cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Abdul Rachman Manga'
Contact Email
abdulrachman.manga@umi.ac.id
Phone
-
Journal Mail Official
jurnal.busiti@umi.ac.id
Editorial Address
Jl. Urip Sumiharjo KM. 05
Location
Kota makassar,
Sulawesi selatan
INDONESIA
Buletin Sistem Informasi dan Teknologi Islam
Published by Universitas Muslim Indonesia
ISSN : -     EISSN : 27210901     DOI : http://dx.doi.org/10.33096/busiti.v3i1.949
Core Subject : Science,
Computer Science & IT
Buletin Sistem Informasi dan Teknologi Islam (BUSITI) is an Indonesian scientific journal published by the Department of Information Technology, Faculty of Computer Science, Universitas Muslim Indonesia. BUSITI covers all aspects of the latest outstanding research and developments in the field of Computer science, including: Artificial intelligence; Data science; Databases; Computer performance analysis Computer security and cryptography; Computer networks; Parallel and distributed systems; Microcontroller; Internet of Things; Software engineering. BUSITI is issued four times a year in February, May, August and November. Each article submitted to BUSITI will be peer-reviewed, and articles stated worthy of publication by the reviewer and editor will be published in BUSITI.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 228 Documents
 19   20   21   22   23 
A Calibrated ROI-Aware Hybrid CNN-Transformer for Kidney Stone Presence Classification on Heterogeneous Axial CT Images Muh Ilham Akbar; Muhammad Faisal; Desi Anggreani; Abd Rakhim Nanda; Try Gustaf Said; Muhammad Syafaat S. Kuba
Buletin Sistem Informasi dan Teknologi Islam (BUSITI) Vol 7, No 2 (2026)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/busiti.v7i2.3463

Abstract

Batu ginjal merupakan penyebab umum nyeri pinggang akut, dan CT non-kontras menjadi standar referensi untuk mendeteksi kalkulus. Pada penelitian ini, istilah heterogen merujuk pada variasi protokol akuisisi antarrumah sakit, seperti perbedaan dosis radiasi, ketebalan irisan, rekonstruksi, dan bidang pandang, yang dapat mengubah tampilan citra serta menurunkan konsistensi pembacaan. Penelitian ini mengusulkan model hibrida CNN-Transformer yang sadar ROI (implisit) untuk klasifikasi keberadaan batu ginjal pada citra CT aksial heterogen. Arsitektur menggabungkan EfficientNet-B3, encoder Transformer ringan, dan Convolutional Block Attention Module (CBAM) tanpa anotasi ROI manual. Dataset terdiri dari 3.364 citra (1.577 batu, 1.787 non-batu) dengan pemisahan bertingkat 70/15/15. Evaluasi mencakup akurasi, presisi, sensitivitas, spesifisitas, F1, ROC-AUC, PR-AUC, inspeksi kalibrasi, dan audit Grad-CAM. Hasil menunjukkan bahwa penambahan Transformer meningkatkan kinerja dibanding baseline CNN, sedangkan CBAM menggeser profil kesalahan ke sensitivitas yang lebih tinggi. Varian Hybrid+Attention mencapai akurasi 0,9861, F1 0,9851, dan ROC-AUC 0,9967 pada set uji, dengan jumlah negatif palsu lebih rendah dibanding varian hibrida tanpa perhatian. Temuan ini menunjukkan potensi model sebagai alat bantu dokter untuk triase dan pembacaan awal yang lebih konsisten pada data lintas protokol, meskipun validasi eksternal, pemisahan berbasis pasien, dan metrik kalibrasi kuantitatif masih diperlukan sebelum klaim kesiapan klinis.
Analisis Arsitektur Cloud Enterprise Resource Planning (ERP) Terintegrasi SAK ETAP untuk Akuntabilitas Finansial dan Optimalisasi Operasional UMKM Tri Sandhika Jaya; Panji Andhika Pratomo; Dewi Kania Widyawati
Buletin Sistem Informasi dan Teknologi Islam (BUSITI) Vol 7, No 2 (2026)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/busiti.v7i2.3375

Abstract

Usaha Mikro, Kecil, dan Menengah (UMKM) memegang peranan krusial dalam ekonomi digital, namun seringkali terhambat oleh kompleksitas manajemen operasional, fragmentasi data, dan keterbatasan adopsi teknologi. Penelitian ini bertujuan mengembangkan dan menganalisis arsitektur sistem Enterprise Resource Planning (ERP) berbasis cloud yang terintegrasi dengan Standar Akuntansi Keuangan Entitas Tanpa Akuntabilitas Publik (SAK ETAP) untuk mengatasi tantangan tersebut. Kebaruan penelitian ini terletak pada pendekatan DevOps penuh dan integrasi SAK ETAP by-design sejak tahap perencanaan. Sistem diuji ketahanannya menggunakan stress testing dengan alat K6. Hasil pengujian menunjukkan sistem mampu menangani 3.600 permintaan tanpa kesalahan (0% error rate), dengan waktu respons median 36,04 ms dan persentil ke-90 ≤559 ms, mengindikasikan kapasitas sistem yang stabil untuk beban operasional harian UMKM. Dengan sistem ERP berbasis cloud ini, UMKM dapat mengintegrasikan data dan proses bisnis secara efisien, sekaligus mendukung transformasi digital berkelanjutan.
Explainable Fake News Detection in Indonesian Language Using IndoBERT and SHAP Muhammad Hasraddin Hasnan; Rizky Yusliana Bakti; Muhammad Faisal; Titik Khawa Abd Rahman; Nurnawaty Nurnawaty; Muhammad Syafaat S. Kuba; Titin Wahyuni
Buletin Sistem Informasi dan Teknologi Islam (BUSITI) Vol 7, No 2 (2026)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/busiti.v7i2.3466

Abstract

Perkembangan teknologi informasi dan media sosial telah mempercepat penyebaran berita palsu, sehingga diperlukan sistem deteksi yang akurat, andal, dan mudah diinterpretasikan. Penelitian ini bertujuan mengembangkan sistem deteksi fake news berbahasa Indonesia dengan mengintegrasikan IndoBERT sebagai model klasifikasi teks dan SHAP sebagai pendekatan Explainable Artificial Intelligence (XAI) untuk menjelaskan kontribusi kata terhadap hasil prediksi. Dataset diperoleh dari TurnBackHoax dan Kaggle, kemudian melalui tahapan preprocessing berupa cleaning text, filtering bahasa Indonesia, tokenisasi, serta penyeimbangan data menggunakan random oversampling pada data latih. Dari 5.347 data awal, diperoleh 4.980 data setelah filtering bahasa Indonesia, terdiri atas 3.613 data valid dan 1.367 data hoaks. Data dibagi secara stratifikasi dengan rasio 80% untuk pelatihan dan 20% untuk pengujian. Setelah oversampling, data latih menjadi seimbang dengan masing-masing 2.890 sampel per kelas. Hasil eksperimen menunjukkan bahwa model baseline TF-IDF dan Logistic Regression memperoleh akurasi 77%, sedangkan IndoBERT mencapai akurasi 87%, dengan precision 0,87, recall 0,95, dan F1-score 0,91 pada kelas hoaks. Visualisasi SHAP menunjukkan token penting yang memengaruhi klasifikasi. Hasil ini membuktikan bahwa integrasi IndoBERT dan SHAP efektif meningkatkan deteksi berita palsu sekaligus memberikan transparansi model.
Analisis Perbandingan Kinerja Arsitektur CNN VGG19, ResNet50, EfficientNetB0, dan MobileNetV2 untuk Deteksi Wajah Asli dan Wajah Buatan AI Erika Yanti; Muhammad Faisal; Titin Wahyuni; Abd Rakhim Nanda; Nurnawaty Nurnawaty; Rizki Yusliana Bakti
Buletin Sistem Informasi dan Teknologi Islam (BUSITI) Vol 7, No 2 (2026)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/busiti.v7i2.3465

Abstract

Perkembangan Generative Artificial Intelligence (GenAI) memungkinkan pembuatan citra wajah sintetis yang sangat menyerupai wajah asli, sehingga menimbulkan tantangan terhadap keaslian informasi digital, privasi, dan keamanan identitas. Penelitian ini mengevaluasi kinerja empat arsitektur Convolutional Neural Network (CNN), yaitu VGG19, ResNet50, EfficientNetB0, dan MobileNetV2, dalam klasifikasi wajah asli dan wajah hasil generasi AI. Dataset yang digunakan adalah HFD-8000 yang terdiri atas 8.000 citra wajah dengan skenario klasifikasi biner. Tahapan penelitian meliputi prapemrosesan data, pembagian dataset, augmentasi, penanganan ketidakseimbangan kelas, serta pelatihan model menggunakan transfer learning. Evaluasi dilakukan menggunakan accuracy, precision, recall, F1-score, ROC-AUC, dan confusion matrix. Hasil penelitian menunjukkan bahwa ResNet50 dan VGG19 memperoleh performa terbaik dengan akurasi 99,50% dan macro F1-score 99,22%. EfficientNetB0 mencapai akurasi 97,83% dan F1-score 96,61%, sedangkan MobileNetV2 memperoleh akurasi 92,58% dan F1-score 86,40%. Secara keseluruhan, ResNet50 menjadi model paling optimal karena menunjukkan keseimbangan antara akurasi, stabilitas, efisiensi, dan keandalan dalam klasifikasi wajah asli dan sintetis.
Optimalisasi Rekonstruksi Data Hilang untuk Meningkatkan Presisi Prediksi Waktu Salat Berbasis GRU di Wilayah Empat Musim Adelia Khansa Ristiaputri; Aji Prasetya Wibawa; Adhelia Wida Khaidir; Dhia Rafifah Thifal; Adelia Desyana Eka Putri; Agung Bella Putra Utama
Buletin Sistem Informasi dan Teknologi Islam (BUSITI) Vol 7, No 2 (2026)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/busiti.v7i2.3458

Abstract

Peramalan waktu sholat di wilayah empat musim menghadapi tantangan besar akibat variabilitas musiman ekstrem dan risiko ketidaklengkapan data sensorik yang mengganggu kontinuitas informasi. Penelitian ini bertujuan untuk mengevaluasi pengaruh berbagai metode imputasi terhadap kinerja model peramalan GRU pada data deret waktu yang merepresentasikan dinamika astronomi dan meteorologi. Metodologi penelitian melibatkan pengujian enam teknik imputasi pada tiga dataset dengan karakteristik berbeda, yaitu variabilitas musiman jangka panjang, pola siklik non-linear, dan dinamika jangka pendek resolusi tinggi. Model GRU dioptimasi menggunakan PSO untuk memastikan akurasi parameter yang maksimal. Hasil eksperimen menunjukkan bahwa model GRU secara konsisten mengungguli LSTM, Bi-LSTM, dan RNN, ditunjukkan oleh nilai MAPE dan RMSE yang lebih rendah serta R² yang lebih tinggi. Metode imputasi sederhana seperti Mean dan LOCF terbukti lebih efektif dibandingkan KNN dan MICE dalam menjaga struktur temporal data. Pada Dataset 1, kombinasi Mean–GRU menghasilkan MAPE 0,74074, RMSE 3,25932, dan R² 0,92828; pada Dataset 2, LOCF mencapai kinerja terbaik dengan MAPE 1,36115, RMSE 16,22207, dan R² 0,93766; sedangkan pada Dataset 3, Median menunjukkan performa optimal dengan MAPE 0,34435, RMSE 1,18365, dan R² 0,98420. Temuan ini menegaskan bahwa preservasi integritas temporal melalui strategi imputasi yang tepat berperan penting dalam meningkatkan kinerja model peramalan waktu sholat.
Implementasi Dan Analisis Performa Rest Api Dan Graphql Pada Aplikasi Berita Digital Di Indonesia Ahmad Muzakki Aley; Ade Irma Purnama Sari; Denni Pratama; Nining Rahaningsih; Willy Prihartono
Buletin Sistem Informasi dan Teknologi Islam (BUSITI) Vol 7, No 2 (2026)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/busiti.v7i2.3218

Abstract

Kebutuhan aplikasi berita digital terhadap mekanisme pengambilan data yang cepat dan efisien semakin meningkat. Arsitektur REST API yang umum digunakan masih menghadapi kendala over-fetching dan under-fetching, terutama pada data bersarang. Penelitian ini bertujuan mengimplementasikan dan membandingkan performa REST API dan GraphQL dalam pengambilan data bersarang pada aplikasi berita digital. Metode yang digunakan adalah eksperimen komparatif menggunakan Indonesian News Dataset yang telah direstrukturisasi. Implementasi dilakukan menggunakan Node.js dengan Express.js untuk REST API dan Apollo Server untuk GraphQL. Pengujian performa menggunakan Postman (baseline) dan Apache JMeter (load test) dengan parameter latency, payload size, jumlah HTTP request, dan throughput. Hasil penelitian menunjukkan GraphQL secara signifikan lebih unggul. Rata-rata latency GraphQL 29 ms, jauh lebih cepat dibanding REST API 2084 ms. Ukuran payload GraphQL rata-rata 253 byte, lebih efisien 83% dari REST API (1483 byte). Throughput GraphQL mencapai 1.455,39 request/detik, melampaui REST API yang hanya 21,77 request/detik. GraphQL hanya memerlukan satu HTTP request untuk data bersarang, sedangkan REST API memerlukan beberapa request terpisah. Disimpulkan bahwa GraphQL merupakan pendekatan yang lebih efisien dan direkomendasikan untuk aplikasi berita digital dengan struktur data kompleks.
A Hybrid K-Means and Neural Network for Enhancing Students’ Academic Performance Suriani Suriani; Muhammad Faisal; Darniati Darniati; Emil Agusalim H. T; Muhammad Syafaat S. Kuba; Swa Lee Lee; Nurdiansyah Nurdiansyah
Buletin Sistem Informasi dan Teknologi Islam (BUSITI) Vol 7, No 2 (2026)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/busiti.v7i2.3467

Abstract

Ketersediaan data pada Learning Management System (LMS) mendorong penerapan pembelajaran adaptif di pendidikan tinggi. Penelitian ini mengusulkan kerangka kerja hybrid berbasis kecerdasan buatan yang mengintegrasikan K-Means clustering dan Neural Network untuk profil mahasiswa berbasis perilaku dan prediksi kinerja akademik. Model divalidasi menggunakan Open University Learning Analytics Dataset yang mencakup data demografi, interaksi, dan performa akademik. Hasil menunjukkan akurasi sebesar 0,68 dan F1-score sebesar 0,66, melampaui metode dasar dengan stabilitas yang lebih baik. Clustering menghasilkan silhouette score 0,62 yang menunjukkan pemisahan kelompok yang jelas. Selain itu, sistem meningkatkan relevansi konten sebesar 27% dan menurunkan risiko putus studi sebesar 18%, dengan waktu inferensi rata-rata 0,85 detik. Temuan ini menunjukkan efektivitas kerangka dalam mendukung pembelajaran adaptif yang dipersonalisasi dan skalabel. Model hybrid yang diusulkan dapat mendukung pembelajaran adaptif melalui jalur belajar yang dipersonalisasi serta membantu perguruan tinggi melakukan intervensi dini terhadap mahasiswa berisiko berdasarkan pemantauan berbasis data.
Clustering Kabupaten/Kota di Provinsi Banten Berdasarkan Indikator Pembangunan untuk Mendukung Penentuan Prioritas Program Daerah Widyawati Widyawati; Muhamad Oki Astrabuwono
Buletin Sistem Informasi dan Teknologi Islam (BUSITI) Vol 7, No 2 (2026)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/busiti.v7i2.3383

Abstract

Penelitian ini bertujuan untuk mengelompokkan kabupaten/kota di Provinsi Banten berdasarkan indikator pembangunan multidimensi, menganalisis karakteristik setiap cluster, serta memberikan rekomendasi awal mengenai prioritas program daerah. Penelitian ini menggunakan pendekatan kuantitatif deskriptif dengan data sekunder yang bersumber dari publikasi resmi Badan Pusat Statistik Provinsi Banten tahun 2024. Objek penelitian mencakup 8 kabupaten/kota di Provinsi Banten dengan enam variabel, yaitu garis kemiskinan, tingkat pengangguran terbuka, pertumbuhan ekonomi, produk domestik regional bruto atas dasar harga konstan (PDRB ADHK), rata-rata lama sekolah, dan umur harapan hidup. Data dianalisis melalui tahapan normalisasi Min-Max dan implementasi algoritma K-Means Clustering menggunakan Python. Hasil penelitian menunjukkan bahwa kabupaten/kota di Provinsi Banten terbagi ke dalam tiga cluster, yaitu wilayah prioritas intervensi, wilayah berkembang, dan wilayah maju. Hasil evaluasi menunjukkan nilai Silhouette Score sebesar 0.3216 yang mengindikasikan kualitas cluster yang cukup. Hasil pengelompokan ini menegaskan adanya perbedaan karakteristik pembangunan antarwilayah, sehingga kebijakan pembangunan daerah tidak dapat diterapkan secara seragam. Penelitian ini berkontribusi dalam menyediakan pemetaan pembangunan daerah berbasis data multidimensi yang dapat digunakan sebagai dasar awal untuk mendukung penyusunan kebijakan pembangunan yang lebih terarah, objektif, dan sesuai dengan kebutuhan masing-masing wilayah.

Page 23 of 23 | Total Record : 228

 19   20   21   22   23 

Filter by Year

2020 2026


Reset
Filter By Issues
All Issue Vol 7, No 2 (2026) Vol 6, No 4 (2025) Vol 6, No 3 (2025) Vol 6, No 2 (2025) Vol 6, No 1 (2025) Vol 5, No 4 (2024) Vol 5, No 3 (2024) Vol 5, No 2 (2024) Vol 5, No 1 (2024) Vol 4, No 4 (2023) Vol 4, No 3 (2023) Vol 4, No 2 (2023) Vol 4, No 1 (2023) Vol 3, No 4 (2022) Vol 3, No 3 (2022) Vol 3, No 2 (2022) Vol 3, No 1 (2022) Vol 2, No 4 (2021) Vol 2, No 3 (2021) Vol 2, No 2 (2021) Vol 2, No 1 (2021) Vol 1, No 4 (2020) Vol 1, No 3 (2020) Vol 1, No 2 (2020) Vol 1, No 1 (2020) More Issue