JRIIN :Jurnal Riset Informatika dan Inovasi
1. Komputasi Lunak, 2. Sistem Cerdas Terdistribusi, Manajemen Basis Data, dan Pengambilan Informasi, 3. Komputasi evolusioner dan komputasi DNA/seluler/molekuler, 4. Deteksi kesalahan, 5. Sistem Energi Hijau dan Terbarukan, 6. Antarmuka Manusia, 7. Interaksi Manusia-Komputer, 8. Hibrida dan Algoritma Terdistribusi Pemrosesan Informasi Manusia, 9. Komputasi Berkinerja Tinggi, 10. Penyimpanan informasi, 11. Keamanan, integritas, privasi, dan kepercayaan, 12. Pemrosesan Sinyal Gambar dan Ucapan, 13. Sistem Berbasis Pengetahuan, 14. Jaringan Pengetahuan, 15. Multimedia dan Aplikasi, 16. Sistem Kontrol Jaringan, 17. Klasifikasi Pola Pemrosesan Bahasa Alami, 18. Pengenalan dan sintesis ucapan, 19. Kecerdasan Robot, 20. Analisis Kekokohan, 21. Kecerdasan Sosial, 22. Statistic 23. Komputasi grid dan kinerja tinggi, 24. Realitas Virtual dalam Aplikasi Rekayasa, 25. Intelijen Web dan Seluler, 26. Data Besar, 27. Manajemen Informatika, 28. Sistem Informasi, 29. Desain Permainan, 30. Sistem Multimedia, 31. Pemrosesan Gambar, 32. IOT 33. Pemrograman Seluler, 34. Desain Basis Data, 35. Pemrograman Jaringan, 36. Sistem Terdistribusi, 37. Sistem Pendukung Keputusan, 38. Sistem Pakar, 39. Kriptografi, 40. Model dan Simulasi, 41. Jaringan 42. berkaitan inovasi
Articles
915 Documents
<![CDATA[Rancang Bangun Pendeteksi Kantuk Pada Pengendara Roda Empat Berbasis NodeMCU ESP8266 ]]>
<![CDATA[Fajriah, Dina]]>;
<![CDATA[Syaripudi, Ari]]>
<![CDATA[ Jurnal Riset Informatika dan Inovasi Vol 2 No 4 (2024): JRIIN: Jurnal Riset Informatika dan Inovasi ]]>
Publisher : <![CDATA[shofanah Media Berkah ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Jumlah kecelakaan yang terjadi di dunia mengalami peningkatan. Populasi yang meningkat serta adanya jumlah kendaraan yang meningkat membuat parahnya kecelakaan terjadi hampir setiap hari. Salah satu penyebab terjadinya kecelakaan lalu lintas adalah mengalami rasa kantuk atau bisa disebut microsleep. Untuk menghindari dan meminimalisir kasus kecelakaan lalu lintas pada pengemudi roda empat, maka dibutuhkan sistem dengan sebuah alat untuk memberi peringatan pada pengemudi roda empat saat mengalami rasa kantuk atau microsleep secara real time melalui kedipan mata pengemudi. Sistem ini berupa komponen yang terdiri dari mikrokontroler NodeMCU, sensor infrared yang disematkan pada sebuah kacamata, dan buzzer sebagai alarm. Sistem ini bekerja dengan mendeteksi kelopak pengemudi saat kondisi kelopak mata tertutup, sensor infrared akan memberi sinyal berupa lampu LED yang menyala, kemudian memberi sinyal ke buzzer yang mengeluarkan suara untuk menyadarkan pengendara yang tertidur. Teknik pengujian ini menggunakan uji blackbox dan whitebox, dengan melakukan semua kemungkinan yang terjadi dan dilakukan secara berulang-ulang dan mengungkap kesalahan implementasi seperti manajemen kunci yang buruk dengan menganalisis cara kerja internal dan struktur perangkat lunak. Pengujian ini dilakukan dengan menggabungkan semua komponen, yakni, NodeMCU, sensor infrared FC-51, sinyal buzzer, sehingga didapatkan nilai persentase sebesar 86,6% keberhasilan dalam mendeteksi kantuk pada pengendara.]]>
<![CDATA[Analisis Kebutuhan Dan Rancangan Aplikasi Manajemen Data Berbasis Web Untuk Optimalisasi Operasional Di PT. Binareka Tatamandiri ]]>
<![CDATA[Razkya, Adinda]]>;
<![CDATA[Saputra, Suhanda]]>;
<![CDATA[Seftyani, Nila]]>;
<![CDATA[Hanif Rianto, Dani]]>
<![CDATA[ Jurnal Riset Informatika dan Inovasi Vol 2 No 6 (2024): JRIIN: Jurnal Riset Informatika dan Inovasi ]]>
Publisher : <![CDATA[shofanah Media Berkah ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[PT Binareka Tatamandiri, sebuah perusahaan teknologi informasi, menghadapi tantangan dalam mengelola data operasional secara efisien dan terpusat. Metode konvensional yang digunakan saat ini memiliki kelemahan seperti risiko kehilangan data, duplikasi data, dan kurangnya integrasi antar departemen. Penelitian ini bertujuan untuk menganalisis kebutuhan dan merancang aplikasi manajemen data yang dapat mengoptimalkan kinerja perusahaan. Metode penelitian yang digunakan meliputi pengumpulan data melalui studi literatur, observasi dan wawancara. Analisis data dilakukan dengan menggunakan analisis SWOT dan analisis kebutuhan. Perancangan aplikasi meliputi desain sistem dan pengembangan prototipe. Pengujian dan evaluasi dilakukan untuk memastikan aplikasi berfungsi sesuai spesifikasi dan memenuhi kebutuhan perusahaan. Hasil penelitian diharapkan dapat memberikan solusi komprehensif dalam mengelola data operasional PT Binareka Tatamandiri. Aplikasi manajemen data yang dirancang akan meningkatkan efisiensi, keamanan, dan integrasi data, serta mendukung pengambilan keputusan yang lebih baik. Implementasi dan pemantauan berkelanjutan diperlukan untuk memastikan aplikasi berfungsi optimal dan memenuhi kebutuhan perusahaan dalam jangka panjang.]]>
<![CDATA[Desain Dan Implementasi Infrastruktur Private Cloud Dengan VMware VSphere Studi Kasus Pada PT. NTT Data Inc ]]>
<![CDATA[Muhammad Saputra, Bagus]]>;
<![CDATA[Moenir, Ardianto]]>
<![CDATA[ Jurnal Riset Informatika dan Inovasi Vol 2 No 5 (2024): JRIIN: Jurnal Riset Informatika dan Inovasi ]]>
Publisher : <![CDATA[shofanah Media Berkah ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Penelitian ini dimulai dengan menganalisis permasalahan dan kebutuhan perusahaan dalam menghadapi tantangan pengelolaan sumber daya IT yang efisien, fleksibel, dan aman. Kemudian, Penelitian ini mempresentasikan desain infrastruktur Private Cloud yang sesuai dengan kebutuhan dan lingkungan PT. NTT DATA Inc. Desain tersebut mencakup aspek-aspek seperti virtualisasi Server, penyimpanan Data, keamanan, serta manajemen dan pemantauan. Selanjutnya, penelitian ini mencakup tahap implementasi, di mana infrastruktur Private Cloud diimplementasikan dengan menggunakan solusi VMware vSphere. Proses implementasi ini melibatkan penyiapan Server fisik, konfigurasi mesin virtual, dan pengaturan sumber daya jaringan. Selama tahap ini, dilakukan juga pengujian untuk memastikan keandalan dan kinerja infrastruktur. Hasil dari Penelitian ini adalah infrastruktur Private Cloud yang memenuhi kebutuhan PT. NTT DATA Inc.]]>
<![CDATA[Jumlah Kepala Sekolah dan Guru Menurut Kelompok Umur Provinsi Kalimantan Timur, Maluku Utara, Riau, Bengkulu Tahun 2023/2024 ]]>
<![CDATA[Gunawan Hadi, Muh]]>;
<![CDATA[Prayoga, Bayu]]>;
<![CDATA[Ardiansyah, Ferdy]]>;
<![CDATA[Faozi Waruwu, Jihdal]]>;
<![CDATA[Rosyani, Perani]]>
<![CDATA[ Jurnal Riset Informatika dan Inovasi Vol 2 No 6 (2024): JRIIN: Jurnal Riset Informatika dan Inovasi ]]>
Publisher : <![CDATA[shofanah Media Berkah ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Penelitian ini bertujuan untuk menganalisis jumlah kepala sekolah dan guru berdasarkan kelompok umur di provinsi Kalimantan Timur, Maluku Utara, Riau, dan Bengkulu pada tahun ajaran 2023/2024. Metode yang digunakan dalam penelitian ini adalah pendekatan kuantitatif dengan pengumpulan data melalui survei dan analisis dokumen resmi dari Dinas Pendidikan masing-masing provinsi. Hasil penelitian menunjukkan adanya variasi signifikan dalam distribusi kepala sekolah dan guru menurut kelompok umur, yang dapat mempengaruhi dinamika pendidikan di setiap daerah. Secara khusus, Riau tercatat memiliki jumlah tenaga pendidik tertinggi di hampir semua kelompok umur, terutama pada rentang usia produktif 36-40 tahun. Sementara itu, distribusi umur tenaga pendidik di Kalimantan Timur lebih merata dibandingkan provinsi lainnya. Temuan ini mengindikasikan bahwa kelompok umur yang lebih tua cenderung memiliki pengalaman yang lebih baik dalam pengelolaan pendidikan, sedangkan kelompok yang lebih muda membawa inovasi dan energi baru ke dalam sistem pendidikan. Penelitian ini memberikan wawasan penting bagi pengambil kebijakan dalam merumuskan strategi pengembangan sumber daya manusia di sektor pendidikan. Selain itu, rekomendasi untuk program pelatihan yang sesuai dengan kebutuhan kelompok umur yang berbeda sangat diperlukan untuk meningkatkan kualitas pendidikan secara keseluruhan. Penelitian juga menekankan perlunya perhatian lebih terhadap kesejahteraan dan pengembangan profesional kepala sekolah dan guru agar dapat berkontribusi secara optimal terhadap peningkatan mutu pendidikan.]]>
<![CDATA[Jumlah Kepala Sekolah Dan Guru Menurut Kelompok Umur Provinsi D.K.I. Jakarta, Maluku, Gorontalo Dan Kalimantan Tengah Tahun 2023/2024 ]]>
<![CDATA[Robby, Muhammad]]>;
<![CDATA[Dwi Aryani, Alfina]]>;
<![CDATA[Palgunadi]]>;
<![CDATA[Pratama, Rivaldo]]>
<![CDATA[ Jurnal Riset Informatika dan Inovasi Vol 2 No 6 (2024): JRIIN: Jurnal Riset Informatika dan Inovasi ]]>
Publisher : <![CDATA[shofanah Media Berkah ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Penelitian ini membahas distribusi jumlah kepala sekolah dan guru berdasarkan kelompok umur di empat provinsi di Indonesia: D.K.I. Jakarta, Maluku, Gorontalo, dan Kalimantan Tengah untuk tahun akademik 2023/2024. Masalah yang sering dihadapi dalam pemetaan demografis ini adalah kurangnya informasi yang terstruktur terkait sebaran usia pendidik, yang penting untuk perencanaan tenaga pengajar jangka panjang. Penelitian ini menggunakan metode analisis deskriptif kuantitatif, dengan data yang dikumpulkan dari sumber-sumber statistik pendidikan dan publikasi terkait. Tujuan penelitian adalah untuk memahami distribusi usia tenaga pendidik di berbagai provinsi, yang diharapkan dapat mendukung kebijakan pendidikan yang lebih baik dan perencanaan pergantian generasi tenaga pengajar. Melalui analisis data, grafik histogram, poligon frekuensi, dan ogive dihasilkan untuk memvisualisasikan distribusi dan kumulasi data. Hasil penelitian menunjukkan perbedaan yang signifikan dalam struktur usia tenaga pengajar antarprovinsi, memberikan wawasan mengenai kebutuhan regenerasi tenaga pendidik di setiap wilayah]]>
<![CDATA[Jumlah Kepala Sekolah Dan Guru Menurut Kelompok Umur Provinsi Aceh, Jambi, Bali, dan Papua Tahun 2023/2024 ]]>
<![CDATA[Merly]]>;
<![CDATA[Rifqi Alfaris, Muhammad]]>;
<![CDATA[Di Caprio Kadju, Reinardus]]>;
<![CDATA[Mahendra, Reyhan]]>;
<![CDATA[Rosyani, Perani]]>
<![CDATA[ Jurnal Riset Informatika dan Inovasi Vol 2 No 7 (2024): JRIIN: Jurnal Riset Informatika dan Inovasi ]]>
Publisher : <![CDATA[shofanah Media Berkah ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Penelitian ini menyoroti jumlah dan distribusi kepala sekolah serta guru berdasarkan kelompok umur di empat provinsi di Indonesia: Aceh, Jambi, Bali, dan Papua. Dengan menggunakan metode deskriptif kuantitatif dan data sekunder dari Kementerian Pendidikan, penelitian ini bertujuan untuk memberikan gambaran mengenai perbedaan demografis dalam sektor pendidikan pada tahun ajaran 2023/2024. Analisis statistik seperti histogram, poligon frekuensi, dan ogive menunjukkan bahwa distribusi tenaga pendidik bervariasi secara signifikan antarprovinsi, di mana Aceh memiliki jumlah tertinggi, sedangkan Papua yang terendah. Hasil penelitian ini diharapkan dapat menjadi acuan bagi pengambil kebijakan dalam menyusun strategi pendidikan yang lebih efektif dan sesuai dengan kebutuhan setiap provinsi.]]>
<![CDATA[Klasifikasi Penyakit Alzheimer Menggunakan Deep Learning Dan Citra ]]>
<![CDATA[Akbar, Darial]]>;
<![CDATA[Jerryansyah Putra, Iktiar]]>;
<![CDATA[Azis, Fahmi]]>;
<![CDATA[Al Gifari, Imam]]>
<![CDATA[ Jurnal Riset Informatika dan Inovasi Vol 2 No 6 (2024): JRIIN: Jurnal Riset Informatika dan Inovasi ]]>
Publisher : <![CDATA[shofanah Media Berkah ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Penyakit Alzheimer adalah salah satu jenis demensia yang paling umum, dan diagnosis awal sangat penting untuk manajemen yang efektif. Penelitian ini bertujuan untuk menyelidiki pemanfaatan metode Deep Learning dalam mengklasifikasikan citra MRI untuk mendeteksi penyakit Alzheimer. Dalam studi ini, data citra MRI dikumpulkan dari sejumlah pasien dan dianalisis menggunakan berbagai arsitektur jaringan saraf dalam, termasuk Convolutional Neural Networks (CNN). Tujuan utama dari penelitian ini adalah untuk mengembangkan model klasifikasi yang mampu memberikan akurasi tinggi dalam membedakan pasien Alzheimer dari individu sehat. Hasil eksperimen menunjukkan bahwa model yang dikembangkan mencapai akurasi 90%, menandakan potensi Deep Learning sebagai alat diagnostik yang efektif. Penelitian ini menyoroti pentingnya pengembangan teknologi berbasis kecerdasan buatan dalam bidang kesehatan, terutama untuk diagnosis penyakit neurodegeneratif.]]>
<![CDATA[Penerapan Naïve Bayes Dalam Klasifikasi Penyakit Gagal Ginjal ]]>
<![CDATA[Riski Romah Doni, Naza]]>;
<![CDATA[Haris Agam, Ibnu]]>;
<![CDATA[Ririn]]>;
<![CDATA[Yoga Prasetyo, Pandu]]>
<![CDATA[ Jurnal Riset Informatika dan Inovasi Vol 2 No 6 (2024): JRIIN: Jurnal Riset Informatika dan Inovasi ]]>
Publisher : <![CDATA[shofanah Media Berkah ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Penelitian ini membahas Penggunaan algoritma Naïve Bayes dalam mengklasifikasikan jenis penyakit gagal ginjal kronis. Penyakit ini merupakan masalah kesehatan yang signifikan dan memerlukan diagnosis dini untuk mencegah komplikasi yang lebih lanjut. Algoritma Naïve Bayes dipilih karena kemampuannya yang baik dalam mengklasifikasikan data besar dan kemudahan dalam menangani atribut yang beragam, meskipun asumsinya tentang independensi atribut. Penelitian ini mengadopsi pendekatan Systematic Literature Review untuk mengidentifikasi metode dan efektivitas Naïve Bayes dalam klasifikasi penyakit gagal ginjal. Hasil penelitian menunjukkan bahwa Naïve Bayes efektif dan akurat dalam mendeteksi penyakit ginjal, serta bermanfaat dalam pengambilan keputusan klinis. Dengan demikian, Naïve Bayes berpotensi menjadi alat yang bermanfaat dalam mendukung tenaga medis dalam diagnosis penyakit ginjal.]]>
<![CDATA[Penggunaan Multilayer Perceptron Untuk Klasifikasi Diabetes Mellitus ]]>
<![CDATA[Cholis Majid, Nur]]>;
<![CDATA[Rockyliano Mamun, Flandy]]>;
<![CDATA[Geovani, Heru]]>;
<![CDATA[Nurhamidah, Ica]]>
<![CDATA[ Jurnal Riset Informatika dan Inovasi Vol 2 No 7 (2024): JRIIN: Jurnal Riset Informatika dan Inovasi ]]>
Publisher : <![CDATA[shofanah Media Berkah ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Diabetes Mellitus (DM) merupakan penyakit kronis dengan prevalensi yang semakin meningkat, dan deteksi dini sangat penting untuk mencegah komplikasi serius. Dalam bidang medis, teknologi pembelajaran mesin, khususnya Multilayer Perceptron (MLP), menunjukkan potensi besar dalam membantu diagnosa dan klasifikasi DM. Penelitian ini bertujuan untuk mengkaji literatur terkait penggunaan MLP dalam klasifikasi DM, menganalisis keunggulan dan keterbatasannya, serta membandingkan kinerjanya dengan metode lain seperti K-Nearest Neighbor (KNN) dan Support Vector Machine (SVM). Hasil penelitian menunjukkan bahwa MLP efektif dalam mendeteksi DM dengan tingkat akurasi tinggi, bahkan lebih baik dibandingkan metode konvensional. Beberapa penelitian juga menunjukkan bahwa MLP dapat mengidentifikasi variabel penting dalam data medis pasien yang berperan dalam diagnosis DM. Model hibrida MLP yang digabungkan dengan algoritma optimasi, seperti Genetic Algorithm dan Crow Search Algorithm, mampu meningkatkan kinerja klasifikasi, menjadikannya alat yang sangat bermanfaat dalam sistem informasi kesehatan untuk prediksi dini DM.]]>
<![CDATA[Klasifikasi Penyakit Mata Dengan Model Machine Learning Berbasis SVM ]]>
<![CDATA[Mahadika, Yafi]]>;
<![CDATA[Fadhillah, Azmi]]>;
<![CDATA[Agustina, Mentari]]>;
<![CDATA[Hafiz, Muhammad]]>
<![CDATA[ Jurnal Riset Informatika dan Inovasi Vol 2 No 7 (2024): JRIIN: Jurnal Riset Informatika dan Inovasi ]]>
Publisher : <![CDATA[shofanah Media Berkah ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Klasifikasi penyakit mata merupakan aspek penting dalam deteksi dini dan pengobatan berbagai penyakit mata. Dalam penelitian ini, kami mengusulkan model klasifikasi berbasis Support Vector Machine (1) untuk mengidentifikasi jenis penyakit mata secara lebih akurat. SVM dipilih karena memiliki kemampuan diferensiasi kelas tinggi dengan margin maksimal, terutama untuk data berdimensi besar dan kompleksitas variabel tinggi. Dataset yang digunakan berisi gambar mata dari berbagai kategori penyakit seperti katarak (2), glaukoma (3), dan retinopati diabetik (4). Setelah prapemrosesan dan ekstraksi fitur, model SVM dilatih dan diuji menggunakan pendekatan validasi silang (5) untuk mengevaluasi kinerjanya dalam hal akurasi, sensitivitas, dan spesifisitas. Hasil penelitian menunjukkan bahwa model SVM dapat mencapai akurasi tinggi dalam klasifikasi penyakit mata, sehingga memiliki potensi besar untuk diterapkan pada sistem pendukung diagnostik berbantuan komputer di masa depan.]]>
