JUSTIN (Jurnal Sistem dan Teknologi Informasi)
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.
Articles
19 Documents
Search results for
, issue
"Vol 11, No 3 (2023)"
:
19 Documents
clear
<![CDATA[Implementasi Modul Otomatisasi Penetration Testing Menggunakan Bourne Again Shell Scripting pada Website Aplikasi Stream PT. Intikom Berlian Mustika Berbasis Kali Linux ]]>
<![CDATA[Farah Fadhilah]]>;
<![CDATA[Ronald Adrian]]>
<![CDATA[ JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 11, No 3 (2023) ]]>
Publisher : <![CDATA[Jurusan Informatika Universitas Tanjungpura ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/justin.v11i3.67468
<![CDATA[Kejahatan dunia maya merupakan suatu jenis kejahatan yang dapat terjadi pada siapa saja dan kapan saja. Kejahatan dunia maya dapat dilakukan melalui jaringan internet dan pada umumnya dilakukan menggunakan perangkat keras komputer sebagai alat untuk melakukan kejahatan. PT. Intikom Berlian Mustika baru saja merilis Website Aplikasi Stream yang belum diketahui kerentanan yang dimiliki. Berdasarkan persoalan yang ada, diperlukan adanya pengujian kerentanan dengan melakukan Penetration Testing pada website tersebut. Saat ini, efisiensi waktu dalam melaksanakan suatu pengujian sistem sangat dibutuhkan. Otomatisasi dapat menjadi sebuah kegiatan untuk dapat mengimplementasikan hal tersebut. Penelitian ini dilakukan untuk melakukan otomatisasi pada pengujian serangan yang akan dilakukan pada Website Aplikasi Stream guna mengetahui hasil kerentanan dari uji serangan yang dilakukan. Alat dan bahan utama yang digunakan pada penelitian ini adalah laptop dan Kali Linux yang sudah dilakukan instalasi pada VirtualBox. Pengujian yang dilakukan adalah dengan melakukan 3 (tiga) jenis serangan yaitu SQL Injection, XSS (Cross-Site Scripting), dan DDoS (Distributed Denial of Service). Jenis serangan yang dilakukan akan diimplementasikan pada otomatisasi dalam bentuk modul atau file menggunakan bash scripting pada Kali Linux. Implementasi otomatisasi tersebut dilakukan perhitungan waktu dalam 10 (sepuluh) kali tahap percobaan. Penelitian ini menyimpulkan bahwa teknik otomatisasi bash scripting dapat mempermudah proses kinerja yaitu hanya dengan melakukan satu kali proses saja dan mempersingkat waktu implememtasi Penetration Testing dengan adanya penurunan waktu riil sebesar 13.82% dibandingan dengan implementasi secara manual.]]>
<![CDATA[Klasifikasi Citra Rontgen Covid-19 dengan menggunakan Deep Learning ]]>
<![CDATA[Evrita Lusiana Utari]]>;
<![CDATA[Prastowo Kristiyanto]]>;
<![CDATA[Agus Qomaruddin Munir]]>
<![CDATA[ JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 11, No 3 (2023) ]]>
Publisher : <![CDATA[Jurusan Informatika Universitas Tanjungpura ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/justin.v11i3.61111
<![CDATA[Citra adalah representasi dari suatu obyek yang ditulis ulang pada suatu medium dengan nilai tertentu (intensitas) yang memiliki koordinat x dan y. Citra Rontgent merupakan salah satu jenis citra medis yang dapat digunakan untuk mendeteksi dan mempelajari suatu penyakit. Namun citra rontgen terkadang terlihat kabur sehingga sedikit sulit untuk mengintepretasi citra. Terlebih lagi adanya redaman sinar-X yang berbeda antara kelenjar pada jaringan yang normal dengan yang terpapar penyakit. Dengan mengimplementasikan deep learning dengan metode klasifikasi citra dapat memilah gambar berdasarkan ekstrasi fitur dan bobot pada jaringan syaraf tiruan. Ketika GPU yang dimiliki adalah AMD, salah satu cara agar dapat menjalankan Deep Learning menggunakan AMD adalah mnggunakan PlaidML.Tahapan yang dilakukan pada pelatihan dan pengujian adalah melakukan pre-procesessing, ektraksi fitur menggunakan lapisan JST VGG16 tanpa lapisan pengklasifikasi (konvolusi dan pooling) yang menghasilkan bottleneck.npy, kemudian membuat lapisan pengklasifikasi sendiri untuk melatih klasifikasi kelas covid dan normal menggunakan data bottleneck.npy. Tingkat akurasi yang diperoleh pada tahap pelatihan beserta validasi pada pelatihan, dan pengujian berturut-turut adalah 99%, 97%, dan 94%. Selanjutnya ketika dievaluasi dengan F1 Score mendapatkan hasil 0,939.]]>
<![CDATA[Rancang Bangun Back-end API pada Aplikasi Mobile AyamHub Menggunakan Framework Node JS Express ]]>
<![CDATA[Eli Nurhayati]]>;
<![CDATA[Agussalim Agussalim]]>
<![CDATA[ JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 11, No 3 (2023) ]]>
Publisher : <![CDATA[Jurusan Informatika Universitas Tanjungpura ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/justin.v11i3.66823
<![CDATA[Back-end adalah bagian aplikasi yang beroperasi di sisi server dan bertanggung jawab dalam interaksi dengan database dan logika fungsional sebuah program. Back-end berkomunikasi dengan client melalui sebuah antarmuka Application Programming Interface (API). Salah satu arsitektur back-end yang paling populer yaitu Representational State Transfer (REST) dimana interaksi yang dilakukan menggunakan pola request-response. AyamHub adalah sebuah aplikasi mobile inovatif yang berfungsi sebagai penghubung antara peternakan dan UMKM/penjual ayam broiler di Indonesia. Dalam proses pengembangannya, AyamHub membutuhkan sebuah back-end yang akan menjadi fondasi sistem kedepannya. Untuk itu, peneliti mencoba melakukan perancangan arsitektur back-end untuk aplikasi mobile AyamHub menggunakan arsitektur REST dan framework Node.js Express. Pemilihan Node.js sebagai platform pengembangan didasarkan pada kelebihan yang dimiliki, terutama pada portabilitas dan teknik non-blocking yang memungkinkan sistem bekerja secara simultan tanpa harus menunggu penyelesaian operasi sebelumnya. Adapun pengembangan dilakukan dengan menggunakan metode waterfall dimana implementasi sistem dibuat dengan menggunakan layanan Google Cloud Platform (GCP) seperti App Engine, Cloud SQL, dan Cloud Storage. Setelah dilakukan pengujian menggunakan black box testing, diperoleh hasil bahwa keseluruhan API yang telah dibuat telah berhasil dan berjalan sesuai dengan harapan. Selain itu, dalam setiap tahap pengembangan back-end, penulis selalu berkoordinasi dengan mobile developer AyamHub untuk memastikan consume API berjalan lancar dan endpoint yang dibuat selaras dengan setiap kebutuhan fiturnya.]]>
<![CDATA[Website Sistem Rekomendasi dengan Content Based Filtering pada Produk Perawatan Kulit ]]>
<![CDATA[Stefanie Angelina Gunarto]]>;
<![CDATA[Eric Sugiharto Honggara]]>;
<![CDATA[Devi Dwi Purwanto]]>
<![CDATA[ JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 11, No 3 (2023) ]]>
Publisher : <![CDATA[Jurusan Informatika Universitas Tanjungpura ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/justin.v11i3.59049
<![CDATA[Pada saat ini produksi dari produk perawatan kulit sangat banyak dan memiliki bahan yang bervariasi. Karena banyaknya produk tersebut maka muncullah kebutuhan dari penjual produk kecantikan untuk memperoleh sebuah rekomendasi dengan menggunakan rekomendasi content based filtering agar customer tetap melakukan pembelian dalam e-commerce yang digunakan. Rekomendasi content based filtering tersebut akan digunakan untuk membantu mencari produk kecantikan dengan bahan baku yang mirip untuk menggantikan sebuah produk yang diinginkan pelanggan namun tidak memiliki stok. Pertama produk akan dibandingkan dengan produk lain bedasarkan komposisi mereka. Kedua, akan dilakukan pemisahan terminology yang terdapat pada konten yang ada dalam produk. Ketiga, data akan diproses dengan membuat index dan melakukan stop word removal. Keempat, algoritma Term Frequency-Invers Document Frequency(TF-IDF) digunakan untuk membuat profil pengguna. Kelima akan dilakukan normalisasi dengan metode cornell smart system. Keenam, melakukan pembobotan bedasarkan profil pengguna. Ketujuh, menghitung cosine similarity dan menentukan rank score dari seluruh produk. Terakhir, menampilkan produk dengan nilai cosine similarity lebih besar dari 10%. Rekomendasi ini akan digunakan dalam sebuah website, diuji dengan blackbox testing oleh masyarakat. Hasilnya adalah sebuah website yang mampu memberikan rekomendasi produk perawatan kulit pada pembeli dengan bahan baku yang serupa dengan yang diinginkan oleh pembeli. Sebagian besar dari masyarakat yang mencoba pun setuju bahwa sistem rekomendasi ini membantu mereka dalam membeli produk perawatan kulit.]]>
<![CDATA[Analisis Penentuan Mahasiswa Berprestasi Fakultas Teknik UNM Menggunakan Metode Fuzzy C-Means ]]>
<![CDATA[Nur Fadiah]]>;
<![CDATA[Rezki Nurul Jariah]]>;
<![CDATA[Dewi Fatmarani Surianto]]>
<![CDATA[ JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 11, No 3 (2023) ]]>
Publisher : <![CDATA[Jurusan Informatika Universitas Tanjungpura ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/justin.v11i3.66167
<![CDATA[Penentuan mahasiswa berprestasi merupakan salah satu langkah untuk meningkatkan mutu pendidikan. Penentuan ini dilakukan untuk mengetahui mahasiswa-mahasiswa yang berprestasi untuk memberikan penghargaan dan dukungan yang lebih kepada mahasiswa yang mencapai prestasi akademik terbaik. Penelitian ini menggunakan metode FCM (Fuzzy C-Means) untuk mengelompokkan mahasiswa berprestasi berdasarkan atribut penilaian yaitu IPK (Indeks Prestasi Kumulatif), prestasi yang dicapai, jumlah organisasi yang diikuti, dan nilai kehadiran. Fuzzy C-Means digunakan untuk mengelompokkan data, dimana setiap data dapat menjadi anggota dari beberapa cluster dengan atribut yang berbeda dari setiap cluster. Penelitian ini berfokus pada lingkungan mahasiswa Fakultas Teknik Universitas Negeri Makassar. Hasil dari penelitian ini mengelompokkan mahasiswa Fakultas Teknik menjadi dua cluster yaitu Berprestasi dan Kurang Berprestasi, dengan hasil cluster “Berprestasi†sebanyak 51 data responden dengan persentase 61,4% dan cluster “Kurang Berprestasi†sebanyak 32 data responden dengan persentase 39%.]]>
<![CDATA[Pengembangan Website dengan Fitur Chatbot Layanan Informasi Stunting ]]>
<![CDATA[Nurul Fitri]]>;
<![CDATA[Arif Bijaksana Putra Negara]]>;
<![CDATA[Yus Sholva]]>
<![CDATA[ JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 11, No 3 (2023) ]]>
Publisher : <![CDATA[Jurusan Informatika Universitas Tanjungpura ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/justin.v11i3.67685
<![CDATA[Stunting merupakan masalah kesehatan anak yang cukup serius di Indonesia sehingga pengetahuan tentangnya menjadi penting untuk diketahui. Untuk memudahkan masyarakat mengetahui informasi umum mengenai stunting secara cepat dan akurat, maka penelitian pengembangan website dengan fitur chatbot dilakukan sebagai tujuan agar dapat memudahkan aksesibilitas masyarakat terhadap informasi stunting. Chatbot secara efektif dapat mempermudah manusia dengan menyediakan solusi untuk menjawab pertanyaan tentang berbagai hal dengan otomatis. Penelitan ini berisi deskripsi terperinci dari pengembangan web yang memiliki fitur chatbot yang mampu memberikan jawaban otomatis atas pertanyaan yang diajukan. Pengembangan web dengan fitur chatbot dilakukan dengan menggunakan metode SDLC sedangkan pengembangan model chatbot ini dilakukan dengan pendekatan Natural Language Processing dan algoritma Neural Network. Evaluasi model dilakukan dengan membagi dataset dengan rasio perbandingan data latih dan data uji yaitu 4:1 yang menghasilkan nilai akurasi 0.90, nilai presisi 0.93, nilai recall 0.90, dan nilai f1-score 0.90. Pengujian pada sisi usability juga dilakukan oleh 8 orang responden dengan menggunakan Chatbot Usability Questionnaire (CUQ) yang mendapatkan nilai perhitungan sebesar 68.6 dari 100.]]>
<![CDATA[Kombinasi Metode Fitur Ekstraksi untuk Indentifikasi Penyakit pada Daun Teh ]]>
<![CDATA[Siti Khotimatul Wildah]]>;
<![CDATA[Abdul Latif]]>
<![CDATA[ JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 11, No 3 (2023) ]]>
Publisher : <![CDATA[Jurusan Informatika Universitas Tanjungpura ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/justin.v11i3.65172
<![CDATA[Teh merupakan salah satu minuman yang paling banyak dikonsumsi di dunia, namun produksi teh seringkali terhambat dan mengalami penurunan oleh berbagai penyakit yang mempengaruhi pertumbuhan dan kualitas daun teh. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi penyakit daun teh dengan memanfaatkan teknologi Image Classification dan menerapkan metode kombinasi analisis tekstur Haralick, Color Histogram, Hu Moment dan pengklasifikasian objek menggunakan Random Forest classifier. Dataset yang digunakan dalam penelitian ini dikumpulkan dari perkebunan teh Johnstone Boiyon di Koiwa, Kabupaten Bomet, Kenya dengan jumlah 1510 citra yang terbagi menjadi 8 kelas. Pra pemrosesan pada penelitian ini dilakukan dengan menambahkan tahapan augmentasi data untuk memperoleh jumlah citra yang lebih besar sehingga algoritma dapat mempejalari pola lebih banyak. Hasil penelitian menunjukkan bahwa kombinasi dari metode yang diusulkan mencapai akurasi 99% dengan nilai standard deviasi yang rendah sebesar 0.001055% yang menunjukkan keefektifan kombinasi analisis tekstur Haralick, Color Histogram, dan Hu Moment serta Random Forest Classifier dalam mengklasifikasikan penyakit daun teh.]]>
<![CDATA[Persepsi Dosen Pascasarjana Universitas Swasta terhadap ChatGPT dalam Meningkatkan Mutu Pembalajaran ]]>
<![CDATA[Nendra jaya Saputra]]>;
<![CDATA[Dian Hidayati]]>
<![CDATA[ JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 11, No 3 (2023) ]]>
Publisher : <![CDATA[Jurusan Informatika Universitas Tanjungpura ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/justin.v11i3.67023
<![CDATA[Penelitian ini bertujuan untuk mengetahui persepsi dosen pascasarjana tentang penggunaan ChatGPT dalam meningkatkan mutu pembelajaran. Masalah penelitian berfokus pada pemahaman bagaimana dosen pascasarjana memandang efektivitas dan keterbatasan teknologi ChatGPT.Penelitian ini menggunakan penelitian kualitatif yang dijabarkan secara deskriptif dengan pendekatan studi kasus.ChatGPT sebagai solusi yang efektif untuk membuat materi ajar atau dapat digunakan sebagai bahan konfirmasi awal. ChatGPT bisa meningkat mutu pembelajaran jika dilengkapi dengan daya kritis dan profesionalitas. Sedang yang skeptis terhadap penggunaan ChatGPT dalam dunia pendidikan. Mereka mengkhawatirkan kemudahan yang diberikan oleh ChatGPT bisa menghilangkan humanisme dan bisa berpotensi mematikan daya kritis dosen dan mahasiswa. penggunaan teknologi ChatGPT yang efektif untuk kualitas pembelajaran mencakup menjaga pola pikir kritis, memverifikasi informasi dari sumber terpercaya, menetapkan tujuan pembelajaran yang jelas, mendorong keterlibatan siswa, dan terus mengevaluasi kinerja dari ChatGPT akan memaksimalkan manfaat teknologi ChatGPT untuk menjaga mutu pembelajaran.]]>
<![CDATA[Penerapan Skala Likert pada Klasifikasi Tingkat Kepuasan Pelanggan Agen Brilink Menggunakan Random Forest ]]>
<![CDATA[Amelia Aditya Santika]]>;
<![CDATA[Triando Hamonangan Saragih]]>;
<![CDATA[Muliadi Muliadi]]>
<![CDATA[ JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 11, No 3 (2023) ]]>
Publisher : <![CDATA[Jurusan Informatika Universitas Tanjungpura ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/justin.v11i3.62086
<![CDATA[Transaksi perbankan merupakan aktivitas yang sudah menjadi kebutuhan sehari-hari. Agen BRILink menjadi salah satu Smart Service yang dimiliki oleh Bank BRI. Layanan perbankan ini memanfaatkan teknologi untuk menarik pelanggan. Namun, terdapat banyak sekali layanan lain yang disebut sebagai pesaing sehingga diperlukan suatu strategi pelayanan agar dapat memberikan layanan terbaik dari yang terbaik. Dalam membangun strategi tersebut, Bank BRI perlu mengetahui tingkat kepuasan pelanggan melalui Skala Likert sebagai patokan dan perbaikan kedepannya dalam hal pelayanan. Pada Skala Likert dapat mengukur sikap, pendapat, dan persepsi seseorang atau sekelompok orang. Penelitian ini melakukan klasifikasi dengan menggunakan Random Forest tanpa penerapan Skala Likert dan dengan penerapan Skala Likert. Tujuan dari penelitian ini berfokus pada peningkatan akurasi yang dihasilkan oleh Random Forest dengan Skala Likert terhadap data kepuasan pelanggan Agen BRILink. Dari hasil penelitian yang dilakukan Random Forest pada data tanpa Skala Likert diperoleh akurasi sebesar 72% dan nilai Mtry optimal sebesar 2, sedangkan Random Forest dengan Skala Likert diperoleh akurasi sebesar 83,67% dan nilai Ntree optimal sebesar 100. Hasil penelitian ini membuktikan penerapan Skala Likert dapat meningkatkan akurasi terhadap klasifikasi tingkat kepuasan pelanggan agen BRILink menggunakan Random Forest.]]>
<![CDATA[Early Detection of Stunting in Toddlers Based on Ensemble Machine Learning in Purbaratu Tasikmalaya ]]>
<![CDATA[AL Husaini]]>;
<![CDATA[Irani Hoeronis]]>;
<![CDATA[Hen Hen Lumana]]>;
<![CDATA[Luh Desi Puspareni]]>
<![CDATA[ JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 11, No 3 (2023) ]]>
Publisher : <![CDATA[Jurusan Informatika Universitas Tanjungpura ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/justin.v11i3.66465
<![CDATA[This research utilizes combines several algorithm model that improve the accuracy of early detection of stunting in toddlers in Purbaratu Tasikmalaya. Â The ensemble method used a voting classifier to combine the prediction results of models. The data used in this research were anthropometric data from 195 toddlers in Purbaratu Tasikmalaya. Results of the testing have identified that the use of the ensemble model machine learning method produces high accuracy for 3 categories of anthropometric data categories tested, that combined accuracy value 97,43 %, 92,30%, and 94,87% for all ensemble model and category.]]>
