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 233 Documents
 20   21   22   23   24 
Implementasi Algoritma Neural Network untuk Deteksi Penipuan Transaksi Kartu Kredit Kurnia Prayogi; Dicky Octaviano; Zulfati Dinul Fatiha
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.v18i1.008

Abstract

Penelitian ini mengevaluasi performa lima algoritma supervised learning untuk deteksi penipuan kartu kredit menggunakan dataset 690 data dari Kaggle dengan teknik Random Oversampling (ROS). Model seperti k-Nearest Neighbor (k-NN), Support Vector Machine (SVM), Logistic Regression, Neural Network, dan Ensemble menunjukkan tingkat akurasi rata-rata antara 80% hingga 90% dalam mendeteksi penipuan. Kontribusi penelitian ini adalah menyediakan perbandingan sistematis beberapa algoritma klasifikasi pada dataset yang sama dengan teknik penyeimbangan data. Hasil uji coba dengan teknik random oversampling menunjukkan bahwa Neural Network (aktivasi SELU dan RELU), mencapai kinerja terbaik dengan accuracy 90%, precision 86%, recall 94%, dan nilai f1-score 90%. Pendekatan Neural Network dengan random oversampling terbukti efektif dalam meningkatkan ketepatan prediksi terhadap penipuan dalam transaksi finansial dibandingkan dengan pendekatan tanpa penggunaan sampling. Keterbatasan penelitian ini adalah ukuran dataset yang kecil (690 data) yang dapat mempengaruhi kemampuan generalisasi model.
Interoperabilitas Sistem Presensi Berbasis Web dengan Push Notification untuk Distribusi Informasi Real-Time Krisna Widi Nugraha; Arief Luqman Hadiyani
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.v18i1.009

Abstract

Efisiensi pengelolaan data kesiswaan sangat dipengaruhi oleh kecepatan dan ketepatan distribusi informasi, sementara sistem presensi berbasis web konvensional umumnya masih bersifat pasif dan bergantung pada akses manual pengguna. Kondisi ini berpotensi menimbulkan keterlambatan dalam memperoleh informasi kehadiran yang dibutuhkan untuk pemantauan operasional dan pengambilan keputusan manajerial di lingkungan sekolah. Penelitian ini bertujuan mengimplementasikan dan menguji interoperabilitas sistem presensi berbasis web dengan layanan Telegram API melalui mekanisme push notification untuk mendukung distribusi laporan presensi secara lebih proaktif dan real-time. Sistem dikembangkan menggunakan arsitektur client-server dengan integrasi antarplatform melalui RESTful API. Setiap transaksi presensi yang tervalidasi melalui pemindaian QR Code secara otomatis memicu pengiriman notifikasi kehadiran ke platform Telegram. Evaluasi sistem dilakukan melalui pengukuran latensi pengiriman notifikasi, yaitu selang waktu antara proses pemindaian QR Code hingga notifikasi diterima pada platform Telegram, pada beberapa skenario operasional dengan total 105 transaksi presensi. Hasil pengujian menunjukkan bahwa sistem mampu mendistribusikan informasi presensi dengan latensi rata-rata kurang dari dua detik. Temuan ini menunjukkan bahwa mekanisme push-based notification efektif dalam mengurangi jeda distribusi informasi dibandingkan pendekatan pull-based konvensional. Kontribusi penelitian ini terletak pada implementasi model interoperabilitas berbasis event-driven yang mengintegrasikan sistem presensi dengan layanan pesan instan sebagai media distribusi informasi real-time. Dengan demikian, sistem yang dikembangkan dapat berfungsi sebagai komponen awal Decision Support System melalui penyediaan informasi presensi yang relevan, tepat waktu, dan terstruktur, khususnya pada lingkungan SMK Muhammadiyah Bobotsari.
Implementation of KNN, RF, and XGB Algorithms for Food Allergen Detection in Indonesian Recipes Ramadhani Nur Sarjito; Eliyani Eliyani
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.v18i1.010

Abstract

Food allergies are a growing public health concern, especially in countries like Indonesia where traditional recipes often contain hidden allergens. This study aims to develop a machine learning-based system to detect food allergens in Indonesian recipes using K-Nearest Neighbors (KNN), Random Forest (RF), and Extreme Gradient Boosting (XGB) algorithms. A total of 7,840 recipes were collected from Cookpad.com using web scraping and labeled with five allergen categories, which include milk, peanuts, eggs, seafood, and wheat. The dataset was preprocessed using natural language processing techniques such as tokenization, stemming, and TF-IDF feature extraction. The models were trained and evaluated using accuracy, precision, recall, and F1-score. Experimental results show that XGBoost with hyperparameter tuning via GridSearchCV achieved the best performance, with the highest average recall of 0.9672 and F1-score of 0.9826. RF also showed strong performance, while KNN had the lowest accuracy and recall among the three models. The system was deployed using Streamlit to allow users to input recipe ingredients or URLs and receive real-time allergen predictions. The novelty of this study lies in the development of a large-scale Indonesian-language allergen dataset (7,840 recipes) that was unavailable in prior works, together with a multilabel allergen classification specifically tailored to the Indonesian culinary context. Unlike previous studies that predominantly rely on English-language datasets and non-Southeast Asian food cultures, this research contributes a localized allergen detection system that is directly integrated into a web-based interface. This approach offers a practical tool to support individuals with food allergies in identifying risky ingredients within local dishes and contributes to improving food safety awareness in Indonesia.

Page 24 of 24 | Total Record : 233

 20   21   22   23   24 

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