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
Perbandingan Akurasi Teknik Pengolahan Citra Digital Dan Ovendrying Untuk Penentuan Kadar Air Pada Biji 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.v5i3.1357

Abstract

Kadar air adalah parameter kritis penentu kualitas biji kopi, namun metode pengukurannya yang standar, yaitu oven-drying, bersifat lambat, destruktif, dan boros energi. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi sistem alternatif non-destruktif berbasis pengolahan citra digital untuk memprediksi kadar air biji kopi. Metode yang diusulkan mengintegrasikan algoritma Deteksi Tepi Canny Untuk membangun model, sistem ini dilatih menggunakan data ground-truth yang membandingkan perubahan fitur geometris 50 sampel citra dengan data kadar air aktual. Penelitian ini menggunakan desain eksperimental kuantitatif dengan 50 sampel biji kopi untuk membandingkan akurasi metode usulan terhadap metode oven-drying sebagai standar acuan. Kinerja sistem dievaluasi menggunakan metrik Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa sistem berbasis citra digital mampu memprediksi kadar air dengan baik, mencapai tingkat kesalahan rata-rata (MAPE) sebesar 11.72%.. Kesimpulan dari penelitian ini adalah bahwa metode pengolahan citra digital merupakan alternatif yang sangat potensial, karena tidak hanya menawarkan akurasi yang menjanjikan tetapi juga jauh lebih unggul dalam hal efisiensi waktu (hitungan detik vs. jam) dan bersifat non-destruktif, sehingga relevan untuk implementasi di industri kopi.
Identifikasi Klaster UMKM di Kota Bima menuju Indonesia Emas 2045 dengan Metode Support Vector Machine
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.v5i3.1359

Abstract

UMKM merupakan badan usaha yang berperan vital dalam perekonomian daerah, termasuk di Kota Bima dengan jumlah 23.936 unit pada tahun 2022. Mayoritas terdiri dari usaha mikro dengan Kecamatan Raba dan Rasanae Barat sebagai wilayah dengan konsentrasi tertinggi. Penelitian ini bertujuan mengembangkan model klasterisasi UMKM berbasis bidang usaha menggunakan pendekatan machine learning dengan kombinasi algoritma Fuzzy C-Means (FCM)  dan Support Vector Machine (SVM). Data penelitian berjumlah 5.176 unit UMKM yang diperoleh dari Dinas Koperasi dan UKM, survei lapangan, serta dokumen administratif. Tahapan penelitian mencakup preprocessing data (penanganan missing values, feature selection, cleaning, normalisasi, dan reduksi dimensi), klasterisasi dengan FCM, klasifikasi menggunakan SVM, serta evaluasi model. Penentuan jumlah klaster optimum dilakukan dengan Silhouette Index dan Davies-Bouldin Index, menghasilkan tiga klaster utama: UMKM tradisional dengan investasi rendah dan digitalisasi minim, UMKM transisi dengan investasi lebih tinggi, serta UMKM digital progresif dengan adopsi teknologi dominan. Hasil evaluasi menunjukkan bahwa SVM mampu mengklasifikasikan klaster dengan akurasi 100% serta precision, recall, dan f1-score sempurna. Fitur Jumlah Investasi, TKI, dan Proxy Digitalisasi terbukti representatif dalam membedakan karakteristik UMKM. Temuan ini menunjukkan bahwa kombinasi FCM–SVM efektif untuk segmentasi UMKM serta dapat menjadi dasar kebijakan pengembangan yang tepat sasaran, mulai dari penguatan usaha tradisional hingga akselerasi transformasi digital.
Penerapan Algoritma Random Forest dan SMOTE untuk Prediksi Risiko Putus Sekolah Siswa Sekolah Menengah Kejuruan
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.v5i3.1360

Abstract

Tingkat putus sekolah di Sekolah Menengah Kejuruan (SMK) merupakan tantangan serius yang mempengaruhi kualitas sumber daya manusia Indonesia. Penelitian ini bertujuan mengembangkan model prediktif untuk mengidentifikasi siswa berisiko putus sekolah di SMK dengan menggunakan data akademik dan sosioekonomik sebanyak 1.690 siswa. Metode penelitian membandingkan empat algoritma klasifikasi (Random Forest, Logistic Regression, SVM, dan XGBoost) dengan penerapan SMOTE untuk mengatasi ketidakseimbangan data. Validasi model dilakukan menggunakan cross-validation 5-fold dan interval kepercayaan 95%. Hasil penelitian menunjukkan bahwa kombinasi Random Forest dan SMOTE menghasilkan performa terbaik dengan akurasi 99,54%, presisi 100%, recall 99,09%, F1-Score 99,54%, dan AUC-ROC 100%. Penerapan SMOTE meningkatkan recall secara signifikan dari 0% menjadi 99,09%, menegaskan efektivitas teknik penyeimbangan data. Model yang dikembangkan ini tidak hanya berfungsi sebagai sistem peringatan dini, tetapi juga memberikan kontribusi ilmiah terhadap bidang educational data mining dengan menunjukkan efektivitas kombinasi Random Forest dan SMOTE dalam konteks data SMK Indonesia yang tidak seimbang, dan secara praktis dapat dijadikan dasar bagi sekolah dalam merancang kebijakan intervensi berbasis data untuk menurunkan angka putus sekolah.
Sistem Informasi Pengaduan Dengan Fitur Tracking Status Menggunakan Model Finite State Machine
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.v5i3.1367

Abstract

Perkembangan teknologi informasi yang pesat telah mendorong transformasi digital pada berbagai layanan organisasi, termasuk dalam penanganan pengaduan. Penelitian ini membahas pemodelan dan implementasi alur penanganan pengaduan menggunakan pendekatan Finite State Machine (FSM) dengan studi kasus di DPW ALFI/ILFA Sumatera Utara. FSM digunakan untuk merepresentasikan proses pengaduan ke dalam tujuh status utama: Submitted, Verification, In Progress, Resolved, Rejected, Cancelled, dan Monitored, dengan transisi yang dipicu oleh aksi tertentu. Sistem dikembangkan sebagai sistem informasi pengaduan berbasis web menggunakan metodologi Waterfall, dimulai dari analisis kebutuhan, perancangan, implementasi, hingga pengujian. Backend dibangun dengan Laravel 12, frontend menggunakan React JS, serta MySQL sebagai basis data. Integrasi FSM memungkinkan pengelolaan alur kerja yang terstruktur, mencegah perubahan status yang tidak valid, serta menyediakan fitur pelacakan status secara real-time bagi pengguna. Hasil pengujian menunjukkan bahwa sistem berjalan efektif, mendukung efisiensi dalam pengelolaan pengaduan, serta meningkatkan pengalaman pengguna dengan kemudahan pengajuan, pemantauan, dan penerimaan notifikasi status. Penelitian ini membuktikan bahwa kombinasi pemodelan FSM dan teknologi web modern mampu meningkatkan efisiensi, akuntabilitas, dan transparansi dalam layanan pengaduan organisasi.
Sidulink: Sistem Informasi Peduli Lingkungan Berbasis Artificial Intelligence di Kota Sorong
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.v5i3.1379

Abstract

Kota Sorong, sebagai ibu kota Provinsi Papua Barat Daya, menghadapi tantangan serius dalam pengelolaan lingkungan akibat pesatnya pertumbuhan penduduk, aktivitas industri, dan urbanisasi. Permasalahan utama meliputi pencemaran lingkungan, penumpukan sampah plastik, serta kerusakan ekosistem laut yang berpotensi menurunkan kualitas hidup masyarakat. Penelitian ini bertujuan mengembangkan Sistem Informasi Peduli Lingkungan (SIDULINK), sebuah platform digital berbasis Artificial Intelligence (AI) yang mengintegrasikan fitur pelaporan pencemaran lingkungan oleh masyarakat dengan klasifikasi sampah plastik menggunakan Convolutional Neural Network (CNN). Model CNN VGG16 digunakan untuk melatih sistem klasifikasi citra sampah dengan pendekatan Extreme Programming (XP) dalam pengembangan perangkat lunak. Hasil penelitian menunjukkan bahwa model mencapai akurasi 83% dengan nilai loss 0,5583 setelah 18 epoch, serta mampu mendeteksi citra plastik dengan tingkat kepercayaan 76,35%. Sistem juga dilengkapi panduan daur ulang dan informasi edukatif terkait penghematan energi serta pengurangan emisi karbon. Uji coba terhadap 30 responden memperlihatkan tingkat keberhasilan fitur utama di atas 80% dengan performa stabil dan waktu respons cepat. Berdasarkan hasil pengujian implementasi model, pengujian blackbox, dan pengujian usability, SIDULINK dapat dijadikan sebagai solusi untuk mendukung pengelolaan lingkungan berkelanjutan di Kota Sorong. Penelitian ini memberikan kontribusi dalam adaptasi model CNN untuk klasifikasi jenis sampah berbasis citra. Secara praktis, SIDULINK menjadi sistem partisipatif yang mendorong keterlibatan masyarakat dan mendukung keputusan cepat oleh pemerintah daerah dalam penanganan lingkungan.
Optimization of Sky Image Enhancement to the Performance of Air Quality Classification Model Using Mobilenet V3
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.v5i3.1412

Abstract

Air quality monitoring based on sky imagery is an alternative solution to the limitations of conventional monitoring tools. However, raw sky imagery often has low contrast and visual noise that can hinder the performance of deep learning models in recognizing atmosphere patterns. Therefore, this study aims to develop an efficient and accurate Air Quality Index (AQI) estimation model using MobileNetV3. The novelty of this research lies in the systematic investigation of image enhancement techniques using the public Air Pollution Image Dataset from India and Nepal, an aspect that has not been deeply explored in previous studies. To achieve this goal, four pre-processing techniques—Histogram Equalization (HE), Contrast Limited Adaptive Histogram Equalization (CLAHE), Gamma Correction, and Contrast Stretching—were applied and compared. The results consistently show that Histogram Equalization (HE) is the most superior technique for regression tasks with an R2 value of 0.913, as well as for classification tasks with the highest category accuracy of 0.690. These findings significantly outperform models without pre-processing, confirming that HE is the most recommended technique for maximizing accuracy on resource-constrained devices.
Implementasi Bidirectional Encoder Representations from Transformers (BERT) untuk Analisis Sentimen Ulasan Aplikasi Ibis Paint X
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.v5i3.1413

Abstract

Perkembangan aplikasi seni digital memunculkan banyak ulasan pengguna yang bermanfaat bagi pengembang, namun sulit dievaluasi secara manual. Penelitian ini menganalisis sentimen 8.500 ulasan berbahasa Indonesia pada aplikasi Ibis Paint X yang diperoleh melalui proses scraping Google Play Store menggunakan google-play-scraper. Dataset terdiri atas dua kolom utama, yaitu review_text dan category (rating), kemudian melalui tahap preprocessing mencakup pelabelan, pembersihan teks, penghapusan stopwords, tokenisasi, serta normalisasi. Setelah dibagi menjadi data latih (70%), validasi (15%), dan uji (15%), model IndoBERT di-fine-tuning selama lima epoch untuk melakukan klasifikasi sentimen positif, negatif, dan netral. Evaluasi performa model dilakukan menggunakan akurasi, precision, recall, F1-score, serta confusion matrix. Hasil pengujian menunjukkan akurasi sebesar 87%. Kinerja model paling tinggi pada kelas sentimen negatif dengan precision 0,94, recall 0,96, dan F1-score 0,95. Namun, performa pada kelas positif (F1-score 0,52) dan netral (F1-score 0,31) masih rendah, sebagaimana turut tercermin pada confusion matrix yang menunjukkan banyaknya kesalahan klasifikasi menuju kelas positif yang dominan. Temuan ini menegaskan efektivitas BERT dalam analisis sentimen berbahasa Indonesia, sekaligus menunjukkan perlunya penanganan ketidakseimbangan data untuk meningkatkan performa pada seluruh kategori sentimen.
Optimasi Model Support Vector Machine (SVM) Menggunakan GridSearchCV untuk Prediksi Harga Penutupan Saham PT Aneka Tambang Tbk (ANTAM)
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.v5i3.1416

Abstract

Pasar modal merupakan salah satu instrumen penting dalam perekonomian, di mana fluktuasi harga saham dapat memengaruhi keputusan investasi. PT Aneka Tambang Tbk (ANTAM) merupakan salah satu emiten di Bursa Efek Indonesia dengan tingkat volatilitas harga yang cukup tinggi sehingga diperlukan model prediksi yang akurat. Penelitian ini bertujuan untuk membangun model prediksi harga penutupan saham ANTAM tahun 2024 menggunakan algoritma Support Vector Machine (SVM). Data historis saham diolah melalui tahap pra-pemrosesan, meliputi penanganan missing value dan normalisasi, kemudian dilakukan pelatihan model dengan tiga rasio pembagian data. Evaluasi model dilakukan menggunakan metrik RMSE, MSE, dan R2 Score. Hasil penelitian menunjukkan bahwa model SVM mampu memberikan prediksi dengan tingkat akurasi yang sangat tinggi, ditunjukkan oleh nilai RMSE yang rendah (0.024–0.029) dan R2 Score mendekati 1 (0.9938–0.9953). Performa terbaik diperoleh pada rasio pembagian data 7:3 dengan MSE terkecil 0.0006 dan R2 Score tertinggi 0.9953. Dengan demikian, penelitian ini membuktikan bahwa algoritma SVM dapat menjadi metode yang andal dalam memprediksi harga penutupan saham ANTAM serta berpotensi memberikan kontribusi praktis bagi investor dalam meminimalisasi risiko dan meningkatkan keuntungan investasi.
Analisis Kepuasan Mahasiswa Terhadap Website Universitas Pendidikan Muhammadiyah Sorong Menggunakan Metode EUCS
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.v5i3.1422

Abstract

Website merupakan sarana vital dalam mendukung layanan pendidikan tinggi. Penelitian ini menganalisis kepuasan mahasiswa terhadap website Universitas Pendidikan Muhammadiyah (UNIMUDA) Sorong menggunakan metode kuantitatif dengan pendekatan End-User Computing Satisfaction (EUCS), yang mengukur lima dimensi kepuasan. Data dikumpulkan melalui kuesioner dari 365 mahasiswa dan wawancara semi-terstruktur dengan 15 informan kunci. Hasil penelitian menunjukkan tingkat kepuasan keseluruhan berada pada kategori kurang puas dengan skor mean 2,70, dimana hanya 46,3% mahasiswa merasa puas. Dimensi kemudahan penggunaan (ease of use) mendapat skor tertinggi (3,12), sedangkan konten (content) mendapat skor terendah (2,34) dengan tingkat ketidakpuasan mencapai 65,3%. Analisis regresi menunjukkan bahwa kelima dimensi EUCS menjelaskan 73,3% varians kepuasan total (R2=0,733), dengan dimensi content (0,325) menjadi prediktor terkuat, diikuti accuracy (0,256) dan timeliness (0,207). Temuan kualitatif mengungkap masalah kritis berupa informasi outdated, loading time lambat (5 menit pada jam sibuk), inkonsistensi data, dan tampilan tidak responsif di perangkat mobile. Disimpulkan bahwa website UNIMUDA memerlukan perbaikan fundamental pada kualitas konten, kecepatan sistem, dan responsivitas mobile untuk memenuhi kebutuhan akademik mahasiswa secara optimal.
Analisis Efektivitas Pembelajaran ChatGPT untuk Meningkatkan Kemudahan Pemahaman Matematika Siswa SMA di Surakarta
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.v5i3.1424

Abstract

Penurunan capaian numerasi serta meningkatnya pemanfaatan AI di sekolah menuntut inovasi pembelajaran yang efektif. Penelitian ini bertujuan menilai sejauh mana ChatGPT mempermudah pemahaman matematika siswa SMA serta mengidentifikasi faktor-faktor penentunya. Metode yang digunakan : (1) eksperimen kuasi desain PreTest–PostTest dan (2) survei kuantitatif dengan PLS-SEM melibatkan 312 siswa dari 10 SMA di Karesidenan Surakarta. Instrumen Likert mengukur tiga konstruk eksogen kemudahan akses, ketepatan solusi, dan frekuensi penggunaan , serta konstruk endogen kemudahan matematika/numerasi. Hasil menunjukkan peningkatan bermakna dari pretest (=5,33) ke posttest (=7,78; p<0,001) dengan ukuran efek sangat besar (Cohen’s d=1,35). Evaluasi model pengukuran memenuhi validitas dan reliabilitas pada model struktural, Solution Accuracy (β=0,537) dan Frequency (β=0,231) berpengaruh positif signifikan terhadap kemudahan numerasi dengan nilai koefisien jalur lebih dari 0,2. Nilai koefisien determinasi R2=0,473 menunjukkan daya prediksi yang baik sekitar 47% variansi Numerasi dijelaskan oleh Solution Accuracy dan Frequency dalam model. Disimpulkan, ChatGPT efektif terutama ketika menghasilkan solusi akurat dan digunakan secara konsisten; implikasinya meliputi penguatan prompting, verifikasi langkah, serta penjadwalan latihan terstruktur agar manfaat AI terkonversi menjadi kemudahan belajar berkelanjutan.  

Page 3 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