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[Peran Sistem Informasi Manajemen dalam Meningkatkan Efektivitas Operasional dan Pemasaran di PT Unilever ]]>
<![CDATA[Eva Arnaz]]>;
<![CDATA[Elang Nurjaya]]>;
<![CDATA[Sonnya Tetelepta]]>;
<![CDATA[Andreas Gultom]]>;
<![CDATA[Ines Heidiani Ikasari]]>
<![CDATA[ Jurnal Riset Informatika dan Inovasi Vol 2 No 10 (2025): JRIIN: Jurnal Riset Informatika dan Inovasi ]]>
Publisher : <![CDATA[shofanah Media Berkah ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Dalam hal meningkatkan efisiensi operasi dan pemasaran, perusahaan besar seperti PT Unilever sangat bergantung pada sistem informasi manajemen (SIM). Jurnal ini membahas berbagai aspek penerapan SIM, termasuk CRM, IMC, dan sistem informasi akuntansi, serta bagaimana hal ini mempengaruhi efisiensi produksi dan kepuasan pelanggan. Hasil penelitian menunjukkan bahwa penerapan SIM yang efektif dapat meningkatkan hubungan dengan pelanggan, mempercepat pengambilan keputusan, dan meningkatkan produktivitas. Penelitian ini juga menyoroti tantangan yang dihadapi dalam implementasi SIM dan rekomendasi untuk perbaikan di masa depan.]]>
<![CDATA[Implementasi Algoritma Regression Untuk Prediksi Harga Rumah Di Boston ]]>
<![CDATA[Ma'mum, Sukron]]>;
<![CDATA[Pratama, Reza]]>;
<![CDATA[Nurkholis Ajie Kurniawan, Muhammad]]>;
<![CDATA[Putra Mulya, Ageng]]>;
<![CDATA[Ariyadi Anatasia, Alfi]]>;
<![CDATA[Fansyuri, Maulana]]>
<![CDATA[ Jurnal Riset Informatika dan Inovasi Vol 2 No 11 (2025): JRIIN: Jurnal Riset Informatika dan Inovasi ]]>
Publisher : <![CDATA[shofanah Media Berkah ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Prediksi harga rumah merupakan aspek krusial dalam industri properti, khususnya di kota besar seperti Boston yang memiliki dinamika pasar yang kompleks. Penelitian ini mengimplementasikan algoritma regresi linier untuk memprediksi harga rumah berdasarkan berbagai atribut seperti jumlah kamar tidur, luas tanah, usia bangunan, dan kedekatannya dengan pusat kota. Dataset yang digunakan terdiri dari 501 data dengan 14 fitur yang mencakup karakteristik rumah dan lingkungan. Proses penelitian melibatkan tahapan Knowledge Discovery in Databases (KDD) mulai dari pemilihan hingga evaluasi model. Hasil analisis menunjukkan bahwa model regresi linier memberikan akurasi yang baik dengan nilai R-squared sebesar 0,745, mengindikasikan bahwa model dapat menjelaskan 74,5% variasi harga rumah. Penelitian ini memberikan wawasan berharga bagi pelaku industri properti untuk mendukung pengambilan keputusan berbasis data yang lebih efektif. Namun, terdapat ruang untuk peningkatan, terutama dalam mengurangi kesalahan prediksi melalui eksplorasi algoritma lain.]]>
<![CDATA[Implementasi Model Machine Learning Untuk Klasifikasi Dan Prediksi Pada Dataset Bunga Iris ]]>
<![CDATA[Abdurahman]]>;
<![CDATA[Alda Ailsa Alvita]]>;
<![CDATA[Indika Saputra]]>;
<![CDATA[Kamil Haedar]]>;
<![CDATA[Muhammad Ario Ardhi]]>;
<![CDATA[Muhammad Edria Zaiz Faidullah]]>;
<![CDATA[Muhammad Fahmi Alfarizi]]>
<![CDATA[ Jurnal Riset Informatika dan Inovasi Vol 2 No 10 (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 mengimplementasikan berbagai model machine learning dalam menganalisis dataset Iris, termasuk Logistic Regression, Random Forest, dan Linear Regression. Dataset Iris digunakan karena sifatnya yang sederhana namun mencakup masalah klasifikasi dan regresi. Proses melibatkan preprocessing data, seperti scaling fitur, serta pembagian dataset menjadi data latih dan data uji. Evaluasi dilakukan menggunakan metrik akurasi, confusion matrix, mean squared error (MSE), dan R-squared (R²). Hasil penelitian menunjukkan bahwa semua model mencapai performa sempurna pada tugas klasifikasi, dengan akurasi 100% dan confusion matrix yang hanya menunjukkan prediksi benar. Model Linear Regression juga menunjukkan kinerja yang sangat baik dengan nilai R² = 1.00, mengindikasikan kemampuan untuk menjelaskan seluruh variasi data. Korelasi antar variabel mengungkapkan bahwa fitur petal memiliki pengaruh lebih signifikan dibandingkan fitur sepal dalam membedakan spesies. Visualisasi hasil prediksi menunjukkan pola distribusi nilai aktual dan prediksi yang hampir identik.]]>
<![CDATA[Implementasi Metode K-Nearest Neighbors (KNN) Untuk Klasifikasi Penyakit Jantung ]]>
<![CDATA[Fansyuri, Maulana]]>;
<![CDATA[Fachri Ramdhani, Tyas]]>;
<![CDATA[Saputra, Rivan]]>;
<![CDATA[Setiawan, Deni]]>
<![CDATA[ Jurnal Riset Informatika dan Inovasi Vol 2 No 11 (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 penyakit yang sangat berbahaya, penyakit ini juga bisa menyerang berbagai kalangan usia. Penyakit jantung meskipun tidak menular, akan menjadi serius bagi semua kalangan usia jika berbagai faktor seperti kurangnya aktivitas fisik, kebiasaan merokok, konsumsi alcohol dan pola hidup tidak sehat dilakukan. Salah satu yang menyebabkan penyakit ini timbul adalah penyumbatan aliran darah yang masuk ke dalam jantung. Penelitian ini memanfaatkan Teknik data mining untuk menggali informasi dari data besar dengan focus pada metode K-Nearest Neighbors (KNN). K-Nearest Neighbors adalah algoritma sederhana namun efektif untuk klasifikasi data yang bekerja dengan menentukan kedekatan objek baru. Metode ini termasuk dalam kategori supervisored learning, yang menggunakan data berlabel untuk membangun model prediksi. Data yang digunakan dalam penelitian ini diambil dari Kaggle dengan judul “Dataset Penyakit Jantung” yang terdiri dari 1025 entri dan 13 atribut. Tujuan Penelitian ini adalah untuk memancarkan Tingkat akurasi metode K-NN serta mengembangkan aplikasinya dalam klasifikasi penyakit jantung.]]>
<![CDATA[Penggunaan Python Dalam Analisis Data Dengan Machine Learning ]]>
<![CDATA[Suryati, Maria]]>;
<![CDATA[Aldi Darmawan Saputra, Tri]]>;
<![CDATA[Heidiani Ikasari, Ines]]>
<![CDATA[ Jurnal Riset Informatika dan Inovasi Vol 2 No 10 (2025): JRIIN: Jurnal Riset Informatika dan Inovasi ]]>
Publisher : <![CDATA[shofanah Media Berkah ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Seiring perkembangan teknologi informasi, data menjadi sumber daya penting dalam berbagai sektor. Machine learning (ML), sebagai cabang kecerdasan buatan, memungkinkan sistem komputer belajar dari data untuk prediksi, klasifikasi, dan pemahaman pola. Python, dengan sintaks sederhana dan pustaka yang kaya seperti scikit-learn, TensorFlow, Keras, dan PyTorch, menjadi pilihan utama dalam penerapan ML. Artikel ini membahas penerapan Python dalam analisis data menggunakan ML, termasuk pemilihan pustaka, langkah-langkah pengembangan model, tantangan dalam penerapan, dan aplikasi praktis di sektor hukum, kesehatan, dan keuangan. Kualitas data, seperti keberagaman dan akurasi, sangat mempengaruhi keberhasilan model. Scikit-learn digunakan untuk model dasar, sementara TensorFlow dan PyTorch digunakan untuk model lebih kompleks seperti deep learning. Proses pra-pemrosesan data penting untuk memastikan data valid, dan pemilihan algoritma yang tepat mempengaruhi akurasi model. Tantangan lainnya termasuk keandalan data, overfitting, dan underfitting, yang dapat diatasi dengan teknik regularization dan cross-validation. Machine learning memiliki aplikasi besar di sektor-sektor berdampak sosial, seperti hukum, kesehatan, dan keuangan. Di sektor hukum, ML dapat membantu analisis dokumen dan prediksi keputusan pengadilan, di kesehatan untuk diagnosis dan analisis citra medis, serta di keuangan untuk deteksi penipuan dan analisis pasar. Dengan pemilihan pustaka dan algoritma yang tepat, serta perhatian terhadap kualitas data, Python terus menjadi pilihan utama dalam membangun solusi machine learning yang efisien.]]>
<![CDATA[Analisis Peran, Tantangan, dan Dampak Implementasi Sistem Informasi Manajemen terhadap Efisiensi, Pengambilan Keputusan, dan Kinerja Organisasi di Sektor Perusahaan ]]>
<![CDATA[Muhamad Ruli Hendayana]]>;
<![CDATA[Ferdyawan Setiadi]]>;
<![CDATA[Elvine Bariel Suherman]]>;
<![CDATA[Muhamad Daffa Firjatullah]]>;
<![CDATA[Ines Heidiani Ikasari]]>
<![CDATA[ Jurnal Riset Informatika dan Inovasi Vol 2 No 10 (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 peran, tantangan, dan dampak implementasi Sistem Informasi Manajemen (SIM) terhadap efisiensi, pengambilan keputusan, dan kinerja organisasi di sektor perusahaan. Dalam era digital, SIM menjadi alat penting yang dapat meningkatkan efisiensi operasional perusahaan, mempercepat proses pengambilan keputusan, dan meningkatkan kinerja organisasi secara keseluruhan. Penelitian ini menggunakan pendekatan kualitatif dengan metode studi kasus pada beberapa perusahaan di sektor industri yang telah mengimplementasikan SIM. Hasil penelitian menunjukkan bahwa SIM berperan signifikan dalam meningkatkan efisiensi operasional dengan mengotomatisasi berbagai proses bisnis. Namun, tantangan utama dalam implementasi SIM meliputi resistensi terhadap perubahan, kebutuhan pelatihan yang terus-menerus, dan masalah integrasi sistem yang kompleks. Dampak positif SIM terhadap pengambilan keputusan tercermin pada peningkatan akurasi dan waktu yang lebih singkat dalam proses pengambilan keputusan. Selain itu, kinerja organisasi juga mengalami perbaikan, terutama dalam hal produktivitas dan koordinasi antar departemen. Penelitian ini memberikan rekomendasi bagi perusahaan untuk mengatasi tantangan implementasi SIM dan memaksimalkan manfaat yang dapat diperoleh untuk mencapai kinerja organisasi yang lebih baik]]>
<![CDATA[Klasifikasi Penyakit Autoimun Dengan Algoritma K-Nearest Neighbors ]]>
<![CDATA[Faiz Zaidan, Ahmad]]>;
<![CDATA[Mikail Aqsha, Ananta]]>;
<![CDATA[Septian, Farhan]]>;
<![CDATA[Ramadhan, Syahrul]]>
<![CDATA[ Jurnal Riset Informatika dan Inovasi Vol 2 No 10 (2025): JRIIN: Jurnal Riset Informatika dan Inovasi ]]>
Publisher : <![CDATA[shofanah Media Berkah ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Penyakit autoimun adalah kondisi di mana sistem kekebalan tubuh menyerang jaringan tubuh sendiri, menyebabkan berbagai gejala dan komplikasi serius. Deteksi dini penyakit autoimun menjadi tantangan utama karena gejalanya yang sering kali serupa dengan penyakit lainnya. Berbagai pendekatan dalam machine learning telah diimplementasikan untuk mendukung diagnosis dan klasifikasi penyakit autoimun, termasuk algoritma K-Nearest Neighbors (K-NN) yang dikenal sederhana namun memiliki potensi akurasi yang baik. Tujuan dari studi ini adalah untuk mengulas implementasi algoritma K-NN dalam klasifikasi penyakit autoimun berdasarkan lima studi terkait yang dilakukan sebelumnya. Metode yang digunakan dalam studi ini adalah tinjauan pustaka atau studi literatur (SLR) dengan meninjau lima artikel ilmiah yang berfokus pada klasifikasi penyakit autoimun menggunakan algoritma K-NN dan metode komparatif lainnya, seperti Algoritma Genetika, Support Vector Machine (SVM), dan Single Layer Perceptron (SLP). Hasil tinjauan literatur menunjukkan bahwa algoritma K-NN memiliki akurasi yang cukup tinggi dalam klasifikasi penyakit autoimun ketika parameter dan jumlah tetangga (neighbors) yang optimal digunakan. Namun, ada beberapa kendala yang ditemukan, termasuk sensitivitas K-NN terhadap data yang tidak seimbang dan kebutuhan waktu komputasi yang lebih besar pada dataset yang besar. Kombinasi K-NN dengan metode optimasi parameter, seperti Algoritma Genetika atau metode hybrid lainnya, terbukti meningkatkan akurasi dan stabilitas prediksi. Studi ini menyimpulkan bahwa K-NN adalah salah satu algoritma yang layak digunakan dalam klasifikasi penyakit autoimun, terutama bila dikombinasikan dengan teknik optimasi. Rekomendasi untuk penelitian di masa depan termasuk penerapan model hibrida dan uji coba pada dataset yang lebih besar dan beragam untuk mendapatkan model klasifikasi yang lebih handal.]]>
<![CDATA[Analisa Kenaikan Kunjungan Pasien Di Laboratotium Patologi Klinik Pada Tahun 2022 Sampai 2023 RSUD Kota Bandung Dengan Mengunakan Naive Bayes ]]>
<![CDATA[Fansyuri, Maulana]]>;
<![CDATA[Kidunga, Lyra]]>;
<![CDATA[Wulandari Ega M, Nadya]]>;
<![CDATA[Laela S, Mutiara]]>;
<![CDATA[Ajeng Trias M, Rizkyanti]]>;
<![CDATA[Ulfa]]>
<![CDATA[ Jurnal Riset Informatika dan Inovasi Vol 2 No 10 (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 kenaikan kunjungan pasien laboratorium patologi klinik di RSUD Kota Bandung pada tahun 2022 hingga 2023 berdasarkan jenis pemeriksaan dengan mengunakan algoritma Naïve Bayes. Dataset yang digunakan berasal dari data laporan kunjungan pasien yang mencankup informasi jenis pemeriksaan yang dilakukan. Proses analisis meliputi tahapan preprocessing data, pembagian dataset, dan implementasi algoritma Naïve Bayes menggunakan aplikasi RappidMiner, Hasil penelitian menunjukan bahwa algoritma Naïve Bayes mampu mengklasifikasikan data dengan akurasi sebesar 100%, dengan precision sebesar 100% dan rechall sebesar 100%. Penelitian ini diharapkan dapat mendukung pengelolaan dan analisis data kunjungan pasien secara lebih efektif, sehingga membantu dalam pengambilan Keputusan strategis rumah sakit.]]>
<![CDATA[Literatur Review : Analisis Strategi Dan Kinerja PT. Telkom Indonesia ]]>
<![CDATA[Rachmad Husaeni, Fahri]]>;
<![CDATA[Arraniri, Nuruddin]]>;
<![CDATA[Sulhanuddin, Muhammad]]>;
<![CDATA[Zulfa Zerlita, Shinta]]>;
<![CDATA[Heidiani Ikasari, Ines]]>
<![CDATA[ Jurnal Riset Informatika dan Inovasi Vol 2 No 10 (2025): JRIIN: Jurnal Riset Informatika dan Inovasi ]]>
Publisher : <![CDATA[shofanah Media Berkah ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Review ini merupakan analisis mendalam terhadap lima jurnal yang membahas berbagai aspek strategi dan kinerja PT. Telkom Indonesia Tbk. Fokus utama review ini mencakup analisis kinerja keuangan, strategi pemasaran pada segmen government, manajemen stakeholder dalam program Corporate Social Responsibility (CSR), serta strategi public relations (PR) pada menjaga citra instansi. Analisis ini memakai teknik kuantitatif serta kualitatif, dengan data yang diperoleh dari laporan keuangan, wawancara, observasi, dan dokumentasi. Hasil review menunjukkan bahwa PT. Telkom Indonesia menghadapi tantangan dalam pengelolaan aset dan likuiditas, strategi pemasaran B2B, serta menjaga citra perusahaan di tengah persaingan industri telekomunikasi. Meskipun begitu, Telkom berhasil menunjukkan komitmen terhadap tanggung jawab sosial dan upaya membangun loyalitas pelanggan melalui berbagai program CSR dan strategi komunikasi yang efektif.]]>
<![CDATA[Tinjauan Literatur Sistematis: Analisis Pembelajaran Terarah Dan Tidak Terarah Pada Machine Learning ]]>
<![CDATA[Rakha Ez'ra Ramadhan, Ahmad]]>;
<![CDATA[Purwanto, Firman]]>;
<![CDATA[Purnama, Gilang]]>;
<![CDATA[Febryan, Ilham]]>;
<![CDATA[Setiawan, Ifan]]>
<![CDATA[ Jurnal Riset Informatika dan Inovasi Vol 2 No 10 (2025): JRIIN: Jurnal Riset Informatika dan Inovasi ]]>
Publisher : <![CDATA[shofanah Media Berkah ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Artikel ini membahas secara komprehensif dua pendekatan utama dalam pembelajaran mesin, yaitu Pembelajaran Terarah (Supervised learning) dan Pembelajaran Tidak Terarah (Unsupervised learning). Kajian ini bertujuan untuk memberikan wawasan mendalam tentang perbedaan antara kedua metode tersebut, termasuk kelebihan dan kekurangannya. Penelitian menggunakan pendekatan Systematic Literature Review (SLR) dengan mengikuti pedoman PRISMA, meninjau publikasi yang relevan dalam kurun waktu lima tahun terakhir. Dari total 540 artikel yang dianalisis, sebanyak 10 artikel dipilih untuk ditelaah lebih rinci, terdiri dari lima yang berfokus pada Supervised learning dan lima lainnya mengenai Unsupervised learning. Hasilnya menunjukkan bahwa Supervised learning memanfaatkan data berlabel untuk tugas prediksi dan klasifikasi, menggunakan algoritma seperti K-Nearest Neighbor (KNN), Naïve Bayes, Decision Tree, dan Support Vector Machine (SVM), yang secara umum memberikan tingkat akurasi tinggi. Sebaliknya, Unsupervised learning bekerja tanpa data berlabel, lebih diarahkan pada eksplorasi pola dan pengelompokan data melalui algoritma seperti K-Means, Artificial Neural Network (ANN), dan Gaussian Mixture Model (GMM), menawarkan fleksibilitas yang lebih tinggi meskipun dengan akurasi yang cenderung lebih rendah. Kedua pendekatan memiliki karakteristik unik yang perlu dipertimbangkan berdasarkan tujuan aplikasi, ketersediaan data, dan kebutuhan analisis.]]>
