cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Arif Bijaksana Putra Negara
Contact Email
arifbpn@untan.ac.id
Phone
+62811578624
Journal Mail Official
editor_justin@informatika.untan.ac.id
Editorial Address
Sekretariat Justin Gedung Informatika Fakultas Teknik Universitas Tanjungpura Jl. Prof. Dr. Hadary Nawawi Pontianak 78124
Location
Kota pontianak,
Kalimantan barat
INDONESIA
JUSTIN (Jurnal Sistem dan Teknologi Informasi)
Published by Universitas Tanjungpura
ISSN : 24603562     EISSN : 26208989     DOI : http://dx.doi.org/10.26418/justin
Core Subject : Science,
Computer Science & IT
JUSTIN aims to publish research results and thoughts among academics, researchers, scientists, and practitioners in the field of informatics/computer science so that they are freely available to the public, and support the exchange of knowledge. The scope of JUSTIN is but is not limited to the following: theory and information science, information systems, information security, data processing and structure, programming and computing, software engineering, informatics, computer science, computer engineering, architecture and computer networks, robotics, parallel and distributed computing, operating systems, compilers and interpreters, games, numerical methods, mobile computing, natural language processing, data mining, cognitive systems, speech processing, machine learning, artificial intelligence, expert systems, geographical information systems, computational theory, and informatics applications in various fields.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 22 Documents
 1   2   3 
Search results for , issue "Vol 10, No 4 (2022)" : 22 Documents clear
Pendeteksian Kecelekaan Real-Time menggunakan Algoritma KNN untuk Mendukung Smart City berbasis IoT Khodijah Amiroh
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 10, No 4 (2022)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v10i4.48417

Abstract

Surabaya merupakan kota dengan luas sebesar 326,81 km2 dan merupakan pusat transportasi darat di bagian timur pulau Jawa. Dibangunnya infrastuktur digital pada wilayah Surabaya akan mempermudah Pemerintah Kota (Pemkot) dalam menjadikan pelayanan yang efisien. Kecelakaan lalu lintas yang terjadi di Surabaya hingga tahun 2017 tercatat 1.365 kejadian. EVAN (Emergency Vehicle Automatic Notification) merupakan topik penelitian yang memiliki fokus pada bidang transportasi khususnya pada kecelakaan lalu lintas secara realtime yang dapat terintegrasi dengan pusat informasi kota dan rumah sakit untuk penolongan utama pada kecelakaan. Perancangan alat pada sisi user dibuat dengan menggunakan Arduino, sensor accelerometer dan gyroscope berupa sensor MPU6050 serta modul gps u-blox. Pendeteksi kecelakaan pada system dengan menggunakan k-Nearest neighbors algorithm (KNN). Pada sisi operator, perancangan dilakukan berbasis web dengan memanfaatkan framework ReactJs yang diintegrasikan dengan Google Maps APIs. Hasil tingkat keakurasian sistem pendeteksi kecelakaan mencapai 97% dan pendeteksi lokasi kecelakaan serta rumah sakit terdekat dari lokasi mencapai 100%.
Penerapan Finite State Automata pada Proses Peminjaman Ruang Laboratorium Komputer Universitas Bina Sarana Informatika Oky Kurniawan; Fikri Ismaya; Windu Gata; Jordy Lasmana Putra; Fitra Septia Nugraha
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 10, No 4 (2022)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v10i4.47879

Abstract

Dengan semakin berkembangnya teknologi dalam dunia pendidikan terutama perguruan tinggi, sistem informasi sangat dibutuhkan untuk menunjang segala aktivitas dalam proses kegiatan belajar mengajar. Universitas Bina Sarana Informatika sebagai perguruan tinggi yang tentunya harus mempunyai sarana kegiatan belajar mengajar seperti ruang kelas dan laboratorium. Laboratorium dibutuhkan dalam menunjang proses kegiatan belajar mengajar dengan metode praktikum. Laboratorium pada Universitas Bina Sarana Informatika tentu dalam penggunaannya dibawah tanggung jawab dari staf laboran. Dalam manajemennya sistem peminjaman laboratorium pada universitas Bina Sarana informasi masih menggunakan metode pembukuan manual. Selain Pembuatan laporan penggunaan laboratorium oleh staf laboran yang terkesan lama serta informasi mengenai pemakaian laboratorium yang tidak akurat dan realtime maka dibutuhkanlah sebuah sistem yang dapat memudahkan staf laboran di Universitas Bina Sarana Informatika dalam manajemen peminjaman dan pemakaian laboratorium. Pada Paper ini membahas Teori Finite State Automata (FSA) jenis Nondeterministic Finite Automata (NFA) yang diimplementasikan pada alur proses aplikasi sistem informasi peminjaman laboratorium. Dengan adanya aplikasi sistem peminjaman ini kemudahan dalam pendataan manajemen laboratorium oleh staf laboran ditampilkan dengan monitoring dan status yang akurat. Dimana ketika laboratorium sedang dipakai maka mahasiswa, dosen maupun ketua program studi mengetahui bahwa laboratorium itu sedang dipakai, ataupun jika ingin meminjam laboratorium maka tidak perlu mendatangi staf laboran cukup reservasi menggunakan media sistem informasi dari peminjaman laboratorium ini.
Sistem Identifikasi “Fake News” menggunakan Metode Multinomial Naïve Bayes Alifia Zahra; M. Nurkamal Fauzan
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 10, No 4 (2022)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v10i4.52441

Abstract

Penyebaran berita melalui media sosial sangat cepat di masa kini. Tidak hanya melalui televisi tetapi kini dapat ditemukan di berbagai platform seperti platform global yaitu twitter. Tetapi dengan cepatnya penyebaran tidak memungkiri berita palsu atau yang dikenal sebagai hoaks marak muncul ke permukaan. Dengan berbagai tujuan dari pengunggahnya, berita hoaks dapat menyebabkan perpecahan di antara masyarakat dan juga misinformasi. Melalui uji coba yang dilakukan berita dapat diklasifikasikan sebagai berita actual atau hoaks dengan menggunakan metode Multinomial Naïve Bayes, yaitu algoritma yang biasa digunakan untuk klasifikasi data/teks pada kelas tertentu. Data didapatkan melalui proses crawling data Twitter API dengan query “berita” sebanyak 500 di preprocessing dan dilabeling sebelum ditrain dan menjadi data test. Setelah melakukan uji coba, akurasi model yang didapatkan menggunakan algoritma ini sebesar 83 % dan akurasi training set sebesar 94 %.
Penerapan Metode SMOTE dalam Klasifikasi Daerah Rawan Banjir di Karawang Menggunakan Algoritma Naive Bayes Rika Nursyahfitri; Chaerur Rozikin; Riza Ibnu Adam
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 10, No 4 (2022)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v10i4.46935

Abstract

Salah satu akibat terjadinya perubahan iklim yaitu meningkatnya kejadian ekstrem yang ditandai dengan  peningkatan frekuensi bencana. Frekuensi bencana paling besar adalah banjir. Karawang menjadi salah satu daerah yang sering dilanda banjir, hal tersebut membuat kemajuan kota Karawang menjadi terhambat. Untuk mengantisipasi hal tersebut, maka dilakukan penilaian terhadap pengelolaan banjir dengan tujuan untuk memprediksi daerah yang termasuk dan yang tidak termasuk rawan banjir. Naive Bayes salah satu algoritma klasifikasi menggunakan metode probabilitastik dan statistik yang dapat memprediksi peluang di masa depan berdasarkan data sebelumnya. Namun, dalam klasifikasi biasanya penggunaan data imbalance sering terjadi sehingga akan menyebabkan klasifikasi lebih cenderung terhadap kelas mayoritas dibanding kelas minoritas. Maka dari itu, diperlukan salah satu teknik sampling untuk mengatasi data imbalance yaitu SMOTE (Synthetic Minority Over-Sampling Technique). Sehingga penelitian ini menggunakan 2 skenario pengujian untuk dilakukan perbandingan, pertama pemodelan hanya menggunakan Naive Bayes dan kedua pemodelan menggunakan Naive Bayes+SMOTE dengan percobaan nilai k-SMOTE sebanyak 5 kali. Data yang digunakan pada tahun 2016-2017 menggunakan 5 data parameter sebagai input dengan total 309 record.  Hasil eksperimen menunjukkan bahwa penerapan Naive Bayes+SMOTE dinilai mampu meningkatkan dan menghasilkan performance yang lebih baik dengan nilai akurasi tertinggi pada saat k = 11 sebesar 83,75% dibandingkan dengan Naive Bayes saja sebesar 65,38%. Selain itu, Naive Bayes dinilai mampu mengklasifikasikan daerah rawan banjir secara sangat baik dengan nilai AUC (The Under Curve) yang dihasilkan sebesar 0,944. Sehingga dapat disimpulkan bahwa algoritma Naive Bayes dapat dikombinasikan secara baik dengan metode SMOTE.
Analisa Pieces Framework Pada Rancangan Aplikasi E-Commerce Minyak Beku Berbasis Web Menggunakan Metode Fast Adi Yulianto; Agung Triayudi; Endah Tri Esti Handayani
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 10, No 4 (2022)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v10i4.51125

Abstract

Perkembangan teknologi yang semakin pesat dan berkembang yang memungkinkan beberapa aspek untuk melakukan adaptasi perubahan, termasuk pada perkembangan teknologi pemasaran yang dapat dilakukan secara digitalisasi. Digitalisasi pada pemasarannya dapat bermacam-macam jenisnya untuk melakukan pemasaran salah satunya dapat menggunakan website. Dengan adanya pemasaran melalui website maka dapat mempermudahkan antara penjual dan pembeli dalam melakukan transaksi agar lebih mudah dan lebih modern dalam mengikuti perkembangan teknologi saat ini. Dalam kasus ini penulis menggunakan contoh pada “Ogay Minyak Beku”, yang melakukan transaksi pembelian dan pemasaran masih menggunakan media konvensional dengan cara melakukan penjual melalui personal chat. Tujuan dari penelitian ini dapat membantu pemasaran melalui website dan meningkatkan minat pembeli. Metode pengembangan aplikasi ini menggunakan metode Framework for the Application of System Thinking (FAST) dan metode Pieces Framework sebagai analisa kepuasan aplikasi. Hasil dari penelitian ini dapat menghasilkan layanan yang berbasis website yang dapat memudahkan penjual dan pembeli dan memudahkan penjual dalam melakukan pemasaran.
Perancangan Sistem Informasi Reimbursment Biaya Operasional pada Restoran Golden Lamian Nurul Jannah Salsabila; Sri Hadianti
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 10, No 4 (2022)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v10i4.52669

Abstract

PT. Sumber Natural Indonesia merupakan perusahaan yang bergerak dalam bidang restoran dengan merek dagang Golden Lamian. Pada sistem bisnis berjalannya, restoran Golden Lamian masih menerapkan sistem reimbursment biaya operasional secara manual. Sistem manual tersebut mengakibatkan waktu yang lama untuk dokumen sampai kepada staff finance, mengingat restoran Golden Lamian sudah tersebar didalam dan diluar Pulau Jawa. Maka dari itu, tujuan dari penelitian ini adalah untuk mengatasi permasalahan yang timbul akibat pengajuan reimbursment yang masih dilakukan secara manual dengan cara membangun sebuah sistem informasi reimbursment  berbasis website agar dapat diakses oleh seluruh outlet serta meminimalisir adanya kehilangan dokumen yang diakibatkan oleh proses pengiriman dokumen. Pada penelitian ini penulis menggunakan metode prototype dengan melibatkan para users agar sistem yang dibangun sesuai dengan kebutuhan users. Dengan adanya sistem informasi yang telah dibangun,  sistem tersebut dapat mempercepat proses pengajuan reimbursment sehingga arus kas pada outlet dapat berjalan lebih efektif.
NEURAL NETWORK OPTIMIZATION USING ENSEMBLE METHOD IN FORECASTING FINANCIAL DATA Imelda Saluza; Hartati Hartati
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 10, No 4 (2022)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v10i4.50771

Abstract

Forecasting is a time series data analysis technique for predicting future data by obtaining patterns of change in past data. Exponential smoothing, AutoRegressive Integrated Moving Average (ARIMA), and Box-Jenkins are common forecasting algorithms for linear time series data. Meanwhile, models such as Artificial Neural Networks (ANN), Fuzzy, and others are frequently utilized for nonlinear time series data. One of the most generally used model selection procedures is to evaluate each model that has been trained in time series data learning and then used to predict the model's performance, and then allow the forecaster determine if the model is acceptable or choose the best model from a list of candidates. Forecasts created with the best model, on the other hand, rarely produce generalized outcomes for the full data set. As a result, it's crucial to put the results of the learning training to the test. The ensemble method is employed instead of learning from a large number of models. The objective of this research is to apply ANN and the Ensemble Approach to optimize a forecasting model. When forecasting with a neural network, the ensemble approach is used to limit the occurrence of over fitting so that the resulting model can beat individual NN models and be consistent in lowering mistakes.
Analisis Sentimen Citayam Fashion Week menggunakan Support Vector Machine Ichsan Firmansyah; B. Herawan Hayadi
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 10, No 4 (2022)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v10i4.56665

Abstract

Fashion show merupakan salah satu ajang untuk mengekspresikan diri dalam bentuk busana, dan juga sebagai wadah bagi seseorang untuk menyampaikan pesan tertentu bagi komunitas disekitarnya. Pergelaran peragaan busana Citayam Fashion Week yang cukup trending di media sosial, memberikan beberapa respon dari netizen, khususnya di media sosial tweeter. Penelitian ini bertujuan untuk menganalisa sentimen netizen yang dikumpulkan dari hasil crawling tweet media sosial Twitter, yang kemudian dianalisis nilai-nilai sentimen di dalamnya. Nilai-nilai ini kemudian dikelompokkan menggunakan algoritma k-means clustering, untuk seterusnya digunakan sebagai kategori target dalam proses klasifikasi menggunakan algoritma support vector machine. Hasil yang diperoleh dalam penelitian ini adalah dari tiga cluster yang dibentuk, 38,6% respon dari tweet menyatakan sentimen positif, 40,4% menyatakan sentimen netral, dan 21% menyatakan respon negatif. Hasil klasifikasi menggunakan algoritma SVM menunjukkan akurasi, presisi dan sensitivitas yang cukup baik untuk masing-masing cluster yang terbentuk, dengan rata-rata nilai sebesar 98,75%, 98,96%, dan 97,48%.
Peramalan Curah Hujan dengan Pengelompokan Bulan Menggunakan Metode Double Exponential Smoothing dari Brown Yuda Novianto; Yessica Nataliani
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 10, No 4 (2022)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v10i4.47167

Abstract

It is important to know the future rainfall, the way is to predict rainfall. By knowing future rainfall, development strategies such as irrigation, dams, urban drainage, harbour docks, agriculture, and even disaster mitigation strategies will be right on target. The purpose of this study is to predict the rainfall for Boyolali Regency and Surakarta City, Central Java in 2020-2021 with Brown's double exponential smoothing method. The type of data used is secondary data, which is obtained from the Meteorology, Climatology and Geophysics Agency of Semarang Climatology Station. The smoothing value, alpha, used in each month was varies, because the rainfall data is grouped first based on the same month, before it was forecasted. The results showed that the highest rainfall in 2020 was 490.73 mm (April) and the lowest was 3.25 mm (August). While for 2021, the highest rainfall was 521.37 (April) and the lowest was 3.25 mm (August), with an MSE of 14731.56, RMSE of 121.37, MAD of 97.42, and SSE of 176778.69.
Perbandingan Metode Machine Learning dalam Analisis Sentimen Twitter Yusuf Ansori; Khadijah Fahmi Hayati Holle
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 10, No 4 (2022)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v10i4.51784

Abstract

Perbedaan pemahaman di kalangan masyarakat sering terjadi terkait diterbitkannya kebijakan baru oleh pemerintah. Diantaranya adalah kebijakan dalam menangani kasus kekerasan seksual di lingkungan kampus yang tertulis dalam Peraturan Menteri Pendidikan, Kebudayaan, Riset dan Teknologi Nomor 30 Tahun 2021 sehingga diperlukan kajian mendalam dengan melakukan analisis sentimen. Ada banyak algoritma yang digunakan dalam penelitian analisis sentimen, maka dalam penelitian ini peneliti menggunakan 4 algoritma klasifikasi machine learning, yaitu Support Vector Machine, K-Nearest Neighbor, Naïve Bayes Classifier, dan Logistic Regression untuk dilakukan perbandingan performa dari masing-masing algoritma. Data penelitian yang digunakan berjumlah 470 data dengan pembagian 236 tweet berlabel positif dan 238 tweet berlabel negatif yang diambil pada rentang bulan Oktober sampai Desember. Dalam penelitian ini menggunakan perangkat lunak RapidMiner dengan menerapkan teknik k-Fold Cross Validation untuk memisahkan data latih dan data uji secara acak. Terdapat perbedaan performa pada algoritma machine learning yang digunakan untuk analisis sentimen, dari algoritma yang telah diujikan, nilai akurasi tertinggi terdapat pada algoritma Support Vector Machine, yaitu sebesar 69,15%, kemudian nilai presisi tertinggi terdapat pada algoritma K-Nearest Neighbor, sebesar 69,07%, kemudian nilai recall tertinggi terdapat pada algoritma Support Vector Machine sebesar  71,98%, dan nilai f-measure tertinggi terdapat pada algoritma K-Nearest Neighbor yaitu sebesar 68,08%.

Page 2 of 3 | Total Record : 22

 1   2   3 

Filter by Year

2022 2022


Reset
Filter By Issues
All Issue Vol 14, No 1 (2026) Vol 13, No 4 (2025) Vol 13, No 3 (2025) Vol 13, No 2 (2025) Vol 13, No 1 (2025) Vol 12, No 4 (2024) Vol 12, No 3 (2024) Vol 12, No 2 (2024) Vol 12, No 1 (2024) Vol 11, No 4 (2023) Vol 11, No 3 (2023) Vol 11, No 2 (2023) Vol 11, No 1 (2023) Vol 10, No 4 (2022) Vol 10, No 3 (2022) Vol 10, No 2 (2022) Vol 10, No 1 (2022) Vol 9, No 4 (2021) Vol 9, No 3 (2021) Vol 9, No 2 (2021) Vol 9, No 1 (2021) Vol 8, No 4 (2020) Vol 8, No 3 (2020) Vol 8, No 2 (2020) Vol 8, No 1 (2020) Vol 7, No 4 (2019) Vol 7, No 3 (2019) Vol 7, No 2 (2019) Vol 7, No 1 (2019) Vol 6, No 4 (2018) Vol 6, No 3 (2018) Vol 6, No 2 (2018) Vol 6, No 1 (2018) Vol 5, No 4 (2017) Vol 5, No 3 (2017) Vol 5, No 2 (2017) Vol 5, No 1 (2017) Vol 4, No 3 (2016) Vol 4, No 2 (2016) Vol 4, No 1 (2016) Vol 3, No 3 (2015) Vol 3, No 2 (2015) Vol 3, No 1 (2015) Vol 2, No 3 (2014) Vol 2, No 2 (2014) Vol 2, No 1 (2014) Vol 1, No 3 (2013) Vol 1, No 2 (2013) Vol 1, No 1 (2013) More Issue