<p>Mendeteksi kualitas kredit sejak dini merupakan satu tahapan penting yang wajib dilakukan oleh koperasi simpan pinjam guna meminimalisir adanya risiko kredit. Dalam penelitian ini, kami menggunakan tiga metode klasifikasi yaitu SVM, <em>Neural Network</em>, dan <em>Naïve Bayes</em> untuk menemukan metode dengan performa yang paling baik dan optimal pada kasus pendeteksian kualitas kredit di koperasi simpan pinjam. Proses yang dilakukan adalah dengan mengimplementasikan data hasil <em>pre processing</em> menggunakan algoritme SVM, <em>Neural Network</em>, dan <em>Naïve Bayes</em> dengan proses evaluasi menggunakan <em>5-fold cross validation</em>. Hasil yang didapatkan adalah metode <em>Neural Network</em> menjadi metode dengan performa paling baik. Rerata tingkat akurasi yang dihasilkan sebesar 86,81%, rerata <em>precision</em> sebesar 0,8194, rerata <em>recall</em> sebesar 0,8236, dan rerata nilai AUC sebesar 0,9158. Namun, waktu eksekusi yang dihasilkan algoritme <em>Neural Network</em> menjadikan algoritme ini sebagai algoritme paling lambat dibandingkan dengan dua metode lain. Nilai rerata waktu eksekusi dari metode <em>Neural Network</em> sebesar 3,058 detik, jauh lebih lama dibandingkan dua algoritme lain yang hanya berkisar pada nilai 0 – 1 detik.</p><p> <strong><em>Abstract</em></strong></p><p><em>Detecting credit quality at the early stage is an important step that must be done by koperasi simpan pinjam in order to minimize the credit risk. In this research, we use three classification methods i.e. SVM, Neural Network, and Naïve Bayes to find the best performance and optimal method to be used in credit quality detection for koperasi simpan pinjam. The process conducted by implementing pre-processing data using an SVM, Neural Network, and Naïve Bayes algorithm with the evaluation process using 5-fold cross validation. As the result, The Neural Network method was the best performing method. The average level of accuracy produced was 86.81%, mean precision was 0.8194, average recall was 0.8236, and the average AUC value was 0.9158. However, the execution time generated by the Neural Network algorithm made this algorithm the slowest algorithm compared to the other two methods. The average execution time of the Neural Network method was 3.058 seconds, longer than the other two algorithms which only range from 0 - 1 second.</em></p>

Learning activities are one of the processes of delivering information or messages from teachers to students. SMPN 4 Sidoarjo is a State Junior High School (JHS) located in Sidoarjo Regency. During the learning process, the collected academic score data were still not well organized by teachers and school principals in monitoring student learning performance. The score data is from Bahasa Indonesia subject from a teacher with 222 data included at 2019/2020 school year. The method used in student clustering is K-Means. The number of clusters are determined using the elbow method and displayed in graphic form. Clustering result can be used as a reference for teachers in determining study groups and determining the best treatment for each cluster. The best clustering results are proven by validation score using Davies-Bouldin Index, Silhouette Width, and Calinski-Harabasz Index. Three clusters were obtained for each class level of data, while the cluster ranges from two to five for the data for each study group. The dashboard is used in order to visualize the clustering result. Usability testing using System Usability Scale (SUS) has a score value of 87.5, which means that the dashboard can be accepted by SMPN 4 Sidoarjo.

Keberadaan PPID dapat mempermudah masyarakat dalam mendapatkan informasi melalui mekanisme satu pintu. Kompleksnya sistem yang terdapat di PPID Diskominfo Kabupaten Kediri memerlukan analisis lebih jauh untuk menentukan proses bisnis dan aktifitas yang berpotensi menyebabkan permasalahan, sehingga dapat dilakukan perbaikan (improvement) dan juga menghasilkan proses bisnis rekomendasi, dengan harapan PPID tersebut dapat lebih efektif dan efisien. Dalam mengatasi hal tersebut peneliti menggunakan suatu tools yang disebut sebagai Failure Mode Effect Analysis (FMEA) dan Six Sigma. Evaluasi dan perbaikan dalam peningkatkan kinerja dilakukan dengan menggunakan Bussiness Process Model and Notation (BPMN) dan menggunkan aplikasi Bizagi Model untuk mendapatkan keunggulan proses bisnis. Pengendalian permintaan informasi publik oleh PPID (Pejabat Pengelola Informasi dan Dokumentasi) Kabupaten Kediri, dengan metode Six Sigma menggunakan 5 tahap yaitu Define, Measure, Analyse, Improvement, dan Control. FMEA diproses dalam bentuk wawancara dan diskusi bersama pegawai PPID Kabupaten Kediri. Severity (Keparahan), Occurrence (Kejadian), dan Detection (Deteksi) diidentifikasi dari hasil survey dalam organisasi. Berdasarkan hasil simulasi proses bisnis, Proses validation ini dilakukan validasi terhadap probabilitas control aliran aktivitas pada setiap gateways yang ada. Bagian PPID pembantu, probabilitas permohonan dapat dipublikasikan yang memiliki pilihan boleh dan tidak. Pada kondisi boleh memiliki probabilitas 55% dan untuk kondisi tidak memiliki probabilitas sebesar 45%. Hal itu disebabkan karena banyak informasi yang memang bersifat rahasia maka menghasilkan nilai probabilitas yang sama. Percabangan bagian pemohon informasi publik khususnya pembayaran memiliki pilihan ya dan tidak. Pada kondisi tidak memiliki nilai probabilitas sebesar 90% dan untuk kondisi ya memiliki nilai probabilitas 10% hal ini disebabkan karena pada proses permohonan informasi pihak PPID memiliki hakikat biaya murah. Pada proses rekomendasi bidang pelayanan informasi berperan penting membantu pihak PPID Pembantu untuk melakukan pengecekan informasi yang sesuai dengan persyaratan. Prosespun menjadi lebih lancar tidak harus menunggu PPID Pembantu dalam memutuskan banyak hal untuk dapat melanjutkan proses selanjutnya. Dari proses rekomendasi ini diperlukan waktu 3 hari 2 jam. Dalam penerapan Failure Mode Effect Analysis (FMEA) dan Six Sigma dengan menggunakan Bussiness Process Model and Notation (BPMN) dan aplikasi Bizagi Model kinerja PPID Pembantu lebih efisien dan efektif dengan proses bisnis yang berkualitas.

Madrasah Aliyah Negeri (MAN) Sidoarjo is the only Madrasah Aliyah in Sidoarjo Regency under the Ministry of Religion. Many applicants always fill every year MAN Sidoarjo compared to the number of admission quotas, so it takes the suitable method in selecting new students. However, until now, MAN Sidoarjo has not found the correct method in determining new students, and the school has not used the data of new students as best as possible. In solving the problem, the methods used are AHP (Analytical Hierarchy Process) and Weighted Product. The AHP method is used in determining the weight of the criteria used, while the Weighted Product method is used to assess the quality of the recommendation data. The data used in this study is the data of admission of new students man Sidoarjo school year 2020/2021 with a total of 875 data. The expected result is 267 prospective students who qualified, 40 candidates, declare in reserve, and 568 candidates did not qualify. The results conduct test agreement using the coefficient kappa generated value 0.837 (excellent). Data-limited visualizations do with Google Data Studio in a dashboard of graphs and cards. Usability testing conduct using the System Usability Scale with a value of 82.5 shows the dashboard successfully deploy in the registration selection program of new students of MAN Sidoarjo.

<p class="Abstrak">ETL (<em>extract</em>, <em>transform</em>, dan <em>load</em>) merupakan proses yang dilibatkan dalam pembuatan dan manajemen <em>data warehouse</em>. Desain ETL dibuat menyesuaikan struktur sumber data dan <em>data warehouse</em>. Dengan adanya ketergantungan tersebut maka perubahan di sumber data bisa berdampak besar terhadap desain ETL. Ketika perubahan tersebut terjadi, pengelola ETL akan berkomunikasi dengan pemilik data untuk mengetahui rincian perubahan struktur data dalam rangka memperbaiki desain ETL. Aliran komunikasi ini akan semakin meningkat sejalan dengan jumlah sumber data yang digunakan. Semakin banyak sumber data yang diproses maka komunikasi tersebut berpotensi menjadi <em>bottleneck</em>. Informasi perubahan struktur data ini dapat dikomunikasikan melalui anotasi yang dilekatkan pada sumber data. Anotasi tersebut kemudian dipropagasikan sehingga dapat digunakan untuk memperbaiki rancangan ETL. Dengan menggunakan anotasi, harapannya aliran komunikasi antara pengelola ETL dengan pemilik data dapat berkurang. Permasalahan tersebut menunjukkan seberapa penting dikembangkannya sistem propagasi anotasi. Sistem propagasi anotasi tersusun atas tiga komponen yaitu ekstraksi metadata, propagasi anotasi, dan <em>adapter</em>. Pengujian sistem dilakukan menggunakan teknik <em>blackbox</em> dan <em>user acceptance testing</em> bersama pengguna akhir. Pengujian <em>blackbox</em> menghasilkan 30 kasus uji yang hasilnya valid. Hasil evaluasi <em>user acceptance testing</em> menunjukkan bahwa rata-rata pengguna menyatakan sangat setuju dengan sistem yang dikembangkan.</p><p class="Abstrak"> </p><p class="Abstrak"><em><strong>Abstract</strong></em></p><p class="Abstract"><em>ETL is a process of extracting, transforming, and loading data that is involved in creation and management of a data warehouse. Since ETL is deeply connected to the structure of the source data, if a small changes happens to that structure then the whole workflow might stop. Because one data source can be used by more than one ETL workflow, the impact of schema changes to the ETL design are enormous. When such incident happens, the ETL designer will ask the data owner for the details of the schema changes. The communication traffic between the ETL designer and the data owner will increase as the number of sources that are being used is increasing. Therefore potentially becoming a bottleneck. Information regarding schema changes of a data source can be attached as an annotation. This annotation will be then propagated so that the ETL manager can update the workflow according to the recorded changes.Using this technique, the communication traffic between the ETL designer and the data owner can be minimized. This problem highlights the need of an annotation propagation system. The system itself consists of three components: metadata extraction, adapter, and annotation propagation. To test the system, blackbox and user acceptance testing is used. The blackbox testing resulting with 30 test case which are all valid. The user acceptance testing is done with the end-user directly operating the system, and after analyzing the results it shows that on average the user is accepting the system.</em></p><p class="Judul2"> </p><p class="Abstrak"><em><strong><br /></strong></em></p>