Search

Seiring dengan perkembangan jumlah penggunaan Internet of Things yang terus meningkat dan meluas. Ancaman keamanan pada jaringan IoT juga meningkat. Terdapat beberapa teknik yang diterapkan untuk mengatasi ancaman keamanan ini. Salah satunya adalah teknik untuk mengklasifikasi suatu aktivitas yang termasuk dalam serangan atau bukan beserta jenis serangannya. Machine learning dapat dimanfaatkan untuk proses pengklasifikasian ini. Diantara algoritma machine learning yang dapat digunakan untuk penelitian ini adalah pendekatan algoritma Decision Tree dan K-Nearest Neighbor. Penelitian ini bertujuan untuk mendapatkan hasil klasifikasi terbaik untuk mendeteksi jenis serangan jaringan IoT baik dalam klasifikasi biner maupun klasifikasi multikleas. Dalam penelitian ini memanfaatkan Dataset Edge-IIoTset Cyber Security Dataset of IoT & IIoT. Hasil nilai evaluasi yang didapatkan menunjukkan bahwa performa algoritma Decision Tree lebih baik dibandingkan dengan Algoritma KNN. Dengan selisih nilai presisi, recall, F1-score, dan akurasi secara berurutan adalah 0.15, 0.18, 0.17 dan 0.08 dalam klasifikasi biner. Sedangkan dalam klasifikasi multikelas mendapatkan nilai selisih antar kedua algoritma sebesar 0.26, 0.20, 0.22, dan 0.23 secara berurutan untuk presisi, recall, F1-score, dan akurasi.

Kanker kulit benign (jinak) dan malignant (ganas) merupakan jenis kanker kulit yang sering dijumpai. Tanda-tanda kanker kulit penting untuk diketahui dengan diagnosis dini agar dapat diberikan penanganan yang tepat, sehingga dapat mengurangi tingkat kematian penderitanya. Citra dermoskopi menjadi salah satu media diagnosis yang telah banyak dikembangkan oleh peneliti. Analisis citra dermoskopi memberikan hasil lebih optimal dalam diagnosis berbasis komputasi dibandingkan deteksi visual. Model yang berhasil diterapkan dalam diagnosis berbasis komputasi tersebut di antaranya deep learning dan transfer learning, tetapi masih diperlukan optimalisasi. Pada penelitian ini, dilakukan klasifikasi citra dermoskopi kanker kulit ke dalam dua kelas (benign dan malignant) dengan memanfaatkan transfer learning. Untuk meningkatkan akurasi penelitian yang telah dilakukan sebelumnya pada dataset publik dari Kaggle dengan jumlah 3.297 citra, penelitian ini menggunakan 2.000 citra. Penelitian ini membandingkan dua pre-trained model, yaitu VGG-16 dan residual network (ResNet)-50 yang digunakan sebagai feature extractor. Selanjutnya dilakukan fine-tuning dengan menambahkan flatten layer, dua dense layer dengan fungsi aktivasi ReLU, dan satu dense layer dengan fungsi aktivasi Softmax untuk melakukan klasifikasi ke dalam dua kelas. Hyper parameter tuning pada optimizer, batch size, learning rate, dan epoch dilakukan untuk mendapatkan kombinasi parameter dengan kinerja terbaik pada masing-masing model. Sebelum dilakukan hyper parameter tuning, model diuji dengan resize citra masukan menggunakan ukuran yang berbeda-beda. Hasil pengujian model menggunakan citra uji pada model VGG-16 memberikan kinerja terbaiknya pada ukuran citra 128 × 128 piksel dengan kombinasi parameter Adam sebagai optimizer, batch size 64, learning rate 0,001, dan epoch 10 dengan nilai akurasi 91% dan loss 0,2712. Model ResNet-50 memberikan akurasi yang lebih baik, yaitu 94%, dan loss 0,2198 dengan parameter optimizer RMSprop, batch size 64, learning rate 0,0001, dan epoch 100. Hasil pengujian ini menunjukkan bahwa metode yang diusulkan memberikan akurasi yang baik dan dapat membantu dermatologi dalam deteksi dini kanker kulit.

Class-imbalanced data with high attribute dimensions in datasets frequently contribute to issues in a classification process as this can affect algorithms’ performance in the computing process because there are imbalanced numbers of data in each class and irrelevant attributes that must be processed; therefore, this needs for some techniques to overcome the class-imbalanced data and feature selection to reduce data complexity and irrelevant features. Therefore, this study applied random oversampling (ROs) method to overcome the class-imbalanced data and two feature selections (information gain and forward selection) compared to determine which feature selection is superior, more effective and more appropriate to apply. The results of feature selection then were used to classify the student graduation by creating a classification model of Naïve Bayes algorithm. This study indicated an increase in the average accuracy of the Naïve Bayes method without the ROs preprocessing and the feature selection (81.83%), with the ROs (83.84%), with information gain with 3 selected features (86.03%) and forward selection with 2 selected features (86.42%); consequently, these led to increasing accuracy of 4.2% from no pre-processing to information gain and 4.59% from no pre-processing to forward selection. Therefore, the best feature selection was the forward selection with 2 selected features (GPA of the 8th semester and the overall GPA), and the ROs and both feature selections were proven to improve the performance of the Naïve Bayes method.

Background: Radiologists used chest radiographs to detect coronavirus disease 2019 (COVID-19) in patients and determine the severity levels. The COVID-19 cases were grouped into five classes, each receiving different treatments. An intelligent system is needed to advance the detection and identify vector features of X-ray images with a quality that is too poor to be read by radiologists. Deep learning is an intelligent system that can be used in this case. Objective: The current study compares the classification and accuracy of detection methods with two, three dan five classes. Methods: Deep learning can classify visual geometry group VGG 19 architectures with 1000 classes. The classification of the five classes' convolutional neural network (CNN) underwent model validation with a confusion matrix to produce accuracy and class values. The system could then diagnose patients’ examinations by radiology specialists. Results: The results of the five-class method showed 98% accuracy, the three-class method showed 99.99%, and the two-class showed 99.99%. Conclusion: It can be concluded that using the VGG 19 model is effective. This system can classify and diagnose viruses in patients to assist radiologists by reading the images. Keywords: COVID-19, CNN, Classification, Deep Learning

Penelitian penentuan calon bantuan siswa miskin ini di Sekolah Dasar Negeri 37 Bengkulu Selatan. Masalah yang terjadi ada ketidaksesuaian dari hasil output dalam pemberian bantuan siswa miskin, belum digunakannya metode keputusan untuk setiap kriteria dan masih menggunakan penilaian prediksi atau perkiraan untuk calon penerima bantuan. Metode penelitian yang dilakukan menggunakan Fuzzy Tsukamoto dengan perbandingan dua metode yaitu rule pakar dan Decision Tree SimpleCart. Tahapan penelitian ini dimulai dengan menganalisis output dengan melakukan seleksi dari sejumlah alternatif hasil, kemudian melakukan pencarian nilai bobot setiap atribut dari Fuzzy Tsukamoto dengan metode perbandingan rule pakar dan Decision Tree SimpleCart. Selanjutnya menentukan parameter batasan fungsi keanggotaan fuzzy meliputi kartu perlindungan sosial, nilai rata-rata raport, tanggungan, penghasilan orang tua, prestasi dan kepemilikan rumah. Analisis hasil yang diperoleh dari pengujian terhadap 75 data siswa dan telah dilakukan klasifikasi menggunakan Fuzzy Tsukamoto didapatkan hasil akurasi dengan metode rule pakar sebesar 72% dan metode Decision Tree SimpleCart sebesar 76%. Hasil akurasi tersebut di simpulkan bahwa metode Decision Tree SimpleCart mempunyai tingkat akurasi yang lebih tinggi dari metode rule pakar sehingga lebih mampu dalam menyeleksi serta mencari nilai bobot penentuan bantuan siswa miskin. Abstract Research on the determination of candidates for assistance from poor students in South Bengkulu 37 Primary School. The problem that occurs is there is a mismatch of the output results in the provision of assistance to poor students, the decision method has not been used for each criterion and is still using predictive or estimated assessments for prospective beneficiaries. The research method used was Fuzzy Tsukamoto with a comparison of two methods, namely expert rule, and SimpleCart Decision Tree. The stages of this research began by analyzing the output by selecting many alternative results, then searching for the weight value of each attribute from Fuzzy Tsukamoto with the method of expert rule comparison and the SimpleCart Decision Tree. Next determine the parameters of the fuzzy membership function limit includes social protection cards, the average value of report cards, dependents, parents' income, achievements, and homeownership. Analysis of the results obtained from testing of 75 student data and classification using Fuzzy Tsukamoto has obtained accuracy with the expert rule method by 72% and the SimpleCart Decision Tree method by 76%. The accuracy results are concluded that the SimpleCart Decision Tree method has a higher level of accuracy than the expert rule method so that it is better able to select and search for the weighting value of determining the assistance of poor students.

Penelitian ini menerangkan analisis decision tree J48, REPTree dan Random Tree dengan menggunakan metode fuzzy Tsukamoto dalam penentuan jumlah produksi minyak kelapa sawit di perusahaan PT Tapiana Nadenggan dengan tujuan untuk mengetahui decision tree mana yang hasilnya mendekati dari data sesungguhnya. Digunakannya decision tree J48, REPTree, dan Random Tree yaitu untuk mempercepat dalam pembuatan rule yang digunakan tanpa harus berkonsultasi dengan para pakar dalam menentukan rule yang digunakan. Berdasarkan data yang digunakan akurasi pembentukan rule dari decision tree J48 adalah 95,2381%, REPTree adalah 90,4762%, dan Random Tree adalah 95,2381%. Hasil dari penelitian yang telah dihitung bahwa metode fuzzy Tsukamoto dengan menggunakan REPTree mempunyai error Average Forecasting Error Rate (AFER) yang lebih kecil sebesar 23,17 % dibandingkan dengan menggunakan J48 sebesar 24,96 % dan Random Tree sebesar 36,51 % pada prediksi jumlah produksi minyak kelapa sawit. Oleh sebab itu ditemukan sebuah gagasan bahwa akurasi pohon keputusan yang terbentuk menggunakan tools WEKA tidak menjamin akurasi yang terbesar adalah yang terbaik, buktinya dari kasus ini REPTree memiliki akurasi rule paling kecil, akan tetapi hasil prediksi memiliki tingkat error paling kecil, dibandingkan dengan J48 dan Random Tree. Abstract This study explains the J48, REPTree and Tree Random tree decision analysis using Tsukamoto's fuzzy method in determining the amount of palm oil production in PT Tapiana Nadenggan's company with the aim of finding out which decision tree results are close to the actual data. The decision tree J48, REPTree, and Random Tree is used to accelerate the making of rules that are used without having to consult with experts in determining the rules used. Based on the data used the accuracy of the rule formation of the J48 decision tree is 95.2381%, REPTree is 90.4762%, and the Random Tree is 95.2381%. The results of the study have calculated that the Tsukamoto fuzzy method using REPTree has a smaller Average Forecasting Error Rate (AFER) rate of 23.17% compared to using J48 of 24.96% and Tree Random of 36.51% in the prediction of the amount of palm oil production. Therefore an idea was found that the accuracy of decision trees formed using WEKA tools does not guarantee the greatest accuracy is the best, the proof of this case REPTree has the smallest rule accuracy, but the predicted results have the smallest error rate, compared to J48 and Tree Random.

Penelitian ini menjelaskan tentang decision tree REPTree dalam membuat suatu rule yang terbentuk dari produksi minyak kelapa sawit di PT Tapiana Nadenggan, yang dipengaruhi oleh faktor banyaknya kelapa sawit, permintaan yang ada, serta persediaan yang tersedia. Konsep dari decision tree REPTree adalah konsep awal dari decision tree J48 yang kemudian mengalami pemangkasan kembali, sehingg rule yang yang terbentuk lebih minimal dan praktis. Rule yang minimal dan praktis belum tentu dapat dikatakan terbaik, untuk membuktikan hal itu perlu adanya uji coba dan pembuktian. Pembuktian yang dilakukan dalam penelitian ini salah satunya dengan menggunakan perbandingan decision tree J48 dan Random Tree dengan tujuan untuk mengetahui optimasi rule yang terbentuk dengan menggunakan metode fuzzy inference system Tsukamoto, setelah dihitung bahwa decision tree REPTree mempunyai Average Forecasting Error Rate (AFER) yang lebih kecil sebesar 23,17% dengan nilai kebenaran 76,83%, sedangkan J48 memiliki tingkat error sebesar 24,96%, dengan nilai kebenaran 75,04%, sementara Random Tree memiliki tingkat error sebesar 36,51%, dengan nilai kebenaran 63,49% pada kasus prediksi produksi minyak kelapa sawit di PT Tapiana Nadenggan. Abstract This research explains about REPTree's decision tree in making a rule that is formed from the production of palm oil in PT Tapiana Nadenggan, which is influenced by factors of the amount of palm oil, existing demand, and available supplies. The concept of the REPTree decision tree is the initial concept of the J48 decision tree which then experiences pruning, so that the rules formed are more minimal and practical. A minimum and practical rule may not be the best, to prove that there is a need for trials and proofs. Proof carried out in this research is one of them by using a comparison of decision trees J48 and Random Tree with the aim to find out the optimization of rules formed using the Tsukamoto system's fuzzy inference method, after calculating that the REPTree decision tree has a more average Forecasting Error Rate (AFER) error tree small of 23.17% with a truth value of 76.83%, while J48 has an error rate of 24.96%, with a truth value of 75.04%, while Random Tree has an error rate of 36.51%, with a truth value of 63, 49% in the case of prediction of palm oil production at PT Tapiana Nadenggan.

Peminatan peserta didik dalam kurikulum 2013 dilakukan sebelum peserta didik memulai belajar di kelas X. Ketepatan dalam penentuannya diperlukan untuk memastikan peserta didik belajar sesuai dengan minat dan bakat yang dimiliki. Penelitian ini menerapkan tiga metode SPK, yaitu profile matching, SAW dan kombinasi keduanya, untuk memberikan rekomendasi peminatan siswa didik ini. Ketiga metode tersebut dikomparasikan menggunakan alternatif dan kriteria yang sama untuk mengetahui metode yang paling dominan. Hasil penelitian ini menunjukkan bahwa penerapan SPK dapat membantu kegiatan PPDB dengan akurasi 79,2 %. Dalam proses penentuan minat bagi peserta didik, metode kombinasi menjadi yang paling dominan dengan persentase sebesar 78 %. Penerapan SPK tidak hanya membantu proses peminatan menjadi lebih cepat, tetapi juga akurat. Hal ini dibuktikan dengan hanya terdapat 6 dari total 122 peserta didik yang memilih peminatan berdasarkan rekomendasi SPK mendapatkan nilai di bawah KKM.

PT. Harum Bakery adalah salah satu perusahaan di Yogyakarta yang bergerak pada bidang produksi dan distribusi produk makanan roti. Setiap konsumen memiliki jumlah kebutuhan roti yang tidak teratur, sedangkan roti hanya dapat bertahan dalam waktu dua hari. Roti yang sudah berusia lebih dari dua hari akan diganti dengan yang baru oleh distributor, sehingga dapat menimbulkan kerugian bagi perusahaan. Penelitian ini mencoba untuk melakukan data mining dengan tujuan mengklasifikasikan jumlah produk makanan kepada customer menggunakan k-means clustering dengan optimasi pusat awal cluster algoritma genetika. Pada penelitian ini digunakan 210 data dari penjualan produk selama tiga minggu. Data tersebut akan diproses dengan menerapkan metode data mining melalui tahap preprocessing kemudian tahap klasifikasi. Preprocessing yang dilakukan antara lain, data transformation dan k-means clustering. Hasil dari clustering yang membutuhkan aturan tertentu lebih efektif dengan optimasi karena dari 210 data terdapat 200 data yang layak masuk tahap klasifikasi. Hasil dari pengujian mendapatkan akurasi terbaik sebesar 58.50 % dan crossvalidation untuk lima fold berhasil mendapatkan rata-rata akurasi sebesar 50.58% lebih besar 2.51 % dari KNN tanpa preprocessing. Abstract PT. Harum Bakery is one of the companies in Yogyakarta engaged in the production and distribution of bakery food products. Every consumer has an irregular amount of bread needs while bread can only last for two days. Bread that is more than two days old will be replaced by a new one by the distributor which causes losses for the company. This study tries to apply data mining to classify the number of customer needs for food products using k-means clustering with optimization initial cluster center genetic algorithm. In this study used 210 data from product sales for three weeks. Data will be processed by applying data mining method with preprocessing before going through classification. Preprocessing includes data transformation and k-means clustering. The results of clustering that require certain rules are more effective with optimization because 210 data have 200 data that are worth entering the classification stage. The results of the test get the best accuracy of 58.50% and crossvalidation for five fold managed to get an average accuracy of 50.58% greater than 2.51% of KNN without preprocessing.

Classification of human weight can be determined by body mass index. The body mass index can be calculated by dividing the height by the square of the body weight. According to researchers, this is less practical, so it needs to make a tool that can be used to determine ideal body weight more practically. One way is to use an Android smartphone camera. The camera is used to capture the image of the human body. Then the image is processed by using digital image processing and by using certain algorithms, so it may conclude the person's ideal weight category. The data used in this study are human photos, body weight and height. There are four stages to determine the weight and height based on the image. First, performing an analysis of the calculation of the derived formulas. Second, analyzing the edge detection algorithm. Third, conducting unit convertion, and fourth, proposing several algorithms to calculate the height and weight used to determine the ideal body weight. The results of the evaluation show that Algorithm C (measuring the width of an object starting with the height of the image adjusting half of the height of the object in the image) is the best algorithm with deviation value of 1.85% of the height and 8.87% of the weight, while the system accuracy rate in determining the ideal body weight has reached 78.7%.

Penelitian ini menerangkan penerapan decision tree J48 dan REPTree dengan menggunakan metode fuzzy Tsukamoto dengan objek yang digunakan adalah penentuan jumlah produksi minyak kelapa sawit di perusahaan PT Tapiana Nadenggan dengan tujuan untuk mengetahui decision tree mana yang hasilnya mendekati dari data sesungguhnya sehingga dapat digunakan untuk membantu memprediksi jumlah produksi minyak kelapa sawit di PT Tapiana Nadenggan ketika proses produksi belum diproses. Digunakannya decision tree J48 dan REPTree yaitu untuk mempercepat dalam pembuatan rule yang digunakan tanpa harus berkonsultasi dengan para pakar dalam menentukan rule yang digunakan. Dari data yang digunakan akurasi dari decision tree J48 adalah 95.2381%, sedangkan akurasi REPTree adalah 90.4762%, akan tetapi dalam kasus ini decision tree REPTree yang lebih tepat digunakan dalam proses prediksi produksi minyak kelapa sawit, karena di uji dengan data sesungguhnya pada bulan Maret tahun 2019 menggunakan REPTree diperoleh 16355835 liter, sedangkan menggunakan J48 diperoleh 11844763 liter, dimana data produksi sesungguhnya sebesar 17920000 liter. Sehingga dapat ditemukan suatu kesimpulan bahwa untuk kasus ini data produksi yang mendekati dengan data sesungguhnya adalah REPTree, meskipun akurasi yang diperoleh lebih kecil dibandingkan dengan J48. Abstract This study explains the application of the J48 and REPTree decision tree using the fuzzy Tsukamoto method with the object used is the determination of the amount of palm oil production in the company PT Tapiana Nadenggan with the aim of knowing which decision tree the results are close to the actual data so that it can be used to help predict the amount palm oil production at PT Tapiana Nadenggan when the production process has not been processed. The use of the J48 and REPTree decision tree is to speed up the rule making that is used without having to consult with experts in determining the rules used. From the data used the accuracy of the J48 decision tree is 95.2381%, while the REPTree accuracy is 90.4762%, but in this case the REPTree decision tree is more appropriate to be used in the prediction process of palm oil production, because it is tested with actual data in March 2019 uses REPTree obtained 16355835 liters, while using J48 obtained 11844763 liters, where the actual production data is 179,20000 liters. So that it can be found a conclusion that for this case the production data approaching the actual data is REPTree, even though the accuracy obtained is smaller compared to J48.

Emosi seseorang dapat ditunjukan melalui ekspresi wajah. Ekspresi wajah manusia dapat berubah-ubah secara dinamis tanpa disadari oleh orang tersebut. Penelitian ini melakukan penentuan emosi dengan melakukan pengenalan ekspresi wajah manusia dan melakukan perekaman untuk setiap perubahan ekspresi wajah tersebut. Metode dalam penelitian ini adalah dengan melakukan klasifikasi terhadap 6 ekspresi dasar wajah manusia ditambah ekspresi netral dengan Convolutional Neural Network (CNN). Pemerataan distribusi data dilakukan untuk meningkatkan kinerja model. Dari pemodelan tersebut, dihasilkan model klasifikasi yang dapat diterapkan pada sebuah video. Model tersebut diuji menggunakan data yang terpisah dari data latih dan dievaluasi menggunakan confusion matrix. Sebagai hasil evaluasi, diperoleh akurasi 74%, rata-rata presisi 75,05%, dan rata-rata recall 74%. Di akhir penelitian ini, peneliti melakukan percobaan dengan menerapkan model klasifikasi tersebut pada beberapa video yang mewakili ekspresi seseorang di dalam video tersebut. Setiap perubahan ekspresi akan direkam dan dianalisis sehingga ditemukan emosi yang paling dominan.

Abstrak Penentuan harga sapi umumnya disepakati melalui tawar menawar dan interaksi antara permintaan dan penawaran untuk menentukan harga bukan didasarkan pada bobot sapi yang dijual. Kebanyakan menggunakan perhitungan secara kasar maupun secara kira-kira. Terdapat rumus untuk menghitung bobot sapi, rumus yang ada memerlukan informasi terkait lingkar dada dan panjang badan. Untuk mendapatkan nilai lingkar dada dan panjang badan perlu dilakukan pengukuran secara manual, namun di lapangan hal tersebut tidak mudah dilakukan karena sapi sulit dikondisikan. Oleh karena itu diperlukan alat yang dapat mengukur secara mudah. Tulisan ini merupakan tahap kedua dari penelitian untuk menentukan bobot sapi dari hasil akuisisi citra sapi. Oleh sebab itu pada tahap kedua ini difokuskan pada pemilihan rumus penentuan bobot sapi dan usulan algoritma untuk menentukan bobot dari gambar hasil akuisisi citra. Hasil analisis penentuan bobot sapi menggunakan rumus Schoorl dan rumus Modifikasi memiliki nilai penyimpangan bobot badan sebesar 16,87% untuk rumus Schoorl dan nilai penyimpangan bobot badan sebesar 10,58 % untuk rumus Modifikasi. Hasil perhitungan citra tidak berbeda secara signifikan yaitu dengan faktor ketelitian secara statistis dengan nilai MAE (Mean Absolute Error) sebesar 8,15% untuk panjang badan dan sebesar 4,10% untuk lingkar dada. Aplikasi pengolahan citra digital yang dibagun dapat mengetahui berat badan/bobot sapi dengan nilai MAE (Mean Absolute Error) sebesar 8,97% terhadap rumus Modifikasi. Abstract The price determination of cows is generally agreed through bargaining and interacting with demand and supply to establish the general level of the price but it is not based on the weight of the cow itself. The tool that the most commonly used is by rough calculation or approximation. There were formulas to measure the weight, but it required chest circumference and the length of the body information. The values ware obtained manually using the measuring tool, but the reality is inconvenient to do, because of the difficulty conditioning the cows. Therefore, it required a tool that can calculate easily. This article represented the second stages of the research to determine the weight of cows from the image acquisition. Consequently, at this second stage has been focused on the selection of the cow weighting formula and the proposed algorithm to determine the weight from the result of images that had been processed in the early stages. The result of cow weighting analysis using Schoorl formula and Modification/Lambourne formula had the value of body weight deviation of 16.87% and 10.58. The results of image calculation did not differ significantly with MAE (Mean Absolute Error) equal to 8,15% and 4,10% for body length and chest circumference, respectively. Digital image processing application that has been built was able to know the weight of cow with MAE (Mean Absolute Error) equal to 8,97% towards Modification/Lambourne formula.

Sekolah adalah sebuah lembaga yang dirancang untuk pengajaran siswa dibawah pengawasan guru. Sebagian besar negara memiliki sistem pendidikan formal yang umumnya bersifat wajib. Pada setiap tahun, siswa akan mencari sekolah lanjutan yang cocok untuk dirinya. Persoalan muncul ketika terdapat banyak pilihan sekolah yang memberikan beragam tawaran dan pilihan kepada calon siswanya. Hal ini memungkinkan para calon siswa mengalami kesulitan dalam menentukan pilihan sekolah yang tepat. Oleh karena itu diperlukan sebuah sistem yang tidak hanya memberikan informasi tentang sekolah saja, melainkan juga mampu memberikan rekomendasi sekolah berdasarkan kriteria yang diinginkan dari masing-masing calon siswa. Model rekomendasi yang yang digunakan adalah fuzzy model tahani. Secara umum, logika fuzzy dapat menangani faktor ketidakpastian dengan baik sehingga dapat diimplementasikan untuk rekomendasi pemilihan sekolah. Penelitian ini mengambil data sekolah lanjutan tingkat atas (SMA dan MA) di kota Yogyakarta. Sistem yang dibangun selain mampu memberikan rekomendasi juga dapat digunakan sebagai bahan pertimbangan dalam memilih sekolah. Sekolah yang direkomendasikan tentunya sekolah yang memenuhi kriteria yang diinginkan oleh para calon siswa.

Implementasi penjaminan mutu akademik tentu saja berkaitan erat dengan pelaku utama proses akademik di sebuah perguruan tinggi, yaitu dosen. Untuk itu perlu dilakukan evaluasi kinerja dosen. Indeks kinerja dosen (IKD) UIN terdiri dari tiga komponen penilaian, yaitu meliputi : Kehadiran mengajar dikelas (K1) sebesar 30%, Ketepatan waktu penyerahan nilai (K2) sebesar 30% dan Penilaian mahasiswa (K3) sebesar 40%. Selain penilaian mahasiswa yang bersifat kualitatif, IKD juga dipengaruhi oleh variabel kehadiran dosen dalam mengajar dan ketepatan penyerahan nilai, yang jelas terukur. Untuk menghubungkan antara faktor kualitatif dan kuantitatif, dapat digunakan fuzzy quantification theory I. Metode yang digunakan untuk pengambilan sampel data adalah multistage random sampling dan analisis data dengan fuzzy quantification theory untuk menentukan seberapa besar faktor-faktor kualitatif penilaian mahasiswa dan kehadiran dosen mempengaruhi prestasi nilai matakuliah mahasiswa UIN Sunan Kalijaga. Hasil penelitian menunjukkan bahwa Indeks kinerja dosen (hasil penilaian mahasiswa dan jumlah kehadiran mengajar dosen ) hanya mampu memberikan pengaruh terhadap prestasi nilai matakuliah mahasiswa Universitas Islam Negeri (UIN) Sunan Kalijaga sebesar 68,58 %. Disiplin terhadap ketepatan waktu kuliah dan kemampuan dosen untuk meningkatkan minat belajar mahasiswa memiliki pengaruh yang paling tinggi terhadap prestasi nilai matakuliah mahasiswa UIN Sunan Kalijaga. Pengaruh ini akan sangat kuat apabila kehadiran dosen mengajar lebih dari 10 kali.

Sekolah adalah sebuah lembaga yang dirancang untuk pengajaransiswa dibawah pengawasan guru. Sebagian besar negara memiliki sistempendidikan formal yang umumnya bersifat wajib. Pada setiap tahun, siswaakan mencari sekolah lanjutan yang cocok untuk dirinya. Persoalan munculketika terdapat banyak pilihan sekolah yang memberikan beragam tawarandan pilihan kepada calon siswanya. Hal ini memungkinkan para calon siswamengalami kesulitan dalam menentukan pilihan sekolah yang tepat. Olehkarena itu diperlukan sebuah sistem yang tidak hanya memberikan informasitentang sekolah saja, melainkan juga mampu memberikan rekomendasisekolah berdasarkan kriteria yang diinginkan dari masing-masing calonsiswa. Model rekomendasi yang yang digunakan adalah fuzzy model tahani.Secara umum, logika fuzzy dapat menangani faktor ketidakpastian denganbaik sehingga dapat diimplementasikan untuk rekomendasi pemilihansekolah. Penelitian ini mengambil data sekolah lanjutan tingkat atas (SMAdan MA) di kota Yogyakarta. Sistem yang dibangun selain mampumemberikan rekomendasi juga dapat digunakan sebagai bahan pertimbangandalam memilih sekolah. Sekolah yang direkomendasikan tentunya sekolahyang memenuhi kriteria yang diinginkan oleh para calon siswa.

Implementasi penjaminan mutu akademik tentu saja berkaitan erat dengan pelaku utama proses akademik di sebuah perguruan tinggi, yaitu dosen. Untuk itu perlu dilakukan evaluasi kinerja dosen. Indeks kinerja dosen (IKD) UIN terdiri dari tiga komponen penilaian, yaitu meliputi : Kehadiran mengajar dikelas (K1) sebesar 30%, Ketepatan waktu penyerahan nilai (K2) sebesar 30% dan Penilaian mahasiswa (K3) sebesar 40%. Selain penilaian mahasiswa yang bersifat kualitatif, IKD juga dipengaruhi oleh variabel kehadiran dosen dalam mengajar dan ketepatan penyerahan nilai, yang jelas terukur. Untuk menghubungkan antara faktor kualitatif dan kuantitatif, dapat digunakan fuzzy quantification theory I. Metode yang digunakan untuk pengambilan sampel data adalah multistage random sampling dan analisis data dengan fuzzy quantification theory untuk menentukan seberapa besar faktor-faktor kualitatif penilaian mahasiswa dan kehadiran dosen mempengaruhi prestasi nilai matakuliah mahasiswa UIN Sunan Kalijaga. Hasil penelitian menunjukkan bahwa Indeks kinerja dosen (hasil penilaian mahasiswa dan jumlah kehadiran mengajar dosen ) hanya mampu memberikan pengaruh terhadap prestasi nilai matakuliah mahasiswa Universitas Islam Negeri (UIN) Sunan Kalijaga sebesar 68,58 %. Disiplin terhadap ketepatan waktu kuliah dan kemampuan dosen untuk meningkatkan minat belajar mahasiswa memiliki pengaruh yang paling tinggi terhadap prestasi nilai matakuliah mahasiswa UIN Sunan Kalijaga. Pengaruh ini akan sangat kuat apabila kehadiran dosen mengajar lebih dari 10 kali. Kata kunci: multistage random sampling, fuzzy quantification theory, fuzzy group, kualitatif.

The election for a right major at university will make a big difference because students should choose a major that suits their basic skills and talent preference. A research case uses a sample from various majors in state university in Indonesia. There are 29 majors available. Therefore, interest score, talent score, and basic ability score become a consideration matter in choosing the right major for them. The implementation of this system uses PHP programming language and MySQL database which based on the web. This research uses sample data of SMAN (state high school) 1 on Kutowinangun, Kebumen. It is including self-data, interest score, talent score, and basic skill score. This research uses a fuzzy inference system using Mamdani method. Mamdani method works based on linguistic principle and has a fuzzy algorithm which supply approximation to be entered by mathematic analysis. Data are processed through the calculation phase of fuzzy and result given by the system is a recommendation of a major suggested to be taken by the student. This system shows a recommendation of a major that suits the student. This system also gives information about universities which provide recommended major. This system is hope to help students in choosing their major.

The high water pollution index causes a decrease in water quality so that it can interfere with the health of living things. In order to overcome this, the government has tried to monitor water quality whose results can be known by the community. However, information disclosure and ease of accessing information are felt to be lacking. This study aims to present information about the quality status of river water and its relatively up-to-date and easily accessed by the public online. The storet method is used to determine the status of river water quality with seven parameters: temperature, EC, TDS, pH, DO, BOD and E.coli. The features provided will be explained in the results and discussion presented in several UML diagrams. In order to get results that match user expectations, this system was developed with extreme programming system development methods.

Yayasan Pondok Pesantren Wahid Hasyim (YPPWH) is one of the bases of modern Islamic education in Daerah Istimewa Yogyakarta (Special Region of Yogyakarta). As one of devotion to education and society, formal education institutions, namely Madrasah Ibtidaiyah (Religion Elementary School), Madrasah Tsanawiyah (Religion Junior High School) and Madrasah Aliyah (Religion Senior High School) Wahid Hasyim currently have scholarship opportunities for students who excel and underprivileged, especially those from the local population. With the increasing number of scholarship applicants, making a challenge for the manager of the agency to be able to give a correct decision, effective and efficient in data management Fellow truly eligible to receive a scholarship. This study uses a Technique for Order Preference by Similarity to Ideal Solution (TOPSIS). The criteria used in these systems vary according to the scholarships provided by the Foundation. Based on the results of case selection calculations show that the results using the same system with manual calculations. The system is able to provide scholarships recommendation. This system has been passed fit for use for 100% testing of system functionality using the alpha test, the test results and accessing interface produces 65.15% of the respondents strongly agreed with the system interface, as well as the results of the test content for the page admin, counseling teachers and students each yield 88.89%, 83.33% and 100% of respondents stated strongly agree with making this system.