cover
Contact Name
Randi Rizal
Contact Email
randirizal@unper.ac.id
Phone
+6285320132014
Journal Mail Official
index@unper.ac.id
Editorial Address
Universitas Perjuangan Tasikmalaya. Jl. PETA No. 177 Kota Tasikmalaya, Jawa Barat
Location
Kota tasikmalaya,
Jawa barat
INDONESIA
Informatics and Digital Expert (INDEX)
ISSN : 27752208     EISSN : 27150453     DOI : https://doi.org/10.36423/index.v2i02.582
INDEX merupakan Jurnal Informatika yang bertujuan untuk mengembangkan penelitian di bidang: Application E-Healthcare, E-Learning, E-Manufacturing, E-Commerce, E-Bussiness, E-Procurment E-Goverment, E-Governance Intellegent System Sistem Pakar Jaringan Syaraf Tiruan Algoritma Genetika Robotika Sistem Pendukung Keputusan Smart City Digital Forensics Network Forensics Smartphone Forensics Cloud Forensics Computer Forensics Manajemen Data dan Pengetahuan Pemodelan Konseptual, Bahasa dan Desain Data Mining Rekayasa Perangkat Lunak Interaksi Manusia dan Komputer Multimedia, Game dan Teknologi Seluler Keamanan Data Pengenalan Pola
Articles 262 Documents
The Rancang Bangun Alat Pendeteksi Hiperkolestrolemia Berbasis Mikrokontroler Arduino Uno Dani Rohpandi; Yoga Handoko Agustin; Evi Dewi Sri Mulyani; Fajri Pratama
Informatics and Digital Expert (INDEX) Vol. 6 No. 1 (2024): INDEX, Mei 2024
Publisher : LPPM Universitas Perjuangan Tasikmalaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36423/index.v6i1.1746

Abstract

Hiperkolesterolemia atau dengan kata lain adalah kadar kolesterol yang tinggi akan menimbulkan gangguan kesehatan, jika tidak segera ditangani akan semakin memperburuk kondisi dari penderitannya. Kolesterol sendiri tidak bisa dihilangkan karena merupakan zat penting yang dibutuhkan tubuh. Yang bisa dilakukan adalah mengkontrol agar kadar kolesterol dalam darah tidak melebihi batas normal. Saat ini cara yang dilakukan untuk mengetahui kadar kolesterol adalah dengan invasive yaitu dengan datang ke Rumah Sakit atau menggunakan alat pengukur kolesterol elektronik, cara tersebut dirasa kurang praktis untuk mengetahui kadar kolesterol karena membutuhkan waktu. Oleh sebab itu dengan dibuatnya alat pendeteksi kolesterol non invasive berbasis mikrokontroler Arduino Uno menggunakan sensor inframerah serta photodioda TCRT 5000 dan dihubungkan dengan aplikasi khusus untuk penginputan datanya yang akan dimasukan ke dalam database dapat berfungsi secara optimal, sehingga pengguna atau tenaga medis dapat melakukan langkah pengobatan atau penanganan kolesterol dengan tepat dan efektif. Tingkat akurasi yang dihasilkan oleh alat ini dibandingkan dengan alat kesehatan komersial yaitu sebesar 93.04%, hal ini tentu saja bergantung pada kualitas komponen terutama perangkat sensor yang digunakan.
PERBANDINGAN ALGORITMA NAÏVE BAYES DAN K-NEAREST NEIGHBOR (KNN) PADA VIDEO YOUTUBE MENGENAI GLOBAL WARMING Aldi Himawan; Castaka Agus Sugianto
Informatics and Digital Expert (INDEX) Vol. 6 No. 2 (2024): INDEX, November 2024
Publisher : LPPM Universitas Perjuangan Tasikmalaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36423/index.v6i2.1803

Abstract

Pemanasan global merupakan salah satu tantangan lingkungan utama yang dihadapi dunia saat ini, disebabkan oleh peningkatan emisi gas rumah kaca. Media sosial, khususnya YouTube, menjadi platform penting dalam menyebarkan informasi dan menciptakan kesadaran tentang isu-isu ini. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap video YouTube yang membahas pemanasan global, khususnya video yang dibuat oleh Najwa Shihab. Dua metode klasifikasi digunakan, yaitu Naïve Bayes dan K-Nearest Neighbor (KNN), untuk mengklasifikasikan komentar pengguna menjadi kategori positif atau negatif. Data komentar dikumpulkan menggunakan teknik web scraping pada Februari 2024, dan dianalisis menggunakan metode SEMMA Data Mining Process. Hasil analisis menunjukkan bahwa metode Naïve Bayes dan KNN memberikan kinerja yang kompetitif dalam mengklasifikasikan sentimen komentar-komentar ini. Evaluasi dilakukan dengan membagi dataset komentar menjadi beberapa rasio pelatihan dan pengujian, Evaluasi dilakukan dengan membagi dataset komentar menjadi beberapa rasio pelatihan dan pengujian: 70:30, 80:20, dan 90:10. Hasil analisis menggunakan rasio 90:10 yang sudah dilakukan menggunakan 10-fold cross validation menunjukkan bahwa algoritma Naïve Bayes memperlihatkan kinerja yang kompetitif dengan akurasi sebesar 79.17%, presisi sebesar 80.76% recall sebesar 79.17%, dan f1-score sebesar 78.68%. Sementara itu, K-Nearest Neighbor juga menunjukkan kinerja yang kompetitif, dengan akurasi sebesar 76.06% , presisi sebesar 76.70%, recall sebesar 76.06%, dan f1-score sebesar 75.98% . Hasil pengujian T-Test menujukan perbedaan yang signifikan antara algoritma Naïve Bayes dan K-Nearest Neighbor dengan nilai probabilstik 0.0001 kurang dari nilai alpha yaitu 0.05 yang menunjukan bahwa algoritma Naïve Bayes lebih unggul performanya. Selain itu, analisis sentimen menunjukkan bahwa mayoritas komentar memiliki sentimen negatif, mencerminkan bahwa video tersebut berhasil meningkatkan kesadaran masyarakat mengenai isu pemanasan global dan memicu diskusi yang konstruktif.
IMPLEMENTASI KOMBINASI METODE SIMPLE ADDITIVE WEIGHTING (SAW) DAN WEIGHTED AGGREATED SUM PRODUCT ASSESMENT (WASPAS) PADA PEMILIHAN SEPEDA MOTOR LISTRIK TERBAIK Anka Riyadi Firdaus
Informatics and Digital Expert (INDEX) Vol. 7 No. 1 (2025): INDEX, Mei 2025
Publisher : LPPM Universitas Perjuangan Tasikmalaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36423/index.v7i1.1819

Abstract

Perkembangan teknologi modern telah meningkatkan kebutuhan akan kendaraan yang lebih efisien dan ramah lingkungan, salah satunya adalah sepeda motor listrik. Penelitian ini bertujuan untuk membantu masyarakat dalam menentukan pilihan sepeda motor listrik terbaik melalui penerapan metode Simple Additive Weighting (SAW) dan Weighted Aggregated Sum Product Assessment (WASPAS). Penelitian ini mempertimbangkan delapan kriteria utama: jarak tempuh, kapasitas baterai, waktu pengisian daya, ketersediaan layanan jasa, kecepatan maksimum, harga, fitur sistem keamanan, dan lama garansi. Lima merk sepeda motor listrik dipilih sebagai objek penelitian yaitu Alessa eX3000, Exotic Mizone, Uwinfly T3 Pro, Smoot Zuzu, dan Viar Q1.
VISUALISASI DATA KEJAHATAN DENGAN MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING DI KOTA TASIKMALAYA Seni Sentia
Informatics and Digital Expert (INDEX) Vol. 7 No. 1 (2025): INDEX, Mei 2025
Publisher : LPPM Universitas Perjuangan Tasikmalaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36423/index.v7i1.1882

Abstract

Tantangan utama dalam pengelolaan keamanan kota terletak pada perlunya mengidentifikasi pola-pola kejahatan secara efisien untuk meningkatkan perencanaan. Di Kota Tasikmalaya, distribusi kejahatan yang tidak merata menghambat upaya pengendalian dan pencegahan. Penelitian ini bertujuan untuk mengatasi permasalahan tersebut dengan menerapkan algoritma K-Means Clustering untuk visualisasi data kejahatan. Metodologi yang digunakan mencakup pengumpulan data kejahatan dari kepolisian setempat, pra-pemrosesan data untuk menghapus nilai yang hilang dan outlier, serta penerapan algoritma K-Means untuk mengelompokkan data berdasarkan lokasi dan jenis kejahatan. Hasil analisis menunjukkan bahwa algoritma K-Means berhasil mengidentifikasi beberapa cluster utama yang mencerminkan pola kejahatan di Kota Tasikmalaya. Cluster dengan tingkat kejahatan tinggi terdeteksi di pusat kota, sementara area pinggiran menunjukkan tingkat kejahatan yang lebih rendah. Visualisasi berbasis peta yang dihasilkan dari proses clustering ini mempermudah identifikasi lokasi-lokasi rawan kejahatan dan dapat dimanfaatkan untuk merencanakan strategi keamanan yang lebih efektif. Temuan ini memberikan wawasan yang berharga bagi pihak kepolisian dan pemerintah daerah dalam mengalokasikan sumber daya serta merancang kebijakan keamanan yang lebih terarah.
Optimasi Pemilihan Metode Pengajaran Dosen Menggunakan Data Mining, dan Algoritma K-Means dalam Proses Bisnis Pendidikan De Ali Farizal; Franciskus Antonius Alijoyo
Informatics and Digital Expert (INDEX) Vol. 6 No. 2 (2024): INDEX, November 2024
Publisher : LPPM Universitas Perjuangan Tasikmalaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36423/index.v6i2.1883

Abstract

Perguruan tinggi di Indonesia dihadapkan pada tantangan tingginya jumlah lulusan yang kurang memiliki kompetensi sesuai dengan kebutuhan dunia kerja, menciptakan kesenjangan antara lingkungan pendidikan dan pasar kerja. Hal ini menimbulkan kekhawatiran akan hambatan kemajuan bangsa. Salah satu penyebabnya adalah metode pembelajaran tradisional yang tidak mengakomodasi berbagai gaya belajar dan kebutuhan individual mahasiswa. Teknologi informasi dan komunikasi (TIK), khususnya data mining, menawarkan solusi untuk meningkatkan kualitas pendidikan dengan menganalisis karakteristik mahasiswa agar metode pembelajaran dapat disesuaikan dan materi lebih mudah dipahami. Data mining, atau Knowledge Discovery in Database atau yang disebut (KDD), adalah proses otomatis mengumpulkan dan menganalisis data untuk mengidentifikasi pola dengan teknik seperti pengelompokan, asosiasi, dan prediksi. Metode clustering K-Means, yang mengelompokkan data berdasarkan karakteristik serupa, dapat digunakan untuk menentukan metode pembelajaran paling efektif. Universitas Cipasung Tasikmalaya (Uncip) dapat memanfaatkan data mining dan algoritma K-Means untuk mengklasifikasikan dan memilih metode pengajaran yang optimal guna meningkatkan kompetensi lulusannya sesuai dengan kebutuhan dunia kerja
Penerapan Algoritma K Nearest Neighbor Untuk Prediksi Akurasi Penyakit Diabetes Erika Tampubolon; Ruhul Amin
Informatics and Digital Expert (INDEX) Vol. 6 No. 1 (2024): INDEX, Mei 2024
Publisher : LPPM Universitas Perjuangan Tasikmalaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36423/index.v6i1.1884

Abstract

Diabetes mellitus merupakan salah satu penyakit kronis yang prevalensinya terus meningkat di seluruh dunia. Deteksi dini diabetes sangat penting untuk penanganan dan pencegahan komplikasi. Penelitian ini bertujuan untuk mengembangkan model prediksi diabetes menggunakan algoritma K-Nearest Neighbor (KNN) berdasarkan dataset Pima Indians Diabetes. Proses penelitian meliputi preprocessing data, implementasi algoritma KNN, dan evaluasi model. Preprocessing data mencakup penanganan nilai nol, imputasi nilai yang hilang, dan normalisasi fitur. Implementasi KNN dilakukan dengan mencari nilai K optimal melalui cross-validation. Hasil penelitian menunjukkan bahwa model KNN dengan nilai K optimal 19 mencapai akurasi 75,32% dalam memprediksi diabetes. Analisis performa model menunjukkan presisi 0,67 dan recall 0,57 untuk kasus positif diabetes. Meskipun model menunjukkan kinerja yang cukup baik, masih terdapat ruang untuk peningkatan, terutama dalam mengurangi false negatives. Penelitian ini menyoroti potensi penggunaan algoritma KNN dalam skrining diabetes dan memberikan dasar untuk pengembangan lebih lanjut dalam prediksi penyakit menggunakan teknik machine learning.
Comparison of Classification for Indonesian Language News Documents Using Recurrent Neural Network (RNN) and Long Short Term Memory (LSTM) Algorithms Christian Sri Kusuma Aditya; Muh Ridha Agam; Andhika Rezky Fadillah; Briansyah Setio Wiyono
Informatics and Digital Expert (INDEX) Vol. 6 No. 2 (2024): INDEX, November 2024
Publisher : LPPM Universitas Perjuangan Tasikmalaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36423/index.v6i2.1888

Abstract

The development of online news has grown very fast. The high volume of text documents was triggered by activities from various news sources. Due to the large amount of news that is included on the website, sometimes the news is posted not according to its category which is most likely caused by human error. The grouping of online news is important for user convenience in searching for news according to its category. It need an intelligent system that can classify online news automatically. This research evaluates deep learning techniques using LSTM and RNN, and compared with the results obtained from previous studies, which used the NBC algorithm. To experiment the system, an Indonesia News Corpus with 7 different categories and total 2100 documents, collected by crawling online national news portals, is used. Due to the unbalanced number of class compositions or news categories, integration is also carried out SMOTE. The average empirical results show that the classification accuracy from RNN with SMOTE with an accuracy of 95.2% and followed by LSTM with SMOTE is 97.8%, both of which are able to outperform the NBC method with an accuracy of 73.2%.
Analisis Prediksi Pola Penjualan pada Kantin Sehat Universitas Majalengka menggunakan Data Mining Metode Time Series Analysis dan Algoritma SARIMA Aa Herdi Prayoga; Franciskus Antonius Alijoyo
Informatics and Digital Expert (INDEX) Vol. 6 No. 2 (2024): INDEX, November 2024
Publisher : LPPM Universitas Perjuangan Tasikmalaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36423/index.v6i2.1905

Abstract

Penerapan data mining memberikan dampak serta kontribusi besar dalam berbagai bidang dan sektor termasuk ritel dan layanan makanan. Data mining dalam konteks analisis telah menjadi salah satu kunci dalam memahami pola dan tren pada sebuah kumpulan data, pada kantin sehat Universitas Majalengka terdapat 406 hingga 686 transaksi perminggu nya, seringkali pada pengelolaan persediaan menjadi kendala mengakibatkan pembengkakan biaya operasional yang pada akhirnya mengurangi profitabilitas kantin. metode time series analysis analysis dan algoritma ARIMA dapat digunakan untuk memprediksi nilai bedasarakan data historis dengan tujuan untuk mengoptimalkan pengelolaan persediaan stok berbasis data. Data transaksi penjualan harian secara historis yang diambil dari satu tenant selama periode tertentu digunakan sebagai sampel analisis untuk memprediksi penjualan mingguan dimasa yang akan datang. Hasil prediksi pola penjualan diharapkan dapat dijadikan acuan pengambilan keputusan strategis pada manajemen operasional kantin memberikan rekomendasi pengadaan stok yang lebih efisien, mengurangi biaya operasional, dan meningkatkan profitabilitas kantin
Rancang Bangun Alat Pengukuran Tinggi Badan Berbasis Arduino Menggunakan Sensor Ultrasonik alpan rispandi; yusuf sumaryana; cepi rahmat hidayat
Informatics and Digital Expert (INDEX) Vol. 7 No. 1 (2025): INDEX, Mei 2025
Publisher : LPPM Universitas Perjuangan Tasikmalaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36423/index.v7i1.1909

Abstract

Pengukuran tinggi badan secara akurat merupakan kebutuhan penting di berbagai bidang, seperti dalam lingkungan Kesehatan dan Pendidikan. Penelitian ini bertujuan untuk merancang dan membangun sebuah alat pengukuran tinggi badan berbasis Arduino yang menggunakan sensor ultrasonik sebagai komponen utama, dengan output informasi yang ditampilkan pada layar LCD dan speaker memberikan notifikasi suara sebagai feedback pengguna. Sistem ini mengintegrasikan sensor ultrasonik untuk mengukur jarak dari sensor ke objek (kepala manusia) secara akurat. Data pengukuran yang diperoleh kemudian diproses oleh mikrokontroler Arduino, dan hasilnya ditampilkan secara real-time pada LCD untuk memberikan informasi visual yang jelas kepada pengguna. Selain itu, alat ini juga dilengkapi dengan speaker yang memberikan umpan balik suara untuk mengonfirmasi hasil pengukuran dan memberikan informasi tambahan jika diperlukan. Peneliti menggunakan Metode Eksperimen dimana peneliti melakukan percobaan sebagai proses untuk membuktikan apakah teori yang dipelajarinya benar. Metode ini diharapkan dapat meningkatkan kemudahan dan akurasi dalam pengukuran tinggi badan dibandingkan dengan metode tradisional yang lebih manual. Evaluasi menunjukkan bahwa alat ini dapat memberikan hasil pengukuran yang konsisten dan akurat, serta memberikan pengalaman pengguna yang lebih interaktif melalui kombinasi output lcd dan audio. Pada alat yang telah dibuat ini berhasil menunjukan titik keakuratan pada pengukuran tinggi badan manusia, sehingga sudah dilakukan pengujian kepada 10 orang dengan membandingkan alat ukur tinggi badan berbasis arduino dengan alat ukur manual dan menghasilkan nilai angka yang sesuai. Dengan fitur-fitur tersebut, alat ini diharapkan dapat berguna di berbagai tempat, baik di rumah maupun di fasilitas kesehatan.
Analisis Keandalan YOLOv8m untuk Deteksi Varian Produk Kemasan Kotak pada Sistem Manajemen Kesediaan Stock Richo Richo
Informatics and Digital Expert (INDEX) Vol. 6 No. 2 (2024): INDEX, November 2024
Publisher : LPPM Universitas Perjuangan Tasikmalaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36423/index.v6i2.1984

Abstract

Sistem manajemen kesediaan stock secara otomatis dapat meningkatkan efisiensi waktu ketika proses pendataan produk, mempercepat laju penjualan, efisiensi budget, hingga meminimalisir terjadinya tindakan kecurangan pendataan oleh petugas toko. Demi terciptanya tujuan tersebut sudah seharusnya sistem pendataan kesediaan stock dioptimalisasi dengan sistem otomatisasi. Sayangnya, sistem pendataan saat ini masih dilakukan secara manual dengan basis pengecekan produk pada display shelfing sehingga memicu terjadinya kesalahan pendataan oleh petugas, tentunya akar permasalahan ini harus segera diputuskan sehingga efisiensi manajemen persediaan stock dapat terorganisir. Sistem deteksi real-time menggunakan metode YOLO telah beberapa kali dilakukan dan terbukti telah berkontribusi positif pada keakuratan hasil deteksi, salah satunya yakni metode YOLOv8. Pada penelitian ini menggunakan komparasi 4 metode YOLOv8 diantaranya yakni YOLOv8n, YOLOv8s, YOLOv8m, dan YOLOv8l, sebagai langkah untuk menciptakan akurasi model terbaik. Produk deteksi yang digunakan pada penelitian ini menggunakan produk “Pocky 70gram Biscuit Sticks” dengan total varian produk sebanyak 8 class. Penelitian ini menggunakan 400 data training dan 400 data validation. Hasil temuan dari penelitian ini yakni metode YOLOv8m memberikan kontribusi akurasi training terbaik diantara model lainnya dengan persentase precision mencapai 95.45% dan mAP50 sebesar 96.32%. Adanya penyempurnaan pada model YOLOv8m yang telah dilakukan berhasil meningkatkan precision of accuracy model sebesar 97.85% dari sebelumnya yang hanya 95.45%. Hasil persentase average confidence score pada penelitian ini sebesar 86.08% atas kontribusi pengujian keseluruhan varian produk yang diujikan. Keandalan sistem deteksi kesediaan stock ini menunjukkan bahwa sistem application mampu mengenali setiap jenis produk secara tepat dan efektif sehingga output pada penelitian ini dapat bermanfaat untuk efisiensi manajemen kesediaan stock.