cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Muhammad Nur Akbar
Contact Email
muhammad.akbar@uin-alauddin.ac.id
Phone
+6285242044250
Journal Mail Official
instek@uin-alauddin.ac.id
Editorial Address
Jl. H. M. Yasin Limpo No. 36 Samata, Gowa, Sulawesi Selatan
Location
Kab. gowa,
Sulawesi selatan
INDONESIA
JURNAL INSTEK (Informatika Sains dan Teknologi)
Published by Universitas Islam Negeri Alauddin Makassar
ISSN : 25411179     EISSN : 25811711     DOI : https://doi.org/10.24252/instek.v6i2
Core Subject : Science, Engineering,
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering
The Scope topics include, but are not limited to : Agent System and Multi-Agent Systems Analysis & Design of Information System Artificial Intelligence Big Data and Data Mining Cloud & Grid Computing Computer Vision Cryptography Decision Support System DNA Computing E-Government E-Business E-Learning Embedded System Enterprise System Green software development Green computing Green Information Technology Human Computer Interaction Image Processing & Computer Vision Informatics Theory Information System IT for Education IT for Industry IT for Chemical Mechatronics Mobile Computing & Applications Natural Language Processing Network & Data Communications Open Source System Semantic Web Social Networking & Application Soft Computing Software Engineering Software Entrepreneurship Web Engineering Wireless Communication Mikrokontroller elektronic and telecomonunication
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 324 Documents
 29   30   31   32   33 
KOMPARASI ALGORITMA C4.5, SVM, DAN NAIVE BAYES UNTUK KLASIFIKASI GAYA BELAJAR SISWA SMK BERDASARKAN LINGKUNGAN PEMBELAJARAN Hafidh, M. Hafidhatul Fathoni; Rahmaddeni; Agung Pratama; Sukri Adrianto; Muhamad Rizky Dwi Cahyo
Jurnal INSTEK (Informatika Sains dan Teknologi) Vol 10 No 2 (2025): OCTOBER
Publisher : Department of Informatics Engineering, Faculty of Science and Technology, Universitas Islam Negeri Alauddin, Makassar, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/instek.v10i2.59910

Abstract

Klasifikasi gaya belajar siswa penting untuk merancang strategi pembelajaran efektif. Penelitian ini mengevaluasi performa tiga algoritma machine learning C4.5 Decision Tree, Support Vector Machine (SVM), dan Naive Bayes dalam memetakan preferensi belajar siswa SMK berdasarkan data lingkungan pembelajaran. Data diperoleh dari 300 siswa SMK YUM Pesantren Teknologi Riau melalui kuesioner yang terdiri dari indikator gaya belajar VAK (visual, auditory, kinesthetic) dan karakteristik lingkungan belajar. Evaluasi menggunakan skema 10-Fold Cross-Validation dengan metrik akurasi, precision, recall, dan F1-score. Hasil menunjukkan C4.5 mencapai akurasi tertinggi sebesar 68,67% dengan F1-score 65,98%, diikuti SVM dengan akurasi 60,67% (F1-score 48,13%), dan Naive Bayes dengan akurasi 47,00% (F1-score 34,51%). C4.5 unggul dalam interpretabilitas model, SVM menunjukkan stabilitas validasi namun kurang optimal untuk kelas minoritas, sedangkan Naive Bayes tercepat dalam pelatihan namun memiliki akurasi terendah. Temuan ini menunjukkan bahwa model klasifikasi berbasis lingkungan belajar dapat menjadi pendekatan praktis untuk sistem pembelajaran adaptif di SMK.
PERANCANGAN UI/UX SISTEM PERIZINAN DIGITAL ANGKUTAN SUNGAI PADA DINAS PERHUBUNGAN PROVINSI JAMBI DENGAN METODE USER CENTERED DESIGN (UCD) Cyntia Sauri Purba; Saputra, Edi; Muhammad Razi A.
Jurnal INSTEK (Informatika Sains dan Teknologi) Vol 10 No 2 (2025): OCTOBER
Publisher : Department of Informatics Engineering, Faculty of Science and Technology, Universitas Islam Negeri Alauddin, Makassar, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/instek.v10i2.57477

Abstract

Proses perizinan angkutan sungai di Dinas Perhubungan Provinsi Jambi masih dilakukan secara manual sehingga layanan berjalan lambat, rentan kesalahan, dan sulit dipantau. Penelitian ini bertujuan merancang antarmuka (UI) dan pengalaman pengguna (UX) sistem perizinan digital menggunakan metode User Centered Design (UCD). UCD digunakan agar desain sesuai kebutuhan pengguna melalui tahapan memahami konteks penggunaan, menetapkan kebutuhan pengguna, merancang solusi, dan mengevaluasi desain. Prototype dikembangkan menggunakan Figma dan dievaluasi dengan Maze Testing dan User Experience Questionnaire (UEQ). Hasil evaluasi menunjukkan skor usability Maze sebesar 80 (agen), 84 (admin), dan 90 (verifikator). Hasil UEQ menunjukkan kategori Excellent pada lima dimensi dan Good pada dimensi Novelty. Temuan ini menunjukkan bahwa desain UI/UX berhasil memberikan pengalaman penggunaan yang efektif, jelas, dan mudah dipahami oleh pengguna.
ASPECT-BASED SENTIMENT ANALYSIS PADA ULASAN APLIKASI ACCESS BY KAI MENGGUNAKAN METODE TF-IDF DAN ALGORITMA SUPPORT VECTOR MACHINE Nur Rachman Nidhi Suryono, Muhammad; Amalia Anjani Arifiyanti; Dhian Satria Yudha Kartika
Jurnal INSTEK (Informatika Sains dan Teknologi) Vol 10 No 2 (2025): OCTOBER
Publisher : Department of Informatics Engineering, Faculty of Science and Technology, Universitas Islam Negeri Alauddin, Makassar, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/instek.v10i2.57155

Abstract

Access by KAI merupakan aplikasi layanan transportasi digital dari PT Kereta Api Indonesia yang mempermudah pengguna dalam mengakses layanan perjalanan kereta api. Untuk meningkatkan kualitas layanan dan pengalaman pengguna, penelitian ini melakukan analisis sentimen terhadap ulasan pengguna aplikasi menggunakan algoritma Support Vector Machine (SVM). Tiga aspek utama yang dianalisis yaitu Financial Transactions, Technical Issues and Performance, serta User Experience and Interface. Penelitian menggunakan kombinasi metode sampling (SMOTE dan Non-SMOTE), kernel (Linear, RBF, Polynomial), dan pembagian data (80:20 dan 70:30) untuk menemukan model terbaik. Hasil terbaik untuk aspek Financial Transactions diperoleh dari model SMOTE dengan kernel RBF dan rasio 70:30 (akurasi 0.9270). Untuk Technical Issues and Performance, model terbaik adalah Non-SMOTE dengan kernel Linear dan rasio 70:30 (akurasi 0.8718). Sedangkan untuk User Experience and Interface, model Non-SMOTE dengan kernel Linear dan rasio 80:20 memberikan akurasi tertinggi sebesar 0.8825. Model terbaik ini diimplementasikan dalam aplikasi web berbasis Flask yang dapat memprediksi sentimen, mengekspor hasil dalam bentuk .csv, serta menampilkan visualisasi data. Hasil implementasi menunjukkan bahwa kombinasi model terpilih mampu memberikan pemetaan sentimen yang konsisten dan terstruktur terhadap ulasan pengguna, sehingga dapat digunakan sebagai dasar evaluasi berbasis data dalam pengembangan fitur aplikasi.
MEMPREDIKSIKAN HARGA SAHAM BANK RAKYAT INDONESIA (PERSERO) TBK MENGGUNAKAN METODE BIDIRECTIONAL LONG SHORT TERM MEMORY (BI-LSTM) Darja, Rahma; Irwan; Muh. Irwan
Jurnal INSTEK (Informatika Sains dan Teknologi) Vol 10 No 2 (2025): OCTOBER
Publisher : Department of Informatics Engineering, Faculty of Science and Technology, Universitas Islam Negeri Alauddin, Makassar, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/instek.v10i2.57438

Abstract

Pasar modal memegang peranan strategis sebagai indikator stabilitas ekonomi suatu negara, di mana saham berfungsi sebagai instrumen vital untuk pertukaran modal yang memengaruhi berbagai sektor keuangan. Mengingat sifat harga saham yang fluktuatif dan non-linear, prediksi yang akurat menjadi sangat krusial bagi investor untuk meminimalisir risiko kerugian. Penelitian ini bertujuan untuk memprediksi harga saham tertinggi (high price) pada PT Bank Rakyat Indonesia (Persero) Tbk menggunakan pendekatan Deep Learning, yaitu metode Bidirectional Long Short-Term Memory (Bi-LSTM). Dalam metodologi penelitian, skenario pembagian data dilakukan dengan komposisi 50% data latih dan 50% data uji. Penelitian ini melakukan serangkaian eksperimen tuning hyperparameter yang meliputi variasi learning rate, jumlah neuron, dan jumlah epoch. Berdasarkan hasil pengujian, arsitektur model paling optimal diperoleh dengan konfigurasi 50 neuron, penggunaan algoritma optimasi Adam, learning rate sebesar 0,001, batch size 1, dan 5 kali epoch. Evaluasi kinerja model menunjukkan hasil yang sangat impresif, dengan nilai Mean Absolute Percentage Error (MAPE) sebesar 1,24998952%. Mengacu pada standar evaluasi di mana nilai MAPE < 10%, kemampuan prediksi model ini dikategorikan sebagai "sangat baik". Hasil ini mengindikasikan bahwa model Bi-LSTM yang dibangun sangat andal dan dapat dimanfaatkan oleh investor sebagai acuan strategis dalam pengambilan keputusan investasi saham BBRI.
IMPLEMENTASI ENSEMBLE LEARNING UNTUK ANALISIS SENTIMEN PADA APLIKASI REKU Ratih Aisyah; Reisa Permatasari; Dhian Satria Kartika Yudha
Jurnal INSTEK (Informatika Sains dan Teknologi) Vol 10 No 2 (2025): OCTOBER
Publisher : Department of Informatics Engineering, Faculty of Science and Technology, Universitas Islam Negeri Alauddin, Makassar, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/instek.v10i2.57448

Abstract

Analisis sentimen pada ulasan aplikasi keuangan menghadapi tantangan utama berupa kompleksitas bahasa pengguna, seperti penggunaan istilah teknis, gaya bahasa informal, serta keberagaman konteks yang sering kali sulit ditangkap oleh model klasifikasi konvensional. Untuk menjawab tantangan tersebut, penelitian ini bertujuan secara eksplisit untuk membandingkan performa model tunggal Convolutional Neural Network (CNN), Support Vector Machine (SVM) berbasis Word2Vec, dan model transformer IndoBERT dengan metode ensemble learning guna meningkatkan akurasi analisis sentimen pada aplikasi Reku. Popularitas cryptocurrency di Indonesia yang terus meningkat menjadikan analisis sentimen sebagai alat penting untuk memahami opini dan tingkat kepuasan pengguna terhadap platform seperti Reku. Dalam penelitian ini, pendekatan ensemble learning diterapkan dengan mengombinasikan ketiga model tersebut menggunakan metode soft voting dan weighted soft voting. Evaluasi performa dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score untuk menilai efektivitas penggabungan model dibandingkan model tunggal. Hasil eksperimen menunjukkan bahwa metode ensemble, khususnya weighted soft voting, menghasilkan performa terbaik dengan akurasi mencapai 90,2%, melampaui seluruh model tunggal. Sebagai bentuk implementasi, model terbaik dibangun ke dalam aplikasi berbasis web menggunakan Streamlit sebagai alat bantu untuk menganalisis opini pengguna terhadap aplikasi Reku secara praktis dan interaktif.
PENERAPAN ALGORITMA NAIVE BAYES, RECURSIVE FEATURE ELIMINATION, DAN ADAPTIVE SYNTHETIC SAMPLING PADA KLASIFIKASI PENYAKIT DERMATITIS Hidayat, Wahyu; Yoga Siswa, Taghfirul Azhima; Hasudungan, Rofilde
Jurnal INSTEK (Informatika Sains dan Teknologi) Vol 10 No 2 (2025): OCTOBER
Publisher : Department of Informatics Engineering, Faculty of Science and Technology, Universitas Islam Negeri Alauddin, Makassar, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/instek.v10i2.59737

Abstract

Dermatitis merupakan salah satu penyakit kulit yang umum terjadi dan menyerang sekitar 5,7 juta orang setiap tahunnya. Di Indonesia, penyakit ini tergolong sebagai salah satu dari tiga besar faktor risiko yang berkontribusi terhadap peningkatan kasus kanker kulit. Penelitian ini bertujuan untuk mengklasifikasikan penyakit dermatitis menggunakan algoritma Naive Bayes dengan penerapan teknik seleksi fitur Recursive Feature Elimination (RFE) serta penyeimbangan data Adaptive Synthetic Sampling (ADASYN). Data penelitian terdiri atas 392 kasus dermatitis dari UPT Puskesmas Bontang Barat tahun 2024, berdasarkan surat persetujuan izin penelitian Nomor B/000.9.2.4/393/PUS-BB/2025, dengan izin etik dan persetujuan dari pihak terkait untuk penggunaan data dalam kegiatan penelitian dan publikasi ilmiah. Validasi model dilakukan menggunakan metode 5-fold cross-validation, sedangkan evaluasi kinerja model menggunakan confusion matrix untuk mengukur akurasi. Hasil penelitian menunjukkan bahwa fitur sistolik, diastolik, umur, berat badan, dan tinggi badan berkontribusi signifikan terhadap proses klasifikasi. Model awal menghasilkan akurasi sebesar 60,15%, meningkat menjadi 66,52% setelah penerapan ADASYN, dan mencapai 90,89% ketika RFE dan ADASYN diterapkan secara bersamaan. Peningkatan akurasi sebesar 24,37% dibandingkan model awal ini membuktikan bahwa penerapan teknik seleksi fitur dan penyeimbangan data dapat meningkatkan kinerja model klasifikasi penyakit dermatitis.
ANALISIS AKURASI DETEKSI INDIVIDU POHON PINUS MENGGUNAKAN LOCAL MAXIMA PADA CITRA UNMANNED AERIAL VEHICLE (UAV) RESOLUSI TINGGI Siti Robiah Ritonga; Fety Fatimah; Sahid Agustian Hudjimartsu; Nurdin Sulistyono
Jurnal INSTEK (Informatika Sains dan Teknologi) Vol 10 No 2 (2025): OCTOBER
Publisher : Department of Informatics Engineering, Faculty of Science and Technology, Universitas Islam Negeri Alauddin, Makassar, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/instek.v10i2.60299

Abstract

Penelitian ini dilakukan di Desa Sabaganding, Kecamatan Jaya, Kabupaten Simalungun, Provinsi Sumatera Utara, yang merupakan salah satu Kawasan hutan pinus dengan cakupan wilayah yang luas. Perhitungan jumlah pohon pinus secara manual diarea tersebut tidak efisien dan memerlukan waktu yang sangat lama. Oleh karena itu penelitian ini bertujuan untuk menganalisis otomatisasi perhitungan jumlah pohon pinus menggunakan citra udara dari Unmanned Aerial Vehicle (UAV) dan Metode local Maxima pada Canopy Height Model (CHM). Proses analisis mencakup pembuatan mosaic citra, pengolahan CHM, penerapan Ratio Green, serta deteksi titik puncak pohon. Evaluasi dilakuan pada tiga kelas minimum pohon, yaitu 3 meter, 4 meter, dan 5 meter. Hasil penelitian menunjukkan bahwa kelas ketinggian minimum 4 meter memberikan hasil paling optimal, dengan nilai rata rata Commisson Error 0,07, Ommission Error 0,10, dan Overall Accuracy 0,76. Metode local maxima terbukti efektif dalam mendeteksi dan menghitung jumlah pohon pinus secara otomatis pada wilayah penelitian.
ANALISIS PENGARUH FILTER PENCAHAYAAN TERHADAP AKURASI IDENTIFIKASI JENIS BIBIT ALPUKAT BERBASIS CITRA URAT DAUN DENGAN METODE K-NEAREST NEIGHBORS DAN LOCAL BINARY PATTERN Darussalam, Muhammad Miftah; Gasim; Zaid Romegar Mair
Jurnal INSTEK (Informatika Sains dan Teknologi) Vol 10 No 2 (2025): OCTOBER
Publisher : Department of Informatics Engineering, Faculty of Science and Technology, Universitas Islam Negeri Alauddin, Makassar, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/instek.v10i2.60343

Abstract

Pencahayaan memegang peranan penting dalam pengambilan citra, terutama dalam memperjelas detail tekstur seperti urat daun. Permasalahan utama dalam identifikasi bibit alpukat terletak pada kemiripan pola tekstur antarjenis, yang dapat menyebabkan kesalahan klasifikasi. Penelitian ini bertujuan untuk menganalisis pengaruh jumlah filter pada pencahayaan terhadap akurasi identifikasi bibit alpukat. Metode yang digunakan meliputi segmentasi citra, ekstraksi fitur menggunakan Local Binary Pattern (LBP) sebanyak 59 fitur, dan klasifikasi menggunakan algoritma K-Nearest Neighbors (KNN) dengan variasi nilai K dari 2 hingga 6. Citra daun diambil dengan lima variasi jumlah filter pencahayaan. Hasil pengujian menunjukkan bahwa penggunaan dua filter menghasilkan akurasi terbaik sebesar 68,8%, diikuti oleh empat dan lima filter masing-masing 68%, sementara satu filter hanya mencapai 61,6%. Nilai K optimal diperoleh pada K = 3 karena memberikan keseimbangan antara sensitivitas dan stabilitas. Kesimpulannya, variasi filter pada pencahayaan memengaruhi visibilitas tekstur urat daun dan akurasi klasifikasi. Penelitian ini memberikan kontribusi terhadap pengembangan metode identifikasi bibit alpukat berbasis pengolahan citra.
ANALISIS REVERSE ENGINEERING MALWARE WINRAR SFX MENGGUNAKAN GHIDRA UNTUK DETEKSI TEKNIK OBFUSCATION DAN UAC BYPASS Rosmiati; Muh. Ikhsan Amar; Muhammad Arham Arsyad
Jurnal INSTEK (Informatika Sains dan Teknologi) Vol 10 No 2 (2025): OCTOBER
Publisher : Department of Informatics Engineering, Faculty of Science and Technology, Universitas Islam Negeri Alauddin, Makassar, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/instek.v10i2.60503

Abstract

Ancaman malware yang semakin kompleks dan sulit dideteksi menuntut pendekatan analisis yang lebih mendalam dalam keamanan siber. Penelitian ini bertujuan untuk menganalisis efektivitas penerapan reverse engineering berbasis analisis statis dalam mendeteksi dan mengklasifikasikan malware. Parameter keberhasilan analisis diukur melalui kemampuan mengidentifikasi struktur PE abnormal, deteksi API mencurigakan, indikasi teknik evasion, serta klasifikasi tingkat ancaman (threat level). Sampel malware diperoleh dari platform MalwareBazaar dan dianalisis menggunakan PE Studio, Detect It Easy, Strings, dan Ghidra. Tahapan penelitian meliputi ekstraksi metadata, identifikasi API call, disassembly, serta deteksi teknik packing dan obfuscation. Hasil analisis menunjukkan bahwa malware menyamarkan diri sebagai aplikasi sah (WinRAR SFX), menggunakan command-line injection, bypass UAC, dan teknik obfuscation lanjutan untuk menghindari deteksi. Ditemukan pula indikasi teknik evasif seperti anti-debugging dan komunikasi antar-proses melalui shared memory. Berdasarkan parameter keberhasilan tersebut, pendekatan analisis statis dengan Ghidra terbukti mampu mengungkap pola perilaku malware tingkat menengah secara efektif. Temuan ini menegaskan pentingnya reverse engineering dalam mendeteksi ancaman malware sejak tahap awal tanpa perlu menjalankan kode berbahaya.
RANCANG BANGUN APLIKASI ANDROID UNTUK KLASIFIKASI PENYAKIT TANAMAN JERUK MENGGUNAKAN CNN DAN METODE EXTREME PROGRAMMING Rio Gilang, Divo; Ulfa Khaira; Benedika Ferdian Hutabarat
Jurnal INSTEK (Informatika Sains dan Teknologi) Vol 10 No 2 (2025): OCTOBER
Publisher : Department of Informatics Engineering, Faculty of Science and Technology, Universitas Islam Negeri Alauddin, Makassar, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/instek.v10i2.61172

Abstract

Jeruk merupakan salah satu komoditas pertanian penting yang memiliki nilai ekonomi tinggi dan permintaan pasar yang besar. Namun, produktivitas dan kualitas jeruk sering terancam oleh penyakit pada kulit, seperti Citrus Bacterial Spot, Citrus Canker, dan Huanglongbing (HLB), yang dapat menurunkan nilai jual dan daya saing jeruk lokal. Deteksi penyakit secara manual memerlukan waktu dan keahlian khusus, sehingga dibutuhkan solusi berbasis teknologi yang cepat dan akurat. Penelitian ini bertujuan merancang dan membangun aplikasi mobile untuk identifikasi penyakit kulit jeruk menggunakan metode Extreme Programming (XP) serta mengevaluasi fungsionalitas sistem. Model klasifikasi citra dibangun menggunakan arsitektur MobileNetV2. Keunikan riset ini terletak pada integrasi lightweight deep learning model dengan pendekatan XP, sehingga menghasilkan aplikasi yang tidak hanya akurat, tetapi juga efisien dan siap diterapkan langsung di perangkat mobile dengan sumber daya terbatas. Evaluasi sistem menunjukkan akurasi validasi yang tinggi serta efisiensi kinerja berdasarkan metrik penggunaan sumber daya perangkat tanpa memaparkan detail teknis. Aplikasi ini mampu mengidentifikasi penyakit kulit jeruk secara cepat dan akurat, sehingga berpotensi membantu petani dalam pengambilan keputusan pengelolaan tanaman.

Page 32 of 33 | Total Record : 324

 29   30   31   32   33 

Filter by Year

2016 2025


Reset
Filter By Issues
All Issue Vol 10 No 2 (2025): OCTOBER Vol 10 No 1 (2025): APRIL Vol 9 No 2 (2024): OCTOBER Vol 9 No 1 (2024): APRIL Vol 8 No 2 (2023): OCTOBER Vol 8 No 1 (2023): APRIL Vol 7 No 2 (2022): OCTOBER Vol 7 No 1 (2022): APRIL Vol 6 No 2 (2021): OCTOBER Vol 6 No 1 (2021): APRIL Vol 5 No 2 (2020): OCTOBER Vol 5 No 1 (2020): APRIL Vol 4 No 2 (2019): OCTOBER Vol 4 No 1 (2019): APRIL Vol 3 No 1 (2018): Volume.3, Nomor.1.April 2018 Vol 3 No 2 (2018): OCTOBER Vol 2 No 2 (2017): Volume 2, Nomor 2, oktober 2017 Vol 2 No 1 (2017): Volume 2, Nomor 1, April 2017 Vol 1 No 1 (2016): Volume.1, Nomor.1, Oktober 2016 More Issue