cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Dr. Ermatita, M.Kom
Contact Email
wayan.widi@upnvj.ac.id
Phone
-
Journal Mail Official
wayan.widi@upnvj.ac.id
Editorial Address
-
Location
Kota depok,
Jawa barat
INDONESIA
Informatik : Jurnal Ilmu Komputer
Published by Universitas Pembangunan Nasional Veteran Jakarta
ISSN : 02164221     EISSN : 2655139X     DOI : -
Core Subject : Science,
Computer Science & IT
Informatik menerima artikel ilmiah dengan area penelitian pada area Internet Business & Application, Networking & Cyber Security, Statistics & Computation, Elearning & Multimedia, Robotics & Intelligene.
Arjuna Subject : -
Articles 182 Documents
 15   16   17   18   19 
Potensi Peningkatan Akurasi Algoritma melalui Kombinasi Metode Forward Chaining dan Certainty Factor Pada Sistem Pakar Diagnosis Dini Stunting di Koya Barat Pawan, Elvis; Pustap, El Shaddai Sandhy; Lumabiang, Junyor Eqwila Eglon
Informatik : Jurnal Ilmu Komputer Vol 21 No 2 (2025): Agustus 2025
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52958/iftk.v21i2.11837

Abstract

Gangguan stunting merupakan kondisi gagal tumbuh yang terjadi pada anak balita yang diakibatkan oleh kurangnya gizi kronis yang terjadi pada pada 1000 hari pertama mulai dari kandungan ibunya. Penelitian ini bertujuan mengembangkan sistem pakar guna membantu tenaga medis dan orang tua dalam mendiagnosis dini gangguan stunting pada puskesmas Koya Barat. Metode yang di implementasikan adalah forward chaining(FC) dan certainty factor(CF), terdapat 4 gangguan dari 43 gejala yang sering tampak pada anak. Gangguan yang mudah dan kenali oleh orang tua rata-rata 3 gejala. Hasil penelitian adalah sebuah aplikasi sistem pakar dengan di uji menggunakan metode confusion matriks dengan tingkat akurasi 90%, dan menyimpulkan bahwa kedua metode tersebut cocok untuk diimplementasikan pada sistem pakar.
Analisis Penerimaan Website Sistem Informasi Kalurahan Pleret Menggunakan Metode TAM Gunawan, Rizky Fadilah; Setiawan , Eko; Ratnasari, Asti; Rochmadi, Tri
Informatik : Jurnal Ilmu Komputer Vol 21 No 2 (2025): Agustus 2025
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52958/iftk.v21i2.11841

Abstract

Kalurahan Pleret mengembangkan website Sistem Informasi sebagai bagian dari implementasi Sistem Pemerintahan Berbasis Elektronik (SPBE) guna meningkatkan kualitas layanan publik. Namun, penerapannya masih menghadapi kendala seperti gangguan sistem, rendahnya literasi digital masyarakat, dan keterbatasan akses internet. Penelitian ini bertujuan untuk menganalisis tingkat penerimaan masyarakat terhadap website tersebut menggunakan metode TAM, yang terdiri dari lima variabel utama: PU, PEOU, ATUT, BITU dan ATU. Metode analisis menggunakan pendekatan kuantitatif dengan SmartPLS melalui evaluasi outer model dan inner model. Hasil penelitian menunjukkan bahwa dari tujuh hipotesis yang diajukan, enam diterima dan satu ditolak, yang mengindikasikan tingkat penerimaan masyarakat tergolong tinggi. Hal ini didukung oleh nilai R-square pada PU sebesar 67,7%, BITU 71,1%, ATUT 50,5%, dan ATU 61,9%. Oleh karena itu, disarankan agar pengelola sistem terus meningkatkan fitur, desain antarmuka, dan kenyamanan penggunaan website, serta memberikan edukasi bertahap kepada masyarakat agar mereka mampu memahami dan memanfaatkan layanan yang tersedia secara optimal.
Perancangan Model Arsitektur Untuk Mendukung Persyaratan Big Data dan Cloud Computing Pada PTNB Matondang, Nurhafifah; Theresiawati; Warsuta, Bambang
Informatik : Jurnal Ilmu Komputer Vol 21 No 2 (2025): Agustus 2025
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52958/iftk.v21i2.11925

Abstract

Perguruan tinggi negeri baru menghadapi tantangan besar dalam mengelola volume data yang terus berkembang, serta memanfaatkan teknologi cloud computing untuk meningkatkan efisiensi operasional dan akademik. Isu utama yang dihadapi termasuk keterbatasan infrastruktur TI, masalah pengelolaan data besar (big data), dan kebutuhan untuk mengintegrasikan solusi berbasis cloud yang dapat mendukung kolaborasi dan aksesibilitas data secara efisien. Penelitian ini bertujuan untuk merancang model kerangka arsitektur yang dapat mendukung pengelolaan big data dan cloud computing pada perguruan tinggi negeri baru, sehingga memudahkan pengelolaan data akademik, administratif, dan riset. Metode yang digunakan dalam penelitian ini adalah pendekatan desain sistem dengan analisis kebutuhan dan studi pustaka sebagai dasar untuk merancang arsitektur yang sesuai. Hasil penelitian menunjukkan bahwa penggabungan antara big data dan cloud computing memungkinkan perguruan tinggi untuk meningkatkan skalabilitas, efisiensi, dan keamanan data. Model arsitektur yang diusulkan terdiri dari lapisan infrastruktur cloud, platform big data, serta sistem aplikasi yang saling terintegrasi. Implikasi dari penelitian ini adalah memberikan kontribusi dalam merancang sistem yang lebih efisien dan dapat diandalkan bagi perguruan tinggi negeri baru dalam mengelola data secara lebih baik. Selain itu, penelitian ini dapat menjadi referensi bagi implementasi solusi cloud computing di lembaga pendidikan tinggi.
Deep Learning dengan ResNet50 untuk Sistem Rekomendasi Fashion Berbasis Citra Rahmawati, Dewi; Setiawan, Kanaya Salsabila; Reynaldy, Muhammad Fahreza; Ramadhan, Rangga
Informatik : Jurnal Ilmu Komputer Vol 21 No 2 (2025): Agustus 2025
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52958/iftk.v21i2.11967

Abstract

Perkembangan industri fashion yang pesat menuntut sistem rekomendasi yang tidak hanya akurat, tetapi juga mampu memahami preferensi visual pengguna. Sistem rekomendasi berbasis teks seringkali menghadapi keterbatasan dalam menangkap konteks visual yang kompleks, sehingga pendekatan berbasis citra menjadi solusi yang lebih relevan. Penelitian ini bertujuan untuk membangun sistem Smart Recommendation Search Engine berbasis visual dengan memanfaatkan model Convolutional Neural Network (CNN) ResNet50 sebagai feature extractor dan dataset DeepFashion. ResNet50 digunakan untuk mengekstraksi vektor fitur dari gambar produk fashion, yang kemudian dimanfaatkan dalam pencarian gambar serupa menggunakan algoritma K-Nearest Neighbors (KNN). Proses penelitian mencakup pra-pemrosesan data, ekstraksi fitur visual, pencarian kemiripan berbasis metrik kemiripan kosinus (cosine similarity), serta evaluasi sistem menggunakan metrik precision dan recall pada top-K results (hasil teratas). Hasil pengujian menunjukkan bahwa metrik cosine similarity memberikan performa terbaik dalam menemukan gambar dengan kemiripan visual tinggi, dengan nilai precision pada satu hasil teratas (precision at top-1) sebesar 0,230. Sistem yang dikembangkan berhasil mengidentifikasi produk fashion serupa secara visual dan mendukung pengalaman belanja yang lebih personal. Temuan ini menegaskan potensi pendekatan berbasis visual dalam meningkatkan akurasi sistem rekomendasi serta mendukung gaya hidup berkelanjutan.
Analisis Sentimen Terhadap Aplikasi Mitra Darat Menggunakan Algoritma Naive Bayes Classifier dan K-Nearest Neighbor Wijaya, Ananda; Rivaldo, Mario; Pribadi, Muhammad Rizky
Informatik : Jurnal Ilmu Komputer Vol 20 No 3 (2024): Desember 2024
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52958/iftk.v20i3.7967

Abstract

Industri transportasi sekarang menjadi elemen penting seiring dengan berkembangnya jaman terutama untuk generasi muda sekarang. Mitra Darat sendiri juga salah satu dari industri tersebut. Aplikasi yang memungkinkan untuk pengguna dengan mudah mengetahui jadwal keberangkatan bus yang akan mereka tumpangi dimana pun dan kapan pun di perangkat seluler mereka. Ulasan pasti diberikan untuk setiap aplikasi yang tersedia baik positif dan negatif. Dengan ini, kami mencoba melakukan penelitian analisis sentimen untuk aplikasi Mitra Darat melalui ulasan komentar dari google play store agar kami dapat mengidentifikasi sentimen yang terkait dengan penggunaan aplikasi Mitra Darat, serta memberikan wawasan beharga kepada penyedia layanan transportasi darat untuk memahami pandangan pengguna dan meningkatkan pelayanan pengguna dari hasil analisis sentimen kami. Algoritma yang digunakan kami ialah KNN dan NBC. Kedua algoritma ini sudah umum digunakan oleh banyak orang karena keahlian dalam mengklasifikasi data analisis sentimen dan juga popular di kalangan peneliti. Bedasarkan hasil pengujian kami bisa disimpulkan untuk model analisis sentimen kami yang dirancang menggunakan algoritma NB menampilkan performa akurasi lebih tinggi dibandingkan KNN. Akurasi model NB mencapai 99,28%, sedangkan KNN mendapatkan akurasi sebesar 80%. Ini menunjukkan bahwa algoritma naïve bayes lebih cocok digunakan untuk mendapatkan keakuratan yang maksimal dibandingkan menggunakan k-nearest neighbor.
Analisis Forensik Dengan Menerapkan Metadata Dan Hash Studi Kasus Pada Rekaman Video Anjelina, Redina; P, Noviyanti
Informatik : Jurnal Ilmu Komputer Vol 20 No 3 (2024): Desember 2024
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52958/iftk.v20i3.8770

Abstract

Penerapan metadata dan hash dalam analisis forensik sangat diperlukan dalam menentukan keaslian dari file rekaman video. Metadata merupakan hasil dari suatu informasi yang menyimpan suatu data terkait dengan informasi dari data yang di analisis yaitu dengan melakukan identifikasi dengan membedakan dari video yang dianalisis sedangkan Hash merupakan salah satu ilmu yang digunakan dalam mengubah informasi, jadi data yang diinput nantinya akan berubah menjadi kombinasi antara angka, huruf atau ada karakter lain yang juga terenkripsi dari sebuah file. Tools yang digunakan untuk menganalisis dan menentukan keaslian file yaitu tools forevid. Tools forevid dapat digunakan dalam menentukan keaslian file hash dan metadata dari video, dalam penggunaan tools forevid ini memperlihatkan dua file rekaman video asli dan video editan untuk dianalisis setelah itu akan dilakukan perbandingan yang bertujuan untuk mengetahui apakah file rekaman video tersebut asli atau hasil editan. Dari hasil yang didapat, tools forevid ini sangat efektif digunakan dalam mengidentifikasi file-file yang diperlukan dalam proses analisis kasus yang terjadi.
Analisis Prediksi Harga Rumah Sesuai Spesifikasi Menggunakan Metode Regresi Linear Berganda Berbasis Shiny R Riyandi, Renaldi; Roy Hakiki, Rolland; Dealmus; Reins Dima, Yansensius Oktavianus; P, Noviyanti
Informatik : Jurnal Ilmu Komputer Vol 21 No 1 (2025): April 2025
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52958/iftk.v21i1.10563

Abstract

Harga rumah dipengaruhi oleh berbagai faktor, seperti jumlah tempat tidur, ukuran rumah, dan kamar mandi. Penelitian ini bertujuan untuk menganalisis pengaruh faktor-faktor tersebut terhadap harga rumah menggunakan metode Regresi Linear Berganda. Permasalahan yang diangkat adalah bagaimana faktor jumlah tempat tidur dan ukuran rumah mempengaruhi harga rumah. Data diperoleh 505 data dari dataset Kaggle, dengan 271 data yang relevan. Penelitian ini mengembangkan model prediksi berbasis Regresi Linear Berganda dengan evaluasi akurasi model serta aplikasi berbasis Shiny R untuk analisis interaktif. Hasil penelitian menunjukkan bahwa faktor jumlah tempat tidur dan ukuran rumah berpengaruh signifikan terhadap harga rumah, dengan nilai koefisien regresi B0 (5.33157), B1 (-0.02481), dan B2 (0.22060), konsisten pada perhitungan manual, RStudio, dan Shiny R. Studi ini menyadari adanya keterbatasan seperti asumsi linearitas dan variabel eksternal yang tidak dimasukkan. Penelitian ini merekomendasikan pengembangan model lebih lanjut dengan menambahkan variabel tambahan seperti lokasi dan usia bangunan, serta penggunaan metode yang lebih kompleks untuk meningkatkan akurasi. Temuan ini diharapkan dapat membantu pembeli dan penjual dalam pengambilan keputusan properti serta berkontribusi pada literatur ilmiah di bidang analisis harga property.
Model Deep Learning YOLOv5 untuk Identifikasi Cuaca: Cloudy, Rain, Shine, dan Sunrise Kalambia, Audia Endondaya; Kevin, Geraldy; Saputro, Pujo Hari
Informatik : Jurnal Ilmu Komputer Vol 20 No 3 (2024): Desember 2024
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52958/iftk.v20i3.11089

Abstract

Penelitian ini bertujuan untuk mengembangkan model klasifikasi citra cuaca secara otomatis menggunakan arsitektur YOLOv5, khususnya varian ringan YOLOv5n (nano), untuk mengenali empat kelas cuaca: Cloudy, Rain, Shine, dan Sunrise. Dataset yang digunakan terdiri dari kurang lebih 800 gambar yang dikumpulkan secara manual dari sumber daring dan telah dianotasi serta diklasifikasikan ke dalam format YOLO (YOLOv5). Gambar diproses ke resolusi seragam 640×640 piksel sebelum pelatihan model selama 200 epoch dengan batch size 128 menggunakan PyTorch di lingkungan berbasis GPU. Evaluasi model menunjukkan performa tinggi dengan precision rata-rata sebesar 97,2%, recall sebesar 97,5%, serta mAP@0.5 mencapai 99,3%, yang mencerminkan akurasi sangat baik dalam mendeteksi objek dan klasifikasi cuaca. Hasil ini menunjukkan bahwa YOLOv5 efektif untuk tugas klasifikasi multi-kelas pada citra cuaca dan dapat diimplementasikan untuk sistem berbasis visi komputer real-time seperti kendaraan otonom atau sistem pemantauan lalu lintas. Temuan ini juga memperkuat efektivitas transfer learning dari model pralatih YOLOv5 dalam mempercepat konvergensi dan meningkatkan performa model dengan dataset yang relatif kecil.
Komparasi Algoritma Support Vector Machine (SVM) dan Convolutional Neural Network (CNN) untuk Klasifikasi Ekspresi Wajah Faizah, Arbiati; Imron, Syaiful; Rewur, Afny; Makasunggal, Juan Natanel; Hari Saputro, pujo
Informatik : Jurnal Ilmu Komputer Vol 21 No 1 (2025): April 2025
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52958/iftk.v21i1.11091

Abstract

Ekspresi wajah merupakan komponen penting dalam komunikasi nonverbal, karena mampu menyampaikan emosi tanpa perlu berkata-kata. Berbagai studi menyebutkan bahwa lebih dari 55% informasi emosional dalam komunikasi manusia disampaikan melalui ekspresi wajah. Dalam bidang pengolahan citra digital, klasifikasi ekspresi wajah menjadi salah satu tantangan yang banyak dikaji. Penelitian ini bertujuan untuk membandingkan performa algoritma Support Vector Machine (SVM) dan Convolutional Neural Network (CNN) dalam mengklasifikasikan empat ekspresi wajah: happy, sad, neutral, suprise. Data yang digunakan berasal dari dataset FER-2013 dengan 4000 gambar per kelas. Setiap citra melalui tahap preprocessing berupa konversi grayscale, normalisasi piksel, dan augmentasi data. Model Support Vector Machine (SVM) menghasilkan akurasi pelatihan sebesar 99,70%, namun akurasi validasinya hanya 41,47%, menandakan terjadinya overfitting. Sebaliknya, Convolutional Neural Network (CNN) memberikan hasil yang lebih stabil dengan akurasi pelatihan sebesar 85,08% dan akurasi validasi tertinggi mencapai 55,03%. Convolutional Neural Network (CNN) juga menunjukkan performa tertinggi dalam mengenali ekspresi suprise dengan akurasi 69%. Hasil penelitian ini menunjukkan bahwa Convolutional Neural Network (CNN) lebih unggul dalam mengenali pola visual kompleks dibandingkan Support Vector Machine (SVM). Dengan demikian, penelitian ini memberikan kontribusi dalam pemilihan metode klasifikasi citra wajah yang optimal dan relevan untuk implementasi sistem pengenalan ekspresi secara otomatis.
Klasifikasi Jenis Tumor Otak Melalui Citra MRI dengan Menggunakan Convolutional Neural Network Listianing Tyas, Dyah; Rocky Rumambi, Frendy; Patanduk, Arpen; Christopel Johanes Mailangkay, Roynaldo
Informatik : Jurnal Ilmu Komputer Vol 21 No 1 (2025): April 2025
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52958/iftk.v21i1.11095

Abstract

Pendeteksian tumor otak pada citra MRI menggunakan metode Convolutional Neural Network (CNN) semakin berkembang dalam diagnosis medis berbasis pencitraan. CNN memungkinkan identifikasi tumor seperti glioma, meningioma, dan tumor pituitari dengan akurasi tinggi melalui ekstraksi fitur otomatis dari citra MRI. Penelitian ini bertujuan untuk mengevaluasi efektivitas CNN dalam segmentasi dan klasifikasi tumor otak, serta meningkatkan efisiensi dan akurasi deteksi. Metode yang digunakan mencakup pengumpulan data MRI, preprocessing citra, augmentasi data, serta penerapan transfer learning untuk mengatasi tantangan keterbatasan data dan overfitting. Hasil penelitian menunjukkan model CNN mampu mencapai akurasi 96,57% pada data uji dengan precision = 96,70%, recall = 96,59%, dan F1-score = 96,60% yang sangat tinggi untuk semua kelas. Meskipun demikian, tantangan terkait komputasi tinggi dan variasi citra MRI masih perlu diatasi. Penelitian ini menegaskan pentingnya penggunaan dataset besar dan beragam untuk meningkatkan performa model dalam aplikasi klinis deteksi tumor otak.

Page 18 of 19 | Total Record : 182

 15   16   17   18   19 

Filter by Year

2018 2025


Reset
Filter By Issues
All Issue Vol 21 No 2 (2025): Agustus 2025 Vol 21 No 1 (2025): April 2025 Vol 20 No 3 (2024): Desember 2024 Vol 20 No 2 (2024): Agustus 2024 Vol 20 No 1 (2024): April 2024 Vol 19 No 3 (2023): Desember 2023 Vol 19 No 2 (2023): Agustus 2023 Vol 19 No 1 (2023): April 2023 Vol 18 No 3 (2022): Desember 2022 Vol 18 No 2 (2022): Agustus 2022 Vol 18 No 1 (2022): April 2022 Vol 17 No 3 (2021): Desember 2021 Vol 17 No 2 (2021): Agustus 2021 Vol 17 No 1 (2021): April 2021 Vol 16 No 3 (2020): Desember 2020 Vol 16 No 2 (2020): Agustus 2020 Vol 16 No 1 (2020): April 2020 Vol 15 No 3 (2019): Desember 2019 Vol 15, No 3 (2019): Desember 2019 Vol 15 No 2 (2019): Agustus 2019 Vol 15 No 1 (2019): April 2019 Vol 15, No 1 (2019): April 2019 Vol 14 No 3 (2018): Desember 2018 Vol 14 No 2 (2018): Agustus 2018 Vol 14 No 1 (2018): April 2018 Vol 1, No 1 (2018): Informatik More Issue