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[Literature Review: Klasifikasi Penyakit Alzheimer Menggunakan Deep Learning dan Citra MRI ]]>
<![CDATA[Izza, Fachrul]]>;
<![CDATA[Khotimah, Khusnul]]>;
<![CDATA[Sadilah Arif, Nanda]]>;
<![CDATA[Rifat Aqillah, Naufal]]>
<![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[Salah satu penyakit utama yang mempengaruhi sejumlah besar orang di seluruh dunia adalah penyakit Alzheimer. (AD). Dengan kemajuan teknologi medis, khususnya Magnetic Resonance Imaging (MRI), analisis otak kini dapat dilakukan dengan lebih efektif. Tujuan penelitian ini adalah untuk penggunaan teknik Deep Learning, khususnya Convolutional Neural Networks (CNN), dalam klasifikasi MRI untuk mendeteksi AD. Dengan mengukur kompleksitas citra, diharapkan metode ini dapat meningkatkan akurasi diagnosis. Melalui proses Tinjauan Pustaka Sistematis (SLR), studi ini membandingkan kinerja berbagai model DNN dan mengidentifikasi kekurangan serta arah penelitian masa depan. Hasilnya menunjukkan bahwa model hibrida yang menggabungkan LeNet dan AlexNet mencapai akurasi 93,58%, memberikan dasar yang kuat untuk mengembangkan alat diagnostik yang lebih efektif dalam mendeteksi penyakit Alzheimer dengan akurat.]]>
<![CDATA[Jumlah Kepala Sekolah Dan Guru Menurut Kelompok Umur Provinsi Kepulauan Bangka Belitung, Kalimantan Selatan, Papua Tengah, Dan Papua Selatan Tahun 2023/2024 ]]>
<![CDATA[Purnomo, Heri]]>;
<![CDATA[Fransiska Lamapaha, Maria]]>;
<![CDATA[Nael, Nathan]]>;
<![CDATA[Kuntjoro Adji, Wisnu]]>
<![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 menganalisis distribusi jumlah kepala sekolah dan guru berdasarkan kelompok umur empat provinsi di indonesia antara lain, Kepulauan bangka belitung, Kalimantan selatan, Papua tengah, dan Papua selatan berdasarkan data tahun ajaran 2023/2024. Analisis ini bertujuan untuk mengidentifikasi distribusi tenaga pendidik berdasarkan kelompok usia guna memahami perbedaan distribusi dan ketersediaan guru serta kepala sekolah di masing-masing provinsi. Perbedaan geografis dan kondisi sosial ekonomi berdampak pada distribusi tenaga pendidik, dengan kesenjangan yang signifikan di Papua Tengah dan Papua Selatan, di mana distribusi guru masih terpusat di wilayah perkotaan dan cenderung kurang di daerah terpencil. Data ini diharapkan dapat menjadi dasar dalam merumuskan kebijakan yang lebih efektif untuk meningkatkan kualitas pendidikan melalui distribusi tenaga pendidik yang merata dan pengelolaan sumber daya manusia yang optimal.]]>
<![CDATA[Literature Review Pendekatan K-Nearest Neighbor (KNN) Untuk Klasifikasi Penyakit Kardiovaskular ]]>
<![CDATA[Ibrahim Fajri, Muhamad]]>;
<![CDATA[Darrel Lubawi, Achmad]]>;
<![CDATA[Azzahra, Devita]]>;
<![CDATA[Javier Rivanda, Fairuz]]>;
<![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 jantung koroner, stroke, dan hipertensi adalah contoh penyakit yang mempengaruhi jantung dan pembuluh darah yang dikenal sebagai penyakit kardiovaskular. Di seluruh dunia termasuk Indonesia, penyakit ini menjadi salah satu yang paling berbahaya.Penyakit ini menyebabkan satu dari tiga kematian setiap tahun, atau 17,8 juta kematian di seluruh dunia, menurut data yang dirilis oleh World Health Organization (WHO) pada tahun 2021. Prinsip dasar klasifikasi K-Nearest Neighbor (KNN) adalah mencari jarak terdekat antara data yang akan dievaluasi dengan K data tetangga terdekat dalam data pelatihan. Metode ini juga digunakan dalam supervised learning, di mana hasil klasifikasi data baru didasarkan pada kedekatan jarak mayoritas dengan kategori yang ada dalam K-Nearest Neighbor (KNN). Dalam melakukan penelitian ini, metode yang dipilih oleh peneliti adalah Literature Review yang merupakan proses menganalisis, menelaah, dan merangkum berbagai referensi yang sesuai dan mengidentifikasi celah dalam penelitian. Literature Review ini digunakan oleh peneliti dengan cara mencari dan memilah berbagai artikel ilmiah yang terkait pembahasan. Pendekatan K-Nearest Neighbor (KNN) untuk klasifikasi penyakit kardiovaskular dapat menghasilkan nilai akurasi yang tinggi melalui perhitungan akurasi, recall, ketepatan, dan f1-score. Sehingga dapat meningkatkan ketepatan klasifikasi data, termasuk dalam kasus penyakit kardiovaskular atau data medis lainnya. Peneliti mengharapkan dalam penelitian selanjutnya, bisa menjadi suatu informasi untuk mengurangi penyakit kardiovaskular bagi banyak orang.]]>
<![CDATA[Literature Review Sistem Pakar Untuk Deteksi Dini Penyakit Diabetes Dengan Metode AI Decision Tree Dan Fuzzy Inference System ]]>
<![CDATA[Ibrahim Fajri, Muhamad]]>;
<![CDATA[Darrel Lubawi, Achmad]]>;
<![CDATA[Azzahra, Devita]]>;
<![CDATA[Javier Rivanda, Fairuz]]>;
<![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[Peningkatan kadar gula darah adalah tanda penyakit kronis yang dikenal sebagai diabetes melitus. Kondisi ini jika tidak terkontrol berdampak pada kerusakan serius pada banyak organ tubuh, seperti jantung, mata, dan saraf. Penelitian ini melakukan kajian pustaka (literature review) secara komprehensif untuk mengumpulkan, menganalisis, dan mengevaluasi berbagai penelitian sebelumnya terkait diabetes. Tujuannya adalah untuk mendapatkan pemahaman yang mendalam mengenai faktor risiko, serta metode diagnosis dan pengobatan diabetes yang telah ada. Melalui literature review ini, kita dapat mengidentifikasi celah pengetahuan yang ada dan merumuskan pertanyaan penelitian yang relevan. Decision Tree merupakan metode yang paling efektif dalam klasifikasi data, dalam hal ini adalah mengklasifikasikan seseorang sebagai penderita diabetes atau bukan. Fuzzy Inference System merupakan metode kecerdasan buatan yang sangat berguna dalam mengatasi masalah yang memiliki ketidakpastian. Dalam konteks deteksi diabetes FIS dapat membantu mengklasifikasikan seseorang sebagai penderita diabetes atau bukan dengan mempertimbangkan berbagai faktor risiko yang mungkin memiliki batasan yang tidak tegas. Sistem pakar yang dikembangkan diharapkan dapat membantu dalam diagnosis dini diabetes, sehingga penanganan yang tepat dapat diberikan lebih awal.]]>
<![CDATA[Klasifikasi Kanker Paru-Paru Dengan Deep Neural Networks Dan Data CT-Scan ]]>
<![CDATA[Rizqi Setiawan, Dafa]]>;
<![CDATA[Rofika Bryliana, Firdha]]>;
<![CDATA[Nur Aedi Aripin, Krisna]]>;
<![CDATA[Adelia Wardani, Sabita]]>
<![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[Gambaran Umum: Dalam beberapa tahun terakhir, jumlah kematian akibat kanker meningkat pesat di seluruh dunia. Di antara beberapa jenis kanker, kanker paru-paru merupakan salah satu kasus yang paling banyak ditemui. Kanker paru-paru umumnya menyerang pria karena berbagai faktor, antara lain paparan asap rokok, polusi udara jangka panjang, dan senyawa karsinogenik seperti radon, asbes, arsenik, tar batubara, dan knalpot solar. Deteksi dini kanker memudahkan pelacakan pengobatan dan proses penyembuhan, sehingga menyelamatkan jutaan nyawa di seluruh dunia setiap tahunnya. Diperlukan cara yang mudah untuk mengidentifikasi kanker paru-paru melalui pemindaian tomografi komputer (CT) paru-paru pasien. Salah satu metode pengenalan dan klasifikasi citra adalah metode convolutional neural network (CNN).]]>
<![CDATA[Literatur Review: Implementasi Metode Naïve Bayes Untuk Mendiagnosa Penyakit Pada Pasien Pengidap Penyakit Lupus ]]>
<![CDATA[Nugroho, Ajie]]>;
<![CDATA[Hari Saputra, Gilang]]>;
<![CDATA[Miftahul Habaib, Muhammad]]>;
<![CDATA[Afriza, Taufik]]>
<![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 memanfaatkan fasilitas teknologi informasi di bidang kesehatan untuk membantu mendiagnosis jenis penyakit pasien, mengklasifikasikannya ke dalam kategori penyakit menular atau tidak menular, serta memberikan rekomendasi penanganan yang sesuai. Permasalahan yang dihadapi adalah kurangnya kecepatan dan akurasi dalam proses diagnosis di fasilitas kesehatan, terutama yang tidak memiliki tenaga medis berpengalaman dalam jumlah cukup. Solusi yang ditawarkan adalah pengembangan aplikasi berbasis web menggunakan bahasa pemrograman PHP yang berjalan pada localhost. Aplikasi ini memanfaatkan metode Naïve Bayes yang bekerja dengan menentukan kelas terlebih dahulu, kemudian menghitung probabilitas berdasarkan gejala-gejala yang teridentifikasi. Alat analisis yang digunakan meliputi diagram alir data (DFD) dan diagram entitas-relasi (ER). Hasil dari pengujian aplikasi menunjukkan bahwa sistem ini mampu melakukan diagnosis awal dengan akurasi yang cukup baik, mendukung proses keputusan medis secara lebih cepat dan efisien.]]>
<![CDATA[Penerapan Sistem Pakar Fuzzy Untuk Penentuan Dosis Obat Pada Pasien Lansia ]]>
<![CDATA[Rosyani, Perani]]>;
<![CDATA[Muiz Suyaana, Abdul]]>;
<![CDATA[Juni Aditya, Bayu]]>;
<![CDATA[Fayza Pramestia, Putri]]>;
<![CDATA[Cahya Maharani, Vadista]]>
<![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[Sistem pakar fuzzy merupakan pendekatan yang efektif dalam pengambilan keputusan medis, khususnya untuk penentuan dosis obat pada pasien lansia. Pasien lansia membutuhkan penyesuaian dosis khusus karena perubahan fisiologis yang memengaruhi farmakokinetik dan farmakodinamik obat. Penelitian ini bertujuan untuk mengkaji penerapan sistem pakar fuzzy yang dikombinasikan dengan machine learning untuk meningkatkan akurasi dan efisiensi penentuan dosis. Dengan menggunakan metode studi literatur dari beberapa jurnal, penelitian ini menunjukkan potensi penggunaan fuzzy logic dan sistem berbasis aturan dalam menangani ketidakpastian data pasien, serta integrasi machine learning untuk prediksi yang lebih akurat. Hasilnya diharapkan dapat membantu meningkatkan kualitas layanan medis bagi pasien lansia.]]>
<![CDATA[Studi Literatur: Klasifikasi Penyakit Stroke Berdasarkan Fitur Media Menggunakan Random Forest ]]>
<![CDATA[Salsi, Salsi Kirana Laura Ibra]]>;
<![CDATA[Carolline Antonyette, Jeanne]]>;
<![CDATA[Kirana Laura Ibra, Salsi]]>;
<![CDATA[Dhiya Ulhak, Wafi]]>;
<![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[Stroke adalah salah satu penyebab utama kematian dan kecacatan di dunia, sehingga diperlukan metode yang efektif untuk diagnosis dan prediksi penyakit ini. Penelitian ini bertujuan mengembangkan model klasifikasi stroke menggunakan algoritma Random Forest yang mampu menangani data besar dan kompleks. Data pasien dari berbagai sumber dianalisis untuk mengidentifikasi fitur utama yang berkontribusi pada risiko stroke. Model Random Forest menunjukkan akurasi tinggi, mencapai 99% dalam beberapa pengujian, dengan sensitivitas dan spesifisitas yang memuaskan. Pemilihan fitur dengan metode seperti Mutual Information terbukti meningkatkan kinerja model secara signifikan. Hasil penelitian ini menunjukkan bahwa Random Forest dapat menjadi alat efektif untuk klasifikasi stroke, mendukung diagnosis dan perawatan pasien secara cepat, serta mendorong pengembangan aplikasi berbasis teknologi untuk membantu dokter menangani stroke lebih efisien.]]>
<![CDATA[Studi Literatur: Penggunaan K-Nearest Neighbors Untuk Klasifikasi Penyakit Daun Pada Tanaman Terong ]]>
<![CDATA[Aji Saputra, Guruh]]>;
<![CDATA[Adyatama Ariyanto, Dimas]]>;
<![CDATA[Febriansyah, Rio]]>;
<![CDATA[Anugrah, Rido]]>;
<![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 terong merupakan tantangan utama dalam dunia pertanian karena dapat mengurangi kualitas dan kuantitas hasil panen. Untuk mengatasi masalah ini, pengembangan sistem klasifikasi otomatis berbasis teknologi informasi menjadi semakin penting, salah satunya dengan menggunakan algoritma K-Nearest Neighbors (K-NN). Kajian literatur ini bertujuan untuk mengidentifikasi serta menganalisis efektivitas K-NN dalam mengklasifikasikan penyakit daun pada tanaman terong. Melalui tinjauan pustaka yang mendalam, penelitian ini mengevaluasi penerapan K-NN dari berbagai aspek, termasuk akurasi, kecepatan pemrosesan, dan tantangan dalam menentukan parameter, seperti jumlah tetangga terdekat (k) yang optimal. Beberapa penelitian menunjukkan bahwa K-NN cukup efektif untuk klasifikasi penyakit berbasis citra karena kesederhanaannya dan kemampuannya mengolah dataset dengan banyak variabel, meskipun masih memiliki kelemahan dalam menangani data yang besar dan rentan terhadap outlier. Hasil dari kajian literatur ini diharapkan dapat memberikan pemahaman yang lebih mendalam tentang peran K-NN dalam klasifikasi penyakit daun, serta menjadi pijakan untuk penelitian lebih lanjut guna meningkatkan akurasi dan efisiensi metode ini. Dengan demikian, penelitian ini diharapkan dapat mendukung pengembangan teknologi deteksi yang lebih baik di masa depan. dini penyakit tanaman yang lebih cepat, akurat, dan terjangkau bagi para petani.]]>
<![CDATA[Klasifikasi Penyakit Parkinson Menggunakan Algoritma Decision Tree ]]>
<![CDATA[Reizza Eduardi Yusuf, Muhammad]]>;
<![CDATA[Simanullang, Lamhot]]>;
<![CDATA[Pangestu, Nazar]]>;
<![CDATA[Ramadhan, Fajar]]>;
<![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[Penelitian ini mengulas penggunaan algoritma Decision Tree dalam klasifikasi penyakit Parkinson (PD) yang berfokus pada efektivitas teknik seperti CART, C4.5, dan berbagai metode ensemble untuk meningkatkan akurasi diagnostik. Seiring meningkatnya prevalensi PD di kalangan lansia, deteksi dini menjadi sangat penting karena memungkinkan perawatan yang lebih efektif dan pemantauan progresi penyakit. Decision Tree dan teknik ensemble-nya seperti Random Forest, AdaBoost, dan RUSBoost banyak diterapkan karena struktur hierarkinya yang mudah diinterpretasikan dan kemampuannya dalam menangani data numerik dan kategorikal. Dalam beberapa studi, algoritma ini dikombinasikan dengan teknik balancing data seperti SMOTE dan RUS, serta metode seleksi fitur seperti lasso dan informasi gain. Kajian literatur ini mencakup analisis efektivitas berbagai pendekatan berbasis Decision Tree dalam mengatasi tantangan data tidak seimbang, seperti yang umum dijumpai dalam dataset klinis dan vokal terkait Parkinson. Melalui tinjauan sistematis ini, ditemukan bahwa teknik ensemble Decision Tree umumnya meningkatkan akurasi dan sensitivitas, terutama ketika diterapkan pada dataset yang telah diproses dengan metode balancing data. Studi ini bertujuan memberikan pandangan yang komprehensif tentang kekuatan, keterbatasan, dan potensi optimalisasi penggunaan Decision Tree dalam membantu diagnosis klinis Parkinson, menawarkan kontribusi signifikan terhadap upaya peningkatan keandalan diagnosis berbasis machine learning]]>
