cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Mohamad Ilyas Abas
Contact Email
juik@umgo.ac.id
Phone
+6282396102670
Journal Mail Official
juik@umgo.ac.id
Editorial Address
Jln. Prof. Mansoer Pateda, Kecamatan Telaga Biru Kabupaten Gorontalo
Location
Kab. gorontalo,
Gorontalo
INDONESIA
Jurnal Ilmu Komputer
Published by Universitas Muhammadiyah Gorontalo
ISSN : -     EISSN : 2774924X     DOI : -
Core Subject : Science,
Computer Science & IT
Jurnal Ilmu Komputer (JUIK) Universitas Muhammadiyah Gorontalo. Jurnal ini dibuka dan dirilis pada tahun 2021 Volume 1. No. 1 untuk periode Februari dan Oktober. Jurnal ini memiliki ruang lingkup Ilmu Komputer, Teknik Informasi, Rekayasa Perangkat Lunak, Sistem Informasi Geografis, Data Mining, Machine Learning, Image Processing dan Sistem Informasi. Jurnal ini bisa menjadi tempat Anda untuk mengalirkan artikel untuk direkam sehingga menambah wawasan bagi pembaca atau pencari referensi sesuai bidang terkait.
Arjuna Subject : Ilmu Komputer (semua kategori) - Jaringan Komputer dan Komunikasi
Articles 65 Documents
 3   4   5   6   7 
PREDIKSI TINGKAT KEKERASAN PADA PEREMPUAN DAN ANAK DI KABUPATEN GORONTALO MENGGUNAKAN MACHINE LEARNING Ayu, Citra; Lasarudin, Alter; Hasyim, Wahyudin
Jurnal Ilmu Komputer (JUIK) Vol 5, No 3 (2025): OCTOBER 2025
Publisher : Universitas Muhammadiyah Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31314/juik.v5i3.4182

Abstract

Kekerasan terhadap perempuan dan anak merupakan isu sosial yang masih perlu mendapatkan perhatian khusus, terutama di Kabupaten Gorontalo yang memiliki angka kasus tertinggi di Provinsi Gorontalo. Penelitian ini bertujuan untuk memprediksi tingkat kekerasan terhadap perempuan dan anak menggunakan metode Machine Learning dengan algoritma Naïve Bayes dan Regresi Linier Berganda. Hasil penelitian menunjukkan bahwa Naïve Bayes menghasilkan RMSE sebesar 0.174 untuk kasus perempuan dan 0.254 untuk kasus anak. Sementara itu, Regresi Linier Berganda menghasilkan RMSE yang sangat kecil yaitu 0.000, baik untuk kasus perempuan maupun kasus anak. Dari hasil tersebut, dapat disimpulkan bahwa algoritma Regresi Linier Berganda lebih akurat dalam memprediksi tingkat kekerasan. Dengan hasil penelitian ini, diharapkan dapat membantu pemerintah dan lembaga terkait dalam mengambil langkah pencegahan serta tindakan yang lebih cepat, sehingga kasus kekerasan terhadap perempuan dan anak di Kabupaten Gorontalo dapat dicegah.
ANALISIS KEPUASAN PENGGUNA SISTEM E-PUSKESMAS KABUPATEN GORONTALO MENGGUNAKAN MODEL END-USER COMPUTING SATISFACTION (EUCS) Bouti, Novi; Hasyim, Wahyudin; Maku, Rubiyanto
Jurnal Ilmu Komputer (JUIK) Vol 5, No 3 (2025): OCTOBER 2025
Publisher : Universitas Muhammadiyah Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31314/juik.v5i3.4183

Abstract

E-Puskesmas adalah aplikasi manajemen yang dirancang untuk mengelola data pasien mulai dari pendaftaran hingga pembuatan laporan, yang memungkinkan pengisian rekam medis secara elektronik dan memudahkan pencatatan serta penyimpanan data medis. Metode yang digunakan dalam penelitian ini adalah End User Computing Satisfaction (EUCS). Metode ini mengukur kepuasan pengguna berdasarkan lima variabel: konten, akurasi, format, kemudahan penggunaan, dan ketepatan waktu. Penelitian ini melibatkan 104 responden, di mana hasil menunjukkan bahwa 65.7% responden merasa puas dengan sistem ini, sementara hanya 2.2% yang tidak puas. Hasil penelitian menunjukkan bahwa sistem informasi E-Puskesmas tidak hanya meningkatkan efisiensi dalam pengelolaan data pasien, tetapi juga mempercepat proses pengelolaan hasil tes medis dan meningkatkan koordinasi antara puskesmas dan laboratorium. Dengan demikian, penelitian ini memberikan wawasan penting bagi pengembang dan pengelola sistem informasi kesehatan untuk terus meningkatkan kualitas layanan dan memenuhi kebutuhan pengguna.
IDENTIFIKASI KUALITAS DAN JENIS BUAH CABAI MENGGUNAKAN ALGORITMA DEEP LEARNING Supu, Tahir; Syahrial, Syahrial; Lamusu, Rizal; Pranata, Widya Eka
Jurnal Ilmu Komputer (JUIK) Vol 5, No 3 (2025): OCTOBER 2025
Publisher : Universitas Muhammadiyah Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31314/juik.v5i3.4593

Abstract

Abstrak Penelitian ini memuat dua rumusan masalah (1) Bagaimana mengindentifikasi kualitas dan jenis buah cabai berdasarkan Algoritma Deep Learning? (2) Bagaimana meningkatkan Akurasi mengenali kualitas dan jenis buah cabai berdasarkan Algoritma Deep Learning? Tujuan penelitian ini adalah (1) Mengidentifikasi kualitas dan jenis buah cabai secara otomatis menggunakan Algoritma deep learning. (2) Meningkatkan sistem Akurasi mengenali kualitas dan jenis buah cabai dengan mengoptimalkan penerapan Algoritma deep learning. Deep Learning adalah arsitektur jaringan saraf berlapis untuk memproses dan menganalisis data dalam skala besar secara efisien guna menyelesaikan berbagai permasalahan kompleks. Deep Learning merupakan cabang dari Machine Learning yang algoritmanya dirancang mengadopsi arsitektur jaringan saraf biologi manusia, yang dikenal sebagai Artificial Neural Networks. Salah satu, arsitektur Deep Learning yang paling umum digunakan analisis dalam gambar adalah Convolutional Neural Network (CNN). Pada penelitian ini, sampel data yang diperoleh berjumlah 1500 data gambar yang dibagi 4 kelas , yaitu : Cabai keriting segar, Cabai keriting tidak segar, Cabai rawit segar dan Cabai rawit tidak segar. Setalah itu akan di bagi menjadi dua data yaitu train dan validasi Gambar grafik di atas menunjukkan hubungan antara rasio data latih-uji dengan model Akurasi pada ukuran citra 400x400 piksel. Terlihat bahwa model Akurasi cenderung meningkat seiring proporsi data latih, dengan puncak Akurasi terjadi pada 80:20, mencapai sekitar 98% 1. Model CNN CabaiNet yang dikembangkan dalam penelitian ini mampu mengklasifikasikan jenis dan kualitas buah cabai ke dalam empat kelas (cabai keriting segar, cabai keriting tidak segar, cabai rawit segar, dan cabai rawit tidak segar) dengan tingkat Akurasi tinggi, mencapai 99% pada terbaik. Hal ini menjawab rumusan masalah pertama terkait bagaimana identifikasi kualitas dan jenis buah cabai dengan Algoritma deep learning, yaitu dengan memanfaatkan arsitektur CNN khusus yang dirancang untuk mengekstraksi fitur visual dari citra buah cabai1. Model CNN CabaiNet yang dikembangkan dalam penelitian ini mampu mengklasifikasikan jenis dan kualitas buah cabai ke dalam empat kelas (cabai keriting segar, cabai keriting tidak segar, cabai rawit segar, dan cabai rawit tidak segar) dengan tingkat Akurasi tinggi, mencapai 99% pada konfigurasi terbaik. Hal ini menjawab rumusan masalah pertama terkait bagaimana identifikasi kualitas dan jenis buah cabai dengan Algoritma deep learning, yaitu dengan memanfaatkan arsitektur CNN khusus yang dirancang untuk mengekstraksi fitur visual dari citra buah cabai.
ANALISIS DATA PENJUALAN OBAT BPJS MENGGUNAKAN METODE DIFERENSIAL DAN STRATEGI D-CRM Maulia, Rizky; Wahyuni, Titin; Rahman, Fahrim Irhamna
Jurnal Ilmu Komputer (JUIK) Vol 5, No 3 (2025): OCTOBER 2025
Publisher : Universitas Muhammadiyah Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31314/juik.v5i3.4749

Abstract

Penelitian ini bertujuan untuk menganalisis data penjualan obat BPJS menggunakan metode diferensial yang terintegrasi dengan strategi Digital Customer Relationship Management (D-CRM) guna mendukung pengelolaan stok obat yang lebih efisien. Data transaksi pasien Program Rujuk Balik (PRB) di Apotek Kimia Farma Cendrawasih periode Januari 2022–Juli 2024 digunakan sebagai objek penelitian. Metode diferensial menghitung Δ1 dan Δ2 untuk mendeteksi perubahan tren penjualan obat, sedangkan strategi D-CRM berbasis RFM (Recency, Frequency, Monetary) digunakan untuk melakukan segmentasi pasien dan mengidentifikasi pola konsumsi. Hasil penelitian menunjukkan bahwa metode ini mampu memberikan gambaran menyeluruh terkait tren permintaan obat dan perilaku pasien. Model prediksi sederhana berbasis Qty + Δ1 + Δ2 menghasilkan akurasi tinggi dengan MAE 1,35, MSE 92,32, dan MAPE 3,35%, yang menandakan kesalahan prediksi relatif kecil dan layak dijadikan acuan perencanaan stok. Integrasi analisis diferensial dan D-CRM terbukti efektif untuk mendukung pengadaan obat yang tepat sasaran serta meningkatkan kualitas pelayanan farmasi bagi pasien BPJS.Keywords: Analisis diferensial, D-CRM, RFM, prediksi penjualan obat, BPJS.
PERBANDINGAN ALGORITMA NAIVE BAYES, LOGISTIC REGRESSION DAN ARTIFICIAL NEURAL NETWORK UNTUK KLASIFIKASI TINGKAT KESEJAHTERAAN KELUARGA Simon, Natalia R; Lasarudin, Alter; Hasyim, Wahyudin
Jurnal Ilmu Komputer (JUIK) Vol 5, No 3 (2025): OCTOBER 2025
Publisher : Universitas Muhammadiyah Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31314/juik.v5i3.4931

Abstract

Desa Batu Hijau adalah salah satu desa di pesisir pantai yang ada diKecamatan Bonepantai Kabupaten Bone Bolango. Saat ini klasifikasi tingkat kesejahteraan keluarga di wilayah tersebut belum sepenuhnya tepat, yang mengakibatkan distribusi subsidi yang tidak tepat sasaran. Oleh karena itu, sangat penting untuk memahami tingkat kesejahteraan keluarga di Desa tersebut. Dalam penelitian ini, penulis menggunakan algoritma Naive Bayes, Logistic Regression, dan Artificial Neural Network. Berdasarkan hasil percobaan menggunakan tool rapidminer dan google colab algoritma naive bayes, logistic regression, dan artificial neural network memiliki nilai akurasi yang sama yaitu 100%, precision 100%, serta recall 100%. Berdasarkan Hasil pengujian menggunakantoolrapidminerdangooglecolabalgoritmaNaiveBayes,LogisticRegression,danArtificialNeural Network mampu mengklasifikasikan data tingkat kesejahteraan keluarga dengan sempurna yang menunjukkan bahwa model mampu mengklasifikasikan data tanpa kesalahan. 

Page 7 of 7 | Total Record : 65

 3   4   5   6   7 

Filter by Year

2021 2025


Reset
Filter By Issues
All Issue Vol 5, No 3 (2025): OCTOBER 2025 Vol 5, No 2 (2025): JUNE 2025 Vol 5, No 1 (2025): February 2025 Vol 4, No 3 (2024): October 2024 Vol 4, No 2 (2024): JUNE 2024 Vol 4, No 1 (2024): FEBRUARY 2024 Vol 3, No 2 (2023): October 2023 Vol 3, No 1 (2023): Februari 2023 Vol 2, No 2 (2022): October 2022 Vol 2, No 1 (2022): February 2022 Vol 1, No 2 (2021): October 2021 Vol 1, No 1 (2021): February 2021 More Issue