Garuda - Garba Rujukan Digital

Ektraksi Fitur menggunakan Regular Expression pada NaÃ¯ve Bayes Classifier untuk Analisis Sentimen GUFRONI, ACEP IRHAM; YULIYANTI, SITI; DEWI, EUIS NUR FITRIANI
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 8, No 2 (2023): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v8i2.230-241

AbstrakRegular expression atau regex merupakan metode ekstraksi fitur yang menemukan substring pada sebuah teks yang cocok dengan harapan dapat meningkatkan kompleksitas waktu atau akurasi dengan melakukan preprocessing teks. Permasalahan praproses teks salah satunya kurang memperhatikan ektraksi fitur untuk proses klasifikasi sentiment, sehingga akurasi yang diperoleh kurang optiomal. Inovasi utama dari pendekatan penelitian ini yaitu mengembangkan pengklasifikasi teks berbasis ekspresi reguler sehingga menghasilkan performance kinerja algoritma yang baik. Tahapan penelitian ini, yaitu pengumpulan dataset lalu mengklasifikasikan sentiment dengan NaÃ¯ve Bayes dan dalam praproses teks dilakukan ektraksi fiitur regular expression. Hasil rata-rata akurasi yang dihasilkan dengan ekstraksi ciri sebesar 88,05% dan yang tidak menggunakan 79,26% sehingga dapat disimpulkan bahwa penggunaan ekstraksi fitur pada praproses dapat meningkatkan akurasi sebesar 8,08% dari 1000 data latih dan 400 data uji.Â Kata kunci: ekstraksi fitur, regex, regular expression, substringAbstractRegular expression or regex is a feature extraction method that finds matching substrings in a text in hopes of increasing time complexity or accuracy by preprocessing the text. One of the problems with text preprocessing is the lack of attention to feature extraction for the sentiment classification process, so the accuracy obtained is not optimal. This research stage begins with collecting a dataset and then classifying sentiment using NaÃ¯ve Bayes, which pre-processes the text by extracting features with regular expressions. The main innovation of this research approach is to develop a text classifier based on regular expressions so as to produce good algorithm performance. The average accuracy produced by feature extraction is 88.05% and 79.26% is not used, so it can be concluded that the use of feature extraction in pre-processing can increase accuracy by 8.08% from 1000 training data and 400 test data.Keywords: Â extraction feature, regex, regular expression, substring

Prakiraan Hujan menggunakan Metode Random Forest dan Cross Validation RAKHMAT, GALIH ASHARI; MUTOHAR, WISNU
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 8, No 2 (2023): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v8i2.173-187

AbstrakCuaca hujan adalah salah satu unsur iklim yang tinggiÂ keragamannya, membuat pola sebaran hujan disetiap daerah cenderung tidak menentu. Akibatnya informasi akan kondisi cuaca hujan yang diberikan tidak tepat, maka perlu dilakukanÂ prakiraan hujan yang akurat untuk dapat mengantisipasi kondisi cuaca hujan yang tidak menentu. Dengan menggunakan data historis cuaca, serta penggunaan model machine learning dapat diterapkan untuk analisis permasalahan prakiraan hujan. Menggunakan metode random forest dengan komponen hyperparamter e_estimator dan max_depth serta teknik cross validation untuk menghasilkan kinerja model yang optimal. Lalu mengevaluasi kinerja model menggunakan matriks MSE, RMSE dan MAE. Data cuaca BMKG digunakan rentang tahun 2015-2021 dengan jumlah 2557 data yang dimana dibagi menjadi 80% data latih dan 20% data uji. Hasil pengujianÂ model random forest dengan nilai n_estimator : 100, max_depth : None, dan cross validation : 3 menghasilkan kinerja paling optimal. DenganÂ menghasilkan matriks evaluasi nilaiÂ MSE : 0,086,Â RMSE : 0,290 dan MAE : 0,186. Serta dalam pengujian aplikasi penentuan kondisi hujan dari 30 kasus data menghasilkan persentase 60%.Kata kunci: Prakiraan Hujan, Machine Learning, Random Forest, Cross ValidationRainy weather is one of the climate elements that has high diversity, making the pattern of distribution of rain in each area tends to be erratic. As a result, the information on rainy weather conditions provided is not correct, it is necessary to make accurate rain forecasts to be able to anticipate erratic rainy weather conditions. Using historical weather data, as well as the use of machine learning models can be applied to analyze rain forecasting problems. Using the random forest method with hyperparameter components e_estimator and max_depth and cross-validation techniques to produce optimal model performance. Then evaluate the performance of the model using the MSE, RMSE, and MAE matrices. BMKG weather data is used for the 2015-2021 range with a total of 2557 data which is divided into 80% training data and 20% test data. The results of testing the random forest model with a value of n_estimator: 100, max_depth: None, and cross-validation : 3 produce the most optimal performance. By producing an evaluation matrix of MSE values: 0.086, RMSE: 0.290, and MAE: 0.186. As well as in testing the application to determine rain conditions from 30 cases of data, it produced a percentage of 60%.Keywords: Rain Forecasting, Machine Learning, Random Forest, Cross Validation

Evaluasi Algoritma Pembelajaran Terbimbing terhadap Dataset Penyakit Jantung yang telah Dilakukan Oversampling MASRURIYAH, ANIS FITRI NUR; NOVITA, HILDA YULIA; SUKMAWATI, CICI EMILIA; ARIF, SITI NOVIANTI NURAINI; RAMADHAN, ANGGA RAMDA
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 8, No 2 (2023): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v8i2.242-253

AbstrakPenyakit jantung mengalami peningkatan setiap tahunnya dan menjadi penyebab kematian tertinggi di Indonesia, terutama pada usia produktif. Pola makan yang tidak seimbang dan gaya hidup tidak sehat menjadi faktor penyebab prevalensi penyakit jantung yang tinggi. Bidang ilmu kedokteran mulai beradaptasi dan mengandalkan model prediksi otomatis berbasis komputer untuk diagnosis secara tepat dan akurat. Data tentang penyakit jantung seringkali memiliki ketidakseimbangan, yaitu jumlah data pada kelas minoritas lebih kecil daripada kelas mayoritas. Oleh karena itu, teknik oversampling seperti SMOTE dan ADASYN digunakan untuk menangani masalah ini. Hasil dari penelitian ini Algoritma Random Forest Classifier menjadi model perbandingan terbaik dengan akurasi sekitar 90,71%. Penerapan teknik oversampling SMOTE + Random Forest, akurasi dapat meningkat hingga sekitar 94,54% dengan kurva ROC sebesar 98,4%. Model diagnosa yang akurat dapat menjadi media bagi tenaga medis untuk mengambil langkah pencegahan yang tepat dan meningkatkan kualitas perawatan pasien.Kata kunci: ADASYN, Klasifikasi, Pohon Keputusan, Regresi, SMOTEAbstractHeart disease is rapidly increasing in Indonesia and has become the primary cause of death, particularly among those in their productive years. The prevalence of heart disease is due to unhealthy lifestyle choices and an imbalanced diet. The medical field is relying more heavily on computer-based automatic prediction models to ensure precise and accurate diagnoses. However, data on heart disease is frequently imbalanced, with fewer cases in the minority class. To resolve this issue, oversampling techniques such as SMOTE and ADASYN have been implemented. The study demonstrates that the Random Forest Classifier Algorithm is the most effective comparison model, with an accuracy rate of approximately 90.71%. By implementing the SMOTE + Random Forest oversampling technique, the accuracy rate increased to around 94.54%, with a ROC curve of 98.4%. A highly accurate diagnostic model is essential for enabling medical personnel to take appropriate preventive measures and enhance the quality of patient care.Keywords: ADASYN, Classification, Decision Tree, Regresi, SMOTE

Perbandingan Metode ARIMA dan LSTM pada Prediksi Jumlah Pengunjung Perpustakaan UMAM, KHOTIBUL; ARDIANSYAH, ARDIANSYAH
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 8, No 2 (2023): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v8i2.119-129

ABSTRAKPeningkatan jumlah mahasiswa di IAIN Madura memberikan dampak yang besar terhadap jumlah pengunjung perpustakaan. Setiap peningkatan jumlah pengunjung harus diimbangi dengan pelayanan yang baik kepada. Maka perlu adanya suatu sistem prediksi jumlah pengunjung perpustakaan di masa yang akan datang sebagai penunjang dalam perencanaan dan pengembangan perpustakaan terutama dalam hal ketersediaan prasarana. Penelitian ini mengulas tentang prediksi jumlah pengunjung perpustakaan di masa yang akan datang dengan melakukan prediksi terhadap pengunjung di masa depan dengan metode ARIMA dan LSTM. Tujuan penelitian ini untuk memprediksi jumlah pengunjung yang akan berkunjung. Dataset yang digunakan adalah data pengunjung perpustakaan IAIN Madura dari bulan Januari 2018 sampai Desember 2022. Penelitian ini menghasilkan nilai RMSE metode ARIMA sebesar 26.17 sedangkan metode LSTM sebesar 35.59. Sedangkan untuk nilai MAPE metode ARIMA sebesar 22% dan model LSTM sebesar 25% dan dapat disimpulkan penggunaan metode ARIMA lebih baik dibandingkan dengan LSTM untuk data kasus dan pola pada penelitian ini.Kata kunci: Arima, Long Short Term Memory, Prediksi, Pengunjung, RMSEABSTRACTThe increase in the number of students at IAIN Madura has a big impact on the number of library visitors. Any increase in the number of visitors must be balanced with good service too. So it is necessary to have a prediction system for the number of library visitors in the future as a support in planning and developing the library, especially in terms of infrastructure availability. This research reviews the prediction of the number of library visitors in the future by predicting future visitors with the ARIMA and LSTM methods. The purpose of this research is to predict the number of visitors who will visit. The dataset used is IAIN Madura library visitor data from January 2018 to December 2022. This research produces an RMSE value of the ARIMA method of 26.17 while the LSTM method is 35.59. As for the MAPE value of the ARIMA method of 22% and the LSTM model of 25%, it can be concluded that the use of the ARIMA method is better than LSTM for case data and patterns in this study.Keywords: Arima, Long Short Term Memory, Prediction, Visitors, RMSE

Penambahan Parameter PM2.5 dalam Prediksi Kualitas Udara : Long Short Term Memory KRISTIANA, LISA; MIYANTO, DIAN
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 8, No 2 (2023): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v8i2.188-202

AbstrakKualitas udara yang buruk menjadi masalah serius yang mempengaruhi kesehatan manusia dan lingkungan. Penyebabnya bervariasi, termasuk polusi udara, emisi industri, dan aktivitas manusia. Masalah yang dibahas adalah bagaimana menggunakan metode Long Short-Term Memory untuk memprediksi kualitas udara. Data kualitas udara yang mencakup parameter yang digunakan yaitu Partikel Kasar (PM10), Sulfur dioksida (SO), Karbon monoksida (CO), Ozon (O3) Nitrogen dioksida (NO2) serta penambahan Partikel Halus (PM2.5) yang belum terdapat pada penelitian sebelumnya. Penggunaan metode LSTM jenis khusus dari model Recurrent Neural Network (RNN), yang dirancang untuk mengatasi masalah "vanishing gradient" yang sering muncul dalam pelatihan RNN tradisional. Salah satu keunggulan LSTM adalah kemampuannya untuk menangkap dependensi jarak jauh dalam data berurutan, yang berarti dapat "mengingat" informasi dalam jangka waktu yang lama. Dengan melakukan evaluasi data pengujian menggunakan metrik evaluasi Root Mean Squared Error dengan hasil 4.0279.Kata kunci: LSTM, RNN, Kualitas Udara, Prediksi, PM2.5AbstractPoor air quality is a serious problem affecting human health and the environment. The causes are varied, including air pollution, industrial emissions, and human activities. The problem discussed is how to use the Long Short-Term Memory method to predict air quality. Air quality data which includes the parameters used are Coarse Particles (PM10), Sulfur dioxide (SO), Carbon monoxide (CO), Ozone (O3) Nitrogen dioxide (NO2) and the addition of Fine Particles (PM2.5) which have not been found in research previously. The use of the LSTM method is a special type of Recurrent Neural Network (RNN) model, which is designed to overcome the "vanishing gradient" problem that often arises in traditional RNN training. One advantage of LSTM is its ability to capture remote dependencies in sequential data, meaning it can "remember" information over long periods of time. By evaluating the test data using the evaluation metric Root Mean Squared Error with a result of 4.0279.Keyword: LSTM, RNN, Air Quality, Prediction, PM2.5

Deteksi Seksisme Online menggunakan Support Vector Machine dan NaÃ¯ve Bayes SHABIRA, DIYANK; MADENDA, SARIFUDDIN; SIAGIAN, AL HAFIZ AKBAR MAULANA; RIYANTO, SLAMET
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 8, No 2 (2023): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v8i2.254-266

AbstrakSeksisme online menjadi topik penting di media sosial yang mempengaruhi perkembangan internet, menimbulkan efek negatif dan menjadi ancaman serius bagi wanita yang menjadi target. Penelitian ini menggunakan machine learning untuk mendeteksi seksisme pada kalimat bahasa Inggris. Algoritma yang digunakan adalah Support Vector Machine dan Naive Bayes. Grid search diterapkan pada model untuk mencari kombinasi hyperparameter terbaik sehingga menghasilkan skor terbaik. Pelatihan dibagi menjadi dua tugas, yaitu (1) pelatihan model menggunakan data tanpa penanganan imbalanced dan (2) pelatihan model menggunakan data yang telah dilakukan SMOTE. Hasil dari pelatihan model menunjukkan model SVM+SMOTE menghasilkan rata-rata skor F1 terbaik paling tinggi yaitu sebesar 0,96. Pengujian menggunakan data uji menunjukkan model SVM+SMOTE menghasilkan skor F1 tertinggi, yaitu sebesar 0,90 dengan 1467 kalimat diklasifikasikan benar 'not sexistâ€™, 47 kalimat â€˜not sexistâ€™ diklasifikasikan sebagai â€˜sexistâ€™, 189 kalimat â€˜sexistâ€™ diklasifikasikan benar dan 297 kalimat â€˜sexistâ€™ diklasifikasikan sebagai â€˜not sexistâ€™.Kata kunci: Seksisme, Deteksi, SVM, Naive Bayes, SMOTEAbstractOnline sexism has become a significant issue on social media, impacting internet progress and posing a serious threat to targeted women. This research uses machine learning to detect sexism in English sentences. The algorithms used are Support Vector Machine and Naive Bayes. Grid search is applied in the model to find the best combination of hyperparameters to produce the best score. The training is divided into two tasks: (1) training the model using unhandle the imbalanced data and (2) training the model using data with SMOTE. The training results show that the SVM+SMOTE model produces the highest average best F1 score is 0.96. The testing results show that the SVM+SMOTE model produces the highest F1 score is 0.90 with 1467 sentences correctly classified as 'not sexist', 47 'not sexist' sentences classified as 'sexist', 189 sentences classified as 'sexist' correctly and 297 'sexist' sentences were classified as 'not sexist'.Keywords: Sexism, Detection, SVM, Naive Bayes, SMOTE

Penggunaan Metode Design Thinking dalam Perancangan UI/UX Mobile Aplikasi Prevent (Studi Kasus: Studi Independen Alterra) SIAM, ASHZA NUR; FAUZI, AHMAD
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 8, No 2 (2023): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v8i2.130-141

AbstrakProses pembuatan desain aplikasi membutuhkan pemikiran yang kritis. Hal tersebut beriringan dengan munculnya teknologi untuk memudahkan manusia, contohnya pada kesehatan mental. Proses penciptaan inovasi baru untuk dapat memecahkan masalah dalam produk aplikasi baru pada penelitian ini menggunakan metode Design Thinking. Design thinking ialah teknik yang berfokus mencari solusi dalam menyelesaikan masalah. Hasil wawancara tahap empathize diperoleh 35 orang dengan kegiatan yang monoton dan sering mengalami overthinking. Untuk mengatasinya, diadakan pengembangan aplikasi dalam memecahkan masalah kesehatan mental, yaitu prevent. Aplikasi ini dapat digunakan untuk berkonsultasi masalah mental pada ahlinya, yaitu psikolog, sehingga masyarakat lebih peduli akan kesehatan mental. Kemudian, tahapan pengujian dengan moderated usability testing mendapatkan SEQ 5 dan 6 yang berarti dapat mengatasi masalah yang terjadi dan bersifat user friendly.Kata kunci: Teknologi, Kesehatan Mental, PreventAbstractThe process of designing applications requires critical thinking. They are coupled with the advent of technology to make it easier for humans, such as mental health. The process of creating new innovations to solve the problem in the new applications of this research employs a method of design thinking. Design thinking is a technique focused on finding solutions to problem solving. The emphatize stage interview results from 35 with monotonous activity and frequent overthinking. To counteract this, there is the development of applications in solving mental health problems, which are autism. This app may be used to consult mental problems in professionals, psychologists, and society's interest in mental health. Then, the testing stages with moderated usability testing get seq 5 and 6 which means that we can overcome the problem of being user friendly.Keywords: technology, mental health, prevent

Kinerja Model EfficientNetV2M dalam Klasifikasi Citra Tutupan dan Penggunaan Lahan ICHWAN, MUHAMMAD; HADI, IHSAN SAIFUL
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 8, No 2 (2023): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v8i2.203-216

AbstrakTutupan lahan merujuk pada unsur-unsur fisik yang terlihat di permukaan bumi, termasuk berbagai material seperti rumput, aspal, pepohonan, tanah terbuka, air, dan material fisik lainnya. Penggunaan lahan mengacu pada bagaimana manusia memanfaatkan lahan, baik di wilayah perkotaan maupun pedesaan. Klasifikasi menggunakan deep learning merupakan metode yang akurat dan bertujuan untuk membantu mendapatkan informasi mengenai tutupan lahan di suatu wilayah. Pada penelitian ini digunakan metode EfficientNetV2M yang merupakan versi terbaru dari pendahulunya yaitu EfficientNet, yang mana metode EfficientNetv2M diharapkan mampu melakukan tugasnya untuk klasifikasi citra satelit tutupan lahan. Beberapa hyperparameter yang digunakan untuk membantu EfficientNetV2M dalam mencapai kinerja yang optimal ini adalah activation function ReLU dan GELU. Hasil klasifikasi tertinggi yang dapat dicapai oleh EfficientNetV2M ini adalah 97% dengan menggunakan ReLU Activation Function dan Optimizer Adamax.Kata kunci: Deep Learning, EfficientNetV2M, tutupan lahan, hyperparameter, activation function.AbstractLand cover refers to the physical elements visible on the Earth's surface, including materials such as grass, asphalt, trees, bare soil, water, and other physical materials. Land use refers to how humans utilize land, both in urban and rural areas. Classification using deep learning is an accurate method and aims to help obtain information about land cover in an area. In this study, the EfficientNetV2M method was used which is the latest version of its predecessor, namely EfficientNet, which method is expected to be able to carry out operations for land cover satellite image classificationSome of the hyperparameters used to help EfficientNetV2M achieve optimal performance are the ReLU and GELU activation functions. The highest classification result that can be achieved by EfficientNetV2M is 97% by using ReLU Activation Function and Optimizer Adamax.Keywords: Deep Learning, EfficientNetV2M, land cover, hyperparameter, activation function.

Implementasi Convolutional Recurrent Neural Network untuk Identifikasi Plat Nomor Mobil pada Sistem Parkir Otomatis SUGENG, WINARNO; PUTRI, THETA DINNARWATY; HUSAINI, FAKHRUDIN RIZKY
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 8, No 2 (2023): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v8i2.142-157

AbstrakBeberapa tempat di kota Bandung telah menggunakan sistem otomatis dalam proses pelayanan sistem parkir mobil, namun sistem parkir tersebut masih menggunakan tiket parkir yang digunakan sebagai tanda kendaraan memasuki area parkir. Banyak orang yang mengalami kehilangan tiket parkir, sehingga perlu ada penanganan terhadap masalah tersebut. Dengan adanya masalah tersebut, teknologi Optical Character Recognition (OCR) dapat digunakan sebagai pembaharuan untuk mengenali karakter pada plat nomor mobil sehingga tiket parkir tidak diperlukan lagi. Metode yang digunakan sebagai deteksi teks yaitu Character Region Awareness for Text detection (CRAFT) dan metode untuk pengenalan teks yaitu Convolutional Recurrent Neural Network (CRNN). Hasil training model dengan dataset synthetic yang dibuat dari python library telah menghasilkan model terbaik yang memiliki akurasi sebesar 85,73% terhadap 1500 citra uji synthetic dan akurasi sebesar 77,5 % terhadap 40 citra plat nomor asli yang didapat dari google image dan Kaggle.com.Kata kunci: CRAFT, CRNN, sistem parkir otomatis, real-time Â AbstractSeveral places in the city of Bandung have used an automated system in the process of servicing the car parking system, but the parking system still uses a parking ticket which is used as a sign for vehicles entering the parking area. Many people experience lost parking tickets, so there needs to be a solution to this problem. Given this problem, Optical Character Recognition (OCR) technology can be used as an update to recognize characters on car license plates so that parking tickets are no longer needed. The method used for text detection is Character Region Awareness for Text detection (CRAFT) and the method for text recognition is Convolutional Recurrent Neural Network (CRNN). The results of model training with a synthetic dataset made from the python library have produced the best model which has an accuracy of 85.73% for 1500 synthetic test images and an accuracy of 77.5% for 40 original license plate images obtained from Google Image and Kaggle.com.Keywords: CRAFT, CRNN, automatic parking system, real-time

Exploring the Effectiveness, Features, and Compatibility of MongoDB and MySQL: A Comprehensive Comparison of NoSQL and Relational Databases SOWANDI, CHELSEA MARCHELLE; LEONITA, IVANA; ARISAPUTRA, STEVEN HARTANTO PANJI; DAVID, DAVID
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 8, No 2 (2023): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v8i2.217-229

AbstrakDi era digital ini, data menjadi aset yang sangat berharga bagi bisnis dan organisasi.Â Terdapat jenis database yang umum digunakan, yaitu Database Relasional dan Database NoSQL. Perbandingkan antara kedua jenis database tersebut dibahas melalui analisis perbedaan dan dampak praktisnya. Evaluasi terhadap kedua jenis database ini dilakukan untuk menentukan platform database terbaik yang sesuai dengan kebutuhan organisasi. Penelitian ini membahas perbandingan MongoDB dengan MySQL. Analisis, kelebihan, dan keterbatasan dari masing-masing jenis database ini, serta hal yang mempengaruhi pemilihan platform database dibahas pada penelitian ini. Dengan membandingkan fitur dan kasus penggunaan kedua database ini, diharapkan dapat memberikan wawasan berharga yang dapat membantu organisasi membuat keputusan yang tepat saat memilih platformÂ database.Kata kunci: database, Database NoSQL, MongoDB, MySQL, platform databaseAbstractIn today's digital age, data has become an essential asset for businesses and organizations. Databases are used to store, manage, and update information, providing reliable and organized data that can be accessed and analyzed as needed. There are several types of databases, including Relational Databases and NoSQL Databases. This paper compares the two types of databases, analyzing their differences and practical implications. We examine the aspects of both type of database to determine the best database platform for specific organizational needs. Specifically, we compare MongoDB, a popular NoSQL Database, with MySQL, a widely used Relational Database. Our analysis considers the strengths and limitations of each type of database, and how they impact the selection of a database platform. By comparing the features and use cases of these databases, we provide valuable insights that can help organizations make informed decisions when selecting a database platform.Keywords: databases, NoSQL Databases, MongoDB, MySQL, database platform

Home Page

OAI Link

Editorial Team

Contact

Reviewer

Google Scholar

Contact Name
-

Contact Email
-

Phone
-

Journal Mail Official
-

Editorial Address
-

Location
Kota bandung,

Jawa barat

INDONESIA

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Home Page

OAI Link

Editorial Team

Contact

Reviewer

Google Scholar

Contact Name -

Contact Email -

Phone -

Journal Mail Official -

Editorial Address -

Location Kota bandung, Jawa barat INDONESIA

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Contact Name
-

Contact Email
-

Phone
-

Journal Mail Official
-

Editorial Address
-

Location
Kota bandung,

Jawa barat

INDONESIA