa accuracy 0.708044382, precision 0.706945844, recall 0.742024965, dan AUC score 0.708044382, dan pada 10-fold menghasilkan performa accuracy 0.741379310, precision 0.716926571, recall 0.799029680, dan AUC score 0.741343226.

Evaluasi dan Perbandingan Algoritma Klasifikasi dalam Analisis Penggunaan Lahan dengan Teknologi Remote Sensing: Sebuah Kajian Sistematik

Putu Raditia Satriawan — 2024-12-31

Teknologi Remote Sensing memainkan peran penting dalam pemantauan dinamika penggunaan lahan, memberikan wawasan berharga untuk manajemen lingkungan dan perencanaan perkotaan. Pemilihan algoritma yang tepat merupakan aspek kunci dalam analisis Remote Sensing untuk mengklasifikasikan kategori Land Use dan Land Cover secara akurat. Sistematik review ini menganalisis studi-studi yang menggunakan lima algoritma klasifikasi umum dalam penginderaan jauh: Random Forest (RF), Support Vector Machine (SVM), k-Nearest Neighbors (kNN), Decision Trees (DT), Artificial Neural Network (ANN), dan Classification and Regression Tree (CART) Setiap algoritma dievaluasi berdasarkan kelebihan dan kelemahan serta kompleksitas data dan tujuan analisis. Hasil review menunjukkan bahwa RF seringkali menjadi pilihan terbaik dalam berbagai kasus karena akurasinya yang tinggi dan kemampuan menangani data besar. SVM menunjukkan performa maksimal dan efisiensi dalam kondisi data yang lebih spesifik. Algoritma kNN, DT, ANN, dan CART juga memiliki aplikasi yang signifikan namun tergantung pada konteks penggunaan. Pemilihan algoritma yang tepat sangat bergantung pada karakteristik data dan tujuan analisis. Kombinasi algoritma atau pendekatan ensemble dapat meningkatkan akurasi klasifikasi penggunaan lahan. Implementasi algoritma yang tepat dalam Remote Sensing akan memberikan kontribusi signifikan pada manajemen lingkungan dan perencanaan perkotaan yang lebih baik.

Menghitung Efisiensi Kebutuhan Bahan Ajar Cetak Universitas Terbuka Menggunakan Model Safety Stock dan Reorder Point

Unggul Utan Sufandi — 2024-12-31

Proses pemesanan modul atau Bahan Ajar Cetak (BAC) bagi mahasiswa Universitas Terbuka (UT) sangat bergantung pada ketersediaan stok di Gudang Pusat Layanan Bahan Ajar (PLBA) UT. Prediksi kebutuhan dan jumlah persediaan BAC yang optimal sangat diperlukan agar tidak terjadi kekurangan atau penumpukan akibat stok bahan ajar yang berlebih. Dengan adanya prediksi kebutuhan BAC yang tepat dan akurat, diharapkan dapat membantu proses perhitungan bahan baku yang akan dibeli dapat sesuai dengan jumlah kebutuhan dan pemesanan BAC yang diterima mahasiswa. Sehingga hal tersebut dapat mengurangi resiko kekurangan atau kelebihan stok dalam proses inventori manajemen yang berjalan. Penelitian ini bertujuan untuk menentukan kuantitas persediaan BAC dengan menggunakan sebuh model prediksi safety stock dan reoder point (ROP). Safety stock digunakan untuk mengetahui berapa jumlah aman stok yang harus disediakan dan ROP digunakan untuk mengetahui kapan waktu pemesanan ulang harus dilakukan. Penelitian ini menggunakan metode deksriptif kuantitatif. Sumber data diperoleh secara langsung dari data histori transaksi bahan ajar dalam rentang waktu masa registrasi sebelumnya yaitu semester 2022 genap. Batasan penelitian ini adalah menghitung prediksi kebutuhan untuk stok BAC mahasiswa jenis program Sistem Paket Semester (SIPAS) pembelajaran Non Tatap Muka (Non Ttm) pada program Paramita UT tahun 2023. Hasil prediksi safety stock menunjukkan presentase akurasi tertinggi yaitu 86,84% setelah dibandingkan dengan data riil pengeluaran BAC masa 2022 genap

Analisis Akurasi dan Kecepatan Waktu Pencarian Warna Produk Menggunakan ChatGPT dan Website Produk

Vara Susilowati — 2024-12-31

Informasi produk merupakan elemen penting dalam menarik minat konsumen, dimana nama dan warna produk memainkan peran krusial dalam keputusan pembelian. Warna produk, misalnya, dapat mempengaruhi emosi dan perasaan konsumen, sehingga presisi informasi mengenai warna sangat penting. Dalam konteks e-commerce, revisi terhadap nama, kode, dan warna produk sering dilakukan untuk memastikan kesesuaian antara data produk di situs website dan dataset internal perusahaan. Proses pengecekan manual terhadap warna produk pada situs website resmi memerlukan banyak waktu. Penelitian ini bertujuan untuk mengetahui seberapa efektif ChatGPT dalam mengidentifikasi warna produk dan bagaimana kecepatan waktu yang dibutuhkan untuk mencapai hasil. ChatGPT digunakan untuk mengidentifikasi warna produk dengan cara memberikan prompt yang relevan dan menunggu jawaban yang diberikan oleh ChatGPT. Kemudian, hasilnya dibandingkan dengan website pembuat produk. Kecepatan waktu yang dibutuhkan untuk mencapai hasil yang akurat juga dihitung dan dibandingkan dengan website produk. Penelitian ini menggunakan desain eksperimen, di mana akan dikumpulkan 200 data e - commerce yang terdiri dari nama produk dan kode produk. Data tersebut akan digunakan untuk mengevaluasi kinerja ChatGPT dan website dalam mengidentifikasi warna produk. Hasil penelitian menunjukkan bahwa akurasi ChatGPT dalam mengidentifikasi warna produk hanya mencapai 59% dengan kecepatan waktu rata-rata 4,37 detik, lebih cepat dibandingkan website produk. Meskipun demikian, website produk memberikan akurasi 100% dalam identifikasi warna produk, meskipun waktu yang dibutuhkan lebih lambat, yaitu 4,7 detik. Oleh karena itu, meskipun ChatGPT lebih cepat, website produk tetap lebih terpercaya dalam hal akurasi pencarian warna untuk melengkapi dataset suatu produk mengenai warna produk.

Integration of Bayesian Methods in Machine Learning: A Theoretical and Empirical Review

Syaharuddin Syaharuddin — 2024-12-31

Abstrak
Studi ini merupakan sebuah tinjauan literatur sistematis yang mendalami integrasi metode Bayesian dalam pembelajaran mesin. Metode Bayesian telah terbukti memberikan keuntungan signifikan dalam menangani ketidakpastian dan variabilitas data, yang merupakan tantangan utama dalam pengembangan model pembelajaran mesin yang handal. Tinjauan ini menggali literatur terbitan dalam 10 tahun terakhir dari sumber seperti Scopus, DOAJ, dan Google Scholar untuk mengidentifikasi pendekatan teoritis dan empiris dalam penggunaan metode Bayesian. Hasil penelitian menyoroti bahwa metode Bayesian memungkinkan integrasi pengetahuan awal yang informatif dengan data yang ada, memperbaiki estimasi parameter, dan meningkatkan ketahanan model terhadap variasi data yang kompleks. Namun, tantangan utama dalam implementasi metode ini adalah kompleksitas komputasional yang tinggi dalam melakukan inferensi, terutama dalam konteks data multi-modal. Tinjauan ini memberikan wawasan mendalam tentang perkembangan terbaru dalam aplikasi metode Bayesian dalam pembelajaran mesin dan merumuskan arah penelitian mendatang untuk mengatasi tantangan tersebut secara efektif.

Abstrak
This study presents a systematic literature review that delves into the integration of Bayesian methods in machine learning. Bayesian methods have been shown to provide significant advantages in handling data uncertainty and variability, which are major challenges in developing reliable machine learning models. This review explores literature published in the last 10 years from sources such as Scopus, DOAJ, and Google Scholar to identify theoretical and empirical approaches in the use of Bayesian methods. The findings highlight that Bayesian methods enable the integration of informative prior knowledge with existing data, improve parameter estimation, and enhance model robustness against complex data variations. However, the main challenge in implementing these methods is the high computational complexity involved in performing inference, especially in the context of multi-modal data. This review provides in-depth insights into the latest developments in the application of Bayesian methods in machine learning and formulates future research directions to effectively address these challenges.

Aplikasi Dashboard Berbasis Web untuk Monitoring dan Pengambilan Keputusan Sumbangan Minyak Jelantah

Kartina Diah Kesuma Wardhani — 2024-12-31

Minyak jelantah, yang dihasilkan dari memasak makanan, dapat menjadi limbah yang berbahaya jika dibuang sembarangan. Ketika dibuang ke saluran pembuangan atau tempat sampah biasa, minyak tersebut dapat mencemari lingkungan dengan menyumbat saluran air, mencemari tanah, serta mengganggu kehidupan akuatik di perairan. Minyak jelantah merupakan salah satu bahan baku biodisel yang nilai manfaatnya digunakan untuk mendukung program-program sosial, kemanusiaan, [1]lingkungan dan kesehatan. Saat ini pencatatan minyak jelantah yang disedekahkan oleh masyarakat di 5 kelurahan di kecamatan Dumai Timur - Riau masih dilakukan melalui Excel oleh petugas yang berwenang di setiap titik pengumpulan minyak jelantah. Semakin banyak data yang diolah di Excel, semakin besar kemungkinan terjadi kesalahan manusia atau kesalahan dalam formula karena proses pengolahan data yang dilakukan secara manual. Keterbatasan pada aplikasi ms.excell tersebut membuat proses identifikasi indikator yang diperlukan memerlukan effort yang lebih banyak. Untuk mengatasi permasalahan tersebut dikembangkan Dashboard Visualisasi SIMINAH (Sistem Informasi Sedekah Minyak Jelantah) yang dapat digunakan untuk memberikan kemudahan petugas dalam melakukan monitoring dan membaca informasi dengan cepat dan akurat dari transaksi donasi minyak jelantah yang dilakukan warga. Penelitian ini dilakukan sesuai dengan metode pengembangan Dashboard Visualisasi yang terdiri dari User Identification & Task Identification, Data Selection & Visualization Technique, Dashboard Implementation, Dashboard Evaluation dan Dashboard Deployment. Pengujian blackbox testing yang telah dilakukan menunjukkan bahwa 100% fungsional telah sesuai dan memenuhi seluruh task identification pada penelitian ini.

Pengembangan Verifikasi Informasi Cek Bank dengan Menggunakan CNN-XGBoost Image Classification untuk Verifikasi Tanda Tangan dan Pengenalan Tulisan Tangan

Kevin Saputra Utomo — 2024-12-31

Sistem bank menjadi lebih maju di mana banyak orang yang sekarang bahkan tidak memegang uang tunai dan melakukan transaksi melalui aplikasi atau transfer online.

Namun, ada beberapa transaksi bank yang ketinggalan jaman, seperti cek bank tertulis. Verifikasi dan kliring cek bank tertulis membutuhkan tenaga kerja yang sangat besar. Oleh karena itu, ada berbagai penelitian yang dilakukan untuk membuat transaksi cek bank menjadi lebih efisien, salah satunya adalah penggunaan machine learning. Penelitian ini dilakukan dengan tujuan mengetahui akurasi CNN-XGBoost untuk verifikasi tanda tangan dan rekognisi angka dan huruf. Untuk pengembangan penelitian ini, sebuah simulasi verifikasi dan pengecekan informasi cek bank akan dilakukan dengan model CNN-XGBoost. Dataset yang dipakai untuk pelatihan model di penelitian ini adalah IDRBT bank cheque dataset, EMNIST Digit, dan EMNIST Letter. Dataset akan di preprocess menggunakan beberapa cara seperti menghilangkan background, grayscale, padding, pixel normalize, histogram equalization, gaussian blur, dan canny edge detection. Dari penelitian didapatkan hasil accuracy model untuk verifikasi tanda tangan sebesar 97.06%, untuk rekognisi huruf 98.76%, dan rekognisi angka 99.57%. Model tidak dapat digunakan untuk sepenuhnya menggantikan tenaga kerja manusia dalam kliring cek bank tertulis. Ini karena risiko kesalahan dalam transfer keuangan sangat berbahaya, kesalahan dalam transfer dapat menyebabkan uang yang dikirim jauh berbeda dari yang tertera di cek. CNN-XGBoost masih berguna untuk membantu ekstraksi informasi untuk membantu mengurangi tenaga kerja yang dibutuhkan.