Article Per Year (5 Year)
p-Index From 2021 - 2026
5.139
P-Index
This Author published in this journals
All Journal Jurnal Inspiration METHODIKA: Jurnal Teknik Informatika dan Sistem Informasi Simtek : Jurnal Sistem Informasi dan Teknik Komputer JURNAL IT: Media Infromasi STMIK Handayani Makassar E-JURNAL JUSITI : Jurnal Sistem Informasi dan Teknologi Informasi PENGABDI: Jurnal Hasil Pengabdian Masyarakat Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI) sudo Jurnal Teknik Informatika International Journal Engineering and Applied Technology (IJEAT) INOVASI: Jurnal Hasil Pengabdian Masyarakat Jurnal Pengabdian Masyarakat UNIPOL Jurnal Manajemen Informatika, Sistem Informasi dan Teknologi Komputer (JUMISTIK) Jurnal Rister Maneggio Journal of Research and Public Horizons Jurnal Nasional Komputasi dan Teknologi Informasi
Ismail Ismail
Universitas Lamappapoleonro
Agriculture, Biological Sciences & Forestry Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Library & Information Science Mathematics Mechanical Engineering Public Health Social Sciences Transportation Other

Published : 43 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 43 Documents
Search

 1   2   3   4   5 
PENGEMBANGAN APLIKASI AUGMENTED REALITY SEBAGAI MEDIA PEMBELAJARAN INTERAKTIF PADA MATA KULIAH JARINGAN KOMPUTER DI UNIVERSITAS LAMAPPAPOLEONRO Nur Sakti; Ismail Ismail
Simtek : jurnal sistem informasi dan teknik komputer Vol. 10 No. 2 (2025): Oktober 2025
Publisher : STMIK Catur Sakti Kendari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51876/simtek.v10i2.1698

Abstract

Penelitian ini bertujuan untuk mengembangkan aplikasi Augmented Reality (AR) berbasis Android sebagai media pembelajaran interaktif pada mata kuliah Jaringan Komputer di Universitas Lamappapoleonro. Model pengembangan yang digunakan adalah ADDIE (Analysis, Design, Development, Implementation, Evaluation). Subjek penelitian adalah 30 mahasiswa semester IV yang mengambil mata kuliah Jaringan Komputer. Data dikumpulkan melalui tes hasil belajar, kuesioner tanggapan, dan wawancara semi-terstruktur. Hasil penelitian menunjukkan bahwa penggunaan aplikasi AR meningkatkan hasil belajar mahasiswa secara signifikan (rata-rata pre-test 61,4; post-test 83,2; N-Gain = 0,56; p < 0,001). Kuesioner menunjukkan respon sangat positif (rata-rata 4,47) terutama pada aspek interaktivitas dan kemudahan penggunaan. Hasil ini mendukung teori pembelajaran multimedia bahwa interaktivitas visual berbasis AR mampu meningkatkan pemahaman konsep abstrak jaringan komputer. Aplikasi yang dihasilkan, Unipol-NetAR, layak digunakan sebagai media pembelajaran inovatif pada pendidikan tinggi.
Marketing Information System for Maize Commodities in Soppeng Regency to Increase Agricultural Productivity and National Food Security Asnia Minarti; Ismail Ismail; Nursakti Nursakti
Maneggio Vol. 1 No. 4 (2024): Maneggio-Aug
Publisher : PT. Anagata Sembagi Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62872/vxww9w34

Abstract

Maize in Soppeng Regency is a strategic commodity and has bright marketing prospects. Therefore, efforts to increase maize production need to receive great attention, because with sufficient availability, maize is one of the main food needs in the world after rice. It is expected that the community's need for maize can be met and the selling price remains stable. This research aims to increase the productivity of corn commodity marketing in Soppeng Regency based on the application of online marketing information systems, so that the market world can be wider and make it easier for farmers to sell their corn commodity products and become corn crop production centers, in order to increase the productivity of food crops, especially in Soppeng Regency. This study uses preliminary data on corn production from villages and sub-districts sourced from the Office of Food Crops, Horticulture, Plantations, and Food Security of Soppeng Regency which consists of 49 villages, 21 sub-districts and 8 sub-districts. The system development method uses the SDLC (System Development Life Cycle) system development technique, the application of this method starts from the field condition analysis stage, the system design stage, the system creation stage, the system testing stage, the system usage stage in the field. In addition, to meet the sustainability of the program, technical guidance on the use of the system will be provided to each user at the sub-district level. The results of this research are in the form of using an online-based corn commodity marketing information system    
Prediksi Produktivitas Jagung Berbasis Explainable Machine Learning dan Seleksi Fitur Adaptif Hermin Hermin; Ismail Ismail
Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI) Vol 9 No 1 (2026): Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI)
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat Universitas Lamappapoleonro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57093/jisti.v9i1.398

Abstract

Produktivitas jagung dipengaruhi oleh faktor agroklimat dan karakteristik tanah yang saling berinteraksi secara kompleks, sehingga diperlukan pendekatan prediktif yang akurat sekaligus interpretatif. Penelitian ini bertujuan membangun model prediksi produktivitas jagung berbasis machine learning dengan dukungan seleksi fitur adaptif dan explainable machine learning. Data penelitian terdiri atas 180 observasi yang mencakup variabel produktivitas jagung, agroklimat, dan sifat tanah. Tahapan penelitian meliputi pra-pemrosesan data, seleksi fitur adaptif, pengembangan model, evaluasi performa, dan analisis feature importance. Model yang diuji meliputi Elastic Net, Random Forest, dan Gradient Boosting. Hasil penelitian menunjukkan bahwa seleksi fitur adaptif berhasil mereduksi 10 fitur numerik awal menjadi 6 fitur optimal, yaitu curah hujan, penyinaran, suhu rata-rata, elevasi, nitrogen, dan pH tanah. Model terbaik diperoleh pada Random Forest setelah seleksi fitur dengan nilai RMSE sebesar 0,548, MAE sebesar 0,426, dan R² sebesar 0,528. Analisis explainability menunjukkan bahwa curah hujan merupakan fitur paling dominan, diikuti pH tanah, suhu rata-rata, elevasi, penyinaran, dan nitrogen. Hasil ini menegaskan bahwa integrasi seleksi fitur adaptif dan explainable machine learning efektif untuk menghasilkan model prediksi produktivitas jagung yang lebih akurat, efisien, dan interpretatif
RANCANG BANGUN APLIKASI WEB PERPUSTAKAAN DAERAH KABUPATEN SOPPENG SEBAGAI MEDIA INFORMASI DAN LAYANAN PEMINJAMAN BUKU ONLINE Supriadi; Ismail; Puji Rahmah
Journal of Research and Public Horizons Vol. 2 No. 1 (2026): Juni : Journal of Research and Public Horizons
Publisher : PT. Lembaga Penerbit Penelitian Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.65244/jrph.v2i1.486

Abstract

Penelitian ini bertujuan untuk merancang dan membangun aplikasi web Perpustakaan Daerah Kabupaten Soppeng sebagai media informasi dan layanan peminjaman buku online guna mendukung transformasi digital layanan publik. Metode yang digunakan adalah System Development Life Cycle (SDLC) dengan model Waterfall yang meliputi tahap analisis kebutuhan, perancangan sistem, implementasi, pengujian, dan pemeliharaan. Pengumpulan data dilakukan melalui observasi partisipatif, wawancara semi-struktural, dan studi dokumen dengan teknik triangulasi. Hasil penelitian menunjukkan bahwa sistem berhasil mengimplementasikan 15 fitur utama, termasuk katalog online berbasis full-text search, pendaftaran anggota daring, peminjaman digital dengan QR code pengembalian, serta dashboard administrasi real-time. Pengujian blackbox terhadap 50 test case menunjukkan tingkat keberhasilan sebesar 96% dengan waktu respons rata-rata 0,3 detik. Implementasi sistem meningkatkan efisiensi proses peminjaman dari 17 menit menjadi 2 menit per transaksi (peningkatan 88%) serta mempercepat rekapitulasi laporan harian dari 2 jam menjadi 15 menit. Tingkat kepuasan pengguna mencapai skor rata-rata 4,6 dari 5 (92%). Dengan demikian, aplikasi web yang dikembangkan terbukti efektif dalam meningkatkan kualitas layanan, efisiensi operasional, dan aksesibilitas informasi perpustakaan daerah.  
Implementasi Metode Certainty Factor untuk Diagnosa Dini Tuberkulosis (TBC) Paru dan Ekstra Paru Berbasis Web Ismail Ismail; Avrilia Qaudy Cindy; Putri Dewi Ramadani
sudo Jurnal Teknik Informatika Vol. 5 No. 2 (2026): Edisi Juni
Publisher : Ilmu Bersama Center

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56211/sudo.v5i2.1589

Abstract

Tuberkulosis (TBC) merupakan penyakit menular akibat bakteri Mycobacterium tuberculosis yang masih menimbulkan beban kesehatan tinggi. Gejala TBC sering tumpang tindih dengan penyakit lain, sehingga tenaga kesehatan maupun masyarakat kerap menemui kendala saat melakukan identifikasi awal, terutama ketika akses ke fasilitas dan tenaga ahli terbatas. Penelitian ini mengembangkan sistem pakar berbasis web untuk membantu diagnosis dini TBC paru dan ekstra paru menggunakan metode Certainty Factor (CF) agar sistem dapat memodelkan ketidakpastian hubungan gejala dan penyakit. Penelitian menyusun basis pengetahuan dari studi literatur dan wawancara tenaga kesehatan, lalu memetakan pengetahuan ke dalam aturan (rule) serta bobot keyakinan yang direpresentasikan melalui nilai measure of belief dan measure of disbelief. Peneliti merancang aplikasi secara terstruktur melalui tahapan akuisisi pengetahuan, perancangan proses dan aliran data (flowchart, context diagram, dan data flow diagram), perancangan basis data, implementasi modul konsultasi, kemudian pengujian. Pengujian mencakup uji fungsional (blackbox) untuk memastikan setiap fitur berjalan sesuai kebutuhan, serta uji akurasi dengan membandingkan hasil perhitungan CF sistem terhadap diagnosis tenaga medis pada data uji. Sistem mengolah input gejala dari pengguna, menghitung tingkat kepastian setiap hipotesis penyakit, dan menampilkan diagnosis dengan nilai keyakinan serta rekomendasi penanganan. Hasil pengujian menunjukkan sistem memberikan hasil diagnosis dengan tingkat akurasi sebesar 85% dibandingkan diagnosis pakar, sehingga sistem dapat berperan sebagai alat bantu skrining awal TBC secara lebih cepat dan sistematis.
Model Explainable Machine Learning untuk Prediksi Kecukupan Gizi Menu MBG Mohammad Ali Wardana; Ismail Ismail
Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI) Vol 9 No 1 (2026): Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI)
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat Universitas Lamappapoleonro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57093/jisti.v9i1.410

Abstract

Penelitian ini bertujuan membangun model explainable machine learning untuk memprediksi kecukupan gizi menu Program Makan Bergizi Gratis (MBG). Permasalahan penelitian berangkat dari kebutuhan pengelolaan menu MBG yang tidak hanya memenuhi variasi bahan pangan, tetapi juga sesuai dengan kebutuhan energi, protein, zat gizi mikro, batas gula, garam, lemak, dan keterjangkauan biaya per porsi. Penelitian menggunakan pendekatan kuantitatif dengan desain eksperimen komputasional. Dataset simulasi akademik terdiri atas 420 komposisi menu MBG dengan 18 variabel, mencakup kelompok penerima, sumber karbohidrat, protein hewani, protein nabati, sayur, buah, susu, energi, protein, lemak, karbohidrat, serat, kalsium, zat besi, gula, natrium, biaya porsi, dan status kecukupan gizi. Algoritma yang diuji meliputi Logistic Regression, Decision Tree, Random Forest, Support Vector Machine, K-Nearest Neighbor, Naive Bayes, Gradient Boosting, dan XGBoost. Model dievaluasi menggunakan accuracy, precision, recall, F1-score, ROC-AUC, dan confusion matrix, sedangkan interpretasi model dilakukan menggunakan SHAP. Hasil penelitian menunjukkan bahwa XGBoost yang dioptimasi memperoleh kinerja terbaik dengan accuracy 0,9643, precision 0,9643, recall 0,9818, F1-score 0,9730, dan ROC-AUC 0,9850. Analisis SHAP menunjukkan bahwa protein, energi, kalsium, biaya porsi, dan porsi sayur menjadi faktor paling berpengaruh terhadap prediksi kecukupan gizi. Temuan ini menunjukkan bahwa explainable machine learning dapat mendukung evaluasi menu MBG secara objektif, terukur, dan mudah dijelaskan kepada pengelola gizi
Optimasi Komposisi Menu MBG Berbasis Graph Neural Network dan Explainable AI Ismail Ismail; Ririn Eka Aryanti
Jurnal RISTER : Riset Sistem Cerdas Vol 3 No 1 (2026): Jurnal RISTER : Riset Sistem Cerdas
Publisher : Universitas Lamappapoleonro

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Program Makan Bergizi Gratis (MBG) membutuhkan perencanaan menu yang seimbang, bervariasi, dan mudah dievaluasi berdasarkan kecukupan gizi. Permasalahan utama dalam penyusunan menu adalah banyaknya kombinasi bahan pangan yang harus dipertimbangkan, seperti energi, protein, lemak, karbohidrat, serat, kalsium, biaya, dan ketersediaan bahan. Penelitian ini bertujuan mengembangkan model optimasi komposisi menu MBG berbasis Graph Neural Network (GNN) dan Explainable AI. Data penelitian berupa simulasi komposisi bahan pangan yang disusun berdasarkan kelompok karbohidrat, protein, sayur, buah, dan susu. Setiap bahan pangan direpresentasikan sebagai node, sedangkan hubungan kesesuaian antar bahan direpresentasikan sebagai edge pada graf menu. Model GNN digunakan untuk mempelajari pola hubungan antar bahan dan menghasilkan skor kesesuaian menu. Explainable AI digunakan untuk menafsirkan kontribusi setiap komponen nutrisi terhadap rekomendasi. Hasil pengujian menunjukkan bahwa model GNN memperoleh skor kesesuaian gizi sebesar 94,20%, lebih tinggi dibandingkan rule-based sebesar 84,20% dan MLP sebesar 89,10%. Faktor paling berpengaruh terhadap optimasi menu adalah protein, energi, kalsium, dan serat. Hasil penelitian menunjukkan bahwa GNN dan Explainable AI dapat mendukung penyusunan menu MBG yang lebih objektif, transparan, dan berbasis data
Explainable Machine Learning untuk Klasifikasi Kesesuaian Lahan Jagung Berbasis Data Tabular di Kabupaten Soppeng Ismail Ismail; Andi Zulkifli Nusri; Sukma Ayu
Jurnal Manajemen Informatika, Sistem Informasi dan Teknologi Komputer (JUMISTIK) Vol 5 No 1 (2026): Jurnal Manajemen Informatika, Sistem Informasi dan Teknologi Komputer (JUMISTIK)
Publisher : STMIK Amika Soppeng

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70247/jumistik.v5i1.318

Abstract

Klasifikasi kesesuaian lahan jagung penting untuk mendukung pengambilan keputusan pertanian berbasis data, terutama dalam menentukan lahan yang memiliki kondisi fisik, iklim, dan unsur hara yang sesuai. Penelitian ini bertujuan membangun model Explainable Machine Learning untuk klasifikasi kesesuaian lahan jagung berbasis data tabular. Dataset yang digunakan terdiri atas 560 data dari Kabupaten Soppeng dengan sepuluh variabel input, yaitu pH tanah, curah hujan, suhu, kelembapan, ketinggian, kemiringan lahan, tekstur tanah, nitrogen, fosfor, dan kalium. Tahapan penelitian meliputi preprocessing data, encoding fitur, standardisasi data numerik, pembagian data, pelatihan model, evaluasi model, dan interpretasi menggunakan Explainable Machine Learning. Algoritma yang diuji meliputi Decision Tree, Random Forest, Support Vector Machine, K-Nearest Neighbor, dan XGBoost. Hasil pengujian menunjukkan bahwa Decision Tree memperoleh performa terbaik dengan accuracy 0,9911, precision 0,9914, recall 0,9911, dan F1-score 0,9911. Feature importance dan SHAP menunjukkan bahwa kemiringan lahan, pH tanah, fosfor, nitrogen, dan kalium menjadi faktor paling berpengaruh
Optimasi Model Machine Learning untuk Reduksi Kesalahan Klasifikasi Penerima BLT Berbasis Data Sosial-Ekonomi Suherman Suherman; Ismail Ismail
Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI) Vol 9 No 1 (2026): Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI)
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat Universitas Lamappapoleonro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57093/jisti.v9i1.407

Abstract

Penelitian ini bertujuan mengoptimalkan model machine learning untuk mereduksi kesalahan klasifikasi penerima Bantuan Langsung Tunai (BLT) berbasis data sosial-ekonomi di Kabupaten Soppeng. Penelitian menggunakan pendekatan kuantitatif dengan desain eksperimen komputasional. Dataset yang digunakan terdiri atas 300 data calon penerima BLT dengan 22 variabel, mencakup indikator sosial-ekonomi seperti pendapatan, pekerjaan, jumlah tanggungan, kondisi rumah, kepemilikan aset, status kerentanan, dan riwayat penerimaan bantuan sosial. Algoritma yang diuji meliputi Logistic Regression, Decision Tree, Random Forest, Support Vector Machine, K-Nearest Neighbor, Naive Bayes, dan XGBoost. Proses optimasi dilakukan melalui prapemrosesan data, one-hot encoding, normalisasi, seleksi fitur, dan hyperparameter tuning. Evaluasi model menggunakan accuracy, precision, recall, F1-score, ROC-AUC, dan confusion matrix. Hasil penelitian menunjukkan bahwa Random Forest menjadi model terbaik dengan accuracy 0,9833, precision 1,0000, recall 0,9643, F1-score 0,9818, dan ROC-AUC 0,9900. Analisis confusion matrix menunjukkan hanya terdapat satu kesalahan klasifikasi berupa false negative dan tidak terdapat false positive. Temuan ini menunjukkan bahwa model machine learning yang dioptimalkan dapat mendukung klasifikasi penerima BLT secara lebih objektif, akurat, dan berbasis data
Digital Twin Rantai Pasok UMKM Berbasis GNN untuk Prediksi Permintaan dan Optimasi Persediaan Andi Nurul Aksa; Ismail Ismail
Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI) Vol 9 No 1 (2026): Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI)
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat Universitas Lamappapoleonro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57093/jisti.v9i1.422

Abstract

Ketidakpastian permintaan dan keterbatasan visibilitas antaraktor menyebabkan UMKM sering mengalami kelebihan atau kekurangan persediaan. Penelitian ini mengembangkan Digital Twin rantai pasok UMKM berbasis Graph Neural Network (GNN) yang mengintegrasikan representasi graf heterogen, prediksi spasial-temporal, dan simulasi generatif untuk mendukung keputusan persediaan secara closed-loop. Eksperimen terkontrol menggunakan data simulasi 150 minggu pada graf berarah yang terdiri atas 36 simpul dan 78 relasi pemasok-gudang-UMKM-produk. Model residual GCN-GRU dibandingkan dengan naive forecast, Random Forest, dan LSTM menggunakan MAE, RMSE, MAPE, serta R². Prediksi selanjutnya dihubungkan dengan kebijakan order-up-to yang mengoptimalkan safety factor per simpul melalui simulasi Monte Carlo. Hasil menunjukkan bahwa GCN-GRU memperoleh MAE 4,995, RMSE 6,749, MAPE 9,887%, dan R² 0,818, lebih baik daripada LSTM dengan MAE 5,318 dan R² 0,802. Integrasi Digital Twin menurunkan biaya persediaan menjadi 26.814,62 unit biaya, atau 9,64% lebih rendah daripada kebijakan berbasis LSTM, sekaligus menurunkan rata-rata persediaan 10,85% dengan service level 99,96%. Uji sensitivitas hingga 20% gangguan pasokan mempertahankan keunggulan biaya Digital Twin. Kebaruan penelitian terletak pada penyatuan pembelajaran graf spasial-temporal dan simulasi generatif untuk mengoptimalkan kebijakan persediaan node-specific dalam satu siklus Digital Twin yang dapat diperbarui secara dinamis
Co-Authors ', Wardi A. Muhammad Andzar Abadi, Ahmad Adrianto Ahmad Nur Fauzi Ainun Hidayah Andi Mukhlis Andi Nurul Aksa Andi Zulkifli Nusri Armadani Asmini, Asmini Asnia Minarti Avrilia Qaudy Cindy B, Sahrul Danang Purwanto Dhelvy Surya Erwin Syah, Rezky Ghina Raudhatul Janna Hasja, Aulia Diar Hasna Hermin Hermin Hilda Karim i, Dewian Ikra Juwita Irma Irma Kamis Tati Lut Faizal M Afdal Tahir M. Ilham Matrunevich Oksana Viktorovna Mohammad Ali Wardana Muh Risaldi Muhammad Nur Anugrah HR Nasrul Nasrul Nur Fadillah Amiruddin Nur Khalizah Nur Sakti Nur, Medar M Nurfadilah Nurfadilah Nursakti Nursakti Nurul Azmy Rustan Nurwidya, Nurwidya Puji Rahmah Putri Dewi Ramadani Rasul, Mat Ririn Eka Aryanti Rosdiana Ngitung Rosmini Maru Rozandi, Ardin Suherman Suherman Suherman Sukma Ayu Sukriadi Sukriadi Sumiati Side Supardi Supardi Supriadi Syahrul Hariansyah Tahir, M Afdal Tsulis Iq'bal Khairul Amar Zinta