cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Ratna Mutu Manikam
Contact Email
ratna_mutumanikam@mercubuana.ac.id
Phone
-
Journal Mail Official
fifo.journal@mercubuana.ac.id
Editorial Address
-
Location
Kota adm. jakarta barat,
Dki jakarta
INDONESIA
Jurnal Ilmiah FIFO
Published by Universitas Mercu Buana
ISSN : 20854315     EISSN : 25028332     DOI : -
Core Subject : Science,
Computer Science & IT
Jurnal Ilmiah FIFO UMB diterbitkan oleh program studi Sistem Informasi Fakultas Ilmu KOmputer merupakan hasil penelitian, penelitian konseptual dan ilmu terapan, yang mencakup dan berfokus pada bidang Rekayasa Perangkat Lunak, E-Business, E-Government, Mobile Computing, Data mining, data warehouse, Temu Kembali Informasi. Makalah yang diterbitkan telah dilakukan proses review dan diterbitkan 2 (dua) kali dalam 1 (satu) tahun pada bulan MEI dan NOVEMBER.
Arjuna Subject : -
Articles 10 Documents
 1 
Search results for , issue "Vol 17, No 1 (2025)" : 10 Documents clear
Sistem Enkripsi Dokumen Digital Melalui Kombinasi AES-128 dan Hashing SHA-256 Berbasis Salt Kaaffah, Faiz Muqorrir; Nugroho, Nurhasan; Nurnaningsih, Desi; Harriansyah, Harriansyah
Jurnal Ilmiah FIFO Vol 17, No 1 (2025)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2025.v17i1.009

Abstract

Pengelolaan dokumen digital menuntut sistem keamanan yang andal untuk mencegah akses tidak sah dan menjaga kerahasiaan informasi. Penelitian ini merancang dan mengimplementasikan sistem pengamanan dokumen berbasis web dengan mengombinasikan algoritma enkripsi simetris Advanced Encryption Standard (AES-128) dan hashing SHA-256 berbasis salt. AES-128 digunakan untuk mengenkripsi isi dokumen agar tidak dapat diakses oleh pihak yang tidak berwenang, sedangkan SHA-256 dengan salt digunakan untuk memperkuat autentikasi pengguna dan mencegah serangan berbasis rainbow table. Sistem dikembangkan menggunakan bahasa pemrograman PHP dengan basis data MySQL dan terdiri dari dua modul utama: enkripsi file dan autentikasi pengguna. Pengujian dilakukan secara fungsional dan performa terhadap 10 file uji dengan format berbeda, serta simulasi dictionary attack untuk mengukur ketahanan sistem terhadap serangan kamus. Hasil menunjukkan bahwa seluruh fitur utama berjalan dengan baik, proses enkripsi rata-rata 135 ms dan dekripsi di bawah 150 ms, serta autentikasi berhasil menolak seluruh login tidak sah. Skema penyimpanan password dalam format salt:hash menghasilkan hash yang unik dan aman. Batasan sistem ini adalah belum tersedianya fitur reset password enkripsi dan belum diuji terhadap serangan lanjutan seperti SQL injection atau side-channel attack. Integrasi dua metode kriptografi ini memberikan perlindungan berlapis terhadap dokumen digital serta meningkatkan keandalan sistem autentikasi. Antarmuka yang ramah pengguna menjadikan sistem ini relevan untuk diimplementasikan pada institusi yang membutuhkan tingkat keamanan data tinggi.
Penerapan Algoritma Apriori Pada Transaksi Penjualan untuk Rekomendasi Menu Makanan dan Minuman Resto Seafood Elyana, Ade; Zahrotun, Lisna
Jurnal Ilmiah FIFO Vol 17, No 1 (2025)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441//fifo.2025.v17i1.005

Abstract

Restoran merupakan salah satu fasilitas dalam industri layanan makanan dan bagian dari akomodasi pariwisata yang berperan dalam memenuhi kebutuhan wisatawan atau pelanggan. Saat ini, pencatatan transaksi di restoran masih dilakukan secara manual, namun dengan perkembangan teknologi, restoran berencana untuk mengadopsi sistem digital guna mempermudah penyusunan laporan penjualan dan pengembangan strategi pemasaran yang lebih efektif. Dalam menghadapi persaingan dikawasan wisata, system digital saja tidak cukup namun juga perlu strategi dalam menarik pelanggan. Tujuan dalam penelitian ini adalah membuat aplikasi penjualan dan melakukan analisis hasil dari transaksi penjualan tersebut. Metode yang digunakan dalam penelitian ini adalah Algoritma Apriori dengan pengujian menggunakan lift ratio. Data yang digunakan merupakan data transaksi sebanyak 1017 dari bulan juli hingga September. Hasil dari penelitian ini adalah apalikasi yang mampu melakukan analisis menggunakan metode Apriori. Hasil dari analisis yang diperoleh beberapa pola yang dapat dijadikan rekomendasi restoran dalam memberikan promo salah satunya kombinasi mendoan, teh, ikan bakar, cah kangkung dan Nasi.
Klasifikasi Penyakit Kardiovaskular Menggunakan Algoritma Decision Tree C4.5 Jumaryadi, Yuwan
Jurnal Ilmiah FIFO Vol 17, No 1 (2025)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2025.v17i1.001

Abstract

Berdasarkan data yang diperoleh dari Kemenkes RI, kardiovaskular merupakan salah satu penyebab kematian tertinggi di Indonesia. Teknik Data Mining telah digunakan dalam beberapa penelitian di bidang akademik. Penelitian ini bertujuan untuk mengkategorikan penyakit kardiovaskular dan menganalisis hasil akurasi dari algoritman decision tree C4.5. Dataset penyakit kardiovaskular yang digunakan terdiri atas 2 kategori yaitu ada atau tidaknya penyakit kardiovaskular. Setelah data terkumpul, dilakukan preprocessing. Tahapan selanjutnya yaitu memisahkan data training dan data testing. Adapun algoritma yang digunakan untuk klasifikasi adalah decision tree. Setelah itu akan dilakukan evaluasi terhadap hasil klasifikasi untuk mendapatkan nilai akurasi, dan hasil tersebut akan dianalisis untuk menentukan kelayakan model klasifikasi. Berdasarkan hasil penelitian, algoritma decision tree dapat mengklasifikasi penyakit kardiovaskular dengan baik dan memperoleh akurasi tertinggi sebesar 63,62% pada kombinasi data testing dan training sebasar 70:30.
Implementasi Data Mining dan Machine Learning untuk Segmentasi Pelanggan: Pendekatan Hybrid Menggunakan Big Data Prayitno, Edy; Perdana, Ivan Jaka; Nasyuha, Asyahri Hadi
Jurnal Ilmiah FIFO Vol 17, No 1 (2025)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2025.v17i1.007

Abstract

Deteksi dini penyakit jantung merupakan langkah penting untuk meningkatkan kualitas diagnosis dan perawatan pasien. Namun, metode prediksi manual yang sering digunakan tenaga medis memiliki keterbatasan dalam efisiensi waktu, akurasi, dan kemampuan menangani volume data yang besar. Dalam bidang kecerdasan buatan, algoritma machine learning seperti Adaptive Boosting (AdaBoost), Gradient Boosting, dan Extreme Gradient Boosting (XGBoost) menawarkan potensi untuk meningkatkan akurasi prediksi, terutama dalam mengatasi tantangan pada dataset kecil yang sering mengalami ketidakseimbangan kelas dan risiko overfitting. Penelitian ini bertujuan untuk menganalisis kinerja ketiga algoritma boosting tersebut dalam memprediksi penyakit jantung. Hasil penelitian menunjukkan bahwa XGBoost memberikan performa terbaik dengan akurasi sebesar 84.78% dan ROC-AUC 0.9410, menjadikannya algoritma paling efektif dalam menangani pola data yang kompleks. Gradient Boosting menjadi model paling efisien dengan waktu pelatihan tercepat, yaitu 0.3655 detik, dengan akurasi dan ROC-AUC yang kompetitif. Sementara itu, AdaBoost menunjukkan kelemahan dalam menangani ketidakseimbangan kelas tetapi tetap memberikan hasil yang baik untuk kelas mayoritas. Berdasarkan evaluasi precision, recall, dan F1-score, XGBoost direkomendasikan untuk aplikasi prediksi penyakit jantung, terutama dalam situasi yang memerlukan akurasi tinggi, sedangkan Gradient Boosting cocok untuk kebutuhan real-time.
User Requirements Analysis for Government’s Budget Information System Using Kano’s Model Al Ghozali, Isnen Hadi; Fathin, Muhammad Askar; Handoko, Andy Rio
Jurnal Ilmiah FIFO Vol 17, No 1 (2025)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2025.v17i1.002

Abstract

This study finds out what attributes still require attention based on Kano’s Model analysis, which has to be used to prioritize software requirements in the government's or agency’s budget software. This research prioritizes software requirement attributes using Kano's Model. This research used an application by INTRAC as the basis for preparing a questionnaire distributed to 75 civil servants. From this research, it can be concluded that there are 15 sub-elements (including 25 features) classified as one-dimensional and four sub-elements (including eight features) classified as Indifferent. According to the Blauth Formula and continuous data analysis, the result shows a one-dimensional pattern. Based on the CS Coefficient, nine features are prioritized for development (especially the process budget revision). Development on the dimensions of interface requirements and functional requirements has the potential to increase the end user's satisfaction.
Analisis Model Prediksi Penyakit Jantung Menggunakan Adaptive Boosting, Gradient Boosting, dan Extreme Gradient Boosting Sah, Andrian; Niesa, Chaeroen; Jafar, Rhaishudin Rumandan; Muharrom, Muhammad
Jurnal Ilmiah FIFO Vol 17, No 1 (2025)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2025.v17i1.006

Abstract

Deteksi dini penyakit jantung merupakan langkah penting untuk meningkatkan kualitas diagnosis dan perawatan pasien. Namun, metode prediksi manual yang sering digunakan tenaga medis memiliki keterbatasan dalam efisiensi waktu, akurasi, dan kemampuan menangani volume data yang besar. Dalam bidang kecerdasan buatan, algoritma machine learning seperti Adaptive Boosting (AdaBoost), Gradient Boosting, dan Extreme Gradient Boosting (XGBoost) menawarkan potensi untuk meningkatkan akurasi prediksi, terutama dalam mengatasi tantangan pada dataset kecil yang sering mengalami ketidakseimbangan kelas dan risiko overfitting. Penelitian ini bertujuan untuk menganalisis kinerja ketiga algoritma boosting tersebut dalam memprediksi penyakit jantung. Hasil penelitian menunjukkan bahwa XGBoost memberikan performa terbaik dengan akurasi sebesar 84.78% dan ROC-AUC 0.9410, menjadikannya algoritma paling efektif dalam menangani pola data yang kompleks. Gradient Boosting menjadi model paling efisien dengan waktu pelatihan tercepat, yaitu 0.3655 detik, dengan akurasi dan ROC-AUC yang kompetitif. Sementara itu, AdaBoost menunjukkan kelemahan dalam menangani ketidakseimbangan kelas tetapi tetap memberikan hasil yang baik untuk kelas mayoritas. Berdasarkan evaluasi precision, recall, dan F1-score, XGBoost direkomendasikan untuk aplikasi prediksi penyakit jantung, terutama dalam situasi yang memerlukan akurasi tinggi, sedangkan Gradient Boosting cocok untuk kebutuhan real-time.
Evaluasi Kinerja Algoritma Klasifikasi Deep Learning dalam Prediksi Diabetes Pinem, Tuahta Hasiholan; Putra, Zico Pratama
Jurnal Ilmiah FIFO Vol 17, No 1 (2025)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2025.v17i1.003

Abstract

Penelitian yang bertujuan untuk mengembangkan dan mengevaluasi algoritma model prediksi diabetes telah dilakukan dengan menggunakan algoritma model K-Nearest Neighbor Classifier, Naive Bayes, Regresi Logistik, SVM, dan Neural Network. Dataset yang digunakan didapatkan dari Kaggle yang terdiri dari 768 data pasien yang dibagi menjadi data training 60%, data validation 20%, dan data test 20%. Hasil penelitian menunjukkan bahwa akurasi tertinggi diperoleh oleh model Regresi Logistik dan Neural Network, masing-masing sebesar 73% dan 72%. Model Regresi Logistik unggul dalam presisi untuk kelas non-diabetes dan recall untuk kelas diabetes, sedangkan model Neural Network menunjukkan keseimbangan performa yang baik antara presisi dan recall untuk kedua kelas. Model Naive Bayes juga menunjukkan performa yang kompetitif dengan akurasi 72% dan recall tinggi untuk kelas diabetes, model ini dapat menjadi pilihan yang baik dalam situasi yang memprioritaskan deteksi positifKinerja yang lebih rendah ditunjukkan oleh model KNN dan SVM jika dibandingkan dengan model lainnya. Masalah utama yang diangkat dalam penelitian ini adalah pentingnya meningkatkan akurasi prediksi diabetes untuk mendukung deteksi dini dan pengobatan. Secara keseluruhan, model Regresi Logistik dan Neural Network diidentifikasi sebagai model yang paling potensial untuk prediksi diabetes, dengan Regresi Logistik menunjukkan efektivitas yang tinggi dalam mengidentifikasi kasus non-diabetes, sementara Neural Network memberikan keseimbangan performa yang baik di kedua kelas.
Implementasi Feature-Driven Development dalam Pengembangan Sistem Informasi Manajemen Aset Desa WP, Dwi Atmodjo
Jurnal Ilmiah FIFO Vol 17, No 1 (2025)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2025.v17i1.008

Abstract

Pengelolaan aset desa yang belum terstruktur secara digital dapat menimbulkan berbagai permasalahan, seperti keterlambatan dalam monitoring, kesalahan pencatatan, serta tidak adanya integrasi data yang memadai. Penelitian ini dilakukan untuk merancang dan mengembangkan sistem informasi manajemen aset desa berbasis web yang mampu meningkatkan efisiensi, akurasi, dan transparansi dalam pengelolaan aset. Metodologi yang digunakan adalah Feature-Driven Development (FDD), yang menekankan pada pengembangan sistem secara bertahap berdasarkan fitur-fitur yang dibutuhkan pengguna. Sistem dikembangkan menggunakan framework CodeIgniter dan database MySQL. Proses pengembangan mengikuti lima fase utama FDD: Develop an Overall Model, Build a Feature List, Plan by Feature, Design by Feature, dan Build by Feature. Hasil implementasi menunjukkan bahwa sistem berhasil mengakomodasi fitur utama seperti manajemen data aset, pengajuan barang, monitoring kondisi aset, penyusutan nilai aset, dan pencetakan laporan. Efektivitas metode FDD dalam mendukung pengembangan sistem yang terstruktur dan adaptif tercermin dari keberhasilan sistem dalam memenuhi spesifikasi yang telah ditetapkan. Dengan demikian, sistem ini diharapkan dapat menjadi solusi digital yang mendukung tata kelola aset desa secara efisien dan terukur.
Analisis Usability Testing Aplikasi Stock Opname Menggunakan Metode System Usability Scale Fajar, Muhammad Sayyid; Budiarti, Yusnia
Jurnal Ilmiah FIFO Vol 17, No 1 (2025)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2025.v17i1.004

Abstract

PT. Lancar Wiguna Sejahtera adalah salah satu perusahaan ritel besar yang biasa disebut Lawson menggunakan aplikasi stock opname dalam membantu perusahaan dalam melakukan pemantauan stok barang secara efisien dan akurat. Ada beberapa masalah yang ditemukan dalam penelitian ini, terutama pada masalah usability atau kemudahan penggunaan aplikasi stock opname, masalah produktivitas karyawan yang disebabkan oleh desain yang kurang user-friendly, serta minimnya akurasi dalam penginputan data stok. Tujuan penelitian ini adalah menganalisis tingkat usability, mengidentifikasi masalah usability, dan memberikan rekomendasi perbaikan bila perlu untuk meningkatkan usability aplikasi. System Usability Scale (SUS) adalah metode yang digunakan dalam penelitian ini dan mendapatkan skor SUS sebesar 74,69. Berdasarkan hasil analisis berada pada percentile rank 71%, mendapatkan grade B, berada pada skala adjective "Good", dan termasuk dalam tingkat penerimaan yang acceptable. Pada skala NPS, aplikasi ini termasuk kategori pasif, di mana pengguna cenderung tidak merekomendasikan aplikasi ini kepada orang lain, namun tetap menggunakannya secara pribadi dalam lingkungan perusahaan. Dari hasil analisis skor SUS yang masih diatas standar sehingga tidak dilakukan desain ulang dan menyarankan untuk penelitian kedepannya dapat dilakukan dengan metode lain yang bisa menambahkan skor SUS agar aplikasi bisa lebih baik dan berkembang dari sebelumnya.
Enhancing Liver Disease Classification Using Support Vector Machine with IQR-Based Outlier Handling Soares, Teotino Gomes; Tonggiroh, Mursalim; Erkamim, Moh.; Widarti, Erni
Jurnal Ilmiah FIFO Vol 17, No 1 (2025)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2025.v17i1.010

Abstract

Liver disease is a significant health issue that requires early and accurate diagnosis to prevent serious complications. In this study, we propose an outlier filtering approach using the Interquartile Range (IQR) to enhance the performance of the Support Vector Machine (SVM) algorithm in liver disease classification. A publicly available liver dataset consisting of 1,700 patient records with various clinical attributes was used, and the IQR method was applied to detect and remove extreme values before model training. The SVM model employed the Radial Basis Function (RBF) kernel to capture nonlinear relationships in the data. The classifier was evaluated under two conditions: without and with IQR-based outlier removal. Performance metrics including accuracy, precision, recall, F1-score, and ROC-AUC were used to assess the model. The experimental results showed that the IQR-based preprocessing improved model performance, with the accuracy increasing from 84.41% to 84.74% and the ROC-AUC score rising from 92.08% to 93.28%. Notably, the recall for the negative class improved from 84.31% to 89.76%, indicating enhanced detection of healthy patients. These findings demonstrate that outlier handling using IQR can contribute to more stable and accurate classification outcomes, especially for models that are sensitive to data irregularities such as SVM.

Page 1 of 1 | Total Record : 10

 1 

Filter by Year

2025 2025


Reset
Filter By Issues
All Issue Vol 17, No 2 (2025) Vol 17, No 1 (2025) Vol 16, No 2 (2024) Vol 16, No 1 (2024) Vol 15, No 2 (2023) Vol 15, No 1 (2023) Vol 14, No 2 (2022) Vol 14, No 1 (2022) Vol 13, No 2 (2021) Vol 13, No 1 (2021) Vol 12, No 2 (2020) Vol 12, No 1 (2020) Vol 11, No 2 (2019) Vol 11, No 1 (2019) Vol 10, No 2 (2018) Vol 10, No 1 (2018) Vol 9, No 2 (2017) Vol 9, No 1 (2017) Vol 9, No 1 (2017) Vol 8, No 2 (2016) Vol 8, No 1 (2016) Vol 7, No 2 (2015) Vol 7, No 1 (2015) More Issue