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 230 Documents
 19   20   21   22   23 
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: Dosen 1 (nilai akhir 2,4115), Dosen 2 (0,9994), dan Dosen 5 (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.
Peningkatan Keamanan Jaringan melalui Penerapan VLAN dan ACL Berbasis NDLC Reza Purnomo; Desi Ramayanti
Jurnal Ilmiah FIFO Vol. 18 No. 1 (2026)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2026.v18i1.003

Abstract

Infrastruktur jaringan komputer pada PT Bintang Barutama saat ini menghadapi kendala kinerja dan keamanan akibat penggunaan topologi flat network. Kondisi ini menyebabkan meluasnya broadcast domain yang memicu tingginya latensi jaringan hingga mencapai 1152 ms dan packet loss sebesar 30–32% di beberapa area operasional, serta meningkatkan risiko kebocoran data sensitif antar-divisi karena tidak adanya pembatasan akses. Penelitian ini bertujuan untuk merancang ulang arsitektur jaringan guna meningkatkan efisiensi lalu lintas data dan keamanan informasi perusahaan. Metode penelitian yang digunakan adalah Network Development Life Cycle (NDLC) yang mencakup tahap analisis, desain, dan simulasi menggunakan Cisco Packet Tracer. Solusi yang dirancang meliputi segmentasi jaringan menggunakan Virtual Local Area Network (VLAN), pengalamatan IP berbasis Variable Length Subnet Mask (VLSM), serta penerapan Extended Access Control List (ACL) untuk pengaturan hak akses antar-divisi. Berdasarkan hasil simulasi, penerapan VLAN dan ACL menunjukkan potensi penurunan latensi dan packet loss dibandingkan kondisi jaringan awal, seiring berkurangnya broadcast domain dan trafik antar-divisi yang tidak relevan. Temuan ini memberikan rencana teknis yang siap diimplementasikan pada lingkungan produksi dan dapat menjadi acuan bagi perusahaan dengan karakteristik jaringan serupa untuk melakukan transisi menuju sistem yang lebih aman dan efisien.
Implementasi User Centered Design pada Sistem Informasi Bimbingan Konseling Berbasis Web untuk Peningkatan Layanan di Sekolah Dasar Zainal Abidin; Desi Ramayanti
Jurnal Ilmiah FIFO Vol. 18 No. 1 (2026)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2026.v18i1.001

Abstract

Pengelolaan data Bimbingan Konseling (BK) di tingkat Sekolah Dasar seringkali terkendala oleh proses manual yang menyebabkan redudansi data dan minimnya transparansi informasi kepada wali murid. Penelitian terdahulu umumnya berfokus pada sistem akademik umum atau BK di tingkat menengah, sehingga terdapat kesenjangan dalam pengembangan sistem BK yang terintegrasi khusus untuk lingkungan SD dengan pelibatan orang tua. Penelitian ini bertujuan membangun sistem informasi BK berbasis web menggunakan metode User Centered Design (UCD) yang mengacu pada standard ISO 9241-210. Metode ini dipilih untuk menempatkan kebutuhan pengguna (Admin, Guru, dan Orang Tua) sebagai pusat perancangan antarmuka guna memastikan kemudahan penggunaan (usability). Sistem dibangun menggunakan framework PHP/Laravel dan basis data MySQL. Pengujian dilakukan melalui Black-Box Testing dan User Acceptance Test (UAT) terhadap 3 guru dan 5 wali murid. Hasil pengujian menunjukkan seluruh fitur fungsional berjalan valid (100%). Hasil UAT mendapatkan skor rata-rata 4.5 (Sangat Baik). Hasil ini sejalan dengan penelitian Hartono et al. yang menyatakan bahwa media berbasis web mampu meningkatkan efektivitas layanan konseling secara signifikan. Kontribusi utama penelitian ini adalah model sistem BK kolaboratif yang menjembatani komunikasi sekolah dan orang tua secara real-time.
Predicting Consumer Purchasing Behavior Using Random Forest on Retail Transaction Data Ningsiah Ningsiah; Nur Aminudin
Jurnal Ilmiah FIFO Vol. 18 No. 1 (2026)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2026.v18i1.002

Abstract

The rapid digital transformation in the retail sector has generated massive volumes of consumer transaction data stored within retail information systems. Although these data hold strategic value for decision-making, their utilization often remains limited to descriptive reporting. This study aims to analyze and predict consumer purchasing behavior by integrating machine learning–based predictive analytics into retail information systems using the Kaggle retail transaction dataset. The research methodology includes data preprocessing, exploratory data analysis, feature selection, and predictive model development using logistic regression, decision tree, and random forest algorithms. Model performance was evaluated using accuracy, precision, recall, and ROC–AUC metrics. The results indicate that the random forest model outperformed the other algorithms, achieving an accuracy of 88.76%, precision of 87.92%, and recall of 86.48%, demonstrating superior discriminative capability. These findings confirm that ensemble-based learning methods effectively capture complex and non-linear consumer purchasing patterns. The study contributes theoretically by extending the role of retail information systems from descriptive reporting tools to predictive decision-support systems, while practically providing a robust analytical framework to support inventory optimization, targeted promotion strategies, and personalized service delivery in data-driven retail environments.
Diagnosis Kanker Paru-paru Berbasis Data Klinis: Evaluasi Performa Algoritma Pembelajaran Mesin Riska Kurnia Septiani; Zulfati Dinul Fatiha; Dicky Octaviano
Jurnal Ilmiah FIFO Vol. 18 No. 1 (2026)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2026.v18i1.006

Abstract

Kanker paru-paru adalah salah satu penyakit paling mematikan di dunia, menyebabkan lebih dari 1,76 juta kematian setiap tahunnya menurut WHO pada tahun 2020. Deteksi dini menjadi krusial dalam meningkatkan prognosis pasien, namun sering kali menantang karena gejala awal yang tidak spesifik. Dalam beberapa tahun terakhir, teknologi medis dan komputasi telah menghadirkan peluang baru dengan memanfaatkan pembelajaran mesin, terutama deep learning, untuk meningkatkan diagnosa kanker paru-paru. Studi ini mengevaluasi beberapa algoritma Machine Learning seperti K-Nearest Neighbors (k-NN), Logistic Regression, Naïve Bayes, Support Vector Machine (SVM), dan Neural Network berdasarkan data klinis untuk memprediksi kanker paru-paru. Hasil evaluasi menunjukkan bahwa k-NN dan Neural Network memiliki performa terbaik dengan akurasi mencapai 0.92, sementara Naïve Bayes dan Neural Network menunjukkan presisi tertinggi untuk kelas kanker paru-paru (0.94). Logistic Regression dan SVM juga memberikan hasil yang baik, meskipun dengan variasi dalam presisi dan recall untuk kedua kelas. Penelitian ini memberikan wawasan penting untuk pengembangan sistem pendukung keputusan di bidang medis, dengan potensi untuk meningkatkan diagnosis dini, pengelolaan, dan prognosis kanker paru-paru secara efektif, serta mengurangi beban penyakit dan meningkatkan kualitas hidup pasien di masa depan. Implementasi pembelajaran mesin di sektor kesehatan menunjukkan bahwa teknologi ini dapat menjadi alat yang sangat berharga dalam mendeteksi dan mengelola penyakit serius seperti kanker paru-paru.
Implementasi Model Neural Network untuk Prediksi Maintenance Mesin Berdasarkan Parameter Operasional pada Era Industri 4.0 Septian Ade Putra; Alexander Machicky Mayestino; Andi Muhammad Muhsin
Jurnal Ilmiah FIFO Vol. 18 No. 1 (2026)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2026.v18i1.007

Abstract

Penelitian ini bertujuan untuk mengembangkan model Neural Network untuk memprediksi kegagalan mesin berdasarkan parameter operasional. Pemeliharaan prediktif telah menjadi penting dalam meningkatkan kinerja dan keandalan mesin dengan memprediksi potensi kegagalan dan memungkinkan tindakan pemeliharaan preventif. Studi ini menggunakan berbagai teknik preprocessing, termasuk pengkodean data kategorikal, normalisasi, dan oversampling acak, untuk meningkatkan kualitas data dan kinerja model. Model Neural Network, yang terdiri dari beberapa lapisan tersembunyi dengan fungsi aktivasi ReLU dan lapisan output sigmoid, dilatih menggunakan algoritma optimisasi Adam dan fungsi loss binary cross-entropy. Hyperparameter seperti jumlah epoch, learning rate, batch size, dan dropout rate dioptimalkan untuk meningkatkan kinerja model. Model ini mencapai akurasi tinggi sebesar 97,8%, precision sebesar 96,9%, recall sebesar 97,8%, dan F1-score sebesar 97,3%, menunjukkan kemampuannya untuk mengenali pola kompleks dalam data operasional mesin. Analisis komparatif dengan model lain seperti k-Nearest Neighbor (k-NN), Logistic Regression, dan Support Vector Machine (SVM) menunjukkan bahwa Neural Network memiliki kinerja yang unggul. Selain itu, teknik Ensemble Learning yang menggabungkan SVM dan Logistic Regression sebagai base learners dan Neural Network sebagai meta-learner, menunjukkan peningkatan akurasi prediksi. Metrik evaluasi seperti presisi, recall, dan F1-score memberikan penilaian komprehensif tentang kinerja model. Analisis confusion matrix mengungkapkan area yang memerlukan perbaikan dalam menangani kelas minoritas. Secara keseluruhan, studi ini menyimpulkan bahwa Neural Network sangat efektif untuk aplikasi pemeliharaan prediktif, memberikan prediksi yang akurat dan andal yang meningkatkan efisiensi operasional dan mengurangi biaya pemeliharaan. Penelitian di masa depan akan fokus pada peningkatan kinerja model untuk kelas minoritas dan validasi model pada kondisi operasional yang lebih beragam.
Analisa Algoritma K-Means untuk Segmentasi Pelanggan Berbasis Data Transaksi dalam Sistem Insight Dashboard E-Commerce Muhammad Hilmy Setiawanto; Fandi Ali Mustika
Jurnal Ilmiah FIFO Vol. 18 No. 1 (2026)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2026.v18i1.004

Abstract

Peningkatan volume dan kompleksitas data transaksi pada e-commerce berbasis Print-on-Demand menimbulkan tantangan dalam mengekstraksi insight pelanggan yang dapat ditindaklanjuti menggunakan pendekatan analitik konvensional. Meskipun algoritma K-Means telah banyak digunakan untuk segmentasi pelanggan, sebagian besar penelitian sebelumnya masih memiliki keterbatasan pada aspek validasi multi-metrik yang komprehensif serta minimnya integrasi dengan sistem pendukung keputusan yang aplikatif. Untuk mengatasi kesenjangan tersebut, penelitian ini mengusulkan kerangka segmentasi pelanggan berbasis K-Means yang dilengkapi dengan validasi cluster multi-metrik dan integrasi visualisasi analitik. Penentuan jumlah cluster optimal dilakukan melalui kombinasi metode Elbow dan metrik evaluasi internal, yaitu Silhouette Score, Calinski-Harabasz Index, dan Davies-Bouldin Index, guna memastikan keseimbangan antara ketahanan statistik dan interpretabilitas hasil. Hasil penelitian menunjukkan bahwa konfigurasi tiga cluster memberikan struktur segmentasi yang paling seimbang, serta mengungkap adanya ketimpangan signifikan dalam distribusi nilai pelanggan, di mana sebagian kecil pelanggan memberikan kontribusi dominan terhadap profit perusahaan. Untuk mengevaluasi aspek aplikatif, hasil clustering diimplementasikan ke dalam sistem Insight Dashboard dan dibandingkan dengan metode analisis manual berbasis spreadsheet menggunakan indikator kinerja efisiensi. Hasil evaluasi menunjukkan adanya peningkatan efisiensi analisis yang signifikan serta percepatan dalam identifikasi pelanggan bernilai tinggi. Kontribusi utama penelitian ini terletak pada integrasi validasi multi-metrik dalam penentuan cluster yang robust serta operasionalisasi hasil clustering ke dalam sistem dashboard sebagai pendukung pengambilan keputusan berbasis data pada lingkungan e-commerce Print-on-Demand.
Perbandingan K-Nearest Neighbor, Naïve Bayes, dan Support Vector Machine pada Analisis Sentimen Ulasan Aplikasi Photomath Nurfidah Dwitiyanti; Noni Selvia; Nur Alamsyah; Sukarno Bahat Nauli
Jurnal Ilmiah FIFO Vol. 18 No. 1 (2026)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2026.v18i1.005

Abstract

Penggunaan aplikasi pembelajaran matematika seperti Photomath terus meningkat, namun kajian terkait sentimen pengguna, khususnya dalam bahasa Indonesia, masih terbatas. Penelitian ini bertujuan untuk mengklasifikasikan sentimen ulasan pengguna serta membandingkan kinerja algoritma Naïve Bayes, K-Nearest Neighbor (KNN), dan Support Vector Machine (SVM). Tahapan penelitian diawali dengan prapemrosesan teks, Setelah itu, data diproses melalui ekstraksi fitur menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF). Dataset yang digunakan terdiri dari 42.672 ulasan pengguna Photomath yang diperoleh melalui teknik web scraping dari Google Play Store dan diseleksi menggunakan purposive sampling. Data kemudian diberi label sentimen, yaitu positif, netral, dan negatif berdasarkan nilai rating. Berdasarkan penelitian, KNN mencatat akurasi 86,61%. Namun, kinerjanya pada kelas netral dan negatif masih belum optimal karena data yang tidak seimbang. Meskipun SMOTE dapat meningkatkan recall, akurasi justru menurun. Sebaliknya, SVM terbukti sebagai algoritma terbaik dengan akurasi 88,94% dan F1-score makro tertinggi. Temuan ini menegaskan bahwa pemilihan algoritma dan strategi data tidak seimbang sangat berpengaruh terhadap performa klasifikasi sentimen.

Page 23 of 23 | Total Record : 230

 19   20   21   22   23 

Filter by Year

2015 2026


Reset
Filter By Issues
All Issue Vol. 18 No. 1 (2026) 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