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
Kota denpasar,
Bali
INDONESIA
Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI)
Published by Universitas Pendidikan Ganesha
ISSN : 20898673     EISSN : 25484265     DOI : -
Core Subject : Science, Education, Engineering,
Computer Science & IT Education Engineering
Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI) is a collection of scientific articles in the field of Informatics / ICT Education widely and the field of Information Technology, published and managed by Jurusan Pendidikan Teknik Informatika, Fakultas Teknik dan Kejuruan, Universitas Pendidikan Ganesha. JANAPATI first published in 2012 and will be published three times a year in March, July, and December. This journal is expected to bridge the gap between understanding the latest research Informatika. In addition, this journal can be a place to communicate and enhance cooperation among researchers and practitioners.
Arjuna Subject : -
Articles 7 Documents
 1 
Search results for , issue "Vol. 11 No. 1 (2022)" : 7 Documents clear
Optimasi Nilai Parameter pada Metode Brown’s Exponential Smoothing dengan Algoritma Multiple Genetik Anop Sudiatmika; Gede Indrawan; Dewa Gede Hendra Divayana
Jurnal Nasional Pendidikan Teknik Informatika : JANAPATI Vol. 11 No. 1 (2022)
Publisher : Prodi Pendidikan Teknik Informatika Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23887/janapati.v11i1.34627

Abstract

Untuk mendapatkan nilai alpha paling optimal untuk metode Brown's Double Exponential Smoothing (Brown's-DES) dapat menggunakan metode algoritma genetika. Namun, Kekurangan dari algoritma genetika yaitu memerlukan generasi yang banyak untuk menghasilkan sebuah nilai yang optimal. Perlu banyak iterasi yang harus dilakukan jika ingin mendapatkan nilai paling optimal dan presisi. Banyaknya iterasi akan berpengaruh pada kecepatan algoritma dalam menemukan nilai paling optimal. Maka dari itu, peneliti mengembangkan algoritma multiple genetik yang terinspirasi dari algoritma genetik. Algoritma yang dikembangkan mampu menemukan nilai alpha paling optimal dan lebih presisi dengan meminimalkan generasi yang diperlukan dalam algoritma. Dengan menerapkan algoritma multi genetika dua tingkat, didapatkan nilai alpha 0,74 dengan persentase MAPE 1,3224% dibandingkan dengan algoritma genetika biasa yang mendpatkan nilai alpha 0,7 dengan persentase MAPE 1,3456%. Semakin besar tingkatan algoritma multi genetika yang diterapkan, maka hasil alpha yang didapatkan akan semakin optimal dan presisi.
Pendekatan Zachman Framework untuk Perancangan Arsitektur Integrasi Data Sistem Remunerasi Luh Nitra Aryani; Gede Rasben Dantes; Kadek Yota Ernanda Aryanto
Jurnal Nasional Pendidikan Teknik Informatika : JANAPATI Vol. 11 No. 1 (2022)
Publisher : Prodi Pendidikan Teknik Informatika Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23887/janapati.v11i1.40181

Abstract

Sistem remunerasi yang dikembangkan Universitas Pendidikan Ganesha (Undiksha) ditunjang oleh beberapa sistem pendukung untuk merekap data kinerja pegawai BLU, diantaranya Sistem Pangkalan Data Dosen (PDD), Sistem Informasi Akademik (SIAk), Sistem Aplikasi Hukum dan Tata Laksana (Shakuntala), E-Kinerja, Sistem Penelitian dan Pengabdian (SILIDIA) dan Sistem Absensi Wajah Pegawai BLU (SIWALU). Kondisi saat ini data pendukung untuk sistem remunerasi diambil melalui pusat data namun ada juga yang diambil langsung dari masing-masing sistem pendukung. Hal ini menyebabkan jika terjadi perubahan data pada satu sistem, akan timbul ketidakkonsistenan dan duplikasi data, sehingga diperlukan suatu integrasi data dari sistem pendukung remunerasi. Selain itu sistem di UPT TIK belum terdokumentasi dengan baik. Agar dapat tercipta data yang akurat, tidak tumpang tindih, dan konsisten, diperlukan sistem yang terintegrasi. Dalam membangun sebuah sistem informasi yang terintegrasi, perencanaan arsitektur adalah langkah awal yang harus dilakukan. Perencanaan pengembangan sebuah sistem informasi sangat diperlukan agar sistem yang dikembangkan dapat berjalan sesuai dengan kebutuhan. Penulis menggunakan pendekatan Zachman Framework, yang merupakan salah satu metode EAP dalam perancangan sistem. Perencanaan dilakukan dengan menganalisis data dan informasi dari enam perspektif berbeda yang berhubungan dengan Sistem Remunerasi di Undiksha. Hasil dari penelitian ini adalah gambar arsitektur aplikasi, arsitektur teknologi dan rancangan integrasi data sistem penunjang remunerasi yang diterjemahkan dari hasil pemetaan matrik Zachman yang berjumlah 36 sel yang terdiri dari 6 kolom dan 6 baris.
Performance Comparison of Supervised Learning Using Non-Neural Network and Neural Network Djarot Hindarto; Handri Santoso
Jurnal Nasional Pendidikan Teknik Informatika : JANAPATI Vol. 11 No. 1 (2022)
Publisher : Prodi Pendidikan Teknik Informatika Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23887/janapati.v11i1.40768

Abstract

Currently, the development of mobile phones and mobile applications based on the Android operating system is increasing rapidly. Many new companies and startups are digitally transforming by using mobile apps to provide disruptive digital services to replace existing old-fashioned services. This transformation prompted attackers to create malicious software (malware) using sophisticated methods to target victims of Android phone users. The purpose of this study is to identify Android APK files by classifying them using Artificial Neural Network (ANN) and Non-Neural Network (NNN). ANN is a Multi-Layer Perceptron Classifier (MLPC), while NNN is a method of KNN, SVM, Decision Tree. This study aims to make a comparison between the performance of the Non-Neural Network and the Neural Network. Problems that occur when classifying using the Non-Neural Network algorithm have problems with decreasing performance, where performance is often decreased if done with a larger dataset. Answering the problem of decreasing model performance, the solution is used with the Artificial Neural Network algorithm. The Artificial Neural Network Algorithm selected is Multi_layer Perceptron Classifier (MLPC). Using the Non-Neural Network algorithm, K-Nearest Neighbor conducts training with the 600 APK dataset achieving 91.2% accuracy and training using the 14170 APK dataset decreases its accuracy to 88%. The use of the Support Vector Machine algorithm with the 600 APK dataset has 99.1% accuracy and the 14170 APK dataset has decreased accuracy to 90.5%. The use of the Decision Tree algorithm to conduct training with a dataset of 600 APKs has an accuracy of 99.2% and training with a dataset of 14170 APKs has decreased accuracy to 90.8%. Experiments using the Multi-Layer Perceptron Classifier have increased accuracy performance with the 600 APK dataset achieving 99% accuracy and training using the 14170 APK dataset increasing the accuracy reaching 100%.
Komparasi Metode Klasifikasi Batik Menggunakan Neural Network Dan K-Nearest Neighbor Berbasis Ekstraksi Fitur Tekstur Badroe Zaman
Jurnal Nasional Pendidikan Teknik Informatika : JANAPATI Vol. 11 No. 1 (2022)
Publisher : Prodi Pendidikan Teknik Informatika Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23887/janapati.v11i1.41220

Abstract

Batik tulis adalah hasil seni budaya yang memiliki keindahan visual dan mengandung makna filosofis pada setiap motifnya. Motif batik tulis berkembang sejalan dengan perkembangan jaman dan kehidupan masyarakat. Motif batik tulis memiliki bentuk yang sangat beragam dan memiliki tingkat kompleksitas yang tingi sehingga menjadi kesulitan tersendiri dalam pengelompokan kelas batik tertentu. Klasifikasi citra ke dalam kelas tertentu juga menjadi permasalahan yang pelik dalam bidang pengenalan pola. Metode machine learning dapat digunakan untuk mengenali kelas batik melalui pengenalan citra batik. Namun belum banyak penelitian terkait studi komparasi klasifikasi citra batik. Sehingga penelitian ini berfokus pada data set citra batik tulis yang menggunakan dua motif yaitu motif klasik dan motif kontemporer. Pada penelitian ini, fitur ekstraksi menjadi dasar klasifikasi dengan metode Backpropagation Neural Network dan k-Nearest Neighbor. Tujuan dari penelitian ini untuk menemukan pola baru dalam data dengan menghubungkan pola data yang sudah ada dengan data yang baru. Selanjutnya, penelitian ini melakukan perbandingan metode klasifikasi antara Backpropagation Neural Network dan k-Nearest Neighbor untuk mencari metode klasifikasi terbaik untuk klasifikasi Batik tulis Bakaran. Hasil dari studi komparasi menunjukkan bahwa metode Backpropagation Neural Network memperoleh nilai akurasi 90,11% sedangkan metode k-Nearest Neighbor mendapatkan nilai akurasi 96,00%. Sehingga dapat di simpulkan bahwa metode k-Nearest Neighbor merupakan metode terbaik untuk klasifikasi citra batik bakaran.
Perbandingan Algoritma Genetika dengan Algoritma Steepest Ascent Hill Climbing untuk Optimasi Penjadwalan Kuliah Luh Putu Sri Ardiyani
Jurnal Nasional Pendidikan Teknik Informatika : JANAPATI Vol. 11 No. 1 (2022)
Publisher : Prodi Pendidikan Teknik Informatika Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23887/janapati.v11i1.43172

Abstract

Penjadwalan mata kuliah mutlak harus ada dan sangat penting dalam suatu universitas karena sudah menjadi dasar agar agenda perkuliahan berjalan dengan lancar.Banyak kendala yang dihadapi ketika membuat penjadwalan mata kuliah seperti banyaknya jadwal mata kuliah yang harus disusun, jumlah ruangan yang terbatas, dan kesanggupan dosen untuk mengajar pada jadwal tertentu, sehingga dapat menyebabkan bentroknya jadwal mata kuliah.Dengan adanya masalah penjadwalan mata kuliah maka perlu penjadwalan secara otomatis yang menggunakan berbagai macam metode diantaranya metode algoritma genetika dan algoritma steepest ascent hill climbing. Pada penelitian ini akan dilakukan perbandingan algoritma genetika dan algoritma steepest ascent hill climbing untuk optimasi penjadwalan kuliah karena kedua algoritma ini fleksibel dan sanggat cocok digunakan untuk memecahkan masalah yang memiliki banyak solusi untuk dapat dipilih solusi yang paling baik.Tujuan dari penelitian ini adalah untuk mengetahui algoritma mana yang mempunyai kinerja komputasi (kecepatan waktu eksekusi) dan hasil yang lebih baik dalam menyelesaikan masalah penjadwalan mata kuliah. Data yang digunakan diambil dari Program Studi S1 Akuntansi Fakultas Ekonomi Universitas Ganesha pada semester gasal tahun akademik 2020/2021 karena program studiini memiliki jumlah mahasiswa yang banyak, jumlah ruangan yang terbatas serta pembuatan jadwal perkuliahan masih mengunakan cara manual dengan menggunakan micrososft excel.
Usability Testing pada Sistem Informasi Manajemen AKN Pacitan Menggunakan Metode System Usability Scale Kurnianto Tri Nugroho; Bagus Julianto; Danny Febryan Nur MS
Jurnal Nasional Pendidikan Teknik Informatika : JANAPATI Vol. 11 No. 1 (2022)
Publisher : Prodi Pendidikan Teknik Informatika Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23887/janapati.v11i1.43209

Abstract

Penerapan smart campus pada Akademi Komuntias Negeri (AKN) Pacitan, salah satunya bertujuan untuk meningkatkan pelayanan publik. Sistem informasi manajemen merupakan bagian dari smart campus yang ada pada AKN Pacitan. Untuk mengetahui kualitas layanan dari pandangan pengguna sistem informasi ini, maka dibuatlah suatu pengujian usability. Usability merupakan analisis kualitatif dalam menentukan kualitas suatu sistem informasi berdasarkan kemudahan user dalam menggunakan sistem informasi. Tujuan dari penelitian ini adalah untuk menganalisis tingkat usability pada sistem informasi manajemen AKN Pacitan. Sejauh ini terdapat beberapa metode dalam evaluasi salah satunya adalah metode System Usability Scale (SUS). Populasi penelitian ini adalah dosen, staff dan mahasiswa AKN Pacitan, menggunakan probability sampling  sebagai teknik pengambilan data. Data penelitian ini diambil dengan menggunakan kuisioner dan dianalisis menggunakan metode analisis deskriptif. Berdasarkan hasil pengujian usability, mayoritas responden menggunakan dan memanfaatkan sistem informasi ini dengan baik. Hal ini dibuktikan dengan total hasil nilai pengujian sebesar 71,48. Dari segi acceptability range sistem informasi ini masuk ke kategori acceptable, sedangkan pada grade scale berada pada posisi grade C dan pada adjective rating berada pada posisi good.  Dapat disimpulkan bahwa sistem informasi ini dapat dijadikan alat bantu perkuliahan khususnya untuk memasukan jurnal kuliah, presensi dan nilai.
Optimasi Algoritma Data Mining Menggunakan Backward Elimination untuk Klasifikasi Penyakit Diabetes Muhammad Abid Wiratama; Windha Mega Pradnya
Jurnal Nasional Pendidikan Teknik Informatika : JANAPATI Vol. 11 No. 1 (2022)
Publisher : Prodi Pendidikan Teknik Informatika Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23887/janapati.v11i1.45282

Abstract

Diabetes Mellitus (DM) adalah penyakit metabolik kronis yang ditandai  dengan peningkatan kadar gula darah, yang dengan seiring berjalannya waktu akan menyebabkan kerusakan pada organ tubuh lainnya. Menurut situs resmi Word Health Organization (WHO) sekitar 422 juta orang di seluruh dunia menderita diabetes. Di Indonesia sendiri menurut situs databox, Indonesia menempati urutan ke-5 kasus diabetes terbanyak di dunia. Keterlambatan dalam diagnosis penyakit diabetes adalah satu penyebab terjadinya lonjakan jumlah kematian maka dari itu tindakan awal yang harus dilakukan adalah deteksi dini.. Dari banyaknya kasus tersebut maka dihasilkan data pasien diabetes yang dapat diolah. Tujuan penelitian ini adalah untuk mengetahui algoritma klasifikasi terbaik dari akurasi dan nilai AUC tertinggi untuk melakukan deteksi dini penyakit diabetes. Algoritma yang akan teliti adalah algoritma KNN, Naïve Bayes, dan C4.5. Algoritma akan dilakukan optimasi menggunakan metode backward elimination. Metode penelitian penelitian ini akan diselesaikan menggunakan metode CRISP-DM. Hasil penelitian adalah model sebelum dioptimasi adalah algoritma KNN akurasi 92,8% dan auc 0,942, algoritma Naïve Bayes akurasi 88,0% dan auc 0,912, , algoritma C4.5 akurasi 96,7% dan auc 0,956, sedangkan hasil model setelah dioptimasi adalah algoritma KNN akurasi 97,6%dan auc 0,973, algoritma Naïve Bayes akurasi 89,4% dan auc 0,958, algoritma C4.5 akurasi 97,5% dan auc 0,988. Kesimpulan dari penilitian ini adalah algoritma terbaik dari akurasi adalah algoritma KNN yang sudah dioptimasi dengan akurasi 0,976 dan dari auc yang dihasilkan adalah algoritma C4.5 yang sudah dioptimasi dengan nilai auc 0,988.

Page 1 of 1 | Total Record : 7

 1 

Filter by Year

2022 2022


Reset
Filter By Issues
All Issue Vol. 14 No. 2 (2025) Vol. 14 No. 1 (2025) Vol. 13 No. 3 (2024) Vol. 13 No. 2 (2024) Vol. 13 No. 1 (2024) Vol. 12 No. 3 (2023) Vol. 12 No. 2 (2023) Vol. 12 No. 1 (2023) Vol. 11 No. 3 (2022) Vol. 11 No. 2 (2022) Vol. 11 No. 1 (2022) Vol 11, No 1 (2022) Vol. 10 No. 3 (2021) Vol 10, No 2 (2021) Vol. 10 No. 2 (2021) Vol 10, No 1 (2021) Vol. 10 No. 1 (2021) Vol 9, No 3 (2020) Vol. 9 No. 3 (2020) Vol. 9 No. 2 (2020) Vol 9, No 2 (2020) Vol. 9 No. 1 (2020) Vol 9, No 1 (2020) Vol. 8 No. 3 (2019) Vol 8, No 3 (2019) Vol. 8 No. 2 (2019) Vol 8, No 2 (2019) Vol. 8 No. 1 (2019) Vol 8, No 1 (2019) Vol 8, No 1 (2019) Vol 7, No 3 (2018) Vol. 7 No. 3 (2018) Vol 7, No 3 (2018) Vol 7, No 2 (2018) Vol. 7 No. 2 (2018) Vol. 7 No. 1 (2018) Vol 7, No 1 (2018) Vol 7, No 1 (2018) Vol 6, No 3 (2017) Vol 6, No 3 (2017) Vol. 6 No. 3 (2017) Vol 6, No 2 (2017) Vol. 6 No. 2 (2017) Vol 6, No 2 (2017) Vol. 6 No. 1 (2017) Vol 6, No 1 (2017) Vol 6, No 1 (2017) Vol 5, No 3 (2016) Vol. 5 No. 3 (2016) Vol 5, No 3 (2016) Vol. 5 No. 2 (2016) Vol 5, No 2 (2016) Vol 5, No 2 (2016) Vol 5, No 1 (2016) Vol 5, No 1 (2016) Vol. 5 No. 1 (2016) Vol 4, No 3 (2015) Vol. 4 No. 3 (2015) Vol 4, No 3 (2015) Vol 4, No 2 (2015) Vol. 4 No. 2 (2015) Vol 4, No 2 (2015) Vol 4, No 1 (2015) Vol 4, No 1 (2015) Vol. 4 No. 1 (2015) Vol 3, No 3 (2014) Vol. 3 No. 3 (2014) Vol 3, No 3 (2014) Vol 3, No 2 (2014) Vol 3, No 2 (2014) Vol. 3 No. 2 (2014) Vol 3, No 1 (2014) Vol. 3 No. 1 (2014) Vol 3, No 1 (2014) Vol 2, No 3 (2013) Vol. 2 No. 3 (2013) Vol 2, No 3 (2013) Vol. 2 No. 2 (2013) Vol 2, No 2 (2013) Vol 2, No 2 (2013) Vol 2, No 1 (2013) Vol. 2 No. 1 (2013) Vol 2, No 1 (2013) Vol 1, No 3 (2012) Vol 1, No 3 (2012) Vol. 1 No. 3 (2012) Vol. 1 No. 2 (2012) Vol 1, No 2 (2012) Vol 1, No 2 (2012) Vol 1, No 1 (2012) Vol. 1 No. 1 (2012) Vol 1, No 1 (2012) More Issue