cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Rikie Kartadie
Contact Email
rikie@stkippgritulungagung.ac.id
Phone
+6282178785546
Journal Mail Official
jipi@stkippgritulungagung.ac.id
Editorial Address
Jl. Major Sujadi Timur 7, Plosokandang, Kedungwaru, Tulungagung, Kabupaten Tulungagung, Jawa Timurr
Location
Kab. tulungagung,
Jawa timur
INDONESIA
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika)
Published by STKIP PGRI Tulungagung
ISSN : -     EISSN : 25408984     DOI : http://dx.doi.org/10.29100/jipi
Core Subject : Science, Education,
Computer Science & IT Education
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) e-ISSN: 2540 - 8984 was made to accommodate the results of scientific work in the form of research or papers are made in the form of journals, particularly the field of Information Technology. JIPI is a journal that is managed by the Information Technology Program PGRI STKIP Tulungagung. Journal has been indexed by Google Scholar, DOAJ, Academic Keys and others. JIPI has been supervised by RJI (Relawan Jurnal Indonesia).
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 1,124 Documents
 109   110   111   112   113 
PERBANDINGAN FUNGSI OPTIMIZER PADA IDENTIFIKASI DIABETES MENGGUNAKAN METODE FEED FORWARD Setyawan, Rizki Fajar; Abdullah, Asrul; Octariadi, Barry Ceasar
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 11, No 1 (2026)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v11i1.7757

Abstract

Identifikasi dini diabetes merupakan kebutuhan mendesak untuk mencegah komplikasi serius dan mengurangi beban kesehatan global. Penelitian ini bertujuan untuk membandingkan kinerja fungsi optimizer pada model Feed Forward Neural Network (FFNN) dalam mengklasifi-kasikan data diabetes. Optimizer yang diuji meliputi RMSprop, Adam, Adagrad, dan Stochastic Gradient Descent (SGD). Dataset diabetes dari platform Kaggle, yang terdiri dari 768 sampel dengan 9 fitur, dibagi men-jadi data latih dan uji dengan rasio 80:20. Evaluasi model dilakukan menggunakan metrik Accuracy, Precision, Recall, dan F1-Score ber-dasarkan Confusion Matrix. Hasil penelitian menunjukkan bahwa RMSprop memberikan performa terbaik dengan akurasi sebesar 0,759740, Precision 0,660377, Recall 0,648148, dan F1-Score 0,654206, diikuti oleh Adam dengan akurasi 0,746753. RMSprop menunjukkan generalisasi yang lebih baik pada data uji berkat mekanisme pembaruan bobot adaptifnya. Penelitian ini merekomendasikan RMSprop sebagai optimizer optimal untuk model FFNN dalam identifikasi diabetes, memberikan kontribusi bagi pengembangan alat diagnosis yang lebih akurat dan efisien.
Sistem Rekomendasi Mobil Listrik Menggunakan Metode SAW Baehaqi, Ahmad; Purnomo, Agus Sidiq
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 11, No 1 (2026)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v11i1.7169

Abstract

Penelitian ini bertujuan merancang sistem rekomendasi mobil listrik berbasis metode Simple Additive Weighting (SAW) untuk membantu konsumen memilih mobil yang paling sesuai dengan kebutuhan. Sistem ini mempertimbangkan berbagai kriteria, seperti harga, kapasitas baterai, dan fitur kendaraan, dengan pendekatan berbasis bobot yang mencakup kriteria biaya (cost) dan manfaat (benefit). Data penelitian diperoleh melalui studi literatur dengan menelaah berbagai sumber referensi yang relevan. Metode SAW digunakan untuk menganalisis alternatif berdasarkan normalisasi matriks keputusan, sehingga memungkinkan perbandingan nilai antar-alternatif dalam skala yang setara. Penelitian ini menggunakan 22 nama mobil listrik dari berbagai merek di Indonesia sebagai alternatif. Hasil perhitungan menunjukkan bahwa sistem dan perhitungan manual menghasilkan nilai yang sama, dengan nilai tertinggi sebesar 0,793333 yang diraih oleh mobil listrik Mifa 9 dari merek Maxus. Kesamaan ini membuktikan bahwa penelitian memiliki tingkat akurasi 100%. Sistem rekomendasi yang dirancang tidak hanya mempermudah konsumen dalam memilih mobil listrik, tetapi juga berkontribusi pada percepatan adopsi kendaraan ramah lingkungan di Indonesia. Dengan hasil ini, penelitian diharapkan mampu menjadi landasan pengembangan sistem pendukung keputusan yang lebih efisien di masa mendatang.
SPK UNTUK MENENTUKAN LOMBA PEMILIHAN PELAKSANA POSYANDU TERBAIK KABUPATEN BREBES MENGGUNAKAN METODE MFEP Khotimah, Rosmawatul; Purnomo, Agus Sidiq
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 11, No 1 (2026)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v11i1.7113

Abstract

Pelaksana kegiatan posyandu memiliki peran penting dalam mendukung kesehatan masyarakat, terutama ibu dan anak, melalui berbagai layanan kesehatan dasar. Namun, proses seleksi pelaksana posyandu terbaik sering menghadapi tantangan objektivitas dan akurasi, terutama jika dilakukan secara manual. Penelitian ini bertujuan untuk mengembangkan Sistem Pendukung Keputusan (SPK) dengan menerapkan metode Multi Factor Evaluation Process (MFEP) untuk mempermudah proses evaluasi terhadap pelaksana posyandu di Kabupaten Brebes. MFEP dipilih karena mampu menangani berbagai kriteria evaluasi yang kompleks dengan memberikan nilai kepada setiap kriteria sesuai dengan tingkat kepentingannya. SPK ini dirancang menggunakan teknologi berbasis web, melibatkan pemrograman PHP, basis data MySQL, dan framework CodeIgniter, dengan data yang diperoleh dari wawancara pakar serta dokumentasi lomba posyandu tahun 2023. Dalam pengujian sistem, Posyandu 9 (Mawar Sigambir) dinobatkan sebagai pelaksana terbaik dengan skor tertinggi 3.64, diikuti oleh Posyandu 11, 7, 14, dan 10. Sistem ini membuktikan kemampuannya dalam meningkatkan efisiensi, akurasi, dan objektivitas penilaian, sekaligus memotivasi pelaksana posyandu lainnya untuk meningkatkan kinerja. Hasil penelitian menunjukkan bahwa SPK berbasis MFEP tidak hanya memberikan rekomendasi yang akuntabel, tetapi juga diharapkan menjadi langkah strategis dalam mendukung pengelolaan posyandu, meningkatkan kualitas pelayanan kesehatan, dan mempromosikan kesejahteraan masyarakat di tingkat lokal.
DEEP LEARNING SOLUTION FOR SPARSITY PROBLEM TO IMPROVE RECOMMENDATION QUALITY Lestari, Sri; Mariana, Tiwuk
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 11, No 1 (2026)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v11i1.7027

Abstract

Recommendation systems have become indispensable across various platforms due to their ability to enhance personalized services. However, these systems face a critical challenge known as sparsity. Sparsity occurs when there are numerous gaps in data, making user preferences unknown. This results in less relevant recommendations, reducing system effectiveness and diminishing user satisfaction. Moreover, it can lead to missed business opportunities. The purpose of this study is to address the sparsity problem using Deep Learning to enhance recommendation quality. The research stages include literature review (SLR), data collection from the Netflix Prize dataset obtained from kaggle.com, data preprocessing, Deep Learning implementation, testing, analysis, and conclusions. The stages of this study are conducted literature study (SLR), data collection, data preprocessing, Deep Learning implementation, testing and analysis, and conclusions. The method of this study is carried out data preprocessing and imputaion using several existing methods by using the Netflix Prize dataset, data taken from kaggle.com. The result of this study shows that the Deep Learning method is able to solve the sparsity problem to improve the quality of recommendations, because the experimental results states that the Root Mean Squared Error (RMSE) value is the smallest compared to the Matrix-Factorization, SVD, KNN and other methods.

Page 113 of 113 | Total Record : 1124

 109   110   111   112   113 

Filter by Year

2016 2026


Reset
Filter By Issues
All Issue Vol 11, No 1 (2026) Vol 10, No 4 (2025) Vol 10, No 3 (2025) Vol 10, No 2 (2025) Vol 10, No 1 (2025) Vol 9, No 4 (2024) Vol 9, No 3 (2024) Vol 9, No 2 (2024) Vol 9, No 1 (2024) Vol 8, No 4 (2023) Vol 8, No 3 (2023) Vol 8, No 2 (2023) Vol 8, No 1 (2023) Vol 7, No 4 (2022) Vol 7, No 3 (2022) Vol 7, No 2 (2022) Vol 7, No 1 (2022) Vol 6, No 2 (2021) Vol 6, No 1 (2021) Vol 5, No 2 (2020) Vol 5, No 1 (2020) Vol 4, No 2 (2019) Vol 4, No 1 (2019) Vol 3, No 2 (2018) Vol 3, No 1 (2018) Vol 2, No 2 (2017) Vol 2, No 1 (2017) Vol 1, No 02 (2016) Vol 1, No 01 (2016) More Issue