Buletin Ilmiah Ilmu Komputer dan Multimedia (BIIKMA)
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
Articles
351 Documents
<![CDATA[PENGGUNAAN METODE FORWARD CHAINING DALAM SISTEM PAKAR UNTUK DIAGNOSA PENYAKIT ISPA BERBASIS ANDROID ]]>
<![CDATA[Afdal Zikri Amanda]]>;
<![CDATA[Mochamad Adhari Adiguna2]]>
<![CDATA[ Buletin Ilmiah Ilmu Komputer dan Multimedia Vol 2 No 1 (2024): Buletin Ilmiah Ilmu Komputer dan Multimedia (BIIKMA) ]]>
Publisher : <![CDATA[Shofanah Media Berkah ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[−Penelitian ini bertujuan mengembangkan aplikasi sistem pakar berbasis Android dengan metode Forward Chaining untuk diagnosa penyakit infeksi saluran pernapasan akut (ISPA). ISPA sering diabaikan karena gejalanya mirip dengan penyakit lain, yang dapat menyebabkan penanganan terlambat dan komplikasi serius. Aplikasi ini mempermudah pengguna dalam mendapatkan diagnosa awal dan solusi penanganan cepat dengan mengandalkan pengetahuan dari para ahli. Dengan metode Forward Chaining, aplikasi ini memberikan diagnosa yang sistematis dan membantu pengguna memahami kondisi mereka lebih baik. Penelitian ini diharapkan dapat meningkatkan kesadaran masyarakat mengenai ISPA dan menyediakan alat bantu yang efektif untuk penanganan awal.]]>
<![CDATA[Sistem Absensi Guru Dengan RFID Berbasis IOT Menggunakan NODEMCU ESP8266 : ( Studi Kasus : SDN Parakan Kota Tangerang Selatan ) ]]>
<![CDATA[Qori Saskia Hanifa]]>;
<![CDATA[Susanna Dwi Yulianti Kusuma]]>
<![CDATA[ Buletin Ilmiah Ilmu Komputer dan Multimedia Vol 2 No 1 (2024): Buletin Ilmiah Ilmu Komputer dan Multimedia (BIIKMA) ]]>
Publisher : <![CDATA[Shofanah Media Berkah ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Teknologi mikrokontroler merupakan salah satu teknologi yang dapat dimanfaatkan untuk membangun sistem presensi kehadiran pegawai. SDN Parakan Kota Tangerang Selatan berada di bawah naungan dinas pendidikan, sekolah tersebut belum memanfaatkan teknologi untuk presensi kehadiran serta rekapitulasi kehadiran guru serta staf sekolah. Penelitian ini bertujuan untuk merancang prototype sistem absensi menggunakan teknologi RFID dan dioperasikan oleh mikrokontroler Nodemcu ESP8266 yang terintergrasi oleh web, untuk menerapkan perkembangan teknologi pada lokasi penelitian yang disebutkan. Prototype sistem absensi ini terdiri dari berbagai komponen utama, yaitu RFID card untuk menyimpan data guru dan reader yang digunakan untuk membaca informasi yang menyangkut kehadiran guru. Integrasi database pada sistem ini berguna untuk menyimpan data kehadiran dan bisa dikelola oleh admin untuk melaporkan hasil data kehadiran guru. .]]>
<![CDATA[Jumlah Kepala Sekolah dan Guru Menurut Kelompok Umur di Provinsi NTB, Kalimantan Barat, Kalimantan Selatan, dan Bangka Belitung Tahun 2023/2024 ]]>
<![CDATA[Nur Budi Santhoso]]>;
<![CDATA[M. Nur Fauzi Desmianto]]>;
<![CDATA[Rizky Hermawan]]>;
<![CDATA[Fathir Zulkarnain]]>
<![CDATA[ Buletin Ilmiah Ilmu Komputer dan Multimedia Vol 2 No 3 (2024): Buletin Ilmiah Ilmu Komputer dan Multimedia (BIIKMA) ]]>
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 di Provinsi Nusa Tenggara Barat (NTB), Kalimantan Barat, Kalimantan Selatan, dan Bangka Belitung berdasarkan kelompok umur pada tahun ajaran 2023/2024. Analisis dilakukan melalui perhitungan rata-rata dan median untuk setiap kelompok umur guna mendapatkan pemahaman lebih dalam terkait profil usia tenaga pendidik di setiap provinsi tersebut. Visualisasi data dilakukan dalam bentuk histogram, poligon frekuensi, dan ogive untuk menggambarkan distribusi dan akumulasi jumlah pendidik dalam setiap kelompok umur. Hasil dari penelitian ini diharapkan dapat memberikan wawasan tentang profil demografis pendidik di wilayah-wilayah yang diteliti dan dapat menjadi dasar bagi kebijakan terkait pengelolaan dan pengembangan sumber daya manusia di bidang pendidikan.]]>
<![CDATA[Literatur Review: Klasifikasi Penyakit Jantung Menggunakan Metode Support Vector Machine (SVM) ]]>
<![CDATA[Andrian]]>;
<![CDATA[Benedictus Geovanda Sihombing]]>;
<![CDATA[Novriyansah Ramadhan Al-Fiqri]]>;
<![CDATA[Sulisto Fajar Utomo]]>
<![CDATA[ Buletin Ilmiah Ilmu Komputer dan Multimedia Vol 2 No 3 (2024): Buletin Ilmiah Ilmu Komputer dan Multimedia (BIIKMA) ]]>
Publisher : <![CDATA[Shofanah Media Berkah ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Penyakit jantung menjadi penyebab utama kematian di seluruh dunia. Oleh karena itu, diagnosis penyakit jantung dini sangat krusial untuk menurunkan risiko komplikasi dan meningkatkan prospek pemulihannya. Tujuan dari penelitian ini adalah membuat model penyakit jantung berbasis Support Vector Machine yang efektif dan akurat. Alasan pemilihan metode SVM adalah karena metode ini efektif mengklasifikasikan data yang kompleks dan memiliki keakuratan yang tinggi dengan ukuran data yang dibatasi. Penelitian ini menggunakan beberapa variabel klinis termasuk tekanan darah, kolesterol, pola jantung, dan kami menggambarkan beberapa variabel lainnya dalam beberapa variabel lanjutan. Metode validasi silang diterapkan di model kami untuk membandingkan model kami dalam data uji sehingga tingkat akurasi, sensitivitas, dan spesifisitas optimal diperoleh. Berdasarkan hasil klasifikasi variabel menggunakan SVM, model SVM memiliki performa yang unggul dalam pengklasifikasi pasien penyakit jantung yang berpotensi terkena penyakit jantung dengan tingkat akurasi lebih dari 90%. Hasil penelitian menyimpulkan bahwa SVM merupakan metode yang lebih cepat dan akurat yang dapat dijadikan sebagai suatu alat untuk mendukung diagnosis penyakit jantung di dalam suatu pengaturan klinis.]]>
<![CDATA[Literatur Review: Pendekatan Naïve Bayes Untuk Klasifikasi Penyakit Tanaman Kentang ]]>
<![CDATA[Satinudi Telaumbanua]]>;
<![CDATA[Satria Angggito Abimannyu]]>;
<![CDATA[Ghilman Yazid Abdullah]]>;
<![CDATA[Eiffeline Melati Octhaviani]]>
<![CDATA[ Buletin Ilmiah Ilmu Komputer dan Multimedia Vol 2 No 3 (2024): Buletin Ilmiah Ilmu Komputer dan Multimedia (BIIKMA) ]]>
Publisher : <![CDATA[Shofanah Media Berkah ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Pendekatan Naïve Bayes merupakan metode statistik yang efektif untuk penyakit tanaman , termasuk tanaman kentang. Penelitian ini menerapkan Naïve Bayes untuk menganalisis data penyakit dengan tujuan meningkatkan akurasi. Dengan menggunakan teorema probabilitas dan asumsi independensi antar karakteristik, model ini berhasil mengklasifikasikan berbagai penyakit kentang , seperti hawar daun dan busuk akar , akurasi memuaskan dan waktu pemrosesan yang efisien. . Hasil penelitian ini berkontribusi pada pengembangan sistem peringatan dini bagi petani, sehingga meningkatkan hasil dan keberlanjutan produksi apel. Penelitian lebih lanjut dapat mengeksplorasi integrasi teknik otomatis lainnya untuk meningkatkan kinerja model.]]>
<![CDATA[Jumlah Penerima Bantuan Sosial Menurut Kelompok Umur Provinsi Riau, Lampung, Sumatera Barat dan Bali Tahun 2023/2024 ]]>
<![CDATA[Diana Apriyanti]]>;
<![CDATA[Muhammad Fauzan]]>;
<![CDATA[Muhammad Aziz Zen]]>;
<![CDATA[Shita Nurul Ayasha]]>
<![CDATA[ Buletin Ilmiah Ilmu Komputer dan Multimedia Vol 2 No 3 (2024): Buletin Ilmiah Ilmu Komputer dan Multimedia (BIIKMA) ]]>
Publisher : <![CDATA[Shofanah Media Berkah ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Penelitian ini bertujuan untuk menganalisis distribusi jumlah penerima bantuan sosial berdasarkan kelompok umur di empat provinsi di Indonesia: Riau, Lampung, Sumatera Barat, dan Bali pada tahun 2023/2024. Bantuan sosial merupakan salah satu upaya pemerintah untuk mengurangi ketimpangan sosial dan meningkatkan kesejahteraan masyarakat, khususnya bagi kelompok rentan. Namun, distribusi bantuan sosial seringkali tidak merata antar kelompok umur, sehingga perlu dilakukan analisis untuk memahami pola penerimaannya. Metode yang digunakan adalah analisis deskriptif melalui studi literatur yang berfokus pada data penerima bantuan sosial berdasarkan kelompok umur. Hasil penelitian menunjukkan adanya variasi signifikan dalam jumlah penerima bantuan sosial antar kelompok umur dan provinsi. Kelompok usia produktif (26-40 tahun) cenderung menjadi penerima utama di Lampung dan Riau, sementara Bali menunjukkan jumlah penerima yang lebih rendah, terutama pada kelompok usia lanjut. Penelitian ini menggarisbawahi perlunya kebijakan distribusi bantuan sosial yang lebih inklusif dan adil, untuk menjangkau kelompok rentan di seluruh usia dan wilayah.]]>
<![CDATA[JUMLAH RATA RATA PENDUDUK MENURUT KELOMPOK UMUR PROVINSI YOGYAKARTA, PROVINSI GORONTALO, PROVINSI MALUKU UTARA, DAN PROVINSI SULAWESI BARAT TAHUN 2023/2024 ]]>
<![CDATA[Mohammad Ilham Alfalal Alfikri]]>;
<![CDATA[Aditya Kusuma Wardana]]>;
<![CDATA[Muhammad Raihan Saputra]]>;
<![CDATA[Silvi Fitriya]]>
<![CDATA[ Buletin Ilmiah Ilmu Komputer dan Multimedia Vol 2 No 3 (2024): Buletin Ilmiah Ilmu Komputer dan Multimedia (BIIKMA) ]]>
Publisher : <![CDATA[Shofanah Media Berkah ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Penelitian ini menganalisis distribusi penduduk berdasarkan kelompok umur di empat provinsi Indonesia, yaitu Yogyakarta, Gorontalo, Maluku Utara, dan Sulawesi Barat. Tujuannya adalah untuk mengidentifikasi pola distribusi, karakteristik demografis, serta memberikan rekomendasi kebijakan yang relevan dengan data demografis ini. Pendekatan yang digunakan meliputi analisis statistik deskriptif, demografi, dan pemetaan demografis guna memperoleh wawasan tentang ketimpangan distribusi penduduk, kebutuhan tenaga kerja produktif, dan perencanaan layanan publik. Hasil analisis menunjukkan adanya variasi signifikan dalam rata-rata jumlah penduduk di setiap provinsi, dengan Yogyakarta mencatat rata-rata tertinggi sebesar 2075,14, diikuti Sulawesi Barat, Gorontalo, dan Maluku Utara. Penemuan ini diharapkan dapat mendukung perencanaan pembangunan berbasis data yang lebih efektif, mengoptimalkan alokasi sumber daya, dan memaksimalkan potensi sumber daya manusia dalam setiap kelompok umur.]]>
<![CDATA[Literature Review : Pendekatan Random Forest untuk Deteksi Penyakit pada Tanaman Buah ]]>
<![CDATA[Bagas Alamsyah Putra]]>;
<![CDATA[Chairil Syahrain]]>;
<![CDATA[Rahmah Yunita]]>;
<![CDATA[Reyon Lau Jiemin]]>
<![CDATA[ Buletin Ilmiah Ilmu Komputer dan Multimedia Vol 2 No 3 (2024): Buletin Ilmiah Ilmu Komputer dan Multimedia (BIIKMA) ]]>
Publisher : <![CDATA[Shofanah Media Berkah ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Penyakit pohon buah-buahan dapat menyebabkan kerugian yang signifikan baik dalam kualitas maupun kuantitas produksi pertanian. Deteksi dini penyakit tanaman sangat penting untuk mengurangi dampak negatif dan memastikan produksi berkelanjutan. Penelitian ini menyelidiki efektivitas algoritma random forest dalam mendeteksi penyakit pohon buah-buahan berdasarkan berbagai karakteristik seperti warna daun, bentuk daun, tekstur, dan pola kerusakan. Algoritma Random Forest dipilih karena kemampuannya yang unggul dalam menangani kumpulan data berdimensi besar dan mengurangi risiko overfitting. Data berupa gambar daun dan buah yang sudah terinfeksi dan tidak terinfeksi dikumpulkan dan dianalisis untuk melatih dan menguji model. Hasil penelitian menunjukkan bahwa algoritma random forest dapat mencapai tingkat akurasi yang tinggi dalam mendeteksi penyakit pada pohon buah-buahan dan memiliki kinerja yang stabil pada berbagai jenis penyakit dan kondisi tanaman. Studi ini menunjukkan bahwa pendekatan acak berbasis hutan dapat menjadi solusi efektif untuk deteksi penyakit tanaman secara cepat dan akurat serta dapat diterapkan lebih lanjut untuk mendukung sistem pertanian berbasis teknologi.]]>
<![CDATA[Systematic Literature Review Penerapan Gradient Boosting Untuk Klasifikasi Penyakit Diabetes Tipe 2 ]]>
<![CDATA[Bintang]]>;
<![CDATA[Agni Tri Pratiwi]]>;
<![CDATA[Ahmad Barizi]]>;
<![CDATA[Muhammad Irfan Maulana]]>;
<![CDATA[Perani Rosyani]]>
<![CDATA[ Buletin Ilmiah Ilmu Komputer dan Multimedia Vol 2 No 3 (2024): Buletin Ilmiah Ilmu Komputer dan Multimedia (BIIKMA) ]]>
Publisher : <![CDATA[Shofanah Media Berkah ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Penerapan algoritma Gradient Boosting dalam klasifikasi penyakit diabetes tipe 2 telah menunjukkan hasil yang signifikan dalam meningkatkan akurasi diagnosis. Penelitian inimengkajiberbagai studi yang menggunakan Gradient Boosting untuk memprediksi diabetes tipe 2 dengan memanfaatkan dataset medis. Hasil menunjukkan bahwa algoritma ini mampu mencapai akurasi hingga 82%, lebih baik dibandingkan dengan metode lain seperti Random Forest dan Naïve Bayes. Dengan mengidentifikasi fitur-fitur penting yang berkontribusi terhadap perkembangan diabetes, Gradient Boosting tidak hanya meningkatkan akurasi tetapi juga memberikan wawasan berharga untuk pencegahan dan pengelolaan penyakit ini. Hasil penelitian ini mendemonstrasikan potensi machine learning dalam diagnosis dini diabetes, yang penting untuk pengelolaan kesehatan masyarakat.]]>
<![CDATA[Literature Review: Penggunaan Convolutional Neural Networks Untuk Klasifikasi Citra Tumor Otak ]]>
<![CDATA[Arung Zidane Dwiaji]]>;
<![CDATA[Bagas Junianto]]>;
<![CDATA[Sufyaan Putra Haswanto]]>;
<![CDATA[Muhammad Rizki Yusnadi]]>
<![CDATA[ Buletin Ilmiah Ilmu Komputer dan Multimedia Vol 2 No 3 (2024): Buletin Ilmiah Ilmu Komputer dan Multimedia (BIIKMA) ]]>
Publisher : <![CDATA[Shofanah Media Berkah ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Penelitian ini mengeksplorasi Penggunaan Convolutional Neural Networks (CNN) untuk Klasifikasi Citra Tumor Otak, yang merupakan langkah inovatif dalam meningkatkan akurasi diagnosis medis. Tumor otak, yang ditandai oleh pertumbuhan sel abnormal, memerlukan deteksi yang cepat dan tepat untuk intervensi yang efektif. Dalam konteks ini, kami menerapkan teknologi CNN untuk menganalisis citra MRI, dengan tujuan mengklasifikasikan gambar ke dalam kategori tumor otak dan non-tumor. Dataset yang digunakan dalam penelitian ini terdiri dari ribuan citra MRI yang mencakup berbagai jenis tumor, seperti glioma dan meningioma. Dengan memanfaatkan arsitektur CNN mutakhir seperti VGG-16, ResNet-50, dan EfficientNet, model kami dilatih untuk mengenali pola dan fitur penting dalam citra tersebut. Hasilnya menunjukkan bahwa model CNN mampu mencapai tingkat akurasi yang sangat tinggi mencapai 100% dalam klasifikasi citra, berkat kemampuannya dalam otomatisasi ekstraksi fitur tanpa memerlukan proses manual yang rumit. Temuan ini tidak hanya menyoroti potensi CNN dalam meningkatkan akurasi diagnosis tetapi juga menunjukkan kemampuannya untuk mengurangi risiko kesalahan manusia dalam interpretasi citra medis. Dengan demikian, penelitian ini membuka jalan bagi penerapan lebih luas teknologi deep learning dalam kesehatan, khususnya dalam klasifikasi citra tumor otak, yang dapat mempercepat proses diagnosis dan meningkatkan kualitas perawatan pasien secara keseluruhan.]]>
