cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Tonni Limbong, S.Kom.,M.Kom
Contact Email
tonni.budidarma@gmail.com
Phone
-
Journal Mail Official
tonni.budidarma@gmail.com
Editorial Address
-
Location
Kota medan,
Sumatera utara
INDONESIA
Jurnal Teknik Informatika UNIKA Santo Thomas
Published by Universitas Katolik Santo Thomas
ISSN : 25481916     EISSN : -     DOI : -
Core Subject : Science,
Computer Science & IT Decision Sciences, Operations Research & Management
Terbit Setiap Bulan Juni dan Desember Setiap Tahunnya. Jurnal ini Media publikasi untuk bidang Ilmu Komputer seperti Teknologi dan Jaringan, Sistem Cerdas, Web, Mobile, Sistem Pendukung Keputusan, Cloud Computing, Citra, Krpitografy dan yang lainnya.
Arjuna Subject : -
Articles 289 Documents
 25   26   27   28   29 
Evaluasi Logistic Regression dan Neural Network pada Klasifikasi Gagal Jantung Berbasis Threshold Anggraini, Leslie; Akram Abdillah, Attar; Kartadilaga, Muhammad Qaessar; Verdiana, Miranti; Nugroho, Eko; Afriansyah, Aidil; Febrianto, Andre; Bagaskara, Radhinka
Jurnal Teknik Informatika UNIKA Santo Thomas Vol 10 No. 1 : Tahun 2025
Publisher : LPPM UNIKA Santo Thomas

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kardiovaskular adalah sistem jantung dan pembuluh darah dalam tubuh manusia yang bertanggung jawab atas sirkulasi darah dalam jantung, pembuluh darah, dan darah sendiri. Gangguan pada fungsi sistem ini dapat menyebabkan penyakit kardiovaskular, seperti gagal jantung, yang menjadi salah satu penyebab utama kematian di seluruh dunia. Kematian yang disebabkan oleh gagal jantung mempengaruhi 1.5 juta pasien di seluruh dunia. Dikarenakan oleh data statistik tersebut, maka ada kebutuhan untuk dapat memprediksi dampak gagal jantung untuk membantu tingkat kelangsungan hidup pasien. Sebagai bentuk kontribusi terhadap kebutuhan tersebut, penelitian ini akan menganalisis sebuah dataset pelayanan kesehatan, yaitu dataset rekam gagal jantung dari UCI. Dataset tersebut akan digunakan untuk mengklasifikasi dan memprediksi peluang kematian dari pasien gagal jantung. Kami akan membandingkan antara dua metode klasifikasi dari machine learning, yaitu Logistic Regression (LR), dan deep learning, yaitu Shallow Neural Network (SNN). Mutual Information (MI) dipilih sebagai metode pemilihan fitur. Hasil menunjukkan bahwa SNN menghasilkan akurasi lebih tinggi dengan skor 0.75, dibandingkan LR dengan akurasi sebesar 0.63.
Prediksi Penyakit Daun Pisang Menggunakan Metode LSTM (Long Short-Term Memory) Ba’its, Alfian Kafilah; Bagaskara, Radhinka; Setiawan, Andika; Yulita, Winda; Harmiansyah, Harmiansyah; Listiani, Amalia; Untoro, Meida Cahyo; Drantantiyas, Nike Dwi Grevika; Faisal, Amir; Anggraini, Leslie; Febrianto, Andre; Aprilianda, Mohamad Meazza; Fitrawan, Mhd. Kadar
Jurnal Teknik Informatika UNIKA Santo Thomas Vol 10 No. 1 : Tahun 2025
Publisher : LPPM UNIKA Santo Thomas

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Dalam sektor pertanian, tanaman yang memiliki peran signifikan dalam skala global adalah pisang, yaitu buah yang mudah didapatkan, dapat tumbuh dimana saja, memiliki gizi yang tinggi, serta memiliki nilai ekonomi & budaya yang tinggi. Pisang mempunyai kontribusi yang signifikan terhadap pendapatan nasional Indonesia, terutama di Provinsi Lampung sebagai penghasil pisang nasional terbesar. Tetapi, proses produksi pisang seringkali mengalami kendala, salah satunya karena faktor serangan penyakit Black Sigatoka. Penyakit tersebut memberikan kerugian pada tanaman pisang, seperti daun yang meranggas, panen tertunda, bakal buah rontok, dan kualitas buah yang rendah, dan dapat menyebar melalui aliran udara atau percikan air hujan. Tingkat keparahan penyakit Black Sigatoka perlu diprediksi agar penyakit tersebut dapat dikontrol dan dapat dicegah sedini mungkin. Model yang digunakan untuk memprediksi permasalahan ini dalam jangka panjang adalah model Long Short-Term Memory (LSTM), salah satu jenis dari arsitektur Recurrent Neural Network (RNN), yang mempunyai kinerja yang baik dan mempunyai model yang prediktif. Aplikasi LSTM diterapkan terhadap dataset pohon pisang yang terdampak penyakit Black Sigatoka. Hasil dari model LSTM dalam melakukan prediksi penyakit Black Sigatoka menghasilkan model dengan nilai error yang kecil, dengan nilai MAE dan MAPE masing-masing sebesar 0.084 dan 5.7%
Analisis Hubungan dan Prediksi Depresi Mahasiswa Berdasarkan Faktor Akademik dan Gender Verdiana, Miranti; Dwi Nugroho, Eko; Anggraini, Leslie; Bagaskara, Radhinka; Yulita, Winda; Afriansyah, Aidil; Habib Algifari, Muhammad
Jurnal Teknik Informatika UNIKA Santo Thomas Vol 10 No. 1 : Tahun 2025
Publisher : LPPM UNIKA Santo Thomas

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

This study aims to analyze the level of depression among university students by examining gender and several academic indicators. The dataset includes responses from 27,901 students across various regions, with variables covering age, gender, academic pressure, study satisfaction, work/study hours, CGPA, and depression status. The analytical methods applied in this study include the chi-square test to eval_uate the association between gender and depression status, point-biserial correlation to examine relationships between numeric variables and depression, and logistic regression to develop a prediction model. The chi-square test results revealed no significant relationship between gender and depression (p = 0.774), indicating that depression affects both genders. In contrast, academic pressure exhibited the strongest correlation with depression status (r = 0.47), followed by work/study hours (r = 0.209) and study satisfaction (r = -0.168). The Logistic Regression model constructed using the four most relevant variables demonstrated satisfactory performance, achieving 75.5% accuracy and 82.1% recall in identifying students experiencing depression. These findings highlight the critical role of academic-related factors—particularly academic pressure—in influencing students’ mental health. Therefore, targeted academic support strategies are essential to mitigate depression risks in higher education environments. Keywords— Student Depression, Academic Pressure, Gender, Logistic Regression, Mental Health Prediction
Penerapan Teknik Masking dan Augmentasi pada Arsitektur CNN dan MobileNetV2 untuk Klasifikasi Fase Pertumbuhan Tomat Irvai, Muhammad; Mahdalena, Desi
Jurnal Teknik Informatika UNIKA Santo Thomas Vol 10 No. 1 : Tahun 2025
Publisher : LPPM UNIKA Santo Thomas

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Tanaman tomat mengalami beberapa fase pertumbuhan yang menentukan kualitas dan hasil panen. Pengenalan fase-fase secara visual sangat penting untuk membantu petani mengambil keputusan budidaya yang tepat waktu. Penelitian ini membandingkan 2 (dua) metode deep learning yakni CNN konvensional dan MobileNetV2 berbasis Transfer Learning dalam klasifikasi dua tahap pertemuan tomat dari citra RGB. Sebelum menggunakan citra, citra dilakukan teknik masking sederhana berbasis threshold untuk menonjolkan objek utama tanaman dan meminimalkan background citra. Selanjutnya dilakukan augmentasi lanjutan guna menambah variasi data pelatihan. Data dibagi menjadi data latih dan data uji dengan rasio 80:20. Hasil pengujian menunjukkan bahwa model CNN menghasilkan akurasi 91,01 %, sedangkan MobileNetV2 memberikan akurasi lebih tinggi sebesar 93,26 %. Hasil ini menunjukkan bahwa pendekatan transfer learning mampu melakukan generalisasi pada dataset yang terbatas. Secara keseluruhan integrasi masking dan augmentasi terbukti efektif dalam meningkatkan akurasi dalam klasifikasi fase pertumbuhan tanaman tomat. Dalam hal ini berpotensi diterapkannya sistem monitoring tanaman berbasis citra untuk membantu pengembalian keputusan dalam pertanian digital.
Pengembangan e-Learning dengan Metode Flipped Classroom Berbasis Classdojo untuk Meningkatkan Kemampuan Pemahaman Siswa dalam Pembelajaran TIK Ningsih, Wirda; Ahyar, Ahyar; Agustinasari, Agustinasari
Jurnal Teknik Informatika UNIKA Santo Thomas Vol 10 No. 1 : Tahun 2025
Publisher : LPPM UNIKA Santo Thomas

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Masalah yang dihadapi dalam kegiatan belajar di SMP Negeri 8 SATAP Donggo adalah rendahnya pemahaman siswa tentang materi TIK, kurangnya partisipasi aktif siswa dalam proses belajar, serta dominasi metode ceramah yang diterapkan oleh pengajar. Penelitian ini bertujuan untuk menciptakan e-learning menggunakan ClassDojo dengan pendekatan flipped class untuk meningkatkan pemahaman siswa dalam pembelajaran TIK. Metode yang diterapkan dalam penelitian ini adalah Penelitian dan Pengembangan (R&D) yang mencakup lima tahap utama: penelitian awal, pembuatan produk awal, pengujian produk, penilaian, dan produk akhir. Alat yang digunakan adalah pre-test dan post-test untuk menilai peningkatan pemahaman siswa. Hasil penelitian menunjukkan adanya kemajuan yang signifikan pada nilai rata-rata siswa setelah penerapan e-learning berbasis ClassDojo, dimana nilai rata-rata pre-test meningkat dari 65 menjadi 84,88 pada post-test. Perhitungan N-Gain menunjukkan nilai rata-rata sebesar 0,59. Hal ini mengindikasikan bahwa metode flipped class dengan ClassDojo efektif dalam meningkatkan pemahaman siswa terhadap materi TIK.
Perancangan Monitoring Botol Infus Pasien Berbasis Arduino Uno dan Alarm Pardosi, Krisna; Sembiring Maha, Denny Hasminta
Jurnal Teknik Informatika UNIKA Santo Thomas Vol 10 No. 1 : Tahun 2025
Publisher : LPPM UNIKA Santo Thomas

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Dalam dunia kedokteran, infus merupakan salah satu alat medis yang sering dipakai untuk menyuplai cairan obat atau nutrisi langsung ke dalam tubuh pasien, baik di rumah sakit maupun klinik. Salah satu kendala yang sering muncul dalam penggunaan infus adalah pemantauan volume cairan dalam botol infus yang harus dilakukan secara rutin untuk mencegah kesalahan dalam pemberian cairan. Oleh karena itu, perlu adanya sistem yang dapat memantau infus secara otomatis, agar perawat dapat lebih berkonsentrasi pada perawatan pasien lainnya. Studi ini bertujuan untuk merancang serta mengimplementasikan sistem pemantauan botol infus pasien menggunakan Arduino Uno yang dilengkapi sensor inframerah guna mendeteksi tingkat cairan dalam botol infus secara langsung. Sistem ini dilengkapi dengan alarm yang berfungsi sebagai pemberitahuan peringatan ketika volume cairan dalam botol infus sudah mencapai batas minimum atau kosong. Sistem ini dikembangkan untuk memberikan kemudahan, harga yang terjangkau, dan keandalan dalam meningkatkan layanan perawatan pasien di rumah sakit. Desain ini memerlukan pemrograman Arduino Uno untuk mengendalikan sensor dan alarm berdasarkan informasi yang diterima dari sensor. Saat volume cairan dalam botol infus sudah habis, alarm akan berbunyi sebagai indikasi bahwa cairan infus telah habis, sehingga perawat dapat segera bertindak. Melalui sistem ini, diharapkan dapat memaksimalkan efisiensi waktu kerja perawat saat mengganti botol infus. Kata kunci :Monitoring, Botol Infus, Arduino Uno, Sensor, Alarm.
Analisis Sentimen Opini Publik terhadap Rumah Sakit Pemerintah dan Swasta di Indonesia Menggunakan Algoritma Naïve Bayes Ginting, Suranta Bill Fatric; Tarigan, Eldha Novarina; Sihaloho, Binner; Telaumbanua, Jenni
Jurnal Teknik Informatika UNIKA Santo Thomas Vol 10 No. 1 : Tahun 2025
Publisher : LPPM UNIKA Santo Thomas

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Media sosial menjadi wadah penting bagi masyarakat dalam menyuarakan opini terhadap berbagai layanan publik, termasuk pelayanan rumah sakit. Penelitian ini bertujuan untuk menganalisis sentimen opini publik terhadap rumah sakit pemerintah dan swasta di Indonesia menggunakan algoritma Naïve Bayes. Data yang digunakan berupa 2.500 opini publik yang disimulasikan dan dibagi rata antara rumah sakit pemerintah dan swasta. Setiap opini diberi label sentimen positif atau negatif. Proses pra-pemrosesan dilakukan melalui pembersihan teks, penghapusan stopword, dan vektorisasi menggunakan metode Bag of Words. Hasil analisis menunjukkan bahwa rumah sakit swasta cenderung menerima lebih banyak sentimen positif dibanding rumah sakit pemerintah. Algoritma Naïve Bayes menunjukkan akurasi klasifikasi sebesar 87 %. Penelitian ini menunjukkan bahwa analisis sentimen dapat digunakan sebagai salah satu indikator persepsi publik terhadap layanan kesehatan.
Analisis Komparatif Metode Ensemble Learning pada Prediksi Kanker Payudara Nur Cahyo IA, Nur Cahyo IA; Wibisono, Setyawan
Jurnal Teknik Informatika UNIKA Santo Thomas Vol 10 No. 1 : Tahun 2025
Publisher : LPPM UNIKA Santo Thomas

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini bertujuan untuk menganalisis dan membandingkan performa tiga metode ensemble learning, yaitu Random Forest, AdaBoost, dan XGBoost, dalam mengklasifikasikan data kanker payudara. Dataset yang digunakan adalah Wisconsin Breast Cancer (WBC) dari UCI Machine Learning Repository. Metode ensemble diterapkan karena kemampuannya dalam meningkatkan stabilitas dan akurasi prediksi dengan menggabungkan beberapa model dasar. Evaluasi dilakukan dengan menggunakan metrik akurasi, presisi, recall, F1-score, serta confusion matrix dan AUC, dengan pendekatan validasi silang 10-fold. Hasil penelitian menunjukkan bahwa AdaBoost memberikan hasil paling seimbang dengan akurasi tertinggi sebesar 96,31% dan kesalahan klasifikasi paling minimal. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan sistem deteksi dini kanker berbasis machine learning.
A Web-Based Machine Learning Approach for Standardized Precipitation Index Prediction Hadi, Ahmad Fauzi Faishal; Sinambela, Marzuki; Rachmawardani, Agustina; Trihadi, Edward
Jurnal Teknik Informatika UNIKA Santo Thomas Vol 10 No. 1 : Tahun 2025
Publisher : LPPM UNIKA Santo Thomas

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Accurate and user-friendly drought forecasting tools are crucial for mitigating the impact of meteorological droughts, particularly in vulnerable areas such as South Sumatra, Indonesia. This study introduces an interactive web-based application built to anticipate drought conditions by forecasting the Standardized Precipitation Index (SPI). The system relies on deep learning techniques trained using three decades of rainfall data collected from the Climatological Station in South Sumatra. In evaluating model performance, both Recurrent Neural Network (RNN) and Long Short-Term Memory (LSTM) architectures were assessed. While both models delivered comparable short-term predictions, the LSTM experienced a significant decline in accuracy over extended forecasting periods (specifically at SPI-6), primarily due to overfitting. In contrast, the RNN displayed more stable and reliable results, making it the preferable model for this geographical context. Specifically, the RNN achieved a lower Mean Absolute Error (MAE) of 0.4007, a reduced Root Mean Squared Error (RMSE) of 0.4684, and a higher coefficient of determination (R²) of 0.7338. These metrics outperformed those of the LSTM, which recorded a MAE of 0.4115, an RMSE of 0.4840, and an R² of 0.7036. Such results confirm that the RNN offers a more precise and dependable fit for the station’s dataset. The web platform also effectively visualizes the model outputs, providing a dynamic and interactive 24-month forecast view that supports early warning efforts and informed decision-making for regional authorities and stakeholders.

Page 29 of 29 | Total Record : 289

 25   26   27   28   29 

Filter by Year

2016 2025


Reset
Filter By Issues
All Issue Vol 10 No. 1 : Tahun 2025 Vol 9 No. 2 : Tahun 2024 Vol 9 No. 1 : Tahun 2024 Vol 8 No. 2 : Tahun 2023 Vol 8 No. 1 : Tahun 2023 Vol 7 No. 2 : Tahun 2022 Vol 7 No. 1 : Tahun 2022 Vol 6 No. 2 : Tahun 2021 Vol 6 No. 1 : Tahun 2021 Vol 5 No. 2 : Tahun 2020 Vol 5 No 1 Tahun 2020 Vol 4 No 2: Tahun 2019 Vol 4 No 1: Tahun 2019 Vol 3 No 2: Tahun 2018 Vol 3 No 1: Tahun 2018 Vol 2 No. 2 Tahun 2017 Vol 2 No. 1 Tahun 2017 Vol 1 No. 2 Tahun 2016 More Issue