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[Klasifikasi Penyakit Jantung Koroner Menggunakan Extreme Learning Machine ]]>
<![CDATA[Ramadhan, Athif]]>;
<![CDATA[Izza Rizwaan, Fadzle]]>;
<![CDATA[Nurpalah, Ilham]]>;
<![CDATA[Puspita, Reza]]>
<![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[Diseluruh dunia, penyakit jantung adalah penyebab kematian utama. Banyak faktor risiko yang berkontribusi terhadap penyakit jantung, seperti gaya hidup tidak sehat, merokok, hipertensi, dan kolersterol tinggi. Bahkan dengan teknologi modern, berbagai metode telah digunakan untuk mendeteksi penyakit ini. Extreme Learning Machine (ELM) dipilih untuk proses pelatihan karena lebih cepat daripada algoritma machine learning yang sifatnya iteratif. Oleh karena itu, dapat dilakukan prediksi penyakit untuk mengidentifikasi orang yang berisiko, hal tersebut untuk mencegah peningkatan kematian akibat penyakit jantung. Metode Extreme Learning Machine (ELM) umumnya digunakan pada tujuan ini. Penelitian ini bertujuan untuk menganalisis data tentang penyakit jantung koroner dan menentukan klasifikasi penyakit tersebut untuk mengetahui bagaimana metode Extreme Learning Machine berfungsi. Penulis juga mengharapkan hasil dari penelitian menunjukkan bahwa penggunaan metode Extreme Learning Machine (ELM) dapat mengklasifikasi data penyakit jantung koroner yang cukup akurat.]]>
<![CDATA[Literature Review : Sistem Pakar Untuk Prediksi Kualitas Produk Pangan Berbasis Deep Learning Dengan Metode Recurrent Neural Networks (RNN) Dan Predictive Analytics ]]>
<![CDATA[Tri Pratiwi, Agni]]>;
<![CDATA[Barizi, Ahmad]]>;
<![CDATA[Bintang]]>;
<![CDATA[Irfan Maulana, Muhammad]]>;
<![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[Pangan adalah segala sesuatu yang diperoleh dari sumber alam dan dapat dikonsumsi untuk mencukupi kebutuhan energi dan gizi. Produk pangan merupakan salah satu aspek terpenting dalam kehidupan manusia, tidak hanya berfungsi sebagai sumber energi tetapi juga mendukung pertumbuhan, perkembangan, dan kesehatan secara keseluruhan. Dalam industri pangan, memprediksi kualitas produk merupakan aspek penting untuk menjamin keamanan dan kepuasan konsumen. Penelitian ini menjelaskan penerapan sistem pakar berbasis Deep Learning, khususnya menggunakan Recurrent Neural Networks (RNN) atau jaringan saraf berulang dan analisis prediktif, untuk memprediksi kualitas pangan. RNN memiliki kemampuan menganalisis data berkelanjutan, yang sangat relevan dengan kualitas pangan, yang dipengaruhi oleh berbagai faktor, seperti suhu, kelembapan, dan waktu penyimpanan. Penelitian ini mengulas berbagai penelitian yang menunjukkan efektivitas RNN dalam prediksi kualitas makanan dan memberikan rekomendasi untuk pengembangan sistem pakar yang lebih akurat. Penelitian ini menggunakan data yang dikumpulkan dari artikel jurnal terkait yang relevan dan di terbitkan dalam rentang tahun 2021 hingga 2024. Metode atau teknik yang digunakan oleh peneliti adalah Studi Literature Review, yaitu suatu penelusuran dan penelitian kepustakaan dengan cara membaca dan menelaah berbagai jurnal, buku, dan berbagai naskah terbitan lainnya yang berkaitan dengan topik penelitian untuk menghasilkan sebuah tulisan yang berkenaan dengan topik atau isu tertentu. Hasilnya menunjukkan bahwa mengintegrasikan RNN dan analisis prediktif dapat meningkatkan akurasi prediksi sekitar 90% dan mendukung pengambilan keputusan yang lebih baik di industri makanan.]]>
<![CDATA[Klasifikasi Penyakit Menular Dengan Algoritma Machine Learning Berbasis SVM ]]>
<![CDATA[Muiz Suyaana, Abdul]]>;
<![CDATA[Juni Aditya, Bayu]]>;
<![CDATA[Fayza Pramestia, Putri]]>;
<![CDATA[Cahya Maharani, Vadista]]>;
<![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 menular merupakan salah satu masalah kesehatan global yang memerlukan penanganan cepat dan akurat. Untuk itu, deteksi dan klasifikasi penyakit menular secara efisien sangat penting dalam upaya pencegahan dan pengendalian penyebarannya. Dalam penelitian ini, kami mengusulkan penggunaan algoritma Support Vector Machine (SVM) untuk klasifikasi penyakit menular berdasarkan data yang tersedia. Metode SVM dipilih karena kemampuannya dalam mengklasifikasikan data dengan dimensi tinggi dan menghasilkan model yang akurat, bahkan dengan dataset yang relatif kecil. Penelitian ini menggunakan data yang mencakup berbagai fitur medis yang relevan, seperti gejala, riwayat perjalanan, dan faktor risiko, yang kemudian diproses dan diklasifikasikan ke dalam kategori penyakit menular yang berbeda. Hasil eksperimen menunjukkan bahwa SVM dapat mencapai tingkat akurasi yang tinggi dalam mengidentifikasi jenis penyakit menular, dengan performa yang lebih baik dibandingkan beberapa algoritma pembelajaran mesin lainnya. Selain itu, penelitian ini juga mengeksplorasi penggunaan teknik pengoptimalan parameter untuk meningkatkan kinerja model SVM. Secara keseluruhan, pendekatan ini menunjukkan potensi besar dalam aplikasi kesehatan masyarakat, khususnya dalam diagnosis cepat dan pencegahan penyebaran penyakit menular.]]>
<![CDATA[Jumlah Kepala Sekolah Dan Guru Menurut Kelompok Umur Provinsi Papua Barat, Sulawesi Barat, Kalimantan Utara, Dan Luar Negeri Tahun 2023/2024 SD ]]>
<![CDATA[Fatimach , Izmi]]>;
<![CDATA[Nurmala, Mega]]>;
<![CDATA[Dwi Andra, Jibran]]>;
<![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 menganalisis jumlah kepala sekolah dan guru di tingkat Sekolah Dasar (SD) sekolah Negeri maupun Swasta berdasarkan kelompok umur di beberapa wilayah Indonesia, yaitu Papua Barat, Sulawesi Barat, Kalimantan Utara, dan di Luar Negeri,untuk ajaran tahun 2023/2024. Metode yang digunakan dalam penelitian ini adalah dengan menggunakan metode studi literatur review. Penelitian ini bertujuan untuk memberikan gambaran kelompok umur para kepala sekolah dan guru di daerah-daerah tersebut, serta mengidentifikasi penyebaran umur jumlah kepala sekolah dan guru sebagai tenaga pendidik . Data diperoleh dari Direktorat Jenderal Pendidikan Dasar dan Menengah Kementerian Pendidikan, Kebudayaan, Riset, dan Teknologi (Kemendikbud Ristek). Hasil analisis menunjukkan variasi dalam kelompok umur guru dan kepala sekolah di setiap provinsi, dengan kecenderungan konsentrasi umur lebih tinggi pada kelompok umur 40 tahun ke atas. Analisis ini memberikan wawasan bagi pembuat kebijakan dalam merumuskan strategi peningkatan jumlah dan regenerasi tenaga pendidik, khususnya di daerah-daerah yang memiliki akses terbatas terhadap guru-guru muda. Kesimpulan ini diharapkan dapat berkontribusi terhadap pemerataan kualitas pendidikan di seluruh wilayah Indonesia.]]>
<![CDATA[Jumlah Kepala Sekolah Dan Guru Menurut Kelompok Umur Di Provinsi Jawa Barat, Jawa Tengah, D.I. Yogyakarta, Dan Jawa Timur Tahun 2023/2024 ]]>
<![CDATA[Paradis Anwar, Borneo]]>;
<![CDATA[Zakaria, Firza]]>;
<![CDATA[Listanto, Muhammad]]>;
<![CDATA[Mupashal, Rafi]]>;
<![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 dilakukan untuk mengevaluasi dan memahami pola distribusi data penduduk di empat provinsi Indonesia, yaitu Jawa Barat, Jawa Tengah, D.I. Yogyakarta, dan Jawa Timur. Penelitian ini memfokuskan pada analisis frekuensi penduduk serta penghitungan parameter statistik seperti rata-rata dan ragam. Visualisasi data disajikan dalam bentuk histogram, poligon frekuensi, dan ogive untuk memperjelas tren distribusi penduduk di wilayah tersebut. Dengan pendekatan ini, penelitian ini bertujuan memberikan wawasan yang lebih mendalam mengenai variasi populasi di setiap provinsi. Hasil dari analisis menunjukkan perbedaan signifikan dalam pola distribusi penduduk di antara provinsi-provinsi yang dianalisis, yang mengindikasikan adanya variasi dalam pertumbuhan dan persebaran populasi. Temuan ini dapat menjadi landasan penting bagi perencana kebijakan publik dan pemerintah daerah dalam merumuskan strategi pembangunan yang tepat sasaran dan lebih responsif terhadap kebutuhan populasi di masing-masing wilayah. Penelitian ini diharapkan mampu memberikan kontribusi bagi pemahaman distribusi demografis dan mendukung perencanaan yang berbasis data, sehingga dapat membantu dalam mengalokasikan sumber daya secara efektif dan merancang kebijakan pembangunan yang lebih seimbang dan inklusif.]]>
<![CDATA[Jumlah Kepala Sekolah Dan Guru Menurut Kelompok Umur Provinsi Sumatera Selatan, Lampung, Kalimantan Barat, Banten Tahun 2023/2024 ]]>
<![CDATA[Aida Nuzula Rachman, Putri]]>;
<![CDATA[Anggariani, Reni]]>;
<![CDATA[Rangga Fachriri, Muhammad]]>;
<![CDATA[Andreawan, Aan]]>;
<![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[Pendidikan merupakan pilar penting dalam pembangunan negara, termasuk di Indonesia. Kualitas pendidikan sangat dipengaruhi oleh komposisi dan distribusi tenaga pendidik, terutama guru dan kepala sekolah, di setiap provinsi. Namun, ketimpangan dalam distribusi usia tenaga pendidik di berbagai wilayah dapat berdampak pada hasil pembelajaran dan merugikan kesempatan pendidikan yang setara. Penelitian ini bertujuan untuk menganalisis ketimpangan distribusi usia guru dan kepala sekolah di empat provinsi: Sumatra Selatan, Lampung, Kalimantan Barat, dan Banten pada tahun ajaran 2023/2024. Metode deskriptif statistik digunakan untuk menganalisis data usia dari portal resmi Kemendikbudristek, dan hasilnya divisualisasikan melalui histogram, poligon frekuensi, dan ogive untuk memberikan gambaran yang jelas mengenai persebaran usia tenaga pendidik di masing-masing provinsi. Penelitian ini diharapkan dapat menjadi landasan bagi perencanaan kebijakan yang lebih tepat sasaran, khususnya dalam mengatasi ketimpangan distribusi tenaga pendidik berdasarkan usia untuk mendukung pemerataan kualitas pendidikan di tingkat nasional.]]>
<![CDATA[Klasifikasi Penyakit Tanaman Jagung Dengan Metode K-Nearest Neighbors (KNN) ]]>
<![CDATA[Ramandanu Roy Carol Rais, Arya]]>;
<![CDATA[Yusuf, Khairil]]>;
<![CDATA[Gading Prasetyo, Suthansa]]>;
<![CDATA[Zidan Al Mustafa, Fahru]]>
<![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[Tinjauan literatur ini mengkaji bagaimana sebuah metode dapat mengklasifikasikan penyakit pada tanaman jagung menggunakan teknik K-Nearest Neighbors (KNN). Perawatan terhadap tanaman jagung yang terinfeksi penyakit sangat penting karena dapat mempengaruhi hasil panen dan berdampak pada sektor pertanian. Metode KNN merupakan salah satu pendekatan yang banyak digunakan untuk klasifikasi penyakit tanaman, di mana metode ini memungkinkan identifikasi penyakit berdasarkan kedekatan karakteristik atau fitur antara sampel uji dan data latih. Tujuan dari studi literatur ini untuk menyelidiki keefektifan dan penerapan metode KNN untuk mendiagnosis penyakit pada tanaman jagung. Metode ini memungkinkan penentuan klasifikasi dengan mengukur kedekatan antara data tanaman yang akan diuji dan data tanaman yang telah diketahui jenis penyakitnya. Tinjauan literatur dilakukan dengan mengumpulkan dan menganalisis artikel-artikel terkait yang telah dipublikasikan dalam rentang waktu tertentu. Hasil dari studi literatur ini menunjukkan bahwa penggunaan metode KNN untuk klasifikasi penyakit tanaman jagung memiliki beberapa keuntungan. Metode ini memungkinkan pengelompokan yang akurat dan dapat menangani berbagai tipe data untuk proses klasifikasi. Hal ini memperkaya kemampuan dalam menganalisis karakteristik yang beragam pada tanaman jagung, seperti warna daun, bentuk bercak, dan tekstur. Namun, terdapat beberapa tantangan dalam penerapan metode KNN untuk mengklasifikasikan penyakit tanaman jagung. Penentuan jumlah tetangga terdekat (k) yang optimal sangat berpengaruh pada keakuratan klasifikasi dan membutuhkan proses pengujian yang mendalam. Untuk meningkatkan keberhasilan metode KNN dalam klasifikasi penyakit tanaman jagung, studi literatur ini merekomendasikan pentingnya peningkatan kualitas data pelatihan yang digunakan. Pembaruan data secara berkala dan peningkatan variasi fitur yang relevan juga perlu dilakukan untuk memastikan keakuratan dan keandalan dalam mendukung diagnosis penyakit pada tanaman jagung.]]>
<![CDATA[Literatur Review: Klasifikasi Penyakit Paru-Paru Obstruktif Kronik Menggunakan Algoritma SVM ]]>
<![CDATA[Wahyu Setiawan, Daniel]]>;
<![CDATA[Listyani, Dhini]]>;
<![CDATA[Atrobi, Syauqi]]>;
<![CDATA[Surya Ramiro, Leroy]]>;
<![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 Paru-Paru Obstruktif Kronik (PPOK) adalah gangguan pernapasan yang bersifat progresif dan dapat menurunkan kualitas hidup penderitanya. Diagnosis dini dan akurat sangat penting dalam penanganan penyakit ini. Dalam beberapa tahun terakhir, teknologi kecerdasan buatan, khususnya dalam bidang machine learning (ML), telah memberikan kontribusi besar dalam diagnosis medis, termasuk klasifikasi PPOK. Artikel ini mengkaji penerapan algoritma Support Vector Machine (SVM) dalam klasifikasi PPOK, serta membandingkan efektivitasnya dengan algoritma lain seperti K-Nearest Neighbor (KNN) dan Decision Tree. Selain itu, artikel ini juga membahas tantangan dan keuntungan yang terkait dengan penggunaan SVM dalam diagnosis PPOK, serta prosedur dan teknik yang diperlukan untuk meningkatkan akurasi model SVM. Penelitian ini menunjukkan bahwa SVM dapat menghasilkan akurasi yang tinggi dalam klasifikasi PPOK, meskipun pemilihan fitur dan preprocessing data yang tepat menjadi faktor penting dalam optimasi kinerja model. Dengan menggunakan teknik seperti Forward Selection dan kernel Radial Basis Function (RBF), SVM dapat meningkatkan akurasi klasifikasi, memberikan wawasan penting untuk pengembangan lebih lanjut dalam diagnostik berbasis teknologi.]]>
<![CDATA[Klasifikasi Penyakit Jamur Pada Tanaman Tomat Menggunakan Algoritma SVM ]]>
<![CDATA[Bayu Prakoso, Adityan]]>;
<![CDATA[Ikhsan, Muhammad]]>;
<![CDATA[Hasan, Saeful]]>;
<![CDATA[Utomo Putra, Tegar]]>
<![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 yang disebabkan oleh infeksi jamur pada tanaman tomat merupakan salah satu faktor utama yang dapat menurunkan produktivitas hasil panen secara signifikan. Deteksi dini dan akurat terhadap penyakit ini sangat penting untuk memastikan tindakan pengendalian yang tepat dapat dilakukan, sehingga kerusakan yang lebih parah dapat dihindari. Penelitian ini bertujuan untuk mengembangkan model klasifikasi penyakit jamur pada tanaman tomat dengan menggunakan algoritma Support Vector Machine (SVM). Dataset yang digunakan terdiri dari gambar daun tomat yang dikelompokkan dalam beberapa kategori penyakit, seperti bercak daun (leaf spot), embun tepung (powdery mildew), serta kategori daun sehat. Proses pengolahan data mencakup teknik praproses citra untuk meningkatkan kualitas gambar, ekstraksi fitur menggunakan metode Histogram of Oriented Gradients (HOG) yang mampu menangkap pola visual khas penyakit, dan pelatihan model SVM. Hasil eksperimen menunjukkan bahwa algoritma SVM dapat mencapai akurasi klasifikasi sebesar 92,5%, dengan performa terbaik pada kategori bercak daun. Penelitian ini memberikan kontribusi dalam pengembangan teknologi berbasis Machine Learning untuk mendukung manajemen penyakit tanaman secara lebih efisien dan efektif, khususnya dalam mengidentifikasi penyakit jamur pada tanaman hortikultura.]]>
<![CDATA[Klasifikasi Penyakit Daun Tanaman Menggunakan Convolutional Neural Network (CNN) ]]>
<![CDATA[Mahromi, Muhammad]]>;
<![CDATA[Iqbal Maulana, Muhammad]]>;
<![CDATA[Alfiansyah, Muhammad]]>;
<![CDATA[Alfis Ramadhan, Fazzil]]>
<![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[Penentuan penyakit daun pada tanaman merupakan aspek penting dalam menjaga produktivitas dan kesehatan tanaman. Teknik tradisional dalam mendiagnosis penyakit tanaman seringkali memerlukan waktu, tenaga, serta keahlian khusus, sehingga kurang efisien. Oleh karena itu, pengembangan metode berbasis kecerdasan buatan, khususnya Convolutional Neural Network (CNN), menjadi sangat relevan. Penelitian ini bertujuan untuk mengembangkan model CNN yang mampu mengklasifikasikan jenis-jenis penyakit daun tanaman secara otomatis dan akurat berdasarkan citra daun. Data yang digunakan terdiri dari kumpulan gambar daun dengan berbagai kategori penyakit. Model CNN diimplementasikan dan diuji pada dataset yang relevan untuk mengevaluasi kinerja sistem. Hasil dari eksperimen menunjukkan bahwa model yang diusulkan berhasil mencapai akurasi yang signifikan dalam mendeteksi dan mengklasifikasikan penyakit daun, yang membuktikan efektivitas pendekatan CNN dalam bidang ini. Penggunaan model CNN ini diharapkan dapat membantu petani dan praktisi dalam mendeteksi penyakit tanaman dengan lebih cepat dan akurat, sehingga dapat meningkatkan produktivitas serta mengurangi kerugian yang diakibatkan oleh penyakit tanaman.]]>
