cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Joseph Dedy Irawan
Contact Email
joseph@lecturer.itn.ac.id
Phone
+62811367463
Journal Mail Official
mnemonic@scholar.itn.ac.id
Editorial Address
Jl. Raya Karanglo Km. 2 Malang
Location
Kota malang,
Jawa timur
INDONESIA
Jurnal Mnemonic
Published by Institut Teknologi Nasional Malang
ISSN : -     EISSN : 26144808     DOI : https://doi.org/10.36040/mnemonic
Core Subject : Science,
Computer Science & IT
Jurnal Mnemonic adalah jurnal nasional yang diterbitkan oleh Teknik Informatika Institut Teknologi Nasional Malang, sebagai media publikasi hasil penelitan dan pengabdian masyarakat dalam bidang Teknik Informatika bagi para akademisi dan peneliti untuk mempublikasikan karya-karya ilmiah di khalayak luas, diterbitkan secara berkala 2 kali setahun pada bulan Februari dan September.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 191 Documents
 13   14   15   16   17 
ANALISIS TREN CALON PRESIDEN INDONESIA 2024 Khusnu Reza Mahfud, Fakhris; Hariyanto, Wahyu; Chandra Puspitadewi, Ganis
Jurnal Mnemonic Vol 7 No 1 (2024): Mnemonic Vol. 7 No. 1
Publisher : Teknik Informatika, Institut Teknologi Nasional malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/mnemonic.v7i1.8801

Abstract

Pemilihan umum merupakan agenda lima tahunan bagi masyarakat Indonesia. Pada masa pencalonan ini para calon presiden dan wakil presiden melakukan kampanye secara konvensional maupun modern. Kampanye secara modern dilakukan pada media sosial salah satunya twitter. Salah satu hasil kampanye tersebut akhirnya akan membentuk opini publik tentang popularitas calon presiden dan wakil presiden yang berasal dari media sosial twitter juga. Data yang tidak terstruktur dan tingginya dimensi menjadi tantangan dalam penelitian ini. Penelitian ini dimulai dengan studi literatur, identifikasi permasalahan, pengumpulan data berupa scrapping pada twitter, pengolahan dan analisis data, serta langkah terakhir penarikan kesimpulan. Data yang diperoleh sebanyak sebanyak 2298 tweet, yang dibagi menjadi 80% data latih dan 20% data uji. Pada tahapan pengolahan data penelitian ini menggunakan klasifikasi Naïve Bayes untuk membentuk model klasifikasi, berdasarkan model tersebut diperoleh nilai akurasi 83%, presisi 84%, dan recall 83%.
KLASIFIKASI DATA MINING UNTUK PENENTUAN STUNTING PADA BALITA MENGGUNAKAN METODEN NAÏVE BAYES Mulyanto, Yudi; Idifitriani, Farida; Wati, Ambar
Jurnal Mnemonic Vol 7 No 2 (2024): Mnemonic Vol. 7 No. 2
Publisher : Teknik Informatika, Institut Teknologi Nasional malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/mnemonic.v7i2.8849

Abstract

Maraknya stunting pada balita yang meengakibatkan reesiko angka keematian sangat tinggi, Permasalahan tersbut menjadi perhatian agar dapat mengatasi stunting pada balita salah satunya di Kecamatan Poto Tano. Permasalahan stunting yang ditemukan di Puskesmas Kecamatan Poto Tano yang disebabkan kurangnya pengetahuan orang tua akan bahayanya stunting, faktor ekonomi yang mengakibatkan kurangnya asupan gizi pada bayi balita. Dengan melakukan analisis data mining terhadap data balita dalam penentuan stunting diolah menjadi sebuah informasi untuk dapat mendeteksi stunting pada balita secara dini. Penulis menggunakan data gizi balita sebanyak 5.829 data balita yang diperoleh dari Puskemas Poto Tano. Naïvee Bayees digunakan sebagai metode untuk klasifikasi data dalam penelitian ini. Penulis menggunakan tools RapidMiner dengan algoritma Naïve Bayes dan menggunakan atribut beerpeengaruh teerhadap peeneentuan stunting pada balita seepeerti, umur Beerat Badan (BB/U) dan Tinggi Badan (TB/U). Naive Bayes terbukti efektif dalam peenentuan stunting pada balita deengan tingkat akurasi yang sangat tinggi meencapai 95.08%.
EVALUASI USER EXPERIENCE PADA WEBSITE PROGRAM STUDI PERPUSTAKAAN DAN ILMU INFORMASI UIN MALANG DENGAN MENGGUNAKAN METODE USER EXPERIENCE QUESTIONNAIRE Shabri Irawan, Fiki; Azhar Basthomi, Firdy; Nurul Qolbi, Muhammad; Fikri Mubarak, Achmad
Jurnal Mnemonic Vol 7 No 1 (2024): Mnemonic Vol. 7 No. 1
Publisher : Teknik Informatika, Institut Teknologi Nasional malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/mnemonic.v7i1.8874

Abstract

Penelitian ini bertujuan menguji pengalaman pengguna atau user experience pada website Program Studi Perpustakaan dan Ilmu Informasi UIN Malang dengan merujuk pada dimensi dalam User Experience Questionnaire (UEQ). Penelitian dilakukan dengan metode kuesioner UEQ. Pengumpulan data selama seminggu dengan sampel 97 mahasiswa Fakultas Sains dan Teknologi UIN Malang yang sudah pernah membuka website prodi Perpustakaan dan Ilmu Informasi UIN Malang. Hasil evaluasi UX menunjukkan nilai rata-rata positif di dimensi daya tarik (1,20), kejelasan (1,46), efisiensi (1,16), ketepatan (1,11) dan stimulasi (0,89). Namun dimensi kebaruan mendapat nilai negatif (0,60). Analisis benchmark menunjukkan dimensi daya tarik, kejelasan dan efisiensi berada di atas rata-rata, sementara dimensi ketepatan, stimulasi dan kebaruan di bawah rata-rata. Kesimpulannya, website Program Studi Perpustakaan dan Ilmu Informasi UIN Malang secara umum memiliki pengalaman pengguna yang positif, namun perlu ditingkatkan terutama dalam hal kebaruan. Peneliti menyarankan penelitian lebih lanjut dengan metode wawancara atau pernyataan terbuka serta menambah sampel untuk keakuratan data. Hasil dari penelitian ini dapat digunakan sebagai acuan untuk mengrmbangkan website Program Studi Perpustakaan dan Ilmu Informasi yang lebih baik di masa depan.
KOMPARASI ALGORITMA SUPPORT VECTOR MACHINE DAN RANDOM FOREST UNTUK ANALISIS SENTIMEN METAVERSE Sari, Putri Kumala; Suryono, Ryan Randy
Jurnal Mnemonic Vol 7 No 1 (2024): Mnemonic Vol. 7 No. 1
Publisher : Teknik Informatika, Institut Teknologi Nasional malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/mnemonic.v7i1.8977

Abstract

Fenomena metaverse menggambarkan transformasi signifikan dalam interaksi manusia dengan dunia digital. Saat ini, pemerintah dan industri berupaya memahami arah pengembangan metaverse untuk mewujudkan digitalisasi dalam berbagai sektor. Penelitian ini menggunakan data media sosial X untuk melakukan analisis sentimen publik terhadap metaverse. Metode klasifikasi teks dibangun menggunakan model algoritma Support Vector Machine dan Random Forest. Dengan melakukan komparasi kedua model tersebut dan menerapkan metode optimasi SMOTE maka eksperimen ini menghasilkan akurasi yang tinggi. Hasilnya menunjukkan bahwa kedua model menghasilkan akurasi sebesar 91% untuk model algoritma Random Forest dan 90% untuk model algoritma Support Vector Machine. Dengan demikian dapat disimpulkan bahwa model algoritma Random Forest lebih baik dari Support Vector Machine. Selain itu penerapan SMOTE terbukti meningkatkan kemampuan untuk mengenali sentimen positif pada keduanya, meskipun terjadi trade-off antara recall dan precision. Trade-off terjadi karena adanya keterbatasan dalam model klasifikasi yang membuat peningkatan dalam satu metrik akan mengakibatkan penurunan dalam metrik lainnya, karena algoritma harus mengambil keputusan yang mengoptimalkan keduanya secara bersamaan.
PEMODELAN WARNA PADA DATASET BARU CITRA BUNGA LANTANA CAMARA MENGGUNAKAN ALGORITMA YOLOV5 Putu Sugiati Keraf, Maria; Aristo Jansen Sinlae, Alfry; Batarius, Patrisius
Jurnal Mnemonic Vol 7 No 1 (2024): Mnemonic Vol. 7 No. 1
Publisher : Teknik Informatika, Institut Teknologi Nasional malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/mnemonic.v7i1.9218

Abstract

Lantana camara merupakan salah satu tumbuhan tropis invasif yang berpotensi sebagai tanaman hias yang memiliki keunikan pada kelopak bunga berwarna-warni dan dapat diklasifikasikan menjadi beberapa jenis warna. Meskipun demikian tumbuhan ini dapat ditemukan di pekarangan rumah dan pengetahuan masyarakat tentang tumbuhan ini terkait manfaat khususnya masih terbatas. Selain itu, proses identifikasi warna pada bunga lantana camara dalam produksi massal masih sulit dan memakan waktu serta pemilihan warna secara manual dapat menyebabkan kelelahan pada mata manusia. Oleh karena itu, diperlukan solusi yang memanfaatkan computer vision, seperti penerapan algoritma YOLOv5 untuk pemodelan warna. Metode yang digunakan melibatkan pengumpulan data berupa citra gambar bunga lantana sebanyak 1266 citra yang terbagi dalam 6 jenis warna (merah, putih, kuning, jingga, ungu, merah muda), penyimpanan data berupa citra gambar lantana dilakukan anotasi dan penyesuaian ukuran piksel, pelatihan data dilakukan pada citra gambar yang sudah dianotasi dan ukurannya sama untuk mendapatkan dataset menggunakan roboflow dan google collab, dan evaluasi model untuk mendapatkan hasil prediksi berdasarkan putaran pelatihan sebanyak 50 epoch dan membutuhkan waktu selama 0.483 jam. Hasil yang diperoleh berupa nilai persentase precision sebesar 95%, recall sebesar 99%, dan nilai MAP sebesar 99%, sehingga nilai rata-rata akurasinya di atas 90%. Berdasarkan hasil tersebut penelitian ini berhasil menghasilkan model pada dataset citra bunga lantana camara dengan rata-rata parameter teruji mencapai 90%.
INTEGRASI FITUR WARNA, TEKSTUR DAN RENYI FRAKTAL UNTUK KLASIFIKASI PENYAKIT DAUN KENTANG MENGGUNAKAN LINEAR DISCRIMINANT ANALYSIS Muchtar, Mutmainnah; Arjaliyah Muchtar, Rafiqah
Jurnal Mnemonic Vol 7 No 1 (2024): Mnemonic Vol. 7 No. 1
Publisher : Teknik Informatika, Institut Teknologi Nasional malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/mnemonic.v7i1.9258

Abstract

Penyakit pada daun tanaman kentang dapat secara signifikan mengurangi hasil panen dan kualitas produksi, sehingga diperlukan pendekatan otomatis berbasis pengolahan citra digital dalam mengidentifikasi penyakit secara tepat dan efektif. Penelitian ini bertujuan untuk meningkatkan efektivitas identifikasi penyakit pada daun kentang melalui pendekatan klasifikasi citra. Metode yang diajukan menggabungkan fitur-fitur momen warna, fitur tekstur menggunakan Gray-Level Co-occurrence Matrix (GLCM), dan dimensi fraktal Renyi. Linear Discriminant Analysis (LDA) digunakan sebagai metode klasifikasi utama. Terdapat 456 citra daun kentang dengan tiga kelas yaitu kelas sehat, early blight, dan late blight yang digunakan dalam penelitian ini. Fitur momen warna yang diekstraksi adalah fitur mean, variance, skewness, dan kurtosis. Sedangkan fitur GLCM yang digunakan adalah contrast, correlation, energy, dan homogeneity. Hasil eksperimen menunjukkan bahwa LDA memberikan akurasi tertinggi sebesar 98.46%, mengungguli metode klasifikasi lainnya seperti SVM, KNN, dan Random Forest. Integrasi fitur momen warna, tekstur, dan dimensi fraktal Renyi memberikan kontribusi penting dalam pengembangan teknik klasifikasi penyakit daun kentang dan berpotensi untuk menjadi landasan untuk meningkatkan upaya identifikasi penyakit pada tanaman secara keseluruhan
KLASTERISASI PENERIMAAN RETRIBUSI PELAYANAN PASAR MENGGUNAKAN METODE K-PROTOTYPE Ahkam Sani, Dian; Zoqi Sarwani, Moh.; Fahmi, Jamaluddin
Jurnal Mnemonic Vol 7 No 1 (2024): Mnemonic Vol. 7 No. 1
Publisher : Teknik Informatika, Institut Teknologi Nasional malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/mnemonic.v7i1.9410

Abstract

Pasar tradisional merupakan salah satu pusat kegiatan ekonomi yang penting di Kota Pasuruan. Bagi pedagang, pemilihan tempat berjualan yang strategis dan sesuai dengan kebutuhan pasar merupakan faktor krusial untuk meningkatkan daya jual dan keuntungan. Namun, proses pemilihan tempat berjualan yang optimal seringkali sulit dilakukan karena banyaknya variabel yang perlu dipertimbangkan. Penelitian ini melakukan klasterisasi penerimaan retribusi pelayanan pasar yang ada di kota pasuruan. data yang terkumpul sebanyak 72 data dengan 5 parameter. Penelitian ini menggunakan metode k-prototype sebagai klasterisasnya dan elbow untuk mencari jumlah klaster optimal. Hasil yang didapatkan sebanyak 3 klaster dimana klaster 0 adalah jenis pasar yang penerimaan retribusi pelayanannya rendah sebanyak 23 data, klaster 1 adalah jenis pasar yang jenis penerimaan retribusi pelayanannya tinggi sebanyak 18, sedangkan klaster 2 adalah jenis pasar yang jenis penerimaan retribusi pelayanannya sedang sebanyak 31. Dapat disimpulkan bahwa klaster 0 adalah jenis pasar yang penerimaan retribusi pelayanannya sedikit dilihat dari luas tempat dan harga sewanya, klaster 1 adalah jenis pasar yang jenis penerimaan retribusi pelayanannya kemungkinan banyak dibuktikan dari luas tempat dan juga harga sewanya, sedangkan klaster 2 adalah jenis pasar yang jenis penerimaan retribusi pelayanannya sedang karena luas tempatnya dan juga harga sewa dari tempat tersebut.
PENERAPAN ALGORITMA APRIORI UNTUK PREDIKSI PENJUALAN PT. DELIMA PANDU BERJAYA Prasista, Nurcahyani; Kacung, Slamet; Ananggadipa Swastyastu, Cempaka; Vega Vitianingsih, Anik
Jurnal Mnemonic Vol 7 No 1 (2024): Mnemonic Vol. 7 No. 1
Publisher : Teknik Informatika, Institut Teknologi Nasional malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/mnemonic.v7i1.9428

Abstract

Dalam era saat ini, penjualan produk dibidang kesehatan telah mengalami perkembangan yang cukup pesat. Pada awal pandemi COVID 2019 hingga saat ini mengalami peningkatan minat masyarakat akan penggunaan produk kesehatan. Perfect Health memiliki banyak jenis produk alat kesehatan dan salah satu produk unggulannya yaitu kursi pijat elektrik. Namun permasalahan yang dihadapi perusahaan adalah, banyaknya jenis produk kursi pijat elektrik sehingga sering terjadi penumpukan satu jenis produk dan sulit menentukan produk mana yang diminati konsumen. Berdasarkan hal tersebut, perusahaan dapat melakukan penerapan data mining menggunakan algoritma apriori yang memiliki tujuan yaitu untuk mengetahui pola asosiasi antar produk serta produk yang sering dibeli oleh konsumen, sehingga informasi tersebut berguna bagi perusahaan dan dapat dimanfaatkan sebagai prediksi stok penjualan. Hasil penerapan data mining menggunakan algoritma apriori dengan minimal support 7% dan minimal confidence 34% terdapat 2 pola asosiasi final yang terbentuk yaitu, apabila konsumen membeli perfect fit 5 maka produk selanjutnya yang akan dibeli adalah zensure 2 dengan support 8.46%, confidence 36.67%, uji lift 1.32 dan apabila konsumen melakukan pembelian perfect relaxer maka produk selanjutnya yang akan dibeli adalah BFS dengan support 7.69 confidence 35.71 dan uji lift 1.50.
NEEDLEMAN-WUNSCH AND SMITH-WATERMAN COMBINATIONS IN PAIRWISE ALIGNMENT Adi Sunarto, Asril; Prajoko, Prajoko
Jurnal Mnemonic Vol 7 No 2 (2024): Mnemonic Vol. 7 No. 2
Publisher : Teknik Informatika, Institut Teknologi Nasional malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/mnemonic.v7i2.9501

Abstract

Identification of Deoxyribonucleic acid (DNA), Ribonucleic acid (RNA), or protein needs to be done to find functional, structural, or evolutionary relationships between two sequences. There are various applications that already exist such as one of them EMBOSS either web or desktop versions. There are drawbacks to this application, such as repeatedly processing each user who needs sequence alignment results locally and globally at the same time. Therefore, we designed an application that can generate two sequence alignment outputs both locally and globally at the same time with pairwise alignment Needleman-Wunsch and Smith-Waterman. The result show that methods can be produces two outputs of sequence alignment in the same process. The impact is it can reduce the waiting time for users.
ANALISIS SENTIMEN TERHADAP LAYANAN SAMSAT DIGITAL NASIONAL (SIGNAL) MENGGUNAKAN METODE SVM Kacung, Slamet; Pamungkas Putra Bagyana, Caesare; Cahyono, Dwi
Jurnal Mnemonic Vol 7 No 1 (2024): Mnemonic Vol. 7 No. 1
Publisher : Teknik Informatika, Institut Teknologi Nasional malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/mnemonic.v7i1.9557

Abstract

Peningkatan signifikan dalam penggunaan pelayanan publik secara digital telah terjadi dalam kurun waktu tiga tahun terakhir. Perubahan ini dipicu oleh dampak wabah Covid-19 di Indonesia, yang mendorong sektor bisnis dan pelayanan untuk berinovasi guna terus memenuhi kebutuhan masyarakat. Dalam hal ini, Korps Lalu Lintas POLRI telah meluncurkan aplikasi bernama Samsat Digital Nasional (SIGNAL) untuk memudahkan pembayaran pajak kendaraan bermotor, menunjukkan komitmen dalam memperbaiki pelayanan publik melalui platform digital. Namun, dalam prakteknya, beberapa pengguna sering mengalami kendala seperti notifikasi kesalahan ketika melakukan pendaftaran seperti verifikasi wajah, kode otp dan verifikasi KTP, kemudian bug dalam penggunaan aplikasi seperti perizinan aplikasi dalam mengakses kamera pada beberapa versi android, bahkan kegagalan transaksi pembayaran saat menggunakan aplikasi SIGNAL. Menghadapi tantangan ini, sentiment analysis digunakan untuk mengevaluasi persepsi masyarakat Selain itu, hasil prediksi dari tiga kernel yang terdapat dalam metode klasifikasi Support Vector Machine (SVM) dan kernel Linier mencapai 96.2%, RBF mencapai 94.12%, polynomial mencapai 85.5%. Namun hasil evaluasi menggunakan KFold linier mencapai 97.65%, KFold RBF mencapai 97.86%, dan KFold polynomial sebesar 69.36%.

Page 15 of 20 | Total Record : 191

 13   14   15   16   17 

Filter by Year

2018 2025


Reset
Filter By Issues
All Issue Vol 8 No 2 (2025): Mnemonic Vol. 8 No. 2 Vol 8 No 1 (2025): Mnemonic Vol. 8 No. 1 Vol 7 No 2 (2024): Mnemonic Vol. 7 No. 2 Vol 7 No 1 (2024): Mnemonic Vol. 7 No. 1 Vol 6 No 2 (2023): Mnemonic Vol. 6 No. 2 Vol 6 No 1 (2023): Mnemonic Vol. 6 No. 1 Vol 5 No 2 (2022): Mnemonic Vol. 5 No. 2 Vol 5 No 1 (2022): Mnemonic Vol. 5 No. 1 Vol 4 No 2 (2021): Mnemonic Vol. 4 No. 2 Vol 4 No 1 (2021): Mnemonic Vol. 4 No. 1 Vol 3 No 2 (2020): Mnemonic Vol. 3 No. 2 Vol 3 No 1 (2020): Mnemonic Vol. 3 No. 1 Vol 2 No 2 (2019): Mnemonic Vol. 2 No. 2 Vol 2 No 1 (2019): Mnemonic Vol. 2 No. 1 Vol 1 No 2 (2018): Mnemonic Vol. 1 No. 2 Vol 1 No 1 (2018): Mnemonic Vol. 1 No. 1 More Issue