cover
Contact Name
Ricky Firmansyah
Contact Email
ricky.rym@bsi.ac.id
Phone
+6281318340588
Journal Mail Official
jurnal.informatika@bsi.ac.id
Editorial Address
Jl. Kramat Raya No.98, Kwitang, Kec. Senen, Kota Jakarta Pusat, DKI Jakarta 10450
Location
Kota adm. jakarta barat,
Dki jakarta
INDONESIA
Jurnal Informatika
ISSN : 23556579     EISSN : 25282247     DOI : https://doi.org/10.31294/ji.v4i2
Core Subject : Science,
Jurnal Informatika respects all researchers Technology and Information field as a part spirit of disseminating science resulting and community service that provides download journal articles for free, both nationally and internationally. The editorial welcomes innovative manuscripts from Technology and Information field. The scopes of this journal are: Expert System Decision Support System Data Mining Artificial Intelligence System Machine Learning Genetic Algorithms Business Intelligence and Knowledge Management Big Data the manuscripts have primary citations and have never been published online or in print. Every manuscript will be checked the plagiarism using Turnitin software. If the manuscript indicated major plagiarism, the manuscript is rejected.
Articles 6 Documents
Search results for , issue "Vol 11, No 1 (2024): April 2024" : 6 Documents clear
Implementasi K-Medoids Dalam Pengelompokan Fasilitas Pelayanan Kesehatan Pada Kasus Tuberculosis Putri, Refanisa; Riana, Freza; Wulandari, Berlina
Jurnal Informatika Vol 11, No 1 (2024): April 2024
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/inf.v11i1.20044

Abstract

Tuberculosis (TBC) adalah penyakit menular yang disebabkan oleh bakteri Mycobacterium Tuberculosis, kadang disebut juga TB paru. Pada tahun 2021 kasus TBC di Kota Bogor terdapat 4855 kasus, banyaknya kasus TBC di Kota Bogor ini, diperlukan pengelompokan penyebaran penyakit TBC berdasarkan Fasilitas Pelayanan Kesehatan (FASYANKES) di Kota Bogor menggunakan algoritma K-Medoids, yang bertujuan untuk mengetahui karakteristik FASYANKES dalam kasus TBC. Algoritma K -Medoids adalah  sebuah algoritma yang menggunakan metode partisi clustering untuk mengelompokkan sejumlah n objek menjadi k klaster. Pada penelitian ini diterapkan pengujian Silhouette Coefficient untuk memaksimalkan hasil clustering, hasil clustering yang diperoleh adalah terbentuk 2 klaster dengan Silhouette = 0,574652. Sehingga dengan implementasi K-Medoids clustering diperoleh hasil 2 klaster yakni, klaster 0 terdapat 15 FASYANKES yang berisi karakteristik teridentifikasi yang tinggi dan hasil diagnosis positif TBC yang tinggi. Namun, terdapat 3 FASYANKES yang memiliki nilai jumlah pasien teridentifikasi tinggi tetapi nilai hasil diagnosis positifnya rendah. FASYANKES tersebut termasuk ke dalam klaster 0, karena dipengaruhi oleh nilai jumlah pasien teridentifikasi yang tinggi. Sedangkan klaster 1 terdapat 29 FASYANKES yang berisi karakteristik teridentifikasi yang rendah dan hasil diagnosis positif TBC yang rendah. Namun, terdapat 9 FASYANKES yang memiliki nilai jumlah pasien teridentifikasi rendah tetapi nilai hasil diagnosis positifnya tinggi. FASYANKES tersebut termasuk ke dalam klaster 1, karena dipengaruhi oleh nilai jumlah pasien teridentifikasi yang rendah.Tuberculosis (TB) is an infectious disease caused by the bacteria Mycobacterium Tuberculosis, sometimes also called pulmonary TB. In 2021, there were 4855 cases of tuberculosis in Bogor City. The large number of tuberculosis cases in Bogor City requires clustering the spread of tuberculosis disease based on Health Service Facilities (FASYANKES) in Bogor City using the K-Medoids algorithm, which aims to determine the characteristics of FASYANKES in tuberculosis cases. The K-Medoids algorithm is an algorithm that uses the clustering partition method to group a number of n objects into k clusters. In this study, Silhouette Coefficient testing was applied to maximize clustering results, the clustering results obtained were 2 clusters formed with Silhouette = 0.574652. So that with the implementation of K-Medoids clustering, the results of 2 clusters are obtained, namely, cluster 0 there are 15 FASYANKES which contain high identified characteristics and high positive TB diagnosis results. However, there are 3 FASYANKES that have a high number of identified patients but a low value of positive diagnosis results. These FASYANKES are included in cluster 0, because they are influenced by the high number of identified patients.While cluster 1 contained 29 FASYANKES that contained low identified characteristics and low positive TB diagnosis results. However, there are 9 FASYANKES that have a low number of identified patients but a high positive diagnosis result. These FASYANKES are included in cluster 1, as they are influenced by the low number of identified patients.
Diagnosis Penyakit Pada Tanaman Sukulen Menggunakan Metode Forward Chaining Berbasis Mobile Android Widi, Dicky Prasetya; Gunaryati, Aris
Jurnal Informatika Vol 11, No 1 (2024): April 2024
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/inf.v11i1.21208

Abstract

Pada saat ini perkembangan teknologi sudah sangat pesat, tidak hanya pada bidang informasi, pendidikan, industri tetapi juga pada bidang pertanian. Pesatnya perkembangan teknologi juga dirasakan bersama oleh para petani sukulen untuk mendapatkan informasi tentang tanaman sukulen mereka. Tanaman sukulen banyak dibudidayakan di wilayah perkotaan di Indonesia, namun petani sukulen tidak terlepas dari masalah yang muncul seperti penyakit dan hama yang tiba-tiba menyerang tanaman mereka. Oleh karena itu penulis melakukan pengembangan sistem pakar untuk mendiagnosis penyakit dan hama pada tanaman sukulen menggunakan metode forward chaining untuk menentukan penyakit atau hama pada tanaman sukulen. Penelitian ini dilakukan dengan cara wawancara kepada pakar tanaman sukulen dan studi literatur mengenai gejala-gejala penyakit dan hama pada tanaman sukulen. Data yang sudah dikumpulkan dan dianalisis untuk mengetahui kebutuhan sistem berdasarkan jenis penyakit & hama, jenis gejala, dan kaidah produksi. Untuk tahapan yang terakhir dilakukannya pengujian dengan metode black box dan user acceptance testing untuk memastikan sistem pakar dapat digunakan dengan baik oleh pengguna, dalam hal ini petani sukulen dan masyarakat. Hasil penelitian menunjukkan bahwa aplikasi ini efektif dalam membantu pengguna dan petani sukulen untuk mendiagnosis penyakit pada tanaman sukulen. Hasil pengujian aplikasi menunjukkan bahwa 85,5% responden memberikan penerimaan positif terhadap penerapan aplikasi. At present, technological advancements have progressed rapidly, not only in the fields of information, education, and industry but also in agriculture. The rapid development of technology is also felt collectively by succulent farmers to obtain information about their succulent plants. Succulent plants are widely cultivated in urban areas in Indonesia, but succulent farmers are not exempt from emerging problems such as sudden diseases and pests attacking their plants. Therefore, the author has developed an expert system to diagnose diseases and pests on succulent plants using the forward chaining method to determine diseases or pests on succulent plants. This research was conducted through interviews with succulent plant experts and a literature review on symptoms of diseases and pests in succulent plants. The collected data was analyzed to determine the system requirements based on the types of diseases and pests, symptoms, and production rules. In the final stage, testing was conducted using the black box method and user acceptance testing to ensure that the expert system can be effectively used by users, particularly succulent farmers and the community. The research results indicate that this application is effective in assisting users and succulent farmers in diagnosing diseases in succulent plants. Application testing results show that 85.5% of respondents expressed positive acceptance of the application.
Prediksi Kurs Mata Uang Rupiah Terhadap Ringgit Malaysia Menggunakan Algoritma Backpropagation Tirta, Muhamad Wahyu; Nursyarif, Muhammad Khumaidi; Hasmadi, Ipan; Akbar, Farhan; Yulianto, Fendy
Jurnal Informatika Vol 11, No 1 (2024): April 2024
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/inf.v11i1.20946

Abstract

Nilai tukar mata uang di era globalisasi memegang peran sentral dalam stabilitas ekonomi suatu negara. Diperlukan sebuah analisis pergerakan terhadap nilai tukar agar bisa mengantisipasi terjadinya lonjakan terhadap fluktuasi nilai tukar. Sehingga muncul tantangan baru dalam melakukan fluktuasi kurs mata uang Rupiah terhadap ringgit Malaysia. Dataset yang digunakan adalah Data Kurs mata uang Ringgit Malaysia ke Rupiah periode 1 Juli - 30 Oktober 2023 dengan total data sebanyak 109. Penelitian ini berfokus pada metode Backpropagation dalam meningkatkan akurasi prediksi. Hasil penelitian menggunakan Epoch 300, Neuron 3, dan Learning Rate 0,5 menghasilkan nilai RMSE pada pelatihan Data Training: 13,601 dan Data Testing: 10,721 hal ini menandakan bahwa model mampu memberikan prediksi yang akurat dan mampu menggeneralisasi dengan baik terhadap data yang belum pernah dilihat sebelumnya. Secara keseluruhan, pengembangan model prediksi menggunakan Algoritma Backpropagation ini dapat dianggap berhasil, dan model ini mempunyai potensi untuk menjadi alat yang bermanfaat dalam pengambilan keputusan terkait prediksi nilai tukar mata uang dalam konteks pasar keuangan. Currency exchange rates in the era of globalization play a central role in the economic stability of a country. An analysis of exchange rate movements is needed in order to anticipate spikes in exchange rate fluctuations. So new challenges arise in fluctuating the Rupiah exchange rate against the Malaysian ringgit. The dataset used is Malaysian Ringgit to Rupiah currency exchange data for the period 1 July - 30 October 2023 with a total of 109 data. This research focuses on the Backpropagation method in increasing prediction accuracy. The results of the research using Epoch 300, Neuron 3, and Learning Rate 0.5 produced an RMSE value for Training Data Training: 13.601 and Testing Data: 10.721. This indicates that the model is able to provide accurate predictions and is able to generalize well to data that has never been seen. previously. Overall, the development of a prediction model using the Backpropagation Algorithm can be considered successful, and this model has the potential to become a useful tool in making decisions regarding currency exchange rate predictions in the context of financial markets. 
Pengelompokan Kasus Tuberculosis Dengan Algoritma K-Means Berdasarkan Kelurahan di Kota Bogor Putri, Isti Juliana; Riana, Freza; Wulandari, Berlina
Jurnal Informatika Vol 11, No 1 (2024): April 2024
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/inf.v11i1.20042

Abstract

Tuberculosis (TBC) merupakan penyakit menular yang masih menjadi masalah sampai saat ini, angka kesakitan dan kematian akibat bakteri ini pun sangat tinggi. Penyakit TBC masih menjadi masalah kesehatan baik di dunia maupun di Indonesia terkhususnya di Jawa Barat Kota Bogor. Dengan luas wilayah Kota Bogor sebesar 11.850 Ha, tidak bisa dipungkiri bahwa  terdapat penyebaran penyakit menular di Kota Bogor, penyakit menular di Kota Bogor masih cukup tinggi yang didominasi oleh penyakit TBC, DBD, dan HIV. Dengan banyaknya data kasus penyakit TBC di Kota Bogor diperlukan pengelompokkan penyakit TBC untuk mengetahui wilayah kelurahan mana saja yang kasus TBCnya itu tinggi atau rendah. Diperlukan metode yang cepat dan akurat untuk menentukan cluster di suatu daerah, karena dapat menjadi salah satu kunci pencegahan atau penyuluhan terkait penyakit TBC. Salah satu metode clustering adalah algoritma K-Means algoritma ini dapat membagi data menjadi satu atau lebih cluster dengan karakteristik yang mirip, metode ini mampu mencapai akurasi serta kecepatan prosesnya juga relatif tinggi. Penelitian ini diharapkan dapat digunakan bagi Dinas Kesehatan Kota Bogor sebagai data rujukan untuk menindak lanjuti penyebaran penyakit TBC di Kota Bogor. Berdasarkan hasil penelitian menggunakan algoritma K-Means diperoleh evaluasi dengan Silhouette Coefficient dipilih dua cluster karena memiliki nilai yang paling tinggi. Kelompok penyakit TBC tertinggi berada di cluster 2 dengan jumlah 22 kelurahan di Kota Bogor. Tuberculosis (TB) is an infectious disease that is still a problem today, the morbidity and mortality rate due to this bacteria is very high. TB is still a health problem both in the world and in Indonesia, especially in West Java, Bogor City. With an area of 11,850 hectares, it is undeniable that there is a spread of infectious diseases in Bogor City, infectious diseases in Bogor City are still quite high, dominated by tuberculosis, dengue fever, and HIV. With so much data on TB cases in Bogor City, it is necessary to group TB diseases to find out which urban villages have high or low TB cases. A fast and accurate method is needed to determine clusters in an area, because it can be one of the keys to prevention or counseling related to TB disease. One of the clustering methods is the K-Means algorithm, this algorithm can divide data into one or more clusters with similar characteristics, this method is able to achieve accuracy and the speed of the process is also relatively high. This research is expected to be used for the Bogor City Health Office as reference data to follow up on the spread of TB disease in Bogor City. Based on the results of research using the K-Means algorithm, evaluation with Silhouette Coefficient, two clusters were selected because they had the highest value. The highest TB disease group is in cluster 2 with a total of 22 villages in Kot.
Analisis Sentimen Publik pada Media Sosial Twitter Terhadap Tiket.com Menggunakan Algoritma Klasifikasi Budiman, Budiman; Silvana Anggraeni, Zulmeida; Habibi, Chairul; Alamsyah, Nur
Jurnal Informatika Vol 11, No 1 (2024): April 2024
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/inf.v11i1.17988

Abstract

Analisis sentimen merupakan proses identifikasi emosional seseorang terhadap suatu objek yang akan menghasilkan sentimen positif, negatif dan netral. Kemajuan teknologi ini tentu memberikan pengaruh terhadap berbagai pelaku bisnis untuk saling mengintegrasikan sistem bisnisnya satu sama lain, salah satunya Tiket.com. Hal tersebut tentu menghasilkan sentimen dari masyarakat Indonesia yang diunggah pada platform media sosial Twitter, sehingga membantu individu maupun organisasi dalam mengambil keputusan. Penelitian ini dilakukan untuk mengetahui klasifikasi sentimen masyarakat Indonesia terhadap Tiket.com menggunakan algoritma Naïve Bayes Classifier (NBC), K-Nearest Neighbor (KNN), Support Vector Machine (SVM) dan Random Forest (RF). Berdasarkan perhitungan data sentimen terhadap Tiket.com terdapat 90.3% sentimen positif dan 9.7% sentimen negatif. Persentase tersebut menunjukkan bahwa Tiket.com cukup berpengaruh positif terhadap penggunanya. Berdasarkan hasil pengujian algoritma klasifikasi, diketahui NBC memperoleh tingkat akurasi sebesar 88%, KNN dengan nilai k = 11 mendapatkan akurasi sebesar 91%, SVM menghasilkan tingkat akurasi sebesar 92%, dan tingkat akurasi RF mencapai 93% dengan n_estimators = 100. Kesimpulan pada penelitian ini, Random Forest merupakan algoritma yang memiliki tingkat akurasi paling tinggi dibanding dengan algoritma klasifikasi lain.
Implementasi Algoritma Random Forest untuk Klasifikasi Bidang MSIB di Prodi Pendidikan Informatika Aini, Nuru; Arif, Muchamad; Agustin, Irka Tri; Toyibah, Zulfah Binti
Jurnal Informatika Vol 11, No 1 (2024): April 2024
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/inf.v11i1.20637

Abstract

Magang dan studi independen bersertifikat (MSIB) merupakan salah satu program dari kurikulum MBKM yang mana pada program ini membuka kesempatan bagi mahasiswa untuk belajar langsung di tempat kerja/industri yang dapat menjadi bekal bagi mahasiswa untuk persiapan karier kedepannya. Dengan banyaknya pilihan bidang keahlian pada program MSIB, seringkali menjadi suatu tantangan bagi mahasiswa untuk dapat memilih bidang MSIB yang sesuai dengan keahlian mereka. Tujuan dari penelitian ini adalah mengimplementasikan salah satu algoritma klasifikasi machine learning, yakni algoritma Random Forest untuk membantu proses pemetaan bidang MSIB di Prodi Pendidikan Informatika. Dataset yang digunakan pada penelitian ini berjumlah 100 data, dimana label klasifikasi berjumlah 4 diantaranya MM (multimedia), RPL (rekayasa perangkat lunak), AI (kecerdasan buatan), dan TKJ (teknik komputer dan jaringan), atribut yang digunakan adalah nilai mata kuliah mahasiswa. Hasil yang didapatkan antara lain tingkat akurasi sebesar 80%, precision 80%, dan recall 82%. Maka dapat disimpulkan model klasifikasi bidang MSIB menggunakan algoritma Random Forest termasuk kategori baik. Certified internships and independent studies (MSIB) are one of the programs in the MBKM curriculum, where this program opens up opportunities for students to learn directly in the workplace/industry which can provide students with preparation for future careers. With so many areas of expertise to choose from in the MSIB program, it is often a challenge for students to be able to choose an MSIB area that suits their skills. The aim of this research is to implement one of the machine learning classification algorithms, namely the Random Forest algorithm, to assist the process of mapping the MSIB field in the Informatics Education Study Program. The dataset used in this research consists of 100 data, of which there are 4 classification labels, including MM (multimedia), RPL (software engineering), AI (artificial intelligence), and TKJ (computer and network engineering), the attribute used is the course grade. student. The results obtained include an accuracy rate of 80%, precision of 80%, and recall of 82%. So it can be concluded that the MSIB field classification model using the Random Forest algorithm is in the good category. 

Page 1 of 1 | Total Record : 6