Universitas ABCD merupakan salah satu lembaga institusi pendidikan tinggi swasta di Indonesia. Pengelolaan dan peningkatan kualitas di berbagai program studi yang ada menjadi perhatian utama level eksekutif, khususnya tenaga pengajar pendidikan tinggi (dosen). Untuk meningkatkan kualitas tenaga pengajar pendidikan tinggi, maka diperlukan sebuah sistem informasi yang membantu eksekutif untuk dapat mengakses data dosen, sehingga eksekutif dapat mengambil kesimpulan dari data dosen tersebut. Hasil output dari sistem informasi eksekutif tersebut berupa chart atau diagram laporan mengenai data dosen. Metode pengembangan sistem yang digunakan ialah model prototype, tahapan metode prototype diantaranya adalah mendengarkan pelanggan, merancang dan membuat prototype kemudian dilakukan uji coba.

No abstract

BPBD Kabupaten Bandung Barat merupakan sebuah lembaga pemerintah nonkementerian yang memiliki tugas diantaranya adalah memberikan pedoman dan pengarahan terhadap usaha penanggulangan bencana yang mencakup pencegahan bencana, penanganan keadaan darurat bencana, rehabilitasi, dan rekonstruksi secara adil dan setara, menyampaikan informasi kegiatan penanggulangan bencana kepada masyarakat. Agar proses penanggulangan dan pemberian informasi bencana dilakukan secara merata maka, dibentuklah sebuah Badan Penanggulangan Bencana Daerah (BPBD) khususnya di Kabupaten Bandung Barat, akan  tetapi pemberian informasi yang diberikan BPBD Kabupaten Bandung Barat mengenai mitigasi dan persiapan bencana belum dilakukan secara menyeluruh, dimana data yang diberikan bukan data per kecamatan yang ada di Kabupaten Bandung Barat, selain itu  tidak adanya informasi mengenai ancaman bencana, bantuan logistik, serta peralatan penunjang penanggulangan bencana. Hasil keluaran dari penelitian ini adalah sebuah sistem yang diimplementasikan pada perangkat lunak untuk melakukan pengolahan data penanggulangan bencana dalam membantu proses bisnis yang ada pada BPBD Kabupaten Bandung Barat.

Online Analytical Processing (OLAP) is increasingly being used by applying technology concepts that use a multidimensional view of grouping data to provide quick access to strategic information for analysis purposes. In the tourism industry, especially hospitality, this is very useful, especially in processing hotel operational data. Although OLAP technology has been widely applied in the hotel industry in reporting business sales, marketing, and reporting management analysis, there is still little research that discusses customer activity analysis. This study develops an OLAP-based analytical CRM system to analyze customer data and classify it into two main segments: geographically and demographically. Transactional data for hotels that have existed for the last three years are converted into a data warehouse, including the ETL process from the original database to a star schema database. It has a fact table and dimensions. Furthermore, OLAP cube operations are performed and generate customer reports. Testing in this study was carried out by calculating the total data’s access speed and accuracy from 100 to 5000 customers, and the estimated value was 45.50 to 80 milliseconds in 30 experiments. For further research, it can be developed by integrating data from the hotel transactional system so that the analytical process can run in real-time.

Fenomena yang disebut sebagai "berita palsu" saat ini mengacu pada publikasi online dari pernyataan fakta palsu yang disengaja. Tujuan pembuatan berita hoax adalah untuk mempengaruhi pembaca berita untuk mencegah tindakan yang benar. Deteksi berita hoax ini berperan penting bagi pemerintah dan masyarakat, sebab itu berita hoax harus segera dideteksi untuk menghindari efek yang dapat ditimbulkannya. Penelitian ini bertujuan untuk mengetahui performa dari penggunaan algoritma Bernoulli Naïve Bayes dengan ekstraksi fitur TF-IDF dalam mendeteksi berita hoax. Tahapan penelitian ini disusun sebagai berikut, yaitu pengumpulan data dan labeling, text preprocessing, ekstraksi fitur dengan TF-IDF, pembagian dataset, classification, Output (Klasifikasi Fake/True), evaluasi, dan kesimpulan. Hasil implementasi menunjukan model prediksi yang dibangun dengan 8800 data berita, mampu menghasilkan nilai akurasi sebesar 98,5% dari jumlah data uji sebanyak 2.200 data berita, dimana akurasi dari prediksi model untuk label 1 (Fake) sebesar 97,8%, dan akurasi untuk label 0 (True) sebesar 99,1%, diikuti dengan nilai precision 99,1%, recall 97,8%, dan f1-score 98,4%. Dari implementasi tersebut penggunaan ekstraksi fitur TF-IDF pada algoritma Bernoulli Naive Bayes mampu meningkatkan akurasi sebesar 16,08%, precision 15,7%, recall 16,22%, dan f1-score 15,92% bila dibandingkan dengan hasil penelitian sebelumnya