Jurnal Teknik Informatika

Sentimen Analisis Aplikasi Posaja Pada Google Playstore Untuk Peningkatan Pospay Superapp Menggunakan Support Vector Meachine

2024-05-16T15:30:06+07:00

Pada saat ini PT Pos meluncurkan aplikasi terbaru yaitu Pospay SuperApp yang saling terintegrasi antara Pospay dan Posaja, penelitian ini bertujuan untuk melakukan analisis sentimen terhadap aplikasi Posaja di Google PlayStore dengan menggunakan metode Support Vector Machine (SVM). Data akan dikumpulkan dari ulasan pengguna aplikasi Posaja di PlayStore menggunakan teknik web scraping. Setelah data dikumpulkan, akan dilakukan preprocessing untuk membersihkan dan mempersiapkan data. Selanjutnya, model SVM akan dilatih menggunakan dataset yang telah diproses. Untuk peningkatan dan perkembangan Pos Pay SuperApp hasil analisis sentimen akan digunakan untuk memberikan rekomendasi kepada pengembang PosPay SuperApp dalam meningkatkan pengalaman pengguna. Penelitian ini diharapkan memberikan wawasan yang berharga dalam memahami sentimen pengguna terhadap aplikasi Posaja yang telah digabung dengan Pospas menjadi PosPay SuperApp dan memberikan panduan untuk meningkatkan kualitas dan kepuasan pengguna. Analisis sentiment ini dilakukan menggunakan 5759 data dengan pembagian 75% menjadi data training dan 25% menjadi data testing dengan hasil akurasi sebesar 88,1% hasil positif

R Risiko Kolaborasi R&D Dengan Pendekatan Algoritma C4.5 Dan Random Forest

2024-05-16T13:40:53+07:00

This study investigates the application of the C4.5 and Random Forest algorithms in managing risks within the context of R&D collaboration. In light of the growing complexity of the global landscape, characterized by diverse cultures, objectives, and knowledge-sharing challenges, effective risk management in R&D collaboration is of paramount importance. A quantitative approach, employing the CRISP-DM (Cross-Industry Standard Process for Data Mining) methodology, is adopted to structure the data collection and analysis process. A dedicated questionnaire was employed to collect data, identifying R&D collaboration risks and factors influencing these collaborations. Additionally, this study evaluates the efficacy of the C4.5 and Random Forest algorithms in addressing these risks. The collected data is subjected to statistical analysis, including both descriptive and classification analyses. This quantitative approach aims to provide objective and quantifiable insights into the practical application of the C4.5 and Random Forest algorithms for risk management in R&D collaboration. The results of the research demonstrate that both the C4.5 and Random Forest algorithms exhibit strong potential in effectively mitigating risks associated with R&D collaboration. These findings are expected to offer practical guidance to organizations engaged in R&D collaboration, equipping them with enhanced risk management strategies and more effective approaches to address the challenges that arise.

Smartgis Untuk Penentuan Lokasi Distribution Center

2024-05-16T11:58:24+07:00

Pemanfaatan SmartGIS dan model Center of Gravity (COG) untuk menentukan lokasi distribution center (DC), dengan mempertimbangkan berbagai aspek seperti biaya logistik, kepuasan pelanggan, dan kemudahan pengiriman. Deep learning diimplementasikan untuk menganalisis pola rumit dalam data pelanggan, data transportasi, data geospatial, dan faktor terkait lainnya. Data yang digunakan berasal dari Olist (2021) yang terdiri dari 100.000 titik data meliputi data geospatial, evaluasi dan kepuasan pelanggan, jenis produk, waktu dan biaya pengiriman. Dengan menggabungkan SmartGIS, model COG, dan deep learning, penentuan lokasi DC yang optimal dapat dicapai dengan mempertimbangkan berbagai faktor terkait.

Whatsauth: Single Sign On Cerdas Berbasis 2FA dan WebSocket

2024-05-16T11:52:28+07:00

Pembobolan sistem merupakan ancaman serius bagi keamanan informasi, terutama ketika ada celah seperti formulir login tanpa verifikasi Captcha dan penggunaan kata sandi yang mudah ditebak, yang memudahkan pihak yang tidak bertanggung jawab untuk masuk. Banyak kasus mencatat bahwa administrator sistem menggunakan kata sandi bawaan yang sama dan umum, menciptakan risiko tinggi terhadap manipulasi data yang tidak sah dalam sistem. Solusi otorisasi yang umum saat ini memanfaatkan server tambahan seperti LDAP dan OAuth, meskipun efektif, belum ramah lingkungan.

Penelitian ini bertujuan untuk menyediakan solusi autorisasi dan autentikasi yang tidak hanya efektif dalam mengatasi risiko pembobolan sistem, tetapi juga ramah lingkungan dengan emisi karbon yang rendah. Oleh karena itu, penelitian ini berfokus pada pengembangan sistem keamanan yang tidak hanya ramah pengguna, tetapi juga mengurangi dampak lingkungan dengan meminimalkan ketergantungan pada server eksternal. Hasil dari penelitian ini diharapkan dapat memberi kontribusi positif pada keamanan informasi dengan mempertimbangkan aspek keberlanjutan lingkungan.