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 223 Documents
 19   20   21   22   23 
Validasi Efektivitas Logistic Regression untuk Diagnosa Penyakit Jantung melalui Pendekatan Machine Learning Fabiyanto, Dedik; Pratama Putra, Zico
Jurnal Ilmiah FIFO Vol 16, No 2 (2024)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2024.v16i2.006

Abstract

Penelitian yang bertujuan untuk mengevaluasi efektivitas Logistic Regression dalam diagnosa penyakit jantung telah dilakukan dengan menggunakan dataset UCI Heart Disease. Dataset ini terdiri dari 303 data pasien dengan 14 fitur, termasuk usia, jenis kelamin, tekanan darah, dan kolesterol, yang dibagi menjadi 60% data pelatihan, 20% data validasi dan 20% data pengujian. Penelitian dimulai dengan perumusan masalah dan studi literatur, diikuti oleh proses preprocessing data yang mencakup imputasi nilai hilang, normalisasi fitur, dan pembagian dataset. Beberapa model machine learning, yaitu k-Nearest Neighbors (kNN), Support Vector Machine (SVM), Logistic Regression, Naïve Bayes, dan Neural Network, diterapkan dan dibandingkan. Model dievaluasi menggunakan metrik akurasi, presisi, recall, dan F1 score. Hasil penelitian menunjukkan bahwa Logistic Regression memperoleh akurasi tertinggi sebesar 0.89, dengan keunggulan dalam presisi dan recall. Naïve Bayes dan kNN menunjukkan akurasi masing-masing 0.87 dan 0.85, sedangkan Neural Network memperoleh akurasi terendah 0.77. Tuning hyperparameter pada Neural Network tidak menunjukkan pola yang jelas dalam meningkatkan akurasi. Pada penelitian ini Logistic Regression adalah model yang paling efektif untuk prediksi penyakit jantung dibandingkan dengan model lainnya, terutama dalam konteks aplikasi medis yang membutuhkan interpretabilitas dan efisiensi.
Analisis Tingkat Kepuasan Pengunjung Terhadap Website Ancol.Com Menggunakan Metode Webqual 4.0 Rakhmah, Syifa Nur; Nisa, Khoirun
Jurnal Ilmiah FIFO Vol 16, No 2 (2024)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2024.v16i2.002

Abstract

Dengan menggunakan teknik pemasaran digital yang tepat, kita dapat menjangkau audiens yang lebih luas dan meningkatkan visibilitas brand secara online salah satunya pada destinasi wisata, meningkatkan jangkauan pemasaran, dan memudahkan wisatawan mengakses informasi mengenai objek wisata yang ingin dikunjunginya adalah melalui situs web. Ancol.com merupakan situs web resmi Taman Impian Jaya Ancol yang dapat digunakan untuk membeli dan mengiklankan tiket. Saat ini, kepuasan pengunjung menjadi salah satu faktor kunci penentu keberhasilan sebuah situs web. Akan tetapi, keberadaan situs web ini belum tentu menjamin tingkat kepuasan pengunjung secara optimal, karena diketahui bahwa untuk pembelian tiket wisata Ancol masih menggunakan platform pembelian tiket lainnya. Dengan demikian, untuk mengetahui sejauh mana situs web ancol.com telah memenuhi kebutuhan dan harapan pengunjung, maka dilakukan analisis tingkat kepuasan pengunjung terhadap situs web tersebut dengan menggunakan metodologi Webqual 4.0 berdasarkan tiga kriteria: user friendly, kualitas informasi, dan kualitas interaksi layanan. Hasil uji validitas penelitian menunjukkan setiap indikator pada kuesioner memiliki nilai r2 & r3, sehingga disimpulkan bahwa setiap indikator valid. Reliabilitas penelitian ini diukur melalui nilai alpha r sebesar 0,824, menunjukkan tingkat reliabilitas yang baik. Hasil analisis regresi berganda menunjukkan:  H0 ditolak serta H1, H2, dan H3 diterima Dari hasil analisis, tampak bahwa nilai R Square adalah 0,469. Ini menunjukkan bahwa ada pengaruh bersama variabel X1 (Penggunaan) dan X2 (Kualitas interaksi) terhadap variabel Y (Kualitas Informasi) sebesar 46,9%. Hasil pembahasan penelitian memperlihatkan bahwa informasi kualitas, interaksi layanan, dan usability dapat memengaruhi kepuasan pengguna terhadap website Ancol.com.
Klasifikasi Stunting Pada Balita Berdasarkan Status Gizi Menggunakan Pendekatan Support Vector Machine (SVM) Candra, Adi; Erkamim, Moh.; Muharrom, Muhammad; Prayitno, Edhi
Jurnal Ilmiah FIFO Vol 16, No 2 (2024)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2024.v16i2.007

Abstract

Stunting pada balita merupakan masalah gizi serius yang berdampak pada perkembangan fisik dan kognitif anak, terutama di negara berkembang seperti Indonesia. Dengan prevalensi stunting yang masih tinggi, identifikasi dini balita yang berisiko sangat penting untuk mencegah dampak jangka panjang. Namun, metode konvensional dalam mengidentifikasi stunting sering kali kurang akurat dan memerlukan banyak sumber daya. Tujuannya penelitian ini dilakukan yaitu untuk mengklasifikasikan stunting pada balita berdasarkan status gizi melalui pembelajaran mesin dengan algoritma Support Vector Machine (SVM). Pemilihan SVM didasarkan pada keunggulannya dalam mengolah data multidimensi yang rumit serta kapabilitasnya untuk mengoptimalkan pemisahan antar kelas data dengan memaksimalkan margin. Penelitian ini juga menerapkan berbagai teknik prapemrosesan data, seperti standarisasi fitur, pengkodean variabel kategorikal, dan penghapusan data duplikat, untuk memastikan performa optimal model. Hasil penelitian mengungkapkan bahwa model SVM yang dibangun memperoleh akurasi sebesar 98,37%, menandakan kinerja yang sangat baik dalam klasifikasi status gizi balita. Temuan ini mengindikasikan bahwa SVM memiliki potensi besar untuk diaplikasikan dalam mendukung pengambilan keputusan medis dan intervensi kesehatan masyarakat, terutama dalam konteks pemantauan dan pencegahan stunting pada balita.
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.

Page 21 of 23 | Total Record : 223

 19   20   21   22   23 

Filter by Year

2015 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