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 2 (2025)" : 10 Documents clear
Klasifikasi Kepribadian Introvert dan Extrovert Menggunakan Random Forest, Naïve Bayes, dan K-Nearest Neighbor Erkamim, Moh.; Nurhayati, Nurhayati; Heriyani, Nofitri; Riyanto, Umbar
Jurnal Ilmiah FIFO Vol 17, No 2 (2025)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2025.v17i2.009

Abstract

Kepribadian merupakan faktor penting yang memengaruhi cara individu berpikir, berperilaku, dan berinteraksi dalam kehidupan sosial. Salah satu dimensi utama dalam model Big Five Personality Traits adalah ekstraversi, yang merepresentasikan kecenderungan seseorang untuk bersosialisasi dan berinteraksi aktif dengan lingkungannya. Penelitian ini bertujuan mengembangkan model klasifikasi kepribadian introvert dan extrovert menggunakan tiga algoritma machine learning, yaitu Random Forest, Naïve Bayes, dan K-Nearest Neighbor (KNN). Dataset yang digunakan berjumlah 2.900 entri dengan delapan atribut perilaku sosial seperti waktu yang dihabiskan sendirian, frekuensi menghadiri acara sosial, ukuran lingkaran pertemanan, dan tingkat aktivitas di media sosial. Proses penelitian meliputi pembersihan data, transformasi variabel kategorikal, pembagian data secara stratifikasi (80:20), pembangunan model, serta evaluasi menggunakan metrik akurasi, precision, recall, F1-score, dan ROC-AUC. Hasil pengujian menunjukkan bahwa model KNN dengan k = 11 memberikan performa terbaik dengan akurasi 92,59% dan nilai ROC-AUC 0,9494, diikuti oleh Naïve Bayes dengan akurasi 92,24% (ROC-AUC 0,8988) dan Random Forest dengan akurasi 90,86% (ROC-AUC 0,9480). Kontribusi utama penelitian ini adalah memberikan analisis komparatif terhadap tiga algoritma yang mewakili paradigma pembelajaran berbeda, yaitu probabilistik, berbasis jarak, dan ensemble pohon keputusan, dalam konteks klasifikasi kepribadian berdasarkan dimensi ekstraversi. Hasil penelitian ini dapat menjadi dasar bagi pengembangan sistem prediksi kepribadian berbasis perilaku sosial yang efisien dan adaptif.
Decision Support System for Determining Promotion Using a Combination of Entropy and Weighted Aggregated Sum Product Assessment Yudhistira, Aditia; Rahmanto, Yuri; Pasaribu, A. Ferico Octaviansyah; Yasin, Ikbal; Aldino, Ahmad Ari; Setiawansyah, Setiawansyah
Jurnal Ilmiah FIFO Vol 17, No 2 (2025)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2025.v17i2.005

Abstract

Decision-making in determining employee promotions often faces challenges due to the subjectivity of assessments. To address this issue, this research develops a decision support system by combining the Entropy method and the Weighted Aggregated Sum Product Assessment (WASPAS). The Entropy method is used to objectively determine the weights of criteria based on data variation, while the WASPAS method is applied to comprehensively rank alternatives through the integration of the Weighted Sum Model (WSM) and Weighted Product Model (WPM). The test results on seven candidates showed that Candidate A-016 ranked first with a score of 0.9733, followed by Candidate A-013 with a score of 0.7454, and Candidate A-011 with a score of 0.5386. Meanwhile, the candidate with the lowest score was Candidate A-017 with a value of 0.3456. These findings prove that the combination of Entropy and WASPAS methods can produce a more objective, transparent, and solid basis for management to make fair and rational decisions in the promotion process.
Klasifikasi Sentimen iPhone Bekas di Tokopedia menggunakan Naïve Bayes dan Support Vector Machine Novianto, Krisna; Herlawati, Herlawati; Hidayat, Agus
Jurnal Ilmiah FIFO Vol 17, No 2 (2025)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2025.v17i2.010

Abstract

Kenaikan harga iPhone baru mendorong meningkatnya pembelian iPhone second di platform e-commerce seperti Tokopedia. Namun, konsumen masih menghadapi berbagai risiko terkait kondisi perangkat, performa komponen, dan keaslian yang umumnya teridentifikasi melalui ulasan pengguna. Penelitian ini bertujuan menganalisis sentimen dari 1.863 ulasan iPhone second untuk memperoleh gambaran objektif mengenai pengalaman konsumen. Teks ulasan diproses menggunakan TF-IDF sebagai representasi fitur dan SMOTE untuk mengatasi ketidakseimbangan kelas. Dua algoritma Naive Bayes dan Support Vector Machine (SVM) dibandingkan untuk menilai efektivitas klasifikasi. Hasil pengujian menunjukkan bahwa SVM memberikan performa terbaik dengan akurasi 96%, melampaui Naive Bayes yang mencapai 93%. Analisis lebih lanjut menemukan bahwa ulasan positif umumnya berkaitan dengan kualitas fisik dan kecepatan pengiriman, sedangkan ulasan negatif banyak menyoroti isu teknis serta keaslian perangkat. Penelitian ini berkontribusi pada penguatan literatur analisis sentimen e-commerce melalui evaluasi komprehensif terhadap kombinasi TF-IDF + SMOTE serta perbandingan performa Naive Bayes dan SVM dalam klasifikasi opini konsumen. Temuan ini menyediakan dasar empiris untuk penelitian lanjutan mengenai penilaian kualitas produk bekas berbasis ulasan daring.
A Comparative Study of Machine Learning with Statistical Feature Selection for Risk Detection of Diabetic Al Ghozali, Isnen Hadi; Fathin, Muhammad Askar; Handoko, Andy Rio
Jurnal Ilmiah FIFO Vol 17, No 2 (2025)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2025.v17i2.001

Abstract

Elevated glucose levels in the circulation are indicative of diabetes, a chronic medical condition. Prolonged unregulated blood glucose levels pose a significant risk of severe consequences, including renal failure, myocardial infarction, and lower limb amputation. The objective of this study is to conduct a comparative analysis of SVM, Naive Bayes, XGBoost, Random Forest, and ANN models in order to forecast the occurrence of diabetes. The research methodology comprises seven primary stages: (1) literature review, (2) data collection, (3) exploratory data analysis (EDA), (4) data preprocessing, (5) feature selection, (6) model development, and (7) model evaluation and comparison. The XGBoost model is the most suitable option, as indicated by the model evaluation results. The XGBoost model achieved a precision of 0.88, a recall of 0.87, and an accuracy of 0.8690. The XGBoost model has a RMSE of 0.3620 and a MSE of 0.1310.
Analisis Ekspor Kopi Menggunakan Clustering K-Means dan Davies-Bouldin Index Irawati, Fenny; Nugroho, Angelika Pratiwi Widya; Wibowo, Arief
Jurnal Ilmiah FIFO Vol 17, No 2 (2025)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2025.v17i2.006

Abstract

Indonesia merupakan salah satu produsen kopi terbesar di dunia, sehingga sektor ekspor menjadi pilar penting dalam perekonomian nasional. Aktivitas ekspor berperan dalam meningkatkan keuntungan, memperluas pangsa pasar, serta menjaga kestabilan harga komoditas dan nilai tukar. Penelitian ini mengkaji penerapan metode K-Means Clustering untuk menganalisis kinerja ekspor kopi berdasarkan negara tujuan. Data penelitian diperoleh dari catatan ekspor perusahaan Café Coffee pada periode 2023–2024, mencakup 40 negara tujuan beserta total kuantitas ekspor. Pengolahan data dilakukan melalui teknik data mining clustering dengan ukuran jarak Euclidean Distance. Hasil analisis menunjukkan bahwa algoritma K-Means berhasil mengelompokkan laba ekspor ke dalam tiga kategori, yaitu laba rendah, sedang, dan tinggi. Validasi model dilakukan menggunakan Davies-Bouldin Index (DBI) dengan nilai 0,422, yang mengindikasikan kualitas klaster yang baik dan dapat diterima.
Perbandingan Performa Algoritma Machine Learning untuk Prediksi Risiko Kesehatan dari Polusi Udara Purnomo, Niko; Putra, Zico Pratama
Jurnal Ilmiah FIFO Vol 17, No 2 (2025)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2025.v17i2.002

Abstract

Penelitian ini menggunakan berbagai algoritma pembelajaran mesin untuk menganalisis dan memprediksi hubungan antara polusi udara dan dampak kesehatan masyarakat. Dataset yang digunakan terdiri dari 968 instances dengan 15 fitur yang mencakup indikator kualitas udara (PM2.5, PM10, NO2, SO2, O3) dan data kesehatan (kunjungan rumah sakit, mortalitas, jenis penyakit) yang dikumpulkan dari lima kota besar di Indonesia selama periode Januari-Desember 2023. Lima algoritma pembelajaran mesin dievaluasi secara komprehensif: k-Nearest Neighbors (k-NN), Naive Bayes, Logistic Regression, Support Vector Machines (SVM), dan Neural Network. Kontribusi utama penelitian ini adalah menyediakan analisis komparatif komprehensif dari kelima algoritma tersebut menggunakan evaluasi multi-metrik dan optimasi hyperparameter khusus untuk domain prediksi kesehatan berbasis polusi udara. Hasil evaluasi menunjukkan bahwa algoritma SVM memiliki performa terbaik dengan akurasi 92%, presisi 98%, recall 96%, dan F1-Score 97%. Analisis korelasi mengungkapkan bahwa PM2.5 merupakan prediktor terkuat untuk penyakit respirasi dengan koefisien korelasi 0.78 terhadap kunjungan rumah sakit. Penelitian juga menemukan efek sinergis antara PM2.5 dan NO2 yang meningkatkan risiko kardiovaskular hingga 45%. Di sisi lain, algoritma Neural Network menunjukkan performa terendah dengan akurasi 50% meskipun telah dilakukan hyperparameter tuning ekstensif, mengindikasikan ketidakcocokan arsitektur untuk karakteristik dataset ini. Algoritma Naive Bayes dan Logistic Regression menunjukkan performa moderat dengan akurasi masing-masing 83% dan 88%. Temuan penelitian ini dapat dijadikan acuan untuk pengembangan sistem monitoring kesehatan real-time dan mendukung pengambilan kebijakan kesehatan masyarakat terkait pengendalian polusi udara di wilayah urban.
Prototipe IoT untuk Monitoring dan Filterisasi Udara di Dapur Instalasi Gizi RSU Tangerang Selatan Suladi, Ronal Yulyanto; Wahyunengtias, Raeza Bagus; Mustafa, Siti Maisaroh; Stianingsih, Lilis
Jurnal Ilmiah FIFO Vol 17, No 2 (2025)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2025.v17i2.007

Abstract

Udara merupakan komponen penting dalam kehidupan, kebutuhan terhadap kualitas udara yang baik sangat dibutuhkan terutama pada lingkungan rumah sakit. Penelitian ini melakukan perancangan prototipe alat dan sistem filterisasiuntuk memantau kualitas udara yang terintegrasi dengan proses filterisasi yang memanfaatkan partikel air berdasarkan konsep Internet of Things (IoT) menggunakan sensor deteksi kondisi udara dengan fitur pengiriman/pemantauan notifikasi secara real time melalui jaringan internet di ruang dapur Instalasi Gizi RSU Tangerang Selatan yang merupakan bagian vital di rumah sakit. Metode penelitian yang dimulai dengan pengumpulan data, prototipe dan pengembangan sistem. Hasil penelitan berbentuk protipe alat dan sistem filterisasi yang sudah teruji mampu menurunkan rata-rata polutan di udara 86,8% sampai 91,1% dengan waktu rata-rata filterisasi 3 menit 7 detik. Hasil pengujian menunjukan bahwa alat dan sistem filterisasi terbukti berfungsi dengan baik dalam menyaring polutan di dalam udara. Selain itu terdapat fitur monitoring yang memudahkan pihak rumah sakit untuk memantau kebersihan, keadaan dan kualitas udara di ruang dapur melalui palform Telegram/BLYNK secara real time.
Penerapan Analytical Hierarchy Process Dalam Pemilihan Dosen Terbaik Universitas Teknologi Digital Indonesia (UTDI) Nasyuha, Asyahri Hadi; Subagyo, Aloysius Agus; Wahyudi, Udin Dwi
Jurnal Ilmiah FIFO Vol 17, No 2 (2025)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2025.v17i2.003

Abstract

Pemilihan dosen terbaik merupakan salah satu strategi penting dalam meningkatkan kualitas pendidikan tinggi. Universitas Teknologi Digital Indonesia membutuhkan sistem penilaian yang objektif dan sistematis untuk mengevaluasi kinerja dosen secara adil dan transparan. Penelitian ini menerapkan metode Analytical Hierarchy Process (AHP) dalam proses pemilihan dosen terbaik dengan mempertimbangkan beberapa kriteria utama, yaitu kualitas pengajaran, kontribusi penelitian, pengabdian kepada masyarakat, kehadiran, dan tanggapan mahasiswa. AHP digunakan untuk memberikan bobot pada masing-masing kriteria berdasarkan tingkat kepentingannya melalui perbandingan berpasangan (pairwise comparison). Data diperoleh dari hasil survei, wawancara, serta dokumentasi kinerja dosen yang dianalisis menggunakan pendekatan AHP. Hasil penelitian menunjukkan bahwa metode ini mampu memberikan peringkat yang lebih objektif dalam menentukan dosen terbaik, sekaligus meningkatkan akuntabilitas dan transparansi dalam proses seleksi. Berdasarkan hasil akhir perhitungan, tiga dosen dengan peringkat tertinggi adalah: Asyahri Hadi Nasyuha (nilai akhir 2,4115), Rikie Kartadie (0,9994), dan Erna Hudianti Pujiarini (0,9994). Implementasi sistem berbasis AHP diharapkan dapat mendorong dosen untuk terus meningkatkan kinerja mereka dalam bidang pengajaran, penelitian, dan pengabdian masyarakat.
Evaluasi Kinerja Kernel Linear, RBF, dan Polynomial pada Model Support Vector Machine untuk Prediksi Risiko Hipertensi Saifuddin, Saifuddin; Azhari, Lukman; Widarti, Erni; Wartono, Wartono
Jurnal Ilmiah FIFO Vol 17, No 2 (2025)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2025.v17i2.008

Abstract

Hipertensi adalah penyakit tidak menular dengan angka kematian tinggi dan sering disebut “silent killer” karena gejalanya kerap tidak terlihat pada awalnya. Deteksi dini diperlukan untuk mencegah komplikasi seperti penyakit jantung dan stroke. Penelitian ini bertujuan mengevaluasi kinerja tiga kernel pada algoritma Support Vector Machine (SVM): Linear, Radial Basis Function (RBF), dan Polynomial. Ketiga kernel tersebut dipilih untuk mewakili karakteristik pemetaan data yang berbeda: kernel linear berguna untuk memisahkan data secara linier, kernel RBF dapat menangani pola nonlinier yang kompleks, dan kernel polynomial untuk memodelkan interaksi antar fitur dengan tingkat kedalaman tertentu. Dataset berasal dari Kaggle dan mencakup 4.240 entri dengan 12 fitur prediktor yang merepresentasikan kondisi klinis dan perilaku pasien. Hasil eksperimen menunjukkan bahwa SVM-Linear mencapai accuracy 87,26% dengan ROC-AUC 0,9518; SVM-RBF memperoleh accuracy 87,38% dengan ROC-AUC 0,9450; dan SVM-Polynomial menghasilkan accuracy 86,56% dengan ROC-AUC 0,9422. SVM-Linear merupakan model paling optimal berdasarkan kombinasi F1-score dan ROC-AUC karena memberikan keseimbangan terbaik antara ketepatan dan sensitivitas. Sementara itu, meskipun SVM-RBF mencatat accuracy tertinggi, peningkatannya tidak konsisten pada metrik lain, dan SVM-Polynomial menunjukkan performa sedikit lebih rendah karena kompleksitas model yang kurang sesuai dengan karakteristik data. Penelitian ini berkontribusi dengan memberikan analisis komparatif terkait performa berbagai kernel SVM dalam klasifikasi risiko hipertensi.
Pengembangan Peta Interaktif Layanan Puskesmas Nasional melalui Integrasi Open Data dengan Streamlit dan Folium Priambodo, Rinto; Hermawan, Hendi; Alfat, Lathifah; Kadarina, Trie Maya
Jurnal Ilmiah FIFO Vol 17, No 2 (2025)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2025.v17i2.004

Abstract

Ketersediaan dan keterbukaan data layanan publik, khususnya di sektor kesehatan, memainkan peran penting dalam mewujudkan sistem pelayanan yang merata dan responsif. Penelitian ini bertujuan untuk mengembangkan peta interaktif layanan Puskesmas nasional dengan mengintegrasikan data terbuka (open data) pemerintah menggunakan teknologi Streamlit dan Folium. Sumber data berasal dari portal data kesehatan dan administrasi wilayah yang tersedia untuk publik dan memiliki informasi yang dapat diekstrak untuk kebutuhan peta interaktif. Data tersebut diproses melalui tahapan pembersihan dan geocoding untuk memperoleh koordinat geografis. Aplikasi yang dibangun memungkinkan pengguna untuk menjelajahi peta interaktif, menyaring informasi berdasarkan wilayah atau kecamatan, dan mengakses detil masing-masing Puskesmas secara langsung. Hasil pengembangan menunjukkan bahwa dari 333 data Puskesmas, sebanyak 299 entri berhasil divisualisasikan pada peta dan 34 entri gagal diproses karena kendala geocoding. Selain itu, pengujian performa menggunakan Firefox DevTools menunjukkan bahwa untuk memanggil dan memuat sebuah halaman peta interaktif rata-rata memakan waktu 1,278 hingga 1,291 detik dengan ukuran data yang ditransfer sekitar 3105 kB. Hasil ini menunjukkan bahwa integrasi open data dalam visualisasi berbasis web dapat dilakukan untuk meningkatkan transparansi, memperluas akses informasi, serta mendukung pemangku kepentingan dalam pengambilan keputusan berbasis data di sektor kesehatan.

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