cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Wire Bagye
Contact Email
wirestmik@gmail.com
Phone
-
Journal Mail Official
jirestmiklombok@gmail.com
Editorial Address
-
Location
Kab. lombok tengah,
Nusa tenggara barat
INDONESIA
Jurnal Informatika dan Rekayasa Elektronik
Published by Sekolah Tinggi Manajemen dan Informatika Komputer Lombok
ISSN : 26206900     EISSN : 26206897     DOI : -
Core Subject : Science,
Computer Science & IT
JIRE (Jurnal Informatika dan Rekayasa Elektronik) (eISSN: 2620-6900) diterbitkan oleh LPPM STMIK Lombok sebagai wadah untuk mempublikasikan artikel tentang pengetahuan baru dan penelitian dengan isu terkini yang berkaiatan dengan teknologi informasi, dengan topik Networks, Internet and Mobile Computing, Informatics Technology dan Engineering Jurnal ini terbit 2 (dua) kali dalam setahun yaitu pada bulan April dan Nopember.
Arjuna Subject : -
Articles 232 Documents
 15   16   17   18   19 
ANALISIS EFEKTIVITAS TEKNIK IMPUTASI PADA LSTM UNTUK MENINGKATKAN KUALITAS DATA PADA PERAMALAN CURAH HUJAN Adi Nugroho, Ariyanto; Haris, Muhammad
Jurnal Informatika dan Rekayasa Elektronik Vol. 7 No. 2 (2024): JIRE NOPEMBER 2024
Publisher : LPPM STMIK Lombok

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36595/jire.v7i2.1172

Abstract

Data pemantauan iklim yang didapatkan dari stasiun meteorologi dapat memiliki missing value karena berbagai hal. Ketidaklengkapan data dapat terjadi karena transmisi gagal, sensor tidak merespons, perbaikan perangkat, dan lain-lain. Masalah yang didapati umumnya adalah data tidak konsisten dan adanya noise pengukuran data iklim. Diperlukan solusi penanganan missing values pada data cuaca agar dapat diatasi sebelum dilakukan analisis lebih lanjut. Penelitian ini mengusulkan penerapan data imputation pada fase data preparation menyesuaikan karakteristik data. Metode forecasting yang diterapkan adalah LSTM dan Bidirectional LSTM yang merupakan turunan dari RNN. Metode ini menghasilkan model dari data time series yang lebih baik dibanding RNN. Hasil penelitian menyimpulkan metode imputasi yang memiliki performa terbaik adalah KNN dipadukan dengan metode Bidirectional LSTM. Nilai evaluation metric yang diperoleh adalah Mean Absolute Error (MAE) sebesar 3,3599, Mean Square Error (MSE) sebesar 78,4336, Root Mean Squared Error (RMSE) sebesar 8,8562 dan R-Squared sebesar 0,5365.
MONITORING KEBOCORAN AIR MENGGUNAKAN MIKROKONTROL ARDUINO UNO BERBASIS APLIKASI MOBILE Yasa, I Wayan Sugara; I Wayan Suriana; I Wayan Sukadana
Jurnal Informatika dan Rekayasa Elektronik Vol. 7 No. 2 (2024): JIRE NOPEMBER 2024
Publisher : LPPM STMIK Lombok

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36595/jire.v7i2.1179

Abstract

Kurang baiknya sistem monitoring instalasi air bersih selama ini dimana tidak bisa mendeteksi terjadinya kebocoran pada pipa saluran air. Banyak kerugian yaitu volume air terbuang yang merupakan selisih antara volume air terbuang sebelum dan sesudah penerapan sistem. Misalnya, jika sebelumnya terjadi kebocoran sebesar 100 liter per bulan dan setelah penerapan sistem menjadi 20 liter per bulan, maka pengurangan volume air terbuang adalah 80 liter per bulan, dan untuk  biaya air terbuang yaitu biaya air yang terbuang akibat kebocoran. Misalnya, jika harga air adalah Rp 10.000 per meter kubik, dan ada kebocoran 100 liter (0,1 meter kubik) per bulan, maka biaya yang terbuang adalah Rp 1.000 per bulan. Untuk mengurangi kerugian tersebut penulis membuat rancang bangun alat monitoring kebocoran menggunakan mikrokontrol Arduino Uno  berbasis aplikasi mobile. Untuk mendeteksi terjadinya kebocoran, alat ini memanfaatkan data debit air dari sensor flowmeter dan Arduino Uno sebagai mikrokontrol, sedangkan untuk pengiriman data sensor ke aplikasi mobile (Blynk) menggunakan modem dan router dengan ethernet shield sebagai fungsi LAN pada Arduino mega 2560. Hasil pengujian menunjukan bahwa alat ini dapat mendeteksi terjadinya kebocoran dengan laju debit air -> 0,1 L/m pada saat kondisi keran pada posisi OFF.
SISTEM PENDUKUNG KEPUTUSAN UNTUK PEMILIHAN LAPTOP TERBAIK MENGGUNAKAN METODE SMART Siregar, Rafif Nauval Tuah; Sihombing, Richard Steven Immanuel; Wahyu Kurnia Rahman
Jurnal Informatika dan Rekayasa Elektronik Vol. 7 No. 2 (2024): JIRE NOPEMBER 2024
Publisher : LPPM STMIK Lombok

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36595/jire.v7i2.1194

Abstract

Dalam menghadapi bermacam-macam opsi laptop di pasar teknologi saat ini, Sistem Pendukung Keputusan (SPK) untuk pemilihan laptop terbaik menjadi Solusi penting bagi mereka. Metode SMART adalah metode yang akan digunakan dalam penelitian ini, karenan memungkinan pengguna untuk menilai kriteria-kriteria yang relevan seperti harga, daya tahan baterai, layar, Processor, VGA, RAM dan Penyimpanan. SPK akan menganalisis preferensi pengguna dan menyajikan rekomendasi laptop terbaik berdasarkan evaluasi yang objektif. Integrasi metode SMART diharapkan dapat meningkatkan akurasi rekomendasi SPK sesuai dengan kebutuhan individu. Hasil pengujian yang dilakukan dengan menggunakan metode blackbox menunjukkan bahwa, semua output yang dihasilkan sesuai dengan input yang diberikan, yang berarti sistem berfungsi dengan baik dan memberikan rekomendasi laptop yang konsisten dengan apa yang dibutuhkan oleh pengguna.
PENGARUH METODE PENGUKURAN JARAK DAN SMOTE PADA KLASIFIKASI PENILAIAN KREDIT Fadilah, Rifal; Chrisnanto, Yulison Herry; Abdillah, Gunawan
Jurnal Informatika dan Rekayasa Elektronik Vol. 7 No. 2 (2024): JIRE NOPEMBER 2024
Publisher : LPPM STMIK Lombok

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36595/jire.v7i2.1213

Abstract

Kredit berperan penting untuk menunjang pertumbuhan ekonomi masyarakat. Meski demikian, pengguna kartu kredit diingatkan untuk menggunakan kartu kredit secara bijak sesuai kebutuhan, dan selalu melakukan pembayaran tepat waktu sesuai tagihan yang telah ditetapkan, guna menghindari masalah kredit macet Untuk mengatasi masalah tersebut dibutuhkan sebuah pembelajaran mesin yang mampu mendeteksi sedini mungkin terhadap akun kartu kredit yang beresiko tinggi menjadi krusial untuk mengurangi kerugian yang disebabkan oleh pembayaran kredit macet.penelitian kali ini mengusulkan pengembangan Teknik dalam mechine learning untuk membantu mengklasifikasi kredit macet dengan menggunakan algoritma KNN dengan mengacu kepada penelitian sebelumnya mengenai  pengukuran matrix jarak. Dataset German credit data yang di dapatkan dari UCI Mechine Learning memiliki imbalance class Dimana jumlah class positif lebih besar dari class negative. Dari pengujian menggunakan berbagai metode pengukuran jarak serta dengan penerapan SMOTE. Pengujian menunjukkan penanganan ketidakseimbangan kelas menggunakan algoritma SMOTE meningkatkan akurasi, presisi, recall, f1-score, dan g-mean pada KNN secara signifikan. Implementasi 5 metode pengukuran jarak menunjukkan bahwa jarak Manhattan memberikan performa terbaik. Jarak Manhattan memberikan hasil akurasi tertinggi sebesar 84% setelah dilakukan penerapan Teknik SMOTE pada pengujian K = 5, sementara jarak Canberra juga menunjukkan performa yang kuat. Metode Manhattan lebih unggul dalam memberikan hasil klasifikasi yang akurat dibandingkan dengan metode lainnya.
KLASIFIKASI DIAGNOSA PENYAKIT TIROID MENGGUNAKAN METODE RANDOM FOREST Raja Darmawan; Yulison Herry Chrisnanto; Gunawan Abdillah
Jurnal Informatika dan Rekayasa Elektronik Vol. 7 No. 2 (2024): JIRE NOPEMBER 2024
Publisher : LPPM STMIK Lombok

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36595/jire.v7i2.1214

Abstract

Tiroid adalah kelenjar penting di leher manusia yang mengatur metabolisme melalui hormon-hormonnya. Gangguan hormon pada tiroid dapat berdampak signifikan pada kesehatan. Gejalanya sering kali sulit diidentifikasi karena menyerupai keluhan yang diakibatkan gaya hidup. Untuk mengatasi masalah ini, diperlukan pembelajaran mesin untuk mendeteksi diagnosis penyakit tiroid berdasarkan gejala. Penelitian ini bertujuan untuk mengembangkan teknik machine learning yang dapat membantu klasifikasi diagnosa penyakit tiroid menggunakan metode random forest. Pengujian dilakukan sebanyak 6 kali dengan mengubah nilai parameter untuk mengetahui pengaruhnya terhadap akurasi model. Hasil penelitian menunjukkan bahwa parameter seperti jumlah pohon keputusan, kedalaman maksimum, dan jumlah minimum sampel daun dapat mempengaruhi akurasi model. Hasil pengujian menunjukkan akurasi tertinggi diperoleh pada pengujian ketiga dengan pembagian data 80/20 didapatkan hasil akurasi 99%. Penelitian ini menyimpulkan bahwa metode random forest efektif dalam meningkatkan akurasi diagnosa penyakit tiroid serta menekankan pentingnya penyesuaian parameter untuk hasil yang optimal.
ANALISIS SENTIMEN TERKAIT PROGRAM KARTU PRAKERJA MENGGUNAKAN METODE K-NEAREST NEIGHBORS Cecep M Zakariya; Yulison Herry Chrisnanto; Gunawan Abdillah
Jurnal Informatika dan Rekayasa Elektronik Vol. 7 No. 2 (2024): JIRE NOPEMBER 2024
Publisher : LPPM STMIK Lombok

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36595/jire.v7i2.1215

Abstract

Salah satu masalah makroekonomi yang menghambat perkembangan suatu negara adalah tingkat pengangguran. Berdasarkan data dari Badan Pusat Statistik, pada Februari 2022 tingkat pengangguran terbuka mencapai 5,58%. Banyak pendapat tentang program kartu prakerja pemerintah untuk mengatasi pengangguran. Program ini mendapat tanggapan pro dan kontra yang menghasilkan beragam pendapat. Twitter sebagai platform media sosial memungkinkan penyampaian opini tentang berbagai isu, termasuk program kartu prakerja. Pendekatan analisis sentimen saat ini banyak digunakan untuk menilai opini tentang berbagai topik. Dalam penelitian ini, dilakukan analisis sentimen menggunakan metode K-Nearest Neighbors (KNN) dan seleksi fitur Information Gain untuk melihat tingkat akurasi yang dihasilkan oleh model dan menentukan apakah opini tentang program kartu prakerja bersifat positif, negatif, atau netral. hasil penelitian menunjukan bahwa metode ini berhasil mencapai tingkat akurasi sebesar 93% serta nilai precision, recall, F1-Score, dan G-Mean yang tinggi, dengan rasio dataset 70% data latih dan 30% data uji dengan parameter nilai K=1.
STEGANOGRAFI METODE INVERTED LSB MENGGUNAKAN POLA ADAPTIF DAN DCT Kukuh Yulion Setia Prakoso; Herry Chrisnanto, Yulison; Kasyidi, Fatan
Jurnal Informatika dan Rekayasa Elektronik Vol. 7 No. 2 (2024): JIRE NOPEMBER 2024
Publisher : LPPM STMIK Lombok

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36595/jire.v7i2.1222

Abstract

Keamanan informasi merupakan aspek krusial dalam perlindungan data dari ancaman yang berpotensi merusak, mencakup penggunaan teknik steganografi untuk menyembunyikan pesan rahasia dalam media seperti gambar. Penelitian terdahulu memfokuskan pada metode Inverted LSB dengan pola adaptif, yang telah terbukti meningkatkan imperceptibility dibandingkan metode konvensional. Evaluasi menggunakan nilai MSE, PSNR dan SSIM menunjukkan kualitas gambar yang relatif tinggi, meskipun terdapat penurunan seiring dengan peningkatan panjang pesan yang disisipkan. Hasil pengujian untuk pesan berisi 1000 karakter menghasilkan nilai MSE berkisar 0.001465 hingga 0.045898, untuk nilai PSNR berkisar 61.512825 hingga 76.472891 dan untuk nilai SSIM berkisar 0.998904 hingga 0.999989, sedangkan untuk pesan 5000 karakter, nilai MSE berkisar 0.040802 hingga 0.138763, untuk nilai PSNR berkisar 56.708053 hingga 62.023989 dan untuk nilai SSIM berkisar 0.998151 hingga 0.999535. Berdasarkan hasil pengujian dan membandingkannya dengan penelitian sebelumnya, pada penelitian ini didapatkan hasil yang lebih baik dalam mempertahankan kualitas gambar seiring meningkatnya panjang pesan, yaitu untuk pesan berisi 1000 karakter menghasilkan nilai MSE berkisar 0.026306 hingga 0.039501, untuk nilai PSNR berkisar 56.1355 hingga 63.1976 dan untuk nilai SSIM berkisar 0.99743 hingga 0.99839, sedangkan untuk pesan 5000 karakter, nilai MSE berkisar 0.026307 hingga 0.039506, untuk nilai PSNR berkisar 56.1333  hingga 63.1973 dan untuk nilai SSIM berkisar 0.99596 hingga 0.99783.
PERFORMA OPTIMASI POLA ELEKTRODA DALAM ELECTRICAL IMPEDANCE TOMOGRAPHY (EIT) Ramandha, Armelia; Basari
Jurnal Informatika dan Rekayasa Elektronik Vol. 7 No. 2 (2024): JIRE NOPEMBER 2024
Publisher : LPPM STMIK Lombok

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36595/jire.v7i2.1224

Abstract

Abstrak Electrical Impedance Tomography (EIT) adalah teknik pencitraan medis yang merekonstruksi gambar berdasarkan distribusi konduktivitas jaringan biologis. EIT memiliki keunggulan seperti portabilitas, resolusi temporal yang baik, biaya rendah, non-invasif, bebas ionisasi, dan bebas radiasi, namun memiliki resolusi spasial yang lebih rendah dibandingkan dengan teknik pencitraan lainnya. Penelitian ini bertujuan untuk mengoptimalkan pola elektroda dan teknik rekonstruksi guna meningkatkan kualitas gambar EIT. Sistem EIT yang digunakan terdiri dari AD5933 untuk pengukuran impedansi, multiplexer 16-pin untuk pemilihan elektroda, Arduino Nano untuk kontrol multiplexer, dan Raspberry Pi untuk pemrosesan data dan rekonstruksi gambar. Perangkat lunak berbasis Tkinter dan pyEIT dikembangkan untuk memudahkan pengguna dalam memilih pola elektroda (Adjacent, Cross, Opposite) dan algoritma rekonstruksi (Back-Projection (BP), Jacobian (JAC), GREIT). Simulasi dilakukan untuk menilai kesamaan antara gambar yang direkonstruksi dengan ground truth menggunakan nilai Structural Similarity Index Measure (SSIM). Hasil simulasi menunjukkan bahwa rekonstruksi JAC dengan pola elektroda adjacent menghasilkan nilai SSIM tertinggi sebesar 0,9427, sementara hasil eksperimen menunjukkan bahwa rekonstruksi BP dengan pola elektroda adjacent menghasilkan nilai SSIM tertinggi sebesar 0,9399. Pola elektroda cross menghasilkan noise berlebihan dan nilai SSIM rendah, sedangkan pola elektroda opposite memerlukan penyesuaian lebih lanjut. Total data yang dihasilkan berbeda dan mempengaruhi waktu pengukuran, dengan urutan elektroda adjacent memiliki data terbanyak dengan waktu akuisisi terpanjang. Hasil penelitian ini memberikan panduan dalam memilih urutan elektroda dan teknik rekonstruksi terbaik untuk meningkatkan kualitas gambar pada sistem EIT.
IDENTIFIKASI VARIETAS BIBIT DURIAN MENGGUNAKAN MOBILENETV2 BERDASARKAN GAMBAR DAUN Didi Kurniawan; Dhani Ariatmanto
Jurnal Informatika dan Rekayasa Elektronik Vol. 7 No. 2 (2024): JIRE NOPEMBER 2024
Publisher : LPPM STMIK Lombok

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36595/jire.v7i2.1236

Abstract

Durian merupakan tanaman buah yang sangat berharga dan menyediakan sumber pendapatan yang berkelanjutan bagi petani. Durian terdapat berbagai varietas yang memiliki ciri khas yang unik, termasuk perbedaan dalam bentuk, warna, rasa dan aroma dari daging buahnya. Identifikasi bibit durian yang akurat penting bagi petani untuk memaksimalkan potensi pertanian dalam memenuhi permintaan pasar yang sesuai. Namun, mengidentifikasi jenis bibit durian secara manual seringkali merupakan tugas yang rumit dan subjektif, terutama bagi petani yang kurang berpengalaman. Penelitian ini menggunakan arsitektur MobileNetV2 untuk mengidentifikasi jenis bibit durian berdasarkan gambar daun. Model dilatih dengan berbagai kombinasi learning rate dan batch size menggunakan Adam optimizer. Tahap prapemrosesan melibatkan penghapusan latar belakang dan penggunaan bounding box untuk memfokuskan pada daun durian. Hasil menunjukkan bahwa MobileNetV2 dapat mengklasifikasikan varietas durian dengan akurasi tertinggi 90% menggunakan learning rate 0.0001 dan batch size 32. Penelitian ini mendukung pengembangan teknologi identifikasi tanaman yang membantu petani dalam memilih varietas durian dengan cepat dan akurat. 
KLASIFIKASI TINGKAT RISIKO DIABETES MENGGUNAKAN ALGORITMA RANDOM FOREST Setiawan , Andri; Nasution , Zikri Hardyan; Khairi, Zuriatul; Rahmaddeni; Efrizoni, Lusiana
Jurnal Informatika dan Rekayasa Elektronik Vol. 7 No. 2 (2024): JIRE NOPEMBER 2024
Publisher : LPPM STMIK Lombok

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36595/jire.v7i2.1259

Abstract

Diabetes mellitus, penyakit metabolik kronis, menyebabkan kadar gula darah berlebihan karena tubuh tidak menghasilkan cukup insulin atau tidak mampu menggunakannya secara efektif. Kondisi ini biasanya disebabkan oleh masalah organ tubuh. Peningkatan glukosa darah yang berlarut-larut akibat diabetes dapat menyebabkan gagal ginjal, kebutaan, dan serangan jantung. Diabetes dinyatakan pada pasien yang memiliki glukosa darah yang lebih tinggi dari nilai normal. Organisasi Kesehatan Dunia (WHO) mengatakan bahwa pada tahun 2011, 4,6 juta orang meninggal karena diabetes, 2,2 juta karena kadar glukosa darah tinggi, dan 1,6 juta karena diabetes. Jumlah orang yang menderita diabetes pada tahun 2015 adalah 415 juta, dan diperkirakan akan meningkat menjadi 642 juta pada tahun 2040. Salah satu metode data mining yang membantu prediksi adalah klasifikasi data mining; tujuan penelitian ini adalah untuk membuat dan menerapkan klasifikasi ini. Penelitian ini juga menyelidiki epidemiologi diabetes, faktor risiko, strategi pencegahan dan pengelolaan diabetes, dan strategi untuk mengurangi beban penyakit diabetes di masa depan. Klasifikasi dapat dilakukan dengan algoritma Random Forest. Data tentang penyakit diabetes diolah oleh penulis melalui metode Random Forest. Hasil evaluasi model menunjukkan bahwa algoritma Forest Random dapat mengklasifikasikan risiko diabetes dengan akurat. Dari seleksi rangking variabel, ditemukan bahwa ada 300 pasien dengan risiko diabetes rendah dan 20 pasien dengan risiko diabetes tinggi. Kami juga menemukan bahwa model biasanya dapat mengklasifikasikan data dengan benar dengan nilai akurasi sebesar 98%, dan AUC dikategorikan sebagai “Excellent Classification" karena kemampuan untuk membedakan kelas positif dan negatif dengan nilai Area Under Curve (AUC) 100%.

Page 17 of 24 | Total Record : 232

 15   16   17   18   19 

Filter by Year

2018 2025


Reset
Filter By Issues
All Issue Vol. 8 No. 2 (2025): JIRE November 2025 Vol. 8 No. 1 (2025): JIRE APRIL 2025 Vol. 7 No. 2 (2024): JIRE NOPEMBER 2024 Vol. 7 No. 1 (2024): JIRE APRIL 2024 Vol. 6 No. 2 (2023): Jire Nopember 2023 Vol. 6 No. 1 (2023): JIRE April 2023 Vol. 5 No. 2 (2022): JIRE Nopember 2022 Vol. 5 No. 1 (2022): JIRE April 2022 Vol. 4 No. 2 (2021): JIRE NOVEMBER 2021 Vol. 4 No. 1 (2021): JIRE April 2021 Vol. 3 No. 2 (2020): JIRE Nopember 2020 Vol. 3 No. 1 (2020): JIRE April 2020 Vol. 2 No. 2 (2019): JIRE Nopember 2019 Vol. 2 No. 1 (2019): JIRE April 2019 Vol. 1 No. 2 (2018): JIRE Nopember 2018 Vol. 1 No. 1 (2018): JIRE April 2018 More Issue