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[Pendekatan Naïve Bayes Untuk Klasifikasi Data Pasien Diabetes Gestasional ]]>
<![CDATA[Rosyani, Perani]]>;
<![CDATA[Saputra, Ilyas]]>;
<![CDATA[Kristiawan, Niko]]>;
<![CDATA[Salam, Abdus]]>;
<![CDATA[Aprianto, Harry]]>
<![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[Diabetes gestasional merupakan jenis diabetes yang muncul selama kehamilan dan berpotensi menyebabkan komplikasi serius bagi ibu dan janin. Mengidentifikasi pasien dengan risiko diabetes gestasional sejak dini sangat penting untuk intervensi yang efektif. Penelitian ini menggunakan pendekatan algoritma Naive Bayes dalam klasifikasi data pasien untuk mendeteksi adanya diabetes gestasional. Algoritma Naive Bayes dipilih karena kemampuannya dalam menangani data dengan fitur yang bervariasi serta proses klasifikasinya yang sederhana dan efisien. Data pasien yang digunakan mencakup beberapa variabel seperti usia, indeks massa tubuh (BMI), tekanan darah, dan riwayat kesehatan keluarga.Hasil uji menunjukkan bahwa model Naive Bayes mampu mencapai tingkat akurasi yang memadai dalam mengklasifikasikan pasien dengan diabetes gestasional. Setelah dilakukan pengujian menggunakan validasi silang, algoritma ini menunjukkan akurasi tanpa seleksi fitur mencapai akurasi 77% dan dengan seleksi fitur mencapai 80%.Penambahan proses seleksi fitur juga dianalisis untuk melihat dampaknya terhadap performa model. Berdasarkan hasil penelitian ini, algoritma Naive Bayes menunjukkan potensi yang baik sebagai alat bantu dalam mendeteksi diabetes gestasional, khususnya di lingkungan yang memerlukan pengolahan data cepat dan sederhana.]]>
<![CDATA[Pendekatan Ensemble Learning Untuk Klasifikasi Penyakit Jantung Koroner ]]>
<![CDATA[Roris, Rangga]]>;
<![CDATA[Farrel Aziz, M]]>;
<![CDATA[Akmal Khatami, M]]>;
<![CDATA[Rifia Rizki, Wahyu]]>
<![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[Penyakit arteri koroner merupakan salah satu penyebab kematian utama di seluruh dunia, sehingga sangat penting untuk mengembangkan metode klasifikasi yang akurat untuk deteksi dini penyakit ini. Berbagai pendekatan berbasis pembelajaran mesin telah digunakan untuk mengklasifikasikan penyakit jantung koroner, namun metode tradisional seringkali kurang akurat dan konsisten. Penelitian ini menggunakan pendekatan pembelajaran ansambel yang menggabungkan algoritma klasifikasi yang berbeda untuk meningkatkan kinerja dan akurasi pengenalan. Tujuan utama penelitian ini adalah untuk mengevaluasi efektivitas metode pembelajaran ensemble dalam mengatasi kekurangan metode tunggal khususnya pada klasifikasi penyakit jantung koroner. Solusi ini dievaluasi menggunakan beberapa artikel jurnal sebagai dasar studi tinjauan literatur yang melibatkan berbagai teknik ansambel seperti hutan acak dan peningkatan gradien. Hasil penelitian ini menunjukkan bahwa metode pembelajaran ansambel secara signifikan meningkatkan akurasi klasifikasi dibandingkan metode klasifikasi tradisional dan memberikan hasil yang lebih andal dalam mendeteksi pasien yang berisiko penyakit jantung koroner.]]>
<![CDATA[LiteraturReview: Klasifikasi Penyakit Paru-paru Menggunakan Metode Decision Tree ]]>
<![CDATA[Nuraina]]>;
<![CDATA[Awaliyah, Saiyah]]>;
<![CDATA[Ayu Purnamawati, Santi]]>;
<![CDATA[Okataviani, Vera]]>;
<![CDATA[Rosyani, Perani]]>
<![CDATA[ Jurnal Riset Informatika dan Inovasi Vol 2 No 8 (2025): JRIIN: Jurnal Riset Informatika dan Inovasi ]]>
Publisher : <![CDATA[shofanah Media Berkah ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Kanker paru-paru merupakan penyebab utama kematian di dunia, dengan banyaknya kasus yang baru terdeteksi pada stadium lanjut, sehingga pengobatan menjadi kurang efektif. Dalam upaya untuk meningkatkan deteksi dini dan prediksi risiko kanker paru-paru, pendekatan berbasis machine learning telah menarik perhatian dalam penelitian medis. Artikel ini mengulas penerapan metode Decision Tree dalam klasifikasi penyakit paru-paru, yang memungkinkan identifikasi pola-pola penting dalam gejala-gejala awal penyakit tersebut. Metode Decision Tree digunakan untuk membangun model klasifikasi berdasarkan berbagai faktor risiko yang memengaruhi timbulnya kanker paru-paru, seperti kebiasaan merokok, usia, dan faktor lingkungan. Review ini juga membahas berbagai teknik yang digunakan untuk meningkatkan akurasi model, termasuk seleksi fitur dan penggunaan Cross Validation. Berbagai penelitian yang mengaplikasikan Decision Tree untuk prediksi kanker paru-paru menunjukkan hasil yang beragam, dengan sebagian besar penelitian mencapai akurasi yang cukup baik, yang menandakan potensi metode ini dalam aplikasi klinis. Penelitian lebih lanjut berfokus pada pengembangan algoritma yang lebih kuat, seperti Random Forest dan Support Vector Machine (SVM), serta integrasi dengan data klinis dan genetika untuk meningkatkan prediksi. Artikel ini bertujuan untuk memberikan gambaran menyeluruh tentang penerapan Decision Tree dalam klasifikasi kanker paru-paru, serta tantangan dan peluang yang ada dalam pemanfaatan machine learning untuk deteksi dini kanker paru-paru.]]>
<![CDATA[Klasifikasi Penyakit Daun Tanaman Menggunakan Convolutional Neural Network (CNN) ]]>
<![CDATA[Nuryan, Ahsan]]>;
<![CDATA[Cahyo Wicaksono, Ilham]]>;
<![CDATA[Junialdo, Mohammad]]>;
<![CDATA[Ihsan Fadhilah, Rayhan]]>;
<![CDATA[Rosyani, Perani]]>
<![CDATA[ Jurnal Riset Informatika dan Inovasi Vol 2 No 8 (2025): JRIIN: Jurnal Riset Informatika dan Inovasi ]]>
Publisher : <![CDATA[shofanah Media Berkah ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Penyakit daun pada tanaman, yang umumnya disebabkan oleh infeksi jamur dan bakteri, dapat menyebar melalui media tanah, udara, dan air. Metode tradisional untuk mengklasifikasikan penyakit daun biasanya melibatkan pengamatan perubahan pada permukaan daun, namun metode ini memiliki keterbatasan dalam menghasilkan klasifikasi yang akurat. Seiring perkembangan teknologi, penggunaan pembelajaran mesin dan pendekatan berbasis pembelajaran mendalam, seperti CNN (Convolutional Neural Network), SLR, fuzzy C-means, dan metode klasifikasi lainnya, telah menunjukkan potensi besar untuk secara efektif meningkatkan akurasi dalam klasifikasi penyakit daun. Penyakit pada tanaman dapat diidentifikasi melalui daun, yang dianalisis menggunakan teknik CNN.Penyakit tanaman merupakan salah satu faktor utama yang menyebabkan penurunan kualitas hasil pertanian dan perkebunan, yang sering ditandai dengan perubahan pada daun, seperti munculnya bercak, layu, dan perubahan warna menjadi coklat. Dengan mengintegrasikan pembelajaran mesin dan teknologi pembelajaran mendalam, diharapkan metode ini dapat memberikan klasifikasi yang lebih akurat dan berfungsi sebagai alat pengendalian penyakit daun dalam bidang pertanian. Penelitian ini merupakan langkah penting dalam meningkatkan klasifikasi penyakit daun menggunakan teknik yang canggih. Hasilnya diharapkan dapat memberikan kontribusi signifikan untuk peningkatan kualitas pertanian, terutama dalam hal pengendalian penyakit tanaman. Data yang diperoleh dari ekstraksi fitur CNN diharapkan dapat menjadi solusi efektif untuk mengidentifikasi dan mengklasifikasikan penyakit daun pada tanaman buah dan sayuran.]]>
<![CDATA[Tinjauan Literatur Penggunaan Berbagai Algoritma Machine Learning Dalam Deteksi Dan Prediksi Penyakit Autoimun ]]>
<![CDATA[Aziz, Tanzilal]]>;
<![CDATA[Putra, Syadewa]]>;
<![CDATA[Hutasoit, Rapael]]>;
<![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[Penyakit autoimun merupakan kelompok penyakit kompleks yang membutuhkan metode deteksi dan prediksi yang akurat untuk meningkatkan diagnosis dini dan pengelolaan pasien. Artikel ini menyajikan tinjauan literatur mengenai penerapan berbagai algoritma Machine Learning yang digunakan dalam penelitian terkait deteksi dan prediksi penyakit autoimun. Studi ini mencakup beberapa metode, yaitu jaringan hemato-endotelial, Teorema Bayes, algoritma Random Forest, algoritma genetika, dan Backpropagation. Setiap metode dievaluasi berdasarkan tujuan, hasil, serta efektivitasnya dalam mendeteksi dan memprediksi penyakit autoimun tertentu. Misalnya, jaringan hemato-endotelial memberikan wawasan baru dalam identifikasi penyakit autoimun, sedangkan Teorema Bayes diterapkan dalam sistem pakar untuk diagnosis yang lebih cepat dan akurat. Algoritma Random Forest menunjukkan efektivitas tinggi dalam klasifikasi multiple sclerosis, sementara algoritma Backpropagation dan genetika diuji dalam memprediksi penyakit autoimun lainnya dengan hasil yang memuaskan. Berdasarkan tinjauan ini, algoritma-algoritma tersebut berpotensi menjadi alat bantu penting bagi tenaga medis dalam mengidentifikasi jenis penyakit autoimun secara cepat dan akurat, serta mendukung pengambilan keputusan dalam pengelolaan penyakit. Dengan demikian, penelitian ini diharapkan dapat memberikan kontribusi dalam pemilihan algoritma Machine Learning yang tepat untuk mengoptimalkan diagnosis dan prediksi penyakit autoimun di masa mendatang. ]]>
<![CDATA[Penggunaan Machine Learning Berbasis Svm Untuk Klasifikasi Penyakit Liver ]]>
<![CDATA[Ismail, Ahmad]]>;
<![CDATA[Pramudya Wirananda, Muhammad]]>;
<![CDATA[Farhansyah, Muhammad]]>;
<![CDATA[Eprilianto, Winky]]>
<![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[Penyakit liver merupakan salah satu penyakit yang dapat menyebabkan komplikasi serius jika tidak didiagnosis dan ditangani dengan cepat. Oleh karena itu, deteksi dini sangat penting untuk meningkatkan kesembuhan pasien. Dalam penelitian ini, kami mengembangkan model klasifikasi berbasis Support Vector Machine (SVM) untuk mendiagnosis penyakit liver. SVM dipilih karena kemampuannya dalam menangani data yang tidak terpisahkan secara linear dan kemampuannya dalam menghasilkan keputusan yang optimal dengan margin terbesar. Dataset yang digunakan dalam penelitian ini adalah dataset medis yang mencakup berbagai fitur, seperti usia, jenis kelamin, dan hasil tes laboratorium pasien. Proses pengolahan data melibatkan pra-pemrosesan seperti normalisasi dan pemilihan fitur untuk meningkatkan akurasi model. Hasil eksperimen menunjukkan bahwa model SVM mampu mengklasifikasikan data dengan akurasi yang tinggi, mencapai nilai lebih dari 90%. Hal ini menunjukkan bahwa SVM dapat menjadi alat yang efektif dalam membantu diagnosis penyakit liver secara otomatis, yang pada gilirannya dapat mendukung upaya deteksi dini dan pengobatan yang lebih tepat. Penelitian ini diharapkan dapat memberikan kontribusi signifikan dalam bidang kesehatan, khususnya dalam penerapan kecerdasan buatan untuk diagnosis medis.]]>
<![CDATA[Literature Review: Deep Learning Untuk Klasifikasi Penyakit Otak Dari Data Functional MRI ]]>
<![CDATA[Pangestu, Dandi]]>;
<![CDATA[Injili, Helenica]]>;
<![CDATA[Syamil Azaky, Naofal]]>;
<![CDATA[Rahayu, Zulaizah]]>
<![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[Functional MRI (fMRI) merupakan salah satu teknik pencitraan otak yang sangat berguna dalam menganalisis aktivitas otak dan mendiagnosis gangguan neurologis. Namun, analisis fMRI secara tradisional membutuhkan waktu dan keahlian khusus, yang dapat memperlambat proses diagnosis. Untuk mengatasi hal ini, teknologi kecerdasan buatan, khususnya deep learning, mulai digunakan. Deep learning, yang merupakan cabang dari machine learning, memiliki kemampuan luar biasa dalam mengenali pola-pola kompleks dari data tak terstruktur, seperti gambar fMRI. Melalui tinjauan terhadap lima jurnal utama, ditemukan bahwa teknik deep learning, seperti Convolutional Neural Network (CNN) dan transfer learning, menunjukkan performa tinggi dalam mendeteksi dan mengklasifikasikan pola-pola pada citra fMRI.]]>
<![CDATA[Jumlah Kepala Sekolah Dan Guru Menurut Kelompok Umur Provinsi Sumatera Utara, Sumatera Barat, Nusa Tenggar Barat, Dan Nusa Tenggara Timur Tahun 2023/2024 ]]>
<![CDATA[Alfatih, Aby]]>;
<![CDATA[Innayah, Nabila]]>;
<![CDATA[Mauludin, Dion]]>
<![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 membahas tentang distribusi jumlah kepala sekolah dan guru menurut kelompok umur di empat provinsi di Indonesia, antara lain Sumatera Utara, Sumatera Barat, Nusa Tenggara Barat, dan Nusa Tenggara Timur untuk tahun akademik 2023/2024. Permasalahan yang sering dihadapi adalah kurangnya informasi terstruktur mengenai distribusi usia pendidik, yang penting untuk perencanaan jangka panjang tenaga pengajar. Penelitian yang di pakai ini menggunakan metode analisis deskriptif kuantitatif, dengan data yang dikumpulkan dari sumber pendidikan dan publikasi serupa. Tujuan penelitian adalah untuk mengetahui sebaran usia tenaga pengajar di berbagai provinsi, yang diharapkan mampu mendukung kebijakan pendidikan yang lebih baik dan merencanakan generasi guru..]]>
<![CDATA[Klasifikasi Penyakit Stroke Menggunakan Random Forest ]]>
<![CDATA[Octaviyani, Kharisma Tri]]>;
<![CDATA[Aleisya, Kaila]]>;
<![CDATA[Lase, Letarman]]>;
<![CDATA[Febboys Zai, Jonnes]]>
<![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 bertujuan untuk memprediksi risiko stroke menggunakan algoritma Random Forest dengan menggunakan data demografi dan perilaku. Ini memproses data seperti usia, jenis kelamin, kebiasaan merokok, dan status kesehatan untuk menciptakan model yang akurat guna mengidentifikasi potensi risiko stroke seseorang. Model ini menggunakan proses pelatihan dan pengujian pada kumpulan data besar untuk meningkatkan akurasi prediksi. Evaluasi model memberikan hasil yang sangat memuaskan dalam hal akurasi dan presisi dalam mengidentifikasi faktor risiko. Dengan hasil tersebut, penelitian ini memberikan kontribusi signifikan pada bidang prediksi medis. Model ini bertujuan untuk mendukung sistem peringatan dini bagi petugas kesehatan dan pasien berisiko.]]>
<![CDATA[Klasifikasi Penyakit Parasit Dengan Algoritma Decision Tree Dan KNN ]]>
<![CDATA[Satriaji, Muhamad]]>;
<![CDATA[Fauzi, Muhamad]]>;
<![CDATA[Lanang Djati, Faza]]>;
<![CDATA[Pramudia]]>
<![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[Penyakit parasit masih menjadi masalah kesehatan di dunia. Namun, beberapa penyakit akibat parasit masih terabaikan, khususnya di negara-negara tropis, sehingga World Health Organization (WHO) memasukkannya dalam Neglected Tropical Disease, tujuan dari penelitian ini adalah untuk mengklasifikasi seseorang yang mengalami penyakit Parasit, dalam metode K-NN mempunyai kemampuan untuk menangani masalah yang kompleks tanpa terpengaruh oleh berbagai faktor dan sifatnya yang kuat, intensif, dan tidak asumtif Decision Tree mengembangkan pengetahuan berdasarkan data pelatihan dan labelnya, melakukan prediksi terkait kategori atau label kelas. Dari hasil penelitian dengan menggunakan splinting data 80:20 dapat disimpulkan bahwa model Decision Tree memberikan hasil yang lebih tinggi dibandingkan K-NN. Meskipun demikian, K-NN menunjukkan kinerja yang lebih stabil pada dataset yang lebih bervariasi. Keunggulan utama dari Decision Tree terletak pada kemampuannya menghasilkan model yang mudah diinterpretasikan, sedangkan K-NN lebih fleksibel dalam menangani data yang lebih kompleks. berdasarkan hal tersebut dapat disimpulkan bahwa baik Decision Tree maupun K-NN dapat digunakan secara efektif dalam mendeteksi penyakit parasit, yang dapat membantu dalam proses diagnosis dan pengobatan.]]>
