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[Literatur Review: Pendekatan Ensemble Learning untuk Klasifikasi Penyakit Jantung Koroner ]]>
<![CDATA[Caesar Ariel Ramadan]]>;
<![CDATA[Febri Eka Fahriza]]>;
<![CDATA[Fikri Hidayatullah]]>;
<![CDATA[Muhamad Tegar Amru]]>
<![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 Koroner adalah salah satu penyebab utama kematian global, terutama di negara berkembang. Berbagai metode machine learning telah diterapkan untuk membantu klasifikasi PJK, termasuk metode ensemble learning. Studi ini bertujuan untuk melakukan kajian literatur yang membandingkan metode ensemble, seperti random forest, artificial neural network (ANN), serta support vector machine (SVM), guna klasifikasi PJK. Berdasarkan literatur yang dianalisis, dilakukan perbandingan akurasi, kelebihan, dan kekurangan dari setiap metode, serta teknik preprocessing data yang digunakan. Studi ini diharapkan dapat memberikan wawasan yang lebih dalam mengenai efektivitas metode ensemble dalam meningkatkan akurasi prediksi dan diagnosa dini PJK.]]>
<![CDATA[Pendekatan Naïve Bayes Untuk Klasifikasi Data Pasien Diabetes Gestasional ]]>
<![CDATA[Fikri Ubaidilah]]>;
<![CDATA[Zezen Mujani]]>;
<![CDATA[Nurul Amin]]>;
<![CDATA[M. Fikry Akbari]]>
<![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[Diabetes gestasional adalah kondisi diabetes yang berkembang selama kehamilan dan dapat menyebabkan komplikasi serius bagi ibu maupun janin jika tidak terdeteksi dan ditangani secara tepat. Identifikasi dini risiko diabetes gestasional menjadi penting untuk mendukung pencegahan dan penanganan yang lebih efektif. Dalam penelitian ini, metode Naive Bayes digunakan untuk mengklasifikasikan data pasien diabetes gestasional berdasarkan variabel-variabel kesehatan dan demografi seperti usia, indeks massa tubuh (BMI), riwayat keluarga diabetes, kadar gula darah, tekanan darah, dan hasil pemeriksaan laboratorium lainnya. Metode Naive Bayes dipilih karena kemampuannya dalam menangani dataset yang kompleks dan memberikan hasil klasifikasi dengan akurasi yang cukup tinggi, meskipun asumsinya yang sederhana. penelitian ini menunjukkan bahwa pendekatan Naive Bayes merupakan metode yang efektif untuk klasifikasi risiko diabetes gestasional, memberikan hasil yang stabil dan akurat. Hal ini menjadikannya alat yang berpotensi digunakan oleh tenaga medis sebagai pendukung keputusan dalam identifikasi awal risiko diabetes pada ibu hamil, yang selanjutnya dapat membantu dalam merancang intervensi yang sesuai untuk mencegah komplikasi.]]>
<![CDATA[Pendekatan Hybrid SVM dan KNN Untuk Klasifikasi Penyakit Tiroid ]]>
<![CDATA[Agustinus Marcello Soebiantoro]]>;
<![CDATA[Muhamad Bintang Satunggal]]>; Taufik Ismail;
<![CDATA[Muhammad Nur Fauzi Putra Pratama]]>;
<![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[Penyakit tiroid merupakan salah satu masalah kesehatan yang umum dan memerlukan diagnosis yang cepat dan akurat. Penelitian ini mengkaji penggunaan metode hybrid Support Vector Machine (SVM) dan K-Nearest Neighbors (KNN) untuk klasifikasi penyakit tiroid. Metode ini diharapkan dapat meningkatkan akurasi klasifikasi dibandingkan dengan penggunaan masing-masing metode secara terpisah. Data yang digunakan berasal dari berbagai sumber, termasuk dataset UCI, yang mencakup berbagai parameter klinis. Hasil menunjukkan bahwa kombinasi SVM dan KNN mampu mencapai akurasi klasifikasi hingga 96%, lebih tinggi dibandingkan dengan penggunaan masing-masing metode secara independen.]]>
<![CDATA[LITERATUR REVIEW: PENGGUNAAN SUPPORT VECTOR MACHINE UNTUK KLASIFIKASI PENYAKIT LAMBUNG ]]>
<![CDATA[Bella Rosa Amelia]]>;
<![CDATA[Muhamad Fauzan]]>;
<![CDATA[Muhammad Rizky]]>;
<![CDATA[Vallen Khafiansyah Malik]]>
<![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[Klasifikasi penyakit lambung merupakan Langkah penting dalam membantu diagnosis medis yang akurat dan efesien. Penelitian ini mengkaji penerapan metode Support Vector Machine (SVM) dalam Mengklasifikasikan penyakit lambung berdasarkan data medis yang releven, sepertti gejala klinis dan hasil uji diagnostic. Metode SVM dipilih karena kemampuannya yang kuat dalam menangani dataset dengan dimensi tinggi serta menghasilkan margin keputusan yang optimal. Data pasien dikumpulkan dari sumber klinis ,kemudian diproses melalui tahapan praproses termasuk normalisasi dan seleksi fitur untuk meningkatkan akurasi model. Hasil eksperimen menunjukan bahwa SVM mampu mencapai tingkat akurasi tinggi dibandingkan dengan metode klasifikasi lainnya. Temuan ini menunjukan potensi SVM sebagai alat yang efektif dalam membantu tenaga medis membuat keputusan klinis yang lebih cepat dan tepat. Impelementasi metode ini diharapkan dapat mendukung sistem pendukung keputusan medis yang lebih canggih dimasa depan.]]>
<![CDATA[Analisis Klasifikasi Penyakit Tanaman Kedelai Menggunakkan Decision Tree ]]>
<![CDATA[Aldiansyah]]>;
<![CDATA[Muhammad Hafidlul Mujib]]>;
<![CDATA[Sabrillah Sabastian]]>;
<![CDATA[Bagus Gusti Janova]]>
<![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 pada tanaman kedelai (Glycine max) dapat menyebabkan kerugian yang signifikan dalam produksi pertanian. Deteksi dini dan klasifikasi penyakit sangat penting untuk meningkatkan hasil panen. Penelitian ini bertujuan untuk menganalisis dan menerapkan algoritma Decision Tree dalam klasifikasi penyakit pada tanaman kedelai. Dengan menggunakan dataset yang relevan, kami mengeksplorasi efektivitas model Decision Tree dalam mengidentifikasi berbagai jenis penyakit yang menyerang kedelai. Hasil penelitian menunjukkan bahwa model Decision Tree mampu mencapai akurasi klasifikasi sebesar 92%, dengan presisi 90% dan recall 88%. Penelitian ini memberikan kontribusi penting dalam pengembangan teknologi pertanian berbasis data.]]>
<![CDATA[Literatur Review: Klasifikasi Penyakit Karat Daun pada Tanaman Jeruk Menggunakan Machine Learning ]]>
<![CDATA[Arif Rahman Hakim]]>;
<![CDATA[Rizki Akbar Syabani]]>;
<![CDATA[Muhammad Zacky]]>;
<![CDATA[Riswanto Halim]]>
<![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[Tinjauan literatur ini bertujuan serta berfokus pada penerapan berbagai macam teknik machine learning dalam klasifikasi penyakit karat daun pada tanaman jeruk,dimana teknik yang digunakan berkaitan erat dengan machine learning dan bertujuan utama dalam pneyelesaian klasifikasi penyakit karat daun pada tanaman jeruk . Dengan mengacu pada jurnal-jurnal terkini yang mengaplikasikan metode beragam seperti citra hiperspektral, pencitraan fluoresensi, deep transfer learning, serta optimasi model, kajian ini bertujuan mengevaluasi efektivitas pendekatan machine learning dalam mendeteksi penyakit karat daun. Teknik yang dianalisis mencakup Convolutional Neural Network (CNN) untuk ekstraksi fitur pada citra daun lemon dan jeruk manis, serta algoritma K-Nearest Neighbor (KNN) yang digunakan untuk mengidentifikasi penyakit berdasarkan pola citra daun. Berdasarkan tinjauan literatur, dengan pendekatan machine learning menunjukkan potensi besar dalam mengklasifikasikan penyakit karat daun yang menghasilkan tingkat akurasi yang tinggi. Namun, keberhasilan metode ini sangat bergantung pada kualitas data yang digunakan dan optimalisasi algoritma untuk mencapai hasil yang konsisten,hasil yang diberikan juga bergantung pada sistem data atau input yang diberikan sebelumnya .Metode yang telah disebutkan sebelumnya memungkinkan menghasil dan membarikan kualitas yang dapat dikaji lebih lanjut ,hal ini mempertimbangkan bagaimana cara metode tersebut berkerja.Secara menyeluruh efektifitas pendekatan machine learning pada klasifikasi penyakit karat daun pada tamanan jeruk menghasilkan model penelitian yang lebih terkaji dan terintegrasi satu sama lain.Kajian ini juga menggaris bawahi pentingnya pengembangan data latih yang lebih beragam serta peningkatan kualitas model machine learning agar klasifikasi penyakit karat daun pada tanaman jeruk dapat dilakukan dengan lebih efektif dan akurat.]]>
<![CDATA[Literatur Review: Penerapan Algoritma Random Forest untuk Klasifikasi Penyakit Diabetes ]]>
<![CDATA[Fajar Sidiq Wijaya]]>;
<![CDATA[Muhammad Farhan Arotsid]]>;
<![CDATA[Riedo Adriano]]>;
<![CDATA[Zakia Dwihadi Larasati]]>
<![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 diabetes ini adalah sebuah penyakit kronis yang banyak diderita dan di alami oleh semua kalangan usia. Penyakit diabetes ini salah satu penyebab angka kematian yang tinggi dan jarang terdeteksi secara dini oleh tubuh yang terkena diabetes ini. Oleh karena itu mendiagnosa penyakit diabetes dini sangat krusial untuk menurunkan dari resiko kompilasi dan meningkatkan pemulihannya. Tujuan dari penelitian ini adalah untuk mengembangkan sebuah model dari klasifikasi penyakit diabetes dengan menerapkannya algoritma Random Forest. Model ini juga bertujuan untuk bisa mengklasifikasi beberapa dari gejala awal penyakit diabetes seperti dari garis keturunan, kadar gula darah yang tinggi, hipertensi dan berat badan berlebihan. Hasil dari penelitian ini dapat berkontribusi pada dokter dan tenaga kesehatan serta masyarakat umum untuk mendeteksi penyakit diabetes sejak dini.]]>
<![CDATA[Korelasi Banyaknya Pengajar dan Penyebarluasan Pendidikan di Provinsi Aceh, Kalimantan Tengah, Maluku, dan Papua Tahun 2023/2024 ]]>
<![CDATA[Alya Salsabila Az Zahra]]>;
<![CDATA[Adam Bahtiar]]>;
<![CDATA[Afriaty Rohmah]]>;
<![CDATA[Muhammad Sholahuddin Al Ayubi Yunus]]>;
<![CDATA[Tri Prasetyo]]>
<![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[Pendidikan yang merata merupakan salah satu tujuan Pembangunan nasional yang penting untuk mengurangi kesenjangan social dan ekonomi antar wilayah di Indonesia. Namun, provinsi- provinsi yang memiliki karakteristik geografis dan social budaya yang unik, seperti Aceh, Kalimantan Tengah, Maluku dan Papua, untuk menghadapi tantangan tersendiri dalam mencapai pemerataan Pendidikan. Salah satu tujuan dilakukan penelitian ini yaitu untuk menganalisis hubungan antara jumlah pengajar dan penyebarluasan Pendidikan di keempat provinsi tersebut pada tahun ajaran 2023/2024. Dengan menggunakan metode kuantitatif dan analisis korelasi pearson, data dikumpulkan dari berbagai sumber resmi seperti Bapan Pusat Statistik (BPS) dan Kementrian Pendidikan, kebudayaan, Riset, dan Teknologi, serta melalui survei lapangan. Hasil penelitian menunjukkan adanya korelasi positif yang signifikan antara jumlah pengajar dan Tingkat penyebarluasan Pendidikan, meskipun kekuatan korelasi bervariasi di tiap provinsi. Di Aceh dan Kalimantan Tengah, memiliki korelasi yang lebih kuat dibandingkan di Maluku dan Papua yang dipengaruhi oleh tantangan tambahan seperti infrastruktur terbatas dan distribusi geografis yang terpencar. Penelitian ini diharapkan dapat memberikan rekomendasi kebijakan bagi pemerintah dan instansi kepentingan Pendidikan di masing-masing provinsi untuk meningkatkan akses dan kualitas Pendidikan melalui peningkatan jumlah pengajar yang berkualitas. Implikasi dari penelitian ini adalah pentingnya distribuksi pengajar yang merata dan peningkatan infrastruktur Pendidikan di wilayah-wilayah terpencil.]]>
<![CDATA[PENERAPAN RANDOM FOREST DALAM KLASIFIKASI PENYAKIT SALURAN PERNAFASAN ]]>
<![CDATA[Alfian Ilyasya]]>;
<![CDATA[Angga Fahreza]]>;
<![CDATA[Muhammad Rafli Alwaan]]>;
<![CDATA[Adi Saputra]]>;
<![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[Infeksi saluran pernapasan akut (ISPA) merupakan salah satu penyakit dengan prevalensi tinggi di dunia, menjadi penyebab utama kematian pada bayi, anak kecil, dan kelompok lanjut usia. Tantangan utama dalam diagnosis penyakit ini adalah jumlah pasien yang tinggi dan keterbatasan tenaga medis. Penerapan algoritma machine learning menjadi solusi efektif dalam membantu diagnosis otomatis, salah satunya adalah penggunaan algoritma Random Forest. Penelitian ini bertujuan untuk mengevaluasi performa Random Forest dalam klasifikasi penyakit saluran pernapasan, khususnya ISPA, dengan membandingkannya terhadap algoritma lain seperti Naïve Bayes, K-Nearest Neighbour (KNN), dan Support Vector Machine (SVM). Berdasarkan studi literatur yang ada, Random Forest menunjukkan hasil akurasi yang tinggi, bahkan mencapai 100% pada beberapa dataset. Teknik tuning hyperparameter seperti GridSearchCV digunakan untuk mengoptimalkan performa model, sehingga meningkatkan ketepatan diagnosis. Hasil penelitian ini menunjukkan bahwa algoritma Random Forest lebih unggul dalam mengklasifikasikan data pasien ISPA dibandingkan dengan algoritma lainnya, menjadikannya pilihan yang tepat dalam pengembangan sistem pendukung keputusan medis.]]>
<![CDATA[Literatur Review : Klasifikasi Penyakit Tanaman Padi Berdasarkan Citra Udara dengan Algoritma SVM ]]>
<![CDATA[Ahmad Tohirin]]>;
<![CDATA[Agung akurniawan]]>;
<![CDATA[Mahfuad Al Hayat]]>;
<![CDATA[Muhammad Fahmi]]>;
<![CDATA[Muhammad Kevin Naufal Fadillah]]>
<![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[Padi merupakan tanaman pangan pokok yang menjadi sumber bahan pangan bagi lebih dari 50% populasi global. Di Indonesia, padi dikenal sebagai tanaman pangan pokok dan dikonsumsi oleh jutaan masyarakat bangsa Indonesia. Padi sering kali diserang oleh berbagai penyakit selama masa pertumbuhannya sehingga bisa menurunkan produksi padi secara signifikan. Oleh karena itu, pendeteksian dini penyakit padi dan serta klasifikasi juga merupakan hal yang penting untuk dilakukan agar kerugian panen padi jauh lebih kecil dari penggunaan sistem pendeteksi penyakit padi bisa dilaksanakan lebih dini. Tujuan dari studi literatur ini adalah untuk mengkaji aplikasi algoritma Support Vector Machine dalam mengklasifikasian penyakit tanaman padi berdasarkan citra udara yang diambil oleh drone. Secara spesifik, tinjauan literatur meliputi penelitian-penelitian teknik klasifikasi penyakit tanaman dengan algoritma SVM, metode-metode preprocessing citra untuk mengenali penyakit pada tanaman padi, dan aplikasi teknologi penginderaan jauh berupa citra udara atau drone dalam pemantauan kondisi pertumbuhan tanaman. Berdasarkan hasil kajian, diketahui bahwa algoritma Support Vector Machine memiliki performa yang baik dalam melakukan klasifikasi citra, yakni sebesar 85-95%. Hal ini didukung oleh kemampuan SVM dalam melakukan klasifikasi data non-linear dan memiliki generalisasi yang baik. Sementara itu, algoritma SVM memiliki kelebihan dalam penanganan pada pencahayaan gambar. Selain algoritma, pengambilan citra dengan drone juga membuktikan efektif. Ini dikarenakan drone mampu memantau keadaan gabah jauh lebih luas dibandingkan dengan metode survei langsung. Beberapa tantangan dalam implementasi sistem ini juga menghasilkan hasil performansi. Adapun tantangan dalam implementasi sistem ini adalah variasi kualitas citra yang dipengaruhi oleh pencahayaan dan ketinggian, serta gejala penyakit padi yang beragam. Namun, pengoptimalan algoritma, seperti kernel dapat menaikkan hasil performansi. Secara keseluruhan, kajian literatur memberikan kajian ilmiah praktis tentang sistem deteksi penyakit padi otomatis berbasis image processing. Sistem ini sangat lah membantu bagi petani dan para stakeholder pertanian dalam rangka pendeteksian dini dan penanganan penyakit padi.]]>
