https://jurnal.stts.edu/index.php/insight/issue/feed Journal of Information System,Graphics, Hospitality and Technology 2021-12-06T10:47:22+07:00 Hartarto Junaedi insight@stts.edu Open Journal Systems <p><strong>INSIGHT (Journal of Information Systems, Graphics, Hospitality and Technology) </strong> is a journal in the scientific field of Information Systems including Data and Visualization, Graphics and Multimedia and Game Technology, Hospitality, and Computer Technology. This journal is expected to contain the results of research that can contribute to the advancement of the ICT field.</p> <p><strong>Printed ISSN: <a href="http://u.lipi.go.id/1522300671">2622-1594</a> E-ISSN: <a href="http://u.lipi.go.id/1546922229">2685-449X</a></strong></p> <p><strong>INSIGHT Update Notice :</strong></p> <p>1. Since Volume 03 (2021) by 31 March 2021 08.00, the layout has been changed to the new format. Please use the following <a href="https://drive.google.com/file/d/1GYAFRh5zI67FY0duw4y1V4E7SqTItjUy/view" target="_blank" rel="noopener">link</a> to use the new format.</p> <p> </p> https://jurnal.stts.edu/index.php/insight/article/view/156 Ekstraksi Relasi Antar Entitas di Bahasa Indonesia Menggunakan Neural Network 2021-08-01T11:48:39+07:00 Ananta Tio Putra anantatio.01@gmail.com Eunike Kardinata eunike@stts.edu Hartarto Junaedi hartarto@istts.ac.id Francisca Chandra fhc@stts.edu Joan Santoso joan@stts.edu <p>Dengan perkembangan zaman yang begitu pesat, berdampak pada perkembangan data pula. Salah satu bentuk data yang paling banyak saat ini berupa data tekstual seperti artikel sederhana maupun dokumen lain yang terdapat di internet. Agar data tekstual tersebut dapat dimengerti dan dimanfaatkan dengan baik oleh manusia, maka perlu di proses dan disederhanakan agar menjadi informasi yang ringkas dan jelas. Oleh karena itu, semakin berkembang pula penelitian dalam bidang Information Extraction (IE) dan salah satu contoh penelitian di IE adalah Relation Extraction (RE). Penelitian RE sudah banyak dilakukan terutama pada Bahasa Inggris dimana resourcenya sudah termasuk banyak. Metode yang digunakan pun bermacam-macam seperti kernel, tree kernel, support vector machine, long short-term memory, convulution recurrent neural network, dan lain sebagainya. Pada penelitian kali ini adalah penelitian RE pada Bahasa Indonesia dengan menggunakan metode convulution recurrent neural network yang sudah dipergunakan untuk RE Bahasa Inggris. Dataset yang digunakan pada penelitian ini adalah dataset Bahasa Indonesia yang berasal dari file xml wikipedia. File xml wikipedia ini kemudian diproses sehingga menghasilkan dataset seperti yang digunakan pada CRNN dalam Bahasa inggris yaitu dalam format SemEval-2 Task 8. Uji coba dilakukan dengan berbagai macam perbandingan data training dan testing yaitu 80:20, 70:30, dan 60:40. Selain itu, parameter pooling untuk CRNN yang digunakan ada dua macam yaitu ‘att’ dan ‘max’. Dari uji coba yang dilakukan, hasil yang didapatkan adalah bervariasi mulai dari mendekati maupun lebih baik bila dibandingkan dengan CRNN dengan menggunakan dataset Bahasa inggris sehingga dapat disimpulkan bahwa dengan CRNN ini bisa digunakan untuk proses RE pada Bahasa Indonesia apabila dataset yang digunakan sesuai dengan penelitian sebelumnya.</p> 2021-10-30T00:00:00+07:00 Copyright (c) 2021 Journal of Information System,Graphics, Hospitality and Technology https://jurnal.stts.edu/index.php/insight/article/view/132 Klasifikasi Ketrampilan Kognitif Siswa dengan Menggunakan Metode Learning Vector Quantization dengan Bantuan Game 2021-05-28T15:40:49+07:00 Budi Irawan idubir@gmail.com Joan Santoso joan@stts.edu <p><strong>Untuk menilai tingkat kognitif seorang siswa sangatlah sulit banyak indikator yang mempengaruhi yang menyebabkan hasilnya tidak akurat. Dengan metode serius game ini akan diketahui tingkat kognitif seorang siswa yang akan diketahui penguasaan pembelajaran yang akan dicapai. Dalam serius game ini penguasaan pembelajaran merupakan inti dari proses belajar mengajar. Dalam tingkat kognitif ini perlu diklasifikasikan dengan menggunakan metode Cognitif Skill Game (CSG). Siswa sebagai pemain akan dipantau bagaimana berinteraksi dengan permainan untuk meningkatkan konsep permainan kognitif ini. Pada CSG ini menggunakan metode Learning Vector Quantization (LVQ) yang berfungsi untuk mengoptimalkan input klasifikasi ketrampilan kognitif pemain. Guru sebagai data training digunakan untuk mengobservasi LVQ. Guru mempunyai pengalaman yang banyak dan mempunyai banyak sertifikasi atau pelatihan dianggap cocok sebagai data training. Pengambilan data Guru menggunakan metode observasi kuesioner. Siswa jurusan Teknik Komputer dan Jaringan (TKJ) SMK adalah populasi klasifikasi ketrampilan kognitif saat menjalankan permainan dalam penelitian. Sebagian kecil pemain CSG masuk dalam kategori keterampilan kognitif hati-hati, beberapa masuk dalam kategori ahli, dan sebagian besar masuk dalam dalam kategori coba-coba. Hasil dari permainan CSG ini adalah pemain memiliki kemampuan ketrampilan kognitif masih rendah. High trial and error 75%, high expert 6%, dan high careful 19%. Dalam penelitian ini juga dilakukan validasi pengukuran secara berulang-ulang untuk mengetahui keakuratan klasifikasi CSG.</strong></p> 2021-10-30T00:00:00+07:00 Copyright (c) 2021 Journal of Information System,Graphics, Hospitality and Technology https://jurnal.stts.edu/index.php/insight/article/view/171 Membangun Sistem POS Supermarket Dengan Tim tanpa Pengalaman Dalam Metodologi SCRUM 2021-10-27T08:51:12+07:00 Eric Sugiharto Honggara ericsugiharto@stts.edu Devi Dwi Purwanto devi@stts.edu Hartarto Junaedi aikawa@stts.edu <p>SCRUM adalah metodologi pembangunan perangkat lunak yang digunakan oleh perusahaan dengan berbagai macam keunggulan terutama dalam membangun sebuah produk yang kompleks. Tujuannya adalah mendesain dan membangun sebuah perangkat lunak yang sesuai dengan kebutuhan user. Tahap pertama adalah menjalankan sprint. <em>Sprint</em> adalah sebuah tahap dimana pengembangan perangkat lunak bersama pengguna akhir menentukan tujuan akhir dan&nbsp; mendefinisikan kebutuhan akan perangkat lunak. Tahap kedua adalah melakukan <em>sprint planning</em>, digunakan untuk menentukan bagian mana yang akan dibangun. Ketiga, daily SCRUM adalah inspeksi mengenai hal yang telah dikerjakan oleh tim dengan sprint sebagai acuan. Tahap keempat, <em>Sprint Review</em> yang digunakan untuk melihat hasil kerja, melakukan peninjauan akhir terhadap perangkat lunak dalam sprint dan mempersiapkan yang akan menjadi tujuan dalam sprint berikutnya. Kemudian di tahap terakhir akan ada sprint restropective, di mana tim scrum melakukan evaluasi mengenai yang baik dan yang salah. Hasil akhir berupa perangkat lunak untuk mengatur penjualan dan pembelian pada&nbsp; sebuah supermarket yang telah diimplementasikan dan evaluasi mengenai metode scrum, pada sebuah tim yang tidak berpengalaman dalam menggunakan scrum. Adapun kelemahan yang ada dalam SCRUM adalah dalam memberikan gambaran perangkat lunak pada pengguna akhir dan kelebihannya berupa kemudahan dalam melakukan management dan membuat perangkat lunak yang sesuai dengan kebutuhan dari pengguna akhir.</p> 2021-11-11T00:00:00+07:00 Copyright (c) 2021 Journal of Information System,Graphics, Hospitality and Technology https://jurnal.stts.edu/index.php/insight/article/view/173 Analisis Dampak Lingkungan dari Perusahaan Jasa Konstruksi di Surabaya Dengan Software SimaPro 2021-11-11T10:42:33+07:00 Kelvin Kelvin leonarduskelvin@yahoo.com <p><strong>Salah satu produk yang dihasilkan oleh perusahaan jasa konstruksi adalah produk <em>railing</em>, dimana produk railing merupakan produk konstruksi pendukung bangunan yang berfungsi sebagai pembatas bangunan dengan bahan utama berupa material besi. Untuk dapat menghasilkan produk tersebut, diperlukan tahapan proses yang dimana setiap tahapan proses tersebut akan memberikan dampak terhadap lingkungan yang tidak dapat terlihat secara langsung. Dampak lingkungan tersebut dapat berupa pengaruh terhadap kesehatan manusia, ekosistem, dan sumber daya alam. Untuk itu dalam penelitian ini, dilakukan penilaian dampak lingkungan dari produk railing, serta perbaikan produk untuk mengurangi dampak lingkungan yang dihasilkan. Metode yang digunakan dalam penelitian ini adalah <em>Life Cycle Assessment</em> (LCA) dengan menggunakan bantuan software SimaPro, serta Metode <em>Design for Environment</em> (DFE) untuk perbaikan produk. Hasil yang didapatkan dari perbaikan produk railing pada penelitian ini adalah mampu mengurangi dampak lingkungan, dengan rincian 60,2% untuk dampak kesehatan manusia, 65,8% untuk dampak ekosistem, dan 53,2% untuk dampak sumber daya alam.</strong></p> 2021-11-23T00:00:00+07:00 Copyright (c) 2021 Journal of Information System,Graphics, Hospitality and Technology https://jurnal.stts.edu/index.php/insight/article/view/176 Algoritma Emperor Penguin pada Efisiensi Pengiriman Produk UMKM dengan Konsep Pembagian Ongkos Kirim 2021-11-22T08:25:11+07:00 Hendrawan Armanto hendrawan@stts.edu Pickerling Pickerling pickerling@stts.edu Kevin Susanto ksksks0408@gmail.com <p>Di Era Pandemi saat ini, perkembangan ekonomi atau bisnis Usaha Mikro, Kecil, dan Menengah (UMKM) semakin menjamur di masyarakat. Perkembangan UMKM ini tidak hanya berhenti pada jumlah saja akan tetapi juga pada sistem pemesanan UMKM tersebut. Saat ini banyak UMKM yang menerapkan konsep Pre-Order (PO) di dalam pemesanannya dimana mayoritas UMKM tersebut merupakan UMKM yang memasarkan produknya melalui media sosial atau chating. Munculnya sistem baru ini memunculkan juga beberapa permasalahan bagi UMKM, salah satu diantaranya adalah besarnya biaya pengiriman apabila sebuah produk dikirim secara khusus ke seorang pembeli. Hal ini mungkin tidak terlihat memberatkan bagi UMKM akan tetapi permasalahan ini memberatkan pelanggan dan semakin mahal biaya yang harus dikeluarkan pelanggan maka akan semakin kecil kemungkinan pelanggan membeli produk di UMKM tersebut. Penelitian ini berfokus pada dua hal, yang pertama adalah menyediakan marketplace bagi UMKM Pre-Order yang dapat mengatasi permasalahan biaya pengiriman dan kedua adalah dampak Algoritma Emperor Penguin pada pencarian rute pengiriman. Marketplace UMKM Pre-Order yang dikembangkan akan menerapkan teknologi fluter dan berbasiskan mobile apps. Hal ini dikarenakan semakin besarnya pengaruh mobile apps di kalangan masyarakat dibandingkan web apps atau desktop apps. Mobile Apps akan secara otomatis melakukan pencarian rute pengiriman untuk seluruh pre-order yang terjadi pada hari tertentu dan melakukan assign kepada driver yang bertugas dimana rute yang dicari bukan hanya berdasarkan jarak melainkan juga berdasarkan biaya pengiriman yang dikeluarkan oleh keseluruhan pembeli pada 1x pengiriman. Algoritma Emperor Penguin akan berusaha mencari rute pengiriman yang terdekat dan biaya yang dikeluarkan pembeli yang terkecil. Setelah melalui berbagai ujicoba, dapat disimpulkan bahwa 94.7% UMKM yang didukung oleh penelitian ini puas dan merasa terbantu, 97.4% pelanggan merasa terbantu dengan sistem pembagian ongkos kirim, dan Algoritma Emperor Penguin bekerja dengan baik dan dapat menghasilkan rute optimal dengan ongkos terkecil.</p> 2021-12-02T00:00:00+07:00 Copyright (c) 2021 Journal of Information System,Graphics, Hospitality and Technology https://jurnal.stts.edu/index.php/insight/article/view/178 Identifikasi Jenis Daging dengan Menggunakan Algoritma Convolution Neural Network 2021-11-24T08:20:21+07:00 Peter Winardi peter.winardi@gmail.com Endang Setyati endang@stts.edu <p><em>Abstrak </em>— Kebutuhan protein tubuh manusia salah satunya didapatkan dari daging. Banyak jenis daging yang bisa dikonsumsi untuk kebutuhan protein, diantaranya ayam, babi, bebek, kambing, sapi dan jenis lainnya. Pada kondisi daging mentah, tidak semua orang memahami karakteristik / identitas jenis daging karena ada beberapa jenis daging mentah yang hampir sama dari tampilan visual. Untuk menghindari kesalahan saat pemilihan jenis daging yang diinginkan perlu dilakukan identifikasi jenis daging. Pengenalan jenis daging dapat dilakukan dengan pengambilan gambar / citra secara digital. Citra digital yang didapatkan dapat dilakukan identifikasi dengan <em>Convolution</em> <em>Neural Network</em>. Salah satu kemampuan Convolution Neural Network (CNN) dapat melakukan proses identifikasi dan klasifikasi pada <em>Computer Vision</em>. Pada penelitian ini identifikasi jenis daging yang digunakan berupa adalah daging mentah tanpa lemak, kulit dan tulang. Jenis daging mentah yang digunakan sebanyak 5 buah berupa ayam, babi, bebek, kambing dan sapi. Melalui ekstraksi warna dan deteksi tepi beserta CNN didapatkan identitas jenis daging tersebut berupa tulisan / text sesuai jenis daging input citra. Dataset yang digunakan sebanyak 2,250 citra pada masing-masing jenis daging sehingga total 11,250 dataset citra. Penelitian dilakukan dalam 2 bagian sistem arsitektur. Bagian penelitian berupa <em>Training</em> dan <em>Validation</em> beserta <em>testing</em>. Pada bagian training dan validation dilakukan <em>preprocessing</em> . citra <em>resize</em> dari ukuran&nbsp; 300 × 300 piksel menjadi 50 × 50 piksel. Dataset dari masing-masing jenis citra daging mentah yang digunakan 2,250 citra terdiri dari citra jpeg dengan beberapa model citra , diantaranya citra asli, citra cropping, citra flip horisontal RGB, citra flip vertikal RGB, citra RGB, citra channel Red, citra channel Green, citra channel&nbsp; Blue, citra channel Magenta (greyscale), citra flip vertikal dan citra flip horisontal. Output training dan validasi berupa penyimpanan konfigurasi CNN yang dihasilkan untuk pemodelan saat testing beserta grafik cross entropy. Pembagian dataset citra model training dan validasi sebesar 70% training dan 30% validasi. Sistem testing digunakan uji coba menentukan jenis daging untuk mendapatkan output tulisan / text dari nama daging yang sesuai. Bahasa program yang digunakan &nbsp;penelitian berupa Python 3.8 beserta Tensorflow dan Keras dengan aplikasi PyCharm 2020.3.2 community edition. Untuk training dan validasi dilakukan uji coba pertama pada dataset dengan <em>resize</em> citra pada ukuran 50 X 50 pixel didapatkan hasil : training loss= 43.89% ; training accuracy= 82.82% ; validation loss= 87.44% ; validation juga dilakukan pada ukuran accuracy: 72.27%. Uji coba training dan validasi ke dua dilakukan <em>resize</em> citra pada ukuran 100 X 100 pixel dengan hasil : training loss= 35.74% ; training accuracy= 85.75% ; validation loss: 81.08% ; validation accuracy: 71.65%. Uji coba testing didapatkan nilai tertinggi dari angka array hasil pembandaingan dengan penyimpanan konfigurasi training dan validasi. Penelitian identifikasi jenis daging bisa ditingkatkan lebih baik bila dilengkapi dengan dataset citra yang lebih memadai.</p> 2021-12-03T00:00:00+07:00 Copyright (c) 2021 Journal of Information System,Graphics, Hospitality and Technology https://jurnal.stts.edu/index.php/insight/article/view/182 HALAMAN DEPAN 2021-12-06T10:47:22+07:00 EDITOR INSIGHT devi@stts.edu <p>-</p> 2021-12-06T00:00:00+07:00 Copyright (c) 2021 Journal of Information System,Graphics, Hospitality and Technology https://jurnal.stts.edu/index.php/insight/article/view/181 HALAMAN BELAKANG 2021-12-03T10:06:12+07:00 EDITOR INSIGHT devi@stts.edu <p>-</p> 2021-12-03T00:00:00+07:00 Copyright (c) 2021 Journal of Information System,Graphics, Hospitality and Technology