cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Muhammad Iqbal
Contact Email
halopublikasi@hawari.id
Phone
+6281269617312
Journal Mail Official
redaksijnastek@hawari.id
Editorial Address
Jl. Sei Batu Gingging Ps. X No.33, Padang Bulan Selayang I, Kec. Medan Selayang, Kota Medan, Sumatera Utara 20153
Location
Kota medan,
Sumatera utara
INDONESIA
Jurnal Nasional Teknologi Komputer
Published by CV. HAWARI
ISSN : 28087801     EISSN : 28084845     DOI : -
Core Subject : Science,
Computer Science & IT
Jurnal Nasional Teknologi Komputer di bidang ilmu komputer dan teknologi. Jurnal JNASTEK diterbitkan oleh CV. Hawari. Redaksi mengundang peneliti, praktisi, dan mahasiswa untuk menulis perkembangan ilmiah di bidang-bidang yang berkaitan dengan teknologi informasi, teknik informatika dan sistem komputer. Jurnal JNASTEK terbit 4 (Empat) kali dalam setahun pada bulan Januari, April, Juli dan Oktober. Jurnal ini berisi artikel penelitian dan kajian ilmiah.
Arjuna Subject : Ilmu Komputer (semua kategori) - Perangkat Lunak
Articles 316 Documents
 28   29   30   31   32 
Analisis Algoritma Neural Network Dan Regresi Linier Untuk Memprediksi Permintaan Layanan Kampus Berbasis Data Mahasiswa di AMIK Medicom Robin Antoni; Muhammad Iqbal; Zulham Sitorus
Jurnal Nasional Teknologi Komputer Vol 6 No 3 (2026): Juli 2026
Publisher : CV. Hawari

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

Abstract

The increasing number of students and the growing adoption of digital services have made campus service demand more dynamic, creating a need for accurate prediction methods to support service planning and data-driven decision-making. This study aims to analyze and compare the performance of Neural Network and Linear Regression algorithms in predicting campus service demand based on student data at AMIK Medicom. The dataset consists of student-related variables, including the number of active students and the percentage of digital service utilization as predictor variables, while total campus service demand is used as the target variable. The data were collected from September 2025 to February 2026. The research procedure involved data collection, data preprocessing, the development of Linear Regression and Neural Network models, and model evaluation using the coefficient of determination (R²), Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), and prediction accuracy. The results indicate that both methods are capable of predicting campus service demand effectively. The Linear Regression model achieved an R² value of 0.987, an MAE of 245.60, an RMSE of 301.20, and an accuracy rate of 91.4%. Meanwhile, the Neural Network model achieved an R² value of 0.996, an MAE of 118.30, an RMSE of 156.50, and an accuracy rate of 96.8%. These findings demonstrate that the Neural Network model outperforms Linear Regression, as evidenced by its higher R² value and lower error rates. Therefore, Neural Network is recommended as a more effective prediction model for supporting data-driven planning and management of campus services at AMIK Medicom.
Perancangan Sistem Informasi Deteksi Gejala Stunting Anak Menggunakan Metode Certainty Factor Berbasis Website Raihan Risky; Arpan; Muhammad Zen
Jurnal Nasional Teknologi Komputer Vol 6 No 3 (2026): Juli 2026
Publisher : CV. Hawari

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

Abstract

The grade data of students at SMK Swasta Rahmat Islamiyah Medan contains confidential information related to learning outcomes, performance evaluation, and student graduation. Currently, the risk of unauthorized access, data alteration, or deletion poses a threat to academic integrity, institutional reputation, and parents' trust. To overcome this issue, this study implements a symmetric cryptography method, specifically the Vernam Cipher algorithm, to secure student grade data. The Vernam Cipher encrypts data using a bitwise XOR (Exclusive OR) logical operation between plaintext and a secret key, ensuring that the stored or transmitted information remains unreadable to unauthorized parties. The results demonstrate that the application of Vernam Cipher effectively protects student grade data from manipulation and unauthorized leakage, maintaining data confidentiality and authenticity. Thus, this implementation supports a fair, secure, and reliable academic evaluation process at SMK Swasta Rahmat Islamiyah Medan.`
Perancangan Sistem Informasi Penjualan Obat Berbasis Website Pada Apotek Sehat Farma Wina Novita Br Bangun; Ricky Ramadhan Harahap; Nova mayasari
Jurnal Nasional Teknologi Komputer Vol 6 No 3 (2026): Juli 2026
Publisher : CV. Hawari

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

Abstract

The advancement of information technology has encouraged pharmacies to adopt digital systems to support sales processes and data management more effectively. This study aims to design and develop a web-based drug sales information system for Sehat Farma Pharmacy by emphasizing the application of User Interface (UI) and User Experience (UX) principles. The research stages include user requirement identification, business process analysis, navigation structure design, wireframe and prototype development, database design, system implementation, as well as functional and user experience testing. The system was developed using PHP and MySQL. The main features include authentication, a dashboard, drug data management, customer and supplier management, sales and return transactions, e-prescriptions, inventory management, and sales reporting. The interface was designed to be simple, consistent, responsive, and easy to understand so that users can operate each function efficiently and minimize errors. The testing results show that all core features function according to user requirements. The implementation of UI/UX design also improves navigation, drug data searching, transaction recording, inventory monitoring, and structured report presentation. Therefore, the developed system can support the daily operations of Sehat Farma Pharmacy through an easy-to-use interface, a clear interaction flow, and more effective and efficient information management.
Analisis Dampak Pinjaman Online Terhadap Beban Hidup Masyarakat Menggunakan Metode Random Forest Grace Elita Zendrato; Aulia Ichsan; Raja Nasrul Fuad
Jurnal Nasional Teknologi Komputer Vol 6 No 3 (2026): Juli 2026
Publisher : CV. Hawari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61306/jnastek.v6i3.494

Abstract

Pinjaman online telah menjadi salah satu layanan keuangan digital yang banyak digunakan oleh masyarakat karena proses pengajuannya yang mudah dan pencairan dana yang cepat. Namun, penggunaan pinjaman online yang berlebihan dapat meningkatkan beban hidup serta berdampak pada kondisi ekonomi masyarakat. Penelitian ini bertujuan untuk menganalisis dampak penggunaan pinjaman online terhadap beban hidup masyarakat menggunakan algoritma Random Forest. Data primer diperoleh melalui penyebaran kuesioner berbasis skala Likert lima poin kepada 106 responden yang pernah menggunakan layanan pinjaman online. Data yang terkumpul diolah dan dianalisis menggunakan Orange Data Mining. Evaluasi model dilakukan menggunakan metode 10-Fold Cross Validation dengan metrik Accuracy, Precision, Recall, F1-Score, Area Under the Curve (AUC), Matthews Correlation Coefficient (MCC), dan Confusion Matrix. Hasil penelitian menunjukkan bahwa model Random Forest memperoleh nilai Accuracy sebesar 71,7%, Precision sebesar 67,0%, Recall sebesar 71,7%, F1-Score sebesar 67,9%, AUC sebesar 0,769, dan MCC sebesar 0,441. Hasil Confusion Matrix menunjukkan bahwa model memiliki kemampuan yang baik dalam mengklasifikasikan responden dengan tingkat beban hidup tinggi, meskipun masih terdapat beberapa kesalahan klasifikasi pada kategori rendah dan sedang. Hasil penelitian menunjukkan bahwa algoritma Random Forest efektif digunakan untuk mengklasifikasikan tingkat beban hidup masyarakat berdasarkan penggunaan pinjaman online serta dapat mendukung pengambilan keputusan dalam analisis perilaku keuangan digital. Kata Kunci: Pinjaman Online, Beban Hidup, Random Forest, Machine Learning, Orange Data Mining.
Prediksi Risiko Diabetes Melitus Menggunakan Algoritma Random Forest Pada Dataset Pima Indians Diabetes Yohana; Raja Nasrul Fuad; Irwan Daniel
Jurnal Nasional Teknologi Komputer Vol 6 No 3 (2026): Juli 2026
Publisher : CV. Hawari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61306/jnastek.v6i3.495

Abstract

Diabetes melitus merupakan penyakit tidak menular dengan prevalensi yang terus meningkat, baik secara global maupun di Indonesia, sehingga deteksi dini berbasis data klinis menjadi penting untuk mendukung intervensi yang lebih cepat dan tepat sasaran. Penelitian ini bertujuan menerapkan dan mengevaluasi algoritma Random Forest untuk memprediksi risiko diabetes berdasarkan atribut klinis dasar. Penelitian ini menggunakan dataset Pima Indians Diabetes Database dari UCI Machine Learning Repository yang diunduh melalui Kaggle. Dataset ini terdiri dari 768 instance dengan 8 atribut klinis dan 1 atribut target (Outcome). Nilai nol yang tidak logis secara medis pada atribut Glucose, BloodPressure, SkinThickness, Insulin, dan BMI ditangani melalui imputasi mean, dilanjutkan standardisasi fitur. Model dilatih menggunakan algoritma Random Forest dengan skema stratified 10-fold cross validation pada platform Orange Data Mining. Model mencapai Area Under Curve (AUC) sebesar 0,798, akurasi klasifikasi (CA) 0,746, F1-Score 0,743, presisi 0,742, recall 0,746, dan Matthews Correlation Coefficient (MCC) 0,430. Analisis confusion matrix menunjukkan model lebih baik mengenali kelas tidak diabetes (recall 83,0%) dibandingkan kelas diabetes (recall 59,0%). Glucose dan BMI teridentifikasi sebagai prediktor paling dominan. Random Forest memberikan performa prediksi yang cukup baik, namun sensitivitas terhadap kelas diabetes masih perlu ditingkatkan melalui penanganan ketidakseimbangan kelas dan penyesuaian hyperparameter. Kata Kunci: diabetes melitus, klasifikasi, machine learning, orange data mining, random forest
Evaluasi Model Machine Learning Pada Deteksi Kematangan Buah Tomat Berdasarkan Warna dia adillia; Sugeng Riyadi; Doughlas Pardede
Jurnal Nasional Teknologi Komputer Vol 6 No 3 (2026): Juli 2026
Publisher : CV. Hawari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61306/jnastek.v6i3.496

Abstract

Penentuan tingkat kematangan buah tomat sering kali dilakukan secara visual, sehingga cenderung subjektif dan menghasilkan evaluasi yang kurang stabil. Penelitian ini bertujuan untuk menilai dan membandingkan kinerja algoritma K-Nearest Neighbors (KNN), Decision Tree, dan Random Forest dalam mengklasifikasikan tingkat kematangan buah tomat berdasarkan fitur warna RGB guna mendapatkan model dengan performa terbaik. Kumpulan data yang digunakan mencakup 300 gambar buah tomat yang dibagi menjadi tiga kategori, yaitu mentah, setengah matang, dan matang. Seluruh gambar melewati tahap Pre-pocessing yang mencakup penghapusan latar belakang, pengubahan ukuran dan ekstraksi fitur dengan menggunakan metode Mean RGB Color Feature Extraction. Dataset selanjutnya dipisahkan menjadi 80% data pelatihan dan 20% data pengujian dengan menggunakan Random Sampling yang diulang sebanyak 10 kali melalui Stratified Sampling. Evaluasi model dilakukan menggunakan Area Under Curve (AUC), Accuracy, F1-Score, Precision, Recall, Confusion Matrix, dan ROC Analysis. Hasil penelitian menunjukkan bahwa KNN memperoleh nilai AUC tertinggi sebesar 100%, sedangkan Random Forest memperoleh nilai Accuracy, F1-Score, Precision, dan Recall tertinggi, yaitu masing-masing sebesar 96,7%. Hasil Confusion Matrix menunjukkan bahwa Random Forest memiliki performa yang lebih seimbang pada ketiga kelas, sementara kesalahan klasifikasi terutama terjadi pada kelas setengah matang yang memiliki karakteristik warna yang berdekatan dengan kelas lainnya. Berdasarkan keseluruhan metrik evaluasi, Confusion Matrix, dan ROC Analysis, Random Forest ditetapkan sebagai model terbaik. Hasil penelitian ini menunjukkan bahwa fitur warna RGB dan algoritma Random Forest berpotensi digunakan untuk mengidentifikasi tingkat kematangan buah tomat secara lebih objektif, konsisten, dan efisien serta dapat dikembangkan untuk mendukung sistem sortasi berbasis citra digital.

Page 32 of 32 | Total Record : 316

 28   29   30   31   32 

Filter by Year

2021 2026


Reset
Filter By Issues
All Issue Vol 6 No 3 (2026): Juli 2026 Vol 6 No 2 (2026): April 2026 Vol 6 No 1 (2026): Januari 2026 Vol 5 No 4 (2025): Oktober 2025 Vol 5 No 3 (2025): Juli 2025 Vol 5 No 2 (2025): April 2025 Vol 4 No 3 (2024): Volume 4 Nomor 3 Juli 2024 Vol 4 No 2 (2024): Volume 4 Nomor 2 April 2024 Vol 4 No 1 (2024): Volume 4 Nomor 1 Januari 2024 Vol 4 No 4 (2024): Oktober 2024 Vol 3 No 4 (2023): Volume 3 Nomor 4 Oktober 2023 Vol 3 No 3 (2023): Volume 3 Nomor 3 Juli 2023 Vol 3 No 2 (2023): Volume 3 Nomor 2 April 2023 Vol 3 No 1 (2023): Volume 3 Nomor 1 Januari 2023 Vol 2 No 4 (2022): Volume 2 Nomor 4 Oktober 2022 Vol 2 No 3 (2022): Volume 2 Nomor 3 Juli 2022 Vol 2 No 2 (2022): Volume 2 Nomor 2 April 2022 Vol 2 No 1 (2022): Volume 2 Nomor 1 Januari 2022 Vol 1 No 1 (2021): Volume 1 Nomor 1 Oktober 2021 More Issue