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 1,172 Documents
 111   112   113   114   115 
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 Ahmad Baehaqi; Agus Sidiq Purnomo
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 Rosmawatul Khotimah; Agus Sidiq Purnomo
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.
Implementasi Algoritma Support Vector Machine Dalam Klasifikasi Jenis Protein Hewani Ridho Ikhram; Anton Yudhana; Imam Riadi
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 11, No 2 (2026)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v11i2.7787

Abstract

Protein hewani merupakan komponen penting dalam produk makanan yang mempengaruhi nilai gizi dan sifat organoleptik. Meningkatnya kebutuhan akan produk halal, vegetarian, dan vegan, deteksi protein hewani secara akurat menjadi semakin penting. Penelitian ini bertujuan untuk mengimplementasi algoritma SVM dalam klasifikasi jenis protein hewani sebagai alternatif metode tradisional yang memerlukan waktu dan biaya tinggi. Penelitian ini menggunakan 1.600 dataset protein hewani dari empat jenis hewan yaitu ayam, sapi, ayam kampung, dan babi diambil langsung menggunakan mesin Fourier Transform Infrared Spectroscopy (FTIR), pembagian dataset dilakukan dengan rasio 80% data training dan 20% data testing kemudian data diolah menggunakan platform Google Colab. Evaluasi dari kinerja model dilakukan dengan metrik akurasi, precision, recall, dan F1-score. Hasil dari pengujian menunjukkan model SVM mencapai akurasi 97,19%, untuk nilai precision, recall, dan F1-score berada pada rentang 95% hingga 100%, mengindikasikan algoritma SVM memiliki performa yang stabil, akurat, dan andal dalam mengklasifikasikan jenis protein hewani, serta memiliki peluang untuk penerapan machine learning lebih luas di bidang bioteknologi dan ilmu pangan.
PENERAPAN ALGORITMA MACHINE LEARNING UNTUK PREDIKSI PENYAKIT DIABETES MILITUS MENGGUNAKAN METODE EXTREME GRADIENT BOOSTING Rina Dwi Khairunnisa; Wina Witanti; Agus Komarudin
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 11, No 2 (2026)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v11i2.7897

Abstract

Diabetes Mellitus ialah salah satu tantangan kesehatan global di mana terus meningkat, dengan prevalensi yang mengkhawatirkan. Penelitian ini berfokus pada pengembangan model prediksi untuk mendeteksi status diabetes (Negatif, Prediabetes, dan Diabetes) memakai algoritma Extreme Gradient Boosting (XGBoost) pada dataset CDC Diabetes Health Indicators. Masalah kunci yang diatasi mencakup penanganan ketidakseimbangan kelas yang signifikan dalam dataset dan optimasi hyperparameter untuk meningkatkan akurasi prediksi. Penelitian ini bertujuan untuk menghasilkan model prediksi XGBoost yang optimal dan mengevaluasi kinerjanya. Proses penelitian melibatkan pengumpulan dataset, diikuti tahap preprocessing data termasuk penanganan ketidakseimbangan kelas memakai teknik over-sampling Synthetic Minority Over-sampling Technique (SMOTE) pada data pelatihan. Selanjutnya, hyperparameter model XGBoost dioptimalkan secara sistematis memakai framework Optuna dengan algoritma Tree-structured Parzen Estimator (TPE). Model akhir kemudian dilatih dan dievaluasi secara komprehensif pada set data pengujian yang terpisah. Hasil evaluasi memperlihatkan akurasi keseluruhan model 88%. Jadi, model prediksi yang dikembangkan ini berpotensi guna mendukung upaya deteksi dini dan pengelolaan faktor risiko diabetes, serta memberikan wawasan tentang penerapan algoritma XGBoost dalam analisis data kesehatan.
OPTIMALISASI FITUR BACKWARD ELIMINATION PADA KLASIFIKASI DIABETES MELLITUS MENGGUNAKAN ALGORITMA RANDOM FOREST Gusti Chandra Kurniawan; Imam Riadi; Anton Yudhana
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 11, No 2 (2026)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v11i2.8090

Abstract

Klasifikasi penyakit Diabetes Mellitus secara akurat memerlukan model yang efisien serta mampu mengatasi tantangan umum dalam data medis, yaitu ketidakseimbangan kelas dan keberadaan fitur tidak relevan. Penelitian ini bertujuan untuk meningkatkan performa klasifikasi dengan mengintegrasikan metode seleksi fitur Backward Elimination (BE) dan teknik penyeimbangan kelas Synthetic Minority Over-Sampling Technique (SMOTE) ke dalam algoritma Random Forest (RF). Dataset yang digunakan berasal dari Mendeley Data dan terdiri atas 1.000 sampel pasien dengan 14 atribut medis. Setelah dilakukan penghapusan atribut non-informatif dan normalisasi Min-Max, label kelas dikonversi menjadi biner. Implementasi dilakukan pada platform RapidMiner Studio 10.1 dengan skema validasi 5-Fold Cross Validation. Seleksi fitur dilakukan menggunakan pendekatan Wrapper-Based BE yang mengevaluasi kontribusi tiap fitur terhadap performa model secara iteratif, sementara SMOTE diterapkan secara terstruktur pada training subprocess guna mencegah data leakage. Hasil eksperimen menunjukkan bahwa jumlah fitur dapat dikurangi dari 12 menjadi 9 tanpa menurunkan performa klasifikasi. Model kombinasi BE + SMOTE + RF menunjukkan peningkatan pada seluruh metrik evaluasi akurasi 97,50%, F1-score 98,50%, dan AUC 99,60%. Selain meningkatkan akurasi, model juga menjadi lebih ringan dan stabil. Temuan ini memperkuat pentingnya seleksi fitur dan penyeimbangan kelas dalam pengembangan sistem klasifikasi medis. Model yang dihasilkan berpotensi untuk diterapkan dalam sistem pendukung keputusan klinis, termasuk pada fasilitas kesehatan dengan keterbatasan sumber daya, guna mendukung skrining awal berbasis data yang efisien dan akurat.
PENGEMBANGAN EARLY WARNING SYSTEM HARGA PANGAN STRATEGIS BERBASIS INTEGRASI FITUR METEOROLOGI MENGGUNAKAN PERBANDINGAN SVR DAN XGBOOST Jihan Kusumawardhani; Aria Hendrawan
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 11, No 2 (2026)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v11i2.10168

Abstract

Fluktuasi harga pangan di Kota Semarang seringkali dipengaruhi faktor cuaca ekstrem yang mengganggu stabilitas pasokan. Penelitian ini bertujuan membangun sistem peringatan dini (Early Warning System) harga pangan dengan mengintegrasikan variabel meteorologi menggunakan algoritma Machine Learning. Metode yang digunakan adalah komparasi antara Support Vector Regression (SVR) dan XGBoost terhadap komoditas bawang merah dan cabai rawit. Hasil penelitian menunjukkan bahwa algoritma XGBoost secara konsisten mengungguli SVR pada seluruh pengujian. Akurasi tertinggi dicapai pada komoditas bawang merah dengan nilai Mean Absolute Percentage Error (MAPE) sebesar 1,63%, yang termasuk kategori sangat akurat. Penelitian ini juga memvalidasi pengaruh signifikan variabel meteorologi melalui efek tunda cuaca (weather lag effect) terhadap pergerakan harga. Implementasi sistem EWS yang dikembangkan berhasil mengklasifikasikan status peringatan secara otomatis, sehingga dapat menjadi instrumen pendukung keputusan yang aplikatif bagi pemangku kepentingan dalam memitigasi anomali harga pangan di Kota Semarang.
PEMANFAATAN ALGORITMA YOLOV11-POSE UNTUK SISTEM DETEKSI ORANG JATUH BERBASIS KAMERA THERMAL Regita Manipa; Christine Dewi
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 11, No 2 (2026)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v11i2.7813

Abstract

Jatuh merupakan masalah serius pada berbagai kelompok usia yang dapat menyebabkan cedera fisik, mulai dari ringan hingga fatal. Deteksi jatuh menjadi aspek penting dalam pengembangan sistem pemantauan yang efektif dan andal. Penelitian ini mengevaluasi model YOLOv11-Pose yang dilatih menggunakan data kamera termal dari dataset OpenThermalPose di lingkungan dalam dan luar ruangan. Pengujian dilakukan dengan fungsi deteksi berbasis dua kondisi: rasio dimensi tubuh dan orientasi terhadap lantai. Dari lima varian yang diuji, YOLOv11-M menunjukkan kinerja terbaik dengan nilai mean Average Precision (mAP) sebesar 0,994 untuk kotak pembatas dan 0,855 untuk estimasi pose. Meskipun model mampu mendeteksi posisi tubuh secara akurat saat tidak terjadi jatuh, performanya terbatas akibat kurangnya data citra yang merepresentasikan posisi jatuh, sehingga menghambat evaluasi secara menyeluruh. Hasil ini menunjukkan potensi YOLOv11-Pose dalam mendeteksi kejadian jatuh serta memberikan wawasan untuk pengembangan sistem keselamatan berbasis kamera termal di masa depan.
ANALISIS KINERJA SISTEM APLIKASI KEUANGAN TINGKAT INSTANSI (SAKTI) DALAM PENGOLAHAN KEUANGAN NEGARA MENGGUNAKAN METODE TECHNOLOGY ACCEPTANCE MODEL (TAM) Elisabetd Regina Kamodi; Marlinda Sanglise; Lorna Tertas Baisa
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 11, No 2 (2026)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v11i2.8261

Abstract

Penelitian ini bertujuan untuk menganalisis penerimaan dan kinerja Sistem Aplikasi Keuangan Tingkat Instansi (SAKTI) dalam mendukung pengelolaan keuangan negara di lingkungan UPBU Wasior, menggunakan pendekatan Technology Acceptance Model (TAM). Lima konstruk utama dalam TAM yang dijelaskan meliputi Perceived Effectiveness, Perceived Ease of Use, Attitude Toward Use, Behavioral Intention to Use, dan Actual System Use. Metode kuantitatif digunakan dengan pengumpulan data melalui kuesioner dan wawancara tidak terstruktur, kemudian dianalisis menggunakan SmartPLS. Hasil analisis menunjukkan bahwa seluruh hipotesis penelitian diterima dengan nilai signifikansi tinggi, yang berarti setiap variabel dalam model berpengaruh secara positif dan signifikan. Temuan ini menyatakan bahwa kemudahan penggunaan dan persepsi terhadap manfaat aplikasi sangat menentukan sikap dan niat pegawai dalam menggunakan SAKTI. Rekomendasi diberikan untuk meningkatkan pelatihan, khususnya bagi pegawai senior, guna memperkuat penerapan sistem informasi keuangan di instansi pemerintah.

Page 113 of 118 | Total Record : 1172

 111   112   113   114   115 

Filter by Year

2016 2026


Reset
Filter By Issues
All Issue Vol 11, No 2 (2026) 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