cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Purnomo Hadi Susilo
Contact Email
teknikinformatika_unisla@yahoo.co.id
Phone
+6285733290212
Journal Mail Official
teknikinformatika_unisla@yahoo.co.id
Editorial Address
Joutica : Journal of Informatic Unisla Program Studi Teknik Informatika - Fakultas Teknik - Universitas Islam Lamongan Jl. Veteran 53 A Lamongan
Location
Kab. lamongan,
Jawa timur
INDONESIA
Joutica : Journal of Informatic Unisla
Published by Universitas Islam Lamongan
ISSN : 2503071X     EISSN : 2621511X     DOI : https://doi.org/10.30736/jti.v7i1.747
Core Subject : Science, Engineering,
Computer Science & IT Control & Systems Engineering
Topics cover the following areas (but are not limited to): Enterprise Systems (ES) Enterprise Resource Planning Business Process Management Customer Relationship Management Marketing Analytics System Dynamics E-business and e-Commerce Marketing Analytics Supply Chain Management and Logistics Business Analytics and Knowledge Discovery Production Management Task Analysis Process Mining Discrete Event Simulation Service Science and Innovation Innovation in the Digital Economy Information Systems Management (ISM) Software Engineering Software Design Pattern System Analysis and Design Software Quality Assurance Green Technology Strategies Strategic Information Systems IT Governance and Audits E-Government IT Service Management IT Project Management Information System Development Research Methods of Information Systems Adoption and Diffusion of Information Technology Health Information Systems and Technology Accounting Information Systems Human Behavior in Information System Social Technical Issues and Social Inclusion Domestication of Information Technology ICTs and Sustainable Development Information System in developing countries Software metric and cost estimation IT/IS audit IT Risk and Management Data Acquisition and Information Dissemination (DAID) Open Data Social Media Knowledge Management Social Networks Big Data Web Services Database Management Systems Semantics Web and Linked Data Visualization Information Social Information Systems Social Informatics Spatial Informatics Systems Geographical Information Systems Data Engineering and Business Intelligence (DEBI) Business Intelligence Data Mining Intelligent Systems Artificial Intelligence Autonomous Agents Intelligent Agents Multi-Agent Systems Expert Systems Pattern Recognition Machine Learning Soft Computing Optimization Forecasting Meta-Heuristics Computational Intelligence Decision Support Systems IT Infrastructure and Security (ITIS) Information Security and Privacy Digital Forensics Network Security Cryptography Cloud and Virtualization Emerging Technologies Computer Vision and Image Ethics in Information Systems Human Computer Interaction Wireless Sensor Networks Medical Image Analysis Internet of Things Mobile and Pervasive Computing Real-time Systems and Embedded Systems Parallel and Distributed Systems
Arjuna Subject : Ilmu Komputer (semua kategori) - Sistem Informasi
Articles 173 Documents
 14   15   16   17   18 
An optimized kernel SVM framework for game review sentiment analysis using particle swarm optimization Karo Karo, Ichwanul Muslim; Dewi, Sri; Nasution, Alvi Sahrin
Joutica Vol 11 No 1 (2026): MARET
Publisher : Universitas Islam Lamongan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30736/jti.v11i1.1633

Abstract

The digital game industry’s rapid growth has increased interaction between developers and players through online review platforms. These reviews contain vital information about gaming experiences and satisfaction, serving as guides for future game versioning. Sentiment analysis provides a strategic approach to automatically classify reviews, offering data-driven insights for developers. This study focuses on enhancing sentiment analysis performance for Player Unknown's Battlegrounds (PUBG) reviews by integrating Kernel Support Vector Machine (SVM) with Particle Swarm Optimization (PSO). A dataset of 1,205 reviews from the Google Play Store was analyzed using TF-IDF feature extraction and 5-fold cross-validation. While default Kernel SVM achieved 76.78% accuracy, it suffered from low precision (56.9%). Implementing PSO for parameter optimization significantly improved performance, reaching 86.42% accuracy, 70.98% precision, and an 83.03% F1-score. Comparisons with Naïve Bayes, basic SVM, BERT, and Lexicon + SVM confirm that the Kernel SVM + PSO model provides superior and more stable performance. These findings highlight PSO’s effectiveness in SVM parameter tuning. Future research should investigate combining metaheuristic optimization with deep learning models to improve model generalization.
Deep Learning untuk Deteksi dan Segmentasi Kanker Payudara: A Systematic Literature Review menggunakan PRISMA Hartoyo, Nindiya Ika Nugraha; Akbar, Agus Subhan; Sabilla, Alzena Dona
Joutica Vol 11 No 1 (2026): MARET
Publisher : Universitas Islam Lamongan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30736/jti.v11i1.1637

Abstract

Kanker payudara adalah pertumbuhan sel abnormal yang menyebar dengan cepat ke sel lain dan berpotensi mencapai kegagalan suatu organ untuk berfungsi normal. Kehadirankan sel abnormal ini seringkali menandakan kondisi serius yang memerlukan perhatian medis. Deteksi dini sangat penting untuk pengobatan yang efektif dan mencegah perkembangan penyakit. Perkembangan teknologi AI, khususnya deep learning telah banyak diterapkan dalam analisis citra medis seperti mammografi, USG, dan MRI untuk deteksi serta segmentasi kanker payudara. Deep learning terbukti memiliki kapabilitas tinggi dalam mengenali pola serta memproses data citra medis secara efektif. Penelitian ini bertujuan menyusun tinjauan pustaka sistematis terkait implementasi deep learning untuk deteksi dan segmentasi kanker payudara. Dari total 196 artikel yang teridentifikasi, sebanyak 53 artikel terpilih setelah melalui proses seleksi menggunakan metode PRISMA dari database Scopus. Tinjauan ini meneliti model deep learning dan machine learning mulai dari pengaruh variasi dataset, metrik evaluasi, pengembangan arsitektur, serta penambahan blok khusus beserta pengaruhnya dalam model deep learning terhadap performa deteksi dan segmentasi kanker payudara. Namun, terdapat tantangan seperti bias dataset, skalabilitas di lingkungan dengan sumber daya terbatas, dan generalisasi. Tinjauan ini diharapkan dapat menunjukkan potensi deep learning dan machine learning untuk meningkatkan pengembangan model deteksi dan segmentasi di masa depan, berkontribusi pada peningkatan akurasi diagnosis, skalabilitas, serta hasil pengobatan pasien.
Transformasi Digital dengan Pengembangan Enterprise Architecture pada Layanan Kesehatan Nindyaistia; Aris Puji Widodo; Dinar M K Nugraheni; Kurniawan Widodo
Joutica Vol 11 No 1 (2026): MARET
Publisher : Universitas Islam Lamongan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30736/jti.v11i1.1643

Abstract

Rumah sakit setiap hari menangani data dalam jumlah sangat besar, namun mayoritas melakukan pengolahan data manual. Penerapan sistem-teknologi informasi diharapkan dapat meningkatkan efisiensi dan mutu pelayanan pasien, namun seringkali hanya berfungsi sebagai tempat penyimpanan data, belum mendukung pencapaian tujuan strategis organisasi. Implementasi sistem informasi rumah sakit sering dilakukan tanpa acuan arsitektur organisasi (enterprise architecture) yang terstruktur. Kondisi ini menyebabkan berbagai permasalahan seperti redundansi data, ketidaksesuaian alur kerja klinis, inefisiensi operasional, serta ketidakselarasan antara tujuan strategis, proses layanan kesehatan, dengan sistem-teknologi informasi. Penelitian sebelumnya menunjukkan pentingnya enterprise architecture dalam menyelaraskan proses bisnis dengan sistem-teknologi informasi, namun penerapan spesifik di rumah sakit masih terbatas. Penelitian ini bertujuan merancang arsitektur organisasi yang dapat meningkatkan keselarasan antara strategi dan proses bisnis rumah sakit dengan sistem-teknologi informasi yang digunakan. Penelitian menggunakan pendekatan Design Science Research (DSR). Artefak yang dihasilkan berupa model enterprise architecture rumah sakit yang disusun sesuai dengan lapisan arsitektur TOGAF, mengacu kerangka reference architecture rumah sakit, serta dimodelkan menggunakan ArchiMate. Arsitektur yang dihasilkan mencakup arsitektur bisnis, sistem informasi, dan teknologi. Hasil penelitian menunjukkan bahwa penyusunan arsitektur organisasi membantu mengidentifikasi kelemahan pada implementasi sistem informasi, meningkatkan keselarasan antara strategi dan proses bisnis dengan sistem informasi, serta mendukung integrasi data untuk kebutuhan pelayanan, akreditasi rumah sakit, dan pelaporan program kesehatan nasional. Arsitektur yang dihasilkan juga mempermudah komunikasi antara tenaga medis, manajemen rumah sakit, dan tim teknologi dalam pengembangan dan pengelolaan sistem informasi rumah sakit

Page 18 of 18 | Total Record : 173

 14   15   16   17   18 

Filter by Year

2017 2026


Reset
Filter By Issues
All Issue Vol 11 No 1 (2026): MARET Vol 10 No 2 (2025): SEPTEMBER Vol 10 No 1 (2025): MARET Vol 9 No 2 (2024): SEPTEMBER Vol 9 No 1 (2024): MARET Vol 8 No 2 (2023): Journal of Informatic Unisla Vol 8, No 1 (2023): Journal of Informatic Unisla Vol 8 No 1 (2023): Journal of Informatic Unisla Vol 7, No 2 (2022): Journal of Informatic Unisla Vol 7, No 1 (2022): Maret Vol 6, No 2 (2021) Vol 6, No 1 (2021): Jurnal Teknik Informatika Vol 5, No 2 (2020) Vol 5, No 1 (2020) Vol 4, No 2 (2019) Vol 4, No 1 (2019) Vol 3, No 2 (2018) Vol 3, No 1 (2018) Vol 2, No 2 (2017) Vol 2, No 1 (2017): Jurnal Informatika UNISLA Vol 1, No 2 (2017) More Issue