The most important part in software engineering is a software defect prediction. Software defect prediction is defined as a software prediction process from errors, failures, and system errors. Machine learning methods are used by researchers to predict software defects including estimation, association, classification, clustering, and datasets analysis. Datasets of NASA Metrics Data Program (NASA MDP) is one of the metric software that researchers use to predict software defects. NASA MDP datasets contain unbalanced classes and high dimensional data, so they will affect the classification evaluation results to be low. In this research, data with unbalanced classes will be solved by the AdaCost method and high dimensional data will be handled with the Average Weight Information Gain (AWEIG) method, while the classification method that will be used is the Naïve Bayes algorithm. The proposed method is named AWEIG + AdaCost Bayesian. In this experiment, the AWEIG + AdaCost Bayesian algorithm is compared to the Naïve Bayesian algorithm. The results showed the mean of Area Under the Curve (AUC) algorithm AWEIG + AdaCost Bayesian yields better than just a Naïve Bayes algorithm with respectively mean of AUC values are 0.752 and 0.696.

No abstract

Ilmu Manajemen Jaringan adalah bagian dari ilmu jaringan komputer yang berkaitan dengan pengaturan sumber daya, optimasi, dan keamanan jaringan komputer. Pemantauan sumber daya server merupakan salah satu kegiatan dalam manajemen jaringan, dimana server yang dipantau harus tetap terjaga layanannya, baik server yang berupa server fisik atau virtual server.Universitas Semarang telah mengimplementasikan cloud computing namun memiliki kendala dalam memantau virtual server yang berjalan. System administrator tidak mendapatkan notifikasi apabila salah satu virtual server mengalami masalah, sehingga penanganan terhadap layanan yang terganggu terkadang membutuhkan waktu yang lama. Selain itu aplikasi pemantauan yang berjalan sekarang kurang dapat memberikan informasi detail mengenai kondisi setiap virtual server yang berjalan.Penelitian ini menggunakan metode pengembangan sistem PPDIOO (Prepare, Plan, Design, Implement, Operate, and Optimize) dengan Pandora FMS sebagai tools pemantau yang bertujuan untuk memberikan alternatif dalam memantau sumber daya virtual server sekaligus dapat memberikan informasi yang detail mengenai kondisi virtual server yang berjalan. Hasilnya system administrator akan mudah memantau kondisi server yang sedang berjalan. Selain itu teknik ini diharapkan dapat menjadi pengayaan dalam mata kuliah Manajemen Jaringan. Kata kunci :  manajemen jaringan, pemantauan jaringan, virtual server

ABSTRAKKegiatan Pengabdian kepada Masyarakat (PkM) ini melibatkan mitra yaitu SMK Negeri 8 Semarang. Berdasarkan wawancara, mitra kekurangan emulator Arduino dan terbatasnya jam praktikum yang mendukung proses pemahaman siswa terhadap bidang elektronika komputer. Emulator Arduino dibutuhkan untuk merangsang daya nalar dan imajinasi siswa terutama di bidang ilmu komputer dan jaringan. Maka dibutuhkan suatu pembelajaran khusus membantu proses belajar siswa dalam memahami penggunaan Arduino. Kegiatan PkM yang dilaksanakan pada 11 November 2020 bertempat di Lab TKJ SMK Negeri 8 Semarang diikuti oleh 10 perwakilan siswa dan 3 orang guru berisi pelatihan dan praktikum pembuatan fungsi switching, monitoring, dan controlling pada lampu LED menggunakan beberapa sensor, yaitu sensor gerak dan sensor suhu. Kegiatan yang dilaksanakan pada masa pandemi Virus Covid-19 ini direkam dan disiarkan pula secara live streamming via Youtube agar dapat diikuti pula oleh seluruh siswa sekolah di rumah masing-masing. Langkah pelaksanaan PkM adalah pemaparan materi, praktikum, Pre-Test, dan Post-Test. Hasilnya membuktikan bahwa terjadi peningkatan pemahaman siswa SMK Negeri 8 Semarang terhadap penggunaan Arduino sebesar 66 %. Diharapkan dari kegiatan PkM ini terjadi peningkatan kemampuan para siswa jurusan Teknologi Komputer dan Jaringan SMK N 8 Semarang dalam memanfaatkan Arduino untuk menambah skill dan keterampilan untuk mengembangkan mikro industri dalam penerapan teknologi tepat guna.

<span id="docs-internal-guid-210930a7-7fff-b7fb-428b-3176d3549972"><span>The match between the contents of the article and the article theme is the main factor whether or not an article is accepted. Many people are still confused to determine the theme of the article appropriate to the article they have. For that reason, we need a document classification algorithm that can group the articles automatically and accurately. Many classification algorithms can be used. The algorithm used in this study is naive bayes and the k-nearest neighbor algorithm is used as the baseline. The naive bayes algorithm was chosen because it can produce maximum accuracy with little training data. While the k-nearest neighbor algorithm was chosen because the algorithm is robust against data noise. The performance of the two algorithms will be compared, so it can be seen which algorithm is better in classifying documents. The comes about obtained show that the naive bayes algorithm has way better execution with an accuracy rate of 88%, while the k-nearest neighbor algorithm has a fairly low accuracy rate of 60%.</span></span>