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 
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.
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.

Page 22 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