cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Oris Krianto Sulaiman
Contact Email
ilmubersamacenter@gmail.com
Phone
+6282294365929
Journal Mail Official
helloworldjurnal@gmail.com
Editorial Address
Jl. Imam Bonjol No. 9 Forum 9th Floor, Kota Medan, Sumatera Utara 20112
Location
Kota medan,
Sumatera utara
INDONESIA
Hello World
Published by Ilmu Bersama Center
ISSN : -     EISSN : 28298616     DOI : https://doi.org/10.56211/helloworld
Core Subject : Science,
Computer Science & IT
Hello World Jurnal Ilmu Komputer merupakan jurnal yang membahas ilmu dibidang komputer, jurnal ini sebagai wadah untuk menuangkan hasil penelitian baik secara konseptual maupun teknis yang berkaitan dengan ilmu komputer. Hello World Jurnal terbit 4 kali dalam setahun yaitu pada bulan April, Juli, Oktober dan Januari. Terbitan pertama adalah bulan April 2022. Naskah yang masuk akan diterima oleh editor untuk kemudian kan dilakukan pemeriksaan kemiripan naskah dengan aplikasi Plagiarism Checker X. Proses review dilakukan dengan menggunakan peer review. Hello World Jurnal menerima naskah dengan topik Software Engineering, Information System, e-Government, e-Healthcare, e-Learning, e-Manufacturing, e-Commerce, Smart Systems, Smart City, Cloud Engineer, Data Science, Data Engineer, Natural Language Processing dan topik lainnya yang relevan dengan Ilmu Komputer.
Arjuna Subject : Ilmu Komputer (semua kategori) - Perangkat Lunak
Articles 106 Documents
 7   8   9   10   11 
Pengolahan Citra Digital Untuk Ekstraksi Fitur Pada Hybrid Model CNN-SVM Dalam Deteksi Penyakit Pneumonia Berbasis X-Ray Dada Muhammad Aulia Irza; Irvan
Hello World Jurnal Ilmu Komputer Vol. 5 No. 2 (2026): Edisi Juli 2026
Publisher : Ilmu Bersama Center

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pneumonia merupakan salah satu penyakit infeksi paru-paru yang masih menjadi penyebab utama kematian, terutama pada anak-anak dan lansia. Deteksi dini dan akurat terhadap pneumonia sangat penting untuk mendukung pengambilan keputusan medis yang cepat dan tepat. Penelitian ini bertujuan untuk mengembangkan sistem deteksi pneumonia berbasis citra X-ray dada dengan pendekatan hybrid yang menggabungkan Convolutional Neural Network (CNN) sebagai ekstraktor fitur dan Support Vector Machine (SVM) sebagai algoritma klasifikasi. Dataset yang digunakan berasal dari Guangzhou Women and Children’s Medical Center, terdiri dari citra X-ray dada yang telah dikategorikan ke dalam dua kelas, yaitu “Normal” dan “Pneumonia”. Proses pra-pemrosesan dilakukan dengan normalisasi dan augmentasi citra. Ekstraksi fitur dilakukan menggunakan arsitektur CNN dengan lima blok konvolusional dan satu lapisan GlobalAveragePooling. Fitur yang dihasilkan dari proses ini kemudian diklasifikasikan menggunakan SVM dengan parameter terbaik yang diperoleh melalui GridSearch dan validasi silang Stratified K-Fold. Hasil pengujian menunjukkan bahwa model hybrid CNN-SVM mencapai akurasi sebesar 92.75% pada data pelatihan dan 81.57% pada data pengujian. Meskipun akurasi pada data validasi hanya 50%, hal ini disebabkan oleh jumlah data validasi yang sangat terbatas. Model menunjukkan sensitivitas tinggi terhadap kasus pneumonia, yang merupakan metrik penting dalam deteksi penyakit. Implementasi akhir dilakukan dengan mengintegrasikan model ke dalam aplikasi antarmuka sederhana berbasis Gradio untuk memudahkan pengguna melakukan deteksi secara mandiri. Penelitian ini menunjukkan bahwa pendekatan hybrid CNN-SVM efektif digunakan untuk deteksi pneumonia berbasis citra X-ray dada dan berpotensi dikembangkan lebih lanjut sebagai alat bantu diagnosis di bidang medis.
Analisis Dan Implementasi Metode Genetic Fuzzy Systems Dalam Prediksi Tingkat Kunjungan Pasien Di Klinik Pratama Prima Melati Anita Riski Yusro Siregar; Al-Khowarizmi
Hello World Jurnal Ilmu Komputer Vol. 5 No. 2 (2026): Edisi Juli 2026
Publisher : Ilmu Bersama Center

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Prediksi jumlah kunjungan pasien merupakan salah satu elemen penting dalam mendukung efisiensi pelayanan dan perencanaan operasional di fasilitas kesehatan. Penelitian ini mengusulkan penerapan metode Genetic Fuzzy System (GFS) dalam membangun sistem prediksi tingkat kunjungan pasien bulanan di Klinik Pratama Prima Melati. GFS merupakan pendekatan hibrida yang menggabungkan kemampuan logika fuzzy dalam menangani ketidakpastian data dengan algoritma genetika untuk mengoptimalkan aturan fuzzy secara adaptif. Sistem dirancang dalam bentuk aplikasi web yang memudahkan pihak klinik dalam menginput data historis, melihat hasil prediksi, memantau kategori fuzzy, dan mengevaluasi performa prediksi setiap bulan. Model ini diuji terhadap data kunjungan pasien selama satu tahun dan menghasilkan prediksi yang cukup konsisten serta mendekati nilai aktual pada sebagian besar bulan. Meskipun hasil prediksi bersifat dinamis akibat proses evolusi genetika, sistem tetap menunjukkan kecenderungan yang stabil dalam memetakan pola historis kunjungan pasien. Dengan demikian, penerapan metode ini dinilai relevan dan potensial dalam membantu proses pengambilan keputusan berbasis data di lingkungan klinik.
Analisis Perencanaan Dan Pengendalian Stok Obat Menggunakan Metode Analisis ABC Dan Algoritma LG Boosting Di Instalasi Farmasi Rifdah Febiana Putri Lubis; Halim Maulana
Hello World Jurnal Ilmu Komputer Vol. 5 No. 2 (2026): Edisi Juli 2026
Publisher : Ilmu Bersama Center

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pengelolaan stok obat memiliki peran krusial di instalasi farmasi karena secara langsung memengaruhi kelancaran layanan kesehatan. Penelitian ini berfokus pada perencanaan dan pengendalian persediaan obat melalui penerapan Analisis ABC, yang digunakan untuk mengelompokkan obat berdasarkan nilai pemakaian dan kontribusinya terhadap total biaya, serta algoritma Gradient Boosting untuk meramalkan kebutuhan obat dengan memanfaatkan data historis. Hasil kajian menunjukkan bahwa Analisis ABC dapat menetapkan kelompok prioritas, di mana kelas A menempati porsi terbesar dalam nilai investasi meskipun jumlah itemnya terbatas. Selain itu, algoritma Gradient Boosting memberikan hasil peramalan yang lebih presisi dibandingkan metode regresi sederhana. Kombinasi kedua metode ini efektif dalam meningkatkan efisiensi pengelolaan persediaan, mengurangi risiko defisit maupun surplus stok, serta mendukung kesinambungan ketersediaan obat bagi pasien.untuk membangun sistem peramalan harga saham yang dapat diandalkan.
Deteksi Wajah Menggunakan Algoritma Haar Cascade Berbasis Haar Feature Sinta Bella; Martiano
Hello World Jurnal Ilmu Komputer Vol. 5 No. 2 (2026): Edisi Juli 2026
Publisher : Ilmu Bersama Center

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini membahas implementasi algoritma Haar Cascade Classifier dalam pendeteksian wajah secara otomatis. Tujuan penelitian adalah untuk menganalisis kinerja sistem dalam mengenali wajah pada berbagai kondisi pencahayaan dan pose. Proses penelitian meliputi pengumpulan citra wajah, pelatihan menggunakan dataset terdaftar, serta pengujian sistem deteksi dengan kamera. Evaluasi dilakukan menggunakan confusion matrix dengan parameter True Positive (TP), False Positive (FP), True Negative (TN), dan False Negative (FN). Hasil pengujian menunjukkan bahwa sistem mencapai akurasi 81,82%, presisi 100%, dan recall 81,82%. Nilai presisi yang tinggi menunjukkan bahwa sistem mampu mendeteksi wajah dengan tingkat ketepatan sangat baik, meskipun masih terdapat beberapa wajah yang gagal terdeteksi. Penelitian ini membuktikan bahwa Haar Cascade dapat digunakan sebagai metode yang efisien untuk sistem keamanan maupun absensi berbasis wajah, namun pengembangan lebih lanjut diperlukan agar dapat bekerja optimal pada kondisi pencahayaan rendah atau wajah yang tertutup sebagian.
Prediksi Penjualan Kambing Menggunakan Metode Single Exponential Smoothing Ade Satrio; Yoshida Sary
Hello World Jurnal Ilmu Komputer Vol. 5 No. 2 (2026): Edisi Juli 2026
Publisher : Ilmu Bersama Center

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Peternakan kambing merupakan salah satu sektor penting dalam penyediaan bahan pangan hewani di Indonesia, terutama dalam pemenuhan kebutuhan daging untuk konsumsi dan kegiatan keagamaan seperti Idul Adha. Namun, fluktuasi permintaan pasar yang tidak menentu membuat pelaku usaha sering mengalami kesulitan dalam menentukan jumlah stok penjualan secara akurat. Ketidakpastian tersebut menyebabkan inefisiensi pada rantai pasok dan berpotensi menimbulkan kerugian. Penelitian ini bertujuan mengimplementasikan metode Simple Exponential Smoothing (SES) dalam sistem pendukung keputusan untuk memprediksi penjualan kambing berbasis data historis. SES merupakan metode peramalan deret waktu yang sederhana dan efektif dengan prinsip memberikan bobot lebih besar pada data terbaru. Data penelitian diperoleh dari peternakan UD. Fahri di Kabupaten Labuhan Batu Utara, mencakup data penjualan kambing bulanan selama satu tahun. Proses penelitian meliputi pengumpulan data, perhitungan SES dengan nilai parameter α = 0,3–0,9, serta evaluasi akurasi menggunakan indikator MAPE, MAD, dan MSE. Hasil pengujian menunjukkan bahwa metode SES menghasilkan tingkat kesalahan rata-rata (MAPE) sebesar 8,7%, yang termasuk dalam kategori akurasi tinggi. Sistem pendukung keputusan yang dibangun berbasis web ini dapat membantu pelaku usaha dalam mengambil keputusan strategis terkait stok dan rencana penjualan dengan lebih cepat, efisien, dan objektif dibandingkan metode manual.
Optimalisasi Alokasi Sumber Daya pada Arsitektur Private Cloud Menggunakan Algoritma Machine Learning Andi Zulherry; Indah Purnama Sari; Mhd. Basri; Yohanni Syahra
Hello World Jurnal Ilmu Komputer Vol. 5 No. 2 (2026): Edisi Juli 2026
Publisher : Ilmu Bersama Center

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Private cloud computing telah menjadi solusi infrastruktur yang banyak diadopsi oleh organisasi untuk mengelola sumber daya komputasi secara mandiri dan aman. Namun, pengelolaan alokasi sumber daya seperti CPU, memori, disk, dan bandwidth jaringan pada lingkungan private cloud sering menghadapi tantangan berupa ketidakseimbangan beban kerja, yang dapat menyebabkan kondisi over-provisioning maupun under-provisioning pada virtual machine (VM). Penelitian ini mengusulkan pendekatan optimalisasi alokasi sumber daya berbasis algoritma machine learning untuk memprediksi kebutuhan resource secara dinamis berdasarkan pola penggunaan historis. Metode yang diterapkan meliputi pengumpulan data utilisasi resource dari dataset publik, praproses data, pelatihan model Random Forest Regression, serta evaluasi performa model menggunakan metrik Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan koefisien determinasi (R2). Hasil eksperimen menunjukkan bahwa model mampu memprediksi Disk Write Throughput dengan rata-rata R2 sebesar 0,81 dan Network Transmitted dengan rata-rata R2 sebesar 0,46 lintas tiga VM yang diuji. Penelitian ini diharapkan dapat memberikan kontribusi praktis bagi pengelola infrastruktur private cloud dalam merancang sistem alokasi resource yang lebih adaptif dan efisien.

Page 11 of 11 | Total Record : 106

 7   8   9   10   11 

Filter by Year

2022 2026


Reset
Filter By Issues
All Issue Vol. 5 No. 2 (2026): Edisi Juli 2026 Vol. 5 No. 1 (2026): Edisi April Vol. 4 No. 4 (2026): Edisi Januari Vol. 4 No. 3 (2025): Edisi Oktober Vol. 4 No. 2 (2025): Edisi Juli Vol. 4 No. 1 (2025): Edisi April Vol. 3 No. 4 (2025): Edisi Januari Vol. 3 No. 3 (2024): Edisi Oktober Vol. 3 No. 2 (2024): Edisi Juli Vol. 3 No. 1 (2024): Edisi April Vol. 2 No. 4 (2024): Edisi Januari Vol. 2 No. 3 (2023): Edisi Oktober Vol. 2 No. 2 (2023): Edisi Juli Vol. 2 No. 1 (2023): Edisi April Vol. 1 No. 4 (2023): Edisi Januari Vol. 1 No. 3 (2022): Edisi Oktober Vol. 1 No. 2 (2022): Edisi Juli Vol. 1 No. 1 (2022): Edisi April More Issue