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 Menggunakan Extreme Gradient Boosting (XGBoost) ]]>
<![CDATA[Bagus Darmawan, Dimas]]>;
<![CDATA[Rafli Azahwa, Ibnu]]>;
<![CDATA[Wijaya Saputra, Rendy]]>;
<![CDATA[Septiadi, Robby]]>;
<![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[Jantung adalah salah satu organ dalam tubuh manusia yang berfungsi sebagai pemompa darah dan oksigen ke seluruh tubuh. Menurut data World Health Organization (WHO), sekitar 17,9 juta orang meninggal setiap tahun akibat penyakit kardiovaskular yang menyerang jantung (Rika Widianita, 2023). Penelitian ini melakukan klasifikasi penyakit jantung menggunakan algoritma berbasis machine learning, yaitu Extreme Gradient Boosting atau XGBoost. Algoritma XGBoost dipilih karena kemampuannya yang menjanjikan dalam melakukan klasifikasi (Kurnia et al., 2023). XGBoost telah digunakan oleh banyak peneliti untuk mendapatkan hasil yang optimal dalam berbagai kasus machine learning. Dalam penelitian ini, model machine learning yang dikembangkan menggunakan XGBoost dibandingkan dengan model lain yang telah diterapkan sebelumnya, seperti Stacking, Random Forest, dan Majority Voting. Hasil pengujian menunjukkan bahwa XGBoost mampu mencapai performa yang baik dalam seluruh metrik evaluasi, termasuk akurasi (Murdiansyah, 2024).]]>
<![CDATA[Klasifikasi Penyakit Liver Menggunakan Algoritma Decision Tree Dan Random Forest ]]>
<![CDATA[Stiady Syah, Farhan]]>;
<![CDATA[Salsabila Putri, Firda]]>;
<![CDATA[Ashari, Idpan]]>;
<![CDATA[Sofian, Kurnain]]>;
<![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 liver merupakan salah satu masalah kesehatan yang sering kali memerlukan deteksi dini agar penanganan dapat dilakukan secara optimal. Machine learning berperan penting dalam klasifikasi penyakit ini melalui pemanfaatan algoritma seperti Decision Tree dan Random Forest, yang mampu mengolah data medis dan memberikan hasil klasifikasi yang akurat. Tujuan dari penelitian ini adalah untuk mengevaluasi kinerja kedua algoritma tersebut dalam klasifikasi penyakit liver dan menentukan algoritma yang lebih efektif. Dengan menggunakan studi literatur, penelitian ini memberikan pemahaman komparatif mengenai efektivitas Decision Tree dan Random Forest dalam mendeteksi penyakit liver, diharapkan dapat memberikan solusi yang lebih baik bagi sistem deteksi penyakit liver berbasis machine learning.]]>
<![CDATA[Jumlah Kepala Sekolah Dan Guru Menurut Kelompok Umur Provinsi Kalimantan Utara, Papua Selatan, Sulawesi Selatan, Sumatra Utara Tahun 2023/2024 ]]>
<![CDATA[Rasyid Saputra Lubis, Aditia]]>;
<![CDATA[Gigih Wicaksono, Arrio]]>;
<![CDATA[Adhyaksa Pratama, Moh]]>;
<![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 bertujuan untuk menganalisis jumlah kepala sekolah dan guru berdasarkan kelompok umur di Provinsi Kalimantan Utara, Papua Selatan, Sulawesi Selatan, dan luar negeri untuk tahun ajaran 2023/2024. Data yang dikumpulkan mencakup informasi demografis yang penting untuk memahami distribusi tenaga pendidik dan implikasinya terhadap kebijakan pendidikan di masing-masing wilayah.]]>
<![CDATA[Literatur Review: Klasifikasi Penyakit Kanker Payudara Dengan Metode K-Nearst Neighbors ]]>
<![CDATA[Lukman]]>;
<![CDATA[Malik, Sayuti]]>;
<![CDATA[Baydowi, Wildi]]>;
<![CDATA[Dwi Saputra, Yoggi]]>;
<![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 payudara adalah kanker nomor satu pada wanita. Sekitar 2.296.840 kasus baru kanker payudara terjadi pada wanita (World Cancer Fund, 2024). Kanker payudara adalah kondisi ganas yang menyerang jaringan payudara, berasal dari sel-sel kelenjar, saluran kelenjar, dan jaringan penunjang payudara (Liliek Pratiwi dkk., 2024, hlmn 4). Dalam bidang kesehatan, klasifikasi kanker payudara menjadi sangat penting untuk menentukan jenis perawatan yang tepat bagi pasien. Deteksi kanker sejak dini sangat penting untuk mendeteksi agar penyakit kanker payudara dapat ditangani lebih awal dan meningkatkan angka kesembuhan, namun metode tradisional memiliki keterbatasan dalam hal akurasi. Kesalahan diagnosis dapat menyebabkan pengobatan yang tidak sesuai dan berdampak pada kualitas hidup pasien. Oleh karena itu, diperlukan pendekatan teknologi berbasis machine learning yang lebih akurat untuk mendukung diagnosis kanker payudara. Salah satu metode yang sering digunakan adalah K-Nearest Neighbors (KNN). K-Nearest Neighbors (KNN) merupakan salah satu metode yang sering digunakan dalam klasifikasi kanker payudara karena kesederhanaan dan efektivitasnya dalam mengelompokkan data berdasarkan kedekatan jarak antar titikuan untuk mengulas beberapa penelitian terkait penerapan metode KNN pada klasifikasi kanker payudara, dengan fokus pada optimalisasi kinerja algoritma KNN, seperti penyesuaian parameter bobot, integrasi dengan metode lain, dan analisis perbandingan performa dengan algoritma alternatif. Namun, beberapa catat keterbatasan pada KNN, seperti sensitivitas terhadap data yang tidak seimbang dan efektivitas yang lebih rendah pada data besar. Dengan memperhatikan kelebihan dan kekurangannya, penelitian ini memberikan wawasan bagi pengembangan lebih lanjut dalam penggunaan metode KNN untuk klasifikasi kanker payudara.]]>
<![CDATA[Literatur Review: Penerapan Gradient Boosting untuk Klasifikasi Penyakit Diabetes Tipe 2 ]]>
<![CDATA[Nopika]]>;
<![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[Diabetes Tipe 2 adalah penyakit kronis yang umum dan serius di seluruh dunia, dengan jumlah penderita yang terus bertambah setiap tahunnya. Deteksi dini sangat penting untuk penatalaksanaan yang efektif dan pencegahan komplikasi parah; namun, mengidentifikasi diabetes pada tahap awal seringkali sulit dilakukan karena data medis yang kompleks dan masalah akurasi klasifikasi. Penelitian ini bertujuan untuk memanfaatkan metode Gradient Boosting sebagai alat klasifikasi untuk meningkatkan akurasi deteksi diabetes Tipe 2. Gradient Boosting dipilih karena kemampuannya menangani data kompleks dan meningkatkan akurasi klasifikasi melalui proses peningkatan berulang. Penelitian ini menggunakan kumpulan data medis yang berisi variabel kunci untuk pasien diabetes tipe 2, seperti kadar gula darah, tekanan darah, usia, indeks massa tubuh. , dan riwayat kesehatan keluarga. Kumpulan data ini dibagi menjadi subset pelatihan dan pengujian. Algoritma Gradient Boosting diterapkan pada data pelatihan, dengan penyetelan parameter untuk mengoptimalkan performa model. Efektivitas klasifikasi dievaluasi menggunakan akurasi, presisi, perolehan, dan area di bawah kurva ROC (AUC) sebagai metrik untuk mengukur keandalan dan presisi model. Hasil menunjukkan bahwa model Gradient Boosting mencapai akurasi klasifikasi yang tinggi, dengan skor AUC 0,92, menunjukkan kinerja yang kuat dalam mengidentifikasi pasien diabetes. Temuan ini menunjukkan bahwa Gradient Boosting adalah metode yang layak untuk meningkatkan akurasi deteksi dini pada diabetes Tipe 2. Oleh karena itu, model ini berpotensi mendukung profesional kesehatan dalam membuat keputusan diagnostik yang lebih cepat dan akurat dalam mengelola diabetes Tipe 2.]]>
<![CDATA[Literatur Riview: Klasifikasi Penyakit Jantung Menggunakan Metode Support Vektor Machine (SVM) ]]>
<![CDATA[Putri Amelia, Bella]]>;
<![CDATA[Rozi, Fachrul]]>;
<![CDATA[Somantri]]>;
<![CDATA[Anggraini , Syafira]]>;
<![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 jantung merupakan salah satu penyebab utama kematian di dunia, dan untuk mendiagnosis atau mengklasifikasikan kondisi penyakit jantung dengan akurat, berbagai metode statistik dan machine learning telah digunakan. Salah satu metode yang populer dalam klasifikasi penyakit jantung adalah Support Vector Machine (SVM). Dalam konteks ini, Support Vector Machine (SVM) adalah sebuah algoritma pembelajaran mesin yang digunakan untuk klasifikasi data, termasuk dalam bidang medis seperti klasifikasi penyakit jantung. SVM bekerja dengan memetakan data ke dalam ruang dimensi yang lebih tinggi dan menemukan hyperplane yang optimal untuk memisahkan kelas-kelas data yang berbeda. SVM sangat efektif dalam menangani masalah klasifikasi yang kompleks, terutama ketika data memiliki banyak dimensi atau fitur.]]>
<![CDATA[Literatur Review: Analisis Klasifikasi Penyakit Kulit Menggunakan Algoritma SVM Dan CNN ]]>
<![CDATA[Abdillah, Muhammad]]>;
<![CDATA[Rizal Kholiq, Abdul]]>;
<![CDATA[Bidayatul Hidayah, Fitri]]>;
<![CDATA[Nurul Faqih, M.]]>;
<![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[Kulit merupakan organ terluar manusia. Seringkali kita memiliki masalah pada kulit. Pada zaman modern ini, bidang kesehatan sudah menggunakan kemajuan teknologi untuk mendiagnosis penyakit pada manusia. Maka dari itu, penelitian ini bermaksud untuk menganalisis klasifikasi penyakit kulit menggunakan algoritma Support Vector Machine dan Convolutional Neural Network (SVM-CNN). Pada CNN, CNN memiliki keunggulan dalam ekstraksi fitur kompleks dan akurasi tinggi, sedangkan SVM efektif pada data berdimensi tinggi. Studi literatur dari jurnal-jurnal yang kami analisis menunjukkan bahwa uji coba algoritma CNN memiliki tingkat akurasi tertinggi hingga 92,6%. Hasil ini berpotensi besar untuk memberikan diagnosis penyakit kulit secara otomatis. Namun, pengembangan ini memerlukan peningkatkan pada performa. Kondisi gambar yang dihasilkan masih dalam kualitas rendah atau dataset yang beragam.]]>
<![CDATA[Literature Review: Pendekatan Multilayer Perceptron Untuk Klasifikasi Data Pasien Stroke ]]>
<![CDATA[Amnu Pramuditya, Badi]]>;
<![CDATA[Farhan Maulana, Mohamad]]>;
<![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 merupakan salah satu penyakit kardiovaskular yang menjadi penyebab utama kematian global. Penyakit ini memiliki tingkat morbiditas yang tinggi serta potensi menyebabkan kecacatan serius. Dalam upaya meningkatkan akurasi diagnosis, teknologi kecerdasan buatan, khususnya jaringan saraf tiruan, menunjukkan potensi besar. Multilayer Perceptron (MLP), salah satu metode pembelajaran mesin, banyak diterapkan dalam klasifikasi data medis, termasuk klasifikasi data pasien stroke. Melalui tinjauan literatur sistematis, penelitian ini menganalisis keunggulan, keterbatasan, dan tantangan dalam penggunaan MLP untuk mendeteksi dan mengklasifikasi data pasien stroke. Hasil tinjauan menunjukkan bahwa MLP memiliki keunggulan dalam akurasi dan sensitivitas dalam prediksi stroke dibandingkan dengan beberapa metode lainnya. Dengan demikian, penelitian ini diharapkan dapat menjadi referensi untuk pengembangan lebih lanjut dalam penerapan MLP di bidang medis, khususnya dalam sistem deteksi dini penyakit stroke.]]>
<![CDATA[Literature Review: Deep Learning Analisis Kinerja Sistem Cloud Computing Amazon Web Service (AWS), Google Cloud Platform (GCP) Dengan Metode Bohem’s ]]>
<![CDATA[Munaldi]]>;
<![CDATA[Sundawa, Egi]]>
<![CDATA[ Jurnal Riset Informatika dan Inovasi Vol 2 No 9 (2025): JRIIN: Jurnal Riset Informatika dan Inovasi ]]>
Publisher : <![CDATA[shofanah Media Berkah ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Perkembangan teknologi komputer telah membawa perubahan signifikan dalam berbagai aspek kehidupan, mulai dari komunikasi hingga industri.Evolusi teknologi komputer dari generasi pertama hingga saat ini, menyoroti kemajuan dalam perangkat keras, perangkat lunak, dan jaringan. Dengan kemunculan mikroprosesor, komputer pribadi, dan internet, akses informasi dan komunikasi telah menjadi lebih cepat dan lebih efisien. Dalam konteks bisnis, teknologi komputer berkontribusi pada otomatisasi proses, analisis big data, dan peningkatan produktivitas.maka penelitian ini bertujuan membandingkan flatform prnyimpanan cloud computing antara GPC dan AWS dengan menggunakan metode Boehm's Quality Model dilakukan analisa metrik Portability, Reliability, Efficiency, dan Human Engineering untuk mengetahui seberapa efisien kinerja layanan dari cloud computing flatform AWS dan GPC tersebut, baik ketika digunakan sesuai kebutuhan pengguna, ataupun dengan perangkat keras yang terbatas, sehingga dapat membandingkannya dari faktor efisiensi penggunanya.]]>
<![CDATA[Pengembangan Sistem Pakar Untuk Diagnosa Penyakit Pernafasan Pada Hewan Dengan Metode: Bayesian Network Dan Rule-Based System ]]>
<![CDATA[Stiady Syah, Farhan]]>;
<![CDATA[Salsabila Putri, Firda]]>;
<![CDATA[Ashari, Idpan]]>;
<![CDATA[Sofian, Kurnain]]>;
<![CDATA[Rosyani, Perani]]>
<![CDATA[ Jurnal Riset Informatika dan Inovasi Vol 2 No 9 (2025): JRIIN: Jurnal Riset Informatika dan Inovasi ]]>
Publisher : <![CDATA[shofanah Media Berkah ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Masalah kesehatan pada hewan, terutama penyakit pernapasan, merupakan salah satu tantangan yang memerlukan diagnosa yang cepat dan akurat untuk mencegah penyebaran dan meningkatkan kualitas kesehatan hewan. Penelitian ini bertujuan mengembangkan sistem pakar berbasis metode Bayesian Network dan Rule-Based System untuk mendukung diagnosa penyakit pernapasan pada hewan secara otomatis. Metode Bayesian Network digunakan untuk memodelkan ketidakpastian dalam proses diagnosa, sedangkan Rule-Based System diterapkan untuk menangani aturan-aturan medis yang telah ada. Hasil yang diharapkan dari penelitian ini adalah sistem pakar yang mampu mendiagnosa penyakit pernapasan dengan akurat, serta memberikan rekomendasi penanganan yang efektif.]]>
