Decode: Jurnal Pendidikan Teknologi Informasi
DECODE: Jurnal Pendidikan Teknologi Informasi publishes articles in English and Indonesian which will be published 3 times a year, namely March, July and November. Articles that can be considered for publication in this journal are the results of research that is in accordance with the focus and scope of the journal including: (1) Software Engineering, (2) Data Mining, (3) Artificial Intelligence, (4) Computer Network, (5) Robotics System, (6) Information Security, (7) Mobile Learning, (8) Online Learning, (9) Multimedia, (10) Development Learning Media, (11) Integration of Technology in Learning.
Articles
107 Documents
Search results for
, issue
"Vol. 4 No. 3: NOVEMBER 2024"
:
107 Documents
clear
<![CDATA[Identifikasi Fitur Suara Menggunakan Model Convolutional Neural Network (CNN) pada Speech-to-Text (STT) ]]>
<![CDATA[ Decode: Jurnal Pendidikan Teknologi Informasi Vol. 4 No. 3: NOVEMBER 2024 ]]>
Publisher : <![CDATA[Program Studi Pendidikan Teknologi Infromasi UMK ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.51454/decode.v4i3.631
<![CDATA[Identifikasi pola ucapan dilakukan untuk dapat mengenali kata yang diucapkan. Salah satu metode yang dapat digunakan untuk mengidentifikasi Speech-to-Text (STT) adalah dengan menggunakan Convolutional Neural Network (CNN). Penelitian ini menggunakan metode CNN untuk mengidentifikasi STT pada raw speech dari sejumlah 23000 data dari open dataset suara Kaggle. Tahap awal dilakukan resampling durasi, untuk mengambil data rekaman yang memiliki durasi yang cukup untuk masuk dalam proses selanjutnya yaitu inisialisasi frekuensi. Tahap ini mengubah frekuensi asli dari suara rekaman. Inisialisasi dilakukan dengan mengubah frekuensi dari 16000Hz menjadi rentang 8000Hz. Tahap selanjutnya pelabelan data, yaitu data input dan output diberi label untuk klasifikasi sebagai dasar pembelajaran untuk pemrosesan data. Data yang sudah dilabeli kemudian dilakukan pembagian kedalam rasio 8:2. Tahap Akhir Perancangan arsitektur model CNN dilakukan untuk dapat mengenali pola suara yang sudah direkam pada dataset dan dapat mengidentifikasi ucapan. Hasil penelitian bertujuan untuk mengidentifikasi pola suara yang diucapkan dengan akurasi tinggi.]]>
<![CDATA[Analysis of Agile Concept Application in Lectures Conduction at UTM Jakarta and STIKOM CKI ]]>
<![CDATA[ Decode: Jurnal Pendidikan Teknologi Informasi Vol. 4 No. 3: NOVEMBER 2024 ]]>
Publisher : <![CDATA[Program Studi Pendidikan Teknologi Infromasi UMK ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.51454/decode.v4i3.639
<![CDATA[In today’s fast-paced tech world, it’s important to understand and adapt to new methods like Agile. Agile is commonly used in project and product management to help with planning, executing, monitoring, and completing projects based on user needs. This approach can also be applied in education, especially in classroom lectures. This research examines how Agile is used in lectures at UTM Jakarta and STIKOM CKI Jakarta. It looks at students’ understanding of Agile, their creativity during lectures, and the impact of a new curriculum on classroom learning. To analyse this, the study used descriptive statistics to measure students' understanding of Agile, a correlation test to see connections between different aspects of lectures, and a regression test to examine the new curriculum's impact. The goals are to 1) Measure students' understanding of Agile concepts. 2) Assess students' creativity in class, and 3) Analyze how curriculum changes affect classroom activities. Results show that students have a moderate understanding of Agile, and their creativity is evident in how they apply concepts, document work, and present material. The regression model shows that the new curriculum has a positive impact on classroom learning, and the findings are valid and reliable. Overall, Agile methods can enhance learning and creativity in the classroom.]]>
<![CDATA[Implementasi Algoritma Ratcliff/Obershelp pada Pendeteksian Similaritas Dokumen ]]>
<![CDATA[ Decode: Jurnal Pendidikan Teknologi Informasi Vol. 4 No. 3: NOVEMBER 2024 ]]>
Publisher : <![CDATA[Program Studi Pendidikan Teknologi Infromasi UMK ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.51454/decode.v4i3.643
<![CDATA[Plagiarism merupakan tindakan menjiplak karya orang lain dan mengakui sebagai hasil karya pribadinya. Pada penelitian ini melakukan pendeteksian similaritas dari dokumen dengan menghitung similaritas dokumen menggunakan algoritma Ratcliff/Obershelp. Tipe dokumen yang diuji adalah .pdf. Dokumen yang digunakan untuk perbandingan teks ini adalah dokumen yang berbahasa Indonesia. Tahapan preprocessing pada penelitian ini dilakukan dengan menghitung nilai similaritas yang terdiri dari case folding, tokenisasi, filtering, dan stemming. Setelah proses preprocessing maka tahap selanjutnya adalah dilakukan perhitungan menggunakan algoritma Ratcliff/Obershelp. Pada pengujian menggunakan 150 data dokumen yang akan dihitung nilai similaritasnya menggunakan algoritma Ratcliff/Obershelp menghasilkan nilai similaritas dokumen dengan tingkat kemiripan berdasarkan tiga kategori (tinggi, sedang dan rendah). Hasil deteksi similaritas pada penelitian ini diharapkan dapat membantu proses pengerjaan pendeteksian perbandingan dua buah dokumen dalam jumlah yang sangat banyak.]]>
<![CDATA[Computer-Aided Diagnosis (CAD) of Stroke in The Brain CT-Scan Images Using Integration of Grey Level Co-Occurrence Matrix (GLCM) Texture Feature Extraction And K-Nearest-Neighbour (KNN) Classification ]]>
<![CDATA[ Decode: Jurnal Pendidikan Teknologi Informasi Vol. 4 No. 3: NOVEMBER 2024 ]]>
Publisher : <![CDATA[Program Studi Pendidikan Teknologi Infromasi UMK ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.51454/decode.v4i3.646
<![CDATA[This study presents an advanced and efficient computer-aided diagnosis (CAD) system for stroke detection using brain CT images, integrating Grey Level Co-Occurrence Matrix (GLCM) feature extraction and K-Nearest Neighbour (KNN) classification. The objective is to enhance stroke detection accuracy and efficiency in clinical settings. A dataset of 400 brain CT images, divided into 300 for training and 100 for testing with equal normal and stroke classes, was used to evaluate performance. The GLCM texture features significantly differentiated between normal and stroke images. The optimized KNN model demonstrated high performance, achieving 99% classification accuracy, 100% sensitivity, 98% specificity, 97% precision, a 99% F1 score, 100% positive predictive value, and 98% negative predictive value. The average computation time per image was 3.2 seconds, indicating feasibility for real-time application. In conclusion, the GLCM-KNN integrated CAD system proves to be an accurate and efficient method for stroke diagnosis on brain CT scans, offering a potential solution for early stroke detection in resource-limited healthcare facilities.]]>
<![CDATA[The Use of Google Classroom in Learning Writing: A Study of EFL Students’ Attitude ]]>
<![CDATA[ Decode: Jurnal Pendidikan Teknologi Informasi Vol. 4 No. 3: NOVEMBER 2024 ]]>
Publisher : <![CDATA[Program Studi Pendidikan Teknologi Infromasi UMK ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.51454/decode.v4i3.665
<![CDATA[This study is aimed to determine EFL student attitudes towards the use of Google Classroom in writing. It was conducted at the SMPN 14 Kendari. This study's participants are four students from class IX2. Purposive sampling was used to choose study participants depending on the criteria required by the researcher. The design of this study was based on case study methods. Data collection was done through an interview. The results showed that there were five student affective attitudes toward using Google Classroom in writing, namely: 1). Usefulness: students can write sentences in English in Google Classroom, but students cannot write sentences in English in Google Classroom. 2) ease of use: students find it easy to do writing assignments in English in Google Classroom; 3) accessability: students feel the process of learning in Google Classroom is easily accessible, and students find the learning process in Google Classroom difficult to access. 4) Engagement: students are actively engaged in the writing process when using Google Classroom, as it provides interactive features and tools that enhance their learning experience. Additionally, students may feel less motivated to participate in writing activities if they encounter technical difficulties or limitations within the platform. 5) Collaboration: Google Classroom allows for seamless collaboration among students, enabling them to work together on writing assignments and provide feedback to one another. However, some students may struggle with collaborative tasks or feel hesitant to share their work with peers.]]>
<![CDATA[Analisis Kesuksesan Pengguna Website E-Learning Menggunakan Model DeLone & McLean ]]>
<![CDATA[ Decode: Jurnal Pendidikan Teknologi Informasi Vol. 4 No. 3: NOVEMBER 2024 ]]>
Publisher : <![CDATA[Program Studi Pendidikan Teknologi Infromasi UMK ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.51454/decode.v4i3.683
<![CDATA[E-learning merupakan sebuah proses belajar dan mengajar, yang memanfaatkan media elektronik, secara khusus yaitu internet, sebagai sistem pembelajarannya. Hasil dari wawancara ke mahasiswa dan dosen, didapatkan adanya kekurangan dalam pemanfaatan e-learning Universitas Muhammadiyah Purwokerto. Kekurangan tersebut diantaranya terkadang mengalami kesulitan dalam berkomunikasi antara mahasiswa dan dosen melalui e-learning Universitas Muhammadiyah Purwokerto. Niat subyek dalam menggunakan e-learning Universitas Muhammadiyah Purwokerto untuk mendukung proses perkuliahan sudah baik, namun masih ada beberapa mahasiswa yang tidak pernah mengakses website. Tujuan dari penelitian ini adalah untuk menganalisis penggunaan website e-learning dengan menggunakan model kesuksesan DeLone & McLean di Universitas Muhammadiyah Purwokerto. Metode yang digunakan dalam penelitian ini yaitu metode deskriptif. Dalam hal ini peneliti mengevaluasi e-learning Universitas Muhammadiyah Purwokerto menggunakan model kesuksesan sistem informasi DeLone & McClean. Hasil penelitian menunjukkan keberhasilan atau kesuksesan dengan model DeLone & McLean. Hal ini dibuktikan dengan hasil pengumpulan data dari angket dan wawancara. Pada kualitas sistem, kualitas informasi, kualitas layanan, penggunaan, kepuasan pengguna, dan aspek manfaat bersih, responden menunjukkan jawaban puas terhadap website e-learning yang ada di Universitas Muhammadiyah Purwokerto.]]>
<![CDATA[Optimasi Support Vector Machines (SVM) Menggunakan Particle Swarm Optimization (PSO) pada Analisis Sentimen Ulasan Pengguna Layanan Bukalapak di Twitter ]]>
<![CDATA[ Decode: Jurnal Pendidikan Teknologi Informasi Vol. 4 No. 3: NOVEMBER 2024 ]]>
Publisher : <![CDATA[Program Studi Pendidikan Teknologi Infromasi UMK ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.51454/decode.v4i3.686
<![CDATA[Kegiatan bertransaksi secara online sudah seringkali dilakukan oleh berbagai kalangan baik itu kaum anak muda sampai orang tua. Melihat dari tren kunjungan dari setiap marketplace di Indonesia memiliki tren yang berbeda-beda, ada yang mengalami kenaikan dan ada yang mengalami penurunan salah satunya adalah Bukalapak. Dari 3 marketplace terbesar di Indonesia, Bukalapak terus mengalami tren penurunan kunjungan dari tahun 2019 sampai tahun 2022. Pada penelitian ini, bertujuan untuk mengetahui setiap ulasan/komentar di Twitter dan menghitung berapa capaian ulasan yang positif, negatif, atau netral dan juga mengetahui tingkat akurasi terbaik. Metode yang akan digunakan dalam penelitian ini adalah Support Vector Machine (SVM) dan metode untuk optimasi dengan menggunakan Particle Swarm Optimization (PSO). Hasil dari penelitian ini ditampilkan dengan rasio data latih 80% dan data uji 20% yang menggunakan metode Support Vector Machines (SVM) saja, mendapatkan nilai akurasi sebesar 95,94%, precision sebesar 94,92%, dan recall sebesar 96,14%. Sedangkan untuk pengujian kedua menggunakan metode Support Vector Machines (SVM) dan optimasi menggunakan fitur seleksi pada metode Particle Swarm Optimization (PSO) menghasilkan nilai akurasi sebesar 96,22%, precision sebesar 95,24%, dan recall sebesar 96,18%. Pada percobaan kedua ini juga mendapatkan paramater C dan gamma terbaik yaitu parameter C sebesar 0.8036 dan parameter gamma sebesar 1.616.]]>
<![CDATA[Pemodelan Prediksi Alokasi Pagu Belanja Pegawai dengan Metode Neural Network dan Linear Regression ]]>
<![CDATA[ Decode: Jurnal Pendidikan Teknologi Informasi Vol. 4 No. 3: NOVEMBER 2024 ]]>
Publisher : <![CDATA[Program Studi Pendidikan Teknologi Infromasi UMK ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.51454/decode.v4i3.708
<![CDATA[Belanja Pegawai meupakan belanja rutin yang diterima Aparatur Sipil Negara (ASN) yang merupakan hak pegawai sebagai wujud penghargaan atau kompensasi atas tugas yang telah dilaksanakan untuk mendukung fungsi dan tugas unit organisasi pemerintah. Penelitian ini bertujuan untuk memprediksi alokasi pagu belanja pegawai tersebut dengan mengimplementasikan dan membandingkan kinerja algoritma Neural Network dan Linear Regression. Penelitian ini menggunakan rasio data pelatihan dan pengujian 90:10, 80:20 dan 70:30 dengan hasil pengujian menggunakan algoritma neural network mendapatkan nilai RMSE sebesar 1.528.548.203,391, 1.574.970.259,712, dan 1.502.955.371,784, sedangkan Linear Regression mendapatkan nilai RMSE sebesar 1.525.213.978,925, 1.612.945.104,455, dan 1.540.826.342,006. Berdasarkan hasil perbandingan pada rasio ideal data uji dan latih 80:20, dapat disimpulkan bahwa algoritma Neural Network dengan nilai RMSE 1.574.970.259,712 menunjukkan nilai kinerja yang lebih baik dari pada Linear Regression dengan nilai RMSE 1.612.945.104,455, diharapkan hasil tersebut dapat digunakan untuk membantu prediksi penyedian alokasi pagu belanja pegawai dimasa yang akan datang.]]>
<![CDATA[Rancang Bangun Game Mobile Pencarian Jejak Untuk Pembelajaran Pramuka Menggunakan Metode Pengembangan Game Development Life Cycle (GDLC) ]]>
<![CDATA[ Decode: Jurnal Pendidikan Teknologi Informasi Vol. 4 No. 3: NOVEMBER 2024 ]]>
Publisher : <![CDATA[Program Studi Pendidikan Teknologi Infromasi UMK ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.51454/decode.v4i3.710
<![CDATA[Pramuka merupakan salah satu bentuk pendidikan non-formal yang secara khusus ditujukan untuk meningkatkan nilai-nilai etika, akhlak mulia, pengendalian diri, serta potensi diri. Kegiatan pramuka yang telah menjadi kurikulum di berbagai tingkat pendidikan menandakan pentingnya prinsip-prinsip kepramukaan sebagai bagian dari pembentukan karakter dan keterampilan. Namun, pembelajaran pramuka seringkali memiliki permasalahan terkait dengan pembina, materi, maupun peserta didik itu sendiri. Untuk mengatasi permasalahan tersebut, peneliti membuat aplikasi yang bertujuan untuk membantu proses pembelajaran pramuka melalui gamifikasi aktivitas pramuka dengan permainan pencarian jejak. Penelitian ini menggunakan metode pengembangan GDLC (Game Development Life Cycle) yang mencakup tahapan Initiation, Pre-production, Production, Alpha testing, Beta testing, dan Release. Aplikasi ini dibuat menggunakan framework Flutter dan mencakup modul materi kepramukaan, Syarat Kecakapan Umum, dan permainan pencarian jejak. Hasil pengujian dari aplikasi ini menunjukkan bahwa aplikasi ini berjalan dengan baik secara fungsional dan berhasil mendapatkan rata-rata skor 77.8 berdasarkan kuesioner SUS. Hal ini membuktikan bahwa aplikasi telah diterima dengan baik oleh pembina dan anggota pramuka.]]>
<![CDATA[Implementasi Sistem Informasi Geografis Terhadap Pemetaan Mitra Layanan Brilink Di Kota Tanjung Balai ]]>
<![CDATA[ Decode: Jurnal Pendidikan Teknologi Informasi Vol. 4 No. 3: NOVEMBER 2024 ]]>
Publisher : <![CDATA[Program Studi Pendidikan Teknologi Infromasi UMK ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.51454/decode.v4i3.725
<![CDATA[BRI merupakan salah satu bank BUMN yang terus berinovasi untuk memberikan pelayanan terbaik ke setiap nasabah. Contoh inovasi layanan yaitu dalam bentuk mitra layanan BRILink. Tujuan layanan BRILink yaitu memudahkan para nasabah dalam melakukan transaksi keuangan melalui mitra yang telah bekerjasama. Untuk memudahkan pendataan lokasi mitra BRILink, dibutuhkan sebuah sistem pemetaan yang terintegrasi. Meskipun pihak BRI memiliki sistem pemetaan mitra dari BRILink, tetapi masih terlihat kurang efektif mengingat aplikasi pemetaan yang ada belum memberikan informasi yang lengkap. Tujuan penelitian ini untuk membantu pihak BRI khususnya di kota Tanjung Balai dalam mendata dan memetakan lokasi dari mitra BRILink. Penelitian menggunakan metode kualitatif dengan analisis berdasarkan obsevasi dan dokumentasi berkaitan dengan data mitra layanan BRILink. Hasil penelitian menyimpulkan bahwa GIS dengan menggunakan Google MAP API membantu memudahkan masyarakat untuk mengetahui lokasi mitra layanan BRILink dengan menampilkan informasi yang lengkap, mudah dan akurat di Kota Tanjung Balai.]]>
