cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Aggi Panigoro S.
Contact Email
lppm@unibi.ac.id
Phone
+628986687080
Journal Mail Official
jurnalsisinfo@unibi.ac.id
Editorial Address
Jl. Soekarno Hatta No. 543, Bandung, Jawa Barat,
Location
Kota bandung,
Jawa barat
INDONESIA
SisInfo : Jurnal Sistem Informasi dan Informatika
Published by Universitas Informatika dan Bisnis Indonesia
ISSN : 26558661     EISSN : 2655867X     DOI : https://doi.org/10.37278/sisinfo
Core Subject : Science,
Computer Science & IT
Jurnal SisInfo : Sistem Informasi dan Informatika ini berisi artikel tentang hasil penelitian karya ilmiah yang dikonseptulisasikan untuk pengembangan Sistem Informasi dan Informatika
Arjuna Subject : Ilmu Komputer (semua kategori) - Sistem Informasi
Articles 99 Documents
 6   7   8   9   10 
Ekstraksi Fitur Berdasarkan Fuzzy Restricted Boltzmann Machine Pada Klasifikasi Fashion-MNIST Dengan Dan Tanpa Noise Muhammad Ribhan Hadiyan; Firdaniza Firdaniza; Herlina Napitupulu
SisInfo Vol 6 No 2 (2024): SisInfo
Publisher : Universitas Informatika dan Bisnis Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37278/sisinfo.v6i2.876

Abstract

Mixed accelerated learning method based on a Fuzzy Restricted Boltzmann Machine merupakan metode ekstraksi fitur pada gambar yang relatif baru dan belum banyak diimplementasikan. MAFRBM memiliki kelebihan dalam melakukan ekstraksi fitur pada gambar yang memiliki noise. Pada umumnya keberadaan noise pada gambar dapat mempengaruhi hasil ekstraksi fitur secara signifikan. Pada penelitian ini dilakukan ekstraksi fitur menggunakan MAFRBM pada dataset Fashion-MNIST dengan dan tanpa penambahan noise. Jenis noise yang ditambahkan pada gambar yaitu gaussian, salt & pepper, dan poisson. Hasil ekstraksi fitur MAFRBM kemudian diklasifikasikan menggunakan Support Vector Machine (SVM). Hasil klasifikasi yang diperoleh menunjukkan akurasi tertinggi sebesar 88,2%. Selain itu, perbandingan hasil akurasi dari klasifikasi fashion-MNIST dengan noise tidak berbeda jauh dengan gambar tanpa noise.
Analisis Blibiometrik Metode Topsis Menggunakan VOSviewer I Putu The Fly Arnawa; Jesica Walanda Haryanti
SisInfo Vol 6 No 2 (2024): SisInfo
Publisher : Universitas Informatika dan Bisnis Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37278/sisinfo.v6i2.892

Abstract

Penelitian ini menggunakan analisis bibliometrik dengan VOSviewer untuk mengevaluasi tren dan dampak artikel ilmiah yang menerapkan metode TOPSIS dari tahun 2019 hingga 2024. Metode TOPSIS, yang sering digunakan dalam pengambilan keputusan multi-kriteria, dianalisis melalui data dari Google Scholar, termasuk jumlah publikasi, kutipan, dan visualisasi jaringan bibliometrik. Analisis menunjukkan penurunan jumlah publikasi sejak 2021, dengan puncak 257 artikel pada 2020, dan turun menjadi 30 artikel pada 2024. Penulis DO Wibowo dan timnya memiliki jumlah sitasi terbanyak, terutama untuk artikel tentang sistem pendukung keputusan dalam pemilihan tempat pernikahan. Analisis ini menghasilkan enam kelompok utama yang menggambarkan berbagai aplikasi dan pendekatan metode TOPSIS. Visualisasi jaringan menunjukkan hubungan antar artikel berdasarkan kata kunci yang digunakan. Sebagai kesimpulan, analisis ini memberikan pemahaman mendalam tentang pengembangan dan penerapan metode TOPSIS dalam pengambilan keputusan multi-kriteria.
Penerapan Model Support Vector Machine Pada Kasus Klasifikasi Teks Berdasarkan Tujuan SDGS Ke Tiga, Empat, Dan Enam Saprilian Hidayat; Herlina Napitupulu; Nurul Gusriani
SisInfo Vol 6 No 2 (2024): SisInfo
Publisher : Universitas Informatika dan Bisnis Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37278/sisinfo.v6i2.893

Abstract

Text classification is a branch of Natural Language Processing (NLP) that enables computers to understand, interpret, and respond to text in a comprehensible language. Classifying texts based on the Sustainable Development Goals (SDGs) is crucial because monitoring the progress of SDGs remains a challenge. Previous studies have shown that text classification techniques using the BERT model have proven effective in classifying texts based on SDG goals. This research utilizes data sourced from the OSDG community website. The method employed is the Support Vector Machine Multiclass (SVM) model and TF-IDF word representation. This research aims to classify texts based on the Sustainable Development Goals (SDGs), specifically focusing on goals three, four, and six., evaluate the model's performance based on the F1-Score metric, and determine the optimal values for the hyperparameters regularized constant and gamma in the RBF kernel. The results of this research yielded a default F1-Score of 97.95% and a post-tuning F1-Score of 97.95%, with the optimal values of C=1, gamma=1, and kernel=rbf.
Penerapan Algoritma K-Means Clustering pada Data Nilai Siswa untuk Menentukan Kelompok Penerima Beasiswa Sindrawati Sindrawati; Dodi Syaripudin; Agung Rachmat Raharja
SisInfo Vol 6 No 2 (2024): SisInfo
Publisher : Universitas Informatika dan Bisnis Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37278/sisinfo.v6i2.900

Abstract

To prevent school mistakes in determining class XII students who are entitled to receive scholarships, prevention can be done by using data mining techniques so that the school can determine decisions accurately and quickly. Clustering is a data mining technique that functions to group a number of data or objects into clusters (groups) so that each cluster will contain data that is as similar as possible and different from objects in other clusters. The method used is CRISP-DM, through the business understanding process, data understanding, data modeling, deployment, assessment, and preparation. The K-Means algorithm is the one used to construct clusters. K-Means is a non-hierarchical technique for clustering data that divides student data into multiple clusters according to how similar the data is. A total of 109 data points were used, including majors and grades in English, Indonesian, and mathematics. The three clusters that were created are as follows: the first cluster has 26 pupils, the second has 46 kids, and the third has 37 students. Based on the clusters that were generated, the study's findings can be utilized to inform decisions about which scholarship recipients should be grouped..
Eksplorasi Pengaruh Platform dan Gaya Bermain terhadap Tingkat Kecemasan dengan Teknik Algoritmik Nur Alamsyah; Budiman Budiman; Titan Parama Yoga; Reni Nursyanti
SisInfo Vol 6 No 2 (2024): SisInfo
Publisher : Universitas Informatika dan Bisnis Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37278/sisinfo.v6i2.907

Abstract

Penelitian ini bertujuan mengeksplorasi pengaruh platform dan gaya bermain game terhadap tingkat kecemasan menggunakan teknik algoritmik. Dengan meningkatnya popularitas game digital, memahami faktor-faktor yang mempengaruhi kesejahteraan mental pemain menjadi penting. Data dikumpulkan dari 13,464 responden yang melibatkan berbagai platform dan gaya bermain. Skor kecemasan diukur menggunakan Generalized Anxiety Disorder (GAD) scale, dan analisis statistik dilakukan dengan Analisis Varian (ANOVA) untuk mengidentifikasi perbedaan signifikan dalam skor kecemasan. Hasil menunjukkan bahwa platform game dan gaya bermain memiliki pengaruh signifikan terhadap tingkat kecemasan, sementara jenis game yang dimainkan tidak menunjukkan perbedaan signifikan. Temuan ini mengindikasikan bahwa faktor lingkungan dan interaksi sosial dalam bermain game dapat mempengaruhi tingkat kecemasan pemain lebih dari sekadar jenis game atau durasi bermain. Penelitian ini memberikan wawasan baru mengenai hubungan antara kebiasaan bermain game dan kesejahteraan mental, serta menawarkan landasan untuk penelitian lebih lanjut dalam ilmu komputer dan kesehatan mental.
Sistem Pendukung Keputusan Penyaluran Zakat dengan Metode Simple Additive Weighting (SAW) di Laz Musa’adatul Ummah Bandung Jamingi Rahmadi; Ayi Mi’razul Mu’minin
SisInfo Vol 6 No 2 (2024): SisInfo
Publisher : Universitas Informatika dan Bisnis Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37278/sisinfo.v6i2.913

Abstract

Zakat dalam Islam adalah pembersihan kekayaan dengan menyisihkan sebagian darinya dan kemudian dibagikan kepada mustahik. Pengelolaan zakat menjadi hal penting yang harus dilakukan di Indonesia karena mayoritas penduduk di Indonesia beragama Islam. Salah satu lembaga pengelola zakat berskala kabupaten adalah Lembaga Amil Zakat (LAZ) Musa’adatul Ummah. Penyaluran zakat dari muzaki ke mustahik di Musa’adatul Ummah Bandung disalurkan melalui program pemanfaatan, seperti program Peduli-MU, Bisnis-MU dan Beasiswa-MU yaitu penyaluran dana di bidang pendidikan. Permasalahan yang dihadapi adalah pemilihan mustahik masih dilakukan secara manual. Cara ini seringkali berujung pada kesalahan perhitungan yang mengakibatkan pemilihan mustahik kurang akurat. Ada lima kriteria dalam menentukan mustahik; rekomendasi, jumlah tanggungan, prnghasilan, tempat tinggal, dan fasilitas. Adapun metode yang digunakan dalam skripsi ini adalah metode SAW sebagai pengembang sistem, untuk mengembangkan sistem yaitu menggunakan Metode Waterfall. Sedangkan untuk menganilisis kebutuhan sistem pengguna menggunakan Use Case Diagram, Activity Diagram, dan Class Diagram. Penggunaan metode pembobotan aditif sederhana dipilih karena metode ini mampu memilih alternatif terbaik dengan menghitung dan mempertimbangkan nilai bobot dari masing-masing kriteria, kemudian dilanjutkan untuk menentukan proses perangkingan mustahik berdasarkan jumlah dana yang tersedia. Dengan adanya sistem ini dapat mempermudah pihak LAZ Musa’adatul Ummah untuk menentukan penyaluran zakat dengan cepat dan tepat.
Klasifikasi Berita Palsu Menggunakan Model Bidirectional Encoder Representations From Transformers (BERT) Enjeli Cistia Sukmawati; Lintang Suryaningrum; Diva Angelica; Nur Ghaniaviyanto Ramadhan
SisInfo Vol 6 No 2 (2024): SisInfo
Publisher : Universitas Informatika dan Bisnis Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37278/sisinfo.v6i2.934

Abstract

Penyebaran informasi palsu menjadi tantangan serius dalam era digital yang terus berkembang, terutama melalui internet dan platform sosial media. Akses mudah terhadap informasi tidak terverifikasi menciptakan tantangan membedakan antara fakta dan hoaks. Salah satu aspek utama yang perlu diatasi adalah mengklasifikasikan berita palsu dengan tingkat akurasi yang tinggi. Berita sebagai sumber informasi aktual memerlukan pengelompokan untuk memfasilitasi akses, namun tidak semua berita dari berbagai sumber memiliki kredibilitas tinggi, terutama dengan adanya fake news. Fake news dapat merugikan individu dan berpotensi memanipulasi persepsi masyarakat, terutama melalui media sosial. Mengidentifikasi informasi palsu menjadi tantangan dalam Natural Language Processing (NLP) dengan pertumbuhan pesat platform media sosial. Meskipun ada beberapa metode untuk mendeteksi berita palsu, belum ada platform yang secara luas dikenal menerapkan algoritma terfokus pada sumber berita spesifik. Oleh karena itu, penelitian ini bertujuan untuk mengatasi masalah penyebaran informasi palsu dengan mengelompokkan berita palsu berdasarkan ciri-ciri bahasa, mengadopsi metode klasifikasi menggunakan teknologi Bidirectional Encoder Representations from Transformers (BERT). BERT, sebagai model bahasa yang dilatih mendalam, memahami konteks kata dalam teks dengan baik. Kami mengadopsi teknologi BERT untuk meningkatkan akurasi deteksi berita palsu. Meskipun BERT memiliki kompleksitas, sumber model yang sudah dilatih oleh Google memudahkan penggunaan tanpa perlu membuat model dari awal. Dengan langkah pretraining dan fine tuning, BERT dianggap lebih akurat dalam mendeteksi berita palsu dibandingkan metode lainnya. Penelitian ini memberikan kontribusi dalam menghadapi tantangan penyebaran informasi palsu dengan memanfaatkan keunggulan teknologi BERT dalam mengklasifikasikan berita.
Penerapan Model Prototipe pada Sistem Penjualan Bumbu dan Rempah Berbasis Web Maieka Sari Istiqomah; Sumardiono Sumardiono; Agus Riyanto; Bambang Kriswantara
SisInfo Vol 7 No 1 (2025): SisInfo
Publisher : Universitas Informatika dan Bisnis Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37278/sisinfo.v7i1.942

Abstract

The rapid development of information technology makes technology an important asset in the advancement of sales and business systems. To compete with competitors, organizations need to implement strategies that are aligned with their vision and mission. However, UD EKA SARI handles the problem that the sales data processing process is still done manually, consumers have to come directly to the place to make product purchases and cash payment transactions, this makes the process of recapping purchase reports from suppliers and sales to consumers difficult in making reports, this is because you have to recap all transactions that occurred during the reporting period you want to make. To promote its products, it is currently carrying out marketing promotions by conducting promotional media via social media. Therefore, the author proposes to design a spice and spice sales system based on a website model prototype. Based on the results obtained from beta testing the website-based spice and spice sales system at UD Eka Sari, the percentage reached 86.7%, which states that the sales system is very good to use.
Implementasi Convolutional Neural Network Dalam Sistem Otomatis Pemilahan Sampah Infeksius Berbasis Citra Digital Renaldi Irfan Firdaus; Wibowo Harry Sugiharto; Muhammad Imam Ghozali
SisInfo Vol 7 No 1 (2025): SisInfo
Publisher : Universitas Informatika dan Bisnis Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37278/sisinfo.v7i1.1052

Abstract

Pengelolaan limbah medis, khususnya limbah infeksius, tidak boleh dicampur dengan jenis limbah lainnya. Salah satu risiko penanganan limbah infeksius tanpa pengetahuan yang tepat tentang metode pengolahannya adalah meningkatnya peluang penularan penyakit. Setelah limbah infeksius dipisahkan dengan benar, limbah tersebut harus ditangani dengan benar untuk menghindari risiko lebih lanjut. Oleh karena itu, pembuatan tempat sampah otomatis untuk memilah limbah infeksius dan non infeksius memerlukan pendekatan yang lebih maju dan sistem klasifikasi limbah yang cepat dan akurat. Peneliti mengimplementasikan Convolutional Neural Network (CNN) pada sistem pemilahan limbah infeksius berbasis citra digital menggunakan metode pengembangan prototipe. Model Convolutional Neural Network digunakan untuk mengklasifikasikan jenis limbah infeksius berdasarkan citra yang ditangkap oleh sensor ESP32-Cam. Sensor kamera ESP32-Cam memerlukan library yang merupakan input dari edge impulses sebagai penyimpanan data citra sampah.
Klasifikasi Penyakit Periodontal Pada Citra Panoramik Gigi Menggunakan Deep Learning Berbasis ResNet50 Dodi Syaripudin; Encep Yayat; Jayadi Jayadi; Agung Rachmat Raharja
SisInfo Vol 7 No 1 (2025): SisInfo
Publisher : Universitas Informatika dan Bisnis Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37278/sisinfo.v7i1.1063

Abstract

This study aims to develop and evaluate a deep learning-based classification model to detect periodontal and non-periodontal diseases from dental panoramic x-ray images. The dataset used consists of panoramic images processed through a data augmentation process to increase diversity, then divided into training, validation, and testing subsets to ensure the generalization ability of the model. A transfer learning model with ResNet50 architecture was applied to utilize the optimal feature extraction capability of the medical image data. The evaluation results show that the model can distinguish between the two classes with fairly good performance, although there are indications of class bias that require further refinement. Several steps such as dataset balancing, model fine-tuning, and additional data augmentation are recommended to improve generalization and prediction accuracy. With further validation, the model is expected to become an efficient and accurate tool to support clinical analysis in periodontal disease diagnosis. Translated with DeepL.com (free version)

Page 9 of 10 | Total Record : 99

 6   7   8   9   10 

Filter by Year

2019 2025


Reset
Filter By Issues
All Issue Vol 7 No 1 (2025): SisInfo Vol 6 No 2 (2024): SisInfo Vol 6 No 1 (2024): SisInfo Vol 5 No 2 (2023): SisInfo Vol 5 No 1 (2023): SisInfo Vol 4 No 2 (2022): SisInfo Vol 4 No 1 (2022): SisInfo Vol 3 No 2 (2021): SisInfo Vol 3 No 1 (2021): SisInfo Vol 2 No 2 (2020): SisInfo Vol 2 No 1 (2020): SisInfo Vol 1 No 2 (2019): SisInfo Vol 1 No 1 (2019): SisInfo More Issue