cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Hendra Nelva Saputra
Contact Email
hendra.nelva@umkendari.ac.id
Phone
+6282193165892
Journal Mail Official
hendra.nelva@umkendari.ac.id
Editorial Address
Jl. K.H. Ahmad Dahlan No. 10, Gedung E Lantai 2
Location
Kota kendari,
Sulawesi tenggara
INDONESIA
Decode: Jurnal Pendidikan Teknologi Informasi
Published by Universitas Muhammadiyah Kendari
ISSN : 27752984     EISSN : 27751813     DOI : https://doi.org/10.51454/decode
Core Subject : Science, Education, Engineering,
Computer Science & IT Control & Systems Engineering Education Languange, Linguistic, Communication & Media Other
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.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 45 Documents
 1   2   3   4   5 
Search results for , issue "Vol. 5 No. 3: NOVEMBER 2025" : 45 Documents clear
Penerapan Metode Case Based Reasoning dan Algoritma K-Nearest Neighbor untuk Diagnosa Penyakit dan Hama pada Tanaman Kopi
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 5 No. 3: NOVEMBER 2025
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v5i3.1106

Abstract

Tanaman kopi memiliki peran penting dalam perekonomian Indonesia, namun produktivitasnya sering terhambat oleh serangan penyakit dan hama. Minimnya pengetahuan petani mengenai jenis gangguan pada tanaman kopi menyebabkan proses penanganan sering terlambat atau tidak tepat, sehingga menurunkan kualitas dan kuantitas hasil panen. Penelitian ini bertujuan mengimplementasikan Sistem Pakar berbasis metode Case Based Reasoning (CBR) yang dikombinasikan dengan algoritma K-Nearest Neighbor (KNN) untuk mendiagnosis penyakit dan hama pada tanaman kopi secara lebih akurat. Sistem bekerja dengan menganalisis 39 gejala serta 8 basis aturan yang mewakili berbagai jenis penyakit dan hama. Metode CBR digunakan untuk mencari kasus lama yang memiliki kemiripan tertinggi dengan kasus baru, sementara KNN berperan dalam proses perhitungan similaritas berdasarkan bobot masing-masing gejala. Hasil pengujian menunjukkan bahwa nilai kemiripan kasus baru terhadap kasus penyakit Karat Daun sebesar 0,83, yang berada di atas ambang batas penerimaan umum pada penelitian CBR (0,70–1,00). Hal ini menunjukkan bahwa pendekatan CBR-KNN mampu memberikan diagnosis yang memadai dan relevan. Sistem pakar yang dibangun diharapkan dapat membantu petani dalam mengidentifikasi gangguan pada tanaman kopi secara lebih cepat, tepat, dan berbasis pengetahuan pakar.
Pengembangan Model PBL Berbantuan Augmented Reality untuk Meningkatkan Pemahaman dan Problem Solving Siswa
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 5 No. 3: NOVEMBER 2025
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v5i3.1122

Abstract

Perkembangan teknologi dalam era Society 5.0 mendorong dunia pendidikan untuk mengintegrasikan inovasi digital ke dalam proses pembelajaran. Salah satu tantangan dalam pembelajaran kejuruan, khususnya pada kompetensi keahlian Tata Kecantikan di SMK, adalah rendahnya pemahaman konsep dan keterampilan problem solving siswa terkait penggunaan sunscreen, yang penting untuk kesehatan kulit di wilayah tropis seperti Indonesia. Penelitian ini bertujuan mengembangkan dan menganalisis efektivitas model pembelajaran Problem Based Learning (PBL) berbantuan media Augmented Reality (AR) guna meningkatkan pemahaman konsep dan kemampuan pemecahan masalah siswa dalam topik penggunaan sunscreen. Metode yang digunakan adalah Research and Development (R&D) dengan model 4D (Define, Design, Develop, Disseminate), dilaksanakan di SMKN 8 Surabaya dan SMKN 1 Buduran. Instrumen validasi menilai kelayakan materi, media, dan desain pembelajaran, sedangkan efektivitas diuji melalui ANCOVA. Hasil validasi menunjukkan model termasuk kategori “sangat layak”. Model PBL berbantuan AR terbukti secara signifikan meningkatkan pemahaman konsep dan problem solving siswa dibandingkan pembelajaran konvensional, serta menjadi alternatif inovatif yang relevan dalam pendidikan vokasi.
Pengembangan Aplikasi Backend Web Service Berbasis RESTful API Untuk Aplikasi DermaScan Menggunakan Node.js
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 5 No. 3: NOVEMBER 2025
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v5i3.1196

Abstract

Aplikasi DermaScan merupakan aplikasi mobile untuk deteksi kanker kulit yang dibangun dengan arsitektur terpisah antara frontend dan backend. Untuk mendukung komunikasi antar sistem, dibutuhkan API berbasis REST yang memungkinkan pertukaran data secara efisien. Pada penelitian ini, backend dikembangkan menggunakan Node.js dengan metodologi waterfall yang meliputi tahap analisis kebutuhan, perancangan, implementasi, pengujian, dan pemeliharaan. Sistem diuji menggunakan metode black-box testing untuk mengukur fungsionalitas, serta load testing untuk menguji performa terhadap beban pengguna. Hasil black-box testing menunjukkan seluruh fitur berjalan sesuai dengan spesifikasi sistem, sedangkan load testing memperlihatkan API mampu menangani hingga 500 pengguna secara bersamaan dengan performa yang stabil. Backend ini dibangun menggunakan Express.js, terintegrasi dengan Google Cloud App Engine, Firestore sebagai basis data, serta Cloud Storage untuk penyimpanan gambar. Hasil pengembangan berupa API RESTful yang mendukung autentikasi, manajemen pengguna, artikel kesehatan, histori baca, dan diagnosis, yang siap diintegrasikan dengan aplikasi DermaScan. Penelitian ini diharapkan dapat menjadi acuan bagi pengembangan layanan kesehatan berbasis REST API.
Penerapan Inception V3 Untuk Deteksi Penyakit Tuberkulosis Berdasarkan Citra Rontgen Dada Melalui Sistem Berbasis Web
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 5 No. 3: NOVEMBER 2025
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v5i3.1228

Abstract

Tuberkulosis (TB) merupakan penyakit menular yang masih menjadi masalah serius di sektor kesehatan, khususnya di Indonesia. Proses diagnosis melalui citra rontgen dada sering mengalami kendala karena keterbatasan jumlah radiolog dan kemiripan visual antara TB dan gangguan paru lainnya. Penelitian ini menerapkan model deep learning dengan arsitektur Inception V3 untuk mendeteksi TB berdasarkan citra rontgen dada. Model dikembangkan dalam sistem berbasis web menggunakan framework Django, sehingga dapat digunakan secara interaktif oleh pengguna. Dataset diambil dari platform Kaggle, terdiri atas 4.200 citra yang terbagi dalam dua kelas, yaitu Normal dan Tuberculosis. Proses fine-tuning dilakukan dengan 30 epoch, learning rate sebesar 0,0001, dan dropout rate 0,5. Model diuji menggunakan confusion matrix untuk menilai performa klasifikasinya. Hasil pelatihan menunjukkan akurasi sebesar 97% dengan loss 0,08, sedangkan pengujian menghasilkan akurasi 98,57%. Nilai precision, recall, dan f1-score rata-rata mencapai 0,99, menunjukkan kemampuan model yang sangat baik dalam membedakan citra paru normal dan terinfeksi TB. Sistem ini diharapkan dapat membantu proses diagnosis awal secara cepat dan akurat, serta menjadi dasar pengembangan teknologi deteksi penyakit berbasis pembelajaran mendalam di bidang medis.
Model Convolutional Neural Network (CNN) Custom Sequential untuk Klasifikasi Citra Ikan Hias Carassius Auratus pada Industri Akuakultur
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 5 No. 3: NOVEMBER 2025
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v5i3.1229

Abstract

Identifikasi varietas ikan hias Carassius auratus dengan keanekaragaman morfologi yang tinggi masih sering dilakukan secara manual, sehingga menimbulkan kesulitan bagi para pecinta ikan hias maupun pelaku akuakultur dalam membedakan jenisnya secara tepat. Kondisi ini menuntut adanya solusi berbasis teknologi yang mampu memberikan hasil identifikasi lebih cepat, praktis, dan presisi. Penelitian ini bertujuan untuk mengembangkan model klasifikasi citra menggunakan pendekatan Convolutional Neural Network (CNN) dengan arsitektur custom sequential sebagai sistem identifikasi visual otomatis. Tahapan penelitian dilakukan melalui pengumpulan 2.080 citra ikan yang mewakili delapan kelas varietas, dilanjutkan dengan proses pra-pemrosesan data agar citra siap digunakan pada tahap pelatihan model. Arsitektur CNN yang dibangun terdiri dari tujuh lapisan konvolusi dengan jumlah filter bertingkat mulai dari 32 hingga 256, disertai proses pooling, aktivasi ReLU, transformasi flatten, serta lapisan fully connected dengan mekanisme dropout untuk mengurangi overfitting, dan diakhiri dengan fungsi aktivasi softmax sebagai klasifikasi multi-kelas. Hasil eksperimen menunjukkan bahwa model mampu mengklasifikasikan citra ikan hias dengan tingkat akurasi mencapai 93,03% serta menghasilkan prediksi data uji secara konsisten tepat. Penelitian ini berkontribusi dalam menghadirkan pendekatan klasifikasi berbasis citra yang efisien, akurat, dan aplikatif, sehingga dapat mendukung proses identifikasi varietas ikan hias dalam industri akuakultur secara lebih modern dan berbasis teknologi.
Sentiment Analysis of User Reviews on Maxim Application Using the Long Short-Term Memory (LSTM) Methods
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 5 No. 3: NOVEMBER 2025
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v5i3.1257

Abstract

The technological developments have encouraged the emergence of app-based transportation services that are increasingly popular with the public, one of which is the Maxim app. Despite offering convenience in booking transportation and other services, this app still receives various reviews from users regarding service quality. User feedback is provided through the Maxim app review section available on the Google Play Store platform. Sentiment analysis is applied in this study to identify shortcomings in the Maxim app, to help developers improve service quality and understand user satisfaction. The research procedure it comprises several phases, including data collection, text preprocessing, determining sentiment labels, assigning weights to terms, and a classification process using the Long Short-Term Memory (LSTM) algorithm. This studi unlike previous studies that commonly used classical machine learning techniques including Naïve Bayes and SVM, or BiLSTM, this research applies an LSTM model with lexicon-based sentiment labeling to improve consistency and contextual understanding in sentiment classification. A confusion matrix was utilized to evaluate the model’s performance. Overall, 1,200 user reviews were gathered through web scraping techniques from June 2024 to June 2025. The sentiment classification process uses a lexicon-based method to categorize user reviews grouped into three sentiment classes: positive, neutral, and negative. The findings suggest that 762 reviews are labelled as positive, 157 as neutral, and 281 as negative. The LSTM method testing demonstrated excellent performance, achieved 95.21% accuracy, 97.22% precision, 84.02% recall, and an F1-score of 88.84%.
Implementasi Metode Fuzzy Tsukamoto pada Alat Tetas Telur untuk Monitoring dan Controlling Suhu dan Kelembapan
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 5 No. 3: NOVEMBER 2025
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v5i3.1258

Abstract

Inkubator atau alat tetas telur berfungsi menciptakan kondisi lingkungan buatan yang menyerupai pengeraman alami, khususnya dalam menjaga suhu dan kelembapan. Ketidakstabilan dua parameter ini sering kali menjadi penyebab rendahnya tingkat keberhasilan penetasan telur ayam. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem inkubator otomatis berbasis Internet of Things (IoT) yang dilengkapi dengan algoritma Fuzzy Tsukamoto. Sistem ini menggunakan NodeMCU sebagai mikrokontroler, sensor DHT11 untuk membaca suhu dan kelembapan, serta aplikasi Blynk sebagai antarmuka pemantauan. Sistem ini juga dirancang secara otomatis untuk mencatat data suhu dan kelembapan setiap 10 detik dan mengatur jumlah lampu pemanas yang menyala berdasarkan hasil inferensi fuzzy. Hasil pengujian menunjukkan bahwa sistem mampu menstabilkan suhu inkubator dalam waktu 33 menit pada kisaran 37°C–37,1°C dan kelembapan antara 55%–57%. Selain itu, sistem menunjukkan kemampuan adaptif terhadap perubahan suhu lingkungan dengan menyesuaikan jumlah lampu yang menyala. Sistem ini terbukti efektif dalam mengatur kondisi inkubasi secara otomatis dan akurat, serta mampu mengurangi ketergantungan terhadap pengaturan manual. Untuk pengembangan lebih lanjut, sistem ini dapat diintegrasikan dengan antarmuka berbasis mobile dan diuji pada skala yang lebih besar.
Analisis Performa Sistem Informasi Akademik: Pengaruh Struktur Memori dan Manajemen Proses pada Sistem Operasi Linux Menggunakan Metode Eksperimental Kuantitatif
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 5 No. 3: NOVEMBER 2025
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v5i3.1272

Abstract

Penelitian ini menganalisis pengaruh struktur memori dan manajemen proses terhadap performa Sistem Informasi Akademik berbasis web pada sistem operasi Linux Ubuntu 22.04 LTS. Fokus utama penelitian adalah menilai efisiensi pengelolaan sumber daya sistem operasi dalam mendukung kinerja website akademik unpam.ac.id. Metode yang digunakan adalah eksperimen kuantitatif melalui pengujian langsung menggunakan alat ukur htop, vmstat, time, curl, dan GTmetrix. Hasil pengujian internal menunjukkan rata-rata 129 proses aktif dengan penggunaan memori sebesar 3,3 GB dari total 3,81 GB dan waktu akses rata-rata 2,45 detik, menandakan stabilitas sistem serta efisiensi manajemen proses dan memori. Sementara itu, pengujian eksternal menggunakan GTmetrix menunjukkan skor performa 56% (grade D), dengan Largest Contentful Paint (LCP) sebesar 7,7 detik dan Total Blocking Time (TBT) 66 ms. Hasil ini menunjukkan bahwa meskipun Linux mampu mengelola sumber daya secara efisien, performa website masih memerlukan optimalisasi di sisi front-end seperti penerapan CDN, kompresi file, dan HTTP/2. Penelitian ini memberikan kontribusi empiris terhadap pemahaman hubungan antara efisiensi sistem operasi, struktur memori, dan manajemen proses terhadap kinerja aplikasi web, serta dapat dijadikan acuan dalam pengembangan dan optimasi sistem informasi akademik di masa mendatang.
Smart Home Control Prototype Based on Internet of Things Using Google Assistant
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 5 No. 3: NOVEMBER 2025
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v5i3.1274

Abstract

Smart home technology allows users to control household electronic devices automatically and remotely, including through voice commands. This study aims to design and develop a smart home control prototype based on the Internet of Things (IoT) using Google Assistant to control devices such as lights and fans. The system utilizes a NodeMCU ESP32 as the microcontroller, a 4-channel relay module as an automatic switch, and the Sinric Pro cloud service to connect voice commands  from  Google  Assistant  to  the  hardware.  The  research  follows  the ADDIE development model, which includes analysis, design, development, implementation, and evaluation stages. The test results show that the system can receive and execute voice commands with high accuracy in both Indonesian and English. However, the system still has limitations, such as dependence on a stable internet connection. Overall, this prototype functions well and has the potential to be further developed. In the Google Assistant analysis obtained from this system, Conversion and Calculation have the highest accuracy rate with 96.7%, while Voice command is the lowest with 85.3%.
Implementasi Deteksi Intrusi Aplikasi Web Berbasis Supervised Machine Learning: Studi Kasus LMS STT Terpadu Nurul Fikri
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 5 No. 3: NOVEMBER 2025
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v5i3.1313

Abstract

Sistem deteksi intrusi merupakan komponen penting dalam menjaga keamanan aplikasi web, terutama pada platform pembelajaran daring seperti Learning   Management   System (LMS). Penelitian ini bertujuan mengimplementasikan sistem deteksi intrusi berbasis supervised machine learning untuk mengidentifikasi serangan SQL  Injection dan Cross-Site  Scripting (XSS) melalui analisis payload HTTP yang diterima oleh LMS Moodle. Model yang digunakan adalah algoritma Random Forest dengan representasi fitur berbasis (Term Frequency–Inverse Document Frequency) TF-IDF pada level karakter. Data pelatihan berasal dari gabungan dataset publik dan log aktivitas LMS internal yang telah melalui proses preprocessing serta masking data sensitif. Arsitektur sistem dirancang menggunakan plugin middleware pada LMS untuk menangkap log secara real-time, Redis sebagai message broker, dan Flask-RQ sebagai worker pemrosesan model, serta dashboard Grafana-Loki untuk visualisasi hasil deteksi. Hasil pengujian menunjukkan bahwa model Random Forest mencapai akurasi 99,94% dengan nilai presisi, recall, dan AUC yang sangat tinggi, menunjukkan kemampuan deteksi yang andal terhadap serangan SQL  Injection dan XSS. Sistem ini mampu beroperasi secara real-time tanpa mengganggu kinerja LMS, sehingga efektif diterapkan sebagai solusi keamanan siber pada lingkungan pendidikan. Implementasi ini berpotensi dikembangkan lebih lanjut untuk mendeteksi jenis serangan web lainnya secara adaptif.

Page 1 of 5 | Total Record : 45

 1   2   3   4   5 

Filter by Year

2025 2025


Reset
Filter By Issues
All Issue Vol. 6 No. 1: MARET 2026 Vol. 5 No. 3: NOVEMBER 2025 Vol. 5 No. 2: JULI 2025 Vol. 5 No. 1: MARET 2025 Vol. 4 No. 3: NOVEMBER 2024 Vol. 4 No. 2: JULI 2024 Vol. 4 No. 1: MARET 2024 Vol. 3 No. 2: SEPTEMBER 2023 Vol. 3 No. 1: MARET 2023 Vol. 2 No. 2: SEPTEMBER 2022 Vol. 2 No. 1: MARET 2022 Vol. 1 No. 2: SEPTEMBER 2021 Vol. 1 No. 1: MARET 2021 More Issue