cover
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
ISSN : 27752984     EISSN : 27751813     DOI : https://doi.org/10.51454/decode
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 342 Documents
Pengembangan Media Trainer Perakitan Laptop Terintegrasi Troubleshooting Untuk Peningkatan Kompetensi Siswa SMK di Kabupaten Bima Wahyudin; Ita Fitriati; Hardiansyah
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.v5i3.1337

Abstract

Kemajuan teknologi informasi (IT) membawa perubahan besar dalam pendidikan, meningkatkan akses, efisiensi, dan kualitas pembelajaran. Sekolah perlu beradaptasi agar pembelajaran efektif, inovatif, dan relevan dengan kebutuhan zaman. Seluruh unsur pendidikan—guru, siswa, dan tenaga kependidikan—harus memiliki kompetensi menghadapi era digital. Fasilitas belajar menjadi faktor penting menciptakan lingkungan belajar kondusif. Namun, di SMK Kabupaten Bima belum tersedia trainer perakitan laptop terintegrasi troubleshooting sebagai media pembelajaran, sementara sarana praktik masih terbatas sehingga pembelajaran kurang optimal. Penelitian ini bertujuan mengembangkan media trainer dan modul troubleshooting untuk meningkatkan kompetensi siswa, memotivasi belajar, serta mempersiapkan mereka menghadapi tantangan dunia usaha dan industri. Metode penelitian Research and Development (R&D) menggunakan model ADDIE (Analisis, Perancangan, Pengembangan, Implementasi, Evaluasi) dan pendekatan Contextual Teaching and Learning (CTL). Dari validasi 4 ahli media memperoleh rerata 95,59% (skala Likert 4,78), dan 3 ahli materi 96,67% (skala Likert 4,83), keduanya sangat layak. Uji coba efektivitas menunjukkan nilai kompetensi siswa 85,25, sedangkan respon siswa 91,74% (skala Likert 4,50), artinya sangat praktis. Media trainer terintegrasi troubleshooting ini dinilai efektif meningkatkan kompetensi siswa SMK.
Permodelan Data Warehouse Penerimaan Negara untuk Mendukung Treasury Open Data Dengan Metode Kimball Muhammad Alfian Perdana; Ahmad Rivai; Indra
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.v5i3.1343

Abstract

Pengembangan data warehouse dalam rangka pengelolaan penerimaan negara merupakan langkah strategis untuk mendukung transparansi serta efisiensi tata kelola keuangan negara. Penelitian ini akan merancang dan mengimplementasikan model data warehouse berbasis four step Kimball Method, dengan fokus pada integrasi data transaksi penerimaan negara ke dalam satu platform terpadu. Sumber data berasal dari berbagai jenis transaksi penerimaan negara. Model data dirancang menggunakan star schema yang mencakup satu tabel fakta serta beberapa tabel dimensi. Sistem ini dirancang untuk memenuhi kebutuhan tiga kelompok pemangku kepentingan: (1) pimpinan instansi yang membutuhkan dashboard realisasi yang ringan dan cepat; (2) pengelola keuangan yang memerlukan integrasi data secara akurat; serta (3) pihak-pihak lain yang membutuhkan data terkait penerimaan negara. Desain yang fleksibel memungkinkan eksplorasi data berdasarkan tahun anggaran, jenis penerimaan, serta penerimaan perwilayah. Hasil implementasi menunjukkan bahwa arsitektur data warehouse ini mampu menyediakan data yang konsisten, terstandar, dan mudah diolah untuk keperluan pelaporan dan analitik. Selain meningkatkan efisiensi pelaporan internal, sistem ini juga membuka potensi integrasi dengan inisiatif Treasury Open Data, guna memperluas akses publik terhadap data penerimaan negara. Dengan demikian, model ini mendukung penguatan prinsip good governance dalam pengelolaan pendapatan nasional.
Deteksi dan Respon Insiden Terotomatisasi Menggunakan Kerangka Kerja NIST dengan Metode Robust Random Cut Forest dan Random Forest Regressor Rorim Irvano Prahara; Budi Prasetya; Rudi Rusdiah
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.v5i3.1348

Abstract

Meningkatnya ancaman serangan siber dan kebocoran data menuntut organisasi menerapkan pendekatan keamanan yang lebih canggih dan proaktif. Sistem deteksi berbasis tanda tangan dinilai tidak lagi memadai karena kurang mampu mengenali serangan baru maupun varian modifikasi. Di sisi lain, implementasi Undang-Undang Nomor 27 Tahun 2022 tentang Perlindungan Data Pribadi (UU PDP) mempertegas kewajiban organisasi untuk melindungi data melalui sistem deteksi dan respons insiden yang cepat serta andal. Penelitian ini bertujuan merancang sistem deteksi dan respons insiden siber terotomatisasi dengan memadukan machine learning untuk deteksi anomali dan klasifikasi serangan. Metode yang digunakan menggabungkan Robust Random Cut Forest (RRCF) untuk deteksi anomali unsupervised pada data streaming dan Random Forest Regressor (RFR) untuk pemodelan prediktif, menciptakan pendekatan hybrid yang lebih akurat. Untuk klasifikasi serangan digunakan Random Forest Classifier (RFC). Seluruh rancangan mengacu pada kerangka kerja NIST Cybersecurity Framework dan diintegrasikan dengan platform SIEM Wazuh guna memungkinkan peringatan dini dan respons otomatis. Hasil pengujian menunjukkan RFC mencapai kinerja optimal pada dataset UNSW-NB15, CIC-IDS-2017, dan data nyata, bahkan memperoleh skor sempurna dalam beberapa skenario. Sementara itu, kombinasi RRCF dan RFR terbukti efektif mendeteksi anomali real-time tanpa false positive. Kesimpulannya, sistem yang dibangun responsif, adaptif, akurat, serta mendukung kepatuhan regulasi UU PDP, sehingga berkontribusi nyata bagi penguatan keamanan siber organisasi di era digital.
Perbandingan Algoritma K-Nearest Neighbour dan C4.5 Decision Tree Untuk Klasifikasi Penerima Bantuan Program Keluarga Harapan Kariyamin; La Ode Alyandi; Samsul Arif
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.v5i3.1353

Abstract

Program Keluarga Harapan (PKH) merupakan bantuan sosial bersyarat yang ditujukan bagi keluarga dengan kondisi ekonomi rentan. Tantangan utama dalam implementasinya adalah memastikan ketepatan sasaran penerima bantuan. Penelitian ini bertujuan membandingkan kinerja algoritma K-Nearest Neighbor (KNN) dan C4.5 dalam mengklasifikasikan kelayakan penerima PKH. Data penelitian diambil dari Dinas Sosial Kabupaten Wakatobi tahun 2023, kemudian melalui tahap praproses, pembagian data menggunakan K-Fold Cross Validation (K=7), serta pelatihan dan pengujian model dengan perangkat lunak RapidMiner. Evaluasi dilakukan berdasarkan akurasi, presisi, dan recall. Hasil analisis menunjukkan bahwa algoritma C4.5 memberikan kinerja lebih baik dengan akurasi 96,22%, presisi “YES” 95,71%, dan recall “YES” 94,89%. Sebaliknya, KNN memperoleh akurasi 81,44%, presisi “YES” 69,66%, dan recall “YES” 95,74%. Temuan ini menunjukkan bahwa C4.5 lebih efektif dan konsisten dalam mengklasifikasikan penerima bantuan dibandingkan KNN. Model pohon keputusan yang dihasilkan juga memberikan kejelasan logis terhadap faktor-faktor penentu kelayakan. Penelitian ini berpotensi dikembangkan melalui integrasi model ke dalam sistem berbasis web atau aplikasi untuk meningkatkan efisiensi proses seleksi penerima bantuan.
Prototyping Aplikasi Penjadwalan Konsultasi Dokter Menggunakan Framework Model View Controller Putra Agus Saripudin; Azifa Habiba
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.v5i3.1356

Abstract

Kemajuan teknologi informasi mendorong digitalisasi layanan kesehatan, namun banyak fasilitas kesehatan primer masih mengandalkan prosedur manual yang berpotensi menyebabkan inefisiensi, waktu tunggu yang panjang, serta ketidakteraturan jadwal praktik dokter. Penelitian ini bertujuan merancang dan mengembangkan prototype aplikasi penjadwalan konsultasi dokter berbasis web menggunakan framework Laravel dan arsitektur Model View Controller (MVC) untuk meningkatkan efisiensi pelayanan di Klinik dr. Yudi Dimyati. Metode pengembangan menggunakan pendekatan prototyping melalui tahapan pengumpulan kebutuhan, perancangan antarmuka, evaluasi iteratif, dan pengembangan sistem. Pengujian dilakukan menggunakan black-box testing untuk memverifikasi kesesuaian fungsi. Hasil menunjukkan bahwa pada sisi pengguna, seluruh 15 skenario pengujian berhasil dijalankan (100%), sedangkan pada sisi administrator 29 dari 30 skenario berhasil (96,67%), sehingga tingkat keberhasilan keseluruhan mencapai 97,8%. Temuan tersebut menunjukkan bahwa prototype telah memenuhi spesifikasi fungsional dan mampu mendukung alur pendaftaran, pemesanan janji, pengelolaan jadwal, dan pembaruan status pembayaran secara otomatis. Secara praktis, sistem ini berpotensi meningkatkan efisiensi operasional klinik, sementara secara teoretis penelitian ini memperkuat bukti empiris mengenai efektivitas arsitektur MVC dan pendekatan prototyping dalam pengembangan sistem informasi kesehatan.
Perancangan Sistem Pergudangan Usaha Mikro Kecil (UMK) melalui Pemodelan Data Flow Diagram (DFD) dan Analisis MoSCoW Luh Made Wisnu Satyaninggrat; Prasis Damai Nursyam Hamijaya; Maryo Inri Pratama; Muhammad Ikhsan Alif S
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.v5i3.1349

Abstract

Usaha Mikro dan Kecil (UMK) di Indonesia umumnya masih mengelola stok barang secara manual menggunakan buku tulis atau spreadsheet sederhana, yang rentan terhadap kesalahan pencatatan, kehilangan data, dan keterlambatan informasi. Penelitian ini bertujuan untuk merancang sistem informasi pergudangan berbasis digital dengan pendekatan pemodelan Data Flow Diagram (DFD) secara bertingkat. Metode yang digunakan meliputi studi literatur, pengumpulan data melalui observasi, wawancara, dan kuesioner terhadap 30 pelaku Usaha Mikro Kecil (UMK) di Balikpapan, serta analisis kebutuhan menggunakan matriks MoSCoW. Hasilnya, proses bisnis sistem pergudangan berhasil dianalisis dan dimodelkan dalam tiga tingkat DFD, yaitu DFD Level 0 (diagram konteks), DFD Level 1 (proses utama), dan DFD Level 2 (subproses teknis). Pemodelan ini menghasilkan arsitektur alur data yang logis dan sesuai dengan kebutuhan nyata pengguna. Selain itu, setiap fitur yang ada akan dikelomppokkan berdasarkan 3 pengguna, yaitu superadmin, gudang, dan viewer. Kontribusi penelitian ini terletak pada integrasi pemodelan DFD hingga Level 2 dengan analisis prioritas fitur menggunakan metode MoSCoW serta visualisasi alur bisnis melalui diagram swimlane. Pendekatan ini memberikan kerangka perancangan sistem informasi gudang yang lebih komprehensif dibanding studi sebelumnya, sekaligus menawarkan solusi praktis yang dapat menjadi fondasi transformasi digital UMK dalam pengelolaan persediaan secara efisien, adaptif, dan mudah diimplementasikan.
Prediksi Jumlah Kunjungan Wisatawan Nusantara ke Sulawesi Tenggara Menggunakan Pendekatan Machine Learning Kariyamin; Sry Faslia Hamka; Egi Dio Bagus Sudewo; La Ode Alyandi
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.v5i3.1352

Abstract

Prediksi jumlah kunjungan wisatawan merupakan aspek penting dalam perencanaan dan pengambilan kebijakan di sektor pariwisata. Penelitian ini bertujuan untuk menganalisis perbandingan kinerja model Support Vector Regression (SVR) dan Long Short-Term Memory (LSTM) dalam memprediksi jumlah kunjungan wisatawan nusantara ke Provinsi Sulawesi Tenggara. Data yang digunakan diperoleh dari Badan Pusat Statistik (BPS) Provinsi Sulawesi Tenggara periode Januari 2018 hingga Desember 2023. Model SVR dan LSTM masing-masing diuji menggunakan metrik Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE) untuk mengukur tingkat akurasi hasil prediksi. Hasil penelitian menunjukkan bahwa model SVR menghasilkan nilai RMSE dan MAE yang lebih rendah pada 13 dari 17 kabupaten/kota, sehingga memiliki tingkat akurasi yang lebih baik dibandingkan model LSTM. Sementara itu, LSTM cenderung lebih sensitif terhadap fluktuasi data yang ekstrem pascapandemi, sehingga menghasilkan prediksi yang kurang stabil. Berdasarkan hasil tersebut, dapat disimpulkan bahwa model SVR lebih sesuai digunakan untuk memprediksi jumlah kunjungan wisatawan di wilayah dengan karakteristik data yang bersifat musiman dan fluktuatif seperti Sulawesi Tenggara. Temuan ini diharapkan dapat menjadi dasar dalam pengembangan sistem prediksi pariwisata berbasis machine learning yang lebih akurat dan adaptif.
Penerapan Algoritma Random Forest dan SMOTE untuk Prediksi Risiko Putus Sekolah Siswa Sekolah Menengah Kejuruan Salsabila Azhari Putri; Rinna Rachmatika
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.
Perbandingan Akurasi Teknik Pengolahan Citra Digital Dan Ovendrying Untuk Penentuan Kadar Air Pada Biji Kopi Ardi Wijaya; Nanda Natasya; Anisya Sonita; Rozali Toyib
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 Khairunnas; Alya Masitha; Rafiuddin
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.