cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Fransiskus Panca Juniawan
Contact Email
Fransiskus Panca Juniawan
Phone
-
Journal Mail Official
fransiskus.pj@atmaluhur.ac.id
Editorial Address
-
Location
Kota pangkal pinang,
Kepulauan bangka belitung
INDONESIA
Jurnal Sisfokom (Sistem Informasi dan Komputer)
Published by Sekolah Tinggi Manajemen Informatika dan Komputer Atma Luhur
ISSN : 23017988     EISSN : 25810588     DOI : -
Core Subject : Science, Engineering,
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management
Jurnal Sisfokom merupakan singkatan dari Jurnal Sistem Informasi dan Komputer. Jurnal ini merupakan kolaborasi antara sivitas akademika STMIK Atma Luhur dengan perguruan tinggi maupun universitas di Indonesia. Jurnal ini berisi artikel ilmiah dari peneliti, akademisi, serta para pemerhati TI. Jurnal Sisfokom diterbitkan 2 kali dalam setahun yaitu pada bulan Maret dan September. Jurnal ini menyajikan makalah dalam bidang ilmu sistem informasi dan komputer.
Arjuna Subject : -
Articles 20 Documents
 1   2 
Search results for , issue "Vol 12, No 1 (2023): MARET" : 20 Documents clear
Deteksi dan Klasifikasi Penyakit Pada Daun Kopi Menggunakan Yolov7 ardiansyah, ardiansyah; Hasan, Nur Fitrianingsih
Jurnal Sisfokom (Sistem Informasi dan Komputer) Vol 12, No 1 (2023): MARET
Publisher : ISB Atma Luhur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32736/sisfokom.v12i1.1545

Abstract

In improving the economy of developing countries, the highest export commodity is the coffee plant. Indonesia produces 639 thousand tons of coffee every year. Therefore, establishing Indonesia as 4th in the world. However, decreased productivity due to diseases of the coffee plant leaves can reduce the productivity of coffee production. Leaf diseases include Miner, Rust, Phoma, and Cercospora. Based on extant issues in agriculture, utilization such as artificial intelligence, Computer Vision, and Bigdata can decrease the costs incurred to trade with plant diseases. With significant advances in artificial intelligence in Machine Learning comes the Deep Learning method. YOLO is Deep Learning seeded as an object detection compared to other approaches. YOLOv7 is the latest version of the YOLO architecture that can detect speed, high Precision, easy-to-train data, and implementation. The main contribution of this research was to develop using model-based YOLOv7, use coffee leaf costume datasets, data augmentation, and preprocessing datasets. This research utilizes Google Colab and GPU Tesla T4 to get a result F1-score of 0.93, Precision of 0.926, Recall of 0.932, mAP@IoU .5 of 0.956, mAP@IoU .5:.95 of 0.927 for the entire trained data class. However, the best result is the binary class to get a result F1-score of 0.99, Precision of 0.991, Recall of 1, mAP@IoU .5 of 0.998, mAP@IoU .5:.95 of 0.994.
Analyze Important Features of PIMA Indian Database For Diabetes Prediction Using KNN Perdana, Aziz; Hermawan, Arief; Avianto, Donny
Jurnal Sisfokom (Sistem Informasi dan Komputer) Vol 12, No 1 (2023): MARET
Publisher : ISB Atma Luhur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32736/sisfokom.v12i1.1598

Abstract

Diabetes is a chronic, non-communicable disease, and a long-term health condition that affects how the body uses glucose, the type of sugar that gives energy. In Indonesia, diabetes ranks as the sixth highest cause of death, following conditions related to childbirth. In 2021, Indonesia has a total of 19.5 million diabetes patients, making it the fifth-highest in the world. Some machine learning research has used data from the PIDD (PIMA Indian Diabetes Dataset) to predict diabetes. In this research, in addition to prediction accuracy, data complexity is also important. This research analyzes important features in the PIMA Indian database using the KNN (k-nearest neighbor) method for classification. The results show that using KNN with k=22 value results in the highest accuracy of 83.12%. The analysis also found that the important features required by the KNN method to achieve high accuracy from the PIMA Indian database, in order of importance, are glucose, age, insulin, blood pressure, Body Mass Index, pregnancy, skin thickness, and diabetes pedigree function. However, when used in the KNN classification method, the diabetes pedigree function feature was found to be unnecessary, not relevant, and can be reduced. 
Predicting Cryptocurrency Price Using RNN and LSTM Method Gunarto, Dzaki Mahadika; Sa'adah, Siti; Utama, Dody Qori
Jurnal Sisfokom (Sistem Informasi dan Komputer) Vol 12, No 1 (2023): MARET
Publisher : ISB Atma Luhur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32736/sisfokom.v12i1.1554

Abstract

Cryptocurrency price prediction is a crucial task for financial investors as it helps determine appropriate investment strategies and mitigate risk. In recent years, deep learning methods have shown promise in predicting time-series data, making them a viable approach for cryptocurrency price prediction. In this study, we compare the effectiveness of two deep learning techniques, the Recurrent Neural Network (RNN) and Long-Short Term Memory (LSTM), in predicting the prices of Bitcoin and Ethereum. Results of this research show that the LSTM method outperformed the RNN method, obtaining lower Root Mean Squared Error (RMSE) and Mean Absolute Percentage Error (MAPE) values for predicting both cryptocurrencies. Bitcoin and Ethereum. Specifically, the LSTM model had a RMSE of 0.061 and MAPE of 5.66% for predicting Bitcoin, and a RMSE of 0.036 and MAPE of 4.58% for predicting Ethereum. In this research, we found that the LSTM model is a more effective method for predicting cryptocurrency prices than the RNN model.
Pengaruh E-Service Quality dan E-Trust Terhadap E-Customer Loyalty Pada Pengguna Dompet Digital DANA Melalui E-Satisfaction Sebagai Variabel Intervening Syahidah, Andi Arini; Aransyah, Muhammad Fikry
Jurnal Sisfokom (Sistem Informasi dan Komputer) Vol 12, No 1 (2023): MARET
Publisher : ISB Atma Luhur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32736/sisfokom.v12i1.1593

Abstract

Penelitian ini bertujuan untuk menganalisis dan membuktikan pengaruh e-service quality dan e-trust terhadap e-customer loyalty melalui e-satisfaction sebagai variabel intervening pada pengguna dompet digital DANA. Penelitian ini berfokus pada DANA sebagai e-wallet yang paling banyak digunakan oleh masyarakat namun masih banyaknya keluhan yang dirasakan oleh pengguna dompet digital DANA terkait top up yang tidak berhasil, terjadinya error sistem, kesulitan upgrade akun premium, saldo terpotong serta penanganan dari customer service yang lambat dan tidak memberikan solusi. Hal ini terlihat dari hasil review pengguna di Play Store. Jenis penelitian ini adalah explanatory research dengan pendekatan kuantitatif. Pengambilan sampel menggunakan metode nonprobability sampling dengan bentuk purposive sampling. Penelitian ini menggunakan kuesioner online yang dibagikan kepada 100 responden, dengan kriteria pengguna dompet digital DANA yang pernah melakukan transaksi non tunai minimal dua kali atau lebih dalam enam bulan terakhir. Teknik analisis yang digunakan yaitu Structural Equation Modelling berbasis Partial Least Square (PLS) dengan bantuan software SmartPLS 4.0. Hasil pengujian hipotesis menunjukkan bahwa e-service quality berpengaruh positif dan tidak signifikan terhadap e-customer loyalty, e-service quality berpengaruh positif dan signifikan terhadap e-satisfaction, e-satisfaction berpengaruh positif dan signifikan terhadap e-customer loyalty, e-trust berpengaruh positif dan tidak signifikan terhadap e-customer loyalty, e-trust berpengaruh positif dan signifikan terhadap e-satisfaction, e-service quality berpengaruh positif dan signifikan terhadap e-customer loyalty melalui e-satisfaction dan e-trust berpengaruh positif dan signifikan terhadap e-customer loyalty melalui e-satisfaction.
Sentiment Analysis of Covid-19 Handling in Indonesia Based on Lexicon Weighting Ependi, Usman; Aliya, Sabeli; Wibowo, Ari
Jurnal Sisfokom (Sistem Informasi dan Komputer) Vol 12, No 1 (2023): MARET
Publisher : ISB Atma Luhur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32736/sisfokom.v12i1.1615

Abstract

Covid-19, a contagious disease, has been classified as a global pandemic. Indonesia, as one of the ASEAN countries, has taken various measures to combat the spread of this disease. One of the government's initiatives to tackle the pandemic is the PeduliLindungi application, through which the public provides feedback on government policies. However, analyzing and comprehending public opinions in a non-subjective manner poses a challenge in objectively evaluating government services. This study aims to address this issue by conducting a sentiment analysis of Covid-19 handling in Indonesia, using a lexicon-based weighting system that includes SentiStrengthID and InSet. The decision tree (DT) machine learning algorithm is utilized to evaluate the polarity results provided by the lexicon. The results indicate that the sentiment polarity towards Covid-19 handling in Indonesia is negative based on both SentiStrengthID and InSet weights. Evaluating machine learning performance with the SentiStrengthID lexicon, the DT-entropy and DT-gini models achieved an accuracy of 82% and 83%, respectively. Similarly, evaluating machine learning performance with the InSet lexicon, the DT-entropy and DT-gini models achieved an accuracy of 81% and 82%, respectively.
Model Balanced Bagging Berbasis Decision Tree Pada Dataset Imbalanced Class Pristyanto, Yoga; Zein, Aditya Ahmad
Jurnal Sisfokom (Sistem Informasi dan Komputer) Vol 12, No 1 (2023): MARET
Publisher : ISB Atma Luhur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32736/sisfokom.v12i1.1399

Abstract

Algoritma klasifikasi merupakan algoritma yang sangat sering digunakan beriringan dengan kebutuhan manusia, namun peneliti an sebelumnya sering dijumpai kendala saat menggunakan algoritma klasifikasi. Salah satu permasalahan yang sering sekali dijumpai ialah kasus imbalanced dataset. Sehingga dalam penelitian ini diusulkan ensemble method untuk mengatasinya, salah satu algoritma ensemble method yang terkenal ialah bagging. Implementasi balanced-bagging digunakan untuk meningkatkan kemampuan dari algoritma bagging. Dalam penelitian ini melibatkan perbandingan tiga model klasifikasi berbeda dengan lima dataset yang memiliki imbalanced ratio (IR) yang berbeda, Model akan dievaluasi berdasarkan metrik akurasi (balanced accuracy), geometric mean dan area under curve (AUC). Model pertama merupakan proses klasifikasi menggunakan Decision Tree (tanpa Bagging),  Model kedua merupakan proses klasifikasi menggunakan Decision Tree (dengan Bagging) dan model ketiga menggunakan Decision Tree (dengan Balanced-Bagging). Implementasi metode bagging dan balanced bagging terhadap algoritma klasifikasi Decision Tree mampu meningkatkan kinerja hasil akurasi (balanced accuracy), geometric mean, dan AUC. Secara umum model Decision Tree + Balanced Bagging menghasilkan kinerja yang terbaik pada seluruh dataset yang digunakan.
Analisis Kepuasan Pengguna Pada E-Learning menggunakan Metode End User Computing Satisfaction Putra, Julian; Indah, Dwi Rosa; Firdaus, Mgs. Afriyan
Jurnal Sisfokom (Sistem Informasi dan Komputer) Vol 12, No 1 (2023): MARET
Publisher : ISB Atma Luhur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32736/sisfokom.v12i1.1575

Abstract

E-learning merupakan rangkaian proses dan penerapan pembelajaran yang berguna memperlancar kegiatan belajar mengajar di SMA Xaverius 1 Palembang yang awalnya digunakan selama COVID-19 hingga sekarang. Guna mengetahui pencapaian penerapan e-learning dan agar dapat menjadi pertimbangan dalam keberlanjutan penerapannya. Maka, dilakukan evaluasi kepuasan pengguna akhir e-learning SMA Xaverius 1 Palembang. Adapun metode yang dipakai guna mengukur kepuasan pengguna akhir ialah End User Computing Satisfaction (EUCS) dengan lima aspek, yakni content, accuracy, format, timeliness, dan ease of use. Terdapat 307 responden yang terdiri atas guru dan murid yang pernah menggunakan e-learning SMA Xaverius 1 Palembang dengan penyebaran kuisioner melalui google form dan kuisioner secara langsung di lokasi. Hasil dari penelitian ini menyatakan seluruh aspek memiliki tingkat kepuasan berada pada kategori puas. Adapun rekomendasi pengembangan kepada pihak terkait e-learning antara lain, dalam hal error dan stabilnya sistem, fitur chat, fitur notifikasi tugas, dan bantuan langsung dalam e-learning SMA Xaverius 1 Palembang.
Human Anatomi Recognition Using Augmented Reality With Marker Based Method Tracking Setiawan, Agustinus Eko; Aras, Irsan; Andika, Tahta Herdian; Hendrawan Putri, Adelia Insi
Jurnal Sisfokom (Sistem Informasi dan Komputer) Vol 12, No 1 (2023): MARET
Publisher : ISB Atma Luhur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32736/sisfokom.v12i1.1638

Abstract

Pembelajaran secara online adalah terobosan baru dalam dunia pendidikan. Adaptasi kehidupan baru setelah pasca covid-19, dunia pendidikan harus mampu membuat terobosan baru dalam sistem pembelajaran. Khususnya dalam mata kuliah atau pelajaran praktikum, jika tidak mampu menyiapkan sistem pembelajaran yang efisien maka akan memperburuk kondisi pengetahuan dan pemahaman mahasiswa atau pelajar.Upaya yang perlu dilakukan adalah pemanfaatan teknologi augmented reality, salah satunya adalah pengenalan anatomi tubuh manusia untuk pembelajaran bagi mahasiswa atau pelajar. Anatomi tubuh manusia bisa ditampilkan ke dalam bentuk nyata tiga dimensi (3D), sehingga mahasiswa atau pelajar sekolah dapat memvisualisasikan anatomi tubuh manusia dalam bentuk gambar 3D yang mirip dengan organ tubuh manusia aslinya. Dalam penelitian ini akan dibuat aplikasi ANAR (Anatomy in Augmented Reality), aplikasi pembelajaran anatomi ini menggunakan teknologi mobile augmented reality dengan menggunakan metode Marker Based Tracking. Berdasarkan System Usability Score (SUS), range nilai kebergunaan Aplikasi ANAR (Anatomy in Augmented Reality) ada pada range excellent yaitu sebesar 85,5%. Maka dari itu, aplikasi ANAR (Anatomy in Augmented Reality) berhasil membangun sistem yang user-friendly dengan tingkat usability yang tinggi dengan menunjukkan akurasi mudah dipelajari (learnability), 87,6% akurasi efisiensi (efficiency), 90% akurasi mudah diingat (memorability), 70% akurasi kesalahan (errors), dan 85,50% akurasi dari kepuasan (satisfaction). Aplikasi ini sangat bermanfaat dalam memberikan visualisasi materi pembelajaran dan menciptakan minat yang lebih baik dalam mempelajari mata pelajaran materi anatomi.
Metode Klasifikasi Gejala Penyakit Coronavirus Disease 19 (COVID-19) Menggunakan Algoritma Neural Network Rahmi, Rahmi; Antoni, Darius; Syaputra, Hadi; Fatoni, Fatoni; Kurniawan, Tri Basuki
Jurnal Sisfokom (Sistem Informasi dan Komputer) Vol 12, No 1 (2023): MARET
Publisher : ISB Atma Luhur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32736/sisfokom.v12i1.1406

Abstract

Coronavirus Disease 19 (COVID-19) adalah virus baru yang dapat menyebabkan infeksi saluran pernafasan. Virus ini  berasal dari hewan yang dapat menular ke manusia melalui percikan ludahnya. Menurt data epidemiologis, rata-rata penderita virus ini berusia 15-80 tahun. Virus ini memiliki masa inkubasi 3-14 hari yang memiliki gejala awal yaitu demam tinggi, sesak napas, batuk dan pilek. Indonesia mwmiliki 2 kasus pertama pada 2 Maret 2020, Covid-19 meningkat secara teratur pada 29 Desember 2020 data menunjukkan 719.219 ribu orang dipastikan terjangkit Covid-19. Masalah yang diangkat dalam penelitian ini adalah bagaimana mengklasifikasikan risiko tertular virus Covid-19 dari gejala yang ditimbulkan. Tujuan dari penelitian ini adalah untuk mengetahui nilai akurasi dari klasifikasi resiko tertular virus Covid-19 berdasarkan instrument yang digunkan dari metode Cross Industry Standard Process for Data Mining (CRISP-DM). Dataset yang digunakan peniliti diambil dari website http://github.com/nshomron/covidpred. Penelitian ini menggunakan Algoritma Neural Network (NN) dengan bantuan alat Phyton, akurasi Algoritma Neural Ntwork (NN) diperoleh nilai sebesar 95%, artinya telah menunjukkan hasil klasifikasi yang baik. Peneliti juga menguji dengan Algoritma Logistic Regression namun nilai akurasi yang diperoleh tidak jauh berbeda dengan Algoritma NN, Algoritma Logistic Regression diperoleh akurasi nilai sebesar 94%.
Penerapan Algoritma K-Means Untuk Mengklasifikasi Data Obat Ferdy Pangestu, Ferdy Pangestu; Nur Yasin, Nur Yasin; Ronald Chistover Hasugian, Ronald Chistover; yunita, yunita
Jurnal Sisfokom (Sistem Informasi dan Komputer) Vol 12, No 1 (2023): MARET
Publisher : ISB Atma Luhur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32736/sisfokom.v12i1.1461

Abstract

Pengklasifikasian data obat pada sebuah instansi yang bergerak pada bidang Kesehatan merupakan hal yang sangat penting. Kegiatan tersebut tidak lepas dari pengawasan serta monitoring setiap harinya karena pengolahan data obat termasuk inti dalam berjalannya roda bisnis pada suatu instansi atau perusahaan. Penelitian ini dilakukan untuk membahas pentingnya pengolahan data dalam suatu instansi atau perusahaan yaitu pada Puskesmas Kecamatan Sawah Besar. Saat ini permasalahan yang terjadi adalah tidak adanya suatu metode dalam pengkasifikasian data obat. Obat obatan belum dikelompokkan sesuai dengan karakteristiknya sehingga menjadi kendala saat pencarian data serta saat pengecekan stok. Dengan masalah diatas dibutuhkan suatu metode.  Salah satu dengan menggunakan metode algoritma K-means. K-means clustering merupakan salah satu metode cluster analysis non hirarki yang berusaha untuk mempartisi objek yang ada kedalam satu atau lebih cluster berdasarkan karakteristiknya data-data obat ini diklasfikasikan menjadi 4 kategori yaitu obat bebas, obat bebas terbatas, obat keras, dan narkotika psikotropika. Hasil penelitian yang sudah dilakukan bahwa dengan menggunakan algoritma K-Means pihak Puskesmas Kecamatan Sawah Besar dapat menggelompokkan data obat yang tingkat pemakaiannya tinggi, sedang hingga terendah berdasarkan volume pemakaian dan pemasukan. Data yang diambil dari Puskesmas Kecamatan Sawah Besar merupakan data stok obat pada bulan Desember 2021. Perhitungan manual mendapatkan akurasi yaitu 66,23% untuk cluster 1, 7,69% untuk cluster 2, dan 23,07% untuk cluster 3 pada data obat bebas terbatas.

Page 1 of 2 | Total Record : 20

 1   2 

Filter by Year

2023 2023


Reset
Filter By Issues
All Issue Vol. 15 No. 01 (2026): JANUARY Vol. 14 No. 4 (2025): NOVEMBER Vol. 14 No. 3 (2025): JULY Vol. 14 No. 2 (2025): MEY Vol. 14 No. 1 (2025): JANUARY Vol. 13 No. 3 (2024): NOVEMBER Vol 13, No 2 (2024): JULY Vol. 13 No. 2 (2024): JULY Vol 13, No 1 (2024): MARET Vol. 13 No. 1 (2024): MARET Vol. 12 No. 3 (2023): NOVEMBER Vol 12, No 3 (2023): NOVEMBER Vol 12, No 2 (2023): JULI Vol. 12 No. 2 (2023): JULI Vol 12, No 1 (2023): MARET Vol 11, No 3 (2022): NOVEMBER Vol 11, No 2 (2022): JULI Vol 11, No 1 (2022): MARET Vol 10, No 3 (2021): NOVEMBER Vol 10, No 2 (2021): JULI Vol 10, No 1 (2021): MARCH Vol 9, No 3 (2020): NOVEMBER0 Vol 9, No 2 (2020): JULI0 Vol 9, No 1 (2020): MARET0 Vol 9, No 3 (2020): NOVEMBER Vol 9, No 2 (2020): JULI Vol 9, No 1 (2020): MARET Vol 8, No 2 (2019): SEPTEMBER0 Vol 8, No 2 (2019): SEPTEMBER Vol 8, No 1 (2019): MARET Vol 7, No 2 (2018): September Vol 7, No 1 (2018): Maret Vol 6, No 2 (2017): September Vol 6, No 1 (2017): Maret Vol 5, No 2 (2016): September Vol 5, No 1 (2016): Maret Vol 4, No 2 (2015): September Vol 4, No 1 (2015): Maret Vol 3, No 2 (2014): September Vol 3, No 1 (2014): Maret Vol 2, No 1 (2013): Maret 2013 Vol 2, No 2 (2013): September More Issue