Hasil Pencarian  ::  Simpan CSV :: Kembali

"Setiap perguruan tinggi di Indonesia bertanggung jawab atas kelengkapan, kebenaran, ketepatan, dan kemutakhiran data pendidikan tinggi di perguruan tinggi masing-masing. Data pendidikan tinggi digunakan untuk pelaksanaan sistem penjaminan mutu pendidikan tinggi dan digunakan sebagai landasan dalam penyusunan kebijakan terkait program studi dan perguruan tinggi di Indonesia. Hasil pengukuran kualitas data menunjukkan bahwa terdapat permasalahan pada data pendidikan tinggi di Politeknik Statistika STIS yaitu belum memenuhi kriteria kelengkapan, kebenaran, ketepatan, dan kemutakhiran. Pengukuran tingkat kematangan manajemen kualitas data telah dilakukan dengan menggunakan Loshins Data Quality Maturity Model dimana hasilnya berada pada kisaran level 1 dan 2. Hanya komponen dimensi kualitas data yang telah mencapai target yang diharapkan. Untuk itu, rekomendasi disusun berdasarkan kerangka kerja DAMA-DMBOK. Adapun aktivitas yang perlu dilakukan adalah mengembangkan dan mempromosikan kesadaran terhadap kualitas data; mendefinisikan kebutuhan kualitas data; melakukan profiling, analisis, dan penilaian kualitas data; mendefinisikan aturan bisnis (business rules) kualitas data; menetapkan dan mengevaluasi tingkat layanan kualitas data (data quality service levels); mengelola permasalahan terkait kualitas data; merancang dan mengimplementasikan operasional prosedur untuk manajemen kualitas data; dan memantau operasional dan performa prosedur manajemen kualitas data.

---

Every varsity in Indonesia is responsible for ensuring the completeness, the validity, the accuracy, and the currency of its educational data. The educational data is used for the implementation of the higher-education quality assurance system and is used as a basis to formulate policies related to universities and majors in Indonesia. Data quality assessment result indicates that educational data in Statistics Polytechnic STIS did not meet completeness, validity, accuracy, and currency criteria. Data quality management maturity has been measured using Loshins Data Quality Maturity Model which the result are in level 1 to level 2 of maturity. Only data quality dimensions component has achieved the expected target.

Thus, recommendations have been proposed based on the DAMA-DMBOK framework. The activities needed to be carried out are developing and promoting awareness of data quality; defining data quality requirements; profiling, analyzing, and evaluating data quality; define business rules for data quality, establish, and evaluate the data quality services levels, manage problems related to data quality, design and implement operational procedures for data quality management, and monitor operations and performance of data quality management procedures."

"Direktorat Pembinaan Kursus dan Pelatihan memberikan layanan kursus dan pelatihan untuk meningkatkan kualitas hidup manusia Indonesia. Layanan kursus dan pelatihan diselenggarakan oleh lembaga pendidikan yang memenuhi syarat dalam bentuk program Pendidikan Kecakapan Kerja (PKK) dan Pendidikan Kecakapan Wirausaha (PKW). Dalam pelaksanaannya, banyak lembaga yang terlambat dalam menyampaikan laporan pertanggungjawaban (LPJ) hingga melewati akhir tahun anggaran. Hal tersebut dapat menyebabkan timbulnya potensi temuan dalam proses audit keuangan yang perlu ditindaklanjuti. Proses tindak lanjut temuan BPK membutuhkan sumber daya dalam bentuk dana, waktu, dan tenaga yang tidak sedikit. Salah satu upaya untuk mengurangi jumlah lembaga yang berisiko terlambat dalam menyampaikan LPJ adalah dengan mengembangkan model klasifikasi kelayakan lembaga penerima dana bantuan dengan menggunakan teknik data mining. Dalam penelitian ini, teknik data mining yang digunakan adalah classification dengan algoritme decision tree, naive bayes, deep neural network dan logistic regression. Hasil penelitian menunjukkan bahwa model yang dihasilkan oleh algoritme logistic regression dari dataset hasil oversampling memiliki nilai MCC (Matthews correlation coefficient) yang paling tinggi di antara model-model lainnya.

---

The Directorate of Courses and Training Development provides course and training services to improve the quality of human life in Indonesia. These services are organized by qualified training providers in the form of Lifeskills for Work Education (PKK) and Lifeskills for Entrepreneurship Education (PKW) programme. In the implementation, many training providers are delayed in delivering accountability reports (LPJ) to the end of the year. This can lead to potential findings in the process of financial audits that need to be followed up. The follow-up process requires resources in the form of funds, time, and human resources.

One of the efforts to reduce the number of training providers at risk of delay in delivering LPJ is to develop a model of training providers worthiness classification using data mining techniques. The research utilized classification technique employing decision tree, naive bayes, deep neural network and logistic regression algorithm. The result showed us that model generated by the logistic regression algorithm from the oversampled dataset had the highest MCC (Matthews correlation coefficient) value among the other models."

"Politeknik Keuangan Negara STAN (PKN STAN) sebagai perguruan tinggi diwajibkan untuk memenuhi Standar Nasional Pendidikan Tinggi dalam rangka menjaga mutu pendidikan tinggi. Hasil penjaminan mutu digunakan oleh BAN-PT dalam menetapkan akreditasi Perguruan Tinggi. Penilaian akrediatasi, salah satunya, dilaksanakan dengan mengambil data dari Pangkalan Data Perguruan Tinggi (PDPT). Perguruan Tinggi wajib menyampaikan data dan informasi penyelenggaraan pendidikan ke PDPT. Data pendidikan tinggi meliputi data pokok, data referensi, dan data transaksional pendidikan tinggi. Data yang disampaikan ke PDPT harus memenuhi syarat kelengkapan, kebenaran, ketepatan, dan kemutakhiran. Hasil pengukuran data mahasiswa sebagai salah satu data pokok pendidikan tinggi di PKN STAN padadimensi kualitas data yang disyaratkan, yaitu Kelengkapan50.38%, Kebenaran/Ketepatan14.16%, dan Kemutakhiran100% diukur dari waktu pembuatan/pemutakhiran. Hasil tersebut belum memenuhi kriteria yang disyaratkan organisasi sebesar 90% untuk setiap dimensi data yang disyaratkan. Berdasarkan hal tersebut, penelitian ini menyusun rekomendasi peningkatan kualitas data pokok pendidikan di PKNSTAN. Rekomendasi disusun dengan melakukan penilaian manajemen kualitas data saat ini yang meliputi penilaian dimensi kualitas data padadata pokok pendidikan (dosen, mahasiswa, kurikulum, dan mata kuliah) dan penilaian tingkat kematangan manajemen kualitas data. Rekomendasi yang diberikan meliputi delapan komponen dalam Data Quality Frameworkdari David Loshin dengan menerapkan praktik terbaik manajemen kualitas data dariData Management Book of Knowledge dari DAMA Institute. Terdapat 66 rekomendasi peningkatan kualitas data pokok pendidikan di PKN STAN untuk dapat mencapai tingkat kematangan manajemen kualitas data yang diinginkan. Dari 66 rekomendasi tersebut, terdapat delapan rekomendasi yang dinilai berdampak signifikan dalam awal pelaksanaan program manajemen kualitas data di PKN STAN. Rekomendasi tersebut diharapkan dapat digunakan sebagai acuan dalam melaksanakan program peningkatan kualitas data pokok pendidikan di PKN STAN.

---

State Finance Polytechnic STAN, as a higher education institution (HEI), is required to meet the National Standards of Higher Education in order to maintain the quality of higher education. The quality assurance results are used by BAN-PT in establishing university accreditation. Accreditation assessment, one of which, is carried out by taking data from the Pangkalan Data Perguruan Tinggi (PDPT).

HEIs must submit data and information on the implementation of education to PDPT. Higher education data includes basic data, reference data, and higher education transactional data. Data submitted to PDPT must meet the requirements for completeness, truth, accuracy, and currency.

The measurement results of student data as one of the primary data of higher education in PKN STAN on the required data quality dimensions, namely Completeness 50.38%, Truth/Accuracy 14.16%, and Update 100% measured from the time of creation/updating. These results do not meet the criteria required by the organization by 90% for each dimension of data required.

Based on this, the research composes recommendations for improving the quality of the basic data of education in PKN STAN. The recommendations are prepared by evaluating the current data quality management, which includes evaluating the dimensions of data quality in the basic education data (lecturers, students, curriculum, and courses) and assessing the maturity level of data quality management.

The recommendations include eight components in the David Quality Quality Framework by implementing data quality management best practices from the Data Management Book of Knowledge from DAMA Institute. PKN STAN needs to make the 66 recommendations to be able to reach the desired level of data quality management maturity. There were eight recommendations which considered to have a significant impact at the beginning of the implementation of the data quality management program in PKN STAN. This recommendation is expected to be used as a reference in implementing the basic data quality improvement program in PKN STAN."

"ABSTRAKBadan Meteorologi, Klimatologi, dan Geofisika (BMKG) merupakan lembaga yang ditunjuk untuk mengelola data-data cuaca yang diolah menjadi informasi meteorologi dan klimatologi. Namun, harapan terhadap tingkat akurasi data cuaca yang dikelola belum terpenuhi disebabkan belum benarnya proses validasi data cuaca yang mengelompokkan data cuaca valid dan data cuaca yang tergolong suspect. Oleh karenanya, penelitian ini bertujuan untuk mengetahui cara memvalidasi data cuaca dengan menguji algoritma k-NN dan D-NN dengan pendekatan data mining klasifikasi serta K-Medoids dan DBSCAN dengan pendekatan data mining clustering. Proses Knowledge Discovery in Database diterapkan hingga kedua pendekatan data mining diuji untuk mendapatkan cara terbaik yang dijadikan dasar proses validasi data cuaca. Hasil penelitian merekomendasikan algoritma D-NN untuk pendeteksian data suspect karena memiliki nilai specificity lebih baik daripada k-NN sedangkan teknik clustering dengan dua algoritma yang diujikan pada penelitian ini tidak direkomendasikan.

---

ABSTRACT"

"Sistem peradilan elektronik dengan E-Court diterapkan Mahkamah Agung Republik Indonesia (MA RI) untuk meningkatkan penyelesaian perkara perdata. Pada tahap awal di tahun 2019, E-Court diterapkan pada pengadilan percontohan, termasuk di 6 pengadilan negeri. Dalam tahap uji coba diamati hasil E-Court belum maksimalnya pemanfaatan untuk menangani perkara, peningkatan penyelesaian perkara dan penggunaan aplikasi oleh advokat. Pada tahun 2020, E-Court diterapkan secara wajib ke seluruh pengadilan di Indonesia, termasuk di 382 pengadilan negeri. Adanya ketidaksesuaian (gap) harapan dengan hasil sistem peradilan dengan E-Court pada tahap uji coba menyebabkan perlunya sebuah evaluasi terhadap E-Court setelah sistem ini diterapkan ke seluruh pengadilan. Pada penelitian ini, evaluasi dilakukan dengan survei ke para pengguna E-Court dari kalangan hakim, panitera, dan advokat, berdasarkan kerangka Model Kesuksesan Sistem Informasi Delone-McLean, yang terdiri dari kualitas sistem (system quality), kualitas informasi (information quality), kualitas layanan (service quality), kepuasan pengguna (user satisfication), dan manfaat (net benefit) serta ditambahkan variabel tambahan nilai keadilan (E-Justice value). Berdasarkan hasil penelitian didapatkan setelah penerapan ke seluruh pengadilan, para pengguna menilai bahwa penerapan E-Court berhasil mengurangi biaya perkara, serta memudahkan akses pada proses peradilan dan data perkara, namun, belum sepenuhnya meningkatkan produktivitas penanganan perkara dan produktivitas aparat pengadilan. Variabel persepsi kesuksesan E-Justice value dan net benefit memiliki pengaruh signifikan satu sama lain, serta variabel information quality memiliki perngaruh signifikan pada E-Justice value. Selain itu juga diamati bahwa advokat memiliki persepsi kesuksesan E-Court yang lebih rendah dari para aparat peradilan.

---

Electronic court system using E-Court application is implemented by the Supreme Court of Indonesia (MA RI) to improve civil cases processing. For the first stage, in 2019 several courts were selected as pilot project, including district courts in 6 regions. During this trial period, it was observed that E-Court usage was less than optimal in case handling, case completion and usage by advocates. In 2020, the system is mandated to be used in all courts in Indonesia, including 382 district courts. The presence of gap between target and result during trial period created a necessity for an evaluation of E-Court after the system is implemented nationally. In this research, evaluation is done by using survey to gather perception of success among judges, registrars and advocates as users of the E-Court system, according to DeLone-McLean Information System success model, that consists of the following categories: system quality, information quality, service quality, user satisfaction, net benefit, with the addition of value gained by using electronic court system (E-Justice value). According to the result of this research, it is found that users perceive E-Court as successful in lowering litigation cost, improving access to judicial process and case information, yet not entirely successful in improving case handling and increasing court productivity. Variables of success perception in E-Justice value and net benefit are found to highly correlate with each other, while information quality is found to highly influence E-Justice value success perception. Furthermore, advocates have lower perception of E-Court’s success compared to court officials."

"Data pelanggan merupakan salah satu data yang paling penting digunakan dalam OVO untuk menjalankan strategi dan mencapai visi perusahaan. Untuk itu dibutukan strategi yang baik dalam melakukan pengelolaan data pelanggan tersebut untuk mendapatkan kualitas data yang lebih baik. Penelitian ini dilakukan untuk mengukur tingkat kematangan pengelolaan kualitas data yang saat ini dilakukan dan memberikan strategi manajemen kualitas data berdasarkan kerangka kerja Loshin (2011) dan DAMA-DMBOK. Dari hasil pengukuran tingkat kematangan didapatkan bahwa secara umum pengelolaan data kualitas di OVO sudah berada di level 3 (defined) dengan beberapa dimensi masih berada pada level 2 (repeatable). Selanjutnya dilakukan analisis kesenjangan terhadap harapan yang kemudian menjadi input untuk menyusun strategi manajemen untuk meningkatkan kualitas data di OVO. Adapun rekomendasi strategi manajemen yang disarankan yaitu penggunaan dimensi kualitas data yang diselaraskan dengan hasil review business rules, implementasi single source of truth, membentuk dan menentukan data stewards, membentuk dewan pengawas kualitas data, melakukan sertifikasi sumber data yang terpercaya, memberikan partisipasi terhadap business partner dalam aktifitas DQM, membangun metrik kualitas data yang selaras dengan bisnis, menetapkan SLA, melakukan pemantauan aturan kualitas data, melakukan analisis dampak data, menyusun prosedur terkait DQM, melakukan pelaporan data quality scorecard secara rutin, menggunakan tools dalam pengecekan, menambahkan detail prosedur dalam pengawasan dengan metode otomatis, membangun aturan data yang selaras dengan bisnis, dan melakukan validasi data menggunakan aturan yang sudah didefenisikan.

---

Customer data is one of the most critical data in OVO to carry out strategies and achieve the company's vision. Therefore, the company requires a good strategy in managing customer data to get better data quality. This research was conducted to measure the current maturity level of data quality management, and provide data quality management strategies based on the Loshin data quality maturity framework and DAMA-DMBOK framework. From the assessment of data quality maturity level, found that in general the quality data management in OVO was already at the third level (Defined), although some dimensions are still at the second level (Repeatable). Furthermore, an analysis of the gap against expectations is conducted which it’s results later become an input for formulating data management strategies to improve data quality in OVO. The results of data management strategy recommendations are use the data quality dimensions that are aligned with the results of reviewing business rules, implementation of a single source of truth, develop data stewards, develop data quality oversight board, certifying reliable data sources, giving participation to business partners in DQM activities, building data quality metrics that are aligned with the business, setting SLAs, monitoring data quality rules, conducting data impact analysis, compiling procedures related to DQM, reporting on data quality scorecards regularly, using tools in checking, adding detailed procedures for data monitoring with automated methods, develop data rules that comply with business, and perform data validation using predefined."

"ABSTRAK<>br>Dalam persaingan yang ketat di dunia industri, khususnya dalam industri telekomunikasi semakin ketat. Oleh karena itu, masing-masing operator telekomunikasi berlomba-lomba untuk memberikan layanan terbaik agar dapat menarik konsumen yang lebih banyak. Namun, sebelum membuat suatu layanan telekomunikasi, haruslah ada analisis pasar khususnya pelanggan, agar dapat diketahui layanan seperti apa yang dibutuhkan dan diinginkan oleh pelanggan tersebut. Dengan perkembangan sistem informasi, analisis menggunakan data mining menjadi pilihan. Dalam penelitian ini dibuat suatu model KDD Knowledge Discovery Data dengan menggunakan algoritma sistem rekomendasi yang dikombinasikan dengan social network analysis untuk memprediksi suatu layanan apakah diterima oleh pelanggan atau tidak. Dalam penelitian ini terdapat empat macam model sistem rekomendasi, yaitu collaborative filtering, content based filtering, hybrid filtering dan stochastic gradient descent. Kemudian hybrid filtering dan stochastic gradient descent dikombinasikan dengan hasil analisis dari jaringan sosial yang berupa nilai-nilai pagerank, eigenvector, modularity, degree dan sebagainya. Hasil dari kombinasi hybrid filtering dengan hasil analisis jaringan sosial tidak terlalu signifikan dan cenderung tetap, sedangkan hasil dari kombinasi stochastic gradient descent dengan hasil dari analisa jaringan sosial dapat menurunkan nilai RMSE dan MAE sebesar 0,001 sampai 0,010 dan 0,011 sampai 0,013.

---

ABSTRACT<>br>In the fierce competition in the industrial world, especially in the telecommunications industry is getting tighter. Therefore, each telecommunicationoperator will compete to provide the best service to attract more consumers. However, before performing a telecommunication service, there must be a market analysis, especially customers, to know what kind of service is needed and desired by the customer. With the development of information systems, analysis using data mining becomes an option. In this research will be made a model of KDD Knowledge Discovery Data using a recommendation system algorithm combined with social network analysis to predict a service whether received by customers or not. In this research, there are four models of the recommendation system they are collaborative filtering, content based filtering, hybrid filtering and stochastic gradient descent. Then hybrid filtering and stochastic gradient descent combined with the results of analysis of social networks in the form of PageRank values, eigenvector, modularity, degree and so forth. The result of hybrid filtering combination with social network analysis result is not very significant and tends to remain, while the result of stochastic gradient descent combination with result of social network analysis can decrease RMSE and MAE value about 0.001 to 0.010 and 0.011 to 0.013."

"ABSTRAKKredit bermasalah atau non performing loan NPL merupakan salah satu indikator penilaian performa sebuah bank dalam menjalankan program kredit kepada nasabahnya. Peningkatan rasio NPL pada PT. Bank XYZ pada tahun 2016 memberikan dampak kerugian yang sangat besar bagi perusahaan. Tinggi atau rendahnya rasio NPL erat kaitannya dengan tingkat kepatuhan debitur dalam menyelesaikan kewajibannya sesuai dengan perjanjian yang ada. Peningkatan rasio NPL tersebut berasal dari berbagai sektor kredit termasuk kredit kepemilikan rumah KPR. Tercatat pada awal tahun 2017 terdapat 16,15 nasabah yang memiliki kredit tidak lancar pada kredit KPR FLPP. Kualitas kredit yang buruk memberikan kerugian pada Bank XYZ. Untuk mengatasi masalah tersebut, pada penelitian ini digunakan teknik data mining untuk melakukan penilaian risiko calon nasabah kredit. Teknik data mining decision tree, support vector machine dan na ve bayes digunakan untuk melakukan penilaian risiko kualitas kredit calon nasabah. Teknik ensemble classification adaptive boosting dan bagging juga digunakan untuk meningkatkan performa dari model klasifikasi dasar. Pemodelan dilakukan dengan menggunakan data nasabah KPR FLPP. Evaluasi penelitian dilakukan menggunakan teknik k-fold cross validation. Hasil dari penelitian menunjukkan model klasifikasi yang dihasilkan oleh metode base classification decision tree merupakan model yang terbaik pada kasus ini. Hasil dari pemodelan dapat digunakan dalam menilai potensi calon nasabah apakah akan menjadi nasabah yang mempunyai kualitas kredit baik atau buruk.

---

ABSTRACTNon performing loan NPL is one of some indicators that can be used to measure the performance of bank in running a credit program to its customer. Bank XYZ rsquo s NPL rate increased in 2016 brought a huge loss to the organization. High or low NPL rate in the bank is closely related to the level of compliance of its customer in fulfilling their obligation based on agreement. The increment of NPL came from several sectors including the mortgage sector. In the beginning of 2017, there are 16.15 of customer have bad credit performance of FLPP mortgage program. Bad quality can bring loss to the Bank XYZ. To resolve that problem, data mining technique is used in order to assess the credit risk of prospect customer. Data mining techniques such decision tree, support vector machine SVM and na ve bayes are used to score the credit risk of the prospect customer. Ensemble classification technique such adaptive boosting and bagging are used as well to improve the performance of base classification rsquo s model. Modelling uses the historical customer data of FLPP mortgage program. The technique of evaluation in this research uses k fold cross validation. The result of this research shows classifiers from base classification decision tree has the best result amongst the other models in this case. The best models can be used to score the potential of prospect customer whether they will be having good credit or bad credit."

"Salah satu Nawa Cita pemerintah Indonesia tahun 2014-2019 adalah membangun Indonesia dari pinggiran dengan memperkuat daerah dan desa dalam kerangka negara kesatuan. Salah satu bentuk pembangunan adalah pembangunan fisik, yang dapat diukurdengan pendekatan belanja infrastruktur/aset. Namun Laporan Keuangan yang selama ini dipakai untuk memantau pembangunan fisik, baru didapatkan tahun berikutnya. Pada penelitian ini, rancangan data mart aset negara dibuat sebagai solusi untuk memantaupembangunan fisik nasional tanpa harus menunggu tahun berikutnya. Pertanyaan penelitian yaitu bagaimana rancangan data mart aset negara untuk mengukur pembangunan fisik di Indonesia? Penelitian ini menggunakan metodologi Kimball, dengan alat bantu Oracle Database dan visualisasi Tableau. Hasil penelitian menunjukkan pembangunan fisik nasional masih terkonsentrasi di provinsi DKI Jakarta (36.12% tahun 2017 dan 36.91% tahun 2018) berdasarkan alokasi dan realisasi dana APBN. Salah satu pengambilan keputusan yang dapat diambil adalah melakukan restrukturisasi kebijakan untuk pemerataan pembangunan fisik, dan meningkatkan prioritas alokasi untuk daerah pinggiran terlebih dulu.

---

One of the Indonesians government goals from 2014 to 2019 is to develop Indonesian physical infrastructure from the outer layer of the country, through development of rural

areas and villages. Physical infrastructure is a variable mentioned in Financial Statement as fixed-assets spending, in which currently only available annually. This research is aimed to develop analytical data environment in a form of data mart, as a solution to monitor physical infrastructure development at almost realtime, without waiting for an

annual report. This research question is how to develop Governments Fixed Assets based Data Mart to measure physical infrastructure development in Indonesia. Kimball methodology, as well as Oracle database, and Tableau OLAP visualization were utilized to develop the data mart. Result shows when aggregates, physical infrastructure built in Indonesia was concentrated in DKI Jakarta by almost a half of Government Budget

Allocation (36.12% at 2017 and 36.91% at 2018) comparing to another states. One of the decision that could be generated were to restructurize policy for phisical infrastructure budget allocation for next/upcoming years, and prioritize allocation for outer layer of the country including rural areas and villages."

"ABSTRAKBalai Jaringan Informasi dan Komunikasi (BJIK) sebagai salah satu balai di Badan Pengkajian dan Penerapan Teknologi (BPPT) memiliki tugas dalam penerapan teknologi informasi dan komunikasi (TIK) untuk kepentingan pemerintah pusat, daerah, publik, komunitas ilmu pengetahuan teknologi, dan industri. Tugas tersebut diwujudkan salah satunya dengan membangun sistem informasi monitoring teknologi informasi dan komunikasi yang bernama Simontik. Kemajuan tren teknologi dan ancaman siber yang tidak dapat dihindari membutuhkan adanya penerapan data mining untuk monitoring intrusi dalam melindungi informasi penting dimana perangkat lunak anti virus dan firewall tidak cukup memberikan perlindungan penuh sesuai dengan kondisi BJIK saat ini. Sejalan dengan hal tersebut, beberapa penelitian terdahulu juga menjelaskan teknik deep learning atau deep neural network pada data mining yang telah mencapai keberhasilan jauh lebih baik di berbagai aplikasi khususnya big data sets classification karena memberikan hasil yang akurat dalam menyelesaikan permasalahan sistem monitoring intrusi. Berdasarkan hal tersebut, penelitian ini menggunakan teknik classification dengan algoritme deep learning, support vector machine, dan random forest sebagai pembanding. Penelitian ini menggunakan metodologi knowledge discovery from data (KDD) dimana data mining hanya merupakan suatu langkah penting dalam urutan prosesnya. Hasil akhir dari penelitian ini merupakan model prediksi yang dikemudian diuji dengan dataset Simontik untuk diketahui akurasinya. Hasil yang didapatkan dari penelitian ini adalah algoritme deep neural network dan random forest menghasilkan akurasi yang paling baik, yaitu sebesar 99,91% dibandingkan dengan algoritme support vector machine yang memiliki akurasi sebesar 98,11%.ABSTRACTThe Information and Communication Network Center (BJIK) as one of the centers in the Agency for the Assessment and Application of Technology (BPPT) has the task of implementing information and communication technology (ICT) for the benefit of the central, regional, public, technological and industrial science communities. One of the tasks is realized by building an information and communication technology monitoring information system called Simontik. The unavoidable progress of technological trends and cyber threats requires the application of data mining for intrusion monitoring in protecting important information where anti-virus software and firewalls do not provide full protection in accordance with current BJIK conditions. In line with this, several previous studies also explained that deep learning techniques or deep neural networks in data mining that have achieved success are far better in various applications, especially the big data sets classification because they provide accurate results in solving intrusion monitoring system problems. Based on this, this study uses classification techniques with deep learning algorithms, support vector machines, and random forest as a comparison. This study uses the knowledge discovery from data (KDD) methodology where data mining is only an important step in the sequence of the process. Result of this study is a prediction model which is then tested with the Simontik dataset to determine its accuracy. The results obtained from this study are that deep neural network and random forest algorithms produce the best accuracy, which is 99.91% compared to the support vector machine algorithm which has an accuracy of 98.11%."