cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Rizki Yusliana Bakti
Contact Email
rizkiyusliana@unismuh.ac.id
Phone
+6285396530032
Journal Mail Official
ainet@unismuh.ac.id
Editorial Address
3th Floor of Menara Iqra, Universitas Muhammadiyah Makassar. Jalan Sultan Alauddin No.259 Makassar
Location
Kota makassar,
Sulawesi selatan
INDONESIA
Ainet : Jurnal Informatika
Published by Universitas Muhammadiyah Makassar
ISSN : 26861917     EISSN : 26570653     DOI : -
Core Subject : Science, Education, Engineering,
Computer Science & IT Engineering Languange, Linguistic, Communication & Media
Ainet : Jurnal Informatika is a scientific journal in the field of Informatics which contains scientific articles on various pure and applied research as well as general reviews on the development of theories, methods and related applied sciences. Ainet is published by Department of Informatics, Faculty of Engineering, Universitas Muhammadiyah Makassar. Published 2 times a year in March and September.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 9 Documents
 1 
Search results for , issue "Vol. 7 No. 2 (2025): September (2025)" : 9 Documents clear
Analisis Data Kepuasan Mahasiswa Terhadap Sarana Dan Prasarana Dengan Menggunakan Algoritma Naïve Bayes Pada Universitas Muhammadiyah Makassar suriani, suriani; Muhyiddin A.M Hayat; Rizki Yusliana Bakti
Ainet : Jurnal Informatika Vol. 7 No. 2 (2025): September (2025)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/wrccj205

Abstract

SURIANI, Salah satu institusi pendidikan tinggi yang berperan sentral dalam menyediakan pendidikan berkualitas adalah Universitas Muhammadiyah Makassar (Unismuh). Perguruan tinggi sebagai penyedia layanan harus menyediakan mutu pelayanan yang unggul kepada mahasiswa. Salah satu atribut pelayanan adalah hal yang tidak berwujud. Dalam konteks mahasiswa terhadap pelayanan fasilitas, pegawai dan kepuasan staf pengajar perlu memberikan pelayanan berkualitas tinggi kepada mahasiswa sesuai dengan kebutuhan mereka. Mahasiswa telah mengorbankan uang dan waktu untuk pendidikan, sehingga perguruan tinggi harus memberikan layanan yang sebanding dengan pengorbanan ini. Dari perhitungan yang telah dilakukan dengan metode Naïve Bayes, terdapat terdeteksi terdapat 16 mahasiswa mahasiswa yang menyatakan puas dan 427 mahasiswa yang menyatakan tidak puas, dengan perbandingan persentase 4% banding 96%. Dengan nilai presisi, recall, dan f1 score masing-masing bernilai 100%. Artinya pihak kampus perlu melakukan pengembangan dan perbaikan terhadap sarana dan prasarana yang ada pada kampus universitas Muhammadiyah makassar.
Penggunaan CNN Dalam Analisis Sentimen Pada Review Tempat Wisata Makassar Kamal, Safutri; Rachman, Fahrim Irhamna; Wahyuni, Titin
Ainet : Jurnal Informatika Vol. 7 No. 2 (2025): September (2025)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/73mrdb71

Abstract

Penelitian ini bertujuan untuk menganalisis sentimen pada ulasan tempat wisata di Makassar menggunakan metode Convolutional Neural Network (CNN). Makassar, sebagai salah satu destinasi wisata utama di Indonesia, menerima banyak ulasan dari pengunjung yang beragam. Setiap ulasan diproses secara tekstual melalui tahapan pembersihan data, tokenisasi, penghapusan kata-kata umum (stop words), dan stemming. Model CNN yang dibangun terdiri dari beberapa lapisan konvolusi dan pooling yang berfungsi untuk mengekstraksi fitur penting dari teks ulasan. Hasil penelitian ini memberikan wawasan yang berharga mengenai persepsi pengunjung terhadap tempat wisata di Makassar. Analisis sentimen ini dapat digunakan oleh pengelola tempat wisata dan pihak terkait untuk meningkatkan kualitas layanan dan pengalaman wisatawan.
Optimasi Ukuran Dataset untuk Analisis Sentimen Menggunakan Teknik Pembelajaran Mesin dan Pembelajaran Mendalam Halisah Duli, St Nur; Rahman, Fahrim Irhamna; Wahyuni, Titin
Ainet : Jurnal Informatika Vol. 7 No. 2 (2025): September (2025)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/xsq0pg68

Abstract

Penelitian ini bertujuan untuk mengoptimalkan ukuran dataset yang digunakan dalam analisis sentimen melalui penerapan teknik pembelajaran mesin dan pembelajaran mendalam. Metode pembelajaran mesin yang digunakan mencakup Naive Bayes, Regresi Logistik, dan Support Vector Machine, sedangkan Convolutional Neural Network digunakan untuk metode pembelajaran mendalam. Data yang digunakan dalam penelitian ini berasal dari ulasan Google Maps mengenai beberapa tempat wisata, seperti Bugis Waterpark, Akkarena, Tanjung Bayang, Pantai Bosowa, dan Wisata Kebun. Tahap pra-pemrosesan data meliputi pembersihan data, casefolding, penghapusan stopwords, tokenisasi, dan stemming. Pengujian dilakukan dengan sembilan ukuran dataset yang berbeda (4500, 4000, 3500, 3000, 2500, 2000, 1500, 1000, dan 500) serta pembagian data latih dan data uji dengan rasio 90:10, 80:20, dan 70:30. Hasil pengujian menunjukkan bahwa Regresi Logistik dengan ukuran dataset 1000 dan Pembagian 90:10 mencapai tingkat akurasi tertinggi sebesar 85%. Studi ini menyimpulkan bahwa ukuran dataset yang optimal bervariasi tergantung pada metode yang digunakan dan menggarisbawahi pentingnya pemilihan ukuran dataset yang tepat untuk meningkatkan kinerja analisis sentimen. .
Komparasi Algoritma Svm Dan Knn Dalam Memprediksi Peminatan Akademik Mahasiswa Program Studi Man Maharani, Afifah; Fahrim Irhmna Rachman; Rizki Yusliana Bakti
Ainet : Jurnal Informatika Vol. 7 No. 2 (2025): September (2025)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/dqm2kk92

Abstract

AbstrakPenentuan peminatan akademik mahasiswa merupakan tahapan penting dalam pendidikan tinggi karena berpengaruh terhadap keberhasilan studi dan pengembangan kompetensi. Namun, proses penentuan peminatan sering kali masih dilakukan secara subjektif dan belum sepenuhnya berbasis data akademik. Penelitian ini bertujuan untuk membandingkan performa algoritma Support Vector Machine (SVM) dan K-Nearest Neighbors (KNN) dalam memprediksi peminatan akademik mahasiswa Program Studi Manajemen Universitas Muhammadiyah Makassar. Data penelitian bersumber dari nilai mata kuliah inti mahasiswa angkatan 2018 hingga 2021 yang telah melalui tahapan prapemrosesan dan pelabelan ke dalam tiga konsentrasi, yaitu Sumber Daya Manusia, Pemasaran, dan Keuangan. Metode penelitian dilakukan dengan membangun model klasifikasi menggunakan algoritma SVM dan KNN, kemudian dievaluasi menggunakan metrik akurasi, precision, recall, dan f1-score dengan variasi parameter serta pembagian data latih dan data uji. Hasil pengujian menunjukkan bahwa algoritma SVM dengan kernel Radial Basis Function (RBF) dan test size 0,1 menghasilkan performa terbaik dengan nilai akurasi sebesar 70,55 persen. Sementara itu, algoritma KNN dengan nilai k sebesar lima, metrik jarak Euclidean, dan test size 0,1 memperoleh akurasi sebesar 57,53 persen. Temuan ini menunjukkan bahwa SVM memiliki kemampuan klasifikasi yang lebih baik dan stabil dibandingkan KNN, sehingga lebih layak diterapkan sebagai model pendukung sistem prediksi peminatan akademik mahasiswa berbasis pembelajaran mesin.Kata kunci: Support Vector Machine, K-Nearest Neighbors, Machine Learning.Abstract Determining academic specialization for university students is a crucial stage in higher education because it directly influences study success and competency development. However, the process is often conducted subjectively and is not fully based on academic data. This study aims to compare the performance of Support Vector Machine and K-Nearest Neighbors algorithms in predicting academic specialization of Management students at Universitas Muhammadiyah Makassar. The dataset consists of core course grades from cohorts 2018 to 2021 that were preprocessed and labeled into three concentrations: Human Resource Management, Marketing, and Finance. The research method involved building classification models using SVM and KNN, which were evaluated using accuracy, precision, recall, and F1-score with various parameter settings and train–test splits. The results show that SVM with a Radial Basis Function kernel and a test size of 0.1 achieved the best performance with an accuracy of 70.55 percent. Meanwhile, KNN with k equal to five, Euclidean distance, and a test size of 0.1 obtained an accuracy of 57.53 percent. These findings indicate that SVM provides more stable and accurate classification than KNN for academic specialization prediction. Therefore, SVM is considered more suitable as a machine learning based decision support model for academic specialization purposes effectively.Keyword: Support Vector Machine, K-Nearest Neighbors, Machine Learning.
Menentukan Tingkat Kemiripan Judul Mahasiswa Fakultas Keguruan dan Ilmu Pendidikan Unismuh Makassar Menggunakan Metode Cosine Similarity Lukman; Wahyuni, Titin; Baba, Haedir
Ainet : Jurnal Informatika Vol. 7 No. 2 (2025): September (2025)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/zzptwc89

Abstract

Plagiarism and duplicate thesis titles pose serious challenges to maintaining research originality among students at the Faculty of Teacher Training and Education (FKIP), Universitas Muhammadiyah Makassar. This study aims to implement the cosine similarity method to detect thesis title similarity and evaluate its performance using standard metrics. The research data comprised 1,000 thesis titles processed through preprocessing stages, TF-IDF feature extraction, cosine similarity calculation, and model evaluation. Results show the system can detect similarity with 87.33% accuracy, 100% precision, 58.70% recall, and 73.97% F1-score. Perfect precision indicates the system is highly reliable in identifying similar titles without false positives. However, the relatively low recall indicates that some similar titles remain undetected. This research provides practical contributions as a tool for verifying the authenticity of thesis titles and encourages the development of more sensitive similarity-detection systems in the future.
Implementasi Algoritma Simulated Annealing dalam Optimasi Waktu Tempuh pada Sistem Pengantaran J&T Express di Kecamatan Mariso Dika, Andika Saputra; Fachrim, Fachrim Irhamna Rahman; Chyquitha, Chyquitha Danu Putri; saputra, andika
Ainet : Jurnal Informatika Vol. 7 No. 2 (2025): September (2025)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/6qf28j63

Abstract

Meningkatnya volume pengiriman paket di perusahaan logistik membutuhkan perencanaan rute yang efisien, terutama di daerah perkotaan dengan kepadatan lalu lintas yang tinggi. Distrik Mariso dicirikan oleh kondisi lalu lintas yang padat yang secara signifikan memengaruhi waktu tempuh pengiriman bagi kurir J&T Express. Studi ini bertujuan untuk mengoptimalkan rute pengiriman paket dengan meminimalkan total waktu tempuh menggunakan Simulated Annealing (SA). Dataset dikumpulkan melalui observasi lapangan, wawancara kurir, dan analisis peta digital, termasuk titik pengiriman, jarak antar titik, dan perkiraan waktu tempuh berdasarkan kondisi lalu lintas historis. Masalah pengiriman dirumuskan sebagai Traveling Salesman Problem menggunakan model grafik berbobot. Hasil eksperimen menunjukkan bahwa metode yang diusulkan menghasilkan rute pengiriman yang lebih efisien dengan pengurangan total waktu tempuh dibandingkan dengan praktik perutean manual. Temuan ini menunjukkan bahwa Simulated Annealing efektif untuk optimasi rute pengiriman dan dapat digunakan sebagai pendekatan pendukung keputusan untuk meningkatkan efisiensi logistik di daerah perkotaan.
OPTIMALISASI DISTRIBUSI PEMILIH TERHADAP TPS MENGGUNAKAN METODE CLUSTERING FUZZY C-MEANS Djalil, Sony Achmad; Muhammad Faisal; Muhyiddin AM Hayat; Titin Wahyuni
Ainet : Jurnal Informatika Vol. 7 No. 2 (2025): September (2025)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/6jc0a759

Abstract

General elections are a fundamental pillar of modern democratic systems, requiring an implementation that is efficient, fair, and inclusive. One of the key factors influencing the success of an election is the determination of polling station locations, as their placement directly affects voter accessibility, travel distance, and public participation. Inappropriate polling station allocation can lead to service inequality, voter congestion, and a decline in the overall quality of the voting process. At the local administrative level, polling station determination is still largely conducted manually by grouping voters based on neighborhood or administrative boundaries. This conventional approach is often time consuming, prone to administrative errors, and frequently results in an uneven distribution of voters across polling stations. In addition, electoral regulations impose limits on the maximum number of voters per polling station to ensure smooth and orderly voting procedures, which are not always optimally satisfied through manual methods. As voter data complexity and geographic dispersion increase, computational approaches are needed to support more effective decision making. Clustering techniques in unsupervised learning enable objective grouping of voters based on spatial characteristics. The Fuzzy C-Means method represents a suitable approach because it can accommodate data uncertainty and overlapping service areas. The application of this method is expected to produce a more efficient, equitable, and data driven distribution of polling stations, thereby contributing to the improvement of election management quality and democratic integrity
klasifikasi tanaman herbal lokal berdasarkan citra daun dengan menggunakan algoritma resnet152v2 ., arneta; Darniati; Chyquitha Danuputri
Ainet : Jurnal Informatika Vol. 7 No. 2 (2025): September (2025)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/gstka990

Abstract

Abstrak Penelitian ini bertujuan untuk mengklasifikasikan tanaman herbal lokal berdasarkan citra daun dengan memanfaatkan algoritma Convolutional Neural Network (CNN) menggunakan arsitektur ResNet152V2. Identifikasi tanaman herbal secara manual masih menjadi tantangan bagi masyarakat karena banyak jenis tanaman memiliki kemiripan morfologi daun, sehingga berpotensi menimbulkan kesalahan dalam pemanfaatannya sebagai bahan obat tradisional. Oleh karena itu, penerapan teknologi pengolahan citra digital berbasis deep learning menjadi solusi yang relevan untuk meningkatkan akurasi identifikasi tanaman herbal. Dataset yang digunakan dalam penelitian ini terdiri dari 4.400 citra daun yang dikumpulkan secara langsung di lingkungan alami, mencakup 11 kelas yang terdiri atas tanaman herbal, non-herbal, dan kelas tidak teridentifikasi. Dataset melalui tahap pra-pemrosesan yang meliputi padding, resizing, normalisasi, serta augmentasi data untuk meningkatkan variasi dan kualitas data. Model ResNet152V2 dilatih menggunakan optimizer Adam dengan learning rate sebesar 0,0001 dan fungsi loss Categorical Crossentropy, serta menerapkan callback EarlyStopping untuk mencegah overfitting.Hasil evaluasi menunjukkan bahwa model mampu mencapai akurasi validasi sebesar 99,77% dan akurasi pengujian sebesar 99,11%. Nilai precision, recall, dan F1-score pada hampir seluruh kelas berada di atas 0,95, yang menandakan performa klasifikasi yang sangat baik. Dengan demikian, penelitian ini membuktikan bahwa ResNet152V2 efektif digunakan dalam sistem identifikasi tanaman herbal berbasis citra daun dan berpotensi dikembangkan lebih lanjut sebagai sistem pendukung pelestarian tanaman obat lokal.
Penerapan Sistem Pencarian Dokumen Berdasarkan Frasa di Abstrak Perpustakaan Digital Menggunakan Algoritma BM25 dan Word2Vec Fahrim Irhmna Rachman; Ida Mulyadi; Fajar, Nur
Ainet : Jurnal Informatika Vol. 7 No. 2 (2025): September (2025)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/t9pgjs86

Abstract

Perkembangan perpustakaan digital menyebabkan meningkatnya volume abstrak dokumen sehingga menuntut metode pencarian yang akurat untuk menemukan buku relevan. Penelitian ini mengusulkan penerapan sistem pencarian berbasis frasa pada abstrak dengan menggabungkan algoritma BM25 dan Word2Vec untuk meningkatkan relevansi hasil. Dataset terdiri dari 500 abstrak skripsi yang dipreproses (lowercasing, tokenisasi, stopword removal); model Word2Vec dilatih dengan arsitektur skip-gram (vector_size=100, window=5, epochs=50) dan BM25 diinisialisasi pada representasi token dokumen. Skor BM25, Word2Vec (cosine similarity) dan TF-IDF dinormalisasi lalu digabungkan (rata-rata) untuk pemeringkatan akhir. Evaluasi dilakukan menggunakan metrik Precision, Recall dan F1-Score pada beberapa query uji. Hasil menunjukkan peningkatan performa pada banyak query (rata-rata F1 ≈ 0.80) dengan beberapa kasus mencapai nilai sempurna (1.00), meskipun ada variabilitas antar tipe query. Temuan ini menegaskan bahwa penggabungan pencocokan lesikal BM25 dan representasi semantik Word2Vec dapat meningkatkan relevansi pencarian; pengembangan lanjutan direkomendasikan pada metode penggabungan skor dan perluasan korpus.

Page 1 of 1 | Total Record : 9

 1 

Filter by Year

2025 2025


Reset
Filter By Issues
All Issue Vol 7, No 1 (2025): Vol 7, No 1 (2025): Maret (2025) Vol. 7 No. 2 (2025): September (2025) Vol. 7 No. 1 (2025): Maret (2025) Vol 6, No 2 (2024): September (2024) Vol. 6 No. 2 (2024): September (2024) Vol 5, No 1 (2023): Maret (2023) Vol. 5 No. 1 (2023): Maret (2023) Vol 4, No 1 (2022): Maret (2022) Vol 3, No 2 (2021): September (2021) Vol 3, No 1 (2021): Maret (2021) Vol 2, No 2 (2020): September (2020) Vol 2, No 1 (2020): Maret (2020) Vol. 1 No. 2 (2019): September (2019) Vol 1, No 2 (2019): September (2019) Vol 1, No 1 (2019): Maret (2019) More Issue