cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Muhammad Rifai Katili
Contact Email
mrifaikatili@ung.ac.id
Phone
-
Journal Mail Official
syafri.tuloli@ung.ac.id
Editorial Address
-
Location
Kota gorontalo,
Gorontalo
INDONESIA
Jambura Journal of Informatics
Published by Universitas Negeri Gorontalo
ISSN : 2656467X     EISSN : 26854244     DOI : 10.37905/jji
Core Subject : Science,
Computer Science & IT
Jambura Journal of Informatics (JJi) is a peer-reviewed open access journal published by Department of Informatics Engineering, Faculty of Engineering, Universitas Negeri Gorontalo (UNG), Indonesia. The journal is an archival journal serving the scientist and engineer involved in all aspects of computer science, information technology, information systems, software engineering and education of information technology. JJI publishes original research findings and high quality scientific articles that present cutting-edge approaches including methods, techniques, tools, implementations and applications.
Arjuna Subject : -
Articles 6 Documents
 1 
Search results for , issue "VOL 7, N0 1: APRIL 2025" : 6 Documents clear
Prediksi Kebakaran Hutan Ibu Kota Nusantara Menggunakan Produk MODIS dengan Algoritma Regresi Linear, Gradient Boosting dan Decision Tree Mangun, Syamsul Syahab; Kusrini, Kusrini
Jambura Journal of Informatics VOL 7, N0 1: APRIL 2025
Publisher : Universitas Negeri Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37905/jji.v1i1.30926

Abstract

Forest Fires in the Capital City of the Archipelago (IKN) threaten environmental sustainability and sustainable development, but accurate predictions are still hampered by the complexity of trigger factors such as weather variability and data uncertainty, so this study aims to develop a machine learning-based forest fire prediction model by utilising MODIS (Moderate Resolution Imaging Spectroradiometer) data, including surface temperature and thermal anomalies, by comparing three algorithms namely Linear Regression, Gradient Boosting Regressor (GBR), and Decision Tree Regressor (DTR). Performance evaluation using RMSE (Root Mean Square Error) and accuracy metrics showed GBR as the best model with 98.84% accuracy followed by DTR 96.39%, while R² values close to 1.0 in both models indicated the ability to explain data variability optimally, in contrast to linear regression which showed significant limitations. Thus, these findings prove the superiority of ensemble algorithms such as GBR in handling non-linearity of forest fire data and have practical implications on its potential integration into early warning systems to improve the effectiveness of  fire mitigation around the IKN region.Kebakaran Hutan di Ibu Kota Nusantara (IKN) mengancam kelestarian lingkungan dan pembangunan berkelanjutan, namun prediksi akurat masih terhambat oleh kompleksitas faktor pemicu seperti variabilitas cuaca dan ketidakpastian data, sehingga penelitian ini bertujuan mengembangkan model prediksi kebakaran hutan berbasis machine learning dengan memanfaatkan data MODIS (Moderate Resolution Imaging Spectroradiometer), termasuk suhu permukaan dan anomali termal, dengan membandingkan tiga algoritma yaitu Regresi Linear, Gradient Boosting Regressor (GBR), dan Decision Tree Regressor (DTR). Evaluasi performa menggunakan metrik RMSE (Root Mean Square Error) dan akurasi yang menunjukan GBR sebagi model terbaik dengan akurasi 98,84% diikuti DTR 96,39%, sementara  nilai R² mendekati 1.0 pada kedua model mengindikasikan kemampuan menjelaskan variabilitas data secara optimal, berbeda dengan regresi linear yang menunjukkan keterbatasan signifikan, sehingga temuan ini membuktikan keunggulan algoritma seperti GBR dalam menangani non-linearitas data kebakaran hutan dan berimplikasi praktis pada potensi integrasinya ke dalam sistem peringatan dini untuk meningkatkan efektivitas mitigasi kebakaran di sekitar wilayah IKN.
Pengaruh Power Distance Terhadap Adopsi SIMRS: Tinjauan Literatur Naratif Olilingo, Fadhilah Linti; Paputungan, Irving Vitra; Setiaji, Hari
Jambura Journal of Informatics VOL 7, N0 1: APRIL 2025
Publisher : Universitas Negeri Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37905/jji.v1i1.30561

Abstract

The implementation of the Hospital Management Information System (SIMRS) is a strategic step to enhance efficiency and service quality in hospitals. However, many hospitals, especially in high power distance countries like Indonesia, face challenges in optimizing SIMRS adoption. This study explores how power distance within hospital organizational culture affects the acceptance and adoption of SIMRS by hospital staff. Using a narrative review approach, the study integrates literature discussing the cultural, technical, and managerial factors that influence the technology acceptance process. The synthesis results show that high power distance organizational structures hinder staff involvement in technology-related decision-making, leading to resistance against SIMRS adoption. Open managerial support and effective staff training can reduce these barriers, increase staff involvement, and accelerate SIMRS adoption. The conclusion of this study suggests that hospitals with high power distance should adopt a more inclusive and open approach in managerial communication and SIMRS implementation. Recommendations for future quantitative research include further investigating the impact of power distance on SIMRS acceptance in hospitals using a broader research model, and comparing these findings with countries with low power distance, such as Scandinavian countries.Penerapan Sistem Informasi Manajemen Rumah Sakit (SIMRS) merupakan langkah strategis untuk meningkatkan efisiensi dan kualitas pelayanan di rumah sakit. Namun, banyak rumah sakit, terutama di negara dengan power distance tinggi seperti Indonesia, menghadapi tantangan dalam mengoptimalkan penerapan SIMRS. Penelitian ini membahas bagaimana power distance dalam budaya organisasi rumah sakit mempengaruhi penerimaan dan adopsi SIMRS oleh staf. Dengan menggunakan pendekatan narrative review, penelitian ini mengintegrasikan literatur yang membahas faktor budaya, teknis, dan manajerial yang berperan dalam proses penerimaan teknologi. Hasil sintesis menunjukkan bahwa struktur organisasi dengan power distance tinggi menghambat keterlibatan staf dalam pengambilan keputusan terkait teknologi, yang menyebabkan resistensi terhadap SIMRS. Dukungan manajerial yang terbuka dan pelatihan staf yang efektif dapat mengurangi hambatan ini, meningkatkan keterlibatan staf, dan mempercepat adopsi SIMRS. Kesimpulan penelitian ini menyarankan agar rumah sakit dengan power distance tinggi mengadopsi pendekatan lebih inklusif dan terbuka dalam komunikasi manajerial dan implementasi SIMRS. Rekomendasi untuk penelitian kuantitatif berikutnya adalah untuk menguji lebih dalam pengaruh power distance terhadap penerimaan SIMRS di rumah sakit dengan model penelitian yang lebih luas, serta membandingkan temuan ini dengan negara dengan power distance rendah, seperti negara-negara Skandinavia.
Pengembangan Media Pembelajaran Augmented Reality untuk Materi Sistem Pencernaan Manusia Karentius, Maret Rista; Hardiyantari, Oktavia
Jambura Journal of Informatics VOL 7, N0 1: APRIL 2025
Publisher : Universitas Negeri Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37905/jji.v1i1.29708

Abstract

The rapid development of information technology, particularly in mobile devices, has opened new opportunities for educational innovation. This study aims to develop Augmented Reality (AR)-based learning media for eighth-grade junior high school students on the topic of the human digestive system. The research employed a Research and Development (RD) methodology using the Multimedia Development Life Cycle (MDLC) model, which includes the stages of concept, design, material collecting, assembly, testing, and distribution. The resulting application features interactive elements, including quizzes and 3D Augmented Reality visualizations of digestive organs to enhance students' understanding of complex concepts. Feasibility testing involved assessments by media experts, material experts, and students, achieving feasibility percentages of 75%, 91%, and 89%, respectively, classifying the media as "very feasible." Effectiveness testing, based on the gain score from pre-test and post-test results, yielded an N-Gain value of 0.80, categorized as "high." These findings indicate that the developed learning media are both feasible and effective for use in supporting the teaching and learning process, particularly in enhancing student engagement and comprehension of the human digestive system.Perkembangan teknologi informasi yang pesat, khususnya pada perangkat mobile, telah membuka peluang baru dalam inovasi pendidikan. Penelitian ini bertujuan mengembangkan media pembelajaran berbasis Augmented Reality untuk siswa kelas VIII SMP pada materi sistem pencernaan manusia. Penelitian ini menggunakan metode Research and Development (RD) dengan model Multimedia Development Life Cycle (MDLC) yang meliputi tahap konsep, desain, pengumpulan bahan, pembuatan, pengujian, dan distribusi. Produk yang dihasilkan adalah aplikasi pembelajaran interaktif yang dilengkapi dengan kuis serta visualisasi 3D organ pencernaan manusia berbasis Augmented Reality untuk meningkatkan pemahaman konsep yang kompleks. Uji kelayakan dilakukan melalui penilaian ahli media, ahli materi, dan siswa, dengan hasil persentase kelayakan berturut-turut sebesar 75%, 91%, dan 89%, sehingga masuk dalam kategori "sangat layak." Uji efektivitas berdasarkan nilai N-Gain dari hasil pre-test dan post-test memperoleh nilai 0,80 yang termasuk dalam kategori "tinggi." Hasil tersebut menunjukkan bahwa media pembelajaran yang dikembangkan layak dan efektif digunakan untuk mendukung proses pembelajaran, khususnya dalam meningkatkan keterlibatan dan pemahaman siswa terhadap materi sistem pencernaan manusia.
Analisis Sentimen Omnibus Law di Twitter dengan Machine Learning dan Teknik Resampling Syafutra, Arif Dwi; Kusrini, Kusrini
Jambura Journal of Informatics VOL 7, N0 1: APRIL 2025
Publisher : Universitas Negeri Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37905/jji.v1i1.30935

Abstract

The Omnibus Law has been controversial in Indonesia since its enactment in 2020, sparking widespread public debate on social media platforms, particularly Twitter. This study aims to classify public sentiment toward the Omnibus Law using machine learning algorithms and resampling techniques to address data imbalance. Twenty thousand tweets were collected via web scraping, processed using Natural Language Processing (NLP) methods, and automatically labeled through a lexicon-based approach. The final dataset consisted of 17,184 tweets categorized into positive and negative sentiments. Sentiment classification models were developed using Support Vector Machine (SVM), Random Forest, and Multinomial Naïve Bayes, with Synthetic Minority Oversampling Technique (SMOTE) and Random Undersampling applied to enhance model performance. Evaluation results show that SVM combined with SMOTE achieved the highest performance with an accuracy of 93.08%, a recall of 92.85%, and a precision of 92.44%, outperforming other algorithms. These findings highlight that resampling techniques, particularly SMOTE, significantly improve classification performance in handling imbalanced datasets. This study emphasizes the importance of selecting appropriate algorithms and balancing strategies to enhance sentiment analysis accuracy based on social media data. Furthermore, the results open opportunities for future research to explore deep learning-based approaches for more complex public opinion analysis.Omnibus Law telah menjadi isu kontroversial di Indonesia sejak pengesahannya pada tahun 2020 yang mendorong perdebatan luas di media sosial, khususnya Twitter. Penelitian ini bertujuan untuk mengklasifikasikan sentimen publik terhadap Omnibus Law menggunakan algoritma machine learning dan teknik resampling untuk mengatasi ketidakseimbangan data. Data sebanyak 20.000 tweet dikumpulkan melalui web scraping, diproses dengan metode Natural Language Processing (NLP), dan dilabeli secara otomatis menggunakan pendekatan berbasis lexicon. Dataset akhir terdiri atas 17.184 tweet dengan kategori sentimen positif dan negatif. Model klasifikasi dikembangkan menggunakan Support Vector Machine (SVM), Random Forest, dan Multinomial Naïve Bayes, dengan penerapan teknik Synthetic Minority Oversampling Technique (SMOTE) dan Random Undersampling untuk meningkatkan performa. Hasil evaluasi menunjukkan bahwa SVM dengan SMOTE menghasilkan akurasi tertinggi sebesar 93,08%, recall 92,85%, dan precision 92,44%, mengungguli algoritma lainnya. Temuan ini menunjukkan bahwa teknik resampling, khususnya SMOTE, secara signifikan memperbaiki performa klasifikasi dalam skenario data tidak seimbang. Penelitian ini menegaskan pentingnya kombinasi antara pemilihan algoritma yang tepat dan strategi balancing data untuk meningkatkan akurasi analisis sentimen berbasis media sosial. Studi ini juga membuka peluang penelitian lanjutan menggunakan pendekatan deep learning untuk klasifikasi opini publik yang lebih kompleks.
Faktor-faktor Penentu Kepuasan Pengguna I-SimPeg: Pendekatan Model UTAUT-EUCS dengan PLS-SEM Panigoro, Nurlia; Katili, Muhammad Rifai; Lahay, Sri Nilawaty
Jambura Journal of Informatics VOL 7, N0 1: APRIL 2025
Publisher : Universitas Negeri Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37905/jji.v1i1.31159

Abstract

Understanding user satisfaction determinants in government information systems is essential for successful digital transformation. This study examines factors influencing users' satisfaction with the Integrated Personnel Management Information System (I-SimPeg) in Bone Bolango Regency through an integrated UTAUT-EUCS model using PLS-SEM. Data collected from 358 government employees revealed that performance expectancy, effort expectancy, content, ease of use, facilitating conditions, and behavioral intention significantly influence user satisfaction. In contrast, social influence, accuracy, format, and timeliness were not significant contributors. The research demonstrates the complementary value of combining technology acceptance and end-user satisfaction models in assessing government information systems. Practical recommendations include comprehensive user training, intuitive interface development, routine maintenance protocols, automated data validation, and enhanced backup systems to improve I-SimPeg implementation in regional government agencies.Memahami faktor-faktor penentu kepuasan pengguna dalam sistem informasi pemerintahan sangat penting untuk keberhasilan transformasi digital. Penelitian ini mengkaji faktor-faktor yang mempengaruhi kepuasan pengguna Sistem Informasi Manajemen Kepegawaian Terintegrasi (I-SimPeg) di Kabupaten Bone Bolango melalui model terintegrasi UTAUT-EUCS menggunakan PLS-SEM. Data yang dikumpulkan dari 358 pegawai pemerintahan menunjukkan bahwa ekspektasi kinerja, ekspektasi usaha, isi, kemudahan penggunaan, kondisi memfasilitasi, dan minat perilaku secara signifikan mempengaruhi kepuasan pengguna, sementara pengaruh sosial, akurasi, bentuk, dan ketepatan waktu tidak berpengaruh signifikan. Penelitian ini mendemonstrasikan nilai komplementer dari penggabungan model penerimaan teknologi dan kepuasan pengguna akhir dalam mengevaluasi sistem informasi pemerintahan. Rekomendasi praktis meliputi pelatihan komprehensif bagi pengguna, pengembangan antarmuka intuitif, protokol pemeliharaan rutin, validasi data otomatis, dan peningkatan sistem backup untuk menyempurnakan implementasi I-SimPeg di instansi pemerintah daerah. 
Perbandingan Algoritma C4.5, Naive Bayes, dan K- Nearest Neighbors untuk Prediksi Penyakit Jantung Tuloli, Mohamad Syafri; Kinanti, Titin Seh; Amali, Lanto Ningrayati
Jambura Journal of Informatics VOL 7, N0 1: APRIL 2025
Publisher : Universitas Negeri Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37905/jji.v1i1.31158

Abstract

Heart disease is one of the leading causes of death worldwide, making early detection crucial to reducing fatality risks. This study aims to compare the performance of three classification algorithms, namely C4.5, Naïve Bayes, and K-Nearest Neighbors (KNN), in predicting heart disease. The Heart Failure Prediction Dataset is obtained from Kaggle and the UCI Repository, comprising 1,211 patient records. After preprocessing, the data was split into training and testing sets with a 70:30 ratio. Model performance was evaluated using accuracy, precision, and recall metrics based on the confusion matrix. The results indicate that the C4.5 algorithm achieved the best performance with an accuracy of 81.07%, outperforming Naïve Bayes (79.10%) and KNN (75.68%). C4.5 also demonstrated a higher recall rate in detecting positive heart disease cases, suggesting its effectiveness in handling clinical datasets with characteristics similar to those used in this study. The main contribution of this research is providing a recommendation for utilizing the C4.5 algorithm in developing decision support systems for early heart disease detection. These findings are expected to help improve early diagnostic accuracy and support faster and more accurate medical decision-making.Penyakit jantung merupakan salah satu penyebab utama kematian di dunia, sehingga deteksi dini menjadi sangat penting untuk mengurangi risiko fatalitas. Penelitian ini bertujuan membandingkan kinerja tiga algoritma klasifikasi, yaitu C4.5, Naïve Bayes, dan K-Nearest Neighbors (KNN), dalam memprediksi penyakit jantung. Dataset yang digunakan adalah Heart Failure Prediction Dataset yang diperoleh dari Kaggle dan UCI Repository, dengan total 1211 data pasien. Setelah dilakukan preprocessing, data dibagi dengan rasio 70:30 untuk pelatihan dan pengujian. Evaluasi kinerja model dilakukan menggunakan metrik akurasi, presisi, dan recall berbasis confusion matrix. Hasil penelitian menunjukkan bahwa algoritma C4.5 memiliki performa terbaik dengan akurasi 81,07%, mengungguli Naïve Bayes (79,10%) dan KNN (75,68%). C4.5 juga menunjukkan nilai recall yang lebih tinggi dalam mendeteksi kasus positif penyakit jantung, mengindikasikan efektivitasnya dalam menangani data dengan karakteristik klinis seperti dataset yang digunakan. Kontribusi utama penelitian ini adalah memberikan rekomendasi pemanfaatan algoritma C4.5 dalam pengembangan sistem pendukung keputusan untuk deteksi dini penyakit jantung. Temuan ini diharapkan dapat membantu meningkatkan akurasi diagnosis awal dan mendukung pengambilan keputusan medis secara lebih cepat dan tepat

Page 1 of 1 | Total Record : 6

 1 

Filter by Year

2025 2025


Reset
Filter By Issues
All Issue VOL 7, N0 2: OKTOBER 2025 (IN PRESS) VOL 7, N0 1: APRIL 2025 VOL 6, N0 2: OKTOBER 2024 VOL 6, N0 1: APRIL 2024 VOL 5, NO 2: OCTOBER 2023 VOL 5, NO 1: APRIL 2023 VOL 4, NO 2: OCTOBER 2022 VOL 4, NO 1: APRIL 2022 VOL 3, NO 2: OCTOBER 2021 VOL 3, NO 1: APRIL 2021 VOL 2, NO 2: OCTOBER 2020 VOL 2, NO 1: APRIL 2020 VOL 1, NO 2: OCTOBER 2019 VOL 1, NO 1: APRIL 2019 VOLUME 1 NOMOR 1, APRIL 2019 More Issue