cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Muhamad Fuat Asnawi
Contact Email
jurnal.storage@gmail.com
Phone
+6285292912229
Journal Mail Official
jurnal.storage@gmail.com
Editorial Address
Jl. Bunga Cempaka No. 51D. Medan. Indonesia
Location
Kota medan,
Sumatera utara
INDONESIA
STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer
Published by Yayasan Literasi Sains Indonesia
ISSN : -     EISSN : 28285344     DOI : https://doi.org/10.55123/storage
Core Subject : Science, Engineering,
Civil Engineering, Building, Construction & Architecture Computer Science & IT Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering
STORAGE adalah Jurnal Ilmiah Teknik dan Ilmu Komputer yang diterbitkan 4 (empat) kali dalam setahun, yaitu pada bulan Februari, Mei, Agustus dan November oleh Yayasan Literasi Sains Indonesia. Jurnal ini merupakan jurnal yang dapat akses secara terbuka bagi para Peneliti, Mahasiswa dan Dosen yang ingin mempublikasikan hasil penelitiannya pada bidang Teknik dan Ilmu Komputer. STORAGE adalah wadah informasi berupa hasil penelitian, studi kepustakaan, gagasan, aplikasi teori dan kajian analisis kritis dibidang perkembangan teknologi terkini yang meliputi bidang Arsitektur, Teknik Sipil, Teknik Mesin dan Ilmu Komputer.
Arjuna Subject : Teknik (semua kategori) - Teknik (Lain-Lain)
Articles 182 Documents
 15   16   17   18   19 
IMPLEMENTASI ALGORITMA NAÏVE BAYES UNTUK PREDIKSI RISIKO RELAPS PADA SISTEM MONITORING PASIEN REHABILITASI NARKOBA Steve Jeremy Rarumangkay; Yonathan Kazu Datumbanua; Levi Elia Pitoy; Marike Amelda Silvia Kondoj; Franky Gerald Cliford Manoppo
STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer Vol. 5 No. 3 (2026): Agustus
Publisher : Yayasan Literasi Sains Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55123/storage.v5i3.8209

Abstract

Penelitian ini bertujuan mengimplementasikan algoritma Gaussian Naïve Bayes pada sistem Analisis Risiko Relaps untuk memprediksi risiko relaps pasien rehabilitasi narkoba secara cepat, terstruktur, dan berbasis data. Sistem dikembangkan menggunakan Python, Streamlit, dan MySQL dengan pendekatan Research and Development. Tahapan penelitian meliputi pengumpulan data, prapemrosesan, encoding, standardisasi, SMOTE, pembagian data 80:20, pelatihan model, evaluasi, dan implementasi sistem. Variabel prediktor mencakup usia, riwayat pakai, hasil tes urine, lama pakai, status kerja, dan dukungan keluarga. Dari 87 data sampel pemeriksaan dengan 76 pasien unik, sistem mengklasifikasikan 44 pasien berisiko tinggi dan 32 pasien berisiko rendah. Evaluasi awal pada 18 data uji menghasilkan accuracy, precision, recall, dan F1-score sebesar 1,00. Meskipun hasil ini menunjukkan performa model yang sangat baik pada data uji, ukuran sampel pengujian yang masih terbatas menyebabkan hasil tersebut belum dapat digeneralisasi secara luas. Oleh karena itu, sistem masih memerlukan pengujian lebih lanjut menggunakan dataset yang lebih besar, lebih beragam, serta validasi silang untuk memastikan stabilitas dan generalisasi model sebelum diterapkan secara operasional dalam skala luas.
Implementasi Sistem Deteksi Golongan Darah Menggunakan Metode Sobel Diana; Roytuddin
STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer Vol. 5 No. 3 (2026): Agustus
Publisher : Yayasan Literasi Sains Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55123/storage.v5i3.8316

Abstract

Interpretasi golongan darah secara manual sering kali menghadapi kendala subjektivitas dan variasi kondisi lingkungan, sehingga diperlukan sistem otomatisasi yang akurat dan efisien. Penelitian ini mengembangkan sistem deteksi golongan darah otomatis melalui integrasi operator Sobel sebagai ekstraktor fitur dan Random Forest sebagai model klasifikasi. Proses diawali dengan pengolahan citra menggunakan kanal hijau untuk memperjelas batas aglutinasi, kemudian nilai Edge Density Ratio (EDR) diekstraksi dari area reagen Anti-A, Anti-B, dan Anti-D sebagai input klasifikasi. Berdasarkan pengujian terhadap 432 data citra, sistem yang diusulkan mencapai akurasi global sebesar 97,92%. Hasil ini menunjukkan peningkatan signifikan dibandingkan pendekatan rule-based murni yang hanya mencapai akurasi 44,68%. Selain itu, metode ini menawarkan efisiensi komputasi yang lebih baik dibandingkan arsitektur Deep Learning konvensional, sehingga menjadi solusi yang lebih praktis untuk implementasi pada perangkat medis portabel berbasis edge computing tanpa mengorbankan performa.
DESAIN UI/UX SISTEM POINT OF SALE UMKM TOKO KELONTONG MENGGUNAKAN METODE DESIGN THINKING Nabilah Salsabila Ichwan; Edi Supratman
STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer Vol. 5 No. 3 (2026): Agustus
Publisher : Yayasan Literasi Sains Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55123/storage.v5i3.8382

Abstract

Digitalisasi operasional pada Usaha Mikro, Kecil, dan Menengah (UMKM) diperlukan untuk meningkatkan efisiensi dan akurasi pengelolaan usaha. Toko LL masih melakukan pencatatan penjualan, pembelian, stok, laporan keuangan, dan data pelanggan secara manual sehingga sering terjadi transaksi terlewat, selisih pencatatan, serta kesulitan memantau stok. Penelitian ini bertujuan merancang desain User Interface (UI) dan User Experience (UX) sistem Point of Sale (POS) berbasis web menggunakan metode Design Thinking yang meliputi tahap empathize, define, ideate, prototype, dan test. Prototipe dirancang menggunakan Figma dan dievaluasi dengan System Usability Scale (SUS) terhadap lima responden. Hasil pengujian memperoleh nilai rata-rata SUS sebesar 88,5 yang termasuk kategori excellent, menunjukkan bahwa rancangan antarmuka mudah digunakan dan sesuai dengan kebutuhan pengguna. Penelitian ini menghasilkan rancangan UI/UX sistem POS sederhana yang disesuaikan dengan alur kerja nyata UMKM toko kelontong dan kebutuhan pengguna non-teknis sehingga dapat menjadi referensi dalam pengembangan sistem POS bagi UMKM sejenis.
ANALISIS PERBANDINGAN PERFORMA ALGORITMA RANDOM FOREST, XGBOOST, DAN K-NEAREST NEIGHBOR DALAM KLASIFIKASI PENYAKIT JANTUNG Risma Silitonga; Deni Risdiansyah; Erni
STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer Vol. 5 No. 3 (2026): Agustus
Publisher : Yayasan Literasi Sains Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55123/storage.v5i3.8538

Abstract

Penyakit jantung merupakan salah satu penyebab kematian tertinggi di dunia sehingga diperlukan metode klasifikasi berbasis data yang mampu mendukung proses skrining awal secara efektif. Berbagai algoritma machine learning telah digunakan dalam klasifikasi penyakit jantung, namun masih terbatas penelitian yang membandingkan performa Random Forest, XGBoost, dan K-Nearest Neighbor (K-NN) dengan penanganan ketidakseimbangan data serta optimasi hyperparameter secara sistematis melalui ablation study. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja ketiga algoritma tersebut dalam klasifikasi penyakit jantung menggunakan Heart Failure Prediction Dataset dari Kaggle yang terdiri dari 918 sampel dan 12 atribut. Tahapan penelitian meliputi preprocessing data (imputasi, encoding, deteksi outlier menggunakan Isolation Forest), feature engineering, pembagian data dengan rasio 80:20, normalisasi dengan MinMaxScaler, seleksi fitur menggunakan Information Gain, penyeimbangan data menggunakan Random Oversampling, serta optimasi hyperparameter menggunakan Optuna berbasis Tree-structured Parzen Estimator (TPE). Evaluasi model dilakukan menggunakan metrik Accuracy, Precision, Recall, F1-Score, dan Area Under Curve (AUC) melalui empat skenario ablation study: model dasar (S1), model dengan Random Oversampling (S2), model dengan Optuna (S3), dan model dengan kombinasi keduanya (S4). Hasil penelitian menunjukkan bahwa optimasi Optuna menghasilkan peningkatan yang lebih konsisten dibandingkan kombinasi Optuna dengan  Random Oversampling. Random Forest pada Skenario 3 memperoleh kinerja terbaik dengan akurasi 89,14%, F1-Score 90,73%, dan AUC 94,95%. Hasil ini menunjukkan bahwa Optuna efektif meningkatkan kinerja klasifikasi, dengan Random Forest sebagai algoritma terbaik untuk klasifikasi penyakit jantung pada dataset yang digunakan sebagai sistem pendukung skrining awal.
IMPLEMENTASI ALGORITMA NAIVE BAYES UNTUK ANALISIS SENTIMEN PENGGUNA PADA APLIKASI MOBILE JKN Ikhwan; Merlin Diana; Bagus Setya
STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer Vol. 5 No. 3 (2026): Agustus
Publisher : Yayasan Literasi Sains Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55123/storage.v5i3.8605

Abstract

Aplikasi Mobile JKN merupakan sarana pelayanan kepada masyarakat berbasis perangkat mobile. Hadirnya aplikasi ini memberikan kemudahan kepada masyarakat dalam mengakses layanan kesehatan secara online. Fasilitas yang mudah ini tentu akan menjadikan layanan yang semakin banyak digunakan oleh kalangan masyarakat. Di Google Play Store terdapat komentar dari para pengguna aplikasi, yang mana komentar pengguna merupakan informasi yang sangat penting dalam pengetahuan tingkat kepuasan pengguna pada aplikasi dan layanan tersebut. Algoritma Naive Bayes digunakan untuk mengetahui pendapat atau komentar masyarakat terhadap aplikasi Mobile JKN, baik ulasan yang bersifat positif maupun yang bersifat negatif. Tahapan pada metode penelitian dilakukan dengan cara pengumpulan data yang dilakukan dengan scraping data dari Google Play Store. Data yang diambil adalah ulasan terbaru dengan jumlah sekitar 10.000 data. Tahapan cleaning, case folding, tokenization, stopword removal dan stemming digunakan untuk pemrosesan data. Pemberian label dan pemberian bobot menggunakan model TF-IDF dan implementasi algoritma Naive Bayes sebagai model klasifikasi. Selanjutnya dilakukan Confusion Matrix dan visualisasi data dengan menggunakan word cloud. Parameter yang digunakan pada evaluasi model Confusion Matrix yaitu accuracy, recall, precision dan F1-Score. Model menunjukkan hasil bahwa klasifikasi pada komentar atau ulasan pengguna aplikasi Mobile JKN menghasilkan performa cukup baik. Model yang dibangun mendapat hasil akurasi sebesar 91,85%, presisi 96,37%, recall 90,28%, dan F1-score 93,22%. Dengan begitu, hasil analisis ini akan menjadi bahan evaluasi di masa yang akan datang dan menjadikan pelayanan yang lebih baik lagi.
Pengembangan Komposit Linear Low-Density Polyethylene dengan Asam Palmitat Sebagai Material Thermal Energy Storage David Bayu; Hisyam Ma`mun; Muhammad Faesal Febriandyono
STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer Vol. 5 No. 3 (2026): Agustus
Publisher : Yayasan Literasi Sains Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55123/storage.v5i3.8629

Abstract

Kebutuhan energi global yang terus meningkat mendorong pengembangan sistem penyimpanan energi termal yang efisien dan berkelanjutan. Penelitian ini bertujuan melakukan studi awal pengembangan material komposit berbasis Linear Low-Density Polyethylene (LLDPE) dan asam palmitat sebagai media Thermal Energy Storage (TES). Metode eksperimental digunakan dengan menguji tiga variasi komposisi yaitu S1 (85%:15%), S2 (75%:25%), dan S3 (65%:35%) melalui proses pemanasan (charging) dan pendinginan (discharging) terkontrol menggunakan alat TES berbahan stainless steel dengan cartridge heater 300 Watt dan termokopel digital TM902C. Hasil pengukuran menunjukkan distribusi temperatur tidak homogen, dimana T2 selalu lebih tinggi dari T1 akibat dominasi mekanisme konduksi. Komposisi S2 (75%:25%) menghasilkan total energi tertinggi sebesar 60,48 KJ dengan kalor laten 30,24 KJ dan durasi fase laten paling panjang. Komposisi S1 (85%:15%) menunjukkan kestabilan termal terbaik dengan distribusi panas merata dan permukaan material paling homogen secara visual. Sementara itu, komposisi S3 (65%:35%) menunjukkan fluktuasi suhu tidak stabil disertai retakan dan pemisahan fase pada struktur material. Penelitian ini membuktikan bahwa rasio komposisi LLDPE dan asam palmitat berpengaruh signifikan terhadap stabilitas termal, kalor laten, dan kualitas solidifikasi material PCM dalam sistem Thermal Energy Storage.
Rancang Bangun Sistem Informasi Inventaris Barang Berbasis Web Menggunakan React.js dan Google Firebase Cloud Frengki Alfredo Matondang; Arung Buana Subuh; Paskal Arienda Epindonta Ginting; Debi Yandra Niska
STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer Vol. 5 No. 3 (2026): Agustus
Publisher : Yayasan Literasi Sains Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55123/storage.v5i3.8662

Abstract

Tata kelola logistik dan pencatatan inventaris konvensional di laboratorium sering kali kurang efisien dan rentan terhadap ketidakakuratan data. Penelitian ini bertujuan untuk mengembangkan Sistem Informasi Inventaris Barang (SIIB) berbasis web guna mendigitalkan dan mengotomatisasi pengelolaan data aset di Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA) Universitas Negeri Medan. Pengembangan sistem ini menerapkan metode System Development Life Cycle (SDLC) model Waterfall. Sistem dibangun menggunakan arsitektur Single Page Application (SPA) dengan library React.js dan framework Tailwind CSS untuk antarmuka pengguna, serta basis data terkelola NoSQL Cloud Firestore dan Firebase Authentication untuk manajemen data secara real-time dan pembatasan hak akses pengguna. Validasi sistem dilakukan melalui Black Box Testing untuk menguji fungsionalitas dan User Acceptance Testing (UAT) untuk mengevaluasi penerimaan pengguna operasional lapangan. Hasil pengujian menunjukkan bahwa fungsionalitas sistem berjalan dengan baik dalam mencegah anomali masukan data, serta memperoleh tingkat kepuasan pengguna akhir yang sangat tinggi. Sistem ini juga terbukti efektif dalam memfasilitasi pembuatan dokumen laporan audit periodik secara otomatis dalam format .CSV dan .PDF.
INTEGRASI NATURAL LANGUAGE PROCESSING DAN K-MEANS CLUSTERING PADA SISTEM EVALUASI PEMBELAJARAN BERBASIS REAL-TIME Arya Talaneko; Kevin Rinaldy Nizar S; Herry Langi; Ronny Katuuk; Harson Kapoh
STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer Vol. 5 No. 3 (2026): Agustus
Publisher : Yayasan Literasi Sains Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55123/storage.v5i3.8667

Abstract

Penelitian ini bertujuan mengembangkan sistem evaluasi pembelajaran berbasis web yang mengintegrasikan Natural Language Processing dan K-Means Clustering secara real-time. Permasalahan utama yang diangkat adalah koreksi esai manual yang membutuhkan waktu lama, potensi subjektivitas penilaian, serta belum tersedianya sistem yang mampu memetakan performa akademik siswa secara otomatis. Sistem dikembangkan menggunakan arsitektur hibrida dengan Laravel sebagai aplikasi utama dan Python Flask sebagai layanan komputasi kecerdasan buatan. Penilaian esai dilakukan menggunakan TF-IDF dan Cosine Similarity untuk menghitung kemiripan jawaban siswa dengan kunci jawaban guru, sedangkan K-Means Clustering digunakan untuk mengelompokkan siswa berdasarkan nilai akhir, nilai pilihan ganda, dan nilai esai. Hasil implementasi menunjukkan bahwa sistem mampu menampilkan nilai ujian, status kelulusan, dan kategori performa siswa secara real-time. Sistem ini dapat membantu guru mempercepat proses evaluasi dan mendukung pengambilan keputusan pembelajaran berbasis data.
Implementasi Intrusion Prevention System Berbasis Variational Autoencoder untuk Mencegah Judi Online pada Jaringan Komunitas Aan Alma Khanafi; Indra Lina Putra; Tutik Khotimah
STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer Vol. 5 No. 3 (2026): Agustus
Publisher : Yayasan Literasi Sains Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55123/storage.v5i3.8826

Abstract

Fenomena perjudian online menimbulkan dampak negatif yang masif di Indonesia, baik secara finansial maupun psikologis. Penelitian ini bertujuan untuk mengembangkan IPS (Intrusion Prevention System) berbasis pembelajaran mesin guna melakukan aksi pencegahan secara preventif terhadap pengguna jaringan yang mengakses situs judi online, termasuk yang menggunakan teknik penyembunyian terenkripsi. Penelitian ini menggunakan metode kuantitatif eksperimental dengan memanipulasi variabel fitur pada dataset serta mengoptimalkan arsitektur VAE (Variational Autoencoder) dan DNN (Deep Neural Network). Hasil penelitian menunjukkan bahwa model VAE mampu melakukan rekonstruksi data dan mengelompokkan trafik judi online dengan trafik normal secara presisi, yang dibuktikan melalui visualisasi plot t-SNE. Pada tahap klasifikasi, model DNN mencapai akurasi keseluruhan sebesar 80,80%. Evaluasi spesifik per skenario menunjukkan rata-rata akurasi sebesar 95,13% untuk label judi online (presisi 0,69, recall 0,91, F1-score 0,78) dan 87,69% untuk label normal (presisi 0,93, recall 0,75, F1-score 0,83). Sistem pemantauan trafik yang dikembangkan juga telah terintegrasi dengan router MikroTik melalui API, sehingga fungsi pemblokiran otomatis pada level jaringan dapat beroperasi dengan baik.
FastViT-Based Lightweight Batak Script Recognition for Cultural Digital Preservation Egi Dio Bagus Sudewo; Hainur Rasyid; Muhammad Kunta Biddinika; Kariyamin; Dini Khairunnisa Tanjung
STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer Vol. 5 No. 3 (2026): Agustus
Publisher : Yayasan Literasi Sains Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55123/storage.v5i3.8850

Abstract

Batak script is a cultural heritage of the Batak people in North Sumatra that requires preservation through digitization. This study proposes the FastViT-SA12 architecture for handwritten Batak script recognition using the Batak Char 20 dataset, which consists of 117 character classes. To address data imbalance, data augmentation was performed using ImgAug, resulting in 650 images per class. The dataset was divided into training, validation, and testing sets with a ratio of 70:20:10, and all images were resized to 64 × 64 pixels to reduce computational overhead. The model was trained for 30 epochs using the Adam optimizer with a learning rate of 0.001 and a batch size of 64. The proposed model achieved a training accuracy of 99.97%, a validation accuracy of 97.96%, and a test accuracy of 89.31%, with weighted precision, recall, and F1-score of 91.84%, 89.31%, and 88.99%, respectively. FastViT-SA12 demonstrates promising potential for recognizing 117 Batak script classes while maintaining computational efficiency with a compact parameter footprint, making it a viable candidate for mobile-first Optical Character Recognition (OCR) systems in manuscript preservation.

Page 17 of 19 | Total Record : 182

 15   16   17   18   19 

Filter by Year

2022 2026


Reset
Filter By Issues
All Issue Vol. 5 No. 3 (2026): Agustus Vol. 5 No. 2 (2026): Mei Vol. 5 No. 1 (2026): Februari Vol. 4 No. 4 (2025): November Vol. 4 No. 3 (2025): Agustus Vol. 4 No. 2 (2025): Mei Vol. 4 No. 1 (2025): Februari Vol. 3 No. 4 (2024): November Vol. 3 No. 3 (2024): Agustus Vol. 3 No. 2 (2024): Mei Vol. 3 No. 1 (2024): Februari Vol. 2 No. 4 (2023): November Vol. 2 No. 3 (2023): Agustus Vol. 2 No. 2 (2023): Mei Vol. 2 No. 1 (2023): Februari Vol. 1 No. 4 (2022): November Vol. 1 No. 3 (2022): Agustus Vol. 1 No. 2 (2022): Mei Vol. 1 No. 1 (2022): Februari More Issue