cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
-
Contact Email
-
Phone
-
Journal Mail Official
-
Editorial Address
-
Location
Kab. tanah laut,
Kalimantan selatan
INDONESIA
Jurnal Sains dan Informatika
Published by Politeknik Negeri Tanah Laut
ISSN : 2460173X     EISSN : 25985841     DOI : -
Core Subject : Science, Education, Engineering,
Computer Science & IT Engineering Mathematics
Arjuna Subject : -
Articles 317 Documents
 28   29   30   31   32 
Sistem Rekomendasi Buku di Perpustakaan Menggunakan Machine Learning dan Algoritma Apriori Jannah, Miftahul; Yumami, Eva; Julianto, Afis; Rahmi, Elvi
Jurnal Sains dan Informatika Vol. 11 No. 1 (2025): Jurnal Sains dan Informatika
Publisher : Teknik Informatika, Politeknik Negeri Tanah Laut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34128/jsi.v11i1.1868

Abstract

Perpustakaan Politeknik Negeri Bengkalis memiliki peran penting dalam mendukung kegiatan akademik mahasiswa dan dosen. Namun, pertambahan jumlah koleksi buku sering kali menyulitkan pengguna dalam menemukan buku yang relevan secara cepat dan tepat. Permasalahan ini disebabkan oleh keterbatasan sistem pencarian konvensional yang hanya mengandalkan judul atau pengarang. Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi buku berbasis algoritma Apriori guna menganalisis pola peminjaman dan preferensi pengguna. Data yang digunakan berupa riwayat transaksi peminjaman buku di perpustakaan, yang dianalisis untuk menemukan asosiasi antar buku. Hasil analisis menunjukkan adanya aturan asosiasi yang signifikan, seperti buku "Akuntansi BUMDes" yang sering dipinjam bersamaan dengan "Akuntansi Keuangan Menengah: Berbasis PSAK" dan "Analisis Laporan Keuangan". Selain itu, buku "Algoritma machine learning" kerap dipinjam bersamaan dengan "Pemrograman Python Untuk Penanganan Big Data" (confidence = 1.0, lift = 70.50) dan "Pemrograman CNC & Aplikasi Di Dunia Industri" (confidence = 1.0, lift = 47.00), menunjukkan hubungan erat antara bidang pemrograman, data, dan teknik. Nilai confidence sebesar 1.0 dan lift yang tinggi menunjukkan hubungan kuat antar buku. Temuan ini bermanfaat bagi pengelola perpustakaan dalam menyusun rekomendasi buku, strategi pengelolaan persediaan, serta pengaturan tata letak koleksi. Dengan demikian, penerapan algoritma Apriori terbukti efektif dalam meningkatkan layanan informasi dan pengalaman pengguna di perpustakaan.
Analisis Sentimen Suporter terhadap Performa Tim Nasional Sepakbola Indonesia pada Turnamen Sea Games 2023 dengan Metode Naive Bayes Pradiptha, Al Diras; Al Farisi, Farhan Siddiq; Pratama, Muhammad Fahmi; Agustini, Devi Aprianti Rimadhani; Munawir, Munawir
Jurnal Sains dan Informatika Vol. 11 No. 1 (2025): Jurnal Sains dan Informatika
Publisher : Teknik Informatika, Politeknik Negeri Tanah Laut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34128/jsi.v11i1.775

Abstract

Analisis pada sentimen suporter terhadap performa tim nasional sepakbola Indonesia merupakan salah satu topik yang menarik untuk dipelajari. Dalam penelitian ini, digunakan metode Naive Bayes untuk menganalisis sentimen suporter berdasarkan data teks yang dikumpulkan dari media sosial melalui platform Twitter terkait pertandingan tim nasional sepakbola Indonesia. Metode Naive Bayes digunakan karena kemampuannya yang baik dalam klasifikasi teks dan analisis sentimen. Pengolahan data dilakukan dengan bantuan bahasa pemrograman Python dengan library yang telah disediakan. Analisis dilakukan dengan 265 tweet yang berkaitan dengan Tim Nasional Indonesia. Hasil menunjukkan bahwa sebagian besar tweet memiliki sentimen puas atau positif (70,94%), sementara tweet yang bersentimen negatif sebesar 29, 06%. Nilai akurasi yang dihasilkan yaitu sebesar 81%.
Pemanfaatan Model YOLOv8 Untuk Mendeteksi Plat Nomor Kendaraan Mobil Pada Gerbang Masuk Universitas XYZ Silmina, Esi Putri; Arjun, Restu Agil Yuli
Jurnal Sains dan Informatika Vol. 11 No. 1 (2025): Jurnal Sains dan Informatika
Publisher : Teknik Informatika, Politeknik Negeri Tanah Laut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34128/jsi.v11i1.916

Abstract

Kendaraan bermotor merupakan salah satu transportasi yang sering digunakan oleh masyarakat Indonesia. Dalam penggunaan kendaraan bermotor ini, diperlukan adanya plat nomor sebagai Tanda Kendaraan Bermotor (TNKB) yang memuat kode wilayah, nomor registrasi, masa berlaku, dan memenuhi spesifikasi yang diatur. Sistem deteksi otomatis plat nomor kendaraan perlu disadari menjadi hal yang dibutuhkan guna memudahkan pencatatan, pengawasan, dan identifikasi kendaraan. Tujuan penelitian ini untuk mendeteksi plat nomor kendaraan yang masuk ke dalam lingkungan kampus Universitas XYZ. Metode penelitian yang digunakan yaitu pengumpulan data, anotasi data, pembagian data, preprocessing data, pelatihan model, implementasi model, dan pengujian model pada sistem. Tujuan penelitian ini untuk melakukan pendeteksian plat nomor kendaraan jenis mobil yang masuk ke lingkungan kampus Universitas XYZ menggunakan model YOLOv8. Hasil penelitian menunjukkan algoritma YOLOv8 dengan PaddleOCR memberikan nilai performansi yang sangat baik dengan nilai hasil pelatihan model mendapatkan mAP50 sebesar 98.9%, precision 98,8%, recall sebesar 96.5%, dan akurasi sistem sebesar 90% dalam skala likert.
Analisis Perbandingan Klasifikasi dalam Data Mining pada Prediksi Hujan dengan menggunakan Algoritma LSTM dan GRU Cahyo, D. Diffran Nur; Sunyoto, Andi
Jurnal Sains dan Informatika Vol. 11 No. 1 (2025): Jurnal Sains dan Informatika
Publisher : Teknik Informatika, Politeknik Negeri Tanah Laut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34128/jsi.v11i1.1212

Abstract

Hujan memiliki dampak signifikan terhadap berbagai sektor, seperti pertanian, transportasi, dan manajemen sumber daya. Oleh karena itu, akurasi prediksi hujan sangat penting untuk mendukung perencanaan dan pengambilan keputusan yang efektif. Seiring kemajuan teknologi, pemanfaatan metode deep learning seperti Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU) semakin berkembang dalam bidang prediksi cuaca. Penelitian ini bertujuan untuk membandingkan performa kedua algoritma tersebut dalam mengklasifikasikan data meteorologi untuk prediksi hujan. Dataset yang digunakan berasal dari Australian Bureau of Meteorology melalui Kaggle, terdiri dari 145.460 data dengan 23 atribut. Setelah melalui tahapan pra-pemrosesan dan resampling menggunakan metode SMOTE, kedua model dievaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa model LSTM memperoleh akurasi sebesar 81,46%, sedangkan GRU sebesar 81,39%. Nilai F1-score GRU lebih tinggi dibandingkan LSTM, masing-masing sebesar 60,96% dan 58,95%. Hasil ini mengindikasikan bahwa kedua model memiliki performa yang kompetitif dan efektif untuk diterapkan dalam sistem prediksi hujan berbasis deep learning.
Identifikasi Jenis Daun untuk Ecoprint Mengunakan Metode Convolutional Neural Network Hajar, Siti; Murinto, Murinto; Yudhana, Anton
Jurnal Sains dan Informatika Vol. 11 No. 1 (2025): Jurnal Sains dan Informatika
Publisher : Teknik Informatika, Politeknik Negeri Tanah Laut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34128/jsi.v11i1.1774

Abstract

Tumbuhan yang berdaun merupakan salah satu kategori tumbuhan yang memiliki berbagai manfaat. Tumbuhan ini dapat dimanfaatkan sebagai bahan dalam produk kecantikan, makanan, obat-obatan, pewarna alami, dan kain. Makalah ini membahas cara mengidentifikasi jenis daun untuk ecoprint dengan menggunakan metode Deep Learning, khususnya Convolutional Neural Network (CNN). Tujuan dari identifikasi ini adalah untuk mempermudah menentukan jenis daun yang bisa dan tidak bisa untuk ecoprint teknik steaming. Metode yang digunakan saat ini masih manual, dengan mengambil beberapa jenis daun dan diproses. Dalam pemrosesan manual sangat lama lebih dari satu hari, dan tidak efisien untuk membuktikan bahwa sampel daun yang dicoba tersebut bisa atau tidak untuk ecoprint. Mengatasi masalah ini, solusi mengunakan Convolutional Neural Network (CNN) algoritma Deep Learning lebih tepat. Penelitian ini menganalisis 400 gambar daun yang diambil dari 10 jenis daun untuk diidentifikasi. Proses pelatihan dilakukan dalam dua tahap: Feature Learning dan Klasifikasi, dengan jumlah epoch sebanyak 15. Hasil training (0,9850) dan valisasi (0,9796) sedangkan hasil pengujian accuracy rata-rata diperoleh (0,9194). Dapat disimpulkan bahwa algoritma Deep Learning yaitu Convolutional Neural Network (CNN) bisa mengidentifikasi jenis daun untuk ecoprint.
Pendekatan Deep Learning Untuk Klasifikasi Kematangan Tempe Mendoan Menggunakan Convolutional Neural Network Chusna, Nuke L; Sampoerno, Ahmad RIzqi; Wiliani, Ninuk
Jurnal Sains dan Informatika Vol. 11 No. 1 (2025): Jurnal Sains dan Informatika
Publisher : Teknik Informatika, Politeknik Negeri Tanah Laut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34128/jsi.v11i1.1245

Abstract

Tempe mendoan dikenal dengan makanan yang memiliki kematangan yang berbeda dalam tiap jenisnya. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi tingkat kematangan tempe mendoan menggunakan algoritma Convolutional Neural Network (CNN). Dataset yang digunakan terdiri dari 400 data citra tempe mendoan yang dikategorikan ke dalam empat level kematangan: Level 1 (6 jam pertama), Level 2 (12 jam), Level 3 (18 jam), dan Level 4 (24 jam). Berbagai arsitektur CNN diuji dalam penelitian ini, dan hasil terbaik diperoleh menggunakan arsitektur VGG16 dengan nilai AUC sebesar 0,94 atau 95%, menunjukkan kemampuan klasifikasi yang sangat baik. Sistem ini dirancang untuk membantu produsen, seperti karyawan dan penjual tempe mendoan, dalam menentukan tingkat kematangan tempe secara tepat. Dengan sistem ini, tempe yang dihasilkan memiliki kualitas kematangan optimal, sehingga dapat meningkatkan daya tarik produk dan minat konsumen. Penelitian ini memberikan kontribusi pada penerapan teknologi berbasis deep learning untuk meningkatkan kualitas produksi dalam industri makanan tradisional.
Perancangan Sistem Informasi Kegiatan Belajar Mengajar (KBM) pada SMKN Bandar Pacitan Nugroho, Kurnianto Tri; Julianto, Bagus; Tisna, Dhodit Rengga; Julianto, Hermawan
Jurnal Sains dan Informatika Vol. 11 No. 2 (2025): Jurnal Sains dan Informatika
Publisher : Teknik Informatika, Politeknik Negeri Tanah Laut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34128/jsi.v11i2.1240

Abstract

SMK Negeri Bandar merupakan salah satu sekolah menengah kejuruan negeri yang terletak di Kabupaten Pacitan. SMKN Bandar merupakan sekolah sedang berkembang yang sangat butuh penataan dan pengelolaan berbagai macam program kegiatan yang perlu pertimbangan dan perencanaan yang lebih representatif sesuai dengan kondisi wilayah dan tujuan SMK. Pengelolaan data kegiatan merdeka belajar di SMKN Bandar sudah terkomputerisasi, namun penggunaan datanya kurang efektif dan tidak dapat diakses dimanapun secara online. Kepala sekolah tidak mampu memantau secara real time. Tujuan penelitian ini adalah menganalisa dan merancang aplikasi monitoring kegiatan belajar mengajar. Jenis penelitian yang digunakan adalah metode deskriptif dengan pengumpulan data berupa observasi, tinjauan pustaka, dan wawancara. Metode perancangan perangkat lunak pada penelitian ini menggunakan model waterfall. Bahasa pemrograman yang digunakan adalah PHP dan memanfaatkan framework laravel. Pengujian terhadap sistem menggunakan metode blackbox testing. Hasil pengujian menyatakan bahwa sistem informasi dapat bekerja sesuai dengan spesifikasi dan sesuai dengan kebutuhan user. Sistem informasi yang dihasilkan dapat mempermudah dalam memonitoring kegiatan belajar mengajar dan mempermudah guru dalam melakukan absensi, sharing materi bahan ajar dan tugas. Selain itu dengan adanya sistem informasi ini pengelolaan jadwal dan rekap jurnal menjadi lebih efektif dan efisien sehingga dapat mempermudah jalannya proses belajar mengajar.

Page 32 of 32 | Total Record : 317

 28   29   30   31   32 

Filter by Year

2015 2025


Reset
Filter By Issues
All Issue Vol. 11 No. 2 (2025): Jurnal Sains dan Informatika Vol. 11 No. 1 (2025): Jurnal Sains dan Informatika Vol. 10 No. 2 (2024): Jurnal Sains dan Informatika Vol. 10 No. 1 (2024): Jurnal Sains dan Informatika Vol. 9 No. 2 (2023): Jurnal Sains dan Informatika Vol. 9 No. 1 (2023): Jurnal Sains dan Informatika Vol. 8 No. 2 (2022): Jurnal Sains dan Informatika Vol. 8 No. 1 (2022): Jurnal Sains dan Informatika Vol. 7 No. 2 (2021): Jurnal Sains dan Informatika Vol. 7 No. 1 (2021): Jurnal Sains dan Informatika Vol. 6 No. 2 (2020): Jurnal Sains dan Informatika Vol. 6 No. 1 (2020): Jurnal Sains dan Informatika Vol 6 No 1 (2020): Jurnal Sains dan Informatika Vol. 5 No. 2 (2019): Jurnal Sains dan Informatika Vol 5 No 2 (2019): Jurnal Sains dan Informatika Vol 5 No 1 (2019): Jurnal Sains dan Informatika Vol. 5 No. 1 (2019): Jurnal Sains dan Informatika Vol 4 No 2 (2018): Jurnal Sains dan Informatika Vol. 4 No. 2 (2018): Jurnal Sains dan Informatika Vol. 4 No. 1 (2018): Jurnal Sains dan Informatika Vol 4 No 1 (2018): Jurnal Sains dan Informatika Vol 3 No 2 (2017): Jurnal Sains dan Informatika Vol. 3 No. 2 (2017): Jurnal Sains dan Informatika Vol 3 No 1 (2017): Jurnal Sains dan Informatika Vol. 3 No. 1 (2017): Jurnal Sains dan Informatika Vol 2 No 2 (2016): Jurnal Sains dan Informatika Vol. 2 No. 2 (2016): Jurnal Sains dan Informatika Vol 2 No 1 (2016) Vol. 2 No. 1 (2016) Vol. 1 No. 2 (2015): Jurnal Sains dan Informatika Vol 1 No 2 (2015): Jurnal Sains dan Informatika Vol 1 No 1 (2015): Jurnal Sains dan Informatika Vol. 1 No. 1 (2015): Jurnal Sains dan Informatika More Issue